0% ont trouvé ce document utile (0 vote)

20 vues181 pages

Calcul Scientifique et Symbolique en Maths

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

20 vues181 pages

Calcul Scientifique et Symbolique en Maths

Transféré par

daoudisombie88

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Calcul Scientifique et Symbolique, Logiciels

Licence Mathématiques UE N1MA3003

Alain Yger
Institut de Mathématiques, Université Bordeaux 1, Talence 33405,
France
E-mail address: [Link]@[Link]
Version du 9 mai 2014.

Résumé. Ce cours correspond à l’enseignement dispensé en 2013-2014 dans

l’UE N1MA3003 Calcul Scientifique et Symbolique, Logiciels de la Li-
cence de Mathématiques. Ce cours prend la suite du cours d’ Initiation au
Calcul Scientifique et Symbolique (ex MHT304, [Y1]). Plusieurs chapitres
de l’ouvrage [MathAp] (en particulier les chapitres 1,2,3,9,10) ont servi de
référence pour la rédaction du cours et peuvent être utilisés pour des appro-
fondissements. Les feuilles de TP (sous l’environnement Maple pour ce qui
concerne le calcul symbolique, sous l’environnement MATLAB en ce qui concerne
le calcul scientifique) traitées pendant l’année 2012-2013, ainsi que la liste
des projets proposés aux étudiants (travail en binôme ou trinôme, soutenance
d’une demi-heure avec illustration machine), sont proposées en annexe de ce
polycopié. Les documents accompagnant les TP (routines, corrigés des TP mis
en ligne après remise des travaux) sont disponibles sur les sites :
[Link]
[Link]
On trouvera aussi sur ces pages des liens vers des textes aidant à la prise en
main de ces logiciels. Ce cours vise à illustrer (en s’appuyant souvant dessus)
les acquis de L1, notamment le cours de MISMI (cf. [Y0] pour le polycopié en
ligne) et d’Analyse 1 (cf. [Yan] pour le polycopié en ligne) ; ces cours sont bien
sûr à consulter pour tout support théorique, de même que les cours d’Algèbre 1
(semestre 1) et d’Algèbre 2 (semestre 3), auquels ce cours renvoie fréquemment.
Table des matières

Chapitre 1. Calcul symbolique, Calcul numérique, erreurs 1

1.1. Les deux objectifs du cours ; deux logiciels, deux missions 1
1.2. Représentation des nombres en machine, types d’erreur 3
1.3. Les boucles logiques (if/else, for, while) sur quelques exemples 11
1.4. La force et les limites du calcul symbolique 16

Chapitre 2. La résolution numérique des équations non linéaires 25

2.1. Présentation des méthodes 25
2.2. Comparaison des méthodes en terme d’ ordre 32
2.3. La méthode de la dichotomie 36

Chapitre 3. Polynômes, interpolation, élimination 39

3.1. Quelques généralités en prise avec l’algorithmique 39
3.2. Interpolation de Lagrange et différences divisées 46
3.3. Interpolation polynomiale approchée au sens des moindres carrés 56
3.4. Une sensibilisation au principe de l’ élimination algébrique 59

Chapitre 4. Méthodes itératives en algèbre linéaire 65

4.1. Le théorème du point fixe dans KN (K = R ou C) 65
4.2. Quelques notions préalables à l’algorithmique matricielle 68
4.3. Les algorithmes itératifs pour la résolution de M · X = B 73
4.4. Algorithmes itératifs et méthode des moindres carrés 81

Chapitre 5. Schémas numériques simples pour la résolution des EDO 87

5.1. Les bases théoriques (admises) : Cauchy-Lipschitz 87
5.2. Résolution numérique des EDO 89
5.3. Un modèle de système autonome : le modèle proie-prédateur 102

Annexe A. TP1 : prise en main des logiciels Maple et MATLAB 107

Annexe B. TP2 : assignation/réassignation de variables, boucles (Maple) 113

Annexe C. TP3 : familiarisation avec MATLAB, travail sur les tableaux 119

Annexe D. TP4 : procédures sous Maple, représentation graphique 127

Annexe E. TP5 : les fonctions sous MATLAB et l’interpolation 137

Annexe. TP6 : le principe de l’élimination algébrique sous Maple 147

Annexe F. TP7 : le théorème du point fixe en action sous MATLAB 155

Annexe. Projets (à traiter par binôme ou trinôme) 161

v
vi TABLE DES MATIÈRES

Annexe. Annales : examen 2011-2012, session 1 (1h30) 163

Annexe. Annales : examen 2011-2012, session 2 (1h30) 165

Annexe. Annales : examen 2012-2013, session 1 (1h30), texte + corrigé 167

Bibliographie 173
Index 175
CHAPITRE 1

Calcul symbolique, Calcul numérique, erreurs

1.1. Les deux objectifs du cours ; deux logiciels, deux missions

Ce cours a un double objectif :
– d’une part, une familiarisation avec la prise en main de deux logiciels, l’un
dévolu au calcul symbolique (Maple 13), l’autre au calcul scientifique (en
l’occurrence MATLAB 7), et à la programmation sous ces environnements ;
– d’autre part, une première initiation aux bases du calcul symbolique (ou en-
core formel) et au calcul scientifique.
Le logiciel Maple 13 est un logiciel de calcul symbolique (ou calcul formel). Il pro-
pose des outils de calcul symbolique et fournit en parallèle de puissants outils de
graphisme et de calcul. Cependant, il n’est pas conçu pour le calcul scientifique.
L’ossature de son noyau s’appuie pour une bonne part sur la théorie algébrique
de l’élimination (voir plus loin dans le cours), ainsi que sur des outils tels que
la dérivation et l’intégration formelle des fonctions appartenant à ce que l’on ap-
pelle communément la classe de Liouville : fractions rationnelles, logarithmes et
fonctions afférentes telles que arctan, exponentielle, fonctions trigonométriques ou
hyperboliques, solutions d’équations différentielles de nature algébrique, c’est-à-dire
à coefficients polynomiaux. Ce logiciel (payant) Maple est, avec Mathematica, l’un
des deux logiciels de calcul formel les plus utilisés dans les milieux universitaires.
D’autres logiciels (libres) le complètent pour des tâches plus spécifiques : PARI
en Théorie des Nombres, Macaulay ou Cocoa, Reduce, pour l’algèbre polynomiale
(utile en robotique par exemple) ou la géométrie algébrique 1. Il s’agit d’un logiciel
conçu sur la base d’un langage interprété, et non compilé, ce qui explique fait que les
instructions (do, while,...) correspondant à des boucles de calcul soient exécutées
lentement. On tire profit à utiliser au maximum les fonctions toutes intégrées. La
programmation sous cet environnement n’est pas toujours chose aisée.
Aux antipodes de Maple et du calcul symbolique (donc essentiellement sans
pertes ) le logiciel MATLAB 7 qui, lui aussi , utilise un langage de programma-
tion ressemblant plutôt à un langage de script qu’à un langage compilé tel que le
C ou FORTRAN 90, est un logiciel de calcul scientifique (donc cette fois de calcul
2
avec pertes ). L’ossature de son noyau repose cette fois sur le calcul matriciel .

Si ce type de langage script exécute les instructions bien plus lentement qu’un lan-
gage compilé (même remarque qu’à propos de Maple, mis à part que les choses
s’avèrent plus cruciales ici car les tableaux en jeu dans les calculs peuvent être

1. Il convient aussi ici de mentionner le logiciel libre Sage (téléchargeable sur le site
[Link] offrant toutes les potentialités du calcul symbolique implémenté
sous Maple, ce sous le langage informatique Python.
2. L’acronyme MATLAB vient d’ailleurs de là : MATLAB pour Matrix Laboratory.

1
2 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

de taille énorme), ce type de langage dit interprété se justifie par un temps

de conception et de debogage excessivement réduits par rapport à ceux que
nécessite un langage compilé. Dans le milieu industriel, où il est communément
répandu, MATLAB (souvent couplé avec SIMULINK, ces deux logiciels étant gérés par
la société Mathworks), ce logiciel professionnel sert essentiellement à concevoir des
maquettes de programmes et à les tester, ce avant une phase ultérieure de pro-
grammation, cette fois sous un logiciel compilé tel C++ ou FORTRAN 90. Comme
Maple, MATLAB offre une bibliothèque très importante de fonctions et de documen-
tation : la version disponible sur le site du CREMI 3 est une version accompagnée
des toolboxes suivants : Image Processing, Signal Processing, Statistics,
Partial Differential Equations, Wavelets. Le noyau du logiciel suffira aux
besoins de ce cours à ce niveau de L2.
Les deux logiciels Maple et MATLAB sont des logiciels professionnels et payants.
Il faut signaler cependant que le logiciel libre Scilab réalise un clone de MATLAB
conçu et géré par le Consortium Scilab (INRIA, ENPC). Il est couramment utilisé,
mais essentiellement dans le milieu universitaire 4. À l’heure actuelle, seul MATLAB
est réellement connu et exploité dans le milieu industriel. Outre le logiciel libre
Sage mentionné plus haut, d’autres logiciels libres de calcul symbolique (inspirés
de Maple) ont été développés en vue d’utilisation plus spécifique dans le domaine
de l’enseignement ; on peut par exemple citer Xcas, téléchargeable librement sur
[Link]

La programmation élémentaire (réalisation de programmes à partir de maquettes

réalisées sous un environnement tel qu’Algobox, rencontré peut-être dans le se-
condaire) est plus aisée sous un environnement tel que MATLAB (elle consiste en la
rédaction de routines .m) ou Scilab (réalisation de fichiers .sce) qu’elle ne l’est
sous Maple (environnement sous lequel peut par contre tirer avantageusement pro-
fit des bibliothèques et commandes pré-installées 5). Cependant, comme on l’a vu,
les objectifs ne sont pas les mêmes : faire du calcul numérique (ou scientifique)
d’un côté (MATLAB ou Scilab), faire du calcul formel en maniant des expressions
symboliques (polynômes, fonctions, ...) de l’autre (Maple).
Si le second objectif puise ses sources dans les acquis de L1 (en particulier en
arithmétique, en analyse, en algèbre des polynômes ou des fractions rationnelles,
ainsi qu’en algèbre linéaire) et dans les bases mathématiques que vous allez en-
grangées tout au long du semestre (cours d’Algèbre 1, d’Algèbre 2, d’Analyse 1,
d’Analyse 2), il arrivera aussi que ce cours anticipe certaines notions intervenant

3. Licence pour 30 utilisateurs en simultané.

4. On peut télécharger le logiciel libre Scilab depuis le site [Link] À signaler
également qu’il existe un site où l’on peut télécharger une version conçue pour l’apprentissage de
Scilab dans les lycées : [Link]
5. La prise en main de Maple consiste à apprendre dans un premier temps à le manier comme
une grosse calculette . Sur le site [Link]
sont disponibles pour ce cours des fichiers de prise en main interactifs pour une première
initiation avec les commandes du logiciel (en particulier le fichier [Link], à ouvrir
sous l’environnement Maple, fichier sur lequel je me suis appuyé pour les illustrations du cours).
Faire Enregistrer la cible du lien sous ... avant d’ouvrir Maple sous un répertoire où vous
aurez enregistré ce fichier. En ce qui concerne la prise en main de MATLAB ou Scilab, on trouvera
sous [Link] une aide à la prise en main de ces
logiciels. Une familiarité avec le calcul matriciel est cependant requise.
1.2. REPRÉSENTATION DES NOMBRES EN MACHINE, TYPES D’ERREUR 3

ultérieurement dans le cursus de Licence : résolution numérique des équations ou

systèmes différentiels, orthogonalité et conséquences, mise en route d’algorithmes
basés sur les méthodes de point fixe (les algorithmes de recherche sur la toile
tels pagerank sur lequel se fonde le principe de Google en sont un bon exemple),
ou bien encore certains aspects du calcul matriciel, en particulier du point de vue
spectral, avec l’approfondissement de la théorie de la décomposition des matrices.
Pour résumer cette introduction, disons que ce cours d’initiation au calcul scien-
tifique et symbolique sera constamment illustré via l’utilisation d’un logiciel de
calcul. Le mieux adapté au calcul symbolique (axé sur la manipulation des ex-
pressions formelles et par voie de conséquence le calcul sans pertes relevant
plutôt de l’arithmétique) sera Maple. Le mieux adapté au calcul scientifique (axé
cette fois sur le calcul dans le champ des réels au service de la modélisation en
mathématiques appliquées) sera MATLAB. Ces deux logiciels seront alternativement
utilisés tout au long de ce cours dans les scéances de TP depuis leur prise en main
jusqu’à l’illustration des acquis de cours et à une initiation à la programmation sous
leur environnement.
Terminons cette introduction par un exemple tout bête soulignant la différence
fondamentale entre calcul formel et calcul scientifique. Pour se convaincre que Maple
est un logiciel
√ de calcul symbolique, on fait (comme on l’a fait en cours) le test
d’évaluer x par exemple en x = 346. Le logiciel retourne :
√
346

Mais l’on a pris la précaution de déclarer 346 comme un nombre décimal (et non plus
comme un entier √ traité de fait comme un symbole), par exemple si l’on demande
l’évaluation de x en x = 346.0, Maple répond cette fois :
18.60107524
On peut ici s’entrainer avec d’autres fonctions Maple (par exemple l’évaluation
eval) en utilisant l’aide interactive disponible dans initiationMaple mentionnée
plus haut. Le logiciel Maple, conçu pour faire du calcul symbolique, c’est-à-dire de
la manipulation d’expresions mathématiques formelles, aura ici été détourné de sa
fonction
√ pour traiter ce calcul comme un calcul scientifique (la valeur fournie ici
pour 346 n’étant bien sûr qu’une valeur tronquée à certaines décimales après la
virgule).
Si l’on demande par contre à MATLAB de retourner le nombre pi en spécifiant format
long, il retournera ce nombre avec ses quinze premières décimales. Le nombre π
est stocké ainsi dans la machine et tout calcul numérique l’impliquant sera auto-
matiquement un calcul avec pertes . On reviendra dans la section suivante sur
la représentation des réels en virgule flottante et le codage machine des nombres ou
des symboles.

1.2. Représentation des nombres en machine, types d’erreur

La rédaction de cette section (plus particulièrement de la sous-section 1.2.3)
s’appuie sur la présentation enrichie de nombreux exemples faite par P. Zimmer-
mann dans [Zim].
4 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

1.2.1. Un premier exemple troublant. Commençons par soumettre la ma-

chine à un test très simple, celui consistant à effectuer le calcul itératif du nombre
x = (10n + 1.5) − 10n , n = 0, 1, 2, ...
Le code de calcul que nous soumettons à la machine (ici sous MATLAB) est donc :
function test1
temp=1;
for i=1:30
temp=10*temp;
x=temp+1.5;
y=temp;
z=x-y;
[i z]
end
Notons ici encore la présence d’une boucle de calculs :
for i=1:30
...
...
...
end
et la réinitialisation de la variable temp à chaque étape.
Voici la réponse obtenue au niveau de l’affichage des sorties (le numéro i de l’ité-
ration, puis la valeur correspondante z du résultat) :
1.0000 1.5000
2.0000 1.5000
3.0000 1.5000
4.0000 1.5000
5.0000 1.5000
6.0000 1.5000
7.0000 1.5000
8.0000 1.5000
9.0000 1.5000
10.0000 1.5000
11.0000 1.5000
12.0000 1.5000
13.0000 1.5000
14.0000 1.5000
15.0000 1.5000
16 2
17 0
18 0
19 0
20 0
21 0
22 0
23 0
24 0
1.2. REPRÉSENTATION DES NOMBRES EN MACHINE, TYPES D’ERREUR 5

25 0
26 0
27 0
28 0
29 0
30 0
Le constat est clair : au delà de la 16-ème itération, la machine ne rend plus le
résultat escompté (qui bien sûr devrait être 1.5000). En fait, ce qui se passe ici
est que la taille des nombres impliqués a nécessité (au niveau de leur codage) un
espace de travail dont le volume dépasse le seuil fixé par la machine : il faut savoir
en effet que pour coder un nombre réel en double précision (ce que fait MATLAB
par défaut), la machine dispose de 64 bits (seulement 32 bits pour le codage en
simple précision). Nous verrons au paragraphe suivant comment ces 64 bits sont
organisés pour le codage des réels en virgule flottante. Mais d’ores et déjà,

nous nous rendons compte que la défaillance du calcul ici est manifestement liée à
des erreurs d’arrondi, la capacité de discernement de la machine ne s’avérant plus
suffisante lorsque les entrées sont des expressions faisant intervenir trop de digits,
comme des entiers positifs de trop grande taille (comme c’est le cas ici lorsque
l’exposant de 10 se met à dépasser 16). Nous reviendrons sur cette question dans
la sous-section 1.2.3.
1.2.2. Un second exemple. Le second exemple proposé, outre qu’il permet
une première prise en main de MATLAB, met en évidence un autre type de faille
du calcul scientifique. À la fois la machine et les mathématiques y sont cette fois
pour quelque chose (nous le verrons beeucoup plus loin dans ce cours lorsque nous
dégagerons la notion de conditionnement).
Rappelons tout d’abord quelques bases concernant la résolution des systèmes linéaires
de N équations à N inconnues
M ·X =B,
où M est une matrice N × N à coefficients réels et B un vecteur colonne à entrées
réelles ; si le rang de la matrice M est égal à N (ce qui signifie det M 6= 0), alors
l’application
X ∈ RN 7−→ M · X
est bijective et l’unique vecteur colonne
 
x1
 .. 
X= . 
xN
de l’équation M · X = B est donné par
X = M −1 · B ,
où
1
(1.1) M −1 = [cofacteurs (M )]t
det M
(At désignant la transposée d’une matrice A).
On verra au chapitre suivant pourquoi la méthode (algorithmique) du pivot s’avère
plus judicieuse pour résoudre un tel système linéaire que la résolution via le calcul de
6 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

la matrice M −1 (que nous utiliserons ici). Nous allons dans cette section justement
utiliser MATLAB qui, comme son nom l’indique, un logiciel s’articulant essentiellement
autour du calcul matriciel. On part d’une matrice M très simple que nous déclarons
sous MATLAB (ce calcul est une première initiation à cet environnement, initiation
que vous allez approfondir en TP) :
>> M= [10 7 8 7 ; 7 5 6 5 ; 8 6 10 9 ; 7 5 9 10] ;
M =

10 7 8 7
7 5 6 5
8 6 10 9
7 5 9 10
Le calcul du déterminant de M montre que det M = 1. On déclare un vecteur
colonne B par
>> B = [32 ; 23 ; 33 ; 31];

B =

32
23
33
31
La résolution immédiate du système donne :
>> M^(-1)*B

ans =

1.0000
1.0000
1.0000
1.0000
L’opération ∗ introduite ici correspond à la multiplication usuelle entre deux ma-
trices (ou tableaux) rectangulaires M et N multipliaples , c’est-à-dire telles que
le nombre de lignes de M (matrice de gauche) soit égal au nombre de colonnes de
N (matrice de droite) 6.
Si ce problème numérique correspond à un calcul numérique sollicité par le résultat
d’une expérience, il est vraisemblable que les entrées de l’appareil (représenté par
l’action de la matrice M ) sont connues non pas exactement, mais avec une marge
d’erreur. Il en est de même pour les coordonnées de la sortie B. Perturbons
donc légèrement les entrées de M et tentons à nouveau de résoudre le système. Les
nouvelles matrices M et B perturbées sont les suivantes :

6. En revanche, l’opération M.*N (lorsque M et N sont deux matrices rectangulaires de mêmes

dimensions) réalise le produit au sens naif (cette fois commutatif, alors que le produit ∗ ne
l’était pas) P=M.*N des deux matrices M et N entrée par entrée (pij = mij × nij pour chaque paire
d’indices i, j indexant les deux tableaux en jeu). Le point-virgule suivant une instruction MATLAB
signifie que l’on ne demande pas l’affichage du résultat. Attention ! sous Maple, ce point-virgule
en fin de ligne n’a pas la même fonction : il est nécessaire pour clôre une ligne de commande.
1.2. REPRÉSENTATION DES NOMBRES EN MACHINE, TYPES D’ERREUR 7

>> Mperturb=[10 7 8.05 7.05 ; 7.04 5.02 6 5 ;8 5.99 9.98 9 ; 7 5 9 10]

Mperturb =

10.0000 7.0000 8.0500 7.0500

7.0400 5.0200 6.0000 5.0000
8.0000 5.9900 9.9800 9.0000
7.0000 5.0000 9.0000 10.0000

On peut aussi envisager de perturber M en introduisant une perturbation par

aléatoire obtenue commme un échantillon de loi uniforme par
>> perturb = (1/100)*(rand (4,4) - ones (4,4)/2);
>> Mperturb = M + perturb ;
On peut ainsi varier les tests numériques à l’infini. Le résultat du calcul de X =
f−1 · B avec ces données (légèrement) perturbées est troublant :
M
>> Mperturb^(-1)*B

ans =

1.1693
0.6593
1.1329
0.9322
On voit que l’on est très loin de la solution
 
1
1
X= 1


1
obtenue lorsque l’entrée M n’est pas perturbée !
On peut envisager de perturber aussi B, par exemple en
>> Bperturb=[32.01 ; 22.99 ; 33.01 ; 30.997]

Bperturb =

32.0100
22.9900
33.0100
30.9970
f−1 · B
Le résultat du calcul de M e est encore pire (on y voit apparaitre une entrée
négative) !
>> Mperturb^(-1)*Bperturb

ans =

1.9353
-0.6112
8 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

1.4540
0.7420
Ce n’est pas ici la machine qui est en jeu, mais les mathématiques elles mêmes ! On
peut deviner le problème en réalisant que
>> M^(-1)

ans =

25.0000 -41.0000 10.0000 -6.0000

-41.0000 68.0000 -17.0000 10.0000
10.0000 -17.0000 5.0000 -3.0000
-6.0000 10.0000 -3.0000 2.0000
L’inverse de M a des coefficients de taille significative, ce qui est une des raisons
pour cette instabilité. La notion sous-jacente est en fait celle de conditionnement
d’une matrice, mais l’on y viendra plus tard (la notion de valeur propre jouant un
rôle important). On comprend en tout cas l’intérêt de développer des méthodes
algorithmiques, telles le pivot de Gauss que vous avez rencontré en Algèbre 1 ou les
méthodes itératives basées sur le théorème du point fixe (Jacobi, Gauss-Seidel) dont
nous parlerons dans ce cours (en les implémentant sous Maple ou MATLAB), plutôt
que d’attaquer la résolution en inversant la matrice M . Notons d’ailleurs au passage
que l’expression développée d’un déterminant d’ordre N implique N ! termes, ce
qui fait du problème du calcul d’un gros déterminant un problème très vite d’une
excessive complexité algorithmique ! Le calcul de M −1 directement suivant (1.1)
est donc à proscrire du point de vue de la complexité et du risque de mauvais
conditionnement de la matrice M .

1.2.3. Le codage en virgule flottante. Étant donné un entier strictement

positif β (dit base ), tout nombre entier naturel se décompose en base β de
manière unique sous la forme

X
N
n= bj β j , bj ∈ {0, ..., β − 1}.
j=0

Si le développement en base β le plus familier est celui qui correspond à β = 10

(développement décimal), le plus en phase avec le calcul machine est le dévelop-
pement en base β = 2 (développement binaire ) qui n’utilise que deux symboles :
– 0= l’interrupteur est fermé, i.e le courant ne passe pas ;
– 1= l’interrupteur est ouvert, i.e le courant passe.
Par exemple, en base 2,

19 = 1 × 24 + 0 × 23 + 0 × 22 + 1 × 2 + 1 = [1 0 0 1 1].

L’encodage d’un réel en machine, dit en virgule flottante, se fait suivant le stan-
dard IEEE754 (1985, révisé en 2008), soit dans l’un des trois formats binaires
binary32, binary64, binary128, soit dans l’un des deux formats décimaux que
sont decimal64, decimal128.
1.2. REPRÉSENTATION DES NOMBRES EN MACHINE, TYPES D’ERREUR 9

Dans un des systèmes binaires (on prendra comme exemple binary64, dit système
en double précision binaire), un nombre réel x (ou plutôt une valeur approchée x
de ce nombre réel) est encodé sur 1 + 11 + 52 = 64 bits 7 :
– le premier bit est réservé pour le signe du nombre 8 ; on note s ∈ {0, 1} la
valeur de ce bit ;
– les 11 bits suivants servent à encoder l’exposant, i.e l’entier e ∈ Z défini
(lorsque x est non nul) par le fait que 2−e |x| ∈ [1/2, 1[, ce qui signifie que le
nombre 2−e |x| admet un unique développement binaire propre (c’est-à-dire
dont les coefficients ne sont pas tous égaux à 1)
b0 b1 bk
(1.2) 2−e−1 |x| = + 2 + · · · + k+1 + · · · , b0 = 1, bj ∈ {0, 1} ∀ j ∈ N∗ ;
2 2 2
la valeur codée avec ces 11 bits est donc un entier 0 ≤ v ≤ 211 − 1 = 2047
et l’exposant e = v − 1023 peut prendre toute valeur entière entre −1023
(v = 0) et 1024 (v = 2047) ;
– les 52 bits restants sont utilisés pour coder le mot [b1 · · · b52 ], mot de 52
lettres, chacune valant 0 ou 1 ; le mot [1 b1 · · · b52 ] est appelé mantisse 9 de
x.
Les nombres −0 et +0 sont donc encodés respectivement avec v = 0 (tous les bits
b1 , ..., b52 étant mis à 0) tandis que ±∞ et NaN ( Not A Number ) sont encodés
avec v = 2047 (respectivement lorsque tous les bits b1 , ..., b52 sont mis à zéro ou
non).
Exemple 1.1. Par exemple, pour π :
7074237752028440 252 + 2570638124657944 N
π' = = 2 1 +
251 251 252
le numérateur N = 2570638124657944 ≤ 251 s’exprimant ici comme un mot de 52
caractères (0 ou 1) en base 2. On a donc s = 0, e = 1, c’est-à-dire v = 1024, le mot
[b1 · · · b52 ] correspondant à l’écriture en base 2 du nombre
N = 2570638124657944 ≤ 251 .
L’encodage de π sera ainsi (si l’on respecte l’ordre des bits qui a été indiqué)
l’écriture en base 2 du nombre
s × 263 + v × 252 + N = 4614256656552045848
= [0100000000001001001000011111101101010100010001000010110100011000]
Si Nb est le nombre de bits impliqués dans le codage de la mantisse (Nb = 52 en
double précision, Nb = 23 en simple précision, Nb = 112 en quadruple précision),
l’erreur d’arrondi entre une vraie mantisse b et la mantisse codée b est donc
majorée en module par
|b − b| ≤ 2−Nb −1

7. En simple précision, soit dans binary32, le découpage est 1 + 8 + 23 = 32 bits, tandis qu’en
quadruple précision, soit dans binary128, le découpage est 1 + 15 + 112 = 128 bits.
8. On note à ce propos qu’une ambiguité existe pour x = 0 et que la machine nous force à
distinguer −0 et +0.
9. Le premier bit matérialisé en b0 = 1 dans (1.2) est dit bit caché ; mettre ce bit à 0 conduit
à la représentation des nombres dénormalisés ou sous-normaux (subnormal), bien utiles dans les
opérations pour éviter par exemple une division par zéro conduisant brutalement à ±∞.
10 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

(on arrondit au nombre codable avec Nb + 1 chiffres le plus proche, qu’il soit
plus petit ou plus grand que m, exactement comme on le fait en décimal). L’er-
reur relative commise lorsque l’on arrondit x = ±b × 2e+1 en x = ±b × 2e+1 =
±[1 b1 · · · bNb ] × 2e+1 est donc majorée par
|x − x| |b − b| |b − b|
= ≤ ≤ 2 × 2−Nb −1 = 2−Nb .
|x| b 1
2

Cette erreur relative 2−Nb (où Nb est le nombre de bits utilisés pour coder la
mantisse), est appelée erreur machine ; c’est elle qui sera responsable des erreurs
d’arrondi dans les calculs (voir la section suivante).

1.2.4. Arrondis dans les calculs entre flottants. On fixe ici une précision
(simple, double ou quadruple), donc un entier Nb (23, 52 ou 115 suivant que l’on
est en simple, double ou quadruple) et un entier Mv (28 − 1, 211 − 1, 215 − 1 suivant
que l’on est en simple, double ou quadruple précision). Si y est un nombre flottant,
i.e un réel du type y = (−1)s [1 b1 . . . bNb ] 2e avec s ∈ {0, 1} et e tel que 0 ≤ v ≤ Mv ,
on pose
ulp(y) := 2e−Nb .
Cette notation (anglosaxonne) vaut pour Unit in the Last Place .
Définition 1.1 (les cinq modes d’arrondi correct du standard IEEE 754). On
dit que y est arrondi au plus proche du nombre réel x
– avec arrondi pair (roundTiesToEven) si y est un nombre flottant tel que
ulp(y)
|y − x| ≤
2
avec la convention que si x est exactement la valeur médiane entre deux
flottants y1 et y2 , alors on privilégie celui dont la mantisse est paire ;
– avec arrondi away (roundTiesToAway) si y est un nombre flottant tel que
ulp(y)
|y − x| ≤
2
avec la convention que si x est exactement la valeur médiane entre deux
flottants y1 et y2 , alors on privilégie y2 si x > 0, y1 si x < 0.
On dit que y est un arrondi dirigé de x
– vers 0 (roundTowardZero) si |y − x| ≤ ulp(y) et |y| ≤ |x| ;
– vers −∞ (roundTowardNegative) si |y − x| ≤ ulp(y) et y ≤ x ;
– vers +∞ (roundTowardPositive) si |y − x| ≤ ulp(y) et y ≥ x.
Les opérations arithmétiques classiques que l’on introduit entre nombres flottants
sont l’addition, la soustraction, la multiplication et la division, que l’on peut implé-
menter en flottant comme :
(a, b) 7→ a ⊕ b := arrondi au plus près de a + b
(a, b) 7→ a b := arrondi au plus près de a − b
(a, b) 7→ a ⊗ b := arrondi au plus près de a × b
(a, b) 7→ a b := arrondi au plus près de a/b.
À la place du choix qui est fait ici, on peut choisir l’un des cinq modes d’arrondi
proposés dans la Définition 1.1.
1.3. LES BOUCLES LOGIQUES (IF/ELSE, FOR, WHILE) SUR QUELQUES EXEMPLES 11

Aux quatre opérations algébriques mentionnées, il faut ajouter la prise de racine

carrée et les conversions binaire/décimal.
Le standard IEEE 754 impose que toutes ces opérations algébriques soient conduites
(comme indiqué) avec l’un des cinq modes d’arrondi proposés dans la Définition 1.1.
On dit alors que les six opérations mentionnées ont des implémentations correcte-
ment arrondies. Cette exigence est dite aussi d’arrondi correct. Elle est également
recommandée p dans l’usage des fonctions transcendantes log, exp, sin, cos, tan, atan,
acos, asin, x2 + y 2 , xn , x1/n , sin(π(·)), cos(π(·)), atan/π, sinh, cosh, asinh, acosh,
tanh, atanh.
La situation est autrement plus délicate lorsqu’il s’agit d’implémenter au niveau
des flottants une fonction
f : (x1 , ..., xn ) ∈ Rn −→ R
et que l’on cherche à arrondir correctement y = f (x1 , ..., xn ) pour (x1 , ..., xn )
des flottants donnés. Une bonne approximation yb = y(1+) de la fonction f permet
certes de trouver une grille de flottants avoisinant y, mais ne permet en général pas
de décider quel flottant dans cette grille réalise un des cinq arrondis corrects (au
sens de la norme IEEE 754) de y. Un test fait sur l’approximation yb ne saurait en
effet induire de conclusion relativement à ce qui aurait du se passer si le test avait
été conduit, comme il aurait du l’être, avec y en place de yb.
Signalons les deux lemmes suivants (faciles à vérifier et souvent utiles comme
garde-fous , par exemple pour valider la preuve d’un postulat mathématique

à l’aide d’une machine 10 ).

Lemme 1.1 (lemme de Sterbenz, 1974). Si x et y sont deux flottants tels que
l’on ait x/2 < y < 2x, alors x y = x − y.
Lemme 1.2 (erreur d’arrondi sur l’addition). Si x et y sont des flottants, l’er-
reur d’arrondi (x + y) − (x ⊕ y) est un flottant et l’on a

(1.3) (x + y) − (x ⊕ y) = y (x ⊕ y) x .
Il en est de même pour (x × y) − (x ⊗ y), mais la formule remplaçant (1.3) dans ce
cas est plus complexe.

1.3. Les boucles logiques (if/else, for, while) sur quelques exemples
Cette section visant à rappeler quelques rudiments de programmation pourra
aussi être mise à profit pour une famirialisation avec la rédaction de routines .m
sous MATLAB. On y retrouvera sous une forme algorithmique cette fois le bagage
arithmétique introduit en MISMI.

1.3.1. La recherche du PGCD de deux entiers a, b, b > 0. Rappelons ici

la définition du plus grand diviseur commun (PGCD) de deux entiers positifs ou
nuls non tous les deux nuls ainsi que celle du petit multiple commun (PPCM) de
deux entiers a et b strictement positifs.

10. La preuve en 1998 par T. Hales de la√conjecture de Kepler (1611) stipulant que densité
de l’empilement cubique à faces centrées (π/ 18 ' .74) maximise la densité d’un empilement de
sphères égales en est un exemple instructif.
12 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

Définition 1.2. Si a et b sont deux entiers positifs non tous les deux nuls, on
appelle plus grand diviseur commun (en abrégé PGCD) de a et b le plus grand de
tous les nombres entiers positifs divisant à la fois a et b. Si b = 0, le PGCD de a
et b vaut donc a. On dit que a et b sont premiers entre eux si leur PGCD est égal
à 1. Le PPCM de deux entiers strictement positifs a et b est le plus petit entier
strictement positif multiple à la fois de a et de b et l’on a la relation
PPCM(a, b) × PGCD(a, b) = a × b , ∀ a, b ∈ N∗ .
Le calcul du PGCD de deux nombres entiers positifs a et b avec b non nul fait
apparaitre une démarche mathématique constructive (donc implémentable sur une
machine) que l’on appelle un algorithme. Ce terme vient du surnom Al-Khwarizmi
du mathématicien ouzbek Al Khuwarismi, 780-850, (dont le début du titre d’un des
ouvrages fournit d’ailleurs aussi le mot algèbre).
Notons (comme sous la syntaxe du logiciel de calcul MATLAB que nous utilisons ici)
[q,r] = div(a,b)
l’instruction qui calcule, étant donnés deux nombres entiers tels que b 6= 0, l’unique
couple (q, r) avec r ∈ {0, ..., b−1} tel que a = bq+r, donné par la division euclidienne
de a par b. On pourrait tout aussi bien utiliser les commandes de Maple. La fonction
div s’exprime ainsi :
function [q,r] = div (x,y) ;
q = floor (x./y) ;
r = x- q*y ;
Considérons la suite d’instructions qui conduit au calcul du PGCD de deux entiers
a et b ; le nombre à calculer est noté PGCD dans la suite d’instructions ci-dessous :
function PGCD=PGCD(a,b);

x=a ;
y=b ;
while y>0
[q,r] = div(x,y);
if r==0
PGCD = y;
y = 0 ;
else
[q1,r1] = div(y,r);
x = r;
PGCD = x ;
y=r1 ;
end
end
Si l’on traduit ceci en français, voici la lecture :
fonction PGCD=PGCD(a,b);

x=a;
y=b;
tant que y est non nul, faire
[q,r] = div(x,y);
1.3. LES BOUCLES LOGIQUES (IF/ELSE, FOR, WHILE) SUR QUELQUES EXEMPLES 13

si r=0
PGCD = y;
y=0;
sinon
[q1,r1]= div(y,r);
x=r;
PGCD = x;
y=r1;
fin
fin
Si maintenant, on lit ceci en langage mathématique et de manière exhaustive
(toutes les instructions sont listées et l’on n’effectue pas de ré-assignement des
variables), la démarche que traduit cette routine est :
a = bq + r
b = rq1 + r1
r = r1 q2 + r2
.. .
. = ..
rN −2 = qN rN −1 + rN
rN −1 = rN qN +1 + 0
(comme les restes successifs r, r1 , ... décroissent strictement et qu’il y a un nombre
fini d’entiers entre 0 et b, il vient forcément un moment où rN divise rN −1 , rN étant
le dernier reste obtenu non nul). Le PGCD de a et b est aussi celui de b et r, de r
et r1 , et ainsi, en cascade, de rN et 0 ; il vaut donc rN .
CONCLUSION : Le PGCD de a et b est donc égal au dernier reste non nul rN
dans ce très célèbre algorithme de division dit algorithme d’Euclide.
Par exemple, pour a = 13 et b = 4,
13 = 4 × 3 + 1
4 = 4×1+0
le dernier reste non nul étant ici r0 = 1. On a donc PGCD (a, b) = 1.
La routine MATLAB que l’on a mis en place pour implémenter la fonction PGCD inclut
une boucle de calcul
while y > 0
...
...
...
end
Tant que la variable y garde une valeur strictement positive, une certaine opération
est répétée en boucle. Cette variable y, ré-initialisée après chaque retour de boucle,
matérialise le dernier reste atteint dans la division euclidienne (tant que se reste
reste non nul). A l’intérieur même de cette boucle, figure un nœud de décision :
if r = 0
...
...
14 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

...
else
...
...
...
end
La première alternative conduit à l’arrêt du processus précisément lors de la boucle
en cours (puisque on assigne à y la valeur 0 sous cette alternative) tandis que la
seconde appelle la boucle suivante avec des variables x et y qui entre temps ont été
ré-initialisées.
Avec cet exemple de routine PGCD, on a un exemple concret tant de la commande
while que de l’alternative if/else .

1.3.2. La résolution de l’identité de Bézout. Si a est un entier relatif, on

pose |a| = a si a ∈ N, |a| = a0 si a = −a0 avec a0 ∈ N.
Si a et b sont deux entiers relatifs non tous les deux nuls, on appelle plus grand
diviseur commun de a et b (ou encore PGCD(a, b)) le PGCD des entiers positifs
|a| et |b|. Les nombres a et b sont premiers entre eux si ce PGCD vaut 1. On
attribue au mathématicien français Etienne Bézout (1730-1783) le résultat suivant,
dont l’intérêt pratique tant en mathématiques pures qu’appliquées est aujourd’hui
devenu capital (il conditionne ce que l’on appelle le lemme des restes chinois 11).

Theorème 1.1. Soient a et b deux nombres entiers relatifs non tous les deux
nuls et d leur PGCD ; il existe au moins un couple (u0 , v0 ) ∈ Z2 tel que
au0 + bv0 = d
(une telle relation est appelée identité de Bézout lorsque d = 1).

Preuve. La construction de u0 et v0 est algorithmique et se fait en remontant depuis

l’avant-dernière ligne les calculs faits dans l’algorithme de division euclidienne de
|a| par |b| (on suppose ici b 6= 0).
|a| = |b|q0 + r0
|b| = r0 q1 + r1
r0 = r1 q2 + r2
.. .
. = ..
rN −3 = qN −1 rN −2 + rN −1
rN −2 = qN rN −1 + d
rN −1 = dqN +1 + 0

11. En voici un exemple d’application parlant : c’est grâce à ce type de résultat que l’on peut
combiner deux prises de vue à des temps d’exposition premiers entre eux (disons par exemple
a et b secondes) d’un mobile se déplacant à vitesse constante pour réaliser un cliché instantané
net de ce mobile en mouvement (imaginez deux photos d’une avenue la nuit avec les trainées
lumineuses des phares de voitures, lorsque l’on veut précisément voir se fixer sur la pellicule le
flux de véhicules).
1.3. LES BOUCLES LOGIQUES (IF/ELSE, FOR, WHILE) SUR QUELQUES EXEMPLES 15

On écrit
d = rN −2 − qN rN −1
= rN −2 − qN (rN −3 − qN −1 rN −2 )
= −qN rN −3 + (1 + qN qN −1 )rN −2
.. ..
. = .
= u0 a + v0 b

Plus que l’énoncé du théorème 2.1 lui même, ce qui est très important (parce que
très utile) est qu’il s’agisse d’une assertion dont la démonstration est constructive,
c’est-à-dire s’articule sur un algorithme, dit algorithme d’Euclide étendu. Voici, en
quelques lignes de code, la fonction qui calcule, étant donnés deux entiers relatifs a
et b avec b 6= 0 à la fois le PGCD d de a et b, mais aussi une paire d’entiers relatifs
(u, v) telle que d = au + bv (il s’agit, on le remarquera, d’un algorithme inductif
qui s’auto-appelle) :

fonction [PGCD,u,v]=bezout(a,b);
x=a ;
y= abs(b) ;
[q,r]=div(x,y);
if r==0
PGCD = y;
u=0 ;
v=1;
else
[d,u1,v1]=bezout(y,r);
PGCD=d;
u=v1;
v=sign(b)*(u1- q*v1);
end
On retrouve ici une alternative
if
...
...
else
...
...
end
mais cette fois non plus une boucle
while ...
...
...
...
end
mais (dans un des volets de l’alternative) un ré-appel au programme (ici appelé be-
zout) comme sous-programme de lui-même. Il faut prendre garde ici que la présence
précisément de l’alternative interdit que la procédure ne boucle sur elle même. Cette
16 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

alternative devient à une certaine étape un test d’arrêt . La notion dégagée ici est
celle de récursivité en programmation.

1.4. La force et les limites du calcul symbolique

On poursuit dans cette sous-section la familiarisation avec l’outil Maple. Ex-
ploitant certains résultats mathématiques (parfois en aval de votre cursus), on met-
tra en évidence ce que peut apporter le calcul symbolique par rapport au calcul
formel (le calcul des 100 premières décimales de π en est un exemple, voir la
sous-section 1.4.1), en même temps que l’on mettra en lumière les failles justi-
fiant le recours inéluctable aux outils de calcul scientifique (avec les risques liés aux
pertes qui en découlent). La résolution sous Maple des équations algébriques

jusqu’au degré 4 seulement (sous-section 1.4.2) constituera une transition avec les
méthodes numériques (Newton, sécante, fausse position, dichotomie) qui feront l’ob-
jet du chapitre à venir.

1.4.1. La division euclidienne au service de la formule de John Ma-

chin et du calcul des décimales de π. Le nombre π (demi-périmètre du cercle
unité) joue un rôle central en mathématiques. Ce nombre ne saurait être racine
d’une équation algébrique à coefficients entiers et, par là même, échappe à la classe
des nombres modélisables sans pertes , par exemple par le biais du calcul sym-
bolique (n’impliquant que des entiers naturels et des signes). Nous avons vu dans
l’exemple 1.1 comment encoder π dans un système binaire. Sous un logiciel en
double précision tel MATLAB, le nombre π ne peut être encodé qu’au travers d’une
approximation décimale ou binaire. Par exemple, si l’on demande à MATLAB de ren-
voyer la valeur de ce nombre (en format long, c’est-à-dire avec affichage du nombre
maximal de décimales possibles, ici 15), on obtient :
>> format long
>> pi

ans =

3.141592653589793
Ce que nous venons de remarquer dans la section précédente à propos des limites
de la représentation des nombres en virgule flottante lorsqu’il s’agit de calcul scien-
tifique (simple ou double précision pour le codage des nombres réels) ne vaut plus
lorsqu’il s’agit de représenter sous forme décimale un nombre rationnel du type
N/D où N et D sont deux entiers strictement positifs sous un logiciel de calcul
symbolique tel que MATLAB ou Mathematica. En effet, ce que peut faire le logiciel
dans ce cas, c’est effectuer l’algorithme de division euclidienne de N par D (celui
que vous connaissez depuis l’école primaire), ce autant de fois qu’on le veut, et
afficher donc un nombre arbitrairement grand de décimales du nombre N/D. On
obtient ici une valeur numérique de N/D avec une précision arbitraire (bien sûr, la
seule limite est la capacité de stockage mémoire de la machine).
Illustrons cela avec une formule d’analyse (que vous prouverez ultérieurement dans
le cours d’Analyse 3 au semestre 4) permettant d’obtenir le nombre π comme limite
1.4. LA FORCE ET LES LIMITES DU CALCUL SYMBOLIQUE 17

commune des deux suites adjacentes

X
2n−1
(−1)k
un = 4 , n≥1
2k + 1
k=0

(cette suite croit) et

X
2n
(−1)k
vn = 4 , n≥1
2k + 1
k=0
(cette suite décroit), avec lim (vn − un ) = 0 ; ces deux suites sont des suites de
n→+∞
nombres rationnels. La formule que l’on admet pour justifier ceci est
Z 1 Z 1X ∞ X∞
dt 2 k (−1)k
π = 4 atan(1) = 4 2
= 4 (−t ) dt = 4
0 1+t 0 k=0 k=0
2k + 1
(1.4) ∞
X (−1)k
=4+4 .
2k + 1
k=1
Sous Maple13, on peut par exemple calculer en utilisant la commande sum les
nombres u100 et v100 :
X
199
(−1)k X
200
(−1)k
(1.5) u = u100 = 4 + 4 v = v100 = 4 + 4 .
2k + 1 2k + 1
k=1 k=1
> u:=4:
for i from 1 to 199 do
u:=u + 4*(-1)^(i)/(2*i+1);
end do:
> u;
73107038803896820272051019828378177545472107045424764412183032623507735395742\

648084627718263852275691373137426993671519326356091089553028236126486890826\

6204946805311497184/2330778846653263981508241030629200773293192084180236783\

989076833198484591101069034917139195411721198713640327975684786306003115020\

03066966840474629472267552661106168111125

> v:=4:
for i from 1 to 200 do
v:=v + 4*(-1)^(i)/(2*i+1);
end do:

> v;
29409153714228755488352788592404817226666042608582540000644959155354541277336\

844643332400591621231400189173721343489670702108917127711991109422911095010\

3818394313354582815284/9346423175079588565848046532823095100905700257562749\
18 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

503796198101125923210315286830017728173601002006841697715182495993087072491\

2303229853703030326418379288617103573412561125
Les résultats sont ici explicités sous forme de fraction puisque les expressions (1.5)
donnant u = u100 et v = v100 sont des expressions rationnelles et que Maple se
comporte comme un logiciel de calcul symbolique. C’est l’algorithme de division
euclidienne que Maple met en jeu lorsque l’on invoque la commande evalf en
imposant le nombre de décimales (ici par exemple 50). On obtient ici :
> evalf(u,50);
3.1365926848388167504149697050776129667152913517315

> evalf(v,50);
3.1465677471829564012877876601898324180868624240507
Le nombre π est ici encadré par ces deux valeurs. Malheureusement, ce résultat est
très mauvais : il nous permet simplement d’affirmer que la première décimale de π
vaut 1. La raison pour laquelle nous ne pouvons avoir de résultat meilleur ici tient
au fait que la convergence de la suite

Xn
(−1)k
4
2k + 1 n≥0
k=0

vers sa limite, donc des deux suites adjacentes (un )n≥0 et (vn )n≥0 vers π, est ex-
cessivement lente. L’erreur entre la somme de tous les termes d’une série alternée
(c’est de cela qu’il s’agit ici car on ajoute, avec les (−1)k /(2k + 1), des termes dont
le signe alterne avec l’indice k) et la somme de ses n premiers termes est en effet
seulement majorée en module par le premier terme négligé au cran n, c’est-à-dire
le (n + 1)-ième. Ce qui donne ici

X
n
1 4 4
π−4 (−1)k ≤ = ∀ n ∈ N.
2k + 1 2(n + 1) + 1 2n + 3
k=0

On peut aisément montrer qu’en fait ici cette erreur est équivalente à 2/n lorsque
n tend vers l’infini. Il s’agit donc là d’une convergence très lente et on est bien loin
de la convergence exponentielle ! Il faudrait donc travailler avec 2000 termes pour
espérer par exemple une erreur en 10−3 ! On est donc loin du compte avec seulement
199 ou 200 termes comme ce que l’on prend ici.
Pourtant une formule algébrique aussi simple que

(1.6) (5 + i)4 = 2(239 + i)(1 + i)

(à vérifier) nous assure que

π
atan (1) = = 4 atan (1/5) − atan (1/239).
4
1.4. LA FORCE ET LES LIMITES DU CALCUL SYMBOLIQUE 19

Comme 1/5 < 1 et 1/239 < 1, la formule 12

∞
X ∞
X
(−1)k (−1)k
π = 16 (1/5)2k+1 − 4 (1/239)2k+1
2k + 1 2k + 1
k=0 k=0
(1.7)
(−1)k
∞
X
= 4(4/5 − 1/239) + 4 4(1/5)2k+1 − (1/239)2k+1
2k + 1
k=1

fournit deux suites adjacentes (fn )n et (gn )n définies respectivement par

X (−1)k
2n−1
fn := 4(4/5 − 1/239) + 4(1/5)2k+1 − (1/239)2k+1
2k + 1
k=1
(1.8)
X (−1)k
2n
gn := 4(4/5 − 1/239) + 4(1/5)2k+1 − (1/239)2k+1
2k + 1
k=1
la première croissante, la seconde décroissante, telles que fn ≤ π ≤ gn et que l’erreur
gn − fn soit cette fois exponentiellement petite comme fonction de n lorsque n tend
vers l’infini. On obtient cette fois
> f:=4*(4/5-1/239):
for i from 1 to 199 do
f:=f + 4*((-1)^(i)/(2*i+1))*(4*(1/5)^(2*i+1)- (1/239)^(2*i+1));
end do:

> evalf(f,500);
3.141592653589793238462643383279502884197169399375105820974944592307816406286\

208998628034825342117067982148086513282306647093844609550582231725359408128\

481117450284102701938521105559644622948954930381964428810975665933446128475\

648233786783165271201909145648566923460348610454326648211411836337351028535\

076359081339898934439794046156228875441930324313039229345995246595044357372\

067926237220688440078983131937289229037299185437241143101068704481169242885\

4990477850854148747668313991452839287642153241703

> g:=4*(4/5-1/239):
for i from 1 to 200 do
g:=g + 4*((-1)^(i)/(2*i+1))*(4*(1/5)^(2*i+1)- (1/239)^(2*i+1));
end do:

> evalf(g,500);
3.141592653589793238462643383279502884197169399375105820974944592307816406286\

12. Cette formule (et d’autres similaires), basée ici sur l’identité algébrique (1.6), est très an-
cienne. On la doit au mathématicien anglais John Machin (1680-1751), à qui l’on doit le calcul
des cent premières décimales de π. Évidemment aujourd’hui, les outils informatiques, ne serait-ce
que Maple comme ici, permettent d’aller beaucoup plus loin.
20 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

208998628034825342117067982148086513282306647093844609550582231725359408128\

481117450284102701938521105559644622948954930381964428810975665933446128475\

648233786783165271201909145648566923460348610454326648213472484619116142621\

584823258499409657096915875845384795905299386889117132202327371985285038293\

873677009013743380924863132735294216568471255262677552078624814206855028421\

6586487825916492887319186809407951507093524812775
Le fait que f100 et g100 aient ici leurs 277 premières décimales égales justifie, puisque
π se trouve entre ces deux nombres, que ces 277 premières décimales soient en
fait les 277 premières décimales de π. En travaillant avec fn et gn avec n >>
100, on déterminerait les décimales de π bien au delà de ce seuil de 277. Toute la
force du calcul symbolique, mettant en jeu ici l’algorithme d’Euclide pour traiter la
division de deux nombres entiers afin de déterminer le développement décimal de
fractions telles f100 ou g100 , a été exploité ici pour obtenir π avec une telle précision.
Ceci n’a rien a voir avec l’encodage de π dans un logiciel de calcul scientifique tel
MATLAB car nous avons mis en œuvre ici (avec la division euclidienne des entiers)
une démarche algorithmique. Il convient de noter tout de fois que la démarche
consistant à remplacer l’approximation (1.4) (trop lente) par l’approximation (1.7)
est, elle, une démarche relevant du calcul scientifique : c’est ce que l’on appelle
l’accélération de convergence. On la retrouvera dans ce cours avec l’interpolation,
le calcul approché d’intégrales et la démarche proposée par le mathématicien néo-
zélandais Alexander Craig Aitken, 1895-1967, dont on reparlera plus loin.
1.4.2. Les commandes solve, fsolve sous Maple ; au delà du degré 5 ?
Les équations algébriques à coefficients complexes sont résolubles par radicaux tant
qu’elles sont de degré inférieur où égal à 4. On connait bien les cas des degrés 1 et
2. Le cas du degré 3 consiste à ramener la résolution de l’équation à celle de
X3 + P X + Q = 0
(ce sont les formules de Cardan 13). La résolution par radicaux des équations de
degré 4 a été proposée par le mathématicien italien Ludovico Ferrari (1522-1565) ;
elle consiste à se ramener au cas des équations du type
x4 + px2 + qx + r = 0
et à ramener la résolution de cette équation à celle (proposée par Cardan pour le
degré 3) de l’équation de degré 3 cette fois :
X 3 + 2pX 2 + (p2 − 4r)X − q 2 .

La commande solve sous un logiciel de calcul symbolique tel que Maple reprend,
lorsque le degré de l’équation à résoudre est inférieur ou égal à 4, donc que la
résolution par radicaux est possible, la démarche explicite proposée par Cardan

13. Le mathématicien italien de la Renaissance Gerolamo Cardano (plus connu sous le nom
de Cardan, 1501-1576), est aussi connu, avec son traité de la théorie des jeux, comme l’un des
précurseurs de la théorie de probabilités.
1.4. LA FORCE ET LES LIMITES DU CALCUL SYMBOLIQUE 21

ou Ferrari. Par exemple, on trouve, sous Maple13, pour un exemple d’équation de

degré 3 tel que x3 + x2 + 1 = 0 :
> solve(x^3+x^2+1 = 0);
(1/3)
1 / (1/2)\ 2 1 1
- - \116 + 12 93 / - ------------------------- - -, --
6 (1/3) 3 12
/ (1/2)\
3 \116 + 12 93 /

(1/3)
/ (1/2)\ 1 1
\116 + 12 93 / + ------------------------- - -
(1/3) 3
/ (1/2)\
3 \116 + 12 93 /

/ (1/3) \
1 (1/2) | 1 / (1/2)\ 2 | 1
+ - I 3 |- - \116 + 12 93 / + ------------------------- , --
2 | 6 (1/3)| 12
| / (1/2)\ |
\ 3 \116 + 12 93 / /

(1/3)
/ (1/2)\ 1 1
\116 + 12 93 / + ------------------------- - -
(1/3) 3
/ (1/2)\
3 \116 + 12 93 /

/ (1/3) \
1 (1/2) | 1 / (1/2)\ 2 |
- - I 3 |- - \116 + 12 93 / + -------------------------|
2 | 6 (1/3)|
| / (1/2)\ |
\ 3 \116 + 12 93 / /

La racine réelle et les deux racines complexes conjuguées sont ici séparées par des
virgules. Pour une équation de degré 4, telle que x4 + 3x2 + 5x + 1 = 0, Maple
propose la résolution par radicaux de Ricatti :
> solve(x^4+3*x^2+5*x+1 = 0);
22 1. CALCUL SYMBOLIQUE, CALCUL NUMÉRIQUE, ERREURS

(1/3)
1 / (1/2)\ 22 1 1
-1, - - \244 + 12 1005 / + --------------------------- + -, --
6 (1/3) 3 12
/ (1/2)\
3 \244 + 12 1005 /

(1/3)
/ (1/2)\ 11 1
\244 + 12 1005 / - --------------------------- + -
(1/3) 3
/ (1/2)\
3 \244 + 12 1005 /

/ (1/3) \
1 (1/2) | 1 / (1/2)\ 22 |
+ - I 3 |- - \244 + 12 1005 / - ---------------------------|,
2 | 6 (1/3)|
| / (1/2)\ |
\ 3 \244 + 12 1005 / /

(1/3)
1 / (1/2)\ 11 1
-- \244 + 12 1005 / - --------------------------- + -
12 (1/3) 3
/ (1/2)\
3 \244 + 12 1005 /

/ (1/3) \
1 (1/2) | 1 / (1/2)\ 22 |
- - I 3 |- - \244 + 12 1005 / - ---------------------------|
2 | 6 (1/3)|
| / (1/2)\ |
\ 3 \244 + 12 1005 / /

Cependant, même avec des équations de degré 4, il peut arriver que le logiciel soit
incapable d’effectuer cette résolution par radicaux, pourtant en principe possible,
comme sur l’exemple de l’équation x4 +3x3 +5x+1 où la non-réponse est éloquente :
> solve(x^4+3*x^3+5*x+1 = 0);
1.4. LA FORCE ET LES LIMITES DU CALCUL SYMBOLIQUE 23

/ 4 3 \
RootOf\_Z + 3 _Z + 5 _Z + 1, index = 1/,

/ 4 3 \
RootOf\_Z + 3 _Z + 5 _Z + 1, index = 2/,

/ 4 3 \
RootOf\_Z + 3 _Z + 5 _Z + 1, index = 3/,

/ 4 3 \
RootOf\_Z + 3 _Z + 5 _Z + 1, index = 4/
La résolution par radicaux devient de toutes façon impossible au delà du degré (du
fait du résultat de Galois assurant la non simplicité du groupe An pour n ≥ 5,
comme vous le verrez plus tard) et ceci se reflète dans la réponse de Maple, logiciel
de calcul symbolique, donc formel, à la commande solve. Ainsi sur l’exemple de
l’équation x5 + x3 /2 + 1 = 0 :

> solve(x^5+(1/2)*x^3+1 = 0, x);

/ 5 3 \ / 5 3 \
RootOf\2 _Z + _Z + 2, index = 1/, RootOf\2 _Z + _Z + 2, index = 2/,

/ 5 3 \ / 5 3 \
RootOf\2 _Z + _Z + 2, index = 3/, RootOf\2 _Z + _Z + 2, index = 4/,

/ 5 3 \
RootOf\2 _Z + _Z + 2, index = 5/
En revanche, la commande fsolve fournit pour l’exemple de x5 + x3 /2 + 1 = 0 la
solution réelle (unique) de cette équation de manière approchée, soit :
> fsolve(x^5+(1/2)*x^3+1 = 0, x);

-0.9098248906

Les méthodes conduisant à ces résolutions numériques relèvent, elles, du calcul

scientifique (donc en général avec pertes , à moins que les démarches d’approxi-
mation en jeu ne fassent intervenir que des fractions rationnelles). Ces méthodes
s’appuient sur le théorème du point fixe et nous en détaillerons certaines au cha-
pitre suivant. On a, pour les mettre en œuvre, plutôt intérêt à utiliser un logiciel de
calcul scientifique (tel MATLAB), certainement plus adapté qu’un logiciel de calcul
symbolique auquel on a forcé la main (avec une commande telle que fsolve au lieu
de solve) pour faire du calcul numérique.
CHAPITRE 2

La résolution numérique des équations non

linéaires

Comme nous l’avons vu dans au chapitre 1, l’approche numérique est la seule en-
visageable pour envisager de résoudre des équations algébriques de degré supérieur
ou égal à 5. Ceci est a fortiori encore plus vrai lorsqu’il s’agit d’équations du type
{f (x) = 0}, où f est une fonction non algébrique (en général tabulée dans le noyau
du logiciel interprété), avec tous les problèmes d’évaluation et d’arrondi que cela
peut poser (cf. la sous-section 1.2.4 au chapitre 1). L’objectif de ce chapitre est de
présenter un certain nombre de méthodes itératives conduisant au calcul approché
des racines d’une équation {f (x) = 0} (Newton, fausse position , sécante, dicho-
tomie), de dégager ensuite les outils mathématiques impliqués dans leur validation
(formule de Taylor, pour l’essentiel), enfin de dégager la notion d’ordre.

2.1. Présentation des méthodes

2.1.1. Présentation sur des exemples de la méthode de Newton sur
R. Considérons la fonction

x 7−→ f (x) = x5 + x3 /2 + 1

sur [−1, −1/2]. Nous savons qu’elle est croissante (strictement), que sa valeur en
−1 vaut −1/2 et que sa valeur en −1/2 vaut −1/32 − 1/16 + 1 > 0. Cette fonction
doit donc (d’après le théorème des valeurs intermédiaires) s’annuler en un unique
point de [−1, −1/2].

f(b)

a=x 0 x1 x2 x3 ξ b

T0
y=f(x)

f(a)

Figure 2.1. Méthode de Newton

25
26 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

Lançons l’algorithme itératif qui consiste, partant de x0 = a = −1, à calculer de

manière itérative les xk suivant la règle
x5k + x3k /2 + 1 f (xk )
xk+1 = xk − = xk − 0 .
5x4k + 3x2k /2 f (xk )
En fait xk+1 est l’abcisse du point où la tangente en (xk , f (xk )) au graphe de f
rencontre l’axe des x (voir la figure 2.1). Voici ici la routine itérative sous MATLAB :
function x=Newton(init,N);
x=init;
for i=1:N
x = x - (x^5+x^3/2+1)/(5*x^4+3*x^2/2);
end
Si l’on prend comme valeur initiale init=-1, on constate la convergence de la suite
(xk )k :
>> format long
>> Newton(-1,3)
-0.909825093948150
>> Newton(-1,5)
-0.909824890637916
>> Newton(-1,10)
-0.909824890637916
On vérifie que l’on récupère bien (ici en partant de x0 = −1, et au bout de 5
itérations), les 14 premières décimales de l’unique racine réelle ξ de l’équation
f (x) = 0 (en double précision, MATLAB ne pouvant pas faire mieux) appartenant à
] − 1, −1/2[. Le résultat est concordant avec celui que nous donnait la commande
fsolve sous Maple (voir la sous-section 1.4.2). C’est ce qu’il nous reste maintenant
à clarifier et à comprendre.
Supposons que f soit une fonction de classe C 2 sur un intervalle ouvert I de R, à
valeurs réelles, et que a et b soient deux points de I tels que :
– f (a)f (b) < 0 ;
– f 0 6= 0 sur [a, b].
La seconde condition implique que f 0 reste soit strictement positive, soit strictement
négative sur [a, b]. Nous avons ici représenté la figure 2.1 en supposant, comme dans
l’exemple, f 0 > 0 sur [a, b].
Pour faciliter la compréhension de la figure 2.1 sur laquelle nous nous appuyons,
nous supposerons de plus (mais, on le verra, cette hypothèse n’a rien d’essentiel)
que f 00 ne s’annule pas sur [a, b], c’est-à-dire que le graphe de f ne présente aucun
changement de sens de concavité sur [a, b] : soit ce graphe regarde toujours vers
le bas (f 00 < 0 sur [a, b], i.e. f concave, ce que nous supposerons, puisque c’est ici
le cas de notre exemple), soit il regarde toujours vers le haut (f 00 > 0 sur [a, b], i.e.
f convexe).
Comme f (a)f (b) < 0 et que f 0 > 0 sur [a, b], la fonction f est strictement croissante
sur [a, b] et, d’après le théorème des valeurs intermédiaires 1, s’annule en un unique
point ξ ∈]a, b[. Notre but ici est de calculer ξ via une méthode itérative.

1. Revoir le cours de MIS 101 (pour l’énoncé, on pourra par exemple se reporter à [Y0], section
3.2) et celui d’Analyse 1 [Yan] (pour la preuve et une étude plus poussée).
2.1. PRÉSENTATION DES MÉTHODES 27

On part de x0 = a et l’on construit la tangente T0 au point (x0 , f (x0 )), tangente

dont l’équation est
y − f (x0 ) = f 0 (x0 )(x − x0 ) .
Cette tangente coupe l’axe des abscisses au point (x1 , 0) tel que
y(x1 ) = 0 = f (x0 ) + f 0 (x0 )(x1 − x0 ) ,
soit
f (x0 )
x1 = x0 − ≥ x0 .
f 0 (x0 )
Il est clair que nous n’avions pas ici le choix entre a et b comme point initial (init) ;
en effet, si l’on partait de b, la tangente issue de b intersecterait l’axe réel en un point
x1 qui sortirait du champ sur lequel est définie la fonction f , à savoir le segment
[a, b]. Du fait de la propriété de concavité (f 00 < 0 sur [a, b]), la tangente T0 au
point (x0 , f (x0 )) reste au dessus du graphe de f et le nombre x1 (voir la figure
2.1) se trouve entre x0 et l’abscisse inconnue ξ. On peut donc recommencer (car
x1 ∈ [a, b]). On construit donc la tangente T1 au point (x1 , f (x1 )) ; cette tangente
coupe l’axe des abscisses au point (x2 , 0) avec
f (x1 )
x2 = x1 − ∈ [x1 , ξ] .
f 0 (x1 )
Le procédé itératif consistant, partant de x0 = a, à calculer de proche en proche
les xk , k ≥ 0, via la relation de récurrence à un pas
f (xk )
(2.1) xk+1 = xk − , k ∈ N,
f 0 (xk )
génère une suite
x0 ≤ x1 ≤ x2 ≤ · · · ≤ ξ .
Cette suite est une suite croissante majorée, donc convergente (vers un point x∞
de [x0 , ξ] ⊂ [a, b]). Comme
f (xk )
xk+1 = xk − , k ∈ N,
f 0 (xk )
on a, en passant à la limite lorsque k tend vers +∞ et en utilisant le fait que f et
f 0 sont continues (avec f 0 6= 0 sur [x0 , ξ] ⊂ [a, b]) :
f (x∞ )
x∞ = x∞ − ,
f 0 (x∞ )
d’où f (x∞ ) = 0, ce qui implique nécessairement x∞ = ξ. La suite (xk )k≥0 approche
donc le point ξ (ici en croissant).
L’un des défauts (au niveau de l’implémentation) concernant la méthode de Newton
est le fait qu’elle nécessite la connaissance non seulement des valeurs de f , mais
de celles de f 0 . Si la fonction f est tabulée, il faut effectuer un calcul numérique
de dérivée discrète (avec les erreurs d’arrondi que cela suppose) avant d’exprimer
xk+1 en fonction de xk . Outre (on le verra dans la sous-section 2.2.2) son efficacité
en ce qui concerne la rapidité de convergence (à condition qu’elle converge, ce qui,
on le verra, n’est pas toujours le cas), la méthode itérative proposée ici présente
l’avantage d’être une méthode à un pas : la valeur de xk+1 écrase celle de xk
car xk+1 est fonction seulement de xk . Il n’est nul besoin de conserver des valeurs
calculées en mémoire.
28 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

Comme autre exemple d’application, prenons une fonction tabulée sous MATLAB dont
la dérivée est aussi tabulée (f (x) = cos x, f 0 (x) = − sin(x)) et cherchons la valeur
approchée de π en remarquant que la fonction cos est strictement décroissante,
strictement concave sur ]0, 2] et que cos(0) = 1, cos(2) < 0. On peut calculer le
zéro ξ = π/2 de cos sur [0, 2] en partant de init = 2 et en utilisant la méthode
de Newton. On constate qu’au terme de 5 itérations, on obtient les 14 premières
décimales de π.
Il faut noter que, si l’algorithme itératif ainsi décrit converge sous les hypothèses
de stricte monotonie et de stricte concavité (ou convexité) pour la fonction f , sous
lesquelles nous nous sommes placés 2, il n’en est pas de même en général, même si
f 0 garde un signe fixe sur [a, b] ; des changements de convavité du graphe peuvent
nous faire sortir du cadre [a, b]. Même si d’ailleurs la fonction f est de classe C 2 et
strictement monotone (avec f 0 > 0 ou f 0 < 0) sur R tout entier, de tels changements
de concavité peuvent aisément induire la non convergence de l’algorithme lorsqu’il
est initié en un point arbitraire de R ; l’exemple de la fonction
5x − x3
x ∈ [−1, 1] 7→ ,
4
pour lequel la méthode, initiée à −1 ou 1, ne fait que rebondir entre ces deux
valeurs, en est un exemple (notons qu’il y a ici changement de concavité en x = 0).
Voir la figure 2.2.

(1,1)

3
y= (5x−x )/4
−1 0 1

(−1,−1)
Figure 2.2. La méthode de Newton prise en défaut

Cette démarche algorithmique pour résoudre numériquement l’équation f = 0,

est une démarche attribuée à Isaac Newton ; c’est l’algorithme de Newton 3. Nous
verrons dans la sous-section 2.2.2) que le théorème du point fixe est impliqué dans

2. Même si, comme nous le verrons dans la section 2.2.2, ces hypothèses de stricte concavité
ou convexité peuvent être allégées.
3. Philosophe, mathématicien, physicien, esprit universel , l’anglais Isaac Newton (1642-
1727) fut, avec le mathématicien prussien Leibniz, l’un des pères incontestés du calcul différentiel
moderne.
2.1. PRÉSENTATION DES MÉTHODES 29

f(a)

y= f(x)

S1,2

S 0,1

x 0= a x3 x2 x1 = b
ξ

f(b)

Figure 2.3. Méthode de fausse position

la justification (si elle s’avère licite) de la convergence et que la méthode de Newton

est une méthode dite d’ordre 2.

2.1.2. La méthode de fausse position . Décrivons maintenant une

méthode à pas multiples (deux en fait), la méthode de fausse position. On sup-
pose simplement ici (pour l’instant) que la fonction f (toujours de classe au moins
C 2 ) est strictement monotone sur [a, b], et que f (a)f (b) < 0. On suppose pour
fixer les idées f 0 < 0 sur [a, b] (comme sur la figure 2.3). La fonction f s’annule
(comme dans la section précédente) en un unique point ξ de ]a, b[, que l’on se pro-
pose d’approcher. On ne fait pas pour l’instant aucune hypothèse portant sur le
sens de concavité de f (il peut varier sur [a, b], comme sur la figure 2.3).
On part cette fois du couple de points x0 = a, x1 = b (notre méthode sera cette
fois une méthode à deux pas, tout au moins en ce qui concerne l’étape calcul ) :
à chaque cran, xk+1 sera fonction des deux valeurs obtenues aux crans précédents,
à savoir xk et xk−1 .
On construit la droite (dite sécante) S0,1 joignant les points (x0 , f (x0 )) et (x1 , f (x1 )) ;
cette droite a pour équation
f (x1 ) − f (x0 )
y − f (x1 ) = (x − x0 ) ;
x1 − x0
elle coupe l’axe des abscisses en un point x2 tel que
f (x1 ) − f (x0 )
0 − f (x1 ) = (x2 − x1 ) ,
x1 − x0
30 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

soit
x1 − x0
x2 = x1 − f (x1 ) .
f (x1 ) − f (x0 )
Une fois ce calcul de x2 effectué, intervient un processus de choix ([if ... else
...]) : on calcule f (x2 ) et l’on opère comme suit :
– soit f (x2 ) est du signe de f (x1 ) (c’est le cas sur notre figure 2.3), auquel
cas le calcul de x3 se fait comme précédemment, mais cette fois à partir des
valeurs de x0 et x1 réactualisées, c’est-à-dire :

x0 ←− x0
x1 ←− x2

(de manière à ce que les x0 et x1 réactualisés continuent, comme les précédents,

à encadrer le point ξ) ;
– soit f (x2 ) est du signe de f (x0 ), auquel cas, on pose

x0 ←− x2
x1 ←− x1

(de manière à ce que les x0 et x1 réactualisés continuent, comme les précédents,

à encadrer le point ξ) .
On poursuit suivant ce processus pour construire un processus itératif à deux pas
convergent vers le point ξ. Pour déterminer x3 , il faut, en effet disposer des valeurs
de x0 , x1 , x2 en mémoire, autant pour le processus de décision, que, une fois ce
processus de décision effectué, pour le calcul de x3 (à partir des valeurs de x0 et
x1 réactualisées comme indiqué ci-dessus). Ce calcul de x3 n’implique, une fois le
choix décidé, que deux de ces trois valeurs (x0 et x2 , ou bien x1 et x2 ).
Cette méthode est dite méthode de fausse position 4 , ou aussi des regula
falsi .
Une fois le processus de décision implémenté et les valeurs de xk et xk−1 réactualisées
comme indiqué plus haut, le calcul à effectuer est donc celui de
xk − xk−1
(2.2) xk+1 = xk − f (xk ) .
f (xk ) − f (xk−1 )
On peut préférer à cette forme la forme plus symétrique
xk−1 f (xk ) − xk f (xk−1 )
(2.3) xk+1 = .
f (xk ) − f (xk−1 )

Ce sera d’ailleurs cette seconde formulation (2.3) que nous exploiterons dans la sous-
section 2.2.3 pour préciser la vitesse de convergence de la méthode et comparer les
performances de cet algorithme avec celui de Newton.
On note qu’un des avantages de la méthode de fausse position (par rapport à la
méthode de Newton), indépendamment des questions de rapidité de convergence
dont nous reparlerons, est que la mise en place du calcul itératif (2.2) ou (2.3) ne
nécessite que la connaissance des valeurs (éventuellement tabulées) de la fonction
f , pas celles de sa dérivée f 0 (comme c’était le cas avec l’itération (2.1)).
2.1. PRÉSENTATION DES MÉTHODES 31

f(b)

y=f(x)

x0 =a x3 ξ x4 x2 x1 = b

f(a)

Figure 2.4. Méthode de la sécante

2.1.3. La méthode de la sécante. La méthode de la sécante, plus simple à

implémenter (car elle n’implique pas de processus de décision), se base simplement
sur l’itération à deux pas (2.2) ou (2.3). La routine (écrite sous MATLAB) correspon-
dant à son implémentation est donc :
function xi=secante(init1,init2,N);
x1=init1 ;
x2=init2 ;
for i=1:N
y=x1 ;
x1=x2 ;
% il faut garder en effet cette valeur de x2 en memoire pour la suite
delta = f(x2) - f(y);
if delta == 0
x=(x1+x2)./2 ;
else
x2=x2 - (f(x2).*(x2-y))./delta ;
end
end
xi=x2
(les valeurs initiales x0 et x1 sont ici init1 et init2, et N est le nombre d’itérations).
Notons qu’ici, il a été nécessaire d’introduire un test d’arrêt : la division par
f (xk ) − f (xk−1 ) dans (2.2) ou (2.3) au cran k n’est en effet possible que si, pour la
machine, f (xk ) 6= f (xk−1 ). Si ce test d’arrêt ([if delta == 0 ... else ...])

4. La valeur xk est la fausse position du zéro ξ, fausse position que l’algorithme itératif
conduit ici s’emploie à corriger.
32 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

n’était pas incorporé dans la routine, le résultat fourni par le logiciel (ici, par
exemple, MATLAB) serait NaN ( Not a Number ). Ici, dans le cas où f (xk ) =
f (xk−1 ) aux erreurs machine près, on peut décider du compromis ξ = (xk−1 +xk )/2.
Nous pouvons ici comparer cette routine avec celle régissant la méthode de fausse
position (que nous donnerons plus loin). Il faut noter toutefois que le fait de ne
plus chercher à piéger ξ entre xk−1 et xk (en préalable au calcul de xk+1 ) peut
fort bien nous faire sortir du cadre. Dans les bons cas (voir la figure 2.4), sous
des hypothèses de stricte concavité, la convergence de la suite (xk )k≥0 vers ξ se
présente comme une convergence alternée (xk et xk+1 étant de part et d’autre de
ξ). La convention consistant à poser ξ = (xk−1 +xk )/2 est bien dans ce cas justifiée.
La routine correspondant à l’algorithme de fausse position est similaire, mais intro-
duit en plus un processus de décision. Il convient donc de modifier ainsi la routine
précédente :
function xi=fausseposition(init1,init2,N);
x1=init1;
x2=init2;
for i=1:N
delta = f(x2) - f(x1);
if delta == 0
xi= (x1 + x2)./2;
else
y = x2 - (f(x2) .* (x2-x1))./delta ;
fy = f(y).* f(x1);
if fy < 0
x1 = x1;
x2 = y;
else
x1= x2;
x2= y;
end
end
end
xi=x2;

2.2. Comparaison des méthodes en terme d’ ordre

2.2.1. Les notions d’ ordre et de nombre de pas . Une notion

importante, celle d’ordre, rend compte de la rapidité de convergence, donc de l’effi-
cacité, d’une méthode itérative (lorsque celle ci génère une suite (xk )k convergente
vers un zéro réel d’une fonction f donnée), tandis qu’une autre notion (celle de
nombre de pas) rend compte de la capacité de stockage mémoire nécessaire pour
implémenter la méthode récursive :
Définition 2.1 (ordre et nombre de pas). Soit p un entier positif non nul.
Une méthode itérative (de calcul de zéro réel approché d’une fonction donnée f
satisfaissant certaines hypothèses au voisinage de ce zéro), basée sur l’utilisation
d’une relation inductive
(2.4) xk+1 = Ff (xk , xk−1 , ..., xk−(p−1) ) , k ≥ p − 1,
2.2. COMPARAISON DES MÉTHODES EN TERME D’ ORDRE 33

et initiée donc avec des données initiales x0 , ..., xp−1 , est dite méthode itérative à
p pas. On dit que cette méthode est d’ordre q ∈]0, +∞[ si et seulement si q est la
borne supérieure de l’ensemble des nombres réels strictement positifs κ tels que,
dès que la suite (xk )k≥0 converge vers une limite finie x∞ (zéro d’une fonction
f remplissant, au voisinage de x∞ , les conditions sous lesquelles la méthode est
implémentée), on a
|xk+1 − x∞ |
(2.5) lim sup < ∞.
k→+∞ |xk − x∞ |κ
Remarque 2.1. Souvent, on se contente d’une minoration κ de q, ce qui nous
permet de dire que l’ordre de la méthode est au moins égal à κ. On peut par
exemple choisir κ de manière à ce que la clause (2.5) soit remplie pour toute suite
(xk )k≥0 convergent vers une limite x∞ (zéro de f sous les conditions dans lesquelles
on travaille). Pour prouver que l’ordre est exactement égal à κ, et donc être
sûr que le q = κ ainsi choisi réalise la borne supérieure de l’ensemble de tous les
κ possibles (telle que (2.5) soit satisfaite pour toute suite (xk )k≥0 convergent vers
une limite finie x∞ , zéro réel d’une fonction f sous les conditions sous lesquelles est
envisagé le problème), il convient en plus d’exhiber une suite (xk )k≥0 générée par
l’algorithme itératif (2.4) à partir des p données initiales x0 , ..., xp−1 , convergent
vers une limite finie x∞ (qu’il convient donc de connaitre, ce qui complique ici le
problème, et qui soit zéro de la fonction f sous les conditions imposées), et telle
que, pour cette suite,
|xk+1 − x∞ |
lim inf = l ∈]0, ∞[.
k→+∞ |xk − x∞ |κ
Ceci n’est pas toujours si facile ! En revanche, un minorant de l’ordre q est donné
par tout réel strictement positif κ tel que, pour toute suite (xk )k≥0 générée par
l’algorithme et convergent vers une limite finie x∞ (qui soit un zéro réel de la
fonction f en jeu), il existe une constante C (dépendant a priori de la suite (xk )k≥0 ),
telle que
|xk+1 − x∞ | ≤ C|xk − x∞ |κ , ∀ k ≥ 0 .
2.2.2. La méthode de Newton est au moins d’ordre 2. Que la méthode
de Newton (pour la recherche des zéros réels d’une fonction f de classe C 2 dont la
dérivée ne s’annule pas au voisinage de tels zéros) soit d’ordre au moins égal à 2
repose sur la Proposition 2.1 suivante.
Proposition 2.1. Soit f une fonction de classe C 2 sur l’intervalle ]ξ −r, ξ +r[,
s’annulant en x = ξ, et telle que f 0 ne s’annule pas dans ]ξ − r, ξ + r[. Soit
|f 00 (u)|
γ= sup 0
.
x,u∈]ξ−r,ξ+r[ |f (x)|

Si γr < 2, la suite de Newton (xk )k∈N régie par (2.1), initiée en un point x0
de ]ξ − r, ξ + r[, converge vers ξ lorsque k tend vers l’infini, et l’on a même les
estimations
γ
|xk+1 − ξ| ≤ |xk − ξ|2
2
(2.6) γr 2k −1
|xk − ξ| ≤ |x0 − ξ| ∀ k ∈ N.
2
34 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

Démonstration. Prenons x ∈]ξ − r, ξ + r[ et supposons que

f (x)
Nf (x) = x −
f 0 (x)
appartienne encore à ]ξ − r, ξ + r[. En utilisant la formule de Taylor avec reste
intégral (deux fois, une fois avec f , une fois avec f 0 ), il vient
f (x) − f (ξ)
Nf (x) − ξ = x−ξ−
f 0 (x)
1
= f 0 (x)(x − ξ) − (f (x) − f (ξ))
f 0 (x)
Z 1
1
0 00

= (x − ξ) f (ξ) + (x − ξ) f (tx + (1 − t)ξ) dt
f 0 (x) 0
Z 1
− f 0 (ξ)(x − ξ) + (x − ξ)2 (1 − t)f 00 (tx + (1 − t)ξ) dt
0
Z 1
f 00 (tx + (1 − t)ξ)
= (x − ξ)2 t dt.
0 f 0 (x)
On en déduit l’estimation
γ
(2.7) |Nf (x) − ξ| ≤
|x − ξ|2 .
2
Si nous supposons que x0 , x1 , ..., xk restent dans ]ξ − r, ξ + r[ et que
γ γr 2k −1
|xk − ξ| ≤ |xk−1 − ξ|2 , |xk − ξ| ≤ |x0 − ξ|,
2 2
on constate grâce à (2.7) que la première inégalité dans (2.6) est satisfaite. D’autre
part :
γ γr 2 −2 γr 2k+1 −1
k+1
γ
|xk+1 − ξ| ≤ |xk − ξ|2 ≤ |x0 − ξ|2 ≤ |x0 − ξ|,
2 2 2 2
ce qui prouve la seconde inégalité dans (2.6) par récurrence. Comme γr/2 < 1, il y
a bien convergence vers 0 de la suite géométrique de raison γr/2, donc convergence
de la suite de Newton (xk )k vers la racine ξ de f .
Cette proposition prouve que la méthode de Newton (sous les hypothèses faites
sur f , à savoir que f est de classe C 2 et de dérivée non nulle au point ξ, donc au
voisinage de ξ par continuité) est d’ordre au moins égal à 2. Pour voir qu’elle est
d’ordre 2, prendre par exemple la fonction
f : x ∈ R 7→ x2 − α2
au voisinage du réel α > 0. On a dans ce cas, si x = α + h,
x2 − α 2 x2 + α2 2α2 + 2αh + h2 h2
Nf (x) = x − = = =α+ + o(|h|2 ).
2x 2x 2(α + h) 2α
On constate que, pour cet exemple (c’est l’algorithme de Babylone pour le calcul
approché des racines carrées)
1
|xk+1 − α| ∼ |xk − α|2 .
2α
L’ordre de la méthode de Newton est donc bien égal à 2. En conclusion, on peut
énoncer :
2.2. COMPARAISON DES MÉTHODES EN TERME D’ ORDRE 35

Proposition 2.2 (ordre de la méthode de Newton). L’ordre de la méthode de

Newton (dans le cadre f de classe C 2 et de dérivée non nulle aux zéros réels) est
égal à 2.
2.2.3. Ordre des méthodes de la sécante et de fausse position. Nous
nous contenterons ici d’énoncer le résultat suivant :
Proposition 2.3 (ordre de la méthode de la sécante ou de la méthode de fausse
position). Dans le contexte des fonctions f de classe C 2 et de dérivée non nulle
aux zéros réels, l’ordre de la méthode de√la sécante (ou de celle de fausse position)
est au moins égal au nombre d’or (1 + 5)/2 ' 1.618....
Remarque 2.2. En fait, on pourrait démontrer que cet ordre est exactement
égal au nombre d’or en examinant, une fois encore, l’approximation du zéro α > 0
de x 7→ x2 − α2 .
Démonstration. On suppose pour simplifier que le zéro de f que l’on cherche
à approcher (limite de la suite (xk )k≥0 ) est ξ = 0. On suppose aussi que la fonction f
est de classe C 2 dans un voisinage ouvert du segment [−, ] dans lequel se trouvent
tous les points xk , k ≥ 0.
On peut écrire, on l’a vu, la relation entre xk−1 , xk et xk+1 sous la forme plus
symétrique (2.3) :

xk−1 f (xk ) − xk f (xk−1 )

xk+1 = .
f (xk ) − f (xk−1 )
Ainsi a t’on, si ek := xk − ξ = xk ,
|ek+1 | = |ek−1 | |ek | |ϕ(xk−1 , xk )| ,
avec
f (u)
u − f (v)
v
ϕ(u, v) := .
f (u) − f (v)
La fonction de deux variables
(u, v) 7−→ ϕ(u, v)
est en fait bornée sur [−, ] : pour justifier ceci, on utilise en effet au numérateur et
au dénominateur la formule des accroissements finis 5, applicable tant au numérateur
qu’au dénominateur. En effet, les hypothèses faites sur la fonction f (de classe C 2
avec ici f (0) = 0) impliquent que
f (x)
x ∈ [−, ] 7−→
x
(prolongée par f 0 (0) en 0) est de classe C 1 sur [−, ]. On sait que |f 0 | ≥ η > 0 sur
[−, ] (pourvu que soit choisi assez petit), et que la dérivée de fˇ : x 7→ f (x)/x est
majorée en module par une constante K > 0 sur [−, ] (comme fonction continue
sur ce segment). En écrivant
fˇ0 (θ̌u,v )
ϕ(u, v) = , θu,v , θ̌u,v ∈ [−, ],
f 0 (θu,v )

5. Voir le cours d’Analyse 1 [Yan].

36 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

on trouve que |ϕ| ≤ M = K/η sur [−, ]. Si l’on pose ρk = M |ek |, k ∈ N, on
constate que
ρk+1 ≤ ρk ρk−1 , k ≥ 1 .
En prenant le logarithme, il vient
log ρk+1 ≤ log ρk + log ρk−1 .
Si l’on introduit maintenant la suite récurrente (à deux pas) définie par les condi-
tions initiales
α0 = log ρ0 < 0, α1 = log ρ1 < 0
(quitte à supposer que x0 et x1 sont déjà dans ] − 1/M, 1/M [, on peut en effet
supposer ρ0 < 1 et ρ1 < 1) et par la relation inductive
αk+1 = αk + αk−1 ∀ k ≥ 1,
(celle qui donne les nombres de Fibonacci), on constate (par récurrence sur k) que
∀ k ∈ N , log ρk ≤ αk .
6
Mais l’on sait que
1 + √5 k 1 − √ 5 k
k k
αk = λξ + µη = λ +µ ,
2 2
où ξ et η sont les racines de X 2 − X − 1 = 0 ; la constante µ (calculée à partir des
conditions initiales α0 < 0 et α1 < 0) étant strictement négative (car tous les αk le
sont par récurrence), on a
1 + √5 k
αk ≤ −C
2
pour k assez grand pour un certain C > 0, donc, en passant aux exponentielles 7,
1 + √5 k
M |ek | ≤ (e−C ) 2 ,
(toujours pouvu que k soit assez grand). Ce raisonnement montre bien que que
l’ordre de la méthode de la sécante (ou de la méthode de fausse position basée sur
la même formule inductive à deux pas, écrite sous forme symétrique comme (2.3))
est au moins égal au nombre d’or.

2.3. La méthode de la dichotomie

La méthode de dichotomie est aussi une méthode à deux pas, mais cette fois
(on le verra plus loin, cf. la Proposition 2.4) d’ordre q = 1 ; on verra aussi (en
le justifiant) que c’est une méthode linéaire. C’est la plus ancienne des méthodes
itératives visant au calcul approché des zéros réels d’une fonction d’une variable
réele sur un segment de R. Si cette méthode est la plus lente (au niveau vitesse de
convergence) des méthodes présentées dans ce chapitre, il n’en reste pas moins qu’il
s’agit souvent de la plus robuste, en même temps que de la plus infaillible (sous la
simple hypothèse que f est continue et strictement monotone sur un segment [a, b],
avec f (a) × f (b) < 0).

6. Voir les cours de MISMI [Y0] et d’Analyse 1 [Yan] pour l’étude des suites récurrentes à
deux pas : uk+1 = auk−1 + buk .
7. On rappelle que log |ek | = log ρk − log M ≤ αk − log M pour tout k ∈ N.
2.3. LA MÉTHODE DE LA DICHOTOMIE 37

Son principe est très simple : on part encore d’un segment [a, b] sur laquelle f vérifie
les propriétés précédentes (f continue, strictement monotone, f (a) et f (b) de signes
opposés). On part de x0 = a, x1 = b et on calcule
x0 + x1
c= .
2
Si f (x0 )f (c) ≤ 0, on pose x2 = x0 et x3 = c et on continue ; si f (x0 )f (c) > 0, on
pose x2 = c et x3 = x1 et on poursuit ainsi, suivant le processus itératif décrit dans
la routine suivante :
function x=dichot(init1,init2,N);
x1=init1;
x2=init2;
for i=1:N
y=(x1+x2)/2;
u=f(x1)*f(y);
if u <= 0
x1=x1;
x2=y;
else
x1=y;
x2=x2;
end
end
x=x2
Notons que l’algorithme sur lequel se fonde la méthode de fausse position inclut
dans son synopsis une procédure de dichotomie.
Cette méthode est seulement linéaire, comme l’est, ce qui justifie l’épithète, le calcul
de y = (xk + xk−1 )/2 en fonction de xk et xk−1 . Elle peut être néanmoins exploitée
pour déterminer les nombres a et b à partir lesquels on s’autorisera à lancer une
méthode plus rapide (par exemple, celle de Newton ou celle de fausse position ou
de la sécante), offrant ainsi un premier dégrossissage de la situation avec une
première localisation grossière du zéro éventuel ξ entre x0 = a et x1 = b. Sur notre
exemple
x3
x 7−→ f (x) = x5 + + 1,
2
la méthode de dichotomie initiée avec x0 = −1 et x1 = −1/2 fournit par exemple :
>> dichot(-1,-.5,3)
-0.875000000000000
>> dichot(-1,-.5,5)
-0.906250000000000
>> dichot(-1,-.5,10)
-0.909667968750000
>> dichot(-1,-.5,20)
-0.909824848175049
>> dichot(-1,-.5,50)
-0.909824890637916
>> dichot(-1,-.5,100)
-0.909824890637916
38 2. LA RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES

On constate que la vitesse de convergence ici est loin d’être comparable à celle
donnée par l’algorithme de Newton (ou par les algorithmes de fausse position ou
de la sécante). Nous avons en fait la Proposition suivante.
Proposition 2.4 (ordre de la méthode de dichotomie). La méthode de dicho-
tomie est une méthode linéaire à deux pas, d’ordre q = 1.
Démonstration. Comme la méthode repose sur la relation inductive
xk + xk−1
xk+1 =
2
(xk+1 est une fonction linéaire des deux entrées xk et xk−1 ), la méthode de dicho-
tomie (qui est aussi une méthode à deux pas) mérite son qualificatif de linéaire. On
vérifie de plus par récurrence que
1 1
xk+1 − ξ = (xk − ξ) + (xk−1 − ξ)
2 2
et donc, si ek := xk − ξ pour k ∈ N, que
ek + ek−1
ek+1 = .
2
Si ek+1 = O(eqk ) avec q > 1, on aurait
ek = −ek−1 + O(eqk ) ,
donc ek ' −ek−1 , ce qui imposerait q ≤ 1. L’ordre de la méthode de dichotomie ne
peut donc être strictement supérieur à 1. Il est de fait égal à 1 du fait de la linéarité
de la méthode.
CHAPITRE 3

Polynômes, interpolation, élimination

Au travers du maniement des polynômes (sous l’angle du calcul symbolique,

mais aussi sous l’angle du calcul scientifique), on esquissera dans ce chapitre une
introduction à deux champs de calcul importants (tant sous l’aspect symbolique que
sous l’aspect scientifique) : l’interpolation et l’élimination. On envisagera également
l’interpolation via les polynômes trigonométriques, ce qui constituera une première
approche aux outils présidant à l’étude digitale des signaux (1D) et des images
(2D).

3.1. Quelques généralités en prise avec l’algorithmique

3.1.1. Le codage d’un polynôme en machine ; l’algorithme de
Hörner. Un polynôme de degré N ,
P (X) = a0 X N + a1 X N −1 + · · · + aN ,
avec coefficients dans un corps commutatif K, ou même un anneau commutatif
unitaire A, se code par son degré N et par la liste des coefficients
[a0 , a1 , · · · , aN ],
présentée comme une matrice ligne à N +1 entrées. Les coefficients sont rangés dans
l’ordre ci dessus, en commençant par le coefficient (non nul) du monôme de degré
maximal (ce degré vaut ici N ) ; si un monôme tel X k ne figure pas, on code l’entrée
aN −k correspondante comme un zéro. Par exemple, sous MATLAB, on déclare par
>> P = [-3 4 1 0 2 -6];
le polynôme de degré 5 :
P (X) = −3X 5 + 4X 4 + X 3 + 2X − 6 .
Les N + 1 entrées ak , k = 0, ..., N , qui sont les coefficients du polynôme, sont soit
des éléments de Z ou Q (que l’on code alors sans pertes en travaillant sous un
logiciel de calcul symbolique, tel Maple13), soit des entrées réelles ou complexes
(dont on code des approximations en virgule flottante sous un logiciel de calcul
scientifique tel MATLAB). Les entrées a0 , ..., aN peuvent aussi être des expressions
formelles ou des mots fabriqués à partir d’un nombre fini de symboles, ce qui se
passe lorsque l’on envisage de travailler avec le polynôme P sous l’angle du calcul
symbolique.
L’évaluation (on dit aussi la spécification ) du polynôme en un élément ou un
symbole x (qui peut être un nombre ou une expression formelle pourvu que l’on
sache donner un sens aux expressions :
x · a + ã
39
40 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

lorsque a, ã sont deux éléments de A et à l’itération de ce processus), se fait par

l’algorithme itératif décrit par la formule
" #
h h h i i i
aN + x · aN −1 + · · · + x · x · [x · a0 + a1 ] + a2 + a3 · · ·

et par le code suivant (sous MATLAB) ; ce code évalue le polynôme dont les coefficients
sont donnés par le vecteur ligne A sur un vecteur ligne d’entrées réelles ou complexes
XX :
function P=Horner(A,XX);
N=length(A);
NN=length(XX);
P=A(1)*ones(1,NN);
for i=2:N
P = XX.* P + A(i);
end
Applioqué à un scalaire X=x (NN=1), cet algorithme consommme N multipli-
cations et N additions (en fait N opérations du type x ∗ (·) + (·)) ; la méthode
naive consistant à calculer toutes les puissances xk , k = 1, ..., N nécessite aussi
N multiplications mais en plus de l’espace mémoire (ce que ne nécessite pas la
démarche algorithmique présentée ci dessus) ; il reste ensuite (toujours si l’on suit
cette méthode naive) N multiplications à effectuer pour évaluer
X
N
ak · xN −k = P (x) ;
k=0

cette méthode naive s’avère donc plus coûteuse (en temps et en espace mémoire).
L’algorithme décrit dans le synopsis présenté plus haut (synopsis synthétisant une
boucle, un test d’arrêt et un branchement) est dit algorithme de Hörner 1 . C’est
lui que, par exemple, les commandes telles que
>> P = [-3 4 1 0 2 -6];
>> y = polyval (P,x);
(sous MATLAB) exploitent pour le calcul du vecteur ligne de scalaires
(P (x0 ), ..., P (xM ))
si x0 , x1 , ..., xM sont M + 1 valeurs (ici nombres réels ou complexes car on travaille
avec un logiciel de calcul scientifique) spécifiées.
Sous Maple13, ce sont les commandes du type
> eval (P(x),x)
> eval (f(x,y),x)
qui réalisent l’évaluation d’un polynôme P (X) (dont les coefficients peuvent tout
aussi bien être des expression symboliques, par exemple des polynômes en une nou-
velle variable Y indépendante de X) sur un scalaire x ou une expression symbolique
(par exemple f (X, Y ), où f est une expression rationnelle en X et Y ).

1. C’est au mathématicien anglais William George Hörner (1786-1837) que l’on attribue cet
algorithme, même si probablement l’origine remonte bien au delà dans l’histoire des mathématiques
et du calcul.
3.1. QUELQUES GÉNÉRALITÉS EN PRISE AVEC L’ALGORITHMIQUE 41

3.1.2. La division euclidienne (suivant les puissances décroissantes .

On utilisera ici essentiellement la structure d’anneau euclidien de K[X], liée au fait
qu’existe dans K[X] un algorithme de division euclidienne : étant donnés H ∈ K[X]
et P ∈ K[X], avec deg P = N ≥ 0, il existe un unique couple (Q, R) de K[X]×K[X]
avec
H(X) = P (X)Q(X) + R(X)
et deg R < N (le polynôme identiquement nul étant considéré comme de degré
−∞).
Si P1 et P2 sont deux polynômes non tous les deux nuls de K[X], l’ensemble des
polynômes H de K[X] de la forme

H(X) = P1 (X)A1 (X) + P2 (X)A2 (X)

coincide avec l’ensemble des polynômes multiples du dernier reste non nul ∆ dans
l’algorithme de division euclidienne de P1 par P2 (si deg P2 ≥ 0) ou de P2 par P1 (si
deg P1 ≥ 0). Le polynôme non nul ∆ de degré inférieur à max(deg P1 , deg P2 ) ainsi
défini est appelé PGCD (plus grand diviseur commun) de P1 et P2 ; il est défini à
la multiplication par un élément non nul de K près.
C’est en remontant les calculs conduits dans l’algorithme de division euclidienne (de
P1 par P2 ou de P2 par P1 ) que l’on réalise une identité polynômiale (dite identité
de Bézout 2), de la forme

∆(X) = U (X)P1 (X) + V (X)P2 (X)

avec deg U ≤ deg P2 − 1 et deg V ≤ deg P1 − 1. En particulier, si P1 ≡ 0, on a

∆ = P2 et l’identité de Bézout devient simplement ∆ = P2 = 1 × P2 .
Lorsque K = C, le fait que deg(PGCD(P1 , P2 )) > 0 équivaut à ce que P1 et P2 aient
une racine commune dans C. Ceci résulte du théorème fondamental de l’algèbre,
à savoir le théorème de Jean Lerond d’Alembert, suivant lequel tout polynôme à
coefficients complexes et de degré N se factorise dans C[X] sous la forme

Y
N
P (X) = a0 (X − λj ) ,
j=1

où λ1 , ..., λN sont des nombres complexes ; si λj est répété exactement mj fois dans
cette liste, on dit que l’entier strictement positif mj est la multiplicité de λj comme
zéro du polynôme P ; dire que λj ∈ C est zéro de multiplicité mj ∈ N∗ équivaut à
dire
P (λj ) = P 0 (λj ) = · · · P (mj −1) (λj ) = 0 ,
où P (k) désigne, pour k ∈ N, le k-ème polynôme dérivé de P .

2. Si les travaux du mathématicien et professeur français Etienne Bézout (1730-1783) traitent

tant de la résolution des équations algébriques que de l’élimination (où il fit réellement œuvre de
précurseur, ses travaux devant être repris au siècle suivant par exemple par Cayley et Kronecker),
on n’y trouve nulle trace de cette fameuse identité ! On peut néanmoins penser que l’influence
des travaux de Bézout dans l’enseignement (écoles d’artillerie ou de marine) à travers ses divers
traités didactiques explique cette terminologie.
42 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

3.1.3. La division suivant les puissances croissantes. Tout aussi impor-

tant, sinon plus, que l’algorithme de division euclidienne (qui consiste à traiter la
division en présentant les polynômes de manière à ce que les monômes soient rangés
dans l’ordre décroissant, ce qui correspond à la présentation de Hörner, voir la sous
section 3.1.1), l’algorithme de division suivant les puissances croissantes est initié
avec deux entrées polynomiales A et B dont les monômes sont rangés cette fois
dans l’ordre croissant :
A(X) = a0 + a1 X + · · · + aN X N , B(X) = b0 + b1 X + · · · + b0 X M .
Pour démarrer, il faut (ceci est essentiel) que b0 6= 0. On écrit
a0
A(X) = B(X) + A1 (X)
b0
avec
A1 (X) = α11 X + α12 X 2 + · · ·
(les termes constants sont asbsents de A1 ). On peut donc recommencer et diviser
le reste A1 par B :
α11
A1 (X) = XB(X) + A2 (X),
b0
avec
A2 (X) = α22 X 2 + α23 X 3 + . . .
(les termes de degré 0 et 1 sont absents de A2 ). On continue de la sorte et l’on
trouve après k opérations (ce processus est sans fin, contrairement à celui de la
division euclidienne)
A(X) = B(X)(γ0 + γ1 X + · · · + γk X k ) + Bk (X),
avec
Bk (X) = αk+1,k+1 X k+1 + αk+1,k+2 X k+2 + · · ·
Le polynôme Bk est appelé reste à l’ordre k dans le processus de division suivant
les puissances croissantes, tandis que
X
k
Qk (X) = γj X j
j=0

est appelé quotient à l’ordre k dans ce processus.

Vous avez rencontré cet algorithme très important en analyse, par exemple dans la
recherche de développements limités pour des quotients. Il est tout aussi aisément
implémentable que celui de la division euclidienne.

3.1.4. Une opération coûteuse : la multiplication des polynômes. Mul-

tiplier deux polynômes (de degrés respectifs N1 −1 et N2 −1) conduit (pour le calcul
des coefficients) aux formules dites de Cauchy :

u(0) + u(1)X + · · · + u(N1 − 1)X N1 −1 ×

× v(0) + v(1)X + · · · + v(N2 − 1)X N2 −1 =
(3.1)
X2 −2
N1 +N
= w(k)X k ,
k=0
3.1. QUELQUES GÉNÉRALITÉS EN PRISE AVEC L’ALGORITHMIQUE 43

avec X
w(k) = u(k1 )v(k2 ), k = 0, ..., N1 + N2 − 2.
k1 +k2 =k

Multiplier deux polynômes de degrés N − 1 de manière naive consomme N 2 multi-

plications. Il suffit de penser à la multiplication de deux polynômes de degré 10000
pour entrevoir le coût du calcul !
Le problème de la multiplication rapide des polynômes 3 (c’est-à-dire de leur multi-
plication à moindre coût ) a été résolu par les ingénieurs informaticiens américains
J.W. Cooley et J.W. Tukey vers 1965. Le résultat majeur de Cooley-Tukey est à
la genèse de ce que l’on appelle communément aujourd’hui la révolution numérique
des années 1965-1970.. Nous nous contentons ici d’en esquisser une présentation.
Si l’on choisit N ≥ N1 + N2 − 1, la relation (3.1) est équivalente à
NX
1 −1 NX
2 −1 N1 +N
X2 −2
(3.2) u(k) X k × v(k) X k ≡ w(k) X k mod X N − 1,
k=0 k=0 k=0

ou encore, puisque les N racines complexes du polynôme X N − 1 sont les N racines

complexes N -ième de l’unité exp(−2iπj/N ), j = 0, ..., N − 1, au système de N
relations :
NX1 −1
2iπkj N2 −1 2iπkj N1 +N2 −2 2iπkj
− X − X −
u(k) e N × v(k) e N = w(k) e N ,
(3.3)
k=0 k=0 k=0
j = 0, ..., N − 1.
Posons WN := exp(−2iπ/N ) et remarquons maintenant la propriété algébrique
suivante :
Lemme 3.1 (matrice de transformation de Fourier discrète 4 dft). Soit N ∈ N∗
et dft (N ) la matrice carrée symétrique à coefficients complexes de terme général
WNkj , k indice de ligne, j indice de colonne. La matrice dft (N ) est inversible,
d’inverse
1
(3.4) [dft (N )]−1 = dft (N ).
N
Démonstration. Il suffit de remarquer que
−1
(
NX jk N si j = 0
WN =
k=0
0 si j 6= 0

car X N − 1 = (X − 1)(1 + X + · · · + X N −1 ).
Si les vecteurs-ligne [u(0), ..., u(N1 −1)], [v(0), ..., v(N2 −1)], [w(0), ..., w(N1 +N2 −2)]
sont complétés par des zéros en des vecteurs ligne U, V, W de longueur N , puis

3. Nous envisageons ici les choses du point de vue numérique (car nous ferons appel à des
nombres complexes tels les racines N -ièmes de l’unité dont on ne connait que des approximations).
Cependant, des idées similaires peuvent être introduites dans un cadre plus arithmétique, avec
la notion de transformée de Fourier arithmétique. Signalons aussi qu’un autre algorithme de
multiplication rapide (dans un contexte algébrique) a été proposé en 1960 par le mathématicien
russe Anatolii Karatsuba (1937 –).
4. Pour Discrete Fourier Transform .
44 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

transposés en des vecteurs colonne t U , t V et t W de longueur N , on peut donc

exprimer le système de relations (3.3) sous la forme

1 h i
(3.5) t
W = dft (N ) · dft(N ) · t U . ∗ dft(N ) · t V
N
où .∗ désigne (comme par exemple dans les environnements MATLAB ou Scilab) la
multiplication des vecteurs colonne de longueur N entrée par entrée.
Lorsque N = 2p , avec p ∈ N∗ , on doit aux deux ingénieurs informaticiens américains
James William Cooley and John Wilder Tukey (autour de 1965) la construction d’un
algorithme permettant d’implémenter les opérations de multiplication matricielle
1
dft(2p ) · t U, resp. dft(2 c ,
p) · tW
2p
c sont deux vecteurs colonne de longueur 2p donnés, avec p2p−1 (au
où t U et t W
lieu de (2 ) = 22p ) multiplications (en fait seulement (p − 1)2p−1 si l’on prend
p 2

en compte que 2p−1 de ces multiplications sont des multiplications par −1, que
l’on peut donc considérer comme des additions au niveau de la complexité). Nous
énonçons ici ce résultat majeur, moteur de ce qui allait être la révolution numérique
des années 1968-1970.

Theorème 3.1 (algorithme de Cooley-Tukey (environ 1965)). Lorsque N = 2p ,

p ∈ N∗ , il existe un algorithme consommant seulement p × 2p−1 multiplications
(parmi lesquelles 2p−1 sont des multiplications par −1) permettant la multiplication
matricielle
1
dft(2p ) · t U, resp. c ,
dft(2p ) · t W
2 p

c sont deux vecteurs colonne donnés de longueur 2p . Cet algorithme

lorsque t U et t W
est appelé Algorithme de Transformation de Fourier Rapide , ou plus com-
munément fft(2p ) pour Fast Fourier Transform (respectivement Algorithme
de Transformation de Fourier Rapide Inverse , ou plus communément ifft(2p )
pour Inverse Fast Fourier Transform ).

Remarque 3.1. Sous l’environnement MATLAB ou Scilab, ces algorithmes s’implé-

mentent via les routines
>> (hatU)’ = fft(U’,N);
>> W’ = ifft ((hatW)’,N);

Démonstration. La clef de l’algorithme de Cooley-Tukey consiste à profiter

du fait que l’on a

1 1
dft(2) =
1 −1

(l’action de cette matrice, dite action papillon , est donc très simple) et à enchai-
ner, pour calculer une prise de fft(2k ), deux prises de fft(2k−1 ) avec 2k−1 prises
de dft(2). Il est commode de visualiser cette idée (sous-tendant la récursivité) grâce
au diagramme suivant (où WN := exp(−2iπ/N )).
3.1. QUELQUES GÉNÉRALITÉS EN PRISE AVEC L’ALGORITHMIQUE 45

x(0) X(0)
X(1)
x(2)
x(4) FFT X(2)
.... 2
k-1 .. .. .. ..
. . k. . k-1

x(2 -4 ) X(2 -2 )
k k-1
x(2 -2 ) X(2 -1 )

0 k-1
x(1) x W N X(2 )
1 k-1

x(3) x W N X(2 +1 )
FFT 2 k-1

x(5) k-1 x W N X(2 +2 )

.... 2 .... .. .. .. ..
. k. . . N/2-2 k
x(2 -3) xW N X(2 k -2 )
k
x(2 -1) xW
N/2-1 X(2 -1 )
N

Figure 3.1. Algorithme de Cooley T ukey N/2 = 2k−1 → N = 2k

L’algorithme récursif à implémenter pour calculer par exemple dft(2p ) · X est

présenté comme l’algorithme 1 ci-dessous. On remarque que cet algorithme im-
plique à chaque étape (lignes 5 et 6) une réorganisation des entrées (réalisée par un
renversement de l’un des bits des indices des entrées, 0 → 1, 1 → 0). Il est aisé de
constater que cet algorithme consomme
2p 2p 2p 2p
+ 2 + · · · + 2p−1 p = p = p × 2p−1
2 4 2 2
multiplications, dont 2 p−1
sont en fait des multiplications par e−2iπ/2 = −1. L’al-
p
gorithme ifft(2 ) est en tous points similaire : il suffit de remplacer w par w et de
conclure avec une division par N .

Algorithme 1 fft (X, Y, 2p , w)

w ⇐ e−2iπ/2
p
1:
2: si p = 0 alors
3: Y (0) ⇐ X(0)
4: sinon
5: fft ([X(0), ..., X(2p − 2)], [U (0), ..., U (2p−1 )], 2p−1 , w2 )
6: fft ([X(1), ..., X(2p − 1)], [V (0), ..., V (2p−1 )], 2p−1 , w2 )
7: pour k = 0 jusqu’à 2p − 1 faire
8: Y (k) ⇐ U (k mod 2p−1 ) + wk V (k mod 2p−1 )
9: fin pour
10: fin si

On peut donc conclure :

Proposition 3.1 (multiplication rapide de deux polynômes de degrés au plus
2p−1 −1). Suivant (3.5) avec N = 2p > 2×2p−1 −1, la multiplication rapide de deux
46 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

polynômes de degrés 2p−1 −1 nécessite trois prises de fft(2p ) ou ifft(2p ), chacune

consommant p × 2p−1 multiplications (cf. le théorème de Cooley-Tukey 3.1), et 2p
multiplications supplémentaires (correspondant aux multiplications terme à terme
.* au second membre de (3.5)). Le bilan final du nombre de multiplications est
donc :
N2p−1 −1 (×) = 3 × p × 2p−1 + 2p = 2p−1 (3p + 2) << 22(p−1) .
Le gain est évidemment d’autant plus appréciable que p est très grand.
Remarque 3.2. C’est l’algorithme de Cooley-Tukey (valable pour les puis-
sances de 2) qui explique que les résolutions d’écran d’ordinateur sont du type
1024 × 1024, 2048 × 2048... On retrouve ces puissances de 2 dans la longueur des
signaux digitaux (par exemple en téléphonie mobile).

3.2. Interpolation de Lagrange et différences divisées

L’interpolation des fonctions par des fonctions polynomiales s’impose de manière
naturelle du fait que les fonctions polynomiales sont les seules fonctions qu’il est
possible de coder en machine sous forme de listes de données. Le problème de l’inter-
polation polynomiale s’avère donc un problème majeur, non exempt de réelles diffi-
cultés, tant de nature théorique que numérique. Nous l’abordons ici avec le modèle
le plus simple (mais non le plus performant, on le verra), celui de l’interpolation de
Lagrange.

0.8

0.6

0.4

0.2

0
−8 −6 −4 −2 0 2 4 6 8

Figure 3.2. Le graphe de x 7−→ 1/(1+x2 ) sur [−8, 8] et les points

(xk , yk ) marqués

3.2.1. Définition ; une formule inexploitable. Soient x0 = a, ..., xN = b,

N + 1 nombres réels ou complexes distincts. Lorsque l’on pense à des nombres réels,
on pensera à x0 = a < x1 < · · · < xN −1 < xN = b comme des points intermédiaires
d’un intervalle [a, b] fermé borné donné. Dans notre exemple, le vecteur
X = (x0 , ..., xN )
est le vecteur (ici à 21 = N + 1 entrées)
>> x=-8:16/20:8;
3.2. INTERPOLATION DE LAGRANGE ET DIFFÉRENCES DIVISÉES 47

des 21 points régulièrement espacés entre −8 et 8

16k
xk := −8 + , ..., k = 0, ..., 20 .
20

Associons à ces valeurs xk , k = 0, ..., N , des valeurs numériques (y0 , ..., yN ), réelles
ou complexes. Dans l’exemple que nous traitons ici, nous prendrons par exemple
>> y = 1./ (1+ x.^2);
ce qui signifie

y = (y0 , ..., yN )

et
1
yk = , k = 0, ..., N .
1 + x2k

Les points (xk , yk ) affichés ici avec des croix sont des points du graphe de la fonction

1
f : x ∈ [−8, 8] 7−→ .
1 + x2

Comme on le voit sur la figure 3.2, le graphe de la fonction affine par morceaux
interpolant ces points (en plein sur la figure) ne rend pas compte (par exemple sur
[−2, 2]) de la forme du graphe de f , en pointillés sur la figure, qui présente par
exemple une tangente horizontale au point (0, 1).
Le R (resp. C)- espace vectoriel des polynômes à coefficients réels (resp. complexes)
de degré au plus N est un R (resp. C)-espace vectoriel de dimension N + 1 dont une
base est constituée de l’ensemble des monômes {1, X, X 2 , ..., X N }. Ecrire qu’un tel
polynôme

X
N
P (X) = ak X N −k
k=0

prend des valeurs spécifiéees y0 , ..., yN (réelles ou complexes) aux points distincts
x0 , ..., xN revient à écrire les N + 1 contraintes

X
N
P (xk ) = ak xkj = yj , j = 0, ..., N .
k=0

Ces contraintes correspondent à un système linéaire

   
a0 y0
 a1   y1 
   
(3.6) M (x0 , ..., xN ) ·  .  =  . 
 ..   .. 
aN yN
48 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

où M (x0 , ..., xN ) est une matrice carrée dont on vérifie que le déterminant (dit de
Vandermonde 5) est égal à
−1
xN0 xN
0 ... x0 1
N −1
xN x1 ... x1 1
1
.. .. .. .. Y
. . . . = (xk − xl ) 6= 0 .
−1
xN
N −1 xN
N −1 ... xN −1 1 0≤k<l≤N
N −1
xN
N xN ... xN 1
Ceci prouve que le système (3.6) est un système de Cramer qui admet une unique
solution (a0 , ..., aN ). Le polynôme
PN (X ; Y ) = a0 X N + a1 X N −1 + · · · + aN
correspondant est l’unique polynôme de degré N prenant les valeurs prescrites des
coordonnées du vecteur ligne Y
Y = (y0 , ..., yN ) ,
(dans cet ordre) respectivement aux points x0 , ..., xN . Ce polynôme est dit polynôme
d’interpolation de Lagrange 6 attaché aux données
{x0 , y0 } , {x1 , y1 } , ... , {xN , yN } .
La matrice M (x0 , ..., xN ) est en général mal conditionnée et l’inverser n’est pas la
bonne stratégie !
Certes, on vérifie immédiatement, si l’on pose
P (X) = (X − x0 ) · · · (X − xN ) ,
que notre polynôme cherché s’écrit
X
N
Pk (X) − Pk (xk )
PN (X; Y ) = yk
Pk0 (xk )(X − xk )
k=0
X
N
Pk (X)
= 0 yk
P (xk )(X − xk )
k=0 k
Q
N
(X − xl )
X
N l=0
l6=k
(3.7) = yk .
Q
N
k=0 (xk − xl )
l=0
l6=k

Si l’on pose en effet X = xk , on trouve bien PN (xk ; Y ) = yk pour k = 0, ..., N ;

le polynôme PN (· ; Y ) étant l’unique polynôme ayant cette propriété, c’est bien lui
qui est donné explicitement par la formule (3.7) ci-dessus.

5. Mathématicien franais contemporain d’Etienne Bézout, Alexandre-Théophile Vandermonde

(1735-1796) s’est intéressé à la résolution des équations algébriques en même temps qu’à la combi-
natoire ; le dernier des quatre articles qu’il a rédigé est sans doute l’article fondateur de la théorie
des déterminants.
6. Mathématicien franco-italien (1736-1813), Joseph-Louis Lagrange marqua profondément
tant l’algèbre que l’analyse (en particulier le calcul différentiel) et la mécanique ; ce fut aussi un
astronome.
3.2. INTERPOLATION DE LAGRANGE ET DIFFÉRENCES DIVISÉES 49

Tout ce que nous avons dit dans cette section s’adapte au cas où x0 , ..., xN sont
N +1 nombres complexes distincts et y0 , ..., yN nombres complexes. Dans ce nouveau
contexte, avant de clôre cette section, il n’est pas inintéressant de remarquer que
la construction de polynômes d’interpolation de Lagrange fournit, lorsque K = C,
une résolution directe de l’identité de Bézout envisagée dans la sous-section 3.1.2.
On a en effet la
Proposition 3.2 (interpolation de Lagrange et identité de Bézout). Soient P
et Q deux polynômes à coefficients complexes, de degrés respectifs p > 0 et q > 0,
n’ayant tous les deux que des racines simples (λ1 , ..., λp pour P , µ1 , ..., µq pour Q) 7.
Si P et Q n’ont aucune racine commune et si A désigne le polynôme d’interpolation
de Lagrange (de degré exactement q − 1) interpolant les valeurs 1/P (µj ), avec j =
1, ..., q aux points µ1 , ..., µq et B le polynôme d’interpolation de Lagrange (de degré
exactement p − 1) interpolant les valeurs 1/Q(λj ), avec j = 1, ..., p, aux points
λ1 , ..., λp , on a l’identité de Bézout
1 = A(X)P (X) + B(X)Q(X) .

Démonstration. Il suffit de remarquer que le polynôme

1 − A(X)P (X) − B(X)Q(X)
s’annule en les p + q points distincts λ1 , ..., λp , µ1 , ..., µq et est de degré au plus
p + q − 1. C’est donc le polynôme identiquement nul et la proposition est ainsi
démontrée.

Remarque 3.3 (identité de Bézout en plusieurs variables : un puissant outil en

robotique). Si cette proposition est d’un intérêt mineur lorsque l’on travaille avec
des polynômes en une variable (l’algorithme de division euclidienne étant dans ce
cas un outil algorithmique de complexité optimale), il n’en est plus de même lorsque
l’on recherche (comme c’est le cas dans nombre de problèmes pratiques surgis par
exemple de la robotique) une identité de Bézout
1 = A1 (X1 , ..., Xn )P1 (X1 , ..., Xn ) + · · · + Am (X1 , ..., Xn )Pm (X1 , ..., Xn ) ,

7. Cette condition de simplicité des zéros peut être levée, mais il faut disposer de la notion
de polynôme d’interpolation de Lagrange à des points éventuellement multiples, notion que nous
n’avons pas développé en cours, mais qui pourra être introduite par exemple en TP. En fait, on a
l’identité de Bézout dès que l’on pose (racines multiples ou non pour P ou Q)
X
q h Q(X) i
A(X) = ResY =µj
j=1
(X − Y )P (Y )Q(Y )
X
p h P (X) i
B(X) = ResY =λj
j=1
(X − Y )P (Y )Q(Y )

si le résidu en u = 0 d’une fraction rationnelle R(u) = N (u)/um D(u) (avec D(0) 6= 0) est
le coefficient de u−1 dans le développement de R obtenu après division suivant les puissances
croissantes de N par D. En effet, on constate que A(X)P (X) + B(X)Q(X) s’écrit aussi
X
q h P (X)Q(X) − P (Y )Q(Y )) i X
p h P (X)Q(X) − P (Y )Q(Y )) i
ResY =µj + ResY =λj ≡ 1.
j=1
(X − Y )P (Y )Q(Y ) j=1
(X − Y )P (Y )Q(Y )
50 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

où P1 , ..., Pm sont m polynômes en n variables sans zéros communs dans Cn 8. Dans
ce cas, le recours à des identités obtenues directement suivant le mécanisme suggéré
par l’interpolation de Lagrange peut s’avèrer dans bien des cas algorithmiquement
moins complexe que la (trop) coûteuse méthode d’élimination.
3.2.2. Différences divisées et méthode récursive d’Aitken. Utiliser la
formule (3.7) n’est pas non plus la meilleure stratégie pour calculer le polynôme d’in-
terpolation de Lagrange (comme d’ailleurs le fait de tenter de résoudre le système
(3.6), ce à cause des probèmes de conditionnement mentionnés auparavant). On
préfère utiliser la méthode (due à Newton) des différences divisées consistant à
chercher à exprimer P (· ; Y ) non dans la base usuelle
{1, X, ..., X N }
des R (resp. C)-polynômes de degré au plus N à coefficients réels (resp. complexes),
mais à l’exprimer dans la base
{1 , (X − x0 ) , (X − x0 )(X − x1 ) , ... , (X − x0 ) · · · (X − xN −1 )}
(on peut prendre N points parmi les N + 1 points xk proposés et choisir un ordre
arbitraire). Afin de spécifier la suite x0 , ..., xN choisie et les valeurs interpolées
y0 , ..., yN , nous noterons le polynôme d’interpolation de Lagrange PN (X; Y ) plus
précisément :
PN (X; Y ) = Lagrange[x0 , ..., xN ; y0 , ..., yN ](X),
Ce polynôme s’exprime alors comme
Lagrange[x0 , ..., xN ; y0 , ..., yN ](X) = y[x0 ] + y[x0 , x1 ] (X − x0 )
+ y[x0 , x1 , x2 ] (X − x0 )(X − x1 ) + · · ·
(3.8) −2 −1
Y
N Y
N
· · · + y[x0 , x1 , ..., xN −1 ] (X − xj ) + y[x0 , x1 , ..., xN ] (X − xj ),
j=0 j=0

où les nombres complexes y[x0 , ..., xn ], n = 0, ..., N , sont appelés différences divisées
des yn par les xn (dans l’ordre imposé n = 0, ..., N ) et sont à extraire d’un tableau
de nombres organisé suivant les règles
y[xn ] = xn
(3.9) y[x0 , ..., xn−1 ] − y[x1 , ..., xn ] , n = 0, ..., N.
y[x0 , ..., xn ] =
x0 − xn
Le calcul des différences divisées s’organise suivant un algorithme triangulaire aisé
à décrire sous forme d’un tableau à N + 2 colonnes, numérotées de −1 à N . La
colonne d’indice k (k = 0, ..., N ) de ce tableau représente la suite des nombres
(k)
un := y[xn , xn+1 , ..., xn+k ], n = 0, ..., N − k. Cette colonne d’indice N est donc
réduite à un élément (y[x0 , ..., xN ]) tandis que la colonne d’indice k = 0 est la
colonne des entrées yn = y[xn ], n = 0, ..., N . Il est commode de placer (pour
mémoire) en position k = −1 la colonne des nœuds x0 , ..., xN , colonne qui sera
rappelée à chaque étape de la progression vers la droite dans la construction du

8. C’est à David Hilbert que l’on doit dans ce cas le résultat impliquant l’existence de tels
polynômes A1 , ..., Am .
3.2. INTERPOLATION DE LAGRANGE ET DIFFÉRENCES DIVISÉES 51

tableau. On passe en effet de la colonne d’indice k ≥ 0 à la colonne suivante (d’indice

k + 1) par la règle
(k) (k)
un − un+1
u(k+1) = , n = 0, ..., N − k − 1.
n
xn − xn+k+1
La présentation est donc la suivante :
x0 y0 = y[x0 ]
x1 y1 = y[x1 ] y[x0 , x1 ]
x2 y2 = y[x2 ] y[x1 , x2 ] y[x0 , x1 , x2 ]
.. .. .. ..
. . . .&
.. .. .. ..
. . . . y[x0 , ..., xN ]
.. .. .. ..
. . . .%
xN −2 yN −2 = y[xN −2 ] y[xN −2 , xN −1 ] y[xN −2 , xN −1 , xN ]
xN −1 yN −1 = y[xN −1 ] y[xN −1 , xN ]
xN yN = y[xN ]
On remarque que le calcul de la différence divisée finale y[x0 , ..., xN ] est indépendant
de l’ordre dans lequel on organise les nœuds xn , n = 0, ..., N , pourvu que les yn ,
n = 0, ..., N soient organisés suivant la même permutation de {0, ..., N }.
Algorithmiquement, la démarche décrite ci-dessus se traduit par le code suivant
sous MATLAB :
function DV=DiffDiv(X,Y)
N=size(X,2)-1;
U=zeros(N+1,N+2);
U(:,1)= conj(X’);
U(:,2)= conj(Y’);
DV = [Y(1)];
for j=2:N+1
for i=1:N+2-j
U(i,j+1)= (U(i,j)-U(i+1,j))/(U(i,1) - U(i+j-1,1));
end
DV = [U(1,j+1) DV];
end
Ici X et Y sont deux vecteurs ligne de longueur N+1, le premier désignant les abscisses
(distinctes) ou les affixes complexes des points d’interpolation x0 , ..., xN , le second
les valeurs prescrites y0 , ..., yN précisément en ces points d’interpolation. La suite
des différences divisées est fournie par cette routine dans l’ordre :
y[x0 , ..., xN ], y[x0 , ..., xN −1 ], ..., y[x0 , x1 ], y[x0 ].
Cet ordre est en concordance avec l’utilisation de l’algorithme de Hörner (voir la
section 3.1.1). La suite DiffDiv (X,Y) entre en jeu dans l’évaluation du polynôme
d’interpolation de Lagrange en un point x via la formule (3.8) Cette méthode de cal-
cul du polynôme d’interpolation de Lagrange via le calcul préalable des différences
divisées est dite méthode d’interpolation de Newton. Sa complexité algorithmique
est en O(N 2 ) (il suffit de compter les multiplications). Sous Maple, voici comment
52 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

se visualise en calcul numérique (sous la forme d’un tableau triangulaire, comme sur
la présentation algorithmique décrite plus haut) la table des différences divisées :
>> with(Student[NumericalAnalysis]);
>> P:=[[x0,y0],...,[xN,yN]];
>> PI:= PolynomialInterpolation(P,independentvar=’x’,method=newton):
>> DividedDifferenceTable(PI);
En calcul formel, on a par exemple (sous Maple) la syntaxe :
> with (CurveFitting);
> PolynomialInterpolation([x0, ... , xN], [y0, ...,yN], z, form = Newton);
Le lemme qui soutend pareille démarche est dû à A. Aitken 9 :
Lemme 3.2 (lemme d’Aitken). Soient x0 , ..., xN N + 1 nombres réels distincts
et y0 , ..., yN N + 1 nombres réels. Si Q désigne le polynôme d’interpolation de
Lagrange interpolant les valeurs y0 , ..., yN −1 respectivement aux points x0 , ..., xN −1 ,
R le polynôme d’interpolation de Lagrange interpolant y1 , ..., yN respectivement aux
points x1 , ..., xN , on a, si P désigne le polynôme d’interpolation de f aux points
x0 , ..., xN , la formule d’Aitken :
(X − x0 )R(X) − (X − xN )Q(X)
P (X) = .
xN − x0
Démonstration. On note
(X − x0 )R(X) − (X − xN )Q(X)
Pe(X) = .
xN − x0
Il suffit de remarquer que, pour k = 1, ..., N − 1,
(xk − x0 )R(xk ) − (xk − xN )Q(xk )
Pe(xk ) =
xN − x0
(xk − x0 )yk − (xk − xN )yk
= = yk
xN − x0
(puisqu’à la fois Q et R interpolent les valeurs yk aux points x1 , ..., xN ) et que
d’autre part
−(x0 − xN )Q(x0 )
Pe(x0 ) = = Q(x0 ) = y0
xN − x0
(xN − x0 )R(xN )
Pe(xN ) = = R(xN ) = yN
xN − x0
puisque Q interpole y0 au point x0 et que R interpole yN au point xN . Comme le
degré de Pe est exactement égal à N (puisque Q et R sont deux polynômes unitaires
de degré exactement N − 1), Pe coincide bien avec le polynôme d’interpolation de
Lagrange aux points x0 , ..., xN .

Ce lemme établi, voici un procédé algorithmique permettant de conduire de manière

récursive le calcul du polynôme d’interpolation d’un nombre fini de valeurs en un
nombre fini de points. Cette procédure est dite méthode d’interpolation de Neville-
Aitken. Soient x0 , ..., xN N + 1 nombres réels distincts et y0 , ..., yN N + 1 nombres

9. Mathématicien néo-zélandais, Alexander Craig Aitken, 1895-1967, est aussi connu comme
un calculateur mental prodige ; le lemme cité ici lui est certainement bien antérieur, mais non
sans relation avec les méthodes d’accélération de convergence qu’il développa.
3.2. INTERPOLATION DE LAGRANGE ET DIFFÉRENCES DIVISÉES 53

réels. On introduit la collection de polynômes Pk,j , j = 0, ..., N , k = j, ..., N définis

comme suit :
– Pk,0 ≡ yk , k = 0, ..., N ;
– Pk,j , k = j, ..., N , est le polynôme d’interpolation de Lagrange interpolant
les valeurs yk−j , ..., yk respectivement aux points xk−j , ..., xk .
La relation de récurrence permettant de calculer Pk,j à partir de Pk,j−1 et Pk−1,j−1
lorsque j ≥ 1 et k ≥ j s’obtient aisément à partir du lemme 3.2 : le polynôme
Pk,j−1 interpole les valeurs yk−j+1 , yk−j , ..., yk−1 , yk aux points
xk−j+1 , ..., xk−1 , xk
(c’est le polynôme constant yk si j = 1), tandis que le polynôme Pk−1,j−1 interpole
les valeurs yk−j , ..., yk−1 aux points xk−j , ..., xk−1 (c’est le polynôme constant yk−1
si j = 1) ; le rôle de Q dans le lemme d’Aitken est tenu par Pk,j−1 , les points
x0 , ..., xN −1 étant maintenant les points xk−j+1 , ..., xk−1 ; le rôle de R est tenu
par Pk−1,j−1 ; le polynôme Pk,j qui interpole les valeurs yk−j , ..., yk aux points
xk−j , ..., xk est donc donné, si l’on utilise le lemme, par
(xk−j − X)Pk,j−1 (X) − (xk − X)Pk−1,j−1 (X)
Pk,j (X) = , 1 ≤ j ≤ k.
xk−j − xk
Le calcul des Pk,j peut ainsi être présenté sous la forme du tableau triangulaire
suivant :
x0 P0,0 = y0
x1 P1,0 = y1 P1,1
x2 P2,0 = y2 P2,1 P2,2
.. .. .. ..
. . . .
xk Pk,0 = yk Pk,1 Pk,2 . . . Pk,j ... Pk,k
.. .. .. .. .. .. .. ..
. . . . . . . .
xN PN,0 = yN PN,1 PN,2 ... PN,j ... PN,k ... PN,N
La première colonne de cette matrice figure les polynômes Pk,0 ≡ yk . La démarche
algorithmique consiste à calculer les colonnes de gauche à droite en utilisant la for-
mule inductive (3.10) permettant de calculer l’entrée Pk,j à partir des deux entrées
Pk−1,j−1 et Pk,j−1 de la colonne précédente. Le polynôme cherché PN = PN,N est
l’entrée figurant dans le coin inférieur droit de ce tableau triangulaire (dit tableau
d’Aitken).
La procédure récursive ainsi décrite se schématise comme ci-dessous :
function F=proc(N,f,a,b)
if N>1
F = [(X-a)*proc(N-1,f, a+(b-a)/N,b)
-(X-b)*proc(N-1,f,a,b-(b-a)/N)]/(b-a)
if N=1
F = [(X-a)*f(b) - (X-b)*f(a)]/(b-a)
lorsqu’il s’agit de retourner, N , f , a, b étant donnés, le polynôme d’interpolation
PN [f ] de f aux N + 1 points régulièrement espacés
b−a
xk := a + k , k = 0, ..., N
N
d’un segment [a, b] sur lequel est définie la fonction f .
54 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

Plus généralement, voici la procédure d’Aitken, telle que l’on peut, par exemple,
l’implémenter de manière récursive sous MATLAB :

function P = lagrange (x,y);

N = length(x);
if N == 1
P= y(1);
else
P1 = lagrange (x(2:N),y(2:N));
P2 = lagrange (x(1:N-1),y(1:N-1));
P11 = [P1 0] - x(1)*[0 P1];
P22 = [P2 0] - x(N)*[0 P2];
P=(P11 - P22)./(x(N)-x(1));
end
end

On notera cependant le coût important (en temps et en mémoire) de cet algorithme

récursif. Sous Maple, l’interpolation de Lagrange est proposée suivant une routine
toute intégrée certainement conçue via l’algorithme de Aitken :

> with(CurveFitting);
[ArrayInterpolation, BSpline, BSplineCurve, Interactive, LeastSquares,
PolynomialInterpolation, RationalInterpolation, Spline, ThieleInterpolation]
> PolynomialInterpolation([[0, 6], [1, 4], [2, 3], [3, 7]], z);
2 3 3 2 7
- z - - z - - z + 6
3 2 6
> PolynomialInterpolation([0, 3, a, 8], [2, 5, b, 7], z, form = Lagrange);
(z - 3) (z - a) (z - 8) 5 z (z - a) (z - 8) b z (z - 3) (z - 8)
- ----------------------- + ------------------- + -------------------
12 a -45 + 15 a a (a - 3) (a - 8)

7 z (z - 3) (z - a)
+ -------------------
320 - 40 a

Il convient de signaler toutefois que, sous le logiciel MATLAB, l’interpolation de La-

grange est réalisée sous la commande polyfit :

>> P = polyfit(x,y,N);

Cependant, il apparait que cette commande polyfit n’implémente pas sous ce

logiciel de calcul scientifique l’interpolation de Lagrange suivant le cheminement de
l’algorithme de Aitken. En effet, il arrive très fréquemment que l’on se heurte à
un problème de mauvais conditionnement (en fait de la matrice de Vandermonde
qui se trouve ici inversée). Pour y parer, il s’avère nécéssaire de normaliser les
données comme suit :

>> sigma = std (x) ;

>> xx= x./sigma ;
>> PP = polyfit (xx,y,N);
3.2. INTERPOLATION DE LAGRANGE ET DIFFÉRENCES DIVISÉES 55

Ici par exemple : v

u
u1 X N
std(x) := t (xn − x)2 ,
N n=0
où
1 X
N
x := xk
N + 1 n=0
il s’agit du calcul de l’écart-type ( non biaisé ici), standard deviation en
anglosaxon. L’évaluation du polynôme de Lagrange P (· ; Y ) sur un vecteur de points
xxx de l’intervalle d’étude est alors donnée par
>> yy = polyval(PP, xxx/sigma);
3.2.3. Interpolation de Lagrange et effets de bord . Soit une fonction
numérique f : [a, b] → R, que l’on suppose de classe C ∞ sur [a, b] (c’est-à-dire
pouvant se prolonger en une fonction de classe C ∞ dans un voisinage ouvert de
[a, b]). Si x0 , ..., xN sont N + 1 points distincts de [a, b], on a la proposition suivante,
que l’on peut interpréter comme une version décentrée de la formule de Taylor-
Lagrange (vue dans le cours d’Analyse 2).
Proposition 3.3 (version décentrée de la formule de Taylor-Lagrange). Pour
tout x ∈ [a, b], il existe ξx ∈ [a, b], tel que :
f N +1 (ξx ) Y
N
(3.10) f (x) = Lagrange[x0 , ..., xN ; f (x0 ), ..., f (xN )](t) + (x − xj ).
(N + 1)! j=0
En particulier, l’erreur uniforme entre f et la fonction polynomiale de degré N
PN [f ] interpolant les valeurs de f aux points x0 , ..., xN est estimée en :
1 Y N
(3.11) max |f − PN [f ]| ≤ sup |t − xj | × sup |f (N +1) |.
[a,b] (N + 1)! t∈[a,b] j=0 [a,b]

Démonstration. La preuve de la Proposition 3.3 repose sur une application

répétée du théorème de Rolle à la fonction
t 7→ Lagrange [x0 , ..., xm ; f (x0 ), ..., f (xm )] (t) − f (t)+
(3.12) Y n
t − xj
+ f (x) − Lagrange [x0 , ..., xm ; f (x0 ), ..., f (xm )] (x) .
j=0
x − xj

On suppose ici que x est distinct de tous les xj (dans le cas contraire, la formule
(3.10) est immédiate). Cette fonction admet m + 1 zéros distincts dans [a, b]. Le
théorème de Rolle appliqué m fois assure que que sa dérivée d’ordre m + 1 s’annule
en un point ξx de ]a, b[, ce qui donne le résultat voulu.
Pour rendre compte des problèmes pratiques que peut soulever l’interpolation de
Lagrange, reprenons l’exemple de la fonction
1 1 1 1
t 7→ = + .
1 + t2 2 t+i t−i
Notons que la dérivée d’ordre N + 1 de cette fonction est
(−1)N +1 (N + 1)! (t + i)N +2 + (t − i)N +2
t 7→ × .
2 (1 + t2 )N +2
56 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

L’interpolation de Lagrange à partir d’une subdivision de [−8, 8] de pas constant

introduit (en ce qui concerne l’approximation de f en convergence uniforme) des
artefacts de plus en plus prononcés au fur et à mesure que l’on s’approche des
bords de l’intervalle [−8, 8]. Ce phénomène (qui ne fait que s’aggraver lorsque l’on
augmente le nombre de points) s’appelle phénomène de Runge 10 . En témoignent
les figures :

50
1

−50

0.5
−100

−150

−200
0

−250

−300

−350 −0.5
−8 −6 −4 −2 0 2 4 6 8 −5 −4 −3 −2 −1 0 1 2 3 4 5

Figure 3.3. Interpolation de Lagrange à pas constant et approxi-

mation uniforme

Sur la figure de gauche, on a représenté le graphe de PN sur [−8, 8] lorsque N = 20,

les 21 points xj étant uniformément répartis sur [−8, 8]. Les oscillations très am-
plifiées lorsque l’on s’approche des extrémités font que le graphe de P20 décro-
che complètement de celui de la fonction t 7→ 1/(1 + t2 ) que P20 est censée
interpoler. En revanche, sur un intervalle tel [−3, 3], il semble que P20 réalise une ap-
proximation en norme uniforme convenable pour la fonction f . Resserer le maillage
semble ainsi s’avérer nécessaire lorsque la dérivée f (21) est en valeur absolue trop
grande. Les N +1 zéros du polynôme T N +1 de Tchebychev (de degré N +1 et donné
par T N +1 (cos(θ)) = cos((N +1)θ)), tous réels et situés dans ]−1, 1[, fournissent une
liste de points s’avérant en un certain sens optimale pour interpoler les fonc-
tions numériques par des fonctions polynomiales sur [a, b] = [−1, 1]. Transposée à
un segment [a, b] quelconque, cette suite devient la suite
a+b b−a 2k + 1
xk = + cos π , k = 0, ..., N.
2 2 2(N + 1)
Voir par exemple la section 4.2.3 de [Y2] pour plus de détails en même temps
qu’une justification de ce fait que l’on observera empiriquement en TP.

3.3. Interpolation polynomiale approchée au sens des moindres carrés

Pour pallier aux difficultés que soulève (en terme de rendu au niveau de l’ap-
proximation uniforme) le procédé d’interpolation exact de Lagrange (cf. la sous-
section 3.2.3), nous allons proposer une approximation polynomiale en norme non
plus uniforme, mais quadratique 11.

10. Carl Runge, mathématicien appliqué (mais aussi théorien) et physicien allemand (1856-
1927) le souligna.
11. Pour une suite discrète {z0 , ..., zN } de nombres complexes, la norme quadratique (ou eu-
P
clidienne) kzk = ( j |zj |2 )1/2 s’interprète en physique comme la racine carrée de l’énergie. Cette
norme dérive d’un produit scalaire sur CN .
3.3. INTERPOLATION POLYNOMIALE APPROCHÉE AU SENS DES MOINDRES CARRÉS57

Si x0 , ..., xN sont N + 1 nombres réels distincts, l’ensemble des fonctions définies

sur l’ensemble {x0 , ..., xN } et à valeurs réelles a une structure de R-espace vectoriel
V de dimension N + 1. La somme f + g de deux fonctions est la fonction définie par
(f + g)(xk ) := f (xk ) + g(xk ) , k = 0, ..., M ;
la multiplication d’une fonction f par un scalaire λ ∈ R est la fonction définie par
(λ · f )(xk ) = λf (xk ) , k = 0, ..., N .
L’ensemble des restrictions à {x0 , ..., xN } des fonctions polynômiales de degré M
(0 ≤ M ≤ N ) est donc un R-sous-espace vectoriel WM de V de dimension M + 1 :
ceci résulte du fait que, si x0 , ..., xN sont N + 1 nombres réels distincts, les vecteurs
 
1
 xj 
 2
 xj 
  , j = 0, ..., N ,
 .. 
 . 
xN
j

sont linéairement indépendants, ce qui implique que la matrice constituée avec leurs
colonnes est de rang N + 1 (son déterminant est un déterminant de Vandermonde,
voir les cours d’Algèbre 1 et Algèbre 2). Une base de WM est constituée des res-
trictions à {x0 , ..., xN } des fonctions
Yk : x 7→ xk , k = 0, ..., M .

Sur l’espace V, on peut définir un produit scalaire par

X
N
hf , gi := f (xj )g(xj ) .
j=0

On peut donc définir une opération de projection orthogonale sur le sous-espace

vectoriel WM (voir le cours d’Algèbre 2). La fonction polynomiale p de degré M
telle que
XN
(yj − p(xj ))2
j=0
soit minimale est l’élément de WM le plus proche de la fonction
Y : xk 7→ yk , k = 0, ..., N ,
relativement à la distance associée à ce produit scalaire. On a donc, grâce au
théorème de Pythagore,
p = ProjVM [Y ] .
Cette projection se calcule aisément si l’on dispose d’une base orthonormée de WM ;
malheureusement, la construction d’une telle base via le procédé d’orthonormali-
sation de Gram-Schmidt 12 s’avère souvent délicate numériquement car impliquant

12. Si on l’attribue au mathématicien allemand Erhard Schmidt (1876-1959), spécialiste d’ana-

lyse fonctionnelle, et au mathématicien danois Jørgen Pedersen Gram (1853-1916), qui s’est penché
sur la méthode des moindres carrés, ce procédé algorithmique (rencontré dans le cours d’Algèbre
2) est certainement bien plus ancien et connu de Cauchy et Laplace au début du XIX-ème siècle
(Cauchy le manipula expressément vers 1830).
58 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

des problèmes de sous-conditionnement ; on peut aussi calculer cette projection en

écrivant
hY − p , Yk i = 0 , k = 0, ..., M ,
soit encore
D X
M E
Y − aj xj , xk = 0 , k = 0, ..., M .
j=0

Ceci s’écrit
N
X X
M
yj − al xlj xkj = 0 , k = 0, ..., M ,
j=0 l=0

c’est-à-dire comme un système linéaire en a0 , ..., aM . La matrice d’un tel système

(dite matrice de Gram) s’avère être souvent mal conditionnée. Sur l’exemple ci-
dessous, on a représenté un nuage de points (20 points de coordonnées x, y avec
−1 ≤ x ≤ 2 et 4 ≤ y ≤ 10) sur lequel on a fait agir les routines MATLAB :
>> P= polyfit(x,y,1);
>> PP= polyfit(x,y,10);
>> PPP=polyfit(x,y,14);
>> t=-0.5:.01:1.5 ;
>> z=polyval (P,t);
>> zz=polyval (PP,t);
>> zzz=polyval (PPP,t);
>> plot(x,y,’+’);
>> hold
>> plot(t,z,’r’);
>> plot(t,zz,’-.’);
>> plot(t,zzz,’k’);
On a ainsi affiché les graphe des meilleures aproximations polynomiales quadra-
tiques respectivement de degrés 1, 10 et 14.

4
−0.5 0 0.5 1 1.5

Figure 3.4. Approximation polynomiale au sens des moindres carrés

3.4. UNE SENSIBILISATION AU PRINCIPE DE L’ ÉLIMINATION ALGÉBRIQUE 59

3.4. Une sensibilisation au principe de l’ élimination algébrique

Si P et Q sont deux polynômes non nuls de degrés respectifs p > 0 et q > 0 à
coefficients dans un corps K, dire que P et Q sont premiers entre eux dans K[X],
i.e ont un PGCD égal à 1 (ce que l’on teste en conduisant dans K[X] l’algorithme
d’Euclide) équivaut à affirmer qu’il existe des polynômes A, B, de degrés respectifs
q − 1 et p − 1, tels que
A(X)P (X) + B(X)Q(X) ≡ 1 .
e B)
On constate d’ailleurs puisque tout autre solution (A, e de AP
e + BQ
e ≡ 1 s’écrit
13
alors (à cause du lemme de Gauss )
e B)
(A, e = (A, B) + H × (Q, −P ) ,
où H est un polynôme arbitraire dans K[X], que la solution (A, B) avec ces degrés
(q − 1, p − 1) précisés est unique.
On conclut donc de ce qui précède que le fait que P et Q soient premiers entre eux
dans K[X] équivaut à ce que le système de p + q équations en p + q indéderminées
(les coefficients des polynômes A et B que l’on cherche) obtenu en écrivant l’égalité
polynomiale
Xq−1 X
p−1
(3.13) uj X j P (X) + vj X j Q(X) ≡ 1
j=0 j=0

(la différence est un polynôme de degré p + q − 1, il y a donc p + q équations affines

en les inconnues à écrire) est un système de Cramer.
En résumé, si P et Q sont de degrés respectifs exactement p > 0 et q > 0, dire que
P et Q sont premiers entre eux dans K[X] équivaut à dire que le déterminant de
ce système (que l’on appelle résultant de Sylvester 14) est non nul. On peut écrire
explicitement ce déterminant Rp,q (P, Q) si
P (X) = a0 X p + · · · + ap , a0 6= 0
Q(X) = b0 X q + · · · + bq , b0 6= 0
et l’on obtient :
a0 a1 ... ap 0 ... 0 0
0 a0 ... ap−1 ap ... 0 0
.. .. .. .. .. .. .. ..
. . . . . . . .
0 0 ... ... ... ... ap 0
(3.14) Rp,q [P, Q] =
0 0 ... ... ... ... ap−1 ap
b0 b1 ··· ··· ··· ··· 0 0
.. .. .. .. .. .. .. ..
. . . . . . . .
0 ··· ··· ··· ··· ··· bq−1 bq
Voici un code pour générer sous Maple la matrice de Sylvester :

13. Voir le cours d’Algèbre 1 : si P et Q sont premiers entre eux dans K[X] et si P divise un
produit du type B(X) × Q(X), alors P divise B.
14. James Sylvester (1814-1897), avocat, musicologue et mathématicien anglais, ami de Cayley
(vous connaissez depuis le cours d’Algèbre 2 le célèbre théorème de Cayley-Hamilton) ; Sylvester
fut l’un des pionniers de la théorie des déterminants ; c’est à lui d’ailleurs que l’on doit le qualificatif
matrice .
60 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

> with (PolynomialTools);

> with (LinearAlgebra)
> Sylvester:=proc(P,Q,X)
local V1,V2,M,D,i,ii;
V1:=CoefficientList(P,X,’termorder=reverse’);
V2:=CoefficientList(Q,X,’termorder=reverse’);
D:=nops(V1)+nops(V2)-2;
M:=Matrix(D);
for i from 1 to nops(V2)-1 do
ii:=i+nops(V1)-1;
M[i,i..ii]:=Matrix(V1);
end do;
for i from 1 to nops(V1)-1 do
ii:=i+nops(V2)-1;
M[nops(V2)-1+i,i..ii]:=Matrix(V2);
end do;
M;
end proc;
Les formules de Cramer (utilisées pour chercher les inconnues u0 , ..., uq−1 , v0 , ..., vp−1
du système de Cramer correspondant à la formule (3.13) traduite sur les coefficients
des puissances de X : 1, X, ..., X p+q−1 ) nous montrent d’ailleurs que Rp,q [P, Q]
s’exprime sous la forme
Ap,q (a0 , ..., ap , b0 , ..., bq ; X) P (X) + Bp,q (a0 , ..., ap , b0 , ..., bq ; X) Q(X),
où les expressions Ap,q et Bp,q sont à coefficients des expressions polynomiales (ne
dépendant que de p et q) à coefficients entiers en les entrées a0 , ..., ap , b0 , ..., bq
correspondant aux coefficients des polynômes P et Q.
Cette dernière remarque a son importance : si P et Q sont par exemple des po-
lynômes en deux variables (X, Y ) à coefficients dans K :
P (X, Y ) := a0 (Y )X p + · · · + ap (Y )
Q(X, Y ) := b0 (Y )X q + · · · + bq (Y )
et que l’on forme le résultant de Sylvester Rp,q [P, Q](Y ) de ces deux polynômes
considérés comme polynômes en la variable X, on obtient un polynôme R(Y ) tel
que
P (X, Y ) = 0 et Q(X, Y ) = 0 =⇒ R(Y ) = 0 ,
ce qui permet (à condition toutefois que le polynôme Rp,q [P, Q](Y ) que l’on construit
ne soit pas identiquement nul) d’ éliminer la variable X dans le système de deux
équations à deux inconnues (mais non linéaire !)
P (X, Y ) = Q(X, Y ) = 0 .
Sous Maple, le calcul de résultant (par exemple ici, de deux expressions algébriques
P et Q en deux variables x et y) se fait sous une routine du type :
> P := 3*x^2*y+y^4*x+5*y^2*x^3+8*x*y+2;
2 4 2 3
P = 3 x y + y x + 5 y x + 8 x y + 2

> Q := 2*y^2*x^3+y^2*x^4-y*x^3+x*y+1;
3.4. UNE SENSIBILISATION AU PRINCIPE DE L’ ÉLIMINATION ALGÉBRIQUE 61

2 3 2 4 3
Q = 2 y x + y x - y x + x y + 1
> evala(Resultant(3*x^2*y+y^4*x+5*y^2*x^3+8*x*y+2,
2*y^2*x^3+y^2*x^4-y*x^3+x*y+1, x));

20 18 17 16 15 14 13 12 11
y + 20 y + 4 y + 8 y + 340 y - 71 y + 142 y + 1925 y - 156 y
10 9 8 7 6 5
+ 847 y + 3494 y + 1178 y + 1280 y - 328 y + 64 y

> evala(Resultant(3*x^2*y+y^4*x+5*y^2*x^3+8*x*y+2,
2*y^2*x^3+y^2*x^4-y*x^3+x*y+1, y));

17 16 15 14 13 12 11 10
16 x + 120 x + 396 x + 774 x + 972 x + 739 x + 256 x - 29 x
9 8 7 6 5 2
- 34 x - 2 x + 46 x + 34 x - 6 x + x

La routine Resultant correspond à une commande inerte (il faut en effet, on le

voit ci-dessus, la combiner avec l’évaluation de l’expression par evala). On peut
aussi préférer la routine (non inerte cette fois) resultant :
>> Rx:=resultant(P,Q,x);
>> Ry:=resultant(P,Q,y);
qui fournit des sorties qui sont respectivement un polynôme en y (en ce qui concerne
Rx) ou un polynôme en x (en ce qui concerne Ry). Les racines yj (ou xk ) de ces
polynômes dans le plan complexe se calculent numériquement via :
>> fsolve(Rx,y,complex);
>> fsolve(Ry,x,complex);
Parmi les points de coordonnées complexes (xj , yk ) obtenus ainsi se trouvent les
couples (x, y) solutions du système P(x,y)=Q(x,y)=0 (mais on trouve en général
beaucoup trop de couples possibles, il reste à essayer ceux qui marchent). Il faut
savoir qu’un théorème profond d’Etienne Bézout (admis ici bien sûr) permet d’af-
firmer que le nombre total de solutions (si toutefois il n’y en a qu’un nombre fini)
ne devrait pas excéder le produit des deux degrés totaux des polynômes P et Q.
Ce procédé se généralise : si par exemple F1 , ..., FM sont une liste d’expressions
polynomiales en n symboles X1 , ..., Xn , alors, en formant le résultant de Sylvester
de F1 et F1 + u2 F2 + ... + uM FM (où u2 , ..., uM sont des paramètres), tous les deux
considérés comme des polynômes en X1 (on suppose que X1 figure explicitement
dans F1 ), on obtient une expression polynomiale en u2 , ..., uM et X2 , ..., Xn ; la liste
des coefficients G1 (X2 , ...Xn ), ..., GM 0 (X2 , ..., Xn ) de cette expression (considérée
comme polynôme en u2 , ..., uM ) fournit une liste d’expressions polynomiales en
X2 , ..., Xn , toutes s’exprimant sous la forme

X
M
Gj (X2 , ..., Xn ) = Aj,k (X1 , ..., Xn )Fk (X1 , ..., Xn ) , j = 1, ..., M 0 .
k=1
62 3. POLYNÔMES, INTERPOLATION, ÉLIMINATION

Si l’on s’intéresse à résoudre le système d’équations

F1 (X1 , ..., Xn ) = · · · = FM (X1 , ..., Xn ) = 0 ,
le système
G1 (X2 , ..., Xn ) = · · · = GM 0 (X2 , ..., Xn ) = 0
fournit un nouveau système où la variable X1 a été éliminée . On peut ainsi
continuer et c’est là la pierre d’angle de la théorie de l’élimination que l’on a fait
qu’esquisser ici 15.
Si K = C, dire que Rp,q [P, Q] = 0 équivaut à dire que P et Q (de degrés exactement
p > 0 et q > 0) ont une racine commune dans C.
Si P est un polynôme de C[X] de degré exactement p > 1, le résultant Rp,p−1 [P, P 0 ]
de P et P 0 est un déterminant de taille 2 deg P −1 tel que Rp,p−1 [P, P 0 ] = 0 équivaut
(toujours si a0 6= 0) au fait que le polynôme
a0 X p + · · · + ap = 0
ait une racine double. On pourra par exemple calculer le résultant R[P, P 0 ] si
P (X) = aX 2 + bX + c
(en fonction des paramètres a, b, c), ce qui donne
a b c
R2,1 (P, P 0 ) = 2a b 0 = −ab2 + 4a2 c = −a(b2 − 4ac) ;
0 2a b
si
P (X) = X 3 + βX + γ ,
(autre cas important), on trouve
1 0 β γ 0
0 1 0 β γ
R3,2 (P, P 0 ) = 3 0 β 0 0 = 4β 3 + 27γ 2 .
0 3 0 β 0
0 0 3 0 β
Le résultant Rd,d−1 (P, P 0 ) de P et P 0 (le degré de P étant précisé) est un déterminant
(2d − 1) × (2d − 1) que l’on appelle le discriminant du polynôme P ; il s’exprime
polynomialement en les coefficients de P et est nul si et seulement P a une racine
multiple dans C (attention, seulement si le coefficient dominant a0 de P est non
nul, comme en témoigne l’exemple du polynôme P (X) = aX 2 + bX + c dont le
discriminant n’est pas b2 − 4ac mais −a(b2 − 4ac) !).
Le principe de la théorie de l’élimination, outre le fait qu’il permette la résolution des
systèmes d’équations algébriques à coefficients entiers (au moins numériquement,
au travers de la recherche de l’approximation des zéros complexes du résultant
par des méthodes itératives du type Newton, cf. le chapitre 2), est aussi la clef de
voûte du calcul symbolique de primitives, par exemples de primitives de fractions

15. Il faut toutefois souligner que ce procédé devient très coûteux en temps et espace de calcul
dès que le nombre de variables X1 , ..., Xn augmente ! D’autres méthodes, inspirées de l’algorithme
d’Euclide (la plus importante est celle qui passe par la construction de bases de Gröbner), ont été
introduites depuis les années 1970 (à l’aube de la révolution numérique) pour gérer à moindre coût
les systèmes d’équations en beaucoup de paramètres que fait par exemple surgir la robotique.
3.4. UNE SENSIBILISATION AU PRINCIPE DE L’ ÉLIMINATION ALGÉBRIQUE 63

rationnelles de Q(X) dans des logiciels de calcul symbolique. En témoignent des

méthodes telles celle initiée dans les années 1970 par Michael Rothstein et Barry
Trager (voir les séances de TP).
CHAPITRE 4

Méthodes itératives en algèbre linéaire

4.1. Le théorème du point fixe dans KN (K = R ou C)

4.1.1. Un théorème mathématique fondée sur une démarche algo-
rithmique. On sait que, sur le K-espace vectoriel KN , deux normes quelconques
| | et k k sont toujours équivalentes, ce qui signifie quel existe deux constantes c
et C, toutes les deux strictement positives (dépendant bien sûr du choix des deux
normes) et telles que
(4.1) c|X| ≤ kXk ≤ C |X| ∀ X ∈ KN .
Pour formuler le théorème sous-tendant tout ce chapitre, à savoir le théorème du
point fixe, nous allons convenir pour l’instant du choix d’une norme sur KN (nous
la noterons k k). Ce choix n’affecte en rien l’énoncé que nous allons donner.
Theorème 4.1 (théorème du point fixe). Soit T une application de KN dans
lui-même, contractant strictement les distances, c’est-à-dire telle qu’il existe une
constante κ ∈ [0, 1[ telle que
(4.2) ∀X, Y ∈ KN , kT (X) − T (Y )k ≤ κkX − Y k.
L’application T a un unique point fixe (sous l’action de T ) dans KN , et ce point
s’atteint en partant de n’importe quel point X0 de KN comme la limite de la suite
(Xk )k≥0 définie récursivement par
Xk = T (Xk−1 ) , ∀ k ≥ 1 .
Démonstration. C’est le fait que toute suite de Cauchy d’éléments de KN
soit convergente 1 qui soutend la preuve de ce résultat.
Que le point fixe soit unique est une évidence car s’il y avait deux (T (Y1 ) = Y1 et
T (Y2 ) = Y2 avec Y1 6= Y2 ), on aurait
kT (Y1 ) − T (Y2 )k = kY1 − Y2 k ≤ κkY1 − Y2 k ,
ce qui est impossible si κ < 1. Si k est un entier strictement positif,
Xk+1 − Xk = T (Xk ) − T (Xk−1 ) ,
donc
kXk+1 − Xk k ≤ κkXk − Xk−1 k ≤ · · · ≤ κk kX1 − X0 k .

1. C’est un résultat connu depuis le cours d’Analyse 1 (lorsque N = 1) ou d’Analyse 2 (lorsque

N > 1) : toute suite de Cauchy de scalaires dans K est convergente dans K ; on rappelle qu’une
suite (Xk )k de KN est de Cauchy si et seulement si la distance entre deux points de la suite Xp
et Xq peut être rendue arbitrairement petite pourvu que p et q soient assez grands. Pour passer
du cas N = 1 au cas N quelconque, il convient de raisonner coordonnée par coordonnée.

65
66 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

Ainsi, si p ≥ 1,
X
k+p−1
kXk+p − Xk k ≤ kXl+1 − Xl k
l=k
κk
≤ κk (1 + κ + · · · + κp−1 )kX1 − X0 k ≤ kX1 − X0 k
1−κ
P
puisque la série géométrique k≥0 κk est convergente (de somme 1/(1 − κ)). La
suite (Xk )k≥0 est donc bien de Cauchy, donc converge vers un point Y , l’erreur
d’approximation de Y par Xk au cran k de l’itération étant majorée par
kX1 − X0 k
kXk − Y k ≤ κk .
1−κ
C’est une convergence très rapide (exponentielle puisque κ peut s’écrire κ = e−u
avec u > 0). Comme T est continue (car contractant, même strictement, les dis-
tances), on déduit de T (Xk−1 ) = Xk que T (Y ) = Y , donc que Y est le point fixe
de T .

4.1.2. Un exemple frappant : Pagerank. Dans cette sous-section, on prend

K = R. L’algorithme Pagerank, brique de base de la version primitive du moteur de
recherche Google sur la toile, constitue aussi une illustration du champ applicatif
qu’entr’ouvre le théorème du point fixe 2.
L’ensemble des sites web peut être considéré comme l’ensemble E des sommets
d’un graphe orienté. Il s’agit d’un ensemble de cardinal gigantesque (on évoque
une trentaine de milliards), mais fini, et dont on peut indéxer les éléments de 1 à
N . Pour compléter la définition de graphe orienté, il faut ajouter la donnée d’un
sous-ensemble fini V de E × E, un couple de sommets (i, j) de E × E étant appelé
une arête du graphe orienté (E, V ) lorsque (i, j) ∈ V . Les arêtes du graphe orienté
correspondant à la toile internet sont ici les liens i → j pointant d’une page i sur
une page j ; (i, j) ∈ V si et seulement si il existe un tel lien.
On associe à cette configuration une matrice G de taille N × N (G pour Google)
définie comme suit : l’entrée gij de G (i indice de ligne, j indice de colonne) est
nulle si et seulement si il n’existe aucun lien pointant de i vers j (i.e. (i, j) 6∈ V ). S’il
existe un lien de i vers j, on définit gij comme l’inverse 1/Li du nombre de liens de
la page i vers une autre page web (dont, bien sûr, la page j, puisque (i, j) ∈ V dans
ce cas). Cette matrice G a, pourvu que l’on fasse l’hypothèse que de toute page part
toujours au moins un lien vers une autre page, l’intéressante propriété suivante : la
somme des coefficients de chaque ligne vaut 1 ; de plus toutes les entrées de cette
matrice sont positives ou nulles ; une telle matrice est dite matrice stochastique (on
peut considérer chaque ligne comme une distribution de probabilité sur l’ensemble
fini {1, ..., N }). On voit que 1 est valeur propre de cette matrice : en effet le vecteur
colonne ones(N, 1) dont toutes les coordonnées valent 1 est vecteur propre associé

2. On pourra aussi consulter avec profit (pour plus de détails) le texte rédigé par Michael
Eisermann [Eiser] dont je me suis inspiré pour cette section (consulter aussi [Eiser0] pour une
version plus piétonne ). On pourra aussi, pour des exemples plus élémentaires (au niveau de
l’enseignement secondaire) se référer au document ressources [TermS] mis en ligne par le Ministère
de l’Education Nationale à l’appui des nouveaux programmes de la spécialité en Terminale S, pages
15 à 26.
4.1. LE THÉORÈME DU POINT FIXE DANS KN (K = R OU C) 67

à la valeur propre 1. Si l’on choisit comme norme sur RN la norme k k∞ (on la

notera pour simplifier k k), on voit immédiatement que
∀ X ∈ RN , kG · Xk ≤ kXk,
donc, si l’on définit une norme (notée encore k k) sur les matrices N × N à entrées
réelles par
kA · Xk∞ kA · Xk
kAk := sup = sup ,
X6=0 kXk∞ X6=0 kXk

on a, pour cette norme, kGk ≤ 1. De fait, on a même kGk = 1 puisque 1 est valeur
propre de G.
Supposons un instant qu’aucune page du réseau ne soit une impasse, i.e. ne pointe
sur aucune autre page. Si un robot dépourvu de la moindre capacité de discernement
se déplace sur la toile (à partir d’un instant initial noté k = 0) et que l’on note µk,j
la probabilité que notre robot se trouve sur la page j au clic k, on a
X
N
(4.3) µk+1,i = P clic sur i le robot est en j µk,j ∀ i = 1, ..., N.
j=1

Comme le robot est idiot, il clique au hasard et la probabilité qu’il fasse son (k + 1)-
clic vers la page i depuis la page j (où il est arrivé après k clics) vaut 1/Lj = gji .
Les relations (4.3) se lisent matriciellement
[µk+1,1 , ..., µk+1,N ] = [µk,1 , ..., µk,N ] · G.

On peut certes corriger le fait que certaines pages puissent se révéler être des im-
passes en supposant que toute page pointe sur elle-même, ce que nous ferons. Mais
afin de gommer les effets qu’entraine ce palliatif , on suppose qu’avec une pro-
babilité 1 − κ (on prend couramment .15), le robot, au moment de décider où aller
au bout de k clics, décide d’aller avec la probabilité 1/N vers une page arbitraire
du réseau. Ceci revient à modifier la matrice stochastique G en posant
1−κ
Gκ = ones(N, N ) + κ G ,
N
où ones(N, N ) est la matrice N ×N dont les entrées sont toutes des 1. Les relations
matricielles deviennent
[µk+1,1 , ..., µk+1,N ] = [µk,1 , ..., µk,N ] · Gκ .

Une mesure d’équilibre [µ1 , ..., µN ] (au seuil de tolérance 1−κ) est par définition
une distribution de probabilité sur {1, ..., N } telle que
[µ1 , ..., µN ] = [µ1 , ..., µN ] · Gκ .
En fait, on voit que ceci est équivalent à dire que [µ1 , ..., µN ] (traité comme vecteur
ligne) est un point fixe de l’application affine Tκ de RN dans RN (les vecteurs étant
ici traités en ligne) définie par
1−κ
Tκ : [x1 , ..., xN ] 7→ ones(1, N ) + κ [x1 , ..., xN ] · G.
N
Comme le rayon spectral de G vaut 1, cette application Tκ est κ ' .85 < 1- contrac-
tante et le théorème du point fixe assure l’existence et l’unicité de la mesure
68 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

d’équililibre (au seuil de tolérance 1 − κ), en même temps que la possibilité d’ap-
procher asymptotiquement (avec une erreur décroissant exponentiellement) cette
mesure d’équilibre en partant d’une distribution de probabilité arbitraire

[µinit,1 , ..., µinit,N ] = µinit

(correspondant à k = 0) et en considérant la démarche itérative
[µk+1,1 , ..., µk+1,N ] = Tκ ([µk,1 , ..., µk,N ]), k = 0, 1, 2, ...
Cette mesure d’équilibre (accessible via l’algorithme du point fixe) traduit les
poids relatifs des diverses pages web sur la toile.

Évidemment, la matrice G est de taille colossale et demande à être réactualisée en

permanence. D’où la difficulté de la maintenir stable le temps d’un calcul lourd (de
par la complexité inhérente à la taille des matrices en jeu), donc forcément consom-
mateur en temps ! Ce qui nous sauve cependant est l’aspect creux de la matrice
(une page web pointe en moyenne seulement vers une dizaine de pages sur la toile,
mais il faut encore beaucoup travailler pour passer du théorique à l’opérationnel 3).
Ce que nous venons de présenter correspond à une version primitive de l’algorithme
Pagerank, pièce maitresse du dispositif du moteur de recherche Google élaboré vers
1997 par Serguey Brin et Larry Page à l’université de Stanford. On dispose ainsi
d’une formidable application (combien actuelle !) du théorème du point fixe en
situation .

4.2. Quelques notions préalables à l’algorithmique matricielle

4.2.1. Normes sur KN et normes d’applications K-linéaires et de ma-
trices. Le choix d’une norme sur KN (K = R ou C) a pu jusque là paraitre in-
différent. Ceci n’est toutefois pas complètement vrai, comme nous allons le voir
(dans la présentation de Pagerank à la section 4.1.2, nous avons, notons le, fait
le choix de la norme k k∞ sur RN ). Changer de norme sur KN affecte en effet la
manière de quantifier la taille des vecteurs, et par voie de conséquence, des
matrices. Les normes les plus importantes sont :
– la norme euclidienne k k2
k(x1 , ..., xN )k2 := (x21 + · · · + x2N )1/2 ,
importante car liée au produit scalaire dans KN , outil nous permettant d’y
faire de la géométrie la Pythagore , nous y reviendrons ; c’est aussi
la norme par défaut norm de la plupart des logiciels de calcul scientifique
(MATLAB, Scilab) ;
– la norme k k∞ dfinie par
k(x1 , ..., xN )k∞ := sup |xj | ;
j=1,...,N

– la norme k k1 définie par

X
N
k(x1 , ..., xN )k1 := |xj | ;
j=1

3. Voir par exemple [Eiser].

4.2. QUELQUES NOTIONS PRÉALABLES À L’ALGORITHMIQUE MATRICIELLE 69

– plus généralement, si p désigne un nombre réel supérieur 4 ou égal 1, la norme

k kp définie par 5
XN 1/p
kXkp := |xj |p .
j=1

Le choix d’une norme k k sur KN (K = R ou C) induit le choix d’une norme sur

les applications linaires L : KN 7−→ KN par
kL(X)k
kLk := sup .
X∈(KN )∗ kXk
On peut aussi envisager le point de vue matriciel et définir la norme d’une matrice
N × N A comme la norme de l’application linéaire que cette matrice représente. Si
A est une matrice N × N (à coefficients dans K), on a donc
kA · Xk
kAk := sup .
X∈(KN )∗ kXk
La norme de toute matrice représentant la même application linéaire que celle que
représente A est donc égale la norme de A. Bien sûr, cette définition de la norme
d’une matrice (ou d’une application linéaire), dite aussi norme matricielle dépend
du choix de la norme qui a été fait dans KN . On peut faire le choix de la norme
euclidienne dans KN , mais on peut tout aussi bien faire un autre choix : par exemple,
si l’on choisit la norme k k = k k∞ sur KN , la norme kAk∞ correspondante d’une
matrice A = [ai,j ] de taille (N, N ) à coefficients dans K est
X
N
kAk∞ = k[ai,j ]k∞ = sup |ai,j |
i
j=1

(i indice de ligne, j indice de colonne) ; si par contre, on prend comme norme sur
KN la norme k k = k k1 , la norme kAk1 correspondante d’une matric A de taille
(N, N ) à coefficients dans K est
X
N
(4.4) kAk1 = k[ai,j ]k1 = sup |ai,j | .
j
i=1

C’est donc très différent ! Si l’on fait le choix de la norme euclidienne sur KN , la
norme d’une matrice réelle A de taille (N, N ) n’est d’ailleurs pas si simple à expri-
mer. Il faut introduire les valeurs propres (réelles positives) de t A · A (symétrique si
K = R, hermitienne si K = C) et prendre le maximum des racines carrées positives
de ces valeurs propres 6 :
kAk2 = sup{|λ| ; λ2 valeur propre de t A · A}.

On définit de même la norme d’une application linéaire de Kp dans Kq en équipant

en général ces deux espaces de la même norme k k l’arrivée et au départ (ceci n’est

4. Pour p ∈]0, 1[, l’inégalité triangulaire est en défaut, et ce n’est donc plus une norme.
5. Qu’il s’agisse d’une norme est ici moins immédiat ; l’inégalité triangulaire est une célèbre
inégalité due au mathématicien russe, géomètre tant des espaces que des nombres, Hermann
Minkowski (1864-1909).
6. Ces racines carrées positives sont appelées valeurs singulières de la matrice A, on y
reviendra.
70 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

cependant en rien une obligation). Ce que nous avons dit pour les matrices carrées
vaut donc aussi pour les matrices rectangulaires.
Étant données deux matrices carrées et un choix de norme dans KN , on a toujours :
kA · Bk ≤ kAk × kBk
(ce pour le choix de la norme dérivé du choix de norme qui a été fait dans KN ,
disons par exemple ici la norme euclidienne, mais on peut très bien avoir fait un
autre choix).
4.2.2. Rayon spectral d’une matrice carrée. La notion de rayon spectral
d’une matrice carrée (réelle ou complexe) s’avère une première notion très impor-
tante du pont de vue de l’analyse numérique et du calcul matriciel appliquée. Cette
notion conditionne en général la justification de l’utilisation du théorème du point
fixe.
Soit A une matrice N × N à coefficients réels ou complexes.
Définition 4.1 (rayon spectral). On appelle rayon spectral de la matrice A le
maximum des modules des racines du polynôme caractéristique det[A − XIN ] dans
le corps algébriquement clos C.
La proposition suivante sera pour nous capitale :
Proposition 4.1. Si A est une matrice (N, N ) coefficients complexes de rayon
spectral ρ(A) et si k k est une norme arbitraire sur KN , (K = R ou C), induisant
donc une norme matricielle sur le K-espace des matrices (N, N ), on a toujours
l’inégalité :
(4.5) ρ(A) ≤ kAk .
D’autre part, pour tout > 0, il existe toujours une norme k k() convenable sur
Kn telle que l’on ait, pour la norme matricielle induite,
kAk() ≤ ρ(A) + .
Démonstration. Prouvons d’abord la première assertion. Prenons une valeur
propre (par exemple λ1 ) de module maximum et V un vecteur propre associé. On
a
kA · V k = kλ1 V k = |λ1 | × kV k ≤ kAk kV k
par définition de la norme de A :
kA · Xk
kAk = sup .
X∈K \{0} kXk
N

En divisant par kV k = 6 0, on trouve bien ρ(A) ≤ kAk.

Pour la seconde assertion, on peut supposer (qui peut le plus peut le moins) que
K = C. On sait que la matrice A peut s’exprimer sous la forme A = t U · T · U , où T
est une matrice triangulaire supérieure et U une matrice unitaire 7 . Il est en effet
possible de coupler l’algorithme de trigonalisation des matrices carrées à coefficients
complexes avec l’algorithme de Gram-Schmidt (et donc faire en sorte que la matrice
de passage P dans A = P ·T ·P −1 soit unitaire). On remarque que A et T ont même
rayon spectral (car si V est vecteur propre de A, t U · V est vecteur propre de T

7. C’est-à-dire, telle que les vecteurs colonnes forment une base orthonormée de KN pour le
produit scalaire usuel, soit t U · U = U · t U = IN .
4.2. QUELQUES NOTIONS PRÉALABLES À L’ALGORITHMIQUE MATRICIELLE 71

avec la même valeur propre. Il suffit donc de prouver la seconde assertion pour une
matrice triangulaire supérieure T . Fixons C assez grand et introduisons la matrice
diagonale DC = diag[1, C, C 2 , ..., C N −1 ]. On remarque que l’on a
(
−1 ti,j C j−i si j ≤ i
(DC · T · DC )i,j =
0 si j > i.

Il suffit donc de choisir la norme k k() sur KN de manière à ce que la norme

matricielle associée soit la norme définie sur le K-espace des matrices (N, N ) par
−1
kM k() = kDC · M · DC k∞ ,
la constante strictement positive C étant choisie suffisamment grande.

Remarque 4.1 (le cas des matrices diagonalisables sur C). Dans le cas où A est
diagonalisable sur C, il existe une base (V1 , ..., VN ) de vecteurs propres dans CN . En
prenant comme norme d’un vecteur V ∈ KN ⊂ CN le maximum des modules des
coordonnées de V ∈ CN dans cette base (V1 , ..., VN ), un induit sur le K-espace des
matrices (N, N ) une norme matricielle telle que l’on ait exactement kAk = ρ(A).
Le point important concernant le rayon spectral d’une matrice carrée est qu’il peut
être calculé algorithmiquement, par une méthode itérative que nous décrivons ici.
Proposition 4.2 (algorithme itératif pour le calcul approché du rayon spec-
tral). Soit A une matrice à coefficients dans K (K = R ou K = C), diagonalisable 8
sur C, telle que les valeurs propres (distinctes ou confondues) aient des modules
s’organisant comme suit 9
|λ1 | > |λµ+1 | ≥ |λµ+2 | ≥ ... ≥ |λN | ≥ 0
(donc λ1 = λ2 = · · · = λµ ). Soit (V1 , ..., VN ) une base de CN constituée de vecteurs
propres pour A telle que V1 , ..., Vµ soit une base du sous espace propre associé λ1 .
Soit X0 un vecteur
X0 = x1 V1 + · · · + xN VN ,
où l’un au moins des xk , k = 1, ..., µ, est non nul 10. Sous ces hypothèses, l’algo-
rithme itératif initié à X0 et régi ensuite par
A · Xk
Xk+1 = , k≥0
kA · Xk k
(une norme sur KN ayant été arbitrairement choisie) est tel que
lim kA · Xk k = |λ1 |,
k→+∞

et fournit donc un moyen numérique d’approcher le rayon spectral de A. La vitesse

de convergence est de plus exponentielle.

8. C’est le cas, avec une probabilité 1, pour une matrice dont les coefficients sont pris au
hasard (suivant une loi uniforme) dans K.
9. Il n’y a donc qu’une seule valeur propre de plus grand module, c’est le cas par exemple pour
une matrice dont toutes les entrées sont positives, ou une matrice dont toutes les valeurs propres
sont réelles (par exemple une matrice symétrique réelle ou une matrice hermitienne).
10. C’est encore le cas d’un X0 pris au hasard (de manière uniforme) dans KN , ce avec une
probabilité égale à 1.
72 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

Remarque 4.2. Le choix d’une norme doit être fait au préalable ; sous MATLAB,
la norme que l’on choisit en priorité est la norme euclidienne (ou k k2 ), mais l’on
pourrait prendre aussi n’importe laquelle des normes k kp , p ∈ [1, ∞]. Voici (sous
MATLAB) la routine algorithmique exprimée dans l’énoncé (ici avec la norme eucli-
dienne) :
function r=rayonspectral1(A,X,k)

x=X;
for i=1:k
y=A*x;
x=y/norm(y);
end
r=norm(y);

Démonstration. Montrons d’abord par récurrence sur k que, pour tout entier
k ≥ 1,
Ak · X0
Xk = .
kAk · X0 k
Ceci est vrai pour k = 1 par définition de X1 et on a, pour k ≥ 1,
A · Xk Ak · X kAk+1 · X k −1 Ak+1 · X0
0 0
Xk+1 = =A· × = ,
kA · Xk k kA · X0 k
k kA · X0 k
k kAk+1 · X0 k
ce qui prouve le résultat au cran k + 1. Or
XN h Xµ XN λ k i
j
Ak · X0 = λkj xj Vj = λk1 xj Vj + xj Vj
j=1 j=1 j=µ+1
λ1
X
µ
= λk1 xj Vj + ~k
j=1
avec
k~k k < kX0 k(|λµ+1 |/|λ1 |)k .
On a donc
X
µ X
µ

(4.6) |λ1 |k xj Vj (1 − ηk ) ≤ kAk · X0 k ≤ |λ1 |k xj Vj (1 + ηk )

j=1 j=1
avec
kX0 k
|ηk | < (|λµ+1 |/|λ1 |)k .
P
µ
xj V j
j=1
On a d’autre part
P
µ
λk1 (λ1 xj Vj + A · ~k )
j=1
A · Xk =
kAk · X0 k
et, en prenant les normes
Pµ P
µ
|λ1 |k+1 xj ej (1 − η̃k ) |λ1 |k+1 xj · Vj (1 + η̃k )
(4.7) j=1 j=1
≤ kA · Xk k ≤
kAk · X0 k kAk · X0 k
4.3. LES ALGORITHMES ITÉRATIFS POUR LA RÉSOLUTION DE M · X = B 73

avec
kX0 k
η̃k ≤ (|λµ+1 |/|λ1 |)k kAk .
P
µ
|λ1 | xj V j
j=1
On achève donc la preuve en combinant les encadrements (4.6) et (4.7). Comme
(|λµ+1 |/|λ1 |)k (qui gouverne la décroissance vers 0 de ηk et η̃k est en e−ρk avec
ρ > 0 (puisque |λµ+1 | < |λ1 |), on a bien une vitesse exponentielle de convergence
de kA · Xk k vers |λ1 |.

4.3. Les algorithmes itératifs pour la résolution de M · X = B

4.3.1. Comment le théorème du point fixe entre en action. Pour ré-
soudre un système du type M · X = B (que l’on suppose dans un premier temps ici
carré, de taille (N, N ), avec M de plus inversible 11), il n’est pas question d’utiliser
la formule X = M −1 · X, car le calcul de M −1 (par exemple comme la matrice des
cofacteurs divisée par le déterminant) induit des calculs de déterminants en général
impossibles (calculs trop coûteux en temps !) lorsque N est très grand (sauf si l’on
a de la chance et que la matrice M à le bon goût d’être creuse , c’est-à-dire de
contenir beaucoup d’entrées nulles).
Deux pistes s’offrent à nous ici pour parer à ce problème :
– celle consistant à attaquer le problème par une méthode dite méthode directe,
telle par exemple que la méthode algorithmique du pivot de Gauss, vue dans
le cours d’Algèbre 1 en L1 ;
– celle consistant à utiliser une démarche itérative (méthode itérative) inspirée
par la démarche algorithmique fondant le théorème du point fixe (Théorème
4.1).
On choisit ici de s’intéresser au second angle d’attaque.
Le théorème du point fixe implique (Théorème 4.1) implique le résultat suivant :
Proposition 4.3 (résolution itérative de M · X = B). Soit M une matrice
(N, N ) à coefficients dans K (K = R ou C) s’écrivant sous la forme M = M1 − M2 ,
où M1 et M2 sont deux matrices (N, N ) à coeficients dans K telles que M1 soit
inversible et que ρ(M1−1 M2 ) < 1. Alors, la suite (Xk )k≥0 initiée en X0 ∈ KN
(arbitraire) et régie ensuite par l’algorithme itératif
(4.8) Xk+1 = M1−1 · M2 · Xk + M1−1 · B ∀k ≥ 0
converge, lorsque k tend vers l’infini, vers la solution X du système de Cramer
M ·X = B. De plus, si l’on choisit une norme k k quelconque sur KN , la convergence
de kXk − Xk vers 0 est exponentielle.
Démonstration. On remarque que
M · X = B ⇐⇒ M1 · X = M2 · X + B ⇐⇒ X = M1−1 · M2 · X + M1−1 · B.
Choisissons (ce qui est possible grâce à la Proposition 4.1) une norme sur KN telle
que, pour la norme matricielle induite :
kM −1 · M2 k ≤ ρ(M1−1 · M2 ) + < 1
(on prend > 0 assez petit et k k = k k() ). L’application
X ∈ KN 7−→ M1−1 · M2 · X + M1−1 · B

11. Il s’agit donc d’un système de Cramer.

74 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

est alors strictement contractante (on prend κ = ρ(M1−1 · M2 ) + ) avec ce choix

de norme. Le Théorème 4.1 s’applique et on obtient les conclusions voulues (toutes
les normes sur KN étant équivalentes, avoir la dernière assertion pour la norme
sur KN que l’on vient d’utiliser équivaut en effet à l’avoir pour n’importe quelle
norme).

On peut également envisager comme K-espace vectoriel (à la place de KN ) le K-

espace vectoriel MK (N, N ) des matrices (N, N ) à coefficients dans K et déterminer
l’inverse de la matrice M en générant la suite (Uk )k≥0 de matrices (N, N ) initiée
en une matrice (N, N ) arbitraire M0 (par exemple la matrice zeros(M,M)) et régie
par l’algorithme itératif
Uk+1 = M1−1 · M2 · Uk + M1−1 ∀ k ≥ 0.
En effet, l’application linéaire
U ∈ MK (N, N ) 7−→ M1−1 · M2 · U + M1−1 ∈ MK (N, N )
est encore strictement contractante (pour le même choix de norme matricielle que
dans la preuve de la Proposition 4.3) et converge donc vers l’unique solution dans
MK (N, N ) de
U = M1−1 · M2 · U + M1−1 .
Or, on remarque que
U = M1−1 ·M2 ·U +M1−1 ⇐⇒ M1 ·U = M2 ·U +IN ⇐⇒ M ·U = IN ⇐⇒ U = M −1 .
La suite (Uk )k≥0 ainsi construite converge donc bien vers l’inverse M −1 de M .

4.3.2. Les algorithmes de Jacobi et Gauß-Seidel. Lorsque M est une

matrice dont les coefficients diagonaux mii sont tous non nuls, les deux matrices
D := diag[m11 , ..., mN N ] ou Tinf [M ] (matrice triangulaire inférieure où l’on a gardé
les coefficients mij tels que i ≥ j et mis à zéro tous les autres) sont deux matrices
aisément inversibles (l’une est diagonale, l’autre est triangulaire inférieure, tous les
coefficients diagonaux étant dans les deux cas non nuls). On dispose donc des deux
écritures possibles
M = D − (D − M ) ou M = Tinf [M ] − (Tinf [M ] − M )
comme écritures candidates pour M = M1 − M2 , avec M1 aisément inversible. Ces
deux décompositions s’écrivent sous MATLAB respectivement comme :
>> M = diag(diag(M)) - (diag(diag(M))-M);
>> M = tril(M) - (tril(M) -M);
(tril pour triangular-lower). La première
(4.9) M = D − (D − M ) = D − E
soutend l’algorithme itératif de Jacobi 12, tandis que la seconde
(4.10) M = Tinf [M ] − (Tinf [M ] − M ) = Tinf [M ] − F

12. Algébriste et géomètre allemand Carl Gustav Jacobi (1804-1851) marqua l’essor des
mathématiques au XIX-ème siècle (déterminants, fonctions elliptiques, algèbre linéaire, problèmes
géométriques d’intersection,...).
4.3. LES ALGORITHMES ITÉRATIFS POUR LA RÉSOLUTION DE M · X = B 75

soutend l’algorithme itératif de Gauß 13-Seidel 14.

Exemple 4.1. La décomposition

     
5 2 2 5 0 0 0 −2 −2
1 6 3  = 0 6 0  − −1 0 −3
3 4 −8 0 0 −8 −3 −4 0

illustre (sur un exemple (3, 3)) l’approche préparatoire de Jacobi, tandis que la
décomposition
     
5 2 2 5 0 0 0 −2 −2
1 6 3  = 1 6 0  − 0 0 −3
3 4 −8 3 4 −8 0 0 0

illustre (sur le même exemple) celle de Gauß-Seidel.

La procédure de Jacobi s’implémente ainsi sous MATLAB :

function XX=Jacobi(M,B,X,k);
D=diag(diag(M));
E=D-M;
XX=X;
for i=1:k
XX=D^(-1)*E*XX+D^(-1)*B;
end
Ici M désigne une matrice carrée de taille (N,N) (réelle ou complexe) inversible
dont les termes diagonaux sont tous non nuls, B un vecteur colonne de l’espace
KN dans lequel on travaille, X le vecteur initial de la procédure (on peut prendre
X=zeros(N,1) par exemple) et k le nombre d’itérations de la boucle. Avec les mêmes
input, la procédure de Gauß-Seidel s’écrit
function XX=GaussSeidel(M,B,X,k);
T=tril(M);
F=tril(M)-M;
XX=X;
for i=1:k
XX=T^(-1)*F*XX+T^(-1)*B;
end
Dans les deux cas, la sortie est (si l’algorithme converge, ce que l’on va discuter
ensuite) le vecteur colonne candidat à être une valeur approchée de la solution du
système de Cramer M*XX=B. On verra en TP comment mettre des tests d’arrêt dans
de telles procédures.

Définition 4.2 (matrice à diagonale dominante). Soit K = R ou C. Une

matrice M = [mi,j ]1≤i,j≤N (i indice de ligne, j indice de colonne), à coefficients

13. On retrouve ici le mathématicien, astronome et philosophe allemand Carl Friedrich

Gauß (1777-1855), certainement l’un de ceux qui ont le plus contribué guider l’évolution des
mathématiques tous domaines confondus (algèbre, analyse, théorie des nombres et géométrie).
14. Au nom de Gauß, se trouve ajouté celui Philipp Ludwig von Seidel (1821-1896), élève de
Jacobi, astronome, géomètre et probabiliste allemand.
76 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

dans K, est dite à diagonale dominante si et seulement si

X
N
(4.11) ∀ i = 1, ..., N |mii | > |mij |,
j=1
j6=i

autrement dit, compte-tenu de (4.4) et si M = D − E est la décomposition (4.9) de

Jacobi, si et seulement si D est inversible et kD−1 · Ek∞ < 1.
Exemple 4.2. Les matrices
   
5 2 2 5 + 2i 3 2
1 6 3   1 3(1 + i) 3 
3 4 −8 3+i 4 −8 − i
sont à diagonale dominante (la première en tant que matrice à entrées réelles, la
seconde en tant que matrice à entrées complexes). Les matrices
   
5 2 2 5 + 2i 3 2
1 6 3  1 3(1 + i) 3 
−5 4 −8 3 − 7i 4 −8 − i
ne le sont pas (en effet, la dernière ligne pose dans les deux cas problème).

Si M est à diagonale dominante, les deux décompositions (4.9) et (4.10) sont du

type M = M1 − M2 , où M1 et M2 satisfont aux hypothèses de la Proposition
4.3. De plus, dans les deux cas, la matrice M1 s’inverse très facilement car elle est
soit diagonale, soit triangulaire inférieure, avec dans les deux cas tous ses termes
diagonaux non nuls. On a en effet la :
Proposition 4.4 (validation des algorithmes de Jacobi ou de Gauß-Seidel pour
les matrices à diagonale dominante). Soit M une matrice à coefficients réels ou
complexes et à diagonale dominante. Alors, on a ρ(D−1 · E) < 1 et ρ(Tinf [M ]−1 · F )
si M = D − E = Tinf [M ] − F sont les décompositions (4.9) et (4.10) respectivement
de Jacobi et de Gauß-Seidel. Dans les deux cas, la suite (Xk )k≥0 initiée en un point
X0 quelconque de KN et générée ensuite par l’algorithme itératif (4.8) converge vers
la solution du système de Cramer M · X = B.
Démonstration. On voit immédiatement que kD−1 Ek∞ < 1 car cela résulte
immédiatement de la définition (4.2). On utilise ensuite l’inégalité (4.5) qui assure
−1
que ρ(D−1 · E) ≤ kD−1 · Ek∞ < 1. Concernant Tinf · F , on montre directement
que toute valeur propre λ (complexe) de cette matrice est de module strictement
inférieur à 1 : soit λ une telle valeur propre (complexe) et V (de coordonnées
x1 , ..., xN dans la base canonique de CN ) un vecteur propre associé ; on a
Tinf [M ]−1 · F · V = λV ⇐⇒ F · V = Tinf [M ] · V

 PN Pi

− mi,j xj = λ mi,j xj ∀ i = 1, ..., N − 1
(4.12) j=i+1 j=1
⇐⇒

 PN
0 = λ mN,j xj .
j=1

Supposons |λ| ≥ 1. Soit i0 tel que |xi0 | = sup1≤i≤N |xi | > 0. De deux choses l’une.
4.3. LES ALGORITHMES ITÉRATIFS POUR LA RÉSOLUTION DE M · X = B 77

– Soit i0 ∈ {1, ..., N − 1}, et l’on a alors, d’après (4.12),

X
N X
λ mi0 ,i0 xi0 = − mi0 ,j xj − λ mi0 ,j xj ,
j=i0 +1 j<i0

ce qui implique d’après l’inégalité triangulaire, le fait que |λ| ≥ 1 et que

|xi0 | ≥ |xj | quelque soit j,
X X X
|λ||mi0 ,i0 ||xi0 | ≤ |mi0 ,j ||xj | + |λ| |mi0 ,j ||xj | ≤ |λ||xi0 | |mi0 ,j |,
j>i0 j<i0 j6=i0

soit, en divisant par |λ||xi0 |,

X
|mi0 ,i0 | ≤ |mi0 ,j |.
j6=i0

– Soit i0 = N , auquel cas la dernière relation dans (4.12), qui s’écrit aussi
X
N −1
mN,N xN = − mN,j xj ,
j=1

implique, toujours en utilisant le fait que |xN | = |xi0 | = supj |xj |,

X X
|mN,N ||xN | = |mN,N ||xi0 | ≤ |mN,j ||xj | ≤ |xN | |mN,j |
j6=N j6=N

et, par conséquent, en divisant par |xN | = |xi0 |,

X X
|mN,N | = |mi0 ,i0 | ≤ |mN,j | = |mi0 ,j |.
j6=N j6=i0

Dans tous les cas, quelque soit donc la valeur de i0 ∈ {1, ..., N }, on a mis en
contradiction le fait que
X
|mi,i | > |mi,j | ∀ i = 1, ..., N.
j6=i

L’hypothèse |λ| ≥ 1 est donc absurde, et l’on a bien prouvé ainsi (par l’absurde)
que ρ(Tinf [M ]−1 · F ) < 1.

Exemple 4.3 (une exemple d’implémentation de l’algorithme de Jacobi sous

MATLAB). Nous prendrons ici comme exemple la matrice (à diagonale dominante et
entrées réelles) :
>> M=[30 7 8 7 ; 7 20 6 5 ; 8 6 40 9 ; 7 5 9 30]
M =
30 7 8 7
7 20 6 5
8 6 40 9
7 5 9 30
Nous allons envisager la résolution du système de Cramer M · X = B avec ici
>> B=[32 ; 23 ; 33 ; 31];
La solution immédiate proposée sous MATLAB pour la résolution directe de ce système
linéaire (de Cramer) (avec les erreurs numériques que cela comporte) est
78 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

>> M^(-1)*B
ans =
0.649375600384246
0.625452420067077
0.457215765882871
0.640405560134302
Implémentons plutôt ici l’algorithme de Jacobi :
M =D−E
en isolant les termes diagonaux de M dans la matrice D. Ici

>> D=[30 0 0 0 ; 0 20 0 0 ; 0 0 40 0 ; 0 0 0 30]

D =
30 0 0 0
0 20 0 0
0 0 40 0
0 0 0 30
>> E=[0 -7 -8 -7 ; -7 0 -6 -5 ; -8 -6 0 -9 ; -7 -5 -9 0]
E =
0 -7 -8 -7
-7 0 -6 -5
-8 -6 0 -9
-7 -5 -9 0
On choisit donc un vecteur initial X0 arbitrairement et on implémente donc la
routine suivante :
>> X0 = [1 ; -7 ; 4 ; 10]
>> f=Jacobi(M,B,X0,iter);
On obtient, pour respectivement iter=50, iter=100, iter=150, iter=200, les
résultats :
>> Jacobi(M,B,X0,50)
ans =
0.649375579812054
0.625452396020122
0.457215748919845
0.640405540658039

>> Jacobi(M,B,X0,100)
ans =
0.649375600384245
0.625452420067076
0.457215765882871
0.640405560134301

>> Jacobi(M,B,X0,150)
ans =
0.649375600384246
0.625452420067077
0.457215765882871
0.640405560134302
4.3. LES ALGORITHMES ITÉRATIFS POUR LA RÉSOLUTION DE M · X = B 79

>> Jacobi(M,B,X0,200)
ans =
0.649375600384246
0.625452420067077
0.457215765882871
0.640405560134302
Si l’on part d’un autre vecteur X0 :
>> X00= [168 ; -754 ; -432 ; 1218]

>> Jacobi(M,B,X00,50)
ans =
0.649378833791283
0.625456199615299
0.457218432024114
0.640408621290100

>> Jacobi(M,B,X00,100)
ans =
0.649375600384397
0.625452420067254
0.457215765882996
0.640405560134445

>> Jacobi(M,B,X00,150)
ans =
0.649375600384246
0.625452420067077
0.457215765882871
0.640405560134302

>> Jacobi(M,B,X00,200)
ans =
0.649375600384246
0.625452420067077
0.457215765882871
0.640405560134302
On retrouve bien la convergence, ce vers manifestement la solution du système de
Cramer M · X = B.

La méthode de Gauß-Seidel est aussi opérationnelle lorsque K = R et que M = S

est une matrice réelle symétrique définie positive, i.e. telle que

(4.13) ∀ X ∈ (RN )∗ , hS · X, Xi > 0.

Notons que cette condition implique

∀ i ∈ {1, ..., N }, si,i = hS · ei , ei i > 0

80 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

(ici (e1 , ..., eN ) désigne la base canonique de RN ). Par conséquent la matrice Tinf [S]
est (facilement) inversible (comme matrice triangulaire inférieure à termes diago-
naux tous non nuls). Le fait que l’algorithme de Gauß-Seidel soient opérationnel
pour la résolution de systèmes de Cramer S · X = B lorsque S est une telle matrice
est une conséquence du résultat suivant (qu’il convient ensuite de combiner avec la
Proposition 4.3).
Proposition 4.5 (décomposition de Gauß-Seidel pour une matrice symétrique
réelle définie positive). Soit S une matrice symétrique réelle définie positive de
taille (N, N ) et S = Tinf [S] − F sa décomposition de Gauß-Seidel (4.10). On a
ρ(Tinf [S]−1 · F ) < 1.
Démonstration. Comme S est définie positive, tous les termes diagonaux
hS(ej ), ej i, j = 1, ..., n (e1 , ..., en désignant ici la base canonique de Rn ) sont stric-
tement positifs. La matrice symétrique réelle définie positive S s’écrit
S = Tinf [S] − F = (diag[S] + t T ) + T = (D + t T ) + T,
où T désigne la matrice triangulaire supérieure (avec diagonale nulle) −F . La ma-
trice Tinf [M ] = D + t T est une matrice triangulaire inférieure inversible (en vertu
de la remarque ci-dessus concernant la stricte positivité des coefficients de S situés
sur la diagonale) qui peut s’écrire
√ √ −1 √ √
D + tT = D · D) · (D + t T ) · ( D)−1 · D
√ √ √ √
= D · IN + ( D)−1 · t T · ( D)−1 · D.
Les valeurs propres de la matrice
A = (Tinf [S])−1 · F = −(D + t T )−1 · T
(4.14) √ √ √ −1 √
= −( D)−1 · IN + ( D)−1 · t T · ( D)−1 · ( D)−1 · T
√ √
sont les mêmes (au signe près) que celles de la matrice D · A · ( D)−1 , donc,
compte-tenu de (4.14), les mêmes (au signe près) que celles de la matrice
B = (IN + Te)−1 · t Te,
où √ √
Te := ( D)−1 · t T · ( D)−1 .
Si X est un vecteur propre (dans CN ) de norme 1, associé à une valeur propre
complexe λ de la matrice B, on a
(IN + Te)−1 · t Te · X = λ X,
soit
Te · X = λ(IN + Te) · X = λ X + λ Te · X.
t

On a par conséquent, en prenant le produit scalaire à gauche avec X,

hX, t Te · Xi = λ kXk2 + λ hX, Te · Xi = λ 1 + hX, Te · Xi ,
et, par conséquent
|hX, t Te · Xi|2 = |λ|2 × 1 + hX, Te · Xi .
2
(4.15)
Comme la matrice S, la matrice
√ √
( D)−1 · S · D = IN + Te + t Te
4.4. ALGORITHMES ITÉRATIFS ET MÉTHODE DES MOINDRES CARRÉS 81

est symétrique réelle, définie positive, ce qui implique en particulier :

√ √
(4.16) X, ( D)−1 ·S · D ·X = kXk2 +2 Re hX, Te ·Xi = 1+2 Re hX, Te ·Xi > 0.
Si
hX, Te · Xi = x + iy,
on a donc, d’après (4.15) et (4.16),
x2 + y 2 = |λ|2 (1 + 2x + x2 + y 2 ) > |λ|2 (x2 + y 2 + η)
avec η = (1 + 2x)/2 > 0. Il en résulte bien |λ| < 1. Ceci est vrai pour toutes les
valeurs propres de B, ce qui implique ρ(B) < 1 et, par conséquent, ρ(A) < 1.

Exemple 4.4 (calcul de projection orthogonale). Soit h , i un produit scalaire

sur RN et W un sous-espace de RN de dimension p < N rapporté à une base
e1 , ..., ep (non nécessairement
Pp orthonormée pour ce produit scalaire). Chercher la
projection orthogonale j=1 yj ej d’un vecteur X ∈ RN sur le sous-espace vectoriel
W revient à résoudre le système de Cramer :
X
M
(4.17) hei , ej i yj = hei , Xi, i = 1, ..., p.
j=1

La matrice S := G[e1 , ..., ep ] de ce système de Cramer est une matrice de Gram

symétrique réelle définie positive (car e1 , ..., ep constituent une base de W , donc
en particulier un système libre de RN ) et l’on peut donc utiliser la méthode de
Gauß-Seidel (d’après la Proposition 4.5) pour résoudre le système de Cramer (4.17)
et déterminer ainsi la projection orthogonale d’un vecteur arbitraire X sur W sans
avoir à inverser cette matrice de Gram G[e1 , ..., ep ]. Une autre manière de procéder
aurait consisté à construire (à partir de l’algorithme de Gram-Schmidt initié avec le
système libre (e1 , ..., ep ), base de E) une base orthonormée (ẽ1 , ..., ẽp ) de W (voir le
cours d’Algèbre 2). Auquel cas, le calcul de la projection orthogonale d’un vecteur
X ∈ RN sur W est donné par
X
p
Proj⊥
W [X] = hX, ẽj i ẽj .
j=1

Il faut noter cependant que l’algorithme d’orthonormalisation de Schmidt peut

s’avérer très instable, par exemple lorsque deux des vecteurs ej1 et ej2 de la base
(e1 , ..., ep ) de E sont presque colinéaires, auquel cas le procédé d’orthonorma-
lisation de Schmidt implique une presque division par 0, source évidemment
d’une grande instabilité numérique ! La méthode de Gauß-Seidel doit dans ce cas
être privilégiée.

4.4. Algorithmes itératifs et méthode des moindres carrés

4.4.1. La décomposition en valeurs singulières d’une matrice rectan-
gulaire réelle ou complexe. La décomposition en valeurs singulières (des ma-
trices cette fois a priori rectangulaires, de taille p×N et à coefficients dans K = R ou
C) est intimement liée à la méthode dite des moindres carrés, basée sur l’itération
de projections orthogonales, que nous introduirons plus loin (dans la sous-section
4.4.3).
82 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

Proposition 4.6 (décomposition en valeurs singulières). Soit M une matrice

rectangulaire à coefficients dans K = R (resp. dans C), à p lignes et N colonnes, de
rang r ≤ min(p, N ). Il existe une matrice carrée orthogonale (resp. unitaire) U de
taille (r, r), une unique matrice diagonale réelle positive D = diag[σ1 , ..., σr ], avec
σ1 ≥ σ2 ≥ · · · ≥ σr > 0, une matrice carrée orthogonale (resp. unitaire) V de taille
(N, N ), telles que
(4.18) e · tV
M =U ·D (resp. e · t V ),
M =U ·D
De désignant la matrice à p lignes et N colonnes obtenue en complétant D infé-
rieurement et latéralement (à droite) si nécessaire par des zéros. Les nombres σ12 ≥
· · · ≥ σr2 > 0 sont les valeurs propres strictement positives de la matrice symétrique
réelle positive (resp. hermitienne positive) M · t M (resp. M · t M ). Les racines
strictement positives σ1 ≥ σ2 · · · ≥ σr > 0 de ces nombres sont appelées valeurs
singulières de la matrice M .
Remarque 4.3. L’implémentation sous MATLAB de la Proposition 4.6 est réalisée
via la routine :
>>[U,D,V]=svd(M);
Notons, sous cette implémentation sous MATLAB, la matrice D est une matrice à
p lignes et N colonnes, mais dont les seuls coefficients non nuls sont les dii , i =
1, ..., r ≤ min(p, N ). La matrice U est, elle, une matrice (p, p) unitaire. Le résultat
fourni par MATLAB correspond donc à celui donné dans la proposition seulement
dans le cas où N ≥ p et r = rang(M ) (i.e. dans le cas où l’application K-linéaire
L : KN → Kp représentée par M dans les bases canoniques à la source KN et au
but Kp est surjective).
Démonstration. On fait la démonstration en supposant r = p, c’est-à-dire
l’application M surjective (on remplace l’espace d’arrivée par l’image de l’appli-
cation linéaire dont M figure la matrice dans les bases canoniques respectivement
de KN et de Kp ). Le cas général s’y ramène aisément. Soit L : KN → Kp = Kr
l’application linéaire surjective que représente M dans les bases canoniques de KN
et Kr . D’après la formule du rang, le noyau de L est un sous-espace vectoriel
Ker L de RN , de dimension N − r, que l’on peut donc rapporter à une base ortho-
normée (er+1 , ..., eN ) (pour le produit scalaire canonique). Si l’on complète (suivant
le procédé de Gram-Schmidt, c.f. le cours d’Algèbre 2) cette base en une base or-
thonormée (e1 , ..., eN ) de KN , on constate que (e1 , ..., er ) constitue une base du
sous-espace du sous-espace (KerL)⊥ constitué des vecteurs de KN orthogonaux au
noyau de L. La restriction de L à (Ker L)⊥ est une application linéaire bijective
entre (Ker L)⊥ et Kr . Si Kr est rapporté à la base (e1 , ..., er ) et KN à sa base
canonique, la matrice de L dans ces bases s’écrit sous la forme :
 
0 ··· ··· 0
 . .. .. .. 
A .. . . .
0 ··· ··· 0
où A ∈ MK (r, r) est une matrice inversible ; il existe donc une matrice unitaire 15
V1 de taille (N, N ) (V1 · t V1 = t V1 · V1 = IN ), une matrice unitaire U1 de taille (r, r),

15. Si K = R, il faut remplacer partout matrice unitaire par matrice orthogonale .

4.4. ALGORITHMES ITÉRATIFS ET MÉTHODE DES MOINDRES CARRÉS 83

telles que  
0 ··· ··· 0
 .. .. .. ..  · t V .
M = U 1 · A . . . . 1
0 ··· ··· 0
La matrice symétrique réelle strictement positive A · A si K = R (resp. hermitienne
t

strictement positive A · t A si K = C) se diagonalise dans une base orthonormée 16

de KN :
A · t A = U · diag (σ12 , ..., σr2 ) · t U ,
où U est une matrice unitaire (r, r). Comme

A · t A = U · diag (σ1 , ..., σr ) · t U · diag (σ1 , ..., σr )
la matrice −1
t
A· t
U · diag (σ1 , ..., σr )
est une matrice unitaire W de taille (r, r) et l’on peut donc écrire
t
A = W · diag (σ1 , ..., σr ) · t U ,
soit
A = U · diag (σ1 , ..., σr ) · t W .
On peut donc ainsi écrire
 
σ1 0 ··· 0 0 ··· ··· 0
 .. .. .. .. .. .. .. ..  · t V
(4.19) A=U · . . . . . . . .
0 ··· ··· σr 0 ··· ··· 0
où U et V sont respectivement des matrices unitaires de tailles respectivement (r, r)
et (N, N ).

Supposons que u1 , ..., ur soient les r vecteurs colonnes de la matrice (r, r) U (ortho-
gonale ou unitaire suivant que K = R ou K = C) donnée dans (4.18), complétés par
des zéros en des vecteurs de Kp (ou directement les r premiers vecteurs colonnes
de la matrice (p, p) U orthogonale ou unitaire donnée, c.f. la Remarque 4.3, par la
commande svd sous MATLAB) et v1 , ..., vN les N vecteurs colonnes de la matrice V .
Si Y ∈ Kp , le vecteur
Xr
hY, uj i
X = L−1 app [Y ] = vj
j=1
σj
représente le vecteur X de KN de norme minimale parmi tous les vecteurs x ∈ KN
qui minimisent l’application
x ∈ KN 7−→ kL(x) − Y k22
On l’appelle pseudo-inverse de Y via l’application L. Lorsque L est surjective (c’est-
à-dire r = p ≤ N ), ce vecteur X = L−1app [Y ] figure donc la projection orthogonale
du vecteur nul sur le sous-espace affine de KN défini comme
EL (Y ) := {x ∈ KN ; L(x) = Y }.

16. Voir le cours d’Algèbre 2. Si K = R, il s’agit d’une matrice symétrique réelle et il convient
de remplacer partout matrice unitaire par matrice orthogonale .
84 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

Nous verrons dans la sous-section 4.4.3 un moyen itératif de calculer, lorsque Y ∈

Im L, l’inverse approché L−1
app [Y ] sans avoir à passer par la décomposition en va-
leurs singulières de la matrice de l’application linéaire L exprimée dans les bases
canoniques.
4.4.2. Valeurs singulières et conditionnement. La notion de conditionne-
ment (pour les matrices carrées inversibles) est une notion capitale en algorithmique
numérique. Elle conditionne précisément la stabilité (sous petites perturbations
portant sur les données) de la résolution de système de Cramer du type M · X = B,
M désignant une matrice N × N inversible à coefficients dans le corps K = R ou
C, B un vecteur colonne donné. Cette question avait déjà été soulevée au début de
ce cours, avec l’exemple 1.2.2.
Revenons à la résolution d’un système de Cramer
(4.20) M ·X =B
où M est une matrice (N, N ) inversible dont nous envisageons de perturber les
entrées. Notons M + ∆M la matrice M perturbée (Mperturb dans l’exemple 1.2.2)
et X + ∆X la solution du système (que l’on suppose toujours de Cramer, la per-
turbation étant assez petite pour que det(M + ∆M ) 6= 0)
(4.21) (M + ∆M ) · (X + ∆X) = B
(ici, on ne perturbe pas B). En mettant ensemble les deux relations (4.20) et (4.21),
on trouve immédiatement (par différence)
∆M · X + M · ∆X + ∆M · ∆X = 0 ,
ce que l’on réécrit
(4.22) M · ∆X = −∆M · (X + ∆X) .
On peut transformer (4.22) en
∆X = −M −1 · ∆M · (X + ∆X)
et en déduire
k∆Xk ≤ kM −1 k × k∆M k × kX + ∆Xk ,
ce que l’on écrit (un peut artificiellement !)
k∆Xk k∆M k
≤ kM k × kM −1 k × ,
kX + ∆Xk kM k
ou encore
k(X + ∆X) − Xk k∆M k
≤ kM k × kM −1 k × .
kX + ∆Xk kM k
Le membre de gauche
k(X + ∆X) − Xk
kX + ∆Xk
peut s’interpréter comme une erreur relative sur X tandis qu’au membre de
droite, on voit apparaitre
k∆M k
,
kM k
qui correspond (en norme) à l’erreur relative commise sur M . La quantité
kM k × kM −1 k
4.4. ALGORITHMES ITÉRATIFS ET MÉTHODE DES MOINDRES CARRÉS 85

qui contrôle en un certain sens la stabilité de la résolution du système M ·X = B

est appelée à jouer un rôle majeur.
Définition 4.3 (la notion de conditionnement). Si M est une matrice carrée
inversible (N, N ) de nombres réels ou complexes, on appelle conditionnement de M
(relativement au choix d’une norme k k sur RN ou CN , suivant le contexte on l’on
se place) la quantité kM k × kM −1 k.
Si l’on choisit comme norme sur KN (K = R ou K = C) la norme euclidienne k k2
(choix par défaut dans MATLAB), et que σ1 ≥ σ2 ≥ · · · ≥ σN > 0 désignent les
valeurs singulières de M (c.f. la Proposition 4.6), on a kM k2 = σ1 et kM −1 k2 =
1/σN , ce qui donne pour le conditionnement :
(4.23) cond2 (M ) = σ1 /σN .
Plus le conditionnement de M est grand, plus la résolution numérique de M ·X = B
s’avère instable sous l’effet d’une perturbation des entrées (dans M ou dans B).
C’est souvent le cas des matrices symétriques de Gram qui s’avèrent fréquemment
mal conditionnées. Ce problème de mauvais conditionnement nous est déjà apparu
à propos de l’interpolation de Lagrange (cf. les remarques en fin de la sous-section
3.2.2).
4.4.3. Itération de projections orthogonales. Soient W1 , ..., Wp p-sous-
espaces vectoriels de KN , Wj , j = 1, ..., p, étant défini comme le noyau (de dimen-
sion N − pj ) d’une certaine application linéaire Lj surjective Lj : KN → Kpj ,
j = 1, ..., M . Soit x un vecteur (a priori inconnu) de KN , tel que les vecteurs
Lj (x) = Y1 , ..., Lp (x) = Yp soient connus (par exemple mesurés lors d’une expérience
physique). L’élément X de KN de norme minimale parmi tous les u ∈ KN tels que
Lj (u) = Yj , j = 1, ..., p, est par définition même la projection orthogonale du
vecteur nul de KN sur le sous-espace affine
\
M \
M
(x + Wj ) = x + Wj .
j=1 j=1

Cette projection orthogonale s’obtient via un processus itératif aisé à implémenter :

on part de X0 = 0, puis on définit

(4.24) Xk+1 = Proj⊥ ⊥
x+Wp ◦ · · · ◦ Projx+W1 [Xk ].

Pour calculer Projx+Wj [v] pour un vecteur v ∈ KN quelconque, on remarque que

v − Projx+Wj [v] ∈ Fj⊥ = Im L∗j
et donc qu’il existe wj (v) ∈ KN tel que :
Lj (v) − Lj (Projx+Wj [v]) = Lj (v) − Lj (x) = Lj (v) − Yj = (Lj ◦ L∗j )(wj (v)).
On trouve wj (v) en composant avec l’inverse de Lj ◦ L∗j (dans le cas K = R, on
peut calculer cet inverse en utilisant la méthode de Gauß-Seidel, c.f. la Proposition
4.5) et on en déduit
Projx+Wj [v] = v − L∗j [wj (v)].
L’algorithme itératif (4.24) est ainsi implémentable à partir du vecteur initial X0 =
0. Il conduit à une approximation du vecteur X (de norme minimale) solution de
Lj (X) = Yj , j = 1, ..., p.
86 4. MÉTHODES ITÉRATIVES EN ALGÈBRE LINÉAIRE

Cette démarche itérative, impliquant cette fois le concept d’orthogonalité, a été pro-
posée par le mathématicien polonais Stefan Kaczmarz (1895-1940). Pour prouver
la convergence de la suite (Xk )k≥0 initiée au vecteur nul vers la projection de ce
vecteur sur le sous-espace affine des vecteurs u ∈ KN tels que Lj (u) = Y pour
j = 1, ..., p, on pourra par exemple s’appuyer sur la figure 4.1 suivante.

W
4

X 0,4 X3 0,3
,
X1 X W2
0,2
f
X1,2
X
1,3
0 = X0
W1 x

X
0,1

Figure 4.1. La démarche itérative de S. Kaczmarz

CHAPITRE 5

Schémas numériques simples pour la résolution

des EDO

5.1. Les bases théoriques (admises) : Cauchy-Lipschitz

On se propose de modéliser un phénomène physique t 7−→ Y (t) (et, si possible,
d’en anticiper le passé ou d’en prévoir l’évolution à partir de sa valeur Y0 = Y (t0 )
à l’instant t = t0 ). Ici (t, Y (t)) prend ses valeurs dans un ouvert U de RN+1 dit
espace des phases ou encore espace des états du phénomène. On fait l’hypothèse que
ce phénomène est régi (on dit aussi contraint ) par une équation différentielle 1
(5.1) Y 0 (t) = F (t, Y (t)) ,
F désignant une fonction continue dans l’ouvert U et à valeurs dans RN . Ce qui si-
gnifie que t 7−→ Y (t) est de classe C 1 sur son intervalle ouvert I de vie (à déterminer)
autour de t0 , et se plie sur cet intervalle I à la relation (5.1).
Le théorème majeur que nous admettrons ici (et qui soutend de fait la résolution
numérique du problème) est le Théorème de Cauchy-Lipschitz 2 dont voici l’énoncé.
Il s’agit en fait d’un avatar du Théorème du point fixe (Théorème 4.1), mais ici
dans un cadre où le R-espace de dimension finie RN se trouve remplacé par un
R-espace vectoriel de dimension infinie, en l’occurrence le R-espace vectoriel des
fonctions continues de [t0 , t0 + T ], (t0 ∈ R, T > 0) dans RN , [t0 , t0 + T ] désignant
un segment non vide de l’axe réel R. Le fait de passer ici du cadre de la dimension
finie au cadre de la dimension infinie nous prive (à ce niveau L2) de la possibilité
de justifier ce thórème autrement qu’heuristiquement ou (de manière empirique)
numériquement.
Theorème 5.1 (théorème de Cauchy-Lipschitz). Soit U un ouvert de RN+1
et F : U → RN une fonction continue satisfaisant au voisinage de tout point la
condition suivante (dite de Lipschitz) : pour tout (t0 , Y0 ) ∈ U , il existe > 0, η > 0,
K ≥ 0 (dépendants (t0 , Y0 )) tels que [t0 − , t0 + ] × BRN (Y0 , η) ⊂ U et
∀ t ∈ [t0 − , t0 + ] , ∀ Y1 , Y2 ∈ BRn (Y0 , η),
(5.2)
kF (t, Y1 ) − F (t, Y2 )k ≤ K kY1 − Y2 k.
Alors, pour tout (t0 , Y0 ) ∈ U , il existe un unique couple (I, Y ), où I est un intervalle
ouvert de R, Y : I → R une fonction de classe C 1 , tel que :
1. EDO : Equation Différentielle Ordinaire, c’est à dire en une variable (le temps en général),
par rapport à l’acronyme EDP pour Equation aux Dérivées Partielles lorsque plusieurs variables
(en général de temps et d’espace) sont impliquées.
2. Au nom du mathématicien français Augustin Cauchy (1789-1857) est ici associé celui de
l’analyste allemand Rudolph Lipschitz (1832-1903), à qui l’on doit la mise en évidence de l’impor-
tance de la condition (5.2) ; une fonction satisfaisant cette condition est d’ailleurs appelée fonction
localement lipschitzienne.

87
88 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

(1) pour tout t ∈ I, (t, Y (t)) ∈ U et

Y (t0 ) = Y0 (condition initiale)
(5.3)
∀ t ∈ I, (t, Y (t)) ∈ U & Y 0 (t) = F (t, Y (t))
(on dit que (I, Y ) est solution du problème de Cauchy (5.3)) ;
e Ye ) est un autre couple solution du même problème de Cauchy (5.3),
(2) si (I,
alors Ie ⊂ I et Ye est la restriction de Y à Ie (on dit que (I, Y ) est une
solution maximale du problème de Cauchy (5.3)).

Dans le contexte de l’algorithmique numérique, nous retiendrons un résultat plus

fort (avec des hypothèses plus contraignantes). Si U = I0 ×RN et F : I0 ×RN → RN
est une fonction continue telle que, pour tout segment [t0 , t0 + T ] de I0 , pour tout
R > 0, il existe une constante K[t0 ,t0 +T ],R telle que
∀ t ∈ [t0 , t0 + T ], ∀ Y1 , Y2 ∈ BRN (0, R),
(5.4)
kF (t, Y1 ) − F (t, Y2 )k ≤ K[t0 ,t0 +T ],R kY1 − Y2 k ,
alors il existe, pour chaque segment [t0 , t0 + T ] ⊂ I0 , pour chaque Y0 ∈ RN , une
unique fonction t ∈ [t0 , t0 + T ] → RN de classe C 1 sur le segment [t0 , t0 + T ] (c’est-
à-dire se prolongeant en une fonction de classe C 1 au voisinage de ce segment 3)
telle que
(5.5) Y (t0 ) = Y0 & ∀ t ∈ [t0 , t0 + T ], Y 0 (t) = F (t, Y (t)),
ce que l’on peut résumer en
Z t
(5.6) ∀ t ∈ [t0 , t0 + T ], Y (t) = Y0 + F (τ, Y (τ )) dτ = TY0 [Y ](t)
0
(voilà le point fixe en action : la solution t 7→ Y (t) du problème apparait ici
comme un point fixe de l’application R-linéaire TY0 ). Le segment [t0 , t0 + T ] ⊂ I0
étant ici donné, nous nous intéresserons dans ce chapitre (Section 5.2), sous l’angle
de l’algorithmique numérique, à la manière de calculer numériquement une solution
approchée t ∈ [t0 , t0 + T ] 7−→ Yapp (t) à l’équation intégrale figurant en (5.6).

Exemple 5.1 (équations différentielles linéaires). Lorsque U = I0 × RN , où I0

est un intervalle de R, et que la fonction F est de la forme F (t, Y ) = A(t) · Y + B(t),
où A et B sont respectivement des applications continues de I0 dans l’espace MN,N
(des matrices réelles de taille (N, N)) et de R dans RN , les conditions (5.6) sont
vérifiées pour tout segment [t0 , t0 + T ] inclus dans I0 . Mais il faut avoir conscience
que, à moins que t 7→ A(t) ne soit une fonction constante, on ne sait pas (en
général) résoudre Y 0 = A(t) · Y + B(t) avec données initiales arbitraires Y (t0 ) = Y0
autrement que numériquement ! Autrement dit, même dans le cas linéaire (pourtant
relativement simple !), l’approche numérique est en général incontournable.

Il faut noter que la résolution 4 des équations différentielles d’ordre supérieur

y (N) = F (t, y, y 0 , ..., y (N−1) ),

3. De fait, la fonction se prolonge en une fonction de classe C 1 à I0 tout entier, cette fonction
vérifiant d’ailleurs Y 0 (t) = F (t, Y (t)) pour tout t ∈ I0 .
4. On cherche, pour (t0 , y0,0 , ..., y0,N−1 ) = (t0 , Y0 ) ∈ U , les couples (I, y) tels que I soit un
intervalle de R avec (t, y(t), y 0 (t), ..., y (N−1) (t)) ∈ U pour tout t ∈ I,
(5.7) y (N) (t) = F (t, y(t), y 0 (t), ..., y (N−1) (t)) ∀t ∈ I
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 89

où F est une fonction continue dans un ouvert U de RN+1 vérifiant la condition
(5.2) dans cet ouvert, se ramène à celle des équations différentielles Y 0 = F (t, Y ).
Il suffit en effet de remarquer que dire que (I, y) vérifie l’équation d’ordre N
(5.7) avec les conditions initiales (5.8) équivaut à dire que (I, Y ), où Y (t) =
(y(t), y 0 (t), ..., y (N−1) (t)) vérifie le système
Y00 (t) = Y1 (t)
Y10 (t) = Y2 (t)
..
.
(5.9) Yk0 (t) = Yk+1 (t)
..
.
0
YN−2 (t) = YN−1 (t)
0
YN−1 (t) = F (t, Y0 (t), ..., YN−1 (t)).
avec les conditions initiales Y (t0 ) = (y0,0 , ..., y0,N−1 ).

5.2. Résolution numérique des EDO

On se place dans le contexte présenté dans la section 5.1, où la condition de Lipschitz
forte (5.4) est supposée remplie par la fonction F . On se limitera aussi ici au cas
N = 1 (le cas général se traitant coordonnée-fonction par coordonnée-fonction ou
matriciellement). On notera donc F (t, y) = f (t, y) pour (t, y) ∈ I0 × R.
5.2.1. Schémas numériques explicites ou implicites : l’exemple d’Eu-
ler. Nous allons introduire ici un principe 5 basé sur la démarche suivante (lorsque
[t0 , t0 + T ] ⊂ I0 ) :
(1) on choisit un pas maximal h0 > 0 et une fonction continue
Φ[f ] : [t0 , t0 + T ] × R × [0, h0 ] −→ R.
(2) pour h = T /N ≤ h0 , on construit la suite récurrente (yh,k )k≥0 solution de
yh,k+1 − yh,k
(5.10) = Φ[f ](tk , yh,k , h), k = 0, ..., N − 1, (ici tk = t0 + k h)
h
et initiée à yh,0 = y0 , y0 étant donné dans R (condition initiale).
L’objectif visé est que, si le pas h est fixé assez petit (en tout cas inférieur à h0 ),
yh,k approche la valeur de la solution f de l’équation différentielle y 0 (t) = f (t, y(t))
(avec condition initiale y(t0 ) = y0 ) au point tk = t0 + k h (pour simplifier, on omet
dans la notation tk la dépendance implicite en h) du maillage
t0 < t + h < t + 2h < · · · < t0 + (N − 1) h < t0 + N h = t0 + T.
On se repose pour cela sur le fait que
yh,k+1 − yh,k
h
et que soient remplies les conditions initiales
(5.8) y(t0 ) = y0,0 , y 0 (t0 ) = y0,1 , ..., y (N−1) (t0 ) = y0,N−1 (conditions initiales),

5. C’est le principe des méthodes dites à un pas .

90 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

peut être interprété comme la valeur approchée de t 7→ y 0 (t) soit au point médian de
[tk , tk+1 ] (calcul numérique de dérivée dit centré ), soit au point tk ou tk+1 (cal-
cul numérique de dérivée dit décentré ). En conséquence, il n’est plus question
ici, comme nous l’avions fait jusque là dans les méthodes itératives décrites aux cha-
pitres 2 et 3 (Newton, sécante, dichotomie, Jacobi, Gauß-Seidel, etc.) d’ écraser la
valeur yh,k au fur et à mesure du déroulement de l’algorithme. Ces valeurs yh,0 = y0 ,
yh,1 ,..., yh,k , ..., doivent au contraire être ici stockées en mémoire, ce en vu de l’af-
fichage final du graphe approché de la solution f sur le segment temporel
[t0 , t0 + T ], en l’occurence de celui de l’application discrétisée
k ∈ {0, ..., N } 7−→ yh,k ' f (t0 + kh).
Un tel schéma numérique est dit explicite car le calcul de yh,k+1 se fait à partir de
la connaissance de yh,k tant que k = 0, ..., N − 1.
On peut aussi envisager les schémas implicites où, dans l’étape 2 du processus
décrit, on remplace (5.10) par
yh,k − yh,k−1
(5.11) = Ψ[f ](tk , yh,k−1 , yh,k , h), k = 1, ..., N, (ici tk = t0 + k h),
h
où
Ψ[f ] : (t, y, ξ, h) ∈ [t0 , t0 + T ] × R × R × [0, h0 ] 7−→ Ψ(t, y, ξ, h) ∈ R
est une fonction continue (toujours en maintenant la condition initiale yh,0 = 0) ;
cette fois la détermination de yh,k à partir de yh,k−1 passe par la résolution de
l’équation implicite (d’inconnue ξ)
ξ − yh,k−1
= Φ[f ](tk , yh,k−1 , ξ, h).
h
Qu’il s’agisse de la méthode explicite (basée sur (5.10)) ou implicite (basée sur
(5.11)), la récurrence permettant de calculer de manière inductive les yh,k lorsque
le pas h ≤ h0 est fixé est une récurrence à un terme (yh,k+1 fonction de yh,k ). C’est
la raison pour laquelle on appelle ces méthodes méthodes à un pas.

Exemple 5.2 (les méthodes d’Euler explicite, implicite et modifiée). Si l’on

prend
Φ[f ](t, y, h) = f (t, y)
dans (5.10) (cette fonction est indépendante de h dans ce cas), on obtient le schéma
numérique dit schéma d’Euler explicite, que vous avez certainement rencontré dès
la Terminale 6. Voici le code MATLAB pour ce schéma, la fonction f (de deux variables
t et y) étant déclarée en ligne par
>> f = inline (’expression MATLAB en t et y’, ’t’,’y’);
l’instant initial étant t0, la condition initiale y(t0)=y0, l’intervalle d’étude [t0,t0+T],
et le pas choisi étant ici T/N).
function [t,y] = Euler(t0,y0,T,N,f)
h = T/N;
t = [t0];
y = [y0];
for k=1:N
6. On doit ce schéma numérique au mathématicien suisse Leonhard Euler (1707-1783), pion-
nier des mathématiques actuelles au siècle des lumières, qui l’introduisit dès 1768 sans doute.
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 91

yfinal = y(k) + h*f(t(k),y(k));

t = [t,t(k)+h];
y = [y,yfinal];
end
plot(t,y)
En prenant
Ψ[f ] (t, y, ξ, h) = f (t, ξ)
dans (5.11), on obtient avec (5.11) le schéma d’Euler implicite (ou rétrograde). Si
l’on souhaite respecter le fait que l’erreur dans le calcul numérique de dérivée est
meilleure dans la situation centrée (fait que l’on admettra ici), on choisit comme
fonction Φ[f ] la fonction
(t, y, h) 7−→ f (t + h/2, y + h/2 f (t, y)).
Cette fois la fonction Φ fait intervenir la variable h et le schéma numérique ainsi
construit est le schéma d’Euler explicite modifié.
5.2.2. Intégration numérique : les méthodes de Newton-Cotes. Une
alternative pour remplacer les relations (5.10) ou (5.11), si l’on a en mémoire
l’équivalence entre (5.5) et (5.6) pour traduire que t 7→ y(t) est solution du problème
de Cauchy, est de penser à la résolution de l’équation sous la forme de la recherche
d’une solution à l’équation intégrale
Z t
y(t) = y0 + f (τ, y(τ )) dτ,
0
soit au jeu d’équations intégrales
Z tk+1
(5.12) yh,k+1 − yh,k ' y(tk+1 ) − y(tk ) = f (τ, y(τ )) dτ,
tk
le membre de droite étant exprimé à partir d’une méthode numérique. Nous al-
lons donc dans cette sous-section présenter donc succintement de telles méthodes
d’intégration numérique sur un segment [a, b] de R, pour lequel on dispose d’un
maillage
(5.13) a ≤ x0 < x1 < · · · < xM ≤ b.
L’objectif que nous avons ici est de présenter un calcul approché de l’intégrale
Z b
I[f ; [a, b]] := f (t) dt
a
(f étant une fonction continue sur un segment borné [a, b]) avec ces deux exigences :
– l’intégrale approchée Iapp [f ; [a, b]] sur [a, b] dépend de manière linéaire des
entrées évaluations de f aux M + 1 nœuds du maillage, i.e. f (x0 ), ..., f (xM ) ;
– le calcul approché devient exact, c’est-à-dire
Iapp [f ; [a, b]] = I[f ; [a, b]],
lorsque f est une fonction polynomiale de degré inférieur où égal à M .
On souhaite donc déterminer des scalaires λ0 , ..., λM ( universelles , c’est-à-dire
ne dépendant que des nœuds x0 , ..., xM du maillage) tels que
X
M
(5.14) Iapp [f ; [a, b]] = λj f (xj )
j=0
92 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

et
(5.15)
Z b XM
bk+1 − ak+1
tk dt = = I[tk ; [a, b]] = Iapp [tk ; [a, b]] = λj xkj ∀ k = 0, ..., M.
a k + 1 j=0

Comme les xj , j = 0, ..., M , sont M + 1 points distincts, le système linéaire de

M + 1 équations en les M + 1 inconnues λ0 , ..., λM est de Cramer (le déterminant
de
Q ce système est ce que l’on appelle un déterminant de Vandermonde, valant
0≤j1 <j2 ≤M (xj2 − xj1 ), donc non nul puisque les xj sont distincts). Il existe donc
un unique vecteur de coefficients (λ0 , ..., λM ) solution de notre problème. Voici
plusieurs cas particuliers importants.
– Le cas où M = 0 et où, par souci de compromis, on prend x0 = (a + b)/2.
On trouve dans ce cas λ0 = b − a et la formule approchée est dans ce cas
a + b
(5.16) Iapp [f ; [a, b]] = (b − a)f .
2
Ce calcul approché est dit méthode des rectangles.. Il se trouve que l’on a de
la chance ici car la formule
Z b
(5.17) f (t) dt = Iapp [f ; [a, b]]
a

se révèle exacte pour les fonctions polynomiales de degré 1 (elle devient fausse
par contre pour les fonctions polynomiales de degré 2).
– Le cas où M = 1 et où, toujours par souci de compromis, on prend x0 = a et
x1 = b. Dans ce cas, on trouve λ0 = λ1 = (b − a)/2 et la formule approchée
devient
b−a
(5.18) Iapp [f ; [a, b]] = (f (a) + f (b)).
2
Ce calcul approché correspond à la méthode des trapèzes. Le calcul approché
cesse aussi d’être exact pour les fonctions polynomiales de degré 2.
– Le cas M = 2 où, toujours par souci de compromis, on prend x0 = a,
x1 = (a + b)/2 et x2 = b. On trouve dans ce cas
b−a 2(b − a)
λ0 = λ2 = & λ1 =
6 3
(il est facile de résoudre le système de Cramer (5.15) dans ce cas) et la formule
approchée devient
b−a a + b
(5.19) Iapp [f ; [a, b]] = f (a) + 4 f + f (b) .
6 2
Cette méthode est dite méthode de Simpson 7. Un miracle se produit encore
ici : la formule (5.17) est encore valide (comme on le vérifie aisément) pour
les fonctions polynomiales de degré 3 (elle est fausse par contre pour les
fonctions polynomiales de degré 4).

7. Ainsi dénommée en référence au mathématicien et astrologue britannique Thomas Simpson

(1710-1761) ; de fait, elle avait été déjà introduite par Johannes Kepler deux siècles auparavant.
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 93

– Si M = 3, on introduit, toujours par souci de symétrie, les 4 points x0 = a,

x1 = a + (b − a)/3, x2 = a + 2(b − a)/3, x3 = b. Le calcul des coefficients
(facile à mener en résolvant un système de Cramer à 4 inconnues) conduit à
b−a b−a
λ0 = λ 3 = & λ1 = λ2 = 3 .
8 8
La formule approchée est donc dans ce cas
b−a 2a + b a + 2b
(5.20) Iapp [f ; [a, b]] = f (a) + 3 f +f + f (b) .
8 3 3
C’est la méthode à quatre points. La formule (5.17) cesse d’être vraie pour
les fonctions polynomiales de degré 4 et au delà.
Toutes les méthodes présentées ici, dans lesquelles le maillage est un maillage
régulier (ou encore à pas constant) entrent dans la catégorie des méthodes dites
de méthodes de Newton-Cotes 8.
Pour contrôler l’erreur dans une telle méthode, on utilise la formule de Taylor avec
reste intégral (en a), qui assure que, si f est de classe C ∞ , on peut écrire
Z
1 x
f (x) = Taylorp [f ; a](x) + (x − t)p f (p+1) (t) dt,
p! a
où Taylorp [f ; a] est le polynôme de Taylor de f à l’ordre p en a, soit
X
p
f (k) (a)
Taylorp [f ; a] = (x − a)k .
k!
k=0

Si on note (x − t)+ := sup(x − t, 0), l’erreur E[f ; [a, b]] commise entre I[f ; [a, b]] et
Iapp [f ; [a, b]] dans une formule de Newton-Cotes est celle que l’on commet avec la
fonction
Z
1 b
x ∈ [a, b] 7→ (x − t)p+ f (p+1) (t) dt.
p! a
Cette erreur s’exprime aussi (si l’on utilise le théorème de Fubini) comme
Z h i
1 b (p+1)
E[f ; [a, b]] = f (t) E x 7→ (x − t)p+ ; [a, b] dt
p! a
En particulier, en utilisant la formule de la moyenne 9, on trouve, si la fonction
h i
t ∈ [a, b] 7−→ E x 7→ (x − t)p+

garde un signe constant 10, que

Z b h i
f (p+1) (ξ)
E[f ; [a, b]] = E x 7→ (x − t)p+ ; [a, b] dt.
p! a

8. Ces formules sont apparues à l’occasion du travail de relecture par le mathématicien anglais
Roger Cotes (1682-1716) des Principia d’Isaac Newton.
R R
9. Qui assure ab u(t) v(t) dt = u(ξ) ab v(t) dt pour un certain ξ ∈ [a, b] si u et v sont continues
sur [a, b] et v y garde un signe constant.
10. Ce sera le cas dans nos exemples, on le verra.
94 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

Le calcul de E[f : [a, b]] (dans tous les cas de figure pour une méthode de Newton-
Cotes exacte à l’ordre p) conduit (pour une fonction C ∞ sur [a, b]) à une estimation
d’erreur du type

(5.21) |E[f ; [a, b]]| = I[f ; [a, b]] − Iapp [f ; [a, b]] ≤ C[f ] × (b − a)p+2 .

Ceci résulte du double processus d’intégration impliqué dans le calcul de l’expression

Z b h i
E x 7→ (x − t)p+ ; [a, b] dt
a

dans laquelle figure déjà sous le premier intégrant la fonction x 7→ (x − t)p+ . Les cal-
culs peuvent être menés explicitement dans les trois premiers exemples mentionnés
(rectangles et trapèzes avec p = 1, Simpson avec p = 3) :
– pour la méthode des rectangles, on trouve, pour t ∈ [a, b],
(
h i (t−a)2
si t ≤ a+b
p
Erect x 7→ (x − t)+ ; [a, b] = (t−b) 2
2
2

2 si t ≥ a+b
2

et, en intégrant sur [a, b], puis en appliquant la formule de la moyenne

(b − a)3
(5.22) Erect [f ; [a, b]] = f 00 (ξ) × (ξ ∈ [a, b]).
24
– pour la méthode des trapèzes, on trouve, pour t ∈ [a, b],
h i (t − a)(t − b)
Etrap x 7→ (x − t)p+ ; [a, b] =
2
et donc, en intégrant sur [a, b], puis en appliquant la formule de la moyenne
(b − a)3
(5.23) Etrap [f ; [a, b]] = −f 00 (ξ) × (ξ ∈ [a, b]).
12
– pour enfin la méthode de Simpson, les calculs sont plus laborieux mais l’on
trouve, pour t ∈ [a, b],
(
h i (b−t)3 (2b+a−3t)
si t ≤ a+b
p
ESimp x 7→ (x − t)+ ; [a, b] = ((a−t)312(b+2a−3t)
2

2 si t ≥ a+b
2

et donc, en intégrant sur [a, b], puis en appliquant la formule de la moyenne

(b − a)5
(5.24) ESimp [f ; [a, b]] = −f (4) (ξ) × (ξ ∈ [a, b]).
2880
On montrerait, si h := (b − a)/M , que l’erreur dans la formule de Newton-Cotes à
M + 1 points uniformément répartis dans [a, b] est (en module) en hM +3 si M est
pair (exemple M = 2 avec la méthode de Simpson) et seulement en hM +2 si M est
impair. Ce gain lorsque M est pair tient au fait que l’on peut exploiter le point
médian (a + b)/2 (qui appartient alors au maillage) comme pivot pour évaluer
l’erreur avec la formule de Taylor. Ceci n’est plus possible lorsque M est impair. La
formule à 4 points n’est donc pas plus intéressante (au niveau du contrôle d’erreur)
que la formule de Simpson à 3 points.
Le plus grand entier p = p(M ) tel que l’erreur dans une méthode de Newton-Cotes
à M + 1 points (appliquée à une fonction C ∞ sur un segment [a, b]) soit contrôlée
en hp (où h := (b − a)/M ) est appelé ordre de la méthode de Newton-Cotes. Plus
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 95

M augmente, certes plus p augmente, mais aussi plus la méthode devient instable
car les coefficients uM,0 , ..., uM,M dans
Z b X
M
f (t) dt ' uM,k f (xM,k )
a k=0
explosent avec M , pour la même raison en fait que celle impliquant les effets
de bord dans l’interpolation de Lagrange 11 sous-jacente aux méthodes de Newton-
Cotes : on ne peut approcher sans risque une fonction dont les dérivées successives
s’amplifient près des extrémités de [a, b] par des fonctions polynomiales dont les
dérivées d’ordre assez grand sont automatiquement identiquement nulles ! L’idée
pratique pour pallier à pareille difficulté consiste à utiliser des méthodes composites.
On découpe [a, b] en M segments [ak , bk ] de même longueur (donc de longueur
h = (b − a)/M ) et, sur chacun de ces segments, on utilise une méthode de Newton-
Cotes d’ordre p. L’ordre de la méthode composite est alors p−1 car il faut multiplier
hp (contrôlant l’erreur sur chaque segment) par M = (b − a)/h, ce qui donne une
erreur en hp−1 .
Le calcul approché I(h) de l’intégrale par le procédé composite associé se présente
donc sous la forme
Z b
(5.25) I(h) = f (t) dt + αhp−1 + o(hp−1 ) .
a
Connaitre explicitement α n’est pas évident, mais si l’on refait le calcul approché
en divisant le pas par 2, on trouve (ceci en effet revient à remplacer h par h/2 dans
(5.25))
Z b
(5.26) I(h/2) = f (t) dt + α(h/2)p−1 + o(hp−1 )
a
(tous les o(hp−1 ) ont ici été notés de manière identique pour alléger les notations).
En soustrayant (5.26) à (5.25), il vient
I(h) − I(h/2)
α(h/2)p−1 ∼
2p−1 − 1
au voisinage de h = 0, ce qui implique donc que l’étude du comportement de
I(h) − I(h/2)
h 7−→ p−1
(2 − 1)(h/2)p−1
lorsque h tend vers 0 nous permet de déterminer explicitement α (au moins de
manière approchée) et d’être par là même capable de contrôler l’ordre de grandeur
(et le signe si α 6= 0) de l’erreur numérique
Z b
f (t)dt − I(h) .
a

Il y a aussi un autre moyen d’exploiter pareille idée, aux fins cette fois d’en tirer une
approximation plus efficace (c’est-à-dire convergeant plus rapidement) de l’intégrale
inconnue. Ce procédé à été initié assez récemment par L.F. Richardson 12 et est

11. Voir la sous-section 3.2.3.

12. Les travaux du physicien et mathématicien anglais Lewis Fry Richardson (1881-1953) ont
été pour une grande part tournés vers les prévisions météorologistes ; c’est dans cette optique qu’a
surgi la technique d’extrapolation (et d’accélération de convergence) que nous mentionnons ici.
96 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

aujourd’hui très utilisé dans le calcul approché des limites de suites ou des sommes
de séries numériques.
On multiplie cette fois la relation (5.26) par 2p−1 et l’on soustrait la relation obtenue
à la formule (5.25), ce qui donne
Z b
(1 − 2p−1 ) f (t) dt = I(h) − 2p−1 I(h/2) + o(hp−1 ) ,
a
ou encore
Z b
I(h) − 2p−1 I(h/2)
f (t) dt = + o(hp−1 ) .
a 1 − 2p−1
Si l’on pose

e I(h) − 2p−1 I(h/2)

(5.27) I(h) := ,
1 − 2p−1
on constate que l’erreur commise en remplaçant l’intégrale
Z b
f (t) dt
a

e
par I(h) p−1
est cette fois en o(h ), alors que l’erreur commise en la remplaçant par
I(h) était en O(hp−1 ), d’où un gain significatif dans la vitesse de convergence de
l’erreur vers 0.
Le procédé d’extrapolation (et d’accélération de convergence) de Richardson (ap-
pliqué ici aux fins de calcul numérique d’intégrales) peut même être itéré si l’on
sait a priori que
Z b
(5.28) f (t) dt = I(h) + α0 hp−1 + α1 hp + · · · + αk hp−1+k + o(hp−1+k ) .
a

En écrivant aussi
Z b
f (t) dt = I(h/2) + α0 (h/2)p−1 + α1 (h/2)p + · · · + αk (h/2)p−1+k + o(hp−1+k )
a

et en combinant avec la relation précédente, on trouve

Z b
I(h) − 2p−1 I(h/2)
f (t) dt =
a 1 − 2p−1
1 − 1/2 p 1 − 1/4 p+1 1 − 1/2k p−1+k
+α1 h + α 2 h + · · · + αk h
1 − 2p−1 1 − 2p−1 1 − 2p−1
+o(hp−1+k ) ,
relation que l’on peut encore écrire
Z b
(5.29) e +α
f (t) dt = I(h) e0 hp̃−1 + α
e1 hp̃ + · · · + α
ek̃ hp̃−1+k̃ + o(hp̃−1+k̃ )
a

avec p̃ := p + 1, k̃ := k − 1 et

e I(h) − 2p−1 I(h/2)

I(h) := .
1 − 2p−1
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 97

On remarque que la nouvelle relation obtenue (5.29) est exactement du type de la

relation (5.28), ce qui nous permet de réitérer le processus en écrivant
Z b
(5.30) ˇ + α̌0 hp̌−1 + α̌1 hp̌ + · · · + α̌ hp̌−1+ǩ + o(hp̌−1+ǩ )
f (t) dt = I(h) ǩ
a

avec p̌ := p̃ + 1 = p + 2, ǩ := k̃ − 1 = k − 2 et
e − 2p̃−1 I(h/2)
I(h) e
ˇ
I(h) := .
1 − 2p̃−1
On est ainsi en position de recommencer, et ainsi de suite jusqu’à ce que l’on ait
épuisé le développement limité. L’opération peut ainsi être itérée k fois et conduit
à une approximation de l’intégrale
Z b
f (t) dt
a
avec une erreur en o(hp−1+k ), tous les termes de la partie principale développement
jusqu’à cet ordre ayant été aspirés . Ceci est d’autant plus important que l’on
sait, d’après une formule sommatoire dite formule d’Euler-MacLaurin 13, que le
terme d’erreur dans la méthode des trapèzes composite se présente précisément
sous la forme
Z b
(5.31) f (t) dt − I(h) = α0 h2 + α2 h4 + · · · + α2(p−1) h2(K−1) + O(h2K ) ,
a
ce qui permet de lui appliquer le processus d’extrapolation de Richardson de manière
itérative comme ci-dessus. Le procédé décrit précédemment et transposé à cet
exemple particulier est ce que l’on appelle aujourd’hui la méthode de Romberg 14.
C’est une méthode très utilisée du fait de son efficacité.
Remarque 5.1 (pourquoi parler d’ extrapolation ?). On peut naturellement
se poser la question suivante : pourquoi parler d’ extrapolation à propos de la
méthode de L. F. Richardson (ou de celle de W. Romberg qui s’en déduit) ? La
raison en est que la quantité
I(h) − 2p−1 I(h/2)
1 − 2p−1
13. Cette formule, établie par Leonhard Euler et le mathématicien écossais Colin MacLaurin
autour de 1735, stipule en effet que, si f est de classe C 2K sur le segment [0, M ],
Z M h f (0) M f (M ) i X b2j (2j−1)
X−1 K
f (t) dt = + f (j) + − f (M ) − f (2j−1) (0)
0 2 j=1
2 k=1
(2j)!
Z M
B2K (t − [t])
+ f (2K) (t) dt ,
0 (2K)!
où les b2 , ..., b2K sont des nombres rationnels indépendants de f (les nombres de Bernoulli d’indices
2, 4, ..., 2K) et B2K un certain polynôme (lui aussi indépendant de f ), dit polynôme de Bernoulli
d’indice 2K. Il suffit d’appliquer cette formule à la fonction
b−a
t 7−→ f (a + ht) , h =
M
(définie sur [0, M ]) pour en déduire le résultat (5.31) voulu. Vous démontrerez plus tard (voir
[Y2], section 5.2.4) la formule importante d’Euler-MacLaurin ; il s’agit d’une formule dans le
même esprit que la formule de Taylor avec reste intégral.
14. Du nom du mathématicien allemand Werner Romberg (1909-2003) qui l’introduisit dans
ses travaux en intégration numérique.
98 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

introduite dans (5.27) s’interprète comme une extrapolation 15 de la fonction I

à partir de ses valeurs en h et h/2. Cette idée n’est pas sans rapport avec l’identité
de Bézout rappelée dans la sous-section 3.1.2 : si N1 et N2 (par exemple N1 = 2 et
N2 = 3) sont deux nombres premiers entre eux, les polynômes
1 + X + · · · + X N1 −1 et 1 + X + · · · + X N2 −1
sont premiers entre eux et l’on peut trouver deux polynômes U1 et U2 tels que
U1 (X)(1 + · · · + X N1 −1 ) + U2 (X)(1 + · · · + X N2 −1 ) = 1 ,
soit aussi, en multipliant par X − 1,
U1 (X)(X N1 − 1) + U2 (X)(X N2 − 1) = X − 1 .
Si (uk )k∈Z est une suite de nombres complexes indexée par Z, cette relation per-
met de déduire (essayez d’expliciter comment) un procédé de calcul de la suite de
décalages (uk+1 − uk )k∈Z à partir des deux suites de décalages (uk+N1 − uk )k∈Z et
(uk+N2 − uk )k∈Z , permettant ainsi d’extrapoler les différences successives entre les
uk depuis les différences prises entre les mêmes un , mais avec des sauts de N1 − 1
indices, et celles prises avec des sauts de N2 − 1 indices.
5.2.3. Formules de Newton-Cotes et schémas numériques. Nous don-
nons ici deux exemples de construction de schémas numériques implicites ou expli-
cites à partir des formules à un point (rectangle) ou deux points (trapèzes).

Exemple 5.3 (avec la méthode des rectangles : schéma d’Euler modifié). La

formule à un point (rectangles) conduit par exemple à
h h
yh,k+1 − yh,k ' h f tk + , y tk + .
2 2
En combinant avec
h h h
y tk + = y(tk ) + y 0 (tk ) + o(h) = y(tk ) + f tk , y(tk ) + o(h),
2 2 2
on voit que le choix de Φ[f ] est alors
h h
(5.32) Φ[f ] : (t, y, h) 7−→ f t + , y + f (t, y) .
2 2
On retrouve le schéma d’Euler modifié. Voici le code MATLAB pour ce schéma, la
fonction f (de deux variables t et y) étant déclarée en ligne par
>> f = inline (’expression MATLAB en t et y’, ’t’,’y’);
l’instant initial étant t0, la condition initiale y(t0)=y0, l’intervalle d’étude [t0,t0+T],
et le pas choisi étant ici T/N) :
function [t,y] = Eulermodif(t0,y0,T,N,f)
h = T/N;
t = [t0];
y = [y0];
for k=1:N
15. Extrapoler une fonction à partir de ses valeurs en des points donnés xk , c’est pouvoir
reconstituer ses valeurs en d’autres points que les points xk où la fonction est a priori donnée ;
ce n’est pas la même chose qu’ interpoler une fonction f aux points xk par une fonction plus
simple fe appartenant à une classe connue (par exemple une fonction polynômiale), même si la
connaissance des fe(x) pour x différent des xk fournit une manière d’extrapoler f depuis ses valeurs
aux points xk .
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 99

taux = t(k) + h/2 ;

A = f(t(k),y(k));
yfinal = y(k) + h*f(taux,y(k) + h*A/2);
t = [t,t(k)+h];
y = [y,yfinal];
end
plot(t,y)
Exemple 5.4 (avec la méthode des trapèzes : schéma explicite d’Heun et im-
plicite de Craig-Nicholson). La formule à 2 points (trapèzes) conduit, elle, à
h
(5.33) yh,k+1 − yh,k ' f tk , y(tk ) + f tk+1 , y(tk+1 ) .
2
En combinant avec
y(tk+1 ) = y(tk + h) = y(tk ) + h y 0 (tk ) + o(h)
(5.34)
= y(tk ) + f (tk , y(tk )) h + o(h),
on voit que le choix de Φ[f ] dans (5.10) qui est adapté à cette méthode des trapèzes
est
1
(5.35) Φ[f ] : (t, y, h) 7−→ f (t, y) + f t + h, y + hf (t, y) .
2
C’est le schéma de Heun 16 explicite. Voici le code MATLAB pour ce schéma, la fonc-
tion f (de deux variables t et y) étant déclarée en ligne par
>> f = inline (’expression MATLAB en t et y’, ’t’,’y’);
l’instant initial étant t0, la condition initiale y(t0)=y0, l’intervalle d’étude [t0,t0+T],
et le pas choisi étant ici T/N) :
function [t,y] = Heun(t0,y0,T,N,f)
h = T/N;
t = [t0];
y = [y0];
for k=1:N
A1 = f(t(k),y(k));
A2 = f(t(k)+h,y(k)+h*A1);
yfinal = y(k) + (h/2)*(A1+A2);
t = [t,t(k)+h];
y = [y,yfinal];
end
plot(t,y)
Mais on peut également ne pas utiliser l’approximation (5.34) et utiliser directement
(5.33) pour générer le schéma (implicite cette fois)
yh,k − yh,k−1 1
(5.36) = f (tk , yh,k−1 ) + f (tk + h, yh,k )
h 2
On pose alors
1
Ψ : (t, y, ξ, h) 7−→ f (t, y) + f (t + h, ξ)
2

16. Du nom du mathématicien allemand Karl Heun (1859-1929) qui l’introduisit.

100 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

pour obtenir le schéma implicite du type (5.11) dit schéma de Craig-Nicholson

implicite 17.

Pour une étude plus approfondie de la résolution des équations différentielles

ordinaires (EDO) par des schémas numériques (et l’introduction des notions d’ordre,
de convergence, de consistance et de stabilité), on renvoie au chapitre 6 de [Y2]. On
y trouvera également (Exemple 6.19, sous-section 6.3.3 de [Y2]) une présentation
des méthodes de Runge-Kutta introduites au niveau de cette UE dans le cadre des
projets. Comme la formule de Simpson (dont la construction de ce type de schéma
numérique dérive, sur la base de la formule (5.12)) permet un calcul approché
d’intégrale avec une erreur d’ordre 5 = 2 + 3, le schéma numérique de Runge-Kutta
conduit à une erreur en h5 /h = h4 , si h désigne le pas. Pour être complet dans ce
cours, nous esquissons ici le principe du schéma numérique de Runge-Kutta le plus
classique 18. Étant donnée l’équation différentielle
y 0 (t) = f (t, y(t))
(sur [t0 , t0 + T ] × R), le principe de schéma est, une fois le pas h > 0 fixé, de calculer
les nombres yh,k , k = 1, ..N , tels que yh,0 = y0 et
Z t0 +h(k+1)
yh,k+1 − yh,k = hΦ[f ](tk , yh,k , h) ' f (t, y(t)) dt, k = 0, 1, 2, ...
t0 +hk

(tk = t0 + kh, k = 0, 1, 2, ...) de proche en proche suivant le principe décrit sur les
quatre étapes suivantes :
tk,1 := t0 + kh = tk
tk,2 := tk,3 = tk,1 + h/2
tk,4 := tk,2 + h/2 = tk,3 + h/2 = tk,1 + h = t0 + (k + 1)h
Ak,1 := f (tk,1 , yh,k )
(5.37) Ak,2 := f (tk,2 , yh,k + h Ak,1 /2) = f (tk,1 + h/2, yh,k + h Ak,1 /2)
Ak,3 := f (tk,3 , yh,k + h Ak,2 /2) = f (tk,1 + h/2, yh,k + h Ak,2 /2)
Ak,4 := f (tk,3 , yh,k + h Ak,3 )
h
yh,k+1 := yh,k + Ak,1 + 2Ak,2 + 2Ak,3 + Ak,4 .
6
Du point de vue algorithmique, ceci peut être codé ainsi sous MATLAB une fois que la
fonction de deux variables f : (t, y) 7→ f (t, y) a été déclarée ’inline’ au préalable
par
>> f = inline (’expression MATLAB en t et y’, ’t’,’y’);
Le but est ici de construire les valeurs approchées de la solution de l’EDO y’=f(t,y)
aux points t0 + (k-1)*T/N, k=1,...,N+1, lorsque la condition initiale est y(t0)
=y0 (t0 désigne ici l’instant initial et T la longueur du segment [t0,t0+T] sur lequel
se trouve échantillonnée la solution y) :

17. On doit cette méthode (initialement introduite pour la résolution de l’équation de la chaleur)
à la mathématicienne britannique Phillis Nicholson (1917-1968) et à son compatriote le physicien
John Craig (1916-2006).
18. Cette démarche a été introduite par Carl Runge, mathématicien et physicien allemand
(1856-1927) et développée numériquement par le mathématicien allemand Martin Kutta (1867-
1944), connu aussi pour ses travaux en aérodynamique.
5.2. RÉSOLUTION NUMÉRIQUE DES EDO 101

function [t,y] = RungeKutta(t0,y0,T,N,f)

% on declare d’abord le pas :
h = T/N ;
% on initialise le vecteur des temps :
t = [t0];
% on initialise le vecteur de y
% (y(t0)=y0 figure ici la condition initiale) :
y = [y0];
% On redige maintenant la boucle de calcul suivant
% les instructions decrites ci-dessus en (5.37) :
for k=1:N
% on declare les points intermediaires entre t0+(k-1)*h et t0+k*h :
t1 = t(k);
t2 = t1 + h/2 ;
t3 = t1 + h/2 ;
t4 = t1 + h ;
% on calcule les quatre valeurs auxiliaires A1, A2, A3, A4 :
A1 = f(t1, y(k));
A2 = f(t2, y(k) + h*A1/2);
A3 = f(t3, y(k) + h*A2/2);
A4 = f(t3, y(k) + h*A3) ;
% on calcule y(t0+(k+1)*h) comme indique :
yfinal = y(k) + (h/6) *(A1 + 2*A2 + 2*A3 + A4) ;
% on complete les vecteurs des temps et des y :
t = [t,t4] ;
y = [y,yfinal] ;
end
plot(t,y)
Pareil code pourra être mis en œuvre dans le cadre d’un projet et par exemple
implémenté sur le système de Lotka-Volterra (proie-prédateur) introduit dans la
section 5.3 suivante. On pourra comparer l’efficacité de ce code avec ceux des codes
introduits précédemement pour les schémas d’Euler modifiée (5.32) et de Heun
(5.34) (tous deux d’ordre 2 = 3 − 1 puisque méthode des rectangles et méthodes
des trapèzes sont toutes deux des méthodes d’intégration numérique pour lesquelles
l’erreur est en h3 , voir respectivement (5.22) et (5.23) dans la section précédente).
La méthode ainsi construite, directement issue de la méthode de Newton-Cotes à
trois points (Simpson) 19 dont on sait qu’elle induit une erreur en O(h5 ), est d’ordre
4 = 5−1 (il y a une division par h une fois approchée l’intégrale). Ce solveur explicite
d’ordre 4 est très utilisé dans la pratique : c’est la méthode de Runge-Kutta dite
classique .

Les schémas numériques d’Euler explicite ou implicite conduisent à une erreur

contrôlée en h2−1 = h. En revanche, les schémas numériques de Heun et Craig-
Nicholson (fondées sur l’utilisation de la formule des trapèzes, qui est d’ordre 3,

19. On retrouve bien, avec l’approximation de l’intégrale

Z t0 +(k+1)h
h
f (t, y(t)) dt ' Ak,1 + 2Ak,2 + 2Ak,3 + Ak,4 , k = 0, 1, ...
t0 +kh 6
les coefficients 1/6, 2/6 + 2/6 = 2/3, 1/6 de la formule de Simpson (5.19).
102 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

voir (5.23)) conduisent à une erreur contrôlée en h3−2 = h2 . Il en est de même pour
le schéma numérique correspondant à Euler modifié (reposant sur l’utilisation de la
formule des rectangles, qui est aussi une méthode d’ordre 3, voir (5.22)). Le schéma
de Runge-Kutta évoqué ci-dessus conduit, on l’a vu, à une erreur en h5−1 = h4 .

5.3. Un modèle de système autonome : le modèle proie-prédateur

Les systèmes différentiels du type
dx
= F (x(t), y(t))
(5.38) dt
dy
= G(x(t), y(t))
dt
(on les appelle autonomes car F et G sont fonctions de x et y, mais non du temps
t) induisent des notions (pouvant sembler a priori différentes, bien que ce ne soit
pas en fait le cas) de trajectoire et de plan de phase. Le plan de phase est cette
fois la représentation dans le plan (plus précisément dans l’ouvert U de R2 où sont
définies et continues les deux fonctions F et G) des trajectoires, c’est-à dire ici des
courbes paramétrées (ce ne sont plus des graphes comme dans le cas N = 1)
t ∈ I 7→ (x(t), y(t))
solutions du système différentiel autonome (5.38). Le théorème de Cauchy-Lipschitz
impose que par chaque point (x0 , y0 ) de U ne passe qu’une et une seule trajectoire.
Une trajectoire ne saurait d’autre part admettre de point double. Cependant, cer-
taines trajectoires peuvent être fermées (être des lacets sans points doubles), on les
appelle des orbites. Les trajectoires réduites à un singleton sont dites stationnaires :
si le point initial est ce singleton, alors on n’en bouge pas !
Le modèle proie-prédateur 20 (ou de Lotka-Volterra 21) est aujourd’hui un modèle de
système autonome très classique en dynamique des populations et dans nombre de
questions relevant de questions appliquées. Il permet d’introduire le concept impor-
tant de stabilité, ce que nous nous contenterons de faire ici de manière heuristique.
Le modèle (continu) de ce système d’évolution est le suivant : a, b, c, d désignant
quatre paramètres réels strictement positifs, il s’agit du système différentiel
x0 (t) = x(t) (a − by(t))
(5.39)
y 0 (t) = y(t) (−c + dx(t)).
(ici U = R × R2 ). L’interprétation correspondant à ce modèle est la suivante : deux
types de population cohabitent. La première (dont l’évolution est matérialisée en
termes de proportion par x est l’effectif des proies) se développe exponentiellement
en exp(at) ; la seconde (effectif des prédateurs, matérialisée en termes de proportion
par y) s’éteint exponentiellement en exp(−ct) ; le facteur b s’interprète comme la
pression de prédation, le facteur d comme l’accessibilité des proies. Ces modèles se
retrouvent couramment en épidémiologie et, bien sûr, les questions de propagation

20. On se reportera à [Vial] pour une présentation plus détaillée (enrichie de l’aspect
numérique) dont je me suis ici beaucoup inspiré. On pourra aussi consulter avec profit le do-
cument ressources mis en ligne par le Ministère de l’Education Nationale à l’appui des nouveaux
programmes de Spécialité Mathématiques en Terminale S [TermS], pages 54 à 59.
21. Le mathématicien et statisticien autrichien Alfred James Lotka (1880-1949) et le
mathématicien et physicien italien Vito Volterra (1860-1940) l’introduisirent vers 1925, ouvrant
la voie à la dynamique des populations.
5.3. UN MODÈLE DE SYSTÈME AUTONOME : LE MODÈLE PROIE-PRÉDATEUR 103

de virus en sécurité informatique font qu’on les croise également en informatique

et sécurité réseaux. Les modèles plus réalistes sont les modèles perturbés où l’on
suppose que le taux de croissance x des proies diminue lorsque la population aug-
mente (du fait de contraintes environnementales ou de subsistance par exemple).
Le modèle du système d’évolution est alors
x0 (t) = x(t) (a − x(t) − by(t))
(5.40)
y 0 (t) = y(t) (−c + dx(t)),
où est un cinquième paramètre. L’attaque de ce type de problème se fait numé-
riquement par discrétisation. Nous utiliserons ici le schéma d’Euler explicite. Il faut
noter cependant que le système (5.39) présente deux points stationnaires (trajec-
toires réduites à un point), à savoir (0, 0) et (c/d, a/b), de nature différente :
– si l’on perturbe l’origine en initiant la trajectoire en un point voisin (x0 , y0 ),
on constate que la nouvelle trajectoire initiée en (x0 , y0 ) s’éloigne de l’origine
(on dit que l’origine est un point d’équilibre instable) ;
– au contraire, si l’on perturbe le point (c/d, a/b) en initiant la trajectoire
en un point voisin, la nouvelle trajectoire reste une orbite autour du point
(c/d, a/b) ; on dit que (c/d, a/b) est un point d’équilibre stable.
Les notions d’instabilité et de stabilité pour les équilibres sont fondamentales dans
les questions relevant de l’analyse qualitative des systèmes différentiels autonomes
(plus généralement des équations différentielles Y 0 (t) = F (t, Y (t)), autonomes ou
non). Au voisinage d’un point d’équilibre stable, l’étude d’un système autonome de
type (5.39) peut être approchée par celle du système linéaire autonome obtenu en
remplaçant les seconds membres (x, y) 7→ x(a − by) et (x, y) 7→ y(−c + dx) par leurs
polynômes de Taylor à l’ordre 1 (donc des fonctions affines) au voisinage du point
d’équilibre (0, 0) ou (c/d, a/b). Ceci résulte d’un théorème majeur dans l’étude des
systèmes dynamiques, le théorème de Lyapunov. C’est aussi par ce biais que l’on
peut constater qu’un point d’équilibre (tel (0, 0) pour le système (5.39)) est instable :
les valeurs propres de la matrice (2, 2) du système linéarisé sont ici deux nombres
réels non nuls de signe opposés, ce qui correspond à une configuration de point-selle
et donc à une situation d’équilibre instable (certaines trajectoires sont attirées,
d’autres sont repoussées). Sans chercher à linéariser le problème au voisinage d’un
des deux points d’équilibre, on pourra également envisager l’approche numérique
à la résolution des systèmes autonomes (5.39) ou (5.40) en utilisant les schémas
numériques décrits dans la Section 5.2 dans le cadre N = 1, mais qu’il est aisé de
transporter au cas N = 2 (par exemple Euler explicite).
Voici le synopsis de la méthode d’Euler explicite conduisant au tracé des trajec-
toires autour du point x = c/d, y = a/b correspondant au point d’équilibre stable
(c/d, a/b). On pose
u(t) = x(t) − c/d & v(t) = y(t) − a/b,
d’où le système autonome à étudier numériquement (déduit de (5.39) :
u0 (t) = −(bc/d) u(t) − b u(t)v(t) v 0 (t) = (ad/b) u(t) + d u(t)v(t).
function [U,V] = proiestable(uinit,vinit,pas,a,b,c,d,N);
% [U,V]=proiestable(uinit,vinit,pas,a,b,c,d,N);
U=uinit;
V=vinit;
104 5. SCHÉMAS NUMÉRIQUES SIMPLES POUR LA RÉSOLUTION DES EDO

u=uinit;
v=vinit;
for i=1:N;
u=u+pas*(-(b*c/d)*v -b*u*v);
v=v+pas*((a*d/b)*u +d*u*v);
U=[U,u];
V=[V,v];
end;
Voici maintenant le synopsis de la méthode d’Euler explicite conduisant au tracé des
trajectoires autour du point x = c/d, y = a/b correspondant au point d’équilibre
instable (0, 0) :
function [U,V] = proieinstable(uinit,vinit,pas,a,b,c,d,N);
% [U,V]=proieinstable(uinit,vinit,pas,a,b,c,d,N);
U=uinit;
V=vinit;
u=uinit;
v=vinit;
for i=1:N;
u=u+pas*(a*u -b*u*v);
v=v+pas*(-c*v +d*u*v);
U=[U,u];
V=[V,v];
end;
Ce synopsis correspond à la résolution du système approché :
uk+1 − uk
= uk (a − bvk )
h
(5.41) vk+1 − vk
= vk (−c + duk ),
h
k = 0, ..., N,
initiée en u0 =uinit et v0 =vinit. Pour ce même système, la méthode d’Euler
implicite conduirait à
uk − uk−1
= uk (a − bvk )
h
(5.42) vk − vk−1
= vk (−c + duk ),
h
k = 1, ..., N,
avec les mêmes conditions initiales u0 et v0 , l’expression de (uk , vk ) en termes
de (uk−1 , vk−1 ) à partir des relations (5.42) étant cette fois implicite et non plus
explicite. Que ce soit pour le modèle discret ou pour le modèle continu, on peut
dresser un tableau de variations pour prédire l’évolution du processus depuis une
position donnée. Le plan est ainsi partitionné en neuf regions dans lesquelles on
précise les sens de variation de x et y. Il y a attraction vers (0, 0) le long de l’axe
des y, répulsion le long de l’axe des x. Le calcul numérique (via Euler explicite) 22
fait apparaitre des cycles lorsque l’on initie le processus discret à (x0 , y0 ) avec x0 > 0

22. Avec les routines explicitées ci-dessus sous MATLAB. On suggère les valeurs numériques a = 3,
b = 1, c = 2, d = 1, le pas pas h étant pris égal à .05.
5.3. UN MODÈLE DE SYSTÈME AUTONOME : LE MODÈLE PROIE-PRÉDATEUR 105

et y0 > 0. Les cycles deviennent cependant des cycles épais si (x0 , y0 ) s’écarte
de plus en plus du point d’équilibre stable (c/d, a/b).
12

0
0 2 4 6 8 10 12

Figure 5.1. Quelques trajectoires obtenues avec Euler explicite

pour (5.39) (a = 3, c = 2, b = d = 1, pas= .05)

Ce que l’on observe ici numériquement peut, même au niveau L2, être justifié
théoriquement. Si t 7→ (x(t), y(t)) est solution de (5.39) et que x(t)y(t) reste non
nul, on a
x0 (t) y 0 (t)
(−c + dx(t)) = (a − by(t)).
x(t) y(t)
Ceci s’écrit encore
x0 (t) y 0 (t)
c +a = dx0 (t) + by 0 (t).
x(t) y(t)
En intégrant, on trouve
log |x(t)|c |y(t)|a = d x(t) + b y(t) + const.
On obtient ainsi une intégrale première du système différentiel (5.39). Si on fixe
x(t) = x 6= 0 et la constante const, il apparait qu’il existe un unique y ∈]0, a/b[ tel
que
log y a + c log x = dx + by + const =⇒ a log y − by = const + dx − c log x.
Cette remarque peut être utilisée comme point de départ pour montrer (en ex-
ploitant le tableau de variation) qu’une trajectoire initiée en un point (x0 , y0 ) avec
x0 > 0 et y0 > 0 est automatiquement un cycle.
Au voisinage du point (c/d, a/b) (xn = c/d + un , yn = a/b + vn , un , vn voisins de
(0, 0)), l’étude du système (5.39) linéarisé se ramène à celle de
bc
un+1 = un − τ vn
(5.43) d
ad
vn+1 = vn + τ un .
b
Ici, on se ramène à la résolution d’une équation aux différences à deux pas pour
trouver xn et yn explicitement. On retrouve ici l’algèbre linéaire et le calcul matriciel
(équation caractéristique). On fait une étude similaire au voisinage de l’autre point
d’équilibre (instable cette fois), (0, 0).
ANNEXE A

TP1 : prise en main des logiciels Maple et MATLAB

Cette première séance de TP a essentiellement pour objectif de vous familiariser

avec le logiciel de calcul symbolique Maple12. En fin de séance, vous aurez aussi
un premier contact avec le logiciel (de calcul scientifique cette fois) MATLAB, ce
qui vous permettra au moins juste d’appréhender la signification de l’acronyme :
MATrixLABoratory.
Exercice A.1. Pour commencer le travail :
(1) Connectez vous sur une des machines, via votre login et votre mot de
passe, exactement comme vous vous connecteriez à votre ENT (par exemple
pour aller sur le serveur Ulysse).
(2) Une fois que vous avez accès à votre répertoire, mettez vous dans Documents
et créez là un dossier N1MA3003. Placez vous ensuite dans ce nouveau dos-
sier pour y créer deux sous-dossiers TPMaple12 et TPMATLAB.
(3) Utilisez le navigateur web pour vous placer sur le site
[Link]
et téléchargez (dans le répertoire TPMaple12 que vous venez de créer)
le fichier [Link] ; n’essayez pas pour l’instant d’ouvrir ce
fichier (vous l’ouvrirez ultérieurement sous l’environnement Maple12).
(4) Toujours avec le navigateur web, placez vous sur le site
[Link]
et téléchargez tous les fichiers (.m) y figurant dans votre dossier TPMATLAB ;
n’essayez pas pour l’instant d’ouvrir ces fichiers (vous les ouvrirez ulté-
rieurement sous l’environnement MATLAB).
Exercice A.2 (préparation de l’environnement Maple12). En utilisant votre
fenêtre de terminal, lancez Maple12 en tapant la commande xmaple12. Une fois le
logiciel ouvert, deux opérations préliminaires sont à effectuer pour préparer votre
environnement une fois pour toutes.
– Vous allez être amenés à travailler sous Maple toujours en mode Worksheet,
donnant accès, contrairement au mode Document, à toute la puissance du
logiciel. Pour que Maple s’ouvre tout le temps dans votre environnement
sous ce mode Worksheet, suivez l’arbre :
T ools → Options → Interf ace → Def ault f ormat... → W orksheet
Cliquez sur Apply globally pour valider ces instructions.
– Il est de loin préférable (pour limiter les erreurs) de travailler en mode Text
[C-Maple Input] plutôt qu’en mode Math. Pour faire en sorte que ceci soit
automatique dès que vous ouvrez le logiciel, suivez l’arbre :
T ools → Options → Display → Input display → M aple notation
107
108 A. TP1 : PRISE EN MAIN DES LOGICIELS MAPLE ET MATLAB

Gardez 2-D Math notation en revanche pour l’affichage en sortie (Output

display). Validez encore par Apply globally.
Les instructions que vous allez effectuer après le prompt seront maintenant (comme
le prompt) en rouge. Vérifiez le. Ouvrez (en vous mettant sous l’onglet file) le
fichier [Link] que vous avez mis dans votre répertoire TPMaple12.
Ce fichier a été rédigé sous Maple10, mais vous devez pouvoir l’ouvrir en mode
Worksheet sous Maple12 (ce mode reprenant la syntaxe des versions antérieures).
Dans une des instructions (1) à (4), remplacer le [;] final par [:] . Que constatez
vous ? Ligne (2), remplacez 2 par un entier N que vous choisirez au hasard. Constat ?
Refaites l’opération sur la même ligne en remplaçant N par N.0. Comment expliquez
vous ce qui se passe ? Fermez le fichier [Link] sans enregistrer les
modifications que vous avez été amenés à faire dans cet exercice.
Exercice A.3 (le rôle de quelques commandes clef).
(1) Ouvrez sous Maple12 une feuille de travail vierge (onglet File → N ew).
Tapez les instructions suivantes et dégager le rôle des commandes ;, :,
%, := (comparez avec =), ?, restart (derrière #, on a fait figurer des com-
mentaires) :
> P:= 1*2*3*4*5 ;
> S:= 1+2+3+4+5 ;
> P+S ;
> S ;
> A := % ; b := %%% /15 ;
> (P+S)/15 ; #verifier que b=(P+S)/15
> c = 2+3 ;
> c; #Pourquoi n’obtient-t-on pas 5 comme resultat ici ?
> ?%
> p; P;
> restart ;
> p; P #Quel est le role de la commande restart?
(2) Tapez les commandes suivantes et expliquez ce ce qui se passe :
> u := < 1, 2, 3 > ;
> v := < 4 | 5 | 6 > ;
> whattype (u) ;
> whattype (v) ;
> A := << 1,0,-1> | < 2,3,0 > | < -1,5,3 >> ;
> whattype (A) ;
> A.u ; u.A; A.v; v.A;
Déclarez sous Maple la matrice
 
2 −4 −1 −3
A= 1 0 −5 7 
−6 −8 0 7
(3) Tapez l’instruction
> plot (sin(x)/x, x=-12..12);
et expliquez ce qui se passe.
A. TP1 : PRISE EN MAIN DES LOGICIELS MAPLE ET MATLAB 109

Exercice A.4 (le changement de base dans les systèmes de numération). Ou-
vrez une nouvelle feuille de travail vierge sous Maple. Apprenez à utiliser les onglets
T et [> pour donner un titre (en texte interte ) à votre feuille de travail (par
exemple : TP1-exo4). Utilisez (après avoir étudié dans le Help le sens de leur fonc-
tion) les routines
> Digits := m ;
> convert (N,binary) ;
> convert (evalf(r),binary) ;
> convert (f,binary) ;
lorsque N, r, f désignent respectivement un entier naturel, un rationnel strictement
positif, un nombre réel flottant strictement positif, pour calculer l’exposant et la
mantisse (voir le cours, section 1.2.3) des nombres suivants : N = 78679, r =
89765432/456843, f = π, lorsque le nombre Digits est fixé d’abord égal à 10,
puis à 20. Sauvez votre session (en lui donnant comme nom TP1-exo4) dans votre
répertoire TPMaple12. Ce sera un fichier .mw.
Exercice A.5 (la génération de fonctions). Ouvrez une nouvelle feuille de
travail vierge sous Maple. Donnez lui un titre (par exemple TP1-exo5). Une fonction
d’une variable réelle (par exemple g) se déclare sur le modèle par exemple de la
fonction x 7→ x2 :
> g := x -> x^2 ;
Vérifiez le avec cette fonction, puis déclarez les fonctions h : x 7→ sin x/(1 + x2 ),
h ◦ g et h ◦ h (exploiter pour cela les commandes @ et subs). Tracez les graphes de
ces fonctions sur [−1, 1], [−10, 10], puis sur R. Sauvez votre session (en lui donnant
comme nom TP1-exo5) dans votre répertoire TPMaple12.
Exercice A.6 (l’utilisation de la palette de gauche expressions ). Ouvrez
une nouvelle feuille de travail vierge sous MAPLE. Donnez lui un titre (par exemple
TP1-exo6).
(1) Calculez la limite en π/4 de la fonction cosinus, puis une approximation
du résultat (avec Digits:=10, puis Digits:=20).
(2) Calculez la limite en 0 de x 7→ (1 − cos x)/x2 .
(3) Tester ce que répond le logiciel lorsqu’on lui demande de calculer une
primitive (intégrale sans bornes précisées) pour
log x
, x 7→ e−x , x 7→ (x2 + 1) log x.
2
x 7→ arctan(x), x 7→
1+x
Dans quel cas (parmi ces quatre exemples) le résultat est-il réellement
concluant et exploitable du point de vue pratique ? Quel est dans ce cas
l’outil que le logiciel est parvenu à mettre en œuvre ?
(4) Calculez la somme des entiers de 1 à n et exploiter la commande factor
pour factoriser cette somme. Evaluer cette somme lorsque n = 1234 en
utilisant eval et subs.
(5) Calculez, pour n ∈ N,
Q
0<k pair ≤2n k
Π(n) = Q ,
0<k impair <2n k
110 A. TP1 : PRISE EN MAIN DES LOGICIELS MAPLE ET MATLAB

(faites une recherche avec l’aide pour comprendre ce qu’est la fonction

Gamma, √ Γ, que le logiciel introduit ici dans ses réponses) puis évaluez
Π(n)/ n pour n = 1000, n = 5000, n = 10000. Que semble-t-il se dessi-
ner ? En utilisant toujours la palette de gauche Expressions , calculez
√
lim Π(n)/ n.
n→+∞

Sauvez votre session (en lui donnant comme nom TP1-exo6) dans votre répertoire
TPMaple12.
Exercice A.7 (manipulation de nombres complexes, formule de Machin). Cet
exercice est la mise en pratique d’un exemple qui sera exploité en cours (section
1.4.1 du polycopié). Mais il s’agit ici que vous conduisiez vous même les calculs sous
Maple. Ouvrez une nouvelle feuille de travail vierge sous Maple. Donnez lui un titre
(par exemple TP1-exo7).
(1) Calculez (avec Maple) module et argument des nombres complexes 1 + i
et 2 + 3i.
(2) Vérifiez (toujours sous Maple) la formule de John Machin (mathématicien
anglais, 1680-1751) :
(5 + i)4 = 2(239 + i)(1 + i). (∗)
Peut-on se fier par contre à Maple pour valider la formule
arctan(1) = 4 arctan(1/5) − arctan (1/239) (∗∗)
ou faut-il raisonner mathématiquement à partir de la formule (*) validée,
elle, grâce au logiciel ? Faites le si nécessaire dans ce cas.
(3) On admet ici que la formule (**) se lit aussi :
X (−1)k
n
π
= arctan (1) = lim 4 (1/5)2k+1 − (1/239)2k+1 (∗ ∗ ∗)
4 n→+∞ 2k + 1
k=0
car Z x
dt
arctan(x) = 2
∀x ∈ R
0 1+t
(en particulier pour x = 1/5 et x = 1/239) et que
1 X n
= lim (−1) k 2k
t ∀ t ∈] − 1, 1[
1 + t2 n→+∞
k=0

(en particulier pour tout t ∈ [0, 1/5] ⊃ [0, 1/239]). On pose, pour tout
n ∈ N,
X (−1)k
n
un := 4 4 (1/5)2k+1 − (1/239)2k+1 .
2k + 1
k=0

Montrez que les deux suites (u2n )n≥1 et (u2n−1 )n≥1 sont adjacentes.
(4) Calculez, en utilisant la palette de gauche Expressions sous Maple, les
deux fractions u199 et u200 , puis leurs écritures avec Digits=500. Com-
bien de décimales exactes de π peut-on déduire des résultats affichés ?
Justifiez clairement votre réponse en vous appuyant sur un raisonnement
mathématique (reposant sur la formule (∗ ∗ ∗) partiellement admise).
A. TP1 : PRISE EN MAIN DES LOGICIELS MAPLE ET MATLAB 111

Sauvez votre session (en lui donnant comme nom TP1-exo7) dans votre répertoire
TPMaple12.
Exercice A.8 (familiarisation avec les routines solve et fsolve). Ouvrez
une nouvelle feuille de travail vierge sous Maple. Donnez lui un titre (par exemple
TP1-exo8).
(1) Résolvez les équations :
x2 + x + 1 = 0, x3 + x + 1 = 0, x2 + 3x + 1 > 0, sin x = 0.
Expliquez pourquoi dans les deux premiers cas, on obtient bien toutes
les racines complexes, alors que ce n’est manifestement pas le cas dans le
dernier cas.
(2) Résolvez les inéquations (cette fois dans R) :
x2 + 3x + 1 > 0, x3 + x + 1 > 0.
(3) Dites que répond le logiciel lorsqu’on lui demande de résoudre
x5 − 2x4 + 3x2 − 3/2 = 0, x ∈ C,
soit l’instruction :
> solve (x^5 - 2*x^4 + 3*x^2 - 3/2 =0,x) ;
Est-ce vraiment une surprise ? Dites ce qui se passe par contre avec la
commande :
> solve(x^5 - 2*x^4 + 3*x^2 - 1.5 = 0,x);
Expliquez pourquoi la réaction du logiciel est dans ce cas différente. Que
se passe t-il sur cet exemple si l’on remplace la routine solve par fsolve ?
Préciser ce qui se passe si l’on utilise la commande avec option :
> fsolve (x^5 - 2*x^4 +3*x^2 - 3/2 = 0,x,complex);
Sauvez votre session (en lui donnant comme nom TP1-exo8) dans votre répertoire
TPMaple12.
Exercice A.9 (un (tout) premier contact avec MATLAB). Fermez l’environne-
ment Maple et lancez MATLAB avec la commande matlab depuis la fenêtre de votre
Terminal. Une fois MATLAB ouvert, placez vous, en utilisant l’onglet dans le bandeau
supérieur, dans votre répertoire TPMATLAB.
(1) Ouvrez (en utilisant l’onglet file) le fichier test1.m et analysez-en la
syntaxe. Que devrait être le résultat final ?
(2) Lancez test1 derrière le prompt de MATLAB. Qu’observez vous ? Sachant
que le logiciel code les réels en double précision (binary64), peut-on
prédire à partir de quel seuil d’itérations N le résultat de test1 n’est
plus fiable ? Calculez pour cela log10 (252 ) ; qu’observez vous ?
(3) Ouvrez (toujours en utilisant l’onglet file) le fichier PGCD.m. Essayez
d’analyser comment l’algorithme présenté ici traduit la démarche mathé-
matique conduisant au calcul du PGCD (souvenez vous de l’algorithme
d’Euclide présenté en MISMI). Quel sous-programme est appelé dans cette
procédure ? Testez la commande PGCD en le lançant derrière le prompt :
>> d=PGCD (a,b);
112 A. TP1 : PRISE EN MAIN DES LOGICIELS MAPLE ET MATLAB

(avec des valeurs des entiers naturels a et b > 0 fixées). Testez aussi le
sous-programme que cette procédure appelle.
(4) Vérifiez que la matrice
 
2 −4 −1 −3
A= 1 0 −5 7 
−6 −8 0 7
se déclare sous MATLAB ainsi :
>> A = [ 2 - 4 - 1 -3 ; 1 0 - 5 7 ; -6 - 8 0 7] ;
>> A
Déclarez, si vous avez compris, une matrice B cette fois à 4 lignes et 3
colonnes (mettez des entrées réelles arbitraires). Que se passe -il lorsque
vous tentez les commandes :
>> C = A*B;
>> C = B*A;
>> BB = B’;
>> C = BB*A;
>> C = A*BB;
>> C = A.*BB;
>> C = BB.*A;
Dans chaque cas où vous n’avez pas reçu un message d’erreur, affichez BB
ou C en faisant
>> BB
>> C
(sans point virgule cette fois) et tentez d’analyser ce qui se passe. Les
bases de calcul matriciel acquises en S2 vous seront ici utiles.
Sauvez votre session (elle le sera automatiquement dans le répertoire TPMATLAB sous
lequel vous travaillez sous forme d’un fichier .mat) ainsi (vérifiez bien après que ce
fichier a été créé) :
>> save TPMATLAB-1
Exercice A.10 (préparation au TP suivant : Euclide étendu, boucles et récur-
sivité).
(1) Révisez dans votre cours de MISMI la démarche conduisant à la recherche
d’une solution de l’identité de Bézout : étant donnés deux entiers relatifs
a et b avec b 6= 0, trouver deux nombres entiers u et v tels que
au + bv = PGCD (|a|, |b|).
(2) Ouvrez sous MATLAB la routine bezout.m (en vous mettant dans le répertoire
TPMATLAB).
(3) Réfléchissez sur le synopsis de la procédure (ici récursive, on notera qu’elle
s’auto-appelle) écrite dans ce programme. Essayez de la relier à la démarche
mathématique vue en MISMI pour trouver une solution (u, v) à l’identité
de Bézout (et en même temps d’ailleurs le PGCD de |a| et |b|).
(4) Faites des tests pour valider cette routine sur des exemples.
ANNEXE B

TP2 : assignation/réassignation de variables,

boucles (Maple)

Cette seconde séance de TP a essentiellement pour objectif de vous familiariser

avec l’assignation, la réassignation (et a fortiori la libération) de variables sous le
logiciel de calcul symbolique Maple12. Ensuite, on s’entrainera à la construction de
codes (sous Maple12) impliquant les commmandes
> for i from d to f by p while [...] do
instruction1 ;
instruction2 ;
...
instructionN ;
end do:

> for s in S while [...] do

instruction1 ;
instruction2 ;
...
instructionN ;
end do:

> if [condition1] then

instruction1 ;
instruction2 ;
...
instructionN ;
elif [condition2] then
instruction1bis ;
instruction2bis ;
...
instructionNbis ;
else
instruction1ter;
instruction2ter ;
...
instructionNter ;
end if:
Ces commandes correspondent pour les deux premières à la réalisation de boucles
do, tandis que la dernière correspond à la mise en œuvre d’un processus de décision
(alternative ici à trois volets, le second volet suivant l’instruction elif pouvant
113
114 B. TP2 : ASSIGNATION/RÉASSIGNATION DE VARIABLES, BOUCLES (MAPLE)

ête éliminé). Dans les boucles do les éléments de syntaxe by ... et while [...]
peuvent, le cas échéant, être omis si leur présence n’est pas justifiée par l’algorithme.
On notera que l’instruction : au lieu de ; lors de l’instruction end évite les affichages
intermédiaires au fur et à mesure de l’exécution du code.
La réalisation de codes sous Maple12 sera toujours faite ici en se positionnant
derrière le prompt et en suivant sous les onglets du bandeau le chemin
Insert → Code Edit Region
L’exécution du code, une fois celui ci rédigé dans la fenêtre adéquate, se fait avec
le clic droit.

Exercice B.1 (réalisation d’un processus de décision). Ouvrez une feuille de

travail vierge et titrez la Boucles if. En utilisant les instructions commandant une
alternative :
if [...] then
instruction ;
else
instructionbis ;
end if ;
réalisez (puis validez) un code qui, étant données deux variables a et b auxquelles
on assigne des valeurs rationnelles (par exemple a:= 2/5; b:= 22/7;), renvoie le
message a est plus grand que b lorsque a ≥ b et le message b est strictement
plus grand que a sinon. L’affichage d’un message (par exemple le mot message)
sous Maple12 se fait via l’instruction
> "message" ;
Exercice B.2 (réalisation d’un processus de décision). Continuez avec la
feuille de travail précédemment ouverte. Comme dans l’exercice B.1, réalisez (puis
validez) un code qui, étant donnés trois nombres a, b, c auxquels on assigne soit des
valeurs rationnelles, soit des valeurs flottantes (faites un code dans les deux cas),
pourvu que l’on assigne à a une valeur non nulle, renvoie :
– dans le cas où les valeurs assignées aux variables a,b,c sont rationnelles,
l’expression algébrique des deux racines du trinôme aX 2 + bX + c dans C (ou
de l’unique racine double si b2 − 4ac = 0) ;
– dans le cas où les valeurs assignées aux variables a,b,c sont des réels flottants,
des valeurs approchées pour les deux racines (éventuellement complexes) du
trinôme aX 2 + bX + c dans C. Est-il raisonnable dans ce cas d’isoler le sous
cas où il y a une racine double (b2 − 4ac = 0) ?
Sauvez votre feuille de travail en l’enregistrant sous votre répertoire TPMaple12
comme TP2-boucleIF.
Exercice B.3 (réalisation de boucles do). Ouvrez une feuille de travail vierge
sous Maple12.
(1) Que se passe t-il lorsque l’on excécute le code
for i from 0 to 7 do
[i,i*i];
ifactor (i!);
‘-----‘;
B. TP2 : ASSIGNATION/RÉASSIGNATION DE VARIABLES, BOUCLES (MAPLE) 115

end do:

Comparez avec ce qui se passe lorsque l’on exécute le code :

for i from 0 to 7 do
[i,i*i];
ifactor (i!);
‘-----‘;
end do;

(2) Réalisez (sous Maple12) un code permettant de calculer la somme

X
N
k2
k=1

lorsque N désigne un entier auquel on assigne ensuite une valeur. Testez

ce code.
(3) Réalisez (toujours sous Maple12), en faisant intervenir dans la syntaxe
les instructions for ... to ... by ... do ... end do, un code per-
mettant de calculer la somme des entiers impairs compris entre 1 et un
entier naturel N ∈ N∗ auquel on assigne ensuite une valeur. Toujours sur
le même principe, N ∈ N∗ et p ∈ {1, ..., N } désignant deux entiers natu-
rels auxquels on assignera ensuite des valeurs, réalisez (et testez pour des
valeurs de N et de p) un code permettant de calculer la somme
X
k3 .
1≤p≤N
p divise k

(4) Réalisez (toujours sous Maple12) un code permettant de calculer le plus

petit entier N tel que la somme

X
N
k3
k=1

soit au moins égale à un seuil M ∈ N∗ auquel on assigne une valeur

donnée. Testez ce code avec M = 1020 en demandant au terme de l’exé-
cution l’affichage à la fois de cet entier N = N (M ) et de la valeur de la
PN (M ) 3
somme correspondante 1 k .
Sauvez votre feuille de travail en l’enregistrant sous votre répertoire TPMaple12
comme TP2-boucleDO.

Exercice B.4 (boucles do ... end do et if ... else ... end if enchainées
et conjecture de Syracuse). Cet exercice est centré sur une célèbre conjecture, dite
Conjecture de Syracuse, soulevée autour de 1930 par le mathématicien allemand
Lothar Collatz. Voir par exemple, pour une histoire de cette conjecture et l’ état
de l’art aujourd’hui, le site
[Link]
116 B. TP2 : ASSIGNATION/RÉASSIGNATION DE VARIABLES, BOUCLES (MAPLE)

Cette conjecture stipule que, pour tout entier N ∈ N∗ , la suite générée par récurrence
suivant
u(1) = N
(
u(k)
2 si u(k) est pair (soit type(u(k),even) = true)
u(k + 1) =
3u(k) + 1 si u(k) est impair (soit type(u(k),odd) = true)
∀k ≥ 1
finit par atteindre en un temps fini la valeur 1.
(1) Expliquez pourquoi, une fois cette valeur 1 atteinte pour k = k(N ), la
suite va nécessairement répéter indéfiniment le motif
1 4 2 1 4 2 1 4 2 1 4 2 1 4 2 1 ...
(2) Ouvrez une nouvelle feuille de travail, que vous intitulerez (en mode Texte)
Conjecture de Syracuse. En utilisant la syntaxe
u:= N :
for i from 1 to M while u > 1 do
if ... then
...
else
...
end if :
...
end do ;
réalisez un code affichant les valeurs prises par la suite (u(k))k≥1 (initiée
à la valeur N ) tant que k ≤ M et que u(k) reste différent de 1, ainsi que
la valeur du premier cran 1 ≤ k ≤ M (s’il existe) tel que u(k) = 1. Testez
ce code avec les valeurs de N = 127, N = 537, N = 1235 en prenant (ici
arbitrairement) M = 500 comme marge de sécurité . La conjecture
de Syracuse est-elle bien validée pour ces valeurs de N ? Que vaut dans
chacun de ces trois cas le cran k ≥ 1 tel que u(k) prenne la valeur 1 pour
la première fois ? Peut on affirmer ce cran est de plus en plus grand au fur
est à mesure que N augmente ?
(3) Modifiez le code que vous venez d’élaborer pour que soient affichées uni-
quement au terme de son exécution :
– le cran k (s’il existe entre 1 et M ) où u(k) prend la valeur 1 pour
la première fois ;
– la valeur maximale prise par l’entier u(k) avant d’atteindre cette
valeur 1.
Sauvez votre feuille de travail en l’enregistrant sous votre répertoire TPMaple12
comme TP2-Syracuse.
Exercice B.5 (Algorithmes d’Euclide et d’Euclide étendu). Ouvrez une nou-
velle feuille de travail sous Maple12.
(1) Apprenez à vous familiariser avec les commandes iquo et irem (fournis-
sant quotient et reste dans la division euclidienne de deux entiers) et quo
et rem (fournissant quotient et reste dans la division euclidienne de deux
polynômes à coefficients entiers ou rationnels).
B. TP2 : ASSIGNATION/RÉASSIGNATION DE VARIABLES, BOUCLES (MAPLE) 117

(2) Dans l’exercice 9 de la feuille 1 (question 3), vous avez observé la syntaxe
du code PGCD.m (et du code div.m que ce code appelle) fournissant le
calcul du PGCD de deux entiers sous MATLAB. On rappelle ces deux codes
ici, tels qu’ils sont donnés dans le polycopié de cours :

function [q,r] = div (x,y) ;

q = floor (x./y) ;
r = x- q*y ;

function PGCD=PGCD(a,b);
x=a ;
y=b ;
while y>0
[q,r] = div(x,y);
if r==0
PGCD = y;
y = 0 ;
else
[q1,r1] = div(y,r);
x = r;
PGCD = x ;
y=r1 ;
end
end
En vous inspirant de ces modèles, élaborez et testez :
– un code sous Maple12 (utilisant les instructions iquo et irem) per-
mettant, au terme de son exécution, de calculer le PGCD de deux
entiers naturels a et b, avec b > 0 ;
– un code sous Maple12 (utilisant les instructions quo et rem) permet-
tant, au terme de son exécution, de calculer le PGCD (dans Q[X])
de deux polynômes A et B à coefficients rationnels, avec B 6= 0.
(3) Dans l’exercice 10 du TP1, vous avez observé la syntaxe du code bezout.m
permettant de manière récursive (ce code s’auto-appelle) de calculer, étant
donnés deux entiers relatifs a et b avec b 6= 0, une solution (u, v) de
l’identité de Bézout :
PGCD(|a|, |b|) = au + bv. (∗)
On rappelle ici ce code, tel qu’il figure dans le polycopié de cours :
fonction [PGCD,u,v]=bezout(a,b);
x=a ;
y= abs(b) ;
[q,r]=div(x,y);
if r==0
PGCD = y;
u=0 ;
v=1;
118 B. TP2 : ASSIGNATION/RÉASSIGNATION DE VARIABLES, BOUCLES (MAPLE)

else
[d,u1,v1]=bezout(y,r);
PGCD=d;
u=v1;
v=sign(b)*(u1- q*v1);
end
En vous inspirant de ce modèle, élaborez et testez :
– un code sous Maple12 (utilisant cette fois les instructions iquo et
irem) permettant, au terme de son exécution, de calculer, étant
donné un couple d’entiers relatifs (a, b) avec b 6= 0), le PGCD de
|a| et |b| ainsi qu’un couple d’entiers (u, v) solution de l’identité de
Bézout (∗) ;
– un code sous Maple12 (utilisant les instructions quo et rem) permet-
tant, au terme de son exécution, de calculer le PGCD (dans Q[X])
de deux polynômes A et B à coefficients rationnels, avec B 6= 0,
ainsi qu’un couple de polynômes U et V de Q[X] tels que
A(X)U (X) + B(X)V (X) = PGCD(A, B)
(le PGCD étant ici considéré à un facteur multiplicatif λ ∈ Q∗
près).
Sauvez votre travail dans votre dossier TPMaple12 en l’enregistrant sous le nom
TP2-Euclide.
Exercice B.6 (familiarisation avec les commandes eval et subs). Soit l’ex-
pression algébrique en trois variables :
P (X, Y, Z) = 3XY + 5XY Z 2 − 2XY 3 Z.
(1) En utilisant la commande eval (on en examinera avec ?eval la syntaxe),
déclarez sous Maple12 la fonction de la variable t :
t 7−→ P (tα , tβ , tγ ),
où α, β, γ sont trois nombres rationnels strictement positifs auxquels des
valeurs seront ensuite assignées.
(2) Affichez le graphe de la fonction :
h i
t ∈ [0, 1] 7→ P (x, y, z) cos(xy) .
x=t1/5 ,y=t1/8 ,z=t1/4

(3) En utilisant la commande subs (on en examinera avec ?subs la syntaxe),

déclarez sous Maple12 la fonction des variables (u, v, w) :
(u, v, w) 7−→ P (u + v + v, uv + vw + wu, uvw).
ANNEXE C

TP3 : familiarisation avec MATLAB, travail sur les

tableaux

Le langage interprété MATLAB se fonde, on le verra, comme son nom l’indique

(MATrixLABoratory), sur le travail à partir de tableaux (matérialisés en termes
mathématiques par des matrices). L’objectif de cette troisième séance de TP est
de poursuivre la familiarisation avec ce logiciel au travers précisément de ce travail
sur les tableaux. On s’initiera aussi à la représentation visuelle avec les instructions
plot (représentation graphique des fonctions d’une variable réelle), mesh ou surf
(représentation graphique en 3D des fonctions de deux variables réelles), image,
imagesc, imshow (visualisation des tableaux sous forme d’images, la brilliance des
pixels traduisant la taille des entrées, ce de manière inversement proportionnelle :
blanc = grande entrée numérique, noir=petite entrée numérique). Vous serez aussi
amenés avec les commandes du graphisme telles colormap.
Une initiation à MATLAB (et Scilab) en pdf (malheureusement non interactive) est
disponible sur le lien
[Link]
Téléchargez la depuis ce lien et sauvez la copie dans votre répertoire TPMATLAB.
Vous imprimerez ultérieurement ce fichier pour le consulter à tête reposée.
Ouvrez pour l’instant MATLAB en tapant sous votre terminal la commande matlab :
vous devez disposer de quatre espaces (que vous pouvez visualiser ou non en utilisant
les onglets Desktop et Window sur le bandeau) :
– Command Window (l’espace pour vous le plus important) où vous allez taper
le plus souvent vos instructions (derrière de prompt >>) et voir s’afficher
les résultats au terme de leur exécution 1. Il est utile d’exploiter le fait que
la machine garde en mémoire les instructions déjà effectuées (ceci est bien
utile lorsque vous voulez taper une instruction similaire à une instruction
déjà effectuée : tapez les premières lettres et vous verrez apparaitre l’ancien
modèle que vous pourrez alors corriger).
– Command History : c’est ici que s’affice l’historique des commandes. C’est
une fenêtre que vous pouvez fermer pour ne pas encombrer votre écran de
console.
– Current Directory : vous voyez dans cet espace le contenu du répertoire dans
lequel vous vous êtes placé (qui devrait être toujours le répertoire TPMATLAB
crée lors du TP1). C’est en particulier dans ce répertoire que se trouveront

1. Attention : mettre ; derrière une instruction vous évite de voir l’affichage (c’est exactement
le contraire de ce qui se passe avec Maple12 !) ; ne rien mettre derrière vous fait au contraire courir
le risque de voir s’afficher un résultat, ce qui n’est en règle générale pas souhaitable, surtout lorsque
les variables en jeu sont de grands tableaux.

119
120 C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX

tous les fichiers .m correspondant à des script (par exemple commençant

par [.,., ...,.] = function (.,...,.)) que vous aurez à écrire ou à
utiliser, les fichiers .mat correspondant aux sessions ou aux variables que
vous sauverez éventuellement, ainsi que les fichiers de données numériques
(tableaux de nombres, images jpeg, etc.) préalablement téléchargés.
– Workspace : ici se trouvent recensées les variables actuellement affectées dans
votre présente session de travail.
Les commandes Unix restent valables sous l’environnement MATLAB ; reportez vous
au fascicule de TP 2011-2012 (F. Pazuki), page 12, pour un rappel de ces com-
mandes avec les touches Ctrl + [...].
Quelques tests préliminaires. Au contraire de Maple12 (qui est un logiciel in-
terprété de calcul symbolique ou formel), donc entrainé aux calculs sans pertes
lorsque les variables d’entrée sont des entiers, des rationnels, ou des polynômes à
coefficients entiers, rationnels, voire algébriques, MATLAB est un logiciel interprété
de calcul scientifique, où les calculs numériques impliquent en général des nombres
réels ou complexes déclarés en flottants (floating, soit -c’est le cas par défaut- en
double précision double, ou bien en simple précision single) et sont donc tribu-
taires des arrondis inévitables liés à l’erreur machine (en accord toutefois avec la
norme du standard IEEE754 (cf. les sections 1.2.3 et 1.2.4 du polycopié de cours).
Testez les commandes suivantes :
>> eps
>> realmax
>> realmin
A l’aide de help (exemple : tapez help eps), analysez le sens de ces variables
modifiables ; comment interpréter le résultat de la commande
>> eps(x)
lorsque x est un nombre flottant (faites le test avec eps(pi), avec eps(1), eps(1/2),
eps(10(20) + pi), eps(107 +pi)). Conclusion ? En quoi eps(x) peut il être considéré
comme un indicateur de la précision au niveau du flottant x ? Le logiciel n’affiche
par défaut que quatre chiffres représentatifs pour les nombres réels flottants (en
double précision) ; pour en voir 16 (comme cela est théoriquement possible, aux
arrondis près, cf. la valeur de eps(x)), il faut préalablement taper l’instruction :
>> format long
Testez ceci sur des exemples (par exemple sur les variables non effacables i, j,
sqrt(-1)). Attention : j est le i des physiciens, ce n’est pas ici le exp(2*i*pi/3)
des mathématiciens !

Exercice C.1 (Manipulation de tableaux numériques sous MATLAB). Les com-

mandes rand (M,N) et randn (M,N) génèrent des matrices à M lignes et N colonnes
dont les entrées sont des réalisations de variables aléatoires réelles (mutuellement
indépendantes) suivant respectivement :
– en ce qui concerne la fonction rand, la loi uniforme sur [0, 1] (chaque entrée est
un nombre flottant aléatoire entre 0 et 1, tous les choix étant équiprobables) ;
– en ce qui concerne la fonction randn, la loi normale (moyenne 0 et écart type
égal à 1) sur R.
(1) Générez de telles matrices suivant les instructions :
C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX 121

>> A = rand(10,8);
>> A
>> Adouble = [A A];
>> Adouble
>> B = randn(12,9);
>> B
>> Bdouble = [B;B];
>> Bdouble
>> AA = A(1:2:10,1:2:8);
>> AA
>> BB = B(1:3:8,2:2:9);
>> ONES = ones (7,5);
>> ONES
>> ZEROS = zeros (10,7);
>> ZEROS
>> EYE = eye (10,5);
>> EYE
>> AAA = flipud (A);
>> AAA
>> BBB = fliplr (B);
>> BBB
Analysez l’opération qu’exécute chacune de ces instructions. Qu’exécute
en particulier l’instruction Mat1=Mat(1:pas1:M,1:pas2:N) si Mat est un
tableau numérique à M lignes et N colonnes, pas1 et pas2 étant des entiers
respectivement entre 1 et M et 1 et N ?
(2) Construisez une matrice Apad à 16 lignes et 16 colonnes en bordant la
matrice A générée à la question (1) de manière symétrique (des deux côtés)
par des blocs de zéros 2. Faites ensuite la même chose avec cette fois des
blocs de 1.
(3) Créez une matrice à 19 lignes et 15 colonnes dont les lignes et les colonnes
sont celles de la matrice A générée à la question (1), mais séparées cette
fois entre elles par des lignes et des colonnes de zéros.
(4) Quelle est la méthode la plus judicieuse (au niveau du temps d’exécution)
pour déclarer sous MATLAB les matrices :
   
0 0 3 0 1 0 1 1 3 1 1 1
5 0 0 0 0 8  5 1 1 1 1 8 
   
 0 2 0 0 1 0  V = 
U =  1 2 1 1 1 0  ?
0 0 1 0 8 0  1 1 1 1 8 1 
1 0 0 0 0 5 1 1 1 1 1 5
Déclarez ces deux matrices de la manière que vous jugerez la plus efficace
possible (au niveau du temps d’exécution).
Sauvez votre session dans votre répertoire TPMATLAB (celui dans lequel vous êtes
précisément en train de travailler) avec l’instruction save TP3exo1. Vérifiez que

2. Pareille opération, fort utile dans la pratique, soit pour compléter une matrice rectangulaire
en une matrice carrée pour des calculs ultérieurs, soit pour s’accorder une marge de sécurité ,
telle un cadre , autour d’un tableau ou d’une image, s’appelle le zeropadding.
122 C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX

vous avez bien ainsi créé un fichier [Link] dans votre répertoire TPMATLAB.
Faites ensuite l’instruction clear all pour rendre à nouveau vierge tout votre
Workspace. Vérifiez que c’est bien le cas. Que se passe t’il si vous donnez les ins-
tructions :
>> load TP3exo1
>> who
Faites clear all à nouveau.
Exercice C.2 (décomposition de Haar d’une image). Voici encore un exercice
prétexte à la manipulation de tableaux sous MATLAB. Vous y verrez aussi l’étroite
relation entre tableaux de nombres (donc matrices) et images. Téléchargez depuis le
site [Link] le fichier (de
données) imageTP3exo2. Une fois ceci fait, chargez ce fichier dans votre Works-
pace en tapant sous la Command Window les instructions :
>> load imageTP3exo2
>> I=imageTP3exo2;
Grâce à la commande size, vérifiez que la variable ainsi déclarée I est un tableau à
256 lignes et 256 colonnes 3. Testez les valeurs de quelques entrées I(i,j) pour voir
qu’il s’agit en fait d’une matrice dont les entrées sont des nombres entiers positifs
(mais considérés ici comme des nombres flottants en double précision, comme la
réponse 1 à l’instruction isfloat(I) vous le prouvera, vérifiez le).
(1) Visualisez la matrice I de deux manières :
– en utilisant la visualisation en 3D suivant mesh(I) ;
– en utilisant la visualisation en 2D suivant image(I), imagesc(I)
(voire aussi imshow(I,[]) si vous êtes au CREMI, cf. plus loin).
Quelle est, pour ce type de matrice I, de ces deux visualisations, celle qui
est la plus adaptée ? Quel est l’effet de la commande
>> II = imrotate(I,angle);
(où angle désigne la valeur en flottant d’un angle entre 0 et 360 degrés
exprimé en flottant) ? 4. On utilisera l’une des routines du type image
mentionnées plus haut pour visualiser l’image II ainsi qu’une instruction
convenable (faire help axis) pour que l’affichage respecte la taille (ici
carrée) de l’image. Quelle est la difficulté liée à la réalisation mathématique
d’une telle transformation de matrice (pensez au passage entre le repérage
cartésien dans une grille de pixels et le repérage polaire) ? Que se passe
t-il en particulier lorsqu’un pixel (i, j) tourne d’un certain angle ? Tombe
t’on encore sur un pixel de la grille cartésienne ?
(2) Ouvrez un fichier .m vierge en utilisant l’onglet File du bandeau. Vous allez
essayer dans ce fichier de rédiger un code, dont la première instruction
(déclaration des entrées et sorties de la fonction) sera
function [RR,DH,DV,DO] = Haar (ipt)

3. Notez que 256 est une puissance de 2, ce qui n’est, on le verra plus tard, nullement un
hasard en ce qui concerne les formats d’images jpeg.
4. Cette instruction imrotate bien utile n’est malheureusement pas présente dans la bi-
bliothèque de Scilab.
C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX 123

qui est censé calculer, étant donnée une matrice de flottants ipt de taille
(2N , 2N ), les quatre matrices, de taille (2N −1 , 2N −1 ), dont les entrées sont
respectivement les nombres
ipt(2i − 1, 2j − 1) + ipt(2i − 1, 2j) + ipt(2i, 2j − 1) + ipt(2i, 2j)
RR(i, j) =
2
ipt(2i − 1, 2j − 1) + ipt(2i − 1, 2j) − ipt(2i, 2j − 1) − ipt(2i, 2j)
DH(i, j) =
2
ipt(2i − 1, 2j − 1) − ipt(2i − 1, 2j) + ipt(2i, 2j − 1) − ipt(2i, 2j)
DV(i, j) =
2
ipt(2i − 1, 2j − 1) − ipt(2i − 1, 2j) − ipt(2i, 2j − 1) + ipt(2i, 2j)
DO(i, j) =
2
Testez votre code en l’exécutant avec comme matrice ipt la matrice I :
>> [RR, DH, DV, DO] = Haar(I);
Affichez avec image (ou mieux imagesc) les quatre matrices RR, DH, DV,
DO. Pour le rendu des couleurs et du graphisme, vous pouvez jouer avec la
commande colormap (exemples les instructions colormap hot,colormap
jet, colormap pink, colormap jet, etc., faire help colormap pour dé-
cider). Pour un meilleur rendu graphique, vous pouvez aussi faire appel à
l’instruction
>> imshow(MATRICE,[ ])
Cette commande est dans la bibliothèque du Toolbox Image Processing
(disponible sous MATLAB au CREMI). Justifiez la terminologie : RR =
Résumé, DH = Détails Horizontaux, DV = Détails Verticaux, DO = Détails
Obliques. Recommencez le traitement de la matrice I cette fois sur la ma-
trice RR. Qu’observez vous sur les quatre images de taille (64, 64) ainsi
obtenues ? Poursuivez si vous voulez pour obtenir quatre images de taille
(32,32) en décomposant le nouveau résumé. La décomposition que vous
êtes en train d’effectuer ici s’appelle décomposition de Haar : elle permet
d’ isoler les structures cohérentes des détails (ou accidents )
d’une image digitalisée. Sauvez votre fichier .m sous le nom Haar si vous
ne l’avez pas encore fait et fermez le.
(3) Ouvrez un nouveau fichier vierge .m depuis l’onglet File du bandeau.
Rédigez dans ce fichier un code (correspondant encore à une fonction)
dont la première instruction sera
function II = HaarInverseAux (I1,I2,I3,I4)
qui, étant donnée quatre matrices I1,I2,I3,I4 de taille (2N −1 , 2N −1 ),
fabrique une matrice II de taille (2N , 2N ) telle que
II(2i − 1, 2j − 1) = I1(i, j), II(2i − 1, 2j) = I2(i, j)
II(2i, 2j − 1) = I3(i, j), II(2i, 2j) = I4(i, j)
pour toute paire d’entiers (i, j) entre 1 et 2N −1 . Sauvez ce nouveau fichier
.m sous le nom HaarInverseAux. Vous pourrez être amenés à utiliser ce
code comme code auxiliaire par la suite.
(4) Ouvrez un nouveau fichier .m où vous réaliserez un code (toujours une
fonction) dont la première instruction sera cette fois
124 C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX

function I=HaarInverse (RR,DH,DV,DO)

qui, étant données quatre matrices RR, DH, DV, DO, toutes de même taille
(2N −1 , 2N −1 ), reconstitue une matrice I de taille (2N , 2N ) de manière à
ce que ce code exécute l’opération inverse de celle exécutée par la fonction
Haar. Validez votre résultat en utilisant la matrice I de la question 1.
Sauvez votre fichier .m comme HaarInverse.
Exercice C.3 (Réalisation d’une fonction in line). Une fonction g d’une
variable (réelle ou complexe) peut être déclarée sous MATLAB par la commande
g = inline(’x^2-1’,’x’);
(1) Déclarez sur ce modèle la fonction
sin(πx)
x ∈ R 7→ ,
πx
dite aussi sinus cardinal. Représentez ensuite le graphe de cette fonction
sur [−10, 10], le pas d’échantillonnage étant choisi pour les abscisses égal
à 1/100. Utilisez pour cela la commande plot. Quel est l’effet de l’ins-
truction plot(x,y,’r’) par rapport à l’instruction plot(x,y,’k’), ou à
la simple instruction plot(x,y) ? Déclarez la nouvelle fonction
sin(πx)
x ∈ R 7→ √ .
π( x2 + 1)
En utilisant hold (faire help hold), affichez le graphe de cette seconde
fonction (toujours au dessus de [−10, 10] avec le même pas) sur la même
figure que précédemment, mais avec une autre couleur que le graphe
précédent.
(2) On considère maintenant les deux fonctions, cette fois de deux variables,
F : (r, θ) 7−→ r5 cos(5θ) + r3 (cos(3θ))/2 + 1
G : (r, θ) 7−→ r5 sin(5θ) + r3 (sin(3θ))/2
(on notera qu’il s’agit de la partie réelle et de la partie imaginaire de
la fonction polynomiale z 7→ z 5 + z 3 /2 + 1, exprimées toutes deux en
coordonnées polaires). Ouvrez un fichier .m (que vous dénommerez, en
le sauvant, TP3exo3) et dans lequel, sur les deux premières lignes, vous
déclarerez ces deux fonctions F et G, fonctions des variables r et theta,
sur le modèle suivant lequel vous avez déclaré x 7→ sin(x)/x à la première
question. Sur les lignes qui suivent, rédigez les instructions
√ qui conduisent :
– à l’évaluation des fonctions F , G et F 2 + G2 sur le maillage
r=0:2/100:2, theta=0:pi/100:pi de [0, 2]×[0, π] (de pas 2/100 en
abscisse et π/100 en ordonnée). Attention ! pensez à déclarer l’une
des deux variables r ou theta (à vous de décider laquelle) en ligne
et l’autre en colonne, car il faut que F(r,theta) soit une matrice
carrée de taille ici (101, 101), et non un scalaire !
– à l’affichage en trois dimensions (suivant la commande mesh), dans
cet ordre, sur
√ trois figures successives, des graphes des trois fonc-
tions F, G, F 2 + G2 au dessus de la grille carrée définie plus haut ;
– avec l’instruction finale axis([0 pi 0 2 0 1]) (faire help axis
pour en comprendre la syntaxe), à un√zoom sur la dernière figure
obtenue, à savoir celle du graphe de F 2 + G2 , permettant ainsi
C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX 125

de localiser (au moins grossièrement) les trois zéros du polynôme

P (X) = X 5 + X 3 /2 + 1 situés dans le demi plan Im z ≥ 0 du plan
complexe.
En utilisant l’onglet Desktop dans le bandeau du fichier TP3exo3 que vous
venez de remplir, lancez l’exécution des instructions rédigées dans ce code.
Localisez les valeurs approchées des modules et des arguments des trois
racines de P (X) de partie imaginaire positive ou nulle. Que peut-on dire
des deux racines manquantes (dans tout le plan complexe cette fois) ?
Nettoyez votre Workspace avec clear all (après avoir vérifié que votre fichier
TP3exo3 a bien été sauvé comme un fichier .m dans votre répertoire TPMATLAB).
Exercice C.4 (Maillages et évaluation de fonctions sur un maillage). Faites
help meshgrid et analysez l’exemple qui est proposé sous ce help pour l’évaluation
de la fonction
(x, y) 7→ x exp(−x2 − y 2 )
au dessus d’un maillage de [−2, 2]2 avec un pas de .2 suivant les deux axes de
coordonnées.
(1) Sur le même modèle que dans l’exemple ainsi défini, construire 3 variables
X,Y,Z de manière à ce que la commande
>> surf (X,Y,Z)
corresponde à l’affichage en 3D du graphe de la fonction
(x, y) 7→ sinc(x2 + y 2 )
(où sinc représente le sinus cardinal, voir la question 1 de l’exercice 3)
au dessus du maillage régulier de [−2, 2]2 de pas .1 (suivant les deux
axes). Quelle est la taille des trois variables X,Y,Z ? Réalisez cette même
représentation graphique avec cette fois l’instruction mesh au lieu de surf.
(2) Ouvrez un nouveau fichier .m que vous sauverez dans votre répertoire de
travail TPMATLAB comme MaillagePolaire. Rédigez sur ce fichier le code
d’une fonction
function Z=MaillagePolaire(r1,r2,K)
qui retourne, étant donnés deux nombres flottants positifs 0<r1<r2 et un
entier K>0, la matrice Z de taille (K+1,K+1) dont l’entrée (i, j) correspond
au nombre complexe de module et argument respectivement :
i−1 j−1
r(i, j) = r1 + (r2-r1), θ(i, j) = −π + 2π
K K
(vous utiliserez ici encore l’instruction meshgrid sur le modèle de ce que
vous avez fait à la question 1).
Après vous être assuré que votre fichier MaillagePolaire.m avait bien été sauvé,
faites l’instruction clear all pour libérer votre Workspace.

Exercice C.5 (méthode de Newton dans le champ complexe).

(1) Ouvrez le fichier Newton.m et sauvez le (toujours comme fichier .m) sous le
nom Newton1. Modifiez ce fichier de manière à ce que la boucle DO s’arrête
automatiquement dès que abs(x(k+1)-x(k)) <= eps ou que le nombre
d’itérations dépasse strictement un seuil N fixé, et que la fonction
126 C. TP3 : FAMILIARISATION AVEC MATLAB, TRAVAIL SUR LES TABLEAUX

function [x,err,Nb] = Newton1(init,N)

ainsi construite valide (lorsque Nb <N et err=0) la valeur approchée x de
l’unique zéro réel de X 5 + X 3 /2 + 1 obtenue, l’erreur finalement commise 5
err=abs(x(Nb+1)-x(Nb)) au terme de l’exécution du code, ainsi que le
nombre d’itérations Nb (nécessairement inférieur ou égal à N) effectuées
réellement lors de l’exécution de la boucle pour parvenir (si toutefois l’al-
gorithme y parvient dans les limites du nombre maximal N d’itérations
imparti) au premier cran tel que abs(x(Nb+1)-x(Nb))<eps. Testez votre
nouveau code avec init=-1 et le seuil garde fou N=20. Quelle valeur de
Nb trouvez vous ?
(2) Testez votre nouvelle fonction Newton1 en prenant cette fois init=1+i
(i=sqrt(-1)) evec N=100, puis init=-1+i avec N=100. Qu’observez vous ?
Déduisez en les valeurs approchées des cinq racines (complexes) du po-
lynôme X 5 + X 3 /2 + 1.
(3) Modifiez si nécessaire votre fonction Newton1 pour qu’elle puisse admettre
comme variable d’entrée une variable init qui soit cette fois une ma-
trice de nombres complexes et non plus un nombre complexe. Vérifiez
(mathématiquement) que les cinq racines du polynôme X 5 + X 3 /2 + 1
sont dans la couronne du plan complexe {0.8 ≤ |z| ≤ 2} et que le po-
lynôme dérivé 5X 4 + 3X 2 /2 ne s’annule pas dans cette couronne. Lancez
>> [Z,err,Nb] = Newton1(MaillagePolaire(.8,2,100),100);
(la fonction MaillagePolaire a été construite à l’exercice 4). Retrou-
vez à partir de l’affichage (avec imagesc(X), imshow(X,[]) ou mesh(X),
appliqué à une matrice X qui sera abs(Z) ou angle(Z)) la position (en
polaire) des cinq racines complexes du polynôme X 5 + X 3 /2 + 1 (cf. la
question 2 de l’exercice 3).
Exercice C.6 (À propos de trigonalisation des matrices (en relation avec le
cours d’algèbre)). Toute matrice à coefficients complexes se trigonalise sur C (c’est
le théorème de Cayley-Hamilton). On suppose dans cet exercice que l’on dispose
d’une procédure MATLAB du type
>> [v,V] = ValeurVecteurPropre (M);
qui, étant donnée une matrice carrée M, fournisse (de manière approchée) une valeur
propre de M en même temps qu’un vecteur propre associé. Écrivez une procédure
récursive (impliquant la routine ValeurVecteurPropre comme subroutine) qui,
implémentée sous la forme
>> [P,T] = trigonalisation (M);
fournisse :
(1) en colonne dans la matrice P les vecteurs d’une base B dans laquelle l’en-
domorphisme de matrice M (dans la base canonique) se représente par une
matrice triangulaire supérieure dans la base B ;
(2) la matrice triangulaire supérieure T représentant l’endomorphisme (de ma-
trice M dans la base canonique) dans la base B.

5. Ce devrait en principe être 0 pour la machine lorsque Nb<N ; si ce n’est pas le cas, ceci
signifie que l’algorithme n’a pu aboutir au terme du nombre garde-fou N d’itérations imparti a
priori.
ANNEXE D

TP4 : procédures sous Maple, représentation

graphique

Cette séance de TP poursuit la familiarisation avec Maple12. Le chapitre 2 du

cours (méthodes approchées pour le calcul des zéros d’équations non linéaires) four-
nira le support théorique à ce TP. Ouvrez Maple12 pour commencer. L’initiation
à la rédaction de procédures, en particulier de procédures récursives, constituera la
trame de cette séance. Le tracé de courbes fractales (flocon de Von Koch, courbe
de Lévy) mettra en œuvre les techniques acquises ici.
Avant de commencer, voici quelles sont les principales structures de données sous
Maple12. Contrairement à l’environnement MATLAB, nous disposons ici d’un champ
de structures de données plus vaste que celui des structures à base de tableaux,
ceci s’avérant nécessaire en vue de l’objectif assigné au logiciel, à savoir le calcul
symbolique.
– Les suites (finies bien sûr) se déclarent ainsi sous Maple12 :
> S := 5,6,7,n,8,n,9,n+1;
On accède au terme d’indice k dans la suite (k=1,...,N si celle ci est de
longueur N) avec l’instruction
> S[k];
(faites par exemple le test avec la suite déclarée ci-dessus, puis refaites le
une fois spécifiée une valeur de la variable non déclarée n). La suite vide se
déclare comme S:= Null;.
– Les listes (ordonnées) sont assimilables aux tableaux à une ligne (et N co-
lonnes) tels qu’ils sont déclarés sous MATLAB (excepté le fait que l’on doive
ici séparer les entrées successives par des virgules) :
> L := [5,6,7,n,8,n,9,n+1];
> L[k];
(faites encore le test). La liste vide se déclare comme L:=[ ];.
– Les ensembles correspondent à des listes, mais cette fois non ordonnées. Un
ensemble (fini) E se déclare via :
> E := {5,6,7,n,8,n,9,n+1};
L’ensemble vide emptyset se déclare comme emptyset :={ };.
Familiarisez vous avec l’instruction op qui renvoie les opérandes d’une expression
e (lorsque l’on précise leur position), ou le nombre d’opérantes (nops), voire l’ex-
pression e simplifiée (op(e)), par exemple :
> op(0,5,6,7,n,8,n,9,n+1);
> op(0,[5,6,7,n,8,n,9,n+1]);
> op(0,{5,6,7,n,8,n,9,n+1});
> op(4,5,6,7,n,8,n,9,n+1);
> op(7,[5,6,7,n,8,n,9,n+1]);
127
128 D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE

> op(8,{5,6,7,n,8,n,9,n+1});
> op(9,{5,6,7,[n,8,n,9,n+1]});
> op(3..4,{5,6,7,[n,8,n,9,n+1]});
> op(4..6,{5,6,7,n,8,n,9,n+1});
> op(4..6,{5,6,7,[n,8,n,9,n+1]});
> op([5,6,7,n,{8,n,9,n+1}]);
> nops([5,6,7,n,{8,n,9,n+1}]);
Pour appliquer une fonction (disons g, préalablement déclarée) à une suite, une
liste, ou un ensemble (et donc calculer la suite, la liste ou l’ensemble constituées
des images par g des éléments de la suite, de la liste ou bien de l’ensemble initial),
on utilise l’instruction map. Exemple :
> g:= x-> x^3 - sin(x);
> map(g,S);
> map(g,L);
> map(g,E);
Recommencez après avoir assigné une valeur numérique à n. Entrainez vous.
Dans ce TP, vous allez apprendre à rédiger des programmes autonomes. Sup-
posons que l’on souhaite rédiger une procedure sous Maple12, c’est-à-dire créer
une fonction Maple qui, étant donnée un certain nombres d’arguments (ou encore
données en input, par exemple argument1,argument2,...,argumentk), ren-

voie, une fois la procédure lancée, une sortie (NomProcedure) correspondant au

dernier résultat fourni par l’exécution du code sous les données initiales que sont
argument1,...,argumentk. Le schéma de la rédaction d’une telle procédure dans une
zone de code est donc le suivant :
NomProcedure := proc(argument1,...,argumentk)
instruction1;
instruction2;
...
instructionk;
end proc;

Exercice D.1 (Génération de suites récurrentes à un ou plusieurs pas). Le but

de cet exercice est de réaliser des procédures récursives (un seul argument entier
noté n, plus éventuellement des arguments supplémentaires figurant des valeurs de
paramètres dont dépend la suite à générer) permettant de générer une suite régie par
une récurrence à un ou plusieurs pas. Le terme récursive signifie que la procédure
s’auto-appelle lors de son exécution. Pour éviter que l’exécution du code ne boucle
indéfiniment, il faut bien sûr être soigneux de déclarer les cas initiaux !
(1) Vérifiez que la procédure suivante permet de générer une suite arithmétique
de raison 4 et de premier terme 3 :
fonction:=proc(n)
if n=0 then
3;
else
fonction(n-1) + 4;
end if;
end proc;
D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE 129

Pourquoi est-il essentiel de faire figurer la boucle if n=0 then else ...
end if; dans le synopsis ? Déduisez de cela la construction d’une procé-
dure récursive
fonction1TP4 := proc(raison,init,n)
qui, étant données les trois arguments raison, init, n, génère la suite
arithmétique de premier terme init et de raison raison.
(2) Sur le modèle établi à la question 1, rédigez une procédure récursive
FibonacciRec:=proc(n)
permettant de calculer le n-ième nombre de Fibonacci. On rappelle que la
suite des nombres de Fibonacci est la suite (Fn )n≥0 telle que F0 = F1 = 1
et
Fn = Fn−2 + Fn−1 ∀ n ≥ 2.
Adaptez ce code pour l’insérer dans une procédure récursive
fonction2TP4 :=proc(a,b,init0,init1,n)
qui, étant donnés les cinq arguments a,b,init1,init2,n, génère la suite
(un )n≥0 initiée à u0 = init0 et u1 = init1 et régie ensuite par la
récurrence linéaire à deux pas :
un = a un−1 + b un−2 ∀ n ≥ 2.
(3) En utilisant la commande time (combinée avec la commande seq per-
mettant de générer des suites ou des listes), générez la liste L des temps
de calcul CPU pris par l’exécution de FibonacciRec (i), i=20..35. En
utilisant listplot (sous with (plots);), affichez (en fonction de l’indice
i) la liste obtenue en transformant L par l’application log. Que constatez
vous ?
(4) Pour chaque entier n supérieur ou égal à 2, soit cn le nombre d’appels
au programme FibonacciRec impliqués dans FibonacciRec(n). Montrez
que la suite (cn )n≥2 vérifie la relation cn = cn−1 + cn−2 + 1, puis déduisez
en que cn = 2Fn − 1. Lorsque n tend vers +∞, prouvez en utilisant cette
fois la relation matricielle

Fn 1 1 Fn−1
=
Fn−1 1 0 Fn−2
√
et votre cours d’Algèbre 3 que Fn ∼ ((1 + 5)/2)n . Comparez la√pente
visible sur le graphe obtenu précédemment avec le nombre d’or (1+ 5)/2.
Pouviez vous prévoir le résultat observé ainsi ?
(5) Modifiez la syntaxe de la procédure FibonacciRec en utilisant l’instruc-
tion additionnelle option remember, sous la forme
FibonacciRec := proc(n) option remember;
Testez là maintenant avec des valeurs de n supérieures à 35. Que constatez
vous ? Modifiez la procédure obtenue en une procédure FibonacciRecbis
de manière à ce que se trouvent affichées en sortie toutes les valeurs in-
termédiaires F0 , ..., Fn (au lieu de simplement la valeur finale Fn ). Testez
là pour n = 30 et comparez avec les temps de calculs impliqés dans l’uti-
lisation de FibonacciRec aux questions 3 et 4.
130 D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE

Sauvez votre feuille de travail comme TP4exo1 dans votre répertoire TPMaple12
puis fermer cette feuille de travail.

Exercice D.2 (approximation de zéros par des méthodes itératives). Ouvrez

une nouvelle feuille de travail.
(1) Sur le modèle de ce qui a été fait à l’exercice 1, construisez une procédure
récursive 1
fonction3exactTP4 := proc(a,b,c,init0,init1,n)
qui, étant donnés 6 arguments a,b,c,init0,init1,n (cinq rationnels, un
entier naturel)
– soit calcule exactement, lorsque cela est possible (c’est-à-dire si
l’exécution du code ne fait jamais apparaitre de division par 0), le
terme d’ordre n dans la suite initiée avec u0 = init0, u1 = init1,
et régie par la relation inductive :
b c
un = a + + ; (†)
un−1 un−1 un−2
– soit retourne le message d’erreur
Error, division by zero
dès que surgit dans l’exécution du code une division par 0. Tes-
tez cette procédure en déclarant les arguments a:=108, b:=-815,
c:=1500, init0:=11/3, init1:=43/11, n:=30.
Modifiez la en une procédure fonction3exactTP4bis qui affiche en sortie
toutes les valeurs uk intermédiaires.
(2) Modifiez la procédure fonction3exactTP4 pour construire une procédure
fonction3approcheeTP4 qui cette fois, toujours avec les mêmes argu-
ments, calcule (toujours de manière récursive) de manière approchée les un
de proche en proche. Modifiez la en une procédure fonction3exactTP4bis
qui affiche en sortie toutes les valeurs uk intermédiaires. Testez ces procé-
dures fonction3approcheeTP4 et fonction3approcheeTP4bis avec les
mêmes arguments déclarés qu’à la question 1 et comparez avec ce que
donnent les procédures fonction3exactTP4 et fonction3exactTP4bis
réalisées à la question 2. Que constatez vous de manière évidente ?
(3) En utilisant l’instruction solve, trouvez avec Maple12 les trois racines
(exactes) du polynôme X 3 − 108X 2 + 815X − 1500.
(4) On fixe maintenant, comme dans les questions 1 et 2, a:=108, b:=-815,
c:=1500, init0:=11/3, init1:=43/11. On pose a0 = 1 et, pour tout
n ∈ N, an+1 = u0 · · · un . En utilisant la relation inductive (†), vérifiez
(mathématiquement) que la suite (an )n≥0 obéit à la relation récurrente (à
trois pas) :
an+3 − 108 an+2 + 815 an+1 − 1500 an = 0 ∀ n ∈ N. (††)
Vérifiez que les suites (3n )n≥0 , (5n )n≥0 et (100n )n≥0 vérifient aussi la
relation récurrente (††). Chargez le package LinearAlgebra et consultez

1. Pensez à y intégrer l’instruction option remember comme à la question 5 de l’exercice 1.

D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE 131

l’aide de LinearSolve pour trouver trois nombres rationnels α, β, γ de

manière à ce que :
a0 = α+β+γ
a1 = 3 α + 5 β + 100 γ
a2 = 9 α + 25 β + 10000 γ.
Déduisez en
2 n 1 n
∀ n ∈ N, an = 3 + 5 .
3 3
Définissez (sous Maple12) une fonction f qui à n associe an . Comment s’ex-
prime la fonction n 7→ un en fonction de f ? Déclarez cette nouvelle fonc-
tion n 7→ un sous Maple12. En utilisant l’instruction simplify, vérifiez
avec Maple12 que la suite (un )n≥0 est bien une suite croissante, majorée
par 5. Ceci vous permet-il de justifier ce que vous aviez observé à la ques-
tion 1 concernant le comportement asymptotique de la suite (un )n≥0 ?
Sauvez votre travail comme le fichier TP4exo2 dans votre répertoire TPMaple12,
puis fermez cette feuille de travail.

Exercice D.3 (extraction d’une racine carrée par l’algorithme de Baby-

lone ). L’algorithme dit de Babylone constitue depuis l’Antiquité l’illustration
la plus célèbre de la méthode de Newton. Cet exercice est centré autour de cette
méthode classique. Ouvrez une nouvelle feuille de travail.
√
(1) Montrez que la suite itérative conduisant à l’approximation de 2 par la
méthode de Newton est régie par la relation inductive :
xn−1 1
xn = + ∀ n ∈ N∗ .
2 xn−1
Vérifiez que si cette suite (xn )n≥0 est initiée à x0 = 7/5, c’est une suite
de rationnels et que l’on a
√ √
|xn+1 − 2| ≤ | 2 − xn |2 ∀ n ∈ N. (∗)
Quel terme de cette suite (xn )n≥0 convient-il alors de calculer pour déterminer
√
2 avec 1000 décimales exactes ?
(2) Rédigez deux procédures pour générer la suite de Babylone (xn )n≥0 (générée
avec x0 = init et régie par la relation inductive (∗) :
– l’une récursive procNewtonRec:=proc(init,n)
– l’autre directe procNewton:=proc(init,n)
retournant toutes deux le terme d’ordre n de la suite (xn )n≥0 lorsque
celle ci est initiée au nombre init (que l’on déclarera comme un nombre
flottant). Testez ces deux procédures avec init=1.4 et n=10 en prenant
Digits:=1001. Comparez le résultat avec evalf(sqrt(2)).
(3) Transformez la procédure procNewton en une autre, procNewton2, qui
commence la calcul avec une précision aussi faible que possible (Digits:=2)
et double la précision à chaque
√ itération. Quelle valeur de n faut-il cette
fois prendre pour retrouver 2 avec 1000 décimales exactes ? Comparez les
temps d’exécution de la procédure procNewton (avec init=1.4 et n=10
sous Digits:=1001) et de la nouvelle procédure procNewton2, avec tou-
jours init=1.4, mais cette fois n=12.
132 D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE

Sauvez votre travail cette fois comme le fichier TP4exo3 (toujours dans le répertoire
TPMaple12) et fermez ensuite cette feuille de travail.
Exercice D.4 (une approximation de π par des suites adjacentes). Ouvrez
une nouvelle feuille de travail.
(1) Réalisez une procédure approxPi1TP4:=proc(n) (basée sur une boucle
DO) générant simultanément les deux suites (un )n≥0 et (vn )n≥0 de nombres
strictement positifs initiées respectivement par u0 = 1., v0 = 2. (attention
de déclarer ces entrées comme des nombres flottants !) et obéissant au
couple de relations inductives :
un + vn
un+1 =
√ 2
vn+1 = un+1 vn .
Lancez cette procédure sous par exemple Digits:=20 avec n=50. Que
constatez vous ? On admet que les deux suites (u√ n )n≥0 et (vn )n≥0 sont
adjacentes et ont pour limite commune le nombre 27/π. Modifiez votre
procédure en une procédure approxPi2TP4:=proc(n) qui fournisse √ l’ap-
proximation de π déduite de l’égalité approchée (un + vn )/2 ' 27/π.
(2) Modifiez la procédure approxPi2TP4 en une procédure
approxPi3TP4:=proc(epsilon,n)
qui, étant donné un seuil epsilon fixé, retourne
√ l’approximation de π
déduite de l’égalité approchée (un + vn )/2 ' 27/π dès que la condition
|un − vn |
≤
un + vn
est satisfaite (et affiche le nombre i≤n d’itérations de la boucle DO néces-
saires).
(3) Réalisez une procédure inductive approxPiRecTP4:=proc(n) générant si-
multanément les deux suites (un )n≥0 et (vn )n≥0 de la question 1, ce de
manière exacte cette fois (on prend u0 = 1 et v0 = 2, déclarés cette fois
comme rationnels et non plus comme flottants). Comparez, pour n=12
(attention surtout à ne pas prendre de valeur plus grande, car le temps de
calcul risque d’exploser !) le temps d’exécution de cette nouvelle procédure
approxPiRecTP4(12) avec celui de la procédure approxPi1TP4(12) (dans
laquelle u0 et u1 sont déclarés comme les entiers 1 et 2 et non plus comme
les flottants 1.0 et 2.0). Que constatez vous ?
Sauvez votre feuille de travail comme TP4exo4 (dans TPMaple12) et fermez cette
feuille.
Exercice D.5 (un modèle de courbe fractale : le flocon de Von Koch). Les
courbes planes qui ont la propriété d’autosimilarité, c’est-à-dire qui, regardées à la
loupe avec n’importe quel grossissement, reproduisent à toutes les échelles le même
motif, se prêtent (en ce qui concerne leur tracé) à la réalisation de procédures
récursives. Le flocon de Von Koch , introduit vers 1900 par le mathématicien
suédois Helge von Koch (1870-1924), en est une illustration ; regardez par curiosité
avant de commencer le site dédié :
[Link]
D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE 133

(1) Soient a et b deux nombres complexes, définissant un segment (noté [a, b])
du plan complexe. On introduit les trois nombres complexes :
b−a 2a + b
u(a, b) := a + =
3 3
b−a 2b + a
v(a, b) := b − =
3 3
w(a, b) := u(a, b) + eiπ/3 (v(a, b) − u(a, b))
et l’on note Φ l’application qui au segment [a, b] (d’origine a et d’extrémité
b) associe la ligne brisée Φ([a, b]) joignant (dans cet ordre) les quatre points
a, u(a, b), w(a, b), v(a, b), b. Si L est une ligne brisée de sommets d’affixes
a1 , a2 , ..., aN , la ligne brisée Φ(L) désigne par extension la ligne brisée
obtenue en mettant bout à bout les diverses lignes brisées Φ([aj , aj+1 ])
pour j = 1, ..., N − 1. Exprimez en fonction de N (nombre de sommets de
la ligne brisée L) le nombre de sommets de la ligne brisée Φ(L). Réalisez
une procédure
VonKoch1TP4:=proc(L)
qui, étant donnée une liste L de nombres complexes, considérée comme
la liste [a1,...,aN] des affixes des sommets successifs d’une ligne brisée
L, renvoie (dans l’ordre, et de manière approchée) la liste des affixes des
sommets de la ligne brisée Φ(L).
(2) En utilisant la procédure VonKoch1TP4, réalisez une nouvelle procédure
VonKoch2TP4:=proc(n)
qui renvoie (dans l’ordre) la liste des affixes des sommets de la ligne brisée
Φ[n] ([0, 1]), où Φ[n] désigne l’application Φ itérée n fois. Vu que le nombre
de sommets de la ligne brisée Φ[n] ([0, 1]) croit vers l’infini comme 2 × 4n
(dites pourquoi), vous ne testerez cette procédure VonKoch2TP4 que sur
des valeurs de n entre 0 et 5. En utilisant les instructions
> with (plots);
> L:=VonKoch2TP4(n):
> complexplot(L,style = line, scaling = constrained);
affichez la ligne brisée obtenue en itérant n fois Φ à partir du segment
[0, 1]. Veillez à ne prendre comme valeurs de n que des valeurs entre 1 et 7
(notez que 2 × 47 = 32768 est déjà très grand !). Que se passe-t-il si vous
remplacez la dernière instruction par :
> complexplot(L,style=line);
La courbe ainsi obtenue est une approximation du flocon de Von Koch ; ce
flocon de Von Koch est un exemple de courbe fractale, continue mais ne
présentant de tangente en aucun point 2 ; c’est en fait la limite uniforme
des courbes ainsi tracées – en fonction de n – lorsque n tend vers l’infini).

2. Vous verrez plus tard dans votre cursus mathématique que pareille courbe fractale n’est
pas rectifiable , et que l’on ne peut donc pas parler de longueur du flocon de Von Koch.
La nature fourmille de tels modèles fractaux (en relation avec ce que l’on appelle le chaos
dynamique ) : pensez par exemple à la découpe d’une côte volcanique telle celle du Groendland,
à celle de la ligne d’arête des aiguilles de Chamonix ... Vous trouverez aussi beaucoup de modèles
(mathématiques cette fois) d’images fractales sur le web (courbes de Mandelbrojt, frontières de
domaines de Julia, etc.).
134 D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE

(3) Réalisez une procédure cette fois récursive

VonKoch3TP4 :=proc(a,b,n)
retournant la liste (dans l’ordre) des affixes des sommets de la ligne brisée
Φ[n] ([a, b]). En prenant a = 0 et b = 1, retrouvez (en visualisant les
résultats avec complexplot plutôt qu’en les faisant afficher numériquement !)
le résultat L de l’instruction
>L:= VonKoch2TP4(n):
Comparez les temps CPU nécessaires par les deux instructions
> L:= VonKoch3TP4 (0,1,n);
> L:= VonKoch2TP4 (n);
pour les valeurs de n entre 3 et 8 (si toutefois vous parvenez jusqu’à n = 8
avec la seconde instruction 3).
Sauvez votre feuille de travail comme TP4exo5 dans votre répertoire TPMaple12,
puis fermez cette feuille.
Exercice D.6 (un autre modèle de courbe fractale : la courbe de Lévy). Si
elle porte le nom du probabiliste français Paul Lévy, la courbe de Lévy (qui est un
autre exemple célèbre de courbe fractale) a été introduite par les mathématiciens
Ernesto Cesàro (italien) en 1906 et Georg Faber (allemand) en 1910. Regardez par
curiosité le site dédié sur wikipedia. Ouvrez une nouvelle feuille de travail sous
Maple12.
(1) Soient a et b deux nombres complexes, définissant un segment du plan
complexe. On introduit le nombre complexe :
a+b b−a
r(a, b) = +i .
2 2
et l’on note Ψ l’application qui à ce segment (d’origine a et d’extrémité
b) associe la ligne brisée Ψ([a, b]) joignant (dans cet ordre) les trois points
a, r(a, b), b. Si L est une ligne brisée de sommets d’affixes a1 , a2 , ..., aN , la
ligne brisée Ψ(L) désigne par extension la ligne brisée obtenue en mettant
bout à bout les diverses lignes brisées Ψ([aj , aj+1 ]) pour j = 1, ..., N − 1.
Exprimez en fonction de N (nombre de sommets de la ligne brisée L) le
nombre de sommets de la ligne brisée Ψ(L). Comme dans la question 1
de l’exercice 5, réalisez une procédure
Levy1TP4 := proc(L)
qui, étant donnée une liste L de nombres complexes, considérée comme
la liste [a1,...,aN] des affixes des sommets successifs d’une ligne brisée
L, renvoie (dans l’ordre, et de manière approchée) la liste des affixes des
sommets de la ligne brisée Ψ(L).
(2) Réalisez une procédure récursive
Levy2TP4 := proc(epsilon,L)

3. Notéz que 2 × 48 = 131072, ce qui est vraiment très grand pour la taille d’une liste de
flottants sous Maple12 !
D. TP4 : PROCÉDURES SOUS MAPLE, REPRÉSENTATION GRAPHIQUE 135

qui, étant donnée une liste d’affixes L (figurant la liste des sommets or-
donnés d’une ligne brisée L) renvoie la liste (ordonnée) des affixes des
sommets de la ligne brisée Ψ[n] (L) dès l’instant où le pas de cette ligne
brisée devient strictement inférieur au seuil epsilon.
(3) En utilisant complexplot (après avoir déclaré l’environnement plots par
l’instruction with(plots);), représentez la liste L obtenue via
> L:=Levy2TP4(.03,[I,1,I]):
Sauvez votre feuille de travail comme TP4exo6 dans votre répertoire TPMaple12,
puis fermez cette feuille.
ANNEXE E

TP5 : les fonctions sous MATLAB et l’interpolation

Cette séance de TP5 poursuit la familiarisation avec MATLAB. Le chapitre 3 du

cours, en particulier ce qui concerne l’interpolation de Lagrange (section 3.2 du
cours) ou l’interpolation par les polynômes trigonométriques (et ses conséquences :
algorithmes de transformation de Fourier rapide, multiplication rapide des po-
lynômes 1, etc., cf. la section 3.1.4 du cours), fournira la trame théorique de ce
TP5. Ouvrez MATLAB pour commencer.

Exercice E.1 (Différences divisées et polynôme de Lagrange).

(1) Depuis le site web
[Link]
téléchargez le fichier DiffDiv.m correspondant à la routine fournissant
(dans cet ordre), la liste des N+1 différences divisées :
y[x(1),...,x(N+1)], y[x(1),...,x(N)],..., y[x(1)]
attachée à une liste de nombres complexes Y=[y(1),...,y(N+1)] di-
visée par une liste de nombres complexes distincts
X=[x(1),...,x(N+1)].
Après avoir enregistré ce fichier DiffDiv.m dans votre répertoire TPMATLAB,
ouvrez le et vérifiez que la syntaxe de la fonction proposée correspond bien
aux formules inductives sous tendant le tableau proposé page 51 du poly-
copié de cours. Montrez que le nombre de multiplications impliquées dans
ce calcul est en O(N 2 ).
(2) Ouvrez un nouveau fichier .m, vierge cette fois. En vous inspirant du
schéma de Hörner (cf. la syntaxe page 40 du polycopié) et de la formule
de Newton
Lagrange [X;Y](z) =
NP
+1
= y[x(1)] + y[x(1),...,x(k)] ∗ (z − x(1)) ∗ · · · ∗ (z − x(k-1))
k=2

(formule (3.8) du polycopié, page 50), rédigez dans ce fichier une fonction :
function LXX = LagrangeNewton (X,Y,XX)
qui, étant donnée une liste de nombres complexes distincts X (de longueur
N+1) et une liste de nombres complexes Y de même longueur, évalue le
polynôme de Lagrange Z 7→ Lagrange[X;Y](Z) aux points de la liste

1. Ceci sera repris dans un TP ultérieur sous Maple12, cette fois dans le cadre du calcul
arithmétique sans pertes, sous l’angle du calcul symbolique et de la cryptograhie.

137
138 E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION

de nombres complexes XX (de longueur arbitraire) et renvoie en sortie la

liste LXX (de même longueur que XX) correspondant aux valeurs prises par
ce polynôme de Lagrange aux entrées de XX (en respectant l’ordre de ces
entrées). La fonction DiffDiv sera utilisée comme fonction auxiliaire. Sau-
vez ce fichier .m dans votre répertoire de travail (Workspace, ici TPMATLAB)
comme LagrangeNewton.m. Testez ce fichier en déclarant la fonction
f = inline(’exp(-x.^2/2).*sin(pi*x)’,’x’);
puis en déclarant :
>> X= -3:.1:3 ;
>> XX=-3:.05:3 ;
>> LXX=LagrangeNewton(X,f(X),XX);
>> plot(XX,f(XX),’r’);
>> hold
>> plot(XX,LXX,’k’);
Qu’observez vous ? Recommencez avec cette fois les instructions
>> X= -6:.2:6 ;
>> XX=-6:.05:6 ;
>> LXX=LagrangeNewton(X,f(X),XX);
>> figure
>> plot(XX,f(XX),’r’);
>> hold
>> plot(XX,LXX,’k’);
Qu’observez vous cette fois ? Hors de quel segment de [−6, 6] l’approxima-
tion de f par son polynôme de Lagrange se met-elle à dérailler ? Recom-
mencez en prenant cette fois plus de points d’interpolation :
>> X=-6:.15:6;
>> XX=-6:.05:6 ;
>> LXX=LagrangeNewton(X,f(X),XX);
>> figure
>> plot(XX,f(XX),’r’);
>> hold
>> plot(XX,LXX,’k’);
Les choses s’arrangent-elles ou empirent-elles par rapport à la figure 2 ?
Continuez avec encore plus de points :
>> X=-6:.1:6 ;
>> XX=-6:.05:6 ;
>> LXX=LagrangeNewton(X,f(X),XX);
>> figure
>> plot(XX,f(XX),’r’);
>> hold
>> plot(XX,LXX,’k’);
Vous observez ici le phénomène de Runge. Voir pour plus de détails le site
sur wikipedia :
[Link]
E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION 139

(3) Ouvrez un nouveau fichier .m vierge et rédigez dans ce fichier un code

function LXXT= LagrangeTchebychev(a,b,N,f,XX)
qui, étant donné un segment fermé borné [a,b] de R (donné par deux
bornes distinctes a et b déclarées en flottants), un entier strictement positif
N, une fonction f de [a,b] dans R ou C déclarée inline(’f(x)’,’x’) au
préalable (voir l’exercice 3 du TP 3), et une liste XX de points du segment
[a,b], renvoie la liste des valeurs aux points de XX prises par le polynôme
d’interpolation de Lagrange interpolant les N+1 valeurs de la fonction f
aux N+1 points du segment [a,b] donnés par
a + b b − a (2*k-1)*pi
X(k) = + cos , k=1,...,N+1.
2 2 2*(N+1)
Ces points sont déduits par homothétie et translation des N+1 zéros dans
[-1,1] du polynôme de Tchebychev TN +1 donné par
TN +1 (cos(θ) = cos((N + 1)θ) ∀ θ ∈ R.
Vous serez amenés à utiliser la fonction LagrangeNewton construite à la
question 2 comme fonction auxiliaire appelée lors de l’exécution du code
correspondant à la fonction LagrangeTchebychev. Sauvez le fichier dans
votre répertoire de travail (Workspace, ici TPMATLAB) comme le fichier
LagrangeTchebychev.m. Testez le en prenant la fonction f de la question
2:
>> f = inline(’exp(-x.^2/2).*sin(pi*x)’,’x’);
>> XX=-6:.05:6 ;
>> LXXT=LagrangeTchebychev(-6,6,30,f,XX);
>> figure
>> plot(XX,f(XX),’r’);
>> hold
>> plot(XX,LXXT,’k’);
Qu’observez vous maintenant en comparaison avec le phénomène de Runge
observé à la question 2 ? Prenez des valeurs de N plus grandes que N=30,
par exemple N=35,40,45,50 et recommencez. La situation empire-t’elle
encore cette fois ? Que se passe-t’il malgré tout si l’on persiste à augmenter
N (prenez N=60 pour voir). Pourquoi cette liste de points déduite des zéros
du polynôme de Tchebychev TN +1 se comporte-t-elle mieux du point de vu
de la qualité de l’interpolation au bord (si on la compare à l’interpolation
de Lagrange avec des points équidistribués sur [a,b] (comme à la question
2) ? Expliquez pourquoi les choses se gâtent malgré tout lorsque N est pris
trop grand (exemple N=60).
Nota. Vous pouvez observer la répartition des points d’interpolatioon sur
le segment [a, b] (ramené à [−1, 1]) en affichant le graphe de la fonction
t 7→ cos((N + 1) arcos(t)) sur [−1, 1] ; les points où l’on a effectué l’inter-
polation sont les N + 1 zéros de cette fonction polynomiale (on observe
qu’ils s’accumulent lorsque N augmente vers les extrémités du segment
[−1, 1]) :
>> XX = -1 : 1/M : 1;
>> f=inline(’cos((N+1)*acos(x))’,’x’);
140 E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION

>> plot(XX,f(XX));

Exercice E.2 (la méthode récursive de Neville-Aitken).

(1) Téléchargez depuis le site
[Link]
le fichier lagrange.m (il a été réactualisé, aussi devez vous le re-télécharger
même si vous l’avez déjà). Ouvrez ce fichier et vérifiez que la syntaxe
du code récursif écrit ici est bien celle conduisant à la construction du
polynôme d’interpolation de Lagrange suivant la démarche récursive de
Neville-Aitken, telle qu’elle est présentée pages 52 et 53 du polycopié.
(2) Ouvrez un fichier .m vierge et, en vous inspirant du code lagrange, rédigez
un code
function LXXN=NevilleAitken(a,b,N,f)
qui, étant donné un segment fermé borné [a,b] de R (donné par deux
bornes distinctes a et b déclarées en flottants), un entier strictement positif
N, une fonction f de [a,b] dans R ou C déclarée inline(’f(x)’,’x’) au
préalable (voir l’exercice 3 du TP 3), renvoie (sous la forme de la liste de
ses coefficients) le polynôme d’interpolation de Lagrange interpolant les
N+1 valeurs de la fonction f aux N+1 points du segment [a,b] équirépartis
entre X(1)=a et X(N+1)=b. Testez ensuite ce code pour représenter (avec
des valeurs de N égales à N=5,7,10,12) les graphes des interpolées sur
[−1, 1] avec pas régulier des fonctions
f1= inline(’x.^7+3*x.^5-2*x+1’,’x’);
f2= inline (’x.*cos(x) -log(x+2)+1’,’x’);
f3= inline(’1./(1+x.^2)’,’x’);
f4= inline(’(1+x.^2-x.^3).*exp(x/5)’,’x’);
Pensez pour cela à évaluer au préalable votre polynôme LXXN (dont LXXN fi-
gure juste la liste des coefficients) sur le vecteur XX des M+1 points de [−1, 1]
régulièrement espacés de 1/M (prenez par exemple 102 ou 103 comme va-
leur de MM) :
>> XX=-1:1/M:1;
>> LXXN=NevilleAitken(-1,1,N,f);
>> LXXNevalue=polyval(LXXN,XX);
Vous pouvez aussi utiliser, à la place de polyval, la routine Horner dis-
ponible ici :
[Link]
Justifiez la qualité des résultats obtenus en vous référant aux formules de
Taylor explicites (Taylor-Lagrange ou Taylor avec reste intégral, cf. votre
cours d’Analyse 1 de S2 2).

2. En ligne : [Link] sections 2.5.3 et 2.5.5.

E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION 141

Exercice E.3 (multiplication rapide des polynômes et fft).

(1) Sous MATLAB, la routine effectuant la multiplication à gauche d’un vecteur
colonne de nombres complexes, de longueur N = 2p (p ∈ N∗ ), par la
matrice
h i
WNkj (où WN = exp(−2iπ/N) )
0≤j,k≤N−1

suivant l’algorithme de Cooley-Tukey (impliquant seulement (p − 1)2p−1

vraies multiplications au lieu des 2
2p
attendues, cf. le cours pages
44-45) est la commande
>> Y=fft(X,N);
En utilisant la relation
h i −1 1h i
WNkj = WN kj ,
0≤j,k≤N−1 N 0≤j,k≤N−1

écrire sur un fichier .m vierge une routine InverseFFT :

function X=InverseFFT(Y,N)
qui, étant donné un vecteur colonne Y de nombres complexes, de longueur
N, calcule la multiplication de Y à gauche par la matrice
h i −1
WNkj
0≤j,k≤N −1

(utilisez la routine conj qui conjugue les entrées des vecteurs ou des ma-
trices). Validez ce code sur un exemple, par exemple :
>> X=rand(16,1) + i*rand(16,1);
>> Y=fft(X,16);
>> XX=InverseFFT(Y,16);
>> max(abs(X-XX))
Que constatez vous ? Pourquoi ne trouvez vous pas 0 comme vous vous
y attendriez ? Ne perdez pas de vue que vous êtes ici en train de faire
du calcul scientifique, et non du calcul symbolique. On reviendra dans
un TP ultérieur sous Maple12 cette fois sur la fft discrète, dans le cadre
(arithmétique) du calcul symbolique cette fois. Sauvez votre fichier (appelé
InverseFFT) comme un fichier .m dans votre répertoire TPMATLAB pour le
conserver dans vos archives, tout en sachant que la routine
>> X=ifft(X,N);
(déjà implémentée dans le noyau du logiciel) correspond de fait à la même
fonction.
(2) Ouvrez un fichier .m vierge. Rédigez dans ce fichier une procédure
function P1P2 = ProduitPolynomes (P1,P2)
qui, étant donnés deux polynômes P1 et P2 déclarés sous forme de listes
comme
>> P1 = [P1(1) ... P1(N1)];
>> P2 = [P2(1) ... P2(N2)];
142 E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION

lorsque
P1(X) = P1(1) X N1−1 + · · · + P1(N1-1) X + P1(N1)
P2(X) = P2(1) X N2−1 + · · · + P2(N1-1) X + P2(N2),
retourne (sous forme d’une liste de longueur N1+N2-1) les coefficients du
polynôme P1*P2, les monômes de ce polynôme étant rangés dans l’ordre
décroissant. La première étape de la procédure est de déterminer le pre-
mier entier p tel que 2p > N1+N2-1 (l’entier le plus proche d’un nombre
réel flottant x lorsque l’on va à droite de ce nombre est ceil(x) ; c’est
floor(x) si l’on va à gauche). Utilisez ensuite les routines fft(.,N) et
ifft(.,N) comme indiqué dans le cours, avec précisément N = 2p , ce
après avoir si nécessaire complété les listes P1 et P2 par des zéros. Sau-
vez le fichier ProduitPolynomes.m dans votre répertoire TPMATLAB après
l’avoir testé (et validé) sur des polynômes de bas degré (inférieur ou égal
à 10).
(3) La commande MATLAB permettant de déterminer l’écriture binaire d’un
entier M (bien sûr inférieur à 252 ) est
>> P = dec2bin(M);
mais, attention, la sortie P est ici au format char, pas au format numérique
double précision double. Ce format double est pourtant nécessaire ici car
les calculs de fft impliquent la matrice de nombres fottants
[WNkj ]0≤j,k≤N−1 .
Il faut donc convertir P au format double pour travailler numériquement ;
en faisant un petit test, vous verrez que le caractère 0 correspond dans
cette conversion à un certain entier positif P=double(’0’), tandis que
1 correspond (heureusement) à P+1=double(’1’), ce qu’il convient donc
de prendre en compte pour les conversions. À vous de trouver ces deux
nombres double(’0’) et double(’1’), car vous voulez, vous, 0 et 1
comme nombres. Sur un nouveau fichier vierge .m, rédigez une procédure
function M1M2=ProduitEntiers(M1,M2)
qui, étant donnés deux entiers naturels tous deux inférieurs à 226 (cela
vaut mieux, dites pourquoi !), utilise les routines dec2bin, fft(.,64),
ifft(.,64) pour calculer leur produit M1*M2. Pensez à associer à tout
entier naturel M (inférieur à 252 ) le polynôme
>> PolM = double(dec2bin(M))-double(’0’) ;
(pour avoir des coefficients numériquement égaux à 0 et 1 et non plus
cette fois à double(’0’) et double(’1’) comme le donne la conversion
numérique du format char au format double), puis ensuite à évaluer le
polynôme PolM1*PolM2 (calculé comme à la question 2) en x=2.
Exercice E.4 (L’algorithme de Cooley-Tukey). La routine sous MATLAB
>> Y=fft(X,N);
(lorsque N est une puissance de 2) correspond à l’implémentation de l’algorithme de
Cooley-Tukey (cf. le polycopié de cours pages 44-45). Vous pouvez aussi consulter
pour plus de détails les sites wikipedia
E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION 143

[Link]
[Link]
(le site en anglais est plus riche). Le but de cet exercice (prétexte, comme dans
le TP4, à votre familiarisation avec le principe de récursivité) est de réaliser une
routine réalisant la même opération, ce afin de comprendre le schéma récursif sur
lequel se fonde la procédure. Ouvrez un fichier .m vierge sur lequel vous allez rédiger
une procédure récursive :
function Y=CooleyTukey(X,p)
transformant, si p désigne un entier supérieur ou égal à 1 et X un vecteur colonne de
longueur 2p , le vecteur X en son image par la multiplication à gauche par la matrice
h i
W2jk
p
p−1
, où W2p := exp(−2iπ/2p ). (†)
0≤j,k≤2

(1) Puisqu’il s’agit de construire un algorithme récursif, vous commencerez

par mettre sur pied une boucle
if p == 1
Y= ... ;
else
... ;
... ;
Y= ...;
end
en rédigeant d’abord les instructions (très simples) correspondant à l’alter-
native p==1. Ce cas correspond à l’initialisation de la procédure récursive.
(2) Il vous faut maintenant remplir les instructions sous l’alternative else.
Regardez pour cela l’architecture du programme telle qu’elle est présentée
sur le diagramme page 45 du polycopié.
– Commencez par sérier en deux vecteurs colonne Xpair et Ximpair
(tous deux de longueur 2p−1 ) le vecteur colonne d’entrée X.
– Faites agir sur ces deux vecteurs colonne la procédure au cran p − 1
comme suggéré dans le diagramme.
– Opérez les multiplications terme-à-terme nécessaires concernant le
traitement de Ximpair après passage à travers la procédure au cran
p − 1 (regardez bien pour cela le diagramme).
– Complétez enfin la liste des intructions sous l’alternative else par
une boucle do rendant compte des calculs impliquant l’ action pa-
pillon de la matrice correspondant à p = 1 (suivez soigneusement
la syntaxe du synopsis présenté sur le diagramme).
(3) Validez enfin votre code en comparant les résultats Y et Yref de
X=rand(2^p,1);
Y=CooleyTukey(X,p);
Yref=fft(X,2^p);
pour de petites valeurs de p (p=3,4,5). Sauvez votre fichier CooleyTukey.m
dans votre répertoire TPMATLAB.
(4) Justifiez sur le papier par un raisonnement mathématique pourquoi ce
code récursif correspond bien à la multiplication à gauche de X par la
matrice (†).
144 E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION

Exercice E.5 (interpolation par des polynômes trigonométriques). Soit f une

fonction d’une variable réelle (définie sur [0, 1], à valeurs réelles) que vous déclarerez
ultérieurement (avec une expression explicite pour f(x)) via
>> f= inline(’f(x)’,’x’);
sous MATLAB (en veillant à ce que la syntaxe permette de calculer f(x) lorsque x
est un vecteur ligne ou colonne de nombres de [0, 1], et non seulement un nombre
de [0, 1]). Il est souvent plus judicieux (en particulier si f est une fonction oscillante
comme on en rencontre dans le monde des télécommunications) de chercher à inter-
poler f sur [0, 1] non par des fonctions polynomiales (commme dans l’interpolation
de Lagrange), mais par des fonctions polynomiales trigonométriques, du type
X
M −1
θ ∈ [0, 1] 7→ uk e2iπlθ , où M ∈ N∗ , (∗)
l=−M

qui sont, elles aussi, des fonctions oscillantes, donc de même nature que la fonction
à interpoler f. Vous verrez plus tard que c’est le principe de ce que l’on appelle
faire l’analyse de Fourier de l’information fournie par f. Soit N = 2p .
(1) Vérifiez, si p est un entier naturel non nul donné, que le système de 2p
équations à 2p inconnues uk , k = −2p−1 , ..., 2p−1 − 1,
h X−1
2p−1 i
uk e2iπkθ = f (j/2p ), j = 0, ..., 2p − 1 (∗∗)
θ=j/2p
k=−2p−1

(qui traduit le fait que la fonction polynomiale trigonométrique (∗), avec

M = 2p−1 , interpole la fonction f aux 2p points j/2p , j = 0, ..., 2p − 1,
régulièrement espacés dans [0, 1]) se lit aussi
2X
p
−1
vk W2p kj = (−1)j f (j/2p ), j = 0, ..., 2p − 1 (∗ ∗ ∗)
k=0

si l’on pose vk = uk−2p−1 pour k entre 0 et 2p − 1 et W2p := exp(−2iπ/2p ).

Ouvrez un fichier .m sur lequel vous rédigerez (en utilisant soit la procédure
fft(., 2p ), soit la procédure CooleyTukey(.,p) construite à l’exercice 4)
une fonction
function U=InterpolTrigo1(f,p)
qui renvoie en sortie, sous forme d’une colonne, la liste des coefficients vk ,
k = 0, ..., 2p − 1, satisfaisant au système (†) (correspondant à la liste, dans
le même ordre, des coefficients uk solutions du système (∗)). Pourquoi au
fait ces systèmes (∗∗) ou (∗ ∗ ∗) sont ils des systèmes de Cramer ? Sauvez
votre fichier InterpolTrigo1.m dans votre répertoire TPMATLAB.
(2) Sur un nouveau fichier .m, rédigez une procédure
function PolTrigo = InterpolTrigo2(f,p,XX)
qui calcule, étant donné une fonction f, un entier naturel non nul p et un
vecteur ligne XX de nombres flottants de [0, 1], la liste (en ligne) des valeurs
prises aux entrées de XX par la fonction polynomiale trigonométrique (∗)
(avec M = 2p−1 ) dont les coefficients uk (dans cet ordre) sont ceux fournis
en colonne par la commande
E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION 145

>> U= InterpolTrigo1(f,p);
Testez votre routine sur un polynôme trigonométrique f1 (mais non 1-
périodique) déclaré en ligne
>> f5= inline(’4*sin(pi/2*x) + cos(5*x) - 2*sin(3*x)’,’x’);
suivant les instructions :
>> XX=0:1/2000:1;
>> PXXT=InterpolTrigo2(f5,p,XX);
>> plot(XX,f5(XX),’r’)
>> hold
>> plot(XX,PXXT)
Prenez pour cela des valeurs de p entre 6 (2p = 64) et 10 (2p = 1024).
Qu’observez vous lorsque p augmente concernant la qualité de l’approxi-
mation de f par son polynôme trigonométrique interpolant ? Recommen-
cez avec cette fois la fonction :
>> f6= inline(’4*sin(pi/2*x) + cos(5*x) - 2*sin(3*x)’,’x’);
Après avoir évalué f(1)-f(0), essayez de d’expliquer ce qui crée le phéno-
mène au bords de [0, 1] dans le cas du premier exemple, et ne semble plus
le créer (en tout cas de manière aussi nette) ici. Ce phénomène s’appelle,
lorsqu’il se produit phénomène de Gibbs ; c’est le pendant du phénomène
de Runge observé dans le cadre de l’interpolation polynomiale par le po-
lynôme de Lagrange (Exercice 1). Voir par exemple le site (succint) sur
wikipedia :
[Link]
Sauvez votre fichier InterpolTrigo2.m dans votre répertoire TPMATLAB.
Testez aussi votre programme avec une fonction polynomiale :
>> f7 = inline(’x.^7+3*x.^5-2*x+1’,’x’);
(c’est la fonction f1 de l’exercice 2). Est-il préférable dans ce dernier cas
d’utiliser l’interpolation par des polynômes trigonométriques plutôt que
l’interpolation de Lagrange par des polynômes ?
(3) Pour mieux vous convaincre du phénomène de Gibbs, déclarez la fonction
f8 définie par
>> f8=inline(’(1/2)*(sign ((x-1/3).*(2/3-x))+1)’,’x’);
Affichez le graphe de f8 :
>> XX=0:1/2000:1;
>> plot(XX,f8(XX));
Sur le même graphe, affichez (en utilisant la commande hold) avec diverses
couleurs les graphes successifs des divers PXXT :
>> PXXT = InterpolTrigo2(f8,p,XX);
>> hold
>> plot(XX,PXXT,’color’);
146 E. TP5 : LES FONCTIONS SOUS MATLAB ET L’INTERPOLATION

avec p variant de 6 à 10 et color= b,g,m,r,k. Quel constat faites vous ?

Pourquoi est-il nécessaire pour observer le phénomène de Gibbs d’avoir
pris un pas 1/2000 < 2−10 pour le vecteur ligne XX où sont évaluées la
fonction et son polynôme d’interpolation trigonométrique ? Le phénomène
de Gibbs apparait dans la pratique dès que l’on tente de couper les hautes
fréquences d’une fonction oscillante, mais présentant tout de même des
discontinuités (des cracks ). On rehausse (ou affaiblit) artificiellement
la fonction avant ou après le passage par une discontinuité. Le repiquage
audio de vieux enregistrements (très bruités, donc contenant des compo-
santes haute-fréquence) se heurte constamment à ce problème, que l’on
tente de corriger en électronique, et que l’on appelle l’aliasing.
TP6 : le principe de l’élimination algébrique sous
Maple

Cette séance de TP6 s’inscrit dans la poursuite de la familiarisation avec le

logiciel de calcul symbolique Maple12. Elle vise à illustrer la section 3.4 des notes
de cours (élimination au travers de la construction du déterminant de Sylvester).
On y verra les fondements de l’intégration symbolique des fonctions rationnelles
correspondant aux élémentsd de Q(X) via leur décomposition en éléments simples
(méthode de Rothstein-Trager, 1976). Ouvrez pour commencer une feuille de travail
vierge sous Maple12.
Exercice E.6 (Calculs de discriminants ordinaires). Pourquoi (à la lumière
du cours) existe-t’il, pour tout entier d ≥ 2, un polynôme ∆d en d − 1 variables
X1 , ..., Xd−1 tel que l’on ait l’équivalence suivante :

z ∈ Cd−1 et ∆d (z1 , ..., zd−1 ) = 0

⇐⇒ X d + z1 X d−1 + · · · + zd−1 X − 1 = 0 a une racine double dans C .
Ce polynôme ∆d (en d−1 variables X1 , ..., Xd−1 ) s’appelle le discriminant ordinaire
d’ordre d ; il joue un rôle important dans les branches des mathématiques en relation
avec la théorie des nombres, la géométrie algébrique ou différentielle, la théorie des
équations différentielles, celle des
P fonctions spéciales (en particulier des fonctions
sommes de séries entières z 7→ k≥0 ak z k particulières, dites hypergéométriques),
la combinatoire, etc.
(1) Calculez ∆2 à la main (à un coefficient près).
(2) Étant donnés deux polynômes P et Q déclarés sous Maple12 comme des
polynômes en les d variables X1 , ..., Xd−1 , X, dites à quoi correspond la
routine
>> RX:= resultant(P,Q,X);
(3) Soient les quatre polynômes respectivement en trois variables x,y,X, en
quatre variables x,y,z,X, en cinq variables x,y,z,t,X, en six variables
x,y,z,t,u,X déclarés ainsi :
P3:= X^3 + x*X^2 + y*X -1 ;
P4:= X^4 + x*X^3 + y*X^2 + z*X -1;
P5:= X^5 + x*X^4 + y*X^3 + z*X^2 + t*X -1;
P6:= X^6 + x*X^5 + y*X^4 + z*X^3 + t*X^2 +u*X-1;
Existe-t’il un moyen rapide de déclarer un polynôme de cette liste à partir
du polynôme qui le précède dans la liste ? En combinant l’utilisation des
trois commandes
147
148 TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE

>> Q:=diff(P,X);
>> R:=resultant(P,Q,X);
>> degree(R);
calculez les discriminants ordinaires ∆3 , ∆4 , ∆5 , ∆6 , ainsi que le degré
total de ces trois polynômes. Essayez de deviner une formule donnant le
degré de ∆d , puis justifiez cette formule en vous souvenant que ∆d doit
se représenter comme un certain déterminant de Sylvester ; lequel ?
Sauvez votre feuille de travail comme [Link] dans votre répertoire TPMaple12,
puis fermez là.
Exercice E.7 (intersection de deux courbes planes). Une courbe plane définie
dans C × C (espace vectoriel de dimension 2 sur C) comme le lieu des zéros d’un
polynôme en deux variables de degré total égal à 3 est appelée cubique (tandis
qu’elle est appelée conique si elle est définie comme le lieu des zéros d’un polynôme
de degré total égal à 2). Ouvrez une nouvelle feuille de travail sous Maple12.
(1) Vérifiez que les sous-ensembles de C × C définis par
n o
Γ1 := (x, y) ∈ C × C ; xy(y − x) − y 2 + 6x − y − 6 = 0
n o
Γ2 := (x, y) ∈ C × C ; (y − 2x)2 (y − 3x) − (x + y)2 − x − y − 1 = 0
sont bien des cubiques et que le seul zéro commun des parties homogènes
de plus haut degré des polynômes
P:= X*Y*(Y-X) - Y^2 + 6*X - Y - 6 ;
Q:= (Y-2*X)^2*(Y-3*X) - (X+Y)^2 - X -Y -1 =0;
définissant ces courbes est l’origine (0, 0) de C2 . On admettra que dans
ce cas (c’est un important théorème de géométrie algébrique attribué à
Etienne Bézout) les deux cubiques Γ1 et Γ2 se coupent en exactement
9 = 3 × 3 (le produit des degrés totaux de leurs équations définissantes
P=0 et Q=0) points de C × C (les points d’intersection des deux courbes
pouvant être éventuellement multiples).
(2) Utilisez l’affichage graphique 3
>> with(plots);
>> implicitplot([P=0,Q=0],X=-10..10,Y=-10..10,
color=[red,blue],gridrefine=2);
pour tracer les intersections des deux courbes Γ1 et Γ2 avec le monde
réel R2 . Qu’observez vous ? Les deux courbes réelles se coupent-elles et
en combien de points visibles ? Se coupent t’elles transversalement ? Que
peut-on dire des autres points d’intersection des deux courbes Γ1 et Γ2
(puisque l’on sait a priori qu’il doit y en avoir 9 dans C2 ) ?
(3) En utilisant le principe de l’élimination (et donc la commande resultant)
– d’abord pour éliminer la variable X entre les équations P(X,Y)=0 et
Q(X,Y)=0,
– ensuite pour éliminer la variable Y entre ces deux mêmes équations,
3. Prenez soin de décortiquer au préalable le sens des options de la routine implicitplot
(affichant une courbe dans R2 donnée par son équation cartésienne) après avoir fait ?implicitplot
dans votre feuille de travail pour analyser toutes les potentialités de cette commande implicitplot.
TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE 149

puis la routine
>> zeros :=[fsolve(R,T,complex)];
(qui donne sous forme de liste les d zéros complexes, calculés de manière
approchée, d’un polynôme R ∈ C[T ] de degré d) déterminer, concernant
les points d’intersection (x, y) des deux courbes Γ1 et Γ2 dans C × C :
– 9 valeurs possibles pour x, parmi lesquelles on observe que se trouve
une et une seule valeur réelle x0 ;
– 9 valeurs possibles pour y, parmi lesquelles on observe que se trouve
une et une seule valeur réelle y0 .
Déduisez-en les valeurs approchées des coordonnées de l’unique point
de R2 appartenant aux deux cubiques Γ1 et Γ2 . Le résultat est il bien
conforme à ce que vous avez observé graphiquement à la question 2 ?
(4) Rédigez une procédure
testzeros = proc(epsilon,P,Q,LX,LY)
qui, étant donnés deux polynômes en deux variables P et Q et deux listes
de nombres complexes LX, LY (déclarés en flottants), renvoie p la liste des
couples (L[i],L[j]) en lequels l’évaluation de la fonction |P |2 + |Q|2
est strictement inférieure au seuil . En prenant convenable (essayez
10−k , k variant entre 3 et 8), exécutez ce code testzeros avec comme
autres entrées P, Q, et les deux listes LX, LY de 9 nombres complexes
construites à la question 3, pour obtenir la liste des valeurs approchées des
9 couples de nombres complexes correspondant aux positions des 9 points
d’intersection des cubiques Γ1 et Γ2 cette fois dans C × C. Retrouvez vous
bien le point réel observé à la question 2 et calculé de manière approché
à la question 3 ?
(5) On considère, à la place de la cubique Γ2 , la cubique Γ3 définie par
n o
Γ01 := (x, y) ∈ C × C ; xy(x − y) − x2 + 6y − x − 6 = 0 .

Par quelle transformation simple de C × C dans lui-même la cubique Γ01

se déduit-elle de la cubique Γ1 ? Vérifiez que le lieu des zéros communs
des parties homogènes de plus haut degré des polynômes définissant Γ1
et Γ01 est constitué cette fois de trois droites de C × C : on dira alors que
les deux cubiques Γ1 et Γ01 se coupent en trois points à l’infini de C × C
(ces trois points à l’infini se situant à l’infini précisément lorsque l’on
suit l’une des trois directions données par les trois droites vectorielles que
l’on vient de trouver). Reprenez les questions 2,3,4 précédentes avec cette
fois Γ01 à la place de Γ2 pour vérifier que les deux cubiques Γ1 et Γ01 se
coupent en 6 = 9 − 3 points distincts dans C × C. On calculera cette fois
ces points algébriquement et de manière non plus approchée, mais exacte
(utilisez la routine solve au lieu de fsolve). Combien parmi ces points
sont-t’ils des points à coordonnées réelles ?
Sauvez votre feuille de travail comme [Link] dans votre répertoire TPMaple12,
puis fermez la.
Exercice E.8 (construction de la matrice et du déterminant de Sylvester).
Dans cet exercice, on vous propose de revenir aux sources et de rédiger une procédure
150 TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE

qui fournisse, étant donnés en input deux polynômes P et Q en une variable X (de
degrés respectifs p et q, à coefficients pouvant dépendre de manière polynomiale ou
rationnelle d’autres variables Y,Z...), fournisse en output le déterminant de la ma-
trice de Sylvester (de taille (p + q, p + q), voir (3.14) dans la section 3.4 du polycopié
de cours) de P et Q, considérés comme des polynômes en X. Ouvrez une nouvelle
feuille de travail sous Maple12.
(1) Chargez les bibliothèques suivantes :
>> with(PolynomialTools);
>> with(LinearAlgebra);
et étudiez ce que font les routines :
>> ?CoefficientList;
>> ?Determinant;
ainsi que la syntaxe régissant leur utilisation. Consultez aussi
>> ?Matrix;
>> ?MVassignment;
pour voir comment modifier une matrice S de taille D×D donnée composée
initialement de zéros (déclarée par S:=Matrix(D)).
(2) Rédigez une procédure
Sylvester := proc(P,Q,X)
fournissant, lorsque P et Q sont deux polynômes non nuls de degrés stric-
tement positifs en la variable X, la matrice de Sylvester (i.e la matrice
(3.14) des notes de cours).
(3) Rédigez une procédure
resultantTP := proc(P,Q,X)
fournissant, lorsque P et Q sont deux polynômes non nuls de degrés stric-
tement positif en la variable X, leur résultant. Recalculez les déterminants
ordinaires ∆3 et ∆4 de l’exercice 1 (question 3) avec cette fois votre rou-
tine resultantTP et comparez avec les résultats obtenus à l’exercice 1
(question 3) avec la routine (intégrée au logiciel) resultant.
(4) Étant donnés deux polynômes P et Q de degrés respectifs p > 0 et q > 0,
montrez que l’on ne change pas le déterminant de la matrice de Sylvester
(matrice (3.14) dans les notes de cours) en remplacant le dernier vecteur
colonne par le vecteur colonne :
 q−1 
X ∗ P(X)
 .. 
 . 
 
 X ∗ P(X) 
 
 P(X) 
 p−1  (∗)
X ∗ Q(X)
 
 .. 
 . 
 
 X ∗ Q(X) 
Q(X)
TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE 151

(pensez pour cela à ajouter au dernier vecteur colonne la somme de tous les
vecteurs colonnes précédents multipliés par Xp+q−1 , Xp+q−2 , ...). Réalisez
une procédure
resultantTPmodif:=proc(P,Q,X,S,T);
qui, étant donnés deux polynômes P et Q en une variable X (de degrés stric-
tement positifs p et q, les coefficients de ces polynômes pouvant dépendre
de manière polynomiale ou rationnelle d’autres variables Y,Z...), calcule
le déterminant de la matrice Sylvester(P,Q,X) modifiée par le fait que
la dernière colonne y ait été remplacée par
 q−1 
X ∗S
 .. 
 . 
 
 X∗S 
 
 S 
 p−1 , (∗∗)
X ∗ T
 
 .. 
 . 
 
 X∗T 
T
où S et T sont deux nouvelles variables. La sortie de cette procédure doit
donc être un polynôme en les variables X, S, T et les coefficients des po-
lynômes P et Q. Vous pourrez au préalable consulter l’aide
>>?Vector;
pour voir comment déclarer le vecteur colonne (**). Calculez, étant donnés
deux polynômes P et Q comme ci-dessus
>> R:= resultantTPmodif(P,Q,X,S,T);
>> resultant(P,Q,X) - simplify(P*diff(R,S)+Q*diff(R,T));
Expliquez d’où ce résultat provient. Si le résultant de P et Q par rapport à
X est non nul, pourquoi obtient-on ainsi une identité de Bézout 1=A*P+B*Q
avec deg A < q et deg B < q ?
Sauvez votre feuille de travail comme [Link] dans votre répertoire TPMaple12,
puis fermez la.
Exercice E.9 (Intégration symbolique de fractions rationnelles et élimination).
Les méthodes reposant sur l’élimination algébrique ainsi que sur la division eucli-
dienne (algorithme de Bézout étendu) jouent un rôle clef dans le noyau de logiciels
de calcul symbolique tels Maple12 lorsqu’il s’agit d’effectuer l’intégration symbo-
lique des fractions rationnelles. C’est ceci que cet exercice se propose d’illustrer.
Ouvrez une nouvelle feuille de travail sous Maple12.
(1) Soit Q un polynôme en une variable à coefficients entiers, de degré stric-
tement plus grand que 1, n’ayant aucune racine double dans C. Pourquoi
le résultant (par rapport à X) de Q et Q0 := dQ/dX est-il non nul ?
Pourquoi existe-t-il bien dans ce cas deux polynômes U et V à coefficients
rationnels, avec de plus deg(U ) ≤ deg Q − 2 et deg V ≤ deg Q − 1 tels que
l’on ait l’identité Q(X)U (X) + Q0 (X)V (X) ≡ 1 ?
(2) Regardez la syntaxe de la routine gcdex :
152 TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE

>> gcdex(P1,P2,X,’U’,’V’);
>> U;
>> V;
>> simplify(U*P1+V*P2);
Prenez un polynôme Q de degré 3 sans racine double et à coefficients
entiers, par exemple
>> Q:= X^3 - 2*X^2 + 3*X+5;
et calculez les polynômes U et V tels que U*Q+V*diff(Q,X)=1 donnés par
la routine gcdex. Calculez d’autre part
>> resultant(Q,diff(Q,X),X);
Qu’observez vous ? Est-ce une surprise et avez vous une explication (pen-
sez r̀egarder ici les notes de cours, section 3.4) ?
(3) Vérifiez, si P et Q sont deux polynômes (avec deg Q > 0 et Q sans racine
double dans C) que, si U et V sont tels que l’on ait l’identité de Bézout
1 = U Q + V Q0 , alors, pour tout entier n > 1,
Z X
dt 1 V (X)P (X)
P (t) = +
(Q(t))n 1 − n ((Q(X))n−1
Z X
1 d dt
+ P (t)U (t) + [P V ](t) .
n − 1 dt (Q(t))n−1
(4) En utilisant la procédure gcdex (algorithme d’Euclide étendu résolvant
l’identité de Bézout, voir la question 2) et la procédure int
>> F:=int(P,X);
appliquée aux polynômes (qui fournit une primitive d’un polynme en X
et qu’il vous serait aisé de construire vous-même), rédigez une procédure
récursive
HermiteItere:=proc(P,Q,X,n)
qui, étant donnés deux polynômes P, Q en la variable X (avec Q de degré
strictement positif et sans racine double) à coefficients entiers retourne
une liste [R,H], où R est un élément de Q(X) de dénominateur Qn−1 et H
un élément de Q(X) de degré strictement inférieur au degré de Q tels que
l’on ait : Z X Z X
P(t) H(t)
n
dt = R(X) + dt.
(Q(t)) Q(t)
(5) Soient H et Q deux polynômes à coefficients rationnels tels que 0 ≤ deg H <
deg Q = d et
>> RX := resultant(H-Y*diff(Q,X),Q,X);
Pourquoi RX est-il un polynôme en Y à coefficients rationnels ? Quel est
son degré ? Soient α1 , ..., αd les d racines (complexes, mais algébriques,
toutes simples par hypothèses) de Q. Montrez (en revenant à la définition
du résultant) que :
H(αl )
RX(z) = 0 ⇐⇒ ∃ l ∈ {1, ..., d} t.q. z = 0 .
Q (αl )
Montrez que, si z est une racine de RX, alors le polynôme
TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE 153

>> Rz:= gcdex(H-z diff(Q,X),Q,X);

(PGCD des deux polynômes en X que sont H-zQ’ et Q) a exactement
pour facteurs le produit des polynômes X − αl , où les αl sont les nombres
complexes pris dans la liste {α1 , ..., αd } et tels que z = H(αl )/Q0 (αl ).
(6) Soient H et Q comme à la question 4. En se basant sur la formule (décom-
position en éléments simples)
H(X) X H(αj )
d
1
= , (∗ ∗ ∗)
Q(X) j=1 Q0 (αj ) X − αj
vérifiez qu’une primitive de H/Q s’obtient comme
X
z ln Rz(X) ,
RX(z)=0

les zéros de RX étant considérés ici comme distincts, c’est-à-dire comptés

sans leur multiplicité. Ceci est très important, c’est d’ailleurs tout le
sel de la méthode, outre le fait que tous les calculs faits ici (hormis

la recherche des zéros de RX sont des calculs impliquant des polynômes à

coefficients entiers ou algébriques (mais jamais traités comme des nombres
complexes).
(7) Après avoir examiné la syntaxe de la routine sqrfree
>>?sqrfree;
construire une procédure
ReduceFormPol:= proc(R,X)
qui, étant donné un polynôme R à coefficients rationnels en la variable X,
renvoie un polynôme en la variable X à coefficients entiers ayant dans C
les mêmes zéros que R, mais cette fois tous simples (donc distincts).
(8) Combinez la procédure HermiteItere réalisée à la question 4 avec le
résultat établi à la question 6 ainsi que la procédure ReduceFormPol
réalisée à la question 7 pour réaliser cette fois une procédure
IntSymb := proc(P,Q,X,n)
pour la fraction rationnelle P/Qn . La procédure que vous avez rédigé ici
est due à Michael Rothstein et Barry Trager (autour de 1976). Elle est
devenue aujourd’hui une brique de base essentielle en calcul symbolique.
(9) Testez la procédure IntSymb pour calculer les primitives suivantes :
Z X 2 Z X
3t + 5 3t2 + 1
dt , dt
t4 + 1 (t4 + 1)5
Z X
43t9 + 48t8 − 116t7 − 126t6 − 11t3 − 26t2 − 23t − 8
dt
(t2 − 2)(t + 1)(t7 + t + 1)
Z X 3 Z X
6t + 13t2 + 28 − 72t dt
dt , .
t4 − 48 − 8t2 + t3 + 4t t( 1 + t2 )
Calculez dans les cinq cas la dérivée de votre résultat X 7→ Primj(X) avec
>> Derj:=normal(diff(Primj,X));
>> Derj:=normal(numer(Derj)/factor(expand(denom(Derj))));
154 TP6 : LE PRINCIPE DE L’ÉLIMINATION ALGÉBRIQUE SOUS MAPLE

(la seconde routine est un peu compliquée, mais je n’ai pas trouvé mieux
pour regrouper les facteurs avec radicaux figurant au dénominateur de la
fraction rationnelle Derj initiale). Calculez aussi le résultant RXj et sa
factorisation avec les commandes
>>RXjbis:=Split(RXj,Y);
>>convert(RXjbis,radical);
En conclusion de ces exemples, on voit que la procédure de Rothstein-
Trager s’avère d’autant plus intéressante que le résultant RX a des zéros
multiples. Le nombre de zéros distincts de RX peut s’avérer alors nettement
plus petit que le degré du polynôme Q (qui est aussi le degré en Y du
résultant RX, voir la question 5). De plus, si par chance les racines distinctes
de RX sont rationnelles (comme dans l’exemple 3), le calcul de la liste des
PGCD Rz (pour z balayant la liste des zéros distincts de RX) ne fait pas
apparaitre de factorisation intempestive impliquant des radicaux. Si les
zéros distincts de RX sont calculables, mais complexes, on notera cependant
que le regroupement des logarithmes conjugués via la formule formelle

ln X-(a+I*b) − ln X-(a-I*b) = 2 ∗ I ∗ arctan((X-a)/b)
si a ∈ R et b ∈ R∗ n’est pas opéré ici. Il conviendrait de l’effectuer
pour avoir une forme simplifiée (et réelle) de l’expression de la primitive
obtenue, ce que nous ne ferons pas faute de temps. Vous pouvez ajouter
cette opération supplémentaire de concaténation à titre d’exercice.
Sauvez votre feuille de travail comme [Link] dans votre répertoire TPMaple12,
puis fermez la.
ANNEXE F

TP7 : le théorème du point fixe en action sous

MATLAB

Cette séance de TP7 poursuit la familiarisation avec MATLAB. Elle illustre le

chapitre 4 du cours (le théorème du point fixe et ses applications en algèbre linéaire).
Ouvrez MATLAB pour commencer.

Exercice F.1 (l’algorithme itératif conduisant au calcul approché du rayon

spectral d’une matrice carrée réelle).
(1) Déclarez sous MATLAB la matrice symétrique réelle (de taille (4, 4)) sui-
vante :
>> A
A =

0.5172 0.5473 -1.2240 0.8012

0.5473 1.3880 1.3530 -1.1120
-1.2240 1.3530 0.0364 2.8930
0.8012 -1.1120 2.8930 0.0583
En utilisant la commande eig(A), calculez les quatre valeurs propres
réelles de cette matrice réelle symétrique A. Cette matrice A est-elle définie
positive ? Est-elle diagonalisable ? Quel est le signe de la valeur propre de
valeur absolue égale au rayon spectral r(A) de cette matrice ? Quelle est
la dimension (dans R4 ) du sous-espace propre correspondant ?
(2) Téléchargez depuis le site
[Link]
la routine rayonspectral. Modifiez ensuite cette routine pour réaliser une
routine
[r,Niter] = rayonspectral1(A,X,epsilon,k);
qui, étant donné un nombre maximal k d’itérations autorisées, une ma-
trice carrée (réelle ou complexe) de taille (N, N) A, un vecteur colonne X
de longueur N, calcule de manière approchée, dans les cas favorables, le
rayon spectral r de la matrice A, l’algorithme étant initié à X, ainsi que
le nombre Niter ≤ k d’itérations nécessaires avant que l’erreur entre une
approximation et la suivante ne vienne à passer en valeur absolue sous le
seuil epsilon 1. Testez cet algorithme sur la matrice A de la question 1 en
prenant k = 100, epsilon=eps, et pour X respectivement

1. Cela ne donne pas a priori une majoration par epsilon de l’erreur commise entre le rayon
spectral et sa valeur approchée (au terme de Niter itérations), mais seulement un contrôle de

155
156 F. TP7 : LE THÉORÈME DU POINT FIXE EN ACTION SOUS MATLAB

>> X1 = [1;1;1;1];
>> X2 = [1;1;0;0];
>> X3 = [1;0;0;0];
>> X4 = rand(4,1);
Quelle valeur de Niter trouvez vous dans chacun de ces cinq cas ? Vérifiez
que la valeur de r obtenue alors est bien en accord avec le résultat fourni
à la question 1 par la commande eig(A) donnant les quatre valeurs
propres (dans ce cas réelles) de la matrice A. Recommencez avec cette
fois epsilon = 10−6 .
(3) On suppose que A est une matrice réelle et que le rayon spectral r(A) est
la valeur absolue d’une valeur propre réelle simple de la matrice A. Vérifiez
que c’est bien le cas pour la matrice A donnée à la question 1. Modifiez la
routine rayonspectral1 en une routine AppVPdom ( Approximation du
Vecteur Propre associé à la valeur propre dominante ) :
[VP,Niter] = AppVPdom(A,X,epsilon,k);
qui fournisse, avec les mêmes données que dans rayonspectral1 en input,
– le vecteur VPNiter+1 de la suite initiée à X1 = X/norm(X) et régie
ensuite par l’équation récurrente
A · VPk
VPk+1 = , k ≥ 1.
norm A · VPk
– le nombre d’itérations Niter effectué dans la boucle sachant que
cette boucle s’arrête dès que, pour la première fois :
min (norm(VP_(Niter) -VP_(Niter-1)),
norm (VP_(Niter)+ VP_(Niter-1))) <= epsilon
Testez cet algorithme avec la matrice A en prenant epsilon=eps,
k=200 et respectivement X = X1,X2,X3,X4 comme à la question 2.
Quelle valeur de Niter obtenez vous dans chacun de ces quatre cas ?
Recommencez avec cette fois epsilon = 10−6 . Calculez les vecteurs
propres (normalisés) de la matrice A en utilisant :
>> [V,D] = eig(A);
>> V
Comparez le vecteur propre Y=V(:,1) ainsi obtenu (correspondant
à la valeur propre de valeur absolue r(A)) et le vecteur VP obtenu
via
>> [VP,Niter] = AppVPdom(A,X,epsilon,k);
(4) Modifiez la routine AppVPdom construite à la question 3 en une nouvelle
routine
function [VP,Niter,errY] = AppVPdom1(A,X,Y,epsilon,k);
qui, en plus des sorties VP et Niter (comme pour la routine AppVPdom
construite à la question 3), fournit aussi la liste errY des erreurs succes-
sives 2
cette erreur à un facteur multiplicatif près, ce contrôle étant de l’ordre de epsilon/(1 − ρ), où ρ
désigne le rapport entre r(A) et le module de la première valeur propre de module strictement
inférieur à r(A). Voir pour cela la preuve de la Proposition 4.2 du cours.
2. Même remarque que précédemment à propos du contrôle d’erreur : cette tolérance epsilon
contrôle l’erreur entre VPNiter et un vrai vecteur propre normalisé (pour la valeur propre ± r(A))
en epsilon/(1 − ρ), où ρ a été défini dans la note 1 précédente.
F. TP7 : LE THÉORÈME DU POINT FIXE EN ACTION SOUS MATLAB 157

min(norm(VP_k-Y), norm(VP_k+Y)), k=1,2,...,Niter

lorsque Y est un vecteur colonne de R donné en input en plus des données
4

précédentes A,X,epsilon,k. En utilisant cette routine avec epsilon =

10−6 , Y=V(:,1) (vecteur propre normalisé de la matrice A correspondant
à la valeur propre de valeur absolue r(A)) et X=X1,X2,X3,X4, comparez
la rapidité de la convergence de la suite (VPk )k vers ±Y dans les quatre
cas de figure (suivant la valeur du vecteur initial X depuis lequel est lancé
l’algorithme).
(5) Reprendre la question 4 en remplacant dans la routine l’utilisation de la
norme euclidienne norm par la norme k k∞ (norm(.,inf) sous MATLAB).
On notera la nouvelle routine (obtenue en modifiant à la marge la routine
AppVPdom1 de la question 4) AppVPdom1bis.
Exercice F.2 (un schéma simpliste pour Pagerank). Cet exercice met en
œuvre l’approche proposée dans la section 4.1.2 des notes de cours ( maquette sim-
pliste du fonctionnement de Google).
(1) Construire une routine
function G=AdjacencePonderee(M);
qui, étant donnée une matrice M de taille (N,N) dont les entrées sont
constituées de 0 et de 1 (considérée comme la matrice d’adjacence d’un
certain graphe orienté (E,V)), calcule la matrice d’adjacence pondérée de
ce même graphe orienté, c’est-à-dire la matrice G déduite de la matrice M
en transformant chaque ligne de M ainsi :
– une ligne constituée entièrement de 0 reste inchangée ;
– une ligne dans laquelle figure au moins un 1 est divisée par le nombre
de 1 présents sur cette ligne.
(2) Rédigez une procédure
function [Lequilibre,Niter]
=Pagerank(M,L0,kappa,epsilon,k);
qui, étant donné un graphe orienté (E,V) à N sommets, matérialisé par sa
matrice d’incidence M, un nombre kappa strictement entre 0 et 1, calcule
de manière approchée le vecteur ligne Lequilibre (de longueur N), unique
point fixe de l’application strictement contractante :
L = ((1-kappa)/N)*ones(1,N) + kappa*L*G
lorsque :
– G désigne la matrice d’adjacence pondérée du graphe orienté (E,V)
(cf. la question 1) ;
– l’algorithme est initié avec le vecteur ligne L0 (dont les entrées sont
positives et de somme 1) ;
– le nombre maximal d’itérations autorisées est k ;
– le nombre Niter ≤ k est le nombre d’itérations nécessaires (lorsque
cela est possible) jusqu’à ce que, pour la première fois 3,
norm(L_(Niter)-L_(Niter-1)) <=epsilon

3. D’après l’étude faite en cours, cf. la preuve du Théorème 4.1 (du point fixe), l’erreur entre
LNiter et sa limite est alors majorée par epsilon/(1-kappa).
158 F. TP7 : LE THÉORÈME DU POINT FIXE EN ACTION SOUS MATLAB

(3) Générez un graphe orienté à 10 sommets via la donnée de sa matrice

d’adjacence M et calculez la mesure d’équilibre Lequilibre de ce graphe
orienté avec le choix de kappa=0.85 (le choix classiquement privilégié dans
l’algorithme Pagerank). Prendre epsilon = 10−8 , puis epsilon=eps, cal-
culez aussi Niter (lorsque k=100) et examinez la dépendance en le choix
du vecteur ligne initial L0 : on pourra prendre par exemple pour ce faire
comparer les résultats
– une liste initiale creuse telle L0=[1 0 0 ... 0] ;
– une liste initiale pleine telle L0=L00/sum(L00) (L00=rand(1,10)).
Affichez les résultats par exemple avec plot(Lequilibre,’d’).
Exercice F.3 (algorithmes itératifs de Jacobi et de Gauß-Seidel). Téléchargez
depuis le site
[Link]
les deux routines Jacobi.m et GaussSeidel.m, respectivement basées sur les décompo-
sitions M=D-E=diag(diag(M))-(diag(diag(M))-M) et M=T-F=tril(M)-(tril(M)-M).
(1) Transformez ces deux routines en des routines :
function [XX,Niter] = Jacobi1(M,B,X,epsilon,k);
function [XX,Niter] = GaussSeidel1(M,B,X,epsilon,k);
qui, étant donnés une matrice M de taille (N,N), sans zéros sur la diagonale,
et un vecteur colonne B de longueur N :
– renvoient toutes les deux le message

condition non remplie

si la condition kD−1 · E)k∞ < 1 (ou la condition ||T−1 · F||2 < 1) se

trouve en défaut ;
– génèrent, si la condition se trouve remplie, l’algorithme itératif,
soit de Jacobi, soit de Gauß-Seidel, initié sur le vecteur colonne
X (aussi de longueur N), et visant à calculer de manière approchée
la solution XX du système de Cramer M∗XX=B ; le nombre maximal
d’itérations autorisées est k (le même que celui autorisé pour calcu-
ler en préambule le rayon spectral des matrices D−1 ∗ E ou T−1 ∗ F),
et l’on décide que l’algorithme itératif s’arrête dès que, pour la
première fois 4,

norm(XX_(Niter)-XX_(Niter-1)) <=epsilon

(2) Construisez une routine

[XX,Niter] = ExempleJacobi(N,B,X,epsilon,k);
qui, étant donné un entier strictement positif N, un vecteur B de taille
(N,1) :

4. D’après l’étude faite en cours, cf. la preuve du Théorème 4.1 (du point fixe), l’erreur entre
XXNiter et sa limite (à savoir la solution du système de Cramer que l’on tente d’approcher) est
alors majorée par epsilon/(1-r(A)), où A = D−1 ∗ E ou A = T−1 ∗ F suivant le cas (Jacobi ou
Gauß-Seidel).
F. TP7 : LE THÉORÈME DU POINT FIXE EN ACTION SOUS MATLAB 159

– génère la matrice creuse M(N) de taille (N,N) dont la diagonale est

constituée de 3, la sur-diagonale et la sous-diagonale de -1, toutes
les autres entrées de la matrice étant nulles ;
– résout par la méthode de Jacobi (initiée au vecteur X de taille (N,1),
avec k itérations autorisées au plus et un seuil d’erreur epsilon
comme à la question 1) le système de Cramer M(N) ∗ XX = B, où la
sortie Niter ≤ k désigne toujours le nombre d’itérations réellement
effectué lors de l’algorithme de Jacobi.
Faites la même chose en remplaçant l’algorithme de Jacobi par celui de
Gauß-Seidel pour construire une fonction similaire :
[XX,Niter] = ExempleGaussSeidel(N,B,X,epsilon,k);
(l’algorithme de Jacobi ayant cette fois été remplacé par l’algorithme de
Gauß-Seidel).
(3) Générez une matrice réelle A de taille (20,20) en utilisant la routine
A = 2*(rand(20)-ones(20)/2);
Générez ensuite la matrice A*A’. L’algorithme de Gauss-Seidel converge-
t-il lorsque la matrice M est la matrice M=A*A’ ? Pourquoi ? Vérifiez le en
générant un vecteur B=rand(20,1) et en essayant de résoudre le système
de Cramer (A∗A’)∗ XX =B de manière itérative en utilisant la routine
[XX,Niter] = GaussSeidel1(A*A’,B,zeros(20,1),10^(-8),k);
Comparez le résultat que vous obtenez ainsi avec celui donné par la
résolution directe
>> (A*A’)^(-1)*B
Comment faut-il choisir k pour que les deux résultats soient en cohérence ?
Calculez eig(T−1 ∗ F) pour la décomposition de Gauß-Seidel A∗A’=T-F et
expliquez pourquoi il s’avérait nécessaire de choisir de telles valeurs de k
pour appliquer l’algorithme de Gauß-Seidel.
(4) Soient les trois matrices :
     
1 .75 .75 1 2 −2 2 −1 1
.75 1 .75 1 1 1 2 2 2 .
.75 .75 1 2 2 1 −1 −1 2
Quels algorithmes (de Jacobi ou de Gauß-Seidel) sont-ils convergeant pour
la résolution itérative des systèmes M ∗ XX = B lorsque M est l’une de ces
trois matrices (étudiez les trois cas séparément) ?

Exercice F.4 (le conditionnement des matrices et les facteurs d’amplification

d’erreurs relatives dans la résolution des ystèmes de Cramer perturbés).
(1) En utilisant la routine svd :
>> [U,D,V] =svd(M);
donnant la décomposition en valeurs singulières d’une matrice réelle ou
complexe (cf. la section 4.4.1 du cours), écrivez une routine
function c=ConditionnementNorme2(M);
160 F. TP7 : LE THÉORÈME DU POINT FIXE EN ACTION SOUS MATLAB

qui donne la valeur du conditionnement d’une matrice carrée inversible

M relativement à la norme k k2 . En utilisant cette routine, calculez le
conditionnement de la matrice
 
10 7 8 7
7 5 6 5
A := 
 8 6 10 9 


7 5 9 10
utilisée dans la section 1.2.2 du cours. Comparez avec le résultat donné
par cond(A). En utilisant les routines
>> help cond
>> cond(A,1)
>> cond(A,inf)
calculez le conditionnement de la matrice A relativement au choix de la
norme matricielle k k1 et de la norme matricielle k k∞ .
(2) Perturbez la matrice A en lui ajoutant la perturbation :
 
0 0 .1 .2
 .08 .04 0 0 
DeltaA :=  0

−.02 −.11 0 
−.01 −.01 0 −.02.
Calculez les solutions XX et XXX des deux systèmes de Cramer
A ∗ XX = B, (A + DeltaA) ∗ XXX = B
si B=[32;23;33;31], d’abord par la méthode directe :
>> XX = A^{-1} * B ;
>> XXX= (A+DeltaA)^(-1)*B ;
puis par les méthodes itératives :
>> [XX1,Niter] = GausssSeidel(A,B,zeros(4,1),10^(-8),k);
>> [XXX1,Niter] = GaussSeidel(A,B,zeros(4,1),10^(-8),k);
Calculez le coefficient d’amplification d’erreur relative :
>> (norm(XXX-XX)/norm(XXX))*(norm(A)/norm(DeltaA))
Que remarquez vous ? Quel est l’ordre de grandeur de ce coefficient d’am-
plification des erreurs relatives ?
(3) On perturbe maintenant le vecteur B (de la question 2) par le vecteur
DeltaB = [.01;-.01;.01;-.01]. Résoudre (de deux manières différentes,
comme à la question 2 (directement ou alors de manière itérative en uti-
lisant l’algorithme de Gauß-Seidel) le système de Cramer :
A ∗ XXXX = DeltaB.
Calculez encore le coefficient d’amplification de l’erreur relative :
>> (norm(XXXX-XX)/norm(XXXX))*(norm(B)/norm(DeltaB))
Que remarquez vous à nouveau ? Quel est l’ordre de grandeur de ce coef-
ficient d’amplification des erreurs relatives ?
Projets (à traiter par binôme ou trinôme)

Présentation : 20 minutes par binôme (10 minutes par orateur) + 5 minutes de

questions du jury.
1. Autour du protocole RSA. Implémentation sous Maple. On présentera en par-
ticulier en les illustrant par des procédures sous Maple les algorithmes d’exponen-
tiation rapide en arithmétique. Le logiciel utilisé sera Maple.
2. Les schémas numériques à l’épreuve de la résolution des équations
différentielles ordinaires (EDO). En utilisant MATLAB, on présentera, étayées
par des exemples, les méthodes du type Runge-Kutta, et on fera le lien avec les
méthodes de Newton-Cotes, exploitées, elles, pour le calcul approché d’intégrales.
Comme exemples illustratifs, on utilisera les modèles de systèmes autonomes du
type proie-prédateur . Le logiciel utilisé sera MATLAB. On pourra se servir comme
base de l’article de G. Vial [Vial] ainsi que du polycopié de cours (chapitre 5).
3. L’intégration formelle des fractions rationnelles. Ce au travers de la
décomposition en éléments simples, de la méthode d’Hermite et de l’algorithme
de Rothstein-Trager (utilisant la théorie de l’élimination et la notion de résultant).
Le point de départ pourra être l’exercice 4 de la feuille de TP 6, que l’on approfon-
dira. Le logiciel utilisé sera Maple.
4. Les méthodes de multiplication rapide en analyse et en arithmétique.
On illustrera comment le petit théorème de Fermat fournit un cadre pour envisager
en arithmétique (dans Z/pZ, avec p premier) l’algorithme de Cooley-Tukey (au lieu
de WN = exp(−2iπ/N ), on prend une racine a de ap−1 = 1 dont les puissances
engendrent (Z/pZ)∗ ). Le logiciel utilisé sera Maple.
5. Le principe du CAT-Scanner en dimension 2. On présentera la transfor-
mation de Radon digitale, brique de base dans la conception du CAT-Scanner en
imagerie médicale. On construira le sinogramme d’une image, c’est-à-dire l’image
vue derrière le rayonnement gamma qui l’a traversé, puis le principe de la resti-
tution de l’image originelle à partir de son sinogramme. Les images utilisée seront
par exemple les fantômes dits de Shepp-Logan qui servirent de modèle à Mac
Cormack et Hounsfield (prix Nobel de médecine en 1979). Le logiciel utilisé sera
MATLAB, accompagné du toolbox ImageProcessing.
6. Comment la fft intervient-elle dans les algorithmes de compression
d’image (JPEG) ? Comment la décomposition de Haar (voir le TP 3) intervient-elle
dans les algorithmes de compression plus récents tels JPEG2000 ? On illustrera par
des exemples le principe de ces algorithmes et on les implémentera sur des images
de petite taille (256 sur 256 ou 512 sur 512 par exemple). Le logiciel utilisé sera
MATLAB, accompagné du toolbox ImageProcessing. Les données seront téléchargées
depuis le web et transformées numériquement sous MATLAB. On pourra se reporter

161
162 PROJETS (À TRAITER PAR BINÔME OU TRINÔME)

à [Peyr] pour une présentation (contenant des routines sous Scilab) au traitement
numérique des images (voir aussi le document ressources du ministère [TermS]).
7. Le principe de l’interpolation trigonométrique et le phénomène de
Gibbs. Le point de départ de ce projet sera l’exercice 5 de la feuille de TP 5, que l’on
approndira avec d’autres exemples de fonctions ayant beaucoup de discontinuités
(construites par exemple sur le principe des fonctions fractales). Le logiciel utilisé
sera MATLAB, accompagné si nécessaire du Toolbox SignalProcessing.
8. Le théorème du point fixe et les moteurs de recherche sur le web
(Google). On présentera des modèles de graphes orientés et la recherche de dis-
tribution d’équilibre. On pourra s’aider des articles introductifs de M. Eisermann
[Eiser] ou [Eiser0], ou bien du document ressources établi par le Ministère de
l’Education Nationale pour les enseignants en Spécialité Mathématiques en Termi-
nale S [TermS]. Le logiciel utilisé sera de préférence MATLAB (plus adapté au calcul
scientifique), mais l’on pourra aussi utiliser Maple.
9. Les méthodes d’accélération de convergence à l’épreuve des approxi-
mations du nombre π. On présentera quelques méthodes conduisant à la re-
cherche de décimales du nombre π et faisant intervenir le principe de l’accélération
de convergence (formule de John Machin, exercice 4 du TP4, couplé avec le principe
de l’accélération de convergence de Richardson, etc.). Le logiciel exploité pour ce
projet sera Maple.
Annales : examen 2011-2012, session 1 (1h30)

Exercice I. Soient a et deux nombres réels √ strictement positifs. Donner la

procédure retournant une approximation de a à près et fondée sur la méthode
de Newton. Quel est l’ordre de cette méthode ?
Exercice II. Soient x0 = a < x1 < · · · < xN = b, N + 1 nombres equi-espacés de
l’intervalle [a, b] et y0 , ..., yN N + 1 nombres réels.
a) On note L[x0 , ..., xN ; y0 , ..., yN ] le polynôme d’interpolation de Lagrange pre-
nant, pour chaque j = 0, ..., N , la valeur yj au point xj . Quel est le degré de ce
polynôme ? Donner une expression algébrique de ce polynôme.
b) Vérifier la formule de Aitken :
L[x0 , ..., xN ; y0 , ..., yN ]
(X − x0 )L[x1 , ..., xN ; y1 , ..., yN ] − (X − xN )L[x0 , ..., xN −1 ; y0 , ..., yN −1 ]
= .
xN − x0
c) En utilisant le résultat établi au b), écrire une procédure récursive aboutissant
au calcul du polynôme L[x0 , ..., xN ; y0 , ..., yN ].
Exercice III. Soit N ∈ N∗ et G une matrice (N, N ) dont les entrées sont des
nombres réels positifs, telle que la somme des termes sur chaque ligne de G soit
égale à 1 (on dit que G est une matrice stochastique).
a) Calculer kGk∞ . Que vaut le rayon spectral de la matrice G ?
b) Soit κ ∈]0, 1[. Montrer qu’il existe un unique vecteur ligne X = (x1 , ..., xN ) dans
RN tel que
1−κ
X= (1, ..., 1) + κ X · G.
N
Décrire une procédure algorithmique aboutissant au calcul de X. Montrer que les
entrées de X sont des nombres réels positifs de somme égale à 1.
c) Soient λ1 , ..., λN des nombres réels positifs tous strictement supérieurs à 1 et Gλ
la matrice
Gλ := diag [λ1 , ..., λN ] − G,
où diag [λ1 , ..., λN ] désigne la matrice diagonale (N, N ) dont toutes les entrées
sont nulles, excepté celles sur la diagonale, valant respectivement λ1 , ..., λN . Pour-
quoi les algorithmes itératifs de Jacobi et de Gauß-Seidel (pour la résolution en
Y du système linéaire Gλ · Y = B, B étant un vecteur colonne donné de RN )
convergent-t’ils tous les deux ? Expliciter la procédure conduisant au calcul de la
solution Y de Gλ · Y = B suivant la méthode de Jacobi.
Exercice IV. Soient a, b, c, d quatre nombres réels strictement positifs. On considère
le système différentiel proie-prédateur :
dx dy
= x(t)(a − by(t)), = y(t)(−c + dx(t)),
dt dt
163
164 ANNALES : EXAMEN 2011-2012, SESSION 1 (1H30)

où x et y sont deux fonctions réelles du temps t ∈ [0, ∞[.

a) On suppose x(0) = x0 > 0 et y(0) = y0 > 0. Soit T > 0 et h = T /N (N ∈ N∗ ).
Écrire la procédure conduisant à l’approximation des fonctions t 7→ x(t) et t 7→ y(t)
sur l’intervalle [0, T ], basée sur la méthode d’Euler explicite avec h comme pas.
b) On suppose toujours x(0) = x0 > 0 et y(0) = y0 > 0, et T , h comme à la
question précédente. Écrire la procédure conduisant à l’approximation des fonctions
t 7→ x(t) et t 7→ y(t) sur l’intervalle [0, T ], basée sur la méthode d’Euler implicite
avec h comme pas.
Annales : examen 2011-2012, session 2 (1h30)

Exercice I.
1. Soit A la matrice 7 × 7 suivante :

 
−6 1 2 −1 −1/2 1/4 1/2
 1 5 1/3 −1/3 0 −1 1/2
 
 0 −1 4 0 1/2 −1/3 2 
 
A=
−1/2 1 1/3 −3 1/2 1/3 0 .
 2 −1 −1/2 1/3 −5 1 0 
 
−1/2 1 1/3 2 −1 7 1 
2 −3 −1 1 0 −2 10

Décrire une méthode itérative conduisant à la résolution du système :


1
0
 
−2
 
AX = 
−1
 (∗)
0
 
3
1

2. Donner une majoration du nombre d’itérations nécessaires pour obtenir une

valeur approchée de la solution X de (∗) à 10−4 près, lorsque la méthode proposée
à la question 1 est initiée avec la matrice nulle.
3. La méthode proposée à la question 1 fonctionne-t’elle encore si A est remplacée
par la matrice :

 
−5 1 2 −1 −1/2 1/4 1/2
 1 5 1/3 −1/3 0 −1 1/2
 
 0 −1 4 0 1/2 −1/3 2 
 
B=
−1/2 1 1/3 −3 1/2 1/3 0 
?
 2 −1 −1/2 1/3 −5 1 0 
 
−1/2 1 1/3 2 −1 7 1 
2 −3 −1 1 0 −2 10
165
166 ANNALES : EXAMEN 2011-2012, SESSION 2 (1H30)

En admettant que B est inversible et de transposée t B, décrire une méthode

itérative permettant de résoudre le système de Cramer :
 
1
0
 
−2
 
(B · B) X = 
t 
−1 .
0
 
3
1

Exercice 2.
1. Soit N un entier strictement positif donné. Donner
√ la définition du polynôme
d’interpolation de Lagrange de la fonction x 7→ 1/ x aux points xj = 1 + j/N ,
j = 0, ..., N .
2. Expliquer le principe de la méthode de Aitken conduisant au calcul récursif de
ce polynôme de Lagrange PN .
√
3. Donner une majoration de sup[1,2] |1/ x − PN (x)|.
Exercice 3.
1. Expliciter les méthodes d’Euler explicite, d’Euler implicite et d’Euler modifiée
pour la résolution de l’équation différentielle :
y 0 (t) = sin(y 2 (t)) + t2
sur l’intervalle [0, 1], avec la condition initiale y(0) = 1. On prendra comme pas
h = 1/N , où N est un entier strictement positif.
2. Quel est l’ordre de chacune de ces trois méthodes ?
Exercice 4.
1. Soient P et Q les polynômes en deux variables :
P (X, Y ) = X 3 Y 2 + 5X 2 Y − X(3Y 2 + 1) − Y 2 − 1
Q(X, Y ) = X 2 (Y 3 + 2Y + 4) − XY + 1.
Soit E l’ensemble des couples (x, y) de points de C2 tels que P (x, y) = Q(x, y) =
0. Déterminer des polynômes A et B d’une variable, à coefficients réels, dont on
précisera le degré, tels que :

(x, y) ∈ E =⇒ A(x) = B(y) = 0 .
2. Peut on résoudre par radicaux l’équation B(y) = 0 dans C ? Que retournerait
MAPLE si on lui soumettait l’instruction solve(B(y)=0) ? Expliciter une méthode
approchée d’ordre deux permettant de calculer asymptotiquement les racines réelles
de l’équation B(y) = 0.
Annales : examen 2012-2013, session 1 (1h30),
texte + corrigé

Exercice 1. Soit f : R → R une fonction numérique de classe C ∞ prenant

des valeurs rationnelles aux points rationnels, a et b deux nombres rationnels, et
(xn )n≥1 la suite de nombres réels définie par x1 = a, x2 = b et, pour tout n > 2,

 xn−1 − xn−2
xn−1 − f(xn−1 ) si f(xn−1 ) 6= f(xn−2 )
xn = x f(x n−1 ) − f(xn−2 )

 n−1 + xn−2 sinon.
2
(1) Dites pourquoi la suite (xn )n≥1 est une suite de nombres rationnels.

Ceci se voit par récurrence : en effet l’expression rationnelle de xn en

termes de xn−1 et xn−2 est une expression rationnelle à coefficients ratio-
nels (dans les deux sous-cas de l’alternative proposée pour la définition de
xn ).
(2) On suppose que f(a)f(b) < 0. À quelle méthode algorithmique corres-
pond la génération de cette suite (xn )n≥1 ? Si cette suite converge vers un
nombre réel ξ tel que f0 (ξ) 6= 0 et n’est pas stationnaire, pourquoi a-t’on
f(ξ) = 0 ? Quelle est l’ordre de convergence de cette méthode algorithmique
(on pourra se contenter d’en donner une minoration) ?

La méthode algorithmique à laquelle correspond la génération de la suite

(xn )n≥1 est la méthode de la sécante (voir la section 2.1.3 du cours). On
reconnait en effet la formule inductive (2.2) sous-tendant cette méthode.
Si la suite converge vers un nombre ξ tel que f0 (ξ) 6= 0, il résulte de la
formule des accroissements finis que
xn−1 − xn−2 1
lim = 0 .
n→+∞ f(xn−1 ) − f(xn−2 ) f (ξ)

Le théorème de Rolle assure d’autre part que, puisque la suite (xn )n≥1
n’est pas stationnaire, alors nécessairement f(xn ) 6= f(xn+1 ) pour n assez
grand : si ce n’était pas le cas, on devrait avoir en effet, pour un tel n,
xn = xn+1 , car, sinon, il y aurait (par Rolle) un zéro de f0 entre xn et
xn+1 , ce qui est impossible du fait que la suite (xn )n≥1 est censée converger
vers ξ tel que f0 (ξ) 6= 0 et que f0 est continue en ce point ξ. Pour n assez
grand, on a donc
1
xn − xn−1 = f(xn−1 ) × 0 + o(1) = o(1).
f (ξ)
167
168 ANNALES : EXAMEN 2012-2013, SESSION 1 (1H30), TEXTE + CORRIGÉ

On en déduit que
f(ξ) = lim f(xn−1 ) = 0.
n→+∞
L’ordre de convergence √ de la méthode de la sécante est au moins égal au
nombre d’or (1 + 5)/2 d’après le cours (Proposition 2.3) et les TP. En
fait, il y a égalité.
(3) Rédiger, en complétant le code Maple suivant, une procédure récursive qui
calcule xN pour N ≥ 1, a,b étant des rationnels fixés (la fonction f ayant
été préalablement déclarée sous Maple) :
algorithme := proc(f,a,b,N) option remember;
local ... ;
if N=1 then
... ;
elif N=2 then
... ;
else
if ... then
... ;
else
... ;
... ;
... ;
end if;
end if;
end proc;
Expliquer pourquoi les deux boucles if ... end if sont essentielles. Que
se passerait-il en particulier si l’on omettait la première d’entre elles ?
Quels sont à la fois le sens et l’intérêt de l’instruction option remember ?

Voilà comment compléter le synopsis proposé :

algorithme := proc(f,a,b,N) option remember;
local u,v;
if N=1 then
a ;
elif N=2 then
b ;
else
u := algorithme (f,a,b,N-2);
v := algorithme (f,a,b,N-1);
if f(u)=f(v) then
(u+v)/2 ;
else
v - f(v) *(v-u)/(f(v)-f(u));
end if;
end if;
end proc;
La première boucle if ... end if est essentielle car, si on l’omettait, la procédure
récursive ne serait pas initialisée et bouclerait donc sur elle-même indéfiniment. La
ANNALES : EXAMEN 2012-2013, SESSION 1 (1H30), TEXTE + CORRIGÉ 169

seconde boucle if ... end if est tout aussi essentielle, mais pour une autre rai-
son : afin d’éviter cette fois une intempestive division par zéro lors de l’implémentation
de la procédure (la procédure récursive générant la suite (xn )n≥1 contient d’ailleurs
dans sa définition même cette seconde boucle if ... end if). L’instruction option
remember (dans une procédure récursive) permet de conserver en mémoire les
résultats et donc de ne pas refaire un calcul déjà fait lors des appels successifs
à la récursivité ; l’intérêt de cette instruction réside dans l’allègement qui en résulte
concernant le temps d’exécution time du code (évalué en temps CPU).

Exercice 2.
(1) Rappeler comment déclarer sous l’environnement MATLAB la fonction
t2 × (cos(t)) × (ln(t2 + 1))
f : t ∈ R 7−→ ,
2 + t4 − (sin(t))2
de manière à cette fonction puisse aussi être directement évaluée aussi
bien sur un vecteur ligne t que sur un simple scalaire t.
On utilise pour cela la commande :
>> f =
inline (’(t.^2).*cos(t).*(log(t.^2+1))./(2+t.^4-(sin(t)).^2)’,’t’);
(2) Rédiger un code (sous MATLAB) :
function Im = trapezes (a,b,f,m) ;
qui, étant donnés deux réels a < b et un entier m ∈ N∗ , renvoie en
sortie, une fois exécuté, l’intégrale approchée Im de f sur le segment
[a, b], calculée suivant la méthode des trapèzes composite, avec comme
pas hm = (b − a)/M, où M = 2m . Que vaut (en vous reportant au cours) le
plus grand entier k ∈ N∗ tel que l’on puisse affirmer :
Z b b − a k
f(t) dt − Im = O
a 2m
lorque m croit vers l’infini ?
Il suffit d’utiliser sur chaque segment de la subdivision de [a, b] la formule
(5.18), puis d’ajouter : les extrémités a et b sont prises en compte avec un
facteur hm /2, tandis que les 2m autres nœuds de la subdivision sont pris
en compte avec un facteur hm . Cela donne donc le code MATLAB suivant :
function Im = trapezes (a,b,f,m) ;
h = (b-a)/(2^m) ;
t = a:h:b ;
Im = h *((f(t(1)) + f(t(2^m+1)))/2 + sum(f(t(2:2^m))));
L’ordre de la méthode des trapèzes vaut p = 3 (voir la formule (5.23)
dans la sous-section 5.2.2 du cours). Lorsque cette méthode des trapèzes
est utilisée de manière composite avec un pas h = (b − a)/M, l’erreur
Rb
absolue commise entre l’intégraleexacte a f(t) dt et sa version approchée
est majorée en M×O ((b−a)/M)3 = O ((b−a)/M)2 . Le plus grand entier
k possible ici pour que l’assertion exigée soit valide est k = 2.
170 ANNALES : EXAMEN 2012-2013, SESSION 1 (1H30), TEXTE + CORRIGÉ

(3) On admet (suivant en cela la formule d’Euler-MacLaurin mentionnée en

cours), que, lorsque m ∈ N∗ croit vers l’infini,
Z b b − a 2 b − a 4
Im = f(t) dt + α0 [f] + O ,
a 2m 2m
avec α0 [f] = (f’(a) − f’(b))/12. Suivant le principe d’extrapolation de
L. Richardson, modifier le code trapezes en un code :
ImBis = trapezes2 (a,b,f,m) ;
de manière à ce que, cette fois, on puisse affirmer :
Z b b − a 4
f(t) dt − ImBis = O
a 2m
lorsque m croit vers l’infini.
(4) L’idée est de combiner les deux formules :
Z b
Im = f(t) dt + α0 [f] h2m + O(h4m )
a
Z b
I[m+1] = f(t) dt + α0 [f] h2m+1 + O(h4m+1 )
a
Z b
h2
= f(t) dt + α0 [f] m + O(h4m ).
a 4
En formant
1
Imbis = 4 × I[m+1] − Im ,
3
Rb
on obtient donc une approximation de l’intégrale exacte a f(t) dt avec
une erreur absolue en O(h4m ) (au lieu de O(h2m ) comme c’était le cas pour
l’approximation par Im). En termes de code MATLAB, cela s’écrit :
function Imbis = trapezes2 (a,b,f,m) ;
Im = trapezes(a,b,f,m);
Imaux = trapezes(a,b,f,m+1);
Imbis = (1/3)*(4*Imaux - Im);
(5) Montrer que ImBis correspond au calcul approché de l’intégrale de f sur
le segment [a,b], calculée suivant cette fois la méthode de Simpson com-
posite, avec comme pas toujours hm = (b − a)/M, où M = 2m .
On vérifie immédiatement que
hm X
M-1
Imbis = f(a) + f(b) + 2 f(a + jhm )
6 j=1
!
XM hm
+4 f a + (2j − 1) .
j=1
2

Le membre de droite de cette formule correspond exactement à l’approxi-

mation de l’intégrale par la méthode de Simpson composite (méthode à 3
points avec précisément les pondérations L/6, 4L/6, L/6, L désignant ici
la longueur L = (b-a)/M de chaque segment de la subdivision).
ANNALES : EXAMEN 2012-2013, SESSION 1 (1H30), TEXTE + CORRIGÉ 171

Exercice 3. On rappelle (voir le cours d’Algèbre 2) que si A désigne une matrice

réelle à m lignes et n colonnes et A0 sa transposée, alors, pour tout vecteur colonne
x ∈ Rn , on a
hA0 · A · x, xi = kA · xk2 , (∗)
où k k désigne la norme euclidienne sur Rn et h , i le produit scalaire usuel dans
Rn . Soit A une telle matrice, avec de plus m ≥ n et rang(A) = n.
(1) En utilisant (∗), vérifier que la matrice M := A0 ·A est une matrice symétrique
réelle définie positive (c’est-à-dire dont toutes les valeurs propres sont
strictement positives).
La relation (∗) implique que, si M · x = 0, alors kA · xk = 0. Comme le
rang de A est égal au nombre de colonnes n, l’endomorphisme de matrice
A relativement aux bases canoniques respectivement de Rn et de Rm est
injectif. Si M · x = 0, on a donc x = 0. La matrice (n, n) M est donc
inversible. Cette matrice est symétrique car
M’ = (A0 · A)0 = A0 · A00 = A0 · A = M.
En tant que matrice symétrique réelle inversible, M est diagonalisable et
toutes ses valeurs propres λ sont réelles non nulles. Si λ est une telle
valeur propre et v un vecteur propre (colonne) non nul associé à cette
valeur propre, alors, il vient du fait de (∗) :
hM · v, vi = λkvk2 = kA · vk2 ≥ 0.
On en déduit λ > 0. La matrice M est donc bien symétrique définie positive.
(2) Soit B un vecteur colonne de Rn . Écrire sous MATLAB 5 le code d’une
procédure itérative (reposant sur le théorème du point fixe dans Rn , au
travers d’un algorithme vu en cours)
function XX = resolIterative(M,B,X,k) ;
qui, initiée au vecteur colonne X ∈ Rn , fournit au bout de k itérations une
approximation XX de la solution du système de Cramer M · XX = B.
D’après le cours (Proposition 4.5), l’algorithme de Gauß-Seidel converge
lorsque la matrice M est symétrique réelle définie positive. C’est donc
la procédure itérative de Gauß-Seidel que l’on peut implémenter pour
résoudre le système de Cramer M · XX = B de manière approchée. La syn-
taxe sous MATLAB de la procédure demandée ici est donc :
function XX = resolIterative(M,B,X,k);
T=tril(M);
F=tril(M)-M;
XX=X;
for i=1:k
XX=T^(-1)*F*XX+T^(-1)*B;
end
(3) En y intégrant une boucle while (...) && (...) ... end, modifier le
code resolIterative rédigé à la question 2 en un code
5. Dans cette question, comme dans la suivante, on pourra, faute d’exprimer le code sous
la syntaxe du logiciel MATLAB, se contenter de le rédiger sous forme pseudo-algorithmique ,
pourvu d’en sérier clairement les instructions.
172 ANNALES : EXAMEN 2012-2013, SESSION 1 (1H30), TEXTE + CORRIGÉ

function [XX,Niter] = resolIterative2 (M,B,X,epsilon,k);

de manière à ce que la procédure correspondante s’arrête automatiquement
lors de son exécution dès qu’au terme d’un certain nombre d’itérations
0 ≤ Niter ≤ k, on trouve pour la première fois
XX(Niter + 1) − XX(Niter) ≤ epsilon,
où epsilon désigne un seuil strictement positif donné. On note ici XX(l),
l = 0, ..., k, l’état de la variable XX au terme de l itérations lors de
l’exécution du code. Que signifie le fait de prendre epsilon=eps ?
Le travail demandé ici correspond à un travail fait nombre de fois en TP,
soit sous Maple, soit (comme ici, cf. la feuille de TP 7) sous MATLAB. Voici
la nouvelle routine :
function [XX,Niter] = resolIterative2 (M,B,X,epsilon,k);
T=tril(M);
F=tril(M)-M;
% on initialise XX et l’erreur err
% permettant le test d’erreur a venir :
XX=X;
err=2*epsilon;

% on initialise l’indice de comptage d’iterations Niter :

Niter=0;

while (err > epsilon) && (Niter<k)

% on met en memoire le resultat de XX obtenu au terme des

% iterations precedentes :
XXold=XX;

% on reactualise XX avec une nouvelle iteration :

XX=T^(-1)*F*XX +T^(-1)*B;

% on calcule l’erreur entre ce nouvel XX et l’ancien,

% ce qui permet de reactualiser l’erreur :
err=norm(XX-XXold);

% on incremente l’indice de comptage

Niter=Niter+1;

end
Prendre epsilon=eps revient à décider que epsilon correspond à l’er-
reur machine (2−52 si l’on travaille en double précision). Ceci signifie que
l’exécution du code s’arrête (si toutefois on y parvient en moins de k
itérations) dès que la machine devient incapable de distinguer du point de
vue numérique les états au cran Niter et au cran Niter + 1 de la variable
XX.
Bibliographie

[Eiser0] M. Eisermann, l’algorithme Pagerank de Google, une promenade sur la toile, disponible
en ligne sur :
[Link]
[Eiser] M. Eisermann, Comment fonctionne Google ?
[Link]
[MathL2] J.M. Marco, P. Thieullen, J.P. Marco (ed.), Mathématiques L2, Pearson Education,
2007.
[MathAp] A. Yger & J.A. Weil (ed.), Mathématiques Appliquées L3, Pearson Education, Paris,
2009.
[Peyr] G. Peyré, le traitement numérique des images, disponible sur :
[Link]
[TermS] Document Ressources pour la classe de Terminale Générale et Technologique,
Mathématiques série S, enseignement de spécialité :
[Link]
/20/8/LyceeGT_ressources_SpeMath_Matrices_218208.pdf
[Vial] G. Vial, Le système proie-prédateur de Volterra-Lotka, Mars 2011, disponible en ligne sur :
[Link]
[Y0] A. Yger, Mathématiques de base (MIS 101, cours 2007-2008)
[Link]
[Yan] A. Yger, Analyse 1 (MIS201, cours 2012-2013) :
[Link]
[Y1] A. Yger, Calcul Symbolique et Scientifique, polycopié de l’UE MHT 304 (2010-2011) :
[Link]
[Y2] A. Yger, Algorithmique Numérique, polycopié de l’UE MHT 632 (2010-2011) :
[Link]
[Zim] P. Zimmerman Peut-on calculer sur ordinateur ?, Leçon de Mathématiques d’aujourd’hui,
Bordeaux, Octobre 2010 :
[Link]

173
Index

accélération de convergence, 95 John, 100

Aitken Craig-Nicholson
Alexander Craig, 20, 52 schéma implicite de, 100
lemme d’, 52
méthode d’, 20 d’Alembert
tableau d’, 53 théorème de, 41
Al Khuwarismi, 12 décimal
algèbre, 12 développement, 8
algorithme, 12 format, 8
algorithme Pagerank, 66, 68 dénormalisé
arrêt nombre, 9
test d’, 16 développement d’un entier
arrondi en base β, 8
au plus proche, 10 diagonale dominante, matrice à, 76
autonome dichotomie
système différentiel, 102 méthode de la, 36
ordre de la méthode, 38
Babylone synopsis de la méthode de, 37
algorithme de, 34 différences divisées, 50
Bézout directe, méthode, 73
Etienne, 14 discriminant, 62
identité de, 14, 49 dominante, matrice à diagonale, 76
identité pour des polynômes, 41
binaire élimination, 59
développement, 8 erreur
format, 8 machine, 10
Brin, Serguey, 68 états
espace des, 87
Cardano, Gerolamo, 20 Euclide
Cauchy algorithme étendu d’, 15
Augustin, 87 algorithme d’, 13, 41
formules pour le produit de, 42 euclidienne
Cauchy-Lipschitz, théorème de, 87 division des polynômes, 41
composite Euler
méthode, 95 Leonhard, 90
concave, fonction, 26 schéma explicite, 90
conditionnement, 5, 84 schéma implicite ou rétrograde, 90
convergence schéma modifié, 91, 98
accélération de, 20 Euler-MacLaurin, formule d’, 97
convexe, fonction, 26 evala
Cooley-Tukey commande MAPLE, 60
algorithme de, 43, 44 explicite
Cotes, Roger, 93 schéma numérique, 90
Craig exposant, 9

175
176 INDEX

extrapolation, 97 polynôme d’interpolation de, 48

linéaire
Fast Fourier Transform (fft), 44 équation différentielle, 88
fausse position Liouville
méthode de la, 29 classe de, 1
ordre de la méthode, 35 Lipschitz
synopsis de l’algorithme de, 32 condition de, 87
Ferrari, Ludovico, 20 Rudolph, 87
fft, procédure, 45 Lotka
Fibonacci, nombres de, 36 Alfred James, 102
Fourier discrète Lotka-Volterra
matrice de transformation, 43 modèle de, 102
fsolve Lyapunov
commande MAPLE, 23 théorème de, 103
Gauß
Machin
Carl Friedrich, 75
formule de, 19
lemme de, 59
John, 19
méthode du pivot de, 73
MacLaurin, Colin, 97
Gauß-Seidel
algorithme itératif de, 75 mantisse, 9
Google, matrice, 66 méthode
Gröbner, bases de, 62 à un pas, 90
Gram Minkowski
Jørgen Pedersen, 57 Hermann, 69
matrice de, 58 normes de, 69
Gram-Schmidt moindres carrés, 56
procédé d’orthonormalisation de, 57 multiplication rapide des polynômes, 43
graphe orienté, 66 multiplicité
d’un zéro de polynôme, 41
Heun
Karl, 99 NaN, 9
schéma explicite de, 99 Neville-Aitken, méthode d’interpolation de,
Hörner 52
algorithme de, 40 Newton
William George, 40 méthode d’interpolation de, 51
méthode sur R, 25
ifft, procédure, 45 ordre de la méthode, 33
implicite Newton, Isaac, 93
schéma numérique, 90 Newton-Cotes
instabilité méthodes de, 93
d’un point d’équilibre, 103 Nicholson
interpolation Phillis, 100
polynomiale quadratique, 56 norme
Inverse Fast Fourier Transform (ifft), 44 matricielle, 69
itérative, méthode, 73 sur KN , 68
Jacobi
ordre
algorithme itératif de, 74
d’une méthode de Newton-Cotes, 94
Carl Gustav, 74
d’une méthode itérative, 32
Kaczmarz de la méthode de dichotomie, 38
algorithme itératif, 86 de la méthode de Newton, 33
Stefan, 86 ordre supérieur
Kepler équation différentielle, 88
Johannes, 92
Kutta, Martin, 100 Page, Larry, 68
Pagerank, algorithme, 66, 68
Lagrange pas
Joseph-Louis, 48 méthode à un, 27
INDEX 177

nombre de, pour une méthode itérative, stabilité

33 d’un point d’équilibre, 103
PGCD, 11 Sterbenz
de deux polynômes, 41 lemme de, 11
phases stochastique, matrice, 66
espace des, 87 svd, routine MATLAB, 82
pivot de Gauß, méthode du, 73 Sylvester
plan de phase James, 59
pour un système autonome, 102 resultant de, 59
PolynomialInterpolation symbolique
commande MAPLE, 54 intégration, 63
PPCM, 11
précision Taylor-Lagrange
simple, double, quadruple, 9 formule de (version décentrée), 55
proie-prédateur, modèle, 102 trajectoire
pseudo-inverse, 83 pour un système autonome, 102
puissances croissantes trapèzes
algorithme de division suivant les, 42 méthode des, 92, 99

quadratique valeurs singulières

d’une matrice, 69
interpolation polynomiale, 56
décomposition d’une matrice en, 82
quatre points
Vandermonde
méthode à, 93
Alexandre-Théophile, 48
récursivité, 16 déterminant de, 48
révolution numérique, 43 virgule flottante
rectangles encodage en, 8
méthode des, 92, 98 Volterra
regula falsi, 30 Vito, 102
Resultant, resultant
zéro
commandes MAPLE, 60
encodage du, 9
Richardson
Lewis Fry, 95
processus d’extrapolation de, 95
Romberg
méthode de, 97
Wermer, 97
Rothstein-Trager, méthode de, 63
Runge
Carl, 56, 100
phénomène de, 56 Runge-Kutta, schéma
numérique de, 100

sécante, 29
méthode de la, 31
ordre de la méthode de la, 35
synopsis de l’algorithme de la, 31
Schmidt
Ehrard, 57
Seidel
Philipp Ludwig von, 75
Simpson
méthode de, 92
Thomas, 92
singulière, valeur, 69
solve
commande MAPLE, 20
sous-normal
nombre, 9

Vous aimerez peut-être aussi

Cours Calcul Scientifique CP1
Pas encore d'évaluation
Cours Calcul Scientifique CP1
38 pages
Méthodes Numériques et Programmation
Pas encore d'évaluation
Méthodes Numériques et Programmation
43 pages
Introduction aux langages informatiques et Matlab
Pas encore d'évaluation
Introduction aux langages informatiques et Matlab
8 pages
Intro Matlab Notes PDF
Pas encore d'évaluation
Intro Matlab Notes PDF
41 pages
Méthodes numériques en Scilab : Dichotomique et Newton
Pas encore d'évaluation
Méthodes numériques en Scilab : Dichotomique et Newton
2 pages
Exercices de programmation et algèbre
Pas encore d'évaluation
Exercices de programmation et algèbre
2 pages
ELT541 2024 Corrige
Pas encore d'évaluation
ELT541 2024 Corrige
3 pages
Syllabus du cours de Méthodes Numériques
Pas encore d'évaluation
Syllabus du cours de Méthodes Numériques
54 pages
Outils de Programmation Mathématique 2025
Pas encore d'évaluation
Outils de Programmation Mathématique 2025
4 pages
Problèmes de Progressions Arithmétiques et Géométriques
Pas encore d'évaluation
Problèmes de Progressions Arithmétiques et Géométriques
25 pages
Série TD2 PRF-1
Pas encore d'évaluation
Série TD2 PRF-1
1 page
Introduction au calcul formel avec Sage
Pas encore d'évaluation
Introduction au calcul formel avec Sage
54 pages
Simulation sur Calculateurs Analogiques
Pas encore d'évaluation
Simulation sur Calculateurs Analogiques
273 pages
Série Commune 4-1 CS-2020-2021
Pas encore d'évaluation
Série Commune 4-1 CS-2020-2021
2 pages
Introduction à la simulation numérique
Pas encore d'évaluation
Introduction à la simulation numérique
46 pages
An Numérique-Chap1
Pas encore d'évaluation
An Numérique-Chap1
7 pages
Exercices de Calcul et Programmation en Informatique
100% (1)
Exercices de Calcul et Programmation en Informatique
2 pages
Concepts mathématiques fondamentaux
Pas encore d'évaluation
Concepts mathématiques fondamentaux
5 pages
Récursivité : magie et défis en mathématiques
Pas encore d'évaluation
Récursivité : magie et défis en mathématiques
7 pages
Calcul Symbolique des Polynômes et Limites
Pas encore d'évaluation
Calcul Symbolique des Polynômes et Limites
10 pages
Exercices de programmation en Python et C
Pas encore d'évaluation
Exercices de programmation en Python et C
4 pages
Cours MAT 332 : Programmation et Analyse Numérique
Pas encore d'évaluation
Cours MAT 332 : Programmation et Analyse Numérique
3 pages
Atelier10 Approximation
Pas encore d'évaluation
Atelier10 Approximation
5 pages
Cours Pratique de Simulation Analogique
Pas encore d'évaluation
Cours Pratique de Simulation Analogique
183 pages
Mathématiques : Suites et Polynômes
Pas encore d'évaluation
Mathématiques : Suites et Polynômes
6 pages
Cours Opt
Pas encore d'évaluation
Cours Opt
3 pages
Chapitre 0
Pas encore d'évaluation
Chapitre 0
13 pages
TP Génie Civil : QCM et Exercices Matlab
Pas encore d'évaluation
TP Génie Civil : QCM et Exercices Matlab
3 pages
Info202 Part1 Intro Matlab
Pas encore d'évaluation
Info202 Part1 Intro Matlab
23 pages
Exercices Matlab : Initiation et Corrigés
Pas encore d'évaluation
Exercices Matlab : Initiation et Corrigés
2 pages
Problèmes de Progressions Arithmétiques et Géométriques
Pas encore d'évaluation
Problèmes de Progressions Arithmétiques et Géométriques
2 pages
Continuité des fonctions : Exercices 2BAC
Pas encore d'évaluation
Continuité des fonctions : Exercices 2BAC
6 pages
Programme Maths LS
Pas encore d'évaluation
Programme Maths LS
36 pages
Analyse Numérique et Algorithmes
Pas encore d'évaluation
Analyse Numérique et Algorithmes
26 pages
Mathématiques commerciales et modèles économiques
Pas encore d'évaluation
Mathématiques commerciales et modèles économiques
3 pages
Recherche Operationnelle
Pas encore d'évaluation
Recherche Operationnelle
32 pages
TDSystemesLineairesPolynomes_Bousso_2016-2017
Pas encore d'évaluation
TDSystemesLineairesPolynomes_Bousso_2016-2017
2 pages
Résolution d'équations non linéaires MATLAB
Pas encore d'évaluation
Résolution d'équations non linéaires MATLAB
14 pages
Programme de Travail Secondaire IV Haïti
Pas encore d'évaluation
Programme de Travail Secondaire IV Haïti
5 pages
Programme de Mathématiques T.SE Terminale
Pas encore d'évaluation
Programme de Mathématiques T.SE Terminale
7 pages
Algorithmes d'Approximation et Optimisation
Pas encore d'évaluation
Algorithmes d'Approximation et Optimisation
4 pages
Examens de Programmation Mathématique
Pas encore d'évaluation
Examens de Programmation Mathématique
4 pages
Mathématiques Terminale L 2006 : Programme
Pas encore d'évaluation
Mathématiques Terminale L 2006 : Programme
9 pages
Optimisation des Profits en Production
Pas encore d'évaluation
Optimisation des Profits en Production
2 pages
Méthodes pour trouver des racines d'équations
Pas encore d'évaluation
Méthodes pour trouver des racines d'équations
3 pages
Bases du Calcul Scientifique et Analyse Numérique
Pas encore d'évaluation
Bases du Calcul Scientifique et Analyse Numérique
24 pages
Introduction à l'Analyse Numérique
Pas encore d'évaluation
Introduction à l'Analyse Numérique
39 pages
Syllabus
Pas encore d'évaluation
Syllabus
102 pages
AnumII Ch1 Bases
Pas encore d'évaluation
AnumII Ch1 Bases
34 pages
Adaptation du programme de mathématiques Baccalauréat
Pas encore d'évaluation
Adaptation du programme de mathématiques Baccalauréat
1 page
Problèmes de Programmation Linéaire Résolus
Pas encore d'évaluation
Problèmes de Programmation Linéaire Résolus
17 pages
Exercices de Mathématiques Discrètes EPFL
Pas encore d'évaluation
Exercices de Mathématiques Discrètes EPFL
2 pages
Introduction à l'Analyse Numérique
Pas encore d'évaluation
Introduction à l'Analyse Numérique
43 pages
Modélisation en recherche opérationnelle
Pas encore d'évaluation
Modélisation en recherche opérationnelle
202 pages
Nuki
Pas encore d'évaluation
Nuki
9 pages
TD 2
Pas encore d'évaluation
TD 2
1 page
Examen d'Algorithmique 2021/2022
Pas encore d'évaluation
Examen d'Algorithmique 2021/2022
2 pages
Cours Analyse Numérique
Pas encore d'évaluation
Cours Analyse Numérique
75 pages
Méthodes Numériques en Ingénierie
Pas encore d'évaluation
Méthodes Numériques en Ingénierie
150 pages
BeamerAnaNum 11-09-2017
Pas encore d'évaluation
BeamerAnaNum 11-09-2017
153 pages
Algorithme de Montgomery pour multiplication modulaire
Pas encore d'évaluation
Algorithme de Montgomery pour multiplication modulaire
3 pages
Nombres entiers et décimaux en 6ème
Pas encore d'évaluation
Nombres entiers et décimaux en 6ème
3 pages
Devoir surveillé 3 APIC2 - 2023-2024
Pas encore d'évaluation
Devoir surveillé 3 APIC2 - 2023-2024
1 page
Exercices d'Arithmétique Corrigés
Pas encore d'évaluation
Exercices d'Arithmétique Corrigés
4 pages
Exercices sur les fonctions au lycée
100% (1)
Exercices sur les fonctions au lycée
2 pages
Fonction Logarithme Népérien : Propriétés et Applications
Pas encore d'évaluation
Fonction Logarithme Népérien : Propriétés et Applications
7 pages
Opérations sur les fractions : règles et exemples
Pas encore d'évaluation
Opérations sur les fractions : règles et exemples
1 page
Racine carrée d'un réel positif
Pas encore d'évaluation
Racine carrée d'un réel positif
2 pages
Exercices de Fractions : Sommes et Soustractions
Pas encore d'évaluation
Exercices de Fractions : Sommes et Soustractions
2 pages
Devoir TCSF : Mathématiques et Vecteurs
Pas encore d'évaluation
Devoir TCSF : Mathématiques et Vecteurs
1 page
Jeu de calcul mental pour élèves
Pas encore d'évaluation
Jeu de calcul mental pour élèves
8 pages
Fonctions de Division dans Excel
100% (1)
Fonctions de Division dans Excel
63 pages
Tendance Centrale et Statistiques Descriptives
Pas encore d'évaluation
Tendance Centrale et Statistiques Descriptives
25 pages
Exercices de Calcul Numérique 3ème
Pas encore d'évaluation
Exercices de Calcul Numérique 3ème
3 pages
Exercices d'Arithmétique et Divisibilité
Pas encore d'évaluation
Exercices d'Arithmétique et Divisibilité
16 pages
Algorithme Séquentiel et Langage C
Pas encore d'évaluation
Algorithme Séquentiel et Langage C
40 pages
Mathématiques III : Nombres et Comparaisons
Pas encore d'évaluation
Mathématiques III : Nombres et Comparaisons
5 pages
Devoir de maths 2nde A - 2nd semestre
100% (2)
Devoir de maths 2nde A - 2nd semestre
2 pages
Exercices sur les Nombres Complexes et Polynômes
Pas encore d'évaluation
Exercices sur les Nombres Complexes et Polynômes
4 pages
Sens de variation des suites numériques
Pas encore d'évaluation
Sens de variation des suites numériques
24 pages
Épreuve de diagnostic en mathématiques 6e
Pas encore d'évaluation
Épreuve de diagnostic en mathématiques 6e
7 pages
Initiation au calcul littéral en 5ème
Pas encore d'évaluation
Initiation au calcul littéral en 5ème
3 pages
Calcul des Nombres Relatifs en 4ème
Pas encore d'évaluation
Calcul des Nombres Relatifs en 4ème
5 pages
Exercices sur Nombres Complexes et Similitudes
100% (1)
Exercices sur Nombres Complexes et Similitudes
34 pages
Circuits logiques combinatoires en numérique
Pas encore d'évaluation
Circuits logiques combinatoires en numérique
10 pages
Codage Binaire et Mémoire Informatique
Pas encore d'évaluation
Codage Binaire et Mémoire Informatique
5 pages
Évaluation des fractions en 6ème
Pas encore d'évaluation
Évaluation des fractions en 6ème
2 pages
TD de Mathématiques : Algèbre 2023-2024
Pas encore d'évaluation
TD de Mathématiques : Algèbre 2023-2024
3 pages
Variables en Programmation Informatique
Pas encore d'évaluation
Variables en Programmation Informatique
61 pages
Justifications Techniques des Tests Mathématiques 2023
Pas encore d'évaluation
Justifications Techniques des Tests Mathématiques 2023
33 pages

Calcul Scientifique et Symbolique en Maths

Transféré par

Calcul Scientifique et Symbolique en Maths

Transféré par

Calcul Scientifique et Symbolique, Logiciels

Licence Mathématiques UE N1MA3003

Résumé. Ce cours correspond à l’enseignement dispensé en 2013-2014 dans

Chapitre 1. Calcul symbolique, Calcul numérique, erreurs 1

Chapitre 2. La résolution numérique des équations non linéaires 25

Chapitre 3. Polynômes, interpolation, élimination 39

Chapitre 4. Méthodes itératives en algèbre linéaire 65

Chapitre 5. Schémas numériques simples pour la résolution des EDO 87

Annexe A. TP1 : prise en main des logiciels Maple et MATLAB 107

Annexe B. TP2 : assignation/réassignation de variables, boucles (Maple) 113

Annexe D. TP4 : procédures sous Maple, représentation graphique 127

Annexe E. TP5 : les fonctions sous MATLAB et l’interpolation 137

Annexe. TP6 : le principe de l’élimination algébrique sous Maple 147

Annexe F. TP7 : le théorème du point fixe en action sous MATLAB 155

Annexe. Projets (à traiter par binôme ou trinôme) 161

Annexe. Annales : examen 2011-2012, session 1 (1h30) 163

Annexe. Annales : examen 2011-2012, session 2 (1h30) 165

Calcul symbolique, Calcul numérique, erreurs

1.1. Les deux objectifs du cours ; deux logiciels, deux missions

de taille énorme), ce type de langage dit  interprété  se justifie par un temps

La programmation élémentaire (réalisation de programmes à partir de maquettes

3. Licence pour 30 utilisateurs en simultané.

ultérieurement dans le cursus de Licence : résolution numérique des équations ou

1.2. Représentation des nombres en machine, types d’erreur

1.2.1. Un premier exemple troublant. Commençons par soumettre la ma-

6. En revanche, l’opération M.*N (lorsque M et N sont deux matrices rectangulaires de mêmes

>> Mperturb=[10 7 8.05 7.05 ; 7.04 5.02 6 5 ;8 5.99 9.98 9 ; 7 5 9 10]

10.0000 7.0000 8.0500 7.0500

On peut aussi envisager de perturber M en introduisant une perturbation par

25.0000 -41.0000 10.0000 -6.0000

1.2.3. Le codage en virgule flottante. Étant donné un entier strictement

Si le développement en base β le plus familier est celui qui correspond à β = 10

Aux quatre opérations algébriques mentionnées, il faut ajouter la prise de racine

à l’aide d’une machine 10 ).

1.3.1. La recherche du PGCD de deux entiers a, b, b > 0. Rappelons ici

1.3.2. La résolution de l’identité de Bézout. Si a est un entier relatif, on

Preuve. La construction de u0 et v0 est algorithmique et se fait en remontant depuis

1.4. La force et les limites du calcul symbolique

1.4.1. La division euclidienne au service de la formule de John Ma-

commune des deux suites adjacentes

(cette suite croit) et

(1.6) (5 + i)4 = 2(239 + i)(1 + i)

(à vérifier) nous assure que

Comme 1/5 < 1 et 1/239 < 1, la formule 12

fournit deux suites adjacentes (fn )n et (gn )n définies respectivement par

ou Ferrari. Par exemple, on trouve, sous Maple13, pour un exemple d’équation de

> solve(x^5+(1/2)*x^3+1 = 0, x);

Les méthodes conduisant à ces résolutions numériques relèvent, elles, du calcul

La résolution numérique des équations non

2.1. Présentation des méthodes

Figure 2.1. Méthode de Newton

Lançons l’algorithme itératif qui consiste, partant de x0 = a = −1, à calculer de

On part de x0 = a et l’on construit la tangente T0 au point (x0 , f (x0 )), tangente

Cette démarche algorithmique pour résoudre numériquement l’équation f = 0,

Figure 2.3. Méthode de  fausse position 

la justification (si elle s’avère licite) de la convergence et que la méthode de Newton

2.1.2. La méthode de  fausse position . Décrivons maintenant une

(de manière à ce que les x0 et x1 réactualisés continuent, comme les précédents,

(de manière à ce que les x0 et x1 réactualisés continuent, comme les précédents,

Figure 2.4. Méthode de la  sécante 

2.1.3. La méthode de la sécante. La méthode de la sécante, plus simple à

2.2. Comparaison des méthodes en terme d’ ordre 

2.2.1. Les notions d’ ordre  et de  nombre de pas . Une notion

Démonstration. Prenons x ∈]ξ − r, ξ + r[ et supposons que

Proposition 2.2 (ordre de la méthode de Newton). L’ordre de la méthode de

xk−1 f (xk ) − xk f (xk−1 )

5. Voir le cours d’Analyse 1 [Yan].

2.3. La méthode de la dichotomie

Polynômes, interpolation, élimination

Au travers du maniement des polynômes (sous l’angle du calcul symbolique,

3.1. Quelques généralités en prise avec l’algorithmique

lorsque a, ã sont deux éléments de A et à l’itération de ce processus), se fait par

3.1.2. La division euclidienne (suivant les puissances  décroissantes .

H(X) = P1 (X)A1 (X) + P2 (X)A2 (X)

∆(X) = U (X)P1 (X) + V (X)P2 (X)

avec deg U ≤ deg P2 − 1 et deg V ≤ deg P1 − 1. En particulier, si P1 ≡ 0, on a

de taille énorme), ce type de langage dit interprété se justifie par un temps

Figure 2.3. Méthode de fausse position

2.1.2. La méthode de fausse position . Décrivons maintenant une

Figure 2.4. Méthode de la sécante

2.2. Comparaison des méthodes en terme d’ ordre

2.2.1. Les notions d’ ordre et de nombre de pas . Une notion

3.1.2. La division euclidienne (suivant les puissances décroissantes .

3.4. Une sensibilisation au principe de l’ élimination algébrique

Il suffit donc de choisir la norme k k() sur KN de manière à ce que la norme