Cours de Méthodes numériques M1S1

Physique Kaya

TAO Sadou

29 octobre 2024
Table des matières

1 Résolution numérique d’équations non linéaires 3

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 séparation des racines . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Quelques méthodes itératives de résolution d’équations non
linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Méthode de dichotomie ou de bissection . . . . . . . . 5
1.3.2 Méthode des accroissements finis . . . . . . . . . . . . 6
1.3.3 Méthode d’interpolation linéaire répétée . . . . . . . . 7
1.4 Méthode de Newton Raphson . . . . . . . . . . . . . . . . . . 8

2 Résolution de systèmes linéaires et non linéaires 12

2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 Normes vectorielles et normes matricielles . . . . . . . 13
2.1.3 Dérivées partielles-continuité . . . . . . . . . . . . . . . 14
2.2 Résolution de système non linéaires . . . . . . . . . . . . . . . 14
2.2.1 Méthode du point fixe . . . . . . . . . . . . . . . . . . 14
2.2.2 Méthode de Newton Raphson . . . . . . . . . . . . . . 16
2.3 Résolution de systèmes linéaires . . . . . . . . . . . . . . . . . 17
2.3.1 Méthodes directes et méthodes itératives . . . . . . . . 17
2.3.2 Notion de conditionnement . . . . . . . . . . . . . . . . 17
2.3.3 Résolution de petits systèmes . . . . . . . . . . . . . . 18
2.3.4 Résolution de grands systèmes . . . . . . . . . . . . . . 21

3 Interpolation 25
3.1 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 25
3.2 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . 28

4 Intégration numérique 31
4.1 Principes généraux . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Méthode des rectangles . . . . . . . . . . . . . . . . . . . . . . 32

1
 4.3 Méthode des trapèzes . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . 34

5 Résolution numérique d’équations différentielles ordinaires 36

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2 Discrétisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2.1 Idée générale . . . . . . . . . . . . . . . . . . . . . . . 37
5.2.2 Méthodes à un pas . . . . . . . . . . . . . . . . . . . . 37
5.2.3 Méthodes à pas multiples . . . . . . . . . . . . . . . . 37
5.3 Quelques méthodes à un pas . . . . . . . . . . . . . . . . . . . 37
5.3.1 Méthode d’Euler explicite . . . . . . . . . . . . . . . . 37
5.3.2 Méthode d’Euler implicite . . . . . . . . . . . . . . . . 38
5.3.3 Méthode de Runge Kutta . . . . . . . . . . . . . . . . 38

2
Chapitre 1

Résolution numérique d’équations

non linéaires

1.1 Introduction
L’étude des problème mécaniques, économiques ou physique conduit en
général à la résolution d’équation ou de système d’équations. Lorsque les
équations sont linéaires la méthode de résolution est aisée. En effet une équa-
tion de la forme 0 = ax+b où a ̸= 0 se résout en tirant x = a−1 b. Dans les cas
non linéaires la question peut être difficile. En effet, si pour une équation à
coefficients réels de la forme ax2 +bx+c = 0 la résolution se ramène à calculer
√
∆ = −b2 − 4ac et suivant
√ sa positivité à écrire que x = (2a)−1 (−b + ∆)
ou x = (2a)−1 (−b − ∆), dans le cas ou le degré de l’équation est supérieur
à 4 on n’a pas de formule explicite. D’autre part les théorèmes d’existence
ne donnent pas une formule littérale permettant de calculer les racines de
ces types d’équations. On a donc besoin d’explorer les techniques permet-
tant de les retrouver numériquement. Nous allons dans ce qui suit donner les
méthodes de résolution itératives des équations non linéaires. L’application
des méthodes itératives nécessite des préalables : - Il faut d’abord séparer les
racines. C’est à dire trouver des intervalles suffisamment fin et ne contenant
chacun qu’une seule racine de l’équation. -Déterminer suivant les cas une
précision exigée.

1.2 séparation des racines

Considérons l’équation
f (x) = 0. (1.1)

3
Définition 1
On dit que les racines (xi ) de l’équation (1.1) sont séparables s’il existe pour
tout i, un intervalle Ii tel que Ii ∩ {x; f (x) = 0} = {xi }.

Le procédé de séparation se fait à l’aide du théorème suivant :

Théorème 1
Si la fonction f est continue sur [a, b] et si f (a)f (b) ≤ 0 alors l’équation (1.1)
admet au moins une solution dans [a, b]. Si de plus est strictement monotone
alors la racine (1.1) est unique dans [a, b].

Remarque 1
Si f est dérivable et si f ′ garde un signe constant alors la deuxième condition
est remplie. C’est à dire que f est monotone.

Exemple 1
On prend f (x) = x+ex . Cette fonction est dérivable et on a f ′ (x) = 1+ex > 0
de plus f (0)f (−1) = −1+ 1e < 0. On peut donc dire que l’équation (1.1) admet
une seule solution et cette solution est dans [−1, 0].

Il est bon de savoir que la séparation permet aussi de trouver des valeurs
approchées des racines. En effet dire que la racine α ∈ [a, b] signifie que toute
valeur de x ∈ [a, b] est une valeur approchée de α a b − a près. On a plus
précisément :

Théorème 2
On suppose que :
- la racine α et la valeur approchée u sont éléments de[a, b].
-la fonction f est de classe C 1 et vérifie : |f ′ (x)| ≥ m pour tout x ∈] a, b[
Alors on a
|f (u)|
|u − α| ≤
m
Remarque 2
De cette formule, il est clair que la précision est d’autant plus fine que m est
élevé.

Preuve. On applique le théorème des accroissements finis : il existe ζ

compris entre u et α tel que 0 = f (α) = f (u) + (α − u)f ′ (ζ). Ce qui nous
donne |uα | = ff′(u)
(ζ)
. Par suite on en déduit le résultat.

4
Exemple 2
Considérons l’équation (4.1) avec f (x) = x + 2ex . On a que f est dérivable
et est à dérivée continue ; f (−0, 86)f (−0, 85) < 0 de plus f ′′ (x) = 2ex . On
en tire que f ′ est croissante. Par suite pour tout x ∈ [−0, 86; 0, 87], f (′ x) ≥
f ′ (−0, 86) ≥ 1, 84. Alors u = −0, 855 est une valeur approchée de la solution
à 0,00241 près.

Remarque 3
Il est également possible d’utiliser une représentation graphique pour séparer
les racines. Dans ce cas on réécrit l’équation sous la forme h(x) = p(x) où h
et p sont des fonctions dont la représentation graphique est aisée.

Exemple 3
Séparer les racines de (1.1) avec f (x) = (x + 1) ln x = 1

1.3 Quelques méthodes itératives de résolution

d’équations non linéaires
Les méthodes itératives des suites de solutions approchées dont les termes
sont obtenus à l’aide de formule de la forme xn+1 = F (x0 , . . . , xn ). Il est clair
que ce processus peut être infini. Il est par conséquent nécessaire de se donner
un critère d’arrêt. Un autre aspect important est la rapidité de la convergence.

1.3.1 Méthode de dichotomie ou de bissection

On suppose que la fonction f admet une et une seule racine dans [a, b]
et que f (a)f (b) < 0 On pose a0 = a, b0 = b; I0 =] a0 , b0 [ et x0 = a0 +b 2
0
. A
chaque étape k ≥ 1, on choisit le sous intervalle Ik comme suit :
1er cas : si xk−1 = ak−1 +b
2
k−1
vérifie f (xk−1 ) = 0 on s’arrête car on a trouvé
la racine.
2eme cas : f (xk−1 ) ̸= 0. Si le signe de f (ak−1 ) f (xk−1 ) est négatif, on pose
ak = ak−1 ; bk = xk−1 Si le signe de f (ak−1 ) f (xk−1 ) est positif, on pose
ak = xk−1 ; bk = bk−1 . On définit alors xk = ak +b
2
k
. On réitère le procédé.

Proposition 1
La suite (xk ) converge vers la solution α. De plus on a

|xk − α| ≤ 0, 5k+1 (b − a).

Pour une tolérance ϵ donnée, il suffit de faire k0 = −1+ ln(ϵ)−ln(b−a)

ln 0,5
itérations.

5
Remarque 4
Il vient de cette proposition que la convergence est rapide pour b − a petit.

Preuve. Comme à chaque étape, k, xk et α appartiennent à Ik , il vient

alors que |xk − α| ≤ bk − ak = 0.5k+1 (b − a). Cela nous donne aussi la
convergence de la suite. Pour avoir |xk − α| ≤ ϵ il suffit de choisir k tel que
0.5k+1 (b − a) ≤ ϵ. D’où le résultat.

Exemple 4
Déterminons la racine cubique de 2. On considère la fonction f (x) = x3 − 2.
Déterminer un nombre d’itérations suffisant pour obtenir une précision de
0,00001.

1.3.2 Méthode des accroissements finis

Description de la méthode
Considérons l’équation (1.1). Cette equation peut en général s’écrire

g(x) = x. (1.2)

où g est une fonction ayant de bonnes propriétés. La méthode des accrois-

sements finis est basée sur le théorème suivant :

Théorème 3 Soit g une fonction définie sur [a, b] à valeurs dans R. On

suppose que :
-il existe k ∈ R tel que 0 < k < 1 et |g(x) − g(y)| < k|x − y|, ∀(x, y) ∈ [a, b]2 .
−∀x ∈ [a, b], g(x) ∈ [a, b].
Alors fonction g admet un point fixe α et la suite des accroissements finis
définie par : 
x0 ∈ [a, b]
xn+1 = g (xn )
converge vers la solution α de (1.2).

Remarque 5
Si la fonction g est dérivable avec |g ′ (x)| ≤ k < 1, ∀x ∈ [a, b] on peut appli-
quer le théorème précédent. En effet une application du théorème des accrois-
sements fini entre x et y nous donne le résultat.

Preuve. Montrons l’existence d’un point fixe. Notons que la fonction f (x) =
g(x) − x est continue sur [a, b]. Comme g(a) ∈ [a, b] alors f (a) = g(a) −
a ≤ 0. De façon analogue on f (b) ≥ 0. Par conséquent il existe α ∈ [a, b]

6
tel que f (α) = 0. D’où le résultat. Si u est un autre point fixe, on aura :
|g(α) − g(u)| ≤ k|α − u|. Ainsi |α − u| ≤ k|α − u| avec k < 1. Cela nous
donne u = α. Notons que |xn+1 − α| =| g (xn ) − g(α)) | ≤ k|xn − α |. Alors
on peut montrer par récurrence que pour n ≥ 1 : |xn − α| ≤ k n |x1 − α|. La
suite (xn ) converge donc vers α.

Critère d’arrêt et ordre de grandeur de l’erreur

Il s’agit d’une des méthodes très largement utilisées. De la preuve précé-
dente il vient l’estimation.

Proposition 2
Pour tout n ∈ N; |xn − α| ≤ k n (b − a). Pour une tolérance ϵ donnée, il suffit
de choisir n ≥ ln(ϵ)−ln(b−a)
ln k
La convergence est d’autant rapide que k est petit.

Exemple 5 On considère :

f (x) = x3 − x − 1 = 0. (1.3)

On a f (1) = −1, et f (1, 4) = 0, 344. Alors (1.3) admet au moins une solution
dans [1; 1, 4]. De plus on a |f ′ (x)| = 3x2 − 1 > 0 pour x > 1. Alors la racine
α est unique dans [1; 1, 4]. L’équation (1.3) peut s’écrire
√
g(x) = 3 x + 1 = x

On a 0 < g ′ (x) = √
3
1
≤ 31 , pour tout x > 1. Donc g est une fonction
3 (x+1)2
√
croissante. Comme g(1) = 3 2 = 1, 25 et g(1, 4) < 1, 34 alors pour tout
x ∈ [1; 1, 4] ⊂ [1; 1, 4]; g(x) ∈ [1; 1, 4]. On prend x0 = 1, 2

1.3.3 Méthode d’interpolation linéaire répétée

On considère (4.1) et on suppose que cette équation admet une unique
solution α et que α ∈ (x0 , x1 ) tel que f (x1 ) < 0 < f (x0 )

Description de la méthode
On pose A0 (x0 , f (x0 )) et A1 (x1 , f (x1 )). On trace la droite (A0 , A1 ).
Cette droite rencontre l’axe des abscisses en un point x2 . On pose A2 (x2 , f (x2 ))
et recommence alors le procédé avec les points A0 et A2 etc...

7
Formules de la méthode
La pente de (A0 , A1 ) est m = f (xx00)−f (x1 )
−x1
. Par suite son équation est
f (x0 ) + (x − x0 ) m = y. On trouve alors que : x2 = x0 − f (x m
0)
. Et par
x1 f (x0 )−x0 f (x1 )
suite x2 = f (x0 )−f (x1 ) En itérant le procédé on obtient que :

xn f (x0 ) − x0 f (xn )
xn+1 =
f (x0 ) − f (xn )
Par construction la suite (xn ) converge vers la solution α.

1.4 Méthode de Newton Raphson

Interprétation géométrique
Le point Pn étant de cordonnées (xn , f (xn )) on trace la tangente à Cf
en Pn . L’équation de cette tangente est y = (x − xn ) f ′ (xn ) + f (xn ). Cette
tangente coupe l’axe des abscisses en un point d’abscisse xn+1 = xn − ff′(x n)
(xn )
.
On construit alors le point Pn+1 et on réitère le procédé. Les points Pn se
rapprochent du point (α, 0).

Convergence de la Méthode de Newton Raphson

La convergence de cette méthode est basée sur le théorème suivant :
Théorème 4
soit f une fonction réelle, 2 fois dérivables sur [a, b], on suppose que :
(A1 ) l’équation (1.1) admet une seule racine dans [a, b].
(A2 ) la dérivée de f, f ′ ne s’annule pas sur [a, b]
(A3 ) la dérivée seconde f ′′ est continue sur [a, b]
(A4 ) il existe β ∈ [a, b] tel que |β − α| < 1
et β − 2 2
⊂ [a, b] avec


M M
,β + M
maxx∈[a,b] |f ′′ (x)|
M= minx∈[a,b] f ′ (x)|
. Alors l’algorithme

f (xn )
x0 = β et xn+1 = xn − (1.4)
f ′ (xn )
converge vers α.
Preuve. On admet que pour tout n; xn ∈ [a, b]. Posons en = xn − α. La
formule de Taylor nous donne :

′ e20 ′′
f (α) = f (x0 − e0 ) = f (x0 ) − e0 f (x0 ) + f (t)
2
8
avec t compris entre α et x0 . Par suite on tire que :
f (x0 ) e20 f ′′ (x0 )
e0 = +
f ′ (x0 ) 2 f ′ (x0 )
f (xn ) e2n f ′′ (xn )
α = xn − −
f ′ (xn ) 2 f ′ (xn )
Par suite :
e2n f ′′ (xn )
en+1 =
2 f ′ (xn )
Ce qui nous donne utilisant A4 que :

|en+1 | < k |en |

Par suite
|en+1 | < kk n |e0 | = k n+1 |e0 | .
En conclusion on voit que limn→+∞ en = 0 ce qui donne, limn→+∞ xn = α.
Autre résultat : Ainsi :
f (x0 ) e20 f ′′ (x0 )
α = x0 − −
f ′ (x0 ) 2 f ′ (x0 )
f (x0 )
Comme e1 = x1 − α et x1 = x0 − f ′ (x0 )
, alors

e20 f ′′ (x0 )
e1 =
2 f ′ (x0 )
h
f (xn )
Par récurrence supposons xn ∈] a; b , xn+1 = xn − f ′ (xn )
. Notons que e0 =
β − α vérifie M |e0 | = k < 1. Par conséquent :

|e1 | < k |e0 | .

On montre par récurrence que |en+1 | < k n |e0 |. Notons que α = xn − en .

Ainsi :
e2
f (α) = f (xn − en ) = f (xn ) − en f ′ (xn ) + n f ′′ (tn )
2
avec tn compris entre α et xn . On obtient :
f (xn ) e2n f ′′ (xn )
α = xn − − .
f ′ (xn ) 2 f ′ (xn )
Par suite :
e2n f ′′ (xn )
en+1 =
2 f ′ (xn )

9
Ce qui nous donne utilisant A4 que :

|en+1 | < k |en |

Par suite
|en+1 | < kk n |e0 | = k n+1 |e0 | .
En conclusion on voit que limn→+∞ en = 0 ce qui donne, limn→+∞ xn = α.
Autre résultat :

Théorème 5
Soit f une fonction 2 fois dérivable sur [a, b] dans R. On suppose que :
(H1 ). f (a)f (b) < 0,
(H2 ). f ′ et f ′′ ne s’annulent pas tout en gardant un signe constant sur [a, b].

Alors f (x) = 0 admet une solution unique dans [a, b] et cette racine est
limite de la suite d’approximation de Newton Raphson avec un terme initial
x0 tel que x0 ∈ [a, b] et f (x0 ) f ′′ (x0 ) > 0.

Preuve. On a évidemment que H1 et H2 impliquent que l’équation admet

une solution unique dans [a, b] ; Supposons que f (a) < 0, f (b) > 0 et pour
tout x, f ′ (x) > 0 et f ′′ (x) > 0, les autres cas se traiteront de façon similaire
f (x0 ) f ′′ (x0 ) > 0 ⇒ f (x0 ) > 0. Notons que a < α. On montre par récurrence
que b ≥ xn > α. Pour n = 0 cela est exacte. En effet comme f ′ > 0 alors
f est croissante et comme f (x0 ) > 0 on tire que x0 > α. Supposons que
b ≥ xn > α. Alors de la formule de Taylor :
1
f (xn ) = f (α) + (xn − α) f ′ (α) + (xn − α)2 f ′′ (ζ)
2
comme f ′′ > 0 alors f ′ est croissante et par suite :

f (xn ) < f (α) + (xn − α) f ′ (xn )

Donc on obtient :
f (xn )
− xn < −α
f ′ (xn )
Par suite : xn+1 > α D’autre part xn+1 = xn − ff′(x n)
(xn )
< xn . Par suite xn est
minorée et
 décroissante.  Donc (xn ) converge. Notons l = limn→+∞ xn+1 =
limn→+∞ xn − f ′ (xn ) = l − ff′(l)
f (xn )
(l)
Par suite f (l) = 0. l’unicité nous donne
l = α.

10
Exemple 6 √
Déterminons une valeur approchée de 3 7. Posons f (x) = x3 − 7. On a
évidemment f (2)f (3) < 0 et pour tout x ∈ [2, 3], f ′ (x) = 3x2 > 0 et f ′′ (x) =
6x > 0. Comme f (3)f ′′ (3) > 0, il vient donc que la suite définie par : x0 = 3
3 −7 √
et xn+1 = xn + x3x
n
2 converge vers 3 7.
n

11
Chapitre 2

Résolution de systèmes linéaires

et non linéaires

2.1 Généralités
2.1.1 Introduction
Dans la majorité des études scientifiques, on est conduit à résoudre des
systèmes. Nous allons etudier dans ce chapitre des méthodes de résolution
de systèmes linéaires et non linéaires. Un système linéaire est un système de
la forme
Ax = b
où A est une matrice à m lignes et n colonnes ; b un vecteur colonne à m
lignes donné et x un vecteur colonne à n lignes, à rechercher. Ce système
peut s’écrire encore :


 a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2

 ...
 ... ... ... ... ...
am1 x1 + am2 x2 + . . . + amn xn = bm


Pour ce qui concerne les systèmes non linéaires nous n’étudierons que les
systèmes de n équations à n inconnues réelles, c’est à dire

 f1 (x1 , . . . , xn ) = 0

.. (2.1)
 .
 f (x , . . . , x ) = 0
n 1 n

où les fi sont des fonctions définies sur Rn .

Posons F = (f1 , . . . , fn ) ; x = (x1 , . . . , xn ) .

12
Alors (2.1) s’écrit : F (x) = 0.
Une première étape consiste à séparer les racines. Cela peut se faire à l’aide
d’une représentation graphique.

2.1.2 Normes vectorielles et normes matricielles

Définition 2 Définition 2 Une norme sur Rn est une application N définie
sur Rn à valeurs dans R+ ayant les propriétés suivantes :
- N (x) = 0 ⇐⇒ x = 0
- N (λx) = |λ|N (x); ∀x ∈ Rn ; ∀λ ∈ R
- N (x + y) ≤ N (x) + N (y); ∀x ∈ Rn , ∀y ∈ Rn .
Les normes sont notées ∥ · ∥.
 
a11a12 . . . a1n
 a21a22 . . . a2n 
Une matrice A est un tableau de réels de la forme : A = 
 ...
.
... ... ... 
am1
 am2 . . . amn
x1
 .. 
Lorsque n = m on dit que A est une matrice carrée. Si x =  .  on a
xn
 
y1
 .. 
Ax =  .  avec yi = nj=1 aij xj . L’ensemble des matrices carrées d’ordre
P

yn
n est noté : Mn (R).

Définition 3 Définition 3 On appelle norme sur Mn (R) toute application

notée ∥∥, définie sur Mn (R) à valeurs dans R+ et ayant les propriétés sui-
vantes :
- ∥A∥ = 0 ⇔ A = 0
- ∥λA∥ = |λ|∥A∥
- ∥A + B∥ ≤ ∥A∥ + ∥B∥
- ∥A · B∥ ≤ ∥A∥ · ∥B∥

Définition 4 Soit ∥|.∥| est une norme vectorielle, on peut lui associer une
norme matricielle définie par ∥|A∥| = Sup∥X∥=1 ∥A∥ = SupX̸=0 ∥AX∥
∥X∥

13
Normes vectorielles et normes matricielles associées
Pour A ∈ Mn (R) et x ∈ R on a :
n
X
∥x∥1 = |xi |
i=0
∥x∥∞ = Max1≤i≤n |xi |
s
X
∥x∥2 = |xi |2
i
n
X
∥A∥1 = Max1≤j≤n |ai,j |
i=1
n
X
∥A∥∞ = Max1≤i≤n |ai,j |
j=1
q
∥A∥2 = Max1≤j≤n |λj |
les λj étant des valeurs propres de la matrice A.

2.1.3 Dérivées partielles-continuité

Définition 5 Soit f une fonction définie sur une partie ouverte U de R2 .
-On dit que f admet une dérivée partielle par rapport à x au point (x0 , y0 ) si
limx→x0 f (x,y0x−x
)−f (x0 ,y0 )
0
et existe. Dans ce cas cette limite est notée ∂f ∂x
(x0 , y0 ).
-On dit que f est continue au point (x0 , y0 ) si lim(x,y)→(x0 ,y0 ) f (x, y) = f (x0 , y0 )

2.2 Résolution de système non linéaires

2.2.1 Méthode du point fixe
Pour cette méthode on écrit (2.1) sous la forme G(x) = x, avec G =
(g1 , . . . , gn ) .

Théorème 6
On suppose que :

(H1 ) pour tout i = 1, . . . , n, gi est continue,

14
  
α1∗
(H2 ) le système (2.1) admet une solution unique x∗ =  ...  dans une
 
αn∗
boule fermée BF (ω; r),
(H3 ) la fonction G est k-lipschitzienne avec 0 < k < 1 dans la boule ouverte
B(ω; 2r) c’est à dire : si x, y ∈ BF (ω; r); ∥G(x) − G(y)∥ ≤ k∥x − y∥.
(H4 ) ∥ω − G(ω)∥ ≤ (1 − k)r, Alors la suite (xn )n définie comme suit :
x0 ∈ BF (ω, r) et xn+1 = G (xn ) converge vers la solution x∗ .

Preuve. Notons que D’abord que x ∈ BF (ω; 2r) ⇒ G(x) ∈ BF (ω; 2r). En
effet, on a
∥G(x) − ω∥ ≤ ∥G(x) − G(ω)∥ + ∥ω − G(ω)∥.
Donc
∥G(x) − ω∥ ≤ 2kr + (1 − k)r = kr + r ≤ 2r.
On peut montrer par récurrence que ∥xn − x∗ ∥ ≤ 2rk n . Alors la suite (xn )
converge vers x∗ .

Remarque 6
En pratique la condition G strictement contractante (H3 ) s’utilise sous la
forme ∥JG (x)∥ ≤ h < 1; ∀x ∈ BF (ω, r), où JG (x) est la matrice jacobienne

∂g1 ∂g1 ∂g1
(x) (x) . . . (x)
 ∂x
∂g
1 ∂x2
∂g
∂xn
∂g
 ∂x21 (x) ∂x22 (x) . . . ∂xn2 (x) 

de G au point x. C’est-à-dire JG (x) = 
 ... ... ... ... 

∂gn
∂x1
(x) ∂g
∂x2
n ∂gn
(x) . . . ∂x n
(x)

Exemple
 2
x + y2 = 1
x3 − y = 1

Exemple
(
x2 − y 2 =1
sin(x) − y =0
BF = [1; 1, 7] × [0, 5; 1]

15
2.2.2 Méthode de Newton Raphson
Cette méthode est basée sur le théorème suivant :

Théorème 7
On suppose que :
 
α1∗
(H1 ) le système (2.1) admette une solution unique X ∗ =  ...  dans une
 
αn∗
boule fermée BF (ω; r),
(H2 ) F est continue sur BF (ω, r),
(H3 ) la matrice JF matrice jacobienne de F est inversible,
(H4 ) il existe 0 < k < 1 tel ∀x ∈ B(ω; r); ∥JG (X)∥ ≤ k < 1 où G(X) = X−
JF−1 (X)F (X),
(H5 ) ∥ω − G(ω)∥ ≤ (1 − k)r. Alors la suite (Xn )n définie comme suit : X0 ∈
BF (ω, r) et Xn+1 = Xn − JF−1 (X)F (Xn ) converge vers la solution X ∗ .

Remarque 7
On peut remplacer (H4 ) par l’hypothèse suivante : (H6 ) les éléments de la
matrice JF−1 sont dérivables et leur dérivées sont finis dans un voisinage de
la solution exacte X ∗ de F (X) = 0. dans la pratique l’algorithme sera utilisé
sous la forme :
JF′ (Xn ) ∆Xn = −F (Xn )
avec ∆Xn = Xn+1 − Xn . Le système précédent est linéaire et évite le calcul
de l’inverse de la matrice jacobienne de F.

Exemple
Résolvons
(
x2 + y 2 = 1
xy + x = 1
 
2 2

2x 2y
X = (x, y), F (x, y) = x + y − 1, xy + x − 1 . On a JF = .
y+1 x

L’algorithme s’écrira :

2xn ∆xn + 2yn ∆yn = − (x2n + yn2 − 1)
(yn + 1) ∆xn + xn ∆yn = − (xn yn + xn − 1)

16
Exemple
( 2 2
ex +y =1
2 2
ex −y =1

2.3 Résolution de systèmes linéaires

2.3.1 Méthodes directes et méthodes itératives
Dans ce chapitre, on distinguera deux type de méthodes :
- les méthodes directes qui donnent la solution du problèmes après un nombre
finis d’opérations,
-les méthodes indirectes ou itératives qui nécessitent théoriquement un nombre
infini d’opérations.

2.3.2 Notion de conditionnement

Considérons le système :

2x + 6y =8
2x + 6, 00001y = 8, 00001

qui admet comme solution x = y = 1 considérons maintenant le système :


2x + 6y =8
2x + 5, 99999y = 8, 00002

Ce système admet comme solution x = 10 et y = −2. Le système précédent

est dit mal-conditionné, car une petite erreur sur les données entraine une
grande variation de la solution. Si δA est une petite variation de A et δx la
variation correspondante de x. On a :

∥δx∥/∥x∥
≤ (A + δA)−1 ∥A∥.
∥δA∥/∥A∥

Définition 6 On appelle paramètre de conditionnement de la matrice A le

nombre réel s’il existe
C(A) = A−1 ∥A∥
Lorsque c(A) est grand le système est mal conditionné i.e C(A) ≫> 1.

17
Exemple

La matrice :  
3, 02 −1, 05 2, 53
A =  4, 33 0, 56 −1, 78 
−0, 83 −0, 54 1, 47
a comme inverse :
 
5, 661 −7, 273 −18, 55
A−1 =  200, 5 −268, 3 −669, 9 
76, 85 −102, 6 −255, 9

Pour cette matrice, ∥A∥∞ = 6, 67 et ∥A−1 ∥∞ = 1138, 7. Le conditionnement

de la matrice est donc 7595 , ce qui est le signe d’une matrice mal condition-
née.

2.3.3 Résolution de petits systèmes

Pour résoudre les petits, il est préférable d’utiliser les méthodes directes.
Les méthodes directes que nous allons voir sont : la méthode de Gauss, de
Gauss Jordan et la méthode de Choleski. Mais avant nous allons examiner
une méthode théorique celle de Cramer.

Une méthode théorique : méthode de Cramer

Considérons le système :
Ax = b
où A est une matrice carré inversible. Notons D le déterminant de A et Di
le déterminant de la matrice obtenu en remplaçant la ième colonne par le
vecteur colonne b.

Théorème 8 Le système Ax = b admet une solution unique x = (x1 , . . . , xn )t

avec xi = DDi

Exemple

On considère le système :

2x + 6y = 8
3x − y = 2

18
    
2 6 8
A= ;b = .
3 −1 2
Alors
2 6 8 6 2 8
D= ; Dx = ; Dy =
3 −1 2 −1 3 2
20 −20
Ainsi x = − −20 = 1 et y = −20
=1

Méthode de Gauss
Le principe de cette méthode est de transformer le système  carréquel-
(1)
conque en un système triangulaire plus facile a résoudre. Soit A = aij . On
suppose que a11 ̸= 0 Pour i = 1, . . . , n on effectue les opérations : Li ←- Li −
(1) (1)
ai1 /a11 L1 C’est dire que :
 
(2) (1) (1) (1) (2)
aij = aij − ai1 /a11 a1j , i = 2, . . . , n, j = 1, . . . n
 
(2) (1) (1) (1)
bi = bi − ai1 /a11 b1 , i = 2, . . . , n

On obtient le système A(2) X = b(2) :


(1) (1) (1) (1)

 a11 x1 +a12 x2 + . . . +a1n xn = b1
(2) (1) (2)

· a22 x2 + . . . +a2n xn = b2


 ... ... ... ... ... ...
 (2) (2) (2)
+an2 x2 + . . . ann xn = bn


On recommence le même processus, à l’ordre k on obtient :

 
(k+1) (k) (k) (k) (k)
aij = aik − aik /akk akj , i = k + 1, . . . , n, j = k + 1, . . . n
 
(k) (k) (k) (k)
bk+1
i = b i − a ik /akk bk , k + 1, . . . , n

Après n − 1 opération on obtient le système triangulaire :


(1) (1) (1) (1)

 a11 x1 +a12 x2 + . . . +a1n xn = b1
(2) (1) (2)

a22 x2 + . . . +a2n xn = b2


 ... ... ... ... ... ...
 (n) (n)
... ann xn = bn


Dont la solution est :

(n)
bn
xn = (n)
" ann #
n
1 (i)
X (i)
xi = (i)
bi − aij xj , i = n − 1...1
aii j=i+1

19
Exemple

Résoudre par la méthode de Gauss :



 −3x + y + 3z + t = 1

x − 2y + z + 2t = 0


 2x − y + 2z − t = 0
x+y+z−t=3


Méthode de Gauss-Jordan
Le principe de cette méthode est de transformer le système carré quel-
conque en un système diagonal plus facile a résoudre. On effectue les mêmes
types d’opérations. Cette fois ci ces opérations s’étendent aux lignes situées
au dessus de la ligne i. Les formules sont :
 
(k+1) (k) (k) (k) (k)
aij = aik − aik /akk akj , i = 1, . . . , n, j = k + 1, . . . n, i ̸= k
 
(k) (k) (k) (k)
bk+1
i = b i − a ik /a kk bk , i = 1, . . . , n; i ̸= k

Et, on obtient après n − 1 opérations :


(n) (n)

 a11 x1 = b1
(2) (2)

· ai2 x2 = b2


 ... ··· ... ... ... ...
 (n) (n)
ann xn = bn


Méthode de Cholesky
Définition 7
Une matrice carrée A symétrique de coefficients réels est dite définie positive
lorsque la forme quadratique q(x) = Ax.x est définie positive.
La méthode de Choleski s’applique plus facilement lorsque la matrice A est
symétrique et définie positive :

Théorème 9
Soit A une matrice symétrique et définie positive. Alors il existe une ma-
trice B triangulaire inférieure telle que A = BB t . De plus IL EXISTE UNE
SEULE matrice triangulaire inférieure à éléments diagonaux positifs véri-
fiant : A = BB t .

20
 Soit à résoudre le système Ax = b avec A symétrique définie positive. La
méthode de Choleski permet de remplacer ce système par la résolution de
deux systèmes triangulaires. En effet : Ax = b ⇔ BB t x = b ⇔ By = b et
B t x = y Détermination de B avec bii > 0 En posant B = (bij tel que bij = 0
si i < j, on détermine b colonne par colonne :
-Détermination de la première colonne :
p
b211 = a11 ⇒ b11 = (a11 )

pour j = 2, . . . , nb11 bi1 = ai1 ⇒ bi1 = ba11

i1

-Détermination de la k ième colonne, q k≥2:

b2k1 + b2k1 + . . . + b2kk = akk d’ou bkk =


akk − Σnj=1 b2kj
1
aik − Σk−1


Pour i = k + 1, . . . , nbi1 bk1 + bi2 bk2 + . . . + bik bkk = aik . D’où bik = j=1 b ij b kj
bkk

Exemple
  
 x + 2y + z = 1 1 0 0
2x + 5y + z = 2 On trouve B =  2 1 p0 
x + y + 4z = 1 1 −1 (2)


2.3.4 Résolution de grands systèmes

Introduction
La résolution du système Ax = b par les méthodes directes ne peut être
envisagée lorsque le nombre d’équations est grand(n > 100). Il dévient en
effet impossible de calculer x à cause des erreurs d’arrondis propagées par
le grand nombre d’opérations élémentaires (On aurait environ 6700 avec la
méthode de Gauss). On utilise dans ces conditions les méthodes dites indi-
rectes. Qui sont en fait des méthodes itératives. Le principe général de ces
méthodes est d’écrire A = M − N avec M qui est une matrice facilement
inversible. Ainsi le système devient :

Mx = Nx + b

Soit
x = M −1 N x + M −1 b.
Cette équation suggère alors le processus itératif suivant :

xk+1 = M −1 N xk + M −1 b


x0 arbitraire

21
Méthode de Jacobi
L’hypothèse principale pour l’utilisation de la méthode de Jacobi est que
les termes diagonaux de A soient non nuls. On pose E = (ei,j ) ; F = (fi,j ) et
D = (dij ) avec eij = −aij si i > j; eij = 0 sinon ; fij = −aij si j > i, fij = 0
sinon enfin dii = aii , dij = 0 si ̸= j. Ainsi A = D − (E + F ). Ainsi (2.7)
dévient :
xk+1 = D−1 (E + F )xk + D−1 b


x0 arbitraire
La matrice Ω = D−1 (E + F ) est appelée matrice d’itération de Jacobi.

Remarque 8
En pratique la méthode consiste à résoudre à chaque itération le système

Dxk+1 = (E + F )xk + b

Exemple

 x + 2y + 3z =1
y+z =2
x−z =3

     
1 0 0 0 0 −2 −3
On trouve D =  1  ;E =  0 0 0  F =  0 0 −1  . Ce qui nous
−1 −1 0 0 0 0 0
donne

 xk+1 = −2yk − 3zk + 1
yk+1 = −zk + 2
zk+1 = xk − 3


Méthode de Gauss- Seidel

Cette méthode se caractérise par le fait qu’à l’ itération k + 1, le calcul de
la composante d’indice i de xk+1 utilise les composantes d’indice 1, 2, . . . , i−1
de xk+1 . Plus précisément on pose A = (D − E) − F et le processus itératif
s’écrit :
(D − E)xk+1 = F xk + b
Soit :
xk+1 = (D − E)−1 F xk + (D − E)−1 b


x0 arbitraire
La matrice Ω = (D −E)−1 F est appelée matrice d’itération de Gauss- Seidel.

22
Exemple
On considère le système suivant :

 4x − y = −4
−x + 4y − z = 6
−y + 4z = 2


   
4 −4 0 4 0 0
dont la solution est (1, 2, 1). On a : A =  −1 4 −1  D =  0 4 0 ;
   0 −1 4 0
 0 4

0 0 0 0 −4 0 xk
E = −  −1 0 0  et F = −  0 0 −1  Posons Xk =  yk 
0 −1 0 0 0 0 zk
La méthode de Jacobi donne :

 xk+1 = yk − 1
yk+1 = xk+1 +z
4
k +6

zk+1 = yk+14 +2


Celle de Gauss Seidel devient :


 xk+1 = yk − 1
yk+1 = xk +z4k +6
zk+1 = yk4+2


On obtient les deux tableaux :

i 0 1 2 3 4 5 6
xi 0 −1 0, 5 0, 375 0, 8438 0, 8047 0, 9512
yi 0 1, 5 1, 375 1, 8438 1, 8047 1, 952 1, 9390
zi 0 0, 5 0, 875 0, 8438 0, 9609 0, 9512 0, 9878
i 0 1 2 3 4 5 6
xi 0 −1 0, 25 0, 7656 0, 9268 0, 9771 0, 9928
yi 0 1, 52 1, 7656 1, 9268 1, 9771 1, 9928 1, 9978
zi 0 0, 5 0, 8125 0, 9414 0, 9817 0, 9943 0, 9994

Convergence des méthodes itératives

Considérons l’algorithme donné à l’introduction. Posons Ek = x−xk . On a
k
alors : Ek+1 = M −1 N (x − xk ) = M −1 N Ek . Alors Ek = (M −1 N ) E0 . Ainsi
k
si (M −1 N ) converge vers 0 alors l’algorithme de l’introduction converge.
Ainsi on a le résultat suivant :

23
Théorème 10 Si ∥M −1 N ∥ ≤ α < 1 alors l’algorithme de l’introduction
converge.

On a aussi

Théorème 11 Les algorithmes de Jacobi et Gauss Seidel convergent ou di-

vergent simultanément. Dans les cas où les deux méthode converge celle de
Gauss Seidel converge plus rapidement.
2
Preuve. Cela vient du fait que ∥(D − E)−1 F ∥2 = ∥D−1 (E + F )∥2 .

24
Chapitre 3

Interpolation

Dans les problèmes numériques, on substitue très souvent une fonction

f (x) connue en un nombre fini de points x0 , x1 , . . . , xn par une fonction P (x)
plus simple et facilement calculable : c’est l’approximation. En termes ma-
thématiques, l’approximation consiste à minimiser la distance qui sépare les
fonctions f (x) et P (x). L’interpolation impose de plus que les fonctions f (x)
et P (x) coïncident aux points xj . Lorsque la fonction P (x) représente la
fonction f (x) décrite par un ensemble de points expérimentaux (xj , f (xj ) ),
on parle de lissage. L’approximation d’une fonction est liée aux problèmes
de représentation des fonctions comme limites de fonctions plus simples (dé-
veloppements en série, développements en série de Fourier, représentations
intégrales, etc.). En pratique, on cherche à construire une suite de fonctions
fn (x) qui converge vers la fonction de base f (x). Lorsque les fonctions fn (x)
sont des polynômes, on parle d’approximation polynomiale. L’approximation
polynomiale est une des plus utilisées, car il est facile de rendre l’erreur d’ap-
proximation arbitrairement petite en augmentant le degré du polynôme. Elle
se fonde sur le théorème de Weierstrass (1866) qui affirme que toute fonction
continue sur un intervalle [a, b] est limite uniforme d’une suite de fonctions
polynomiales.

3.1 Interpolation de Lagrange

L’approximation polynomiale, fondée en général sur le développement en
série de Taylor, permet d’approcher une fonction f suffisamment régulière
par un polynôme de degré n. Rappelons que la série de Taylor d’une fonction
peut ne pas converger et que, si elle converge, elle peut converger vers une
quantité différente de la fonction initiale (par exemple, f (x) = exp (−1/x2 )
au voisinage de l’origine). Publiée pour la première fois par Brook Taylor

25
(1685-1731) en 1715, puis reprise par Joseph-Louis Lagrange (1736-1813),
et démontrée avec reste intégral par Augustin-Louis Cauchy (1789-1857), la
formule de Taylor conduit à une estimation de l’erreur dans l’approximation
d’une fonction par un polynôme de Lagrange.
Soit f une fonction continue d’un intervalle [a, b] dans R et x0 , x1 , . . . , xn
(n + 1) points distincts de l’intervalle [a, b]. Considérons les polynômes de
degré n définis par
n
Y (x − xj )
li (x) = 0≤i≤n
j=0
(xi − xj )
j̸=i

Ces polynômes sont appelés les polynômes de Lagrange. Il ne faut pas les
confondre avec le polynôme d’interpolation de Lagrange Pn (voir ci-dessous).
En posant
Yn
πn (x) = (x − xj )
j=0

Les polynômes de Lagrange s’écrivent de manière plus simple, sous la forme

πn (x)
∀x ̸= xi li (x) =
(x − xi ) πn′ (xi )

On démontre le résultat suivant : Toute fonction continue sur un intervalle

borné et connue en (n + 1) points distincts peut être approchée par un poly-
nôme qui coïncide avec cette fonction en ces (n + 1) points.
Si f : [a, b] → R est une fonction continue et si x0 , x1 , . . . , xn sont (n + 1)
points distincts de l’intervalle [a, b], alors il existe un unique polynôme Pn de
degré n appelé polynôme d’interpolation de Lagrange, dont la valeur coïncide
avec f aux points xi , c’est-à-dire vérifiant Pn (xi ) = f (xi ), et qui est donné
par la formule
Xn
Pn (x) = li (x)f (xi )
i=0

Il est facile de vérifier ce résultat. En effet, le polynôme Pn vérifie l’égalité

Pn (xi ) = f (xi ), car les polynômes de Lagrange satisfont li (xj ) = δij où δij
est le symbole de Kronecker ( δij = 0 si i ̸= j et δii = 1 ), ce qui prouve
l’existence de ce polynôme. Pour montrer l’unicité, supposons qu’il existe un
polynôme Qn de degré n vérifiant Qn (xi ) = Pn (xi ) = f (xi ). Chaque valeur
xi est racine du polynôme Qn − Pn . Le polynôme Qn − Pn a donc au moins
(n + 1) racines distinctes et est de degré n. Par conséquent, Qn − Pn = 0.
Pour démontrer l’existence du polynôme d’interpolation de Lagrange, on peut

26
aussi chercher analytiquement un polynôme de la forme
Pn (x) = an xn + · · · + a1 x + a0
satisfaisant les relations Pn (xi ) = f (xi ). Ce qui revient à résoudre le système
linéaire     
1 x0 x20 · · · xn0 a0 f (x0 )
 1 x 1 x2 xn1   a1   f (x1 ) 
   
1
..   ..  = 

 .. .. .. .. 
 . . . .  .   . 
2 n
1 x n xn · · · xn an f (xn )
Ce système admet une solution unique, car son déterminant, qui est un dé-
terminant de Vandermonde, est non nul. CQFD.

Pour évaluer l’erreur d’interpolation, considérons Pn le polynôme d’interpo-

lation de f aux points x0 , x1 , . . . , xn et supposons que f soit de classe Cn+1 .
Il existe alors une constante c élément du plus petit intervalle contenant
x0 , x1 , . . . , xn et x tel que l’erreur d’interpolation soit égale à
f (n+1) (c)
Rn (x) = f (x) − Pn (x) = (x − x0 ) · · · (x − xn )
(n + 1)!
Cette erreur est majorée par
(xn − x0 )n+1
|Rn (x)| ≤ max f (n+1) (x)
(n + 1)! x∈[a,b]
La vérification de ce majorant est facile. Posons
n
Y
πn (x) = (x − xj )
j=0

et considérons la fonction t 7−→ g(t) définie pour x ̸= xi par

πn (t)
g(t) = f (t) − Pn (t) − (f (x) − Pn (x))
πn (x)
g admet (n + 2) zéros aux points x, x0 , x1 , . . . , xn . D’après le théorème de
Rolle, la fonction g (n+1) (t) a un zéro en un certain point c vérifiant
(n + 1)!
g (n+1) (c) = f (n+1) (c) − (f (x) − Pn (x)) =0
πn (x)
d’où
f (n+1) (c)
Rn (x) = f (x) − Pn (x) = πn (x)
(n + 1)!
Cette expression qui est démontrée pour x ̸= xi est aussi vraie pour x = xi ;
ce qui termine la démonstration.

27
3.2 Interpolation d’Hermite
Charles Hermite (1822-1901) a généralisé l’interpolation de Lagrange en
faisant coïncider non seulement f et Pn aux points xi , mais aussi leurs déri-
vées d’ordre ki aux points xi .

Soit x0 , x1 , . . . , xn (n+1) points distincts de l’intervalle [a, b] et f une fonction

définie sur [a, b] admettant des dérivées jusqu’à l’ordre ki aux points xi . On
pose m = n + k0 + k1 + · · · + kn . Il existe un polynôme unique Pm de degré
≤ m appelé polynôme d’interpolation d’Hermite tel que :

Pm(j) (xi ) = f (j) (xi ) ∀i = 0, . . . , n ∀j = 0, . . . , ki

L’interpolation de Lagrange est un cas particulier de l’interpolation d’Her-

mite ( k0 = k1 = · · · = kn = 0 ). Le polynôme d’Hermite est donné par
ki
n X
X
Pm (x) = f (j) (xi ) hij (x)
i=0 j=0

Les polynômes hij sont donnés par les relations de récurrence définies pour
tout j = 0, 1, . . . , ki − 1
ki
(x − xi )j X (k−j)
hij (x) = qi (x) − Ckj qi (xi ) hik (x)
j! k=j+1

et
(x − xi )ki
hiki (x) = qi (x)
ki !
avec n  k +1
Y x − xl l
qi (x) =
l=0
xi − xl
l̸=i

Dans le cas k0 = k1 = . . . = kn = 1, on a les expressions suivantes

n
X
Pm (x) = ri (x)f (xi ) + si (x)f ′ (xi )
i=0

et
ri (x) = (1 − 2 (x − xi ) li′ (xi )) li2 (x)
avec
si (x) = (x − xi ) li2 (x)

28
 (j)
où li (x) est le polynôme de Lagrange. Les équations Pm (xi ) = f (j) (xi )
forment un système linéaire à (n + 1) inconnues que sont les coefficients
de Pm . Il suffit de montrer que le système homogène défini par les rela-
(j)
tions Pm (xi ) = 0 admet une solution unique, le vecteur nul. Ces relations
impliquent que chaque xi est racine d’ordre ki + 1 du polynôme Pm . Par
conséquent, Pm se met sous la forme
n
Y
Pm (x) = q(x) (x − xi )ki +1
i=0

où q(x) est un polynôme. La somme (k0 + 1) + · · · + (kn + 1) = m + 1 montre

que Pm ne peut être un polynôme de degré ≤ m que si q est nul. Par consé-
quent, Pm est nul. CQFD.

Le résultat suivant permet une évaluation de l’erreur dans le cas de l’inter-

polation d’Hermite. Soit f une fonction de classe Cm+1 sur [a, b], x0 , x1 , . . .,
xn (n + 1) points distincts de l’intervalle [a, b] et (k + 1) entiers naturels
k0 , k1 , . . . , kn . On note m l’entier m = n + k0 + · · · + kn et Pm le polynôme
d’interpolation d’Hermite de f aux points x0 , x1 , . . . , xn . Alors, il existe une
constante c (dépendant de x ) élément du plus petit intervalle contenant
x0 , x1 , . . . , xn et x tel que l’erreur d’interpolation soit égale à

f (m+1) (c)
Rm (x) = f (x) − Pm (x) = (x − x0 )k0 +1 · · · (x − xn )kn +1
(m + 1)!

Cette erreur est majorée par

(x − x0 )k0 +1 · · · (x − xn )kn +1
|Rm (x)| ≤ max f (m+1) (x)
(m + 1)! x∈[a,b]

Exercice
(1). On considère la fonction
4
f (x) =
1−x

points x0 = −1, x1 = 0, x2 = 2
Écrire le polynôme de Lagrange p(x) aux √
et x3 = 3. Évaluer l’erreur au point x = 1 + 5. Tracer les courbes f (x) et
p(x).

29
(2). Écrire pour la fonction de l’exercice précédent, le polynôme d’Hermite
vérifiant
p(0) = f (0) = 4
p(2) = f (2) = −4
p′ (0) = f ′ (0) = 4
p′ (2) = f ′ (2) = 4
√
Tracer les courbes f (x) et p(x). Évaluer l’erreur au point x = 1 + 5.

30
Chapitre 4

Intégration numérique

Dans les méthodes d’intégration, l’intégrale d’une fonction continue sur

un intervalle borné [a, b] est remplacée par une somme finie. Le choix de
la subdivision de l’intervalle d’intégration et celui des coefficients qui inter-
viennent dans la somme approchant l’intégrale sont des critères essentiels
pour minimiser l’erreur. Ces méthodes se répartissent en deux grandes caté-
gories : les méthodes composées dans lesquelles la fonction f est remplacée
par un polynôme d’interpolation sur chaque intervalle élémentaire [xi , xi+1 ]
de la subdivision et les méthodes de Gauss fondées sur les polynômes ortho-
gonaux pour lesquelles les points de la subdivision sont imposés.

4.1 Principes généraux

Soit f une fonction continue de [a, b] dans R. On se propose d’évaluer
Rb
l’intégrale a f (x)dµ(x) en subdivisant l’intervalle d’intégration

a = x0 < x1 < . . . < xn−1 < xn = b

et en approchant f sur chaque intervalle par une somme finie de la forme

Z b n−1
X
f (x)dµ(x) ≃ ai f (xi )
a i=0

Une méthode d’intégration est dite d’ordre k si l’erreur commise en appro-

chant l’intégrale par une somme discrète
Z b n−1
X
e(f ) = f (x)dµ(x) − ai f (xi )
a i=0

31
est nulle lorsque f est un polynôme de degré inférieur ou égal à k et non nulle
pour au moins un polynôme de degré supérieur ou égal à k + 1. On rappelle
le théorème de Rolle (1690). Soit P un polynôme. Entre deux racines de
l’équation P (x) = 0, il existe au moins une racine de l’équation dérivée
P ′ (x) = 0. Lorsque f est une fonction numérique intégrable sur un intervalle
[a, b], la première formule de la moyenne affirme que si f est continue alors
il existe un nombre c ∈]a, b[ tel que
Z b
f (x)dx = f (c)(b − a)
a

4.2 Méthode des rectangles

Dans la méthode des rectangles, on remplace la fonction à intégrer f par
une fonction constante par morceaux h(x) sur chaque intervalle élémentaire
[xi , xi+1 ], soit par les rectangles à gauche : h(x) = f (xi ) pour x ∈ [xi , xi+1 ]
Z b n−1
X
f (x)dx ≃ (xi+1 − xi ) f (xi )
a i=0

soit par les rectangles à droite : h(x) = f (xi+1 ) pour x ∈ [xi , xi+1 ]
Z b n−1
X
f (x)dx ≃ (xi+1 − xi ) f (xi+1 )
a i=0

On considère une fonction f continue sur [a, b], dérivable sur l’intervalle ou-
vert ] a, b [ et on se donne a = x0 < x1 < . . . < xn−1 < xn = b une subdivision
régulière de l’intervalle [a, b]. On note h le pas de cette subdivision. Lorsque
la subdivision se réduit à sa plus simple expression, x0 = a, x1 = b on a
Z b
f (x)dx ≃ (b − a)f (a)
a

La méthode des rectangles est une méthode d’ordre 0 . Lorsque la dérivée

première de f est bornée par une constante M , l’erreur dans la méthode des
rectangles est donnée par l’expression
b n−1
1 (b − a)2
Z X
f (x)dx − h f (a + ih) ≤ sup |f ′ (x)|
a i=0
2 n x∈[a,b]

32
4.3 Méthode des trapèzes
Soit f une fonction continue sur [a, b], dérivable sur ]a, b [ et a = x0
< x1 < . . . < xn−1 < xn = b une subdivision régulière de l’intervalle [a, b].
On note h le pas de cette subdivision. Dans la méthode des trapèzes, la
fonction f est remplacée sur chaque intervalle [xi , xi+1 ] par la droite joignant
les points (xi , f (xi )) et (xi+1 , f (xi+1 )), soit

(x − xi ) f (xi+1 ) − (x − xi+1 ) f (xi )

h(x) = x ∈ [xi , xi+1 ]
xi+1 − xi
La méthode s’écrit
Z b n−1
X f (xi ) + f (xi+1 )
f (x)dx ≃ (xi+1 − xi )
a i=0
2

Lorsque la subdivision se réduit à sa plus simple expression, x0 = a, x1 = b

on a Z b
1
f (x)dx ≃ (b − a)(f (a) + f (b))
a 2
La méthode des trapèzes est une méthode d’ordre 1. L’erreur dans la méthode
des trapèzes est donnée par l’expression
Z b
1 (b − a)3
f (x)dx − S ≤ 2
sup |f ′′ (x)|
a 12 n x∈[a,b]

La somme S s’exprime par

n−1
!
h X
S= f (a) + f (b) + 2 f (xi )
2 i=1

Pour améliorer la précision, on considère parfois la formule des trapèzes cor-

rigée suivante
Z b n−1
!
h X h2 ′
f (x)dx ≃ f (a) + f (b) + 2 f (xi ) − (f (b) − f ′ (a))
a 2 i=1
12

4.4 Méthode de Simpson

Dans la méthode de Thomas Simpson (1710-1761), la fonction f est rem-
placée par un polynôme du second degré définissant un arc de parabole pas-

33
 sant par les points d’ordonnées f (xi ) , f (xi+1 ) et f (xi+2 ). La méthode s’écrit
Z b n−1 Z x2i+2 n−1
X X h
f (x)dx = f (x)dx ≃ (f (x2i ) + 4f (x2i+1 ) + f (x2i+2 ))
a i=0 x2i i=0
3
h
= ((f (x0 ) + 4f (x1 ) + f (x2 )) + (f (x2 ) + 4f (x3 ) + f (x4 )) + · · ·
3
+ (f (x2n−4 ) + 4f (x2n−3 ) + f (x2n−2 ))
+ (f (x2n−2 ) + 4f (x2n−1 ) + f (x2n )))
h
= (f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + 2f (x4 ) + · · ·
3
+ 4f (x2n−3 ) + 2 (f (x2n−2 ) + 4f (x2n−1 ) + f (x2n ))

La méthode de Simpson est une méthode d’ordre 4. L’erreur dans la méthode

de Simpson est donnée par
Z b
1 (b − a)5
f (x)dx − S ≤ 4
sup f (5) (x)
a 2880 n x∈[a,b]

4.5 méthode de Gauss

On cherche 2(n+1) constantes x∗i , i = i, n, ; A∗i , i = i, n, et une constante
R telle que
Z b Xi=n
ω(x)f (x)dx = A∗i f (x∗i ) + R
a i=0

avec R = 0 suffisamment petit.

Théorème 12
• Les x∗i = i, n, sont racines des polynômes pn+1 appartenant à la famille des
polynômes orthogonaux sur [a, b], relativement à ω.
• Les A∗i = i, n, vérifient
i=n
X Z b
A∗i x∗k
i = ω(x)xk dx
i=0 a

k = 0, n.
• La formule de Gauss est exacte lorsque f est un polynôme de d0 ≤ 2n + 1

34
En pratique
On prend

pn+1 = xn+1 + an xn + an−1 xn−1 + · · · + a1 x + a0

(1) Pour déterminer les ai on résout le système

Z b
ω(x)xk pn+1 dx = 0, k = 0, n
a

(2)
i=n
X Z b
A∗i x∗k
i = ω(x)xk dx, k = 0, n.
i=0 a

(3)
Z b i=n
X
ω(x)f (x)dx ≃ A∗i f (x∗i )
a i=0

Exemple
Écrire la
R 1 formule de Gauss à trois (3) points permettant d’approcher
l’intégrale 0 f (x)dx. Calculer pour f (x) = x.

35
Chapitre 5

Résolution numérique d’équations

différentielles ordinaires

5.1 Introduction
Définition 8 Une équation différentielle d’ordre n est une relation de la
forme :
F x, y(x), y ′ (x), y ′′ (x), . . . , y (n) = 0

où y(x) est la fonction inconnue qui est solution de l’équation différentielle.

Remarque 9 Une équation différentielle n’admet pas de solution unique sauf

si les conditions initiales sont précisées.
−→ La solution numérique est discrète. Autrement : c’est une suite de N
valeurs yi où
yi ≃ y(xi )avec ≤ i ≤ N
−→ Dans tout ce qui suit on considère des équations différentielles écrites
sous la forme :

y (n) = F x, y(x), y ′ (x), y ′′ (x), . . . , y (n−1)

Problème de Cauchy
C’est la donnée d’une équation différentielle et des conditions initiales.
On peut écrire par exemple
 (n)
 y = F x, y(x), y ′ (x), y ′′ (x), . . . , y (n−1) (x)

+
Conditions initiales


36
1er ordre

y ′ = f (x, y(x)), x ∈ I0 = [a, b]



y (x0 ) = y0
y0 ∈ R, x0 ∈ I0 sont des données et f est une fonction donnée.

5.2 Discrétisation
5.2.1 Idée générale
On subdivise I0 par des points xi (en général équidistant).

xi = xi−1 + h
,1 ≤ i ≤ N
h = b−a
N

h est le pas de discrétisation de la méthode. La discrétisation consiste à

transformer le problème différentiel en un problème approché et à calculer
ensuite les valeurs approchées yi en N points xi de I0 .

5.2.2 Méthodes à un pas

Les méthodes à un pas permettent de calculer la valeur de yi+1 en fonction
des valeurs yi , xi et des données. Cela consiste à trouver une suite itérative
qui approche yi+1 .
yi+1 = yi + hF (xi , yi , h)

5.2.3 Méthodes à pas multiples

Elles permettent de calculer la valeur de yi+1 en fonction de yi ; yi−1 ; yi−2 ; . . . ; yi−k

5.3 Quelques méthodes à un pas

5.3.1 Méthode d’Euler explicite
1. Étant donné un pas de temps h, une condition initiale (t0 , y0 ) et un
nombre maximal d’itérations N
2. Pour 0 ≤ n ≤ N :

yn+1 = yn + hf (tn , yn )
tn+1 = tn + h

37
 Écrire tn+1 et yn+1
3. Arrêt

5.3.2 Méthode d’Euler implicite

1. Étant donné un pas de temps h, une condition initiale (t0 , y0 ) et un
nombre maximal d’itérations N
2. Pour 0 ≤ n ≤ N :

yn+1 = yn + hf (tn+1 , yn+1 )

tn+1 = tn + h
Écrire tn+1 et yn+1
3. Arrêt

5.3.3 Méthode de Runge Kutta

RK-2
1. Étant donné un pas de temps h, une condition initiale (t0 , y0 ) et un
nombre maximal d’itérations N
2. Pour 0 ≤ n ≤ N :

 k1 = hf (xn , yn )
k2 = hf (xn + h, yn + k1 )
yn+1 = 12 (k1 + k2 )


tn+1 = tn + h
Écrire tn+1 et yn+1 .
3. Arrêt.

RK-3
1. Étant donné un pas de temps h, une condition initiale (t0 , y0 ) et un
nombre maximal d’itérations N
2. Pour 0 ≤ n ≤ N :


 k1 = hf (xn , yn )
k2 = hf xn + h2 , yn + k21


k = hf (xn + h, yn − k1 + 2k2 )
 3


yi+1 = 61 (k1 + 4k2 + k3 )
tn+1 = tn + h
Écrire tn+1 et yn+1 .
3. Arrêt.

38
RK-4
1. Étant donné un pas de temps h, une condition initiale (t0 , y0 ) et un
nombre maximal d’itérations N
2. Pour 0 ≤ n ≤ N :

k1 = hf (tn , yn )
 
h k1
k2 = hf tn + , yn +
2 2
 
h k2
k3 = hf tn + , yn +
2 2
k4 = hf (tn + h, yn + k3 )
1
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 )
6
tn+1 = tn + h
Écrire tn+1 et yn+1 .

3. Arrêt.

39