EMSI RABAT – Ingénierie Informatique & Réseaux

EMSI 3 – 3°IIR 3 – MATHEMATIQUES

Mathématiques Appliquées – Analyse Numérique

*===> Analyse Numérique & Outils de Calcul Numérique

Professeur : Dr. E. ZAOUI

Étudiants : Youssef MAHTAT

Ibrahim MANNANE
Anoir EL-AROUSSE

Mathématiques Appliquées :

Analyse Numérique

&

Outils de Calcul Numérique

 Notes de Cours
Et Préparation
en
Mathématiques :
(Mathématiques d’INGENIEUR)

Révision du cours et Pratiques

(Résolutions Mathématico-Algorithmiques)

Analyse Numérique

&

Outils de Calcul Numérique

(Matlab, GNU/Octave, Scilab, …)
(Selon le cours du Prof. Dr. E. ZAOUI)
 CHAPITRE 1 :
Résolution Numérique des
Systèmes d’Equations
Linéaires
 → Notes et Révisions du Cours sur « Résolution Numérique des Systèmes d’Equations Linéaires » :

Soit à résoudre le Système Linéaire 𝐴𝑥⃗ = 𝑏⃗⃗ (tel que 𝐴 une matrice
connue, 𝑏⃗⃗ un vecteur connu et 𝑥⃗ un vecteur inconnu), or on cherche la
valeur du vecteur 𝑥⃗ ;

→ Méthodes Directes :
** → Résolution de Système - cas d’une Matrice Diagonale :

Soit 𝐴 une matrice diagonale tel que :

𝑎11 0 0
A = ( 0 𝑎22 0 )
0 0 𝑎33

Alors la résolution du Système Linéaire 𝐴𝑥⃗ = 𝑏⃗⃗ :

→ Algorithme :

Si A est diagonale alors :

𝒑𝒐𝒖𝒓 𝒊 = 𝟏 → 𝒏 ∶
{
𝒙𝒊 = 𝒃𝒊 /𝒂𝒊𝒊

** → Résolution de Système - cas d’une Matrice Triangulaire Supérieur :

Soit 𝐴 une matrice triangulaire supérieur tel que :

𝑎11 𝑎12 𝑎13

A = ( 0 𝑎22 𝑎23 )
0 0 𝑎33

Alors pour résolution le Système Linéaire 𝐴𝑥⃗ = 𝑏⃗⃗ on utilise la mé thode

de la remontée.
 → Méthode Remontée :

→ Algorithme :

𝒑𝒐𝒖𝒓 𝒊 = 𝟏 → 𝒏 ∶
𝒏
{
𝒙𝒊 = (𝒃𝒊 − ∑ 𝒂𝒊𝒋 𝒙𝒋 ) / 𝒂𝒊𝒊
𝒋=𝒊+𝟏

** → Résolution de Système - cas d’une Matrice Triangulaire Inferieur :

Soit 𝐴 une matrice triangulaire Inferieur tel que :

𝑎11 0 0
A = (𝑎21 𝑎22 0 )
𝑎31 𝑎32 𝑎33

Alors pour résolution le Système Linéaire 𝐴𝑥⃗ = 𝑏⃗⃗ on utilise la mé thode de

la décente.

→ Méthode Décente :

→ Algorithme :

𝒑𝒐𝒖𝒓 𝒊 = 𝟏 → 𝒏 ∶
𝒊−𝟏
{
𝒙𝒊 = (𝒃𝒊 − ∑ 𝒂𝒊𝒋 𝒙𝒋 ) / 𝒂𝒊𝒊
𝒋=𝟏
** → Elimination de GAUSS :

Le procédé de l’élimination de Gauss consiste à transformer le système en un nouveau

système triangulaire.
Dans la méthode d’élimination de Gauss et lorsque les divisions par zéro
n’apparaissent pas (pas de permutation), on remplace à chaque étape la matrice 𝐴 =
𝐴(1) par une matrice 𝐴(𝑘) = (𝑎(𝑘) 𝑖𝑗 ) dont les 𝑘 − 𝑖è𝑚𝑒𝑠 premiers vecteurs colonnes
correspondent au début d’une matrice triangulaire. A la (𝑘 + 1) − 𝑖è𝑚𝑒 étape, on
conserve les 𝑘 premières lignes et les (𝑘 − 1) premières colonnes de 𝐴(𝑘) :

Après la 𝑛 − 𝑖è𝑚𝑒 étape on obtient le système triangulaire :

** → Décomposition en LU :

Dans la méthode de Gauss, l’opération d’addition à une ligne de 𝐴 d’une autre

ligne multipliée par un scalaire peut se d’écrire comme un produit matriciel. Il est
facile de vérifier que :

𝑨(𝒌+𝟏) = 𝑴𝒌 𝑨(𝒌)

Où on obtient :

𝑨 = 𝑳𝑼

Avec 𝑼 = 𝑨(𝒏) (la même 𝑨(𝒏) de l’élimination de GAUSS)

𝑼 = 𝑨(𝒏) =

Et 𝑳 est retrouvable facilement grâce aux étapes de passage 𝑨(𝒌) qui

s’exprimera donc par :

𝟏 ⋯ 𝟎
⋮ ⋱ ⋮
𝑳 = (𝒂(𝟏) )
𝒏𝟏
⋯ 𝟏
𝒂(𝟏) 𝟏𝟏
Ou plus précisément :

𝟏 𝟎 ⋯ 𝟎
(𝟏)
𝒂 𝟐𝟏
𝟏 … 𝟎
𝒂(𝟏) 𝟏𝟏
𝒂(𝟐) 𝟑𝟐
⋮ ⋱ ⋮
𝑳= 𝒂(𝟐) 𝟐𝟐
𝒂(𝟏) (𝒏−𝟏)𝟏
⋮ … 𝟎
𝒂(𝟏) 𝟏𝟏
𝒂(𝟏) 𝒏𝟏 𝒂(𝟐) 𝒏𝟐
⋯ 𝟏
( 𝒂(𝟏) 𝟏𝟏 𝒂(𝟐) 𝟐𝟐 )

→ Algorithme :

→ Avec toujours 𝐿𝑖𝑖 = 1.

→ Une fois les matrices 𝐿, 𝑈 obtenues, la résolution du système 𝐴𝑥⃗ = 𝑏⃗⃗

se fait en deux étapes :

𝐿𝑦⃗ = 𝑏⃗⃗ (𝑚é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑑é𝑐𝑒𝑛𝑡𝑒)

{
𝑈𝑥⃗ = 𝑦⃗ (𝑚é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑟𝑒𝑚𝑜𝑛𝑡é𝑒)
** → Méthode de 𝑪𝒉𝒐𝒍𝒆𝒔𝒌𝒊 :

→ Théorème :
Une matrice 𝐴 est symétrique définie positive si et seulement s’il existe
une matrice 𝐿 triangulaire inférieure inversible telle que 𝐴 = 𝐿 𝐿𝑇 .

→ Algorithme (Pour retrouver la matrice 𝑳) :

Avec 𝑖 = (𝑘 + 1) , … , 𝑛
→ Méthodes Itératives :
⃗⃗ est mis sous la forme :
Dans les méthodes itératives, le système 𝐴𝑥⃗ = 𝑏

𝑀𝑥⃗ = 𝑁𝑥⃗ + 𝑏⃗⃗ (𝐴 = 𝑀 − 𝑁)

** → Méthode de 𝑱𝑨𝑪𝑶𝑩𝑰 :

Cette méthode consiste à prendre :

𝑀 = 𝐷 et 𝑁 = 𝐸 + 𝐹

On construit l’algorithme :

→ Algorithme :

* Pour 𝑥 (0) donnée

* Pour 𝑖 = 1, . . . , 𝑛 :
𝑛
1
𝑥𝑖 (𝑘+1) = ( 𝑏𝑖 − ∑ (𝑎𝑖𝑗 𝑥𝑗 (𝑘) ) )
𝑎𝑖𝑖
𝑗=1 ,𝑗≠𝑖

** → Méthode de 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥 :

Cette méthode consiste à prendre :

𝑀 = 𝐷−𝐸 et 𝑁 = 𝐹

On construit l’algorithme :

→ Algorithme :

* Pour 𝑥 (0) donnée

* Pour 𝑖 = 1, . . . , 𝑛 :

𝑖−1 𝑛
1
𝑥𝑖 (𝑘+1) = ( 𝑏𝑖 − ( ∑(𝑎𝑖𝑗 𝑥𝑗 (𝑘+1) ) − ( ∑ (𝑎𝑖𝑗 𝑥𝑗 (𝑘) ))
𝑎𝑖𝑖
𝑗=1 𝑗=𝑖+1
** → Remarques :

Si la matrice 𝐴 est à diagonale strictement dominante alors les 2 mé thodes

converge.
→ Définition : La matrice 𝐴 est à diagonale strictement dominante si :

|𝑎𝑖𝑖 | > ∑ |𝑎𝑖𝑗 |

𝑗=1 ,𝑗≠𝑖
 CHAPITRE 2 :
CHAPITRE 1 :

Résolution Numérique des

Systèmes d’Equations
NON-Linéaires
→ Notes et Révisions du Cours sur « Résolution Numérique des Systèmes d’Equations NON-Linéaires » :

Dans ce chapitre, on se propose d’approcher numériquement les racines d’une fonction

réelle et aussi présenter quelques m´méthodes d’approximations des solutions des
systèmes non linéaires.

Et soit 𝑓 : [𝑎, 𝑏] → ℝ une fct non-linéaire :

𝑆𝑖 𝑓 𝑒𝑠𝑡 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒 𝑠𝑢𝑟 [𝑎, 𝑏] , 𝑎𝑙𝑜𝑟𝑠 ∃𝛼 ∈ [𝑎, 𝑏] 𝑡𝑞 𝑓(𝛼) = 0

{
𝑠𝑖 𝑓(𝑎)𝑓(𝑏) < 0

On dit que α est une racine de 𝑓 sur [𝑎, 𝑏] .

L’objectif de ce chapitre est de trouver ou approximer 𝛼 .

Plan :
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒𝑠 𝐺é𝑜𝑚é𝑡𝑟𝑖𝑞𝑢𝑒𝑠 ∶
→ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝐷𝑖𝑐ℎ𝑜𝑡𝑜𝑚𝑖𝑞𝑢𝑒
{ → 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑙𝑎 𝑆é𝑐𝑜𝑛𝑡𝑒
→ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑁𝑒𝑤𝑡𝑜𝑛

{ ∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑃𝑜𝑖𝑛𝑡 𝑓𝑖𝑥𝑒

→ Méthodes Géométriques :

** → Méthode de 𝑫𝒊𝒄𝒉𝒐𝒕𝒊𝒎𝒊𝒆 :

On Pose :

𝑆𝑖 (𝑓(𝑎0 )𝑓(𝑥0 ) < 0 → 𝑎1 = 𝑎0 , 𝑏1 = 𝑥0

𝐸𝑡𝑎𝑝𝑒 1 ∶ { 𝑎1 + 𝑏1
𝑆𝑖𝑛𝑜𝑛 𝑥1 =
2

𝑆𝑖 (𝑓(𝑎0 )𝑓(𝑥0 ) < 0 → 𝑎2 = 𝑎1 , 𝑏2 = 𝑥1

𝐸𝑡𝑎𝑝𝑒 2 ∶ { 𝑎2 + 𝑏2
𝑆𝑖𝑛𝑜𝑛 𝑥2 =
2

𝑆𝑖 (𝑓(𝑎𝑛−1 )𝑓(𝑥𝑛−1 ) < 0 → 𝑎𝑛 = 𝑎n−1 , 𝑏n = 𝑥n−1

𝑆𝑖𝑛𝑜𝑛 ∶ 𝑎𝑛 = 𝑥𝑛−1 𝑒𝑡 𝑏𝑛 = 𝑏𝑛−1
𝐸𝑡𝑎𝑝𝑒 𝑛 ∶ {
𝑎n + 𝑏n
𝑥n =
2

→ Algorithme (Programmation) :

* Pour a, b donnée

* Pour 𝜀 donnée ( 𝜀 = 10−6 )

𝑎+𝑏
* 𝑥0 = 2

ecart = 1

while ( ecart > 𝜀 ) :

𝑠𝑖 (𝑓(𝑎)𝑓(𝑏) < 0) 𝑎𝑙𝑜𝑟𝑠 𝑏 = 𝑥0

𝑠𝑖𝑛𝑜𝑛 : 𝑎 = 𝑥0

𝑎+𝑏
𝑥1 =
2

𝑒𝑐𝑎𝑟𝑡 = |𝑥1 − 𝑥0 |

𝑥0 = 𝑥1
** → Méthode de 𝒍𝒂 𝑺é𝒄𝒐𝒏𝒕𝒆 :

Soient x0 et x1 deux point de [𝑎, 𝑏] . La droite qui passe par 𝑀0 = (𝑥0 , 𝑓(𝑥0 )) et
𝑀1 = (𝑥1 , 𝑓(𝑥1 )) Coupe l’axe des 𝑥 en un point d’abscisse 𝑥2 . On recommence avec
les points 𝑀1 et 𝑀2 = (𝑥2 , 𝑓(𝑥2 )) pour obtenir l’abscisse 𝑥3 .

En itérant ce procédé, on obtient ainsi une suite 𝑥𝑛 définie par :

** → Méthode de 𝑵𝑬𝑾𝑻𝑶𝑵 :

Soit x0 un point de [𝑎, 𝑏] .La tangente de la courbe 𝑦 = 𝑓(𝑥) au point

𝑀0 = (𝑥0 , 𝑓(𝑥0 )) Coupe l’axe des x en un point d’abscisse 𝑥1 . De même, la tangente
de la courbe 𝑦 = 𝑓(𝑥) coupe l’axe des 𝑥 en un point d’abscisse 𝑥2 .

En itérant ce procédé, on obtient une suite d’abscisse 𝑥𝑛 définie par :

→ Méthodes de Points fixes :

Et soit 𝐹 : [𝑎, 𝑏] → ℝ une fct continue. On dit que α est un point fixe de 𝐹 si 𝐹(𝛼) = 𝛼 .

On obtient α en itérant ce procédé :

𝑥0 𝑑𝑜𝑛𝑛é𝑒
{
𝑥𝑛+1 = 𝐹(𝑥𝑛 )

RmQ :
On a Résoudre un système non-linéaire tel-que 𝑓(𝛼) = 0 . La Méthode du point fixe
consistera à trouve la fonction 𝐹 tel-que 𝛼 est un point fixe de 𝐹 (càd 𝐹(𝛼) = 𝛼 ) . On
peut facilement trouver 𝐹 par cette construction :

On a : 𝒇(𝜶) = 𝟎

Donc : 𝒇(𝜶) + 𝜶 = 𝜶

Alors pour F(x) = 𝒇(𝒙) + 𝒙 on trouve donc 𝑭(𝜶) = 𝜶

Et Donc on va utiliser ce 𝐹 construit (F(x) = 𝑓(𝑥) + 𝑥) pour l’algorithme (la suite 𝑥𝑛 )

pour approximer la solution 𝛼 système non-linéaire.

A noté qu’il existe plusieurs constructions de 𝐹qui peuvent être utilisées dans
l’algorithme, mais il existera des choix plus pertinent que d’autres.

RmQ sur la convergence de la suite 𝑥𝑛 :

 Si |𝐹′(𝛼)| > 1 → La suite 𝑥𝑛+1 = 𝐹(𝑥𝑛 ) diverge, dans ce cas α est dit répulsif
 Si |𝐹′(𝛼)| < 1 → La suite 𝑥𝑛+1 = 𝐹(𝑥𝑛 ) converge, dans ce cas α est dit attractif
 Si |𝐹′(𝛼)| = 1 → On ne peut rien dire
 CHAPITRE 3 :
CHAPITRE 1 :

Interpolation
Polynômiale
→ Notes et Révisions du Cours sur « Interpolation Polynômiale » :

→ Introduction :

Dans ce chapitre, nous considérons le problème d’interpolation suivant :

Soit f une fonction connue seulement en (𝑛 + 1) points de la forme (𝑥𝑖 , 𝑓(𝑥𝑖 ))
pour 𝑖 = 0,1,2, . . . , 𝑛.
On cherche un interpolant (une fonction ou polynôme) p qui vérifie :

𝑝(𝑥0 ) = 𝑓(𝑥0 ) , 𝑝(𝑥1 ) = 𝑓(𝑥1 ) , . .. , 𝑝(𝑥𝑛 ) = 𝑓(𝑥𝑛 ).

Les 𝑥𝑖 sont les nœuds et les points (𝑥𝑖 , 𝑓(𝑥𝑖 )) sont appelés points d’interpolation et
peuvent provenir de données expérimentales ou d’une table.

L’objectif de ce chapitre est de trouver une approximation f par l’interpolation

Polynômiale !

 Plan :

∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝐿𝐴𝐺𝑅𝐴𝑁𝐺𝐸
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑁𝐸𝑊𝑇𝑂𝑁
∗∗ 𝐴𝑙𝑔𝑜𝑟𝑖𝑡ℎ𝑚𝑒 𝑑𝑒 𝑁𝐸𝑉𝐼𝐿𝐿𝐸

∗∗ 𝐸𝑟𝑟𝑒𝑢𝑟 𝑑′ 𝐼𝑁𝑇𝐸𝑅𝑃𝑂𝐿𝐴𝑇𝐼𝑂𝑁
{
→ Méthode de LAGRANGE :

** → Méthode des 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝑪𝒂𝒓𝒓é𝒆𝒔 :

Soit f une fonction connue seulement en (𝑛 + 1) points de la forme (𝑥𝑖 , 𝑓(𝑥𝑖 )) pour 𝑖 =
0,1,2, . . . , 𝑛.

Le polynôme 𝑃𝑛 (𝑥) d’interpolation :

𝑛

𝑃𝑛 (𝑥) = ∑ 𝑓(𝑥𝑖 ) . 𝐿𝑖 (𝑥)

𝑖=0
Avec :
𝑛
(𝑥 − 𝑥𝑗 )
𝐿𝑖 (𝑥) = ∏
(𝑥𝑖 − 𝑥𝑗 )
𝑗=0
𝑗≠𝑖

→ Méthode de 𝑵𝒆𝒘𝒕𝒐𝒏 :
Soit f une fonction connue seulement en (𝑛 + 1) points de la forme (𝑥𝑖 , 𝑓(𝑥𝑖 ))
pour 𝑖 = 0,1,2, . . . , 𝑛.

Le polynôme 𝑃𝑛 (𝑥) d’interpolation :

𝑝𝑛(𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )( 𝑓[𝑥0 , 𝑥1 ] + (𝑥 − 𝑥1 )( 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] + (𝑥 − 𝑥2 )(. . . )) )

Avec :

** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 𝑷𝒓𝒂𝒕𝒊𝒒𝒖𝒆 :

𝒙𝒊 Etape 0 Etape 1 Etape 2 … Etape n

𝒙𝟎 𝑏0 = 𝑓(𝑥0 ) - - … -
𝒙𝟏 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 ) - … -
𝑏1 = 𝑓[𝑥0 , 𝑥1 ] =
𝑥1 − 𝑥0

𝒙𝟐 𝑓(𝑥2 ) 𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] … -

𝑓[𝑥1 , 𝑥2 ] = 𝑏2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] =
𝑥2 − 𝑥1 𝑥2 − 𝑥0

. . . . . .
. . . . . .
. . . . . .
𝒙𝒏 𝑓(𝑥𝑛 ) 𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 ) 𝑓[𝑥𝑛−2 , 𝑥𝑛−1 , 𝑥𝑛 ] … 𝒃𝒏 = 𝒇[𝒙𝟎 , . . . , 𝒙𝒏 ]
𝑓[𝑥𝑛−1 , 𝑥𝑛 ] = 𝑓[𝑥𝑛−1 , 𝑥𝑛 ] − 𝑓[𝑥𝑛−2 , 𝑥𝑛−1 ]
𝑥𝑛 − 𝑥𝑛−1
=
𝑥𝑛 − 𝑥𝑛−2

Alors le polynôme 𝑃𝑛 (𝑥) d’interpolation est construit à partir du produit des éléments de la diagonale avec
∏𝑖−1
𝑗=0(𝑥 − 𝑥𝑗 ) (avec 𝑖 l’étape, et à l’étape 0 on prend juste 𝑓(𝑥0 )) :
𝑝𝑛 (𝑥) = 𝑏0 + ∑𝑛𝑖=1 𝑏𝑖 . ∏𝑖−1
𝑗=0(𝑥 − 𝑥𝑗 )
 → Méthode (Algorithme) de 𝑵𝒆𝒗𝒊𝒍𝒍𝒆 :
Le polynôme 𝑃𝑖,𝑗 (𝑥) d’interpolation :

i = 0,...,n; j = 0,...,i

Et Donc : 𝑃𝑖,𝑗 (𝑥) = 𝑄𝑖𝑗 (𝑥)

𝒙 ∗ − 𝒙𝒊 𝒙𝒊 Etape 0 Etape 1 Etape 2 … Etape n

𝒙 ∗ − 𝒙𝟎 𝒙𝟎 𝑓(𝑥0 ) - - … -
- … -
𝒙 ∗ − 𝒙𝟏 𝒙𝟏 𝑓(𝑥1 ) 𝑃0,1 (x ∗)
… -
𝒙 ∗ − 𝒙𝟐 𝒙𝟐 𝑓(𝑥2 ) 𝑃0,1,2 (x ∗)
𝑃1,2 (x ∗)
. . . . . . .
. . . . . . .
. . . . . . .
…
𝒙 ∗ − 𝒙𝒏 𝒙𝒏 𝑓(𝑥𝑛 ) 𝑃𝑛−2,𝑛−1,𝑛 (x ∗) 𝑃0,1,…,𝑛 (x ∗)
𝑃𝑛−1,𝑛 (x ∗)

Avec :
𝑃𝑖,…,𝑗−1 (x ∗) . (𝑥 ∗ −𝑥𝑗 ) − 𝑃𝑖+1,…,𝑗 (x ∗) . (𝑥 ∗ −𝑥𝑖 )
𝑃𝑖,…,𝑗 (x ∗) =
𝑥𝑖 − 𝑥𝑗

→ Erreur d’interpolation :
L’interpolation permet de faire l’approximation de la fonction f en tout point x. Or, cette
opération entraine une erreur d’interpolation que l’on peut exprimer par :

𝐸𝑛 (𝑥) = 𝑓(𝑥) − 𝑃𝑛 (𝑥)

Théorème :
Soient 𝑥0 < 𝑥1 < . . . < 𝑥𝑛 des points d’interpolations et 𝑓 une fonction définie sur
l’intervalle [𝑥0 , 𝑥𝑛 ] et (𝑛 + 1) fois dérivable sur ]𝑥0 , 𝑥𝑛 [ . Alors, pour tout x de[𝑥0 , 𝑥𝑛 ] , il
existe 𝜉𝑥 𝜖 ]𝑥0 , 𝑥𝑛 [ tel que :
 CHAPITRE 4 :
CHAPITRE 1 :

Intégration Numérique
→ Notes et Révisions du Cours sur « Intégration Numérique » :

→ Introduction :

Dans ce chapitre, nous considérons le problème de trouver une valeur à la surface :

𝑥𝑛
I = ∫ 𝑓(𝑥)𝑑𝑥
𝑥0

L’objectif de ce chapitre est de trouver une approximation de la quantité (l’intégrale) I

par l’intégration Numérique !

 Plan :

∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑇𝑟𝑎𝑝è𝑧𝑒
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑆𝑖𝑚𝑝𝑠𝑜𝑛 1/3
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑆𝑖𝑚𝑝𝑠𝑜𝑛 3/8

∗∗ 𝑇𝑟𝑎𝑖𝑡𝑒𝑚𝑒𝑛𝑡 𝑑𝑒 𝑙′𝐸𝑟𝑟𝑒𝑢𝑟
{
→ Méthode de 𝑻𝒓𝒂𝒑è𝒛𝒆 :

** → Méthode de 𝑻𝒓𝒂𝒑è𝒛𝒆 simple :

𝑏 𝑏
∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ ∫𝑎 𝑓(𝑎)𝑑𝑥 + 𝑓[𝑎, 𝑏](𝑥 − 𝑎)

𝑏 𝑏−𝑎
∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ 2
( 𝑓(𝑎) + 𝑓(𝑏))

** → Méthode de 𝑻𝒓𝒂𝒑è𝒛𝒆 composé :

On a toujours : 𝑛𝑏𝑟𝑃𝑜𝑖𝑛𝑡𝑠 = 𝑛 + 1 => 𝑛 = 𝑛𝑏𝑟𝑃𝑜𝑖𝑛𝑡𝑠 − 1

𝑏−𝑎
Soit 𝑛 , ℎ = , 𝑥𝑖 = 𝑎 + 𝑖ℎ avec 𝑖 ∈ {0, … , 𝑛} et 𝑓(𝑥) , et donc :
𝑛

→ Méthode de 𝑺𝒊𝒎𝒑𝒔𝒐𝒏 :

** → Méthode de 𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟏/𝟑 :

On a toujours : 𝑛𝑏𝑟𝑃𝑜𝑖𝑛𝑡𝑠 = 2. 𝑛 + 1
𝑏−𝑎
Soit 𝑛 , ℎ = , 𝑥𝑖 = 𝑎 + 𝑖ℎ avec 𝑖 ∈ {0, … ,3𝑛} et 𝑓(𝑥) , et donc :
2𝑛

** → Méthode de 𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟑/𝟖 :

On a toujours : 𝑛𝑏𝑟𝑃𝑜𝑖𝑛𝑡𝑠 = 3. 𝑛 + 1
𝑏−𝑎
Soit 𝑛 , ℎ = , 𝑥𝑖 = 𝑎 + 𝑖ℎ avec 𝑖 ∈ {0, … ,3𝑛} et 𝑓(𝑥) , et donc :
3𝑛

𝑏 𝑛−1
3
∫ 𝑓(𝑥)𝑑𝑥 ≈ . ℎ . ∑ (𝑓(𝑥3𝑖 ) + 3𝑓(𝑥3𝑖+1 ) + 3𝑓(𝑥3𝑖+2 ) + 𝑓(𝑥3𝑖+3 ))
𝑎 8
𝑖=0
 CHAPITRE 5 :
CHAPITRE 1 :

Résolution Numérique des

Equations Différentielles
→ Notes et Révisions du Cours sur « Equations Différentielles » :

→ Introduction :

On s’intéresse à résoudre numériquement l’équation différentielle :

(6.1)

1) La variable t représente t’es souvent le temps.

2) La variable y dépend de t.
3) La fonction f `a deux variables est supposée suffisamment différentiable.
4) La condition y(t0) = y0 est la Condition Initiale (CI).
5) On cherche à obtenir une approximation de la solution analytique (inconnue) de y(t).

L’objectif de ce chapitre est de trouver une approximation de 𝑦(𝑡) ;

 Plan :

∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝐸𝑈𝐿𝐸𝑅
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑇𝑎𝑦𝑙𝑜𝑟 (𝑑′𝑜𝑟𝑑𝑟𝑒2)
∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑅𝑢𝑛𝑔𝑒 𝐾𝑢𝑡𝑡𝑎 ∶
∗∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑢 𝑝𝑜𝑖𝑛𝑡 𝑚𝑖𝑙𝑖𝑒𝑢
∗∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝐸𝑈𝐿𝐸𝑅 𝑚𝑜𝑑𝑖𝑓𝑖𝑒𝑟
∗∗∗ 𝑀é𝑡ℎ𝑜𝑑𝑒 𝑑𝑒 𝑅𝑢𝑛𝑔𝑒 𝐾𝑢𝑡𝑡𝑎 𝑑′ 𝑜𝑟𝑑𝑟𝑒 4

{
→ Méthode de EULER :

** → Méthode de 𝑬𝒖𝒍𝒆𝒓 Explicite :

On a à résoudre :

*** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 de 𝑬𝒖𝒍𝒆𝒓 Explicite :

Soit ℎ un pas de temps, et (𝑥0 , 𝑦0 ) une CI, et 𝑁 le nombre d’itération :

 𝑷𝒐𝒖𝒓 𝒏 𝒅𝒆 𝟎 𝒋𝒖𝒔𝒒𝒖’à 𝑵 :
𝑦𝑛+1 = 𝑦𝑛 + ℎ𝑓(𝑡𝑛 , 𝑦𝑛 )
𝑡𝑛+1 = 𝑡𝑛 + ℎ

→ Méthode de 𝑻𝒂𝒚𝒍𝒐𝒓 d’ordre 𝟐 :

On a à résoudre :

** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 de 𝑻𝒂𝒚𝒍𝒐𝒓 d’ordre 𝟐 :

 Soit ℎ un pas de temps, et (𝑥0 , 𝑦0 ) une CI, et 𝑁 le nombre d’itération :

 𝑷𝒐𝒖𝒓 𝒏 𝒅𝒆 𝟎 𝒋𝒖𝒔𝒒𝒖’à 𝑵 :

𝑡𝑛+1 = 𝑡𝑛 + ℎ
→ Méthode de Runge Kutta :

** → Méthode du Runge Kutta d’ordre 2 :

On a à résoudre :

*** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 de 𝑬𝒖𝒍𝒆𝒓 𝑴𝒐𝒅𝒊𝒇𝒊é𝒆 :

 Soit :

 Et Soit ℎ un pas de temps, et (𝑥0 , 𝑦0 ) une CI, et 𝑁 le nombre d’itération :

 𝑷𝒐𝒖𝒓 𝒏 𝒅𝒆 𝟎 𝒋𝒖𝒔𝒒𝒖’à 𝑵 :

𝑡𝑛+1 = 𝑡𝑛 + ℎ

*** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 du 𝒑𝒐𝒊𝒏𝒕 𝒎𝒊𝒍𝒊𝒆𝒖 :

 Soit :

 Et Soit ℎ un pas de temps, et (𝑥0 , 𝑦0 ) une CI, et 𝑁 le nombre d’itération :

 𝑷𝒐𝒖𝒓 𝒏 𝒅𝒆 𝟎 𝒋𝒖𝒔𝒒𝒖’à 𝑵 :

𝑡𝑛+1 = 𝑡𝑛 + ℎ
** → Méthode du Runge Kutta d’ordre 4 :

On a à résoudre :

** → 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆 du Runge Kutta d’ordre 𝟒 :

 Soit ℎ un pas de temps, et (𝑥0 , 𝑦0 ) une CI, et 𝑁 le nombre d’itération :

 𝑷𝒐𝒖𝒓 𝒏 𝒅𝒆 𝟎 𝒋𝒖𝒔𝒒𝒖’à 𝑵 :

𝑡𝑛+1 = 𝑡𝑛 + ℎ
 CHAPITRE 6 :
CHAPITRE 1 :

Valeurs Propres
&
Vecteurs Propres
Chapitre 5

Valeurs et vecteurs propres

Ce chapitre est consacré à la détermination des valeurs et ou vecteurs propres d’une matrice
carrée.

Définition 25 Soit A une matrice carrée de dimension n. On appelle vecteur propre de A

tout vecteur non nul x tel que Ax = λx pour un certain scalaire λ. Un scalaire λ est appelé
valeur propre de A si l’équation Ax = λx admet au moins une solution non trivial x ; un tel
vecteur x est appelé vecteur propre associé à λ.

Les valeurs propres d’une matrice peuvent être déterminés comme les racines du polynôme
caractéristique :
pλ (λ) = det(A − λ ∗ In ) = 0.
Quand une racine du polynôme caractéristique est multiple, on dit que la valeur propre est
dégénérée, et la dimension de l’espace associé à cette valeur propre est supérieure ou égale à
deux.

Remarque 27 La détermination des valeurs propres à partir de l’équation caractéristique n’est

pas efficace sur le plan numérique. Des méthodes adaptées sont exposées par la suite.

Rappel
Soit A une matrice carrée.
1) A est dite symétrique si : A = AT .
2) A est dite hermitienne si : A = A¯T .
3) A est dite orthogonale si : A−1 = AT .

Remarque 28 1) Les valeurs propres d’une matrice hermitienne sont réelles.

2) Les valeurs propres d’une matrice réelle symétrique sont toutes réelles.
3) Les valeurs propres d’une matrices triangulaire sont les coefficients de sa diagonale
principale.

5.1 Méthode des puissances

Calcul de la plus grande valeur propre La méthode de la puissance itérée s’applique au
cas d’une matrice carrée d’ordre n admettant une valeur propre strictement dominante
λ1 , ce qui signifie que λ1 doit être strictement plus grande en valeur absolue que les autres
valeurs propres. Dans ce cas, la méthode produit une suite de scalaire qui converge vers λ1 et

43
une suite de vecteurs qui converge vers un vecteur propre associé.

Pour simplifier on suppose que la matrice A possède n valeurs propres simples distinctes :

|λn | ≤ . . . |λ3 | ≤ |λ2 | < |λ1 |.

Algorithme
Considérons la suite u(k) définie par :



 u(0) donné
w(k+1) = Au(k+1) (5.1)
 u(k+1) =
 w(k+1)
||w(k+1) ||∞

Théorème 18 La suite de vecteurs u(k+1) définie par ( 5.1)converge vers un vecteur propre
associé à λ1 et ||w(k) ||∞ converge vers λ1 .

5.2 Méthode de déflation

La méthode de la puissance permet de calculer la valeur dominante λ1 et un vecteur propre
associé v1 . Il est possible, sous certaines conditions, de déterminer successivement les autres
valeurs propres .

La méthode de déflation introduise une certaine matrice A(1) dont les valeurs propres or-
données sont identiques à celles de A à partir de la deuxième valeur propre. le processus peut
être itérée et permet ainsi de calculer toutes les valeurs et vecteurs propres successifs.

Théorème 19 Soit w ∈ Rn tel que wT v1 = 1. Alors la matrice A(1) = A − λ1 v1 wT a les

mêmes valeurs propres que A, λ1 étant remplacé par 0.

Méthode de Wielandt
On prend w défini par :
1
wT = Ai
λ1 (v1 )i0 0
où Ai0 est la i0 ème ligne de A et (v1 )i0 est la i0 composante de v1 supposée évidemment non
nulle.

1
Remarque 29 A(1) = A − (v1 )i0 v1 Ai0 a sa i0 ème ligne nulle.

Remarque 30 Pour des raisons de stabilité numérique, on choisit en général l’indice i0 pour
(v1 )i0 soit la plus grande valeur en module.

44