Cours de Méthodes Numériques

Licence 2 SVT – Université Omar Bongo

Dr. MIKIELA NDZOUMBOU Leblond Irmand

15 octobre 2025
2
Table des matières

1 Erreurs numériques et approximation 5

1.1 Pourquoi parler d’erreur ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Types d’erreurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Erreur absolue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Erreur maximale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Erreur relative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Représentation décimale et chiffres significatifs . . . . . . . . . . . . . . . . . . . 6
1.3.1 Chiffres significatifs exacts . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Arrondissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Erreur d’arrondi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Exemple pratique en biologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Synthèse : Savoir et savoir-faire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 Résolution d’équations non linéaires 17

2.1 Démarche générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Méthodes classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Méthode de dichotomie (bisection) . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.3 Méthode de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Exemples pratiques en SVT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Synthèse : Savoir et savoir-faire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Savoir (Connaissances) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.2 Savoir-faire (Compétences) . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 Interpolation polynomiale 23
3.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Exemple concret : température le long d’une rivière . . . . . . . . . . . . . . . . . 23
3.2.1 Interpolation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.2 Interpolation quadratique ou cubique . . . . . . . . . . . . . . . . . . . . . 24
3.3 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4 Remarques importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 À retenir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3
4 TABLE DES MATIÈRES

Introduction générale

Motivation
La biologie moderne ne se limite plus à l’observation en laboratoire : elle s’appuie sur
des méthodes numériques pour analyser des données massives, simuler des phénomènes
complexes et prédire l’évolution des systèmes vivants.

Objectifs pédagogiques

À la fin de ce cours, vous serez capables :

— d’identifier un problème biologique pouvant être résolu par une méthode numérique ;
— de mettre en œuvre une solution avec le logiciel R et ses bibliothèques scientifiques ;
— d’interpréter vos résultats avec un esprit critique (prise en compte de l’erreur, limites
des méthodes).
Chapitre 1

Erreurs numériques et approximation

Motivation

En biologie, toutes les mesures expérimentales sont soumises à des imprécisions. Que ce soit la
concentration d’une enzyme, le poids d’un échantillon, ou le taux de croissance d’une population,
aucune valeur n’est parfaitement exacte.
Ainsi, un résultat numérique n’a de sens que s’il est accompagné d’une estimation de
l’erreur commise. Sans cette estimation, il est impossible de juger de la fiabilité des résultats
ou de leur interprétation.
Objectifs pédagogiques

À l’issue de ce chapitre, vous serez capables de :

— Expliquer pourquoi il est nécessaire de parler d’erreur en méthodes numériques.
— Définir et distinguer les différents types d’erreurs : absolue, relative et d’arrondi.
— Comprendre les chiffres significatifs et l’arrondissement d’un nombre.
— Évaluer et visualiser les erreurs à l’aide de R.

1.1 Pourquoi parler d’erreur ?

Les erreurs numériques apparaissent pour trois raisons principales :

— Limites des instruments : aucune mesure expérimentale n’est parfaite.
— Approximation numérique : toute méthode numérique simplifie le problème réel.
— Représentation en machine : les ordinateurs utilisent un nombre limité de chiffres
significatifs.

1.2 Types d’erreurs

1.2.1 Erreur absolue

Soit x la valeur exacte et x∗ la valeur approchée. L’erreur absolue est :

5
6 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION

Erreur absolue

E = |x∗ − x|

Remarque : en pratique, x est souvent inconnu. On définit alors une borne supérieure de
l’erreur ε :
E = |x∗ − x| ≤ ε =⇒ x ∈ [x∗ − ε, x∗ + ε]

1.2.2 Erreur maximale

Erreur maximale
On appelle erreur maximale d’une mesure (ou d’un nombre approché) la plus grande
valeur que peut prendre l’erreur absolue.

|x∗ − x| ≤ Emax .

Interprétation : l’erreur maximale est une marge de sécurité qui garantit que la vraie valeur
se trouve dans un intervalle autour de x∗ .
Exemple : En mesurant une longueur avec une règle graduée au millimètre, la mesure 12.4 cm
a une erreur maximale de 0.05 cm (moitié de la plus petite graduation). Ainsi, la vraie longueur
est comprise dans :
[12.35 cm, 12.45 cm].

1.2.3 Erreur relative

L’erreur relative mesure l’importance de l’erreur par rapport à la grandeur mesurée :
Erreur relative
|x∗ − x|
r(x) =
|x|

Exemple biologique concret :

— Mesure sur un échantillon massif : poids d’une pierre de 50 kg, erreur absolue 0,1 g :

0.1
Er = ≈ 0.0002% (négligeable)
50 000

— Mesure sur un micro-échantillon : masse d’une goutte de solution 0,2 g, même erreur
absolue 0,1 g :
0.1
Er = = 50% (critique !)
0.2
Interprétation : l’erreur relative permet de juger si une mesure est **fiable ou non** selon
l’échelle de grandeur.

1.3 Représentation décimale et chiffres significatifs

Tout nombre approché x∗ peut s’écrire :
1.3. REPRÉSENTATION DÉCIMALE ET CHIFFRES SIGNIFICATIFS 7

Représentation décimale

x∗ = αm 10m + αm−1 10m−1 + · · · + αm−n+1 10m−n+1 , αm . 6= 0

Les αi sont les chiffres significatifs.

1.3.1 Chiffres significatifs exacts

On dit que les n premiers chiffres d’un nombre approché sont exacts si :
Chiffres significatifs exacts

E ≤ 0.5 × 10m−n+1 ,

où m est le 1er exposant de 10 dans x∗ .

Exercice : chiffres significatifs et décomposition décimale

Soit un biologiste qui mesure la masse d’une micro-goutte d’échantillon et obtient la valeur
approchée suivante :
x∗ = 0.007346 g

avec une erreur maximale estimée de E = 0.00002 g.

1. Déterminez le premier exposant m de x∗ .

2. Décomposez x∗ en sa représentation décimale complète sous forme :

−n
X
x∗ = αi 10i
i=m

et identifiez les chiffres significatifs.

3. Calculez le nombre de chiffres significatifs exacts dans x∗ .

4. Vérifiez si le troisième chiffre après le zéro initial est exact.

Solution

1. Détermination de m : On écrit x∗ sous forme scientifique :

x∗ = 7.346 × 10−3 ⇒ m = −3

2. Décomposition décimale :

x∗ = 0.007346 = 7 · 10−3 + 3 · 10−4 + 4 · 10−5 + 6 · 10−6

Les chiffres significatifs sont donc 7, 3, 4, 6.

8 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION

3. Nombre de chiffres significatifs exacts : La condition est :

E ≤ 0.5 × 10m−n+1 ⇒ 0.00002 ≤ 0.5 × 10−3−n+1 = 0.5 × 10−n−2

On résout pour n :
2 × 10−5 ≤ 5 × 10−3−n ⇒ n≤3

Donc le nombre de chiffres significatifs exacts est 3.

4. Vérification du 3e chiffre après le zéro initial :
Pour x∗ = 0.007346, les chiffres significatifs se lisent à partir du premier chiffre non nul :

0.007346 = 7 · 10−3 + 3 · 10−4 + 4 · 10−5 + 6 · 10−6

- Le premier chiffre significatif est 7,

- le deuxième est 3,
- le troisième est 4.

Comme nous avons déterminé que n = 3 chiffres significatifs sont exacts, cela signifie que
**les trois premiers chiffres significatifs (7, 3 et 4) sont fiables**. Le chiffre suivant, 6,
n’est **pas garanti exact** à cause de l’erreur maximale.
Conclusion : le troisième chiffre significatif (le 4) est exact, mais le quatrième (le 6) peut
être affecté par l’erreur de mesure.

1.3.2 Arrondissement
L’arrondissement consiste à ne garder qu’un certain nombre de chiffres significatifs selon ces
règles :
— Si le premier chiffre rejeté < 5, le dernier chiffre retenu reste inchangé.
— Si le premier chiffre rejeté ≥ 5, on ajoute 1 au dernier chiffre retenu.
Exemples :
5.76 ≈ 5.8, 5.32 ≈ 5.3

1.3.3 Erreur d’arrondi

|∆x| ≤ 0.5 × 10m−n+1 ⇒ x = x∗arrondi ± (2E)

1.4 Exemple pratique en biologie

Exercice 1 : erreurs absolue et relative, chiffres significatifs

Contexte biologique : Un biologiste mesure la concentration en glucose dans un échantillon
sanguin de souris sur 8 jours. Les valeurs exactes (mg/dL) sont :

x = [90, 95, 100, 105, 110, 115, 120, 125]

1.4. EXEMPLE PRATIQUE EN BIOLOGIE 9

Les mesures obtenues par l’instrument sont :

x∗ = [91, 94, 101, 104, 112, 114, 121, 124]

Instructions

1. Calculer l’erreur absolue Ei = |x∗i − xi | pour chaque jour et compléter le tableau suivant :
Jour Valeur exacte xi Valeur approchée x∗i Erreur absolue Ei Erreur relative ri = Ei /xi
1 90 91
2 95 94
3 100 101
4 105 104
5 110 112
6 115 114
7 120 121
8 125 124
2. Tracer deux courbes sur une feuille :
— Courbe de l’erreur absolue Ei en fonction du jour
— Courbe de l’erreur relative ri en fonction du jour

3. Identifier les jours où :

— L’erreur absolue est la plus importante
— L’erreur relative est la plus critique

4. Déterminer pour chaque mesure le nombre de chiffres significatifs exacts si l’erreur absolue
maximale admissible est 1 mg/dL.

5. Analyse et interprétation :
— Les mesures sont-elles fiables pour suivre l’évolution de la concentration en glucose ?
— Les erreurs absolues ou relatives influencent-elles la conclusion biologique ?
— Comment améliorer la précision des mesures ?

Remarques pédagogiques

- Les chiffres significatifs exacts sont déterminés à partir de l’erreur maximale et de la

valeur approchée : un chiffre est exact si l’erreur ne le modifie pas.
- L’erreur absolue permet de savoir l’écart en valeur réelle, tandis que l’erreur relative donne
la proportion de l’erreur par rapport à la grandeur mesurée.
- Les courbes aident à visualiser quand les mesures sont plus ou moins fiables au cours du temps.

Exercice : Analyse des erreurs en fonction du nombre d’essais

Un laboratoire cherche à mesurer la concentration d’une solution chimique dont la valeur de

référence est x = 2.50 mol/L. On effectue plusieurs séries d’essais (notées N ) et on calcule, pour
chaque série, la valeur moyenne approchée x∗ (N ). On trace ensuite les courbes de l’évolution de
10 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION

l’erreur absolue E(N ) = |x∗ (N ) − x| et de l’erreur relative

|x∗ (N ) − x|
r(N ) = .
|x|

0.12
Erreur absolue
0.1 Erreur relative

8 · 10−2
Erreur

6 · 10−2

4 · 10−2

2 · 10−2

0
1 2 3 4 5 6 7 8 9 10
Nombre d’essais N

Questions : 1. Décrire le comportement des deux courbes lorsque le nombre d’essais N aug-
mente.
2. Expliquer pourquoi l’erreur relative est plus adaptée à l’évaluation de la qualité des mesures.
3. À partir des courbes, déterminer à partir de combien d’essais (N ) les mesures deviennent
suffisamment précises pour être considérées fiables (choisir un critère, par exemple r(N ) < 1%).
4. En pratique, quel compromis doit-on faire entre le nombre d’essais et la précision obtenue ?

Objectif pédagogique : montrer que répéter les mesures permet de réduire les erreurs,
mais qu’au-delà d’un certain nombre d’essais, le gain de précision devient marginal par rapport
au coût ou au temps supplémentaire.

Correction de l’exercice

1. Comportement des courbes : On observe que les deux courbes (erreur absolue et
erreur relative) décroissent rapidement lorsque le nombre d’essais augmente.
- Entre N = 1 et N = 4, la diminution est très marquée.
- Au-delà de N = 6, les courbes tendent vers une valeur quasi-stable : on atteint une
précision limite.
2. Seuil de fiabilité : Si l’on adopte le critère r(N ) < 1%, on constate sur la courbe que
ce seuil est atteint à partir de N ≈ 7. Ainsi, il est inutile de multiplier indéfiniment les
essais : au-delà de 7 mesures, le gain en précision devient négligeable.
3. Erreur relative vs. erreur absolue : L’erreur absolue donne la différence brute entre
la valeur mesurée et la valeur exacte. L’erreur relative, elle, rapporte cette différence à
la taille de la grandeur mesurée. En biologie, c’est essentiel : une erreur de 0.1 g est
1.4. EXEMPLE PRATIQUE EN BIOLOGIE 11

négligeable sur 50 kg (0.002%), mais critique sur 0.2 g (50%). L’erreur relative permet
donc de juger la signification réelle d’une erreur.
4. Chiffres significatifs : À partir de N = 5, l’erreur relative est de l’ordre de 1.2%, ce
qui correspond à environ 2 chiffres significatifs corrects. Cela signifie que l’on peut
donner le résultat sous la forme :

x ≈ 2.50 mol/L (avec 2 chiffres significatifs fiables).

5. Compromis pratique : - Augmenter le nombre d’essais améliore la précision.

- Mais chaque essai supplémentaire coûte du temps, des réactifs et de l’énergie.
- En laboratoire, on recherche donc un équilibre : obtenir une précision suffisante pour
répondre à la question biologique posée, sans multiplier inutilement les expériences. Ici,
N = 7 essais semble être un bon compromis.
Conclusion : Cet exercice illustre que dans une expérience de biologie ou de chimie, la
qualité des mesures ne dépend pas seulement du matériel mais aussi du nombre d’essais répétés.
L’erreur relative est l’indicateur clé pour juger de la fiabilité des résultats.

Exercice : Comparaison de la fiabilité des mesures entre étudiants

Contexte biologique : Trois étudiants mesurent la concentration d’une solution chimique
lors de plusieurs essais. Leurs erreurs relatives (%) pour chaque essai sont données par le gra-
phique ci-dessous :

14

12
Erreur relative (%)

10

0
1 2 3 4 5 6 7 8 9 10
Nombre d’essais
Alice Bruno Chantal

Questions
1. Pour chaque étudiant, identifiez l’essai où l’erreur relative est la plus élevée.
2. Quelle est la tendance générale de l’erreur relative lorsque le nombre d’essais augmente
pour Alice, Bruno et Chantal ?
12 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION

3. Classez les étudiants par fiabilité de leurs mesures. Justifiez votre classement.

4. Si le critère de précision acceptable est r < 5%, combien d’essais minimum chaque étudiant
doit-il réaliser pour atteindre ce niveau ?

5. Analysez : quelle stratégie recommanderiez-vous à un laboratoire pour obtenir des mesures

fiables ?

Correction

1. Erreur relative maximale par étudiant :

Étudiant Valeur maximale (%) Essai correspondant
Alice 12 1
Bruno 14 4
Chantal 4.2 3 et 7

2. Tendance générale :
Étudiant Tendance
Alice L’erreur diminue progressivement avec le nombre d’essais → les mesures deviennent plus fiable
Bruno L’erreur est très variable même avec plus d’essais → mesures peu fiables et inconsistantes.
Chantal L’erreur reste faible et stable → mesures fiables dès le départ.

3. Classement par fiabilité :

Rang Étudiant
1 Chantal (erreur faible et stable)
2 Alice (erreur diminue mais initialement élevée)
3 Bruno (erreur élevée et irrégulière)

4. Nombre d’essais minimum pour r < 5% :

Étudiant Nombre minimum d’essais
Alice 5
Bruno Non atteint (même avec 10 essais)
Chantal 1

5. Analyse et recommandations :
— Répéter les mesures aide à réduire l’erreur (Alice).
— Vérifier la précision de l’instrument et la méthode (Bruno).
— Adopter un protocole fiable et précis dès le départ permet des mesures stables (Chantal).

Exercice : Fiabilité des mesures et chiffres significatifs

Contexte : Un laboratoire mesure la concentration d’une enzyme dans plusieurs échantillons.

Trois étudiants (Alice, Bruno et Chantal) effectuent chacun 8 mesures. Les valeurs approchées
obtenues (x∗ , en mg/L) et la valeur réelle de référence (x) sont données ci-dessous.
1.4. EXEMPLE PRATIQUE EN BIOLOGIE 13

Essai Valeur réelle x Alice x∗ Bruno x∗ Chantal x∗

1 0.134 0.140 0.128 0.135
2 0.145 0.150 0.142 0.144
3 0.158 0.155 0.160 0.157
4 0.162 0.165 0.158 0.161
5 0.174 0.170 0.180 0.173
6 0.185 0.182 0.190 0.184
7 0.196 0.200 0.185 0.197
8 0.210 0.205 0.215 0.208

Instructions

1. Calculer pour chaque essai et chaque étudiant :

— l’erreur absolue E = |x∗ − x|,
— l’erreur relative r = E
x (%),
— le nombre de chiffres significatifs exacts si l’erreur maximale admissible est 0.002 mg/L.

2. Tracer un graphique comparatif des erreurs relatives des trois étudiants en fonction du
numéro d’essai.

3. Identifier :
— l’étudiant le plus fiable en termes d’erreur relative,
— les essais où l’erreur relative dépasse 2 %.

4. Sur la base des résultats, recommander quelle mesure retenir pour la publication scienti-
fique et justifier votre choix.

Correction

1. Calcul des erreurs absolues, relatives et chiffres significatifs exacts

Essai x x∗A EA rA (%) Chiffres exacts A EB Chiffres exacts B

1 0.134 0.140 0.006 4.48 3 0.006 3
2 0.145 0.150 0.005 3.45 3 0.003 3
3 0.158 0.155 0.003 1.90 3 0.002 4
4 0.162 0.165 0.003 1.85 3 0.004 3
5 0.174 0.170 0.004 2.30 3 0.006 3
6 0.185 0.182 0.003 1.62 3 0.005 3
7 0.196 0.200 0.004 2.04 3 0.011 2
8 0.210 0.205 0.005 2.38 3 0.005 3

Remarque : Les chiffres significatifs exacts sont déterminés à partir de l’erreur maximale
0.002 mg/L.
14 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION

Essai x∗C EC Chiffres exacts C

1 0.135 0.001 4
2 0.144 0.001 4
3 0.157 0.001 4
4 0.161 0.001 4
5 0.173 0.001 4
6 0.184 0.001 4
7 0.197 0.001 4
8 0.208 0.002 3

2. Graphique comparatif des erreurs relatives :

6
Erreur relative (%)

0
1 2 3 4 5 6 7 8
Essai
Alice Bruno Chantal

3. Analyse et décisions :
Étudiant Erreur relative moyenne (%) Chiffres significatifs moyens Fiabilité
Alice 2.74 3 Moyenne
Bruno 3.47 3 Faible (erreurs variables)
Chantal 0.70 4 Très fiable

Conclusion : - Les mesures de Chantal sont les plus fiables : erreur relative faible, chiffres
significatifs élevés.
- Alice est correcte mais moins précise.
- Bruno présente des mesures incohérentes et moins fiables.
- Pour publication, retenir les mesures de Chantal et éventuellement celles d’Alice après correction
ou répétition supplémentaire.
1.5. SYNTHÈSE : SAVOIR ET SAVOIR-FAIRE 15

1.5 Synthèse : Savoir et savoir-faire

Synthèse

Savoirs (concepts théoriques)

— Comprendre pourquoi il est essentiel de parler d’erreurs en méthodes numériques
et en mesures biologiques.
— Connaître les différents types d’erreurs :
— Erreur absolue : E = |x∗ − x|
|x∗ − x|
— Erreur relative : r(x) =
|x|
— Erreur d’arrondi
— Savoir lire et interpréter les chiffres significatifs d’un nombre approché.
— Comprendre la décomposition décimale d’un nombre approché.
— Savoir effectuer un arrondi correct selon les chiffres significatifs et l’erreur maximale.
— Interprétation pratique des erreurs dans un contexte biologique.

Savoir-faire (compétences pratiques)

— Identifier la valeur exacte et la valeur approchée dans un problème numérique.
— Calculer l’erreur absolue et l’erreur relative d’une mesure.
— Déterminer le nombre de chiffres significatifs exacts pour une mesure donnée.
— Décomposer un nombre approché en sa représentation décimale et identifier les
chiffres significatifs.
— Arrondir correctement une valeur approchée en fonction des chiffres significatifs et
de l’erreur maximale.
— Utiliser R pour calculer et visualiser les erreurs et intervalles de confiance.
— Appliquer ces notions pour évaluer la fiabilité des mesures expérimentales en labo-
ratoire.
16 CHAPITRE 1. ERREURS NUMÉRIQUES ET APPROXIMATION
Chapitre 2

Résolution d’équations non linéaires

Motivation et objectifs
En biologie et en sciences expérimentales, il arrive souvent de rencontrer des équations non
linéaires :
f (x) = 0

par exemple pour déterminer :

— La concentration C d’un substrat pour laquelle une enzyme atteint la moitié de sa vitesse
maximale : v(C) = Vmax /2.
— Le temps t où une population atteint une certaine proportion de sa capacité maximale :
P (t) = 0.8K.
— La valeur d’un paramètre biologique qui annule un déséquilibre chimique ou physiologique.

Objectifs pédagogiques

À l’issue de ce chapitre, vous serez capables de :

— Visualiser la fonction f (x) pour identifier les intervalles où elle s’annule.
— Appliquer différentes méthodes numériques pour trouver une racine : dichotomie,
point fixe, Newton-Raphson, sécante.
— Vérifier la convergence et contrôler l’erreur à chaque itération.
— Interpréter les résultats dans un contexte biologique.
— Utiliser un logiciel scientifique pour automatiser ces calculs.

2.1 Démarche générale

Pour résoudre f (x) = 0 numériquement :
1. Visualiser la courbe de f (x) et identifier approximativement les zones où elle s’annule.
2. Choisir un intervalle ou un point initial adapté à la méthode choisie.
3. Appliquer la méthode itérative choisie.
4. Vérifier la convergence : l’erreur absolue ou relative doit diminuer et rester inférieure
à la tolérance choisie.

17
18 CHAPITRE 2. RÉSOLUTION D’ÉQUATIONS NON LINÉAIRES

5. Interpréter le résultat dans le contexte biologique.

2.2 Méthodes classiques

2.2.1 Méthode de dichotomie (bisection)

Principe : Si f est continue sur [a, b] et f (a)f (b) < 0, alors il existe au moins une racine
α ∈ [a, b].
Démarche :

1. Calculer le milieu c = 2 .
a+b

2. Évaluer f (c).

3. Si f (c) = 0 (ou l’erreur ≤ ε), arrêter.

4. Sinon, remplacer a ou b par c selon le signe de f (a)f (c).

5. Répéter jusqu’à convergence.

Critère de convergence :

|b − a| < ε ou |f (c)| < ε

Remarque : cette méthode est sûre et simple, mais peut être lente. Elle est souvent implé-
mentée dans les logiciels scientifiques.

2.2.2 Méthode de point fixe

Principe : On réécrit f (x) = 0 sous la forme x = g(x) et on itère :

xn+1 = g(xn )

Convergence : si |g 0 (x)| < 1 dans l’intervalle, la méthode converge.

2.2.3 Méthode de Newton-Raphson

Principe : Approximation linéaire de f (x) :

f (xn )
xn+1 = xn −
f 0 (xn )

Avantages : rapide, convergence quadratique si x0 proche de la racine. Inconvénients :

nécessite la dérivée et un point initial proche de la racine.
Critère de convergence :

|xn+1 − xn | < ε ou |f (xn+1 )| < ε

2.3. EXEMPLES PRATIQUES EN SVT 19

2.2.4 Méthode de la sécante

Principe : Variante de Newton-Raphson qui n’utilise pas la dérivée explicite :

xn − xn−1
xn+1 = xn − f (xn )
f (xn ) − f (xn−1 )

Critère de convergence : similaire à Newton-Raphson.

Remarque générale : Toutes ces méthodes sont disponibles dans les logiciels scientifiques
(R, Python, MATLAB, FreeFEM++, etc.).

2.3 Exemples pratiques en SVT

Exercice 1 : concentration enzymatique (dichotomie)

Contexte : Vitesse de réaction v(C) = 2C

1+C mol/L/s, on veut v = 1. Données : f (C) =
2C
1+C − 1, tolérance ε = 0.001.

Tableau des itérations :

2C
Table 2.1 – Itérations de la méthode de dichotomie pour f (C) = −1
1+C
Itération a b Cn f (Cn ) Erreur |b − a|/2
1 0,000 5,000 2,500 0,429 2,500
2 0,000 2,500 1,250 0,111 1,250
3 0,000 1,250 0,625 -0,231 0,625
4 0,625 1,250 0,938 -0,032 0,313
5 0,938 1,250 1,094 0,045 0,156
6 0,938 1,094 1,016 0,008 0,078
7 0,938 1,016 0,977 -0,012 0,039
8 0,977 1,016 0,996 -0,002 0,020
9 0,996 1,016 1,006 0,003 0,010
10 0,996 1,006 1,001 0,000 0,005
11 0,996 1,001 0,999 -0,001 0,002
12 0,999 1,001 1,000 -0,0001 0,001
13 0,999 1,001 1,000 0,000 0,001
20 CHAPITRE 2. RÉSOLUTION D’ÉQUATIONS NON LINÉAIRES

Convergence de la méthode de dichotomie

100
Erreur |b − a|/2

10−1

10−2

10−3
0 2 4 6 8 10 12 14
Itération
Erreur |b − a|/2 Tolérance 10−3

Exercice 2 : flux ionique (point fixe)

Contexte : Flux F (V ) = V 3 − 2V − 3, trouver V pour F (V ) = 0. Transformer : V =

2 + 3/V , tolérance ε = 0.001.
p

Tableau des itérations :

Tableau de convergence
Itération Vn Vn+1 Erreur |Vn+1 − Vn |
0 3,000 1,732 1,268
1 1,732 1,932 0,200
2 1,932 1,885 0,047
3 1,885 1,895 0,010
4 1,895 1,893 0,002
5 1,893 1,893 0,001
6 1,893 1,893 0,000
7 1,893 1,893 0,000
8 1,893 1,893 0,000
9 1,893 1,893 0,000
10 1,893 1,893 0,000
11 1,893 1,893 0,000
12 1,893 1,893 0,000
13 1,893 1,893 0,000
14 1,893 1,893 0,000

Convergence de la méthode
2.4. SYNTHÈSE : SAVOIR ET SAVOIR-FAIRE 21

Convergence - Méthode itérative

Erreur
100
Tolérance 10−3
Erreur |Vn+1 − Vn |
10−1

10−2

10−3

10−4
0 1 2 3 4 5 6
Itération

Solution optimale : V ≈ 1,893.

Exercice 3 : population cible (Newton-Raphson)

Contexte : Modèle logistique P (t) = 100/(1 + 9e−0.3t ), on veut P (t) = 50. Données :
f (t) = 100/(1 + 9e−0.3t ) − 50, tolérance ε = 0.001.
Formule : tn+1 = tn − f (tn )/f 0 (tn ), f 0 (t) = 27e−0.3t /(1 + 9e−0.3t )2 .
Tableau des itérations :

Itération tn f (tn ) f 0 (tn ) Erreur |tn+1 − tn |

Solution optimale : t ≈???? jours.

2.4 Synthèse : Savoir et savoir-faire

2.4.1 Savoir (Connaissances)

— Comprendre ce qu’est une équation non linéaire et identifier f (x) = 0 dans un contexte
biologique.
— Connaître les principales méthodes numériques :
— Dichotomie
— Point fixe
— Newton-Raphson
— Connaître les critères de convergence propres à chaque méthode.
— Savoir interpréter les résultats numériques dans un contexte scientifique (ex : concentra-
tion, flux ionique, population).
— Savoir visualiser la fonction f et identifier approximativement les intervalles de racine.
22 CHAPITRE 2. RÉSOLUTION D’ÉQUATIONS NON LINÉAIRES

2.4.2 Savoir-faire (Compétences)

— Savoir appliquer la méthode de dichotomie : choisir l’intervalle initial, calculer le point
milieu, réduire l’intervalle jusqu’au critère de tolérance.
— Savoir transformer une équation en forme x = g(x) pour la méthode du point fixe et
vérifier la condition |g 0 (x)| < 1.
— Savoir appliquer la méthode de Newton-Raphson : calculer f 0 (x), itérer selon xn+1 =
xn − f (xn )/f 0 (xn ).
— Construire des tableaux d’itérations : suivre la valeur approchée et l’erreur à chaque étape.
— Tracer et interpréter la convergence des erreurs pour vérifier la fiabilité des résultats.
— Utiliser les logiciels de calcul scientifique pour automatiser ces méthodes et visualiser les
résultats.
— Analyser les solutions obtenues et les traduire dans un contexte SVT.

Bonnes pratiques
— Toujours visualiser la fonction avant de choisir une méthode.
— Vérifier que l’erreur diminue à chaque itération.
— Comparer plusieurs méthodes si possible pour s’assurer de la cohérence des résultats.
— Interpréter les solutions numériques dans le contexte biologique pour en tirer des conclu-
sions pertinentes.
La maîtrise de ces méthodes numériques permet non seulement de résoudre des équations
complexes, mais aussi de mieux comprendre et prédire des processus biologiques, renforçant
ainsi le lien entre théorie mathématique et applications pratiques en SVT.
Chapitre 3

Interpolation polynomiale

Motivation
Dans les sciences de l’environnement, on dispose souvent de mesures ponctuelles : tempé-
rature en différents points d’un fleuve, concentration d’un polluant, ou croissance d’une
population d’algues selon le temps. Mais que faire si on veut connaître la valeur entre
deux mesures ? L’interpolation polynomiale permet d’estimer ces valeurs intermédiaires en
construisant une fonction qui passe exactement par les points mesurés.

Objectifs pédagogiques
— Comprendre le principe de l’interpolation polynomiale.
— Construire un polynôme interpolateur à partir d’un jeu de données.
— Visualiser et interpréter les résultats à l’aide du logiciel R.

3.1 Principe général

On se donne n + 1 points expérimentaux (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) correspondant à des
mesures. On cherche un polynôme Pn (x) de degré n tel que :

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

Ce polynôme est appelé polynôme interpolateur.

Idée clé
L’interpolation consiste à remplacer des données discrètes par une fonction continue qui
passe exactement par les points observés.

3.2 Exemple concret : température le long d’une rivière

Supposons qu’on mesure la température de l’eau à différents points d’une rivière :

xi (km) 0 2 4 6
Ti (°C) 20 21.5 23 24

23
24 CHAPITRE 3. INTERPOLATION POLYNOMIALE

On cherche un polynôme P (x) tel que P (0) = 20, P (2) = 21.5, P (4) = 23, P (6) = 24.

3.2.1 Interpolation linéaire

Si on prend deux points, on relie simplement par une droite :

y1 − y0
P1 (x) = y0 + (x − x0 )
x1 − x0

C’est une approximation simple, suffisante pour de petits intervalles.

Exemple biologique
Entre x = 2 et x = 4, on a :

23 − 21.5
P1 (x) = 21.5 + (x − 2) = 21.5 + 0.75(x − 2)
4−2

Ainsi P1 (3) = 22.25◦ C.

3.2.2 Interpolation quadratique ou cubique

Pour plus de points, on construit des polynômes de degré plus élevé :

P2 (x) = a0 + a1 x + a2 x2 , P3 (x) = a0 + a1 x + a2 x2 + a3 x3 .

On détermine les coefficients en imposant les conditions P (xi ) = yi .

3.3 Méthode de Lagrange

La forme de Lagrange est souvent la plus intuitive :
n
X
Pn (x) = yi Li (x),
i=0

où
n
Y x − xj
Li (x) = .
xi − xj
j=0
j6=i

Exemple biologique

Pour les trois points (0, 20), (2, 21.5), (4, 23) :

(x − 2)(x − 4) (x − 0)(x − 4) (x − 0)(x − 2)

L0 (x) = , L1 (x) = , L2 (x) = .
(0 − 2)(0 − 4) (2 − 0)(2 − 4) (4 − 0)(4 − 2)

Le polynôme interpolateur est alors :

P2 (x) = 20L0 (x) + 21.5L1 (x) + 23L2 (x).

3.4. REMARQUES IMPORTANTES 25

Exercice 1 :Profondeur et température d’un puits

Des mesures de température ont été faites à différentes profondeurs :

Profondeur z (m) 0 10 20 30
Température T (°C) 28.0 27.0 25.5 23.0

1. Déterminer le polynôme cubique P3 (z) reliant la température à la profondeur.

2. Calculer la température estimée à z = 15 m.
3. Résoudre P3 (z) = 25 pour trouver la profondeur correspondante.
4. Tracer la courbe T (z) et interpréter la tendance physique.

Exercice 2 : Croissance d’un arbre

Mesures de la hauteur moyenne d’un jeune arbre au fil des années :

Âge a (ans) 0 2 4 6
Hauteur H (m) 0.4 1.5 3.4 5.9

1. Déterminer le polynôme cubique d’interpolation P3 (a).

2. Estimer la hauteur à a = 5 ans.
3. Discuter la validité du modèle pour a > 6 ans (extrapolation).
4. Tracer la courbe expérimentale et le polynôme.

3.4 Remarques importantes

— L’interpolation polynomiale peut devenir instable pour un grand nombre de points (phé-
nomène de Runge).
— Pour les données expérimentales bruitées, il vaut mieux utiliser la régression que l’inter-
polation.
— En environnement, les polynômes de degré 2 ou 3 suffisent souvent.

3.5 À retenir

Synthèse
— L’interpolation cherche à construire une fonction qui passe par des points donnés.
— Le polynôme de Lagrange est une méthode simple pour cela.
— Ces techniques servent à estimer, visualiser ou compléter des données environne-
mentales.