Analyse Numerique

ECOLE SUPERIEURE LE FAUCON
Dr. Daniel SABI TAKOU
COURS D’INITIATION A L’ANALYSE NUMERIQUE

AC
EP
SIL 2
sabitakoudaniel11@gmail.com/ 66 46 48 76
1
I-Objectif général
Cette UE permet à l’étudiant de connaître et d’appliquer les méthodes numériques pour la
résolution des problémes d’ingénierie.
II-Objectifs spécifiques
A la fin de cette UE, l’apprenant sera capable de:
- évaluer approximativement les solutions d’une équation linéaire on non linéaire à variables
réelles.
- calculer numériquement les intégrales.
- résoudre numériquement les équations différentielles ordinaires.
- utiliser les méthodes numériques pour évaluer les solutions des systèmes d’équation.
- utiliser les outils élémentaires de l’analyse numérique pour déterminer les valeurs propres et
les erreurs en algèbre linéaire.
AC
III-Pré-requis
EP
Analyse, Algèbre. Informatique.
IV-Composantes (UE) et contenu (principaux thèmes)

- Méthodes directes et itératives,
- Décompositions matricielles,
- Résolution des systèmes d’équations linéaires,
- Résolution des grands systèmes linéaires creux
- Calcul des valeurs propres,
- Problème des erreurs en algèbre linéaire. (résultats théoriques, problèmes de robustesse et de
sensibilité,
-Algorithmique et question de leur complexité, stabilité des algorithmes).
Modalités d’enseignement ou d’apprentissage:

Cours magistral appuyé par des travaux dirigés et des travaux personnels.
Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

sabitakoudaniel11@gmail.com/ 66464876
Bibliography
[1] André Fortin, Analyse numérique pour ingénieurs, Quatrième édition
[2] G. Allaire, Analyse numérique et optimisation, Editions de l’Ecole Polytech-

nique, 2005.
[3] J.M. Arnaudies, H. Fraysse, Cours de Mathématiques ; T2 : analyse, T3 : Com-

pléments d’analyse, Dunod, 1989.
AC
[4] D.P. Bertsekas, Nonlinear programming, Athena Scientic, 2nd edition, 2003.
[5] S. Boyd, L. Vandenberghe, Convex Optimization, Cambridge University Press,

2004.
EP
[6] G. Cohen, Convexité et optimisation, polycopié de cours ENPC-INRIA, 2000-

2006. wwwrocq.inria.fr/metalau/cohen/documents/Ponts-cours-A4-NB.pdf
[7] P.G. Ciarlet, Introduction à l’Analyse Numérique Matricielle et à

l’Optimisation, Masson, 1982.
[8] J.C. Culioli, Introduction à l’optimisation, 2 ème Ed., Ellipses, 2012.
[9] D.G. Luenberger, Linear and nonlinear programming, 2nd edition, Kluwer,
2003.
[10] M. Minoux, Programmation Mathématique, Théorie et Algorithmes, Tome 1,

Dunod, 1983.
[11] R. Rockafellar Convex Analysis, Princeton Univ. Press, 1972., Philippe Tassi.
[12] P. Lascaux et R. Theodor. Analyse Numérique Matricielle Appliquée à l’Art de

l’Ingénieur, tome 1, Masson, Paris, 1986.

Table des matières
1 Analyse d’erreurs 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Quelques définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Erreurs de troncature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Développement de Taylor en une variable . . . . . . . . . . . . . . . . . . 9
1.3.2 Développement de Taylor en plusieurs variables . . . . . . . . . . . . . . 14
AC
1.3.3 Propagation d’erreurs dans le cas général . . . . . . . . . . . . . . . . . . 15
2 Equations non lineaires 19

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
EP
2.2 Méthode de la bissection(dichotomie) . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.1 Algorithme de la bissection . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Algorithme de la méthode de Newton . . . . . . . . . . . . . . . . . . . 23
2.3.2 Interprétation géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.3 Analyse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.1 Algorithme de la méthode de la sécante . . . . . . . . . . . . . . . . . . . 27
3 Systèmes d’équations algébriques 30

3.1 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.1 Système diagonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.2 Systèmes triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.3 Opérations élémentaires sur les lignes . . . . . . . . . . . . . . . . . . . . 34
3.1.4 Opération(~li ←− ~li + λ~lj ) . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

TABLE DES MATIÈRES 4
3.2 Méthode d’élimination de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.3 Décomposition LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Décomposition de Crout . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.3 Décomposition LU et permutation de lignes . . . . . . . . . . . . . . . . 47
3.4 Calcul de la matrice inverse A−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5 Conditionnement d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Résolution des systèmes d’équations linéaires: méthodes itératives 63

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Etude de la convergence des matrices . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.1 polynôme caractéristique d’une matrice . . . . . . . . . . . . . . . . . . . 64
4.2.2 Valeurs propres d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.3 Rayon spectral d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.4 Convergence d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 66
AC
4.3 Méthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4 Méthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
EP
5 Interpolation 74
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2 Matrice de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.4 Polynôme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.5 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6 Différentiation et intégration numériques 87

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.2 Différentiation numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.2.1 Dérivées d’ordre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.2.2 Dérivées d’ordre supérieur . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3 Extrapolation de Richardson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Intégration numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.4.1 Formules de Newton-Cotes simples et composées . . . . . . . . . . . . . . 96

TABLE DES MATIÈRES 5
7 Résolutions des équations différentielles 108

7.1 introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.2 Méthode d’Euler explicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.3 Méthodes de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.3.1 Méthodes de Runge-Kutta d’ordre 2 . . . . . . . . . . . . . . . . . . . . 112
7.3.2 Méthode de Runge-Kutta d’ordre 4 . . . . . . . . . . . . . . . . . . . . . 116
AC
EP

Chapitre Premier
Analyse d’erreurs
1.1 Introduction
Les cours traditionnels de mathématiques nous familiarisent avec des théories et des méthodes
qui permettent de résoudre de façon analytique un certain nombre de problèmes. C’est le cas
notamment des techniques d’intégration et de résolution d’équations algébriques ou différen-
tielles. Bien que l’on puisse proposer plusieurs méthodes pour résoudre un problème donné,
celles-ci conduisent à un même résultat, normalement exempt d’erreur. C’est ici que l’analyse
AC
numérique se distingue des autres champs plus classiques des mathématiques. En effet, pour
un problème donné, il est possible d’utiliser plusieurs techniques de résolution qui résultent en
différents algorithmes. Ces algorithmes dépendent de certains paramètres qui influent sur la
EP
précision du résultat. De plus, on utilise en cours de calcul des approximations plus ou moins
précises. Par exemple, on peut remplacer une dérivée par une différence finie de façon à trans-
former une équation différentielle en une équation algébrique. Le résultat final et son ordre
de précision dépendent des choix que l’on fait. Une partie importante de l’analyse numérique
consiste donc à contenir les effets des erreurs ainsi introduites, qui proviennent de trois sources
principales :
- les erreurs de modélisation ;
-les erreurs de représentation sur ordinateur ;
- les erreurs de troncature.
Les erreurs de modélisation, comme leur nom l’indique, proviennent de l’étape de mathémati-
sation du phénomène physique auquel on s’intéresse. Cette étape consiste à faire ressortir les
causes les plus déterminantes du phénomène observé et à les mettre sous forme d’équations
(différentielles le plus souvent). Si le phénomène observé est très complexe, il faut simplifier
et négliger ses composantes qui paraissent moins importantes ou qui rendent la résolution
numérique trop difficile. C’est ce que l’on appelle les erreurs de modélisation.

Quelques définitions 7
La deuxième catégorie d’erreurs est liée à l’utilisation de l’ordinateur. En effet, la représentation

sur ordinateur (généralement binaire) des nombres introduit souvent des erreurs. Même infimes
au départ, ces erreurs peuvent s’accumuler lorsqu’on effectue un très grand nombre d’opérations.
Par exemple, la fraction 3 1 n’a pas de représentation binaire finie, pas plus qu’elle ne possède
de représentation décimale finie. On ne pourra donc pas représenter exactement cette fraction,
ce qui introduit une erreur. Ces erreurs se propagent au fil des calculs et peuvent compromet-
tre la précision des résultats. Enfin, les erreurs de troncature proviennent principalement de
l’utilisation du développement de Taylor, qui permet par exemple de remplacer une équation
différentielle par une équation algébrique. Le développement de Taylor est le principal outil
mathématique du numéricien. Il est primordial d’en maîtriser l’énoncé et ses conséquences.
Ce chapitre traite donc principalement d’erreurs numériques, et non des inévitables erreurs
de programmation qui font, hélas, partie du quotidien du numéricien. Il devrait permettre au
lecteur de mieux gérer les erreurs au sein des processus numériques afin d’être en mesure de
mieux interpréter les résultats. Introduisons d’abord un peu de terminologie qui nous permettra
AC
éventuellement de quantifier les erreurs.
1.2 Quelques définitions

EP
Définition 1.1
Soit x, un nombre, et x∗ , une approximation de ce nombre. L’erreur absolue est définie par
:
4x = |x − x∗ | (1.1)
Définition 1.2
Soit x, un nombre, et x∗ , une approximation de ce nombre. L’erreur relative est définie par
:
|x − x∗ | 4x 4x
Er (x) = = ≈ ∗ . (1.2)
|x| |x| |x |
De plus, en multipliant par 100, on obtient l’erreur relative en pourcentage.
En pratique, il est difficile d’évaluer les erreurs absolue et relative, car on ne connaît générale-
ment pas la valeur exacte de x et l’on n’a que x∗ . C’est pourquoi on utilise l’approximation
4x/|x∗ | pour l’erreur relative. Dans le cas de quantités mesurées expérimentalement dont on ne
connaît que la valeur approximative, on dispose souvent d’une borne supérieure pour l’erreur

Quelques définitions 8
absolue qui dépend de la précision des instruments de mesure utilisés. Cette borne est quand
même appelée erreur absolue, alors qu’en fait on a:
|x − x∗ | ≤ 4x
ce qui peut également s’écrire:
x∗ − 4x ≤ x ≤ x∗ + 4x (1.3)
Définition 1.3
Si l’erreur absolue vérifie :
4x ≤ 0.5 × 10m (1.4)
alors le chiffre correspondant à la mieme puissance de 10 est dit significatif et tous ceux à sa
gauche, correspondant aux puissances de 10 supérieures à m, le sont aussi. On arrête le compte
au dernier chiffre non nul. Il existe une exception à la règle. Si le chiffre correspondant à la
mmieme puissance de 10 est nul ainsi que tous ceux à sa gauche, on dit qu’il n’y a aucun chiffre
AC
significatif. Inversement, si un nombre est donné avec n chiffres significatifs, on commence à
compter à partir du premier chiffre non nul à gauche et l’erreur absolue est inférieure à 0,5 fois
la puissance de 10 correspondant au dernier chiffre significatif.
EP
Remarque 1.4
En pratique, on cherchera à déterminer une borne pour 4x aussi petite que possible et donc
la valeur de m la plus petite possible.
Exemple 1.5 Quel est le chiffre significatif que comporte la valeur de x∗ . On donne x =
π, et x∗ = 22
7
= 3, 142857,
22
4x = π − = 0, 00126 · · · ' 0, 126.10−2
7
0, 126.10−2 ≤ 0, 5.10−2 ⇐⇒ 4x ≤ 0, 5.10−2 (1.5)
le chiffre des centaines (4) est significatif et on a en tout 3 chiffres significatifs. Donc la valeur
approchée de x est x∗ = 3, 14.
Exemple 1.6 Soit x = π et x∗ = 3, 1416 la valeur approché de π:
4x = |π − 3, 1416| ' 0, 73 × 10−5 ≤ 0, 5.10−4 (1.6)
Le chiffre correspondant à la quatrième puissance da 10 (6) et tous les chiffres situés à sa

gauche sont significatifs. On a en tous 5 chiffres significatifs (3,141...).

Erreurs de troncature 9
1.3 Erreurs de troncature

Les erreurs de troncature constituent la principale catégorie d’erreurs. Tout au long de ce
manuel, nous abordons des méthodes de résolution qui comportent des erreurs de troncature
plus ou moins importantes. L’ordre d’une méthode dépend du nombre de termes utilisés dans les
développements de Taylor appropriés. Il est donc essentiel de revoir en détail le développement
de Taylor, car il constitue l’outil fondamental de l’analyse numérique.
1.3.1 Développement de Taylor en une variable
Il existe plusieurs façons d’introduire le développement de Taylor. Une façon très simple consiste
à le présenter formellement comme un problème d’approximation au voisinage d’un point x0
. On se demande alors quel est le polynôme de degré n (noté Pn (x)) qui donne la meilleure
approximation d’une fonction f (x) donnée dans le voisinage du point x0 .
AC
EP
Figure 1.1: Approximation de f (x) au voisinage de x0
Définition 1.7 . Le polynôme de Taylor de degré n de la fonction f (x) autour de x0 est défini
par:
x − x0 0 (x − x0 )2 00 (x − x0 )n (n)
Pn (x) = f (x0 ) + f (x0 ) + f (x0 ) + · · · + f (x0 ) (1.7)
1! 2! n!
où f (n) (x0 ) désigne la dérivée d’ordre n de f (x) en x0 .
Ce polynôme donne une approximation de la fonction f (x) au voisinage de x0 . Il n’y a cependant

pas égalité en ce sens que, si l’on utilise l’équation (1.7) pour estimer f (x), on commettra une
erreur.

Théorème 1.8 Soit f (x), une fonction dont les dérivées jusqu’à l’ordre (n + 1) existent au
voisinage du point x0 . On a l’égalité suivante :
f (x) = Pn (x) + Rn (x) (1.8)
où Pn (x) est le polynôme de Taylor (1.7) et Rn (x) est l’erreur commise, qui est donnée par :
(x − x0 )n+1 (n+1)
Rn (x) = f [ξ(x)] (1.9)
(n + 1)!
pour un certain ξ(x) compris entre x0 et x.
Remarque 1.9
1. L’équation (1.8) est une égalité et ne devient une approximation que lorsque le terme
d’erreur est négligé.
2. Le terme d’erreur de l’équation (1.9) devient de plus en plus grand lorsque x s’éloigne de
x0 en vertu du terme (x − x0 )n+1 (voir la figure 1.1).
AC
3. Inversement, pour une valeur de x près de x0 , le terme d’erreur de l’équation (1.9) est
de plus en plus petit lorsque n augmente.
EP
4. On sait que le point ξ(x) existe et qu’il varie avec x, mais on ne connaît pas sa valeur
exacte. Il n’est donc pas possible d’évaluer le terme d’erreur exactement. On peut tout au
plus lui trouver une borne supérieure dans la plupart des cas.
5. On commet une erreur de troncature chaque fois que l’on utilise le développement de
Taylor et que l’on néglige le terme d’erreur de l’équation (1.9).
Un cas particulier important du théorème précédent est le premier théorème de la moyenne,

qui équivaut à poser n = 0 dans le développement de Taylor.
Corollaire 1.10 Soit f (x), une fonction dérivable dans l’intervalle [x0 , x]. Alors il existe ξ
dans [x0 , x] tel que:
0 0
f (x) = f (x0 ) + f (ξ)(x − x0 ) ou encore f (x) − f (x0 ) = f (ξ)(x − x0 ). (1.10)
On crée une forme plus pratique du développement de Taylor en remplaçant x par x0 + h

ou encore l’expression x − x0 par h. On obtient ainsi :
f (x0 + h) = Pn (h) + Rn (h) (1.11)

où
0 h2 00 h3 000 hn
Pn (h) = f (x0 ) + h.f (x0 ) + f (x0 ) + f (x0 ) + · · · + f (n) (x0 ) (1.12)
2! 3! n!
donc
hn+1 (n+1)
Rn (h) = f [ξ(h)] (1.13)
(n + 1)!
pour ξ(h) compris entre x0 et (x0 + h).
Exercice 1.11 1. Trouve le développement de Taylor de la fonction f (x) = ex au voisinage

de x0 = 0
2. Trouve une bonne supérieure pour Rn (h).
3. Estimer les valeurs de e0,1 en utilisant ce développement. Evaluer dans le cas h = 0, 1

l’erreur absolue, le terme d’erreur majorée et donner le nombre de chiffre significatifs en
faisant varier n de 0 à 3.
AC
4. Pour n = 3 et h = 0, 05 calculer l’erreur absolue due à cette approximation.
Solution
EP
1. Développement de Taylor
Puisque toutes les dérivées de e x sont égales à ex et valent 1 en x0 = 0, le développement
de Taylor de degré n devient :
h2 h3 hn
ex0 +h = eh ' Pn (h) = 1 + h + + + ··· + (1.14)
2! 3! n!
et l’expression du terme d’erreur
hn+1 ξ(h)
Rn (h) = e , où ξ(h) ∈ [x0 , x0 + h] = [0, h]. (1.15)
(n + 1)!
2. La borne supérieure du terme d’erreur La fonction exponentielle étant croissante, on a :
eξ(h) ≤ eh
dans l’intervalle [0, h] et l’on conclut que:

hn+1 ξ(h)
Rn (h) ≤ e (1.16)
(n + 1)!
3. Estimation des valeurs de e0,1 et détermination des chiffres significatifs h = 0, 1 on a:

En prenant h = 0, 1, on a:

4. Erreur absolue pour n = 3 et h = 0, 05

Si l’on prend h = 0, 05 et n = 3 pour estimer e0,05 , on obtient: P3 (0, 05) = e0,05 =
1, 051270833 et une erreur absolue d’environ 0, 263 × 10−6 . On remarque de plus que le
rapport des erreurs absolues liées à P3 (h) est:
|P3 (0, 1) − e0,1 | 0, 4245 × 10−5

= = 16, 14
AC
|P3 (0, 05) − e0,05 | 0, 263 × 1O−6
. La valeur de ce rapport n’est pas fortuite. La définition suivante permet de comprendre

d’où provient cette valeur.
EP
Définition 1.12
Une fonction f (h) est un grand ordre de hn au voisinage de 0 (noté f (h) = O(hn )) s’il
existe une constante positive C telle que:
f (h)
≤C (1.17)
hn
au voisinage de x0 = 0.
Définition 1.13
Une approximation dont le terme d’erreur est un grand ordre de hn (O(hn )) est dite d’ordre
n.
Suivant cette définition, le polynôme de Taylor de degré n est généralement (mais pas toujours)
une approximation d’ordre (n + 1) de f (x). Par exemple, le développement de Taylor de degré
n de ex autour de x = 0 est d’ordre (n + 1). L’ordre est également le degré du premier terme
non nul du terme d’erreur. Dans certains manuels, il y a confusion entre le degré et l’ordre du
polynôme de Taylor. Il faut s’assurer de bien distinguer ces deux notions.

Exercice 1.14
Calculer le développement de Taylor d’ordre 5 de la fonction sin x autour de x0 = 0, et en
déduire l’approximation d’ordre 5 de cette fonction et majorée le terme d’erreur.
Solution
Les dérivées de la fonction sont respectivement:
f (x) = sin x, f (0) = 0

0 0
f (x) = cos x, f (0) = 1
00 00
f (x) = − sin x, f (0) = 0
000 000
f (x) = − cos x, f (0) = −1
f (4) (x) = sin x, f (4) (0) = 0
f (5) (x) = cos x. (1.18)

AC
Le développement de Taylor est donc :
h3 cos(ξ(h))h5
sin(x0 + h) = sin(h) = h − + . (1.19)
3! 5!
Il suffit de calculer le polynôme de Taylor de degré 3 (P3 (h)) pour obtenir une approximation
EP
d’ordre 5 de la fonction sin h. Puisque la fonction cos x est bornée en valeur absolue par 1, on
note immédiatement que:
h5
|R3 (h)|≤
5!
. Si l’on prend maintenant h = 0, 1, on peut obtenir l’approximation:
(0, 1)3
sin(0, 1) ' 0, 1 − = 0, 099833333 (1.20)
3!
et une erreur absolue de 0, 8332 × 10−7 . Il est à noter que la borne supérieure de l’erreur
vaut0, 8333 × 10−7 , ce qui est très près de la valeur exacte. Si l’on prend h = 0, 2, on trouve
(0, 2)3
sin(0, 2) ' 0, 2 − = 0, 1986666667 (1.21)
3!
et une erreur absolue de 0, 2664 × 10−5. On remarque de plus que le rapport entre les deux
erreurs absolues est:
0, 2664 × 10−5
= 31, 97 (1.22)
0, 8332 × 10−7
ce qui confirme que cette approximation est bien d’ordre 5. En prenant une valeur de h deux
fois plus grande, on trouve une erreur à peu près 25 = 32 fois plus grande. Cet exemple montre
que le polynôme de Taylor de degré 3 de la fonction f (x) = sin x est d’ordre 5.

1.3.2 Développement de Taylor en plusieurs variables
Dans le cas des fonctions de plusieurs variables, on peut reprendre le raisonnement qui a mené
au développement de Taylor d’une variable. Nous nous limitons, pour les fins de l’exposé, à
trois variables, le cas général étant similaire.
Théorème 1.15
Soit f (x1 , x2 , x3 ), une fonction de trois variables, que l’on suppose suffisamment différen-
tiable. Au voisinage du point (x01 , x02 , x03 ), on a:
f (x01 + h1 , x02 + h2 , x03 + h3 ) = f (x01 , x02 , x03 ) +

∂f (x01 , x02 , x03 ) ∂f (x01 , x02 , x03 ) ∂f (x01 , x02 , x03 )

h1 + h2 + h3 +
∂x1 ∂x2 ∂x3
1 ∂ 2 f (x01 , x02 , x03 ) 2 ∂ 2 f (x01 , x02 , x03 ) 2 ∂ 2 f (x01 , x02 , x03 ) 2

h1 + h2 + h3 + (1.23)
2! ∂x21 ∂x22 ∂x23
2
∂ f (x01 , x02 , x03 ) ∂ 2 f (x01 , x02 , x03 ) ∂ 2 f (x01 , x02 , x03 )

h1 h2 + h1 h3 + h2 h3 + · · · .
∂x1 ∂x2 ∂x1 ∂x3 ∂x2 ∂x3
AC
Les termes suivants (désignés par les pointillés) font intervenir les différentes dérivées partielles
d’ordre 3, 4, 5, · · · de la fonction f (x1 , x2 , x3 ). On voit bien la similitude avec le cas d’une vari-
able. En pratique, on utilise principalement le développement de degré 1, qui ne fait intervenir
EP
que les dérivées partielles d’ordre 1.
Exercice 1.16
Soit la fonction de deux variables:
f (x1 , x2 ) = x21 + x1 sin x2
1. Développer f au voisinage de (1, 0).
2. Trouver à l’aide du polynôme de Taylor de degré 2 l’approximation de f en prenant h1 =

h2 = 0, 1.
3. Trouve l’ordre de cette approximation en utilisant h1 = h2 = 0, 05.
Solution
On a f (1, 0) = 1. De plus, les dérivées partielles du premier ordre de f sont:
∂f (x1 , x2 ) ∂f (x1 , x2 )
= 2x1 + sin x2 , et = x1 cos x2
∂x1 ∂x2

et celles du deuxième ordre sont :
∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 )

= 2, = −x 1 sin x 2 , et = cos x2
∂x21 ∂x22 ∂x1 ∂x2
Au point (1, 0), ces dérivées partielles valent:
∂f (1, 0) ∂f (1, 0)
= 2, =1
∂x1 ∂x2
et
∂ 2 f (1, 0) ∂ 2 f (1, 0) ∂ 2 f (1, 0)
= 2, = 1, =1
∂x21 ∂x22 ∂x1 ∂x2
Le développement de Taylor de degré 2 de cette fonction de deux variables autour du point
(1, 0) est donc:
1
f (1 + h1 , 0 + h2 ) ' 1 + 2h1 + h2 + (2h21 + 0h22 ) + (1h1 h2 )
2
c’est-à-dire:
f (1 + h1 , 0 + h2 ) ' 1 + 2h1 + h2 + h21 + h1 h2
AC
En choisissant par exemple h1 = h2 = 0, 1, on obtient l’approximation suivante:
f (1, 1, 0, 1) ' 1, 32
EP
qui est proche de la valeur exacte 1,319 816 758 avec une erreur absolue d’environ 0,000 183. Si
l’on prend maintenant h1 = h2 = 0, 05, on obtient une approximation de f (1, 05, 0, 05) qui vaut
1,155. L’erreur absolue dans ce dernier cas est d’environ 0, 000021825, qui est environ 8,4 fois
plus petite qu’avec h1 = h2 = 0, 1. Ce facteur de 8 s’explique par le choix d’un développement
de degré 2 (et d’ordre 3) et par la division des valeurs de h1 et h2 par 2.
1.3.3 Propagation d’erreurs dans le cas général
Soit la fonction de deux variables suivante
x = x∗ ± 4x
y = y ∗ ± 4y (1.24)
quelle sera la précision de la fonction d’une variable f (x∗ ) ou de la fonction de deux variables
g(x∗ , y ∗ ) ? Ici encore, le développement de Taylor apporte une solution. Considérons d’abord le
cas d’une variable. Une quantité x inconnue est approchée par une valeur approximative x∗ avec

une erreur absolue 4x. On estime la valeur inconnue f (x) par l’approximation f (x∗ ). L’erreur
absolue liée à ce résultat est:
4f = |f (x) − f (x∗ )| (1.25)
On a de plus:
0
f (x) = f (x∗ ± 4x) = f (x∗ ) ± f (x∗ ) 4 x + O((4x)2 ). (1.26)
En négligeant les termes d’ordre plus grand ou égal à 2, on obtient:
0
4f ' |f (x∗ )| 4 x (1.27)
que l’on peut également écrire :
0
f (x) = f (x∗ ) ± |f (x∗ )| 4 x. (1.28)
Exercice 1.17
AC
On a mesuré la longueur d’un côté d’une boîte cubique et obtenu l∗ = 10, 2cm avec une
précision de l’ordre du millimètre (4l = 0, 1cm). Déterminer la valeur approchée du volume v
de cette boîte et en déduire l’erreur liée.
EP
Solution
Dans ce cas, f (l) = l3 = v et l’erreur liée au volume est:
0
4v ' |f (l∗ )| 4 l = 3(10, 2)2 × 0, 1 = 31, 212 ≤ 0, 5 × 102
La valeur approximative du volume est (10, 2)3 = 1061, 2cm3 , dont seuls les deux premiers
chiffres (1 et 0) sont significatifs.
Remarque 1.18
En pratique, si f (x, y, z) est une fonction de trois variables x, y et z elles-mêmes approchées
par x∗ , y ∗ et z ∗ avec une précision de 4x, de 4y et de 4z respectivement, alors l’erreur absolue
4f est estimée par:
∂f (x∗ , y ∗ , z ∗ ) ∂f (x∗ , y ∗ , z ∗ ) ∂f (x∗ , y ∗ , z ∗ )

4f = .4x+ .4y+ .4z (1.29)
∂x ∂y ∂z

Exercice 1.19
Un signal électrique est donné par :
V = A sin(ωt − φ)
où V est la tension, A est l’amplitude du signal (A∗ = 100V ),ω est la fréquence (ω ∗ = 3rad/s),
φ est le déphasage (φ∗ = 0, 55rad) et t est le temps (t∗ = 0, 001s). En supposant que A et
ω sont connus exactement (A = A∗ , ω = ω ∗ ) et que φ∗ et t∗ possèdent respectivement 2 et 1
chiffres significatifs, il s’agit d’évaluer l’erreur absolue liée à V ainsi que le nombre de chiffres
significatifs.
Solution
Puisque A et ω sont connus exactement, on sait immédiatement que 4A et 4ω sont nuls et
qu’ils n’ont aucune contribution à l’erreur liée à V . Par ailleurs :
AC
4t = 0, 5 × 10−3
et
4φ = 0, 5 × 10−2
EP
et l’erreur totale est :

∂V (t∗ , φ∗ ) ∂V (t∗ , φ∗ )
4V ' 4t+ 4φ (1.30)
∂t ∂φ
c’est-à-dire :
4V ' |Aω cos(ωt − ϕ)| × (0, 5 × 10−3 ) + |−A cos(ωt − ϕ)| × (0, 5 × 10−2 ) (1.31)
ce qui donne :
4V ' 256, 22666235 × (0, 5 × 10−3 ) + | − 85, 4088745| × (0, 5 × 10−2 ) = 0, 555157684
La tension approximative est V ∗ = A∗ sin(ωt − ϕ) = −52, 01273071 et puisque 4V ≤ 0, 5 × 101 ,

ce nombre n’a qu’un seul chiffre significatif
Exercice 1.20
Effectuer les développements de Taylor suivants à l’ordre demandé. Donner l’expression
analytique du terme d’erreur. Donner également une borne supérieure de l’erreur lorsque c’est
possible.

1. cos(x) autour de x0 = 0 (ordre 8)
2. sin(x) autour de x0 = 0 (ordre 9)
3. arctan(x) autour de x0 = 0 (ordre 5)
4. cos(x) autour de x0 = π/2 (ordre 7)
5. sin(x) autour de x0 = π/2 (ordre 8)
Exercice 1.21
Estimer les erreurs commises dans l’évaluation des fonctions suivantes. Tous les chiffres
fournis sont significatifs. Indiquer le nombre de chiffres significatifs du résultat.
1. ln(x) en x∗ = 2, 01
2. arctan(x) en x∗ = 1, 0100
3. x8 en x∗ = 1, 123
AC
Exercice 1.22
Estimer les erreurs commises dans l’évaluation des fonctions de plusieurs variables suiv-
EP
antes. Tous les chiffres fournis sont significatifs. Indiquer le nombre de chiffres significatifs du
résultat.
1. x2 y 3 en x∗ = 12, 1, y ∗ = 3, 721
2. −xyz en x∗ = 1, 260, y ∗ = 0, 5 × 10−3 , z ∗ = 12, 93.

Chapitre Deux
Equations non lineaires
2.1 Introduction
Le numéricien est souvent confronté à la résolution d’équations algébriques de la forme :
f (x) = 0 (2.1)
et ce, dans toutes sortes de contextes. Introduisons dès maintenant la terminologie qui nous
sera utile pour traiter ce problème.
AC
Définition 2.1
Une valeur de x solution de f (x) = 0 est appelée une racine ou un zéro de la fonction f (x)
EP
et est notée r.
2.2 Méthode de la bissection(dichotomie)

La méthode de la bissection repose sur une idée toute simple: en général, de part et d’autre
d’une solution, une fonction continue f (x) change de signe et passe du positif au négatif ou
vice versa. De toute évidence, ce n’est pas toujours le cas puisque la fonction f (x) peut aussi
être tangente à l’axe des x.
Supposons pour l’instant qu’il y ait effectivement un changement de signe autour d’une
racine r de f (x). Nous nous occuperons des cas pathologiques un peu plus tard.
Soit [x1 , x2 ], un intervalle ayant un changement de signe, c’est-à-dire:
f (x1 ) × f (x2 ) < 0. (2.2)
On pose alors:
x1 + x2
xm = (2.3)
2
Méthode de la bissection(dichotomie) 20
qui est bien sûr le point milieu de l’intervalle. Il suffit alors de déterminer, entre les intervalles
[x1 , xm ] et [xm , x2 ], celui qui possède encore un changement de signe. La racine se trouvera
forcément dans cet intervalle. A la première itération ce serait l’intervalle [xm , x2 ], tandis qu’à
la deuxième itération ce serait [x1 , xm ]. Cela nous amène à l’algorithme suivant.
2.2.1 Algorithme de la bissection
1. Etant donné un intervalle [x1 , x2 ] pour lequel f (x) possède un changement de signe
2. Etant donné a , le critère d’arrêt, et N , le nombre maximal d’itérations
3. Poser: xm = x1 +x2
2
|x2 −x1 |
4. Si 2|xm |
< a
• convergence atteinte
• écrire la racine xm
AC
• écrire f (xm )
• arrêt
EP
5. Ecrire x1 , x2 , xm , f (x1 ), f (x2 ), f (xm )
6. Si f (x1 ) × f (xm ) < 0, alors x2 = xm
7. Si f (xm ) × f (x2 ) < 0, alors x1 = xm
8. Si le nombre maximal d’itérations N est atteint:

-convergence non atteinte en N itérations
-arrêt
9. Retour à l’étape 3
Remarque 2.2
1. L’expression:
|x2 − x1 |
< (2.4)
2|xm |
est une approximation de l’erreur relative. En effet, à l’étape 3 de l’algorithme de la bissec-

tion, la racine recherchée est soit dans l’intervalle [x1 , xm ] ou dans l’intervalle [xm , x2 ], qui

Méthode de la bissection(dichotomie) 21
sont tous deux de longueur (x2 − x1 )/2, ce qui constitue une borne supérieure de l’erreur
absolue. En divisant par xm , on obtient une approximation assez fiable de l’erreur relative.
Exercice 2.3 En utilisant la méthode de la bissection, chercher la racine carrée de 2 en

prenant l’intervalle [1, 2] pour une précision de = 10−3 .
Exercice 2.4 Montrer que la fonction f (x) = x3 +x2 −3x−3 possède un zéro dans l’intervalle
[1, 2]. Trouver sa valeur approchée en 10 itérations.
solution
f (1) × f (2) = −4, 0 × 3, 0 = −12, 0 < 0 On a alors xm = 1, 5 et f (1, 5) = −1, 875. L’intervalle
[1, 5, 2] possède encore un changement de signe, ce qui n’est pas le cas pour l’intervalle [1, 1, 5].
Le nouvel intervalle de travail est donc [1, 5, 2], dont le point milieu est xm = 1, 75. Puisque
f (1, 75) = 0, 17187, on prendra l’intervalle [1, 5, 1, 75] et ainsi de suite.
AC
Le tableau suivant résume les résultats.
EP
On remarque aisément que la longueur de l’intervalle entourant la racine est divisée par deux
à chaque itération. Cette constatation permet de déterminer à l’avance le nombre d’itérations

Méthode de Newton 22
nécessaire pour obtenir une certaine erreur absolue 4r sur la racine r. Soit L = x2 − x1 , la
longueur de l’intervalle de départ. Après une itération, le nouvel intervalle est de longueur L2
et après n itérations la longueur de l’intervalle est L
2n
. Si l’on veut connaître la valeur de n
nécessaire pour avoir:
L
< 4r (2.5)
2n
il suffit de résoudre cette équation en fonction de n et l’on trouve la condition:

L
ln 4r
n> (2.6)
ln 2
Il est clair que, sur le plan pratique, on doit prendre pour valeur de n le plus petit entier vérifiant
cette condition. On a aussi tout intérêt à bien cerner la racine recherchée et à prendre, dès le
départ, un intervalle de longueur aussi petite que possible.
2.3 Méthode de Newton

AC
La méthode de Newton 3 est l’une des méthodes les plus utilisées pour la résolution des équations
non linéaires.
EP
Soit une équation à résoudre de la forme : f (x) = 0, dans un intervalle donné. Si f (x) est
continue et dérivable au voisinage de x∗ (racine) alors le développement en série de Taylor
autour d’un approximé xn de x∗ s’écrit:
00
0 (x∗ − xn )2 f (xn )
f (x∗ ) = f (xn ) + (x∗ − xn )f (xn ) + + ··· (2.7)
2
Si xn est un approximé proche de la solution x∗ de f (x) = 0, alors le carrée de l’erreur en (en =

x∗ − xn ) et les termes de degré supérieur sont négligeables.
Sachant que f (x∗ ) = 0, on obtient la relation approximative:
0
f (xn ) + (x∗ − xn )f (xn ) ≈ 0 (2.8)
et une approximation de l’erreur est:
f (xn )
en ≈ − (2.9)
f 0 (xn )
on peut donc considérer qu’un meilleur approximé de x∗ sera:
xn+1 = xn + en . (2.10)

Des équations (2.9) et (2.10) on a:
f (xn )
xn+1 = xn − ; n = 0, 1; · · · (2.11)
f 0 (xn )
c’est la formule de Newton.
2.3.1 Algorithme de la méthode de Newton
1. Etant donné a , un critère d’arrêt
2. Etant donné N , le nombre maximal d’itérations
3. Etant donné x0 , une valeur initiale de la solution
4. Effectuer: xn+1 = xn − f (xn )

f 0 (xn )
|xn+1 −xn |
5. Si |xn+1 |
< a :
-convergence atteinte
AC
-écrire la solution xn+1
- arrêt
6. Si le nombre maximal d’itérations N est atteint :

EP
-convergence non atteinte en N itérations

-arrêt
7. retour à l’étape 4
2.3.2 Interprétation géométrique
Cette figure permet de donner une interprétation géométrique assez simple de la méthode de
Newton. Sur cette figure, on a représenté la fonction f (x), la valeur initiale x0 et le point
0
(x0 , f (x0 )) qui est sur la courbe. La droite tangente à la courbe en ce point est de pente f (x0 )

Figure 2.1: Interprétation géométrique de la méthode de Newton
et a pour équation:
AC
0 f (x0 )
f (x0 ) = (x0 − x1 ).f (x0 ) ⇒ x1 = x0 −
f 0 (x0 )
0 f (x1 )
M1 (x1 , f (x1 )) : f (x1 ) = (x1 − x2 ).f (x1 ) ⇒ x2 = x1 −
f 0 (x1 )
EP
0 f (x2 )
M2 (x2 , f (x2 )) : f (x2 ) = (x2 − x3 ).f (x2 ) ⇒ x3 = x2 − 0 (2.12)
f (x2 )
.. .. ..
. . .
0 f (xn )
Mn (xn , f (xn )) : f (xn ) = (xn − xn+1 ).f (xn ) ⇒ xn+1 = xn 0 .
f (xn )
On a:
f (xn )
xn+1 = xn − . (2.13)
f 0 (xn )
2.3.3 Analyse de convergence
La dérivée seconde joue un rôle important dans la convergence de la méthode de Newton. Ce

qui permet d’énoncer le théorème suivant
Théorème 2.5
Si [a, b] est un intervalle tel que: f (a).f (b) < 0
0
- ∀x ∈ [a, b], f (x) 6= 0
00
- ∀x ∈ [a, b], f (x) 6= 0.

Alors f (x) = 0 possède une seule racine dans cet intervalle [a, b] et ∀x ∈ [a, b], la suite (2.13)
converge quadratiquement.
Remarque 2.6
Le choix du point de départ dans cette méthode est cruciale. Pour assurer la convergence on
choisira un point x0 tel que la condition
00
f (x0 )f (x0 ) > 0, (2.14)
soit vérifiée.
Exercice 2.7
On cherche à résoudre l’équation f (x) = e−x − x = 0 par la méthode de Newton-Raphson,
Sachant que x0 = 0 est la valeur initiale de la solution.
Solution
AC
0
Pour utiliser la méthode de Newton, calculons la dérivée de cette fonction, qui est f (x) =
−e−x − 1. L’algorithme se résume à :
EP
f (xn ) e−xn − xn
xn+1 = xn − 0 ) = xn −
f (xn ) −e−xn − 1
−x
L’erreur absolue est: |e0 | = |x1 − x0 | = | −e
e 0 −x0
−x0 −1 |
On remarque la convergence très rapide de cette méthode. Il suffit en effet pour s’en conva-
incre de comparer ces valeurs avec les résultats obtenus avec la méthode des points fixes pour
le même problème. On note également que le nombre de chiffres significatifs double à chaque

Méthode de la sécante 26
itération. Ce phénomène est caractéristique de la méthode de Newton et nous en verrons la

raison au moment de l’analyse de convergence. La dernière colonne, qui converge vers 0, donne
0
une indication à ce sujet. Cette colonne est censée converger vers |g (r)|, qui est donc nul dans
ce cas, ce qui semble indiquer que la convergence est quadratique.
√
Exercice 2.8 En utilisant la m’ethode de Newton, chercher 2 en prenant comme précision
= 10−6 et comme valeur initiale x0 = 1.
2.4 Méthode de la sécante

La méthode de Newton possède de grands avantages, mais elle nécessite le calcul de la dérivée
de f (x). Si la fonction f (x) est complexe, cette dérivée peut être difficile à évaluer et peut
résulter en une expression complexe. On contourne cette difficulté en remplaçant le calcul de
0
la pente f (xn ) de la droite tangente à la courbe par l’expression suivante:
f (xn ) − f (xn−1 )
AC
0
f (xn ) ≈ (2.15)
xn − xn−1
Cela revient à utiliser la droite sécante passant par les points (xn , f (xn )) et (xn−1 , f (xn−1 ))
plutôt que la droite tangente passant par (xn , f (xn )): voir figure ci-dessous. Il en résulte
EP
l’algorithme suivant.
Figure 2.2: Interprétation géométrique de la méthode de la sécante

2.4.1 Algorithme de la méthode de la sécante
1. Etant donné a , un critère d’arrêt
2. Etant donné N , le nombre maximal d’itérations
3. Etant donné x0 et x1 , deux valeurs initiales de la solution
4. Effectuer :
f (xn )(xn − xn−1 )
xn+1 = xn −
f (xn ) − f (xn−1 )
|xn+1 −xn |
5. Si |xn+1 |
<
• Convergence atteinte:
• Ecrire la solution xn+1
• Arrêt.
6. Si le nombre maximal d’itérations N est atteint :

AC
• convergence non atteinte en N itérations
• Arrêt.
EP
7. retour à l’étape 4
Remarque 2.9
Plusieurs remarques s’imposent au sujet de cet algorithme.
0
1. La dérivée de f (x) n’apparaît plus dans l’algorithme.
2. Il faut fournir au départ 2 valeurs initiales. C’est ce qu’on appelle un algorithme à deux
pas.
3. On choisit les valeurs initiales le plus près possible de la racine recherchée. Il n’est cepen-
dant pas nécessaire qu’il y ait un changement de signe dans l’intervalle [x0 , x1 ], comme
c’est le cas avec la méthode de la bissection.
4. L’analyse de la convergence de cette méthode est plus délicate que celle de la méthode de
Newton. En effet, on montre que:
√
1+ 5
|en+1 | ≈ C|en | 2 (2.16)

Exercice 2.10
Résoudre par la méthode de la sécante l’équation e−x − x = 0 sachant que les deux valeurs
initiales de la solution sont x0 = 0 et x1 = 1.
AC
EP

Exercice 2.11
Faire trois itérations de la méthode de la bissection pour les fonctions suivantes et à partir des
intervalles indiqués. Déterminer le nombre d’ité- rations nécessaires pour obtenir une solution
dont le chiffre des millièmes est significatif.
1. f (x) = −0, 9x2 + 1, 7x + 2, 5 dans l’intervalle [2, 8; 3, 0]
1−0,61x
2. f (x) = x
dans l’intervalle [1, 5; 3, 0]
3. f (x) = x2 | sin x| − 4, 1 dans l’intervalle [0, 4]
4. f (x) = x6 − x − 1 dans l’intervalle [1, 2]
Exercice 2.12
On considère l’équation:
ex − (x + 5) = 0 (2.17)
AC
1. Déterminer le nombre et la position approximative des solutions positives de cette équa-
tion.
EP
2. Utiliser l’algorithme de la bissection pour déterminer chacune de ces racines avec une
erreur absolue inférieure à 10−7 .
3. Déterminer combien d’itérations de la méthode de la bissection seraient nécessaires pour

calculer la racine la plus proche de 1 avec une précision de 10−8 , en partant de l’intervalle
[0, 2]. Ne pas faire les itérations.
Exercice 2.13
Utiliser la méthode de Newton pour déterminer les racines des fonctions suivantes. Une fois
en
la racine obtenue, calculer |en |, | en−1 | et | e2en | Conclure sur la convergence de la méthode. Si la
n−1
convergence est linéaire, modifier l’algorithme de façon à récupérer la convergence quadratique.
1. f (x) = x3 − 2x2 − 5(x0 = 3)
2. f (x) = 0, 51x − sin x(x0 = 2; et ensuite à partir de x0 = 1)
3. f (x) = x6 − x − 1(x0 = 1, 5)
4. f (x) = x5 − 3x4 + 4x3 − 4x2 + 3x − 1(x0 = 1, 2)

Chapitre Trois
Systèmes d’équations algébriques
Les systèmes d’équations algébriques jouent un rôle très important en ingénierie. On peut classer
ces systèmes en deux grandes familles: les systèmes linéaires et les systèmes non linéaires.
Ici encore, les progrès de l’informatique et de l’analyse numérique permettent d’aborder des
problèmes de taille prodigieuse. On résout couramment aujourd’hui des systèmes de plusieurs
centaines de milliers d’inconnues. On rencontre ces applications en mécanique des fluides et
dans l’analyse de structures complexes. On peut par exemple calculer l’écoulement de l’air
autour d’un avion ou l’écoulement de l’eau dans une turbine hydraulique complète. On peut
AC
également analyser la résistance de la carlingue d’un avion à différentes contraintes extérieures
et en vérifier numériquement la solidité.
EP
Dans ce chapitre, nous allons aborder les principales méthodes de résolution des systèmes
linéaires, à savoir la méthode d’élimination de Gauss et la décomposition LU . L’effet des
erreurs dues à l’arithmétique flottante sera également étudié et nous introduirons le concept de
conditionnement d’une matrice.
Par la suite, nous verrons comment résoudre les systèmes non linéaires au moyen d’une suite
de systèmes linéaires. C’est ce que nous appelons la linéarisation du problème.
3.1 Systèmes linéaires

De façon générale, la résolution d’un système d’équations linéaires consiste à trouver un vecteur
~x = [x1 x2 x3 · · · xn ]T (x dénotera toujours un vecteur colonne et l’indice supérieur T désignera
sa transposée) solution de:

Systèmes linéaires 31
a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + · · · + a3n xn = b3

.. .. ..
. . .
an1 x1 + an2 x2 + an3 x3 + · · · + ann xn = bn (3.1)
On peut utiliser la notation matricielle, qui est beaucoup plus pratique et surtout plus compacte.
On écrit alors le système précédent sous la forme:
A~x = ~b (3.2)
où
   
a11 a12 a13 · · · a1n b1
   
a21 a22 a23 · · · a2n  b2
   
AC
  
   
A=

a31 a32 a33 · · · a3n

 et ~
b =

 b3

 (3.3)
.. .. .. . . ..  ..
   
. . . . .  .
  
  
   
an1 an2 an3 · · ·
EP
ann bn
La matrice A et le vecteur ~b sont connus. Il reste á déterminer le vecteur ~x. En pratique, la

valeur de n varie considérablement et peut s’élever jusqu’à plusieurs centaines de milliers. Dans
ce chapitre, nous nous limitons à des systèmes de petite taille, mais les stratégies développées
sont valides pour des systèmes de très grande taille.
Remarque 3.1
Dans la plupart des cas, nous traitons des matrices non singulières ou inversibles. Ainsi, la
solution de l’équation (3.2) peut s’écrire:
~x = A−1~b (3.4)
et la discussion peut sembler close. Nous verrons cependant que le calcul de la matrice inverse
A−1 est plus difficile et plus long que la résolution du système linéaire de départ.
Exercice 3.2
Résoudre le système linéaire suivant par la méthode de substitution:

 2x + 3x = 8
1 2
 3x + 4x2 = 11
1

3.1.1 Système diagonaux
On peut d’abord se demander quels types de systèmes linéaires sont faciles à résoudre, et
ce, même s’ils sont de grande taille. Le cas le plus simple est sans doute celui des systèmes
diagonaux, c’est-à-dire dont la matrice A n’a de coefficients non nuls que sur la diagonale.
Exercice 3.3
Résolution du système suivant:
    
1 0 0 x 2
  1   
 0 2 0   x2  =  2 (3.5)
    

    
0 0 3 x3 3
Résolution
Il suffit de considérer séparément chaque ligne. On obtient ainsi ~x = [2 1 3]T On voit tout de
AC
suite comment résoudre le cas général:
bi
xi = , pour i = 1, 2, · · · , n. (3.6)
aii
EP
On rencontre rarement des systèmes diagonaux en pratique et il faudra travailler un peu plus
pour s’attaquer aux applications.
3.1.2 Systèmes triangulaires
Le deuxième type de système simple est le système triangulaire inférieur ou supérieur.
Définition 3.4
Une matrice est dite triangulaire inférieure (ou supérieure) si tous les aij (ou tous les aji )
sont nuls pour i < j. Une matrice triangulaire inférieure a la forme type:
 
a11 0 0 ··· 0
 
 a21 a22 0 · · · 0 
 
 
A =  a31 a32 a33 · · · 0  (3.7)
 
 .. .. .. . . . 
 
 . . . . .. 
 
an1 an2 an3 · · · ann
Une matrice triangulaire supérieure est tout simplement la transposée d’une matrice triangulaire
inférieure.

Les systèmes triangulaires sont également faciles à résoudre. Il suffit en effet de commencer
par l’équation qui se trouve à la pointe du triangle (la première pour une matrice triangulaire
inférieure et la dernière pour une matrice triangulaire supérieure) et de résoudre une à une les
équations. On parle de descente triangulaire ou de remontée triangulaire, selon le cas.
Exercice 3.5 Résoudre le système suivant:

    
3 0 0 x 9
  1   
 1 2 0   x2  =  7 (3.8)
    

    
3 2 1 x3 14
Solution
On a:
b1 9
x1 = = =3
a11 3
Puisque x1 est maintenant connue, on peut déterminer x2 :
AC
b2 − a21 .x1 7−1×3
x2 = = =2
a22 2
La dernière équation s’écrit:

EP
b3 − a31 x1 − a32 x2 14 − 3 × 3 − 2 × 2
x3 = = =1
a33 1
De l’exemple précédent, on peut rapidement déduire le cas général pour la descente trian-
gulaire :
b1
x1 =
a11
Pi−1
bi − k=1 aik xk
xi = , pour i = 1, 2, · · · , n (3.9)
aii
Pour la remontée triangulaire, on a :
bn
xn =
ann
bi − nk=i+1 aik xk
P
xi = , pour i = n − 1, n − 2, · · · , 2, 1. (3.10)
aii
Remarque 3.6

Les équations (3.9) et (3.10) sont valides si les aii sont tous non nuls. Dans le cas contraire,
la matrice A n’est pas inversible et, donc, le système A~x = ~b n’a pas une solution unique. On se
souvient en effet que le déterminant d’une matrice triangulaire inférieure (ou supérieure) est:
n
Y
détAtriangulaire = aii . (3.11)
i=1
En d’autres mots, le déterminant est le produit des termes de la diagonale de A. Le produit est
donc non nul seulement si aucun des aii n’est nul.
Définition 3.7
Une méthode de résolution d’un système linéaire est dite directe si la solution du système
peut être obtenue par cette méthode en un nombre fini et prédéterminé d’opérations.
Les deux principales méthodes directes sont:

-la méthode d’élimination de Gauss;
-la décomposition LU .
AC
Il s’agit en fait d’une seule et même méthode puisque la méthode d’élimination de Gauss est
un cas particulier de décomposition LU .
EP
3.1.3 Opérations élémentaires sur les lignes
Revenons au système: A~x = ~b, et voyons comment on peut le transformer sans en modifier la
solution. La réponse est toute simple. On peut toujours multiplier (à gauche de chaque côté)
les termes de cette relation par une matrice W inversible; la solution n’est pas modifiée puisque
l’on peut remultiplier par W −1 pour revenir au système de départ. Ainsi:
W A~x = W~b (3.12)
possède la même solution que le système précédent si W est inversible.

Pour transformer un système quelconque en système triangulaire, il suffit d’utiliser trois
opérations élémentaires sur les lignes de la matrice. Ces trois opérations élémentaires corre-
spondent à trois types différents de matrices W . C’est la base de la méthode d’élimination de
Gauss.
On note li , la ligne i de la matrice A. Les trois opérations élémentaires dont on a besoin
sont les suivantes:
1. opération (~li ←− λ~li ) : remplacer la ligne i par un multiple d’elle-même;

2. opération (~li ←− ~lj ): intervertir la ligne i et la ligne j;
3. opération (~li ←− ~li + λ~lj ): remplacer la ligne i par la ligne i plus un multiple de la ligne j.
Ces trois opérations élémentaires sont permises, car elles équivalent à multiplier le système
(3.12) par une matrice inversible.
Multiplication d’une ligne par un scalaire
Remplacer la ligne i par un multiple d’elle-même (~li ←− λ~li ) revient à multiplier le système
linéaire 3.6 par une matrice diagonale inversible W = M ((~li ←− λ~li )), dont tous les éléments
diagonaux sont 1, sauf mii , qui vaut λ. Tous les autres termes sont nuls. Cette matrice a pour
effet de multiplier la ligne i par le scalaire λ.
Remarque 3.8
1. Le déterminant de la matrice diagonale M (~li ←− λ~li ) est λ. La matrice est donc inversible
siλ 6= 0.
AC
2. La matrice inverse de M (~li ←− λ~li ) est simplement M (~li ←− λ−1~li ) c’est-à-dire: M −1 (~li ←−
λ−1~li ) = M (~li ←− ( λ1 )~li )) Il suffit donc de remplacer λ par 1
λ
pour inverser la matrice.
EP
Exercice 3.9
Soit le système:
    
3 1 2 x1 6
    
= (3.13)
    
 6 4 1   x2   11 
    
5 4 1 x3 10
dont la solution est ~x = [111]T . Si l’on souhaite multiplier la ligne 2 par un facteur 3, cela
revient à multiplier le système par la matrice:
 
1 0 0
 
M (~l2 ←− 3~l2 ) =  0 2 0 (3.14)
 

 
0 0 1
et l’on obtient:
    
3 1 2 x1 6
    
  x2  =  33  (3.15)
    
 18 12 3
    
5 4 1 x3 10

La solution de ce nouveau système reste la même que celle du système de départ puisque la
matrice M (~l2 ←− 3~l2 ) est inversible (et son déterminant est 3).
Permutation de deux lignes
L’opération élémentaire qui consiste à intervertir deux lignes (~li ←→ ~lj ) est également connue
sous le nom de permutation de lignes. Cette opération est équivalente à la multiplication du
système (3.12) par une matrice inversible W = P (~li ←→ ~lj ), obtenue en permutant les lignes i
et j de la matrice identité.
Exemple 3.10
On veut intervertir la ligne 2 et la ligne 3 du système de l’exemple précédent. Il suffit de le
multiplier par la matrice:
 
1 0 0
 
P (~l2 ←→ ~l3 ) =  0 0 1  (3.16)
 
 
0 1 0
AC
et l’on obtient:
    
3 1 2 x1 6
EP
    
  x2  =  10  (3.17)
    
 5 4 1
    
5 4 1 x3 11
Remarque 3.11
1. L’inverse de la matrice P (~li ←→ ~lj ) est donc la matrice P (~li ←→ ~lj ) elle-même, c’est-à-
dire:
P −1 (~li ←→ ~lj ) = P (~li ←→ ~lj ) (3.18)
2. On montre assez facilement que le déterminant de P (~li ←→ ~lj ) est −1. Lorsque l’on
permute deux lignes, le déterminant du système de départ change de signe.
3.1.4 Opération(~li ←− ~li + λ~lj )
La dernière opération élémentaire consiste à remplacer la ligne i par la ligne i plus un multiple
de la ligne j(~li ←− ~li +λ~lj ). Cela est encore une fois équivalent à multiplier le système de départ
par une matrice inversible W = T (~li ←− ~li + λ~lj ) qui vaut 1 sur toute la diagonale et 0 partout
ailleurs, sauf tij , qui vaut λ.

Méthode d’élimination de Gauss 37
Exercice 3.12
En considérant le système précédent, remplacer ma 2ieme ligne (i = 2) par la 2ieme ligne
moins 2 fois la 1ere ligne (j = 1)
Solution
Il suffit de multiplier le système initial par la matrice de transformation:

 
1 0 0
 
~ ~ ~
T (l2 ←− l2 − 2l1 ) =  −2 1 0 
 
(3.19)
 
0 0 1
ce qui donne:
    
3 1 2 x 6
  1   
 0 2 −3   x2  =  −1 (3.20)
    

    
5 4 1 x3 10
AC
3.2 Méthode d’élimination de Gauss
Tous les outils sont en place pour la résolution d’un système linéaire. Il suffit maintenant
EP
d’utiliser systématiquement les opérations élémentaires pour introduire des zéros sous la diag-
onale de la matrice A et obtenir ainsi un système triangulaire supérieur.
La validité de la méthode d’élimination de Gauss repose sur le fait que les opérations élé-
mentaires consistent à multiplier le système de départ par une matrice inversible.
Remarque 3.13
En pratique, on ne multiplie jamais explicitement les systèmes considérés par les différentes
matrices W, car ce serait trop long. Il faut cependant garder en tête que les opérations effectuées
sont équivalentes à cette multiplication.
La méthode d’élimination de Gauss consiste à éliminer tous les termes sous la diagonale de
la matrice A. Avant de considérer un exemple, introduisons la matrice augmentée.
Définition 3.14

La matrice augmentée d’un système linéaire est la matrice de dimension n(n + 1) que l’on
obtient en ajoutant le membre de droite ~b à la matrice A, c’est-à-dire:
 
a a12 a13 · · · a1n b1
 11 
 a21 a22 a23 · · · a2n b2 
 
  h i
a32 a33 · · · a3n b3  ou A|~b (3.21)
 
 a31
 .. .. .. .. .. .. 
 
 . . . . . . 
 
an1 an2 an3 · · · ann bn
Puisque les opérations élémentaires doivent être effectuées à la fois sur les lignes de la matrice
A et sur celles du vecteur ~b, cette notation est très utile.
Exercice 3.15 On veut résoudre le système suivant par la méthode d’élimination de Gauss
    
2 1 2 x1 10
    
x2  =  26  (3.22)
    
 6 4 0 
    
8 5 1 x3 35
AC
La matrice augmentée du système du système est:
 
2 1 2 10
 
T1 (~l2 ←− l~2 − (6/2)~l1 ) (3.23)
 
 6 4 0 26 
EP
 
8 5 1 35
T2 (~l3 ←− l~3 − (8/2)~l1 ) (3.24)
On a indiqué ci-dessus la matrice augmentée de même que les opérations élémentaires (et les
matrices associées) qui sont nécessaires pour éliminer les termes non nuls sous la diagonale de
la première colonne. Il est à noter que l’on divise par 2 (a11 ) les coefficients qui multiplient la
ligne 1. On dit alors que 2 est le pivot. On obtient, en effectuant les opérations indiquées:
 
2 1 2 10
 
 0 1 −6 −4  T3 (~l3 ←− l~3 − (1/1)~l2 ) (3.25)
 
 
0 1 −7 −5
Pour produire une matrice triangulaire supérieure, il suffit maintenant d’introduire des 0 sous
la diagonale de la deuxième colonne. L’opération est indiquée ci-dessus et le pivot est 1 puisque
maintenant a22 = 1. On obtient donc:
 
2 1 2 10
 
 0 1 −6 −4  (3.26)
 
 
0 0 −1 −1

Il reste ensuite à faire la remontée triangulaire de l’algorithme. On obtient:
−1
−x3 = −1 ⇒ x3 = =1 (3.27)
−1
d’où
−4 − (−6)(1)
x2 − 6x3 = −4 ⇒ x2 = =2 (3.28)
1
et en fin:
10 − (1)(2) − (2)(1)
2x1 + x2 + 2x3 = 10 ⇒ x1 = =3 (3.29)
2
On a construit le système triangulaire (3.26) en effectuant des opérations élémentaires directe-

ment sur les lignes de la matrice. La matrice triangulaire obtenue est notée U. Les opérations
effectuées pour obtenir U sont équivalentes à multiplier le système de départ par une suite de
matrices inversibles. On a en fait:
(3.30)
AC
U = T3 T2 T1 A
où les matrices Ti correspondent aux différentes opérations effectuées sur les lignes de la matrice.
Plus explicitement, on a:
EP
      
2 1 2 1 0 0 1 0 0 1 0 0 2 1 2
      
 0 1 −6  =  0 1 0   0 1 0   −3 1 0   6 4 0 (3.31)
      

      
0 0 −1 0 −1 1 −4 0 1 0 0 1 8 5 1
Si l’on poursuit le raisonnement, on a également:
A−1 = T1−1 T2−1 T3−1 U (3.32)
Puisque l’on sait inverser les matrices Ti , on a immédiatement que:

      
2 1 2 1 0 0 1 0 0 1 0 0 2 1 2
      
 6 4 0  =  3 1 0  0 1 0   0 1 0   0 1 −6  (3.33)
      
      
8 5 1 0 0 1 4 0 1 0 1 1 0 0 −1
ou encore
    
2 1 2 1 0 0 2 1 2
    
 6 4 0 = 3 1 0   0 1 −6  (3.34)
    
    
8 5 1 4 1 1 0 0 −1

Décomposition LU 40
Remarque 3.16
1. Les coefficients de la matrice triangulaire inférieure sont ceux qui ont permis d’éliminer
les termes non nuls sous la diagonale de la matrice A. Tout cela revient à décomposer la
matrice A en un produit d’une matrice triangulaire inférieure, notée L, et d’une matrice
triangulaire supérieure U . C’est ce que l’on appelle une décomposition LU .
2. La méthode d’élimination de Gauss revient à factoriser la matrice A en un produit de

deux matrices triangulaires L et U seulement dans le cas où aucune permutation de lignes
n’est effectuée.
3. Le déterminant de la matrice de départ est le même que celui de la matrice triangulaire

(3.26) puisqu’on n’a effectué que des opérations de la forme ~li ←− ~li + λ~lj ), ce qui revient
à multiplier le système de départ par une matrice dont le déterminant est 1. On a donc:
détA = (2)(1)(−1) = −2 (3.35)

AC
soit le produit des termes diagonaux de la matrice (3.26). Pour être plus précis:
détA = détT1−1 détT2−1 détT3−1 détU = (1)(1)(1)|[(2)(1)(−1)] (3.36)

EP
puisque le déterminant des trois matrices Ti est 1.
3.3 Décomposition LU
3.3.1 Principe de la méthode
Supposons un instant que nous ayons réussi à exprimer la matrice A en un produit de deux
matrices triangulaires L et U . Comment cela nous permet-il de résoudre le système A~x = ~b? Il
suffit de remarquer que :
A~x = LU~x = ~b (3.37)
et de poser U~x = Y~ . La résolution du système linéaire se fait alors en deux étapes:
L~y = ~b, U~x = ~y (3.38)
qui sont deux systèmes triangulaires. On utilise d’abord une descente triangulaire sur la matrice
L pour obtenir ~y et, par la suite, une remontée triangulaire sur la matrice U pour obtenir la

solution recherchée ~x Il faut tout de suite souligner que la décomposition LU n’est pas unique.
On peut en effet écrire un nombre réel comme le produit de deux autres nombres d’une infinité
de façons. Il en est de même pour les matrices.
Exercice 3.17
Pour illustrer la non-unicité de la décomposition LU , il suffit de vërifier les ëgalités:
    
2 −1 −1 2 0 0 1 −0, 5 −0, 5
    
 0 −4 2  =  0 −4 0   0 −0, 5  (3.39)
    
1
    
6 −3 1 6 0 4 0 0 1
et
    
2 −1 −1 1 0 0 2 −1 −1
    
 0 −4 2  =  0 1 0   0 −4 2  (3.40)
    
    
6 −3 1 3 0 1 0 0 4
AC
Remarque 3.18
La décomposition LU n’étant pas unique, il faut faire au préalable des choix arbitraires. Le
choix le plus populaire consiste à imposer que la matrice U ait des 1 sur sa diagonale. C’est la
EP
décomposition de Crout.
3.3.2 Décomposition de Crout
Pour obtenir cette décomposition (ou factorisation), nous considérons une matrice de dimension
4×4, le cas général étant similaire. On doit donc déterminer les coefficients lij et uij des matrices
L et U de telle sorte que A = LU . En imposant que la diagonale de U soit composée de 1, on
doit avoir:
    
a a12 a13 a14 l 0 0 0 1 u12 u13 u14
 11   11  
    
 a21 a22 a23 a24   l21 l22 0 0   0 1 u23 u24
(3.41)

 =  
    
 a31 a32 a33 a34   l31 l32 l33 0  0 0 1 u34 
    
a41 a42 a43 a44 l41 l42 l43 l44 0 0 0 1
Il suffit de procéder de façon systématique par identification des coefficients. On remarque

d’abord qu’il y a exactement 16(n2 dans le cas général) inconnues à déterminer. On peut faire
le produit des matrices L et U et se servir des différents coefficients aij . On obtient ainsi les
16(n2 ) équations nécessaires pour déterminer les coefficients lij et uij .

1. Produit des lignes de L par la première colonne de U On obtient immédiatement que:
l11 = a11 , l21 = a21 , l31 = a31 , l41 = a41
et la première colonne de L est tout simplement la première colonne de A.
2. Produit de la première ligne de L par les colonnes de U. On obtient respectivement:
l11 u12 = a12 , l11 u13 = a13 , l11 u14 = a14
d’oùl’on tire que :

a12 a13 a14
u12 = , u13 = , u14 =
l11 l11 l11
On a donc la première ligne de U, si l11 6= 0.
3. Produit des lignes de L par la deuxième colonne de U. Les différents produits donnent:
l21 u12 + l22 = a22 (3.42)

AC
l31 u12 + l32 = a32 (3.43)
l41 u12 + l42 = a42 (3.44)
ou encore:
EP
l22 = a22 − l21 u12 (3.45)
l32 = a32 − l31 u12 (3.46)
l42 = a42 − l41 u12 (3.47)
et la deuxième colonne de L est connue.
4. Produit de la deuxième ligne de L par les colonnes de U. On trouve immédiatement que:
l21 u13 + l22 u23 = a23 (3.48)
l21 u14 + l22 u24 = a24 (3.49)
ce qui donne:
a23 − l21 u13

u23 = (3.50)
l22
a24 − l21 u14
u24 = (3.51)
l22

5. Produit des lignes de L par la troisième colonne de U. La même suite d’opérations donne:
l31 u13 + l32 u23 + l33 = a33 (3.52)
l11 u13 + l42 u23 + l43 = a43 (3.53)
ce qui permet d’obtenir la troisième colonne de L:
l33 = a33 − l31 u13 − l32 a23 (3.54)
l43 = a43 − l41 u13 − l42 = a23 (3.55)
6. Produit de la troisième ligne de L par la quatrième colonne de U. On voit que:
l31 u14 + l32 u24 + l33 u34 = a34 (3.56)
ce qui permet d’obtenir:
a34 − l31 u14 − l32 u21

u34 = (3.57)
l33
AC
7. Produit de la quatrième ligne de L par la quatrième colonne de U. On obtient:
l41 u14 + l42 u24 + l43 u34 + l44 = a44 (3.58)

EP
Le dernier coefficient recherché est donc:
l44 = a44 − l41 u14 − l43 u34 (3.59)
De façon générale, on a l’algorithme suivant.
Algorithme: Décomposition de Crout

1. Décomposition LU (sans permutation de lignes)
• Première colonne de L : li1 = ai1 pour i = 1, 2, · · · , n
• Première ligne de U : u1i = a1i

l11
pour i = 1, 2, · · · , n
• Pour i = 1, 2, · · · , n:
-Calcul du pivot:
i−1
X
lii = aii − lik uki (3.60)
k=1

-Pour j = i + 1, i + 2, · · · , n
-Calcul de la ie colonne de L:
i−1
X
lji = aji − ljk uki (3.61)
k=1
-Calcul de la ie ligne de U:
Pi−1
aij − k=1 lik ukj
uij = (3.62)
lii
• Calcul de lnn :
n−1
X
lnn = ann − lnk ukn (3.63)
k=1
2. Descente et remontée triangulaires
• Descente triangulaire pour résoudre L~y = ~b:
-
AC
y1 = b1 /l11
-Pour j = i + 1, i + 2, · · · , n
EP
Pi−1
bi − k=1 lik yk
yi = (3.64)
lii
• Remontée triangulaire pour résoudre U~x = ~y (uii = 1):

-xn = yn
-Pour i = n − 1, n − 2, · · · , 2, 1 :
n
X
xi = yi − uik xk (3.65)
k=i+1
Remarque 3.19
1. L’algorithme précédent ne fonctionne que si les pivots l ii sont tous non nuls. Ce n’est pas
toujours le cas et il est possible qu’il faille permuter deux lignes pour éviter cette situation,
tout comme pour l’élimination de Gauss. Le coefficient lii est encore appelé pivot. Nous
abordons un peu plus loin les techniques de recherche du meilleur pivot.
2. Une fois utilisés, les coefficients de la matrice A ne servent plus à rien. Ils peuvent donc
être détruits au fur et à mesure que la décomposition progresse. De fait, on peut les

remplacer par les valeurs de lij ou uij selon le cas. C’est ce que l’on nomme la notation
compacte. La notation compacte évite de garder inutilement en mémoire des matrices de
grande taille.
Définition 3.20
La notation compacte de la décomposition LU est la matrice de coefficients:
 
l l l13 l14
 11 12 
 
 l21 l22 l23 l24 



 (3.66)
 l31 l32 l33 l34 
 
l41 l42 l43 l44
dans le cas d’une matrice de dimension 4×4. La matrice initiale A est tout simplement détruite.
Les coefficients 1 sur la diagonale de la matrice U ne sont pas indiqués explicitement, mais
doivent tout de même être pris en compte. De façon plus rigoureuse, la notation compacte
revient à mettre en mémoire la matrice: L + U − 1 et à détruire la matrice A.
AC
L
Exercice 3.21
EP
Soit le système:
    
3 −1 2 x 12
  1   
  x2  =  11  (3.67)
    
 1 2 3
    
2 −4 −1 x3 2
que l’on doit décomposer en un produit LU . Pour illustrer la notation compacte, on remplace
au fur et à mesure les coefficients a ij par les coefficients lij ou uij ; les cases soulignent que
l’élément aij correspondant a été détruit.
1. Première colonne de L
C’est tout simplement la première colonne de A:
 
3 −1 2
 
(3.68)
 
 1 2 3 
 
2 −4 −1

2. Première ligne de U
Le pivot de la première ligne est 3. On divise donc la première ligne de A par 3:
 
3 − 13 23
 
(3.69)
 
 1 2 3 
 
2 −2 −1
3. Deuxième colonne de L De la relation (3.60), on tire:

1 7
l22 = a22 − l21 u12 = 2 − (1)(− ) = (3.70)
3 3
1 4
l32 = a32 − l31 u12 = 2 − (2)(− ) = − (3.71)
3 3
On a maintenant:
 
3 − 31 2
3
 
 1 73 (3.72)
 
3 
 
2 − 43 −1
AC
4. Deuxième ligne de U De la relation (3.61), on tire:
a23 − l21 u13 3 − (1)( 23 )
u23 = = 7 =1 (3.73)
l22 3
EP
La matrice compacte devient:

 
3 − 13 2
3
 
7 (3.74)
 
 1 3
1 
 
2 − 43 −1
5. Calcul de l33 D’après la relation (3.62), on a :

2 4
l33 = a33 − l31 u13 − l32 u23 = −1 − (2)( ) − (− )(1) = −1 (3.75)
3 3
La matrice compacte est donc:
 
3 − 31 2
3
 
 1 73 (3.76)
 
1 
 
2 − 43 −1
La matrice de départ A (maintenant détruite) vérifie nécessairement:

  
3 0 0 1 − 13 32
  
A =  1 37 (3.77)
  
0   0 1 1 
  
4
2 − 3 −1 0 0 1

6. Résolution de L~y = ~b
La descente triangulaire donne:
b1 12
y1 = = =4 (3.78)
l11 3
b2 − l21 y1 11 − (1)(4)
y2 = = =3 (3.79)
l22 7/3
b3 − l31 y1 − l32 y2 2 − (2)(4) − (−4/3)(3)
y3 = = =2 (3.80)
l33 −1
7. Résolution de U~x = ~y
x 3 = y3 = 2 (3.81)
x2 = y2 − u23 x3 = 3 − (1)(2) = 1 (3.82)
x1 = y1 − u12 x2 − u13 x3 = 4 − (−1/3)(1) − (2/3)(2) = 3 (3.83)
La solution recherchée est donc ~x = [3 1 2]T .

AC
3.3.3 Décomposition LU et permutation de lignes
Comme nous l’avons déjà remarqué, l’algorithme de décomposition LU exige que les pivots l ii
soient non nuls. Dans le cas contraire, il faut essayer de permuter deux lignes. Contrairement
EP
à la méthode d’élimination de Gauss, la décomposition LU n’utilise le terme de droit ~b qu’à

la toute fin, au moment de la descente triangulaire L~y = ~b. Si l’on permute des lignes, on
doit en garder la trace de façon à effectuer les mèmes permutations sur ~b. A cette fin, â dit
de permutation qui contient tout simplement la on introduit un vecteur O
~ numérotation des
équations.
Remarque 3.22
Dans une décomposition LU , la permutation de lignes s’effectue toujours après le calcul de
chaque colonne de L. On place en position de pivot le plus grand terme en valeur absolue de
cette colonne (sous le pivot actuel), pour des raisons de précision que nous verrons plus loin.
Exercice 3.23 Résoud le systhème suivant par la décomposition de Crout avec permutation de
ligne.
    
0 2 1 x1 −1
    
  x2  =  −2  (3.84)
    
 1 0 O
    
3 0 1 x3 5

Soit:
   
0 2 1 1
   
(3.85)
 ~ 
 1 0 0  O= 2
 

   
3 0 1 3
~ indique que la numérotation des équations n’a pas encore été modi-
Au départ, le vecteur O
fiée.
1. Première colonne de L
Puisqu’il sagit de la première colone de A, On a:
   
0 −2 1 1
   
(3.86)
 ~  
0  O= 2 

 1 O
   
3 0 1 3
Le vecteur de permutation n’a pas été modifié, mais on a un pivot nul. On effectue alors
l’opération (~l1 ←→ ~l3 ). On aurait tout aussi bien pu permuter la ligne 1 et la ligne 2, mais
on choisit immédiatement le plus grand pivot possible (en valeur absolue). Le vecteur de
AC
permutation est alors modifié:
   
3 0 1 3
   
(3.87)
 ~  
EP
O 0  O= 2 

 1
   
0 2 1 1
2. Première ligne de U
Il suffit de diviser cette ligne par le nouveau pivot 3:
   
3 0 1/3 3
   
(3.88)
 ~  
0  O= 2 

 1 O
   
0 2 1 1
3. Deuxième colonne de L
De la relation (3.60), on tire:
l22 = a22 − l21 u12 = 0 − (1)(0) = 0 (3.89)
l32 = a32 − l31 u12 = 2 − (0)(0) = 2 (3.90)
On a maintenant:
   
3 0 1/3 3
   
(3.91)
 ~  
 O= 2 

 1 0 0
   
0 2 1 1

~ en con-
et encore un pivot nul, qui oblige à intervertir les lignes 2 et 3 et à modifier O
séquence (~l2 ) ←→ ~l3
   
3 0 1/3 3
   
(3.92)
 ~  
 O= 2 

 0 2 1
   
1 0 0 1
4. Calcul de u23
La relation (3.61) mène à:
a23 − l21 u13 1 − (0)(1/3)
u23 = = = 1/2 (3.93)
l22 2
et la matrice compacte devient:
   
3 0 1/3 3
   
(3.94)
 ~  
1/2  O =  1 

 0 2
   
AC
1 0 0 2
5. Calcul de l33
On calcule enfin:
EP
l33 = a33 − l31 u13 − l32 u23 u23 = 0 − (1)(1/3) − (0)(1/2) = −1/3 (3.95)
La décomposition LU de la matrice A est donc:

   
3 0 1/3 3
   
(3.96)
 ~ 
1/2  O = 1
 
 0 2 
   
1 0 -1/3 2
Il faut toutefois remarquer que le produit LU donne:

    
1
3 0 0 1 0 3 3 0 1
    
  0 1 1/2  =  0 2 1 (3.97)
    
 0 2 0 
    
1 0 −1/3 0 0 1 1 0 0
~ On veut maintenant résoudre:

c’est-à-dire la matrice A permutée suivant le vecteur O
 
5
 
A~x =  −1  (3.98)
 
 
−2

Calcul de la matrice inverse A−1 50
~ on résout d’abord:
Compte tenu du vecteur O,
 
−2
 
L~y =  5 (3.99)
 

 
−1
A noter l’ordre des valeurs dans le membre de droite. La descente triangulaire (laissée
en exercice) donne ~y = [−2/3 5/2 1]T . Il suffit maintenant d’effectuer la remontée
triangulaire:
 
−2/3
 
U~x =  5/2  (3.100)
 
 
1
qui nous donne la solution finale ~x = [−1 2 1]T .
Remarque 3.24
Le déterminant de la matrice A de l’exemple précédent est donné par :
AC
A = (−1)(−1) [(3)(2)(−1/3)] = −2 (3.101)
Comme on a permuté deux lignes deux fois, le déterminant a changé de signe deux fois.
EP
On peut calculer le déterminant d’une matrice A à l’aide de la méthode de décomposition LU

de Crout de la façon suivante:
n
Y
dét = (−1)N
lii (3.102)
i=1
où N est le nombre de fois où on a interverti deux lignes.
3.4 Calcul de la matrice inverse A−1

Le calcul de la matrice inverse A−1 est rarement nécessaire. En effet, il est inutile de calculer
A−1 pour résoudre un système linéaire. Cependant, si pour une raison ou une autre on souhaite
calculer cet inverse, il est important de suivre le bon cheminement afin d’éviter des calculs longs
et parfois inutiles.
La solution du système linéaire A~x = ~b est donnée par ~x = A−1~b.
Si l’on veut déterminer la matrice inverse, il suffit de remarquer que le produit d’une matrice
par le vecteur ~ei dont toutes les composantes sont nulles, sauf la ieme qui vaut 1, donne la ieme
colonne de la matrice A.

Exercice 3.25
Le produit de la matrice A suivante par le vecteur â ~e3 donne:
    
1 2 3 O 3
    
 4 5 6  0  =  (3.103)
    
6 
    
7 8 9 1 9
qui est bien la troisième colonne de la matrice A de départ.
Si l’on applique ce raisonnement à la matrice A−1 , on constate qu’après avoir noté C

~ i , la ie
colonne de A−1 , on a:
~ i = A−1~ei , ou AC
C ~ i = ~ei (3.104)
La résolution de la relation précédente donne la ie colonne de A−1 . On peut donc affirmer que
le calcul de la matrice A−1 est équivalent à la résolution de n systèmes linéaires (1 par colonne
de A−1 ).
AC
NB: Puisque le calcul de A−1 est équivalent à la résolution de n systèmes linéaires, il est
clair qu’il ne faut jamais calculer A−1 pour résoudre un système linéaire. Il vaut mieux utiliser
directement une décomposition LU sans passer par l’inverse.
EP
Exercice 3.26 Calculer l’inverse de la matrice suivante:

 
0 2 1
 
(3.105)
 
 1 0 0 
 
3 0 1
Solution
la décomposition LU de A est déjà obtenue à partir de l’exemple précédent, soit on a:
    
3 0 0 1 0 1/3 3
    
(3.106)
 ~ 
1 1/2  O  1 
 
 0 2 0  0
    
1 0 −1/3 0 0 1 2
~ Pour obtenir la matrice inverse de

On a recours encore une fois au vecteur de permutation O.
A, on doit résoudre les trois systèmes linéaires suivants:
~ 1 = ~e1 , AC
AC ~ 2 = ~e2 , AC
~ 3 = ~e3 ,

dont le résultat nous donne les trois colonnes de la matrice A−1 . Le premier système est résolu
d’abord par la descente triangulaire:
    
3 0 0 y 0
  1   
= 1  (3.107)
    
 0 2 0   y2 
    
1 0 −1/3 y3 0
Il faut prendre garde ici au membre de droite. Il s’agit bien du vecteur ~e1 = [1 0 0]T , mais
~ = [3 1 2]T pour tenir compte des lignes qui ont été permutées
ordonné suivant le vecteur O
lors de la décomposition LU . La résolution conduit à ~y = [0 1/2 0]T . Il reste à effectuer la
remontée triangulaire:
    
1 0 1/3 x 0
  1   
=  1/2  (3.108)
    
 0 1 1/2   x2 
    
AC
0 0 1 x3 0
dont le résultat [0 1/2 0]T représente la première colonne de A−1 . Le deuxième système exige
dans un premier temps la résolution de :
EP
    
3 0 0 y 0
  1   
= 0  (3.109)
    
 0 2 0   y2 
    
1 0 −1/3 y3 1
(à surveiller l’ordre des composantes du vecteur ~e2 à droite), dont la solution ~y = [0 0 − 3]T .
Par la suite:
    
1 0 1/3 x1 0
    
= 0  (3.110)
    
 0 1 1/2   x2 
    
0 0 1 x3 −3
~ 2 = [1 3/2
qui donne la deuxième colonne de A−1 , soit C − 3]T . Enfin, un raisonnement
~ 3 , soit C
similaire détermine la troisième colonne C ~ 2 = [1 − 1/2 1]T . La matrice inverse est
donc:
 
0 1 0
 
A−1 =  1/2 3/2 −1/2  (3.111)
 
 
0 −3 1

Conditionnement d’une matrice 53
3.5 Conditionnement d’une matrice

Cette section traite d’erreur et de mesure d’erreur liée aux systèmes linéaires. Il nous faut tout
de suite introduire une métrique permettant de mesurer l’écart entre une solution numérique
et une solution exacte. Cela nous amène donc à aborder la notion de norme vectorielle au sens
de la définition suivante.
Définition 3.27
Une norme vectorielle est une application de Rn dans R (R désigne l’ensemble des réels)
qui associe à un vecteur ~x un scalaire noté ||~x|| et qui vérifie les trois propriétés suivantes:
1. La norme d’un vecteur est toujours strictement positive, sauf si le vecteur a toutes ses
composantes nulles:
||~x|| > 0, sauf si ~x = ~0 (3.112)
2. Si α est un scalaire, alors:

AC
||α~x|| = |α|||~x|| (3.113)
où |α| est la valeur absolue de α.

EP
3. L’inégalité triangulaire est toujours vérifiée entre deux vecteurs ~x et ~y quelconques:
||~x + ~y || ≤ ||~x|| + ||~y || (3.114)
Toute application vérifiant ces trois propriétés est une norme vectorielle. La plus connue est
sans doute la norme euclidienne.
Définition 3.28
1. La norme euclidienne vérifie les trois propriétés d’une norme vectorielle.
2. La norme euclidienne d’un vecteur ~x est notée ||~x||2 et est définie par:
q
||~x||2 = x21 + x22 + · · · + x2n (3.115)
3. La norme l1 est définie par:

n
X
||~x||1 = |xi |. (3.116)
i=1
La norme I∞ est définie par:
||~x||∞ = max |xi | (3.117)

1≤i≤n

Exercice 3.29
Soit le vecteur ~x = [1 − 3 − 8]T , trouve ||~x||1 , |~x||∞ =, et ||~x||2 .
Solution
||~x||1 = |x1 | + |x2 | + |x3 |
= |1| + | − 3| + | − 8| = 12 (3.118)
||~x||∞ = max(1, 3, 8) = | − 8| = 8 (3.119)

q √ √
||~x||2 = x21 + x22 + x23 = 1 + 9 + 64 = 74 (3.120)
Définition 3.30
Une norme matricielle est une application qui associe à une matrice A un scalaire noté ||A||
vérifiant les quatre propriétés suivantes :
AC
1. La norme d’une matrice est toujours strictement positive, sauf si la matrice a toutes ses
composantes nulles:
||A|| > 0, sauf si A = 0 (3.121)

EP
2. Si α est un scalaire, alors:
||αA|| = |α|||A|| (3.122)
3. L’inégalité triangulaire est toujours vérifiée entre deux matrices A et B quelconques, c’est-
à-dire:
||A + B|| ≤ ||A|| + ||B|| (3.123)
4. Une quatrième propriété est nécessaire pour les matrices:
||A × B|| ≤ ||A|| × ||B|| (3.124)
Toute application qui vérifie ces quatre propriétés est une norme matricielle.
Théorème 3.31

Les normes matricielles induites par les normes vectorielles l1 et l∞ sont respectivement
données par:
n
X
||A||1 = sup ||A~x||1 = max |aij |(lignes) (3.125)
||~
x||1 =1 1≤j≤n
i=1
n
X
||A||∞ = sup ||A~x||∞ = max |aij |(colone) (3.126)
||~
x||∞ =1 1≤j≤n
i=1
La norme ||A||1 consiste à sommer (en valeur absolue) chacune des colonnes de A et à choisir
la plus grande somme. La norme ||A||∞ fait un travail similaire sur les lignes.
On définit également la norme de Frobenius par:
v
u n 2
uX
||A||F = t aij . (3.127)
i,j=1
Exercice 3.32
Soit la matrice suivante:
 
1 −2 5
 
A =  −3 1 −5  (3.128)
 
AC
 
1 −9 0
Déterminer ||A||1 , ||A||2 et ||A||∞
EP
Solution
||A||1 = max(5, 12, 10) = 12
||A||∞ = max(8, 9, 10) = 10

√
||A||2 = 12 + (−2)2 + (5)2 + (−3)2 + 12 + (−)2 + 12 + (−9)2 + 02 = 147 (3.129)
p
Une norme vectorielle et une norme matricielle sont dites compatibles si la condition:
||A~x|| ≤ ||A||||~x|| (3.130)
est valide quels que soient la matrice A et le vecteur ~x.

Les normes vectorielles et matricielles ne sont pas toutes compatibles entre elles. Si une
norme matricielle est subordonnée à une norme vectorielle, les deux normes sont automatique-
ment compatibles. On peut ainsi démontrer que:
||~x||1 et ||A||1 (3.131)
||~x||∞ et ||A||∞ (3.132)
||~x||2 et ||A||2 (3.133)

sont compatibles deux à deux.
Exercice 3.33 Considérons de nouveau le vecteur ~x = [1 − 3 − 8]T et la matrice:

 
1 −2 5
 
A =  −3 1 −5  (3.134)
 
 
1 −9 0
Vérifier la compatibilité conditionnée par l’expression (3.130).
Solution
A~x = [−33 34 28]T (3.135)
||A||1 = 12 ||~x||1 = 12 (3.136)
||A||∞ = 10 ||~x||∞ = 12 (3.137)

√ √
||A||2 = 147 ||~x||2 = 74 (3.138)
AC
||A~x||1 = || − 33|| + ||34|| + ||28|| = 95 (3.139)
||A~x||∞ = max(33, 34, 28) = 34 (3.140)

√
EP
(−33)2 + (−34)2 + (28)2 = 3029(3.141)

p
||A~x||∞ =
L’égalité (3.130) devient
95 ≤ (12)(12) en norme l1 (3.142)
34 ≤ (10)(8) en norme l∞ (3.143)

√ √ √
(−33)2 + (−34)2 + (28)2 ≤ ( 74)( 74) = 10878 en norme euclidienne (3.144)
p
Définition 3.34 Le conditionnement d’une matrice (noté condA) est défini par:
condA = ||A||||A−1 || (3.145)
1. Le conditionnement dépend de la norme matricielle utilisée. On utilise le plus souvent la

norme l∞ (||A||∞ )
2. on montre que le conditionnement de la matrice est encadré par
1 ≤ Cond ≤ ∞ (3.146)
Le conditionnement est important pour déterminer la sensibilité d’une matrice aux erreurs
d’arrondie et de représentation sur ordinateur.

Bornes d’erreurs et conditionnement

Considérons le système linéaire: A~x = ~b et notons ~x , la solution exacte et ~x∗ , une solution
approximative. La norme de l’erreur:
||~e|| = ||~x − ~x∗ || (3.147)
devrait être petite. Ce n’est pas toujours le cas.

Définissons le résidu par:
~r = ~b − A~x∗ (3.148)
donc nous avons le résidu
~r = ~b − A~x∗ = A~x − A~x∗ = A(~x − ~x∗ ) = A~e (3.149)
ce qui signifie que ~r = A1~r.

Si l’on utilise des normes vectorielles et matricielles compatibles,
AC
||~e|| ≤ ||A−1 ||||~r||. (3.150)
De façon analogue, puisque A~e = ~r:

EP
||~r|| ≤ ||A||||~e||. (3.151)
qui peut s’écrire :
||~r||
≤ ||~e||. (3.152)
||A||
En regroupant les relations (3.150) et (3.152), on obtient:
||~r||
≤ ||~e||| ≤ ||A−1 ||||~r||. (3.153)
||A||
Par ailleurs, en refaisant le même raisonnement avec les égalités A~x = ~b et ~x = A−1~b, on trouve:
||~b||
≤ ||~x||| ≤ ||A−1 ||||~b||. (3.154)
||A||
Après avoir inversé ces inégalités, on trouve:
1 1 ||A||
≤ ≤ . (3.155)
||A||||~b|| ||~x|| ||~b||

En multipliant les inégalités (3.153) et (3.155), on obtient le résultat fondamental suivant.

||~r|| ||~e|| ||A−1 ||||A||||~r||
≤ ≤ . (3.156)
||A||||~b|| ||~x|| ||~b||
d’où le théorème suivant
1 ||~r|| ||~e|| ||~r||

≤ ≤ CondA . (3.157)
CondA ||~b|| ||~x|| ||~b||
Remarque 3.35
Plusieurs remarques s’imposent pour bien comprendre l’inégalité précédente.
1- Le terme du milieu représente l’erreur relative entre la solution exacte ~x et la solution
approximative ~x∗ .
2- Si le conditionnement de la matrice A est près de 1, l’erreur relative est coincée entre deux
valeurs très près l’une de l’autre. Si la norme du résidu est petite, l’erreur relative est également
petite et la précision de la solution approximative a toutes les chances d’être satisfaisante.
3- Par contre, si le conditionnement de la matrice A est grand, la valeur de l’erreur relative
AC
est quelque part entre 0 et un nombre possiblement très grand. Il est donc à craindre que l’erreur
relative soit alors grande, donc que la solution approximative soit de faible précision et même,
EP
dans certains cas, complètement fausse.

4- Même si la norme du résidu est petite, il est possible que l’erreur relative liée à la solution
approximative soit quand même très grande.
5- Plus le conditionnement de la matrice A est grand, plus on doit être attentif à l’algorithme
de résolution utilisé.
6- Il importe de rappeler que, même si une matrice est bien conditionnée, un mauvais algo-
rithme de résolution peut conduire à des résultats erronés.
On peut obtenir une autre inégalité qui illustre le rôle du conditionnement d’une matrice
quant à la précision de la solution numérique d’un système linéaire. Soit le système linéaire
A~x = ~b. Lorsque l’on résout un tel système sur ordinateur, où la représentation des nombres
n’est pas toujours exacte, on résout en fait:
(A + E)~x = ~b (3.158)
où la matrice E représente une perturbation du système initial, due par exemple aux erreurs
de représentation sur ordinateur des coefficients de la matrice A. La matrice E peut égale-
ment représenter les erreurs de mesure lorsque les coefficients de la matrice A sont obtenus

expérimentalement. Nous noterons encore ~x∗ , la solution du système perturbé. On a donc la

relation:
~x = A−1~b = A−1 [(A + E)~x∗ ] = (I + A−1 E)~x∗ = ~x∗ + A−1 E~x∗ (3.159)
ce qui explique que l’erreur est:
~x − ~x∗ = A−1 E~x∗ . (3.160)
En vertu de la définition des normes matricielle et vectoriel, on a
||A||||A−1 ||||E||||~x∗ ||
||~x − ~x∗ || ≤ ||A−1 ||||E||||~x∗ || = (3.161)
||A||
d’où le théorème suivant
||~x − ~x∗ || ||E||

∗
≤ CondA (3.162)
||~x || ||A||
Remarque 3.36
AC
1- Le terme de gauche est une approximation de l’erreur relative entre la solution exacte
et la solution du système perturbé. (On devrait avoir ||~x|| au dénominateur pour représenter
vraiment l’erreur relative.)
EP
2- Le terme de droite est en quelque sorte l’erreur relative liée aux coefficients de la matrice
A multipliée par le conditionnement de A.
3- Si CondA est petit, une petite perturbation sur la matrice A entraîne une petite pertur-
bation sur la solution ~x.
4- Par contre, si CondA est grand, une petite perturbation sur la matrice A pourrait résulter
en une très grande perturbation sur la solution du système. Il est par conséquent possible que
les résultats numériques soient peu précis et même, dans certains cas, complètement faux.
Exercice 3.37
Soit le système linéaire suivant:
   
10 7 8 7
32
   
   
 7 5 6 5   23 
A~x = 

=
 

 (3.163)
 8 6 10 9   33 
   
7 5 9 10 31
qui a pour solution exacte ~x = [1 1 1 1]T . Une solution approximative est:

~x = [9, 2 − 12, 6 4, 5 − 1, 1]T

1. Quelle est la norme || ||∞ du résidu?
2. Quelle est la norme || ||∞ de la matrice A ?
3. L’inverse de la matrice A est:

 
25 −41 10 −6
 
 −41 68 −17 10 
 
A−1 =  (3.164)
 10 −17 5 −3 
 
 
−6 10 −3 2
Calculer le conditionnement de la matrice A avec la norme || ||∞ .
4. Donner une borne supérieure pour l’erreur relative commise entre ~x et ~x∗ .
Solution
1. la norme || ||∞ de la matrice A est
AC
~r = ~b − A~x∗ = [−0, 1 0, 1 − 0, 1 0, 1]T et ||~r||∞ = 0.1
2. La norme || ||∞ de la matrice A est:

EP
||A||∞ = max(32, 23, 33, 31) = 33
3. Le conditionnement de la matrice A avec la norme || ||∞ :

||A−1 ||∞ = max(82, 136, 35, 21) = 136 et Cond∞ A = ||A||∞ ||A−1 ||∞ = 4488
4. Donnons une borne supérieure pour l’erreur relative commise entre ~x et ~x∗
||~x − ~x∗ ||∞ ||~x||∞ 4448 × 0, 1

≤ Cond∞ A = = 13, 6
||~x||∞ ||~b||∞ 33
Exercice 3.38
Soit la matrice:
 
1 2 3
 
(3.165)
 
 4 5 6 
 
7 8 9
Identifier les matrices W qui permettent d’effectuer les opérations suivantes:

a) ~l2 ←− ~l2 − 3~l1
b) ~l2 ←→ ~l3

c) ~l2 ←− 5~l2
d) ~l3 ←− ~l3 + 5~l2
Exercice 3.39
Résoudre les systèmes triangulaires suivants:
a)
    
3 0 0 x 9
  1   
 1 5 0   x2  =  13 (3.166)
    

    
2 4 6 x3 20
b)
    
1 3 4 x 0
  1   
  x2  =  −4  (3.167)
    
 0 3 5
    
0 0 −3 x3 6
Calculer le déterminant de ces deux matrices.

AC
Exercice 3.40
On veut résoudre le système linéaire suivant par élimination de Gauss.
EP
    
1 1 0 x 1
  1   
 0 1 1   x2  =  −2  (3.168)
    
    
1 2 1 x3 1
1. La matrice de ce système linéaire est-elle singulière?
2. Combien de solutions ce système linéaire possède-t-il?
Exercice 3.41
Effectuer l’élimination de Gauss (sans permutation de lignes) sur le système:
    
2 −6α x1 3
  =  (3.169)
3α −1 x2 β
1. Calculer le déterminant de A en vous servant de l’élimination de Gauss.
2. Déterminer les valeurs de α et de β pour lesquelles la matrice A est non inversible (sin-
gulière).
3. Que pouvez-vous dire de la solution de ce système quand α = 1/3 et β = 1?

Exercice 3.42
Résoudre les systèmes linéaires suivants par la méthode d’élimination de Gausse et par la
Méthode de décomposition LU de Crout (sans permutation de lignes).
a)
    
1 2 1 x 0
  1   
2 3   x2  =  3  (3.170)
    
 2
    
−1 −3 0 x3 2
b)
    
1 2 1 4 x 13
  1   
    
 2 0 4 3   x2   28 




=
 

 (3.171)
 4 2 2 1 x 20 
 3  
   
 
−3 1 3 0 x4 6
Exercice 3.43
AC
Résoudre le système linéaire:
    
1 2 6 x1 23
    
EP
 4 8 −1   x2  =  17 (3.172)
    

    
−2 3 2 x3 10
par décomposition LU avec permutation de lignes.

Chapitre Quatre
Résolution des systèmes d’équations

linéaires: méthodes itératives
4.1 Introduction
La résolution numérique des grands systèmes linéaires peut parfois nécessiter l’emploi de méth-
odes autres que la décomposition LU . La raison principale est que la décomposition LU requiert
la mise en mémoire d’une matrice de très grande taille, avec peu de possibilités de comprimer
AC
toute cette information. Les méthodes itératives, en revanche, permettent de ne placer en mé-
moire que les coefficients non nuls d’une matrice de grande taille. Cela est particulièrement
important avec les matrices creuses, dont une grande partie des coefficients sont nuls. La dé-
EP
composition LU ne permet pas cette possibilité puisque le processus même de décomposition

tend à remplir la matrice. En effet, la plupart des coefficients nuls d’une matrice creuse de-
viennent non nuls au terme de la décomposition. Les méthodes itératives possèdent donc des
avantages suffisamment importants pour justifier une recherche active dans ce domaine. Cepen-
dant, contrairement à la décomposition LU , le succès n’est pas assuré quelle que soit la matrice
A pour laquelle on souhaite résoudre un système linéaire de la forme: A~x = ~b La convergence
des méthodes itératives n’est réalisée que dans certaines conditions que nous préciserons. Une
grande prudence est donc de mise. De plus, les méthodes itératives, lorsqu’elles convergent, ne
deviennent vraiment avantageuses que pour les systèmes linéaires de très grande taille.

Etude de la convergence des matrices 64
4.2 Etude de la convergence des matrices
4.2.1 polynôme caractéristique d’une matrice
Si A est une matrice de dimension n, on définit le polynôme caractéristique de A par:
p(λ) = dét(A − λI) (4.1)
où I est la matrice identité.

Le polynôme p(λ) est de degré n et possède donc n racines réelles ou complexes conjuguées.
4.2.2 Valeurs propres d’une matrice
Les racines (ou zéros) du polynôme caractéristique sont appelées valeurs propres de la matrice
A.
Si Î» est une valeur propre, la matrice A − λI est singulière (puisque son déterminant est nul)
et le système:
AC
(A − λI)~x = ~0, ou encore A~x = λI~x = λ~x (4.2)
possède des solutions non nulles. En effet, le système (4.2) possède toujours la solution ~x = ~0;
EP
si λ est une valeur propre, il existe également d’autres solutions.

Une solution non nulle du système (4.2) est appelée vecteur propre de A associé à la valeur
propre λ.
Exercice 4.1
Soit la matrice:
 
1 2
A= 
−2 2
Trouver le polynôme caractéristique et les valeurs propres de cette matrice.
Solution
Le polynôme caractéristique de A est
1−λ 2
p(λ) = dét(A − λI) =
−2 2−λ
= (1 − λ)(2 − λ) + 4 = λ2 − 3λ + 6 (4.3)

Pour déterminer les valeurs propres, il suffit de résoudre l’équation p(λ) = 0
p(λ) = λ2 − 3λ + 6 = 0
√
4 = 9 − 24 = −15 = ( 15i)2
Les valeurs propres de A sont:

√ √
3 + i 15 3 − i 15
λ1 = , λ2 =
2 2
4.2.3 Rayon spectral d’une matrice
Le rayon spectral d’une matrice A est défini par:
ρ(A) = max |λi | (4.4)

1≤i≤n
où |λi | est le module complexe de la valeur propre λi de A.

AC
Exercice 4.2
On donne la matrice
 
1 4
(4.5)
EP
A= 
2 3
Déterminer le rayon spectral de A.
Solution
Le polynôme caractéristique de A est:
1−λ 4
p(λ) = dét(A − λI) =
2 3−λ
= (1 − λ)(3 − λ) − 8 = λ2 − 4λ − 5 (4.6)
p(λ) = λ2 − 4λ − 5 = 0 ⇒ λ1 = 5 λ2 = −1
Soit |λ1 | = 5 |λ2 | = 1

D’où le rayon spectral est:
ρ(A) = max(5, 1) = 5

4.2.4 Convergence d’une matrice
Une matrice A est dite convergente si:
lim An = 0 (4.7)
n−→∞
Théorème 4.3
Les quatre assertions suivantes sont équivalentes.
1. La matrice A est convergente.
2. Pour toute norme matricielle:
lim ||An || = 0 (4.8)

n−→∞
3. Pour tout vecteur ~x:
lim An~x = 0 (4.9)

n−→∞
AC
4. Le rayon spectral de A est strictement inférieur à 1 (ρ(A) < 1)
Exercice 4.4
EP
Soit la matrice:
 
1/2 0
A= 
1/3 1/4
dont les valeurs propres sont tout simplement λ1 = 1/2 et λ2 = 1/4. Un simple calcul permet
de s’assurer que:
   
1/4 0 0, 97656 × 10−3 0, 0
A2 =   · · · A10 =   (4.10)
−2 −6
1/4 1/16 0, 13008 × 10 0, 95367 × 10
et que
 
−15
0, 88818 × 10 0, 0
A50 =  
−14 −30
0, 11842 × 10 0, 788886 × 10
On constate que chaque coefficient de la matrice An tend vers 0 soit
lim An~x = 0
n−→∞
. Donc la matrice A est convergente.

Méthode de Jacobi 67
4.3 Méthode de Jacobi

Considérons le système linéaire:

a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1







a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2





 a31 x1 + a32 x2 + a33 x3 + · · · + a3n xn = b3
.. .. ..


. . .








an1 x1 + an2 x2 + an3 x3 + · · · + ann xn = bn

On suppose pour l’instant que tous les éléments de la diagonale sont non nuls (aii 6= 0, ∀i).
Comme dans toute méthode itérative, nous partons d’une approximation initiale de la solution
que nous noterons ~x = [x01 x02 · · · x0n ]T . On considère ensuite l’algorithme:
n
!
1 X
xk+1
1 = b1 − a1j xkj
a11 j=2
AC
n
!
1 X
xk+1
2 = b2 − a2j xkj
a22 j=2
n
!
1 X
x3k+1
= b3 − a3j xjk
(4.11)
EP
a33 j=2
.. .. ..
. . . !
n
1 X
xk+1
n = bn − k
anj xj
ann j=2
qui consiste à isoler le coefficient de la diagonale de chaque ligne du système. C’est la méthode
de Jacobi. Si l’un des coefficients diagonaux est nul, il est parfois possible de permuter certaines
lignes pour éviter cette situation. Plus généralement, on écrit :
n
!
1 X
xk+1
i = bi − aij xkj (4.12)
aii j=1,j6=i
Exercice 4.5
Résoudre le système suivant par la méthode de Jacobi

3x1 + x2 − x3 = 2






x1 + 5x2 + 2x3 = 17 (4.13)




2x1 − x2 − 6x3 = −18


Solution
La méthode de Jacobi s’écrit dans ce cas:
1 1
i = 1 : xk+1 b1 − a12 xk2 − a13 xk3 = 2 − a12 xk2 − a13 xk3 (4.14)

1 =
a11 3
1 1
i = 2 : xk+1 b2 − a21 xk1 − a23 xk3 = 17 − xk2 − 2xk2 (4.15)

2 =
a22 5
1 1
i = 3 : xk+1 b1 − a12 xk2 − a12 xk2 = −18 − 2xk2 + xk2 (4.16)

3 =
a33 6
A partir de [x01 x02 x03 ]T = [0 0 0]T , on trouve
1iere itération:
1 1 2
x11 = 2 − x02 + x03 = (2 − 0 − 0) = (4.17)
3 3 3
1 17
2
x1 = 0 0
17 − x1 − 2x3 = (4.18)
5 5
x1 = −f rac16 −18 − 2x1 + x02 = 3,
3 0
(4.19)

soit ~x1 = [2/3 17/5 3]T

AC
2ieme itération:
EP

1 17 8
x11 = 2− +3 = (4.20)
3 5 15

1 2 31
x21 = 17 − − 2(3) = (4.21)
5 3 15
3
x1 = f rac16 (−18 − 2(2/3) + 17/5) = 2, 655556 (4.22)
On finit par remplir le tableau suivant. Les valeurs convergent vers la solution ~x = [1 2 3]T

Forme matricielle de la méthode de Jacobi
Cette forme matricielle servira uniquement pour l’analyse de convergence de la méthode. Pour
obtenir cette représentation matricielle, on doit d’abord effectuer une décomposition de la
matrice A sous la forme:
A = D + Ti + Ts (4.23)
où
 
a11 0 0 ··· 0
 
0 a22 0 ··· 0 
 

 
D= ··· 0  (4.24)
 
0 0 a33
.. .. .. .. .. 
 
. . . . . 


 
0 0 0 ··· 0
   
AC
0 0 0 ··· 0 0 a12 a13 · · · a1n
   
a21 0 0 ··· 0  0 0 a23 · · · a2n 
   
 
   
Ti =  ···  Ts =  0 0 · · · a3n 
   
a31 a32 0 0 0
.. .. .. .. ..  .. .. .. .. .. 
   
EP
. . . . .  . . . . . 
 
 
   
an1 an2 an3 · · · 0 0 0 0 ··· 0
Ce procédé consiste donc à isoler de la matrice A la diagonale et les matrices triangulaires

inférieures et supérieures. Le système linéaire:
A~x = ~b (4.25)
devient
(D + T1 + TS ) sec x = ~b (4.26)
ou encre
A~x = ~b (4.27)
devient
(D + T1 + TS ) sec x = ~b (4.28)

Méthode de Gauss-Seidel 70
ou encore
D~x = −(T1 + TS ) sec x + ~b (4.29)
et enfin
~x = −D−1 (T1 + TS ) sec x + D−1~b = Tj ~x + ~cJ (4.30)
où l’on a posé TJ = −D−1 (TI + TS ) et ~cJ = D−1~b. Il est alors clair que l’algorithme précédant
peut aussi s’écrire :
~xk+1 = TJ ~xk + ~cJ (4.31)
La méthode de Jacobi convergera donc si le rayon spectral de TJ (ρ(TJ )) est inférieur à 1. Comme
nous l’avons déjà mentionné, le calcul du rayon spectral d’une matrice est un problème difficile,
surtout si la matrice est de grande taille. Il existe cependant un type de matrices qui vérifie
automatiquement la condition de convergence de la méthode de Jacobi.
AC
Définition 4.6
Une matrice A est dite à diagonale strictement dominante si :
n
X
|aii | > |aij | ∀i (4.32)
EP
j=1,j6=i
Cette définition signifie que le terme diagonal aii de la matrice A est nettement dominant
puisque sa valeur absolue est plus grande que la somme des valeurs absolues de tous les autres
termes de la ligne.
Le rayon spectral d’une matrice A vérifie:
ρ(A) ≤ ||A|| (4.33)
et ce, quelle que soit la norme matricielle (subordonnée à une norme vectorielle) utilisée.
Si A est une matrice à diagonale strictement dominante, la méthode de Jacobi est conver-
gente.
4.4 Méthode de Gauss-Seidel

La méthode de Gauss-Seidel est une variante améliorée de la méthode de Jacobi. Pour bien en
comprendre le principe, il suffit de reconsidérer la méthode de Jacobi et de voir comment on
pourrait l’améliorer. On sait que, dans le cas général, la méthode de Jacobi s’écrit:

n
!
1 X
xk+1
i = bi − aij xkj (4.34)
aii j=1,j6=i
qui peut aussi s’exprimer comme suit:

i−1 n
!
1 X X
xk+1
i = bi − aij xkj − aij xkj (4.35)
aii j=1 j=1+1
La méthode de Gauss-Seidel s’écrit dans le cas général comme suit:

i−1 n
!
1 X X
xk+1
i = bi − aij xk+1
j − aij xkj (4.36)
aii j=1 j=1+1
Sous la forme matricielle, on a:

k+1
~x =D −1 ~b − Ti~xk+1 − TS ~xk (4.37)
ou encore
AC
(Ti + D)~xk+1 = ~b − TS ~xk (4.38)
ou enfin
EP
~xk+1 = (Ti + D)−1 TS ~xk + (Ti + D)−1~b = TGS ~xk + ~cGS (4.39)
Exercice 4.7
Résoudre le syqtème linëaire suivant par la méthode de Gauss-Seidel

3x1 + x2 − x3 = 2






x1 + 5x2 + 2x3 = 17 (4.40)




2x1 − x2 − 6x3 = −18

Solution
La méthode de Gauss-Seidel s’écrit dans ce cas:
1
xk+1 2 − xk2 + xk3

1 =
3
1
xk+1 17 − xk+1 − 2xk3

2 = 1
5
1
xk+1 = − −18 − 2xk+1 + xk+1 (4.41)

3 1 2
6

Notons la différence des indices avec la méthode de Jacobi. Partant de ~x = [0 0 0]T ,on trouve
d’abord:
1 2
x11 = (2 − 0 + 0) =
3 3
1 49
x12 = (17 − 2/3 − 0) =
5 15
1 241
x13 = − (−18 − 2(2/3) + 49/15) = (4.42)
6 90
tandis qu’à la deuxième itération on trouve:
1
x11 = (2 − 49/15 + 241/90) = 0?4703704
3
1
x12 = (17 − 0, 4703704 − 2(241/90)) = 2, 234815
5
1
x13 = − (−18 − 2(0, 4703704) + 2, 234815) = 2, 784321 (4.43)
6
ainsi que les itérations suivantes. On constate que, pour un même nombre d’itérations, la
AC
EP
solution approximative obtenue par la méthode de Gauss-Seidel est plus précise. La méthode
de Gauss-Seidel converge généralement plus vite que la méthode de Jacobi, mais pas toujours.
Exercice 4.8
Déterminer le polynôme caractéristique, les valeurs propres et le rayon spectral des matrices
suivantes. Déterminer également si ces matrices sont convergentes.
 
  1/2 1 2
2 −1  
a)   b)  (4.44)

 0 1/3 3 
−1 2  
0 0 1/4
La matrice
 
2 −1
  (4.45)
−1 2
a un rayon spectral de 3, qui est donc supérieur à 1. Or, on peut démontrer directement que la
méthode de Jacobi converge quel que soit le vecteur ~x0 initial. Est-ce une contradiction?

Exercice 4.9
Construire une matrice de dimension 3 à diagonale strictement dominante. Pour cette ma-
trice, construire explicitement la matrice TJ et vérifier si ||TJ ||∞ < 1.
Exercice 4.10
Soit le système linéaire suivant:




 3x2 − x3 + 8x4 = −11



2x1 − x2 + 10x3 = −11

(4.46)
10x1 − x2 + 2x3 = 6







−x + 11x − x + 3x = 25

1 2 3 4
1. Montrer que les méthodes de Jacobi et de Gauss-Seidel ne convergent pas lorsqu’on isole
simplement les xi du système d’équation.
2. Réordonner les équations de façon à assurer la convergence des deux méthodes.

AC
Exercice 4.11
Résoudre le système:
EP

9x1 − 2x2 + x3 = 13






−x1 + 5x2 − x3 = 9 (4.47)




x1 − 2x2 + 9x3 = −11

à l’aide des méthodes de Jacobi et de Gauss-Seidel à partir de ~x0 = [0 0 0]T (faire les 5
premières itérations seulement).

Chapitre Cinq
Interpolation
5.1 Introduction
Ce chapitre ainsi que le chapitre suivant qui porte sur la dérivation et l’intégration numériques
sont très étroitement reliés puisqu’ils tendent à répondre à diverses facettes d’un même prob-
lème. Ce problème est le suivant: à partir d’une fonction f (x) connue seulement en (n+1) points
de la forme ((xi , f (xi )) pour i = 0, 1, 2, · · · , n), peut-on construire une approximation de f (x),
et ce, pour tout x? Les xi sont appelés abscisses ou nœuds d’interpolation tandis que les couples
AC
((xi , f (xi )) pour i = 0, 1, 2, · · · , n) sont les points de collocation ou points d’interpolation et
peuvent provenir de données expérimentales ou d’une table. En d’autres termes, si l’on ne con-
naît que les points de collocation (xi , f (xi )) d’une fonction, peut-on obtenir une approximation
EP
de f (x) pour une valeur de x différente des xi ? Il s’agit d’un problème d’interpolation, dont la
solution est relativement simple. Il suffit de construire un polynôme de degré suffisamment élevé
dont la courbe passe par les points de collocation. On parle alors du polynôme de collocation
ou polynôme d’interpolation.
Théorème 5.1
Un polynôme de degré n dont la forme générale est:
pn (x) = a0 + a1 x + a2 x2 + a3 x3 + · · · + an xn (5.1)
avec an 6= 0 possède, tenant compte des multiplicités, très exactement n racines qui peuvent être
réelles ou complexes conjuguées. Rappelons que r est une racine de pn (x) si pn (x) = 0.
Corollaire 5.2
Par (n + 1) points de collocation d’abscisses distinctes ((xi , f (xi )) pour i = 0, 1, 2, · · · , n),
on ne peut faire correspondre qu’un et un seul polynôme de degré n.
Définition 5.3

Matrice de Vandermonde 75
L’unique polynôme de degré n passant par les points (xi , f (xi )) pour i = 0, 1, 2, · · · , n, est
appelé l’interpolant de f (x) de degré n aux abscisses (nœuds) x0 , x1 , · · · , xn .
5.2 Matrice de Vandermonde

Une première méthode de construction du polynôme d’interpolation consiste à déterminer les
inconnues ai du polynôme (5.1) en vérifiant directement les (n + 1) équations de collocation:
pn (xi ) = f (xi ) pour i = 0, 1, 2, · · · , n (5.2)
ou encore
a0 + a1 x + a2 x2 + a3 x3 + · · · + an xn = f (xi ) (5.3)
qui est un système linéaire de (n + 1) équations en (n + 1) inconnues. Ce système s’écrit sous

forme matricielle:
AC
    
1 x0 x20 x30 ··· xn0 a0 f (x0 )
    
1 x1 x21 3 n 
x1 · · · x1   a1   f (x1 )
    
 
    
1 x2 x22 3 n 
x2 · · · x2    =  f (x2 ) (5.4)
    
a2
EP
 
.. .. .. .. . ..   ..
    
. . . . .. .   .
  
  
    
1 xn x2n x3n · · · xnn an f (xn )
Remarque 5.4
La matrice de ce système linéaire porte le nom de matrice de Vandermonde. On peut montrer
que le conditionnement de cette matrice augmente fortement avec la taille (n + 1) du système.
De plus, comme le révèlent les sections qui suivent, il n’est pas nécessaire de résoudre un système
linéaire pour calculer un polynôme d’interpolation. Cette méthode est donc rarement utilisée.
Exercice 5.5
calculer le polynôme passant par les points (0, 1), (1, 2), (2, 9) et (3, 28) par la méthode de
Vandermonde.
Solution
Etant donné ses 4 points, le polynôme recherché est tout au plus de degré 3. Ses coefficients aii
sont solution de:

Interpolation de Lagrange 76
    
1 0 0 0a 1
  0   
    
 1 1 1 1   a1   2 




=
 

 (5.5)
 1 2 4 8   a2   9 
    
1 3 9 27 a3 28
dont la solution (obtenue par décomposition LU ) est [1 0 0 1]T . Le polynôme recherché est
donc p3 (x) = 1 + x3 .
5.3 Interpolation de Lagrange

L’interpolation de Lagrange est une façon simple et systématique de construire un polynôme
de collocation. Etant donné (n + 1) points ((xi , f (xi )) pour i = 0, 1, 2, · · · , n), on suppose un
instant que l’on sait construire (n + 1) polynômes Li (x) de degré n et satisfaisant les conditions
suivantes:
AC

Li (xi ) = 1 ∀i

Li (xj ) = 0 ∀j 6= i

Cela signifie que le polynôme Li (x) de degré n prend la valeur 1 en xi et s’annule à tous les
EP
autres points de collocation. Nous verrons comment construire les Li (x) un peu plus loin. Dans
ces conditions, la fonction L(x) définie par:
n
X
L(x) = f (xi )Li (x) (5.6)
i=0
est un polynôme de degré n, car chacun des Li (x) est de degré n. De plus, ce polynôme passe
par les (n + 1) points de collocation et est donc le polynôme recherché.
Pour construire les fonctions Li (x), on suit la démarche progressive suivante:
Polynôme de degré 1
Il s’agit de déterminer le polynôme de degré 1 dont la courbe (une droite) passe par les deux
points (x0 , f (x0 )) et (x1 , f (x1 )). On doit donc construire deux polynômes L0 (x) et L1 (x) de
degré 1 qui vérifient:
 
L0 (x0 ) = 1
 L1 (x0 ) = 0

L0 (x1 ) = 0
 L1 (x1 ) = 1


Le polynôme L0 (x) doit s’annuler en x = x1 . On pense immédiatement au polynôme (x−x1 )

qui s’annule en x = x1 , mais qui vaut (x0 − x1 ) en x = x0 . Pour s’assurer d’une valeur 1 en
x = x0 , il suffit d’effectuer la division appropriée afin d’obtenir:
(x − x1 )
L0 (x) = (5.7)
(x0 − x1 )
Un raisonnement similaire pour L1 (x) donne:
(x − x0 )
L1 (x) = . (5.8)
(x1 − x0 )
Le polynôme de degré 1 est donc:
n
X
p1 (x) = f (xi )Li (x) = f (x0 )L0 (x) + f (x1 )L1 (x). (5.9)
i=0
Exercice 5.6
Trouver le polynôme (l’équation de droite) passant par les points (2, 3) et (5, −6).
Solution
AC
x0 = 2 f (x0 ) = 3, x1 = 5 f (x1 ) = −6
x − x1 x − x0 x−5 x−2
EP
p1 (x) = f (x0 ) + f (x1 ) =3 −6

x0 − x 1 x1 − x0 2−5 5−2
p1 (x) = −3x + 9 (5.10)
Polynômes de degré 2
Si l’on cherche le polynôme de degré 2 passant par les points (x0 , f (x0 )), (x1 , f (x1 )) et (x2 , f (x2 )),
on doit construire trois fonctions Li (x). Le raisonnement est toujours le même. La fonction L0 (x)
s’annule cette fois en x = x1 et en x = x2 . On doit forcément avoir un coefficient de la forme:
(x − x1 )(x − x2 ) qui vaut (x0 − x1 )(x0 − x2 ) en x = x0 . Pour satisfaire la condition L0 (x0 ) = 1,
il suffit alors de diviser le coefficient par cette valeur et de poser:
(x − x1 )(x − x2 )
L0 (x) = (5.11)
(x0 − x1 )(x0 − x2 )
Cette fonction vaut bien 1 en x0 et 0 en x1 et x2 . De la même manière, on obtient les fonctions
L1 (x) et L2 (x) définies par:
(x − x0 )(x − x2 ) (x − x0 )(x − x1 )
L1 (x) = , et L2 (x) = )
(5.12)
(x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1

Et le polynôme de degré 2 peut s’écrire:
p2 (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + L2 (x)f (x2 ) (5.13)
Exercice 5.7
Trouve l’équation de de la parabole (polynôme de degré 2) passant par les points (1, 2), (3, 7)
et (4, −1).
Solution
(x − 3)(x − 4) (x − 1)(x − 4) (x − 1)(x − 3)

p2 (x) = 2 +7 + (−1)
(1 − 3)(1 − 4) (3 − 1)(3 − 4) (4 − 1)(4 − 3)
(x − 3)(x − 4) 7(x − 1)(x − 4) (x − 1)(x − 3)
= − −
3 2 3
7x2 37x 34
= − + (5.14)
2 2 2
AC
Polynômes de degré n
On analyse le cas général de la même façon. La fonction L0 (x) doit s’annuler en x = x1 , x2 , x3 , · · · , xn .
EP
Le polynôme de degré n passant par ces ponts est donné par:

n
X
pn (x) = f (xi )Li (x) (5.15)
i=0
(x − x0 )(x − x1 ) · · · (x − xi−1 )(x − xi+1 ) · · · (x − xn )
Li (x) = (5.16)
(xi − x0 )(xi − x1 ) · · · (xi − xi−1 )(xi − xi+1 ) · · · (xi − xn )
où seul le facteur (x − xi ) est absent.
Théorème 5.8
Etant donné (n+1) points d’interpolation ((xi , f (xi )) pour i = 0, 1, · · · , n), l’unique polynôme
d’interpolation de degré n passant par tous ces points peut s’écrire:
n
X
pn (x) = f (xi )Li (x) (5.17)
i=0
où les (n + 1) fonctions Li (x) sont définies par la relation (5.15). C’est la formule de Lagrange.
Exercice 5.9
Trouve le polynôme d’interpolation passant par les point (0, 1), (1, 2)(2, 9) et (3, 28)

Polynôme de Newton 79
Solution
(x − 1)(x − 1)(x − 3) (x − 0)(x − 2)(x − 3)
p3 (x) = 1 +2 +
(0 − 1)(0 − 2)(0 − 3) (1 − 0)(1 − 2)(1 − 3)
(x − 0)(x − 1)(x − 3) (x − 0)(x − 1)(x − 2)
+9 + 28 (5.18)
(2 − 0)(2 − 1)(2 − 3) (3 − 0)(3 − 1)(3 − 2)
Soit p3 (x) = x + 1
3
(5.19)
5.4 Polynôme de Newton

Lorsqu’on écrit l’expression générale d’un polynôme, on pense immédiate- ment à la forme
(5.1), qui est la plus utilisée. Il en existe cependant d’autres qui sont plus appropriées au cas
de l’interpolation, par exemple:
pn (x) = a0
+a1 (x − x0 )
AC
+a2 (x − x0 )(x − x1 )
+a3 (x − x0 )(x − x1 )(x − x2 )

..
.
EP
+an−1 (x − x0 )(x − x1 )(x − x2 ) · · · (x − xn+2 )
+an (x − x0 )(x − x2 ) · · · + (x − xn−1 ) (5.20)
On remarque que le coefficient de a n comporte n monômes de la forme (x − xi ) et qu’en

conséquence le polynôme (5.20) est de degré n.
Définition 5.10
On définit les premières différences divisées de la fonction f (x) par:
f (xi+1 ) − f (xi )
f [xi , xi+1 ] = (5.21)
xi+1 − xi
Il est facile de démontrer que le polynôme de degré 1:
p1 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) (5.22)
Définition 5.11
Les deuxièmes différences divisées de la fonction f (x) sont définies à partir des premières
différences divisées par la relation:
f [xi+1 , xi+2 ] − f [xi , xi+1 ]
f [xi , xi+1 , xi+2 ] = . (5.23)
(xi+1 − xi )

De même, les n-ièmes différences divisées de la fonction f (x) sont définies à partir des (n −
1)iemes différences divisées de la façon suivante:
f [x0 , x1 , x2 , · · · , xn ] − f [x0 , x1 , x2 , · · · , xn−1 ]

f [x0 , x1 , x2 , · · · , xn ] = . (5.24)
(xn − x0 )
Notons que les toutes premières différences divisées de f (x) (soit les 0es différences) sont tout
simplement définies par f (xi ).
Il est facile de démontrer que le polynôme:
p2 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 ) (5.25)
passe par les trois premiers points de collocation. On remarque de plus que ce polynôme de
degré 2 s’obtient simplement par l’ajout d’un terme de degré 2 au polynôme p1 (x) déjà calculé.
En raison de cette propriété, cette méthode est dite récursive.
Théorème 5.12
AC
L’unique polynôme de degré n passant par les (n + 1) points de collocation ((xi , f (xi )) pour
i = 0, 1, 2, · · · , n) peut s’écrire selon la formule d’interpolation de Newton (5.20) ou encore sous
la forme récursive:
EP
pn (x) = pn−1 (x) + an (x − x0 )(x − x1 ) · · · (x − xn−1 ) (5.26)
Les coefficients de ce polynôme sont les différences divisées:
ai = f [x0 , x1 , x2 , · · · , xi ] pour 0 ≤ i ≤ n (5.27)
Remarque 5.13
Une fois les coefficients ai connus, on peut évaluer le polynôme de Newton au moyen d’un
algorithme similaire au schéma de Horner. On écrit alors le polynôme (5.20) sous la forme:
pn (x) = a0 + (x − x0 )(a1 + (x − x1 )(a2 + (x − x2 )(a3 + · · ·
+(x − xn−2 )(an−1 + an (x − xn−1 )) · · · ))) (5.28)
De cette façon, on réduit le nombre d’opérations nécessaires à l’évaluation du polynôme. De

plus, cette forme est moins sensible aux effets des erreurs d’arrondis.
Il reste maintenant à calculer efficacement la valeur de ce polynôme. La manière la plus

simple consiste à construire une table dite de différences divisées de la façon suivante. La con-

struction de cette table est simple. Nous nous sommes arrêtés aux troisièmes différences divisées,
mais les autres s’obtiendraient de la même manière. Les premières différences divisées découlent
de la définition. Par la suite, pour obtenir par exemple f [x0 , x1 , x2 ], il suffit de soustraire les
2 termes adjacents f [x1 , x2 ] − f [x0 , x1 ] et de diviser le résultat par (x2 − x0 ). De même, pour
obtenir f [x0 , x1 , x2 , x3 ], on soustrait f [x0 , x1 , x2 ] de f [x1 , x2 , x3 ] et l’on divise le résultat par
(x3 − x0 ). La formule de Newton utilise la diagonale principale de cette table.
AC
Exercice 5.14
Trouve les polynôme d’interpolation de Newton passant par les points (0, 1), (1, 2), (2, 9) et
EP
(3, 28) est:
Solution
Suivant la formule de Newton (5.20), avec x0 = 0, le polynôme de collocation est:
p3 (x) = 1 + 1(x − 0) + 3(x − 0)(x − 1) + 1(x − 0)(x − 1)(x − 2) = x3 + 1 (5.29)

Erreur d’interpolation 82
On remarque de plus que le polynôme :
p2 (x) = 1 + 1(x − 0) + 3(x − 0)(x − 1) (5.30)
passe quant à lui par les trois premiers points de collocation. Si l’on souhaite ajouter un point
de collocation et calculer un polynôme de degré 4, il n’est pas nécessaire de tout recommencer.
5.5 Erreur d’interpolation

L’interpolation permet, à partir d’un certain nombre de données sur les valeurs d’une fonction,
de faire l’approximation de f (x) en tout point x. Toutefois, cette opération entraîne une erreur
d’interpolation qu’il convient d’étudier en détail, d’autant plus que les résultats nous serviront
également dans l’analyse de l’intégration et de la dérivation numériques.
On peut exprimer l’erreur d’interpolation de la façon suivante :
AC
f (x) = pn (x) + En (x) ou encore En (x) = f (x) − pn (x) (5.31)
Cela signifie que le polynôme pn (x) de degré n procure une approximation de la fonction
EP
f (x) avec une erreur En (x). Il reste à évaluer cette erreur. On constate immédiatement que:
En (xi ) = 0 pour i = 0, 1, 2, · · · , n (5.32)
et donc que l’erreur d’interpolation est nulle aux points de collocation puisque le polynôme
passe exactement par ces points.
On suppose de plus que les données des points (xi , f (xi )) sont exactes, ce qui n’est pas
toujours le cas.
Théorème 5.15
Soit x0 < x1 < x2 < · · · < xn , les abscisses des points de collocation. On suppose que
la fonction f (x) est définie dans l’intervalle [x0 , xn ] et qu’elle est (n + 1) fois dérivable dans
]x0 , xn [. Alors, pour tout x dans l’intervalle [x0 , xn ], il existe ξ(x) appartenant à l’intervalle
]x0 , xn [ tel que:
f (n+1) (ξ(x))
En (x) = (x − x0 )(x − x1 ) · · · (x − xn ), (5.33)
(n + 1)!
où (5.33) est l’expression analytique de l’erreur d’interpolation.

Remarque 5.16
-Puisque le terme d’erreur en un point x fait intervenir des coefficients de la forme (x − xi ),
il y a tout intérêt à choisir les points x i qui sont situés le plus près possible de x. Ce choix est
utile lorsqu’un grand nombre de points de collocation sont disponibles et qu’il n’est pas nécessaire
de construire un polynôme passant par tous les points. On retient alors seulement les points de
collocation les plus près de x de manière à minimiser l’erreur.
-La fonction (x − x0 )(x − x1 ) · · · (x − xn ) est un polynôme de degré (n + 1) et possède donc
les (n + 1) racines réelles (xi pour i = 0, 1, · · · , n). Dans certaines conditions, cette fonction
peut osciller avec de fortes amplitudes, d’où le risque de grandes erreurs d’interpolation. Cette
propriété fait en sorte qu’il est délicat d’effectuer des interpolations en utilisant des polynômes
de degré élevé.
Exercice 5.17
√
Soit une table de la fonction x. Puisqu’on connaît la fonction (ce qui n’est bien sÃ»r pas
le cas en pratique), on est donc en mesure d’évaluer l’erreur exacte et de la comparer avec son
AC
approximation obtenue à l’aide de la relation
En (x) ≈ f [x0 , x1 , x2 , · · · , xn+1 ](x − x0 )(x − x1 ) · · · (x − xn ) (5.34)

EP
Solution
√
On tente d’obtenir une approximation de 8 à l’aide de cette table.
En se basant sur un polynôme de degré 1 et en prenant x0 = 7, on obtient facilement:
p1 (x) = 2, 645751 + 0, 177124(x − 7) (5.35)

de telle sorte que p1 (8) = 2, 822875. L’erreur exacte en x = 8 est alors :

√
E1 (8) = f (8) − p1 (8) = 8 − 2, 822875 = 0, 005552125 (5.36)
Selon l’expression (5.33), on peut estimer cette erreur par le terme suivant dans la formule
de Newton (5.1), c’est-à-dire:
E1 (8) ' −0, 00470299(8 − 7)(8 − 9) = 0, 00470299 (5.37)
On constate donc que l’erreur approximative est assez près de l’erreur exacte. Considérons
maintenant le polynôme de degré 2 :
p2 (x) = p1 (x) − 0, 00470299(x − 7)(x − 9) (5.38)
qui prend la valeur
p2 (8) = 2, 822875 + 0, 00470299 = 2, 827577990 (5.39)

AC
soit une erreur exacte de 0,000 849 135. Encore ici, cette erreur peut être approchée à l’aide du
terme suivant dans la formule de Newton :
EP
E2 (8) ' 0, 000206783(8 − 7)(8 − 9)(8 − 11) = 0, 000620349 (5.40)
Enfin, en passant au polynôme de degré 3, on trouve :
p3 (x) = p2 (x) + 0, 000206783(x − 7)(x − 9)(x − 11) (5.41)
ce qui entraîne que :
p3 (8) = 2, 827578301 + 0, 000620349 = 2, 828198339 (5.42)
L’erreur exacte est alors 0,000 228 786, ce qui est près de la valeur obtenue au moyen de
l’équation (5.33):
E3 (8) ' −0, 9692 × 10−5 (8 − 7)(8 − 9)(8 − 11)(8 − 13) = 0, 000145380 (5.43)
qui montre que cette approximation possède 4 chiffres significatifs.

Nous terminerons cette section en cherchant à déterminer l’ordre de convergence de l’approximation
polynomiale. Si l’on retient le cas où les abscisses sont également distantes, il suffit de poser:
x − x0
s= , ou encore (x − x0 ) = sh (5.44)
h
On remarque alors que:
x − xi = x − (x0 + ih) = (x − x0 ) − ih = sh − ih = (s − i)h (5.45)
Il suffit maintenant de remplacer x − xi par (s − i)h dans l’expression analytique de l’erreur

d’interpolation (5.33) pour obtenir le prochain résultat.
Théorème 5.18
Dans le cas où les abscisses xi des points de collocation sont équidistantes, l’expression
analytique de l’erreur d’interpolation s’écrit:
f (n+1)[ξ(h)]
En (x) = s(s − 1)(s − 2) · · · (s − n)hn+1 (5.46)
(n + 1)!
pour un certain ξ dans l’intervalle ]x0 , xn [ et pour s défini par l’équation (5.45).
On peut dès lors conclure que le polynôme d’interpolation pn (x) est une approximation
d’ordre (n + 1) de la fonction f (x). Encore une fois, si l’on prend des points de collocation
situés à une distance h/2 les uns des autres, l’erreur d’interpolation est diminuée d’un facteur
AC
de 2n+1 .
Exercice 5.19 Il n’existe pas de polynôme de degré n dont la courbe passe par (n + 2) points
EP
donnés. Commenter.
Exercice 5.20 Obtenir le polynôme de degré 2 passant par les points suivants. Utiliser la ma-
trice de Vandermonde.
Exercice 5.21 Soit les points suivants.
1. Obtenir le polynôme de Lagrange passant par les 3 premiers points.
2. Obtenir le polynôme de Lagrange passant par les 4 premiers points. Est-ce possible d’utiliser
les calculs faits en a)?

3. Donner l’expression analytique de l’erreur pour les polynômes obtenus en 1) et en 2).
4. Obtenir des approximations de f (1, 5) à l’aide des 2 polynômes obtenus en 1) et en 2).
5. Répondre aux mêmes questions qu’à l’exercice précédent, mais en utilisant la méthode
de Newton. Donner en plus des approximations des erreurs commises en 4).
Exercice 5.22 On pose f (x) = sin(πx).
1. Calculer le développement de Taylor de degré 3 de f (x) autour de x0 = 0.

AC
2. Obtenir le polynôme de Lagrange qui interpole f (x) aux nœuds 0, 1/4, 3/4 et 1.
3. Comparer les valeurs des dérivées de ces deux approximants en x = 1/3 avec la valeur
EP
exacte de la dérivée de f (x). Quelle est l’approximation la plus précise. Justifier votre
réponse.
Exercice 5.23 Soit une fonction f (x) dont on connaît la valeur en certains points.
1- Calculer la table de différences divisées. Montrer que les troisièmes différences divisées
sont nulles.
2- Que conclure au sujet de la fonction f (x)?

Chapitre Six
Différentiation et intégration
numériques
6.1 Introduction
Le contenu de ce chapitre prolonge celui du chapitre 5 sur l’interpolation. A peu de choses près,
on y manie les mêmes outils d’analyse. Dans le cas de l’interpolation, on cherchait à évaluer
une fonction f (x) connue seulement en quelques points. Dans le présent chapitre, le problème
AC
consiste à obtenir des approximations des différentes dérivées de cette fonction de même que
Rx
de: x0n f (x)dx
On parle alors de dérivation numérique et d’intégration numérique. On fait face à ce type
EP
de problèmes lorsque, par exemple, on connaît la position d’une particule à intervalles de temps
réguliers et que l’on souhaite obtenir sa vitesse. On doit alors effectuer la dérivée de la position
connue seulement en quelques points. De même, l’accélération de cette particule nécessite le
calcul de la dérivée seconde.
Si, à l’inverse, on connaît la vitesse d’une particule à certains intervalles de temps, on obtient
la distance parcourue en intégrant la vitesse dans l’intervalle [x0 , x =n ].
Nous avons vu au chapitre précédent que la fonction f (x) peut être convenablement estimée
à l’aide d’un polynôme de degré n avec une certaine erreur. En termes concis:
f (x) = pn (x) + En (x) (6.1)
où En (x) est le terme d’erreur d’ordre (n + 1) donné dans le chapitre précédant. L’expression
(6.1) est à la base des développements de ce chapitre.

Différentiation numérique 88
6.2 Différentiation numérique

On peut aborder la différentiation numérique d’au moins deux façons. La première approche
consiste à utiliser le développement de Taylor et la seconde est fondée sur l’égalité (6.1). Nous
utiliserons un mélange des deux approches, ce qui nous permettra d’avoir un portrait assez
complet de la situation. Commençons d’abord par l’équation (6.1). Si l’on dérive de chaque
côté de l’égalité, on obtient successivement :
0 0 0
f (x) = pn (x) + En (x)
00 00 00
f (x) = pn (x) + En (x)
000 000 000
f (x) = pn (x) + En (x) (6.2)
Ainsi, pour évaluer la dérivée d’une fonction connue aux points ((xi , f (xi )) pour i =
0, 1, 2, · · · , n), il suffit de dériver le polynôme d’interpolation passant par ces points. De plus,
le terme d’erreur associé à cette approximation de la dérivée est tout simplement la dérivée de
l’erreur d’interpolation. Ce résultat est vrai quel que soit l’ordre de la dérivée.
AC
Remarque 6.1
Bien qu’en théorie on soit en mesure d’estimer les dérivées de tout ordre, sur le plan pratique,
EP
on dépasse rarement l’ordre 4. Cela s’explique par le fait que la différentiation numérique est
un procédé numériquement instable.
6.2.1 Dérivées d’ordre 1
Commençons par faire l’approximation des dérivées d’ordre 1, ce qui revient à évaluer la pente de
la fonction f (x). Tout comme pour l’interpolation, nous avons le choix entre plusieurs polynômes
de degré plus ou moins élevé. De ce choix dépendent l’ordre et la précision de l’approximation.
Nous avons rencontré un problème semblable dans le cas de l’interpolation: si un polynôme de
degré n est utilisé, on obtient une approximation d’ordre (n + 1) de la fonction f (x).
Il est également utile de se rappeler que l’erreur d’interpolation s’écrit :
f (n+1) (ξ(x))
En (x) = [(x − x0 )(x − x1 ) · · · (x − xn )] (6.3)
(n + 1)!
pour un certain Î¾ compris dans l’intervalle [x0 , xn ]. En dérivant l’expression précédente, tout
en tenant compte de la dépendance de ξ envers x, on obtient une relation pour la dérivée de

l’erreur d’interpolation:
0
0 f (n+2) (ξ(x))ξ (x)
En (x) = [(x − x0 )(x − x1 ) · · · (x − xn )]
(n + 1)!
f (n+1) (ξ(x)) 0
+ [(x − x0 )(x − x1 ) · · · (x − xn )] (6.4)
(n + 1)!
La dérivée du produit apparaissant dans le deuxième terme de droite est plus délicate.
Cette dérivée débouche sur une somme de produits où, tour à tour, l’un des facteurs (x − xi )
est manquant. Il est facile de se convaincre, en reprenant ce développement avec n = 2 par
exemple, que l’on obtient :
0
0 f (n+2) (ξ(x))ξ (x)
En (x) = [(x − x0 )(x − x1 ) · · · (x − xn )]
(n + 1)!
 
(n+1) n n
f (ξ(x))  X Y
+ (x − xj ) (6.5)
(n + 1)! k=0 j=0(j6=k)
On peut simplifier cette expression quelque peu complexe en choisissant l’un ou l’autre des
AC
points d’interpolation. En effet, en x = xi , le premier terme de droite s’annule, faisant dis-
paraître la dérivée de ξ(x), qui est inconnue. De la somme, il ne reste qu’un seul terme puisque
EP
tous les autres contiennent un facteur (x − xi ) et s’annulent. Il reste:
 
(n+1) n
0 f (ξ(xi ))  Y
En (x) = (x − xj ) (6.6)
(n + 1)!
j=0(j6=k)
Si l’on suppose de plus que les xi sont également distancés, c’est-à-dire:
xi+1 − xi = h (6.7)
ce qui signifie que xi − xj = (i − j)h, on obtient

 
(n+1) n n
0 f (ξi )h  Y
En (xi ) = (i − j) (6.8)
(n + 1)!
j=0(j6=k)
où ξi est simplement une notation différente de ξ(xi ). En particulier, si i = 0, on trouve:

  !
(n+1) n n (n+1) n n
0 f (ξ0 )h  Y f (ξ0 )h Y
En (x0 ) = (−j) = (−j) (6.9)
(n + 1)! (n + 1)! j=1
j=0(j6=k)

c’est-à-dire :
0 (−1)n hn f (n+1) (ξ0 )

En (x0 ) = (6.10)
(n + 1)!
pour un certain ξ0 compris dans l’intervalle [x0 , xn ].
Remarque 6.2
L’équation 6.5 montre que, si l’on utilise un polynôme d’interpolation de degré n (c’est-à-
dire d’ordre (n + 1)), la dérivée de ce polynôme évaluée en x = xi est une approximation d’ordre
0
n de f (xi ).
Définition 6.3 Aux points d’interpolation, on a:
0 0 0
f (xi ) = p n(xi ) + En (xi ) (6.11)
0
Le terme pn (xi ) dans l’équation (6.11) est une formule aux différences finies ou plus simplement
une formule aux différences.
AC
Exercice 6.4
Si l’on choisit le polynôme de degré 1 passant par les points (x0 , f (x0 )) et (x1 , f (x1 )), on a,
EP
grâce à la formule d’interpolation de Newton:
p1 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) (6.12)
et donc:
0 0 0 0
f (x) = p1 (x) + E1 (x) = f [x0 , x1 ] + E1 (x) (6.13)
En vertu de la relation (6.10) avec n = 1 et puisque (x1 − x0 ) = h, on arrive à:
0 f (x1 ) − f (x0 ) 0 f (x) − f (x0 ) (1)1 h1 f 2 (ξ0 )

f (x) = + E1 (x0 ) = + (6.14)
h h 2
qui peut encore s’écrire:
0 f (x1 ) − f (x0 ) hf 2 (ξ0 )

f (x0 ) = − pour ξ1 ∈ [x0 , x1 ] (6.15)
h 2
qui est la différence avant d’ordre 1. On l’appelle différence avant car, pour évaluer la dérivée
en x = x0 , on cherche de l’information vers l’avant (en x = x1 ).

De la même manière, si l’on évalue l’équation (6.13) en x = x1 , la relation (6.8) avec (i = 1)

donne:
0 f (x1 ) − f (x0 ) 0
f (x1 ) = + E1 (x1 )
x 1 − x0
 
1 2 1
f (x1 ) − f (x0 ) h f (ξ1 )  Y
= + (1 − j) (6.16)
h 2!
j=0(j6=1)
ou encore:
0 f (x1 ) − f (x0 ) hf 2 (ξ1 )
f (x1 ) = + pour ξ1 ∈ [x0 , x1 ] (6.17)
h 2
qui est la différence arrière d’ordre 1.
On constate ainsi que la même différence divisée est une approximation de la dérivée à la
fois en x = x0 et en x = x1 . On remarque cependant que le terme d’erreur est différent aux
deux endroits.
Exercice 6.5
Passons maintenant aux polynômes de degré 2. Soit les points (x0 , f (x0 )), (x1 , f (x1 )) et
AC
(x2 , f (x2 )). Le polynôme de degré 2 passant par ces trois points est:
p2 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x − 0)(x − x1 ) (6.18)

EP
dont la dérivée est:

0
p2 (x) = f [x0 , x1 ] + f [x0 , x1 , x2 ](2x − (x0 + x1 )) (6.19)
Lorsque x prend successivement les valeurs x0 , x1 et x2 , il est facile de montrer que l’on obtient
des approximations d’ordre 2 de la dérivée.
On peut aussi convenir de toujours évaluer la dérivée en x. Dans ce cas, on utilise les valeurs
de f (x + h) et de f (x + 2h) pour la différence avant et les valeurs de f (x + h) et de f (x − h)
pour la différence centrée. En ce qui concerne le terme d’erreur, on ne retient que son ordre.
Les tableaux suivants résument la situation.

AC
6.2.2 Dérivées d’ordre supérieur
Reprenons le polynôme de degré 2 déjà utilisé pour calculer la dérivée première. Ce polynôme
EP
s’écrit:
et sa dérivée seconde est :
00 f (x2 ) − 2f (x1 ) + f (x0 )

p2 (x) = 2f [x0 , x1 , x2 ] = (6.21)
h2
00
qui constitue une approximation de la dérivée seconde f (x) partout dans l’intervalle [x0 , x2 ].
Il reste à en déterminer l’ordre. Cet ordre dépend du point retenu pour l’approximation.
-Premier cas: On fait l’approximation de la dérivée en x0 .
L’équation 6.14 peut alors s’écrire:
00 00 f (x0 + 2h) − 2f f (x0 + h) + f (x0 )

f (x0 ) ' p2 (x0 ) = (6.22)
h2
On remarque immédiatement qu’il s’agit d’une formule aux différences avant. Pour déterminer
l’ordre de l’erreur liée à cette approximation, on utilise le développement de Taylor. Dans un
premier temps, on a:

Extrapolation de Richardson 93
AC
Pour terminer, nous démontrons que la différentiation est un procédé numériquement in-
EP
stable. Toutes les formules de différences finies dépendent d’un paramètre h qui est la distance
entre les points d’interpolation. On pourrait croire, de façon intuitive, que la précision du résul-
tat augmente à mesure que diminue la valeur de h. Dans le cas de la différentiation numérique,
il y a une limite aux valeurs de h qui peuvent être utilisées. En effet, si l’on prend, par exemple,
une différence centrée pour estimer la dérivée première, c’est-à-dire :
0 f (x0 + h) − f (x0 − h)
f (x0 ) ' (6.23)
2h
on constate que, lorsque h tend vers 0, le numérateur contient la soustraction de deux termes
très proches l’un de l’autre.
6.3 Extrapolation de Richardson

La méthode d’extrapolation de Richardson est valable non seulement pour la différentiation et
l’intégration numériques, mais aussi pour l’interpolation, la résolution numérique des équations
différentielles, etc. Cette technique permet d’augmenter la précision d’une méthode d’approximation
par une technique d’extrapolation que nous décrivons dans cette section. Prenons comme point

de départ une approximation numérique, notée Qapp (h), d’une certaine quantité exacte Qexa
inconnue. L’approximation numérique dé- pend d’un paramètre h, comme c’est souvent le cas.
Généralement, plus h est petit, plus l’approximation est précise. On suppose de plus que cette
approximation est d’ordre n, c’est-à-dire :
Qexa = Qapp (h) + O(hn ) (6.24)
La notation O(hn ) signifie en fait que l’on a:
Qexa = Qapp (h) + cn hn + cn+1 hn+1 + cn+2 hn+2 + · · · (6.25)
où les constantes cn dépendent de la méthode numérique utilisée. La technique d’extrapolation

de Richardson consiste à obtenir, à partir de l’approximation (6.25) d’ordre n, une nouvelle
approximation d’ordre au moins (n + 1). Pour ce faire, il suffit de remplacer h par h/2 dans
l’équation (6.25), ce qui conduit à la relation:
Qexa = Qapp (h/2) + cn (h/2)n + cn+1 (h/2)n+1 + cn+2 (h/2)n+2 + · · · (6.26)
L’approximation Qapp (h/2) est généralement plus précise que Qapp (h). On peut cependant se
AC
servir de ces deux approximations pour en obtenir une nouvelle, encore plus précise. L’idée
consiste à combiner les relations (6.25) et (6.26) de telle sorte que le terme d’ordre n(cn hn )
disparaisse. Cela est possible si l’on multiplie l’équation (6.26) par 2n pour obtenir:
EP
2Qexa = 2Qapp (h/2) + cn hn + cn+1 (hn+1 /2) + cn+2 (hn+2 /22 ) + · · · (6.27)
En soustrayant l’énoncé (6.25) de cette dernière relation, on obtient:
(2n − 1)Qexa = 2n Qapp (h/2) − Qapp (h) − (1/2)cn+1 hn+1 − (3/2)cn+2 hn+2 + · · · (6.28)
d’où
2n Qapp (h/2) − Qapp(h) −(1/2)cc+1 hn+1 − (3/4)cn+2 hn+2 + · · ·
Qexa = + (6.29)
(2n − 1) (2n − 1)
qui s’écrit plus simplement:
2n Qapp (h/2) − Qapp(h)
Qexa = + O(hn+1 ) (6.30)
(2n − 1)
L’expression de droite est donc une approximation d’ordre au moins (n+1) de Qexa . L’extrapolation
de Richardson permet donc de gagner au moins un ordre de convergence. En fait, on peut en
gagner davantage si, par exemple, on a cn+1 = 0 dès le départ. Dans ce cas, la nouvelle approx-
imation est d’ordre (n + 2).
Exercice 6.6
En utilisant une différence avant d’ordre 1 pour calculer la dérivée de ex en x = 0 on obtient

Solution
• Pour h = 0, 01
0 e0+h − e0 e0,1 − 1
f (0) ' = = 1, 05170918 = Qapp (0, 1) (6.31)
h 0, 1
• Pour h = 0, 05
0 e0,05 − 1
f (0) ' = 1, 0254219 = Qapp (0, 05) (6.32)
0, 05
On peut maintenant faire le calcul à l’aide de l’équation (6.29) avec n = 1:

0 21 Qapp (0, 05) − Qapp (0, 1)
f (0) ' = (2)(1, 0254219) − 1, 05170918 = 0, 99913462 (6.33)
21 − 1
0
qui est une approximation d’ordre 2 et donc plus précise de f (0). De même, si l’on utilise une
différence centrée d’ordre 2, on obtient pour h = 0, 05:
s0,05 − e−0,05
AC
0
f (0) ' = 1, 0004167 (6.34)
2(0, 05)
et avec h = 0, 025:
s0,025 − e−0,025
EP
0
f (0) ' = 1, 00010418 (6.35)
2(0, 025)
Dans ce cas, l’extrapolation de Richardson permet de gagner 2 ordres de précision puisque
seules les puissances paires de h apparaissent dans le terme d’erreur (voir les exercices de fin
de chapitre). Plus précisément, on a :
000
f (x + h) − f (x − h) 0 f (x)h2 f (5) (x)h4
= f (x) + + + O(h6 ) (6.36)
2h 3! 5!
La différence centrée étant d’ordre 2, l’extrapolation de Richardson avec n = 2 donne:
0 22 Qapp (0, 025) − Qapp (0, 05)
f (0) '
22 − 1
(4)(1, 00010418) − 1, 0004167
= = 1, 000000007 (6.37)
3
qui est une approximation d’ordre 4 de la solution exacte.
Remarque 6.7
Des exemples précédents, on conclut qu’il vaut mieux éviter d’utiliser des valeurs de h très
petites pour calculer une dérivée à l’aide d’une formule de différences finies. Il est en effet
préférable de choisir une valeur de h pas trop petite et de faire des extrapolations de Richardson.

Intégration numérique 96
6.4 Intégration numérique

L’intégration numérique est basée principalement sur la relation :
Z x1 Z xn Z xn
f (x))dx = pn (x))dx + En (x))dx (6.38)
x0 x0 x0
où pn (x) est un polynôme d’interpolation et En (x) est l’erreur qui y est associée. En faisant
varier la valeur de n, on obtient les formules de Newton-Cotes. En principe, plus n est élevé,
plus grande est la précision liée à la valeur de l’intégrale recherchée. En pratique cependant, on
emploie rarement des valeurs de n ≤ 4.
Par ailleurs, l’extrapolation de Richardson, alliée judicieusement à l’une des formules de
Newton-Cotes, conduit à la méthode de Romberg, l’une des techniques d’intégration numérique
les plus précises.
6.4.1 Formules de Newton-Cotes simples et composées

AC
Méthode des trapèzes
Commençons par la méthode la plus simple. On souhaite évaluer:

Z x1
(6.39)
EP
f (x))dx
x0
où f (x) est une fonction connue seulement en deux points ou encore une fonction n’ayant pas de
primitive. La solution qui vient tout de suite à l’esprit consiste à remplacer f (x) par le polynôme
de degré 1 passant par les points (x0 , f (x0 )) et (x1 , f (x1 )) comme l’illustre la figure suivante La
valeur approximative de l’intégrale correspond à l’aire sous la courbe du polynôme. Cette aire

forme un trapèze qui donne son nom à la méthode du trapèze. Evidemment, l’approximation
est grossière et l’on peut d’ores et déjà soupçonner que le résultat sera peu précis. En utilisant
le polynôme de Newton on :
Z x1 Z xn Z x1
f (x))dx = p1 (x))dx + E1 (x))dx
x0 x0 x0
Z x1
= {f (x0 ) + f [x0 , x1 ](x − x0 )}dx
x0
Z x1 00
f (ξ(x))
+ (x − x0 )(x − x1 )dx (6.40)
x0 2!
ce qui peut également s’écrire, si l’on intègre le polynôme:
Z x1
x1 − x 0
f (x))dx = (f (x0 ) + f (x1 ))
x0 2
Z x1 00
f (ξ(x))
+ (x − x0 )(x − x1 )dx (6.41)
x0 2!
Le premier terme de droite n’est rien d’autre que l’aire du trapèze de la figure (6.4.1),
tandis que le deuxième terme est l’erreur commise. Si les abscisses sont équivalentes, on pose
x − x0
AC
s= (6.42)
h
d’où l’on tire que (x − xi ) = (s − i)h et que dx = hds. Le terme d’erreur devient
Z x1 00 Z x1 00
f (ξ(x)) f (ξ(x))
(x − x0 )(x − x1 )dx = s(s − 1)h3 ds (6.43)
EP
x0 2! x0 2!
On peut encore simplifier cette expression en faisant appel au second théorème de la moyenne.
Théorème 6.8
Soit f1 (x), une fonction continue dans l’intervalle [a, b] et f2 (x), une fonction intégrable qui
ne change pas de signe dans l’intervalle [a, b]. Il existe alors η ∈ [a, b] tel que:
Z b Z b
f1 (x)f2 (x)dx = f1 (η) f2 (x)dx (6.44)
a a
Comme la fonction (s(s − 1)) ne change pas de signe dans [0, 1], on peut mettre à profit ce
théorème, ce qui donne:
Z x1 00 00 00
f (η) 3 1
Z
f (ξ(x)) f (η) 3
3
s(s − 1)h ds = h s(s − 1)ds = − h. (6.45)
x0 2! 2! 0 12
La méthode du trapèze se résume donc à l’égalité :
Z x1 00
h f (η) 3
f (x)dx = [f (x0 ) − f (x1 )] − h pour η ∈ [x0 , x1 ] (6.46)
x0 2 12
La méthode du trapèze demeure peu précise, comme en témoigne l’exemple suivant.
Exercice 6.9
R π/2
Evaluer numériquement par par la méthode du trapèze 0
sin xdx

Solution
analytiquement on a:
Z π/2
π/2
J = sin xdx = [− cos x]0
0
π
= − cos + cos 0 = 0 + 1
2
= 1 (6.47)
Par la méthode numérique, on obtient:
h
J≈ [f (x0 ) + f (x1 )]
2
π π
h= −0=
2 2
h π π
J ≈ (sin 0 + sin ) = (0 + 1) ≈ 0, 785398164 (6.48)
2 2 4
qui est une piètre approximation de la valeur exacte 1. Ce résultat peu impressionnant vient
du fait que l’on approche la fonction sin x dans l’intervalle [0, π/2] au moyen d’un polynôme de
AC
degré 1.
Une meilleure stratégie consiste à décomposer l’intervalle où l’on doit faire l’intégration, soit
l’intervalle [a, b], en n sous-intervalles de longueur
EP
b−a
h= (6.49)
n
Les différents points engendrés sont notés xi pour i = 0, 1, 2, · · · , n. Les valeurs aux ex-
trémités sont a = x0 et b = xn . Dans chaque sous intervalle [xi , xi+1 ], on peut utiliser la

méthode du trapèze. On a alors:

Z b n−1 Z xi+1 n−1
X X h
f (x)dx = f (x)dx ≈ [f (xi ) + f (xi+1 ] (6.50)
a i=0 xi i=0
2
h
= ([f (x0 ) + f (x1 )] + [f (x1 ) + f (x2 )] + · · ·
2
+[f (xn−2 ) + f (xn−1 )] + [f (xn−1 ) + f (xn )]) (6.51)
On remarque que tous les termes f (xi ) sont répétés deux fois, sauf le premier et le dernier. On
en conclut que:
Z b
h
f (x)dx ≈ (f (x0 ) + 2[f (x1 ) + f (x2 ) + · · · + f (xn−1 )] + f (xn )) (6.52)
a 2
qui est la formule des trapèzes composée. Qu’en est-il du terme d’erreur ? Dans chacun des n
sous-intervalles [xi , xi+1 ], on commet une erreur liée à la méthode du trapèze. Puisque:
b−a b−a
h= et donc n = (6.53)
n h
l’erreur totale commise est :
AC
00 00
f (η) 3 b − a f (η) 3 b − a 00
n − h =− h =− f (η)h2 (6.54)
12 h 12 12
Remarque 6.10
EP
Le raisonnement précédent n’est pas parfaitement rigoureux, même si le résultat final est
juste. En effet, dans chaque sous-intervalle [xi , xi+1 ], l’erreur liée à la méthode du trapèze sim-
00
ple devrait faire intervenir f (ηi ), c’est-à-dire une valeur de η différente pour chaque sous-
intervalle. Un autre théorème de la moyenne est alors nécessaire pour conclure, l’erreur globale
étant donnée par:
b − a 00
− f (η)h2 pour η ∈ [a, b] (6.55)
12
la méthode des trapèzes composée est d’ordre 2.
Exercice 6.11
R π/2
Evaluer numériquement par la méthode des trapèzes composés l’intégrale suivante: 0
sin xdx
Solution
π
−0
Soit d’abord 4 intervalles de longueur: h = 2 4 = π8 . On a alors:
Z π/2
π
sin xdx ≈ [sin 0 + 2 (sin(π/2) + sin(π/4) + sin(3π/8)) + sin(π/2)] ≈ 0, 9871158 (6.56)
0 8

soit une erreur absolue d’environ 0, 01288(1 − 0, 9967852) par rapport à la solution exacte. On
constate une nette amélioration en comparaison du résultat obtenu avec un seul intervalle. Il
est intéressant de refaire ce calcul avec 8 intervalles. Pour la valeur de h = π/16 et l’on a:
Z π/2 π
sin xdx ≈ 16 (sin 0 + 2 [sin(π/16) + sin(π/8) + sin(3π/16) (6.57)
0 2
+ sin(π/4) + sin(5π/16) + sin(3π/8) + sin(7π/16)] + sin(π/2)) = 0, 9967852
L’erreur absolue a été réduite à 0, 0032(|1 − 0, 9967852|). En faisant le rapport des erreurs
absolues, on peut connaître l’ordre de la méthode: 0,01288
0,0032
≈ 4, 025 ≈ 22 ce qui confirme que cette
méthode est d’ordre 2. On peut de plus utiliser l’extrapolation de Richardson pour améliorer
la précision de ces deux résultats.
2n Qapp (h/2) − Qapp

Qexa = (6.58)
2n − 1
Z π/2
22 (0, 9967852) − 0, 9871158
sin xdx ≈ = 1, 00000833 (6.59)
0 22 − 1
ce qui s’approche de plus en plus de la valeur exacte. Comme il sera démontré un peu plus loin,
AC
il s’agit en fait d’une approximation d’ordre 4.
Remarque 6.12
EP
1. La méthode du trapèze avec un seul intervalle est également connue sous le nom de méthode
des trapèzes simple.
2. La méthode des trapèzes composée est d’ordre 2. La méthode des trapèzes simple, bien que
d’ordre 3, est rarement utilisée, car elle est trop imprécise.
3. La méthode des trapèzes composée donne un résultat exact si la fonction f (x) est un
polynôme de degré inférieur ou égal à 1. Cela s’explique par la présence de la dérivée
seconde de f (x) dans le terme d’erreur: celle-ci s’annule dans le cas de polynômes de
degré 1.
Définition 6.13
1. Les formules d’intégration numérique sont également appelées formules de quadrature.
2. Le degré d’exactitude ou encore le degré de précision d’une formule de quadrature est le

plus grand entier n pour lequel la formule de quadrature est exacte pour tout polynôme de
degré inférieur ou égal à n.
Le degré d’exactitude de la formule des trapèzes est 1.

Méthode de SIMPSON(Formule de Simpson 1/3)
Reprenons le raisonnement utilisé avec la méthode des trapèzes, mais cette fois en utilisant un
polynôme de degré 2 dont la courbe passe par les points (x0 , f (x0 )), (x1 , f (x1 )) et (x2 , f (x2 )).
Ce polynôme est donné par la formule de Newton:
On se sert ensuite de l’approximation:

Z x2 Z x2
f (x)dx ' p2 (x)dx
x0 x0
Z x2
{f (x0 ) + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 )}dx (6.61)
x0
En considérant le cas où les abscisses sont également distancées

x − x0
s= ⇒ (x − xi ) = (s − si )h (6.62)
h
Et on a la formule
Z 2
(f (x0 ) + f [x0 , x1 ]hs + f [x0 , x1 , x2 ]h2 s(s − 1)hds
AC
0
h
(f (x0 ) + 4f (x1 ) + f (x2 )) (6.63)
2
où l’on a remplacé les différences divisées par leur valeur respective:
EP
f (x1 ) − f (x0 ) f (x2 ) − 2f (x1 ) + f (x0 )

f [x0 , x1 ] = et f [x0 , x1 , x2 ] = (6.64)
h 2h2
En résumé, on a:
Z x2
h
f (x)dx ' (f (x0 ) + 4f (x1 ) + f (x2 )) (6.65)
x0 3
qui est la formule de Simpson 1/3 simple. Cette terminologie est due au facteur de 1/3 qui
multiplie h.
L’analyse du terme d’erreur donne:
f (4) (η) 5
− h avec η ∈ [x0 , x2 ] (6.66)
90
d’où
x2
f (4) (η) 5
Z
h
f (x)dx ' (f (x0 ) + 4f (x1 ) + f (x2 )) − h avec η ∈ [x0 , x2 ] (6.67)
x0 3 90
NB: La valeur de h exprime toujours la distance entre les points xi , c’est-à-dire qu’elle
équivaut dans ce cas à la longueur de l’intervalle divisée par 2. La méthode de Simpson 1/3
simple est peu précise, tout comme la méthode du trapèze.

Exercice 6.14
R π/2
Evaluer numériquement par la méthode de Simpson 1/3 simple l’intégrale 0
sin xdx
Solution
Déterminons h
1 π/2 − 0 π π 1 π π
h= = = et x0 = 0, x1 = × = , x2 = (6.68)
2 2 2 2 2 4 2
Z π/0
h
sin xdx ' [f (x0 ) + 4f (x1 ) + f (x2 )]
0 3
π/4
≈ (sin 0 + 4 sin(π/4) + sin(π/2)) ≈ 1, 0022799 (6.69)
3
Ce résultat est plus précis que l’approximation obtenue par la méthode du trapèze simple, mais
il demeure peu satisfaisant.
On peut encore une fois améliorer la précision de la formule de Simpson 1/3 en la composant.
Puisque la méthode simple requiert deux intervalles, il semble souhaitable de diviser l’intervalle
AC
d’intégration [a, b] en 2n sous-intervalles et d’utiliser la méthode de Simpson 1/3 simple dans
chaque paire de sous-intervalle. On a alors:
EP
Z b
h
f (x)dx =[f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + 2f (x4 ) + · · · + 4f (x2n−3 ) +
a 3
b − a (4)
2f (x2n−2 ) + 4f (x2n−1 ) + f (x2n )] − f (η)h4 , pour η ∈ [a, b] (6.70)
180
C’est la formule de Simpson 1/3 composée.
Exercice 6.15
Evaluer par la méthode de Simpson 1/3 composée l’intégrale:
Z π/2
sin xdx (6.71)
0
Comparer le résultat obtenu à celui de la méthode des trapèzes composée.
Solution
On divise l’intervalle [0, π/2] en 4 sous-intervalles de longueur h = π/8. On a
Z π/2
π/8
sin xdx ' (sin 0 + 4 sin(π/8) + 2 sin(π/4) + 4 sin(3π/8) + sin(π/2)) (6.72)
0 3
= 1, 0001346

Pour une quantité de travail similaire, on obtient une précision supérieure à celle de la méthode
des trapèzes. Avec 8 sous-intervalles de longueur π/16, on a:
Z π/2
π/16
sin xdx ' (sin 0 + 4 sin(π/16) + 2 sin(π/8) + 4 sin(3π/16) + 2 sin(π/4) +
0 3
2 sin(π/4) + 4 sin(5π/16) + 2 sin(3π/8) + 4 sin(7π/16) + sin(π/2))
= 1, 000008296 (6.73)
Cette plus grande précision vient du fait que cette méthode est d’ordre 4. On constate qu’en
passant de 4 à 8 intervalles (c’est-à-dire en divisant h par 2) on divise l’erreur par un fac-
teur d’environ 16,22, ce qui confirme l’ordre 4 de la méthode. On peut également utiliser
l’extrapolation de Richardson avec n = 4 à partir de ces deux valeurs. On obtient ainsi
l’approximation:
24 (1, 000008296) − 1, 0001346

= 0, 999999876 (6.74)
24 − 1
qui est d’ordre au moins 5. On verra plus loin qu’elle est en fait d’ordre 6.
AC
Méthode de Romberg
La méthode de Romberg est une méthode d’intégration qui permet d’atteindre des résultats
EP
très précis. Elle est basée sur une utilisation très astucieuse de la méthode des trapèzes composée
(d’ordre 2) et de la technique d’extrapolation de Richardson.
Dans un premier temps, introduisons quelques notations. On note T1,i le résultat obtenu à
l’aide de la méthode des trapèzes composée avec 2i−1 intervalles. Les T1,i sont des approxima-
tions d’ordre 2. Pour passer de T1,i à T1,i+1 , on doit doubler le nombre de sous-intervalles, ce
qui revient à diviser la valeur de h par deux. Au moyen de l’extrapolation de Richardson avec
n = 2, on définit alors:
22 T1,i+1 − T1,i
T2,i = (6.75)
22 − 1
et les T2,i sont des approximations d’ordre 4. On pose ensuite successivement:
24 T2,i+1 − T2,i 26 T3,i+1 − T3,i

T3,i = T4,i =
24 − 1 26 − 1
8 1
2 T4,i+1 − T4,i 2 0T5,i+1 − T5,i
T5,i = 8
T6,i = (6.76)
2 −1 210 − 1
et ainsi de suite, ce qui définit un tableau triangulaire de la forme :

Chaque ligne de ce triangle est de deux ordres de convergence plus précis que la ligne
précédente. La première ligne est tout simplement constituée des approximations obtenues à
l’aide de la méthode des trapèzes composée avec 1, 2, 4, 8, 16 · · · intervalles. Pour passer d’une
ligne à l’autre, on utilise l’extrapolation de Richardson par le biais des relations (6.75) et
(6.76).
Remarque 6.16
AC
On peut montrer (voir les exercices de fin de chapitre) que la deuxième ligne de ce tableau
n’est autre que le résultat de la méthode de Simpson 1/3 avec respectivement 2, 4, 8 · · · inter-
valles. On pourrait donc éliminer la première ligne et commencer directement avec la méthode
EP
de Simpson.
Exercice 6.17
Soit une fonction f (x) connue seulement pour quelques valeurs de x.
R1
Evaluer l’intégrale 0
f (x)dx à l’aide de la méthode de Romberg.

Solution
Puisqu’il y a en tout 5 points, on peut utiliser la méthode des trapèzes composée avec 1, 2 et
4 intervalles seulement. On a respectivement:
1 1
T1,1 = [f (0, 0) + f (1, 0)] = (0, 3989 + 0, 2420) = 0, 32045
2 2
0, 5
T1,2 = (0, 3989 + 2(0, 3521) + 0, 2420) = 0, 336275
2
1/4
T1,3 = (0, 3989 + 2(0, 3867 + 0, 3521 + 0, 3011) + 0, 2420) = 0, 3400875 (6.77)
2
On peut dès lors remplir la première ligne du tableau de la méthode de Romberg.
Les autres lignes du tableau sont tirées elles aussi des relations (6.75) et (6.76) :
AC
22 T1,2 − T1,1 (22 )(0, 3400875) − 0, 336275
T2,1 = = = 0, 3415500
22 − 1 22 − 1
22 T1,3 − T1,2 (22 )(0, 3413583) − 0, 341550
T2,2 = = = 0, 3413583
23 − 1 22 − 1
EP
24 T2,2 − T2,1 (24 )((0, 3413583) − 0, 341550

T3,1 = = = 0, 3413456 (6.78)
24 − 1 24 − 1
On obtient ainsi une approximation d’ordre 6 de l’intégrale.
Remarque 6.18
Dans le cas d’une fonction connue seulement en certains points, comme dans l’exemple
précédent, le nombre de points doit être de la forme 2n + 1 pour que la méthode de Romberg
puisse s’appliquer. En effet, il faut que le nombre de sous-intervalles soit une puissance de 2.
Dans l’exemple précédent, on avait 22 + 1 points et 4 intervalles.
Exercice 6.19
A partir du polynôme de degré 2 passant par les points (x0 , f (x0 )), (x1 , f (x1 )) et (x2 , f (x2 )),
0
obtenir les formules aux différences avant, centrée et arrière d’ordre 2 pour le calcul de f (x).
Exercice 6.20
Evaluer la dérivée de f (x) = ex en x = 0 à l’aide des différences avant et arrière d’ordre
2. Prendre h = 0, 05 et h = 0, 025 et calculer le rapport des erreurs commises. Obtenir une
0
approximation encore plus précise de f (0) à l’aide de l’extrapolation de Richardson.

Exercice 6.21
A l’aide des développements de Taylor appropriés, obtenir l’expression du terme d’erreur
0
lié à la différence centrée d’ordre 2 permettant de faire l’approximation de f (x). Montrer que
ce terme d’erreur ne fait intervenir que les puissances paires de h. Que conclure au sujet de
l’extrapolation de Richardson dans ce cas ?
Exercice 6.22
Un polynôme p(x) de degré 2 est tel que p(0) = 1, p(1) = 7 et p(2) = 17.
0
1. Calculer p (1) exactement sans calculer p(x).
00
2. Pouvez-vous faire de même pour calculer p (1) où x est arbitraire ?
3. Déterminer p(x) par la méthode de votre choix et comparer sa dérivée en x = 1 avec la

valeur trouvée en 1).
Exercice 6.23
AC
Obtenir la formule de différence centrée d’ordre 4 permettant de faire l’approximation de
00
p (1)). Bien identifier le polynôme d’interpolation qui est nécessaire.
EP
Exercice 6.24
Intégrer les polynômes de degré 1, 2 et 3 respectivement permettant d’obtenir les formules
du trapèze simple, de Simpson 1/3 simple et de Simpson 3/8 simple. Bien préciser l’intervalle
x−x0
sur lequel porte l’intégration et utiliser le changement de variable s = h
Exercice 6.25
Intégrer la fonction f (x) = ex dans l’intervalle [0, 1] en utilisant la méthode des trapèzes
composée avec 4 puis avec 8 intervalles. Utiliser l’extrapolation de Richardson avec les deux
valeurs obtenues pour atteindre une valeur plus précise. Quel est l’ordre de cette nouvelle ap-
proximation ?
Comparer les résultats avec la valeur exacte.
Exercice 6.26
Refaire le même exercice en utilisant cette fois la méthode de Simpson 1/3 composée.
Exercice 6.27
Soit la fonction suivante.
R1
Evaluer 0 f (x)dx à l’aide de la méthode de Romberg.

Exercice 6.28
R1 dx
On considère 0 1+x
1. Donner la valeur exacte de cette intégrale.
2. Calculer les valeurs de T1,i jusqu’à ce que:
|T1,i+1 − T1,i |
< 0, 005 (6.79)
T1,i+1
3. A partir des résultats obtenus en 2), déterminer la valeur de l’intégrale à l’aide de la

méthode de Romberg.
4. Sans faire de calculs supplémentaires, donner le résultat que l’on obtiendrait à l’aide de
AC
la méthode de Simpson 1/3 avec 8 intervalles.
Exercice 6.29
EP
R2
Utiliser une méthode numérique pour évaluer 0
ln xdx

Chapitre Sept
Résolutions des équations

différentielles
7.1 introduction
La résolution numérique des équations différentielles est probablement le domaine de l’analyse
numérique où les applications sont les plus nombreuses. Que ce soit en mécanique des fluides, en
transfert de chaleur ou en analyse de structures, on aboutit souvent à la résolution d’équations
AC
différentielles, de systèmes d’équations différentielles ou plus généralement d’équations aux
dérivées partielles.
Soit une équation différentielle d’ordre 1 avec condition initiale. La tâche consiste à déter-
EP
miner une fonction y(t) solution de :


y 0 (t) = f (t, y(t))

(7.1)
y(t0 ) = y0

La variable indépendante t représente très souvent (mais pas toujours) le temps. La variable
dépendante est notée y et dépend bien sûr de t. La fonction f est pour le moment une fonction
quelconque de deux variables que nous supposons suffisamment différentiable. La condition
y(t0 ) = y0 est la condition initiale et en quelque sorte l’état de la solution au moment où l’on
commence à s’y intéresser. Il s’agit d’obtenir y(t) pour t ≥ t0 , si l’on cherche une solution
analytique, ou une approximation de y(t), si l’on utilise une méthode numérique.
Dans ce chapitre comme dans les précédents, les diverses méthodes de résolution proposées
sont d’autant plus précises qu’elles sont d’ordre élevé. Nous amorçons l’exposé par des méth-
odes relativement simples ayant une interprétation géométrique. Elles nous conduiront progres-
sivement à des méthodes plus complexes telles les méthodes de Runge-Kutta d’ordre 4, qui
permettent d’obtenir des résultats d’une grande précision. Nous considérons principalement les

Méthode d’Euler explicite 109
équations différentielles avec conditions initiales, mais nous ferons une brève incursion du côté
des équations différentielles avec conditions aux limites par le biais des méthodes de tir et de
différences finies.
7.2 Méthode d’Euler explicite

La méthode d’Euler explicite est de loin la méthode la plus simple de résolution numérique
d’équations différentielles ordinaires. Elle possède une belle interprétation géométrique et son
emploi est facile. Toutefois, elle est relativement peu utilisée en raison de sa faible précision. On
la qualifie d’explicite car car elle ne nécessite pas de résolution d’équation non linéaire contraire-
ment à la méthode d’Euler dite implicite que nous verrons plus loin
Reprenons l’équation différentielle (7.1) et considérons plus attentivement la condition
initiale y(t0 ) = y0 . Le but est maintenant d’obtenir une approximation de la solution en
t = t1 = t0 + h. Avant d’effectuer la première itération, il faut déterminer dans quelle di-
rection on doit avancer à partir du point (t0 , y0 ) pour obtenir le point (t1 , y1 ), qui est une
AC
approximation du point (t1 , y(t1 )). Nous n’avons pas l’équation de la courbe y(t), mais nous en
0
connaissons la pente y (t) en t = t0 . En effet, l’équation différentielle assure que:
EP
0
y (t0 ) = f (t0 , y(t0 )) = f (t0 , y0 ) (7.2)
On peut donc suivre la droite passant par (t0 , y0 ) et de pente f (t0 , y0 ). L’équation de cette
droite, notée d0 (t), est:
d0 (t) = y0 + f (t0 , y0 )(t − t0 ) (7.3)
et est illustrée à la figure ci-dessous. En t = t1 , on a:
d1 (t) = y1 + f (t1 , y1 )(t − t1 ) (7.4)
qui permettra d’estimer y(t2 ). On constate que l’erreur commise à la première itération est
réintroduite dans les calculs de la deuxième itération. On a alors:
y(t2 ) ' y2 = d1 (t2 ) = y1 + hf (t1 , y1 ) (7.5)
Remarque 7.1

Le développement qui précède met en évidence une propriété importante des méthodes numériques
de résolution des équations différentielles. En effet, l’erreur introduite à la première itération
a des répercussions sur les calculs de la deuxième itération, ce qui signifie que les erreurs se
propagent d’une itération à l’autre. Il en résulte de façon générale que l’erreur: |y(tn ) − yn |
augmente légèrement avec n.
Figure 7.1: Méthode d’Euler explicite

AC
On en arrive donc à l’algorithme suivant.
EP
Algorithme: Méthode d’Euler explicite

1. Etant 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
Ecrire tn+1 et yn+1
3. Arrêt
Exercice 7.2 Résoudre par la méthode d’Euler l’équation différentielle:


y 0 (t) = −y(t) + t + 1

(7.6)
y(0) = 1. (condition initiale)


Solution
On a donc t0 = 0 et y0 = 1 et l’on prend un pas de temps h = 0, 1. De plus, on a:
f (t, y) = −y + t + 1 (7.7)
On peut donc utiliser la méthode d’Euler explicite et obtenir successivement des approximations
de y(0, 1), y(0, 2), y(0, 3) · · · , notées y1 , y2 , y3 · · · . Le premier pas de temps produit:
y1 = y0 + hf (t0 , y0 ) = 1 + 0, 1f (0, 1) = 1 + 0, 1(−1 + 0 + 1) = 1 (7.8)
Le deuxième pas de temps fonctionne de manière similaire:
y2 = y1 + hf (t1 , y1 ) = 1 + 0, 1f (0, 1, 1) = 1 + 0, 1(−1 + 0, 1 + 1) = 1, 01 (7.9)
On parvient ensuite à :
y3 = y2 + hf (t2 , y2 ) = 1, 01 + 0, 1f (0, 2, 1, 01)
(7.10)
AC
= 1, 01 + 0, 1(−1, 01 + 0, 2 + 1) = 1, 029
Le tableau suivant rassemble les résultats des dix premiers pas de temps. La solution analytique
de cette équation différentielle est y(t) = e−t + t, ce qui permet de comparer les solutions
EP
numérique et analytique et de constater la croissance de l’erreur.
Définition 7.3
Une méthode de résolution d’équations différentielles est dite à un pas si elle est de la forme:
yn+1 = yn + hφ(tn , yn ) (7.11)

Méthodes de Runge-Kutta 112
où φ est une fonction quelconque. Une telle relation est appelée équation aux différences. La
méthode est à un pas si, pour obtenir la solution en t = tn+1 , on doit utiliser la solution
numérique au temps t n seulement. On désigne méthodes à pas multiples les méthodes qui
exigent également la solution numérique aux temps tn − 1, tn−2 , tn−3 , · · · .
Définition 7.4
L’erreur de troncature locale au point t = tn est définie par:
y(tn+1 ) − y(tn )
τn+1 = − φ(tn , y(tn )) (7.12)
h
L’erreur de troncature locale mesure la précision avec laquelle la solution analytique vérifie
l’équation aux différences (7.11).
Remarque 7.5
1. Il est très important de noter que l’on utilise la solution exacte y(tn ) (et non yn ) dans la
définition de l’erreur de troncature locale. Cela s’explique par le fait que l’on cherche à
AC
mesurer l’erreur introduite par l’équation aux différences à un pas donné, en supposant
que la méthode était exacte jusque-là.
EP
2. Il ne faut pas confondre l’ordre d’une équation différentielle avec l’ordre d’une méthode
numérique utilisée pour résoudre cette équation.
7.3 Méthodes de Runge-Kutta
7.3.1 Méthodes de Runge-Kutta d’ordre 2
Soit le développement de Taylor suivant:
y(tn+1 ) = y(tn ) + hf (tn , y(tn ))

h2 ∂f (tn , y(tn )) ∂f (tn , y(tn ))

+ + f (tn , y(tn )) + O(h3 ) (7.13)
2 ∂t ∂y
Le but est de remplacer cette dernière relation par une expression équivalente possédant le
même ordre de précision O(h3 ). On propose la forme:
y(tn+1 ) = y(tn ) + a1 hf (tn , y(tn )) + a2 hf (tn + a3 h, y(tn ) + a4 h) (7.14)
où l’on doit déterminer les paramètres a1 , a2 , a3 et a4 de telle sorte que les expressions (7.13) et
(7.14) aient toutes deux une erreur en O(h3 ). On ne trouve par ailleurs aucune dérivée partielle

dans cette expression. Pour y arriver, on doit recourir au développement de Taylor en deux
variables autour du point (tn , y(tn )). On a ainsi:
∂f (tn , y(tn )) ∂f (tn , y(tn ))

f (tn + a3 h, y(tn ) + a4 h) = f (tn , y(tn )) + a3 h + a4 h + O(h2 ) (7.15)
∂t ∂y
La relation (7.14) devient alors:
y(tn+1 ) = y(tn ) + (a1 + a2 )hf (tn , y(tn ))

∂f (tn , y(tn )) ∂f (tn , y(tn ))
+a2 a3 h2 + a2 a4 h2 + O(h2 ) (7.16)
∂t ∂y
On voit immédiatement que les expressions (7.13) et (7.16) sont du même ordre. Pour déter-
miner les coefficients ai , il suffit de comparer ces deux expressions terme à terme:
-coefficients respectifs de f (tn , y(tn )) : h = (a1 + a2 )h
2
-coefficients respectifs de: ∂f (tn ,y(tn ))
∂t
: h2 = a2 a3 h2
2
-coefficients respectifs de ∂f (tn ,y(tn ))
∂y
: h2 f (tn , y(tn )) = a2 a4 h2
AC
On obtient ainsi un système non linéaire de 3 équations comprenant 4 inconnues:




 1 = (a1 + a2 )

EP

1
= a2 a3 (7.17)
 2


 f (tn ,y(tn )) = a2 a4


2
Le système (7.17) est sous-déterminé en ce sens qu’il y a moins d’équations que d’inconnues et
qu’il n’a donc pas de solution unique. Cela offre une marge de manœuvre qui favorise la mise au
point de plusieurs variantes de la méthode de Runge-Kutta. Voici le choix le plus couramment
utilisé.
Méthode d’Euler modifiée
1
a1 = a2 = , a3 = 1 et a4 = f (tn , y(tn )) (7.18)
2
On établit sans peine que ces coefficients satisfont aux trois équations du système non linéaire
(7.17). Il suffit ensuite de remplacer ces valeurs dans l’équation (7.14). Pour ce faire, on doit
négliger le terme en O(h3 ) et remplacer la valeur exacte y(tn ) par son approximation yn . On
obtient alors l’algorithme suivant.

Algorithme: Méthode d’Euler modifiée
d’itérations N
2. Pour 0 ≤ n ≤ N : ŷ = yn + hf (tn , yn )
yn+1 = yn + h2 (f (tn , yn ) + f (tn + h, ĥ))
tn+1 = tn + h
Ecrire tn+1 et yn+1
3. Arrêt
Remarque 7.6
Pour faciliter les calculs, l’évaluation de yn+1 a été scindée en deux étapes. La variable
temporaire ŷ correspond tout simplement à une itération de la méthode d’Euler explicite. On
fait ainsi une prédiction ŷ de la solution en tn+1 qui est corrigée (et améliorée) à la deuxième
AC
étape de l’algorithme. On parle alors d’une méthode de prédiction-correction.
Exercice 7.7
0
Résoudre numériquement y (t) = −y(t) + t + 1 avec comme condition initiale y(0) = 1.
EP
Solution
On choisit le pas de temps h = 0, 1.
-1ère itération(t = 0)
ŷ = y0 + hf (t0 , y0 ) = 1 + 0, 1(−1 + 0 + 1) = 1 (7.19)
qui est le résultat obtenu à l’aide de la méthode d’Euler explicite. La deuxième étape donne
:
h
yn+1 = yn + [f (tn , yn ) + f (tn+1 , ŷ)]
2
h
y1 = y0 + [f (t0 , y0 ) + f (t1 , ŷ)]
2
y1 = 1 + 0, 05((−1 + 0 + 1) + (−1 + 0, 1 + 1)) = 1, 005 (7.20)
-2ère itération(t1 = t0 + h = 0 + 0, 1):

De même, la première étape de la deuxième itération donne:
ŷ = y1 + hf (t1 , y1 )
ŷ = 1, 005 + 0, 1(1, 005 + 0, 1 + 1) = 1, 0145(prédiction) (7.21)

h
y2 = y1 + [f (t1 , y1 ) + f (t2 , ŷ)]
2
y2 = 1, 005 + 0, 05((−1, 005 + 0, 1 + 1) + (−1, 0145 + 0, 2 + 1))
= 1, 019025(correction) (7.22)
Méthode du point milieu

C’est une autre méthode de Runge-Kutta d’ordre 2 qui est très utilisée est la méthode du point
milieu, qui correspond au choix suivant des coefficients ai .
f (tn , y(tn ))
a1 = 0, a2 = 1, a3 = 1/2 et a4 = (7.23)
2
AC
En remplaÃ§ant ces valeurs des coefficients ai dans l’équation (7.14), on obtient l’algorithme
suivant.
EP
Algorithme: Méthode du point milieu

d’itérations N
2. Pour 0 ≤ n ≤ N :
k1 = hf (tn , yn )
k1
yn+1 = yn + h(f (tn + h2 , yn + 2
))
tn+1 = tn + h
Ecrire tn+1 et yn+1
3. Arrêt
Remarque 7.8
1. L’algorithme précédent illustre bien pourquoi cette méthode est dite du point milieu. On
remarque en effet que la fonction f (t, y) est évaluée au point milieu de l’intervalle [tn , tn+1 ].

2. Les méthodes d’Euler modifiée et du point milieu étant du même ordre de troncature locale,
leur précision est semblable. D’autres choix sont possibles pour les coefficients ai , mais
nous nous limitons aux deux précédents.
7.3.2 Méthode de Runge-Kutta d’ordre 4
En reprenant le développement de Taylor de la fonction f , mais cette fois jusqu’à l’ordre 5, un

raisonnement similaire à celui qui a mené aux méthodes de Runge-Kutta d’ordre 2 aboutit à un
système de 8 équations non linéaires comprenant 10 inconnues. Le résultat final est la méthode
de Runge-Kutta d’ordre 4, qui représente un outil d’une grande utilité.
Algorithme: Méthode de Runge-Kutta d’ordre 4

d’itérations N
AC
2. Pour 0 ≤ n ≤ N :
k1 = hf (tn , yn )
k1
k2 = hf (tn + h2 , yn +
EP
2
)
k2
k3 = hf (tn + h2 , yn + 2
)
k4 = hf (tn + h, yn + k3 )
yn+1 = yn + 16 (k1 + 2k2 + 2k2 + k4 )
tn+1 = tn + h
Ecrire tn+1 et yn+1
3. Arrêt
Exercice 7.9
Résoudre par la méthode de Runge-Kutta le système suivant

y 0 (t) = −y(t) + t + 1

(7.24)
y(0) = 1

Solution
On choisit un pas de temps h = 0, 1, a la première itération

k1 = hf (t0 , y0 ) = 0, 1(1 + 1) = 0
k1
k2 = hf (t0 + h2 , y0 + 2
) = 0, 1(1 + 1, 05) = 0, 005
k2
k3 = hf (t0 + h2 , y0 + 2
) = 0, 1(1, 0025 + 1, 05) = 0, 00475
k4 = hf (t0 + h, y0 + k3 ) = 0, 1(1, 00475 + 1, 1) = 0, 009525
ce qui entraîne que:
y1 = y0 + 61 (k1 + 2k2 + 2k3 + k4 ) = 1 + 16 (0 + 2(0, 005) + 2(0, 0045) + 0, 009525) = 1, 0048375
Une deuxième itération produit:
k1 = 0, 1f (0, 1, 1, 0048375) = 0, 1(−1, 0048375 + 0, 1 + 1) = 0, 00951625
k2 = 0, 1f (0, 15, 1, 009595625) = 0, 1(−1, 009595625 + 0, 15 + 1) = 0, 014040438
k3 = 0, 1f (0, 15, 1, 011857719) = 0, 1(−1, 011857719 + 0, 15 + 1) = 0, 0138142281
k4 = 0, 1f (0, 2, 1, 018651728) = 0, 1(−1, 018651728 + 0, 2 + 1) = 0, 0181348272
ce qui entraîne que :
y2 = 1, 0048375 + 61 (k1 + 2k2 + 2k3 + k4 ) = 1, 0187309014
Le tableau qui suit compare les solutions numérique et exacte et donne l’erreur absolue.
AC
EP
On constate que l’erreur se situe autour de 10−6 , ce qui se compare avantageusement avec les
erreurs obtenues à l’aide de méthodes d’ordre moins élevé. On remarque également une légère
croissance de l’erreur au fil des itérations, ce qui indique encore une fois une propagation de
l’erreur d’une itération à l’autre
Exercice 7.10
Faire trois itérations avec h = 0, 1 des méthodes d’Euler explicite, d’Euler modifiée, du point

milieu et de Runge-Kutta d’ordre 4 pour les équations différentielles suivantes:
0
y (t) = t sin(y(t)) (y(0) = 2) (7.25)
0
y (t) = t2 + (y(t))2 + 1 (y(1) = 0) (7.26)
0
y (t) = y(t)et (y(0) = 2) (7.27)
Exercice 7.11
L’équation différentielle:
0
y (t) = y(t) + e2t (y(0) = 2)
possède la solution analytique y(t) = et + e2t .
1. En prenant h = 0, 1, faire 3 itérations de la méthode d’Euler modifiée et calculer l’erreur

commise sur y3 en comparant les résultats avec la solution analytique y(0, 3).
2. En prenant h = 0, 05, faire 6 itérations de la méthode d’Euler modifiée et calculer l’erreur

AC
commise sur y6 en comparant les résultats avec la solution analytique y(0, 3).
3. Faire le rapport des erreurs commises en 1) et en 2) et commenter le résultat en fonction

EP
de l’erreur de troncature locale liée à la méthode utilisée.
4. Utiliser l’extrapolation de Richardson pour obtenir une meilleure approximation de y(0, 3).
Exercice 7.12
Refaire l’exercice précédent, mais cette fois à l’aide de la méthode de Runge-Kutta d’ordre
4.
Exercice 7.13
Résoudre l’équation différentielle:
0
y (t) = t sin(y(t)) (y(0) = 2) (7.29)
à l’aide des méthodes de prédiction-correction d’ordre 2 et 4 (prendre h = 0, 1 et utiliser les

valeurs calculées à l’exercice 1-1) à l’aide de la méthode de Runge-Kutta d’ordre 4 pour obtenir
les premières valeurs des yi ). Effectuer 3 pas(itération) de temps.


Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numerique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

ECOLE SUPERIEURE LE FAUCON

Dr. Daniel SABI TAKOU

COURS D’INITIATION A L’ANALYSE NUMERIQUE

Analyse, Algèbre. Informatique.

IV-Composantes (UE) et contenu (principaux thèmes)

Modalités d’enseignement ou d’apprentissage:

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

[1] André Fortin, Analyse numérique pour ingénieurs, Quatrième édition

[2] G. Allaire, Analyse numérique et optimisation, Editions de l’Ecole Polytech-

[3] J.M. Arnaudies, H. Fraysse, Cours de Mathématiques ; T2 : analyse, T3 : Com-

[5] S. Boyd, L. Vandenberghe, Convex Optimization, Cambridge University Press,

[6] G. Cohen, Convexité et optimisation, polycopié de cours ENPC-INRIA, 2000-

[7] P.G. Ciarlet, Introduction à l’Analyse Numérique Matricielle et à

[8] J.C. Culioli, Introduction à l’optimisation, 2 ème Ed., Ellipses, 2012.

[10] M. Minoux, Programmation Mathématique, Théorie et Algorithmes, Tome 1,

[12] P. Lascaux et R. Theodor. Analyse Numérique Matricielle Appliquée à l’Art de

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

2 Equations non lineaires 19

2.2 Méthode de la bissection(dichotomie) . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Systèmes d’équations algébriques 30

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

3.2 Méthode d’élimination de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4 Résolution des systèmes d’équations linéaires: méthodes itératives 63

6 Différentiation et intégration numériques 87

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

7 Résolutions des équations différentielles 108

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

La deuxième catégorie d’erreurs est liée à l’utilisation de l’ordinateur. En effet, la représentation

1.2 Quelques définitions

De plus, en multipliant par 100, on obtient l’erreur relative en pourcentage.

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

ce qui peut également s’écrire:

4x ≤ 0.5 × 10m (1.4)

0, 126.10−2 ≤ 0, 5.10−2 ⇐⇒ 4x ≤ 0, 5.10−2 (1.5)

Exemple 1.6 Soit x = π et x∗ = 3, 1416 la valeur approché de π:

4x = |π − 3, 1416| ' 0, 73 × 10−5 ≤ 0, 5.10−4 (1.6)

Le chiffre correspondant à la quatrième puissance da 10 (6) et tous les chiffres situés à sa

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

1.3 Erreurs de troncature

1.3.1 Développement de Taylor en une variable

Figure 1.1: Approximation de f (x) au voisinage de x0

Ce polynôme donne une approximation de la fonction f (x) au voisinage de x0 . Il n’y a cependant

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

f (x) = Pn (x) + Rn (x) (1.8)

Un cas particulier important du théorème précédent est le premier théorème de la moyenne,

On crée une forme plus pratique du développement de Taylor en remplaçant x par x0 + h

f (x0 + h) = Pn (h) + Rn (h) (1.11)

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

Exercice 1.11 1. Trouve le développement de Taylor de la fonction f (x) = ex au voisinage

2. Trouve une bonne supérieure pour Rn (h).

3. Estimer les valeurs de e0,1 en utilisant ce développement. Evaluer dans le cas h = 0, 1

2. La borne supérieure du terme d’erreur La fonction exponentielle étant croissante, on a :

dans l’intervalle [0, h] et l’on conclut que:

3. Estimation des valeurs de e0,1 et détermination des chiffres significatifs h = 0, 1 on a:

Cous d’initiation à l’analyse numérique Dr. Daniel SABI TAKOU /EPAC-UAC ©

4. Erreur absolue pour n = 3 et h = 0, 05

|P3 (0, 1) − e0,1 | 0, 4245 × 10−5

. La valeur de ce rapport n’est pas fortuite. La définition suivante permet de comprendre

2. Etant donné a , le critère d’arrêt, et N , le nombre maximal d’itérations

1. Etant donné a , un critère d’arrêt