Calcul Numerique

Calcul Numrique
Cours et Travaux Dirigs

Anne accadmique 2011-2012
par
Samuel BOWONG
Table des matires

Table des Matires
1 Concepts de bases et mthodologie du traitement numrique des problmes scientifiques

1.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Le problme pos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 La mthode de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 La programmation scientifique . . . . . . . . . . . . . . . . . . . . . . . . .
1.6 Traitement machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7 Interprtation des rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8 Notions de base en calcul numrique . . . . . . . . . . . . . . . . . . . . .
1.8.1 Utilisation des rels . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8.2 Utilisation des fonctions . . . . . . . . . . . . . . . . . . . . . . . .
1.8.3 Discrtisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8.4 Les itrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.8.5 Erreurs darrondis et de troncature . . . . . . . . . . . . . . . . . .
1.8.6 Problmes instables ou mal conditionns . . . . . . . . . . . . . . .
1.9 Mthodes instables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
7
7
8
8
8
8
9
9
9
9
9
10
10
10
10
2 Gnralits sur lordinateur et sur les programmations

2.1 Gnralits sur lordinateur . . . . . . . . . . . . . . . .
2.1.1 Les calculateurs lectroniques . . . . . . . . . . .
2.1.2 Les utilitaires les plus rencontres . . . . . . . . .
2.2 Gnralits sur les programmations structures . . . . . .
12
12
12
13
13
structures
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
3 Erreurs sur les solutions numriques

17
3.1 Sources des erreurs et classification des erreurs . . . . . . . . . . . . . . . . 17
3.2 Erreurs absolue et relative . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Approximation numrique des fonctions

4.1 Approximation de la drive dune fonction .
4.1.1 Gnralits . . . . . . . . . . . . . .
4.2 Interpolation et approximation des fonctions
4.2.1 Position du problme . . . . . . . . .
4.2.2 Types dinterpolation . . . . . . . . .
4.2.3 Interpolation polynomiale . . . . . .
4.2.4 Interpolation de Newton . . . . . . .
4.2.5 Interpolation spline . . . . . . . . . .
4.3 Exercices . . . . . . . . . . . . . . . . . . . .
5 Approximation numrique des intgrales
5.1 Gnralits . . . . . . . . . . . . . . . .
5.1.1 Rappels . . . . . . . . . . . . . .
5.1.2 Position du problme . . . . . . .
5.2 Mthode des rectangles . . . . . . . . . .
5.2.1 Principe de la mthode . . . . . .
5.2.2 Calcul de lintgrale . . . . . . . .
5.3 Formule du point millieu . . . . . . . . .
5.4 Mthode de trapzes . . . . . . . . . . .
5.5 Mthode de Simpson . . . . . . . . . . .
5.6 Exercices . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6 Rsolution numrique des quations non linaires

6.1 Position du problme . . . . . . . . . . . . . . . . .
6.2 Mthode de dichrotomie ou de partage en deux . .
6.2.1 La mthode . . . . . . . . . . . . . . . . . .
6.2.2 Organigramme . . . . . . . . . . . . . . . .
6.2.3 Algorithme . . . . . . . . . . . . . . . . . .
6.3 Mthode de la corde . . . . . . . . . . . . . . . . .
6.4 Mthode de Newton-Raphson . . . . . . . . . . . .
6.4.1 La mthode . . . . . . . . . . . . . . . . . .
6.4.2 Organigramme . . . . . . . . . . . . . . . .
6.4.3 Mthode de Newton en six tapes . . . . . .
6.5 Mthode par approximations successives . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
21
26
26
27
27
31
38
39
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
41
41
42
42
42
46
48
48
48
53
53
53
60
.
.
.
.
.
.
.
.
.
.
.
61
61
62
62
62
63
63
66
66
68
68
70
6.6
6.7
Mthode de Chebyshev (Mthode de Newton gnralis) . . . . . . . . . . 72

Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7 Approximation par la mthode des moindres carrs

7.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Rsolution du problme de lapproximation par les moindre carrs
7.2.1 Choix des paramtres par la mthode des moindres carrs
7.2.2 Cas particuliers . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8 Rsolution numrique des quations linaires
8.1 Position du problme . . . . . . . . . . . . . . . . . . . . . .
8.2 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Quelques dfinitions de base . . . . . . . . . . . . . . .
8.2.2 Produit de deux matrices et proprits . . . . . . . . .
8.2.3 Calcul des dterminants . . . . . . . . . . . . . . . . .
8.2.4 Inversion des matrices . . . . . . . . . . . . . . . . . .
8.2.5 Valeurs propres et vecteurs propres . . . . . . . . . . .
8.3 systmes dquations linaires et mthode de Cramer . . . . .
8.3.1 Dfinition et cas particulier . . . . . . . . . . . . . . .
8.3.2 Mthode de Cramer . . . . . . . . . . . . . . . . . . .
8.4 Mthode de Gauss ou des lminations successives ou de pivot
8.4.1 Mthode dlmination successive de Gauss . . . . . . .
8.4.2 Rsolution numrique des systmes triangulaires . . . .
8.5 Mthode de Jordan . . . . . . . . . . . . . . . . . . . . . . . .
8.5.1 Mthode de la dcomposition triangulaire . . . . . . .
8.6 Mthode par inversion des matrices . . . . . . . . . . . . . . .
8.7 Mthodes itratives . . . . . . . . . . . . . . . . . . . . . . . .
8.7.1 Prliminaires . . . . . . . . . . . . . . . . . . . . . . .
8.7.2 Mthodes de Jacobi et Gauss-seidel . . . . . . . . . . .
8.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9 Intgration numrique des quations diffrentielles

9.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 Quelques premires dfinitions . . . . . . . . . . . . . . . . . . . . .
9.2.1 Problme de Cauchy . . . . . . . . . . . . . . . . . . . . . .
9.3 Rsolution du problme de Cauchy laide de la formule de Taylor
9.4 Mthode de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . .
9.5 Mthode des approximations successives . . . . . . . . . . . . . . .
9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
77
78
78
78
82
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
83
83
84
84
85
86
87
88
88
88
89
89
89
91
91
91
92
93
93
93
95
.
.
.
.
.
.
.
96
96
96
97
97
99
102
104
10 Rsolution numrique des quations aux drives partielles

10.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2 Quelques quations aux drives partielles . . . . . . . . . . .
10.2.1 Equation donde . . . . . . . . . . . . . . . . . . . . .
10.2.2 Equation de poisson et de Laplace . . . . . . . . . . . .
10.2.3 Equation de la chaleur . . . . . . . . . . . . . . . . . .
10.3 Discrtisation . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.1 Lquation de Poisson dans le plan . . . . . . . . . . .
10.3.2 Discrtisation de lquation de la chaleur . . . . . . . .
10.3.3 Autres mthodes . . . . . . . . . . . . . . . . . . . . .
10.3.4 Discrtisation de lquation des ondes . . . . . . . . . .
10.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
105
. 105
. 105
. 105
. 106
. 106
. 107
. 107
. 109
. 111
. 112
. 115
Introduction Gnrale
Les machines calculer lectroniques ont leur origine en science et aujourdhui, ils
constituent des objets vitaux pour tous les domaines de lactivit humaine. Tandis que les
outils comme les microscopes et les tlescopes augmentent nos possibilits dobservation,
les calculateurs lectroniques et les ordinateurs augmentent nos possibilits de raisonnement. Ils ont revolutionn la science moderne. Les moyens de calcul jadis utiliss sont la
rgle calcul, larithmomtre, les tables que lon a tabli mais ces moyens de calcul se
sont avers incapables de faire face au besoin de plus en plus complexe de la science, de la
technique et de lconomie de notre temps. La recherche des dispositifs plus performants,
plus efficaces et plus rapides ont gners la cration des calculateurs lectroniques analogiques et numriques. Le premier calculateur lectronique a t construit en 1945 aux
USA. En 1946, FON NEUMANN a formul les principes et les ides qui servent de base
la construction des calculateurs lectroniques. Leur gnralisation, leur dveloppement,
et leur application conduisent aujourdhui une refonte de la recherche scientifique, des
travaux scientifiques, de la gestion, du service. En effet, en somme les ordinateurs nous
aide
- traiter la complexit dans les modles qui ne peuvent pas tre rsolu autrement ;
- tudier les phnomnes qui dont difficiles tudier expriementalement ;
- tester la thorie ;
- dcouvrir de nouveaux concepts et amliorer la thorie.
Le but de ce cours est donc de permettre aux scientifiques en gnral, aux mathmaticiens, physiciens, ingenieurs, chimistes, biologistes et conomistes en particulier dlaborer
les mthodes de calcul numrique utilisable par lordinateur pour rsoudre les problmes
de recherche et de devloppement. Ces problmes pourront tre de divers types : par
exemple
1. Le traitement dun grand nombre de donnes ou mesures dune exprience.
2. La rsolution de gros systmes dquations linaires plusieurs inconnues.
3. La rsolution des quations algbriques non linaires.
Le cours est bas sur environ huit chapitres.
1. Concepts de bases et mthodologie du traitement numrique des problmes scientifiques
5
2. Gnralits sur lordinateur et sur les programmations structures

3. Erreurs sur les solutions numriques
4. Approximation numrique des fonctions
5. Approximation numrique des intgrales
6. Rsolution numrique des quations non linaires
7. Approximation par la mthode des moindres carrs
8. Intgration numrique des quations diffrentielles
9. Rsolution numrique des quations linaires
10. Rsolution numrique des quations aux drives partielles
Chapitre 1
Concepts de bases et mthodologie du
traitement numrique des problmes
scientifiques
1.1
Mthodologie
Le traitement dun problme de calcul scientifique comprend en gnral six phases

dont la disposition est la suivante
1.2
Le problme pos
Le problme doit tre

- pos clairement ;
7
- avoir un sens ;
- tre bien pos afin dviter des instabilits.
1.3
La mthode de rsolution
Cest la description du procd permettant dobtenir la solution du problme. Elle

peut tre faite par une formulation mathmatique ou par des directives de type littrales.
1.4
Lalgorithme
Cest la dcomposition en un nombre fini doprations lmentaires de la mthode

choisie. Lalgorithme peut tre complt par un organigramme. Lalgorithme est une tape
trs importante du calcul numrique :
- Il confirme ou infirme la ralit du problme pos ;
- Il justifie la faisabilit de la mthode propose ;
- Il donne directement accs au problme informatique ;
- Il permet dexercer un contrle sur les performances qui rsulteront du traitement
informatique : temps dexcution, encombrement mmoire, prcision
N.B. : Optimiser un algorithme signifie
Rduire le temps calcul machine.
Rduire la place occupe en mmoire centrale.
Augmenter la prcision.
1.5
La programmation scientifique
Cest la traduction de lalgorithme en un langage informatique. Les langages informatiques les plus utiliss pour la rsolution des problmes scientifiques sont : le Fortran, le
Pascal et leurs drivs (le C+, le C++, Matlab, Scilab, etc...). Ce sont les langages qui
voluent de jous en jour (Exemple : Fortran 1, 2, 3, 4, 66, 77, 90, 91,... ; Pascal, Turbo
Pascal, Matlab 5.3, 7.2, Scilab 1, 2, 3, 4,...). La compatibilit des versions est ascendante
par exemple un programme crit en Fortran 66 peut tre excut laide dun compilateur
de Fortran 77.
N.B. : Le langage choisi doit pourvoir satisfaire toutes les oprations figurant dans lalgorithme.
1.6
Traitement machine
Cest lexcution de la mthode de rsolution par un programme. Il sagit dutiliser

le systmes dexploitation de lordinateur : logiciels (compilateur, utilitaire, fonction et
8
sous-programme rquis), ressources matrielles (taille, vitesse dexcution , etc...)
1.7
Interprtation des rsultats
Les rsultats doivent tre interprts avec la logique scientifique car il nexiste aucune
rgle permettant daffirmer priori quun programme ou un algorithme donnera des rsultats tout fait correct du problme pos. Il est donc souvent ncessaire dessayer plusieurs
mthodes de rsolution, plusieurs algorithmes ou mme plusieurs langages pour un mme
problme.
1.8
Notions de base en calcul numrique
1.8.1
Utilisation des rels
Le terme calcul numrique se rapporte lutilisation des calculateurs pour rsoudre

les problmes faisant intervenir des nombres entiers et rels. La plupart de ces nombres
sexprime par une suite de chiffres. Dautre par contre ncessite pour leur reprsentation
une suite infinie de chiffres. Les ordinateurs quant eux ne peuvent reprsenter les entiers
et les rels par une suite finie ce qui peut alors entrainer les erreurs darrondies. Chaque
chiffre de cette suite est appel " digit ". La longueur de la suite finie est un lment qui
entre dans les qualits de performance et de prcision de lordinateur. On peut amliorer
la prcision en travaillant en double ou en quadruple.
1.8.2
Utilisation des fonctions
Il y a deux manires de reprsenter une fonction dans lordinateur : par un tableau

de valeurs ou par un sous-programme qui calcule les valeurs de la fonction des points
choisis.
1.8.3
Discrtisation
En calcul scientifique, certains problmes sont par nature continus. Ils font intervenir
les oprations telles que le drivation et lintgration. Lordinateur ne pouvant rsoudre de
tels problmes continus, on doit les remplacer par des problmes discrets en utilisant par
exemple les diffrences finis, les lments finis, les mthodes particulires ou spectrales :
on parle alors de discrtisation.
1.8.4
Les itrations
Certains problmes numriques sont souvent formul en terme de processus successifs ou dune suite de calculs. Le rsultat dun processus tant li celui du processus
prcdent, on parle alors ditration.
1.8.5
Erreurs darrondis et de troncature
Les erreurs de calcul numrique associes aux ordinateurs peuvent tre classs en
plusieurs catgories : les erreurs des la reprsentation limite des rels et les erreurs
des au manque de ressource de lordinateur. La premire catgorie est celle des erreurs
darrondis qui augmentent avec les oprations arithmtiques, la deuxime catgorie est
celle des erreurs de troncature. Elles surviennent par exemple lors de lapproximation des
fonctions par des fonctions rationnelles. Gnralement, lon remarque que la rduction des
erreurs de troncature entraine laugmentation des erreurs darrondis.
1.8.6
Problmes instables ou mal conditionns
Une difficult courante et source derreur graves en calcul numrique rside dans lextrme sensibilit de la solution aux lgres variations des paramtres du problme. Cette
difficult peut subvenir nimporte quel type de calcul numrique : soustraction, systme
dquations linaires, quations non linaires. Comme exemple, considrons le systme
suivant :

x + 2y = 3
0.499x + 1, 001y = 1.5
La solution est (1, 1). Si dans la 2eme quation nous remplaons 0, 499 par 0.5, on
obtient comme solution le couple (3, 0) qui est trs loin de (1, 1). Ce genre de problme
est dit instable ou mal conditionn. Si les variations lgres des paramtres dun problme
entraine un changement lgr de la solution, on dit que le problme est stable ou bien
conditionn ou bien pos. Il faut donc noter que lorsque le problme est instable les
erreurs darrondis et de troncature ainsi que dautres approximations peuvent conduire
des solutions trs loignes de la solution exacte. Notons galement quun problme
peut tre stable pour une mthode numrique et instable pour une autre. Il faudra donc
au cours des calculs numriques faire des tests de la stabilit du problme pos ou de la
mthode.
1.9
Mthodes instables
A cours des oprations mathmatiques, des erreurs darrondis subsquentes des mthodes de calcul numrique peuvent conduire de faux rsultats. La mthode qui est la
10
bonne mais qui souvent cause des donnes dun problme ou de la manire que ces donnes sont transmises produisent des rsultats avec une courte prcision est dite instable.
Une mthode sera dautant plus stable que les solutions quelles donnent dun problme
sont proches de la solution exacte. Cest pourquoi, il faut toujours analyser les erreurs de
calcul dune mthode de calcul scientifique.
11
Chapitre 2
Gnralits sur lordinateur et sur les
programmations structures
2.1
2.1.1
Gnralits sur lordinateur

Les calculateurs lectroniques
Les calculateurs lectroniques sont des dispositifs conus est fabriqus par lhomme
pour faire des calculs. Ils sont de deux types :
- Les calculateurs analogiques qui utilisent des dispositifs dlectronique analogique pour
rsoudre les problmes scientifiques (sommateur, intgrateurs, multiplieurs, amplificateurs, diffrentiateurs, etc...). Ces dispositifs utilisent les analogies lectromcaniques,
optico-mcaniques, lectro-acoustique, etc... Cest le cas aussi de simulation sur maquette.
- Les calculateurs numriques ou digitaux qui sont la base des ordinateurs modernes
traitent les informations sius forme binaire. Cette information est reprsente par une
suite de bits. Lordinateur comprend essentiellement trois parties : lunit centrale, la mmoire centrale et lunit dchange. La mmoire centrale dont la capacit sexprime en kilo
octet ou mega octet enrgistre et concerve les informations. Lunit centrale ou encore
partie intelligente de la machine est constitue de lorgane de commande et de loprateur
arithmtique et de logique. Lunit dchange est constitue des organes dentre et de
sortie et assure le transport des informations entre la mmoire, les priphriques (clavier,
cran,) et lutilisateur. Pour son fonctionnement, lordinateur doit possder un systme
dexploitation qui assure lorganisation de la mmoire centrale, le transfert des informations entre les diverses parties et la communication avec lutilisateur. Lun des systmes
dexploitation le plus utilis est le MS-DOS. Sur un ordinateur actuel, on peut rsoudre
nimporte quel problme mathmatique dont lalgorithme est connu. De plus, lordinateur
daujourdhui permet de rsoudre les problmes non mathmatiques pourvu quil existe
un algorithme de calcul adquat. Par exemple, un ordinateur peut tre connect une
machine utile qui fabrique une pice dun profil aussi compliqu que lon veut. Dans ce
12
cas, les donnes dentre refltent les caractristiques du profil tandis que les rsultats des
calculs sont convertis en signaux qui sont envoys lorgane de commande de la machine
outil. Cest galement le principe daction de disposition de commande de vol dun avion
ou dun processus technologique.
2.1.2
Les utilitaires les plus rencontres
Pour lexploitation et la gestion des ordinateurs et des logiciels un certain nombre

dutilitaires est souvent utilis et les plus rencontr sont les suivants :
- Lditeur de texte : cest un programme qui permet de rentrer ou denvoyer les donnes
sur le disque.
- Le compilateur : cest un programme qui transforme les programmes sources en langage
machine, i.e., en binaire. En effet, le programme source est incompris par la machine et
cest le compilateur qui le transforme en un programme binaire executable par la machine.
- Linterprteur : cest un compilateur qui convertit le programme instruction aprs instruction.
- Systme de gestion de bases de donnes : il permet denregistrer une suite de donner de
manire structure, de stocker et de grer un ensemble de donnes.
- Bibliothque mathmatique et bibliothque graphique : cest un ensemble dutiliteurs
pour les oprations mathmatiques et graphiques.
- Interfaces utilisateurs : ils permettent de simplifier les changes entre lordinateur et
lutilisateur.
2.2
Gnralits sur les programmations structures
La ralisation dun programme ou la programmation est une affaire de grande importance qui possde quelques rgles simples qui permettent damliorer la lisibilit du
programme par la mise en page et lautodocumentaire (commentaire). Pour cela, on dcompose le programme en multiple dimension raisonnable. Les principales rgles de la
programmation structure est la suivante :
Rgle 1 : Le programme doit tre divis en sous-programmes ou procdures. En
effet, les programmes traitant les problmes complexes peuvent tre trs volumineux. Le
plus souvent, il inclut des problmes plus simples repets plusieurs fois. La mthode de
rsolution de ces problmes lmentaires est mise sous forme dun sous-programme. Dans
ce cas en programmant un problme plus compliqu, lappel aux sous-programmes se fait
par une seule instruction.
Rgle 2 : Un programme scrit avec les trois structures fondamentales suivantes :
a) La squence : une suite dinstructions.
13
b) Lalternative :
Si condition
alors
Instruction 1
sinon
Instruction 2
fin si
Exemple 2.1 : Soit rsoudre lquation ax2 + bx + c = 0. Soit = b2 4ac.

Si > 0 alors
b
x1 =
,
2a
b +
x2 =
2a
sinon
b
real(x1 ) =
,
2a
real(x2 ) =
b
,
2a
p
||
Im(x1 ) =
2a
p
||
Im(x2 ) =
2a
fin
14
c) Litration :
Premire forme
Pour i variant de n m par pas de p
faire
Instruction
fin pour
Deuxime forme :
Repter
Instruction
jusqu la condition
Troisime forme :
Tant que la condition
faire
Instruction
15
fin tant que

Rgle 3 : Le programme doit tre command convenablement et mise en page de
faon faciliter le lisibilit.
16
Chapitre 3
Erreurs sur les solutions numriques
Dans ce chapitre, nous donnons les sources principales des erreurs et les rgles donnant
des valeurs approches des quantits.
3.1
Sources des erreurs et classification des erreurs
Les erreurs commises dans les problmes mathmatiques peuvent tre conditionnes
par les raisons suivantes :
1. La formulation mathmatique du phnomne nest pas exacte. En gnrale lors
de ltude dun phnomne naturel, dans les cas courants on est contraint afin de
simplifier le problme dadmettre certaines conditions, par exemple sur les donnes
initiales du problme.
2. La mthode de rsolution du problme nest souvent pas exacte : la solution exacte
obtenue dans le problme mathmatique ncessite gnralement un nombre infini
ou un nombre trs grand des oprations arithmtiques. Un processus infini ou trs
grand ne se terminant pas en gnral en un nombre fini de pas, on est oblig dy
mettre fin un certain terme de la suite en le considrant comme une approximation
de la solution approche.
3. Pendant lintroduction des donnes dans lordinateur, laccomplissement des oprations arithmtiques et la sortie des rsultats, il faut les arrondir.
Les erreurs correspondantes ces sources sont appeles respectivement
1. Erreur inhrente ou erreur du problme ;
2. Erreur de la mthode ou erreur propage ;
3. Erreur de calcul ou de chute ou darrondi ;
Gnralement lerreur du problme se divise en deux parties :
(a) On appelle erreur du problme les seules erreurs des la non exactitude
des donnes numriques apparaissant dans la description mathmatique du
problme ;
17
(b) On appelle erreur du modle mathmatique, lerreur de la non correspondance de la description mathmatique du problme rel.
3.2
Erreurs absolue et relative
Dfinition 3.1 : On appelle nombre approch du nombre A, un nombre a lgrement

diffrent de A et qui dans les calculs remplace ce dernier.
On dira que le nombre a est une valeur approche de A par dfaut si a < A. Si par
contre a > A, on dira que a est la valeur approche de A par excs.
Si a est une valeur approche de A, on note souvent a A.
Exemple 3.1 : 0.69 est une valeur appproche par dfaut de ln 2 et 0.7 est une valeur
approche par excs de ln 2 car 0.69 < ln 2 < 0.7.
Si a est une valeur approche du nombre A, alors la quantit a dfinie par a = Aa
sappelle erreur du nombre approch a. Si a est une valeur approche de A par excs,
alors a = A a < 0. Si par contre a est une valeur approche de A par dfaut, alors
a = A a > 0. Il est vident que si a est lerreur du nombre approch a au nombre
A, alors A = a + a.
Dfinition 3.2 : On appelle erreur absolue dun nombre approch a, la valeur absolue
de lerreur de ce nombre approch :
= |A a| = |a|.
(3.1)
Remarque 3.1 : Il faut noter que si le nombre A est connu, alors lerreur absolue se
calcule par la formule (3.1). Si par contre A nest pas connu, alors nous ne pouvons pas
dterminer lerreur absolue par la formule (3.1). Ce dernier cas tant le cas pratiquement
le plus frquent.
Dans le cas o le nombre A est inconnu, au lieu de lerreur absolue qui est inconnue, on
introduit sa limite suprieure appele borne suprieure derreur absolue 1
On appelle borne derreur absolue du nombre approch a du nombre exact A la quantit non ngative a telle que
= |A a| a .
(3.2)
Il dcoule de lquation (3.2) ci-dessus que
a a A a + a .
(3.3)
1. On appelle borne suprieure derreur absolue dun nombre approch, tout nombre suprieur ou gal
lerreur absolue de ce nombre.
18
Par consquent a a est une valeur approche du nombre A par dfaut et A + a lest
par excs. On a alors
A = a a .
Exemple 3.2 : Si a = 0.69 est la valeur approche de ln 2, alors 0.69 < ln 2 < 0.70. De
l, on a|a ln 2| < 0.01 et il vient que 0.01 est le borne suprieure derreur. Si lon tient
compte de ce que 0.69 < ln 2 < 0.693 une meilleure estimation est a = 0.003.
Dfinition 3.3 : On appelle erreur relative dun nombre appeoch a le nombre not qui
est le rapport de lerreur absolue de ce nombre et du module du nombre exact correspondant
A (A 6= 0), i.e.,
=
.
(3.4)
|A|
Comme dans le cas de lerreur absolue, on peut introduire aussi la notion de borne derreur
relative.
Dfinition 3.4 : On appelle borne derreur relative dun nombre approch a donn, un
nombre quelconque not a suprieur ou gal la veleur relative de ce nombre :
a .
(3.5)
a , i.e., |A|a . La plus petite des bornes

|A|
derreur relative sappelle borne suprieure derreur relative.
Il dcoule de lingalit |A|a que a = |A|a est une borne derreur absolue du
nombre a. Si a est une erreur du nombre approch a, on note
De lingalit (3.5), il vient que
A = a(1 a ).
Soient a un nombre approch remplaant le nombre exact A et a une borne derreur
absolue du nombre a. Pour fixer les ides, on suppose que A > 0, a > 0 et a < a. Alors
la formule (3.4) donne
a
=
.
=
|A|
A
A a
On peut pas consquent prendre comme borne derreur relative du nombre a le nombre
a =
a
.
a a
De la mme faon, on obtient de la formule (3.4) que = A (a + )a , i.e.,

(1 a ) aa
aa
.
1 a
On peut alors prendre comme borne derreur absolue le nombre

a =
aa
.
1 a
19
Comme il est dordinaire, si a a et 1 a , alors on peut avoir de faon approche

a
a
a
et
20
a aa .
Chapitre 4
Approximation numrique des fonctions
4.1
4.1.1
Approximation de la drive dune fonction

Gnralits
Dfinition 4.1 : Soit f une fonction relle ou complexe, dfinie dans lintervalle [a, b] de
R. Soit x0 un point de [a, b]. On dit que f est drivable en x0 , de drive f 0 (x0 ), si
f (x0 + h) f (x0 )
= f 0 (x0 ).
h0
h
lim
Lorsque la fonction f a une drive en chaque point de lintervalle [a, b], on dit que f est
drivable dans [a, b], de drive f 0 .
Dfinition 4.2 : On dit que f est de classe C k sur lintervalle [a, b] si toutes ses drives
jusqu lordre k sont dfinies et continues en tout point de [a, b].
On connait des formules qui permettent de driver les fonctions usuelles. Selon la
fonction, le calcul de la drive est plus ou moins compliqu et il existe des langages de
calcul formel qui permettent, dans la plupart des cas, de calculer lexpression de la drive
f 0 partir de lexpression de la fonction f .
Cependant, il y a deux cas importants o on ne sait pas calculer la drive dune
fonction en un point.
- Le premier cas se produit quand on connait les valeurs que prend la fonction f en
certains points, mais que lexpression de f nest pas connue. Par example, ces valeurs de
f peuvent venir des mesures physiques ou dun calcul prcdent.
- Le second cas, qui est le plus frquent, se produit quand la fonction f fait prcisement
partie des inconnues de problme. Par exemple, lorsque f est la solution dune quation
diffrentielle ou dune quation aux drives partielles.
Dfinition 4.3 : Pour h > 0 fix et pour tout point x0 et toute fonction f , on dfinit
21
1. La diffrence finie avant ou progressive de f au point x0 :

f (x0 ) = f (x0 + h) f (x0 ).
(4.1)
2. La diffrence finie arrire ou rgressive de f au point x0

f (x0 ) = f (x0 ) f (x0 h).
(4.2)
3. La diffrence finie centre de f au point x0

h
h
f (x0 ) = f x0 +
f x0
.
2
2
(4.3)
Remarque 4.1 : On peut facilement itrer ces formules, i.e., dfinir les diffrences finies
dordre 2, 3, etc.. Par exemple, on pose par dfinition
2 f (x0 ) = (f (x0 )).
On a alors
2 f (x0 ) = (f (x0 )),
= (f (x0 + h) f (x0 )),
= f (x0 + h) f (x0 ),
= f (x0 + 2h) f (x0 + h) [f (x0 + h) f (x0 )],
= f (x0 + 2h) 2f (x0 + h) + f (x0 ).
Exemple 4.1 : Si f est un polynme de dgr infrieur ou gale n, i.e., f (x) = Pn (x) =
an xn + . . . + a1 x + a0 , alors
n Pn (x0 ) = n!an hn
et
m Pn (x0 ) = 0,
pour tout m > n.
Par exemple, crivons les diffrences divises du polynme P (x) = x3 .

P (x)
2 P (x)
3 P (x)
4 P (x)
=
=
=
=
(x + h)3 x3 = 3x2 h + 3xh2 + h3 ,

3(x + h)2 h + 3(x + h)h2 + h3 (3x2 h + 3xh2 + h3 ) = 6xh2 + 6h3 ,
6(x + h)h2 + 6h3 (6xh2 + 6h3 ) = 6h3 ,
0.
Dfinition 4.4 : A partir des diffrences finies, on peut dfinir trois approximations de
f 0 (x0 ) :
f 0 (x0 )
f (x0 )
,
h
ou
f 0 (x0 )
f (x0 )
h
o h est appel paramtre de dicrtisation.

22
ou
f 0 (x0 )
f (x0 )
,
h
(4.4)
En calcul scientifique, on ne contente pas dtablir quune approximation converge vers

la valeur quon cherche, on veut aussi estimer sa vitesse de convergence. En effet, il y a des
approximations qui convergent avec telle lenteur quelles sont inuitilisables en pratique.
Pour estimer la vitesse avec laquelle une approximation converge vers f 0 (x0 ), on dispose
dun excellent outil mathmatique, dont on fera un usage constant : la formule de Taylor.
Thorme 4.1 : (Thorme de Rolle) : On suppose que f est drivable en tout point
de lintervalle [a, b] et que f (a) = f (b). Alors, il existe au moins un point c tel que
a < c < b o f 0 (c) = 0.
Thorme 4.2 : (Thorme des accroissements finis) : On suppose que f est drivable en tout point de lintervalle [a, b]. Alors, il existe au moins un point c tel que
a < c < b o on a lgalit : f (b) f (a) = (b a)f 0 (c).
La formule de Taylor est une gnralisation directe du thorme des accroissements finis :
Thorme 4.3 (Formule de Taylor dordre n) : On suppose que f est n fois drivable
en tout point de lintervalle [a, b]. Alors, il existe au moins un point c tel que a < c < b
o on a lgalit :
f (b) = f (a) + (b a)f 0 (a) +
+
(b a)3 (3)
(b a)2 00
f (a) +
f (a) + . . .
2!
3!
(b a)n1 (n1)
(b a)n (n)
f
(a) +
f (c)
(n 1)!
n!
On voit bien que le thorme des accroissements finis concide avec la formule de Taylor
lordre n.
On va maintenant untiliser la formule de Taylor pour valuer lerreur dans lapproximation dune drive. On utilise dans la suite la notation de Landau :
Dfinition 4.5 : On dit quune fonction E(h) est un O(hk ) au voisinage de 0 sil existe
un C > 0 tel que pour h au voisinage de 0 on ait
|E(h)| < C|h|k .
Commenons par lapproximation f 0 (x0 )
f (x0 )
.
h
Proposition 4.1 : Si f est deux fois drivable et si |f 00 (x)| M2 pour tout x dans
lintervalle [x0 , x0 + h], alors
f (x0 )
h
0
M2 .
f
(x
)
(4.5)
0
h
2
23
Preuve : Utilisons la formule de Taylor lordre n = 2. On aura alors
f (x0 )
0
0
= [f (x0 + h) f (x0 )] f (x0 ) ,
f
(x
)
0
h
h 00
f (),
2
o le point est situ entre x0 et x0 + h. Alors, on obtient bien
h
f (x0 )
0
M2 .
f
(x
)
0
2
h
2
f (x0 )
0
Cela veut dire que
tend vers f (x0 ) avec la mme vitesse que h. Donc lerreur
h
f (x0 )
f 0 (x0 ) est un O(h).
E(h) =
h
Bien sr, si la constante M2 est trs grande, il faut que h soit dautant plus petit pour
que lerreur soit, elle aussi, petite. En thorie, on peut choisir h aussi petit quon veut,
mais en pratique il y a un seuil, dpendant du problme traiter, en dessous duquel il
f (x0 )
nest pas raliste de choisir h. Donc, si f 00 a de trop grandes variations
nest pas
h
0
une bonne approximation de f (x0 ).
On aborde l une caractristique essentielle du calcul numrique. : la prcision dune
approximation dpend non seulement du type de lapproximation elle-mme, mais aussi
de la fonction laquelle on lapplique. En calcul numrique, il ny a aucune mthode
dapproximation qui puisse tre appliqu avec succs dans tous les cas.
Le calcul prcdent donnerait la mme estimation pour lapproximation de f 0 (x0 ) par
f (x0 )
f (x0 )
. Etudions maintenant lapproximation de f 0 (x0 ) par
. On a le rsultat
h
h
suivant :
Proposition
4.2 : Si f est trois drivable et si |f (3) (x)| M3 , pour tout x dans linter
h
h
valle x0 , x0 +
, alors
2
2
f (x0 )
h2
0
f
(x
)
M3 .
(4.6)
0
h
24
Preuve : Avec la formule de Taylor dordre n = 2, on a

h
h
h
h2
f x0 +
f x0
= f (x0 ) + f 0 (x0 ) + f 00 (1 )
2
2
2
8

h 0
h2 00
f (x0 ) f (x0 ) + f (2 ) ,
2
8

= hf 0 (x0 ) +
24
h2 00
[f (1 ) f 00 (2 )],
8
h
h
o 1 est un point compris entre x0 et x0 + et 2 est un point compris entre x0 et
2
2
x0 .
Remarquons que f 00 (1 ) a le mme coefficient que f 00 (2 ), mais avec un signe oppos.
Ceci suggre que si nous avions appliqu la formule de Taylor dordre n = 3, ces deux
termes se seraient limilns. En effet, avec la formule de Taylor dordre n = 3, on trouve

h
h2
h3
h
= f (x0 ) + f 0 (x0 ) + f 00 (x0 ) + f (3) (3 ),
f x0 +
2
2
8
48

h
h
h2
h3
f x0
= f (x0 ) f 0 (x0 ) + f 00 (x0 ) f (3) (4 ).
2
2
8
48
Do

h
h3
f x0
= hf 0 (x0 ) + [f (3) (3 ) + f (3) (4 )],
f
2
48
h
h
o 3 est un point compris entre x0 et x0 + et 4 est un point compris entre x0 et
2
2
x0 .
Cette fois-ci, les coefficients de f (3) (3 ) et f (3) (4 ) ont le mme signe ; donc ces deux
termes ne slimineront pas si nous prenons une formule de Taylor dordre plus lev. Pour
conclure, on obtient
f (x0 )
= 1 h2 |f (3) (3 ) + f (3) (4 )|.
f
(x
)
0
h
48

h
x0 +
2
Ce qui implique la majoration
f (x0 )
1 h2 M3 .
f
(x
)
0
h
24
Ceci veut dire que si la fonction f est trois fois drivable.
(4.7)
f (x0 )
tend vers f 0 (x0 ) avec
h
f (x0 )
la mme vitesse que h2 . Donc, lerreur E(h) =
f 0 (x0 ) est un O(h2 ). Comme h2
h
tend vers zro beaucoup plus vite que h, on conclut que, lorsque la constante M3 nest
f (x0 )
f (x0 )
pas trop grande,
est une bien meilleure approximation de f 0 (x0 ) que
.
h
h
Remarque 4.2 : Nous aurions gagn du temps en appliquant directement la formule de
Taylor dordre n = 3, mais on na aucun moyen de savoir, avant de faire le calcul, quel
est lordre de la formule de Taylor que lon doit appliquer.
Nous venons de voir que les diffrences finies fournissent des approximations de la
drive premire. Ceci sugre dutiliser les diffrences finies dordre 2 pour approcher la
drive seconde.
Dfinition 4.6 : Pour approcher la drive seconde dune fonction f au point x0 on
utilise les quotients :
2 f (x0 )
f (x0 )
,
h2
00
ou
2 f (x0 )
f (x0 )
h2
00
25
ou
f 00 (x0 )
2 f (x0 )
. (4.8)
h2
2 f (x0 )
2 f (x0 )
On va faire le calcul derreur
et
, i.e., quon va tudier les diffrences :
h2
2
2
h2
f (x0 )
f (x0 )
00
00
et
.
f
(x
)
f
(x
)
0
0
h2
h2
Proposition 4.3 :
1. Soit f une fonction trois fois drivable telle que |f (3) (x)| M3 pour tout x dans
lintervalle [x0 , x0 + 2h]. Alors
2
f (x0 )
00
3
f (x0 )
(4.9)
h2
2h M3 .
2. Soit f une fonction quatre fois drivable telle que |f (4) (x)| M4 pour tout x dans
h
h
. Alors
lintervalle x0 , x0 +
2
2
2
f (x0 )
00
1 h2 M4 .
f
(x
)
(4.10)
0
h2
12
4.2
4.2.1
Interpolation et approximation des fonctions

Position du problme
Linterpolation et lapproximation des fonctions sont des techniques numriques trs

utilises. Le problme est le suivant. Nous avons une fonction y = f (x) dont nous ignorons
la forme analytique mais dont on connait ces valeurs pour un certain nombre de valeurs
discrtes x1 , x2 , . . . , xn , i.e., que nous avons y1 = f (x1 ), y2 = f (x2 ), . . . , yn = f (xn ). Le
problme est de trouver une expression analytique approche dune fonction que lon ne
connait quune suite discrte des valeurs de la variable.
Parfois sous certaines considrations complmentaires, il est connu que lapproximation
de la fonction se cherche sous la forme :
f (x) g(x, a1 , a2 , . . . , an ).
(4.11)
Si les paramtres a1 , a2 , . . . , an sont dfinis partir des conditions daprs lequelles f (x)
doit coincider avec son approximation g aux points x1 , x2 , . . . , xn appels nud dinterpolation,
g(xi , a1 , a2 , . . . , an ) = f (xi ),
i = 1, 2, . . . , n,
alors une telle mthode dapproximation sappelle interpolation.
Lexpression f (x) ainsi construite pourra permettre de dterminer les valeurs de la
fonction en des points autre que ceux de la suite discrtes x1 , x2 , . . . , xn . Soit y1 le plus
petit de nud dinterpolation xi , et y2 le plus grand dentre eux. Si le point x auquel on
calcule la valeur de f (x) se trouve hors du segment [y1 , y2 ], paralllement au problme
dinterpolation, on parle du problme dextrapolation ou lart de lire entre les lignes dune
table.
26
4.2.2
Types dinterpolation
La fonction P (x) peut avoir plusieurs formes. Lorsquelle est un polynme on parle
dinterpolation polynomiale, lorsque P (x) est une srie trigonomtrique finie, on parle
dinterpolation trigonomtrique. On peut aussi avoir une interpolation par les fonctions
exponentielles, par les polynmes de Legendre ou par des fonctions de Bessel. Cependant,
en pratique lon choisit la forme polynomiale. Dans le cas o lon sait que la fonction est
priodique, il est juditieux dutiliser linterpolation trigonomtrique. La justification de
lun ou lautre type dinterpolation repose sur les deux thormes prsents par lallemand
Weistrass en 1885.
Thorme 4.4 : Toute fonction continue dans un intervalle [a, b] peut tre reprsent
N
P
dans cet intervalle pour chaque dgr de prcision par un polynme P (x) =
an x n .
n=0
Thorme 4.5 : Toute fonction priodique de priode 2 peut tre reprsente par une
N
P
srie trigonomtrique limite de la forme P (x) =
(an cos nx + bn sin nx).
n=0
Les coefficients an et bn sont dtermins par la connaissance des valeurs discrtes de la

fonction sur lintervalle [a, b].
4.2.3
Interpolation polynomiale
Un polynme de dgr n est dfini par n + 1 coefficients. Ainsi, un polynme dinterpolation de dgr n est compltement dtermin par ses n + 1 valeurs discrtes yk . Il
existe plusisurs formules pour dterminer linterpolation polynmiale.
Formule dinterpolation de Lagrange
Parmis les procds dinterpolation la plus rencontre est linterpolation linaire, quand
on cherche une approximation sous la forme :
g(x, a1 , a2 , . . . , an ) =
n
X
ai i (x),
(4.12)
i=1
o i (x) sont des fonctions donnes et les coefficients ai se dterminent partir de la

condition daprs laquelle f (x) doit concider avec g aux nuds dinterpolation xj :
f (xj ) =
n
X
ai i (xj ),
j = 1, 2, . . . , n.
(4.13)
i=1
Les fonctions i (x) de la formule (4.13) sappellent polynmes dinterpolation. La mthode

de rsolution du problme dans lequel les coefficients ai se dterminent directement en
resolvant le systme (4.13) sappelle mthode de coefficients indtermins. Comme il est
27
de rgle, dans la mthode de coefficients indtermins le nombre des coordonnes est gal
au nombre de paramtres libres (inconnus).
Le polynme dinterpolation
n
X
ai xi1 ,
(4.14)
i=1
est le plus tudi. Alors

i (x) = xi1 ,
i = 1, 2, . . . , n,
(4.15)
i, j = 1, 2, . . . , n.
(4.16)
et le systmes (4.13) prend la forme

f (xj ) = xi1
j ,
Dans ce qui suit, on suppose que les xj dont deux deux distincts. Le dterminant
det(xi1
j ) du systme (4.16) concide avec le dterminant de Vandermonde, et par consquent est diffrent de zro. Mais alors, le systme admet une solution unique. Nous avons
ainsi dmontr lexistence et lunicit de linterpolation polynomiale (4.14).
Soit ij le symbole de Kronecker, i.e.,
1 si i = j,
j
i =
0 si i 6= j.
Le problme dinterpolation aura de solution si on parvient construire des polynmes
i (x) de degr n 1 tels que
i (xj ) = ij ,
i, j = 1, 2, . . . , n.
Le polynme
gn (x) =
n
X
f (xi )i (x)
(4.17)
i=1
sera le polynme dinterpolation cherche. En effet,

gn (xj ) =
n
X
i=1
f (xi )i (xj ) =
n
X
f (xi )ij = f (xj ),
j = 1, 2, . . . , n.
i=1
Par ailleurs, gn (x) est un polynme de degr n 1.

Puisque i (xj ) = 0 lorsque i 6= j, alors i (x) est divisible par x xj , quand i 6= j.
Ainsi, nous connaissons n 1 diviseurs du polynme de degr n 1, et cest ainsi que
n
Y
i (x) = k (x xj ),
j6=i
o k est une constante dterminer. Il dcoule de la condition i (xi ) = 1 que

k= Q
n
1
(xi xj )
j6=i
28
De l, on dduit que
i (x) =
n
Y
x xi
.
x
i xj
j6=i
Le polynme dinterpolation (4.14), crit sous la forme :

n Y
n
X
x xi
y = gn (x) =
.
x xj
i=1 j6=i i
(4.18)
sappelle polynme dinterpolation de Lagrange.

Exemple 4.2 : Les rsultats dune exprience sont donns par le tableau suivant :
x 1 2 4 6
y 10 5 2 1
1. De ce tableau, utiliser la formule dinterpolation linaire pour dterminer la valeur de
y pour x = 3.
2. Utiliser aussi la formule dinterpolation linaire pour dterminer la valeur de x pour
y = 1.5.
Solution : Daprs la formule dinterpolation linaire (4.18), on a
y = y1
x x2
x x1
+ y2
.
x1 x2
x2 x1
1. Puisque 2 < 3 < 4, on prend x1 = 2 et x2 = 4. On obtient

y = 5
=
34
32
+2
,
24
42
7
= 3.5.
2
2. Pour y = 1.5, on a 1 < 1.5 < 2 et on prend y1 = 1 et y2 = 2. Dans ce cas x1 = 6 et

x2 = 4. On obtient alors
x4
x6
1.5 =
+2
,
64
46
x4
(x 6).
2
La rsolution de lquation ci-dessus donne x = 5.
=
Remarque 4.3 : Lunicit du polynme dinterpolation dordre k implique en particulier

que si la fonction f est elle-mme un polynme de dgr infrieur ou gale k, elle concide
avec son polynme dinterpolation dordre k, quels que soient les points x1 , x2 , . . . , xn , xn+1 .
Connaissant lexpression de f (x), on peut valuer toute valeur yp correspondant une
variable x = xp comprise en dehors des points xk (extrapolation).
29
Lerreur dinterpolation dfinie par sup |f (x) pn (x)| est estime par le rsultat
x[a,b]
suivant :
Proposition 4.4 : Si f est n + 1 fois drivable sur [a, b] et si pn (x) est son polynme
dinterpolation dordre n, associ aux points x1 , x2 , . . . , xn , xn+1 , on a pour tout x [a, b] :
f (x) pn (x) =
1
n+1 (x)f (n+1) (x )
(n + 1)!
o x [xn , xn+1 ].
(4.19)
On a la corollaire suivant :
Corollaire 4.1 : Quels que soient les points xk , k = 1, 2, . . . , n + 1, si la fonction f est
de classe C k+1 , on a
sup |f (x) pn (x)|
x[a,b]
(b a)n+1
1
kn+1 kMk+1
Mn+1 .
(n + 1)!
(n + 1)!
(4.20)
Exemple 4.3 : Former le polynme de Lagrange vrifiant le tableau ci-dessous :

x 1
y 2
2 3 4
3 4 5
Daprs la formule dinterpolation de Lagrange (4.18), on a

gn
4
4
4
4 xx
Y
Y
Y
Q
x xj
x xj
x xj
j
= 2
+3
+4
+5
.
2
x
3
x
4
x
j
j
j
j6=1 1 xj
j6=2
j6=1
j6=1
Il vient que
gn = 2
+ 5
(x 1)(x 3)(x 4)
(x 1)(x 2)(x 4)
(x 2)(x 3)(x 4
+3
+4
(1 2)(1 3)(1 4)
(2 1)(2 3)(2 4)
(3 1)(3 2)(3 4
(x 1)(x 2)(x 3)
,
(4 1)(4 2)(4 3
1
3
= (x 2)(x 3)(x 4) + (x 1)(x 3)(x 4) 2(x 1)(x 2)(x 4)
3
2
+
5
(x 1)(x 2)(x 3),
6
= x + 1.
Nous allons prsent prsenter un algorithme qui permet dvaluer lordonne dun point.
30
Algorithme de calcul de yp sachant xp

1. Lire x1 , x2 , . . . , xn : la suite discrte des valeurs de la variable.
2. Lire y1 , y2 , . . . , yn : la suite discrte des valeurs de la fonction.
3. Lire xp la valeur correspondante yp
4. yp 0
5. Pour i allant de 1 jusqu n
faire
y 1
Pour j allant de 1 jusqu n
faire
si j 6= i
y y (xp xi )/(xi xj )
fin pour
yp yp + yi y
fin pour
6. Ecrire xp et yp
4.2.4
Interpolation de Newton
Diffrences divises
La notion de la diffrence divise gnralise la notion de drive. La diffrence divise
dordre zro coincide avec les valeurs de la fonction f (xi ).
Dfinition 4.7 :
1. La diffrence divise des variables xi et xj correspondant aux valeurs yi et yj est la
quantit
yj yi
.
(4.21)
(xi , xj ) =
xj x i
2. La diffrence divise seconde est dfinie pour les trois variables xi , xj et xk par
(xi , xj , xk ) =
(xj , xk ) (xi , xj )
.
xk xi
(4.22)
3. La diffrence divise dordre n aux n + 1 points x1 , x2 , . . . , xn est dfinie par

(x1 , x2 , . . . , xn ) =
(x1 , x2 , . . . , xn1 ) (x1 , x2 , . . . , xn2 , xn )

.
xn1 xn
31
(4.23)
Lemme 4.1 : La formule suivante est vrifie

(x1 , x2 , . . . , xn , xn+1 ) =
k
X
Q
j=1
(xj )
.
(xj xi )
(4.24)
i6=j
Preuve : Nous dmontrons la formule (4.24) par recurrence. Pour k = 1 donne f (x1 ) =
f (x1 ) et pour k = 2, on a
2
X
(x2 ) (x1 )
(x1 )
(xj )
Q
(x1 , x2 ) =
=
+ (x2 )x2 x1 =
,
x2 x1
x1 x2
(xj xi )
j=1
i6=j
et la formule (4.24) est vraie. Supposons (4.24) vraie pour k l. Alors

(x2 , . . . , xl+1 ) f (x1 , . . . , xl )
,
xl+1 x1
l+1
l
X
1
(xj )
X
Q
=
xl+1 x1 j=2
(xj xi ) j=1
(x1 , x2 , . . . , xl+1 ) =
i6=j, 2il+1
(xj )
(xj xi )
i6=j, 1il+1
Si j 6= 1, l + 1, alors le coefficient de (xj ) droite de la dernire galit est
l
l+1
X
1
(xj )
(xj xi ) (xj xl+1 )
(xj )
X
Q
Q
Q
=
xl+1 x1 j=2
(xj xi ) j=1
(xj xi )
(xl+1 x1 )
(xl+1 x1
i6=j, 2il+1
i6=j, 1il+1
i6=j, 1il+1
1
,
(xj xi )
i6=j, 1il+1
i.e., a la forme cherche , si par contre j = 1 ou j = l + 1, alors la valeur (xj ) figure dans
un seul terme droite de lgalit et sont coefficients a la forme que nous cherchons : pour
(x1 ) on a
1
1
1
Q
Q
=
.
xl+1 xl
(xl+1 xi
(xl+1 xi
i6=l+1, 2il+1
i6=l+1, 1il+1
32
On obtient alors
(x1 , x2 , . . . , xl+1 ) =
l+1
X
xl+1 x1 j=2
1
X
=
xl+1 x1 j=2
(xj )
(xj xi )
i6=j, 2il+1
l
X
Q
j=1
i6=j, 1il+1
X
(xj )
Q
(xj xi ) j=2
i6=j, 2il+1
(xj )
,
(xj xi )
(xj )
(xj xi )
i6=j, 1il+1
(x )
Q l+1
(xj xi )
i6=j, 2il+1
l+1
P
j=1
(x1 )
,
(xj xi )
i6=j, 1il+1
(xj )
+
(xj xi )
i6=j, 2il+1
(x1 )
+
(xj xi )
i6=j, 1il+1
(x )
Q l+1
,
(xj xi )
i6=j, 1il+1
(xj )
.
(xj xi )
i6=j
Le lemme est ainsi demontr.

2
Les consquences suivantes dcoulent directement de la formule (4.24).
Corollaire 4.2 : Pour des valeurs fixes x1 , x2 , . . . , xn la diffrence divise est une fonctionnelle linaire par rapport f :
(f1 + f2 )(x1 , x2 , . . . , xn ) = f1 (x1 , x2 , . . . , xn ) + f2 (x1 , x2 , . . . , xn ).
(4.25)
Corollaire 4.3 : La diffrence divise est une fonction symmtrique de ses arguments
x1 , x2 , . . . , xn (i.e., ne change pas pour toute permutation).
Le polynme dinterpolation de Newton dordre n de la fonction f associ aux n + 1
points x1 , x2 , . . . , xn , xn+1 se met sous la forme
f (x) = y1 + (x1 , x2 )(x x1 ) + (x1 , x2 , x3 )(x x1 )(x x2 ) + . . .
(4.26)
+ (x1 , x2 , . . . , xn+1 )(x x1 )(x x2 )...(x xn+1 ).
Si la fonction f est donne aux nuds dinterpolation x1 , x2 , . . . , xn alors le tableau des
33
diffrences divises est donn par

(x1 )
(x1 , x2 )
(x2 )
(x2 , x3 )
(x3 )
(xn1 , xn )
(xn )
(x1 , x2 , x3 )
(x1 , x2 , . . . , xn )
Exemple 4.4 : Soit donn le tableau

x
f (x)
1 2 3 4 5 6 7
3 7 13 21 31 43 57
1. Construire le tableau des diffrences divises correspondant la fonction f (x).

2. Dterminer le polynme dinterpolation de Newton avec diffrences divises.
3. En dduire une valeur approche de f (3.1).
Solution : 1.
(1, 2) =
f (2) f (1)
= 1,
21
(4, 5) =
f (5) f (4)
= 10,
54
(2, 3) =
f (3) f (2)
= 6,
32
(5, 6) =
f (6) f (5)
= 12,
65
(1, 2, 3) =
(2, 3) (1, 2)
64
=
= 1,
31
2
(3, 4, 5) =
(4, 5) (3, 4)
10 8
=
= 1,
53
2
(5, 6, 7) =
(6, 7) (5, 6)
14 12
=
= 1,
75
2
(2, 3, 4, 5) =
(3, 4, 5) (2, 3, 4)
= 0,
52
(1, 2, 3, 4, 5) = 0,
(1, 2, 3, 4, 5, 6) = 0,
(3, 4) =
(2, 3, 4) =
(6, 7) =
(5, 6) (4, 5)
12 10
=
= 1,
64
2
(1, 2, 3, 4) =
(2, 3, 4) (1, 2, 3)
11
=
= 0,
41
3
(3, 4, 5, 6) = 0,
(4, 5, 6, 7) = 0,
(3, 4, 5, 6, 7) = 0,
(2, 3, 4, 5, 6, 7) = 0,
34
f (7) f (6)
= 14,
76
(3, 4) (2, 3)
86
=
= 1,
42
2
(4, 5, 6) =
(2, 3, 4, 5, 6) = 0,
f (4) f (3)
= 8,
43
(1, 2, 3, 4, 5, 6, 7) = 0.
Do le tableau de diffrences divises

3
4
7
1
6
13
0
1
8
21
0
0
1
10
31
0
0
1
12
43
0
0
0
0
0
1
14
57
2. Utilisons prsent le tableau ci-dessus et la formule (4.26) pour trouver le polynme
dinterpolation de Newton. On a
f (x) = (1) + (1, 2)(x 1) + (1, 2, 3)(x 1)(x 2) + (1, 2, 3, 4)(x 1)(x 2)(x 3)
+ (1, 2, 3, 4, 5)(x 1)(x 2)(x 3)(x 4) + (1, 2, 3, 4, 5, 6)(x 1)(x 2)(x 3)(x 4)(x 5)
+ (1, 2, 3, 4, 5, 6, 7)(x 1)(x 2)(x 3)(x 4)(x 5)(x 6),
= 3 + 4(x 1) + (x 1)(x 2),
= x2 + x + 1.
3. La valeur approche de f (3.1) = (3.1)2 + 3.1 + 1 = 13.71.
2
Par les diffrences progressive et regressive
Soient y1 , y2 , . . . les valeurs dune fonction y = f (x) correspondantes aux valeurs quidistantes des arguments x1 , x2 , . . . (i.e., xk+1 xk = h o le nombre h sappelle pas
dinterpolation).
Dfinition 4.8 :
1. La diffrence progressive est la quantit
yk = yk+1 yk ,
(4.27)
2. La diffrence seconde progressive est dfinie par

2 yk = yk+1 yk = yk+2 yk+1 (yk+1 yk ) = yk+2 2yk+1 + yk .
35
(4.28)
3. La diffrence progessive dordre est dfinie par

yk = 1 yk+1 1 yk .
(4.29)
Remarque 4.4 : En faisant la substitution successive, on obtient

3 yk = 2 yk+1 2 yk = yk+3 3yk+2 + 3yk+1 yk .
Lorsquon a xk+1 = xk + h = x1 + kh, la formule de diffrence divise se rduit
f (x) = y1 +
y1
2 y1
(x x1 ) +
(x x1 )(x x2 ) + . . .
h
2!h2
(4.30)
n+1 y1
(x x1 )(x x2 )...(x xn+1 ).
+
(n + 1)!hn+1
Cest la formule de Newton-Gregory progressive. Les coefficients k y1 se calculent selon
le schma des diffrences finies (4.29), que lon peut reprsenter par le tableau
On va maintenant estimer lerreur dinterpolation dans le cas particulier des points quidistants, pour une fonction de classe C k+1 . Etant donn que n+1 (x) = hn+1 s(s 1)(s
2)...(s n), on a, en utilisant la Proposition 4.4,
f (x) pn (x) =
s(s 1)(s 2)...(s n) n+1 (n+1)

h f
(x ).
(n + 1)!
(4.31)
La fonction (s) = |s(s 1)(s 2)...(s n)s(s h1)(s i 2)...(s n)| pour s [0, n] vrifie
n
n
(k s) = (s), elle atteint son maximum dans 0, . Comme de plus, pour 1 s ,
2
2
(s 1)
n+1s
=
> 1.
(s)
s
On voit que atteint son maximum sur [0, 1], do
max{(s)|s [0, n]} = max{(s)|s [0, 1]} n!.
Il en rsulte que
|f (x) pn (x)| =
1
hn+1 max{|f n+1 (x )| | [x1 , xn+1 ]}.
n+1
Remarque 4.5 : Ce calcul derreur destimation donne aussi une estimation de kn+1 (x)k
dans les points quidistants :
kn+1 (x)k = hn+1 max{(s) | s [0, n]} hn+1 n! =
36
n!
(b a)n+1 ,
nn+1
n n
2n
. On voit que lordre de grandeur de n+1 (x)
e
n+1

ba
,
kn+1 (x)k O
e
et par la formule se Stirling n!

est
quand n .
Cette estimation est meilleures que celle obtenue pour des points quelconques dans le
Corollaire 4.1.
Exemple 4.5 : En partant des donnes du tableau ci-dessous
x 1 2
y 3 7
3 4 5 6 7
13 21 31 43 57
Trouver la valeur de y pour x = 3.1 laide de la formule dinterpolation de Newton.

On forme la tableau des diffrences progressives
x
1
2
3
4
5
6
7
y y
3
4
7
6
13 8
21 10
31 12
43 14
57
2 y
2
2
2
2
2
3 y
0
0
0
0
0
Ici x1 = 1, y1 = 3 et h = 1. Le polynme dinterpolation de Newton correspondant au cas

donn est
y1
2 y1
(x 1)(x 2)
y = y1 +
(x x1 ) +
(x x1 )(x x2 ) = 3 + 4(x 1) + 2
= x2 + x + 1.
2
h
2!h
2
2
Ainsi, pour x = 3.1, on a y = 3.1 + 3.1 + 1 = 13.71.
Dfinition 4.9
1. La diffrence regressive dordre 1 est dfinie par

yk = yk yk1 .
(4.32)
2. La diffrence regressive dordre 2 est la quantit

2 yk = yk yk1 = yk yk1 (yk1 yk2 ) = yk 2yk1 + yk2 .
(4.33)
3. On dfinit la diffrence regressive dordre de la manire suivante

yk = 1 yk 1 yk1 .
(4.34)
Lorsquon a xk+1 = xk h = x1 kh, on a la formule de Newton-Gregory regressive

suivante :
y1
2 y1
f (x) = y1 +
(x x1 ) +
(x x1 )(x x2 ) + . . .
h
2!h2
(4.35)
n+1 y1
+
(x x1 )(x x2 )...(x xn+1 ).
((n + 1)!hn+1
37
4.2.5
Interpolation spline
Lorigine de linterpolation spline se trouve en mcanique. Elle est utilise avec la

mthode des lments finis pour rsoudre les quations aux drives partielles. Son importance relve des inconvnients de linterpolation de Lagrange. Le problme associ
linterpolation spline est la suivant : soient x1 , x2 , . . . , xn , n points distincts compris dans
lintervalle [a, b] et soient f1 , f2 , . . . , fn les valeurs de la fonction en ces points. Linterpolation spline ou cubique est une fonction S qui a les proprits suivantes :
P1 : S(xi ) = fi , i = 1, 2, . . . , n.
P2 : S(x), S 0 (x) et S 00 (x) sont continues sur [a, b].
P3 : Dans chaque intervalle [xi , xi+1 ], S(x) est un polynme cubique (de dgr 3) qui
peut avoir des formes diffrentes dans chaque sous-intervalle.
P4 : Si g(x) est une autre fonction qui satisfait les proprits P1 , P2 et P3 , alors on a
Z
b
00
(S (x)) dx
a
(g 00 (x))2 dx.
Dans la terminologie de la mcanique, ces proprits peuvent snoncer de la manire

suivante :
La courbe spline doit passer par tous les noeuds xi .
La courbe spline nest pas brise ou ne se courbe pas selon un angle pointu.
Entre 2 noeuds, la courbe spline est un polynme de dgr 3.
La courbe spline minimise lnergie potentielle du systme et peut scrire de la
manire suivante : S 00 (a) = S 00 (b) = 0.
Forme de linterpolation spline
Puisque S est un polynme de dgr 3 pour xi x xi+1 , S 00 (x) est un polynme de
dgr 1 et la formule dinterpolation linaire donne
S 00 (x) = S 00 (xi ) +
x xi
[S 00 (xi+1 ) S 00 (xi )].
xi+1 xi
(4.36)
Aprs une premire intgration, on obtient

S 0 (x) = S 0 (xi ) + S 00 (xi )(x xi ) +
1 S 00 (xi+1 ) S 00 (xi )
(x xi )2 .
2
xi+1 xi
(4.37)
Une seconde intgration donne

1
S 00 (xi+1 ) S 00 (xi )
S(x) = fi + S 0 (xi )(x xi ) + S 00 (xi )(x xi )2 +
(x xi )3 .
2
6(xi+1 xi )
38
(4.38)
4.3
Exercices
Exercice 4.1 : Trouvez les schmas de diffrences finies centres, en avant et en arrire
pour les drives seconde et troisime.
Exercice 4.2 : Lors du titrage dacide par une base, on mesure le pH en fonction du
volume V de base rajoute. Les mesures sont rsumes dans le tableau ci-dessous :
V(mL)
0
10
20
22
pH
2.87 4.57 5.35 5.61
24 24.25 24.5 24.8

6.12 6.25 6.43 6.84
24.9 25
25.1 25.2 25.3
7.14 8.70 10.60 10.90 11.07
On estime le volume quivalent de base comme tant le point o la drive pH 0 (V ) passe

par un maximum. Calculer cette drive en chaque point de la courbe afin destimer ce
maximum.
Exercice 4.3 : Soient des rsultats expriementaux prsents sous la forme dun tableau
de correspondance :
t(min)
1
5
10
15
17
C(t)(mg/L) 24.50 10.30 8.50 7.8 7.70
20
30
40
7.45 7.30 7.25
Estimer C(7) par interpolation parabolique.

Exercice 4.4 : Former le polynme de Lagrange correspondant au tableau suivant :
x
f(x)
1
2
2 3 4
3 7 8
Exercice 4.5 : Trouver lquation de la parabole qui passe par les points (2, 0), (4, 3),
(6, 5), (8, 4), (10, 1).
Exercice 4.6 : Trouver le polynme prenant les valeurs donnes correspondantes aux
valeurs donnes des arguments : (0, 3), (2, 1), (3, 5), (4, 7).
Exercice 4.7 : Soit donn la tableau
x
2
2.1
2.2
2.3
2.4
2.5
ln x 0.30103 0.32222 0.34242 0.36173 0.38021 0.39794
Trouver laide de la formule dinterpolation de Newton ln 2.03.
Exercice 4.8 : Former le polynme dinterpolation de Newton de la fonction f (x) tabulairement par
x 0 1 2 3 4
y 1 4 15 40 85
39
Exercice 4.9 : Former le polynme qui prend les valeurs figurant au tableau ci-dessus :
x 1
y -7
3 4 6
5 8 14
Exercice 4.10 : En partant des donnes du tableau ci-dessous

x
y
1 2 3 4 5 6 7
3 7 13 21 31 43 57
Trouver la valeur de y pour x = 3.1 laide de la formule dinterpolation de Newton.

Exercice 4.11 : Comparez, en terme de nombdre doprations lmentaires, lapproximation de Lagrange et la mthode des diffrences divises de Newton.
40
Chapitre 5
Approximation numrique des
intgrales
5.1
5.1.1
Gnralits
Rappels
Soit f une fonction dfinie sur un intervalle [a, b]. Pour introduire la notion dintgrale
de f sur [a, b], on se donne n N et on divise [a, b] en n sous-intervalles [ak , ak+1 ] pour
k = 0, 1, . . . , n 1 o a = a0 < a1 < a2 < . . . < an1 < an = b. Puis, dans chaque
sous-intervalle, on choisit un point 1 [a0 , a1 ], 2 [a1 , a2 ], . . . , n [a, b] et on calcule la
somme
S(f ) = f (1 )(a1 a0 ) + f (2 )(a2 a1 ) + . . . + f (n )(an an1 ).
Evidemment, cette somme dpend du choix de n, des points de la subdivision de [a, b],
a1 , a2 , . . . , an1 et des points 1 , 2 , . . . , n .
Dfinition 5.1 : On dit que f est intgrable au sens de Riemann sur [a, b] si la somme
S(f ) tend vers une limite unique quand n tend vers linfini, quel que soit le choix des
points de subdivisions a1 , a2 , . . . , an1 et des points 1 , 2 , . . . , n et pourvu que la longueur
de chaque sous-intervalle [ak , ak+1 ] tende vers zro quand n tend vers infini. La limite de
S(f ) sappelle lintgrale de Riemann de f sur [a, b] et se note
Z b
I=
f (x)dx.
(5.1)
a
On dit que x est la variable dintgration et que [a, b] est lintervalle dintgration.
En particulier, on rappelle que les fonctions continues sont intgrables. Dans toute la
suite, on supposera que f est continue sur [a, b] donc intgrable sur cet intervalle.
5.1.2
Position du problme
Lintgrale (5.1) reprsente un nombre qui dans certains cas favorables peut tre calcul
analytiquement. En effet, on connat des formules qui permettent de calculer lintgrale
41
(5.1) de certaines fonctions. Mais, contrairement ce qui se passe pour le calcul des
drives, il y a relativement peu de fonctions dont on sait calculer lintgrale. Il suffit
mme de changer lgrement lexpression dune fonction pour passer dune fonction que
lon sait intgrer une fonction quon ne sait pas intgrer. Par exemple, on sait que
Z b
sin xdx = cos a cos b,
a
mais on ne sait pas calculer

Z
a
sin x
dx
x
Z
ou
sin(x2 )dx.
sin x
est intgrable sur tout intervalle [a, b] puisquelle est continue sur R.
x
Il en est de mme pour la fonction sin(x2 ). A dfaut de pourvoir calculer ces intgrales,
on doit savoir les approcher.
Mais, mme sil sagit dintgrales quon sait calculer, leur calcul peut tre long et
compliqu et il peut tre avantageux de le remplacer par un calcul approch.
Enfin, il y a un autre cas o il est indispensable dapprocher une intgrale : cest
lorsque lexpression de la fonction intgrer nest pas connue. Il se peut que la fonction
ne soit connue quen un certain nombre de points : ses valeurs peuvent venir dun autre
calcul ou de mesures ponctuelles. Mais le cas le plus frquent est celui o la fonction
intgrer fait partie des inconnues, par exemple lorsque cest la solution dune quation
diffrentielle.
Dans ce chapitre, on va tudier des approximations de lintgrale de Riemann dune
fonction laide de formules de quadrature. La fonction f suppose continue sur [a, b] est
remplace par une formule dinterpolation. Gnralement, la fonction f est approxime
par un polynme et les formules dintgration qui sen dduisent sont dites formules de
Newton-Cotes. Ces formules supposent que les nuds dinterpolation sont quidistants.
Or la fonction
5.2
5.2.1
Mthode des rectangles

Principe de la mthode
Soit calculer lintgrale dune fonction f sur un intervalle [a, b]. La mthode des
rectangles consiste remplacer la courbe de f par une droite parallle laxe des abscisses
dquation y = f (a) et calculer laire de chaque rectangle, ensuite de faire la somme des
aires sur lintervalle sur lequel la fonction est intgrer.
5.2.2
Calcul de lintgrale
42
Pour deux points

Sur [a, b], on approxime la fonction f par une constante, i.e., par une droite parallle
laxe des abscisses et passant par les deux points a et b. La surface sous cette droite
est alors un rectangle de bases h et f (a) et donc daire (b a)f (a). Ainsi, en prenant
b = a + h, on a
Z
b
f (x)dx hf (a).
(5.2)
Calcul de lerreur
Pour calculer lerreur de cette formule, on pose x = a + hu. Ainsi, x dcrit [a, b] quand
u dcrit [0, 1]. Dans ce cas f (x) = f (a + hu) et
Z
f (a + hu)du.
f (x)dx =
0
On a le rsultat suivant :
Proposition 5.1 : Si g est une fonction de classe C 1 , alors
Z 1
1
g(u)du g(0) = g 0 (c),
o
c [0, 1].
2
0
Preuve : On crit
Z
g(u)du g(0) =
(g(u) g(0))du,
et
g 0 (t)dt.
g(u) g(0) =
0
En remplaant :
Z
Z
g(u)du g(0) =
0
43

g (t)dt du
0
(5.3)
Dans le systme de coordonnes (u, t), le domaine dintgration est le triangle rectangle
sous la droite t = u. Puisque g 0 est continue, par le thorme de Fubini, on peut changer
lordre des variables dintgration et on trouve

Z 1 Z u
Z 1 Z 1
0
0
g (t)dt du =
g (t)du dt.
0
Mais
Z
1
0
g (t)du = g (t)
t
du = g 0 (t)(1 t),
car g 0 (t) ne dpend pas de u. Donc

Z
Z 1 Z u
0
g (t)dt du =
0
g 0 (t)(1 t)dt.
Puisque la fonction 1 t est positive dans lintervalle [0, 1], on peut appliquer le thorme
de la moyenne avec g(t) = 1t, il existe un point c dans lintervalle [0, 1] o on a lgalit :
Z 1
Z 1
1
0
0
g (t)(1 t)dt = g (c)
(1 t)dt = g 0 (c).
2
0
0
Ceci donne la majoration de lerreur
Z 1
M1 ,
g(u)du
g(0)
2
0
M1 = sup |g 0 (u)|.
x[a,b]
2
0
Sachant que f (x) = hf (a + hu), en appliquant la formule (5.3), on obtient

Z
a
1
f (x)dx hf (a) = h2 f 0 (a + hc),
2
o c [0, 1]. Do lestimation de lerreur

Z b
h2
eR =
f (x)dx hf (a)
2 M1 .
a
(5.4)
Pour (n + 1) points rgulirement repartis

On divise lintervalle dintgration [a, b] en n sous-intervalles gaux [xk1 , xk ] de lonba
gueur h =
, tels que x0 = a, x1 = a + h, x2 = a + 2h, . . . , xn1 = a + (n 1)h, xn =
n
b = a + nh. On a
Rb
Rx
Rx
R xn
f (x)dx = x01 f (x)dx + x12 f (x)dx + . . . + xn1
f (x)dx,
a
=
n R
P
xk
k=1
xk1
f (x)dx.
44
En appliquant la formule des rectangles (5.2) ci-dessus chacun de ces sous-intervalles

[xk1 , xk ], on a
R xk
f (x)dx (xk xk1 )f (xk1 ),
xk1
hf (xk1 ).
En sommant lintgrale ci-dessus, on obtient finalement la formule des rectangles
!
Z b
n1
X
f (x)dx h f (a) +
f (xk ) .
a
(5.5)
k=1
La formule derreur va nous donner sa vitesse de convergence. pour cela, on suppose que
f est de classe C 1 sur [a, b]. On pose
M1 = sup |f 0 (x)|.
x[a,b]
Alors, en appliquant la formule derreur (5.3) chaque sous-intervalle et en sommant, on

trouve
Z
n1
1
b
X
f (xk ) h2 nM1 .
f (x)dx hf (a) h
2
a
k=1
Mais comme nh = b a, on obtient finalement,

Z
n1
b
1
X
f (x)dx hf (a) h
f (xk ) (b a)hM1 .
ER =
a
2
k=1
(5.6)
Ceci montre que lerreur est un O(h), i.e., quelle tend vers zro la mme vitesse que
h. Si lintervalle dintgration nest pas trop grand et si la constante M1 nest pas trop
grande non plus, la mthode des rectangles est une bonne approximation de lintgrale.
R2
Exemple 5.1 : Calculer I = 1 xdx par la formule des rectangles, en dcomposant
lintervalle dintgration en 10 parties. Evaluer lerreur commise.
21
= 0.1. Les valeurs successives de x
Ici f (x) = x. Pour n = 10, on a h =
10
seront : x0 = 1, x1 = x0 + h = 1.1, x2 = 1.2, x3 = 1.3, x4 = 1.4, x5 = 1.5, x6 = 1.6,
x7 = 1.7, x8 = 1.8 et x9 = 1.9. On aura alors
R2
I = 1 xdx,
= 0.1[f (1) + f (1.1) + f (1.2) + f (1.3) + f (1.4) + f (1.5) + f (1.6) + f (1.7) + f (1.8) + f (1.9)],
= 0.1[1 + 1.049 + 1.095 + 1.140 + 1.183 + 1.225 + 1.265 + 1.304 + 1.342 + 1.378],
= 1.20.
1
sur le segment [1, 2] atteint sa valeur
2 x
1
maximale gale 0.5 lorsque x = 1. De cette faon, |f 0 (x)| M1 = . Do en appliquant
2
Evaluons lerreur. Dans notre cas, f 0 (x) =
45
la formule on trouve
ER
0.1 1
.1. = 0.025.
2
2
Par consquent,
I 1.20 0.025.
Algorithme de la formule du rectangle
1. Lire a, b les bornes de lintervalle.
2. Lire n, le nombre de sous-intervalles.
ba
3. h
, le pas de la subdivision.
n
4. x a.
5. I f (a)
6. Pour k variant de 1 n 1 faire
x x + h
I I + f (x)
7. I I h
8. Afficher I
9. fin pour
5.3
Formule du point millieu
Pour deux points

On suppose que f constante sur le segment [a, b]. Alors
Z b
f (x)dx = (b a)f (c),
a
o c est un point arbitraire de [a, b]. Si en qualit du point c, on prend le point moyen du
a+b
segment [a, b] , i.e., c =
, on obtient
2

Z b
a+b
f (x)dx (b a)f
.
2
a
En prenant b = a + h, on obtient la formule du point milieu :

Z b
2a + h
h
h
f (x)dx hf
= hf a +
= hf b
.
2
2
2
a
Estimons prsent lerreur . On suppose que f est de classe C 2 . On pose
M2 = sup |f 00 (x)|.
x[a,b]
Pour estimer on a besoin du rsultat suivant :

46
(5.7)
Proposition 5.2 : Si g est une fonction de classe C 2 , alors

Z 1
1
1
g(u)du f
= f 00 (c),
o
c [0, 1].
2
24
0
(5.8)
Pour calculer lerreur de la formule du point milieu sur [a, b], en posant x = a + hu, il
suffit de calculer la drive seconde de la fonction compose
f 00 (x) = h2 f 00 (a + hu).
Alors, la formule (5.8) donne

Z b
a+b
1
f (x)dx hf
= h3 f 00 (a + hc),
o
c [0, 1].
2
24
a
Do lestimation
Z b

h2
a
+
b
M2 ,
f
(x)dx
hf
M2 = sup |f 00 (x)|.
24
2
(5.9)
x[a,b]
Pour (n + 1) rgulirement repartis

Supposons maintenant que lintervalle dintgration [a, b] est de grande amplitude.
ba
Soit h > 0 donn et n =
. On divise lintervalle [a, b] en n sous-intervalles gaux
h
[xk1 , xk ] avec x0 = a, x1 = a + h, x2 = a + 2h, . . . , xn1 = a + (n 1)h, xn = b = a + nh.
En appliquant la formule (5.7) ci-dessus chacun de ces sous-intervalles et en sommant,
on trouve la formule du point milieu :
"

X
#
Z b
n
n1
X
h
h
h
f (x)dx h
f xk1 +
=h f a+
+
f xk +
.
(5.10)
2
2
2
a
k=1
k=1
Pour estimer lerreur de cette formule, on suppose que f est de classe C 2 et on pose
M2 = sup |f 00 (x)|.
x[a,b]
Alors, en appliquant la formule(5.8) dans chaque sous-intervalle et en sommant, on trouve

Z

n
b
X
h
1
f (x)dx h
f xk1 +
h3 nM2 .
a
2 24
k=1
Puis, en tenant compte du fait que nh = b a, ceci donne
Z

n
b
X
1
1
f (x)dx h
f xk1 +
(b a)h2 M2 .
a
2 24
(5.11)
k=1
Remarque 5.1 : Lerreur de la formule du point milieu est un O(h2 ), i.e., quelle tend
vers zro la mme vitesse que h2 . Si lintervalle dintgration nest pas trop grand et
si la constante M2 nest pas trop grande, lerreur de la formule du point milieu est donc
meilleure que lerreur de la formule des rectangle.
R2
Exemple 5.2 : Calculer par la formule du point milieu, lintgrale 1 xdx en divisant
lintervalle dintgration en 10 parties gales, puis valuer lerreur.
ba
Ici h =
= 0.1 et f (x) = x. On a x0 = 1, xk = x0 + kh = 1 + 0.1k et
10
47
Algorithme de la formule du point millieu

2. Lire n, le nombre de sous-intervalles.
ba
, le pas de la subdivision.
3. h
n
h
4. x a +
2

h
5. I f a +
2
6. Pour k variant de 1 n 1 faire
x x + h
I I + f (x)
7. I I h
8. Afficher I
9. fin pour
5.4
5.4.1
Mthode de trapzes
Soit calculer lintgrale dune fonction f sur un intervalle [a, b]. La mthode de
trapze consiste remplacer la courbe de f par une ligne brise et calculer laire de
chaque trapze, ensuite de faire la somme des aires sur lintervalle sur lequel la fonction
est intgrer.
5.4.2
Calcul de lintgrale
Lintervalle [a, b] est de petite amplitude

Lamplitude de lintervalle [a, b] tant petite, la fonction f est mesure expriementalement en deux points a et b. Ainsi, sur lintervalle [a, b], on approxime la fonction f par
une droite passant par les points (a, f (a)) et (b, f (b)). La droite a pour quation
y = f (a) + (x a)
f (b) f (a)
.
ba
Dans ce cas, sur [a, b] on a

f (x) g(x) = f (a) + (x a)
48
f (b) f (a)
.
ba
Ainsi
Rb
a
f (x)dx
Rb
Rb
g(x)dx,

f (b) f (a)
f (a) + (x a)
dx,
ba
(b a)2
= (b a)f (a) +
2
f (b) f (a)
ba

,
ba
[f (a) + f (b)].
2
=
En prenant b = a + h, on a
Z
f (x)dx
a
h
[f (a) + f (b)].
2
(5.12)
Calcul de lerreur
On suppose que la fonction f est C 2 et que |f 00 (x)| M2 x [a, b]. Considrons la
fonction dfinie par
x [a, b],
(x) = f (x)
M2
(x a)(b x).
2
est de classe C 2 et 00 (x) = f 00 (x) + M2 . Par ailleurs

|f 00 (x) M2 M2 f 00 (x) M2 ,
0 f 00 (x) + M2 2M2 ,
00 (x) 0.
Do la fonction est convexe et par consquent (x) g(x) x [a, b], i.e.,
f (x)
M2
(x a)(b x) g(x).
2
49
(5.13)
Considrons prsent la fonction dfinie sur [a, b] par

(x) = f (x) +
M2
(x a)(b x).
2
La fonction est de classe C 2 (car f lest) et (x) = f 00 (x) M2 . Par ailleurs

|f 00 (x) M2 M2 f 00 (x) M2 ,
2M2 f 00 (x) M2 0,
00 (x) 0.
Do la fonction est concave et par consquent (x) g(x), x [a, b], i.e.,
M2
(x a)(b x) g(x).
2
Des quation (5.13) et (5.14), il vient que
f (x) +
f (x) g(x)
M2
(x a)(b x)
2
et
(5.14)
M2
(x a)(b x) f (x) g(x).
2
Il suit alors que

|f (x) g(x)|
M2
(x a)(b x)
2
De l, on a
R
Rb
Rb
b
a f (x)dx a g(x)dx a |f (x) g(x)|dx,
M2
(x a)(b x)dx,
a
M2
(b a).
12
Rb
Rb
Do lerreur commise en prenant a f (x)dx = a g(x)dx est
eT =
M2
(b a).
12
(5.15)
Lintervalle [a, b] est de grande amplitude

La fonction f est mesure exprimentalement en (n + 1) points rgulirement rpartis a = x0 , x1 , . . . , xk , . . . , xn = b dfinis par xk = a + kh avec k = 1, 2, . . . , n 1.
Ainsi, Lorsque la longueur de lintervalle nest pas courte, on divise lintervale [a, b] en n
ba
intervalles [xk1 , xk ] de mme amplitude h =
.
n
Chacun des intervalles [xk1 , xk ] tant de petites amplitudes, on a
R xk
xk1
f (x)dx
xk xk1
[f (xk ) + f (xk1 )],
2
h
[f (xk ) + f (xk1 )].
2
50
Ainsi
Rb
a
f (x)dx
n R
P
xk
k=1
xk1
f (x)dx,
n h
P
[f (xk ) + f (xk1 )],
k=1 2
h
[f (x0 ) + f (x1 ) + f (x3 ) + . . . + f (xn1 ) + f (xn ))],
2
!
n
X
h
f (x0 ) + 2
f (xk ) + f (xn ) .
2
k=1
Do
b
Z
a
avec h =
h
f (x)dx
2
f (a) + f (b) + 2
n
X
!
f (xk ) ,
(5.16)
k=1
ba
.
n
Calcul de lerreur
On divise lintervalle [a, b] en n intervalles a = x0 , x2 , . . . , xk , . . . , xn = b de mme
ba
amplitude h =
dfinis par xk = a + kh avec k = 1, 2, . . . , n 1. Sur chaque
n
intervalle [xk1 , xk ], on a
Z xk
Z xk
gk (x)dx,
f (x)dx
xk1
xk1
f (xk ) f (xk1 )
,
xk xk1
est la droite passant par (xk1 , f (xk1 ) et (xk , f (xk )). On a alors
n
R
P R xk
Rb
R xk
b
,
f
(x)dx
g
(x)dx
a f (x)dx a gk (x)dx =
k
xk1
xk1
gk (x) = f (xk ) + (x xk )
k=1
n R
R xk
P
xk
gk (x)dx ,
xk1 f (x)dx xk1
k=1
n R
P
xk
k=1
xk1
n M
P
2
(xk xk1 )3 ,
12
k=1
n nM
P
2
k=1 12
|f (x) gk (x)|dx,
ba
n
M2
(b a)3 .
12n2
51
3
,
Do lerreur commise en prenant
Rb
a
f (x)dx =
Rb
a
g(x)dx est
M2
M2 2
h (b a).
(b a)3 =
2
12n
12
R2
Exemple 5.3 : Calculer lintgrale I = 1 xdx avec h = 0.2 et h = 0.1.
Pour h = 0.2, on a
R2
I = 1 xdx,
ET =
(5.17)
0.2
[f (1) + 2f (1.2) + 2f (1.4) + 2f (1.6) + 2f (1.8) + f (2)],
2
= 0.1[1 + 2.4 + 2.8 + 3.2 + 3.6 + 2],

= 1.5.
Pour h = 0.1, on a
R2
I = 1 xdx,
=
0.1
[f (1) + 2f (1.1) + 2f (1.2) + 2f (1.3) + 2f (1.4) + 2f (1.5) + 2f (1.6) + 2f (1.7)
2
+ 2f (1.8) + 2f (1.9) + f (2)],

= 0.05[1 + 2.2 + 2.4 + 2.6 + 2.8 + 3 + 3.2 + 3.4 + 3.6 + 3.8 + 2],
= 1.5.
Algorithme de la formule composite du trapze
1. Lire a, b les bornes de lintervalle
2. Lire n, le nombre de sous-intervalles
ba
, le pas de la subdivision
3. h
n
f (a) + f (b)
4. I
2
5. x a
6. Pour k allant de 1 n 1 faire
x x + h
I I + f (x)
7. I I h
8. Afficher I
9. fin pour
52
On peut aussi avoir

ba
3. h
n
4. S 0
5. x a
x x + kh
S S + 2f (x)
7. fin pour
8. S S + f (a) + f (b)
h
9. I S
2
10. Afficher I
5.5
5.5.1
Mthode de Simpson
Soit calculer lintgrale dune fonction f sur un intervalle [a, b]. La mthode de
Simpson consiste remplacer la courbe de f par un polynme de dgr 2 passant par
a+b
les points (a, f (a)), (b, f (b)) et (c, f (c)) avec c =
. Lorsque [a, b] est grand, une
2
subdivision de ce dernier est ncessaire et lapproximation de f se fera alors sur chaque
intervalle de la subdivision.
5.5.2
Calcul de lintgrale
Cas o lintervalle [a, b] est de petite amplitude

Lintervalle [a, b] tant de courte amplitude, la fonction f est mesure exprientalement
en trois points rgulirement rpartis. Cest pourquoi, on approxime la fonction f par un
a+b
polynme de dgr 2, g passant par les points (a, f (a)), (b, f (b)) et (c, f (c)) avec c =
.
2
a2
On cherche g sous la forme g(x) = f (c) + a1 (x c) + (x c)2 , a1 , a2 R. On a
2
a2
a2
g(a) = f (c) + a1 (a c) + (a c)2 ,
et
g(b) = f (c) + a1 (b c) + (b c)2 ,
2
2
et
a2
2
a1 (a c) + 2 (a c) = f (a) f (c),
a1 (b c) + a2 (b c)2 = f (b) f (c).

2
53
La rsolution de ce systme donne

a1 =
f (b) f (a)
ba
et
a2 =
1
[f (a) + f (b) 2f (c)].
(a c)2
Ainsi,
Rb
a
f (x)dx
=
Rb
a
g(x)dx,
Rbh
a
f (c) + a1 (x c) +
i
a2
(x c)2 dx,
2
= (b a)f (c) +
a1
a2
[(b c)2 (a c)2 ] + [(b c)3 (a c)3 ],
2
6
= (b a)f (c) +
a2
(b c)3 ,
3
= (b c)f (c) +
1
(b c)3 [f (a) + f (b) 2f (c)],
3(a c)2
ba
[f (a) + f (b) + 4f (c)].
6
En prenant a = c h et b = c + h, on a
Z b
h
f (x)dx [f (a) + f (b) + 4f (c)].
3
a
(5.18)
Calcul de lerreur
Pour calculer lestimation de lerreur de cette formule, on a besoin du rsultat suivant :
Lemme 5.1 : Soit f une fonction de classe C 4 sur I telle que f (4) soit borne par M4
sur I. Soient I et h > 0 tels que [ h, + h] I alors
Z +h
M4 h5
h
f
(t)dt
[f
(
h)
+
f
(
+
h)
+
4f
()]
.
3
90
h
54
a+b
ba
et h =
. On a alors
2
2
Z b

M4 b a 5
h
f (x)dx [f (a) + f (b) + 4f (c)]
90
3
2
a
En appliquant le lemme ci-dessus sur [a, b] avec = c =
h
[f (a) + f (b) + 4f (c) est
3

5
M4 b a
eT =
.
90
2
Rb
a
f (x)dx =
(5.19)
Gnralisons le rsultat prcdent (n + 1) points rgulirement rpartis avec n pair.

Cas o lintervalle [a, b] est de grande amplitude
La fonction f est mesure exprimentalement en (n + 1) points rgulirement rpartis
(a = x0 , x1 , . . . , xk , . . . , xn = b) dfinis par xk = a + kh avec n = 2p, p N. Ainsi, on
divise lintervalle [a, b] en n (n pair) petits intervalles [x2k2 , x2k ] avec k = 1, 2, . . . , n/2
ba
. Dans ce cas, on a
de mme amplitude h =
n
Rb
R x2
R x4
R x6
R xn
f (x)dx,
f
(x)
=
f
(x)dx
+
f
(x)dx
+
f
(x)dx
+
.
.
.
+
xn2
a
x0
x2
x4
=
n/2
P
k=1
R x2k
x2k2
f (x)dx.
Chaque intervalle [x2k2 , x2k ] tant ptit, on a

R x2k
x2k2
f (x)dx
x2k x2k2
[f (x2k2 ) + 4f (x2k1 ) + f (x2k )],
6
h
[f (x2k2 ) + 4f (x2k1 ) + f (x2k )].
3
Dans ce cas, on a
Rb
a
f (x)
n/2
P
h
[f (x2k2 ) + 4f (x2k1 ) + f (x2k )],
k=1 3
h
[f (x0 ) + 4f (x1 ) + f (x2 ) + f (x2 ) + 4f (x3 ) + f (x4 ) + . . . + f (xn2 ) + 4f (xn1 ) + f (xn )],
3
h
[f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + 2f (x4 ) + . . . + 2f (xn2 ) + 4f (xn1 ) + f (xn )]
3
n2
n1
X
X
h
f (xk ) .
f (xk ) + 4
f (x0 ) + f (xn ) + 2
k=2
k=3
k paire
k impaire
55
Do
n2
n1
X
X
h
f (xk ) + 4
f (xk ) .
f (x)dx f (x0 ) + f (xn ) + 2
3
a
k=2
k=3
k paire
k impaire
(5.20)
ou encore
Z b
(n2)/2
(n2)/2
X
X
h
f (x2k ) + 4
f (x2k+1 ) .
(5.21)
f (x)dx f (x0 ) + f (xn ) + 2
3
a
k=1
k=0
Z
Calcul de lerreur
Les intervalles [x2k2 , x2k ] tant ptits, on a
Z x2k+1
h
f (x)dx [f (x2k2 ) + 4f (x2k1 ) + f (x2k )],
3
x2k1
et
Z
5
M x x
x2k
M2 5
h
2k
2k2
h.
f (x)dx [f (x2k2 ) + 4f (x2k1 ) + f (x2k )]
=
90
x2k2
3
2
90
Par ailleurs, sachant que
Z
f (x)dx =
a
n/2 Z
X
k=1
x2k
f (x)dx
x2k2
n/2
X
h
k=1
[f (x2k2 ) + 4f (x2k1 ) + f (x2k )],
on a
n/2
n/2
P M4 5 n M4 5
h
P R x2k
f
(x)dx
[f
(x
)
+
4f
(x
)
+
f
(x
)]
h =
h.
2k2
2k1
2k
x
2k2
k=1
3
2 90
k=1 90
Rb
a
f (x)dx =
ES =
n/2
P
h
[f (x2k2 ) + 4f (x2k1 ) + f (x2k )] est
i=1 3
M4
(b a)5 .
4
180n
Sachant que nh = b a, on obtient finalement

ES =
M4
(b a)h4 .
180
(5.22)
Remarque 5.2 : Le calcul de lintgrale de la fonction f sur [a, b] par la mthode des
M2
trapzes gnrele une erreur ET =
(ba)3 o M2 = sup |f 00 (x)|. Cette erreur devient
12n2
x[a,b]
56
M4
(b a)5 si lon utilise la mthode de Simpson (ici M4 = sup |f (4) (x)|). On
4
180n
x[a,b]
M2
M4
5
(b
a)
tend
plus
vite
vers
zro
que
(b a)3 .
constate que quand n ,
180n4
12n2
Autrement dit lerreur obtenue par la mthode de Simpson est plus petite que celle obtenue
par la mthode des trapzes. Il en rsulte que la mthode de Simpson donne une meilleure
approximation de lintgrale de f sur [a, b] que la mthode des trapzes.
ES =
Exemple 5.4 :
1. Calculer 0.001 prs lintgrale I =
R1
1 + x2 dx laide de la formule de Simpson.
0
A laide de la formule (5.22), trouvons tout dabord la valeur de h qui assure le dgr
de prcision ncessaire. On a
f (x) =
1 + x2 ,
x
,
f 0 (x) =
1 + x2
1
f 00 (x) = p
,
(1 + x2 )3
3x
f (3) (x) = p
,
(1 + x2 )5
12x2 3
f (4) (x) = p
.
(1 + x2 )7
La valeur maximale de f (4) (x) est atteinte sur le segment [0, 1] au point x = 0 ;
f (4) (0) = 3, i.e., M4 = 3. Pour cette raison
ES =
h4
h4
(b a)M4 =
1.3
180
180
h4
0.001, i.e.,
60
4
4
h 0.06. On peut prendre h = 0.5 ( si h = 0.5 alors h = 0.0625), i.e., un peu
plus de la valeur ncessaire. Toutefois, la prcision du calcul ne sera influence, car
lvaluation a t faite laide de lerreur limite absolue qui, videmment, est plus
grande que lerreur effective. Ainsi, le dgr de prcision requis peut tre atteint en
dcomposant lintervalle dintgration en deux parties.
Calculons les valeurs prises par la fonction f (x) = 1 + x2 pour x = 0, 0.5, 1. On

a f (0) = 1.000, f (0.5) = 1.1180 et f (1) = 1.4142. Cest pourquoi
R1
I = 0 1 + x2 dx,
Pour que cette erreur soit infrieure 0.001, il est ncessaire que
0.5
[f (0) + 4f (0.5) + f (1)],
3
= 1.1477.
De cette faon, en arrondissant le dernier chiffre, on trouve I 1.148.
57
Pour comparer les rsultats, calculons la valeur exacte de cette intgrale. On a

1
R1
x
1
2
2
2
1 + x dx =
1 + x + ln(x + 1 + x ) ,
0
2
2
0
=
1
1
[ 2 + ln(1 + 2)] (4.4142 + 0.8814),
2
2
1.478.
On voit que la valeur de lintgrale calcule par la formule de Simpson est donne
non seulement avec trois, mais aussi avec quatre dcimales exactes.
R 1 dx
2. Calculer lintgrale I = 0
par la formule de Simpson, en posant n = 8.
1 + x2
Les calculs doivent tre effectus six dcimales. Evaluer lerreur du rsultat obtenu. Comparer le rsultat avec la valeur vraie de lintgrale prise avec un chiffre de
reserve.
Les valeurs de la fonction prises sous le signe dintgration doivent tre dtermines
pour les valeurs suivantes de la variable indpendante (h = 0.125) : x0 = 0, x1 =
1
; f (0) =
10.125, . . . , x8 = 1. On trouve les valeurs correspondantes de f (x) =
1 + x2
1, f (0.125) = 0.984625, f (0.25) = 0.941176, f (0.375) = 0.87612, f (0.5) = 0.80000,
f (0.625) = 0.719101, f (0.75) = 0.640000, f (0.875) = 0.566389 et f (1) = 0.50000.
Portons ces valeurs dans la formule de Simpson pour h = 0.125. On a
I =
=
0.125
[f (0) + f (1) + 4(f (0.125) + f (0.375) + 0.719101 + f (0.875)) + 2(f (0.25) + f (0.5) + f (0
3
0.125
[1 + 0.5 + 4(0.984625 + 0.87612 + 0.719101 + 0.566389) + 2(0.941176 + 0.8 + 0.64)],
3
,
0.785392.
La valeur vraie de lintgrale est
Z 1
dx
I=
= [arctan x]10 = 0.7853979,
2
4
0 1+x
ce qui confirme le rsultat trouv.
Algorithme
ba
3. h
n
4. I f (a) + f (b)
58
5. x a
h
x x +
2
I I + 4f (x)
h
x x +
2
I I + 2f (x)
7. x x
h
8. I I
6
9. Afficher I
10. fin pour
59
5.6
Exercices
R2
Exercice 5.1 : Trouver par la formule des trapzes, la valeur approche de 1 xdx en
divisant lintervalle dintgration par 10 intervalles de mme longueur. Estimer lerreur.
Exercice 5.2 : En se servant de la formule des trapzes, trouver ln 2 =
prcision de lordre de 0.01.
R 2 dx
avec une
1
x
Exercice 5.3 : Calculer par la mthode du point milieu les intgrales suivantes :
Z
x2
Z
dx,
n=5
et
1 x3 dx,
n = 5.
Exercice 5.4 :
R +
2
1. Calculer numriquement lintgrale I = ex /2 dx en utilisant les valeurs du tableau
2
ci-dessous et en considrant que ex /2 est ngligeable pour x > 5.
x
x2 /2
0 0.5
1
1.5
2
2.5
1 0.882 0.607 0.325 0.135 4.39.102
3
1.11.102
3.5
2.19.103
4
3.35.104
2. Cette intgrale est trs utilise en statistique. Calculer sa valeur exacte partir de
R +
2
lintgrale de Gauss : ex /2 dx = .
Exercice 5.5 : Calculer par la mthode des trapzes les intgrales suivantes :
Z
Z
1
x3 dx,
n=5
et
ex dx,
n = 4.
Exercice 5.6 : Calculer par la mthode de Simpson, les intgrales suivantes :

Z 2 x
Z 2
e
ln x
dx,
n = 5,
et
dx,
n = 4.
x
1 x
1
R 1 dx
Exercice 5.7 : Sachant que 0

= , trouver par trois mthodes diffrentes une
2
1+x
2
valeur approches de . On divisera lintervalle dintgration en 10 parties gales. Comparer les rsultats obtenus.
Exercice 5.8 : Calculer par la formule de Simpson lintgrale
donne tabulairement par
x
f(x)
1.05 1.10 1.15 1.20 1.25

2.36 2.50 2.74 3.04 3.46
60
R 1.35
1.05
1.30 1.35
3.98 4.60
f (x)dx si f (x) est
4.5
4.01.105
5
3.73.
Chapitre 6
Rsolution numrique des quations
non linaires
Dans certains problmes scientifiques, on a souvent besoin de rsoudre numriquement
les quations de la forme :
f (x) = 0,
(6.1)
ou un systme dquation de ce type. Par exemple de la forme
fi (x1 , x2 , . . . , xn ) = 0,
i = 1, 2, . . . , n.
(6.2)
Ces quations peuvent tre aussi bien algbriques (par exemple polynomiale) ou transcendantes (par exemple sinusodale, exponentielle ou hyperbolique). Ces quations sont
souvent dites quations finies pour les distinguer des quations diffrentielles. Il existe
plusieurs mthodes pour rsoudre numriquement lequation (6.1) ou le systmes (6.2).
Nous donnerons dans ce chapitre quelque une de ces mthodes.
6.1
Position du problme
Soit donn lquation (6.1) o f (x) est une fonction dfinie et continue sur un certain
intervalle [a, b]. On admettra que f (x) est de classe C 2 [a, b] et que f (a) et f (b) sont de
0
00
signe contraire, i.e., f (a)f (b) < 0 et les deux drives f (x) et f (x) garde chacune le
mme signe sur [a, b]. Sous ces conditions, lquation (6.1) possde sur [a, b] une et une
0
seule racine (f (x) garde le signe sur [a, b] implique que la fonction y = f (x) est monotone
00
sur [a, b] ; f (x) garde le mme signe sur [a, b] implique que la courbe y = f (x) a sur [a, b]
une convexit soit oriente vers le haut, soit oriente vers la bas).
Puisque les racines relles de lquation (6.1) sont les abscisses des points dintersection
de la courbe y = f (x) avec laxe des abscisses Ox, alors la recherche des racines de
lquation f (x) = 0 peut se faire graphiquement. A la place de lquation y = f (x) on
peut prendre lquation y = kf (x) o k est une constante diffrente de zro puisque les
quations f (x) = 0 et kf (x) = 0 sont quivalentes. La constante peut tre ordonne
61
de sorte que les ordonnes des points de graphe ne soient pas extrmement grandes, ou
inversement, de sorte que la courbe ne soit pas trs proche de laxe 0x. Il est souvent
utile dcrire lquation f (x) = 0 seront les abscisses des points dintersection des courbes
y = (x) et y = (x).
Exemple 6.1 : En crivant lquation x2 + 3x sin x = 0 sous forme x2 + 3x = sin x, on
voit bien que les racines de x2 + 3x sin x = 0 sont les abscisses des points dintersection
des courbes y = x2 + 3x et y = sin x.
6.2
6.2.1
Mthode de dichrotomie ou de partage en deux

La mthode
Supposons que f (a) < 0 < f (b) et que la fonction f est strictement croissante sur
[a, b]. La solution r de lquation f (x) = 0 appartient [a, b], i.e., a r b. Le milieu
a+b
. Si f (a) et f (c) sont de signes contraires alors r [a, c], i.e.,
de lintervalle est c =
2
a r c. Si par contre cest f (c) et f (b) qui sont de signes contraires alors r [c, b], i.e.,
c r b. Dans lun ou lautre cas, la taille de lintervalle est divise par 2. Une nouvelle
bisection peut tre faite sous de nouvels intervalles contenant la solution et ansi de suite.
ba
Aprs n tapes, la taille de lintervalle devient
(voir figure 6.1).
2n
Figure 6.1
6.2.2
Organigramme
Lorganigramme de la mthode de dichrotomie ou de bisection est donn par la figure

ci-dessous :
Cette mthode permet ainsi de donner un encadrement de la solution avec une prcision
de .
62
Figure 6.2
6.2.3
Algorithme

2. Lire la prcision voulue.
a+b
3. c
.
2
4. Si f (c) = 0 alors stop x = c est la solution.
5. Si f (c)f (a) < 0 alors
b c
sinon
a c
6. si |a b| > aller en 3.
7. Sinon afficher x.
6.3
Mthode de la corde
On se propose de trouver la racine isole sur [a, b] 1 de lquation f (x) = 0. Considrons

la courbe de la fonction y = f (x). Supposons que f (a) < 0 et f (b) > 0. Alors joignons les
points A(a, f (a)) et B(b, f (b)) de la courbe par une corde (le segment dextrmits A et
B) (voir figure 6.3).
En qualit de lapproximation de la racine cherche, on peut prendre le point x1 ,
abscisse du point dintersection de la corde AB avec laxe 0x. Cette solution approche
1. Ceci signifie que lquation f(x)=0 possde sur [a,b] une seule racine
63
Figure 6.3
se calcule par la formule :
x1 = a
(b a)f (a)
f (b) f (a)
o x1 appartient au segment [a, b]. Si f (x1 ) = 0, alors x1 est la racine cherche. Si

par contre f (x1 ) 6= 0, alors des deux choses lune : f (x1 ) < 0 ; f (x1 ) > 0. Supposons que
f (x1 ) < 0. Alors la racine isole de lquation f (x) = 0 se trouve dans le segment [x1 , b],
qui est plus petit que [a, b]. Soit A1 B (avec A1 (x1 , f (x1 )) la corde reliant les points A1 et
B de la courbe y = f (x) et soit x2 labscisse du point dintersection de A1 B avec laxe des
abscisses 0x :
x2 = x1
(b x1 )f (x1 )
.
f (b) f (x1 )
En qualit de la valeur approche de la racine de lquation f (x) = 0 sur [a, b], on

prend x2 . Si f (x2 ) = 0, alors la racine de f (x) = 0 est trouve. Dans le cas contraire, i.e.,
si f (x2 ) 6= 0, on continue le processus. Ainsi de suite, on obtient une suite de nombres
x1 , x2 , ...,
xn+1 = xn
(b xn )f (xn )
,
f (b) f (xn )
x1 = a
(b a)f (a)
,
f (b) f (a)
n = 1, 2, ...
qui converge vers la racine de lquation f (x) = 0. Pour calculer la valeur approche de
la racine de lquation f (x) = 0, il nous faut donner ce quon appelle degr de prcision.
Dfinition 6.1 : Soit x la racine exacte de lquation f (x) = 0. on dira que est la
valeur approche de x avec une prcision de lordre de si | x | .
Si x est la racine exacte isole sur [a, b] de lquation f (x) = 0 et la valeur approche
de cette racine trouve par la mthode de cordes, alors lestimation de lerreur de cette
approximation peut se calculer par la formule :
00

f (x)
f (a)f (b)

max 0
| x |<
[a,b] [f (x)]3
2
64
.
Dans lalgorithme prcdent, la racine approche avec lordre de prcision donn est
xn tel que :
Exemple 6.2 : Calculer par la mthode de cordes la racine sur [1; 1, 7] de lquation
x4 2x 4 = 0 avec une prcision de lordre de 0,01.
Pour cet exemple nous avons f (1) = 5 < 0, f (1, 7) = 0, 952 > 0. Trouvons la
premire approximation par la formule (1) :
x1 = 1
(1, 7 1)f (1)

= 1, 588
f (1, 7) f (1)
puisque f (x1 ) = f (1, 588) = 0, 817 < 0, nous appliquons une fois de plus la mthode
de cordes sur [1, 588; 1, 7],ce qui nous donne la deuxime approximation :
x2 = 1, 588
(1, 7 1, 588)f (1, 588)

= 1, 639
f (1, 7) f (1, 588)
f (1, 639) = 0, 051 < 0.

On trouve la troisime approximation :
x3 = 1, 639
(1, 7 1, 639)f (1, 639)

= 1, 642
f (1, 7) f (1, 639)
f (1, 642) = 0, 016 < 0.

Trouvons la quatrime approximation :
x4 = 1, 642
(1, 1, 642)f (1, 642)

= 1, 643
f (1, 7) f (1, 642)
f(1,643) = 0,004>0
Ce qui signifie que la racine cherche se trouve sur le segment [1, 642; 1, 643]. Dautre
part, 1,643-1,642 = 0,001. Par consquent la racine approche cherche avec une prcision
de lordre de 0,01 est x = 1, 64.
Remarque 6.1 : Dans ce qui prcde, nous avons suppos que lquation f (x) = 0 possde une seule racine sur [a, b]. Si jamais elle possde plus dune racine sur [a, b], alors
avant dutiliser la mthode de cordes pour la recherche des racines de cette quation, il
faut dabord sparer les racines, i.e., dcouper le segment [a, b] en un certain nombre de
segments [a, b] dans chacun desquels lquation ne possde pas plus dune racine. Pour cela
il faut noter que si une fonction est continue, drivable sur un segment et si sa drive
garde le mme signe sur le dit segment, alors la fonction sera monotone sur ce segment et
ne pourra pas sannuler plus dune fois sur le dit segment. Pour savoir si f (x)sannule sur
[ai , bi ], on regarde le signe du produit f (ai )f (bi ). Si ce produit est ngatif, alors lquation
f (x) = 0 admet sur (ai , bi ) une racine. Si par contre ce produit est positif, alors f (x) = 0
65
nadmet pas de solution sur (ai , bi ). Si f (ai )f (bi ) = 0, alors x = ai ou x = bi sera solution
de lquation f (x) = 0.
6.4
6.4.1
Mthode de Newton-Raphson
La mthode
Supposons que la racine relle de lquation f (x) = 0 est isole sur [a, b]. On admettra
que la fonction f (x) vrifient toutes les conditions indiques dans lintroduction. Soit x0
00
00
un point quelconque de [a, b] tel que f (x0 )f (x0 ) > 0, i.e., f (x0 ) et f (x0 ) ont le mme
00
signe (si f (a)f (a) > 0, alors en qualit de x0 on peut prendre x0 = a. De mme si
00
f (b)f (b) > 0, alors on peut prendre x0 = b).
Passons au pointM0 (x0 , f (x0 )) la tangente la courbe y = f (x) (voir figure 6.4).
Figure 6.4
Dsignons par x1 labscisse de lintersection de cette tangente avec laxe des abscisses
0x :
f (x0 )
.
x1 = x0 0
f (x0 )
En qualit de la racine approche de lquation f (x) = 0 prenons x1 .Rptons ceci au
point M1 (x1 , f (x1 )). On obtient comme racine approche de lquation le nombre :
x 2 = x1
f (x1 )
.
f 0 (x1 )
Ainsi de suite nous obtenons une suite de points de [a, b]x0 , x1 , ..., xn , ...
xn+1 = xn
f (xn )
,
f 0 (xn )
x 1 = x0
66
f (x0 )
,
f 0 (x0 )
n = 1, 2, ...
(6.3)
dont la limite est la racine de lquation f (x) = 0. Pour estimer lerreur de la racine
approche trouve par la mthode de Newton, on peut utiliser la formule
00

00
f (x)
f ()

| x |<
max
2 [a,b] [f 0 (x)]3
Ici x est la racine exacte et la racine approche.
Si on se propose de trouver la racine approche de f (x) = 0 avec une prcision de
lordre de , alors chaque tape, il faut vrifier le signe de f (xn )f (xn1 ) et comparer
| xn xn1 | avec . Si f (xn )f (xn1 ) < 0 et | xn xn1 | , alors en qualit de la
racine approche avec lordre de la prcision indique, on prend xn avec le nombre de
chiffres aprs la virgule gal au nombre de chiffres aprs la virgule dans . Si par contre
f (xn )f (xn1 ) > 0 ou | xn xn1 |> , on passe litration suivante.
Exemple 6.3 : Calculer par la mthode de Newton la racine sur [1; 1, 7] de lquation
x4 2x 4 = 0 avec une prcision de lordre de 0,01. On a f 0 (x) = 4x3 2, f 00 (x) = 12x2 .
Puisque f (1, 7)f 00 (1, 7) > 0 (voir lexemple prcdent), on prend x0 = 1, 7. En utilisant la
formule (1), on trouve tour tour
x1 = x0
f (1, 7)
0, 952
f (x0 )
= 1, 7 0
= 1, 7
= 1, 646
0
f (x0 )
f (1, 7)
17, 652
et f (x0 )f (x1 ) > 0.

x2 = x1
f (x1 )
f (1, 646)
0, 048
= 1, 646 0
= 1, 646
= 1, 643
0
f (x1 )
f (1, 646)
15, 838
et f (x1 )f (x2 ) > 0.

x3 = x2
f (1, 643)
0, 004
f (x2 )
= 1, 643 0
= 1, 643
= 1, 6427
0
f (x2 )
f (1, 643)
15, 740
f (x2 )f (x3 ) < 0 et | x2 x3 |= 0, 0003 < 0, 01.

Par consquent la racine cherche est x3 = 1, 6427 avec deux chiffres aprs la virgule
(car = 0, 01 a deux chiffres aprs la virgule), i.e. x = 1, 64.
Remarque 6.2 :
f (xn )
est monotone, borne et
f 0 (xn )
converge vers la solution x. Ce rsultat donne une condition suffisante pour que la
mthode de Newton converge vers x mais la condition nest pas ncessaire. Dans le
cas o il ny a pas de convergence, on change la valeur de x0 .
1. Lorsque f (x0 )f 00 (x0 ) > 0, la suite xn+1 = xn
2. La mthode de Newton est une mthode ditrations de second ordre (souvent appel
mthode des approximations sucessives). Ces mthodes se traduisent par la rptition
systmatique dune opration dtermine. Ce qui finit par donner de proche en proche
la solution exacte.
67
3. La formule de Newton est lune des plus utilises parce quelle est relativement plus
simple et dune convergence trs suffisante dans la plupart des cas. Il faut toutefois
que x0 soit assez prs de la racine pour que la drive f 0 ne change pas de signe
entre x0 et la solution x. Si en effet, f 0 sannule sans que f sannule aussi alors
la tangente la courbe doit couper laxe des abscisses linfini puisque quil risque
dosciller indfiniment autour de la solution sans latteindre.
4. Il est possible de modifier la mthode de Newton et dcrire
xn+1 = xn p
f (xn )
,
f 0 (xn )
o p est un nombre ou une fonction. De mme, on peut aussi crire

xn+1 = xn
gf (xn )
.
n ) + hf (xn )
gf 0 (x
5. Condition darrt : La mthode de Newton converge vers la solution exacte x mais

on ne sait pas explicitement quel moment une certaine prcision est atteinte. Pour
cela, on utilise gnralement les rsultats souivants : Soit x une racine de lquation
f (x) = 0 et soit xn une valeur approche de x. Si lintervalle [a, b] contenant x et
xn on a |f 0 (x)| m > 0, alors
|xn x| |f (xn )|m.
Dans la pratique, on pourra prendre m = min(|f 0 (a)|, |f 0 (b)|). Si est la prcision
|f (xn )|
< .
exige alors on arrtera le calcul lorsque
m
6.4.2
Organigramme
Lorganigramme de la mthode de Newton-Raphson est donn par la figure ci-dessous :
6.4.3
Mthode de Newton en six tapes
Le but est de chercher r tel que f (r) = 0.

Etape 1 : se fixer (prcision recherche sur lapproximation de r)
Etape 2 : mettre lquation sous la forme f (x) = 0 ;
Etape 3 : Calculer f 0 (x) ;
Etape 4 : Choisir graphiquement un point de dpart x0 ;
f (x0 )
Etape 5 : Calculer x1 = x0 0
;
f (x0 )
Etape 6 : Comparer |x1 x0 | < ;
. Si |x1 x0 | < fin de la procdure : r = x0 = x1 .
. Si |x1 x0 | > , x1 devient un nouveau point de dpart partir duquel on calcule
f (x1 )
x2 = x1 0
; puis on compare |x2 x1 | .... et on poursuit les itrations en calculant
f (x1 )
x3 , x4 , . . . , xn , xn+1 jusqu ce que |xn+1 xn | < .
68
Figure 6.5
69
6.5
Mthode par approximations successives
Soit R un espace mtrique euclidien de R et soit g une application de R dans R.

Dfinition 6.2 : Lapplication g sappelle contraction, sil existe un rel < 1 tel que
pour tous les x, y R, on a
| g(x) g(y) | | x y | .
(6.4)
Toute contraction g de R dans R est une application continue. En effet, soit xn une
suite de points de R convergente vers x R, i.e., | xn x | 0, quand n +. Alors
puisque | g(xn ) g(x) | | xn x |, on conclut que | g(xn ) g(x) | 0, n +, et g
est continue.
Dfinition 6.3 : Un point x sappelle point fixe dune application g(x) si g(x) = x.
Thorme 6.1 : (Principe des contractions) : Toute contraction g dun espace mtrique complet R dans R possde un et un seul point fixe.
Preuve : Soit x0 un point quelconque de R. Si g(x0 ) = x0 , alors x0 est un point fixe de
g. Supposons que g(x0 ) 6= x0 . Soit xn la suite des points de R definie par :
xn = g(xn1 ),
n = 1, 2, ...
Montrons que xn est une suite fondamentale.

|xn+p xn | = | g(xn+p1 ) g(xn1 ) | | xn+p1 xn1 |= | g(xn+p2 ) g(xn2 ) |,
2 | xn+p2 xn2 |= 2 | g(xn+p3 ) g(xn3 ) | 3 | xn+p3 xn3 |
... n | xp x0 |
= n | (xp xp1 ) + (xp1 xp2 ) + ... + (x2 x1 ) + (x1 x0 ) |

n [| xp xp1 | + | xp1 xp2 | +...+ | x1 x0 |]
Puisque
| xm+l xm ||l=1 m | x1 x0 |,
on a
| xn + p xn | n [p1 + ... + + 1] | x1 x0 |
n | x1 x0 |
P
k=0
k =
n | x1 x0 |
1
Puisque 0 < 1,
n | x1 x0 |
0,
1
70
n +,
et il sen suit que xn est une suite fondamentale. R tant un espace mtrique complet,
la suite xn converge vers un point x R : lim g(xn ) = x R. Il dcoule alors de la
n+
continuit de g que :
g(x) = lim g(xn ) = lim xn1 = x.
n+
n+
Cette galit montre que x est un point de g. Alors

| x y |=| g(x) g(y) | | x y |,
et cete ingalit na lieu que si x = y, car 1. le thorme est dmontr. Soit f une
fonction de [a, b] vrifiant la condition de Lipschitz
| f (x1 ) f (x2 ) | K | x1 x2 |,
avec la constante K < 1.Alors f est une contraction et daprs le thorme prcdent la
suite xn dfinie par xn = f (xn1 ), x0 [a, b] converge vers la solution unique de lquation
f (x) = x. La condition de la contraction est vrifie sur le segment[a, b] ds que f (x) est
drivable sur [a, b] et | f 0 (x) | K < 1 sur [a, b]. En effet, pour tous les x1 et x2 dans
[a, b] alors le segment dextrmits x2 et x1 est contenu dans [a, b]. Daprs la formule de
Lagrange
f (x1 ) f (x2 ) = (x1 x2 )f 0 (c),
o c est un point du segment dextrmit x1 et x2 . Mais alors
| f (x1 ) f (x2 ) |=| (x1 x2 )f 0 (c) | K | x2 x1 |= | x2 x1 |, avec = K < 1,
ce qui montre que f est une contraction.
2
Soit rsoudre lquation F (x) = 0 sur [a, b], avec F (a) < 0, F (b) > 0 et 0 <
K1 F 0 (x) K2 sur [a, b]. Introduisons la fonction f (x) = x F (x) et cherchons les
racines de lquationx = f (x), ce qui est quivalente F (x) = 0 quand 6= 0. Puisque
f 0 (x) = 1 F 0 (x), 1 K2 f 0 (x) 1 K1 et on peut prendre de sorte que
| f 0 (x) | K < 1 sur [a, b]. Cela se fait des conditions 1 K1 < 1 0 < K1 ,
1 K2 > 1 K2 < 2, et 1 K2 1 K1 i.e.,
K1 > 0,
K2 < 2,
K2 K1 ..
Avec ce choix de , la fonction f (x) est une contraction et les approximations successives
de lquation F (x) = 0 sont xn = f (xn1 ), x0 [a, b].
Si x est la racine isole de F (x = 0) sur [a, b] et on cherche la racine approche avec
une prcision de lordre de , alors en qualit de cette racine approche on prend xn tel
que
1K
| xn xn1 |<
.
K
71
Exemple 6.4 : Trouver par la mthode des approximationss successives la racine de

lquation 2 ln x x = 0 avec une prcision de lordre de 0, 001.
Pour cet exemple, on a F (x) = 2 ln x x. Trouvons lintervalle de la racine isole
de F (x) = 0. F (x) = 0 ln x = 2 x et la droite dquation 2 x = y coupe laxe 0x en
x = 2 et la courbe y = ln x coupe cet axe en x = 1. Le point dintersection des courbes
2 x = y et y = ln x a son abscisse entre 1 et 2. [1, 2] est alors le segment de racine isole
de F (x) = 0.
3
Puisque 2 F 0 (x) < . Nous ne pouvons pas alors appliquer ce qui prcde.
2
Cependant, les quations F (x) = 0 et F (x) = ln x + x 2 = 0 sont quivalentes.
3
Puisque 0 < F 0 (x) 2, on pose f (x) = x (F (x)). Alors on choisira des
2
3
3
conditions > 0, 2 < 2 et 2 . On peut alors prendre = 1/2, ce qui donne
2
2
1
1
1
f (x) = x (2 + ln x + x) = ln x + x + 1
2
2
2
vrifie alors lingalit
1
13
1
1
1 2 f 0 (x) 1
0 f 0 (x) | f 0 (x) |
2
22
4
4
1K
sur
[1, 2].
= 0, 003. En qualit de x0 = 1. Alors

3
x1 = f (x0 ) = ,
2
x2 = f (x1 ) = 1, 5472,
x4 = f (x3 ) = 1.5568, .
x3 = f (x2 ) = 1.5553,
| x4 x3 |= 0.0015 < 0.003.

La solution approche est alors x = 1, 556.
6.6
Mthode de Chebyshev (Mthode de Newton gnralis)
Soit trouver la racine isole dans (a, b) de lquation f (x) = 0. On suppose que la
fonction f (x) est de la classe de C n (a, b) et que f 0 (x) 6= 0 sur (a,b). Considrons la courbe
x = + A1 y + A2 y 2 + ... + An1 y n1 + An yn .
Dfinition 6.4 : On dit que deux courbes y = f (x) et y = g(x) possdent en un point x0
une tangente dordre n si f (k) (x0 ) = g (k) (x0 ), k = 0, 1, 2, ..., n.
Du point de vue gomtrique, le point de tangente dordre n est la position limite de n + 1
points dintersection des courbes y = f (x) et y = g(x) quand on tend ces points vers le
72
point dabscisse x0 . Ordonnons les paramtres , A1 , A2 , ..., An de sorte que les courbes
n
P
y = f et x = +
Ak y au point dabscisse x0 de (a, b) possdent une tangente dordre n.
k=1
Dans notre cas, la courbe y = g(x) est donne sous la forme implicite x = +
n
P
Ak y k . Sous
k=1
un tel choix des paramtres , A1 , A2 , ...An on peut prendre en qualit de valeur approche
n
P
de la racine cherche labscisse du point dintersection de la courbe x = +
Ak y k avec
k=1
laxe 0x, cest--dire, le point .

1. Si n = 1, on a x = + A1 y, ce qui donne 1 = A1 y 0 , et de lgalit f 0 (x0 ) = y 0 (x0 )
1
y
on trouve A1 = 0
, i.e., x = + 0
y(x) = g(x) = (x )f 0 (x0 ). Cette
f (x0 )
f (x0 )
courbe coupe laxe 0x au point dabscisse x = . Dautre part f (x0 ) = y(x0 )
f (x0 ) = (x0 )f 0 (x0 ), do
= x0
f (x0 )
f 0 (x0 )
(mthode de Newton).
(6.5)
2. Si n = 2, on obtient de la mme faon

f (x0 )
[f (x0 )]2 f 00 (x0 )
= x0 0
.
f (x0 )
2![f 0 (x0 )]3
(6.6)
3. Si n = 3, alors
= x0
f (x0 )
[f (x0 )]2 f 00 (x0 ) [f (x0 )]3 3[f 00 (x0 )]2 f 0 (x0 )f 000 (x0 )
.
f 0 (x0 )
2![f 0 (x0 )]3
3!
[f 0 (x0 )]5
(6.7)
4. Si n = 4, alors on obtiendra
= x0
f (x0 )
[f (x0 )]2 f 00 (x0 ) [f (x0 )]3 3[f 00 (x0 )]2 f 0 (x0 )f 000 (x0 )
f 0 (x0 )
2![f 0 (x0 )]3
3!
[f 0 (x0 )]5
(6.8)
0
2 (4)
[f (x0 )] [f (x0 )] f
4!
00
000
00
(x0 ) 10f (x0 )f (x0 )f (x0 ) + 15[f (x0 )]

.
[f 0 (x0 )]7
Ecrivons lestimateur de lerreur de la racine approche dans le cas des formules (6.5)
et (6.6). Dans le cas n = 2 (formule (6.5)),
00

3[f (x)]2 f 0 (x)f 000 (x)
[f (x0 )]3

| x |<
max
(6.9)

[a,b]
3!
[f 0 (x)]5
Dans le cas de la (6.6), (n = 3) et
0

[f (x)]2 f (4) (x) 10f 0 (x)f 00 (x)f 000 (x) + 15[f 00 (x)]3
[f (x0 )]4

,
| x |<
max

[a,b]
4!
[f (x0 )]7
o x est la racine exacte.
Exemple 6.5 : Calculer
5 avec une prcision de lordre de 0, 001.

73
(6.10)

En remarquant que 5 est une racine de lquation x2 5 = 0, nous pouvons appliquer
lquation x2 5 = 0 la mthode de Chebyshev avec n = 4. En qualit de x0 , prenons
x0 = 2. Alors
f (x)
= x2 5,
f (2) = 1;
0
f (x)
= 2x,
f 0 (2) = 4;
f 00 (x) = 2,
f 00 (2) = 2;
000
f (x) = 0,
f 000 (2) = 0;
f (4) (x) = 0,
f (4) (2) = 0.
1.2
1 3.4
1 15.8
1
,
= 2
4
2.43
6 45
24 47
= 2+
1
2
1
5
,
4 128 512 16384
= 2.236022949218.
f (2, 2360) < 0 et f (2, 2361) > 0 et on a | 2, 2361 2, 2360 |= 0, 0001.
On peut alors prendre comme racine approche la valeur x = 2, 2360.
Remarque 6.3 :
1. Il existe de nombreuses autres mthodes telles que la mthode des parties proportionnelles, la mthode de Bairstow, la mthode de petits paramtres ou de perturbations.
La mthode de Bairstow permet de trouver la solution complexe de lquation.
2. Il existe des mthodes qui permettent de trouver simultanement toutes les racines
dun polynme en particulier le cas des polynmes de degr 3 et 4.
3. On peut aussi laborer les processus itratifs du premier, second et troisime ordre
pour les systmes dquations non linaires en particulier pour le systme de deux
quations :
G(x, y) = 0,
(6.11)
H(x, y) = 0.
On peut trouver x partir de G(x, y) = 0 et y partir de H(x, y) = 0. On aura
alors le processus itratif suivant :
xn+1 = g(xn , yn ),
(6.12)
yn+1 = h(xn , yn ).
De mme, partir de la formule de Newton, le systme dquations peut donner le
processus itratif suivant :
xn+1 = xn + 1 (HGy GHy ) |xn ,yn ,
(6.13)
yn+1 = yn + (GHx HGx ) |xn ,yn ,
o = Gx Hy Gy Hx .
74
6.7
Exercices
Exercice 6.1 : Proposer un algorithme pour la mthode de la corde.

Exercice 6.2 : Ecrire un organigramme pour la mthode des approximations successives.
Exercice 6.3 :
1. Etablir la formule itrative pour la mthode de Newton pour le systme dquations
deux inconnues suivant :
G(x, y) = 0,
H(x, y) = 0.
2. Ecrire un algorithme correspondant.

Exercice 6.4 : Trouver par la mthode de cordes la racine positive de lquation x4
2x 4 = 0 avec une prcision de lordre de 0.01.
Exercice 6.5 : En combinant la mthode de la corde et la mthode de Newton, trouver
la racine approche de lquation x3 + x2 11 = 0 dans (1, 2) avec une prcision de lordre
de 0.001.
Exercice 6.6 : Par la mthode des approximations successives, trouver la racine approche de lquation 2 ln x x = 0 avec une prcision de lordre de 0.001.
Exercice 6.7 : Par la mthode des approximations successives, trouver la racine approche de lquation x3 + 2x 7 = 0 avec une prcision de lordre de 0.01.
Exercice 6.8 : Trouver graphiquement les intervalles des racines isoles de lquation
x3 9x2 + 18x 1 = 0. Par lune des mthodes tudies que lon prcisera, trouver la
racine approche de la dite quation sur 0.1 avec une prcision de lordre de 0.01.
Exercice 6.9 : Rsoudre par la mthode de cordes et de Newton lquation x4 12x5 = 0
avec une prcision de lordre de 0.01.
Exercice 6.10 : Rsoudre par la mthode de Chebyshev lquation x3 12x 5 = 0 avec
une prcision de lordre de 0.01, n = 2.
Exercice 6.11 : Appliquer deux fois la mthode de Newton pour trouver la racine approche de lquation x4 8x + 1 = 0, isole sur [1.6, 2]. Trouver les valeurs approches x1
et x2 avec deux chiffres aprs la virgule. Estimer lerreur de lapproximation x2 .
Exercice 6.12 : Appliquer cinq fois la mthode des approximations successives pour trouver la racine approche de lquation 2x cos x = 0, isole sur [0, 0.5].
75
Exercice 6.13 : Trouver par la mthode de Chebyshev la racine approche de lquation

3x5 + 6x 16 = 0 avec une prcision de lordre de 0.00001, avec n = 2.
Exercice 6.14 : Calculez ( la main) 104 prs la racine r positive de lquation g(x) =
x pour g(x) = x2 + x1 et comparer avec la mthode de bissection.
76
Chapitre 7
Approximation par la mthode des
moindres carrs
7.1
Position du problme
La mthode dapproximation par les moindres carrs est utilise dans de nombreuses
applications sous des noms diffrents :
- optimisation linaire ;
- Mthode de regression ;
- lissage des courbes.
Les expriences en physique, chimie et biologie peuvent contenir des centaines voire
des milliers de mesures. Lutilisation des mthodes dinterpolation doit alors conduire
de grandes erreurs darrondi et des calculs assez longs.
La mthode des moindres carrs nous permet dutiliser plusieurs fonctions pour obtenir
une approximation simple. Par exemple, soient (y1 , y2 , . . . , yn ) les valeurs correspondantes
aux points (x1 , x2 , . . . , xn ) et y = f (x, a0 , a1 , . . . , am ) avec m < n. Il est clair que puisque
m n, il nest pas possible davoir f tel que quelque soit k, on a y(xk ) = yk . Mais on peut
choisir les n paramtres a0 , a1 , . . . , am tels que y(xk ) yk , i.e., de faon que les m couples
de valeurs de x et y conviennent le mieux. La thorie des probabilit nous apprend que
les valeurs de a0 , a1 , . . . , am qui sont les meilleurs minimisent la somme
R=
m
X
[fk f (xk )]2 = [f1 f (x1 )]2 + [f2 f (x2 )]2 + . . . + [fm f (xm )]2 ,
(7.1)
k=1
o f (xk ) = yk . Autrement dit la somme des carrs des carts des valeurs de y calcules
par la formule par rapport aux valeurs donnes do la dnomination de mthode des
moindres carrs.
77
7.2
7.2.1
Rsolution du problme de lapproximation par les

moindre carrs
Choix des paramtres par la mthode des moindres carrs
La condition (7.1) permet de former un systme dquations de m do lon tire

a0 , a1 , . . . , am :
m
X
R
= 0,
a
k
k=1
i.e.,
m
X
[f (xk , a0 , a1 , . . . , am ) yk ]
k=1
f (xk , a0 , a1 , . . . , am )
= 0,
aj
j = 1, 2, . . . , m.
(7.2)
La solution de ce systme permet alors alors de trouver les coefficients a0 , a1 , . . . , am de

la fonction f (x, a0 , a1 , . . . , am ).
Remarque 7.1 : Parfois, afin de simplifier la rsolution du systme (7.2), on est contraint
transformer la formule donne y = f (x, a0 , a1 , . . . , am ), mais la prcision de la solution
ainsi obtenue sen ressent.
7.2.2
Cas particuliers
Cas dun polynme de dgr un

Considrons le cas dun polynme de dgr n = 1, i.e., y = f (x) = a0 + a1 x. Dans ce
cas, on a
m
X
R=
[fk (a0 + a1 xk )]2 .
(7.3)
k=1
Pour que R soit minimal, il faut que

R
=0
a0
et
R
= 0,
a1
On obtient ainsi le systme dquations deux inconnues a0 et a1 suivant :

m
P
[fk (a0 + a1 xk )]a0 = 0,
k=1
m
P
[fk (a0 + a1 xk )]a1 xk = 0.
k=1
78
(7.4)
La rsolution du systme ci-dessus donne

m
P
a0 =
x2k
k=1
m
P
fk
m
P
k=1
k=1
m
P

x2k
xk
m
P
m
P
xk f k
k=1
xk
k=1
k=1
m
P
xk f k
k=1
a1 =
et
2
m
P
xk
k=1
m
P

x2k
m
P
fk
k=1
2
m
P
(7.5)
xk
k=1
k=1
Cas dun polynme de dgr quelconque m

Considrons la cas dun polynme de dgr quelconque m y = f (x) = a0 + a1 x + . . . +
am xm . On a m + 1 paramtres : a0 , a1 , . . . , am avec n > m + 1. Le systme (7.2) prend la
forme :
m
m
m
P
P
P
m1
m
a
x
+
a
x
+
.
.
.
+
ma
=
yk ,
m
m1
0
k
k
k=1
k=1
k=1
m
m
m
m
P
P
P
P
m+1
m
a
x
+
a
x
+
.
.
.
+
a
x
=
xk yk ,
m
m1
0
k
k
k
k=1
k=1
k=1
k=1
m
m
m
m
P
P
P
P
(7.6)
m+2
m+1
2
a
x
+
a
x
=
x2k yk ,
+
.
.
.
+
a
x
m
m1
0
k
k
k
k=1
k=1
k=1
k=1
...
m
m
m
m
P
P
P
P
a
x2m + a
x2m1 + . . . + a
xm y ,
xm =
m
m1
k=1
k=1
k=1
k=1
Ce systme de m + 1 quations m + 1 inconnues admet toujours une solution unique,

car son dterminant est diffrent de zro.
Pour dterminer les coefficients du systme (7.6), il est utile de composer le tableau
auxilliaire ci-dessous :
k xk
1 x1
2 x2
.
..
.
..
n
x
n
P
x2k
x21
x22
..
..
x2n
x3k
x31
x32
..
..
x3n
...
...
...
...
...
...
x2m
k
x2m
1
x2m
2
..
..
x2m
n
yk
y1
y2
..
..
yn
xk yk
x1 y1
x2 y2
..
..
xn yn
x2k yk
x21 y1
x22 y2
..
..
x2n yn
...
...
...
...
...
...
xm
k yk
xm
1 y1
x2k y2
..
..
xnk yn
Dans la dernire ligne, sont portes les sommes des lments constituant les colonnes
respectives. Ces sommes reprsentent les coefficients du systme (7.6). Le systme (7.6)
est dhabitude rsolu par la mthode de Gauss.
Exemple 7.1 : A laide de la mthode des moindres carrs, choisir une fonction quadratique p(x) = a2 x2 + a1 x + a0 pour les valeurs de x et de y donnes :
x 7
8
9
10 11 12
y 7.4 8.4 9.1 9.4 9.5 9.5
79
13
9.4
Formons le tableau
k
1
2
3
4
5
6
7
P
xk
7
8
9
19
11
12
13
70
x2k
49
64
81
100
121
144
169
728
x3k
343
512
729
1000
1331
1728
2197
7840
x4k
yk
xk y k
x2k yk2
2401 7.4 51.8 362.6
4196 8.4 67.2 537.6
6561 9.1 81.9 737.1
10000 9.4
94
940
14641 9.5 104.5 1149.5
20736 9.5
114
1368
28561 9.4 122.2 1588.6
87096 62.7 635.6 6683.4
Do on tire le systme suivant :
728a2 + 70a1 + 7a0 = 62.7

7840a2 + 728a1 + 70a0 = 635.6,
87096a2 + 784a1 + 728a0 = 6683.4.

La solution de ce systme est a0 = 2.12, a1 = 1.1 et a2 = 0.04. Ainsi la fonction
quadratique cherche est de la forme
p(x) = 0.04x2 + 1.1x + 2.12.
Cas des fonctions de la forme y = Aecx
Pour simplifier le systme (7.2), on prend le lograrithme de la formule y = Aecx qui
lie x et y :
log y = log A + c log ex.
Alors le systme (7.2) prend la forme :
m
m
P
P
log yk ,
x
+
m
log
A
=
c
log
e
k=1
k=1
(7.7)
m
m
m
P
P
P
c
log
e
x
+
log
A
x
=
xk log yk
k
k
k=1
k=1
k=1
Le tableau auxiliaire sera

k xk
1 x1
2 x2
.
.
n xn
P
x2k
x21
x22
.
x2n
log yk
log y1
log y2
.
log yn
xk log yk
x1 log y1
x2 log y2
.
xn log yn
Exemple 7.2 : Trouver par la mthode des moindres carrs une fonction exponentielle
S = Aect daprs les donnes du tableau suivant :
t
S
0
2
4
6
8 10 12
1280 635 324 162 76 43 19
80
On forme le tableau suivant :

k
t
t2k y = log S
1
0
0
3.1072
2
2
4
2.8028
3
4 16
2.5105
4
6 36
2.2095
5
8 64
1.8808
6 10 100
1.6335
7 12 144
1.2787
P
42 364 15.4230
ty
0
5.6056
10.0420
13.2570
15.0464
16.3350
15.3444
75.6304
On obtient le systme dquations :
42c log e + 7 log A = 15.4230,
364c log e + 42 log A = 75.6304,
cest dire c log e = 0.1509, log A = 3.1087. Par consquent, A = 1284 et c = 0.347.
Ainsi, la fonction exponentielle cherche sera
S = 1284e0.347t .
Cas gnral
De manire plus gnrale dans lapproximation par la mthode des moindres carrs la
fonction f peut tre dfinie par
f (x) =
m
X
ak gk (x) = a0 g0 (x) + a1 g1 (x) + . . . + an gn (x),
(7.8)
k=1
o les fonction gk (x) sont des fonctions quelconques et peuvent donc tre de nature difR
frente. Lorsque le systme dquations
= 0 est gros, la rsolution se fait numriak
quement. En gnral, le systme dquations que lon obtient est dfini de la manire
suivante :
m
P
A00 a0 + A01 a1 + A02 a2 + . . . + A0n an =

g0 (xi )fi ,
i=1
A10 a0 + A11 a1 + A12 a2 + . . . + A1n an =

g1 (xi )fi ,
(7.9)
i=1
...
m
P
An0 a0 + An1 a1 + An2 a2 + . . . + Ann an =

gn (xi )fi ,
i=1
o
Akj =
m
X
gk (xi )gj (xi ),
j = 0, 1, . . . , n et k = 0, 1, 2, . . . , n.
i=1
81
7.3
Exercices
Exercice 7.1 : Les rsultats dune exprience est donn dans le tableau suivant :
x 1 2 4 6
y 10 5 2 1
1. De ce tableau, utiliser la formule dinterpolation de Lagrange pour dterminer la valeur
de y pour x = 3.
2. Utiliser aussi la formule dinterpolation de Lagrange pour dterminer la valeur de x
pour y = 1.5.
3. Construire un polynme dapproximation de dgr 2 par la mthode des moindres carrs
y = a0 + a1 x + a2 x 2 .
(7.10)
4. Construire par la mthode des moindres carrs une fonction dapproximation de la

forme
a1
y = a0 + .
(7.11)
x
5. Des formules (7.10) et (7.11) quelle est la plus bonne approximation ? Justifier votre
reponse en calculant le reste. A partir de la bonne formule dterminer les valeurs des
inconnues des deux premires questions.
Exercice 7.2 : Trouver la fonction puissance S = Atq .
t
S
1
7.1
2
3
4
5
15.2 48.1 96.3 150.1
Exercice 7.3 : Trouver la fonction exponentielle S = Aect .

t
S
2.2 2.7 3.5

67 60 53
82
4.1
50
Chapitre 8
linaires
8.1
Position du problme
Un certain nombre de problmes scientifique sexprime sous forme de systmes dquations plusieurs inconnues. De mme un certain nombre de mthodes de calcul scientifique
se transforme la rsolution des systmes dquations linaires. Nous pouvons citer :
- la mthode dapproximation par les moindres carrs
- lapproximation spline
- la mthode des diffrences finies pour les quations diffrentielles valeurs aux limites
et pour les quations aux drives partielles, formulation matricielle de la mthode des
lments finis, les systmes diffrentiels, etc...
Les systmes d quations sont donc prsent en physique, en ingnrie, en mcanique,
en sciences biologique et chimique et dans dautres domaines de sciences exacte. Ils interviennent galement en sciences sociales (conomie, politique, sociologie...).
Dans le cas des systmes linaires, ces mthodes de rsolution peuvent tre classes en
deux catgories :
- les mthodes directes qui conduisent la solution aprs un certain nombre doprations connu priori (mthode de dterminant ou Cramer, limination successive, inversion
des matrices) ;
- les mthodes itratives qui conduisent la solution par une succession damlioration
dune solution approche. Le nombre ditration tant difficile prvoir et dpendant de
la forme du systme (mthode de Jacobi et mthode de Gauss-Seidel).
83
8.2
8.2.1
Calcul matriciel
Quelques dfinitions de base
Une matrice est un tableau rectangulaire

forme :
a11
a21
A = ..
.
am1
des nombres rels ou complexes de la

a1n
a3n
.
..
amn
Sous forme condens, on crit A = (aij ); i = 1, 2, , m; j = 1, 2, , n. m : nombre

de ligne et n : nombre de colonne. On parle alors de matrice m n. La diagonale
contenant les lments aii est la diagonale principale. Si n = m la matrice est carre.
La transforme dune matrice m n note A = (aij ) est la matrice n m note
AT = (aji ). Les colonnes de A sont les lignes de AT et les lignes de A sont les
colonnes de AT .
Une matrice carre relle (aij = relle) est dit symtrique ssi aij = aji cest--dire
AT = A.
Si aij = aji = aii = 0, alors AT = A et la matrice est dite antisymtrique.
Une matrice carre (aij ) donc les lments situs au dessus (ou en dessous) de la
diagonale principale sont nuls est appele matrice triangulaire.
On appelle matrice en echelon, une matrice telle que :
1. les coefficients principaux des lignes 1, 2, 3, sont situes dans les colonnes de
numro strictement croissant (le coefficient principal dune ligne est le premier
coefficient nul de cette ligne).
2. Si une ligne a tout ses coefficients nuls, il en est de mme des lignes suivantes.
Une matrice carre (aij ) dont les lments situs au dessus et en dessous de la
diagonale principale sont tous nuls (aij = 0, i 6= j) est appel matrice diagonale. Si
les lments de la diagonale principale sont tous gaux un nombre C, la matrice
est dite scalaire-. Si C = 1, la matrice est unitaire.
Pour une matrice carre m m, si les coefficients aij sont nuls lorsque |i j| >
k(k < m), la matrice est dite (2k + 1)diagonale.
En particulier :
si k = 0 = matrice diagonale,
si k = 1 = matrice tri-diagonale,
si k = 2 = matrice penta-diagonale,
84
8.2.2
Produit de deux matrices et proprits
a) Dfinition
Soit A = (aij ) une matrice m n et B = (bij ) une matrice r p. Le produit C = AB
est dfini si et seulement si r = n. Ce produit est la matrice m p dont les lments (cij )
sont dfines par :
n
X
cij =
aik bkj .
k=1
b) Algorithme
pour j allant de 1 p
faire
pour i allant de 1 m
faire
cij 0
pour k allant de 1 n
faire
cij cij + aik bkj
fin pour
ecrire cij
fin pour
fin pour
Proprits :
La multiplication des matrice est associative et distributive par rapport laddition,
La multiplication des matrices nest pas commutative.
La transpose dun produit de matrice est gale au produit des transposes pris dans
lordre inverse (AB)T = B T AT .
En gnral, on montre que lensemble des matrices carres a une structure danneau
non-commutatif, lment unitaire et avec division de zero.
85
8.2.3
Calcul des dterminants
a) Dfinition
Un dterminant dordre n est un tableau carr de n n nombre rel ou complexe
compris entre deux barres verticales.
a11
a21
D = ..
.
an1
a1n
a3n
.
..
ann
Sa valeur calculable par plusieurs mthodes est un nombre rel ou complexe.

b) Mthode des mineurs et cofateurs
Les mineurs Mij dun lment aij du dterminant D dordre n est le dterminant
dordre n1 obtenu en supprimant la ligne et la colonne de D passant par aij . La quantit
c0ij = (1)i+j Mij est appele cofacteur de llment aij . La valeur du dterminant est alors
donne par la formule :
n
n
X
X
0
akj c0kj .
aik cik =
D=
k=1
k=1
Bienque cette mthode soit simple et dune grande importance sur le plan thorique, elle
est trop longue pour les calculs quand les matrices sont dordre suprieur.
c) Mthode de triangularisation ou du pivot
Proposition
Soit A une matrice donc la 1ere colonne nest pas nulle (cest--dire que la premire
colonne contient au moins un lment non nul), par yune succession convenable dopration, la matrice A peut tre transform en une matrice donc la premire colonne a tout ces
lments non nuls sauf le premier. En procedant ainsi, on obtient une matrice triangulaire.
Pour le faire, on utilise la mthode suivante :
Soit ai1 un lment non nul de la premire colonne de A, il suffit dexecuter les instructions suivantes.
1. Echanger les lignes L1 et Li (si i 6= 1), le coefficient a11 de la nouvelle matrice est
alors nul.
2. Pour k allant de 2 n (n : nombre de ligne de la matrice)
faire
Lk Lk
ak1
Li
a11
la 1ere coordonne de la nouvelle ligne est alors ak1
86
ak1
a
a11 11
= 0.
On considre ensuite la matrice partant de la 2eme colonne et de la 2eme ligne,

on procde alors de la mme faon jusqu obtenir une matrice triangulaire. Le
dterminant de la matrice est alors gal au produit des lments de la diagonale
principale.
Exemple :

3 4
5 2
14
5
= (5; 2) (3; 4) = (0; ) =
3
3
3 4
0 2
Cette mthode est aussi appele mthode de pivot et le coefficient ai1 est appel pivot.
Pour des calculs la main, on choisira de prfrence le pivot le plus simple (le meilleur
tant 1 pour viter les divisions). Si lon utilise un ordinateur, il est recommand de choisir
le plus grand pivot en valeur absolue pour diminuer linfluence des erreurs darrondies, on
parle alors de pivot maximum.
Il existe une autre variante de la mthode de pivot qui consiste reduire lordre du
dterminant tape par tape pour en former une matrice triangulaire donc les lments
situs au dessus de la diagonale principale sont tous nuls (matrice triangulaire infrieure).
d) Quelques thormes sur le calcul des dterminants
Thorme 1 :
Le dterminant de la transpose dune matrice est gale au dterminant de la matrice.
Thorme 2 :
Si tout les lments dune colonne (ou dune ligne) dun dterminant D sont multiples
dun mme facteur K, alors le nouveau dterminant est Dk = kD.
Thorme 3 :
Si tout les lments dune colonne ou dune ligne dun dterminant D sont tous nuls
alors D = 0.
8.2.4
Inversion des matrices
Thorme :
Linversion A1 dune matrice carre A existe si et seulement si detA 6= 0. A1 est
alors unique et dfini par :
1
A1 =
C oT ,
detA
o C oT est la transpose de C o = (Cijo ), Cijo tant le cofacteur de (aij ).
87
8.2.5
Valeurs propres et vecteurs propres
Soit la matrice carre dordre n, A = (aij ) et lquation vectorielle AX = X o

est un nombre et X un vecteur de n composantes. Toute valeur de pour laquelle
lquation admet une solution X 6= 0 est appele valeur propre ou valeur caractristique
de A. La solution correspondante est appele vecteur propres ou vecteurs caractristiques.
Un tel problme se rencontre dans de nombreuses applications notamment en physique de
vibrations et en mcanique de structure ou lon recherche les modes propres de vibrations.
Lensemble des valeurs propres est appel spectre de A. Elles sont solutions de lquation
caractristique |A I| = 0. Il existe deux mthodes principales pour dterminer les
valeurs propres.
1. La premire mthode permet de calculer les valeurs propres relles, elle repose sur
le principe de dcomposition dune matrice carre en un produit de deux matrices
triangulaires (lune suprieur et lautre infrieur). Cest le principe de dcomposition
LU(Lower-Upper).
2. La deuxime tout fait gnrale permet de dterminer toute les valeurs propres
relles et imaginaires. Elle donne une expression explicite du polynme caractristique en utilisant les relations de Newton relative un polynme. Ce polynme peut
tre rsolu par les mthodes de rsolution des quations algbriques non linaires
(par la mthode de NewtonRaphson).
8.3
8.3.1
systmes dquations linaires et mthode de Cramer

Dfinition et cas particulier
On appelle systme linaire de n quations n inconnues, lquation matricielle :

AX = B,
o A = (aij ), X et b sont des vecteurs colonnes :
x1
b1
x2
b2
X = ..
et
B = ..
.
.
xn
bn
(8.1)
Si le vecteur B = ~0, le systme est dit homogne, sinon il est inhomogne,

Le systme a la mme proprit que sa matrice : systme dechelon, diagonal, diagonale triangulaire.
Le dterminant de A est le dterminant du systme.
88
8.3.2
Mthode de Cramer
Aussi appel mthode de dterminant, on lutilisait le plus frquemment avant lvnement des ordinateurs. Elle a t dcouverte en 1950 par la mathmaticien Suisse Gabriel
Cramer et elle sexprime par le thorme suivant :
Thorme de Cramer :
Si le dterminant D est non nul, le systme (8.1) admet une solution dfinir par
Xk = DDk o Dk est le dterminant obtenu de D en remplaant la colonne k par la colonne
des lments du vecteur B.
8.4
8.4.1
Mthode de Gauss ou des lminations successives

ou de pivot
Mthode dlmination successive de Gauss
Prsentation de la mthode
Cest une mthode utilise depuis le 19e sicle. Elle a t systmatis par la mathmaticien Allemand Gauss en 1809 pour les besoins de la mcanique celeste. Son principe
est le suivant :
Les inconnues sont limines successivement en exprimant partir dune des quations
une inconnue en fonction des autres puis en substituant dans le reste des quations. On
peut ainsi dun systme de n quations n quations un systme de n quations
n 1 inconnues. Le processus se poursuit jusqu lobtention dune quation une seule
inconnue. On trouve alors cette dernire inconnue, et par le processus inverse, les autres
inconnues sont calcules. Lquation qui permet dexprimer une inconnue en fonction des
autres est appel quation pivotale.
Pour viter les erreurs darrondies, lquation pivotale doit tre celle qui possde le
plus grand coefficient de linconnue liminer. Lide de cette mthode de Gauss peut
galement sexprimer de la manire suivante : rduire le systme matriciel AX = B en
un systme triangulaire suprieur. Le systme triangulaire peut alors se rsoudre par un
processus inverse cest--dire on trouve dabord Xn , en suite Xn1 , ainsi de suite jusqu
X1 .
89
Algorithme
Soit le systme :
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

.
..
a x + a x + + a x = b
n1 1
n2 2
nn n
n
Dsignons par Li la ligne numro i.
pour i allant de 2 jusqu n
faire lopration
ai1
L1
Li Li
a11
On obtient le systme :
a11 x1 + a12 x2 + + a1n xn = b1
0 + a0 x 2 + + a0 x n = b 2
22
2n
..
0 + a0 x + + a0 x = b
n2 2
nn n
o
a0ij = aij
et
ai1
a1j
a11
ai1
b1
a11
On continut le processus en considrant le systme constitu des lignes 2 n et ainsi
de suite jusquau systme constitu de ligne n 1 et n. Pour une tape k, cest--dire en
considrant le systme constitu des lignes k n lalgorithme suivant peut tre utilis.
pour i allant de k + 1 n
faire
aik
bi bi
bk
akk
pour j=k n
faire
aik
aij aij
akj
akk
fin
fin
On peut ainsi en dduire lalgorithme de triangularisation du systme dquation en
faisant varier k de 1 n 1.
b0i = bi
90
8.4.2
Rsolution numrique des systmes triangulaires
Gnralement, on obtient un systme
a11 a12
0 a22
0 a33
0
.
..
0
0 0
triangulaire suprieur de la forme :
a1n
x1
b1
x 2 b2
a2n
..
x 3 b3
.
=
.. ..
..
. . .
xn
bn
ann
On rsoud le systme de la faon suivante :

On trouve dabord la solution de la dernire quation, en suite on substitut lavant
dernire quation et il vient :
xn =
bn
;
ann
xn1 = (bn1 an1,n xn )/an1,n1 .
En continuant le processus, la solution dindice k est donne par :

xk = (bk ak,k+1 xk+1 ak,k+2 xk+2 ak,n xn )/ak,k .
ou sous la forme compacte
xk =
8.5
1
ak,k
bk
n
X
!
ak,l xl
l=k+1
Mthode de Jordan
Elle est analogue celle de Gauss, sauf quici lon met aussi gale 0 les termes qui
se retrouvent au dessus de la diagonale principale.
8.5.1
Mthode de la dcomposition triangulaire
Principe
Soit le problme AX = B. On peut de manire unique dcompos la matrice A en 2
matrices triangulaires dont lune est triangulaire infrieure avec les lments quelconques
sur la diagonale et lautre triangulaire suprieure avec tous les lments diagonaux gaux
1. Soient L et S ces 2 matrices triangulaires. On a donc A = LS et le systme devient
SX = L1 B.
Ce dernier systme est un systme triangulaire que lon peut rsoudre par le schma
prcdent.
91
Dcomposition de la matrice
On peut crire
l11
l21
L = l31
..
.
ln1
L et S sous la forme :
0 0 ... 0
l22 0 . . . 0
l32 l33 . . . 0
..
.. . .
.
.
.
0
ln2 ln3 . . . lnn
et
S=
1 s12 s13
0 1 s23
0 0
1
.. ..
..
. .
.
0 0
0
. . . s1n
. . . s2n
. . . s3n
..
. 0
... 1
Lquation LS = A entrane par identification les lments suivants :

aj1 = lj1 , pour 1 j n
aj2 = lj1 s12 + lj2 , pour 2 j n
a1,j = l11 s1j , pour 2 j n
a2,j = l21 s1j + l22 s2j , pour 3 j n,

aj3 = lj1 s13 + lj2 s23 + lj3 , pour 3 j n

a3,j = l31 s1j + l32 s2j + l33 s3j , pour 4 j n,
aj,n1 = lj1 s1,n1 + lj2 s2,n1 + . . . + lj,n2 sn2,n1 + lj,n1 , pour n 1 j n

an1,j = ln1,1 s1j + ln1,2 s2j + . . . + ln1,n1 sn1,j , pour j = n.
Avec ces quations, on obtient les lments de la premire colonne de L puis ceux de la
premire ligne de S ensuite ceux de la deuxime colonne de L et ceux de la deuxime ligne
de S et ainsi de suite. On obtient alors les lments suivants qui permettent de calculer
les coefficients lij et sij . On a
lj1 = aj1 ,
1,j = a1j /l11 ,
lj2 = aj2 lj1 s2j ,
s2j = (a2j l21 s1j )/l22 ,
lj3 = (aj3 l31 s1j l32 s2j )/l33 ,
..
.
n2
P
l
=
a
ljk sk,n1 ,
j,n1
j,n1
k=1

n1
sn1,j = an1,j
ln1,k skj /ln1,n1 ,
k=1
n1
lnk skn .
lnn = ann
k=1
8.6
Mthode par inversion des matrices
Le systme matriciel AX = B admet pour solution X = A1 B. Il sagit alors de

trouver A1 et le multipli par le vecteur B.
92
8.7
Mthodes itratives
8.7.1
Prliminaires
Les mthodes directes (mthode de dterminant et par limination sucessive) sont

trs utiles et appropris pour les systmes de taille moyenne. Pour de systmes de grandes
tailles, les mthodes directes sont adquates car elle demanderait beaucoup despace
la mmoire de lordinateur et un temps trs grand. Il faut alors utiliser les mthodes
itratives qui sont trs facile, rapide en calcul et facile programmer. Cependant, ces
mthodes sont non exactes. Elles sont bases car le principe de calcul de suite infinie,
suite qui faudra troncer partir dun certain rang. Ce qui entranerait des rsultats assez
prcis, il faut que chacune des quations du systme possde un coefficient trs grand
devant tout les autres.
La rsolution se fait alors en exprimant linconnu ayant le plus grand coefficient en
fonction des autres inconnus. Deux problmes importants se posent quand on veut utiliser
les mthodes itratives : Le choix des valeurs initiales et la condition darrt cest--dire
le nombre maximal ditration necessaire pour obtenir la solution la plus prcise. Pour le
choix des valeurs initiales, on donne gnralement les valeurs 1 ou 0 toute les inconnus.
(k)
Pour la condition darrt, on peut arreter le processus ditration lorsque les itrs xi et
(k+1)
obtenus aprs k et k + 1 itrations respective satisfont une condition de la forme :
xi
(k+1)
|xi
(k)
xi | <
o est un infiniment petit dpendant de la matrice A des lments aii , bi et des valeurs
initiales de X.
8.7.2
Mthodes de Jacobi et Gauss-seidel
Avec cette mthode on peut rsoudre des systmes non-linaires (et fortiori on peut
rsoudre les systmes linaires). C est une mthode itrative, facile mettre en uvre et
rapide. Son principe : On devine une solution du systme, on exprime linconnue xi de la
ligne i en fonction des autres inconnus. On obtient alors :
xi = [bi ai1 x1 ai2 x2 ai,i1 xI1 ai,i+1 xi+1 + + ain xn ]/aii .
Ceci sugre que les valeurs connues de x1 , x2 , , xi , xi+1 , , xn soient substitus pour
trouver xi . La formule ditration de Jacobi est alors la suivante :
(k+1)
xi
(k)
(k)
(k)
(k)
(8.2)
/aii ,
(8.3)
= [bi ai1 x1 ai2 x2 ai,i1 xi1 ai,i+1 xi+1 + + ain x(k)

n ]/aii ,
ou sous la forme compact :

(k+1)
xi
bi
n
X
j=1 ,j6=i
93
!
(k)
aij xj
(k)
o xi sont les valeurs des inconnues obtenues aprs k itrations.

(k+1)
Dans la formule de Gauss-Seidel, les valeurs xj
pour j i1 sont utilises aussitt
(k+1)
quelles sont dtermines pour calculer xi
.
La formule itrative de Gauss-Seidel se met sous la forme
(k+1)
xi
(k+1)
= [bi ai1 x1
(k+1)
ai2 x2
(k+1)
(k+1)
]/aii , (8.4)
ai,i1 xi1 ai,i+1 xi+1 + +ain x(k+1)
n
ou sous la forme compact

(k+1)
xi
bi
i1
X
(k+1)
aij xj
j=1
n
X
!
(k)
aij xj
/aii .
(8.5)
j=i+1
Remarque 8.1 : Les deux mthodes sont importantes car ils existent les systmes dquations pour lesquels la mthode de Jacobi converge tandis que la mthode de Gauss-Seidel
ne converge pas et vis.versa.
94
8.8
Exercices
Exercice 8.1 : Un rayonnement lectromagntique traversant une solution contenant

P
plusieurs soluts s1 , s2 , s3 , , sn est absorb selon la loi de Beer suivante : A = ni=1 ki ()ci ,
o A est appel absorbance du rayonnment ou de la solution, longueur donde du rayonnement, ci concentration molaire du solut si , ki est un coefficient dependant de la longueur
donde. On se propose de dterminer les concentrations c1 , c2 , c3 , c4 dans une solution
contenant 4 soluts. Pour cel on possde ainsi :
On dtermine exprimentalement les coefficients ki () pour diverses valeurs de
en mesurant labsorbance dun rayonnement de longueur donde par une solution
contenant uniquement le solut si avec une concentraction connue.
On mesure labsorbance A() de ce mme rayonnemnt par la solution tudie.
Les rsultats de cette mesure sont donns dans le tableau suivant :
(m)
13,5
13.0
13.4
14.3
K1 ()
2,2530
0.0392
0.0512
0.0510
K2 () K3 () K4 ()
0.0771 0.000 0.0612
1.7274 0.000 1.236
0.0533 3,7980 0,4400
0.1025 0.000 0.5205
A()
0.1581
0.1634
0.3823
0.0642
Ecrire un algorithme qui utilise la mthode de pivot pour trouver les concentrations c1 , c2 , c3 .c4 .
Exercice 8.2 : Ecrire un algorithme pour la rsolution dun systme dquations linaires
par la mthode Jacobi.
Exercice 8.3 : Ecrire un algorithme pour la rsolution dun systme dquations linaires
par la mthode de Gauss Seidel.
95
Chapitre 9
Intgration numrique des quations
diffrentielles
Le prsent chapitre est destin la rsolution numrique des quations diffrentielles
ordinaires. Nous donnerons quelques mthodes numriques de la rsolution du problme
de Cauchy pour les quations diffrentielles ordinaires. On illustrera les proprits de ces
mthodes et estimera leurs erreurs.
9.1
Gnralits
9.2
Quelques premires dfinitions
Dfinition 9.1 : Une quation diffrentielle dordre m est une expression de la forme :
f (x, y, y 0 , y 00 , . . . , y (m) ) = 0,
(9.1)
o f : U R, U ouvert de R (Rn )m+1 . Ici y ne dpend que dune seule variable

x, on parle dquation diffrentielle ordinaire. Lorsquil y a plusieurs variables, on parle
dquation aux drives partielles.
On dit quune quation est sous la forme normale si elle scrit
y 0 = f (x, y),
(9.2)
avec f : U Rn , U R (Rn )n+1 , y 0 = (y10 , y20 , . . . , yn0 ). Cest ce type dquation que lon
va traiter dans ce chapitre.
Dfinition 9.2 : Une solution de (9.2) sur un intervalle I R est une fonction drivable
y : I Rn telle que
1. x I, (x, y(x)) U ;
96
2. x I, y 0 = f (x, y(x)).
Dfinition 9.3
1. Lensemble {(x, y(x)), t I} est appel trajectoire de la solution.
2. Lensemble {y(x), x I} est appel orbite de la solution.

Si on crit = (y1 , y2 , . . . , yn ) et f = (f1 , f2 , . . . , fn ), alors (9.2) est un systme diffrentiel
du premier ordre n fonctions inconnues y1 , y2 , . . . , yn ) :
y10 (x) = f1 (x, y1 , y2 , . . . , yn ),
y2 (x) = f2 (x, y1 , y2 , . . . , yn ),
(9.3)
..
y 0 (x) = f (x, y , y , . . . , y ).
n
1 2
n
n
9.2.1
Problme de Cauchy
Dfinition 9.4 (Problme de Cauchy) : Etant donn un point (x0 , y0 ) U , le problme de Cauchy consiste trouver une solution y : I Rn de (9.2) sur un intervalle I
contenant x0 dans son intrieur, telle que y(x0 ) = y0 .
Souvent, la variable x reprsente le temps et y = (y1 , y2 , . . . , yn ) est une famille de
paramtres dcrivant ltat dun systme matriel donn.
9.3
Rsolution du problme de Cauchy laide de la

formule de Taylor
Une des mthodes lmentaires par sa description de rsolution du problme de Cauchy

pour les quations diffrentielles ordinaires est base sur lutilisation de la formule de
Taylor. Soit trouver sur le segment [x0 , x0 + X] la solution de lquation diffrentielle
ordinaire du premier ordre
y 0 = f (x, y),
(9.4)
qui vrifie la condition initiale y(x0 ) = y0 ; f (x, y) tant une fonction analytique au point
(x0 , y0 ), i.e., qui peut se mettre sous la forme
f (x, y) =
aij (x x0 )i (y y0 )j ,
i,j=0
dans un certain voisinage du point (x0 , y0 ). En diffrentiant (9.4) par rapport x, on

obtient
y 00 = fx (x, y) + fy (x, y)y 0 ,
y 000 = fxx (x, y) + 2fxy (x, y)y 0 + fyy (x, y)y 02 + fy (x, y)y 00 , ...
97
En inserant x = x0 , y = y0 dans (9.4) et les relations prcdentes, on trouve les valeurs

y 0 (x0 ), y 00 (x0 ), y 000 (x0 ), ...
Alors on peut crire lapproximation
y(x)
n
X
y (i) (x0 )
i=0
i!
(x x0 )i .
(9.5)
Si | x x0 | est plus grande que le rayon de convergence de la srie
X
y (i) (x0 )
(x x0 )i ,
i!
i=0
alors lerreur de la formule (9.5) ne tendra pas vers zro quand n et la mthode ne
sera pas applicable.
Le plus souvent on procde de la faon suivante. On divise le segment [x0 , x0 + X]
en des segments lmntaires [xj1 , xj ], j = 1, 2, . . . , N . On obtiendra successivement les
valeurs approches y(xj ), j = 1, 2, . . . , N , suivant la rgle suivante. Supposons la valeur
(i)
yj dj trouve, et calculons au point xj les drives yj de la solution de lquation
diffrentielle (9.4), passant par le point (xj , yj ), i.e., yj (xj ) = yj . Sur le segment [xj , xj+1 ]
on a
(i)
n
X
yj
y(x) zj (x) =
(x xj )i ,
(9.6)
i!
i=0
et prenons
yj+1 = zj (xj+1 ).
(9.7)
Etudions le cas o xj+1 xj h. Si jamais la valeur de yj concidait avec la solution

exacte y(xj ), alors lerreur commise en prenant zj (xj+1 ) la place de yj+1 serait de lordre
de O(hn+1 ). Puisque nous introduisons lerreur en O(h1 ) sur les segments, alors on peut
sattendre avoir
max | yj y(xj) |= O(hn ),
1jN
quand on diminue le pas h du rseau.

Exemple 9.1 : Trouver les trois premiers termes de la srie de Taylor de la solution du
yx
problme de Cauchy y 0 =
, y(0) = 1.
y+x
Solution : On a
x2
y(x) = y(0) + y 0 (0)x + y 00 (0) .
2
y(0)
0
Lquation donne directement y 0 (0) =
= 1 par la suite,
y(0) + 0
(y 0 1)(y + x) (y 0 + 1)(y x)
00
y (x)|x=0 =
= 2.
(y + x)2
x=0
Alors
y(x) 1 + x x2 .
98
9.4
Mthode de Runge-Kutta
Dans le cas particulier o n = 1, la formule (9.6) de la section prcdente prend la

forme suivante :
yj+1 = y(xj+1 ),
= yj + yj0 .(xj+1 xj ),
h = xj+1 xj ,
= yj + hf (xj , yj ),
i.e.,
h = xj+1 xj .
yj+1 = yj + hf (xj , yj ),
(9.8)
Cette mthode sappelle mthode dEuler.

Lalgorithme suivant peut tre utiliser :
Donnes de x0 , y0
y y0 ; x x0
Pour k allant de 1,n
faire
y y + hf (x, y)
x x + kh ou x x + h
fin pour
ecrire (x,y)
On peut construire une autre classe de formules de calcul contenant la mthode dEuler. Supposons connue la valeur de y(x) et proposons nous de trouver y(x+h). Considrons
lgalit :
Z
h
y 0 (x + t)dt.
y(x + h) = y(x) +
(9.9)
En changeant lintgrale droite de cette galit en hy 0 (x) lerreur sera de lordre de

O(h2 ), i.e.,
y(x + h) = y(x) + hy 0 (x) + O(h2 ).
Puisque y 0 (x) = f (x, y(x)), on obtient
y(x + h) = y(x) + hf (x, y(x)) + O(h2 ).
En ignorant le terme O(h2 ) et en posant x = xj , x + h = xj+1 , nous obtenons le schma
de calcul dEuler (9.8). Pour obtenir une formule de calcul plus exacte il faut que la valeur
approche de lintgrale droite de (9.9) soit plus exacte. Utilisant la formule des trapzes,
nous obtenons
h
y(x + h) = y(x) + (y 0 (x) + y 0 (x + h)) + O(h3 ),
2
autrement dit,
h
y(x + h) = y(x) + (f (x, y(x)) + f (x + h, y(x + h))) + O(h3 ).
2
99
(9.10)
La formule de calcul correspondante est

h
yj+1 = yj + (f (xj , yj ) + f (xj+1 , yj+1 ))
2
(9.11)
La formule (9.11) sappelle formule de calcul dAdams du second ordre de prcision.

Dans certain cas, quand f est linaire suivant y, cette quation peut tre rsolue par
rapport yj+1 . Gnralement, cette quation ne peut pas tre rsolue par rapport yj+1 ,
et cest pourquoi il nous faut continuer la transformation de lalgorithme. Changeons
y(x + h) figurant droite de (9.10) en une quantit
y = y(x + h) + O(h2 ).
(9.12)
Alors, le second terme droite de (9.10) devient

h
h
(f (x + h, y ) f (x + h, y(x + h))) = fy (x + h, y)(y y(x + h)),
2
2
o y se trouve entre y et y(x + h). Ainsi laide de (9.12) nous obtenons la relation
h
y(x + h) = y(x) + (f (x, y(x)) + f (x + h, y )) + O(h3 ).
2
La condition (9.12) vrifie le rsultat du calcul par la formule dEuler
y = y(x) + hf (x, y(x)).
Ces dernires relations dfinissent une paire de schma de calcul
yj+1
= yj + hf (xj , yj ),
(9.13)
yj+1 = yj +
h
(f (xj , yj )
2
f (xj+1 , yj+1
)).
Remarque 9.1 : La formule (9.13) est quivalente (9.11) et sappelle aussi formule de
calcul dAdams.
Pour des valeurs trs petites de h, nous pouvons rsoudre (9.11) par la mthode ditration :
h
k+1
k
yj+1
= yj + [f (xj , yj ) + f (xj+1 , yj+1
)].
(9.14)
2
0
Si yj+1
est calcul par la formule dEuler :
0
= yj + hf (xj , yj ),
yj+1
1
alors yj+1
obtenue au premier pas de litration concide avec yj+1 , obtenue par la formule
(9.13) :
0
yj+1
= yj + hf (xj , yj ),
h
0
1
yj+1
= yj + [f (xj , yj ) + f (xj+1 , yj+1
)].
2
100
2
, et ainsi de suite.
Par la suite, on trouve yj+1
Construisons une autre paire de formule de calcul avec une erreur de mme ordre
sur le pas. Donnons lapproximation de lintgrale droite de (9.9) par la formule des
rectangles :

h
0
y(x + h) = y(x) + hy x +
+ O(h3 ),
2
ou encore, ce qui revient au mme,

h
h
y(x + h) = y(x) + hf x + , y x +
+ O(h3 ).
2
2
Si
h
y =y x+
2
+ O(h2 ),
alors comme dans le cas prcdent, on aura

y(x + h) = y(x) + hf

h
x + , y + O(h3 ).
2
En qualit de y on peut prendre le rsultat obtenu par la formule dEuler avec comme
h
pas :
2
h
y = y(x) + f (x, y(x)).
2
A ces relations correspond la paire de schma de calcul suivant :
h
yj+ 1 = yj + f (xj , yj ),
2
2

h
yj+1 = yj + f xj + , yj+ 1 .
2
2
(9.15)
Les mthodes obtenues (formule de calcul dEuler (9.8), la formule de calcul dAdams
(9.11) ou (9.13) et la formule de calcul (9.15) se rapportent la famille des mthodes de
Runge-Kutta. Nous entendrons par formule de calcul de Runge-Kutta, la formule (9.15).
Exemple 9.2 : Trouver par la mthode dEuler les quatre premires valeurs de la fonction
y(x), solution du problme de Cauchy
y0 =
yx
,
y+x
y(0) = 1,
en prenant pour pas h = 0.1.

Solution : Nous cherchons les dites valeurs suivant la formule :
yj+1 = yj + hf (xj , yj ),
101
h = xj+1 xj = 0.1
Puisque h = 0.1, alors xj = x0 + jh = 0.1j. Dautre part f (x, y) =

y0 = y(0) = 1,
yx
. Alors
y+x
y1 = y0 + hf (x0 , y0 ) = 1 + 0.1f (0.1) = 1.1,
y2 = y1 + hf (x1 , y1 ) = 1.1 + 0.1f (0.1, 1.1) = 1.1 + 0.1
1.1 0.1
= 1.183,
1.1 + 0.1
y3 = y2 + hf (x2 , y2 ) = 1.183 + 0.1f (0.2, 1.183) = 1.183 + 0.1
1.183 0.2
= 1.254,
1.183 + 0.2
y4 = y3 + hf (x3 , y3 ) = 1.254 + 0.1f (0.3, 1.254) = 1.254 + 0.1
1.254 0.3
= 1.315.
1.254 + 0.3
Ainsi,
y(0) = 1,
9.5
y(0.1) = 1.1,
y(0.2) = 1.183,
y(0.3) = 1.254,
y(0.4) = 1.315.
Mthode des approximations successives
Lune des mthodes de rsolution numrique du problme de Cauchy pour les quations diffrntielles est la mthode de Picard encore appele mthode des approximations
successives. Soit rsoudre le problme de Cauchy suivant :
y 0 = f (x, y),
y(x0 ) = y0 .
(9.16)
En intgrant les deux membres de (9.16) sur un segment dextrmit x0 et x, nous obtenons
Z x
y(x) = y(x0 ) +
f (t, y(t))dt.
(9.17)
x0
Supposons
que
dans un certain voisinage du point (x0 , y0 ) la fonction f (x, y) est continue
f
et que
y K, i.e., que la drive partielle du premier ordre de f par rapport y est
borne dans le dit voisinage. Alors, dans un certain voisinage du point x0 le, probleme
de Cauchy (9.16) possde une et une seule solution. Cette solution est quivalente la
solution de lquation (9.17) (cest une quation intgrale car linconnue y se trouve sous
le signe intgrale). En effet, si (x) est une solution du problme de Cauchy (9.16), i.e.,
0 (x) = f (x, (x)) et (x0 ) = y0 , alors
Z x
Z x
0
(t)dt =
f (t, (t))dt.
x0
Mais,
Z
x0
0 (t)dt = (x) (x0 ) = (x) y0 ,
x0
et par suite
Z
(x) = y0 +
f (t, (t))dt,
x0
102
ce qui revient dire que y = (x) est une solution de (9.17).

Rx
Soit maintenant y = (x) une solution de (9.17), i.e., (x) = y0 + x0 f (t, (t))dt. Alors
Rx
y(x0 ) = (x0 ) = y0 . En drivant membre membre lgalit (x) = y0 + x0 f (t, (t))dt
par rapport x, on aura 0 (x) = f (x, (x)) et (x0 ) = y0 . Par consquent, y = (x) est
une solution du problme de Cauchy (9.16).
pour obtenir la suite des approximations du problme de Cauchy (9.16), donnons
linconnue y dans (9.17) une valeur connue y0 , nous obtenons la premire approximation :
Z x
f (t, y0 )dt.
y1 = y0 +
x0
En remplaant dans (9.17) linconnue y par y1 , nous obtenons la deuxime approximation :

Z x
y2 = y0 +
f (t, y1 (t))dt.
x0
Ainsi de suite, nous obtenons la suite de fonctions {yn (x)} dfinie par
Z x
yn (x) = y0 +
f (t, yn1 (t))dt,
n = 2, 3, . . .
x0
appele suite des approximations successives du problme de Cauchy (9.16).

Ainsi
Z x
y(x) yn (x) = y0 +
f (t, yn1 (t))dt.
x0
En thorie des quations diffrentielles ordinaires, les approximations successives {yn (x)}
converge vers la solution y(x) du problme de Cauchy dans un voisinage |x x0 | a du
point x0 . On montre aussi que lerreur de la mthode est estime par
|y(x) yn (x)|
M (Kc)n
,
Kn!
o
|f (x, y)| M,
|y y0 | < b pm,

b
.
c = min a,
M
Exemple 9.3 : Donner les deux premires approximations de la solution du problme de

Cauchy y 0 = x + y 2 , y(0) = 1.
Solution : Pour cet exemple, f (x, y) = x + y 2 , x0 = 0, y0 = y(0) = 1. Alors
1
(t + 1) = 1 + x + x2 ,
2
Rx
Rx
= y0 + x0 f (t, y1 (t))dt = 1 + 0 [t + (1 + t + t2 /2)]dt,
y1 (x) = = y0 +
y2 (x)
Rx
f (t, y0 )dt = 1 +
x0
Rx
0
3
2
1
1
= 1 + x + x2 + x3 + x4 + x5 .
2
3
4
20
103
9.6
Exercices
Exercice 9.1 : Trouver par la mthode dEuler les valeurs de y(x) (trois), solution du
problme de Cauchy y 0 = 1 + x + y 2 , y(0) = 1, en prenant h = 0.1.
Exercice 9.2 : Trouver par la mthode dEuler quatre valeurs de y, solution du problme
de Cauchy y 0 = x2 + y 2 , y(0) = 0, en prenant h = 0.1.
Exercice 9.3 : Trouver par la mthode dEuler quatre valeurs de y, solution du problme
y
de Cauchy y 0 = + y 2 , y(2) = 4, en prenant h = 0.1.
x
Exercice 9.4 : Trouver par la mthode dEuler quatres valeurs de y, solution du problme
(x + y)(1 xy)
de Cauchy y 0 =
, y(0) = 1 sur [0, 1], en prenant h = 0.2.
x + 2y
Exercice 9.5 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy x2 y 0
xy = 1, y(1) = 0 sur [1, 2] avec h = 0.2.
Exercice 9.6 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy 4y 0 =
y 2 + 4x2 , y(0) = 1 sur [0, 1] avec h = 0.1.
Exercice 9.7 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy y 0 =
x 1
+ y, y(0) = 1 sur [0, 1] avec h = 0.1.
y 2
Exercice 9.8 : Calculer par la mthode dAdams y(0.5), o y(x) est la solution du problme de Cauchy y 0 = x + y, y(0) = 1 en prenant h = 0.1.
Exercice 9.9 : Trouver les trois premires approximations de la solution du problme de
Cauchy y 0 = x2 + y 2 , y(0) = 0.
Exercice 9.10 : Trouver la solution approche du problme de Cauchy y 0 = x y, y(0) =
1, x 0.
Exercice 9.11 : Ecrire un algorithme pour la mthode de Runge-Kutta dordre 2.
Exercice 9.12 : Estimez la trajectoire dune plante en orbite circulaire autour dune
toile, par la mthode dEuler, en utilisant differents pas dintgration. Comparez la
solution exacte.
Exercice 9.13 : Ecrire un algorithme pour la mthode dAdams.
Exercice 9.14 : Ecrire un algorithme pour la mthode des approximations successives.
104
Chapitre 10
aux drives partielles
10.1
Dfinition
Considrons lquation aux drives partielles (EDP) de la forme :

2u
2u
2u 2u
2u
+ C 2 + F x, y, u,
,
,
A 2 + 2B
x
xy
y
x y
(10.1)
o A, B et C sont des fonctions de x et y et sont de classe C 2 .

Si B 2 AC = 0 alors lquation est de type parabolique.
Si B 2 AC < 0 alors lquation est de type elliptique.
Si B 2 AC > 0 alors lquation est de type hyperbolique.
Pour rsoudre lquation (10.1), il faut connatre les conditions aux limites et aux frontires et ainsi que les conditions initiales. La nature de ces conditions permettent de dfinir
les types de problme suivant :
1. Problme de Dirichlet : les valeurs de u sur les frontires du domaine sont connues.
2. Problme de Neuman : les valeurs des drives de u sur les frontires sont connues.
3. Problme mixte (Dirichlet-Neumman : les valeurs de u sont connues sur une partie
des frontires celles des drives de u sur la partie restante de la frontire.
4. Problme de Cauchy : les valeurs de u et de ses drives sont connues sur les frontires
du domaine.
10.2
10.2.1
Quelques quations aux drives partielles

Equation donde
Elle a la forme suivante :

2u
u
2
= a u + f x, y, z, t,
,
t2
t
105
(10.2)
o a est la vitesse de londe et f une perturbation quelconque.

En dimension 1, cette quation dcrit
i) les vibrations transversales dune corde :
(x)
2u
2u
u
=
T
+
K
+ f (x, t),
t2
t
x2
(10.3)
o q
est la masse volumique, K le coefficient de dissipation, T la tension dans la corde et
a = T .
q
ii) les vibrations longitudinale dans une barre o a E avec E est le module dlasticit.
q
E
o est le
iii) les vibrations de torsion dune barre o a =
avec =
2(1 + )
coefficient de poisson.
iv) la propagation donde magntique
v) la propagation donde lectrique (quation tlegraphiste). En dimension 2, elle peut
dcrire les vibrations dune membrane plane. En dimension 3, elle dcrit les ondes sonores
en hydrodynamique, les ondes lectromagntiques (cest le cas des cavits rsonnantes et
du rayonnement des antennes).
10.2.2
Equation de poisson et de Laplace
Lquation de Poisson est une quation de la forme :

u = f (x, y, z).
(10.4)
Lorsque le second membre de cette quation est nulle, elle se ramne lquation de
Laplace. Ce sont les protoypes des quations elliptiques pouvant dcrire les problmes
stationnaires suivants.
i) La repartition des charges lectriques sur la surface dun conducteur.
ii) Lquilibre thermique dans un corps homogne.
iii) Le potentiel de vitesse dans un fluide non visqueux, incompressible en coulement
irrotationnel.
10.2.3
Equation de la chaleur
Sa forme gnrale est

C
u
~
= div(K gradu)
+ F (x, y, z, t),
t
(10.5)
o u est la temprature dun point P (x, y, z) au temps t, la masse volumique, C est

la chaleur spcifique, K la conductivit interne et F lapport des sources ou des puits de
chaleur.
106
Si C, et K sont des constantes alors lquation devient

u
= au + f (x, y, z, t).
t
(10.6)
Dans le cas o u
= 0 on est en prsence dun problme de transfert de chaleur en rgime
t
6= 0, one est en prsence dun
permanent (conduction-convection). Dans le cas o u
t
problme de diffusion de la chaleur.
10.3
10.3.1
Discrtisation
Lquation de Poisson dans le plan
Soit lquation
2u 2u
+
= f (x, y),
x2 y 2
(10.7)
dfinie sur un domaine D rectangulaire tel que

D = {(x, y) R2
a < x < b,
c < y < d}.
(10.8)
Soit (S) la frontire de D. La condition suivante : u(x, y) = g(x, y) est impose sur (S).
On considre que les fonctions f et g sont continues sur D. Soient h et k les pas de calcul
suivant x et y, respectivement. Soient n et m des nombres entiers tels que
h=
ba
n
et
k=
dc
.
m
Un point du domaine D est dfini par les coordonnes suivantes :

xi = a + ih,
yj = c + jk,
i = 1, . . . , n,
j = 1, . . . , m.
(10.9)
Daprs les dfinitions des drives, on a

2u
ui+1,j 2ui,j + ui1,j
h 4u
=
ij xj ,
x2
h2
12 x4
(10.10)
o uij = u(xi , yj ) et ij =]xi1 , xi+1 [ .

2u
En crivant une quation similaire pour 2 , lquation (10.4) devient avec une erreur
y
de troncature O(h2 + k 2 ) le systme suivant :
"
#
2
2
h
h
+ 1 uij (ui+1,j + ui1,j )
(ui,j+1 + ui,j1 ) = h2 fij ,
(10.11)
k
k
o fij = f (xi , xj ), i = 1, . . . , n et j = 1, . . . , m.
107
La discrtisation des conditions aux frontires est

u0,j = g(x0 , yj ),
un,j = g(xn , yj )
j = 0, 1, . . . , m,
et
ui,0 = g(xi , y0 ),
un,j = g(xi , ym ).
i = 0, 1, . . . , n,
(10.12)
En associant les quation (10.11) et (10.12), on obtient un systme dquations algbriques
linaires en ui,j que lon peut rsoudre par la mthode dlimination de Gauss.
Remarque 10.1 :
Lorsque les conditions aux limites sont de type Neuman , le schma de discrtisation doit
se faire avec beaucoup de prcautions. Gnralement, il est conseill de combiner cette
condition avec lquation aux drives partielles de dpart. Par exemple, si la condition de
u
|S = g(x, y), alors on utilise le schma suivant : on dveloppe u(xi , y1 )
Neuman scrit
y
autour du point u(xi , y0 ) cest dire que lon crit
u(xi , y1 ) = u(xi , y0 ) + K
u
k 2 2 u(xi , y0 )
(xi , y0 ) +
(xi , y0 ) + O(k 3 ).
2
y
2
y
(10.13)
2u
en (xi , y0 ) peut tre remplac par son quivalent partir de lquation
y 2
aux drives partielles de dpart. Par contre dans le cas de lquation de Laplace de dpart,
on aura
2u
2u
2 = 2.
x
y
La quantit
Il vient alors que

u
(xi , y0 )
y
u
= u(xi , y0 ) + k (xi , y0 )
y
u(xi , y1 ) = u(xi , y0 ) + k
k2 2u
(xi , y0 ),
2 x2
k2
[ui+1,0 2ui,0 + ui1,0 ].
2h2
Finalement, la condition de Neuman donne

"
2 #
2
k
1 k
ui,1 1 +
ui,0 +
[ui+1,0 + ui1,0 ] = kg(xi , y0 ).
h
2 h
(10.14)
On peut alors associer lquation (10.14) lquation (10.11) pour avoir le systme discrt
global rsoudre.
Thorme du maximum et du minimum discrt
Dans le cas de lquation de Laplace, on a
ui,j =
k2
h2
[u
+
u
]
+
[ui,j+1 + ui,j1 ].
i+1,j
i1,j
2(k 2 + h2 )
2(k 2 + h2 )
108
(10.15)
Il vient alors que uij est le barycentre des nombres ui+1,j , ui1,j , ui,j+1 et ui,j1 affects
k2
h2
des poids =
,
,
=
et . Tous ces poids sont tous positifs. ui,j
2(k 2 + h2 )
2(k 2 + h2 )
est donc compris entre la plus grande et la plus petite des quantits ui+1,j , ui1,j , ui,j+1
et ui,j1 . Do le thorme suivant.
Thorme 10.1 : Il ny a pas de maximum et de minimum strict de u lintrieur du
domaine D. Le maximum et le minimum est atteint sur les frontires de D.
Remarque 10.2 : Dautres schmas de diffrence finie peuvent tre tabli partir des
formules de discrtisation des drives par exemple on peut dfinir 2 u/x2 par des schmas prsentant des erreurs O(h4 + k 4 ).
10.3.2
Discrtisation de lquation de la chaleur
On se limitera au cas unidimensionnel. On a

u
2u
= a2 2
t
x ,
(10.16)
dans le domaine D = T L avec T = R+ et L =]0, `[. Les conditions aux limites sont de
la forme u(x, 0) = f (x), u(`, 0) et la condition initiale u(x, 0) = f (x).
Soit h le pas spatial et k le pas temporel et soit m un nombre entier tel que mh = `.
Mthode de diffrence progressive ou mthode explicite
On a
u
ui,j+1 ui,j
2u
=
et
=
.
2
t
k
x
h2
Dans le domaine D, on obtient le systme discrt suivant :

2a2 k
a2 k
ui,j+1 = 1 2
uij + 2 [ui+1,j + ui1,j ],
i = 1, . . . , m 1,
j = 1, . . . , .
h
h
(10.17)
Le schma (10.17) prsente une erreur de troncature dordre O(k + h2 ) . Cest un schma
explicite car pour calculer ui,j+1 , il suffit de remplacer les quantits contenues au second
membre par leurs valeurs connues et stocker en mmoire.
Les conditions initiales et aux limites se discrtisent de la manire suivante :

ui,0 = f (xi ),
et
um,j = 0,
i = 0, 1, . . . , m,
j = 0, 1, . . . , .
u0,j = 0
(10.18)
La premire condition de (10.18) peut tre substituer dans (10.17) pour dterminer ui,1
pour i = 1, . . . , m 1. Les conditions u0,j et um,j = 0 impliquent que u0,1 = um,1 = 0. On
a toutes les valeurs de ui,1 . En procdant de la mme manire, on obtient les valeurs de
ui,2 , ui,3 jusqu ui,m1 . Linconvnient de cette mthode est quelle est conditionnellement
stable. Pour le dmontrer, il faut dterminer la condition de stabilit.
109
Condition de stabilit
Considrons le schma des diffrences finies progressive de lquation de la chaleur :

ui,j+1 ui,j
2
=a
.
(10.19)
k
h2
Cette mthode consiste introduire une perturbation i,j de la solution numrique ui,j .
La solution numrique devient alors
u0i,j = ui,j + i,j .
(10.20)
En crivant que u0i,j vrifie le schma discrt, on obtient que la perturbation i,j vrifie
aussi lquation discrte :

i,j+1 i,j
i+1,j 2i,j + i1,j
2
=a
.
(10.21)
k
h2
Le schma discrt est stable si i,j reste born ou tend vers zro au fur et mesure que le
temps avance. Pour avoir la condition de stabilit, on suppose que
i,j = sin(iph)erjk .
Dans ce cas, lquation (10.20) devient
erk = 1
4ka2
ph
sin2 .
2
h
2
(10.22)
Puisque i,j+1 = i,j erk , erk est le facteur damplification. Le schma est donc stable si
r > 0, i.e. que le facteur damplification vrifie lingalit erk < 1.
Dans le cas particulier analys ici, cette condition implique que
|1
4ka2
2 ph
sin
|< 1,
h2
2
i.e.,
|1
On trouve en dfinitive
4ka2
|< 1.
h2
ka2
1
<
.
h2
2
(10.23)
Diffrence finie rgressive ou mthode implicite

Afin dviter le problme dinstabilit, on peut utiliser les diffrences finies pour la
drive temporelle, i.e.
ui,j ui,j1
u
=
.
(10.24)
t
k
110
Lquation de la chaleur (10.16) donne le systme discrt suivant :

(1 + 2)ui,j [ui+1,j ui1,j ] = ui,j1 ,
1 i n 1,
1 j .
(10.25)
Compte tenu des conditions initiales et aux limites, on obtient un systme dquations que
lon peut rsoudre par la mthode dlimination successive ou les mthodes itrative. Pour
dterminer la condition de stabilit, on procde de la mme manire que prcdemment.
On trouve pour ce schma implicite que le facteur damplification est
erk =
1
.
4ka2
2 ph
1 + 2 sin
h
2
Il est toujours infrieur 1 donc le schma est inconditionnellement stable.
10.3.3
Autres mthodes
Mthode de Richardson
Les mthodes prsentes jusquici ont une erreur de troncature dordre O(k) en k. Si
lon veut obtenir O(k 2 ) on utilise la mthode suivante :
u
ui,j+1 ui,j1
=
.
t
2k
(10.26)
Ce schma nest pas trs utilis car il est instable.

Mthode de Crank-Nicolson
Cette mthode fait la somme des diffrences finies progressive et regressive. Aprs
avoir crit la formule des diffrences regressive linstant j + 1, on obtient
ui,j+1 ui,j
a2
2 [ui+1,j 2ui,j + ui+1,j+1 2ui,j+1 + ui1,j+1 ] = 0.
k
2h
(10.27)
Cest une mthode plus prcise qui prsente une erreur de troncature dordre O(h2 + k 2 ).
Mthode de Dufort-Frankel
Pour rsoudre le problme dinstabilit de la mthode de Richardson, la quantit ui,j
u
+u
est remplace par i,j+1 2 i,j1 , on obtient
a2
ui,j+1 ui,j1
a2 2 [ui+1,j ui,j+1 ui,j1 + ui1,j ] = 0.
2k
h
Ce schma est inconditionnellement stable.
111
(10.28)
10.3.4
Discrtisation de lquation des ondes
On considre le problme suivant :

2
2u
2 u
a
,
t2
x2
dans le domaine D = T L et soumis aux conditions suivantes :
u(0, t) = u(`, t) = 0,
u(x, 0) = f (x),
u (x, 0) = g(x).
t
(10.29)
(10.30)
Discrtisation directe
La discrtisation de (10.30) par les diffrences finies donne
ui,j+1 = 2(1 2 )ui,j + 2 (ui+1,j + ui1,j ) ui,j1 ,
(10.31)
ak
`
o =
, i = 1, . . . , m 1, j = 1, . . . , et m =
car mh = `. Les conditions aux
h
h
limites donnent
uo,j = um,j = 0,
(10.32)
et la premire condition initiale
ui,0 = f (xi ).
(10.33)
u
La deuxime condition permet dcrire (en intgrant
(x, 0) = g(x) , i.e. u(x, 0) =
t
tg(x) + constante)
ui,1 = ui,0 + kg(xi ).
(10.34)
Cependant, la condition (10.34) prsente une erreur de troncature de lordre O(k). Pour
avoir une erreur dordre O(k 2 ) comme lquation (10.30), on procde de la manire
suivante :
u
u(xi , t) u(xi , 0) k 2 u
(xi , 0) =
(xi , 0) + O(k 2 ).
2
t
k
2 t
Or
2
2
2u
2 u
2 f
2 fi+1 2fi + fi1
(x
,
0)
=
a
(x
,
0)
=
a
=
a
,
i
i
t2
x2
x2
h2
en utilisant
2
ui,1 = (1 2 )fi + (fi+1 + fi1 ) + kgi
avec
i = 1, . . . , m 1.
(10.35)
2
Il sagit donc de rsoudre le systme discrt form par les quations (10.31) et (10.35). La
recherche des valeurs ui,j+1 ncessite la connaissance des valeurs ui,j et ui,j1 . Au dbut,
il faut connatre ui,0 et ui,1 . Les valeurs de ui,0 dcoule de (10.33) et celle de ui,1 dcoule
de (10.35). On peut ainsi lancer le processus itratif pour calculer toutes les valeurs de
ui,j . Il faut noter que ce schma nest stable si
<1
ak
< 1.
h
112
Dcomposition en un systme dquations du premier ordre

Dans certains cas, il est avantageux de dcomposer lquation donde en 2 quations
du premier ordre avant de discrtiser. Par exemple
u
1 u
V =
et
W =
.
x
a t
Lquation donde se transforme en un systme dquations de la forme suivante :
W
V
=
a
,
t
x
W
V
=a
.
t
x
Discrtisation explicite
On peut utiliser la discrtisation par les diffrences finies progressives dans le temps
et par les diffrences centres dans lespace, on obtient alors
ak
Vi,j+1 = Vi,j + 2h (Wi+1,j Wi1,j ),

(10.36)
ak
Wi,j+1 = Wi,j + (Vi+1,j Vi1,j ),

2h
Pour tablir la condition de stabilit, on pose
Vi,j = Aj eIpih ,
Wi,j = Bj eIpih ,
o I 2 = 1. En substituant dans le systme discrt (10.3.4), on obtient

Iak
Vi,j =
Aj + Bj
sin ph eIpih ,
jh

Iak
Bj + Aj
sin ph eIpih .
Wi,j =
jh
Par ailleurs, Vi,j+1 = Aj+1 eIpih et Wi,j+1 = Bj+1 eIpih en comparant ces expressions, on
obtient

Ai,j+1
1 IC
Ai,j
=
,
Bi,j+1
IC 1
Bi,j
ak
o C =
sin ph.
h
La stabilit du schma exige que les valeurs propres de la matrice damplication A a
des modules infrieurs 1. Dans le cas prsent

1 IC
A=
,
IC 1
et les modules des valeurs propres de A sont toutes suprieures 1. Donc, le schma est
inconditionnellement instable.
113
Amlioration du schma explicite

A partir du schma ci-dessus, on peut trouver les Vi,j+1 de la premire quation et les
utiliser ensuite dans la deuxime quation, on obtient alors le schma discrt
ak
(Wi+1,j Wi1,j ),
V
=
V
+
i,j+1
i,j
2h
(10.37)
ak
Wi,j+1 = Wi,j + (Vi+1,j+1 Vi1,j+1 ).

2h
Pour un tel schma, la matrice damplification est

1
IC
A=
.
IC 1 C 2
On trouve que le schma est stable si
ak
< 1.
h
Schma implicite
On discrtise es drives partielles linstant j + 1 et ls drives temporelles par les
diffrences progressives , on obtient alors le schma discrt suivant :
ak
Vi,j+1 = Vi,j + 2h (Wi+1,j+1 Wi1,j+1 ),

(10.38)
ak
Wi,j+1 = Wi,j + (Vi+1,j+1 Vi1,j+1 ).

2h
1
1
Les valeurs propres de la matrice damplification sont dans ce cas 1+IC
et 1IC
. Elles ont
toute un module infrieur 1. Donc, ce schma implicite est inconditionnellement stable.
114
10.4
Exercices
Exercice 10.1 : Ecrire un schma ditration de Gauss-Seidel et de Jacobi pour rsoudre

lquation de Poisson dans le plan.
Exercice 10.2 : Etablir lalgorithme pour le schma explicite.
Exercice 10.3 : Etablir lalgorithme pour les mthodes rgressive et de Crank-Nicolson.
115
Bibliographie
[1] S. Guerre-Delabrire, M. Postel, Mthodes dapproximation : Equations diffrentielles, Applications Scilab, niveau L3, ellipses, 2003.
[2] E. Kengne, Calcul Scientifique, Universit de Dschang, 2001.
[3] P. Woafo, Cours de Calcul Numrique, Universit de Yaound I, 2006.
[4] N. Piskounov, Calcul diffrentiel et intgrale, Tome II, 9e dition, Editions Mir 2,
Pervi Rijski proulok, Moscou, I-110, GSR, URSS.
[5] S. Bnazeth, M. Boniface, C. Demarquilly, V. Lasserre, M. Lemdani, I. Nicolis, Biomathmatiques : Analyse, Algbre, Probabilits, Statistiques, Cours+exos, Masson,
Paris, 2001.
[6] P. Danko, A. Popov, T. Kogevnikova, Exercices et problmes des mathmatiques
suprieures, premire partie, Deuxime dition rvise et complte, Editions MIR,
MOSCOU.
[7] P. Faure, J. D. Astier, B. Bouchon, Analyse et Algbre, Tome 1, Nathan ;
[8] R. Couty, J. Ezra, Analyse, Troisime dition, Armand Colin.
[9] P. Doukhan, J. C. Sifre, Cours danalyse : Analyse relle et intgration, Dunod.
[10] D. Degrave, C. Degrave, H. Muller, Prcis de mathmatiques, Analyse 1, Bral.
[11] N. Noutchegueme, G. Nguetseng, F. Wamon, Exercices danalyse avec rappel de
cours, Collection Aser.
116

Calcul Numerique

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Calcul Numerique

Diunggah oleh

Hak Cipta:

Format Tersedia

Calcul Numrique

Cours et Travaux Dirigs

Table des matires

1 Concepts de bases et mthodologie du traitement numrique des problmes scientifiques

2 Gnralits sur lordinateur et sur les programmations

3 Erreurs sur les solutions numriques

4 Approximation numrique des fonctions

6 Rsolution numrique des quations non linaires

Mthode de Chebyshev (Mthode de Newton gnralis) . . . . . . . . . . 72

7 Approximation par la mthode des moindres carrs

9 Intgration numrique des quations diffrentielles

10 Rsolution numrique des quations aux drives partielles

2. Gnralits sur lordinateur et sur les programmations structures

Le traitement dun problme de calcul scientifique comprend en gnral six phases

Le problme doit tre

Cest la description du procd permettant dobtenir la solution du problme. Elle

Cest la dcomposition en un nombre fini doprations lmentaires de la mthode

Cest lexcution de la mthode de rsolution par un programme. Il sagit dutiliser

sous-programme rquis), ressources matrielles (taille, vitesse dexcution , etc...)

Interprtation des rsultats

Notions de base en calcul numrique

Utilisation des rels

Le terme calcul numrique se rapporte lutilisation des calculateurs pour rsoudre

Utilisation des fonctions

Il y a deux manires de reprsenter une fonction dans lordinateur : par un tableau

Erreurs darrondis et de troncature

Problmes instables ou mal conditionns

Gnralits sur lordinateur

Les utilitaires les plus rencontres

Pour lexploitation et la gestion des ordinateurs et des logiciels un certain nombre

Gnralits sur les programmations structures

Exemple 2.1 : Soit rsoudre lquation ax2 + bx + c = 0. Soit = b2 4ac.

fin tant que

Sources des erreurs et classification des erreurs

Erreurs absolue et relative

Dfinition 3.1 : On appelle nombre approch du nombre A, un nombre a lgrement

a , i.e., |A|a . La plus petite des bornes

De la mme faon, on obtient de la formule (3.4) que = A (a + )a , i.e.,

On peut alors prendre comme borne derreur absolue le nombre

Comme il est dordinaire, si a  a et 1  a , alors on peut avoir de faon approche

Approximation de la drive dune fonction

1. La diffrence finie avant ou progressive de f au point x0 :

2. La diffrence finie arrire ou rgressive de f au point x0

3. La diffrence finie centre de f au point x0

pour tout m > n.

Par exemple, crivons les diffrences divises du polynme P (x) = x3 .

(x + h)3 x3 = 3x2 h + 3xh2 + h3 ,

o h est appel paramtre de dicrtisation.

En calcul scientifique, on ne contente pas dtablir quune approximation converge vers

Preuve : Utilisons la formule de Taylor lordre n = 2. On aura alors

= [f (x0 + h) f (x0 )] f (x0 ) ,

o le point est situ entre x0 et x0 + h. Alors, on obtient bien

= 1 h2 |f (3) (3 ) + f (3) (4 )|.

Ce qui implique la majoration

Interpolation et approximation des fonctions

Linterpolation et lapproximation des fonctions sont des techniques numriques trs

Les coefficients an et bn sont dtermins par la connaissance des valeurs discrtes de la

o i (x) sont des fonctions donnes et les coefficients ai se dterminent partir de la

Les fonctions i (x) de la formule (4.13) sappellent polynmes dinterpolation. La mthode

est le plus tudi. Alors

et le systmes (4.13) prend la forme

sera le polynme dinterpolation cherche. En effet,

f (xi )ij = f (xj ),

Comme il est dordinaire, si a a et 1 a , alors on peut avoir de faon approche