Vous êtes sur la page 1sur 66

Module AP-41 :

Mathmatiques Appliques.
Elment de module AP-41-2 : Analyse Numrique.
Polycopi du cours

Mohammed Heyouni 1

1. ENSA dAl-Hoceima, Universit Mohammed Premier, Oujda.


Email: mohammed.heyouni@gmail.com
ii

Contenu du polycopi

Ce polycopi de cours de llment de Module AP-45-2 : ANALYSE NUMERIQUE sadresse aux lves
de la deuxime anne du cycle prparatoire de lEcole Nationale des Sciences Appliques dAl-Hoceima
(ENASH). Le cours traite, autant que possible, le contenu des chapitres ci-dessous. Ce contenu a t
adopt lors de la demande de renouvellement daccrditation, selon le nouveau CNPN (Cahier des
Normes Pdagogiques Nationales) pour lanne 2014.

Chapitre 1. Rsolution de systmes linaires.


Gnralits sur la rsolution de systmes linaires. Mthodes directes : Cas des systmes triangu-
laires. Mthode dlimination de Gauss. Dcomposition LU. Dcomposition de Cholesky. Dcompo-
sition QR. Mthodes itratives : Mthodes de Jacobi, de Gauss-Seidel et mthode de relaxation.

Chapitre 2. Interpolation polynomiale.


Interpolation dans la base de Lagrange. Interpolation dans la base de Newton. Schma de Neville-
Aitken. Erreur dinterpolation..

Chapitre 3. Quadrature Numrique.


Mthode des rectangles. Mthode des trapzes. Mthode de Simpson. Obtention des formules de
quadrature. Formules composites. Formules de Gauss..

Chapitre 4. Rsolution dquations non linaires.


Rsultats gnraux sur la localisation des racines dune fonction. Mthodes de points fixes. M-
thodes dencadrement : dichotomie, fausse position, Newton, Scante. Convergence et ordre de
convergence dune mthode.
Table des matires

1 Rsolution de systmes dquations linaires 1


1.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rappels et complments dalgbre linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Mthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Cas des systmes triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Mthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 Dcomposition LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Mthodes semi-itratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Mthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.2 Mthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.3 Convergence des mthodes de Jacobi et de Gauss-Seidel . . . . . . . . . . . . . . . . 22

2 Interpolation polynomiale 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Dtermination du polynme dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Cas n = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Cas gnral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Les polynmes de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1 Expression des polynmes de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.2 Le polynme dinterpolation dans la base de Lagrange . . . . . . . . . . . . . . . . . 28
2.4 Les polynmes de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.1 Diffrences divises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.2 Le polynme dinterpolation dans la base de Newton . . . . . . . . . . . . . . . . . . 29
2.5 Erreur dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 lalgorithme de Neville-Aitken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6.1 Description de lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6.2 Mise en oeuvre de lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3 Intgration numrique 35
3.1 Quelques outils de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Quelques formules dintgration "simples" . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Formule du rectangle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Formule des trapzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.3 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Obtention des formules de quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.1 Lide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.2 Etude de quelques exemples classiques . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Les formules composites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

iii
iv TABLE DES MATIRES

3.5.1 Formule composite du rectangle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43


3.5.2 Formule composite du trapze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.3 Formule composite de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6 Formules de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.1 Cas n = 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.2 Cas n = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Rsolution dquations non linaires 47


4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Localisation des racines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Construction dune suite convergente vers la racine . . . . . . . . . . . . . . . . . . . 48
4.1.3 Recherche dun point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2 Mthodes dencadrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2.1 Mthode de dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2.2 Mthode de la fausse position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Mthodes de Newton et de la scante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3.1 Mthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.2 Mthode de la scante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Chapitre 1

Rsolution de systmes dquations


linaires

1.1 Gnralits
Soit rsoudre le systme linaire
A x = b, (1.1)
1
o A Rn n
est une matrice relle inversible de taille n et x, b R . Dans la suite, x = A
n
b dsignera
la solution exacte de ce systme.

On rappelle que thoriquement, la mthode de Cramer permet de donner chaque composante xi de la


solution x sous la forme dun quotient de deux dterminants de taille n chacun, i.e.,

i d et A (1) , . . . , A ( i1) , b, A ( i+1) , . . . , A (n)
xi = = , pour i = 1, 2, . . . , n. (1.2)
d et( A )

o = d et( A ) est le dterminant de la matrice A et i est le dterminant obtenu partir de en rem-


plaant A ( i) la i -me colonne de A par b le vecteur second membre.

Faisons remarquer que les formules de Cramer ci-dessus sont trs peu utilises (voire ne sont pas
utilises) dans la pratique car leur cot opratoire est de lordre de ( n + 1)! flops. Ainsi, en supposant
quon dispose dun ordinateur capable deffectuer 109 flops par seconde, alors il nous faudrait 9.6 1047
annes pour rsoudre un systme linaire ayant 50 inconnues comme le montre le tableau ci-dessous !

Taille n nombre de flops Temps


10 11! 3.99 107 0, 04 seconde
20 21! 5.1 1019 1620 annes
50 51! 1.55 1066 9, 6 1047 annes

Ajoutons cela que mme pour des systmes linaire de tailles "modestes", le calcul, sur des ordinateur,
de la solution x par la mthode de Cramer est entach par la propagation des erreurs darrondi et de
troncature.

Pour toutes ses raisons, de nombreuses mthodes qui permettent de rsoudre (1.1) ont t dveloppes.
Ces mthodes sont gnralement subdivises en :

1
2 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Mthodes directes. Ces mthodes fournissent la solution du systme en un nombre fini dtapes.

- Elles sont gnralement utilises pour des systmes ayant une matrice dense.

- Elles sont bases sur une dcomposition de la matrice A sous forme dun produit de matrices
plus "simples" manipuler : A = L U , A = Q R , A = L D L T , A = S S T , ...

Mthodes itratives. Ces mthodes dterminent, en thorie, la solution x du systme (1.1)


aprs un nombre infini ditrations. Cette famille de mthodes est elle mme subdivise en deux
sous classes de mthodes

- Les mthodes semi-itratives telle que la mthode de Jacobi ou la mthode de Gauss-Seidel


sont bases sur la dcomposition de la matrice A sous forme dune somme de matrices et
construisent une suite de solutions approches de la forme :

x(k+1) = B x(k) + d, pour k = 0, 1, . . . , (1.3)

o lapproximation initiale x(0) est donne. La matrice B Rnn dpend de A et est appele
matrice ditration et le vecteur d Rn dpend du vecteur second membre b.

- Les mthodes de type Krylov telle que la mthode dorthogonalization complte (FOM), la m-
thode du rsidu minimal gnralis (GMRES), la mthode du rsidu quasi-minimal (QMR),
la mthode de changement du rsidu minimal (CMRH), ... etc. Ces mthodes sont gnrale-
ment appliques des systmes de trs grande taille et dont la matrice est creuse.

En partant dune approximation initiale x(0) dont le rsidu est r (0) = b A x(0) , les mthodes
de Krylov construisent des solutions approches de la forme

x(k+1) = Vk x(k) + d (k) , pour k = 0, 1, . . . , (1.4)

o Vk Rk est une matrice qui dpend de litration courante et dont les vecteurs colonnes
forment une base de K k ( r (0) , A ) = s pan{ r (0) , A r (0) , . . . , A k1 r (0) } (le sous espace de Krylov en-
gendr par r (0) , A r (0) , . . . , A k1 r (0) ) et d (k) Rk est dtermin par une condition dorthogonalit
de la forme r (k) K k ( r (0) , A ), ou r (k) A K k ( r (0) , A ). Il est noter quen arithmtique exacte,
la suite des itres x(k) converge vers x en moins de n itrations.

Remarque : La convergence des mthodes itratives se teste gnralement en utilisant un paramtre


de tolrance . On arrte ainsi les calculs ds que lerreur relative (respectivement absolue) est assez
petite :
k x(k+1) x(k) k
< (k x(k+1) x(k) k < )
k x( k ) k
Une autre alternative est de tester le rsidu relatif (respectivement absolu) :

k r ( k) k
< (k r (k) k < ),
k r (0) k

o r (k) := b A x(k) .

Avant de passer la description des mthodes cites ci-dessus, signalons quun des points les plus essen-
tiels dans lefficacit des mthodes de rsolution de systmes linaires concerne la taille des systmes
1.2. RAPPELS ET COMPLMENTS DALGBRE LINAIRE 3

rsoudre. Entre 1980 et 2000, la taille de la mmoire des ordinateurs a augment. La taille des systmes
quon peut rsoudre sur ordinateur a donc galement augment, selon lordre de grandeur suivant :

1980 2000
matrice pleine (tous les termes sont non nuls) n = 100 n = 106
matrice creuse (peu dlments non nuls) n = 106 n = 108

1.2 Rappels et complments dalgbre linaire


Dfinition 1.1.
Soit A = (a i, j ) i, j=1,...,n une matrice relle de taille n. On dit que A est fortement inversible si les n
sous matrices principales de A sont toutes inversibles, i.e., si det( A k ) 6= 0, pour k = 1, . . . , n et o A k =
(a i, j ) i, j=1,...,k Rkk .
Dfinition 1.2.
Soit A = (a i, j ) i, j=1,...,n une matrice relle de taille n. On dit que A est diagonale dominante (respective-
ment strictement dominante) si et seulement si
X n X n


|a i,i | |a i, j | ( respectivement |a i,i | > |a i, j |) i = 1, . . . , n.


j =1 j =1
j 6= i j 6= i
n
X n
X



|a j, j | |a i, j | ( respectivement |a j, j | > |a i, j |) j = 1, . . . , n.

i =1 i =1
i 6= j i 6= j

Dfinition 1.3.
Soit A une matrice relle de taille n. On dit que A est dfinie positive si pour tout x Rn , x 6= 0 =
xT A x > 0.
Dfinition 1.4.
Soit A une matrice relle de taille n. On appelle rayon spectral de A quon note ( A ) la plus grande
valeur propre en module, i.e.,
( A ) = max {| i |; i valeur propre de A }.
i =1,...,n

Proposition 1.1.
Soit A Rnn une matrice relle de taille n alors :
- Si A est diagonale strictement dominante alors A est inversible.
- Si A est symtrique alors toutes ses valeurs propres sont relles.
- Si A est symtrique dfinie positive alors toutes ses valeurs propres sont strictement positives.

1.3 Mthodes directes


1.3.1 Cas des systmes triangulaires
Les systmes linaires dont la matrice A est triangulaire infrieure ou triangulaire suprieure sont
parmi les systmes les plus faciles rsoudre. En effet, la matrice A tant suppose inversible, alors
ses coefficients diagonaux sont non nuls et donc pour un

systme triangulaire infrieur tel que celui dcrit par la systme (T i ) ci dessous,

a x = b1
1,1 1


a 2,1 x1 + a 2,2 x2 = b2
(T i ) . .. ,

.. .


a n,1 x1 + a n,2 x2 + . . . + a n,n xn = b n
4 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

la rsolution se fait via les formules de descente (ou encore substitution directe) rsumes dans

Algorithme : Rsolution dun systme triangulaire infrieur

b1
- x1 = ;
a 1,1
- pour i = 2, 3, . . . , n faire
1 iX1
xi = (b i a i, j x j )
a i,i j =1
fin pour.

systme triangulaire suprieur tel que celui dcrit par la systme (Ts ) ci dessous,


a 1,1 x1 + a 1,2 x2 + ... + a 1,n xn = b1


a 2,2 x2 + ... + a 2,n xn = b2
(T s ) .. .. ..


. . .

a n,n xn = bn

la rsolution se fait via les formules de remonte (ou encore substitution rtrograde) rsumes
dans lalgorithme ci dessous

Algorithme : Rsolution dun systme triangulaire suprieur

bn
- xn = ;
a n,n
- pour i = n 1, n 2, . . . , 1 faire
1 Xn
xi = (b i a i, j x j )
a i,i j = i +1
fin pour.

Notons que pour les deux systmes le cot opratoire est de lordre de n2 flops.

1.3.2 Mthode de Gauss

Cette mthode est base essentiellement sur lutilisation de combinaisons linaires entre lignes (et/ou
de permutations de lignes ou de colonnes) du systme dans le but de transformer progressivement le
systme de dpart en un systme triangulaire suprieure plus facile rsoudre. En effet, rappelons que
la solution dun systme linaire ne change pas quand on ajoute une quation donne une combinaison
linaire des autres quations.
La simplicit et lefficacit de lalgorithme de cette mthode font que la mthode de Gauss est trs
utilise dans la pratique et quelle est la base de plusieurs algorithmes de rsolution de systmes
linaires. Dans la suite, nous abordons le principe de cette mthode laide de quelques exemples.
1.3. MTHODES DIRECTES 5

Exemple 1. Soit le systme



2 x1 + x2 + x3 = 3
4 x1 + 3 x2 + 3 x3 + 5

x4 =
(S )

8 x1 + 7 x2 + 9 x3 + 5 x4 = 7

6 x1 + 7 x2 + 9 x3 + 8 x4 = 1

Soit respectivement A (0) = A et b(0) = b la matrice et le vecteur second membre du systme.


Appliquons alors la mthode dlimination de Gauss au systme prcdent en utilisant le tableau
4 lignes 5 colonnes ci-dessous

2 1 1 0 3 l1
(0) 4 3 4 1 5 l2
A b(0) =
8 7 9 5 7

l3
6 7 9 8 1 l4


2 1 1 0 3
0 1 1 1 1 l 2 l 2 2 l 1 = l 2 l 2,1 l 1
A (1) b(1) =

0 3 5 5 5 l 3 l 3 4 l 1 = l 3 l 3,1 l 1
0 4 6 8 10 l 4 l 4 3 l 1 = l 4 l 4,1 l 1


2 1 1 0 3
0 1 1 1 1
A (2) b(2) =
0

0 2 2 2 l 3 l 3 3 l 2 = l 3 l 3,2 l 2
0 0 2 4 6 l 4 l 4 4 l 2 = l 4 l 4,2 l 2


2 1 1 0 1
0 1 1 1 1
A (3) b(3) =
0

0 2 2 2
0 0 0 2 4 l 4 l 4 l 3 = l 4 l 4,3 l 3 ,

a(i,k
k1)
o l i,k = pour k = 1, 2, 3 et i = k + 1, . . . , 4. Ainsi
a(k,k
k1)



2 x1 + x2 + x3 = 3
1

x2 + x3 + x4 =
(S )

2 x3 + 2 x4 = 2

2 x4 = 4

et on obtient alors x1 = 1, x2 = 0, x3 = 1 et x4 = 2.

Exemple 2. Soit les systmes



x1 +
x2 + 2 x3 = 2 x1 + x2 + 2 x3 = 1
(S 1 ) 2 x1 + x2 x3 = 3 et (S 2 ) 2 x1 + x2 x3 = 4

3 x1 + 2 x2 + x3 = 7 3 x1 + 2 x2 + x3 = 5

Les deux systmes prcdents ayant la mme matrice A , nous allons appliquer la mthode dli-
mination de Gauss en utilisant le tableau 3 lignes 5 colonnes form par les lments de la matrice
6 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

A (0) = A et des vecteurs second membres b(0) (0)


1 = b 1 et b 2 = b 2 . Nous avons alors

h i 1 1 2 2 1 l1
A (0)
b(0)
1 b(0)
2
= 2 1 1 3 4 l2
3 2 1 7 5 l3

h i 1 1 2 2 1
A (1)
b(1)
1 b(1)
2
= 0 1 5 1 2 l 2 l 2 2 l 1 = l 2 l 2,1 l 1
0 1 5 1 2 l 3 l 3 3 l 1 = l 3 l 3,1 l 1

h i 1 1 2 2 1
A (2) b(2)
1 b(2)
2
= 0 1 5 1 2
0 0 0 2 0 l 3 l 3 l 2 = l 3 l 3,2 l 2 ,

a(i,k
k1)
avec l i,k = pour k = 1, 2 et i = k + 1, . . . , 3. Ainsi
a(k,k
k1)


x1 + x2 + 2 x3 = 2 x1 + x2 + 2 x3 = 2
(S 1 ) x2 5 x3 = 1 et (S 2 ) x2 5 x3 = 2

0 = 2 0 = 0

On en dduit que le systme (S 1 ) na pas de solutions et nest donc pas compatible. Quant au
systme (S 2 ), il possde une infinit de solutions de la forme x3 = , x2 = 2 5 et x1 = 3 + 3,
o R.

Mise en uvre de lalgorithme.

Soit le systme linaire Ax = b o A Rnn est telle que le premier terme diagonal a 1,1 soit non nul.

Posons A (0) = A , b(0) = b, alors comme a(0) (0)


1,1 6= 0, on peut liminer linconnue x1 de la ligne l i , i =
a(0)
2, 3, . . . , n, en retranchant cette ligne la quantit l i,1 l (0)
1 o l i,1 =
i,1
. Ainsi, en dfinissant
a(0)
1,1

(
a(1)
i, j
= a(0)
i, j
l i,1 a(0)
1, j
i, j = 2, 3, . . . , n,
b(1)
i
= b(0)
i
l i,1 b(0)
1 i = 2, 3, . . . , n,

on obtient le systme A (1) x = b(1) quivalent suivant


(0)
a(0) . . . a(0) b(0)

a
x1

1,1 1,2
(1)
1,n
(1)
1
b(1)

0 a . . . a x2
2,2 2,n 2
.
.. .. .. .. = ..
. . .
.



0 a(1)
n,2 . . . a (1)
n,n
xn b(1)
n
| {z } | {z }
=: A (1) =: b(1)

De la mme manire, pour k = 2, 3, . . . , n et si a(k,k


k1)
6= 0, on peut liminer xk de la ligne l (ik1) , i =
a(i,k
k1)
k + 1, k + 2, . . . , n, en retranchant cette ligne la quantit l i,k l (kk1) o l i,k = Ainsi, en dfinissant
a(k,k
k1)

les quantits : (
a(i,kj) = a(i,kj1) l i,k a(k,kj 1) i, j = k + 1, k + 2, . . . , n,
b(ik) = b(ik1) l i,k b(kk1) i = k + 1, k + 2, . . . , n,
1.3. MTHODES DIRECTES 7

on construit une suite finie de systmes


A ( k) x = b( k) , pour k = 0, 2, . . . , n 1,
o la matrice A (k) pour 1 k n 1 la forme suivante
(0)
a a(0) ... ... ... a(0)
1,1 1,2
(1)
1,n
a(1)

0 a 2,2 2,n


. .. ..
.. . .
A ( k) = ,

0
... 0 a(kk+) 1,k+1 ... ( k)
a k+1,n

. .. .. ..
.. . . .

0 ... 0 a(n,k
k)
+1
... a(n,nk)

et o on a suppos que a(i,i


i 1)
6= 0 pour i = 1, . . . , k.

Finalement, notons que pour k = n 1, on obtient le systme triangulaire suprieur U x = y suivant :


(0)
a 1,1 a(0) ... ... a(0) b(0)

1,2 1,n x1 1
a(1) a(1) (1)

0 2,2
x
2,n 2 b 2
..

. .. .. ..
.. 0 . . . = .



.. ..


.. .. ..


0 . . . . .
( n1) xn ( n 1)
0 . . . . . . 0 a n,n bn
| {z } | {z }
=: A (n1) =: b(n1)

o U := A (n1) et y := b(n1) , et quon a tabli que la rsolution du systme A x = b quivaut celle du


systme U x = y. Finalement, la mthode dlimination de Gauss, dont le cot opratoire est de lordre
de 32 n3 , est rsum par lalgorithme si dessous :

Algorithme : Mthode de Gauss sans pivotage

1. Phase de triangularisation.
Pour k = 1, 2, . . . , n 1
Pour i = k + 1, k + 2, . . . , n
Pour j = k + 1, k + 2, . . . , n
a i,k
a i, j = a i, j a k, j ;
a k,k
Fin pour
a i,k
bi = bi bk ;
a k,k
a i,k = 0 ;
Fin pour
Fin pour
2. Phase de rsolution du systme triangulaire suprieur.
bn
xn = ;
a n,n
Pour i = n 1, n 2, . . . , 1
1 Xn
xi = (b i a i, j x j ) ;
a i,i j = i +1
Fin pour
8 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Stratgie de pivotage.

Exemple 1. Soit rsoudre le systme A x = b, o b R3 est quelconque et A R33 la matrice



1 2 3
A= 2 4 5 .
7 8 9

Aprs application de la premire tape de la mthode de Gauss la matrice A , on obtient



1 2 3
A (1) = 0 0 1
0 6 12

et on remarque quon ne peut pas continuer, et pourtant la matrice A est inversible ! Par contre si on
permute les ligne 2 et 3 de la matrice A , et que lon applique la mthode de Gauss la nouvelle matrice
obtenu
1 2 3 1 0 0
A = P A 7 8 9 , avec P = 0 0 1 .
2 4 5 0 1 0

on obtient
1 2 3
A (1) = 0 6 12 ,
0 0 1

qui est dj une matrice triangulaire suprieure et donc le systme A x = b peut tre rsolu.

Ce premier exemple nous montre que dans certains cas, la permutation de quelques quations dun
systme linaire donn -et donc la permutation de certaines lignes de la matrice A - est ncessaire afin
de rsoudre ce systme.

Exemple 2. Considrons le systme



x1 + x2 = 1
(S ) ,
x1 + x2 = 2

o 6= 0. De plus, on suppose que 6= 1, et ainsi le systme (S ) est inversible. La solution de ce systme


1
est alors donne par x = ( x1 , x2 ) avec x1 = 1
et x2 = 112 .

Supposons maintenant que 6= 1 est "proche de 0" et appliquons llimination de Gauss dcrite prc-
demment. La premire tape transforme donc le systme (S ) en (S (1) )

(1) x1 + x2 = 1
(S ) .
x1 + 1 1 x2 = 2 1

Comme les valeurs 1 et 2 sont trs petites par rapport 1 , on voit alors que la deuxime quation
nous donne 1 x2 1 , do x2 1 et ensuite la premire quation nous fournit x1 0. Mais ce rsultat
est faux !
Lerreur ne provient pas seulement du fait que est "trs petit" car si on multiplie la premire ligne par
une puissance de 10 quelconque, on va trouver la mme erreur !
1.3. MTHODES DIRECTES 9

Lanomalie provient du dsquilibre entre les coefficients de x1 et x2 de la ligne du pivot. Pour y rem-
dier, changeons maintenant les deux lignes de notre systme et appliquons llimination de Gauss avec
la valeur 1 comme premier pivot. On obtient alors

x1 + x2 = 2
(S (1) ) ,
+ (1 ) x2 = 12

ce qui entraine alors que x2 1 et x1 1. Et ce rsultat est correct !

De mme, ce deuxime exemple montre quil ne faut pas utiliser des pivots "trop petits" car les erreurs
darrondi et/ou de troncature peuvent donner entrainer des solutions fausses. Et donc, il est ncessaire
de recourir des permutations de lignes voire des colonnes de la matrice du systme.

Ainsi, pour viter les problmes rencontrs dans les deux exemples prcdents, on peut appliquer lune
des deux stratgies suivantes :

Stratgie de pivotage partiel. Cette stratgie, appele encore stratgie du pivot partiel, consiste
chercher dans la sous colonne k, le plus grand pivot en valeur absolue, i.e., on cherche lindice de ligne
l tel que a l,k = max |a i,k |. Ensuite, on permute les lignes l et k.
k i n

Stratgie de pivotage total. Dans cette stratgie, on cherche le maximum en valeur absolue dans
toute la sous matrice (a i, j ) i, j=k,...,n , i.e., on cherche les indices de ligne l et de colonne m vrifiant
a l,m = max |a i, j |. Ensuite, on permute les lignes l et k ainsi que les colonnes m et l . A noter que
k i, j n
cette stratgie est appele encore stratgie du pivot total.

Remarques.

- Les pivots ayant une valeur petite ne disparaissent pas, que lon utilise la stratgie du pivot to-
tal ou celle du pivot partiel. En fait, lapparition des petits pivots est juste rejete la fin de la
mthode de Gauss et dans ce cas linfluence de ces petits pivots est moins importante.

- Gnralement, dans la pratique, la mthode de Gauss est implmente avec une stratgie de
pivot partiel.

1.3.3 Dcomposition LU
Nous commenons cette section en donnant quelques rsultats thoriques concernant lexistence et
lunicit de la dcomposition LU .

Thorme 1.1.
Une matrice A Rnn possde une dcomposition LU , o la matrice L est triangulaire infrieure
diagonale unit et U triangulaire suprieure si et seulement si A est fortement inversible. Dans ce cas la
dcomposition LU est unique.

Ce thorme permet daffirmer que si la matrice A est fortement inversible, alors les n tapes de la
mthode de Gauss peuvent tre appliques la matrice A sans rencontrer un pivot nul.

Thorme 1.2.
Soit A Rnn une matrice inversible, alors il existe au moins une matrice de permutation P telle que la
matrice P A admette une dcomposition LU .
10 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Dans la suite, nous introduisons la dcomposition LU dune matrice A en donnant une interprtation
matricielle des diffrentes tapes de la mthode dlimination de Gauss.

Dcomposition A = LU .
Reprenons le systme A x = b vu dans lexemple 1 du paragraphe prcdent. Soient alors la matrice A
et le vecteur second membre b

2 1 1 0 3
4 3 3 1 5
A (0) A = (0)
8 7 9 5 , b b = 7 ,

6 7 9 8 1

et notons l 1 , l 2 , l 3 et l 4 les vecteurs lignes des diffrentes matrices A (k) et des vecteurs b(k) obtenus
durant la mthode dlimination de Gauss.

Etape 1 : Par des combinaisons linaires ci-dessous :


l 2 l 2 l 2,1 l 1 , avec l 2,1 = 2,
l 3 l 3 l 3,1 l 1 , avec l 3,1 = 4,
l 4 l 4 l 4,1 l 1 , avec l 4,1 = 3,
nous avons transform la matrice A (0) et le vecteur b(0) respectivement en la matrice A (1) =
L 1 A (0) et en le vecteur b(1) = L 1 b(0) , o

1 0 0 0 2 1 1 0 3
2 1 0 0 (1) 0 1 1 1
1
(1)
4 0 1 0 , A = 0 3 5 5 , b = 5 .
L1 =

3 0 0 1 0 4 6 8 10

Notons que la matrice L 1 nest autre que la matrice identit o les 0 de la premire colonne, au
niveau des positions 2, 3 et 4, ont t remplacs par les coefficients l 2,1 , l 3,1 , l 4,1 .

Etape 2 : Comme lors de la prcdente tape, les combinaisons linaires entre les lignes ci-
dessous :
l 3 l 3 l 3,2 l 2 , avec l 3,2 = 3,
l 4 l 4 l 4,2 l 2 , avec l 4,2 = 4,
ont permis de transformer A (1) en A (2) = L 2 A (1) et b(1) en b(2) = L 2 b(1) , o

1 0 0 0 2 1 1 0 3
0 1 0 0 (2) 0 1 1 1
(2)
1
0 3 1 0 , A = 0 0 2 2 , b = 2 .
L2 =

0 4 0 1 0 0 2 4 6

Notons galement que la matrice L 2 nest autre que la matrice identit o les 0, au niveau des
positions 3 et 4, de la deuxime colonne ont t remplacs par les coefficients l 3,2 , l 4,2 .

Etape 3 : A laide de la combinaison linaire


l 4 l 4 l 4,3 l 3 , avec l 4,3 = 1,
on transforme A (2) en A (3) = L 3 A (2) et b(2) en b(3) = L 3 b(2) , o

1 0 0 0 2 1 1 0 3
0 1 0 0 (3)
0 1 1 1 (3)
1
, A =
0 0 2 2 , b = 2
L3 = .
0 0 1 0
0 0 1 1 0 0 0 2 4
1.3. MTHODES DIRECTES 11

Remarquons que la matrice L 3 nest autre que la matrice identit o le 0, au niveau de la position
4, de la troisime colonne a t remplac par le coefficient l 4,3 .

Ainsi, en posant U = A (3) , on voit que L 3 L 2 L 1 A = U . Dou

A = LU avec L = (L 3 L 2 L 1 )1 = L1 1 1
1 L2 L3 .

Notons quil est facile de vrifier que



1 0 0 0 1 0 0 0 1 0 0 0
1
2 1 0 0 0 1 0 0 0 1 0 0
L 1 = L 1 = , L1 = L 2 = , et L1 = L 3 = ,
4 0 1 0 2 0 3 1 0 3 0 0 1 0
3 0 0 1 0 4 0 1 0 0 1 1

et que de plus la matrice L est une matrice triangulaire infrieure diagonale unit dont les lments
non nuls ne sont autre que les coefficients l i, j utiliss prcdemment, i.e.,

1 0 0 0
2 1 0 0
L= .
4 3 1 0
3 4 1 1

Finalement, on a obtenu

2 1 1 0 1 0 0 0 2 1 1 0
4 3 3 1 2 1 0 0 0 1 1 1
= .
8 7 9 5 4 3 1 0 0 0 2 2
6 7 9 8 3 4 1 1 0 0 0 2
| {z } | {z }| {z }
A L U

Dcomposition P A = LU .

Dans certains cas, la dcomposition LU dune matrice A donne nexiste pas. Par contre, il est possible
de trouver une matrice de permutation P telle que la dcomposition LU de P A existe.

Lexemple ci-dessous montre comment trouver P , L et U en utilisant la stratgie de pivotage partiel.


Soit donc

2 1 1 0
4 3 3 1
A (0) A =
8
.
7 9 5
6 7 9 8

Etape 1 : Examinons les composantes de la premire colonne de A pour dterminer la compo-


sante maximale en valeur absolue. On voit alors que |a(0) (0)
3,1 | = max {|a i,1 |}. Permutons alors, la
i =1...,n
1re et la 3me ligne de A (0) . Matriciellement, cette opration se traduit par une multiplication
gauche de A (0) par la matrice de permutation P1 , i.e.,

8 7 9 5 0 0 1 0
(0) 4 3 3 1 0 1 0 0
(0)

A = P1 A = avec P1 = .
2 1 1 0 1 0 0 0
6 7 9 8 0 0 0 1
12 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

En utilisant les combinaisons linaires


1
l 2 l 2 l 2,1 l 1 , avec l 2,1 = 2,
1
l 3 l 3 l 3,1 l 1 , avec l 3,1 = 4,
3
l 4 l 4 l 4,1 l 1 , avec l 4,1 = 4,
transformons A en A = L 1 A = L 1 P1 A (0) , o
(0) (1) (0)

8 7 9 5 1 0 0 0

1 3 3 1
0 1 0 0
A (1) = 0
2
3
2
5
2 ,
5 L 1 = 2
1
.
4 4 4
4 0 1 0
7 9 17
0 4 4 4 43 0 0 1

Etape 2 : Comme lors de la prcdente tape, dterminons la composante maximale, en valeur


absolue, de la deuxime colonne de A (1) . On voit alors que |a(1) (1)
4,2 | = max {|a i,2 |}. Permutons alors,
i =2...,n
la 2me et la 4me ligne de A (1) . On a alors les relations :

8 7 9 5

1 0 0 0
0 7 9 17 0 0 0 1
A (1) = P2 A (1) = 4 4 4
0 3 5 5 avec P2 =
.
4 4 4
0 0 1 0
0 21 23 23 0 1 0 0

Maintenant, si on utilise les combinaisons linaires suivantes :


l 3 l 3 l 3,2 l 2 , avec l 3,2 = 73 ,
l 4 l 4 l 4,2 l 2 , avec l 4,2 = 27 ,
alors A se transforme en A = L 2 A (1) , o
(1) (2)

8 7 9 5 1 0 0 0

7 9 17
0 0 1 0 0
A (2) = 4
0 0 2
4 4 ,
4 L2 =
0 3 1
.
7 7 7 0
0 0 67 72 0 27 0 1

Etape 3 : Maintenant, dterminons la composante maximale, en valeur absolue, de la troisime


colonne de A (2) . On voit alors que |a(2) (2)
4,3 | = max {|a i,3 |}. Permutons alors, la 3
me
et la 4me ligne de
i =3...,n
A (2) . Ce qui se traduit par les relations matricielles :

8 7 9 5

1 0 0 0
7 9 17
0
0
1 0 0
A (2) = P3 A (2) = 4 4 4
0 0 6 2 avec P3 = 0
.
7 7
0 0 1
0 0 72 4
7
0 0 1 0

Finalement, en utilisant la combinaison linaire


l 4 l 4 l 4,3 l 3 , avec l 4,3 = 13 ,
la matrice A (2) est transforme en A (3) = L 3 A (2) , o

8 7 9 5

1 0 0 0
7 9 17
0 0 1 0 0
A (3) = 4 4
0 0 6 2 ,
4 L3 = 0 0
.
7 7
1 0
2 1
0 0 0 3
0 0 3 1

Ainsi, en posant U = A (3) , on voit que L 3 P3 L 2 P2 L 1 P1 A = U . Cette dernire relation peut tre refor-
mule de la manire suivante

U = (L 3 P3 L 2 P2 L 1 P1 ) A = L 3 L 2 L 1 (P3 P2 P1 ) A,
1.3. MTHODES DIRECTES 13


o L k est gale L k des permutations prs. Plus prcisment, on dfinit


L 3 = L 3 , L 2 = P3 L 2 P3 , L 1 = P3 P2 L 1 P2 P3 .

Finalement, on a
1
(P3 P2 P1 ) A = L 3 L 2 L 1 U,
| {z } | {z }
P
L

avec
1 0 0 0 1 0 0 0

1 0 0 0
0 1 0 0
, L = 0 1 0 0
et L = 43 1 0 0
.
L3 = 2
0 0 1 0 2 0 7 1 0 1 21 0 1 0
0 0 31 1 0 3
7 0 1 41 0 0 1

cest dire P A = LU , o

1 0 0 0 8 7 9 5

0 0 1 0
0 0 0 1 3 1 0 0 0 7 9 17
P = P3 P2 P1 = , L = 4 et U = 4 4 4 .
0 1 0 0 1 72 1 0 0 0 76 72
2
1
1 0 0 0 4 73 1
3 1 0 0 0 2
3

Remarques :
1. Au cours de la recherche du pivot, il se peut que le maximum soit atteint en deux (ou plus)
lignes. Dans ce cas, on retiendra comme ligne du pivot la premire ligne o est atteint llment
maximal.

2. La dcomposition P A = LU peut tre utilise pour rsoudre un systme linaire A x = b. En


effet :

Ax=b P A x = b ( avec b = P b),


LU x = b,
L y = b ( avec y = U x)

On voit alors que pour obtenir x la solution de A x = b, il suffit de rsoudre respectivement les
deux systmes triangulaires (infrieur et suprieur) suivants :
L y = b o y est linconnu, avec b = P b,
et
U x = y.


2 x1 + x2 + 4 x4 = 1
4 x1 2 x2 + 3 x3 7 x4 3

=
Exemple : Rsoudre (S )

4 x1 + x2 2 x3 + 8 x4 = 1

3 x2 12 x3 x4 = 2
A

2 1 0 4 x1 1
4 2 3 7 x2 3
Matriciellement, (S ) scrit
4
= .
1 2 8 x3 1
0 3 12 1 x4 2
| {z } | {z } | {z }
x b
En effectuant la factorisation LU de A avec stratgie de pivotage partiel, on trouve que P A = LU ,
14 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

avec

1 0 0 0 4 2 3 7

0 1 0 0
0 0 0 1
0 1 0 0 0 3 12 1
P =
, L= 1
et U = 4 .

0 0 1 0 1 3 1 0 0 0 5 3
1 0 0 0 12 0 3
10 1 0 0 0 1
10

Ainsi

Ax=b P A x = b ( avec b = P b = (3, 2, 1, 1)T ),


LU x = b,
L y = b ( avec y = U x)

En rsolvant le systme triangulaire infrieur L y = b, on trouve y = (3, 2, 43 , 10


1 T
) . Finale-
ment, en rsolvant le systme triangulaire suprieur U x = y, on trouve x = (2, 1, 0, 1) . T

Mise en uvre de la dcomposition LU .

En supposant que la dcomposition LU de la matrice A existe et en identifiant le terme gnral a i, j de


la matrice A avec les lments du produit scalaire l i u j , o l i = ( l i,1 , . . . , l i,i1 , 1, 0 . . . , 0) est la i -me ligne
de la matrice L et u j = ( u 1, j , . . . , l j, j , 0 . . . , 0) t est la j -me colonne de la matrice U , on a

n
X min(
Xi, j)
a i, j = l i,k u k, j = l i,k u k, j ,
k=1 k=1

car l i,k = 0 lorsque k > i et u k, j = 0 pour k > j . Ainsi, on obtient :

i
X 1
iX
- si i j , alors a i, j = l i,k u k, j et donc u i, j = a i, j l i,k u k, j , (1),
k=1 k=1
j 1
jX
X 1
- si i > j , alors a i, j = (a i, j
l i,k u k, j et donc l i, j = l i,k u k, j ), (2).
k=1 u j, j k=1
Les deux galits (1) et (2) permettent de former les lments non nuls de la i -me ligne de la matrice
U ainsi que les lments non nuls de la i -me colonne de la matrice L. En effet, en prenant j = 1 dans
a
lgalit (1), nous avons u 1,i = a 1,i pour i = 1, . . . , n, et puis lgalit (2) nous donne l i,1 = u1i,,11 .

En supposant avoir dtermin les colonnes (respectivement les lignes) 1, . . . , i 1 de la matrice U (res-
pectivement L), nous obtenons partir de (1) (respectivement partir de (2)) les lments j = i, . . . , n de
la i -me ligne de U (respectivement colonne de L), i.e., nous avons
1
iX
pour j = i, i + 1, . . . , n

u i, j = a i, j l i,k u k, j


k=1
1 1
iX
(a j,i l i,k u k, j ) pour j = i + 1, . . . , n.

l j,i
=
u i,i k=1

Remarquons que la division par u i,i est possible puisque par hypothse on suppose que la factorisation
LU existe. De plus, toute nouveau coefficient u i, j ou l j,i est obtenu en fonction des lments de L et U
dj calculs. Ainsi, les relations prcdentes et les proprits vrifies par les matrices L et U nous
permettent de donner lalgorithme suivant :
1.3. MTHODES DIRECTES 15

Algorithme. Dcomposition LU .
1. Initialisation des matrices L et U .
L = I n ; U = 0n ;
2. Calcul de la premire colonne de L et de la premire ligne de U .
Pour i = 1, . . . , n
u 1,i = a 1,i ;
a i,1
l i,1 = ;
a 1,1
Fin pour
3. Calcul des lments non nuls de la i -me ligne de U et de la i -me colonne de L.
Pour i = 2, . . . , n
Pour j = i, . . . , n
1
iX
u i, j = a i, j l i,k u k, j ;
k=1
Fin pour
Pour j = i + 1, . . . , n
1 1
iX
l j,i = (a j,i l j,k u k,i ) ;
u i,i k=1
Fin pour
Fin pour
4. Phase de rsolution du systme triangulaire infrieur L y = b.
5. Phase de rsolution du systme triangulaire suprieur U x = y.

Mthode de Cholesky et dcomposition A = L L T .

Thorme 1.3.
Soi A Rnn une matrice symtrique dfinie positive, alors il existe une matrice infrieure unique L ayant
des lments diagonaux positifs telle que A = L L T .

La matrice L est appele matrice de Cholesky associe A .

Mise en uvre de la dcomposition L L T .

Soit A une matrice symtrique dfinie positive et L une matrice triangulaire infrieure,
On cherche la matrice :

l 1,1
l 2,1 l 2,2

L= . .. ..
..

. .
l n,1 l n,2 ... l n,n

De lgalit A = L LT et comme puisque l p,q = 0 si 1 p < q n. Alors, et identifiant les lments de A


avec ceux de L T , on a :

n
X min
X{ i, j }
a i, j = L L T = l i,k l j,k = l i,k l j,k , 1 i, j n.
i, j
k=1 k=1

Comme la matrice A est symtrique, il suffit que les relations prcdentes soient vrifies pour i j ,
16 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

cest--dire que les lments l i, j de la matrice L doivent satisfaire :

i
X
a i, j = l i,k l j,k , 1 i j n.
k=1

Ainsi, pour i = 1, on dtermine la premire colonne de L :


p
a 1,1 = l 1,1 l 1,1 , do l 1,1 = a 1,1 .
a
a 1, j = l 1,1 l j,1 , do l j,1 = l 11,,1j , 2 j n.
On dtermine la i -me colonne de L(2 i qn), aprs avoir calcul les ( i 1) premires colonnes :
a i,i = l i,1 l i,1 + . . . + l i,i l i,i do l i,i = a i,i ki=11 l 2i,k
P

a j,i ki=11 l j,k l i,k


P
a j,i = l j,1 l i,1 + l j,2 l i,2 + . . . + l j,i l i,i do l j,i = l i,i , i + 1 j n.
On voit alors quil y a unicit de la dcomposition L si on choisit tous les lments l i,i > 0.
T

En rsumant ce qui prcde, on peut tablir lalgorithme suivant :

Algorithme. Dcomposition L L T .
1. Initialisation de la matrice L .
L = 0n ;
2. Calcul de la premire colonne de L.
p
l 1,1 = a 1,1
Pour i = 2, . . . , n
a i,1
l i,1 = ;
l 1,1
Fin pour
3. Calcul des lments non nuls de la i -me colonne de L.
Pour i = 2, .v
.., n
u 1
iX
u
l = ta
i,i l2 ;
i,i i,k
k=1

Pour j = i + 1, . . . , n
1 1
iX
l j,i = (a j,i l j,k l i,k ) ;
l i,i k=1
Fin pour
Fin pour
4. Phase de rsolution du systme triangulaire infrieur L y = b.
5. Phase de rsolution du systme triangulaire suprieur L T x = y.

1.4 Mthodes semi-itratives


Lorsque la taille des systmes rsoudre est grande, et vu que la rsolution dun systme linaire
A x = b de taille n requiert en gnral O ( n3 ) oprations, les mthodes directes sont coteuses en terme
de nombre doprations et donc aussi en terme de temps dexcution sur ordinateur. Dans ce cas, il
est prfrable dutiliser des mthodes itratives qui construisent des solutions approches la solution
exacte du systme.
1.4. MTHODES SEMI-ITRATIVES 17

Dans cette section, nous allons dcrire une classe de mthodes itratives bases sur la dcomposition
de la matrice A sous la forme de matrices plus faciles manipuler ! Plus prcisment, tant donne A
est une matrice carre inversible, on suppose quon puisse crire A = M N o les matrices M et N sont
"convenablement choisies".

Afin de rsoudre le systme A x = b, on remplace lquation du systme par la nouvelle quation :

M x = N x + b,

et en supposant que la matrice M est facilement inversible, nous obtenons

x = B x + c,

o B = M 1 N et c = M 1 b. On voit alors quon peut dfinir le schma itratif suivant :

x(k+1) = B x(k) + c

x(0) donn ou choisir

La convergence ou la non convergence de la suite x(k) vers la solution exacte x = A 1 b du systme


dpend du rayon spectrale de la matrice B. Plus prcisment, nous avons le rsultat suivant

Thorme 1.4.
La suite x(k) dfinie par x(k+1) = B x(k) + c converge pour tout x(0) Rn si et seulement si (B) < 1.

Dans la suite, nous dcomposons la matrice A sous la forme



..
. F
,

A= D
..

E .

cest dire A = D E F o

- D = diag(a 1,1 , . . . , a n,n ) est la matrice diagonale forme par les lments diagonaux de A .

- E = tril ( A ) est la matrice triangulaire infrieure forme par la partie triangulaire infrieure
stricte de A .

- F = triu( A ) est la matrice triangulaire suprieure forme par la partie triangulaire suprieure
stricte de A .

De plus, nous supposons que les lments diagonaux de A sont tous non nuls et ainsi D est inversible.

1.4.1 Mthode de Jacobi


Le schma itratif de la mthode de Jacobi sobtient en prenant M = D et N = E + F . Ainsi, ce schma
scrit (k+1)
x = B J x( k ) + c J (J)
,
x(0) donn ou choisir

avec B J = M 1 N = D 1 (E + F ) et c J = D 1 b.
18 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Notons que lgalit ( J ) entraine que D x(k+1) = (E = F ) x(k) + b, et donc on a :


n
X
a i,i x(ik+1) = a i, j x(jk) + b i .
j =1
j 6= i

Ainsi, le schma itratif de la mthode de Jacobi scrit :



x(k+1) = 1

X n
a i, j x(jk) ,

pour i = 1, . . . , n.

b i
i a i,i j =1 ,

j 6= i

(0)
x donn ou choisir

et la matrice B J est telle que


a 1,2 a 1,n
0 ... ...
a 1,1 a 1,1
a 2,1 a 2,3 a 2,n

0 ...

a 2,2 a 2,2 a 2,2

a 2,1 .. .. .. ..
. . .

a 3,3
BJ = . .


.. .. .. a n1,n

. . .

a n1,n1
a n,1 a n,n1
... ... 0
a n,n a n,n

Exemples :

- Exemple 1. Soit rsoudre le systme



4 x1 + x2 = 3
(S 1 )
x1 2 x2 = 15.
Pour obtenir le schma itratif de la mthode de Jacobi associ au systme (S 1 ) ainsi que la
matrice B J et le vecteur c J correspondants, il suffit dcrire :
(
4 x1(k+1) + x2(k) = 3
,
x1(k) 2 x2(k+1) = 15.

ce qui donne
1

( k+1)
x1

= (3 x2(k) )
4

,


x(k+1) 1
(15 + x1(k) ),

2 =
2
et ainsi x(k+1) = B J x(k) + c J , avec

3

1

0 4
BJ = 1 4 et c J =
.

0 15
2
2
Pour savoir si la mthode de Jacobi applique au systme (S 1 ) est convergente ou non, il suffit de
dtrminer le rayon spectrale de la matrice B J ; Et pour cela, nous pouvons calculer le polynme
1.4. MTHODES SEMI-ITRATIVES 19

caractristique de B J :

1


1
PB J () = det( b B J I ) = 1
4 = 2 + .




8
2

1
Ce qui donne que les valeurs propres de B J sont 1 = 2 = p et donc (B J ) = p < 1.
8 8
Ainsi, la mthode de Jacobi applique au systme (S 1 ) est convergente pour tout x(0) R2 .

3 15 T (2)
En partant de x(0) = (0, 0)T , nous obtenons x(1) = ( , ) , x = (1.125 , 7.875 )T , . . .,
4 2
x(10) = (1.000 , 7.000 )T . Et, on remarque alors que x(k) k+ (1, 7)T .

- Exemple 2. Dans cet exemple, nous nous intressons encore au systme (S 1 ) de lexemple prc-
dent que nous rcrivons comme suit


y1 + 4 y2 = 3
(S 2 )
2 y1 + y2 = 15.

Cest dire quon a y1 = x2 et y2 = x1 .

En suivant la mme dmarche suivie pour lexemple prcdent, nous obtenons le schma itratif
associ au systme (S 2 ) ainsi que la matrice B J et le vecteur c J correspondants en crivant
(
y1(k+1) + 4 y2(k) = 3
,
2 y2(k) + y1(k+1) = 15.

et ainsi,

( k+1)
y1
= 3 4 y2(k)
.
y(k+1)

= 15 + 2 y1(k) ,
2


ce qui donne y(k+1) = B J x(k) + c J , avec


0 4 3
BJ = et c J = .
2 0 15


Et, en calculant le polynme caractristique de la matrice B J , nous trouvons que PB () = 2 8,
p J

cest dire que (B J ) = 8 > 1.

Ainsi, la mthode de Jacobi applique au systme (S 2 ) nest pas convergente. Ce rsultat est
confirm numriquement, puisquon constate que x(k) (, )T lorsque k +.

Nous terminons ce paragraphe en donnant lalgorithme de la mthode de Jacobi


20 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Algorithme. Mthode de Jacobi.


1. Initialisation :
Choisir x(0) une solution de dpart.
2. Itration :
Pour k = 0, 1, . . . jusqua convergence
Pour i = 1, . . . , n
1 X n
x(ik+1) = a i, j x(jk) .

b i
a i,i j =1
j 6= i
Fin pour
Fin pour

1.4.2 Mthode de Gauss-Seidel


Le choix M = D E et N = F permet de dfinir la mthode de Gauss-Seidel et dans ce case le schma
itratif scrit (k+1)
x = BG x( k ) + c G (J)
(0) ,
x donn ou choisir

avec BG = M 1 N = (D E )1 F et cG = (D E )1 b.

Notons que dans la pratique, on ne calcule pas (D E )1 , mais on rsout le systme (D E ) x(k+1) = F x(k) +
F b. Ce dernier systme est un systme triangulaire infrieure, donc facile rsoudre numriquement.
On obtient ainsi,
Xi n
X
a i, j x(jk+1) + a i, j x(jk) = b i , pour i = 1, . . . , n,
j =1 j = i +1

ou encore :
1
iX n
X
a i,i x(ik+1) = a i, j x(jk+1) a i, j x(jk) + b i , pour i = 1, . . . , n.
j =1 j = i +1

Ceci permet dobtenir le schma itratif de la mthode de Gauss-Seidel qui scrit


!
i 1
x(k+1) = 1 b X a x(k+1) X a x(k) ,
n
i i, j j i, j j pour i = 1, . . . , n.
i a i,i j =1 j = i +1 ,

(0)
x donn ou choisir

Il est remarquer que le calcul de x(ik+1) -la i -me composante de la nouvelle solution approche x(k+1) -
fait intervenir les valeurs des x(jk) pour j > i et des x(jk+1) pour j < i . Il est donc ncessaire davoir calcul
x1(k+1) , . . . , x(ik+11) pour pouvoir calculer x(ik+1) . Ceci nest pas ncessaire pour la mthode de Jacobi o le
calcul de x(ik+1) ne fait intervenir que les composantes de la solution approche prcdente x(k) .

Exemples :

- Exemple 1. Soit rsoudre le systme



4 x1 + x2 = 3
(S 1 )
x1 2 x2 = 15.
1.4. MTHODES SEMI-ITRATIVES 21

Pour obtenir le schma itratif de Gauss-Seidel associ au systme (S 1 ) ainsi que la matrice BG
et le vecteur cG correspondants, il suffit dcrire :
(
4 x1(k+1) + x2(k) = 3
,
x1(k+1) 2 x2(k+1) = 15.

ce qui donne

1


x(k+1)
1
= (3 x2(k) )
4


x(k+1) 1 1 1 63 1 (k)
(15 + x1(k+1) ) = (15 + (3 x2(k) )) = . . . =

x2 .

2 =
2 2 4 8 8

et donc x(k+1) = BG x(k) + cG , avec

1 3

0
4 4
et cG = .

BG =
1 63
0
8 8

Maintenant, calculons le polynme caractristique de BG pour dterminer son rayon spectrale.


1


1
PBG () = det( b BG I ) = = ( + ).

4
0 81 8

1 1
Ce qui donne que les valeurs propres de BG sont 1 = et 2 = 0 et donc (BG ) = < 1. Ainsi,
8 8
la mthode de Gauss-Seidel applique au systme (S 1 ) est convergente pour tout x(0) R2 .

En partant de x(0) = (0, 0)T , nous obtenons x(1) = (3, 15)T , x(2) = (1.218 , 6.890 )T , . . ., x(7) =
(1.000 , 7.000 )T . Et, comme pour la mthode de Jacobi on remarque alors que x(k) k+
(1, 7)T . De plus, pour cet exemple, la mthode de Gauss-Seidel converge plus vite que la m-
thode de Jacobi puisque (BG ) < (B J ).

- Exemple 2. Si on applique la mthode de Gauss-Seidel au systme (S 2 ) ci dessous



y1 + 4 y2 = 3
(S 2 )
2 y1 + y2 = 15.


on trouve que y(k+1) = BG x(k) + cG , avec

0 4 15
BG = et cG = .
0 8 9


De plus, on peut vrifier que (BG ) = 8 > 1. Et donc la mthode de Gauss-Seidel (comme la m-
thode de Jacobi) applique au systme (S 2 ) nest pas convergente.

Nous terminons ce paragraphe en donnant lalgorithme de la mthode de Gauss-Seidel.


22 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES

Algorithme. Mthode de Gauss-Seidel.


1. Initialisation :
Choisir x(0) une solution de dpart.
2. Itration :
Pour k = 0, 1, . . . jusqua convergence
Pour i = 1, . . . , n !
1 iX1 Xn
( k+1) ( k+1) ( k)
xi = bi a i, j x j a i, j x j .
a i,i j =1 j = i +1
Fin pour
Fin pour

1.4.3 Convergence des mthodes de Jacobi et de Gauss-Seidel


Dans cette section, nous allons donner des rsultats concernant la convergence des mthodes de Jacobi
et de Gauss-Seidel dans le cas o la matrice A est une matrice symtrique dfinie positive, ainsi que
dans le cas o la matrice A est diagonale strictement dominante.

Thorme 1.5.
Si la matrice A est symtrique dfinie positive, alors la mthode de Gauss-Seidel est convergente. (Atten-
tion : La mthode de Jacobi, ne converge pas forcment !)

Thorme 1.6.
Si la matrice A est une matrice diagonale strictement dominante, alors A est inversible et de plus les
mthodes de Jacobi et de Gauss-Seidel sont convergentes.

Enfin, on peut galement tablir le rsultat suivant :

Thorme 1.7.
Soit A une matrice tridiagonale. Alors
(BGS ) = ((B J )2 ,
et donc les mthodes de Jacobi et Gauss-Seidel convergent ou divergent simultanment. Si elles convergent,
la mthode de Gauss-Seidel est la plus rapide.
Chapitre 2

Interpolation polynomiale

2.1 Introduction
Soient [a, b] un intervalle de R, S = ( x i )0 in une subdivision de [a, b] et f : [a, b] R une fonction
connue aux ( n + 1) points x i ( i = 0, 1, . . . , n) de la subdivision S , cest dire quon connat les valeurs

yi = f ( x i ) pour i = 0, 1 . . . , n.

Dfinition 2.1.
On dit quun polynme p de degr infrieur ou gal n (i.e., de g( p) n) interpole f (ou encore interpole
les valeurs y0 , y1 , . . . , yn aux ( n + 1) points x0 , x1 , . . . , xn sil vrifie les conditions dinterpolation suivantes :

p( x i ) = f ( x i ) (ou encore p( x i ) = yi ) pour i = 0, 1, . . . , n.

Questions.

1. un tel polynme interpolant existe til ?


2. sil existe, est-il unique ?
3. comment trouver ce polynme ?
4. comment estimer lerreur e( x) := f ( x) p( x) (dite erreur dinterpolation) pour x 6= x i ?

Notation : Si k N, on dsigne par P k ou Rk [ X ] lespace vectoriel des polynmes une indtermine


(variable X ) de degr infrieur ou gal k.

2.2 Dtermination du polynme dinterpolation


2.2.1 Cas n = 2
On crit le systme :

p ( x0 ) = y0
(S ) p ( x1 ) = y1

p ( x2 ) = y2
Rappelons quon cherche p P 2 = R2 [ X ], cest dire quon cherche trois rels a 0 , a 1 et a 2 tels que :

p = a0 + a1 X + a2 X 2 .

23
24 CHAPITRE 2. INTERPOLATION POLYNOMIALE

Ainsi,le systme (S ) est quivalent au systme suivant dons les inconnus sont a 0 , a 1 et a 2
2
a 0 + a 1 x0 + a 2 x0 = y0
(S ) a + a 1 x1 + a 2 x12 = y1
0
a 0 + a 1 x2 + a 2 x22 = y2

Matriciellement, le systme (S ) scrit :

x0 x02

1 a0 y0
1 x1 x12 a1 = y1 .
1 x2 x22 a2 y2
| {z }| {z } | {z }
=V ( x0 ,x1 ,x2 )(=V ) =a =y

Rappelons que le systme prcdent admet une unique solution si 6= 0 o est le dterminant du
systme (S ) et qui est donn par :

1 x0 x 2

0
= det(V ) = 1 x1 x12
1 x
2 x22

1 0 0
2

= 1 x1 x0 x1 x0 x1

1 x x
2 0 x22 x0 x2

1 x1
= ( x1 x0 )( x2 x0 )
1 x2
= ( x1 x0 )( x2 x0 )( x2 x1 ).

Ainsi, pour n = 2, le problme dinterpolation une solution unique si x0 , x1 et x2 . Dans ce cas, on a :



a0 y0
1
a = a 1 = V y1 ,
a2 y2

o V 1 est la matrice inverse de V .


Une fois les coefficients a 0 , a 1 et a 2 sont calculs, on a :

a0
p ( x) = a 0 + a 1 x + a 2 x2 = (1, x, x2 ) a 1
a2
1
1 x0 x02

y0
2 2
= (1, x, x ) 1 x1 x1 y1
1 x2 x22 y2

y0
= ( t 0 , t 1 , t 2 ) y1 ,
y2
1
x02

1 x0
avec ( t 0 , t 1 , t 2 ) = (1, x, x2 ) 1 x1 x12 , cest dire en transposant :
1 x2 x22
1
t0 1 1 1 1
t 1 = x0 x1 x2 x ,
t2 x02 x12 x22 x2
2.2. DTERMINATION DU POLYNME DINTERPOLATION 25

ou encore
1 1 1 1 t0
x = x0 x1 x2 t1 .
x2 x2 x12 x22 t2
| {z } | 0 {z }| {z }
=X =M =t

En rsolvant le systme Mt = X (dinconnue le vecteur colonne t), on obtient




1 1 1

x x1 x2
x2 x12 x22 ( x1 x)( x2 x)( x2 x1 ) ( x x1 )( x x2 )
t0 = = = ,
1 1 1 ( x 1 x 0 )( x 2 x 0 )( x 2 x 1 ) ( x 0 x1 )( x0 x2 )


x0 x1 x2
x02 x12 x22

ainsi que

1 1 1


x0 x x2

x02 x2 x22
( x x0 )( x x2 )
t1 = = ... =
1 1 1 ( x1 x0 )( x1 x2 )


x0 x1 x2
x02 x12 x22
et

1 1 1


x0 x1 x

x02 x12 x2
( x x0 )( x x1 )
t2 = = ... = .
1 1 1 ( x2 x0 )( x2 x1 )


x0 x1 x2
x02 x12 x22
On pose alors l 0 ( x) = t 0 , l 1 ( x) = t 1 et l 2 ( x) = t 2 (quon appelle polynmes de Lagrange associs aux points
x0 , x1 et x2 ). Dans ce cas, on a :
p( x) = y0 l 0 ( x) + y1 l 1 ( x) + y2 l 2 ( x).

2.2.2 Cas gnral


On cherche p P n vrifiant le problme dinterpolation p( x i ) = y1 pour i = 0, 1, . . . , n, cest dire, on
cherche a 0 , a 1 , . . . , a n tels que p = a 0 + a 1 X + . . . + a n X n et vrifiant les ( n + 1) quations ci-dessous :

a 0 + a 1 x0 + . . . + a n x0n = y0

a 0 + a 1 x1 + . . . + a n x n = y1

1
(S ) .. ..


. = .

a 0 + a 1 xn + . . . + a n xnn = yn

La forme matricielle de ce systme est :



1 x0 x02 ... x0n a0 y0
1 x
1 x12 ... x1n
a1
y1

1 x2 x22 ... x2n

a2 = y2 .
.
. .. .. ..
..
..

. . . ... . . .
1 xn x2n ... xnn an yn
| {z }| {z } | {z }
V ( x0 ,x1 ,...,xn )(=V ) =a =y
26 CHAPITRE 2. INTERPOLATION POLYNOMIALE

Le dterminant du systme (S ) prcdent est appel dterminant de Vandermonde associ aux coef-
ficients x0 , x1 , . . . , xn . Ce dterminant scrit :



1 x0 x02 ... x0n


1 x1 x12 ... x1n

1 x22 ... x2n

= det(V ) = x2 ,

.. .. .. ..


. . . ... .

1 xn x2n ... xnn

et on montre que :
Y Y
= (xi x j ) = ( x i x j ).
i> j 0 j < i n

Dou le rsultat suivant :

Thorme 2.1.
Le polynme dinterpolation p = a 0 + a 1 x + . . . + a n x n interpolant les valeurs y0 , y1 , . . . , yn existe et est
unique si et seulement si x i 6= x j , i 6= j .

Exemple.

Question. On considre la subdivision x0 = 0, x1 = 1, x2 = 4, x3 = 9. Dterminer le polynme


p
dinterpolation de la fonction f dfinie pour tour tout x R+ par f ( x) = x en x0 , x1 , x2 et x3 .
Rponse. En utilisant la base canonique, le polynme recherch est sous la forme p = a 0 + a 1 +
a 2 x2 + a 3 x3 , o a 0 , a 1 , a 2 et a 3 sont quatre rels quon dtermine comme ci-dessous :
En crivant


p ( x0 ) = ( x0 ) = y0
p ( x1 ) f ( x1 ) = y1

=
(S ) ,

p ( x2 ) = f ( x2 ) = y2

p ( x3 ) = f ( x3 ) = y3

on obtient le systme



a0 = 0

a0 + a1 + a2 + a3 = 1
(S ) ,
a + 4a 1 + 16a 2 + 64a3 = 2
0


a 0 + 9a 1 + 81a 2 + 729a3 = 3

qui scrit matriciellement sous la forme



1 0 0 0 a0 0
1 1 1 1 a1 1
2 .
=
1 4 16 64 a 2
1 9 81 729 a3 3
2.3. LES POLYNMES DE LAGRANGE 27

Ainsi
1
a0 1 0 0 0 0
a1 1 1 1 1 1
=
1

a2 4 16 64 2
a3 1 9 81 729 3
1 0 0 0

0
49 3 3
20 1 1
= 36 2 90
7 13 1 1
72 2
18 24 6
1 1 1 1 3
36 24 60 360
0

37
= 30
41
1
60
37 1 2 1 3
Ainsi le polynome p recherche vrifie p( x) = 30 x 4 x + 60 x .
Remarque 2.1.
La taille du systme S augment avec le nombre de points dinterpolation.
la rsolution du systme S tant difficile raliser, on prfre utiliser les polynmes de Lagrange
(ou encore les polynmes de Newton) pour dterminer le polynme dinterpolation.

2.3 Les polynmes de Lagrange


Dfinition 2.2.
On appelle polynmes de Lagrange relatifs (ou associs) aux ( n + 1) points x0 , x1 , . . . , xn (quon suppose
deux deux distincts) les ( n + 1) polynmes nots L 0 , L 1 , . . . , L n de degr n chacun et vrifiant :

1 si i = j
L i ( x j ) = i, j :=
0 si i 6= j.

2.3.1 Expression des polynmes de Lagrange


Soit i {0, 1, . . . , n}, le polynme L i , tant de degr n et sannulant aux n points x0 , x1 , . . . , x i1 , x i+1 , . . . , xn ,
alors, il existe i R tel que ce polynme scrit sous la forme :
n
Y
L i ( x) = i ( x x j ).
j =0
j 6= i
n
Y
De plus, comme L i ( x i ) = 1, il vient que L i ( x i ) = i ( x i x j ) = 1, ce qui entrane que
j =0
j 6= i

1
i = n
.
Y
(xi x j )
j =0
j 6= i

Et finalement le i -me polynme de Lagrange est donne par :


Y n xx
j
L i ( x) = .
j =0 x i x j
j 6= i

Exercice. Montrer que la famille L = {L 0 , L 1 , . . . , L n } est une base de lespace vectoriel P n .


28 CHAPITRE 2. INTERPOLATION POLYNOMIALE

2.3.2 Le polynme dinterpolation dans la base de Lagrange


La famille L 0 , L 1 , . . . , L n des polynmes de Lagrange tant une base de lespace P n , alors
n
X
P P n , !(0 , 1 , . . . , n ) Rn+1 tel que P ( x) = i L i ( x), pour tout x R.
i =0

En particulier, pour x = x j ( j = 0, 1, . . . , n), on a :

n
X
P (x j ) = i L i (x j ) = j pour j = 0, . . . , n.
i =0

Do la formule de Lagrange :
n
X
P P n , x R, P ( x) = P ( x i ) L i ( x ).
i =0

Ainsi, on a le rsultat suivant :

Thorme 2.2.
Dans la base de Lagrange, le polynme p n interpolant une fonction f (ou des valeurs y0 , y1 , . . . , yn ) aux
points x0 , x1 , . . . , xn , est donn par :
n
X n
X
p n ( x) = f ( x i ) L i ( x) = yi L i ( x).
i =0 i =0

Exemple.
p
Question. Cherchons p le polynme interpolant la fonction f ( x) = x aux points 0, 1, 4 et 9.

Rponse. En notant x0 = 0, x1 = 1 x2 = 4 et x3 = 9 et en utilisant la base de Lagrange, on peut


affirmer que :

p( x) := p 3 ( x) = f ( x0 ) L 0 ( x) + f ( x1 ) L 1 ( x) + f ( x2 ) L 2 ) + f ( x3 ) L 3 ( x),

o
( x x1 )( x x2 )( x x3 ) 1
L 0 ( x) = = ( x 1)( x 4)( x 9),
( x0 x1 )( x0 x2 )( x0 x3 ) 36

( x x0 )( x x2 )( x x3 ) 1
L 1 ( x) = = x( x 4)( x 9),
( x1 x0 )( x1 x2 )( x1 x3 ) 24

( x x0 )( x x1 )( x x3 ) 1
L 2 ( x) = = x( x 1)( x 9),
( x2 x0 )( x2 x1 )( x2 x3 ) 60
et
( x x0 )( x x1 )( x x2 ) 1
L 3 ( x) = = x( x 1)( x 4).
( x3 x0 )( x3 x1 )( x3 x2 ) 360
Et comme f ( x0 ) = 0, f ( x1 ) = 1, f ( x2 ) = 2 et f ( x3 ) = 3, alors

p ( x ) = L 1 ( x ) + 2 L 2 ( x ) + 3 L 3 ( x ).

37 1 2 1 3
En retournant la base canonique de P 3 , on obtient p( x) = 30 x 4 x + 60 x .
2.4. LES POLYNMES DE NEWTON 29

2.4 Les polynmes de Newton


Dfinition 2.3.
On appelle polynmes de Newton relatifs (ou associs) aux ( n + 1) points x0 , x1 , . . . , xn (quon suppose deux
deux distincts) les ( n + 1) polynmes nots N0 , N1 , . . . , N n dfinis pour tout x R par :

N0 ( x) = 1, N1 ( x) = x x0 , . . . , N n ( x) = ( x x0 )( x x1 ) . . . ( x xn1 ),

cest dire
1
iY
N i ( x) = ( x x0 )( x x1 ) . . . ( x x i1 ) = ( x x j ) pour i = 0, 1, . . . , n.
j =0

Remarque 2.2.
Le dernier point xn nintervient pas ans la dfinition des polynmes N0 , N1 , . . . , N n .

Exercice. Montrer que la famille N = { N0 , N1 , . . . , N n } est une base de lespace vectoriel P n .

2.4.1 Diffrences divises


Dfinition 2.4.
Soient x0 , x1 , . . . , xn , n + 1 rels deux deux distincts. On appelle diffrence divise dordre k de la fonction
f aux points x i 0 , x i 1 , . . . , x i k (o i j {0, 1, . . . , n} et i j 6= i l pour j 6= l ) lexpression note f , x i 0 , . . . , x i k et
dfinie par la rcurrence :

f , x i 1 , . . . , x i k f , x i 0 , . . . , x i k 1
f , xi0 , . . . , xi k = ,
xi k xi0

Sachant que la diffrence divise dordre 0 est dfinie par

[ f , x i ] = f ( x i ). pour i = 0, 1, . . . , n.

Illustration.

ordre 0 : [ f , x i ] = f ( x i), pour i = 0, 1, . . . , n.


f , x j [ f , xi ]
ordre 1 : f , x i , x j = , pour i, j = 0, 1, . . . , n et i 6= j.
x j x i
f , x j , xk f , x i , x j
ordre 2 : f , x i , x j , xk = , pour i, j, k = 0, 1, . . . , n et i 6= j, i 6= k, j 6= k.
xk x i

2.4.2 Le polynme dinterpolation dans la base de Newton


La famille des polynmes de Newton tant une base de lespace vectoriel P n , alors on peux ut crire le
polynme dinterpolation p dune fonction f aux points x0 , x1 , . . . , xn dans cette base. En effet, on montre
par rcurrence le rsultat suivant : Ainsi, on a le rsultat suivant :

Thorme 2.3.
Dans la base de Newton, le polynme p n interpolant une fonction f aux points x0 , x1 , . . . , xn , est donn
par :
n
X
p n ( x) = [ f , x0 , x1 , . . . , x i ] N i ( x ).
i =0

Exemple.
30 CHAPITRE 2. INTERPOLATION POLYNOMIALE

Question. Reprenons le prcdent exemple et cherchons p le polynme interpolant la fonction


p
f ( x) = x aux points 0, 1, 4 et 9.

Rponse. En notant x0 = 0, x1 = 1 x2 = 4 et x3 = 9 et en utilisant la base de Newton, on peut


affirmer que :

p( x) := p 3 ( x) = [ f , x0 ] N0 ( x) + [ f , x0 , x1 ] N1 ( x) + [ f , x0 , x1 , x2 ] N2 ( x) + [ f , x0 , x1 , x2 , x3 ] N3 ( x),

N0 ( x) = 1, N1 ( x) = ( x x0 ) = x, N2 ( x) = ( x x0 )( x x1 ) = x( x1) et N3 ( x) = ( x x0 )( x x1 )( x x2 ) = x( x1)( x4),

et les diffrences divises sont calculs par le schma suivant :

xi ordre 0 ordre 1 ordre 2 ordre 3

0 0=[ f ,x0 ]
1=[ f ,x0 ,x1 ]
=[ f ,x0 ,x1 ,x2 ]
1 1 61
1 1 =[ f ,x0 ,x1 ,x2 ,x3 ]
3 60
1
4 2 60
1
5
9 3
Ainsi, dans la base de Newton, le polynme dinterpolation p de f scrit :
1 1 1 1
p ( x ) = 0 N0 ( x ) + 1 N1 ( x ) N2 ( x ) + N3 ( x ) = N1 ( x ) N2 ( x ) + N 3 ( x ).
6 60 6 60
37
De mme, on vrifie que ce polynme scrit dans la base canonique sous la forme p( x) = 30 x
1 2 1 3
4 x + 60 x .

Questions.

1. Que se passe til si on rajoute un point x4 aux abscisses x0 , x1 x2 et x3 lorsquon utilise :


. la base de Lagrange ?
. la base de Newton ?
2. Faut-il refaire tous les calculs ?
3. Laquelle des deux bases a plus dintrt ?

2.5 Erreur dinterpolation


Thorme 2.4.
Soit f une fonction de classe C n+1 sur [a, b] o a = min { x i } et b = max { x i }. Alors
0 i n 0 i n

f (n+1) ( x ) Y
n
x [a, b], x ]a, b[, tel que e( x) := f ( x) p n ( x) = ( x x i ).
( n + 1)! i=0

Preuve.
Comme f ( x i ) = p n ( x i ) pour i = 0, 1, . . . , n, alors il existe une fonction relle h telle que
n
Y
f ( x) p n ( x) = h( x) ( x x i ).
i =0
2.5. ERREUR DINTERPOLATION 31

n
Y
Pour x fix et x 6= x i ( i = 0, 1, . . . , n), posons g( t) = f ( t) p n ( t) c ( x x i ) o c est un paramtre rel
i =0
choisi tel que g( x) = 0. Dans ce cas, la condition g( x) = 0 entrane que

f ( x) p n ( x)
c= n
.
Y
(x xi )
i =0

Maintenant, remarquons que la fonction g est de classe C n+1 sur [a, b] et de plus

g ( x) = 0
g( x i ) = 0 pour i = 0, 1, . . . , n,

cest dire que g admet n + 2 racines distinctes deux deux et est de de classe C n+1 sur [a, b].

Cela entrane que g admet n + 1 racines distinctes deux deux et est de de classe C n sur [a, b].
Et en ritrant, on a g" admet n racines distinctes deux deux et est de de classe C n1 sur [a, b] et
finalement, on arrive vrifier que g(n+1) admet une racine sur ]a, b[. Ainsi,

x ]a, b[, tel que g(n+1) ( x ) = 0.

Or, g(n+1) ( t) = f (n+1) ( t) p(nn+1) ( t) c( n + 1)!, et puisque p(nn+1) ( t) = 0 (car de g( p n ) n) et g(n+1) ( x ) = 0,


alors on vrifie que
f (n+1) ( x ) Y
n
c= ( x x i ),
( n + 1)! i=0
cest dire que
f (n+1) ( x ) Y
n
f ( x) p n ( x) = ( x x i ).
( n + 1)! i=0

Remarque 2.3.
En posant M n+1 = sup f (n+1) ( t), on a

t[a, b]

M n+1 ( b a)n+1
sup | e( x)| = sup | f ( x) p n ( x)| .
x[a, b] x[a, b] ( n + 1)!

La majoration de lerreur dinterpolation donne ci-dessus peut laisser croire que si le nombre
dabscisses dinterpolation n est grand, alors le polynme dinterpolation p n de f aux points din-
terpolation x0 , x1 , . . . , xn tend vers f . En fait, on na pas ncessairement lim f ( x) p n ( x) = 0 pour
n+
tout x [a, b] car cette limite dpend aussi de la faon dont la quantit M n se comporte lorsque la
valeur de n devient large. Lexemple ci dessous permet dillustrer cette remarque.

1
Exemple. Interpolation de la fonction f ( x) =
1 + 25 x2
1
Soit f la fonction relle dfinie sur R par f ( x) = pour tout x R. On cet exemple, on illustre
1 + 25 x2
linterpolation de cette fonction par des polynmes de degr n ( n = 4, 8, 10) associs deux subdivisions

de lintervalle [a, b] (a = 1et b = 1). Pour cela, on considre ( x i ) i=0,1,...,n et ( x i ) i=0,1,...,n les deux subdivi-
sions suivantes :
32 CHAPITRE 2. INTERPOLATION POLYNOMIALE

la premire subdivision ( x i ) i=0,1,...,n est la subdivision rgulire associe [a, b] et est dfinie
par :

ba
x i = a + i h, pour i 0, 1, . . . , n, et o h = .
n


la deuxime subdivision ( x i ) i=0,1,...,n est la subdivision de Tchebytchev associe [a, b] et est
dfinie par :

ba 2i + 1
xi = a + 1 + cos pour i = 0, . . . , n.
2 2( n + 1)

n=4, subdivision reguliere n=4, subdivision de Tchebytchev


1 1.2
f f
p p
4 4

0.8 1

0.6 0.8

0.4 0.6

0.2 0.4

0 0.2

0.2 0

0.4 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

n=8, subdivision reguliere n=8, subdivision de Tchebytchev


1 1.2
f f
p p
8 8

0.5

0.8

0
0.6

0.4
0.5

0.2

1.5 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

Nous observons que, au voisinage des extrmits de lintervalle [1, 1], le polynme associ la sub-
division rgulire x0 , x1 , . . . , xn prsente de grandes oscillations (instabilits numriques). Il nen est

pas de mme pour le polynme associ la subdivision de Tchebytcehv x0 , x1 , . . . , xn . Ainsi, il nest pas
recommand dinterpoler une fonction f par un polynme de degr n lev en des points quidistants.
2.6. LALGORITHME DE NEVILLE-AITKEN 33

n=10, subdivision reguliere n=10, subdivision de Tchebytchev


2 1.2
f
f p
10
p10
1

1.5

0.8

1
0.6

0.4
0.5

0.2

0.5 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1

2.6 lalgorithme de Neville-Aitken


Etant donne une fonction f connue aux points dune subdivision x0 , x1 , . . . , xn de lintervalle [a, b]. Si
les ( n + 1) abscisses x0 , x1 , . . . , xn sont distinctes deux deux, alors il existe un unique polynme P de
degr infrieur ou gale n interpolant f aux ( n + 1) points x0 , x2 , . . . , xn . Un tel polynme peut tre
calcul en utilisant soit la base de Lagrange soit la base de Newton ou encore en utilisant de le procd
de Neville-Aitken. Dans ce dernier cas, le polynme dinterpolation P est calcul de faon rcursif.

2.6.1 Description de lalgorithme


Soit k {0, 1, . . . , n} et m {0, 1, . . . , n k}. Dsignons par P m,k le polynme de degr infrieur ou gal k
(i.e., de g(P m,k ) k) interpolant f aux ( k + 1) points xm , xm+1 , . . . , xm+k . Le polynme P m,k existe et est
unique car les points xm , xm+1 , . . . , xm+k sont distinctes deux deux et on a

x R, P m,0 ( x) = f ( xm ), pour m = 0, 1, . . . , n k.

En effet, comme de g(P m,0 ) = 0, alors de g(P m,0 ) est un polynme constant et ainsi x R, P m,0 ( x) = c
(o c est constante relle). Et comme P m,0 interpole f en un seul point xm , alors c = P m,0 ( xm ) = f ( xm ).

On peut galement tablir le rsultat suivant :


Proposition 2.1.
Pour tout k {1, 2, . . . , n}, on a
( x xm ) P m+1,k1 ( x) ( x xm+k ) P m,k1 ( x)
x R, P m,k ( x) = , pour m = 0, 1, . . . , n k.
x m+ k x m
Preuve :
Posons
( x xm ) P m+1,k1 ( x) ( x xm+k ) P m,k1 ( x)
Q ( x) = ,
x m+ k x m
alors Q est un polynme de degr infrieur ou gale k vrifiant

Q ( xm ) = f ( xm ), Q ( xm+k ) = f ( xm+k ), et Q ( x j ) = f ( x j ) pour j = m + 1, m + 2, . . . , m + k 1.

Ainsi Q = P k,m daprs lunicit du polynme dinterpolation.


34 CHAPITRE 2. INTERPOLATION POLYNOMIALE

Le rsultat prcdent montre donc que lon peut calculer le polynme P de degr infrieur ou gale n
interpolant f aux ( n + 1) points x0 , x2 , . . . , xn puisque P = P0,n . En fait, on a le schma itratif suivant :

P0,0
P0,1
P1,0 P0,2
P1,1
..
P2,0 .
..
. P0,n1
.. ..
. . P0,n
.. ..
. . P1,n1
..
.
..
.
P n1,0 P n2,2
P n1,1
P n,0

2.6.2 Mise en oeuvre de lalgorithme


Soit x R et P le polynme interpolant une fonction f en x0 , x1 , . . . , xn . Pour calculer P ( x), on peut utili-
ser lalgorithme suivant :

Algorithme : Schma de Neville-Aitken

- Initialisation : pour m = 0, 1 . . . , n faire


m = f ( xm ) ;
fin pour.

- Itration : pour k = 1, 2, . . . , n faire


pour m = 0, 1, . . . , n k faire
( x xm ) m+1 ( x xm+k ) m
m = ;
x m+ k x m
fin pour.
fin pour.
Chapitre 3

Intgration numrique

3.1 Quelques outils de base


Avant daborder la sujet de ce chapitre, rappelons ou donnons quelques outils mathmatiques de base
qui sont ncessaires pour aborder ce chapitre.

Thorme 3.1. (1re formule de la moyenne -cas continu-)


Soient u et v deux fonctions continues sur [a, b] telles que u est de signe constant dans [a, b]. Alors
Zb Zb
]a, b[ tel que u( t) v( t) dt = v() u( t) dt.
a a

Thorme 3.2. (1re formule de la moyenne -cas discret-)


Soient v une fonction continue sur [a, b], t 1 , t 2 , . . . , t s , s + 1 points de lintervalle [a, b] et u 1 , u 2 , . . . , u s ,
s + 1 constantes, toutes de mme signe. Alors
s
X s
X
[a, b] tel que u k v ( t k ) = v () uk.
k=0 k=0

Thorme 3.3. (1re formule de lerreur dinterpolation)


Soient f une fonction de classe C n+1 sur [a, b] et p n le polynme dinterpolation de la fonction f aux
abscisses x0 , x1 , . . . , xn ( x i [a, b] pour i = 0, 1, . . . , n). Alors, pour tout x R, on a
f (n+1) ( x ) Y
n
x ]a, b[, tel que e( x) := f ( x) p n ( x) = ( x x i ).
( n + 1)! i=0

Thorme 3.4. (2me formule de lerreur dinterpolation)


Soient f une fonction de classe C n+1 sur [a, b] et p n le polynme dinterpolation de la fonction f aux
abscisses x0 , x1 , . . . , xn ( x i [a, b] pour i = 0, 1, . . . , n). Alors, pour tout x R, on a
n
Y
e( x) := f ( x) p n ( x) = [ f , x0 , x1 , . . . , xn , x] ( x x i ).
i =0

Thorme 3.5. (Thorme de Cauchy) Soit f une fonction de classe C n+1 sur lintervalle [a, b] contenant
les points deux deux distincts x i , i = 0, 1, . . . , n. Alors pour tout x [min i x i , max i x i ]
f (n+1) ( x )
x [min x i , max x i ] tel que [ f , x0 , x1 , . . . , xn , x] = .
i i ( n + 1)!

35
36 CHAPITRE 3. INTGRATION NUMRIQUE

3.2 Introduction
On dsire calculer les intgrales suivantes :
Z1 Z p Z1
2 2
e x dx, 1 + cos2 x dx, esin x dx, . . .
0 0 1

2
p
Problme : on na pas dexpression analytique de la primitive des fonctions : x 7 e x , x 7
1 + cos2 x, x 7 esin x , ...

Solution : on va appliquer des mthodes numriques pour valuer (approcher, approximer) la


valeur de lintgrale donne

Ainsi, le problme pos peut tre formul de la faon suivante : tant donne une fonction f : [a, b] R
continue (ou drivable, de classe C , ...), on se propose de calculer numriquement la quantit
Zb
I( f ) = f ( x) dx.
a

3.3 Quelques formules dintgration "simples"


3.3.1 Formule du rectangle
- Rectangle gauche. La valeur de I ( f ) est approche par laire du rectangle R de sommets
(a, 0), (a, f (a)), ( b, f (a)), ( b, 0) comme illustr par la figure suivante :

rectangle gauche
6

0
0 1 2 3 4 5 6

Ainsi on a
I ( f ) ( b a ) f ( a ).
- Rectangle droite. La valeur de I ( f ) est approche par laire du rectangle R de sommets ( b, 0),
( b, f ( b)), ( b, f ( b)), (a, 0) comme illustr par la figure suivante :
3.3. QUELQUES FORMULES DINTGRATION "SIMPLES" 37

rectangle droite
6

0
0 1 2 3 4 5 6

Ainsi on a
I ( f ) ( b a ) f ( b ).

- Rectangle (ou point milieu). La valeur de I ( f ) est approche par laire du rectangle R de
sommets (a, 0), (a, f ( a+2 b )), ( b, f ( a+2 b ))), ( b, 0) comme illustr par la figure suivante :

rectangle (ou point milieu)


6

0
0 1 2 3 4 5 6

Ainsi on a
a+b
I ( f ) ( b a) f ( ).
2
38 CHAPITRE 3. INTGRATION NUMRIQUE

3.3.2 Formule des trapzes


La valeur de I ( f ) est approche par laire du trapze T de sommets (a, 0), (a, f (a)), ( b, f ( b)), ( b, 0) comme
illustr par la figure suivante :

trapze
6

0
0 1 2 3 4 5 6

Ainsi on a
1
I ( f ) ( b a) ( f (a) + f ( b)).
2

3.3.3 Formule de Simpson


La valeur de I ( f ) est approche par laire de la parabole P passant par les points (a, f (a)), ( a+2 b , f ( a+2 b ))
et ( b, f ( b)) comme illustr par la figure suivante :

Simpson
6
Cf
P

0
0 1 2 3 4 5 6
3.4. OBTENTION DES FORMULES DE QUADRATURE 39

Ainsi on a
1 a+b
I ( f ) ( b a) ( f ( a) + 4 f ( ) + f ( b)).
6 2

3.4 Obtention des formules de quadrature


Soit f une fonction relle dfinie sur [a, b], on dsire calculer une valeur approche de lintgrale
Zb
I( f ) = f ( x) dx.
a

3.4.1 Lide
Lide de base est dcrire
f ( x) = p( x) + e( x), pour tout x [a, b].
o p est le polynme interpolant f en des abscisses x0 , x1 , . . . , xn ( x i [a, b]) et e( x) tant lerreur din-
terpolation.
Ainsi, en intgrant on a :
Zb Zb Zb
I( f ) = f ( x) dx = p( x) dx + e( x) dx .
a
| a {z } | a {z }
=IQ ( f ) =E Q ( f )

En utilisant la base de Lagrange, le polynme dinterpolation p := p n scrit :


n
X
p ( x) = p n ( x) = f ( x i ) L i ( x ),
i =0

et lerreur dinterpolation e scrit


f (n+1) ( x ) Y
n
e ( x) = ( x x i ).
( n + 1)! i=0
Ainsi Zb Zb
n
X
IQ ( f ) = p n ( x) dx = f (xi ) L i ( x) dx,
a i =0 a

cest dire Zb
n
X
IQ ( f ) = A i f ( x i ), o A i = L i ( x) dx.
i =0 a

Remarque 3.1.
Les coefficients A i (appels poids) ne dpendent pas de la fonction f .
P
La quantit I Q ( f ) = ni=0 A i f ( x i ) reprsente la valeur approche de I ( f ), on crit alors : I ( f )
I Q ( f ).
Les abscisses x i ( i = 0, 1, . . . , n) sont appels les noeuds.
Les coefficients A i sont dtermins de telle sorte que lerreur de quadrature E Q ( f ) soit nulle lorsque
f E o E est un ensemble prciser. En gnral E est lespace des polynmes de degr infrieur
ou gal n, i.e., E = P n = Rn [ X ].

Dfinition 3.1.
On dit que la formule de quadrature
Zb n
X
f ( x) dx = A i f ( x i ) + E Q ( f ),
a i =0

est exacte sur lensemble E si et seulement si E Q ( g) = 0 pour tout g E .


40 CHAPITRE 3. INTGRATION NUMRIQUE

3.4.2 Etude de quelques exemples classiques


Cas n = 0 et x0 = a. La formule de quadrature scrit :
Zb
f ( x) dx = A 0 f (a) + E Q ( f ) (Q ),
a

o E Q ( g) = 0 pour tout g R0 [ X ].

Ainsi, en prenant g 1 (i.e. g( x) = 1 pour tout x [a, b]), alors la formule de quadrature (Q )
donne que b a = A 0 . et pour dterminer lerreur E Q ( f ), on sait que
Zb

EQ ( f ) = ( x a) f ( ) dx, o x ]a, b[.
a | {z } | {z x}
=: u( x)0 =:v( x)

Ainsi, en appliquant la premire formule de la moyenne, on a ]a, b[ tel que

( b a )2
b
1
E Q ( f ) = f () ( x a)2 = f ().
2 a 2
Finalement, on a
( b a )2
I ( f ) = ( b a) f ( a) + f (), o ]a, b[
2
et I ( f ) est approche par ( b a) f (a), i.e., I ( f ) ( b a) f (a). On remarque alors que lon retrouve
la formule du rectangle gauche qui est exacte sur P 0 .

Cas n = 0 et x0 = b. De la mme faon que prcdemment, la formule de quadrature scrit :


Zb
f ( x) dx = A 0 f ( b) + E Q ( f ) (Q ),
a

o E Q ( g) = 0 pour tout g R0 [ X ]. Et on vrifie que lon retrouve la formule du rectangle droite


qui est exacte galement sur P 0 et qui est donne par.

( b a )2
I ( f ) = ( b a) f ( b ) + f ( ), o ]a, b[.
2

a+ b
Cas n = 0 et x0 = 2 . Dans ce cas, la formule de quadrature scrit :
Zb
a+b
f ( x) dx = A 0 f ( ) + EQ ( f ) (Q ),
a 2
En crivant que I Q ( g) est exacte sur P 0 , i.e., E Q ( g) = 0 pour g 1, on vrifie que A 0 = b a. Ainsi,
I ( f ) = ( b a) f ( a+2 b ) + E Q ( f ), avec
Zb
a+b
EQ ( f ) = (x ) f ( x ) dx, ( x ]a, b[).
a 2

Notons que la fonction x 7 x a+2 b change de signe dans [a, b] et donc on ne peut pas appliquer
la premire formule de la moyenne. Pour dterminer lerreur de quadrature, on va utiliser la
deuxime expression de lerreur dinterpolation savoir que :
Zb
a+b
EQ ( f ) = ( x x0 )[ f , x0 , x] dx avec x0 = .
a 2
3.4. OBTENTION DES FORMULES DE QUADRATURE 41

En utilisant la dcomposition suivante :

( x x 0 ) [ f , x0 , x0 , x ] = [ f , x0 , x ] [ f , x0 , x 0 ],

on a
Zb
EQ ( f ) = ([ f , x0 , x0 ] + ( x x0 )[ f , x0 , x0 , x]) ( x x0 ) dx
a
Zb Zb
= [ f , x0 , x0 ] ( x x0 ) dx + [ f , x0 , x0 , x] ( x x0 )2 dx
a a
Zb Zb
= [ f , x0 , x0 ] ( x x0 ) dx + [ f , x , x , x] ( x x )2 dx
a a | 0{z 0 } | {z 0 }
| {z } =:v( x) =: u( x)0
=0
Zb
= [ f , x0 , x0 , ] ( x x0 )2 dx o ]a, b[
a

o on a appliqu la premire formule de la moyenne. Finalement, en utilisant le thorme de


Cauchy, on obtient la formule de quadrature du point milieu qui scrit :

( b a )3 "
Zb
a+b
f ( x) dx = ( b a) f ( )+ f ( ) o ]a, b[.
a 2 24

Remarque 3.2. On note que la formule du rectangle est encore exacte sur P 1 et pas simplement
sur P 0 alors que les formules du rectangle gauche et droites sont exactes uniquement sur P 0 .

Cas n = 1 et x0 = a, x1 = b. Dans ce cas, la formule de quadrature scrit :


Zb
f ( x) dx = A 0 f (a) + A 1 f ( b) + E Q ( f ) (Q ),
a

o E Q ( g) = 0 pour tout g R1 [ X ].

En prenant respectivement g 1 puis g x dans la formule de quadrature (Q ), alors par un


simple calcul, on trouve que A 0 = A 1 = 21 ( b a). Ainsi, on a I ( f ) = 12 ( b a)( f (a) + f ( b)) + E Q ( f ),
avec Z b
EQ ( f ) = ( x x0 )( x x1 ) [ f , x0 , x1 , x] dx avec x0 = a et x1 = b.
a | {z }| {z }
=: u( x) =:v( x)

En utilisant respectivement la 1re formule de la moyenne et le thorme de Cauchy, on a :

Zb
EQ ( f ) = [ f , x0 , x1 , ] ( x a)( x b) dx o ]a, b[,
a
f " ()
Zb
= ( x a)( x b) dx,
2 a
1
= ( b a )3 f " ().
12
Finalement, on voit que la formule obtenue est celle du trapze. Cette formule scrit
Zb
1 1
f ( x) dx = ( b a)( f (a) + f ( b)) + ( b a )3 f " () o ]a, b[.
a 2 12
42 CHAPITRE 3. INTGRATION NUMRIQUE

Remarque 3.3. On note que la formule du trapze est exacte seulement sur P 1 .

Cas n = 2 et x0 = a, x1 = a+2 b , x2 = b. La formule de quadrature scrit :


Zb
f ( x) dx = A 0 f (a) + A 1 f (a + b2) + A 2 f ( b) + E Q ( f ) (Q ),
a

o E Q ( g) = 0 pour tout g R2 [ X ].

En crivant que E Q ( g) = 0 pour g 1, g x et g x2 , on obtient la systme


Zb
1 dx



= A0 + A1 + A2
Zab


x dx = x0 A 0 + x1 A 1 + x2 A 2



Zab
x2 dx = x02 A 0 + x12 A 1 + x22 A 2



a
a+ b
o x0 = a, x1 = 2 et x1 = b. Ainsi, en dveloppant les calculs, on obtient le systme

A0 + A1 + A2
= ba
2 2
a A 0 + a+2 b A 1 + b A 2 = b 2 a ,

2 3 3
a A 0 + ( a+2 b )2 A 1 + b2 A 2 = b 3 a

dont la solution est A 0 = A 1 = ba


6 et A 2 = 32 f ( (a+2 b) ).

En utilisant une dmarche similaire celle des cas prcdents, on montre que lerreur de qua-
a)5 (4)
drature E Q ( f ) est donne par E Q ( f ) = (b2880 f () o ]a, b[.

Finalement, la formule quon retrouve pour le cas n = 2, x0 = a, x1 = a+2 b et x2 = b est celle de


Simpson. Cette formule scrit :
( b a)5 (4)
Zb
1 a+b
f ( x) dx = ( b a)( f (a) + 4 f ( ) + f ( b)) f () o ]a, b[.
a 6 2 2880
Remarque 3.4. On note que la formule de Simpson est exacte sur P 3 et pas simplement sur P 2 .

3.5 Les formules composites


Lide des mthodes composites est simple et repose sur la linarit de lintgrale. En effet, on peut
crire Zb Z1 Z2 Z N
f ( x) dx = f ( x) dx + f ( x) dx + . . . f ( x) dx,
a 0 1 N 1
o 0 = a, N = b, et 1 , 2 , . . . , N 1 sont des points de lintervalle [a, b]. Gnralement, ces points sont
quidistants mais dans certains cas le choix de ces points peut tenir compte de lallure de la courbe de
la fonction g intgrer (si cette allure est connue).

Dans la suite, on considre que les points 0 , 1 , . . . , N sont quidistants, i.e., i = a + iH pour i =
0, 1, . . . , N o H = bN
a
. Ainsi,
Zb 1 Zk+1
NX
f ( x) dx = f ( x) dx,
a k=0 k
| {z }
=: I k
3.5. LES FORMULES COMPOSITES 43

et alors, on doit calculer une valeur approche de lintgrale I k laide dune formule de quadrature (de
type Newton-Cotes) avec n gnralement faible, n = 0, 1, 2.

3.5.1 Formule composite du rectangle


Sachant que

k + k+1 (k+1 k )3 "


Ik = (k+1 k ) f ( )+ f ( k ) o k ]k , k+1 [,
2 24
H H3 "
= H f ( k + )+ f ( k ).
2 24
il vient, en utilisant la premire formule de la moyenne pour le cas discret, que
1 H 3 NX
1
Zb NX H
f ( x) dx = H f ( k + )+ 1 f " ( k ),
a k=0 2 24 k=0 |{z} | {z }
=:vk =: u( )
k
1
NX H H 3 " NX 1
= H f (a + (2 k + 1) )+ f ( ) 1 o ]a, b[.
k=0 2 24 k=0
| {z }
=N
1
NX H ( b a) 2 "
= H f (a + (2 k + 1) ) + H f ( ) .
k=0 2 | 24 {z }
| {z }
=:E 0,N ( f )
=: I 0,N ( f )

3.5.2 Formule composite du trapze


Dans la cas de la formule du trapze, on a
1 1
Ik = (k+1 k ) ( f (k ) + f (k+1 )) (k+1 k )3 f " ( k ) o k ]k , k+1 [,
2 12
1 1 3 "
= H ( f (a + kH ) + f (a + ( k + 1) H )) H f ( k ).
2 12
De mme, en utilisant la premire formule de la moyenne pour le cas discret, on vrifie que
!
Zb
H NX 1 1
NX 1 3 NX 1
f ( x) dx = f (a + kH ) + f (a + ( k + 1) H ) H f " ( k )
a 2 k=0 k=0 12 k=0
!
H N
X 1 1 3
= f ( a) + 2 f (a + kH ) + f ( b) H N f " (), o ]a, b[
2 k=0 12
!
1 NX1 1 ( b a) 2 "
= H f ( a) + f (a + kH ) + f ( b) H f () .
2 k=0 2 | 12 {z }
| {z }
=:E 1,N ( f )
=: I 1,N ( f )

3.5.3 Formule composite de Simpson


Dans la cas, on rappelle que
1 k + k+1 1
Ik = (k+1 k ) ( f (k ) + 4 f ( ) + f (k+1 )) (k+1 k )5 f (4) (k ) o k ]k , k+1 [,
6 2 2880

1 H 1
= H f (a + kH ) + 4 f (a + ( k + 1) ) + f (a + ( k + 1) H ) H 5 f (4) (k ).
6 2 2880
44 CHAPITRE 3. INTGRATION NUMRIQUE

Ainsi, en utilisant des calculs et critres similaires ceux des formules composites du rectangle ou du
trapze, on montre que
!
Zb
H 1
NX 1
NX H ( b a) 4 (4)
f ( x) dx = f ( a) + 2 f (a + kH ) + 4 f ((2 k + 1) ) + f ( b) H f () o ]a, b[.
a 6 k=0 k=0 2 | 2880 {z }
| {z }
=:E 2,N
=: I 2,N

3.6 Formules de Gauss


Toutes les formules de quadrature vues prcdemment sont de la forme (dite interpolatoire). En effet,
si P n interpole f aux abscisses fixes x0 , x1 , . . . , xn alors
Zb n
X
f ( x) dx = A i f ( x i ) + E Q ( f ), (Q )
a i =0
Rb
o les A i = a L i ( x) dx ne dpendent pas de f . De plus la formule (Q ) est exacte sur P n .

Maintenant, on considre, le problme suivant : tant donne la formule de quadrature (Q ), on cherche


dterminer les coefficients A i ainsi que les abscisses x i , i = 0, . . . , n pour que cette formule de quadrature
soit exacte sur P 2n+1 .

3.6.1 Cas n = 0
La forme de quadrature que lon cherche la forme suivante :
Zb
f ( x) dx A 0 f ( x0 ), (Q )
a

o les inconnues A 0 et x0 sont dterminer. En crivant que (Q ) est exacte sur P 1 , cest dire que
Zb
g( x) dx = A 0 g( x0 ) pour g {1, x},
a

on obtient les deux quations Zb


1 dx


= A0
Zab


x dx = A 0 x0
a
cest dire (
A0 = ba
b 2 a2
A 0 x0 = 2
a+ b
et donc A 0 = b a et x0 = 2 . On voit alors que lon retrouve la formule du point milieu.
Zb
a+b
f ( x) dx ( b a) f ( ).
a 2

3.6.2 Cas n = 1
La formule de quadrature recherche la forme
Zb
f ( x) dx A 0 f ( x0 ) + A 1 f ( x1 ), (Q )
a
3.6. FORMULES DE GAUSS 45

o les coefficients A 0 , A 1 et les abscisses x0 , x1 sont dterminer en imposant que (Q ) doit tre exacte
sur P 3 .

Pour rsoudre ce problme tout en simplifiant les calculs, on va travailler sur lintervalle [1, 1], puis
on se ramnera sur lintervalle [a, b] laide du changement de variable

x ( t ) = t + , avec x := x( t) [a, b] et t [1, 1],


ba a+ b
et o = 2 et = 2 . Ainsi, comme dx = dt =, x(1) = a et x(1) = b, il vient que :
Zb Z1
ba
f ( x) dx = h( t) dt,
a 2 1

o h( t) = f ( t + ) = ( f x)( t).

Ainsi, en posant
Z1

h( t) dt B0 h( t 0 ) + B1 h( t 1 ), (Q )
1
on reformule le problme comme suit :

trouver t 0 , t 1 et B0 , B1 tels que la formule (Q ) soit exacte pour g {1, t, t2 , t3 }. Cette dernire condition
fournit le systme non linaire suivant :

B0 + B1 = 2 (1)

B t +B t
0 0 1 1 = 0 (2)
2

B0 t20 + B1 t21 = 3 (3)
B0 t30 + B1 t31

= 0 (4)

En multipliant les quations (1), (2) et (3) par t 0 et en retranchant respectivement les quations (2), (3)
et (4), on trouve que
1
t 0 t 1 = , t 0 = t 1 et B0 + B1 = 2, B0 B1 = 0.
3
1
Finalement, on prend t 0 = t 1 = p et B0 = B1 = 1, et la formule de quadrature (Q ) recherche est donc
3
Z1
1 1
h( t) dt h( p ) + h( p ), (Q )
1 3 3

et la formule de quadrature (Q ) sobtient en crivant

ba 1
Zb Z
f ( x) dx h( t) dt
a 2 1
ba 1
Z
( f x)( t) dt
2
1
ba 1 1
( f x)( p ) + ( f x)( p )
2 3 3

ba ab a+b ba a+b
f( p + )+ f ( p + )
2 3 2 3 2
46 CHAPITRE 3. INTGRATION NUMRIQUE
Chapitre 4

Rsolution dquations non linaires

Etant donne une fonction f : D R suppose continue sur D R, on sintresse dans ce chapitre au
problme de recherche dune solution (ou des solutions) de lquation f ( x) = 0. Il est noter que dans la
suite, on suppose que f est non linaire !

4.1 Introduction
Avant de dcrire quelques mthodes permettant de rechercher numriquement un ou plusieurs zros
x de f , cest dire rechercher les nombres rels x vrifiant f ( x ) = 0 (ou -sur ordinateur- | f ( x )| <
avec trs proche de 0), donnons quelques outils mathmatiques qui nous seront utiles dans la suite.

4.1.1 Localisation des racines


Les premiers outils permettent de localiser grossirement le zro (ou les zros) de f . En effet, aprs
tude de la fonction f , les rsultats donns ci dessous permettent de trouver un intervalle qui contient
un et un seul zro x . On dit dans ce cas que la racine x est sparable.

Thorme 4.1. (TVI : Thorme des Valeurs Intermdiaires)


Etant donne une fonction f continue sur un intervalle [a, b] de R, alors f atteint toutes les valeurs inter-
mdiaires entre les images f (a) et f ( b). Autrement dit : si m = min{ f (a), f ( b)} et M = max{ f (a), f ( b)}, alors

d [ m, M ], c [a, b] tel que f ( c) = d.

Le rsultat suivant est une application directe du thorme des valeurs intermdiaires.

Thorme 4.2. (Thorme de BOLZANO)


Si f est une fonction relle continue sur [a, b] R et si f (a) f ( b) < 0, alors il existe x ]a, b[ tel que
f ( x) = 0.

Remarquons que ce thorme garantit juste lexistence dun zro. Dans le cas o lunicit de la racine
doit tre prouve, on pourra appliquer le thorme de la bijection quon rappelle ci dessous

47
48 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

Thorme 4.3. (Thorme de la bijection)


Si la fonction f est continue et est strictement monotone (cest dire strictement croissante ou strictement
dcroissante) sur un intervalle I de R, alors la fonction f induit une bijection de I dans f ( I ). De plus, sa
bijection rciproque est continue sur I , monotone sur I et de mme sens de variation que f .

4.1.2 Construction dune suite convergente vers la racine


Ds que la racine x est localise dans un intervalle I , on choisit un point x0 dans cet intervalle I et on
applique une mthode itrative permettant de calculer une suite de points x1 , x2 , . . . , xk , . . . en ayant
lespoir que cette suite ( xk ) sera convergente et que en plus elle convergera vers la racine x .

Dfinition 4.1. (Ordre de convergence)


On dit quune mthode itrative convergente est dordre p (o p N ) sil existe un entier k 0 N et une
constante C > 0 telle que | xk+1 x | | xk x | p , pour tout k k 0 .
Notons que dans le cas o p = 1 et C < 1, on dit que la convergence est linaire et la convergence est dite
quadratique (respectivement cubique) dans le cas o p = 2 (respectivement p = 3).

La dfinition ci dessous permet de comparer la rapidit de convergence de deux suites (et donc ven-
tuellement de deux mthodes).

Dfinition 4.2.
Soient ( xn ) et ( yn ) deux suites convergentes vers une mme limite l . On dit que la suite ( yn ) converge "plus
yn l
vite" que ( xn ) vers le rel l si le rapport | yn l |/| xn l | a pour limite 0, i.e. si lim = 0.
n xn l

4.1.3 Recherche dun point fixe


Souvent, une quation de type f ( x) = 0 peut tre rcrite dune manire quivalente sous la forme de
la recherche dun point fixe dune fonction g, i.e, le rel x est tel que g( x) = x. La fonction g tant une
fonction qui dpend de f mais qui nest pas unique comme le montre les deux exemples suivants :

- Exemple 1. Soit lquation f ( x) = 0 avec f ( x) = x3 + 2 x2 + 10 x 20. Cette quation peut tre


transforme sous les formes :
20
g 1 ( x) = x, o g 1 ( x) = .
x2 + 2 x + 10
ou
20 2 x2 x3
g 2 ( x) = x, o g 2 ( x) = .
10

- Exemple 2. Pour x [0, 2], lquation f ( x) = 0 o f ( x) = sin(2 x) + x 1 peut tre rcrite sous les
formes :
h 1 ( x) = x, o h 1 ( x) = 1 sin(2 x).
ou
1
h 2 ( x) = x, o h 2 ( x) = arcsin(1 x).
2
4.1. INTRODUCTION 49

Ainsi, dans le cas o une quation f ( x) = 0 est transforme de faon quivalente en une quation
g( x) = x, il peut tre intressant dutiliser lun des rsultats ci dessous et qui concernent ltude de
la convergence dune suite dfinie partir du problme de la recherche des points fixes de la fonction g.

Dfinition 4.3. (fonction contractante)


Soient k ]0, 1[ et g une fonction relle dfinie sur D = [a, b] R. On dit que g est k-contractante (ou
contractante de rapport k) si
x, y D, | g( x) g( y)| k | x y|.

Thorme 4.4. (thorme du point fixe)


Soit g : [a, b] R une fonction k-contractante. Alors, la fonction g admet un unique point fixe l [a, b].
De plus, quel que soit le rel x0 [a, b], la suite dfinie par xn+1 = g( xn ), pour tout n 0 est convergente
de limite l quand n +.

Remarques :
Une fonction g contractante sur D = [a, b] est une fonction continue sur D .
Souvent, pour montrer quune fonction g C 1 ([a, b]) est k-contractante sur [a, b], il suffit de

vrifier que | g ( x)| k < 1, pour tout x [a, b].

En posant k = max | g ( x)|, alors la suite ( xn ) dfinie par xn+1 = g( xn ), n 0 vrifie
x[a, b]

kn
| xn l | | x1 x0 |, n N.
1k

Une fois que la fonction g vrifiant les conditions du thorme du point fixe est dtermine, on peut
utiliser lalgorithme suivant pour construire les itrs de la suite ( xn ). Pour que la suite donne une so-
lution approche de la solution exacte x , il est ncessaire de choisir une solution de dpart x0 [a, b].

Algorithme : Mthode du point fixe.

Initialisation : Choisir x0 [a, b] ;


Itration : Pour n = 0, 1, 2, . . . , jusqu convergence :
Si f ( xn ) = 0,
x = xn , stop ;
fin du Si
calculer xn+1 = g( xn ) ;
fin du Pour.

Dans la suite, nous donnons les rsultats obtenus pour la recherche des zros de la fonction f dfinie
par f ( x) = x3 + 2 x2 + 10 x 20.

Tout dabord, comme f ( x) = 3 x2 + 4 x + 10 < 0 pour tout x R et lim f ( x) = , lim f ( x) = + alors f
+
possde un unique zro qui est situ dans lintervalle [1, 2] car f (1) = 7 < 0 et f (2) = 36 > 0.

Exemple 1. On transforme lquation f ( x) = 0 en lquation quivalente g 1 ( x) = x o g 1 ( x) =


20
2
x + 2 x + 10
50 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

On peut vrifier que la fonction drive de g 1 est donne par g 1 ( x) = ( x240( x+1)

+2 x+1)2
et que | g 1 ( x)| < 1
pour tout x [1, 2]. Ainsi g 1 est contractante sur [1, 2]. Ainsi, grce au thorme du point fixe, la
convergence de la suite ( xn ) dfinie x0 [1, 2] et xn+1 = g 1 ( xn ) = 2 20 vers la solution exacte
xn +2 xn +10
x est assure.

En prenant x0 = 1, g = g 1 dans lalgorithme prcdent et en considrant que lon a obtenu xn une


bonne approximation de x lorsque | xn xn+1 | < , o = 106 est la prcision souhaite, nous
obtenons les rsultats reports dans la table ci dessous :

itration xn itration xn
0 1.000000000000000 10 1.368696397555516
1 1.538461538461539 11 1.368857688628725
2 1.295019157088122 12 1.368786102577989
3 1.401825309448600 13 1.368817874396085
4 1.354209390404292 14 1.368803773143633
5 1.375298092487380 15 1.368810031675092
6 1.365929788170655 16 1.368807253960778
7 1.370086003401819 17 1.368808486788930
8 1.368241023612835 18 1.368807939624842
9 1.369059812007482

Les rsultats prcdents montrent que la mthode du point fixe a ncessit 18 itrations pour
converger et la solution dtermine par cette mthode est x = 1.3688085 avec f (1.3688085) =
7.9947533 106 et g 1 (1.3688085) = 1.3688079.

Exemple 2. On transforme lquation f ( x) = 0 en lquation quivalente g 2 ( x) = x o g 2 ( x) =


20 2 x2 x3
10
3 x2
On peut vrifier que la fonction drive de g 2 est donne par g 2 ( x) = 4 x10

et que g 2 ( x) < 1

pour tout x [1, 2]. Ainsi, comme | g 2 ( x)| > 1 pour tout x [1, 2], le point fixe de g 2 est un point
rpulsif et donc quelque soit le chois de x0 6= x la suite ( xn ) dfinie par xn+1 = g 2 ( xn ) ne conver-
gera pas vers la solution exacte x .

En effet mme en prenant g = g 2 , et x0 = 1.35 -assez proche de x - dans lalgorithme de la m-


thode du point fixe, les itrs construits sloignent du point fixe comme le montre les rsultats
reports dans la table ci dessous.

itration xn itration xn
0 1.350000000000000 131 0.548946478058069
1 1.389462500000000 132 1.923189476943791
2 1.345628322885400 133 0.548946478056689
3 1.394201865964998 134 1.923189476944218
.. ..
4 1.340235433982419 . .
.. ..
5 1.400016550438115 . .
6 1.333580999927215 147 1.923189476944801
7 1.407143192902503 148 0.548946478054790
8 1.325367942472636 149 1.923189476944807
9 1.415865806392921 150 0.548946478054780

La convergence de la mthode du point fixe dans le premier exemple et sa non convergence dans le
4.2. MTHODES DENCADREMENT 51

deuxime exemple sont respectivement illustres pas les deux figures suivantes :

Exercice 1. Interpreter les figures ci dessous relatifs la recherche des point fixes des fonctions h 1 et
h 2 associes la racine de lquation f ( x) = 0 o f ( x) = sin(2 x) + x 1 en tenant compte que les itrs
associes aux fonctions h 1 et h 2 sont respectivement x0 = 0.4 x1 = 0.2826, x2 = 0.4643, x3 = 0.1992, x4 =
0.6121, x5 = 0.0595 et x0 = 0.1 x1 = 0.5599, x2 = 0.2279, x3 = 0.4411, x4 = 0.2965, x5 = 0.3901.

4.2 Mthodes dencadrement


Soit f une fonction relle dune variable relle, i.e.

f : D R
x 7 f ( x ).

On suppose que notre fonction est non linaire (sinon cest vident) et notre but est de rsoudre lqua-
tion f ( x) = 0, et donc on recherche un nombre rel x vrifiant f ( x ) = 0 (ou -sur ordinateur- | f ( x )| <
avec trs proche de 0). Dans la suite, on suppose que la racine x est sparable, cest dire quil existe
une intervalle [a, b] tel que x est lunique racine dans cet intervalle.
52 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

4.2.1 Mthode de dichotomie

Le principe de la mthode de la dichotomie (ou de la bissection) est trs simple. On suppose que
f : [a, b] R est continue et que f (a) f ( b) < 0. Ainsi, daprs le thorme des valeurs intermdiaires,
il existe au moins une racine relle de f dans [a, b]. On prend alors le milieu de lintervalle m = a+2 b .

Dans le cas f ( m) = 0 (ou numriquement trs proche de 0), on considre que le problme est rsolu. Si
non, deux cas se prsentent :

si f (a) f ( m) < 0, alors f a une racine relle dans [a, m].


si f ( m) f ( b) < 0, alors f a une racine relle dans [ m, b].

On itre alors le processus avec lintervalle qui contient la racine.

On voit ainsi que la mthode de dichotomie construit une suite dcroissante dintervalles contenant
la racine x de la fonction f . A litration n, on considre comme nouvel intervalle [a n+1 , b n+1 ], celui
construit partir dune des extrmits de lintervalle [a n , b n ] et de son milieu m = a n +2 b n : xn . Lalgo-
rithme de la mthode de dichotomie ou de bissection peut tre rsum ainsi :
4.2. MTHODES DENCADREMENT 53

Algorithme : Mthode de dichotomie (ou bissection).

Initialisation : a 0 = a et b 0 = b ;
Itration : Pour n = 0, 1, 2, . . . , jusqu convergence :
an + bn
calculer xn = ;
2
Si f ( xn ) = 0,
x = xn , stop ;
fin du Si
Si f (a n ) f ( xn ) < 0,
on pose a n+1 = a n et b n+1 = xn ;
sinon
on pose a n+1 = xn , b n+1 = b n ;
fin du Si.
fin du Pour.

On constate que chaque itration de la mthode de bissection, la longueur de lintervalle contenant la


racine x est rduite par un facteur de 2, (i.e., la longueur de lintervalle contenant la racine est divise
par 2). On voit alors quil ya convergence de la suite ( xn ) vers x et quon peut obtenir une valeur ap-
proche de x avec la prcision souhaite.

Exercice 2.

ba
1. Montrer que la suite des intervalles ([a n , b n ]) vrifie l n = 2n , o l n est la longueur de lintervalle
[a n , b n ].

2. En dduire que N le nombre minimal ditrations ncessaires pour calculer la racine x prs
vrifie N log2 b a .

4.2.2 Mthode de la fausse position

Comme la mthode de la bissection, la mthode de la fausse position (ou mthode regula falsi ou encore
mthode de Lagrange) construit galement une suite dcroissante dintervalles. Cependant, litration
n, au lieu de diviser lintervalle [a n , b n ] en deux sous-intervalles de mme longueur en considrant le
milieu de lintervalle [a n , b n ], on prfre dcouper lintervalle [a n , b n ] en [a n , wn ] et [wn , b n ] o wn est
labscisse du point dintersection de la droite passant par les points (a n , f (a n )) et ( b n , f ( b n )). Ainsi, wn
est donn par

a n f ( b n ) b n f (a n )
wn = .
f ( b n ) f (a n )

Cette mthode est dcrite par lalgorithme suivant :


54 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

Algorithme : Mthode de la fausse position (ou regula falsi).

Initialisation : a 0 = a et b 0 = b ;
Itration : Pour n = 0, 1, 2, . . . , jusqu convergence :
a n f ( b n ) b n f (a n )
calculer wn = ;
f ( b n ) f (a n )
Si f (wn ) = 0,
x = wn , stop ;
fin du Si
Si f (a n ) f (wn ) < 0,
on pose a n+1 = a n et b n+1 = wn ;
sinon
on pose a n+1 = wn , b n+1 = b n ;
fin du Si.
fin du Pour.

Cette mthode peut construire rapidement des itres a n , b n pour lesquels | f ( x)| est trs petite, cepen-
dant elle peut faillir dans certains cas en narrivant pas dterminer un intervalle [a n , b n ] de longueur
assez petite et contenant le zro x .

4.2.3 Exemples
Exemple 1. Dans cet exemple, la fonction test est note f et est telle que f ( x) = 13 x3 3 x 1.
La racine recherche x est situe dans lintervalle [a, b] = [1, 4]. Les algorithmes sarrtent
litration n ds que : b n a n < ou ds que | f ( xn )| < o = 105 .

Les approximations successives construites par les mthodes de dichotomie et regula falsi sont
reportes dans le tableau suivant :

Itration Dichotomie Regula falsi


xn xn
0 2.500000000000000 1.916666666666667
1 3.250000000000000 2.636879969708444
2 2.875000000000000 2.979619151850352
3 3.062500000000000 3.100609650227808
4 3.156250000000000 3.138412893531248
5 3.109375000000000 3.149754925521175
6 3.132812500000000 3.153115836701065
7 3.144531250000000 3.154108070854592
8 3.150390625000000 3.154400685040792
9 3.153320312500000 3.154486950343403
10 3.154785156250000 3.154512379708390
11 3.154052734375000 3.154519875589223
12 3.154418945312500 3.154522085151433
13 3.154602050781250
14 3.154510498046875
15 3.154556274414063
16 3.154533386230469
17 3.154521942138672
4.2. MTHODES DENCADREMENT 55

De mme, les valeurs des extrmits des diffrents intervalles construits par les mthodes de
dichotomie et regula falsi sont reports dans le tableau ci dessous.

itration Dichotomie Regula falsi


an bn an bn
0 1.000000000000000 4.000000000000000 1.000000000000000 4.000000000000000
1 2.500000000000000 4.000000000000000 1.916666666666667 4.000000000000000
2 2.500000000000000 3.250000000000000 2.636879969708444 4.000000000000000
3 2.875000000000000 3.250000000000000 2.979619151850352 4.000000000000000
4 3.062500000000000 3.250000000000000 3.100609650227808 4.000000000000000
5 3.062500000000000 3.156250000000000 3.138412893531248 4.000000000000000
6 3.109375000000000 3.156250000000000 3.149754925521175 4.000000000000000
7 3.132812500000000 3.156250000000000 3.153115836701065 4.000000000000000
8 3.144531250000000 3.156250000000000 3.154108070854592 4.000000000000000
9 3.150390625000000 3.156250000000000 3.154400685040792 4.000000000000000
10 3.153320312500000 3.156250000000000 3.154486950343403 4.000000000000000
11 3.153320312500000 3.154785156250000 3.154512379708390 4.000000000000000
12 3.154052734375000 3.154785156250000 3.154519875589223 4.000000000000000
13 3.154418945312500 3.154785156250000
14 3.154418945312500 3.154602050781250
15 3.154510498046875 3.154602050781250
16 3.154510498046875 3.154556274414063
17 3.154510498046875 3.154533386230469

On voit que pour cet exemple, la mthode de dichotomie ncessite 17 itrations et fournit x =
56 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

3.1545219 avec f (3.1545219) = 7.4136473 106 . Par contre, la mthode regula falsi ncessite 12
itrations et fournit x = 3.1545221 avec f (3.1545219) = 6.4195643 106 .

Exemple 2. Dans cet exemple, la fonction test est note g. Cette fonction est dfinie par g( x) =
e2 x cos( x) 3. La racine recherche x est situe dans lintervalle [a, b] = [2, 2]. De plus, on
considre que les mthodes ont converg litration n ds que : b n a n < ou ds que | f ( xn )| <
o = 106 .

Les approximations successives et les bornes des intervalles construits par les mthodes de di-
chotomie et regula falsi sont reportes dans les deux tableaux ci-dessous.
4.3. MTHODES DE NEWTON ET DE LA SCANTE 57

Itration Dichotomie Regula falsi


xn xn
0 0.000000000000000 1.811979090589975
1 -1.000000000000000 1.621586693031262
2 -0.500000000000000 1.429695759399754
3 -0.750000000000000 1.237765872874417
4 -0.625000000000000 1.047755937945362
.. .. ..
. . .
20 -0.665716171264648 -0.568539784247612
21 -0.665717124938965 -0.588218888839196
22 -0.665717601776123 -0.604030029928838
.. .. ..
. . .
75 -0.665717356405127
76 -0.665717406147496
77 -0.665717445438678
78 -0.665717476474533

itration Dichotomie Regula falsi


an bn an bn
0 -2.000000000000000 2.000000000000000 -2.000000000000000 2.000000000000000
1 -2.000000000000000 0.000000000000000 -2.000000000000000 1.811979090589975
2 -1.000000000000000 0.000000000000000 -2.000000000000000 1.621586693031262
3 -1.000000000000000 -0.500000000000000 -2.000000000000000 1.429695759399754
4 -0.750000000000000 -0.500000000000000 -2.000000000000000 1.237765872874417
.. .. .. .. ..
. . . . .
20 -0.665718078613281 -0.665714263916016 -2.000000000000000 -0.544146472217116
21 -0.665718078613281 -0.665716171264648 -2.000000000000000 -0.568539784247612
22 -0.665718078613281 -0.665717124938965 -2.000000000000000 -0.588218888839196
.. .. .. .. ..
. . . . .
75 -2.000000000000000 -0.665717293431628
76 -2.000000000000000 -0.665717356405127
77 -2.000000000000000 -0.665717406147496
78 -2.000000000000000 -0.665717445438678

Pour ce second exemple, la mthode de dichotomie a besoin de 22 itrations et la solution ap-


proche obtenue est x = 0.6657176 avec g(0.6657176) = 7.0622965 108 . Par contre, la m-
thode regula falsi ne converge pas rapidement ! En effet, aprs 78 itration, la mthode donne
x = 0.6657174, avec g(0.6657174) = 9.5566853 107 .

4.3 Mthodes de Newton et de la scante


Une des mthodes classiques les plus utilises pour la dtermination dune approximation de la racine
dune fonction est la mthode de Newton-Raphson (ou tout simplement mthode de Newton). Cette m-
thode est une mthode itrative et suppose que la fonction f est de classe C 1 sur lintervalle o est situ
le zro recherch. En effet, la valeur de la drive au point courant xn est ncessaire pour lobtention
du prochain point xn+1 .

Dans le cas o la fonction nest pas de classe C 1 o si f ( xn ) nest pas disponible ou ne peut tre calcule,
cette drive est approche par une diffrence divise et on obtient alors la mthode de la scante.
58 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

4.3.1 Mthode de Newton


La mthode de newton peut tre considre comme une procdure de linarisation. La fonction f est
localement approche par une fonction linaire. En partant dun bon point de dpart x0 (Le point x0
peut tre obtenu en faisant une tude pralable de la fonction f afin de situer le zro recherch dans un
intervalle assez petit), cette mthode construit une suite de valeurs x1 , x2 , . . . , xn , . . . , qui sous certaines
conditions converge de faon quadratique vers x la racine exacte de f .

En supposant avoir calcul xn et en utilisant le dveloppement de Taylor lordre 1 afin dapprocher la


fonction f localement au point xn , on a,

f ( x) = f ( xn ) + ( x xn ) f ( xn ) + x( x), ainsi f ( x) f ( xn ) + ( x xn ) f ( xn ).
f ( xn )
En crivant 0 = f ( xn ) + ( x xn ) f ( xn ) (car on espre que f ( x) soit gale 0), on obtient alors x = xn .
f ( xn )
Et donc le nouvel itr xn+1 est donn par

f ( xn )
xn+1 = xn .
f ( xn )

Ainsi lalgorithme de la mthode de Newton peut tre rsum comme suit :

Algorithme : Mthode de Newton.

Initialisation : Choisir x0 une approximation initiale.


Itration : Pour n = 0, 1, . . . , jusqu convergence :
f ( xn )
xn+1 = xn ;
f ( xn )
fin du Pour.

4.3.2 Mthode de la scante


Comme cela a t dj signal, la mthode de la scante est similaire celle de la mthode de Newton
f ( x ) f ( x )
sauf que le calcul de la drive f ( xn ) est remplac par la diffrence finie xnn xnn11 et de plus linitia-
lisation ncessite deux points (voisins si possible) et proches de la solution exacte x . On obtient ainsi
la rcurrence suivante :
xn xn1
xn+1 = xn f ( x n ).
f ( xn ) f ( xn1 )
Ainsi, lalgorithme de la mthode de la scante est comme suit :

Algorithme : Mthode de la scante.

Initialisation : Choisir x0 et x1 deux approximations initiales.


Itration : Pour n = 0, 1, . . . , jusqu convergence :
xn xn1
xn+1 = xn f ( xn ) ;
f ( xn ) f ( xn1 )
fin du Pour.
4.3. MTHODES DE NEWTON ET DE LA SCANTE 59

Notons galement que la mthode de la scante ressemble la mthode de la fausse position (regula
falsi). En effet, le point wn calcul lors de litration n de la mthode regula falsi est donn par
a n f ( b n ) b n f (a n ) bn an
wn = = an f ( a n ).
f ( b n ) f (a n ) f ( b n ) f (a n )
A noter cependant que dans la mthode de la scante, il est impratif que les points a n et b n doivent
encadrer la racine recherche x . Par contre il nest pas ncessaire dans la mthode de la scante que
les points xn et xn1 encadrent x .

4.3.3 Exemples
Exemple 3. Dans cet exemple, la fonction test f est celle de lexemple 1. Ainsi, f ( x) = 31 x3 3 x 1.
Les solutions de dpart sont respectivement x0 = 2 pour la mthode de Newton et x0 = 2, x1 = 4
pour la mthode de la scante. Les algorithmes sont stopps ds que : | xn xn1 | < ou ds que
| f ( xn )| < o = 105 .

itration Newton Scante


xn xn
0 2.000000000000000 2.000000000000000
1 6.333333333333334 4.000000000000000
2 4.590485695276115 2.684210526315789
3 3.623662471603157 2.997667703243003
4 3.229848830244545 3.197304031235400
5 3.156969701003765 3.151353280165889
6 3.154525720790307 3.154462307103545
7 3.154523008698545
60 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES

Dans ce test, lalgorithme de la mthode de Newton ncessite converge en 7 itrations et four-


nit x = 3.1545230 avec f (3.1545230) = 2.3206325 1011 . La mthode de la scante fait lg-
rement mieux en convergeant en 6 itrations et donne x = 3.1545231 avec f (3.1545231) =
6.0763745 107 .

Exemple 4. La fonction teste dans cet exemple est la fonction g dfinie par g( x) = e2 x
cos( x) 3. Les solutions de dpart sont respectivement x0 = 2 pour la mthode de Newton et
x0 = 2, x1 = 0 pour la mthode de la scante. Les algorithmes sont stopps ds que : | xn xn1 | <
ou ds que | f ( xn )| < o = 106 .

itration Newton Scante


xn xn
0 -2.000000000000000 -2.000000000000000
1 -1.527596252561599 0.000000000000000
2 -1.109132547403603 -0.109062559032824
3 -0.811076922352303 -1.310406534496917
4 -0.684359192809277 -0.358619704384055
5 -0.666051206702811 -0.503775826090157
6 -0.665717701377160 -0.723594093976699
7 -0.656288917145912
8 -0.665195908954252
9 -0.665722393967339
4.3. MTHODES DE NEWTON ET DE LA SCANTE 61

Pour cet exemple, la mthode de Newton a eu besoin de 6 itrations pour converger et la solu-
tion dtermine par cette mthode est x = 0.6657177 avec f (0.6657177) = 8.8641244 107 . La
mthode de la scante converge en 9 itrations et donne x = 0.6657223 avec f (0.6657223) =
3.932159 105 .
62 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES