Analyse

Numérique
Corrigé des sujets de concours

Bensid Yazid

Essat 2017

iv
 Table des matières

Chapitre 1. Résolution des équations non linéaires 1

1.1. Rappel 1
1.2. Enoncé des exercices 2
1.3. Corrigé des exercices 4
Chapitre 2. Résolution des systèmes linéaires 13
2.1. Rappel 13
2.2. Enoncé des exercices 14
2.3. Corrigé des exercices 15
Chapitre 3. Interpolation polynomiale 21
3.1. Rappel 21
3.2. Enoncé des exercices 22
3.3. Corrigé des exercices 24
Chapitre 4. Intégration numérique 31
4.1. Rappel 31
4.2. Enoncé des exercices 32
4.3. Corrigé des exercices 32

v
vi Table des matières

Ce polycopié contient un bref rappel de cours avec tous les exercices d’analyse
numérique qui ont été posé lors du concours national d’entrée aux grandes écoles.
Comme je n’ai pas eu le temps de le relire, il se peut qu’il contienne des erreurs
de frappe ou de calcul.
 CHAPTER 1

Résolution des équations non linéaires

1.1. Rappel
Pour résoudre une équation du type f (x) = 0
(1) On trace l’allure de la courbe pour repérer la racine α
(2) On applique le théorème des valeurs intermediaires pour s’assurer que la
racine α est comprise dans un intervalle [a, b]
(3) On applique une méthode de résolution (point fixe ou Newton)

1.1.1. méthode du point fixe. (aussi appelée méthode des approximations

successives)
f (x) = 0 ⇔ x = g(x)
La suite définie par :

xn+1 = g(xn ), n = 0, 1, · · ·
x0 quelconque dans [a, b]

g(x) ∈ [a, b]
converge vers la racine α si ∀x ∈ [a, b],
|g 0 (x)| ≤ q < 1

Le nombre d’itérations pour obtenir une précision ε est donné par :

qN
|xN − a| ≤ |x1 − x0 | ≤ ε avec q = max |g 0 (x)| sur [a, b]
1−q
1
2 1. RÉSOLUTION DES ÉQUATIONS NON LINÉAIRES

1.1.2. méthode de Newton. La suite définie par :


f (xn )
xn+1 = xn − 0

f (xn )
x0 ∈ I tel que f (x0 )f 00 (x0 ) > 0


converge vers la racine α si les conditions suivantes sont vérifiées :

— f est de classe C 2
— f change de signe sur I
— f 0 ne doit pas s’annuler sur un intervalle I qui contient la solution.
— f 0 doit garder un signe constant sur I
1.2. Enoncé des exercices
Exercice 1 (2011). On considère la fonction f définie par :
f (x) = ln(x) − arctg(x), x>0
(1) Montrer que l’équation f (x) = 0 admet une unique racine a qu’on locali-
sera dans un intervalle I entre deux entiers consécutifs.
(2) On considère la suite délinie par :

x0 = 3
xn+1 = g(xn ) avec g(x) = x − ln(x) + arctg(x)
Montrer que sa limite est a et en déduire le nombre d’itérations N qui
assure que :
|xN − a| < 10−6
Exercice 2 (2012). Soit donnée l’équation ln x − x2 + 2 = 0
(1) Séparer graphiquement les racines de cette équation
(2) Montrer que la plus grande racine est comprise dans un intervalle de la
forme
[n, n + 1], n ∈ N
(3) Ecrire l’équation donnée sous la forme x = F (x) puis montrer que la
méthode du point fixe (des approximations successives)

xn+1 = F (xn ), n = 0, 1, · · ·
x0 quelconque dans [a, b]
Converge vers la racine de l’équation
(4) En partant de l’approximation initiale xo = 1.5, estimer le nombre d’itérations
nécessaires à l’approximation de la racine à 10−3 prés.
(5) Trouver la valeur approchée de cette racine par cette méthode et avec
cette précision.
 1.2. ENONCÉ DES EXERCICES 3

Exercice 3 (2014). En utilisant la méthode de Newton-Raphson écrire un

algorithme qui √
calcule la racine cubique d’un nombre réel a > 0 c’est à dire 3 a
On vérifiera les conditions
√ de convergence de la méthode de Newton-Raphson
Application : Calculer 3 5 par cette méthode à 0.01 près (Prendre x0 = 2)
Exercice 4 (2015). (Pour les calculs numériques on prend 4 chiffres après la
virgule)
On cherche à approcher les eventuelles racines de l’équation :
π
f (x) = x − 0.5 cos(x) = 0, x ∈ I = [0, ] (1)
2
(1) Montrer qu’il existe une seule racine r de l’équation (1) sur I
(2) Considérons le schéma de point fixe suivant :

x = g(xn ), n = 0, 1, · · ·
(C) n+1
x0 = α∈I

où g(x) = 0.5 cos(x)

Montrer que pour tout α la suite (xn ) converge vers r
(3) On prend α = 0, déterminer n tel que |xn − r| ≤ ε = 10−6
(4) Calculer x4
Exercice 5 (2016). On considère la fonction f définie par :
f (x) = arctg(x) − ln(x), x>0
(1) Montrer que l’équation f (x) = 0 admet une unique racine a dans l’inter-
valle I = [3, 4]
(2) On considère la suite délinie par :

x0 = 3
xn+1 = g(xn ) avec g(x) = exp(arctg(x))

Montrer que cette suite converge et que sa limite est a,en déduire la
valeur

q = max |g 0 (x)|
(3) Déterminer le nombre d’itérations N tel que :
qN
|xN − a| ≤ |x1 − x0 | ≤ ε = 10−6
1−q
4 1. RÉSOLUTION DES ÉQUATIONS NON LINÉAIRES

1.3. Corrigé des exercices

Exercice 1 (2011). On considère la fonction f définie par :
f (x) = ln(x) − arctg(x), x>0
(1) Montrer que l’équation f (x) = 0 admet une unique racine a qu’on locali-
sera dans un intervalle I entre deux entiers consécutifs.

On applique le théorème des valeurs intermediaires :

f (3) = ln(3) − arctg(3) = −0.15 et f (4) = ln(4) − arctg(4) = 0.06 ⇒
f (3)f (4) < 0
1 1 x2 − x + 1
De plus, f 0 (x) = − = >0 ∀x ∈ I = [3, 4]
x 1 + x2 x(1 + x2 )
On en déduit que : ∃!a ∈ I = [3, 4]tel que :f (a) = 0
(2) On considère la suite délinie par :

x0 = 3
xn+1 = g(xn ) avec g(x) = x − ln(x) + arctg(x)

Montrer que sa limite est a et en déduire le nombre d’itérations N qui

assure que :
|xN − a| < 10−6
x = g(x) ⇔ x = x − ln(x) + arctg(x) ⇔ ln(x) − arctg(x) = 0 ⇔
f (x) = 0
1 1
g(x) = x − ln(x) + arctg(x) ⇒ g 0 (x) = 1 − +
x 1 + x2
1 2x x (x − 2) + 2x2 + 1
3
et g 00 (x) = 2 − = > 0 sur I = [3, 4]
x (1 + x2 )2 x2 (1 + x2 )2
 1.3. CORRIGÉ DES EXERCICES 5

x 3 4

g 00 (x) +

55
g 0 (x) 23 68
30
3.93
g(x)
3.15

55
On voit bien que : ∀x ∈ I = [3, 4], |g 0 (x)| ≤ < 1 et g(x) ∈ I = [3, 4]
68
Les conditions du théorème du point fixe sont vérifiées, donc la suite
définie par


x0 = 3
xn+1 = g(xn ) avec g(x) = x − ln(x) + arctg(x)

Converge vers a
Il reste à déduire le nombre d’itérations N qui assure que :

|xN − a| < ε = 10−6

 
1−k
ln ε
kN |x1 − x0 |
|xN − a| ≤ |x1 − x0 | ≤ ε ⇒ N ≥
1−k ln k
55
avec : k = | max g 0 (x)| = , |x1 − x0 | = |g(x0 ) − x0 | = |g(3) − 3| =
68
|3.150433 − 3| = 0.150433 et ε = 10−6
55
 
1−
ln 
 68 10−6 
0.150433


⇒N ≥ ⇒ N ≥ 63.98 ⇒ N = 64
55
ln
68
Exercice 2 (2012). Soit donnée l’équation ln x − x2 + 2 = 0
(1) Séparer graphiquement les racines de cette équation
6 1. RÉSOLUTION DES ÉQUATIONS NON LINÉAIRES

(2) Montrer que la plus grande racine est comprise dans un intervalle de la
forme
[n, n + 1], n ∈ N
On applique le théorème des valeurs intermediaires :
On pose f (x) = ln x − x2 + 2
f (1) = ln 1−12 +2 = 1 et f (2) = ln(2)−22 +2 = −1.306 ⇒ f (1)f (2) <
0
1 1 − 2x2
De plus, f 0 (x) = − 2x = <0 ∀x ∈ I = [1, 2]
x x
On en déduit que : ∃!a ∈ I = [1, 2]tel que :f (a) = 0
(3) Ecrire l’équation donnée sous la forme x = F (x) puis montrer que la
méthode du point fixe (des approximations successives)


xn+1 = F (xn ), n = 0, 1, · · ·
x0 quelconque dans [a, b]

Converge vers la racine de l’équation

ln x − x2 + 2 = 0 ⇒ ln x = x2 − 2 ⇒ x = exp(x2 − 2)
On pose F (x) = exp(x2 − 2) ⇒ F 0 (x) = 2x exp(x2 − 2)
et F 00 (x) = (4x2 + 2) exp(x2 − 2) > 0 sur I = [1, 2]
 1.3. CORRIGÉ DES EXERCICES 7

x 1 2

F 00 (x) +

2e−1
F 0 (x)
0
e−1
F (x)
e−2

On voit bien que : ∀x ∈ I = [1, 2], |F 0 (x)| ≤ 2e−1 < 1 et F (x) ∈ I =

[1, 2]
Les conditions du théorème du point fixe sont vérifiées, donc la suite
définie par

xn+1 = F (xn ), n = 0, 1, · · ·
avec F (x) = exp(x2 − 2)
x0 quelconque dans [1, 2]
Converge vers a racine de l’équation f (x) = 0
(4) En partant de l’approximation initiale xo = 1.5, estimer le nombre d’itérations
−3
nécessaires à l’approximation de la racine à 10  prés. 
1−k
N ln ε
k |x1 − x0 |
|xN − a| ≤ |x1 − x0 | ≤ ε ⇒ N ≥
1−k ln k
avec : k = | max F 0 (x)| = 2e−1
|x1 − x0 | = |F (x0 ) − x0 | = |F (1.5) − 1.5| = |1.284025 − 1.5| = 0.215974
et ε = 10−3 
1 − 2e−1 −3

ln 10
0.215974
⇒N ≥ ⇒ N ≥ 21.85 ⇒ N = 22
ln 2e−1
(5) Trouver la valeur approchée de cette racine par cette méthode et avec
cette précision.

i 0 1 2 3 4 5 6
xi 1.5 1.284025 0.703787 0.222087 0.142177 0.138098 0.137941
8 1. RÉSOLUTION DES ÉQUATIONS NON LINÉAIRES

Exercice
√ 3 (2014). On cherche à calculer la racine cubique de a donc :
x = a ⇒ x3 = a ⇒ x3 − a = 0
3

L’algorithme de Newton-Raphson s’écrit :


f (xn )
xn+1 = xn − 0

(I) f (xn )
x0 ∈ I tel que f (x0 )f 00 (x0 ) > 0

avec f (x) = x3 − a ⇒ f 0 (x) = 3x2 et f 00 (x) = 6x
x3 − a 2x3 + a
(I) ⇒ xn+1 = xn − n 2 = n 2
3xn 3xn

2x3n + a
xn+1 =

(I) ⇒ 3x2n
x0 ∈ I tel que f (x0 )f 00 (x0 ) > 0

(I) doit vérifier les conditions de convergence :
— f est de classe C 2
— f change de signe sur I
— f 0 ne doit pas s’annuler sur un intervalle I qui contient la solution.
— f 0 doit garder un signe constant sur I
On prend I =]0, +∞)
f (0)f (a +√1) < 0 √
a>0⇒ 3a>0⇒ 3a∈I
f 0 (x) = 3x2 ⇒ ∀x ∈ I, f 0 (x) > 0
f (x) = x3 − a ⇒ f est de classe C 2
Les conditions du théorème de Newton-raphson sont vérifiées, l’algorithme (I)
converge. √
Application : Calculer 3 5 par cette méthode à 0.01 près (Prendre x0 = 2)
a = 5 ⇒ L’algorithme (I) devient :

2x3 + 5
xn+1 = n 2

3xn
x0 = 2 avec f (2)f 00 (2) > 0


i 0 1 2 3
xi 2 1.75000 1.710884 1.709976
Exercice 4 (2015). On cherche à approcher les eventuelles racines de l’équation :
π
f (x) = x − 0.5 cos(x) = 0, x ∈ I = [0, ] (1)
2
(1) Montrer qu’il existe une seule racine r de l’équation (1) sur I
f (x) = x − 0.5 cos(x) = 0
On applique le théorème des valeurs intermediaires :
 1.3. CORRIGÉ DES EXERCICES 9

f (0) = 0 − 0.5 cos(0) = −0.5 et f ( π2 ) = π

2
− 0.5 cos( π2 ) = π
2
⇒
f (0)f ( π2 ) < 0
π
De plus, f 0 (x) = 1 + 0.5 sin(x) > 0 ∀x ∈ I = [0, ]
2
π
On en déduit que : ∃!r ∈ I = [0, ]tel que :f (r) = 0
2
(2) Considérons le schéma de point fixe suivant :

x = g(xn ), n = 0, 1, · · ·
(C) n+1
x0 = α∈I
où g(x) = 0.5 cos(x)
Montrer que pour tout α la suite (xn ) converge vers r
x = g(x) ⇔ x = 0.5 cos(x) ⇔ x − 0.5 cos(x) = 0 ⇔ f (x) = 0
g(x) = 0.5 cos(x) ⇒ g 0 (x) = −0.5 sin(x) et g 00 (x) = −0.5 cos(x)

π
x 0 2

g 00 (x) −

0
0
g (x)
−0.5
0.5
g(x)
0
π
On voit bien que : ∀x ∈ I = [0, ], |g 0 (x)| ≤ 0.5 < 1
2
π
et g(x) ∈ I = [0, ]
2
Les conditions du théorème du point fixe sont vérifiées, donc la suite
définie par

x = g(xn ), n = 0, 1, · · ·
(C) n+1 où g(x) = 0.5 cos(x)
x0 = α∈I
Converge vers r
(3) On prend α = 0, déterminer n tel que |xn − r| ≤ ε = 10−6
 
1−k
ln ε
kN |x1 − x0 |
|xn − r| ≤ |x1 − x0 | ≤ ε ⇒ N ≥
1−k ln k
10 1. RÉSOLUTION DES ÉQUATIONS NON LINÉAIRES

avec : k = | max g 0 (x)| = 0.5, |x1 −x0 | = |g(x0 )−x0 | = |0.5−0| = 0.5
et ε = 10−6  
1 − 0.5 −6
ln 10
0.5
⇒N ≥ ⇒ N ≥ 19.93 ⇒ N = 20
ln 0.5
(4) Calculer x4

i 0 1 2 3 4
xi 0 0.5000 0.4387 0.4526 0.4496

Exercice 5 (2016). On considère la fonction f définie par :

f (x) = arctg(x) − ln(x), x>0

(1) Montrer que l’équation f (x) = 0 admet une unique racine a dans l’inter-
valle I = [3, 4]
On applique le théorème des valeurs intermediaires :
f (3) = ln(3) − arctg(3) = −0.15 et f (4) = ln(4) − arctg(4) = 0.06 ⇒
f (3)f (4) < 0
0 1 1 x2 − x + 1
De plus, f (x) = − = >0 ∀x ∈ I = [3, 4]
x 1 + x2 x(1 + x2 )
On en déduit que : ∃!a ∈ I = [3, 4]tel que :f (a) = 0
(2) On considère la suite délinie par :

x0 = 3
xn+1 = g(xn ) avec g(x) = exp(arctg(x))

Montrer que cette suite converge et que sa limite est a,en déduire la
valeur

q = max |g 0 (x)|

x = g(x) ⇔ x = exp(arctg(x)) ⇔ ln x = arctg(x) ⇔ arctg(x) − ln x =

0 ⇔ f (x) = 0
1
g(x) = exp(arctg(x)) ⇒ g 0 (x) = exp(arctg(x))
1 + x2
1 − 2x
et g 00 (x) = exp(arctg(x)) < 0 sur I = [3, 4]
1 + x2
 1.3. CORRIGÉ DES EXERCICES 11

x 3 4

g 00 (x) −

0.348701
g 0 (x)
0.221486
3.765262
g(x)
3.487013

On voit bien que : ∀x ∈ I = [3, 4], |g 0 (x)| ≤ 0.348701 < 1 et g(x) ∈

I = [3, 4]
Les conditions du théorème du point fixe sont vérifiées, donc la suite
définie par

x0 = 3
xn+1 = g(xn ) avec g(x) = exp(arctg(x))
Converge vers a
Il reste à déduire la valeur :
q = max |g 0 (x)| = 0.348701
(3) Déterminer le nombre d’itérations N tel que :
qN
|xN − a| ≤ |x1 − x0 | ≤ ε = 10−6
1−q
 
1−q
ln ε
qN |x1 − x0 |
|xN − a| ≤ |x1 − x0 | ≤ ε ⇒ N ≥
1−q ln q
0
avec : q = max |g (x)| = 0.348701
|x1 − x0 | = |g(x0 ) − x0 | = |g(3) − 3| = |3.487013 − 3| = 0.487013 et
ε = 10−6  
1 − 0.348701 −6
ln 10
0.487013
⇒N ≥ ⇒ N ≥ 12.83 ⇒ N = 13
ln 0.348701
 CHAPTER 2

Résolution des systèmes linéaires

2.1. Rappel
En utilisant la décomposition A = D − E − F
Par exemple, pour le cas n = 3
       
a b c a 0 0 0 0 0 0 −b −c
A = d e f  ⇒ D = 0 e 0 E = −d 0 0 F = 0 0 −f 
g h i 0 0 i −g −h 0 0 0 0
— la matrice d’itération de Jacobi J est définie par : J = D−1 (E + F )
— la matrice d’itération de Gauss Seidel L1 est définie par : L1 = (D−E)−1 F
 −1  
1 1−w
— la matrice de relaxation Lw est définie par : Lw = D−E D+F
w w
Quelques résultats à connaitre :
— Une methode d’iteration C converge si et seulement si le rayon spectral
de sa matrice d’itération est plus petit que 1 (ρ(C) < 1)
— Si A est une matrice à diagonale strictement dominante par lignes, alors
les méthodes de Jacobi et de Gauss-Seidel sont convergentes.
— Si la matrice A est symétrique définie positive, alors la méthode de re-
laxation converge pour tout w appartenant à ]0, 2[ .
— Si A est une matrice tridiagonale, alors ρ(L1 ) = ρ(J)2 Dans ce cas les
deux méthodes convergent ou divergent en même temps.
— Si A est une matrice tridiagonale symétrique définie positive, alors la
méthode de relaxation converge pour 0 < w < 2 , de plus la méthode de
13
14 2. RÉSOLUTION DES SYSTÈMES LINÉAIRES

relaxation est la plus rapide possible en prenant wopt défini par :

2
wopt = p
1 + 1 − ρ(J)2

2.2. Enoncé des exercices

Exercice 1 (2011).  
1 2 −2
A = 1 1 1 
2 2 1
(1) En utilisant la décomposition A = D −E −F calculer la matrice de Jacobi
J ,la matrice de Gauss Seidel L1 et la matrice de relaxation Tw
(2) Prouver que ρ(J) < 1 < ρ(Tw=1 ) où
Exercice 2 (2012).  
1 2 −2
A = 1 1 1 
2 2 1
(1) En utilisant la décomposition A = D −E −F calculer la matrice de Jacobi
J et la matrice de Gauss Seidel L1
(2) Prouver que ρ(J) < 1 < ρ(L1 )
où ρ(T ) est le rayon spectrale de la matrice T
Exercice 3 (2013). On considère le système d’équations linéaires suivant :

x1 − x2 + 2x3 = −30

(SI) −x1 + x2 = 12

x + x = 0
1 3

(1) Prouver que le système (SI) admet une solution unique

(2) Calculer les matrices de l’itération de Jacobi, de Gauss-Seidel et de Re-
laxation
(3) Prouver que les méthode de Jacobi et de Gauss-Seidel divergent. (utiliser
Ie rayon spectral)
(4) Peut-on calculer wopt ?
Exercice 4 (2014). On considère la matrice suivante :
 
1 a 0
A = a 1 a
0 a 1
 2.3. CORRIGÉ DES EXERCICES 15

(1) Pour quelles valeurs de a la matrice A admet une décomposition sous

la forme A = LU où L est une matrice triangulaire inférieure et U une
matrice triangulaire supérieure.
(2) Calculer la matrice Tj de l’itération de Jacobi, pour quelles valeurs de a
cette méthode converge-t-elle ?
(3) Calculer la matrice TGS de l’itération de Gauss-Seidel, pour quelles valeurs
de a cette méthode converge-t-elle ?
(4) On prend a = 0.5, calculer le rayon spectral de TJ .
En déduire le rayon spectral de TGS en justifiant votre réponse.

2.3. Corrigé des exercices

Exercice 1 (2011).  
1 2 −2
A = 1 1 1 
2 2 1
(1) En utilisant la décomposition A = D −E −F calculer la matrice de Jacobi
J ,la matrice de Gauss Seidel L1 et la matrice de relaxation Tw
     
1 0 0 0 0 0 0 −2 2
D = 0 1 0 E = −1 0 0 F = 0 0 −1
0 0 1 −2 −2 0 0 0 0
 
0 −2 2
J = D−1 (E + F ) = E + F = −1 0 −1
−2 −2 0
 
0 −2 2
L1 = (D − E)−1 F = 0 2 −3
0 0 2
Matrice de relaxation
−1 
1 1−w
 
0 0 −2 2
 −1   w   w 
1 1−w  1   1−w 
Tw = D−E D+F =1  0  0
 −1 
w w w w 
 1  1 − w
2 2 0 0
w w
1−w
 
  −2 2 
w 0 0  w
 1−w 
⇒ Tw =  −w2 w 0  0 −1 
2
2w (w − 1) −2w w  2
 w 
1 − w
0 0
w
16 2. RÉSOLUTION DES SYSTÈMES LINÉAIRES
 
1−w −2w 2w
Tw =  w(w − 1) 2w2 − w + 1 −2w2 − w 
2 2 2 2
−2w(w − 1) 2w(w − 1) − 4w (w − 1) 4w (w − 1) − w + 2w + 1
(2) Prouver que ρ(J) < 1 < ρ(Tw=1 ) où ρ(T ) est le rayon spectrale de la
matrice T    
−X −2 2   −X −2 2 
   
PJ (X) = det(J−XI) =  −1 −X −1  =  −1 −X −1  =
 −2 −2 −X  X − 2 0 −X − 2
 
 −X −2 2 + X 

 −1 −X 0 

X − 2 0 −2X 
= (X − 2)X(2 + X) − 2X(X 2 − 2) = X(X 2 − 4 − 2X 2 + 4) = −X 3
⇒ ρ(J) = 0 < 1
Tw=1 =?
 
0 −2 2
W = 1 ⇒ Tw=1 = 0 2 −3 ⇒ ρ(Tw=1 ) = 2 > 1
0 0 2

Exercice 2 (2012).
 
1 2 −2
A = 1 1 1 
2 2 1

(1) En utilisant la décomposition A = D −E −F calculer la matrice de Jacobi

J et la matrice de Gauss Seidel L1

     
1 0 0 0 0 0 0 −2 2
D = 0 1 0 E = −1 0 0 F = 0 0 −1
0 0 1 −2 −2 0 0 0 0
 
0 −2 2
J = D−1 (E + F ) = E + F = −1 0 −1
−2 −2 0
 
0 −2 2
L1 = (D − E)−1 F = 0 2 −3
0 0 2
(2) Prouver que ρ(J) < 1 < ρ(L1 ) où ρ(T ) est le rayon spectrale de la matrice
T
 2.3. CORRIGÉ DES EXERCICES 17
   
−X −2 2   −X −2 2 

PJ (X) = det(J−XI) =  −1 −X −1  =  −1 −X −1  =
 −2 −2 −X  X − 2 0 −X − 2
 
 −X −2 2 + X 

 −1 −X 0 

X − 2 0 −2X 
= (X − 2)X(2 + X) − 2X(X 2 − 2) = X(X 2 − 4 − 2X 2 + 4) = −X 3
⇒ ρ(J) = 0 < 1
 
−X −2 2
PL1 (X) = det(L1 −XI) = L1 = (D−E)−1 F =  0 2 − X −3 
0 0 2−X
⇒ PL1 (X) = −X(2 − X)2 ⇒ ρ(L1 ) = 2 > 1

Exercice 3 (2013). On considère le système d’équations linéaires suivant :


x1 − x2 + 2x3 = −30

(SI) −x1 + x2 = 12

x + x = 0
1 3

(1) Prouver que le système (SI) admet une solution unique

 
 1 −1 2
 
det A = −1 1 0 6= 0 ⇒ (SI) admet une solution unique
1 0 1
(2) Calculer les matrices de l’itération de Jacobi, de Gauss-Seidel et de Re-
laxation

 
1−1 2
A = −1
 1 0
1 0 1
     
1 0 0 00 0 0 1 −2
D = 0 1 0 E= 1
 0 0 F = 0 0 0 
0 0 1 −10 0 0 0 0
 
0 1 −2
−1
J = D (E + F ) = E + F = 1 0 0 

−1 0 0
 
0 1 −2
L1 = (D − E)−1 F = 0 1 −2
0 −1 2
18 2. RÉSOLUTION DES SYSTÈMES LINÉAIRES
−1 
1 1−w
 
0 0 1 −2 
 −1   w   w
1 1−w  1   1−w 
Tw = D−E D+F = −1 0  0 0 
w w  w   w 
 1  1 − w
1 0 0 0
w w
1−w

  1 −2 
w 0 0  w 
1−w 
⇒ Tw =  w2 w 0   0 0 
2
−w 0 w 
 w 
1 − w
0 0
 w 
1−w w −2w
⇒ Tw =  w(1 − w) w2 − w + 1 −2w2 
−w(1 − w) −w2 2w2 − w + 1
(3) Prouver que les méthode de Jacobi et de Gauss-Seidel divergent. (utiliser
Ie rayon spectral)    
−X 1 −2   −X 1 −2 
   2

PJ (X) = det(J − XI) =  1 −X 0  = 1 − X 0 −2X  =
 −1 0 −X   −1 0 −X 
2
−[−X(1 − X ) − 2X]
√
PJ (X) = X(1 − X 2 + 2) = X(3 − X 2 ) ⇒ ρ(J) = 3 > 1
⇒ La méthode de Jacobi diverge.

 
−X 1 −2 
 
PL1 (X) = det(L1 − XI) =  0 1 − X
 −2 
 0 −1 2 − X
= −X[(1 − X)(2 − X) − 2] = −X(X 2 − 3X)
PL1 (X) = −X 2 (X − 3) ⇒ ρ(L1 ) = 3 > 1
⇒ La méthode de Gauss Seidel diverge.
(4) Peut-on calculer wopt ?
On ne peut pas calculer car A n’est pas tridiagonale symétrique définie
positive.
Exercice 4 (2014). On considère la matrice suivante :
 
1 a 0
A= a  1 a
0 a 1
(1) Pour quelles valeurs de a la matrice A admet une décomposition sous
la forme A = LU où L est une matrice triangulaire inférieure et U une
matrice triangulaire supérieure.
 2.3. CORRIGÉ DES EXERCICES 19
 
 1 a 2
a 1 = 1 − a 6= 0 ⇒ a ∈
/ {−1, 1}
 

(2) Calculer la matrice Tj de l’itération de Jacobi, pour quelles valeurs de a

cette méthode
 converge-t-elle
 ?   
1 a 0 1 0 0 0 0 0
A = a 1 a D = 0 1 0 E = −a 0 0
0 a 1 0 0 1 0 −a 0
 
0 −a 0
F = 0 0 −a

0 0 0
   
0 −a 0 0 1 0
J = D−1 (E + F ) = E + F = −a 0 −a = −a 1 0 1
0 −a 0 0 1 0
 
−X −a 0 


PJ (X) = det(J − XI) =  −a −X −a  = −X(X 2 − a2 ) + a2 X

 0 −a −X 
√
PJ (X) = −X(X 2 − a2 − a2 ) = −X(X 2 − 2a2 ) ⇒ ρ(J) = 2a2
√ 1 1 1
ρ(J) = 2a2 < 1 ⇒ 2a2 < 1 ⇒ a2 < ⇒ − √ < a < √
2 2 2
(3) Calculer la matrice TGS de l’itération de Gauss-Seidel, pour quelles valeurs
de a cette méthode converge-t-elle ?
 −1     
1 0 0 0 −a 0 1 0 0 0 −a 0
L1 = (D−E)−1 F = a 1 0 0 0 −a = −a 1 0 0 0 −a
0 a 1 0 0 0 a2 −a 1 0 0 0
 
0 −a 0
⇒ L1 = 0 a2 −a
0 −a3 a2
 
−X −a 0
PL1 (X) = det(L1 − XI) =  0 a2 − X −a 
3 2
0 −a a −X
PL1 (X) = −X((a − X) − a ) = X (2a − X) ⇒ ρ(L1 ) = 2a2
2 2 4 2 2

1 1 1
ρ(L1 ) = 2a2 < 1 ⇒ a2 < ⇒ − √ < a < √
2 2 2
(4) On prend a = 0.5, calculer le rayon spectral de TJ .
p √
a = 0.5 ⇒ ρ(J) = 2(0.52 ) = 0.5
En déduire le rayon spectral de TGS en justifiant votre réponse.
ρ(L1 ) = ρ(J)2 = 0.5 car la matrice A est tridiagonale.
 CHAPTER 3

Interpolation polynomiale

3.1. Rappel
Formule de Vandermonde : Soit Pn le polynôme d’interpolation passant par les
points (x0 , y0 ), · · · , (xn , yn )
n
X
alors Pn (x) = ai xi avec S = (a0 , a1 · · · , an )T solution du système
i=0
1 x0 x20 · · · xn0
    
a0 y0
    
1 x1 x21 ··· xn1 a1 y1
    
    
    
  = 
 .. .. .. .. ..  ..   .. 

 . . . . . 
 .  
  . 

    
1 xn x2n · · · xnn an yn
Formule de Lagrange :
n
X
Pn (x) = y0 L0 (x) + y1 L1 (x) + · · · + yn Ln (x) = yi Li (x) avec :
i=0
n
Y x − xj
Li (x) =
x − xj
j=0 i
j6=i
Formule de Newton générale :
Pn (x) = y0 + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 )
+ · · · + f [x0 , x1 , · · · , xn ](x − x0 )(x − x1 ) · · · (x − xn−1 )
21
22 3. INTERPOLATION POLYNOMIALE

Opérateur de différences progressive :

∆yi = yi+1 − yi ∆k+1 yi = ∆k yi+1 − ∆k yi
Formule de Newton progressive :
∆y0 ∆2 y0 ∆n y0 x − x0
P˜n (q) = y0 + q+ q(q−1)+· · ·+ q(q−1) · · · (q−n+1) avec q =
1! 2! n! h
Opérateur de différences régressive :
∇yi = yi − yi−1 ∇k+1 yi = ∇k yi − ∇k yi−1
Formule de Newton régressive :
∇yn ∇2 yn ∇n yn x − xn
P˜n (q) = yn + q+ q(q+1)+· · ·+ q(q+1) · · · (q+n−1) avec q =
1! 2! n! h
Formule de l’erreur :
n
f (n+1) (ξ) Y
f (x) − Pn (x) = En (x) = (x − xi )
(n + 1)! i=0

3.2. Enoncé des exercices

Exercice 1 (2011). Soit yi = f (xi ) les valeurs données de la fonction y =
f (x) pour des valeurs équidistantes de la variable indépendante xi = xo + ih (i :
0, 1, ..., n), où h est le pas d’interpolation. On se propose de choisir un polynôme
Pn (x) de degré inférieur ou egal à n, et tel que
(3.1) Pn (xi ) = yi pour i = 0, 1, ..., n
et
(3.2) ∆m Pn (x0 ) = ∆m y0 pour i = 0, 1, ..., n
Le polynôme en question doit être sous la forme
Pn (x) = ao +a1 (x−xo )+a2 (x−xo )(x−x1 )+· · ·+an (x−xo )(x−x1 )(x−xn−1 ) (3)
(1) Sachant que la puissance généralisée est définie par :
x[n] = x(x − h) · · · (x − (n − 1)h)
écrire le polynôme en fonction de la puissance généralisée
(2) Trouver les valeurs des coefficients ao , a1 et a2 .
(3) En déduire la valeur de ai
(4) En substituant ces valeurs dans (3) on obtient un nouveau polynôme.
Ecrire ce polynôme.
x − x0
(5) En posant q = dans le dernier polynôme, donner la forme définitive
h
de ce polynôme.
 3.2. ENONCÉ DES EXERCICES 23

(6) Le tableau ci-dessous nous donne les valeurs de l’intégrale de probabilité

Z x
2
Φ(x) = √ exp(−x2 )dx
π 0
En appliquant la formule obtenue dans la 5e question, trouver la valeur
approchée de Φ(1.03).

x 1.0 1.1 1.2 1.3 1.4

y 0.8427 0.8802 0.9103 0.9340 0.9523
Exercice 2 (2012). Soit les points suivants :

x 0.0 1.0 2.0 3.0 4.0

f (x) 0.0 2.0 36.0 252.0 1040.0
(1) Obtenir le polynôme d’interpolation de Newton passant par les 3 premiers
points.
(2) Obtenir le polynôme d’interpolation de Newton passant par les 4 premiers
points, est ce possible d’utiliser les calculs faits en 1 ?
(3) Donner l’expression analytique de l’erreur pour les polynômes obtenus en
1 et 2
(4) Approcher f (1.5) à l’aide des 2 polynômes obtenus en 1 et 2.
Exercice 3 (2013). En course à pied sur route, on utilise des modèles d’in-
terpolation pour estimer, à partir de performances (temps) qu’un coureur a déjà
réalisées sur certaines distances, les performances qu’il pourrait réaliser sur d’autres
distances. En fait, on cherche à approcher la fonction t(x) qui indique le temps en
secondes que le coureur mettrait pour parcourir x mètres, Dans cette question, on
considère un coureur dont les performances sont indiquées dans le tableau suivant :

x(enmètres) 0 100 1500 10000

t(x)(en seconde) 0 13 245 1980
(1) Utiliser un polynôme d’interpolation de Newton de degré 2 pour estimer
la performance que devrait réaliser ce coureur sur une distance de 5000 m
(2) Au lieu d’utiliser un polynôme d’interpolation pour approcher t(x), on
pourrait utiliser une fonction logarithmique d’interpolation de la forme
g(x) = a + b ln(cx − d) où a, b, c et d sont des paramètres à déterminer.
Proposer une démarche pour calculer les valeurs de ces quatre paramètres.
Ne pas résoudre.
(3) Si on prend a = b = 1, trouver la fonction logarithmique d’interpolation
et estimer la performance que devrait réaliser ce coureur sur une distance
de 5000m
(4) Commenter vos résultats
24 3. INTERPOLATION POLYNOMIALE

3.3. Corrigé des exercices

Exercice 1. (1) Sachant que la puissance généralisée est définie par :
x[n] = x(x − h) · · · (x − (n − 1)h)
écrire le polynôme en fonction de la puissance généralisée
Pn (x) = ao + a1 (x − xo ) + a2 (x − xo )(x − x1 )
+ · · · + an (x − xo )(x − x1 ) · · · (x − xn−1 ) (3)
x1 = x0 + h ⇒ x − x1 = x − (x0 + h) = (x − x0 ) − h
x2 = x0 + 2h ⇒ x − x2 = x − (x0 + 2h) = (x − x0 ) − 2h
..
.
xn−1 = x0 +(n−1)h ⇒ x−xn−1 = x−(x0 +(n−1)h) = (x−x0 )−(n−1)h
⇒ Pn (x) = ao + a1 (x − xo ) + a2 (x − xo )((x − x0 ) − h) + · · · +
an (x − xo )((x − x0 ) − h) · · · ((x − x0 ) − (n − 1)h)
⇒ Pn (x) = ao + a1 (x − x0 )[1] + a2 (x − x0 )[2] + · · · + an (x − x0 )[n]
(2) Trouver les valeurs des coefficients ao , a1 et a2 .

Pn (x0 ) = y0
Pn (xi ) = yi pour i = 0, 1, ..., n ⇒ Pn (x1 ) = y1
P (x ) = y
n 2 2

Pn (x0 ) = a0
Or, (3) ⇒ Pn (x1 ) = a0 + a1 (x1 − x0 )
P (x ) = a + a (x − x ) + a (x − x )(x − x )
n 2 0 1 2 0 2 2 0 2 1

Pn (x0 ) = a0
⇒ Pn (x1 ) = a0 + a1 h
P (x ) = a + 2a h + 2a h2
n 2 0 1 2

 a0 = y0
On on obtient le système : a0 + a1 h = y1
a + 2a h + 2a h2 = y
0 1 2 2

y1 − y0 ∆y0
y 1 = y 0 + a1 h ⇒ a1 = ⇒ a1 =
h h
∆y0 y2 − y0 − 2∆y0 y2 + (y1 − y1 ) − y0 − 2∆y0
y2 = y0 +2 h+2a2 h2 ⇒ a2 = 2
=
h 2h 2h2
∆y1 + ∆y0 − 2∆y0 ∆y1 − ∆y0 ∆2 y0
⇒ a2 = = ⇒ a 2 =
2h2 2h2 2h2
(3) En déduire la valeur de ai
∆i y0
On peut montrer par récurrence que : ai =
i!hi
 3.3. CORRIGÉ DES EXERCICES 25

(4) En substituant ces valeurs dans (3) on obtient un nouveau polynôme.

Ecrire ce polynôme.
D’après la question (1)

Pn (x) = ao + a1 (x − x0 )[1] + a2 (x − x0 )[2] + · · · + an (x − x0 )[n]

∆y0 ∆2 y0 ∆n y0
= yo + (x − x0 )[1] + (x − x 0 )[2]
+ · · · + (x − x0 )[n]
1!h 2!h2 n!hn
x − x0
(5) En posant q = dans le dernier polynôme, donner la forme définitive
h
de ce polynôme.
x − x0 ∆y0
q = ⇒ x − x0 = qh ⇒ Pn (x) = P̃n (q) = yo + (qh)[1] +
h 1!h
∆2 y0 [2] ∆n y0
(qh) + · · · + (qh)[n]
2!h2 n!hn

∆y0 ∆2 y0 ∆n y0
P̃n (q) = yo + (qh) + (qh)(qh − h) + · · · + (qh)(qh − h)(qh − 2h) · · · (qh − (n − 1)h)
1!h 2!h2 n!hn
∆y0 ∆2 y0 2 ∆n y0 n
= yo + q+ h q(q − 1) + · · · + h q(q − 1)(q − 2) · · · (q − (n − 1))
1! 2!h2 n!hn

∆y0 ∆2 y0 ∆n y0 x − x0
P̃n (q) = yo + q+ q(q − 1) + · · · + q(q − 1)(q − 2) · · · (q − (n − 1)) avec q =
1! 2! n! h

(6) Le tableau ci-dessous nous donne les valeurs de l’intégrale de probabilité

Z x
2
Φ(x) = √ exp(−x2 )dx
π 0
En appliquant la formule obtenue dans la 5e question, trouver la valeur
approchée de Φ(1.03).

x 1.0 1.1 1.2 1.3 1.4

y 0.8427 0.8802 0.9103 0.9340 0.9523

∆y0 ∆2 y0 ∆3 y0
P̃4 (q) = yo + q+ q(q − 1) + q(q − 1)(q − 2)
1! 2! 3!
∆4 y0 x − x0 x−1
+ q(q − 1)(q − 2)(q − 3) avec q = =
4! h 0.1
26 3. INTERPOLATION POLYNOMIALE

yi ∆yi ∆2 yi ∆3 yi ∆4 yi

0.8427
0.0375
0.8802 −0.0074
0.0301 0.0010
0.9103 −0.0064 0
0.0237 0.0010
0.9340 −0.0054
0.0183
0.9523
0.0375 −0.0074 0.0010 0
P̃4 (q) = 0.8427 + q+ q(q − 1) + q(q − 1)(q − 2) + q(q −
1! 2! 3! 4!
1)(q − 2)(q − 3)

1.05 − 1
x = 1.05 ⇒ q = = 0.5
0.1
0.0375 −0.0074
⇒ Φ(1.03) ' P̃4 (0.5) = 0.8427 + 0.5 + 0.5(0.5 − 1)
1! 2!
0.0010
+ 0.5(0.5 − 1)(0.5 − 2)
3!

Φ(1.03) ' P̃4 (0.5) = 0.8624375

Exercice 2. (1) Obtenir le polynôme d’interpolation de Newton passant

par les 3 premiers points.
les points sont equidistants, on utilise donc la formule de Newton
progressive :

˜ ∆y0 ∆2 y0 x − x0 x−0
P2 (q) = y0 + q+ q(q − 1) avec q = = =x
1! 2! h 1

yi ∆yi ∆2 yi

0
2
2 32
34
36
 3.3. CORRIGÉ DES EXERCICES 27

2 32
P˜2 (q) = 0 + q + q(q − 1) = 16q 2 − 14q
1! 2!
(2) Obtenir le polynôme d’interpolation de Newton passant par les 4 premiers
points, est ce possible d’utiliser les calculs faits en 1 ?

˜ ∆y0 ∆2 y0 ∆3 y0
P3 (q) = y0 + q+ q(q − 1) + q(q − 1)(q − 2)
1! 2! 3!
∆3 y0 x − x0 x−0
= P˜2 (q) + q(q − 1)(q − 2) avec q = = =x
3! h 1

yi ∆yi ∆2 yi ∆3 yi

0
2
2 32
34 150
36 182
216
252

150
P˜3 (q) = 16q 2 − 14q + q(q − 1)(q − 2) avec q = x
3!
(3) Donner l’expression analytique de l’erreur pour les polynômes obtenus en
1 et 2

f (n+1) (ξ) n+1

f (x) − Pn (x) = En (x) = h q(q − 1)(q − 2) · · · (q − n)
(n + 1)!
f (3) (ξ)
h = 1 et n = 2 ⇒ E2 (x) = (3)!
q(q − 1)(q − 2)
f (4) (ξ)
h = 1 et n = 3 ⇒ E3 (x) = (4)!
q(q − 1)(q − 2)(q − 3)
(4) Approcher f(1.5) à l’aide des 2 polynômes obtenus en 1 et 2.
q = x = 1.5 ⇒ P˜2 (1.5) = 16(1.5)2 − 14(1.5) = 15
150
P˜3 (1.5) = P˜2 (1.5) + (1.5)(1.5 − 1)(1.5 − 2) = 5.6250
3!
Exercice 3. (1) Utiliser un polynôme d’interpolation de Newton de degré
2 pour estimer la performance que devrait réaliser ce coureur sur une dis-
tance de 5000 m
Le polynôme d’interpolation de Newton est donné par :
28 3. INTERPOLATION POLYNOMIALE

P2 (x) = y0 + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 )

xi yi f [xi , xi+1 ] f [xi , xi+1 , xi+2 ]

100 13
0.165714
1500 245 4 × 10−6
0.204118
10000 1980

P2 (x) = 13 + 0.165714(x − 100) + 4 × 10−6 (x − 100)(x − 1500)

P2 (5000) = 13 + 0.165714(5000 − 100) + 4 × 10−6 (5000 − 100)(5000 −
1500) = 893.598600
(2) Au lieu d’utiliser un polynôme d’interpolation pour approcher t(x), on
pourrait utiliser une fonction logarithmique d’interpolation de la forme
g(x) = a + b ln(cx − d) où a, b, c et d sont des paramètres à déterminer.
Proposer une démarche pour calculer les valeurs de ces quatre paramètres.
Ne pas résoudre.
g(0) = 0 ⇒ a + b ln(−d) = 0
g(100) = 13 ⇒ a + b ln(100c − d) = 13
g(1500) = 245 ⇒ a + b ln(1500c − d) = 245
g(10000) = 1980 ⇒ a + b ln(10000c − d) = 1980


 a + b ln(−d) = 0
a + b ln(100c − d) = 13

On résoud ensuite le système non linéaire :

 a + b ln(1500c − d) = 245
a + b ln(10000c − d) = 1980

(3) Si on prend a = b = 1, trouver la fonction logarithmique d’interpolation

et estimer la performance que devrait réaliser ce coureur sur une distance
de 5000m
= b = 1 ⇒ on résoud le système :
a

 1 + ln(−d) = 0
1 + ln(100c − d) = 13


 1 + ln(1500c − d) = 245
1 + ln(10000c − d) = 1980

ln(−d) = −1 ⇒ d = −e−1
(
⇒ e13 − e−1
ln(100c + e−1 ) = 13 ⇒ 100c + e−1 = e13 ⇒ c =
100
 3.3. CORRIGÉ DES EXERCICES 29

e13 − e−1
 
La fonction logarithmique d’interpolation devient : g(x) = 1+ ln x + e−1
100
e − e−1
 13 
−1
g(5000) = 1 + ln 5000 + e = 17.91
100
(4) Commenter vos résultats
Le résultat obtenue par l’interpolation logarithmique n’est pas réaliste,
dans ce cas on préfere utiliser l’interpolation polynomiale.
 CHAPTER 4

Intégration numérique

4.1. Rappel
Formule du trapèze simple :
b−a
It = (y0 + y1 ) avec y0 = y(a) et y1 = y(b)
2
L’erreur est donnée par :

h3 (2)
R(f ) = − f (η) avec η ∈ [a, b] et h = b − a
12
Formule des trapèzes généralisée :

h
Itg = (y0 + 2y1 + · · · + 2yn−1 + yn )
2
L’erreur est donnée par :

nh3 (2) h2 b−a

R(f ) = − f (η) = − (b − a)f (2) (η) avec η ∈ [a, b] et h =
12 12 n
Formule de Simpson :
h
Is = (y0 + 4y1 + y2 )
3
L’erreur est donnée par :

h5 (4) b−a
R(f ) = − f (η) avec η ∈ [a, b] et h =
90 2
31
32 4. INTÉGRATION NUMÉRIQUE

Formule de Simpson généralisée :

h
Isg = (y0 + 4σ1 + 2σ2 + y2n ) avec
3
σ1 = y1 + y3 + y5 + · · · + y2n−1
σ2 = y2 + y4 + y6 + · · · + y2n−2

L’erreur est donnée par :

nh5 (4) h4 b−a

R(f ) = − f (η) = − (b − a)f (4) (η) avec η ∈ [a, b] et h =
90 180 2n
4.2. Enoncé des exercices
Exercice 1 (2016). Considérons le tableau des valeurs suivant :

i 0 1 2 3 4
xi −1 0 1 2 3
yi 3 2 3 6 11
avec : yi = f (xi ), i = 0, · · · , 4 Où f (x) est une fonction inconnue.
R3
(1) Calculer en utilisant la formule des trapèzes généralisée : −1 f (x)dx
R3
(2) En utilisant la formule de Simpson généralisée, calculer −1 g(x)dx
Avec g(x) = (x2 + 1)f (x) où f est la fonction dont les valeurs sont
données dans le tableau précèdant
4.3. Corrigé des exercices
Exercice 1. Considérons le tableau des valeurs suivant :

i 0 1 2 3 4
xi −1 0 1 2 3
yi 3 2 3 6 11
avec : yi = f (xi ), i = 0, · · · , 4 Où f (x) est une fonction inconnue.
R3
(1) Calculer en utilisant la formule des trapèzes généralisée : −1 f (x)dx
Itg = h2 (y0 + 2y1 + 2y2 + 2y3 + y4 ) avec h = xi+1 − xi = 1
Itg = 21 (3 + 2(2) + 2(3) + 2(6) + 11) = 18
 4.3. CORRIGÉ DES EXERCICES 33
R3
(2) En utilisant la formule de Simpson généralisée, calculer −1 g(x)dx
Avec g(x) = (x2 + 1)f (x) où f est la fonction dont les valeurs sont
données dans le tableau précèdant
g(−1) = ((−1)2 + 1)f (−1) = 2(3) = 6
g(0) = ((0)2 + 1)f (0) = 1(2) = 2
Ainsi de suite, on obtient le tableau

i 0 1 2 3 4
xi −1 0 1 2 3
g(xi ) = yi 6 2 6 30 110
La formule de Simpson généralisée est donnée par :
h
Isg = (y0 + 4σ1 + 2σ2 + y4 ) avec h = 1 et :
3
σ1 = y1 + y3
σ2 = y2

σ1 = y1 + y3 = 2 + 30 = 32 et σ2 = y2 = 6
256
⇒ Isg = 31 (6 + 4(32) + 2(6) + 110) =
3