Chapitre1 

Méthodes de résolution des équations non‐linéaires 

 
1. Introduction 
Les  méthodes  analytiques  de  résolution  des  équations  algébriques  polynômiales  sont 
limitées à certaines formes de faible degré telles que les équations quadratiques, cubiques 
et  quartiques.  Pour  les  équations  polynômiales  entières  de  degré  supérieur  à  quatre,  il 
n’existe  guère  de  méthodes  exactes  de  résolution  et  l’on  doit  employer  des  méthodes 
numériques pour trouver les racines. 
De  plus,  les  méthodes  analytiques  limitées  aux  formes  polynômiales  simples  sont 
inutilisables pour les équations transcendantes telles que : 
cos 1 0 
Il  faudra  donc  recourir  aux  méthodes  numériques  qui  permettent  de  calculer  des  racines 
approchées avec une précision déterminée. 
Dans ce chapitre, nous présentons plusieurs techniques de résolution des équations non 
linéaires. Les méthodes proposées sont : la méthode de la bissection, de Newton‐Raphson et 
du point fixe.  

Définition : 
Une valeur de   solution de  0 est appelée une racine ou un zéro de la fonction . 

2. Méthode de la bissection 
Cette méthode est appelée aussi « dichotomie », elle repose sur un théorème important 
c’est le théorème des valeurs intermédiaires qui est à la base de l’étude de celle‐ci ainsi que 
des autres méthodes. 

Théorème 
Si   est une fonction continue sur l’intervalle  ,  et si on a  . 0 alors l’équation 
0 possède au moins une racine dans l’intervalle  , . 

2.1. Développement de la méthode 
On s’assure que si  . 0 sur l’intervalle  , , la racine est unique (c.à.d. que   
est monotone dans l’intervalle  , ). 

2
 
 On  partage  ,  en  2  intervalles,  ,  et  ,  tel  que  .  Si  . 0 cela 
implique que la racine ∈ ,  et si  . 0 cela implique qu’elle ∈ ,  (si  0, 
 serait la racine exacte). Le domaine gardé sera à son tour partagé jusqu’à arriver à un petit 
domaine  selon  une  précision  donnée  dont  sa  moitié  sera  considérée  comme  racine 
approchée de l’équation  0. 
Exemple  1 :  Calculer  la  racine  de  l’équation  1 0 dans  l’intervalle  1,2  
avec la précision eps=0.001 

Solution : 
La fonction   est un polynôme donc continue sur  1,2 . 

1 1, 2 61 ⇒ 1 . 2 0 ,  donc  d’après  le  théorème  des  valeurs 

intermédiaires, il existe au moins une racine  ∈ 1,2  tel que  0. 

De  plus  6 1 ∀ ∈ 1,2 0 ⇒ ↗ (  est  monotone),  on  déduit 

alors  que  la  racine  de   dans  1,2  est  unique.  On  cherche  maintenant  à  calculer  une 
approximation de cette racine. 

          
1  1.0000  2.0000  1.5000  0.5000 8.8906
2  1.0000  1.5000  1.2500  0.2500 1.5647
3  1.0000  1.2500  1.1250  0.1250 ‐0.0977
4  1.1250  1.2500  1.1875  0.0625 0.6167
       
⋮ 
 
10  1.1300  1.1348  1.1338  0.001 0.0096

La racine approchée est  1.1338 obtenue après 10 itérations. 
Exemple 2 : Résoudre l’équation  cos  dans l’intervalle  0.5,0.5  avec eps=0.0003. 

Solution : 

0 
2
On remarque que  cos 0 0. 
Donc,  0 est la racine exacte de la fonction dans l’intervalle  0.5,0.5 . 

2.2. Algorithme de la méthode 
Pas 1 :  ⟵ ⁄2  
Pas 2 : Si   ,   est considérée racine approchée (stop). 
Pas 3 : Si  0,   est considérée racine exacte (stop). 
3
 
Pas 4 : Si  . 0      Alors    ⟵  
Sinon       ⟵  
Pas 5 : Retour au pas 1. 

2.3. Convergence et estimation de l’erreur 
 On démontre que la méthode de la bissection est convergente (vers la solution unique 
de l’équation  0 dans l’intervalle  , ). 
 On  cherche  à  déterminer  l’erreur  maximale  commise  en  utilisant  la  méthode  de  la 
bissection dans l’intervalle  , .  
 
 
a  b
c
    Intervalle initial 
a  1  b1
 
Pour  1 : la longueur du premier intervalle  , ,  est  . 
Pour  2 : la longueur du deuxième intervalle  ,  est  . 
Pour  3 : la longueur du troisième intervalle  ,  est  . 
Pour  4 : la longueur du quatrième intervalle  ,  est  . 
⋮ 
è
Pour  : la longueur du   (dernier) intervalle  ,  est  . 
 
 
Cn α
     
  an  bn
 
 
La racine approchée est  . Si on désigne par   la solution exacte, alors on a : 

| |  
2 2
donc, l’erreur | |   (1) 
 La  relation  (1)  permet  aussi  de  calculer  à  l’avance  le  nombre  max  d’itérations 
nécessaires. 

  (2)   (  ne dépend pas de  ) 

Comme exemple : Si l’intervalle est  1,2  et  10   alors   9.93 

On  prend  10.  Il  est  important  de  remarquer  que  le  nombre  d’itérations  nécessaire 
donné  par  la  formule  ci‐dessus  est,  dans  plusieurs  cas,  une  surestimation  du  nombre  réel 

4
 
d’itérations nécessaire (pour le calcul on peut se contenter de  9 tout en ayant atteint la 
précision voulue). 

3. Méthode de Newton‐Raphson 
Soit   la racine exacte de l’équation  0. Si  est continue et continûment dérivable 
au voisinage de  , alors le développement en série de Taylor autour de   (  étant la valeur 
initiale) s’écrit : 

⋯ 
1! 2! 3!

Donc on peut écrire : 
 
Posons   on trouve : 
0 

⇒  

En ignorant   on obtient une nouvelle approximation  (meilleure que  ). 

On considère maintenant le développement en série de Taylor autour de  . 
De la même manière que précédemment on trouve une nouvelle valeur   tel que : 

Ainsi on obtient la relation récursive suivante : 
donné
 

 
 
 
 
 
 
 
 
5
 
 3.1. Interprétation graphique de la méthode 

 

 

   
 
 

Figure 1.1. Méthode de Newton‐Raphson 

 représente la dérivée : 

0
 

Exemple : Trouver par la méthode de Newton‐Raphson la valeur approximative de la racine 
de  2 0 à partir de  1 pour une précision  10  
Solution : 
2 0 ⇒  5 1 
En appliquant la formule de Newton‐Raphson, nous obtenons : 
2
 
5 1
Alors en partant de  1, on obtient les itérations illustrées dans le tableau suivant : 

 
6
 
    
0  ‐1.000000 
1  ‐1.500000 
2  ‐1.331620 
3  ‐1.273516 
4  ‐1.267237 
5  ‐1.267168 
6  ‐1.267168 

| | | |  donc  la  racine  approchée  de  l’équation  0  est 

≃ 1.267168. 

3.2. Algorithme de la méthode 
Pas 1 :  ⟵ 1 

Pas 2 :  ⟵  

Pas 3 : Si | |   Alors on arrête (  racine approchée) 

Sinon   Pas 4 :  ⟵ 1 
  Pas 5 : Retour au pas 2. 

3.3. Convergence et estimation de l’erreur 
Théorème 
On démontre que si   est définie sur l’intervalle  ,  tel que : 
1. . 0 
2. ∀ ∈ , 0 
3. ∀ ∈ , 0 
Alors  la  méthode  de  Newton‐Raphson  engendre  une  suite  qui  converge  vers  la  solution 
unique de  0, en partant de l’approximation   vérifiant : 
. 0. 
On  démontre  aussi  que  l’erreur  commise  en  utilisant  la  méthode  de  Newton‐Raphson 
comme outil de résolution s’écrit : 
| | , ∈ ,
| | avec  
2 | | , ∈ ,

7
 
 4. Méthode du point fixe 
Avant d’aborder la méthode du point fixe, il est important de définir ce que signifie un 
point fixe d’une fonction. 
Définition 
Soit  la  fonction   définie  dans  l’intervalle  , .  Tout  point  ∈ ,  tel  que :   
est dit point fixe de  . 
L’équation  0,  avec   continue  sur  ,  peut  être  mise  sous  la  forme   
tel que :  . 
Le choix d’une valeur initiale de la racine   permet d’avoir une première approximation   
tel  que :   puis  une  meilleure  approximation   tel  que :   ainsi  on 
obtient une suite définie par la relation récursive suivante :  

 

4.1. Exemple 
Soit à résoudre l’équation  2 0 à partir de la valeur initiale  1.2 
Solution : 
Il  est  possible  de  transformer  l’équation  précédente  en  plusieurs  formes   par 
exemple : 
a) 2 
1.200 
0.928 
0.273 
2.293 
16.349 

On remarque qu’on s’éloigne de la racine exacte  2 ⇒ Divergence. 

b) 2 5 /5  on obtient : 
1.2000 
1.2544 
1.2596 
1.2599 
1.2599 

On remarque qu’on s’approche rapidement de la racine exacte  2 ⇒ Convergence. 

8
 
De là on conclue que le choix de la forme   est capital dans la détermination de la 
convergence ou la divergence de la méthode du point fixe. 

4.2. Algorithme de la méthode 
Pas 1 :  ⟵ 1 
Pas 2 :  ⟵  
Pas 3 : Si | |   Alors on arrête (  racine approchée) 
Sinon   Pas 4 :  ⟵ 1 
  Pas 5 : Retour au pas 2. 

4.3. Etude de la convergence de la méthode 

Théorème 

On  démontre  que  si  : , → ,  possède  un  point  fixe  dans  l’intervalle  ,  et  si 
| | 1 ce point est unique. 

Exemple :  On  montre  que  la  fonction   possède  un  point  fixe  unique  dans 
l’intervalle  1,1 . 

Solution : 
Divisons l’intervalle en 2 parties :  1,0  et  0,1  
1 1 0∈ 1,1  
1
0 ∈ 1,1  
3
Et nous avons : 
1
∀ ∈ 1,0 ∶ ↘ ⇒ 0 1 0 
3
1
∀ ∈ 0,1 ∶ ↗ ⇒ 0 1 0 
3
Donc   : 1,1 → 1,1  

En plus | | 2 2 1  
3 3
On conclu que le point fixe est unique dans  1,1 . 

Théorème 

On  démontre  que  si  la  fonction  : , → ,  vérifie | | 1 ∀ ∈ , ,  alors 

la suite définie par la relation récursive suivante : 

9
 
  

est convergente et converge vers le point fixe unique de   dans  , . 

4.4. Estimation de l’erreur 
On démontre que l’erreur commise en utilisant la méthode du point fixe comme outil de 
résolution vérifie la relation :  
: la solution exacte
: la solution approchée
| | | | où | | . 
1
| |
 

10
 
 

Chapitre 2 

Résolution des systèmes d’équations linéaires (Méthodes 
directes) 
 

1. Introduction 

Dans  la  pratique,  l’ingénieur  se  trouve  souvent  confronté  à  des  problèmes  dont  la 
résolution  passe  par  celle  d’un  système  d’équations  qui  modélise  les  divers  éléments 
considérés.  Par  exemple,  la  détermination  des  courants  et  tensions  dans  des  réseaux 
électriques passe par la résolution d’un système d’équations linéaires ou non linéaires. 

Dans  ce  chapitre,  nous  allons  aborder  deux  principales  méthodes  de  résolution  des 
systèmes linéaires, à savoir la méthode d’élimination de Gauss et Gauss avec pivot. De façon 
générale,  la  résolution  d’un  système  d’équations  linéaires  consiste  à  trouver  un  vecteur 
…  (  dénotera  un  vecteur  colonne  et  l’indice  supérieur   
désignera sa transposée) solution de : 

⋯
⋯
 
⋮
⋯

On  peut  utiliser  la  notation  matricielle,  qui  est  beaucoup  plus  pratique  et  surtout  plus 
compacte. On écrit alors le système précédent sous la forme : 

où   est la matrice : 

…
…
 
⋮
…

et  … . Bien entendu, la matrice   et le vecteur   sont connus. Il 

reste à déterminer le vecteur  . 

11
 
 2. Méthode de Cramer (Rappel) 

C’est  certainement  la  méthode  la  plus  connue  de  résolution  des  systèmes  linéaires. 
Toutefois, nous allons voir que c’est la moins recommandable. 

2.1. Solution utilisant les déterminants 
  si le   | | 0 ⇒ le système possède une solution unique telle que : 
| | | | | |
, , … ,  
| | | | | |
La  matrice  est   est  obtenue  par  remplacement  de  la  colonne  i  de  la  matrice  A  par  le 
vecteur  . 

Remarque : Si  | | 0 ⇒ le nombre solutions est infini ou inexistant. 

2.2. Solution utilisant la matrice inverse   
Si  | | 0 ⇒ existe. 

. ⇒     (  est calculée par la méthode des cofacteurs). 

Remarque :  la  méthode  de  Cramer  exige  un  grand  nombre  d’opérations  de  calcul 
! 1 .  Si  n  est  élevé,  le  nombre  d’opérations  augmente  et  par  conséquent  le 
temps  de  calcul.  De  plus,  pour  les  moyens  et  grands  systèmes  l’erreur  cumulée  d’arrondi 
augmente  avec  le  nombre  d’opérations  et  altère  la  précision  des  résultats.  On  va  aborder 
d’autres méthodes qui nécessitent un nombre limité d’opérations de calcul, donc rapides et 
plus précises. 

3. Méthode de Gauss 
3.1. Introduction (principe) 
Cette  méthode  est  basée  sur  la  transformation  du  système  linéaire   en  un 
système équivalent   tel que la matrice   est une matrice triangulaire supérieure. 
La transformation de la matrice A en   et le vecteur b en   passe par plusieurs étapes que 
nous présentons à travers l’exemple suivant : 

Pour  une  meilleure  praticabilité,  on  forme  la  matrice   telle  que  ⋮  et  qu’on 
appelle matrice augmentée de A. 

Exemple : Soit à résoudre par Gauss le système linéaire suivant : 

12
 
 3 3 0 1 3 3 0  E1
2 2 2       2 2 0 2  E
  2
3 2 6 11  3 2 6 11 E3
 
Etape 1 : élimination de   de   et   
2 3
← , ←  
1 1
1 3 3 0  E1
 0 4 6 2  E  
  2
 0 7 3 11 E3

Etape 2 : élimination de   de   
7
←  
4

1 3 3 0  E1
 0 4 6 2  E2  

 0 0 15 2 15 2  E3

Par substitution inverse on obtient : 
15 15
⇒ 1 
2 2
4 6 2 ⇒ 2 
3 3 0 ⇒ 3 
Donc, la solution est : 
3
2 
1
3.2. Algorithme 
. :

; 1, 1 ; 1, ; 1, 1
 

. :

; , 1, … ,1

13
 
 4. Méthode de Gauss avec pivot 
Dans le processus d’élimination de la méthode de Gauss, on a supposé à chaque étape   
1, 1  que  l’élément  0,  mais  cette  supposition  n’est  pas  toujours  vraie.  Si 
0,  on  cherche  l’équation   parmi  celles  qui  suivent   où  l’élément  0 pour 
faire la permutation ( ↔ ) et ainsi avoir  0. 
Aussi, on remarque que la division  par de petites valeurs génère une grande erreur ce qui 
nous amène à choisir   le plus grand en valeur absolue, c.à.d: 
| | ;  
Après le choix de  , on poursuit normalement l’étape en cours selon Gauss. 
 
 

14
 
Université des Frères Mentouri Module : « Méthodes Numériques »

Semestre 4, ‘Sciences et Technologie’

Série de TD n° 1

Exercice 1 :

Soit l’équation suivante :

1. Montrer que cette équation possède une solution dans l’intervalle [1,2].

2. Est-ce-que cette solution est unique ?

3. Calculer une approximation de cette solution en utilisant la méthode de la bissection

avec une précision de .

Exercice 2 :

Utiliser la méthode de la bissection pour calculer une approximation de la solution de

l’équation : dans l’intervalle [ ] avec une précision .

Exercice 3 :

Soit l’équation suivante :

En utilisant la méthode de Newton-Raphson résoudre l’équation dans l’intervalle [ ] avec

la précision et .

Exercice 4 :

On veut évaluer √ en appliquant la méthode de Newton-Raphson.

1. Ecrire l’équation récurrente

2. On considère maintenant que et l’intervalle [ ].

a. Vérifier que la méthode de Newton-Raphson est convergente vers une solution

unique.

b. Donner les quatre premières itérations pour les deux cas : et .

Exercice 5 :

Soit l’équation suivante :

1. Montrer que cette équation possède une solution dans l’intervalle [0,1].

2. Trouver la fonction qui assure la convergence de la méthode du point fixe.

3. Calculer la solution approximative avec la précision et .

Exercice 6 :

On veut résoudre l’équation : par la méthode du point fixe dans l’intervalle

[ ].

1. Montrer que la fonction √ vérifie les conditions de convergence.

2. Calculer la solution approximative avec la précision et .

3. Comparer le nombre d’itérations obtenu avec celui de l’exercice 1. Que peut-on

conclure ?
Université des Frères Mentouri Module : « Méthodes Numériques »

Semestre 4, ‘Sciences et Technologie’

Solution du TD n° 1
Exercice 1 :
, [ ]
On pose ( )
1. L’existence de la solution dans l’intervalle [ ]:

[ ]} [ ] ( )
( ) ( ) ( ) ( )
2. L’unicité de la solution :
( ) [ ]
f est monotone la solution c est unique.
3. La bissection :
On applique maintenant la méthode de la bissection avec . On prendra 3 chiffres
après la virgule et le nombre d’itérations peut être calculé d’avance par la formule :

( )
1 1.000 2.000 1.500 0.500 +0.875
2 1.000 1.500 1.250 0.250 -0.297
3 1.250 1.500 1.375 0.125 +0.225
4 1.250 1.375 1.312 0.063 -0.054
5 1.312 1.375 1.343 0.032 +0.079
6 1.312 1.343 1.327 0.016 +0.010
7 1.312 1.327 1.319 0.008 -0.024

donc on arrête les calculs et la solution est

et on peut écrire .
Exercice 2 :
En utilisant la méthode de la bissection, on va calculer la solution approchée de l’équation :
( ) ̀ [ ]
[ ]
} [ ] ( )
( ) ( ) ( ) ( )
De plus, ( ) ( ) [ ]
f est monotone la solution c est unique.
La méthode de la bissection :
On prendra 4 chiffres après la virgule et le nombre d’itérations est :

( )
1 0.0000 1.0000 0.5000 0.5000 +0.1756
2 0.5000 1.0000 0.7500 0.2500 -0.5877
3 0.5000 0.7500 0.6250 0.1250 -0.1676
4 0.5000 0.6250 0.5625 0.0625 +0.0128
5 0.5625 0.6250 0.5937 0.0313 -0.0750
6 0.5625 0.5937 0.5781 0.0156 -0.0305
7 0.5625 0.5781 0.5703 0.0078 -0.0087
8 0.5625 0.5703 0.5664 0.0039 +0.0020
9 0.5664 0.5703 0.5683 0.0020 -0.0032
10 0.5664 0.5683 0.5673 0.0010 +0.0004

donc on arrête les calculs et la solution

est et on peut écrire .
Exercice 3 :

( ) , * +

Etude de la convergence :

La fonction f est définie sur l’intervalle * + tel que :

a)

( )
} ( ) ( )
( )
b)
( )
( ) impossible de résoudre puisque [ ]
donc

( ) * +
c)
 ( ) * +

La fonction f vérifie les 3 conditions, alors la méthode de Newton-Raphson est convergente

vers une solution unique.
La formule récursive est :
( ) ( )
( ) ( )

0 —

1 0.967120 0.181722
2 0.964335 0.002785
3 0.964334 0.000001

la solution approchée est : .

Exercice 4 :
1. L’équation récursive :

√
On pose : ( )
( )
( )
2. et l’intervalle est [ ]
a) La convergence de la méthode de Newton-Raphson :
Pour on aura ( )
La fonction f est définie sur l’intervalle [ ] tel que :
( )
 } ( ) ( )
( )
 ( ) [ ] donc ( ) [ ]
 ( ) .
Les conditions de convergence sont vérifiées donc la méthode de Newton-Raphson converge
vers une solution unique [ ].
b) Le calcul des 4 premières itérations :
L’équation récursive est :
Pour Pour

0 1.0000 0 3.0000
1 4.0000 1 2.6667
2 2.8750 2 2.6458
3 2.6549 3 2.6457
4 2.6458 4 2.6457

Exercice 5 :
( )

1. L’existence d’une solution dans l’intervalle [ ]:

[ ]
} [ ] ( )
( ) ( ) ( ) ( )
De plus, ( ) ( ) [ ]
f est monotone la solution c est unique.
2. La fonction g(x) qui assure la convergence de la méthode du point fixe :
( )
On pose : ( )
On va vérifier les conditions qui assurent la convergence de la méthode du point fixe.
a) [ ] [ ]
La fonction ( ) est continue sur [ ]

* +

* + [ ]

Comme [ ] * + [ ] [ ]
b) | ( )| [ ]

̀ {| ( )|} [ ]

( ) | ( )| car [ ]
( ) [ ] c.à.d. ( ) et elle atteint donc son Max
en .
 ( ) ( )
Les conditions a) et b) sont vérifiées donc la méthode du point fixe converge.
La suite est définie par la formule récursive suivante :
( ) ( )

3. Calcul de la solution approximative :

0 0.500 —

1 0.878 0.378

2 0.639 0.239

3 0.803 0.164

4 0.694 0.109

5 0.769 0.075

6 0.719 0.050

7 0.752 0.033

8 0.730 0.022

9 0.745 0.015

10 0.735 0.010

La solution approchée est : .

Exercice 6 :
( ) , [ ]
1. Vérification des conditions de convergence :
( ) √( )
On a deux conditions à vérifier :
a. [ ] [ ]
La fonction g(x) est continue sur l’intervalle [ ]
 ( ) [ ]
√( ) [ ] ( )
( ) [ ] [ ] [ ]
( ) [ ] }
b. | ( )| [ ]

( ) | ( )|
√( ) √( )

[ ] [ ]
√( ) √( )
( ) ( ) ( )
( ) ( )
Les conditions a) et b) sont vérifiées donc la méthode du point fixe converge.
La suite est définie par la formule récursive suivante :

( ) √

2. Calcul de la solution approximative :

0 1.500 —

1 1.357 0.143

2 1.331 0.019

3 1.326 0.005

La solution approchée est .

3. Comparaison et conclusion :
Le nombre d’itérations obtenu par la méthode du point fixe (n=3) est inférieur à celui
obtenu par la méthode de la bissection (n=7).
On conclue que la méthode du point fixe converge plus rapidement que celle de la
bissection.
Université des Frères Mentouri Module : « Méthodes Numériques »
‘Sciences et Technologie’ Semestre 4

TD n° 2
Exercice 1 :
Résoudre le système d’équations suivant en utilisant la méthode Gauss.
4𝑥1 + 𝑥2 + 2𝑥3 = 9
{2𝑥1 + 4𝑥2 − 𝑥3 = −5
𝑥1 + 𝑥2 − 3𝑥3 = −9

Exercice 2 :
En utilisant la méthode de Gauss, calculer le déterminant de WANDERMONDE de degré 3
suivant :

1 𝛼1 𝛼1 2
𝑊 = [ 1 𝛼2 𝛼2 2 ]
1 𝛼3 𝛼3 2

Exercice 3 : Soit le système d’équations suivant:

0.0003𝑥1 + 3.0000𝑥2 = 2.0001

{
1.0000𝑥1 + 1.0000𝑥2 = 1.0000

1. Résoudre le système en utilisant la méthode de Gauss.

2. Résoudre le système en utilisant la méthode de Gauss avec pivot.
3. Sachant que la solution exacte du système est (𝑥1 , 𝑥2 ) = (1⁄3 , 2⁄3), que peut-on
conclure à partir des deux résultats précédents ?

Exercice 4 :
Soit les deux matrices suivantes :

2 1 1 1 2 1
𝐴 = [1 2 1], 𝐵 = [2 1 −1]
1 1 3 3 −1 −1

1. Calculer le déterminant de A et B par la méthode de Gauss.

2. Déduire le déterminant de 𝐴−1 , 𝐵 −1 et (𝐴. 𝐵)−1.
 Solution du TD n° 2
Exercice 1 :
Résolution du système d’équations par la méthode de Gauss
On écrit le système sous la forme matricielle suivante :
4 1 2 𝑥1 9
⃗ ⃗⃗ ⃗ 𝑥
𝐴. 𝑋 = 𝐵 avec 𝐴 = [2 4 −1] , 𝑋 = [ 2 ] et 𝐵 = [−5] ⃗⃗
1 1 −3 𝑥3 −9
On forme la matrice augmentée 𝐴̃ définie par :

 4 1 2 9  E1
𝐴̃ =  2 4 1 5 E2
 
1 1 3 9 E3

Etape 1 : Annulation des éléments sous-diagonaux de la première colonne en utilisant la

ligne 𝐸1
1
𝐸2 ← 𝐸2 − 𝐸1
2
1
𝐸3 ← 𝐸3 − 4 𝐸1

4 1 2 9  E1
𝐴̃(1) = 0 7 2 2 19 2  E2

 
0 3 4 7 2  45 4  E3

Etape 2 : Annulation des éléments sous-diagonaux de la seconde colonne en utilisant la ligne

𝐸2
3
𝐸3 ← 𝐸3 − 𝐸
14 2
4 1 2 9  E1
̃ (2)
𝐴 
= 0 72 2 19 2  E2

0 0 43 14 129 14  E3

La résolution du système à matrice triangulaire supérieur résultant donne

43 129
− 𝑥3 = − ⇒ 𝑥3 = 3
14 14
7 19
𝑥2 − 2𝑥3 = − ⇒ 𝑥2 = −1
2 2
4𝑥1 + 𝑥2 + 2𝑥3 = 9 ⇒ 𝑥1 = 1
Donc, la solution est :
1
𝑋⃗ = [−1].
3
Exercice 2 :
Calcul du déterminant de la matrice de VANDERMONDE :
1 𝛼1 𝛼1 2 𝐸1
𝑉 = [1 𝛼2 𝛼2 2 ] 𝐸2 , avec les 𝛼𝑖 (𝑖 = 1, … 3) sont deux à deux distincts.
1 𝛼3 𝛼3 2 𝐸3
Etape 1 : Annulation des éléments sous-diagonaux de la première colonne en utilisant la
ligne 𝐸1
𝐸2 ← 𝐸2 − 𝐸1
𝐸3 ← 𝐸3 − 𝐸1
1 𝛼1 𝛼1 2 𝐸1
𝑉 (1) = [0 𝛼2 − 𝛼1 𝛼2 2 − 𝛼1 2 ] 𝐸2
0 𝛼3 − 𝛼1 𝛼3 2 − 𝛼1 2 𝐸3
Etape 2 : Annulation des éléments sous-diagonaux de la seconde colonne en utilisant la ligne
𝐸2
𝛼3 − 𝛼1
𝐸3 ← 𝐸3 − 𝐸
𝛼2 − 𝛼1 2
1 𝛼1 𝛼1 2 𝐸1
𝑉 (2) = [0 𝛼2 − 𝛼1 𝛼2 2 − 𝛼1 2 ] 𝐸2
0 0 (𝛼3 − 𝛼1 )(𝛼3 − 𝛼2 ) 𝐸3
Le déterminant d’une matrice triangulaire est le produit de ses éléments diagonaux, donc :
det(𝑉) = det(𝑉 (2) ) = (𝛼3 − 𝛼2 )(𝛼3 − 𝛼1 )(𝛼2 − 𝛼1 ).

Exercice 3 :
1. Résolution du système par la méthode de Gauss :
On écrit le système sous la forme matricielle suivante :
𝑥
⃗⃗ , avec 𝐴 = [0.0003 3.0000] , 𝑋⃗ = [ 1 ] et 𝐵
𝐴. 𝑋⃗ = 𝐵 ⃗⃗ = [2.0001]
1.0000 1.0000 𝑥2 1.0000
On forme la matrice augmentée 𝐴̃ :
0.0003 3.0000 2.0001 𝐸1
𝐴̃ = [ ]
1.0000 1.0000 1.0000 𝐸2
L’annulation des éléments sous-diagonaux de la première colonne en utilisant la ligne 𝐸1 :
𝐸2 ← 𝐸2 − 3333.3333𝐸1
0.0003 3.0000 2.0001 𝐸
𝐴̃(1) = [ ] 1
0 −9998.9999 −6665.9999 𝐸2
La résolution du système à matrice triangulaire supérieur résultant donne :
−9998.9999𝑥2 = −6665.9999 ⇒ 𝑥2 = 0.6667
0.0003𝑥1 + 3.0000𝑥2 = 2.0001 ⇒ 𝑥1 = 0.0000
Donc, la solution est :
0.0000
𝑋⃗ = [ ]
0.6667
2. Résolution du système par la méthode de Gauss avec pivot :
0.0003 3.0000 2.0001 𝐸1
𝐴̃ = [ ]
1.0000 1.0000 1.0000 𝐸2
Choisissons dans la première colonne l’élément le plus grand en valeur absolue. Le pivot est
donc 1.0000. Alors on effectue une permutation entre les lignes 1 et 2, ceci donne :
1.0000 1.0000 1.0000 𝐸1
𝐴̃ = [ ]
0.0003 3.0000 2.0001 𝐸2
L’annulation des éléments sous-diagonaux de la première colonne en utilisant la ligne 𝐸1
donne :
𝐸2 ← 𝐸2 − 0.0003𝐸1
1.0000 1.0000 1.0000 𝐸1
𝐴̃ = [ ]
0 2.9997 1.9998 𝐸2
La résolution du système à matrice triangulaire supérieur résultant donne :
2.9997𝑥2 = 1.9998 ⇒ 𝑥2 = 0.6667
1.0000𝑥1 + 1.0000𝑥2 = 1.0000 ⇒ 𝑥1 = 0.3333
Donc, la solution est :
0.3333
𝑋⃗ = [ ]
0.6667
3. Conclusion :
On remarque à partir des deux résultats précédents que la méthode de Gauss avec pivot
donne une solution plus proche de la solution exacte. On conclue que la méthode de Gauss
avec pivot permet de minimiser les erreurs de calcul (cumuls d’erreurs d’arrondis).

Exercice 4 :
1. Calcul du déterminant des matrices A et B par la méthode de Gauss :
2 1 1 𝐸1
𝐴 = [1 2 1] 𝐸2
1 1 3 𝐸3
Etape 1 : Annulation des éléments sous-diagonaux de la première colonne en utilisant la
ligne 𝐸1
1
𝐸2 ← 𝐸2 − 𝐸1
2
1
𝐸3 ← 𝐸3 − 𝐸1
2
 2 1 1 𝐸
3 1⁄ 1
𝐴̃(1) = [0 ⁄2 2] 𝐸2
0 1⁄2 5⁄ 𝐸3
2
Etape 2 : Annulation des éléments sous-diagonaux de la deuxième colonne en utilisant la
ligne 𝐸2
1
𝐸3 ← 𝐸3 − 𝐸2
3
2 1 1 𝐸
3 1
1⁄
𝐴̃(2) = [0 ⁄2 2] 𝐸2
0 0 7⁄ 𝐸3
3

Le déterminant d’une matrice triangulaire est le produit de ses éléments diagonaux, donc :
3 7
det(𝐴) = det(𝐴̃(1) ) = det(𝐴̃(2) ) = 2 ∗ ∗ = 7
2 3
1 2 1 𝐸1
𝐵 = [2 1 −1] 𝐸2
3 −1 −1 𝐸3
Etape 1 : Annulation des éléments sous-diagonaux de la première colonne en utilisant la
ligne 𝐸1
𝐸2 ← 𝐸2 − 2𝐸1
𝐸3 ← 𝐸3 − 3𝐸1
1 2 1 𝐸1
𝐵̃ (1) = [0 −3 −3] 𝐸2
0 −7 −4 𝐸3
Etape 2 : Annulation des éléments sous-diagonaux de la deuxième colonne en utilisant la
ligne 𝐸2
7
𝐸3 ← 𝐸3 − 𝐸2
3
1 2 1 𝐸1
̃ (2)
𝐵 = [0 −3 −3] 𝐸2
0 0 3 𝐸3
Le déterminant d’une matrice triangulaire est le produit de ses éléments diagonaux, donc :
det(𝐵) = det(𝐵̃ (1) ) = det(𝐵̃ (2) ) = 1 ∗ (−3) ∗ 3 = −9
2. Déterminants de 𝑨−𝟏 , 𝑩−𝟏 et (𝑨. 𝑩)−𝟏
𝐝𝐞𝐭(𝑨−𝟏 ) = ?
On a : 𝐴. 𝐴−1 = 𝐼 ⇒ det(𝐴. 𝐴−1 ) = det(𝐼) ⇒ det(𝐴) ∗ det(𝐴−1 ) = det(𝐼) ⇒ det(𝐴−1 ) =
det(𝐼)
det(𝐴)
 1 1
Nous avons det(𝐼) = 1donc det(𝐴−1 ) = det(𝐴) = 7

𝐝𝐞𝐭(𝑩−𝟏 ) = ?
1 1
det(𝐵 −1 ) = =−
det(𝐵) 9
𝐝𝐞𝐭(𝑨. 𝑩)−𝟏 = ?
(𝐴. 𝐵)−1 = 𝐵 −1 . 𝐴−1
1 1 1
det(𝐴. 𝐵)−1 = 𝑑𝑒𝑡(𝐵 −1 . 𝐴−1 ) = det(𝐵−1 ) . det(𝐴−1 ) = (− ) ∗ = − .
9 7 63