Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohamed Seddik Benyahia -Jijel

Faculté des Sciences et de la Technologie
Département de génie des procédés

Par D.AZZOUZA Asma

Chapitre I • Résolution des équations non-linéaires f (x)=0

Chapitre II • Interpolation polynomiale

Chapitre III • Intégration numérique

• Résolution numérique des équations

Chapitre IV différentielles linéaire
• Méthode de résolution direct d’un système
Chapitre V d’équation différentielle
• Méthode de résolution approximation des
Chapitre VI systèmes d’équations linéaires
Séparation des racines d’une équation

Nous désirons trouver une ou plusieurs solutions à l’équati

on de la forme:
f (x) = 0 (1)

Tel que la fonction f (x) est définie dans l’intervalle [a,b]

Séparation des racines d’une équation

Nous pouvons séparer les racines d’une équation par deux

méthodes différentes:
I.1. Méthode graphique
Dans ce cas les racines f (x) = 0 représentent les points
d’intersections du graphe de f (x) avec l’axe x'ox donc, il suffit
de tracer le graphe de f (x)et de déterminer les points
d’intersections.
Ceci fait nous aurons les intervalles d’où la séparation des
racines.
Séparation des racines d’une équation

Dans le cas où ‘ f (x) ’ est compliquée, il faut transformer

l’équation f (x) = 0 par une équation équivalente g(x) = h(x)
avec ‘ g(x) ’ et ‘ h(x)’ deux fonctions plus simples. Les
points d’intersections des graphes de ‘ g(x) ’ et de ‘ h(x)’
sont alors recherchés.
Séparation des racines d’une équation

Exemple

Trouver par la méthode graphique les racines de l’équation : f (x )= x 3 -3x + 1

Solution

Nous traçons le graphe de:

f (x )= x 3 -3x + 1

Nous avons 3 intersections

donc : 3 solutions et 3 intervalles.
Séparation des racines d’une équation

Pour notre exemple on aurait pu transformer

f (x) = 0 en deux fonctions plus simples.

En effet f (x) = x3- 3x +1 = 0 donc x3 = 3x -1

avec : g(x) = x3 et h(x) = 3x -1

d’où le graphe et les solutions qui

correspondent aux intersections des deux
courbes :
Séparation des racines d’une équation

I.2. Méthode algébrique

la méthode de la séparation des racines en utilisant le Théorème des
valeurs intermédiaires
Définition :
•Si f est continue dans [a,b] et f (a).f (b) < 0 alors ∃ α ∈ ]a,b[
tel que f (α) = 0

•Si de plus f (x) est monotone (strictement croissante ou

strictement décroissante) dans [a, b] alors α est unique dans
[a,b]
Séparation des racines d’une équation

Exemple

Séparons les racines de l’équation : f (x )= x -3x + 1 dans l’intervalle [-3,3].

3

Solution

f (x)= x3 - 3x + 1= 0 est une fonction polynomiale donc elle est continue

dans [-3,3].

f (-3) = -17 < 0, f (3) = 19 > 0 donc f (-3).f (3) < 0 aussi,

d’après le théorème des valeurs intermédiaires, il existe au moins une

racine α de f (x) = 0 dans [-3 ,3].
Séparation des racines d’une équation

Pour étudier l’unicité de la racine α étudions la monotonie de celle-ci :

3

a1 unique dans [- 3, -1]car F(x)est monotone et F(- 3).F(-1) < 0

a2 unique dans [-1, 1]car F(x) est monotone et F(-1).F(1) < 0
a3 unique dans [1, 3]car F(x)est monotone et F(1).F(3) < 0
d’où la séparation des racines.
Méthode de la Dichotomie (Bissection)

II. Méthode de la Dichotomie (bissection)

La méthode de la bissection est basée sur le résultat d’analyse
mathématique suivant (Théorème des Valeurs Intermédiaires).

➢f (x) est continue sur un intervalle [a, b]

➢f (a). f (b) < 0

D’après a et b, il existe au moins une valeur a ∈ [a, b] tel que f (a) = 0

De plus, si f(x) est monotone sur l’intervalle [a, b] sur l’intervalle[a, b]),
alors la racine a est unique sur [a, b].
Méthode de la Dichotomie (Bissection)

Problème : Nous ne connaissons pas la valeur exacte de a .

Pour cela, nous faisons appel à la méthode de la Dichotomie.

Principe de la méthode :

➢Nous construisons les suites (an)n  N , ( bn) nN de la manière suivante sur
l’intervalle I = [a, b].
a+b
➢Nous posons a0 = a, b0 = b, x 0=
2
➢étape1- Si f (x0) = 0 donc a = x0

➢étape2- Si f (x0)  0, nous vérifions le théorème des valeurs intermédiaires sur

le domaine [ a, x0]
Méthode de la Dichotomie (Bissection)

❖ Si f (a).f (x0) < 0 donc a  ]a, x0[

a1 + b1
❖Nous posons alors a1 = a0= a, b1 = x0, x1= , on revient à l’étape 1.
2

❖Sinon f (a).f (x0) > 0 donc a  ]x0,b[

a1 + b1
❖Nous posons alors a1 = x0= a, b1 = b0, x1=
2
Méthode de la Dichotomie (Bissection)

De proche en proche, Nous construisons les suites (an)n N , (bn) n N et(xn) nN

A (n-1), nous faisons les testes :

➢étape1- Si f (xn-1) = 0 donc a = xn-1

➢étape2- Si f (x0)  0, nous vérifions le théorème des valeurs intermédiaires

sur le domaine [ an-1, xn-1]
❖ Si f (an-1).f (xn-1) < 0 donc a  ]an-1, xn-1 [
a n + bn
❖Nous posons alors an = an-1, bn = xn-1, x n= , on revient à l’étape 1.
2

❖Sinon f (an-1).f (xn-1) > 0 donc a  ]xn-1,bn-1 [

❖Nous posons alors an = xn-1, bn = bn-1,xn= a n + bn

2
Méthode de la Dichotomie (Bissection)

Précision de l’approximation :
Pour approcher la racine a avec une précision inférieure à e en utilisant la
méthode de la bissection, il faut que :

 b0 − a 0 
ln 

 e  -1
D’où n
ln (2 )
a+b
Si nous commençons les itérations à partir de x0=
2
Méthode de la Dichotomie (Bissection)

Exemple

On considère la fonction F(x) = x2ex -1 = 0

1- Trouver un intervalle I = [a,b] de longueur 1 contenant la

racine a de F(x)

2- Après avoir vérifié l’applicabilité de la méthode de

Dichotomie sur cet intervalle, calculer les cinq premiers itérés.

3- Calculer le nombre d’itération qu’il faut pour avoir la solution

avec une précision e = 10-4
Méthode de la Dichotomie (Bissection)

Solution

1- Domaine de définition de F(x) = x2ex -1 = 0 est R=]−∞,+∞[

Tracé de la fonction F(x) = x2ex -1

D’après le graphe de F(x) nous
remarquons que cette fonction passe
par l’axe des x à un point
appartenant à l’intervalle I = [0,1].
Méthode de la Dichotomie (Bissection)

2- Sur l’intervalle I = [0,1], la fonction F(x) = x2ex -1 est définie,

continue et monotone.

De plus F(0) = -1 et F(1) = 1.7183 . Nous pouvons appliquer la

méthode de la dichotomie sur cette intervalle.

Application de la méthode de Dichotomie :

Nous allons construire les suites ((an)nN , ( bn) nN et ( xn) nN )
Méthode de la Dichotomie (Bissection)

2- Sur l’intervalle I = [0,1], la fonction F(x) = x2ex -1 est définie,

continue et monotone.

De plus F(0) = -1 et F(1) = 1.7183 . Nous pouvons appliquer la

méthode de la dichotomie sur cette intervalle.

Application de la méthode de Dichotomie :

0 +1
Etape 0: a0 = 0, b0 = 1, x 0= = 0.5 , F(0.5) = -0.5878 < 0
2
donc a  [0.5 1]
Méthode de la Dichotomie (Bissection)
0.5 + 1 , F(0.75) = 0.1908 > 0
x1= = 0.75
2
donc a  [0.5, 0.75]
0.5 + 0.75
x 2= = 0.625 , F(0.625) = -0.2702 < 0
2
donc a  [0.625, 0.75]
0.625 + 0.75
x3= = 0.6875 , F(0.6875) = -0.0600 < 0
2
donc a  [0.6875, 0.75]
0.6875 + 0.75
x 4= = 0.71875 , F(0.71875) = 0.0600 > 0
2
donc a  [0.6875, 0.71875]
0.6875 + 0.71875
x5= = 0.703125, F(0.703125) = -0.0013 < 0
2
Méthode de la Dichotomie (Bissection)

Et ainsi de suite jusqu’à ce que nous atteignons la racine avec une précision donnée.

3-Pour calculer le nombre d’itérations nécessaire pour avoir la solution avec une
précision e donnée, nous utilisons la formule :
 b0 − a 0 
ln  

 e  -1
n
ln (2)

Dans le cas de cet exemple. Si nous fixons e = 10-4 , nous obtenons

 1 
ln 
 10 - 4  4ln (10 )
n - 1, n -1, n  12.2877 , n = 13
ln (2 ) ln (2 )
Il faut effectuer 13 itérations en utilisant la méthode de Dichotomie pour avoir la
racine avec une précision e = 10-4
Méthode de Point fixe ou (Approximations Successives)

III. Méthode de Point fixe ou (Approximations Successives)

Question :

Quelles conditions doit vérifier g(x) pour que ce point fixe existe et qu’il soit unique ?
I. g(x)[a, b]  x [a, b] (on dit que l’intervalle [a, b] est stable par g(x) ). Si
on écrit I = [a, b] alors g(I )  I

II.  k  R , 0 < k < 1 tel que g’(x)  k < 1, k=max g '(x). On dit que g(x)
est strictement contracte.

Alors g(x) admet un point fixe unique dans I = [a, b] et la suite récurrente :
 x0  [a ,b] converge vers le point fixe a

 x n +1 = g (x n )
Méthode de Point fixe

On construit la suite tel que:

• x1= g(x0)
• x2= g(x1)
• x3= g(x2)
°
°
• xi= g(xi-1)
• xi+1= g(xi)
 Méthode de Point fixe

Estimation de l’erreur

Le nombre minimum d’itérations pour que la solution soit

approchée avec une précision e est : x n − a  e
kn
Sachant que x n − a  x1 − x0
1− k

Donc
 (1 − k )e 
ln 
 x −x 
n  1 0  , k = max g' (x )
ln (k ) I
Méthode de Point fixe

Exemple
Ecrire un processus itératif (xn) nN du point fixe définie par la
fonction d’itération suivante :
g (x )= x + (
1 −x
4
e − x2 )
a- Montrer que la méthode du point fixe converge vers la
solution a dans l’intervalle I = [0,1].

b- Déterminer le nombre d’itérations nécessaires pour calculer

une solution approché avec une précision e = 10-10.

c- Calculer les cinq premières itérations.

 Méthode de Point fixe

Solution

Soit xn la nième itération de la méthode du point fixe définie par :

 x0 donné

n n
4
(
 x = g ( x ) = x + 1 e − xn − x 2
 n +1 n )
a-La convergence de la méthode du point fixe :
Il faut prouver les deux points suivants :
I. Stabilité g(I )  I
On a g '(x) > 0  x I 0 < g(0)=1/4 < g(x) < g(1)=1

II. On a g’(x)< 1  x I
Comme g''(x) < 0  x I d’ou max g '(x)= g '(0)=0.75 < 1.

D’après I et II La méthode du point fixe converge vers la solution sur l’intervalle I

Méthode de Point fixe

b- Nombre d’itération du point fixe pour calculer la solution approchée avec

une précision e = 10-10
kn
, k = max g' (x ) =  1
3
En utilisant l’estimation suivante : x n − a  x1 − x 0
1− k I 4

Si on prend  x0 = 0

 1 0
4
( )
 x = g (x ) = 0 + 1 e 0 − 0 = 1
4

 3 
Sachant que  1 − 10^ −10 
ln 
4 
 (1 − k )e  1 
ln   
 x −x 
n  1 0 , donc n   4  = 80.22 n = 81 itérations
ln (k ) 3
ln 
4
Méthode de Point fixe

c- Calcule les cinq premières itérations:

Si on prend x0 = 0

x1 = g (x 0 ) = 0 + (
1 0
4
) 1
e − 0 = = 0.25
4
1 1  − 4 1 
1
x2 = g (x1 ) = + e − = 0.3822
4 4  4

x3 (1
4
)
= g (x 2 ) = 0.3822 + e −0.3822 − 0.3822 = 0.4572

x4 (1
4
)
= g (x3 ) = 0.4572 + e −0.4572 − 0.4572 = 0.5012

x5 (1
4
)
= g (x 4 ) = 0.5012 + e −0.5012 − 0.5012 = 0.5274
 Méthode de Newton-Raphson

IV. Méthode de Newton-Raphson

IV.1. Interprétation géométrique
L’idée est de remplacer l’arc de la courbe représentatif de la fonction F(x) par
sa tangente au point x0.
L’équation de la tangente au point x0 est donnée par :

y = F' (x0 )(x − x0 ) + F (x0 )

L’abscisse x1 du point d’intersection de cette

tangente avec l’axe ox est donnée par :
F (x0 )
F' (x0 )(x1 − x0 ) + F (x0 ) = 0  x1 = x0 −
F' ( x 0 )

x1 est une meilleure approximation de a que x0.

 Méthode de Newton-Raphson
Théorème de Newton-Raphson :
Soit F(x) une fonction définie sur l’intervalle [a, b], telle que :

1- F (a ).F (b) < 0 Il existe a ]a,b[ tel que F (a )= 0

2- F '' (x)  0 (monotone sur [a,b])
3- F '' (x) garde un signe constant sur l’intervalle [a, b] ( F '' (x) < 0 où F '' (x) > 0 )
4-Partant d’un point x0 qui satisfait l’inégalité
F (x0 ).F ''(x0) < 0 (vérifié par un certain choix de x0  [a, b])
Si les conditions annoncées, ci-dessus, sont satisfaites, alors le processus de Newton:
 x 0 choisi

 x = g (x ) = x − F (x n )
 n +1 F' ( x n )
n n

Converge pour ce choix de x0 vers l’unique solution a de F (x)

Méthode de Newton-Raphson

Exemple

Soit la fonction : F (x )= e x − 4cos(x )

1- Séparer graphiquement les racines de F(x) et déduire le nombre

de racines.

2- Chercher à une précision e = 10-5 près, une racine de F(x) par la

méthode de newton
  
dans l’intervalle I=  ,  , en prenant x 0 = et tester x n +1 − x n  10 −5
4 2 2
Méthode de Newton-Raphson

Solution

La fonction F (x )= e x − 4cos(x ) est donnée dans le graphe

suivant

Figure 1 :F (x )= e x − 4cos(x ) en fonction de x pour x variant entre [-100,10]

Méthode de Newton-Raphson

Sur la Figure 1, nous remarquerons que F (x )= e x − 4cos(x ) admet une infinité

de racines et parmi toutes ces racines, il existe une seule racine positive
(Figure 2)

  
Figure 2 :F (x )= e x − 4cos(x ) en fonction de x pour x variant entre − , 
 2 2
 Méthode de Newton-Raphson

2- Résolution par la méthode de Newton :

   
Nous avons I=  ,  et a   , 
4 2 4 2
  
Vérification du théorème de Newton sur l’intervalle I= 4 , 2
 

  4   
F  = e − 4cos  = -0.63514  0
4 4        
1-   F    F    0  a   , 
  2    4 2 4 2
F  = e − 4cos  = 4.8104  0 
2 2 
  
2- x   ,  , F' (x ) = e x + 4sin (x )  0
4 2
 
3- x   ,  , F' ' (x ) = e x + 4cos(x )  0
4 2
Le théorème de Newton est vérifié.
 Méthode de Newton-Raphson

 
En partant x 0= 
2

  2   
F  = e − 4cos  = 4.8104  0 
2 2     
  F    F"  0
  2    2 2
F"  = e + 4cos  = 4.8104  0 
2 2 

Alors le processus de Newton :

 
 x 0 =
2
 e − 4cos(x n )
xn
 x n +1 = x n − x
 e n + 4sin (x n )
Converge vers la solution a.
 Méthode de Newton-Raphson
Calculons les itérés et testons l’inégalité x n +1 − x n  10 −5

x0 =
2
e x0 − 4cos(x 0 )
x1 = x 0 − = 1.02480 , x1 − x 0  10 −5
e x0 + 4sin (x 0 )
e x1 − 4cos(x1 )
x 2 = x1 − = 0.91046 , x 2 − x1  10 −5
e + 4sin (x1 )
x1

e x2 − 4cos(x 2 )
x3 = x 2 − = 0.90480 , x3 − x 2  10 −5
e x2
+ 4sin (x 2 )
e x3 − 4cos(x3 )
x 4 = x3 − = 0.90479 , x 4 − x3 = 0.00001 = 10 −5
e x3 + 4sin (x3 )
e x4 − 4cos(x 4 )
x5 = x 4 − = 0.90479 , x5 − x 4  0.0000  10 −5
e x4 + 4sin (x 4 )
Nous déduisons que la solution approchée, obtenue par la méthode de Newton, est
a = 0.90479
Introduction

Souvent, les chercheurs en sciences expérimentales telles que

la chimie, la physique, l’ingénierie et la mécanique des
fluides rencontrent des fonctions expérimentales données
sous la forme d’un tableau de valeurs exprimant le résultat
d’une expérience comme dans le tableau suivant:

x x0 x1 x2 … xn

f (x) f (x0) f (x1) f (x2) f (xn)

Introduction

Question :

Si l’on connait que les points d’interpolation (xi, f(xi)) d’une

fonction, peut-on obtenir une approximation de f(x) pour une
valeur de x différente des xi ?

Il s’agit d’un problème d’interpolation, dont la solution est

relativement simple. Il suffit de construire un polynôme de
degré n dont la courbe passe par les (n+1) points
d’interpolation. On parle alors du polynôme d’interpolation.
Polynôme de Lagrange

Soit à calculer y(x)=1.5. connaissant y(1)=2.7128 ,y(2)=7.890

Interpolation de la fonction par une droite

Les propriétés de la droite dans l’intervalle [x0, x1] nous

permettant d’écrire:
Polynôme de Lagrange

y1 − y y1 − y 0
=
x1 − x x1 − x 0
On tire y

y étant la valeur approchée de y(1)

x − x1 x − x0
y= y0 +
x 0 − x1 x1 − x 0

On peut alors calculer y(1.5)

Cette formule est appelée polynôme de Lagrange (il s’agit ici

de l’équation d’une droite donc un polynôme de degré 1
obtenu à partir de 2 points de mesure).
Polynôme de Lagrange

1. Formule générale
On démontre que le polynôme de Lagrange Pn(x) de degré n
pour n+1 de points de mesure s’écrit:
(x − x1 )(x − x 2 ) (x − x n ) (x − x0 )(x − x 2 )(x − x3 ) (x − x n )
y = Pn (x ) = y0 + y1
(x0 − x1 )(x0 − x 2 ) (x0 − x n ) (x1 − x0 )(x1 − x 2 )(x1 − x3 ) (x1 − x n )
(x − x0 )(x − x1 )(x − x 2 ) (x − x n−1 )
++ yn
(x n − x0 )(x n − x1 )(x n − x 2 ) (x n − x n−1 )
Si on pose L K (x ) = (x − x 0 )(x − x1 ) (x − x K −1 )(x − x K +1 ) (x − x n )

La forme simplifié pour n+1 points est:

n
LK (x )
Pn (x ) =  L (x ) y K
K =0 K K
Polynôme de Lagrange

2. Théorème
On démontre que le polynôme de Lagrange est unique, aussi que
n
LK (x )
 L (x ) = 1
K =0 K K
Exemple

Calculer le polynôme de Lagrange de degré 3 pour les points de

mesure suivant:
xi x0=0 x1=1 x2=2 x3=3

yi y0=-4 y1=-2 y2=2 y3=14

Polynôme de Lagrange

Solution

On a 4 point donc le degré de polynôme est  3:

L (x ) L (x ) L (x ) L (x )
P3 (x ) = 0 y0 + 1 y1 + 2 y2 + 3 y3
L0 ( x 0 ) L1 (x1 ) L2 ( x 2 ) L3 (x3 )
Pour K = 0
L0 ( x ) (x − x1 )(x − x 2 )(x − x3 ) (x − 1)(x − 2)(x − 3) 1
= = = − (x − 1)(x − 2)(x − 3)
L0 (x 0 ) (x 0 − x1 )(x 0 − x 2 )(x 0 − x3 ) (0 − 1)(0 − 2)(0 − 3) 6

Pour K = 1
L1 (x ) (x − x0 )(x − x 2 )(x − x3 ) (x − 0)(x − 2)(x − 3) 1
= = = (x )(x − 2)(x − 3)
L1 (x1 ) (x1 − x 0 )(x1 − x 2 )(x1 − x3 ) (1 − 0)(1 − 2)(1 − 3) 2
Polynôme de Lagrange

Pour K = 2
L2 ( x ) (x − x0 )(x − x1 )(x − x3 ) (x − 0)(x − 1)(x − 3) 1
= = = − (x )(x − 1)(x − 3)
L2 (x 2 ) (x 2 − x 0 )(x 2 − x1 )(x 2 − x3 ) (2 − 0)(2 − 1)(2 − 3) 2

Pour K = 3
L3 (x ) (x − x0 )(x − x1 )(x − x 2 ) (x − 0)(x − 1)(x − 2) 1
= = = (x )(x − 1)(x − 2)
L3 (x3 ) (x3 − x 0 )(x3 − x1 )(x3 − x 2 ) (3 − 0)(3 − 1)(3 − 2) 6

donc,

P3 (x ) = − (x − 1)(x − 2)(x − 3)(− 4) + 1 (x )(x − 2)(x − 3)(− 2) + − 1 (x )(x − 1)(x − 3)(2)

1
6 2 2
+ (x )(x − 1)(x − 2 )(14 )
1
6

P3 (x ) = x 3 − 2 x 2 + 3 x − 4
Polynôme de Lagrange

3. Estimation de l’erreur
On démontre que l’erreur commise en interpolant f(x)
(fonction d’origine) par le polynôme de Lagrange Pn(x) en
n+1 points vérifie:
n
f (x ) − Pn (x ) 
M

(n + 1)! i =0
x − xi

avec :
M = Max f  n +1
( ) ,   [x 0 − x n ]
Polynôme de Newton

1. Formule générale
Lorsqu’on écrit l’expression générale d’un polynôme, on pense
immédiatement à la forme suivante:
Pn (x ) = C 0 + C1 x + C 2 x 2 +  + C n x n

Il en existe cependant d’autres qui sont plus appropriées au cas

de l’interpolation, par exemple:
Pn (x ) = C 0 + C1 (x − x 0 ) + C 2 (x − x 0 )(x − x1 ) +  + C n (x − x 0 ) (x − x n −1 )

On remarque que le coefficient de Cn comporte n monômes de la

forme ( x-xi ) et qu’en conséquence le polynôme est de degré n.
Polynôme de Newton

L’aspect intéressant de cette formule apparait lorsqu’on essaie de

déterminer les coefficients Ci, de telle sorte que Pn(x) passe par les
(n+1) points d’interpolation (xi ,f(xi )). On doit donc s’assurer que:

C1 = f (x 0 , x1 ) =
f (x 0 ) , C 2 = f (x 0 , x1 , x 2 ) = ( ) ( )  f (x 0 )
1 1 1 3
2
2
f x 0 , C 3 = f x 0 , x1 , x 2 , x 3 = 3
h 2! h 3! h


C n = f (x 0 , x1 , x 2 , , x n ) = f (x 0 )
1
n
 n

n! h
Où h = x1 − x 0 = x 2 − x1 = x n − x n −1
donc
y 0 2 y 0 n y 0
Pn (x ) = y 0 + (x − x0 ) + 2 (x − x0 )(x − x1 ) +  + n (x − x0 ) (x − x n−1 )
h 2! h n! h
Polynôme de Newton

2. Théorème
y 0 2 y 0 n y 0
Pn (x ) = y 0 + (x − x0 ) + 2 (x − x0 )(x − x1 ) +  + n (x − x0 ) (x − x n−1 )
h 2! h n! h

Exemple

Obtenir une approximation de f(6) en utilisant le polynôme de

Newton. Ces points sont présentés dans le tableau suivant:
xi x0=5 x1=7 x2=9 x3=11

yi y0=0.087156 y1=0.121869 y2=0.156434 y3=0.190809

Polynôme de Newton

Solution

Pour obtenir une approximation de f(6) en utilisant le polynôme

de Newton. On forme le tableau suivant:
x y y 2y 3y
5 0.087156
0.034713
7 0.121869 -0.000148
0.034565 -0.000042
9 0.156434 -0.000190
0.034375
11 0.190809
Polynôme de Newton

On a 4 points donc le degré du polynôme est n = 3. Le polynôme de

Newton qui passe par ces 4 points est:
y 0 2 y 0 3 y 0
P3 (x ) = y 0 + (x − x0 ) + 2 (x − x0 )(x − x1 ) + 3 (x − x0 )(x − x1 )(x − x 2 )
h 2! h 3! h
Où: h = x1 − x 0 = x 2 − x1 = x3 − x 2 = 2
Donc

P3 (x ) = 0.087156 + (x − 5) − 0.000148 (x − 5)(x − 7 ) − 0.000042 (x − 5)(x − 7 )(x − 9)

0.034713
2 8 48
P3 (x ) = 0.087156 + 0.0173565(x − 5) − 0.0000185(x − 5)(x − 7 ) − 0.00000088(x − 5)(x − 7 )(x − 9 )

L’approximation de f(6) est donc:

P3 (6 ) = 0.087156 + 0.0173565(1) − 0.0000185(1)(− 1) − 0.00000088(1)(− 1)(− 3)
P3 (6 ) = 0.10452836
 Introduction

Souvent dans la pratique on doit faire appel à quelques méthodes

numériques de calcul des intégrales (méthode de Trapèzes,
méthode de Simpson) car en général la fonction à intégrer est
connue en un nombre fini des points ou elle est difficile à intégrer.
Ces techniques des intégrations consiste à approcher la valeur de
l’intégrale à partir de plusieurs valeurs de la fonction à intégrer.

On s’intéresse donc à estimer la valeur de l’intégral de la forme :

b
I =  f (x )dx
a
Où f est une fonction continue définie dans l’intervalle [a,b]. La valeur approximative de
l’intégral correspond à l’air A sous la courbe de f(x).
 Introduction

Approximation de l’intégral par une surface de trapèze

L’air correspond à la surface du trapèze donnée par:

b−a
S= ( f (a ) + f (b ))
2
 Introduction

On peut partager l’intervalle [a,b] en n parties et on considère les surfaces

des trapèzes.
Prenons n=4 petits intervalles:

Approximation de l’intégral par quatre surfaces de trapèze

 Introduction

h = xi +1 − xi i = 1,3

On a la somme des surfaces des 4 trapèzes:

S=
h
( f (xi +1 ) + f (xi ))
2
4
 =  S i = ( f (x 0 ) + 2 f (x1 ) + 2 f (x 2 ) + 2 f (x3 ) + f (x 4 ))
h
i =1 2
b
De façon générale on peut mettre  f (x )dx sous la forme:
a
b n

 f (x )dx  
i =0
ai f (xi )
a

Où ai des coefficients à calculer

Méthode des trapèzes généralisée
1. Méthode des trapèzes généralisée
b−a
Divisons l’intervalle [a,b] en n parties égales de longueur h = . Les
n
différents intervalles engendrés sont [x0, x1], [x1, x2],…, [xn-1, xn]. En
appliquant à chaque intervalle la formule des trapèzes on obtient:
b n −1 xi +1 n −1
f ( x )dx =  f ( x )dx   ( f (xi +1 ) + f (xi ))
h
 
i = 0 xi i =0 2
a

On remarque que tous les termes f(xi) sont répéter deux fois, sauf le premier
et le dernier. On en conclue que:
b

 f (x )dx =
h
[ f (x0 ) + f (x n ) + 2( f (x1 ) + f (x 2 ) + ... + f (x n−1 ))]
a
2

Cette formule est appelée formule des trapèzes généralisée.

Méthode de Simpson généralisée
2. Méthode de Simpson généralisée
On peut améliorer la précision de la formule de Simpson en la composant.
Puisque la méthode simple requiert deux intervalle, on divise alors l’intervalle
d’intégration [a, b] en n=2m sous-intervalle égales de longueur h = b − a
n
Et on utilise la méthode de Simpson simple dans chaque paire de sous-
intervalle [x2i, x2i+2]. i=0,2,…, m-1. On a alors:
b m −1 x2 i +1 m −1
f ( x )dx =   f (x )dx   3 ( f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i + 2 ))
h
 i =0 i =0
a x2 i

On remarque que tous les termes de rang impair sont multipliés par 4 tandis
que ceux de rang pair sont multipliés par 2, sauf le premier et le dernier. On
en conclue que:
b

 f (x )dx =
h
[ f (x0 ) + f (x n ) + 4( f (x1 ) + f (x3 ) + ... + f (x n−1 )) + 2( f (x 2 ) + f (x 4 ) + ... + f (x n−2 ))]
a
3
Cette formule est appelée formule de Simpson généralisée.
 Formules des erreurs

a. Erreur de trapèzes généralisée

nh 3
RT  E Max = M
12
Où
b−a
h= et M = Max f " ( ) ,   [a , b]
n

b. Erreur de Simpson généralisée

nh 5
R S  E Max = M
180
Où

h=
b−a
2m
,m=
n
2
 
et M = Max f (4 ) ( ) ,   [a , b]
 Introduction

Il est bien connu que de nombreux problèmes physique, chimique

ou d’ingénierie sont décrits par des équations différentielle du
premier ordre de forme:

= y' = f (x , y ) (1)
dy
dx
Si on fixe une valeur initiale , la solution est alors dite particulière.
La problématique étant de trouver y(x) sur [a,b] telle que:

y 0 = y (x 0 , c )
 Méthode de l’Euler

1. Méthode de l’Euler
La méthode de l’Euler est de loin la méthode la plus simple de
résolution numérique d’ équations différentielles et son emploi est
facile. Toutefois, elle est relativement peu utilisée en raison de sa
faible précision.
Soit
y' = f (x , y ) y n = y (x n )
La méthode permet de calculer la valeur approchée de:
y n +1 = y (x n +1 )

Tel que h = x n +1 − x n
Où h est le pas d' intégration.
Méthode de l’Euler

La formule de calcul est tirée du développement de Taylor de y(x)

au voisinage de xn. En effet:
( x − x n )2 (x − x n )3
y (x ) = y (x n ) + (x − x n ) y' (x n ) + y' ' (x n ) + y' ' ' (x n ) + ...
2! 3!
En remplaçant x par xn+1 dans l’équation précédente, on trouve:
h2 h3
y (x n +1 ) = y (x n ) + hy' (x n ) + y' ' (x n ) + y' ' ' (x n ) + ...
2 6
En considérant uniquement les deux premiers termes dans le
développement de Taylor on obtient:

y (x n +1 ) = y (x n ) + hy' (x n ) + h 2 E (h )
Méthode de l’Euler

h 2E(h) étant l’erreur commise si on arrêt le développement au

deuxième terme. L’équation précédente est une égalité, en
négligeant le terme d’erreur elle devient une approximation. On
aboutit donc à la formule d’Euler.

y (x n +1 )  y (x n ) + hy' (x n )

Ou encore

y n +1  y n + hf (x n , y n )
 Méthode de l’Euler

Exemple

Soit l’équation différentielle suivante:

 y' = y

 y (0 ) = 1

Calculer y(1) avec h=1 et h=0.1.

 Méthode de l’Euler

Solution

L’intervalle de travail est [0,1]

De plus on a:
f (x , y ) = y
On peut donc utiliser la méthode de l’Euler

y n +1  y n + hf (x n , y n )
a. h=1
L’approximation de y(1) est:
y (1)  y (0 ) + hf (0 ,1) = 1 + 1.(1) = 2
 Méthode de l’Euler

b. h=0.1
En appliquant la formule de l’Euler on obtient successivement des
approximations de y(0.1), y(0.2), y(0.3), y(0.4), y(0.5), y(0.6),
y(0.7), y(0.8), y(0.9)et y(1) la première itération:
y (0.1)  y (0) + hf (0,1) = 1 + 0.1.(1) = 1.1
2 ème itération donne :
y (0.2)  y (0.1) + hf (0.1,1.1) = 1.1 + 0.1.(1.1) = 1.21
De manière similaire :
y (0.3)  y (0.2) + hf (0.2,1.21) = 1.21 + 0.1.(1.21) = 1.331

y (1)  y (0.9) + hf (0.9, y (0.9)) = 2.593
Re marque : y exacte (x ) = e x  y exacte (1.0) = e1 = 2.718