MN MB

‫الجمهورية الجزائرية الديمقراطية الشعبية‬
‫وزارة التعليم العالي والبحث العلمي‬

‫جامعة وهران للعلوم والتكنولوجيا محمد بوضياف‬
République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche
Scientifique
Université des sciences et de technologie MOHAMED BOUDIAF D’oran

Faculté de Génie mécanique
Département de Génie maritime
Premier cours en :
Méthodes Numériques
Conforme au programme de la 2eme année licence
Par : Dr BOUSSOUFI Mustapha
Année : 2022
Méthodes numériques Cours 2eme année licence
Ce cours est destiné aux étudiants de 2 éme année licence assurées au département
de mine et métallurgie, Il a pour but de fournir aux étudiants une variété d'outils
numériques permettant la résolution efficacement d'un certain nombre de
problèmes.les chapitres de ce cours sont s’éclaircissent par des exemples, et une
série d'exercices est propos à la fin de chacun d'entre eux. La plupart de ces
exercices étaient proposés lors des séances de travaux dirigés.
Ce cours se compose de cinq chapitres. Particulièrement, ce cours traite les sujets

suivants :
Chapitre1 : Les Erreurs Numériques
1. Introduction
2. Mesure de l’Erreur
2.1 Erreur absolue
2.2 Erreur relative
3. Représentation décimale d’un nombre approché
3.1 Chiffres significatifs exacts d’un nombre approché
3.2 Arrondissement d’un nombre approché
3.3 L’erreur d’arrondi
Chapitre 2 : Résolution des équations non-linéaires
1. Introduction
2. Localisation des racines
3. Les méthodes utilisées
3.1 Méthode de dichotomie (bissection)
3.2 Méthode du point fixe (approximations successives)
3.3 Méthode de Newton-Raphson
Chapitre 3 : Interpolation Polynomiale
1. Introduction
2. Les méthodes utilisent
2.1 Polynôme de Lagrange
2.2 Polynôme de Newton
Chapitre 4 : Résolution des systèmes d’équations linéaires
1. Introduction
2. Méthode de Cramer
3. Les Méthodes directes
3.1. Méthode de Gauss ordinaire
3.2. Méthode de Gauss - Jordan
3.3. Décomposition LU
4. Les Méthodes itératives
4.1 Méthode de Jacobi
4.2. Méthode de Gauss Seidel
Chapitre 5 : Intégration Numérique

1. Introduction
1.1. Position de problème
2. Les méthodes utilisent
2.1 Méthode de Trapèze
2.2 Méthode de Simpson
3. Estimation d’erreur
Enfin, merci de me signaler toute erreur éventuelle dans le contenu ou dans la

forme de cette première tentative.
Chapitre 1
Les Erreurs Numériques
1. Introduction
Un résultat numérique approché n’a pas de sens que s’il est accompagné d’une
estimation de l’erreur commise entre les résultats exacts et approché sans cela on ne
peut rien dire.
2. Mesure de l’Erreur
On peut envisager plusieurs façons pour mesurer l’erreur E entre une valeur approchée
x* et une valeur exact x.
2.1 Erreur absolue :
Elle est définie comme :
E  x * x
Remarque : en pratique il est impossible d’évaluer l’erreur absolue car x est souvent
inconnu par conséquent, on introduit la notion de la borne supérieure de cette erreur
noté 
E  x * x  
x  x * 
2.2 Erreur relative :
On appelle erreur relative le nombre r (x) défini par
x  x* e
r ( x)  
x x
3. Représentation décimale d’un nombre approché :

Tout les nombre x * peuvent se mettre sous la forme suivante :
x*   m .10 m   m1 .10 m1   m2 .10 m2  ..................   mn1 .10 mn1
m  0
Les chiffres  m ,  m1 ,  m2 ,........, mn1 sont appelés chiffres significatifs
1
Exemples : la représentation décimale de nombre 15,10359
15.10359  1.101  5.10 0  1.10 1  3.10 3  5.10 4  9.10 5
3.1 Chiffres significatifs exacts d’un nombre approché :
On dit que les n premiers chiffres d’un nombre approché x* sont exacts si :
e  0,5.10 mn1
Ou m le 1er exposant de 10 dans x*
3.2 Arrondissement d’un nombre approché :

L’arrondissement est un processus qui consiste à tronquer les nombres pour n’en
garder que le nombre de chiffres significatifs exacts.
Règles d’arrondissement :
* Si le 1er chiffre à rejeter est  5 le nombre est retenu
* Si le 1er chiffre à rejeter est  5 on ajoute une unité au dernier chiffre significatif
retenu
Exemple :
5.32  5.3
5.76  5.8
3.3 L’erreur d’arrondi :

Elle vérifie l’estimation suivante :
x  0,5.10 mn1
Résultat final s’écrit sous forme
x  x * arrondi  2e
Exercice :
Soit x  0.1347 donné avec une erreur de 0,5%
1) Donner l’erreur absolue de x

2) Déterminer le nombre de chiffre significatif exact de ce nombre
3) Arrondis le résultat final
2
Solution :
 L’erreur absolue :
On a
e
r ( x)   e  r ( x). x
x
e  0,005.0,1347  e  0,0006735
 Le nombre de chiffre significatif exact
Comme e  0,5.10mn1  e  0.0006735  0,5.103
Donc :
m  n  1  3
 n3
m  1
Donc le nombre x a trois chiffres significatifs exacts.
 Arrondissement de résultat final :
Le 1er chiffre à rejeter est égal a 7 donc x arrondi note par xa est égal a 0,135
Donc le résultat final s’écrit :
x  xa  2x  0,135  103
3
Chapitre 2
Résolution des équations non-linéaires
1. Introduction :
Dans la pratique, la plupart des problèmes se ramenant a la résolution d’une équation
de la forme f ( x)  0
La résolution de cette équation dépend de la classe à laquelle appartient la fonction f

( f est un polynôme de degré n  3 ou l’expression f est complexe).
Les méthodes classiques de résolution ne permettent pas de résoudre de tels

problèmes, on fait donc appel aux techniques des méthodes numériques. Les méthodes
proposées sont : la méthode de la bissection, approximations successives et de
Newton-Raphson.
2. Localisation des racines :
La plupart des méthodes numériques nécessite la détermination d’un intervalle  a, b

contenant une seule racine dite racine séparée  de f ( x)  0
 Méthode de séparation :
 L’étude de variation de f , puis l’utilisation du théorème de la valeur
intermédiaire.
 La réécriture de f sous forme f1 ( x)  f 2 ( x) puis la recherche des points
d’intersection entre f1 et f 2
Exemple :
f ( x)  e x sin x  1
Remarque :
On suppose que f est continue et que la racine  est localisée (séparée) dans
un intervalle  a, b
3. Les méthodes utilisées :
3.1. Méthode de dichotomie (bissection) :
Le but de cette méthode est de construire une suite d’intervalle de plus en plus petites
contenants une racine séparée de f ( x)  0 .
4
 Principe de la méthode :
La méthode de dichotomie est basée sur le théorème de la valeur intermédiaire
Soit f ( x)  0 ,  une racines séparée de f ( x) dans  a, b .
a0  b0
1) On pose  a, b   a0 , b0  , on divise  a0 , b0  en deux on obtient c0 
2
Si f (a0 ). f (c0 ) 0 Alors I1   a1 , b1    a0 , c0  si non I1  c0 , b0 
an  bn
et ainsi de suite on construit la suite d’intervalles I n   an , bn  et donc cn 
2
Si f (an ). f (cn ) 0 Alors I n1   an , cn  Sinon I n1  cn , bn 
On prend comme approximation de  la valeur cn en utilisant n itérations. Plus loin,

on verra comment déterminer le nombre d’itération nécessaire n en se donnant une
erreur d’approximation  telle que cn    
 Test d’arrêt :
bn  an b0  a0
bn1  an1   n1
2 2
b0  a0
D’où  est racine de f ( x)  0 cn   
2n1
Remarque :
Si on désire de calculer le nombre d’itération suffisante n pour approcher  à  , on

procède comme suit :
b a 
ln  0 0 
b0  a0 2 
cn      n 
2n1 ln 2
5
b a 
ln  0 0 
2 
Il suffit de prendre n  1
ln 2
Exemple :
Soit la fonction f ( x)  x  0, 2sin x  0,5
Calculer la valeur approchée par la méthode de bissection avec   0,5.101 dans  0, 2
Solution :
On calcule le nombre d’itérations suffisants
b a   20 
ln  0 0  ln 
2  2.0,5.101 
n   n   n  4,32  n=5
ln 2 ln 2
n an bn cn f (an ) f (cn )
0 0 2 1 - +
1 0 1 0 ,5 - -
2 0 ,5 1 0,75 - +
3 0,5 0,75 0,625 - +
4 0,5 0,625 0 ,5625 - -
5 0 ,5625 0,625 0,59375 - -
3.2. Méthode du point fixe (approximations successives).
Soit g une fonction définie et continue sur un intervalle  a, b , le point qui vérifie
X  g ( X ) est dit point fixe de la fonction g avec X   a, b .
 Principe de la méthode :
Le principe de cette méthode consiste à transformer l’équation f ( x)  0 sous la forme

X  g ( X ) , pour chercher le point fixe X de la fonction g (x) on crée la suite
xn1  g ( xn )  n  0,1, 2,... avec une valeur initiale x0 donnée
La Méthode des approximations successives utilise une procédure itérative simple
On démarre de x0 , on calcule x1  g ( x0 ) ensuite x2  g ( x1 ) ,……, xn1  g ( xn )
6
Le problème principal est de savoir si la suite des mesures x1 , x2 ,...., xn1 converge
vers la solution X de g ( X )
Exemple : Ecrire l’équation f ( x)  0 sous la forme x  g ( x) si f ( x)  ln x  x2  2
On peut écrire x  g1 ( x)  ln x  x2  2  x
2
x  g 2 ( x)  e x
2
x  g3 ( x)  ln x  2
Pour pouvoir choisir la forme de g adéquate pour le calcul, un critère de convergence

de cette méthode doit être vérifié.
 Critère de convergence
Soit g une fonction dérivable définie sur l’intervalle  a, b tel que
g '( x)  k  1 x   a, b
Le processus itératif xn1  g ( xn )  n  0,1, 2,... converge indépendamment de la

valeur de x0 vers l’unique point fixe X de g ( X )
Si plusieurs formes de g vérifient cette condition, on aura plusieurs valeurs de k .
On choisit celle avec la valeur minimale de k . En pratique, la valeur de k est :
k  max xa,b g '( x)
 Critère d’arrêt
On peut arrêter les calcules lorsque la différence absolue entre deux itérations
successives est inférieure à une certaine précision  donnée.
xn1  xn  
Ou bien on calcule le nombre d’itérations n suffisantes pour avoir une valeur

approchée de  a  prés avec même principe que la dichotomie
kn
D’où si  est racine de f ( x)  0 xn    x1  x0  
1 k
7
  1  k  
ln  
 1  k   x1  x0 
k 
n
n
x1  x0 ln k
On obtient :
  1  k  
ln  
 x1  x0 
n 1
ln k
Exemple : trouver la première racine de l’équation f ( x)  x2  3e x  12 qui appartient

a 1, 2 avec une précision   0, 01
On écrit cette fonction sous la forme x  g ( x) . On peut écrire :
x  x2  3e x  12  x  g1 ( x)
x  12  3e x  g2 ( x)
 12  x 2 
x  ln    g3 ( x)
 3 
Vérifions la condition de convergence pour la fonction g3 ( x)
k  max xa,b g '( x)
2 x
k3  max x1,2 g3 '( x)  max x1,2 On a g3 '(1)  0,181 et g3 '(2)  0,5
12  x 2
Donc k3  max x1,2 g3 '( x)  0,5  1 cette forme converge.
 12  x 2 
Donc on écrit : xn1  g3 ( xn )  ln   (n  0,1, 2,....)
 3 
La valeur initiale x0  1,5 (le milieu de l’intervalle donné)
 12  x0 2 
n0 x1  g3 ( x0 )  ln    1,179
 3 
8
On calcule x1  x0  0,321  0,01
 12  x12 
n 1 x2  g3 ( x1 )  ln    1, 263
 3 
On calcule x2  x1  0,084  0,01
 12  x2 2 
n2 x3  g3 ( x2 )  ln    1, 244
 3 
On calcule x3  x2  0,019  0,01
 12  x32 
n3 x4  g3 ( x3 )  ln    1, 248
 3 
On calcule x4  x3  0,009  0,01 , la solution est x3  1, 244
3.3. Méthode de Newton-Raphson :
On s’interesse à trouver la racine  de l’équation non-linéaire f ( x)  0 sur  a, b ou

f est deux fois dérivable sur  a, b .
Soit  racine exacte de l’équation f ( x)  0 . si est continue et dérivable au voisinage

de  alors le développement en série de Taylor autour de x0 s’écrit :
f ' ( x0 ) f '' ( x0 )
f ( x)  f ( x0 )  ( x  x0 )  ( x  x0 ) 2  .........
1! 2!
Donc on peut écrire f ( x)  f ( x0 )  f ' ( x0 )( x  x0 )  R
On pose x  
f ( )  f ( x0 )  f ' ( x0 )(  x0 )  R  0
f ( x0 )
  x0   R1
f ' ( x0 )
En ignorant R1 on obtient
9
f ( x0 )
x1  x0 
f ' ( x0 )
De la même manière on trouve une nouvelle valeur x2
f ( x1 )
x2  x1 
f ' ( x1 )
Ainsi on obtient la relation suivante :
 x0 donné

 f (x )
 xk  xk 1  ' k 1
 f ( xk 1 )
 Interprétation géométrique
D’après l’équation de la tangente à la courbe de f au point ( x0 , f ( x0 ) ) donnée par
y  f ' ( x0 )( x  x0 )  f ( x0 )
Dans la figure 1 et 2 on prend x0  b . le point x1 constitue une première

approximation de  alors
f ( xk 1 )
xk  xk 1  k  1, n
f ' ( xk 1 )
Remarque : on constate que le choix de la condition initial x0 peut influencer sur la

convergence de la méthode.
10
Figure 2 : Schéma convergente Figure 3 : Schéma divergente
 Les conditions convergence de la méthode de Newton :
Soit  a, b un intervalle telle que :
1) f (a). f (b) 0    a, b
2) f ' ( x)  0
3) f '' ( x)  0 et gardent des signes constants
D’après 1,2 et 3 la méthode de Newton-Raphson est applicable
Le choix de x0
Si f ( x0 ). f '' ( x0 ) 0 alors x0  b sinon x0  a

Donc la suit xk définie par
f ( xk 1 )
xk  xk 1  k  1, n Converge vers l’unique solution de f ( x)  0
f ' ( xk 1 )
 Evaluation de l’erreur :
Supposons que la méthode converge vers l’unique solution de f ( x)  0

On a l’estimation d’erreurs suivant :
M
xn    xn  xn1  
2
2m
Ou M  supa,b f '' ( x) et m  infa ,b f ' ( x)
11
Chapitre 3
Interpolation Polynomiale
1. Introduction
A partir d’une fonction f ( x) connue seulement en (n  1) point de la forme
 xi , f ( xi )  , i  0,...., n , peut on construire une approximation de f ( x) pour tout x ?
Les point  xi , f ( xi )  sont appelés points d’interpolation et peuvent provenir des

données expérimentales ou d’une table.
 Définition :
Soit f une fonction réelle définie sur un intervalle  a, b contenant (n  1) points

distincts x0 , x1 ,..., xn .
Soit Pn un polynôme de degré inferieur ou égale n .on dis que Pn est interpolant de f
ou interpole f on x0 , x1 ,..., xn
Pn ( x)  f ( xi ) i  0,..., n

2.1. Polynôme de Lagrange
Soit à calculer f ( x) pour x  2 , connaissant f (1)  3,716 et f (3)  1,623 (figure 1)
y0
y1
x0=1 x=2 x1=3 x
12
Les propriétés de la droite dans l’intervalle  x0 , x1  nous permettent d’écrire :
y0  y y0  y1

x0  x x0  x1
y étant la valeur approchée de f (2)
x  x1 x  x0
y y0  y1
x0  x1 x1  x0
On peut alors calculer la valeur approchée de f (2)
Cette formule est appelée polynôme de Lagrange
 Formule générale
On appelle interpolant de Lagrange les polynômes Li définis pour i  0,..., n par
n x  xj
Li ( x)  
j i xi  x j
n
si on prend Pn ( x)   Li ( x). f ( xi ) alors Pn ( x)  f ( xi ) i  0,.., n
i 0
Exemple :
x0  0 ; x1  1 ; x2  2
f ( x0 )  4 ; f ( x1 )  2 ; f ( x2 )  2
Calculer le polynôme de Lagrange
Solution :
On a 3 points donc le degré de polynôme est  2

2
P2 ( x)   Li ( x) f ( xi ) L0 ( x) f ( x0 )  L1 ( x) f ( x1 )  L2 ( x) f ( x2 )
i 0
( x  x1 )( x  x2 ) ( x  1)( x  2) 1 2
L0 ( x)    ( x  3x  2)
( x0  x1 )( x0  x2 ) (0  1)(0  2) 2
( x  x0 )( x  x2 ) ( x  0)( x  2)
L1 ( x)    ( x 2  2 x)
( x1  x0 )( x1  x2 ) (1  0)(1  2)
13
( x  x0 )( x  x1 ) ( x  0)( x  1) 1 2
L2 ( x)    ( x  x)
( x2  x0 )( x2  x1 ) (2  0)(2  1) 2
Donc
1 1
P2 ( x)  ( x 2  3x  2).(4)  ( x 2  2 x).(2)  ( x 2  x).(2)
2 2
P2 ( x)  2 x2  6 x  4  2 x2  4 x  x2  x
P2 ( x)  3x 2  9 x  4
 Estimation de l’erreur :
On démontre que l’erreur commise en interpolant f ( x) par le polynôme de Lagrange

Pn ( x) en (n  1) points vérifie :
n
M
f ( x)  Pn ( x)  
(n  1)! i 0
x  xi
Avec M  max f ( n1)      x0 , xn 
2.2. Polynôme de Newton
On appelle interpolant de Newton le polynôme Pn ( x) donnée par
Pn ( x)  C0  C1 ( x  x0 )  C2 ( x  x0 )( x  x1 )  .........  Cn ( x  x0 )( x  x1 )......( x  xn1 )
L’aspect intéressant de cette formule apparait lorsqu’on essaie de déterminer les

(n  1) coefficients Ci , de telle sorte que Pn ( x) passe par les (n  1) points
d’interpolation ( xi , f ( xi )).
 Calcul des coefficients Ci :
Pour calculer les coefficients, on utilise les différences divisées. on définit les
différences divisées d’ordre i de f au point xi comme suit :
C0    f ( x0 )  f ( x0 )
f ( x1 )  f ( x0 )
C1    f ( x0 ), f ( x1 ) 
x1  x0
14
  f ( x1 ),......, f ( xi )    f ( x0 ),........, f ( xn1 ) 

Ci    f ( x0 ), f ( x1 ),..........., f ( xi )   Pour i  2
xi  x0
Pour calculer les différences divisées on peut construire le tableau suivant :
i xi f ( xi ) Ordre 1 Ordre 2 Ordre 3

0 x0 f ( x0 ) C0 C1
  f ( x0 ), f ( x1 ) C2
1 x1 f ( x1 )   f ( x0 ), f ( x1 ), f ( x2 ) C3
  f ( x1 ), f ( x2 )   f ( x0 ), f ( x1 ), f ( x2 ), f ( x3 )
2 x2 f ( x2 )   f ( x1 ), f ( x2 ), f ( x3 )
  f ( x2 ), f ( x3 )
3 x3 f ( x3 )
n-2 xn 2 f ( xn2 )
  f ( xn2 ), f ( xn1 )   f ( xn3 ), f ( xn2 ), f ( xn1 ), f ( xn )
n-1
xn 1 f ( xn1 )   f ( xn2 ), f ( xn1 ), f ( xn )
n   f ( xn1 ), f ( xn )
xn f ( xn )
Exemple :
Trouver le polynôme de Newton qui passe par les points suivants :
x0  0 ; x1  1 ; x2  2 ; x3  0
f ( x0 )  1 ; f ( x1 )  4 ; f ( x2 )  8 ; f ( x3 )  14
Solution
On a 4 points donc le degré de polynôme est 3
P3 ( x)  C0  C1 ( x  x0 )  C2 ( x  x0 )( x  x1 )  C3 ( x  x0 )( x  x1 )( x  x2 )
On construire le tableau pour calcule les coefficients
15
i xi f ( xi ) Ordre 1 Ordre 2 Ordre 3

C0
0 x0  0 f ( x0 )  1 C1
  f ( x0 ), f ( x1 )  C2
3   f ( x0 ), f ( x1 ), f ( x2 )   C3
1 x1  1 f ( x1 )  4 1   f ( x0 ), f ( x1 ), f ( x2 ), f ( x3 )  
  f ( x1 ), f ( x2 )  2 1
4 6
2 x2  2 f ( x2 )  8   f ( x1 ), f ( x2 ), f ( x3 ) 
  f ( x2 ), f ( x3 )  1
3 x3  3 f ( x3 )  14 6
Donc
1 1
P3 ( x)  1  3( x  0)  ( x  0)( x  1)  ( x  0)( x  1)( x  2)
2 6
1 2 1 1 1 1
P3 ( x)  1  3x  x  x  x3  x 2  x
2 2 6 2 3
1 3 17
P3 ( x)  x  x 1
6 6
 Estimation de l’erreur :
On démontre que l’erreur commise en interpolant f ( x) par le polynôme de Newton

Pn ( x) en (n  1) points vérifie :
n
f ( x)  Pn ( x)  Cn . x  xi
i 0
16
Chapitre 4
Résolution des systèmes d’équations linéaires
1. Introduction
Dans ce chapitre, nous allons aborder deux principales méthodes de résolution des
systèmes linéaire à savoir (méthodes directes, méthodes itératives) pour une matrice
carrée. De façon générale, un système d’équations linéaires est un ensemble
d’équations portant sur les mêmes inconnues.
En général, un système de n équation linéaires à n inconnues peut être écrit sous la

forme suivante :
a11 x1  a12 x 2  ............  a1n x n  b1



a 21 x1  a 22 x 2  ............  a 2 n x n  b2





a n1 x1  a n 2 x 2  ............  a nn x n  bn



Ou x1 , x2 ,............, xn sont les inconnues
Un système d’équations linéaires peut aussi s’écrire sous la forme matricielle
Ax  b
Ou A est une matrice de taille n  n , x est un vecteur de taille n et b est un vecteur de

taille n
 a11 a12 .......... a1n   x1   b1 

     
 a 21 a 22 ........... a 2 n   x2   b2 
     
A  ; x  ; b 
 ............     
     
a    b 
 n1 a n 2 ............ a nn   xn   n
17
La résolution du système précédent ( Ax  b ) peut s’effectuer par plusieurs méthodes :
 Une méthode classique (Cramer).

 Les méthodes directes.
 Les méthodes itératives.
2. Méthode de Cramer
C’est certainement la méthode la plus connue de résolution des systèmes linéaires.
Cette méthode repose sur les déterminants
det Ai
Si det A  A  0  le système admet une solution unique x donnée par xi 
det A
Ou Ai est la matrice obtenue en remplaçant dans A la ieme colonne par b
Remarque : Cette méthode exige un grand nombre d’opérations de calcul. Par

exemple pour n  10 , cramer nécessite 3.108 opérations.
Donc notre objectif, on va aborder d’autres méthodes qui nécessitent un nombre limité
d’opérations de calcul.
3. Les Méthodes directes

Une méthode est dite directe, si elle donne au bout d’un nombre fini d’opérations une solution
exacte du problème. Cette méthode est utilisée généralement lorsque n  100
3.1. Méthode de Gauss ordinaire :
Cette méthode est basée sur la transformation du système linéaire Ax  b en un

système équivalent A' x  b' , A' est une matrice triangulaire supérieure.
Principe :
  A( n ) ; b ( n ) 
A, b transforma
tion
A(n ) Matrice triangulaire supérieure
a11(1) (1)
a12 .......a1(1n) b1(1)  a11
(n) (n)
a12 .......a1(nn ) b1( n ) 
 (1) (1)   
a 21 a 22 .......a 2(1n) b2(1)   0
(n)
a 22 .......a 2( nn) b2( n ) 
 .........   ......... 
 (1)   
a n1 bn(1)   0 bn( n ) 
(1) (1) (n)
a n1 ......a nn 0 ......a nn
Puis on résoudre le système A( n) x  b ( n)
Dont x la solution exacte du système Ax  b
18
Les étapes :
On pose A  A(1) ; b  b (1)
Si a11(1)  0 on fait l’opération suivante
 L1(2)  L1(1)

 (2) ai(1)
 Li  Li  a (1) L1
(1) 1 (1)
 11
On obtient alors :
a11
( 2) ( 2)
a12 .......a1(n2) b1( 2) 
 
A 
( 2)
0 a 22 .......a 2( 2n) b2( 2) 
( 2)
;b ( 2)

 0 ......... 
 ( 2) 
 0 a n( 12) bn 
( 2)
......a nn
Et ainsi de suite :
 L(kk 1)  L(kk )


A la kème étapes ai(1k ) ( k ) ; akk  0
(k )
 ( k 1)
 Li  Li  a ( k ) Lk
(k )
 kk
a11
(n)
.x1  a12
(n)
.x 2  .........  a1(nn ) .x n  b1( n )

0  a 22 .x n  .........  a 2 n .x n  b2
(n) (n) (n)
Résolution de A( n) x  b ( n) 

0  0  ..................  a ( n ) .x  b ( n )
 nn n n
Exemple 1:
Soit le système linéaire suivant
 x1  3.x 2  3x3  0

2 x1  3x 2  0
3x  2 x  6 x  11
 1 2 3
Résoudre le système par la méthode de Cramer et Gauss
Solution :
19
La solution par la méthode de Cramer et x1  3 ; x2  2 ; x3  1
La méthode de Gauss :
Les étapes :
 1 3 3 0
   
 1ère étape On pose A  A   2 3 0;b  b   0 
(1) (1)
 3 2 6 11
   
a11(1)  0 On fait l’opération suivante

 (2)
 L1  L1
(1)
 (2) (1)
a21
 2L  L(1)
2  L(1)  L(1)
(1) 1 2  2 L1
(1)
 a11
 (1)
a31
 L3  L3  (1) L1(1)  L(1)
(2) (1)
3  3L1
(1)
 a11
1 3 3 ; 0 
 A ; b   0 3 6 ; 0 
(2) (2)
On obtient alors :  
0 7 3 ;11
 2ème étape :
(2)
a22  0 On fait l’opération suivante

 L(3)  L(2)
 1 1
 L2  L2
(3) (2)
 (2)
 L(3) a32 7 (1)
 L(2)
 L(2)  L(2)
3  L1

3 3 (2) 2
a22 3
1 3 3 ; 0 
 A ; b   0 3 6 ; 0 
(3) (3)
On obtient alors :  
0 0 11 ;11
20
 x1  3x2  3x3  0  x1  3x2  3x3  x1  3

  
Résolution de A x  b (3) (3)
 0  3x2  6 x3  0   x2  2 x3   x2  2
0  0  11x  11 x  1 x  1
 3  3  3
3
 
Donc, la solution est X   2 
1
 
3.2. Méthode de Gauss - Jordan :
Cette méthode est basée sur la transformation de la matrice A en une matrice identité
 I ; b ' 

A, b transforma
tion
D’ou A.x  b I .x  b' x  b'
Les étapes
1ère étape
On pose A  A(1) ; b  b (1)
a11(1) (1)
a12 .......a1(1n) b1(1)  L1(1)
 (1) 
A; b  A(1) ; b (1) 
(1)
a a 22 .......a 2(1n) b2(1)  L(21)
  21
 ......... 
 (1) 
a n1 a n(11) bn(1)  L(n1)
(1)
......a nn
Si a11(1)  0 on fait l’opération suivante
 ( 2) 1 (1) 1 a12( 2)
.......a1(n2) b1( 2)  L1( 2)
L1  a (1) L1  
A 
( 2)
0 a 22 .......a 2( 2n) b2( 2)  L(22)
 11 ( 2)
; b ( 2) 
L( 2)  L(1)  a (1) L( 2)  ......... 
; i  2, n  
 i i i1 1
0 a n1
( 2) ( 2)
......a nn bn( 2)  L(n2)
Kème étape : akk  0

(k )
 ( k 1) 1 (k )
 Lk  a ( k ) Lk
 kk
 Li  Li  aik( k ) L(kk 1) i  k

( k 1) (k )

A la dernière étape on obtient

21
A.x  b  I .x  b( n1) ; b( n1)  bi( n1) 1  i  n
Remarque :
Cette méthode est aussi conseillée pour inverser une matrice, il suffit d’effectuer les
opérations précédentes sur le système  A; I     I ; A1 
transformation
 
Exemple 2:
Trouver la solution de système par la méthode de gauss-Jordan
1 3 4 0
   
A  2 2 0 b 4 
3 3 6 12 
   
Solution :
Les étapes
 1ère étape
1 3 4; 0  L1
(1)
On pose A  A(1) ; b  b (1)  A; b   A(1) ; b(1)   2 2 0; 4  L(2)

2
 3 3 6;12  L3
(3)
 (2) 1 (1)
 L1  a (1) L1  L1
(1)
 11
a11  0 On fait l’opération suivante  L2  L2  a21 L1  L2  2 L1

(1) (2) (1) (1) (2) (1) (2)
 (2)
 L3  L3  a31 L1  L3  3L1
(1) (1) (2) (1) (2)

1 3 4 ;0 
 
On obtient alors :  A ; b   0 4 8 ; 4 
(2) (2)
0 6 6 ;12 
 2ème étape
(2)
22
 L1(3)  L1(2)  a12(2) L(3)

2  L1  3L2
(2) (3)

 (3) 1 (2) 1 (2)
 L2  (2) L2  L2
 a 22  4
 L(3)  L(2)  a (2) L(3)  L(2)  6 L(3)
 3 3 32 2 3 2
1 0 2 ;3 
 
On obtient alors :  A ; b   0 1 2 ; 1
(3) (3)
0 0 6 ;6 
 3ème étape
(3)

 L(4)  L(3)  a (3) L(3)  L(3)  2 L(4)
 1 1 13 2 1 3
 L2  L2  a23 L2  L2  2 L3
(4) (3) (3) (3) (3) (4)
On obtient alors :
 1 (3) 1 (3)
 L(4)
3  (3) L3  L3
 a33 6
1 0 2 ;5 
 A ; b   0 1 0 ; 3
(4) (4)
 
0 0 1 ;1 
5
 
Donc : I .x  b (4)
 x   3 
1
 
3.3. Décomposition LU :
On suppose que le système Ax  b admet une solution unique et que A soit une
matrice carrée. L’idée de la décomposition L U et de décomposer A  L.U avec
L matrice triangulaire inferieure
U matrice triangulaire supérieure
Pour pouvoir faciliter la résolution de Ax  b en deux étapes simple
Ly  b (1)

Ux  y (2)
23
La matrice U est obtenue par la méthode Gauss ( A( n) x  b ( n) ) telle que on pose

U  A(n)
 1 0 0
 
  21 1 0 0 aik( k )
La matrice L    ; telle que  ik 
1 a kk( k )
 
  
 n1 nn1 1 
Remarque : la décomposition LU n’existe pas toujours sur A même si elle est

inversible.
Si  kk( k )  0 la méthode de Gauss est applicable et donc A se factorise sous forme LU
Exemple 3 :
Résoudre le système par la décomposition LU
 1 3 3 0
   
A   2 3 0 b 0 
 3 2 6 11
   
Solution
Déterminer la matrice U  A(n) par la méthode de Gauss d’après exemple 1 on obtient :
1 3 3 
 
U  A   0 3 6 
(3)
 0 0 11 
 
 
 1 0 0 1 0 0
  a(k )  
La matrice L    21 1 0   ik  ik( k ) donc L  2 1 0
 akk
 31  32 1   7 
3 1
 3 
la résolution de Ax  b en deux étapes simple
  
 1 0 0   y1   0   y1  0  y1  0
      
Ly  b   2 1 0   y2    0   2 y1  y2  0   y2  0
   y  11   y  11
1 3    3 y1  y2  y3  11  3
7 7
3
 3   3
24
 1 3 3  x1   y1   x1  3x2  3x3  0  x1  3
      
U .x  y   0 3 6  x2    y2   3x2  6 x3  0   x2  2
 0 0 11  x   y  11x  11 
  3   3   3  x3  1
4. Les Méthodes itératives :
Lorsque n est très grand (n≥100) la résolution des systèmes Ax  b pour les méthodes
directes deviennent toujours compliqués, on fait appel donc à des méthodes dites
itératives.
D’une manière générale : on décompose A sous la forme.
A  L A  U A  DA
D A La matrice diagonale avec DA ii  aii
L A La matrice triangulaire inferieure avec LA ij  aij ;i  j
U A La matrice triangulaire supérieure avec U A ij  aij ;i  j
La différence entre la solution exacte et la solution approchée notée
e  x  x k ..............(1)
On multiplie l'équation (1) par A on obtient
A.e  A.x  A.x k ..............(2)
r ( k )  A.x k .
Le nombre r ( k ) est appelé résidu
Plusieurs méthodes itératives utilisant une approximation B  A et résolvent
B.e  b  A.x k ..............(3)
Au lieu (A) la correction e( k ) obtenue n’étant en général pas exacte, elle définit une
nouvelle approximation
x k 1  x k  e k ..............(4)
La résolution du système peut s’effectuer par plusieurs méthodes
25
4.1 Méthode de Jacobi :
On suppose que aii  0 en utilisant B j  DA ce qui mène à la suite des solutions

approchées
x k 1  x k  DA1 .(b  A.x k )
Ou encore (comme les éléments diagonaux de DA1. A valent 1)
 
1  n
k 
 bi   aij .x j 
k 1
x i  ; i  1,.., n
aii  j 1 
 i j 
4.2. Méthode de Gauss Seidel :
On suppose que aii  0 en utilisant B j  LA ce qui mène à la suite des solutions

approchées
x k 1  x k  LA1 .(b  A.x k )
Ou encore
1  n n 
xik 1   bi   aij .x kj 1   aij .x kj  ; i  1,.., n
 
aii  j i j i 
Exemple 4:
Calculer les 4 premières itérations par les deux méthodes
 2 1 0  1 0
     
A   1 4 1 b  1 avec x   0 
0
 0 1 2   1 0
     
Solution :
 On utilise la méthode de Jacobi
 
1  n
k 
 bi   aij .x j 
k 1
x i  ; i  1,.., n
aii  j 1 
 i j 
26
Le système s’écrite
 k 1 1
 x1 
a

b1   a12 x2k  a13 x3k  
 k 1 1
 x1  2 1  x2 
k
 11

 k 1 1
 x2 
a22
 k k 

b2   a21 x1  a23 x3    x2k 1  1  x1k  x3k 
1
4
 
 k 1 1  k 1
  x3  2 1  x2 

1
b3   a31 x1k  a32 x2k 
k
 x3 
 a33 
0
A partir de x   0  on trouve :
0
0
 
k 0 1 2 3 4
x1 0 0,5 0 ,625 0 ,75 0 ,78125
x2 0 0,25 0, 5 0 ,5625 0,625
x3 0 0,5 0,625 0 ,75 0,78125
 On utilise la méthode de Gauss Seidel
1  n n 
xik 1   bi   aij .x kj 1   aij .x kj  ; i  1,.., n
 
aii  j i j i 
Le système s’écrit
 k 1 1
 x1 
a

b1   a12 x2k  a13 x3k  
 k 1 1
 x1  1  x2k 
 11

2
 k 1 1
 x2 
a22
 

b2   a21 x1k 1  a23 x3k    x2k 1  1  x1k 1  x3k 
1
4
 
 k 1 1  k 1 1

b3   a31 x1k 1  a32 x2k 1   x3  2 1  x2 

k 1
 x3 
 a33 
0
A partir de x   0  on trouve :
0
0
 
k 0 1 2 3 4
x1 0 0,5 0 ,6875 0,796875 0,82421875
x2 0 0,375 0, 59375 0,6484375 0,66210938
x3 0 0,6875 0,796875 0,82421875 0,83105469
27
 Critère d’arrêt :
Les critères largement utilisés pour les méthodes itératives sont données par les
formules suivantes:
xin  xin1   ; i  1,...., n
x( n )  x( n1)   Erreur absolue
x ( n )  x ( n 1)
 Erreur relative
x( n)
 Condition de Convergence
D’après ce qui précède des conditions nécessaire et suffisante (CNS) sur LA et DA

pour qu'elles soient inversibles.
Il y a aussi des conditions suffisantes si la matrice A est une matrice à diagonale

strictement dominante, la méthode de Jacobi et Gauss-Seidel est convergente quel
que soit le vecteur initial x (0) ce qui veut dire:
n
 i  1,.., n aii   aij
j 1
j i
28
Chapitre 5
Intégration Numérique
1. Introduction
Dans ce chapitre, on va étudier quelques méthodes approximatives pour le calcul des
intégrales limitées. Aussi ces méthodes permettent le calcul des intégrales qui n’ont
pas de solution directe ou analytique.
On peut aussi calculer l’intégrale d’une fonction donnée sous forme tabulaire ou
discrète.
1.1. Position de problème :

b
Il s’agit de calculer  f ( x)
a
dx
 f ( x)
a
dx  F (b)  F (a)
On général, on ne connait pas la primitive F de f
 f est compliqué
 Si f résulte de résultats pratiques elle ne sera connue qu’aux abscisses xi de
l’intervalle  a, b
Pour cela les méthodes numériques sont importantes.

2.1. Méthode des Trapèzes :
 Formule simple
Cette formule permet de remplacer la courbe de la fonction f ( x) par une ligne droite
qui relie les points  a, f (a)  et  b, f (b)  ce qui donne un trapèze (figure 1).
29
f(b)
f(a)
a h b x
Figure 1
L’intégrale est donc remplacée par la surface du trapèze

b
h
 f ( x)  2  f (a)  f (b) 
a
On peut remarquer qu’il y’a une différance importante entre la courbe de la fonction et
la ligne droite.
Cela veut dire qu’on commet une erreur de calcul. Pour minimiser cette erreur, on
utilise une autre forme plus adaptée de cette formule.
 Formule généralisée :
ba
On divise l’intervalle  a, b en n parties égales de longueur h  (figure 2), on a
n
donc les sous intervalles  x0 , x1 ............. xn1 , xn  .
La formule des trapèzes donne
b
h h h
I   f ( x)   f ( x0 )  f ( x1 )    f ( x1 )  f ( x2 )   ..............   f ( xn1 )  f ( xn ) 
a
2 2 2
h n 1

I   f ( x0 )  2 f ( xi )  f ( xn ) 
2 i 1 
30
f(b)
I3
f(a) I2 In-1
I1 In
a b x
Figure 2
2.2. Méthode de Simpson :
 Formule simple
Dans cette formule on remplace la fonction f ( x) par une parabole de degré inferieur
ou égale 2 (figure 3).
Cette méthode est applicable que pour un nombre pair de tranches. La formule
s’écrite :
b
h
 f ( x)  3  f ( x )  4 f ( x )  f ( x ) 
a
0 1 2
y
f(x)
f(x1)
f(x2)
f(x0)
x0 x1 x2 x
Figure 3
31
 Formule généralisée :
Si on généralise la formule de Simpson pour 2n sous intervalles avec un pas

ba
d’intégration h , x0  a x1 ........... x2n1 x2 n  b ;
2n
xk  a  h.k k  0,..........., 2n
h 
b
 f ( x)   f ( x0 )  2 f ( xi )  4  f ( xi )  f ( x2 n ) 
a
3  i pair iimpair


3. Estimation d’erreur :
 Erreur des Trapèze :
C’est la différence entre l’intégrale exacte et celle calculée par la méthode de trapèzes
nh3
RT  Emax  .M ou M  Max  f '' ( ) 
12  a ,b 
 Erreur de Simpson :
h5 ba
Rs  Emax  .M ;h  ou M  Max  f (4) ( )  ;    a, b 
90 2
 Erreur de Simpson généralisée:
n.h5 ba n
Rs  Emax  .M ;h  ,m  ;
180 2m 2
M  Max  f (4) ( )  ;    a, b 
Exemple :
1
Soit  e x dx
2
 Trouver le nombre d’intervalles n nécessaire pour obtenir une erreur de

  0.01
 Calculer cette intégrale
32
Solution :
n.h3
On a : Emax    .M  0.01
12
1 h2
n alors .M  0.01
h 12
0.0112 0.0112
h2  h
M M
M  Max  f (2) ( x) 
f (1)  2 x.e x
2
f (2)  2.e x  4 x2 .e x

2 2
f (2) (0)  2 f (2) (1)  0,738
Donc M  2
0.0112
h  h  0, 245
2
1 1
  0, 245  n   n  4, 08
n 0, 245
Alors n  5
Pour calculer cette intégrale on utilise la méthode des trapèzes généralisés car n  5 est
impaire
h n 1

I   f ( x0 )  2 f ( xi )  f ( xn ) 
2 i 1 
I
h
2
 f ( x0 )  2  f ( x1 )  f ( x2 )  f ( x3 )  f ( x4 )   f ( x5 )  ; h
1
5
 0, 2
xi 0 0,2 0,4 0,6 0,8 1

f ( xi ) 1 0,6703 0,4493 0,3012 0,2019 0,1353
I  1  2  0, 6703, 4493  0,3012  0, 2019   0,1353

1
10
I  0, 4381
33
Bibliographie
1. K. MEBARKI , Analyse Numérique, Cours, 2éme année licence mathématiques ,

Université Abderrahmane Mira de Béjaia.
2. A. Boutayeb , M. Derouich , M. Lamlili et W. Boutayeb , Analyse Numérique :

SMA-SMI S4.
3. P. GOATIN , Analyse Numérique , Université du Sud Toulon-Var ISITV - 1ère

année.
4. R. Herbin, Cours d’Analyse numérique, Licence de mathématiques, Université

Aix Marseille ,2016.
5. M. Pierre et A. Henrot, Cours de Takéo Takahashi, Cours électif CE33,

Semestre S7 : 2013-2014
6. A. MAMERI, Méthodes numériques ST L 2 S4 , Dép. GM, FSSA, ULBM ,

université de Larbi Ben MHIDI Oum El Bouaghi .
7. D. Pastre , Méthode Numérique , licence de mathématiques et licence MASS ,

Université René Descartes , 2003-2004
8. T. Cluzeau, Analyse numérique. École Nationale Supérieure d’Ingénieurs de
Limoges
9. M . Dalah , Partie 2 Chapitre 3: Résolution de Systèmes Linéaires ,université
de Constantine 1, Algeria , 2017
10. M. GILLI , Méthode Numérique , Département d’économétrie Université de

Genéve , 2006
11. S . Makdeche, Méthodes numériques. Département d’informatique – Cellule
LMD, Boumerdés 2009
34

MN MB

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MN MB

Transféré par

Droits d'auteur :

Formats disponibles

‫الجمهورية الجزائرية الديمقراطية الشعبية‬

‫وزارة التعليم العالي والبحث العلمي‬

Université des sciences et de technologie MOHAMED BOUDIAF D’oran

Par : Dr BOUSSOUFI Mustapha

Ce cours se compose de cinq chapitres. Particulièrement, ce cours traite les sujets

Chapitre 5 : Intégration Numérique

Enfin, merci de me signaler toute erreur éventuelle dans le contenu ou dans la

2.1 Erreur absolue :

Elle est définie comme :

2.2 Erreur relative :

On appelle erreur relative le nombre r (x) défini par

3. Représentation décimale d’un nombre approché :

Exemples : la représentation décimale de nombre 15,10359

15.10359  1.101  5.10 0  1.10 1  3.10 3  5.10 4  9.10 5

3.1 Chiffres significatifs exacts d’un nombre approché :

Ou m le 1er exposant de 10 dans x*

3.2 Arrondissement d’un nombre approché :

* Si le 1er chiffre à rejeter est  5 le nombre est retenu

3.3 L’erreur d’arrondi :

Résultat final s’écrit sous forme

Soit x  0.1347 donné avec une erreur de 0,5%

1) Donner l’erreur absolue de x

 Le nombre de chiffre significatif exact

Comme e  0,5.10mn1  e  0.0006735  0,5.103

Donc le nombre x a trois chiffres significatifs exacts.

 Arrondissement de résultat final :

Donc le résultat final s’écrit :

x  xa  2x  0,135  103

La résolution de cette équation dépend de la classe à laquelle appartient la fonction f

Les méthodes classiques de résolution ne permettent pas de résoudre de tels

2. Localisation des racines :

La plupart des méthodes numériques nécessite la détermination d’un intervalle  a, b

La méthode de dichotomie est basée sur le théorème de la valeur intermédiaire

Soit f ( x)  0 ,  une racines séparée de f ( x) dans  a, b .

Si f (a0 ). f (c0 ) 0 Alors I1   a1 , b1    a0 , c0  si non I1  c0 , b0 

Si f (an ). f (cn ) 0 Alors I n1   an , cn  Sinon I n1  cn , bn 

On prend comme approximation de  la valeur cn en utilisant n itérations. Plus loin,

Si on désire de calculer le nombre d’itération suffisante n pour approcher  à  , on

Soit la fonction f ( x)  x  0, 2sin x  0,5

Calculer la valeur approchée par la méthode de bissection avec   0,5.101 dans  0, 2

On calcule le nombre d’itérations suffisants

3.2. Méthode du point fixe (approximations successives).

Le principe de cette méthode consiste à transformer l’équation f ( x)  0 sous la forme

xn1  g ( xn )  n  0,1, 2,... avec une valeur initiale x0 donnée

La Méthode des approximations successives utilise une procédure itérative simple

On démarre de x0 , on calcule x1  g ( x0 ) ensuite x2  g ( x1 ) ,……, xn1  g ( xn )

Exemple : Ecrire l’équation f ( x)  0 sous la forme x  g ( x) si f ( x)  ln x  x2  2

Pour pouvoir choisir la forme de g adéquate pour le calcul, un critère de convergence

Soit g une fonction dérivable définie sur l’intervalle  a, b tel que

Le processus itératif xn1  g ( xn )  n  0,1, 2,... converge indépendamment de la

Si plusieurs formes de g vérifient cette condition, on aura plusieurs valeurs de k .

On choisit celle avec la valeur minimale de k . En pratique, la valeur de k est :

k  max xa,b g '( x)

Ou bien on calcule le nombre d’itérations n suffisantes pour avoir une valeur

Exemple : trouver la première racine de l’équation f ( x)  x2  3e x  12 qui appartient

On écrit cette fonction sous la forme x  g ( x) . On peut écrire :

Vérifions la condition de convergence pour la fonction g3 ( x)

k  max xa,b g '( x)

Donc k3  max x1,2 g3 '( x)  0,5  1 cette forme converge.

La valeur initiale x0  1,5 (le milieu de l’intervalle donné)

On calcule x1  x0  0,321  0,01

On calcule x2  x1  0,084  0,01

On calcule x3  x2  0,019  0,01