2022 2023 L2 Cours Analyse Numerique

Analyse Numérique
- Méthodes numériques -
Licence - Ingénierie
Prof. Guy DEGLA

IMSP-Benin
Institut mathematiques
et de Sciences Physiques
2022 - 2023
Objectif et contenu
L’objectif de ce cours est de développer, d’analyser et d’appliquer des méthodes rel-
evant de divers domaines mathématiques (Analyse, Algèbre linéaire, Calcul Différentiel,
Optimisation, Géométrie, etc ...) et produisant efficacement des résultats numériques avec
des erreurs arbitrairement petites et leurs limites de validité. Les motivations naturelles
proviendront des problèmes des Sciences de l’Ingénieur, de la Physique, des Sciences de
la Vie et de la Terre, de l’Economie, des Finances et de l’Assurance.
Le but ultime est d’amener les apprenants à savoir produire et utiliser de puissants
outils de discrétisation aussi bien quantitatifs que qualitatifs à travers des méthodes al-
gorithmiques constamment renforcées par l’évolution des ordinateurs.
1. Fondements du Calcul Scientifique (Arithmétique des ordinateurs)

1.1 Représentation finie des nombres réels.
1.2 Sources et Gestion des erreurs.
Les chiffres significatifs.
1.3 Problèmes bien posés et Conditionnements.
1.4 Généralités sur la Stabilité des Méthodes Numériques,
et les relations entre Stabilité et Convergence.
1.5 Analyses à Priori et à Posteriori.
2. Notions d’Algèbre Linéaire Numérique
2.1 Eléments d’Analyse Matricielle:
Normes matricielles, Rayon spectral, Stabilité, Séries et convergences.
2.2 Matrices triangulaires, Matrices diagonales, Matrices dominantes, Matrices in-
versibles et leur inversion.
Matrices à diagonale strictement dominante. Lemme d’Hadamard.
2.3 Méthodes itératives pour la résolution de systèmes linéaires.
2.4 Approximation de valeurs propres et de vecteurs propres.
3. Résolutions d’Equations et de Systèmes d’équations non linéaires.
3.1 Conditionnement d’une équation.
3.2 Approches géométrique de la détermination des racines
(Introduction aux méthodes de Newton, de la sécante et de l’interpolation in-
verse).
3.3 Méthodes algorithmiques de détermination des zéros d’une équation.
- Méthode de dichotomie ou de la bisection,
- Méthode de Newton,
- Méthode de la sécante et
- Méthode de l’interpolation inverse.
Draft Page 2 sur 59 G. Degla

3.4 Méthodes d’itération du point fixe pour les équations non-linéaires.
3.5 Racines des équations algébriques (Méthode de Bairstow).
3.6 Résolutions de systèmes d’équations non-linéaires.
4. Interpolations polynomiales.
4.1 Interpolations de Lagrange, de Newton, d’Hermite-Birkoff, de Bernstein.
4.2 Erreurs d’interpolations.
5. Différentiations Numériques.
5.1 Dérivation d’ordre 1.
5.2 Dérivation d’ordre supérieur.
5.3 Extrapolation de Richardson.
6. Intégrations Numériques.
6.1 Méthodes de Newton-Côtes simples et composées : Méthode des rectangles;
Méthode des trapèzes; Méthode de Simpson.
6.2 Méthode de Romberg.
6.3 Quadrature de Gauss.
6.4 Méthode des splines.
7. Résolutions Numériques des Equations Différentielles.
7.1 Méthode d’Euler.
7.2 Méthode de Taylor.
7.3 Méthode de Runge-Kutta.
7.4 Méthode à pas multiple.
7.5 Méthode de tir.
7.6 Méthode des différences finies.
Références
1. Malozemov, V.S. and S.M. Masharsky : Fondations of Discrete Harmonic Analysis.
Birkhaüser 2020.
2. Heister, T. ; Rebhol, L.G. and F. Xue : Numerical Analysis. An introduction. De
Gruyter 2019.
3. Rappaz, J. et M. Picasso: Introduction à l’Analyse Numérique. Presses Polytech-
niques et romandes, 2017.
4. Fortin, A. : Analyse Numérique pour Ingénieurs. Edition de l’Ecole Polytechnique
de Montréal, 2016.

5. Demailly, J.-P. : Analyse Numérique et Equations Différentielles. EDP Sciences
2016.
6. Filbert, F. : Analyse Numérique et Etude Mathématique. Dunod 2013.
7. El Jai, A. : Elements d’Analyse Numérique. Presses Universitaires de Perpignan.
2011.
8. Amodei, L. et Dedieu, J.-P. : Analyse Numérique Matricielle. Cours et Exercices
Corrigés. Dunod 2008.
9. Schartzman, M. : Analyse Numérique, Une approche mathématique. Dunod 2005.
10. Jolivet, L. et Labbas, R. : Analyse et Analyse Numérique: Rappels de Cours et
Exercices Corrigés. Hermes Sciences 2004.
11. Quarteroni, A. ; Sacco, R. et F. Saleri : Méthodes Numériques; Algorithmes, Analyse

et Approximations. Springer 2007.
12. Hairer, E. : Introduction à l’Analyse Numérique. Travaux Pratiques 2001.
13. Nicaise, S. : Analyse Numérique et equations aux Dérivées Partielles. Cours et
Problèmes résolus. Dunod 2000.
14. Merrien, J.-P. : Analyse Numérique avec MATHLAB. Exercices et Problèmes Cor-
rigés. Dunod 2007.
15. Brezinski, C. : Accélération de la convergence en Analyse Numérique. LNM 584.
Springer-Verlag Berlin 1977.

I. Utilité et limitation des méthodes numériques
La résolution des problèmes scientifiques passe par une modélisation (représentation mathématique)
des phénomènes mis en jeu. Pour parvenir à les représenter, il faut souvent négliger cer-
tains phénomènes et simplifier d’autres en ne prenant en compte que les grandeurs et les
variables essentielles.
Malgré ces simplifications, les équations obtenues sont souvent insolubles par les méthodes
algébriques ou analytiques classiques. D’où la nécessité de recourrir à des méthodes
numériques.
L’essor des méthodes numériques résulte principalement de la conjoncture de trois
éléments à savoir
- La plupart des problèmes ”simples” ayant déjà été résolus, on est depuis une cinquan-
taine d’années confronté à des problèmes de plus en plus compliqués et insolubles
par les méthodes mathématiques traditionnelles.
- On a développé depuis la fin de la deuxième guerre mondiale (1945) des ordinateurs
et calculateurs electroniques de puissance et de rapidité extraordinaires, sans cesse
croissantes, à des prix de plus en plus bas, accessibles à une très grande masse
d’utilisateurs et sans cesse croissante.
- Dans le même temps, les Mathématiciens ont développé des techniques de résolution de
plus en plus efficaces et applicables à une variété de problèmes mathématiques.
On note deux limitations à l’utilisation des méthodes numériques dues au fait que:
- Certains programmes sont si colossaux (importants) qu’ils dépassent les capacités des
ordinateurs actuels. Soit le nombre de données dépasse la capacité mémoire, soit la
résolution dure trop longtemps.
Dans ce cas, la possibilité d’utiliser des méthodes numériques, dépend de la disponi-
bilité du prix à payer pour résoudre le problème.
- Il n’existe pas encore de modèles mathématiques complets et précis pour certains problèmes.
Pour plus de détails, se référer à [J.P. Nougier].

II. Sources d’erreurs dans un modèle numérique
En général nous distinguons dans un modèle numérique les sources d’erreurs suivantes:
1. les erreurs de modélisation, qui peuvent être contrôlées par un choix convenable
du modèle mathématique. Comme leur nom l’indique, ces erreurs proviennent de
l’étape de mathématisation du phénomène physique auquel on s’intéresse. C’est
l’étape qui consiste à faire ressortir les causes les plus déterminantes du phénomène
observé et à les mettre sous forme d’équations (algébriques ou différentielles le plus
souvent). Lorsque le phénomène est très complexe, il faut simplifier et négliger ses
composantes qui paraissent moins importantes ou qui rendent la résolution numérique
trop difficile;
2. les erreurs sur les données, qui peuvent être réduites en améliorant la précision
des mesures. ;
3. les erreurs de troncature, qui proviennent du fait qu’on a remplacé dans le modèle
numérique des passages à la limite par des opérations mettant en jeu un nombre fini
d’étapes.
Ces erreurs proviennent principalement de l’utilisation du développement de Taylor,
permettant par exemple de remplacer une équation différentielle par une équation
algébrique.
Le développement de Taylor est le principal outil mathématique du numéricien. C’est
donc primordial d’en maı̂triser l’énoncé et ses conséquences;
4. les erreurs d’arrondi, qui proviennent principalement des représentations des nom-
bres (sur l’ordinateur). En effet, la représentation des nombres sur ordinateur,
généralement binaire et finie, introduit souvent des erreurs. Même initialement in-
firmes, ces erreurs peuvent s’accumuler quand on effectue un très grand nombre
d’opérations. C’est des erreurs qui se propagent au fil des calculs et qui peuvent
même compromettre la précision des résultats.
Les erreurs des points 3 et 4 constituent l’erreur numérique. Une méthode numérique
est dite convergente si cette erreur peut être rendue arbitrairement petite quand on aug-
mante l’effort de calcul.
Naturellement la convergence est le but principal (mais pas le seul) d’une méthode
numérique; les autres buts étant la précision, la fiabilité et l’efficacité.
La précision d’une méthode numérique signifie que les erreurs sont petites par rapport
à une tolérance fixée. Elle est généralement mesurée par l’ordre infinitésimal de l’erreur
en par rapport au paramètre de discrétisation. Noter que la précision de la machine ne
limite par théoriquement la précision de la méthode.

La fiabilité signifie qu’il est possible de garantir que l’erreur globale se situe en dessous
d’une certaine tolérance. Naturellement, un modèle numérique peut être considéré comme
fiable seulement s’il a été testé, c’est-à-dire validé par plusieurs cas tests.
L’efficacité signifie que la complexité du calcul (i.e., la quantité d’opérations et la

taille de mémoire requise) nécessaire pour maı̂triser l’erreur est aussi petite que possible.
Rappelons que par algorithme, nous entendons une démarche qui décrit, à l’aide d’opérations
élémentaires finies, toutes les étapes nécessaires à la résolution d’un problème spécifique.
Un algorithme peut à son tour contenir des sous-algorithmes. Il doit avoir la propriété de
s’achever après un nombre fini d’opérations élémentaires. Celui qui exécute l’algorithme
(une machine ou un être humain) doit y trouver toutes les instructions pour résoudre
complètement le problème considéré, pourvu que les ressources nécessaires à son éxécution
soient disponibles.
Enfin, la complexité d’un algorithme est une mesure de son temps d’éxécution. Calculer
la complexité d’un algorithme fait alors partie de l’analyse de l’éfficacité d’une méthode
numérique.
Plusieurs algorithmes, de complexité différentes, peuvent être utilisés pour résoudre un
même problème P . On introduit alors la notion de complexité d’un problème. Cette
dernière se définit comme étant la complexité de l’Algorithme qui a la complexité la
plus petite parmi ceux qui resolvent le problème P . La complexité d’un problème est
typiquement mesurée par un paramètre directement associé à P . Par exemple, dans le
cas du produit de deux matrices carrées d’ordre n, la complexité du calcul peut être
exprimée en fonction d’une puissance de la taille n.

III. Les formes les plus courantes de représentation des nombres sur ordinateur
La structure interne de la plupart des ordinateurs s’appuie sur le système binaire. Dans
ce cas, l’unité d’information ou bit prend la valeur 0 ou 1. Il est évident que peu
d’information peut être stockée au moyen d’un seul bit. On regroupe donc les bits en
mots (codes) de longueur variable dont les plus courantes sont les longueurs de 8, de 16,
de 32 ou de 64. Les nombres, entiers ou réels, sont représentés de cette façon, bien que
leur mode précis de représentation dépende du fabriquant.
3.1. Représentation des entiers signés

Nous considérons la Représentation binaire habituelle d’un entier naturel, la Représentation
signe et grandeur d’un entier relatif, la Représentation en complément à 2 d’un entier re-
latif, et puis la Représentation par excès d’un entier relatif.
3.1.1 Représentation binaire habituelle d’un entier naturel
On rappelle que pour tout entier positif non nul N , il existe un unique entier naturel
non nul n tel que
2n−1 ≤ N < 2n ,
et puis n entiers naturels (chiffres)
a0 , ... , an−1
satisfaisant
1 ≤ an−1 < 2 et 0 ≤ an−i < 2 si 1 < i ≤ n ;
c’est-à-dire
an−1 = 1 et an−i ∈ {0, 1} si i = 2, . . . , n ;
et tels que :
N = an−1 × 2n−1 + an−2 × 2n−2 + an−3 × 2n−3 + . . . + a1 × 21 + a0 × 20
n
X
= an−i 2n−i .
i=1
Le nombre N (considéré dans le système décimal) est alors représenté par

an−1 an−2 an−3 · · · a1 a0 2
ou parfois
an−1 an−2 an−3 · · · a1 a0 2 .
Et donc
(N )10 = an−1 an−2 an−3 · · · a1 a0 2
.

Dans ce qui précède, le sous-indice de chacune des parenthèses indique la base cor-
respondante.
En pratique, on obtient successivement les valeurs a0 , . . . , an−1 en procédant de la
façon suivante :
• le chiffre a0 est le reste de la division euclidienne de N par 2 ;
• on refait le même raisonnement avec la partie entière de N/2 pour obtenir a1 ;
• on continue jusqu’à obtenir une partie entière nulle.
Par exemples,
? si N = (35)10 , alors on a:
35/2 −→ 17 reste 1 ainsi a0 = 1
17/2 −→ 8 reste 1 ainsi a1 = 1
8/2 −→ 4 reste 0 ainsi a2 = 0
4/2 −→ 2 reste 0 ainsi a3 = 0
2/2 −→ 1 reste 0 ainsi a4 = 0
1/2 −→ 0 reste 1 ainsi a5 = 1.
Donc l’entier naturel 35 s’écrit 100011 en base 2. En effet on a bien
35 = 25 + 21 + 20 .
? si N = (100)10 , alors on a:
100/2 −→ 50 reste 0 ainsi a0 = 0
50/2 −→ 25 reste 0 ainsi a1 = 0
25/2 −→ 12 reste 1 ainsi a2 = 1
12/2 −→ 6 reste 0 ainsi a3 = 0
6/2 −→ 3 reste 0 ainsi a4 = 0
3/2 −→ 1 reste 1 ainsi a5 = 1
1/2 −→ 0 reste 1 ainsi a6 = 1.
Donc l’entier naturel 100 s’écrit 1100100 en base 2. En effet on a bien
100 = 26 + 25 + 22 .
Questions : Donner en base 2 les représentations respectives des entiers naturels
suivants: 0, 2, 8, 9, 10, 12, 21 et 1000.
3.1.2 Représentation signe et grandeur d’un entier relatif
Dans cette représentation, un bit (le premier) est consacré au signe :

0 pour un entier positif
1 pour un entier negatif;

(ceci peut se justifier par le fait que (−1)0 = +1 et (−1)1 = −1 ),
et les autres bits servent à la représentation de la valeur absolue de l’entier.
Par exemple, en considérant une représentation signe et grandeur avec n = 16 bits,

on a:
0100 0000 0000 0000 = +214 ,
1100 0000 0000 0000 = −214 .

Le plus grand entier représentable dans ce cas est:
P14
0111 1111 1111 1111 = (−1)0 i=0 2n−i
= + (215 − 1)
= +32 767 (en base 10).

C’est-à-dire, plus précisement, qu’en représentation signe et grandeur
(0111 1111 1111 1111)2 = (+32 767)10 .

Noter que le nombre 0 peut être représenté de deux manières à savoir:
+0 = 0000 0000 0000 0000 ,
−0 = 1000 0000 0000 0000 .
Aussi dans le cas de la représentation signe et grandeur avec 16 bits, si un calcul sur
des nombres entiers donne un entier supérieur au nombre 32 767, alors le compilateur
enverra un message d’erreur indiquant un débordement (overflow).
Par ailleurs dans la représentation signe et grandeur, et également dans les représentations
utilisées dans la suite, nous optons pour la convention selon laquelle le premier bit
est celui situé le plus à gauche. Cependant, soulignons qu’en Informatique, il arrive
souvent de considérer une numérotation des bits allant de 0 à n − 1 en commençant
par le bit le plus à droite dit le moins significatif.
Questions :
? Quel est le nombre le plus petit que l’on peut écrire dans la représentation signe
et grandeur avec 16 bits?
? Quelle est la représentation signe et grandeur avec 16 bits du nombre 23 716 ?
3.1.3 Représentation en complément à 2 d’un entier relatif

La représentation en complément à 2 s’utilise fréquemment.
Lorsqu’on dispose de n bits (n ≥ 2) pour exprimer un entier relatif N , on procède à
la décomposition:
N = −an−1 × 2n−1 + an−2 × 2n−2 + an−3 × 2n−3 + · · · + a1 × 21 + a0 × 20
n
X
= −an−1 × 2 n−1
+ an−i 2n−i .
i=2
Il faut remarquer le signe négatif présent devant le terme an−1 et constater facilement
que tous les entiers positifs (entiers naturels) vérifient:
an−1 = 0 .
Les entiers positifs sont donc représentés par 0 suivi de leur expression binaire
habituelle en (n − 1) bits.
Quant à celle d’un nombre négatif; −2n−1 < N ≤ −2n−2 , il suffit de lui ajouter 2n−1
et de transformer le résultat en forme binaire.
Par exemples,
? La représentation en complément à 2 sur 4 bits 0101 vaut:
−0 × 23 + 1 × 22 + 0 × 21 + 1 × 20 ,
soit 5 en forme décimale.
? La représentation en complément à 2 sur 4 bits 1101 vaut:
−1 × 23 + 1 × 22 + 0 × 21 + 1 × 20 ,
soit −3 en forme décimale.
? Inversement, la représentation en complément à 2 du nombre décimal −6 sera 1
suivi de la représentation en complément à 2 sur 3 bits de
−6 + 23 = 2
qui est 010. C’est-à-dire que
(−6)10 = (1010)2 dans la représentation en complément à 2 .
Questions: :
? Quel est le nombre décimal qui vaut (01011)2 dans la représentation en complément
à 2 ?
? Quel est le nombre décimal qui vaut (11010)2 dans la représentation en complément
à 2 ?
? Quelles sont respectivement les représentations en complément à 2 des nombres
décimaux 15 et −13 ?

3.1.4 Représentation par excès d’un entier relatif
Pour représenter un entier décimal N par excès, il suffit de lui ajouter un excès d et
de donner le résultat sous forme binaire.
Inversement, si on a la représentation binaire par excès d’un entier, il suffit de cal-
culer sa valeur en base 10 et de soustraire d pour trouver l’entier recherché.
En général, avec un mot de n bits, la valeur de d est 2n−1 et on peut alors représenter
au plus 2n entiers différents, y compris les entiers négatifs. Ainsi avec n = 4 bits et
d = 23 , la représentation par excès a l’avantage d’ordonner la représentation binaire
en assignant à 0000 le plus petit entier décimal représentable; à savoir −d. Donc on
a:
Forme binaire Forme décimale

0000 −8
0001 −7
.. ..
. .
1110 +6
1111 +7
Inversement, par exemple avec un mot de 8 bits et un excès d = 28−1 = 27 = 128, pour
représenter (−100)10 , il suffit d’ajouter 128 à −100, ce qui donne 28, et d’exprimer
ce résultat sur 8 bits, soit 0001 1100.
Questions : Avec 8 bits et un excès 27 , donner les représentations respectives des

nombres décimaux −128, −28, 0, 30 et 127.
3.2 Représentation des nombres réels

La tâche de représentation des nombres réels (non entiers en particulier) est plus com-
plexe. Dans le système décimal, on représente souvent un nombre décimal x par
x = m × 10k
où m est la mantisse, k l’exposant et 10 la base.
De façon générale, selon une base b ∈ N \ {0, 1} quelconque, on peut écrire un nombre
décimal x comme suit:
x = m × bk ;

avec pour forme générale de la mantisse:
m = 0, d1 d2 d3 · · · dn
signifiant par définition que
m = d1 × b−1 + d2 × b−2 + d3 × b−3 + · · · + dn × b−n
n
X
= di b−i ,
i=1
où n est le nombre de chiffres (significatifs) de la mantisse et les chiffres di satisfont:

1 ≤ d1 ≤ b − 1
0 ≤ di ≤ b − 1 , pour i = 2, 3, . . . , n.
Le fait que d1 soit supérieur ou égal à 1 signifie que la mantisse est normalisée; c’est-à-
dire que son premier chiffre est toujours différent de 0. Cette normalisation assure l’unicité
de la représentation et permet d’eviter les ambiguités entre
0, 2016 × 102 et 0, 02016 × 103
pour représenter le nombre 20, 16. La dernière expression ci-dessus n’est jamais retenue
en machine. Dans cet exemple, on a considéré la base b = 10 et n = 4 dans la mantisse.
Ainsi la mantisse satisfait toujours
1
≤ m < 1.
b
Ce sont ces considérations qui servent de lignes directrices pour la représentation d’un
nombre réel sur ordinateur. Nous nous intéresserons généralement au cas où la base est
2 (b = 2). Il faut alors trouver un moyen (une convention) de représenter la mantisse
(fraction), l’exposant (un entier signé) et le signe de ce nombre.
Remarque : Les calculatrices de poche se distinguent des ordinateurs principalement

par le fait qu’elles utilisent la base 10 (b = 10) et une mantisse d’une longueur d’environ
10 (n = 10) et un exposant variant généralement entre −100 et 100.
Par exemple, considérons un mot de 8 bits comme
0 1 0 1 1 0 1 1
Alors, dans le cas d’une représentation signe et grandeur de l’exposant,
(i) le premier bit (0) donne le signe du nombre, soit
(−1)0 −→ +,

(ii) on retient trois bits suivants (101) des sept restants pour représenter l’exposant, soit
101 −→ (−1)1 × 0 × 21 + 1 × 20 = −1 ,

(iii) et les quatre derniers bits (1011) représentent la mantisse, soit

0, 1011 −→ 1 × 2−1 + 0 × 2−2 + 1 × 2−3 + 1 × 2−4 = 0, 6875 .
Donc 0101 1011 représente le nombres

0, 6875 × 2−1 = 0, 34375 .
Questions :
1
? Justifier que dans la base b, la mantisse vérifie toujours b
≤m<1?
? Montrer que dans le cas d’une représentation en complément à 2 de l’exposant, le
nombre réel signé de 8 bits (0101 1011)2 vaut 0, 085 9375 en base 10.
3.3 Conversion d’une fraction décimale en valeur binaire

La méthode de conversion d’une fraction décimale en en valeur binaire est similaire à
celle que l’on utilise dans le cas des entiers.
Soit f une fraction décimale comprise entre 0 et 1. Il s’agit de trouver les chiffres di tels
que
(f )10 = (0, d1 d2 d3 · · · )2
ou encore
f = d1 × 2−1 + d2 × 2−2 + d3 × 2−3 + · · · .
• Si on multiplie f par 2 (ce qui revient à diviser f par 2−1 ), on obtient d1 plus une
fraction.
• En appliquant le même raisonnement à (2f − d1 ), on obtient d2 .
• On réitère ainsi le raisonnement jusqu’à ce que la partie fractionnaire soit nulle ou
que l’on ait atteint le nombre maximal de chiffres de la mantisse.
Par exemples,
? on a avec f = 0, 0625 :
0, 0625 × 2 = 0, 1250 ainsi d1 = 0
0, 1250 × 2 = 0, 2500 ainsi d2 = 0
0, 2500 × 2 = 0, 5000 ainsi d3 = 0
0, 5000 × 2 = 1, 0000 ainsi d4 = 1.
Donc (en pratique)
(0, 0625)10 = (0, 0001)2 .

1
? on a avec f = 3
:
1 2
3
×2 = 0+ 3
ainsi d1 = 0
2 1
3
×2 = 1+ 3
ainsi d2 = 1
1 2
3
×2 = 0+ 3
ainsi d3 = 0
2 1
3
×2 = 1+ 3
ainsi d4 = 1
.. .. .. ..
. . . .
On peut poursuivre la conversion à l’infini et montrer que
1
= (0, 010101 · · · )2 .
3
Et puisqu’en pratique, on n’utilise qu’un nombre fini de chiffres dans la mantisse, il
faudra s’arrêter après un certain nombre n de bits.
Questions : Completer les tableaux suivants:
Forme binaire Forme décimale

Forme décimale Forme binaire 0, 1 ...
2 ...
0, 01 ...
1, 5 ...
0, 001 ...
1, 25 ...
0, 1101 ...
1, 125 ...
0, 01011 ...
1, 0625 ...
0, 5 ... 10, 01 ...
0, 2 ...
1011 ...
3.4 Norme IEEE

L ’Institute for Electrical and Electronic Engineering (IEEE) s’éfforce de rendre aussi
uniformes que possibles les représentations sur ordinateur. Il propose une représentation
des nombres réels en simple précision sur 32 bits et en double précision sur 64 bits
(Convention IEEE-754).
La représentation en simple (respectivement, double) précision est construite comme suit:
• le premier bit indique le signe du nombre,

• les 8 bits suivants (11 bits en double précision) déterminent l’exposant avec un excès
de 127 = 28−1 − 1 (1023 = 211−1 − 1 en double précision), et
• les 23 derniers bits 23 (52 en double précision) sont pour la mantisse normalisée.
Puisque l’on normalise la mantisse, son premier chiffre est toujours 1 et il n’est pas
nécessaire de le garder en mémoire. La mantisse normalisée peut donc commencer par un
0 tout en conservant la même précision avec 24 bits (53 en double précision).
Ainsi donc, selon la représentation de Cheney & Kincaid, les 32 bits de la représentation
en simple précision, le mot
(d1 d2 d3 · · · d31 d32 )2
désigne le nombre décimal
(−1)d1 × 2(d2 d3 ···d9 )2 × 2−127 × (1, d10 d11 · · · d32 )2 .
On observe immédiatement ls trois différentes composantes: le bit de signe, l’exposant
avec un excès de 127 et la mantisse normalisée par l’ajout du 1 manquant.
Par exemple, en simple précision IEEE, les 32 bits

1100 0001 1110 0000 0000 0000 0000 0000
se décomposent en
(−1)1 × 2(10000011)2 × 2−127 × (1, 11)2 = −28 .
Question : Vérifier que
(30, 0625)10 = (11110, 0001)2 = 1, 11100001 × 24
et montrer que sa représentation en simple précision IEEE est:
0 10000011 11100001000000000000000 .
Remarque : Noter que la norme IEEE traite le nombre 0 de façon particulière.

3.5 Erreurs absolue et relative
3.5.1 Erreur absolue
Soit x un nombre réel (ou une grandeur exacte). Pour une valeur approchée x∗ de ce
nombre, l’erreur absolue est définie par ∆x = |x − x∗ |.
3.5.2 Erreur relative

Soit x un nombre réel non nul (ou une grandeur exacte non nulle). Pour une valeur
approchée x∗ de ce nombre, l’erreur absolue est définie par
|x − x∗ | ∆x
Er (x) = = .
|x| |x|
L’ erreur relative en pourcentage s’obtient en multipliant l’erreur relative par 100%.
Remarques:

• En pratique on a autant de difficulté à trouver la valeur exacte d’un nombre qu’à
trouver l’erreur absolue (ou relative) de son approximation par un nombre x∗ . C’est
l’exemple des grandeurs mésurées dont on ne dispose que de valeurs approximatives
rendant impossible la détermination des erreurs absolues. Dans ce cas, on essaie de
trouver une borne supérieure (raisonnable) ∆x de |x − x∗ |, si bien qu’on a
|x − x∗ | ≤ ∆x
ce qui équivaut à
x∗ − ∆x ≤ x ≤ x∗ + ∆x .
On interprète cela en disant que x∗ est une estimation de la valeur exacte x avec une
incertitude de ∆x de part et d’autre (i.e., par excès ou par défaut).
Noter que l’erreur absolue indique la mesure quantitative commise tandis que l’erreur
relative en mesure l’importance (à travers le pourcentage).
• Lorsqu’on considère des approximations de grandeurs vectorielles appartenant à un es-

pace normé, les mêmes types d’erreur sont définies en remplaçant la valeur absolue
par la norme.
3.5.3 Convergence et Ordre de convergence
Lorsqu’on dispose d’un schéma ou d’un algorithme qui génère une suite non constante
de nombres réels -ou de vecteurs- (xn )n∈N convergeant vers un réel -ou un vecteur- x∗ ,
alors un tel schéma ou algorithme produit des approximations de x∗ .
Dans ce cas, pour mesurer la convergence de (xn )n vers x, on considère l’erreur absolue
et l’erreur relative définies respectivement par:
|xn − x∗ |
en = |xn − x∗ | et erel,n = si x∗ 6= 0 , .
|x∗ |
On dit que
• l’ordre du taux de convergence de cette suite est p > 0, s’il existe une constante
réelle C > 0 telle que
|en+1 | ' |en |p ;
c’est-à-dire que
|en+1 |
lim = C ∈ ]0, +∞[ .
n→+∞ |en |p
dans le cas d’une suite non constante.
- Si p = 1, on parle de convergence linéaire.

- Si p = 2, on parle de convergence quadratique.

• l’ordre du taux de convergence de cette suite est au moins p > 0, s’il existe une
constante C > 0 et un rang n0 tels que :
|en+1 | ≤ C |en |p , ∀ n ≥ n0 ;
c’est-à-dire que
|en+1 |
lim sup < +∞ ,
n→+∞ |en |p
dans le cas d’une suite non constante.
Notons qu’en pratique,

l’ordre du taux
de convergence se détermine en représentant
la courbe des points ln en+1 ; lnen .
3.6 Erreurs dues aux repésentations
La repésentation en point flottant, par troncature (chopping) ou bien, par arrondi
(rounding), induit une erreur relative qui dépend du nombre de bits de la mantisse, de
l’utilisation de la troncature ou de l’arrondi, ains que du nombre à représenter. Notons
que l’intervalle entre les nombres représentables varie en longueur selon l’exposant devant
la mantisse.
Tout nombre réel s’écrit (se développe) dans le système décimal sous la forme
x = 0, d1 d2 d3 · · · dn dn+1 · · · × 10k
où les di sont des chiffres avec d1 non nul; c’est la représentation flottante de x à l’aide de
la mantisse normalisée.
3.6.1. Arithmétique flottante

• La représentation de x = 0, d1 d2 d3 · · · dn dn+1 · · · × 10k par troncature en notation
flottante à n chiffres, se définit par
fl(x) = 0, d1 d2 d3 · · · dn × 10k .
• La représentation de x par arrondi en notation flottante à n chiffres, se définit par

 0, d1 d2 d3 · · · dn × 10k si 0 ≤ dn+1 ≤ 4
fl(x) =
(0, d1 d2 d3 · · · dn + 10−n ) × 10k si 5 ≤ dn+1 ≤ 9 .

3.6.2. Remarques : Troncature et Arrondi.

• La troncature à n chiffres d’un nombre décimal positif x = 0, d1 d2 d3 · · · dn dn+1 · · · ×10k
en notation flottante consiste à retrancher les chiffres à partir de la position n + 1.
Donc on a toujours fl(x) ≤ x et on dit que la troncature est biaisée.
Dans ce cas, on a une troncature à 10−n+k près.
Noter que pour une précision donnée, on tronque un nombre décimal positif aux
sous-multiples de l’unité.

• Quant à l’arrondi, il s’agit d’ajouter 5 au (n + 1)-ième chiffre de la mantisse avant
d’effectuer la troncature. En d’autres termes, l’arrondi à n chiffres d’un nombre
décimal x en notation flottante, s’obtient par la troncature du nombre obtenu en
ajoutant à x le nombre 0, 5 × 10−n ou encore 5 × 10−n−1 . L’arrondi vérifie fl(x) ≤ x
ou fl(x) ≥ x, et on dit qu’il est non biaisé. Dans ce cas, on a un arrondi à 10−n+k près.
On peut aussi arrondir un nombre réel positif pour obtenir une valeur approchée
décimale ou entière!
• En pratique, étant donné un entier relatif n (n ∈ Z),
− la troncature d’un nombre décimal positif x à 10n près, est le nombre décimal
de la forme m × 10n avec m ∈ N et tel que:
m × 10n ≤ x < (m + 1) × 10n .
− l’arrondi d’un nombre réel positif x à 10n près, est le nombre décimal de la
forme m × 10n avec m ∈ N et tel que:
x − 0, 5 × 10n < m × 10n ≤ x + 0, 5 × 10n .

Il peut être plus grand que x contrairement à la valeur obtenue par troncature!
Noter que l’arrondi d’un nombre réel positif x à 10n près, est le plus grand nom-
bre décimal de la forme m × 10n ; avec m ∈ N, qui est à distance minimale de x.
Remarque. En informatique, l’arrondi d’un nombre négatif diffère cependant

selon les logiciels utillisés. Généralement, pour arrondir un nombre négatif, on
prend l’opposé de l’arrondi de sa valeur absolue.
3.6.3. Exemples
• La troncature de 3, 14159 à l’unité près; c’est-à-dire à 100 près, est : 3.
• La troncature de 3, 14159 à 10−2 près est : 3, 14.
• La troncature de 3, 14159 à 10−4 près est : 3, 1415.
• L’arrondi de 3, 14159 à 10−2 près est : 3, 14.
• L’arrondi de 3, 1415 à 10−3 près est : 3, 142. C’est le plus grand des seuls nombres
3141 × 10−3 et 3142 × 10−3 qui sont à distance minimale de 3, 1415.
• L’arrondi de 3, 14159 à l’unité près; c’est-à-dire à 100 près, est : 3.
• L’arrondi de 85 à la dizaine près; c’est-à-dire à 101 près, est : 90.
• L’arrondi de 185 à la centaine près; c’est-à-dire à 101 près, est : 200.

• L’arrondi de 2021 à l’unité de mille près; c’est-à-dire à 103 près, est : 2000.
L’on peut définir l’arrondi d’un nombre réel quelconque dans n’importe quelle base ap-
propriée b (base dans laquelle tout nombre réel possède un développement éventuellement
illimité).
En effet l’arrondi d’un nombre réel positif x dans une base b ≥ 2 (e.g; b = 10 ou b = 2)
avec une certaine précision b−n (n ∈ N) est le nombre
em × bm + em−1 × bm−1 + . . . + e0 + d1 × b−1 + . . . + dn × b−n
le plus proche de x pour lequel tous les chiffres correspondant aux puissances b−k allant
en dessous de cette précision; c’est-à-dire −k < −n ou encore k < n, sont nuls.
Par convention, lorsqu’il existe deux de ces nombres plus proches possible (à distance min-
imale), l’arrondi est alors le plus grand.
La norme IEEE recommande l’utilisation de l’arrondi dans la représentation

binaire des nombres réels.
Questions : On choisit n = 4 (i.e., la représentation de la mantisse normalisée avec

4 chiffres) dans le système décimal.
Trouver alors
fl(1/3) = . . .
fl(2, 0166) = . . .
fl(12, 4551) = . . .
fl(π) = . . . .
3.6.4. Chiffres significatifs

Si l’erreur absolue commise dans la représentation (ou l’approximation) d’un nombre réel
x vérifie
∆x ≤ 0, 5 × 10k où k est un entier relatif;
alors le chiffre correspondant à la k-ième puissance de 10 est dit significatif et tous ceux
qui sont à sa gauche (correspondant aux puissances de 10 supérieures à k) le sont aussi
à l’exception des zéros qui ne sont précédés d’aucun chiffre non nul.
Questions :
? En faisant l’approximation de π au moyen de la quantité 22/7, quelle erreur absolue
commet-on? Quels sont les chiffres significatifs?
? En retenant comme approximation de π, le nombre 3, 1416, quels sont les chiffres
significatifs?

Nous reviendront dans la suite sur la notion des chiffres significatifs et la méthode courante
de détermination de l’arrondi.
3.6.5 Précision machine

La précision machine ε est la plus grande erreur relative que l’on puisse commettre en
représentant un nombre réel sur ordinateur en utilisant la troncature.
Si on utilise l’arrondi alors la précision machine vaut ε/2.
Question : Justifier que la précisionn machine vérifie
ε ≤ b1−n
où b est la base utilisée et n le nombre de bits de la mantisse.
3.7. Opérations élémentaires en Arithmétique Flottante

On rappelle que les opérations élémentaires sont l’addition, la soustraction, la multi-
plication et la division.
Pour effectuer une opération élémentaire en Arithmétique Flottante, on doit d’abord
représenter les deux opérandes en notation flottante, effectuer l’opération de la façon
habituelle et puis exprimer le résultat en notation flottante.
En d’autres termes (symboliques), on a:

x + y → fl fl(x) + fl(y)

x−y → fl fl(x) − fl(y)

x÷y → fl fl(x) ÷ fl(y)

x×y → fl fl(x) × fl(y) .
Questions : Avec n = 4, effectuer les opérations suivantes en notation flottante.
a) (1/3) × 3 .
b) (0, 4035 × 106 ) × (0, 1978 × 10−1 ) .
c) (0, 56789 × 104 ) ÷ (0, 1234321 × 10−3 ) .
d) (0, 4035 × 106 ) + (0, 1978 × 104 ) .
e) (0, 56789 × 104 ) − (0, 1234321 × 106 ) .

Avertissements : Des opérations mathématiquement équivalentes ne le sont pas forcément
en Arithmétique Flottante.

1) La propriété de distributivité de la multiplication sur l’addition n’est pas toujours
respectée en Arithmétique Flottante.
Par exemple, avec n = 3,
122 × (333 + 695) → 0, 126 × 106 .
(122 × 333) + (122 × 695) → 0, 125 × 106 .
2) La propriété d’associativité de l’addition n’est pas toujours respectée en Arithmétique

Flottante.
2 + (0, 004 + 0, 003) → 0, 2 × 101 = 2.
(2 + 0, 004) + 0, 003 → 0, 201 × 101 = 2, 01 .
3) Opération risquée: l’addition de deux nombres dont les ordres de grandeur sont très
différent peut entraı̂ner la disparution complète du plus petit nombre devant le plus
grand.
(0, 2016 × 105 ) + (0, 1000 × 10−2 ) → fl (0, 2016 × 105 + 0, 00000001 × 105 )
= fl (0, 20160001 × 105 )
= 0, 2016 × 105 .
4) Opération risquée: la soustraction de deux nombres presque identiques peut faire

apparaı̂tre des chiffres non significatifs!
Par exemple, avec n = 4, le calcul en notation flottante de
(0, 2016 × 106 ) − (0, 2015 × 106 ) → fl (0, 0001 × 106 )
= 0, 1000 × 103
fait apparaı̂tre dans 0, 0001 × 106 trois 0 non significatifs.

3.8. Chiffres significatifs. Erreurs d’approximations usuelles
On rappelle que la notion de chiffres significatifs est une convention universellement
adoptée pour représenter une valeur approchée décimale d’un nombre ou de la mesure
d’une grandeur (physique) avec une erreur implicitement associée. Cette convention sim-
plifie la notion d’incertitude de mesure qui exprime explicitement l’erreur ou une majo-
ration de l’erreur.
Le principe fondamental de la notion de chiffres significatifs est que dans l’écriture scien-
tifique d’une valeur approchée, sans mention explicite de précision, seul le dernier chiffre
peut être incertain. Par exemple dans une table de données, une valeur comme 12, 94
traduit que la valeur exacte de la grandeur est comprise entre 12, 94 − 0, 01 = 12, 93 et
12, 94 + 0, 01 = 12, 95; c’est-à-dire que l’incertitude est de 0, 01. Par contre la valeur ap-
prochée décimale 12, 940 traduit que la valeur exacte est comprise entre 12, 940 − 0, 001 =
12, 939 et 12, 940 + 0, 001 = 12, 941 (ici l’incertitude est de 0, 001). Donc en matière
d’approximation, la valeur 12, 940 est plus précise que 12, 94 (bien que les nombres
décimaux 12, 940 et 12, 94 soient parfaitement égaux). Par ailleurs, même en matière
d’approximation les valeurs 012, 94 et 12, 94 ont la même précision puisqu’elles sont par-
faitement égales.
De même, la valeur 12, 00 signifie que la valeur exacte est comprise entre 11, 99 et 12, 01
et est plus précise que la valeur 12, 0. Par ailleurs, notons que les valeurs 12, 0 et 012, 0
ont la même précision étant donné qu’elles sont égales.
• Dans un nombre décimal non nul :
- Aucun zéro (0) précédant le premier chiffre non nul n’est significatif.
- Les chiffres significatifs sont le premier chiffre non nul et tous les autres chiffres
situés à sa droite (y compris le dernier zéro).
- Le nombre de chiffres situés après le dernier zéro (0) non significatif représente le
nombre de chiffres significatifs.
• Dans l’expression décimale d’une valeur approchée, si un certain chiffre est signifi-
catif, alors tous ceux qui sont à sa gauche sont aussi significatifs à l’exception des
zéros qui ne sont précédés d’aucun chiffre non nul.
Si l’erreur absolue commise dans la représentation (ou l’approximation) d’un nombre
réel x vérifie
∆x ≤ 0, 5 × 10k où k est un entier relatif;
alors le chiffre correspondant à la k-ième puissance de 10 est significatif et tous ceux
qui sont à sa gauche (correspondant aux puissances de 10 supérieures à k) le sont
aussi à l’exception des zéros qui ne sont précédés d’aucun chiffre non nul.
• En notation scientifique, on écrit une valeur approchée décimale sous la forme
m · 10k oú m ∈ [0, 10[ est la mantisse (ou la significande) dont tous les chiffres sont
significatifs et k est un entier relatif.
• En notation ingénieur, on écrit une valeur approchée décimale sous la forme
m · 10k×3 oú m ∈ [0, 1000[ est la mantisse (ou la significande) dont tous les chiffres

sont significatifs et k est un entier relatif.
Notons qu’en ingéniérie, on a les noms suivants pour les puissances de 1.000 :
Puissance de 10 10−24 10−21 10−18 10−15 10−12 10−9 10−6 10−3

Nom yocto zepto atto femto pico nano micro milli
Symbole y z a f p n µ m
Puissance de 10 103 106 109 1012 1015 1018 1021 1024

Nom Kilo Mega Giga Tera Peta Exa Zeta Yolta
Symbole k M G T P E Z Y
Par exemple:
I 9 a un chiffre significatif tout comme les nombres 0, 9 et 0, 09.
I 0, 90 a 2 chiffres significatifs.
I 0, 0103 a 3 chiffres significatifs.
I 5, 3 × 109 a 2 chiffres significatifs.
De plus, lorsque suite à la mesure d’une grandeur on trouve 510,
- si un seul chiffre est significatif, il ne peut qu’être 5 et on écrira alors le résultat final
sous la forne 5 × 102 ou encore 0, 5 × 103 (dans ce cas aucun des chiffres n’est exact),
- si seulement deux chiffres sont significatifs, ils ne peuvent qu’être 5 et 1, et on écrira
alors le résultat final sous la forne 5, 1 × 102 ou encore 0, 51 × 103 (dans ce cas seul
le chiffre 5 est surêment exact),
- si trois chiffres sont significatifs, alors on écrira le résultat final sous la forne 5, 10 × 102
ou encore 0, 510×103 , ou encore 510 (dans ce cas les deux chiffres 5 et 1 sont surêment
exacts) et l’incertitude est d’une unité.
Remarque
Compte tenu de certaines conventions, la notion (du nombre) de chiffres peut comporter
des subtilités. C’est le cas des tableaux de logarithmes dans lesquels la règle consiste
à avoir autant que possible de chiffres significatifs après la virgule dans le logarithme
(obtenu par approximation) que dans la valeur (dont on calcule le logarithme). Ceci est
en réalité une conséquence du nombre de chiffres significatifs défini dans la représentation
scientifique d’un nombre décimal, puisque dans le logarithme, le nombre avant la virgule
n’est rien d’autre que la valeur de l’exposant.
Par exemple 4, 1 × 103 a deux chiffres et on convient de dire que son logarithme décimal
avec 2 chiffres significatifs est 3, 61 et non 3, 6.
Questions

1. Donner le nombre de chiffres significatifs de chacun des nombres décimaux suivants:
12, 0. 0, 12. 0, 120. 0, 012. 12, 00. 0, 0012. 0, 120. 12, 001. 0, 02019. 011, 02019.
2. Donner le nombre de chiffres significatifs de chacun des nombres décimaux suivants:

3, 5 × 102 . 0, 350 × 102 . 3, 50 × 103 . 0, 014 × 10−3 .
3. La mesure d’une grandeur donne 19, 47 comme résultat brut avec une incertitude
égale à 0, 50.
i) Dans cette valeur approchée décimale, combien y a-t-il de chiffre(s) exact(s)?
(On pourra d’abord faire un encadrement).
ii) Dans l’expression décimale du résultat final, combien de chiffres significatifs a-
t-on (au maximum)?
iii) Donner le résultat final (sans avoir à préciser l’incertitude).
4. La mesure d’une grandeur donne 19, 47 comme résultat brut avec une incertitude
égale à 0, 05.
i) Dans cette valeur approchée décimale, combien y a-t-il de chiffres exacts?
ii) Dans l’expression décimale du résultat final, combien de chiffres significatifs a-
t-on (au maximum)?
iii) Donner le résultat final (sans avoir à préciser l’incertitude).

Activité I (Troncatures/Arrondis).
1. Donner une approximation du nombre π e par troncature avec deux chiffres après la
virgule.
2. Donner aussi une approximation de ce nombre par arrondi avec deux chiffres après
la virgule.
3. Quelle est la valeur approchée décimale de π e avec 4 chiffres significatifs.
Activité II (Approximations, Calcul d’erreurs).

Les mesures d’une feuille A4 donnent respectivement L = 29, 7 cm pour la longueur et
l = 21, 0 cm avec une précision de l’ordre du millimètre (∆L = ∆l = 0, 1 cm).
1. Calculer alors le périmètre de cette feuille en précisant l’erreur absolue.
2. Calculer aussi l’aire de cette feuille en précisant l’erreur absolue.
Activité III (Approximations, Calcul d’erreurs).

La mesure de la longueur d’un côté d’une boı̂te cubique B1 donne l∗ = 10, 2 cm avec une
précision de l’ordre du millimètre (∆l = 0, 1 cm).
1. Calculer la valeur approximative du volume de cette boı̂te et l’erreur liée à cette
valeur.
2. Quels sont les chiffres significatifs de cette valeur approximative du volume de cette
boı̂te.
Activité IV (Zéros d’une fonction, Multiplicité d’un zéro).

Une fonction numérique f définie d’un intervalle non vide I vers R possède un zéro a de
multiplicité k ∈ N∗ , s’il existe une fonction g : I −→ R telle que

 f (x) = (x − a)k g(x) ∀x ∈ I,
g(a) 6= 0.

Dans le cas où f est k fois dérivable en a, cela signifie que


 f (i) (a) = 0 pour tout 0 ≤ i ≤ k − 1,
f (k) (a) 6= 0.

1. On considère le polynôme P (x) = x(x − 1)(x2 − 1)(3x + 1)4 .

i) Quels sont les zéros de P ? Préciser l’ordre de multiplicité de chacun d’un.
ii) Parmi ces zéros, lesquels sont simples ?

2. Montrer que π est un zéro simple de la fonction sinus.
3. 0 est-il un zéro simple de la fonction numérique f : x 7→ 1 − cos x ?
Sinon quel est son multiplicité ?

Activité V. (Recherche de zéros. Méthode de Dichotomie ou Méthode de la
Bissection)
On pose f (x) = x2 − 2 et on s’interesse à l’approximation de la racine positive α de f .
1. Montrer, sans chercher à déterminer α, que α ∈]1, 2[.
2. En utilisant la méthode de la bissection (encore dite de dichotomie), trouver une
valeur approchée de α à 10−2 près.
Vérifier le résultat à l’aide d’une calculatrice (par résolution graphique ou autrement).
Activité VI. (Dichotomie/ Bissection)

1. Montrer que l’équation xex − 1 = 0 admet une seule solution x̄ dans R.
2. Montrer que x̄ ∈]0, 1[.
3. En utilisant la méthode de la dichotomie, trouver une valeur approchée de x̄ à 10−2
près.
Activité VII. (Dichotomie/ Bissection)

1. Montrer que l’équation x + lnx = 0 admet une seule solution β dans ]0, +∞[.
2. Montrer que β ∈]0, 1[.
3. En utilisant la méthode de la dichotomie, trouver une valeur approchée de β à 10−2
près.
4. Vérifier le résultat à l’aide de votre ordinateur (par résolution graphique ou autrement).
Activité VIII. (Recherche de zéros. Méthode de Newton)

Soit f une fonction réelle continûment dérivable (i.e., dérivable et de fonction dérivée
continue) sur un intervalle I d’intérieur non vide.
On suppose que f 0 n’est jamais nulle dans I et on choisit un certain élément x0 ∈ I.
1. Montrer que l’abcisse x1 du point d’intersection de l’axe des abcisses et de la tangente
à la courbe représentative de f au point d’abcisse x0 est:
f (x0 )
x1 = x0 − .
f 0 (x0 )
2. Etant donné (ou assuré) que xn ∈ I, pour n ∈ N, on pose

f (xn )
xn+1 = xn − .
f 0 (xn )
C’est l’algorithme de Newton !

3. On suppose de plus que tous les termes xn (avec n ∈ N) sont définis et que la suite
(xn )n∈N converge vers un réel x∗ dans I.
Que représente x∗ pour f ?
4. Quelle est l’utilité de l’algorithme de Newton ?

Activité IX (Méthode de Newton).
1. Ecrire l’algorithme de Newton dans le cas où f (x) = x2 − 2 pour x ∈ [1, 2] et x0 = 1.
2. Construire le graphe de f puis représenter (sans calcul) les termes x1 , x2 .
3. Calculer x2 .
4. Pour n ∈ N∗ , que peut-on dire de xn pour f ?
√
5. Que représente x2 pour 2 ?
Activité X. (Fonctions Lipschitziennes)

Etant donné un intervalle non vide I, une fonction f : I → R est dite Lipschitzienne ou
de Lipschitz s’il existe un réel positif K tel que
|f (x) − f (y)| ≤ K|x − y| pour tous éléments x et y de I .
1. Soit I un intervalle non vide et f : I → R une fonction numérique.

Montrer que f est une fonction de Lipschitz si et seulement si ses taux de variation
moyens sont bornés; c’est-à-dire, qu’il existe une constante réelle K ≥ 0 tel que
f (x) − f (y)
≤K pour tous éléments distincts x et y de I .
x−y
2. Montrer que les fonctions suivantes sont de Lipschitz:

i) Toute fonction affine f de R; c’est-à-dire que f (x) = ax + b où a et b sont des
constantes réelles.
Précisez le rapport de Lipschitz?
ii) La fonction numérique g : [0, 1] → R définie par g(x) = x2 .
1
iii) La fonction numérique h : [−1, 1] → R définie par h(x) = 2+x
.
√
iv) La fonction numérique u : [1, 4] → [0, 4] définie par u(x) = x.
3. Montrer que les fonctions suivantes ne sont pas de Lipschitz:
√
i) La fonction numérique ϕ : [0, 1] → [0, 1] définie par ϕ(x) = x.
On pourra raisonner par l’absurde tout en considérant lim+ ϕ(x)−ϕ(0)
x−0
.
x→0
2
ii) La fonction numérique ψ : R → R définie par ψ(x) = x .
ψ(x)−ψ(0)
On pourra raisonner par l’absurde tout en considérant lim x−0
.
x→+∞
4. Quelles leçons tirez-vous d’une part des réponses aux questions 2.ii) et 3.ii), et d’autre
part des réponses aux questions 2.iv) et 3.ii) ?
Activité XI.

1. Soient a et b deux nombres réels tels que a < b.
Montrer que si f : [a, b] −→ R est continûment dérivable, alors f est une application
de Lipschitz dont le rapport de Lipschitz est : K = max |g 0 (x)| .
a≤x≤b
On pourra appliquer le Théorème (l’inégalité) des accroissements finis.

2. En déduire que les fonctions suivantes sont de Lipschitz.
i) La fonction f : [0, 2π] → R définie par f (x) = sin x.
ii) La fonction g : [0, 1] → R définie par g(x) = ln(1 + x).
3. Soit I un intervalle non vide et f une fonction dérivable sur l’intérieur ˚ I de I.
(Rappelons que l’intérieur d’un intervalle s’obtient en éliminant ses bornes).
Montrer que f est lipschitzienne si et seulement si sa fonction dérivée est bornée sur
I; c’est-à-dire,
sup |f 0 (x)| < +∞ .
x∈˚
I
Activité XII. (Contractions strictes)

Etant donné un intervalle non vide I, on appelle contraction stricte de I, toute fonction
f : I → I qui est Lipschitzienne et dont le rapport de Lipschitz K est strictement
inférieur à 1.
1. i) Soit g : [a, b] −→ [a, b] une application continûment dérivable avec a < b sont
des nombres réels.
Montrer que g est une contraction stricte si et seulement si ||g 0 ||∞ < 1.
ii) Plus généralement, soit I un intervalle non vide et g une fonction dérivable sur
l’intérieur ˚
I de I.
Montrer que g est une contraction stricte si et seulement si sup |g 0 (x)| < 1 .
x∈˚
I
2. Lesquelles des applications suivantes sont des contractions strictes ?

g1 : [0, 1] → [0, 1] g2 : [0, 1] → [0,
√ 1] g3 : [−1, 1] → [−1, 1]
x 7→ 1 − x x 7→ x x 7 → x3
g4 : [0, 1] → [0, 1] g5 : R → R g6 : [−1, 1] → √ [−1, 1]

x 7→ 1+x
2
x 7 → x+1 x 7 → 1 − x2
g7 : ]0, 1[ → ]0, 1[ g8 : R → R g9 : [0, 1] → [0, 1]

x
x 7→ 2
x 7 → 2x x 7 → x2
Activité XIII. (Points fixes)

• Etant donné deux intervalles non vides I et J tels que I ⊂ J, un élément a ∈ I est
appelé point fixe d’une application f : I → J si f (a) = a.

• Etant donné un intervalle non vide I et une application : I −→ I, on appelle :
bassin d’attraction d’un point fixe a ∈ I, l’ensemble des points x ∈ I pour lesquels
la suite des itérées (f n (x))n converge vers a.
Noter que f 0 (a) = a, f 1 (a) = f (a), . . . et puis f n (a) = f [f n−1 (a)] pour n ≥ 1.
Questions.
Parmi les applications suivantes :
g1 : [−1, 1] → [−1, 1] g2 : [0, 1] → [0,
√ 1] g3 : [−1, 1] → [−1, 1]
x 7 → −x x 7→ x x 7 → x3
g4 : [0, 1] → [0, 1] g5 : R → R g6 : [−1, 1] → √ [−1, 1]

1+x
x 7 → 3
x 7→ x − 1 x 7 → 1 − x2
g7 : ]0, 1[ → ]0, 1[ g8 : R → R g9 : [−1, 1] → [−1, 1]

x
x 7→ 3
x 7→ 5x x 7 → x2
1. Lesquelles possèdent de point(s) fixe(s) ?
2. Lesquelles sont des contractions strictes ?
Activité XIV.
Principe de l’application contractante (ou Théorème du point fixe de Banach)
Soit I une partie fermée non vide de R (e.g.; [a, b], ] − ∞, b], [a, +∞[ et R; où a et
b sont des nombres réels satisfaisant a < b si nécessaire).
Soit g une contraction stricte de I.
Alors g admet un point fixe unique x∗ dans I.
De plus on a l’algorithme du point fixe suivant:
Tout point p0 ∈ I appartient au bassin d’attraction de x∗ en ce sens que la suite récurrente
définie par
x0 = p 0
xn+1 = g(xn ) , ∀n = 0, 1, 2, 3, ... .

converge vers x∗ .
En outre
Kn
∗
|xn − x | ≤ |x1 − x0 | ∀n ≥ 1
1−K
où K est une constante de Lipschitz de g appartenant à [0, 1[.
NB. Un tel K existe bien car g est par hypothèse une contractipon stricte.
Application
On pose
x 1
g(x) = + , ∀ x ∈ [1, 2] .
2 x
1. i) Vérifier que g est dérivable et que g(x) ∈ [0, 1] pour tout x ∈ [1, 2].

ii) Montrer que g est une contraction stricte de [1, 2].
2. Définir la suite (xn )n de termes générés par l’algorithme du point fixe de g en prenant
x0 = 1.
3. Représenter le graphe de g et puis trouver graphiquement (sans calcul) les termes x1
et x2 .
4. Montrer que
√ 1
xn − 2 ≤ , ∀n ≥ 0 .
2n−1
5. Quelle
√ est la plus petite valeur q de n, á partir de laquelle xn est une approximation
−3
de 2 à 10 près?
6. Comparer cet algorithme à l’algorithme de Newton pour la détermination du zéro de
x2 − 2 dans [1, 2].

Activité XV.
On considère la fonction numérique f définie sur R par
f (x) = x3 + 2x − 1 .
1. Montrer que l’équation algébrique f (x) = 0 admet une unique solution réelle
γ et que de plus 0 < γ < 1.
Maintenant on cherche à résoudre l’équation algébrique f (x) = 0 par un algorithme
(itératif ) du point fixe.
1−x3
2. On pose g(x) = 2
, x ∈ R.
i) Montrer que la racine réelle de l’équation
f1(x)
= 0 est le seul point fixe de g et
que g réalise une contraction stricte de 0, 2 .
En déduire que 0, 12 est contenu dans le bassin d’attraction du point fixe de g.

Pour tout x0 ∈ 0, 12 , on analysera le comportement de la suite (xn )n∈N telle

que
xn+1 = g(xn ).
ii) Montrer que g([0, 1]) ⊂ 0, 21 .

En déduire que [0, 1] est contenu dans le bassin d’attraction du point fixe de g.
3. On s’intéresse aussi aux fonctions ci-dessous dont les points fixes coı̈ncident avec la
solution γ de (E1 ) :
−x3 + 1 1
g1 (x) = −x3 − x + 1 , g2 (x) = et g3 (x) = ; 0 ≤ x ≤ 1.
2 x2 +2
Pour quelle(s) fonction(s) ci-dessus, suggérez-vous l’algorithme du point fixe pour la

détermination de γ ?
Justifier brièvement votre réponse.
Activité XVI.
On considère les applications définies respectivement de [0, 1] vers [0, 1] par:
x 1−x
f (x) = et g(x) = .
2 3
1. Déterminer respectivement l’ensemble des points fixes Inv(f ) et Inv(g) respectifs des
fonctions f et g.
2. On considère la suite recurrente définie par:

x0 = 1
xn+1 = f (xn ) pour tout n ∈ N.
i) Calculer x1 , x2 et plus généralement xn pour tout entier naturel n.

ii) Quelle est la limite de la suite (xn )n∈N ?
iii) Le résultat était-il prévisible ?

y0 = 0
yn+1 = g(yn ) pour tout n ∈ N ,
1
et on pose zn = yn − 4
pour tout entier naturel n.
i) Calculer z0 et puis zn+1 en fonction de zn pour tout entier naturel n.
En déduire zn et puis yn pour tout entier naturel n.
ii) Quelle est la limite de la suite (yn )n∈N ?
Le résultat était-il prévisible ?
Activité XVII.
x
On considère l’application f : R −→ R définie par f (x) = 2
.
1. Déterminer l’ensemble des points fixes Inv(f ) de f .

x0 = 1
xn+1 = f (xn ) pour tout n ∈ N.
i) Calculer x1 , x2 et plus généralement xn pour tout entier naturel n.
iii) Le résultat était-il prévisible ?
3. Représenter graphiquement f dans un repère orthonormé.

4. Déterminer graphiquement le(s) point(s) fixe(s) de f (en utilisant la courbe représentative
de f et la droite d’équation y = x).

y0 = −1
5. i) On pose
yn+1 = f (yn ) , ∀n ∈ N .
Représenter graphiquement (et sans calcul) sur l’axe Ox de R1 les termes y0 , y1
et y2 .

u0 = 3
ii) On pose
un+1 = f (un ) , ∀n ∈ N .
Représenter graphiquement (et sans calcul) sur l’axe Ox de R1 les termes u0 , u1
et u2 .
Activité XVIII.
On considère les applications définies respectivement de g : [0, 1] −→ [0, 1] par g(x) =
1−x
3
.

1. Déterminer l’ensemble des points fixes Inv(g) de g.

x0 = 0
xn+1 = g(xn ) pour tout n ∈ N ,
et on pose vn = xn − 41 pour tout entier naturel n.
i) Calculer v0 et puis vn+1 en fonction de vn pour tout entier naturel n.
En déduire vn et puis xn uniquement en fonction de n, pour tout entier naturel
n.
Le résultat était-il prévisible ?
3. Représenter graphiquement g dans un repère orthonormé.
4. Déterminer graphiquement le(s) point(s) fixe(s) de g.

a0 = 0
5. i) On pose
an+1 = g(an ) , ∀n ∈ N .
Représenter graphiquement a0 , a1 et a2 .

b0 = 1
ii) On pose
bn+1 = g(bn ) , ∀n ∈ N .
Représenter graphiquement les termes b0 , b1 et b2 .
Activité XIX. (Equations aux différences finies)

Initialisation à la résolution des équations récurrentes d’ordre 2 :
(E) aun+2 + bun+1 + cun = 0 ;
où a 6= 0, b et c sont des nonbres réels.
- Etape 1. Déterminer l’équation caractéristique de (Q) :
(C) ar2 + br + c = 0 ,
et calculer le discriminant de C :
∆ = b2 − 4ac
- Etape 2. Déterminer les racines de (C) :

◦ Si ∆ > 0, alors (C) admet deux racines réelles distinctes
√ √
−b + ∆ −b − ∆
r1 = et r2 = .
2a 2a
◦ Si ∆ = 0, alors (C) admet une racine réelle double
b
r = − .
2a

◦ Si ∆ < 0, alors (C) admet deux racines complexes conjuguées distinctes
r1 = α + iβ et r2 = α − iβ ;
où : √
−b −∆
α= et β= .
2a 2a
- Etape 3. Exprimer la solution générale de (E) :
◦ Si ∆ > 0, la solution générale réelle de (E) est donnée par:
un = p r1n + q r2n , ∀n ∈ N;
où r1 et r2 sont les racines distinctes de (C) et p et q sont des constantes réelles.
◦ Si ∆ = 0, la solution générale réelle de (E) est donnée par:
un = (p + qn) rn , ∀n ∈ N;
où r est la racine double de (C) et p et q sont des constantes réelles.
◦ Si ∆ < 0, la solution générale réelle de (E) est donnée par:
h i
un = p cos(βn) + q sin(βn) eαn , ∀ n ∈ N
où α et β sont respectivement les parties réelle et imaginaire d’une solution de (C)
et p et q sont des constantes réelles.
Questions
1. On considère les suites réelles x, y et z de termes généraux respectifs :
xn = 2n , yn = −3n et zn = n 3n
pour tout entier naturel n.
i) Montrer que les suites (xn )n et (yn )n satisfont chacune l’équation

un+2 − 5un+1 + 6un = 0 ∀n ∈ N.
ii) Montrer que les suites (zn )n satisfait l’équation

un+2 − 6un+1 + 9un = 0 ∀n ∈ N.
2. Trouver les suites u, v et w telles qu’on ait respectivement:

 
 u0 = 3 ,  v0 = −1 ,
u1 = 4 , v1 = 0 ,
 u
n+2 = u n+1 + 6u n , ∀n ∈ N.  v
n+2 = 6vn+1 − 9vn , ∀n ∈ N.


 w0 = 0 ,
et w1 = −1 ,
n+2 = 2wn+1 − 2wn , ∀n ∈ N.
 w
Justifier votre méthode.
Activité XX. (Analyse matricielle)

1. On considère la matrice :  
0 1 0
A =  0 0 1 .
0 0 0
i) Calculer A2 et A3 .
En déduire que A est une matrice nilpotente; i.e, il existe un entier naturel k tel
que Ak = 0.
ii) Montrer que A est un diviseur de zéro de l’anneau des matrices carrés d’ordre 3;
M3 (R); c’est-à-dire qu’il existe des matrices carrées B et C d’ordre 3 telles que
AB = 0 = CA.
iii) A est-elle inversible ?
2. i) Soit D une matrice carrée et P une matrice carrée inversible de même ordre que
D. On pose A = P DP −1 .
Montrer que pour tout entier naturel n ≥ 1, on a An = P Dn P −1 .
ii) On considère les matrices
 1   5 1 
0
2 1 −1 12 12
D =   P = et A =  .
1 1 1 1 5
0 3 12 12
a) Déterminer P −1 et vérifier que A = P DP −1 .

b) Calculer An en fonction de n uniquement.
c) Vérifier que la matrice A est convergente; i.e.
lim An = 0 .
n→+∞
3. i) Soit    
2 1 6 0 1 0
A =  3 5 −2  , P =  1 0 0 ,
4 −1 7 0 0 1
et pour tout a ∈ R \ {0}, on pose
   
a 0 0 a 0 0
E1,1 (a) =  0 1 0  , E3,1 (a) =  0 1 0  .
0 0 1 a 0 1

a) Calculer AP , P A, E1,1 (a)A, AE1,1 (a), E3,1 (a)A et AE3,1 (a).
b) Interpreter ces résults en termes d’opérations élementaires.

Deuxième partie
Dérivation Numérique. Approximations de Fonctions.
Activité (2) I. (Dérivation Numérique)
1. Donner le developpement de Taylor d’ordre 1 au voisinage de 0 des fonctions f and

g definies respectivement par :
1 √
f (x) = et g(x) = 1 + x.
1+x
En déduire des valeurs approchées (avec deux ou trois chiffres significatifs) des nom-
bres réels suivants:
1 1 1
a = 1,01
. b = 0,99
. c = 10,1
.
√ √ √
α = 1, 1 . β = 0, 91 . γ = 91 .
2. Quel est le défaut de la considération du développement limité de Taylor, en un point

donné, d’une fonction lisse comme polynôme approché ?
3. i) Montrer que si ϕ est une fonction numérique quelconque définie sur ] − 1, 1[ et
dérivable en 0, alors on a l’approximation:
ϕ(h) − ϕ(−h)
ϕ0 (0) ' avec |h| < 1 .
2h
ii) Montrer que si ϕ est une fonction numérique définie sur ] − 1, 1[ et deux fois
dérivable en 0, alors on a l’approximation suivante:
ϕ(h) − 2ϕ(0) + ϕ(−h)
ϕ00 (0) ' avec |h| < 1 .
h2
iii) On pose ϕ(x) = e−x sin x pour tout x ∈ R.
Donner des approximations respectives de ϕ0 (0) et ϕ00 (0) en prenant h = 0, 01.
Par ailleurs, trouver les valeurs exactes de ϕ0 (0) et de ϕ00 (0).

Activité (2) II. (Approximations de Fonctions)
En ingénierie ou en mathématiques appliquées, il arrive souvent qu’une fonction (grandeur)
qu’on a à traiter (évaluer en certains points, dériver en certains points ou intégrer entre
deux points, etc ...) soit définie d’une façon qui rend sa manipulation compliquée ou même
périlleuse (expression algébrique compliquée, définition sous forme implicite ou à l’aide
d’un dévellopement en série, etc ...) ou bien encore, comme c’est le cas le plus fréquent,
que la fonction soit connue seulement par les valeurs qu’elle prend pour un certain nombre
de valeurs discrètes données de sa variable.
Dans ces cas, il est indispensable d’identifier (remplacer) l’expression de la fonction à
traiter f (x) par une fonction approchée et plus simple d’expression g(x) (ou plus généralement
par un ensemble de fonctions élémentaires d’expressions gk (x) par morceau) et puis de
traiter g(x) au lieu de f (x).
On distingue quatre méthodes d’approximation pour trouver g(x) :

- Approximation par Collocation : il est imposé à g(x) de coı̈ncider avec f (x) pour
un certain nombre de valeurs de la variable x ; notamment, g(xi ) = f (xi ) pour
i = 0, . . . , n.
Le problème d’interpolation ou de collocation de f revient à déterminer une ap-
proximation de f connaissant ses seules valeurs aux points aux points x0 < · · · < xn ;
c’est-à-dire connaissant les points (xi , f (xi )) pour i = 0, . . . , n.
- Approximation par les Courbes oscullatrices (lorsque la fonction f est lisse): On
impose à g(x) ensemble avec ses n premières dérivées, de coı̈ncider respectivement
avec f (x) et ses n premières dérivées en xi .
- Approximation au sens des Moindres carrés : g(x) ne passe pas nécéssairement par
les points (xi , f (xi )), mais il doit passer entre ces points de telle sorte que la somme
des carrés des distances des g(xi ) aux f (xi ) soit minimale (par rapport à la classe
de fonctions g considée).
n
X
min (g(xi ) − f (xi ))2 .
g
i=0
- Approximation au sens du Min-max : Dans ce cas g(x) ne passe pas nécéssairement

par les points (xi , f (xi )), mais il doit passer entre ces points de telle sorte que la
distance de g(xi ) à f (xi ) au point le plus éloigné, soit la plus petite possible (au sein
de la classe de fonctions g considée).
min max |g(xi ) − f (xi )| .
g 0≤i≤n
Dans la suite, nous nous consacrerons au cas, de loin le plus fréquent, des méthodes
par collocation. On supposera alors que les fonctions sont connues en un ensemble discret
x0 , ..., xn de valeurs de la variable x.
Noter qu’on appelle support d’interpolation l’ensemble des points xi où la fonction con-
didérée f est connue, et base d’interpolation l’ensemble des fonctions suivant lesquelles la

fonction f est développée.
L’approximation peut être globale (cas où g est déterminé à partir de tous les xi ) ou par
morceaux (cas où g est déterminé à partir de sous-ensembles de points de xi ).
Dès que g(x) est déterminée, il est souvent indispensable de vouloir d’éterminer f (x)
en un ou plusieurs points x = t ne coı̈ncidant avec aucun des xi : c’est le problème de :
I l’interpolation lorsque t appartient à l’intervalle ]x0 , xn [ , et de
I l’extrapolation lorsque t est extérieur à l’intervalle ]x0 , xn [ .
La solution consiste alors à prendre f (t) ' g(t).
Forme polynômiale développée en puissances de x
Soit n un entier naturel non nul et Soient x0 , ..., xn−1 et xn (n + 1) nombres réels
deux à deux distincts. Soit f une fonction numérique prenant respectivement les valeurs
yi aux points xi ; 0 ≤ i ≤ n.
Le problème d’interpolation ou de collocation polynômiale de f revient à trouver un
polynôme Pn de degré minimal n coı̈ncidant avec f aux points xi (0 ≤ i ≤ n); c’est-à-dire
Pn (xi ) = yi , ∀i = 0, . . . , n.
En posant
Pn (x) = a0 + a1 x + . . . + an xn ,
le problème consiste à trouver les ak solution du système d’équations linéaires :
a1 x0 + . . . + an x0n−1 + an xn0 =

 a0 +


y0


a1 x1 + . . . + an x1n−1 + an xn1 =



 a0 + y1


(Sn ) .. .. .. .. .. .. .. .. .. .. ..


 . . . . . . . . . . .



a1 xn + . . . + an xnn−1 + an xnn = yn .

 a0 +



dont la matrice coefficient est :

1 x0 x20 . . . xn0
 
 
 1 x1 x21 . . . xn1 
 
 
(Vn ) M =   . .
.
 .. .. .
.. .
.. . 
.. 
 
 
1 xn x2n . . . xnn

Le déterminant de cette matrice est bien connu dans la littérature sous le nom du
déterminant de Vandermonde et vaut
1 x0 x20 . . . xn0
1 x1 x21 . . . xn1 Y
= (xj − xi ) .
.. .. .. .. ..
. . . . . 1≤i<j≤n
1 xn x2n . . . xnn
Par exemple on a (par application de la formule précédente de Vandermonde ou par calcul
pratique direct) :
1 x0 x20
1 x0
= x1 − x0 . 1 x1 x21 = (x1 − x0 )(x2 − x1 )(x2 − x0 ) .
1 x1
1 x2 x22
Donc si les n + 1 réels x0 , · · · , xn sont deux à deux distincts, alors le déterminant
(Vn ) est est différent de zéro. Ceci entraı̂ne que le système (Sn ) est de Cramer et possède
alors une solution unique (a0 , . . . , an ). D’où le résultat suivant.
Etant donnée une fonction f dont on connı̂t les (seules) valeurs aux n + 1 points
x0 < · · · < xn ; c’est-à-dire connaissant les n + 1 points
n o
(xi , f (xi )) : 0 ≤ i ≤ n
du graphe de f , il existe un et un seul polynô me Pn de degré n tel que
Pn (xi ) = f (xi ) pour i = 0, . . . , n.
Exercices d’Application
E1. i) Montrer que le polynôme P (x) = (x2 −2x+3)/3 est un polynôme d’interpolation
4 3 −x2 −2x+2
de la fonction rationnelle Q : x 7→ x +2x x+2 aux points −1, 0, 1.
ii) Existe-il d’autres polynômes d’interpolation de Q aux points −1, 0, 1
E2. Trouver le polynôme de degré 3 passant par les points (−1, 3); (0, 3); (1, 1); (2, 21).
1. Forme polynomiale de Lagrange

Etant donné (n + 1) points de collocation (xi , f (xi )); i = 0, . . . , n, justifier que le
polynôme d’interpolation de degré n passant par tous ces points peut s’écrire:
n
X
Pn (x) = f (xi )Li (x) ;
k=0

où les (n + 1) polynômes Li satisfont pour chaque i les conditions

1 si j = i,
Li (xj ) =
0 sinon.
De façon explicite, on a:
n
Y
(x − xk )
0 ≤ k ≤ n
k 6= i
Li (x) = n
Y
(xi − xk )
0 ≤ k ≤ n
k 6= i
(x−x0 )···(x−xi−1 )(x−xi+1 )···(x−xn )

= (xi −x0 )···(xi −xi−1 )(xi −xi+1 )···(xi −xn )
.
2. Forme polynomiale de Newton

Etant donné (n + 1) points de collocation (xi , f (xi )); i = 0, . . . , n, justifier que le
polynôme d’interpolation de degré n passant par tous ces points peut s’écrire:
Pn (x) = a0
+a1 (x − x0 )
+a2 (x − x0 )(x − x1 )
+a3 (x − x0 )(x − x1 )(x − x2 )
..
.
+an−1 (x − x0 )(x − x1 )(x − x2 ) · · · (x − xn−2 )
+an (x − x0 )(x − x1 )(x − x2 ) · · · (x − xn−1 ) ;
où les coefficients ai sont les différences divisées
ai = f [x0 , x1 , . . . , xi ] pour 0 ≤ i ≤ n .
Au fait:
a0 = f [x0 ] = f (x0 )
f (x1 )−f (x0 )

a1 = f [x0 , x1 ] = x1 −x0
f [x1 , x2 ] − f [x0 , x1 ]
a2 = f [x0 , x1 , x2 ] = x2 −x0
,
ainsi de suite.
Retenir que:
• Les premières différences divisées de la fonction f (x) sont définies par
f (xi+1 ) − f (xi )
f [xi , xi+1 ] = pour i = 0, . . . , n − 1.
xi+1 − xi

• Les deuxièmes différences divisées de la fonction f (x) sont définies par
f [xi+1 , xi+2 ] − f [xi , xi+1 ]
f [xi , xi+1 , xi+2 ] = pour i = 0, . . . , n − 2 .
xi+2 − xi
• Plus généralement k ièmes différences divisées de la fonction f (x) sont définies
par
f [xi+1 , . . . xi+k ] − f [xi , . . . xi+k−1 ]
f [xi , xi+1 , . . . xi+k ] = pour i = 0, . . . , n−k .
xi+k − xi
Noter que les différences divisées d’ordre 0 de la fonction f (x) sont tout
simplement par définition les f (xi ).
3. Forme d’Interpolation de Tchebyshev

Le polynôme de Tchebyshev de degré n est noté Tn (x) et est défini par
Tn (x) = cos (n arccos x) − 1 ≤ x ≤ 1.
Cela paraı̂t trigonométrique à première vue (et effectivement il y a au fait une analo-
gie entre les polynômes de Tchebyshe et la série de Fourier); cependant cette ex-
pression est effectivement polynomiale et de façon explicite on a grâce aux formules
trigonométriques
T0 (x)= 1
T1 (x)= x
T2 (x)= 2x2 − 1
T3 (x)= 4x3 − 3x
T4 (x)= 8x4 − 8x2 + 1
...
Tn+1 (x) = 2xTn (x) − Tn−1 (x) , n ≥ 1.
Les polynômes de Tchebyshev sont orthogonaux sur l’intervalle [−1, 1] avec la fonction-
poids (1 − x2 )−1/2 . En particulier

Z 1  0 pour i 6= j
Ti (x)Tj (x)
√ dx = π/2 pour i = j 6= 0.
−1 1 − x2  π pour i = j = 0.
Pour n ∈ N∗ , le polynôme Tn (x) a n zéros dans l’intervalle [−1, 1] situés aux points
!
π k − 21
xk = cos , k = 1, 2, . . . , n.
n
Toujours dans l’ntervalle [−1, 1], Tn (x) a n + 1 extréma (minima et maxima) situés
aux points
kπ
zk = cos , k = 0, 1, . . . , n.
n

En tout point maximum x, on a Tn (x) = 1, tandisqu’en tout point minimum x on a
Tn (x) = −1. C’est précisement cette propriété qui rend les polynômes de Tchebyshev
très utiles.
Les polynômes de Tchebyshev satisfont aussi une relation d’orthogonalité discrete.

On a notamment pour 0 ≤ i ≤ n − 1 et 0 ≤ j ≤ n − 1 :

Xn  0 pour i 6= j
Ti (xk )Tj (xk ) = n/2 pour i = j 6= 0.
 n pour i = j = 0.
k=1
où xk ; 1 ≤ k ≤ n, sont les n zéros de Tn (x) dans [−1, 1].
Etant donné une fonction quelconque f définie de [−1, 1] vers R, l’on a l’approximation
" n−1 #
X c
f (x) ' ck Tk (x) − 0
k=0
2
où n
X
2
ck = n
f (xi )Tk (xi )
i=1
n
" !# !
1 1
2
X π i− 2
kπ i − 2
= n
f cos cos .
i=1
n n
Cette approximation est exacte aux n points (de Tchebyshev) xk , k = 1, 2, . . . , n.
C’est l’approximation polynomiale de Tchebyshev.
4. Interpolation d’Hermite
C’est une interpolation polynomiale assujetite à certaines régularités aux points de
colocation.
i) Polynômes d’Interpolation d’Hermite.
Trouver quatre fonctions polynômiales {Hk3 }k=0,1,2,3 de degré 3, interpolant les
données d’Hermite au bord de [0, 1] comme suit:
0 0
H03 (0) = 1 [H03 ] (0) = 0 , [H03 ] (1) = 0 , H03 (1) = 0 ,
0 0
H13 (0) = 0 [H13 ] (0) = 1 , [H13 ] (1) = 0 , H13 (1) = 0 ,
0 0
H23 (0) = 0 [H23 ] (0) = 0 , [H23 ] (1) = 1 , H23 (1) = 0 ,
0 0
H33 (0) = 0 [H33 ] (0) = 0 , [H33 ] (1) = 0 , H33 (1) = 1 .

ii) Montrer que {Hk3 }k=0,1,2,3 forme une base de P3 . C’est la base d’Hermite.
• Soit f une fonction de classe C 1 sur [0, 1].
Démontrer qu’il existe un unique polynôme de degré 3 satisfaisant
p(0) = f (0), p0 (0) = f 0 (0), p(1) = f (1) et p0 (1) = f 0 (1) .

On exprimera p en fonction de {Hk3 }k=0,1,2,3 et on vérifiera que

0 0
p = f (0)H03 +f (0)H13 +f (1)H23 + f (1)H33 .
5. Approximation polynomiale de Bernstein

i) Polynômes de Bernstein.
On considère les polynômes suivants:
B03 (t) = (1 − t)3 , B13 (t) = 3t(1 − t)2 , B23 (t) = 3t2 (1 − t) et B33 (t) = t3 .
Montrer que {Bk3 }k=0,1,2,3 forme une base de P3 = R3 [X]; l’espace vectoriel des
polynômes de degrés n’excédant pas 3. C’est la base de Bernstein de degré 3.
ii) Exprimer la base {Bk3 (t)}k=0,1,2,3 dans la base canonique {1, t, t2 , t3 } de P3 .
On précisera la matrice de passage A de la base canonique à la base de Bernstein
;  3 
B0 (t) 1
 
 B13 (t)  t
 B 3 (t)  = A  t2  .
2
B33 (t) t3
iii) De même, exprimer la base d’Hermite {Hk3 (t)}k=0,1,2,3 dans la base canonique
{1, t, t2 , t3 } de P3 et préciser la matrice de passage Q de la base canonique à la
base d’Hermite; c’est-à-dire, la matrice satisfaisant
 3 
H0 (t) 1
 
 H13 (t)  t
 H 3 (t)  = Q  t2  .
2
H33 (t) t3
Vérifier que
1 1 0 0
 
 
0 1/3 0 0
 
QA−1 =  .
 
0 0 −1/3 0
 
 
0 0 1 1
iv) En déduire {Hk3 (t)}k=0,1,2,3 en fonction de {Bk3 (t)}k=0,1,2,3 .

• Puis donner en fonction de {Bk3 (t)}k=0,1,2,3 , l’expression du polynôme p de degré
3 interpolant f ∈ C 1 ([0, 1]) avec les quatre données: f (0), f 0 (0), f (1), f 0 (1).
6. Questions
Q1. i) Ecrire le polynôme d’interpolation de Lagrange Pf (x), du plus petit dégré,
d’une fonction f dont les valeurs sont connues aux points −1, 0 et 1.
ii) Retrouver Pf (x) en utilisant les polynômes de Newton pour interpoler la
fonction f aux points −1, 0 et 1.
Q2. En supposant que la fonction f est intégrable au sens de Riemann, déduire
par intégration du polynôme Pf (x) obtenu, la formule d’intégration approchée
suivante: Z 1
1
f (x) dx ' f (−1) + 4f (0) + f (1) .
−1 3
Q3. En utilisant le résultat précédent trouver une valeur approchée de l’intégrale
Z 1
1
dx .
−1 x + 2
Déduire ensuite une valeur approchée de ln3 et préciser l’erreur absolue.

Q4. Soient a < b deux nombres réels, n un entier naturel non nul et
a = x0 < x 1 < . . . < x n = b

(n + 1) points distincts de [a, b].
Montrer qu’il existe un unique (n + 1)-uplet de nombres réels µo , µ1 , . . . , µn tel
que
Z 1 Xn
Q(x) dx = µk Q(xk )
−1 k=0
pour tout polyôme Q de degré inférieur ou égal à n.

Troisième partie
Erreurs d’approximations de fonctions.
Activité (3) I.
1. Soient a et b deux nombres réels tels que a < b. Soient f et g deux fonctions continues
sur [a, b] et dérivables sur ]a, b[. On suppose de plus que g 0 ne s’annule pas dans
]a, b[.
Montrer alors qu’il existe un nombre réel c ∈]a, b[ tel que
f (b) − f (a) f 0 (c)
= 0 .
g(b) − g(a) g (c)
Indication: On pourra appliquer le théorème de Rolle à la fonction ϕ : [a, b] −→ R
définie par
ϕ(x) = f (x)[g(b) − g(a)] − g(x)[f (b) − f (a)]
2. Règle de l’Hôpital.
Soient f et g deux fonctions dérivables au voisinage de 0.
0 (x)
Montrer que si fg0 (x) admet une limite l lorsque x tend vers 0, alors f (x)
g(x)
admet la
même limite l; i.e.,
f 0 (x) f (x)
lim = l =⇒ lim = l.
x→0 g 0 (x) x→0 g(x)
3. Soient I un intervalle ouvert non vide et n un entier naturel. Soient f et g deux

fonctions n + 1 fois dérivables sur I. On suppose que g (n+1) ne s’annule pas dans I
et qu’il existe x0 ∈ I tel que
f (k) (x0 ) = 0 = g (k) (x0 ) , ∀ k = 0, . . . , n .
Montrer alors que pour chaque x ∈ I \ {x0 }, il existe un nombre réel ξ = ξ(x) ∈ I
entre x0 et x (ainsi |ξ − x0 | ≤ |x − x0 |) et
f (x) f (n+1) (ξ)
= (n+1) .
g(x) g (ξ)
4. Soient I un intervalle ouvert non vide et n un entier naturel. Soit ϕ une fonction
n + 1 fois dérivable sur I. On suppose qu’il existe x0 ∈ I
ϕ(k) (x0 ) = 0 , ∀ k = 0, . . . , n .
Montrer alors que pour chaque x ∈ I \ {x0 }, il existe un nombre réel ξ = ξ(x) ∈ I
tel que |ξ − x0 | ≤ |x − x0 | et
ϕ(n+1) (ξ)
ϕ(x) = (x − x0 )n+1 .
(n + 1)!

Indication: On pourra poser
f (x) = ϕ(x) et g(x) = (x − x0 )n+1
Activité (3) II.

Soient n un entier naturel non nul, I un intervalle ouvert non vide, f : I → R et x0 ∈ I.
On rappelle que si f est n fois dérivable, le polynôme de Taylor de degré n de f
autour de x0 est le polynôme Pn défini par
n
X f (k) (x0 )
Pn (x) = (x − x0 )k .
k=0
k!
Propriété caractéristique.
Montrer que Pn est l’unique polynôme de degré n satisfaisant:
dk Pn dk f
(x 0 ) = (x0 ) .
dxk dxk
Erreur dans l’approximation de f par Pn .
Si de plus, f est (n + 1) fois dérivable, alors
f (x) = P( x) + Rn (x)
avec
f (n+1) (ξ)
Rn (x) = (x − x0 )n+1 .
(n + 1)!
Application 1.
Soit m ≥ 1 un entier naturel et x ∈ [−m, m].
Montrer que pour tout entier naturel n ≥ 1, on l’approximation
x2 xk xn
ex ' 1 + x + + ... + + ... +
2! k! n!
avec une erreur
3m |x|n+1
|Rn (x)| ≤ .
(n + 1)!
√
En déduire une valeur approchée de e à 10−2 près.
Application 2: Dérivation Numérique
a) Montrer, en utilisant le développement de Taylor d’ordre 1 à l’origine, que si

ϕ est une fonction numérique quelconque définie sur ] − 1, 1[ et dérivable en 0,
alors on a l’approximation:
ϕ(h) − ϕ(−h)
ϕ0 (0) ' avec |h| < 1 .
2h

b) Montrer que si ϕ est une fonction numérique définie sur ] − 1, 1[ et deux fois
dérivable en 0, alors on a l’approximation suivante:
ϕ(h) − 2ϕ(0) + ϕ(−h)
ϕ00 (0) ' avec |h| < 1 .
h2
c) On pose ϕ(x) = e−x sin x pour tout x ∈ R.
Donner des approximations respectives de ϕ0 (0) et ϕ00 (0) en prenant h = 0, 01.
Quelles sont les valeurs exactes de ϕ0 (0) et de ϕ00 (0).
Activité (3) III. (Erreur d’interpolation)

L’interpolation (ou la collocation) permet à partir de la connaissance d’un certain nombre
des valeurs d’une fonction, de faire l’approximation de f (x) en tout point x du domaine
de f . Cette opération entraı̂ne généralement une erreur et il convient de l’estimer.
Justifier la
Proposition.
Soient x0 < x1 < · · · < xn (n + 1) points de collocation. Supposons que f est une fonction
définie sur [x0 , xn ] et qu’elle est (n + 1) fois dérivable sur ]x0 , x1 [ et désignons par Pn (x)
le polynôme d’interpolation de degré n de f à ces (n + 1) points donnés. Alors pour tout
x ∈ [x0 , xn ], il existe un réel ξ = ξx appartenant à l’intervalle ]x0 , x1 [ tel que
f (n+1) (ξ)
f (x) − Pn (x) = (x − x0 )(x − x1 ) · · · (x − xn ) .
(n + 1)!
En d’autres termes
f (x) = Pn (x) + Rn (x)
avec
f (n+1) (ξ)
Rn (x) = (x − x0 )(x − x1 ) · · · (x − xn ) .
(n + 1)!
Remarque. L’utilisation de l’interpolation en dehors de l’intervalle de collocation s’appelle
extrapolation et elle comporte de danger!

Quatrième partie
Diverses Méthodes de Dérivation Numérique. Intégration Numérique.
Activité (4) I. (Méthodes de Dérivation Numérique)
La dérivation numérique est souvent utilisée lorsque la fonction f dont on veut calculer
les dérivées (successives) est connue seulement en certains points xj (de collocation) reg-
ulièrement espacés ou non, ou lorsque la fonction est implicite. Pour ce faire:
- On approche d’abord f par une fonction analytique g, soit par l’interpolation, soit
par les moindres carrés. Ce qui donne f (x) ' g(x).
- Ensuite on fait l’approximation : f (k) (x) ' g (k) (x).
C’est très fréquent de considérer g comme étant un polynôme. On s’intéresse alors aux
méthodes de dérivation d’un polynône.
Dérivation d’un polynône par division synthétique

Cette approche est basée sur le fait quétant donné un polynôme Pn (x) de degré n et
un nombre réel t, il existe un unique polynôme Qn−1 de degré n − 1 tel que
Pn (x) = (x − t)Qn−1 + Rn , 0ù Rn = Pn (t) .
On en déduit que
Pn0 (x) = Qn−1 (x) + (x − t)Q0n−1 (x)
si bien que
Pn0 (t) = Qn−1 (t) .
Plus généralement on montre que
n
X
Pn (x) = Rk (x − t)n−k
k=0
où Rn , Rn−1 , ... et R0 dependent seulement de t et peuvent être déterminés de façon

algorithmique. Il en résulte que
n−k
X
Pnk (x) = (n − i)...(n − i − k + 1)Ri (x − t)n−i−k .
i=0
Donc
Pnk (t) = k! Rn−k .
Ainsi les calculs des Ri donne les dérivées successives de Pn en t.
Dérivation d’un polynône par différence divisée

Soient x0 , x1 , ... xn (n + 1) points distincts. En utilisant la formule de base des
différences divisées on a:
f (x) ' Pn (x) = f [x0 ] + f [x0 , x1 ] · (x − x0 ) + f [x0 , x1 , x2 ] · (x − x0 )(x − x1 ) + ...
+ f [x0 , x1 , x2 , ..., xn ] · (x − x0 )(x − x1 ) · · · (x − xn−1 ) .

On prend alors
f 0 (x) ' Pn0 (x)
et on obtient
f 0 (x0 ) ' Pn0 (x0 ) = f [x0 , x1 ] + f [x0 , x1 , x2 ]·(x0 −x1 ) + ... + f [x0 , x1 , x2 , ..., xn ]·(x0 −x1 ) · · · (x0 −x
Il en résulte les approximations suivantes:
Approximation linéaire
On prend n = 1.
f (x1 ) − f (x0 )
f 0 (t) ' f [x0 , x1 ] = ;
x1 − x0
où on choisit x0 et x1 les plus proches possibles de t.
Approximation parabolique; dérivé première
On prend n = 2.
f 0 (x) ' f [x0 , x1 ] + f [x0 , x1 , x2 ] · (2x − x0 − x1 )

2x−x1 −x2 2x−x2 −x0 2x−x0 −x1
' (x0 −x1 )(x0 −x2 )
f (x0 ) + (x1 −x2 )(x1 −x0 )
f (x1 ) + (x2 −x0 )(x2 −x1 )
f (x2 ) .
Lorsque x2 − x1 = x1 − x0 = h et x = x1 , on a :
f (x + h) − f (x − h)
f 0 (x) ' .
2h
- Pour calculer la dérivée en x = x1 , lorsqu’on considère les points de colocation
x0 < x1 < x2 , on parle de différences centrées sur pas quelconque.
- Si pour calculer la dérivée en x = x0 , on considère les points de colocation
x0 < x1 < x2 , on parle de différences progressives. - Si pour calculer la dérivée
en x = x2 , on considère les points de colocation x0 < x1 < x2 , on parle de différences
regressives.
Approximation parabolique; dérivée seconde

On prend n = 2.

00 f (x0 ) f (x1 ) f (x2 )
f (x) = 2 + + .
(x − x0 )(x − x1 ) (x1 − x2 )(x1 − x0 ) (x2 − x0 )(x2 − x1 )
Lorsque x2 − x1 = x1 − x0 = h et x = x1 , on a :
f (x − h) − 2f (x) + f (x + h)
f 00 (x) ' .
h2

Activité (4) II. (Intégration numérique)
Soient a et b deux nombres réels tels que a < b et f une fonction continue sur [a, b]. On
pose Z b
I = f (t) dt .
a
1. i) Trouver la fonction affine ϕ : t 7→ mt + p, qui interpole la fonction f aux points

a et b.
Rb
ii) Calculer a ϕ(t) dt et en déduire qu’une valeur approchée de l’intégrale I est
donnée par
f (a) + f (b)
I = (b − a) .
2
Comment appelle t-on cette méthode d’approximation intégrale?
2. i) Montrer que si f est de classe C 1 , alors
Z b
0 a+b
I = I − f (t) t − dt .
a 2
ii) On pose
Z b
0 a+b a+b
J := f t− dt .
a 2 2
En considérant l’expression de I − I + J, en appliquant convenablement le
théorème des accroissements finis et en constatant que J = 0, montrer que
si f est de classe C 2 , alors on a l’estimation suivante de l’erreur e := |I − I|,
(b − a)3
e := |I − I| ≤ M où M = sup |f 00 (t)| .
12 a≤t≤b
Méthode de Newton-Cotes
Calcul approché des intégrales basé sur les interpolations.
• Méthode des rectangles.

Soient a et b deux nombres réels tels que a < b et n un entier naturel non nul.
Posons
b−a
xk = a + k ; ∀k = 1, 2, . . . , n.
n
Si f est une fonction continue sur [a, b], alors nous avons
Z b n−1
b−a X
f (x)dx ' f (xk ) (L)
a n k=0
et n
b
b−a X
Z
f (x)dx ' f (xk ) . (R)
a n k=1

Si de plus f est dérivable sur ]a, b[ et il existe un réel positif M tel que
|f 0 (x)| ≤ M, a < x < b,
alors la valeur absolue de l’erreur commise dans ces approximations est inférieure ou égale
à
(b − a)2
M .
2n
• Méthode des trapèzes.

Soient a et b deux nombres réels tels que a < b et n un entier naturel non nul.
Posons
b−a
xk = a + k ; ∀k = 1, 2, . . . , n.
n
Z b
f (a) + f (b)
f (x)dx ' (b − a) ; pour n = 1,
a 2
et puis
n−1
!
b
b−a
Z
f (xo ) + f (xn ) X
f (x)dx ' + f (xk ) ; pour n ≥ 2.
a n 2 k=1
Si de plus f est deux fois dérivable sur ]a, b[ et il existe un réel positif M tel que
|f 00 (x)| ≤ M, a < x < b,
alors la valeur absolue de l’erreur commise dans cette approximation est inférieure ou
égale à
(b − a)3
M .
12n2
• Méthode de Simpson.
Soient a et b deux nombres réels tels que a < b et n un entier naturel superieur ou égal
à 2.
Posons
b−a
xk = a + k ; ∀k = 1, 2, . . . , n.
n
Soient x̄k les milieux respectifs des segments [xk−1 , xk ]; k = 1, . . . , n,

1 b−a
x̄k = a + k −
2 n
Z b n−1 n
!
b−a X X
f (x)dx ' f (xo ) + f (xn ) + 2 f (xk ) + 4 f (x̄k ) .
a 6n k=1 k=1

Si de plus f est quatre fois dérivable sur ]a, b[ et il existe un réel positif M tel que
|f (4) (x)| ≤ M, a < x < b,
alors la valeur absolue de l’erreur commise dans cette approximation est inférieure ou
égale à
(b − a)5
M .
180(2n)4
Questions. On considère l’intégrale

Z 1
1
A = dx .
0 1 + x2
VII-1. Trouver une valeur approchée de A en utilisant la méthode des rectangles avec
n = 10, i.e. une subdivision de [0, 1] en 10 intervalles de même longueur.
Préciser l’erreur.
VII-2. Trouver une valeur approchée de A en utilisant la méthode des trapèzes avec
VII-3. Trouver une valeur approchée de A en utilisant la méthode de Simpson avec

Comparer ces trois résultats.
Quelle est en réalité la valeur exacte de A? En déduire une valeur approchée de π.
Remarque.
Il existe une autre méthode d’intégration numérique dite Méthode des Quadratures de
Gauss qui n’émane pas pas des interpolations. Elle consiste d’une certaine façon à opti-
miser les schémas d’intégration numérique par un choix judicieux des points où est évaluée
la fonction et permet d’atteindre une grande précision même avec peu de points lorsque
l’évaluation de f (x) est couteuse en temps de calcul).
Etant donnés deux nombres réels a < b et une fonction intégrable g : [a, b] −→ R, on
cherche des expressions de la forme
Z b Xn
g(t) dt ' ωi g(ti )
a i=1
avec une degré de précision le plus élevé possible: c’est la Quadrature de Gauss à n points.
Les points t1 , . . . , tn sont appelés les points d’intégration et les coefficients ωi les poids

d’intégration.
On choisit les points et les poids pour que la formule de quadrature soit exacte dans le cas
des polynômes de degré le plus élevé (il suffira de considérer les monômes; tk ). Comme
il y a 2n coefficients à déterminer, il est raisonnable de penser que l’on peut atteindre le
degré (2n − 1).
Dans ce cas, pour une fonction f : [−1, 1] −→ R qui est 2n fois dérivable, l’erreur
d’intégration est donnée par
22n+1 (n!)4 (2n)
3f (ξ) où ξ ∈ [−1, 1]
(2n + 1)((2n)!)
Pour un intervalle compact quelconque [a, b], on pourra changer de variables.
Par exemples, la formule de Quadrature de Gauss à un point dans [−1, 1] est donnée
par: Z 1
g(t) dt ' 2g(0) ,
−1
et la formule de Quadrature de Gauss à deux points dans [−1, 1] est donnée par:
Z 1
1 1
g(t) dt ' g − √ +g √ .
−1 3 3
• Méthode de Romberg.
Si on calcule successivement par la méthode des trapèzes avec un nombre de points
n/2k
Sk (h) − Sk (2h)
Sk+1 (h) = Sk (h) + .
4k − 1
Remarque. L’idée de la méthode de Romberg s’ispire directement du fait que la méthode
de Simpson est de deux ordres de grandeur plus efficace que la méthode des trapèzes.
Mais il est possible de mieux utiliser la méthode des trapèzes; En effet, sachant que
cette dernière méthode converge en n12 , on peut évaluer l’intégrale deux fois sur le même
intervalle:
- une première fois avec n/2 points pour obtenir une approximation Tn/2 de l’intégrale
- et une seconde fois avec n points pour obtenir une approximation Tn de l’intégrale,
puis en combinant ces deux approximations pour obtenir l’approximation
4 1
Sn = Tn − Tn/2 .
3 3
Sachant que le developpement asymptotique e la méthode des trapèzes est une fonction
paire de n12 , on en déduit que la formule précédente donne une estimation de l’intégrale
en n14 , et ce résultat coı̈ncidant avec la formule de Romberg pour k = 1, redonne une
évaluation analogue à la méthode de Simpson.

Cinquième partie
Résolution numérique (approchée) des équations différentielles: Méthode
d’Euler, Méthode de Runge-Kunta
Exercice . (Méthode d’Euler)
Soient a et b deux fonctions continues sur un intervalle non vide I et posons f (x, y) =
−a(x)y + b(x). Alors on sait que pour tous xo ∈ I et yo ∈ R, il existe une courbe intégrale
et une seule y, sur I, de l’équation différentielle ordinaire linéaire y 0 = f (x, y) (E) vérifiant
la condition initiale y(xo ) = yo . (C)
Etant donnés β ∈ I, avec β > xo =: α, et une subdivision finie quelconque de I;

α = xo < x1 < · · · < xk < · · · < xn = β ,
nous obtenons une approximation polygonale y de la solution de (E) − (C) suivant la
méthode d’Euler en définissant:
• Dans l’intervalle [xo , x1 ],

y(x) = yo + f (xo , yo )(x − xo ) ,
et on désigne y(x1 ) par y1 .
• Pour tout k ∈ {1, . . . , n − 1}, dans l’intervalle ]xk , xk+1 [,

y(x) = yk + f (xk , yk )(x − xk )
et on désigne y(xk+1 ) par yk+1 .
Exercice VI-1. Trouver une solution approchée sur [0, 1] de l’équation différentielle
y 0 = xy avec la condition initiale y(0) = 1, en utilisant la méthode d’Euler et la subdivi-
sion obtenue avec
k
xk = , k = 0, 1, . . . , 10.
10
(On présentera les résultats dans un tableau dont les colonnes comporteront respective-
ment xk , yk , ∆yk ). √
En déduire une valeur approchée de e.
y 0 = y avec la condition initiale y(0) = 1, en utilisant la méthode d’Euler et la subdivision
obtenue avec
k
xk = , k = 0, 1, . . . , 10.
10
ment xk , yk , ∆yk ).

En déduire une valeur approchée de e.
y 0 = x+1
1
avec la condition initiale y(0) = 1, en utilisant la méthode d’Euler et la subdi-
vision obtenue avec
k
xk = , k = 0, 1, . . . , 10.
10
ment xk , yk , ∆yk ).
En déduire une valeur approchée de ln 2.
Méthode de Runge-Kutta.
on s’intéresse à l’équation (pouvant être non-linéaire):

y 0 = f (x, y) .
Dans l’approximation de la dérivée on considère la formule (l’expression) du point
milieu:
y(x0 + h) = y0 + hf (x0 + h/2, y(x0 + h/2)) ,
et on remplace la valeur inconnue y(x0 + h/2) par l’approximation donnée par la méthode
d’Euler
y(x0 + h/2) = y0 + f (x0 , y0 )h/2 .
Ceci nous donne
y1 = y0 + hf (x0 + h/2, y0 + f (x0 , y0 )h/2)
qu’on réitére.
Soit
yk+1 = yk + hf (xk + h/2, yk + f (xk , yk )h/2) .
Méthode de Runge-Kutta à s étages.

2022 2023 L2 Cours Analyse Numerique

Transféré par

Informations du document

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

2022 2023 L2 Cours Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique

Prof. Guy DEGLA

1. Fondements du Calcul Scientifique (Arithmétique des ordinateurs)

Draft Page 2 sur 59 G. Degla

Draft Page 3 sur 59 G. Degla

11. Quarteroni, A. ; Sacco, R. et F. Saleri : Méthodes Numériques; Algorithmes, Analyse

Draft Page 4 sur 59 G. Degla

Draft Page 5 sur 59 G. Degla

Draft Page 6 sur 59 G. Degla

L’efficacité signifie que la complexité du calcul (i.e., la quantité d’opérations et la

Draft Page 7 sur 59 G. Degla

3.1. Représentation des entiers signés

3.1.1 Représentation binaire habituelle d’un entier naturel

Le nombre N (considéré dans le système décimal) est alors représenté par

Draft Page 8 sur 59 G. Degla

3.1.2 Représentation signe et grandeur d’un entier relatif

Dans cette représentation, un bit (le premier) est consacré au signe :

Draft Page 9 sur 59 G. Degla

et les autres bits servent à la représentation de la valeur absolue de l’entier.

Par exemple, en considérant une représentation signe et grandeur avec n = 16 bits,

1100 0000 0000 0000 = −214 .

= +32 767 (en base 10).

(0111 1111 1111 1111)2 = (+32 767)10 .

3.1.3 Représentation en complément à 2 d’un entier relatif

Draft Page 10 sur 59 G. Degla

Draft Page 11 sur 59 G. Degla

Forme binaire Forme décimale

Questions : Avec 8 bits et un excès 27 , donner les représentations respectives des

3.2 Représentation des nombres réels

Draft Page 12 sur 59 G. Degla

où n est le nombre de chiffres (significatifs) de la mantisse et les chiffres di satisfont:

Remarque : Les calculatrices de poche se distinguent des ordinateurs principalement

Par exemple, considérons un mot de 8 bits comme

Draft Page 13 sur 59 G. Degla

(iii) et les quatre derniers bits (1011) représentent la mantisse, soit

Donc 0101 1011 représente le nombres

3.3 Conversion d’une fraction décimale en valeur binaire

Draft Page 14 sur 59 G. Degla

Questions : Completer les tableaux suivants:

Forme binaire Forme décimale

3.4 Norme IEEE

Draft Page 15 sur 59 G. Degla

Par exemple, en simple précision IEEE, les 32 bits

Remarque : Noter que la norme IEEE traite le nombre 0 de façon particulière.

3.5.2 Erreur relative

Draft Page 16 sur 59 G. Degla

• Lorsqu’on considère des approximations de grandeurs vectorielles appartenant à un es-

3.5.3 Convergence et Ordre de convergence

dans le cas d’une suite non constante.

- Si p = 1, on parle de convergence linéaire.

Draft Page 17 sur 59 G. Degla

Notons qu’en pratique,

3.6.1. Arithmétique flottante

3.6.2. Remarques : Troncature et Arrondi.

Draft Page 18 sur 59 G. Degla

m × 10n ≤ x < (m + 1) × 10n .

x − 0, 5 × 10n < m × 10n ≤ x + 0, 5 × 10n .

Remarque. En informatique, l’arrondi d’un nombre négatif diffère cependant

Draft Page 19 sur 59 G. Degla

La norme IEEE recommande l’utilisation de l’arrondi dans la représentation

Questions : On choisit n = 4 (i.e., la représentation de la mantisse normalisée avec

3.6.4. Chiffres significatifs

Draft Page 20 sur 59 G. Degla

3.6.5 Précision machine