Cours GIL 1819

1
Université Hassan II de Casablanca
Ecole Nationale Supérieure d'Electricité et de Mécanique
Documents Pédagogiques : Polycopié d'Analyse Numérique
1ère Année : Filière Génie Industriel: GIL
Année Universitaire 2018 - 2019
Pr Hamid El Ouardi
Email : h.elouardi@ensem.ac.ma
2
Table des matières
1 Résolution numérique des équations non linéaires 9

1 Exemples et motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 L'algorithme de dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Convergence de l'algorithme de dichotomie . . . . . . . . . . . . . . . . 11
3 Méthodes des approximations successives . . . . . . . . . . . . . . . . . . . . . . 12
3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Convergence de la méthode des approximations successives . . . . . . . 13
3.3 Critère d'arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 14
5 Méthode de Newton - Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 15
6 Comparaison des algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7 Sytèmes Non Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
8 Travaux Dirigés (correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 17
2 Interpolation polynômiale 19
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 Pr Hamid El Ouardi
4 TABLE DES MATIÈRES
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Interpolation polynômiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1 Interpolation polynômiale : existence et unicité . . . . . . . . . . . . . . 20
2.2 Erreur d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Représentation des interpolations de type Lagrange . . . . . . . . . . . 22
3 Travaux Dirigés (Correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 23
3 Approximations des intégrales 25

1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Quelques méthodes d'intégrations numériques . . . . . . . . . . . . . . . . . . . 26
2.1 Méthode des trapèzes et Analyse de l'erreur . . . . . . . . . . . . . . . . 26
2.2 Méthode de Simpson et son erreur . . . . . . . . . . . . . . . . . . . . . 27
4 Résolution Numérique des équations diérentielles 31

1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Problème d'existence et d'unicité . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Existence de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Généralisations aux systèmes du 1

er ordre . . . . . . . . . . . . . . . . . . . . . 35
5 Méthodes numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.1 Méthode d'Euler - Cauchy. . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Erreur de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Algorithme (Euler) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6 Les schémas un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

TABLE DES MATIÈRES 5
6.1 Notion d'ordre d'une méthode . . . . . . . . . . . . . . . . . . . . . . . . 39
6.2 Construction d'un schéma d'ordre p . . . . . . . . . . . . . . . . . . . . 40
6.3 Schémas de Runge - Kutta . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.4 Algorithme (RK2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.5 Algorithme (RK4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Table des matières
Chapitre 1
Résolution numérique des équations

non linéaires
Sommaire
1 Exemples et motivations . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 L'algorithme de dichotomie . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Convergence de l'algorithme de dichotomie . . . . . . . . . . . . . . 11

3 Méthodes des approximations successives . . . . . . . . . . . . . . 12
3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . 12

3.2 Convergence de la méthode des approximations successives . . . . . 13
3.3 Critère d'arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . 14

5 Méthode de Newton - Raphson . . . . . . . . . . . . . . . . . . . . 14
5.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . 15

6 Comparaison des algorithmes . . . . . . . . . . . . . . . . . . . . . 16
7 Sytèmes Non Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 16
8 Travaux Dirigés (correction en classe) . . . . . . . . . . . . . . . . 17
10 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES
1 Exemples et motivations
1.1 Exemple 1
(Equation d'état d'un gaz). On veut déterminer le volume V occupé par un gaz de tem-
pérature T et de pression p. L'équation d'état est

" 2 #
N
p+a (V − N b) = kN T,
V
où a et b sont deux coecients dépendants de la nature du gaz, N est le nombre de
molécules contenues dans le volume V et k est la constante de Boltzmann. Il faut donc résoudre
une équation non linéaire d'inconnue V : chercher V solution de
" 2 #
N
f (V ) = p + a (V − N b) − kN T,
V
Pour le dioxyde de Carbone CO2 , a = 0.401 Pa m3 , b = 42.7 × 10−6 m3 , N = 1000, T =

300K, p = 3.5 × 107 Pa , k = 1.3806503 × 10−23 JK −1 est la constante de Boltzmann.
1.2 Exemple 2
On veut chercher le taux de placement moyen d'un taux t d'un fond de placement sur
plusieurs années. On a investi chaque année une somme a = 1000 dhs et on se retrouve aprés
7 ans avec un montant A = 6500 dhs. La relation qui lie t, a, A est
7
X 1+t 1+t
A = a (1 + t)i = a (1 + t)7 − 1 : f (t) = A − a (1 + t)7 − 1 = 0,

t t
i=1
C'est une équation non linéaire, dont on est incapable de trouver une solution exacte.
1.3 Position du problème

Soit une fonction numérique d'une variable réelle x, on recherche les nombres α s'ils
existent, tels que f (α) = 0; on les appellera solutions de f (x) = 0 ou encore zéros de f.
Le problème posé est de discuter l'existence, voire l'unicité des solutions de l'équation f (x) et
de donner des procédés permettant d'obtenir la ou les valeurs de α.

Nous constaterons que les algorithmes permettant d'obtenir les solutions de α, du moins
des approximations numériques de α peuvent dépendre des propriétés de régularité de f. Il

2. L'ALGORITHME DE DICHOTOMIE 11
est naturel alors d'etudier les performances (convergence, ecacité, souplesse d'utilisation)
des algorithmes pour diverses classes de fonctions. Le cadre sera souvent le suivant : on se
donne à priori α∈R et un voisinage V de α. On considère les fonctions de C p (V ), p ≥ 0. On
demandera des conditions susantes sinon nécésaires pour que f ∈ C p (V ) possède :
- au moins une solution dans V (existence).
- au plus une solution dans V (unicité).
On construit alors des algorithmes pour obtenir la solution α et on étudie la convergence,
la précision et l'ecacité.
2 L'algorithme de dichotomie
Soient x1 , x2 , ..........., xn les n racines réelles d'une équation f (x) = 0, rangées dans l'ordre
croissant. Séparer les racines de l'équation c'est trouver (n−1) nombres a1 , a2 , ............, an−1 tels
que l'on ait : x1 < a1 < x2 < a2 ........... < an−1 < xn . Si l'on connait les zéros de f 0 (x), le
théorème de Rolle permet de séparer les racines de l'équation f (x) = 0. En pratique, cette
éventualité est rarement utilisée et l'on réduit à transposer dans le domaine du calcul le pro-
cédé graphique consistant à tracer la courbe y = f (x) et à évaluer les intersections avec l'axe
des x.
Soit alors α une racine de f (x) = 0 comprise dans [a, b], a et b tels que f (a)f (b) < 0.
a+b
Soit x0 = 2 , on calcule f (x0 ),
si f (x0 )f (a) < 0 ⇒ on pose a1 = a, b1 = x0 ,
si f (x0 )f (b) < 0 ⇒ on pose a1 = x0 , b1 = b,
si f (x0 ) = 0 ⇒ x0 est racine.
On a obtenu un intervalle (a1 , b1 ) de longueur moitié de (a, b) et comprenant la racine α.

On recommence avec cet intervalle comme on a opéré avec le pécédent et ainsi de suite jusqu'à
obtenir un intervalle de la longueur désirée contenant la racine α.
2.1 Convergence de l'algorithme de dichotomie

eme étape, on a : b−a
Soit (an , bn ) le segment obtenu à la n an ≤ α ≤ bn avec bn − an = 2n
et f (an )f (bn ) < 0. Il vient donc lim an = lim bn = α et par continuité de f , on a

n→+∞ n→+∞
lim f (an ) = lim f (bn ) = f (α) . D'où f (α) = 0.

n→+∞ n→+∞
|b−a|
La rapidité de convergence de l'algorithme est donnée par : |an − α| ≤ 2n ou |bn − α| ≤
|b−a|
2n .
Exemple : On veut trouver le zéro de la fonction f (x) = sin(2x) − 1 + x dans [−3, 3] . Avec
le code Matlab ( tolérence ε = 10−8 ), on trouve α = 0.35228846
3 Méthodes des approximations successives
Nous avons justié l'algorithme de dichotomie sur la classe des fonctions continues sur un
segment et de signes opposés aux extremités du segment. Lorsque f est plus régulière, on peut
obtenir de meilleures performances avec des algorithmes plus évolués.
3.1 Déniton et hypothèses

Nous voulons résoudre le problème f (x) = 0, on peut en posant x = f (x) + x = F (x) se
ramener au problème : résoudre x = F (x) où donc F est une fonction donnée.
Exemple : Pour l'équation

x2 − x − 2 = 0,
on peut prendre
F (x) = x2 − 2
√
F (x) = x+2
2
F (x) = 1 +
x
x2 − x − 2
F (x) = x − , pour tout λ 6= 0.
λ
La méthode itérative consiste à utiliser l'algorithme suivant :
Algorithme 1 :
Choisir x0 arbitrairement et générer la suite (xn ) par la relation
xn = F (xn−1 ) pour n = 1, 2.........., N

x0 quelconque.
3. MÉTHODES DES APPROXIMATIONS SUCCESSIVES 13
Mais nous ne pouvons pas être sûr que cet algorithme soit toujours bien déni. D'aprés le
théorème du point xe, nous savons que si F est contractante d'un intervalle [a, b] dans lui -
même ie ∃k < 1 : |F (x) − F (y)| ≤ k |x − y| , alors il existe un élément et un seul α de [a, b] tel
que F (α) = α.
3.2 Convergence de la méthode des approximations successives
L'équation x = f (x) a une solution, on s'intéresse à la convergence de la suite xn déni
par l'algorithme 1.
Théorème 1 : Soit I = [a, b] un intervalle xé et soit f une fonction satisfaisant les
conditions suivantes :
i) f est continue sur I,
ii) ∀x ∈ I f(x)∈ I,
iii) f est Lipschitzienne, de constante de Lipschitz k < 1.
Alors ∀x0 ∈ I, la suite (xn ) dénie par l'algorithme (1) converge vers la solution unique α
de l'équation x = f (x).
Preuve : D'aprés le théorème du point xe, il existe un unique α tel que α = f (α). De
plus, on a l'estimation |xn − α| ≤ k n |x0 − α| , lim k n = 0 ⇒ lim xn = α.

n→+∞ n→+∞
Remarque : Lorsqu'une suite (xn ) converge vers l, selon la relation
|xn+1 − l| ≤ k |xn − l| ,
on dit que la convergence est au moins linéaire. Plus généralement, on dénit :
Dénition : Soit la suite (xn ) convergente vers l. S'il existe un nombre p et une constante
c 6= 0 tels que lim |xn+1 −l|
p = c, on dit que la convergence est d'ordre p; c est la constante
n→+∞ |xn −l|
d'erreur asypmptotique.
S'il existe une constante c et un réel p positif : |xn+1 − l| ≤ c |xn − l|p pour tout n assez
grand, on dit que la convergence est au moins d'ordre p.
Remarque : La convergence est d'autant plus rapide que son ordre p est grand.
En eet si |xn − l| est petit, |xn − l|2 est encore plus petit.
3.3 Critère d'arrêt
Si la méthode converge, les éléments de la suite (xn ) sont de plus en plus proche de la
solution α. Un critère d'arrêt est pour (tolérence) donné : |xn − xn−1 | < et nous prendrons
xn comme valeur approchée de la solution.
Remarque importante : Si on suppose que F ∈ C 1 ((a, b)) et |F 0 (x)| < 1, alors F est
contractante et le théorème 1 est encore valable.
4 Méthode de la sécante
Il s'agit d'une méthode à trois niveaux : approcher les racines de F se ramène à calculer
la limite de la suite récurrente
x1 et x2 tels que F (x1 )F (x2 ) < 0 et déterminer la suite (xn ) par la relation
−xn−1
xn+1 = xn − F (xn ) F (xxnn)−F (xn−1 ) , n = 2, .....
4.1 Convergence de l'algorithme
Théorème : Soit F deux fois continument diérentiable sur un intervalle ouvert de centre
l vériant :
F (l) = 0, F 0 (l) 6= 0.
Alors, si x1 et x2 sont choisis assez près de l, l'algorithme de la sécante : déni par :
−xn−1
xn+1 = xn − F (xn ) F (xxnn)−F (xn−1 ) ∀n ≥ 2
converge vers l et la convergence est au moins d'ordre p = 1, 618...
5 Méthode de Newton - Raphson
Si nous posons F (x) = f (x) − x, le problème est de trouver x tel que F (x) = 0 et
F (xn )
l'algorithme s'écrit xn+1 = xn − F 0 (xn ) qui est la formulation de la méthode de Newton -
Raphson.
Choisir x0 et déterminer la suite (xn ) par la relation
F (xn )
xn+1 = xn − F 0 (xn ) , n = 0, 1.....
5. MÉTHODE DE NEWTON - RAPHSON 15
5.1 Convergence de l'algorithme

F (x) F 0 (x)F 00 (x)
On a G(x) = x − F 0 (x) , G0 (x) = (F 0 (x))2
, pour que |G0 (x)| < 1, il faut donc que F 00 (x)
ne soit pas trop grand et que F 0 (x) ne soit pas trop petit.
Théorème : Soit x0 ∈ I , supposons qu'il existe deux nombres c ≥ 0, λ ≥ 0 tels que

c
i) F (x0 ) ≤ 2λ .
ii) ∀x ∈ [x0 − c, x0 + c] ⊂ I, |F 00 (x)| ≤ 1

4λc et |F 0 (x)| ≥ λ1 .
F (xn )
Alors ∃!α ∈ [x0 − c, x0 + c] : F (α) = 0 et de plus, la suite dénie par : xn+1 = xn − F 0 (xn )
c
converge vers α et |xn − α| ≤ 82n
( qui tend trés vite vers zéro ).
Preuve : ∀x, y ∈ [x0 − c, x0 + c] , F (x) − F (y) = F 0 (η)(x − y) avec η ∈ (x, y).

Donc
|F (x) − F (y) − F 0 (y)(x − y)| = |x − y| |F 0 (y) − F 0 (η)| = |x − y| |y − η| |F 00 (η1 )| avec η1 ∈

[y, η] .
Comme |y − z| ≤ 2c et |F 00 (x)| ≤ 1
4λc , on a :
1
F (x) − F (y) − F 0 (y)(x − y) ≤ |x − y| (∗)
2λ
F (xn )
Nous montrons par récurrence que si x1 , ........, xn sont défnies par xn+1 = xn − F 0 (xn ) et
appartiennent à [x0 − c, x0 + c] , alors xn+1 ∈ [x0 − c, x0 + c] et
c
|xn − xn−1 | ≤ (**)
2n
Cette relation est vraie pour n=1

c F (x0 ) c
F (x0 ) ≤ 2λ et |x1 − x0 | = F 0 (x0 ) ≤ 2λ λ = 2c .
Supposons les relations vraies à l'ordre (n − 1), on a :
F (xn−1 ) = −(xn − xn−1 )F 0 (xn−1 ), d'où F (xn ) = F (xn ) − F (xn−1 ) − (xn − xn−1 )F 0 (xn−1 )
1 c
et en utilisant (∗), il vient : |F (xn )| ≤ 2λ |xn − xn−1 | ≤ λ2n+1
.
F (xn ) cλ c
D'autre part, on a : |xn+1 − xn | = F 0 (xn ) ≤ λ2n+1
= 2n+1
. Nous pouvons en déduire que :
|xn+1 − x0 | ≤ |xn+1 − xn | + |xn − xn−1 | + ...... |x1 − x0 | ≤ c( 12 + 1
22
+ ............ + 1
2n+1
) ≤ c.
Donc xn+1 ∈ [x0 − c, x0 + c] .
De (∗∗), on déduit que la série de terme général xn − xn−1 est absolument convergente
donc la suite xn tend vers une limite α ∈ [x0 − c, x0 + c] quand n → +∞. D'aprés la relation
c
|F (xn )| ≤ λ2n+1
et de la continuité de F, on en déduit que F (α) = 0. On applique la formule
des accroissements nis à F (xn ).

00 (θ )
F (α) = F (xn ) + (α − xn )F 0 (xn ) + (α − xn )2 F 2
n
, θn ∈ [α, xn ]
F 00 (θn )
F (xn ) = (xn −xn−1 )F 0 (xn ), ce qui implique : |xn+1 − α| ≤ |xn − α|2 2F 0 (xn ) ≤ |xn − α|2 1
8c .
Comme |x0 − c| ≤ 2c , nous avons |xn − α| ≤ c

82n
.
Remarque : Il est clair qu'il faut se placer dans une zone où F 0 (x) ne risque pas de
s'annuler. Enn, la méthode converge lentement dans le cas des racines multiples.
Si α est racine avec p l'ordre de multiplicité, on considère alors la méthode de Newton
modiée :
Choisir x0 et déterminer la suite (xn ) par la relation
xn+1 = xn − p FF0(xn)
(xn ) , n = 0, 1.....
6 Comparaison des algorithmes
Méthode de Dichotomie
Avantages : la convergence est assurée, on a l'encadement de la solution et un seul calcul
de la fonction à chaque itération.
Inconvénient : la vitesse de la convergence est linéaire, donc lente.
Méthode de la sécante
Avantages : un seul calcul de la fonction à chaque itération. Convergence rapide. Inconvé-
nient : peut diverger si les données initiales sont mal choisies, le calcul de F (xn ) − F (xn−1 )
peut produire des erreurs de chute.
Méthode de Newton
Avantages : la convergence est rapide.
Inconvénient : nécessite le calcul de la dérivée d'une fonction.
7 Sytèmes Non Linéaires
On veut généraliser la méthode de Newton au cas de systèmes non linéaires F =0 où
F : RN → RN , F = (f1 , f2 , ......, fN ).
Pour cela on introduit la matrcice Jacobienne du vecteur du vecteur F :

8. TRAVAUX DIRIGÉS (CORRECTION EN CLASSE) 17
 
∂f1 ∂f1
 ∂x1 ... ∂xN 
∂fi  
DF (x) = (x) = . .
∂xj ij




∂fN ∂fN
∂x1 ... ∂xN
La méthode de Newton dans ce cas s'écrit :
[DF (xk )] (xk+1 − xk ) = −F (xk ), k = 0, 1, 2.....
8 Travaux Dirigés (correction en classe)
Exercice 1.1 : Soit la fonction F (x) = 2x3 − x − 2

1. Montrer que F possède une seule racine x ∈ [1, 2] .
2. Etudier la convergence des trois méthodes itératives suivantes : x0 ∈ [1, 2] donné et
(α) xn+1 = 2x3n − 2;

2
(β) xn+1 = ;
2x2n −1
xn
p
(γ) xn+1 = 3
1+ 2 .
Si l'une des méthodes converge l'utiliser pour déterminer x à 10−3 près.
Exercice 1.2 : Soit l'équation x = ln(1 + x) + 0.2 dans R+

1. Montrer que la méthode itérative est convergente.
2. Choisir x0 et déterminer la valeur approchée de la solution.
3. Choisir x0 = 0.7 et utiliser la méthode de Newton pour trouver une autre approxima-
tion.
Exercice 1.3 : Soit l'équation e−x = x2 dans R. On pose F (x) = e−x − x2

1. Montrer que l'équation F (x) = 0 admet une unique racine sur R, que l'on notera l.
Localiser l entre deux entiers consécutifs ; soit I l'intervalle obtenu.
2. Soit la méthode d'approximation successive suivante :
xn+1 = xn − e−xn + x2n , x0 ∈ I

Cette méthode converge t-elle vers l, pourquoi ?
3. Soit la méthode d'approximation successive suivante :
−xn
xn+1 = e 2 , x0 ∈ I
Cette suite converge t-elle vers l, pourquoi ?
4 Ecrire la méthode de Newton pour F . Choisir x0 qui assure la convergence de Newton.
Exercice 1.4 (TP) :

Soit à résoudre f (x) = exp(x) − 2 cos(x) = 0 dans l'intervalle I = [−1, 1]
1. Montrer que cette équation admet une solution α dans I.
2. Appliquer la méthode de Newton pour trouver une valeur approchée de α.
3. Appliquer la méthode de la sécante pour trouver une valeur approchée de α.

Chapitre 2
Interpolation polynômiale
Sommaire
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Interpolation polynômiale . . . . . . . . . . . . . . . . . . . . . . . 20
2.1 Interpolation polynômiale : existence et unicité . . . . . . . . . . . . 20

2.2 Erreur d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Représentation des interpolations de type Lagrange . . . . . . . . . 22
3 Travaux Dirigés (Correction en classe) . . . . . . . . . . . . . . . . 23
20 CHAPITRE 2. INTERPOLATION POLYNÔMIALE
1.1 Exemple 1
Le tableau suivant donne le recensement de l'éspérance de vie pour les années 1975, 1980,
1985 et 1990.
Année 1975 1980 1985 1990
Espérance de vie 60% 67% 71% 70%

Peut-on estimer l'espérance de vie pendant les années 1977 et 1986 ?
1.2 Exemple 2
Les masses volumiques du matériau pour diérentes températures sont données par le
tableau ci- dessous :

 
 i 1 2
3 
 
 Température T (en
◦ C) 94 205 371 
 
 
Masse volumique R(T) : (enkg/m3) 929 902 860
1. Écrire la formule d'interpolation de Lagrange qui permet d'interpoler les diérents
points de données précédentes.
◦ ◦ ◦
2. Trouver les masses volumiques du sodium pour T = 251 C, T = 305 C et T = 800 C
en utilisant l'interpolation de Lagrange.
2 Interpolation polynômiale
2.1 Interpolation polynômiale : existence et unicité

Théorème 1 : on considère un segment [a, b] de R et une subdivision a = x0 < x 1 <
x2 ............. < xn = b à l'aide des (n + 1) points distincts (xi ), i = 0, n. Soient (yi )i=0,n (n + 1)
nombres réels quelconques. Alors, il existe un unique polynôme de degré n maximum, soit P,
tel que
P(xi ) = yi , i = 0, ......n
2. INTERPOLATION POLYNÔMIALE 21
n
Preuve : Soit P (x) = αi xi
P
le polynome cherché. Pour chaque xi on doit avoir P (xi ) =
i=0
yi ⇔ α0 + α1 xi + α2 (xi )2 + ...................αn (xi )n = yi .
Ceci fournit un système de (n + 1) inconnues α0 , α1 , α2 , αn .
Le déterminant est celui de VAN DER MONDE :
1 x0 x20 . . xn0
1 x1 x21 . . xn1
1 x2 x22 . . xn2 Y
= (xi − xj ) 6= 0
. . . . . . i>j
i=0,n
j=0,n
. . . . .
1 xn x2n . . xnn
Le système linéaire est un système de Cramer qui détermine de façon unique P.
2.2 Erreur d'interpolation

Théorème 2 : Soit f une fonction numérique continue sur [a, b]. Pour un entier n ≥ 1, f
est (n + 1) fois dérivable sur ]a, b[, de plus f (p) , 1 ≤ p ≤ n possède un prolongement continue
sur ]a, b[ . Pour a = x0 < x1 < x2 ............. < xn = b, il existe un polynôme unique Pn de degré
n tel que Pn (xi ) = yi , i = 0, ......n. De plus, ∀x ∈ [a, b], ∃c ∈ ]a, b[ :
(x − a)(x − x1 ).................(x − b) (n+1)

f (x) = Pn (x) + f (c).
(n + 1)!
n
Preuve : Soit Pn (x) = αi xi , on doit avoir α0 + α1 xi + α2 (xi )2 + ...................αn (xi )n =
P
i=0
f (xi ), d'aprés le théorème 1, Pn est uniquement déterminé.

 Q(xi ) = 0, i = 0, n
Soit Q telle que
(x−a)(x−x1 ).................(x−b)
 f (x) = P (x) +
n (n+1)! Q(x), x 6= xi
et soit φ la fonction dénie par t ∈ [a, b] → φ(t) = f (t)−Pn (t)− (t−a)(t−x1(n+1)! ).................(t−b)
Q(x).

 φ(xi ) = 0, i = 0, n
Par construction .
 φ(x) = 0
C'est à dire φ s'annule en (n + 2) distincts si x 6= xi . Q(x) possède les mêmes propriétés que
f . Le théorème de Rolle s'applique (n + 1) fois à φ entre deux de ses zéros consécutifs. Il existe
alors (n + 1) zéros distincts de φ0 dans ]a, b[. Le théorème de Rolle s'applique n fois à φ0 pour
fournir n zéros de φ00 ................, enn il existe un nombre c ∈ ]a, b[ tel que φ(n+1) (c) = 0. Or :
0 = φ(n+1) (c) = f (n+1) (c) − Q(x), d'où Q(x) = f (n+1) (c).
2.3 Exemples
1) n = 1, x0 = a, x1 = b ; on cherche P1 tel que P1 (a) = f (a), P1 (b) = f (b). Il vient
facilement que
f (b) − f (a)
P1 (x) = f (a) + (x − a)
b−a
(x − a)(x − b) 00
et f (x) = P1 (x) + f (c).
2
a+b
2) n = 2, x0 = a, x1 = 2 , x2 = b ;on cherche P2 tel que P1 (a) = f (a), P2 ( a+b
2 ) =
f ( a+b ◦ (P
2 ), P2 (b) = f (b) et d 2) = 2. Pour le trouver, on peut écrire par exemple : P2 (x) =
◦ (P f (b)−f (a) f ( a+b )−f (a)
f (a) + (x − a)P1 (x) où d 1) =1 et P1 (b) = b−a , P1 ( a+b
2 ) =2 2
b−a et on a :
( )
a + b 2f (b) − f ( a+b

−

2 a+b 2 ) f (a)
P2 (x) = f (a) + (x − a) f( ) − f (a) + 2(x − ) .
b−a 2 2 b−a
2.4 Représentation des interpolations de type Lagrange
Polynôme de Lagrange
Théorème : Soient a = x0 < x1 < x2 ............. < xn = b , (n + 1) points distincts d'une
subdivision de [a, b]. Soient Li , i = 0, n, les (n + 1) polynômes de Lagrange : Li ∈ Pn tel que
Li (xi ) = δij , j = 0, n , sont linéairement indépendants et forment une base de Pn .
n n n
Preuve : Soient (λi ) tels que
P P P
λi Li = 0 dans Pn ⇒ λi Li (xi ) = 0 = λi δij = λj = 0
i=0 i=0 i=0
Forme théorique des polynômes de Lagrange
Li s'annule en xj , j = 0, n mais j 6= i et prend 1 pour x = xi . Comme Li ∈ Pn , on a

Q
Li (xi ) = 1 = c (xi − xj ), il vient :
j6=i
Q
(x − xj )
j6=i
Li (x) = Q .
(xi − xj )
j6=i
Représentation des polynômes dans la base de Lagrange

n
P
Le polynôme P ∈ Pn vérie P (xi ) = yi , i = 0, n. P = λi Li or P (xj ) = yj , il vient
i=0
n
P n
P n
P
λi Li (xj ) = yj soit λi δij = λj = yj , d'où ∀x ∈ [a, b] , P (x) = P (xi )Li (x), ∀P ∈ Pn .
i=0 i=0 i=0
Dénition : Le polynôme P ∈ Pn associé par le théorème 2 à la fonction f et la subdivision
a = x0 < x1 < x2 ............. < xn = b est dit polynôme d'interpolation de Lagrange de f.
Résultat : Le polynôme d'interpolation de Lagrange de f aux points xi , i = 0, n distincts

n
P
de [a, b] s'écrit Pn (x) = f (xi )Li (x) où (Li )i=0,n est la base de Lagrange dans Pn .
i=0
3 Travaux Dirigés (Correction en classe)
Exercice 2.1 : Déterminer le polynôme d'interpolation de Lagrange satisfaisant au tableau

ci-dessous
x 0 2 3 5
f (x) −1 2 9 87
Exercice 2.2 :
1. Déterminer le polynôme d'interpolation de Lagrange pour les points d'appui d'abs-
1
cisses : −2, −1, 0, 1, 2. de la fonction f (x) = 1+x2
2. Discuter l'erreur d'interpolation.
Exercice 2.3 :
√
Soit f (x) = 2+x
1. Déterminer le polynôme P (x) d'interpolation de Lagrange basé sur les points d'abscisses
0, 1 et 2.
2. Calculer P (0.1) et P (0.9), et comparer aux valeurs exactes. Evaluer l'erreur d'interpo-
lation en ces deux points. Commentaires ?
Exercice 2.4 : Les masses volumiques du matériau pour diérentes températures sont
données par le tableau ci- dessous :
 
 i 1 2 3 
 
 Température T (en
◦ C) 94 205 371 
 
 
Masse volumique R(T) : (enkg/m3) 929 902 860
1. Écrire la formule d'interpolation de Lagrange qui permet d'interpoler les diérents
points de données précédentes.
◦ ◦ ◦
2. Trouver les masses volumiques du sodium pour T = 251 C, T = 305 C et T = 800 C
en utilisant l'interpolation de Lagrange.
Chapitre 3
Approximations des intégrales
Sommaire
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Quelques méthodes d'intégrations numériques . . . . . . . . . . . 26
2.1 Méthode des trapèzes et Analyse de l'erreur . . . . . . . . . . . . . . 26

2.2 Méthode de Simpson et son erreur . . . . . . . . . . . . . . . . . . . 27
26 CHAPITRE 3. APPROXIMATIONS DES INTÉGRALES
R1 x
On trouve souvent des intégrales dont le calcul est trés compliqué par exemple : √e dx,
0 1+x2
R1 R1 2
0 cos(x2 )dx, 0 e−x dx, .....
1.1 Exemple 1
On veut calculer l'énergie émise dans le spectre (infrarouge) compris entre les longueurs
d'ondes de 3µm et 14µm par un corps noir, objet capable d'émettre dans tout le spectre, à la
température ambiante. La résolution de ce problème est obtenue en calculant :
Z 0,0014
1
E(T ) = 2, 39.10−11 dx,
0,0003 x5 (−1 + e(1,432/(T x)) )
où x est la longeur d'onde et T la température du corps noir. On désire calculer E(T ) pour
compris entre - 60 et 90 degré Celsius.
1.2 Exemple 2
Il n'existe pas d'expression analytique de la primitive de la fonction à intégrer :
Z x
2
Er(x) = exp(−t2 )dt.
π 0
2 Quelques méthodes d'intégrations numériques
2.1 Méthode des trapèzes et Analyse de l'erreur

On sait que
f (b) − f (a) (x − a)(x − b) 00

f (x) = f (a) + (x − a) + f (c).
| −a
b {z } | 2 {z }
P1 (x) Erreur
Rb Rb Rb
Par approximation de
a f (x)dx, on retiendra
a P1 (x)dx, c'est à dire
a P1 (x)dx =
f (b)+f (a)
2 (b − a).
Rb Rb Rb (x−a)(x−b) 00
L'erreur est ε= a f (x)dx− a P1 (x)dx = a 2 f (c)dx, ∀x ∈ [a, b] :
(x−a)(x−b) 00 (x−a)(x−b)
2 f (c) ≤ sup |f 00 (c)| × 2 , il vient
x∈[a,b]
2. QUELQUES MÉTHODES D'INTÉGRATIONS NUMÉRIQUES 27
b
(x − a)(x − b)
Z
00
|ε| ≤ M dx
a 2
M 00 (b − a)3
≤
2 6
où M 00 = sup |f 00 (x)| .
x∈[a,b]
b−a
Plus généralement, posons h= m , il vient : formule des trapèzes
b
h2
Z
f (a) + f (b)
f (x)dx − h + f (a + h) + f (a + 2h)......... ≤ M 00 (b − a) .
a 2 12
La méthode des trapèzes a consisté à remplacer f localement par des fonctions anes.
L'erreur sera sans doute plus faible si on remplace f par des polynômes de degrés plus élevées :
c'est l'objet d'une autre méthode approchée trés ecace : la méthode de Simpson.
2.2 Méthode de Simpson et son erreur

n = 2, on cherche P2 tel que P2 (x0 ) = f (x0 ), P2 (x1 ) = f (x1 ), P2 (x2 ) = f (x2 ).
R x2
x0 P (t)dt = β0 P (x0 ) + β1 P (x1 ) + β2 P (x2 ), où β0 , β1 , β2 sont des constantes.
Avec P (x) = (x − x1 )(x − x2 ) ⇒ β1 = 43 h,

avec P (x) = (x − x1 ) ⇒ β2 = β0 ,
h
R x2
avec P (x) = 1 ⇒ x2 − x0 = β0 + β1 + β2 ⇒ β0 = β2 = 3 . Il vient alors x0 P2 (t)dt =
h b−a
3 [f (x0 ) + 4f (x1 ) + f (x2 )] . Partageons [a, b] en m parties égales de longueur h = m , la
méthode de Simpson consiste à remplacer

R xm h
x0 f (x)dx par l'expression
3 [f (x0 ) + 4f (x1 ) + 2f (x2 ) + ........ + f (xm )] .
(x − x0 )(x − x1 )(x − x2 ) 4
f (x) = P2 (x) + f (c), f 4 (c) ≤ M 4 .
4!
On a :
x2 x2
M4
Z Z
h
f (t)dt − [f (x0 ) + 4f (x1 ) + f (x2 )] ≤ |(x − x0 )(x − x1 )(x − x2 )| dx
x0 3 4! x0
M 4
≤ h5 .
90
b−a
Plus généralement, posons h= m , il vient : formule de Simpson
n
hX
[f (x0 ) + 4f (x1 + 2f (x2 ) + .... + f (xn )] .
3
k=0
Exercice 3.1 :
π
2
1. Déterminer par la méthode des trapèzes une valeur approchée de =int0 f (x)dx sur la
base du tableau suivant :
π π
x 0 8 4 3 π8 π
2
f (x) 0 0.382683 0.707107 0.923880 1
2 Déterminer par la méthode de Simpson, une valeur approchée de de I.
3 Ces points d'appui sont ceux donnant sinx, comparer alors les résultats obtenus avec
la valeur exacte.
Exercice 3.2 :
On lance une fusée verticalement du sol et l'on mesure pendant les premières 80 secondes
l'accélération γ:
t(en s) 0 10 20 30 40 50 60 70 80
γ(en m/s2 ) 30 31.63 33.44 35.47 37.75 40.33 43.29 46.70 50.67
Calculer la vitesse V de la fusée à l'instant t = 80s, par les Trapèzes puis par Simpson.
Exercice 3.4 :
Calculer à l'aide de la méthode des Trapèzes, l'intégrale
Z π
I= sin(x2 )dx
0
avec N =5 puis N = 10 points.
Exercice 3.5 (TP)

R2√
Soit à calculer I= 0 1 + t2 dt
1. Déterminer la valeur approchée de I par la méthode des trapèzes.
2. Déterminer la valeur approchée de I par la méthode de Simpson.
√ p √
3. Comparer avec la valeur exacte de I = 5 + ln 2 + 5 = 2, 9578857151
Chapitre 4
Résolution Numérique des équations

diérentielles
Sommaire
1.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Problème d'existence et d'unicité . . . . . . . . . . . . . . . . . . . 35
3.1 Existence de la solution . . . . . . . . . . . . . . . . . . . . . . . . . 35

er
4 Généralisations aux systèmes du 1 ordre . . . . . . . . . . . . . . 35
5 Méthodes numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.1 Méthode d'Euler - Cauchy. . . . . . . . . . . . . . . . . . . . . . . . 37

5.2 Erreur de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Algorithme (Euler) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6 Les schémas un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.1 Notion d'ordre d'une méthode . . . . . . . . . . . . . . . . . . . . . 39

6.2 Construction d'un schéma d'ordre p . . . . . . . . . . . . . . . . . . 40
6.3 Schémas de Runge - Kutta . . . . . . . . . . . . . . . . . . . . . . . 41
6.4 Algorithme (RK2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.5 Algorithme (RK4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
32 CHAPITRE 4. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS DIFFÉRENTIELLES

1. EXEMPLES ET MOTIVATIONS 33
Bien souvent, on ne sait pas résoudre exactement une équation diérentielle. C'est à dire
qu'on ne sait pas donner la forme explicite des solutions. Il faut alors recourir à des méthodes
qui donnent des solutions approchées. Celles ci reposent sur des notions d'analyse numérique
que vous rencontrerez dans votre future formation d'ingénieur. Nous nous contenterons d'abor-
der dans ce chapitre deux des méthodes les plus simples à mettre en oeuvre ; celle d'Euler et
celle de Runge-Kutta. La résolution numérique des équations diérentielles est probablement
le domaine de l'analyse numérique où les applications sont les plus nombreuses. Que ce soit
en mécanique des uides, en transfert de chaleur ou en analyse des structures, on aboutit
souvent à la résolution d'équations diérentielles, de systèmes d'équations diérentielles ou
plus généralement d'équations aux dérivées partielles.
1.1 Exemple 1
Considérons une population y d'animaux dans un milieu ambiant où au plus B animaux
peuvent coexister. On suppose que initialement la population y0 B et que le facteur de
croissance des animaux soit égal à une constante C. Dans ce cas, l'évolution de la population
au cours du temps sera proportionnelle au nombre d'animaux existants, sans toutefois que ce
nombre ne dépasse la limite B . Cela peut s'exprimer par l'équation diérentielle suivante :

 y 0 (t) = Cy(t) 1 − y(t) , t > 0,

B
y(0) = y0 .


La résolution de cette équation permet de trouver l'évolution de la population au cours du
temps.
1.2 Exemple 2
On considère deux populations, y et z , où y sont les proies et z les prédateurs. L'évolution
des deux populations est alors décrite par le système d'équations diérentielles suivant :

 y 0 (t) = C1 y(t) [(1 − b1 y(t) − d2 z(t))] ,
 z 0 (t) = −Cz(t) [(1 − d y(t))] ,
1
où C1 et C2 sont les facteurs de croissance des deux populations, d1 et d2 tiennent compte
de l'interaction entre les deux populations. b1 est liée à la quantité de nourriture disponible
pour la population des proies y1 . Ce modèle est connu sous le nom de LOTKA-VOLTERRA.
2 Position du problème
Soit F (x, y, y 0 , .........., y (p) ) = 0 une équation diérentielle d'ordre p où x ∈ [a, b] ⊂ R, y ∈

C p ([a, b] , R) .
Dénition : On dit que la fonction y(x) est solution de l'équation diérentielle si et
seulement si
F (x, y(x), y 0 (x), .........., y (p) (x)) = 0, ∀x ∈ [a, b]
Une équation diérentielle peut avoir plusieurs solutions. Pour préciser, on introduit des
conditions particulières. Il est évident que pour une équation d'ordre p , p conditions sont
nécéssaires pour xer la solution.
Exemple :




 y(a) = η0


y 0 (a) = η1


où η0 , ..............., ηp−1 sont des constantes données.



 .


 y (p−1) (a) = η

p−1
Dans ce chapitre, nous étudierons les équations diérentielles du 1

◦ ordre ie les équations de
la forme :

 y 0 = f (x, y)
 y(a) = η (η constante donnée),
car on peut montrer que les équations d'ordre supérieur se ramenent à un système d'équa-
tions dierentielles d'ordre 1 en posant : z1 (x) = y 0 (x), z2 (x) = z10 (x) = y 00 (x)...............etc.
3. PROBLÈME D'EXISTENCE ET D'UNICITÉ 35
3 Problème d'existence et d'unicité
3.1 Existence de la solution
Notre but est de trouver une solution de l'équation diérentielle

 y 0 = f (t, y(t)) vériant la condition initiale
 y(t0 ) = y0
Pour formuler le problème de façon précise, nous allons faire des hypothèses sur f (t, y).
Hypothèse 1 : La fonction f (t, y) est à valeurs réelles et elle est continue sur un domaine
D du plan (t, y) déni par t0 − α < t < t0 + α, y0 − β < y < y0 + β où α et β sont positifs.
Cette hypothèse montre que f (t, y) est continue sur D donc f (t, y) est borné dans D ,

β
c'est à dire : ∃M ∈ R tel que sup |f (t, y| = M. On peut poser h = min α, M .
(t,y)∈D
Hypothèse 2 : f (t, y) satisfait à la condition de Lipschitz relativement à y dans D ie
∃M ∈ R+ telle que : |f (t, y1 ) − f (t, y2 )| ≤ M |y1 − y2 | , ∀(t, y1 ) et (t, y2 ) ∈ D.
On va dénir une suite yn (t) qui converge uniformément vers la solution y(t) sur |t − t0 | ≤
h, soit la suite dénie par de la façon suivante sur |t − t0 | ≤ h :
Rt Rt
y0 (t) = y0 , y1 (t) = y0 + t0 f (x, y0 (x))dx, .................., yn (t) = y0 + t0 f (x, yn−1 (x))dx.
Théorème de Picaro :
La suite {yn (t)} converge uniformément sur le segment |t − t0 | ≤ h vers y(t) vériant :

 y 0 = f (t, y(t))
 y(t0 ) = y0
er
4 Généralisations aux systèmes du 1 ordre
On cherche une fonction y(t) ∈ Rn telle que

 y 0 = f (t, y(t)) t ∈ [a, b] , f : [a, b] × Rn → Rn
 y(t0 ) = y0 .
On fait des hypothèses équivalentes sur f (t, y) .
Hypothèse 1 : f (x, y) est continue sur un compact.

Hypothèse 2 : Pour la condition de Lipschitz, il sut de remplacer valeur absolue par

une norme de Rn car la formulation de la condition de Lipschitz donc l'existence et l'unicité
est indépendente de la norme choisie.
5 Méthodes numériques
Il existe deux grandes classes de méthodes numériques
a ) Les méthodes à 1 pas.
b ) Les méthodes à pas multiples.
Dans les deux cas, un principe de base essentiel est le suivant : le problème mathématique,
quel qu'il soit, traite les fonctions à valeurs dans R, ayant pour support un intervalle de
R; donc un nombre de points ayant la puissance du continu ; or, sur un calculateur, nous
sommes obligés de travailler sur un nombre ni de points judicieusement choisis et répartis
sur l'intervalle [a, b] .
Donc il faut discrétiser le domaine de travail. Les points ainsi formés pourront être repères
par un indice n variant de 0 à N (N est le nombre de points de l'ensemble support ξ)
Donc 1
◦ temps R → ξ
(∞ points) N points.
Souvent les points tn sont équidistants. On écrit alors tn = t0 + nh, n = 0, .......N. La
quantité h est alors appelée le pas de la méthode.
Dans tous les cas, une méthode discrète consiste pour chaque point xn à trouver une
valeur yn qui est une valeur approchée de y(xn ) solution exacte de l'équation au point xn .
Dans une méthode à 1 pas , la valeur yn peut être trouvée si et seulement si yn−1 est connu ;
la connaissance de yn−2 , yn−3 n'est pas nécéssaire. Une méthode à k pas nécessite en mémoire
yn−1 , yn−2 , ..........., yn−k pour calculer yn . Dans les méthodes à un pas, le point de départ
ne joue pas un rôle spécial ce qui rend facile le changement du pas h. Les méthodes à pas
multiples nécéssitent une procédure de départ spéciale. Une des principales questions qui se
posent est la valeur de la quantité e(tn ) = yn − y(tn ) : erreur de discrétisation. Ces méthodes
sont presque toujours applicables. La seule condition nécésaire pour pouvoir les appliquer est
la possibilté de calculer une bonne approximation de la valeur de f (t, y) pour un (t, y) donné.
5. MÉTHODES NUMÉRIQUES 37
5.1 Méthode d'Euler - Cauchy.

L'idée principale est d'approcher, au voisinage d'un point (t0 , y0 ), une fonction inconnue
par sa tangente, qui elle est connue.
Les erreurs commises à chaque pas de calcul se propagent et nalement l'erreur obtenue
au pas k est de la forme :
ek = ky(tk ) − yk k = O(h)
La valeur de h inuence donc énormément la précision de la méthode, mais aussi sa sta-
bilité. En eet si la largeur du pas de calcul h est trop importante, la méthode peut ne pas
converger.
Nous étudierons complétement cette méthode car c'est la plus simple de toutes les mé-
thodes de résolution approchée.
Dénition Soit à résoudre

 y 0 = f (t, y(t))
 y(t0 ) = y0
On considère une subdivision de [a, b] en N intervalles égaux ti = a + ih.
y(ti + h) = y(ti ) + hy 0 (ti ) + 0(h2 ) or y 0 (ti ) = f (ti , yi )
y(ti + h) = y(ti ) + hf (ti , yi ) + 0(h2 ).
On aura donc une approximation de y au point ti+1 par la formule

 yi+1 = yi + hf (xi , yi ) ,i≥ 0
 y0 donnée
5.2 Erreur de la méthode

L'erreur est de deux sources
a ) erreur de troncature (dûe à la méthode elle - même) : ei = |yi − y(ti )|

b ) erreur d'arrondi dûe à la précision du calcul. Soit ybi la valeur calculée de yi : ri =
|ybi − yi | . L'erreur totale est donc Ei = |ybi − y(xi )| < ri + ei .
La méthode est convergente si en → 0 quand h → 0.
5.3 Algorithme (Euler)

y0 = y(t0 ) = y(a)
y0 = t0 = a
n= nombre de pas
b−a
h= n
Pour k de 1 à n Faire
yk = yk−1 + h.f (tk−1 , yk−1 )
tk = tk−1 + h
Fin Pour
En sortie de l'algorithme on obient le vecteur (y0 , y1 , ..., yn ) au correspondant au n+1

valeurs de la solution approchée y associées à (t0 , t1 , ..., tn ).
6 Les schémas un pas
Ce sont les schémas dénis par une équation de récurrence et qui permettent de calculer
yi+1 en utilisant yi , ti , h, f (ti , yi ). La formule générale sera donc

 yi+1 = yi + hΦ(ti , yi , h),i≥ 0
(4)
 y0 = η h donnée
Dénition : Nous dirons que la méthode (4) est consistante avec l'équation diérentielle
si :
max |[y(tn+1 ) − y(tn )] − Φ(tn , y(tn ), h)| → 0, quand h → 0 , n = 0, ........, N −1, pour toute
solution continue sur [a, b] de l'équation diérentielle.
Donc on voit que la méthode approche la solution dans un certain sens, la dénition
suivante concerne la propriété de continuité uniforme en h de l'application qui aux données
fait correspondre la solution du schéma.
Dénition : Soient {yn } et {zn } les solutions respectives des systèmes suivants :

 yn+1 = yn + hΦ(tn , yn , h)
 y xé quelconque dans R
0
6. LES SCHÉMAS UN PAS 39

 zn+1 = zn + h [Φ(tn , yn , h) + εn ]
 z xé quelconque dans R
0
Nous dirons que la méthode (4) est stable s'il existe deux constantes M1 et M2 indépen-
dentes de h telles que
max |yn − zn | ≤ M1 |y0 − z0 | + M2 max |εn | .

n=0,....,N n=0,....,N
Cette notion de stabilité siginie qu'une petite perturbation sur les données n'entraine
qu'une petite perturbation sur la solution du schéma et ceci indépendamment de h. Remar-
quons que la stabilité est une propriété intrinséque du schéma de résolution numérique.
Dénition :
Nous dirons que la méthode (4) est convergente si ∀ζ ∈ R, si ηh → ζ quand h→0 et si
{yn } est la solution de y 0 (t) = f (t, y(t)), nous avons max |yn − y(tn )| → 0 quand h→0
n=0,....,N
où y ∈ C 1 ([a, b]) est la solution de l'équation diérentielle.
Nous allons relier ces trois notions de consistance , de stabilité et de convergence à l'aide
du théorème fondamental suivant :
Théorème : Si la méthode est consistante et stable, elle est convergente.

Preuve : Puisque la méthode est consistante, nous avons pour toute solution y de l'équa-
tion diérentielle y(tn+1 ) = y(tn ) + h [Φ(tn , y(xn ), h) + εn ] , n = 0, ..........., N − 1
ou max |εn | → 0 quand h → 0.
n=0,....,N −1
D'où max |yn − y(tn )| ≤ M1 |ηh − ζ| + M2 max |εn | .
n=0,....,N n=0,....,N −1
Théorème : Si Φ(t, y, h) vérie
1. Φ(t, y, 0) = f (t, y) ∀t ∈ [a, b]

2. |Φ(t, y, h) − Φ(x, y ∗ , h)| ≤ L |y − y ∗ |
Alors la méthode est convergente.
6.1 Notion d'ordre d'une méthode

yn+1 −yn
Φ(tn , yn , h) = h .
y(tn +h)−yn
Soit 4(tn , yn , h) = h , y(tn + h) est solution execte en xn + h.
Dénition : On dira qu'un schéma est d'ordre p si p est le plus grand entier tel que :
|Φ(tn , yn , h) − 4(tn , yn , h)| ≤ Ahp , A ne dépend pas de y et Φ c'est à dire
|Φ(tn , yn , h) − 4(tn , yn , h)|

lim =A
h→0 h
On voit que la méthode sera d'autant meilleure que p sera grand.
Théorème de majoration de l'erreur

Si Φ(t, y, h) vérie :
1. Φ continue en t et en y au voisinage de h = 0.
2. Φ est Lipschitzienne en y.
3. ∃A et p tels que |Φ(t, y, h) − 4(t, y, h)| ≤ Ahp .
Alors l'erreur de discrétisation est d'order p et l'on a
eL(t−a) − 1
|en | = |yn − y(tn )| ≤ Ahp ,
L
où L est la constante de Lipschitz de Φ en y.

On voit donc pour un schéma d'ordre p l'erreur est aussi d'ordre p. Ce théorème donne
une estimation de l'erreur mais ne permet pas le contrôle de celle - ci, pour cela il faudrait
pouvoir estimer la constante A ce qui est en général impossible.
6.2 Construction d'un schéma d'ordre p

Soit y(t) la solution exacte de y0(t) = f (t, y(t)),
y(t + h) − y(t) h
= y 0 (t) + y 00 + o(h2 ) = 4(t, y(t), h).
h 2
∂y 0
Mais y 0 = f (t, y), y 00 = ∂t = fx0 + fy0 × f, 4(t, y, h) = f (t, y) + h2 ft0 + h2 fy0 × f + o(h2 ).
On aura donc un schéma d'ordre 2 et en choisissant comme fonction d'accroissement :
h 0 h
Φ(t, y, h) = f (t, y) + ft (t, y + fy0 (t, y × f (t, y),
2 2
on peut montrer que ce schéma est stable et consistant. La compléxité des expressions
analytiques des dérivées augment, cette méthode est donc en général à éviter sauf dans des
cas simples (équations linéaires). On est donc amenée à rechercher un schéma d'ordre p qui
ne nécéssite pas le calcul des dérivées de f.

6. LES SCHÉMAS UN PAS 41
6.3 Schémas de Runge - Kutta
Posons Φ(x, y, h) = a1 f (x, y) + a2 f (x + p1 h, y + p2 hf (x, y)) et essayons de déterminer
a1 , a2 , p1 , et p2 pour que le schéma soit convergent et d'ordre 2.
f (x + p1 h, y + p2 hf ) = f + p1 hfx0 + p2 hf fy0 + o(h2 ) ⇒
Φ(x, y, h) == (a1 + a2 )f (x, y) + a2 p1 hfx0 (x, y) + a2 p2 hf (x, y)fy0 (x, y) + o(h2 ).
D'autre part : 4(x, y, h) = f (x, y) + h2 fx0 (x, y) + h2 fy0 (x, y) × f (x, y) + o(h2 ), pour que le
schéma soit d'ordre 2, il faut que :
a1 + a2 = 1
1 1 1
a2 p 1 = 2 d'où a2 = α, a1 = 1 − α, p1 = 2α , p2 = 2α
1
a2 p 2 = 2
On a donc le schéma général de Runge - Kutta d'ordre 2

h h
yn+1 = yn + h (1 − α)f (xn , yn ) + αf (xn + , yn + f (xn , yn ) .
2α 2α
Cette méthode est consistante et stable. Elle est actuellement universellement utilisée et
donne d'excellents résultats.
Cas particuliers
La méthode d'Euler n'est qu'un exemple de méthodes plus générales de résolution, les
méthodes dites de Runge - Kutta. Elles consistent à écrire une solution approchée y où in-
terviennent uniquement des évaluations de la fonction f (et pas de ses dérivées !) de manière
à ce que ce que cette solution algébrique conduise à une erreur du même ordre que celle du
développement en série de Taylor.
Chaque méthode de Runge - Kutta consiste à écrire y(t + 1), solution approchée du pro-
blème de Cauchy, sous la forme d'une combinaison linéaire de y(t) et de valeurs de la fonction
f de telle manière que le développement en série de Taylor de cette combinaison linéaire
algébrique soit égal au développement de Taylor de y(t + 1) jusqu'à un ordre xé.

6.4 Algorithme (RK2)

y0 = y(t0 ) = y(a)
y0 = t0 = a
n= nombre de pas
b−a
h= n
K1 = f (tk−1 , yk−1 )
K2 = f (tk−1 + 12 h, yk−1 + h2 K1 )
yk = yk−1 + h2 (K1 + K2 )
tk = tk−1 + h
Fin Pour
6.5 Algorithme (RK4)

y0 = y(t0 ) = y(a)
y0 = t0 = a
n= nombre de pas
b−a
h= n
K1 = f (tk−1 , yk−1 )
K2 = f (tk−1 + 12 h, yk−1 + h2 K1 )
K3 = f (tk−1 + 21 h, yk−1 + h2 K2 )
K4 = f (tk−1 + h, yk−1 + hK1 )
yk = yk−1 + h6 (K1 + 2K2 + 2K3 + K4 )
tk = tk−1 + h
Fin Pour
Exercice 4.1 : Soit l'équation diérentielle

y 0 (t) = y(t) + t , y(0) = 1
1. Approcher la solution de cette équation en t = 1 à l'aide de la méthode d'Euler en
subdivisant l'intervalle de travail en 10 parties égales.
2. Trouver la solution exacte de cette équation diérentielle.
3. Comparer.
Exercice 4.2 : Soit l'équation diérentielle
t
y 0 (t) = y(t) − 2 , y(0) = 1
y
1. Approcher la solution de cette équation en t = 0.2 à l'aide de la méthode de Runge
Kutta d'ordre 2, avec un pas h = 0.2
2. Trouver la solution exacte de cette équation diérentielle.
3. Comparer.
Exercice 4. 3 : Soit l'équation diérentielle du second ordre


 y 00 (t) + 2y 0 (t) = 2y(t) , t ∈ [a, b]
 y(a) = 1 et y 0 (a) = 2
1. Ecrire cette équation diérentielle sous forme d'un système diérentiel de deux équa-
tions diérentielles d'ordre 1.
2. Appliquer la méthode de Runge Kutta d'ordre 2 à ce système.
Exercice 4.4 : Soit l'équation diérentielle du second ordre

 y 00 (t) + 3 sin(y 0 (t)) = 2y(t) , t ∈ [a, b]
 y(a) = 1 et y 0 (a) = 2
1. Ecrire cette équation diérentielle sous forme d'un système diérentiel de deux équa-
tions diérentielles d'ordre 1.

Exercice 4.5 : Soit le problème de Cauchy suivant :


 y 0 (t) = f (t, y(t)) = e−t − 2y(t) , t ∈ [0, 1]
(1)
 y(0) = 1
1. Montrer que f (t, y(t) est lipshitzienne par rapport à y uniformément par rapport à t,
et donner une constante de Lipshitz.
2. Montrer que ce problème admet une solution unique.
3. Donner la solution exacte de (1), ainsi que y(0.2).
4. Appliquer la méthode d'Euler à ce problème, écrire l'algorithme correspondant et don-
ner l'approximation y2 de y(0.2) obtenue à l'aide d'un pas de discrétisation numérique
h = 0.1.
5. Rappeler l'erreur de la méthode d'Euler et la comparer à l'erreur commise sur le calcul
de y(0.2); commentaires ?
Exercice 4.6 (TP) : On considère l'équation diérentielle suivante :


y 0 (t) + 2y(t) = 3 exp(−4t)





y(0) = 1



 h = 0.1 et 0 ≤ t ≤ 4

Travail à faire :
1. Vérier que la solution exacte est y(t) = 2.5 exp(−2t) − 1.5 exp(−4t).
2. Ecrire et programmer la méthode d'Euler pour déterminer la solution approchée de
cette équation diérentielle.
3. Ecrire et programmer la méthode de Runge-Kutta d'ordre 2 pour déterminer la solution
approchée de cette équation diérentielle.
4. Ecrire et programmer la méthode de Runge-Kutta d'ordre 4 pour déterminer la solution
approchée de cette équation diérentielle.
5. Pour comparer l'erreur commise, tracer les courbes des deux solutions.

Cours GIL 1819

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

Cours GIL 1819

Transféré par

Droits d'auteur :

Formats disponibles

1

Université Hassan II de Casablanca

Ecole Nationale Supérieure d'Electricité et de Mécanique

Documents Pédagogiques : Polycopié d'Analyse Numérique

1ère Année : Filière Génie Industriel: GIL

Année Universitaire 2018 - 2019

1 Résolution numérique des équations non linéaires 9

1.3 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1 Convergence de l'algorithme de dichotomie . . . . . . . . . . . . . . . . 11

3 Méthodes des approximations successives . . . . . . . . . . . . . . . . . . . . . . 12

3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3.2 Convergence de la méthode des approximations successives . . . . . . . 13

3.3 Critère d'arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 14

5 Méthode de Newton - Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

5.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 15

6 Comparaison des algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

7 Sytèmes Non Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

8 Travaux Dirigés (correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 17

2.1 Interpolation polynômiale : existence et unicité . . . . . . . . . . . . . . 20

2.2 Erreur d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4 Représentation des interpolations de type Lagrange . . . . . . . . . . . 22

3 Travaux Dirigés (Correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 23

3 Approximations des intégrales 25

2 Quelques méthodes d'intégrations numériques . . . . . . . . . . . . . . . . . . . 26

2.1 Méthode des trapèzes et Analyse de l'erreur . . . . . . . . . . . . . . . . 26

2.2 Méthode de Simpson et son erreur . . . . . . . . . . . . . . . . . . . . . 27

3 Travaux Dirigés (Correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 28

4 Résolution Numérique des équations diérentielles 31

3 Problème d'existence et d'unicité . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.1 Existence de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4 Généralisations aux systèmes du 1

5.1 Méthode d'Euler - Cauchy. . . . . . . . . . . . . . . . . . . . . . . . . . 37

5.2 Erreur de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

5.3 Algorithme (Euler) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

6 Les schémas un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

6.1 Notion d'ordre d'une méthode . . . . . . . . . . . . . . . . . . . . . . . . 39

6.2 Construction d'un schéma d'ordre p . . . . . . . . . . . . . . . . . . . . 40

6.3 Schémas de Runge - Kutta . . . . . . . . . . . . . . . . . . . . . . . . . 41

6.4 Algorithme (RK2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

6.5 Algorithme (RK4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

7 Travaux Dirigés (Correction en classe) . . . . . . . . . . . . . . . . . . . . . . . 42

Résolution numérique des équations

2.1 Convergence de l'algorithme de dichotomie . . . . . . . . . . . . . . 11

3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . 12

4.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . 14

5.1 Convergence de l'algorithme . . . . . . . . . . . . . . . . . . . . . . . 15

7 Sytèmes Non Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 16

8 Travaux Dirigés (correction en classe) . . . . . . . . . . . . . . . . 17

pérature T et de pression p. L'équation d'état est

où a et b sont deux coecients dépendants de la nature du gaz, N est le nombre de

Pour le dioxyde de Carbone CO2 , a = 0.401 Pa m3 , b = 42.7 × 10−6 m3 , N = 1000, T =

7 ans avec un montant A = 6500 dhs. La relation qui lie t, a, A est

1.3 Position du problème

de donner des procédés permettant d'obtenir la ou les valeurs de α.

des approximations numériques de α peuvent dépendre des propriétés de régularité de f. Il

donne à priori α∈R et un voisinage V de α. On considère les fonctions de C p (V ), p ≥ 0. On

demandera des conditions susantes sinon nécésaires pour que f ∈ C p (V ) possède :

- au moins une solution dans V (existence).

- au plus une solution dans V (unicité).

On construit alors des algorithmes pour obtenir la solution α et on étudie la convergence,

On a obtenu un intervalle (a1 , b1 ) de longueur moitié de (a, b) et comprenant la racine α.

obtenir un intervalle de la longueur désirée contenant la racine α.

3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4 Résolution Numérique des équations diérentielles 31

3.1 Déniton et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . 12

où a et b sont deux coecients dépendants de la nature du gaz, N est le nombre de

demandera des conditions susantes sinon nécésaires pour que f ∈ C p (V ) possède :

3.1 Déniton et hypothèses

L'équation x = f (x) a une solution, on s'intéresse à la convergence de la suite xn déni

on dit que la convergence est au moins linéaire. Plus généralement, on dénit :

Alors, si x1 et x2 sont choisis assez près de l, l'algorithme de la sécante : déni par :

des accroissements nis à F (xn ).

1. Écrire la formule d'interpolation de Lagrange qui permet d'interpoler les diérents