Lecture Notes L2 Math 2020 NAResume A

UNIVERSITÉ DES SCIENCES ET DE LA TECHNOLOGIE
HOUARI BOUMEDIENNE(1)
FACULTÉ DES MATHÉMATIQUES
DÉPARTEMENT D’ANALYSE
Résumé des Notes de Cours du module

Analyse numérique
Par
LAADJ Toufik(2)
Pour
Deuxième année Licence Math

Janvier 2021
(1)
USTHB : Bab Ezzouar Alger, Algérie.
(2)
Page Web : http://perso.usthb.dz/˜tlaadj/
Table des matières
Table des matières ii
Description du Cours iii
1 Analyse d’erreurs 1
2 Interpolation polynomiale 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Existence et unicité du polynôme d’interpolation . . . . . . . . . . . . . . . . . . 4
2.3 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 Différences divisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.2 Formule d’interpolation de Newton . . . . . . . . . . . . . . . . . . . . . 9
2.5 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.1 Formule d’erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.2 Erreur pour le cas des points d’interpolation équidistants . . . . . . . . . 11
3 Dérivation numérique 13
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Dérivée première . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1 Formules à deux points . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.2 Formules à trois points . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Dérivées d’ordre supérieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4 Erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
i
Table des matières
3.4.1 Dérivée première . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.4.2 Dérivée du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Intégration numérique 19
4.1 Formules de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.1.1 Méthode des rectangles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.1.2 Méthode des trapèzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1.3 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Résolution d’équations non linéaires 25

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.1.1 Localisation d’une racine . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Méthode de dichotomie (ou de bissection) . . . . . . . . . . . . . . . . . . . . . 27
5.3 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.3.1 Interprétation géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.3.2 Analyse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Bibliographie 33
ii
Description du Cours
Objectif du Cours
L’objectif de ces notes de cours est de présenter certaines des méthodes numériques les plus
importantes et fondamentales qui sont utilisés dans les calculs pratiques de valeurs numériques
des grandeurs mathématiques, y compris les fonctions, les dérivées, les intégrales, les solu-
tions des équations algébriques, les solutions des systèmes linéaires, les solutions des équations
différentielles, etc.
Contenu du Cours
• Analyse d’erreurs
• Interpolation polynomiale
• Approximation au sens des moindres carrés.
• Dérivation numérique
• Intégration numérique
• Résolution d’une équation algébrique
• Résolution des systèmes linéaires
• Calcul des valeurs et vecteurs propres
• Résolution numérique des équations différentielles
iii
Description du Cours
Résultats d’apprentissage
À la fin du cours, l’étudiant doit avoir une bonne compréhension des méthodes numériques
courantes et comment elles sont utilisées pour obtenir des solutions approximatives aux problèmes
mathématiques autrement insolubles.
En particulier, l’étudiant doit être capable de :
• Représenter des nombres réels sur un ordinateur et évaluer les erreurs.
• Approximer une fonction arbitraire par des polynômes.
• Trouver des solutions approximatives aux systèmes surdéterminés.
• Évaluer les dérivés et les intégrales.
• Trouver les racines des équations non linéaires.
• Résoudre les systèmes linéaires par des méthodes directes et itératives.
• Obtenir les solutions approximatives des équations différentielles.
iv
C
h a pi
tr
e 1
Analyse d’erreurs
L’analyse numérique est une branche des mathématiques appliquées s’intéressant aux méthodes
permettant de résoudre, par des calculs numériques, des problèmes d’analyse mathématique.
Erreur absolue
Définition 1 (Erreur absolue)

Soit x un nombre, et x∗ une approximation de ce nombre. L’erreur absolue est définie par
Ea (x∗ ) = |x − x∗ | . (1.1)
Erreur relative
Définition 2 (Erreur relative)

Soit x un nombre non nul, et x∗ une approximation de ce nombre. L’erreur relative est définie
par
|x − x∗ | ∆x
Er (x∗ ) = ' ∗ . (1.2)
|x| |x |
De plus, en multipliant Er par 100, on obtient l’erreur relative en pourcentage.
1
1. Analyse d’erreurs
Évaluation des polynômes
Il est très fréquent d’avoir à évaluer des polynômes de degré élevé en analyse numérique. Il
est donc important de pouvoir les évaluer rapidement et de la façon la plus stable possible du
point de vue de l’arithmétique flottante. C’est ce que permet l’algorithme de Horner appelé
aussi algorithme de multiplication imbriquée. Pour évaluer un polynôme de la forme
p (x) = a0 + a1 x + a2 x2 + a3 x3 + · · · + an xn
en un point x quelconque, il suffit de regrouper les termes de la façon suivante
p (x) = a0 + x (a1 + x (a2 + x (a3 + · · · + x (an−1 + an x) · · · ))) .
Exemple 1
Soit le polynôme p (x) = 2 + 4x + 5x2 + 3x3 qui nécessite 6 multiplications et 3 additions.
En suivant le mode de regroupement suivant l’algorithme de Horner, on obtient p (x) = 2 +
x (4 + x (5 + 3x)) qui nécessite seulement 3 multiplications et 3 additions. On réduit donc le
nombre d’opérations nécessaires.
2
C
h a pi
tr
e 2
Interpolation polynomiale
2.1 Introduction
L’interpolation polynomiale est l’une des méthodes d’approximation d’une fonction ou d’un
ensemble de données par un polynôme. En d’autres termes, étant donné un ensemble de n + 1
points {(xi , yi ) , i = 0, · · · , n} (obtenu, par exemple, à la suite d’une expérience), on cherche un
polynôme p qui passe par tous ces points, c’est-à-dire p (xi ) = yi , i = 0, · · · , n, et éventuellement
vérifie d’autres conditions, de degré si possible le plus bas.
y
p(x)
(x2 , y2 ) (xn , yn )
yi (xi , yi )
(x1 , y1 )
(x0 , y0 )
(xn−1 , yn−1 )
xi x
Si un tel polynôme existe, il est appelé polynôme d’interpolation ou polynôme interpolant.
Les abscisses xi sont appelés noeuds d’interpolation tandis que les couples (xi , yi ) sont appelés
points d’interpolation, ou points de collocation.
3
2.2. Existence et unicité du polynôme d’interpolation
2.2 Existence et unicité du polynôme d’interpolation
On se donne un ensemble de n + 1 points {(xi , yi ) , i = 0, · · · , n}. Existe-t-il un polynôme pn

de degré inférieur ou égal à n vérifiant le problème d’interpolation
pn (xi ) = yi , i = 0, · · · , n? (2.1)
Théorème 3 (Existence et unicite du polynome d’intrpolation)

Si les xi , i = 0, · · · , n sont deux à deux distincts, non nécessairement rangés par ordre crois-
sant, alors il existe un unique polynôme pn de degré inférieur ou égal à n tel que
pn (xi ) = yi , i = 0, · · · , n.
2.3 Interpolation de Lagrange
L’approche de Lagrange pour construire le polynôme d’interpolation est simple, systématique

et sans passer par la résolution d’un système linéaire.
On se donne n + 1 points (x0 , y0 ) , · · · , (xn , yn ), avec les xi distincts deux à deux. Le polynôme
d’interpolation sous la forme de Lagrange est une combinaison linéaire
n
X
L (x) = y0 `0 (x) + y1 `1 (x) + · · · + yn `n (x) = yi ì (x)
i=0
de polynômes de base de Lagrange

n
Y x − xj (x − x0 ) (x − xi−1 ) (x − xi+1 ) (x − xn )
ì (x) = = ··· ··· ,
j=0,j6=i
xi − x j (xi − x0 ) (xi − xi−1 ) (xi − xi+1 ) (xi − xn )
où i = 0, · · · , n. Noter comment, étant donné l’hypothèse initiale qu’il n’y a pas de deux xj
identiques, alors lorsque i 6= j, xi − xj 6= 0, cette expression est toujours bien définie.
Exemple 2
x − x1 x − x0
Pour n = 1 le polynôme de Lagrange s’écrit p1 (x) = y0 + y1 .
x0 − x1 x1 − x0
4
2.3. Interpolation de Lagrange
y
y1 (x1 , y1 )
)
(x
p1
1
x)
` 1(
(x0 , y0 )
y0 `0 (
x)
x0 x1 x
C’est l’équation de la droite qui passe par les points (x0 , y0 ) et (x1 , y1 ).
Exemple 3
Pour n = 2 le polynôme de Lagrange s’écrit
(x − x1 ) (x − x2 ) (x − x0 ) (x − x2 ) (x − x0 ) (x − x1 )
p2 (x) = y0 + y1 + y2 .
(x0 − x1 ) (x0 − x2 ) (x1 − x0 ) (x1 − x2 ) (x2 − x0 ) (x2 − x1 )
y
y2 (x2 , y2 )
p2 (x)
y1 (x1 , y1 )
`2 (x)
1
(x0 , y0 )
y0 `0 (x)
x0 x1 x2 x
`1 (x)
C’est l’équation de parabole qui passe par les points (x0 , y0 ) , (x1 , y1 ) et (x2 , y2 ).
Exemple 4
Déterminons le polynôme d’interpolation p3 qui interpole les points (xi , yi ) suivantes :
(0, 1) , (1, 3) , (3, 0) et (4, 5) .
Le polynôme de Lagrange s’écrit sous la forme

3
X
p3 (x) = yi ì (x) = `0 (x) + 3`1 (x) + 5`3 (x) ,
i=0
5
2.3. Interpolation de Lagrange
y
5 (4, 5)
où
(x − x1 ) (x − x2 ) (x − x3 ) 4
`0 (x) =
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) p3
−1 (1, 3)
= (x − 1) (x − 3) (x − 4) , 3
12
(x − x0 ) (x − x2 ) (x − x3 )
`1 (x) =
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) 2
1
= x (x − 3) (x − 4) ,
6 `1 `2
1 (0, 1)
(x − x0 ) (x − x1 ) (x − x2 ) `3
`3 (x) =
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) `0
1
= x (x − 1) (x − 3) . 1 2 (3, 0) 4 x
12
Donc
−1
p3 (x) = 12
(x − 1) (x − 3) (x − 4) + 12 x (x − 3) (x − 4) + 5
12
x (x − 1) (x − 3)
= 56 x3 − 29 x2 + 17
3
x + 1.
Exemple 5
Soit f : R → R la fonction définie par f (x) = ex .

Cherchons l’interpolant de f aux points −1, 0, 1. On a
(x − x1 ) (x − x2 ) (x − x0 ) (x − x2 ) (x − x0 ) (x − x1 )
p2 (x) = f (x0 ) + f (x1 ) + f (x2 )
(x0 − x1 ) (x0 − x2 ) (x1 − x0 ) (x1 − x2 ) (x2 − x0 ) (x2 − x1 )
x (x − 1) (x + 1) (x − 1) (x + 1) x
= e−1 + +e
2 −1 2
e 1 e 1
= −1+ x2 + − x+1
2 2e 2 2e
6
2.4. Interpolation de Newton
f (x) = ex
p2 (x)
1
e
−1 1 x
2.4 Interpolation de Newton
L’interpolation de Newton est une méthode ne diffère de l’interpolation lagrangienne que par
la façon dont le polynôme est calculé, le polynôme d’interpolation qui en résulte est le même.
Pour cette raison on parle aussi plutôt de la forme de Newton du polynôme de Lagrange.
2.4.1 Différences divisées
Définition 4 (Différences divisées)

On définit les différences divisées d’ordres successifs 0, 1, 2, · · · , n de la fonction f aux points
xi , i = 0, · · · , n par les relations de récurrences suivantes.
Ordre 0 : f [xi ] = f (xi ) .

f (xi+1 ) − f (xi )
Ordre 1 : f [xi , xi+1 ] = .
xi+1 − xi
f [xi+1 , xi+2 ] − f [xi , xi+1 ]
Ordre 2 : f [xi , xi+1 , xi+2 ] = .
xi+2 − xi
..
.
f [xi+1 , · · · , xi+k ] − f [xi , · · · , xi+k−1 ]
Ordre k : f [xi , xi+1 , · · · , xi+k ] = , 2 ≤ k ≤ n.
xi+k − xi
7
Pour expliciter le processus récursif, les différences divisées peuvent être calculées en les dis-
posant de la manière suivante dans un tableau.
Table de différences divisées
xi f (xi ) f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ] · · · f [x0 , x1 , · · · , xn ]
x0 f (x0 )
x1 f (x1 ) f [x0 , x1 ]
x2 f (x2 ) f [x1 , x2 ] f [x0 , x1 , x2 ]
x3 f (x3 ) f [x2 , x3 ] f [x1 , x2 , x3 ] f [x0 , x1 , x2 , x3 ]
.. .. .. .. .. ..
. . . . . .
xn f (xn ) f [xn−1 , xn ] f [xn−2 , xn−1 , xn ] f [xn−3 , xn−2 , xn−1 , xn ] · · · f [x0 , x1 , · · · , xn ]
La construction de cette table est simple.
Pour obtenir par exemple f [x0 , x1 , x2 ], il suffit de soustraire les 2 termes adjacents f [x1 , x2 ] −
f [x0 , x1 ] et de diviser le résultat par (x2 − x0 ).
De même, pour obtenir f [x0 , x1 , x2 , x3 ], on soustrait f [x0 , x1 , x2 ] de f [x1 , x2 , x3 ] et on divise le

résultat par (x3 − x0 ).
8
2.4.2 Formule d’interpolation de Newton
Théorème 5 (Formule de Newton)

Le polynôme d’interpolation sous la forme de Newton passant par les points
{(xi , f (xi )) , i = 0, · · · , n} peut s’écrire
pn (x) = f [x0 ] + f [x0 , x1 ] (x − x0 ) + f [x0 , x1 , x2 ] (x − x0 ) (x − x1 )
+ · · · + f [x0 , x1 , · · · , xn ] (x − x0 ) (x − x1 ) · · · (x − xn−1 ) ,
ou bien
n
X i−1
Y
pn (x) = f [x0 , x1 , · · · , xi ] (x − xj ) , (2.2)
i=0 j=0
ou encore sous la forme récursive


 p0 (x) = f (x0 )

n−1
Q
 pn (x) = pn−1 (x) + f [x0 , x1 , · · · , xn ]
 (x − xj ) , n ≥ 1.
j=0
Exemple 6
Déterminons p3 le polynôme d’interpolation de la fonction f qui passe par les points (−1, −2),
(0, −1), (1, 0) et (2, 3). La table de différences divisées pour ces points est
xi f (xi ) f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ]
−1 −2
0 −1 1
1 0 1 0
1
2 3 3 1 3
Suivant la formule de Newton, le polynôme interpolant les points (−1, −2), (0, −1), (1, 0) et
(2, 3) est
1 1 2
p3 (x) = −2 + 1 × (x + 1) + 0 × (x + 1) (x − 0) + (x + 1) (x − 0) (x − 1) = x3 + x − 1.
3 3 3
Si l’on souhaite ajouter un point d’interpolation et calculer un polynôme de degré 4, il n’est

pas nécessaire de tout recommencer. Par exemple, si l’on veut inclure le point (3, 2), on peut
compléter la table de différences divisées déjà utilisée.
9
2.5. Erreur d’interpolation
xi f (xi ) DD1 DD2 DD3 DD4 y

p3 (x)
−1 −2 (2, 3)
0 −1 1
(3, 2)
1 0 1 0
2 3 3 1 1 p4 (x)
3
3 2 −1 −2 −1 − 31
(1, 0)
x
Ce polynôme de degré 4 est alors
(0, −1)
1
p4 (x) = p3 (x) − (x + 1) (x − 0) (x − 1) (x − 2)
3
1 4 1 (−1, −2)
= − x + x3 + x2 − 1.
3 3
qui est tout simplement le polynôme de degré 3 déjà calculé auquel on a ajouté une correction
de degré 4.
2.5 Erreur d’interpolation
L’interpolation polynomiale permet d’approximer une fonction donnée f : [a, b] → R par un

polynôme pn qui interpole les valeurs de f aux points x0 , x1 , · · · , xn ∈ [a, b] . Cette approxima-
tion entraı̂ne une erreur d’interpolation en tout point x 6= xi , i = 0, 1, · · · , n,
En (x) = f (x) − pn (x) .
10
2.5.1 Formule d’erreur d’interpolation
Théorème 6 (Erreur d’interpolation)

Soient x0 , x1 , · · · , xn ∈ [a, b] , n + 1 points distincts et soit f une fonction continue sur [a, b] et
(n + 1) fois continûment dérivable sur ]a, b[, où a = min xi et b = max xi . Alors pour tout
0≤i≤n 0≤i≤n
x ∈ [a, b], il existe un point ξx ∈ ]a, b[ tel que
f (n+1) (ξx )
En (x) = f (x) − pn (x) = (x − x0 ) (x − x1 ) · · · (x − xn ) .
(n + 1)!
De plus si f (n+1) est continue sur [a, b], alors
Mn+1
|En (x)| ≤ |(x − x0 ) (x − x1 ) · · · (x − xn )| où Mn+1 = max f (n+1) (x) .
(n + 1)! x∈[a,b]
Exemple 7
Soit f (x) = ex à interpoler aux points 0, 14 , 21 , 43 et 1. Calculons l’erreur d’approximation en
x = 13 .
Cinq points d’interpolation donnent n = 4. Donc f (n+1) (x) = f (5) (x) = ex . Il existe alors une
valeur ξ ∈ ]0, 1[ telle que
1
1
eξ 1 1 1 1 1 1 3 1 eξ 320
e 3 − p4 3
= − 0 − − − − 1 =
5! 3 3 4 3 2 3 4 3
5! 125
ξ 1
320 e 320 e
≤ 5 max = 5 = 0.0000291.
12 ξ∈[0,1] 5! 12 5!
2.5.2 Erreur pour le cas des points d’interpolation équidistants
Lorsque les points d’interpolation sont équidistants, une majoration de |En (x)| un peu plus
fine conduit au résultat suivant.
Corollaire 7 (Points d’interpolation équidistants)
Soient x0 , x1 , · · · , xn ∈ [a, b] , n + 1 points équidistants (ou équirépartis) avec xi = a + ih, i =
b−a
0, 1, · · · , n où h = n
. On suppose que f ∈ C n+1 ([a, b]). L’erreur d’interpolation pour tout
x ∈ [a, b] est estimée par
hn+1
|En (x)| ≤ max f (n+1) (x) .
4 (n + 1) x∈[a,b]
11
Exemple 8 (Phénomène de Runge)

1
On considère la fonction définie par f (x) = sur l’intervalle [−5, 5]. On note pn le
1 + x2
polynôme d’interpolation de f aux (n + 1) points équidistants dans l’intervalle [−5, 5]. On
observe alors, comme le montre la figure ci-dessous, quand n augmente, des problèmes aux
extrémités de l’intervalle. En fait f (n) (5) devient rapidement grand avec n.
y
4
f
p10 3
p14
2
−5 −4 −3 −2 −1 1 2 3 4 5 x
−1
12
C
h a pi
tr
e 3
Dérivation numérique
3.1 Introduction
Ce chapitre est consacré aux approximations numériques des dérivées.
3.2 Dérivée première
3.2.1 Formules à deux points

f (x + h) − f (x)
Formule de différence progressive f 0 (x) ' . (3.1)
h
f (x) − f (x − h)
Formule de différence régressive f 0 (x) ' . (3.2)
h
Formule de différence centrée

h2 h1
f 0 (x) ' h1 (h1 +h2 )
f (x + h1 ) − h2 (h1 +h2 )
f (x − h2 ) + 1
h2
− 1
h1
f (x) .
Cette formule se simplifie notablement dans le cas de points équidistants (h1 = h2 = h) pour
donner
f (x + h) − f (x − h)
Formule centrée - points équidistants f 0 (x) ' . (3.3)
2h
Les trois formules ci-dessus de différences sont visualisées sur la figure suivante.
13
3.2. Dérivée première
y
f
f (x + h)
Progressive
f (x) Centrée
f (x − h) Régressive
Dérivée exacte
x−h x x+h x
Exemple 9
Pour illustrer les trois formules, considérons les données suivantes
(x0 , f (x0 )) = 1, 72 , (x2 , f (x2 )) = 3, 23 .

(x1 , f (x1 )) = (2, 3) et
Estimons la valeur de f 0 (2).

y
1 3 1 7
4 f (x) = − 12 x + 12 x + 2
3
f (x2 )−f (x1 ) −3 3
• Progressive f 0 (2) ' x2 −x1
= 2
3−2
= − 32 .
7
0 f (x1 )−f (x0 ) 3−
• Régressive f (2) ' x1 −x0
= 2−1
2 = − 12 . 2
3 7
f (x2 )−f (x0 ) −
• Centrée f 0 (2) ' x2 −x0
= 2 2
3−1
= −1. 1
1 2 3 4 x
1 3 1
Les données ont été calculé pour la fonction f (x) = − 12 x + 12
x + 72 .
On a f 0 (x) = − 14 x2 + 1
12
et f 0 (2) = − 11
12
.
3.2.2 Formules à trois points
Formule de différence progressive à trois points

−f (x + 2h) + 4f (x + h) − 3f (x)
f 0 (x) ' .
2h
Formule de différence régressive à trois points
3f (x) − 4f (x − h) + f (x − 2h)
f 0 (x) ' .
2h
14
3.3. Dérivées d’ordre supérieur
Exemple 10
1 3 1 7
Considérons la fonction f (x) = − 12 x + 12
x + 2
de l’exemple précédent pour les données
(x0 , f (x0 )) = 0, 27 , (x1 , f (x1 )) = 1, 27 , (x2 , f (x2 )) = (2, 3) ,

(x3 , f (x3 )) = 3, 23 et (x4 , f (x4 )) = 4, − 23 .

3
−f (4)+4f (3)−3f (2) +6−9
• Progressive à trois points f 0 (2) ' 2
= 2
2
= − 34 .
7
3f (2)−4f (1)+f (0) 9−14+
• Régressive à trois points f 0 (2) ' 2
= 2
2 = − 34 .
La figure ci-dessous illustre les différentes possibilités.
f (x0 ) p2 (x)
f (x1 ) Progressive à trois points en x0
Centrée à trois points en x1
Régressive à trois points en x2
Régressive à deux points en x1
f (x2 ) Centrée à deux points en x1
Progressive à deux points en x1
x0 x1 x2 x
Pour les différences à deux points, on estime la dérivée par la pente du segment de droite
joignant les deux points. Dans le cas des différences à trois points, on détermine le polynôme
d’interpolation de degré 2 dont la pente en x0 , en x1 et en x2 donne respectivement les différences
progressive, centrée et régressive.
3.3 Dérivées d’ordre supérieur
Les formules de dérivées d’ordre supérieur, peuvent être trouvées à partir des dérivées du
polynôme de Lagrange ou en utilisant les formules de Taylor. Par exemple, pour la dérivée
15
3.4. Erreur
seconde
f (x + 2h) − 2f (x + h) + f (x)
• Formule de différence progressive f 00 (x) ' .
h2
f (x − 2h) − 2f (x − h) + f (x)
• Formule de différence régressive f 00 (x) ' .
h2
f (x − h) − 2f (x) + f (x + h)
• Formule de différence centrée f 00 (x) ' .
h2
Exemple 11
Considérons la fonction f (x) = x3 . Estimons la valeur de f 00 (1) avec h = 0.1.
f (1+0.2)−2f (1+0.1)+f (1) (1.2)3 −2×(1.1)3 +13
• Progressive f 00 (1) ' (0.1)2
= (0.1)2
= 6.6.
f (1−0.2)−2f (1−0.1)+f (1) (0.8)3 −2×(0.9)3 +13

• Régressive f 00 (1) ' (0.1)2
= (0.1)2
= 5.4.
f (1−0.1)−2f (1)+f (1+0.1) (0.9)3 −2×13 +(1.1)3

• Centrée f 00 (1) ' (0.1)2
= (0.1)2
= 6.
3.4 Erreur
On définit l’erreur comme
0 0
E (h) = fexacte (x) − fapproximative (x) .
On dit que la formule de dérivation est d’ordre n, s’il existe une constante C dépendant de f
telle que
|E (h)| ≤ C hn ,
et on écrira fréquemment de façon abrégée |E (h)| ∼ O (hn ). La constante C est dite le facteur
de convergence de la méthode.
Soient hk > hk+1 > 0. On définit l’ordre numérique par la formule suivante.
Log |E (hk+1 )| − Log |E (hk )|

ordre numérique = .
Log (hk+1 ) − Log (hk )
3.4.1 Dérivée première
Pour le calcul théorique de l’erreur commise lorsque on remplace f 0 (x) par l’une des formules
d’approximation ci-dessus, on revient au développement de Taylor effectué lors du calcul des
formules de dérivation.
16
3.4. Erreur
Formules à deux points
f (x + h) − f (x)
• Erreur dans la formule progressive |E (x)| = f 0 (x) − ≤ C h.
h
f (x) − f (x − h)
• Erreur dans la formule régressive |E (x)| = f 0 (x) − ≤ C h.
h
f (x + h) − f (x − h)
• Erreur dans la formule centrée |E (x)| = f 0 (x) − ≤ C h2 .
2h
Exemple 12
Considérons la fonction f (x) = x2 + x + sin x. Pour x = 0, le tableau suivant permet de voir
l’évolution des dérivées numériques en fonction de h et de comparer les résultats des 3 formules
de différences. On a f 0 (x) = 2x + 1 + cos x et donc f 0 (0) = 2.
h prog. Eprog (h) ordre reg. Ereg (h) ordre cent. Ecent (h) ordre
0.5 2.4588 -0.4588 0.9373 1.4588 0.5411 1.0554 1.9588 0.0411 1.9865
0.25 2.2396 -0.2396 0.9691 1.7396 0.2603 1.0290 1.9896 0.0103 1.9966
0.125 2.1224 -0.1224 0.9847 1.8724 0.1276 1.0148 1.9974 0.0026 1.9991
0.0625 2.0618 -0.0618 0.9924 1.9368 0.0631 1.0074 1.9993 0.0006 1.9997
0.0312 2.0310 -0.0310 1.9686 0.0314 1.9998 0.0001
Formules à trois points
−3f (x)+4f (x+h)−f (x+2h)

• Erreur dans la formule progressive |E (x)| = f 0 (x) − 2h
≤ C h2 .
f (x−2h)−4f (x−h)+3f (x)
• Erreur dans la formule régressive |E (x)| = f 0 (x) − 2h
≤ C h2 .
Exemple 13
Reprenons la fonction de l’exemple 12, f (x) = x2 + x + sin x et x = 0.
h prog. 3pts Eprog (h) ordre reg. 3pts Ereg (h) ordre
0.5 2.0762 -0.0762 1.9032 2.0762 -0.0762 1.9032

0.25 2.0204 -0.0204 1.9762 2.0204 -0.0204 1.9762
0.125 2.0052 -0.0052 1.9941 2.0052 -0.0052 1.9941
0.0625 2.0013 -0.0013 1.9985 2.0013 -0.0013 1.9985
0.0312 2.0003 -0.0003 2.0003 -0.0003
17
3.4. Erreur
3.4.2 Dérivée du second ordre

f (x+2h)−2f (x+h)+f (x)
• Erreur dans la formule progressive |E (x)| = f 00 (x) − h2
≤ C h.
f (x−2h)−2f (x−h)+f (x)
• Erreur dans la formule régressive |E (x)| = f 00 (x) − h2
≤ C h.
f (x−h)−2f (x)+f (x+h)
• Erreur dans la formule centrée |E (x)| = f 00 (x) − h2
≤ C h2 .
Exemple 14
Considérons la fonction f (x) = e2x et calculons des dérivées numériques secondes à x = 0 pour
différentes valeurs de h en utilisant les 3 formules de différences.
On a f 00 (x) = 4e2x et donc f 00 (0) = 4.
h prog. Eprog (h) ordre reg. Ereg (h) ordre cent. Ecent (h) ordre
0.5 11.8100 -7.8100 1.5146 1.5983 2.4017 0.6572 4.3446 -0.3446 2.0361
0.25 6.7334 -2.7334 1.2330 2.4771 1.5229 0.8102 4.0840 -0.0840 2.0090
0.125 5.1629 -1.1629 1.1107 3.1315 0.8685 0.9001 4.0209 -0.0209 2.0022
0.0625 4.5385 -0.5385 1.0539 3.5346 0.4654 0.9488 4.0052 -0.0052 2.0001
0.0312 4.2589 -0.2589 3.7592 0.2408 4.0013 -0.0013
18
C
h a pi
tr
e 4
Intégration numérique
Dans ce chapitre, nous allons présenter différentes manières d’approximer l’intégrale d’une
fonction bornée f définie sur un intervalle [a, b],
Z b
f (x) dx.
a
4.1 Formules de Newton-Cotes
4.1.1 Méthode des rectangles
Dans la méthode des rectangles, on remplace la fonction à intégrer f par une fonction constante
par morceaux g (x) sur chaque intervalle élémentaire [xi−1 , xi ], soit par
• les rectangles à gauche : g (x) = f (xi−1 ) pour x ∈ [xi−1 , xi ]

Z b n
X
f (x) dx ' (xi − xi−1 ) f (xi−1 ) ,
a i=1
19
4.1. Formules de Newton-Cotes
x0 x1 x2 x3 x4 x5 x6 x
soit par
• les rectangles à droite : g (x) = f (xi ) pour x ∈ [xi−1 , xi ]

Z b n
X
f (x) dx ' (xi − xi−1 ) f (xi ) ,
a i=1
x0 x1 x2 x3 x4 x5 x6 x
soit par
• les rectangles avec point au milieu : g (x) = f xi−1 +xi

2
pour x ∈ [xi−1 , xi ]
Z b n
X xi−1 +xi
f (x) dx ' (xi − xi−1 ) f 2
.
a i=1
20
x0 x1 x2 x3 x4 x5 x6 x
b−a
Si la subdivision est régulière de longueur (pas) h = ,
n
xi = a + ih, i = 0, · · · , n,
on a les formules des rectangles

Z b Xn

• à gauche f (x) dx ' h f (xi−1 ) = h f (x0 ) + f (x1 ) + · · · + f (xn−1 ) .
a i=1
Z b Xn

• à droite f (x) dx ' h f (xi ) = h f (x1 ) + f (x2 ) + · · · + f (xn ) .
a i=1
b n
• avec point
Z X
xi−1 +xi
f (x) dx ' h f 2
= h f x 1 + f x 3 + · · · + f xn− 1 .
2 2 2
au milieu a i=1
Les méthodes des rectangles à gauche et à droite sont des méthodes d’ordre 0. Lorsque la
dérivée première de f est bornée par une constante M , l’erreur est donnée par
b n
b−a
Z X
• à gauche f (x) dx − h f (xi−1 ) ≤ h sup |f 0 (x)| ,
a i=1
2 x∈[a,b]
Z b n
X b−a
• à droite f (x) dx − h f (xi ) ≤ h sup |f 0 (x)| .
a i=1
2 x∈[a,b]
La méthode des rectangles avec point au milieu est une méthode d’ordre 1. L’erreur dans cette
méthode si f ∈ C 2 ([a, b]), est donnée par l’expression
b n
b−a 2
Z X xi−1 +xi
f (x) dx − h f 2
≤ h sup |f 00 (x)| .
a i=1
24 x∈[a,b]
Exemple 15 Z π
2
Évaluons numériquement pour n = 3 l’intégrale sin xdx dont la valeur exacte est I (f ) = 1.
0
b−a
On a a = 0, b = π2 , n = 3, h = , xi = a + ih , 0 ≤ i ≤ n et f (x) = sin x.
n
21
π
−0
Donc h = 2
3
= π6 , xi = i π6 , 0 ≤ i ≤ 3. Alors on a le tableau suivant :
i 0 1 2 3 i 1 2 3
π π π xi−1 +xi π π 5π
xi 0 6 3 2 2 12 4 12
√ √ √ √ √ √
1 3
f xi−12+xi 6− 2 2 6+ 2

f (xi ) = sin xi 0 2 2
1 4 2 4
Pour le calcul de l’intégrale on a

3
X √ √
π 3 1+ 3
• rectangles à gauche Rg = h f (xi−1 ) = 6
0 + 12 + 2
= 12
π ' 0.7152492.
i=1
3
X √ √
π 1 3 3+ 3
• rectangles à droite Rd = h f (xi ) = 6 2
+ 2
+1 = 12
π ' 1.238848.
i=1
3
X √ √ √ √ √ √ √
xi−1 +xi π 6− 2 2 6+ 2 2+ 6
• rectangles avec Rm = h f 2
= 6 4
+ 2
+ 4
= 12
π
i=1
point au milieu
' 1.011515.
y y y
π
12
π
6
π
4
π
3
5π π
2
x π
12
π
6
π
4
π
3
5π π
2
x π
12
π
6
π
4
π
3
5π π
2
x
12 12 12
Rg Rd Rm
Pour l’erreur commise, on a

|I (f ) − Rg (f )| |1 − 0.7152492|
Er (Rg ) = ' ' 0.2847 = 28.47%,
|I (f )| |1|
|I (f ) − Rd (f )| |1 − 1.238848|
Er (Rd ) = ' ' 0.2388 = 23.88%,
|I (f )| |1|
|I (f ) − Rm (f )| |1 − 1.011515|
Er (Rm ) = ' ' 0.01151 = 1.151%.
|I (f )| |1|
4.1.2 Méthode des trapèzes
Dans la méthode des trapèzes, la fonction f est remplacée sur chaque intervalle [xi−1 , xi ] par la
droite joignant les points (xi−1 , f (xi−1 )) et (xi , f (xi )), soit
(x − xi−1 ) f (xi ) − (x − xi ) f (xi−1 )

g (x) = , x ∈ [xi−1 , xi ] .
xi − xi−1
22
La méthode s’écrit Z b n
X f (xi−1 ) + f (xi )
f (x) dx ' (xi − xi−1 ) .
a i=1
2
y
x0 x1 x2 x3 x4 x5 x6 x
b−a
Lorsque la subdivision est régulière de longueur (pas) h = ,
n
xi = a + ih, i = 0, · · · , n,
on a !
Z b n n−1
X f (xi−1 ) + f (xi ) h X
f (x) dx ' h = f (a) + 2 f (xi ) + f (b) .
a i=1
2 2 i=1
La méthode des trapèzes est une méthode d’ordre 1. L’erreur dans la méthode des trapèzes si
f ∈ C 2 ([a, b]), est donnée par l’expression
Z b n
X f (xi−1 ) + f (xi ) b−a 2
f (x) dx − h ≤ h sup |f 00 (x)| .
a i=1
2 12 x∈[a,b]
Exemple 16
Soit f (x) = x2 sur [a, b] = [0, 1], on prend n = 3 subdivisions.
b−a 1 i
Donc a = 0, b = 1, n = 3, h = = , xi = a + ih = , 0 ≤ i ≤ 3.
n 3 3
Alors on a le tableau suivant :
y
i 0 1 2 3
1 2
xi 0 3 3
1
1 4
f (xi ) = x2i 0 9 9
1
1 2 1 x
3 3
Pour le calcul de l’intégrale on a

n−1
!
h X 1 2 8 19
T3 (f ) = f (a) + 2 f (xi ) + f (b) = 0+ + +1 = ' 0.3518519.
2 i=1
6 9 9 54
23
La valeur exacte de l’intégrale est

Z 1 1
2 1 3 1
I (f ) = x dx = x = ' 0.3333333.
0 3 0 3
Pour l’erreur commise, on a

1 19 1
|I (f ) − T3 (f )| 3
− 54
− 54 3
Er (T3 ) = = 1
= 1 = ' 0.05555 556 ' 5.55%.
|I (f )| 3 3
54
4.1.3 Méthode de Simpson

b−a
On suppose que la subdivision est régulière de longueur (pas) h = ,
n
xi = a + ih, i = 0, · · · , n,
La méthode de Simpson s’écrit

!
Z b
h X X
f (x) dx ' S (f ) = f (x0 ) + f (xn ) + 2 f (xi ) + 4 f (xi )
a 3 i pair i impair
m
X h
= f (x2i−2 ) + 4f (x2i−1 ) + f (x2i ) .
i=1
3
La méthode de Simpson est une méthode d’ordre 4. Si f ∈ C 4 ([a, b]), l’erreur commise est
donnée par l’expression
b
b−a 4
Z
f (x) dx − S (f ) ≤ h sup f (4) (x) .
a 180 x∈[a,b]
Exemple 17
On reprend le calcul de l’exemple précédent. Pour la fonction f (x) = x2 dans l’intervalle [0, 1],
on prend n = 4 subdivisions, on a
1
f (0) + 4f 14 + 2f 24 + 4f 43 + f (1)
4

S4 (f ) =
3 Z 1
1 1 4 9 1
= 0+4 +2 +4 +1 = = x2 dx.
12 16 16 16 3 0
Ce résultat obtenu est attendu car la méthode de Simpson est d’ordre 4.
24
C
h a pi
tr
e 5
Résolution d’équations non linéaires
5.1 Introduction
Dans ce chapitre, nous présenterons les méthodes d’approximation des solutions d’équations
algébriques non linéaires. Nous nous limiterons au cas de la recherche des racines d’une seule
équation d’une variable.
Soit f : [a, b] ⊂ R → R une fonction continue sur [a, b]. Nous serons intéressés à trouver des
points x pour lesquels
f (x) = 0.
Introduisons dès maintenant la terminologie qui nous sera utile pour traiter ce problème.
Définition 8
Une valeur de x solution de f (x) = 0 est appelée une racine ou un zéro de la fonction f (x)
et est notée r.
5.1.1 Localisation d’une racine
Il n’y a vraiment pas beaucoup d’outils généraux pour savoir à l’avance si le problème de
recherche de racines peut être résolu. Pour nos besoins, le problème le plus important sera
d’obtenir des informations sur l’existence ou non d’une racine, et si une racine existe, il sera
25
5.1. Introduction
alors important de tenter d’estimer un intervalle auquel appartient cette racine. Pour localiser
une telle racine, en général, deux méthodes se présentent.
Méthode graphique
L’une de nos premières tentatives pour résoudre les problèmes de recherche de racines peut être
d’essayer de tracer le graphe de la fonction.
Parfois, il arrive que f se décompose en deux fonctions f1 et f2 simples à étudier, telles que
f = f1 − f2 , et on cherche les points d’intersection des graphes de f1 et f2 , dont les abscisses
sont exactement les racines de f .
Exemple 18
1
La fonction f définie par f (x) = Log x − , x ∈ ]0, +∞[ a une racine unique dans l’intervalle
x
3 1
2
, 2 . En effet, posons f1 (x) = Log x et f2 (x) = . Alors f (x) = 0 équivalent à f1 (x) = f2 (x)
3 x
et d’après le graphe ci-contre il existe α ∈ 2 , 2 telle que f1 (α) = f2 (α).
y
1
f2 (x) =
x
f1 (x) = Log x
1
1 1.5 α 2 3 4 5 x
−1
Méthode du théorème des valeurs intermédiaires
Ce qui est parfois plus facile, c’est de vérifier que la fonction f est continue, auquel cas il suffit
de trouver un point a dans lequel f (a) > 0, et un point b, dans lequel f (b) < 0. La continuité
garantira alors, grâce au théorème des valeurs intermédiaires, qu’il existe un point c entre a et
b pour lequel f (c) = 0.
26
5.2. Méthode de dichotomie (ou de bissection)
Exemple 19
Considérons le polynôme p défini par
p(x) = x4 − x3 − x2 + 7x − 10.
Selon le théorème des valeurs intermédiaires pour les fonctions continues et d’apres le tableau
suivant
x −4 −3 −2 −1 0 1 2 3 4
p (x) 266 68 −4 −16 −10 −4 8 56 194
le polynôme p a au moins deux racines réelles α1 ∈ ]−3, −2[ et α2 ∈ ]1, 2[ .
5.2 Méthode de dichotomie (ou de bissection)
Soit f une fonction continue sur l’intervalle [a, b] telle que f a des signes opposés aux extrémités
a et b, c’est-à-dire f (a) f (b) < 0.
y y
ou
b a
a c x c b x
Il existe au moins une racine r dans l’intervalle [a, b] telle que f (r) = 0. Si de plus f est
strictement monotone dans l’intervalle [a, b], alors r est unique.
La méthode de dichotomie, aussi appelée méthode de bisection, consiste à diviser l’intervalle
a+b
[a, b] en deux sous-intervalles, c = 2
.
Cela génère deux sous-intervalles, [a, c] et [c, b], de mêmes longueurs. Nous voulons conserver le
sous-intervalle qui est garanti pour contenir une racine. Bien sûr, dans le cas rare où f (c) = 0,
nous avons terminé. Sinon, on vérifie si f (a) f (c) < 0. Si oui, on garde le sous-intervalle gauche
[a, c]. Si f (a) f (c) > 0, on garde le sous-intervalle droit [c, b]. Cette procédure se répète jusqu’à
ce que le critère d’arrêt soit satisfait : on fixe un petit paramètre ε > 0 et on s’arrête quand
27
5.2. Méthode de dichotomie (ou de bissection)
|f (c)| < ε. Pour simplifier la notation, nous désignons les intervalles successifs par [a0 , b0 ],
[a1 , b1 ],· · · . Les deux premières itérations de la méthode de dichotomie sont représentées sur la
figure ci-dessous.
y y
c0 b0 c1 b1= c0
a0 x a1 x
=
a0
Théorème 9
Si [an , bn ] est l’intervalle obtenu dans la n-ième itération de la méthode de dichotomie, alors
les limites lim an et lim bn existent, et
n→+∞ n→+∞
r = lim an = lim bn , où f (r) = 0.

n→+∞ n→+∞
an +bn
De plus, si cn = 2
alors
|r − cn | ≤ 2−(n+1) (b0 − a0 ) .
Remarque 10
Pour garantir que l’erreur |r − cn | < ε, pour une tolérance ε donnée, il suffit d’effectuer kmin
itérations, où kmin est le plus petit entier tel que
Log b−a

ε
kmin > − 1.
Log 2
Exemple 20
Soit à résoudre par la méthode de dichotomie f (x) = x3 + x2 − 3x − 3 dans l’intervale [a0 , b0 ] =
[1, 2]. On a
f (1) f (2) = −4 × 3 = −12 < 0.
1+2
On a alors c0 = 2
= 1.5 et f (1.5) = −1.875. L’intervalle [1.5, 2] possède encore un change-
ment de signe, ce qui n’est pas le cas pour l’intervalle [1, 1.5].
Le nouvel intervalle de travail est donc [1.5, 2], dont le milieu est
1.5 + 2
c1 = = 1.75.
2
28
5.3. Méthode de Newton
Puisque f (1.75) = 0.171875, on prendra l’intervalle [1.5, 1.75] et ainsi de suite.

Dans cette exemple, si on veut une erreur absolue plus petite que 0.5 × 10−2 , il faut effectuer
au moins
2−1

Log b−a

ε
Log 0.5×10 −2
kmin > −1= − 1 ' 6.643856.
Log 2 Log 2
On fera donc 7 itérations pour s’assurer de cette précision.
Le tableau suivant résume les résultats :
n an cn bn f (an ) f (cn ) f (bn ) |cn − cn−1 |
0 1 1.5 2 -4 -1.875 3
1 1.5 1.75 2 -1.875 0.171875 3 0.25
2 1.5 1.625 1.75 -1.875 -0.943359 0.171875 0.125
3 1.625 1.6875 1.75 -0.943359 -0.409423 0.171875 0.0625
4 1.6875 1.71875 1.75 -0.409423 -0.124786 0.171875 0.03125
5 1.71875 1.734375 1.75 -0.124786 0.022029 0.171875 0.015625
6 1.71875 1.726563 1.734375 -0.124786 -0.051755 0.022029 0.007812
7 1.726563 1.730469 1.734375 -0.051755 -0.049572 0.022029 0.003906
5.3 Méthode de Newton
La méthode de Newton est une méthode de recherche de racine relativement simple, pratique
et largement utilisée.
En général, la méthode de Newton (également connue sous le nom de méthode de Newton-
Raphson) pour trouver une racine est donnée par
f (xn )
xn+1 = xn − avec x0 une estimation initiale.
f 0 (xn )
Exemple 21
On cherche à résoudre l’équation f (x) = e−x − x = 0. Pour utiliser la méthode de Newton,
calculons la dérivée de cette fonction, qui est f 0 (x) = −e−x − 1. L’algorithme se résume à
f (xn ) e−xn − xn
xn+1 = xn − = x n − .
f 0 (xn ) −e−xn − 1
Les résultats sont compilés dans le tableau suivant à partir de x0 = 0.
29
n xn |xn − xn−1 |
0 0.0000000
1 0.5000000 0.5000 × 100
2 0.5663110 0.6631 × 10−1
3 0.5671432 0.8322 × 10−3
4 0.5671433 0.1 × 10−6
On remarque la convergence très rapide de cette méthode. On note également que le nombre de
chiffres significatifs double à chaque itération. Ce phénomène est caractéristique de la méthode
de Newton.
5.3.1 Interprétation géométrique
Soit x0 l’estimation initiale de la solution de f (x) = 0 et soit l (x) la droite tangente à f (x) en
x0 qui a pour équation
y = f (x0 ) + f 0 (x0 ) (x − x0 ) ,
qui correspond au développement de Taylor de degré 1 autour de x0 .

L’intersection de l (x) avec l’axe des x sert comme l’estimation suivante de la racine. Nous
notons ce point par x1 et écrivons
0 = f (x0 ) + f 0 (x0 ) (x1 − x0 ) ,
ce qui donne
f (x0 )
x 1 = x0 − .
f 0 (x0 )
On reprend ensuite le même raisonnement à partir de x1 et ainsi de suite. Deux exemples
d’itérations de la méthode sont illustrés dans la figure ci-dessous.
30
x0 x1 x2 r x
5.3.2 Analyse de convergence
Il est facile de voir que la méthode de Newton ne converge pas toujours. Nous démontrons un
tel cas dans la figure ci-dessous. Nous considérons ici la fonction f (x) = Arctg x et montrons
ce qui se passe si nous partons d’un point qui est un point fixe de la méthode de Newton, itéré
deux fois. Dans ce cas, x0 = 1.3917 est un tel point.
y
x1 , x3 , x5 , · · · r x0 , x2 , x4 , · · · x
31
Théorème 11
Soit f ∈ C 2 ([a, b]). Supposons que f vérifiant
1) f (a) f (b) < 0.
2) f 0 (x) 6= 0 pour tout x ∈ [a, b]. (strictement monotone)
3) f 00 (x) 6= 0 pour tout x ∈ [a, b]. (convexe ou bien concave)
Alors
a) f admet une racine unique r ∈ [a, b].
b) la suite (xn )n converge vers r pour chaque x0 ∈ [a, b] vérifiant f (x0 ) f 00 (x0 ) > 0. De plus,
cette convergence est quadratique telle que
en+1 1 f 00 (r)
lim = .
n→+∞ e2
n 2 f 0 (r)
32
Références
[1] Abdellah Lamanii, Analyse numérique 1. Université de Hassan 1 Maroc, septembre 2018.
[2] Amar Belloula, Analyse Numérique, AMCDPHB, Algérie, Janvier 2018.
[3] André Fortin, Analyse numérique pour ingénieurs. Presses internationales Polytechnique,
Canada 2011.
[4] Donatien N’Dri et Steven Dufour, Recueil d’exercices, Exercices pour les cours de
calcul scientifique pour ingénieurs MTH2210B. EP de Montréal, novembre 2018.
[5] Doron Levy, Introduction to Numerical Analysis, CSCAMM, University of Maryland,

USA. June 2012.
[6] Franck Jedrzejewski, Introduction aux méthodes numériques, Springer-Verlag France,

Paris 2005.
[7] Gloria Faccanoni, M33 Analyse numérique. Recueil d’exercices corrigés et aide-mémoire.
Université de Toulon, août 2015.
[8] Jean-Pierre Demailly, Analyse numérique et équations différentielles. EDP Sciences,

2006.
[9] Karima Mebarki, Analyse Numérique, Cours deuxième année licence mathématiques.
UAM Béjaia 2014.
[10] Luc Jolivet et Rabah Labbas, Analyse et analyse numérique, rappel de cours et exer-
cices corrigés. Lavoisier, 2005.
[11] Mohammed Boussaid, Méthodes numériques de base. UMO Bouira, mai 2018.
[12] Nassima Khaldi, Notes de Cours et exercices corrigés d’Analyse numérique I. UST Oran
33
Bibliographie
2018/2019.
[13] Souad El Bernoussi, Saı̈d El Hajji et Awatef Sayah, Analyse Numérique I, Notes
de Cours. Université Mohammed V Agdal, 2005-2006.
[14] Thomas Briffard, MAT-2910: Analyse numérique pour ingénieurs. GIREF, Université
Laval, janvier 2020.
34

Lecture Notes L2 Math 2020 NAResume A

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

Lecture Notes L2 Math 2020 NAResume A

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ DES SCIENCES ET DE LA TECHNOLOGIE

FACULTÉ DES MATHÉMATIQUES

Résumé des Notes de Cours du module

Deuxième année Licence Math

Table des matières ii

Description du Cours iii

3.4.1 Dérivée première . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

5 Résolution d’équations non linéaires 25

• Approximation au sens des moindres carrés.

• Résolution d’une équation algébrique

• Résolution des systèmes linéaires

• Calcul des valeurs et vecteurs propres

• Résolution numérique des équations différentielles

• Représenter des nombres réels sur un ordinateur et évaluer les erreurs.

• Approximer une fonction arbitraire par des polynômes.

• Trouver des solutions approximatives aux systèmes surdéterminés.

• Évaluer les dérivés et les intégrales.

• Trouver les racines des équations non linéaires.

• Résoudre les systèmes linéaires par des méthodes directes et itératives.

• Obtenir les solutions approximatives des équations différentielles.

Définition 1 (Erreur absolue)

Définition 2 (Erreur relative)

Évaluation des polynômes

en un point x quelconque, il suffit de regrouper les termes de la façon suivante

p (x) = a0 + x (a1 + x (a2 + x (a3 + · · · + x (an−1 + an x) · · · ))) .

Si un tel polynôme existe, il est appelé polynôme d’interpolation ou polynôme interpolant.

2.2 Existence et unicité du polynôme d’interpolation

On se donne un ensemble de n + 1 points {(xi , yi ) , i = 0, · · · , n}. Existe-t-il un polynôme pn

Théorème 3 (Existence et unicite du polynome d’intrpolation)

2.3 Interpolation de Lagrange

L’approche de Lagrange pour construire le polynôme d’interpolation est simple, systématique

de polynômes de base de Lagrange

Pour n = 2 le polynôme de Lagrange s’écrit

Déterminons le polynôme d’interpolation p3 qui interpole les points (xi , yi ) suivantes :

(0, 1) , (1, 3) , (3, 0) et (4, 5) .

Le polynôme de Lagrange s’écrit sous la forme

Soit f : R → R la fonction définie par f (x) = ex .

2.4 Interpolation de Newton

2.4.1 Différences divisées

Définition 4 (Différences divisées)

Ordre 0 : f [xi ] = f (xi ) .

Table de différences divisées

La construction de cette table est simple.

De même, pour obtenir f [x0 , x1 , x2 , x3 ], on soustrait f [x0 , x1 , x2 ] de f [x1 , x2 , x3 ] et on divise le

2.4.2 Formule d’interpolation de Newton

Théorème 5 (Formule de Newton)

pn (x) = f [x0 ] + f [x0 , x1 ] (x − x0 ) + f [x0 , x1 , x2 ] (x − x0 ) (x − x1 )

ou encore sous la forme récursive

Si l’on souhaite ajouter un point d’interpolation et calculer un polynôme de degré 4, il n’est

Table de différences divisées

xi f (xi ) DD1 DD2 DD3 DD4 y

2.5 Erreur d’interpolation

L’interpolation polynomiale permet d’approximer une fonction donnée f : [a, b] → R par un

En (x) = f (x) − pn (x) .

2.5.1 Formule d’erreur d’interpolation

Théorème 6 (Erreur d’interpolation)

De plus si f (n+1) est continue sur [a, b], alors

2.5.2 Erreur pour le cas des points d’interpolation équidistants

Exemple 8 (Phénomène de Runge)

Ce chapitre est consacré aux approximations numériques des dérivées.

3.2 Dérivée première

3.2.1 Formules à deux points

(x0 , f (x0 )) = 1, 72 , (x2 , f (x2 )) = 3, 23 .