Calcul Numerique.22-23.new Version

kaunderick@gmail.
com Page 1
Les méthodes numériques sont une branche des mathématiques appliquées s’intéresse au
développement d’outils et des méthodes numériques pour le calcul d’approximations des
solutions des problèmes mathématique qu’il serait difficile, voire impossible, d’obtenir par des
moyens analytiques, Son objectif est notamment d’introduire des procédures calculatoires
détaillées susceptibles d’être mises en œuvre par des calculateurs (électroniques, mécaniques
ou humains) et d’analyser leurs caractéristiques et leurs performances.
Le but du cours de calcul numérique est d'étudier des méthodes numériques pour la résolution
des modèles mathématiques utilisés dans les sciences de l'ingénieur.
A la fin du cours, l'étudiant devrait être capable:
• de comprendre les notions de base d'analyse numérique
• de faire un bon choix de méthodes numériques pour résoudre un problème donné.
• de savoir calculer une solution approchée d'une équation et d'un système d'équations
non linéaires.
• de savoir calculer une solution approchée d'un système d'équations linéaires par les
méthodes directes et itératives.
• d'interpoler une suite de points du plan.
• d'approcher numériquement les dérivées d'une fonction donnée.
• d'approcher numériquement le calcul d'une intégrale définie.
Une méthode numérique présente des bénéfices aussi bien que des inconvénients par rapport à
une solution analytique.
• Les avantages tiennent au fait :
▪ qu’une solution numérique puisse être obtenue aussi lorsqu’aucune solution
analytique n’est disponible,
▪ que la décomposition d’une méthode numérique en une longue série
d’opérations arithmétiques élémentaires s’avère être facilement gérable par un
ordinateur,
▪ qu’une solution analytique, même si elle est disponible, requiert une évaluation
numérique, qui en pratique, revient à une reformulation du problème original,
cette fois sous forme explicite. Cette formule analytique peut bien être pire
conditionnée que la formulation originale, implicite.
A son détriment, il faut mentionner que l’analyse et l’étude d’une solution numérique sont
typiquement plus coûteuses.
NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

kaunderick@gmail.com Page 2
Les méthodes numériques ne donnent pas la solution véritable du problème que l’on recherche
à résoudre. Des méthodes numériques mal employées peuvent conduire à des résultats
totalement faux, allant à l’encontre de la réalité physique (exemples typiques : concentrations
négatives, création ou disparition artificielle de la masse d’eau ou de soluté dans un modèle).
Il est indispensable pour un ingénieur de posséder des notions de base sur les méthodes
numériques, afin de pouvoir éviter les pièges et remédier les problèmes les plus courants qui
se posent lors de l’utilisation des modèles standards dans le cadre d’études et/ou de projet.
Chapitre Premier
Notions d’erreurs
Dans plusieurs domaines scientifiques notamment la physique, chimie, science…,etc., on
travaille continuellement avec des approximations dont les valeurs exactes ne sont pas
accessibles par l’expérience. Il s’agit d’une valeur inconnue pour l’expérimentateur, en effet,
une mesure n’´étant jamais parfaite et toujours entachée d’erreur, il est donc impossible
d’effectuer des mesures rigoureusement exactes. Pour prendre conscience du degré
d’approximation avec lequel on travaille, on fait l’estimation des erreurs qui peuvent avoir été
commises dans les différentes mesures et on calcule leurs conséquences dans les résultats
obtenus. Ce qui constitue le calcul d’erreur ou calcul d’incertitude. Dans ce chapitre, on va
apprendre quelques règles de base pour le calcul d’erreur qui permettent de mieux gérer les
erreurs et de bien présenter les résultats finaux des calculs. Une partie importante de l’analyse
numérique est donc, consiste à contenir les erreurs dont les causes sont multiples : matériel
employé, méthode utilisée, influence de l’environnement, l’intervention du manipulateur, les
caractéristiques de l’appareillage...,etc. Pour évaluer la précision d’un résultat, le numéricien
doit connaitre parfaitement les erreurs qui ont été commises. Donnons trois exemples : les
erreurs d’arrondi qui sont imposées par le calculateur (ordinateur), les erreurs de troncature et
les erreurs de la m´méthode qui se produisent lorsqu’une expression est mal équilibrée et
mélange des valeurs dont la différence est importante.

1.1 Erreur absolue et relative

Définition 1.1.1
1. Un nombre approché 𝑥 ∗ est une valeur légèrement différente de la valeur exacte 𝑥 et
qui peut remplacer cette dernière dans les calculs.
2. Si 𝑥 ∗ > 𝑥, on dit que 𝑥 est une valeur approchée par excès
3. Si 𝑥 ∗ < 𝑥, dans ce cas, 𝑥 est une valeur approchée par défaut.
59
⏟ < 𝑥 = 59,4679 < 60
⏟
[𝑝𝑎𝑟 𝑑é𝑓𝑎𝑢𝑡] [𝑝𝑎𝑟 𝑒𝑥𝑐è𝑠]
Définition 1.1.2
On appelle erreur absolue, que l’on note 𝐸(𝑥), d’une valeur approchée 𝑥, la valeur absolue de
la différence entre la valeur exacte 𝑥 ∗ et 𝑥, i.e.,
𝐸(𝑥) = |𝑥 − 𝑥 ∗ | (1.1)
On appelle erreur relative d’une valeur approchée 𝑥, le quotidien 𝐸𝑟 (𝑥) défini par
𝐸(𝑥) |𝑥 − 𝑥 ∗ |
𝐸𝑟 (𝑥) = = (1.2)
|𝑥| |𝑥|
11
Exemple Soit 𝑥 ∗ = 3,666 une valeur approchée de la valeur exacte 𝑥 = , alors
3
11 11 − 10,998 0,002 2
𝐸(𝑥) = | − 3,666| = | |= = × 10−3
3 3 3 3
𝐸(𝑥) 2
𝐸𝑟 (𝑥) = = × 10−3
|𝑥| 11
Remarque 1.1.3
1. D’après la formule (1.1), la connaissance de la valeur exacte est indispensable pour
calculer l’erreur absolue
2. L’erreur relative s’exprime généralement en pourcentage, elle n’a pas d’unité de
1
mesure, de plus elle indique la qualité du résultat obtenu. Par exemple, si 𝑥 = 3 et 𝑥 =
0,333 alors
1
𝐸(𝑥) 3 − 0,333
𝐸𝑟 (𝑥) = = = 0,001 = 0,1 × 10−2 = 0,1%
|𝑥| 1
3
En pratique, il est difficile d’évaluer les erreurs absolues et relatives parce que généralement,
la valeur exacte est inconnue et on ne dispose que de la valeur expérimentale. Néanmoins, on

peut avoir une estimation (intervalle) sur l’erreur maximale que l’on peut commettre. Ces
estimations dépendent de la précision des instruments de mesure utilisés.
Définition 1.1.4 On appelle borne supérieure de l’erreur absolue d’une valeur approchée 𝑥
tout nombre ∆(𝑥) qui vérifie 𝐸(𝑥) = |𝑥 − 𝑥 ∗ | ≤ ∆(𝑥), ce qui permet d’encadrer 𝑥 comme suit
𝑥 ∗ − ∆(𝑥) ≤ 𝑥 ≤ 𝑥 ∗ + ∆(𝑥)
dans ce cas, la valeur exacte s’écrit sous la forme

𝑥 = 𝑥 ∗ ± ∆(𝑥) (1.3)
L’égalité (1.3) signifie que 𝑥 𝜖[𝑥 ∗ − ∆(𝑥), 𝑥 ∗ + ∆(𝑥)], elle s’interprète en disant que l’on a
estimé la valeur exacte 𝑥 à partir de 𝑥 avec une incertitude de ∆(𝑥) de part et d’autre. Il est
clair que, plus ∆(𝑥) est petite, plus 𝑥 est proche de la valeur exacte.
22
Exemple Soit 𝑥 = et soit 𝑥1 = 7,33 une valeur approchée de 𝑥, on veut calculer un ∆(𝑥1 ).
3
22
Il est clair que 7,33 < < 7,34, alors 𝐸(𝑥1 ) = |𝑥 − 𝑥 ∗ | < 0,01. Par conséquent, on peut
3
22
prendre ∆(𝑥1 ) = 0,01 et on écrit = 7,33 ± 0,01.
3
Si on considère la valeur approchée 𝑥2 = 7,333, alors 𝐸(𝑥2 ) = |𝑥2 − 𝑥 ∗ | < 0,001 avec
22 22
7,332 < < 7,334, ce qui donne un ∆(𝑥2 ) = 0,001, par conséquent = 7,333 ± 0,001. Il
3 3
est clair que 𝑥2 est une approximation plus précise de 𝑥1 . D’après cet exemple, on déduit que
∆(𝑥) n’est pas unique.
Définition 1.1.5 Une borne supérieure de l’erreur relative, que l’on note 𝛿(𝑥) d’une valeur
approchée 𝑥 est
∆(𝒙)
𝜹(𝒙) = |𝒙|
et on écrit 𝑥 ∗ = 𝑥 ± |𝑥|. 𝛿(𝑥) (1.4)
𝛿(. ) s’exprime également en pourcentage comme suit
𝑥 = 𝑥 ∗ ± ∆(𝑥) = 𝑥 ∗ ± (𝛿(𝑥) × 100)%

Remarque 1.1.6 La vraie définition de 𝛿(𝑥) se donne de façon similaire à celle de ∆(𝑥), c’est
𝐸(𝑥)
– à – dire, tout nombre réel 𝜀(𝑥) vérifie l’inégalité 𝐸𝑟 (𝑥) = |𝑥 ∗ |
≤ 𝜀(𝑥) s’appelle une borne
∆(𝑥)
supérieure de l’erreur relative, et comme 𝐸(𝑥) ≤ ∆(𝑥) alors, on peut prendre 𝜀(𝑥) = |𝑥|
. Dans
la pratique, la valeur exacte est inconnue, alors on utilise souvent une valeur approchée 𝑥 qui
remplace 𝑥 ∗ dans la dernière égalité.
meme unité de mesure
Exemple On se donne une longueur 𝑥 = ⏞ ∗
25𝑐𝑚 ± 2𝑐𝑚 alors
∆(𝑥) 2
𝑥 = 25𝑐𝑚 et ∆(𝑥) = 2𝑐𝑚 ⇒ 𝛿(𝑥) = |𝑥|
= = 0,08 = 8%
25
1.2 Les incertitudes de mesure

On distingue différentes sortes d'erreurs dont toute mesure peut être affectée: les erreurs
systématiques, les erreurs accidentelles et la dispersion statistique.
1.2.1 Les erreurs systématiques se produisent par exemple lorsqu'on emploie des unités mal
étalonnées (échelle fausse, chronomètre mal ajusté) ou lorsqu'on néglige certains
facteurs qui exercent une influence sur la marche de l'expérience (par ex. l'influence du
champ magnétique terrestre dans une mesure magnétique). Cela mène à un décalage
(biais) du résultat si l‘erreur commise est toujours la même. Les erreurs systématiques
influencent l’exactitude (ou justesse) de la mesure (voir Fig. 1). Dans la plupart des cas,
les erreurs systématiques, pour autant qu'on connaisse leur cause, peuvent être prises
en considération par une correction correspondante apportée au résultat de la mesure.
Pour les mesures effectuées dans le cadre de travaux pratiques de physique, elles n'ont
en général qu'une signification de second plan.
1.2.2 Les erreurs accidentelles en revanche ne peuvent en principe pas être évitées. Leur
cause se trouve dans l'expérimentateur lui‐même. La sûreté avec laquelle la main manie
un instrument (par ex. l’arrêt d'un chronomètre), l'exactitude avec laquelle l'œil observe
(par ex. la position d'une aiguille sur une échelle) ou l'acuité différentielle de l'oreille
(par ex. pour la détermination d'un minimum d'intensité sonore) sont limitées. C'est la
tâche de tout observateur d'être conscient des erreurs accidentelles de mesure, de les
maintenir aussi faibles que possible et d'estimer ou calculer leur influence sur le résultat
obtenu. Les erreurs accidentelles affectent la précision (ou fidélité) de la mesure (Fig.
1.)

Figure 1
1.2.3 La dispersion statistique apparaît lorsqu’on fait des mesures répétées de la même
grandeur. Si l’on mesure plusieurs fois le même phénomène avec un appareil de mesure
suffisamment précis, on obtiendra à chaque fois un résultat différent xi. Ceci est dû à
des phénomènes perturbateurs (par ex. bruit de fond électronique, sensibilité d’un
instrument aux variations de température) ou, pour des mesures extrêmement précises,
à la nature aléatoire du phénomène (chaos, incertitude quantique).
Figure 2
1.3 Majoration des erreurs absolue et relative

En pratique, il est difficile d’évaluer les erreurs absolue et relative, car on ne connaît
généralement pas la valeur exacte de 𝑥 et l’on n’a que 𝑥 ∗ . Pour les apprécier on introduit la
notion de majorant de l’erreur absolue et de l’erreur relative.
Définition 1.3.1 On définit un majorant de l’erreur absolue ∆𝑥 d’une valeur approchée 𝑥 ∗ par :
𝐸𝑎 (𝑥) = |𝑥 − 𝑥 ∗ | ≤ ∆𝑥 ⇔ 𝑥 ∗ − ∆𝑥 ≤ 𝑥 ≤ 𝑥 ∗ + ∆𝑥
tel que ∆𝑥 est un nombre réel positif.
Définition 1.3.2 On définit un majorant de l’erreur relative 𝛿𝑥 d’une valeur approchée 𝑥 ∗
par :
𝐸𝑎 (𝑥)
𝐸𝑟 (𝑥) = ≤ 𝛿𝑥 (1.5)
|𝑥|
tel que 𝛿𝑥 est un nombre réel positif.

1.4 Opérations sur les erreurs (propagation des erreurs)

La propagation des erreurs est simplement une méthode pour déterminer l’erreur résultante
dans une grandeur calculée à partir d’une ou plusieurs autres grandeurs mesurées avec des
incertitudes connues (borne supérieure d’erreur absolue). Dans toute cette partie, x et y
représentent deux valeurs approchées des valeurs exactes 𝑥 ∗ et 𝑦 ∗ respectivement.
1.4.1 Erreur de l’addition et de la soustraction

Proposition 1.3.1
(a)
∆(𝑥 + 𝑦) = ∆𝑥 + ∆𝑦
𝛿(𝑥 + 𝑦) ≤ max(𝛿(𝑥), 𝛿(𝑦))
(b)
∆(𝑥 − 𝑦) = ∆(𝑥) + ∆(𝑦)
|𝑥| + |𝑦|
𝛿(𝑥 − 𝑦) ≤ max(𝛿(𝑥), 𝛿(𝑦))
|𝑥 − 𝑦|
Démonstration.
(a) D’après la définition de ∆(𝑥) et ∆(𝑦), on a
𝑥 − ∆(𝑥) ≤ 𝑥 ∗ ≤ 𝑥 + ∆(𝑥) et 𝑦 − ∆(𝑦) ≤ 𝑦 ∗ ≤ 𝑦 + ∆(𝑦)
⟹ (𝑥 + 𝑦) − (∆(𝑥) + ∆(𝑦)) ≤ 𝑥 ∗ + 𝑦 ∗ ≤ (𝑥 + 𝑦) + (∆(𝑥) + ∆(𝑦))
ce qui signifie que ∆(𝑥) + ∆(𝑦) est une borne supérieure de l’erreur absolue de 𝑥 + 𝑦, donc
∆(𝑥 + 𝑦) = ∆(𝑥) + ∆(𝑦). D’autre part, si on suppose que 𝑥, 𝑦 ∈ ℝ+ on obtient
∆(𝑥 + 𝑦) ∆(𝑥) + ∆(𝑦) ∆(𝑥) 𝑥 ∆(𝑦) 𝑦

𝛿(𝑥 + 𝑦) = = = +
𝑥+𝑦 𝑥+𝑦 𝑥 𝑥+𝑦 𝑦 𝑥+𝑦
𝑥 𝑦 𝑥 𝑥
= 𝛿(𝑥) + 𝛿(𝑦) ≤ max{𝛿(𝑥), 𝛿(𝑦)} + max{𝛿(𝑥), 𝛿(𝑦)}
𝑥+𝑦 𝑥+𝑦 𝑥+𝑦 𝑥+𝑦
= max{𝛿(𝑥), 𝛿(𝑦)}
(b) On a
𝑥 − ∆(𝑥) ≤ 𝑥 ∗ ≤ 𝑥 + ∆(𝑥) et −𝑦 − ∆(𝑦) ≤ −𝑦 ∗ ≤ −𝑦 + ∆(𝑦)
⟹ (𝑥 − 𝑦) − (∆(𝑥) + ∆(𝑦)) ≤ 𝑥 ∗ − 𝑦 ∗ ≤ (𝑥 − 𝑦) + (∆(𝑥) + ∆(𝑦))
⟹ ∆(𝑥 − 𝑦) = ∆(𝑥) + ∆(𝑦)
ainsi
∆(𝑥 − 𝑦) ∆(𝑥) + ∆(y) ∆(𝑥) |𝑥| ∆(𝑦) |𝑦|
𝛿(𝑥 − 𝑦) = = = +
|𝑥 − 𝑦| |𝑥 − 𝑦| |𝑥| |𝑥 − 𝑦| |𝑦| |𝑥 − 𝑦|
|𝑥| |𝑦| |𝑥| + |𝑦|
= 𝛿(𝑥) + 𝛿(𝑦) ≤ max{𝛿(𝑥), 𝛿(𝑦)}
|𝑥 − 𝑦| |𝑥 − 𝑦| |𝑥 − 𝑦|
Exemple 1.4.2
a) La longueur 𝑙 et la largeur 𝑟 d’une salle si=ont respectivement 𝑙 ∗ = 10,2 ± 0,1𝑚 et
𝑟 ∗ = 7,70 ± 0,08𝑚, calculer le perimètre de cette salle.

Réponse : d’après les données on a : 𝑙 = 10,2 𝑚, 𝑟 = 7,7 𝑚, ∆𝑙 = 0,1 𝑚 et ∆𝑟 =

0,08 𝑚. Le périmètre de la salle va s’écrire sous la forme 𝑝∗ = 𝑝 ± ∆(𝑝)𝑚 avec 𝑝 =
2(𝑙 + 𝑟) = 35,8𝑚, et
∆(𝑝) = ∆(2(𝑙 + 𝑟)) = 2∆(𝑙 + 𝑟) = 2(∆(𝑙) + ∆(𝑟)) = 2(0,1 + 0,08) = 0,36𝑚
donc 𝑝∗ = 35,8 ± 0,36𝑚
b) Calculer ∆(𝑥 − 𝑦) et 𝛿(𝑥 − 𝑦) sachant que 𝑥 = 150, 𝑦 = 200 et 𝛿(𝑥) = 𝛿(𝑦) =
0,1%. Tout d’abord, on a
∆(𝑥) = 𝑥𝛿(𝑥) = 150 × 0,001 = 0,15
∆(𝑦) = 𝑦𝛿(𝑦) = 200 × 0,001 = 0,2
alors
∆(𝑥 − 𝑦) = ∆(𝑥) + ∆(𝑦) = 0,35
∆(𝑥 − 𝑦) 0,35
⟹ 𝛿(𝑥 − 𝑦) = = = 0,007 = 0,7%
|𝑥 − 𝑦| 50
il est clair que
|𝑥| + |𝑦| 350
max(𝛿(𝑥), 𝛿(𝑦)) = × 10−3 = 0,007 ≥ 𝛿(𝑥 − 𝑦)
|𝑥 − 𝑦| 50
1.4.2 Erreur du produit et de la division

Proposition 1.4.2
(a)
∆(𝑥𝑦) = |𝑥|∆(𝑦) + |𝑦|∆(𝑥) ∆(𝑥 𝑛 ) = 𝑛|𝑥|𝑛−1 ∆(𝑥)
{ ⟹{
𝛿(𝑥𝑦) = 𝛿(𝑥) + 𝛿(𝑦) 𝛿(𝑥 𝑛 ) = 𝑛𝛿(𝑥)
(b)
𝑥 |𝑥|∆(𝑦) + |𝑦|∆(𝑥)
∆( ) =
𝑦 |𝑦|2
𝑥
𝛿 ( ) = 𝛿(𝑥) + 𝛿(𝑦)
{ 𝑦
Démonstration.
a) Supposons que les mesures 𝑥 et 𝑦 soient strictement positives, on a
𝑥 − ∆(𝑥) ≤ 𝑥 ∗ ≤ 𝑥 + ∆(𝑥) et 𝑦 − ∆(𝑦) ≤ 𝑦 ∗ ≤ 𝑦 + ∆(𝑦),
on suppose également que 𝑥 − ∆(𝑥) > 0 et 𝑦 − ∆(𝑦) > 0, alors

(𝑥 − ∆(𝑥))(𝑦 − ∆(𝑦)) ≤ 𝑥 ∗ 𝑦 ∗ ≤ (𝑥 + ∆(𝑥))(𝑦 + ∆(𝑦))
⟹ 𝑥𝑦 − (𝑥∆(𝑦) + 𝑦∆(𝑥)) + ∆(𝑥)∆(𝑦) ≤ 𝑥 ∗ 𝑦 ∗ ≤ 𝑥𝑦 + (𝑥∆(𝑦) + 𝑦∆(𝑥)) + ∆(𝑥)∆(𝑦)

La petitesse du terme ∆(𝑥)∆(𝑦) (second ordre) nous permet de le négliger, ce qui donne

𝑥𝑦 − (𝑥∆(𝑦) + 𝑦∆(𝑥)) ≤ 𝑥 ∗ 𝑦 ∗ ≤ 𝑥𝑦 + (𝑥∆(𝑦) + 𝑦∆(𝑥))
ce qui traduit l’égalité ∆(𝑥𝑦) = 𝑥∆(𝑦) + 𝑦∆(𝑥). D’autre part, en utilisant la récurrence sur 𝑛
on trouve que pour tout 𝑛 ≥ 1
∆(𝑥 𝑛 ) = ∆(𝑥 𝑛−1 . 𝑥) = |𝑥 𝑛−1 |∆(𝑥) + |𝑥|∆(𝑥 𝑛−1 ) = |𝑥|𝑛−1 ∆(𝑥) + (𝑛 − 1)|𝑥||𝑥|𝑛−2 ∆(𝑥)
= 𝑛|𝑥|𝑛−1 ∆(𝑥)
Exemple 1.4.3 Le volume d’un cylindre de hauteur 𝐻 ∗ = 5 ± 0,1 𝑐𝑚 et de rayon 𝑅 ∗ = 2,1 ±
0,2 𝑐𝑚 est 𝑉 = 𝜋𝐻𝑅 2 . Calculer le volume 𝑉 ∗ et donner sa précision. (les résultats avec 3
décimales).
Réponse : Le volume 𝑣 ∗ s’écrit sous la forme 𝑉 ∗ = 𝑉 ± ∆(𝑉). On a 𝐻 = 5,1 𝑐𝑚, ∆(𝐻) =

0,1 𝑐𝑚, 𝑅 = 2,1 𝑐𝑚 𝑒𝑡 ∆(𝑅) = 0,2 𝑐𝑚, alors 𝑉 = 𝜋𝐻𝑅 2 = 𝜋(5,1)(2,1)2 = 22,491𝜋.
D’autre part
∆(𝑉) = ∆(𝜋𝐻𝑅 2 ) = 𝜋(𝐻∆(𝑅 2 ) + 𝑅 2 ∆(𝐻)) = 𝜋(2𝑅𝐻∆(𝑅) + 𝑅 2 ∆(𝐻))
= 𝜋(2(2,1)(5,1)(0,2) + (2,1)2 (0,1)) = 4,725𝜋
𝛿(𝑉) = 𝛿(𝜋𝐻𝑅 2 ) = 𝜋𝛿(𝐻𝑅 2 ) = 𝜋(𝛿(𝐻) + 𝛿(𝑅 2 )) = 𝜋(𝛿(𝑅 2 ) + 2𝛿(𝑅))
∆(𝐻) ∆(𝑅) 0,1 0,2

= 𝜋( +2 ) = 𝜋( + 2 ) = 0,390𝜋
𝐻 𝑅 5,1 2,1
on peut également calculer 𝛿(𝑉) par
∆(𝑉) 4,725
𝛿(𝑉) = = = 0,210
𝑉 22,491
1.5 Autres méthodes de calcul d’incertitudes

Il existe d’autres méthodes pratiques de calcul d’incertitudes. Elles sont plus utilisées lorsque
l’expression de calcul d’incertitude est fonction de plusieurs variables.
1.5.1 Méthode différentielle

Considérons une fonction à plusieurs f variables x, y et z qu’on notera par f(x,y,z).
Rappelons que la différentielle de cette fonction, notée df (x; y; z), est donnée par la relation :
𝜕𝑓 𝜕𝑓 𝜕𝑓
𝑑𝑓 = 𝑑𝑥 + 𝑑𝑦 + 𝑑𝑧
𝜕𝑥 𝜕𝑦 𝜕𝑧
Où les ∂ dénotent les dérivées partielles de f par rapport à chacune des variables x, y et z,
calculées en ces mêmes points.

Enfin, en remplaçant les éléments différentiels par les incertitudes sur les grandeurs
associées, on obtient :
𝜕𝑓 𝜕𝑓 𝜕𝑓
∆𝑓 = ∆𝑥 + ∆𝑦 + ∆𝑧
𝜕𝑥 𝜕𝑦 𝜕𝑧
Exemple. En reprenant l’exemple 1.4.3

Le volume d’un cylindre de hauteur 𝐻 ∗ = 5 ± 0,1 𝑐𝑚 et de rayon 𝑅 ∗ = 2,1 ± 0,2 𝑐𝑚 est 𝑉 =
𝜋𝐻𝑅 2 . Calculer le volume 𝑉 ∗ et donner sa précision. (les résultats avec 3 décimales).
𝑉 = 𝜋𝐻𝑅 2
𝑉 ≅ 3,14 × 2,1 × (5)2 ≅ 164,85 𝑐𝑚3
𝜕𝑉 𝜕𝑉
∆𝑉 = ∆𝐻 + ∆𝑅 = 𝜋[𝑅 2 ∆𝐻 + 2𝐻𝑅∆𝑅]
𝜕𝐻 𝜕𝑅
∆𝑉 ≅ 𝜋[(2,1)2 × 0,1 + 2 × 5 × 2,1 × 0,2]
∆𝑉 ≅ 14,573 𝑐𝑚3
1.5.2 Méthode logarithmique

La méthode du logarithme permet de calculer facilement les incertitudes relatives. Elle
comprend ces étapes : Nous introduisons le logarithme népérien aux deux membres de
l’équation physique ; puis nous différencions la relation logarithmique obtenue et finalement
nous remplaçons le symbole d par ∆ et le signe négatif par le signe positif.
Exemple 1.5.2
Un étudiant évalue l’accélération g de la gravité, en mesurant le temps de chute t d’une pierre
d’une hauteur h jusqu’au sol. Après plusieurs mesures, elle obtient :
𝑡 = (1,6 ± 0,1) 𝑠
Sa mesure de la hauteur h étant :

ℎ = (13.5 ± 0,1) 𝑚
1
Puisque h découle de la formule ℎ = 2 𝑔𝑡 2 , elle peut maintenant calculer g, soit :
2ℎ
𝑔= = 10,5(𝑚/𝑠 2 )
𝑡2
Que vaut l’incertitude ∆g ?

En utilisant la méthode logarithmique :
2ℎ
ln 𝑔 = ln ⟹ ln 𝑔 = ln(2ℎ) − ln 𝑡 2
𝑡2

⇒ ln 𝑔 = ln 2 + ln ℎ − 2 ln 𝑡
𝑑𝑔 𝑑2 𝑑ℎ 𝑑𝑡
⇒ = + −2
𝑔 2 ℎ 𝑡
𝑑𝑔 𝑑ℎ 𝑑𝑡
⇒ = −2
𝑔 ℎ 𝑡
Enfin, on remplace les éléments différentiels par les incertitudes sur les grandeurs associées
et on transforme tous les signes négatifs en signes positifs. On obtient :
∆𝑔 ∆ℎ ∆𝑡
= +2
𝑔 ℎ 𝑡
∆ℎ 0,1 ∆𝑡 0,1
= = 0,7 % et = = 6,25 %
ℎ 13,5 𝑡 1,6
∆𝑔
= 0,7 + 2 × 6,25 = 13,2 % (incertitude relative)
𝑔
Donc incertitude absolue
13,2 13.2
∆𝑔 = 𝑔 × = 10,5 × = 1,4 𝑚/𝑠 2
100 100
1.6 Représentation décimale des nombres approchés
La base décimale 10 est la base naturelle avec laquelle on travaille et celle que l’on trouve
souvent sur les calculatrices. Dans cette bas, un nombre décimal ou à virgule 𝑥 ∈ ℝ se
représente via le développement (limité ou illimité) suivant
𝑥 = 𝛼𝑚 10𝑚 + 𝛼𝑚−1 10𝑚−1 + ⋯ + 𝛼𝑚−𝑛 10𝑚−𝑛 + ⋯ (1.6)
où 𝛼𝑖 ∈ {0,1, … ,9} sont les chiffres de 𝑥 et 𝑚 ∈ ℕ est le rang supérieur de 𝑥, c’est-à-dire, le plus
grand exposant. Dans la pratique, les nombres sont représentés par un développement limité.
Un nombre décimal a plusieurs écritures différentes en échangeant simplement la position de
la virgule. La partie à gauche de la virgule est la partie entière, celle à droite est la partie
décimale.
Exemple 1.6.1
⏟
3010 , 275
⏟
partie entière partie décimale
= 3 × 103 + 0 × 102 + 1 × 101 + 0 × 100 + 2 × 10−1 + 7 × 10−2

+ 5 × 10−3

1.6.1 Chiffres significatifs

Définition 1.6.2 On appelle un chiffre significatif (c.s en abrégé) d’un nombre approché 𝑥
représenté sous la forme (1.6), tout chiffre 𝛼𝑖 différent de zéro, et le zéro s’il se trouve entre
deux chiffres significatifs ou s’il représente un chiffre conservé (un zéro terminal qui se trouve
tout à droite).
Remarque 1.6.3 Les zéros placés devant (à gauche) le premier significatif non nul ne sont pas
significatifs.
Exemple 1.6.4
𝑥 = 0,00
⏟ 5 00
⏟ 7 00
⏟
(1) (2) (3)
𝑥 comporte 6 chiffres significatifs, en effet :

les chiffres 5 et 7 sont des c.s parce qu’ils ne sont pas nuls.
(1) : les zéros sont placés devant le premier c.s non nul, ils ne sont pas significatifs
(2) : les zéros sont significatifs parce qu’ils se trouvent entre deux c.s
(3) : les zéros sont des c.s parce qu’ils sont conservés (des zéros terminaux) et signifient
une précision de 6 chiffres après la virgule.
Remarque 1.6.5
(a) La notation usuelle des nombres donne une mauvaise information sur les chiffres
significatifs, par exemple, on ne peut pas juger combien de chiffres significatifs
comporte le nombre 68000 (il y a deux au minimum), pour cela, on l’écrit sous la
forme : 6,8 × 104 si on veut le représenter avec 3 c.s ou 6,800 × 104 si on veut 4 c.s.
(b) Si 𝑥 comporte 𝑚 c.s, 𝑚 ∈ ℕ alors, pour l’écrire avec 𝑛 c.s avec 𝑛 ≤ 𝑚, il faut d’abord
l’arrondir jusqu’au rang 𝑛. Par exemple, si on veut écrire 𝑥 = 800,74 (5 c.s) avec 3 c.s,
on obtient 𝑥 = 801.
Chiffres significatifs exacts

Définition 1.6.6 Etant donné un nombre approché 𝑥 ∈ ℝ dont la représentation décimale est
𝑚 𝑚−1
𝑥 = 𝛼⏟ 𝑚 10 + 𝛼𝑚−1 10 +⋯+⏟ 𝛼𝑚−𝑛+1 10𝑚−𝑛+1 + ⋯ + 𝛼𝑘 10𝑘 , 𝛼𝑚 ≠ 0, 𝑘 ∈ ℤ
1𝑒𝑟 𝑐.𝑠 𝑛è𝑚𝑒 𝑐.𝑠
è𝑚𝑒
Le 𝑛 chiffre significatif de 𝑥 est dit exact si l’erreur absolue 𝐸(𝑥) vérifie l’inégalité suivante
𝐸(𝑥) ≤ 0,5 × 10𝑚−𝑛+1
Exemple 1.5.7 Soit 𝑥 ∗ = 35,97 et soit 𝑥 = 36,00 = 3 × 103 + 6 × 100 + 0 × 10−1 +
0 × 10−2 une valeur approchée de 𝑥 ∗ , alors
𝐸(𝑥) = |𝑥 ∗ − 𝑥| = ⏟
0,3 × 10−1 < 0,5 × 10−1
>0,5×10−2
ce qui implique

𝑚 − 𝑛 + 1 = −1
{ ⟹𝑛=3
𝑚=1
donc, 𝑥 est une approximation de 𝑥 ∗ avec 3 chiffres significatifs exacts sont, de gauche à droite,
3,6 et 0.
Remarque 1.6.8 Tous les chiffres situés devant (resp. après) un chiffre significatif exact (resp.
inexact) le sont aussi.
1.6.2 Opérations sur les chiffres significatifs

Tous les résultats des calculs, que ce soit en physique ou en chimie…etc., doivent être
représentés avec le bon nombre des chiffres significatifs, donc il est important de connaitre les
règles qui permettent de déterminer le nombre des chiffres significatifs que l’on doit donner
aux résultats.
Produit et Division
Le produit ou la division de deux nombres ne doit pas avoir plus de chiffres significatifs que
le nombre qu’en a le moins.
Exemple 1.6.9
2,689
⏟ 3,6 × 105 (= 9,68040 × 105 ) = 9,7 × 105
×⏟ (après l' arrondissement)
4 𝑐.𝑠 2 𝑐.𝑠
4 𝑐.𝑠 2 𝑐.𝑠
⏞
7,531 ×⏞
0,013 × 105
6
= 0,023
⏟ × 102
4,21 × 10
⏟ 2 𝑐.𝑠
3 𝑐.𝑠
Somme et Soustraction
La somme ou la soustraction de deux nombres ne doit pas avoir plus de décimales que le
nombre qu’en a le moins, c’est-à-dire, le résultat se donne avec une précision égale à celle de
la donnée la moins précise.
Exemple 1.6.10
220,2
⏟ + 968,184
⏟ − 12,51
⏟ = 1175,9
⏟ (après l' arrondissement)
1 décimale 3 décimales 2 décimales 1 décimale
Remarque 1.6.11 Le nombre de chiffres significatifs d’une somme ou d’une soustraction peut
être différent de ceux des valeurs initiales.
220,2
⏟ + 968,114
⏟ − 12,51
⏟ = 1175,8
⏟
4 𝑐.𝑠 6 𝑐.𝑠 4 𝑐.𝑠 5 𝑐.𝑠

Chapitre Deuxième
Résolution des systèmes d’équations linéaires

2.1 Introduction
La résolution de systèmes d’équations linéaires est peut – être le problème numérique que l’on
rencontre le plus fréquemment. Des questions aussi diverses que l’étude des réseaux électriques
en régime permanent, la résistance des matériaux, les modèles économétriques conduisent à
des systèmes d’équations linéaires. Les problèmes aux limites, associés à des équations
différentielles ou à des équations aux dérivées partielles, sont souvent discrétisés ce qui
engendre encore des systèmes d’équations linéaires. C’est aussi le domaine le plus connu et le
mieux étudié de l’analyse numérique : ces études s’appuient sur l’ensemble des connaissances
en algèbre linéaire.
Soit le système algébrique linéaire de 𝑛 équations à 𝑛 inconnues :

𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 , 𝑖 = 1, … , 𝑛 (2.1)
𝑗=1
ou encore
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

{ 21 𝑥1 + 𝑎22 𝑥2 +…⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
𝑎 (2.1′ )
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛
𝑥1 , 𝑥2 , 𝑥3 sont les inconnues du système.
Le système (2.1) peut s’écrire sous forme matricielle
𝐴. 𝑥 = 𝑏 (2.2)
avec
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

… 𝑎2𝑛
𝑎
𝐴=(… 21 𝑎22
… … …), 𝑥 = (𝑥…2 ) , 𝑏
𝑏 = ( …2 )
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥3 𝑏3
La notation précédente est Equivalente à (l’écriture la plus utilisée) :

𝑎11 𝑎12 … 𝑎1𝑛 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑏2 )
(… … … … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑏𝑛
Esprit des méthodes numériques

Le choix des méthodes de résolution dépend :
▪ de la taille du système
▪ du type et de la structure de la matrice A ( forme et symétrie) intervenant dans le
problème.
D’une façon générale on distingue deux types de méthodes :
▪ les méthodes directes : conduisent à un système Equivalent au système initial en un
nombre fini d’Étapes mais plus facile à résoudre, généralement on se ramène à un
système diagonal ou triangulaire, et mis à part les erreurs d’arrondis, ces méthodes
conduisent à la solution exacte. Cependant, elles ne sont applicables que lorsque n < 50
environ.
▪ les méthodes indirecte ou itératives : consistent à fournir la solution en un nombre
infini d’opérations, par approximations successives et sans modifier le système initial.
Ces méthodes s’appliquent pour résoudre des systèmes de grandes tailles.
2.2 Méthodes de résolution

2.2.1 Méthodes directes
Les méthodes directes ont pour principe de transformer la matrice augmentée (le système) en
une autre matrice (système Equivalent), le nouveau système ayant la même solution que
l’original.
a) Méthode d’élimination de Gauss – Jordan (Carl Friedrich Gauss et Wilhelm Jordan)
La méthode d’Elimination de Gauss a pour but de transformer le système 𝐴𝑥 = 𝑏 par un

système Equivalent (c’est-à-dire ayant la même solution) de la forme 𝑈𝑥 = 𝑏̂ ; où 𝑈 est une
matrice triangulaire supérieure et 𝑏̂ est un second membre convenablement modifié. La
(𝑘)
méthode comporte (n-1) étapes On notera 𝑎𝑖𝑗 l’élément 𝑎𝑖𝑗 à l’étape k:
Étape 1 :
▪ on transforme A en une matrice dont les termes sous diagonaux de la première colonne
sont nuls.
−𝑎
▪ pour éliminer le terme 𝑎21 on multiplie la ligne 𝑙1 par ( 𝑎 21 )
11

(1) −𝑎21
𝑙2 ← 𝑙2 + ( )𝑙
𝑎11 1
on obtient ainsi
(1) 𝑎21
𝑎2𝑗 = 𝑎2𝑗 − ( ) 𝑎1𝑗
𝑎11
(1) 𝑎21
𝑏2 = 𝑏2 − ( )𝑏
𝑎11 1
−𝑎
▪ pour éliminer le terme 𝑎31 on multiplie 𝑙1 par ( 𝑎 31 )
11
(1) −𝑎31
𝑙3 ← 𝑙3 + ( )𝑙
𝑎11 1
on obtient ainsi
(1) 𝑎31
𝑎3𝑗 = 𝑎3𝑗 − ( ) 𝑎1𝑗
𝑎11
(1) 𝑎31
𝑏3 = 𝑏3 − ( )𝑏
𝑎11 1
▪ d’une manière générale pour éliminer tous les termes 𝑎𝑖1 on utilise la transformation
(1) −𝑎𝑖1
𝑙𝑖 ← 𝑙𝑖 + ( )𝑙
𝑎11 1
(1) 𝑎𝑖1
𝑎𝑖𝑗 = 𝑎𝑖𝑗 − ( ) 𝑎𝑖𝑗
𝑎11
(1) 𝑎31
𝑏𝑖 = 𝑏𝑖 − ( )𝑏
𝑎11 1
▪ à la fin de la première étape le système d’équations aura la forme suivante :
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑏1
(1) (1) (1) (1)
0 𝑎22 𝑎23 … 𝑎2𝑛 𝑏2
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
(1) (1) (1) (1)
( 0 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑛 𝑏𝑛 )
Etape 2 :
Nous éliminons ensuite les termes sous-diagonaux de la seconde colonne.
Comme à la première étape pour éliminer le terme 𝑎32 on doit utiliser la transformation
élémentaire
(1)
(2) (1) −𝑎32 (1)
𝑙3 ← 𝑙3 +( (1)
) 𝑙2
𝑎22
on obtient ainsi

(1)
(2) (1) 𝑎32(1)
𝑎32 = 𝑎32 −(
(1)
) 𝑎22 =0
𝑎22
(1) (1)
(2) (1) 𝑎32 (1) (2) (1) 𝑎32 (1)
𝑎33 = 𝑎33 − ( (1) ) 𝑎23 𝑎3𝑗 = 𝑎3𝑗 −( ) 𝑎2𝑗
𝑎22 (1)
𝑎22
……………………… ⇔
(1) (1)
(2) (1) 𝑎32 (1) (2) (1) 𝑎32 (1)
𝑎3𝑛 = 𝑎3𝑛 − ( (1) ) 𝑎2𝑛 𝑏3 = 𝑏3 − ( (1) ) 𝑏1
𝑎22 ( 𝑎22 )
(1)
(2) (1) 𝑎32 (1)
𝑏3 = 𝑏3 −( (1)
) 𝑏2
{ 𝑎22
En continuant de la même façon que l’étape 1 on obtient la fin de la seconde étape.

Le système d’équations aura la forme suivante :
𝑎11 𝑎12 𝑎13 𝑎1𝑛 𝑏1

(1) (1) (1) (1)
0 𝑎22 𝑎23 ⋯ 𝑎2𝑛 𝑏2
(2) (2) (2)
0 0 𝑎33 𝑎3𝑛 𝑏3
⋮ ⋱ ⋮
(2) (2) (2)
[ 0 0 𝑎𝑛3 ⋯ 𝑎𝑛𝑛 𝑏𝑛 ]
Etape k :
A la kème étape, nous éliminons les termes sous-diagonaux de la kième colonne
(𝑘−1)
(𝑘) (𝑘−1) 𝑎𝑘+1,𝑘 (𝑘−1)
𝑙𝑘+1 ← 𝑙𝑘+1 −( (𝑘−1)
) 𝑙𝑘
𝑎𝑘𝑘
on obtient ainsi
(𝑘−1)
(𝑘) (𝑘−1) 𝑎𝑘+1,𝑘 (𝑘−1)
𝑎𝑘+1,𝑘 = 𝑎𝑘+1,𝑘 −( (𝑘−1)
) 𝑎𝑘𝑘 =0
𝑎𝑘𝑘
(𝑘−1)
(𝑘) (𝑘−1) 𝑎𝑘+1,𝑘 (𝑘−1)
(𝑘−1) 𝑎𝑘+1𝑗 = 𝑎𝑘+1,𝑗 −( (𝑘−1)
) 𝑎𝑘,𝑗
(𝑘) (𝑘−1) 𝑎𝑘+1,𝑘 (𝑘−1) 𝑎𝑘𝑘
𝑎𝑘+1,𝑘+1 = 𝑎𝑘+1,𝑘+1 − ( (𝑘−1) ) 𝑎𝑘,𝑘+1 ⟺ (𝑘−1)
𝑎𝑘𝑘 (𝑘) (𝑘−1) 𝑎𝑘+1,𝑘
𝑏𝑘+1 = 𝑏𝑘+1 − ( (𝑘−1) ) 𝑏1
𝑎𝑘𝑘
………………………
(𝑘−1)
(𝑘) (𝑘−1) 𝑎𝑘+1,𝑘 (𝑘−1)
𝑎𝑘+1,𝑛+1 = 𝑎𝑘+1,𝑗 −( (𝑘−1)
) 𝑎𝑘,𝑛+1
{ 𝑎𝑘𝑘
A la fin de la dernière étape on obtient alors le système triangulaire supérieur suivant :

(1) (1) (1)

𝑎11 𝑎12 … … 𝑎1𝑛 𝑥1
(1)
𝑏1
(2) (2) 𝑥2 (2)
0 𝑎22 … … 𝑎2𝑛 𝑏2
⋮ ⋮ = ⋮ (2.3)
⋮ ⋱ ⋮
⋮ ⋮ ⋮
⋱ 𝑥 (𝑛−1)
(0 … … (𝑛−1)
𝑎𝑛𝑛 ) ( 𝑛) (𝑏𝑛 )
…
(𝑘)
Remarque 2.2.1 Les opérations précédentes supposent que les termes 𝑎𝑘𝑘 appelés pivots sont
non nuls.
Exemple 2.2.1 Soit le système d’équations représenté par la matrice augmentée suivante :
2 1 2 10
[6 4 0 26]
8 5 1 35
6
𝑙2 ← 𝑙2 − ( ) 𝑙1
{ 2
8
𝑙3 ← 𝑙3 − ( ) 𝑙1
2
2 1 2 10
[0 1 −6 −4]
0 1 −7 −5
1
𝑙3 ← 𝑙3 − ( ) 𝑙2
1
2 1 2 10
[0 1 −6 −4]
0 0 −1 −1
la solution du système est
𝑥3 = 1, 𝑥2 = 2, 𝑥1 = 3
Exemple 2.2.2
𝐿2 ←𝐿2 −2𝐿1 𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 = 1

𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 =1 𝐿3 ←𝐿3 −3𝐿1
2𝑥1 + 3𝑥2 + 4𝑥3 + 𝑥4 =2 𝐿4 ←𝐿4 −4𝐿1 − 𝑥2 − 2𝑥3 − 7𝑥4 = 0
→
3𝑥1 + 4𝑥2 + 𝑥3 + 2𝑥4 =3 − 2𝑥2 − 8𝑥3 − 10𝑥4 = 0
4𝑥1 + 𝑥2 + 2𝑥3 + 3𝑥4 =4 { − 7𝑥2 − 10𝑥3 − 13𝑥4 = 0
{
𝐿3 ←𝐿3 −2𝐿2
𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 = 1
𝐿4 ←𝐿4 −7𝐿2 − 𝑥2 − 2𝑥3 − 7𝑥4 = 0
→
− 4𝑥3 + 4𝑥4 = 0
{ 4𝑥3 + 36𝑥4 = 0

𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 = 1

𝐿4 ←𝐿4 +𝐿3 − 𝑥2 − 2𝑥3 − 7𝑥4 = 0
→
− 4𝑥3 + 4𝑥4 = 0
{ 40𝑥4 = 0
donc 𝑥4 = 0, 𝑥3 = 0, 𝑥2 = 0 et 𝑥1 = 1
Remarque 2.2.2
2𝑛3
▪ la méthode de Gauss nécessite opérations pour un système de taille 𝑛.
3
▪ dans la méthode de Gauss, si un pivot est nul on permutera l’équation correspondante

avec l’une de ses suivantes (permutation de 2 lignes), donc pour ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑖 = 𝑘 + 1, 𝑛, de
manière à mettre un pivot non nul en position 𝑘.
Si une telle permutation est impossible la matrice est alors singulière.
(𝑘)
𝑎𝑖𝑘
▪ si le pivot de valeur proche de zéro c’est-à-dire, pivot petit, les quantités (𝑘) deviennent
𝑎𝑘𝑘
plus grandes que 1 et amplifierons les erreurs de troncature ; dans ce cas il peut y avoir
perte de précision, et on opte pour la modification de l’algorithme de Gauss, d’où les
méthodes du pivot.
b) Méthode du pivot
▪ b.1. Pivot partiel
Dans cette méthode, on intervertit les lignes à chaque étape de façon à placer en pivot
le terme de coefficient le plus élevé de la ligne. C’est la méthode du pivot partiel, à la
kième étape, le pivot est l’élément :
(𝑘) (𝑘)
𝑎𝑖,𝑘 = max |𝑎𝑝,𝑘 |
𝑝=𝑘,…,𝑛
▪ b.2. Pivot total

On intervertit les lignes et les colonnes de façon à placer en pivot le terme de coefficient
le plus élevé de la matrice : C’est la méthode du pivot total, à la kième étape, le pivot est
l’élément
(𝑘) (𝑘)
𝑎𝑖,𝑗 = max |𝑎𝑝,𝑞 |
𝑝,𝑞=𝑘,…,𝑛
Exemple 2.2.3
1 3 3 𝑥1 0
𝑥
𝐴 = (1 1 0 ) , 𝑥 = ( 2 ) , 𝑏 = ( 1 )
3 2 6 𝑥3 11
𝑘 = 1: max(1,1,3) = 3 on permute, par exemple, les lignes 1 et 3 on obtient

3 2 6 ⋮ 11
[3] 2 6 ⋮ 11 1 8
0 −2 ⋮ −
(1 1 0 ⋮ 1)→ 3 3
1 3 3 ⋮ 0 7 11
0 1 ⋮ −
( 3 3)
1 7 7
𝑘 = 2: max (3 , 3) = 3 on permute, par exemple, les lignes 2 et 3 on obtient
3 2 6 ⋮ 11 3 2 6 ⋮ 11
7 11 1 11
0 1 ⋮ − 0 1 ⋮ −
3 3 → 3 3
1 8 15 15
0 −2 ⋮ − 0 0 − ⋮ −
( 3 3) ( 7 7)
Il s’ensuit que :
𝑥3 = 1
3 11 𝑥3 = 1
𝑥2 = (− − 𝑥3 )
𝐴𝑥 = 𝑏 ⟺ 7 3 ⟺ { 𝑥2 = −2
1 𝑥1 = 3
𝑥1 = (11 − 2𝑥2 − 6𝑥3 )
{ 3
Exemple 2.2.4
Soit le système
𝑥1 + 3𝑥2 + 3𝑥3 = −2
{ 2𝑥1 + 2𝑥2 + 5𝑥3 = 7
3𝑥1 + 2𝑥2 + 6𝑥3 = 12
Posons :
1 3 3 ⋮ −2
(𝐴 ⋮ 𝑏) = ( 2 2 5 ⋮ 7 )
3 2 6 ⋮ 12
(1)
𝑘 = 1: max (|𝑎𝑖,𝑗 |, 𝑖 = 1,2,3 𝑗 = 1,2,3) = 6. La ligne du pivot sera alors 𝐿3 . En permutant
les lignes 1 et 3 on obtient :
3 2 6 ⋮ 12
(2 2 5 ⋮ 7 )
1 3 3 ⋮ −2
La colonne du pivot total est la colonne 3, et on permute les colonnes 1 et 3 :
6 2 3 ⋮ 12
[6] 2 3 ⋮ 12 1 1
0 − ⋮ −3
( 5 2 2 ⋮ 7 )→ 3 2
3 3 1 ⋮ −2 1
0 2 − ⋮ −8
( 2 )
(1)
𝑘 = 2: max (|𝑎𝑖,𝑗 |, 𝑖 = 2,3 𝑗 = 2,3) = 2. La ligne du pivot total est alors 𝐿3 . Et donc on
permute les lignes 2 et 3 :

6 2 3 ⋮ 12 6 2 3 ⋮ 12
1 1
0 [2] − ⋮ −8 0 2 − ⋮ −8
2 → 2
1 1 5 5
0 − ⋮ −3 0 0 − ⋮ −
( 3 2 ) ( 12 3)
Du fait de la permutation précédente des colonnes 1 et 3 on obtient le système équivalent
suivant :
6𝑥3 + 2𝑥2 + 3𝑥1 = 12
1 𝑥3 = 1
2𝑥2 − 𝑥1 = −8
2 ⟺ {𝑥2 = −3
5 5 𝑥1 = 4
{ − 𝑥1 = −
12 3
Remarque Notons bien à chaque permutation de colonnes les inconnues changent de places.
2.2.2 Méthodes itératives
Nous allons décrire ces méthodes brièvement sans passer par des calculs ou des démonstrations
mathématiques complexes, car cela nous éloignera des objectifs du cours.
a. Méthode de JACOBI (Carl Gustav Jacobi)
Soit le système suivant de 3 équations à 3 inconnues :
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 = 𝑦1
{𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 = 𝑦2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 = 𝑦3
On résout le système de la manière suivante :
𝑦1 − (𝑎12 𝑥2 + 𝑎13 𝑥3 )
𝑥1 =
𝑎11
𝑦2 − (𝑎21 𝑥1 + 𝑎23 𝑥3 )
𝑥2 =
𝑎22
𝑦3 − (𝑎31 𝑥1 + 𝑎32 𝑥2 )
𝑥3 =
{ 𝑎33
On donne aux inconnues les valeurs arbitraires initiales 𝑥1° , 𝑥2° , 𝑥3° .
Si ces valeurs sont portées au second membre de la solution précédente, on obtient :
𝑦1 − (𝑎12 𝑥2° + 𝑎13 𝑥3° )
𝑥11 =
𝑎11
𝑦2 − (𝑎21 𝑥1° + 𝑎23 𝑥3° )
𝑥21 =
𝑎22
1
𝑦3 − (𝑎31 𝑥1° + 𝑎32 𝑥2° )
𝑥 =
{ 3 𝑎33
Ce nouvel ensemble porté dans le second membre des équations précédentes donne un
𝑥12 , 𝑥22 , 𝑥32 autre ensemble et ainsi de suite.

b. Méthode de GAUSS-SEIDEL (Carl Friedrich Gauss et Philipp Ludwig von Seidel)

On reprend le calcul comme précédemment. Pour le système précédent par exemple, on choisit
un ensemble de valeurs 𝑥1° , 𝑥2° , 𝑥3° .
On porte𝑥2° 𝑒𝑡 𝑥3° dans la 1ère équation et on obtient :
𝑦1 − (𝑎12 𝑥2° + 𝑎13 𝑥3° )
𝑥11 =
𝑎11
C’est cette nouvelle valeur de X1, et non pas 𝑥1° , qui est portée dans la 2ème équation du
système, donnant :
𝑦2 − (𝑎21 𝑥11 + 𝑎23 𝑥3° )
𝑋21 =
𝑎22
De même dans la 3eme, on porte 𝑥11 et𝑥21 , et non 𝑥1° et 𝑥2° , et on obtient :
𝑦3 − (𝑎31 𝑥11 + 𝑎23 𝑥21 )
𝑋31 =
𝑎33
Lorsqu’une inconnue est utilisée, c’est automatiquement la plus récente valeur calculée.
Ceci assure une convergence des calculs bien plus rapide que la méthode de JACOBI.
On arrête les calculs lorsque les valeurs successives de x j sont suffisamment voisines.
Pour cela, on peut utiliser,
(𝑘+1) (𝑘)
▪ Soit le critère de convergence absolue :|𝑥𝑗 − 𝑥𝑗 | ≤ 𝜀
(𝑘+1) (𝑘)
𝑥𝑗 −𝑥𝑗
▪ Soit le critère de convergence relative : | (𝑘+1) |≤𝜀
𝑥𝑗
Pour les systèmes où les matrices sont de rang élevé, il n’est pas commode de faire le test de
convergence sur chaque inconnue xj.
Dans ce cas, on fait le test soit seulement sur certaines inconnues que l'on choisit, soit sur les
quantités suivantes :
1/2
𝑛 𝑛
2
(𝑘+1) (𝑘) (𝑘+1) (𝑘)
∑|𝑥𝑗 − 𝑥𝑗 | 𝑜𝑢 (∑|𝑥𝑗 − 𝑥𝑗 | )
𝑗=1 𝑗=1
Ou
𝑛 (𝑘+1) (𝑘) (𝑘+1) (𝑘) 1/2
𝑥𝑗 − 𝑥𝑗 𝑥𝑗 − 𝑥𝑗
∑| (𝑘+1)
| 𝑜𝑢 ( (𝑘+1)
)
𝑗=1
𝑥𝑗 𝑥𝑗
La convergence du procédé ne dépend pas du choix des valeurs initiales xj, mais seulement des
valeurs des coefficients.

On montre que la convergence est assurée si on a, pour chaque valeur de i (c'est-à-dire pour
chaque ligne), la relation
𝑛
|𝑎𝑖𝑖 | ≥ ∑|𝑎𝑖𝑗 |
𝑗=1
𝑗=1
est vérifiée.
Autrement dit, il y a convergence si chaque élément diagonal est supérieur ou égal, en module,
à la somme des modules des autres éléments de sa ligne.
Exemple 2.2.5
Résoudre le système d’équations linéaires en utilisant la méthode de Jacobi avec une tolérance
de 𝜀 = 10−1.
+ 2𝑥1 − 𝑥2 = 1
{−𝑥1 + 2𝑥2 − 𝑥3 = 0
− 𝑥2 + 2𝑥3 = 1
Résolution
(𝑘) (𝑘) (𝑘) (𝑘) (𝑘)
(𝑘+1)
(𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 ) (1 − (−1)𝑥2 − 0𝑥3 ) (1 + 𝑥2 )
𝑥1 = = =
𝑎11 2 2
(𝑘) (𝑘) (𝑘) (𝑘) (𝑘) (𝑘)
(𝑘+1)
(𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 ) (0 − (−1)𝑥1 − (−1)𝑥3 ) (𝑥1 + 𝑥3 )
𝑥2 = = =
𝑎11 2 2
(𝑘) (𝑘) (𝑘) (𝑘) (𝑘)
(𝑘+1)
(𝑏3 − 𝑎31 𝑥1 − 𝑎32 𝑥2 ) (1 − 0𝑥1 − (−1)𝑥2 ) (1 + 𝑥2 )
𝑥3 = = =
𝑎11 2 2
Avec 𝑋 (0) = (0,0,0)
Pour
𝑘=0
(0)
(1)
(1 + 𝑥2 ) (1 + 0)
𝑥1 = = = 0,5
2 2
(0) (0)
(1)
(𝑥1 + 𝑥3 ) (0 + 0)
𝑥2 = = =0
2 2
(0)
(1)
(1 + 𝑥2 ) (1 + 0)
𝑥3 = = = 0,5
2 2

𝑘=1
(1)
(2)
(1 + 𝑥2 ) (1 + 0)
𝑥1 = = = 0,5
2 2
(1) (1)
(2)
(𝑥1 + 𝑥3 ) (0,5 + 0,5)
𝑥2 = = = 0,5
2 2
(1)
(2)
(1 + 𝑥2 ) (1 + 0)
𝑥3 = = = 0,5
2 2
𝑘=2
(2)
(3)
(1 + 𝑥2 ) (1 + 0,5)
𝑥1 = = = 0,75
2 2
(2) (2)
(3)
(𝑥1 + 𝑥3 ) (0,5 + 0,5)
𝑥2 = = = 0,5
2 2
(2)
(3)
(1 + 𝑥2 ) (1 + 0,5)
𝑥3 = = = 0,75
2 2
Ainsi on obtient le tableau ci-dessous:
𝑘 (𝑘+1) (𝑘+1) (𝑘+1)
𝑥1 𝑥2 𝑥3
0 0,5 0 0,5
1 0,5 0,5 0,5
2 0,75 0,5 0,75
3 0,75 0,75 0,75
4 0,875 0,75 0,875
5 0,875 0,875 0,875
6 0,9375 0,875 0,9375
Exemple 2.2.6
En utilisant la méthode de Gauss-Seidel résoudre ce système à quatre décimales exactes; soit
l’approximation initiale.
1,2
(0)
𝑋 =| 0 |
0

10𝑥1 + 𝑥2 + 𝑥3 = 12
{ 2𝑥1 + 10𝑥2 + 𝑥3 = 4
2𝑥1 + 2𝑥2 + 10𝑥3 = 7
(𝑘) (𝑘) (𝑘) (𝑘)
(𝑘+1)
(𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 ) (12 − 𝑥2 − 𝑥3 )
𝑥1 = =
𝑎11 10
(𝑘+1) (𝑘) (𝑘+1) (𝑘)
(𝑘+1)
(𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 ) (4 − 2𝑥1 − 𝑥3 )
𝑥2 = =
𝑎22 10
(𝑘+1) (𝑘+1) (𝑘+1) (𝑘+1)
(𝑘+1)
(𝑏3 − 𝑎31 𝑥1 − 𝑎32 𝑥2 ) (7 − 2𝑥1 − 2𝑥2 )
𝑥3 = =
𝑎33 10
𝑘=0
(0) (0)
(1)
(12 − 𝑥2 − 𝑥3 ) (12 − 0 − 0)
𝑥1 = = = 1,2
10 10
(1) (0)
(1)
(4 − 2𝑥1 − 𝑥3 ) (4 − 2 × 1,25 − 0)
𝑥2 = = = 0,15
10 10
(1) (1)
(1)
(7 − 2𝑥1 − 2𝑥2 ) (7 − 2 × 1,2 − 2 × 0,15)
𝑥3 = = = 0,43
10 10
𝑘=1
(1) (1)
(2)
(12 − 𝑥2 − 𝑥3 ) (12 − 0,15 − 0,43)
𝑥1 = = = 1,142
10 10
(2) (1)
(2)
(4 − 2𝑥1 − 𝑥3 ) (4 − 2 × 1,142 − 0,43)
𝑥2 = = = 0,1286
10 10
(2) (2)
(2)
(7 − 2𝑥1 − 2𝑥2 ) (7 − 2 × 1,142 − 2 × 0,1286)
𝑥3 = = = 0,4459
10 10
𝑘=2
(2) (2)
(3)
(12 − 𝑥2 − 𝑥3 ) (12 − 0,1286 − 0,4459)
𝑥1 = = = 1,1426
10 10
(3) (1)
(2)
(4 − 2𝑥1 − 𝑥3 ) (4 − 2 × 1,11426 − 0,4459)
𝑥2 = = = 0,1269
10 10
(3) (3)
(2)
(7 − 2𝑥1 − 2𝑥2 ) (7 − 2 × 1,1426 − 2 × 0,1269)
𝑥3 = = = 0,4461
10 10

Ainsi on obtient le tableau ci-dessous:

𝑘 (𝑘+1) (𝑘+1) (𝑘+1)
𝑥1 𝑥2 𝑥3
0 1,2 0,15 0,43
1 1,142 0,1286 0,4459
2 1,1426 0,1269 0,4461
3 1,1427 0,1269 0,4461
Chapitre Troisième
Résolution des équations et systèmes d’équations non

linéaires
3.1 Séparation des racines
Si une équation algébrique ou transcendante est suffisamment complexe, il est
relativement rare qu’on puisse obtenir ses racines avec précision. Par ailleurs dans
certains cas les coefficients de l’équation ne sont connus qu’approximativement et par
conséquent, le problème de la détermination précise des racines proprement dit perd son
sens. C’est pour cela les méthodes de la recherche approchée des racines d’une équation
et l’estimation du degré de sa précision acquièrent un intérêt particulier.
Soit à résoudre l’équation :
f (x) =0 (3.1.1)
où la fonction f (x) est définie et continue dans un certain intervalle fini ou infini
a < x < b. Dans ce qui suit, nous allons également recourir à la dérivée première f '(x) et à la
dérivée seconde f '' (x) et pour cela nous supposons donc que f ' (x) et f ''(x) existent. Toute
valeur r qui annule la fonction f (x) c'est-à-dire telle que f (r) =0 s’appelle racine de l’équation
(3.1) ou zéro de la fonction f (x). Nous supposons également que l’équation f (x) = 0 n’admet
que des racines isolées c'est-à-dire que pour chaque racine de l’équation (3.1.1), il existe un
voisinage qui ne contient pas d’autres racines de cette équation. La recherche approchée des
racines réelles isolées de l’équation (3.1.1) se fait en général en deux étapes.

Racines isolées : r1, r2, r3
1ere Etape : Séparation des racines : qui consiste à établir des segments [α, β] les plus
serrés possible contenant une et seulement une racine de l’équation (3.1.1).
2eme Etape : Amélioration de la précision ou mise au point des racines approchées,
c’est-à-dire obtention de leur précision imposée.
Théorème 3.1.1
Si une fonction continue f (x) prend aux extrémités du segment [α,β] des valeurs de
signes contraires c'est-à-dire si f(α).f(β)< 0 ce segment contient au moins une racine
de l’équation 0 f (x) = c'est-à-dire il existe au moins un réel r appartenant à [α,β] tel
que f (r) =0. Si la dérivée première f ' (x) existe et garde le signe constant dans l’intervalle ]α,
β[ alors la racine r est unique, en effet, si f '(x)>0, pour tout x ∈ ]α,β[, alors f est croissante sur
]α,β[ et il n’existe donc qu’une seule valeur r de x sur ]α,β[ qui annule f (x) . De même si f '
(x)<0 ,∀ x ∈ ]α, β[ alors f est décroissante sur ]α, β[ et il n’existe donc qu’une seule valeur r de
x sur ]α, β[ qui annule f (x).

Comment séparer les racines ?
1. Déterminer les signes de la fonction f (x) aux deux extrémités du domaine de définition
de la fonction f (x) ,
2. Puis on détermine les signes de la fonction f (x) en quelques points
intermédiaires x = α1, α2, α3, …. αk dont le choix doit rendre compte des particularités
de la fonction. S’il se trouve que f(αk).f(αk+1)<0 alors dans l’intervalle ]αk ,αk+1[ ou
]αk+1, αk[ , l’équation f (x)=0 possède une racine. Il faut alors définir si cette racine est
unique ou pas.
Rappel
L’équation algébrique de degré n 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥 + 𝑎𝑛 = 0 (Avec 𝑎0 ≠ 0)
admet au plus n racines réelles.
Ainsi donc, si pour une telle équation nous avons obtenu n +1 changements de signes,
toutes les racines sont alors séparées.
Exemple 3.1.2 Séparer les racines de l’équation 𝑓(𝑥) ≡ 𝑥 3 − 6𝑥 + 2 = 0
Soit Dom(f) le domaine de f, alors
Dom (f) = R = ]−∞, +∞[
lim 𝑓(𝑥) = lim 𝑥 3 = −∞ < 0 𝑒𝑡 lim 𝑓(𝑥) = lim 𝑥 3 = +∞ > 0

𝑥→−∞ 𝑥→−∞ 𝑥→+∞ 𝑥→+∞
f est continue partout sur R

𝑓(0) = 2 𝑓(2) = −2 𝑓(−3) = −7
𝑓(1) = −3 𝑓(−2) = 6
𝑓(−1) = 7 𝑓(3) = 11
Nous observons 3 changements de signes et donc les trois racines r1, r2, et r3 sont réelles
et r1 ∈]- ,3 -2[ , r2 ∈] 1,0 [, r3 ∈ ] 3,2 [.
Nous allons nous intéresser maintenant aux racines des équations f (x)=0 au cas où
elles peuvent être calculées aisément. Dans ce cas-là le processus de séparation des racines de
l’équation (3.1.1) peut être ordonné. A cet effet, il suffit de compléter les signes de la fonction
f (x) aux points des zéros de sa dérivée et aux points frontières x = a et x = b du domaine de f.
Exemple 3.1.3 Séparer les racines de l’équation 𝑓(𝑥) ≡ 𝑥 4 − 4𝑥 − 1 = 0
Dom (f) = ]−∞, +∞[ ; lim 𝑓(𝑥) = +∞ > 0

𝑥→−∞
𝑓 ′ (𝑥) = 4𝑥 3 − 4 = 4(𝑥 3 − 1) = 4(𝑥 − 1)(𝑥 2 + 𝑥 + 1)
𝑓(1) = 1 − 4 − 1 = − 4 < 0

Il y a deux changements de signes, donc l’équation 𝑥 4 − 4𝑥 − 1 = 0 admet deux racines

réelles distinctes dont l’une repose sur l’intervalle ]−∞, +1[ et l’autre sur l’intervalle ]+1, +∞[
(les deux autres racines sont complexes et conjuguées).
Théorème 3.1.4
Soit 𝑟 une racine exacte et 𝑟̅ une racine approchée de l’équation 𝑓(𝑥) = 0 qui reposent toutes
sur le segment [𝛼, 𝛽] , de plus |𝑓′(𝑥)| ≥ 𝑚1 > 0 𝑝𝑜𝑢𝑟 𝛼 ≤ 𝑥 ≤ 𝛽.
Dans ces conditions, l’estimation valable s’écrit :
|𝑓(𝑥̅ )|
|𝑟̅ − 𝑟| ≤ (3.1.2)
𝑚1
Démonstration
En appliquant le théorème de Lagrange (Théorème des accroissements finis) on a :
𝑓(𝑟̅ ) − 𝑓(𝑟) = (𝑟̅ − 𝑟)𝑓′(𝑐)
Où c est une valeur intermédiaire entre 𝑟̅ et 𝑟1 ou 𝑐 ∈ ]𝛼, 𝛽[
Etant donné que 𝑓(𝑟) = 0 𝑒𝑡 𝑓(𝑟) = 0 𝑒𝑡 𝑓′(𝑥) ≥ 𝑚1 , il en résulte que :
|𝑓(𝑥̅ )| = |𝑓(𝑟̅ ) − 𝑓(𝑟)| = |𝑟̅ − 𝑟||𝑓′(𝑐)| ≥ |𝑟̅ − 𝑟|𝑚1
|𝑓(𝑟̅ )|
C’est-à-dire |𝑓(𝑟̅ )| ≥ |𝑟̅ − 𝑟|𝑚1 ou |𝑟̅ − 𝑟| ≤ 𝑚1
Exemple 3.1.5
Une racine approchée de l’équation 𝑓(𝑥) ≡ 𝑥 4 − 𝑥 − 1 = 0 est 𝑥̅ = 1,22
Evaluer l’erreur absolue de cette racine.
Solution :
𝑓(𝑥̅ ) = (1,22)4 − 1,22 − 1 = −0,0047
𝑥̿ = 1,23 } 𝑟 ∈ ]1,22; 1,23[ racine exacte
4
𝑓(𝑥̿ ) = (1,23) − 1,23 − 1 = 0,059
𝑓 ′ (𝑥) = 4𝑥 3 − 1
𝑓 ′′ (𝑥) = 12𝑥 2
𝑓′(𝑥) est strictement croissante sur ]1,22; 1,23[
𝑓′(𝑥) atteint sa plus petite valeur en 𝑥 = 1,22 soit 𝑚1 = |𝑓′(1,22)| = 6,2634

|𝑓(𝑥̅ )| 0,00047
⟹ |𝑟̅ − 𝑟| ≤ = = 0,00075 ≈ 0,001 = 10−3
6,2634 6,2634
3.2 Méthode de Balayage

Soit à résoudre l’équation
𝑓(𝑥) = 0 (3.2.1)
sur l’intervalle ]𝑎, 𝑏[ où 𝑓 est définie et continue et 𝑓(𝑎). 𝑓(𝑏) < 0
1. On choisit un réel p appelé pas.
2. On calcule 𝑓(𝑎 + 𝑝), 𝑓(𝑎 + 2𝑝), 𝑓(𝑟 + 3𝑝), 𝑓(𝑟 + 4𝑝), ….et on détermine l’entier k
tel que 𝑟 ∈ [𝑎 + 𝑘𝑝, 𝑎 + (𝑘 + 1)𝑝] c’est-à-dire k est l’entier tel que 𝑓(𝑎 +
𝑘𝑝)𝑒𝑡 𝑓[𝑎 + (𝑘 + 1)𝑝] sont de signes contraires.
3. On divise le pas par dix (par exemple) et on applique le même processus à partir de
𝑓(𝑎 + 𝑘𝑝).
Exemple 3.1.6 Soit à résoudre l’équation 𝑥 3 + 𝑥 − 14 = 0

𝑓(𝑥) = 𝑥 3 + 𝑥 − 14 est définie partout sur R.
𝑓 ′ (𝑥) = 3𝑥 2 + 10 > 0, ∀ 𝑥 ∈ 𝑅
L’équation n’admet qu’une seule racine réelle.
𝑓(0) = −14 < 0

} ⟹ 𝑟 ∈ [0, −3]
𝑓(3) = 27 + 3 − 14 = 16 > 0

Prenons 𝜀 = 10−4 comme degré de précision imposée
1. 𝑎 = 0; 𝑏 = 3; 𝑝 = 1
𝑓(𝑎) = 𝑓(0) = −14 < 0
𝑓(𝑎 + 𝑝) = 𝑓(1) = 1 + 1 − 14 = −12 < 0
𝑓(𝑎 + 2𝑝) = 𝑓(2) = 2 + 2 − 14 = −4 < 0
} ⟹ 𝑟 ∈ [2,3]
𝑓(𝑎 + 3𝑝) = 𝑓(3) = 27 + 3 − 14 = 16 > 0
1
2. 𝑎 = 2; 𝑏 = 3; 𝑝 = 10 = 10−1 = 0,1
𝑓(𝑎 + 𝑝) = 𝑓(2,1) = 9,26100 + 2,1 − 14 = −2,6390 < 0

𝑓(𝑎 + 2𝑝) = 𝑓(2,2) = 10,64200 + 2,2 − 14 = −1,1520 < 0}
𝑓(𝑎 + 3𝑝) = 𝑓(2,3) = 12,16700 + 2,3 − 14 = 0,4670 > 0
⟹ 𝑟 ∈ [2,2; 2,3]
1
3. 𝑎 = 2,2; 𝑏 = 2,3; 𝑝 = 100 = 10−2 = 0,01
𝑓(𝑎) = 𝑓(2,2) = −1,1520 < 0

𝑓(𝑎 + 𝑝) = 𝑓(2,21) = −0,9961 < 0
𝑓(𝑎 + 2𝑝) = 𝑓(2,22) = −0,8389 < 0
𝑓(𝑎 + 3𝑝) = 𝑓(2,23) = −0,6804 < 0
𝑓(𝑎 + 4𝑝) = 𝑓(2,24) = −0,5205 < 0
𝑓(𝑎 + 5𝑝) = 𝑓(2,25) = −0,3593 < 0
𝑓(𝑎 + 6𝑝) = 𝑓(2,26) = −0,1960 < 0
𝑓(𝑎 + 7𝑝) = 𝑓(2,27) = −0,0329 < 0
} ⟹ 𝑟 ∈ [2,27; 2,28]
𝑓(𝑎 + 8𝑝) = 𝑓(2,28) = +0,1325 > 0
1
4. 𝑎 = 2,27; 𝑏 = 2,28; 𝑝 = 1000 = 10−3 = 0,001
𝑓(𝑎) = 𝑓(2,27) = −0,0329 < 0

𝑓(𝑎 + 𝑝) = 𝑓(2,271) = −0,0164 < 0
} ⟹ 𝑟 = 2,27200
𝑓(𝑎 + 2𝑝) = 𝑓(2,272) = +0,000027 ≈ 0,0000
On constate qu’il a fallu 16 itérations pour arriver à la racine.
𝑎𝑛 𝑏𝑛 𝑓(𝑎𝑛 ) 𝑓(𝑏𝑛 )
0,0000 3,0000 -14,0000 16,00000
2,0000 3,0000 -4,0000 16,00000
2,2000 2,3000 -1,1520 0,4670
2,2700 2,2800 -0,0329 0,1325
2,2710 2,2720 -0,0164 0,000027

3.3 Méthode de Bipartition (Procédé de dichotomie)

Soit à résoudre
𝑓(𝑥) = 0 (3.3.1)
où la fonction f(x) est continue sur le segment [𝑎, 𝑏] avec 𝑓(𝑎). 𝑓(𝑏) < 0
pour chercher la racine de l’équation (2.3.1) qui appartient au segment [𝑎, 𝑏], divisons ce
𝑎+𝑏 𝑎+𝑏
segment en deux parties égales. Si 𝑓 ( ) = 0, 𝑟 = est une racine de l’équation.
2 2
𝑎+𝑏 𝑎+𝑏
Si 𝑓 ( ) ≠ 0, comparons 𝑓 ( ) à 𝑓(𝑎) 𝑒𝑡 𝑓(𝑏) en termes de signes.
2 2
𝑎+𝑏 𝑎+𝑏
Prenons celle des moitiés[𝑎, ] ou [ , 𝑏] aux extrémités de laquelle la fonction f(x) a des
2 2
signes opposés. Le nouveau segment raccourci [𝑎1 , 𝑏1 ] est encore partitionné en deux, après
on reprend le raisonnement ci – dessous. On obtient ainsi une certaine étape soit une racine
exacte de l’équation (2.3.1) soit une suite infinie de segment emboités [𝑎1 , 𝑏1 ] ⊃ [𝑎2 , 𝑏2 ] ⊃
[𝑎3 , 𝑏3 ] ⊃ ⋯ ⊃ [𝑎𝑛 , 𝑏𝑛 ] tels que
𝑓(𝑎). 𝑓(𝑏) < 0 (𝑛 = 1,2,3, … ) (3.3.2)
Et
1
𝑏𝑛 − 𝑎𝑛 = 2𝑛 (𝑏 − 𝑎) (𝑛 = 1,2,3, … ) (3.3.3)
Les extrémités gauches 𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 forment une suite non décroissante bornée et les
extrémités droites forment une suite non croissante bornée. L’égalité (2.3.3) donne lieu à une
limite commune.
1
En effet lim (𝑏𝑛 − 𝑎𝑛 ) = lim (𝑏 − 𝑎) = 0 ⟹ lim 𝑏𝑛 = lim 𝑎𝑛 = 𝑟
𝑛→∞ 𝑛→∞ 2𝑛 𝑛→∞ 𝑛→∞
En passant également à la limite dans l’inégalité (3.3.2) on a du fait que f est continue
0 > lim [𝑓(𝑎𝑛 ). 𝑓(𝑏𝑛 )] = 𝑓 ( lim 𝑎𝑛 ) . 𝑓 ( lim 𝑏𝑛 )

𝑛→∞ 𝑛→∞ 𝑛→∞
= 𝑓(𝑟). 𝑓(𝑟) = [𝑓(𝑟)]2
Cela entraine donc que [𝑓(𝑟)]2 ≤ 0
Il s’en suit que [𝑓(𝑟)]2 = 0 ou 𝑓(𝑟) = 0, c’est-à-dire que 𝑟 est une racine de l’équation (3.3.1).
Remarques.

▪ On peut utiliser le procédé pour séparer les racines

▪ La méthode de bipartition ou procédé de dichotomie est commode pour obtenir
une estimation grossière d’une racine de l’équation donnée.
▪ La méthode de bipartition se réalise sans peine sur les ordinateurs. Le
programme de calcul est composé de façon que la machine fournisse la valeur
du premier membre de l’équation (3.3.1) au milieu de chacun des segments.
Critère d’arrêt
Le nombre d’itération dépend de la précision 𝜀 voulue ainsi que l’intervalle initial [𝑎, 𝑏] soit :
log(𝑏 − 𝑎) − log(2𝜀)
𝑁≥
log(2)
Exemple.
Améliorer, par la méthode de bipartition, la racine de l’équation
𝑓(𝑥) ≡ 𝑥 4 + 2𝑥 3 − 𝑥 − 1 = 0 comprise dans le segment [0,1] 𝑎 = 0, 𝑏 = 1
Solution
𝑓(0) = −1
} ⟹ ∃ 𝑟 ∈ [0,1]
𝑓(1) = 1 + 2 − 1 − 1 = 1 > 0
𝑛 𝑎𝑛 𝑏𝑛 𝑎𝑛 + 𝑏𝑛 𝑓(𝑎𝑛 ) 𝑓(𝑏𝑛 ) 𝑎𝑛 + 𝑏𝑛
𝑓( )
2 2
0 0 1 0,5 -1 1 -1,1875
1 0,5 1 0,75 -1,1875 1 -0,5898
2 0,75 1 0,875 -0,5898 1 -0,0510
3 0,75 0,875 0,8125 -05898 0,0510 -0,3039
4 0,8125 0,875 0,8437 -03039 0,0510 -0,1353
5 0,8438 0,875 0,8594 -0,1353 0,0510 -0,0445
𝑓(0,875) = 0,0510
} ⟹ 0,8594 < 𝑟 < 0,875
𝑓(0,8594) = −0,0445
0,8594+0,875
On peut poser : 𝑟 = = 0,8672 comme vérification
2
𝑓(0,8672) = 0,0027 ≈ 0,003

3.4 Méthode de Newton (Sir Isaac Newton)

Soit à résoudre l’équation
𝑓(𝑥) = 0 (3.4.1)
séparée sur le segment [𝑎, 𝑏] où 𝑓 est continue et 𝑓(𝑎). 𝑓(𝑏) < 0.
De plus 𝑓′(𝑥) et 𝑓′′(𝑥) sont continues et gardent des signes constants pour 𝑎 ≤ 𝑥 ≤ 𝑏.
Après le calcul d’une nième valeur approchée 𝑥𝑛 de la racine (𝑥𝑛 = 𝑟), nous pouvons
améliorer la précision de la valeur approchée de la manière suivante en recourant à la
Méthode de Newton.
Posons
𝑟 = 𝑥𝑛 + ℎ𝑛 (3.4.2)
(où ℎ𝑛 est une petite grandeur)
D’où en appliquant la formule de Taylor
𝑓(𝑥𝑛 )
0 = 𝑓(𝑟) = 𝑓(𝑥𝑛 + ℎ𝑛 ) ≈ 𝑓(𝑥𝑛 ) + ℎ𝑓 ′(𝑥𝑛) ⟹ ℎ𝑛 =
𝑓′(𝑥𝑛 )
𝑓(𝑥 )
Portons ℎ𝑛 = 𝑓′(𝑥𝑛 ) dans (2.4.2) nous trouvons l’approximation successive 𝑥𝑛+1 qui est :
𝑛
𝑓(𝑥 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑓′(𝑥𝑛 ) (n=0,1,2,3…..) (3.4.3)
𝑛
qui est la formule de Newton.
Géométriquement, la méthode de Newton est équivalente au remplacement d’un petit arc

de courbe 𝑦 = 𝑓(𝑥) par la tangente menée par un certain point de cette courbe. Pour fixer

les idées, posons que 𝑓′′(𝑥) > 0 pour 𝑎 ≤ 𝑥 ≤ 𝑏 et que 𝑓(𝑏) > 0. Choisissons par exemple
𝑥0 = 𝑏. Menons par le point 𝐵0 [𝑥0 , 𝑓(𝑥0 )] la tangente à la courbe 𝑦 = 𝑓(𝑥).
𝑦−𝑓(𝑥0 )
Equation de la tangente : = 𝑓′(𝑥0 )
𝑥−𝑥0
0−𝑓(𝑥0 )
Le point 𝑀1 (𝑥1 , 0) de la tangente vérifie cette équation i.e. : = 𝑓′(𝑥0 )
𝑥1 −𝑥0
𝑓(𝑥 )
où 𝑥1 = 𝑥0 − 𝑓′(𝑥0 )
0
l’abscisse du point d’intersection de cette tangente avec l’axe OX est la première

approximation de 𝑥1 de la racine 𝑟. Menons encore une fois par le point 𝐵1 [𝑥1 , 𝑓(𝑥1 )] la
tangente à la courbe, tangente dont l’abscisse du point d’intersection avec l’axe OX donnera
la deuxième approximation 𝑥2 de la racine et ainsi de suite.
L’équation de la tangente à la courbe en 𝐵𝑛 [𝑥𝑛 , 𝑓(𝑥𝑛 )] (n=0,1,2,3,…)

s’écrit 𝑦 − 𝑓(𝑥𝑛 ) = 𝑓′(𝑥𝑛 )(𝑥 − 𝑥𝑛 )
en posant 𝑦 = 0, 𝑥 = 𝑥𝑛+1, on obtient la formule (3.4.3).
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − (n=0,1,2,3…..) (3.4.3)
𝑓′(𝑥𝑛 )
Critère d’arrêt
Le critère d’arrêt soit |𝑥𝑖+1 − 𝑥𝑖 | < 𝜀
3.5 Méthode des Approximations Successives (Méthode des

itérations ou Méthode itérative Générale)
Une des méthodes parmi les plus importantes de résolution numérique des équations est la
méthode des approximations successives dite également méthode des itérations.
Voici son principe :
Soit l’équation
𝑓(𝑥) = 0 (3.5.1)
où 𝑓(𝑥) est une fonction continue. Le problème consiste à déterminer ses racines réelles. Pour
ce faire, remplaçons l’équation (3.5.1) par une équation équivalente
𝑥 = 𝑔(𝑥) (3.5.2)
Sélectionnons par un moyen quelconque une valeur 𝑥0 grossièrement approchée de la racine et

portons – la dans le deuxième membre de l’égalité (3.5.2). on obtient alors un certain nombre

𝑥1 = 𝑔(𝑥0 ) (3.5.3)
Remplaçons maintenant dans le second membre de (3.5.3) 𝑥0 par 𝑥1. Nous obtenons un
nouveau nombre 𝑥2 = 𝑔(𝑥1 ). En reprenant cette procédure, on aboutit finalement à une suite
de nombre réels.
𝑥𝑛+1 = 𝑔(𝑥𝑛 ) où 𝑥𝑛 = 𝑔(𝑥𝑛−1 ) (n=0,1,2,3,….) (3.5.4)
Si cette suite (𝑥𝑛 )𝑛 est convergente c’est-à-dire, s’il existe une limite 𝜉 = lim 𝑥𝑛 , alors en
𝑥→∞
passant à la limite dans (3.5.4) et en supposant que la fonction 𝑔 est continue, on tombe sur
𝜉 = lim 𝑥𝑛 = lim (𝑥𝑛−1 ) = 𝑔 ( lim 𝑥𝑛−1 ) = 𝑔( 𝜉)

𝑥→∞ 𝑥→∞ 𝑥→∞
Autrement dit : 𝜉 = 𝑔( 𝜉) (3.5.5)
Note : [𝜉 = 𝑔( 𝜉) ⟺ 𝑔( 𝜉) − 𝜉 = 0 ⟺ 𝑓(𝜉) = 0]
Ainsi, la limite 𝜉 est une racine de l’équation (3.5.2) qui se calcule d’après la formule (3.5.4)
avec la précision voulue.
Géométriquement cette méthode s’explique de la façon suivante : on construit dans le plan xOy
les courbes représentatives des fonctions 𝑦 = 𝑥 et 𝑦 = 𝑔(𝑥). Toute racine réelle 𝜉 de
l’équation (3.5.2) est l’abscisse d’un point d’intersection M de ces deux courbes (Ligne
polygonale en spirale).
Figure 3 - Ligne polygonale en spirale
𝐵0 (𝑥1 , 𝑔(𝑥0 ))𝐴1 (𝑥1 , 𝑔(𝑥1 )), 𝑥1 = 𝑔(𝑥0 )
𝐵2 (𝑥2 , 𝑔(𝑥1 ))𝐴2 (𝑥2 , 𝑔(𝑥2 )), 𝑥2 = 𝑔(𝑥1 )

𝐴2 (𝑥2 , 𝑔(𝑥2 ))𝐵2 (𝑥3 , 𝑔(𝑥2 )), 𝑥3 = 𝑔(𝑥2 )
𝐵4 (𝑥4 , 𝑔(𝑥3 ))𝐴4 (𝑥4 , 𝑔(𝑥4 )), 𝑥4 = 𝑔(𝑥3 )
Figure 4 - Ligne polygonale échelonnée
En partant d’un certain point 𝐴0 (𝑥0 ,g(𝑥0 )), on construit la ligne polygonale
𝐴0 𝐵1 𝐴1 𝐵2 𝐴2 𝐵3 𝐴3 𝐵4…………… «échelonnée» dont les éléments sont parallèles
alternativement à l’axe OX et à l’axe OY. Les sommets 𝐴0 , 𝐴1 , … . . , 𝐴𝑛−1 , 𝐴𝑛 ,… reposent sur
la courbe 𝑦 = g(𝑥) et les sommets 𝐵1 , 𝐵2 , 𝐵3 , …. Se trouvant sur la droite 𝑦 = 𝑥.
Les abscisses communes des points 𝐴1 et 𝐵1, 𝐴2 et 𝐵2, 𝐴3 et 𝐵3,….constituent respectivement

les approximations successives 𝑥1 , 𝑥2 , 𝑥3 , … de la racine 𝑟.
La ligne polygonale 𝐴0 𝐵1 𝐴1 𝐵2 𝐴2 𝐵3 𝐴3 𝐵4 , … .. peut avoir soit une forme «en spirale» ou une
forme «échelonnée». Il est clair que la solution s’obtient sous forme d’une ligne «échelonnée»
si la dérivée g′(𝑥) est positive, et «en spirale» si g′(𝑥) est négative.

Sur la figure 2, la pente de la courbe 𝑦 = g(𝑥) est faible dans le voisinage de la racine, c’est-
à-dire |g′(𝑥)| < 1 et le processus itératif converge.
Toutefois, si l’on considère le cas où |g′(𝑥)| > 1, le processus itératif être divergent. Pour
rendre possible l’application des approximations successives il faut donc définir les
conditions suffisantes de convergence du processus itératif.
Théorème 3.5.1
Soit la fonction g :[a, b]→R définie et dérivable sur le segment [a, b] telle que toutes ses
valeurs g(𝑥) ∈ [𝑎, 𝑏]. S’il existe alors un nombre q tel |g′(𝑥)| ≤ 𝑞 ≤ 1 pour 𝑎 < 𝑥 < 𝑏
(3.5.6)
1. Le processus itératif
𝑥𝑛 = g(𝑥𝑛−1 ) (3.5.7)
Converge indépendamment de la valeur initiale 𝑥0 ∈ [𝑎, 𝑏] ;
2. La valeur limite
𝑟 = lim 𝑥𝑛 est l’unique racine de l’équation
𝑛→∞
𝑥 = g(𝑥) (3.5.8)
sur le segment [𝑎, 𝑏]
Démonstration
Considérons deux approximations successives 𝑥𝑛 = g(𝑥𝑛−1 ) et 𝑥𝑛+1 = g(𝑥𝑛 )
En vertu du théorème, 𝑥𝑛 = g(𝑥𝑛−1 ) ∈ [𝑎, 𝑏] et 𝑥𝑛+1 = g(𝑥𝑛 ) ∈ [𝑎, 𝑏].
On tire :𝑥𝑛+1 − 𝑥𝑛 = g(𝑥𝑛 ) − g(𝑥𝑛−1 )
= (𝑥𝑛 − 𝑥𝑛−1 )g′(𝑥

̅̅̅)
𝑛 (Théorème de Lagrange)
où 𝑥̅𝑛 ∈ (𝑥𝑛−1 , 𝑥𝑛 )
Par conséquent, la condition (2.5.6) amène à :
|𝑥𝑛+1 − 𝑥𝑛 | = |𝑥𝑛 − 𝑥𝑛−1 ||𝑔′(𝑥 𝑛 ≤ 𝑞|𝑥𝑛 − 𝑥𝑛−1 | c’est – à – dire

̅̅̅)|
|𝑥𝑛+1 − 𝑥𝑛 | ≤ 𝑞|𝑥𝑛 − 𝑥𝑛−1 | (3.5.9)
Par la suite, en donnant à n les valeurs 1,2,3,…. On déduit successivement :

pour n = 1 |𝑥2 − 𝑥1 | ≤ 𝑞|𝑥1 − 𝑥0 |
pour n = 2 |𝑥3 − 𝑥2 | ≤ 𝑞|𝑥2 − 𝑥1 | ≤ 𝑞(𝑞|𝑥1 − 𝑥0 |) = 𝑞 2 |𝑥1 − 𝑥0 |
pour n = 3 |𝑥4 − 𝑥3 | ≤ 𝑞|𝑥3 − 𝑥2 | = 𝑞 3 |𝑥1 − 𝑥0 |
…………………………………………………………..
|𝑥𝑛+1 − 𝑥𝑛 | ≤ 𝑞 𝑛 (𝑥1 − 𝑥0 ) (n =1,2,3,….) (3.5.10)
Considérons la série
𝑥0 + (𝑥1 − 𝑥0 ) + (𝑥2 − 𝑥1 ) + (𝑥3 − 𝑥2 ) + ⋯ + (𝑥𝑛 − 𝑥𝑛−1 ) + ⋯ (3.5.11)
telle que nos approximations successives 𝑥𝑛 soient les (n+1)-ièmes sommes partielles c’est-
à-dire,
𝑥𝑛 = 𝑆𝑛+1 𝑢0 = 𝑥0 𝑢1 = 𝑥1 − 𝑥0 , 𝑢2 = 𝑥2 − 𝑥1 , 𝑢3 = 𝑥3 − 𝑥2 , … , 𝑢𝑛 = 𝑥𝑛 − 𝑥𝑛−1
𝑆𝑛+1 = 𝑢0 + 𝑢1 + 𝑢2 + ⋯ + 𝑢𝑛 = 𝑥𝑛
𝑆𝑛+1 = |𝑥𝑛 | ≤ |𝑥0 | + |𝑥1 − 𝑥0 | + |𝑥2 − 𝑥1 | + ⋯ + |𝑥𝑛 − 𝑥𝑛−1 |
≤ |𝑥0 | + |𝑥1 − 𝑥0 | + 𝑞|𝑥1 − 𝑥0 | + 𝑞 2 |𝑥1 − 𝑥0 | + ⋯ + 𝑞 𝑛−1
1−𝑞 𝑛
≤ |𝑥0 | + (1 + 𝑞 + 𝑞 2 + 𝑞 3 + ⋯ + 𝑞 𝑛−1 )|𝑥1 − 𝑥0 | = |𝑥0 | + |𝑥1 − 𝑥0 |
1−𝑞
1−𝑞 𝑛
d’où |𝑥𝑛 | ≤ |𝑥0 | + |𝑥1 − 𝑥0 | avec 0 < 𝑞 < 1
1−𝑞
1−𝑞 𝑛
lim |𝑥𝑛 | ≤ |𝑥0 | + |𝑥1 − 𝑥0 |
𝑛→∞ 1−𝑞
D’où la série (2.5.11) converge et en plus elle converge d’une façon absolue. Par conséquent :
lim 𝑆𝑛+1 = lim 𝑥𝑛 = 𝑟 et en outre 𝑟 ∈ [𝑎, 𝑏]

𝑛→∞ 𝑛→∞
Critère d’arrêt
Le critère d’arrêt soit |𝑥1 − 𝑥0 | < 𝜀
3.6 Résolution des systèmes d’équations non linéaires

3.6.1 Introduction
Un problème qui apparait fréquemment dans le calcul numérique est la détermination
simultanée de quelques ou toutes les racines d’un ensemble d’équations non linéaires. Tel
problème est généralement plus compliqué que dans le cas d’une seule équation.

Exemple 3.6.1
𝑥2 + 𝑦2 = 4
Soit le système de deux équations suivant : {
𝑒𝑥 + 𝑦 = 1
Dont la représentation graphique est donnée par la figure ci – dessous :
Pour ce système il est clair qu’il accepte deux solutions distinctes alors que pour d’autre
système une étude plus détaillé sera nécessaire pour déterminer le nombre de solutions. Un
système général de n équations à n inconnus x1, . . . , xn peut se mettre sous la forme
𝑓𝑖(𝑥1,𝑥2,..,𝑥𝑛)=0, i=1,..,n Avec f1,…,fn, sont des fonctions à n variables, ou sous la forme
vectorielles 𝐹(𝑋)=0 Le point de départ pour ce type de problème est la généralisation des
méthodes de résolution d’une équation non-linéaire (n=1) au système d’équations (n>1), mais
par exemple il est difficile ou impossible de généraliser toutes les techniques (méthode de
bissection et sécante), la méthode de Newton, par contre, admet bien la généralisation.
3.6.2. Méthode de résolution

3.6.2.1 Point fixe (à plusieurs variables)
Nous pouvons adapter la méthode de point fixe utilisé pour la résolution d’une équation non
linéaire à un système d’équations non linéaire :
𝐹(𝑋) = 0
𝑓1 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 ) = 0
−−−−−−−−−−−
{𝑓𝑛 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 ) = 0
Par extraction d’une seule variable d’une des équations de façon à obtenir les schémas suivants :

𝑋 = 𝐹(𝑋)
𝑥1 = 𝐺1 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 )
𝑥2 = 𝐺2 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 )
−−−−−−−−−−−
{𝑥𝑛 = 𝐺𝑛 (𝑥1 , 𝑥2 , 𝑥3, … … 𝑥𝑛 )
Il faut noter qu’il n’est pas obligatoire d’extraire la première variable de la première équation
mais nous avons une multitude de combinaisons possibles. Le choix du schéma obtenu est régi
par la condition de convergence. Ensuite on passe au schéma de récurrence suivant :
𝑋 𝑘+1 = 𝐺(𝑋 𝑘 )
𝑥1𝑘+1 = 𝐺1 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
𝑥2𝑘+1 = 𝐺2 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
−−−−−−−−−−−
{𝑥𝑛𝑘+1 = 𝐺𝑛 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
Avec :
𝑥10
𝑋 0 ( … ) connu ou donné
𝑥𝑛0
Pour améliorer la convergence, on remarque qu’il est possible d’obtenir une autre configuration
basé sur l’utilisation des nouvelles valeurs de xi lorsqu’on calcule xj dans le cas ou j>i c’est-à-
dire :
𝑋 𝑘+1 = 𝐺(𝑋 𝑘 , 𝑋 𝑘+1 )

𝑥1𝑘+1 = 𝐺1 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
𝑥2𝑘+1 = 𝐺2 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
𝑥3𝑘+1 = 𝐺3 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
…………………………
{𝑥𝑛 = 𝐺𝑛 (𝑥1𝑘 , 𝑥2𝑘 , … , 𝑥𝑛𝑘 )
𝑘+1
Exemple 3.6.2.1
Utilisez la méthode d’itération pour trouver la solution du système d’équations non linéaire
suivant :
𝑥12 + 𝑥1 𝑥2 = 10
{
𝑥2 + 3𝑥1 𝑥22 = 57
Voici un réarrangement possible :

10 − 𝑥12
𝑥1 𝑥2
( )=( )
𝑥2 57 − 3𝑥1 𝑥22
L’utilisation d’une estimation initiale de 𝑥1 = 1,5 et 𝑥2 = 3,5 donne les résultats suivants :
10 − (1,5)2
𝑥1 = = 2,21429
3,5
10 − (1,5)2
𝑥1 = 2,21429
( )=( 3,5 )
𝑥2 57 − 3(2,21429)(3,5)2 = −24,37516
Pour l’itération suivante :
10 − (2,21429)2
𝑥1 = −0,20910
( ) = ( −24,37516 )
𝑥2 57 − 3(−0,20910)(−24,37516)2 = 429,709
La poursuite de la procédure montre qu’elle diverge. Un réarrangement différent pour les

équations à la forme:
𝑥1 √10 − 𝑥1 𝑥2
( ) = ( 57 − 𝑥 )
𝑥2 √ 2
3𝑥1
En utilisant les mêmes suppositions initiales, la première itération produit :
𝑥1 √10 − 1,5 × 3,5 = 2,1794

( )=( 57 − 3,5 )
𝑥2 √ = 2,86051
3(2,1794)
La suite des calculs montre que 𝑥1 converge vers 2 et 𝑥2 converge vers 3.
3.6.3 Généralisation de la méthode de Newton – Raphson

La méthode de Newton peut s’appliquer à la résolution d’un système de plusieurs équations
linéaires :
𝑓(𝑥, 𝑦) = 0
{
𝑔(𝑥, 𝑦) = 0
A partir d’un couple de valeurs approchées (𝑥0 , 𝑦0 ) d’une solution du système, on peut
déterminer deux accroissements ℎ et 𝑘 à donner à 𝑥0 et 𝑦0 de manière que :
𝑓(𝑥0 + ℎ, 𝑦0 + 𝑘) = 0
{
𝑔(𝑥0 + ℎ, 𝑦0 + 𝑘) = 0
En développant au 1er ordre, il vient :
𝑓(𝑥0 , 𝑦0 ) = 𝑓(𝑥0 + ℎ, 𝑦0 + ℎ) = 𝑓(𝑥0 , 𝑦0 ) + ℎ𝑓𝑥 (𝑥0 , 𝑦0 ) + 𝑘𝑓𝑦 (𝑥0 , 𝑦0 ) = 0
{
𝑔(𝑥0 , 𝑦0 ) = 𝑔(𝑥0 + ℎ, 𝑦0 + ℎ) = 𝑔(𝑥0 , 𝑦0 ) + ℎ𝑔𝑥 (𝑥0 , 𝑦0 ) + 𝑘𝑔𝑦 (𝑥0 , 𝑦0 ) = 0

où l’on a posé :
𝜕𝑓(𝑥0 ,𝑦0 ) 𝜕𝑔(𝑥0 ,𝑦0 )
𝑓′(𝑥0 ) = 𝑔′(𝑥0 ) =
𝜕𝑥 𝜕𝑥
{ 𝜕𝑓(𝑥 ,𝑦 ) et { 𝜕𝑔(𝑥 ,𝑦 )
𝑓′(𝑦0 ) = 𝜕𝑦0 0 𝑔′(𝑦0 ) = 𝜕𝑦0 0
Les quantités h et k s’obtiennent donc en résolvant le système linéaire suivant :

ℎ𝑓𝑥 (𝑥0 , 𝑦0 ) + 𝑘𝑓𝑦 (𝑥0 , 𝑦0 ) = −𝑓(𝑥0 , 𝑦0 ) ℎ = 𝑥1 − 𝑥0
{ où {
ℎ𝑔𝑥 (𝑥0 , 𝑦0 ) + 𝑘𝑔𝑦 (𝑥0 , 𝑦0 ) = −𝑔(𝑥0 , 𝑦0 ) 𝑘 = 𝑥1 − 𝑥0
On génère une suite (𝑥𝑖 , 𝑦𝑖 ) obtenue à partir du système :

ℎ𝑓𝑥 (𝑥𝑖 , 𝑦𝑖 ) + 𝑘𝑓𝑦 (𝑥𝑖 , 𝑦𝑖 ) = −𝑓(𝑥𝑖 , 𝑦𝑖 ) ℎ = 𝑥𝑖+1 − 𝑥𝑖
{ où {
ℎ𝑔𝑥 (𝑥𝑖 , 𝑦𝑖 ) + 𝑘𝑔𝑦 (𝑥𝑖 , 𝑦𝑖 ) = −𝑔(𝑥𝑖 , 𝑦𝑖 ) 𝑘 = 𝑥𝑖+1 − 𝑥𝑖
Le calcul est alors relancé jusqu’à ce que h et k deviennent inférieurs à une valeur ε que l’on
se donne (selon la précision voulue pour le calcul). Ainsi, l’algorithme correspondant est :
−𝑓(𝑥𝑖 , 𝑦𝑖 ) 𝑓𝑦 (𝑥𝑖 , 𝑦𝑖 )
𝑓(𝑥𝑖 , 𝑦𝑖 ) 𝑓𝑦 (𝑥𝑖 , 𝑦𝑖 )
| | | |
−𝑔(𝑥𝑖 , 𝑦𝑖 ) 𝑔𝑦 (𝑥𝑖 , 𝑦𝑖 )
𝑔(𝑥𝑖 , 𝑦𝑖 ) 𝑔𝑦 (𝑥𝑖 , 𝑦𝑖 )
𝑥𝑖+1 = 𝑥𝑖 + ℎ = 𝑥𝑖 + = 𝑥𝑖 −
∆ ∆
𝑓𝑥 (𝑥𝑖 , 𝑦𝑖 ) −𝑓(𝑥𝑖 , 𝑦𝑖 ) 𝑓𝑥 (𝑥𝑖 , 𝑦𝑖 ) 𝑓(𝑥𝑖 , 𝑦𝑖 )
| | | |
𝑔𝑥 (𝑥𝑖 , 𝑦𝑖 ) −𝑔(𝑥𝑖 , 𝑦𝑖 ) 𝑔𝑥 (𝑥𝑖 , 𝑦𝑖 ) 𝑔(𝑥𝑖 , 𝑦𝑖 )
{𝑦𝑖+1 = 𝑦𝑖 + ℎ = 𝑦𝑖 + ∆
= 𝑦𝑖 −
∆
𝑓𝑥 (𝑥𝑖 , 𝑦𝑖 ) 𝑓𝑦 (𝑥𝑖 , 𝑦𝑖 )
avec : ∆= | |
𝑔𝑥 (𝑥𝑖 , 𝑦𝑖 ) 𝑔𝑦 (𝑥𝑖 , 𝑦𝑖 )
Note : Cette méthode de peut être généralisée pour la résolution d’un système de n équations
non linéaires à n inconnues.
Exemple 3.6.2.2 Soit le système suivant dont les solutions sont représentées sur la figure ci -
dessous :
𝑥2 + 𝑦2 = 2
{ 2
𝑥 − 𝑦2 = 1

Chapitre Quatrième
Dérivation et intégration numérique

Les notions d’interpolation nous apprennent comment approcher une fonction 𝑓(𝑥) connue
aux points 𝑥0 , 𝑥1 , . . . , 𝑥𝑛 dans un intervalle [𝑎, 𝑏] tel que 𝑓(𝑥𝑖) = 𝑦𝑖 , 𝑖 = 0, 1, . . . , 𝑛 par un
polynôme d’interpolation 𝑃𝑛 (𝑥). Nous allons faire pratiquement le même procédé pour la
dérivation et l’intégration par exemple si nous connaissons les positions d’un mobile à des
instants répétés et nous voulons connaître sa vitesse, ou inversement en connaissant la vitesse
en des points et nous voulons connaître la distance parcourue en faisant l’intégration. Donc il
s’agit de construire une approximation numérique de la dérivée (première, seconde, ...) ou
l’intégrale de la fonction 𝑓.
4.1 Dérivation numérique

Il existe deux approches pour construire de telles approximations, l’une utilise le
développement en série de Taylor et l’autre utilise les formules d’interpolation.
4.1.1 Utilisation de la formule de Taylor (Brook Taylor)

Dérivée première
Considérons une fonction dérivable sur un intervalle. Pour connaitre une approximation de
𝑓′(𝑥), le procédé le plus simple consiste à
𝑓(𝑥 + ℎ) − 𝑓(𝑥)
𝑓 ′ (𝑥) ≃ (4.1)
ℎ
D’après la formule de Taylor on a
ℎ2
𝑓(𝑥 + ℎ) = 𝑓(𝑥) + ℎ𝑓 ′ (𝑥) + 𝑓′′(𝜉), 𝜉 ∈ ]𝑥, 𝑥 + ℎ[
2
d’où
𝑓(𝑥 + ℎ) − 𝑓(𝑥) ℎ ′′
𝑓 ′ (𝑥) = − 𝑓 (𝜉), 𝜉 ∈ ]𝑥, 𝑥 + ℎ[ (4.2)
ℎ 2
ainsi
𝑓(𝑥 + ℎ) − 𝑓(𝑥)
𝑓𝑑′ (𝑥) ≃ (4.3)
ℎ
est la formule de dérivée à droite d’ordre 1 avec une erreur est en 𝑜(ℎ).
Par la même manière on définit la dérivée à gauche d’ordre 1 comme suit :

𝑓(𝑥) − 𝑓(𝑥 − ℎ)
𝑓𝑔′ (𝑥) ≃ (4.4)
ℎ
D’autre part, on a aussi
′ (𝑥)
ℎ2 ′′ ℎ3 (3)
𝑓(𝑥 + ℎ) = 𝑓(𝑥) + ℎ𝑓 + 𝑓 (𝑥) + 𝑓 (𝜂1 ), 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[
2 3!
et
′ (𝑥)
ℎ2 ′′ ℎ3 (3)
𝑓(𝑥 − ℎ) = 𝑓(𝑥) − ℎ𝑓 + 𝑓 (𝑥) − 𝑓 (𝜂1 ), 𝜂1 ∈ ]𝑥 − ℎ, 𝑥[
2 3!
d’où
ℎ3 (3)
𝑓(𝑥 + ℎ) − 𝑓(𝑥 − ℎ) = 2ℎ𝑓 ′ (𝑥)
+ [𝑓 (𝜂1 ) + 𝑓 (3) (𝜂2 )], 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[, 𝜂2 ∈ ]𝑥 − ℎ, 𝑥[
3!
Ainsi
𝑓(𝑥 + ℎ) − 𝑓(𝑥 − ℎ) ℎ2 (3)

𝑓 ′ (𝑥) = − [𝑓 (𝜂1 ) + 𝑓 (3) (𝜂2 )], 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[, 𝜂2 ∈ ]𝑥 − ℎ, 𝑥[
2ℎ 2.3!
On sait qu’en vertu du théorème des valeurs intermédiaires, il existe
𝜉 ∈ ]𝑥 − ℎ, 𝑥 + ℎ[ tel que
𝑓 (3) (𝜂1 ) + 𝑓 (3) (𝜂2 )

= 𝑓 (3) (𝜉)
2
Il s’en suit
′ (𝑥)
𝑓(𝑥 + ℎ) − 𝑓(𝑥 − ℎ) ℎ2 (3)
𝑓 = − 𝑓 (𝜉), 𝜉 ∈ ]𝑥 − ℎ, 𝑥 + ℎ[ (4.5)
2ℎ 6
D’où la formule dérivée centrée d’ordre 2 est définie par :
𝑓(𝑥 + ℎ) − 𝑓(𝑥 − ℎ)
𝑓𝑐′ (𝑥) ≃ (4.6)
2ℎ
avec une erreur en 𝑜(ℎ2 ).
Dérivée seconde
On a
ℎ2 ′′ ℎ3 ℎ4
𝑓(𝑥 + ℎ) = 𝑓(𝑥) + ℎ𝑓 ′ (𝑥) + 𝑓 (𝑥) + 𝑓 (3) (𝑥) + 𝑓 (4) (𝜂1 ), 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[
2 6 4!
et

′ (𝑥)
ℎ2 ′′ ℎ3 (3) ℎ4 (4)
𝑓(𝑥 − ℎ) = 𝑓(𝑥) − ℎ𝑓 + 𝑓 (𝑥) − 𝑓 (𝑥) + 𝑓 (𝜂2 ), 𝜂2 ∈ ]𝑥 − ℎ, 𝑥[
2 6 4!
Donc
ℎ4 (4)
𝑓(𝑥 + ℎ) + 𝑓(𝑥 − ℎ) = 2ℎ𝑓(𝑥) + ℎ 𝑓 2 ′′ (𝑥)
+ [𝑓 (𝜂1 ) + 𝑓 (4) (𝜂2 )],
4!
pour 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[, 𝜂2 ∈ ]𝑥 − ℎ, 𝑥[. Ainsi
𝑓(𝑥 + ℎ) + 𝑓(𝑥 − ℎ) − 2𝑓(𝑥) ℎ2 (4) (4)
𝑓 ′′ (𝑥) = − 𝑓 [𝑓 (𝜂1 ) + 𝑓 (4) (𝜂2 )],
ℎ2 2.3!
avec 𝜂1 ∈ ]𝑥, 𝑥 + ℎ[, 𝜂2 ∈ ]𝑥 − ℎ, 𝑥[. Il s’en suit
𝑓(𝑥 + ℎ) − 2𝑓(𝑥) + 𝑓(𝑥 − ℎ) ℎ2 (4)
𝑓 ′′ (𝑥) = − 𝑓 (𝜉), 𝜉 ∈ ]𝑥 − ℎ, 𝑥 + ℎ[ (4.7)
ℎ2 2.3!
C’est une formule centrée d’ordre 2.
On peut établir la formule centrée d’ordre 4
−𝑓(𝑥 + 2ℎ) + 16𝑓(𝑥 + ℎ) − 30𝑓(𝑥) + 16𝑓(𝑥 − ℎ) − 𝑓(𝑥 − 2ℎ) ℎ4 (6)
𝑓 ′′ (𝑥) = + 𝑓 (𝜉)
12ℎ2 90
avec 𝜉 ∈ ]𝑥 − ℎ, 𝑥 + ℎ[.
4.2 Erreur
4.2.1 Dérivée du premier ordre
Théorème 4.2.1 Soient 𝑓: ℝ → ℝ de classe 𝒞 2 , 𝑥0 ∈ ℝ et ℎ > 0. Alors
ℎ
𝐸𝑑 = |𝑓 ′ (𝑥0 ) − 𝑓𝑑′ (𝑥0 )| ≤ max |𝑓′′(𝑥)|
2 𝑥∈[𝑥0,𝑥0+1]
Preuve. Soient 𝑓: ℝ → ℝ de classe 𝒞 2 , 𝑥0 ∈ ℝ et ℎ > 0 ; en utilisant le développement de
Taylor :
ℎ2
𝑓(𝑥0 + ℎ) = 𝑓(𝑥0 ) + ℎ𝑓 ′ (𝑥0 ) + 𝑓 ′′(𝜉) , 𝜉 ∈ [𝑥0 , 𝑥0 + ℎ]
2
alors
𝑓(𝑥0 + ℎ) − 𝑓(𝑥0 ) ℎ ℎ
|𝑓 ′ (𝑥0 ) − | = | 𝑓′′(𝑥)| ≤ max |𝑓′′(𝑥)|
ℎ 2 2 𝑥∈[𝑥0 ,𝑥0+1]
Alors, on obtient que :
ℎ
|𝑓 ′ (𝑥0 ) − 𝑓𝑑′ (𝑥0 )| ≤ max |𝑓′′(𝑥)|
2 𝑥∈[𝑥0 ,𝑥0+1]
Théorème 4.2.2 Soient : ℝ → ℝ de classe 𝒞 2 , 𝑥0 ∈ ℝ et ℎ > 0 . Alors
ℎ
𝐸𝑔 = |𝑓 ′ (𝑥0 ) − 𝑓𝑑′ (𝑥0 )| ≤ max |𝑓′′(𝑥)|
2 𝑥∈[𝑥0,𝑥0+1]
En appliquant la formule de Taylor d’ordre 3, on aura le théorème suivant :

ℎ
𝐸𝑐 = |𝑓 ′ (𝑥0 ) − 𝑓𝑐′ (𝑥0 )| ≤ max |𝑓 (3) (𝑥)|
24 𝑥∈[𝑥0 −1,𝑥0+1]
2 2
Preuve. 𝑓: ℝ → ℝ de classe 𝒞 2 , 𝑥0 ∈ ℝ et ℎ > 0 ; d’après le développement de Taylor on a

ℎ ℎ ′ ℎ2 ℎ3 (3) ℎ
(𝑥
𝑓 0+ ) ) (𝑥
= 𝑓(𝑥0 + 𝑓 0 + ) )
𝑓′′(𝑥0 + 𝑓 (𝜉), 𝜉 ∈ [𝑥0 , 𝑥0 + ]
2 2 4.2 8.6 2
et
ℎ ℎ ′ ℎ2 ′′(𝑥 ) ℎ3 (3) ℎ
𝑓 (𝑥0 − ) = 𝑓(𝑥0 ) − 𝑓 (𝑥0 ) + 𝑓 0 − 𝑓 (𝜂), 𝜂 ∈ [𝑥0 − , 𝑥0 ]
2 2 4.2 8.6 2
Et on a aussi comme résultat le théorème suivant :
Théorème 4.2.4 Soient : ℝ → ℝ de classe 𝒞 3 , 𝑥0 ∈ ℝ et 0 < ℎ ≤ 1 . Alors
1 1
𝑓 (𝑥0 + 2) − 𝑓 (𝑥0 − 2)
𝐸𝑐 = |𝑓 ′ (𝑥0 ) − | ≤ 𝒞ℎ2
ℎ
1
Donc d’après ce théorème il suffit de prendre 𝒞 = 24 max
1 1
|𝑓 (3) (𝑥)|
𝑥∈[𝑥0 − ,𝑥0 + ]
2 2
D’où le résultat.
4.2.2 Dérivée du second ordre
En utilisant le même principe comme pour la première dérivée, il suffit dans ce cas de passer à
l’ordre 4 dans la formule de Taylor, on aura

ℎ2
𝐸𝑐 = |𝑓′′ (𝑥0 ) − 𝑓′′𝑐 (𝑥0 )| ≤ max |𝑓 (4) (𝑥)|
24 𝑥∈[𝑥0 −1,𝑥0+1]
Preuve. Soient 𝑓: ℝ → ℝ de classe 𝒞 4 , 𝑥0 ∈ ℝ et ℎ > 0, on a
ℎ ℎ
𝑓′ (𝑥0 + 2) − 𝑓′ (𝑥0 − 2)
′′(𝑥0 )
𝑓 = lim
ℎ→0 ℎ
et
ℎ ℎ ℎ ℎ
ℎ 𝑓 (𝑥0 + 2 + 2) − 𝑓 (𝑥0 + 2 + 2)
𝑓′ (𝑥0 + ) ≃
2 ℎ
ℎ ℎ ℎ ℎ
ℎ 𝑓 (𝑥0 − 2 + 2) − 𝑓 (𝑥0 − 2 − 2)
𝑓′ (𝑥0 − ) ≃
2 ℎ
D’où
𝑓(𝑥0 + ℎ) − 2𝑓(𝑥0 ) + 𝑓(𝑥0 − ℎ)
𝑓′′(𝑥0 ) ≃
ℎ2

D’autre part, on a aussi ∀𝑓 ∈ 𝒞 4 𝑥0 ∈ ℝ ∃𝒞 > 0, ∀0 < ℎ ≤ 1:

𝑓(𝑥0 + ℎ) − 2𝑓(𝑥0 ) + 𝑓(𝑥0 − ℎ)
|𝑓′′(𝑥0 ) − | ≤ 𝒞ℎ2
ℎ2
1
D’où il suffit de prendre 𝒞 = 24 max
1 1
|𝑓 (4) (𝑥)|. Ainsi le résultat
𝑥∈[𝑥0 − ,𝑥0 + ]
2 2
4.3 Intégration numérique

Dans cette partie nous essayons de développer quelques méthodes numériques de calcul de
l’intégrale d’une fonction 𝑓 continue sur un intervalle [𝑎, 𝑏]. Le théorème fondamental du
𝑏
calcul intégral est basé sur que ∫𝑎 𝑓(𝑥) 𝑑𝑥 = 𝐹(𝑏) − 𝐹(𝑎) où 𝐹 est une primitive de 𝑓. Pour
appliquer ce résultat, nous disposons de divers outils théoriques dont les plus fondamentaux
sont le théorème de changement de variable et le théorème d’intégration par partie. Cependant,
il n’est possible de déterminer explicitement une primitive 𝐹 que pour une classe relativement
restreinte de fonctions 𝑓 et, lorsque cette détermination est à notre disposition, l’expression de
𝐹 est souvent si compliquée que l’évaluation de 𝐹(𝑏) − 𝐹(𝑎) nécessite l’emploi d’un
processus d’approximation. Dans ce cas, il est tout aussi naturel et généralement moins couteux
de chercher directement une approximation de l’intégrale.
pour approcher numériquement cette intégrale on décompose l’intervalle [𝑎, 𝑏] en 𝑎 = 𝑥0 <

𝑥1 < ⋯ < 𝑥𝑛 = 𝑏. On a alors
𝑏 𝑛−1
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ 𝑓(𝑥) 𝑑𝑥
𝑎 𝑖=0
Sur chaque [𝑥𝑖 , 𝑥𝑖 + 1], on applique une méthode d’intégration élémentaire en utilisant le
polynôme d’interpolation de Newton de 𝑓
𝑃𝑖 (𝑥) = 𝑓[𝑥𝑖 , 0] + 𝑓[𝑥𝑖 , 0, 𝑥𝑖,1 ](𝑥 − 𝑥𝑖 , 0) + ⋯ + 𝑓[𝑥𝑖 , 0, 𝑥𝑖,1 , … , 𝑥𝑖,𝑙 ](𝑥 − 𝑥𝑖,0 ) … (𝑥 − 𝑥𝑖,𝑙 )
en des points 𝑥𝑖,0 , … , 𝑥𝑖,𝑘 de l’intervalle [𝑎, 𝑏] (qui peuvent être ou non dans [𝑥𝑖 , 𝑥𝑖+1 ])
4.3.1 Méthodes des rectangles

On approche la fonction 𝑓 par la constante 𝑓(𝑥𝑖,0 ) où 𝑥𝑖,0 ∈ [𝑥𝑖 , 𝑥𝑖+1 ]. Alors on obtient
𝑏 𝑛−1 𝑥𝑖+1 𝑛−1
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ ∫ 𝑓(𝑥𝑖,0 ) 𝑑𝑥 = ∑ ℎ𝑖 𝑓(𝜉𝑖 ), 𝜉𝑖 ∈ [𝑥𝑖 , 𝑥𝑖+1 ], ℎ𝑖 = 𝑥𝑖+1 − 𝑥𝑖

𝑎 𝑖=0 𝑥𝑖 𝑖=0
Les choix courants pour 𝜉𝑖 sont :

▪ Si 𝜉𝑖 = 𝑥𝑖 alors

𝑏 𝑛−1
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ ℎ𝑖 𝑓(𝑥𝑖 ), (𝐹𝑜𝑟𝑚𝑢𝑙𝑒 𝑑𝑒 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑙𝑒 à 𝑔𝑎𝑢𝑐ℎ𝑒)

𝑎 𝑖=0
▪ Si 𝜉𝑖 = 𝑥𝑖+1 alors
𝑏 𝑛−1
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ ℎ𝑖 𝑓(𝑥𝑖+1 ), (𝐹𝑜𝑟𝑚𝑢𝑙𝑒 𝑑𝑒 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑙𝑒 à 𝑑𝑟𝑜𝑖𝑡𝑒)

𝑎 𝑖=0
𝑥𝑖+1 +𝑥𝑖
▪ Si 𝜉𝑖 = alors
2
𝑏 𝑛−1
𝑥𝑖+1 + 𝑥𝑖
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ ℎ𝑖 𝑓 ( ), (𝐹𝑜𝑟𝑚𝑢𝑙𝑒 𝑑𝑒 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑙𝑒 𝑎𝑢 𝑝𝑜𝑖𝑛𝑡 𝑚𝑖𝑙𝑖𝑒𝑢)
2
𝑎 𝑖=0
4.3.2 Méthodes des trapèzes

On prend 𝑙 = 1, sachant que 𝑙 représente le nombre de subdivision de l’intervalle [𝑥𝑖 , 𝑥𝑖+1 ],
alors on remplace 𝑓 par le polynome d’interpolation de Newton aux points 𝑥𝑖 , 𝑥𝑖+1 . On obtient
𝑏 𝑛−1 𝑥𝑖+1
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ ∫ (𝑓(𝑥𝑖,0 ) + 𝑓[𝑥𝑖 , 𝑥𝑖+1 ]) (𝑥 − 𝑥𝑖 ) 𝑑𝑥

𝑎 𝑖=0 𝑥𝑖
𝑛−1
1
= ∑ (𝑥𝑖+1 − 𝑥𝑖 )(𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 ))
2
𝑖=0
𝑛−1
ℎ𝑖+1 + ℎ𝑖 1
≃∑ 𝑓(𝑥𝑖 ) + (ℎ1 𝑓(𝑥0 ) + ℎ𝑛 𝑓(𝑥𝑛 ))
2 2
𝑖=0
En cas équidistant c’est-à-dire ℎ𝑖 = ℎ = 𝑥𝑖+1 − 𝑥𝑖 pour tout 𝑖 = 1, … , 𝑛 on a

𝑏 𝑛−1
ℎ
∫ 𝑓(𝑥) 𝑑𝑥 ≃ [𝑓(𝑥0 ) + 𝑓(𝑥𝑛 ) + 2 ∑ 𝑓(𝑥𝑖 )]
2
𝑎 𝑖=1
𝑛−1
ℎ
≃ [𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑥𝑖 )]
2
𝑖=1
Exemple 4.1 On calcule l’intégrale suivante

3
𝐼 = ∫ ln(𝑥) 𝑑𝑥
1
Donner une valeur approchée de l’intégrale 𝐼 en utilisant la méthode des trapèzes composite
1 3
avec 4 sous-intervalles. Cela revient à prendre ℎ = 2 et 𝑥0 = 𝑎 = 1 𝑥4 = 𝑏 = 3, 𝑥1 = 2 , 𝑥2 =
5
2 et 𝑥3 = 2
D’après la méthode des trapèzes, on a

ℎ 3 5
𝐼= [𝑓(1) + 𝑓(3) + 2(𝑓 ( ) + 𝑓(2) + 𝑓 ( )] ≃ 1,821
2 2 2

4.3.3 Méthode de Simpson (Thomas Simpson)

On prend cette fois 𝑙 = 2, telle que 𝑙 représente le nombre de subdivision de l’intervalle
𝑥 +𝑥
[𝑥𝑖 , 𝑥𝑖+1 ] donc on interpole la fonction 𝑓 aux points 𝑥𝑖 , 𝑥𝑖−1 = 𝑖+1 𝑖 , 𝑥𝑖+1 en utilisant le
2 2
polynôme de Newton. soit ℎ𝑖 = 𝑥𝑖+1 − 𝑥𝑖 , on trouve
𝑥𝑖+1 𝑥𝑖+1
∫ 𝑓(𝑥) 𝑑𝑥 ≃ ∫ [𝑓(𝑥𝑖 ) + 𝑓[𝑥𝑖 , 𝑥𝑖+1 ](𝑥 − 𝑥𝑖 ) + 𝑓 [𝑥𝑖 , 𝑥𝑖−1 , 𝑥𝑖+1 ] (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )] 𝑑𝑥
2
𝑥𝑖 𝑥𝑖
𝑥𝑖+1
1
= ℎ𝑖 𝑓(𝑥𝑖 ) + ℎ𝑖2 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] + 𝑓 [𝑥𝑖 , 𝑥𝑖−1 , 𝑥𝑖+1 ] ∫ (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 ) 𝑑𝑥
2 2
𝑥𝑖
On écrit 𝑥 − 𝑥𝑖+1 = 𝑥 − 𝑥𝑖 + 𝑥𝑖 − 𝑥𝑖+1 on aura

𝑥𝑖+1
ℎ𝑖3
∫ (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 ) 𝑑𝑥 = −
6
𝑥𝑖
et
ℎ𝑖2 [𝑓(𝑥𝑖 ) + 𝑓[𝑥𝑖 , 𝑥𝑖+1 ]] = ℎ𝑖 (𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ))
ℎ𝑖3 𝑓 [𝑥𝑖 , 𝑥𝑖−1 , 𝑥𝑖+1 ] = 2ℎ𝑖 (𝑓(𝑥𝑖+1 ) − 2𝑓 (𝑥𝑖−1 ) + 𝑓(𝑥𝑖 ))

2 2
D’où
𝑏 𝑛−1
ℎ𝑖
∫ 𝑓(𝑥) 𝑑𝑥 = ∑ [𝑓(𝑥𝑖 ) + 4𝑓 (𝑥𝑖−1 ) + 𝑓(𝑥𝑖+1 )]
6 2
𝑎 𝑖=0
Dans le cas équidistant cette formule composée devient

𝑛 𝑛
𝑏 −1 −1
2 2
ℎ
∫ 𝑓(𝑥) 𝑑𝑥 = [𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑥2𝑖 ) + 4 ∑ 𝑓(𝑥2𝑖+1 )]
3
𝑎 𝑖=1 𝑖=0
𝑏−𝑎
avec ℎ = 𝑛
Exemple 4.3.3.1 On veut calculer l’intégrale

6
𝐼 = ∫ 𝑥 3 𝑑𝑥
0
Pour 𝑛 = 2 on a ℎ = 3, d’où
ℎ
𝐼= (𝑓(0) + 𝑓(6) + 4𝑓(3)) = 324
3

3
Pour 𝑛 = 4 on a ℎ = 2, d’où
ℎ 3 9
𝐼= (𝑓(0) + 𝑓(6) + 2𝑓(3) + 4 (𝑓 ( ) + 𝑓 ( ))) = 324
3 2 2
D’autre part, la valeur exacte de cette intégrale est

6 6
3
𝑥4
𝐼 = ∫ 𝑥 𝑑𝑥 = | = 324
4 0
0
On remarque que la méthode de Simpson est exacte pour le polynôme de degré inférieur ou
égal à 3.
4.3.4 Erreur de quadrature
Thème 4.3.4.1 Soit 𝑓 une fonction de classe 𝒞 𝑛+1 ([𝑎, 𝑏]) telle que 𝑓 (𝑛+1) existe sur ]𝑎, 𝑏[.
𝑏
Si les valeurs de 𝑓 aux points 𝑥0 , 𝑥1 , … , 𝑥𝑛 sont connues, et ∫𝑎 𝑃𝑖 (𝑥) 𝑑𝑥 est l’approximation
𝑏
d’ordre 𝑛 de ∫𝑎 𝑓(𝑥) 𝑑𝑥 où 𝑃𝑖 (𝑥) est le polynôme d’interpolation de Newton de la fonction 𝑓
alors :
𝑏 𝑏 𝑏 𝑛
𝑀𝑛+1
|∫ 𝑓(𝑥) 𝑑𝑥 − ∫ 𝑃𝑖 (𝑥) 𝑑𝑥| ≤ ∫ |∏(𝑥 − 𝑥𝑖 )| 𝑑𝑥
(𝑛 + 1)!
𝑎 𝑎 𝑎 𝑖=0
où 𝑀𝑛+1 = max |𝑓 (𝑛+1) (𝑥)|

𝑥∈[𝑎,𝑏]
Appliquons ce théorème aux méthodes usuelles. On obtient.

Erreur de la méthode des rectangles
La méthode est d’ordre 0 et exacte seulement pour les constantes.
𝑏 𝑛−1
ℎ𝑖2
|∫ 𝑓(𝑥) 𝑑𝑥 − ∑ ℎ𝑖 𝑓(𝜉𝑖 )𝑑𝑥| ≤ 𝑀1
2
𝑎 𝑖=0
Dans le cas d’un pas constant, on obtient :

𝑏 𝑛−1
𝑀1
|∫ 𝑓(𝑥) 𝑑𝑥 − ∑ ℎ𝑖 𝑓(𝜉𝑖 )𝑑𝑥| ≤ (𝑏 − 𝑎)ℎ
2
𝑎 𝑖=0
Erreur de la méthode des trapèzes

Pour 𝑛 = 1 on trouve
𝑏 𝑏
𝑏−𝑎 𝑀2 𝑀2
|∫ 𝑓(𝑥) 𝑑𝑥 − (𝑓(𝑎) + 𝑓(𝑏))| ≤ |∫(𝑥 − 𝑎)(𝑥 − 𝑏)𝑑𝑥| = (𝑏 − 𝑎)3
2 2 12
𝑎 𝑎

Pour la formule composée de la méthode des trapèzes, on en déduit que l’erreur est majorée
par
𝑏 𝑛−1
𝑏 − 𝑎 𝑓(𝑎) + 𝑓(𝑏) 𝑀2
|∫ 𝑓(𝑥) 𝑑𝑥 − ( + ∑ 𝑓(𝑥𝑖 ))| ≤ (𝑏 − 𝑎)3
2 2 12𝑛2
𝑎 𝑖=1
𝑀2 2
𝐸(𝑓) ≤ ℎ (𝑏 − 𝑎)
12
Erreur de la méthode de Simpson
Cette fois 𝑛 = 2 alors on a
𝑏 𝑏−𝑎 𝑎+𝑏 𝑀4 𝑏 𝑎+𝑏 2
|∫𝑎 𝑓(𝑥) 𝑑𝑥 − (𝑓(𝑎) + 𝑓(𝑏) + 4𝑓 ( ))| ≤ |∫ (𝑥 − 𝑎)(𝑥 − 𝑏) (𝑥 − ) | 𝑑𝑥
6 2 24 𝑎 2
𝑀4 𝑏 − 𝑎 5
≤ ( )
90 2
La formule composée correspondante avec pas constant ℎ donnera une erreur majorée par :
𝑛 𝑛
𝑏 −1 −1
2 2
𝑏−𝑎 𝑀4
|∫ 𝑓(𝑥) 𝑑𝑥 − [𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑥2𝑖 ) + 4 ∑ 𝑓(𝑥2𝑖+1 )]| ≤ (𝑏 − 𝑎)5
6 2880𝑛4
𝑎 𝑖=1 𝑖=0
Par ailleurs, la méthode de Simpson (bien que reposant sur une interpolant à trois points) est
exacte pour tout polynôme de degré inférieur ou égal à 3.
Exemple 4.3.4.2 Calculons l’intégrale

1
2
∫ 𝑒 −𝑥 𝑑𝑥
0
2
Utilisons les méthodes élémentaires précédentes à l’aide des valeurs de 𝑓(𝑥) = 𝑒 −𝑥 aux points
1
𝑥0 = 0, 𝑥1 = 2 et 𝑥2 = 1. Alors on a
1
𝑓(1) = 𝑒, 𝑓 (2) = 0,7880 et 𝑓(1) = 0,36788
Méthode des rectangles

1
2
∫ 𝑒 −𝑥 𝑑𝑥 = 1
0
calculons l’erreur
2 2
𝑓 ′ (𝑥) = −2𝑥𝑒 −𝑥 , 𝑓 ′′ (𝑥) = 2(2𝑥 2 − 1)𝑒 −𝑥 ≤ 0 sur [0,1]
alors 𝑓′ est décroissante d’où 𝑀1 = |𝑓′(1)| = 0,735788 et

𝑀1 𝑀1
𝐸𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑙𝑒 (𝑓) ≤ (𝑏 − 𝑎)ℎ = = 0,367894
2 2
Méthode des trapèzes pour 𝑛 = 1
1
2 ℎ
∫ 𝑒 −𝑥 𝑑𝑥 = (𝑓(0) + 𝑓(1)) = 0,68394
2
0
Avec une erreur :

𝑀2 𝑀2
𝐸𝑡𝑟𝑎𝑝è𝑧𝑒 (𝑓) ≤ (𝑏 − 𝑎)3 = = 0,0613132
12 12
Méthode des trapèzes pour 𝑛 = 2
1
2 ℎ 1
∫ 𝑒 −𝑥 𝑑𝑥 = (𝑓(0) + 𝑓(1) + 4𝑓 ( )) = 0,74718
6 2
0
Avec une erreur

𝑀4 𝑀4
𝐸𝑆𝑖𝑚𝑝𝑠𝑜𝑛 (𝑓) ≤ (𝑏 − 𝑎)5 = = 0,000254764
2880 2880
La valeur exacte est 𝐼𝑒𝑥𝑎𝑐𝑡𝑒 = 0,74682. On remarque que 𝐸 = |𝐼𝑒𝑥𝑎𝑐𝑡𝑒 − 𝐼𝑠 | = 0,00036 ≃

4 × 10−4 , donc la méthode de Simpson donne une approximation à 4 × 10−4 avec seulement
trois valeurs de 𝑓 parce que les dérivées d’ordre supérieur ne varient pas trop sur l’intervalle
[0,1].
Chapitre Cinquième
Ajustement linéaire
5.1 Contexte statistique
5.1.1 Point de départ
On souhaite prévoir et/ou expliquer les valeurs d’une variable numérique 𝑌 à partir des
valeurs d’une variable numérique 𝑋. Pour ce faire, on dispose de données qui sont 𝑛
valeurs du couple de variables (𝑋, 𝑌) notées (𝑥1 , 𝑦1 ); (𝑥2 , 𝑦2 ); … ; (𝑥𝑛 , 𝑦𝑛 ). Elles se
présentent généralement sous la forme d’un tableau :
𝑥𝑖 𝑥1 𝑥2 … 𝑥𝑛
𝑦𝑖 𝑦1 𝑦2 … 𝑦𝑛
Ainsi, quand 𝑋 vaut 𝑥1 , on a mesuré la valeur 𝑦1 pour 𝑌, quand 𝑋 vaut 𝑥2 , on a mesuré la valeur
𝑦2 pour 𝑌…

5.1.2 Exemples
Exemple 1. Une étude a été menée auprès de 12 étudiants afin d’expliquer le score à un
examen de mathématiques à partir du temps consacré à la préparation de cet examen.
Pour chaque étudiant, on dispose :
▪ du temps de révision en heures (variable X)
▪ du score obtenu sur 800 points (variable Y)
Les résultats sont :
𝑥𝑖 4 9 10 14 4 7 12 1 3 8 11 5
𝑦𝑖 390 580 650 730 410 530 600 350 400 590 640 450
Ainsi, avec une préparation de 4 heures, le premier étudiant a obtenu le score de 390 à
l’éxamen, avec une préparation de 9 heures, le deuxième étudiant a obtenu le score de 580 …
Exemple 2. On étudie l’évolution du nombre d’inscriptions à un jeu en ligne au cours du

temps. Pour chaque mois de l’année 2016, on dispose :
▪ du rang du mois (variable X ; janvier est le rang 1, février est le rang 2…),
▪ du nombre d’inscriptions en milliers (variable Y)
𝑥𝑖 1 2 3 4 5 6 7 8 9 10 11 12
𝑦𝑖 37 43 41 40 51 47 48 54 56 64 66 73
Ainsi, au mois de Janvier 2016, il y a eu 37000 inscriptions au jeu, en Février 2016 il y a eu
43000 inscriptions au jeu…
5.1.3 Nuage des points

Les observations de ces points peuvent être représentées sur le repère orthonormé (𝑂, 𝐼, 𝐽) par
𝑛 points :
Points 𝑀1 𝑀2 … 𝑀𝑛
Coordonnées (𝑥1 ; 𝑦1 ) (𝑥2 ; 𝑦2 ) … (𝑥𝑛 ; 𝑦𝑛 )
L’ensemble de ces points est appelé nuage de points. La silhouette de ce nuage de points est
une indication précieuse sur la nature de la relation entre Y et X.
5.1.4 Ajustement affine du nuage des points
Si la silhouette du nuage de points est étirée dans une direction, une relation affine/linéaire
entre Y et X est envisageable : on suppose l’existence de deux réels inconnus 𝛼 et 𝛽 tels
que
𝑌 = 𝛼 + 𝛽𝑋

plus un terme d’erreur secondaire "de valeur moyenne nulle" et "indépendant de 𝑋 "
représentant une somme des petites variations aléatoires (erreurs de mesures, effets non
prévisibles…). Telle est la forme générique d’un modèle statistique connu : le modèle de
régression linéaire simple.
Pour toute valeur de 𝑥 de 𝑋, une valeur estimée 𝑦 de 𝑌 est donnée par :
𝑦 = 𝑎 + 𝑏𝑥
où 𝑎 désigne une valeur estimée de 𝛼 et 𝑏 désigne une valeur estimée de 𝛽, toutes les deux
calculées à l’aide des données.
Ainsi, à partir des valeurs 𝑥 de 𝑋, estimer avec précision les valeurs de 𝑌 correspondantes
revient à déterminer 𝑎 et 𝑏 de sorte que la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥 ajuste au mieux le
nuage de points.
Exemples
Retour sur l’exemple 1 (§5.1.2)
Une étude a été menée auprès de 12 étudiants afin d’expliquer le score à un examen de
mathématiques à partir du temps consacré à la préparation de cet examen. Pour chaque étudiant,
on dispose du temps de révision en heures (variable X) et du score obtenu sur 800 points
(variable Y).

𝑥𝑖 4 9 10 14 4 7 12 1 3 8 11 5
𝑦𝑖 390 580 650 730 410 530 600 350 400 590 640 450
Le nuage de points associé est

Par exemple, le deuxième point du nuage en partant de la gauche correspond à l’étudiant

numéro 9 : le point 𝑀9 correspondant est de coordonnées (3; 400).
La silhouette du nuage de points est étirée dans une direction, une relation affine entre 𝑌 et 𝑋
est envisageable. Ainsi, à partir des valeurs 𝑥 de 𝑋, estimer avec précision les valeurs de 𝑌
correspondantes revient à déterminer 𝑎 et 𝑏 de sorte que la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥 ajuste
au mieux le nuage de points.
Après plusieurs essais graphiques "à l’œil ", en utilisant la calculatrice (ou autre), on constate
que la droite suivante ajuste "pas trop mal" le nuage de points.
Ainsi, avec cette méthode "au jugé", on propose les coefficients 𝑎 = 300 et 𝑏 = 29,5, pour
une droite d’équation : 𝑦 = 𝑎 + 𝑏𝑥. Avec cette équation, on peut alors faire des prévisions. Par
exemple, une valeur estimée du score d’un étudiant ayant consacré 16 heures de préparation à
l’examen est :
𝑦 = 𝑎 + 𝑏𝑥 = 300 + 29,5 × 16 = 772
Commentaire : Ce score est en fait une valeur estimée de la moyenne de tous les scores des
étudiants ayant fait une préparation de 16 heures, valeur que l’on attribue à tous ces étudiants.
Aussi, avec cet ajustement, un étudiant peut espérer avoir la moyenne, donc un score de plus
de 400 sur 800, en ayant fait une préparation de plus de 𝑥 heures, avec 𝑥 vérifiant :
400 − 300
𝑦 ≥ 400 ⇔ 300 + 29,5 × 𝑥 ≥ 400 ⇔ 𝑥≥ = 3,389831
29,5

On étudie l’évolution du nombre d’inscriptions à un jeu en ligne au cours du temps. Pour
chaque mois de l’année 2016, on dispose du rang du mois (variable X ; janvier est le rang 1,
février est le rang 2…) et du nombre d’inscriptions en milliers (variable Y)

𝑥𝑖 1 2 3 4 5 6 7 8 9 10 11 12
𝑦𝑖 37 43 41 40 51 47 48 54 56 64 66 73
Le nuage de points associé est :
Par exemple, le quatrième point du nuage en partant de la gauche correspond au rang 4 Avril :
le point 𝑀4 correspondant est de coordonnées (4; 40).
La silhouette du nuage de points est étirée dans une direction, une relation affine entre 𝑌 et 𝑋
est envisageable. Ainsi, à partir des valeurs 𝑥 de 𝑋, estimer avec précision les valeurs de 𝑌
correspondantes revient à déterminer 𝑎 et 𝑏 de sorte que la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥 ajuste
au mieux le nuage de points.
De nouveau, après plusieurs essais graphiques "à l’œil", en utilisant la calculatrice (ou autre),
on constate que la droite suivante ajuste "pas trop mal" le nuage de points :

Ainsi, avec cette méthode "au jugé", on propose les coefficients 𝑎 = 35 et 𝑏 = 2,5, pour une
droite d’équation : 𝑦 = 𝑎 + 𝑏𝑥. Avec cette équation, on peut alors faire des prévisions. Par
exemple, au rang 13 correspondant au mois de janvier 2017, une valeur estimée du nombre
d’inscriptions au jeu en milliers est :
𝑦 = 𝑎 + 𝑏𝑥 = 35 + 2,5 × 13 = 67,5
Ainsi, en janvier 2017, on prévoit 67500 inscriptions.
Aussi, avec cet ajustement, on peut espérer que le nombre d’inscriptions au jeu dépasse 80000
au rang 𝑥, avec 𝑥 vérifiant :
80 − 35
𝑦 ≥ 80 ⇔ 35 + 2,5 × 𝑥 ≥ 80 ⇔ 𝑥≥ = 18
2,5
Cela correspond à juin 2017.
5.2 Méthode des moindres carrés ordinaires

5.2.1 Méthode des moindres carrés
La méthode de moindres carrés propose d’ajuster le nuage de points par une droite d’équation
𝑦 = 𝑎 + 𝑏𝑥, avec 𝑎 et 𝑏 qui rendent minimale la somme des carrés :
𝑛
2
∑(𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 ))
𝑖=1
Cette droite, que l’on suppose unique, est appelée droite de régression.
L’idée de cette méthode est de déterminer une droite qui minimise une mesure totale des écartes
entre les points du nuage et les points de mêmes abscisses se trouvant sur la droite. Ainsi, plus

cette mesure est petite, plus la droite est proche de tous les points du nuage, meilleur est
l’ajustement.
5.2.2 Illustration
Dans le graphique ci-dessous, chaque segment violet relie un point du nuage et le point de
même abscisse se trouvant sur la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥
Ainsi, pour tout 𝑖 ∈ {1, … , 𝑛}, le 𝑖 − è𝑚𝑒 segment relie le point 𝑀𝑖 de coordonnées (𝑥𝑖 ; 𝑦𝑖 ) et
le point 𝑃𝑖 de coordonnées (𝑥𝑖 ; 𝑎 + 𝑏𝑥𝑖 ). La longueur de ce segment correspondant à la
distance 𝑑𝑖 = |𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )|
On cherche donc à minimiser la somme des carrés de ces distances :

𝑛
∑ 𝑑𝑖2
𝑖=1
5.2.3 Notations
Dorénavant, on pose :
𝑛 𝑛
1 1
𝑥̅ = ∑ 𝑥𝑖 , 𝑦̅ = ∑ 𝑦𝑖
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛
1 1
𝜎𝑥,𝑦 = ∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) = ∑ 𝑥𝑖 𝑦𝑖 − 𝑥̅ × 𝑦̅
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
1 1 1 1
𝜎𝑥 = √ ∑(𝑥𝑖 − 𝑥̅ )2 = √ ∑ 𝑥𝑖2 − 𝑥̅ 2 , 𝜎𝑦 = √ ∑(𝑦𝑖 − 𝑦̅)2 = √ ∑ 𝑦𝑖2 − 𝑦̅ 2
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1

5.2.4 Equation de la droite de régression

On peut montrer que la droite de régression est la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥, avec
𝜎𝑥,𝑦
𝑏= , 𝑎 = 𝑦̅ − 𝑏𝑥̅
𝜎𝑥2
Notons que 𝑎 = 𝑦̅ − 𝑏𝑥̅ implique 𝑦̅ = 𝑎 + 𝑏𝑥̅ , ce qui signifie que la droite de régression passe
par le point 𝐺 du nuage de points (de coordonnées (𝑥̅ ; 𝑦̅)).
Coefficients de corrélation linéaire

On appelle coefficient de corrélation linéaire le réel 𝑟 défini par
𝜎𝑥,𝑦
𝑟=
𝜎𝑥 𝜎𝑦
Ajustement affine et coefficient de corrélation linéaire

Dans un premier temps, remarquons que
𝜎𝑥,𝑦 𝜎𝑦 𝜎𝑥,𝑦 𝜎𝑦
𝑏= 2
= × = 𝑟
𝜎𝑥 𝜎𝑥 𝜎𝑥 𝜎𝑦 𝜎𝑥
Comme 𝜎𝑥 > 0 et 𝜎𝑦 > 0, le coefficient directeur 𝑏 de la droite de régression et 𝑟 sont de

même signe (à une droite de régression croissante correspond un 𝑟 positif…). Dès lors, on peut
deviner le signe de 𝑟 avec la silhouette du nuage de points. D’autre part, en utilisant l’équation
de la droite de régression, on peut montrer que
𝑛
1 2
|𝑟| = √1 − 2 ∑(𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 ))
𝑛𝜎𝑦
𝑖=1
cela entraine que −1 ≤ 𝑟 ≤ 1. De plus, on a |𝑟| = 1 si et seulement si

𝑛
2
∑(𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )) = 0
𝑖=1
ce qui implique 𝑦𝑖 = 𝑎 + 𝑏𝑥𝑖 pour tout 𝑖 ∈ {1, … , 𝑛} : tous les points du nuage sont alignés sur
la droite de régression ; l’ajustement est parfait. Plus |𝑟| s’éloigne de 1 vers 0, plus l’ajustement
est douteux.
Le graphique suivant illustre le lien existant entre la pertinence de l’ajustement d’un nuage de
points par une droite, caractérisée par la corrélation linéaire entre 𝑌 et 𝑋, et la valeur associée
de 𝑟 :

Critères
Partant de 𝑟 2 , on adopte les critères numériques suivants :
▪ si 0,75 ≤ 𝑟 2 ≤ 1, alors il existe une bonne corrélation linéaire entre 𝑌 et 𝑋

▪ si 0,25 ≤ 𝑟 2 ≤ 0,75, alors il existe une faible corrélation linéaire entre 𝑌 et 𝑋
▪ si 0 ≤ 𝑟 2 ≤ 0,25, alors il existe une mauvaise corrélation linéaire entre 𝑌 et 𝑋
Exemples
Une étude a été menée auprès de 12 étudiants afin d’expliquer le score à un examen de
mathématiques à partir du temps consacré à la préparation de cet examen. Pour chaque étudiant,
on dispose du temps de révision en heures (variable X) et du score obtenu sur 800 points
(variable Y)
𝑥𝑖 4 9 10 14 4 7 12 1 3 8 11 5
𝑦𝑖 390 580 650 730 410 530 600 350 400 590 640 450
En utilisant les formules ci-haut données et après calaculs, on obtient :
𝑛 𝑛 𝑛 𝑛
1 1 1 1
𝑥̅ ∑ 𝑥𝑖2 𝑦̅ ∑ 𝑥𝑖 𝑦𝑖 𝜎𝑥2 = ∑ 𝑥𝑖2 − 𝑥̅ 2 𝜎𝑥,𝑦 = ∑ 𝑥𝑖 𝑦𝑖 − 𝑥̅ × 𝑦̅
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
7,333333 68,5 526,6667 4300,833 14,72223 438,6107
Ainsi, la droite de régression est la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥, avec
𝜎𝑥,𝑦 438,6107
𝑏= = = 29,7924
𝜎𝑥2 14,72223
et

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 526,6667 − 29,7924 × 7,333333 = 308,189

Avec l’équation de la droite de régression, on peut faire des prévisions.
Par exemple, une valeur estimée du score d’un étudiant ayant consacré 16 heures de préparation
à l’examen est :
𝑦 = 𝑎 + 𝑏𝑥 = 308,189 + 29,7924 × 16 = 784,8674
Ainsi, on prévoit un score de 785 pour un tel étudiant.

On étudie l’évolution du nombre d’inscriptions à un jeu en ligne au cours du temps. Pour
chaque mois de l’année 2016, on dispose du rang du mois (variable X ; janvier est le rang 1,
février est le rang 2…) et du nombre d’inscriptions en milliers (variable Y)
𝑥𝑖 1 2 3 4 5 6 7 8 9 10 11 12
𝑦𝑖 37 43 41 40 51 47 48 54 56 64 66 73
Après calculs, on obtient :
𝑛 𝑛 𝑛 𝑛
1 1 1 1
𝑥̅ ∑ 𝑥𝑖2 𝑦̅ ∑ 𝑥𝑖 𝑦𝑖 𝜎𝑥2 = ∑ 𝑥𝑖2 − 𝑥̅ 2 𝜎𝑥,𝑦 = ∑ 𝑥𝑖 𝑦𝑖 − 𝑥̅ × 𝑦̅
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
6,5 54,16667 51,66667 371,4167 11,91667 35,58334
Ainsi, la droite de régression est la droite d’équation 𝑦 = 𝑎 + 𝑏𝑥, avec

𝜎𝑥,𝑦 35,58334
𝑏= = = 2,986014
𝜎𝑥2 11,91667
et
𝑎 = 𝑦̅ − 𝑏𝑥̅ = 51,6667 − 2,986014 × 6,5 = 32,25758
Avec cette équation, on peut alors faire des prévisions.
Par exemple, au rang 13 correspondant au mois de jancvier 2017, une valeur estimée du nombre
d’inscriptions au jeu en millies est :
𝑦 = 𝑎 + 𝑏𝑥 = 32,25758 + 2,986014 × 13 = 71,07576
Ainsi, on prévoit 71076 inscriptions en janvier 2017.
Pour compléter, intéressons – nous au coefficient de corrélartion liéaire. La valeur de 𝑟 2

calculée est
𝑟 2 = 0,9025686
𝜎𝑥,𝑦
(On aurait aussi pu utiliser la formule : 𝑟 = 𝜎 et élever le résultat au carré). Comme 0,75 ≤
𝑥 𝜎𝑦
𝑟 2 ≤ 1, il existe une bonne corrélation liénaire entre 𝑌 et 𝑋).

Calcul Numerique.22-23.new Version

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

Calcul Numerique.22-23.new Version

Transféré par

Droits d'auteur :

Formats disponibles

kaunderick@gmail.

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.1 Erreur absolue et relative

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

dans ce cas, la valeur exacte s’écrit sous la forme

𝛿(. ) s’exprime également en pourcentage comme suit

𝑥 = 𝑥 ∗ ± ∆(𝑥) = 𝑥 ∗ ± (𝛿(𝑥) × 100)%

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.2 Les incertitudes de mesure

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.3 Majoration des erreurs absolue et relative

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.4 Opérations sur les erreurs (propagation des erreurs)

1.4.1 Erreur de l’addition et de la soustraction

∆(𝑥 + 𝑦) ∆(𝑥) + ∆(𝑦) ∆(𝑥) 𝑥 ∆(𝑦) 𝑦

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

Réponse : d’après les données on a : 𝑙 = 10,2 𝑚, 𝑟 = 7,7 𝑚, ∆𝑙 = 0,1 𝑚 et ∆𝑟 =

1.4.2 Erreur du produit et de la division

on suppose également que 𝑥 − ∆(𝑥) > 0 et 𝑦 − ∆(𝑦) > 0, alors

⟹ 𝑥𝑦 − (𝑥∆(𝑦) + 𝑦∆(𝑥)) + ∆(𝑥)∆(𝑦) ≤ 𝑥 ∗ 𝑦 ∗ ≤ 𝑥𝑦 + (𝑥∆(𝑦) + 𝑦∆(𝑥)) + ∆(𝑥)∆(𝑦)

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

𝑥𝑦 − (𝑥∆(𝑦) + 𝑦∆(𝑥)) ≤ 𝑥 ∗ 𝑦 ∗ ≤ 𝑥𝑦 + (𝑥∆(𝑦) + 𝑦∆(𝑥))

Réponse : Le volume 𝑣 ∗ s’écrit sous la forme 𝑉 ∗ = 𝑉 ± ∆(𝑉). On a 𝐻 = 5,1 𝑐𝑚, ∆(𝐻) =

= 𝜋(2(2,1)(5,1)(0,2) + (2,1)2 (0,1)) = 4,725𝜋

𝛿(𝑉) = 𝛿(𝜋𝐻𝑅 2 ) = 𝜋𝛿(𝐻𝑅 2 ) = 𝜋(𝛿(𝐻) + 𝛿(𝑅 2 )) = 𝜋(𝛿(𝑅 2 ) + 2𝛿(𝑅))

∆(𝐻) ∆(𝑅) 0,1 0,2

1.5 Autres méthodes de calcul d’incertitudes

1.5.1 Méthode différentielle

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

Exemple. En reprenant l’exemple 1.4.3

1.5.2 Méthode logarithmique

Sa mesure de la hauteur h étant :

Que vaut l’incertitude ∆g ?

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

= 3 × 103 + 0 × 102 + 1 × 101 + 0 × 100 + 2 × 10−1 + 7 × 10−2

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.6.1 Chiffres significatifs

𝑥 comporte 6 chiffres significatifs, en effet :

Chiffres significatifs exacts

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

1.6.2 Opérations sur les chiffres significatifs

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

Résolution des systèmes d’équations linéaires

Soit le système algébrique linéaire de 𝑛 équations à 𝑛 inconnues :

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑥1 , 𝑥2 , 𝑥3 sont les inconnues du système.

Le système (2.1) peut s’écrire sous forme matricielle

𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

La notation précédente est Equivalente à (l’écriture la plus utilisée) :

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

𝑎11 𝑎12 … 𝑎1𝑛 𝑏1

Esprit des méthodes numériques

2.2 Méthodes de résolution

La méthode d’Elimination de Gauss a pour but de transformer le système 𝐴𝑥 = 𝑏 par un

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

En continuant de la même façon que l’étape 1 on obtient la fin de la seconde étape.

𝑎11 𝑎12 𝑎13 𝑎1𝑛 𝑏1

NOTES DE CALCUL NUMÉRIQUE * PRÉ-ISTA |

(1) (1) (1)

la solution du système est

𝐿2 ←𝐿2 −2𝐿1 𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 = 1