Université Abdelmalek Essaâdi

Ecole Nationale des Sciences Appliquées

Tanger

Analyse Numérique

Prof : Ahmed DRISSI

ahidrissi@[Link]

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 1

 Table de matière
PREAMBULE ............................................................................................................................... 3

PRE-REQUIS ................................................................................................................................ 3

OUVRAGES CONSEILLES ....................................................................................................... 3

CHAPITTRE1: RESOLUTION NUMERIQUE DES EQUATIONS .................................. 4

I. Principe................................................................................................................................................ 4
II. Méthode de dichotomie (ou de bissection) ............................................................................................ 5
III. Méthode de Lagrange ....................................................................................................................... 6
IV. Méthode de newton .......................................................................................................................... 7
V. Méthodes des approximations successives ............................................................................................ 8
VI. La convergence d’une méthode numérique ..................................................................................... 10
VII. Exercices ....................................................................................................................................... 11

CHAPITRE 2 : RESOLUTION NUMERIQUE DES SYSTEMES LINEAIRES ...........13

I- Méthodes directes............................................................................................................................... 13
II- Méthodes itératives ............................................................................................................................ 20
III- Exercices ....................................................................................................................................... 23

CHAPITRE 3: APPROXIMATION ET INTERPOLATION DES FONCTIONS ..........25

I- Introduction ....................................................................................................................................... 25
II- Interpolation polynomial .................................................................................................................... 25
A. Interpolation de Lagrange ............................................................................................................... 26
B. Interpolation de Newton ................................................................................................................. 26
C. Erreur d’interpolation ..................................................................................................................... 29
D. Autres interpolations ...................................................................................................................... 30
III- L’approximation polynomiale des fonctions.................................................................................... 31
C- Exercices ........................................................................................................................................... 33

CHAPITRE 4: DERIVATION ET INTEGRATION NUMERIQUE ................................35

I. Méthodes de dérivation numérique ..................................................................................................... 35
II. Méthodes d'intégration numérique ...................................................................................................... 36
III. Exercices ....................................................................................................................................... 38

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 2

 Préambule

Ces notes de cours sont destinées aux étudiants de l’AP2. Elles ont été rédigées, conformément au
programme accrédité, dans le but d’aider les étudiants à consolider leurs acquis mathématiques et à
maitriser les nouvelles notions introduites dans ce cours. Les démonstrations de certains résultats de ce
polycopié, ainsi que plusieurs exemples et exercices seront données au tableau pendant les séances de
cours. Il est donc indispensable que l’étudiant assiste au cours et prend des notes, pour qu’il puisse
bien assimiler ce cours de méthodes numériques. Je serai reconnaissant à tout lecteur qui aura
l’amabilité de me signaler des erreurs que peut comporter ce manuscrit ou de me suggérer une idée
pour le parfaire.

[Link]

Pré-requis

1. Formule de Taylor, Théorème des accroissements finis, Théorème des valeurs intermédiaires
2. Les propriétés fondamentales des suites
3. Les propriétés fondamentales du calcul matriciel

Ouvrages Conseillés

1. Méthodes numériques. Michel corbin et Jean-Claude Mardon.1993.

2. Approximations et équations différentielles. Moise Sibony et Jean-Claude Mardon. 1988.
3. Introduction à l’analyse numérique matricielle et à l’optimisation. P.G. CIARLET.1988.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 3

 Chapittre1: Résolution numérique des équations

I. Principe
Soit une fonction 𝑓: 𝑅 ⟶ 𝑅. On désire trouver une ou plusieurs solutions de 𝑓(𝑥) = 0. Les méthodes
analytiques pour résoudre ce type d'équations sont limitées (à des équations polynomiales et de faible
degré (<5). Par exemple on ne sait pas résoudre 𝑎𝑒 𝑥 + 𝑐𝑐𝑜𝑠(𝑥) + 𝑐𝑥 = 0 on doit employer des
méthodes numériques pour approcher les racines de ces équations. Le but de ce chapitre est de trouver
des approximations de la solution de l’équation 𝑓 (𝑥) = 0, avec une précision donnée et un nombre
d’itérations maximum prédéterminé. On procède comme suit :

 On localise une racine 𝛼 de 𝑓 (𝑥) = 0 c'est-à-dire on cherche un intervalle qui contient une seule
racine de 𝑓 (𝑥) = 0. Il n y a pas de méthode générale pour la séparation des racines. Pour chaque
équation on détermine l'intervalle par des considérations sur le problème (considérations physique,
conditions initiales…) ou sur la fonction 𝑓 (étude de graphe de 𝑓 , théorème des valeurs
intermédiaires…).
 On applique une méthode numérique c'est-à-dire on calcule les termes d’une suite (𝑥𝑛 )𝑛 telle que
lim 𝑥𝑛 = 𝛼. On arrête le calcul des termes 𝑥𝑛 pour avoir une précision 𝜀 (i.e |𝑥𝑛 − 𝛼 | < 𝜀). La
𝑛→∞
qualité d’une méthode est mesurée par la vitesse de convergence (ie le nombre de terme calculé) et
la précision obtenue.

Dans la suite on suppose que 𝑓 est continue dérivable autant de fois qu'il est nécessaire sur [𝑎, 𝑏] et
qu'elle admet une seule racine sur cet intervalle.

Exemple 1

𝑓 (𝑥) = 2𝑥 4 − 8𝑥 − 3

𝑥 −∞ 1 +∞
𝑓′(𝑥) - 0 +
𝑓(𝑥) ↘ -9 ↗

𝑓 (0) = −3 < 0 , 𝑓(1) = −9 < 0 , 𝑓 (2) = 13 > 0 .

𝑓 (1,5) = −0,875 < 0 , 𝑓(1,75) = 5,57 > 0 alors l’intervalle [1,5-1,75] contient une racine.

Exemple 2

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 4

 𝑓(𝑥) = 𝑥 3 − 3𝑥 + 1

𝑥 −∞ -2 -1 0 1 2 +∞
𝑓(𝑥) - - + + - + +

𝑓 (𝑥) = 0 admet troix racines 𝛼1 , 𝛼2 , 𝛼3 avec 𝛼1 ∈ [−2, −1], 𝛼2 ∈ [0,1], 𝛼3 ∈ [1,2].

II. Méthode de dichotomie (ou de bissection)

Cette méthode repose sur le théorème des valeurs intermédiaires.

Théorème (Théorème des valeurs intermédiaires)

Si 𝑓 est une fonction continue sur [𝑎, 𝑏], et si 𝑓(𝑎)𝑓(𝑏) < 0, alors il existe au moins un point 𝑐 ∈
]𝑎, 𝑏[ tel que 𝑓(𝑐) = 0.
Si de plus 𝑓 est strictement monotone sur [𝑎, 𝑏], la racine 𝑓 (𝑥) = 0 est unique dans [𝑎, 𝑏].
Description de la méthode

Soit une fonction réelle continue 𝑓: 𝑅 ⟶ 𝑅 . Supposons que l’intervalle [𝑎, 𝑏]contient une seule
solution 𝛼 de l’équation 𝑓 (𝑥) = 0. On construit une suite d’intervalles ([𝑎𝑛 , 𝑏𝑛 ])𝑛 contenant cette
𝑎+𝑏
solution telle que 𝑎𝑛 ou 𝑏𝑛 est le milieu de [𝑎𝑛−1 , 𝑏𝑛−1 ]. On procède comme suit : On calcule = 2 ,

Si 𝑓(𝑎 )𝑓(𝑐) < 0 on remplace 𝑏 par 𝑐 ( [𝑎1 , 𝑏1 ] = [𝑎, 𝑐] ) sinon on remplace 𝑎 par 𝑐 ( [𝑎1 , 𝑏1 ] =
[𝑐, 𝑏]) et on continue cette opération jusqu’à ce qu’on trouve valeur proche de la solution avec la
précision demandée.

Exemple

Soit 𝑓 (𝑥) = 2𝑥 4 − 8𝑥 − 3, supposons qu’on sait que l’intervalle [0,2] contient une seule racine 𝛼 de
𝑓 (𝑥) = 0. En utilisant cette méthode on calcule une valeur approchée 𝑥 ∗ de 𝛼 avec une précision ε .
𝑎0 +𝑏0 0+2
[𝑎0 , 𝑏0 ] = [0,2] 𝑥1 =
2
= 2
= 1, 𝑓(𝑎0 )𝑓(𝑥1 ) = 𝑓 (0)𝑓 (1) = 27 > 0 alors 𝛼 ∈ [1,2]

𝑎1+𝑏1 1+2
[𝑎1 , 𝑏1 ] = [1,2] 𝑥2 = 2
= 2
= 1,5 , 𝑓 (𝑥2 )𝑓 (𝑏1 ) = 𝑓(1,5)𝑓 (2) = −63,375 < 0 alors 𝛼 ∈
[1,5 − 2]
1,5+2
[𝑎2 , 𝑏2 ] = [1,5 − 2] 𝑥3 = = 1,75 , 𝑓(𝑎2 )𝑓 (𝑥3 ) = 𝑓 (1,5)𝑓 (1,75) = −8,569335938 < 0 alors
2
𝛼 ∈ [1,5 − 1,75] .

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 5

 1,5+1,75
[𝑎3 , 𝑏3 ] = [1,5 − 1,75] , 𝑥4 =
2
= 1,625 , 𝑓 (𝑎3 )𝑓(𝑥4 ) = 𝑓(1,5)𝑓 (1,625) = 10,01422120 >
0 alors 𝛼 ∈ [1,625 − 1,75] .
1,625+1,75
[𝑎4 , 𝑏4 ] = [1,625 − 1,75] 𝑥5 =
2
= 1,6875 , 𝑓(1,625)𝑓 (1,6875) = −3,57907104 < 0
alors 𝛼 ∈ [1,625 − 1,6875] .
1,625+1,6875
[𝑎5 , 𝑏5 ] = [1,625 − 1,6875] , 𝑥6 = = 1,65625 , 𝑓(1,65625)𝑓(1,625) =
2
2,465248284 > 0 alors 𝛼 ∈ [1,65625 − 1,6875]
1,65625+1,6875
[𝑎6 , 𝑏6 ] = [1,65625 − 1,6875], 𝑥7 = = 1,671875
2

Alors après 7 itérations on a une approximation 𝑥7 = 1,671875 de de la racine de l’équation avec une
précision de | 𝑎6 − 𝑏6 | = |1,65625 − 1,6875| = 0,03125 .

Algorithme

Entrées :

[𝑎, 𝑏] un intervalle contenant la racine cherchée,

𝜀 la précision souhaitée

Sortie :

Une valeur approchée 𝑥 ∗ de la solution 𝛼

Procédure
|𝑏−𝑎|
Tant que >ε
2
𝑎+𝑏
𝑥′ ←
2
Si 𝑓(𝑎)𝑓(𝑥 ′ ) ≤ 0 alors 𝑏 ← 𝑥′ sinon 𝑎 ← 𝑥′
Fin
Fin
Remarque

 La précision de la méthode de dichotomie après 𝑛 est 𝜀 > 𝑏−𝑎

2𝑛
(i.e pour avoir une précision 𝜀
𝑏−𝑎
ln ( )
𝜀
on doit effectuer 𝑛 itérations avec 𝑛 > ln (2)
.

 Cette condition est indépendante de 𝑓 c’est à dire la vitesse de convergence est la même pour
toute fonction 𝑓.
III. Méthode de Lagrange
 Description de la méthode

L'idée est de remplacer le graphe 𝐶𝑓 de 𝑓 sur [𝑎, 𝑏] par la droite (𝐴𝐵) passant par les points 𝐴 =
𝑦−𝑓(𝑎) 𝑓(𝑏)−𝑓(𝑎) 𝑦−𝑓(𝑏) 𝑓(𝑏)−𝑓(𝑎)
(𝑎, 𝑓(𝑎 )) et 𝐵 = (𝑏, 𝑓(𝑏)). La droite (𝐴𝐵)a pour équation 𝑥−𝑎
= 𝑏−𝑎
(ou 𝑥−𝑏
= 𝑏−𝑎
).

𝑏−𝑎
L'équation 𝑓(𝑥) = 0 est remplacée par une équation de premier degré 𝑥1 = 𝑎 − 𝑓 (𝑎). 𝑓(𝑏)−𝑓(𝑎) (ou
𝑏−𝑎
𝑥1 = 𝑏 − 𝑓 (𝑏). 𝑓(𝑏)−𝑓(𝑎) ).

On remplace le graphe par la droite passant par 𝐴 = (𝑎, 𝑓(𝑎))et 𝐴′ = (𝑥1 , 𝑓(𝑥1 )). Il s’ensuit que
𝑥 −𝑎
L'équation 𝑓(𝑥) = 0 sera remplacée par l’équation 𝑥2 = 𝑥1 − 𝑓( 𝑥1 ). 𝑓( 𝑥 1)−𝑓(𝑎). On continue et on
1
𝑥𝑛−𝑎
obtient la suite récurrente suivante : 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛 ). 𝑓(𝑥 .
𝑛 )−𝑓(𝑎)

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 6

 Si 𝑓 (𝑥1 )𝑓(𝑎) < 0 la solution se trouve dans l'intervalle [𝑎, 𝑥1 ] et on recommence la procédure dans
cet intervalle (on remplace 𝑏 par 𝑥1 ) ce qui donne la formule de récurrence 𝑥𝑛+1 = 𝑥𝑛 −
𝑥 −𝑎
𝑓 (𝑥𝑛 ). 𝑓(𝑥 𝑛)−𝑓(𝑎)
𝑛

Si 𝑓(𝑥1 )𝑓 (𝑏) < 0 la solution se trouve dans l'intervalle [𝑥1 , 𝑏] et on recommence la procédure dans
cet intervalle (on remplace 𝑎 par 𝑥1 ) ce qui donne la formule de récurrence 𝑥𝑛+1 = 𝑥𝑛 −
𝑥𝑛−𝑏
𝑓 (𝑥𝑛 ). )−𝑓(𝑏)
.
𝑓(𝑥𝑛

 Remarque

Sous de bonnes hypothèses (par exemple, si f est croissante convexe), on prouve que la suite (𝑥𝑛 )𝑛
converge vers une solution de 𝑓(𝑥) = 0 dans l'intervalle [a,b].
Cette méthode est mise en défaut si par exemple le réel 𝑥1 est de l'autre côté de la racine.

 La convergence

Voir l’exercice 3 de la série 1

 Exemple

𝑓 (𝑥) = 𝑥 3 − 3𝑥 + 1, 𝑥𝜖[1,2]

(𝑥𝑛3 − 3𝑥𝑛 + 1)(𝑥𝑛 − 2)

𝑥𝑛+1 = 𝑥𝑛 −
𝑥𝑛3 − 3𝑥𝑛 − 2

Avec 𝑥0 = 1,5 et après 100 itérations on obtient une valeur approximative d’une racine de 𝑓(𝑥) = 0 :
𝑥100 = 1.532088886.

IV. Méthode de newton

 Principe

On suppose que 𝑓 est dérivable. L'idée consiste à remplacer la courbe de la fonction 𝑓 sur [𝑎, 𝑏] par la
tangente au point 𝐴 = (𝑎, 𝑓 (𝑎)) ou 𝐵 = (𝑏, 𝑓(𝑏)) et on determine l'intersection de celle-ci avec l'axe
des abscisses. Si par exemple le point de départ est 𝐵, l'équation de la tangente est donnée par
𝑦−𝑓(𝑏) 𝑓(𝑏)
𝑥−𝑏
= 𝑓′(𝑏). 𝑋(𝑥1 , 0) est l'intersection de la tangente avec l'axe des 𝑥 alors 𝑥1 = 𝑏 − 𝑓′ (𝑏) = 𝑥0 −
𝑓(𝑥0)
𝑓 ′ (𝑥0)
. On recommence la procédure sur le point 𝑥1 : 𝑋(𝑥2 , 0) est l'intersection de la tangente au point

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 7

 𝑓(𝑥 )
(𝑥1 , 𝑓(𝑥1 )) avec l'axe des 𝑥 on obtient 𝑥2 = 𝑥1 − ′ 1 . En continuant cette procédure, on construit la
𝑓 (𝑥 ) 1
𝑓(𝑥𝑛 )
suite donnée par: 𝑥0 = 𝑏, 𝑥𝑛+1 = 𝑥𝑛 − .
𝑓′(𝑥𝑛)

 Exemple

Soit 𝑓(𝑥) = 𝑥 2 − 𝑥 − 2, Les solutions de 𝑓(𝑥) = 0 sont 𝛽 = 2 et 𝛼 = −1. Cherchons à approcher 𝛼

par la méthode de newton.

On localise cette racine par [-2,0].

On calcule les termes de la suite

𝑥0 = 0
{ 𝑥𝑛2 − 𝑥𝑛 − 2
𝑥𝑛+1 = 𝑥𝑛 −
2𝑥𝑛 − 1

𝑛 0 1 2 3 ⋯
𝑥𝑛 0 -2 -1.2 -1.012 ⋯

 La convergence

Voir l’exercice 3 série 1.

 Remarque

La méthode de Newton-Raphson suppose le calcul de 𝑓′(𝑥) à chaque étape. Il se peut qu’on ne

dispose pas d’un algorithme permettant de calculer systématiquement 𝑓′.

La méthode dite de la sécante (ou méthode de Newton modifiée) peut être considéré comme une
approximation de la méthode de Newton. L’idée est de remplacer 𝑓′(𝑥𝑛 ) dans la méthode de Newton
𝑓(𝑥𝑛)−𝑓(𝑥𝑛−1 )
par 𝑥𝑛−𝑥𝑛−1
.

 Exemple

On refait l’exemple précèdent par la méthode de Newton modifiée.

V. Méthodes des approximations successives

1. Principe

Afin de construire une suite (𝑥𝑛 )𝑛 ⊂ [𝑎, 𝑏], qui converge vers la solution de 𝑓(𝑥) = 0, on procède
comme suit :

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 8

 On remplace l'équation 𝑓 (𝑥) = 0 par une équation équivalente 𝑔(𝑥) = 𝑥.
 On choisit 𝑥0 ∈ [𝑎, 𝑏].
 La suite est donnée par 𝑥𝑛+1 = 𝑔(𝑥𝑛 )

Si la suite (𝑥𝑛 )𝑛 converge, sa limite 𝑙 vérifie 𝑔(𝑙 ) = 𝑙 c’est-à-dire 𝑓 (𝑙 ) = 0. Le théorème suivant nous
fournit les conditions nécessaires de la convergence de cette suite ainsi que l’unicité de solution de
l’équation étudiée.

2. Théorème du Point fixe

Dans les méthodes à approximation successive on construit une suite (𝑥𝑛 )𝑛 tel que
𝑥0 ∈ [𝑎, 𝑏]
{
𝑥𝑛+1 = 𝑔(𝑥𝑛 )

On cherche comment choisir 𝑔 pour que la suite converge vers la solution de l’équation 𝑥 = 𝑔(𝑥).

Théorème

Si la fonction 𝑔: [𝑎, 𝑏] ⊂ 𝑅 → 𝑅 vérifie

i) 𝑥 ∈ [𝑎, 𝑏] ⇒ 𝑔(𝑥) ∈ [𝑎, 𝑏].

ii) la fonction 𝑔 est contractante (c’est-à-dire ∃𝑘 0 ≤ 𝑘 < 1 tel que ∀𝑥, 𝑦 ∈ [𝑎, 𝑏]: |𝑔(𝑥) −
𝑔(𝑦)| ≤ 𝑘|𝑥 − 𝑦|).

alors pour tous 𝑥0 ∈ [𝑎, 𝑏] la suite récurrente définie par 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) converge vers l'unique
solution de 𝑥 = 𝑔(𝑥).

Preuve

Si 𝑥𝑛 converge, sa limite sera dans [𝑎, 𝑏] d'après i).

Montrons que (𝑥𝑛 )𝑛 converge

|𝑥𝑛+1 − 𝑥𝑛 | = |𝑔(𝑥𝑛 ) − 𝑔(𝑥𝑛−1 )| ≤ 𝑘 |𝑥𝑛 − 𝑥𝑛−1 |

Par récurrence, on obtient |𝑥𝑛+1 − 𝑥𝑛 | ≤ 𝑘 𝑛 |𝑥1 − 𝑥0 |

|𝑥𝑛+𝑝 − 𝑥𝑛 | ≤ |𝑥𝑛+𝑝 − 𝑥𝑛+𝑝−1 | + ⋯ + |𝑥𝑛+1 − 𝑥𝑛 |

≤ 𝑘 𝑛+𝑝−1 |𝑥1 − 𝑥0 | + 𝑘 𝑛+𝑝−2 |𝑥1 − 𝑥0 | + ⋯ + 𝑘 𝑛 |𝑥1 − 𝑥0 |

≤ |𝑥1 − 𝑥0 |(𝑘 𝑛+𝑝−1 + ⋯ + 𝑘 𝑛 )

≤ |𝑥1 − 𝑥0 |𝑘 𝑛 (𝑘 𝑝−1 + ⋯ + 1)
1 − 𝑘𝑝
≤ |𝑥1 − 𝑥0 |𝑘 𝑛
1−𝑘
1
≤ |𝑥1 − 𝑥0 |𝑘 𝑛 → 0
1 − 𝑘 𝑛⟶+∞
D’où (𝑥𝑛 )𝑛 est une suite de Cauchy donc(𝑥𝑛 )𝑛 converge vers une limite 𝑙.

Montrons que l'équation 𝑔(𝑥) = 𝑥 admet au plus une solution. Si 𝑙1 et 𝑙2 sont deux solutions dans
[𝑎, 𝑏] alors 𝑔(𝑙2 ) = 𝑙2 et 𝑔(𝑙1 ) = 𝑙1 . D'après ii) on a |𝑔(𝑙1 ) − 𝑔(𝑙2 )| = |𝑙1 − 𝑙2 | ≤ 𝑘 |𝑙1 − 𝑙2 | d’où
𝑙1 = 𝑙2 .

Autre méthode

On montre par récurrence que |𝑥𝑛+1 − 𝑙 | ≤ 𝑘 𝑛+1 |𝑥0 − 𝑙 | et puisque lim 𝑘 𝑛 = 0 (car 𝑘 < 1 ) on
𝑛→∞
déduit le résultat lim 𝑥𝑛 = 𝑙.
𝑛→∞

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 9

 Corollaire 1

Si 𝑔 est dérivable et si vérifie max |𝑔′(𝑥)| = 𝑘 < 1 alors 𝑔 est une application contractante dans
𝑥∈[𝑎,𝑏]
l'intervalle [𝑎, 𝑏].

Preuve

On utilise le théorème des accroissements finis

|𝑔(𝑥) − 𝑔(𝑦)| = |𝑔′ (𝑐)||𝑥 − 𝑦| ≤ 𝑘|𝑥 − 𝑦|, 𝑐 ∈ [𝑥, 𝑦]

Corollaire 2

Soit 𝑙 une solution de l'équation 𝑔(𝑥) = 𝑥 et 𝑔 est continue au voisinage de 𝑙.

 Si |𝑔′(𝑙)| < 1 alors il existe un intervalle [𝑎, 𝑏] contenant 𝑙 par lequel la suite (𝑥𝑛 )𝑛 définie
par
𝑥 ∈ [𝑎, 𝑏]
{ 0 converge vers 𝑙.
𝑥𝑛+1 = 𝑔(𝑥𝑛 )
 Si |𝑔′(𝑙)| > 1 alors ∀𝑥0 ≠ 𝑙 la suite (𝑥𝑛 )𝑛 définie par
𝑥 ∈ [𝑎, 𝑏]
{ 0 ne converge pas vers 𝑙.
𝑥𝑛+1 = 𝑔(𝑥𝑛 )
 Si |𝑔′(𝑙)| = 1 on ne peut pas conclure sur la convergence.

Preuve

Voir Analyse numérique, Raymond Théodore.

Remarque

Il y a plusieurs façons pour choisir 𝑔 à partir de 𝑓. Par exemple pour 𝑓 (𝑥) = 𝑥 3 − 𝑒 𝑥 + 1 , on peut
1
prendre 𝑔(𝑥) = 𝑥 3 − 𝑒 𝑥 + 𝑥 + 1 ou 𝑔(𝑥) = (𝑒 𝑥 − 1)3 ou 𝑔(𝑥) = log(𝑥 3 + 1) , 𝑥 3 + 1 > 0.

Il est donc important de choisir le procédé itératif de telle manière que la suite obtenue soit
convergente et qu’en plus la convergence soit la « meilleure possible ».

VI. La convergence d’une méthode numérique

1. L’ordre de convergence d'une méthode numérique

Afin de comparer ces différentes méthodes nous allons introduire la notion d’ordre de convergence.
L’ordre de convergence indique la vitesse de convergence de la suite. Plus l’ordre est élevé plus la
convergence est rapide. C’est-à-dire on veut savoir, si la suite 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) converge, comment
diminue la valeur |𝑥𝑛 − 𝑙 | au cours des itérations.

Définition
|𝑥𝑛+1−𝑙|
Une méthode définie par 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) est dite d'ordre 𝑝 si |𝑥𝑛−𝑙|𝑝
tend vers une limite finie non
nulle.

Théorème

Soit (𝑥𝑛 )𝑛 définie par

𝑥0 ∈ [𝑎, 𝑏]
{
𝑥𝑛+1 = 𝑔(𝑥𝑛 )

Si cette suite converge vers 𝑙 et si 𝑔 est suffisamment différentiel au voisinage de 𝑙 tel que

𝑔′ (𝑙 ) = 𝑔′′ (𝑙 ) = ⋯ = 𝑔(𝑟−1) (𝑙) = 0

{
𝑔(𝑟) (𝑙) ≠ 0

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 10

 |𝑥𝑛+1−𝑙| 𝑔 (𝑟)(𝑙)
alors l'ordre de cette méthode est 𝑟 . De plus lim −𝑙|𝑟
= .
𝑛→∞ |𝑥𝑛 𝑟!

Preuve
(𝑥𝑛−𝑙)𝑘
𝑥𝑛+1 − 𝑙 = 𝑔(𝑥𝑛 ) − 𝑔(𝑙 ) = ∑𝑟𝑘=1 𝑔(𝑘) (𝑙 ) + (𝑥𝑛 − 𝑙)𝑟 𝑜(𝑥𝑛 − 𝑙) donc
𝑘!

𝑔 (𝑟) (𝑙)
𝑥𝑛+1 − 𝑙 = (𝑥𝑛 − 𝑙 )𝑟 + (𝑥𝑛 − 𝑙 )𝑟 𝑜(𝑥𝑛 − 𝑙)
𝑟!

𝑥𝑛+1 − 𝑙 𝑔(𝑟) (𝑙)

= + 𝑜(𝑥𝑛 − 𝑙)
(𝑥𝑛 − 𝑙)𝑟 𝑟!

2. L’accélération de la convergence d’une méthode numérique

Définition

Soient deux suites (𝑥𝑛 )𝑛 et (𝑦𝑛 )𝑛 qui convergent respectivement vers 𝑥 et 𝑦 . On dit que (𝑥𝑛 )𝑛
𝑥 −𝑥
converge rapidement que (𝑦𝑛 )𝑛 si et seulement si lim 𝑦𝑛−𝑦 = 0.
𝑛→∞ 𝑛

Remarque

Si (𝑥𝑛 )𝑛 est d'ordre 𝑟 et (𝑦𝑛 )𝑛 est d'ordre 𝑝 < 𝑟 alors(𝑥𝑛 )𝑛 converge rapidement que (𝑦𝑛 )𝑛 .

Preuve de la remarque (en exercice)

3. Test d'arrêt des itérations

Dans les méthodes itératives, il faut décider d'arrêter l'algorithme après un certain nombre d'itérations.
On ne connait pas à l'avance la position de la solution, donc pour déterminer une précision donnée de
la solution, on utilise en général les termes de la suite obtenue itérativement.

Exemple de test (test standard)

𝑥0 ∈ [𝑎, 𝑏]
Considérons la suite convergente { vers 𝑙 . On arrête les itérations lorsque |𝑥𝑛+1 −
𝑥𝑛+1 = 𝑔(𝑥𝑛 )
𝑥𝑛 | ≤ 𝜀 (𝜀 :la précision)

 Si 𝑔′(𝑥) < 0 au voisinage de la solution 𝑙.

D’après le théorème des accroissements finis, il existe 𝑐 entre 𝑥𝑛 et 𝑙 tel que 𝑔(𝑥𝑛 ) − 𝑔(𝑙 ) =
(𝑥𝑛 − 𝑙 )𝑔′ (𝑐).
𝑥𝑛+1 − 𝑙 = 𝑔(𝑥𝑛 ) − 𝑔(𝑙 ) = (𝑥𝑛 − 𝑙 )𝑔′ (𝑐), et puisque 𝑔′ (𝑐) < 0 on aura
(𝑥𝑛+1 − 𝑙)(𝑥𝑛 − 𝑙) = 𝑔′ (𝑐)(𝑥𝑛 − 𝑙 )2 < 0 d’où 𝑙 se situe entre 𝑥𝑛 et 𝑥𝑛+1 . Il s'ensuit
que |𝑥𝑛 − 𝑙 | ≤ |(𝑥𝑛+1 − 𝑥𝑛 )|.
 Par contre si 𝑔′ (𝑥) > 0 on ne peut pas conclure et le test peut ne pas être valable.
VII. Exercices
Exercice 1

Résoudre l’équation transcendante 𝑒 𝑥 = 2 cos(𝑥) , 0 < 𝑥 par la méthode de Newton-Raphson.

Déterminer graphiquement une valeur approchée initiale 𝑥0 .

Exercice 2

Le but de ce problème est de résoudre dans 𝑅 ∗+ , l’équation (1): 𝑥 = −ln(𝑥) avec une bonne
précision.

1) En traçant les graphes de −ln(𝑥) et de 𝑥, montrer que l’équation (1) a une solution et une
seule que l’on peut localiser entre 0 et 1. Cette solution sera noté 𝛼.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 11

 2) Pour approcher cette racine, on peut envisager la méthode itérative suivante : 𝑥𝑛+1 =
−ln(𝑥𝑛 ). Pourquoi cette méthode est divergente ?
3) Il est intéressant de remarquer que si après avoir localiser dans un intervalle 𝐼 la racine de
l’équation 𝑥 = 𝑔(𝑥), on a |𝑔′(𝑥)| > 1 dans 𝐼, on peut alors (si 𝑔 est inversible) considèrer
1
𝑔−1 (𝑥) = 𝑥, car (𝑔−1 (𝑥))′ = 𝑔′(𝑔−1(𝑥)) sera tel que |(𝑔−1 (𝑥))′ |<1. Montrer que la méthode
itérative ainsi obtenue pour l’équation(1) peut s’écrire (2) : 𝑥𝑛+1 = 𝑒 −𝑥𝑛 et que cette méthode
est convergente pour tout 𝑥0 ∈ 𝑅 ∗+ .
4) En appliquant la méthode (2) avec 𝑥0 = 2,5 calculer les 13 premières itérations. (on donnera
le résultat sous forme d’un tableau comme ci-dessous)

n 𝑥𝑛
0 2,5
1 0,082084998
2 0,921193655
3 0,39804363

⋮ ⋮
13 .

a) Combien d’itérations sont nécessaires pour obtenir la première décimale exacte de 𝛼.

b) Combien d’itérations sont nécessaires pour obtenir la deuxième décimale exacte de 𝛼.
5) On va maintenant utiliser la méthode de Newton.
a) Montrer que (1) est équivalente à 𝑓(𝑥) = 0 où 𝑓 (𝑥) = 𝑥 − 𝑒 −𝑥 .
b) Montrer que 𝑓 ′ (𝑥) ≠ 0 sur 𝑅∗+ .
c) Calculer par la méthode de Newton appliquée à 𝑓 en partant de 𝑥0 = 2,5 le nombre
d’itérations nécessaires au calcul de α avec sept décimales exactes et donner la valeur
approchée de α alors obtenue.
d) Laquelle des deux méthodes choisiriez-vous?

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 12

 Chapitre 2 : Résolution numérique des systèmes linéaires

Introduction
Un système linéaire de 𝑚 équations et 𝑛 inconnues est la donnée de 𝑚 équations linéaires à 𝑛
inconnues 𝑥1 , 𝑥2 , … , 𝑥𝑛 ∈ 𝑅 de la forme suivante :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
{ (𝑥1 , 𝑥2 , . . , 𝑥𝑛 ) ∈ 𝑅𝑛
…
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

Où les 𝑎𝑖𝑗 ∈ 𝑅 et les 𝑏𝑖 ∈ 𝑅 sont connues. Une solution de ce système est tout 𝑛-uplet (𝑥1 , 𝑥2 , . . , 𝑥𝑛 ) ∈
𝑅𝑛 qui satisfait les 𝑚 équations. Deux systèmes linéaires sont dits équivalents s’ils possèdent le même
ensemble de solutions.

On peut représenter ce système comme suit : 𝐴𝑋 = 𝑏 avec

𝑎11 … 𝑎1𝑛 𝑥1 𝑏1
𝐴=( ⋮ ⋮ ⋮ ), 𝑋 = ( ⋮ ) et 𝑏 = ( ⋮ )
𝑎𝑚1 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚

Si 𝑚 < 𝑛 : il y a moins d’équations que d’inconnues. Le système est sous-déterminé. L’ensemble des
solutions est un sous espace affine.

Si 𝑚 > 𝑛 : il y a plus d’équations que d’inconnues. Le système est surdéterminé.

Si 𝑛 = 𝑚 il y a exactement le même nombre d’équations que d’inconnues.

On se restreint alors au cas où A est inversible. Il existe plusieurs méthodes pour résoudre ces systèmes
: les méthodes directes et les méthodes itératives.

I- Méthodes directes
Les méthodes que nous allons étudier sont basées sur la remarque évidente suivante : si la matrice
inversible A est triangulaire supérieure (ou triangulaire inférieure), la résolution numérique d’un
système linéaire 𝐴𝑋 = 𝑏 est immédiate : il s’écrit en effet
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
… ⋮
{ 𝑎𝑛−1,𝑛−1 𝑥𝑛−1 + 𝑎𝑛−1,𝑛 𝑥𝑛 = 𝑏𝑛−1
𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

Et puisque 𝑎11 𝑎22 … 𝑎𝑛𝑛 = det(𝐴) ≠ 0 , on résout le systéme en calculant 𝑥𝑛 de la dernière équation,
puis 𝑥𝑛−1 de l’avant dernière, etc. Ce qui donne
−1
𝑥𝑛 = 𝑎𝑛𝑛 𝑏𝑛
−1
𝑥𝑛−1 = 𝑎𝑛−1,𝑛−1 (𝑏𝑛−1 − 𝑎𝑛−1,𝑛 𝑥𝑛 )

⋮
−1
𝑥1 = 𝑎11 (𝑏1 − (𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 )).

Les méthodes directes consistent pour la plupart à décomposer la matrice 𝐴 en un produit d’une
matrice triangulaire par une autre matrice.

A. Méthode de Gauss

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 13

On appelle opérations élémentaires sur les lignes d’un système linéaire d’équations les transformations
suivantes :

i) L’échange de deux lignes entre elles.

ii) Remplacement d’une ligne 𝐿𝑖 par son produit par un scalaire non nul 𝑎𝐿𝑖 .
iii) Remplacement d’une ligne 𝐿𝑘 par 𝐿𝑘 − 𝑎𝐿𝑖 , avec 𝑎 ∈ 𝑅 et 𝑘 ≠ 𝑖.

Proposition

Si on effectue une opération élémentaire sur un système linéaire d’équations on obtient un système
équivalent.

Description de la méthode de Gauss

On choisit l’un des coefficients non nuls de la première colonne de 𝐴 qu’on appelle le premier pivot
d’élimination.

On échange la ligne du pivot avec la première ligne (ce qui est équivaut à multiplier la matrice par une
matrice de permutation).

Par des combinaisons linéaires appropriées de la première ligne et des autres lignes de la matrice, on
annule tous les éléments de la première colonne de la matrice 𝑃𝐴 situé sous la diagonale.

La première ligne reste inchangée.

On refait la même procédure pour les autres 𝑛 − 1 lignes.

Exemple

Résoudre le système suivant :

−𝑥1 + 𝑥2 + 2𝑥3 = 2
{ 3𝑥1 − 𝑥2 + 𝑥3 = 6 , (𝑥1 , 𝑥2 , 𝑥3 ) ∈ 𝑅3
−𝑥1 + 3𝑥2 + 4𝑥3 = 4

Etape1 : Elimination de 𝑥1 dans la 2éme et la 3éme équation.

𝐿1 : − 𝑥1 + 𝑥2 + 2𝑥3 = 2
{ 𝐿2 ∶ 3𝑥1 − 𝑥2 + 𝑥3 = 6
𝐿3 ∶ −𝑥1 + 3𝑥2 + 4𝑥3 = 4

On remplace la 2éme ligne par 𝐿2 + 3𝐿1 et la 3éme ligne par 𝐿3 − 𝐿1 , on obtient :

𝐿1 : − 𝑥1 + 𝑥2 + 2𝑥3 = 2
{𝐿′2 ∶ 2𝑥2 + 7𝑥3 = 12
𝐿′3 ∶ 2𝑥2 + 2𝑥3 = 2

Etape2 : Elimination de 𝑥2 dans la 3éme équation.

On remplace la 3éme ligne par 𝐿′′3 = 𝐿′3 − 𝐿′2 on obtient :

𝐿1 : − 𝑥1 + 𝑥2 + 2𝑥3 = 2
{ 𝐿′2 ∶ 2𝑥2 + 7𝑥3 = 12
𝐿′′3 ∶ −5𝑥3 = −10

Etape 3 :

On tire la valeur de 𝑥3 = 2 et on remplace cette dernière dans la 2éme équation pour obtenir 𝑥2 =
−1, puis on remplace les valeurs de 𝑥2 et 𝑥3 dans la 1ére équation pour obtenir 𝑥1 = 1. On a une
solution unique à savoir (1,-1,2). L’ensemble des solutions est alors 𝑆 = {(1, −1,2)}.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 14

Proposition

L’échange de deux lignes 𝐿𝑖 et 𝐿𝑗 ⇔ multiplier le système 𝐴𝑋 = 𝑏 par 𝑃(𝑖, 𝑗).

𝑖 𝑗

1
⋱
1
𝑖 0 1
1
𝑃(𝑖, 𝑗) = ⋱
1
𝑗 1 0
1
⋱
( 1)
Corollaire

Pour a ∈ R et k ≠ i, le remplacement d’une ligne Lk par la ligne Lk + aLi est équivalent à multiplier
le système AX = b par Ek .

𝑖 𝑘
1
⋱
1
𝑖 1
1
Ek = ⋱
1
𝑘 𝑎 1
1
⋱
( 1)

On généralise le corollaire précèdent afin de donner une méthode de construction de système

triangulaire supérieur équivalent à 𝐴𝑋 = 𝑏. On définit successivement les matrices :

𝐵𝑘 = 𝐸𝑘 𝑃𝑘 … 𝐸2 𝑃2 𝐸1 𝑃1 𝐴, 𝐵0 = 𝐴

𝑃 (𝑘, 𝑖 ) 𝑠𝑖 (𝐵𝑘−1 )𝑘𝑘 = 0 𝑒𝑡 (𝐵𝑘−1 )𝑖𝑘 ≠ 0

𝑃𝑘 = { avec 𝑘 < 𝑖
𝐼𝑛 𝑠𝑖𝑛𝑜𝑛

1
⋱ ⋮
1
1
𝐸𝑘 = (𝐵𝑘−1 )𝑘+1,𝑘 , 𝑘 = 1, … , 𝑛.
− (𝐵𝑘−1)𝑘,𝑘
1
⋮ ⋱
(𝐵𝑘−1)𝑛,𝑘
− (𝐵 1
( 𝑘−1 )𝑘,𝑘 )

Lemme

Les deux systèmes 𝐴𝑋 = 𝑏 et 𝐸𝑛 𝑃𝑛 … 𝐸2 𝑃2 𝐸1 𝑃1 𝐴𝑋 = 𝐸𝑛 𝑃𝑛 … 𝐸2 𝑃2 𝐸1 𝑃1 𝑏 sont équivalents.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 15

 Exemple

Calculons les matrices 𝑃𝑘 et 𝐸𝑘 de l’exemple précédent. La représentation matricielle du système est

−1 1 2 𝑥1 2
𝐴𝑋 = 𝑏 ⇔ ( 3 −1 1) (𝑥2 ) = (6)
−1 3 4 𝑥3 4
1 1 0 0
On a 𝑎11 = −1 ≠ 0 alors 𝑃1 = ( 1 ) et 𝐸1 = ( 3 1 0)
1 −1 0 1
−1 1 2 2
𝐸1 𝑃1 𝐴 = ( 0 2 7) et 𝐸1 𝑃1 𝑏 = (12)
0 2 2 2
1 1 0 0
On a (𝐸1 𝑃1 𝐴)22 ≠ 0 alors 𝑃2 = ( 1 ) et 𝐸2 = (0 1 0)
1 0 −1 1
−1 1 2 2
𝐸2 𝑃2 𝐸1 𝑃1 𝐴 = ( 0 2 7 ) et 𝐸2 𝑃2 𝐸1 𝑃1 𝑏 = ( 12 )
0 0 −5 −10
B. Méthode du Gauss-Jordan
C’est une variante qui ressemble la méthode de Gauss sauf qu’elle aboutit directement à une matrice
diagonale. Il suffit de modifier les matrices 𝐸𝑘 , il sera donné par la forme suivante :
𝑎1,𝑘
1 −
𝑎𝑘,𝑘
⋱ ⋮
𝑎𝑘−1,𝑘
1 −
𝑎𝑘,𝑘
𝐸𝑘 = 1
𝑎𝑘+1,𝑘
− 1
𝑎𝑘,𝑘
⋮ ⋱
𝑎𝑛,𝑘
− 1
( 𝑎𝑘,𝑘 )

Exemple

Calculons les matrices 𝑃𝑘 et 𝐸𝑘 de l’exemple précédent.

La représentation matricielle du système :

−1 1 2 𝑥1 2
𝐴𝑋 = 𝑏 ⇔ ( 3 −1 1) (𝑥2 ) = (6)
−1 3 4 𝑥3 4
1 1 0 0
On a 𝑎11 ≠ 0 alors 𝑃1 = ( 1 ) et 𝐸1 = ( 3 1 0)
1 −1 0 1
−1 1 2 2
𝐸1 𝑃1 𝐴 = ( 0 2 7) et 𝐸 𝑃
1 1 𝑏 = (12)
0 2 2 2
1
1 1 − 0
2
On a (𝐸1 𝑃1 𝐴)22 ≠ 0 alors 𝑃2 = ( 1 ) et 𝐸2 = (0 1 0)
1 0 −1 1

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 16

 3
−1 0 − 2 −4
𝐸2 𝑃2 𝐸1 𝑃1 𝐴 = ( 0 2 7 ) et 𝐸2 𝑃2 𝐸1 𝑃1 𝑏 = ( 12 )
0 0 −5 −10

3
1 0 −
10
𝐸3 = 7
0 1
5
(0 0 1 )
−1 0 0 −1
𝐸3 𝑃3 𝐸2 𝑃2 𝐸1 𝑃1 𝐴 = ( 0 2 0 ) et 𝐸3 𝑃3 𝐸2 𝑃2 𝐸1 𝑃1 𝑏 = ( −2 )
0 0 −5 −10
Enfin le système devient
−1 0 0 𝑥1 −1
(0 2 0 ) (𝑥2 ) = ( −2 )
0 0 −5 𝑥3 −10
C. La factorisation LU
La méthode LU consiste à factoriser la matrice A en deux matrices triangulaires L et U.

Théorème

Soit 𝐴 ∈ 𝑀𝑛 (𝑅).
𝑎11 ⋯ 𝑎1𝑘
Si les sous matrices diagonales 𝐴𝑘 = ( ⋮ ⋱ ⋮ ),𝑘 = 1, … , 𝑛 soient inversibles alors il existe
𝑎𝑘1 ⋯ 𝑎𝑘𝑘
un unique couple (𝐿, 𝑈) tel que 𝐴 = 𝐿𝑈 avec 𝐿 une matrice triangulaire inférieure (Lower en anglais)
et 𝑈 une matrice triangulaire supérieure (Upper en anglais).

Preuve

L’existence

Puisque 𝑎11 ≠ 0, (en effet (𝑎11 ) est inversible ), on peut choisir dans la méthode de Gauss 𝑃1 = 𝐼.

Au cours de l’élimination de Gauss on a pas fait de permutation pour changer le pivot jusqu’au 𝑘 − 1,
c'est-à-dire 𝑃1 = 𝑃2 = ⋯ = 𝑃𝑘−1 = 𝐼

𝐸𝑘 … 𝐸1 𝐴 = 𝑈 donc on peut poser 𝐿 = (𝐸𝑘 … 𝐸1 )−1 d’où 𝐴 = 𝐿𝑈

L’unicité

Supposons qu’il existe deux décompositions LU de A (𝐴 = 𝐿1 𝑈1 = 𝐿2 𝑈2 ) donc 𝐿−1 −1

2 𝐿1 = 𝑈1 𝑈1 ;
−1 −1
𝐿2 𝐿1 est une matrice triangulaire inférieure et 𝑈1 𝑈1 est une matrice triangulaire supérieure donc les
deux matrices sont diagonale comprenant les 1 car 𝐿−1 2 𝐿1 contient les 1 sur la diagonale. D’où
𝐿−1 −1
2 𝐿1 = 𝑈1 𝑈1 = 𝐼 c'est-à-dire 𝐿1 = 𝐿2 et 𝑈1 = 𝑈2 .
Remarque
 La condition demandé dans le théorème n’est pas déraisonnable, elle est vraie par exemple
pour les matrices symétriques définies positives.
 Pour résoudre 𝐴𝑋 = 𝑏 (𝐿𝑈𝑋 = 𝑏), on commence par résoudre 𝐿𝑌 = 𝑏 ensuite 𝑈𝑋 = 𝑌.
D. la factorisation de Cholesky
C’est une méthode qui s’applique aux matrices symétriques définies positives et elle utilise la
décomposition LU.
Définition
Une matrice symétrique 𝐴 ∈ 𝑀𝑛 (𝑅) est définie positive si ∀ 𝑋 ∈ 𝑅𝑛 , 𝑋 𝑡 𝐴𝑋 > 0.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 17

Théorème (Cholesky)
Si 𝐴 ∈ 𝑀𝑛 (𝑅) est une matrice symétrique définie positive, il existe au-moins une matrice 𝐵
triangulaire inférieure telle que 𝐴 = 𝐵𝐵𝑡 .
De plus, on peut imposer que les coefficients diagonaux de 𝐵 soient strictement positifs et alors la
décomposition est unique.
Preuve
L’existence
On pose ∆𝑘 les sous-matrices de 𝐴 = (𝑎𝑖𝑗 )1≤𝑖,𝑗≤𝑛 : ∆𝑘 = (𝑎𝑖𝑗 )1≤𝑖,𝑗≤𝑘 .
Soient 𝑤 = (𝑤𝑖 )1≤𝑖≤𝑘 ∈ 𝑅𝑘 et 𝑣 ∈ 𝑅𝑛 tel que 𝑣 = (𝑤, 0) avec
𝑣𝑖 = 𝑤𝑖 si 1 ≤ 𝑖 ≤ 𝑘
𝑣𝑖 = 0 si 𝑘 + 1 ≤ 𝑖 ≤ 𝑛
Alors 𝑣 𝑡 𝐴𝑣 = 𝑤 𝑡 ∆𝑘 𝑤 donc ∆𝑘 est aussi définie positive d’où ∆𝑘 est inversible ; ainsi d’après le
théorème précédent la décomposition LU de A existe.
1 0 0 𝑢11 ∗ ∗
𝐴 = 𝐿𝑈 = (∗ ⋱ 0) ( 0 ⋱ ∗ )
∗ ∗ 1 0 0 𝑢𝑛𝑛
Les nombres 𝑢𝑖𝑖 > 0 (en effet det(∆𝑘 ) = ∏𝑛𝑖=1 𝑢𝑖𝑖 > 0).
Soit la matrice diagonale ∆= 𝑑𝑖𝑎𝑔(√𝑢𝑖𝑖 ). On intercale la matrice ∆ dans la factorisation LU.
𝐴 = 𝐿𝑈 = (𝐿∆)(∆−1 𝑈)=BC.
𝐴 est symétrique ⇔ 𝐴𝑡 = 𝐴 ⇔ 𝐶 𝑡 𝐵𝑡 = 𝐵𝐶 ⇔ 𝐵−1 𝐶 𝑡 = 𝐶 (𝐵𝑡 )−1
𝐵−1 est une matrice triangulaire inférieure
𝐶 𝑡 est une matrice triangulaire inférieure
Ainsi 𝐵−1 𝐶 𝑡 est une matrice triangulaire inférieure
𝐶 est une matrice triangulaire supérieure
(𝐵𝑡 )−1 est une matrice triangulaire supérieure
Ainsi 𝐶 (𝐵𝑡 )−1 est une matrice triangulaire supérieure
Donc 𝐵−1 𝐶 𝑡 = 𝐶 (𝐵𝑡 )−1 implique que se sont deux matrices diagonales avec des 1 sur la diagonale
donc 𝐵−1 𝐶 𝑡 = 𝐼, il s’ensuit que 𝐶 𝑡 = 𝐵. D’où l’existence de la décomposition de Cholesky.
L’unicité
On a 𝐴 = 𝐵𝐵𝑡 , d’après l’unicité de la décomposition LU on déduit celle de Cholesky.

Description de la méthode de Cholesky

𝑏11
On pose 𝐵 = ( ⋮ ⋱ ) de l’égalité 𝐴 = 𝐵𝐵𝑡 on déduit les relations
𝑏𝑛1 𝑏𝑛2 … 𝑏𝑛𝑛
min(𝑖,𝑗)
𝑎𝑖𝑗 = (𝐵𝐵 )𝑖𝑗 = ∑𝑛𝑘=1 𝑏𝑖𝑘 𝑏𝑗𝑘 = ∑𝑘=1
𝑡
𝑏𝑖𝑘 𝑏𝑗𝑘 , 1 ≤ 𝑖, 𝑗 ≤ 𝑛.
Puisque 𝑏𝑝𝑞 = 0 si 1 ≤ 𝑝 < 𝑞 ≤ 𝑛.
Puisque 𝐴 est symétrique il suffit de trouver 𝑎𝑖𝑗 pour 𝑖 < 𝑗
𝑎𝑖𝑗 = ∑𝑖𝑘=1 𝑏𝑖𝑘 𝑏𝑗𝑘 , 1 ≤ 𝑖, 𝑗 ≤ 𝑛.
Pour 𝑖 = 1
𝑗 = 1, 𝑎11 = (𝑏11 )2 d’où 𝑏11 = √𝑎11
𝑗 = 2, 𝑎12 = 𝑏11 𝑏21 d’où 𝑏21 = 𝑎12 /𝑏11
⋮
𝑗 = 𝑛, 𝑎1𝑛 = 𝑏11 𝑏𝑛1 d’où 𝑏𝑛1 = 𝑎1𝑛 /𝑏11
Ce qui détermine la première colonne de 𝐵. De proche en proche, on détermine la iéme colonne de la
matrice 𝐵 par les relations :
Pour 𝑗 = 𝑖, 𝑎𝑖𝑖 = 𝑏𝑖1 𝑏𝑖1 + ⋯ 𝑏𝑖𝑖 𝑏𝑖𝑖 d’où 𝑏𝑖𝑖 = √𝑎𝑖𝑖 − ∑𝑖−1
𝑘=1(𝑏𝑖𝑘 )
2

𝑎𝑖,𝑖+1 −∑𝑖−1
𝑘=1 𝑏𝑖𝑘 𝑏𝑖+1,𝑘
Pour 𝑗 = 𝑖 + 1, 𝑎𝑖,𝑖+1 = 𝑏𝑖1 𝑏𝑖+1 + ⋯ 𝑏𝑖𝑖 𝑏𝑖𝑖+1 d’où 𝑏𝑖+1,𝑖 = 𝑏𝑖𝑖
⋮
𝑎𝑖𝑛−∑𝑖−1
𝑘=1 𝑏𝑖𝑘𝑏𝑛𝑘
Pour 𝑗 = 𝑛, 𝑎𝑖𝑛 = 𝑏𝑖1 𝑏𝑛1 + ⋯ 𝑏𝑖𝑖 𝑏𝑛𝑖 d’où 𝑏𝑛𝑖 = 𝑏𝑖𝑖
Résoudre les deux systèmes à matrices triangulaires : 𝐵𝑡 𝑋 = 𝑌, 𝐵𝑌 = 𝑏.
Exemple
Factorisons par la méthode Cholesky

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 18

 4 2 3
𝐴 = (2 4 2)
3 2 4
𝑏11 = √𝑎11 = √4=2
𝑎 2
𝑏21 = 12 = = 1
𝑏11 2
𝑎13 3
𝑏31 = =
𝑏11 2

2
𝑏22 = √𝑎22 − 𝑏21 = √4 − 1 = √3
3
𝑎23 − 𝑏21 𝑏31 2 − 1. 2 1
𝑏32 = = =
𝑏22 √3 2√3
2 2 ) √ 3 2 1 2 5
𝑏33 = √𝑎33 − (𝑏31 + 𝑏32 = 4 − ((2) + (2√3) ) = √3 d’où
2 0 0
1 √3 0
𝐵=
3 1 5
√
(2 2√3 3)

E. Factorisation QR
On rappelle qu’une matrice réelle carrée 𝑀 est dite orthogonale si 𝑀−1 = 𝑀𝑡 .
Théorème (Décomposition QR)
Soit 𝐴 ∈ 𝑀𝑛 (𝐾) une matrice inversible. Il existe un unique couple (𝑄, 𝑅) tel que 𝑄 est orthogonale et
𝑅 est une matrice triangulaire dont tous les éléments diagonaux sont >0 telle que = 𝑄𝑅 .
Remarque
𝑄𝑌 = 𝑏
Résoudre 𝐴𝑋 = 𝑏 est alors équivalent à résoudre le système {
𝑅𝑋 = 𝑦
Sachant que 𝑄𝑌 = 𝑏 s’inverse facilement en donnant car 𝑄 = 𝑄𝑡 et donc 𝑌 = 𝑄𝑡 𝑏.
−1

Démonstration
Idée : La preuve s’inspire du procédé d’orthogonalisation de Gram-Schmidt.
Preuve
L’existence de la décomposition
La preuve s’inspire du procédé d’orthogonalisation de Gram-Schmidt. On pose 𝐴 = (𝑎1 , … , 𝑎𝑛 ) avec
les 𝑎𝑖 sont les vecteurs colonnes de 𝐴.
𝐴 est inversible alors le système (𝑎1 , … , 𝑎𝑛 ) est une base de 𝑅𝑛 . On applique sur ce système le
procédé d’orthonormalisation de Gram-Schmidt qui produit une base orthonormée (𝑞1 , … , 𝑞𝑛 ) définie
par
𝑎𝑖 − ∑𝑖−1
𝑘=1 < 𝑞𝑘 , 𝑎𝑖 > 𝑞𝑘
𝑞𝑖 =
‖𝑎𝑖 − ∑𝑖−1
𝑘=1 < 𝑞𝑘 , 𝑎𝑖 > 𝑞𝑘 ‖
𝑖
On remarque que les 𝑎𝑖 s’écrit 𝑎𝑖 = ∑𝑘=1 𝑟𝑘𝑖 𝑞𝑘 avec 𝑟𝑘𝑖 > 0.
On définit la matrice 𝑅 par la matrice triangulaire 𝑅 = (𝑟𝑘𝑖 ) et la matrice 𝑄 par (𝑞1 , … , 𝑞𝑛 ) qui est
donc orthogonale avec 𝐴 = 𝑄𝑅
L’unicité de la décomposition
Soit 𝐴 = 𝑄1 𝑅1 = 𝑄2 𝑅2 deux factorisations de 𝐴 alors 𝑄2 𝑡 𝑄1 = 𝑅2 𝑅1 −1
𝑇 = 𝑅2 𝑅1 −1 est triangulaire supérieure et inversible.
𝑇𝑇 𝑡 = 𝑄2𝑡 𝑄1 𝑄1𝑡 𝑄2 = 𝐼 c'est-à-dire 𝐼 = 𝑇𝑇 𝑡 donc 𝑇 est la factorisation unique de Cholesky d’où 𝑇 = 𝐼
donc finalement 𝑅1 = 𝑅2 et 𝑄1 = 𝑄2
Exemple
Soit la matrice inversible
1 1 −1
𝐴 = (0 1 1 )
1 1 0

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 19

 1 1
0 −
√2 √2
En utilisant l’algorithme de Gram-Schmidt on obtient 𝑞1 = ( 0 ) , 𝑞2 = (1), 𝑞3 = ( 0 ) ce qui
1 1
0
√2 √2
1 1
0 −
√2 √2
donne 𝑄 = ( 0 1 0 ).
1 1
0
√2 √2
Or 𝑎1 = √2 𝑞1
𝑎2 = √2 𝑞1 + 𝑞2
1
√2 √2 − √2
1 1
𝑎3 = − 𝑞1 + 𝑞2 + 𝑞3 d’où 𝑅 = ( 0 1 1 )
√2 √2 1
0 0
√2

II- Méthodes itératives

I. Rappels et compléments
On rappelle les définitions et les résultats suivants :
Définitions
1) Soient une matrice carré A ∈ Mn (R), un vecteur colonne non nul X ∈ Rn et un scalaire
α ∈ R. Si AX = αX, on dit que α est une valeur propre de A et que X est un vecteur propre
de A associé à α.
2) L’ensemble des valeurs propres de A est dite spectre de A et se note sp(A).
3) On appelle polynôme caractéristique de A l’application pA (x) = det(A − xIn ) avec In la
matrice identité d’ordre 𝑛.
4) On appelle rayon spectral d’une matrice carré 𝐴 le nombre réel noté 𝜌=
max |𝛼 |).
𝛼∈𝑠𝑝(𝐴)
Lemme
α ∈ sp(A) si et seulement si pA (α) = 0.
Norme vectorielle

On appelle norme sur 𝐸 une application ‖ ‖: 𝐸 → 𝑅 + , 𝑥 → ‖𝑥‖ qui verifie

i) ∀𝑥 ∈ 𝐸, ‖𝑥‖ = 0 ⇔ 𝑥 = 0.
ii) ∀𝛼 ∈ 𝑅, ∀𝑥 ∈ 𝐸, ‖𝛼𝑥‖ = |𝛼 |‖𝑥‖.
iii) ∀𝑥, 𝑦 ∈ 𝐸, ‖𝑥 + 𝑦‖ ≤ ‖𝑥‖ + ‖𝑦‖.

(𝐸, ‖ ‖) est dit un espace vectoriel normé.

Exemples

Les trois normes suivantes sont les plus couramment utilisées en pratique (étant donnée le vecteur 𝑣 =
(𝑣1 , … , 𝑣𝑛 )𝜖𝑅𝑛 ) :

1) ‖𝑣‖1 = ∑𝑖|𝑣𝑖 |
2) ‖𝑣‖2 = (∑𝑖|𝑣𝑖 |2 )1/2 =< 𝑣, 𝑣 >1/2
3) ‖𝑣‖∞ = max|𝑣𝑖 |
𝑖

Norme matricielle

On appelle une norme matricielle une application ‖| |‖: 𝑀𝑛 (𝑅) → 𝑅+ , ,𝐴 → ‖|𝐴|‖ telles que

𝑖) ‖|𝐴|‖ ⇔ 𝐴 = 0

𝑖𝑖) ‖|𝛼𝐴|‖ = |𝛼 |‖|𝐴|‖ , ∀𝛼 ∈ 𝑅

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 20

𝑖𝑖𝑖) ‖|𝐴 + 𝐵|‖ ≤ ‖|𝐴|‖ + ‖|𝐵|‖

𝑖𝑣) ‖|𝐴𝐵|‖ ≤ ‖|𝐴|‖‖|𝐵|‖.

Remarque (admise)

Si ‖| |‖ est une norme matricielle sur 𝑅𝑛 , on peut lui associer une norme matricielle subordonnée
par :
‖𝐴𝑣‖ ‖𝐴𝑣‖
‖|𝐴|‖ = sup = sup = sup ‖𝐴𝑣‖
𝑣∈𝑅 𝑛 ‖𝑣‖ ‖𝑣‖≤1 ‖𝑣‖ ‖𝑣‖=1
𝑣≠0

En particulier sur 𝑀𝑛 (𝑅) on a les trois normes matricielles subordonnées

‖𝐴𝑣‖1
1) ‖|𝐴|‖1 = sup = max(∑𝑖 |𝑎𝑖𝑗 |)
𝑣∈𝑅 𝑛 ‖𝑣‖1 𝑗

‖𝐴𝑣‖2
2) ‖|𝐴|‖2 = sup ‖𝑣‖2
=√𝜌(𝐴𝑡 𝐴)
𝑣∈𝑅 𝑛
‖𝐴𝑣‖∞
3) ‖|𝐴|‖∞ = sup ‖𝑣‖∞
= max(∑𝑗 |𝑎𝑖𝑗 |)
𝑣∈𝑅 𝑛 𝑖

Exemple
1 3 0
𝐴 = (2 2 −1) , ‖|𝐴|‖1 = max(8,6,4) = 8, ‖|𝐴|‖∞ = max(4,5,9) = 9.
5 1 3
Définition

La convergence d’une suite de matrices équivaut à la convergence des suites de scalaires formées des
éléments des matrices. lim ((𝑎𝑖𝑗 )𝑖𝑗 ) = ( lim (𝑎𝑖𝑗 )𝑛 ) .
𝑛→∞ 𝑛 𝑛→∞ 𝑖𝑗

II. Principe d’une méthode itérative

Une méthode itérative, de résolution du système 𝐴𝑋 = 𝑏, consiste à calculer une suite de solutions 𝑋𝑘
approchés qui converge vers la solution 𝑋. On écrit 𝐴 sous la forme 𝐴 = 𝑀 − 𝑁 avec 𝑀 est inversible
et facile à inverser.

𝐴𝑋 = 𝑏 ⇔ 𝑀𝑋 = 𝑁𝑋 + 𝑏 ⇔ 𝑋 = 𝑀−1 𝑁𝑋 + 𝑀−1 𝑏 ce qui suggère le procédé itératif suivant 𝑋𝑘+1 =

𝑀−1 𝑁𝑋𝑘 + 𝑀 −1 𝑏.

Dire qu’une méthode est convergente revient à dire que lim 𝑒𝑘 = 0 pour tout vecteur 𝑒0 = 𝑋0 − 𝑋
𝑘→∞
avec 𝑒𝑘 = 𝑋𝑘 − 𝑋.

On appelle erreur de la méthode (à la kéme itération) la quantité 𝑒𝑘 = 𝑋𝑘 − 𝑋. On a 𝑒𝑘 = (𝑀−1 𝑁)𝑘 𝑒0

pour tout 𝑘 ≥ 1.

Il y a une multitude de façons d’écrire 𝐴 sous la forme 𝐴 = 𝑀 − 𝑁. Nous nous limiterons à 𝐴 = 𝑀 −

𝑁 = 𝐷 − 𝐿 − 𝑈.

 Méthode de Jacobi 𝑀 = 𝐷, 𝑁 = 𝐿 + 𝑈
 Méthode de Gauss-Seidel 𝑀 = 𝐷 − 𝐿, 𝑁 = 𝑈.
III. Etude de la convergence des méthodes itératives
La proposition suivante nous fournit une condition nécessaire et suffisante pour qu’une méthode
itérative, de résolution du système de type 𝐴𝑋 = b , soit convergente.
Proposition

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 21

La méthode itérative associée à 𝐴 = 𝑀 − 𝑁 est convergente si et seulement si 𝜌(𝑀−1 𝑁) < 1.

Preuve

C’est une déduction du théorème suivant

Théorème

Soit 𝐵 ∈ 𝑀𝑛 (𝑅) une matrice carrée. Les assertions suivantes sont équivalentes

i) lim 𝐵𝑘 = 0.
𝑘→+∞
ii) lim 𝐵𝑘 𝑉 = 0 pour tout vecteur 𝑉 ∈ 𝑅𝑛 .
𝑘→+∞
iii) 𝜌(𝐵) < 1.
iv) Il existe au moins une norme matricielle subordonnée telle que ‖𝐵‖ < 1

Preuve

𝑖) ⇒ 𝑖𝑖)

On a ‖𝐵𝑘 𝑣‖ ≤ ‖𝐵𝑘 ‖‖𝑣‖ alors lim 𝐵𝑘 = 0 implique que lim 𝐵𝑘 𝑉 = 0 pour tout 𝑉 ∈ 𝑅𝑛 .(la
𝑘→+∞ 𝑘→+∞
continuité de la norme)

𝑖𝑖) ⇒ 𝑖𝑖𝑖)

Par contraposé, si 𝜌(𝐵) ≥ 1 il existe un vecteur 𝑉 et une valeur propre 𝛼 tel que 𝐵𝑉 = 𝛼𝑉 et |𝛼 | ≥ 1
alors la suite 𝐵𝑘 𝑉 ne saurait converger vers 0 (puisque 𝐵𝑘 𝑉 = 𝛼 𝑘 𝑉).

𝑖𝑖𝑖) ⇒ 𝑖𝑣) Voir pages 19 et 20 , Introduction à l’analyse numérique matricielle et à l’optimisation P.G.
Ciarlet.

𝑖𝑣) ⇒ 𝑖) on a ‖𝐵𝑘 ‖ ≤ ‖𝐵‖𝑘 et puisque lim ‖𝐵‖𝑘 = 0 ( car ‖𝐵‖ < 1) , lim ‖𝐵𝑘 ‖ = 0 d’où le
𝑘→∞ 𝑘→+∞
résultat.

IV. La méthode de Jacobi

Elle consiste à choisir 𝑀 = 𝐷 = 𝑑𝑖𝑎𝑔(𝑎𝑖𝑖 ) inversible et 𝑁 = (−𝑎𝑖𝑗 )𝑖≠𝑗

Le schéma itératif est comme suit : 𝑋𝑘+1 = 𝐷−1 (𝐿 + 𝑈)𝑋𝑘 + 𝐷−1 𝑏.

La matrice 𝐽 = 𝐷−1 (𝐿 + 𝑈) est dite matrice de Jacobi associée à la matrice 𝐴.

Si 𝑋0 est le vecteur initial (donné) l’algorithme de Jacobi est de la forme

1 𝑏𝑖
(𝑋𝑘+1 )𝑖 = − ∑ 𝑎𝑖𝑗 (𝑋𝑘 )𝑗 + , 𝑖 = 1,2, … , 𝑛
𝑎𝑖𝑖 𝑎𝑖𝑖
𝑖≠𝑗

Cet algorithme nécessite 𝑎𝑖𝑖 ≠ 0 pour 𝑖 = 1,2, … , 𝑛 c'est-à-dire 𝐷 est inversible.

Exemple
2 1 1
Soit la matrice 𝐴 = (1 2 1) ,
1 1 2
2 0 −1 −1
𝐴 = 𝐷 − (𝐿 + 𝑈) = ( 2 ) − (−1 0 1)
2 −1 −1 0

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 22

 1 1 1
0 − −
2 0 −1 −1 2 2
1 1 1
Alors 𝐽 = (−1 0 1)= − 0
2 2 2
1 −1 −1 0 1 1
− −2 0
( 2 ) ( 2 )
1 1 1
𝑝𝐽 (𝑥) = 𝑥(2 − 𝑥)(2 + 𝑥) alors 𝜌(𝐽 ) = 2 < 1 d’où la méthode de Jacobi converge.

V. La méthode de Gauss-Seidel

Pour cette méthode, les matrices 𝑀 et 𝑁 sont données par 𝑀 = 𝐷 − 𝐿 inversible et 𝑁 = 𝑈 où 𝐷, 𝐿 et 𝑈

proviennent de 𝐴 = 𝐷 − 𝐿 − 𝑈.

Le schéma itératif est comme suit : (𝐷 − 𝐿)𝑋𝑘+1 = 𝑈𝑋𝑘 + 𝑏 en supposant que 𝐷 − 𝐿 est inversible.

Remarque

La matrice de Gauss-Seidel s’écrit 𝐿1 = (𝐼 − 𝐷 −1 𝐿)−1 𝐷−1 𝑈.

Exemple

On refait l’exemple précédent

2 1 1 2 0 0 0 −1 −1 2 0 0 −1 0 −1 −1
𝐴 = (1 2 1) = (1 2 0) − (0 0 −1) alors 𝐿1 = (1 2 0) (0 0 −1)
1 1 2 1 1 2 0 0 0 1 1 2 0 0 0
1 −1 −1
0 0 0
2 0 −1 −1 2 2
−1 1 1 −1
= 4 2
0 (0 0 −1) = 0 4 4
−1 −1 1 0 0 0 1 3
0
(8 4 2) ( 8 8 )
5 √7 5 √7 √2
Donc 𝑠𝑝(𝐿1 ) = {0, 16 + 𝑖 16 , 16 − 𝑖 16 } et 𝜌(𝐿1 ) = 2
< 1 d’où la méthode de Gauss-Seidel converge.

VI. La méthode de relaxation

C’est une généralisation de la méthode de Gauss-Seidel. On introduit un paramètre 𝛼 ≠ 0, la

𝐷 (1−𝛼)𝐷
décomposition devient 𝑀 = 𝛼 − 𝐿 et 𝑁 = 𝛼 + 𝑈.

𝐷 −1 (1−𝛼)𝐷
La matrice d’itération : 𝐿𝛼 = 𝑀 −1 𝑁 = ( 𝛼 − 𝐿) (
𝛼
+ 𝑈)

Remarque

Si 𝛼 = 1, la méthode de relaxation n’est que la méthode de Gauss-Seidel.

Exemple

Pour le l’exemple précédent

−1
2 (1 − 𝛼)
0 0 2 −1 −1
𝛼 𝛼
2 (1 − 𝛼)
𝐿𝛼 = 1 0 0 2 −1
𝛼 𝛼
2 (1 − 𝛼)
(1 1
𝛼) ( 0 0
𝛼
2)

III- Exercices

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 23

Exercice 1

Soit 𝐴 une matrice réelle d’ordre 𝑛 telle que 𝑎𝑖𝑖 ≠ 0 pour tout 𝑖. Pour résoudre le système 𝐴𝑥 = 𝑏, on
construit une suite de vecteurs (𝑥 (𝑘) )𝑘 de la façon suivante :

 𝑥 (0) donné, 𝑥 (𝑘) étant connu, on pose 𝑟 (𝑘) = 𝐴𝑥 (𝑘) − 𝑏.

 On choisit 1 ≤ 𝑖 ≤ 𝑛 tel que 𝑟𝑖 (𝑘) = ‖𝑟 (𝑘) ‖∞
𝑟𝑖 (𝑘)
𝑥𝑖 (𝑘+1) = 𝑥𝑖 (𝑘) −
 On construit 𝑥 (𝑘+1) par { 𝑎𝑖𝑖 .
(𝑘+1) (𝑘)
𝑥𝑗 = 𝑥𝑗 , pour 𝑗 ≠ 𝑖
𝑟𝑖 (𝑘)
1) Montrer qu’on a 𝑟 (𝑘+1) = 𝑟 (𝑘) − 𝑎𝑖𝑖
𝑎𝑖 , avec 𝑎𝑖 la iéme colonne de 𝐴.
1 𝑎𝑗𝑖
2) Démontrer que ‖𝑟 (𝑘+1) ‖1 = [1 − 𝑛 + ∑𝑛𝑗=1,𝑗≠𝑖 |𝑎 |] ‖𝑟 (𝑘) ‖1
𝑖𝑖

3) En déduire une condition suffisante de convergence da la suite (𝑥 (𝑘) )𝑘 vers la solution du

système.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 24

 Chapitre 3: Approximation et interpolation des fonctions

I- Introduction
Supposons que 𝑓 est une fonction « difficilement calculable » telle qu’on ne puisse pas déterminer sa
primitive ou sa dérivée. Si nous désirons calculer l’intégrale de 𝑓 sur [𝑎, 𝑏], ou la valeur de la dérivée
de 𝑓 en un point 𝑥 de [𝑎, 𝑏], il est évidement intéressant de pouvoir remplacer 𝑓 par une fonction 𝑔
𝑏
telle que ∫𝑎 𝑔(𝑥)𝑑𝑥 ou 𝑔′(𝑥) soient facilement calculables et constituent de bonnes approximations de
𝑏
∫𝑎 𝑓 (𝑥)𝑑𝑥 ou 𝑓′(𝑥).

On dit que 𝑔 est une une approximation de 𝑓 si la distance entre 𝑓 et 𝑔 est minimal.

On dit que 𝑔 (fonction de type préalablement choisi) est une interpolation de 𝑓 aux points
𝑥1 , 𝑥2 , … 𝑥𝑛 si 𝑓(𝑥𝑖 ) = 𝑔(𝑥𝑖 ), ∀𝑖 = 1, … , 𝑛 .

𝐶𝑔

Remarque

L’approximation de 𝑓 par un polynôme est dite approximation polynomiale, est la plus fréquente car
les polynômes sont très aisément dérivables, intégrable et constituent un espace vectoriel.

II- Interpolation polynomial

𝑅𝑛 [𝑥] : l’espace vectoriel des polynômes sur 𝑅 de degré inférieur ou égal à 𝑛.

Théorème et définition

Pour toute fonction 𝑓: [𝑎, 𝑏] → 𝑅 et 𝑥0 , 𝑥1 , … 𝑥𝑛 des points distincts de [𝑎, 𝑏], il existe un unique
polynôme 𝑝𝑛 ∈ 𝑅𝑛 [𝑥] telle que 𝑝𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ), ∀𝑖 = 0,1, … 𝑛. 𝑝𝑛 est dite le polynôme d’interpolation
de 𝑓 aux 𝑥0 , 𝑥1 , … 𝑥𝑛 .

Preuve

i) L’existence

L’existence est assurée, en effet soit le polynôme

𝑥−𝑥𝑗
𝑃𝑛 (𝑥) = ∑𝑛𝑖=0 𝑓(𝑥𝑖 ) ∏𝑗≠𝑖 𝑥 −𝑥 .
𝑖 𝑗

ii) L’unicité

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 25

 En écrivant 𝑝𝑛 = ∑𝑛𝑗=0 𝑎𝑗 𝑥 𝑗 on aura

𝑓(𝑥0 ) 1 𝑥0 … 𝑥0𝑛 𝑎0
( ) ( )
𝑝𝑛 𝑥𝑖 = 𝑓 𝑥𝑖 , ∀𝑖 = 0,1, … 𝑛 ⇔ ( ⋮ ) = ( ⋮ ⋱ ⋮ )( ⋮ )
𝑓(𝑥𝑛 ) 1 𝑥𝑛 … 𝑥𝑛𝑛 𝑎𝑛

1 𝑥0 … 𝑥0𝑛
(⋮ ⋱ ⋮ ) est inversible (matrice de Vandermonde) donc la solution du système est unique.
1 𝑥𝑛 … 𝑥𝑛𝑛

A. Interpolation de Lagrange
Lemme
𝑥−𝑥𝑗
Soient 𝑥0 , 𝑥1 , … 𝑥𝑛 des points distincts de [𝑎, 𝑏] ⊂ 𝑅 et 𝑙𝑖 (𝑥) = ∏𝑗≠𝑖 𝑥 −𝑥 , 0 ≤ 𝑖 ≤ 𝑛, on a
𝑖 𝑗

0 𝑠𝑖 𝑗 ≠ 𝑖
i) 𝑙𝑖 (𝑥𝑗 ) = {
1 𝑠𝑖 𝑗 = 𝑖
ii) {𝑙0 (𝑥), … 𝑙𝑛 (𝑥)} est une base de 𝑅𝑛 [𝑥].

Preuve
𝑥𝑖 −𝑥𝑗 𝑥𝑘−𝑥𝑗 𝑥𝑘−𝑥𝑗
i) 𝑙𝑖 (𝑥𝑖 ) = ∏𝑗≠𝑖 𝑥 −𝑥 = 1 et 𝑙𝑖 (𝑥𝑘 ) = ∏𝑗≠𝑖 𝑥 −𝑥 = (𝑥𝑘 − 𝑥𝑘 ) ∏ 𝑗≠𝑖 𝑥𝑖−𝑥𝑗
= 0.
𝑖 𝑗 𝑖 𝑗
𝑗≠𝑘
ii) Puisque 𝑅𝑛 [𝑥] est de dimension 𝑛, il suffit de montrer que ( 𝑙𝑖 )𝑖=0,1,…𝑛 est libre.

∑𝑛𝑖=0 𝛼𝑖 𝑙𝑖 =0⇒ ∑𝑛𝑖=0 𝛼𝑖 𝑙𝑖 (𝑥𝑘 )= 𝛼𝑘 =0, ∀𝑘 = 0,1, . . 𝑛.

Définition

Le polynôme 𝑃𝑛 (𝑥) = ∑𝑛𝑖=0 𝑓(𝑥𝑖 )𝑙𝑖 (𝑥) est dite le polynôme d’interpolation de Lagrange de 𝑓 aux
points 𝑥0 , 𝑥1 , … 𝑥𝑛 .

Exemple 1

Donner le polynôme d’interpolation d’une fonction 𝑓: 𝑅 → 𝑅 tel que 𝑓 (−1) = 1, 𝑓 (0) = −1, et
𝑓 (1) = 3.

Remarque 1

L’interpolation d’une fonction par un polynôme n’est pas précise en général si le nombre de points 𝑥𝑖
de [𝑎, 𝑏]est plus grand.

Remarque 2

Cette méthode de calcul de polynôme d’interpolation d’une fonction a un défaut majeur : si l’on
décide d’ajouter un point d’interpolation, il faut recalculer toute la base ( 𝑙𝑖 )𝑖=0,1,…𝑛 , on envisage donc
une autre approche permettant d’ajouter des points facilement.

Exemple 2

Donner le polynôme d’interpolation d’une fonction 𝑓: 𝑅 → 𝑅 tel que 𝑓 (−1) = 1, 𝑓 (0) = −1, 𝑓 (1) =
3, et 𝑓(2) = 6.

B. Interpolation de Newton

Théorème
Soient 𝑓: [𝑎, 𝑏] → 𝑅 et 𝑥0 , 𝑥1 , … 𝑥𝑛 des points distincts de [𝑎, 𝑏] et 𝑝𝑛 le polynôme d’interpolation de
𝑓 aux points 𝑥0 , 𝑥1 , … 𝑥𝑛 .

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 26

 i) Pour tout 𝑘 = 1, … , 𝑛, il existe une constante 𝛼𝑘 ∈ 𝑅 tel que 𝑝𝑘 (𝑥) − 𝑝𝑘−1 (𝑥) =
𝛼𝑘 𝑥 − 𝑥0 … 𝑥 − 𝑥𝑘−1 , on note 𝛼𝑘 par 𝑓[𝑥0 , … , 𝑥𝑘 et désigne le coefficient de 𝑥 𝑘 dans
( ) ( ) ]
𝑝𝑘 (𝑥).
ii) 𝑝𝑛 (𝑥) = 𝑓 (𝑥0 ) + ∑𝑛𝑘=1 𝑓[𝑥0 , … , 𝑥𝑘 ](𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑘−1 ) est le polynôme d’interpolation de
𝑓 aux points 𝑥0 , 𝑥1 , … 𝑥𝑛 .(dite de Newton).
Définition

La quantité 𝑓[𝑥0 , … , 𝑥𝑘 ] est appelé la différence divisée d’ordre 𝑘 de 𝑓 aux points 𝑥0 , 𝑥1 , … 𝑥𝑘 .

Preuve
i) On a 𝑝0 (𝑥) = 𝑓(𝑥0 ), polynôme de degré 0.

Pour 𝑘 = 1, … , 𝑛 , 𝑝𝑘 − 𝑝𝑘−1 =𝑙𝑘 (𝑥)𝑓(𝑥𝑘 ) donc 𝑝𝑘 − 𝑝𝑘−1 est un polynôme de degré 𝑘 et

s’annule en 𝑘 racines 𝑥0 , 𝑥1 , … 𝑥𝑘−1.

ii) 𝑝𝑛 (𝑥) = 𝑝0 (𝑥) + ∑𝑛𝑘=1(𝑝𝑘 (𝑥) − 𝑝𝑘−1 (𝑥))

= 𝑓(𝑥0 ) + ∑𝑛𝑘=1 𝑓[𝑥0 , … , 𝑥𝑘 ](𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑘−1 ).

Le lemme suivant nous fournit un algorithme de calcul des différences divisées.

Lemme
i) 𝑓[𝑥𝑖 ]= 𝑓(𝑥𝑖 ) 𝑖 = 0,1, … , 𝑘
𝑓[𝑥 ,…,𝑥 ]−𝑓[𝑥0,…,𝑥𝑘−1 ]
ii) 𝑓[𝑥0 , … , 𝑥𝑘 ] = 1 𝑘 𝑥𝑘−𝑥0
, ∀ 𝑘 = 1, … , 𝑛 − 1.
Démonstration
i) Les 𝑘 + 1 polynomes de degré 0 interpolent 𝑓 respectivement aux points 𝑥0 , 𝑥1 , … 𝑥𝑘−1 Sont
respectivement égaux à 𝑓(𝑥0 ), … , 𝑓(𝑥𝑘) , ce qui n’est autre que les coefficients respectifs de
leur terme de plus haut degré 𝑥 0 , ce qui veut dire que 𝑓[𝑥𝑖 ]= 𝑓(𝑥𝑖 ) 𝑖 = 0,1, … , 𝑘 .
∗
ii) Pour 𝑘 ≥ 1, notons 𝑝𝑘−1 le polynôme d’interpolation de 𝑓 de degré 𝑘 − 1 aux points 𝑥1 , … 𝑥𝑘
, coefficients de 𝑥 𝑘−1 est 𝑓[𝑥1 , … , 𝑥𝑘 ].
∗
(𝑥−𝑥0)𝑝𝑘−1 (𝑥)−(𝑥−𝑥𝑘)𝑝𝑘−1(𝑥)
Soit 𝑞𝑘 (𝑥) = .
𝑥𝑘 −𝑥0
𝑞𝑘 ≅ 𝑝𝑘 puisque 𝑞𝑘 (𝑥𝑖 ) = 𝑝𝑘 (𝑥𝑖 ), ∀𝑖 = 0,1, … , 𝑘 d’où le résultat , en identifiant
∗
(𝑥−𝑥0 )𝑝𝑘−1 (𝑥)−(𝑥−𝑥𝑘 )𝑝𝑘−1 (𝑥)
les coefficients de 𝑥 𝑘 dans 𝑞𝑘 (𝑥) = 𝑥𝑘−𝑥0
.
Théorème
1) On a
𝑓(𝑥1 ) 𝑓(𝑥2 )
𝑓[𝑥1 , 𝑥2 ] = +
𝑥1 − 𝑥2 𝑥2 − 𝑥1
Plus généralement
𝑚
𝑓(𝑥𝑖 )
𝑓[𝑥1 , … , 𝑥𝑚 ] = ∑
∏𝑚
𝑘=1(𝑥𝑖 − 𝑥𝑘 )
𝑖=1
𝑘≠𝑖
2) La différence divisée d’ordre 𝑚 d’une fonction 𝑓 est indépendante de l’ordre des
points 𝑥1 , … 𝑥𝑛+1 .

Démonstration
1) On a bien
𝑓[𝑥1 ] − 𝑓[𝑥2 ] 𝑓(𝑥1 ) 𝑓(𝑥2 )
𝑓[𝑥1 , 𝑥2 ] = = +
𝑥1 − 𝑥2 𝑥1 − 𝑥2 𝑥2 − 𝑥1
Supposons que
𝑓(𝑥𝑖)
𝑓[𝑥1 , … , 𝑥𝑚 ] = ∑𝑚
𝑖=1 ∏𝑚 (𝑥 −𝑥 ) est vraie jusqu’à 𝑚 − 1. Puisque par définition.
𝑘=1 𝑖 𝑘
𝑘≠𝑖
𝑓[𝑥1 ,…,𝑥𝑚−1]−𝑓[𝑥2,…,𝑥𝑚]
𝑓[𝑥1 , … , 𝑥𝑚 ] = 𝑥1−𝑥𝑚
.
On a

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 27

 𝑓(𝑥𝑖 ) 𝑓(𝑥𝑖 )
∑𝑚−1
𝑖=1 − ∑𝑚
𝑖=2 ∏𝑚 (𝑥 − 𝑥 )
∏𝑚−1
𝑘=1 (𝑥𝑖 − 𝑥𝑘 ) 𝑘=2 𝑖 𝑘
𝑘≠𝑖 𝑘≠𝑖
𝑓[𝑥1 , … , 𝑥𝑚 ] =
𝑥1 − 𝑥𝑚

Ce que l’on peut écrire :

𝑓(𝑥1 )
𝑓[𝑥1 , … , 𝑥𝑚 ] = 𝑚
∏𝑘=1(𝑥1 − 𝑥𝑘 )
𝑚−1
𝑓(𝑥𝑖 ) 1 1 𝑓(𝑥𝑚 )
+∑ ( 𝑚−1 − 𝑚 )−
𝑥1 − 𝑥𝑚 ∏𝑘=1 (𝑥𝑖 − 𝑥𝑘 ) ∏𝑘=2(𝑥𝑖 − 𝑥𝑘 ) (𝑥1 − 𝑥𝑚 ) ∏𝑚
𝑘=2 (𝑥𝑚 − 𝑥𝑘 )
𝑖=2 𝑘≠𝑚
𝑘≠𝑖 𝑘≠𝑖
C'est-à-dire :
𝑚−1
𝑓(𝑥1 ) 𝑓(𝑥𝑖 ) 𝑓(𝑥𝑚 )
𝑓[𝑥1 , … , 𝑥𝑚 ] = 𝑚 +∑ 𝑚 + 𝑚
∏𝑘=1(𝑥1 − 𝑥𝑘 ) ∏𝑘=1(𝑥𝑖 − 𝑥𝑘 ) ∏ 𝑘=1 (𝑥𝑚 − 𝑥𝑘 )
𝑘≠1 𝑖=2 𝑘≠𝑚
𝑘≠𝑖
D’où le résultat.
𝑓(𝑥𝑖)
2) Dans la formule 𝑓[𝑥1 , … , 𝑥𝑚 ] = ∑𝑚
𝑖=1 ∏𝑚 (𝑥 −𝑥 ) l’ordre dans lequel on effectue la somme et
𝑘=1 𝑖 𝑘
𝑘≠𝑖
les produits n’a aucune influence sur le résultat.

Remarque
Puisque le polynôme d’interpolation est unique, les deux polynômes de Lagrange et de Newton sont
deux formes d’un même polynôme.

Algorithme de newton
Le polynôme d’interpolation de newton est donné par
𝑝𝑛 (𝑥) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 )𝑓[𝑥0 , 𝑥1 ] + ⋯ + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )𝑓[𝑥0 , . . , 𝑥𝑛 ]
On peut donc le construire de proche en proche
Pour 𝑚 = 0,1,2, … , 𝑛 on définit les polynômes 𝑝𝑛 par les formules de récurrence suivantes :

𝑝𝑚+1 (𝑥) = 𝑝𝑚 (𝑥) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑚 )𝑓[𝑥0 , . . , 𝑥𝑚+1 ]

{
𝑝0 (𝑥) = 𝑓 (𝑥0 )

Les différences divisées se calculent à partir du lemme cité ci-dessus.

Remarque
Si on ajoute un point d’interpolation xn+1 il suffit de compléter le tableau des différences divisées
pour calculer le polynôme d’interpolation 𝑝𝑛+1 (𝑥) .
Exemple
Déterminer le polynôme 𝑝3 (𝑥) d’interpolation de Lagrange𝑓 de aux points (𝑥𝑖 , 𝑓(𝑥𝑖 )) suivants :
(0,1)(1,3)(3,2)(4,5)
𝑥𝑖 𝑓(𝑥𝑖 )
0 1
1 3 2 -5/6
3 2 -1/2 7/6 1/2
4 5 3
5 1
Donc 𝑝3 𝑥) = 1 + 2𝑥 − 6 𝑥(𝑥 − 1) + 2 𝑥 (𝑥 − 1)(𝑥 − 3)
(
1 17 13
= 2 𝑥3 − 6 𝑥2 + 3 𝑥 + 1
Si on ajoute un point d’interpolation, il suffit de compléter le tableau des différences divisées
𝑥𝑖 𝑓(𝑥𝑖 )
0 1
1 3 2 -5/6
3 2 -1/2 7/6 1/2
4 5 3 0 -7/6 -5/6
2 -1 3

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 28

 5
Donc 𝑝4 (𝑥) = 𝑝3 (𝑥) − 𝑥 (𝑥 − 1)(𝑥 − 3)(𝑥 − 4)
6
5 43 56 43
= − 6 x4 + 6
𝑥2 − 3
𝑥2 + 3
𝑥 + 1.

C. Erreur d’interpolation
Il est évident que si nous connaissons que les couples (𝑥𝑖 , 𝑓(𝑥𝑖 )), 𝑖 = 0,1, … 𝑛, nous pouvons faire
varier la fonction f entre ces points sans changer le polynôme d’interpolation. Si nous voulons estimer
l’erreur 𝑒(𝑥) = 𝑓(𝑥) − 𝑝(𝑥), nous devons mieux connaitre la fonction 𝑓. Nous nous intéressons
maintenant à l’erreur d’interpolation. Considérons la norme uniforme sur l’intervalle [𝑎, 𝑏] définie
par : ‖𝑓‖ = max |𝑓(𝑥)|. On note l’erreur d’interpolation en un point 𝑥 ∈ [𝑎, 𝑏] par 𝐸𝑛 (𝑓)(𝑥): =
𝑎≤𝑥≤𝑏
𝑓 (𝑥) − 𝑝𝑛 (𝑥).

Corollaire
1) L’erreur d’interpolation de Lagrange est donnée par

𝐸𝑛 (𝑓)(𝑥): = 𝑓(𝑥) − 𝑝𝑛 (𝑥) = 𝜋𝑛 (𝑥) 𝑓[𝑥0 , . . , 𝑥𝑛 , 𝑥] avec 𝜋𝑛 (𝑥) = ∏𝑛𝑖=0(𝑥 − 𝑥𝑖 ).

2) Si 𝑓 ∈ 𝐶 𝑛+1 [𝑎, 𝑏] alors il existe 𝜀𝑥 ∈ [𝑎, 𝑏] contenu dans le plus petit intervalle contenant
𝑓 (n+1) (𝜀𝑥 )
𝑥0 , 𝑥1 , … 𝑥𝑛 tel que 𝑓[𝑥0 , . . , 𝑥𝑛 , 𝑥] = (n+1)!
Preuve
1) Pour 𝑥 fixé, le polynome 𝑞(𝑡) d’interpolation de Lagrange de 𝑓 aux points 𝑥0 , 𝑥1 , … 𝑥𝑛 , 𝑥 s’écrit
𝑞(𝑡) = 𝑝𝑛 (𝑡) + 𝑓[𝑥0 , . . , 𝑥𝑛 , 𝑥](𝑡 − 𝑥0 )(𝑡 − 𝑥1 ) … (𝑡 − 𝑥𝑛 ) Pour 𝑡 = 𝑥, on a 𝑓 (𝑥) = 𝑞(𝑥) =
𝑝𝑛 (𝑥) + 𝜋𝑛 (𝑥) 𝑓[𝑥0 , . . , 𝑥𝑛 , 𝑥].
2) Si 𝑥 = 𝑥𝑖 on aura 𝐸𝑛 (𝑓)(𝑥) = 0. Si 𝑥 ≠ 𝑥𝑖 , ∀𝑖 =
𝜋𝑛(𝑡)
0,1 … 𝑛 considérons pour 𝑥 fixé la fonction 𝑔(𝑡) = 𝐸𝑛 (𝑓)(𝑡) − 𝐸𝑛 (𝑓)(𝑥).
𝜋𝑛 (𝑥)
𝑔 ∈ 𝐶 𝑛+1 [𝑎, 𝑏] et s’annule en 𝑛 + 2 points distincts 𝑥0 , 𝑥1 , … 𝑥𝑛 , 𝑥. En utilisant le théorème de
Rôle qui montre que 𝑔 admet au moins 𝑛 + 1 racines dans [𝑎, 𝑏] d’où, en procédant par
récurrence sur l’ordre de dérivation de 𝑔, la fonction 𝑔(n+1) admet au moins une racine dans
[𝑎, 𝑏] ; soit 𝜀𝑥 cette racine .
(𝑛+1)!
on a 0 = 𝑔(𝑛+1) (𝜀𝑥 ) = 𝑓 (𝑛+1) (𝜀𝑥 ) − 𝜋 (𝑥) 𝐸𝑛 (𝑓)(𝑥). D’où
𝑛
𝑓 (𝑛+1)(𝜀𝑥 )
𝐸𝑛 (𝑓)(𝑥) = 𝜋𝑛 (𝑥) (𝑛+1)!
. Ce qu’il faut démontrer.

Corollaire (la majoration uniforme)

1
‖𝑓 − 𝑝𝑛 ‖ ≤ ‖𝜋 ‖‖𝑓 (𝑛+1) ‖
(𝑛 + 1)! 𝑛

Preuve

En déduire la majoration uniforme à partir du corollaire précédent.

‖𝑓 (𝑛+1) ‖ = max |𝑓 (𝑛+1) (𝑥)|

𝑥∈[𝑎,𝑏]

Exercice

Pour 𝑓 (𝑥) = exp(𝑥), montrer que lim ‖𝑓 − 𝑝𝑛 ‖ = 0.

𝑛→+∞

Remarque

La formule montre que la taille de l’erreur dépend non seulement de la fonction 𝑓, mais aussi du choix
des points d’interpolation.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 29

 Il n’est pas vrai en général que la suite 𝑝𝑛 converge vers 𝑓 quand 𝑛 tend vers l’infini, même en
1
convergence simple. Un contre-exemple célèbre est donné par la fonction 𝑓 (𝑥) = 1+𝑥 2 pour des points
équi-répartis sur l’intervalle [−1,1] (phénomène de Runge).

D. Autres interpolations
1. Interpolation d’Hermite
L’interpolation de Lagrange, qui fournit facilement un polynôme prenant des valeurs données,
présente l’inconvénient dans certains cas de donner une qualité médiocre : entre les points
d’interpolation la différence entre une fonction et son polynôme d’interpolation peut être grande,
même si le nombre de points tend vers l’infini (phénomène de Runge).

Pour remédier cela on peut essayer d’utiliser non seulement les valeurs d’une fonction mais aussi
celles de ses dérivées : c’est la méthode dite d’Hermite.

𝑃(𝑥𝑗 ) = 𝑓(𝑥𝑗 )
Soit 𝑓 une fonction de classe 𝐶 1 sur [𝑎, 𝑏]. Cherchons un polynôme 𝑃 tel que { , pour
𝑃 ′ (𝑥𝑗 ) = 𝑓′(𝑥𝑗 )
𝑗 = 0,1, … , 𝑛.

Théorème (Interpolation d’Hermite)

Soient 𝑥0 , 𝑥1 , … , 𝑥𝑛 des nœuds de [𝑎, 𝑏],𝑓: [𝑎, 𝑏] → 𝑅 une fonction de classe 𝐶 1 .

Il existe un unique polynôme 𝑃 de degré ≤ 2𝑛 + 1 tel que pour 𝑗 = 0,1, … , 𝑛 on a

𝑃(𝑥𝑗 ) = 𝑓(𝑥𝑗 )
{
𝑃 ′ (𝑥𝑗 ) = 𝑓′(𝑥𝑗 )

Il s’écrit 𝑃 (𝑥) = ∑𝑛𝑘=0(𝑓(𝑥𝑘 )𝐴𝑘 (𝑥) + 𝑓′(𝑥𝑘 )𝐵𝑘 (𝑥)) avec

𝐴𝑘 (𝑥) = (𝐿𝑘 (𝑥))2 (1 − 2𝑙 ′ 𝑘 (𝑥𝑘 )(𝑥 − 𝑥𝑘 )) et 𝐵𝑘 (𝑥) = (𝑙𝑘 (𝑥))2 (𝑥 − 𝑥𝑘 ).

‖𝑓 (2𝑛+2) ‖∞
De plus si 𝑓est de classe 𝐶 2𝑛+1 alors|𝑓 (𝑥) − 𝑃(𝑥)| < (2𝑛+2)!
|𝜋𝑛 (𝑥)|2 , ∀𝑥 ∈ [𝑎, 𝑏] .

Preuve

(en exercice)

Remarque
 Quand on rajoute un nœud il faut tout recalculer (Comme pour l’interpolation de Lagrange).
 Il existe aussi pour les polynômes d’interpolation d’Hermite une écriture à l’aide des
différences divisées que nous n’aborderons pas ici.
2. Les fonctions splines
Définition
Soient 𝑥0 , 𝑥1 , … , 𝑥𝑛 des 𝑛 + 1 nœuds de [𝑎, 𝑏], avec 𝑎 = 𝑥0 < 𝑥1 < ⋯ < 𝑥𝑛 = 𝑏.
La fonction 𝑠𝑘 : [𝑎, 𝑏] → 𝑅 est une spline de degré 𝑘 relative aux nœuds 𝑥0 , 𝑥1 , … , 𝑥𝑛 si 𝑠𝑘,𝑖 =
𝑠𝑘 /[𝑥𝑖,𝑥𝑖+1 ] est un polynome de degré ≤ 𝑘 pour 𝑖 = 0,1, … , 𝑛 et 𝑠𝑘 ∈ 𝐶 𝑘−1 [𝑎, 𝑏].
Remarque
Tout polynôme de degré 𝑘 sur [𝑎, 𝑏] est donc une spline, mais en pratique on considère les splines
considérés de 𝑛 polynomes différents 𝑠𝑘,𝑖 sur chaque intervalle [𝑥𝑖 , 𝑥𝑖+1 ].
Calcul d’une spline
Le i-éme (𝑖 = 0,1, … , 𝑛) polynome 𝑠𝑘,𝑖 = 𝑠𝑘 /[𝑥𝑖,𝑥𝑖+1 ] composant la spline est d’ordre 𝑘 peut s’écrire
sous la forme 𝑠𝑘,𝑖 = ∑𝑘ℎ=0 𝑎ℎ𝑖 (𝑥 − 𝑥𝑖 )ℎ .
Calculer une spline équivaut donc à déterminer (𝑘 + 1)𝑛 coefficients 𝑎ℎ𝑖 avec les conditions
suivantes :

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 30

  Il faut (𝑘 + 1)𝑛 conditions pour les dérivées 𝑠𝑘,𝑖−1
(𝑚) (𝑚)
(𝑥𝑖 ) = 𝑠𝑘,𝑖 (𝑥𝑖 ) c'est-à-dire la dérivée m-
iéme du polynôme à gauche en 𝑥𝑖 est la même que celle du polynôme à droite en 𝑥𝑖 pour 𝑖 =
0,1, … , 𝑛 − 1 et 𝑚 = 0,1, … , 𝑘 − 1.
 Il y a 𝑛 + 1 conditions d’interpolations aux points 𝑥𝑖 c'est-à-dire 𝑠𝑘,𝑖 (𝑥𝑖 ) = 𝑓 (𝑥𝑖 ) pour 𝑖 =
0,1, … , 𝑛.

Il reste encore k−1 degrés de liberté à fixer. Pour cette raison, on impose d’autres contraintes qui
définissent les 𝑘 − 1 interpolations additionnelles qui sont données par trois options:
(𝑚) (𝑚)
 les splines “périodiques” c'est-à-dire 𝑠𝑘 (𝑎 ) = 𝑠𝑘 (𝑏) pour 𝑚 = 0,1, … , 𝑘 − 1.
(𝑚) (𝑚)
 Les splines « serrés » c'est-à-dire 𝑠𝑘 (𝑎) = 𝑓 (𝑚) (𝑎) et 𝑠𝑘 (𝑏) = 𝑓 (𝑚) (𝑏) pour
𝑚 = 0,1, … , 𝑘 − 1.
 Les splines « naturels » c'est-à-dire pour 𝑘 = 2𝑙 − 1 avec 𝑙 > 2 on a 2(𝑙 − 1) =
(𝑙+𝑗)
𝑘 − 1 conditions additionnels qui sont dire 𝑠𝑘 (𝑎) et 𝑠𝑘(𝑙+𝑗) (𝑏) = 0 pour 𝑗 =
0,1, … , 𝑙 − 2.
III- L’approximation polynomiale des fonctions
A- Développement limité

Les développements limités sont l’outil principal d’approximation locale des fonctions. On rappelle

La formule de Taylor-Lagrange

Soit 𝑓 définie sur un intervalle ouvert 𝐼 contenant 𝑎, n+1 fois dérivable sur 𝐼. Alors pour tout 𝑥 ∈ 𝐼 il
existe 𝑐 ∈]𝑎, 𝑥[ (ou 𝑐 ∈]𝑥, 𝑎[) tel que

𝑓 2(𝑎) 𝑓 𝑛 (𝑎) 𝑓 (𝑛+1) (𝑐)

𝑓 (𝑥) = 𝑓(𝑎) + 𝑓 ′ (𝑎)(𝑥 − 𝑎) + 2!
(𝑥 − 𝑎)2 + ⋯ + 𝑛!
(𝑥 − 𝑎)𝑛 + (𝑛+1)!
(𝑥 − 𝑎)𝑛+1 =𝑃𝑛 (𝑥) +
𝑅𝑛 (𝑥)
𝑀
Supposons que 𝑓 (𝑛+1) soit bornée par 𝑀. On a alors |𝑅𝑛 (𝑥)| ≤ |𝑥 − 𝑎 |𝑛+1 .
(𝑛+1)!

B- Approximations au sens de moindres carrés

Soit 𝐸 un espace vectoriel. Pour tout couple (𝑓, 𝑔) de 𝐸 × 𝐸 on définit un produit scalaire noté <
𝑓, 𝑔 > et la norme ‖𝑓‖ = √< 𝑓, 𝑓 >.

Corollaire (admis)

Soit 𝑓 ∈ 𝐸 Si 𝐹 est un sous espace vectoriel de 𝐸 de dimension finie alors il existe au moins un
élément 𝑔 ∈ 𝐹 tel que ‖𝑓 − 𝑔‖ = min‖𝑓 − ℎ ‖.
ℎ∈𝐹

Définition

La meilleure approximation 𝑔 de 𝑓 est définie par ‖𝑓 − 𝑔‖ = min‖𝑓 − ℎ ‖

ℎ∈𝐹

Théorème

𝑔 soit une meilleure approximation de 𝑓 si et seulement si < 𝑓 − 𝑔, ℎ >= 0 , ∀ℎ ∈ 𝐹.

Preuve

⇒)

Soit 𝑔 une meilleure approximation de 𝑓. Supposons qu’il existe ℎ1 ∈ 𝐹 telle que < 𝑓 − 𝑔, ℎ1 > =
𝑐
𝑐 ≠ 0. Soit ℎ2 définit par ℎ2 = 𝑔 + ‖ℎ ‖2 ℎ1 ∈ 𝐹 .
1

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 31

 𝑐 𝑐
On a ‖𝑓 − ℎ2 ‖ = √< 𝑓 − 𝑔 − ‖ℎ 2 ℎ1 , 𝑓 − 𝑔 − ‖ℎ 2 ℎ1 >
1‖ 1‖

𝑐2
= √‖𝑓 − 𝑔‖2 − ‖ℎ 2 < ‖𝑓 − 𝑔‖ ce qui est impossible car 𝑔 est la meilleure
1‖
approximation de 𝑓 .

⇐)

Soit 𝑔1 ∈ 𝐹 tel que < 𝑓 − 𝑔1 , ℎ >= 0 , ∀ℎ ∈ 𝐹, on a alors

‖𝑓 − ℎ ‖ = √< 𝑓 − ℎ, 𝑓 − ℎ >= √< 𝑓 − 𝑔1 − ℎ + 𝑔1 , 𝑓 − 𝑔1 − ℎ + 𝑔1 >

= √‖𝑓 − 𝑔1 ‖2 + ‖ℎ − 𝑔1 ‖2

D’où ‖𝑓 − 𝑔1 ‖ < ‖𝑓 − ℎ ‖, ∀ℎ ∈ 𝐹 donc 𝑔 = 𝑔1 .

Théorème

La meilleure approximation au sens des moindres carrés est unique.

Preuve

Soient 𝑔1 et 𝑔2 deux meilleurs approximations au sens des moindres carrés, on a

< 𝑓 − 𝑔1 , ℎ >=< 𝑓 − 𝑔2 , ℎ >= 0 , ∀ℎ ∈ 𝐹

D’où

‖𝑔1 − 𝑔2 ‖ = √< 𝑔1 − 𝑓 + 𝑓 − 𝑔2 , 𝑔1 − 𝑔2 >= √< 𝑔1 − 𝑓, 𝑔1 − 𝑔2 > +< 𝑓 − 𝑔2 , 𝑔1 − 𝑔2 >

=0

donc 𝑔1 = 𝑔2 .

Théorème

Soit 𝑓 ∈ 𝐸 (𝐸 espace vectoriel normé) et si 𝐹 est un sous espace vectoriel de 𝐸 engendré par la famille
orthogonale {𝑣1 , 𝑣2 , … , 𝑣𝑛 } alors la meilleure approximation 𝑔 ∈ 𝐹 de 𝑓 s’écrit sous la
<𝑓,𝑣 >
forme ∑𝑛𝑖=1 ‖𝑣 ‖𝑖2 𝑣𝑖 .
𝑖

Preuve

𝑔 ∈ 𝐹 donc s’écrit sous la forme 𝑔 = ∑𝑛𝑖=1 𝑎𝑖 𝑣𝑖 .

𝑔 est la meilleure approximation de 𝑓 ⇔ < 𝑓 − ∑𝑛𝑖=1 𝑎𝑖 𝑣𝑖 , 𝑣𝑗 > = 0, 𝑗 = 1, … , 𝑛

⇔ ∑𝑛𝑖=1 𝑎𝑖 < 𝑣𝑖 , 𝑣𝑗 >=< 𝑓, 𝑣𝑗 > 𝑗 = 1, … , 𝑛

2
⇔ 𝑎𝑗 ‖𝑣𝑗 ‖ =< 𝑓, 𝑣𝑗 >

Les polynômes orthogonaux

Le dernier théorème nous fournit une méthode pour trouver la meilleure approximation polynomiale
d’une fonction réelle à condition que le sous espace 𝐹 soit généré par des polynômes orthogonaux, on
cite quelques familles de polynômes orthogonaux

Les polynômes de Legendre

Le polynôme de Legendre peut être défini par la formule de récurrence suivante

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 32

 𝑝0 (𝑥) = 1, 𝑝1 (𝑥) = 𝑥
{ 2𝑛 − 1 𝑛−1
𝑝𝑛 (𝑥) = 𝑥𝑝𝑛−1 (𝑥) − 𝑝𝑛−2 (𝑥)
𝑛 𝑛
La famille de Legendre est orthogonale relativement au produit scalaire
1
< 𝑓, 𝑔 >= ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
−1

Les polynômes de Laguerre

Le polynôme de Laguerre peut être défini par la formule de récurrence suivante

𝑝0 (𝑥) = 1, 𝑝1 (𝑥) = −𝑥 + 1
{
𝑝𝑛 (𝑥) = (2𝑛 − 𝑥 − 1)𝑝𝑛−1 (𝑥) − (𝑛 − 1)2 𝑝𝑛−2 (𝑥)

La famille de Legendre est orthogonale relativement au produit scalaire

∞
< 𝑓, 𝑔 >= ∫ 𝑒 −𝑥 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
0

Les polynômes de Hermite

Le polynôme de Hermite peut être défini par la formule de récurrence suivante

𝑝0 (𝑥) = 1, 𝑝1 (𝑥) = 2𝑥
{
𝑝𝑛 (𝑥) = 2𝑥𝑝𝑛−1 (𝑥) − 2(𝑛 − 1)𝑝𝑛−2 (𝑥)

La famille de Legendre est orthogonale relativement au produit scalaire

∞
2
< 𝑓, 𝑔 >= ∫ 𝑒 −𝑥 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
−∞

Les polynômes de Tchebychev

Le polynôme de Tchebychev peut être défini par la formule de récurrence suivante

𝑝0 (𝑥) = 1, 𝑝1 (𝑥) = 𝑥
{
𝑝𝑛 (𝑥) = 2𝑥𝑝𝑛−1 (𝑥) − 𝑝𝑛−2 (𝑥)

La famille de Legendre est orthogonale relativement au produit scalaire

1
2 1
< 𝑓, 𝑔 >= ∫ 𝑒 −𝑥 𝑓 (𝑥)𝑔(𝑥)𝑑𝑥
−1 √1 − 𝑥 2

C- Exercices
Exercice 1

Soient 𝑓 une fonction réelle dérivable sur l’intervalle [𝑎, 𝑏] et 𝑡1 , 𝑡1, , 𝑡2 , 𝑡2, quatre réels distincts
appartenant à [𝑎, 𝑏].

1) Montrer que les coefficients du polynôme 𝑃 d’interpolation (de Newton) de 𝑓 en 𝑡1 , 𝑡1, , 𝑡2 , 𝑡2,
ont une limite quand 𝑡1, tend vers 𝑡1 et 𝑡2, tend vers 𝑡2 .
2) Montrer qu’alors 𝑃 peut s’écrire sous la forme
𝑦2 − 𝑦1 𝑑1
𝑃 (𝑥) = 𝑦1 + (𝑥 − 𝑡1 )𝑑1 + (𝑥 − 𝑡1 )2 ( − )
ℎ2 ℎ
𝑑 2 + 𝑑1 𝑦2 − 𝑦1
+ (𝑥 − 𝑡1 )2 (𝑥 − 𝑡2 ) ( − 2 )
ℎ2 ℎ3

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 33

 avec ℎ = 𝑡2 − 𝑡1 , 𝑦𝑖 = 𝑓(𝑡𝑖 ) et 𝑑𝑖 = 𝑓 ′ (𝑡𝑖 ) pour 𝑖 = 1,2.

3) En déduire 𝑃(𝑡𝑖 ) = 𝑦𝑖 , 𝑃′(𝑡𝑖 ) = 𝑑𝑖 pour 𝑖 = 1,2.

Exercice 2

On cherche une approximation de 𝑓(4,5) en utilisant un polynôme de degré 2 ainsi que les données
suivantes
𝑥 𝑓(𝑥)
1 0
2 0.6931
3.5 1.2528
5 1.6094
7 1.9459

a) Utiliser la méthode de Newton et un polynôme de degré 2. Donner l’expression analytique du

terme d’erreur.
b) Répondre à la question posée en a) mais en utilisant cette fois la méthode de Lagrange.
c) Obtenir une approximation de l’erreur commise en a)
d) Est-ce possible d’obtenir une approximation de l’erreur commise en b) ?
e) Quelles différences présentent ces deux méthodes ?

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 34

 Chapitre 4: Dérivation et Intégration numérique

Le contenu de ce chapitre prolonge celui du chapitre précédent sur l’interpolation. Dans le cas de
l’interpolation, on cherchait à évaluer une fonction 𝑓(𝑥) connue en quelques points. Dans le présent
chapitre, le problème consiste à obtenir des approximations des différentes dérivées de cette fonction
𝑏
et de même de l’intégrale ∫𝑎 𝑓 (𝑥)𝑑𝑥 . On parle alors de dérivation numérique et de l’intégration
numérique.

I. Méthodes de dérivation numérique

a) Principe

On peut aborder la dérivation numérique d’au moins deux façons, la première approche est fondée sur
l’interpolation et la deuxième consiste à utiliser le développement de Taylor.

Soit 𝑓 une fonction dérivable (respectivement p fois continument dérivable) sur [𝑎, 𝑏] dont on connait
la valeur en 𝑛 + 1 points 𝑥1 , … , 𝑥𝑛+1 de [𝑎, 𝑏]. On désire obtenir une approximation de la valeur en un
point 𝑥 de [𝑎, 𝑏] de la dérivée 𝑓′. Pour cela nous allons chercher cette valeur sous la forme 𝑓 ′ (𝑥) =
∑𝑛+1
𝑖=1 𝛼𝑖 (𝑥)𝑓(𝑥𝑖 ) + 𝑅(𝑥) où 𝛼𝑖 (𝑥) seront de telle sorte que la fonction reste 𝑅(𝑥) soit nulle si 𝑓 est
d’un type déterminé. Si 𝑓 est quelconque et 𝑅 suffisamment petite nous considérons que 𝐹(𝑥) =
∑𝑛+1 ′
𝑖=1 𝛼𝑖 (𝑥)𝑓(𝑥𝑖 ) est une approximation de 𝑓 (𝑥). Supposons que 𝑝𝑛 est le polynôme d’interpolation
𝑛+1 ′
de 𝑓 . Nous avons 𝑝𝑛 (𝑥) = ∑𝑛+1 ′
𝑖=1 𝐿𝑖 (𝑥)𝑓(𝑥𝑖 ) d’où 𝑝𝑛 (𝑥) = ∑𝑖=1 𝐿𝑖 (𝑥)𝑓(𝑥𝑖 ) . Nous pouvons
considérer 𝑝𝑛′ (𝑥) comme une approximation de 𝑓 ′ (𝑥) si certaines conditions sont réalisées.

Remarque

Les coefficients 𝐿𝑖 ′ (𝑥) sont indépendants de 𝑓 d’où la possibilité de les tabuler lorsque les points 𝑥𝑖
sont équidistants.

b) L’erreur de dérivation

Lemme

Si 𝑓 est 𝑛 + 1 fois continument dérivable sur [𝑎, 𝑏], il existe 𝜀𝑥 ∈ [𝑎, 𝑏] telle que 𝐸(𝑥) = 𝑓(𝑥) −
1
𝑝𝑛 (𝑥) = (𝑛+1)! ∏𝑛+1
𝑖=1 (𝑥 − 𝑥𝑖 ) 𝑓
(𝑛+1)
(𝜀𝑥 ).

1
Si 𝑥 = 𝑥𝑖 , 𝐸 ′ (𝑥𝑖 ) = (𝑛+1)! ∏𝑛+1
𝑗=1 (𝑥𝑖 − 𝑥𝑗 ) 𝑓
(𝑛+1)
(𝜀𝑥𝑖 ).
𝑗≠𝑖

1 1
Si 𝑥 ≠ 𝑥𝑖 pour tout 𝑖 ona 𝐸 ′ (𝑥) = (𝑛+1)! 𝐿′ (𝑥)𝑓 (𝑛+1) (𝜀𝑥 ) + (𝑛+2)! 𝐿(𝑥)𝑓 (𝑛+2) (𝑣𝑥 )

Preuve

Si 𝑓 est 𝑛 + 1 fois continument dérivable sur [𝑎, 𝑏], nous savons que pour tout 𝑥, il existe 𝜀𝑥 ∈ [𝑎, 𝑏]
1
telle que 𝐸(𝑥) = 𝑓(𝑥) − 𝑝𝑛 (𝑥) = (𝑛+1)! ∏𝑛+1
𝑖=1 (𝑥 − 𝑥𝑖 ) 𝑓
(𝑛+1)
(𝑥). On a par ailleurs 𝐸 (𝑥) = 𝐿 (𝑥)𝑔(𝑥)
1
avec 𝐿 (𝑥) = ∏𝑛+1
𝑖=1 (𝑥 − 𝑥𝑖 ) et 𝑔(𝑥) = (𝑛+1)! 𝑓
(𝑛+1)
( 𝜀𝑥 ) en dérivant, nous obtenons 𝐸 ′ (𝑥) =
′( ) ( )
𝐿 𝑥 𝑔 𝑥 + 𝐿(𝑥)𝑔′(𝑥).

Le point 𝑥 pour lequel nous cherchons une approximation de 𝑓′ peut être un des points 𝑥𝑖 ou un point
de [𝑎, 𝑏] different des 𝑥𝑖 . L’erreur commise ne sera pas même dans les deux cas.

Le 1er cas : 𝑥 = 𝑥𝑖
∏𝑛+1
𝑗=1 (𝑥−𝑥𝑗)
Si 𝑥 = 𝑥𝑖 , 𝐿(𝑥𝑖 ) = 0 alors 𝐿′ (𝑥𝑖 ) = 𝑙𝑖𝑚 = 𝑙𝑖𝑚 ∏𝑛+1 𝑛+1
𝑗=1 (𝑥 − 𝑥𝑗 ) = ∏𝑗=1 (𝑥𝑖 − 𝑥𝑗 )
𝑥→𝑥𝑖 𝑥−𝑥𝑖 𝑥→𝑥𝑖
𝑗≠𝑖 𝑗≠𝑖

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 35

 1
D’où 𝐸 ′ (𝑥𝑖 ) = (𝑛+1)! ∏𝑛+1
𝑗=1 (𝑥𝑖 − 𝑥𝑗 ) 𝑓
(𝑛+1)
(𝜀𝑥𝑖 ) .
𝑗≠𝑖

2éme cas : 𝑥 ≠ 𝑥𝑖 pour tout 𝑖

Si 𝑥 ≠ 𝑥𝑖 pour tout 𝑖, nous devons connaitre une estimation de 𝑔′(𝑥).

Si 𝑓 est 𝑛 + 2 fois continument dérivable, pour tout 𝑥 de [𝑎, 𝑏] il existe 𝑣𝑥 telle que 𝑔′ (𝑥) =
1
(𝑛+2)!
𝑓 (𝑛+2) (𝑣𝑥 ) donc dans le cas on a

1 1
𝐸 ′ (𝑥) = 𝐿′ (𝑥)𝑓 (𝑛+1) (𝜀𝑥 ) + 𝐿(𝑥)𝑓 (𝑛+2) (𝑣𝑥 )
(𝑛 + 1)! (𝑛 + 2)!

Remarque

Ces estimations de l’erreur n’ont intérêt pratique que si l’on connait des bornes de 𝑓 (𝑛+1) et 𝑓 (𝑛+2).
𝑀𝑛+1 𝑛+1
Notons 𝑀𝑝 = 𝑚𝑎𝑥 |𝑓 (𝑝) (𝑥)| alors |𝐸′(𝑥𝑖 )| ≤ ∑𝑗=1 (𝑥𝑖 − 𝑥𝑗 )
𝑥∈[𝑎,𝑏] (𝑛+1)!
𝑗≠𝑖

𝑀𝑛+1 𝑀𝑛+2
et |𝐸′(𝑥)| ≤ 𝐿′ (𝑥) + 𝐿(𝑥).
(𝑛+1)! (𝑛+2)!

Exemple

Si on choisit le polynôme de degré1 passant par (𝑥0 , 𝑓(𝑥0 )) et (𝑥1 , 𝑓(𝑥1 )), on a grâce à la formule
d’interpolation de Newton 𝑝1 (𝑥) = 𝑓 (𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) donc

𝑓 (𝑥1 ) − 𝑓(𝑥0 )
𝑓 ′ (𝑥) = 𝑝′1 (𝑥) + 𝐸 ′1 (𝑥) = 𝑓[𝑥0 , 𝑥1 ] + 𝐸 ′1 (𝑥) = + 𝐸 ′1 (𝑥)
𝑥1 − 𝑥0

𝑓 (2) (𝜀𝑥)
𝐸 ′1 (𝑥) = −ℎ 2
.

c) Des formules standards en deux points

En utilisant la définition de la dérivée on obtient les formules suivantes :

Formule de différence progressive

𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 )
𝑓′(𝑥𝑖 ) ≈
𝑥𝑖+1 − 𝑥𝑖

Formule de différence régressive

𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖−1 )
𝑓′(𝑥𝑖 ) ≈
𝑥𝑖 − 𝑥𝑖−1

Formule de différence centrale

𝑓 (𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 )
𝑓′(𝑥𝑖 ) ≈
𝑥𝑖+1 − 𝑥𝑖−1

II. Méthodes d'intégration numérique

𝑏
Soit 𝑓 une fonction définie sur un intervalle donné [𝑎, 𝑏] nous supposons que l’intégrale ∫𝑎 𝑓(𝑥)𝑑𝑥 est
définie. Mais il n’est pas toujours possible de connaitre exactement la valeur de cette intégrale en effet,
on ne peut pas toujours trouver explicitement une primitive de 𝑓, même dans les cas où 𝑓 est donné

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 36

par une formule analytique explicite, encore moins si on ne connait la valeur de 𝑓 qu’en nombre fini
de points. On se propose de chercher une approximation numérique de cette intégrale.

a) Approximation d’une intégrale définie

Supposons que 𝑓 est connue en en 𝑛 + 1 points 𝑥1 , … , 𝑥𝑛+1 de [𝑎, 𝑏] . On désire obtenir une
𝑏
approximation de la valeur en un point 𝑥 de [𝑎, 𝑏] de l’intégrale 𝐼 = ∫𝑎 𝑓 (𝑥)𝑑𝑥 . Pour cela nous allons
écrire 𝐼 = ∑𝑛+1
𝑖=1 𝛼𝑖 𝑓(𝑥𝑖 ) + 𝑅 Où les coefficients αi seront choisis de telle sorte que la fonction reste
𝑅(𝑥) soit nulle lorsque f est d’un type déterminé. Si 𝑓 est quelconque et 𝑅 suffisamment petite nous
considérons que 𝐴 = ∑𝑛+1𝑖=1 𝛼𝑖 𝑓(𝑥𝑖 ) est une valeur approchée de I.

Soit 𝑝𝑛 le polynôme d’interpolation de 𝑓 . Nous avons 𝑝𝑛 (𝑥) = ∑𝑛+1 𝑖=1 𝐿𝑖 (𝑥)𝑓(𝑥𝑖 ) d’où 𝑝 =
𝑏 𝑛+1 𝑏
∫𝑎 𝑝𝑛 (𝑥)𝑑𝑥 = ∑𝑖=1 𝑓(𝑥𝑖 ) (∫𝑎 𝐿𝑖 (𝑥)𝑑𝑥). Nous pouvons considérer 𝑝 comme une approximation de 𝐼
si certaines conditions sont réalisées.

b) Etude de l’erreur intégration

Si 𝑓 est 𝑛 + 1 fois continument derivable sur [𝑎, 𝑏], pour tout 𝑥 il existe 𝜀𝑥 ∈ [𝑎, 𝑏] telle que 𝐸 (𝑥) =
1
𝑓 (𝑥) − 𝑝𝑛 (𝑥) = (𝑛+1)! ∏𝑛+1
𝑖=1 (𝑥 − 𝑥𝑖 ) 𝑓
(𝑛+1)
(𝜀𝑥 ).

En intégrant, nous obtenons donc

𝑏 𝑛+1
1
𝑅 = 𝐼−𝑝 = ∫ ( ∏(𝑥 − 𝑥𝑖 ) 𝑓 (𝑛+1) (𝜀𝑥 )) 𝑑𝑥
𝑎 (𝑛 + 1) !
𝑖=1

Si on connait une borne supérieure de 𝑓 (𝑛+1) : 𝑀𝑛+1 = 𝑠𝑢𝑝 |𝑓 (𝑛+1) (𝑥)|

𝑥∈[𝑎,𝑏]

𝑀 𝑏
𝑛+1
Nous avons alors |𝑅| ≤ (𝑛+1)! ∫𝑎 |∏𝑛+1
𝑖=1 (𝑥 − 𝑥𝑖 )|𝑑𝑥.

c) Cas particulier

Utilisons un polynôme de degré 2 dont la courbe passe par les points (𝑥0 , 𝑓(𝑥0 )) , (𝑥1 , 𝑓(𝑥1 )) et
(𝑥2 , 𝑓(𝑥2 ))

Ce polynôme est donné par la formule de Newton

𝑝2 (𝑥) = 𝑓 (𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )

On se sert ensuite de l’approximation

𝑥1 𝑥1 𝑥1
∫ 𝑓 (𝑥)𝑑𝑥 ≈ ∫ 𝑝2 (𝑥)𝑑𝑥 = ∫ (𝑓(𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ))𝑑𝑥
𝑥0 𝑥0 𝑥0

On se place dans le cas où les abscisses sont également distancées. On pose

𝑥−𝑥0
𝑥1 − 𝑥0 = 𝑥2 − 𝑥1 = ℎ, 𝑠 = d’où (𝑥 − 𝑥𝑖 ) = (𝑠 − 𝑖 )ℎ
ℎ

𝑥2 2
∫ 𝑓 (𝑥)𝑑𝑥 = ∫ (𝑓(𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ]ℎ𝑠 + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ]ℎ 2 𝑠(𝑠 − 1))ℎ𝑑𝑠
𝑥0 0

ℎ
= (𝑓(𝑥0 ) + 4𝑓 (𝑥1 ) + 𝑓(𝑥2 ))
3
Où on a replacé les différences divisées par leurs valeurs.

Formule de Simpson

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 37

De ce qui précède, on tire la formule suivante dite de Simpson
𝑏
𝑏−𝑎 𝑎+𝑏
∫ 𝑓(𝑥)𝑑𝑥 = [𝑓(𝑎) + 4𝑓( ) + 𝑓(𝑏)]
𝑎 6 2

Exemple
𝜋 𝜋
2 𝜋 𝜋
∫ sin(𝑥) 𝑑𝑥 ≈ 4 (sin(0) + 4 sin ( ) + sin ( ) = 1.0022799
0 3 4 2

III. Exercices

Exercice1

Soit ∅ ∈ 𝐶 3 (𝑅, 𝑅) et 𝑥0 𝜖𝑅.

1) Pour ℎ > 0, montrer qu’il existe un unique polynôme 𝑞 ∈ 𝑃2 vérifiant

𝑞 (𝑥0 ) = ∅(𝑥0 )
{ 𝑞′(𝑥0 ) = ∅′(𝑥0 )
𝑞 𝑥0 − 2ℎ ) = ∅(𝑥0 − 2ℎ)
(

𝑥 +ℎ
2) Déterminer ∫𝑥 0−2ℎ 𝑞(𝑥)𝑑𝑥 en fonction des valeurs de ∅.
0

1
On rappelle que l’erreur est donnée par ∅(𝑥) − 𝑞(𝑥) = 3! 𝜋3 (𝑥)∅(3) (𝜀𝑥 ) où 𝜀𝑥 ∈ 𝐼 plus petit intervalle
fermé contenant 𝑥, 𝑥0 et 𝑥0 − 2ℎ et 𝜋3 (𝑥) = (𝑥 − 𝑥0 )2 (𝑥 − 𝑥0 + 2ℎ ). Il s’agit de l’erreur
d’approximation dans l’interpolation d’Hermite.

Prof : Ahmed DRISSI AP2 Année Académique : 2020/2021 38