Analyse Numérique : SMA-SMI S4

Cours, exercices et examens

Boutayeb A, Derouich M, Lamlili M et Boutayeb W.

Table des matières

1 Résolution numérique de systèmes linéaires AX = B 5

1.1 Méthodes directes de résolution de AX=B . . . . . . . . . . . . . . . . 5
1.1.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Méthode de Gauss(avec et sans pivot) . . . . . . . . . . . . . . 7
1.1.3 Factorisation LU . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.4 Factorisation de Choleski (matrice symétrique) . . . . . . . . . 13
1.1.5 Factorisation de Householder (matrice unitaire ) . . . . . . . . 14
1.2 Méthodes indirectes de résolution de AX=B . . . . . . . . . . . . . . . 15
1.2.1 Quelques rappels sur les matrices . . . . . . . . . . . . . . . . 15
1.2.2 Méthodes classiques(Jacobi, Gauss Seidel, Relaxation) . . . . 15
1.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 Approximations des solutions de l’équation f ( x) = 0 22

2.1 Rappels et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Méthode de Newton : . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Méthode de Newton modifiée : . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Méthode de dichotomie : . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Méthode de fausse position ( Regula Falsi) : . . . . . . . . . . . . . . 31
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Inroduction à l’interpolation 36
3.1 Rappel et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Interpolant de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Interpolant de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Existence et Unicité de l’interpolant . . . . . . . . . . . . . . . . . . . 41
3.4.1 Interpolation linéaire . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

1
4 Intégration numérique 46
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.1 Approximation par des rectangles à gauche . . . . . . . . . . . 48
4.2.2 Approximation par des rectangles à droite . . . . . . . . . . . 49
4.2.3 Approximation par des rectangles médians . . . . . . . . . . . 50
4.2.4 Approximations par des trapèzes . . . . . . . . . . . . . . . . . 51
4.2.5 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Interpolation et Erreur d’intégration numérique . . . . . . . . . . . . 53
4.3.1 Interpolation linèaire et la formule du trapèze : . . . . . . . . . 53
4.3.2 Formule du trapèze composée . . . . . . . . . . . . . . . . . . 53
4.3.3 Erreur de la formule de Simpson . . . . . . . . . . . . . . . . . 54
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5 Analyse numérique des équations differentielles ordinaires (e.d.o) 56

5.1 Rappels sur les équations differentielles ordinaires (e.d.o) . . . . . . 56
5.2 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3 Notions de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.4 Système d’équations aux differences linéaires avec coéfficients constants 60
5.5 Méthodes numériques pour les problèmes de condition initiale . . . 61
5.5.1 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.5.2 Consistance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.5.3 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.5.4 Méthode d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5.5 Méthodes de Taylor dans le cas scalaire . . . . . . . . . . . . . 66
5.5.6 Méthodes de Runge-Kutta (R.K) dans le cas scalaire . . . . . . 67
5.5.7 Méthodes de Runge-Kutta explicites . . . . . . . . . . . . . . . 67
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

6 Examens 77
6.1 F.S.O Session ordinaire 2012-2013 (Durée : 1h30) . . . . . . . . . . . . 77
6.2 F.S.O Session Rattrapage 2012-2013 (Durée : 1h30) . . . . . . . . . . . 79
6.3 F.S.O Session ordinaire 2011-2012 (Durée : 1h30) . . . . . . . . . . . . 81
6.4 F.S.O Session de rattrapage 2011-2012 (Durée : 1h30) . . . . . . . . . . 83
6.5 F.S.O Session ordinaire 2010-2011 (Durée :1h30) . . . . . . . . . . . . . 85
6.6 F.S.O Session Rattrapage 2010-2011 (Durée : 1h30) . . . . . . . . . . . 87
6.7 F.S.O Examen 2009-2010 . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.8 F.S.O Session ordinaire 2008/2009 . . . . . . . . . . . . . . . . . . . . 91

2
6.9 F.S.O Session rattrapage 2008-2009 . . . . . . . . . . . . . . . . . . . . 93
6.10 F.S.O Session ordinaire 2007-2008(Durée : 1h30) . . . . . . . . . . . . . 94
6.11 F.S.O Examen blanc 2007-2008 . . . . . . . . . . . . . . . . . . . . . . . 96
6.12 F.S.O Devoir à faire chez soi 2007-2008 . . . . . . . . . . . . . . . . . . 98
6.13 F.S.O Session ordinaire Janvier 2003 . . . . . . . . . . . . . . . . . . . 99

3
Table des figures

2.1 la solution est x = 1.3652 . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.2 f ( 1) . f ( 2) < 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 x = 2.7133 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.1 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1 Approximation par des rectangles à gauche . . . . . . . . . . . . . . . 49

4.2 Approximation par des rectangles à droite . . . . . . . . . . . . . . . . 50
4.3 Approximation par des rectangles médians . . . . . . . . . . . . . . . 51

4
Chapitre 1

Résolution numérique de systèmes

linéaires AX = B

1.1 Méthodes directes de résolution de AX=B

1.1.1 Exemples
(
x1 − x2 = 0 L 1
1. Résoudre( S) :
x1 + x2 = 2 L 2
Par substitution
L 1 → x1 = x2
L2 → 2x1 = 2 → x1 = 1 → x2 = x1 = 1
Par combinaison de lignes
L 1 → x1 − x2 = 0
L′2 =→ L2 − L1 → 2x2 = 2 − 0 = 2 → x2 = 1 = x1
Par Inversion de
! la matrice
! !
1 −1 x1 0
( S) = AX = B
1 1 x2 2
!
1 t 1 1 1
det A = 2; A−1 = comA =
det A 2 −1 1
Si A−1 existe −1
 alors X =A B
! 1 1 ! !
x1   0 1
=  21 21  =
x2 − 2 1
2 2
par méthode de Cramer

5
 

 4x1 + 15x2 + 3x3 − 17x4 = −18 L1


 +13x2 + 5x3 + 4x4 = 0 L2
2. Résoudre ( S′ ) :

 − 2x3 + 5x4 = 8 L3


 7x4 = 14 L4
     
4 15 3 −17 x1 −18
     
 0 13 5 4   x2   0 
( S)      
5   = 
 0 0 −2   x3   8 
0 0 0 7 x4 14
Résolution par remontée ( en commençant par x4)
14
L 4 → x4 = =2
7
( 8 − 5 × 2)
L 3 → x3 = =1
−2
( 0 − 4 × 2 − 5 × 1)
L 2 → x2 = = −1
13
(−18 + 17 × 2 − 3 × 1 + 15 × 1)
L 1 → x1 = =7
4
3. Système triangulaire : cas général
    

 u11 x1 + u12 x2 + · · · + u1n xn = b1 L1   x1 b1

 
   
 u22 x2 + · · · + u2n xn = b2 L2   x2   b2 
′
ST ) : ..  = 
   .   . 

 . 
   

 

unn xn = bn Ln xn bn
On suppose que ukk 6= 0 k = 1, · · · , n
bn
xn =
unn
xn−1 = (bn−1 − unn bn )/un−1n−1
j= n
xi = (bi − ∑ j=i+1 ui j b j )/uii i = n − 1, ....1
Algorithme de résolution pour UX = B
bn
xn =
unn
Pour i = n − 1 à 1
xi = bi
Pour j = i + 1 à n
xi = xi − u i j x j
Fin j
Fin i

Remarques 1.1.1. Remarques :

1. La matrice U est dite triangulaire supérieure. Elle est inversible si tous les
termes diagonaux sont non nuls et det U = u11 ∗ u22 ∗ · · · ∗ unn

6
 2. La matrice triangulaire inférieure se traite de façon similaire

3. le nombre d’opérations nécéssaires est :

n ( n − 1) n ( n − 1)
multiplications, additions et n divisions soit au total n2 opérations
2 2

1.1.2 Méthode de Gauss(avec et sans pivot)

Elle consiste à ramener un système linéaire de la forme AX = B ( A avec matrice

pleine) à un système de la forme UX = D puis à résoudre ce dernier.

Exemple 1.1.1. Résoudre


 3x1 + 5x2 + 2x3 = 8 L1

′
(S ) : 0x1 + 8x2 + 2x3 = −7 L2


6x1 + 2x2 + 8x3 = 26 L3

 (1) 

 3x1 + 5x2 + 2x3 = 8 L1 = L1 

(1)
Etape1: 0 + 8x2 + 2x3 = −7 L2 = L2

 (1)


0 − 8x2 + 4x3 = 10 L3 = L3 − 2L1
 (1) 

 3x1 + 5x2 + 2x3 = 8 L1 = L1 

(1)
Etape2: 0 + 8x2 + 2x3 = −7 L2 = L2

 (2) (1)

(1) 
0 + 0 + 6x3 = 3 L3 = L3 + L2
1
D’où : x3 = , x2 = (−7 − 2x3 )/8 = −1 et x1 = (8 − 2x3 − 5x2 )/3 = 4
2

Méthode de Gauss sans pivot (cas général)


 (0) (0) (0) (0) (0)

 a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1


 a( 0) x1 + a( 0) x2 + a( 0) x3 + · · · + a( 0) xn =
(0)
b2
21 22 23 2n
( S0 ) .. .. ..

 . . .



 a( 0) x + a( 0) x + a( 0) x + · · · + a( 0) x (0)
n1 1 n2 2 n3 3 nn n = bn

(0)
(0) ai1
Etape1 : On suppose a11 6= 0 et on pose mi1 = (0)
a11
(0) (1) (0) (0)
On remplace la ligne Li par Li = Li − mi1 L1 pour i = 2, 3, · · · , n
(1) (0) (0) (1) (0) (0)
ai j = ai j − mi1 a1 j i, j = 2, 3, · · · ; n et bi = bi − mi1 b1 i = 2, 3, · · · ; n

7
On obtient alors le système ( S1 ) suivant :

 (0) (0) (0) (0) (0)

 a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1

 (1) (1) (1) (1)
 0 + a22 x2 + a23 x3 + · · · + a2n xn = b2
( S1 ) .. .. ..

 . . .



 ( 1 ) ( 1 ) (1) (1)
0 + an2 x2 + an3 x3 + · · · + ann xn = bn

(1)
(1) ai2
Etape2 : A nouveau, on suppose a22 6= 0 et on pose mi2 = (1)
a22

(1) (2) (1) (1)

On remplace la ligne Li par Li = Li − mi2 L2 pour i = 3, · · · , n
(2) (1) (1) (2) (1) (1)
ai j = ai j − mi2 a2 j i, j = 3, · · · , n et bi = bi − mi2 b2 i = 3, · · · , n
On obtient alors le système ( S2 ) suivant :

 (0) (0) (0) (0) (0)

 a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1

 (1) (1) (1) (1)
 0 + a22 x2 + a23 x3 + · · · + a2n xn = b2
( S2 ) : .. .. ..

 . . .



 (2) (2) (2)
0 + 0 + an3 x3 + · · · + ann xn = bn

(1)
En supposant qu’à chaque étape on a akk 6= 0 , on poursuit la la transformation

jusq’à l’obtention d’un système triangulaire :


 (0) (0) (0) (0)

 a11 x1 + a12 x2 + · · · + a1n xn = b1

 (1) (1) (1)
 0 + a22 x2 + · · · + a2n xn = b2
( Sn−1 ) : .. .. ..

 . . .



 (n−1) (n−1)
0 + 0 + 0 + · · · + 0 + ann xn = bn

(n−1)
bn
On obtient alors la solution en commençant par : xn = (n−1)
, xn−1 , · · · ,x1
ann

Ecriture matricielle :
 (0) (0) (0) (0)

a11 a12 ··· ··· a1n b1
 
 ··· ··· ··· ··· ··· ··· 
ètape 0 : A (0) =A=



 ··· ··· ··· ··· ··· ··· 
(0) (0) (0)
a1n ··· ··· ··· ann bn

8
  
(0) (0) (0) (0)
··· ··· b1
 a11 a12 a1n
(1) 
 0 a22
(1)
··· ···
(1)
a2n b2 
 
ètape 1 : A(1) = .. 
 0 ··· ··· ··· ··· . 
 
(1) (1) (1)
0 an2 ··· ··· ann bn
 
(0) (0) (0) (0)
a11 a12 ··· ··· a1n b1
 (1) 
 0 (1)
a22 ··· ···
(1)
a2n b2 
 
ètape n-1 : A(n−1) = .. 
 0 0 ··· ··· ··· . 
 
(n−1) (n−1)
0 0 ··· 0 ann bn
k
Matrices élementaires de Gauss  
1
Soient
 les matrices   
 .. 
1  0 . 0 
    k
 −m21 1 0   0 1 
M1 =  .. .
,
 Mk = 
 .. .


 . 0 ..   . −mk+1k . . 
 
−mn1 1  .. .. .. 
 . . . 
0 −mk+1k 1
en posant ek = (0, · · · , 1, 0, · · · , 0)⊤ et mk = (0, · · · , 0, −mk+1k , · · · , −mnk )⊤ ,
on obtient Mk = I − mk e⊤ k et on vérifie facilement que Mk est inversible et que
−1 ⊤
Mk = I + m k e k .
On montre alors que :
Etape 1 : A(1) = M1 A(0)
Etape k : A(k) = Mk A(k−1) = Mk Mk−1 · · · M2 M1 A(0)
Etape n-1 :U = A(n−1) = Mn−1 · · · M2 M1 A(0)

Remarque 1.1.1. :
( k− 1) ( k− 1)
Le procédé suppose que tous les akk 6= 0. Si à une étape k on a akk =0
( k− 1)
et s’il ya au moins un des aik 6= 0 (i = k + 1, · · · .n) on permute les lignes k et i
et on continue, sinon ça voudrait dire que la matrice A n’est pas inversible.

En utilisant la méthode de Gauss sans pivot, le nombre d’opérations nécéssaires

2 3 7
au calcul de la solution deAX = B est égal à : n3 + n2 − n
3 2 6
n(n − 1)(2n + 5) n(n − 1)(2n + 5)
dont additions , multiplications
6 6
n ( n + 1)
et divisions.
2
La méthode de Cramer nécéssite environ n(n + 1)!opérations.
Par exemple

9
 N 4 4 10
Gauss 62 115 805
Cramer 480 3600 399168000

Méthode de Gauss avec pivot

Exemple 1.1.2. Soit à résoudre le système

(
10−10 x1 + x2 = 0
x1 − x2 = 0

La solution théorique est x1 = x2 = 1/(1 + 10−10 ) ≃ 1. Cependant, la résolution

du système par la méthode de Gauss donne des résultats différents selon qu’on
l’applique avec ou sans pivot.
i) Si on applique la méthode de Gauss sans pivot on obtient
(1)
a21 1
m21 = = = 1010
(1)
a11 10−10
et (
10−10 x1 + x2 =0
( S2 )
(−1 − 10 ) x2 = 10−10
10

qui donne pour solution approchée x1 ≃ 1 et x2 ≃ 0.

ii) Si on adopte la stratégie du pivot partiel qui consiste à mettre en première
ligne celle dont le coefficient de x1 est le plus grand en module alors on per-
mute les lignes pour obtenir le système
(
x1 − x2 = 0
( S1 ) − 10
10 x1 + x2 = 0

10−10
Pour lequel m21 = = 10−10 et qui conduit à la solution approchée :
1
x2 ≃ 1 et x1 = x2 .
( k− 1)
La méthode de Gauss avec pivot consiste à choisir à l’étape k : akk tel que
   
 ( k− 1)   ( k− 1) 
akk  = max aik 
k≤ i≤ n

1.1.3 Factorisation LU
Théorème 1.1.1. :
( k− 1)
Si tous les akk 6= 0 alors la matrice A peut-etre décomposée sous la forme A = LU
où U = A ( n − 1 ) est une matrice triangulaire supérieure
et L = M1 M2 · · · Mn−−1 1 est une matrice triangulaire inférieure
−1 −1

10
 Preuve :

1. Mk est inversible car det Mk = 1 pour k = 1, · · · , n − 1

2. Mk−1 est de la forme de Mk en changeant les les termes −mik en mik , i =

k + 1, · · · , n

3. ( Mn−1 Mn−2 · · · M1 )−1 = M1−1 M2−1 · · · Mn−−1 1

4. Le produit M1−1 M2−1 · · · Mn−−1 1 est une matrice triangulaire inférieure

 
1 0 ··· ··· 0
 
 −m21 1 0 ··· ··· 
 
5. L = 
 −m31 −m32 1 0 ··· 

 
 ··· ··· ··· 1 0 
−mn1 −mn2 · · · −mnn−1 1

Théorème 1.1.2 (Condition suffisante de la factorisation LU).

Soit A une matrice carrée d’ordre n telle que toutes les sous-matrices d’ordre k (k ≤
n) soient inversibles, alors il existe une matrice triangulaire inférieure L avec lii = 1 et
une matrice triangulaire supérieure U telles que A = LU. De plus, cette factorisation est
unique.

Preuve :
Si a11 6= 0, la matrice a11 (d’ordre 1) est inversible, donc on peut choisir la matrice
de permutation égale à l’identité et appliquer la méthode de Gauss sans pivot à la
première étape. Supposons qu’on ait pu choisir toutes les matrices de permutation
égales à l’identité jusqu’à l’étape k, il s’ensuit que

i= 1
A ( k ) = Mk − 1 Mk − 2 · · · M1 A = ∏ Mi A.
i= k− 1

Avec

 
( k)
a11
 
 .. 
 0 . 
 ( k) ( k)

Ak = 
 akk ··· akn 

 .. .. .. 
 0 . . . 
 
( k) ( k)
ank ··· ann

11
    ( k) ( k)

1 a11 · · · a1k
 ..   . 

..


 ∗∗ .   .. . 
  B 
   (k)  k
( k) ( k) 
= ∗∗ ∗ 1   ak1 · · · akk · · · akn 
  
 .. .. .. ..   .. .. .. .. .. 
 . . . .  . . . . . 
( k) ( k) ( k)
∗∗ ∗ ··· ··· 1 an1 · · · ank · · · ann

en écrivant A sous forme de blocs et en effectuant le produit matriciel par blocs, on

(1) ( k)
obtient a11 × · · · × akk = det( Bk ).
( k) ( k)
Comme det( Bk ) 6= 0 on a akk 6= 0 et par suite on peut choisir akk comme pivot et
poursuivre le procédé.
Unicité
Supposons qu’il existe L1 , L2 , U1 et U2 telles que A = L1 U1 = L2 U2 , comme L2 et
U1 sont inversibles alors L− 1 −1
2 L 1 = U2 U1 .
Ce qui impose L− 1 −1
2 L 1 = U2 U1 = I et donc L 1 = L 2 et U1 = U2 .



 − x1 + x2 + 2x3 = 2
Exemple 1.1.3. Résoudre ( S′ ) : 3x1 − x2 + x3 = 6


− x1 + 3x2 + 4x3 = 4
 
−1 1 2
 
Donc A =  3 −1 1 
−1 3 4
   
−1 0 0 −1 0 0
   
on a M1 =  3 1 0  , =⇒ M1−1 =  −3 1 0 
−1 0 1 1 0 1
   
−1 0 0 −1 0 0
   
On a M2 =  0 1 0  , =⇒ M2−1 =  0 1 0 
0 −1 1 0 1 1
   
−1 1 2 1 0 0
   
Donc U = M2 M1 A =  0 2 7  et L = M1−1 M2−1 =  −3 1 0 
0 0 −5 1 1 1
Résoudre AX = B revient à résoudre LUX = B qu’on résoud en 2 étapes :

1. LY = B donne y1 = 2 ; y2 = 6 + 3 y1 = 12 et y3 = 4− y1 − y2 = −10
−10 12 − 14
2. UX = Y donne x3 = = 2 ; x2 = = −1; x1 = −(2 − 4 + 1) = 1
−5 2

12
1.1.4 Factorisation de Choleski (matrice symétrique)

Théorème 1.1.3. Si A est une matrice symétrique, définie positive, il existe (au moins)
une matrice réelle triangulaire inférieure L telle que A = LL⊤ .
Si de plus on impose aux éléments diagonaux de L d’être strictement positifs, alors la facto-
risation est unique.

Preuve :
Remarquons d’abord que si A est définie positive, alors toutes les sous-matrices
d’ordre k sont inversibles. Le théorème 1.1.2 permet d’affirmer l’existence de deux
matrices L et U telles que A = LU. Ce que nous cherchons ici c’est de factoriser en
utilisant une seule matrice L. Raisonnons par récurrence sur n.
√ √
Si k = 1, A = a11 > 0 donc a11 = a11 . a11 .
Supposons qu’on ait pu factoriser jusqu’à l’ordre k − 1 et soit Ak une matrice d’ordre
k alors Ak peut s’écrire :
!
A k− 1 v
Ak = avec Ak−1 = Lk−1 L⊤
k− 1 .
v⊤ akk

Considérons alors la matrice Lk obtenue à partir de Lk−1 et telle que :

!
L k− 1 l
Lk =
l ⊤ lkk
Le produit matriciel Lk L⊤
k donne :
!
L k− 1 L ⊤
k− 1 L k− 1 l
Lk L⊤
k = ⊤ ⊤ ⊤ 2
l Lk−1 l l + lkk
Par identification on obtient :

L k− 1 l = v (1.1.1)
L k− 1 L ⊤
k− 1 = A k− 1 (1.1.2)
⊤ 2
l l + lkk = akk (1.1.3)

i) L’équation (1.1.1) permet alors de résoudre un système et d’obtenir la solu-

tion qui est le vecteur l.
ii) L’équation (1.1.3) permet d’obtenir la dernière inconnue du problème, à sa-
voir
p
lkk = akk − l ⊤ l et on peut choisir lkk > 0.

Exemple 1.1.4. Soit A la matrice de Hilbert d’ordre 6, la factorisation de Choleski

13
est donnée par A = LL⊤ où
 
1 0.5 0.33 0.25 0.2 0.16
 
 0 0.28 0.28 0.25 0.23 0.2 
 
 0 0 0.07 0.11 0.12 0.13 
 
L= .
 0 0 0 0.01 0.03 0.05 
 
 0 0 0 0 0.004 0.01 
 
0 0 0 0 0 0.0012
Remarque 1.1.2. L’implémentation de l’algorithme Choleski est donnée par la fonction
Matlab choleski

1.1.5 Factorisation de Householder (matrice unitaire )

Soit P0 = I − 2ω0 ω⊤
0 une matrice élémentaire de Householder avec

ω⊤
0 ω0 = 1. (1.1.4)
On cherche une matrice unitaire P0 telle que
P0 a = ke1 , (1.1.5)
pour tout vecteur a = ( a1 , · · · , an )⊤ , avec k ∈ R et e1 = (1, 0, · · · , 0)⊤ .
P0 est orthogonale c’est à dire P0⊤ P0 = I et par suite, on doit avoir
 
a⊤ P0⊤ ( P0 a) = k2 = a⊤ a.

1/ 2
Soit k = ± a⊤ a , les équations (1.1.4) et (1.1.5) donnent :
P0 a = a − 2ω0 ω0 a = ke1 et parsuite 2ω0 ω⊤
⊤
0 a = − ke1 + a = v, si on pose α = 2ω0 a.
⊤

On obtient αω0 = v, et comme on cherche ω0 tel que ω⊤ 2 ⊤

0 ω0 = 1, il vient : α = v v.
2 vv⊤
Par suite P0 = I − 2 vv⊤ = I − 2 ⊤ .
α v v
Remarques 1.1.2. i) Le choix de k se fait au signe près , on peut choisir le
signe +.
ii) Le même procédé peut être appliqué pour obtenir une matrice
Pk = Ik − 2ωk ω⊤ ⊤
k avec ωk = ( 0, · · · , 0, ωk+ 1k , · · · , ωnk ) .

On a constaté que Pk peut être décomposée sous la forme

!
Ik bk = In−k − 2ω
Pk = avec P b⊤
b kω k (voir paragraphe ??).
bk
P

iii) La factorisation de Householder permet d’écrire :

Pn−2 Pn−3 · · · P1 P0 A = U,
ou encore A = QU avec Q = P0 P1 · · · Pn−2 une matrice orthogonale.

14
1.2 Méthodes indirectes de résolution de AX=B
1.2.1 Quelques rappels sur les matrices
Soit A = ( ai j )1≤i, j≤n une matrice carrée.
1. A est dite à diagonale strictement dominante en colonnes si elle vérifie :
i= n    
∑  ai j  <  a j j  , 1 ≤ j ≤ n
i= 1,i6 = j

2. A est dite à diagonale strictement dominante en lignes si elle vérifie :

j= n  
∑  ai j  < | aii | , 1 ≤ i ≤ n
j= 1, j6 = i

3. Une norme matricielle k.k vérifie les 4 propriétés suivantes :

i) k Ak = 0 ⇔ A = 0
ii ) kλ Ak = |λ | k Ak pour tout λ ∈ R
iii ) k A + Bk ≤ k Ak + k Bk
iv) k ABk ≤ k Ak k Bk
1
4. ( I + B) est inversible si k Bk < 1 et de plus ( I + B)−1 ≤
1 − k Bk
j= n    
5. k Ak∞ = max 1≤i≤n ∑ j=1  ai j  ; k Ak1 = max 1≤ j≤n ∑ii= n 
= 1 ai j
ρ( A) = max 1≤ j≤n |λi ( A)| est dite norme spectrale (λi ( A) : valeur propore de
A)

1.2.2 Méthodes classiques(Jacobi, Gauss Seidel, Relaxation)

Pour résoudre le système

Ax = b, (1.2.1)
on utilise des méthodes, dites indirectes, du type

x(k+1) = Tx(k) + C (1.2.2)

où T est une matrice obtenue à partir de A et c un vecteur dépendant de A et B

On écrit A sous la forme A = M − N
En supposant M inversible, l’équation (1.2.1) donne : x = M −1 Nx+ M −1 b
et ceci suggère le procédé itératif du type (1.2.2) avec T = M −1 N et C = M −1 b
Il ya plusieurs façons d’écrire A sous la forme A = M − N
Dans le cadre de ce cours on se limitera aux cas les plus utilisés à partir de : A =
D−L−U

15
 – Méthode de Jacobi : M = D, N = L + U.
– Méthode de Gauss-Seidel : M = D − L, N = U.
1
– Méthode de relaxation : A = A(ω) = M (ω) − N (ω), avec M (ω) = D − L,
ω
1−ω
N (ω) = D − U où ω est un scalaire.
ω
Définition 1.2.1. :
Une méthode de type (1.2.2) est dite convergente si pour tout x(0) initial on a :

lim x(k) = x
k→∞

Si une telle limite existe, alors elle vérifie :

x = Tx + c

Définition 1.2.2. :
On appelle erreur de la méthode (à la kieme itération) la quantité :

e( k) = x( k) − x

Avec e(0) = x(0) − x on obtient e(k) = T k e(0)

la méthode est convergente si lim T k = 0
k→∞

Méthode de Jacobi :

Si A = ( ai j ) la méthode de Jacobi consiste à choisir ; M = D = diag( aii ) et

N = L + U = (− ai j )i,6= j le schéma itératif est comme suit :

x(k+1) = D −1 ( L + U )x(k) + D −1 b =TJ x(k) + c

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

Si x(0) est le vecteur initial donné, l’algorithme de Jacobi est de la forme :
j= n
( k+ 1) 1 ( k) bi
xi =−
aii ∑ ai j x j +
aii
; i = 1, · · · ., n
j= 1, j6 = i

Explicitement, on obtient :
( k+ 1) ( k) ( k)
a11 x1 = − a12 x2 − · · · − a1n xn + b1
.. .. ..
. . .
( k+ 1) ( k) ( k)
ann xn = − an1 x1 − · · · − ann−1 xn−1 + bn

Une condition suffisante pour que la méthode de Jacobi converge est :

ρ( TJ ) < 1 ou kTJ k∞ < 1

16
Méthode de Gauss-Seidel :

Pour cette méthode, les matrices M et N sont données par : M = D − L (supposé

inversible) et N = U où D, L et U proviennent de l’écriture A = D − L − U, le
schéma itératif est comme suit :

( D − L) x(k+1) = Ux(k) + b (1.2.3)

ou encore
x(k+1) = ( D − L)−1 Ux(k) + ( D − L)−1 b (1.2.4)

en explicitant (1.2.3) on obtient :

( k+ 1) ( k) ( k)
a11 x1 = − a12 x2 − · · · − a1n xn + b1
( k+ 1) ( k+ 1) ( k) ( k)
a22 x2 = − a21 x1 − a23 x3 − · · · − a2n xn + b2
.. .. ..
. . .
( k+ 1) ( k+ 1) ( k+ 1) ( k) ( k)
aii xi = − ai1 x1 · · · − aii−1 xi−1 − aii+1 xi+1 − · · · − ain xn + b2
.. .. ..
. . .
( k+ 1) ( k+ 1) ( k+ 1)
ann xn = − an1 x1 − · · · − ann−1 xn−1 + bn

La matrice TGS = ( D − L)−1 U est dite matrice de Gauss-Seidel associée à A

Théorème 1.2.1. :
Si A est une matrice carrée à diagonale strictement dominante en lignes alors
la méthode de Jacobi converge

Preuve :
Si A est une matrice carrée à diagonale strictement dominante en lignes alors
j= n  
on a : ∑ j=1, j6=i ai j  < | aii | , 1 ≤ i ≤ n (∗)
1 j= n  
ou encore : ∑ j=1, j6=i  ai j  < 1, 1 ≤ i ≤ n
|aii |
− ai j
Par ailleurs TJ = D −1 ( L + U ) = (ti j ) avec ti j = ( ) si i 6= j et tii = 0
aii

j= n   j= n  
k TJ k∞ = max ∑  ti j  = max 1 ∑  ai j  < 1
1≤ i≤ n j= 1 1≤ i≤ n | aii | j= 1, j6 = i

Exercice :
Montrer un résultat analogue avec preuve similaire si A est strictement
dominante en colonnes

17
Théorème 1.2.2. :
Si A est une matrice carrée à diagonale strictement dominante en lignes alors
la méthode de Gauss-Seidel converge

Preuve :

on montre que kTGS k∞ = ( D − L)−1 U ∞ < 1 en passant par :

k Txk∞
kT k∞ = max
x6=0 k xk ∞

On pose y =Tx =( D − L)−1 Ux

qui donne ( D − L)y =Ux et Dy = Ly+Ux ou encore y = D −1 Ly+ D −1 Ux
Soit k l’indice tel que | yk | = max 1≤i≤n | yi | = kyk∞ = kTxk ∞
j= k− 1 j= n
On a yk = ∑ j=1 ( D − 1 L ) k j y j + ∑ j= k+ 1 ( D − 1 U ) k j x j
   
 
j= k− 1 ak j j= n
 ak j 
d’où | yk | ≤ ∑ j=1 k y k∞ + ∑ j= k+ 1 kxk ∞
  | a kk |  | a kk |
 
j= k− 1 ak j ky k ∞ j= n
 ak j 
et : (1 − ∑ j=1 ) ≤ ∑ j= k+ 1
|akk | kxk∞   | akk |
j= n
 ak j 
∑ j= k+ 1
k y k∞ |akk |
soit enfin : ≤   <1
kxk ∞  
j= k− 1 ak j
( 1 − ∑ j= 1 )
|akk |

Méthode de relaxation

Si on considère des matrices M et N dépendantes d’un paramètre ω on obtient :

A = M (ω) − N (ω)
1 1−ω
avec M (ω) = D − L et N (ω) = D+U
ω ω
1 1−ω 1
T (ω) = ( D − L )−1 ( D + U ) et c(ω) = ( D − L )−1 b
ω ω ω
T (ω) = ( I − ω D −1 L )−1 ((1 − ω) I + ω D −1 U )

Remarques 1.2.1. :
– Si ω = 1, on retrouve la méthode de Gauss-Seidel.
– Si ω > 1, on parle de sur-relaxation.
– Si ω < 1, on parle de sous-relaxation.

Théorème 1.2.3. :
Condition nécessaire de convergence de la méthode de relaxation : 0 < ω < 2

18
 Preuve :  −1  
1 1 −ω
T (ω) = D−L D+U
ω ω
Si les valeurs propres de T (ω) sont notées λi (ω) on a :
 
1−ω
n det D+U
ω
det( T (ω)) = ∏ λi (ω) =   = ( 1 − ω) n .
i= 1
1
det D−L
ω

D’où ρ( Tω ) ≥ [|1 − ω|n ]1/n = |1 − ω|.

Pour que la méthode converge, il est nécessaire d’avoir ρ( T (ω)) < 1 et par consé-
quent |1 − ω| < 1 d’où ω ∈]0, 2[.

1.3 Exercices
Exercice 1.3.1. On note ek T = (0, · · · , 0, 1, 0, · · · , 0) le transposé du keme vecteur
canonique de Rn , A = ( ai j )1≤i, j≤n
ai, j
et mk T = (0, · · · , 0, −mk+1,k , · · · , −mn,k ); mi, j = , i = j, · · ·
ai,i
1. Montrer que les matrices élémentaires de Gauss Mk peuvent s’écrire sous la
forme Mk = I + mk ek T
2. Vérifier que Mk−1 = I − mk ek T
3. Montrer que :
( I + m 1 e1 T ) ( I + m 2 e2 T ) · · · ( I + m n− 1 en− 1 T ) = ( I + m 1 e1 T + m 2 e2 T + · · ·
+mn−1 enT−1 )
4. Application : On considère le systéme lineaire : ( S1 ) : AX = B
     
1 0 0 x 1
     
avec A =  1 1 1  ; X =  y  et B =  1 
0 1 2 z −1
a) Donner les matrices de Gauss M1 et M2 qui permettent de transformer
( S1 ) en un système ( S2 ) de la forme UX = D où U est triangulaire
supérieure
b) Vérifier que Mk = I + mk ek T pour k = 1, 2
c) Vérifier que M1 M2 = I + m1 e1 T +m2 e2 T
d) Déduire M1−1 , M2−1 et M2−1 M1−1
e) Décomposer la matrice A sous la forme A = LU où L est triangulaire
inférieure

19
 f) Résoudre le système ( S1 ) par la méthode LU

Exercice 1.3.2. Soit L la matrice triangulaire inférieure d’ordre n donnée par :

 
1 0 0 . .
 
 −1 1 0 0 . 
 
L=
 −1 −1 . 0 . 

 
 . . . 
−1 . −1 −1 1

1. Calculer la jeme colonne de L−1 ,

2. Montrer que k Ak1 A−1 1 = n2n−1

Exercice 1.3.3. On cherche à résoudre le système Ax = b par les méthodes directe

et indirecte.
Soit A = ( ai j )1≤i, j≤n une matrice carrée vérifiant les conditions suivantes :
aii > 0 , 1 ≤ i ≤ n
ai j ≤ 0 , 1 ≤ i 6= j ≤ n
j= n
∑ j= 1 ai j > 0 , 1 ≤ i ≤ n
Soit D la matrice diagonale ( dii = aii et di j = 0 si i 6= j)
j= n  
1. Montrer que la matrice A vérifie : ∑ j=1, j6=i  ai j  < | aii | , 1 ≤ i ≤ n (∗)
2. Donner l’expression du terme général de la matrice A(1) obtenue après la
première étape du procédé de d’élimination de Gauss sans pivot
3. Montrer que la matrice B d’ordre (n − 1) obtenue à partir de A(1) en enlevant
la première ligne et la première colonne vérifie une la relation similaire à (∗)
4. Ecrire le schéma itératif de Jacobi x(k+1) = Tx(k) + C
( T étant la matrice de Jacobi associée à A )
( k+ 1)
5. Expliciter les composantes x j en fonction de celles de x(k) et de C
j= n  
6. Montrer que la méthode de Jaobi converge (k Ak∞ = max 1≤i≤n ∑ j=1  ai j  < 1
)
7. Application :
     
3 −1 −1 1 1
    (0)  
On donne A =  −1 4 −2  , b =  1 , x =  1 
−1 −3 5 1 1
a) Donner la matrice T de Jacobi associée à A
b) Calculer la 1ere itération x(1) obtenue en utilisant la méthode de Jacobi

20
Exercice 1.3.4. Soit A = ( ai j ) une matrice carrée inversible dont les éléments diago-
naux sont non nuls. A est écrite sous la forme A = D − L − U où D est une matrice
diagonale et L (respectivement U) est triangulaire inférieure (respectivement supé-
rieure).
Pour résoudre le système Ax = b, on utilise la méthode itérative suivante :
!
n i− 1  
( k+ 1) ( k) ( k) ( k) ( k+ 1)
aii xi = aii xi + ω bi − ∑ ai j x j + r ∑ ai j x j − x j ,
j= 1 j= 1

où r et ω sont des réels fixés (ω non nul ) et k = 0, 1, · · ·

1. Montrer que la méthode proposée peut s’écrire sous la forme matricielle :
x(k+1) = M (r, ω) x(k) + c avec : M (r, ω) = ( D − rL)−1 ( aD + bL + eU )
où a , b et e sont des réels qu’on exprimera en fonction de r et/ou de ω.
2. Vérifier que cette méthode permet d’obtenir les méthodes de Jacobi, Gauss-
Seidel et de relaxation pour des choix appropriés de r et ω.
3. Montrer que les valeurs propres de M (r, ω) sont les racines de l’équation :
det(α D − β L − ωU ) = 0 avec α = λ + ω − 1 et β = (λ − 1)r + ω.

Exercice 1.3.5. Soit A une matrice symétrique définie positive et T la matrice définie
par : T = 2D −1 − D −1 AD −1 . On suppose que 2D − A est définie positive.
1. Montrer que la méthode de Jacobi appliquée au système Ax = b converge .
2. Soit la méthode itérative suivante :
( (0)
x donné  
x(n+1) = x(n) + T b − Ax(n)

Montrer que cette méthode converge et comparer sa vitesse de convergence à

celle de la la méthode de Jacobi.

21
Chapitre 2

Approximations des solutions de

l’équation f ( x) = 0

2.1 Rappels et notations

Définition 2.1.1. :
Soit k un réel strictement positif et g une fonction définie sur un intervalle [ a, b] de
R à valeurs dans R. La fonction g est dite Lipschitzienne de rapport de k (encore
dite k− Lipschitzienne) si pour tous x et y de [ a, b] on a : | g( x) − g( y)| ≤ k| x − y|.

Définition 2.1.2. :
Soit g une fonction k−Lipschitzienne sur [ a, b]. La fonction g est dite contractante
de rapport de contraction k si k ∈]0, 1[.

Exemple 2.1.1. :
La fonction g( x) = sin( x) est Lipschitzienne de rappport k = 1

Exercice 2.1.1. :
1
Montrer que la La fonction g( x) = cos( x) est Lipschitzienne et déterminer le
3
rappport k

Définition 2.1.3. :
Soit g une fonction définie sur un intervalle [ a, b] de R à valeurs dans R la fonction
g est dite uniformément continue sur [ a, b] si :
∀ ε ≥ 0, ∃ η tel que ∀ x et y de [a, b] vérifiant | y − x| ≤ η, on ait | g( y) − g( x)| ≤ ε

Remarque 2.1.1. :
Toute fonction Lipschitzienne sur [ a, b] est unfiormément continue sur [ a, b].

22
Théorème 2.1.1 (des Valeurs Intermédiaires).
Soit f une fonction définie et continue sur un intervalle fermé borné [ a, b] de R.
Alors pour tout réel θ appartenant à f ([ a , b]) , il existe un réel c ∈ [ a, b] tel que θ = f (c).
Si de plus f est strictement monotone alors le point c est unique.

Théorème 2.1.2 (des Valeurs Intermédiaires cas particulier θ = 0).

Soit f une fonction définie et continue sur un intervalle [ a, b] et vérifiant f ( a) × f (b) ≤ 0,
alors il existe un réel c ∈ [ a, b] tel que f (c) = 0 .
Si de plus f est strictement monotone alors le point c est unique.

Théorème 2.1.3 (de Rolle).

Soit f une fonction définie sur [ a, b] et à valeurs dans R. Si f est continue sur [ a, b],
dérivable sur ] a, b[ et vérifie f ( a) = f (b), alors il existe un réel c ∈] a, b[ tel que : f ′ (c) = 0
.

Théorème 2.1.4 (des Accroissements Finis).

Soit f une fonction définie sur [ a, b] et à valeurs dans R Si f est continue sur [ a, b] et
dérivable sur ] a, b[ , alors il existe un réel c ∈] a, b[ tel que :

f ( b) − f ( a) = ( b − a) × f ′ ( c) .

Théorème 2.1.5 (Formule de Taylor).

Soit f une fonction de classe C n sur [ a, b] dont la dérivée f (n+1) est définie sur ] a, b[ , alors
il existe un réel c ∈] a, b[ tel que :

1 1
f (b) = f ( a) + (b − a) f ′ ( a) + ... ( b − a) n f ( n) ( a) + ( b − a) n+ 1 f ( n+ 1) ( c) .
n! ( n + 1) !
Théorème 2.1.6 (Formule de MacLaurin).
Soit f une fonction de classe C n sur un intervalle I contenant 0 et telle que f (n) soit déri-
vable à l’intrérieur de I . Alors ∀ x ∈ I, il existe un réel c strictement compris entre 0 et x
tel que :

1 2 ′′ 1 1
f ( x) = f ( 0) + x f ( 1) ( 0) + x f (0) + ... xn f (n) (0) + xn + 1 f ( n + 1) ( c) .
2! n! ( n + 1) !
Définition 2.1.4. :
Soit θ un réel et f une fonction définie sur un intervalle I de R et à valeurs dans R.
θ est dit zéro de f si f (θ ) = 0

Définition 2.1.5. :
Soit θ un réel et g une fonction définie sur un intervalle I de R et à valeurs dans R.
θ est dit point fixe de g si g(θ ) = θ.

23
Lemme 2.1.1. :
Soit I un intervalle de R et f une fonction définie sur I et à valeurs dans R .
Alors la recherche des zéros de f est équivalente à la recherche des points fixes de la fonction
g définie sur I par : g( x) = x − f ( x)

Preuve :
En effet, si f (θ ) = 0 alors g(θ) = θ − f (θ) = θ et inversement, si g(θ) = θ alors
f (θ) = θ − g(θ) = θ − θ = 0.

Lemme 2.1.2. :
Soit g une fonction de classe C 1 sur [ a, b] . S’il existe un réel k ≥ 0 tel que : | g′ ( x)| ≤ k
∀ x ∈ [a, b] alors la fonction g est k−Lipschitzienne sur [a, b].

Preuve :
Il suffit d’appliquer le théorème des accroissements finis à la fonction g sur [ x, y]
avec x ≤ y.
Donc il existe c ∈] x, y[ tel que : g( y) − g( x) = ( y − x) g′ (c) et comme on a : | g′ (c)| ≤
k , il s’ensuit que : | g( y) − g( x)| ≤ k| x − y|

Définition 2.1.6. :
Soit (un ) une suite admettant pour limite θ.
On appelle erreur de la neme étape le réel défini par en = un − θ

Définition 2.1.7. :
On dit que la convergence de (un ) vers θ est d’order p si :
|en+ 1 |
limn→∞ = C où p et C sont des réels > 0
|en | p
Si p = 1 (avec C < 1) la convergence est dite linéaire
Si p = 2 on dit que la convergence est quadratique.

Remarque 2.1.2. :
L’ordre de convergence p n’est pas nécessairement un entier.

Définition 2.1.8. :
On dira que le réel δ est une approximation du réel α avec la precision ε si :
|α − δ| ≤ ε.
En particulier, on dira que le terme un0 d’une suite (un ) approche la limite θ avec
précision ε si |un0 − θ| ≤ ε.

Exemple 2.1.2. :
1
la suite (un ) = ( ) tend vers zéro quand n tend vers l’infini.
n
1
Si on veut une précision ε = 10−1 , il suffit de prendre n0 tel que ≤ 10−1 ou
n0

24
encore n0 ≥ 10
1
mais si on exige une precision de 10−5 alors on doit prendre n0 tel que ≤ 10−5
n0
c.a.d n0 ≥ 105

Remarque 2.1.3. :
Il est important de saisir la notion de vitesse de convergence. Par exemple, les suites
1 1 1
( ), ( 2 ), ( 4 ) convergent vers zéro quand n tend vers l’infini mais la vitesse de
n n n
convergence diffère d’une suite à l’autre.

Théorème 2.1.7. :
Soit g une fonction k−contractante sur [ a, b] et à valeurs dans [ a, b] , et (un ) la suite
récurrente définie par :
u0 ∈ [ a, b] , u0 donné et un+1 = g(un ) pour tout n ≥ 0
Alors :
1- la suite (un ) converge vers un réel θ
2- la fonction g admet un point fixe unique
kn
3- Pour tout n ∈ N∗ on a : |un − θ| ≤ |u 1 − u 0 |
1−k
Preuve :
Tout d’abord, comme u0 ∈ [ a, b] et que g : [ a, b] → [ a, b] , on a un ∈ [ a, b] pour tout
n ∈ N.
Ensuite, le fait que g soit une fonction k−contractante implique que :

|un+1 − un | = | g(un ) − g(un−1 )| ≤ k|un − un−1 | pour tout n ≥ 1.

Par conséquent on obtient :

|un+1 − un | ≤ kn |u1 − u0 | pour tout n ≥ 0 (2.1.1)

A l’aide de l’inégalité 2.1.1 on montre que la suite (un ) vérifie :

1 n
|u n+ p − u n | ≤ k |u 1 − u 0 |
1−k
En effet : Pour tous p ∈ N∗ et n ∈ N on a :

|un+ p − un | ≤ |un+ p − un+ p−1 | + |un+ p−1 − un+ p−2| + ...|un+2 − un+1 | + |un+1 − un |
≤ kn+ p−1 |u1 − u0 | + kn+ p−2 |u1 − u0 |.. + kn+1 |u1 − u0 | + kn |u1 − u0 |
1 − kp n
≤ k |u 1 − u 0 |
1−k
1 n
≤ k |u 1 − u 0 | ( 2)
1−k

25
L’inégalité (2) nous permet de prouver que la suite (un ) est de Cauchy. En effet :
Comme kn −−−−−→ 0 alors pour tout ε > 0, il existe n0 tel que pour tout n ≥ n0 on
n −→+ ∞
1−k 1 n
ait : kn ≤ ε et par suite : k |u 1 − u 0 | ≤ ε
|u 1 − u 0 | 1−k
Donc pour tout ε > 0, il existe n0 tel que pour tout n ≥ n0 on ait :
1−k
|u n+ p − u n | ≤ kn ≤ε
|u 1 − u 0 |
La suite (un ) est donc de Cauchy et par conséquent elle converge vers une limite θ.
Comme la fonction g est continue sur [ a, b] , que un+1 = g(un ) et que
un ∈ [ a, b] ∀ n ∈ N
alors on a : lim un = θ = g(θ) c-a-d : θ est un point fixe de g
n→∞
Unicité du point fixe :
Supposons que g admet un autre point fixe α different de θ alors on a :
| g(α ) − g(θ)| = |α − θ| ≤ k|α − θ| ou encore (1 − k)|α − θ| ≤ 0 mais comme k < 1,
alors α = θ
kn
Enfin, en faisant tendre p vers l’infini dans l’inégalité |un+ p − un | ≤ |u 1 − u 0 |,
1−k
on obtient :
kn
|θ − un | ≤ | u 1 − u 0 | ∀ n ∈ N∗
1−k
Théorème 2.1.8 (condition de convergence locale).
Soit g une fonction de classe C 1 au voisinage θ . Si g(θ) = θ et | g′ (θ)| ≺ 1,
alors il existe ε strictement positif tel que :
∀u0 ∈ Iε = [θ − ε, θ + ε] , la suite (un ) = ( g(un−1 )) est définie et converge vers θ ,
l’unique solution de g( x) = x dans Iε

Preuve :
Puisque g est de classe C 1 au voisinage de θ et que | g′ (θ)| < 1
on a :| g′ ( x)| < 1 ∀ x au voisinage de θ.
Par consequent, il existe ε strictement positif tel que :

∀ x ∈ Iε , | g′ ( x)| < 1

et puisque g′ est continue sur le fermé borné Iε ,

on déduit qu’il existe k ∈]0, 1[ tel que :

∀ x ∈ Iε , | g′ ( x)| ≤ k < 1

Pour appliquer le théorème , il suffit de vérifier que : g( Iε ) ⊂ Iε .

Or, par application du théorème des accroissements finis on a :
∀ x ∈ Iε , | g( x) − θ| ≤ | x − θ|

Remarque 2.1.4. :

26
 – Si | g′ (θ)| = 1, la suite peut converger ou diverger
– Si | g′ (θ)| ≥ 1 et si la suite possède une infinité de termes différents de θ , alors
la suite ne peut converger.
En effet, si on suppose que la suite converge vers θ on obtient :
un+1 − θ = (un − θ) g′ (cn ) avec cn compris entre un et θ et de là on aboutit à une
contradiction en supposant que un est assez proche de θ de telle sorte que :
| g′ (cn )| ≥ 1 =⇒ |un+1 − θ| ≥ |un − θ|

Théorème 2.1.9. :
Si la suite récurrente définie par : u0 ∈ [ a, b], u0 donné et un+1 = g(un ), ∀n ≥ 0, converge
|en+ 1 |
linéairement vers θ et si g est de classe C 1 sur [ a, b], alors C = lim = | g′ (θ)|.
n→∞ |en |

Preuve :
Il suffit d’appliquer le théorème des accroissements finis :
|en+1 | = |un+1 − θ| = | g(un ) − g(θ)| = |(un − θ) g′ (cn )| et de là on obtient

|en+ 1 |
lim = lim | g′ (cn )| = | g′ (θ)|
n→∞ |en | n→∞

Remarque :
On veut résoudre numériquement l’équation f ( x) = 0. On constate qu’il existe
plusieurs façon d’écrire cette équation sous la forme d’un problème de point fixe
c’est-à-dire sous la forme g( x) = x. Par exemple on à les trois écritures suivantes :
x2 − 2x − 3 = 0 =⇒ x2 = 2x + 3
√
=⇒ x = g1 ( x) = ± 2x + 3 (2.1.2)

x2 − 2x − 3 = 0 =⇒ 2x = x2 − 3
x2 − 3
=⇒ x = g2 ( x) = (2.1.3)
2

x2 − 2x − 3 = 0 =⇒ x2 = 2x + 3
2x + 3
=⇒ x = g3 ( x) = (2.1.4)
x
Les trois équations 2.1.2, 2.1.3 et 2.1.4 admettent pour points fixes −1 et 3. Pour la
convergence locale ou globale il faut étudier | g′i ( x)| , | g′i (−1)| et | g′i (3)| i = 1, 2, 3

2.2 Méthode de Newton :

f ( x)
En prenant la fonction g définie par : g( x) = x − ,
f ′ ( x)
on obtient le procédé de Newton donné par :
f ( xn )
x0 donné , xn+1 = xn − ′ pour n ≥ 0 avec f ′ ( xn ) 6= 0
f ( xn )

27
Théorème 2.2.1. :
Soit une fonction de classe C 2 sur [ a, b] satisfaisant les conditions suivantes :
i ) f ( a) . f ( b) < 0
ii ) ∀ x ∈ [ a, b], | f ′ ( x)| 6= 0
iii ) f ′′ est de signe constant sur [ a, b] ( convexité ou concavité)
| f ( a)| | f (b)|
iv) ′
< b − a, < b−a
| f ( a)| | f ′ (b)|
Alors la méthode de Newton converge vers l’unique solution θ de f ( x) = 0 dans [ a, b] et
ceci pour n’importe quel choix de x0 ∈ [ a, b].

Preuve :
Considérons le cas f ( a). f (b) < 0, f ′ ( x) < 0 et f ′′ ( x) < 0
D’après i) et ii) , il existe une solution θ ∈ [ a, b] qui verifie :
f (θ) − f ( xn ) ′′
xn + 1 − θ = xn − θ + =
1
( x − θ ) 2 f ( c ) avec x ≤ c ≤ θ
n n
f ′ ( xn ) 2 f ′ ( xn )
Par conséquent, le signe de xn+1 − θ est celui de f ′′ (c) f ′ ( xn ).
Si f ′ ( x) < 0 et f ′′ ( x) < 0 alors xn+1 ≥ θ pour tout n ≥ 0 , ( xn ) est donc minorée
par θ à partir de x1
Pour montrer que la suite ( xn ) est décroissante, on distingue deux cas :
f ( x0 )
1. Si x0 > θ , x1 = x0 − ≤ x0 et on montre que xn+1 ≤ xn pour tout
f ′ ( x0 )
n≥0
f ( x0 )
2. Si x0 < θ , x1 = x0 − ≥ x0 et on montre que xn+1 ≤ xn pour tout
f ′ ( x0 )
n≥1

Exemple 2.2.1. Considérons l’équation f ( x) = x3 + 4x2 − 10 = 0, x > 0 On a f

une fonction strictement croissante ( car f ′ = 3x2 + 8x > 0 sur ]0, +∞[) et comme
f (1) = −5 et f (4) = 118 donc d’après le théorème des valeurs intermédiaires f
admet une seule racine dans l’intervalle [0; 4]. Soit x0 = 3.9 . la solution est donnée
par la figure (2.1) :

28
 3 2
la fonction f(x)=x +4*x −10
120
C
f

100

80

60

f(x)
40

20

0
x x x x
2 1 0

−20
1 1.5 2 2.5 3 3.5 4
x

F IGURE 2.1 – la solution est x = 1.3652

2.3 Méthode de Newton modifiée :

f ( x)
En prenant la fonction g définie par : g( x) = x − , f ′ ( x0 ) 6= 0
f ′ ( x0 )
on obtient la méthode de Newton modifiée comme suit :
f ( xn )
x0 donné , xn+1 = xn − ′ pour n ≥ 0
f ( x0 )
on montre alors que cette méthode est d’ordre 1.
Autres modifications de la méthode de Newton peuvent etre obtenues en prenant
f ′ ( xσ (n) ) pour des valeurs intérmédaires.

2.4 Méthode de dichotomie :

Soit une f fonction définie continue sur [ a, b] vérifiant f ( a) f (b) ≤ 0 .

La fonction f admet donc au moins un zéro θ ∈ [ a, b].
La méthode de dichotomie consiste à approcher θ par encadrement, en réduisant à
chaque étape la longueur de l’intervalle de moitié selon l’algorithme suivant :
Etape 1
a0 + b0
On pose a0 = a et b0 = b on pose c0 = puis on teste si c0 = θ c’est terminé,
2
sinon :
Si f ( a0 ) f (c0 ) < 0 alors θ ∈ [ a0 , c0 ] on pose alors a1 = a0 et b1 = c0
a1 + b1
puis c1 =
2
Si f (b0 ) f (c0 ) < 0 alors θ ∈ [c0 , b0 ] on pose alors a1 = c0 et b1 = b0
a1 + b1
puis c1 =
2

29
 b0 − a0 b−a
Aprés cette étape la longueur de [ a1 , b1 ] est égale à =
2 2
Etape 2
on recommence le procédé de l’étape 1.
Etape k
A chaque étape k du procédé, soit on tombe sur un ck = θ soit on diminue la
longueur de l’intervalle de moitié.

Théorème 2.4.1. :
Les ak , bk et ck satisfont les propriétés suivantes :
1- [ ak+1 , bk+1 ] ⊂ [ ak , bk ]
b − ak b −a
2-bk+1 − ak+1 = k = 0 k+ 1 0
2 2
3- La suite (ck ) converge vers θ
b−a
4- |ck − θ| ≤ k+1
2
Preuve :
a + bk
1- Pour k ≥ 0 on a ck = k et [ ak+1 , bk+1 ] = [ ak , ck ] ou [ ak+1 , bk+1 ] = [ck , bk ]
2
Donc [ ak+1 , bk+1 ] ⊂ [ ak , bk ]
b − ak
2- On a par construction bk+1 − ak+1 = k , montrons par récurrence que :
2
b−a
bk − ak =
2k
Pour k = 0 la relation est vérifiée
b−a
Si on suppose que la relation est vraie à l’ordre k ( bk − ak = ) alors on a :
2k
1 1b−a b−a
bk+ 1 − ak+ 1 = ( bk − ak ) = k
= k+ 1
2 2 2 2
ak + bk
3- Par construction θ ∈ [ ak , bk ] et ck = est le milieu de [ ak , bk ]
2
b − ak b−a
Donc |ck − θ| ≤ k ≤ k+ 1
2 2
b−a b−a
En d’autres termes, on a : θ − k+1 ≤ ck ≤ θ + k+1
2 2
b−a
et comme k+1 −−−−−→ 0 on déduit que lim ck = θ
2 n −→+ ∞ k→∞

Remarque 2.4.1. Le théorème précédent permet de calculer à l’avance le nombre maximal

n ∈ N d’itérations assurant la précision ε, en effet
b−a b−a
Pour que cn vérifie |cn − θ| ≤ n+1 à la nime itération, il suffit que n vérifie : n+1 ≤ ε
2 2
On a alors :
b−a
|cn − θ | ≤ n+1 ≤ ε
2
b−a b−a b−a
donc n+1 ≤ ε ⇐⇒ ≤ 2n+1 ⇐⇒ log( ) ≤ (n + 1) log (2)
2 ε ε
30
 log(b − a) − log (ε)
⇐⇒ −1 ≤ n
log(2)
Exemple 2.4.1. Soit f ( x) = x3 + 4x2 − 10 = 0 . On vérifie graphiquement que f
admet une racine réelle dans l’intervalle [1; 2] et que la méthode de dichotomie est
applicable (voir figure (2.2)).

3 2
la fonction f(x)=x +4x −10
14

12

10

6
f(x)

0
x
−2

−4

−6
1 1.2 1.4 1.6 1.8 2
x

F IGURE 2.2 – f (1). f (2) < 0

Pour trouver une approximation de cette racine on peut utiliser la méthode de di-
chotomie avec une précision = 10−10
on a les résultats suivants : n (numérique) = 33 n (théorique) = 32.219281
x = 1.3652300134 f ( x) = −2.378897e − 011

2.5 Méthode de fausse position ( Regula Falsi) :

Au lieu de prendre à chaque étape ck qui est le milieu de l’intervalle [ ak , bk ], la
méthode de fausse position prend le point d’intersection de l’axe des abscisses avec
la droite passant par (ak , f ( ak )) et (bk , f (bk )).
L’équation de cette droite est donnée par :
x−a y − f a)
= .
b−a f ( b) − f ( a)
ak − bk
Elle coupe l’axe des abscisses au point : Mk (ck , 0) où : ck = ak + f ( ak )
f ( ak ) − f ( bk )
En suite on procède comme dans le cas de dichotomie en testant :
Si f ( ak ) f (ck ) < 0 alors θ ∈ [ ak , ck ] on pose alors ak+1 = ak et bk+1 = ck
Si f (bk ) f (ck ) < 0 alors θ ∈ [ck , bk ] on pose alors ak+1 = ck et bk+1 = bk
puis on cherche à nouveau la droite passanrt par (ak+1 , f ( ak+1 )) et (bk+1 , f (bk+1 ))

31
Exemple 2.5.1. :
Considérons l’équation f ( x) = x3 − 20 = 0 comme f (0.75) = −19, 578125 et
f (4.5) = 71, 125 alors f (0.75). f (4.5) < 0 donc on peut appliquer le méthode de
fausse position ( Regula Falsi) dans l’intervalle [0.75; 4.5]. La solution est donnée
par la figure (2.3) :

120

100

80
f(b)

60

40

20

0 a
b

f(a)
−20
0 1 2 3 4 5

F IGURE 2.3 – x = 2.7133

2.6 Exercices
Exercice 2.6.1. Considérons la suite récurrente (un ) définie par : 0 < u0 < 1 et
u n + 1 = h( u n ) ∀ n ≥ 0
où h est donnée par l’équation logistique h( x) = rx(1 − x)
1. Montrer que si r ∈]0, 4] alors 0 < un ≤ 1 ∀n ≥ 1
2. vérifier que 0 est un point fixe trivial de h et trouver l’autre point fixe θ
3. A quelles conditions sur r la suite (un ) converge-t-elle vers les points fixes 0
et θ?

Exercice 2.6.2. Soient g1 , g2 , g3 et g4 les fonctions définies par :

√ x(3A − x2 ) 1 A 3A
g1 ( x) = 2x − A, g2 ( x) = , g3 ( x) = ( x + ) et g4 ( x) = +
2A 2 x 8x
3x x 3
−
4 8A
√
1. vérifier que les quatre fonctions admettent A comme point fixe
√
2. Ecrire les formules de Taylor à l’ordre 3 au point A pour les quatre fonctions

32
 3. On considère les suites ( xn ) , ( yn ) , (un ) et (vn ) définies par :
xn+1 = g1 ( xn ) , yn+1 = g2 ( yn ) , un+1 = g3 (un ) et vn+1 = h(vn ) puis on
pose :
√ √ √ √
en = A − xn , εn = A − yn , dn = A − un et δn = A − vn
Trouver l’ordre de convergence et la constante d’erreur asymptotique dans
chaque cas, c.a.d :
| en+ 1 | |ε | |ε | |e |
lim p
= C1 , lim n+1p2 = C2 , lim n+1p3 = C3 , lim n+1p4 = C4 ,
n→∞ | en | 1 n→∞ | εn | n→∞ | εn | n→∞ | en |
où pi et Ci sont des constantes > 0
4. Conclure.

Exercice 2.6.3. Soit p un entier ≥ 2 et f et g les fonctions définies sur R+

∗ par :
g( x) = Ax 1 − p et f ( x) = x + λ ( g( x) − x)
1. La suite xn+1 = g( xn ) converge-t-elle vers A1/ p ?
2. pour quelle valeurs de λ a-t-on convergence de l’itération xn+1 = f ( xn ) vers
A 1/ p
3. Donner la valeur optimale de λ ( c.a.d celle qui donne la convergence la plus
rapide)
4. Comparer avec la méthode de Newton appliquée à la fonction h( x) = x p − A
1
Exercice 2.6.4. Soient f et g les fonctions définies sur R par : g( x) = cos( x) et
4
1
f ( x) = x − cos( x)
4
1. Montrer que la recherche des solutions de f ( x) = 0 est équivalente à la re-
cherche des points fixes de g, vérifier que de telles solutions existent et étudier
l’unicité
2. Montrer que la suite récurrente définie par : u0 ∈ R , un+1 = g(un ) ∀n ≥ 0 est
convergente
3. Cette convergence depend-elle du choix de u0 ?

Exercice 2.6.5. Soit f la fonction définie sur R par : f ( x) = x3 + x − 1

1. Montrer que la fonction f admet un zéro θ dans [0, 1]
2. Ecrire la suite ( xn ) obtenue à partir de la méthode de Newton
3. Etudier sur [0, +∞[ le signe de la fonction h définie par : h( x) = 2x3 − 3θ x2 −
1 −θ
4. On suppose que x0 ∈ [0, 1]
i) Montrer que xn ∈ [θ, 1] pour tout n ≥ 1

33
 ii) Montrer que la suite ( xn ) est décroissante et conclure
5. Montrer que pour tout n ≥ 0 on a : 0 < xn+1 − θ < xn − xn+1
6. En prenant x0 = 1 , donner une valeur approchée de θ avec une précision
ε = 10−2

Exercice 2.6.6. Soit θ un zéro d’ordre 1 de f , x0 un réel différent de θ et an est une

approximation de f ′ ( xn )
f ( xn )
1. Considerons la méthode de Newton modifiée ( M1) : xn+1 = xn − ′
f ( x0 )
∀n ≥ 0
Quel est l’ordre de cette méthode
f ( xn )
2. Soit la méthode ( M2) : xn+1 = xn − pour n ≥ 0
an
Montrer que l’ordre de convergence est supérieur à 1 si an → f ′ (θ) quand
n→∞,
3. Si θ est un zéro d’ordre 2 de f et f ′′ (θ) 6= 0 quel est l’ordre de convergence de
f ( xn )
la méthode: ( M3) xn+1 = xn − 2 ′ pour n ≥ 0
f ( xn )
f ( xn ) − f ( xn − 1 )
4. Quelle méthode ( M4) obtient-on en prenant dans ( M2) an =
xn − xn − 1
5. Facultatif : on démontre que l’erreur de la méthode ( M4) vérifie :
en+ 1 f ”(θ)
lim = ′
n→∞ en en− 1 2 f ( xn ) √
1+ 5
et que l’odre de convergence est p = ≈ 1.62
2
Exercice 2.6.7. Soit f une fonction de classe C 2 sur R . On suppose que f admet
une fonction réciproque g.
On cherche un zéro θ de f en passant par g. ( f (θ) = 0 ⇐⇒ g(0) = θ)

1. Ecrire les dérivées premières et secondes de g

2. Soit P( y) le polynb ome de degré 1 vérifiant :
P( yn ) = g( yn ) et P′ ( yn ) = g′ ( yn )
a) Exprimer P( y) en fonction de y , yn , g( yn ) et g′ ( yn )
b) Exprimer P( y) en fonction de y , xn , f ( xn ) et f ′ ( xn ) )
c) Quel procédé obtient-on en prenant xn+1 = P(0)
3. Soit P( y) le polynb ome de degré 1 vérifiant :
P( yn ) = g( yn ) et P( yn−1 ) = g( yn−1 )
a) Exprimer P( y) en fonction de y , yn , g( yn ) et g( yn−1 )

34
 b) Exprimer P( y) en fonction de y , xn−1 , xn , f ( xn−1 ) et f ( xn )
c) Quel procédé obtient-on en prenant xn+1 = P(0)
4. Soit P( y) le polynb ome de degré 2 vérifiant :
P( yn ) = g( yn ), P ( yn ) = g′ ( yn ) et P′′ ( yn ) = g′′ ( yn )
′

a) Exprimer P( y) en fonction de y , yn , g( yn ) , g′ ( yn ) et g′′ ( yn )

b) En exprimant les dérivées de g en fonction de celles de f et en prenant
xn + 1 = P ( 0) ,
Montrer qu’on obtient le procédé (de Tchebychev) suivant :
f ( xn ) ( f ( xn ))2 f ′′ ( xn )
xn + 1 = xn − ′ − avec f ′ ( xn ) 6= 0
f ( xn ) 2( f ′ ( xn ))3
5. Facultatif : On montre que la méthode de Tchebychev est d’ordre 3

35
Chapitre 3

Inroduction à l’interpolation

3.1 Rappel et définitions

Soit Pn ( x) l’espace des polynômes de degré inférieur ou égal à n .

On rappelle que 1, x, x2 , ...., xn est une base de Pn ( x) (dim Pn ( x) = n + 1)
On note δi j le symbole de Kronecker : δi j = 1 si i = j ; δi j = 0 si i 6= j
Soient f une fonction continue sur [ a, b] , x1 , ...., xn n points de [ a, b] et g1 , ...., gn
des réels de même signe.
i= n i= n
Alors on a : ∑ f ( xi ) gi = f (c) ∑ gi où c ∈ [ a, b]
i= 1 i= 1
Définition 3.1.1. : Interpolant
Soit f une fonction réelle définie sur un intervalle [ a, b] contenant n + 1 points dis-
tincts x0 , x1 , ...., xn . Soit Pn un polynôme de degré inférieur ou égal à n .
On dit que Pn est un interpolant de f ou interpole f en x0 , x1 , ...., xn si :

Pn ( xi ) = f ( xi ) pour 0 ≤ i ≤ n

3.2 Interpolant de Lagrange

Définition 3.2.1. : Polynômes de Lagrange
Soient x0 , x1 , ...., xn (n + 1) points deux à deux distincts d’un intervalle [ a, b] de R
On appelle interpolants de Lagrange les polynômes Li définis pour i = 0, ..., n par :
j= n
(x − x j ) ( x − x0 )( x − x1 )....( x − xi−1 )( x − xi+1 )....( x − xn )
L i ( x) = ∏ =
j= 0, j6 = i
( xi − x j ) ( xi − x0 )( xi − x1 )....( xi − xi−1 )( xi − xi+1 )....( xi − xn )
On a en particulier :
j= n
(x − x j ) ( x − x1 )( x − x2 ).......( x − xi )........( x − xn )
L 0 ( x) = ∏ =
j= 1 ( x0 − x j ) ( x0 − x1 )( x0 − x2 )....( x0 − xi )....( x0 − xn )

36
 j= n − 1
(x − x j ) ( x − x0 )( x − x1 ).......( x − xi )........( x − xn−1 )
L n ( x) = ∏ =
j= 0 ( xn − x j ) ( xn − x0 )( xn − x1 )....( xn − xi )....( xn − xn−1 )
Si on prend Pn ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1 ) + .... + Ln ( x) f ( xn )
alors : Pn ( xi ) = f ( xi ) pour 0 ≤ i ≤ n

Exemple 3.2.1. :
Si x0 = −1, x1 = 0 et x2 = 1 ,
f ( x0 ) = 2 , f ( x1 ) = 1 , f ( x2 ) = −1 , on obtient
( x − x1 )( x − x2 ) x( x − 1) x( x − 1)
L 0 ( x) = = =
( x0 − x1 )( x0 − x2 ) (−1)(−1 − 1) 2
( x − x0 )( x − x2 ) ( x − (−1))( x − 1) ( x + 1)( x − 1)
L 1 ( x) = = =
( x1 − x0 )( x1 − x2 ) −(−1)(−1) −1
( x − x0 )( x − x1 ) ( x + 1) x ( x + 1) x
L 2 ( x) = = =
( x2 − x0 )( x2 − x1 ) (1 − (−1))(1 − 0) 2
Donc

P2 ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1 ) + L2 ( x) f ( x2 )
x( x − 1) ( x + 1)( x − 1) ( x + 1) x
= f ( x0 ) + f ( x1 ) + f ( x2 )
2 −1 2
x( x − 1) ( x + 1)( x − 1) ( x + 1) x
= 2 + −
2 −1 2
1 2 3
= − x − x+1
2 2
On vérifie facilement que :
(−)(−1 − 1)
P2 ( x0 ) = P2 (−1) = = 2 = f ( x0 )
2
(1)(−1)
P2 ( x1 ) = P2 (0) = = 1 = f ( x1 )
−1
( 1 + 1) 1
P2 ( x2 ) = P2 (1) = − = − 1 = f ( x2 )
2
Propriétés 3.2.1. :
Les polynômes de Lagrange ont les propriétés suivantes :
P1) L j ( x) est un polynôme de degré n ; ∀ j = 0, ..., n
P2) L j ( x j ) = 1 ∀ j = 0, ..., n et L j ( xi ) = 0 pour tout j 6= i
P3) la famille { L0 ( x), L1 ( x), ....Ln ( x)} est une base de Pn ( x)

Preuve :
P1) Par définition L j ( x) est un polynôme de degre n
P2) Cette propriété est aisément vérifiée en remplaçant x par xi dans L j ( x)
P3) On a : card { L0 ( x), L1 ( x), ....Ln ( x)} = dim Pn ( x) = n + 1
Pour montrer P3), il suffit donc de montrer que { L0 ( x), L1 ( x), ....Ln ( x)} est un sys-
téme libre.

37
Soient C0 , C1 , ....., Cn des constantes telles que :
C1 L0 ( x) + L1 L1 ( x) + .... + Cn Ln ( x) = 0
Alors, en prenant succéssivement x = x0 ...xi .. xn et en utilisant L j ( xi ) = δi j
on déduit que : C0 = C1 = ... = Cn = 0
La famille { L0 ( x), L1 ( x), ....Ln ( x)} est libre et par conséquent c’est une base de
Pn ( x ) .

3.3 Interpolant de Newton

Définition 3.3.1. : Differences divisées

Soit f une fonction numérique définie sur un intervalle [ a, b] contenant n + 1 points
distincts x0 , x1 , ...., xn .
On définit les differences divisées d’ordre i de f aux points ( xk ) comme suit :
[ f ( x0 )] = f ( x0 )
f ( x1 ) − f ( x0 )
[ f ( x0 ), f ( x1 )] =
x1 − x0
[ f ( x1 ), f ( x2 ), ..., f ( xi )] − [ f ( x0 ), f ( x1 ), ..., f ( xi−1 )]
[ f ( x0 ), f ( x1 ), ..., f ( xi )] = pour
xi − x0
i≥2

Exemple 3.3.1. :
Si x0 = −1, x1 = 0 et x2 = 1 , f ( x0 ) = 2 , f ( x1 ) = 1 , f ( x2 ) = −1 , on obtient

[ f (−1)] = 2
1−2
[ f (−1), f (0)] = = −1
0 − (−1)
−2 − (−1) −1
[ f (0)] = 1 [ f (−1), f (0), f (1)] = =
1 − (−1) 2
−1 − 1
[ f (0), f (1)] = = −2
1−0
[ f (1)] = −1

Propriétés 3.3.1. :
La valeur d’une difference divisée est indépendante de de l’ordre des xi
On a ainsi :
f ( x1 ) − f ( x0 ) f ( x1 ) f ( x0 )
[ f ( x0 ), f ( x1 )] = = + = [ f ( x1 ), f ( x0 )]
x1 − x0 x1 − x0 x0 − x1

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

38
et de façon générale :
i= k
f (x )
[ f ( x0 ), f ( x1 ), ... f ( xk )] = ∑ ( xi − x0 )....( xi − xi−1 )(ixi − xi+1 )...( xi − xk )
i= 0

Définition 3.3.2. : Interpolant de Newton :

On appelle interpolant de Newton le polynôme Pn donné par :

Pn ( x) = f ( x0 ) + [ f ( x0 ), f ( x1 )]( x − x0 ) + .... + [ f ( x0 ), ..., f ( xn )]( x − x0 ).....( x − xn−1 )

Exemple 3.3.2. :
Si x0 = −1, x1 = 0 , x2 = 1, f ( x0 ) = 2 , f ( x1 ) = 1 , f ( x2 ) = −1 , on obtient
[ f (−1)] = 2
1−2
[ f (−1), f (0)] = = −1
0 − (−1)
−2 − (−1) −1
[ f (0)] = 1 [ f (−1), f (0), f (1)] = =
1 − (−1) 2
−1 − 1
[ f (0), f (1)] = = −2
1−0
[ f (1)] = −1

P2 ( x) = f ( x0 ) + [ f ( x0 ), f ( x1 )]( x − x0 ) + [ f ( x0 ), f ( x1 ), f ( x2 )]( x − x0 )( x − x1 )
1 1
= 2 − 1( x − x0 ) − ( x − x0 )( x − x1 ) = 2 − ( x + 1) − ( x + 1)( x)
2 2
3 1 2
= 1− x− x
2 2
Définition 3.3.3. : Base de Newton
Soient x0 , x1 , ...., xn (n + 1) points deux à deux distincts d’un intervalle [ a, b] de R
et les polynômes Ni définis pour i = 0, ..., n par :
N0 ( x ) = 1
N j ( x) = ( x − x0 )( x − x1 )........( x − x j−1 ) pour j = 1, ..., n
On a en particulier
N1 ( x ) = ( x − x 0 )
Nn ( x) = ( x − x0 )( x − x1 )........( x − xn−1 )

Propriétés 3.3.2. :
Les polynômes Ni ont les propriétés suivantes :
P1) Ni ( x) est un polynôme de degré i
P2) Pour i ≥ 1 , Ni ( x) admet x0 , x1 , ...., xi−1 comme racines
P3) la famille { N0 ( x), N1 ( x), ....Nn ( x)} est une base de Pn ( x) dite base de Newton

Preuve :
P1) Propriété évidente d’après la définition de Ni ( x)

39
 P2) Propriété également évidente d’après la définition de Ni ( x)
P3) On a : card { N0 ( x), N1 ( x), ....Nn ( x)} = dim Pn ( x) = n + 1
Pour montrer P3), il suffit donc de montrer que { N0 ( x), N1 ( x), ....Nn ( x)}
est un systéme libre.
Soient C0 , C1 , ....., Cn des constantes telles que :
C1 N0 ( x) + C1 N1 ( x) + .... + Cn N1 ( x) = 0
Posons F ( x) = C1 N0 ( x) + C1 N1 ( x) + .... + Cn N1 ( x) = 0
Comme les xi sont supposés deux à deux distincts, on obtient successivement :
F ( x0 ) = C0 N0 ( x0 ) = 0 ⇐⇒ C0 = 0
F ( x1 ) = C1 N1 ( x0 ) = C1 ( x1 − x0 ) = 0 ⇐⇒ C1 = 0
·········
F ( xn ) = Cn Nn ( xn = Cn ( xn − x0 )( xn − x1 )...( xn − xn−1 ) = 0) ⇐⇒ Cn = 0
La famille { N0 ( x), N1 ( x), ....Nn ( x)} est libre et par conséquent c’est une base de
Pn ( x ) .

Théorème 3.3.1. :
Soit f une fonction numérique définie sur un intervalle [ a, b] .
Soit Pn un polynôme interpolant f en (n + 1) points x0 , x1 , ...., xn de [ a, b]
Alors :
a) On peut exprimer Pn ( x) comme combinaison linéaire des Ni de la base de Newton :

Pn ( x) = D0 N0 ( x) + D1 N1 ( x) + .... + Dn N1 ( x)

b) Les Di sont des constantes qui peuvent etre détérminées en solvant un système linéaire.

Preuve :
a) Puisque Pn ( x) ∈ Pn ( x) et que BN = { N0 ( x), N1 ( x), ....Nn ( x)} est une base de
Pn ( x ) ,
on peut écrire Pn ( x) dans la base BN
b) En écrivant Pn ( x) = D0 N0 ( x) + D1 N1 ( x) + .... + Dn N1 ( x) pour x = xi , 0 ≤ i ≤ n
on obtient  le système triangulaire inférieur suivant :

 Pn ( x0 ) = D0 = f ( x0 )




 Pn ( x1 ) = D0 + N1 ( x1 ) D1
 = f ( x1 )
( S1) Pn ( x2 ) = D0 + N1 ( x2 ) D1 + N2 ( x2 ) D2 = f ( x2 )

 . . ..

 .. .. .



 P (x ) = D + N (x )D + · · · + N (x )D = f (x )
n n 0 1 n 1 2 n n n
Les Di solutions du système ( S1) sont données par :
D0 = [ f ( x0 )] = f ( x0 )
f ( x1 ) − f ( x0 ) f ( x1 ) − f ( x0 )
D1 = = = [ f ( x0 ), f ( x1 )]
N1 ( x 1 ) ( x1 − x0 )

40
 [ f ( x1 ), f ( x2 ), ..., f ( xi )] − [ f ( x0 ), f ( x1 ), ..., f ( xi−1 )]
Di = = [ f ( x0 ), f ( x1 ), ..., f ( xi )]
xi − x0
pour i ≥ 2

Exemple 3.3.3. :
Soit la fonction f telle que

Xk 0.15 2.30 3.15 4.85 6.25 7.95

f ( x) 4.79867 4.49013 4.2243 3.47313 2.66674 1.51909

Donc Les Coefficients du polynôme d’interpolation de f dans la base de newton

sont :
D0 = 4.798670 D1 = −0.143507 D2 = −0.056411 D3 = 0.001229
D4 = 0.000104 D5 = −0.000002
Et son graphe est donné par la figure (3.1)

5
points d’interpolation
l’interpolant de f
4.5

3.5

2.5

1.5

1
0 1 2 3 4 5 6 7 8

F IGURE 3.1 – Interpolation de Newton

3.4 Existence et Unicité de l’interpolant

Théorème 3.4.1. :
Il existe un polynôme Pn unique de degré ≤ n , interpolant f en (n + 1) points, c.a.d : tel
que : Pn ( xi ) = f ( xi ), xi = 0, 1, ..., n

Preuve :
i)Existence :

41
 ( x − x0 )( x − x1 )....( x − xi−1 )( x − xi+1 )....( x − xn )
Soit Li ( x) =
( xi − x0 )( xi − x1 )....( xi − xi−1 )( xi − xi+1 )....( xi − xn )

et Pn ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1 ) + .... + Ln ( x) f ( xn )
i= n
= ∑ L i ( x) f ( xi )
i= 0
( )
i= n j= n
(x − x j )
= ∑ ∏ ( xi − x j ) f ( xi )
i= 0 j= 0, j6 = i

Pour chaque i = 0, ..., n , Li est un polynôme de degré n vérifiant : L j ( xi ) = δi j et

par conséquent on a :
Pn ( xi ) = f ( xi ), i = 0, 1, ..., n

ii) Unicité :
Supposons qu’il existe deux polynômes doifférents Pn et Qn de degré ≤ n , inter-
polant f aux points xi . Alors, en posant Dn ( x) = Pn ( x) − Qn ( x) , on arrive à une
contradiction.
En effet, Dn est un polynôme de degré ≤ n et par conséquent il peut avoir au plus
n zéros mais d’un autre côté Dn ( xi ) = 0 pour i = 0, 1, ..., n , ce qui voudrait dire
que Dn aurait (n + 1) zéros d’où la contradiction.
Donc Pn ≡ Qn

3.4.1 Interpolation linéaire

Dans ce cas, P1 est un polynôme de degré 1 interpolant f aux points x0 et x1

on a donc P1 ( xi ) = f ( xi ) , i = 0, 1 et les polynômes de Lagrange donnés par :
( x − x1 ) ( x − x0 )
L 0 ( x) = et L1 ( x) =
( x0 − x1 ) ( x1 − x0 )
f ( x1 ) − f ( x0 ) x − x1
D’où : P1 ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1 ) = ( x − x0 ) + f ( x0 ) = f ( x0 ) +
( x1 − x0 ) x0 − x1
x − x0
f ( x1 )
x1 − x0
qui est bien la formule d’interpolation linéaire qu’on obtient en cherchant la droite
passant par x0 et x1
De façon similaire on peut exprimer P1 dans la base de Newton pour obtenir :

P1 ( x) = f ( x0 ) + [ f ( x0 ), f ( x1 )]( x − x0 )
f ( x1 ) − f ( x0 )
= f ( x0 ) + ( x − x0 )
( x1 − x0 )

42
3.5 Erreur d’interpolation
Théorème 3.5.1. :
Soit le Pn le polynôme interpolant f aux points a = x0 < x1 < .... < xn = b
Si f ∈ C n+1 [ a, b] alors :
a) ∀ x ∈ [ a, b] , ∃θ = θ( x) ∈ [ a, b] tel que :

f (n+1) (θ)
en ( x) = f ( x) − Pn ( x) = Π ( x)
( n + 1) ! n + 1
i= n
avec : Πn+1 ( x) = ∏ ( x − xi )
i= 0
b) En posant Mn+1 = max a≤ x≤b | f (n+1) ( x)|
on obtient :
Mn + 1
max a≤ x≤b | f ( x) − Pn ( x)| ≤ max a≤ x≤b |Πn+1 ( x)|
( n + 1) !
et en particulier :

Mn + 1
max |en ( x)| = max | f ( x) − Pn ( x)| ≤ ( b − a) n+ 1
a≤ x≤ b a≤ x≤ b ( n + 1) !
Preuve :
a)
Si x = xi le résultat est évident.
Si x 6= xi , posons :
f ( x) − Pn ( x)
R(t) = f (t) − Pn (t) − Π n+1 ( t)
Π n + 1 ( x)
On vérifie alors que R ∈ C n+1 [ a, b] et que :

Π n + 1 ( xi )
R ( xi ) = en ( xi ) − en ( x) = 0, i = 0, 1, ..., n,
Π n + 1 ( x)

et R ( x) = en ( x) − en ( x) = 0
Par conséquent, R admet au moins n + 2 zéros dans [ a, b] et par suite, en appliquant
le théorème de Rolle de proche en proche, on montre qu’il existe un point θ ∈ [ a, b]
tel que : R(n+1) (θ) = 0 . Le résultat annoncé en découle.
f (n+1) (θ)
b) R(n+1) (θ) = 0 ⇒ en ( x) = Π ( x)
( n + 1) ! n + 1
max a≤ x≤b |Πn+1 ( x)|
⇒ max a≤ x≤b |en ( x)| ≤ Mn + 1
( n + 1) !
Exercice 3.5.1. : Cas particulier : Points équidistants
Si les points sont équidistants et : xi+1 − xi = h ∀i , montrer que :
h2
i ) pour n = 1 on a : max a≤ x≤b |e1 ( x)| ≤ M2
8

43
 h4
ii ) pour n = 3 on a : max a≤ x≤b |e3 ( x)| ≤ M4
24
Exemple 3.5.1. :
Construisons le graphe du polynôme d’interpolation de la fonction f dont on connaît
les valeurs suivantes (voir figure (3.2)) :

Xk -1 -0.5 0 0.5 1
f ( x) -1.5 0 0.25 0 0

2
points d’interpolation
1.5 l’interpolant de f

0.5

−0.5

−1

−1.5

−2

−2.5

−3
−1.5 −1 −0.5 0 0.5 1 1.5

F IGURE 3.2 – Interpolation de Lagrange

On peut aussi calculer les coefficients de ce polynôme. Le polynôme qui interpole

f(x) est donc donné par :

P( x) = 0.000000x4 + 1.000000x3 + −1.000000x2 + −0.250000x1 + 0.250000

3.6 Exercices
Exercice 3.6.1. 1. Soit f est une fonction continue sur [0, 3]
a) Ecrire le polynôme de Lagrange interpolant f aux points x0 = 0 , x1 = 1
et x2 = 2
b) Ecrire le polynôme de Newton interpolant f aux points x0 = 0 , x1 = 1 et
x2 = 2 .

44
 2. On considère un point supplémentaire x3 = 3
a) Ecrire le pôlynome de Lagrange interpolant f aux points x0 = 0 , x1 = 1,
x2 = 2 et x3 = 3
b) Ecrire le polynôme de Newton interpolant f aux points x0 = 0 , x1 = 1,
x2 = 2 et x3 = 3
3. Comparer le temps de calcul entre 2.a) et 2.b)

Exercice 3.6.2. :

R1 R1 1 R
1. Calculer I1 = 0 t(t − 1)dt , I2 = 0 t(t − )dt et I3 = 01 t2 (t − 1)2 dt
2
2. En déduire que :
Rβ
i) α ( x − β)( x − α )dx = (β − α )3 I1
R α +β
ii) αβ ( x − α )( x − )dx = (β − α )3 I2 ,
2
R
iii) αβ ( x − β)2 ( x − α )2 dx = (β − α )5 I3
3. Montrer que si f est une fonction continue alors il existe c ∈ [α , β] tel que :
Rβ 2 2 (β − α )5
α ( x − β) ( x − α ) f ( x) dx = f ( c)
30
4. Peut-on dire qu’il existe d ∈ [α , β] tel que :
Rβ α +β (β − α )3
α ( x − α )( x − ) f ( x ) dx = f ( d ) ?
2 12
5. Soit f est une fonction continue sur [ a, b] et soient α et β deux réels dans [ a, b]
On suppose α < β et on note P2 ( x) le polynôme interpolant f aux points :
α +β
α, et β.
2 R
Exprimer P2 ( x) dans la base de Newton puis calculer αβ P2 ( x)dx

45
Chapitre 4

Intégration numérique

4.1 Introduction

Dans le calcul d’intégrales, on n’est pas toujours en mesure d’obtenir des ex-
pressions exactes. Il se peut que l’obtention d’une primitive soit impossible ou trop
compliquée.
Pour pallier à ce problème, on cherche une approximation de l’integrale I ( f ) =
Rb
a f ( x) dx par une somme de surfaces de rectangles, de trapèzes ou d’autres formes
géométriques dont on sait calculer l’aire.
Considérons une subdivision uniforme de l’intervalle [ a, b] en n sous intervalles
b−a
[ xi−1 , xi ] , i = 1, ..., n de même longueur h = xi − xi−1 =
n
On a donc : x0 = a < x1 < ... xi < xi+1 < ... < xn = b
où xi = a + ih pour i = 0, 1, ..., n , en particulier x0 = a et xn = b
Soit f i la restriction de la fonction f à chaque sous intervalle [ xi , xi+1 ].
Rb R x1 R x2 R xn n− 1 Z xi+1
En écrivant a f ( x)dx = a f ( x)dx + x1 f ( x)dx + ....... + xn −1 f ( x)dx = ∑ xi
f ( x)dx,
i= 0
on obtient alors des approximations de l’intégrale I ( f ) en remplaçant f i ( x) par une
fonction Ψi ( x) facile à intégrer sur [ xi , xi+1 ].
Si Ψi est la fonction constante λi sur chaque sous intervale [ xi , xi+1 ] ( Ψi ( x) = λi )
on obtient une approximation par les sommes de Riemann :
n−1
I ( f ) ≈ Rn ( f ) = ∑ ( xi+ 1 − xi ) λi où λi = f ( x∗i ) avec x∗i quelconque dans [ xi , xi+1 ]
i= 0

46
4.2 Approximation

Théorème 4.2.1. :
Soit f une fonction continue sur [ a, b] alors :

Z b
n
lim R ( f ) = I ( f ) = f ( x)dx
n→∞ a

Preuve :
Remarquons d’abord que f est uniformément continue sur [ a, b] et par conséquent :
∀ε > 0, ∃η > 0 tel que ∀( x, y) ∈ [a, b] vérifiant: | x − y| ≤ η
on ait : | f ( x) − f ( y)| ≤ ε
et plus particulièrement on a :
∀ε > 0, ∃η > 0 tel que ∀( x, y) ∈ [ xi , xi+1 ] vérifiant: | x − y| ≤ η
ε
on ait : | f ( x) − f ( y)| ≤
b−a
Montrons maintenat que : ∀ε > 0, ∃n0 ∈ N tel que ∀n > n0
on ait : | I ( f ) − Rn ( f )| ≤ ε
b−a b−a b−a
Soit n0 > alors pour tout n ≥ n0 on a : h = ≤ <η
η n n0
Par ailleurs, pour x∗i ∈ [ xi , xi+1 ] et tout x ∈ [ xi , xi+1 ] on a : | x − x∗i | ≤ h < η et ceci
ε
implique que | f ( x) − f ( x∗i )| ≤
b−a
et par suite :
n− 1 Z xi+1 n− 1 Z xi+1
ε
| I ( f ) − Rn ( f )| ≤ ∑ | f ( x) − f ( x∗i )| dx ≤ ∑ ( )dx
i= 0 xi i= 0 xi b − a
Z
ε n− 1 xi+1 ε n−1
b − a i∑ b − a i∑
≤ dx ≤ ( xi+ 1 − xi ) = ε
=0 xi =0
Cas particulier de sommes de Riemann
En particulier, sur chaque sous intervalle [ xi , xi+1 ] ,on peut choisir x∗i et prendre
pour constante λi les valeurs f ( x∗i ) suivantes :
Rb n− 1 Z xi+1
a) x∗i = xi et λi = f ( xi ) donne a f ( x)dx ≈ Ign = ∑ f ( xi )dx
i= 0 xi
(Ign ,l’indice g pour signifier gauche)
Rb n− 1 Z xi+1
b) x∗i = xi+1 et λi = f ( xi+1 ) donne a f ( x)dx ≈ Idn = ∑ f ( xi+1 )dx
i= 0 xi
(Idn , l’indice d pour signifier droit)
1 xi + xi+ 1 R
c) x∗i = x̄i = ( xi + xi+1 ) ( milieu de [ xi , xi+1 ]) et λi = f ( ) donne ab f ( x)dx ≈
2 2
n− 1 Z xi+1
n = x i + x i + 1
Im ∑ f(
2
)dx
i= 0 xi
(Imn , l’indice m pour signifier moyen ou médian)

47
4.2.1 Approximation par des rectangles à gauche

Soit x0 < x1 < ... xi < xi+1 < ... < xn une subdivision uniforme de [ a, b]
R
Si on prend x∗i = xi , on obtient une approxiamtion de ab f ( x)dx comme suit :
Rb n
a f ( x) dx ≈ Ig où :
n− 1 Z xi+1 n−1 n−1 n−1
b−a
Ign = ∑ f ( x∗i )dx = ∑ ( xi+ 1 − xi ) f ( xi ) = h ∑ f ( xi ) = ∑ f ( xi )
i= 0 xi i= 0 i= 0
n i= 0

Théorème 4.2.2. :
Soit f une fonction continue sur [ a, b] alors :
1) La suite (Ign ) converge vers I ( f )
  ( b − a) 2
 
2) Si la fonction f est de classe C 1 sur [ a, b] alors  I ( f ) − Ign  ≤ M1
2n
où M1 = max a≤t≤b | f ′ (t)| .

Preuve :
1) analogue à celle du théorème 1
2) Si f est de classe C 1 sur [ a, b] alors : ∃ M1 ≥ 0 tel que : M1 = max a≤t≤b | f ′ (t)|
Le théorème des accroissements finis appliqué à la fonction f sur [ xi , x] où x ∈
[ xi , xi+ 1 ]
donne : ∃ci ∈] xi , x[ tel que f ( x) − f ( xi ) = ( x − xi ) f ′ (ci )
  n− 1 Z xi+1 n− 1 Z xi+1  
  ( x − xi ) f ′ (ci ) dx
d’où :  I ( f ) − Ign  ≤ ∑ |( f ( x) − f ( xi ))| dx ≤ ∑
i= 0 xi i= 0 xi
soit encore :
  n−1 Z xi+1
 n 
I ( f ) − Ig  ≤ M1 ∑ ( x − xi )dx
i= 0 xi
n−1 n−1 2
1 x h h ( b − a) 2
≤ M1 ∑ [( x − xi )2 ]xii+1 = M1 ∑ = M1 ( b − a ) = M1
i= 0
2 i= 0
2 2 2n

Corollaire 4.2.1. :
Pour obtenir une approximation avec précision de l’ordre de ε , il suffit de prendre Ign0
( b − a) 2 ( b − a) 2
où l’indice n0 est tel que : M1 ≤ ε ou encore n0 ≥ M1
2n0 2ε
Exemple 4.2.1. :
R
L’approximation de l’intégrale 01 e− x2 dx avec la méthode des rectangles à gauche,
avec les précision ε = 0.1 et ε = 0.05

48
 2
−x
f(x)=e et = 0.1
1

0.5

0
0 0.5 1 1.5 2

2
−x
f(x)=e et = 0.05
1

0.5

0
0 0.5 1 1.5 2

F IGURE 4.1 – Approximation par des rectangles à gauche

4.2.2 Approximation par des rectangles à droite

Soit x0 < x1 < ... xi < xi+1 < ... < xn une subdivision uniforme de [ a, b]
R
Si on prend x∗i = xi+1 , on obtient une approxiamtion de ab f ( x)dx comme suit :
Rb n
a f ( x) dx ≈ Id où :
n− 1 Z xi+1 n−1
b − a i= n
Idn = ∑ f ( xi+1 )dx = ∑ ( xi+1 − xi ) f ( xi+1 ) =
n i∑
f ( xi )
i= 0 xi i= 0 =1

Théorème 4.2.3. :
Soit f une fonction continue sur [ a, b] alors :
1) La suite (Idn ) converge vers I ( f )
  ( b − a) 2
2) Si la fonction f est de classe C 1 sur [ a, b] alors  I ( f ) − Idn  ≤ M1
2n
où M1 = max a≤t≤b | f ′ (t)|

Preuve : analogue à celle du théorème 2

Corollaire 4.2.2. Pour obtenir une approximation avec précision de l’ordre de ε , il suffit
( b − a) 2 ( b − a) 2
de prendre Idn0 où l’indice n0 est tel que : M1 ≤ ε ou encore n0 ≥ M1
2n0 2ε
Exemple 4.2.2. :
R
L’approximation de l’intégrale 01 e− x2 dx avec la méthode des rectangles à droite,
avec les précision ε = 0.1 et ε = 0.05

49
 2
−x
f(x)=e et = 0.1
1

0.5

0
0 0.5 1 1.5 2

2
−x
f(x)=e et = 0.05
1

0.5

0
0 0.5 1 1.5 2

F IGURE 4.2 – Approximation par des rectangles à droite

4.2.3 Approximation par des rectangles médians

Soit x0 < x1 < ... xi < xi+1 < ... < xn une subdivision uniforme de [ a, b]
xi + xi+ 1 R
Si on prend x∗i = , on obtient une approxiamtion de ab f ( x)dx comme
2
suit :
Rb n
a f ( x) dx ≈ Im où :
n− 1 Z xi+1 n−1
n = xi + xi+ 1 xi + xi+ 1 b − a n − 1 xi + xi+ 1
Im ∑ f (
2
) dx = ∑ i+ 1 i
( x − x ) f (
2
) =
n i∑
f(
2
)
i= 0 xi i= 0 =0

Théorème 4.2.4. :
Soit f une fonction continue sur [ a, b] alors :
n ) converge vers I ( f )
1) La suite (Im
3
n ≤ M ( b − a) où
2) Si la fonction f est de classe C 2 sur [ a, b] alors | I ( f ) − Im | 2 2
24n
M2 = max a≤t≤b | f ′′ (t)|

Preuve :
1)analogue à celle du théorème 2
2) Ici, au lieu du théorème des accroissements finis, on utilise la formule de Taylor
1
à l’ordre 2 sur l’intervalle [ x̄i , x] où x̄i = ( xi + xi+1 ) et x ∈ [ xi , xi+1 ] .
2
On obtient l’expression suivante :
1
f ( x) − f ( x̄i ) = ( x − x̄i ) f ′ ( x̄i ) + ( x − x̄i )2 f ′′ (ci ) avec ci ∈ [ x̄i , x]
2
On a alors :  
n− 1 Z xi+1 
 
| I ( f ) − Imn | =  ∑ ( f ( x) − f ( x̄i ))dx
 i= 0 xi 

50
    
n− 1 Z xi+1   n− 1 Z xi+1 1 
 ′   2 ′′ 
≤ ∑ ( x − x̄i ) f ( x̄i )dx +  ∑ ( x − x̄i ) f (ci )dx
 i= 0 xi   i= 0 xi 2 
 ≤Z A + B   
 n− 1 xi+1  n− 1 Z xi+1 
 ′  ′  
où A =  ∑ ( x − x̄i ) f ( x̄i )dx = | f ( x̄i )|  ∑ ( x − x̄i )dx = 0
 i= 0 xi   i= 0 xi 
 
 n− 1 Z xi+1 1  1 n− 1 Z xi+1
 
et B =  ∑ ( x − x̄i )2 f ′′ (ci )dx ≤ M2 ∑ ( x − x̄i )2 dx
 i= 0 xi 2  2 i= 0 x i
n−1 n−1
1 1 x 1 xi+ 1 − xi 3 ( b − a) 3
≤ M2 ∑ [( x − x̄i )3 ] xii+1 = M2 ∑ 2( ) = M2
2 i= 0 3 6 i= 0 2 24n2

Corollaire 4.2.3. :
n0
Pour obtenir une approximation avec précision de l’ordre de ε , il suffit de prendre Im
( b − a) 3 2 ≥ M ( b − a)
2
où l’indice n0 est tel que : M2 ≤ ε c-a-d n 0 2
r 24n20 24ε
( b − a) 2
ou encore n0 ≥ M2
24ε
Exemple 4.2.3. :
R
L’approximation de l’intégrale 01 e− x2 dx avec la méthode des rectangles médians,
avec les précision ε = 0.01 et ε = 0.001

2
−x
f(x)=e et = 0.01
1

0.5

0
0 0.5 1 1.5 2

2
−x
f(x)=e et = 0.001
1

0.5

0
0 0.5 1 1.5 2

F IGURE 4.3 – Approximation par des rectangles médians

4.2.4 Approximations par des trapèzes

Soit x0 < x1 < ... xi < xi+1 < ... < xn une subdivision uniforme et P 1 ( x)
un polynôme de degré 1 interpolant f aux points xi et xi+1 de chaque intervalle
[ xi , xi+ 1 ].

51
[ P1 ( xi ) = f ( xi ) et P1 ( xi+1 ) = f ( xi+1 )]
En approchant sur chaque sous intervalle [ xi , xi+1 ], f ( x) par P1 ( x) on obtient :
f ( x) ≃ P1 ( x) = f ( xi ) + [ f ( xi ), f ( xi+1 )]( x − xi )
f ( xi+ 1 ) − f ( xi )
f ( x) ≃ P1 ( x) = f ( xi ) + ( x − xi )
xi+ 1 − xi
et en conséquences :
R R h
I ( f ) = ab f ( x)dx ≃ ab P1 ( x)dx = [ f ( xi ) + f ( xi+1 )]
2

4.2.5 Formule de Simpson

Soit P2 ( x) un polynôme de degré 2 vérifiant :

P2 ( xi ) = f ( xi ) , P2 ( xi+1 ) = f ( xi+1 ) et P2 ( xi+2 ) = f ( xi+2 )
En approchant sur chaque sous intervalle [ xi , xi+2 ], f ( x) par P2 ( x) on obtient :
f ( x) ≃ P2 ( x)
≃ f ( x0 ) + [ f ( xi ), f ( xi+1 )]( x − xi ) + [ f ( xi ), f ( xi+1 ), f ( xi+2 )]( x − xi )( x − xi+1 )
et en conséquences :
R R h
I ( f ) = xxii+2 f ( x)dx ≃ xxii+2 P2 ( x)dx = [ f ( xi ) + 4 f ( xi+1 ) + f ( xi+2 )]
3
Preuve :
R
On a xxii+2 P2 ( x)dx = I ( P2 ) + J ( P2 ) + K ( P2 )
R
où : I ( P2 ) = xxii+2 f ( xi ) dx
R f ( xi+ 1 ) − f ( xi )
J ( P2 ) = xxii+2 ( x − xi ) dx
R xi+2 xi+ 1 − xi
K ( P2 ) = xi [ f ( xi ), f ( xi+1 ), f ( xi+2 )]( x − xi )( x − xi+1 )dx
On fait le changement de variables suivant :
( x − xi ) = ht → dx = hdt
quand x = xi → t = 0 et si x = xi+2 → t = 2
d’où on obtient successivement :
R
I ( P2 ) = 02 f ( xi ) hdt = 2h f ( xi )
f ( xi+ 1 ) − f ( xi ) R 2 2
J ( P2 ) = 0 h tdt
xi+ 1 − xi
 2 2
t
= h[ f ( xi+1 ) − f ( xi )]
2 0
= 2h[ f ( xi+1 ) − f ( xi )]
R
K ( P2 ) = [ f ( xi ), f ( xi+1 ), f ( xi+2 )] 02 ( x − xi )( x − xi+1 )dx
R
= [ f ( xi ), f ( xi+1 ), f ( xi+2 )] 02 h3 t(t − 1)dt
 2
f ( xi+ 2 ) − 2 f ( xi+ 1 ) + f ( xi ) 3 t3 t2
= h −
2h2 3 2 0
h
= [ f ( xi+2 ) − 2 f ( xi+1 ) + f ( xi )]
3
Soit enfin :

52
 R xi+2 h
xi P2 ( x)dx = I ( P2 ) + J ( P2 ) + K ( P2 ) = [ f ( xi ) + 4 f ( xi+1 ) + f ( xi+2 )]
3

4.3 Interpolation et Erreur d’intégration numérique

Définition 4.3.1. :
On appelle formule de quadrature de type interpolation la formule :
Rb R
af ( x)dx ≃ ab Pn ( x)dx
où Pn est le polynôme d’interpolation associé à f .

4.3.1 Interpolation linèaire et la formule du trapèze :

Soit a = x0 < x1 < ... < xn = b , une subdivision uniforme de [ a, b] et

f ∈ C 2 ([ a, b])
Considérons d’abord le sous intervalle [ xi , xi+1 ], avec h = xi+1 − xi ,
Soit P1 le polynôme de degré 1 interpolant f aux points xi et xi+1
R
Alors l’intégrale Ii ( f ) = xxii+1 f ( x)dx peut être approchée par :
R h
Ii ( f ) ≃ xxii+1 P1 ( x)dx = [ f ( xi ) + f ( xi+1 )]
2
L’erreur commise par cette approximation étant donnée par :
R 1 R xi+1
Ei ( f ) = xxii+1 e1 ( x)dx = ( x − xi )( x − xi+1 ) f ′′ (θi )dx
2 xi
Π2 ( x) = ( x − xi )( x − xi+1 ) garde un signe constant dans [ xi , xi+1 ]
d’où, en appliquant la formule de la moyenne :
f ′′ (ηi ) R xi+1 h3 ′′
Ei ( f ) = xi ( x − x i )( x − x i+ 1 ) dx = − f ( η i ) ; η i ∈ [ xi , xi+ 1 ]
2 12

4.3.2 Formule du trapèze composée

Pour chercher une approximation de l’intégrale sur tout l’intervalle [ a, b], il

suffit d’écrire :
R b= xn n− 1 Z xi+1
a= x0 f ( x)dx = ∑ f ( x)dx
i= 0 xi
n−1 n−1
h h3
= ∑ [ 2 [ f ( xi ) + f ( xi+1 )] + ∑ − 12 f ′′ (ηi )
i= 0 i= 0
h h3 n−1 ′′
12 i∑
= [ f ( x0 ) + 2 f ( x1 ) + ....2 f ( xn−1 ) + f ( xn )] − f (ηi )
2 =0
h (b − a) 2 ′′
= [ f ( x0 ) + 2 f ( x1 ) + ....2 f ( xn−1 ) + f ( xn )] − h f (η)
2 12
avec η ∈ [ a, b]

53
4.3.3 Erreur de la formule de Simpson
R Rb
En posant : e2 ( x) = f ( x) − P2 ( x) et E2 ( f ) = ab e2 ( x)dx = a [ f ( x) − P2 ( x)]dx
h5
On démontre que : E2 ( f ) = − f (4) (θ) ; θ ∈ [ a, b]
90
Exercice 4.3.1. :
Soit f ∈ C 2 ([ a, b])
h n−1
En posant In = ∑ [ f ( xi+1 ) + f ( xi )] , montrer que :
2 i= 0
I n + In
g d
1) I n =
2
2) lim I n = I ( f )
n→∞
( b − a) 3
3) | I ( f ) − I n | ≤ M2
12n2
Exemple 4.3.1. :
On veut calculer une valeur approcher de ln 2 pour cela on va calculer l’intégrale
de la fonction f(x)=1/(x+1) sur un intervalle [0,1] par la méthode de Simpson la
méthode des trapèzes, et la méthode des rectangles. Et on compare les résultats
avec différentes valeurs de n (le nombre de subdivision de l’intervalle [0, 1]) alors
on a le tableau suivant :

n méthode de Simpson méthode des trapèzes méthode des rectangles

100 0.69314718057947511 0.6931534304818241 0.69565343048182404
200 0.69314718056116631 0.69314874305506269 0.69439874305506266
400 0.69314718056002178 0.69314757118464021 0.69377257118464031
800 0.69314718055995039 0.69314727821617628 0.69345977821617644
1600 0.69314718055994573 0.69314720497400739 0.69330345497400736
3200 0.6931471805599464 0.69314718666346065 0.69322531166346069
6400 0.69314718055994629 0.69314718208582515 0.69318624458582534
12800 0.69314718055994318 0.69314718094141725 0.69316671219141723
25600 0.69314718055994495 0.69314718065531489 0.69315694628031488
51200 0.69314718055994629 0.6931471805837861 0.69315206339628599

TABLE 4.1 – Ln(2) ≃ 0, 69314718055994530941723212145818

4.4 Exercices
Exercice 4.4.1. :
Soit a = x0 , x1 .... , xn = b , une subdivision de [ a, b] et f ∈ C 2 ([ a, b])

54
 1. En faisant deux intégrations par parties succéssives, montrer que :
R xi+1 f ( xi ) + f ( xi+ 1 ) 1 R xi +1
xi f ( x)dx = ( xi+1 − xi ) + xi ( x − xi )( x − xi+1 ) f (2) ( x)dx
2 2
2. Si xi+1 − xi = h pour tout i = 0, 1, ..., n − 1 , montrer que l’erreur d’ap-
R
proximation de xxii+1 f ( x)dx par la méthode des trapèzes est de la forme :
h3
− f (2) (θ) , θ ∈ [ xi , xi+1 ]
12
Exercice 4.4.2. Soit P3 un polynôme de degré 3 et f ∈ C 2 ([ a, b]) avec f (2) < 0,
R
Soit I ( f ) = ab f ( x)dx et InT l’approximation de I ( f ) par la méthode des trapèzes,
Soit Imn ( resp. I n ) l’approximation de I ( f ) par la méthode des triangles droits (
g
resp. gauches)
n et I T
1. Ecrire les expressions de Ign , Im n
Ign + Idn
2. Montrer que InT =
2
3. En déduire que lim InT = I ( f )
n→∞
  ( b − a) 3
4. Prouver que  I ( f ) − InT  ≤ M2
12n2
b+a R f ( b) + f ( a)
5. Etablir les inégalités : (b − a) f ( ) ≥ ab f ( x)dx ≥ (b − a)( )
2 2
R ( b − a) b+a
6. Etablir l’égalité : ab g( x)dx = [ P3 ( a) + 4P3 ( ) + P3 (b)]
6 2
7. Soit a = x0 < x1 < ... < xn = b , une subdivision de [ a, b]
Montrer que :
R xi+1 f ( xi ) + f ( xi+ 1 ) 1 R xi +1
xi f ( x)dx = ( xi+1 − xi ) + xi ( x − xi )( x − xi+1 ) f (2) ( x)dx
2 2
8. Si xi+1 − xi = h pour tout i = 0, 1, ..., n − 1 , montrer que l’erreur d’approxi-
R
mation de xxii+1 f ( x)dx par la méthode des trapèzes est de la forme :
h3
− f (2) (θ) , θ ∈ [ xi , xi+1 ]
12

55
Chapitre 5

Analyse numérique des équations

differentielles ordinaires (e.d.o)

5.1 Rappels sur les équations differentielles ordinaires (e.d.o)

On considère l’e.d.o du premier ordre
′
y ( x) = f ( x, y), f : R × Rm −→ Rm , x ∈ R, y ∈ Rm où y = ( y1 , y2 , · · · , ym )⊤
(5.1.1)
L’équation (5.1.1) peut encore s’écrire sous la forme d’un système d’e.d.o :
′
y1 = f 1 ( x, y1 , · · · , ym )
′
y2 = f 2 ( x, y1 , · · · , ym ) (5.1.2)
.. .. ..
. . .
′
ym = f m ( x, y1 , · · · , ym )

Lorsque les conditions initiales sont précisées, on obtient un problème de condition

initiale ( p.c.i) encore appelé problème de Cauchy :
′
y ( x) = f ( x, y)
y( a) = α avec α = (α1 , · · · , αm )⊤ donné (5.1.3)

L’existence et l’unicité de la solution du p.c.i (5.1.3) sont données par le théorème

suivant

Théorème 5.1.1. Soit f : R × Rm −→ Rm une fonction définie et continue pour tout

couple ( x, y) ∈ D où D = {( x, y); a ≤ x ≤ b, −∞ < yi < ∞} , avec a et b finis. On
suppose qu’il existe une constante L telle que :

k f ( x, y) − f ( x, y∗ )k ≤ Lk y − y∗ k pour tous ( x, y) et ( x, y∗ ) appartenant à D (5.1.4)

56
Alors pour tout α ∈ Rm , il existe une solution unique y( x) du problème (5.1.3), où y est
continue differentiable pour tout couple ( x, y) ∈ D.

Remarque 5.1.1. Un système differentiel d’ordre q peut toujours être ramené à un

système du premier ordre du type (5.1.3)
(q)
 
y = ϕ x, y(0) , · · · , y(q−1) ; ϕ : R × Rm × · · · × Rm −→ Rm

′ ′ ′
En posant : Y1 = y, Y2 = Y1 (= y ), · · · , Yq = Yq−1 (= y(q−1) ) on obtient
′
 ⊤
Y = F ( x, Y) avec Y = Y⊤ 1 , Y ⊤ , · · · , Y⊤
2 q ∈ Rqm
 ⊤
F = Y⊤
2 , Y ⊤
3 , · · · , Y ⊤
q , ϕ ⊤
∈ Rqm

où y(r) ( a) = αr+1 , r = 0, 1, · · · , q − 1.
On obtient
′
Y = F ( x, Y); Y(a) = α

Exemple 5.1.1.
y(iv) = f ( x, y), f : R × R −→ R
′ ′ ′ ′′ ′ ′′′ ′
Y1 = y, Y2 = Y1 = y , Y3 = Y2 = y , Y4 = Y3 = y , Y4 = y(iv)

si on pose Y = (Y1 , Y2 , · · · , Y4 )⊤ on obtient Y = F( x, Y).

5.2 Systèmes linéaires

Le système
′
y ( x) = f ( x, y), f : R × Rm −→ Rm

est dit linéaire si f est de la forme

f ( x, y) = A( x) y + ψ( x) (5.2.1)

où A( x) est une matrice d’ordre m et ψ ∈ Rm .

Si de plus A( x) = A est indépendante de x, on obtient un système linéaire à
coefficients constants de la forme :
′
y ( x) = Ay + ψ( x) (5.2.2)

Si ψ( x) = 0, le système est dit homogène.

′
y = Ay (5.2.3)

57
Si les valeurs propres de A sont distinctes, la solution du système homogène est de
la forme
k
y( x) = ∑ C j exp(λ j x)V j + ϕ( x) (5.2.4)
j= 1

où λ j est valeur propre de A associée au vecteur propre V j et les C j sont des

constantes arbitraires et ϕ( x) est une solution particulière de l’équation (5.2.2).

Exemple 5.2.1.
′
y = Ay + ψ( x) , y(0) = α
!
1 2
avec A = , ψ( x) = (2x − 1, x + 1)⊤ , α = (0, 0) ⊤ , les valeurs propres de
2 1
A sont λ1 = 3 et λ2 = −1.
Les vecteurs propres de A sont V1 = (1, 1) ⊤ et V2 = (1, −1)⊤ . !
ax + b
En cherchant une solution particulière de la forme : ϕ( x) = , on
cx + d
obtient
! ! !
1 1 − 5/3
y( x) = C1 exp(3x) + C2 exp(− x) + .
1 −1 − x + 4/3

 initiale on obtient C1 = 1/6 et C2

Enfin, en considérant la condition = 3/2,
! 1 3 5
y1 ( x)  exp(3x) + exp(− x) −
d’où y( x) = = 16 2 3 
y2 ( x) 3 4 .
exp(3x) − exp(− x) − x +
6 2 3

5.3 Notions de stabilité

Considérons le système nonlinéaire suivant

dX (t)
= F ( X (t)) (∗∗)
dt

où X (t) = ( X1 , · · · , Xn )⊤ est un vecteur de Rn et F = ( f 1 , · · · , f n )⊤ une fonction

de Rn dans Rn suffisamment régulière.
Si F est lineaire le système est dit linéaire

Définition 5.3.1 (Point d’équilibre). Un vecteur X̄ est un point équilibre du système

(∗∗) si à l’ instant t0 l’état du système est égal à X̄ et il restera égal à X̄ dans le futur
c.à.d :
X (t0 ) = X̄ et ∀ t > t0 X (t) = X̄.

58
 On parle aussi de point stationnaire, état stationnaire et solution stationnaire
qui désignent la même notion.

Définition 5.3.2. 1. Un point d’équilibre X̄ est dit stable si :

∃ R0 > 0 et ∀ R < R0 ∃r 0 < r < R tel que si X (t0 ) ∈ B( X̄, r) alors
X (t) ∈ B( X̄, R) ∀ t > t0 , B( X̄, r) :boule de centre X̄ et de rayon r ;
2. Un point d’équilibre est dit asymptotiquement stable s’il est stable et en plus
∃ R0 tel que pour tout X (t0 ) ∈ B( X̄, R0 ) on a lim X (t) = X̄ ;
t−→+ ∞
3. Un point d’équilibre est dit marginalement stable s’ il est stable et non asymp-
totiquement stable ;
4. Un point est instable si il n’ est pas stable ;
5. Un point est globalement asymptotiquement stable si pour tout X (t0 ) on a
lim X (t) = X̄ .
t−→+ ∞

Théorème 5.3.1. Si F est linéaire, une condition nécessaire et suffisante pour que le sys-
tème (∗∗) admette 0 comme point d’équilibre asymptotiquement stable est que
Re(λ ) < 0, pour toute valeur propre λ de F.
Si au moins une des valeurs propres de F vérifie Re(λ ) > 0 alors le point d’équilibre 0 est
instable .

Définition 5.3.3. Si le système non linéaire (∗∗) admet un point d’équilibre X̄, on
appelle matrice de linéarisation du système la matrice
 
∂ f1 ∂ f1
 ∂X1
· · ·
 ∂f ∂Xn 
 2 ∂ f2 

 ··· 

A= 1 ∂X ∂X n ,
 ... .. .. 
 . . 

 ∂f ∂ fn 
n
···
∂X1 ∂Xn X̄
dY (t)
le système = AY (t) est dit système linearisé obtenu à partir du système
dt
(∗∗).

Théorème 5.3.2. Si le système non linéaire (∗∗) admet l’origine comme point fixe unique
alors dans un voisinage de l’origine, les comportements du système non linéaire et du sys-
tème linearisé sont équivalents à condition que le système n’admette pas de point centre
(valeurs propres imaginaires pures).

Remarque 5.3.1. Le théorème peut s’appliquer aux points d’équilibre qui sont dis-
tincts de l’origine, il suffit d’introduire des coordonnées locales.

59
Théorème 5.3.3 (Théorème de Liapunov). Soient X̄ un point d’équilibre de (∗∗) et V
une fonction définie de U dans R de classe C 1 , U un voisinage de X̄ tel que :
i) V ( X̄ ) = 0 et V ( X ) > 0 si X 6= X̄,
ii) V̇ ( X ) ≤ 0 ∀ X ∈ U \ {X̄ }.
Alors X̄ est stable. Si de plus
iii) V̇ ( X ) < 0 ∀ X ∈ U \ {X̄ }
Alors X̄ est asymptotiquement stable. V ( X ) est dite fonction de Liapunov.

5.4 Système d’équations aux differences linéaires avec coéf-

ficients constants
Soit { yn , n = N0 , N0 + 1, · · · , } une suite de vecteurs de Rm et (αn ) une suite de
réels. On appelle système d’équations aux differences linéaires d’ordre k le système
d’équations suivantes
k
∑ α j yn+ j = ψn , n = N0 , N0 + 1, · · · avec ψ n ∈ Rm (5.4.1)
j= 0

Si de plus ψn = 0, le système est dit homogène :

k
∑ α j yn+ j = 0, n = N0 , N0 + 1, · · · (5.4.2)
j= 0

La solution générale du système (5.4.1) s’obtient de façon similaire à celle qui donne
la solution du système d’équations differentielles linéaires (5.2.1). Elle est donnée
par la somme d’une solution (Yn ) du système homogène (5.4.2) et d’une solution
particulière ϕn du système (5.4.1) (yn = Yn + ϕn ).

Définition 5.4.1. On appelle polynôme caractéristique de l’équation aux differences

k
linéaires le polynôme défini par π (r) = ∑ α jr j. Si les racines r j de π (r) sont
j= 0
simples alors la solution générale du système (5.4.1) est donnée sous la forme yn =
k
∑ θ j rnj + ϕn , où ϕn est une solution particulière du système (5.4.1).
j= 1
Si r1 est une racine de π (r) de multiplicité m, la solution générale du système
m k
(5.4.1) est donnée sous la forme : yn = ∑ n j−1θ j rn1 + ∑ θ j rnj + ϕn .
j= 1 j= m + 1

1
Exemple 5.4.1. yn+2 − yn+1 + yn = 1, K = 2 est une solution particulière
2
1
π (r ) = r 2 − r + , ∆ = 1 − 2 = i 2 .
2

60
Les racines sont complexes conjugués r1 = (1 + i )/2 et r2 = (1 − i )/2. La solution
générale est donnée par yn = θ1 (1 + i )n /2n + θ2 (1 − i )n /2n + 2.

5.5 Méthodes numériques pour les problèmes de condition

initiale
Considérons le problème de condition initiale
′
y ( x) = f ( x, y), y( a) = α . (5.5.1)

On suppose que ce problème admet une solution unique dans l’intervalle [ a, b] .

Les méthodes numériques utilisent la discretisation de l’intervalle [ a, b] en po-
sant
xi = a + ih, i = 0, 1, · · · , N
b−a
où h = est le pas de discrétisation (ici le pas est supposé constant mais on
N
peut envisager des pas hi variables).
La solution exacte au point xi est notée y( xi ), la solution approchée est notée yi
( y( xi ) ≃ yi ), une méthode numérique est un système d’équations aux differences
impliquant un certain nombre d’approximations successives yn , yn+1 , · · · , yn+k où
k désigne le nombre de pas de la méthode.
Si k = 1 on parle de méthode à un pas.
Si k > 1 la méthode est dite à pas multiples ou multi-pas.

Exemple 5.5.1.
yn + 1 − yn = h f n
h
yn+2 + yn+1 − 2yn = ( f n+2 + 8 f n+1 + 3 f n )
4
h
yn + 2 − yn + 1 = (3 f n+1 − 2 f n )
3
h
yn + 1 − yn = ( k1 + k2 )
4
avec  
1 1
k1 = f n = f ( xn , yn ) et k2 = f xn + h, yn + hk1 + hk2 .
2 2
Ces exemples peuvent être donnés sous la forme générale

k
∑ α j yn + j = φ f ( yn + k , · · · yn , xn ; h) . (5.5.2)
j= 0

61
5.5.1 Convergence

Considérons une méthode numérique de type (5.5.2) avec des valeurs initiales
appropriées :
 k 

 
∑ α j yn + j = φ f ( yn + k , · · · yn , xn ; h)  (5.5.3)
j= 0

 

yκ = γκ (h) , κ = 0, 1, · · · , k − 1

Définition 5.5.1. La méthode (5.5.3) est dite convergente si pour tout problème de
condition initiale vérifiant les hypothèses du théorème 5.1.1 ( existence et unicité)
on a
max k y( xn ) − yn k = 0 quand h −→ 0
0≤n≤ N

Définition 5.5.2. On appelle erreur de troncature locale de la méthode numérique

le résidu Rn+k (h) défini par

k
R n + k ( h) = ∑ α j y( xn+ j ) − hφ f ( y( xn+k ), y( xn+k−1 ), · · · , y( xn ), xn , h) (5.5.4)
j= 0

1
Remarque 5.5.1. Parfois on utilise aussi τn (h) = Rn+k (h) comme définition d’er-
h
reur de troncature locale, mais dans le cadre de ce chapitre c’est la première défini-
tion qui est adoptée.


Définition 5.5.3. La méthode (5.5.3) est dite d’ordre p si Rn+k = O h p+1 .

5.5.2 Consistance

La méthode numérique est dite consistante si son ordre est au moins 1 ou en-
core, pour tout p.c.i vérifiant les hypothèses du théorème 5.1.1 d’existence et d’uni-
cité on a
1
lim Rn+k (h) = 0, x = a + nh.
h−→0 h

Lemme 5.5.1. La méthode numérique (5.5.2) est consistante si et seulement si

k
i) ∑ α j = 0.
j= 0
k
ii) (φ f ( y( xn ), y( xn ) · · · y( xn ), xn , 0))/ ∑ jα j = f ( xn , y( xn )).
j= 0

62
5.5.3 Stabilité

Considérons le problème de condition initiale

z′ = f ( x, z), z( a) = α , x ∈ [ a, b]

Avant de définir la stabilité de la méthode numérique, on pourrait se poser la ques-

tion de savoir comment réagirait la solution z( x) de ce problème à une perturbation
des conditions initiales et/ou de f ? Soit donc z∗ la solution du problème perturbé :

z′ = f ( x, z) + δ( x), z( a) = α + δ, x ∈ [ a, b] .

Définition 5.5.4 (Hahn,Stetter). Si (δ( x), δ ) et (δ∗ ( x), δ∗ ) sont deux perturbations
et z( x) et z∗ ( x) les solutions qui en résultent et s’il existe une constante S telle que

∀ x ∈ [a, b] , k z( x) − z∗ ( x)k < Sε si kδ( x) − δ∗ ( x)k < ε et kδ − δ∗ k < ε

Alors le p.c.i est dit totalement stable.

Remarque 5.5.2. Dans cette définition de stabilité, on exige simplement l’existence

d’une constante S finie ( mais pas nécessairement petite) et on montre que les hy-
pothèses du théorème 5.1.1 sont suffisantes pour que le p.c.i soit totalement stable.
On dit aussi que le problème est bien posé.
Si maintenant on considère la méthode numérique, on peut se demander quel
effet aurait une perturbation de l’équations aux differences sur la solution numé-
rique yn . On a alors la définition suivante :

Définition 5.5.5 (Lambert). Soient (δn , n = 0, 1, · · · N ) et (δn∗ , n = 0, 1, · · · N ) deux

perturbations de l’équation aux differences (5.1.1)et ( zn , n = 0, 1, · · · N ) et
( z∗n , n = 0, 1, · · · N ) les solutions qui en résultent. On dira que la méthode numé-
rique est zéro-stable si il existe deux constantes S et h0 telles que pour tout h ∈
[0, h0 ] , si kδn − δn∗ k < ε 0 ≤ n ≤ N alors k zn − z∗n k < Sε, 0 ≤ n ≤ N.

Remarque 5.5.3. La zéro-stabilité est encore appelée stabilité au sens de Dahlquist.

Définition 5.5.6. On appelle 1er polynôme caractéristique de la méthode numé-

k
rique le polynôme ρ(t) défini par ρ(t) = ∑ α jt j.
j= 0

Définition 5.5.7. On dit que la méthode numérique satisfait les conditions aux ra-
cines si tous les zéros du 1er polynôme catactérisitique sont de module inférieur ou
égal à 1 et ceux ayant un module égal à 1 sont des zéros simples.

63
 Théorème 5.5.1. Une condition nécessaire et suffisante pour que la méthode soit zéro-
stable et que la méthode vérifie la condition aux racines.

Théorème 5.5.2. Une condition suffisante et nécessaire pour que la méthode (5.5.2) soit
convergente est qu’elle soit zéro- stable et consistante.

5.5.4 Méthode d’Euler

La plus simple et la plus connue des méthodes d’approximation des solutions
des e.d.o est la méthode d’Euler donnée par :

yn + 1 − yn = h f n , y0 = α (5.5.5)

En considérant
1 2
y( xn + h) − y( xn ) − h f ( xn , y( xn )) = h y”(θn ) avec xn ≤ θn ≤ xn+1 (5.5.6)
2
On voit que la méthode d’Euler est une méthode explicite d’ordre 1 (donc consis-
tante).

Lemme 5.5.2. i) Pour tout x ≥ −1 et toute constante positive m on a

0 ≤ (1 + x)m ≤ exp(mx)

ii) Si s et t sont des réels positifs et ( zn )nn= k

= 0 une suite vérifiant

t
z0 ≥ − et zn+1 ≤ (1 + s) zn + t ∀n = 1, · · · , k
s
Alors on a  
t t
zn+1 ≤ exp((n + 1)s) + z0 − .
s s
Théorème 5.5.3. Soit f : R × R −→ R une fonction continue et vérifiant la condition
de Lipschitz pour y sur D = {( x, y); a ≤ x ≤ b, −∞ < y < ∞} avec a et b finis. On
suppose qu’il existe une constante M telle que | y”( x)| ≤ M pour tout x ∈ [ a, b] . Soit
′
y( x) la solution unique du p.c.i y ( x) = f ( x, y) , y( a) = α et ( yn )nn= N
= 0 la suite des
approximations générée par la méthode d’Euler. Alors on a :
hM
| y( xn ) − yn | ≤ (exp( L( xn − a)) − 1) pour chaque n = 0, 1, · · · , N
2L
Preuve.
Pour n = 0, l′ inégalité est vérifiée puisque y( x0 ) = y0 = α .
Les équations (5.5.5) et (5.5.6) donnent :
1
| y( xn+1 ) − yn+1 | ≤ | y( xn ) − yn | + h| f ( xn , y( xn ) − f ( xn , yn )| + h2 | y”(θn )| (5.5.7)
2

64
Les hypothèses du théorème conduisent alors à la mojoration

h2 M
| y( xn+1 ) − yn+1 | ≤ | y( xn ) − yn |(1 + hL) +
2
h2 M
En appliquant le lemme avec zn = | y( xn ) − yn |, s = hL et t = il vient :
2
 
h2 M h2 M
| y( xn+1 ) − yn+1 | ≤ exp(((n + 1)hL) | y( x0 ) − y0 | + −
2hL 2hL

et comme | y( x0 ) − y0 | = 0 et (n + 1)h = xn+1 − a , on obtient :

hM
| y( xn + 1 ) − yn + 1 | ≤ (exp( L( xn+1 − a)) − 1)
2L
D’après le théorème 5.5.3, l’erreur de la méthode d’Euler est majorée par une fonc-
tion linéaire en h. Ceci laisse comprendre que plus on diminue h plus on réduit
l’erreur. Cependant, le corollaire qui va suivre indique autre chose.
′
Corollaire 5.5.1. Soit y( x) la solution unique du p.c.i y ( x) = f ( x, y) , a ≤ x ≤ b ,
y( a) = α et w0 , w1 , · · · , w N les approximations vérifiant w0 = α + δ0 et
wn+1 = wn + h f ( xn , wn ) + δn+1 ; n = 0, · · · , N − 1. Si |δn | < δ ∀n = 0, · · · , N et les
hypothèses du théorème précedent sont vérifiées, alors
 
1 hM δ
| y( xn ) − w n | ≤ + (exp( L( xn − a)) − 1) + |δ0 | exp L( xn − a)
L 2 h

h2 M
Preuve. Identique à celle du théorème avec y( x0 ) − w0 = δ0 et t = + |δn |.
2
Remarque 5.5.4. La simplicité de la méthode d’Euler en fait un exemple pédagogi-
que d’introduction aux autres méthodes plus complexes. Cependant, un des cri-
tères principaux de l’analyse numérique consiste à chercher des méthodes ayant
l’ordre de précision le plus élevé possible et comme la méthode d’Euler est d’ordre
1, son utilisation se trouve limitée en pratique et on est amené à considérer des
méthodes plus précises. Trois directions principales permettent d’obtenir des mé-
thodes d’ordres élevés.
La première direction consiste à travailler avec des méthodes à un pas mais en
cherchant à atteindre des ordres élevés en utilisant un développement de Taylor
et en négligeant le terme d’erreur mais ces méthodes ont un handicap à cause des
dérivées susccessives de f .
Une deuxième possibilité est donnée par des choix appropriés de
φ f ( yn+k , · · · yn , xn ; h) dans l’équation (5.5.1), les méthodes de Runge-Kutta sont la
meilleure illustration de cette direction.

65
 Enfin, une troisième direction est offerte par les Méthodes Linéaires à Pas Mul-
tiples (MLPM).
En se basant sur le critère de précision, on voit qu’on est obligé de chercher des
méthodes dont la performance est supérieure à celle d’Euler. On fait donc appel à
d’autres méthodes plus précises.

5.5.5 Méthodes de Taylor dans le cas scalaire

Supposons que la solution y( x) du p.c.i

′
y ( x) = f ( x, y), a ≤ x ≤ b, y( a) = α (5.5.8)

est de classe C (n+1) . Alors en écrivant le développement de Taylor au point xn+1 = xn + h

on obtient
h2 ′′ hn hn + 1 ( n + 1)
y( xn+1 ) = y( xn ) + hy′ ( xn ) + y ( xn ) + · · · + y( n ) ( xn ) + y (ζn ),
2! n! ( n + 1) !
xn < ζ n < xn + 1
′ ′
En remplaçant y ( xn ) par f ( xn , yn ) ainsi que les dérivées supérieures de y par celles
hn + 1 ( n + 1)
de f puis en laissant tomber le terme y (ζn ), on obtient la méthode
( n + 1) !
numérique :
 

 y 0 = α 


 

n
yn+1 = yn + hT f ( xn , yn , h), n = 0, 1, · · · , N − 1

 n−1 

 T n ( x , y , h) = f ( x , y ) + h f ′ ( x , y ) + · · · + h
 f (n−1) ( x , y ) 

f n n n n n n n n
2! n!
(5.5.9)

Exemple 5.5.2. La méthode d’Euler fait partie des méthodes de Taylor.

Exercice 5.5.1. En faisant un développement de Taylor de y( x) à l’ordre 3 puis

1
en remplaçant y”( xn ) par ( y′ ( xn+1 ) − y′ ( xn )) + O(h), montrer qu’on obtient la
h
h
méthode d’Euler modifiée yn+1 − yn = ( f ( xn , yn ) + f ( xn+1 , yn+1 )).
2
Remarque 5.5.5. Au vu du critère de précision et bien que les méthodes de Taylor
paraissent faciles dans leur écriture, elles sont rarement utilisées dans la pratique à
cause des difficultés engendrées par le calcul des dérivées successives de f comme
fonction de deux variables. C’est pour cette raison qu’on cherche des méthodes per-
mettant d’atteindre un ordre élevé tout en évitant le calcul des dérivées successives
de f . Au critère de précision s’ajoute le critère de coût.

66
5.5.6 Méthodes de Runge-Kutta (R.K) dans le cas scalaire

Revenons au p.c.i (5.1.3), les méthodes de R.K se présentent sous la forme :

l
yn + 1 − yn = h ∑ bi ki
i= 1
!
l l
avec ki = f xn + ci h, yn + h ∑ ai j k j , i, = 1, 2, · · · , l et on suppose que ci = ∑ ai j , i, = 1, 2, · · · , l
j= 1 j= 1
Si ai j = 0 pour j > i alors :
!
i
ki = f xn + ci h, yn + h ∑ ai j k j i, = 1, 2, · · · , l
j= 1

on obtient ainsi :
k1 = f ( xn , yn )

k2 = f ( xn + c2 h, yn + c2 hk1 )

k3 = f ( xn + c3 h, yn + (c3 − a32 )hk1 + a32 hk2 )

Remarques 5.5.6. 1. Les méthodes de R.K sont des méthodes à un pas, elles
peuvent-être écrite sous la forme générale yn+1 − yn = hφ f ( xn , yn , h), où
l
φ f ( x, y, h) = ∑ bi ki .
i= 1
2. Les méthodes de R.K satisfont la condition aux racines, elles sont donc zéro-
stables. Par conséquent, pour étudier la convergence il suffit d’étudier la consis-
tance.

5.5.7 Méthodes de Runge-Kutta explicites

Les méthodes explicites de R-K d’ordre 1,2 ,3 et 4 sont obtenues en considérant

yn + 1 = yn + h( b1 k1 + b2 k2 + b3 k3 + b4 k4 )

en déterminant pour chaque ordre les valeurs possibles des paramètres.

k1 = f ( xn , yn )
k2 = f ( xn + c2 h, yn + c2 hk1 )
k3 = f ( xn + c3 h, yn + (c3 − a32 )hk1 + a32 hk2 )
.. .. ..
. . .

67
Les formes explicites des méthodes d’ordre 1,2 et 3 sont obtenues aprés differentia-
tion et identification.
Méthode d’ordre 1
En considérant yn+1 = yn + hb1 k1 avec k1 = f ( xn , yn ) on voit que le l’odre maximal
est 1 obtenu avec le paramètre b1 égal à 1 et qui donne la méthode d’Euler :

yn + 1 − yn = h f ( xn , yn )

Méthodes d’ordre 2
En partant de yn+1 = yn + hb1 k1 + b2 k2 avec k1 = f ( xn , yn ) et
k2 = f ( xn + c2 h, yn + c2 k1 ), p = 2 est l’ordre maximal possible qu’on peut atteindre
1
si les paramètres b1 , b2 et c2 vérifient les équations b1 + b2 = 1 et b2 c2 = . Comme
2
on a deux équations pour trois inconnues, il en résulte une infinité de méthodes
explicites d’ordre 2 . On en donne quelques unes :
1
Méthode d’Euler modifiée : (b1 = 0, b2 = 1 et c2 = )
2
 
1 1
yn+1 − yn = h f xn + h, yn + k1
2 2
1
Méthode d’Euler améliorée : ( b1 = b2 = et c2 = 1)
2
h
yn + 1 − yn = ( f ( xn , yn ) + f ( xn + h, yn + k1 ))
2
1 3 2
Méthode de Heun d’ordre 2 ( b1 = , b2 = et c2 = )
4 4 3
 
h 2 2
yn + 1 = yn + f ( xn , yn ) + 3 f ( xn + h, yn + k1 )
4 3 3
k1 = h f ( xn , yn )
Méthodes d’ordre 3
En considérant yn+1 = yn + b1 k1 + b2 k2 + b3 k3 avec k1 = h f ( xn , yn ) ,
k2 = h f ( xn + c2 h, yn + c2 hk1 ) et k3 = h f ( xn + c3 h, yn + (c3 − a32 )k1 + a32 k2 ).
On obtient une famille de méthode d’ordre 3 si les paramètres vérifient les équa-
tions

b1 + b2 + b3 = 1
1
b2 c2 + b3 c3 =
2
1
b2 c22 + b3 c23 =
3
1
b3 c2 a32 =
6

68
Deux représentants de cette famille de méthode d’ordre 3 sont :
1 3 1
Méthode de Heun d’ordre 3 (b1 = , b2 = 0, b3 = et c2 = et c3 =
4 4 3
2 2
, a32 = )
3 3
h
yn+1 = yn + (k1 + 3k3 )
4
k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
3 3
 
2 2
k3 = h f xn + h, yn + k2
3 3
1 2 1 1
Méthode de Kutta d’ordre 3 (b1 = , b2 = , b3 = et c2 = et c3 = 1, a32 = 2)
6 3 6 2
h
yn+1 = yn + (k1 + 4k2 + k3 )
6
k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
2 2
k3 = h f ( xn + h, yn − k1 + 2k2 )

Méthode d’ordre 4
Méthode de Runge-Kutta d’ordre 4
h
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 )
6
k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
2 2
 
1 1
k3 = h f xn + h, yn + k2
2 2
k4 = h f ( xn + h, yn + k3 )

Méthode de Runge-Kutta d’ordre 4

h
yn+1 = yn + (k1 + 3k2 + 3k3 + k4 )
8
k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
3 3
 
2 1
k3 = h f xn + h, yn − k1 + k2
3 3
k4 = h f ( xn + h, yn + k1 − k2 + k3 )

69
Méthodes de Runge-Kutta d’ordre supérieur et contrôle de l’erreur
Des méthodes de R-K d’ordres successifs peuvent être combinées pour le contrôle
de l’erreur. Deux types de cette utilisation sont illustrées par :

1. Méthode de Runge-Kutta-Fehlberg. Elle consiste à utiliser une méthode de

R-K d’ordre 5

16 6656 28561 9 2
yen+1 = yn + k1 + k3 + k4 − k5 + k6
135 12825 56430 50 55

pour estimer l’erreur de troncature locale de la méthde de R-K d’ordre 4

25 1408 2197 1
yn + 1 = yn + k1 + k3 + k4 − k5
216 2565 4104 5

avec

k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
4 4
 
3 3 9
k3 = h f xn + h, yn + k1 + k2
8 32 32
 
12 1932 7200 7296
k4 = h f xn + h, yn + k1 − k2 + k3
13 2197 2197 2197
 
439 3680 845
k5 = h f xn + h, yn + k1 − 8k2 + k3 − k4
216 513 4104
 
1 8 3544 1859 11
k6 = h f xn + h, yn − k1 + 2k2 − k3 + k4 − k5
2 27 2565 4104 40

2. Méthode de Runge-Kutta-Verner. Elle consiste à utiliser une méthode de R-K

d’ordre 6 :

3 875 23 264 125 43

yen+1 = yn + k1 + k3 + k4 + k5 + k7 + k8
40 2244 72 1955 11592 616

pour estimer l’erreur de troncature locale de la métohde de R-K d’ordre 5 :

13 2375 5 12 3
yn + 1 = yn + k1 + k3 + k4 + k5 + k6
160 5984 16 85 44

70
 avec

k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
6 6
 
4 4 16
k3 = h f xn + h, yn + k1 + k2
15 75 75
 
2 5 8 5
k4 = h f xn + h, yn + k1 − k2 + k3
3 6 3 2
 
5 165 55 425 85
k5 = h f xn + h, yn − k1 + k2 − k3 + k4
6 64 6 64 96
 
12 4015 11 88
k6 = h f xn + h, yn + k1 − 8k2 + k3 − k4 + k5
5 612 36 255
 
1 8263 124 643 81 2484
k7 = h f xn + h, yn − k1 + k2 − k3 − k4 + k5
15 15000 75 680 250 10625
 
3501 300 297275 319 24068 3850
k8 = h f xn + h, yn + k1 − k2 + k3 − k4 + k5 + k7
1720 43 52632 2322 84065 26703

Méthodes Linéaires à Pas Multiples (MLPM)

k k
En posant f n = f ( xn , yn ) , on définit une MLPM par ∑ α j yn + j = h ∑ β j f n + j ,
j= 0 j= 0
avec α j et β j des constantes vérifiant les conditions αk = 1 et |α0 | + |β0 | 6= 0.

Exemple 5.5.3. yn+2 − yn+1 = h f n+1 ( ou de façon équivalente yn+1 − yn = h f n ) est

la méthode d’Euler à un pas.

Définition 5.5.8. On appelle 2eme polynôme caractéristique de la méthode, le poly-

k
nôme défini par σ (t) = ∑ β j t j.
j= 0
L’opérateur de difference linéaire est défini par
k
′
L ( z( x) ; h) : = ∑ (α j z( x + jh) − hβ j z ( x + jh))
j= 0

Si on suppose que z est une fonction qu’on peut dériver autant de fois qu’on
veut, on obtient :

L( z( x); h) = C0 z( x) + C1 hz′ ( x) + · · · + Cq hq z(q) ( x) + · · ·

Définition 5.5.9. La MLPM est dite d’ordre p si

C0 = C1 = · · · = C p = 0 et C p+1 6= 0.

C p+1 est appelée constante d’erreur de la MLPM

71
5.6 Exercices
Exercice 5.6.1. On considère le modèle discret suivant :

Sn+1 = exp(− aIn ) Sn

In+1 = bIn + (1 − exp(− aIn )) Sn

Rn+1 = (1 − b) In + Rn

On suppose que R0 = 0, montrer que

1. La population des susceptibles tend vers une limite S quand n tend vers l’in-
fini.
2. Si F = S/ S0 alors

F = exp(− aS0 /(1 − b))(1 + I / S0 − F ).

3. Expliquer comment F peut jouer un rôle de seuil.

Exercice 5.6.2. Chercher l’ordre et la constante d’erreur C p pour la méthode sui-

vante :

yn+2 − (1 + α ) yn+1 + α yn = h((1 + β) f n+2 − (α + β + αβ) f n+1 + αβ f n )

Exercice 5.6.3. Chercher les solutions des systèmes differentiels et aux differences
′
suivants : y = Ay + ψ( x) , y(0) = α avec
! ! !
1 1 1 2
A= , ψ ( x) = , α=
−1 1 x 1/2
!
2 n
yn+4 − 6yn+3 + 14yn+2 − 16yn+1 + 8yn = φn avec yn ∈ R et φn = .
1

Exercice 5.6.4. Considérons le système aux differences :

yn+2 − 2µ yn+1 + µ yn = c, n = 0, 1, · · ·

avec yn , c ∈ Rm et 0 ≤ µ ≤ 1.
Montrer que yn converge vers c/(1 − µ ) quand n −→ ∞.

Exercice 5.6.5. A- Montrer que :

i) Pour tout x ≥ −1 et toute constante positive m on a :

0 ≤ (1 + x)m ≤ exp(mx)

72
 ii) Si s et t sont des réels positifs et ( zn )nn= k
= 0 une suite vérifiant :
t
z0 ≥ − et zn+1 ≤ (1 + s) zn + t ∀ n = 1, · · · , k
s
Alors on a :  
t t
zn+1 ≤ exp((n + 1)(1 + s)) + z0 − .
s s
′
B- Soit y( x) la solution unique du p.c.i y ( x) = f ( x, y) ,a ≤ x ≤ b , y( a) = α
et w0 , w1 , · · · , w N , les approximations vérifiant : w0 = α + δ0 et wn+1 = wn +
h f ( xn , wn ) + δn+1 ; n = 0, ..., N − 1

1. On suppose que : D = {( x, y); a ≤ x ≤ b, −∞ < y < ∞} avec a et b

finis
i) il existe une constante L positive telle que :

| f ( x, y) − f ( x, y∗ )| ≤ L| y − y∗ |∀ y, y∗ ∈ D

ii) il existe une constante M telle que :| y”( x)| ≤ M pour tout x ∈ [ a, b] .
iii) les perturbations verifient : |δn | < δ ∀n = 0, · · · , N
Montrer que :
 
1 hM δ
| y( xn ) − w n | ≤ + (exp( L( xn − a)) − 1) + |δ0 | exp L( xn − a)
L 2 h
(Preuve : identique à celle du théorème du cours avec y( x0 ) − w0 = δ0
h2 M
et t = + |δn |)
2
hM δ
2. En posant ε(h) = + et en remarquant que lim ε(h) = ∞, montrer
2 h h→0
qu’on peut déterminer une limite inférieure h0 de h qui rend minimum
ε( h) .

Exercice 5.6.6. Soit A une matrice diagonalisable admettant les vecteurs propres V j
associés aux valeurs propres λ j avec Re(λ j ) < 0 pour tout j.
On considère les deux schémas d’Euler donnés par :

E1 : un+1 = un + hAun , u0 = η
E2 : un+1 = un + hAun+1 , u0 = η

Montrer que les solutions de ces deux schémas sont données par :
k
S1 : un = ∑ c j ( 1 + hλ j ) n V j
j= 1
k
S2 : un = ∑ c j ( 1 − hλ j ) − n V j
j= 1

73
Quelles conditions doit-on imposer à h pour que les solutions S1 et S2 tendent vers
zéro ou restent bornées quand n −→ ∞

Exercice 5.6.7. En posant f n = f ( xn , yn ), on définit une MLPM par :

k k
∑ α j yn + j = h ∑ β j f n+ j
j= 0 j= 0

avec α j et β j des constantes vérifiant les conditions :

αk = 1 et |α0 | + |β0 | 6= 0

On appelle 1 er (resp. 2 eme) polynôme caractéristique de la MLPM le polynôme

ρ(t)(resp. σ (t)) :
k k
ρ( t) = ∑ α jt j, σ ( t) = ∑ β jt j.
j= 0 j= 0

Si l’opérateur de difference linéaire est donné par :

k
′
L ( z( x) ; h) : = ∑ (α j z( x + jh) − hβ j z ( x + jh)) = C0 z( x) + C1 hz′ ( x) + · · · + Cq hq z(q) ( x) + · · ·
j= 0

1. Montrer que :
k
C0 = ∑ α j = ρ ( 1)
j= 0

k
C1 = ∑ ( jα j − β j ) = ρ′ (1) − σ (1)
j= 0

k  
1 q 1 q−1
Cq = ∑ q
j αj −
( q − 1)
j β j , q = 2, 3, · · ·
j= 0

2. La MLPM est dite consistante si son ordre est supérieur ou égal à 1 ( p ≥ 1)

Montrer que la MLPM est consistante si et seulement si :

ρ(1) = 0 et ρ′ (1) = σ (1)

Exercice 5.6.8. Chercher l’ordre des méthodes numériques suivantes :

h
1) yn+2 = yn + ( f n + 4 f n+1 + f n+2 )
6
4h
2) yn+4 = yn + (2 f n+1 − f n+2 + 2 f n+3 )
3 
h 2 2
3) yn+1 = yn + f ( xn , yn ) + 3 f ( xn + h, yn + k1 ) , k1 = h f ( xn , yn )
4 3 3

74
 h
4) yn+1 = yn + (k1 + 4k2 + k3 )
6
k1 = h f ( xn , yn )
 
1 1
k2 = h f xn + h, yn + k1
2 2
k3 = h f ( xn + h, yn − k1 + 2k2 )

Exercice 5.6.9. Considérons la méthode numérique

h
yn + 2 − ( 1 + α ) yn + 1 + α yn = ((3 − α ) f n+1 − (1 + α ) f n )
2
où f n = f ( xn , yn ) et −1 ≤ α ≤ 1.
1. Donner l’erreur de troncature locale de la méthode et l’ordre de la méthode
en fonction de α .
2. Cette méthode est utilisée numériquement pour résoudre l’équation scalaire
(
y′ ( x) = y( x)
y( 0) = 1

en supposant que y0 = 1 + ωh3

y1 = exp(h) + θh3

Montrer que la solution approchée yn peut-être donnée sous la forme

Ω(r2 )rn1 − Ω(r2 )rn1

yn =
r1 − r2
où r1 et r2 sont les racines de l’équation caractéristique asociées à l’équation
aux différences. et Ω(r) = exp(h) − r + (θ − rω)h3 .
3. On suppose que r1 est de la forme

h2
r1 = 1 + h + + O ( h3 )
2
(a) Donner une expression analogue pour r2 .
(b) Etudier la convergence de yn dans le cas α = −1.

Exercice 5.6.10. On considère la méthode numérique suivante

yn+2 + α1 yn+1 + α0 yn = h(β1 f n+1 + β0 f n ) ( M)

où f n = f ( xn , yn ) et f ( xn , y( xn )) = y′ ( xn ).

75
1. Déterminer les constantes α0 , α1 , β0 et β1 pour que la méthode soit d’ordre
maximum.
2. La méthode est-elle zéro-stable pour les valeurs des constantes trouvées ?
3. On utilise la méthode ( M ) avec y0 = 1 et y1 = exp(−h) pour approcher la
solution du problème de condition initiale suivant

y′ ( x) = − y( x) , y( 0) = 1 ( P)

Montrer qu’on obtient l’équation aux différences suivante

yn+2 + 4(1 + h) yn+1 + (−5 + 2h) yn = 0; n = 0, 1, · · · (D)

4. Montrer que les racines r1 et r2 de l’équation caractéristique associée à ( D )

sont
 1/ 2  1/ 2
2 4 2 4
r1 = −2 − 2h + 3 1 + h + h2 et r2 = −2 − 2h − 3 1 + h + h2 .
3 9 3 9

5. Montrer que la solution de ( D ) est de la forme

y n = C1 ( r 1 ) n + C2 ( r 2 ) n ,

r2 − exp(−h) exp(−h) − r1
avec C1 = et C2 = .
r2 − r1 r2 − r1
 
2 4 2 1/ 2 1 1 1 1 4
6. On donne 1 + h + h = 1 + h + h2 − h3 + h + O ( h5 ) .
3 9 3 6 18 216
1 1 1 4
En déduire que r1 = 1 − h + h2 − h3 + h + O(h5 ), r2 = −5 − 3h +
2 6 72
O ( h2 ) .
1 4
7. Montrer alors que C1 = 1 + O(h2 ) et C2 = − h + O ( h5 ) .
216
8. En considérant pour x fixé, nh = x, montrer que C1 (r1 )n −→ exp(− x) quand
n −→ ∞.
9. Montrer que ( yn ) diverge. Cette divergence était-elle attendue ? (justifiez).

76
Chapitre 6

Examens

6.1 F.S.O Session ordinaire 2012-2013 (Durée : 1h30)

Exercice I( Méthode de Simpson)

Soient g une fonction de classe C 3 sur [ a, b] ; x0 , x1 et x2 3 réels de [ a, b]

On suppose que x0 ≺ x1 < x2 et on note P le polynôme interpolant
 g aux points :
 (3) 
x0 , x1 et x2 . On pose h = ( x1 − x0 ) = ( x2 − x1 ) et M3 = max  g (t)
a≤ t≤ b
1) Exprimer P dans la base de Lagrange
2) Exprimer P dans la base de Newton
3) Pour tout x ∈] x0 , x2 [, on pose e( x) = g( x) − P( x)
a) Sans faire les calculs, dire comment on montre qu’il existe c ∈] x0 , x2 [ tel que :
g( 3) ( c)
e( x) = ( x − x0 )( x − x1 )( x − x2 )
6
b) Montrer que : ∀ x ∈] x0 , x2 [, il existe θ ∈] x0 , x2 [ tel que
g(2) (θ)
[ g( x0 ), g( x1 ), g( x2 )] =
Z x2 2!
c) Calculer ( x − x0 )( x − x1 )( x − x2 )dx
Zx0x2
d) Calculer P( x)dx
x0
Z x 
 2  h4
e) Montrer que  ( g( x) − P( x))dx ≤ M3
x0 12

( Pour c) , d) et e) , on pourra faire le changement de variable t = ( x − x1 ) )

Exercice II

On considère le système linéaire ( S1 ) : AX = B

77
      
1 2 3 0 x
     
avec A =  3 4 5  , B =  1  et X =  y 
5 6 8 2 z
1) Donner les matrices de Gauss M1 et M2 qui permettent de transformer ( S1 )
en un système ( S2 ) de la forme UX = C où U est triangulaire supérieure
2) Donner la solution X en solvant le système ( S2 )
3) Décomposer la matrice A sous la forme A = LU où L est triangulaire infé-
rieure

Exercice III
Soient h et g deux fonctions définies par :
x3 + 1
h( x) = x3 − 3x + 1 ∀ x ∈ R et g( x) = ∀ x ∈ [−1, 1]
3
1) Montrer que l’équation h( x) = 0 admet 3 racines réelles : θ1 , θ2 et θ3
avec θ1 < θ2 < θ3 et θ3 > 1
1
2) On suppose que θ2 ∈ [0, ]
2
1 1
a) Montrer que si x ∈ [0, ] alors g( x) ∈ [0, ]
2 2
b) Vérifier que g(θ2 ) = θ2
3) Soit ( xn )n∈N la suite récurrente
1
définie par : x0 ∈ [0, ] et xn+1 = g( xn ) ∀n ∈ N
2
a) Montrer que la suite ( xn )n∈N converge
b) Donner l’ordre de convergence
h( yn )
4) Soit ( yn )n∈N la suite définie par : yn+1 = yn − ′ ∀n ∈ N avec y0 > θ3
h ( yn )
a) Montrer que yn > θ3 ∀n ∈ N
b) Montrer que la suite ( yn )n∈N converge
c) Montrer que l’ordre de convegence est 2

78
6.2 F.S.O Session Rattrapage 2012-2013 (Durée : 1h30)

Exercice I

On considère le système linéaire ( S) : AX = B

     
2 −1 0 x 1
     
avec A =  −1 2 −1  ; X =  y  et B =  0 
0 −1 2 z 1
On cherche à résoudre le système ( S) par les méthodes indirectes de type :
Xk+1 = MXk + D
1) Donner la matrice J de Jacobi associée à la matrice A
2) Donner la matrice G de Gauss-Seidel associée à la matrice A
3) Chercher les valeurs propres de J et dire si la méthode de Jacobi converge
4) Chercher les valeurs propres de G et dire si la méthode de Gauss-seidel
converge
5) En cas de convergence des 2 méthodes, quelle est celle qui converge plus
rapidement ?

Exercice II

Soit T ( x) = x2 + bx + c où b et c sont des réels.

On suppose que T ( x) admet deux racines réelles α et β et on définit les suites
suivantes :
bxn + c
xn+1 = −( )
xn
yn+1 = yn − ( y2n + byn + c)φ( yn ) où φ une fonction de classe C 1 (R)
1) Montrer que si |β| ≺ |α | alors ( xn ) converge localement vers α
2) Déterminer l’ordre de convergence de la suite ( xn ) lorsqu’elle converge
3) Montrer que la suite ( xn ) est un cas particulier de la suite ( yn ) pour une
fonction φ que l’on précisera.
4) Montrer que si 0 ≺ (α − β)φ(α ) ≺ 2 alors ( yn ) converge localement vers α
5) En cas de convergence de ( yn ) vers α , déterminer l’odre de convergence
1
6) Si φ( x) = , quelle méthode retrouve-t-on ? et quel est son ordre de
2x + b
convergence ?

Exercice III

Soient x0 , x1 deux réels tels que x0 < x1 , g une fonction de classe C 3 ([ x0 , x1 ]) et

P( x) le polynôme de degré 2 vérifiant :

79
P( x0 ) = g( x0 ); P( x1 ) = g( x1 ) et P′ ( x0 ) = g′ ( x0 )
Pour un x arbitraire dans ] x0 , x1 [,on considère la fonction R définie par :
g( x) − P ( x)
R ( t) = g( t) − P ( t) − ( t − x0 ) 2 ( t − x1 )
( x − x0 ) 2 ( x − x1 )
1) Vérifier que R s’annule en 3 points de [ x0 , x1 ]
2) Montrer que R′ s’annule en 3 points de [ x0 , x1 ]
3) Déduire qu’il existe θx ∈ [ x0 , x1 ] tel que R(3) (θx ) = 0
4) Conclure qu’il existe θx ∈ [ x0 , x1 ] tel que :
g(3) (θx )
g( x) − P ( x) = ( x − x0 ) 2 ( x − x1 )
6  
 
5) On pose h = x1 − x0 et M3 = max  g(3) (t)
x0 ≤t≤ x1
2M3 h3
a) Montrer que | g( x) − P( x)| ≤ ∀ x ∈] x0 , x1 [
Z x 81
 1  2
b) Déduire que  ( g( x) − P( x))dx ≤ M3 h 4
x0 81
c) Trouver une constante
Z x C qui vérifie :
2  1 
0≺C≺ et  ( g( x) − P( x))dx ≤ CM3 h4
81 x 0

80
6.3 F.S.O Session ordinaire 2011-2012 (Durée : 1h30)

Exercice I
 
 
Soit g une fonction de classe C 3 ([ a, b]) , On pose M3 = max g(3) (t)
a≤ t≤ b
On considère 3 points distincts de l’intervalle [ a, b] , a ≤ x0 < x1 < x2 ≤ b
1) En utilisant la base de Newton, écrire le polynôme P2 de degré 2 qui vérifie
P2 ( x0 ) = g( x0 ) , P2 ( x1 ) = g( x1 ) , P2 ( x2 ) = g( x2 )
2) En utilisant la base de Newton, écrire le polynôme H2 de degré 2 qui vérifie
H2 ( x0 ) = g( x0 ) , H2′ ( x0 ) = g′ ( x0 ) , H2 ( x1 ) = g( x1 )
g(2) (θ)
3) Montrer qu’il existe θ ∈ [ a, b] tel que : [ g( x0 ), g( x1 ), g( x2 )] =
2!
g( 2) ( x0 )
4) En déduire que [ g( x0 ), g( x0 ), g( x0 )] =
2!
Dans la suite on posera h = ( x1 − x0 )
5) Montrer que : ∀ x ∈] x0 , x1 [, il existe θ ∈] x0 , x1 [ tel que :
g(3) (θ)
g ( x ) − H2 ( x ) = ( x − x0 ) 2 ( x − x1 )
6
2h3 M3
6) Déduire que : ∀ x ∈] x0 , x1 [ on a | g( x) − H2 ( x)| ≤
Z x1 81 Z x1
7) En calculant H2 (t)dt , montrer qu’on peut approcher g(t)dt par :
x0 x0
Z x1
2h h h2
g(t)dt ≈ g( x0 ) + g( x1 ) + g′ ( x0 ) (∗)
x0 3 3 6
2
8) Application : x0 = 0 , x1 =
3
Z 2
1
a) Calculer 3 dx et donner une approximation à l’aide de (∗)
0 1−x
Z 2
b) Que donne l’approximation (∗) dans le cas de 3 x2 dx ? Commentez
0

Exercice II

Soient E et λ deux réels positifs, φ , h et g les fonctions définies sur R∗+ par :
E E x3
φ( x) = ; h( x) = x + λ (φ( x) − x) ; g( x) = a + bx + c
x x E√
1) Le schéma : { xn+1 = φ( xn ) , x0 donné} converge t-il vers E ?
√
2) Pour quelles valeurs de λ a-t-on convergence locale vers E du schéma :
{ xn+1 = h( xn ), x0 donné}?
3) Trouver la valeur optimale λ0 de λ qui assure la convergence la plus rapide
puis comparer avec la méthode de Newton appliquée à la fonction f ( x) = x2 − E

81
 √ √
4) On cherche les constantes a , b, c qui vérifient les conditions : g( E) = E ;
√ √
g′ ( E) = 0 et g′′ ( E) = 0 (∗∗)
a) En posant X T = ( a, b, c) , écrire le sysème linéaire AX = B qui en résulte
b) Résoudre le sysème linéaire AX = B par la méthode de Gauss sans pivot
c) Décomposer la matrice A sous la forme A = LU
5) On suppose que le schéma { xn+1 = g( xn ) , x0 donné} converge sous les condi-
tions (∗∗) (valeurs de a , b, c trouvées au 4) b)
a) Quel est son ordre de convergence p ?
b) Donner la constante d’erreur asymptoyique C

82
6.4 F.S.O Session de rattrapage 2011-2012 (Durée : 1h30)

Exercice I : (7 points)
3x − x3
Soit g : [−1, 1] → R , définie par : g( x) =
2
3xn − x3n
On considère le schéma itétératif suivant : xn+1 = g( xn ) = ; avec x0
2
donné.
1) Montrer que la fonction g est croissante et déterminer l’image g([−1, 1])
2) Trouver les points fixes de la fonctions g
3) On veut étudier la convegence de la suite ( xn )
3.a) Etudier la convergence locale de ( xn ) vers chacun des points fixes de g
3.b) Pour tout choix initial x0 ∈]0, 1[, montrer que ( xn ) est croissante
3.c) Déduire que si x0 ∈]0, 1[ alors ( xn ) converge vers l’un des points fixes de g
qu’on précisera et qu’on notera θ1
3.d) Determiner l’ordre de convegence vers θ1 ,et la constante d’erreur asymp-
totique
3.e) La suite ( xn ) peut-elle converger vers les autres points fixes ? si oui, indi-
quer le choix de x0 ∈ [−1, 1] qui permettrait cette convergence.

Exercice II (7 points)

On considère le système linéaire ( S1 ) : AX = B

   
2 −1 0 7
   
avec A =  −1 2 −1  et B =  1 
0 −1 2 1
1) On cherche à résoudre le système ( S1 ) par les méthodes directes
1.a) Donner les matrices de Gauss M1 et M2 qui permettent de transformer ( S1 )
en un système ( S2 ) de la forme UX = C où U est triangulaire supérieure. Donner
U et C
1.b) Donner la solution X en solvant le système ( S1 ) ou ( S2 )
1.c) Décomposer la matrice A sous la forme A = LU où L est triangulaire infé-
rieure
2) On cherche à résoudre ( S1 ) par les méthodes indirectes de type : Xk+1 =
TXk + D
2.a) Donner la matrice J de Jacobi associée à la matrice A
2.b) Donner la matrice G de Gauss-Seidel associée à la matrice A
2.c) Trouver les valeurs propres de J et de G
2.d) Etudier la convergence pour les 2 méthodes de Jacobi et de Gauss-Seidel

83
Exercice III (6 points)
1
Soit g : [0, 1] → R une fonction de classe C 2 , On pose ∆g = 4g(0) − 8g( ) +
2
4g(1)
1
1) Vérifier que pour tout polynôme Q de degré ≤ 2, on a ∆Q = Q′′ ( )
2
1
2) Donner en fonction de g(0) , g( ) et g(1) le polynôme P de degré 2 qui
2
1 1
vérifie : P(0) = g(0) , P( ) = g( ) et P(1) = g(1)
2 2
3) On pose pour tout x ∈ [0, 1], r( x) = g( x) − P( x)
3.a) Montrer qu’il existe θ ∈ [0, 1] tel que : r′′ (θ) = 0
1 g′′ (θ)
3.b) Déduire qu’il existe θ ∈ [0, 1] tel que : [ g(0), g( ), g(1)] =
2 2
1 1
3.c) Vérifier que [ g(0), g( ), g(1)] = ∆g
2 2
′′ 1 ′′ 1
3.d) Montrer que g ( ) − ∆g = r ( )
2 2

84
6.5 F.S.O Session ordinaire 2010-2011 (Durée :1h30)

Soient x0 et x1 deux réels ∈ [0, 1] tels que x0 < x1 , g une fonction

de classe C 3 ([ x0 , x1 ]) et P( x) le polynôme de degré 2 vérifiant :
P( x0 ) = g( x0 ); P( x1 ) = g( x1 ) et P′ ( x1 ) = g′ ( x1 ) (∗)

Pour un x arbitraire dans ] x0 , x1 [,on considère la fonction R définie par :

g( x) − P ( x)
R ( t) = g( t) − P ( t) − (t − x0 )(t − x1 )2
( x − x0 )( x − x1 )2
a) Vérifier que R s’annule en 3 points de [ x0 , x1 ]
b) Montrer que R′ s’annule en 3 points de [ x0 , x1 ]
c) Déduire qu’il existe θx ∈] x0 , x1 [ tel que R(3) (θx ) = 0
d) Conclure qu’il existe θx ∈] x0 , x1 [ tel que :
g(3) (θx )
g( x) − P ( x) = ( x − x0 )( x − x1 )2
6

II
1
On prend x0 = 0, x1 = 1 et g( x) = et P( x) = ax2 + bx + c vérifiant (∗),
1+x
c.a.d : P(0) = g(0); P(1) = g(1) et P′ (1) = g′ (1)

a) Montrer que les réels a, b et c sont solution du systéme lineaire :

( S1 ) : AX = B1
 
    1
1 0 0 c 
     1 
avec A =  1 1 1  ; X =  b  et B1 =  2 
 1 
0 1 2 a −
4
b) Donner les matrices de Gauss M1 et M2 qui permettent de transformer ( S1 )
en un système ( S2 ) de la forme UX = B2 où U est triangulaire supérieure
c) Décomposer la matrice A sous la forme A = LU où L est triangulaire infé-
rieure
d) Trouver les réels a, b et c en solvant ( S2 ) , ( S1 ) ou autrement.
4
e) Montrer que | g( x) − P( x)| ≤ ∀ x ∈]0, 1[
Z 1 Z 27 
 1  1
f) Montrer que  g( x)dx − P( x)dx ≤
0 0 12

85
B

On subdivise [0, 1] en N sous intervalles de même longueur h

Z 1
a) Ecrire la formule des trapèzes composée approximant g( x)dx
0
b) Quel nombre de sous-intervalles faut-il choisir pour avoir une erreur infé-
rieure à 10−3
c) On prend N = 3
Z 1
i) Evaluer numériquement g( x)dx par la méthode des trapèzes composée
0
ii) Calculer l’erreur d’intégration par la formule des trapèzes composée

86
6.6 F.S.O Session Rattrapage 2010-2011 (Durée : 1h30)
Barème : 1 point par question ( la réponse doit être justifiée) + 1 point pour
présentation

Exercice I

On cherche à résoudre le système Ax = b par les méthodes directe et indirecte.

Soit A = ( ai j )1≤i, j≤n une matrice carrée vérifiant les conditions suivantes :
aii > 0 , 1 ≤ i ≤ n
ai j ≤ 0 , 1 ≤ i 6= j ≤ n
j= n
∑ ai j > 0 , 1≤i≤n
j= 1
Soit D la matrice diagonale ( dii = aii et di j = 0 si i 6= j)
1) Montrer que la matrice D est inversible et donner D −1
j= n  
2) Montrer que la matrice A vérifie : ∑  ai j  < | aii | , 1 ≤ i ≤ n (∗)
j6 = i, j= 1
3) Donner l’expression du terme général de la matrice A(1) obtenue après
la première étape du procédé d’élimination de Gauss sans pivot
4) Montrer que la matrice B d’ordre (n − 1) obtenue à partir de A(1) en
enlevant la première ligne et la première colonne vérifie une la relation similaire
à (∗)
5) Ecrire le schéma itératif de Jacobi x(k+1) = Tx(k) + C
( T étant la matrice de Jacobi associée à A )
( k+ 1)
6) Expliciter les composantes x j en fonction de celles de x(k) et de C
7) Montrer que la méthode de Jaobi converge
j= n  
(on pourra montrer que k T k∞ = max ∑ ti j  < 1 )
1≤ i≤ n j= 1

8) Application :
     
3 −1 −1 1 1
    (0)  
On donne A =  −1 4 − 2  , b =  1 , x =  1 
−1 −3 5 1 1
a) Donner la matrice T de Jacobi associée à A
b) Calculer la 1ere itération x(1) obtenue en utilisant la méthode de Jacobi

Exercice II

Soit g la fonction définie sur [0, +∞[ par g( x) = x exp( x)

1) Montrer qu’il xiste une solution unique θ ∈]0, +∞[ qui vérifie g( θ) = 1

87
 g′′ ( x)
2) Montrer que ∀ x ∈ [0, +∞[ on a : ≤2
g′ ( x)
g( x) − 1
3) On considère la fonction h définie sur [0, +∞[ par : h( x) = x −
g′ ( x)
1
a) Montrer que ∀ x ∈]0, +∞[ , il existe c ∈]0, x[ tel que : h( x)− θ = (θ −
2
2 g′′ (c)
x) ′
g ( x)
b) Déduire que que ∀ x ∈]0, +∞[ , h( x) ≥ θ
4) On considère la méthode itérative définie par : la donnée de x0 ≥ θ et
xn + 1 = h( xn )
i) Montrer que la suite ( xn )n∈N est décroissante
ii) Déduire que la suite ( xn )n∈N converge et trouver sa limite
iii) Montrer que pour tout x ≥ θ on a h( x) − θ ≤ (θ − x)2
iv) Déduire que ∀k ∈ N , xk − θ ≤ ( x0 − θ) p où p est un entier à préciser
4) Trouver le polynôme P de degré 1 qui interpole la fonction g aux points 0 et
1
3e
5) Montrer que | g( x) − P( x)| ≤ où e = exp(1)
8

88
6.7 F.S.O Examen 2009-2010

Exercice I

Soient Pε ( x) le polynôme interpolant h aux points 0, ε et 1

1) Exprimer Pε ( x) dans la base de Newton
2) Pour tout x ∈ [0, 1] , calculer
h(ε) − h(0) h(1) − h(ε)
lim et lim
ε→0 ε ε→0 1 −ε
3) En déduire que lim Pε ( x) = P( x) = h(0) + xh′ (0) + (h(1) − h(0) − h′ (0)) x2
ε→0
4) Montrer que le polynôme P( x) trouvé en 3) est l’unique polynôme qui vérifie :
P(0) = h(0); P(1) = h(1) et P′ (0) = h′ (0)
h( x) − P ( x)
4) Pour un x arbitraire dans ]0, 1[,on pose K =
x2 ( x − 1)
soit Ψ la fonction définie par :
h( x) − P ( x) 2
Ψ(t) = h(t) − P(t) − Kt2 (t − 1) = h(t) − P(t) − t ( t − 1)
x2 ( x − 1)
a) Vérifier que Ψ(0) = Ψ′ (0) = Ψ(1) = Ψ( x) = 0
b) Montrer que Ψ′ s’annule en 3 points de [0, 1]
c) Déduire qu’il existe θ ∈ [0, 1] tel que Ψ(3) (θ) = 0
h(3) (θ) 2
d) Conclure que h( x) − P( x) = x ( x − 1)
  6
 
5) a) On pose M3 = max h(3) (t)
0≤t≤1
2M3
Montrer que | h( x) − P( x)| ≤ ∀ x ∈ [0, 1]
81
Z 1 
  M3
b) Montrer que  (h( x) − P( x))dx ≤
0 72

Exercice II

Soit h une fonction de classe C 3 (R) dont la dérivée et la dérivée seconde ne

s’annulent pas au voisinage de a et telle que : h( a) = 0
On considère les suites ( xn ) et ( yn ) définies par la donnée de x0 et les relations :
h( xn )
yn = xn − ′
h ( xn )
h( yn )
xn + 1 = yn − ′
h ( xn )
On suppose que ces suites convergent vers a et que ∀n ∈ N , xn 6= a et yn 6= a
yn − a h′′ ( a)
1) Montrer que lim n→∞ =
( xn − a) 2 2h′ ( a)
xn + 1 − a h′′ ( a)
2) Montrer que lim n→∞ = ′
( xn − a)( yn − a) h ( a)

89
 3) Démontrer que l’ordre de convergence de la suite ( xn ) est au moins 3
4) Démontrer que l’ordre de convergence de la suite ( yn ) est au moins 3

Exercice III
Soient h une fonction de classe C 2 ([ a, b]) ; α et β 2réels de [ a, b]
On suppose que α ≺ β et on considère sur [α , β] les fonctions :
( x − α )3 (x − α) ( x − α )3
Ψ 0 ( x) = 1 − ; Ψ 2 ( x ) = (β − α )( − )
(β − α )3 (β − α ) (β − α )3
( x − α )3 (β − α )2 ( x − α )2 ( x − α )3
Ψ 1 ( x) = ; Ψ ( x ) = ( − )
(β − α )3 3 2 (β − α )2 (β − α )3
1) Calculer Ψk (α ); Ψk (β), Ψ′k (α ) et Ψ′′k (α ) pour 0 ≤ k ≤ 3
2) Soit P le polynôme défini sur [α , β] par :
P( x) = h(α )Ψ0 ( x) + h(β)Ψ1 ( x) + h′ (α )Ψ′2 ( x) + h(α )Ψ′′3 ( x)
Montrer P que vérifie les conditions suivantes :
P(α ) = h(α ) ; P(β) = h(β) ; P′ (α ) = h′ (α ) ; P′′ (α ) = h′′ (α )
3) Soit Q le polynôme défini par Q( x) = ( x − α )3 (β − α )
On suppose que h est de classe C 4 ([ a, b]) et on pose :
Q ( t)
g( t) = h( t) − P ( t) = (h( x) − P( x))
Q ( x)
a) Montrer que g admet 3 zéros
b) Montrer que g′ admet 3 zéros
c) Montrer que g′′ admet 3 zéros
d) Montrer que pour tout x ∈]α , β[ il existe θ ∈]α , β[ tel que :
h(4) (θ)
h( x) − P ( x) = Q ( x)
4!  
9  
e) Déduire que | h( x) − P( x)| ≤ max h(4) (t) ∀ x ∈ [ a, b]
2048 0≤t≤1

90
6.8 F.S.O Session ordinaire 2008/2009

Exercice I

Soient h = β − α avec α et β ∈ [ a, b] et g une fonction de classe C 4 ([ a, b]).

Montrer que :
Z β Z
h h2  ′ ′
1 β
1) g( x)dx = { g(α ) + g(β)} + g (α ) − g (β) + ( x − β)2 ( x −
α 2 12 24 α
α )2 g(4) ( x)dx
Z β
h h2  ′ h5 ( 4)
2) g( x)dx = { g(α ) + g(β)} + g (α ) − g′ (β) + g (θ) avec θ ∈
α 2 12 720
[α , β]
3) On suppose que [ a, b] est subdivisé en n sous intervalles
[ xi , xi+1 ] , i = 0, 1, ..., n − 1
Z b
h
Montrer que : g(t)dt = { g( a) + 2[ g( x1 ) + g( x2 ) + ...g( xn−1 )] + g(b)} +
a 2
h2  ′ ( b − a) 5 ( 4)
g ( a) − g′ ( b) + g (λ ) où λ ∈ [ a, b] et h = xi+1 − xi ;
12 720
(Justifiez bien vos réponses pour montrer la différence entre g(4) ( x), g(4) (θ) et
g( 4) ( λ ) )
1
4) On prend g( x) = exp(− x2 ) et on donne g(1) = 0.368, g( ) = 0.779 et
2
g′ (1) = −0.736
  Z 1
 (4) 
En prenant max  g (t) = 12 , donner une approximation de exp(− x2 )dx
0≤t≤1 0
avec précision 10−2

Exercice II

Soient δ et ε ∈]0, 1[ et g une fonction C 4 ([ a, b]) avec a < b.

On considère α et β ∈ [ a, b] avec α < β et on pose h = β − α
Soit Pε,δ ( x) le polynôme interpolant g aux points α , α +ε , β, et β + δ
1) Exprimer Pε,δ ( x) dans la base de Newton
2) Donner l’expression de l’erreur d’interpolation : eε,δ ( x) = g( x) − Pε,δ ( x)
3) On définit :
[ g(α ), g(α )] = lim[ g(α ), g(α + ε)] et [ g(β), g(β)] = lim [ g(β), g(β + δ)]
ε→0 δ →0
Montrer que :  
1 g(β) − g(α )
i) [ g(α ), g(α ), g(β)] = − g′ (α )
h h 
1 ′ g(β) − g(α ) ′
ii) [ g(α ), g(α ), g(β), g(β) = 2 g (α ) − 2 + g (β)
h  h
 
4) Soit H ( x) = lim Pε,δ ( x) et M4 = max  g(4) (t)
ε ,δ → 0 α ≤ t ≤β

91
   h 4 M4
 
Montrer que | g( x) − H ( x)| = lim  eε,δ ( x) ≤ ∀ x ∈ [α , β]
ε ,δ → 0 384

Exercice III
1
On définit la fonction h( x) = pour x ∈ [0 , 1[
Z x 1−x
2
1) Claculer H ( x) = h(t)dt où x < 1 et donner la valeur de H ( )
0 3
1
2) Donner l’expression du polynôme de Lagrange Q( x) interpolant h en 0, et
3
2
3
3) Trouver les coéfficients C0 , C1 , C2 tels que pour tout polynôme P de degré
≤2
Z 2
1 2
on ait : 3 P(t)dt = C0 P(0)+ C1 P( ) + C2 P( ) ( E)
0 3 3
4) Utiliser l’égalité ( E) pour donner une valeur approchée de Log(3)

92
6.9 F.S.O Session rattrapage 2008-2009
Soient x0 , x1 , x2 et x3 4 points distincts de [ a, b] et g une fonction de classe
C 4 ([ a, b])
avec a < b, soit p( x) le polynôme interpolant g aux points :x0 , x1 , x2 et
x3
1) Exprimer P( x) dans la base de Lagrange( Li ( x)), i = 0, 1, 2, 3
2) Si g( x) est un polynôme de degré ≤ 3, quelle est l’erreur d’interpolation :
e( x) = g( x) − P ( x)
π4 ( x)
3) Montrer que Li ( x) = où π4 ( x) = Π3i=0 ( x − xi )
( x − xi )π4′ ( xi )
4) Soit Q( x) = ( x − α )( x − β)( x − θ).
Montrer que si les 3 racines de Q( x) sont distinctes alors la méthode de Newton
β +α
avec x0 = converge vers θ en un seul pas.
2
5) Soit T ( x) = x2 + bx + c, admettant deux racines réelles α et β
bxn + c
On définit la suite ( xn )n≥0 par xn+1 = −( ), n ≥ 0 et x0 donné
xn
Montrer que si |α | > |β| alors ( xn )n≥ 0 converge vers α

93
6.10 F.S.O Session ordinaire 2007-2008(Durée : 1h30)
Soient h une fonction de classe C 3 ([ a, b]) ; α et β deux réels de [ a, b]
On suppose que α ≺ β et on considère sur [α , β] les fonctions :
( x − α )3 (x − α) ( x − α )3
Ψ 0 ( x) = 1 − ; Ψ ( x ) = (β − α )( − )
(β − α )3 2 (β − α ) (β − α )3
( x − α )3 (β − α )2 ( x − α )2 ( x − α )3
Ψ 1 ( x) = ; Ψ 3 ( x ) = ( − )
(β − α )3 2 (β − α )2 (β − α )3
1) Soit P le polynôme défini sur [α , β] par :
P( x) = h(α )Ψ0 ( x) + h(β)Ψ1 ( x) + h′ (α )Ψ2 ( x) + h′′ (α )Ψ3 ( x)
Montrer que P vérifie les conditions suivantes :
P(α ) = h(α ) ; P(β) = h(β) ; P′ (α ) = h′ (α ) ; P′′ (α ) = h′′ (α )
P est dit interpolant d’Hermite de h aux points α et β.
2) Soit Q le polynôme défini par Q( x) = ( x − α )3 ( x − β)
On suppose que h est de classe C 4 ([ a, b]) et on pose :
Q ( t)
g( t) = h( t) − P ( t) = (h( x) − P( x))
Q ( x)
a) Montrer que pour tout x ∈]α , β[ il existe θ ∈]α , β[ tel que :
h(4) (θ)
h( x) − P ( x) = Q ( x)
4!  
9  
b) Déduire que |h( x) − P( x)| ≤ max h(4) (t) ∀ x ∈ [ a, b]
2048 0≤t≤1
Z β
4) i) Claculer les intégrales Ψk ( x)dx pour 0 ≤ k ≤ 3
α Z β
ii) En déduire l’expression de P( x)dx en fonction de α , β, h(α ), h(β), h′ (α
α
), h′′ (α )
4 a, b]) .
  Z ([
5) On suppose que la fonction h est de classe C 
 (4)   β  (β − α )5
En posant M4 = max h (t) , montrer que :  (h( x) − P( x))dx ≤ M4

a≤ t≤ b α 480
6) On considère une subdivision x0 = a < x1 < ... < xn = b régulière de pas
( b − a)
h=
n
On note Pj l’interpolant d’Hermite de h aux points x j et x j+1
j= n − 1 Z x j +1
On pose Hn = ∑ xj
Pj ( x)dx
j= 0
j= n − 1 j= n − 1
3 g 1 ( b − a) 2 ′ ( b − a) 3
6) Montrer que : Hn = In + Ind + ∑ h (x j ) + ∑ h′′ ( x j )
4 4 4n2 j= 0
24n3 j= 0
7) Si h est de classe C 2 ([ a, b]), montrer que :
j= n − 1 j= n − 1
( b − a) ( b − a)
lim ∑ h′ ( x j ) = h(b) − h( a) et lim ∑ h′′ ( x j ) = h′ (b) −
n→∞ n j= 0
n→∞ n j= 0
h′ ( a)

94
 Z b 
  ( b − a) 5
8) Si h est de classe C 4 ([ a, b]), 
montrer que :  h( x)dx − Hn  ≤ M4
a 480n4
9) Application : En admettant que M4 = 12 , donner une valeur approchée de
Z 1
exp(− x2 )dx avec la précision ε = 10−4
0

95
6.11 F.S.O Examen blanc 2007-2008
Exercice I

Soit f une fonction de classe C 3 [ a, b] et soient α et β deux réels dans [ a, b].

α +β
On suppose α <β et on note q( x) le polynôme interpolant f aux points : α ,
2
et β.
1) Exprimer q( x) dans la bas de Lagrange (1 point)
Z β
2) Exprimer q( x) dans la base de Newton puis calculer q( x)dx (1.5 point)
α
3) Donner l’erreur d’interpolation e( x) = f ( x) − q( x) pour x ∈ [α , β] (0.5 point)
Z β
(β − α )4
4) Déduire que | f ( x) − q( x)dx| ≤ M3 où M3 = maxa<t<b | f (3) (t)|
α 192
(1.5 point)
5) Soit a = x0 ≺ x1 ≺ .... ≺ xn = b, une subdivision de [ a, b] et qk ( x) le
x + xk+ 1
polynôme interpolant f aux points : xk , k et xk+1
2
k= n − 1 Z xk+1
On pose Sn = ∑ xk
qk ( x)dx
k= 0
Z b
Montrer que lim Sn = f ( x)dx (0.5 point)
n −→∞ a
Z b
( b − a) 4
6) Déduire que | f ( x ) − S n | ≤ M3 (1 point)
a 192n3

Exercice II

Soient h une fonction de classe C 2 ([ a, b]) ; α et β deux réels de [ a, b]

On suppose que α ≺ β et on considère sur [α , β] les fonctions :
( x − α )3 ( x − α )2 ( x − α )3 ( x − α )2
Ψ 0 ( x) = 2 − 3 + 1; φ 0 ( x ) = (β − α )( − 2 +
(β − α )3 (β − α )2 (β − α )3 (β − α )2
(x − α)
)
(β − α )

( x − α )2 ( x − α )3 ( x − α )3 ( x − α )2
Ψ 1 ( x) = 3 − 2 ; φ 1 ( x ) = (β − α )( − )
(β − α )2 (β − α )3 (β − α )3 (β − α )2
1) Calculer Ψ0 (α ), Ψ′0 (α ), Ψ0 (β), Ψ′0 (β) et φ0 (α ), φ′0 (α ), φ0 (β), φ′0 (β)
2) Soit P le polynôme défini sur [α , β] par :
P( x) = h(α )Ψ0 ( x) + h(β)Ψ1 ( x) + h′ (α )φ0 ( x) + h′ (β)φ1 ( x)
Vérifier que P satisfait les conditions suivantes (dites conditions de Hermite) :
P(α ) = h(α ), P′ (α ) = h′ (α ), P(β) = h(β) et P′ (β) = h′ (β)
3) Soit Q le polynôme défini par Q( x) = ( x − α )2 ( x − β)2
On suppose que h est de classe C 4 ([ a, b]) et on pose :
Montrer que pour tout x ∈]α , β[ il existe θ ∈]α , β[ tel que :

96
 h(4) (θ)
h( x) − P ( x) = Q ( x)
4!
Q ( t)
(On pourra montrer que la fonction g(t) = h(t) − P(t) = ( h( x) − P ( x)
Q ( x)
et montrer qu’elle admet 3 zéros et que sa dérivée admet 4 zéros)
Z β Z β
4) i) Claculer les intégrales Ψk ( x)dx et φk ( x)dx pour k = 0, 1
Zα β
ii) Déduire l’expression de P( x)dx en fonction de α , β, h(α ), h(β), h′ (α ) et
α
h′ (β)
4 a, b]) .
  Z ([
5) On suppose que la fonction h est de classe C 
 (4)   β  (β − α )5
En posant M4 = max h (t) , montrer que :  (h( x) − P( x))dx ≤ M4
a≤ t≤ b α 720
6) On considère une subdivision x0 = a < x1 < ... < xn = b régulière de pas
( b − a)
h=
n
On note Pj l’interpolant d’Hermite de h aux points x j et x j+1
j= n − 1 Z x j +1
On pose Hn = ∑ xj
Pj ( x)dx
j= 0
Z b
6) On note Tn l’intégrale approchée de h( x)dxpar la méthode des trapèzes
a
(b − a) 2
Montrer que : Hn = Tn + (h′ ( a) − h′ (b))
12n2
7) En déduire lim Hn
n→∞ Z b 
  ( b − a) 5
8) Si h est de classe C 4 ([ a, b]), 
montrer que :  h( x)dx − Hn  ≤ M4
a 720n4
9) Application : En admettant que M4 = 12 , donner une valeur approchée de
Z 1
exp(− x2 )dx avec la précision ε = 10−4
0

97
6.12 F.S.O Devoir à faire chez soi 2007-2008
Soit P3 un polynôme de degré 3 et f ∈ C 2 ([ a, b]) avec f (2) ≺ 0
Z b
Soit I ( f ) = f ( x)dx et InT l’approximation de I ( f ) par la méthode des tra-
a
pèzes.
Soit Imn (resp.I n ) l’approximation de I ( f ) par la méthode des triangles droits
g
(resp. gauches)
1) Ecrire les expressions de Ign , Im n etI T (1 point)
n
I n + I n
g d
2) Montrer que InT = (1 point)
2
T
3) En déduire que lim In = I ( f ) (1 point)
n −→∞
( f (b) − f ( a))
4) Prouver que | I ( f ) − InT | ≤ M2 (b − a) (1 point)
Z 2 b
b+a f ( b) + f ( a)
5) Etablir les ingalités : (b − a) f ( )≥ f ( x)dx ≥ (b − a) f ( )
2 a 2
(2 points)
Z b
b−a b+a
6) Etablir l’égalité : g( x)dx = [ P3 ( a) + 4P3 ( ) + P3 b] (2 points)
a 6 2
7) Soit a = x0 ≺ x1 ≺ .... ≺ xn = b, une subdivision de [ a, b]
Montrer que :
Z xi+1 Z
f ( xi ) + f ( xi+ 1 ) 1 xi +1
f ( x)dx = ( xi+1 − xi ) + ( x − xi )( x − xi+1 ) f (2) ( x)dx
xi 2 2 xi
(2 points)
8) Si xi+1 − xi = h pour tout i = 0, 1, ....n − 1, montrer que l’erreur d’approxi-
R h3
mation de xxii +1 f ( x)dx par la méthode des trapèzes est de la forme :− f (2) (θ), θ ∈
12
[ xi , xi+1 ] (1 point)

98
6.13 F.S.O Session ordinaire Janvier 2003
Soit g une fonction de classe C p avec p ≥ 1 et g( x∗ ) 6= 1
on suppose que le procédé itératif xn+1 = g( xn ) vérifie :
xn+1 − x∗ = (k + δn )( xn − x∗ ) avec |k| < 1 et lim n→∞ δn = 0
( xn + 1 − xn ) 2
soit zn = xn +
xn+2 − 2xn+1 + xn
zn − x∗
1) Chercher : lim n→∞ et comparer la vitesse de convergence des suites
xn − x∗
( xn ) et ( zn ).
2) on généralise le procédé précédent de la manière suivante :
xg( g( x)) − ( g( x))2
on définit la fonction h par : h( x) =
g( g( x)) − 2g( x) + x
puis on pose yn = g( xn ), zn = g( yn ) et xn+1 = h( xn ) pourn = 0, 2, 3, . . .
a) Prouver que g( x∗ ) = x∗ ⇔ h( x∗ ) = x∗
b) On suppose de plus que : g′ ( x∗ ) = · · · = g( p − 1)( x∗ ) = 0 et que : g( p)( x∗ ) =
p!A 6= 0
x p+1
en prenant x∗ = 0 et g( x) = Ax p + g(θ x), 0 < θ < 1,
( p + 1) !
montrer que : h( x) = − A2 x2p−1 + O( x2p si p > 1 h( x) = O( x2 ) si p = 1

99