MN Li

Université des Sciences et de la Technologie d’Oran – Mohamed Boudiaf
Faculté de Génie Mécanique
Département de Génie Mécanique
Analyse Numérique
Recueil d’Exercices Corrigés
Calcul et Programmation
Conformément au programme du module de Math5 de 2ème année LMD ST
Izidi Lahouari
2014
Sommaire
1. Analyse numérique ………………………………………………………………………01

2. Analyse de l’erreur dans le calcul numérique…...………………………………..………05
3. Recherche des zéros d’une fonction à une seule variable………………………...………12
3.1. Méthode de dichotomie (bissection)…………………………………………………14
3.2. Méthode de Newton (Newton-Raphson)…………………………………….………15
4. Dérivation numérique…………………………………………………………….………18
4.1. Schéma excentré avant……………………………………………………….………20
4.2. Schéma excentré arrière……………………………………………………...………20
4.3. Schéma centré………………………………………………………………..………20
5. Intégration numérique…………………………………………………………….………21
5.1. Méthode des trapèzes………………………………………………………...………21
5.2. Méthode de Simpson…………………………………………………………………22
6. Interpolation numérique par le polynôme de Lagrange…………………………..………26
7. Résolution des équations différentielles………………………………………….………31
7.1. Méthode d’Euler……………………………………………………………..………33
7.2. Méthode de Taylor…………………………………………………………...………34
7.3. Méthode Runge Kutta d’ordre 2……………………………………………..………35
7.4. Méthode de Runge Kutta d’ordre 4………………………………………….………35
8. Résolution des systèmes d’équations linéaires…………………………………..……….38
9. Sujets d’examens………………………………………………………………….………47
9.1. Sujets de contrôles continus avec corrigé type......………………………….……….47
9.2. Sujet d’examen final avec corrigé type……………………………………………...53
9.3. Sujet d’examen de rattrapage……………………………………………...…………57
Analyse Numérique
Ce document propose un recueil d’exercices corrigés d’analyse

numérique. Le contenu est adapté au programme du module de math5
de 2ème année LMD ST. Les techniques de calcul avec les différentes
méthodes numériques sont présentées ainsi que les formulations et les
algorithmes de chaque méthode. Il fournit aussi aux étudiants des
programmes de calcul typiques des méthodes sous le langage de
programmation Fortran. Ces programmes pourront facilement être
implémentés sur ordinateur. Enfin, Des sujets d’examens sont
présentés avec les corrigés type. J’espère que les étudiants trouveront
dans cet ouvrage un support pour maitriser les fondements des
méthodes numériques et de leur programmation.
Izidi Lahouari
Avant propos
Ce document propose un recueil d’exercices corrigés d’analyse numérique. Le

contenu est adapté au programme du module de math5 de 2ème année LMD ST.
Les techniques de calcul avec les différentes méthodes numériques sont
présentées ainsi que les formulations et les algorithmes de chaque méthode. Il
fournit aussi aux étudiants des programmes de calcul typiques des méthodes sous
le langage de programmation Fortran. Ces programmes pourront facilement être
implémentés sur ordinateur. Enfin, Des sujets d’examens sont présentés avec les
corrigés type. J’espère que les étudiants trouveront dans cet ouvrage un support
pour maitriser les fondements des méthodes numériques et de leur
programmation.
Izidi Lahouari
Analyse Numérique
Izidi Lahouari
USTO-MB 2014
Analyse Numérique
Par
Izidi Lahouari
Maître de conférences à l’USTO-MB
Analyse Numérique L. Izidi
Analyse Numériques
1. Définition de l’analyse numérique
Le domaine de l’analyse numérique est une branche qui regroupe deux grands domaines de la
science de l’ingénieur : mathématique et informatique.
L'aspect mathématique de l’analyse numérique consiste à modéliser une solution à un

problème à travers des opérateurs de l'analyse mathématique (𝜕𝜕, ∫ ,Π , 𝑒𝑒𝑒𝑒𝑒𝑒.) ainsi que l'étude
des caractéristiques analytiques de ce procédé (convergence, unicité de solution ...etc.).
L'aspect algorithmique de l’analyse numérique consiste à approximer le modèle

mathématique par un autre numérique définit seulement au moyen des opérateurs
arithmétiques (+, -, /, *, ∑, testes, répétitions ... etc.), qui peut être facilement implémenté par
la suite sur un ordinateur à travers un langage de programmation.
En bref, l’objectif de l’analyse numérique consiste à trouver des algorithmes informatiques

implémentant ou approximant un modèle analytique résolvant un problème scientifique
donné.
Exemple : approximer l'opérateur analytique d'intégral ∫ par un opérateur arithmétique ∑

c'est-à-dire approximer la surface ∆ par une somme des surfaces des rectangles résultants de
la discrétisation du domaine [a , b] en n points.
Une conséquence immédiate de l'approximation d'un modèle mathématique par un autre

numérique, est l'écart entre la solution exacte qui résulte du modèle mathématique contre
la solution approchée résultant du modèle numérique d'approximation. Cet écart est
appelé erreur de troncature.
1
2. Définition de l’erreur de troncature
C ’ e s t l'erreur qui résulte lorsqu'on passe d'un problème continu à un problème discret,
générée lorsqu'on remplace une relation exacte par une autre, plus simple ou plus
facilement manipulable.
L'objectif de l’analyse numérique et de pouvoir toujours effectuer ce passage en minimisant
cette erreur.
1.1. Mesures d'erreur
� sa solution approchée.
Soit A la solution exacte d’un problème donné et A
�
L’Erreur absolue est définit par A - A
�
A −A
L’Erreur relative est définit par
A
Une autre source d'erreur provient de l'outil utilisé pour implémenter les méthodes
numériques qui est l'ordinateur. L'ordinateur puissant et rapide ne peut en aucun cas
représenter fidèlement l'ensemble continu R des valeurs réelles. Un nombre réel est
toujours stocker sur l'ordinateur avec une certaines perte d'information. Cette perte
d'information est appelée erreur d'arrondi et tend à s'amplifier avec l'arithmétique de
l'ordinateur.
3. Représentation d'un nombre réel :
Un nombre réel est stocker sous une forme exponentielle normalisée s*m*be où :
s : signe du nombre
m : mantisse
b : base de représentation
e : exposant
La mantisse et l'exposant sont toujours représentés dans la base b.

Si b = 10
Exemple :
La forme normalisée de 52,2 est 0.52 *102
La forme normalisée de 0.003656 est 0.3656 *10-2
2
Si b = 2
Exemple :
La forme normalisée de 110.0110 est 0.110011*211 plus exacte : 0.110011 2 *10 2 11
0.110011 2 est la mantisse

10 2 = 2 10 est la base
11 2 =3 10 est l’exposant
-100
0.000010111 2 est normalisé comme 0.10111 *10 2
3.1. Précision de l'ordinateur :
Le nombre décimal le plus petit en valeur absolue représenté par un ordinateur et lorsqu'il
est additionné à 1.0 produit un résultat décimal différent de 1.0 est appelé précision de la
machine et est nommé ε (epsilon machine).
3.2. Chiffres significatifs :
La précision d'une valeur se mesure par le nombre de chiffres significatifs qu'il contient.
1. Un chiffre est significatif s’il est non nul
2. Un zéro est significatif s'il est entre 2 chiffres significatifs
3. Le zéro n'est jamais significatif s'il précède les chiffres significatifs non nuls
Exemple :
1,414 => 4 chiffres significatifs, 0.000356 => 3 chiffres significatifs.
La valeur 13.2585 avec 6 chiffres significatifs est plus précise que 13.2500 avec 4 chiffres
significatifs.
La normalisation consiste à traduire un nombre réel en un nombre en forme exponentielle
normalisé qui ne garde que les chiffres significatifs en mantisse.
4. Erreur d'arrondi :
On peut dire que la précision d'un ordinateur est la précision avec laquelle un nombre décimal
est représenté. Toute opération arithmétique sur des nombres décimaux produit une erreur
d'au moins ε. Cette erreur est appelée erreur d'arrondi et tend à s'accroitre avec l'arithmétique
de l'ordinateur. Le type réel simple précision conserve six chiffres significatifs non affecté
par ce type d’erreur (une précision de 10-6) tandis que le type double précision conserve
quinze chiffres significatifs non affecté par ce type d’erreur (une précision de 10-15).
3
Après chaque opération de calcul arithmétique élémentaire, l'ordinateur fait normaliser

automatiquement le résultat intermédiaire. L'addition et la soustraction répétées fait parfois
amplifier l'erreur d'arrondi.
Exemple :
Supposant une machine qui représente un nombre avec quatre chiffres significatifs et
examinons l’opération simple suivante :
6 * 2/3 = (6*2)/3=12/4
Cette même opération peut être remplacée par sommer six fois le nombre 2/3 à lui-même.
 2/3 ≈ 0.6666 en considérant quatre chiffres significatifs.

 0.6666 + 0.6666 = 1.3332 le résultat devient 1.333 en considérant quatre chiffres
significatifs.
 1.333 + 0.6666 =1.9996 le résultat devient 1.999 en considérant quatre chiffres
significatifs. 1.999 + 0.6666 =2.6656 le résultat devient 2.665 en considérant quatre
chiffres significatifs.
 2.665 + 0.6666=3.33 l 6 le résultat devient 3.331 en considérant quatre chiffres
significatifs. 3.331 + 0.6666=3.9976 le résultat devient 3.997 en considérant quatre
chiffres significatifs.
L'écart entre 4.000 et 3.997 = 0.003 est appelé erreur d'arrondi sur une machine en considérant
quatre chiffres significatifs.
4
Analyse de l’erreur dans le calcul numérique
1. Représentation des valeurs dans l’ordinateur :

Les valeurs sont d'abord converties en binaire, représentées par les 0 et 1 dans la machine.
Pour la représentation d'une valeur, on utilise un nombre de bit déterminé.
1.1 Représentation des entiers

Si on utilise 8 bits (1 octet ) pour représenter une valeur entière : (integer*1) alors on aura :
1 bit pour représenter le signe (positif ou négatif), et 7 autres bits pour la valeur. La valeur
maximal qui peut être représenté par integer*1 est ±1111111 -> ±127
Si on utilise 16 bits (2 octet ) pour représenter une valeur entière : (integer*2) alors on aura :
1 bit pour représenter le signe (positif ou négatif), et 7 autres bits pour la valeur. La valeur
maximal qui peut être représenté par integer*2 est ±111111111111111 -> ±32767
Exercice1 : saisissez et compilez le programme suivant, expliquer l’erreur survenue ?
Integer*2 X
X= 34767
Print *,’x= ‘,X
END
1.2 Représentation des réels

Il y a 2 principes de représentation: à point fixe et à point flottant.
Point fixe : partie entière /partie décimale : Cette méthode fixe une position pour le point
décimal. La partie à gauche du point est utilisée pour représenter la partie entière, et la partie
droite est utilisée pour la partie décimale. Par exemple si on utilise 15 bits pour la partie
entière et 16 bits pour la partie décimale, et un autre bit pour le signe, nous aurons le schéma
suivant:
| 1 |2 16|17 32|
signe partie entière partie décimale
La valeur maximal d’un réel dans cette représentation est de :

-215,2-16 = 1111111111111111,1111111111111111 = -32767,9999847412109375. Par
exemple, la valeur de 1.5 sera représentée comme "0000000000000001.1000000000000000".
Cet intervalle est très limité. Les valeurs comme 33667,2569 ne peut pas être représentée dans
le modèle du point fixe. (Ce modèle n’est pas utilisé de nos jours)
5
Point flottant
Ce schéma consiste à représenter une valeur réelle comme ±M * 2E où 1≤M<2 est la mantisse,
et E l'exposant. Par exemple, la valeur 5.5 sera transformée en 0.1011 * 211 en code binaire
(=0.6875 *23). Dans un schéma de représentation à point flottant, la longueur de M et de E on
sont fixée comme suit (où a 1 a 2 … est l'exposant et b 1 b 2 … est la mantisse):
Précision simple (32 bits) | ± |a 1 a 2 … a 8 |b 1 b 2 … b 23 | (8bits pour E, 23bits pour M)

Précision double (64 bits) | ± |a 1 a 2 … a 11 |b 1 b 2 … b 52 | (11bits pour E, 52bits pour M)
Exercice 2:
Saisissez et compilez le programme suivant (représentation interne en virgule flottante):
real x
read(*,*)x
print *,'x=',x
z=fraction(x)
y=exponent(x)
print *,'fraction = ',z,' exponent= ',y
f=z*2**y
print *,'valeur de x recalculée est = ',f
2. Analyse de l’erreur dans le traitement par ordinateur :
Les erreurs se produisent dans la manipulation des réels. Elles sont généralement de 3
sources : erreur d’arrondi dû à la précision de l’ordinateur, erreur
2.1. Précision de l’ordinateur :

Les ordinateurs ne sauvegardent pas les nombres avec une précision infinie. En fait, les
nombres sont sauvegardés de façon approximative sous la forme de bits (binary digits) ou de
bytes (groupes de 8 bits). Le problème de la sauvegarde ne se pose pas pour les nombres
entiers mais pour les nombres décimaux. Le nombre décimal le plus petit (en valeur absolue)
qui, lorsqu’il est additionné au nombre décimal 1.0, produit un résultat décimal différent de
1.0 s’appelle la précision de l’ordinateur ε. (Epsilon)
La fonction epsilon(x) donne la valeur d’epsilon dans le type de x. la valeur d’epsilon

machine dans le type réel simple précision diffère de valeur d’epsilon machine dans le type
réel double précision).
6
Exercice 3 :
Saisissez le programme suivant, compilez et exécuter le puis commenter les résultats :
Real x,z,e1,e3
Double precision y,e1
e1=epsilon(x);
e2=epsilon(f);
print 100,'epsilon1 = ',e1,'epsilon2 = ',e2
100 format(A11,f32.30,A11,f32.30)
End
2.2. Erreurs et arithmétique de l’ordinateur
2.2.1. Erreur d’arrondi (dû à l’arithmétique de l’ordinateur)
On peut dire que la précision de l’ordinateur est la précision avec laquelle les nombres
décimaux sont représentés. En fait, toute opération arithmétique sur des nombres décimaux
introduit une erreur supplémentaire d’au moins ε. On appelle ce type d’erreur erreur
d’arrondi. L’erreur d’arrondi provient de l’ordinateur.
Exercice 4
Ajoutez ces lignes au programme puis recompilé et commentez les résultats :
X=2356874958663
Print 10,x
10 format(f30.3) ! que remarquez vous ?
z=1.0+e1
print *,'z =',z , ‘ n’’est pas négligeable ’
x=1.0+0.00000001
y=1.0D0 + 0.00000001D0 ! 0.00000001< e1 pour simple précision
! mais 0.00000001>e2 pour double précision
print *,'x =',x , ‘ est négligeable par contre y= ’,y, ‘ est pas négligeable ’
end
On peut connaître le nombre de chiffres significatifs exacts (non affectés par l'erreur d'arrondi
de l'ordinateur) sur l'ordinateur pour le type réel simple et le type réel double précision par la
fonction précision.
7
Exercice 5
déterminer par le programme suivant le nombre de chiffres significatifs exactes du réel simple
et du réel double
Real x
Double precision y
i =precision(x)
j =precision(y)
Print 11,i,j
11 format(I3) ! que remarquez vous ?
End
2.2.2. Erreur de perte d’information
Ces erreurs peuvent être générées lorsqu’on ne fait pas attention à la conversion que
l’ordinateur effectue automatiquement entre les types numériques.
Exercice 6 :
Saisissez le programme suivant, par partie, compilez et exécutez le puis commenter les
résultats de chaque partie :
real*4 r1,t
double precision x,y,z,f1,ff1,f2,ff2,err1,err2
c première partie : limite de représentation de nombre réel simple précision
print *,'erreur : nombre réel simple -> double précision '
r1=365896523145.0 ! conversion automatique
x=365896523145.0D0 ! conversion explicite
err1=abs(x-r1)
print 5,'val réel',r1,'val double',x,'err de représentation',err1
5 format(3(A22,f30.3,/))
print *,'erreur : conversion implicite de 5 et 3 dans 5/3 '
x=5/3
y=5.0/3.0
z=dfloat(5)/dfloat(3)
f1=abs(x-z)
ff1=abs(y-z)
print 10,'x=',x,'y=',y,'z=',z,'f1=x-z=',f1,'ff1=y-z=',ff1
c deuxième partie : propagation d'erreur de conversion automatique dans le calcul
print *,'propagation de err : de la division à la soustraction'
x=5/3-5
y=5.0/3.0-5.0
z=dfloat(5)/dfloat(3)-dfloat(5)
f2=abs(x-z) ! f2>f1 erreur amplifiée
ff2=abs(y-z) ! ff2>ff1 erreur amplifiée
print 10,'x=',x,'y=',y,'z=',z,'f2=x-z=',f2,'ff2=y-z=',ff2
10 format (/,5(A10,f30.27,/),/)
c troisième partie : analyse de l'erreur amplifiée
print *, 'terme de l"erreur amplifiée '
8
err1=abs(f2-f1)
err2=abs(ff2-ff1)
print 20,'err1=f2-f1',err1,'err2=ff2-ff1',err2
20 format (/,2(A13,f30.27,/),/) ! // veut dire sauter deux lignes
End
2.2.3. Erreur de troncature (produite par la méthode de résolution approchée)
L’erreur d’arrondi provient de l’ordinateur. L’autre erreur principale du calcul numérique

vient de la discrétisation (passer d’un problème continue à un problème discret) est générée
lorsque l'on remplace une relation "exacte" par une autre, plus simple ou plus facilement
manipulable. C'est par exemple le cas :
)−𝑓𝑓(𝑥𝑥)
De l'approximation d'une dérivée par une différence finie comme 𝑓𝑓 ′ (𝑥𝑥 ) ≈ 𝑓𝑓(𝑥𝑥+ℎℎ
Ou, d'une série de Taylor tronquée comme 𝑒𝑒 𝑥𝑥 ≈ 1 + 𝑥𝑥 2
L’écart entre la réponse exacte ( 𝑒𝑒 𝑥𝑥 ) et la réponse numérique (1 + 𝑥𝑥 2 ) s’appelle l’erreur de

troncature. L’erreur de troncature persisterait même sur un ordinateur “parfait” sans erreur
d’arrondi. L’erreur de troncature est quant à elle sous la responsabilité de celui qui
programme. On peut dire sans trop d’exagération qu’une minimisation astucieuse de l’erreur
de troncature est l’objet même de l’analyse numérique.
Exercice 7:
Saisissez, compilez et exécuter le programme suivant : calcul exacte et numérique ex,
commentez le résultat. Calculer l’erreur de troncature.
real x,expo,y
print *,’donnez la valeur de x (proche de 0) ’
read(*,*)x
y=exp(x)
expo=1.0+x**2
print 10,'valeur exacte =',y,' valeur numérique =',expo
10 format (A17,f30.23,A22,f30.23)
end
2.2.4. Instabilité d’une méthode numérique
En règle générale il n’y a pas grand-chose que l’on puisse faire pour éviter les erreurs
d’arrondi, sinon d’éviter d’utiliser des algorithmes qui amplifient les erreurs d’arrondi. La
plupart du temps, l’erreur d’arrondi et l’erreur de troncature n’interagissent pas fortement
9
entre elles. Cependant une méthode qui apparaît simple et logique peut être instable et
introduit des erreurs. Ceci veut dire qu’une erreur d’arrondi présente au début des calculs
peut être amplifiée par la méthode numérique utilisée de telle sorte que la réponse numérique
devient rapidement fausse. Il faut toujours étudier et critiquer la stabilité d’une méthode
numérique.
Etude de cas : calcul du nombre d’or

Un exemple d’algorithme instable est donné par l’algorithme suivant: supposons que l’on
veuille calculer les puissances du nombre d’or, le nombre donné par :
√5−1
𝜑𝜑 = ≈ 0. 6180339887
2
Les puissances de 𝜑𝜑 satisfont la relation de récurrence 𝜑𝜑 𝑛𝑛+1 = 𝜑𝜑 𝑛𝑛−1 − 𝜑𝜑 𝑛𝑛 .
Par conséquent, si l’on connaît les deux premières puissances 𝜑𝜑 0 = 1 et

𝜑𝜑1 = 0.6180339887, on peut calculer toutes les puissances de 𝜑𝜑 uniquement avec des
soustractions.
Saisissez le programme suivant, exécutez-le et commentez les résultats. Ce programme
permet de calculer les puissances de 𝜑𝜑 par la méthode exacte et par la méthode numérique
donnée par la relation de récurrence. Calculer en suite l’erreur absolue (valeur exacte – valeur
approchée) et l’erreur relative (erreur absolue / valeur exacte).
double precision or_exact,or_approche

double precision or_0,or_1,or_actuel,or_prochain,or_anterieur
c lecture de l'ordre de puissance
print *,'donnez la puissance '

read(*,*) n
c calcul par la méthode exacte
or_exact=((sqrt(5.0D0)-1.0D0)/2.0D0)**n
print *, 'la valeur exacte =',or_exact
c calcul par la méthode de récurrence
or_0=1.0D0
or_1= 0.6180339887D0
or_actuel=or_1
10
or_anterieur=or_0
do i=2,n ! commencer par la puiss 2 parce que les puiss 0,1

! sont déja calculées
or_prochain=or_anterieur-or_actuel;
or_anterieur=or_actuel
or_actuel=or_prochain
enddo
or_approche=or_prochain
print *,' la valeur approchée =',or_approche
end
On peut remarquer que la méthode de calcul par différence est instable. Dès la puissance 18,
l’écart entre la valeur exacte et approchée devient grand. Cela revient à la soustraction des
nombres 𝜑𝜑 𝑛𝑛+1 et 𝜑𝜑 𝑛𝑛−1 qui deviennent sensiblement proches quand n est grand. On dit que la
récurrence est instable. De nombreuses méthodes numériques qu’on va étudier sont itératives
(récurrentes), donc source d’erreur. Pour ce type de méthode, deux questions essentielles se
posent:
1. Le processus converge-t-il ?
2. Quand s’arrête-t-on pour obtenir une réponse plus ou moins exacte ?
La réponse à ces deux questions n’est pas toujours facile et demeure l’une des préoccupations
essentielles du numéricien. Et la préoccupation majeure de ce cours (méthodes numériques
appliquées).
11
Recherche des zéros d'une fonction à une variable
Exercice 1 :
Soit la fonction f ( x ) = e − x − 2
x
1. Séparer graphiquement les racines de f

2. Déterminer graphiquement deux intervalles d’existence des racines.
3. Résolution de f(x)=0 par la méthode de dichotomie :
a. Existe-t-il de racine sur l’intervalle [0,1.5]
b. pour atteindre une précision ε=0.016, combien faut-il d’itérations n pour
trouver la racine sur l’intervalle [0,1.5]
c. calculer la racine pour l’intervalle [0,1.5] et ε=0.016.
4. Résolution de f(x)=0 par la méthode de newton :
a- quelle est la condition suffisante pour la convergence de la méthode de newton ?
b- est- elle vérifiée pour x 0 =1 ? sinon peut-on trancher sur la convergence ?
c- trouver la racine pour x 0 =1, pour ε=0.016
5. Comparer le résultat des deux méthodes.
6. Refaire les questions 3, 4 et 5 pour l’intervalle [1,2] pour ε= 0.0003, x 0 =1.5, utiliser le
critère d’arrêt pour la méthode de newton| x i - x i-1 | /|x i |
Exercice 2 :
Ecrire le programme fortran qui résout l’équation f (x ) = x e x + 3 e x − 1 = 0 par la méthode de

dichotomie (bissection).
1. Il faut lire la précision epsilon.
2. Il faut proposer l’intervalle initial [a, b] par une lecture de a et b et tester si elles sont
bonnes ou non.
3. Programmer la méthode en affichant la solution à la fin.
4. Utiliser un sous programme du type function pour définir la fonction f(x).
5. Application : prendre la précision 10-3 et l’intervalle initial [0, 2].
12
Exercice 3 :
Ecrire le programme fortran qui résout l’équation f (x ) = cos x − x 3 = 0 par la méthode de

Newton.
1. Il faut lire la précision epsilon.
2. Il faut lire la valeur initiale x 0
3. Programmer la méthode en affichant le nombre d’itérations et la solution à la fin.
4. Utiliser un sous programme du type function pour définir la fonction f (x )
5- Application : prendre la précision de 10-7 et x 0 = 0.
13
Corrigé de l’exercice 1
1- Soit f(x) = f ( x ) = ex − x − 2 = 0 qui peut s’écrire : f ( x ) = e x − ( x + 2 ) = 0 où g( x ) = e x
et h( x )= x + 2
f=
( x ) g( x ) − h( x ) =0 d’où g( x ) = h( x ) les racines de f sont tous les points x d’intersection de
la courbe de g( x ) avec celle de h( x )
f possède deux racines réelles qui existent respectivement dans le intervalles [-2,1] et [1,2]
Dichotomie :
1- vérification sur [0,1.5] : f(a)=f(0)= -1

f(b)=f(1.5)=0.9816 . f(a)*f(b)<0 ∃ au moins une racine.
2- pour atteindre une précision ε=0.016, une solution x n à l’itération n est
𝑏𝑏 0−𝑎𝑎 0
(𝑏𝑏0−𝑎𝑎0) ln( 2ε )
supposée racine approchée si
2𝑛𝑛 +1
≤ ε⇒ n≥
𝑙𝑙𝑙𝑙 2
𝑏𝑏 0−𝑎𝑎 0
ln( )
n min = 𝑙𝑙𝑙𝑙2ε
2
= 5.55 ≈6 itérations
14
i ai bi xi f(x i ) εi
0 0 1.5 0.75 -0.633 0.75
1 0.75 1.5 1.125 -0.00447 0.375
2 1.125 1.5 1.3125 0.4029 0.1875
3 1.125 1.3125 1.21875 0.16420 0.09375
4 1.125 1.21875 1.1718 0.0559 0.0468
5 1.125 1.1718 1.14843 0.0048 0.0234
6 1.125 1.14843 1.13671 -0.02 0.01171
Tout l’intervalle final [1.13671,1.14843] est solution du problème. On peut choisir la milieu
de cet intervalle comme solution, donc la solution est : x=(a+b)/2=1.1425
Algorithme de la méthode de dichotomie (bissection):
1. 𝑖𝑖 = 0
2. 𝑎𝑎𝑖𝑖 = 0 ; 𝑏𝑏𝑖𝑖 = 1.5
3. 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑥𝑥𝑖𝑖 = (𝑎𝑎𝑖𝑖 + 𝑏𝑏𝑖𝑖 )/2 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓(𝑥𝑥𝑖𝑖 )
4. 𝑠𝑠𝑠𝑠 𝑓𝑓(𝑎𝑎). 𝑓𝑓(𝑥𝑥𝑖𝑖) < 0 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
𝑏𝑏𝑖𝑖 = 𝑥𝑥𝑖𝑖 𝑒𝑒𝑒𝑒 𝑎𝑎 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑙𝑙𝑙𝑙 𝑚𝑚ê𝑚𝑚𝑚𝑚
sinon
𝑎𝑎𝑖𝑖 = 𝑥𝑥 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑏𝑏 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑙𝑙𝑙𝑙 𝑚𝑚ê𝑚𝑚𝑚𝑚
𝑓𝑓𝑓𝑓𝑓𝑓 𝑠𝑠𝑠𝑠
5. 𝑆𝑆𝑆𝑆 𝑎𝑎𝑎𝑎𝑎𝑎(𝑎𝑎𝑖𝑖 − 𝑏𝑏𝑖𝑖 )≥ε 𝑖𝑖 = 𝑖𝑖 + 1
𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 à 3 , 𝑠𝑠𝑠𝑠𝑠𝑠 = (𝑏𝑏𝑛𝑛 + 𝑎𝑎𝑛𝑛 )/2
6. 𝑓𝑓𝑓𝑓𝑓𝑓
Méthode de Newton :
1-Si les conditions suivantes sont vérifiées :

f’(x 0 ) et f’’(x 0 ) existent et f( x 0 )*f’’(x 0 )>0 cela et suffisant pour dire que la méthode de newton
converge vers une racine.
2- pour f ( x ) = e x − x − 2 = 0 f’(x)= e x -1 existe, f’’(x )= e x existe
1
Pour x 0 =1 : f(1)*f’’(1)=( e1 -1-2) e = -0.76579 <0 condition non vérifiée. On ne peut
rien dire sur la convergence de la méthode pour x 0 =1 car la condition est suffisante mais non
nécessaire.
3- f ( x ) = e x − x − 2 f’(x)= e x -1 la formule de newton s’écrit
15
𝑒𝑒 𝑥𝑥 𝑛𝑛 −1 − 𝑥𝑥𝑛𝑛−1 − 2
𝑥𝑥𝑛𝑛 = 𝑥𝑥𝑛𝑛−1 −
𝑒𝑒 𝑥𝑥 𝑛𝑛 −1 − 1
i xi |x i -x i-1 |
0 0
1 1.16395 0.16
2 1.14642 0.017
3 1.146193 0.00033
Algorithme de la méthode de Newton :
1. 𝑥𝑥0 = 1
2. 𝑖𝑖 = 1
(𝑒𝑒 𝑥𝑥 𝑖𝑖−1 −𝑥𝑥 𝑖𝑖−1 −2)
3. 𝑥𝑥𝑖𝑖 = 𝑥𝑥𝑖𝑖−1 −
(𝑒𝑒 𝑥𝑥 𝑖𝑖−1 −1)
4. 𝑠𝑠𝑠𝑠 |𝑥𝑥𝑖𝑖 − 𝑥𝑥𝑖𝑖−1 | ≥ 𝜀𝜀 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑥𝑥𝑖𝑖−1 = 𝑥𝑥𝑖𝑖
𝑖𝑖 = 𝑖𝑖 + 1 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 à 3
𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛𝑛𝑛
5. 𝑓𝑓𝑓𝑓𝑓𝑓
Comparaison entre la méthode de dichotomie et la méthode de Newton :
La méthode de newton est plus rapide (convergence quadratique) que celle de la dichotomie
(convergence linéaire) elle est aussi plus précise
Program DICHOTOMIE BISSECTION
EPS=0.001
write(*,*) ' donner le domaine de la racine'
read(*,*) a, b
if(f(a)*f(b).lt.0.0) then
write(*,*) 'bonnes valeurs initiales'
else
write(*,*) 'changer les valeurs '
goto 20
endif
10 xm=(a+b)/2.
if((f(xm)*f(a).lt.0.0) then
b=xm
else
a=xm
endif
err=abs(a-b)
if(err.le.eps) then
xm=(a+b)/2.
write(*,*) 'La solution est :',xm
else
goto 10
endif
20 end
function f(x)
f=x*exp(x)+3*exp(x)-1
return
end
16
Program NEWTON RAPHSON

EPS=1e-7
write(*,*) 'donner la valeur initiale x0'
read(*,*) x0
i=1
x=x0
10 continue
xi=x-(f(x)/ff(x))
err=abs(xi-x)
if (err.ge.eps) then
write(*,*) i,xi
x=xi
i=i+1
goto 10
else
write(*,*) 'solution converge'
write(*,*) i,xi
endif
end
function f(x)
f=cos(x)-x**3
return
end
function ff(x)
ff=-sin(x)-3*x**2
return
end
17
Dérivation et Intégration Numérique
Exercice 1 :
Soit la fonction 𝑓𝑓 (𝑥𝑥 ) = 𝑥𝑥 3 −2𝑒𝑒 𝑥𝑥 + 1 :
1- Calculer les valeurs de la dérivée de f aux points : -5, -2, 0.25, 2.25, 3.5, 4, pour h=0.0015
en utilisant :
a- La méthode des différences excentrées en avant.
b- La méthode des différences excentrées en arrière.
c- La méthode des différences centrées.
2- Comparer les résultats avec les valeurs obtenues par la formule analytique de la fonction
dérivée f’, commenter (critère de comparaison : erreur absolue en moyenne).
3- Calculer la valeur de la dérivée de f au point 3.5 par les différences centrées pour les
différentes valeurs de h : 0.00015, 0.0015, 0.015, 0.5.
4- Comparer les résultats avec la valeur f’ (3.5) obtenue par la formule analytique de la
fonction dérivée f’, commenter.
5- Calculer f’’ au point -3 avec h=0.015, comparer le résultat avec celui obtenu en utilisant la
formule analytique de f’’.
Exercice 2 :
1
Soit à déterminer l’intégrale de 𝑓𝑓 (𝑥𝑥 ) = sur l’intervalle [1,4] en utilisant :
𝑥𝑥
a- Méthode des trapèzes, n=8.

b- Méthode de Simpson, n=8.
c- Formule analytique Ln (logarithme).
d- Comparer les résultats sur la base de l’erreur de troncature absolue.
e- Ecrire les algorithmes des méthodes : trapèze et Simpson
18
Exercice 3 :
Soit la fonction f définit par l’ensemble de points {x i , yi } :
X -0.3 0 0.3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7
Y 0.373 1.0 1.627 2.416 3.529 5.128 7.375 10.433 14.461 19.624 26.083
1- Calculer les valeurs de la dérivée de f dans tous les points Xi par la méthode des
différences centrée. Utiliser le schéma excentré (en avant ou en arrière) dans les bornes de
l’intervalle de définition de f.
2- sur la base du tableau résultant (valeurs de f’ sur l’intervalle [-0.3, 2.7]), calculer, par la
méthode de trapèze, les intégrales suivantes :
1.5 2.1 1.8 2.7

′
� 𝑓𝑓 (𝑥𝑥) ′
� 𝑓𝑓 (𝑥𝑥) ′
� 𝑓𝑓 (𝑥𝑥) � 𝑓𝑓 ′ (𝑥𝑥)
; ; ;
0 0 0.6 1.8
3- comparer les résultats obtenus en 2 par les valeurs exactes des différents intégrales sachant
𝑏𝑏
que ∫𝑎𝑎 𝑓𝑓 ′ (𝑥𝑥) = f(b)-f(a), en utilisant comme critère.
- En termes d’erreur absolue entre la valeur exacte et la valeur approchée.

- Erreur obtenue dans chaque trapèze (expliquer pourquoi l’erreur est relativement
importante dans le calcul du dernier intégral).
19
Corrigé de l’exercice 1 :
𝑓𝑓 (𝑥𝑥 ) = 𝑥𝑥 3 −2𝑒𝑒 𝑥𝑥 + 1 Approximer une dérivée par une différence finie :
𝑓𝑓(𝑥𝑥0+ℎ)−𝑓𝑓(𝑥𝑥0)
1-Schéma excentré avant : 𝑓𝑓 ′ (𝑥𝑥0) = ℎ
𝑓𝑓(𝑥𝑥0)−𝑓𝑓(𝑥𝑥0−ℎ)
2-Schéma excentré arrière : 𝑓𝑓 ′ (𝑥𝑥0) =
ℎ
𝑓𝑓(𝑥𝑥0+ℎ)−𝑓𝑓(𝑥𝑥0−ℎ)
3-Schéma centré 𝑓𝑓 ′ (𝑥𝑥0) =
2ℎ
Dérivée analytique : 𝑓𝑓′(𝑥𝑥 ) = 3𝑥𝑥 −2𝑒𝑒 𝑥𝑥

2
1/ calculer f’(x0) dans les différents points pour h=0.0015 par les différents schémas :
X -5.0 -2.0 0.25 2.25 3.5 4.0

Schéma ex_avant 74.9664 11.7203 -2.3813 -3.7921 -29.5130 -61.2640
Erreur absolue 0.020 0.0089 0.00077 0.0041 0.0321 0.0677
Schéma ex_arri 75.0172 11.7378 -2.3797 -3.7835 -29.4456 -61.1292
Erreur absolue 0.030 0.0084 0.00081 0.0044 0.0352 0.0670
Schéma centré 74.9918 11.7290 -2.38053 -3.7878 -29.4793 -61.1966
Erreur absolue 0.0053 0.0002 0.00002 0.00013 0.0015 0.0003
F’ analytique 74.9865 11.7293 -2.38055 -3.7879 -29.4809 -61.1963
2/ On remarque que le schéma centré est celui qui donne une meilleur approximation de la
dérivée : quantité d’erreur absolue minimale par rapport aux 2 autres schéma.
En moyenne : erreur absolue moyenne pour les 3 schéma sur l’échantillon de 6 points =
Erreur absolue moyenne par le schéma excentré avant = 0.0223
Erreur absolue moyenne par le schéma excentré arrière = 0.0244
Erreur absolue moyenne par le schéma centré = 0.0012
3/ Calcul de 𝑓𝑓 ′ (3.5) en utilisant le schéma centré pour les différents valeurs de h :

′
𝑓𝑓𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (3.5) = −29.4809
Schéma centré -29.4685 -29.4793 -29.4834 -29.7070 -32.025

h 0.00015 0.0015 0.015 0.15 0.5
Erreur absolue 0.0123 0.00155 0.0025 0.2261 2.544
4/ L’écart entre la valeur exacte et la valeur approchée de la dérivée dans un point donnée
tend à s’accroitre quant h est trop grand ou même relativement trop petit. La valeur de h doit
être bien ajustée car elle influe sur la qualité du résultat.
20
𝑓𝑓 (𝑥𝑥0−ℎ )−2𝑓𝑓 (𝑥𝑥0)+𝑓𝑓(𝑥𝑥0+ℎ)

5/ 𝑓𝑓 ′ ′ (𝑥𝑥0) = ′′
; 𝑓𝑓𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 = 6𝑥𝑥 − 2𝑒𝑒𝑥𝑥
ℎ2
′′ (3.0) = −18.0986 ; ′′
Pour h=0.015 et x 0 =3.0 : 𝑓𝑓𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑓𝑓𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 ℎé𝑒𝑒 (3.0) = −18.0995 ;
err_abs=0.00095.
L’approximation de la dérivée par des différences (centrées ou excentrées) est trop sensible
d’une part au paramètre de discrétisation h et d’autre part à l’allure de la fonction elle-même.
Si l’écart entre f(x0) et la valeur de f dans les points adjacents x0+h ou x0-h (f(x0+h) et f(x0-
h)) est important, les 3 schémas risquent d’engendrer des erreurs d’approximation
importantes. Il faut adapter le h selon cet écart.
Méthode exacte :
En sachant la formule analytique de la fonction qui résulte de l’intégral de 1/x qui est ln
41
∫1 = ln(4) − ln(1) = 1.38629
𝑥𝑥
Formule de la méthode des Trapèzes :

𝑏𝑏 𝑋𝑋 𝑖𝑖+1 −X i
∫𝑎𝑎 𝑓𝑓 (𝑥𝑥 ) = ∑𝑛𝑛−1
𝑖𝑖=0 2
(𝑓𝑓(Xi ) + 𝑓𝑓 (Xi+1 ))
Pour i=0 : x i =a ; pour i=n-1 : x i+1 =b c’est les borne elles sont présentent une fois dans la
somme ; chaque xi (hors a et b) est présent 2 fois (une fois sous la forme de x i et une fois sous
la forme de x i+1 ce qui justifie que le facteur ½ ne ce multiplie qu’avec a et b)
𝑏𝑏 ℎ
∫𝑎𝑎 𝑓𝑓 (𝑥𝑥 ) = 2 (𝑓𝑓(𝑎𝑎) + 𝑓𝑓(𝑏𝑏)) + ℎ ∑𝑛𝑛−1
𝑖𝑖=1 𝑓𝑓 (𝑥𝑥𝑥𝑥 ) h=x i+1 – x i =(b-a) / n avec n nombre de
trapèzes et h donc est la largeur de chaque trapèze :

𝑏𝑏 𝑛𝑛−1
ℎ
� 𝑓𝑓(𝑥𝑥 ) = �𝑓𝑓(𝑎𝑎) + 𝑓𝑓 (𝑏𝑏)� + ℎ � 𝑓𝑓(𝑎𝑎 + 𝑖𝑖 ∗ ℎ)
𝑎𝑎 2
𝑖𝑖=1
Par application numérique : f(x)=1/x ; [a,b]=[1,4] ; n=8 ⇒h=(4-1)/8=0.375
4 0.375
∫1 1/𝑥𝑥 = �𝑓𝑓(1) + 𝑓𝑓(4)� + 0.375 ∑𝑛𝑛−1
𝑖𝑖=1 𝑓𝑓 (1 + 𝑖𝑖 ∗ ℎ)=1.3971
2
Erreur absolue = |1.38629 − 1.397126| =0.0108
21
Formule de la méthode de Simpson
𝑏𝑏 ℎ
∫𝑎𝑎 𝑓𝑓(𝑥𝑥) = 3 ∑𝑛𝑛−2
𝑖𝑖=0 (𝑓𝑓 (𝑥𝑥𝑖𝑖 ) + 4𝑓𝑓 (𝑥𝑥𝑖𝑖+1 ) + 𝑓𝑓(𝑥𝑥𝑖𝑖+2 )) i vari avec
un pas de 2
Par application directe :
4 8−2
0.375 1 1 1
� 𝑓𝑓(𝑥𝑥) = �( +4 + )
1 3 𝑋𝑋𝑋𝑋 𝑥𝑥𝑖𝑖+1 𝑥𝑥𝑖𝑖+2
𝑖𝑖=0,2
0.375
= (f(x0)+4f(x1)+f(x2) +f(x2)+4f(x3)+f(x4) +f(x4)+4f(x5)+f(x6) +f(x6)+4f(x7)+f(x8))
3
0.375
= (f(a) + 4*(f(x1)+f(x3)+f(x5)+f(x7) + 2 *(f(x2)+f(x4)+f(x6)) + f(b))
3
0.375
= (f(a)+f(b)+ 4* ∑𝑛𝑛−1 𝑛𝑛−2
𝑖𝑖=1,2 𝑓𝑓(𝑥𝑥𝑥𝑥) + 2*∑𝑖𝑖=2,2 𝑓𝑓(𝑥𝑥𝑥𝑥)) =1.386805
3
Erreur absolue = |1.38629 − 1.386805| = 0.000510
Meilleur approximation donnée par la méthode de Simpson
Algoritheme de la méthode des Trapèzes
Début
Lire (a,b,n)
h←(b-a)/n
s←0
pour i←1,n-1,1
s←s+f(a+i*h)
finpour
s←s*h + (f(a)+f(b))*(h/2)
ecrire(s)
fin
22
Algorithme de la méthode de Simpson
Début
Lire (a,b,n)
h←(b-a)/n
s_pair←0
s_imp←0
s←0
pour i←1,n-1,2
s_imp←s_imp+f(a+i*h)
finpour
pour i←2,n-2,2
s_pair←s_pair+f(a+i*h)
finpour
s←(f(a)+f(b) + 4*s_imp+ 2*s_pair)*(h/3)

ecrire(s)
fin
1- h=0.3
𝑓𝑓(𝑥𝑥0+ℎ)−𝑓𝑓(𝑥𝑥0−ℎ)
Schéma centré 𝑓𝑓 ′ (𝑥𝑥0) =
2ℎ
Pour x=-0.3 en utilise le schéma excentré en avant

Pour x=2.7 en utilise le schéma excentré en arrière
X -0.3 0 0.3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7
Y 2.1 2.09 2.36 3.17 4.52 6.41 8.839 11.81 15.32 19.37 21.54
1.5
∫0 𝑓𝑓 ′ (𝑥𝑥 ) = exacte : f(1.5)-f(0) = 6.375
Trapèze =6.57735
Erreur absolue =0.20235
Il existe 5 trapèzes :
erreur par trapèze = 0.20235/5 = 0.040
2.1
∫0 𝑓𝑓 ′ (𝑥𝑥 ) = exacte : f(2.1)-f(0) = 13.461
Trapèze =13.7442
Il existe 7 trapèzes
23
erreur par trapèze = 0.20235/7= 0.040

1.8
∫0.6 𝑓𝑓 ′ (𝑥𝑥 ) = exacte : f(1.8)-f(0.6) = 8.016
Trapèze =8.1777
2.7
∫1.8 𝑓𝑓 ′ (𝑥𝑥 ) = exacte : f(2.7)-f(1.8) = 15.651
Trapèze =15.4095
Conclusion
On remarque que l’erreur d’approximation est stable (0.04) dans chaque trapèze cela est
logique puisque h=0.3 est fixe. Néanmoins dans le calcul du dernier intégral l’erreur par
trapèze est relativement doublée. Cela est dû à l’erreur dans le calcul initial de f’(2.7) calculé
par le schéma des différences excentrées en arrière et pas le schéma centré(effet de bord).
Programmes de calcul:
Les programmes sont écrits en langage de programmation Fortran.
Programme de dérivation numérique :
Program derivation
write(*,*) 'donner la valeur de x'

read(*,*) x
write(*,*) 'donner le pas h'

read(*,*) h
ana1=3*x**2-2*exp(x)
davant=(f(x+h)-f(x))/h
darrir=(f(x)-f(x-h))/h
dcentr=(f(x+h)-f(x-h))/(2*h)
erravant=abs(davant-ana1)
errarrir=abs(darrir-ana1)
errcentr=abs(dcentr-ana1)
write (*,*) ' ana avant arriere centree '

write (*,*) ana1, davant, darrir, dcentr
write (*,*) erravant , errarrir , errcentr
ana2=6*x-2*exp(x)
dsecon=(f(x-h)-2*f(x)+f(x+h))/h**2
errsecon=abs(dsecon-ana2)
write (*,*) ' ana seconde erreur '

write (*,*) ana2 , dsecon , errsecon
end
function f(x)
f=x**3-2*exp(x)+1
return
end
24
Programmes d’intégration numérique par la méthode des trapèzes et la Méthode de Simpson :
Program integration
write(*,*) ' donner les bornes de l integrale'

read(*,*) a,b
write(*,*) ' donner le nombre de segments'

read(*,*) n
h=(b-a)/n
c ************************************
c calcul par la methode des trapèzes
c ************************************
TRA=h*(f(a)+f(b))/2
do i=1,n-1
TRA=TRA+(h*f(a+i*h))
enddo
c write(*,*) 'methode du trapeze', TRA
c ************************************
c calcul par la methode de Simpson
c ************************************
S0=f(a)+f(b)
S1=0.
do i=1,n-1,2
S1=S1+f(a+i*h)
enddo
S2=0.
do i=2,n-2,2
S2=S2+f(a+i*h)
enddo
SIM=(h/3.)*(S0+4*S1+2*S2)
c write(*,*) 'methode de Simpson ', SIM
c ************************************
c calcul par la methode analytique
c ************************************
ANA=alog(b)-alog(a)
c write(*,*) 'solution analytique ', ANA
c ************************************
c calcul d erreur
c ************************************
err1=abs(ana-TRA)
err2=abs(ana-SIM)
write(*,*) 'solution Trapeze ', TRA, err1

write(*,*) 'solution Simpson ', SIM, err2
write(*,*) 'program termined'

END
function f(x)
f=1/x
return
end
25
Interpolation Numérique
Exercice 1 :
Soit la fonction f(x) =ln(x).
1. Déterminer le polynôme d’interpolation de Lagrange qui interpole f par les deux

points d’appui d’abscisses : 0.5, 0.7. Quelle est l’ordre de cette interpolation
2. Calculer f(0.6). Comparer le résultat obtenue avec la valeur exacte de ln(0.6).
3. Peut-on utiliser ce polynôme pour calculer f(2) ? Pourquoi ?
4. Déterminer le polynôme d’interpolation de Lagrange qui interpole f par 3 points
d’appui d’abscisses 0.4, 0.5, 0.7. Quelle est l’ordre de cette interpolation ?
5. Calculer f(0.6). Comparer le résultat obtenue à la valeur exact ln(0.6) puis au résultat
obtenue par l’interpolation précédente
Exercice 2 :
Avec quelle précision peut-on calculer la valeur √115 à l’aide de l’interpolation de

Lagrange qui repose sur les points d’appui d’abscisses : 100, 121, 144
Exercice 3 :
Construire le polynôme d’interpolation de Lagrange de la fonction f donnée par les tableaux

suivants :
x 0 1 3 4
f(x) -1 1 3 5
x -1 0 2 3 5
f(x) 0 1 0 -1 0
x -2 -1 0 1 2 3
f(x) -3 -2 -2 0 1 2
26
Rappelons que le polynôme de Lagrange basé sur les points d’appui d’abscisses X 0 , X 1 , X 2 ,
X n est d’ordre n et il s’écrit :
𝑃𝑃𝑛𝑛 (𝑥𝑥 ) = ∑𝑛𝑛𝑖𝑖=0 𝑓𝑓 (𝑥𝑥𝑖𝑖 )𝐿𝐿𝑖𝑖 (𝑥𝑥)
avec
(𝑥𝑥−𝑥𝑥 𝑗𝑗 )
𝐿𝐿𝑖𝑖 (𝑥𝑥 ) = ∏𝑛𝑛𝑗𝑗=0,𝑗𝑗 ≠𝑖𝑖 (𝑥𝑥 −𝑥𝑥
𝑖𝑖 𝑗𝑗 )
1- f(x)=ln(x) ; on cherche le polynôme d’interpolation de f avec 2 points d’appui :

(𝑥𝑥0 , 𝑓𝑓(𝑥𝑥0 ))= (0.5,-0.693) ; (𝑥𝑥1 , 𝑓𝑓(𝑥𝑥1 )) = (0.7,-0.357)
(𝑥𝑥−𝑥𝑥 1 ) (𝑥𝑥−0.7) 7
L 0 (x) = (𝑥𝑥 = = −5𝑥𝑥 +
0 −𝑥𝑥 1 ) (0.5−0.7) 2
(𝑥𝑥−𝑥𝑥 0 ) (𝑥𝑥−0.5) 5
L 1 (x)= (𝑥𝑥 = = 5𝑥𝑥 −
1 −𝑥𝑥 0 ) (0.7−0.5) 2
𝑓𝑓 (𝑥𝑥 )≅ 𝑃𝑃1 (𝑥𝑥 ) = 𝑓𝑓(𝑥𝑥0 ) 𝐿𝐿0 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥1 ) 𝐿𝐿1 (𝑥𝑥)

= −0.693 𝐿𝐿0 (𝑥𝑥 ) − 0.357 𝐿𝐿1 (𝑥𝑥)
𝒇𝒇(𝒙𝒙) ≅ 𝑷𝑷𝟏𝟏 (𝒙𝒙) = 𝟏𝟏. 𝟔𝟔𝟔𝟔𝟔𝟔 − 𝟏𝟏. 𝟓𝟓𝟓𝟓𝟓𝟓𝟓𝟓
n+1=2 ⇒ n=1 ⇒ Cette interpolation est d’ordre 1 elle est dite linéaire.
2- Ln(0.6) approché = 𝑓𝑓 (0.6)≅𝑃𝑃1 (0.6) = 1.68 ∗ 0.6 − 1.5325 = −0.5245

Ln(0.6) exacte = - 0.5108
Err_abs = 0.0137
3- On ne peut pas utiliser ce polynôme pour calculer f(2) car le contexte de l’interpolation
exige que l’approximation de f dans tout point d’abscisse x par un polynôme est valide si et
seulement si x∈ [x 0 , x n ] et dans ce cas 2 ∉[0.5,0.7] (dans le cas où x< x 0 ou x> x n c’est
une extrapolation).
27
4- On cherche le polynôme d’interpolation de f avec 3 points d’appui : (𝑥𝑥0 , 𝑓𝑓(𝑥𝑥0 ))= (0.4,-
0.916) ; (𝑥𝑥1 , 𝑓𝑓(𝑥𝑥1 )) = (0.5,-0.693) ; (𝑥𝑥2 , 𝑓𝑓(𝑥𝑥2 )) = (0.7,-0.357) cette interpolation est dite
quadratique
(𝑥𝑥−𝑥𝑥 1 )(𝑥𝑥−𝑥𝑥 2 ) (𝑥𝑥−0.5)(𝑥𝑥−0.7)

L 0 (x) = (𝑥𝑥 =
0 −𝑥𝑥 1 )(𝑥𝑥 0 −𝑥𝑥 2 ) (0.4−0.5)(0.4−0.7)
(𝑥𝑥−𝑥𝑥 0 )(𝑥𝑥−𝑥𝑥 2 ) (𝑥𝑥−0.4)(𝑥𝑥−0.7)
L 1 (x) = (𝑥𝑥 =
1 −𝑥𝑥 0 )(𝑥𝑥 1 −𝑥𝑥 2 ) (0.5−0.4)(0.5−0.7)
𝟏𝟏𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏𝟏𝟏 𝟑𝟑𝟑𝟑

L 0 (x)= 𝒙𝒙𝟐𝟐 − 𝒙𝒙 +
𝟑𝟑 𝟑𝟑 𝟑𝟑
𝟏𝟏𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏𝟏𝟏 𝟐𝟐𝟐𝟐
L 1 (x) = − 𝒙𝒙𝟐𝟐 + 𝒙𝒙 −
𝟐𝟐 𝟑𝟑𝟑𝟑 𝟑𝟑𝟑𝟑
(𝑥𝑥−𝑥𝑥 0 )(𝑥𝑥−𝑥𝑥 1 ) (𝑥𝑥−0.4)(𝑥𝑥−0.5)

L 2 (x) = (𝑥𝑥 =
2 −𝑥𝑥 0 )(𝑥𝑥 2 −𝑥𝑥 1 ) (0.7−0.4)(0.7−0.5)
𝟓𝟓𝟓𝟓 𝟏𝟏𝟏𝟏
L 2 (x) = 𝒙𝒙𝟐𝟐 − 𝟏𝟏𝟏𝟏𝟏𝟏 +
𝟑𝟑 𝟑𝟑
𝒇𝒇(𝒙𝒙)≅𝑷𝑷𝟐𝟐 (𝒙𝒙) = −𝟎𝟎. 𝟗𝟗𝟗𝟗𝟗𝟗𝑳𝑳𝟎𝟎 (𝒙𝒙) − 𝟎𝟎. 𝟔𝟔𝟔𝟔𝟔𝟔𝑳𝑳𝟏𝟏 (𝒙𝒙) − 𝟎𝟎. 𝟑𝟑𝟑𝟑𝟑𝟑𝑳𝑳𝟐𝟐 (𝐱𝐱)
𝒇𝒇(𝒙𝒙)≅𝑷𝑷𝟐𝟐 (𝒙𝒙) = −𝟏𝟏. 𝟖𝟖𝟖𝟖𝟖𝟖𝒙𝒙𝟐𝟐 + 𝟑𝟑. 𝟖𝟖𝟖𝟖𝟖𝟖𝟖𝟖 − 𝟐𝟐. 𝟏𝟏𝟏𝟏
5- Ln(0.6) approché = 𝑓𝑓(0.6)≅𝑃𝑃2 (0.6) = −1.813 ∗ 0.62 + 3.865 ∗ 0.6 − 2.17 = −0.50368
Ln(0.6) exacte = - 0.5108
Err_abs = 0.00714
6- Plus le nombre de points d’appui augmente est plus l’interpolation est meilleure.
On veut calculer √115 par interpolation et le comparer avec sa valeur exacte : l’écart entre la
valeur approchée et la valeur exacte représente la précision de l’interpolation.
𝑓𝑓 (𝑥𝑥 ) = √𝑥𝑥 ; points d’appui (𝑥𝑥0 , 𝑓𝑓(𝑥𝑥0 )) = (100,10); (𝑥𝑥1 , 𝑓𝑓(𝑥𝑥1 ))=(121,11) ;
(𝑥𝑥2 , 𝑓𝑓(𝑥𝑥2 ))=(144,12) ; n+1=3 ⇒ interpolation d’ordre 2 (quadratique )
On nous demande pas de déterminer le polynôme mais plutôt calcul directe de √115 par
application numérique dans les différents Li et par la suite la valeur final de √115
28
(𝑥𝑥−𝑥𝑥 1 )(𝑥𝑥−𝑥𝑥 2 ) (115−121)(115−144)

L 0 (115) = (𝑥𝑥 = = 0.18831
0 −𝑥𝑥 1 )(𝑥𝑥 0 −𝑥𝑥 2 ) (100−121)(100−144)
(𝑥𝑥−𝑥𝑥 0 )(𝑥𝑥−𝑥𝑥 2 ) (115−100)(115−144)
L 1 (115) = (𝑥𝑥 = = 0.90062
1 −𝑥𝑥 0 )(𝑥𝑥 1 −𝑥𝑥 2 ) (121−100)(121−144)
(𝑥𝑥−𝑥𝑥 0 )(𝑥𝑥−𝑥𝑥 1 ) (115−100)(115−121)
L 2 (115) = (𝑥𝑥 = = −8. 8933 × 10⁻²
2 −𝑥𝑥 0 )(𝑥𝑥 2 −𝑥𝑥 1 ) (144−100)(144−121)
√115 = 𝒇𝒇(𝟏𝟏𝟏𝟏𝟏𝟏)≅𝑷𝑷𝟐𝟐(𝟏𝟏𝟏𝟏𝟏𝟏) = 𝟏𝟏𝟏𝟏 ∗ 𝑳𝑳𝟏𝟏 (𝟏𝟏𝟏𝟏𝟏𝟏) + 𝟏𝟏𝟏𝟏 ∗ 𝑳𝑳𝟏𝟏 (𝟏𝟏𝟏𝟏𝟏𝟏) + 𝟏𝟏𝟏𝟏 ∗ 𝑳𝑳𝟐𝟐 (𝟏𝟏𝟏𝟏𝟏𝟏)
√115 = 𝒇𝒇(𝟏𝟏𝟏𝟏𝟏𝟏)≅𝑷𝑷𝟐𝟐(𝟏𝟏𝟏𝟏𝟏𝟏) = 𝟏𝟏𝟏𝟏 ∗ 𝟎𝟎. 𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏 + 𝟏𝟏𝟏𝟏 ∗ 𝟎𝟎. 𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗 + 𝟏𝟏𝟏𝟏 ∗ −𝟖𝟖. 𝟖𝟖𝟖𝟖𝟖𝟖𝟖𝟖 × 10⁻²
√115 approchée = 10.72276

R
√115 exacte = 10.72381

R
On peut obtenir une Précision = 1.0499 × 10−3 avec une interpolation quadratique basée sur
les 3 points d’appui : (𝑥𝑥0 , 𝑓𝑓(𝑥𝑥0 )) = (100,10); (𝑥𝑥1 , 𝑓𝑓(𝑥𝑥1 ))=(121,11) ; (𝑥𝑥2 , 𝑓𝑓(𝑥𝑥2 ))=(144,12)
x 0 1 3 4
f(x) -1 1 3 5
(𝑥𝑥−1)(𝑥𝑥−3)(𝑥𝑥−4) 1
L 0 (x) = = − (𝑥𝑥 − 1)(𝑥𝑥 − 3)(𝑥𝑥 − 4)
(0−1)(0−3)(0−4) 12
(𝑥𝑥−0)(𝑥𝑥−3)(𝑥𝑥−4) 1
L 1 (x) = (1−0)(1−3)(1−4)
= 𝑥𝑥 (𝑥𝑥 − 3)(𝑥𝑥 − 4)
12
(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−4) 1
L 2 (x) = (3−0)(3−1)(3−4)
= − 𝑥𝑥 (𝑥𝑥 − 1)(𝑥𝑥 − 4)
6
(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−3) 1
L 3 (x) = (4−0)(4−1)(4−3)
= 𝑥𝑥 (𝑥𝑥 − 1)(𝑥𝑥 − 3)
12
𝑓𝑓 (𝑥𝑥 )≅𝑃𝑃1 (𝑥𝑥 ) = 𝑓𝑓 (𝑥𝑥0 )𝐿𝐿0 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥1 )𝐿𝐿1 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥2 )𝐿𝐿2 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥3 )𝐿𝐿3 (𝑥𝑥 )
Calcul à compléter.
29
x -1 0 2 3 5
f(x) 0 1 0 -1 0
(𝑥𝑥−0)(𝑥𝑥−2)(𝑥𝑥−3)(𝑥𝑥−5) 1
L 0 (x) = (−1−0)(−1−2)(−1−3)(−1−5) = 𝑥𝑥 (𝑥𝑥 − 2)(𝑥𝑥 − 3)(𝑥𝑥 − 5)
72
(𝑥𝑥+1)(𝑥𝑥−2)(𝑥𝑥−3)(𝑥𝑥−5) 1
L 1 (x) = (0+1)(0−2)(0−3)(0−5)
= − (𝑥𝑥 + 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)(𝑥𝑥 − 5)
30
(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−3)(𝑥𝑥−5) 1
L 2 (x) = (2+1)(2−0)(2−3)(2−5)
= − 𝑥𝑥(𝑥𝑥 + 1)(𝑥𝑥 − 3)(𝑥𝑥 − 5)
18
(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−2)(𝑥𝑥−5) 1
L 3 (x) = (3+1)(3−0)(3−2)(3−5)
= − 𝑥𝑥(𝑥𝑥 + 1)(𝑥𝑥 − 2)(𝑥𝑥 − 5)
48
(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−2)(𝑥𝑥−3) 1
L 4 (x) = (5+1)(5−0)(5−2)(5−3)
= − 𝑥𝑥(𝑥𝑥 + 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)
180
𝑓𝑓 (𝑥𝑥 )≅𝑃𝑃1 (𝑥𝑥 ) = 𝑓𝑓 (𝑥𝑥0 )𝐿𝐿0 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥1 )𝐿𝐿1 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥2 )𝐿𝐿2 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥3 )𝐿𝐿3 (𝑥𝑥 ) + 𝑓𝑓 (𝑥𝑥4 )𝐿𝐿4 (𝑥𝑥 )
x -2 -1 0 1 2 3
f(x) -3 -2 -2 0 1 2
(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−2)(𝑥𝑥−3) 1
L 0 (x) = (−2+1)(−2−0)(−2−1)(−2−2)(−2−3) = − 𝑥𝑥 (𝑥𝑥 + 1)(𝑥𝑥 − 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)
120
(𝑥𝑥+2)(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−2)(𝑥𝑥−3) 1
L 1 (x) = (−1+2)(−1−0)(−1−1)(−1−2)(−1−3) = 𝑥𝑥 (𝑥𝑥 + 2)(𝑥𝑥 − 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)
24
(𝑥𝑥+2)(𝑥𝑥+1)(𝑥𝑥−1)(𝑥𝑥−2)(𝑥𝑥−3) 1
L 2 (x) = = − (𝑥𝑥 + 2)(𝑥𝑥 + 1)(𝑥𝑥 − 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)
(0+2)(0+1)(0−1)(0−2)(0−3) 12
(𝑥𝑥+2)(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−2)(𝑥𝑥−3) 1
L 3 (x) = (1+2)(1+1)(1−0)(1−2)(1−3)
= 𝑥𝑥 (𝑥𝑥 + 2)(𝑥𝑥 + 1)(𝑥𝑥 − 2)(𝑥𝑥 − 3)
12
(𝑥𝑥+2)(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−3) 1
L 4 (x) = (2+2)(2+1)(2−0)(2−1)(2−3)
= − 𝑥𝑥 (𝑥𝑥 + 2)(𝑥𝑥 + 1)(𝑥𝑥 − 1)(𝑥𝑥 − 3)
24
(𝑥𝑥+2)(𝑥𝑥+1)(𝑥𝑥−0)(𝑥𝑥−1)(𝑥𝑥−2) 1
L 5 (x) = (3+2)(3+1)(3−0)(3−1)(3−2)
= 𝑥𝑥(𝑥𝑥 + 2)(𝑥𝑥 + 1)(𝑥𝑥 − 1)(𝑥𝑥 − 2)
120
30
Résolution des équations différentielles par les méthodes numériques
Exercice 1 :
 y−x
 y' =
Soit le problème de Cauchy :  y+x
 y (0) = 1

Résoudre l’équation différentielle en utilisant la méthode à un seul pas d’Euler sur l’intervalle
[0-1] en utilisant un pas h = 0.1
Résoudre l’équation différentielle en utilisant la méthode à un seul pas d’Euler sur l’intervalle
[0-1] en utilisant un pas h = 0.2
Comparer les deux solutions aux points x = 0.6 et x =1

Quelle est la solution la plus précise ?
Exercice 2 :
 2x
 y' = y −
Soit le problème de Cauchy :  y
 y (0) = 1

En utilisant un pas constant h = 0.2, calculer la solution au point x=1 en utilisant :
1. La méthode à un seul pas d’Euler (ordre 1)
2. La méthode à un seul pas de Taylor (ordre 2)
3. La méthode à un seul pas de Runge Kutta (ordre 2)
4. La méthode à un seul pas de Runge Kutta (ordre 4)
31
Comparer les résultats numériques avec ceux de la solution analytique donnés par :
y = 2 x +1
Exercice 3 :
 y' = y + x
Soit le problème de Cauchy : 
 y ( 0) = 1
Programmer les méthodes de résolution de l’équation différentielle donnée dans le problème

de Cauchy (méthode d’Euler, méthode de Taylor, méthode de Runge Kutta d’ordre 2 et
d’ordre 4)
Il faut lire le point initial et le point final où la solution finale doit être calculée.
Il faut lire le nombre d’intervalles
Programmer la méthode d’Euler
Programmer la méthode de Taylor
Programmer la méthode de Runge Kutta d’ordre 2
Programmer la méthode Runge Kutta d’ordre 4
Calculer la solution analytique donnée par y ( x) = −2e x − x − 1
Comparer l’erreur des quatre méthodes
Calculer la constante k figurant dans les équations de calcul des erreurs
Il faut généraliser le programme par l’utilisation des sous programmes de type function pour
la définition de la fonction f(x)=y+x
32
 y−x
 y' =
Soit le problème de Cauchy :  y+x
 y (0) = 1

La méthode à un seul pas d’Euler sur l’intervalle [0,1] en utilisant un pas h = 0.1
Le processus de résolution d’Euler se résume en :
Étant donnée 𝑦𝑦(0) = 1

𝑦𝑦(𝑥𝑥 𝑖𝑖 )−𝑥𝑥 𝑖𝑖
Sachant que 𝑦𝑦 ′(𝑥𝑥𝑖𝑖 ) = 𝑦𝑦(𝑥𝑥 𝑖𝑖 )+𝑥𝑥 𝑖𝑖
Alors : 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + h ∗ 𝑦𝑦′(𝑥𝑥𝑖𝑖 )
1- L’application de ce processus a donné le résultat suivant :

Sur l’intervalle [0,1] en utilisant un pas =0.1, les 𝑥𝑥𝑖𝑖 où on doit approximer y seront : 0, 0.1,
0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
x y
0.000000E+00 1.000000
1.000000E-01 1.100000
2.000000E-01 1.183333
3.000000E-01 1.254418
4.000000E-01 1.315818
5.000000E-01 1.369193
6.000000E-01 1.415694
7.000000E-01 1.456161
8.000001E-01 1.491231
9.000001E-01 1.521399
1.000000 1.547062
1- L’application de ce processus a donnée le résultat suivant :

Sur l’intervalle [0,1] en utilisant un pas h= 0.2, les 𝑥𝑥𝑖𝑖 où on doit approximer y seront : 0, 0.2,
0.4, 0.6, 0.8, 1.0.
x y
0.000000E+00 1.000000
2.000000E-01 1.200000
4.000000E-01 1.342857
6.000000E-01 1.451054
8.000000E-01 1.534041
1.000000 1.596940
33
Comparaison de la solution aux points x = 0.6 et x =1 :
x h=0.1 h=0.2
6.000E-01 1.415694 1.451054
1.000000 1.547062 1.596940
Il est évident que la solution avec le pas h=0.1 soit plus précise que celle avec le pas h=0.2
 2x
 y' = y −
Soit le problème de Cauchy :  y
 y (0) = 1

Processus d’Euler :

2𝑥𝑥
Sachant que 𝑦𝑦 ′(𝑥𝑥𝑖𝑖 ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) − 𝑦𝑦(𝑥𝑥𝑖𝑖 ) =F(𝑥𝑥𝑖𝑖 ,𝑦𝑦(𝑥𝑥𝑖𝑖 ))
𝑖𝑖
Alors 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + h ∗ 𝑦𝑦′(𝑥𝑥𝑖𝑖 )
Pour la méthode de Taylor :
Le développement limité de Taylor en point 𝑥𝑥𝑖𝑖 + ℎ tronqué à l’ordre 2 donne :

ℎ2
𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) ≅ 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + ℎ ∗ 𝑦𝑦 ′(𝑥𝑥𝑖𝑖 ) + 𝑦𝑦 ′′(𝑥𝑥𝑥𝑥)
2
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
Avec 𝑦𝑦 ′′(𝑥𝑥 ) = 𝐹𝐹 ′ (𝑥𝑥, 𝑦𝑦(𝑥𝑥)) = ( + ∗ ) =( + ∗ 𝐹𝐹)(𝑥𝑥𝑥𝑥 ,𝑦𝑦𝑦𝑦 )
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 (𝑥𝑥𝑥𝑥 ,𝑦𝑦𝑦𝑦 ) 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
Donc le processus de résolution des équations différentielles (EDPs) par Taylor est donné
par :
2𝑥𝑥
𝑖𝑖
ℎ2
Alors 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + h ∗ y′ (𝑥𝑥𝑖𝑖 ) + 𝐹𝐹 ′ (𝑥𝑥𝑥𝑥, 𝑦𝑦(𝑥𝑥𝑖𝑖 ))
2
2𝑥𝑥 2𝑥𝑥
Avec 𝐹𝐹 ′(𝑥𝑥, 𝑦𝑦(𝑥𝑥)) = −2/𝑦𝑦 + �1 + � ∗ (𝑦𝑦 − )
𝑦𝑦 2 𝑦𝑦
34
Processus de Runge-Kutta d’ordre 2 :

2𝑥𝑥
𝑖𝑖
on calcul m 1 =y’(𝑥𝑥𝑖𝑖 )=F(𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 )

m 2 =y’(𝑥𝑥𝑖𝑖 + ℎ)= F(𝑥𝑥𝑖𝑖 + ℎ, 𝑦𝑦(𝑥𝑥𝑖𝑖 )+h*m 1 )
𝑚𝑚 1 +𝑚𝑚 2
Puis 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + ℎ ∗ ( )
2
Processus de Runge-Kutta d’ordre 4 :

2𝑥𝑥
𝑖𝑖

ℎ ℎ ℎ
m 2 =y’(𝑥𝑥𝑖𝑖 + 2 )= F(𝑥𝑥𝑖𝑖 + 2 , 𝑦𝑦(𝑥𝑥𝑖𝑖 )+2 *m 1 )
ℎ ℎ ℎ
m 3 =y’(𝑥𝑥𝑖𝑖 + ) =F(𝑥𝑥𝑖𝑖 + , 𝑦𝑦(𝑥𝑥𝑖𝑖 )+ *m 2 )
2 2 2
m 4 =y’(𝑥𝑥𝑖𝑖 + ℎ) =F(𝑥𝑥𝑖𝑖 + ℎ, 𝑦𝑦(𝑥𝑥𝑖𝑖 )+ℎ*m 3 )

𝑚𝑚 1 +2∗𝑚𝑚 2 +2∗𝑚𝑚 3 +𝑚𝑚 4
Puis 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + h ∗ ( )
6
La solution analytique est donnée par : y = 2 x + 1

L’application des différents processus a donné les résultats suivants sur l’intervalle [0,1] avec
h=0.2 (tous les résultats – même intermédiaires – doivent êtres calculés avec une précision de
l’ordre de 10-6)
xi Euler Taylor RK2 RK4 Analytique

0.0 1.000000 1.000000 1.000000 1.000000 1.000000
0.2 1.200000 1.180000 1.186667 1.183229 1.183216
0.4 1.373333 1.335958 1.348312 1.341667 1.341641
0.6 1.531495 1.474795 1.493704 1.483281 1.483240
0.8 1.681085 1.600414 1.627861 1.612514 1.612452
1.0 1.826949 1.715073 1.754205 1.732142 1.732051
35
La figure ci-dessous illustre la représentation graphique de la solution de l’équation

différentielle par les différentes méthodes comparée à la solution analytique.
Euler
1,8
Taylor
RK2
RK4
1,6
Analytique
Soulution de l'EDPs
1,4
1,2
1,0
0,0 0,2 0,4 0,6 0,8 1,0

xi
Il est clair que la méthode de Runge Kutta d’ordre 4 est la plus précise pour la résolution des
équations différentielles.
36
Programme de calcul
program differentiel
REAL EUL,TAY,RG2,RG4,tt,a,b,y,ana
INTEGER n
write (*,*)'donner la solution: Yo='
read (*,*) y
write (*,*)'donner le point initial: a'
read (*,*) a
write (*,*)'donner le piont final: b'
read (*,*)b
write (*,*)'donner le nbr d interval: n'
read (*,*)n
c initialisation
EUL=Y
TAY=Y
RG2=Y
RG4=Y
tt=a
h=(b-a)/n
write (*,*)' EULER TAYLOR KUTTA 2 KUTTA 4'
do i=1,n,1
EUL=EUL+h*f(EUL,t)
TAY=TAY+h*f(TAY,t)+((h**2)/2)*(f1(TAY,t)+(f2(TAY,t)*f(TAY,t)))
p11=f(t,RG2)
p22=f(t+h,RG2+h*p11)
RG2=RG2+(h/2)*(p11+p22)
p1=f(t,RG4)
p2=f(t+(h/2),RG4+(h/2)*p1)
p3=f(t+(h/2),RG4+(h/2)*p2)
p4=f(t+h,RG4+h*p3)
RG4=RG4+(h/6)*(p1+2*p2+2*p3+p4)
t=t+h
write (*,*)EUL,TAY,RG2,RG4
enddo
ana=2*exp(b)-b-1
write (*,*) ' '
write(*,*) 'la solution analytique=',ana
ereul=abs(ana-eul)
ertay=abs(ana-tay)
errg2=abs(ana-rg2)
errg4=abs(ana-rg4)
akeul=ereul/h
aktay=ertay/h**2
akrg2=errg2/h**2
akrg4=errg4/h**4
write (*,*) ' les erreurs '
write(*,23) EREUL,ERTAY,ERRG2,ERRG4
write(*,23) akEUL,akTAY,akRG2,akRG4
23 format(8x, F8.6,8X,F8.6,8X,F8.6,8X,F8.6)
end
function f(y,t)
f=y+t
return
end
function f1(y,t)
z=y+t
f1=1.
return
end
function f2(y,t)
z=t+y
f2=1.
return
end
37
Résolution des systèmes d’équations linéaires
1. Introduction
Une équation est dite linéaire si chacun de ses termes a au plus une variable et chaque variable
apparait à la puissance d’ordre un.
Exemple :
2x + y – 6z = 4 est linéaire
2xy + y - 7 = 2 est non linéaire
2
2x +y - 7 = 2 est non linéaire
Un système d’équations linéaires est un système de N équations linéaires. Une solution à un

système d’équations linéaires consiste en des valeurs des N variables qui vérifient
simultanément les N équations. Le système est souvent noté : A.X=B
2. Méthodes de résolution des systèmes d’équations linéaires
En général, il existe 2 types de méthodes numériques pour résoudre un système d'équations

linéaires. Les méthodes dites directes et les méthodes indirectes qui sont théoriquement des
processus infinis.
Les méthodes directes (telle que la méthode de gauss) sont des processus finis. Une méthode
directe conduit à une solution en un nombre fini d’étapes. Cette solution si elle existe est la
solution du système.
Une méthode indirecte (telle que la méthode de Seidel) fait passer d’un estimé X n à un autre
estimé X n+1 de cette solution. Ce processus demande un nombre infini d’opérations
arithmétiques pour produire une solution exacte. Cela est en pratique impossible. En fait en
doit toujours limiter un processus infini par un nombre fini d’itérations et cela génère ce qu’on
appel l’erreur de troncature.
Les méthodes itératives sont rarement utilisées pour la résolution de systèmes à matrice pleine
et de faible dimension et les méthodes itératives sont généralement préférées pour résoudre les
systèmes de grande taille.
38
2.1. Méthodes directe : méthode de gauss
La méthode de gauss consiste à traduire un système A.X=B en un autre système A’X=B’

avec A’ matrice triangulaire supérieure. Cette phase est appelée Triangularisation.
Le système d’équations à résoudre est de la forme :
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑎𝑎14 … 𝑎𝑎1𝑛𝑛 𝑥𝑥1 𝑏𝑏1

𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 𝑎𝑎24 … 𝑎𝑎2𝑛𝑛 𝑥𝑥2 𝑏𝑏2
⎛𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑎𝑎34 … 𝑎𝑎3𝑛𝑛 ⎞ ⎛ 𝑥𝑥3 ⎞ ⎛𝑏𝑏3 ⎞
⎜ ⎟
⎜
⎜𝑎𝑎41 𝑎𝑎42 𝑎𝑎43 𝑎𝑎44 … 𝑎𝑎4𝑛𝑛 ⎟⎟⎜ ⎟ = ⎜𝑏𝑏4 ⎟
⎜ 𝑥𝑥4 ⎟
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⎝𝑎𝑎𝑛𝑛1 𝑎𝑎𝑛𝑛2 𝑎𝑎𝑛𝑛3 𝑎𝑎𝑛𝑛4 ⋯ 𝑎𝑎𝑛𝑛𝑛𝑛 ⎠ ⎝𝑥𝑥𝑛𝑛 ⎠ ⎝𝑏𝑏𝑛𝑛 ⎠
Après triangularisation, le système prend la forme :
′
′
𝑎𝑎11
′
𝑎𝑎21 ′
𝑎𝑎11 ′
𝑎𝑎11 … 𝑎𝑎11 𝑥𝑥1 𝑏𝑏1′
′
′
⎛ 0 𝑎𝑎22 𝑎𝑎23
′ ′
𝑎𝑎24 … 𝑎𝑎2𝑛𝑛 ⎞ 𝑥𝑥2 ⎛ 𝑏𝑏2′ ⎞
… ′ ⎛𝑥𝑥 ⎞ ′
⎜ 0
′ 𝑎𝑎3𝑛𝑛 ⎟ ⎜ 3 ⎟ = ⎜𝑏𝑏3 ⎟
′ 𝑎𝑎34
0 𝑎𝑎33
…
⎜ 0 0 0 ′
𝑎𝑎44 ′
𝑎𝑎4𝑛𝑛 ⎟ ⎜𝑥𝑥4 ⎟ ⎜𝑏𝑏4′ ⎟
⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ ⋮
⋯ ′ ⎠ ⎝𝑥𝑥𝑛𝑛 ⎠
⎝ 0 0 0 0 𝑎𝑎𝑛𝑛𝑛𝑛 ⎝𝑏𝑏𝑛𝑛′ ⎠
La solution X (x1, x2, x3, …, xn) sera par la suite aisément calculée. Il suffit de calculer
𝑏𝑏 ′
𝑥𝑥𝑛𝑛 = ′𝑛𝑛 puis de remplacer la valeur de 𝑥𝑥𝑛𝑛 dans le calcul de 𝑥𝑥𝑛𝑛−1 .
𝑎𝑎𝑛𝑛𝑛𝑛
(𝑏𝑏𝑛𝑛′ −1 −. 𝑎𝑎 𝑛𝑛𝑛𝑛
′ 𝑥𝑥 )
𝑛𝑛
𝑥𝑥𝑛𝑛 −1 = et ainsi de suite on remonte dans le calcul de 𝑥𝑥𝑛𝑛 , 𝑥𝑥𝑛𝑛−1 , 𝑥𝑥𝑛𝑛−2 , 𝑥𝑥𝑛𝑛−3
𝑎𝑎 𝑛𝑛 ,𝑛𝑛 −1
jusqu’à calculer 𝑥𝑥1 . Cette phase est appelée phase de résolution.
L’algorithme de gauss sera composé donc de deux principales phases :
1. 1ère phases : Triangularisation

2. 2ème phase : Résolution.
39
L’algorithme de gauss et présenté ci-dessous.

Initialisation : Lecture de la Taille N, de la matrice A et du vecteur B.
Phase 1 : triangularisation :
pour k=1 à N-1
pour i=k+1 à N
w=a(i,k)/a(k,k)
pour j=1 à N
si (j<i) alors
a(i,j)=0
sinon
a(i,j)=a(i,j) - w*a(k,j)
finsi
fin pour
b(i)=b(i)-w*b(k)
fin pour
fin pour
Phase 2 : Résolution : calcul du vecteur X
Pour i =N à 1
S=0
Pour j= i+1 à N
S= S + a(i,j) *X(j)
fin pour
X(i)= (b(i)-s)/a(i,i)
fin pour
Exercice
Écrire le programme Fortran qui implémente la méthode de Gauss décrite précédemment.
2.2. Méthodes indirecte : méthode de Gauss - Seidel
Une méthode itérative met le vecteur X en relation récurrente. X à l’instant t dépend de X à

l’instant t-1. Pour cela le système aura besoin en entrée de la matrice A, du vecteur B et d’une
valeur initiale de X (X 0 ). Après un certain nombre d’itérations, la suite créée : X 0 , X 1 , X 2 ,
X 3 ,…, X n converge vers une solution approché du système. La procédure s’arrête quand
𝑀𝑀𝑀𝑀𝑀𝑀(�Xn – Xn+1 �) ≤ 𝜀𝜀
La matrice A est décomposé comme suit :
A = (D − L) − U
AX=B devient [(D − L) − U]X = B
(D − L)Xk+1 = UXk + B
40
DXk+1 = LXk+1 + UXk + B
Xk+1 = D−1 L Xk+1 + D−1 UXk + D−1 B
avec
D(i,j)=a(i,i) si i = j et 0 sinon. On obtient ainsi la matrice D.
𝑎𝑎11 0 0 0 … 0
0 𝑎𝑎22 0 0 … 0
⎛ 0 𝑎𝑎 0 … 0⎞
0 33
D =⎜ 0
⎜ 0 0 𝑎𝑎44 … 0⎟⎟
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⎝ 0 0 0 0 ⋯ 0⎠
L(i,j)=-a(i,j) si i<j et 0 sinon. On obtient ainsi la matrice L.
0 0 0 0 … 0
−𝑎𝑎 0 0 0 … 0
⎛−𝑎𝑎21 −𝑎𝑎32 0 0 … 0⎞
31
𝐿𝐿 = ⎜−𝑎𝑎
⎜ 41 −𝑎𝑎 42 −𝑎𝑎 43 0 … 0⎟⎟
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⎝−𝑎𝑎𝑛𝑛1 −𝑎𝑎𝑛𝑛2 −𝑎𝑎𝑛𝑛3 −𝑎𝑎𝑛𝑛4 ⋯ 0⎠
D(i,j)=-a(i,i) si i>j et 0 sinon. On obtient ainsi la matrice D.
0 −𝑎𝑎12 −𝑎𝑎13 −𝑎𝑎14 … −𝑎𝑎1𝑛𝑛

0 0 −𝑎𝑎23 −𝑎𝑎24 … −𝑎𝑎2𝑛𝑛
⎛0 0 0 −𝑎𝑎34 … −𝑎𝑎3𝑛𝑛 ⎞
𝑈𝑈 = ⎜
⎜0 0 0 … −𝑎𝑎4𝑛𝑛 ⎟
⎟
0
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⎝0 0 0 0 ⋯ 0 ⎠
−1
𝐷𝐷𝑖𝑖,𝑖𝑖 = 1�𝑎𝑎𝑖𝑖,𝑖𝑖 est la matrice inverse de D.
X se calcul alors comme suit : X à l’instant k+1 :

𝑘𝑘+1 �− ∑𝑖𝑖−1 𝑘𝑘+1
𝑗𝑗 =1 𝑎𝑎𝑖𝑖,𝑗𝑗 . 𝑋𝑋𝑗𝑗 − ∑𝑛𝑛𝑗𝑗=𝑖𝑖+1 𝑎𝑎𝑖𝑖,𝑗𝑗 . 𝑋𝑋𝑗𝑗𝑘𝑘 ��
𝑋𝑋𝑖𝑖 = 𝑎𝑎𝑖𝑖,𝑖𝑖
Les éléments 𝑎𝑎𝑖𝑖,𝑖𝑖 de la matrice A sont appelés des Pivots. La condition suffisante pour que le
processus de gauss converge vers une solution est : 𝑎𝑎𝑖𝑖,𝑖𝑖 ≥ ∑𝑛𝑛𝑗𝑗=1 𝑎𝑎𝑖𝑖,𝑗𝑗
On peut faire un réarrangement de la matrice A (permutation de lignes) de telle sorte à ce que

cette condition sera vérifiée.
41
Programme de la méthode de Gauss :

! Méthode de Gauss :
real a(1000,1001),m(1000,1000)
real b(1000),bb(1000),x(1000),w,s
10 print *,'donner la taille N du système :'

read(*,*)N
if(N.gt.1000)then
print *,'N doit être <=1000'
goto 10
endif
print *,' introduisez les valeurs de la matrice A'
read(*,*)((m(i,j),j=1,N),i=1,N)
print *,' introduisez les valeurs du vecteur B'
read(*,*)(b(i),i=1,N)
! construction de la matrice augmentée
do i=1,N
do j=1,N
a(i,j)=m(i,j)
enddo
a(i,N+1)=b(i)
enddo
! affichage de la matrice augmentée
print *,' la matrice augmentee :'

do i=1,N
write(*,*)(a(i,j),j=1,N+1)
enddo
do k=1,N-1
do i=k+1,N
w=a(i,k)/a(k,k)
do j=1,N+1
if(j.le.k)then
a(i,j)=0.0
else
s=w*a(k,j)
a(i,j)=a(i,j)-s
endif
enddo
enddo
enddo
! affichage de la matrice triangulaire résultat

print *,' la matrice triangulaire superieur:'
do i=1,N
write(*,*)(a(i,j),j=1,N+1)
enddo
do j=1,N
x(j)=0.0
enddo
! calcul du vecteur résultat X
!x(N)=a(N,N+1)/a(N,N)
do i=N,1,-1
s=0.0
do j=1,N
s=s+(a(i,j))*x(j)
enddo
x(i)=(a(i,N+1)-s)/a(i,i)
enddo
! affichage du vecteur solution

print *,' le vecteur solution:'
write(*,*)(x(i),i=1,N)
! test du résultat '
do i=1,N
s=0.0
do j=1,N
s=s+m(i,j)*x(j)
enddo
bb(i)=s
enddo
! affichage de b et b'
print *,'ancien b :'

write(*,*)(b(i),i=1,N)
print *,'nouveau b :'
write(*,*)(bb(i),i=1,N)
end
42
Programme de la méthode de Gauss-Seidel

! essey : 1 2 4 5 4 18 , eps 0.001 iter 300 puis 800 puis 5000 puis 10000 50000
double precision a(1000,1000),b(1000),bb(1000),temp
double precision s,eps,normeR,big,tt,x(1000)
10 print *,'donner la taille N du système :'
read(*,*)N
if(N.gt.1000)then
print *,'N doit être <=1000'
goto 10
endif
print *,' introduisez les valeurs de la matrice A'
read(*,*)((a(i,j),j=1,N),i=1,N)
print *,' introduisez les valeurs du vecteur B'
read(*,*)(b(i),i=1,N)
print *,' introduisez epsilon'
read(*,*)eps
print *,'donner la valeur maximal d"iteration:'
read(*,*)kmax
! réarrangement
do k=1,N
s=0.0
do j=1,N
if(j.ne.k)s=s+a(k,j)
enddo
if(s.gt.a(k,k))then
! rechercher une ligne i qui sera permutée avec la ligne K
do i=K+1,N
s=0.0
do j=1,N
if(j.ne.k)s=s+a(i,j)
enddo
if(s.le.a(i,k))then
tt=b(i)
b(i)=b(k)
b(k)=tt
do j=1,N
tt=a(k,j)
a(k,j)=a(i,j)
a(i,j)=tt
enddo
goto 100
endif
enddo
100 endif
enddo
print *,'systeme rearange'
do i=1,N
write(*,*)(a(i,j),j=1,N)
write(*,*)b(i)
enddo
! boucle principale
do i=1,N
x(i)=0.0
enddo
do k=1,kmax
big=0.0
do i=1,N
s=0.0
if(i.gt.1)then
do j=1,i-1
s=s+a(i,j)*x(j)
enddo
if(j.eq.N-1)goto 30
endif
do j=i+1,N
s=s+a(i,j)*x(j)
enddo
30 temp=(1.0/a(i,i))*(b(i)-s)
if(abs(temp-x(i)).gt.big)big=abs(temp-x(i))
x(i)=temp
enddo
if(big.le.eps)then
print *,' système convergent'
goto 40
endif
if(k.gt.kmax)then
print *,'système non convergent '
goto 40
endif
enddo ! fin de la boucle itération K
40 print *,' le vecteur solution:'

write(*,*)(x(i),i=1,N)
! test du résultat '
do i=1,N
s=0.0
do j=1,N
s=s+a(i,j)*x(j)
enddo
bb(i)=s
enddo
! affichage de b et b'
print *,'ancien b :'
write(*,*)(b(i),i=1,N)
print *,'nouveau b :'
write(*,*)(bb(i),i=1,N)
end
43
Exercices
Méthode de Gauss :
1- Exécutez le programme de Gauss pour le système d’équation suivant :
2 5 8 1
A= 6 7 3 B= 2
9 2 4 3
2- Calculez l’écart entre le vecteur B_initial et le vecteur B_recalculé après résolution
3- Exécutez le programme de Gauss pour le système
0 5 8 1
A= 6 1 3 B= 2
9 2 4 3
Expliquez le résultat, que doit vérifier la matrice A pour éviter cette erreur.
Méthode de Gauss – Seidel :
1- Exécutez le programme de Gauss Seidel pour le même système :
2 5 8 1
A= 6 7 3 B= 2
9 2 4 3
Avec ε = 0.0001 et Nbr_iter = 200000 (récupérer le résultat : X, B ancien et B nouveau)
2- Calculer l’écart entre B ancien et B nouveau. Qu’appelle –t-on cet écart : erreur d’arrondi
ou de troncature ?
3- Comparer ce résultat avec celui de Gauss.
4- Exécutez le programme de Gauss Seidel pour ε vaut respectivement 0.01, 0.001 , 0.0001,
0.00001 et iter= 200 000. Puis ré-exécutez le même programme pour iter vaut
respectivement 100, 200, 1000, 20000, 100000 et ε = 0.00001 (porter sur la feuille les valeurs
de X, B_ancien et B_nouveau).
5- Que peut on déduire sur l’évolution de l’écart entre B_ancien et B_nouveau par rapport à ε
et à iter.
6- reprenant maintenant le programme source de la méthode de Gauss Seidel
a/ dresser l’organigramme de cet partie (réarrangement de la matrice A)
b/ qu’elle est l’utilité de la partie réarrangement dans ce programme. Expliquer brièvement
son principe (d’après le programme).
44
Exécution du programme de Gauss :
donner la taille N du systÞme :

3
introduisez les valeurs de la matrice A
2
5
8
6
7
3
9
2
4
introduisez les valeurs du vecteur B
1
2
3
la matrice augmentee :
2.00000 5.00000 8.00000 1.00000
6.00000 7.00000 3.00000 2.00000
9.00000 2.00000 4.00000 3.00000
la matrice triangulaire superieur:
2.00000 5.00000 8.00000 1.00000
0.00000 -8.00000 -21.0000 -1.00000
0.00000 0.00000 21.8125 1.06250
le vecteur solution:
0.312321 -2.865329E-03 4.871060E-02
ancien b :
1.00000 2.00000 3.00000
nouveau b :
1.00000 2.00000 3.00000
Press RETURN to close window...
45
Exécution du programme de Gauss-Seidel :
donner la taille N du système :

3
introduisez les valeurs de la matrice A
2
5
8
6
7
3
9
2
4
introduisez les valeurs du vecteur B
1
2
3
introduisez epsilon
0.0001
donner la valeur maximal d"iteration:
200000
système réarrangé
9.00000000000 2.00000000000
4.00000000000
3.00000000000
6.00000000000 7.00000000000
3.00000000000
2.00000000000
2.00000000000 5.00000000000
8.00000000000
1.00000000000
système convergent
le vecteur solution:
0.313564383229 1.694481437490E-02
3.601839520837E-02
ancien b :
3.00000000000 2.00000000000
1.00000000000
nouveau b :
3.00004265865 2.10805518563
1.00000000000
Press RETURN to close window...
46
Contrôle continu
En date du mardi le 31 mai 2011
Sujet N°01
Exercice 2 :
Soit la fonction f(x) = 𝑥𝑥 2

1- En prenant h=0.5, calculer numériquement les intégrales suivantes par la méthode des
trapèzes.
1 2 3
A1=∫0 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 ; A2=∫0 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 ; A3=∫0 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑
2- Comparer ces résultats numériques aux valeurs analytiques exactes correspondantes.

3- Remplir le tableau suivant :
x 1 2 3
G(x) A1 A2 A3
4- Calculer numériquement g’’ (2).

5- Que représente la valeur g’’ (2) ? Comparer le résultat précédent avec la valeur analytique
exacte.
Exercice 2 :
Pourquoi la méthode de Simpson est généralement plus exacte que la méthode des trapèzes ?
Ecrire l’algorithme de la méthode des trapèzes.
47
Corrigé du contrôle continu

Sujet N°01
1
h=0.5 ; f(x) = 𝑥𝑥 2 ; I(x) = 𝑥𝑥 3 avec I(x) la primitive de f(x).
3
1.1 Calcul numérique des intégrales A1, A2, A3 par la méthode des trapèzes :
𝑏𝑏 ℎ
Formule des trapèzes : ∫𝑎𝑎 𝑓𝑓 (𝑥𝑥 ) = 2 (𝑓𝑓 (𝑎𝑎) + 𝑓𝑓(𝑏𝑏)) + ℎ ∑𝑛𝑛−1
𝑖𝑖=1 𝑓𝑓(𝑥𝑥𝑥𝑥 )
1 0.5
A1=∫0 𝑓𝑓 (𝑥𝑥 ) = �𝑓𝑓(0) + 𝑓𝑓 (1)� + 0.5(𝑓𝑓(0.5)) = 0.375
2
2 0.5
A2=∫0 𝑓𝑓 (𝑥𝑥 ) = �𝑓𝑓(0) + 𝑓𝑓 (2)� + 0.5(𝑓𝑓 (0.5) + 𝑓𝑓 (1) + 𝑓𝑓 (1.5)) =2.75
2
3 0.5
A3=∫0 𝑓𝑓 (𝑥𝑥 ) = �𝑓𝑓(0) + 𝑓𝑓 (3)� + 0.5�𝑓𝑓 (0.5) + 𝑓𝑓 (1) + 𝑓𝑓 (1.5) + 𝑓𝑓 (2) + 𝑓𝑓 (2.5)� = 9.125
2
1.2 Calcul analytique exacte de A1, A2, A3

𝑏𝑏
Noter que I(0)=0 ⇒ ∫0 𝑓𝑓 (𝑥𝑥 ) =I(b)
1
A1 =∫0 𝑓𝑓 (𝑥𝑥 ) = I(1) – I(0) = I(1) = 0.333
2
A2=∫0 𝑓𝑓 (𝑥𝑥 ) = I(2) – I(0) = I(2) =2.666
3
A3=∫0 𝑓𝑓 (𝑥𝑥 ) = I(3) – I(0) = I(3) = 9.000
2. Comparaison
En terme d’erreur absolue :
err_A1= 0.042
err_A2=0.084
err_A3=0.125
0.042
Erreur commise dans chaque trapèze : err_par_trapèze_A1 = = 0.021
2
0.084
err_par_trapèze_A2 = = 0.021
4
0.125
err_par_trapèze_A3 = = 0.0208
6
Erreur dans chaque trapèze est stable vu que les valeurs de f(x) et I(x) sont exactes
3. Calcul numérique de g’’(2)
x 1 2 3
G(x) 0.375 2.75 9.125
48
𝑓𝑓(𝑥𝑥0−ℎ)−2𝑓𝑓(𝑥𝑥0)+𝑓𝑓(𝑥𝑥0+ℎ) 𝑓𝑓(2−1)−2𝑓𝑓(2)+𝑓𝑓(2+1)
𝑔𝑔′′ (𝑥𝑥0) = ℎ2
⇒ 𝑔𝑔′′ (2) = 12
0.375−2∗2.75+9.125
=
1
g’’(2) num = 4.0

La fonction g(x) est la fonction I(x) définit par les points 1, 2 et 3
Donc g’(x)=f(x) dans les points 1, 2, 3
Et g’’(x)=f’(x) dans les points 1, 2, 3
Donc la valeur analytique de g’’(2)=f’(2)=2*2=4.0 g’’(2) analy = 4.0
1- La méthode de Simpson est généralement plus exacte que la méthode des trapèzes puisque
elle fait intervenir 3 points (x i -h, x i , x i +h) dans le calcul de chaque aire partielle Ai en
approximant la fonction à intégrer entre l’intervalle [x i -h, x i +h] par une parabole
(interpolation quadratique).
Par contre, la méthode des trapèzes fait intervenir juste 2 points (x i et x i +h) dans le calcul de
chaque aire partielle Ai en approximant la fonction à intégrer entre l’intervalle [x i , x i +h] par
une droite (interpolation linéaire)
2- l’algorithme de la méthode des trapèzes
début
Lire(a,b,n)
h=(b-a)/n
som←h/2*(f(a)+f(b))
s←0.0
pour i←1,n-1,1
s←s+f(a+i*h)
FinPour
som←som+h*s
écrire(‘l″intégrale de f entre’, a , ‘ et ‘, b , ‘ est = ‘, som)
fin
fonction f(x)
---- corps de la fonction f
Fin
49
Sujet N°02
Exercice 1 :
Soit à résoudre l’équation suivante 𝑥𝑥 2 − 4 = 0 par la méthode de newton avec x 0 =1 et ε =

0.1.
1. Pour x 0 =1, la convergence de la méthode de Newton est – elle garantie ? Justifier.
2. Calculer la valeur approchée x n de la racine.
3. Compléter le tableau suivant :
x 1 2.0 2.05 2.5

F(x) f(1) f(2.0) f(2.05) f(2.5)
4. Calculer les valeurs numériques f’(1), f’(2), f’ (2.05), f’ (2.5), avec le schéma excentré
en avant (utiliser le schéma excentré en arrière pour 2.5).
5. Calculer l’erreur absolue commise dans le calcul de chaque dérivée.
6. A quel xi correspond la plus grande valeur d’erreur absolue ? Pourquoi ?
Exercice 2 :
1. Quelle est l’influence du pas de discrétisation h dans la précision d’une méthode de

dérivation ?
2. Ecrire l’algorithme de la méthode de newton.
50
Corrigé du contrôle continu

Sujet N°02
f(x)= 𝑥𝑥 2 − 4 ; en prenant 𝑥𝑥0 =1 et ε = 0.1
1- La condition suffisante de convergence de la méthode de newton exige que f(𝑥𝑥0 )f’’(𝑥𝑥0 )>0.
Pour 𝑥𝑥0 =1 : f(1)f’’(1)= (-3)*(2) =-6<0. On ne peut rien dire. Le processus de résolution peut
converger comme il peut diverger.
2-
𝑥𝑥0 =1
𝑓𝑓 (𝑥𝑥 𝑖𝑖 )
Processus itératif de newton 𝑥𝑥𝑖𝑖+1 = 𝑥𝑥𝑖𝑖 −
𝑓𝑓 ′ (𝑥𝑥 𝑖𝑖 )
𝑥𝑥 𝑖𝑖 2 −4
⇒ 𝑥𝑥𝑖𝑖+1 =𝑥𝑥𝑖𝑖 − 2∗𝑥𝑥 𝑖𝑖
Teste d’arrêt : |x i+1 -x i |≤ ε (ε = 0.1)
Par application on obtient le tableau suivant avec comme racine approché x n=2.0006
i xi f(x i ) f’(xi) |x i+1 -x i |

0 1 -3 2
1 2.5 2.25 5 1.5
2 2.05 0.2025 4.1 0.45
3 2.0006 0.0024 4.0012 0.04
3-
x 1 2.0 2.05 2.5
f(x) -3 0 0.2025 2.25
4- Calcul numérique de la drivée :

𝑓𝑓(𝑥𝑥0+ℎ)−𝑓𝑓(𝑥𝑥0)
par schéma excentré en avant : 𝑓𝑓 ′ (𝑥𝑥0) = (𝑥𝑥0+ℎ)−𝑥𝑥0
Pour f’(1) : le point en avant de 1 est 2 ⇒ h=2-1=1

𝑓𝑓(1+1)−𝑓𝑓(1) 𝑓𝑓(2)−𝑓𝑓(1) 0−(−3)
𝑓𝑓 ′ (1) = 1
= 1
= =3
1
Pour f’(2) : le point en avant de 2 est 2.05 ⇒ h=2.05-2=0.05

𝑓𝑓(2+0.05)−𝑓𝑓(2) 𝑓𝑓(2.05)−𝑓𝑓(2) 0.2025−(0)
𝑓𝑓 ′ (2) = 0.05
= 0.05
= = 4.05
0.05
Pour f’(2.05) : le point en avant de 2.05 est 2.5 ⇒ h=2.5-2.05=0.45
51
𝑓𝑓(2.05+0.45)−𝑓𝑓(2.05) 𝑓𝑓(2.5)−𝑓𝑓(2.05) 2.25−0.2025

𝑓𝑓 ′ (2) = = = = 4.55
0.45 0.45 0.45
𝑓𝑓(𝑥𝑥0)−𝑓𝑓(𝑥𝑥0−ℎ)
Par schéma excentré en arrière : 𝑓𝑓 ′ (𝑥𝑥0) = 𝑥𝑥0−(𝑥𝑥0−ℎ)
Pour f’(2.5) : le point en arrière de 2.5 est 2.05 ⇒ h=2.5-2.05=0.45
𝑓𝑓(2.5)−𝑓𝑓(2.5−0.45) 𝑓𝑓(2.5)−𝑓𝑓(2.05) 2.25−0.2025

𝑓𝑓 ′ (2.5) = = = = 4.55
0.45 0.45 0.45
Le calcul exact des valeurs des dérivées : f’(1)=2 ; f’(2)=4 ; f’(2.05)=4.1 ; f’(2.5)=5
5- erreur absolue commise dans le calcul de :
f’(1) : err_abs= |2-3|=1 ; f’(2) : err_abs= |4-4.05|=0.05 ; f’(2.05) : err_abs= |4.1-4.55|=0.45

f’(2.5) : err_abs= |5-4.55|=0.45
6- La plus grande erreur absolue a été commise lors du calcul de f’(1) parce que la distance
qui sépare le point en question (1) et son point adjacent (2) est =1 et est la plus grande
distance (h le plus élevé) comparé aux autres résultats
Le choix du pas de discrétisation h est très critique. Son influence est directe et importante
dans la précision des résultats obtenus par les différents schémas de calcul des dérivées
numériques
- Si h est trop grand, les résultats s’éloignent des résultats exacts
- Si h est trop petit, l’erreur d’approximation de f’ s’accroit par la présence des erreurs
d’arrondi (dans le calcul manuel ou par ordinateur à simple précision).
2- l’algorithme de la méthode de Newton :

début
Lire(x0,epsilon)
Xanc←x0
5 Xnouv ← Xanc – f(Xanc)/ff(Xanc)
Si (abs(Xnouv-Xanc)≤epsilon)alors
Ecrire(‘la racine de f est =’, Xnouv)
Sinon
Xanc←Xnouv
Aller à 5
finsi
fin
fonction f(x)
---- corps de la fonction f
Fin
fonction ff(x) 52
-----corps de la fonction f’
fin
Sujet de l’examen Final (juin 2011) proposé aux étudiants du département de

Génie Mécanique USTO-MB
Durée de l’examen: 2h00
Exercice 1 :
1
Soit la fonction 𝑓𝑓(𝑥𝑥) =
𝑥𝑥
1. Déterminer le polynôme de Lagrange P(x) qui interpole f par les 3 points d’appuis
d’abscisses 1, 2, 3.
2. Calculer P(1,5) ; P (2.5)
3. Déterminer l’erreur d’interpolation commise dans de calcul de P(1.5) et P(2.5).

3
4. Compléter le tableau ci-dessous puis calculer ∫1 𝑃𝑃(𝑥𝑥) par la méthode des trapèzes.
X 1 1.5 2 2.5 3
P(x)
5. Comparer le résultat obtenu aux résultats analytiques.
Exercice 2 :
Soit le problème de Cauchy suivant :
𝑦𝑦 ′ (𝑥𝑥) = −𝑦𝑦 2 (𝑥𝑥 )
𝑦𝑦(1) = 1
1
1. Montrer que 𝑦𝑦(𝑥𝑥 ) = vérifie le problème de Cauchy posé.
𝑥𝑥
2. Approximer la solution 𝑦𝑦(𝑥𝑥 ) de l’équation différentielle par la méthode de Runge Kutta

d’ordre 2 sur l’intervalle [1,1.6] avec un pas 0.2.
3. Comparer la valeur y (1.6) à la valeur analytique exacte (erreur absolue).
4. En s’appuyant sur l’approximation de y(x), calculer 𝑦𝑦’(1.4) par le schéma centré.
5. Comparer le résultat numérique de e ’(1.4 )obtenu au résultat analytique exact.
6. En s’appuyant sur l’approximation de y(x), calculer la valeur numérique de 𝑦𝑦’’(1.4).
7. Comparer le résultat obtenu à la valeur analytique exacte.
53
Corrigé de l’Examen
1
Soit 𝑓𝑓(𝑥𝑥) =
𝑥𝑥
Interpolation de Lagrange :
1- 𝑃𝑃𝑛𝑛 (𝑥𝑥 ) = ∑𝑛𝑛𝑖𝑖=0 𝑓𝑓(𝑥𝑥𝑖𝑖 )𝐿𝐿𝑖𝑖 (𝑥𝑥)
avec
𝑛𝑛
(𝑥𝑥 − 𝑥𝑥𝑗𝑗 )
𝐿𝐿𝑖𝑖 (𝑥𝑥 ) = �
(𝑥𝑥𝑖𝑖 − 𝑥𝑥𝑗𝑗 )
𝑗𝑗 =0,𝑗𝑗 ≠𝑖𝑖
Nombre de points d’appui =3 → polynôme d’ordre 2 (interpolation quadratique). Les points

d’appui sont : (1,1) ; (2,0.5) ; (3,0.333
1 1
L 0 = (𝑥𝑥 − 2)(𝑥𝑥 − 3) ; L 1 = -1(𝑥𝑥 − 1)(𝑥𝑥 − 3) ; L 2 =2 (𝑥𝑥 − 1)(𝑥𝑥 − 2)
2
𝟏𝟏 𝟏𝟏𝟏𝟏
P 2 (x)= 𝑓𝑓 (𝑥𝑥0 )𝑙𝑙0 + 𝑓𝑓(𝑥𝑥1 )𝑙𝑙1 + 𝑓𝑓 (𝑥𝑥2 )𝑙𝑙2 ; 𝑷𝑷𝟐𝟐 (𝐱𝐱) = 𝒙𝒙𝟐𝟐 − 𝒙𝒙 +
𝟔𝟔 𝟔𝟔
2- P 2 (1.5) = 0.70833 ; P 2 (2.5) = 0.375
3- Err_abs_1= |f(1.5)- P 2 (1.5) | = 0.041 ; Err_abs_1= |f(2.5)- P 2 (2.5) | =

0.025
4- Intégration numérique :
X 1 1.5 2 2.5 3
P(x) 1 0.70833 0.5 0.375 0.333
n= 4 et h =0.5
𝑏𝑏 𝑛𝑛−1
ℎ
� 𝑓𝑓 (𝑥𝑥 ) = �𝑓𝑓(𝑎𝑎) + 𝑓𝑓 (𝑏𝑏)� + ℎ � 𝑓𝑓 (𝑎𝑎 + 𝑖𝑖 ∗ ℎ) ⇒
𝑎𝑎 2
𝑖𝑖=1
3 3
0.5
� 𝑃𝑃2 (x) = ( 𝑃𝑃2 (1) + 𝑃𝑃2 (3)) + 0.5 � 𝑓𝑓(1 + 𝑖𝑖 ∗ 0.5)
1 2
𝑖𝑖=1
54
0.5
( 𝑃𝑃2 (1) + 𝑃𝑃2 (3)) + 0.5(𝑃𝑃2 (1.5) + 𝑃𝑃2 (2) + 𝑃𝑃2 (2.5))
2
𝟑𝟑
∫𝟏𝟏 𝑷𝑷𝟐𝟐 (𝒙𝒙) = 𝟏𝟏. 𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏
3 3
5- 2 résultats analytiques : un tiré de ∫1 𝑓𝑓(𝑥𝑥) et un autre tiré de ∫1 𝑃𝑃(𝑥𝑥)
3
� 𝑓𝑓(𝑥𝑥) = ln(3) − ln(1) = 1.09861 − 0 = 𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎
1
1 3
𝑥𝑥 − 12 𝑥𝑥2 + 11
3
∫1 𝑃𝑃2 (𝑥𝑥 ) = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃2(3) − 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃2(1) 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃2(𝑥𝑥) = 18 6
𝑥𝑥
3
� 𝑃𝑃2 (𝑥𝑥 ) = 2.5 − 1.38889 = 𝟏𝟏. 𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏
1
La valeur exacte de l’intégrale est celle calculée à partir de la primitive de f (1.09861).

La valeur analytique de l’intégrale tirée de la primitive du polynôme P (qui est une
approximation de f) est égale à 1.1111.
La valeur numérique de l’intégrale de P 2 (x) (1.12499) calculée par la méthode des Trapèzes
3 3
est proche de ∫1 𝑃𝑃2 (𝑥𝑥 ) 𝑞𝑞𝑞𝑞𝑞𝑞 ∫1 𝑓𝑓(𝑥𝑥) (résultat logique)
Equation différentielle
𝑦𝑦 ′ (𝑥𝑥) = −𝑦𝑦 2 (𝑥𝑥 )
𝑦𝑦(1) = 1
1 1 1 1
1- si 𝑦𝑦(𝑥𝑥) = alors 𝑦𝑦 ′ (𝑥𝑥) = − = - ( 𝑥𝑥 )2 = −𝑦𝑦 2 (𝑥𝑥 ) donc y(x)= 𝑥𝑥 vérifie
𝑥𝑥 𝑥𝑥 2
l’équation différentielle ci-dessus
2- Processus de Runge-Kutta d’ordre 2 :

Sachant que 𝑦𝑦 ′(𝑥𝑥𝑖𝑖 ) = −𝑦𝑦 2 (𝑥𝑥 ) =F(𝑥𝑥𝑖𝑖 ,𝑦𝑦(𝑥𝑥𝑖𝑖 ))
m 2 =y’(𝑥𝑥𝑖𝑖 + ℎ)= F(𝑥𝑥𝑖𝑖 + ℎ, 𝑦𝑦(𝑥𝑥𝑖𝑖 )+h*m 1 )
55
𝑚𝑚 1 +𝑚𝑚 2
Puis 𝑦𝑦(𝑥𝑥𝑖𝑖 + ℎ) = 𝑦𝑦(𝑥𝑥𝑖𝑖 ) + h ∗ ( )
2
En appliquant cette méthode, on obtient sur [1.0 ,1.6] avec pas 0.2 :
xi 1.0 1.2 1.4 1.6

y(x i ) 1.0 0.836 0.71764 0.62836
3- y exact (1.6) = 0.62499 ; ynum (1.6) = 0.62836 ; err_abs(1.6)= 0.00337
4- Dérivation numérique :
𝑦𝑦 (1.6)− 𝑦𝑦(1.2) 0.62836 −0.836

par le schéma centré y’(1.4)= = = −0.5191
1.6−1.2 0.4
1
Valeur exacte y’(1.4)= − ( )2 = -0.5102
1.4
𝑦𝑦 (1.2)−2𝑦𝑦 (1.4)+𝑦𝑦(1.6) 0.836−2∗0.71764 +0.62836

5- y’’(1.4) = = = 0.727
0.22 0.04
2∗1.4
y’’(1.4) exact = 1.4 4
= 0.72886 ; err_abs=|0.72886-0.727| = 0.00186
56
Examen de Rattrapage (septembre 2011) proposé aux étudiants du département de

Génie Mécanique USTO-MB
Durée : 2h
Question de Cours :
1- Quelle est la différence primordiale entre la méthode d’Euler et la méthode de Runge

Kutta (d’ordre 2 ou d’ordre 4).
2- Pourquoi la méthode de Simpson est généralement plus exacte que la méthode des
Trapèzes
Exercice 1 :
Soit la fonction f(x)=𝑥𝑥 2
𝟎𝟎.𝟔𝟔
1- Calculer par la méthode de Simpson l’intégrale suivante A1=∫𝟎𝟎.𝟒𝟒 𝒇𝒇(𝒙𝒙)𝒅𝒅𝒅𝒅 avec n=4.
2- Comparer le résultat obtenu à la valeur analytique exacte.
Exercice 2 :
Soit la fonction f(x)= Ln(x)

1- Déterminer le Polynôme de Lagrange P(x) qui interpole f par les deux points d’appui :
(0.5,-0.693) et (0.7, -0.357).
2- Calculer P(0.6), f(0.6) ainsi que l’erreur d’interpolation dans le point 0.6
Exercice 3 :
Soit à résoudre le système de Cauchy suivant :
𝑦𝑦 ′ = −2𝑥𝑥𝑦𝑦 2
𝑦𝑦(1) = 1
1
1- Vérifier que 𝑦𝑦(𝑥𝑥 ) = est la solution exacte au problème posé.
𝑥𝑥 2
2- Calculer les estimations de y sur l’intervalle [1 , 1.75] avec h=0.25 par la méthode
d’Euler.
3- Comparer les estimations obtenues aux valeurs analytiques exactes.
57

MN Li

Transféré par

Droits d'auteur :

Formats disponibles

MN Li

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MN Li

Transféré par

Droits d'auteur :

Formats disponibles

Université des Sciences et de la Technologie d’Oran – Mohamed Boudiaf

Faculté de Génie Mécanique

Département de Génie Mécanique

1. Analyse numérique ………………………………………………………………………01

Ce document propose un recueil d’exercices corrigés d’analyse

Ce document propose un recueil d’exercices corrigés d’analyse numérique. Le

Recueil d’Exercices Corrigés

Conformément au programme du module de Math5 de 2ème année LMD ST

1. Définition de l’analyse numérique

L'aspect mathématique de l’analyse numérique consiste à modéliser une solution à un

L'aspect algorithmique de l’analyse numérique consiste à approximer le modèle

En bref, l’objectif de l’analyse numérique consiste à trouver des algorithmes informatiques

Exemple : approximer l'opérateur analytique d'intégral ∫ par un opérateur arithmétique ∑

Une conséquence immédiate de l'approximation d'un modèle mathématique par un autre

2. Définition de l’erreur de troncature

1.1. Mesures d'erreur

3. Représentation d'un nombre réel :

La mantisse et l'exposant sont toujours représentés dans la base b.

0.110011 2 est la mantisse

3.1. Précision de l'ordinateur :

3.2. Chiffres significatifs :

Après chaque opération de calcul arithmétique élémentaire, l'ordinateur fait normaliser

 2/3 ≈ 0.6666 en considérant quatre chiffres significatifs.

Analyse de l’erreur dans le calcul numérique

1. Représentation des valeurs dans l’ordinateur :

1.1 Représentation des entiers

1.2 Représentation des réels

La valeur maximal d’un réel dans cette représentation est de :

Précision simple (32 bits) | ± |a 1 a 2 … a 8 |b 1 b 2 … b 23 | (8bits pour E, 23bits pour M)

2.1. Précision de l’ordinateur :

La fonction epsilon(x) donne la valeur d’epsilon dans le type de x. la valeur d’epsilon

2.2. Erreurs et arithmétique de l’ordinateur

2.2.1. Erreur d’arrondi (dû à l’arithmétique de l’ordinateur)

2.2.2. Erreur de perte d’information

2.2.3. Erreur de troncature (produite par la méthode de résolution approchée)

L’erreur d’arrondi provient de l’ordinateur. L’autre erreur principale du calcul numérique

Ou, d'une série de Taylor tronquée comme 𝑒𝑒 𝑥𝑥 ≈ 1 + 𝑥𝑥 2

L’écart entre la réponse exacte ( 𝑒𝑒 𝑥𝑥 ) et la réponse numérique (1 + 𝑥𝑥 2 ) s’appelle l’erreur de

2.2.4. Instabilité d’une méthode numérique

Etude de cas : calcul du nombre d’or

Les puissances de 𝜑𝜑 satisfont la relation de récurrence 𝜑𝜑 𝑛𝑛+1 = 𝜑𝜑 𝑛𝑛−1 − 𝜑𝜑 𝑛𝑛 .

Par conséquent, si l’on connaît les deux premières puissances 𝜑𝜑 0 = 1 et

double precision or_exact,or_approche

c lecture de l'ordre de puissance

print *,'donnez la puissance '

c calcul par la méthode exacte

c calcul par la méthode de récurrence

do i=2,n ! commencer par la puiss 2 parce que les puiss 0,1

Recherche des zéros d'une fonction à une variable

1. Séparer graphiquement les racines de f

critère d’arrêt pour la méthode de newton| x i - x i-1 | /|x i |

Ecrire le programme fortran qui résout l’équation f (x ) = x e x + 3 e x − 1 = 0 par la méthode de

Ecrire le programme fortran qui résout l’équation f (x ) = cos x − x 3 = 0 par la méthode de

1- Soit f(x) = f ( x ) = ex − x − 2 = 0 qui peut s’écrire : f ( x ) = e x − ( x + 2 ) = 0 où g( x ) = e x

la courbe de g( x ) avec celle de h( x )

1- vérification sur [0,1.5] : f(a)=f(0)= -1

Algorithme de la méthode de dichotomie (bissection):

1-Si les conditions suivantes sont vérifiées :

s←(f(a)+f(b) + 4s_imp+ 2s_pair)*(h/3)

write(,) 'donner la valeur de x'

write(,) 'donner le pas h'

write (,) ' ana avant arriere centree '

write (,) ' ana seconde erreur '

write(,) ' donner les bornes de l integrale'

write(,) ' donner le nombre de segments'

c write(,) 'methode de Simpson ', SIM

c write(,) 'solution analytique ', ANA

write(,) 'solution Trapeze ', TRA, err1

write(,) 'program termined'