Analyse Numérique de Mme FACCANONI - Copie

M33
Analyse numérique
Licence Sciences et Techniques
Recueil d’exercices corrigés et aide-mémoire.

L2 MATH & MASS
Gloria Faccanoni
i http://faccanoni.univ-tln.fr/enseignements.html
Année 2013 – 2014
Dernière mise-à-jour
Dimanche 29 septembre 2013
Ce fascicule est un support au cours d’analyse numérique en deuxième année d’une Licence de Mathématiques. Il
aborde : la recherche de racines d’une fonction, l’interpolation, l’intégration numériques, l’intégration d’équations diffé-
rentielles et la résolution de systèmes linéaires. Les applications se feront avec le langage Python dont la documentation et
les sources peuvent être téléchargées à l’adresse http://www.python.org. Les notions supposées connues correspondent
au programme des cours de Mathématiques (Analyse mathématique des fonctions réelles d’une variable réelle et Algèbre
Linéaire) et Informatiques (Initiation à l’algorithmique et au langage Python) de la première année de Licence.
L’objet de ce aide-mémoire est de proposer une explication succincte des concepts vu en cours. De nombreux livres,
parfois très fournis, existent. Ici on a cherché, compte tenu des contraintes de volume horaire, des acquis des étudiants
à la première année et des exigences pour la suite du cursus, à dégager les points clés permettant de structurer le travail
personnel de l’étudiant voire de faciliter la lecture d’autres ouvrages. Ce polycopiée ne dispense pas des séances de cours et
de TD ni de prendre des notes complémentaires. Il est d’ailleurs important de comprendre et apprendre le cours au fur et
à mesure car on a très peu de temps et beaucoup de concepts nouveaux. Ce polycopié est là pour éviter un travail de copie
qui empêche parfois de se concentrer sur les explications données oralement mais ce n’est pas un livre auto-suffisant (il
est loin d’être exhaustif ) ! De plus, ne vous étonnez pas si vous découvrez des erreurs (merci de me les communiquer).
On a inclus dans ce texte nombreux exercices corrigés. Ceux-ci, de difficulté variée, répondent à une double nécessitée.
Il est important de jongler avec les différents concepts introduits en cours et même de faire certaines erreurs une fois
pour bien identifier les pièges. Les exercices permettent d’orienter les raisonnements vers d’autres domaines (physique,
économie, etc.), cela afin d’exhiber l’intérêt et l’omniprésence du calcul différentiel. Cependant, veuillez noter que vous
n’obtiendrez pas grande chose si vous vous limitez à choisir un exercice, y réfléchir une minute et aller vite voir le début de
la correction en passant tout le temps à essayer de comprendre la correction qui va paraitre incompréhensible. Pour que
la méthode d’étude soit vraiment efficace, il faut d’abord vraiment essayer de chercher la solution. En particulier, il faut
avoir un papier brouillon à coté de soi et un crayon. La première étape consiste alors à traduire l’énoncé (pas le recopier),
en particulier s’il est constitué de beaucoup de jargon mathématique. Ensuite il faut essayer de rapprocher les hypothèses
de la conclusion souhaitée, et pour cela faire quelques calculs ou transformer les hypothèses pour appliquer un théorème
dont on aura vérifier que les hypothèses sont bien satisfaite. C’est ici que l’intuition joue un grand rôle et il ne faut pas
hésiter à remplir des pages pour s’apercevoir que l’idée qu’on a eu n’est pas la bonne. Elle pourra toujours resservir dans
une autre situation. Quand finalement on pense tenir le bon bout, il faut rédiger soigneusement en s’interrogeant à chaque
pas sur la validité (logique, mathématique) de ce qu’on a écrit. Si l’étape précédente ne donne rien, il faut chercher de l’aide
(voir le début de la correction, en parler à un autre étudiant, etc.).
Gloria FACCANONI
IMATH Bâtiment U-318 T 0033 (0)4 94 14 23 81

Université du Sud Toulon-Var
Avenue de l’université B gloria.faccanoni@univ-tln.fr
83957 LA GARDE - FRANCE i http://faccanoni.univ-tln.fr
2
Table des matières
Notations 5
Introduction au calcul scientifique 7
1. Résolution d’équations non linéaires 11

1.1. Étape ¨ : localisation des zéros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Étape ≠ : construction d’une suite convergente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1. Méthodes de dichotomie (ou bissection), de L AGRANGE (ou Regula falsi) . . . . . . . . . . . . . . . . . . 12
1.2.2. Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3. Méthodes de point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2. Interpolation 53
2.1. Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.1.1. Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.2. Interpolation de L AGRANGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.2.1. Stabilité de l’interpolation polynomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3. Polynôme d’H ERMITE ou polynôme osculateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4. Splines : interpolation par morceaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.4.1. Interpolation linéaire composite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3. Quadrature 79
3.1. Principes généraux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2. Exemples de formules de quadrature interpolatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.3. Approximation de dérivées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4. Équations différentielles ordinaires 109

4.1. Schémas numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.2. A-Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5. Systèmes linéaires 135

5.1. Systèmes mal conditionnés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.2. Méthode (directe) d’élimination de G AUSS et factorisation LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.3. Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
A. Python : guide de survie pour les TP 161

A.1. Obtenir Python et son éditeur I DLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
A.1.1. Utilisation de base d’I DLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
A.2. Notions de base de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
A.3. Fonctions et Modules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
A.3.1. Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
A.3.2. Modules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
A.4. Structure conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
A.5. Boucles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
3
Notations
Ensembles usuels en mathématiques
On désigne généralement les ensemble les plus usuels par une lettre à double barre :
N l’ensemble des entiers naturels
N§ l’ensemble des entiers strictement positifs
Z l’ensemble des entiers relatifs (positifs, négatifs ou nuls)
Z§ l’ensemble des entiers 6= 0
≥ ¥
p
Q l’ensemble des nombres rationnels q, p 2 Z, q 2 Z§
R l’ensemble des réels
R§ l’ensemble des réels autres que 0
C l’ensemble des nombres complexes
Rn [x] l’espace vectoriel des polynômes en x de degré inférieur ou égal à n
Intervalles
Inégalité Notation ensembliste Représentations graphique
a b a b
a ∑x ∑b [a, b]
a b a b
a <x a ]a, +1[
b b
x ∑b ] ° 1, b]
b b
x a avec a ∏ 0 ] ° 1, °a[[]a, +1[
8x 2 R ] ° 1, +1[
a a
x 6= a ] ° 1, a[[]a, +1[= R \ { a }
Symboles utilisés dans le document

définition
théorème, corollaire, proposition
propriété(s)
astuce
attention
remarque
5
Notations Dimanche 29 septembre 2013
méthode, algorithme, cas particulier
exercice de base
exercice
exemple
curiosité
¥ égal par définition
> strictement supérieur
< strictement inférieur
∏ supérieur ou égal
∑ inférieur ou égal
6= différent
{ } ensemble
A\B ensemble A privé de l’ensemble B, i.e. C A (B) le complémentaire de B dans A
; ensemble vide
| tel que
2 appartient
62 n’appartient pas
8 pour tout (quantificateur universel)
9 il existe (quantificateur universel)
69 il n’existe pas
9! il existe un et un seul
Ω est sous-ensemble (est contenu)
[ union d’ensembles
\ intersection d’ensembles
=) si . . . alors
() si et seulement si
ssi si et seulement si
ln logarithme de base e
loga logarithme de base a
1 infini
R
symbole d’intégrale
n
P
ai somme par rapport à l’indice i , équivaut à a 0 + a 1 + · · · + a n
i =0
Qn
ai produit par rapport à l’indice i , équivaut à a 0 £ a 1 £ · · · £ a n
i =0
n! n factoriel, équivaut à 1 £ 2 £ · · · £ n
g±f f puis g
0 df
f , dx symboles de dérivée
Df domaine de définition d’une fonction f
Conventions pour la présentation du code

Pour l’écriture du code, on utilise deux présentations :
¨ les instructions précédées de chevrons dans une boite grisée sont à saisir dans une session interactive
1 >>> 1 + 1
2 2
≠ les instructions sans chevrons dans une boite grisée sont des bouts de code à écrire dans un fichier
1 print ’Coucou!’
6 © G. Faccanoni
Introduction au calcul scientifique
On peut définir le CALCUL SCIENTIFIQUE comme la discipline qui permet de reproduire sur un ordinateur un phénomène
ou un processus décrit par un modèle mathématique.
A NALYSE MATHÉMATIQUE
P HÉNOMÈNE PHYSIQUE , ÉCO - M ODÈLE MATHÉMATIQUE
NOMIQUE , BIOLOGIQUE . . . Bien posé
Mise en équations :
Bien conditionné
Observation expérimentale équations différentielles, inté-
Propriétés de la solution
Modèle conceptuel grales, stochastiques. . .
Solutions analytiques
C ALCULS
P ROGRAMMATION
Langage de programmation (C, A NALYSE NUMÉRIQUE
C++, Fortran, Java, Python, Mat- Méthodes de discrétisation
lab, Scilab, Octave. . .) Analyse des algorithmes (rapi-
Structure des données dité, précision, souplesse)
Implémentation de l’algorithme Estimation des erreurs
Optimisation
P OST P ROCESSING
Visualisation C ALCUL SCIENTIFIQUE
Analyse des résultats
L’ordinateur est aujourd’hui un outil incontournable pour simuler et modéliser des systèmes complexes, mais il faut
encore savoir exprimer nos problèmes (physiques, économiques, biologiques. . .) en langage formalisé des mathématiques
pures sous la forme d’équations mathématiques (différentielles, intégrales. . .). Nous sommes habitués à résoudre les pro-
blèmes de façon analytique, alors que l’ordinateur ne travaille que sur des suites de nombres. On verra qu’il existe souvent
plusieurs approches pour résoudre un même problème, ce qui conduit à des algorithmes différents. Un des objectifs de ce
cours est de fournir des bases rigoureuses pour développer quelques algorithmes utiles dans la résolution de problèmes en
mathématique, économie, physique. . .
Un algorithme, pour être utile, doit satisfaire un certain nombre de conditions. Il doit être :
rapide : le nombre d’opérations de calcul pour arriver au résultat escompté doit être aussi réduit que possible ;
précis : l’algorithme doit savoir contenir les effets des erreurs qui sont inhérentes à tout calcul numérique (ces erreurs
peuvent être dues à la modélisation, à la représentation sur ordinateur ou encore à la troncature) ;
souple : l’algorithme doit être facilement transposable à des problèmes différents.
Le choix et l’optimisation des algorithmes numériques mis en pratique sont absolument cruciaux tant pour les calculs
de type industriel souvent très répétitifs et devant donc pouvoir être exécutés en un temps très court, que pour les cal-
culs de référence pour lesquels la seule limite est la patience de celui qui les fait. Par exemple, en fluidodynamique, en
laissant tourner une station de travail pendant quelques jours, les numériciens résolvent des systèmes frisant le milliard
d’inconnues. L’expérience montre qu’entre une approche numérique standard et une approche soigneusement réfléchie
7
Introduction au calcul scientifique Dimanche 29 septembre 2013
et optimisée un gain de temps de calcul d’un facteur 100, voire davantage, est souvent observé. Il est clair qu’on peut pas-
ser ainsi, grâce à cet effort, d’un calcul totalement déraisonnable à un calcul parfaitement banal : tout l’enjeu de l’analyse
numériques est là ! C’est dire l’importance pour tous scientifique de bien connaître ces méthodes, leurs avantages et leurs
limites.
p
Exemple Calcul de A
Sur ordinateur, l’addition de deux entiers peut se faire de façon exacte mais non le calcul d’une racine carrée. On procède alors par
approximations successives jusqu’à converger vers la solution souhaitée. Il existe pour cela divers algorithmes. Le suivant est connu
depuis l’antiquité (mais ce n’est pas celui que les ordinateurs utilisent).
Soit A un nombre réel positif dont on cherche la racine carrée. Désignons par x 0 la première estimation de cette racine (généralement
le plus grand entier dont le carré est inférieur à A ; par exemple, si A = 178, alors x 0 = 13 car 132 = 169 < 178 et 142 = 196 > 178) et par
"0 l’erreur associée : p
A = x 0 + "0 .
Cherchons une approximation de "0 . On a
A = (x 0 + "0 )2 = x 02 + 2x 0 "0 + "20 .
Supposons que l’erreur soit petite face à x 0 , ce qui permet de négliger le terme en "20 :
A ' x 02 + 2x 0 "0 .
Remplaçons l’erreur "0 par un "00 , qui en est une approximation, de telle sorte que
A = x 02 + 2x 0 "00 .
On en déduit que
A ° x 02
"00 =
2x 0
donc la quantité µ ∂
1 A
x 1 ¥ x 0 + "00 =+ x0
2 x0
constitue une meilleure approximation de la racine que x 0 (sous réserve que le développement soit convergent). De plus, rien ne nous
empêche de recommencer les calculs avec x 1 , puis x 2 , etc., jusqu’à ce que la précision de la machine ne permette plus de distinguer
le résultat final de la véritable solution. On peut donc définir une suite, qui à partir d’une estimation initiale x 0 devrait en principe
converger vers la solution recherchée. Cette suite est
µ ∂
1 A
x k+1 = + xk , x 0 > 0.
2 xk
L’algorithme du calcul de la racine carrée devient donc p

1. Démarrer avec une première approximation x 0 > 0 de A.
≥ ¥
2. À chaque itération k, calculer la nouvelle approximation x k+1 = 12 xA + x k .
k
A°x 2
3. Calculer l’erreur associée "0k+1 = 2x k+1 .
k+1
4. Tant que l’erreur est supérieure à un seuil fixé, recommencer au point 2
Le tableau ci-dessous illustre quelques itérations de cet algorithme pour le cas où A = 5 :
k xk "0k
0 2.0000000000 0.2360679775
1 2.2500000000 0.0139320225
2 2.2361111111 0.0000431336
3 2.2360679779 0.0000000004
4 2.2360679775 0.0000000000
On voit que l’algorithme converge très rapidement et permet donc d’estimer la racine carrée d’un nombre moyennant un nombre li-
mité d’opérations élémentaires (additions, soustractions, divisions, multiplications). Il reste encore à savoir si cet algorithme converge
toujours et à déterminer la rapidité de sa convergence. L’analyse numérique est une discipline proche des mathématiques appliquées,
qui a pour objectif de répondre à ces questions de façon rigoureuse.
Les erreurs
Le simple fait d’utiliser un ordinateur pour représenter des nombres réels induit des erreurs. Par conséquent, plutôt que
de tenter d’éliminer les erreurs, il vaut mieux chercher à contrôler leur effet. Généralement, on peut identifier plusieurs
niveaux d’erreur dans l’approximation et la résolution d’un problème physique.
8 © G. Faccanoni
Dimanche 29 septembre 2013
Au niveau le plus élevé, on trouve l’erreur qui provient du fait qu’on a réduit la réalité physique à un modèle mathéma-
tique. De telles erreurs limitent l’application du modèle mathématique à certaines situations et ne sont pas dans le champ
du contrôle du Calcul Scientifique.
On ne peut généralement pas donner la solution explicite d’un modèle mathématique (qu’il soit exprimé par une in-
tégrale, une équation algébrique ou différentielle, un système linéaire ou non linéaire). La résolution par des algorithmes
numériques entraîne immanquablement l’introduction et la propagation d’erreurs d’arrondi. De plus, il est souvent né-
cessaire d’introduire d’autres erreurs liées au fait qu’un ordinateur ne peut effectuer que de manière approximative des
calculs impliquant un nombre infini d’opérations arithmétiques. Par exemple, le calcul de la somme d’une série ne pourra
être accompli qu’en procédant à une troncature convenable. On doit donc définir un problème numérique, dont la solution
diffère de la solution mathématique exacte d’une erreur, appelée erreur de troncature. La somme des erreurs d’arrondis et
de troncature constitue l’erreur de calcul. L’erreur de calcul absolue est la différence entre x, la solution exacte du modèle
mathématique, et x̃, la solution obtenue à la fin de la résolution numérique, tandis que (si x 6= 0) l’erreur de calcul relative
est définie par l’erreur de calcul absolue divisé par x. Le calcul numérique consiste généralement à approcher le modèle
mathématique en faisant intervenir un paramètre de discrétisation, que nous noterons h et que nous supposerons posi-
tif. Si, quand h tend vers 0, la solution du calcul numérique tend vers celle du modèle mathématique, nous dirons que le
calcul numérique est convergent. Si de plus, l’erreur (absolue ou relative) peut être majorée par une fonction de C h p où
C est indépendante de h et où p est un nombre positif, nous dirons que la méthode est convergente d’ordre p. Quand, en
plus d’un majorant, on dispose d’un minorant C 1 h p (C 1 étant une autre constante (∑ C ) indépendante de h et p), on peut
remplacer le symbole ∑ par '.
© G. Faccanoni 9
1. Résolution d’équations non linéaires
Recherche des solutions de l’équation non linéaire f (x) = 0 où f est une fonction donnée
Un des problèmes classiques en mathématiques appliquées est celui de la recherche des valeurs pour lesquelles une
fonction donnée s’annule. Dans certains cas bien particuliers, comme pour les fonctions x 7! x + 1, x 7! cos(2x) ou encore
x 7! x 2 ° 2x + 1, le problème est simple car il existe pour ces fonctions des formules qui donnent les zéros explicitement.
Toutefois, pour la plupart des fonctions f : R ! R il n’est pas possible de résoudre l’équation f (x) = 0 explicitement et il faut
recourir à des méthodes numériques. Ainsi par exemple une brève étude de la fonction f (x) = cos(x) ° x montre qu’elle
possède un zéro à proximité de 0.7 mais ce zéro ne s’exprime pas au moyen de fonctions usuelles et pour en obtenir une
valeur approchée il faut recourir à des méthodes numériques.
Plusieurs méthodes existent et elles différent pas leur vitesse de convergence et par leur robustesse. Lorsqu’il s’agit de
calculer les zéros d’une seule fonction, la vitesse de la méthode utilisée n’est souvent pas cruciale. Cependant, dans certains
applications il est nécessaire de calculer les zéros de plusieurs milliers de fonctions et la vitesse devient alors un élément
stratégique. Par exemple, si on veut représenter graphiquement l’ensemble de points (x, y) du plan pour lequel x 2 sin(y) +
e x+y ° 7 = 0, on peut procéder comme suit : pour une valeur donnée de x, on cherche l’ensemble des valeurs de y pour
lesquelles x 2 sin(y)+e x+y °7 = 0, i.e. l’ensemble des zéros de la fonction f (y) = x 2 sin(y)+e x+y °7 = 0, et on représente tous
les couples obtenus. On choisit une nouvelle valeur pour x et on répète l’opération. Pour obtenir une courbe suffisamment
précise, il faut procéder à la recherche des zéros d’un très grand nombre de fonction et il est alors préférable de disposer
d’une méthode rapide.
Soit f : R ! R une fonction continue donnée dont on veut évaluer numériquement un ou plusieurs zéros xb, c’est-à-dire
qu’on cherche tous les xb tels que f (b
x ) = 0. Les méthodes numériques pour approcher xb consistent à :
¨ localiser grossièrement le (ou les) zéro(s) de f en procédant à l’étude du graphe de f et/ou à des évaluations qui sont
souvent de type graphique ; on note x 0 cette solution grossière ;
≠ construire, à partir de x 0 , une suite x 1 , x 2 , x 3 , . . . telle que limk!1 x k = xb où f (b
x ) = 0. On dit alors que la méthode est
convergente.
Définition Méthode itérative à deux niveaux

On appelle méthode itérative à deux niveaux un procédé de calcul de la forme
x k+1 = G(x k ), k = 0, 1, 2, . . .
dans lequel on part d’une valeur donnée x 0 pour calculer x 1 , puis à l’aide de x 1 on calcul x 2 etc. La formule même est
dite formule de récurrence. Le procédé est appelé convergent si x k tend vers un nombre fini lorsque k tend vers +1. Il
est bien évident qu’une méthode itérative n’est utile que s’il y a convergence vers les valeurs cherchées.
On peut parfaitement envisager des méthodes itératives multiniveaux, comme par exemples les schémas à trois niveaux
dans lesquels on part de deux valeurs données x 0 et x 1 pour calculer x 2 , puis à l’aide de x 1 et x 2 on calcule x 3 etc.
Définition Ordre de convergence
Soit p un entier positif. On dit qu’une méthode (à deux niveaux) convergente est d’ordre p s’il existe une constante C
telle que
x ° x k |p .
x ° x k+1 | ∑ C |b
|b
Si p = 1 (et C < 1) on parle de convergence linéaire, si p = 2 on parle de convergence quadratique.
1.1. Étape ¨ : localisation des zéros

Définition
x ) = 0. Il est dit simple si f 0 (b
Soit f : R ! R une fonction. On dit que xb est un zéro de f si f (b x ) 6= 0, multiple sinon.
11
1. Résolution d’équations non linéaires Dimanche 29 septembre 2013
Pour localiser grossièrement le (ou les) zéro(s) de f on va d’abord étudier de la fonction f , puis on va essayer d’utiliser un
corollaire du théorème des valeurs intermédiaires et le théorème de la bijection afin de trouver un intervalle qui contient
un et un seul zéro.
Théorème des valeurs intermédiaires
Soit f une fonction continue sur un intervalle I = [a; b] de R. Alors f atteint toutes les valeurs intermédiaires entre f (a)
et f (b). Autrement dit :
? si f (a) ∑ f (b) alors pour tout d 2 [ f (a), f (b)] il existe c 2 [a; b] tel que f (c) = d ;
? si f (a) ∏ f (b) alors pour tout d 2 [ f (b), f (a)] il existe c 2 [a; b] tel que f (c) = d .
Ce théorème donne alors le corollaire immédiat suivant.

Corollaire des zéros d’une fonction continue
Soit une fonction continue f : [a, b] ! R. Si f (a) · f (b) < 0, alors il existe (au moins un) xb 2]a, b[ tel que f (b
x ) = 0.
Ce théorème garantit juste l’existence d’un zéro. Pour l’unicité on essayera d’appliquer le théorème de la bijection dont
l’énoncé est rappelé ci-dessous.
Théorème de la bijection
Soit f une fonction continue et strictement monotone sur un intervalle I de R, alors f induit une bijection de I dans
f (I ). De plus, sa bijection réciproque est continue sur I , monotone sur I et de même sens de variation que f .
1.2. Étape ≠ : construction d’une suite convergente

Ayant encadré les zéros de f , la construction de suites qui convergent vers ces zéros peut se faire à l’aide de plusieurs
méthodes numériques. Ci-dessous on décrit les méthodes les plus connues et on étudie leurs propriétés (convergence
locale vs globale, vitesse de convergence, etc.).
1.2.1. Méthodes de dichotomie (ou bissection), de Lagrange (ou Regula falsi )

Dans les méthodes de dichotomie et de L AGRANGE, à chaque pas d’itération on divise en deux un intervalle donné et on
choisit le sous-intervalle où f change de signe.
Concrètement, soit f : [a; b] ! R une fonction strictement monotone sur un intervalle [a, b]. On suppose que l’équation
f (x) = 0 n’a qu’une et une seule solution dans cet intervalle. On se propose de déterminer cette valeur avec une précision
donnée. Soit [a 0 , b 0 ] un intervalle dans lequel f (a 0 ) f (b 0 ) < 0 et soit c 0 2]a 0 , b 0 [. Si f (a 0 ) f (c 0 ) < 0, alors la racine appartient
à l’intervalle [a 0 , c 0 ] et on reprend le procédé avec a 1 = a 0 et b 1 = c 0 . Sinon, c’est-à-dire si f (a 0 ) f (c 0 ) ∏ 0 on pose a 1 = c 0
et b 1 = b 0 . On construit ainsi une suite d’intervalles emboîtés [a k , b k ]. Les suites a k et b k sont adjacentes 1 et convergent
vers xb.
Définition Méthodes de dichotomie et de L AGRANGE
Soit deux points a 0 et b 0 (avec a 0 < b 0 ) d’images par f de signe contraire (i.e. f (a 0 )· f (b 0 ) < 0). En partant de I 0 = [a 0 , b 0 ],
les méthodes de dichotomie et de L AGRANGE produisent une suite de sous-intervalles I k = [a k , b k ], k ∏ 0, avec I k Ω I k°1
pour k ∏ 1 et tels que f (a k ) · f (b k ) < 0.
? Dans la méthode de dichotomie, on découpe l’intervalle [a k ; b k ] en deux intervalles de même longueur, i.e. on divise
[a k ; b k ] en [a k ; c k ] et [c k ; b k ] où c k est
ak + bk
ck = .
2
? Dans la méthode de L AGRANGE, plutôt que de diviser l’intervalle [a k ; b k ] en deux intervalles de même longueur, on
découpe [a k ; b k ] en [a k ; c k ] et [c k ; b k ] où c k est l’abscisse du point d’intersection de la droite passant par (a k , f (a k ))
et (b k , f (b k )) et l’axe des abscisses, autrement dit c k est solution de l’équation
f (b k ) ° f (a k )
(c ° a k ) + f (a k ) = 0
bk ° ak
qui est
bk ° ak a k f (b k ) ° b k f (a k )
ck = ak ° f (a k ) = .
f (b k ) ° f (a k ) f (b k ) ° f (a k )
1. Deux suites (u n )n2N et (v n )n2N sont adjacentes si

? (u n ) est croissante,
? (v n ) est décroissante,
? limn (u n ° v n ) = 0.
Si deux suites sont adjacentes, elles convergent et ont la même limite.
12 © G. Faccanoni
Dimanche 29 septembre 2013 1. Résolution d’équations non linéaires
Dans les deux cas, pour l’itération suivante, on pose soit [a k+1 ; b k+1 ] = [a k ; c k ] soit [a k+1 ; b k+1 ] = [c k ; b k ] de sorte à ce que
f (a k+1 )· f (b k+1 ) < 0. La suite (c k )k2N converge vers xb puisque la longueur de ces intervalles tend vers 0 quand k tend vers
+1.
Soit " l’erreur maximale qu’on peut commettre, les algorithmes s’écrivent alors comme suit :
D ICHOTOMIE : L AGRANGE :
Require: a, b > a, ", f : [a, b] ! R Require: a, b > a, ", f : [a, b] ! R
k √0 k √0
ak √ a ak √ a
bk √ b bk √ b
ak + bk bk ° ak
xk √ xk √ ak ° f (a k )
2 f (b k ) ° f (a k )
while b k ° a k > " or | f (x k )| > " do while b k ° a k > " or | f (x k )| > " do
if f (a k ) f (x k ) < 0 then if f (a k ) f (x k ) < 0 then
a k+1 √ a k a k+1 √ a k
b k+1 √ x k b k+1 √ x k
else else
a k+1 √ x k a k+1 √ x k
b k+1 √ b k b k+1 √ b k
end if end if
a k+1 + b k+1 b k+1 ° a k+1
x k+1 √ x k+1 √ a k+1 ° f (a k+1 )
2 f (b k+1 ) ° f (a k+1 )
k √ k +1 k √ k +1
end while end while
On n’est pas obligé de stoker tous les intervalles et les itérées, on peut gagner de la mémoire en les écrasant à chaque
étape :
D ICHOTOMIE : L AGRANGE :
Require: a, b > a, ", f : [a, b] ! R Require: a, b > a, ", f : [a, b] ! R
a +b b°a
x√ x √a° f (a)
2 f (b) ° f (a)
while b ° a > " or | f (x)| > " do while b ° a > " or | f (x)| > " do
if f (a) f (x) < 0 then if f (a) f (x) < 0 then
b√x b√x
else else
a√x a√x
end if end if
a +b b°a
x√ x √a° f (a)
2 f (b) ° f (a)
end while end while
Remarque
Avec la méthode de la dichotomie, les itérations s’achèvent à la m-ème étape quand |x m ° xb| ∑ |I m | < ", où " est une
tolérance fixée et |I m | désigne la longueur de l’intervalle I m . Clairement I k = b°a
2k
, donc pour avoir une erreur |x m ° xb| < ",
on doit prendre le plus petit m qui vérifie µ ∂
b°a
m ∏ log2 .
"
Notons que cette inégalité est générale : elle ne dépend pas du choix de la fonction f .
Exemple Fond d’investissement

Le client d’une banque dépose au début d’une année v euros dans un fonds d’investissement et en retire, à la fin de la n-ème année,
un capital de M > v euros. Nous voulons calculer le taux d’intérêt annuel moyen T de cet investissement.
Le capital final M est relié aux taux d’intérêt annuel moyen T par la relation
n
X (1 + T )n ° 1 1+T ° ¢
M =v (1 + T )k = v =v (1 + T )n ° 1 .
k=1 (1 + T ) ° 1 T
On en déduit que T est racine de l’équation algébrique non linéaire f (T ) = 0 où

1+T ° ¢
f (T ) = v (1 + T )n ° 1 ° M .
T
© G. Faccanoni 13
Étudions la fonction f :
? f (T ) > 0 pour tout T > 0,
? limT !0+ f (T ) = nv ° M < (n ° 1)v, limT !+1 f (T ) = +1,
° ¢
? f 0 (T ) = v2 1 + (1 + T )n (T n ° 1) > 0 pour tout T > 0 (comparer le graphe de °1/(1 + T )n et de nT ° 1)
T
En étudiant la fonction f on voit que, comme nv < M dès que n > 1, elle admet un unique zéro dans l’intervalle ]0, +1[ (on peut
même prouver qu’elle admet un unique zéro dans l’intervalle ]0, M [).
Supposons que v = 1000 ¤ et qu’après 5 ans M est égal à 6000 ¤. En étudiant la fonction f on voit qu’elle admet un unique zéro
dans l’intervalle ]0.01, 0.1[. Si on applique la méthode de la dichotomie avec " = 10°12 , après 36 itérations la méthode converge vers
0.06140241153618. On conclut ainsi que le taux d’intérêt T est approximativement égal à 6.14%.
Exemple
Soit f (x) = °39 ° 43x + 39x 2 ° 5x 3 . On cherche a estimer x 2 [1; 5] tel que f (x) = 0.
y D ICHOTOMIE
f (5) = 2 f (x) = °39 + (°43 + (39 ° 5x)x)x
f (3) = 1
f (2.5) = 0.3984375
1 2
f (2) = °0.1875 2.5 3 5 x
f (1) = °1
I 0 = [1; 5]
I 1 = [1; 3]
I 2 = [2; 3]
I 3 = [2; 2.5]
y L AGRANGE
f (5) = 2 f (x) = °39 + (°43 + (39 ° 5x)x)x
f (2.3̄) = 0.197530824 1 2.11

f (2.11) = °0.06002 5 x
2.3̄
f (1) = °1
I 0 = [1; 5]
I 1 = [1; 2.3̄]
I 2 = [2.11; 2.3̄]
La méthode de dichotomie est simple mais elle ne garantit pas une réduction monotone de l’erreur d’une itération à
l’autre : tout ce dont on est assuré, c’est que la longueur de l’intervalle de recherche est divisée par deux à chaque étape. Par
conséquent, si le seul critère d’arrêt est le contrôle de la longueur de I k , on risque de rejeter de bonnes approximations de
xb. En fait, cette méthode ne prend pas suffisamment en compte le comportement réel de f . Il est par exemple frappant que
la méthode ne converge pas en une seule itération quand f est linéaire (à moins que le zéro xb ne soit le milieu de l’intervalle
de recherche initial).
1.2.2. Méthode de la sécante

Soit f : R ! R une fonction continue et soit xb 2 [a, b] un zéro de f . Pour calculer x k+1 on prend l’intersection de l’axe des
abscisses avec la droite passant par les points (x k , f (x k )) et (x k°1 , f (x k°1 )), i.e. on cherche x solution du système linéaire
( f (x k )° f (x k°1 )
y= x k °x k°1 (x ° x k ) + f (x k ),
y = 0,
14 © G. Faccanoni
ce qui donne
x k ° x k°1
x = xk ° f (x k ).
f (x k ) ° f (x k°1 )
Définition Méthode de la Sécante

Il s’agit d’une méthode à trois niveaux : approcher les zéros de f se ramène à calculer la limite de la la suite récurrente
8
>
> x 0 donné,
>
<
x 1 donné,
>
>x x k ° x k°1
>
: k+1 = x k ° f (x k ),
f (x k ) ° f (x k°1 )
p
1+ 5
Cette méthode a ordre de convergence 2 .
1.2.3. Méthodes de point fixe

En s’amusant avec une calculatrice de poche ou avec le code python ci-dessous
1 import math
2 x = 1
3 for i in range (1,100):
4 °°°!x = math.cos(x)
5 °°°!print("x[{0}]={1}".format(i,x))
on peut vérifier qu’en partant de la valeur 1 et en appuyant plusieurs fois de suite sur la touche «cosinus», on obtient cette
suite de valeurs :
x 0 = 1,
x 1 = cos(x 0 ) = 0.540302305868,
x 2 = cos(x 1 ) = 0.857553215846,
x 3 = cos(x 2 ) = 0.654289790498,
..
.
x 55 = 0.739085133171,
..
.
x 100 = 0.739085133215
qui tend vers la valeur 0.73908513 . . . . En effet, on a par construction x k+1 = cos(x k ) pour k = 0, 1, . . . (avec x 0 = 1). Si cette
suite converge, sa limite ` satisfait l’équation cos(`) = `. Pour cette raison, ` est appelé point fixe de la fonction cosinus.
Définition Point fixe
Soit ' : R ! R une fonction. Si xb 2 R est tel que '(b
x ) = xb, on dit que xb est un point fixe de ' (l’image de xb par ' est
lui-même).
On peut se demander comment exploiter cette procédure pour calculer les zéros d’une fonction donnée. Remarquons
qu’on peut voir ` comme un point fixe du cosinus, ou encore comme un zéro de la fonction f (x) = x ° cos(x). La méthode
proposée fournit donc un moyen de calculer les zéros de f . Précisons ce principe : soit f : [a, b] ! R la fonction dont on
cherche le zéro. Il est toujours possible de transformer le problème “chercher x tel que f (x) = 0” en un problème équivalent
(i.e. admettant les mêmes solutions) “chercher x tel que x ° '(x) = 0”. Pour que les deux problèmes soient équivalent, la
fonction auxiliaire ' : [a, b] ! R doit être choisie de manière à ce que '(bx ) = xb si et seulement si f (b
x ) = 0. Clairement,
il existe une infinité de manières pour opérer cette transformation. Par exemple, on peut poser '(x) = x ° f (x) ou plus
généralement '(x) = x + ∞ f (x) avec ∞ 2 R§ quelconque. On peut même remplacer ∞ par une fonction de x pour autant
qu’elle ne s’annule pas.
Définition Méthode de point fixe
Supposons que xb 2 R soit un zéro de f ou, de façon équivalente, un point fixe de '. Approcher les zéros de f se ramène
donc au problème de la détermination des points fixes de la fonction ', ce qui se fait en construisant la suite récurrente
(
x 0 donné,
x k+1 = '(x k ).
© G. Faccanoni 15
y y
b b
x1
f
x3
x5
x7
x6
x4
x6
x5
x4 x2
x3
f
x2
x1
'([a; b]) Ω [a; b] '([a; b]) Ω [a; b]

0 ∑ '0 (x) < 1 °1 < '0 (x) ∑ 0
convergence a a convergence
a x0 x1 x2 x 3 x 4x 5
b x a x0 x2 x 4x 6 x 5 x 3
b x
x1
F IGURE 1.1.: Interprétation géométrique du théorème de point fixe
On utilise alors l’algorithme itératif suivant :

Require: x 0 , ", ' : [a, b] ! R
k √0
x 1 √ x 0 + 2"
while |x k+1 ° x k | > " do
x k+1 √ '(x k )
k √ k +1
end while
Naturellement toute méthode de point fixe n’est pas forcement convergente. Par contre, si elle converge, c’est-à-dire si
la suite x k a une limite que nous notons xb, et si ' est continue, alors cette limite est nécessairement un point fixe de '
puisque µ ∂
xb = lim x k+1 = lim '(x k ) = ' lim x k = '(b
x ).
k!1 k!1 k!1
On a le résultat suivant :
Théorème Convergence (globale) des itérations de point fixe
Considérons une fonction ' : [a; b] ! R. On se donne x 0 2 [a; b] et on considère la suite x k+1 = '(x k ) pour k ∏ 0. Si les
deux conditions suivantes sont satisfaites :
1. condition de stabilité : '(x) 2 [a, b] pour tout x 2 [a, b]
2. condition de contraction stricte : il existe K < 1 tel que |'(x) ° '(y)| ∑ K |x ° y| pour tout x, y 2 [a, b]
alors
? ' est continue,
? ' a un et un seul point fixe x b dans [a, b],
? la suite x k+1 = '(x k ) converge vers x
b pour tout choix de x 0 dans [a, b].
Démonstration.
Continuité La condition de contraction stricte implique que ' est continue puisque, si on prend une suite (y k )k2N 2 [a, b]
qui converge vers un élément x de [a, b], alors nous avons |'(x)°'(y n )| ∑ K |x ° y n | et par suite limk!1 '(y k ) = '(x).
Existence Commençons par prouver l’existence d’un point fixe de '. La fonction g (x) = '(x) ° x est continue dans [a, b]
et, grâce à la condition de stabilité, on a g (a) = '(a) ° a ∏ 0 et g (b) = '(b) ° b ∑ 0. En appliquant le théorème des
valeurs intermédiaires, on en déduit que g a au moins un zéro dans [a, b], i.e. ' a au moins un point fixe dans [a, b].
Unicité L’unicité du point fixe découle de la condition de contraction stricte. En effet, si on avait deux points fixes distincts
xb1 et xb2 , alors
x 1 ° xb2 | = |'(b
|b x 1 ) ° '(b
x 2 )| ∑ K |b
x 1 ° xb2 | < |b
x 1 ° xb2 |
ce qui est impossible.
Convergence Prouvons à présent que la suite x k converge vers l’unique point fixe xb quand k tend vers +1 pour toute
donnée initiale x 0 2 [a; b]. On a
0 ∑ |x k+1 ° xb| = |'(x k ) ° '(b
x )| ∑ K |x k ° xb|
où K < 1 est la constante de contraction. En itérant k + 1 fois cette relation on obtient
|x k+1 ° xb| ∑ K k+1 |x 0 ° xb|,
16 © G. Faccanoni
i.e., pour tout k ∏ 0

|x k+1 ° xb|
∑ K k+1 .
|x 0 ° xb|
En passant à la limite quand k tend vers +1 on obtient |x k+1 ° xb| tend vers zéro.
Attention
Si ' : [a; b] ! [a; b] est de classe C 1 ([a, b]) et si |'0 (x)| < 1 pour tout x 2 [a, b], alors la condition de contraction stricte est
satisfaite (et donc le théorème de convergence globale des itérations de point fixe). De plus, on a
x k+1 ° xb
lim = '0 (b
x ).
k!1 x k ° xb
Ce théorème assure la convergence, avec un ordre 1, de la suite (x k )k2N vers le point fixe xb pour tout choix d’une valeur
initiale x 0 2 [a; b]. Il constitue donc un exemple de résultat de convergence globale. Mais en pratique, il est souvent difficile
de déterminer à priori l’intervalle [a; b] ; dans ce cas, le résultat de convergence locale suivant peut être utile.
Théorème d’O STROWSKI ou de convergence (locale) des itérations de point fixe
Soit xb un point fixe d’une fonction ' continue et différentiable dans un intervalle [a; b] contenant xb. Si |'0 (b x )| < 1, alors
il existe un intervalle [c; d ] Ω [a; b] tel que la suite (x k )k2N converge vers xb pour tout x 0 2 [c; d ]. De plus,
? si 0 < '0 (b
x ) < 1 la suite converge de façon monotone, c’est-à-dire, l’erreur x k ° xb garde un signe constant quand k varie ;
? si °1 < '0 (bx ) < 0 la suite converge de façon oscillante, c’est-à-dire, l’erreur x k ° xb change de signe quand k varie.
Ce théorème dit que, de manière générale, la méthode de point fixe ne converge pas pour des valeurs arbitraires de
x 0 , mais seulement pour des valeurs suffisamment proches de xb, c’est-à-dire appartenant à un certain voisinage de xb. Au
premier abord, cette condition semble inutilisable : elle signifie en effet que pour calculer xb (qui est inconnu), on devrait
partir d’une valeur assez proche de xb ! En pratique, on peut obtenir une valeur initiale x 0 en effectuant quelques itérations
de la méthode de dichotomie ou en examinant le graphe de f . Si x 0 est convenablement choisi alors la méthode de point
fixe converge.
Remarque
Soit xb un point fixe d’une fonction ' continue et différentiable dans un intervalle [a; b] contenant xb et soit x k+1 = '(x k )
la suite de point fixe associée. Alors,
? si |'0 (b x )| > 1 la suite diverge ; plus précisément, si '0 (b x ) > 1 la suite diverge de façon monotone, tandis que pour
0
' (b x ) < °1 elle diverge en oscillant ;
? si |'0 (b x )| = 1, on ne peut en général tirer aucune conclusion : selon le problème considéré, il peut y avoir convergence
ou divergence.
Par exemple,
3
? soit ¡(x) = x ° x qui admet x b = 0 comme point fixe. On a ¡0 (b x ) = 1 et x k ! xb pour tout x 0 2 [°1; 1] car
? si x 0 = ±1 alors x k = x b pour tout k ∏ 1,
? si x 0 2] ° 1, 1[ alors x k 2] ° 1, 1[ pour tout k ∏ 1 et la suite est monotone ;
3
? considérons maintenant ¡(x) = x + x qui admet aussi x b = 0 comme point fixe. À nouveau ¡0 (b x ) = 1 mais dans ce cas
la suite diverge pour tout choix de x 0 6= 0.
Exemple
La fonction '(x) = cos(x) vérifie toutes les hypothèses du théorème d’O STROWSKI. En effet, |'0 (xb)| = | sin(xb)| ' 0.67 < 1, donc il existe
par continuité un intervalle [c, d ] qui contient xb tel que |'0 (xb)| < 1 pour x 2 [c, d ]. La fonction '(x) = x 2 ° 1 possède deux points fixes
p p p
xb1 = (1 + 5)/2 et xb2 = (1 ° 5)/2 mais ne vérifie l’hypothèse pour aucun d’eux puisque |'(xb1,2 )| = |(1 ± 5)/2| > 1. Les itérations de
point fixe ne convergent d’ailleurs pas.
Proposition Calcul de l’ordre de convergence d’une méthode de point fixe

Soit xb un point fixe d’une fonction ' 2 C p+1 pour un entier p ∏ 1 dans un intervalle [a; b] contenant xb. Si '(i ) (bx ) = 0 pour
1 ∑ i ∑ p et '(p+1) (b
x ) 6= 0, alors la méthode de point fixe associée à la fonction d’itération ' est d’ordre p + 1 et
x k+1 ° xb '(p+1) (b
x)
lim = .
b)p+1
k!+1 (x k ° x (p + 1)!
© G. Faccanoni 17
Démonstration. Écrivons le développement de TAYLOR avec le reste de L AGRANGE de ' en x = xb :

p
X '(i ) (b
x) '(p+1) (ª)
x) +
'(x) = '(b (x ° xb)i + (x ° xb)p+1
i =1 i! (p + 1)!
x ) = xb et '(i ) (b
où ª est entre x et xb. Comme '(b x ) = 0 pour 1 ∑ i ∑ p, cela se simplifie et on a
'(p+1) (ª)
'(x) = xb + (x ° xb)p+1 .
(p + 1)!
En évaluant l’expression ainsi trouvée en x k et sachant que '(x k ) = x k+1 , on a alors
'(p+1) (ª)
x k+1 ° xb = (x k ° xb)p+1 .
(p + 1)!
Lorsque k ! +1, x k tend vers xb et donc ª, qui se trouve entre x k et xb, tend vers xb aussi. Alors
x k+1 ° xb '(p+1) (ª) '(p+1) (b

x)
lim p+1
= lim = .
k!+1 (x k ° x
b) k!+1 (p + 1)! (p + 1)!
'(p+1) (b
x)
Pour un ordre p fixé, la convergence de la suite vers xb est d’autant plus rapide que (p+1)! est petit.
Méthodes de point fixe particulièrement connues

Soit f : [a, b] ! R une fonction continue (continûment dérivable pour la méthode de la corde 2 et la méthode de N EW-
TON ) et soit x
b un zéro de f . Supposons que l’on connaisse une valeur x 0 proche de xb. Approcher les zéros de f se ramène
au problème de la détermination des points fixes de la fonction ', ce qui se fait en construisant la suite récurrente
(
x 0 donné,
x k+1 = '(x k ).
Pour choisir la fonction ' il est nécessaire de prendre en compte les informations données par les valeurs de f et, éven-
tuellement, par sa dérivée f 0 (si f est différentiable) ou par une approximation convenable de celle-ci. Écrivons pour cela
le développement de TAYLOR de f en xb au premier ordre. On obtient alors la version linéarisée du problème “chercher xb
tel que f (b
x ) = 0” :
f (b x ° x) f 0 (ª)
x ) = 0 = f (x) + (b
où ª est entre xb et x. Cette équation conduit à la méthode itérative suivante :
“pour tout k ∏ 0, étant donné x k , déterminer x k+1 en résolvant l’équation f (x k )+(x k+1 ° x k )q k = 0, où q k est
une approximation de f 0 (x k ).”
La méthode qu’on vient de décrire revient à chercher l’intersection entre l’axe des x et la droite de pente q k passant par
le point (x k , f (x k )), ce qui s’écrit sous la forme d’une méthode de point fixe :
f (x k )
x k+1 = '(x k ) ¥ x k ° , k ∏ 0.
qk
Considérons maintenant quatre choix particuliers de q k et donc de ' qui définissent des méthodes célèbres :
b°a
Méthode de la Corde 1 : '(x k ) = x k ° f (x k )
f (b) ° f (a)
f (x k )
Méthode de la Corde 2 : '(x k ) = x k ° 0
f (x 0 )
f (x k )
Méthode de N EWTON : '(x k ) = x k ° 0
f (x k )
Proposition
Si la méthode de la corde converge, elle converge à l’ordre 1 ; si la méthode de N EWTON converge, elle converge à l’ordre
2 si la racine est simple, à l’ordre 1 sinon.
18 © G. Faccanoni
Démonstration.
f (b)° f (a)
Méthodes de la Corde qk = (méthode 1) ou q k = f 0 (x 0 ) (méthode 2). Si f 0 (b
b°a x ) = 0 alors '0 (b
x ) = 1 et on ne peut pas
0
assurer la convergence de la méthode. Autrement, la condition |' (b x )| < 1 revient à demander que 0 < f 0 (b x )/q k < 2.
Ainsi la pente de la corde doit avoir le même signe que f 0 (bx ) et, pour la méthode 1, l’intervalle de recherche [a; b] doit
être tel quel
f (b) ° f (a)
b°a <2 .
f 0 (b
x)
La méthode de la corde converge en une itération si f est affine, autrement elle converge linéairement, sauf dans le
f (b)° f (a)
cas (exceptionnel) où f 0 (b
x ) = b°a (méthode 1) ou f 0 (bx ) = f 0 (x 0 ) (méthode 2), i.e. '0 (b
x ) = 0 (la convergence est
alors au moins quadratique).
Méthode de Newton Soit la méthode de N EWTON pour le calcul de xb zéro de f . Cette méthode peut être mise sous la
forme d’une itération de point fixe u n+1 = '(u n ) en posant
f (x)
'(x) = x ° .
f 0 (x)
? Si f (b
x ) 6= 0 (i.e. si xb est racine simple), on trouve
( f 0 (x))2 ° f (x) f 00 (x) f (x) f 00 (x)

'0 (x) = 1 ° = , '0 (b
x ) = 0,
( f 0 (x))2 ( f 0 (x))2
f 00 (x) f (x) f 000 (x) f (x)( f 00 (x))2 f 00 (b
x)
'00 (x) = + ° 2 , '00 (b
x) = .
f 0 (x) ( f 0 (x))2 ( f 0 (x))3 f 0 (bx)
La méthode de N EWTON est donc d’ordre 2.

? Si la racine xb est de multiplicité m > 1, alors la méthode n’est plus du second ordre. En effet, f (x) = (x ° xb)m h(x)
où h est une fonction telle que h(b x ) 6= 0. On a alors
f (x) (x ° xb)h(x)
'(x) = 1 ° 0
= 1° ,
f (x) mh(x) + (x ° xb)h 0 (x)
° ¢
0 h(x) m(m ° 1)h(x) + 2(x ° xb)h 0 (x) + (x ° xb)2 h 00 (x) 1
' (x) = ° ¢2 , '0 (b
x) = 1 ° .
mh(x) + (x ° xb)h 0 (x) m
Si la valeur de m est connue a priori, on peut retrouver la convergence quadratique en modifiant la méthode de
N EWTON comme suit :
f (x)
'(x) = x ° m 0 .
f (x)
Attention
À noter que même si la méthode de N EWTON permet en général d’obtenir une convergence quadratique, un mauvais
choix de la valeur initiale peut provoquer la divergence de cette méthode (notamment si la courbe représentative de f
présente au point d’abscisse x 0 un tangente à peu près horizontale). D’où l’importance d’une étude préalable soignée de
la fonction f (cette étude est d’ailleurs nécessaire pour toute méthode de point fixe).
Remarque Interprétation géométrique de la méthode de N EWTON et des méthodes de la corde

Soit f : R ! R une fonction continûment dérivable et soit xb un zéro simple de f , c’est-à-dire f (b x ) = 0 et f 0 (b
x ) 6= 0. Suppo-
sons que l’on connaisse une valeur x k proche de xb. Pour calculer x k+1 on prend l’intersection de l’axe des abscisses avec
la droite tangente au graphe de f passant par le point (x k , f (x k )), i.e. on cherche x solution du système linéaire
(
y = f 0 (x k )(x ° x k ) + f (x k ),
y = 0.
On obtient
f (x k )
x = xk °
f 0 (x k )
ce qui correspond à la méthode de N EWTON.
© G. Faccanoni 19
y
f
y = f 0 (x 1 )(x ° x 1 ) + f (x 1 )
xb
x2 x1 x0 x
y = f 0 (x 0 )(x ° x 0 ) + f (x 0 )
Soit f : R ! R une fonction continue et soit xb 2 [a, b] un zéro de f . Cette fois-ci, pour calculer x k+1 on prend l’intersection
de l’axe des abscisses avec la droite passant par le point (x k , f (x k )) et parallèle à la droite passant par les points (a, f (a))
et (b, f (b)), i.e. on cherche x solution du système linéaire
( f (b)° f (a)
y= b°a (x ° x k ) + f (x k ),
y = 0,
ce qui donne
b°a
x = xk ° f (x k ).
f (b) ° f (a)
Il s’agit de la méthode de la corde 1. Cette méthode permet d’éviter qu’à chaque itération on ait à évaluer f 0 (x k ) car on
f (b)° f (a)
remplace f 0 (x k ) par b°a . Une variante de la méthode de la corde consiste à calculer x k+1 comme l’intersection entre
l’axe des abscisses et la droite passant par le point (x k , f (x k )) et parallèle à la droite tangente au graphe de f passant par
le point (x 0 , f (x 0 )), i.e. on cherche x solution du système linéaire
(
y = f 0 (x 0 )(x ° x k ) + f (x k ),
y = 0,
ce qui donne
f (x k )
x = xk °
f 0 (x 0 )
Dans cette variante on remplace f 0 (x k ) par f 0 (x 0 ).
y
y f
f
y = f 0 (x 0 )(x ° x 0 ) + f (x 0 )
f (b)° f (a)
y = b°a (x ° x 0 ) + f (x 0 )
f (b)° f (a)
y = b°a (x ° x 1 ) + f (x 1 )
xb
a x1 x2 b x1
x2 x0 x
xb x0 x y = f 0 (x 0 )(x ° x 1 ) + f (x 1 )
Exemple
On se trouve en possession d’une calculatrice qui ne sait effectuer que les opérations addition, soustraction et multiplication. Lorsque
a > 0 est donné, on veut calculer sa valeur réciproque 1/a. Le problème peut être ramené à résoudre l’équation x = 1/a ce qui équivaut
à chercher le zéro de la fonction
f : R+
§ !R
1
x 7! ° a
x
Selon la formule de N EWTON on a
x k+1 = (1 + a)x k + x k2 ,
20 © G. Faccanoni
une récurrence qui ne requiert pas de divisions. Pour a = 7 et partant de x 0 = 0.2 par exemple, on trouve x 1 = 0,12, x 2 = 0,139 2,x 3 =
0,142 763 520 0, x 4 = 0,142 857 081 5, etc. Cette suite converge vers 1/7 ' 0,142 857 142 857.
Exemple Comparaison des méthodes de N EWTON pour différentes formulation de la fonction initiale
Dans R§
+ on veut résoudre l’équation
x = e 1/x . (1.1)
En transformant l’équation donnée de différentes manières, on arrive à différentes formules de récurrence :
1. L’équation (1.1) équivaut à chercher le zéro de la fonction
f : R§
+ !R
x 7! x ° e 1/x
En utilisant la méthode de N EWTON on trouve la formule itérative
f (x ) x ° e 1/xk x ° e 1/xk
x k+1 = x k ° 0 k = x k ° k 1/x = x k ° x k2 k2 .
f (x k ) 1+ e
k x + e 1/xk k
x k2
2. Si on pose y = 1/x, alors on a l’équivalence

x = e 1/x () y = e °y ,
donc la solution x de l’équation (1.1) est la réciproque du zéro de la fonction
g : R§
+ !R
y 7! 1 ° ye y

g (y ) 1 ° yk e yk e °y k ° y k
y k+1 = y k ° 0 k = y k ° = yk +
g (y k ) °(1 + y k )e y k 1 + yk
et x k = 1/y k .
3. L’équation (1.1) est encore équivalente à chercher le zéro de la fonction
h : R§
+ !R
x 7! 1 ° x ln(x)

h(x ) 1 ° x k ln(x k ) 1 + xk
x k+1 = x k ° 0 k = x k + = .
h (x k ) 1 + ln(x k ) 1 + ln(x k )
La représentation graphique de f montre qu’il n’existe qu’une seule racine. Comme f (1.7) f (1.9) < 0, elle se trouve dans l’intervalle
[1.7; 1.9]. En partant de x 0 = 1.8 on trouve les suites suivantes :
Formule 1 Formule 2 Formule 3

x1 = 1,762 878 141 2 1.7418849724 1.7634610883
x2 = 1.7632228030 1.7751466845 1.7632228446
x3 = 1.7632228344 1.7564077294 1.7632228344
La solution est x ' 1,763 222 834 35.
Critères d’arrêt
Supposons que (x n )n2N soit une suite qui converge vers xb zéro de la fonction f . Nous avons le choix entre deux types de
critères d’arrêt pour interrompre le processus itératif d’approximation de xb : ceux basés sur le résidu et ceux basés sur
l’incrément. Nous désignerons par " une tolérance fixée pour le calcul approché de xb et par e n = xb ° x n l’erreur absolue.
Nous supposerons de plus f continûment différentiable dans un voisinage de la racine.
Contrôle du résidu : les itérations s’achèvent dès que | f (x n )| < ". Il y a des situations pour lesquelles ce test
s’avère trop restrictif ou, au contraire, trop optimiste.
? si | f 0 (b
x )| ' 1 alors |e n | ' " : le test donne donc une indication satisfaisante de l’erreur ;
? si | f 0 (b
x )| ø 1, le test n’est pas bien adapté car |e n | peut être assez grand par rapport à " (voir la figure 1.2 à droite) ;
? si enfin | f 0 (b x )| ¿ 1 alors |e n | ø " et le test est trop restrictif (voir la figure 1.2 à gauche).
Contrôle de l’incrément : les itérations s’achèvent dès que |x n+1 ° x n | < ". Soit (x n )n2N la suite produite par la
méthode de point fixe x n+1 = '(x n ). Comme xb = '(b
x ) et x n+1 = '(x n ), si on développe au premier ordre on sait
qu’il existe ªn 2 I xb,xn tel que
x ) ° '(x n ) = '0 (ªn )(b

e n+1 = xb ° x n+1 = '(b x ° x n ) = '0 (ªn )e n
© G. Faccanoni 21
y y
f (x k )
f
xk xk f (x k )
xb xb
ek x ek x
F IGURE 1.2.: Deux situations pour lesquelles le résidu e k = x k ° xb est un mauvais estimateur d’erreur : | f 0 (x)| ¿ 1 (à gauche),
| f 0 (x)| ø 1 (à droite), pour x dans un voisinage de xb.
où I xb,xn est l’intervalle d’extrémités xb et x k . En utilisant l’identité
x ° x n+1 ) + (x n+1 ° x n ) = e n+1 + (x n+1 ° x n ) = '0 (ªn )e n + (x n+1 ° x n ),

e n = (b
on en déduit que
x n+1 ° x n
en = .
1 ° '0 (ªn )
Par conséquent, ce critère fournit un estimateur d’erreur satisfaisant si '0 (x) ' 0 dans un voisinage de xb. C’est le
cas notamment des méthodes d’ordre 2, dont la méthode de N EWTON. Cette estimation devient d’autant moins
bonne que '0 s’approche de 1.
Notons d’ailleurs que si la méthode de point fixe converge avec K < 1 et si on considère le critère d’arrêt |x n+1 °
x n | < " alors
"
|e n | = |x n ° xb| ∑ ∑ 2".
1°K
En effet, il suffit de considérer les inégalités suivantes :
|e n+1 | = |x n+1 ° xb| = |'(x n ) ° '(b

x )| ∑ K |x n ° xb| = K |e n |,
|e n+1 | = |x n+1 ° xb| = |x n+1 ° x n + x n ° xb| ∏ |x n ° xb| ° |x n+1 ° x n | = |e n | ° |x n+1 ° x n | > |e n | ° "
22 © G. Faccanoni
TTTTTTTTTTTTT Codes Python TTTTTTTTTTTT

dichotomie, lagrange, newton et point_fix sont quatre fonctions (informatiques) qui renvoient la valeur approchée
du zéro d’une fonction (mathématique) f . En paramètre elles reçoivent f, la fonction dont on cherche la racine, a et b sont
les extrémités de l’intervalle de recherche pour les méthodes de dichotomie et de L AGRANGE, x_init est la donnée initiale
pour les méthodes de N EWTON et de point fixe, maxITER est le nombre maximal d’itérations et tol est la tolérance.
Méthodes numériques.
1 #!/usr/bin/python
2 #-*- coding: Utf-8 -*-
3
4 import math, sys

5
6 def dichotomie(f,a,b,tol,maxITER):
7 °°°!fa = f(a)
8 °°°!if abs(fa)<=tol:
9 °°°!°°°!return a
10 °°°!fb = f(b)
11 °°°!if abs(fb)<=tol:
12 °°°!°°°!return b
13 °°°!if fa*fb > 0.0:
14 °°°!°°°!print "La racine n’est pas encadree"
15 °°°!°°°!sys.exit(0)
16 °°°!n = int(math.ceil(math.log(abs(b-a)/tol)/math.log(2.0)))
17 °°°!for k in range(min(n+1,maxITER)):
18 °°°!°°°!c = (a+b)*0.5
19 °°°!°°°!fc = f(c)
20 °°°!°°°!if fc == 0.0:
21 °°°!°°°!°°°!return c
22 °°°!°°°!if fc*fb < 0.0:
23 °°°!°°°!°°°!a = c
24 °°°!°°°!°°°!fa = fc
25 °°°!°°°!else:
26 °°°!°°°!°°°!b = c
27 °°°!°°°!°°°!fb = fc
28 °°°!return (a+b)*0.5
29
30 def lagrange(f,a,b,tol,maxITER):
31 °°°!fa = f(a)
33 °°°!°°°!return a
34 °°°!fb = f(b)
36 °°°!°°°!return b
37 °°°!if fa*fb > 0.0:
39 °°°!°°°!sys.exit(0)
40 °°°!k = 0
41 °°°!while ( ((abs(b-a)>tol) or (abs(fc)>tol)) and (k<maxITER) ):
42 °°°!°°°!k += 1
43 °°°!°°°!c = a-fa*(b-a)/(fb-fa)
44 °°°!°°°!fc = f(c)
45 °°°!°°°!if fc == 0.0:
46 °°°!°°°!°°°!return c
47 °°°!°°°!if fc*fb < 0.0:
48 °°°!°°°!°°°!a = c
49 °°°!°°°!°°°!fa = fc
50 °°°!°°°!else:
51 °°°!°°°!°°°!b = c
52 °°°!°°°!°°°!fb = fc
53 °°°!return a-fa*(b-a)/(fb-fa)
54
55 def newton(f,x_init,tol,maxITER):
56 °°°!k = 0
57 °°°!x = x_init
58 °°°!fx = f(x)
© G. Faccanoni 23
59 °°°!h = tol
60 °°°!dfx = (f(x+h)-fx)/h # calcul approche de f’(x)
61 °°°!while ( (abs(fx)>tol) and (k<maxITER) ):
62 °°°!°°°!x = x - fx/dfx
63 °°°!°°°!fx = f(x)
64 °°°!°°°!dfx = (f(x+h)-fx)/h
65 °°°!°°°!k += 1
66 °°°!if k==maxITER:
67 °°°!°°°!print "Pas de convergence"
68 °°°!else:
69 °°°!°°°!return x
70
71 def point_fix(f,x_init,tol,maxITER):
72 °°°!k = 0
73 °°°!x = x_init
74 °°°!while ( (abs(phi(x)-x)>tol) and (k<maxITER) ):
75 °°°!°°°!x = phi(x)
76 °°°!°°°!k += 1
77 °°°!if k==maxITER:
78 °°°!°°°!print "Pas de convergence"
79 °°°!else:
80 °°°!°°°!return x
Exemple d’utilisation
81 # CHOIX DU CAS TEST
82 exemple = 2
83
84 # DEFINITION DU CAS TEST

85 if exemple==1 :
86 °°°!tol = 1.0e-9
87 °°°!maxITER = 100
88 °°°!def f(x):
89 °°°!°°°!return (x+1)*(x-2)
90 °°°!def phi(x):
91 °°°!°°°!return x**2-2
92 elif exemple==2 :
93 °°°!tol = 1.0e-9
94 °°°!maxITER = 100
95 °°°!def f(x):
96 °°°!°°°!return x**2-2
97 °°°!def phi(x):
98 °°°!°°°!return x**2+x-2
99 else:
100 °°°!print "Cas test non defini"
101 °°°!sys.exit(0)
102
103
104 # CALCUL
105 a = -3.
106 b = 0.
107 print "A) Zero calcule par la methode de dichotomie dans l’intervalle [", a, ",", b,"] : ", dichotomie(f,a
Â,b,tol,maxITER)
108 print "B) Zero calcule par la methode de Lagrange dans l’intervalle [", a, ",", b,"] : ", lagrange(f,a,b,
Âtol,maxITER)
109 a = 0.
110 b = 3.
111 print "C) Zero calcule par la methode de dichotomie dans l’intervalle [", a, ",", b,"] : ", dichotomie(f,a
Â,b,tol,maxITER)
112 print "D) Zero calcule par la methode de Lagrange dans l’intervalle [", a, ",", b,"] : ", lagrange(f,a,b,
Âtol,maxITER)
113
114
115 x_init = 0.
24 © G. Faccanoni
116 print "E) Zero calcule par la methode de \textsc{Newton} a partir du point x_0 =",x_init," : ", newton(f,
Âx_init,tol,maxITER)
117 print "F) Zero calcule par la methode de point fix a partir du point x_0 =",x_init," : ", point_fix(phi,
118
119 x_init = 1.
120 print "G) Zero calcule par la methode de \textsc{Newton} a partir du point x_0 =",x_init," : ", newton(f,
121 print "H) Zero calcule par la methode de point fix a partir du point x_0 =",x_init," : ", point_fix(phi,
122
123
124 # Dans python il existe un module qui implement deja ces methodes, comparons nos resultats avec ceux du
Âmodule:
125 from scipy.optimize import fsolve
126 x_init = 0.
127 print "** Zero calcule par le module scipy.optimize a partir du point x_0 =",x_init," : ", fsolve(f,x_init
Â)
128 x_init = 1.
129 print "** Zero calcule par le module scipy.optimize a partir du point x_0 =",x_init," : ", fsolve(f,x_init
Â)
© G. Faccanoni 25
.............. Exercices .............

Exercice 1.1
Décrire les méthodes de la dichotomie et de L AGRANGE et les utiliser pour calculer le zéro de la fonction
f (x) = x 3 ° 4x ° 8.95
dans l’intervalle [2; 3] avec une précision de 10°2 .
C ORRECTION DE L’ EXERCICE 1.1. En partant de I 0 = [a, b], les méthodes de la dichotomie et de L AGRANGE produisent
une suite de sous-intervalles I k = [a k , b k ], k ∏ 0, avec I k Ω I k°1 , k ∏ 1, et tels que f (a k ) f (b k ) < 0. Dans notre cas on
a
k √0
ak √ 2
bk √ 3
while |b k ° a k | > 0.01 do
x k √ g (a k , b k )
k √ k +1
if (a k3 ° 4a k ° 8.95)(x k3 ° 4x k ° 8.95) < 0 then
a k+1 √ a k
b k+1 √ x k
else
a k+1 √ x k
b k+1 √ b k
end if
end while
avec ( a +b
k k
pour la méthode de la dichotomie,
g (a k , b k ) = ak 2f (bk )°bk f (ak )
f (b )° f (a ) pour la méthode de la L AGRANGE.
k k
Dichotomie
k ak xk bk signe de f (a k ) signe de f (x k ) signe de f (b k )
0 2.000000 2.5000000 3.00000 – – +
1 2.500000 2.7500000 3.00000 – + +
2 2.500000 2.6250000 2.75000 – – +
3 2.625000 2.6875000 2.75000 – – +
4 2.687500 2.7187500 2.75000 – + +
5 2.687500 2.7031250 2.71875 – – +
6 2.703125 2.7109375 2.71875 – + +
L AGRANGE
k ak xk bk signe de f (a k ) signe de f (x k ) signe de f (b k )
0 2.000000 2.596666667 3.00000 – – +
1 2.596666667 2.690262642 3.00000 – – +
2 2.690262642 2.702092263 3.00000 – – +
3 2.702092263 2.703541518 3.00000 – – +
4 2.703541518 2.703718378 3.00000 – – +
5 2.703718378 2.703739951 3.00000 – – +
6 2.703739951 2.703742582 3.00000 – – +
Exercice 1.2
Déterminer la suite des premiers 3 itérés des méthodes de dichotomie dans l’intervalle [1, 3] et de N EWTON avec x 0 = 2
pour l’approximation du zéro de la fonction f (x) = x 2 ° 2. Combien de pas de dichotomie doit-on effectuer pour amé-
liorer d’un ordre de grandeur la précision de l’approximation de la racine ?
26 © G. Faccanoni
y
7 f (x) y
f (x)
1 5
4 1 4
7
° 16
3
2
2 3 x 17
12
°1 3
2
2 x
I0
I1
I2
I3
I4
(a) Méthode de la dichotomie. (b) Méthode de N EWTON.
F IGURE 1.3.: Approximation du zéro de la fonction f (x) = x 2 ° 2.
C ORRECTION DE L’ EXERCICE 1.2. On cherche les zéros de la fonction f (x) = x 2 ° 2 :

? Méthode de la dichotomie : en partant de I 0 = [a, b], la méthode de la dichotomie produit une suite de sous-intervalles
I k = [a k , b k ] avec I k+1 Ω I k et tels que f (a k ) f (b k ) < 0. Plus précisément
a 0 +b 0
? on pose a 0 = a, b 0 = b, x 0 =
2 ,
? pour k ∏ 0
? si f (a k ) f (x k ) < 0 on pose a k+1 = a k , b k+1 = x k sinon on pose a k+1 = x k , b k+1 = b k
a k+1 +b k+1
? et on pose x k+1 = .
2
Voir la figure 1.3a.
? Méthode de N EWTON :
f (x k ) x2 ° 2 1 1
x k+1 = x k ° 0 = xk ° k = xk + .
f (x k ) 2x k 2 xk
Voir la figure 1.3b.
Donc on a le tableau suivant
x0 x1 x2 x3
3 5 11
Dichotomie 2 2 = 1,5 4 = 1,25 8 = 1,375
3 17 17
Newton 2 2 = 1,5 12 = 1,416̄ 24 + 12
17 ' 1,4142156
On rappelle qu’avec la méthode de la dichotomie, les itération s’achèvent à la m-ème étape quand |x m ° xb| ∑ |I m | < ", où
" est une tolérance fixée et |I m | désigne la longueur de l’intervalle I m . Clairement I k = b°a
2k
, donc pour avoir |x m ° xb| < " on
doit prendre µ ∂
b°a
m ∏ log2 .
"
Améliorer d’un ordre de grandeur la précision de l’approximation de la racine signifie avoir
|x j ° xb|
|x k ° xb| =
10
donc on doit effectuer k ° j = log2 (10) ' 3,3 itérations de dichotomie.
Exercice 1.3
1. Donner la suite définissant la méthode de N EWTON pour la recherche d’un zéro de fonction. Justifier l’expression
de la suite.
© G. Faccanoni 27
2. Écrire l’algorithme pour une convergence à 10°6 près.

3. Déterminer l’ordre de convergence minimale de cette suite.
C ORRECTION DE L’ EXERCICE 1.3.

1. Supposons f 2 C 1 et f 0 (b
x ) 6= 0 (c’est-à-dire xb est une racine simple de f ). La méthode de N EWTON revient à calculer
le zéro de f en remplaçant localement f par sa tangente : en partant de l’équation de la tangente à la courbe (x, f (x))
au point x k
y(x) = f (x k ) + f 0 (x k )(x ° x k )
et en faisant comme si x k+1 vérifiait y(x k+1 ) = 0, on obtient
f (x k )
x k+1 = x k ° .
f 0 (x k )
Étant donné une valeur initiale x (0) , cette formule permet de construire une suite x k .
2. Algorithme pour une convergence à " = 10°6 :
Require: x 0 , x 7! f (x)
while |x k+1 ° x k | > 10°6 do
f (x )
x k+1 √ x k ° f 0 (xk )
k
end while
3. La relation précédent peut être mise sous la forme d’une itération de point fixe x k+1 = g (x k ) avec
f (x)
g (x) = x ° .
f 0 (x)
f 00 (b
x)
Si xb est racine simple, c’est-à-dire si f 0 (b
x ) 6= 0, on trouve g 0 (b
x ) = 0 et g 00 (b
x) = f 0 (bx)
: la méthode de N EWTON est donc
0 1
d’ordre 2. Si la racine xb est de multiplicité m > 1, alors g (b
x ) = 1 ° et la méthode n’est que d’ordre 1. Si la valeur
m
de m est connue à priori, on peut retrouver la convergence quadratique de la méthode de N EWTON en modifiant la
méthode comme suit :
f (x k )
x k+1 = x k ° m 0 .
f (x k )
Exercice 1.4
On veut calculer le zéro de la fonction
f (x) = x 2 ° 2
dans l’intervalle [0; 2].
1. On applique la méthode de L AGRANGE : écrire l’algorithme et l’utiliser pour remplir le tableau (on s’arrêtera au
plus petit k qui vérifie | f (x k )| < 10°4 ).
p
k ak xk bk signe de f (a k ) f (x k ) signe de f (b k ) |x k ° 2|
0 0.00000 1.00000 2.00000 – -1.00000 + 0.41421
1
..
.
2. On applique la méthode de N EWTON : écrire l’algorithme et l’utiliser pour remplir le tableau (on s’arrêtera au plus
petit k qui vérifie | f (x k )| < 10°4 ). Le point de départ x 0 est donné.
p
k xk f (x k ) |x k ° 2|
0 1.00000
1
..
.

1. En partant de I 0 = [a, b], la méthode de L AGRANGE produit une suite de sous-intervalles I k = [a k , b k ], k ∏ 0, avec
I k Ω I k°1 , k ∏ 1, et tels que f (a k ) f (b k ) < 0. Dans notre cas on a
k √0
ak √ 0
bk √ 2
xk √ ak
while |x k2 ° 2| > 0.0001 do
28 © G. Faccanoni
a k b k +2
xk √ a k +b k
if (a k2 ° 2)(x k2 ° 2) < 0 then
a k+1 √ a k
b k+1 √ x k
else
a k+1 √ x k
b k+1 √ b k
end if
k √ k +1
end while p
k ak xk bk signe de f (a k ) | f (x k )| signe de f (b k ) |x k ° 2|
0 0.00000 1.00000 2.00000 – |-1.00000|>0.0001 + 0.41421
1 1.00000 1.33333 2.00000 – |-0.22222|>0.0001 + 0.08088
2 1.33333 1.40000 2.00000 – |-0.04000|>0.0001 + 0.01421
3 1.40000 1.41176 2.00000 – |-0.00692|>0.0001 + 0.00245
4 1.41176 1.41379 2.00000 – |-0.00119|>0.0001 + 0.00042
5 1.41379 1.41414 2.00000 – |-0.00020|>0.0001 + 0.00007
6 1.41414 1.41420 2.00000 – |-0.00004|<0.0001 + 0.00001
f (x)
2. La méthode de N EWTON est une méthode de point fixe avec fonction d’itération ¡(x) = x ° f 0 (x)
ce qui donne l’algo-
rithme suivant :
k √0
x k √ 1.00000
while |x k2 ° 2| > 10°4 do
x
x k+1 √ 2k + x1
k
k √ k +1
end while
p
k xk | f (x k )| |x k ° 2|
0 1.00000 |-1.00000|>0.0001 0.41421
1 1.50000 |0.25000|>0.0001 0.08579
2 1.41667 |0.00695|>0.0001 0.00246
3 1.41422 |0.00002|<0.0001 0.00001
Exercice 1.5
Pour calculer les racines de la fonction f (x) = x 3 ° x 2 + 8x ° 8 on utilise 4 méthodes de point fixe différentes décrites par
les fonctions d’itération suivantes :
8 ° x3 1 3 1 2 1 4 2x 3 ° x 2 + 8
'1 (x) = °x 3 + x 2 ° 7x + 8, '2 (x) = , '3 (x) = ° x + x + x+ , '4 (x) = .
8°x 10 10 5 5 3x 2 ° 2x + 8
Dans le tableau suivant sont reportées les suites des itérées obtenues par ces quatre méthodes.
Méthode A Méthode B Méthode C Méthode D

x0 0.5000000000000000 0.500000000000000 0.5000000000000000 0.5000000000000000
x1 0.9125000000000001 1.032258064516129 4.625000000000000 1.050000000000000
x2 0.9897857421875000 1.000235245684712 °101.9160156250000 0.9845143884892086
x3 0.9989578145726552 1.000000012299503 1.069697123778202 £ 106 1.004312677086027
x4 0.9998955643403695 1.000000000000000 °1.224001861234915 £ 1018 0.9987590594698483
x5 0.9999895542527895 1.000000000000000 1.833775789385161 £ 1054 1.000353832012369
x6 0.9999989554034564 1.000000000000000 °6.166499545700052£10162 0.9998988463640411
¨ Montrer que ` = 1 est l’unique racine réelle de f .

≠ Associer chaque méthode à sa fonction d’itération (justifier chaque réponse).
C ORRECTION DE L’ EXERCICE 1.5. Les fonctions 'i sont de classe C 1 au voisinage de `. De plus, on remarque que f (x) =
(x ° 1)(x 2 + 8), donc l’unique racine réelle de f est ` = 1. On sait que
? si |'0i (`)| < 1, alors il existe un intervalle [c; d ] 3 ` tel que la suite (x k )k2N converge vers ` pour tout x 0 2 [c; d ] ; plus
précisément, si 0 < '0i (`) < 1 la suite converge de façon monotone, c’est-à-dire, l’erreur x k ° ` garde un signe constant
© G. Faccanoni 29
quand k varie, tandis que si °1 < '0i (`) < 0 la suite converge de façon oscillante, c’est-à-dire, l’erreur x k ° ` change de
signe quand k varie ;
? si |'0i (`)| > 1 la suite diverge ; plus précisément, si '0i (`) > 1 la suite diverge de façon monotone, tandis que pour
'0i (`) < °1 elle diverge en oscillant ;
? si |'0i (`)| = 1, on ne peut en général tirer aucune conclusion : selon le problème considéré, il peut y avoir convergence
ou divergence.
(j) (p+1)
? Enfin, si 'i (`) = 0 pour 1 ∑ j ∑ p et 'i (`) 6= 0, alors la méthode de point fixe associée à la fonction d’itération 'i
est d’ordre p + 1.
Calculons donc '0i (`) pour i = 1, 2, 3, 4 :
1. '01 (x) = °3x 2 + 2x ° 7 et '01 (1) = °8 : la suite diverge en oscillant (colonne C) ;
°3x 3 (8°x)+(8°x 3 )
2. '02 (x) = (8°x)2
et '02 (1) = ° 14
49 : la suite converge de façon oscillante (colonne D) ;
3 2 1 1 4
3. '03 (x) = ° 10 x + x + et '03 (1) = 10 : la suite converge de façon monotone (colonne A ou B) ;
5 5
(6x 2 °2x)(3x 2 °2x+8)°(2x 3 °x 2 +8)(6x°2)
4. '04 (x) = (3x 2 °2x+8)2
et '04 (1) = 0 : la suite converge à l’ordre au moins 2 (colonne B).
Exercice 1.6
Entre deux murs (verticaux) parallèles, on place deux échelles en les croisant. La première fait 3 m de long, la seconde
2 m. On constate qu’elles se croisent à une hauteur de 1 m. Écrire la méthode de N EWTON pour le calcul approché de la
distance entre les deux murs.
3m
2m
1m
En utilisant la similarité des triangles rectangles qui ont

hypoténuses respectivement 3 et 2 on a les deux équations :
8p
2 2
> 3 °d = 3 = p 3
>
> ,
 2
2 °d 2 2 2
>
b
>
: = =p .
1 a 1 + (1 ° c)2
2
a
2°
On a alors
8p 8
> 3 > d
> 9 ° d2 = p
< , >c = p
< ,
1 + c2
2
=) 9 ° d2
p
1m
2 d
a
> 2 >
: 4°d = p
> , >
:c = p .
1 + (1 ° c)2
2
4 ° d2
c
1 1
Il reste à résoudre p +p = 1. d
4 ° d2 9 ° d2
Posons f (d ) = p 1 2 + p 1 2 ° 1. À partir de d 0 donné dans l’intervalle ]0; 2[, la méthode de N EWTON construit une suite
4°d 9°d
(d k )k2N par la récurrence suivante
p 1 + p 1 2 °1
f (d k ) 4°d 2 9°d
d k+1 = d k ° = d k ° .
f 0 (d k ) p d + p d
(4°d )2 3 2 3
(9°d )
Ø≥ ¥Ø
Ø f (d k ) 0 Ø
Pour que cette suite converge il faut choisir d 0 dans un intervalle [a; b] Ω]0; 2[ tel que Ø d k ° f (d k ) Ø
0 < 1 pour tout x 2 [a; b].
30 © G. Faccanoni
Exercice 1.7
Soit f , g : [a; b] ! R deux fonctions monotones de classe C 1 ([a; b]). On suppose qu’il existe un et un seul ` 2 [a; b] tel que
f (`) = g (`). À partir de
Ø x0 0 2Ø [a; b], on construit une suite (x n )n2N par la relation f (x n+1 ) = g (x n ) pour n 2 N.
Ø g (`) Ø
1. Montrer que si Ø f 0 (`) Ø < 1 alors il existe un intervalle [Æ; Ø] Ω [a; b] tel que x n ! ` pour tout x 0 2 [Æ; Ø].
Ø 0 Ø
Ø g (`) Ø
2. Dans le cas où Ø f 0 (`) Ø > 1, proposer une méthode itérative convergente pour calculer `.

1. La fonction f est inversible donc la méthode donnée correspond à une méthode de point fixe x n+1 = '(x n ) où ' =
g 0 (x) g 0 (`) g 0 (`)
f °1 ± g : [a; b] ! [a; b] est une fonction de classe C 1 ([a; b]) et '0 (x) = f 0 ( f °1 (g (x)))
. Donc '0 (`) = f 0 ( f °1 (g (`)))
= f 0 (`)
. Si
|g 0 (`)/ f 0 (`)| < 1 alors, pour le théorème d’O STROWSKI, il existe un intervalle [Æ; Ø] Ω [a; b] tel que x n ! ` pour tout
x 0 2 [Æ; Ø].
2. Si |g 0 (`)/ f 0 (`)| > 1, il suffit de construire la suite (x n )n2N par la relation f (x n ) = g (x n+1 ) pour n 2 N et appliquer le
raisonnement du point précédant.
Exercice 1.8
L’objectif de cet exercice est de déterminer les zéros de la fonction f : [° º2 ; º] ! R définie par
p
x º 3
f (x) = ° sin(x) + ° .
2 6 2
1. Montrer qu’il existe deux solutions `° < 0 et `+ > 0 de l’équation f (x) = 0 pour x 2 [° º2 ; º].
2. Peut-on appliquer la méthode de la bissection pour calculer les deux racines ? Pourquoi ? Dans le cas où c’est
possible, estimer le nombre minimal d’itérations nécessaires pour calculer le(s) zéro(s) avec une tolérance " =
10°10 après avoir choisi un intervalle convenable.
3. Écrire la méthode de N EWTON pour la fonction f . À l’aide du graphe de la fonction f , déduire l’ordre de conver-
gence de la méthode pour les deux zéros.

1. Étude de la fonction f :
? f est classe C 1 ([° 2 ; º]) ;
º
p p p
? f (° º2 ) = 1 ° 23 ° 12
º
º °0.12785 < 0, f (0) = º6 ° 23 º °0.34244 < 0, f (º) = 2º 3
3 ° 2 º 1.2284 > 0 ;
? f 0 (x) = 12 ° cos(x) ;
? f est croissante sur [° º2 ; ° º3 ] [ [ º3 ; º], décroissante sur [° º3 ; º3 ] ;
? x = ° º3 est un maximum local et f (° º3 ) = 0 ; x = º3 est un minimum local et f ( º3 ) < 0 ;
? f 00 (x) = sin(x) ;
? f est concave sur [° º2 ; 0], convexe sur [0; º].
y
f (x)
° º2 ° º3 º
3 `+
` ° º x
Par conséquence `° = ° º3 est l’unique solution de l’équation f (x) = 0 pour x 2 [° º2 ; 0] et il existe un et un seul `+
solution de l’équation f (x) = 0 pour x 2 [0; º]. On peut même améliorer l’encadrement et conclure que `+ 2 [ º3 ; º].
2. La méthode de dichotomie ne peut pas être utilisée pour approcher `° car il est impossible de trouver un intervalle
]a, b[Ω R° sur lequel f (a) f (b) < 0. En ce qui concerne l’approximation de `+ , en partant de [a, b] = [ º3 ; º], la méthode
≥ ¥
de dichotomie converge en log2 b°a " º 35 itérations vers la valeur 2.246005589.
3. La méthode de N EWTON est une méthode de point fixe
(
x k+1 = ¡(x k ),
x 0 donné,
© G. Faccanoni 31
f (x)
avec ¡ l’application définie par ¡(x) = x ° f 0 (x)
. Ici donc elle s’écrit
p
f (x k ) x k ° 2 sin(x k ) + º3 ° 3
x k+1 = x k ° 0 = xk ° .
f (x k ) 1 ° 2 cos(x k )
À l’aide du graphe de la fonction f , on voit que la méthode converge vers `+ quel que soit x 0 2 [°º/2; º/3] avec
un ordre de convergence quadratique et converge vers `° quel que soit x 0 2 [º/3; º] avec un ordre de convergence
linéaire (car f (`° ) = f 0 (`° ) = 0).
Exercice 1.9 (Python)

Soit la fonction f ∞ (x) = cosh(x) + cos(x) ° ∞. Pour ∞ = 1, 2, 3 trouver (graphiquement) un intervalle qui contient le zéro
de f ∞ . Calculer ce dernier par la méthode de dichotomie avec une tolérance de 10°10 . Utiliser ensuite la méthode de
N EWTON. Pourquoi cette méthode n’est-elle pas précise quand ∞ = 2 ?

x +e °x e x °e °x
Étude de f ∞ . On se rappelle que cosh(x) = e 2 et sinh(x) = donc 2
? limx!±1 f ∞ (x) = +1
? f ∞0 (x) = sinh(x) ° sin(x) et f ∞0 (x) = 0 si et seulement si x = 0 (comparer les graphes de sinh et sin et se rappeler que
pour x > 0 on a sinh(x) > x > sin(x) et pour x < 0 on a sinh(x) < x < sin(x))
? f ∞00 (x) = cosh(x) ° cos(x) > 0 pour tout x 6= 0.
Par conséquence,
? pour ∞ = 1, la fonction n’a pas de zéro réel,
? pour ∞ = 2 il n’y a que le zéro x x ) = f 20 a(b
b = 0 et il est de multiplicité quatre (c’est-à-dire f 2 (b x ) = f 200 (b
x ) = f 2000 (b
x ) = 0 et
(I V )
f 2 (b x ) 6= 0),
? pour ∞ = 3, f 3 admet deux zéros distincts, un dans l’intervalle ] ° 3, °1[ et l’autre dans ]1, 3[.
y
y = f 1 (x)
y = f 2 (x)
y = f 3 (x)
Méthode de la dichotomie. Dans le cas ∞ = 2, la méthode de dichotomie ne peut pas être utilisée car il est impossible
de trouver un intervalle ]a, b[ sur lequel f 2 (a) f 2 (b) < 0. Pour ∞ = 3, en partant de [a, b] = [°3, °1], la méthode de
dichotomie converge en 34 itérations vers la valeur xb = °1.85792082914850 avec f 3 (b x ) ' °3.6 £ 10°12 . De même, en
prenant [a, b] = [1, 3], la méthode de dichotomie converge en 34 itérations vers la valeur xb = 1.85792082914850 avec
x ) ' °3.6877 £ 10°12 .
f 3 (b
Méthode de Newton. Considérons le cas où ∞ = 2. En partant de la donnée initiale x 0 = 1, la méthode de N EWTON
converge vers la valeur xb = 1.4961 £ 10°4 en 31 itérations avec " = 10°10 tandis que la racine exacte de f 2 est 0. Cet
écart est dû au fait que f 2 est quasiment constante au voisinage de sa racine, donc le problème de recherche du
zéro est mal conditionné. La méthode converge vers la même solution et avec le même nombre d’itérations même
si on prend " égal au zéro machine. Considérons le cas ∞ = 3. La méthode de N EWTON avec " égal au zéro machine
converge vers 1.85792082915020 après 9 itérations en partant de x 0 = 1, alors que si x 0 = °1, elle converge après 9
itérations vers °1.85792082915020.
Voici les instructions :
130 def f(x):
131 °°°!return math.cosh(x)+math.cos(x)-gamma
132
133 maxITER = 100

134
135 gamma = 3
136 tol = 1.0e-15
137 a = -3.
138 b = -1.
139 x_init = -1.
140 print "Zero calcule par la methode de dichotomie dans l’intervalle [", a, ",", b,"] : ", dichotomie(f,a,b,
Âtol,maxITER)
32 © G. Faccanoni
141 print "Zero calcule par la methode de \textsc{Newton} a partir du point x_0 =",x_init," : ", newton(f,
142 a = 1.
143 b = 3.
144 x_init = 1.
145 print "Zero calcule par la methode de dichotomie dans l’intervalle [", a, ",", b,"] : ", dichotomie(f,a,b,
Âtol,maxITER)
147
148 gamma = 2
149 tol = 1.0e-10
150 x_init = -1.
152 x_init = 1.
Exercice 1.10 Équation d’état d’un gaz (Python)

Nous voulons déterminer le volume V occupé par un gaz dont la température est T et dont la pression est p. L’équation
d’état (i.e. l’équation liant p, V et T ) selon le modèle de VAN DER WAALS est donnée par
µ µ ∂2 ∂
N
p +a (V ° N b) = kN T,
V
où a et b sont deux coefficients qui dépendent du gaz considéré, N est le nombre de molécules contenues dans le volume
V et k = 1.380 650 3 £ 10°23 J K°1 est la constante de Boltzmann. Nous devons donc résoudre une équation non linéaire
dont la racine est V .
Pour le dioxyde de carbone CO 2 , les coefficients a et b prennent les valeurs a = 0.401 Pa m3 et b = 42.7 £ 10°6 m3 . Trouver
le volume occupé par 1000 molécules de CO 2 à la température T = 300 K et la pression p = 3.5 £ 107 Pa par la méthode de
dichotomie, avec une tolérance de 10°12 .
C ORRECTION DE L’ EXERCICE 1.10. On doit calculer les zéros de la fonction f (V ) = pV + aN 2 /V ° abN 3 /V 2 ° pN b °kN T ,
où N est le nombre de molécules. On a
? limV !0+ f (V ) = °1 et limV !+1 f (V ) = +1
? f 0 (V ) = p ° aN 2 /V 2 + 2abN 3 /V 3 = p + aN 2 (2bN /V ° 1)/V 2
p
? f 0 (V ) = 0 si et seulement si
aN 2
V 3 ° V = °2bN donc pour aucun V > 0.
En traçant le graphe de f , on voit que cette fonction n’a qu’un zéro simple dans l’intervalle ]0.01, 0.06[ avec f (0.01) < 0 et
f (0.06) > 0. On peut calculer ce zéro en utilisant la méthode de dichotomie comme suit :
154 def f(V):
155 °°°!a = 0.401
156 °°°!b = 42.7e-6
157 °°°!N = 1000.
158 °°°!T = 300.
159 °°°!p = 3.5e7
160 °°°!k = 1.3806503e-23
161 °°°!return p*V+a*N**2/V-a*b*N**3/V**2-p*N*b-k*N*T
162
163 tol = 1.0e-12

164 left = 0.01
165 right = 0.06
166
167 print "Zero calcule par la methode de dichotomie dans l’intervalle [", left, ",", right,"] : ", dichotomie
Â(f,left,right,tol,maxITER)
ce qui donne Vb = 0.042 699 999 999 9 m3 .
© G. Faccanoni 33
Exercice 1.11
Soit A est un nombre positif donné et considérons l’algorithme suivant : étant donné une valeur x 0 , on calcule
A ° x k2
x k+1 = x k + , k = 0, 1, 2, . . .
2
p p
1. Montrer que si la suite x k converge, alors sa limite est soit A soit ° A.
p
2. On
p considère le cas où A 2]0, 4[. Montrer qu’il existe " > 0 tel que, si |x 0 ° A| ∑ " alors la suite x k converge vers
A.
p p
3. Vérifier
p graphiquement que si x 0 est proche de ° A mais différent de ° A, alors la suite x k ne converge pas vers
° A.
4. Vérifier que si x 0 = 1, alors l’algorithme coïncide avec la méthode de la corde 2 pour résoudre x 2 ° A = 0.
5. Proposer un algorithme plus efficace pour calculer la racine carrée d’un nombre positif A.

1. Supposons que x k converge vers `. En passant à la limite dans la formule de récurrence on obtient
A ° `2
` = `+ ,
2
p
c’est-à-dire `2 = A et donc ` = ± A.
2. La méthode peut s’écrire sous la forme d’une méthode de point fixe où la fonction ' est définie par
A ° x2
'(x) = x +
.
2
p p
Si A 2]0, 4[ et ` = A, puisque '0 (x) 0
p= 1 ° x, alors |' (`)| = |1 ° A| < 1 : on
p peut appliquer le théorème d’O STROWSKI
donc il existe " > 0 tel que, si |x 0 ° A| ∑ " alors la suite x k converge vers A.
p
3. On a représenté dans la figurepci-dessousple graphe de la fonction ' lorsque A = 1/2. Si on choisit x 0 < ° Apalors
la
p suite divergepvers °1 ; si ° A < x 0 < A alors la suite converge (de manière monotone croissante) vers p A ; si
A < x 0p< 2 + A alors la suite converge (de manière monotone croissante après la première itération) vers A ; si
x 0 > 2 + A alors la suite diverge vers °1.
y
y =x
p
A
x5
x4
p p
° A x0 x1 x2 x 3x
3
x4 2+ A
p x
x2 A
x1
p
° A
'
4. Soit f la fonction définie par f (x) = x 2 ° A. La méthode de la corde 2 pour résoudre f (x) = 0 s’écrit dans ce cas
f (x k ) x k2 ° A
x k+1 = x k ° = x k ° , k = 0, 1, 2, . . . .
f 0 (x 0 ) 2x 0
Si on choisit x 0 = 1, cette méthode s’écrit donc
f (x k ) x k2 ° A
x k+1 = x k ° = x k ° , k = 0, 1, 2, . . . .
f 0 (x 0 ) 2
Ainsi on conclut que la méthode donnée coïncide avec la méthode de la corde 2 pour résoudre x 2 ° A = 0 lorsque
x 0 = 1 comme point de départ.
34 © G. Faccanoni
5. Si on choisit la méthode de N EWTON pour résoudre f (x) = 0 avec f (x) = x 2 ° A, on a
f (x k ) x k2 ° A
x k+1 = x k ° = x k ° , k = 0, 1, 2, . . . .
f 0 (x k ) 2x k
Cette méthode est plus efficace que la précédente car elle converge à l’ordre 2 pour tout x 0 > 0.
Exercice 1.12
Soit f : R ! R la fonction définie par f (x) = x 3 °2. On veut approcher le zéro Æ de f par la méthode de point fixe suivante :
(
x 0 donné,
(1.2)
x k+1 = g ! (x k ) pour tout k ∏ 0,
avec g ! : R ! R la fonction définie par

≥ !¥ 2!
g ! (x) = (1 ° !)x 3 + 1 ° x + 2(! ° 1) + 2 , ! 2 R.
3 3x
1. Pour quelles valeurs du paramètre ! la méthode de point fixe (1.2) est-elle consistante (i.e. Æ est un point fixe de
g!) ?
2. Pour quelles valeurs du paramètre ! la méthode de point fixe (1.2) est-elle d’ordre 2 ?
3. Existe-t-il des valeurs du paramètre ! pour lesquelles la méthode de point fixe (1.2) est-elle d’ordre 3 ?
C ORRECTION DE L’ EXERCICE 1.12. Comme Æ est le zéro de f , on a Æ3 = 2.
1. La méthode de point fixe (1.2) est consistante pour tout ! 2 R car
≥ !¥ 2! ≥ !¥ 2! !Æ 2! !(Æ3 ° 2)
g ! (Æ) = (1 ° !)Æ3 + 1 ° Æ + 2(! ° 1) + 2 = (1 ° !)(Æ3 ° 2) + 1 ° Æ+ 2 = Æ° + 2 = Æ° = Æ.
3 3Æ 3 3Æ 3 3Æ 3Æ2
2. La méthode de point fixe (1.2) est au moins d’ordre 2 si g 0 (Æ) = 0. On a
! 4!
g !0 (Æ) = 3(1 ° !)Æ2 + 1 ° ° = 3(1 ° !)Æ2 + 1 ° ! = (1 ° !)(3Æ2 + 1)
3 3Æ3
donc la méthode de point fixe (1.2) est au moins d’ordre 2 si ! = 1.
3. Pour que la méthode de point fixe (1.2) soit d’ordre 3 il faudrait g 0 (Æ) = g 00 (Æ) = 0. Puisque g 0 (Æ) = 0 si et seulement si
! = 1 et g 100 (Æ) = 4!
Æ4
6= 0, il n’est pas possible d’avoir une convergence d’ordre supérieur à 2.
Exercice 1.13
On considère le problème du calcul de ` 2 [0, º] tel que ` = 1 ° 14 cos(`).
1. Montrer qu’on peut utiliser la méthode de la dichotomie pour approcher `. Que vaut l’approximation de ` après 3
itérations ? Quel est l’erreur maximale qu’on obtient après 3 itérations ?
k 0 1 2 3
[a k , b k ] [0, º]
º
`k 2
2. On considère la méthode de point fixe suivante :
(
x 0 2 [0, º],
(1.3)
x k+1 = g (x k ) pour tout k ∏ 0,
avec g : [0, º] ! R la fonction définie par g (x) = 1 ° 14 cos(x).

2.1. Étudier graphiquement la convergence de cette méthode.
2.2. Montrer rigoureusement que la méthode converge pour tout x 0 2 [0, º].
2.3. Montrer que l’erreur satisfait l’inégalité |x k ° `| ∑ C k |x 0 ° `|. Donner une estimation de la constante C et
l’utiliser pour minorer le nombre d’itérations nécessaires pour approcher ` à 10°3 près.
"
2.4. Montrer que si on utilise le critère d’arrêt |x k+1 °x k | ∑ " alors |x k+1 °`| ∑ 1°C . Quelle valeur de " faut-il choisir
pour approcher ` à 10°3 près ?
© G. Faccanoni 35

1. Soit f : [0, º] ! R la fonction définie par f (x) = 1° 14 cos(x)° x. Elle est de classe C 1 , f (0) = 3/4 > 0 et f (º) = 5/4°º <
0, le théorème des valeurs intermédiaires permet de conclure qu’il existe au moins un ` 2 [0, º] tel que f (`) = 0. De
plus, comme f 0 (x) = 14 cos(x) ° 1 < 0, ce zéro est unique. On peut alors utiliser la méthode de la dichotomie pour
approcher ` et l’on a
k 0 1 2 3
£ º§ £º º
§ £º 3º
§
[a k , b k ] [0, º] 0, 2 4, 2 4, 8
º º 3º 5º
`k 2 4 8 16
L’erreur qu’on obtient après 3 itérations est au plus égale à la largeur de l’intervalle [a 3 ; b 3 ], c’est-à-dire inférieure à
b°a
23
= º8 .
2. On considère la méthode de point fixe de fonction d’itération g .
2.1. Étude graphique de la convergence :
y
º
? g est de classe C 1 , g (0) = 3/4, g (º) = 5/4, g 0 (x) = 14 sin(x) 2

[0, 1/4], g est croissante sur [0, º].
? La suite x n est monotone croissante si x 0 < ` et monotone 5 g
décroissante si x 0 > `. 4
3
4
x0 xx1x22 x 1 x0 º x
0
2.2. g ([0, º]) = [3/4, 5/4] Ω [0, º] et |g (x)| ∑ 1/4 < 1 : la méthode de point fixe converge vers ` pour tout x 0 2 [0, º].
1
2.3. Pour tout k 2 N il existe ªk compris entre ` et x k tel que |x k °`| = |g (x k°1 )°g (`)| = |g 0 (ªk )||x k°1 °`| ∑ 4k
|x 0 °`| ∑
º
4k
. Donc, pour approcher ` à 10°3 près, il faut prendre le plus petit k 2 N qui vérifie k ∏ log4 (103 º) º 5.9, i.e.
k = 6.
2.4. Pour tout k 2 N on a |x k ° `| ° |x k+1 ° x k | ∑ |x k+1 ° x k + x k ° `| = |x k+1 ° `| ∑ C |x k ° `| avec C = 1/4 d’où
1 "
|x k+1 ° `| ∑ |x k+1 ° x k | ∑ .
1 °C 1 °C
Pour que l’erreur soit inférieur à 10°3 il faut alors choisir " ∑ (1 °C )10°3 .
Exercice 1.14
On considère le problème du calcul de ` 2 [0, º] tel que ` = 1 + 12 sin(`).
1. Montrer qu’on peut utiliser la méthode de la dichotomie pour approcher `. Que vaut l’approximation de ` après 3
itérations ?
2. On considère la méthode de point fixe suivante :
(
x 0 2 [0, º],
(1.4)
x k+1 = g (x k ) pour tout k ∏ 0,
avec g : [0, º] ! R la fonction définie par g (x) = 1 + 12 sin(x).

2.1. Étudier graphiquement la convergence de cette méthode.
2.2. Montrer rigoureusement que la méthode converge pour tout x 0 2 [0, º].
2.3. Montrer que l’erreur satisfait l’inégalité |x k ° `| ∑ C k |x 0 ° `|. Donner une estimation de la constante C et
l’utiliser pour minorer le nombre d’itérations nécessaires pour approcher ` à 10°3 près.
"
2.4. Montrer que si on utilise le critère d’arrêt |x k+1 °x k | ∑ " alors |x k+1 °`| ∑ 1°C . Quelle valeur de " faut-il choisir
°3
pour approcher ` à 10 près ? (Rappel : |a ° c| ° |c ° b| ∑ |a ° b| ∑ |a ° c| + |c ° b| pour tout a, b, c 2 R)
1. Soit f : [0, º] ! R la fonction définie par f (x) = 1+ 12 sin(x)° x. Elle est de classe C 1 , f (0) = 1 > 0 et f (º) = 1°º < 0, le
théorème des valeurs intermédiaires permet de conclure qu’il existe au moins un ` 2 [0, º] tel que f (`) = 0. De plus,
comme f 0 (x) = 12 cos(x)°1 < 0, ce zéro est unique. On peut alors utiliser la méthode de la dichotomie pour approcher
` et l’on a
36 © G. Faccanoni
k 0 1 2 3
£ º§ £º º
§ £ 3º º §
[a k , b k ] [0, º] 0, 2 4, 2 8 ,2
º º 3º 7º
`k 2 4 8 16
2. On considère la méthode de point fixe de fonction d’itération g .

2.1. Étude graphique de la convergence :
y
º
g est de classe C 1 , g (0) = g (º) = 1, g 0 (x) = 12 cos(x) 2

3
[°1/2, 1/2], g est croissante sur [0, º2 ], décroissante sur [ º2 , º] 2
et g (º/2) = 3/2 < º 1 g
x0 x1 x2 º x
º
2
2.2. g ([0, º]) = [1, 3/2] Ω [0, º] et |g 0 (x)| ∑ 1/2 < 1 : la méthode de point fixe converge pour tout x 0 2 [0, º].
1
2.3. Pour tout k 2 N il existe ªk compris entre ` et x k tel que |x k °`| = |g (x k°1 )°g (`)| = |g 0 (ªk )||x k°1 °`| ∑ 2k
|x 0 °`| ∑
º °3 3
2k
. Donc, pour approcher ` à 10 près, il faut prendre le plus petit k 2 N qui vérifie k ∏ log2 (10 º) º 11.7, i.e.
k = 12.
2.4. Pour tout k 2 N on a [|x k ° `| ° |x k+1 ° x k | ∑ |x k+1 ° x k + x k ° `| = |x k+1 ° `| ∑ C |x k ° `| d’où
1 "
|x k+1 ° `| ∑ |x k+1 ° x k | ∑ .
1 °C 1 °C
Pour que l’erreur soit inférieur à 10°3 il faut alors choisir " ∑ (1 °C ) £ 10°3 .
Exercice 1.15
Le but de cet exercice est de calculer la racine cubique d’un nombre positif a. Soit g la fonction définie sur R§+ par
2 1 a
g (x) = x + (a > 0 fixé).
3 3 x2
1. Faire l’étude complète de la fonction g .
2. Comparer g à l’identité.
3. Soit la suite (x n )n2N définie par
x n+1 = g (x n ), x 0 > 0.
À l’aide des graphe de g et de l’identité sur R§+ , dessiner la suite (x n )n2N sur l’axe des abscisses. Observer graphi-
quement la convergence.
4. Justifier mathématiquement la convergence observée graphiquement. En particulier, montrer que cette suite est
décroissante à partir du rang 1.
5. Calculer l’ordre de convergence de la suite.
p
6. Écrire l’algorithme défini par la suite (x n )n2N qui permet de déterminer 3
a à une précision de 10°6 .
7. Expliciter la méthode de N EWTON pour la recherche du zéro de la fonction f définie par f (x) = x 3 ° a. Que
remarque-t-on ?

1. Étude de la fonction g : R§+ ! R définie par g (x) = 23 x + 13 xa2 :
? g (x) > 0 pour tout x 2 R§+ ;
? lim g (x) = lim g (x) = +1 ;
x!0+ x!+1
g (x)
lim = 2 et lim g (x) ° 23 x = 0 donc y = 23 x est un asymptote et l’on a g (x) > 23 x pour tout x > 0 ;
x!+1 x ≥ 3 ¥x!+1
? g 0 (x) = 23 1 ° xa3 ;
p p
? g est croissante sur [ 3 a, +1[, décroissante sur [0, 3 a] ;
p p p
? x = 3 a est un minimum absolu et g ( 3 a) = 3 a,
? g 00 (x) = 2a
x4
> 0 : g est convexe sur R§+ .
© G. Faccanoni 37
y y
i (x) i (x)
g (x) g (x)
y = 23 x
p
3
p
3
a a
x0 x4 x3 x2 x1
p
3 x p
3 x
a a
(a) Graphe de g comparé au graphe de i (x) = x. (b) Étude graphique de la convergence de la mé-
thode de point fixe.
F IGURE 1.4.: Exercice 1.15
p
x 0 3
a +1
g 0 (x) ° +
+1 +1
g (x)
p
3
a
2. Graphe de g comparé au graphe de i (x) = x : voir la figure 1.4a. On vérifie analytiquement qu’il existe une et une
seule intersection entre la courbe d’équation y = g (x) et la droite d’équation y = x :
2 1 a
g (x) = x () x+ =x () x 3 = a.
3 3 x2
3. Étude graphique de la convergence de la méthode de point fixe : voir la figure 1.4a.

p p
4. On en déduit que pour tout x > 0 on a g (x) ∏ 3 a. Donc, pour tout k > 0, x k = g (x k°1 ) ∏ 3 a. Vérifions les hypothèses
du théorème de point fixe qui fournit une condition suffisante de convergence de la suite :
p p p p p
4.1. pour tout x dans [ 3 a, +1[ on a g (x) > 3 a donc g ([ 3 a, +1[) Ω [ 3 a, +1[ (i.e. l’intervalle 3 a, +1[ est stable) ;
1 p
3
4.2. g 2 C ([ a, +1[) ;
p
4.3. pour tout x dans [ 3 a, +1[ on a Ø ≥ Ø
Ø2 a ¥Ø
|g 0 (x)| = ØØ 1 ° 3 ØØ < 1
3 x
donc g est contractante.
p p
Alors la méthode converge vers xb point fixe de g . De plus, pour tout x 0 2 [ 3 a, +1[ on a xb = g (b
x ) () xb = 3 a : la
méthode permet donc de calculer de façon itérative la racine cubique de a.
5. Étant donné que
2a
g 0 (b
x ) = 0, g 00 (b
x) = 6= 0
xb4
la méthode de point fixe converge à l’ordre 2.
6. Algorithme de point fixe :
Require: x 0 > 0
while |x k+1 ° x k | > 10°6 do
x k+1 √ g (x k )
end while
Quelques remarques à propos du critère d’arrêt basé sur le contrôle de l’incrément. Les itérations s’achèvent dès que
|x k+1 °x k | < " ; on se demande si cela garantît-t-il que l’erreur absolue ek+1 est elle aussi inférieur à ". L’erreur absolue
à l’itération (k + 1) peut être évaluée par un développement de Taylor au premier ordre
x ) ° g (x k )| = |g 0 (z k )ek |
ek+1 = |g (b
38 © G. Faccanoni
avec z k compris entre xb et x k . Donc

|x k+1 ° x k | = |ek+1 ° ek | = |g 0 (z k ) ° 1|ek ' |g 0 (b
x ) ° 1|ek .
Puisque g 0 (b
x ) = 0, on a bien |x k+1 ° x k | ' ek .
f (x)
7. La méthode de N EWTON est une méthode de point fixe avec g (x) = x ° f 0 (x)
. Ici elle s’écrit
f (x k ) x k3 ° a 1 a 2 a
x k+1 = x k ° = x k ° 2
= xk ° xk + 2 = xk + 2
f 0 (x k ) 3x k 3 3x k 3 3x k
autrement dit la méthode de point fixe assignée est la méthode de N EWTON (qu’on sait être d’ordre de convergence
égale à 2 lorsque la racine est simple).
Exercice 1.16
On veut résoudre l’équation e °Æx = x avec 0 < Æ < 1.
1. Vérifier que cette équation admet une unique solution, notée `Æ , dans R.
2. Soit g : R ! R la fonction définie par g (x) = e °Æx . On définit la suite récurrente
(
u0 2 R
(1.5)
u n+1 = g (u n ).
On veut montrer que u n converge vers `Æ . Pour cela, comparer d’abord le graphe de g à l’identité et observer
graphiquement la convergence, ensuite justifier mathématiquement la convergence observée graphiquement.
3. Écrire la méthode de N EWTON pour résoudre l’équation e °Æx = x avec 0 < Æ < 1. Parmi la méthode de N EWTON et
la méthode de point fixe (1.5), laquelle faut-il préférer vis-à-vis de la vitesse de convergence ?

1. Deux méthodes (équivalentes) possibles :
Méthode 1 : La fonction g : x 7! e °Æx est continue monotone décroissante, limx!°1 e °Æx = +1 et limx!+1 e °Æx =
0 ; par conséquente elle intersecte la droite d’équation y = x une et une seule fois. Notons ce point `Æ .
Comme la fonction x 7! e °Æx est positive pour tout x 2 R tandis que la fonction x 7! x est positive si
et seulement si x > 0, on en déduit que `Æ > 0. De plus, comme g (1) = e °Æ < 1, on peut conclure que
`Æ 2]0; 1[.
Méthode 2 : La fonction f : x 7! e °Æx °x est continue monotone décroissante, limx!°1 e °Æx °x = +1 et limx!+1 e °Æx °
x = °1 ; par le théorème des valeurs intermédiaires on conclut qu’il existe un et un seul `Æ 2 R tel
que f (`Æ ) = 0. Comme f (0) > 0, on peut appliquer à nouveau le théorème des valeurs intermédiaires
à l’intervalle [0; 1[ et en déduire que `Æ > 0. De plus, comme f (1) < e °1 ° 1 < 0, on peut conclure que
`Æ 2]0; 1[.
2. Le graphe de la fonction g est celui en figure 1.16. On en déduit que
? la suite (u n )n converge pour tout u 0 2 R ;
? g (R) =]0; +1[ et g (]0; +1[) =]0; 1[ ainsi u 1 2]0; +1[ et u n 2]0; 1[ pour tout n > 1 ;
? la convergence n’est pas monotone : la sous-suite des termes d’indice pair est monotone croissante tandis que
la sous-suite des termes d’indice impair est monotone décroissante (ce qui veut dire d’une part qu’on ne pourra
pas utiliser les théorèmes du type «monotone+bornée=convergente» pour prouver la convergence, d’autre part
on voit aussi que ni l’intervalle [`Æ ; +1[ ni l’intervalle [0; `Æ ] sont stables) ;
? |g 0 (x)| n’est pas bornée pour tout x 2 R (croissance exponentielle à °1). Plus particulièrement, |g 0 (x)| < 1 ssi
e Æx > Æ ssi x > ln(Æ)/Æ. Comme 0 < Æ < 1, on conclut que |g 0 (x)| < 1 pour tout x ∏ 0.
Cette étude préliminaire suggère d’utiliser le théorème de point fixe dans l’intervalle ]0; +1[. On a
? g 2 C 1 (]0; +1[),
? g (]0; +1[) Ω]0; +1[,
? |g 0 (x)| < 1 pour tout x 2]0; +1[,
on peut alors utiliser le théorème de point fixe pour conclure que la suite (u n )n2N converge vers `Æ pour tout u 0 2
]0; +1[. Comme g (x) 2]0; +1[ pour tout x 2 R, alors u n 2]0; +1[ pour tout n 2 N§ , on peut donc conclure que la suite
(u n )n2N converge vers `Æ pour tout u 0 2 R.
3. Soit f (x) = e °Æx ° x. La méthode de N EWTON (qui s’applique à f et non à g ) définit la suite récurrente
(
u0 2 R
e °Æu n
°u n (1.6)
u n+1 = u n ° °Æe °Æu n °1 .
La méthode de point fixe (1.5) n’est que d’ordre 1 car g 0 (`Æ ) 6= 0 tandis que la méthode de N EWTON, qui est encore
une méthode de point fixe, est d’ordre 2 (car Æ est un zéro simple).
© G. Faccanoni 39
y i (x) y i (x)
`Æ `Æ
g (x) x0 x2 x3 x1
g (x)
0 `Æ 1 x `Æ x
(a) Graphe de g comparé au graphe de i (x) = x. (b) Étude graphique de la convergence de la méthode de point
fixe.
Exercice 1.17
Soit f une application de R dans R définie par f (x) = exp(x 2 ) ° 4x 2 . On se propose de trouver les racines réelles de f .
1. Situer les 4 racines de f (i.e. indiquer 4 intervalles disjoints qui contiennent chacun une et une seule racine).
2. Montrer qu’il y a une racine xb comprise entre 0 et 1.
3. Soit la méthode de point fixe (
x k+1 = ¡(x k ),
(1.7)
x 0 2]0, 1[,
p
exp(x 2 )
avec ¡ l’application de R dans R définie par ¡(x) = 2 . Examiner la convergence de cette méthode et en
préciser l’ordre de convergence.
4. Écrire la méthode de N EWTON pour la recherche des zéros de la fonction f .
5. Entre la méthode de N EWTON et la méthode de point fixe (1.7), quelle est la plus efficace ? Justifier la réponse.
C ORRECTION DE L’ EXERCICE 1.17. On cherche les zéros de la fonction f (x) = exp(x 2 ) ° 4x 2 .

1. On remarque que f (°x) = f (x) : la fonction est paire. On fait donc une brève étude sur [0, +1[ :
? f (0) = 1 et lim f (x) = +1,
x!+1 p p p
? f 0 (x) = 0 pour x = 0 et x = ln 4 et on a f (0) = 1 et f ( ln 4) = 4(1 ° ln 4) < 0 ; f est croissante pour x > ln 4 et
p
décroissante pour 0 < x < ln 4.
On a
p
? une racine dans l’intervalle ] ° 1, ° ln 4[,
p
? une racine dans l’intervalle ] ° ln 4, 0[,
p
? une racine dans l’intervalle ]0, ln 4[,
p
? une racine dans l’intervalle ] ln 4, 1[.
Voir la figure 1.6a pour le graphe de f sur R.
2. Puisque f (0) = 1 > 0 et f (1) = e ° 4 < 0, pour le théorème des valeurs intermédiaires il existe au moins un xb 2 ]0, 1[ tel
que f (bx ) = 0. Puisque f 0 (x) = 2x exp(x 2 ) ° 8x = 2x(exp(x 2 ) ° 22 ) < 2x(e ° 4) < 0 pour tout x 2 ]0, 1[, ce xb est unique.
Voir la figure 1.6b.
3. Étude de la convergence de la méthode (1.7) :
3.1. pour tout x dans ]0, 1[ on a s r
exp(x 2 ) e
0< < <1
4 4
donc ¡ : ]0, 1[!]0, 1[ ;
3.2. ¡ 2 C 1 (]0, 1[) ;
3.3. pour tout x dans ]0, 1[ on a Ø p Ø
Ø x exp(x 2 ) Ø Ø Ø
0 Ø Ø Ø
|¡ (x)| = Ø Ø = x¡(x)Ø < |x| < 1
Ø 2 Ø
donc ¡ est contractante.
Alors la méthode (1.7) converge vers xb point fixe de ¡. De plus, pour tout xb 2 ]0, 1[,
q
xb = ¡(b
x ) () 2bx = exp(b x 2 = exp(b
x 2 ) () 4b x 2 ) () f (b x ) = 0;
40 © G. Faccanoni
y y
f (x) f (x)
1 1
p
ln 4 0 1
x xb x
4(1°ln 4)
(a) Graphe de f (x) = exp(x 2 ) ° 4x 2 . (b) Zoom.
y F IGURE 1.6.: Exercice 1.17
1 1
xb
xb
xb
xb
0 xb 1 x
F IGURE 1.7.: Exercice 1.17 : convergence de la méthode de point fixe.
donc xb, point fixe de ¡, est un zéro de f .

Étant donné que
¡0 (b x ) = xb2 6= 0,
x ) = xb¡(b
la méthode de point fixe (1.7) converge seulement à l’ordre 1.
f (x)
4. La méthode de N EWTON est une méthode de point fixe avec ¡(x) = x ° f 0 (x)
f (x k ) exp(x k2 ) ° 4x k2 exp(x k2 ) ° 4x k2
x k+1 = x k ° = x k ° = x k ° .
f 0 (x k ) 2x k exp(x k2 ) ° 8x k 2x k (exp(x k2 ) ° 4)
0 xb 1 x
5. Puisque xb est une racine simple de f , la méthode de N EWTON converge à l’ordre 2 tandis que la méthode de point
fixe (1.7) converge seulement à l’ordre 1 : la méthode de N EWTON est donc plus efficace.
Exercice 1.18
p
On cherche à évaluer 5 à l’aide d’un algorithme n’autorisant que les opérations élémentaires. Soit (x n )n2N la suite
définie par récurrence
8
<x 0 = 1,
10x n
:x n+1 = 8n 2 N.
x n2 + 5
© G. Faccanoni 41
y i (x) y i (x)
p
5
5
3
g (x) g (x)
p x x
1 5
x0 x1 x2
(a) Graphe de g comparé au graphe de i (x) = x. (b) Étude graphique de la convergence de la

méthode de point fixe x k+1 = g (x k ).
p
1. Montrer que si la suite converge, alors elle converge vers 0 ou 5.
p
2. Soit la fonction g définie sur [1; 5] par g (x) = x10x
2 +5 . Étudier g et la comparer à l’identité.
p
3. Montrer que la suite (x n )n2N est croissante et majorée par 5. Conclure.
4. Déterminer l’ordre de convergence de cette suite.

1. Supposons qu’il existe ` 2 R tel que x n °°°°°! `.
n!+1
© p p ™
? Par définition de convergence on a ` = `10` 2 +5 et par conséquent ` 2 ° 5, 0, 5 .
? On prouve par récurrence que
? si x 0 = 0 alors x n = 0 pour tout n 2 N donc ` = 0,
? si x 0 > 0 alors x n > 0 pour tout n 2 N donc ` ∏ 0,
? si x 0 < 0 alors x n < 0 pour tout n 2 N donc ` ∑ 0.
© p ™
Comme x 0 = 1 > 0, alors x n > 0 pour tout n 2 N et ` 2 0, 5 .
p
2. Soit la fonction g définie sur [1; 5] par g (x) = x10x2 +5 . On étudie la fonction g :
p
? g (x) > 0 pour p toutpx 2 [1; 5] ;
? g (1) = 53 , g ( 5) = 5 ;
2
? g 0 (x) = °10 (xx2 +5)
°5
2 ;
p p
? g est croissante sur [1; 5[ et g 0 ( 5) = 0.
Graphe de g comparé au graphe de i (x) = x : voir la figure 1.8a. On vérifie analytiquement p qu’il existe une et une
seule intersection entre la courbe d’équation y = g (x) et la droite d’équation y = x dans [1; 5] :
10x
g (x) = x () =x () x 2 = 5.
x2 + 5
p p p p
3. On a g (x) 2 [5/3; 5] pour tout x 2 [1; 5] et on a vu au point précédent que g est croissante et g ( 5) = 5.
De plus, g (x) ∏ x car
10x 10x
g (x) = 2 ∏ p = x,
x + 5 ( 5)2 + 5
par conséquent la suite x k+1 = g (x k ) ∏ x k est croissante.
p p p
Comme g (x) ∑ ( 5) = 5 alors la suite x k+1 = g (x k ) ∑ 5 est bornée. On a ainsi une suite croissante et borné,
© p ce™ qui
implique qu’elle converge.
p Comme au premier point on a montré que si elle converge vers ` alors ` 2 0, 5 , on
conclut que x n °°°°°! 5. Pour l’étude graphique de la convergence de la méthode de point fixe voir la figure 1.8b.
n!+1
Dans
p ce cas, on ne peut pas utiliser le théorème de point fixe pour prouver la convergence de la suite sur l’intervalle
[1; 5]. En effet
p
? g est au moins de classe C 1 ([1; 5])
p p p
? g ([1; 5]) = [5/3; 5] Ω [1; 5]
p p p p p
? mais 0 ∑ g 0 (x) < 1 ssi x 2 [ °10 + 5 5; 5] (et on a °10 + 5 5 > 1).
42 © G. Faccanoni
p
En revanche, on peut utiliser le théorème de point fixe pour prouver la convergence de la suite sur l’intervalle [5/3; 5]
car
p
? g est au moins de classe C 1 ([5/3; 5])
p p
? g ([5/3; 5]) Ω [5/3; 5]
p
? 0 ∑ g 0 (x) < 1 pour tout x 2 [5/3; 5].
p p
4. Comme g 0 ( 5) = 0 et g 00 ( 5) 6= 0, la méthode de point fixe associée à la fonction d’itération g est d’ordre 2.
Exercice 1.19
L’objectif de cet exercice est de déterminer le zéro d’une fonction C 2 (R, R) vérifiant °2 < f 0 (x) < °1 sur R. On définit la
suite {x n }n2N de R par la récurrence suivante
x n+1 = g (x n ) = x n + Æ f (x n ),
où Æ > 0 et x 0 2 R sont donnés.

1. Montrer que lim f (x) = +1 et lim f (x) = °1.
x!°1 x!+1
2. En déduire qu’il existe un unique ` élément de R tel que f (`) = 0.
3. Montrer que si 0 < Æ < 1, la fonction g définie par g (x) = x + Æ f (x) vérifie
°1 < 1 ° 2Æ < g 0 (x) < 1 ° Æ sur R.
4. En déduire la convergence de la suite {x n }n2N si 0 < Æ < 1.

5. La suite converge-t-elle pour Æ = ° f 01(`) ?
1
6. Donner l’ordre de convergence de la suite {x n }n2N pour 0 < Æ < 1 en distinguant le cas Æ = f 0 (`)
.
7. Peut-on choisir Æ = ° f 01(`) d’un point de vue pratique ?
8. On choisit alors d’approcher Æ = ° f 01(`) par Æn = ° f 0 (x
1
et la suite {x n }n2N est définie par
n)
x n+1 = g (x n ) = x n + Æn f (x n ).
Quel est le nom de cette méthode itérative ? Montrer que la suite {x n }n2N converge quel que soit x 0 2 R.

1. Puisque f est de classe C 2 (R, R) et f 0 (x) < 0 sur R alors f est monotone décroissante.
De plus, puisque °2 < Rf 0 (x) < °1 surRR, on obtient :
x x
? si x > 0 alors f (x) = 0 f 0 (x) dx < 0 °1 dx = °x ° °°°°! °1,
x!+1
Rx 0 R0 0 R0
? si x < 0 alors f (x) = 0 f (x) dx = ° x f (x) dx > ° x °2 dx = °2x ° °°°°! +1.
x!°1
donc
lim f (x) = +1 lim f (x) = °1.
x!°1 x!+1
NB : seul la condition f 0 (x) < °1 permet de conclure car une fonction peut être monotone décroissante mais avoir
une limite finie !
2. Puisque lim f (x) = +1 > 0 et lim f (x) = °1 < 0, pour le théorème des valeurs intermédiaires il existe au moins
x!°1 x!+1
un ` 2 R tel que f (`) = 0. Puisque f 0 (x) < 0 pour tout x 2 R, ce ` est unique.
3. Considérons la fonction g définie par g (x) = x + Æ f (x) alors g est de classe C 2 (R, R) et
g 0 (x) = 1 + Æ f 0 (x) sur R.
Puisque f 0 (x) < °1 et 0 < Æ < 1 on a

g 0 (x) < 1 ° Æ < 1 sur R
0
et puisque f (x) > °2 et 0 < Æ < 1 alors
g 0 (x) > 1 ° 2Æ > °1 sur R.
Autrement dit
|g 0 (x)| < 1 sur R.
4. Soit 0 < Æ < 1. On étudie la suite

x n+1 = g (x n )
et on va vérifier qu’il s’agit d’une méthode de point fixe pour le calcul du zéro ` de f .
© G. Faccanoni 43
4.1. On vérifie d’abord que, si la suite converge vers un point fixe de g , ce point est bien un zéro de f (ici le réciproque
est vrai aussi) : soit ` 2 R, alors
` = g (`) () ` = ` + Æ f (`) () 0 = Æ f (`) () f (`) = 0;
4.2. vérifions maintenant que la suite converge vers un point fixe de g (et donc, grâce à ce qu’on a vu au point
précédant, elle converge vers l’unique zéro de f ) :
4.2.1. on a évidemment que g : R ! R ;
4.2.2. on a déjà remarqué que g 2 C 1 (R, R) ;
4.2.3. pour tout x dans R on a prouvé que |g 0 (x)| < 1, i.e. que g est contractante.
Alors la suite x n+1 = g (x n ) converge vers ` point fixe de g et zéro de f .
5. Si Æ = ° f 01(`) alors
f (x n )
x n+1 = g (x n ) = x n ° ,
f 0 (`)
1
qui converge car °2 < f 0 (`) < °1 ssi 2 < Æ < 1 et donc on rentre dans le cas de 0 < Æ < 1.
g 0 (`) = 1 + Æ f 0 (`)
?la méthode de point fixe converge à l’ordre 2 si Æ f 0 (`) = °1,
? la méthode de point fixe converge à l’ordre 1 si °2 < Æ f 0 (`) < 0 mais Æ f 0 (`) 6= °1,
? la méthode de point fixe ne converge pas si Æ f 0 (`) < °2 ou Æ f 0 (`) > 0.
Étant donné que °2 < f 0 (`) < °1 et que 0 < Æ < 1 on peut conclure que
1
? la méthode de point fixe converge à l’ordre 2 si Æ = ° f 0 (`) ,
? la méthode de point fixe converge à l’ordre 1 si Æ 6= ° f 01(`) .

7. D’un point de vue pratique on ne peut pas choisir Æ = ° f 01(`) car on ne connaît pas `.
8. Si on choisit d’approcher Æ = ° f 01(`) par Æn = ° f 0 (x
1
et on considère la suite {x n }n2N définie par
n)
x n+1 = g (x n ) = x n + Æn f (x n ),
on obtient la méthode de N EWTON (qui est d’ordre 2).

De plus, comme °2 < f 0 (x) < °1 on rentre dans le cas 0 < Æ < 1 donc la suite {x n }n2N converge quel que soit x 0 2 R.
Exercice 1.20
L’objectif de cet exercice est de déterminer le zéro d’une fonction f 2 C 2 (R, R) vérifiant 1 < f 0 (x) < 2 sur R. On définit la
suite {x n }n2N de R par la récurrence suivante
x n+1 = g (x n ),
où Æ > 0 et x 0 2 R sont donnés et la fonction g : R ! R est définie par g (x) = x ° Æ f (x).
1. Montrer que lim f (x) = °1, lim f (x) = +1 et en déduire qu’il existe un unique ` 2 R tel que f (`) = 0.
x!°1 x!+1
2. Montrer que si 0 < Æ < 1, la fonction g vérifie |g 0 (x)| < 1 sur R. En déduire la convergence de la suite {x n }n2N pour
tout Æ 2]0; 1[ quel que soit x 0 2 R.
3. Donner l’ordre de convergence de la suite {x n }n2N en fonction de Æ 2]0; 1[.
4. Comme d’un point de vue pratique on ne peut pas choisir Æ = f 01(`) , on va l’approcher par Æn = 1
f 0 (x n )
et on obtient
la suite {x n }n2N définie par
x n+1 = x n ° Æn f (x n ).
Quel est le nom de cette méthode itérative ? Montrer que la suite {x n }n2N converge quel que soit x 0 2 R.

1. Puisque f est de classe C 2 (R, R) et f 0 (x) > 0 sur R alors f est monotone croissante.
0
De plus, puisque 1 < f R (x) < 2, on obtient
Rx :
x
? si x > 0 alors f (x) = 0 f 0 (x) dx > 0 1 dx = x ° °°°°! +1,
x!+1
Rx 0 R0 0 R0
? si x < 0 alors f (x) = 0 f (x) dx = ° x f (x) dx < ° x 2 dx = 2x ° °°°°! °1.
x!°1
donc
lim f (x) = °1 lim f (x) = +1.
x!°1 x!+1
44 © G. Faccanoni
NB : seul la condition 1 < f 0 (x) < 2 permet de conclure car une fonction peut être monotone croissante mais avoir
une limite finie !
Puisque lim f (x) = °1 < 0 et lim f (x) = +1 > 0, pour le théorème des valeurs intermédiaires il existe au moins
x!°1 x!+1
un ` 2 R tel que f (`) = 0. Puisque f 0 (x) > 0 pour tout x 2 R, ce ` est unique.
2. g est de classe C 2 (R, R). Puisque 1 < f 0 (x) < 2 et 0 < Æ < 1 on a
°1 < 1 ° 2Æ < g 0 (x) = 1 ° Æ f 0 (x) < 1 ° Æ < 1
Autrement dit
|g 0 (x)| < 1 sur R.
On étudie alors la suite
x n+1 = g (x n )
et on va vérifier qu’il s’agit d’une méthode de point fixe pour le calcul du zéro ` de f .
2.1. On vérifie d’abord que, si la suite converge vers un point fixe de g , ce point est bien un zéro de f (ici le réciproque
est vrai aussi) : soit ` 2 R, alors
Æ6=0
` = g (`) () ` = ` ° Æ f (`) () 0 = Æ f (`) () f (`) = 0;
2.2. vérifions maintenant que la suite converge vers un point fixe de g (et donc, grâce à ce qu’on a vu au point
précédant, elle converge vers l’unique zéro de f ) : g 2 C 1 (R, R) et pour tout x dans R on a prouvé que |g 0 (x)| < 1,
i.e. g est contractante, alors la suite x n+1 = g (x n ) converge vers ` point fixe de g et zéro de f .
g 0 (`) = 1 ° Æ f 0 (`)
avec 0 < f 0 (`) < 2 et 0 < Æ < 1, on peut conclure que
1
? la méthode de point fixe converge à l’ordre 2 si Æ = f 0 (`)
,
1
? la méthode de point fixe converge à l’ordre 1 si Æ 6= f 0 (`)
.
1 1
4. D’un point de vue pratique on ne peut pas choisir Æ = f 0 (`)
car on ne connaît pas `. Si on choisit d’approcher Æ = f 0 (`)
1
par Æn = f 0 (x n )
et on considère la suite {x n }n2N définie par
x n+1 = x n ° Æn f (x n ),
on obtient la méthode de N EWTON (qui est d’ordre 2).

De plus, comme 1 < f 0 (x) < 2 alors 0 < Æn < 1 donc la suite {x n }n2N converge quel que soit x 0 2 R.
Exercice 1.21
Soit g la fonction définie sur R§+ par
2x 3 + 4x 2 + 10
g (x) = .
3x 2 + 8x
1. Faire l’étude complète de la fonction g . (On admettra que x 3 +4x 2 °10 = 0 admet comme unique solution m º 1,36
et que g (m) = m.)
2. Comparer g à l’identité.
3. Soit la suite (x n )n2N définie par
x n+1 = g (x n ), x 0 > 0.
À l’aide des graphe de g et de l’identité sur R§+ ,
dessiner la suite (x n )n2N sur l’axe des abscisses. Observer graphi-
quement la convergence. En particulier, montrer que cette suite est décroissante à partir du rang 1.
4. Expliciter (sans la vérifier) la condition nécessaire pour la convergence observée graphiquement.
5. Écrire l’algorithme défini par la suite (x n )n2N qui permet de déterminer le point fixe à une précision de ".
6. Expliciter la méthode de N EWTON pour la recherche du zéro de la fonction f définie par f (x) = x 3 + 4x 2 ° 10. Que
remarque-t-on ?
7. Donner l’ordre de convergence de la suite.
© G. Faccanoni 45
y
y i (x) i (x)
g (x) g (x)
y = 23 x ° 49
m x x0 x4 x3 x2 x1 x
(a) Graphe de g comparé au graphe de i . (b) Étude graphique de la convergence de la méthode de point
fixe.
F IGURE 1.9.

2x 3 +4x 2 +10
1. Étude de la fonction g : R§+ ! R définie par g (x) = 3x 2 +8x
:
? g (x) > 0 pour tout x 2 R§+ ;
? lim g (x) = lim g (x) = +1 ;
x!0+ x!+1
g (x)
lim = 23 et lim g (x) ° 23 x = ° 49 donc y = 23 x ° 49 est un asymptote ;
x!+1 x x!+1
3 +4x 2 °10)
? g 0 (x) = 2(3x+4)(x
x 2 (3x+8)2
;
? g est croissante sur [m, +1[, décroissante sur [0, m] où m º 1,36 ;
? x = m est un minimum absolu et g (m) = m.
x 0 m +1
g 0 (x) ° +
+1 +1
g (x)
m
2. Graphe de g comparé au graphe de i (x) = x : voir la figure 1.9a. On vérifie analytiquement qu’il existe une et une
seule intersection entre la courbe d’équation y = g (x) et la droite d’équation y = x :
2x 3 + 4x 2 + 10
g (x) = x () =x () x 3 + 4x 2 ° 10 = 0 () x =m () f (x) = 0.
3x 2 + 8x
3. Pour l’étude graphique de la convergence de la méthode de point fixe voir la figure 1.9b.
4. On en déduit que pour tout x > 0 on a g (x) ∏ m. Donc, pour tout k > 0, x k = g (x k°1 ) ∏ m. Pour étudier la convergence
de la méthode vérifions si on peut appliquer le théorème de point fixe :
4.1. pour tout x dans [m, +1[ on a g (x) > m donc g ([m, +1[) Ω [m, +1[ ;
4.2. g 2 C 1 ([m, +1[) ; Ø 2 Ø
Ø (6x +8x)°g (x)(6x+8) Ø
4.3. pour tout x dans [m, +1[, on a |g 0 (x)| = Ø 2
3x +8x
Ø < 1 alors g est contractante.
Si les conditions précédentes sont vérifiées alors la méthode converge vers m point fixe de g . De plus, pour tout Æ 2
[m, +1[ : Æ = g (Æ) () Æ = m donc le point fixe de g est racine de f .
5. Algorithme de point fixe :
Require: x 0 > 0, g : x 7! g (x)
46 © G. Faccanoni

x k+1 √ g (x k )
k √ k +1
end while
f (x)
6. La méthode de N EWTON est une méthode de point fixe avec g (x) = x ° f 0 (x)
f (x k ) x k3 + 4x k2 ° 10
x k+1 = x k ° = x k ° = g (x k )
f 0 (x k ) 3x k2 + 8x k
autrement dit la méthode de point fixe assignée est la méthode de N EWTON.

7. Étant donné que la méthode de point fixe donnée est la méthode de N EWTON et que la racine m de f est simple, elle
converge à l’ordre 2.
Quelques remarques à propos du critère d’arrêt basé sur le contrôle de l’incrément. Les itérations s’achèvent dès que |x k+1 °
x k | < " ; on se demande si cela garantît-t-il que l’erreur absolue ek+1 est elle aussi inférieur à ". L’erreur absolue à l’itération
(k + 1) peut être évaluée par un développement de TAYLOR au premier ordre
x ) ° g (x k )| = |g 0 (z k )ek |
ek+1 = |g (b
avec z k compris entre m et x k . Donc
|x k+1 ° x k | = |ek+1 ° ek | = |g 0 (z k ) ° 1|ek ' |g 0 (m) ° 1|ek .

3x+4
Puisque g 0 (x) = 2 x 2 (3x+8) 0
2 f (x), alors g (m) = 0 donc on a bien |x k+1 ° x k | ' ek .
Exercice 1.22
q
On se propose de calculer 4 13 en trouvant les racines réelles de l’application f de R dans R définie par f (x) = x 4 ° 13 .
1. Situer les 2 racines de f (i.e. indiquer 2 intervalles disjoints qui contiennent chacun une et une seule racine). En
particulier, montrer qu’il y a une racine xb comprise entre 0 et 1.
2. Soit g la fonction définie sur [0; 1] par
x(9x 4 + 5)
g (x) = .
3(5x 4 + 1)
2.1. Faire l’étude complète de la fonction g et la comparer à l’identité.
2.2. Soit la suite (x n )n2N définie par
x n+1 = g (x n ), x 0 2]0; 1[.
À l’aide des graphe de g et de l’identité sur [0; 1], dessiner la suite (x n )n2N sur l’axe des abscisses. Observer
graphiquement la convergence.
2.3. Justifier mathématiquement la convergence observée graphiquement.
2.4. Calculer l’ordre de convergence de la suite.
q
4 1
2.5. Écrire l’algorithme défini par la suite (x n )n2N qui permet de déterminer 3 à une précision de ".
3. Expliciter la méthode de N EWTON pour la recherche du zéro de la fonction f .
4. Entre la méthode de N EWTON et la méthode de point fixe x k+1 = g (x k ), quelle est la plus efficace ? Justifier la
réponse.

1. f est paire ; comme f 0 (x) = 4x 3 , f est croissante pour x > 0 et décroissante pour x < 0 ; puisque f (0) < 0 et f (°1) =
f (1) > 0, on conclut que il n’y a que deux racines réelles distinctes : xb 2]0; 1[ et °b
x 2] ° 1; 0[.
x(9x 4 +5)
2. On étudie la fonction g (x) = 3(5x 4 +1)
pour x ∏ 0.
2.1. ? g (x) ∏ 0 pour tout x ∏ 0 et g (x) = 0 ssi x = 0 ;
≥ ¥2 q ≥q ¥
5(9x 8 °6x 4 +1) 5 3x 4 °1 4 1 4 1
? g 0 (x) = = donc g 0
(x) ∏ 0 pour tout x 2]0; 1[ et g 0
(x) = 0 ssi x = . De plus, g 3 =
3(5x 4 +1)2 3 5x 4 +1 3
q
4 1
3.
q q
10 3x 4 °1 32x 3 20 0 32x 3 320x 3 (3x 4 °1)
? Enfin, g 00 (x) = 3
5x 4 +1 (5x 4 +1)2 = 3 g (x) (5x 4 +1)2 = (5x 4 +1)3 donc g 00 (x) = 0 ssi x = 0 ou x = 4 13 , g est
i q h q
concave pour x 2 0; 4 13 , convexe pour x > 4 13 .
© G. Faccanoni 47
y y
i (x) g (x) i (x) g (x)
q y = 35 x q
4 1 4 1
3 3
q x x0 x1 x2 x3 q
x4 x
4 1 1 4 1 1
3 3
(a) Graphe de g comparé au graphe de i . (b) Étude graphique de la convergence de la méthode de point fixe.
F IGURE 1.10.
? Pour le graphe de g comparé au graphe de i (x) = x pour x 2 [0; 1] voir la figure 1.10a.
? On vérifie analytiquement qu’il existe une et une seule intersection entre la courbe d’équation y = g (x) et
la droite d’équation y = x :
x(9x 4 + 5) 1
g (x) = x () =x () 9x 4 + 5 = 3(5x 4 + 1) () x4 = () f (x) = 0.
3(5x 4 + 1) 3
2.2. Pour l’étude graphique de la convergence de la méthode de point fixe voir la figure 1.10b.
2.3. Étudions la convergence de la méthode. On remarque que
r
x k+1 9x k4 + 5 4 1
= > 1 () x k <
xk 3(5x k4 + 1) 3
donc la suite récurrente ( i q h

x 0 2 0; 4 13
x k+1 = g (x k )
q q
est monotone croissante et majorée par 4 13 : elle est donc convergente vers ` ∑ 4 1
3. Comme ` = g (`) ssi ` =
q q
4 1 4 1
3 , on conclut qu’elle converge vers 3 . De même, la suite récurrente
( iq h
4 1
x0 2 3;0
x k+1 = g (x k )
q q
est monotone décroissante et minoré par 4 13 : elle est donc convergente vers ` ∑ 4 13 . Comme ` = g (`) ssi
q q
` = 4 13 , on conclut qu’elle converge vers 4 13 .
q
Par conséquent, quelque soit le point initiale, la méthode de point fixe donnée converge vers 4 13 point fixe de
g (et racine de f ).
Soulignons qu’on ne peut pas utiliser le théorème de point fixe pour prouver la convergence de la méthode car
g n’est pas contractante sur [0; 1]. En effet, dans [0; 1] on a
r
16
|g 0 (x)| < 1 () g 0 (x) < 1 () 5(3x 4 ° 1)2 < 3(5x 4 + 1)2 () 15x 8 + 30x 4 ° 1 > 0 () x 4 > °1 + 2]0; 1[.
15
q 8
p
x 4 +1 15 3
2.4. Si on pose xb = 4 13 alors g (b
x ) = xb, g 0 (b
x ) = 0, g 00 (b
x ) = 0 et g 000 (b x 2 25bx(5bx°22b
x ) = °320b 4 +1)4 = 2 : on conclut que la
suite converge à l’ordre 3.
2.5. Algorithme de point fixe :
Require: x 0 > 0, g : x 7! g (x)
48 © G. Faccanoni

x k+1 √ g (x k )
k √ k +1
end while
3. Entre la méthode de N EWTON et la méthode de point fixe x k+1 = g (x k ), la plus efficace est la méthode de point fixe
x k+1 = g (x k ) car elle est d’ordre 3 tandis que celle de N EWTON n’est que d’ordre 2.
Exercice 1.23 (Python)

Comparer les méthodes de la dichotomie, de L AGRANGE et de N EWTON pour approcher la racine xb ' 0.5149332646611294
de la fonction f (x) = cos2 (2x) ° x 2 sur l’intervalle ]0, 1.5[ avec une précision de 10°16 . Pour la méthode de N EWTON on
prendra x 0 = 0.75.
C ORRECTION DE L’ EXERCICE 1.23. On modifie les fonctions données à la page 23 pour que les méthodes s’arrêtent lorsque
le nombre d’itérations est égal à maxITER :
1 import math, sys
2
3 def dichotomie(f,a,b,tol,maxITER):
4 °°°!fa = f(a)
6 °°°!°°°!return a
7 °°°!fb = f(b)
9 °°°!°°°!return b
10 °°°!if fa*fb > 0.0:
12 °°°!°°°!sys.exit(0)
13 °°°!n = int(math.ceil(math.log(abs(b-a)/tol)/math.log(2.0)))
14 °°°!for k in range(min(n+1,maxITER)):
15 °°°!°°°!c = (a+b)*0.5
16 °°°!°°°!fc = f(c)
17 °°°!°°°!if fc == 0.0:
18 °°°!°°°!°°°!return c
19 °°°!°°°!if fc*fb < 0.0:
20 °°°!°°°!°°°!a = c
21 °°°!°°°!°°°!fa = fc
22 °°°!°°°!else:
23 °°°!°°°!°°°!b = c
24 °°°!°°°!°°°!fb = fc
25 °°°!return (a+b)*0.5
26
27 def lagrange(f,a,b,tol,maxITER):
28 fa = f(a)
29 if abs(fa)<=tol:
30 return a
31 fb = f(b)
32 if abs(fb)<=tol:
33 return b
34 if fa*fb > 0.0:
35 print "La racine n’est pas encadree"
36 sys.exit(0)
37 k = 0
38 fc = 2.*tol
39 while ( (abs(b-a)>tol) and (abs(fc)>tol) and (k<maxITER) ):
40 k += 1
41 c = a-fa*(b-a)/(fb-fa)
42 fc = f(c)
43 if fc == 0.0:
44 return c
45 if fc*fb < 0.0:
46 a = c
47 fa = fc
48 else:
© G. Faccanoni 49
49 b = c
50 fb = fc
51 return a-fa*(b-a)/(fb-fa)
52
53 def newton(f,x_init,tol,maxITER):
54 °°°!k = 0
55 °°°!x = x_init
56 °°°!fx = f(x)
57 °°°!h = tol
58 °°°!dfx = df(x)
59 °°°!while ( (abs(fx)>tol) and (k<maxITER) ):
60 °°°!°°°!x = x - fx/dfx
61 °°°!°°°!fx = f(x)
62 °°°!°°°!dfx = df(x)
63 °°°!°°°!k += 1
64 °°°!return x
Ensuite on construit une matrice dont la première colonne contient le nombre d’itérations, la deuxième colonne l’erreur
absolue obtenue par la méthode de la dichotomie avec le nombre d’itérations indiqué dans la première colonne, la troi-
sième colonne l’erreur absolue obtenue par la méthode de L AGRANGE et la dernière par la méthode de N EWTON.
65 def f(x):
66 return (math.cos(2.*x))**2-x**2
67 def df(x):
68 return -4.*math.cos(2.*x)*math.sin(2.*x)-2.*x
69
70 exact = 0.5149332646611294
71
72 nITER = 10
73 tol = sys.float_info.epsilon
74 a = 0.
75 b = 1.5
76 x_init = 0.75
77
78
79 XXX = []
80 Dic = []
81 Lag = []
82 New = []
83
84 for i in range(nITER):
85 maxITER = i
86 XXX.append(maxITER)
87 Dic.append(abs(exact-dichotomie(f,a,b,tol,maxITER)))
88 Lag.append(abs(exact-lagrange(f,a,b,tol,maxITER)))
89 New.append(abs(exact-newton(f,x_init,tol,maxITER)))
90 print "%2.g %15.17f %15.17f %15.17f" % (XXX[i], Dic[i], Lag[i], New[i])
On obtient ainsi le tableau

maxITER Dichotomie L AGRANGE N EWTON
0 0.23506673533887057 0.14588447288050665 0.23506673533887057
1 0.13993326466112943 0.03464350570111258 0.07773975719741250
2 0.04756673533887057 0.00260088757041255 0.00023079676801208
3 0.04618326466112943 0.00002318596617201 0.00000001670020067
4 0.00069173533887057 0.00000020304484416 0.00000000000000011
5 0.02274576466112943 0.00000000177782544 0.00000000000000000
6 0.01102701466112943 0.00000000001556633 0.00000000000000000
7 0.00516763966112943 0.00000000000013634 0.00000000000000000
8 0.00223795216112943 0.00000000000000122 0.00000000000000000
9 0.00077310841112943 0.00000000000000000 0.00000000000000000
On affiche enfin les erreurs absolues |b

x ° x maxITER | en fonction du nombre d’itérations pour chaque méthode avec une
échelle logarithmique pour l’axe des ordonnées.
91 from matplotlib.pylab import *
50 © G. Faccanoni
92 xlabel(’Iterations’)
93 ylabel(’Absolute error’)
94 axis([0.,nITER,0.,0.1])
95 semilogy(XXX,Dic,"r-o",XXX,Lag,"g-o",XXX,New,"y-o")
96 legend([’Dichotomie’,’Lagrange’,’Newton’])
97 show()
Le résultat est le suivant
On remarque tout d’abord que la décroissance de l’erreur avec la méthode de la dichotomie n’est pas monotone. De plus,
on voit que la méthode de N EWTON est d’ordre 2 tandis que la méthode de L AGRANGE est d’ordre 1.
© G. Faccanoni 51
2. Interpolation
© ™n
Étant donné n + 1 points (x i , y i ) i =0 , trouver une fonction f : x 7! f (x) telle que f (x i ) = y i
Approcher une fonction f consiste à la remplacer par une autre fonction ' dont la forme est plus simple et dont on
peut se servir à la place de f . On verra dans le prochain chapitre qu’on utilise fréquemment cette stratégie en intégration
Rb Rb
numérique quand, au lieu de calculer a f (x) dx on calcule de manière exacte a '(x) dx, où ' est une fonction simple à
intégrer (par exemple polynomiale). Dans d’autres contextes, la fonction f peut n’être connue que par les valeurs qu’elle
prend en quelques points particuliers. Dans ce cas, on cherche à construire une fonction continue ' représentant une loi
empirique qui se cacherait derrière les données.
2.1. Position du problème

© ™n
Étant donné n + 1 couples (x i , y i ) i =0 , le problème consiste à trouver une fonction ' = '(x) telle que '(x i ) = y i ; on dit
alors que ' interpole l’ensemble de valeurs {y i }ni=0 aux nœuds {x i }ni=0 . Les quantités y i représentent les valeurs aux nœuds
x i d’une fonction f connue analytiquement ou des données expérimentales. Dans le premier cas, l’approximation a pour
but de remplacer f par une fonction plus simple en vue d’un calcul numérique d’intégrale ou de dérivée. Dans l’autre cas, le
but est d’avoir une représentation synthétique de données expérimentales (dont le nombre peut être très élevé). On parle
d’interpolation polynomiale quand ' est un polynôme et d’interpolation polynomiale par morceaux (ou d’interpolation
par fonctions splines) si ' est polynomiale par morceaux.
2.1.1. Interpolation polynomiale

Notons Rm [x] l’espace vectoriel formé par tous les polynômes de © degré inférieur ™ ou égale à m. Il est bien connu que
Rm [x] a dimension m + 1 et que sa base canonique est donnée par 1, x, x 2 , . . . , x m .
Supposons que l’on veuille chercher un polynôme P m de degré m ∏ 0 qui, pour des valeurs x 0 , x 1 , x 2 , . . . , x m distinctes
données (appelés nœuds d’interpolation), prenne les valeurs y 0 , y 1 , y 2 , . . . , y m respectivement, c’est-à-dire
P m (x i ) = y i pour 0 ∑ i ∑ m. (2.1)
Si un tel polynôme existe, il est appelé polynôme d’interpolation ou polynôme interpolant.

Une manière apparemment simple de résoudre ce problème est d’écrire le polynôme dans la base canonique de Rm [x] :
P m (x) = a 0 + a 1 x + a 2 x 2 + · · · + a m x m ,
où a 0 , a 1 , a 2 , . . . , a m sont des coefficients qui devront être déterminés. Les (m + 1) relations (2.1) s’écrivent alors
8
>
> a 0 + a 1 x 0 + . . . a n x 0m = y 0
>
>
<a + a x + . . . a x m = y
0 1 1 n 1 1
>
> . . .
>
>
: m
an + a1 xm + . . . am xm = ym
Puisque les valeurs x i et y i sont connues, ces relations forment un système linéaire de (m + 1) équations en les (m + 1)
inconnues a 0 , a 1 , a 2 , . . . , a m qu’on peut mettre sous la forme matricielle 1
0 10 1 0 1
1 x 0 . . . x 0m a0 y0
B1 x . . . x 1m C B C B C
B 1 C B a1 C B y 1 C
B. .. C B C B C
B. .. CB . C = B . C. (2.2)
@. . . A @ .. A @ .. A
m
1 xm ... xm am ym
0 1
1 x 0 ... x 0m
B 1 x1 ... x1m C
B C
1. La matrice B . . . C s’appelle matrice de VANDERMONDE.
@. . . A
. . .
m
1 x m ... x m
53
2. Interpolation Dimanche 29 septembre 2013
Ainsi, le problème consistant à chercher le polynôme P m satisfaisant (2.1) peut se réduire à résoudre le système linéaire (2.2).
Cependant, résoudre une système linéaire de (m + 1) équations à (m + 1) inconnues n’est pas une tache triviale. Cette
méthode pour trouver le polynôme P m n’est donc pas une bonne méthode en pratique. Dans la suite on va étudier une
méthode plus astucieuse pour construire le polynôme P m .
2.2. Interpolation de L AGRANGE

Quand on écrit le polynôme P m dans la base canonique de Rm [x], le problème est de déterminer les (m + 1) coefficients
a 0 , a 1 , a 2 , . . . , a m tels que
P m (x) = a 0 + a 1 x + a 2 x 2 + · · · + a m x m .
On se demande s’il existe une autre base { L 0 , L 1 , L 2 , . . . , L m } de Rm [x] telle que le polynôme P m s’écrit
P m (x) = y 0 L 0 (x) + y 1 L 1 (x) + y 2 L 2 (x) + · · · + y m L m (x),
autrement dit s’il existe une base telle que les coordonnées du polynôme dans cette base ne sont rien d’autre que les valeurs
connues y 0 , y 1 , . . . , y m .
Pour trouver une telle base, commençons par imposer le passage du polynômes par les m + 1 points donnés : les (m + 1)
relations (2.1) imposent la condition :
(
1 si i = j
L i (x j ) = pour 0 ∑ i , j ∑ m,
0 sinon
ce qui donne
n x °x
Y (x ° x 0 )(x ° x 1 ) · · · (x ° x i °1 )(x ° x i +1 ) · · · (x ° x m )
j
L i (x) = = .
j =0 xi ° x j (x i ° x 0 )(x i ° x 1 ) · · · (x i ° x i °1 )(x i ° x i +1 ) · · · (x i ° x m )
j 6=i
Clairement, le numérateur de L i (x) est un produit de m termes (x ° x j ) avec i 6= j et est donc un polynôme de degré m. Le
dénominateur est une constante et il est facile de vérifier que
? L i (x) 2 Rm [x],
? L i (x j ) = 0 si i 6= j , 0 ∑ i ∑ m,
? L i (x i ) = 1.
P
De plus, les polynômes L 0 , L 1 , L 2 , . . . , L m sont linéairement indépendants car si l’équation m i =0 Æi L i (x) = 0 doit être satis-
Pm P
faite pour tout x 2 R alors i =0 Æi L i (x j ) = 0 doit être vraie pour tout j = 0, 1, . . . , m et puisque m i =0 Æi L i (x j ) = Æ j , on conclut
que tous les Æ j sont nuls. Par conséquent, la famille { L 0 , L 1 , L 2 , . . . , L m } forme une base de Rm [x].
Il est important de remarquer que nous avons construit explicitement une solution du problème (2.1) et ceci pour n’im-
porte quelles valeurs y 0 , y 1 , y 2 , . . . , y m données. Ceci montre que le système linéaire (2.2) a toujours une unique solution.
Théorème Interpolation de L AGRANGE
Étant donné m + 1 points distincts x 0 , . . . , x m et m + 1 valeurs correspondantes y 0 , . . . , y m , il existe un unique polynôme
P m 2 Rm [x] tel que P m (x i ) = y i , pour i = 0, . . . m qu’on peut écrire sous la forme
m
X m x °x
Y j
P m (x) = y i L i (x) 2 Rm [x] où L i (x) = .
i =0 j =0 xi ° x j
j 6=i
Cette relation est appelée formule d’interpolation de L AGRANGE et les polynômes L i sont les polynômes caractéristiques
(de L AGRANGE).
Exemple
Pour m = 2 le polynôme de L AGRANGE s’écrit
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

P (x) = y 0 + y1 + y2
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
Exemple
On cherche le polynôme d’interpolation de L AGRANGE qui en °1 vaut 8, en 0 vaut 3 et en 1 vaut 6. On a
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

P (x) = y 0 + y1 + y2
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
54 © G. Faccanoni
Dimanche 29 septembre 2013 2. Interpolation
x(x ° 1) (x + 1)(x ° 1) (x + 1)x

=8 +3 +6 = 4x 2 ° x + 3.
2 °1 2
Remarque
Si m est petit il est souvent plus simple de calculer directement les coefficients a 0 , a 1 , . . ., a m en résolvant le système
linéaire (2.2).
Soit f : R ! R une fonction continue donnée et soit x 0 , x 1 , x 2 , . . . , x m , (m+1) points distincts donnés. Interpoler la fonction
f aux points x i , 0 ∑ i ∑ m signifie chercher un polynôme P m de degré m tel que
P m (x i ) = f (x i ) pour 0 ∑ i ∑ m. (2.3)
La solution de ce problème est donc donnée par

m
X m x °x
Y j
P m (x) = f (x i )L i (x) 2 Rm [x] où L i (x) =
i =0 j =0 xi ° x j
j 6=i
et le polynôme P m est appelée interpolant de f de degré m aux points x 0 , x 1 , x 2 , . . . , x m .

Exemple
Soit f : R ! R la fonction définie par f (x) = e x . On cherche l’interpolant de f aux points °1, 0, 1. On a
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

P (x) = f (x 0 ) + f (x 1 ) + f (x 2 )
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
µ ∂ µ ∂
1 x(x ° 1) (x + 1)(x ° 1) (x + 1)x 1 e 2 e 1
= + +e = °1° x + ° x + 1.
e 2 °1 2 2e 2 2 2e
La figure ci-dessous montre le graphe de la fonction f et de son interpolant aux points °1, 0, 1.
y
e
f
P2
1
e
°1 0 1 x
Proposition Erreur
Si y i = f (x i ) pour i = 0, 1, . . . , n, f : I ! R étant une fonction donnée de classe C n+1 (I ) où I est le plus petit intervalle
contenant les nœuds distincts { x i }ni=0 , alors il existe ª 2 I tel que l’erreur d’interpolation au point x 2 I est donnée par
f (n+1) (ª)
E n (x) ¥ f (x) ° P n (x) = !n+1 (x)
(n + 1)!
n
Q
où !n+1 (x) ¥ (x ° x j ).
i =0
Démonstration. Le résultat est évidemment vrai si x coïncide avec l’un des nœuds d’interpolation car E n (x i ) = 0 pour
i = 0, 1, . . . , n. Autrement, considérons x 2 I , x 6= x i pour i = 0, . . . , n et définissons la fonction
G: I !R
!n+1 (t )
t 7! E n (t ) ° E n (x)
!n+1 (x)
© G. Faccanoni 55
Puisque f 2 C (n+1) (I ) et puisque !n+1 est un polynôme, G 2 C (n+1) (I ) et possède au moins n + 2 zéros distincts dans I . En
effet, les zéros de G sont les n + 1 nœuds x i et le point x car
!n+1 (x i )
G(x i ) = E n (x i ) ° E n (x) = 0, i = 0, . . . , n
!n+1 (x)
!n+1 (x)
G(x) = E n (x) ° E n (x) = 0.
!n+1 (x)
Ainsi, d’après le théorème des valeurs intermédiaires, G 0 admet au moins n + 1 zéros distincts et par récurrence G ( j ) a au
moins n + 2 ° j zéros distincts. Par conséquent, G (n+1) a au moins un zéro, qu’on note ª. D’autre part, puisque E n(n+1) (t ) =
f (n+1) (t ) et !(n+1)
n+1 (x) = (n + 1)! on a
(n + 1)!
G (n+1) (t ) = f (n+1) (t ) ° E n (x)
!n+1 (x)
ce qui donne, avec t = ª, l’expression voulue pour E n (x).
Dans le cas d’une distribution uniforme de nœuds, i.e. quand x i = x i °1 + h avec i = 1, 2, . . . , n et h > 0 et x 0 donnés, on a
h n+1
|!n+1 (x)| ∑ n!
4
et donc
maxx2I | f (n+1) (x)| n+1
max|E n (x)| ∑ h .
x2I 4(n + 1)
Attention Les défauts de l’interpolation polynomiale avec nœuds équirépartis

Malheureusement, on ne peut pas déduire de cette relation que l’erreur tend vers 0 quand n tend vers l’infini, bien que
h n+1 /[4(n + 1)] tende effectivement vers 0. En fait, il existe des fonctions f pour lesquelles maxx2I |E n (x)| °°°°°! +1. Ce
n!+1
résultat frappant indique qu’en augmentant le degré n du polynôme d’interpolation, on n’obtient pas nécessairement
une meilleure reconstruction de f .
Exemple Le contre-exemple de RUNGE

1
Ce phénomène est bien illustré par la fonction de RUNGE : soit la fonction f : [°5, 5] ! R définie par f (x) = . La fonction f
1+x 2
(n)
est infiniment dérivable sur [°5, 5] et | f (±5)| devient très rapidement grand lorsque n tend vers l’infini. Si on considère une dis-
tribution uniforme des nœuds on voit que l’erreur tend vers l’infini quand n tend vers l’infini. Ceci est lié au fait que la quantité
n+1
h
maxx2[°5,5] | f (n+1) (x)| tend plus vite vers l’infini que 4(n+1) tend vers zéro. La figure 2.1a montre ses polynômes interpolants de de-
grés 3, 5 et 10 pour une distribution équirepartie des nœuds. Cette absence de convergence est également mise en évidence par les
fortes oscillations observées sur le graphe du polynôme d’interpolation (absentes sur le graphe de f ), particulièrement au voisinage
des extrémités de l’intervalle. Ce comportement est connu sous le nom de phénomène de RUNGE. On peut éviter le phénomène de
RUNGE en choisissant correctement la distribution des nœuds d’interpolation. Sur un intervalle [a, b], on peut par exemple considérer
les nœuds de C HEBYSHEV-G AUSS -L OBATTO (voir figure 2.1b)
a +b b °a ≥º ¥
xi = ° cos i , pour i = 0, . . . , n
2 2 n
Pour cette distribution particulière de nœuds, il est possible de montrer que, si f est dérivable sur [a, b], alors P n converge vers f
quand n ! +1 pour tout x 2 [a, b]. Les nœuds de C HEBYSHEV-G AUSS -L OBATTO, qui sont les abscisses des nœuds équirépartis sur le
demi-cercle unité, se trouvent à l’intérieur de [a, b] et sont regroupés près des extrémités de l’intervalle. Ces figures ont été obtenue
par les instructions suivantes :
2
3 def lagrange(t,x,y):
4 °°°!p = 0
5 °°°!n = len(x)
6 °°°!L = [1 for i in range(n)]
7 °°°!for i in range(n):
8 °°°!°°°!for j in range(n):
9 °°°!°°°!°°°!if j!=i:
10 °°°!°°°!°°°!°°°!L[i] *= (t-x[j])/(x[i]-x[j])
11 °°°!°°°!p += y[i]*L[i]
12 °°°!return p
13
14 def f(x):
15 °°°!return 1./(1.+x**2)
56 © G. Faccanoni
"Noeuds équirépartis"
1 x1 = linspace(-5,5,3)
2 x2 = linspace(-5,5,5)
3 x3 = linspace(-5,5,10)
4 y1 = f(x1)
5 y2 = f(x2)
6 y3 = f(x3)
7
8 # Calcul des polynomes en plusieurs points d’un intervalle pour affichage

9 t = arange(-5,5,.1)
10 l1t = []
11 l2t = []
12 l3t = []
13 for k in t:
14 °°°!l1t.append(lagrange(k,x1,y1))
17
18 plot(t,f(t),’r-’,t,l1t,’b:’,t,l2t,’m-.’,t,l3t,’y--’)
19 legend([’f’,’p_3’,’p_5’,’p_10’],loc=’lower center’)
20 axis([-5, 5, -0.5, 1])
21 show()
"Noeuds de C HEBYSHEV-G AUSS -L OBATTO"

1 def Tchebychev(a,b,n):
2 °°°!return [0.5*(a+b)-0.5*(b-a)*cos(pi*i/(n-1)) for i in range(n)]
3
4 x1 = Tchebychev(-5,5,3)
7 y1 = [f(x) for x in x1]
10

12 t = arange(-5,5,.1)
13 l1t = []
14 l2t = []
15 l3t = []
16 for k in t:
20
21 plot(t,f(t),’r-’,t,l1t,’b:’,t,l2t,’m-.’,t,l3t,’y--’)
22 legend([’f’,’p_3’,’p_5’,’p_10’],loc=’lower center’)
23 axis([-5, 5, -0.5, 1])
24 show()
2.2.1. Stabilité de l’interpolation polynomiale

Soit f : I ! R une fonction de classe C n+1 (I ) où I est le plus petit intervalle contenant les nœuds distincts { x i }ni=0 .
Qu’arrive-t-il aux polynômes d’interpolation si, au lieu des valeurs exactes f (x i ), on considère des valeurs perturbées f˜(x i ),
i = 0, . . . , n ? Ces perturbations peuvent provenir d’erreurs d’arrondi ou d’incertitudes dans les mesures. Soit P n le polynôme
exact interpolant les valeurs f (x i ) et P̃ n le polynôme exact interpolant les valeurs f˜(x i ). En notant x le vecteur dont les
composantes sont les nœuds d’interpolation, on a
n
X
max|P n (x) ° P̃ n (x)| = max| ( f (x i ) ° f˜(x i ))'i (x)| ∑ §n (x) max | f (x) ° f˜(x)|
x2I x2I i =0 0∑i ∑n
© G. Faccanoni 57
(a) (b)
F IGURE 2.1.: Interpolation de L AGRANGE, exemple de RUNGE
où
n
X
§n (x) ¥ max |'i (x)|
x2I i =0
est appelée constante de L EBESGUE (noter que cette constante dépend des nœuds d’interpolation). Des petites perturba-
tions sur les valeurs nodales f (x i ) entraînent des petites variations sur le polynôme d’interpolation quand la constante
de L EBESGUE est petite. La constante de L EBESGUE mesure donc le conditionnement du problème d’interpolation. Pour
l’interpolation de L AGRANGE avec des nœuds équirépartis
2n+1
§n (x) '
(ln(n) + ∞)ne
où e ' 2.71834 (nombre de N EPER) et ∞ ' 0.547721 (constante d’E ULER). Quand n est grand, l’interpolation de L AGRANGE
sur des nœuds équirépartis peut donc être instable.
Exemple
Dans la Figure 2.2 on a tracé
? la fonction f (x) = sin(2ºx),
? le polynôme de L AGRANGE `21 qui interpole f en 22 nœuds équirépartis sur l’intervalle [°1; 1], c’est-à-dire l’ensemble
© ™21
x i = °1 + 0.1i , y i = f (x i ) i =0 ,
© ™21
? le polynôme de L AGRANGE p 21 qui interpole l’ensemble perturbé (x i , ỹ i ) i =0 où ỹ i est une perturbation aléatoire des valeurs
exactes y i de sorte que
max |y i ° ỹ i | ∑ 10°3 .
i =0,...,21
On remarque que la différence entre ces deux polynômes est bien plus grande que la perturbation des données. Plus précisément
max|P n (x) ° P̃ n (x)| ' 6.212

x2I
et l’écart est particulièrement important aux extrémités de l’intervalle. Remarquer que dans cet exemple la constante de L EBESGUE
est très grande : §n (x) ' 19274.
Cette figure a été obtenue par les instructions :
2 import random
3
5 °°°!p = 0
6 °°°!n = len(x)
10 °°°!°°°!°°°!if j!=i:
11 °°°!°°°!°°°!°°°!L[i] *= (t-x[j])/(x[i]-x[j])
12 °°°!°°°!p += y[i]*L[i]
13 °°°!return p
14
58 © G. Faccanoni
F IGURE 2.2.: Effet de perturbations sur l’interpolation de L AGRANGE en des nœuds équirépartis.
15 def f(x):
16 °°°!return sin(2*math.pi*x)
17
18 x1 = linspace(-1,1,22)
19 y1 = f(x1)
20 y2 = [yi+(2.*random.random()-1.)*0.001 for yi in y1]
21

23 t = arange(-1,1,.01)
24 l1t = []
25 l2t = []
26 for k in t:
29
30 print max(abs(y1-y2))
31 print max([abs(l1t[i]-l2t[i]) for i in range(len(t))])
32
33 plot(t,f(t),’r-’,t,l1t,’b:’,t,l2t,’g:’)
34 legend([’f’,’l_21’,’p_21’],loc=’lower center’)
35 axis([-1, 1, -3, 4])
36 show()
Méthode des moindres carrés : fitting par une relation affine

Lorsqu’un chercheur met au point une expérience (parce qu’il a quelques raisons de © croire ™que les deux grandeurs x
n
et y sont liées par une fonction f ), il récolte des données sous la forme de points (x i , y i ) i =0 . Lorsqu’il en fait une
représentation graphique il cherche f pour qu’elle s’ajuste le mieux possible aux points observés.
Nous avons déjà vu que si n est grand, le polynôme d’interpolation de L AGRANGE n’est pas toujours une bonne approxi-
mation d’une fonction donnée/cherchée. De plus, si les données sont affectées par des erreurs de mesure, l’interpolation
peut être instable. Ce problème peut être résolu avec l’interpolation composite (avec des fonctions linéaires par morceau
ou des splines). Néanmoins, aucune de ces méthodes n’est adaptée à l’extrapolation d’informations à partir des données
disponibles, c’est-à-dire, à la génération de nouvelles valeurs en des points situés à l’extérieur de l’intervalle contenant
les nœuds d’interpolation. On introduit alors la méthode des moindres carrés : soit d i = y i ° f (x i ) l’écart vertical du
point (x i , y i ) par rapport à la fonction f . La méthode des moindres carrés est celle qui choisit f de sorte que la somme
des carrés de ces déviations soit minimale.
Supposons que les deux grandeurs x et y sont liées approximativement par une relation affine, c’est-à-dire de la forme
y = mx + q pour certaines valeurs de m et q (autrement dit, lorsqu’on affiche ces points dans un plan cartésien, les
points ne sont pas exactement alignés mais cela semble être dû à des erreurs de mesure). On souhaite alors trouver les
constantes m et q pour que la droite d’équation y = mx + q s’ajuste le mieux possible aux points observés. Pour cela,
introduisons d i ¥ y i ° (mx i + q) l’écart vertical du point (x i , y i ) par rapport à la droite.
© G. Faccanoni 59
La méthode des moindres carrés est celle qui choisit m et q de sorte que la somme des carrés de ces déviations soit
minimale. Pour cela, on doit minimiser la fonction E : R2 ! R+ définie par
n
X n
X
E (m, q) = d i2 = (y i ° mx i ° q)2 .
i =0 i =0
@E @E
Pour minimiser E on cherche d’abord les points stationnaires, i.e. les points (m, q) qui vérifient @m = @q = 0. Puisque
√ ! √ !
@E Xn @E X n
(m, q) = °2 (y i ° (mx i + q))x i , (m, q) = °2 (y i ° (mx i + q)) ,
@m i =0 @q i =0
alors
( (P
@E n
@m (m, q) = 0 (y i ° mx i ° q)x i = 0
@E () Pin=0
@q (m, q) = 0 i =0 (y i ° mx i ° q) = 0
8 °Pn ¢ ° Pn ¢ °Pn ¢
>
> i =0 x i i =0 y i ° (n + 1) i =0 x i y i
(°P ¢ °P ¢ P >
>m= °Pn ¢2 °Pn ¢ ,
n
x i2 m + ni=0 x i q = ni=0 y i x i < x ° (n + 1) x 2
i =1 °Pn ¢ ° Pn
i =0 i ¢ °Pn i =0 ¢ ° Pn
i ¢
() °Pn ¢ Pn () 2
i =1 x i m + (n + 1)q = i =0 y i
>
>
> i =0 x i i =0 x i y i ° i =0 y i i =0 x i
>q =
: °Pn ¢2 °Pn ¢ .
2
i =0 x i ° (n + 1) i =0 x i
On a trouvé un seul point stationnaire. On établi sa nature en étudiant la matrice Hessienne :

µPn Pn ∂
x2 i =0 x i
HE (m, q) = 2 Pin=1 i
i =0 x i (n + 1)
≥ P °P ¢2 ¥ P
et det(HE (m, q)) = 4 (n + 1) ni=1 x i2 ° ni=0 x i > 0 avec @mm E (m, q) = ni=1 x i2 > 0 donc il s’agit d’un minimum. La
droite d’équation y = mx + q ainsi calculée s’appelle droite de régression de y par rapport à x.
Exemple y
Si on a le points suivantes 5
4
x 1 2 3 4 5 3
2
y 0.9 1.5 3.5 4.2 4.9 1
on trouve m = 1.07 et q = °0.21. 012345x
2.3. Polynôme d’H ERMITE ou polynôme osculateur

On peut généraliser l’interpolation de L AGRANGE pour prendre en compte, en plus des valeurs nodales, les valeurs de la
dérivée du polynôme interpolateur dans ces nœuds.
Considérons n + 1 triplets (x i , y i , y i0 ), le problème est de trouver un polynôme ¶m (x) = a 0 + a 1 x + . . . a m x m 2 Rm [x] tel
quel (
¶m (x i ) = y i ,
i = 0, . . . n.
¶0m (x i ) = y i0 ,
Il s’agit d’un système linéaire de 2(n + 1) équations et m + 1 inconnues. Si m = 2n + 1 on a le résultat suivant :
Théorème
Étant donné n + 1 points distincts x 0 , . . . , x n et n + 1 couples correspondantes (y 0 , y 00 ), . . . , (y n , y n0 ), il existe un unique
60 © G. Faccanoni
polynôme ¶2n+1 2 R2n+1 [x] tel que ¶2n+1 (x i ) = y i et ¶02n+1 (x i ) = y i0 , pour i = 0, . . . n qu’on peut écrire sous la forme
8 n
Q
> x°x j
>L i (x)
> = x i °x j ,
>
> j =0
>
>
>
> j 6=i
n >
< Pn
X ci = 1
,
Q(x) = y i A i (x) + y i0 B i (x) 2 P2n+1 où j =0
x i °x j
i =0
>
>
>
> j 6=i
>
>
>
>
> A i (x) = (1 ° 2(x ° x i )c i )(L i (x))2 ,
>
:
B i (x) = (x ° x i )(L i (x))2 ,
ou encore sous la forme

8 n
> Q x°x j
>
> L i (x) = ,
>
> j =0
x i °x j
>
>
n >
< j 6=i
X n
Q(x) = (y i D i (x) + y i0 (x ° x i ))(L i (x))2 où 1 P
> ci = x i °x j ,
i =0 >
> j =0
>
>
>
> j 6=i
>
:D (x) = 1 ° 2(x ° x )c .
i i i
Cette relation est appelée formule d’interpolation de H ERMITE.
Exemple
Pour n = 2 le polynôme d’H ERMITE s’écrit
µ µ ∂∂ µ ∂ µ ∂
1 1 (x ° x 1 )(x ° x 2 ) 2 (x ° x 1 )(x ° x 2 ) 2
Q(x) = y 0 1 ° 2(x ° x 0 ) + + y 00 (x ° x 0 )
x0 ° x1 x0 ° x2 (x 0 ° x 1 )(x 0 ° x 2 ) (x 0 ° x 1 )(x 0 ° x 2 )
µ µ ∂∂ µ ∂ µ ∂
1 1 (x ° x 0 )(x ° x 2 ) 2 0 (x ° x 0 )(x ° x 2 ) 2
+ y 1 1 ° 2(x ° x 1 ) + + y 1 (x ° x 1 )
x1 ° x0 x1 ° x2 (x 1 ° x 0 )(x 1 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 )
µ µ ∂∂ µ ∂ µ ∂
1 1 (x ° x 0 )(x ° x 1 ) 2 (x ° x 0 )(x ° x 1 ) 2
+ y 2 1 ° 2(x ° x 2 ) + + y 20 (x ° x 2 ) ,
x2 ° x0 x2 ° x1 (x 2 ° x 0 )(x 2 ° x 1 ) (x 2 ° x 0 )(x 2 ° x 1 )
qu’on peut réécrire comme

µ µ µ ∂∂ ∂µ ∂
1 1 (x ° x 1 )(x ° x 2 ) 2
Q(x) = y 0 1 ° 2(x ° x 0 ) + + y 00 (x ° x 0 )
x0 ° x1 x0 ° x2 (x 0 ° x 1 )(x 0 ° x 2 )
µ µ µ ∂∂ ∂µ ∂
1 1 0 (x ° x 0 )(x ° x 2 ) 2
+ y 1 1 ° 2(x ° x 1 ) + + y 1 (x ° x 1 )
x1 ° x0 x1 ° x2 (x 1 ° x 0 )(x 1 ° x 2 )
µ µ µ ∂∂ ∂µ ∂
1 1 (x ° x 0 )(x ° x 1 ) 2
+ y 2 1 ° 2(x ° x 2 ) + + y 20 (x ° x 2 ) .
x2 ° x0 x2 ° x1 (x 2 ° x 0 )(x 2 ° x 1 )
Remarque
Si n est petit on peut calculer directement les coefficients a 0 , a 1 , . . ., a 2n+1 en résolvant le système linéaire de 2n + 2
équations
8 0 10 1 0 1
>
> a 0 + a 1 x 0 + . . . a 2n+1 x 02n+1 = y 0 1 x0 ... x 02n+1 a0 y0
>
>
>
>a 0 + a 1 x 1 + . . . a 2n+1 x 1
> 2n+1
= y1 B1
B x1 ... x 12n+1 C B a1 C
CB C
B y1 C
B C
>
> B. .. .. CB . C B . C
>. . .
> B .. C B .. C B .. C
>
>
> B . . CB C B C
<a + a x + . . . a x 2n+1 = y B CB C B C
n 1 n 2n+1 n n B1 xn ... x n2n+1 CB C Byn C
i.e. B 2n+1°1 C B C= B 0C
>
> a 1 + a 2 x 0 + . . . 2n + 1a 2n+1 x 02n+1°1 = y 00 B0 x0 ... 2n + 1x 0 CB C B y0 C
>
> B 2n+1°1 C B C B 0C
>
>a 1 + a 2 x 0 + . . . 2n + 1a 2n+1 x 2n+1°1 = y 0 B0 x1 ... 2n + 1x 1 CB C B y1 C
>
> 1 1 B CB C B C
>
> B. .. .. CB . C B . C
>
> ... @ .. . . A @ .
. A @ .. A
>
>
: 0 xn ... 2n + 1x n 2n+1°1
a 2n+1 y n0
a n + a 1 x n + . . . 2n + 1a 2n+1 x n2n+1°1 = y n0
| {z } | {z } | {z }
(2n+2)£(2n+2) (2n+2)£1 (2n+2)£1
© G. Faccanoni 61
Exemple RUNGE
On veut voir si avec l’interpolation d’H ERMITE on arrive à mieux approcher la fonction de RUNGE. Soit la fonction f : [°5, 5] ! R
définie par f (x) = 1 2 . La figure ci-dessous montre les polynômes interpolants de degrés 3, 5 et 10 pour une distribution équirepartie
1+x
des nœuds.
Cette figure a été obtenue par les instructions :

2
3 def hermite(t,x,y,dy):
4 °°°!p = 0
5 °°°!n = len(x)
7 °°°!c = [0 for i in range(n)]
9 °°°!°°°!for j in range(len(x)):
10 °°°!°°°!°°°!if j!=i:
11 °°°!°°°!°°°!°°°!L[i] *= (t-x[j])/(x[i]-x[j])
12 °°°!°°°!°°°!°°°!c[i] += 1./(x[i]-x[j])
13 °°°!°°°!p += (y[i]*(1.-2.*(t-x[i])*c[i])+dy[i]*(t-x[i]))*L[i]**2
14 °°°!return p
15
16 def f(x):
17 °°°!return 1./(1.+x**2)
18
19 def df(x):
20 °°°!return -2.*x/(1.+x**2)**2
21
22 # INPUT
23 x1 = linspace(-5,5,3)
24 x2 = linspace(-5,5,5)
25 x3 = linspace(-5,5,10)
26 y1 = f(x1)
27 y2 = f(x2)
28 y3 = f(x3)
29 dy1 = df(x1)
30 dy2 = df(x2)
31 dy3 = df(x3)
32

34 t = arange(-5,5,.1)
35 h1t = []
36 h2t = []
37 h3t = []
38 for k in t:
39 °°°!h1t.append(hermite(k,x1,y1,dy1))
42
43 plot(t,f(t),’r-’,t,h1t,’b:’,t,h2t,’m-.’,t,h3t,’y--’)
44 legend([’f’,’q_3’,’q_5’,’q_10’],loc=’lower center’)
45 axis([-5, 5, -1, 1])
46 show()
62 © G. Faccanoni
Même avec l’interpolation d’H ERMITE on voit que l’erreur tend vers l’infini quand n tend vers l’infini pour une distribution uniforme
des nœuds.
Algorithmes
L AGRANGE : © ™n H ERMITE :
© ™n
Require: t , n, (x i , y i ) i =0 Require: t , n, (x i , y i , y i0 ) i =0
p √0 p √0
for i = 0 to n do for i = 0 to n do
Li √ 1 Li √ 1
for j = 0 to n do for j = 0 to n do
if j 6= i then if j 6= i then
t ° xj t ° xj
Li √ £ Li Li √ £ Li
xi ° x j xi ° x j
end if 1
end for ci √ + ci
xi ° x j
p √ p + yi £ Li end if
end for end for ° ¢
return p p √ p + y i £ (1 ° 2(t ° x i ) £ c i ) + y i0 £ (t ° x i ) £ L 2i
end for
return p
2.4. Splines : interpolation par morceaux

On a mis en évidence le fait qu’on ne peut pas garantir la convergence uniforme du polynôme interpolatoire de L A -
GRANGE vers f quand les nœuds d’interpolation sont équirépartis. L’interpolation de L AGRANGE de bas degré est cepen-
dant suffisamment précise quand elle est utilisée sur des intervalles assez petits, y compris avec des nœuds équirépartis
(ce qui est commode en pratique). Il est donc naturel d’introduire une partition de [a; b] en n sous-intervalles [x i , x i +1 ], tels
que [a; b] = [0∑i ∑n°1 [x i , x i +1 ] et d’utiliser l’interpolation de L AGRANGE sur chaque sous-intervalles [x i , x i +1 ] en utilisant m
nœuds équirépartis avec m petit (généralement m = 1 ou 3).
Définition
Étant donné n + 1 points distincts x 0 , . . . , x n de [a; b] avec a = x 0 < x 1 < · · · < x n = b, la fonction s k : [a; b] ! R est une
spline de degré k relative aux nœuds {x i } si
(
s k (x)|[xi ;xi +1] 2 Rk [x], i = 0, 1, . . . , n ° 1,
s k 2 C k°1 ([a; b]).
Évidemment tout polynôme de degré k est une spline, mais en pratique une spline est constituée de polynômes différents
sur chaque sous-intervalle. Il peut donc y avoir des discontinuités de la dérivée k-ième aux nœuds internes x 1 , . . . , x n°1 .
2.4.1. Interpolation linéaire composite

Étant donné une distribution (non nécessairement uniforme) de nœuds x 0 < x 1 < · · · < x n , on approche f par une
fonction continue qui, sur chaque intervalle [x i , x i +1 ], est définie par le segment joignant les deux points (x i , f (x i )) et
(x i +1 , f (x i +1 )). Cette fonction est appelée interpolation linéaire par morceaux (ou spline linéaire).
Définition Splines linéaires
Étant donné n +1 points distincts x 0 , . . . , x n de [a; b] avec a = x 0 < x 1 < · · · < x n = b, la fonction ` : [a; b] ! R est une spline
linéaire relative aux nœuds {x i } si (
`(x)|[xi ;xi +1] 2 R1 , i = 0, 1, . . . , n ° 1,
` 2 C 0 ([a; b]).
Autrement dit, dans chaque sous-intervalle [x i ; x i + 1], la fonction ` : [x i , x i +1 ] ! R est le segment qui connecte le point
(x i , y i ) au point (x i +1 , y i +1 ) ; elle s’écrit donc
y i +1 ° y i
`(x)|[xi ;xi +1] = y i + (x ° x i )
x i +1 ° x i
© G. Faccanoni 63
Il est intéressant de noter que la commande plot(x,y), utilisée pour afficher le graphe d’une fonction f sur un intervalle
donné [a, b], remplace en fait la fonction par une interpolée linéaire par morceaux, les points d’interpolation étant les
composantes du vecteur x.
Proposition Erreur
Si y i = f (x i ) pour i = 0, 1, . . . , n et f : [a; b] ! R est une fonction donnée de classe C 2 ([a; b]), alors on peut majorer l’erreur
d’interpolation au point x 2 [a; b] par
h2
max | f (x) ° `(x)| ∑ max | f 00 (x)|,
xı[a;b] 8 x2[a;b]
où h = maxi =0,...,n°1 x i +1 ° x i . Par conséquent, pour tout x dans l’intervalle [a; b], `(x) tend vers f (x) quand n ! +1, à
condition que f soit assez régulière.
Le principale défaut de cette interpolation par morceaux est que ` n’est que continue. Or, dans des nombreuses appli-
cations, il est préférable d’utiliser des fonctions ayant au moins une dérivée continue. On peut construire pour cela une
fonction s 3 comme l’interpolation d’H ERMITE des points (x i , f (x i ), f 0 (x i )) et (x i +1 , f (x i +1 ), f 0 (x i +1 )) sur chaque [x i ; x i + 1]
pour i = 0, 1, . . . , n ° 1.
64 © G. Faccanoni

Voici les function python des méthodes illustrées dans ce chapitre : t est le point où on veut évaluer le polynôme
d’interpolation, x est une liste qui contient les abscisses des points d’interpolation, y est une liste qui contient les ordonnées
des points d’interpolation et dy est une liste qui contient la valeur de la dérivée aux points d’interpolation. Elles renvoient
l’évaluation du polynôme en t.
2 °°°!p = 0
3 °°°!n = len(x)
7 °°°!°°°!°°°!if j!=i:
8 °°°!°°°!°°°!°°°!L[i] *= (t-x[j])/(x[i]-x[j])
9 °°°!°°°!p += y[i]*L[i]
10 °°°!return p
11
12 def hermite(t,x,y,dy):
13 °°°!p = 0
14 °°°!n = len(x)
16 °°°!c = [0 for i in range(n)]
18 °°°!°°°!for j in range(len(x)):
19 °°°!°°°!°°°!if j!=i:
20 °°°!°°°!°°°!°°°!L[i] *= (t-x[j])/(x[i]-x[j])
21 °°°!°°°!°°°!°°°!c[i] += 1./(x[i]-x[j])
22 °°°!°°°!p += (y[i]*(1.-2.*(t-x[i])*c[i])+dy[i]*(t-x[i]))*L[i]**2
23 °°°!return p
et voici un exemple d’utilisation de ces fonctions :
Cas test.
25
26 # INPUT
27 x = [1,2,3,4,5]
28 y = [0,1,0,1,0]
29 dy = [-1,1,0,-1,0]
30
31 # Calcul des polynomes en un point

32 t = 1.5
33 print "La valeur du polynome de \textsc{Lagrange} en", t, "est", lagrange(t,x,y)
34 print "La valeur du polynome d’\textsc{Hermite} en", t, "est", hermite(t,x,y,dy)
35

37 axis([0, 6, -2, 2])
38 t = arange(0,6,.1)
39 lt = []
40 ht = []
41 for k in t:
42 °°°!lt.append(lagrange(k,x,y))
43 °°°!ht.append(hermite(k,x,y,dy))
44 plot(x,y,’ro’,t,lt,’b’,t,ht,’m’)
45 show()
© G. Faccanoni 65
.............. Exercices .............

Exercice 2.1
Construire le polynôme de L AGRANGE P qui interpole les points (0, 2), (1, 1), (2, 2) et (3, 3).
C ORRECTION DE L’ EXERCICE 2.1. Le polynôme d’interpolation de L AGRANGE de degré n sur l’ensemble des n + 1 points
{(x i , y i )}ni=0 s’écrit
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ A
i =0 j =0 x i ° x j
j 6=i
Ici n = 3 donc on a
(x ° x 1 )(x ° x 2 )(x ° x 3 ) (x ° x 0 )(x ° x 2 )(x ° x 3 ) 3

P (x) = y 0 + y1 P (x)
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 3 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 + y3 =
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 ) 2
(x ° 1)(x ° 2)(x ° 3) (x ° 0)(x ° 2)(x ° 3)
=2 +
(0 ° 1)(0 ° 2)(0 ° 3) (1 ° 0)(1 ° 2)(1 ° 3)
1
(x ° 0)(x ° 1)(x ° 3) (x ° 0)(x ° 1)(x ° 2)
+2 +3 =
(2 ° 0)(2 ° 1)(2 ° 3) (3 ° 0)(3 ° 1)(3 ° 2)
(x ° 1)(x ° 2)(x ° 3) x(x ° 2)(x ° 3)
= + 0 1 2 3 x
°3 2
x(x ° 1)(x ° 2) 1 8
° x(x ° 1)(x ° 3) + = ° x 3 + 2x 2 ° x + 2.
2 3 3
P3
Sinon, comme on cherche p(x) = i =0 a i x i un polynôme de degré 3, il s’agit de trouver les 4 coefficients a 0 , a 1 , a 2 et a 3
solution du système linéaire
8 8
> p(0) = 2 > a 0 + a 1 · 0 + a 2 · 02 + a 3 · 03 = 2 0 10 1 0 1
>
>
>
>
>
> 1 0 0 0 a0 2
<p(1) = 1 < a + a · 1 + a · 12 + a · 13 = 1 B1
0 1 2 3 B 1 1 1C B a 1 C B1 C
CB C = B C
() () @1
>
> p(2) = 2 >
> a 0 + a 1 · 2 + a 2 · 2 + a 3 · 23 = 2
2 2 4 8 A @ a 2 A @2 A
>
> >
>
: : 1 3 9 27 a3 3
p(3) = 3 a 0 + a 1 · 3 + a 2 · 32 + a 3 · 33 = 3
0 1 L √L °L 0 1 0 1 0 1
1 0 0 0 2 2 2 1 1 0 0 0 2 1 0 0 0 2 1 0 0 0 2
L 3 √L 3 °L 1 L 3 √L 3 °2L 2
B 1 1 1 1 1 C B 0 1 1 1 °1 C √L 4 °3L 2 B 0 1 1 1 °1 C √L 4 °3L 3 B 0 1 1 1 °1 C
B L 4 √L
C °°°°°°°!4 °L 1 B C °L°4°°°°°°! B C °L°4°°°°°°! B C
@ 1 2 4 8 2 A @ 0 2 4 8 0 A @ 0 0 2 6 2 A @ 0 0 2 6 2 A
1 3 9 27 3 0 3 9 27 1 0 0 6 24 4 0 0 0 6 °2
donc a 3 = ° 13 , a 2 = 2, a 1 = ° 83 et a 0 = 2.
Exercice 2.2
Trouver le polynôme de l’espace vectoriel Vec{1 + x 2 , x 4 } qui interpole les points (0, 1) et (1, 3).
Il s’agit de trouver un polynôme p(x) qui soit combinai- y

p(x)
son linéaire des deux polynômes assignés (i.e. p(x) = Æ(1 + 3
x 2 ) + Ø(x 4 )) et qui interpole les deux points (0, 1) et (1, 3) :
( (
p(0) = 1, Æ(1 + 02 ) + Ø(04 ) = 1,
,
p(1) = 3, Æ(1 + 12 ) + Ø(14 ) = 3,
1
d’où Æ = 1 et Ø = 1. Le polynôme cherché est donc le poly-

nôme p(x) = 1 + x 2 + x 4 . 0 1 x
66 © G. Faccanoni
Exercice 2.3
1. Construire le polynôme de L AGRANGE P qui interpole les points (°1, 2), (0, 1), (1, 2) et (2, 3).
2. Soit Q le polynôme de L AGRANGE qui interpole les points (°1, 2), (0, 1), (1, 2). Montrer qu’il existe un réel ∏ tel que :
Q(x) ° P (x) = ∏(x + 1)x(x ° 1).
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ x ° x A
i =0 j =0 i j
j 6=i
1. Ici n = 3 donc on a
(x ° x 1 )(x ° x 2 )(x ° x 3 ) (x ° x 0 )(x ° x 2 )(x ° x 3 )
P (x) = y 0 + y1
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 3 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 + y3
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
x(x ° 1)(x ° 2) (x + 1)(x ° 1)(x ° 2) (x + 1)x(x ° 1)
= + ° (x + 1)x(x ° 2) + =
°3 2 2
1 1
= ° x 3 + x 2 + x + 1.
3 3
2. Par construction
Q(°1) = P (°1),
Q(0) = P (0),
Q(1) = P (1),
donc le polynôme Q(x) ° P (x) s’annule en °1, en 0 et en 1, ceci signifie qu’il existe un polynôme R(x) tel que
Q(x) ° P (x) = R(x)(x + 1)x(x ° 1).
Puisque P (x) a degré 3 et Q(x) a degré 2, le polynôme Q(x) ° P (x) a degré 3, donc le polynôme R(x) qu’on a mis en
facteur a degré 0 (i.e. R(x) est une constante).
Si on n’a pas remarqué ça, on peut tout de même faire tous les calculs : dans ce cas n = 2 donc on a
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

Q(x) = y 0 + y1 + y2
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
= x(x ° 1) ° (x + 1)(x ° 1) + (x + 1)x
= x 2 + 1.
Ainsi
∑ ∏ ∑ ∏
(x ° x 1 )(x ° x 2 ) x ° x3 (x ° x 0 )(x ° x 2 ) x ° x3
Q(x) ° P (x) = y 0 1° + y1 1°
(x 0 ° x 1 )(x 0 ° x 2 ) x0 ° x3 (x 1 ° x 0 )(x 1 ° x 2 ) x1 ° x3
∑ ∏
(x ° x 0 )(x ° x 1 ) x ° x3 (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 1° ° y3
(x 2 ° x 0 )(x 2 ° x 1 ) x2 ° x3 (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
(x ° x 0 )(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
= °y 0 ° y1
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
° y2 ° y3
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
∑
y0 y1
=° +
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
∏
y2 y3
+ + (x ° x 0 )(x ° x 1 )(x ° x 2 )
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
(x + 1)x(x ° 1)
=
3
© G. Faccanoni 67
et ∏ = 13 . Sinon directement
1 1 1 1 (x + 1)x(x ° 1)
Q(x) ° P (x) = x 2 + 1 + x 3 ° x 2 + x ° 1 = x 3 + x = = ∏x(x + 1)(x ° 1)
3 3 3 3 3
avec ∏ = 13 .
y
Q(x)
3
x3
2
x0 x2
P (x)
x1
°1 0 1 2 x
Exercice 2.4
1. Construire le polynôme de L AGRANGE P qui interpole les trois points (°1, e), (0, 1) et (1, e).
2. Sans faire de calculs, donner l’expression du polynôme de L AGRANGE Q qui interpole les trois points (°1, °1), (0, 0)
et (1, °1).
3. Trouver le polynôme de l’espace vectoriel Vec{1, x, x 2 } qui interpole les trois points (°1, °1), (0, 0) et (1, °1).

1. Le polynôme d’interpolation de L AGRANGE de degré n sur l’ensemble des n + 1 points {(x i , y i )}ni=0 s’écrit
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ x ° x A
i =0 j =0 i j
j 6=i
Ici n = 2 donc on a
y
P (x)
e
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

P (x) = y 0 + y1 + y2 =
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
x(x ° 1) (x + 1)x
=e ° (x + 1)(x ° 1) + e =
2 2
2 1
= (e ° 1)x + 1.
°1 1 x
2.
68 © G. Faccanoni
Il suffit de changer les coefficients y i dans l’expression y

précédente : °1 0 1
x
x(x ° 1) (x + 1)x
Q(x) = ° ° = °x 2 .
2 2
Q(x)
3. Il s’agit de trouver un polynôme p(x) qui soit combinaison linéaire des deux polynômes assignés (i.e. p(x) = Æ + Øx +
∞x 2 ) et qui interpole les trois points (°1, °1), (0, 0) et (1, °1) :
8 8
<p(°1) = 1,
> <Æ ° Ø + ∞ = °1,
>
p(0) = 0, , Æ = 0,
>
: >
:
p(1) = °1, Æ + Ø + ∞ = °1,
d’où Æ = 0, Ø = 0 et ∞ = °1. Le polynôme cherché est donc le polynôme p(x) = °x 2 . En fait, il suffisait de remarquer
que le polynôme Q 2 Vec{1, x, x 2 } pour conclure que le polynôme p cherché est Q lui même.
Exercice 2.5
1. Construire le polynôme de L AGRANGE P qui interpole les points (°1, 1), (0, 1), (1, 2) et (2, 3).
2. Soit Q le polynôme de L AGRANGE qui interpole les points (°1, 1), (0, 1), (1, 2). Montrer qu’il existe un réel ∏ tel que :
Q(x) ° P (x) = ∏(x + 1)x(x ° 1).
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ x ° x A
i =0 j =0 i j
j 6=i
1. Ici n = 3 donc on a
(x ° x 1 )(x ° x 2 )(x ° x 3 ) (x ° x 0 )(x ° x 2 )(x ° x 3 )
P (x) = y 0 + y1
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 3 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 + y3
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
x(x ° 1)(x ° 2) (x + 1)(x ° 1)(x ° 2) (x + 1)x(x ° 1)
= + ° (x + 1)x(x ° 2) + =
°6 2 2
1 1 2
= ° x 3 + x 2 + x + 1.
6 2 3
2. Par construction
Q(°1) = P (°1),
Q(0) = P (0),
Q(1) = P (1),
donc le polynôme Q(x) ° P (x) s’annule en °1, en 0 et en 1, ceci signifie qu’il existe un polynôme R(x) tel que
Q(x) ° P (x) = R(x)(x + 1)x(x ° 1).
Puisque P (x) a degré 3 et Q(x) a degré 2, le polynôme Q(x) ° P (x) a degré 3, donc le polynôme R(x) qu’on a mis en
facteur a degré 0 (i.e. R(x) est une constante).
Si on n’a pas remarqué ça, on peut tout de même faire tous les calculs : dans ce cas n = 2 donc on a
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )

Q(x) = y 0 + y1 + y2
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
© G. Faccanoni 69
x(x ° 1)
= ° (x + 1)(x ° 1) + (x + 1)x
2
1 1
= x 2 + x + 1.
2 2
Ainsi
∑ ∏ ∑ ∏
(x ° x 1 )(x ° x 2 ) x ° x3 (x ° x 0 )(x ° x 2 ) x ° x3
Q(x) ° P (x) = y 0 1° + y1 1°
(x 0 ° x 1 )(x 0 ° x 2 ) x0 ° x3 (x 1 ° x 0 )(x 1 ° x 2 ) x1 ° x3
∑ ∏
(x ° x 0 )(x ° x 1 ) x ° x3 (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 1° ° y3
(x 2 ° x 0 )(x 2 ° x 1 ) x2 ° x3 (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
(x ° x 0 )(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
= °y 0 ° y1
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
° y2 ° y3
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
∑
y0 y1
=° +
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
∏
y2 y3
+ + (x ° x 0 )(x ° x 1 )(x ° x 2 )
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
(x + 1)x(x ° 1)
=
6
et ∏ = 16 . Sinon directement
1 1 1 1 2 1 1 1
Q(x) ° P (x) = x 2 + x + 1 + x 3 ° x 2 ° x ° 1 = x 3 ° x = x(x 2 ° 1) = ∏x(x + 1)(x ° 1)
2 2 6 2 3 6 6 6
avec ∏ = 16 .
Q(x)
y
3
x3
P (x)
2
x2
1
x0 x1
°1 0 1 2 x
Exercice 2.6
1. Construire le polynôme de L AGRANGE P qui interpole les trois points (°1, Æ), (0, Ø) et (1, Æ) où Æ et Ø sont des réels.
2. Si Æ = Ø, donner le degré de P .
3. Montrer que P est pair. Peut-on avoir P de degré 1 ?

1. Construire le polynôme de L AGRANGE P qui interpole les trois points (°1, Æ), (0, Ø) et (1, Æ) où Æ et Ø sont des réels.
Le polynôme d’interpolation de L AGRANGE de degré n sur l’ensemble des n + 1 points {(x i , y i )}ni=0 s’écrit
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ A
i =0 j =0 x i ° x j
j 6=i
70 © G. Faccanoni
Ici n = 2 donc on a
(x ° x 1 )(x ° x 2 ) (x ° x 0 )(x ° x 2 ) (x ° x 0 )(x ° x 1 )
P (x) = y 0 + y1 + y2 +
(x 0 ° x 1 )(x 0 ° x 2 ) (x 1 ° x 0 )(x 1 ° x 2 ) (x 2 ° x 0 )(x 2 ° x 1 )
x(x ° 1) (x + 1)(x ° 1) (x + 1)x
=Æ +Ø +Æ =
2 °1 2
Æ Æ
= x(x ° 1) ° Ø(x + 1)(x ° 1) + x(x + 1)
2 2
= (Æ ° Ø)x 2 + Ø.
2. Si Æ = Ø, P (x) = Æ qui est un polynôme de degré 0.

3. P (°x) = P (x) donc P est pair. Donc P ne peut pas être de degré 1 car un polynôme de degré 1 est de la forme a 0 + a 1 x
qui ne peut pas être pair.
Exercice 2.7
Soit Vn la matrice de VANDERMONDE : 0 1
1 a0 a 02 ... a 0n
B1 a1 a 12 ... a 1n C
B C
B1 a2 a 22 ... a 2n C
Vn = B
B.
C.
B. .. .. .. .. CC
@. . . . . A
1 an a n2 ... a nn
Quel est le lien entre cette matrice et l’interpolation polynomiale de l’ensemble de points { (a i ; b i ) }ni=0 ?
P
C ORRECTION DE L’ EXERCICE 2.7. Soit p(x) = ni=0 c i x i le seul polynôme de degré n qui interpole l’ensemble de (n + 1)
P
points { (a i ; b i ) }ni=0 , i.e. b i = p(a i ) = ni=0 c i a i . Alors le vecteur c = (c 0 , c 1 , . . . , c n )T est solution du système linéaire Vc = b.
Exercice 2.8
Vérifier que le polynôme d’interpolation d’H ERMITE d’une fonction f en un point coïncide avec le polynôme de TAYLOR
d’ordre 1 de f en ce point.
C ORRECTION DE L’ EXERCICE 2.8. Le polynôme d’interpolation d’H ERMITE en un point (x 0 , f (x 0 ), f 0 (x 0 )) est l’unique po-
lynôme q 2 R1 [x] qui vérifie q(x 0 ) = f (x 0 ) et q 0 (x 0 ) = f 0 (x 0 ). On cherche alors a 0 et a 1 tels que q(x) = a 0 + a 1 x :
( ( (
q(x 0 ) = f (x 0 ), a 0 + a 1 x 0 = f (x 0 ), a 0 = f (x 0 ) ° x 0 f 0 (x 0 ),
0 0
() 0
()
q (x 0 ) = f (x 0 ), a 1 = f (x 0 ), a 1 = f 0 (x 0 ),
donc q(x) = f (x 0 ) + (x ° x 0 ) f 0 (x 0 ).
Exercice 2.9
Soit f une fonction de classe C 1 et x 0 2 D f le domaine de définition de f . Soit ` le polynôme d’interpolation de L A -
GRANGE de f en x 0 et h le polynôme d’interpolation d’H ERMITE en x 0 . Calculer h(x) ° `(x).
C ORRECTION DE L’ EXERCICE 2.9. Le polynôme d’interpolation de L AGRANGE de f en x 0 est l’unique polynôme ` 2 R0 [x]
qui vérifie `(x 0 ) = f (x 0 ), donc `(x) = f (x 0 ). Le polynôme d’interpolation d’H ERMITE de f en x 0 est l’unique polynôme
h 2 R1 [x] qui vérifie h(x 0 ) = f (x 0 ) et h 0 (x 0 ) = f 0 (x 0 ). On cherche alors a 0 et a 1 tels que h(x) = a 0 + a 1 x :
( ( (
h(x 0 ) = f (x 0 ), a 0 + a 1 x 0 = f (x 0 ), a 0 = f (x 0 ) ° x 0 f 0 (x 0 ),
() ()
h 0 (x 0 ) = f 0 (x 0 ), a 1 = f 0 (x 0 ), a 1 = f 0 (x 0 ),
donc h(x) = f (x 0 ) + (x ° x 0 ) f 0 (x 0 ) et h(x) ° `(x) = f (x 0 ) + (x ° x 0 ) f 0 (x 0 ) ° f (x 0 ) = (x ° x 0 ) f 0 (x 0 ).
Exercice 2.10
Soit f : R ! R une fonction de classe C 1 (R) qui s’annule au moins une fois et dont la dérivée ne s’annule pas. Soit x 0 2 D f
donné. Pour i 2 N construisons la suite (x i )i comme suit : x i +1 est la racine du polynôme interpolateur d’H ERMITE de f
en x i . Quelle méthode reconnait-on ? Justifier la réponse.
© G. Faccanoni 71
C ORRECTION DE L’ EXERCICE 2.10. Le polynôme d’H ERMITE d’une fonction f en x i a équation q(x) = f (x i )+(x °x i ) f 0 (x i ) :
f (x i )
il s’agit de la droite tangente au graphe de f en x i . On cherche x i +1 tel que f (x i ) + (x ° x i ) f 0 (x i ) = 0, d’où x i +1 = x i ° f 0 (x i )
.
On a alors la suite définie par récurrence
(
x 0 donnée,
f (x i )
x i +1 = x i ° f 0 (x i )
,
qui correspond à la méthode de N EWTON pour l’approximation de la racine de f .
Exercice 2.11
Soit f une fonction de classe C 1 ([°1, 1]) et p le polynôme interpolateur d’H ERMITE (de degré ∑ 3) de f vérifiant
p(°1) = f (°1), p 0 (°1) = f 0 (°1), p(1) = f (1), p 0 (1) = f 0 (1).
Écrire le polynôme p.
C ORRECTION DE L’ EXERCICE 2.11. On a deux points d’interpolation (n = 1), on cherche alors un polynôme de R3 [x]. On a
deux méthodes pour calculer le polynôme interpolateur d’H ERMITE :
Première méthode : le polynôme interpolateur d’H ERMITE s’écrit
8 9
> >
n >
X <£ n
§Y (x ° x j ) 2 >
= n
X 1
p(x) = y i (1 ° 2(x ° x i )c i ) + y i0 (x ° x i ) 2>
où ci = .
>
i =0 > j =0 (x i ° x j ) > x
j =0 i ° xj
: ;
j 6=i j 6=i
Pour n = 1 on a alors
µ µ ∂∂ µ ∂2 µ ∂2
1 (x ° x 1 ) (x ° x 1 )
p(x) = y 0 1 ° 2(x ° x 0 ) + y 00 (x ° x 0 )
x0 ° x1 (x 0 ° x 1 ) (x 0 ° x 1 )
µ µ ∂∂ µ ∂2 µ ∂2
1 (x ° x 0 ) (x ° x 0 )
+ y 1 1 ° 2(x ° x 1 ) + y 10 (x ° x 1 ) .
x1 ° x0 (x 1 ° x 0 ) (x 1 ° x 0 )
Dans notre cas x 0 = °1, x 1 = 1, y 0 = f (°1), y 1 = f (1), y 00 = f 0 (°1), y 10 = f 0 (1) donc
1£ §
p(x) = f (°1)(x + 2)(x ° 1)2 + f 0 (°1)(x + 1)(x ° 1)2 + f (1)(2 ° x)(x + 1)2 + f 0 (1)(x ° 1)(x + 1)2
4
1h i
= f (°1)(x 3 ° 3x + 2) + f 0 (°1)(x 3 ° x 2 ° x + 1) + f (1)(°x 3 + 3x + 2) + f 0 (1)(x 3 + x 2 ° x ° 1)
4
2 f (°1) + f 0 (°1) + 2 f (1) ° f 0 (1) 3 f (1) ° 3 f (°1) ° f 0 (°1) ° f 0 (1)
= + x
4 4
f 0 (1) ° f 0 (°1) 2 f (°1) + f 0 (°1) ° f (1) + f 0 (1) 3
+ x + x .
4 4
Le polynôme interpolateur d’H ERMITE est donc le polynôme
p(x) = Æ + Øx + ∞x 2 + ±x 3
où
2 f (°1) + 2 f (1) + f 0 (°1) ° f 0 (1) °3 f (°1) + 3 f (1) ° f 0 (°1) ° f 0 (1)

Æ= , Ø= ,
4 4
0 0 0 0
° f (°1) + f (1) f (°1) ° f (1) + f (°1) + f (1)
∞= , ±= .
4 4
Deuxième méthode : le polynôme interpolateur d’H ERMITE est un polynôme de degré 2n + 1. On cherche donc un poly-
nôme
p(x) = Æ + Øx + ∞x 2 + ±x 3
tel que
p(°1) = f (°1), p 0 (°1) = f 0 (°1), p(1) = f (1), p 0 (1) = f 0 (1),
72 © G. Faccanoni
c’est-à-dire tel que 8

>
>Æ ° Ø + ∞ ° ± = f (°1),
>
>
<Æ + Ø + ∞ + ± = f (1),
>
>
>Ø ° 2∞ + 3± = f 0 (°1),
>
:
Ø + 2∞ + 3± = f 0 (1).
En utilisant la méthode d’élimination de G AUSS on obtient :
0 1 0 1
1 °1 1 °1 f (°1) 1 °1 1 °1 f (°1)
B 1 1 1 1 f (1) C √L 2 °L 1 B 0 2 0 2 f (1) ° f (°1) C
[A|b] = B C °L°2°°°°°! B C
@ 0 1 °2 3 f 0 (°1) A @ 0 1 °2 3 f 0 (°1) A
0
0 1 2 3 f (1) 0 1 2 3 f 0 (1)
0 1 0 1
L 3 √L 3 ° 12 L 2 1 °1 1 °1 f (°1) 1 °1 1 °1 f (°1)
L 4 √L 4 ° 12 L 3 B
B 0 2 0 2 f (1) ° f (°1) C B 0 2
C L 4 √L 4 +L 3 B 0 2 f (1) ° f (°1) C
C
°°°°°°°°! B f (1)° f (°1) C °°°°°°°! B f (1)° f (°1) C
@ 0 0 °2 2 f 0 (°1) ° 2 A @ 0 0 °2 2 f 0 (°1) ° 2
A
f (1)° f (°1)
0 0 2 2 f 0 (1) ° 2
0 0 0 4 f (1) + f 0 (°1) ° f (1) + f (°1)
0
ainsi
2 f (°1) + 2 f (1) + f 0 (°1) ° f 0 (1) °3 f (°1) + 3 f (1) ° f 0 (°1) ° f 0 (1)
Æ= , Ø= ,
4 4
0 0 0 0
° f (°1) + f (1) f (°1) ° f (1) + f (°1) + f (1)
∞= , ±= .
4 4
Exercice 2.12
1. Construire le polynôme de L AGRANGE p qui interpole les points (°1, 0), (0, 0), (1, 0) et (2, 0).
2. Construire l’ensemble des polynômes de degré 4 qui interpolent les points (°1, 0), (0, 0), (1, 0) et (2, 0).
3. Construire le polynôme d’H ERMITE Q qui interpole les points (°1, 0, 1) et (2, 0, °1).

1. Le polynôme d’interpolation de L AGRANGE de degré n sur l’ensemble des n + 1 points {(x i , y i )}ni=0 s’écrit
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ x ° x A
i =0 j =0 i j
j 6=i
Ici n = 3 et y i = 0 pour i = 0, 1, 2, 3 donc p 3 (x) = 0.

2. Comme les points donnés appartiennent tous à la droite d’équation y = 0, il s’agit de construire les polynômes de
degré 4 qui ont 4 racines réelles distinctes { x 1 , x 2 , x 3 , x 4 }. Ils sont tous de la forme r a (x) = a(x ° x 1 )(x ° x 2 )(x ° x 3 )(x °
x 4 ) ; ici donc r a (x) = a(x + 1)x(x ° 1)(x ° 2) = a(x 4 ° 2x 3 ° x 2 + 2x).
3. Étant donné n+1 points distincts x 0 , . . . , x n et n+1 couples correspondantes (y 0 , y 00 ), . . . , (y n , y n0 ), le polynôme d’H ERMITE
Q de degré N = 2n + 1 tel que Q(x i ) = y i et Q 0 (x i ) = y i0 , pour i = 0, . . . n s’écrit
8 Qn x°x
>
>L i (x) =
j
>
> x i °x j ,
>
> j =0
>
> j 6=i
>
> n
n
X j =0 i
i =0 >
> j 6=i
>
>
>
>
>
> A i (x) = (1 ° 2(x ° x i )c i )(L i (x))2 ,
>
:
B i (x) = (x ° x i )(L i (x))2 .
Ici n = 1 et le polynôme d’H ERMITE s’écrit
Q(x) = y 0 A 0 + y 00 B 0 + y 1 A 1 + y 00 B 1 = B 0 ° B 1
µ ∂ µ ∂ µ ∂ µ ∂
x ° x1 2 x ° x0 2 x °2 2 x +1 2
= (x ° x 0 ) ° (x ° x 1 ) = (x + 1) ° (x ° 2)
x0 ° x1 x1 ° x0 °3 3
(x ° 2)2 (x + 1) ° (x ° 2)(x + 1)2 °3(x ° 2)(x + 1) °x 2 + x + 2
= = = .
9 9 3
© G. Faccanoni 73
Si on a oublié la formule, il suffit de remarquer qu’on cherche un polynôme de degré 3 qui a comme racines °1 et 2
et donc qui s’écrit Q(x) = (x + 1)(x ° 2)(ax + b) = ax 3 + (°a + b)x 2 + (°b ° 2a)x ° 2b ; de plus on sait que Q 0 (°1) = 1 et
Q 0 (2) = °1, on trouve alors a et b en résolvant le système linéaire
( ( (
3a(°1)2 + 2(°a + b)(°1) + (°b ° 2a) = 1, 3a + 2a ° 2b ° b ° 2a = 1, a = 0,
2
() ()
3a(2) + 2(°a + b)(2) + (°b ° 2a) = °1, 12a ° 4a + 4b ° b ° 2a = °1, b = °1/3.
On obtient le polynôme Q(x) = °(x+1)(x°2) 3 .

Une autre idée pour calculer le polynôme Q sans utiliser la formule ni la remarque précédente est de calculer directe-
ment le polynôme selon la définition : on cherche un polynôme de degré 3, donc de la forme Q(x) = a 0 + a 1 x + a 2 x 2 +
a 3 x 3 , qui vérifie Q(°1) = 0, Q(2) = 0, Q 0 (°1) = 1 et Q 0 (2) = °1. On doit alors résoudre le système linéaire
8
3
>a 0 °a 1 +a 2 °a 3 x = 0
>
>
>
<a +2a +4a +8a x 3 = 0
0 1 2 3
> 3
>
> a 1 °2a 2 +3a 3x =1
>
: 3
a 1 +4a 2 +12a 3 x = °1
qu’on peut réécrire sous la forme Aa = b avec

0 1 0
1 0 1
1 °1 1 °1 a0 0
B1 2 4 8C Ba 1 C B0C
A=B
@0
C, a=B C et b=B C
1 °2 3A @a 2 A @1A
0 1 4 12 a3 °1
On utilise la méthode d’élimination de G AUSS :

0 1 0 1
1 °1 1 °1 0 1 °1 1 °1 0
B 1 2 4 8 0 C √L 2 °L 1 B 0 3 2 9 0 C
(A|b) = B C °L°2°°°°°! B C
@ 0 1 °2 3 1 A @ 0 1 °2 3 1 A
0 1 4 12 °1 0 1 4 12 °1
0 1 0 1
1 °1 1 °1 0 1 °1 1 °1 0
L 3 √L 3 °L 2 /3
B 0
L 4 √L 4 °L 3 /3 3 2 9 0 C √L 4 +L 3 B 0 3 2 9 0 C
B
°°°°°°°°°! @ C °L°4°°°°°! B C
0 0 °3 0 1 A @ 0 0 °3 0 1 A
0 0 3 9 °1 0 0 0 9 0
et finalement on obtient
1 1 2
a 3 = 0, a2 = ° , a1 = , a0 = ,
3 3 3
°x 2 + x + 2
d’où Q(x) = .
3
y = x +1 r a (x)
P (x)
°1 0 1 2 x
Q(x) y = °x + 2
Exercice 2.13
L’espérance de vie dans un pays a évoluée dans le temps selon le tableau suivant :
Année 1975 1980 1985 1990
Espérance 72,8 74,2 75,2 76,4
Utiliser l’interpolation de L AGRANGE pour estimer l’espérance de vie en 1977, 1983 et 1988. La comparer avec une inter-
polation linéaire par morceaux.
74 © G. Faccanoni
0 1
X n B Y n x °x C
j
p n (x) = Byi C.
@ A
i =0 j =0 x i ° x j
j 6=i
Ici n = 3 et si on choisit de poser x 0 = 0 pour l’année 1975, x 1 = 5 pour l’année 1980 etc., on a
(x ° x 1 )(x ° x 2 )(x ° x 3 ) (x ° x 0 )(x ° x 2 )(x ° x 3 )
P (x) = y 0 + y1
(x 0 ° x 1 )(x 0 ° x 2 )(x 0 ° x 3 ) (x 1 ° x 0 )(x 1 ° x 2 )(x 1 ° x 3 )
(x ° x 0 )(x ° x 1 )(x ° x 3 ) (x ° x 0 )(x ° x 1 )(x ° x 2 )
+ y2 + y3 =
(x 2 ° x 0 )(x 2 ° x 1 )(x 2 ° x 3 ) (x 3 ° x 0 )(x 3 ° x 1 )(x 3 ° x 2 )
(x ° 5)(x ° 10)(x ° 15) (x ° 0)(x ° 10)(x ° 15)
= 72,8 + 74,2
(0 ° 5)(0 ° 10)(0 ° 15) (5 ° 0)(5 ° 10)(5 ° 15)
(x ° 0)(x ° 5)(x ° 15) (x ° 0)(x ° 5)(x ° 10)
+ 75,2 + 76,4 =
(10 ° 0)(10 ° 5)(10 ° 15) (15 ° 0)(15 ° 5)(15 ° 10)
°72,8(x ° 5)(x ° 10)(x ° 15) + 3 £ 74,2x(x ° 10)(x ° 15) ° 3 £ 75,2x(x ° 5)(x ° 15) + 76,4x(x ° 5)(x ° 10)
=
750
On a alors que
? l’espérance de vie en 1977 correspond à P (2) = 73,45,
? l’espérance de vie en 1983 correspond à P (8) = 74,81,
? l’espérance de vie en 1988 correspond à P (13) = 75,86.
Si on considère une interpolation linéaire par morceaux (splines de degré 1) ; on obtient que l’espérance de vie est sous-
estimé en 1977 et sur-estimé en 1988 par rapport à l’interpolation précédente car
74,2°72,8
? l’espérance de vie en 1977 correspond à 5°0 2 + 72,8 = 73,36 P (13).
y
76,4 P (x)
75,86
75,2
74,81
74,2
73,45
72,8
x
1975 1977 1980 1983 1985 1988 1990
Exercice 2.14
Pour calculer le zéro d’une fonction y = f (x) inversible sur un intervalle
© [a; b]™on peut utiliser l’interpolation : après avoir
n
évalué f sur une discrétisation x i de [a; b], on interpole l’ensemble (y i , x i ) i =0 et on obtient un polynôme x = p(y) tel
que
f (x) = 0 () x = p(0).
Utiliser cette méthode pour évaluer l’unique racine Æ de la fonction f (x) = e x ° 2 dans l’intervalle [0; 1] avec trois points
d’interpolation.
Comparer ensuite le résultat obtenu avec l’approximation du zéro de f obtenue par la méthode de Newton en 3 itérations
à partir de x 0 = 0.
C ORRECTION DE L’ EXERCICE 2.14. Calculons d’abord les valeurs à interpoler
i xi yi
0 0 °1
1 p
1 2 e °2
2 1 e °2
© G. Faccanoni 75
Le polynôme d’interpolation de L AGRANGE de degré n sur l’ensemble des n + 1 points {(y i , x i )}ni=0 s’écrit
0 1
X n B Y n y°y C
j
p n (y) = Bx i C.
@ y ° y A
i =0 j =0 i j
j 6=i
Ici n = 2 donc on a
(y ° y 1 )(y ° y 2 ) (y ° y 0 )(y ° y 2 ) (y ° y 0 )(y ° y 1 )
p(y) = x 0 + x1 + x2
(y 0 ° y 1 )(y 0 ° y 2 ) (y 1 ° y 0 )(y 1 ° y 2 ) (y 2 ° y 0 )(y 2 ° y 1 )
p
1 (y + 1)(y ° e + 2) (y + 1)(y ° e + 2)
= p p + p .
2 ( e ° 2 + 1)( e ° 2 ° e + 2) (e ° 2 + 1)(e ° 2 ° e + 2)
p
1 p °e+2 ° e+2
Par conséquent une approximation de la racine de f est p(0) = p
2 ( e°2+1)( e°2°e+2) + (e°2+1)(e°2°pe+2) º 0.7087486785.
La méthode de Newton s’écrit (
x 0 = 0,
xk
x k+1 = x k ° e e xk°2 = x k ° 1 + e 2xk ,
on obtient ainsi la suite
k xk
0 0
1 1
2
2 e º 0.7357588825
2°e 2
3 e ° 2e º 0.6940422999
e
Remarque : comme il n’y a que trois points d’interpolation, on pourrait calculer directement le polynôme interpolateur
de f plutôt que de sa fonction réciproque et chercher les zéros de ce polynôme directement car il s’agit d’un polynôme de
degré 2. Cependant cette idée ne peut pas être généralisée au cas de plus de trois points d’interpolation car on ne connait
pas de formule générale pour le calcul des zéros d’un polynôme de degré n ∏ 3.
Exercice 2.15
Soit f une fonction continue dont on connait les valeurs uniquement pour t entier, c’est-à-dire on suppose connues les
valeurs f (∑) pour tout ∑ 2 Z. Si t 2 R \ Z, on définit une approximation p(t ) de f (t ) en interpolant la fonction f par un
polynôme de degré 3 aux quatre points entiers les plus proches de t . Calculer p(t ) et écrire un algorithme qui fournit
p(t ).
C ORRECTION DE L’ EXERCICE 2.15. Soit ` = E [t ] la partie entière 2 de t . Alors t 2 [`; ` + 1] et il s’agit de définir le polynôme
p interpolant les points
(∑ ° 1, f (∑ ° 1)), (∑, f (∑)), (∑ + 1, f (∑ + 1)), (∑ + 2, f (∑ + 2)),
ce qui donne
0 1 0 1
X 3 B Y 3 t ° (∑ ° 1 + j ) C X 3 B Y 3 t °∑+1° j C
P (t ) = B f (∑ ° 1 + i ) C= B f (∑ ° 1 + i ) C
@ A @ A
i =0 j =0 (∑ ° 1 + i ) ° (∑ ° 1 + j ) i =0 j =0 i°j
j 6=i j 6=i
f (∑ ° 1) f (∑)
=° (t ° ∑)(t ° ∑ ° 1)(t ° ∑ ° 2) + (t ° ∑ + 1)(t ° ∑ ° 1)(t ° ∑ ° 2)
6 2
f (∑ + 1) f (∑ + 2)
° (t ° ∑ + 1)(t ° ∑)(t ° ∑ ° 2) + (t ° ∑ + 1)(t ° ∑)(t ° ∑ ° 1)
2 6
Require: f : Z ! R, t
∑ √ E [t ]
x0 √ ∑ ° 1
2. Pour tout nombre réel x, la partie entière notée E (x) est le plus grand entier relatif inférieur ou égal à x. Par exemple, E (2.3) = 2, E (°2) = °2 et
E (°2.3) = °3. La fonction partie entière est aussi notée [x] (ou bxc par les anglo-saxons). On a toujours E (x) ∑ x < E (x) + 1 avec égalité si et seulement si x
est un entier relatif. Pour tout entier relatif k et et pour tout nombre réel x, on a E (x + k) = E (x) + k. L’arrondi à l’entier le plus proche d’un réel x peut être
exprimé par E (x + 0.5).
76 © G. Faccanoni
x1 √ ∑
x2 √ ∑ + 1
x3 √ ∑ + 2
y √0
for i = 0 to 3 do
L√1
for j = 0 to 3 do
if j 6= i then
t ° xj
L√ £L
xi ° x j
end if
end for
y √ y + f (x i ) £ L
end for
return y
Exercice 2.16
4
1. Calculer le polynôme p de L AGRANGE qui interpole la fonction f (x) = x aux points d’abscisse x 0 = 1, x 1 = 2 et
x 2 = 4. Esquisser les graphes de f et de p pour x 2 [1, 4].
2. Vérifier que l’erreur "(x) ¥ f (x) ° p(x) prend sa valeur maximale en un unique point x̃ dans l’intervalle [2, 4]. Cal-
culer ensuite x̃ à 10°1 près (on pourra utiliser la méthode de dichotomie).
3. Comparer la fonction " avec l’estimation théorique de l’erreur.
1. f est une hyperbole et p est la parabole qui passe par les points (1, 4), (2, 2) et (4, 1) : p(x) = 12 x 2 ° 72 x + 7
y
2
p
1 f
1 2 4 x
2. On a "(x) ¥ f (x) ° p(x) = x4 ° 7 + 72 x ° 12 x 2 . Comme "0 (x) = 72 ° x ° x42 , il s’agit de trouver x̃ tel que "0 (x) = 0. Une simple
comparaison des graphes des fonctions u : x 7! 72 ° x et v : x 7! x42 montre que "0 (x) = 0 admet une solution dans
l’intervalle [1, 2] et une solution dans l’intervalle [2, 4] (en effet, "0 (1) = u(1) ° v(1) = 2.5 ° 4 < 0, "0 (2) = u(2) ° v(2) =
1.5°1 > 0 et "0 (4) = u(4)°v(4) < 0). On a "00 (x) = °1+8/x 3 : l’erreur étant convexe pour x < 2 et concave pour x > 2, on
0
conclut qu’elle prend sa valeur maximale pour x = x̃ 2 [2, 4]. On≥cherche ≥ alors¥¥ x̃ 2 [2,°4] tel que " (x̃) = 0¢ par la méthode
°1 4°2
de dichotomie. Pour que l’erreur soit inférieur à 10 , il faut E log2 10°1 + 1 = E 2 log2 (2) + log2 (5) + 1 = 5 étapes :
k 0 1 2 3 4 5
£ 7§ £ 13 § £ 25 § £ 49 25
§
[a k , b k ] [2, 4] [3, 4] 3, 2 3, 4 3, 8 16 , 8
7 13 25 49 99
`k 3 2 4 8 16 32
bk ° ak 2 > 10°1 1 > 10°1 0.5 > 10°1 0.25 > 10°1 0.125 > 10°1 0.0625 < 10°1
99
L’erreur prend sa valeur maximale pour x̃ º 32 = 3.09375 et vaut "(x̃) º 0.01166653913.
3. Comparons ce résultat avec l’estimation théorique de l’erreur. n = 2 et f est de classe C 1 ([1, 4]), donc pour tout
x 2 [1, 2] il existe ªx 2 [1, 4] tel que
f 000 (ªx ) 3
"théorique (x) = (x ° 1)(x ° 2)(x ° 4) = ° 4 (x 3 ° 7x 2 + 14x ° 8).
3! ªx
4
p
° 7 + 72 x ° 12 x 2 , on obtient "théorique = " ssi ªx =
4
Comme "(x) = x 6x.
© G. Faccanoni 77
3. Quadrature
Rb
Calculer a f (x) dx où f est une fonction donnée
Dans ce chapitre on va étudier des méthodes pour approcher les intégrales de fonctions. On sait bien qu’il n’est pas toujours
possible, pour une fonction arbitraire, de trouver la forme explicite d’une primitive. Mais même quand on la connaît, il est
parfois difficile de l’utiliser. C’est par exemple le cas de la fonction f (x) = cos(4x) cos(3 sin(x)) pour laquelle on a
Zº 1 (°9/4)k
81 X
f (x) dx = º ;
0 16 k=0 k!(k + 4)!
on voit que le calcul de l’intégrale est transformé en un calcul, aussi difficile, de la somme d’une série. Dans certains cas, la
fonction à intégrer n’est connue que par les valeurs qu’elle prend sur un ensemble fini de points (par exemple, des mesures
expérimentales). On se trouve alors dans la même situation que celle abordée au chapitre précédent pour l’approximation
des fonctions. Dans tous ces cas, il faut considérer des méthodes numériques afin d’approcher la quantité à laquelle on
s’intéresse, indépendamment de la difficulté à intégrer la fonction.
3.1. Principes généraux

Dans les méthodes d’intégration, l’intégrale d’une fonction f continue sur un intervalle borné [a, b] est remplacée par
une somme finie. Le choix de la subdivision de l’intervalle d’intégration et celui des coefficients qui interviennent dans la
somme approchant l’intégrale sont des critères essentiels pour minimiser l’erreur. Ces méthodes se répartissent en deux
grandes catégories : les méthodes composées dans lesquelles la fonction est remplacée par un polynôme d’interpolation
S
sur chaque intervalle élémentaire [x i , x i +1 ] de la subdivision de [a, b] (i.e. [a, b] = i [x i , x i +1 ]) et les méthodes de G AUSS
fondées sur les polynômes orthogonaux pour lesquelles les points de la subdivision sont imposés.
Rb
Soit f une fonction réelle intégrable sur l’intervalle [a; b]. Le calcul explicite de l’intégrale définie I ( f ) ¥ a f (x)dx peut
être difficile, voire impossible. On appelle formule de quadrature ou formule d’intégration numérique toute formule per-
mettant de calculer une approximation de I ( f ). Une possibilité consiste à remplacer f par une approximation f n , où n est
un entier positif, et calculer I ( f n ) au lieu de I ( f ). En posant I n ( f ) ¥ I ( f n ) (la dépendance par rapports aux extrémités a et b
sous-entendue), on définit Z b
In ( f ) ¥ f n (x)dx, n ∏ 0.
a
Si f est de classe C 0 sur [a; b], l’erreur de quadrature E n ( f ) ¥ |I n ( f ) ° I ( f )| satisfait
Zb
En ( f ) ∑ | f (x) ° f n (x)|dx ∑ (b ° a) max | f (x) ° f n (x)|.
a x2[a;b]
L’approximation f n doit être facilement intégrable, ce qui est le cas si, par exemple, f n est un polynôme. Une approche
P
naturelle consiste à prendre f n = ni=0 f (x i )L i (x), le polynôme d’interpolation de L AGRANGE de f sur un ensemble de n + 1
nœuds distincts {x i }ii =n
=0
. Ainsi on aura
X n µ Zb ∂
Y n x °x
j
I ( f ) º In ( f ) = f (x i ) L i (x)dx où L i (x) = .
i =0 a j =0 x i ° x j
j 6=i
Il s’agit d’un cas particulier de la formule de quadrature suivante

n
X
In ( f ) = Æi f (x i )
i =0
qui est une somme pondérée des valeurs de f aux points x i : on dit que ces points sont les nœuds de la formule de quadra-
ture et que les nombres Æi 2 R sont les coefficients ou encore les poids. La formule de quadrature de L AGRANGE peut être
généralisée au cas où on connaît les valeurs de la dérivée de f : ceci conduit à la formule de quadrature d’H ERMITE. Les
formules de L AGRANGE et d’H ERMITE sont toutes les deux des formules de quadrature interpolatoires, car la fonction f est
remplacée par son polynôme d’interpolation.
79
3. Quadrature Dimanche 29 septembre 2013
Définition Degré d’exactitude

On définit le degré d’exactitude d’une formule de quadrature comme le plus grand entier r ∏ 0 pour lequel la valeur
approchée de l’intégrale (obtenue avec la formule de quadrature) d’un polynôme de degré r est égale à la valeur exacte,
i.e. I n (q) = I (q) pour tout polynôme q 2 Rr [x]. Autrement dit, une formule de quadrature est dite d’ordre r si elle est
exacte sur Rr [x] et inexacte pour au moins un polynôme de degré strictement supérieur à r .
Astuce
Pour vérifier qu’une formule de quadrature est d’ordre r il suffit de vérifier qu’elle est exacte sur une base de Rr [x] (par
exemple la base canonique) et inexacte pour un polynôme de degré r + 1 (par exemple le polynôme x r +1 ). En effet, si q
P
est un polynôme de Rr [x], il existe Æ0 , Æ1 , . . . , Ær tels que q(x) = rk=0 Æk x k . Alors
Zb r µ µZb ∂∂ r ≥ ¥
X X
I (q) = q(x) dx = Æk x k dx = Æk I (x k ) .
a k=0 a k=0
Pour vérifier qu’une formule de quadrature I n a degré d’exactitude r il suffit alors de vérifier que I n (x k ) = I (x k ) pour tout
k = 0...r .
Théorème
Toute formule de quadrature interpolatoire utilisant n + 1 nœuds distincts a un degré d’exactitude au moins égale à n.
En effet, si f 2 Rn [x], alors le polynôme d’interpolation coïncide avec f .
La réciproque aussi est vraie : une formule de quadrature utilisant n + 1 nœuds distincts et ayant un degré d’exactitude au
moins égale à n est nécessairement de type interpolatoire. Le degré d’exactitude peut même atteindre 2n + 1 dans le cas
des formules de quadrature de G AUSS.
Définition Stabilité Pn Pn
Une formule de quadrature I n ( f ) = i =0 Æi f (x i ) est dite stable s’il existe M 2 R§+ tel que i =0 |Æi | ∑ M .
Théorème
Une méthode de quadrature de type interpolation est convergente sur C [a; b] ssi les formules sont stables.
Définition Formule de quadrature composite

On décompose l’intervalle d’intégration [a; b] en m sous-intervalles T j = [y j ; y j +1 ] tels que y j = a + j H où H = b°a
m pour
n o
(j) n
j = 0, 1, . . . , m. On utilise alors sur chaque sous-intervalle une formule interpolatoire de nœuds x k et de poids
n on k=0
(j)
Æk . Puisque
k=0
Zb X Z y j +1
m°1
I(f ) = f (x)dx = f (x)dx,
a j =0 yj
une formule de quadrature interpolatoire composite est obtenue en remplaçant I ( f ) par
m°1
X X n
(j) (j)
I n,m ( f ) = Æk f (x k ).
j =0 k=0
Souvent on définit d’abord une formule de quadrature sur l’intervalle [0; 1] ou sur l’intervalle [°1; 1] et puis on la généra-
lise à l’intervalle [x i ; x i +1 ] par un changement de variable affine.
Astuce Changement de variable affine
Soit x 2 [a; b] et soit y 2 [c; d ], on cherche une transformation y = g (x) qui envoie l’intervalle [a; b] dans l’intervalle [c; d ]
ainsi
Zd Zb
f (y)dy = f (g (x))g 0 (x)dx.
c a
Si g 0 (x) est une constante, i.e. si g est une transformation affine g (x) = mx + q, alors
Zd Zb
f (y)dy = m f (mx + q)dx.
c a
80 © G. Faccanoni
Dimanche 29 septembre 2013 3. Quadrature
Pour déterminer cette transformation affine, on doit résoudre le système linéaire

(
c = ma + q,
d = mb + q.
On obtient
d °c cb ° ad
m= , q= .
b°a b°a
d °c cb ° ad
Par conséquent y = x+ d’où
b°a b°a
Zd Z µ ∂
d °c b d °c cb ° ad
f (y)dy = f x+ dx.
c b°a a b°a b°a
Exemple
? Transformer l’intervalle [0; 1] dans l’intervalle [x i ; x i +1 ] par un changement de variable affine.
On a y = (x i +1 ° x i )x + x i et
Zx Z1
i +1
f (y)dy = (x i +1 ° x i ) f ((x i +1 ° x i )x + x i )dx.
xi 0
x i +x i +1
On voit que lorsque x = 0 alors y = x i , lorsque x = 1 alors y = x i +1 , ou encore lorsque x = 1/2 alors y = 2 etc.
? Transformer l’intervalle [°1; 1] dans l’intervalle [x i ; x i +1 ] par un changement de variable affine.
x °x °x °x i x °x
On a y = i +12 i x + i +12 , qu’on peut réécrire y = x i + (1 + x) i +12 i et
Zx Z
i +1 x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (y)dy = f x i + (1 + x) dx.
xi 2 °1 2
3.2. Exemples de formules de quadrature interpolatoires

Définition Formule du rectangle à gauche
• Formule de base La formule du rectangle à gauche est obtenue en remplaçant f par une constante égale à la valeur
de f en la borne gauche de l’intervalle [a; b] (polynôme de degré 0), ce qui donne
I ( f ) º I 0 ( f ) = (b ° a) f (a).
© G. Faccanoni 81
Erreur Si f 2 C 1 ([a; b]) alors l’erreur de quadrature est
h2 0
E0( f ) = | f (¥)|, h = b ° a, ¥ 2]a; b[.
2
Degré Le degré d’exactitude de la formule du rectangle à gauche est 0.

• Formule composite On décompose l’intervalle d’intégration [a; b] en m sous-intervalles de largeur H = b°a m avec
m ∏ 1. En introduisant les nœuds de quadrature x k = a +k H pour k = 0, 1, . . . , m °1 on obtient la formule composite
du rectangle à gauche
m°1
X m°1
X
I 0,m ( f ) = H f (x k ) = H f (a + k H ).
k=0 k=0
1
Erreur Si f 2 C ([a; b]) alors l’erreur de quadrature est
b°a
E 0,m ( f ) = H | f 0 (¥)|, ¥ 2]a; b[.
2
Définition Formule du rectangle à droite

• Formule de base La formule du rectangle à droite est obtenue en remplaçant f par une constante égale à la valeur de
f en la borne droite de l’intervalle [a; b] (polynôme de degré 0), ce qui donne
I 0 ( f ) = (b ° a) f (b).
h2 0
E0( f ) = | f (¥)|, h = b ° a, ¥ 2]a; b[.
2
Degré Le degré d’exactitude de la formule du rectangle à droite est 0.

• Formule composite On décompose maintenant l’intervalle d’intégration [a; b] en m sous-intervalles de largeur H =
b°a
m avec m ∏ 1 En introduisant les nœuds de quadrature x k = a + (k + 1)H pour k = 0, 1, . . . , m ° 1 on obtient la
formule composite du rectangle à droite
m°1
X m°1
X
I 0,m ( f ) = H f (x k ) = H f (a + (k + 1)H ).
k=0 k=0
b°a
E 0,m ( f ) = H | f 0 (¥)|, ¥ 2]a; b[.
2
Définition Formule du rectangle ou du point milieu

• Formule de base La formule du rectangle ou du point milieu est obtenue en remplaçant f par une constante égale à
la valeur de f au milieu de [a; b] (polynôme de degré 0), ce qui donne
µ ∂
a +b
I 0 ( f ) = (b ° a) f .
2
h 3 00 b°a
E0( f ) = | f (¥)|, h= , ¥ 2]a; b[.
3 2
Degré Le degré d’exactitude de la formule du point milieu est 1.
• Formule composite On décompose maintenant l’intervalle d’intégration [a; b] en m sous-intervalles de largeur H =
b°a 2k+1
m avec m ∏ 1 En introduisant les nœuds de quadrature x k = a + 2 H pour k = 0, 1, . . . , m ° 1 on obtient la
formule composite du point milieu
m°1 µ ∂
X 2k + 1
I o,m ( f ) = H f a+ H .
k=0 2
b ° a 2 00
E 0,m ( f ) = H | f (¥)|, ¥ 2]a; b[.
24
82 © G. Faccanoni
Définition Formule du trapèze

• Formule de base La formule du trapèze est obtenue en remplaçant f par le segment qui relie (a, f (a)) à (b, f (b))
(polynôme de L AGRANGE de degré 1), ce qui donne
b°a ° ¢
I1( f ) = f (a) + f (b) .
2
h 3 00
E1( f ) = | f (¥)|, h = b ° a, ¥ 2]a; b[.
12
Degré Le degré d’exactitude de la formule du point milieu est 1, comme celle du point milieu.
• Formule composite Pour obtenir la formule du trapèze composite, on décompose l’intervalle d’intégration [a; b] en
m sous-intervalles de largeur H = b°a m avec m ∏ 1. En introduisant les nœuds de quadrature x k = a + k H pour
k = 0, 1, . . . , m ° 1 on obtient
√ !
H m°1
X° ¢ 1 m°1
X 1
I 1,m ( f ) = f (x k ) + f (x k+1 ) = H f (a) + f (a + k H ) + f (b) .
2 k=0 2 k=1 2
b ° a 2 00
E 0,m ( f ) = H | f (¥)|, ¥ 2]a; b[.
12
Définition Formule de Cavalieri-Simpson

• Formule de base La formule ≥ ≥de Cavalieri-Simpson
¥¥ est obtenue en remplaçant f par la parabole qui interpole
a+b a+b
(a, f (a)), (b, f (b)) et 2 , f 2 (polynôme de L AGRANGE de degré 2), ce qui donne
µ µ ∂ ∂
b°a a +b
I2( f ) = f (a) + 4 f + f (b) .
6 2

h 5 (4) b°a
E2( f ) = | f (¥)|, h= , ¥ 2]a; b[.
90 2
Degré Le degré d’exactitude de la formule du point milieu est 3.
• Formule composite Pour obtenir la formule composite, on décompose l’intervalle d’intégration [a; b] en m sous-
intervalles de largeur H = b°a
2m avec m ∏ 1. En introduisant les nœuds de quadrature x k = a +k H pour k = 0, 1, . . . , m
on obtient
√ !
H m°1
X s°1
X
I 2,m ( f ) = f (a) + 2 f (x 2r ) + 4 f (x 2s+1 ) + f (b)
3 r =1 s=0
√ µ ∂ !
H m°1
X m°1
X 2s + 1
= f (a) + 2 f (a + r H ) + 4 f a+ H + f (b)
3 r =1 s=0 2
Si on décompose l’intervalle d’intégration [a; b] en 2m sous-intervalles de largeur h = H2 et en introduisant les

nœuds de quadrature x k = a + kh pour k = 0, 1, . . . , 2m on obtient
√ !
2 m°1
X m°1
X
I 2,m ( f ) = h f (a) + 2 f (a + 2r h) + 4 f (a + (2s + 1)h) + f (b) .
3 r =1 s=0

µ ∂
b ° a H 4 (4)
E 2,m ( f ) = | f (¥)|, ¥ 2]a; b[.
180 4
© G. Faccanoni 83
a b x x0 = a x1 x2 x3 x4 = b x
(a) Formule du rectangle à gauche. (b) Formule du rectangle à gauche composite.
a b x x0 = a x1 x2 x3 x4 = b x
(c) Formule du rectangle à droite. (d) Formule du rectangle à droite composite.
a+b x 0 +x 1 x 1 +x 2 x 2 +x 3 x 3 +x 4
2 2 2 2 2
a b x x0 = a x1 x2 x3 x4 = b x
(e) Formule du point milieu. (f) Formule du point milieu composite.
a b x x0 = a x1 x2 x3 x4 = b x
(g) Formule du trapèze. (h) Formule du trapèze composite.
a a+b b x x0 = a x1 x2 x3 x
2 x4 = b
(i) Formule de Cavalieri-Simpson. (j) Formule de Cavalieri-Simpson composite.
F IGURE 3.1.: Formules de quadrature pour n = 0, 1, 2.
84 © G. Faccanoni
Algorithmes
M ÉTHODE DU RECTANGLE À GAUCHE M ÉTHODE DU RECTANGLE À DROITE

Require: a ; b > a ; n > 0 ; f : [a; b] ! R Require: a ; b > a ; n > 0 ; f : [a; b] ! R
h √ b°an h √ b°an
s √0 s √0
for i = 0 to n ° 1 do for i = 0 to n ° 1 do
s √ s + f (a + i h) s √ s + f (a + (i + 1)h)
end for end for
return I √ hs return I √ hs
M ÉTHODE DU POINT MILIEU M ÉTHODE DES TRAPÈZES

Require: a ; b > a ; n > 0 ; f : [a; b] ! R Require: a ; b > a ; n > 0 ; f : [a; b] ! R
h √ b°an h √ b°a
n
s √0 f (a)+ f (b)
s√ 2
for i = 0 to n° ° 1°do ¢ ¢ for i = 1 to n
° ° 1 do¢
s √ s + f a + i + 12 h s √ s + f a +ih
end for end for
return I √ hs return I √ hs
M ÉTHODE DE S IMPSON
Require: a ; b > a ; n > 0 ; f : [a; b] ! R
h √ b°a 2n
s1 √ 0
s 2 √ f (a + h)
for i = 1 to n ° 1 do
s 1 √ s 1 + f (a + 2i h)
s 2 √ s 2 + f (a + (2i + 1)h)
end for ° ¢
return I √ h3 f (a) + f (b) + 2s 1 + 4s 2
3.3. Approximation de dérivées

Soit f : R ! R une fonction de classe C 1 (R), x i 2 R et f 0 sa dérivée. On sait que
f (x i + h) ° f (x i )
f 0 (x i ) = lim
h!0 h
f (x i ) ° f (x i ° h)
= lim
h!0 h
f (x i + h/2) ° f (x i ° h/2)
= lim .
h!0 h
Une idée naturelle pour calculer numériquement f 0 (x i ) y
consiste donc à se donner une valeur de h positive assez pe-
tite et à calculer
f (x i + h) ° f (x i ) f (x i + h)
f 0 (x i ) º ±+
h f (x i ) ¥ , (3.1) f (x i )
h
f (x i ) ° f (x i ° h)
f 0 (x i ) º ±°
h f (x i ) ¥ , (3.2)
h
f (x i + h) ° f (x i ° h)
f 0 (x i ) º ±h f (x i ) ¥ , (3.3) f (x)
2h
On les appelles taux d’accroissement ou différences finies f (x i ° h)

? à droite (ou progressive) ±+ ,
h h h
? à gauche (ou rétrograde) ±° ,
h xi x
? centrée ±h . xi ° h xi + h
© G. Faccanoni 85
Si f est de classe C 3 , en écrivant le développement de Taylor de f en x autour du point x i
f (x i ± h) = f (x i ) ± h f 0 (x i ) + h 2 f 00 (x i ) + O(h 3 ),
on obtient
f (x i + h) ° f (x i ) f (x i ) + h f 0 (x i ) + h 2 f 00 (x i ) + O((h)3 ) ° f (x i )
= = f 0 (x i ) + O(h),
h h
f (x i ) ° f (x i ° h) f (x i ) ° f (x i ) + h f 0 (x i ) ° h 2 f 00 (x i ) + O(h 3 )
= = f 0 (x i ) + O(h),
h h
f (x i + h) ° f (x i ° h) f (x i ) + h f 0 (x i ) + (h)2 f 00 (x i ) + O(h 3 ) ° f (x i ) + h f 0 (x i ) ° (h)2 f 00 (x i )
= = f 0 (x i ) + O(h 2 ).
2h 2h
Donc, si f est assez régulière, les différences finies convergent vers f 0 (x i ) lorsque h tend vers zéro. De plus, pour les diffé-
rences finies à gauche et à droite la convergence est d’ordre 1 alors que la différence finie centrée converge à l’ordre 2.
Exemple
On compare pour différentes valeurs de h les valeurs données par ces trois formules pour la dérivée de la fonction sinus en 0 :
1 from math import *

2
3 def DFgauche(f,x,h):
4 °°°!return (f(x+h)-f(x))/h
5
6 def DFdroite(f,x,h):
7 °°°!return (f(x)-f(x-h))/h
8
9 def DFcentree(f,x,h):
10 °°°!return (f(x+0.5*h)-f(x-0.5*h))/h
11
12 # TEST
13 def f(x):
14 °°°!return sin(x)
15
16 x = 0
17 for i in range(1,13):
18 °°°!h = 10**(-i)
19 °°°!dfg = DFgauche(f,x,h)
20 °°°!dfd = DFdroite(f,x,h)
21 °°°!dfc = DFcentree(f,x,h)
22 °°°!print "%5.e %17.15f %17.15f %17.15f" %(h, dfg, dfd, dfc)
On constate qu’à partir de h = 10°8 la valeur donnée est exacte.
1 1e-01 0.998334166468282 0.998334166468282 0.999583385413567

2 1e-02 0.999983333416666 0.999983333416666 0.999995833338542
3 1e-03 0.999999833333342 0.999999833333342 0.999999958333334
4 1e-04 0.999999998333333 0.999999998333333 0.999999999583333
5 1e-05 0.999999999983333 0.999999999983333 0.999999999995833
6 1e-06 0.999999999999833 0.999999999999833 0.999999999999958
7 1e-07 0.999999999999998 0.999999999999998 1.000000000000000
8 1e-08 1.000000000000000 1.000000000000000 1.000000000000000
9 1e-09 1.000000000000000 1.000000000000000 1.000000000000000
10 1e-10 1.000000000000000 1.000000000000000 1.000000000000000
11 1e-11 1.000000000000000 1.000000000000000 1.000000000000000
12 1e-12 1.000000000000000 1.000000000000000 1.000000000000000
Définition Erreur de troncature

Les différences
| f 0 (x i ) ° ±+
h |, | f 0 (x i ) ° ±°
h |,
sont appelées erreur de troncature. Elles sont d’ordre h et on dit que les différences finies sont consistantes à l’ordre 1 en
h. De même, l’erreur de troncature
| f 0 (x i ) ° ±h |,
86 © G. Faccanoni
est d’ordre h 2 et on dit que la différence finie est consistante à l’ordre 2 en h. Elle est ainsi plus précise que les formules
de différences finies progressives et rétrogrades.
Remarque Erreurs d’arrondis

Les erreurs de troncature diminuent lorsque h diminue. En revanche, les erreurs d’arrondis augmentent lorsque h
diminue. En effet, le calcul de ±±
h
se fait avec une précision absolue de l’ordre de 2 £ " £ | f (x)|/h où " º 10°15 . Par
h
ailleurs, d’après l’inégalité de Taylor-Lagrange, on a | f 0 (x i ) ° ±±
h
|∑ 2 max | f 00 (x)|. L’inégalité triangulaire entraîne alors
h | f (x)| | f (x)|
| f 0 (x i ) ° flt(±±
h
)| ∑ 2 max | f Une étude rapide de la fonction h 7! h2 max | f 00 (x)| + 2" h montre que cette
00
(x)| + 2" h .
r
| f (x)|
fonction possède un minimum absolu sur R+ atteint en h = 2 " max | f 00 (x)| . Pour une fonction suffisamment régulière, il
p
est donc judicieux de choisir une valeur de h qui soit de l’ordre de ", c’est-à-dire de l’ordre de 10°8 .
Exemple p
Par exemple, en utilisant le code de l’exemple précédent pour calculer la dérivée première de la fonction 1 + x en 0, on obtient
1 1e-01 0.488088481701516 0.513167019494862 0.500156421150636

2 1e-02 0.498756211208895 0.501256289338003 0.500001562517094
3 1e-03 0.499875062460964 0.500125062539047 0.500000015625002
4 1e-04 0.499987500623966 0.500012500624925 0.500000000157597
5 1e-05 0.499998750003172 0.500001250003379 0.500000000014378
6 1e-06 0.499999875058776 0.500000124969979 0.499999999958867
7 1e-07 0.499999988079480 0.500000012504387 0.499999999181711
8 1e-08 0.499999996961265 0.500000008063495 0.499999996961265
9 1e-09 0.500000041370185 0.500000041370185 0.500000041370185
10 1e-10 0.500000041370185 0.500000041370185 0.500000041370185
11 1e-11 0.500000041370185 0.500000041370185 0.500000041370185
12 1e-12 0.500044450291171 0.500044450291171 0.500044450291171
13 1e-13 0.499600361081320 0.500710584105946 0.498490138056695
14 1e-14 0.488498130835069 0.499600361081320 0.499600361081320
Cette fois-ci on voit apparaître très nettement la perte de précision lorsque h est trop petit.
De manière analogue, la dérivée seconde peut être approchée par
f (x i + h) ° 2 f (x i ) + f (x i ° h)
f 00 (x i ) º
(h)2
et on a l’estimation d’erreur :
f (x i + h) ° 2 f (x i ) + f (x i ° h)
h2
f (x i ) + h f 0 (x i ) + (h)2 f 00 (x i ) + O((h)3 ) ° 2 f (x i ) + f (x i ) ° h f 0 (x i ) + (h)2 f 00 (x i )
= = f 00 (x i ) + O(h 2 ).
h2
© G. Faccanoni 87

Voici cinq function python qui renvoient la valeur approchée d’une intégrale par les méthodes (composites à n inter-
valles équirépartis) du rectangle à gauche, du rectangle à droite, du point de milieu, du trapèze et de S IMPSON. En para-
mètre elles reçoivent f, la fonction (mathématique) à intégrer, a et b sont les extrémités de l’intervalle d’intégration et n
est le nombre de sous-intervalles de l’intervalle [a, b] (chaque sous-intervalle a largeur (b ° a)/n). Elles renvoient la valeur
Rb
approchée de a f (x) dx.
1 #!/usr/bin/python
2 #-*- coding: Utf-8 -*-
3
4 import math, sys

5
6 def rectangle_gauche_composite(f,a,b,n):
7 °°°!h = (b-a)/n
8 °°°!s = 0.
10 °°°!°°°!s += f(a+i*h)
11 °°°!return h*s
12
13 def rectangle_droite_composite(f,a,b,n):
14 °°°!h = (b-a)/n
15 °°°!s = 0.
17 °°°!°°°!s += f(a+(i+1)*h)
19
20 def milieu_composite(f,a,b,n):
21 °°°!h = (b-a)/n
22 °°°!s = 0.
24 °°°!°°°!s += f(a+(i+0.5)*h)
26
27 def trapeze_composite(f,a,b,n):
28 °°°!h = (b-a)/n
29 °°°!s = (f(a)+f(b))*0.5
30 °°°!for i in range(1,n):
31 °°°!°°°!s += f(a+i*h)
33
34 def simpson_composite(f,a,b,n):
35 °°°!h = (b-a)/(2.*n)
36 °°°!s1 = 0.
37 °°°!s2 = f(a+h)
38 °°°!for i in range(1,n):
39 °°°!°°°!s1 += f(a+2*i*h)
40 °°°!°°°!s2 += f(a+(2*i+1)*h)
41 °°°!return (f(a)+f(b)+2.*s1+4.*s2)*h/3.
et voici quelques exemples d’utilisation de ces méthodes

42 # CHOIX DU CAS TEST
43 exemple = 1
44
45 # DEFINITION DU CAS TEST

46 if exemple==1:
47 °°°!n = 100
48 °°°!a = 0.0
49 °°°!b = 1.0
50 °°°!def f(x):
51 °°°!°°°!return x**3
52 °°°!def primitive(x):
53 °°°!°°°!return x**4/4.
54 elif exemple==2:
88 © G. Faccanoni
55 °°°!n = 100
56 °°°!a = 0.0
57 °°°!b = 1.0
58 °°°!def f(x):
59 °°°!°°°!return x**3
61 °°°!°°°!return x**4/4.
62 elif exemple==3:
63 °°°!n = 10
64 °°°!a = -10.0
65 °°°!b = 10.0
66 °°°!def f(x):
67 °°°!°°°!return math.exp(-x**2)
69 °°°!°°°!return 0. # on ne connait pas la primitive
70 else:
71 °°°!print "Cas test non defini"
72 °°°!sys.exit(0)
73
74
75 print "** Exacte : ", primitive(b)-primitive(a)

76 print "Formule du rectangle a gauche composite : ", rectangle_gauche_composite(f,a,b,n)
77 print "Formule du rectangle a droite composite : ", rectangle_droite_composite(f,a,b,n)
78 print "Formule du point milieu composite : ", milieu_composite(f,a,b,n)
79 print "Formule des trapezes composite : ", trapeze_composite(f,a,b,n)
80 print "Formule de Simpson composite : ", simpson_composite(f,a,b,n)
81
82 # Dans python il existe un module qui implement deja ces methodes, comparons nos resultats avec ceux du
Âmodule:
83 from scipy import integrate
84 results = integrate.quad(f,a,b)
85 print "Avec scipy.integrate l’integrale est approchee par ", results[0], "avec une erreure de ", results
Â[1]
© G. Faccanoni 89
.............. Exercices .............

Exercice 3.1
R5/2
Estimer 0 f (x) dx à partir des données
x 0 /2
1
1 /23
2 5
/2
f (x) 3
/2 2 2 1.6364 1.2500 0.9565
en utilisant la méthode des trapèzes composite.
C ORRECTION DE L’ EXERCICE 3.1. La méthode des trapèzes composite à m + 1 points pour calculer l’intégrale d’une fonc-
tion f sur l’intervalle [a, b] s’écrit
Zb √ !
1 m°1
X 1 b°a
f (t )d t ' h f (a) + f (a + i h) + f (b) avec h = .
a 2 i =1 2 m
Ici on a a = 0, b = 5/2, h = 1/2 donc

Z5/2 µ ∂
1 3 0.9565
f (x) dx ' + 2 + 2 + 1.6364 + 1.2500 + = 4.057325
0 2 4 2
Exercice 3.2
Étant donnée l’égalité
µZ+1 ∂2 µZ10 ∂2
°x 2 °x 2
º=4 e dx =4 e dx + ≤ ,
0 0
avec 0 < ≤ < 10°44 , utiliser la méthode des trapèzes composite à 10 intervalles pour estimer la valeur de º.
C ORRECTION DE L’ EXERCICE 3.2. La méthode des trapèzes composite à m intervalles pour calculer l’intégrale d’une fonc-
Zb √ !
1 m°1
X 1 b°a
a 2 i =1 2 m
2
Ici on a f (x) = e °x , a = 0, b = 10, m = 10 d’où h = 1 et on obtient
1 X10 2 1 1 1 1 1 1 1 1 1 1 1 1
I' + e °i + 100 = + + 4 + 9 + 16 + 25 + 36 + 49 + 64 + 81 + 100 º 3.1422.
2 i =1 2e 2 e e e e e e e e e 2e
Exercice
R
3.3
º
Estimer 0 sin(x) dx en utilisant la méthode des trapèzes composite avec 8 et puis 16 sous-intervalles en prenant en
compte l’erreur.
C ORRECTION DE L’ EXERCICE 3.3. La méthode des trapèzes composite à m + 1 points pour calculer l’intégrale d’une fonc-
Zb √ !
1 m°1
X 1 b°a
f (t )d t ' h f (a) + f (a + i h) + f (b) avec h =
a 2 i =1 2 m
et l’erreur est donné par

b ° a 2 00
E =° h f (ª)
12
avec a < ª < b.
Ici on a a = 0, b = º. Avec 8 sous-intervalles on a h = º/8 donc
Zº √ !
º sin(0) X 7 sin(º)
sin(x) dx ' + sin(i º/8) + º 1.97423
0 8 2 i =1 2
90 © G. Faccanoni
et l’erreur est
º3
E= sin(ª)
768
pour ª 2]0; º[. Comme on ne connait pas la valeur de ª, on ne peut pas connaitre E mais on peut en déterminer les bornes :
º3 º3 º3
E min = sin(0) = 0 E max = sin(º/2) = ' 0.04037
768 768 768
ainsi Zº
(1.97423 ° 0) ∑ sin(x) dx ∑ (1.97423 + 0.04037) = 2.01460
0
La valeur exacte est bien évidemment 2.
Avec 16 sous-intervalles on a h = º/16 et les nouveaux noeuds se trouvent au milieux des sous-intervalles précédents :
x j = º/16 + j º/8 = (1 + 2 j )º/16 pour j = 0, 1, . . . , 7, ainsi
Zº 7
1.97423 º X
sin(x) dx ' + sin((1 + 2 j )º/16) º 1.99358
0 2 16 j =0
et le limites de l’erreur deviennent (observons que E est divisé par 4 lorsque h est divisé par 2) :
0.04037
E min = 0 E max ' = 0.01009
4
ainsi Zº
1.99358 ∑ sin(x) dx ∑ (1.99358 + 0.01009) = 2.00367.
0
Exercice 3.4
On considère l’intégrale
Z2
1
I= dx.
1 x
1. Calculer la valeur exacte de I .
2. Évaluer numériquement cette intégrale par la méthode des trapèzes avec m = 3 sous-intervalles.
3. Pourquoi la valeur numérique obtenue à la question précédente est-elle supérieure à ln(2) ? Est-ce vrai quelque
soit m ? Justifier la réponse. (On pourra s’aider par un dessin.)
4. Quel nombre de sous-intervalles m faut-il choisir pour avoir une erreur inférieure à 10°4 ? On rappelle que l’erreur
de quadrature associée s’écrit, si f 2 C 2 ([a; b]),
Ø Ø
Ø (b ° a)4 00 Ø
Ø
|E m | = Ø f (ª)ØØ , ª 2]a; b[.
12m 2

h ix=2
1
1. Une primitive de x est F (x) = ln(x). La valeur exacte est alors I = ln(x) = ln(2).
x=1
2. La méthode des trapèzes composite à m + 1 points pour calculer l’intégrale d’une fonction f sur l’intervalle [a, b]
s’écrit √ !
Zb m°1
X
1 1 b°a
a 2 i =1 2 m
Ici on a f (x) = x1 , a = 1, b = 2, m = 3 d’où h = 1

3 et on obtient
µ ∂ µ ∂
1 1 1 1 1 3 3 1 21
I' f (1) + f (1 + 1/3) + f (1 + 2/3) + f (2) = + + + = = 0,7.
3 2 2 3 2 4 5 4 30
3. La valeur numérique obtenue à la question précédente est supérieure à ln(2) car la fonction f (x) = x1 est convexe. On
peut se convaincre à l’aide d’un dessin que les trapèzes sont au-dessus de la courbe y = 1/x, l’aire sous les trapèzes
sera donc supérieure à l’aire sous la courbe. Pour bien visualiser la construction considérons m = 1 :
© G. Faccanoni 91
1
0.5
1
0.5
0
0.5 1 1.5 2
0
Cela reste vrai quelque soit le pas h choisi car la fonction est convexe ce qui signifie qu’une corde définie par deux
points de la courbe y = 1/x sera toujours au-dessus de la courbe et par le raisonnement précédant l’aire sous les
trapèzes sera supérieure à l’aire exacte.
4. L’erreur est majorée par
0.5 1 1.5 2
(b ° a)4
|E m | ∑ sup | f 00 (ª)|.
12m 2 ª2]a;b[
Donc ici on a f (x) = 1/x, f 0 (x) = °1/x 2 et f 00 (x) = 2/x 3 , ainsi
1 2 1
|E m | ∑ 2
max 3 = .
12m ª2]1;2[ ª 6m 2
1
p
Pour que |E m | < 10°4 il suffit que 6m 2
< 10°4 , i.e. m > 102 / 6 º 40,8. À partir de 41 sous-intervalles, l’erreur de
quadrature est inférieure à 10°4 .
Exercice 3.5
On considère l’intégrale
Z2
I= ln(x) dx.
1
1. Évaluer numériquement cette intégrale par la méthode des trapèzes composite avec m = 4 sous-intervalles et
comparer le résultat ainsi obtenu avec la valeur exacte. Pourquoi la valeur numérique est-elle inférieure à la valeur
exacte ? Est-ce vrai quel que soit m ? (Justifier la réponse.)
2. Quel nombre de sous-intervalles m faut-il choisir pour avoir une erreur E m inférieure à 10°2 ? On rappelle que,
pour une fonction f de classe C 2 , l’erreur de quadrature E m associée à la méthode des trapèzes composite avec
une discrétisation uniforme de pas h = (b ° a)/m de l’intervalle [a, b] en m sous-intervalles vérifie
Ø Ø
Ø (b ° a) 2 00 Ø
|E m | = ØØ h f (ª)ØØ , ª 2]a; b[.
12

1. La méthode des trapèzes composite à m + 1 points (m sous-intervalles) pour calculer l’intégrale d’une fonction f sur
l’intervalle [a, b] s’écrit
Zb √ !
1 m°1
X 1 b°a
y
a 2 i =1 2 m
1
Ici on a f (x) = ln(x), a = 1, b = 2, m = 4 d’où h = 4 et on obtient
µ µ ∂ µ ∂ µ ∂ ∂ µ µ ∂ µ ∂ µ ∂ ∂
1 1 5 3 7 1 1 5 3 7 1
I' f (1) + f +f +f + f (2) = ln + ln + ln + ln(2) º 0.3836995094.
4 2 4 2 4 2 4 4 2 4 2
1
Une primitive de ln(x) est F (x) = x(ln(x)°1). La valeur exacte est alors I = [x(ln(x)°1)]x=2x=1 = 2 ln(2)°1 º 0.386294361.
La valeur numérique obtenue est inférieure à celle exacte quelque soit le pas h choisi car la fonction f est concave, ce
qui signifie qu’une corde définie par deux points de la courbe y = ln(x) sera toujours en-dessous de la courbe, donc
0.5
l’aire sous les trapèzes sera inférieure à l’aire exacte. Pour bien visualiser la construction considérons m = 2 :
y
1
0.5
0
0
x
0.5 1 1.5 2
x
92 0.5 1 1.5 2 © G. Faccanoni
2. L’erreur est majorée par

(b ° a) 2 (b ° a)3
|E m | ∑ h sup | f 00 (ª)| = sup | f 00 (ª)|.
12 ª2]a;b[ 12m 2 ª2]a;b[
On a f (x) = ln(x), f 0 (x) = 1/x et f 00 (x) = °1/x 2 , ainsi
1 1 1
|E m | ∑ 2
max 2 = .
12m ª2]1;2[ ª 12m 2
1
p
Pour que |E m | < 10°2 il suffit que 12m 2
< 10°2 , i.e. m > 10/ 12 º 2.886. À partir de 3 sous-intervalles, l’erreur de
quadrature est inférieure à 10°2 .
Exercice 3.6
Soit f une fonction C 1 (R, R).
1. On considère l’approximation
Z1 µ ∂
1 ° 3¢ ° 1¢ °1¢ °3¢
f (x) dx º 11 f ° 5 + f ° 5 + f 5 + 11 f 5 .
°1 12
Quel est le degré d’exactitude de cette formule de quadrature ?

b°a
2. On se donne les points {x i }ii =n
=0
de subdivision de l’intervalle [a; b] : x i = a + i h avec h = n . À l’aide d’un change-
ment de variable affine, en déduire une formule de quadrature pour l’intégrale
Zxi +1
f (x) dx.
xi
Rb
En tirer une formule de quadrature composite pour l’intégrale a f (x) dx.
Rb
3. Écrire l’algorithme pour approcher a f (x) dx.

1. On a
R1 1
k p k (x) = x k °1 p k (x) dx 12 (11p k (°3/5) + p k (°1/5) + p k (1/5) + 11p k (3/5)) Degré d’exactitude
0 1 2 2 au moins 0
1 x 0 0 au moins 1
2
2 x 2/3 2/3 au moins 2
3 x3 0 0 au moins 3
4
4 x 2/5 446/1875 ∑3
La formule est donc exacte de degré 3.

2. Soit x = mt + q, alors (
Zxi +1 Z1
x i = °m + q,
f (x) dx = m f (mt + q) dt avec
xi °1 x i +1 = m + q,
x °x
d’où le changement de variable x = x i + (t + 1) i +12 i
. On déduit la formule de quadrature (exacte sur l’espace des
polynôme de degré au plus 3)
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (x) dx = f x i + (t + 1) dt
xi 2 °1 2
x i +1 ° x i h ≥x
i +1 ° x i
¥ ≥ x
i +1 ° x i
¥ ≥ x
i +1 ° x i
¥ ≥ x
i +1 ° x i
¥i
º 11 f +f 2 +f 3 + 11 f 4 .
36 5 5 5 5
b°a
Soit h = x i +1 ° x i = n . La formule précédente se réécrit
Zxi +1 ∑ µ ∂ µ ∂ µ ∂ µ ∂∏
h h 2h 3h 4h
f (x) dx º 11 f x i + + f xi + + f xi + + 11 f x i + .
xi 36 5 5 5 5
et la formule de quadrature composite déduite de cette approximation est
Zb ∑ µ ∂ µ ∂ µ ∂ µ ∂∏
X Zxi +1
n°1 h n°1
X h 2h 3h 4h
f (x) dx = f (x) dx º 11 f x i + + f xi + + f xi + + 11 f x i + .
a i =0 x i 36 i =0 5 5 5 5
© G. Faccanoni 93
Rb
3. Algorithme d’approximation de a f (x) dx
h √ b°an
s √0
x √ a +ih ° ¢ ° ¢ ° ¢ ° ¢
s √ s + 11 f x + h5 + f x + 2h 3h 4h
5 + f x + 5 + 11 f x + 5
end for
h
return I √ 36 s
Exercice 3.7
Soit f une fonction C 1 (R, R).
1. On considère l’approximation µ ∂
Z1
2 ° ¢ ° ¢
f (x) dx º 2 f ° 12 ° f (0) + 2 f 12 .
°1 3
Quel est le degré d’exactitude de cette formule de quadrature ?
b°a
2. On se donne les points {x i }ii =n
=0
de subdivision de l’intervalle [a; b] : x i = a + i h avec h = n . À l’aide d’un change-
ment de variable affine, en déduire une formule de quadrature pour l’intégrale
Zxi +1
f (x) dx.
xi
Rb
En tirer une formule de quadrature composite pour l’intégrale a f (x) dx.
Rb
3. Écrire l’algorithme pour approcher a f (x) dx.

1. On a
R1 2
k p k (x) = x k °1 p k (x) dx 3 (2p k (°1/2) ° p k (0) + 2p k (1/2)) Degré d’exactitude
0 1 2 2 au moins 0
1 x 0 0 au moins 1
2 x2 2/3 2/3 au moins 2
3 x3 0 0 au moins 3
4 x4 2/5 1/6 3
La formule est donc exacte de degré 3.

Zxi +1 Z1
x i = °m + q,
xi °1 x i +1 = m + q,
x i +1 °x i
d’où le changement de variable x = x i + (t + 1) 2 . On déduit la formule de quadrature (exacte sur l’espace des
Zxi +1 Z " √ x +x ! √ x +x !#
x i +1 ° x i 1 ≥ x i +1 ° x i ¥ x i +1 ° x i x i + i +12 i ≥x
i +1 + x i
¥ i +1
2
i
+ x i +1
f (x) dx = f x i + (t + 1) dt º 2f °f +2f .
xi 2 °1 2 3 2 2 2
b°a
Soit h = x i +1 ° x i = n . La formule précédente se réécrit
Zxi +1 ∑ µ ∂ µ ∂ µ ∂∏
h h h 3h
f (x) dx º 2 f xi + ° f xi + + 2 f xi + .
xi 3 4 2 4
et la formule de quadrature composite déduite de cette approximation est

Zb ∑ µ ∂ µ ∂ µ ∂∏
X Zxi +1
n°1 h n°1
X h h 3h
f (x) dx = f (x) dx º 2 f xi + ° f xi + + 2 f xi + .
a i =0 x i 3 i =0 4 2 4
Rb
3. Algorithme d’approximation de a f (x) dx
94 © G. Faccanoni

h √ b°an
s √0
x √ a + i h° ¢ ° ¢ ° ¢
s √ s + 2 f x + h4 ° f x + h2 + 2 f x + 3h
4
end for
return I √ h3 s
Exercice 3.8
b°a
Soit f une fonction C 1 (R, R). On se donne les points {x i }ii =n
=0
de subdivision de l’intervalle [a; b] : x i = a +i h avec h = n .
Le but de l’exercice est de trouver une formule de quadrature à 2n points pour approcher l’intégrale
Zb
f (x) dx. (3.4)
a
On propose dans un premier temps (question 1 à 4) de construire la formule de quadrature à deux points suivantes :
Z1
g (x) dx º g (°Æ) + g (Æ), (3.5)
°1
où 0 < Æ < 1 est à déterminer.

1. Choisir Æ pour rendre la formule de quadrature exacte pour des polynômes de degré le plus élevé possible. Quel
est alors le degré d’exactitude de cette formule de quadrature ?
2. À l’aide d’un changement de variable affine, étendre cette formule de quadrature pour l’intégrale suivante :
Zxi +1
f (x) dx.
xi
3. En déduire une formule de quadrature à 2n points, notée F , pour le calcul approché de (3.4). Cette formule de
quadrature est-elle stable ?
4. Écrire l’algorithme du calcul de F .

1. On a R1
k p k (x) = x k °1 p k (x) dx
p k (°Æ) + p k (Æ) Degré d’exactitude
0 1 2 2 au moins 0
1 x 0 0 au moins 1
p p
2 x2 2/3 2Æ2 1 si Æ 6= 1/ 3, au moins 2 si Æ = 1/ 3
p
Soit Æ = 1/ 3
3 x3 0 0 au moins 3
4 x4 2/5 2/9 3
p p
Donc la formule de quadrature a degré d’exactitude 1 si Æ 6= 1/ 3 et degré d’exactitude 3 si Æ = 1/ 3.
x i +1 °x i
2. Par le changement de variable y = x i + (x + 1) 2 on déduit la formule de quadrature
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (y) dy = f x i + (x + 1) dx
xi 2 °1 2
∑ µ µ q ∂ ∂ µ µ q ∂ ∂∏
x i +1 ° x i x i +1 ° x i x i +1 ° x i
º f x i + 1 ° 13 + f x i + 1 + 13 .
2 2 2
3. Si h = x i +1 °x i = b°a
n (i.e. si on considère une subdivision de l’intervalle [a; b] équirépartie) alors on trouve la formule
de quadrature composite (i.e. sur n sous-intervalles et à 2n points)
Zb ∑ µ µ q ∂∂ µ µ q ∂∂∏ ∑ µ µ q ∂∂ µ µ q ∂∂∏
h n°1
X 1 1 h n°1
X
f (x) dx º f xi + h 1 ° 3 + f xi + h 1 + 3 = f a + h i + 1 ° 3 + f a + h i + 1 + 13
1
.
a 2 i =0 2 i =0
Cette formule de quadrature est stable puisque tous les coefficients sont positifs.
4. Algorithme du calcul de F :
© G. Faccanoni 95
b°a
h√ n ≥ q ¥
Æ1 √ a + 1 ° 13 h
≥ q ¥
Æ2 √ a + 1 + 13 h
s √ s + f (Æ1 + i h) + f (Æ2 + i h)
end for
return I √ h2 s
Exercice 3.9 Interpolation et Intégration

1. Soit f une fonction de classe C 1 ([°1, 1]) et p le polynôme de L AGRANGE qui interpole f aux points °1, 0 et 1. Écrire
le polynôme p.
2. En déduire une méthode de quadrature pour approcher l’intégrale
Z1
f (t ) dt .
°1
3. Étudier le degré d’exactitude de la formule de quadrature ainsi trouvée.

4. À l’aide d’un changement de variable affine, en déduire une formule de quadrature pour l’intégrale
Zx2i +2
f (x) dx.
x 2i
b°a
5. Soit h = 2n et x i = a + i h pour i = 0, . . . , 2n. On subdivise l’intervalle [a; b] en n intervalles [x 2i ; x 2i +2 ] de largeur
2h.
a h h b
x0 x 2i x 2i +1 x 2i +2 x 2n
En déduire la formule de quadrature composite pour le calcul approché de

Zb
f (x) dx.
a
6. Écrire l’algorithme associé à cette formule de quadrature.

1. On a trois points, donc le polynôme interpolateur de L AGRANGE est un polynôme de R2 [x]. On cherche alors les
coefficients Æ, Ø et ∞ du polynôme p(x) = Æ + Øx + ∞x 2 tels que
8
< f (°1) = Æ ° Ø + ∞,
> (3.6a)
f (0) = Æ, (3.6b)
>
:
f (1) = Æ + Ø + ∞. (3.6c)
f (1)° f (°1)
L’équation (3.6b) donne Æ = f (0), la somme (3.6c)+(3.6a) donne ∞ = 2 et enfin la soustraction (3.6c)°(3.6a)
f (1)° f (°1)
donne Ø = 2 .
2. On en déduit la méthode de quadrature
Z1 Z1
f (°1) + 4 f (0) + f (1)
f (t ) dt º p(t ) dt = 2(Æ + ∞/3) = .
°1 °1 3
3. Par construction, cette formule de quadrature a degré d’exactitude au moins 2. De plus

R1 p k (°1)+4p k (0)+p k (1)
k p k (x) = x k °1 p k (x) dx 3 Degré d’exactitude
3 x3 0 0 au moins 3
4 x4 2/5 2/3 3
La formule est exacte pour les polynômes de degré au plus 3.
96 © G. Faccanoni
4. Soit x = mt + q, alors
Zx2i +2 Z1 ( ( x 2i +2 °x 2i
x 2i = °m + q, m= 2 ,
f (x) dx = m f (mt + q) dt avec i.e. x 2i +2 +x 2i
x 2i °1 x 2i +2 = m + q, q= 2 ,
x 2i +2 °x 2i
d’où le changement de variable x = x 2i + (t + 1) 2 . On déduit la formule de quadrature (exacte sur l’espace des
Zx2i +2 Z
x 2i +2 ° x 2i 1 ≥ x 2i +2 ° x 2i ¥ x 2i +2 ° x 2i £ §
f (x) dx = f x 2i + (t + 1) dt º f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 ) .
x 2i 2 °1 2 6
x °x
5. h = b°a
2n =
i +1
2
i
pour i = 0, . . . , 2n. On subdivise l’intervalle [a; b] en n intervalles [x 2i ; x 2i +2 ] de largeur 2h. On trouve
ainsi la formule de quadrature composite
Zb X Zx2i +2
n°1 n°1
X x 2i +2 ° x 2i £ §
f (x) dx = f (x) dx º f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 )
a i =0 x 2i i =0 6
h n°1
X£ §
= f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 )
3 i =0
" #
h n°1
X n°1
X
= f (a) + f (b) + 2 f (x 2i ) + 4 f (x 2i + h)
3 i =1 i =0
" #
h n°1
X n°1
X
= f (a) + f (b) + 2 f (a + 2i h) + 4 f (a + (2i + 1)h) .
3 i =1 i =0
6. Algorithme du calcul associé à cette formule de quadrature

h √ b°a 2n
s1 √ 0
s 2 √ s 2 + f (a + h)
s 1 √ s 1 + f (a + 2i h)
s 2 √ s 2 + f (a + (2i + 1)h)
end for £ §
return h3 f (a) + f (b) + 2s 1 + 4s 2
Exercice 3.10
Soit f une fonction C 1 (R, R). On se donne les points {x i }ii =2n
=0
de subdivision de l’intervalle [a; b] : x i = a+i h avec h = b°a
2n .
Le but de l’exercice est de trouver une formule de quadrature à 2n + 1 points basée sur la formule de S IMPSON pour
approcher
Zb
f (x) dx. (3.7)
a
On propose dans un premier temps (question 1 à 3) de construire la formule de quadrature à 3 points de Simpson :
Z1
g (x) dx º Æg (°1) + Øg (0) + Æg (1), (3.8)
°1
où les réels Æ et Ø sont à déterminer.
1. Déterminer Æ et Ø pour que la formule de quadrature (3.8) ait degré d’exactitude maximale.
2. À l’aide d’un changement de variable affine, en déduire une formule de quadrature exacte sur l’espace des poly-
nôme de degré au plus 3 pour l’intégrale suivante :
Zx2i +2
f (x) dx.
x 2i
5. Soit x un élément de [x i ; x i +1 ]. Écrire une formule de Taylor f (x) = P i (x) + R i (x) à l’ordre 3 pour f en x, avec P i 2
P3 . Majorer R i sur [x i ; x i +1 ] en fonction de h.
6. En déduire une estimation d’erreur entre (3.7) et F .
© G. Faccanoni 97

1. On a
R1
k p k (x) = x k °1 p k (x) dx Æp k (°1) + Øp k (0) + Æp k (1) Degré d’exactitude
0 1 2 2Æ + Ø même pas 0 si Ø 6= 2(1 ° Æ), au moins 0 si Ø = 2(1 ° Æ)
Soit Ø = 2(1 ° Æ)
1 x 0 0 au moins 1
2 x2 2/3 2Æ 1 si Æ 6= 1/3, au moins 2 si Æ = 1/3
Soit Æ = 1/3
3 x3 0 0 au moins 3
4 x4 2/5 2/3 3
Si Ø 6= 2(1 ° Æ) la formule de quadrature n’est même pas exacte pour une constante, si Ø = 2(1 ° Æ) mais Æ 6= 1/3, elle
est exacte pour les polynômes de degré au plus 1, si Æ = 1/3 et Ø = 4/3 la formule est exacte pour les polynômes de
degré au plus 3.
Zx2i +2 Z1
x 2i = °m + q,
x 2i °1 x 2i +2 = m + q,
x °x
d’où le changement de variable x = x 2i + (t + 1) 2i +22 2i . On déduit la formule de quadrature (exacte sur l’espace des
Zx2i +2 Z
x 2i +2 ° x 2i 1 ≥ x 2i +2 ° x 2i ¥ x 2i +2 ° x 2i £ §
f (x) dx = f x 2i + (t + 1) dt º f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 ) .
x 2i 2 °1 2 6
3. On trouve ainsi la formule de quadrature composite (i.e. sur n sous-intervalles)

Zb X Zx2i +2
n°1 n°1
X x 2i +2 ° x 2i £ §
f (x) dx = f (x) dx º f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 ) .
a i =0 x 2i i =0 6
x i +1 °x i b°a
Si h = 2 = 2n (i.e. si on considère une subdivision de l’intervalle [a; b] équirépartie) alors on a
Zb " #
h n°1
X£ § h n°1
X n°1
X
f (x) dx º f (x 2i ) + 4 f (x 2i +1 ) + f (x 2i +2 ) = f (a) + f (b) + 2 f (x 2i ) + 4 f (x 2i + h)
a 3 i =0 3 i =1 i =0
" #
h n°1
X n°1
X
= f (a) + f (b) + 2 f (a + 2i h) + 4 f (a + (2i + 1)h) .
3 i =1 i =0
Cette formule de quadrature est stable puisque tous les coefficients sont positifs et on a
" #
h n°1
X n°1
X b°a b°a
1+1+2 1+4 1 = [2 + 2(n ° 1) + 4n] = 6n = (b ° a).
3 i =1 i =0 6n 6n
Require: f : [a, b] ! R, a, b > a, n > 0
H √ b°a n
s1 √ 0
s 2 √ s 2 + f (a + H /2)
s 1 √ s 1 + f (a + i H )
s 2 √ s 2 + f (a + (i + 1)H /2)
end for £ §
return I √ H6 f (a) + f (b) + 2s 1 + 4s 2
5. Soit x un élément de [x 2i ; x 2i +2 ]. Une formule de TAYLOR à l’ordre 3 pour f en x s’écrit
f (x) = P i (x) + R i (x),
avec
f 00 (x 2i ) f 000 (x 2i )
P i (x) = f (x 2i ) + (x ° x 2i ) f 0 (x 2i ) + (x ° x 2i )2 + (x ° x 2i )3 2 P3
2 6
98 © G. Faccanoni
et le reste de L AGRANGE
f I V (ª)
R i (x) = (x ° x 2i )4avec ª 2]x 2i ; x 2i +2 [.
24
On peut majorer R i sur [x 2i ; x 2i +2 ] en fonction de H = x 2i +2 ° x 2i :
H4 b ° a H3
|R i (x)| ∑ max | f I V (ª)| = max | f I V (ª)|.
24 n 24
6. On en déduit l’estimation d’erreur entre (3.7) et F suivante 1
Ø Zb Ø ØØn°1 Zx Ø Ø
Ø Øn°1 Z Ø
Ø
Ø
Ø
Ø ØX
Ø
2i +2
Ø Ø X x2i +2 Ø
Ø f (x) dx ° F ∑
Ø Ø Ø P i (x) dx ° F Ø + Ø R i (x) dx Ø
a i =0 x 2i
Ø Ø i =0 x2i Ø
Ø Z Ø
Øn°1 Ø
Ø X x2i +2 Ø
∑ nH |R i (x 2i +2 )| + Ø R i (x) dx Ø
Ø i =0 x2i Ø
b ° a H3 b ° a H3
∑ nH max | f I V (ª)| + nH max | f I V (ª)|
n 24 n 24
H4
= (b ° a) sup | f I V (ª)|.
12
Exercice 3.11
b°a
=0
Le but de l’exercice est de trouver une formule de quadrature à 3n points pour approcher l’intégrale
Zb
f (x) dx. (3.9)
a
On propose dans un premier temps de construire la formule de quadrature à trois points suivantes :
Z1
2° ¢
g (x) dx º g (°Æ) + g (0) + g (Æ) , (3.10)
°1 3
où le réel 0 < Æ < 1 sera à déterminer par la suite.

1. Déterminer Æ pour que la formule de quadrature (3.10) ait degré d’exactitude maximale. Quel est alors le degré
d’exactitude de cette formule de quadrature ?
2. À l’aide d’un changement de variable affine, étendre cette formule de quadrature pour l’intégrale suivante :
Zxi +1
f (x) dx.
xi

1. On a
R1 2
k p k (x) = x k °1 p k (x) dx 3 (p k (°Æ) + Øp k (0) + p k (Æ)) Degré d’exactitude
0 1 2 2 au moins 0
1 x 0 0 au moins 1
p p
2 x2 2/3 2Æ2 /3 1 si Æ 6= 1/ 2, au moins 2 si Æ = 1/ 2
p
Soit Æ = 1/ 2
3 x3 0 0 au moins 3
4 x4 2/5 1/3 3
p p
Si Æ 6= 1/ 2 la formule de quadrature est exacte pour les polynômes de degré au plus 1, si Æ = 1/ 2 la formule est
exacte pour les polynômes de degré au plus 3.
x °x
2. Par le changement de variable y = x i + (x + 1) i +12 i on déduit la formule de quadrature
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (y) dy = f x i + (x + 1) dx
xi 2 °1 2
∑ µ µ q ∂ ∂ ≥ µ µ q ∂ ∂∏
x i +1 ° x i x i +1 ° x i x i +1 ° x i ¥ x i +1 ° x i
º f x i + 1 ° 12 + f xi + + f x i + 1 + 12 .
3 2 2 2
Rx
1. N.B. : le polynôme P i n’est pas le polynôme d’interpolation en x 2i , x 2i +2 et (x 2i + x 2i +2 )/2 donc x2i2i +2 P i (x) dx ° F 6= 0.
© G. Faccanoni 99
3. Si H = x i +1 °x i = b°a
Zb Xh ≥ ≥ ¥¥ ≥ ≥ ¥¥i
H n°1 ° ¢
f (x) dx º f x i + H 1 ° p1 + f x i + H2 + f x i + H 1 + p1
a 3 i =0 2 2
Xh ≥
H n°1 ≥ ¥¥ ° ¢ ≥ ≥ ¥¥i
= f a + H i + 1 ° p1 + f x i + H2 + f a + H i + 1 + p1 .
3 i =0 2 2
Exercice 3.12
b°a
=0
Le but de l’exercice est de trouver une formule de quadrature à n points pour approcher l’intégrale définie
Zb
f (x) dx. (3.11)
a
On propose dans un premier temps (question 1 à 2) de construire la formule de quadrature à deux points :
Z1
4 ≥ w¥ 2
g (x) dx º g ° + g (w), (3.12)
°1 3 2 3
où 0 < w ∑ 1 est à déterminer.

1. Déterminer w pour que la formule de quadrature (3.12) soit exacte pour toute fonction g polynomiale de degré
m > 1 et donner la plus grande valeur de m.
2. À l’aide d’un changement de variable affine, en déduire une formule de quadrature pour l’intégrale suivante :
Zxi +1
f (x) dx.
xi

1. On a R1 ° ° ¢ ¢
2
k p k (x) = x k 2p k ° w2 + p k (w)
°1 p k (x) dx 3 Degré d’exactitude
0 1 2 2 au moins 0
1 x 0 0 au moins 1
p p
2 x2 2/3 w2 1 si w 6= 2/3, au moins 2 si w = 2/3
p
Soit w = 2/3
3 x3 0 w 3 /2 2
p p
Si w 6= 2/3 la formule de quadrature est exacte pour les polynômes de degré au plus 1, si w = 2/3 la formule est
exacte pour les polynômes de degré au plus 2.
x i +1 °x i
2. Par le changement de variable y = x i + (x + 1) 2 on déduit la formule de quadrature
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (y) dy = f x i + (x + 1) dx
xi 2 °1 2
∑ µ q ∂ µ q ∂∏
x i +1 ° x i x i +1 ° x i x i +1 ° x i
º f x i + (1 + 23 ) + 2 f x i + (1 ° 16 ) .
3 2 2
3. Si H = x i +1 °x i = b°a
Zb ∑ µ µ q ∂∂ µ µ q ∂∂∏
H n°1
X
f (x) dx º f x i + H 1 + 23 + 2 f x i + H 1 ° 16
a 3 i =0
" √ √ r !! √ √ r !!#
H n°1
X 2 1
= f a +H i +1+ +2f a + H i +1° .
3 i =0 3 6
100 © G. Faccanoni
H √ b°an p
Æ1 √ a + H (1 + p2/3)
Æ2 √ a + H (1 ° 1/6)
s √ s + f (Æ1 + i H ) + 2 f (Æ2 + i H )
end for
return I √ H3 s
Exercice 3.13
1. Soit 0 < Æ ∑ 1 un nombre réel donné et soit !1 , !2 , !3 trois nombres réels. Considérons la formule de quadrature
Z1
g (t ) dt º !1 g (°Æ) + !2 g (0) + !3 g (Æ).
°1
Calculer Æ, !1 , !2 , !3 pour que le degré d’exactitude de la formule de quadrature soit de 5.

Zxi +1
f (x) dx.
xi
3. Soit h = b°a
n et x i = a + i h pour i = 0, . . . , n. On subdivise l’intervalle [a; b] en n intervalles [x i ; x i +1 ] de largeur h. En
déduire la formule de quadrature composite pour le calcul approché de
Zb
f (x) dx.
a
4. Écrire l’algorithme associé à cette formule de quadrature.

1. On a
R1
k p k (x) = x k °1 p k (x) dx !1 p k (°Æ) + !2 p k (0) + !3 p k (Æ)
0 1 2 !1 + !2 + !3
Soit !2 = 2 ° !1 ° !3
1 x 0 °Æ!1 + Æ!3
Soit !3 = !1 et donc !2 = 2 ° 2!1
2
2 x2 3 2Æ2 !1
1 1
Soit !1 = 3Æ2
et donc !3 = 3Æ2
et !2 = 2 ° 3Æ2 2
3 x3 0 0
2 2 2
4 x4 5 3Æ
q
3 5 8
Soit Æ = 5 et donc !1 = !3 = 9 et !2 = 9
5 x5 0 0
6 2 6
6 x 7 25
q
Si Æ = 35 , !1 = !3 = 59 et !2 = 89 alors la formule est exacte pour les polynômes de degré au plus 5 (il s’agit de la
formule de G AUSS -L EGENDRE à 3 points).
Remarquons que si on choisit Æ = 1 on retrouve la formule de S IMPSON.
Zxi +1 Z1
x i = °m + q,
xi °1 x i +1 = m + q,
© G. Faccanoni 101
x i +1 °x i
d’où le changement de variable x = x i + (t + 1) 2 . On déduit la formule de quadrature (exacte sur l’espace des
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥
f (x) dx = f x i + (t + 1) dt
xi 2 °1 2
" √ √ r ! ! √ √ r ! !#
x i +1 ° x i 3 x i +1 ° x i ≥x ¥
i +1 + x i 3 x i +1 ° x i
º 5 f xi + 1 ° +8f + 5 f xi + 1 + .
18 5 2 2 5 2
3. h = b°a
n = x i +1 ° x i pour i = 0, . . . , n. On subdivise l’intervalle [a; b] en n intervalles [x i ; x i +1 ] de largeur h. On trouve
ainsi la formule de quadrature composite
Zb X Zxi +1
n°1
f (x) dx = f (x) dx
a i =0 x i
" √ √ r ! ! √ √ r ! !#
n°1
X x i +1 ° x i 3 x i +1 ° x i ≥x ¥
i +1 + x i 3 x i +1 ° x i
º 5 f xi + 1 ° +8f + 5 f xi + 1 +
i =0 18 5 2 2 5 2
" √ √ r ! ! µ ∂ √ √ r ! !#
h X n°1 3 h 3
= 5 f xi + 1 ° h + 8 f xi + + 5 f xi + 1 + h
18 i =0 5 2 5
" √ √ r ! ! µ µ ∂ ∂ √ √ r ! !#
h n°1
X 3 1 3
= 5f a + i +1° h +8f a + i + h +5f a + i +1+ h .
18 i =0 5 2 5
4. Algorithme du calcul associé à cette formule de quadrature

h √ b°an ° p ¢
c 1 √ a + 1 ° 3/5 h
c 2 √ a + 12 h
° p ¢
c 3 √ a + 1 + 3/5 h
s √0
s √ s + 5 f (c 1 + i h) + 8 f (c 2 + i h) + 5 f (c 3 + i h)
end for
h
return 18 s
Exercice 3.14 Interpolation de L AGRANGE et quadratures

=0
de subdivision uniforme de l’intervalle [a; b] définis par
b°a
x i = a + i h avec h = n . Le but de l’exercice est de trouver une formule de quadrature composite pour approcher
l’intégrale
Zb
f (x) dx.
a
1. Soit p le polynôme de L AGRANGE qui interpole f aux points °1 et 1. Écrire le polynôme p, en déduire une formule
de quadrature basée sur l’approximation
Z1 Z1
f (x) dx º p(x) dx
°1 °1
et étudier le degré d’exactitude de cette formule de quadrature.

Zxi +1
f (x) dx.
xi
3. En utilisant le résultat au point précédent, proposer une formule de quadrature composite pour le calcul approché
de l’intégrale
Zb
f (x) dx.
a
Quelle méthode de quadrature reconnait-on ?
102 © G. Faccanoni

1. On a deux points d’interpolation, donc le polynôme interpolateur de L AGRANGE est un polynôme de R1 [x]. On
cherche alors les coefficients Æ et Ø du polynôme p(x) = Æ + Øx tels que
Ω
f (°1) = p(°1) = Æ ° Ø, (3.13a)
f (1) = p(1) = Æ + Ø. (3.13b)
f (1)+ f (°1)
La somme des équations (3.13b)+(3.13a) donne Æ = 2 et la soustraction des équations (3.13b)°(3.13a) donne
f (1)° f (°1)
Ø= 2 . On en déduit la méthode de quadrature
Z1 Z1 Z1
f (t ) dt º p(t ) dt = Æ + Øt dt = 2Æ = f (°1) + f (1).
°1 °1 °1
R1
Par construction, cette formule de quadrature a degré d’exactitude au moins 1. Soit f (x) = x 2 , alors °1 f (x) dx = 2/3
tandis que f (°1) + f (1) = 2 : la formule est exacte pour les polynômes de degré au plus 1.
Zxi +1 Z1
x i = °m + q,
xi °1 x i +1 = m + q,
x i +1 °x i
d’où le changement de variable x = x i + (t + 1) 2 . On en déduit la formule de quadrature (exacte sur l’espace des
Zxi +1 Z
x i +1 ° x i 1 ≥ x i +1 ° x i ¥ x i +1 ° x i £ §
f (x) dx = f x i + (t + 1) dt º f (x i ) + f (x i +1 ) .
xi 2 °1 2 2
b°a x i +1 °x i
3. On subdivise l’intervalle [a; b] en n intervalles [x i ; x i +1 ] de largeur h = n = 2 pour i = 0, . . . , n. On trouve ainsi
la formule de quadrature composite
Zb X Zxi +1
n°1 n°1
X x i +1 ° x i £ § h n°1
X£ §
f (x) dx = f (x) dx º f (x i ) + f (x i +1 ) = f (x i ) + f (x i +1 )
a i =0 x i i =0 2 2 i =0
" # " #
h n°1
X h n°1
X
= f (a) + f (b) + 2 f (x i ) = f (a) + f (b) + 2 f (a + i h) .
2 i =1 2 i =1
Il s’agit de la méthode des trapèzes composite.
Exercice 3.15 Interpolation d’H ERMITE et quadratures

Soit f une fonction de classe C 1 ([°1, 1]) et p le polynôme interpolateur d’H ERMITE (de degré ∑ 3) de f vérifiant
p(°1) = f (°1), p 0 (°1) = f 0 (°1), p(1) = f (1), p 0 (1) = f 0 (1).
1. Écrire le polynôme p.
2. En déduire la méthode d’intégration numérique élémentaire
Z1
1° 0 ¢
f (s) ds º f (°1) + f (1) + f (°1) ° f 0 (1) .
°1 3
3. Connaissant la formule sur [°1; 1], en déduire la formule de quadrature des trapèzes-H ERMITE sur l’intervalle [a; b]
par exemple grâce au changement de variable y = a + (x + 1) b°a2 .

1. On a deux méthodes pour calculer le polynôme interpolateur d’H ERMITE :
Première méthode : le polynôme interpolateur d’H ERMITE s’écrit
n
X
p(x) = y i A i (x) + y i0 B i (x)
i =0
où
A i (x) = (1 ° 2(x ° x i )c i )(L i (x))2 ,
© G. Faccanoni 103
B i (x) = (x ° x i )(L i (x))2 ,

n x °x
Y j
L i (x) = ,
j =0 xi ° x j
j 6=i
n
X 1
ci = .
x
j =0 i ° xj
j 6=i
Pour n = 1 on a alors
µ µ ∂∂ µ ∂2 µ ∂2
1 (x ° x 1 ) (x ° x 1 )
p(x) = y 0 1 ° 2(x ° x 0 ) + y 00 (x ° x 0 )
x0 ° x1 (x 0 ° x 1 ) (x 0 ° x 1 )
µ µ ∂∂ µ ∂2 µ ∂2
1 (x ° x 0 ) (x ° x 0 )
+ y 1 1 ° 2(x ° x 1 ) + y 10 (x ° x 1 ) .
x1 ° x0 (x 1 ° x 0 ) (x 1 ° x 0 )
Dans notre cas x 0 = °1, x 1 = 1, y 0 = f (°1), y 1 = f (1), y 00 = f 0 (°1), y 10 = f 0 (1) donc
1£ §
p(x) = f (°1)(x + 2)(x ° 1)2 + f 0 (°1)(x + 1)(x ° 1)2 + f (1)(2 ° x)(x + 1)2 + f 0 (1)(x ° 1)(x + 1)2
4
1h i
= f (°1)(x 3 ° 3x + 2) + f 0 (°1)(x 3 ° x 2 ° x + 1) + f (1)(°x 3 + 3x + 2) + f 0 (1)(x 3 + x 2 ° x ° 1)
4
2 f (°1) + f 0 (°1) + 2 f (1) ° f 0 (1) 3 f (1) ° 3 f (°1) ° f 0 (°1) ° f 0 (1)
= + x
4 4
f 0 (1) ° f 0 (°1) 2 f (°1) + f 0 (°1) ° f (1) + f 0 (1) 3
+ x + x .
4 4
Le polynôme interpolateur d’H ERMITE est donc le polynôme
p(x) = Æ + Øx + ∞x 2 + ±x 3
où
2 f (°1) + 2 f (1) + f 0 (°1) ° f 0 (1) °3 f (°1) + 3 f (1) ° f 0 (°1) ° f 0 (1)

Æ= , Ø= ,
4 4
0 0 0 0
° f (°1) + f (1) f (°1) ° f (1) + f (°1) + f (1)
∞= , ±= .
4 4
Deuxième méthode : le polynôme interpolateur d’H ERMITE est un polynôme de degré 2n +1. On cherche donc un
polynôme
p(x) = Æ + Øx + ∞x 2 + ±x 3
tel que
p(°1) = f (°1), p 0 (°1) = f 0 (°1), p(1) = f (1), p 0 (1) = f 0 (1),
c’est-à-dire tel que 8
>
>Æ ° Ø + ∞ ° ± = f (°1),
>
>
<Æ + Ø + ∞ + ± = f (1),
>
>
>Ø ° 2∞ + 3± = f 0 (°1),
>
:
Ø + 2∞ + 3± = f 0 (1).
En utilisant la méthode d’élimination de G AUSS on obtient :
0 1 0 1
1 °1 1 °1 f (°1) 1 °1 1 °1 f (°1)
B 1 1 1 1 f (1) C √L 2 °L 1 B 0 2 0 2 f (1) ° f (°1) C
[A|b] = B C °L°2°°°°°! B C
@ 0 1 °2 3 0
f (°1) A @ 0 1 °2 3 f 0 (°1) A
0
0 1 2 3 f (1) 0 1 2 3 f 0 (1)
0 1 0 1
L 3 √L 3 ° 12 L 2 1 °1 1 °1 f (°1) 1 °1 1 °1 f (°1)
L 4 √L 4 ° 12 L 3 B
B 0 2 0 2 f (1) ° f (°1) C B
C L 4 √L 4 +L 3 B 0 2 0 2 f (1) ° f (°1) C
C
°°°°°°°°! B 0 f (1)° f (°1) C °°°°°°°! B 0 f (1)° f (°1) C
@ 0 0 °2 2 f (°1) ° 2 A @ 0 0 °2 2 f (°1) ° 2
A
f (1)° f (°1)
0 0 2 2 f 0 (1) ° 2
0 0 0 4 f 0 (1) + f 0 (°1) ° f (1) + f (°1)
104 © G. Faccanoni
ainsi
2 f (°1) + 2 f (1) + f 0 (°1) ° f 0 (1) °3 f (°1) + 3 f (1) ° f 0 (°1) ° f 0 (1)

Æ= , Ø= ,
4 4
° f 0 (°1) + f 0 (1) f (°1) ° f (1) + f 0 (°1) + f 0 (1)
∞= , ±= .
4 4
2. En intégrant le polynôme ainsi trouvé on en déduit

Z1 ∑ ∏1
Ø ∞ ±
p(x) dx = Æx + x 2 + x 3 + x 4
°1 2 3 4 °1
2 2 f (°1) + 2 f (1) + f 0 (°1) ° f 0 (1) ° f 0 (°1) + f 0 (1)
= 2Æ + ∞ = +
3 2 6
6 f (°1) + 6 f (1) + 3 f (°1) ° 3 f (1) ° f (°1) + f 0 (1)
0 0 0
=
6
1 0
= f (°1) + f (1) + ( f (°1) ° f 0 (1)).
3
Remarque : la formule est au moins exacte de degré 3 par construction. Elle n’est pas exacte de degré supérieure à 3
car si f (x) = x 4 alors
Z1 ∑ ∏1
1 5 2 6
f (x) dx = x = =
°1 5 °1 5 15
6=
1 1 14 70
f (°1) + f (1) + ( f 0 (°1) ° f 0 (1)) = 1 + 1 + (4 + 4) = =
3 3 3 15
3. Connaissant la formule sur [°1; 1], on en déduit la formule sur un intervalle [a; b] quelconque par le changement de
variable y = a + (x + 1) b°a
2 qui donne
2
Zb Z µ ∂
b°a 1 b°a
f (y)dy = f a + (x + 1) dx
a 2 °1 2
∑ ∏
b°a b°a 0
= f (a) + f (b) + ( f (a) ° f 0 (b))
2 6
b°a (b ° a)2 0
= ( f (a) + f (b)) + ( f (a) ° f 0 (b)).
2 12
Exercice 3.16
Soit f une fonction C 1 ([0; 1], R). On se donne les points {x i }ii =n
=0
de subdivision de l’intervalle [0; 1] : x i = i h avec h = n1 .
Le but de l’exercice est de trouver une formule de quadrature pour approcher
Z1
f (x) dx. (3.14)
0
1. Soit i un entier fixé (1 ∑ i ∑ n ° 1). Trouver m i un point du segment [x i ; x i +1 ] et a, b et c trois coefficients réels tels
que la formule de quadrature suivante, sur l’intervalle [x i ; x i +1 ], soit exacte pour p un polynôme de degré le plus
haut possible : Z x i +1
p(x) dx = ap(x i ) + bp(m i ) + c p(x i +1 ).
xi
2. En déduire en fonction de a, b et c la formule de quadrature Q( f )
n
X n°1
X
Q( f ) = Æi f (x i ) + Øi f (m i )
i =0 i =0
pour le calcul approché de 3.14 construite sur la formule de quadrature précédente pour chaque intervalle du type
[x i ; x i +1 ]. Cette formule de quadrature est-elle stable ?
3. On rappelle que si p interpole f en k points y 1 < y 2 < · · · < y k , on a l’estimation d’erreur
supª2[y 1 ;y k ] | f (k) (ª)| Y
k
8x 2 [y 1 ; y k ], | f (x) ° p(x)| ∑ (x ° y j ).
k! j =1
2. Rappel : si y = a + (x + 1) b°a b°a 0 b°a 0

2 alors dy = 2 dx et f (y) = 2 f (x).
© G. Faccanoni 105
En déduire une estimation de l’erreur de quadrature entre (3.14) et Q

Z1
E (h) = f (x) dx °Q( f ).
0
La dépendance en h dans cette estimation d’erreur est-elle optimale ?

4. Écrire l’algorithme qui calcule Q( f ).

1. Pour simplifier le calcul, on se ramène à l’intervalle [0; 1]. Soit x un élément de l’intervalle [x i ; x i +1 ] et y un élément de
l’intervalle [0; 1]. On transforme l’intervalle [x i ; x i +1 ] dans l’intervalle R1 [0; 1] par
R le changement de variable
Rxi +1affine y =
1 xi x°x i 1 x i +1 x°x i
x i +1 °x i x ° x i +1 °x i . On note h = x i +1 ° x i . Alors y = et on a 0 f (y) dy = h xi f ( )d x. Comme xi f (t ) dt º
R1 R h x°xi
1 x i +1
° m i °x i
h
¢
a f (x i ) + b f (m i ) + c f (x i +1 ), alors 0 f (y) dy = h xi f ( h ) dx º h a f (0) + b f ( h ) + c f (1) . On note alors A = ha ,
1
m i °x i
B = hb , C = hc , M = h d’où m i = (1 ° M )x i + M x i +1 . Rechercher a, b, c et m i revient à chercher A, B , C et M avec
8
>
> m i = (1 ° M )x i + M x i +1 ,
>
>
<a = Ah,
>
>b = Bh,
>
>
:
c = Ch
tels que
Z1
p(x) dx = Ap(0) + B p(M ) +C p(1),
0
où p(x) est un polynôme. Si p 2 P3 (i.e. si p(x) = d 0 + d 1 x + d 2 x 2 + d 3 x 3 ) on a
R1
p(x) dx = Ap(0) + B p(M ) +C p(1)
0
k k
h i1
d 0 x + d21 x 2 + d32 x 3 + d43 x 4 Ad 0 + B d 0 +C d 0
0
k k
d1 d2 d3
d0 + 2 + 3 + 4 (A + B +C )d 0 + (B M +C )d 1 + (B M 2 +C )d 2 + (B M 3 +C )d 3
Par conséquent, pour que la formule soit exacte de degré au moins 3 il faut que
8 8 8
>
> A + B +C = 1 >
> A + B +C = 1 >
> A = 16 ,
>
> >
> >
>
 2 1 > 1 1 > 1
>
> B M +C = 3 >
> ( 2 °C )M = 3 °C >
> C = 6,
>
: 1
>
: 1 1
>
:
B M 3 +C = 4 ( 3 °C )M = 4 °C M = 12 .
La méthode Z1 µ ∂
1 2 1 1
f (x) dx = f (0) + f + f (1),
0 6 3 2 6
est exacte pour tout polynôme de degré au moins 3.
Soit maintenant f (x) = x 4 . On a
Z1 ∑ 5 ∏1
x 1
f (x) dx = =
0 5 0 5
mais µ ∂ µ ∂
1 2 1 1 1 2 1 4 1 5
f (0) + f + f (1) = + + = ,
6 3 2 6 6 3 2 6 24
donc la formule de quadrature est exacte de degré 3.
Si on revient aux variables initiales, on trouve
8
1 1
>m i = 2 x i + 2 x i +1 ,
>
>
>
<a = 1 h,
6
>b = 2 h,
>
>
> 3
:
c = 16 h
106 © G. Faccanoni
2. L’intégrale
Z1 X Zxi +1
n°1
f (x)dx = f (x) dx
0 i =0 x i
peut être calculée numériquement en utilisant la formule précédente pour approcher chaque intégrale
Zxi +1
hh ≥x +x ¥
i i +1
i
f (x) dx º f (x i ) + 4 f + f (x i +1 ) .
xi 6 2
On obtient ainsi
Z1 X Zxi +1
n°1
f (x)dx = f (x) dx
0 i =0 x i
hh
n°1
X ≥x +x ¥
i i +1
i
º f (x i ) + 4 f + f (x i +1 )
i =0 6 2
" #
h X n°1 n°1
X X ≥ x i + x i +1 ¥
n°1
= f (x i ) + f (x i +1 ) + 4 f
6 i =0 i =0 i =0 2
" #
h n°1
X n°1
X ≥ x i + x i +1 ¥
= f (a) + f (b) + 2 f (x i ) + 4 f
6 i =1 i =0 2
(
n
X n°1
X h
2h 3 si i = 1, . . . , n ° 1,
= Æi f (x i ) + Øi f (m i ) = Q( f ) avec Øi = , Æi = h
i =0 i =0 3 6 sinon.
Cette formule de quadrature est stable puisque tous les coefficients Æi et Øi sont positifs et on a
√ !
X n n°1
X h n°1
X h h n°1 X 2h 1 1 1 n°1 X 1 2 n°1
X
Æi + Øi = + + + = + 1+ + 1 = 1.
i =0 i =0 6 i =1 3 6 i =0 3 n 6 3 i =1 6 3 i =0
P Rxi +1
3. On reconnait la formule de Cavalieri-Simpson : remarquons alors que Q( f ) = n°1 i =0 x i p(x)dx avec p le polynôme
qui interpole (x i , f (x i )), (m i , f (m i )) et (x i +1 , f (x i +1 )). Par conséquent l’erreur de quadrature entre (3.14) et Q est
ØZ1 Ø
Ø Ø
|E (h)| = ØØ f (x) dx °Q( f )ØØ
Ø 0 Z Ø
Øn°1
Ø X xi +1 X Zxi +1
n°1 Ø
Ø
=Ø f (x) dx ° p(x)dx Ø
Ø i =0 xi i =0 x i
Ø
n°1
X Z x i +1 Ø Ø
∑ Ø f (x) ° p(x)Ø dx
i =0 x i
X Zxi +1
000
n°1 supª2[xi ;xi +1 ] | f (ª)|
∑ (x ° x i )(x ° m i )(x ° x i +1 )dx
i =0 x i 6
4
∑ Dh .
4. Algorithme
Require: x 7! f
Require: n > 0
1
a √ 6n
2
b √ 3n
1
c √ 6n
I √ a f (0)
for i = 1 to n ° 1 do µ 1∂
° ¢ i°
I √ I + (a + c) f ni + b f n 2
end for µ ∂
n° 12
return I √ I + c f (1) + b f n
© G. Faccanoni 107
4. Équations différentielles ordinaires
Calculer la fonction t 7! y(t ) qui vérifie l’EDO y 0 (t ) = f (t , y(t )) et la condition y(t 0 ) = y 0
Les équations différentielles décrivent l’évolution de nombreux phénomènes dans des domaines variés. Une équation
différentielle est une équation impliquant une ou plusieurs dérivées d’une fonction inconnue. Si toutes les dérivées sont
prises par rapport à une seule variable, on parle d’équation différentielle ordinaire. Une équation mettant en jeu des déri-
vées partielles est appelée équation aux dérivées partielles. On dit qu’une équation différentielle (ordinaire ou aux dérivées
partielles) est d’ordre p si elle implique des dérivées d’ordre au plus p. Dans le présent chapitre, nous considérons des
équations différentielles ordinaires d’ordre un.
Définition Équations différentielles
Une équation différentielle (EDO) est une équation, dont l’inconnue est une fonction y, exprimée sous la forme d’une
relation F (y, y 0 , y 00 , . . . , y (n) ) = g (t ) dans laquelle cohabitent à la fois y = y(t ) et ses dérivées y 0 , y 00 , . . . (n est appelé l’ordre
de l’équation). Si la fonction g , appelée «second membre» de l’équation, est nulle, on dit que l’équation en question est
homogène.
Nous pouvons nous limiter aux équations différentielles du premier ordre, car une équation d’ordre p > 1 peut toujours
se ramener à un système de p équations d’ordre 1. Une équation différentielle ordinaire admet généralement une infinité
de solutions. Pour en sélectionner une, on doit imposer une condition supplémentaire qui correspond à la valeur prise par
la solution en un point de l’intervalle d’intégration. On considérera par conséquent des problèmes, dits de C AUCHY ainsi
défini :
Définition Problème de C AUCHY
Soit f : I £ R ! R une fonction donnée et y 0 la dérivée de y par rapport à t . On appelle problème de C AUCHY le problème
trouver y : I Ω R ! R tel que (
y 0 (t ) = f (t , y(t )), 8t 2 I ,
y(t 0 ) = y 0 ,
avec t 0 un point de I et y 0 une valeur appelée donnée initiale.
Exemple
On se donne f (t , y(t )) = 3t ° 3y(t ) et y 0 = Æ (un nombre quelconque). On cherche une fonction y : t 2 R+ 7! y(t ) 2 R qui satisfait
(
y 0 (t ) = 3t ° 3y(t ), 8t > 0,
y(0) = Æ.
Sa solution est donnée par y(t ) = (Æ + 1/3)e °3t + t ° 1/3. En effet :
y(0) = (Æ + 1/3)e 0 + 0 ° 1/3 = Æ, y 0 (t ) = °3(Æ + 1/3)e °3t + 1 = °3(Æ + 1/3)e °3t + 1 ° 3t + 3t = °3y(t ) + 3t .
Exemple Non existence sur R de la solution d’un problème de C AUCHY

On se donne f (t , y(t )) = (y(t ))3 et y 0 = 1. On cherche une fonction y : t 2 R+ 7! y(t ) 2 R qui satisfait
(
y 0 (t ) = (y(t ))3 , 8t > 0,
y(0) = 1.
On vérifie que la solution y est donnée par y(t ) = p 1 qui n’est définie que pour t 2 [0; 1/2[. Cet exemple montre qu’un problème
1°2t
de C AUCHY n’a pas toujours une solution pour tout t 2 [0; +1[ puisqu’ici la solution explose lorsque t tend vars la valeur 1/2 (en effet,
nous avons lim ° y(t ) = +1).
t !(1/2)
109
4. Équations différentielles ordinaires Dimanche 29 septembre 2013
Exemple Non unicitépde la solution d’un problème de C AUCHY

On se donne f (t , y(t )) = 3
y(t ) et y 0 = 0. On cherche une fonction y : t 2 R+ 7! y(t ) 2 R qui satisfait
( p
y 0 (t ) = 3
y(t ), 8t > 0,
y(0) = 0.
p
On vérifie que les fonctions y 1 (t ) = 0 et y 2,3 (t ) = ± 8t 3 /27, pour tout t ∏ 0, sont toutes trois solutions du problème de C AUCHY donné.
C’est exemple montre qu’un problème de C AUCHY n’as pas nécessairement de solution unique.
Les trois exemples ci-dessus montrent que l’étude mathématique de l’existence et de l’unicité de solutions d’un pro-
blème de C AUCHY peut être une affaire délicate. Dans ce chapitre, nous nous contentons de rappeler un résultat d’existence
et d’unicité global, au sens où on peut intégrer le problème de C AUCHY jusqu’à t = 1 :
Proposition Théorème de C AUCHY-Lipschitz
Soit un problème de C AUCHY. Si la fonction f (t , y) est
1. continue par rapport à ses deux variables ;
2. lipschitzienne par rapport à sa deuxième variable, c’est-à-dire qu’il existe une constante positive L (appelée
constante de Lipschitz) telle que
| f (t , y 1 ) ° f (t , y 2 )| ∑ L|y 1 ° y 2 |, 8t 2 I , 8y 1 , y 2 2 R,
alors la solution y = y(t ) du problème de C AUCHY existe, est unique et appartient à C 1 (I ).
Cas particulier
Soient a et g deux fonctions continues d’un intervalle I dans R, si f (t , y(t )) = a(t )y(t ) + g (t ) et si (t 0 , y 0 ) 2 I £ R, alors il
existe une unique solution y de l’équation différentielle telle que y(t 0 ) = y 0 .
Remarque
Graphiquement, ce théorème signifie que par tout point du plan dont l’abscisse est dans I , il passe une courbe intégrale
et une seule, autrement dit deux trajectoires ne peuvent pas se croiser. En particulier, si une équation différentielle admet
comme solution la solution nulle, alors toute autre solution est soit toujours positive soit toujours négative.
Exemple
2
On se donne f (t , y(t )) = |y(t )| + sin(y(t )) + e °t /2 et y 0 = 1. On cherche une fonction y : t 2 R+ 7! y(t ) 2 R qui satisfait
(
y 0 (t ) = (y(t ))3 , 8t > 0,
y(0) = 1.
On vérifie facilement que

Ø Ø Ø Ø
Ø f (t , y 1 (t )) ° f (t , y 2 (t ))Ø = Ø|y 1 (t )| + sin(y 1 (t )) ° |y 2 (t )| ° sin(y 2 (t ))Ø
Ø Z y 1 (t ) Ø
Ø Ø
= ØØ|y 1 (t )| ° |y 2 (t )| + sin(#)d #ØØ
y 2 (t )
Ø Ø
∑ Ø|y 1 (t )| ° |y 2 (t )| + |y 1 (t ) ° y 2 (t )|Ø
Ø Ø
∑ Ø y 1 (t ) ° y 2 (t )Ø
Par le théorème de C AUCHY-Lipschitz, le problème de C AUCHY a une solution globale unique y(t ). Cependant, il n’est pas possible de
donner une expression explicite de la solution.
En pratique, on ne peut expliciter les solutions que pour des équations différentielles ordinaires très particulières. Dans
certains cas, on ne peut exprimer la solution que sous forme implicite. Dans d’autres cas, on ne parvient même pas à
représenter la solution sous forme implicite. Pour ces raisons, on cherche des méthodes numériques capables d’approcher
la solution de toutes les équations différentielles qui admettent une solution.
4.1. Schémas numériques

Considérons le problème de C AUCHY et supposons que l’on ait montré l’existence d’une solution y. Le principe des mé-
thodes numériques est de subdiviser l’intervalle I = [t 0 , T ], avec T < +1, en Nh intervalles de longueur h = (T ° t 0 )/Nh =
t n+1 ° t n ; h est appelé le pas de discrétisation. Alors, pour chaque nœud t n = t 0 + nh (1 ∑ n ∑ Nh ) on cherche la valeur
110 © G. Faccanoni
Dimanche 29 septembre 2013 4. Équations différentielles ordinaires
© ™
inconnue u n qui approche y(t n ). L’ensemble des valeurs u 0 = y 0 , u 1 , . . . , u Nh représente la solution numérique. Les sché-
mas qu’on va construire permettent de calculer u n+1 à partir de u n et il est donc possible de calculer successivement u 1 ,
u 2 ,. . ., en partant de u 0 .
Si nous intégrons l’EDO y 0 (t ) = f (t , y(t )) entre t n et t n+1 nous obtenons
Ztn+1
y(t n+1 ) ° y(t n ) = f (t , y(t ))d t .
tn
Soit u n une approximation de y(t n ) et u n+1 une approximation de y(t n+1 ). On peut construire différentes schémas selon la
formule de quadrature utilisée pour approcher le membre de droite.
? Si on utilise la formule de quadrature du rectangle à gauche, i.e.
Ztn+1
f (t , y(t ))d t º h f (t n , y(t n ))
tn
on obtient le schéma d’E ULER progressif

(
u 0 = y(y 0 ) = y 0 ,
u n+1 = u n + h f (t n , u n ) n = 0, 1, 2, . . .
Il s’agit d’un schéma explicite car il permet d’expliciter u n+1 en fonction de u n .

? Si on utilise la formule de quadrature du rectangle à droite, i.e.
Ztn+1
f (t , y(t ))d t º h f (t n+1 , y(t n+1 ))
tn
on obtient le schéma d’E ULER rétrograde

(
u 0 = y(y 0 ) = y 0 ,
u n+1 ° h f (t n+1 , u n+1 ) = u n n = 0, 1, 2, . . .
Il s’agit d’un schéma implicite car il ne permet pas d’expliciter directement u n+1 en fonction de u n lorsque la fonction
f n’est pas triviale.
? Si on utilise la formule de quadrature du point du milieu, i.e.
Ztn+1 µ µ ∂∂
h h
f (t , y(t ))d t º h f t n + , y t n +
tn 2 2
on obtient un nouveau schéma :

(
u 0 = y(y 0 ) = y 0 ,
u n+1 = u n + h f (t n + h/2, u n+1/2 ) n = 0, 1, 2, . . .
où u n+1/2 est une approximation de y(t n + h/2). Nous pouvons utiliser une prédiction d’E ULER progressive pour ap-
procher le u n+1/2 dans le terme f (t n + h/2, u n+1/2 ) par ũ n+1/2 = u n + (h/2) f (t n , u n ). Nous avons construit ainsi un
nouveau schéma appelé schéma d’E ULER modifié qui s’écrit
8

ũ n+1/2 = u n + (h/2) f (t n , u n ),
>
:
u n+1 = u n + h f (t n + h/2, ũ n+1/2 ) n = 0, 1, 2, . . .
Il s’agit d’un schéma explicite car il permet d’expliciter u n+1 en fonction de u n .

? Si on utilise la formule du trapèze, i.e.
Ztn+1
h° ¢
f (t , y(t ))d t º f (t n , y(t n )) + f (t n+1 , y(t n+1 ))
tn 2
on obtient le schéma du trapèze ou de C RANK -N ICOLSON

(
u 0 = y(y 0 ) = y 0 ,
u n+1 ° h f (t n+1 , u n+1 ) = u n + h f (t n , u n ) n = 0, 1, 2, . . .
Il s’agit à nouveau d’un schéma implicite car il ne permet pas d’expliciter directement u n+1 en fonction de u n lorsque
la fonction f n’est pas triviale. En fait, ce schéma fait la moyenne des schémas d’E ULER progressif et rétrograde.
© G. Faccanoni 111
? Pour éviter le calcul implicite de u n+1 dans le schéma du trapèze, nous pouvons utiliser une prédiction d’E ULER pro-
gressive et remplacer le u n+1 dans le terme f (t n+1 , u n+1 ) par ũ n+1 = u n + h f (t n , u n ). Nous avons construit ainsi un
nouveau schéma appelé schéma de H EUN. Plus précisément, la méthode de H EUN s’écrit
8

ũ n+1 = u n + h f (t n , u n ),
>
: ° ¢
u n+1 = u n + h f (t n , u n ) + f (t n+1 , ũ n+1 ) n = 0, 1, 2, . . .
Remarque
Considérons le schéma d’E ULER rétrograde. Si nous voulons calculer u n+1 , nous définissons la fonction
g (x) = x ° h f (t n+1 , x) ° u n
et nous cherchons un zéro de g (x) en prenant par exemple la méthode de N EWTON. Ainsi nous pouvons poser x 0 = u 0 et
x m+1 = x m ° g (x m )/g 0 (x m ), m = 0, 1, . . . . Puisque g 0 (x) = 1 ° h@x f (t n+1 , x), nous obtenons donc dans ce cas le schéma
(
x0 = un ,
x m °h f (t n+1 ,x)°u n
x m+1 = x m ° 1°h@x f (t n+1 ,x) m = 0, 1, 2, . . .
et u n+1 = limm!1 x m pour autant que f soit suffisamment régulière et que x 0 soit suffisamment proche de u n+1 , ce qui
est le cas si le pas h est suffisamment petit.
Remarque Problème de C AUCHY numériquement mal posé

En générale, il ne suffit pas qu’un schéma numérique soit convergent pour qu’il donne des bons résultats sur n’importe
quelle équation différentielle. Encore faut-il que le problème soit mathématiquement bien posé (existence et unicité de
la solution), qu’il soit numériquement bien posé (continuité suffisamment bonne par rapport aux conditions initiales)
et qu’il soit bien conditionné .
Nh
Une fois calculée la solution numérique { u n }n=1 , il est légitime de chercher à savoir dans quelle mesure l’erreur |y(t n ) °
u n | est petite pour n = 1, 2, . . . . Nous essayons de répondre à cette question en reprenant le premier exemple du chapitre.
On se donne f (t , y(t )) = 3t ° 3y(t ) et y 0 = Æ (un nombre quelconque). On cherche une fonction y : t 2 R+ 7! y(t ) 2 R qui
satisfait (
y 0 (t ) = 3t ° 3y(t ), 8t > 0,
y(0) = Æ.
Nous avons vu que sa solution est donnée par y(t ) = (Æ ° 1/3)e 3t + t + 1/3. Si nous cherchons à résoudre le problème
de C AUCHY jusqu’à t = 10 avec Æ = 1/3, nous obtenons y(10) = 10 + 1/3 = 31/3. Par contre, si nous faisons le calcul
avec l’approximation Æ = 0.333333 au lieu de 1/3, nous avons y(10) = (0.333333 ° 1/3)e 30 + 10 + 1/3 = °e 30 /3000000 +
31/3 ce qui représente une différence avec la précédente valeur de e 30 /3000000 º 107 /3. Cet exemple nous apprend
qu’une petite erreur sur la condition initiale (erreur relative d’ordre 10°6 ) peut provoquer une très grande erreur sur
y(10) (erreur relative d’ordre 106 ). Ainsi, si le calculateur mis à notre disposition ne calcul qu’avec 6 chiffres significatifs
(en virgule flottante), alors Æ = 1/3 devient Æ = 0.333333 et il est inutile d’essayer d’inventer une méthode numérique
pour calculer y(10). En effet, la seule erreur sur la condition initiale provoque déjà une erreur inadmissible sur la solution.
Nous sommes en présence ici d’un problème numériquement mal posé, appelé aussi problème mal conditionné.
4.2. A-Stabilité
Dans la section précédente, on a considéré la résolution du problème de C AUCHY sur des intervalles bornés. Dans ce
cadre, le nombre Nh de sous-intervalles ne tend vers l’infini que quand h tend vers zéro. Il existe cependant de nombreuses
situations dans lesquelles le problème de C AUCHY doit être intégré sur des intervalles en temps très grands ou même infini.
Dans ce cas, même pour h fixé, Nh tend vers l’infini. On s’intéresse donc à des méthodes capables d’approcher la solution
pour des intervalles en temps arbitrairement grands, même pour des pas de temps h «assez grands».
Définition
Soit Ø > 0 un nombre réel positif et considérons le problème de C AUCHY
(
y 0 (t ) = °Øy(t ), pour t > 0,
y(0) = y 0
112 © G. Faccanoni
où y 0 6= 0 est une valeur donnée. Sa solution est y(t ) = y 0 e °Øt et limt !+1 y(t ) = 0.
Soit h > 0 un pas de temps donné, t n = nh pour n 2 N et notons u n º y(t n ) une approximation de la solution y au temps
tn .
Si, sous d’éventuelles conditions sur h, on a
lim u n = 0,
n!+1
alors on dit que le schéma est A-stable.

On peut tirer des conclusions analogues quand Ø est un complexe ou une fonction positive de t . D’autre part, en gé-
néral il n’y a aucune raison d’exiger qu’une méthode numérique soit absolument stable quand on l’applique à un autre
problème. Cependant, on peut montrer que quand une méthode absolument stable sur le problème modèle est utilisée
pour un problème modèle généralisé, l’erreur de perturbation (qui est la valeur absolue de la différence entre la solu-
tion perturbée et la solution non perturbée) est bornée uniformément (par rapport à h). En bref, on peut dire que les
méthodes absolument stables permettent de contrôler les perturbations.
Étudions la A-stabilité des schémas classiques introduits ci-dessus.

? Le schéma d’E ULER progressif devient
u n+1 = (1 ° Øh)u n , n = 0, 1, 2, . . .
et par suite
u n = (1 ° Øh)n u 0 , n = 0, 1, 2, . . .
Par conséquente, lim u n = 0 si et seulement si
n!+1 Ø Ø
Ø1 ° Øh Ø < 1,
ce qui a pour effet de limiter h à

2
h∑ .
Ø
Cette condition de A-stabilité limite le pas h d’avance en t lorsqu’on utilise le schéma d’E ULER progressif. Notons que
si 1 ° Øh > 1 alors u n tend vers +1 lorsque t tend vers l’infini et si 1 ° Øh < °1 alors u n tend vers l’infini en alternant
de signe lorsque t tend vers l’infini. Nous dirons dans ces cas que le schéma d’E ULER progressif est instable.
? Le schéma d’E ULER rétrograde devient dans le cadre de notre exemple
(1 + Øh)u n+1 = u n , n = 0, 1, 2, . . .
et par suite
1
un = u0 , n = 0, 1, 2, . . .
(1 + Øh)n
Dans ce cas nous voyons que pour tout h > 0 nous avons limn!1 u n = 0, le schéma d’E ULER rétrograde est donc
toujours stable, sans limitations sur h.
? Le schéma de C RANK -N ICOLSON appliqué à notre exemple s’écrit
µ ∂ µ ∂
h h
1 + Ø u n+1 = 1 ° Ø u n
2 2
et par suite µ ∂n
2 ° Øh
un = u0 , n = 0, 1, 2, . . .
2 + Øh
Par conséquent, lim u n = 0 si et seulement si
n!+1 Ø Ø
Ø 2 ° Øh Ø
Ø Ø
Ø 2 + Øh Ø < 1.
Notons x le produit Øh > 0 et q la fonction q(x) = 2°x x x §

2+x = 1 ° 2 2+x . Nous avons 0 < 2+x < 1 pour tout x 2 R+ , donc
§
|q(x)| < 1 pour tout x 2 R+ . La relation lim u n = 0 est donc satisfaite pour tout h > 0 : le schéma de C RANK -N ICOLSON
n!+1
est donc toujours stable, sans limitations sur h.
? Le schéma de H EUN pour notre exemple devient
µ ∂
(Øh)2
u n+1 = 1 ° Øh + un
2
Par induction on obtient µ ∂n

(Øh)2
u n = 1 ° Øh + u0 .
2
© G. Faccanoni 113
Par conséquent, lim u n = 0 si et seulement si

n!+1
Ø 2 ØØ
Ø
Ø1 ° Øh + Ø2 (h) Ø < 1.
Ø 2 Ø
Notons x le produit Øh et q le polynôme q(x) = 12 x 2 ° x + 1 dont le graphe est représenté en figure.

q
0 2 x = Øh
Nous avons |q(x)| < 1 si et seulement si 0 < x < 2. La relation lim u n = 0 est donc satisfaite si et seulement si
n!+1
2
h< .
Ø
Cette condition de stabilité limite le pas h d’avance en t lorsqu’on utilise le schéma de H EUN.
A première vue, il semble que le schéma d’E ULER progressif et le schéma de H EUN soient préférable au schéma d’E ULER
rétrograde et de C RANK -N ICOLSON puisque ces derniers ne sont pas explicites. Cependant, les méthodes d’E ULER implicite
et de C RANK -N ICOLSON sont inconditionnellement A-stables. C’est aussi le cas de nombreuses autres méthodes implicites.
Cette propriété rend les méthodes implicites attractives, bien qu’elles soient plus coûteuses que les méthodes explicites.
114 © G. Faccanoni

Voici les function python des méthodes illustrées dans ce chapitre
1 #!/usr/bin/python
2 #-*- coding: Utf-8 -*-
3
4 import math
5 import sys
6 import matplotlib.pyplot as plt
7
8 def euler_progressif(f,tt,N):
9 °°°!yy = [y0]
10 °°°!for i in range(N):
11 °°°!°°°!yy.append(yy[i]+h*f(tt[i],yy[i]))
12 °°°!return yy
13
14 def euler_modifie(f,tt,N):
15 °°°!yy = [y0]
17 °°°!°°°!yy.append(yy[i]+h*f(tt[i]+h*0.5,yy[i]+h*0.5*f(tt[i],yy[i])))
18 °°°!return yy
19
20 def heun(f,tt,N):
21 °°°!yy = [y0]
23 °°°!°°°!yy.append(yy[i]+h*(f(tt[i],yy[i])+f(tt[i+1],yy[i]+h*f(tt[i],yy[i]))))
24 °°°!return yy
et voici un exemple
25 # INITIALISATION
26 N = 3
27 exemple = 4
28
29 if exemple==1 :
30 °°°!t0 = 0.
31 °°°!y0 = 1.
32 °°°!tfinal = 3.
33 °°°!def f(t,y):
34 °°°!°°°!return y
35 °°°!def sol_exacte(t):
36 °°°!°°°!return math.exp(t)
38 °°°!t0 = 0.
39 °°°!y0 = 1.
40 °°°!tfinal = 3.
41 °°°!def f(t,y):
42 °°°!°°°!return t
44 °°°!°°°!return 1.+0.5*t**2
46 °°°!t0 = 0.
47 °°°!y0 = 0.
48 °°°!tfinal = 1.
49 °°°!def f(t,y):
50 °°°!°°°!return math.cos(2*y)
52 °°°!°°°!return 0.5*math.asin((math.exp(4.*t)-1.)/(math.exp(4.*t)+1.))
53 else :
54 °°°!print "Exemple non defini"
55 °°°!sys.exit(0)
56
57 # CALCUL
58 h = (tfinal-t0)/N
59 tt = [ t0+i*h for i in range(N+1) ]
60 yy_exacte = [sol_exacte(t) for t in tt]
61 yy_euler_progressif = euler_progressif(f,tt,N)
© G. Faccanoni 115
62 yy_euler_modifie = euler_modifie(f,tt,N)
63 yy_heun = euler_modifie(f,tt,N)
64
65 # AFFICHAGE
66 plt.axis([t0, tfinal, min(yy_euler_progressif), max(yy_euler_progressif)])
67 plt.plot(tt,yy_exacte,’m’,tt,yy_euler_progressif,’go’,tt,yy_euler_modifie,’cs’,tt,yy_heun,’r^’)
68 plt.show()
116 © G. Faccanoni
.............. Exercices .............

Exercice 4.1 Stabilité de la méthode d’E ULER explicite en fonction du pas
On considère le problème de C AUCHY (
y 0 (t ) = °y(t ),
y(0) = 1,
sur l’intervalle [0; 10].
1. Calculer la solution exacte du problème de C AUCHY.
2. Soit ¢t le pas temporel. Écrire la méthode d’E ULER explicite pour cette équation différentielle ordinaire (EDO).
3. En déduire une forme du type
y k+1 = g (¢t , k)
avec g (¢t , k) à préciser (autrement dit, l’itérée en t k ne dépend que de ¢t et k et ne dépend pas de y k ).
4. Utiliser la formulation ainsi obtenue pour tracer les solutions
? exacte,
? obtenue avec la méthode d’E ULER avec ¢t = 2.5,
? obtenue avec la méthode d’E ULER avec ¢t = 1.5,
? obtenue avec la méthode d’E ULER avec ¢t = 0.5.
5. Que peut-on en déduire sur la stabilité de la méthode ?

1. Il s’agit d’une EDO à variables séparables. L’unique solution constante de l’EDO est la fonction y(t ) ¥ 0, toutes les
autres solutions sont du type y(t ) = C e °t . Donc l’unique solution du problème de C AUCHY est la fonction y(t ) = e °t
définie pour tout t 2 R.
2. La méthode d’E ULER est une méthode d’intégration numérique d’EDO du premier ordre de la forme y 0 (t ) = F (t , y(t ))
C’est une méthode itérative : la valeur y à l’instant t +¢t se déduisant de la valeur de y à l’instant t par l’approximation
linéaire
y(t + ¢t ) º y(t ) + y 0 (t )¢t = y(t ) + F (t , y(t ))¢t .
En choisissant un pas de discrétisation ¢t , nous obtenons une suite de valeurs (t k , y k ) qui peuvent être une excellente
approximation de la fonction y(t ) avec
(
t k = t 0 + k¢t ,
y k = y k°1 + F (t k°1 , y k°1 )¢t .
La méthode d’E ULER explicite pour cette EDO s’écrit donc
y k+1 = (1 ° ¢t )y k .
3. En procédant par récurrence sur k, on obtient
y k+1 = (1 ° ¢t )k+1 .
4. On a donc
µ ∂
3 k
? si ¢t = 2.5 alors y k = ° ,
2
µ ∂k
1
? si ¢t = 1.5 alors y k = ° ,
2
µ ∂k
1
? si ¢t = 0.5 alors y k = .
2
© G. Faccanoni 117
y(i ¢t )
t i = i ¢t ¢t = 2.5 ¢t = 1.5 ¢t = 0.5
0 1 1 1
0.5 0.5
1 0.25
1.5 °0.5 0.125
2 0.0625
2.5 °1.5 0.03125
3 0.25 0.015625
3.5 0.0078125
4 0.00390625
4.5 °0.125 0.001953125
5 2.25 0.0009765625
5.5 0.00048828125
6 0.0625 0.000244140625
6.5 0.0001220703125
7 6.103515625 £ 10°5
7.5 °3.75 °0.03125 3.0517578125 £ 10°5
8 1.52587890625 £ 10°5
8.5 7.62939453125 £ 10°6
9 0.015625 3.814697265625 £ 10°6
9.5 1.9073486328125 £ 10°6
10 5.0625 9.5367431640625 £ 10°7
Ci-dessous sont tracées sur l’intervalle [0; 10], les courbes représentatives de la solution exacte et de la solution cal-
culée par la méthode d’E ULER explicite. En faisant varier le pas ¢t nous pouvons constater que si ¢t = 2.5 l’erreur
commise entre la solution exacte et la solution calculée est amplifiée d’un pas à l’autre.
y
2 Exacte
¢t = 0.5
1 ¢t = 1.5
¢t = 2.5
0
1 2 3 4 5 6 7 8 9 t
°1
°2
°3
NB : les trois premières itérées ont la même pente (se rappeler de la construction géométrique de la méthode d’E ULER).
5. De la formule y k+1 = (1 ° ¢t )k+1 on déduit que
? si 0 < ¢t < 1 alors la solution numérique est stable et convergente,
? si 1 < ¢t < 2 alors la solution numérique oscille mais est encore convergente,
? si ¢t > 2 alors la solution numérique oscille et divergente.
En effet, on sait que la méthode est absolument stable si et seulement si |1 ° ¢t | < 1.
Remarque : la suite obtenue est une suite géométrique de raison q = 1 ° ¢t . On sait qu’une telle suite
? diverge si |q| > 1 ou q = °1,
? est stationnaire si q = 1,
? converge vers 0 |q| < 1.
118 © G. Faccanoni
Exercice 4.2
L’évolution de la concentration de certaines réactions chimiques au cours du temps peut être décrite par l’équation
différentielle
1
y 0 (t ) = ° y(t ).
1+ t2
Sachant qu’à l’instant t = 0 la concentration est y(0) = 5, déterminer la concentration à t = 2 à l’aide de la méthode
d’E ULER implicite avec un pas h = 0.5.
C ORRECTION DE L’ EXERCICE 4.2. La méthode d’E ULER implicite est une méthode d’intégration numérique d’EDO du pre-
mier ordre de la forme y 0 (t ) = F (t , y(t )). C’est une méthode itérative : en choisissant un pas de discrétisation h, la valeur y
à l’instant t + h se déduit de la valeur de y à l’instant t par l’approximation linéaire
y(t + h) º y(t ) + h y 0 (t + h) = y(t ) + hF (t + h, y(t + h)).
On pose alors t k = t 0 + kh, k 2 N. En résolvant l’équation non-linéaire
y k+1 = y k + hF (t k+1 , y k+1 ),
on obtient une suite (y k )k2N qui approche les valeurs de la fonction y en t k . Dans notre cas, l’équation non-linéaire s’écrit
h
y k+1 = y k ° 2
y k+1 .
1 + t k+1
Elle peut être résolue algébriquement et cela donne la suite

yk
y k+1 = .
1 + 1+th2
k+1
Si à l’instant t = 0 la concentration est y(0) = 5, et si h = 1/2, alors t k = k/2 et
4 + (k + 1)2
y k+1 = yk .
6 + (k + 1)2
On obtient donc
k tk yk
0 0 5
4+12
1 0.5 6+12
5 = 57 5 = 25
7 º 3.57
4+22 25 8 25 20
2 1.0 6+22 7
= 10 7 = 7 º 2.86
4+32 20
3 1.5 6+32 7
= 13 20 52
15 7 = 21 º 2.48
2
4+4 52
4 2.0 6+42 21
= 20 52 520
22 21 = 231 º 2.25
La concentration à t = 2 est d’environ 2.25. Comparons avec le calcul exact : y(2) = 5e ° arctan(2) º 1.652499838.
y
5
2 Exacte
E ULER implicite
1
1 2 3 t
© G. Faccanoni 119
Exercice 4.3
Soit Ø > 0 un nombre réel positif et considérons le problème de C AUCHY
(
y 0 (t ) = °Øy(t ), pour t > 0,
(4.1)
y(0) = y 0 ,
où y 0 est une valeur donnée. Soit h > 0 un pas de temps donné, t i = i h pour i 2 N (ainsi t 0 = 0) et y i une approximation
de y(t i ).
1. Écrire le schéma du trapèze (appelé aussi de C RANK -N ICOLSON) permettant de calculer y i +1 à partir de y i . Sous
quelle condition sur h le schéma du trapèze est-il A-stable ? Autrement dit, pour quelles valeurs de h la relation
lim y i = 0 a-t-elle lieu ?
i !+1
2. À partir du schéma du trapèze, en déduire le schéma de H EUN. Sous quelle condition sur h le schéma de H EUN
est-il A-stable ?
C ORRECTION DE L’ EXERCICE 4.3. Le problème (4.1) est un problème du type

trouver y : I Ω R+ ! R tel que (
y 0 (t ) = f (t , y(t )), 8t 2 I ,
y(t 0 ) = y 0 .
Le principe des méthodes d’approximation est de subdiviser l’intervalle I en sous-intervalles de longueur © h et, pour ™ chaque
nœud t i = t 0 +i h (i 2 N ), on cherche la valeur inconnue y i qui approche y(t i ). L’ensemble de valeurs y 0 , y 1 , . . . représente
la solution numérique. Les schémas numériques permettent de calculer y i +1 à partir de y i et il est donc possible de calculer
successivement y 1 , y 2 ,. . . en partant de y 0 .
1. Si nous intégrons l’EDO y 0 (t ) = f (t , y(t )) entre t i et t i +1 nous obtenons
Zti +1
y(t i +1 ) ° y(t i ) = f (t , y(t )) dt .
ti
Soit y i une approximation de y(t i ) et y i +1 une approximation de y(t i +1 ). Si on utilise la formule du trapèze, i.e.
Zti +1
h° ¢
f (t , y(t )) dt º f (t i , y(t i )) + f (t i +1 , y(t i +1 ))
ti 2
on obtient le schéma du trapèze ou de C RANK -N ICOLSON

(
y 0 = y(t 0 ),
y i +1 ° h2 f (t i +1 , y i +1 ) = y i + h2 f (t i , y i ), pour i = 0, 1, 2, . . .
Il s’agit d’un schéma implicite car il ne permet pas d’écrire directement y i +1 en fonction de y i lorsque la fonction
f n’est pas triviale. En appliquant le schéma du trapèze au problème (4.1) on obtient la suite définie par récurrence
suivante (
y = y(t 0 ),
≥0 ¥ ≥ ¥
1 + h2 Ø y i +1 = 1 ° h2 Ø y i .
Par induction on obtient µ ∂i

2 ° Øh
yi = y0.
2 + Øh
Par conséquent, lim y i = 0 si et seulement si
i !+1 Ø Ø
Ø 2 ° Øh Ø
Ø Ø
Ø 2 + Øh Ø < 1.
Notons x le produit Øh > 0 et q la fonction q(x) = 2°x x x §

2+x = 1 ° 2 2+x . Nous avons 0 < 2+x < 1 pour tout x 2 R+ , donc
§
|q(x)| < 1 pour tout x 2 R+ . La relation lim y i = 0 est donc satisfaite pour tout h > 0.
i !+1
2. Pour éviter le calcul implicite de y i +1 dans le schéma du trapèze, nous pouvons utiliser une prédiction d’E ULER
progressive et remplacer le y i +1 dans le terme f (t i +1 , y i +1 ) par ỹ i +1 = y i + h f (t i , y i ). Nous avons construit ainsi le
schéma de H EUN. Plus précisément, cette méthode s’écrit
(
y 0 = y(t 0 ),
° ° ¢¢
y i +1 = y i + h2 f (t i , y i ) + f t i +1 , y i + h f (t i , y i , pour i = 0, 1, 2, . . .
120 © G. Faccanoni
En appliquant le schéma de H EUN au problème (4.1) on obtient la suite définie par récurrence suivante
(
y 0 = y(t 0 ),
≥ ¥
(Øh)2
y i +1 = 1 ° Øh + 2 y i .
Par induction on obtient

µ ∂i
(Øh)2
y i = 1 ° Øh + y0.
2
Par conséquent, lim y i = 0 si et seulement si
i !+1
Ø 2 ØØ
Ø
Ø1 ° Øh + Ø2 (h) Ø < 1.
Ø 2 Ø
Notons x le produit Øh et q le polynôme q(x) = 12 x 2 ° x + 1 dont le graphe est représenté en figure.

q
0 2 x = Øh
Nous avons |q(x)| < 1 si et seulement si 0 < x < 2. La relation lim y i = 0 est donc satisfaite si et seulement si
i !+1
2
h< .
Ø
Exercice 4.4
On considère le problème de C AUCHY
(
y 0 (t ) = °(y(t ))m + cos(t ), pour t > 0,
(4.2)
y(0) = 0,
où m est un entier impair.

1. Montrer que le problème (4.2) possède une solution unique globale.
2. Soit ¢t > 0 un pas de temps donné, soit t i = i ¢t pour i 2 N et y i une approximation de y(t i ). Écrire le schéma
d’E ULER rétrograde permettant de calculer y i +1 à partir de y i .
3. À partir du schéma obtenu au point précédent, écrire un seul pas de la méthode de N EWTON pour calculer une
nouvelle approximation de y i +1 . En déduire ainsi un nouveau schéma explicite.

1. Le problème (4.2) est un problème du type
y 0 (t ) = f (t , y(t )), 8t 2 I ,
y(t 0 ) = y 0 ,
Si la fonction f (t , y) est
1.1. continue par rapport à ses deux variables ;
1.2. lipschitzienne par rapport à sa deuxième variable, c’est-à-dire qu’il existe une constante positive L (appelée
constante de Lipschitz) telle que
| f (t , y 1 ) ° f (t , y 2 )| ∑ L|y 1 ° y 2 |, 8t 2 I , 8y 1 , y 2 2 R,
© G. Faccanoni 121
alors la solution y = y(t ) du problème de C AUCHY existe, est unique et appartient à C 1 (I ).

Dans notre cas, f (t , y(t )) = °(y(t ))m + cos(t ) et y 0 = 0. Puisque m est impair et @t f (y, y(t )) = °m(y(t ))m°1 ∑ 0, la
fonction f est décroissante et satisfait donc
° ¢
f (t 1 , y(t 1 )) ° f (t 2 , y(t 2 )) (t 1 ° t 2 ) ∑ 0 8t 1 , t 2 2 R.
Par conséquent, le problème (4.2) possède une solution unique globale.

2. Le problème (4.1) est un problème du type
y 0 (t ) = f (t , y(t )), 8t 2 I ,
y(t 0 ) = y 0 .
Le principe des méthodes d’approximation est de subdiviser l’intervalle I en sous-intervalles de longueur ¢t et, pour
chaque
© nœud
™ t n = t 0 + i ¢t (i ∏ 0 ), on cherche la valeur inconnue y i qui approche y(t i ). L’ensemble de valeurs
y 0 , y 1 , . . . représente la solution numérique. Le schéma de E ULER rétrograde établit une relation entre y i et y i +1 et
il est donc possible de calculer successivement y 1 , y 2 ,. . ., en partant de y 0 .
Si nous intégrons l’EDO y 0 (t ) = f (t , y(t )) entre t i et t i +1 nous obtenons
Zti +1
y(t i +1 ) ° y(t i ) = f (t , y(t )) dt .
ti
Soit y i une approximation de y(t i ) et y i +1 une approximation de y(t i +1 ). Si on utilise la formule du rectangle à droite,
i.e. Z t i +1
f (t , y(t )) dt º ¢t f (t i +1 , y(t i +1 ))
ti
on obtient le schéma d’E ULER rétrograde :

(
y 0 = 0,
° ¢
y i +1 = y i + ¢t °(y i +1 )m + cos(t i +1 ) .
Ce schéma est implicite car il ne permet pas de calculer y i +1 directement à partir de y i .

3. Il s’agit de trouver y i +1 tel que ° ¢
y i +1 = y i + ¢t °y im+1 + cos(t i +1 ) .
Pour déterminer y i +1 nous devons chercher le zéro de la fonction g définie par
° ¢
g (x) = x + ¢t x m ° ¢t cos(t i +1 ) + y i .
La méthode de N EWTON pour approcher le zéro de g s’écrit

° ¢
g (x k ) x k + ¢t x km ° ¢t cos(t i +1 ) + y i
x k+1 = x k ° 0 = xk ° .
g (x k ) 1 + m¢t x km°1
Le premier pas de la méthode de N EWTON s’écrit donc

° ¢
x 0 + ¢t x 0m ° ¢t cos(t i +1 ) + y i
x1 = x0 ° .
1 + m¢t x 0m°1
Choisissons x 0 = y i comme valeur de départ. Nous pouvons utiliser x 1 comme approximation de y i +1 et on obtient
le schéma 8
< y 0 = 0,
>
° ¢
y i + ¢t y im ° ¢t cos(t i +1 ) + y i
> y
: i +1 = ° .
1 + m¢t y im°1
Exercice 4.5
Soit le problème de C AUCHY :
(
u 0 (t ) + 10u(t ) = 0, 8t 2 R,
(4.3)
u(0) = u 0 > 0.
1. Montrer qu’il existe une unique solution globale u 2 C 1 (R, R) que vous préciserez explicitement.
122 © G. Faccanoni
2. Soit le schéma numérique de Crank-Nicolson défini par la suite (u n )n2N vérifiant

u n+1 ° u n
+ 5(u n+1 + u n ) = 0, 8n 2 N,
¢t
pour ¢t > 0 fixé.
Montrer que la suite (u n )n2N est une suite géométrique dont vous préciserez la raison.
3. Montrer que la raison r de la suite vérifie |r | < 1 pour tout ¢t > 0. Ce schéma est-il inconditionnellement A-stable ?
4. Sous quelle condition sur ¢t > 0 le schéma génère-t-il une suite positive ?
5. Donner l’expression de u n en fonction de n.
6. Soit T > 0 fixé, soit n § = n § (¢t ) tel que T ° ¢t < n § ¢t ∑ T . Montrer que
lim u n § = u 0 e °10T .
¢t !0
7. Soit (v n )n2N la suite définissant le schéma d’E ULER explicite pour l’équation différentielle (4.3). Montrer que
lim v n § = u 0 e °10T .
¢t !0
Montrer que la suite (u n § ) converge plus vite que (v n § ) lorsque ¢t ! 0.
C ORRECTION DE L’ EXERCICE 4.5. C’est un problème de C AUCHY du type

(
u 0 (t ) = f (t , u(t )), 8t 2 R,
(4.4)
u(0) = u 0 > 0,
avec f (t , u(t )) = g (u(t )) = °10u(t ).

1. Comme g 2 C 1 (R, R), d’après C AUCHY-Lipschitz, il existe T > 0 et une unique solution u 2 C 1 ([°T, T ], R). Par récur-
rence, en exploitant l’EDO et la régularité de g , on grimpe en régularité sur u ainsi u 2 C 1 ([°T, T ], R). La fonctionne
nulle est solution de l’équation différentielle f (t , 0) = 0, par l’unicité de la solution du problème de C AUCHY, pour
tout t 2 [°T, T ], u(t ) > 0 si u 0 > 0 et u(t ) < 0 si u 0 > 0 (autrement dit, deux trajectoires ne peuvent pas se croiser). De
plus, u est décroissante si u 0 > 0 et croissante si u 0 < 0. On en déduit par le théorème des extrémités que la solution
u admet un prolongement sur R solution de l’EDO.
Pour en calculer la solution, on remarque qu’il s’agit d’une EDO à variables séparables. L’unique solution constante
est u(t ) ¥ 0, toutes les autres solutions sont du type u(t ) = C e °10t . En prenant en compte la condition initiale on
conclut que l’unique solution du problème de C AUCHY est u(t ) = u 0 e °10t définie pour tout t 2 R.
y
3
2
1
0
°1 1 t
°1
°2
°3
2. Soit le schéma numérique de Crank-Nicolson défini par la suite (u n )n2N vérifiant

u n+1 ° u n
+ 5(u n+1 + u n ) = 0, 8n 2 N,
¢t
pour ¢t > 0 fixé. On obtient une formule de récurrence rendue explicite par un calcul élémentaire :
u n+1 = °5¢t u n+1 ° 5¢t u n + u n
d’où
1 ° 5¢t
u n+1 = un .
1 + 5¢t
Il s’agit d’une suite géométrique de raison
1 ° 5¢t
r= .
1 + 5¢t
© G. Faccanoni 123
3. Pour tout ¢t > 0 on a

1 ° 5¢t 10¢t
r= = 1°
1 + 5¢t 1 + 5¢t
et
10¢t
°1 < 1 ° < 1.
1 + 5¢t
Ce schéma est donc inconditionnellement A-stable car |u n+1 | = |r n+1 u 0 | ∑ |u 0 |.
4. Le schéma génère une suite positive ssi
10¢t
1° >0
1 + 5¢t
i.e. ssi
1
¢t < .
5
5. Par récurrence on obtient µ ∂n
1 ° 5¢t
un = u0 .
1 + 5¢t
6. Soit T > 0 fixé et considérons n § = n § (¢t ) tel que T ° ¢t < n § ¢t ∑ T . En se rappelant que
ln(1 + Æx)
lim =1
x!0 Æx
et en observant que
° 1°5¢t ¢ ¢tT °1 ° 1°5¢t ¢n § ° 1°5¢t ¢ ¢tT
1+5¢t ∑ 1+5¢t ∑ 1+5¢t
k k
ln(1°5¢t )°ln(1+5¢t ) ln(1°5¢t )°ln(1+5¢t )
e (T °¢t ) ¢t eT ¢t
k k
(T °¢t ) °5 ln(1°5¢t5¢t
)°5 ln(1+5¢t )
T °5 ln(1°5¢t )°5 ln(1+5¢t )
e e 5¢t
# #
e °10T e °10T
on conclut que
µ ∂n §
1 ° 5¢t
lim u n § = u 0 lim = u 0 e °10T .
¢t !0 ¢t !0 1 + 5¢t
7. La suite définissant le schéma d’E ULER explicite pour l’EDO assignée s’écrit
v n+1 ° v n
= f (t n , u n ) =) v n+1 = v n ° 10¢t v n = (1 ° 10¢t )v n = (1 ° 10¢t )n+1 v 0 .
¢t
Il s’agit à nouveau d’une suite géométrique de raison
r e = 1 ° 10¢t
qui converge si et seulement si |r e | < 1, i.e. si et seulement si ¢t < 0,2 (le schéma d’E ULER pour cette EDO est condi-
tionnellement stable).
Soit T > 0 fixé et considérons n § = n § (¢t ) tel que T ° ¢t < n § ¢t ∑ T . Alors
T § T
(1 ° 10¢t ) ¢t °1 ∑ (1 ° 10¢t )n ∑ (1 ° 10¢t ) ¢t
k k
ln(1°10¢t ) ln(1°10¢t )
e (T °¢t ) ¢t eT ¢t
k k
°10(T °¢t ) ln(1°10¢t )
°10T ln(1°10¢t )
e °10¢t e °10¢t
# #
e °10T e °10T
d’où
T
lim v n § = u 0 lim (1 ° 10¢t ) ¢t = u 0 e °10T .
¢t !0 ¢t !0
De plus, on sait (cf. cours) que la suite {u n }n2N converge à l’ordre 2 tandis que la suite {v n }n2N converge à l’ordre 1.
124 © G. Faccanoni
Exercice 4.6
Soit le problème de C AUCHY : p
8
< 0 u(t )
u (t ) + = 0, 8t 2 R+ ,
: 2
u(0) = u 0 > 0.
1. Soit le schéma numérique défini par la suite (u n )n2N suivante
u n+1 ° u n u n+1
+ p = 0, 8n 2 N,
¢t 2 un
pour ¢t > 0 fixé. Expliciter l’expression de u n+1 en fonction de u n .

2. Montrer que la suite (u n )n2N est une suite positive, décroissante et convergente vers 0.
3. Ce schéma est-il inconditionnellement A-stable ?

C’est un problème de C AUCHY du type (
u 0 (t ) = f (t , u(t )), 8t 2 R,
u(0) = u 0 > 0,
p
avec f (t , u(t )) = g (u(t )) = ° u(t
2 .
)
1. Pour ¢t > 0 fixé on obtient une formule de récurrence rendue explicite par un calcul élémentaire :
un 2(u n )3/2
u n+1 = = p , 8n 2 N.
1 + 2p¢tu 2 u n + ¢t
n
2. On étudie la suite (
u 0 > 0,
2(u n )3/2
u n+1 = p
2 u n +¢t
, 8n 2 N,
pour ¢t > 0 fixé.

u n+1 1
Par récurrence on montre que si u 0 > 0 alors u n > 0 pour tout n 2 N. De plus, un = < 1 pour tout n 2 N : la
1+ 2p¢tu
n
suite est monotone décroissante. On a alors une suite décroissante et bornée par zéro, donc elle converge. Soit ` la
2`3/2
limite de cette suite, alors ` ∏ 0 et ` = p donc ` = 0.
2 `+¢t
3. Ce schéma est donc inconditionnellement A-stable.
Exercice 4.7
Soit le problème de C AUCHY : (
u 0 (t ) + u 5 (t ) = 0, 8t 2 R+ ,
(4.5)
u(0) = u 0 > 0.
1. Montrer qu’il existe une unique solution globale u 2 C 1 (R+ , R+ ).

2. Soit le schéma numérique défini par la suite (u n )n2N suivante
u n+1 ° u n
+ u n+1 u n4 = 0, 8n 2 N,
¢t
pour ¢t > 0 fixé. Expliciter l’expression de u n+1 en fonction de u n .
3. Montrer que la suite (u n )n2N est une suite décroissante et convergente vers 0. Ce schéma est-il inconditionnelle-
ment A-stable ?

u 0 (t ) = f (t , u(t )), 8t 2 R,
(4.6)
u(0) = u 0 > 0,
avec f (t , u(t )) = g (u(t )) = °u 5 (t ).
© G. Faccanoni 125
1. Comme g 2 C 1 (R+ , R+ ), d’après C AUCHY-Lipschitz, il existe T > 0 et une unique solution u 2 C 1 ([0, T ], R+ ). Par ré-
currence, en exploitant l’EDO et la régularité de g , on grimpe en régularité sur u et u 2 C 1 ([0, T ], R+ ).
La fonctionne nulle est solution de l’équation différentielle g (0) = 0. Comme u 0 > 0, par l’unicité de la solution du
problème de C AUCHY on a u(t ) > 0 pour tout t 2 [0, T ] (car deux trajectoires ne peuvent pas se croiser). De plus, u est
décroissante, ainsi la solution est bornée (u(t ) 2 ]0, u 0 [). On en déduit par le théorème des extrémités que la solution
u admet un prolongement sur R+ solution de l’EDO.
2. Pour ¢t > 0 fixé on obtient une formule de récurrence rendue explicite par un calcul élémentaire :
un
u n+1 = , 8n 2 N.
1 + u n4 ¢t
3. On étudie la suite (
u 0 > 0,
un
u n+1 = 1+u n4 ¢t
, 8n 2 N,
pour ¢t > 0 fixé.

u n+1 1
Par récurrence on montre que si u 0 > 0 alors u n > 0 pour tout n 2 N. De plus, un = 1+u n4 ¢t
< 1 pour tout n 2 N : la
suite est monotone décroissante. On a alors une suite décroissante et bornée par zéro, donc elle converge. Soit ` la
limite de cette suite, alors ` ∏ 0 et ` = 1+``4 ¢t donc ` = 0. Ce schéma est donc inconditionnellement A-stable.
Exercice 4.8
Soit le problème de C AUCHY : (
u 0 (t ) + sin(u(t )) = 0, 8t 2 R,
(4.7)
u(0) = u 0 > 0.
1. Montrer qu’il existe une unique solution globale u 2 C 1 (R, R).
2. Écrire le schéma le schéma d’E ULER explicite pour ce problème de C AUCHY en explicitant vos notations.
3. Montrer que la suite (u n )n2N construite par ce schéma vérifie
|u n+1 | ∑ |u n | + ¢t , 8n 2 N,
où ¢t > 0 est le pas de la suite.

4. En déduire que
|u n | ∑ |u 0 | + n¢t , 8n 2 N.

u 0 (t ) = f (t , u(t )), 8t 2 R,
(4.8)
u(0) = u 0 > 0,
avec f (t , u(t )) = g (u(t )) = ° sin(u(t )).
1. Comme g 2 C 1 (R, R), d’après C AUCHY-Lipschitz, il existe T > 0 et une unique solution u 2 C 1 ([°T, T ], R). Par récur-
rence, en exploitant l’EDO et la régularité de g , on grimpe en régularité sur u et u 2 C 1 ([°T, T ], R).
Toutes les fonctions constante u(t ) = kº pour k 2 Z sont solutions de l’équation différentielle car g (kº) = 0. Pour
u 0 donné, soit k̃ 2 Z tel que u 0 2 [k̃º; (k̃ + 1)º] ; par l’unicité de la solution du problème de C AUCHY on a u(t ) 2
[k̃º; (k̃ + 1)º] pour tout t 2 [°T, T ] (car deux trajectoires ne peuvent pas se croiser), i.e. la solution est bornée. On en
déduit par le théorème des extrémités que la solution u admet un prolongement sur R solution de l’EDO.
2. Soit ¢t > 0 fixé et t n = n¢t pour tout n 2 Z. Le schéma d’E ULER explicite pour l’EDO donnée construit la suite
u n+1 = u n ° ¢t sin(u n ), 8n 2 N.
3. Comme |a + b| ∑ |a| + |b| et comme | ° sin(x)| ∑ 1 pour tout x 2 R, on conclut que
|u n+1 | = |u n ° ¢t sin(u n )| ∑ |u n | + |¢t sin(u n )| ∑ |u n | + ¢t
pour ¢t > 0 fixé.

4. Par récurrence : |u n+1 | ∑ |u n | + ¢t ∑ |u n°1 | + 2¢t ∑ · · · ∑ |u 0 | + (n + 1)¢t .
126 © G. Faccanoni
Exercice 4.9 Loi de N EWTON K

Considérons une tasse de café à la température de 75±C dans une salle à 25±C. On suppose que la température du café
suit la loi de Newton, c’est-à-dire que la vitesse de refroidissement du café est proportionnelle à la différence des tempé-
ratures. En formule cela signifie qu’il existe une constante K < 0 telle que la température vérifie l’équation différentielle
ordinaire (EDO) du premier ordre.
T 0 (t ) = K (T (t ) ° 25).
La condition initiale (CI) est donc simplement
T (0) = 75.
Pour calculer la température à chaque instant on a besoin de connaître la constante K . Cette valeur peut être déduite en
constatant qu’après 5 minutes le café est à 50±C, c’est-à-dire
T (5) = 50.
Calculer la solution exacte de ce problème de C AUCHY et la comparer avec la solution approchée obtenue par la méthode
d’E ULER explicite.

Solution exacte 1. On commence par calculer toutes les solutions de l’EDO. Étant une équation différentielle du pre-
mier ordre, la famille de solutions dépendra d’une constante qu’on fixera en utilisant la CI. Il s’agit d’une EDO
à variables séparables donc formellement on a
T 0 (t ) dT
T 0 (t ) = K (T (t ) ° 25) =) =K =) = Kdt =)
(T (t ) ° 25) (T ° 25)
Z Z
1
dT = K dt =) ln(T ° 25) = K t + c =) T ° 25 = De K t =) T (t ) = 25 + De K t
(T ° 25)
2. La valeur numérique de la constante d’intégration D est obtenue grâce à la CI :
75 = T (0) = 25 + De K ·0 =) D = 50 =) T (t ) = 25 + 50e K t
3. Il ne reste qu’à établir la valeur numérique de la constante de refroidissement K grâce à l’«indice» :
ln(2) ln(2)
50 = T (5) = 25 + 50e K t =) K =° º °0.14 =) T (t ) = 25 + 50e ° 5 t
5
On peut donc conclure que la température du café évolue selon la fonction

ln(2)
T (t ) = 25 + 50e ° 5 t .
T
75
50
25
0
5 10 15 t
Solution approchée par la méthode d’Euler progressive Supposons de connaître K mais de ne pas vouloir/pouvoir
calculer la fonction T (t ). Grâce à la méthode d’E ULER on peut estimer la température à différentes instantes t i en
faisant une discrétisation temporelle du futur (i.e. on construit une suite de valeurs {t i = 0 + i ¢t }i ) et en construisant
© G. Faccanoni 127
une suite de valeurs {Ti }i où chaque Ti est une approximation de T (t i ). Si on utilise la méthode d’E ULER, cette suite
de température est ainsi construite : (
Ti +1 = Ti ° ln(2)
5 ¢t (Ti ° 25),
T0 = 75,
qu’on peut réécrire comme (
Ti +1 = (1 ° ln(2)
5 ¢t )Ti + 5 ln(2)¢t ,
T0 = 75.
1. Exemple avec ¢t = 5 :
T
75
50
25
0
5 10 15 t
ti T (t i ) Ti T (t i ) ° Ti
0.000000 75.000000 75.000000 0.000000
5.000000 50.000000 40.342641 9.657359
10.000000 37.500000 29.707933 7.792067
15.000000 31.250000 26.444642 4.805358
2. Exemple avec ¢t = 1 :
T
75
50
25
0
5 10 15 t
128 © G. Faccanoni
ti T (t i ) Ti T (t i ) ° Ti
0.000000 75.000000 75.000000 0.000000
1.000000 68.527528 68.068528 0.459000
2.000000 62.892914 62.097962 0.794952
3.000000 57.987698 56.955093 1.032605
4.000000 53.717459 52.525176 1.192283
5.000000 50.000000 48.709377 1.290623
6.000000 46.763764 45.422559 1.341205
7.000000 43.946457 42.591391 1.355066
8.000000 41.493849 40.152707 1.341142
9.000000 39.358729 38.052095 1.306634
10.000000 37.500000 36.242691 1.257309
11.000000 35.881882 34.684123 1.197759
12.000000 34.473229 33.341618 1.131610
13.000000 33.246924 32.185225 1.061700
14.000000 32.179365 31.189141 0.990224
15.000000 31.250000 30.331144 0.918856
Exercice 4.10 «Les experts - Toulon»

La loi de Newton affirme que la vitesse de refroidissement d’un corps est proportionnelle à la différence entre la tem-
pérature du corps et la température externe, autrement dit qu’il existe une constante K < 0 telle que la température du
corps suit l’équation différentielle (
T 0 (t ) = K (T (t ) ° Text ),
T (0) = T0 .
1. Soit ¢t le pas temporel. Écrire le schéma d’E ULER implicite pour approcher la solution de cette équation différen-
tielle.
2. Soit Text = 0±C. En déduire une forme du type
Tn+1 = g (¢t , n, T0 )
avec g (¢t , n, T0 ) à préciser (autrement dit, l’itéré en t n ne dépend que de ¢t , de n et de T0 ). Que peut-on en déduire
sur la convergence de la méthode ?
3. Problème. Un homicide a été commis. On veut établir l’heure du crime sachant que
? pour un corps humaine on peut approcher K º °0.007438118376 (l’échelle du temps est en minutes et la
température en Celsius),
? le corps de la victime a été trouvé sur le lieu du crime à 2H 20 du matin,
? à l’heure du décès la température du corps était de 37±C,
? à l’heure de la découverte la température du corps est de 20±C,
? la température externe est Text = 0±C.
Approcher l’heure de l’homicide en utilisant le schéma d’E ULER implicite avec ¢t = 10 minutes.
4. Pour cette équation différentielle, il est possible de calculer analytiquement ses solutions. Comparer alors la solu-
tion exacte avec la solution approchée obtenue au point précédent.

1. La méthode d’E ULER implicite (ou régressive) est une méthode d’intégration numérique d’EDO du premier ordre de
la forme T 0 (t ) = F (t , T (t )). En choisissant un pas de discrétisation ¢t , nous obtenons une suite de valeurs (t n , Tn ) qui
peuvent être une excellente approximation de la fonction T (t ) avec
(
t n = t 0 + n¢t ,
Tn+1 = Tn + F (t n+1 , Tn+1 )¢t .
La méthode d’E ULER implicite pour cette EDO s’écrit donc
Tn+1 = Tn + K ¢t (Tn+1 ° Text ).
2. Si Text = 0±C, en procédant par récurrence sur n on obtient

1 1
Tn+1 = g (¢t , n) = Tn = T0 ,
1 ° K ¢t (1 ° K ¢t )n+1
© G. Faccanoni 129
autrement dit, l’itérée en t n ne dépend que de ¢t et de n mais ne dépend pas de Tn . Comme 0 < 1°K1 ¢t < 1 pour tout
¢t > 0, la suite est positive décroissante ce qui assure que la solution numérique est stable et convergente.
3. On cherche combien de minutes se sont écoulés entre le crime et la découverte du corps, autrement dit on cherche
n tel que
µ ∂ ° ¢
1 n+1 37 37 ln 37
20
20 = 37 =) (1 ° K ¢t ) = =) n + 1 = log(1°K ¢t ) = =) n º 8.
(1 ° K ¢t )n+1 20 20 ln(1 ° K ¢t )
Comme t n = t 0 + n¢t , si t n = 2H 20 alors t 0 = t n ° n¢t = 2H 20 ° 1H 20 = 01H 00.

4. Calcule analytique de toutes les solutions de l’équation différentielle :
? On cherche d’abord les solutions constantes, i.e. les solutions du type T (t ) ¥ c 2 R quelque soit t . On a
0 = K (c ° Text )
d’où l’unique solution constante T (t ) ¥ Text .

? Soit T (t ) 6= Text quelque soit t . Puisqu’il s’agit d’une EDO à variables séparables on peut calculer la solution comme
suit :
T 0 (t ) dT
T 0 (t ) = K (T (t ) ° Text ) =) =K =) = K dt =)
T (t ) ° Text T ° Text
Z Z
1
dT = K dt =) ln(T ° Text ) = K t + c =) T ° Text = De K t =) T (t ) = Text + De K t .
T ° Text
La valeur numérique de la constante d’intégration D est obtenue grâce à la CI :
T0 = T (0) = De K ·0 =) D = °T0 =) T (t ) = T0 e K t
Ici T0 = 37±C donc la température du cadavre suit la loi
T (t ) = 37e K t .
Pour déterminer l’heure du meurtre il faut alors résoudre l’équation
20 = 37e K t
1
d’où t = K ln 20
37 º 82,70715903 minutes, c’est-à-dire 83 minutes avant 2H20 : le crime a été commit à 00H57.
T [±C]
t
1H00
1H10
1H20
1H30
1H40
1H50
2H00
2H10
2H20
Exercice 4.11
Un modèle pour la diffusion d’une épidémie se base sur l’hypothèse que sa vitesse de propagation est proportionnelle
au nombre d’individus infectés et au nombre d’individus sains.
Si on note I (t ) ∏ 0 le nombre d’individus infectés à l’instant t ∏ 0 et A > 0 le nombre d’individus total, il existe une
constante k 2 R+ telle que I 0 (t ) = k I (t )(A ° I (t )).
1. Montrer qu’il existe T > 0 et une unique solution I 2 C 1 ([0, T ]) au problème de C AUCHY :
(
I 0 (t ) = k I (t )(A ° I (t )),
I (0) = I 0 > 0.
2. Montrer que si 0 0.
130 © G. Faccanoni
3. Montrer que si 0 < I 0 < A alors I (t ) est croissante sur R+ .

4. Soit 0 < I 0 < A. On considère le schéma semi-implicite
I n+1 ° I n
= k I n (A ° I n+1 ).
¢t
Montrer que ce schéma est inconditionnellement A-stable.
C ORRECTION DE L’ EXERCICE 4.11. C’est un problème de C AUCHY du type

(
I 0 (t ) = f (t , I (t )), 8t 2 R+ ,
(4.9)
I (0) = I 0 > 0,
avec f (t , I (t )) = g (I (t )) = k I (t )(A ° I (t )).

1. Comme g 2 C 1 (R, R), d’après C AUCHY-Lipschitz, il existe T > 0 et une unique I 2 C 1 ([0, T ], R) solution du problème
de C AUCHY. Par récurrence, en exploitant l’EDO et la régularité de g , on grimpe en régularité sur I et I 2 C 1 ([0, T ], R).
2. Puisque la fonction nulle et la fonction constante I (t ) = A sont solutions de l’équation différentielle, si 0 < I 0 < A
alors 0 < I (t ) < A pour tout t 2 [0, T ] (car, par l’unicité de la solution du problème de C AUCHY, deux trajectoires ne
peuvent pas se croiser).
3. Puisque I 0 (t ) = k I (t )(A ° I (t )), si 0 < I 0 < A alors I est croissante pour tout t 2 [0, T ]. On en déduit par le théorème
des extrémités que la solution I admet un prolongement sur R+ solution de l’EDO et que I est croissante pour tout t
2 R+ .
4. Soit 0 0 fixé. On obtient une formule de récurrence rendue explicite par un calcul élémentaire :
1 + k A¢t
I n+1 = In .
1 + k I n ¢t
Si 0 0 quelque soit n ;
? I n est majorée par A car
I n+1 ∑ A () (1 + k A¢t )I n ∑ (1 + k I n ¢t )A () In ∑ A
donc par récurrence I n+1 ∑ A quelque soit n ;

? I n est une suite monotone croissante (encore par récurrence on montre que |I n+1 | ∏ |I n | ∏ · · · ∏ |I 0 |) ;
donc ce schéma est inconditionnellement A-stable.
Calcul analytique de toutes les solutions :
On a déjà observé qu’il y a deux solutions constantes de l’EDO : la fonction I (t ) ¥ 0 et la fonction I (t ) ¥ A.
Pour chercher toutes les solutions non constantes on remarque qu’il s’agit d’une EDO à variables séparables donc on a
A
I (t ) =
De °Akt +1
La valeur numérique de la constante d’intégration D est obtenue grâce à la CI :
A ° I0
D=
I0
ln(363/38)
Exemple avec A = 5000, I 0 = 160, k = 35000 et ¢t = 1 :
I
A
Exacte
Approchée avec ¢t = 1
I0
t
© G. Faccanoni 131
Exercice 4.12
Considérons une population de bactéries. Soit p(t ) le nombre d’individus (∏ 0) à l’instant t ∏ 0. Un modèle qui décrit
l’évolution de cette population est l’«équation de la logistique» : soit k et h deux constantes positives, alors p(t ) vérifie
l’équation différentielle ordinaire (EDO) du premier ordre
p 0 (t ) = kp(t ) ° hp 2 (t ).
On veut calculer p(t ) à partir d’un nombre initiale d’individus donné
p(0) = p 0 ∏ 0.

Solution exacte
1. On commence par calculer toutes les solutions de l’EDO. Étant une équation différentielle du premier ordre,
la famille de solutions dépendra d’une constante qu’on fixera en utilisant la CI. Il s’agit d’une EDO à variables
séparables.
On cherche d’abord les solutions constantes, c’est-à-dire les solutions du type p(t ) ¥ c pour tout t 2 R+ :
0 = kc ° hc 2 .
On a donc deux solutions constantes :

k
p(t ) ¥ 0 et p(t ) ¥ .
h
Étant donné que deux solutions d’une EDO ne s’intersectent jamais, dorénavant on supposera p(t ) 6= 0 et p(t ) 6=
k +
h pour tout t 2 R , ainsi
p 0 (t )
= 1.
kp(t ) ° hp 2 (t )
Formellement on a
Z Z
dp 1
= 1 dt =) dp = 1 dt =)
kp ° hp 2 p(k ° hp)
Z Z Z
1 1 1 °h 1 1
dp ° dp = 1 dt =) ln(p) ° ln(k ° hp) = t + c =)
k p k k ° hp k k
µ ∂
p p
ln = kt + kc =) = De kt =)
k ° hp k ° hp
k
p(t ) = 1 .
De kt
+h
2. La valeur numérique de la constante d’intégration D est obtenue grâce à la CI :
kD p0
p 0 = p(0) = =) D= .
1 + hDe 0k k ° hp 0
On peut donc conclure que la population évolue selon la fonction

8
>
> 0 si p 0 = 0,
>
<k
p(t ) = h si p 0 = hk ,
>
> k
>
: k°hp 0 +h sinon.
p 0 e kt
Une simple étude de la fonction p montre que

? si p 0 2 ]0; k/h[ alors p 0 (t ) > 0 et limt !+1 p(t ) = k/h,
? si p 0 2 ]k/h; +1[ alors p 0 (t ) < 0 et limt !+1 p(t ) = k/h.
132 © G. Faccanoni
p
5
4
Exemple avec k = 3, h = 1
3 et différentes valeurs de
p0.
2
0
1 2 3 t
Solution approchée Supposons de ne pas vouloir/pouvoir calculer la fonction p(t ). Grâce à la méthode d’E ULER on
peut estimer le nombre d’indivus à différentes instantes t i en faisant une discrétisation temporelle du futur (i.e.
on construit une suite de valeurs {t i = 0 + i ¢t }i ) et en construisant une suite de valeurs {p i }i où chaque p i est une
approximation de p(t i ). Si on utilise la méthode d’E ULER, cette suite est ainsi construite :
(
p i +1 = p i + ¢t p i (k ° hp i ),
p 0 donné,
qu’on peut réécrire comme (

p i +1 = (1 + k¢t ° h¢t p i )p i ,
p 0 donné.
On veut appliquer cette méthode au cas de la figure précédente, i.e. avec k = 3, h = 1 et les valeurs initiales p 0 = 5 et
p 0 = 2. Si on choisit comme pas temporelle ¢t = 0,15, on obtient les figures suivantes :
ti p(t i ) pi p(t i ) ° p i p
0.00 5.000000 5.000000 0.000000 5
0.15 4.027123 3.500000 0.527123
0.30 3.582637 3.237500 0.345137
4
0.45 3.347079 3.122164 0.224915
0.60 3.212403 3.064952 0.147451
0.75 3.132046 3.035091 0.096956 3
0.90 3.082874 3.019115 0.063759
1.05 3.052319 3.010459 0.041861 2
1.20 3.033151 3.005736 0.027415
1.35 3.021054 3.003150 0.017904 1
1.50 3.013390 3.001731 0.011659
1.65 3.008524 3.000952 0.007573 0
1.80 3.005430 3.000523 0.004907 1 2 3 t
ti p(t i ) pi p(t i ) ° p i p
0.00 2.000000 2.000000 0.000000 5
0.15 2.274771 2.300000 °0.025229
0.30 2.493175 2.541500 °0.048325
4
0.45 2.655760 2.716292 °0.060532
0.60 2.770980 2.831887 °0.060907
0.75 2.849816 2.903298 °0.053483 3
0.90 2.902469 2.945411 °0.042942
1.05 2.937070 2.969529 °0.032459 2
1.20 2.959567 2.983102 °0.023535
1.35 2.974092 2.990663 °0.016571 1
1.50 2.983429 2.994852 °0.011423
1.65 2.989412 2.997164 °0.007752 0
1.80 2.993240 2.998439 °0.005199 1 2 3 t
© G. Faccanoni 133
Exercice 4.13 Méthode de TAYLOR

La méthode de TAYLOR est basé sur la relation
1 00 1 1 (m)
y(x + h) ' y(x) + y 0 (x)h + y (x)h 2 + y 000 (x)h 3 + · · · + y (x)h m
2! 3! m!
Cette relation prédit y(x + h) à partir de y(x), ainsi elle permet d’écrire une formule d’intégration numérique. Le dernier
terme indique l’ordre de la méthode et l’erreur de troncature, due aux termes omis, est
1
E= y (m+1) (ª)h m+1 pour x < ª < x + h,
(m + 1)!
que l’on peut approcher par

h m ° (m) ¢
E' y (x + h) ° y (m) (x) .
(m + 1)!
Considérons le problème de C AUCHY (
y 0 (x) + 4y(x) = x 2 ,
y(0) = 1.
Estimer y(0.1) par la méthode de TAYLOR d’ordre 4 avec un seul pas d’intégration.
C ORRECTION DE L’ EXERCICE 4.13. Le développement de TAYLOR en 0 jusqu’à l’ordre 4 est
1 00 1 1
y(h) ' y(0) + y 0 (0)h + y (0)h 2 + y 000 (0)h 3 + y I V (0)h 4 .
2! 3! 4!
En dérivant l’EDO on trouve
y(0) = 1,
0 2
y (x) = °4y(x) + x , y 0 (0) = °4,
y 00 (x) = °4y 0 (x) + 2x, y 00 (0) = 16,
y 000 (x) = °4y 00 (x) + 2, y 000 (0) = °62,
y I V (x) = °4y 000 (x), y I V (0) = 248.
donc, pour x = 0 et h = 0.1, on obtient
°4 16 °62 248
y(0.1) ' 1 + + + + = 0.6707
10 200 6000 240000
et comme
° ¢ ° ° ¢ ¢ ° ° ° ¢ ¢ ¢
y I V (x + h) = °4y 000 (x) = °4 °4y 00 (x) + 2 = °4 °4y 0 (x) + 2x + 2 = °4 °4 °4y(x) + x 2 + 2x + 2
° ° ° ¢ ¢ ¢
alors y I V (0.1) ' °4 °4 °4 £ 0.6707 + (0.1)2 + 0.2 + 2 = 166.259 et on obtient l’estimation de l’erreur
248 ° I V ¢ 248
E' y (0.1) ° y I V (0) = (166.259 ° 248) = °0.000068.
960000 960000
134 © G. Faccanoni
5. Systèmes linéaires
Résoudre l’ensemble d’équations linéaires Ax = b
Définition Définition : système linéaire

Soit n, p, ∏ 1 des entiers. Un SYSTÈME LINÉAIRE n £ p est un ensemble de n équations linéaires à p inconnues de la forme
8
> a x + ... + a 1p x p = b1 ,
< 11 1
.. .. ..
(S) . . .
>
:
a n1 x 1 + ... + a np x p = bn .
? Les COEFFICIENTS a i j et les SECONDES MEMBRES b i sont des éléments donnés de R. Les INCONNUES x 1 , x 2 , . . . , x p sont
à chercher dans R.
? Le SYSTÈME HOMOGÈNE associé à (S) est le système obtenu en remplaçant les b i par 0.
? Une SOLUTION de (S) est un p-uplet (x 1 , x 2 , . . . , x p ) qui vérifie simultanément les n équations de (S). Résoudre (S)
signifie chercher toutes les solutions.
? Un système est IMPOSSIBLE, ou incompatible, s’il n’admet pas de solution. Un système est POSSIBLE, ou compatible,
s’il admet une ou plusieurs solutions.
? Deux systèmes sont ÉQUIVALENTS s’ils admettent les mêmes solutions.
Écriture matricielle
Si on note
0 1 0 1 0 1
x1 b1 a 11 ... a 1p
B . C B . C B .. .. C
x = @ .. A b = @ .. A A=@ . . A
xp bn a n1 ... a np
le système (S) est équivalent à l’écriture matricielle Ax = b.
Dans ce chapitre, nous ne traiterons que des systèmes linéaires carrés d’ordre n à coefficients réels, autrement dit A =
(a i , j ) 2 Rn£n et b = (b i ) 2 Rn . Dans ce cas, on est assuré de l’existence et de l’unicité de la solution si une des conditions
équivalentes suivantes est remplie :
1. A est inversible (i.e. det(A) 6= 0) ;
2. le système homogène Ax = 0 admet seulement la solution nulle.
La solution du système peut alors être calculée par la formule de C RAMER. Cependant cette formule est d’une utilité pra-
tique limitée à cause du calcul des déterminants qui est très couteux. Pour cette raison, des méthodes numériques alter-
natives aux formules de C RAMER ont été développées. Elles sont dites directes si elles fournissent la solution du système
en un nombre fini d’étapes, itératives si elles nécessitent (théoriquement) un nombre infini d’étapes. Notons dès à présent
que le choix entre une méthode directe et une méthode itérative pour la résolution d’un système dépend non seulement
de l’efficacité théorique des algorithmes, mais aussi du type de matrice, des capacités de stockage en mémoire et enfin de
l’architecture de l’ordinateur.
5.1. Systèmes mal conditionnés

Considérons le système de deux équations à deux inconnues suivant :
(
3.218613x 1 + 6.327917x 2 = 10.546530,
3.141592x 1 + 4.712390x 2 = 7.853982.
Ce système et non singulier et sa solution est donnée par x 1 = x 2 = 1. Considérons maintenant un système d’équations
voisin (le carré indique un changement de décimale) :
(
3.21861 1 x 1 + 6.327917x 2 = 10.546530,
3.14159 4 x 1 + 4.712390x 2 = 7.85398 0 .
135
5. Systèmes linéaires Dimanche 29 septembre 2013
Ce système et non singulier et sa solution est donnée par x 1 = °5, x 2 = 5.

On voit donc que, bien que ces deux systèmes soient voisins, leurs solutions sont très différentes. On parle dans ce cas
de systèmes mal conditionnés. Résoudre un système mal conditionné avec un ordinateur peut être une affaire délicate si
l’ordinateur calcule avec trop peu de chiffres significatifs. Dans l’exemple précédent nous observons que, si l’ordinateur
ne retient que 6 chiffres significatifs, il est complètement inespéré d’obtenir une solution raisonnablement proche de la
solution.
Définition Conditionnement d’une matrice
Le conditionnement d’une matrice A 2 Rn£n non singulière est défini par
K (A) = kAkkA°1 k(∏ 1),
où k·k est une norme matricielle subordonnée. En général, K (A) dépend du choix de la norme ; ceci est signalé en intro-
duisant un indice dans la notation. Par exemple, on a les deux normes matricielles suivantes :
n
X n
X
kAk1 = max |a i j |, kAk1 = max |a i j |.
j =1,...,n i =1 i =1,...,n j =1
Remarque Cas particulier

Si A est symétrique et définie positive a ,
∏max
K 2 (A) = kAk2 kA°1 k2 =
∏min
où ∏max (resp. ∏min ) est la plus grande (resp. petite) valeur propre de A.
a. A 2 Rn£n est
? symétrique si a i j = a j i pour tout i , j = 1, . . . , n,
? définie positive si pour tout vecteurs x 2 Rn avec x 6= 0, xT Ax > 0.
Considérons un système non singulier Ax = b. Si ±b est une perturbation de b et si on résout Ay = b + ±b, on obtient
par linéarité y = x + ±x avec A±x = ±b. La question est de savoir s’il est possible de majorer l’erreur relative k±xk/kxk sur la
solution du système en fonction de l’erreur relative k±bk/kbk commise sur le second membre. Il est possible de démontrer
que
k±xk k±bk
∑ K (A)
kxk kbk
où K (A) est le nombre de conditionnement de la matrice A. On voit alors que plus le conditionnement de la matrice est
grand, plus la solution du système linéaire est sensible aux perturbations des données. Cependant, le fait qu’un système
linéaire soit bien conditionné n’implique pas nécessairement que sa solution soit calculée avec précision. Il faut en plus
utiliser des algorithmes stables. Inversement, le fait d’avoir une matrice avec un grand conditionnement n’empêche pas
nécessairement le système global d’être bien conditionné pour des choix particuliers du second membre.
Si k±bk/kbk est de l’ordre de la précision relative ¥ = 10°p du calculateur, alors k±xk/kxk pourrait, au pire, être égal à
K (A)¥ = 10log10 (K (A)) 10°p = 10log10 (K (A)°p) .
Si on calcul la solution du système linéaire avec un ordinateur à p chiffres significatifs en valeur décimale, on ne pourra pas
garantir à priori plus de
E (p ° log10 (K (A)))
chiffres significatifs sur la solution. Si on applique cette règle au système linéaire de l’exemple, il est facile de vérifier que
K (A) ' 107 , par conséquent nous pouvons perdre jusqu’à 7 chiffres significatifs lors de sa résolution. Il faut donc un ordi-
nateur calculant avec 10 chiffres significatifs pour être sûr d’obtenir les 3 premiers chiffres de la solution.
Exemple
Un exemple bien connu de matrice mal conditionnée est la matrice de H ILBERT d’ordre n définie par a i j = 1/(i + j °1) pour 1 ∑ i , j ∑ n.
Attention
Un système linéaire ne change pas de solution si on change l’ordre des équations. Cependant, l’ordre des équations peut
changer totalement la solution donnée par une méthode numérique !
136 © G. Faccanoni
Dimanche 29 septembre 2013 5. Systèmes linéaires
5.2. Méthode (directe) d’élimination de G AUSS et factorisation LU

Définition Matrices et systèmes triangulaires
On dit qu’une matrice carrée A = (a i j )1∑i , j ∑n est TRIANGULAIRE SUPÉRIEURE (respectivement triangulaire INFÉRIEURE)
si i > j =) a i j = 0 (resp. si i < j =) a i j = 0).
Si la matrice est triangulaire supérieure (resp. triangulaire inférieure), on dira que le système linéaire est un système
triangulaire supérieur (resp. triangulaire inférieur).
Pour résoudre le système triangulaire Ax = b,
b
? si A est une matrice triangulaire inférieure, on a x 1 = a 1 et on déduit les inconnues x 2 , x 3 , . . . x n grâce à la relation
√ ! 11
iP
°1
1
xi = a bi ° ai j x j ;
ii
j =1
bn
? si A est une matrice triangulaire supérieure on a x n = a nn et on déduit les inconnues x n°1 , x n°2 , . . . x 1 grâce à la relation
√ !
n
P
1
xi = a bi ° ai j x j .
ii
j =i +1
Propriété
Le déterminant d’une matrice triangulaire est égal au produit des éléments diagonaux.
La méthode du pivot de G AUSS transforme le système Ax = b en un système équivalent (c’est-à-dire ayant la même
solution) de la forme Ux = y, où U est une matrice triangulaire supérieure et y est un second membre convenablement
modifié. Enfin on résout le système triangulaire Ux = y.
Définition Méthode du pivot de G AUSS
Soit A = (a i j ) 1∑i ∑n la matrice des coefficients du système Ax = b.
1∑ j ∑p
Étape k : en permutant éventuellement deux lignes du système, on peut supposer a kk 6= 0 (appelé pivot de l’étape k). On
transforme toutes les lignes L i avec i > k comme suit :
ik
`
=
ai k
Li √ Li ° Lk .
a kk
En réitérant le procédé pour k de 1 à n, on aboutit à un système triangulaire supérieur.
Exemple
Soit le système linéaire
8
x +2x 2 +3x 3 +4x 4 = 1,
> 1
>
<
2x 1 +3x 2 +4x 3 +x 4 = 2,
>3x +4x 2 +x 3 +2x 4 = 3,
: 1
>
4x 1 +x 2 +2x 3 +3x 4 = 4.
1. Résolution par la méthode du pivot de G AUSS :
8 8
> x 1 +2x 2 +3x 3 +4x 4 = 1 LL 2 √L 2 °2L 1
>x 1 +2x 2 +3x 3 +4x 4 = 1
>
< 3 √L 3 °3L 1 >
<
2x 1 +3x 2 +4x 3 +x 4 = 2 L 4 √L 4 °4L 1 °x 2 °2x 3 °7x 4 = 0
°°°°°°°°°!
>
> 3x 1 +4x 2 +x 3 +2x 4 = 3 >
> °2x 2 °8x 3 °10x 4 = 0
: :
4x 1 +x 2 +2x 3 +3x 4 = 4 °7x 2 °10x 3 °13x 4 = 0
8 8
x +2x 2 +3x 3 +4x 4 = 1 x 1 +2x 2 +3x 3 +4x 4 = 1
> 1
L 3 √L 3 °2L 2 >
<
>
>
<
L 4 √L 4 °7L 2 °x 2 °2x 3 °7x 4 = 0 L 4 √L 4 +L 3 °x 2 °2x 3 °7x 4 = 0
°°°°°°°°°! °°°°°°°°!
>
> °4x 3 +4x 4 = 0 >
> °4x 3 +4x 4 = 0
: :
4x 3 +36x 4 = 0 40x 4 = 0
donc x 4 = 0, x 3 = 0, x 2 = 0 et x 1 = 1.
2. Résolution par la méthode du pivot de G AUSS en écriture matricielle :
0 1 L 2 √L 2 °2L 1 0 1
1 2 3 4 1 L 3 √L 3 °3L 1
1 2 3 4 1
B 2 3 4 1 2 C B 0 °1 °2 °7 0 C
B
[A|b] = @ C °L°4°√L 4 °4L 1
°°°°°°! B C
3 4 1 2 3 A @ 0 °2 °8 °10 0 A
4 1 2 3 4 0 °7 °10 °13 0
© G. Faccanoni 137
0 1 0 1
L 3 √L 3 °2L 2
1 2 3 4 1 1 2 3 4 1
L 4 √L 4 °7L 2 B
B 0 °1 °2 °7 0 C L 4 √L 4 +L 3 B
C 0 °1 °2 °7 0 C
°°°°°°°°°! @ °°°°°°°°! B C
0 0 °4 4 0 A @ 0 0 °4 4 0 A
0 0 4 36 0 0 0 0 40 0
donc x 4 = 0, x 3 = 0, x 2 = 0 et x 1 = 1.
Si on a plusieurs systèmes dont seul le second membre change, il peut être utile de factoriser une fois pour toute la
matrice A et résoudre ensuite des systèmes triangulaires.
Algorithme de factorisation LU sans pivot
Soit le système linéaire Ax = b.
Factorisation On commence par factoriser la matrice A 2 Rn£n sous la forme d’un produit de deux matrices A = LU.
Les termes non nuls de U et les termes non nuls en-dessous de la diagonale principale de L sont mémorisés encore
dans la matrice A et sont ainsi calculées :
for k = 1 to n ° 1 do
for i = k + 1 to n do
ai k
ai k √ {Il s’agit de ì k mémorisé dans a i k }
a kk
for j = k + 1 to n do
ai j √ ai j ° ai k ak j {Il s’agit de u i j mémorisé dans a i j }
end for
end for
end for
Résolution Résoudre le système linéaire revient maintenant à résoudre successivement
1. le système triangulaire inférieur Ly = b : les éléments non nuls de la matrice triangulaire inférieure L sont
donné par ì j = a i j pour i = 1, . . . , n et j = 1, . . . , i ° 1 et ì i = 1 pour tout i = 1, . . . , n, donc l’algorithme
s’écrit
y 1 √ b1
for i = 2 to n do
si √ 0
for j = 1 to i ° 1 do
si √ si + ai j y j
end for
y i √ bi ° si
end for
2. le système triangulaire supérieure Ux = y : les éléments non nuls de la matrice triangulaire supérieure U sont
donné par u i j = a i j pour i = 1, . . . , n et j = i , . . . , n, donc l’algorithme s’écrit
yn
xn √
a nn
for i = n ° 1 to 1 by °1 do
si √ 0
for j = 1 to i ° 1 do
si √ si + ai j y j
end for
y i ° si
xi √
ai i
end for
Attention
Pour une matrice quelconque A 2 Rn£n , la factorisation LU existe et est unique si et seulement si les sous-matrices
principales Ai de A d’ordre i = 1, . . . , n ° 1 (celles que l’on obtient en restreignant A à ses i premières lignes et colonnes)
ne sont pas singulières (autrement dit si les mineurs principaux, i.e. les déterminants des sous-matrices principales, sont
non nuls).
On peut identifier des classes de matrices particulières pour lesquelles les hypothèses de cette proposition sont satis-
faites :
Proposition
Si la matrice A 2 Rn£n est symétrique et définie positive ou si est à diagonale dominante a alors la factorisation LU existe
et est unique.
a. A 2 Rn£n est
? symétrique si a i j = a j i pour tout i , j = 1, . . . , n,
? définie positive si pour tout vecteurs x 2 Rn avec x 6= 0, xT Ax > 0,
138 © G. Faccanoni
Pn
? à diagonale dominante par lignes si |a i i | ∏ |a |, pour i = 1, . . . , n (à diagonale dominante stricte par lignes si l’inégalité est stricte),
j =1 i j
j 6=i
P
? à diagonale dominante par colonnes si |a i i | ∏ nj=1 |a j i |, pour i = 1, . . . , n (à diagonale dominante stricte par colonnes si l’inégalité est stricte),
j 6=i
Une technique qui permet d’effectuer la factorisation LU pour toute matrice A inversible, même quand les hypothèses de
cette proposition ne sont pas vérifiées, est la méthode du pivot par ligne : il suffit d’effectuer une permutation convenable
des lignes de la matrice originale A à chaque étape k où un terme diagonal a kk s’annule.
Définition Algorithme de G AUSS avec pivot
(k)
Dans la méthode d’élimination de G AUSS les pivot a kk doivent être différents de zéro. Si la matrice est inversible mais un
pivot est zéro (ou numériquement proche de zéro), on peut permuter deux lignes avant de poursuivre la factorisation.
Concrètement, à chaque étape on cherche à avoir le pivot de valeur absolue la plus grande possible. L’algorithme modifié
s’écrit alors
for k = 1 to n ° 1 do
for i = k + 1 to n do
Chercher r¯ tel que |a r(k)
¯k
| = maxr =k,...,n |a r(k)
k
| et échanger la ligne k avec la ligne r¯
a i(k)
k
ì k √ (k)
a kk
for j = k + 1 to n do
a i(k+1)
j
√ a i(k)
j
° `(k) a (k)
ik k j
end for
end for
end for
Une fois calculées les matrices L et U et la matrice des permutations P (i.e. la matrice telle que PA = LU), résoudre
le système linéaire consiste simplement à résoudre successivement le système triangulaire inférieur Ly = Pb puis le
système triangulaire supérieure Ux = y.
Propriété Déterminant Qn
La factorisation LU permet de calculer le déterminant de A en O(n 3 ) car det(A) = det(L) det(U) = k=1
u kk .
Propriété Inverse d’une matrice

Le calcul explicite de l’inverse d’une matrice peut être effectué en utilisant la factorisation LU comme suit. En notant X
l’inverse d’une matrice régulière A 2 Rn£n , les vecteurs colonnes de X sont les solutions des systèmes linéaires
Axi = ei , pour i = 1, . . . , n.
En supposant que PA = LU, où P est la matrice de changement de pivot partiel, on doit résoudre 2n systèmes triangu-
laires de la forme
Lyi = Pei , Uxi = yi , pour i = 1, . . . , n.
c’est-à-dire une suite de systèmes linéaires ayant la même matrice mais des seconds membres différents.
Exemple
Soit les systèmes linéaires
0 10 1 0 1 0 10 1 0 1
1 2 3 4 x1 1 1 2 3 4 x1 10
B2 3 4 1C Bx 2 C B2C B2 3 4 1C Bx 2 C B10C
B CB C = B C et B CB C = B C.
@3 4 1 2A @x 3 A @3A @3 4 1 2A @x 3 A @10A
4 1 2 3 x4 4 4 1 2 3 x4 10
1. Résoudre les systèmes linéaires par la méthode du pivot de G AUSS.
2. Factoriser la matrice A (sans utiliser la technique du pivot) et résoudre les systèmes linéaires.
3. Calculer le déterminant de A.
4. Calculer A°1 .
1. Résolution par la méthode du pivot de G AUSS du premier système
0 1 L 2 √L 2 °2L 1 0 1 0 1
1 2 3 4 1 L 3 √L 3 °3L 1
1 2 3 4 1 L 3 √L 3 °2L 2
1 2 3 4 1
B 2 3 4 1 2 C B 0 °1 °2 °7 0 C B 0 °1 °2 °7 0 C
B
[A|b] = @ C °L°4°√L 4 °4L 1
°°°°°°! B C °L°4°√L 4 °7L 2
°°°°°°! B C
3 4 1 2 3 A @ 0 °2 °8 °10 0 A @ 0 0 °4 4 0 A
4 1 2 3 4 0 °7 °10 °13 0 0 0 4 36 0
© G. Faccanoni 139
0 1
1 2 3 4 1
L 4 √L 4 +L 3 B 0 °1 °2 °7 0 C
°°°°°°°°! B @ 0
C
0 °4 4 0 A
0 0 0 40 0
donc
x 4 = 0, x 3 = 0, x 2 = 0, x 1 = 1.
Résolution par la méthode du pivot de G AUSS du second système

0 1 L 2 √L 2 °2L 1 0 1 0 1
1 2 3 4 10 L 3 √L 3 °3L 1
1 2 3 4 10 L 3 √L 3 °2L 2
1 2 3 4 10
B 2 3 4 1 10 C B 0 °1 °2 °7 °10 C B 0 °1 °2 °7 °10 C
B
(A|b) = @ C °L°4°√L 4 °4L 1
°°°°°°! B C °L°4°√L 4 °7L 2
°°°°°°! B C
3 4 1 2 10 A @ 0 °2 °8 °10 °20 A @ 0 0 °4 4 0 A
4 1 2 3 10 0 °7 °10 °13 °30 0 0 4 36 40
0 1
1 2 3 4 10
L 4 √L 4 +L 3 B
B 0 °1 °2 °7 °10 CC
°°°°°°°°! @
0 0 °4 4 0 A
0 0 0 40 40
donc 8
>
> x 1 + 2x 2 + 3x 3 + 4x 4 = 10
>
>
<°x ° 2x ° 7x = °10
2 3 4
=) x 4 = 1, x 3 = 1, x 2 = 1, x 1 = 1.
>°4x 3 + 4x 4 = 0
>
>
>
:
40x 4 = 40
2. Factorisation de la matrice A :
0 1 0 1 0 1 0 1
1 2 3 4 LL 2 √L 2 °2L 1 1 2 3 4 L 3 √L 3 °2L 2
1 2 3 4 1 2 3 4
3 √L 3 °3L 1
B2 3 4 1C L B2 °1 °2 °7 C B2 °1 °2 °7C L B2 °1 °2 °7C
B √L
C °°4°°°° 4 °4L 1
°°°! B C °L°4°√L 4 °7L 2
°°°°°°! B √L
C °°4°°°°
4 +L 3
°°! B C
@3 4 1 2A @3 °2 °8 °10A @3 2 °4 4A @3 2 °4 4A
4 1 2 3 4 °7 °10 °13 4 7 4 36 4 7 °1 40
donc
0 1 0 1
1 0 0 0 1 2 3 4
B2 1 0 0C B0 °1 °2 °7C
L=B
@3
C U=B C
2 1 0A @0 0 °4 4A
4 7 °1 1 0 0 0 40
Pour résoudre le premier système linéaire on résout les systèmes triangulaires Ly = b

0 10 1 0 1
1 0 0 0 y1 1
B2 1 0 0C B y 2 C B2 C
B CB C = B C =) y 1 = 1, y 2 = 0, y 3 = 0, y4 = 0
@3 2 1 0 A @ y 3 A @3 A
4 7 °1 1 y4 4
et Ux = y
0 10 1 0 1
1 2 3 4 x1 1
B0 °1 °2 °7C Bx 2 C B0C
B CB C = B C =) x 4 = 0, x 3 = 0, x 2 = 0, x 1 = 1.
@0 0 °4 4 A @x 3 A @0A
0 0 0 40 x 4 0
Pour résoudre le second système linéaire on résout les systèmes triangulaires Ly = b

0 10 1 0 1
1 0 0 0 y1 10
B2 1 0 0C B C B C
B C B y 2 C = B10C =) y 1 = 10, y 2 = °10, y 3 = 0, y 4 = 40
@3 2 1 0A @ y 3 A @10A
4 7 °1 1 y4 10
et Ux = y
0 10 1 0 1
1 2 3 4 x1 10
B0 °1 °2 °7C Bx 2 C B°10C
C B C B
B = C =) x 4 = 1, x 3 = 1, x 2 = 1, x 1 = 1.
@0 0 °4 4 A @x 3 A @ 0 A
0 0 0 40 x4 40
3. Le déterminant de A est u 11 u 22 u 33 u 44 = 1 £ (°1) £ (°4) £ 40 = 160.
140 © G. Faccanoni
4. Pour calculer A°1 on résout les quatre systèmes linéaires

0 10 1 0 1 0 10 1 0 1 0 1 0 10 1 0 1 0°9 1
1 2 3 4 x1 1 1 0 0 0 y1 1 1 1 2 3 4 x1 1 /40
B2 3 4 C B C B
1C Bx 2 C B0C C B2 1 0 C B C B
0 C B y 2 C B0 C C B °2CC B0 °1 °2 C B C B
°7C Bx 2 C B°2C C B 1/40 C
B = B
i.e. @ = B B
=) @ A puis @ = =) @ 1 C
B
@3 4 1 2A @x 3 A @0A 3 2 1 0 A @ y 3 A @0 A 1 0 0 °4 4 A @x 3 A @ 1 A /40 A
4 1 2 3 x4 0 4 7 °1 1 y4 0 11 0 0 0 40 x 4 11 11
/40
0 10 1 0 1 0 10 1 0 1 0 1 0 10 1 0 1 01 1
1 2 3 4 x1 0 1 0 0 0 y1 0 0 1 2 3 4 x1 0 /40
B2 3 4 1C B C B C B 0C B C B C B C B °7C B C B C B1 C
B C Bx 2 C = B1C i.e. B2 1 0 C B y 2 C = B1C =) B 1 C puis B0 °1 °2 C Bx 2 C = B 1 C =) B /40 C
@3 4 1 2A @x 3 A @0A @3 2 1 0 A @ y 3 A @0 A @°2A @0 0 °4 4 A @x 3 A @°2A @ 11/40 A
4 1 2 3 x4 0 4 7 °1 1 y4 0 °9 0 0 0 40 x 4 °9 °9
/40
0 10 1 0 1 0 10 1 0 1 0 1 0 10 1 0 1 01 1
1 2 3 4 x1 0 1 0 0 0 y1 0 0 1 2 3 4 x1 0 /40
B2 3 4 1C B C B C B 0C B C B C B0 C B °7C B C B C B 11 C
B C Bx 2 C = B0C i.e. B2 1 0 C B y 2 C = B0C =) B C puis B0 °1 °2 C Bx 2 C = B0C =) B /40 C
@3 4 1 2A @x 3 A @1A @3 2 1 0 A @ y 3 A @1 A @1 A @0 0 °4 4 A @ x 3 A @1 A @ ° 9/40A
4 1 2 3 x4 0 4 7 °1 1 y4 0 1 0 0 0 40 x 4 1 1
/40
0 10 1 0 1 0 10 1 0 1 0 1 0 10 1 0 1 0 11 1
1 2 3 4 x1 0 1 0 0 0 y1 0 0 1 2 3 4 x1 0 /40
B2 3 4 1C B C B C B 0C B C B C B C B °7C B C B C B°9 C
B C Bx 2 C = B0C i.e. B2 1 0 C B y 2 C = B0C =) B0C puis B0 °1 °2 C Bx 2 C = B0C =) B /40C
@3 4 1 2A @x 3 A @0A @3 2 1 0 A @ y 3 A @0 A @0 A @0 0 °4 4 A @ x 3 A @0 A @ 1/40 A
4 1 2 3 x4 1 4 7 °1 1 y4 1 1 0 0 0 40 x4 1 1
/40
et finalement 0°9 1 0 1
/40 1
/40 /40
1 11
/40 °9 1 1 11
B1
°1 B /40
1
/40 11
/40 °9
/40CC 1 B1 1 11 °9C
A =@ 1 = B C.
/40 11
/40 °9
/40 1
/40 A 40 @ 11 11 °9 1A
11
/40 °9
/40 1
/40 1
/40 11 °9 1 1
5.3. Méthodes itératives

Une méthode itérative pour le calcul de la solution d’un système linéaire Ax = b avec A 2 Rn£n est une méthode qui
construit une suite de vecteurs x(k) = (x 1(k) , x 2(k) , . . . , x n(k) )T 2 Rn convergent vers le vecteur solution exacte x = (x 1 , x 2 , . . . , x n )T
pour tout vecteur initiale x(0) = (x 1(0) , x 2(0) , . . . , x n(0) )T 2 Rn lorsque k tend vers +1. Dans ces notes on ne verra que deux
méthodes itératives :
? la méthode de J ACOBI ,
? la méthode de G AUSS -S EIDEL .
Définition Méthode de J ACOBI

Soit x0 = (x 10 , x 20 , . . . , x n0 ) un vecteur donné. La méthode de J ACOBI définit la composante x ik+1 du vecteur xk+1 à partir des
composantes x kj du vecteur xk pour j 6= i de la manière suivante :
n
P
bi ° a i j x kj
j =1
j 6=i
x ik+1 = , i = 1, . . . , n
ai i
0 1 0 1
B x 1(k) C B x 1(k+1) C
B C B C
B C B C
B x 2(k) C B x 2(k+1) C
B C B C
B C B C
B .. C B .. C
B . C B . C
B C B C
B C B C
B
B x i(k)
°1
C
C
B
B x i(k+1)
°1
C
C
x(k) = B
B
C
C x(k+1) = B
B
C
C
B x i(k) C B x i(k+1) C
B C B C
B C B C
B
B x i(k)
+1
C
C
B
B x i(k+1)
+1
C
C
B C B C
B .. C B .. C
B . C B . C
B C B C
@ A @ A
x n(k) x n(k+1)
Proposition
Si la matrice A est à diagonale dominante stricte, la méthode de J ACOBI converge.
© G. Faccanoni 141
La méthode de G AUSS -S IDEL est une amélioration de la méthode de J ACOBI dans laquelle les valeurs calculées sont
utilisées au fur et à mesure du calcul et non à l’issue d’une itération comme dans la méthode de J ACOBI.
Définition Méthode de G AUSS -S IDEL
Soit x0 = (x 10 , x 20 , . . . , x n0 ) un vecteur donné. La méthode de G AUSS -S IDEL définit la composante x ik+1 du vecteur xk+1 à
partir des composantes x k+1 j
du vecteur xk+1 pour j < i et des composantes x kj du vecteur xk pour j ∏ i de la manière
suivante :
iP
°1 n
P
bi ° a i j x k+1
j
° a i j x kj
j =1 j =i +1
x ik+1 = , i = 1, . . . , n
ai i
0 1 0 1
B x 1(k) C B x 1(k+1) C
B C B C
B C B C
B x 2(k) C B x 2(k+1) C
B C B C
B C B C
B .. C B .. C
B . C B . C
B C B C
B C B C
B
B x i(k)
°1
C
C
B
B x i(k+1)
°1
C
C
(k) (k+1)
x = BB
C
C x = B
B
C
C
B x i(k) C B x i(k+1) C
B C B C
B C B C
B
B x i(k)
+1
C
C
B
B x i(k+1)
+1
C
C
B C B C
B .. C B .. C
B . C B . C
B C B C
@ A @ A
x n(k) x n(k+1)
Proposition
Si la matrice A est à diagonale dominante stricte ou si elle est symétrique et définie positive, la méthode de G AUSS -S EIDEL
converge.
Algorithmes
Ces algorithmes tentent de résoudre le système d’équations linéaires Ax = b d’inconnue x. La matrice A, de taille n £ n,
doit être inversible et le second membre b doit être de longueur n. Les itérations s’arrêtent quand le rapport entre la
norme du k-ème residu est inférieure ou égale à TOLL, le nombre d’itérations effectuées est alors renvoyé dans iter.
MaxITER est le nombre maximum d’itérations.
J ACOBI G AUSS -S EIDEL

Require: A = (a i j )1∑i , j ∑n , b = (b i )1∑i ∑n , x, MaxITER, TOLL Require: A = (a i j )1∑i , j ∑n , b = (b i )1∑i ∑n , x, MaxITER, TOLL
iter √ 0 iter √ 0
r √ kb ° Axk r √ kb ° Axk
while (r >TOLL & iter<MaxITER) do while (r >TOLL & iter<MaxITER) do
iter √ iter +1 iter √ iter +1
y√x y√x
for i from 1 to n do for i from 1 to n do
s √0 s √0
for j from 1 to i ° 1 do for j from 1 to i ° 1 do
s √ s + ai j y j s √ s + ai j x j
end for end for
for j from i + 1 to n do for j from i + 1 to n do
s √ s + ai j y j s √ s + ai j y j
end for end for
x i √ (b i ° s)/a i i x i √ (b i ° s)/a i i
end for end for
r √ kb ° Axk r √ kb ° Axk
end while end while
Il n’y a pas de résultat général établissant que la méthode de G AUSS -S EIDEL converge toujours plus vite que celle de
J ACOBI. On peut cependant l’affirmer dans certains cas, comme le montre la proposition suivante
Proposition
Soit A une matrice tridiagonale de taille n £ n inversible dont les coefficients diagonaux sont tous non nuls. Alors les
méthodes de J ACOBI et de G AUSS -S EIDEL sont soit toutes les deux convergentes soit toutes les deux divergentes. En cas
142 © G. Faccanoni
de convergence, la méthode de G AUSS -S EIDEL est plus rapide que celle de J ACOBI.
Exemple
Considérons le système linéaire
0 10 1 0 1
4 2 1 x 4
@°1 2 0A @ y A = @2A
2 1 4 z 9
mis sous la forme 8 y z
<x = 1 ° 2 ° 4 ,
>
x
y = 1+ 2 ,
>
: y
z = 94 ° x2 ° 4 .
Soit x(0) = (0, 0, 0) le vecteur initial.

? En calculant les itérées avec la méthode de J ACOBI on trouve
0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
1 ° 02 ° 04 1 ° 12 ° 4/4 1 ° 2/2 ° 4/2 1 ° °2/32 ° 4/32
9 3 3 1 61
1 °1/16 °1/8 5
/128
B C B C B C
x(1) = @ 1 + 02 A = @ 1 A , x(2) = @ 1 + 12 A = @ 3/2 A , x(3) = @ 1 + °2/16 A = @°1/32A , x(4) = @ 1 + °2/8
1 1
A = @ 15/16 A .
9 0 0 9
/4 9 1 1 3
/2 9 °1/16 3
/2 61
/32 9 °1/8 °1/32 265
/128
4°2°4 4°2°4 4° 2 ° 4 4° 2 ° 4
La suite x(k) converge vers (0, 1, 2) la solution du système.

? En calculant les itérées avec la méthode de G AUSS -S EIDEL on trouve
0 1 0 1 0 1 0 1 0 1 0 1
1 ° 02 ° 04 1 ° 2/2 ° 4/8 1 ° °2/32 ° 4/64
3 11 3 61
1 °3/32 9
/1024
(1) B 1 C @ 3/2 A (2) B ° 3
/ C @ 61 A (3) B 9
/ C @ 2047
x = @ 1+ 2 A = , x = @ 1+ 2 32
A= /64 , x =@ 1+ 2 1024
A= /2048 A ,
9 1 3
/2 11
/ 9 °3/32 61
/64 527
/256 9 9
/1024 2047
/2048 16349
/8192
4 ° 2 ° 4
8 ° 4 °
2 4 4 ° 2 ° 4
La suite x(k) converge vers (0, 1, 2) la solution du système.
© G. Faccanoni 143
.............. Exercices .............

Exercice 5.1
Soit le système linéaire
0 10 1 0 1
6 1 1 x1 12
@2 4 0A @ x 2 A = @ 0 A .
1 2 6 x3 6
1. Approcher la solution avec la méthode de J ACOBI avec 3 itérations à partir de x(0) = (2, 2, 2).
2. Approcher la solution avec la méthode de G AUSS -S EIDEL avec 3 itérations à partir de x(0) = (2, 2, 2).
3. Résoudre les systèmes linéaires par la méthode d’élimination de G AUSS.
4. Factoriser la matrice A (sans utiliser la technique du pivot) et résoudre les systèmes linéaires.
1. Méthode de J ACOBI :
0 1 0 12°(1£(°1)+1£0) 1 0 12°(1£ °2 +1£ 10 ) 1
0 1 12°(1£2+1£2) 04 1 0 13 1 3 9 0 52 1
2 6 /3 B 0°(2£ 4 +0£0) C 6 /6 B 6 C /27
(0) (1) B 0°(2£2+0£2) C @ A (2) (3) 0°(2£ 13 10
6 +0£ 9 )
x = @2 A , x =@ 4 A = °1 , x =B @
3
4
C = @°2/3A ,
A x =B
@
C = @°13/12A
A
6°(1£2+2£2) 4
2 0 6°(1£ 43 +2£(°1)) 10
/9 6°(1£ 13 °2 31
/36
6 6 +2£ 3 )
6 6
ainsi 0 1
1.926
x º @°1.083A .
0.861
2. Méthode de G AUSS -S EIDEL :
0 12°(1£2+1£2) 1 0
12°(1£ °2
1 0 12°(1£ 35 +1£ °35 ) 1
0 1 04 1 3 +1£1) 0 35 1 18 36 0 431 1
2 B 0°(2£ 64 +0£2) C /3 6
B 0°(2£ 35 +0£1) C /18 B 6 C /216
(0) (1) B C 2A (2) B C (3) 0°(2£ 431
216 +0£1)
x = @ 2 A , x =@ 3
4
@
A = °3 , x =@ 18
A=
@ °35
/36A , x =B
@
C = @°431/432A
A
4 4
2 6°(1£ 43 +2£ °2
3 ) 1 35 °35
6°(1£ 18 +2£ 36 ) 1 431 °431
6°(1£ 216 +2£ 432 ) 1
6 6 6
ainsi 0 1
1.995
x º @°0.995A .
1
3. Méthode d’élimination de G AUSS :
0 1 L 2 √L 2 ° 26 L 1 0 1 11 0 1
6 1 1 12 6 1 1 12 6 L
L 3 √L 3 ° 11 2 6 1 1 12
L 3 √L 3 ° 16 L 1 11
° 13 11
° 13
3
(A|b) = @ 2 4 0 0 A °°°°°°°°! @ 0 3 °4 A °°°°°°°°°°! @ 0 3 °4 A
11 35
1 2 6 6 0 6 6 4 0 0 6 6
donc 8
<6x 1 + x 2 + x 3 = 12,
>
11 1
3 x 2 ° 3 x 3 = °4
=) x 3 = 1, x 2 = °1, x 1 = 2.
>
:
6x 3 = 6
4. Factorisation de la matrice A :
0 1
0 1 L 2 √L 2 ° 26 L 1 0 1 11
6 1 1 6 1 1 L 3 √L 3 ° 116 L 2 B 62 1 1
L 3 √L 3 ° 16 L 1 11
° 13 C
0A °°°°°°°°! @ 26 11
° 13 A °°°°°°°°°°! B
@2 3 C
4 3 @6 3
11 A
1 11 35 1
1 2 6 6 6 6 6
6
11 6
3
donc
0 1 0 1
1 0 0 6 1 1
L = @ 13 1 0A U = @0 11
3 °31A
1 1
6 2 1 0 0 6
Pour résoudre le système linéaire on résout les systèmes triangulaires Ly = b

0 10 1 0 1
1 0 0 y1 12
@ 1 A @y2A = @ 0 A
3 1 0 =) y 1 = 12, y 2 = °4, y3 = 6
1 1
6 2 1 y 3 6
144 © G. Faccanoni
et Ux = y
0 10 1 0 1
6 1 1 x1 1
11
@0
3 ° 13 A @x 2 A = @°4A =) x 3 = 1, x 2 = °1, x 1 = 2.
0 0 6 x3 6
Exercice 5.2
Soit A une matrice, A 2 Mn,n (R).
1. Rappeler les conditions nécessaires et suffisantes pour l’existence d’une factorisation LU de la matrice A et préciser
les définitions de L et U.
2. On suppose L et U construites (i.e. on dispose de tous les coefficients ì , j et u i , j de L et U), écrire l’algorithme de
résolution de Ax = b, avec b 2 Mn,1 (R) donné.
3. Soit la matrice A suivante : 0 1
3 °1 °1
@°1 3 °1A .
°1 °1 3
Construire à la main les matrices L et U de la factorisation LU.

1. Pour une matrice quelconque A 2 Mn,n (R), la factorisation LU (sans pivot) existe et est unique ssi les sous-matrices
principales Ai de A d’ordre i = 1, . . . , n ° 1 (celles que l’on obtient en restreignant A à ses i premières lignes et co-
lonnes) ne sont pas singulières (autrement dit si les mineurs principaux, i.e. les déterminants des sous-matrices
principales, sont non nuls). On peut identifier des classes de matrices particulières pour lesquelles les hypothèses
de cette proposition sont satisfaites. Mentionnons par exemple : les matrices à diagonale strictement dominante, les
matrices réelles symétriques définies positives. Une technique qui permet d’effectuer la factorisation LU pour toute
matrice A inversible, même quand les hypothèses de cette proposition ne sont pas vérifiées, est la méthode du pivot
par ligne : il suffit d’effectuer une permutation convenable des lignes de la matrice originale A à chaque étape k où
un terme diagonal a kk s’annule.
2. Une fois calculées les matrices L et U, résoudre le système linéaire Ax = b, avec b 2 Mn,1 (R) donné consiste simple-
ment à résoudre successivement
2.1. le système triangulaire inférieur Ly = b par l’algorithme
iX
°1
y 1 = b1 , y i = bi ° ì j y j , i = 2, . . . , n
j =1
2.2. le système triangulaire supérieure Ux = y par l’algorithme

√ !
yn 1 Xn
xn = , xi = yi ° ui j x j , j = n ° 1, . . . , 1
u nn ui i j =i +1
3. Factorisation :
0 1 L 2 √L 2 ° °1
3 L1
0 1 0 1
3 °1 °1 3 °1 °1 L √L ° ° / L 3 4 °1 °1
L 3 √L 3 ° °1
3 L1 3 3 / 2 8
3
@°1 3 °1A °°°°°°°°°! @0 8

/3 °4/3A °°°°°°°°°°! @0
3
8
/3 °4/3A .
°1 °1 3 0 °4/3 8
/3 0 0 2
Par conséquent
0 1 0 1
1 0 0 3 °1 °1
L = @°1/3 1 0A et U = @0 8
/3 °4/3A .
°1/3 °1/2 1 0 0 2
Exercice 5.3
Calculer, lorsqu’il est possible, la factorisation LU des matrices suivantes :
0 1 0 1
1 2 3 1 2 3
A = @2 4 5A , B = @7 8 9A .
7 8 9 2 4 5
Comment peut-on modifier l’algorithme de factorisation pour pouvoir toujours aboutir à une factorisation LU lorsque
la matrice est inversible ?
© G. Faccanoni 145
C ORRECTION DE L’ EXERCICE 5.3. Pour une matrice quelconque A 2 Mn,n (R), la factorisation LU (sans pivot) existe et est
unique ssi les sous-matrices principales Ai de A d’ordre i = 1, . . . , n ° 1 (celles que l’on obtient en restreignant A à ses i
premières lignes et colonnes) ne sont pas singulières (autrement dit si les mineurs principaux, i.e. les déterminants des
sous-matrices principales, sont non nuls).
Matrice A : comme det(A) 6= 0, la matrice A est bien inversible. Puisque det(A1 ) = a 11 = 1 6= 0 mais det(A2 ) = a 11 a 22 °
a12a 21 = 0, on ne peut pas factoriser A sans utiliser la technique du pivot. En effet,
0 1 L 2 √L 2 ° 12 L 1 0 1
1 2 3 1 2 3
L 3 √L 3 ° 71 L 1
A = @2 4 5A °°°°°°°°! @0 0 °1 A
7 8 9 0 °6 °12
La factorisation LU ne peut pas être calculée car à la prochaine étape il faudrait effectuer le changement L 3 √ L 3 ° °6
0 L2.
Matrice B :
0 1 L 2 √L 2 ° 71 L 1 0 1
1 2 3 1 2 3
L 3 √L 3 ° 21 L 1
A2 = @7 8 9A °°°°°°°°! @0 °6 °12A
2 4 5 0 0 °1
La factorisation LU de la matrice B est donc

0 1 0 1
1 0 0 1 2 3
L = @7 1 0A , U = @0 °6 °12A .
2 0 1 0 0 °1
Lorsqu’un pivot est nul, la méthode de G AUSS pour calculer la factorisation LU de la matrice A n’est plus applicable. De
plus, si le pivot n’est pas nul mais très petit, l’algorithme conduit à des erreurs d’arrondi importantes. C’est pourquoi des
algorithmes qui échangent les éléments de façon à avoir le pivot le plus grand possible ont été développés. Les programmes
optimisés intervertissent les lignes à chaque étape de façon à placer en pivot le terme de coefficient le plus élevé : c’est la
méthode du pivot partiel. Pour la matrice A cela aurait donné
0 1 0 1 L 2 √L 2 ° 71 L 1 0 1
1 2 3 1 2 3 1 2 3
L 2 $L 3 L 3 √L 3 ° 21 L 1
@
A= 2 4 5A °°°°°! @7 8 9A °°°°°°°°! @0 °6 °12A .
7 8 9 2 4 5 0 0 °1
Bien évidemment, il faut garder trace de cet échange de lignes pour qu’il puisse être répercuté sur le terme source et sur
l’inconnue lors de la résolution du système linéaire ; ceci est réalisé en introduisant une nouvelle matrice P, dite matrice
pivotale, telle que PA = LU : la résolution du système linéaire Ax = b est donc ramené à la résolution des deux systèmes
triangulaires Ly = Pb et Ux = y. Dans notre exemple cela donne
0 1
1 0 0
P = @0 0 1A
0 1 0
Exercice 5.4
Soit Æ un paramètre réel et soient les matrices AÆ , P et le vecteur b définis par
0 1 0 1 0 1
2 4 1 1 0 0 0
AÆ = @Æ °2 °1A , P = @0 0 1A , b = @°3/2A .
2 3 2 0 1 0 °1
1. À quelle condition sur Æ, la matrice AÆ est inversible ?

2. À quelle condition sur Æ, la matrice AÆ admet-elle une décomposition LU (sans pivot) ?
3. Soit Æ = °1. Calculer, si elle existe, la décomposition LU de la matrice M = PAÆ .
4. Soit Æ = °1. Résoudre le système linéaire Ax = b en résolvant le système linéaire Mx = Pb.

1. La matrice AÆ est inversible si et seulement si det(A) 6= 0. Comme
0 1
2 4 1
det(A) = det @Æ °2 °1A
2 3 2
146 © G. Faccanoni
= (2 £ (°2) £ 2) + (4 £ (°1) £ 2) + (1 £ Æ £ 3) ° (2 £ (°1) £ 3) ° (4 £ Æ £ 2) ° (1 £ (°2) £ 2)

= (°8) + (°8) + (3Æ) ° (°6) ° (8Æ) ° (°4)
= °6 ° 5Æ,
la matrice AÆ est inversible si et seulement si Æ 6= ° 56 .

2. Pour une matrice A carrée d’ordre n quelconque, la factorisation de G AUSS existe et est unique si et seulement si les
sous-matrices principales Ai de A d’ordre i = 1, . . . , n ° 1 (celles que l’on obtient en restreignant A à ses i premières
lignes et colonnes) ne sont pas singulières (autrement dit si les mineurs principaux, i.e. les déterminants des sous-
matrices principales, sont non nuls).
Pour la matrice AÆ on a les sous-matrices principales suivantes :
° ¢
A1 = 2 , det(A1 ) = 2;
µ ∂
2 4
A2 = , det(A2 ) = °4(1 + Æ).
Æ °2
Par conséquent, la matrice AÆ admet une décomposition LU (sans pivot) si et seulement si Æ 6= °1.
3. Si Æ = °1 la matrice AÆ n’admet pas de décomposition LU sans pivot. La matrice P échange les lignes 2 et 3 de la
matrice A et on obtient la matrice
0 10 1 0 1
1 0 0 2 4 1 2 4 1
PA°1 = @0 0 1A @°1 °2 °1A = @ 2 3 2 A.
0 1 0 2 3 2 °1 °2 °1
La matrice M admet une décomposition LU (sans pivot) et l’on a

0 1 0 1
2 4 1 L 2 √L 2 °L°11 2 4 1
L 3 √L 3 ° 2 L 1
@2 3 2 A °°°°°°°°°! @0 °1 1 A
°1 °2 °1 0 0 ° 12
Par conséquent, on obtient la décomposition LU suivante de la matrice M :

0 1 0 1
1 0 0 2 4 1
L=@ 1 1 0A , U = @0 °1 1 A.
° 12 0 1 0 0 ° 12
4. Pour résoudre le système linéaire Mx = Pb il suffit de résoudre les deux systèmes triangulaires suivantes :
? Ly = Pb :
3 1 3
y 1 = 0, y 2 = °1 ° y 1 = °1, y3 = ° + y1 = ° ;
2 2 2
? Ux = y :
°3 19
x3 = (°2) = 3, x 2 = (°1 ° x 3 )/(°1) = 4, x 1 = (0 ° x 2 ° 4x 3 )/2 = ° .
2 2
Exercice 5.5
Considérons les deux matrices carrées d’ordre n > 3 :
0 1 0 1
Æ 0 0 0 ... Ø Ø 0 ... ... 0 0 Æ
B0 Æ 0 0 0 . .. ØC BØ 0 0 0 Æ 0C
B C B C
B .. C B. C
B .. C B. .. C
B0 0 Æ 0 . .C B. 0 . 0C
B C B C
B . .. . .. C B .. .. C
A=B 0 ... ØC B=B . ... .C
B C B C
B. . .. C B. C
B. . . C B. C
B. . 0 ØC B. 0 Æ 0 0 0C
B C B C
@0 0 0 Æ ØA @Ø Æ 0 0 Æ 0A
Ø Ø ... Ø Ø Æ Æ Ø Ø ... Ø Ø
avec Æ et Ø réels non nuls.
1. Vérifier que la factorisation LU de la matrice B ne peut pas être calculée sans utiliser la technique du pivot.
2. Calculer analytiquement le nombre d’opérations nécessaires pour calculer la factorisation LU de la matrice A.
© G. Faccanoni 147
3. Exprimer le déterminant de la matrice A sous forme récursive en fonction des coefficients de la matrice et de sa
dimension n.
4. Sous quelles conditions sur Æ et Ø la matrice A est définie positive ? Dans ce cas, exprimer le conditionnement de
la matrice en fonction des coefficients et de la dimension n.

1. La factorisation LU de la matrice B ne peut pas être calculée sans utiliser la technique du pivot car l’élément pivotale
au deuxième pas est nul. Par exemple, si n = 4, on obtient :
0 1 L 2 √L 2 °L 1 0 1
Ø 0 0 Æ L 3 √L 3 °L 1 Ø 0 0 Æ
Æ B C
B Ø 0 Æ 0C L 4 √L °
4 Ø 1L
B0 0 Æ °Æ C
B(1) = B
@Ø
C °°°°°°°° °! B(2) = B C.
Æ 0 0A @0 Æ 0 °Æ A
2
Æ Ø Ø Ø 0 Ø Ø Ø ° ÆØ
2. La matrice A est une matrice «en flèche» : pour en calculer la factorisation LU il suffit de transformer la dernière
ligne, ce qui requiert le calcul de l’unique multiplicateur `nk = Ø/Æ et l’exécution de n ° 1 produits et sommes. Le
coût globale est donc de l’ordre de n.
3. Le déterminant ±n de la matrice A de dimension n coïncide avec le déterminant de la matrice U. Comme u i i = Æ
pour tout i < n et u nn = Æ ° (n ° 1)Ø2 /Æ, on conclut que
µ ∂
n
Y n°1
Y Ø2 n°1
±n = u i i = u nn · u i i = Æ ° (n ° 1) Æ = Æn ° (n ° 1)Æn°2 Ø2 .
i =1 i =1 Æ
4. Les valeurs propres de la matrice A sont les racines du déterminant de la matrice A ° ∏I. Suivant le même raisonne-
ment du point précédant, ce déterminant s’écrit
(Æ ° ∏)n ° (n ° 1)(Æ ° ∏)n°2 Ø2
dont les racines sont q

∏1,2 = Æ ± (n ° 1)Ø, ∏3 = · · · = ∏n = Æ.
Par conséquent, pour que la matrice A soit définie positive il faut que les valeurs propres soient tous positifs, ce qui
impose
Æ
Æ > 0, |Ø| 
< Æ°Øpn°1 si Ø ∏ 0,
K 2 (A) = p
>
: Æ°Øpn°1 sinon.
Æ+Ø n°1
Exercice 5.6
Donner une condition suffisante sur le coefficient Æ pour avoir convergence des méthodes de J ACOBI et G AUSS -S EIDEL
pour la résolution d’un système linéaire associé à la matrice
0 1
Æ 0 1
A = @0 Æ 0A
1 0 Æ
C ORRECTION DE L’ EXERCICE 5.6. Une condition suffisante pour la convergence des méthodes de J ACOBI et de G AUSS -
P
S EIDEL est que A est à diagonale strictement dominante, i.e. 3i =1 |a i j | < |a i i | pour j = 1, 2, 3. La matrice A vérifie cette
i 6= j
condition si et seulement si |Æ| > 1.
148 © G. Faccanoni
Exercice 5.7
Considérons le système linéaire Ax = b avec
0 1
Æ 0 ∞
A = @0 Æ ØA
0 ± Æ
avec Æ, Ø, ∞ et ± des paramètres réels. Donner des conditions suffisantes sur les coefficients pour avoir
1. convergence de la méthode de J ACOBI
2. convergence de la méthode de G AUSS-S EIDEL.

1. Une condition suffisante pour que la méthode de J ACOBI converge est que la matrice soit à dominance diagonale
stricte, ce qui équivaut à imposer
8
<|Æ| > |∞|,
>
|Æ| > |Ø|,
>
:
|Æ| > |±|,
© ™
c’est-à-dire |Æ| > max |Ø|, |∞|, |±| .
2. La condition précédente est aussi suffisante pour la convergence de la méthode de G AUSS-S EIDEL. Une autre condi-
tion suffisante pour la convergence de cette méthode est que la matrice soit symétrique définie positive. Pour la
symétrie il faut que (
∞ = 0,
Ø = ±,
on obtient ainsi la matrice 0 1
Æ 0 0
A = @0 Æ ØA .
0 Ø Æ
Elle est définie positive si ses valeurs propres sont positifs. On a
∏1 = Æ, ∏2 = Æ ° Ø, ∏3 = Æ + Ø,
donc il faut que Æ > |Ø|.

On note que dans ce cas, lorsque A est symétrique définie positive alors elle est aussi à dominance diagonale stricte.
Exercice 5.8
Écrire les formules de la méthode d’élimination de G AUSS pour une matrice de la forme
0 1
a 1,1 a 1,2 0 ... 0
B .. C
B C
B a 2,1 a 2,2 a 2,3 0 . C
B C
B .. .. .. .. .. C
B . . . . . C
A=B B .
C.
C
B .. .. ..
B . . 0 C C
B . C
B . C
@ . a n°1,n°1 a n°1,n A
a n,1 a n,2 . . . a n,n°1 a n,n
Quelle est la forme finale de la matrice U = A(n) ? Étant donné la forme particulière de la matrice A, indiquer le nombre
minimal d’opérations nécessaire pour calculer U ainsi que celui pour la résolution des systèmes triangulaires finaux.
C ORRECTION DE L’ EXERCICE 5.8. Comme la matrice a une seule sur-diagonale non nulle, les formules de la méthode d’éli-
mination de G AUSS deviennent
a i(k+1)
j
= a i(k)
j
(k)
+ ì k a k, j
, i , j = k + 1,
a i(k)
k
ì k = (k)
, i = k + 1.
a kk
La coût est donc de l’ordre de n et la matrice U est bidiagonale supérieure.
© G. Faccanoni 149
Exercice 5.9
Soit Æ 2 R§ et considérons les matrices carrées de dimension n
0 1 0 Ø ∞ ∞1
Æ 0 . . . °Æ °Æ ... °Æ
B .. .. C B Æ .. .. C
B . C B ∞ . C
B 0 . C B° . C
A=B C , B=B Æ C.
B .. C B .. Ø ∞C
@ . Æ °ÆA @ . ° A
Æ Æ
∞ ∞ ∞
°Æ . . . °Æ °Æ °Æ ... °Æ Æ
1. Calculer ∞ et Ø pour que B soit l’inverse de A.

2. Calculer le conditionnement K 1 (A) en fonction de n et en calculer la limite pour n qui tend vers l’infini.

1. Par définition, B est la matrice inverse de A si AB = BA = I. Comme
0 1
Ø+∞ 0 ... 0
B . C
..
B
0 .. C
.
B C
AB = B
.. C,
B C
@ . Ø+∞ 0 A
°Ø + (n ° 3)∞ . . . °Ø + (n ° 3)∞ (n ° 2)∞
il faut que
8
<Ø + ∞ = 1
>
°Ø + (n ° 3)∞ = 0
>
:
(n ° 2)∞ = 1
ce qui donne
n °3 1
Ø= , ∞= .
n °2 n °2
2. On trouve immédiatement kAk1 = n|Æ| tandis que
1 n n o 2
kA°1 k1 = max n, = .
|Æ| n °2 |Æ|
On conclut que le conditionnement K 1 (A) en fonction de n est
2
K 1 (A) = n|Æ| = 2n.
|Æ|
La matrice est donc mal conditionnée pour n grand.
Exercice 5.10
On suppose que le nombre réel " > 0 est assez petit pour que l’ordinateur arrondisse 1 + " en 1 et 1 + (1/") en 1/" (" est
plus petit que l’erreur machine (relative), par exemple, " = 2°30 en format 32 bits). Simuler la résolution par l’ordinateur
des deux systèmes suivants : ( (
"a + b = 1 2a + b = 0
et
2a + b = 0 "a + b = 1
On appliquera pour cela la méthode du pivot de G AUSS et on donnera les décompositions LU des deux matrices associées
à ces systèmes. On fournira également la solution exacte de ces systèmes. Commenter.

Premier système : µ ∂µ ∂ µ ∂
" 1 a 1
= .
2 1 b 0
Factorisation LU :
µ ∂ µ ∂ µ ∂ µ ∂
" 1 L 2 √L 2 ° 2" L 1 " 1 1 0 " 1
°°°°°°°°! donc L= , U=
2 1 0 1 ° 2" 2
" 1 0 1 ° 2"
150 © G. Faccanoni
Pour résoudre le système linéaire on résout les systèmes triangulaires Ly = b et Ux = y :

µ ∂µ ∂ µ ∂
1 0 y1 1 2
2 = =) y 1 = 1, y2 = ° ;
" 1 y2 0 "
µ ∂µ ∂ µ ∂ 1+ ° 2 ¢
" 1 a 1 2 " 1° 2"
= 2 =) b=° ° ¢, a= .
0 1 ° 2" b °" " 1 ° 2" "
Mais avec l’ordinateur, comme 1 + " º 1 et 1 + (1/") º 1/", on obtient

µ ∂ µ ∂
e = 12 0
L e= "
U
1
" 1 0 ° 2"
e = b et Ux
Pour résoudre ce système linéaire approché on résout les systèmes triangulaires Ly e =y:
µ ∂µ
∂ µ ∂
1 0y1 1 2
2 = =) y 1 = 1, y2 = ° ;
" 1y2 0 "
µ ∂µ ∂ µ ∂
" 1 a 1
= 2 =) b = 1, a = 0.
0 ° 2" b °"
Second système : µ ∂µ ∂ µ ∂
2 1 a 0
= .
" 1 b 1
Factorisation LU :
µ ∂ µ ∂ µ ∂ µ ∂
2 1 L 2 √L 2 ° 2" L 1 2 1 1 0 2 1
°°°°°°°°! donc L= , U=
" 1 0 1 ° 2" "
2 1 0 1 ° 2"
Pour résoudre le système linéaire on résout les systèmes triangulaires Ly = b et Ux = y :

µ ∂µ ∂ µ ∂
1 0 y1 0
" = =) y 1 = 0, y 2 = 1;
2 1 y2 1
µ ∂µ ∂ µ ∂ 1+ ° 2 ¢
2 1 a 0 2 " 1° 2"
= =) b=° ° ¢, a= .
0 1 ° 2" b 1 " 1 ° 2" "
Mais avec l’ordinateur, comme 1 + " º 1 et 1 + (1/") º 1/", on obtient

µ ∂ µ ∂
e = 1" 0
L e= 2
U
1
2 1 0 ° 2"
e = b et Ux
Pour résoudre ce système linéaire approché on résout les systèmes triangulaires Ly e =y:
µ ∂µ ∂ µ ∂
1 0 y1 0
" = =) y 1 = 0, y 2 = 1;
2 1 y2 1
µ ∂µ ∂ µ ∂
2 1 a 0 " "
= =) b=° , a= .
0 ° 2" b 1 2 4
Exercice 5.11
Rappeler l’algorithme vu en cours pour calculer la décomposition LU d’une matrice A et la solution du système Ax = b
où le vecteur colonne b est donné. On appliquera ces algorithmes pour les cas suivants :
0 10 1 0 1 0 10 1 0 1
0 10 1 0 1 1 2 3 4 x1 1 1 1 1 1 x1 1
1 1 1 x1 1 B2
@2 B °5 7 1C B x 2 C B1 C
CB C = B C
B1
B °2 3 4C Bx 2 C B1C
CB C = B C
1 3A @x 2 A = @1A et @3 et
1 1 5 A @ x 3 A @1 A @1 4 6 8A @x 3 A @1A
°3 2 4 x3 1
2 2 0 3 x4 1 1 0 0 0 x4 1
© G. Faccanoni 151

Premier système :
0 1 L 2 √L 2 ° 21 L 1 0 1 0 1
1 1 1 1 1 1 1 1 5 1 1 1 1
L 3 √L 3 ° °3
1 L1 L 3 √L 3 ° °1 L2
@ 2 1 3 1 A °°°°°°°°°! @ 0 °1 1 °1 A °°°°°°°°°! @ 0 °1 1 °1 A
°3 2 4 1 0 5 7 4 0 0 12 °1
donc 0 1 0 1
1 0 0 1 1 1
L=@ 2 1 0A U = @0 °1 1A
°3 °5 1 0 0 12
Il ne reste à résoudre que le système triangulaire
8
<x 1 + x 2 + x 3 = 1
>
1 11 1
°x 2 + x 3 = °1 =) x 3 = ° , x2 = , x1 = .
>
: 12 12 6
12x 3 = °1
Deuxième système :
2
0 1 L 2 √L 2 ° 13 L 1 0 1
1 2 3 4 1 L 3 √L 3 ° 1 L 1 1 2 3 4 1
B 2 °5 7 1 1 C L √L ° 2 L 1 B 0 °9 1 °7 °1 C
B C °°4°°°4°°1°! B C
@ 3 1 1 5 1 A @ 0 °5 °8 °7 °2 A
2 2 0 3 1 0 °2 °6 °5 °1
0 1 0 1
°5
L 3 √L 3 ° °9 L 2 1 2 3 4 1 1 2 3 4 1
L 4 √L 4 ° °2 B
°9 L 2 B 0 °9 1 °7 °1 C L √L ° 56/9 L B 0 °9 1 °7 °1 C
°°°°°°°°°! @ C 4 4 77/9 2 B
13 A °°°°°°°°°°! @
C
0 0 ° 77
9 ° 28
9 °9 0 0 ° 77
9 ° 28
9 ° 13
9
A
0 0 ° 56
9 ° 31
9 ° 79 0 0 0 ° 13
11
3
11
donc 0 1 0 1
1 0 0 0 1 2 3 4
B2 1 0 0C B0 °9 1 °7 C
B
L=@ 5
C B
U=@ C
3 9 1 0A 0 0 ° 77
9 ° 28
9
A
2 56 13
2 9 77 1 0 0 0 ° 11
8
>
> x 1 + 2x 2 + 3x 3 + 4x 4 = 1
>
>
<°9x + x ° 7x = °1 3 23 29 48
2 3 4
=) x 4 = ° , x3 = , x2 = , x1 = .
>
>
> ° 77 28 13
9 x3 ° 9 x4 = ° 9
13 91 91 91
>
: 13 3
° 11 x 4 = 11
Troisième système :
0 1 L √L °L 0 1
1 1 1 1 1 2 2 1 1 1 1 1 1
L 3 √L 3 °L 1
B 1 °2 3 4 1 C L √L °L B 0 °3 2 3 °0 C
B C °°4°°°4°°! 1 B C
@ 1 4 6 8 1 A @ 0 3 5 7 0 A
1 0 0 0 1 0 °1 °1 °1 0
0 1 0 1
L 3 √L 3 °(°1)L 2 1 1 1 1 1 1 1 1 1 1
L 4 √L 4 ° °3 L 2 B 0 °3
°1
2 3 °0 C L 4 √L 4 ° 7 L 2 B
°5/3
0 °3 2 3 °0 C
°°°°°°°°°°! B @ 0 0
C °° °°°°°°°°! B C
7 10 0 A @ 0 0 7 10 0 A
0 0 ° 53 °2 0 0 0 0 8
21 0
donc 0 1 0 1
1 0 0 0 1 1 1 1
B1 1 0 0C B0 °3 2 3C
L=B
@1
C U=B C
°1 1 0A @0 0 7 10A
1 °5 8
1 3 21 1 0 0 0 21
8
>x 1 + x 2 + x 3 + x 4 = 1
>
>
>
<°3x + 2x + 3x = 0
2 3 4
=) x 4 = 0, x 3 = 0, x 2 = 0, x 1 = 1.
>
> 7x 3 + 10x 4 = 0
>
>
:8
21 x 4 = 0
152 © G. Faccanoni
Exercice 5.12
Écrire les méthodes itératives de G AUSS, J ACOBI et G AUSS -S EIDEL pour les systèmes suivants :
( (
10a + b = 11 2a + 10b = 12
et
2a + 10b = 12 10a + b = 11.
Pour chacun de ces méthodes et systèmes, on illustrera les résultats théoriques de convergence/non-convergence en
calculant les 3 premières itérés en prenant comme point de départ le vecteur (a, b) = (0, 0).

Gauss ? Premier système :
µ ∂ µ ∂ ( (
2
10 1 11 L 2 √L 2 ° 10 L1 10 1 11 10a + b = 11 a =1
°°°°°°°°°! 49 49 =) 49 49
=)
2 10 12 0 5 5 5 b = 5 b = 1.
? Second système :
µ ∂ µ ∂ ( (
2 10 12 L 2 √L 2 ° 10
2 L1 2 10 12 2a + 10b = 12 a =1
°°°°°°°°°! =) =)
10 1 11 0 °49 °49 °49b = °49 b = 1.
Jacobi ? Premier système : ( (

11°b
10a + b = 11 a= 10
() 12°2a
2a + 10b = 12 b= 10
La matrice étant à diagonale dominante stricte, la méthode converge et on a

0 1 0 1
µ ∂ µ 11°0 ∂ µ11 ∂ 11° 12
10
µ49 ∂ 11° 49
50
µ501 ∂
(0) 0 (1) /10 (2) /50 (3) /500
x = , x = 12°010 = 12 , x = @ 12°2 10 A =
11 , x = @ 10 A =
12°2 49
.
0 10
/10 10
49
/50 50
502
/500
10 10
? Second système : ( (
12°10b
2a + 10b = 12 a= 2
()
10a + b = 11 b = 11 ° 10a
La méthode ne converge pas, en effet on a
µ ∂ µ 12°0 ∂ ∂ µ µ µ
12°10£11 ∂ ∂ µ 12°10£(°49) µ ∂ ∂
(0) 0 (1) 2
6 (2) 2
°49 (3) 2
251
x = , x = = , x = = , x = = .
0 11 ° 0 11 11 ° 10 £ 6 °49 11 ° 10 £ (°49) 501
Gauss-Seidel ? Premier système : ( (

11°b
10a + b = 11 a= 10
() 12°2a
2a + 10b = 12 b= 10
La matrice étant à diagonale dominante stricte, la méthode converge et on a

√ 11°0 ! µ ∂ 0 1 0 1
µ ∂ 11° 49
50
µ 501 ∂ 11° 2499
2500
µ 25001 ∂
(0) 0 (1) 10
11
/10 (2) @ 10 A /500 (3) @ 10 A /25000
x = , x = 12°2 11 = 49 , x = 12°2 501 = 2499 , x = 12°2 25001 = 12499 .
0 10 /50 500 /2500 25000 /125000
10 10 10
? Second système : ( (
12°10b
2a + 10b = 12 a= 2
()
10a + b = 11 b = 11 ° 10a
La méthode ne converge pas, en effet on a
µ ∂ µ 12°0 ∂ µ ∂ µ 12°10£(°49) ∂ µ ∂ µ 12°10£(°2499) ∂ µ ∂
0 6 251 12501
x(0) = , x(1) = 2 = , x(2) = 2 = , x(3) = 2 = .
0 11 ° 10 £ 6 °49 11 ° 10 £ 251 °2499 11 ° 10 £ (12501) °124999
© G. Faccanoni 153
Exercice 5.13
Résoudre les systèmes linéaires suivants :
8 8 8
<x ° 5y ° 7z = 3
> <x ° 5y ° 7z = 6
> <x ° 5y ° 7z = 0
>
2x ° 13y ° 18z = 3 et 2x ° 13y ° 18z = 0 et 2x ° 13y ° 18z = 3
>
: >
: >
:
3x ° 27y ° 36z = 3 3x ° 27y ° 36z = °3 3x ° 27y ° 36z = 6.
C ORRECTION DE L’ EXERCICE 5.13. Le trois systèmes s’écrivent sous forme matricielle

0 10 1 0 1 0 10 1 0 1 0 10 1 0 1
1 °5 °7 x 3 1 °5 °7 x 6 1 °5 °7 x 0
@2 °13 °18A @ y A = @3A et @2 °13 °18A @ y A = @ 0 A et @2 °13 °18A @ y A = @3A
3 °27 °36 z 3 3 °27 °36 z °3 3 °27 °36 z 6
On remarque que seul le terme source change. On calcul d’abord la décomposition LU de la matrice A :
0 1 0 1 0 1
1 °5 °7 L 2 √L 2 °2L 1 1 °5 °7 1 °5 °7
L 3 √L 3 °3L 1 L 3 √L 3 °4L 2
@2 °13 °18A °°°°°°°°! @0 °3 °4 A °°°°°°°°! @0 °3 °4A
3 °27 °36 0 °12 °15 0 0 1
donc
0 1 0 1
1 0 0 1 °5 °7
L = @2 1 0A U = @0 °3 °4A
3 4 1 0 0 1
Pour résoudre chaque système linéaire on résout les systèmes triangulaires Ly = b et Ux = y.

1. Pour le premier système on a
0 10 1 0 1
1 0 0 y1 3
@2 1 0A @ y 2 A = @3A =) y 1 = 3, y 2 = °3, y 3 = 6;
3 4 1 y3 3
0 10 1 0 1
1 °5 °7 x 1 3
@0 °3 °4A @x 2 A = @°3A =) x 3 = 6, x 2 = °7, x 1 = 10.
0 0 1 x3 6
2. Pour le seconde système on a

0 10 1 0 1
1 0 0 y1 6
@2 1 0A @ y 2 A = @ 0 A =) y 1 = 6, y 2 = °12, y 3 = 27;
3 4 1 y3 °3
0 10 1 0 1
1 °5 °7 x 1 6
@0 °3 °4A @x 2 A = @°12A =) x 3 = 27, x 2 = °32, x 1 = 35.
0 0 1 x3 27
3. Pour le dernier système on a

0 10 1 0 1
1 0 0 y1 0
@2 1 0A @ y 2 A = @3A =) y 1 = 0, y 2 = 3, y 3 = °6;
3 4 1 y3 6
0 10 1 0 1
1 °5 °7 x 1 6
@0 °3 °4A @x 2 A = @°12A =) x 3 = °6, x 2 = 7, x 1 = °7.
0 0 1 x3 27
Exercice 5.14
Soit A une matrice, A 2 Mn,n (R).
1. Rappeler la méthode de J ACOBI pour la résolution du système Ax = b, avec b 2 Mn,1 (R) donné.
154 © G. Faccanoni
2. Soit la matrice A suivante : 0 1

4 °1 °1
@°1 3 °1A .
°1 °1 4
La méthode de J ACOBI est-elle convergente pour cette matrice ?
3. Construire à la main les matrices L et U de la factorisation LU pour la matrice ci-dessus.

1. La méthode de J ACOBI est une méthode itérative pour le calcul de la solution d’un système linéaire qui construit une
suite de vecteurs x(k) 2 Rn convergent vers la solution exacte x pour tout vecteur initiale x(0) 2 Rn :
n
P
bi ° a i j x kj
j =1
j 6=i
x ik+1 = , i = 1, . . . , n.
ai i
2. Comme |4| > | ° 1| + | ° 1|, |3| > | ° 1| + | ° 1| et |4| > | ° 1| + | ° 1|, la matrice A est à diagonale dominante stricte donc la
méthode de J ACOBI converge
3. Factorisation :
0 1 L 2 √L 2 ° °1
4 L1
0 1 0 1
4 °1 °1 4 °1 °1 L √L ° ° / L 4
5 °1 °1
L 3 √L 3 ° °1
4 L1 3 3 / 2 11
4
@°1 3 °1A °°°°°°°°°! @0 11

/4 °5/4A °°°°°°°°°°! @0
4
11
/4 °5/4A .
°1 °1 4 0 °5/4 15
/4 0 0 35
/11
Par conséquent
0 1 0 1
1 0 0 4 °1 °1
L = @°1/4 1 0A et U = @0 11
/4 °5/4A .
°1/4 °5/11 1 0 0 35
/11
Exercice 5.15
Soit la matrice A 2 Rn£n , n ∏ 3, dont les éléments vérifient
? a i j = 1 si i = j ou i = n,
? a i j = °1 si i < j ,
? a i j = 0 sinon.
Calculer la factorisation LU de A.
C ORRECTION DE L’ EXERCICE 5.15. Factorisation LU de la matrice A :
0 1 0 1 0 1
1 °1 . . . . . . . . . °1 1 °1 . . . . . . . . . °1 1 °1 ... ... ... °1
B .. .. C B .. .. C B .. .. C
B0 1 . . C C B . C B . . C
B B0 1 . C B0 1 C
B. . . C B. . . C B .. C
B. .. . .. .. C 1
L √L n ° 1 L 1 B . .. . .. .. C L n √L n ° 1 L 2 B ..
2 .. .. C
B. 1 C °°n°°°° °°°! B B . 1 C B. . 1 . . C
B C C °°°°°°°°°! B C
B .. .. .. .. .. C B .. .. .. .. .. C B .. .. .. .. .. C
B.
B . . . . C
C
B.
B . . . . C C
B.
B . . . . C
C
@0 . . . . . . 0 1 °1 A @ 0 ... ... 0 1 °1 A @0 ... ... 0 1 °1A
1 1 1 ... 1 1 0 2 2 ... 2 2 0 0 4 ... 4 4
0 1
1 °1 . . . . . . . . . °1
B .. .. C
B0 1 . . C
B C
B .. C
L n √L n ° 2 1 L n°1 B .. .. ..
n°2
. . C
[. . . ] °°°°°°°°°°°°°! B . 1 . C.
B C
B .. .. .. .. .. C
B.
B . . . . CC
@0 . . . . . . 0 1 °1 A
0 0 0 . . . 0 2n°1
On obtient les matrices
0 1 0 1
1 0 ... ... ... 0 1 °1 ... ... ... °1
B .. .. C B .. .. C
B0 1 . .C B0 1 . . C
B C B C
B .. .. C B .. .. C
B . C B . C
L=B 0 0 1 .C et U=B0 0 1 . C.
B C B C
B .. .. .. .. .. .. C B .. .. .. .. .. C
B.
B . . . . .CC
B.
B . . . °1 . C
C
@0 0 ... 0 1 0A @0 0 ... 0 1 °1 A
1 2 4 ... 2n°2 1 0 0 0 ... 0 2n°1
© G. Faccanoni 155
c’est-à-dire
? ì i = 1 pour i = 1, . . . , n, ? u i j = a i j pour i=1,. . .,n-1, j=1,. . .,n,
? ì j = 0 si i < n et i 6= j , ? u n j = 0 si j < n,
? `n j = 2 j °1 si j < n ; ? u nn = 2n°1 .
Exercice 5.16
Considérons une matrice A 2 Rn£n (avec n ∏ 3) dont les éléments vérifient
? a i j = 1 si i = j ou j = n,
? a i j = °1 si i > j ,
? a i j = 0 sinon.
Calculer la factorisation LU de A.
C ORRECTION DE L’ EXERCICE 5.16. Factorisation LU de la matrice A :

0 1 0 1 0 1
1 0 ... ... 0 1 1 0 ... ... 0 1 1 0 ... ... 0 1
B .. .. .. C B .. .. C B .. .. C
B . C L 2 √L 2 +L 1 B . C L √L +L B . C
B°1 1 . .C B0 1 . 2C 3 3 2 B0 1 . 2C
B C . B C . B C
B .. .. .. .. .. C .. B .. .. .. .. C .. B .. .. .. C
B . . 1 . . .C B . .C B . 4C
B C °°°°°°°°! B . °1
L n √L n +L 1 1 . C °°°°°°°°! B .
L n √L n +L 2 0 1 . C
B . .. .. C
.. C B. .. .. .. C
.. C B. .. .. .. C
B .. . . 0 .C B .. . . . 0 .C B .. . °1 . 0 .C
B B B C
B . C B. .. C B. .. .. C
B . .. C B. .. C B. .. C
@ . . 1 1A @. . . 1 2A @. . . . 1 4A
°1 ... ... ... °1 1 0 °1 ... ... °1 2 0 0 °1 ... °1 4
0 0
1
1 0 ... ... 0 2
B .. .. C
B C
B0 1 . . 21 C
B C
B .. . . .. .. 2 C
C
L n √L n +L n°1 B . . 1 . . 2 C
[. . . ] °°°°°°°°°! B B.
B .. .. .. .. C
B . . 0 . C C
B. C
B. .. n°2 C
@. . 1 2 A
0 ... ... ... 0 2n°1
On obtient les matrices

0 1 0 1
1 0 ... ... ... 0 1 0 ... ... 0 20
B .. .. C B .. .. C
B C B C
B°1 1 . .C B0 1 . . 21 C
B C B C
B .. .. .. .. C B .. .. .. .. C
2 C
B . . 1 . .C B. . 1 . . 2 C
L=B
B .
C et U=B .
B .. .. .. .. .. C B.
B .. .. .. .. C
B . . . .CC B . . 0 . CC
B . C B. C
B . .. C B. .. n°2 C
@ . . 1 0A @. . 1 2 A
°1 ... ... ... °1 1 0 ... ... ... 0 2n°1
i.e.
? ì i = 1 pour i = 1, . . . , n, , ? u i i = 1 pour i = 1, . . . , n ° 1,
? ì j = °1 si i > j ? u i n = 2i °1 pour i = 1, . . . , n,
? ì j = 0 sinon ; ? u i j = 0 sinon.
Exercice 5.17
On considère la matrice tridiagonale inversible A 2 Rn£n
0 1
a1 c1 0 ... ... 0
B .. .. C
B . C
Bb 2 a 2 c 2 . C
B C
B .. .. .. C
B 0 b3 a3 . . . C
A=B B .
C
C
B .. .. .. .. ..
B . . . . 0 C C
B . C
B . .. C
@ . . b n°1 a n°1 c n°1 A
0 ... ... 0 bn an
156 © G. Faccanoni
1. Montrer que les matrices L et U de la factorisation LU de A sont bidiagonales, i.e. si a i j = 0 pour |i ° j | > 1 alors
ì j = 0 pour i > 1 + j (et pour i < j car triangulaire inférieure) et u i j = 0 pour i < j ° 1 (et pour i > j car triangulaire
supérieure).
Soit A(k) , k = 0, . . . , n ° 1 la matrice obtenue à l’étape k de la méthode de G AUSS, avec A(0) = A et A(n°1) = U. On
montrera par récurrence sur k que A(k) est tridiagonale pour tout k = 0, . . . , n ° 1, i.e. a i(k)
j
= 0 pour |i ° j | > 1.
Initialisation : pour k = 0, A(0) = A est une matrice tridiagonale.

Hérédité : soit A(k) une matrice tridiagonale (i.e. ai(k)
j
= 0 pour |i ° j | > 1) et montrons que A(k+1) l’est aussi.
? Si i ∑ k, que valent-ils les coefficients a i(k+1)
j
?
? Si i > k alors on va considérer séparément les cas suivants :
(k+1)
? si j ∑ k, que valent-ils les coefficients a ?
ij
? si j > k et j k et j > i + 1, que valent-ils les coefficients a k(k)j et `(k)
ik
? Que peut-on déduire sur les coefficients
a i(k+1)
j
?
NB : Justifier succinctement chaque réponse !
2. On a montré au point précédent que les matrices L et U de la factorisation LU de A sont bidiagonales, écrivons-les
sous la forme
0 1 0 1
1 0 ... ... ... 0 Æ1 ∞1 0 . . . ... 0
B .. .. C B .. .. C
B . C B . C
BØ 2 1 .C B 0 Æ2 ∞2 . C
B C B C
B .. .. C B .. .. .. .. .. .. C
B 0 Ø3 1 . . C B . . . . . . C
L=BB .
C,
C U=B B
C.
C
B .. .. .. .. .. .
.. C .
B .. .. .. .. C
B . . . . C B . . . 0 C
B . C B . C
B . .. C B . .. C
@ . . Øn°1 1 0A @ . . Æn°1 ∞n°1 A
0 ... ... 0 Øn 1 0 ... ... ... 0 Æn
Calculer (Æ1 , Æ2 , . . . , Æn ), (Ø2 , Ø3 , . . . , Øn ) et (∞1 , ∞2 , . . . , ∞n°1 ) en fonction de (a 1 , a 2 , . . . , a n ), (b 2 , b 3 , . . . , b n ) et

(c 1 , c 2 , . . . , c n°1 ). En déduire un algorithme de factorisation.
3. À l’aide des formules trouvées au point précédent, écrire l’algorithme pour résoudre le système linéaire Ax = f où
f = ( f 1 , f 2 , . . . , f n )T 2 Rn .

1. Soit A(k) , k = 0, . . . , n ° 1 la matrice obtenue à l’étape k de la méthode de G AUSS, avec A(0) = A et A(n°1) = U. On
montrera par récurrence sur k que A(k) est tridiagonale, i.e. a i(k) j
= 0 pour |i ° j | > 1.
Initialisation : pour k = 0, A(0) = A qui est une matrice tridiagonale.

Hérédité : soit A(k) une matrice tridiagonale (i.e. ai(k)
j
= 0 pour |i ° j | > 1) et montrons que A(k+1) l’est aussi.
? Si i ∑ k alors a i(k+1)
j
= a i(k)
j
= 0 (les lignes L 1 , . . . , L k de la matrice A(k) ne sont pas modifiées à l’étape k).
? Soit i > k, alors les lignes L k+1 , . . . , L n de la matrice A(k) vont être modifiées selon la relation)
a i(k)
k
a i(k+1)
j
= a i(k)
j
° (k)
a k(k)j .
a kk
Pour chaque ligne i > k, considérons séparément les colonnes j ∑ k et les colonnes j > k :
(k+1)
? si j ∑ k, a = 0 (zéros qu’on fait apparaitre avec la méthode de G AUSS pour une matrice quelconque),
ij
? soit j > k :
(k)
? si j k alors a
ij
= 0 et i > j +1 > k +1, c’est-à-dire i °k > 1 et donc a i(k)
k
= 0 et `(k)
ik
= 0.
Donc a i(k+1)
j
= 0.
? si j > i + 1, comme i , j > k alors a i(k)
j
= 0 et j > i + 1 > k + 1, c’est-à-dire j ° k > 1 et donc a k(k)j = 0. Donc
a i(k+1)
j
= 0.
2. Les coefficients (Æ1 , Æ2 , . . . , Æn ), (Ø2 , Ø3 , . . . , Øn ) et (∞1 , ∞2 , . . . , ∞n°1 ) se calculent en imposant l’égalité LU = A. L’algo-
rithme se déduit en parcourant les étapes de la méthode de G AUSS :
© G. Faccanoni 157
0 1 0 1
a1 c1 0 ... ... 0 Æ1 = a 1 ∞1 = c 1 0 ... ... 0
B .. .. C B .. C
..
B . C B . C
Bb 2 a2 c2 . C B 0 Æ2 = a 2 ° Ø2 c 1 ∞2 = c 2 .
C
B C B C
B .. .. .. C B .. .. ..
C
B0 b3 a3 . . . C L 2 √L 2 °Ø2 L 1 (1) B 0 b3 a3 . . C.
A(0) = B
B .
C °°°°°°°°°! A = B
C B
C
C
B .. .. .. .. .. b .. .. .. .. ..
B . . . . 0 CC Ø2 = a 2
1
B
B . . . . . 0 CC
B . C B .. C
B . .. C B .. C
@ . . b n°1 a n°1 c n°1 A @ . .
b n°1 a n°1 c n°1 A
0 ... ... 0 bn an 0 ... ... 0 bn an
0 1
Æ1 = a 1 ∞1 = c 1 0 ... ... 0
B .. .. C
B . C
B 0 Æ2 = a 2 ° Ø2 c 1 ∞2 = c 2 . C
B C
B .. .. .. C
L 3 √L 3 °Ø3 L 2 B 0 0 Æ3 = a 3 ° Ø c
3 2 . . . C L 4 √L 4 °Ø4 L 3
°°°°°°°°°! A(2) = B B
C °°°°°°°°°! [· · · ]
C
b3
B .
.. . .. . .. . .. . .. b
Ø3 = Æ
2 B 0 C C Ø4 = Æ4
3
B .. C
B .. C
@ . . b n°1 a n°1 c n°1 A
0 ... ... 0 bn an
0 1
Æ1 = a 1 ∞1 = c 1 0 ... ... 0
B .. .. C
B . C
B 0 Æ2 = a 2 ° Ø2 c 1 ∞2 = c 2 . C
B C
B .. .. .. C
L n √L n °Øn L n°1 (n°1)
B 0 0 Æ 3 = a 3 ° Ø 3 c 2 . . . C
[· · · ] °°°°°°°°°°°! A =BB C
. . . . . C
Øn = Æ
bn
B .
. . . . . . . . . 0 C
n B C
B . C
B . .. C
@ . . 0 Æn°1 = a n°1 ° Øn°1 c n°2 ∞n°1 = c n°1 A
0 ... ... 0 0 Æn = a n ° Øn c n°1
Donc ∞i = c i pour i = 1, . . . , n, Æ1 = a 1 et on définie par récurrence

( bi
Øi = Æi °1
pour i = 2, . . . , n.
Æi = a i ° Øi c i °1
3. La résolution du système linéaire Ax = f se ramène à la résolution des deux systèmes linéaires Ly = f et Ux = y, pour
lesquels on obtient les formules suivantes :
( (
y1 = f1, y1 = f1,
i.e. b
y i = f i ° Øi y i °1 , pour i = 2, . . . , n, y i = f i ° a °Øi c y i °1 , pour i = 2, . . . , n;
i i i °1
8
yn
( >
> x = ,
xn =
yn < n Æn
Æn , y °c x
y i °∞i x i +1 i.e. x i = a i °Øi ci +1 , pour i = n ° 1, . . . , 2,
xi = , pour i = n ° 1, . . . , 1, >
> i i i °1
Æi :x = y i °ci x2 .
1 a1
Exercice 5.18
Soit les systèmes linéaires
8
<4x 1 + 3x 2 + 3x 3 = 10
>
3x 1 + 4x 2 + 3x 3 = 10 (5.1)
>
:
3x 1 + 3x 2 + 4x 3 = 10
8
<4x 1 + x 2 + x 3 = 6
>
x 1 + 4x 2 + x 3 = 6 (5.2)
>
:
x 1 + x 2 + 4x 3 = 6
1. Rappeler une condition suffisante de convergence pour les méthodes de J ACOBI et de G AUSS-S EIDEL. Rappeler
une autre condition suffisante de convergence pour la méthode de G AUSS -S EIDEL (mais non pour la méthode de
J ACOBI). Les systèmes (5.1) et (5.2) vérifient-ils ces conditions ?
2. Écrire les méthodes de J ACOBI et de G AUSS -S EIDEL pour ces deux systèmes linéaires.
3. On illustrera les résultats théoriques de convergence/non-convergence de ces deux schémas en prenant comme
point de départ le vecteur (x 1 , x 2 , x 3 ) = (0, 0, 0) et en calculant les 3 premiers itérés :
3.1. avec la méthode de J ACOBI pour le système (5.1),
158 © G. Faccanoni
3.2. avec la méthode de G AUSS -S EIDEL pour le système (5.1),

3.3. avec la méthode de J ACOBI pour le système (5.2),
3.4. avec la méthode de G AUSS -S EIDEL pour le système (5.2).
4. On comparera le résultat obtenu avec la solution exacte (qu’on calculera à l’aide de la méthode d’élimination de
G AUSS).
C ORRECTION DE L’ EXERCICE 5.18. Écrivons les deux systèmes sous forme matricielle Ax = b :
0 10 1 0 1 0 10 1 0 1
4 3 3 x1 10 4 1 1 x1 6
@3 4 3A @x 2 A = @10A et @1 4 1A @x 2 A = @6A
3 3 4 x3 10 1 1 4 x3 6
| {z } | {z }
A1 A2
1. Rappelons deux propriétés de convergence :

? Si la matrice A est à diagonale dominante stricte, les méthodes de J ACOBI et de G AUSS -S EIDEL convergent.
? Si la matrice A est symétrique et définie positive, la méthode de G AUSS -S EIDEL converge.
Comme 4 > 1 + 1, la matrice A2 est à diagonale dominante stricte : les méthodes de J ACOBI et de G AUSS -S EIDEL
convergent.
Comme 4 < 3 + 3, la matrice A1 n’est pas à diagonale dominante stricte : les méthodes de J ACOBI et de G AUSS -S EIDEL
peuvent ne pas converger. Cependant elle est symétrique et définie positive (car les valeurs propres 1 sont ∏1 = ∏2 = 1
et ∏3 = 10) : la méthode de G AUSS -S EIDEL converge.
2. Pour les systèmes donnés les méthodes de J ACOBI et G AUSS -S EIDEL s’écrivent
A1 x = b A2 x = b
0 1 0 1 0 1 0 1
(k+1) (k) (k) (k+1) (k) (k)
x
B 1 C B 10 ° 3x 2 ° 3x 3 C x
B 1 C B 6 ° x 2 ° x 3 C
B C B C B C B C
B (k+1) C 1 B C B (k+1) C 1 B C
J ACOBI Bx C = 4 B10 ° 3x ° 3x (k) C
(k) Bx C = 4 B6 ° x ° x (k) C
(k)
B 2 C B 1 3 C B 2 C B 1 3 C
@ A @ A @ A @ A
x 3(k+1) 10 ° 3x 1(k) ° 3x 2(k) x 3(k+1) 6 ° x 1(k) ° x 2(k)
0 1 0 1 0 1 0 1
(k+1) (k) (k) (k+1) (k) (k)
Bx 1 C B 10 ° 3x 2 ° 3x 3 C Bx 1 C B 6 ° x2 ° x3 C
B C B C B C B C
B (k+1) C 1 B C B (k+1) C 1 B C
Gauss-S EIDEL Bx C = 4 B 10 ° 3x (k+1) ° 3x (k) C Bx C = 4 B 6 ° x (k+1) ° x (k) C
B 2 C B 1 3 C B 2 C B 1 3 C
@ A @ A @ A @ A
(k+1) (k+1) (k+1) (k+1) (k+1) (k+1)
x3 10 ° 3x 1 ° 3x 2 x3 6 ° x1 ° x2
3. On obtient les suites suivantes

3.1. J ACOBI pour le système (5.1) :
0 1(0) 0 1 0 1(1) 0 1 0 1
5
x1 0 x1 10 ° 3 £ 0 ° 3 £ 0
B C B C B C 1B C B2C
Bx C = B0C =) Bx C = B10 ° 3 £ 0 ° 3 £ 0C = B 5 C
@ 2A @ A @ 2A 4 @ A @2A
5
x3 0 x3 10 ° 3 £ 0 ° 3 £ 0 2
0 1(2) 0 1 0 1 0 1(3) 0 1 0 1
x1 10 ° 3 £ 2 ° 3 £ 52
5
° 54 x1 10 ° 3 £ °5
4 °3£ 4
°5 35
B C 1B C B C B C 1B C B8C
=) B C B 5 5C B 5C B C B °5 °5 C B 35 C
@x 2 A = 4 @10 ° 3 £ 2 ° 3 £ 2 A = @° 4 A =) @x 2 A = 4 @10 ° 3 £ 4 ° 3 £ 4 A = @ 8 A
x3 10 ° 3 £ 52 ° 3 £ 52 ° 54 x3 10 ° 3 £ °5
4 °3£ 4
°5 35
8
3.2. G AUSS -S EIDEL pour le système (5.1) :

0 1(0) 0 1 0 1(1) 0 1 0 1
5
x1 0 x1 10 ° 3 £ 0 ° 3 £ 0
Bx C = B0C =) Bx C = B 10 ° 3 £ 5 ° 3 £ 0 C = B 5 C
@ 2A @ A @ 2A 4 @ 2 A @8A
5 5 5
x3 0 x3 10 ° 3 £ 2 ° 3 £ 8 32
0 1(2) 0 1 0 1 0 1(3) 0 1
x1 10 ° 3 £ 58 ° 3 £ 32
5 245
128 x1 12485
8192
B C 1B C B C B C B C
=) B C B 245 5 C B 485 C B C B 35765 C
@x 2 A = 4 @ 10 ° 3 £ 128 ° 3 £ 32 A = @ 512 A =) @x 2 A = @ 32768 A
x3 10 ° 3 £ 245 485
128 ° 3 £ 512
725
2048 x3 70565
131072
1. det A1 (∏) = (4 ° ∏)3 + 27 + 27 ° 9(4 ° ∏) ° 9(4 ° ∏) ° 9(4 ° ∏) = 64 ° 48∏ + 12∏2 ° ∏3 + 54 ° 108 + 27∏ = °∏3 + 12∏2 ° 21∏ + 10. Une racine évidente est
∏ = 1 et on obtient det A1 (∏) = (∏ ° 1)(°∏2 + 11∏ ° 10) = (∏ ° 1)2 (∏ ° 10).
© G. Faccanoni 159
3.3. J ACOBI pour le système (5.2) :
0 1(0) 0 1 0 1(1) 0 1 0 1
3
x1 0 x1 6°1£0°1£0
Bx C = B0C =) Bx C = B6 ° 1 £ 0 ° 1 £ 0C = B 3 C
@ 2A @ A @ 2A 4 @ A @2A
3
x3 0 x3 6°1£0°1£0 2
0 1(2) 0 1 0 1 0 1(3) 0 1 0 1
x1 6 ° 1 £ 32 ° 1 £ 32 3
4 x1 6 ° 1 £ 34 ° 1 £ 34 9
B C 1B C B C B C 1B C B8C
=) B C B 3 3C B3C B C B 3 3C B9C
@x 2 A = 4 @6 ° 1 £ 2 ° 1 £ 2 A = @ 4 A =) @x 2 A = 4 @6 ° 1 £ 4 ° 1 £ 4 A = @ 8 A
x3 6 ° 1 £ 32 ° 1 £ 32 3
4 x3 6 ° 1 £ 34 ° 1 £ 34 9
8
3.4. G AUSS -S EIDEL pour le système (5.2) :
0 1(0) 0 1 0 1(1) 0 10 1
3
x1 0 x1 6°1£0°1£0
B C B C B C 1B CB 2 C
Bx C = B0C =) Bx C = B 6 ° 1 £ 3 ° 1 £ 0 C B 9 C
@ 2A @ A @ 2A 4 @ 2 A@ 8 A
x3 0 x3 6 ° 1 £ 32 ° 1 £ 89 27
32
0 1(2) 0 1 0 1 0 1(3) 0 1 0 1
9 27 129
x1 6 ° 1 £ 8 ° 1 £ 32 128 x1 6 ° 1 £ 531 2025
512 ° 1 £ 2048
8139
8192
B C 1B C B C B C 1B C B C
=) B C B 129 27 C B 531 C B C B 8139 2025 C B 32913 C
@x 2 A = 4 @ 6 ° 1 £ 128 ° 1 £ 32 A = @ 512 A =) @x 2 A = 4 @ 6 ° 1 £ 8192 ° 1 £ 2048 A = @ 32768 A
x3 6 ° 1 £ 129 531
128 ° 1 £ 512
2025
2048 x3 6 ° 1 £ 8139 32913
8192 ° 1 £ 32768
131139
131072
4. Calcul de la solution exacte à l’aide de la méthode d’élimination de G AUSS :

? Système (5.1) :
0 1 L 2 √L 2 ° 34 L 1 0 1 0 1 0 1
4 3 3 10 4 3 3 10 4 3 3 10 1
L 3 √L 3 ° 34 L 1 L 3 √L 3 ° 3/4
7/4 L2
@ 3 4 3 10 A °°°°°°°°! @ 0 7
/4 3
/4 5
/2 A °°°°°°°°°°! @ 0 7
/4 3
/4 5
/2 A =) x = @1A
3 3 4 10 0 3
/4 7
/4 5
/2 0 0 10
/7 10
/7 1
? Système (5.2) :
0 1 L 2 √L 2 ° 14 L 1 0 1 0 1 0 1
4 1 1 6 4 1 1 6 3/4 4 1 1 6 1
L 3 √L 3 ° 14 L 1 L 3 √L 3 ° 15/4 L2
@ 1 4 1 6 A °°°°°°°°! @ 0 15
/4 3
/4 9
/2 A °°°°°°°°°°! @ 0 15
/4 3
/4 9
/2 A =) x = @1A
1 1 4 6 0 3
/4 15
/4 9
/2 0 0 18
/5 18
/5 1
160 © G. Faccanoni
A. Python : guide de survie pour les TP
Le but de ce chapitre est de fournir suffisamment d’informations pour pouvoir tester les mé-
thodes numériques vues dans ce polycopié. Il n’est ni un manuel de Python ni une initia-
tion à la programmation. On suppose que vous avez déjà des notions de programmation et
de manipulation de fichier.
Python est un langage développé dans les années 1 980 (le nom est dérivé de la série télévisée britannique des Monty
Python’s Flying Circus). Il est disponible pour tous les principaux systèmes d’exploitation (Linux, Unix, Windows, Mac OS,
etc.). Un programme écrit sur un système fonctionne sans modification sur tous les systèmes. Les programmes Python ne
sont pas compilés en code machine, mais sont gérés par un interpréteur. Le grand avantage d’un langage interprété est que
les programmes peuvent être testés et mis au point rapidement, ce qui permet à l’utilisateur de se concentrer davantage sur
les principes sous-jacents du programme et moins sur la programmation elle-même. Cependant, un programme Python
peut être exécuté uniquement sur les ordinateurs qui ont installé l’interpréteur Python.
A.1. Obtenir Python et son éditeur I DLE

Pour installer Python il suffit de télécharger la version 2.6 qui correspond au système d’exploitation (Windows ou Mac) à
l’adresse www.python.org. Pour ceux qui est des systèmes Linux, il est très probable que Python est déjà installé.
Si on n’a jamais programmé, le plus simple pour exécuter les instructions Python est d’utiliser des environnements spé-
cialisés comme I DLE ou I DLE X (ou encore S PYDER). Ces environnements se composent d’une fenêtre appelée indifférem-
ment console, shell ou terminal Python.
A.1.1. Utilisation de base d’Idle

Pour commencer on va démarrer Python en lançant I DLE :
? sous Windows : menu «Démarrer» ! programme «Python» ! «I DLE »
? sous Ubuntu : menu «Applications» ! menu «Programmation» ! «I DLE »
? sous Mac/Linux : ouvrir un terminal/console et taper idle-python2.6
Une nouvelle fenêtre va s’ouvrir, c’est la fenêtre principale d’I DLE appelée la fenêtre de l’INTERPRÉTEUR :
L’INTERPRÉTEUR permet d’entrer directement des commandes et dès qu’on écrit une commande, Python l’exécute et ren-
voie instantanément le résultat. L’invite de commande se compose de trois chevrons (>>>) et représente le prompt : cette
marque visuelle indique que Python est prêt à lire une commande. Il suffit de saisir à la suite une instruction puis d’appuyer
sur la touche «Entrée». Pour commencer, comme le veux la tradition informatique, on va demander à Python d’afficher les
fameux mots «Hello world» :
161
A. Python : guide de survie pour les TP Dimanche 29 septembre 2013
La console Python fonctionne comme une simple calculatrice : on peut saisir une expression dont la valeur est renvoyée
dès qu’on presse la touche «Entrée». Si on observe l’image suivante, on voit le résultat affiché après l’entrée de commandes
supplémentaires.
Pour naviguer dans l’historique des instructions saisies dans l’INTERPRÉTEUR on peut utiliser les raccourcis Alt+p (p comme
previous) et Alt+n (n comme next). 1
Si on ferme Python et qu’on le relance, comment faire en sorte que l’ordinateur se souvienne de ce que nous avons tapé ?
On ne peut pas sauvegarder directement ce qui se trouve dans la fenêtre de l’interpréteur, parce que cela comprendrait à la
fois les commandes tapées et les réponses du système. Il faut alors avoir un fichier avec uniquement les commandes qu’on
a tapées et sauver le tout comme un document. Ainsi plus tard on pourra ouvrir ce fichier et lancer Python sans avoir à
retaper toutes les commandes. Tout d’abord, commençons par un support propre en ouvrant une nouvelle fenêtre.
Voici ce que cela donne :
1. Il ne s’agit pas, pour l’instant, de s’occuper des règles exactes de programmation, mais seulement d’expérimenter le fait d’entrer des commandes
dans Python.
162 © G. Faccanoni
Dimanche 29 septembre 2013 A. Python : guide de survie pour les TP
On voit qu’il n’y a rien dans cette nouvelle fenêtre (pas d’en-tête comme dans l’INTERPRÉTEUR). Ce qui veut dire que ce
fichier est uniquement pour les commandes : Python n’interviendra pas avec ses réponses lorsque on écrira le programme
et ce tant que on ne le lui demandera pas. On appellera cela la fenêtre de P ROGRAMME, pour la différencier de la fenêtre de
l’INTERPRÉTEUR. En fait, ce qu’on veut faire, c’était de sauver les quelques instructions qu’on a essayées dans l’interpréteur.
Alors faisons-le soit en tapant soit en copiant-collant ces commandes dans la fenêtre P ROGRAMME :
On note qu’on s’est débarrassés du prompt de Python (>>>). Sauvons maintenant le fichier : la commande «Save» (Sauver)
se trouve dans le menu «File» (Fichier) ou utiliser le raccourcis Ctrl+S :
Ayant sauvé le programme, pour le faire tourner et afficher les résultats dans la fenêtre de l’INTERPRÉTEUR il suffit d’utiliser
la commande «Run script» (lancer le script) dans le menu «Run» de la fenêtre P ROGRAMME ou appuyer sur la touche «F5»
Si on a fait une faute de frappe, Python le remarque et demande de corriger. Il est souvent assez pertinent pour diriger vers
le problème et dans le cas ci-dessous il dit qu’on a oublié quelque chose à la fin de la ligne : il faut remplacer " par ’.
Cette faute de frappe étant corrigée, on fait tourner le programme et on regarde le résultat dans l’INTERPRÉTEUR :
© G. Faccanoni 163
Maintenant qu’on a sauvé le programme, on est capable de le recharger : on va tout fermer et relancer I DLE. La commande
«Open» (Ouvrir) se trouve dans le menu «File» (Fichier). Si tout se passe bien, on va avoir une nouvelle fenêtre P ROGRAMME
avec l’ancien programme.
A.2. Notions de base de Python

Indentation Le corps d’un bloc de code (boucles, sous-routines, etc.) est défini par son indentation : l’indentation est
une partie intégrante de la syntaxe de Python.
Commentaires Le symbole dièse (#) indique le début d’un commentaire : tous les caractères entre # et la fin de la ligne
sont ignorés par l’interpréteur.
Variables et affectation Dans la plupart des langages informatiques, le nom d’une variable représente une valeur d’un
type donné stockée dans un emplacement de mémoire fixe. La valeur peut être modifiée, mais pas le type. Ce n’est pas le
cas en Python, où les variables sont typées dynamiquement. La session interactive suivante avec l’INTERPRÉTEUR Python
illustre ce propos (>>> est le prompt) :
1 >>> b = 2 # b is an integer
2 >>> print(b)
3 2
4 >>> b = b*2.0 # b is a float
5 >>> print(b)
6 4.0
L’affectation b = 2 crée une association entre le nom b et le nombre entier 2. La déclaration suivante b*2.0 évalue l’ex-
pression et associe le résultat à b ; l’association d’origine avec l’entier 2 est détruite. Maintenant b se réfère à la valeur en
virgule flottante 4.0. Il faut bien prendre garde au fait que l’instruction d’affectation (=) n’a pas la même signification que
le symbole d’égalité (=) en mathématiques (ceci explique pourquoi l’affectation de 3 à x, qu’en Python s’écrit x = 3, en
algorithmique se note souvent x √ 3). On peut aussi effectuer des affectations parallèles :
1 >>> a, b = 128, 256
2 >>> print(a)
3 128
4 >>> print(b)
5 256
ATTENTION. Python est sensible à la casse. Ainsi, les noms n et N représentent différents objets. Les noms de variables
peuvent être non seulement des lettres, mais aussi des mots ; ils peuvent contenir des chiffres (à condition toutefois de ne pas
commencer par un chiffre), ainsi que certains caractères spéciaux comme le tiret bas «_» (appelé underscore en anglais).
164 © G. Faccanoni
Chaîne de caractères (Strings) Une chaîne de caractères est une séquence de caractères entre guillemets (simples ou
doubles). Les chaînes de caractères sont concaténées avec l’opérateur plus (+), tandis que l’opérateur (:) est utilisé pour
extraire une portion de la chaîne. Voici un exemple :
1 >>> string1 = ’Press return to exit’
2 >>> string2 = ’the program’
3 >>> print string1 + ’ ’ + string2 # Concatenation
4 Press return to exit the program
5 >>> print string1[0:12] # Slicing
6 Press return
Une chaîne de caractères est un objet immuable, i.e. ses caractères ne peuvent pas être modifiés par une affectation, et sa
longueur est fixe. Si on essaye de modifier un caractère d’une chaîne de caractères, Python renvoie une erreur comme dans
l’exemple suivant :
1 >>> s = ’Press return to exit’
2 >>> s[0] = ’p’
3 Traceback (most recent call last):
4 File "<stdin>", line 1, in <module>
5 TypeError: ’str’ object does not support item assignment
Listes Une liste est une suite d’objets, rangés dans un certain ordre. Chaque objet est séparé par une virgule et la suite
est encadrée par des crochets. Une liste n’est pas forcement homogène : elle peut contenir des objets de types différents les
uns des autres. La première manipulation que l’on a besoin d’effectuer sur une liste, c’est d’en extraire et/ou modifier un
élément : la syntaxe est ListName[index]. Voici un exemple :
1 >>> fraise = [12, 10, 18, 7, 15, 3] # Create a list
2 >>> print fraise
3 [12, 10, 18, 7, 15, 3]
4 >>> fraise[2]
5 18
6 >>> fraise[1] = 11
7 >>> print fraise
8 [12, 11, 18, 7, 15, 3]
ATTENTION. En Python, les éléments d’une liste sont indexés à partir de 0 et non de 1.
Si on tente d’extraire un élément avec un index dépassant la taille de la liste, Python renvoi un message d’erreur :
1 >>> fraise[0], fraise[1], fraise[2], fraise[3], fraise[4], fraise[5]
2 (12, 11, 18, 7, 15, 3)
3 >>> fraise[6]
5 File "<pyshell#4>", line 1, in <module>
6 fraise[6]
7 IndexError: list index out of range
On peut extraire une sous-liste en déclarant l’indice de début (inclus) et l’indice de fin (exclu), séparés par deux-points :
ListName[i:j], ou encore une sous-liste en déclarant l’indice de début (inclus), l’indice de fin (exclu) et le pas, séparés
par des deux-points : ListName[i:j:k]. Cette opération est connue sous le nom de slicing (en anglais). Un petit dessin et
quelques exemples permettrons de bien comprendre cette opération fort utile :
len(fraise)
0 1 2 3 4 5 6
fraise= 12 11 18 7 15 3
-6 -5 -4 -3 -2 -1
1 >>> fraise[2:4]
2 [18, 7]
3 >>> fraise[2:]
© G. Faccanoni 165
4 [18, 7, 15, 3]
5 >>> fraise[:2]
6 [12, 11]
7 >>> fraise[:]
8 [12, 11, 18, 7, 15, 3]
9 >>> fraise[2:5]
10 [18, 7, 15]
11 >>> fraise[2:6]
12 [18, 7, 15, 3]
13 >>> fraise[2:7]
14 [18, 7, 15, 3]
15 >>> fraise[2:6:2]
16 [18, 15]
17 >>> fraise[-2:-4]
18 []
19 >>> fraise[-4:-2]
20 [18, 7]
21 >>> fraise[-1]
22 3
À noter que lorsqu’on utilise des tranches, les dépassements d’indices sont licites.
Voici quelques opérations et méthodes très courantes associées aux listes :
a.append(x) ajoute l’élément x en fin de la liste a

a.extend(L) ajoute les éléments de la liste L en fin de la liste a, équivaut à a + L
a.insert(i,x) ajoute l’élément x en position i de la liste a, équivaut à a[i:i]=x
a.remove(x) supprime la première occurrence de l’élément x dans la liste a
a.pop([i]) supprime l’élément d’indice i dans la liste a et le renvoi
a.index(x) renvoie l’indice de la première occurrence de l’élément x dans la liste a
a.count(x) renvoie le nombre d’occurrence de l’élément x dans la liste a
a.sort(x) modifie la liste a en la triant
a.reverse(x) modifie la liste a en inversant les éléments
len(a) renvoie le nombre d’éléments de la liste a
x in a renvoi True si la liste a contient l’élément x, True sinon
x not in a renvoi True si la liste a ne contient pas l’élément x, True sinon
max(a) renvoi le plus grand élément de la liste a
min(a) renvoi le plus petit élément de la liste a
1 >>> a = [2, 37, 20, 83, -79, 21] # Create a list

2 >>> print a
3 [2, 37, 20, 83, -79, 21]
4 >>> a.append(100) # Append 100 to list
5 >>> print a
6 [2, 37, 20, 83, -79, 21, 100]
7 >>> L = [17, 34, 21]
8 >>> a.extend(L)
9 >>> print a
10 [2, 37, 20, 83, -79, 21, 100, 17, 34, 21]
11 >>> a.count(21)
12 2
13 >>> a.remove(21)
14 >>> print a
15 [2, 37, 20, 83, -79, 100, 17, 34, 21]
16 >>> a.count(21)
17 1
18 >>> a.pop(4)
19 -79
20 >>> print a
21 [2, 37, 20, 83, 100, 17, 34, 21]
22 >>> a.index(100)
23 4
24 >>> a.reverse()
25 >>> print a
26 [21, 34, 17, 100, 83, 20, 37, 2]
166 © G. Faccanoni
27 >>> a.sort()
28 >>> print a
29 [2, 17, 20, 21, 34, 37, 83, 100]
30 >>> len(a) # Determine length of list
31 8
32 >>> a.insert(2,7) # Insert 7 in position 2
33 >>> print a
34 [2, 17, 7, 20, 21, 34, 37, 83, 100]
35 >>> a[0] = 21 # Modify selected element
36 >>> print a
37 [21, 17, 7, 20, 21, 34, 37, 83, 100]
38 >>> a[2:4] = [-2,-5,-1978] # Modify selected elements
39 >>> print a
40 [21, 17, -2, -5, -1978, 21, 34, 37, 83, 100]
ATTENTION. Si a est une liste, la commande b=a ne crée pas un nouvel objet b mais simplement une référence (pointeur)
vers a. Ainsi, tout changement effectué sur b sera répercuté sur a aussi ! Pour créer une copie c de la liste a qui soit vraiment
indépendante on utilisera la commande deepcopy du module copy comme dans l’exemple suivant :
1 >>> import copy
2 >>> a = [1.0, 2.0, 3.0]
3 >>> b = a # ’b’ is an alias of ’a’
4 >>> b[0] = 5.0 # Change ’b’
5 >>> print a # The change is reflected in ’a’
6 [5.0, 2.0, 3.0]
7 >>> print b
8 [5.0, 2.0, 3.0]
9 >>> a = [1.0, 2.0, 3.0]
10 >>> c = copy.deepcopy(a) # ’c’ is an independent copy of ’a’
11 >>> c[0] = 5.0 # Change ’c’
12 >>> print a # ’a’ is not affected by the change
13 [1.0, 2.0, 3.0]
14 >>> print c
15 [5.0, 2.0, 3.0]
Qu’est-ce qui se passe lorsque on copie une liste a avec la commande b=a ? En effet, une liste fonctionne comme un carnet
d’adresses qui contient les emplacements en mémoire des différents éléments de la liste. Lorsque on écrit b=a on dit que b
contient les mêmes adresses que a (on dit que les deux listes «pointent» vers le même objet). Ainsi, lorsqu’on modifie la valeur
de l’objet, la modification sera visible depuis les deux alias.
Matrices Les matrices peuvent être représentées comme des listes imbriquées : chaque ligne est un élément d’une liste.
Par exemple, le code
1 >>> a = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
définit a comme la matrice 3 £ 3 0 1

1 2 3
@4 5 6A .
7 8 9
La commande len (comme length) renvoie la longueur d’une liste. On obtient donc le nombre de ligne de la matrice avec
len(a) et son nombre de colonnes avec len(a[0]). En effet,
1 >>> print a
2 [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3 >>> print a[1] # Print second row (element 1)
4 [4, 5, 6]
5 >>> print a[1][2] # Print third element of second row
6 6
7 >>> print len(a)
8 3
9 >>> print len(a[0])
10 3
© G. Faccanoni 167
ATTENTION. Dans Python les indices commences à zéro, ainsi a[0] indique la première ligne, a[1] la deuxième etc.
0 1
a 00 a 01 a 02 ...
Ba 10 a 11 a 12 . . .C
A=@ A
.. .. .. ..
. . . .
Fonction range La fonction range crée un itérateur. Au lieu de créer et garder en mémoire une liste d’entiers, cette
fonction génère les entiers au fur et à mesure des besoins :
? range(n) renvoi un itérateur parcourant 0, 1, 2, . . . , n ° 1 ;
? range(n,m) renvoi un itérateur parcourant n, n + 1, n + 2, . . . , m ° 1 ;
? range(n,m,p) renvoi un itérateur parcourant n, n + p, n + 2p, . . . , m ° 1.
1 >>> range(10)
2 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
3 >>> range(0)
4 []
5 >>> range(1)
6 [0]
7 >>> range(3,7)
8 [3, 4, 5, 6]
9 >>> range(0,20,5)
10 [0, 5, 10, 15]
11 >>> range(0,20,-5)
12 []
13 >>> range(0,-20,-5)
14 [0, -5, -10, -15]
15 >>> range(20,0,-5)
16 [20, 15, 10, 5]
Instruction print Pour afficher à l’écran des objets on utilise la commande print object1, object2, ... qui conver-
tis object1, object2 en chaînes de caractères et les affiche sur la même ligne séparés par des espace. Le retour à la ligne
peut être forcé par le caractère \n, la tabulation par le caractère \t :
1 >>> a = 12345,6789
2 >>> b = [2, 4, 6, 8]
3 >>> print a,b
4 (12345, 6789) [2, 4, 6, 8]
5 >>> print "a=", a, "\nb=", b
6 a= (12345, 6789)
7 b= [2, 4, 6, 8]
8 >>> print "a=", a, "\tb=", b
9 a= (12345, 6789) °°!b= [2, 4, 6, 8]
Pour mettre en colonne des nombres on pourra utiliser l’opérateur % : la commande print ’%format1, %format2,...
Â’%(n1,n2,...) affiche les nombres n1,n2,... selon les règles %format1, %format2,.... Typiquement on utilise
wd pour un entier
w.d f pour un nombre en notation floating point
w.d e pour un nombre en notation scientifique
où w est la largeur du champ total, d le nombre de chiffres après la virgule. Voici quelques exemples :
1 >>> a = 1234.56789
2 >>> n = 9876
3 >>> print ’%7.2f’ %a
4 1234.57
5 >>> print ’n = %6d’ %n
6 n = 9876
7 >>> print ’n = %06d’ %n
8 n = 009876
9 >>> print ’%12.4e %6d’ %(a,n)
10 1.2346e+03 9876
168 © G. Faccanoni
Opérations arithmétiques Dans Python on a les opérations arithmétiques usuelles :

+ Addition
- Soustraction
* Multiplication
/ Division
** Exponentiation
// Quotient de la division euclidienne
% Reste de la division euclidienne
Quelques exemples :
1 >>> a = 100
2 >>> b = 17
3 >>> c = a-b
4 >>> a = 2
5 >>> c = b+a
6 >>> a,b,c
7 (2, 17, 19)
8 >>> a = 3
9 >>> b = 4
10 >>> c = a
11 >>> a = b
12 >>> b = c
13 >>> a, b, c
14 (4, 3, 3)
Certains de ces opérations sont aussi définies pour les chaînes de caractères et les listes comme dans l’exemple suivant :
1 >>> s = ’Hello ’
2 >>> t = ’to you’
3 >>> a = [1, 2, 3]
4 >>> print 3*s # Repetition
5 Hello Hello Hello
6 >>> print 3*a # Repetition
7 [1, 2, 3, 1, 2, 3, 1, 2, 3]
8 >>> print a + [4, 5] # Append elements
9 [1, 2, 3, 4, 5]
10 >>> print s + t # Concatenation
11 Hello to you
12 >>> print 3 + s # This addition makes no sense
14 File "<stdin>", line 1, in <module>
15 TypeError: unsupported operand type(s) for +: ’int’ and ’str’
Il existe aussi les opérateurs augmentés :
On écrit Équivaut à
a += b a = a + b
a -= b a = a - b
a *= b a = a*b
a /= b a = a/b
a **= b a = a**b
a %= b a = a%b
Opérateurs de comparaison et connecteurs logiques Les opérateurs de comparaison renvoient True si la condition
est vérifiée, False sinon. Ces opérateurs sont
On écrit Ça signifie
< <
> >
<= ∑
>= ∏
== =
!= 6=
in 2
© G. Faccanoni 169
ATTENTION. Bien distinguer l’instruction d’affectation = du symbole de comparaison ==.
Pour combiner des conditions complexes (par exemple x > °2 et x 2 < 5), on peut combiner des variables booléennes en
utilisant les connecteurs logiques :
On écrit Ça signifie
and et
or ou
not non
Deux nombres de type différents (entier, à virgule flottante, etc.) sont convertis en un type commun avant de faire la com-
paraison. Dans tous les autres cas, deux objets de type différents sont considérés non égaux. Voici quelques exemples :
1 >>> a = 2 # Integer
2 >>> b = 1.99 # Floating
3 >>> c = ’2’ # String
4 >>> print a>b
5 True
6 >>> print a==c
7 False
8 >>> print (a>b) and (a==c)
9 False
10 >>> print (a>b) or (a==c)
11 True
12 >>> print (a>b) or (a==b)
13 True
A.3. Fonctions et Modules

A.3.1. Fonctions
Supposons de vouloir calculer les images de certains nombres par une fonction polynomiale donnée. Si la fonction en
question est un peu longue à saisir, par exemple f : x 7! 2x 7 ° x 6 + 5x 5 ° x 4 + 9x 3 + 7x 2 + 8x ° 1, il est rapidement fastidieux
de la saisir à chaque fois que l’on souhaite calculer l’image d’un nombre par cette fonction. Une première idée est d’uti-
liser l’historique de l’INTERPRÉTEUR pour éviter de saisir à chaque fois la fonction, néanmoins ce n’est pas très pratique,
surtout si on veut y travailler un autre jour. Il est tout à fait possible de définir une fonction (au sens du langage Python) qui
ressemble à une fonction mathématique. La syntaxe est la suivante :
1 def FunctionName(parameters):
2 °°°!statements
3 °°°!return values
La déclaration d’une nouvelle fonction commence par le mot-clé def. Ensuite, toujours sur la même ligne, vient le nom de
la fonction (ici FunctionName) suivi des paramètres formels 2 de la fonction parameters), placés entre parenthèses, le tout
terminé par deux-points (on peut mettre autant de paramètres formels qu’on le souhaite et éventuellement aucun). Une
fois la première ligne saisie, on appuie sur la touche «Entrée» : le curseur passe à la ligne suivante avec une indentation. Si
l’instruction return est absente, la fonction renvoi l’objet None.
ATTENTION. Dès que Python atteint l’instruction return something, il renvoi l’objet something et abandonne aussitôt
après l’exécution de la fonction (on parle de code mort pour désigner les lignes qui suivent l’instruction return).
Voici un bêtisier pour mieux comprendre les règles : dans le premier cas il manque les deux-points en fin de ligne, dans
le deuxième il manque l’indentation, dans le troisième il manque le mot return et donc tout appel de la fonction aura
comme réponse None, dans le quatrième l’instruction print ’Hello’ n’est jamais lue par Python car elle apparait après
l’instruction return.
1 >>> def f(x)
2 SyntaxError: invalid syntax
3 >>> def f(x):
4 return 2*x**7-x**6+5*x**5-x**4+9*x**3+7*x**2+8*x-1
5 File "<pyshell#7>", line 2
6 return 2*x**7-x**6+5*x**5-x**4+9*x**3+7*x**2+8*x-1
2. Les paramètres figurant entre parenthèses dans l’en-tête d’une fonction se nomment paramètres formels, par opposition aux paramètres fournis
lors de l’appel de la fonction qui sont appelés paramètres effectifs.
170 © G. Faccanoni
7 ^
8 IndentationError: expected an indented block
9 >>> def f(x):
10 °°°!2*x**7-x**6+5*x**5-x**4+9*x**3+7*x**2+8*x-1
11
12
13 >>> f(2)
14 >>> print f(2)
15 None
16 >>> def f(x):
17 °°°!a = 2*x**7-x**6+5*x**5-x**4+9*x**3+7*x**2+8*x-1
18 °°°!return a
19 °°°!print ’Hello’
20
21 >>> f(2)
22 451
ATTENTION. Les variables définies à l’intérieur d’une fonction ne sont pas «visibles» depuis l’extérieur de la fonction. On
exprime cela en disant qu’une telle variable est locale à la fonction. De plus, si une variable existe déjà avant l’exécution de
la fonction, tout se passe comme si, durant l’exécution de la fonction, cette variable était masquée momentanément, puis
restituée à la fin de l’exécution de la fonction.
Dans l’exemple suivant, la variable x est une variable locale à la fonction f : crée au cours de l’exécution de la fonction f,
elle est supprimée une fois l’exécution terminée :
1 >>> def f(y):
2 °°°!x = 2
3 °°°!return 4.*y
4
5 >>> f(5)
6 20.0
7 >>> x
9 File "<pyshell#35>", line 1, in <module>
10 x
11 NameError: name ’x’ is not defined
Dans l’exemple suivant, la variable x est une variable qui vaut 6 à l’extérieur de la fonction et 7 au cours de l’exécution de
la fonction f :
1 >>> x = 6.
2 >>> def f(y):
3 °°°!x = 7
4 °°°!return x*y
5
6 >>> print x
7 6.0
8 >>> print f(1.)
9 7.0
10 >>> print x
11 6.0
Dans l’exemple suivant la fonction derivatives approche les dérivées première et seconde d’une fonction f par les
formules
f (x + h) ° f (x ° h) f (x + h) ° 2 f (x) + f (x ° h)
f 0 (x) ' , f 00 (x) '
2h h2
1 import math
2 def derivatives(f,x,h):
3 °°°!df = (f(x+h)-f(x-h))/(2.*h)
4 °°°!ddf = (f(x+h)-2.*f(x)+f(x-h))/h**2
5 °°°!return df,ddf
º
Si on veut calculer la valeur des dérivées première et seconde de la fonction x 7! cos(x) en x = 2 il suffit d’écrire
© G. Faccanoni 171
1 df, ddf = derivatives(math.cos,math.pi/2,1.0e-5)

2 print ’First derivative =’, df
3 print ’Second derivative =’, ddf
ATTENTION. Si une liste est passée comme paramètre d’une fonction et cette fonction la modifie, cette modification se
répercute sur la liste initiale. Si ce n’est pas le résultat voulu, il faut travailler sur une copie de la liste.
1 def squares(a):
2 °°°!for i in range(len(a)):
3 °°°!°°°!a[i] = a[i]**2
4
5 a = [1,2,3,4]
6 print a # The output is [1, 2, 3, 4]
7 squares(a)
8 print a # The output is [1, 4, 9, 16]
A.3.2. Modules
Un module est une collection de fonctions. Pour importer un module, il faut utiliser la commande import ModuleName.
Il est alors possible d’obtenir une aide sur le module avec la commande help(ModuleName). La liste des fonctions dé-
finies dans un module peut être affichée par la commande dir(ModuleName). Les fonctions s’utilisent sous la forme
ModuleName.FunctionName(parameters). Il est également possible d’importer le contenu du module sous la forme
from ModuleName import * et alors les fonctions peuvent être utilisées directement par FunctionName(parameters).
Python offre par défaut une bibliothèque de plus de deux cents modules qui évite d’avoir à réinventer la roue dès que
l’on souhaite écrire un programme. Ces modules couvrent des domaines très divers : mathématiques (fonctions mathéma-
tiques usuelles, calculs sur les réels, sur les complexes, combinatoire. . .), administration système, programmation réseau,
manipulation de fichiers, etc. Ici on en présente seulement quelques-uns, à savoir ce dont on se servira dans les TP.
Le module math Dans Python seulement quelque fonction mathématique est prédéfinie :
abs(a) Valeur absolue de a
max(suite) Plus grande valeur de la suite
min(suite) Plus petite valeur de la suite
round(a,n) Arrondi a à n décimales près
pow(a,n) Exponentiation, renvoi a n
sum(L) Somme des éléments de la suite
divmod(a,b) Renvoi quotient et reste de la division de a par b
8
<°1 si a < b,
>
cmp(a,b) Renvoi 0 si a = b,
>
:
1 si a > b.
Toutes les autres fonctions mathématiques sont définies dans le module math. Comme mentionné précédemment, on
dispose de plusieurs syntaxex pour importer un module :
1 >>> import math
2 >>> print math.pi
3 3.14159265359
4 >>> print math.sin(math.pi)
5 1.22464679915e-16
6 >>> print math.log(1.0)
7 0.0
ou
1 >>> from math import *
2 >>> print pi
3 3.14159265359
4 >>> print sin(pi)
5 1.22464679915e-16
6 >>> print log(1.0)
7 0.0
Voici la liste des fonctions définies dans le module math :
172 © G. Faccanoni
1 >>> import math

2 >>> dir(math)
3 [’__doc__’, ’__name__’, ’__package__’, ’acos’, ’acosh’, ’asin’, ’asinh’, ’atan’, ’atan2’, ’atanh’, ’ceil’,
Â ’copysign’, ’cos’, ’cosh’, ’degrees’, ’e’, ’exp’, ’fabs’, ’factorial’, ’floor’, ’fmod’, ’frexp’, ’
Âfsum’, ’hypot’, ’isinf’, ’isnan’, ’ldexp’, ’log’, ’log10’, ’log1p’, ’modf’, ’pi’, ’pow’, ’radians’,
Â’sin’, ’sinh’, ’sqrt’, ’tan’, ’tanh’, ’trunc’]
Notons que le module définit les deux constantes º et e.
Le module matplotlib pour le tracé de données Le tracé de courbes scientifiques peut se faire à l’aide du mo-
dule matplotlib. Pour l’utiliser, il faut importer le module pylab. La référence complète de matplotlib est lisible à
l’adresse : http://matplotlib.sourceforge.net/matplotlib.pylab.html. Il est en particulier recommandé de re-
garder les “screenshots” (captures d’écrans), qui sont donnés avec le code utilisé pour les générer. Dans ces rappels on ne
verra que la représentation de fonction 1D.
ATTENTION. Lorsque l’on utilise I DLE, après la commande show() nécessaire pour visualiser les graphes, l’interpréteur
python se bloque (c’est un bug de l’éditeur). Pour pallier à ce problème on peut utiliser I DLE X, téléchargeable à l’adresse
http: // idlex. sourceforge. net , qui améliore I DLE et qui ne pose pas de problèmes avec matplotlib.
Pour tracer le graphe d’une fonction f : [a, b] ! R, Python a besoin d’une grille de points x i où évaluer la fonction,
ensuite il relie entre eux les points (x i , f (x i )) par des segments (il s’agit d’une spline linéaire comme on verra au prochaine
chapitre). Plus les points sont nombreux, plus le graphe de la fonction spline est proche du graphe de la fonction f . Pour
générer les points x i on peut utiliser l’instruction linspace(a,b,n) qui construit la liste de n + 1 éléments
∑ ∏
b°a b°a
a, a + ,a +2 ,...,b
n n
ou l’instruction arange(a,b,h) qui construit la liste de n = E ( b°a

h ) + 1 éléments
[a, a + h, a + 2h, . . . , a + nh]
Voici un exemple avec une sinusoïde :

2 x = linspace(-5,5,101) # x = [-5,-4.9,-4.8,...,5] with 101 elements
3 y = sin(x) # operation is broadcasted to all elements of the array
4 plot(x,y)
5 show()
ou encore
2 x = arange(-5,5,0.1) # x = [-5,-4.9,-4.8,...,5] with 101 elements
3 y = sin(x) # operation is broadcasted to all elements of the array
4 plot(x,y)
5 show()
On obtient une courbe sur laquelle on peut zoomer, modifier les marge et sauvegarder dans différents formats (jpg, png,
eps. . .). On peut même tracer plusieurs courbes sur la même figure. Par exemple, si on veut comparer les graphes de la
fonction précédente en modifiant la grille de départ, on peut écrire
2
3 a = linspace(-5,5,5) # a = [-5,-3,-1,1,3,5] with 6 elements

4 fa = sin(a)
5 b = linspace(-5,5,10) # a = [-5,-4,-3,...,5] with 11 elements
6 fb = sin(b)
7 c = linspace(-5,5,101) # b = [-5,-4.9,-4.8,...,5] with 101 elements
8 fc = sin(c)
9 plot(a,fa,b,fb,c,fc)
10 show()
Le résultat est affiché à la figure A.1a (la courbe bleu correspond à la grille la plus grossière, la courbe rouge correspond à la
grille la plus fine).
Pour tracer plusieurs courbes, on peut les mettre les unes à la suite des autres en spécifiant la couleur et le type de trait,
changer les étiquettes des axes, donner un titre, ajouter une grille, une légende. . .
© G. Faccanoni 173
(a) (b) (c)
F IGURE A.1.: Exemples pylab
- solid line – dashed line

-. dash-dot line : dotted line
. points , pixels
± circle symbols ^ triangle up symbols
v triangle down symbols < triangle left symbols
> triangle right symbols s square symbols
+ plus symbols x cross symbols
D diamond symbols
b blue g green
r red c cyan
m magenta y yellow
k black w white
TABLE A.1.: Quelques options de pylab

2 x = linspace(-5,5,101) # x = [-5,-4.9,-4.8,...,5] with 101 elements
3 y1 = sin(x) # operation is broadcasted to all elements of the array
4 y2 = cos(x)
5 plot(x,y1,"r-",x,y2,"g.")
6 legend([’sinus’,’cosinus’])
7 xlabel(’abscisses’)
8 ylabel(’ordonnees’)
9 title(’Comparaison de sin(x) et cos(x)’)
10 grid(True)
11 show()
"r-" indique que la première courbe est à tracer en rouge avec un trait continu, et "g." que la deuxième est à tracer en vert
avec des points. Le résultat est affiché à la figure A.1b. Voir la documentation de pylab pour connaître les autres options de
ce tracé.
On peut déplacer la légende en spécifiant l’une des valeurs suivantes : best, upper right, upper left, lower right,
lower left, center right, center left, lower center, upper center, center :
2 x = arange(-pi,pi,0.05*pi)
3 plot(x,sin(x),’co’,x,cos(x),’mD’)
4 legend([’sinus’,’cosinus’],loc=’upper left’)
5 axis([-pi, pi, -1, 1]) # axis([xmin, xmax, ymin, ymax])
6 show()
Le résultat est affiché à la figure A.1c.
174 © G. Faccanoni
Représentations des erreurs : échelles logarithmique et semi-logarithmique

Quand on étudie les propriétés de convergence d’une méthode numérique, on trace souvent des graphes représentant
? l’erreur E en fonction de h, le pas de discrétisation (par exemple pour une formule de quadrature ou le calcul appro-
chée de la solution d’une EDO) ;
? l’erreur E en fonction de k, le pas d’itération (par exemple pour les méthodes de recherche des zéros d’une fonction).
Pour ces graphes on a recours à des représentations en échelle logarithmique ou semi-logarithmique.
? Utiliser une échelle logarithmique signifie représenter ln(h) sur l’axe des abscisses et ln(E ) sur l’axe des ordonnées. Le
but de cette représentation est clair : si E = C h p alors ln(E ) = ln(C ) + p ln(h). En échelle logarithmique, p représente
donc la pente de la ligne droite ln(E ). Ainsi, quand on veut comparer deux méthodes, celle présentant la pente la
plus forte est celle qui a l’ordre le plus élevé (la pente est p = 1 pour les méthodes d’ordre un, p = 2 pour les méthodes
d’ordre deux, et ainsi de suite). Il est très simple d’obtenir avec Python des graphes en échelle logarithmique : il suffit de
taper loglog au lieu de plot. Par exemple, on a tracé sur la figure à gauche des droites représentant le comportement
de l’erreur de deux méthodes différentes. La ligne rouge correspond à une méthode d’ordre un, la ligne bleu à une
méthode d’ordre deux (comparer les deux triangles). Sur la figure à droite on a tracé les mêmes données qu’à gauche
mais avec la commande plot, c’est-à-dire en échelle linéaire pour les axes x et y. Il est évident que la représentation
linéaire n’est pas la mieux adaptée à ces données puisque la courbe E (h) = h 2 se confond dans ce cas avec l’axe des
x quand x 2 [10°6 ; 10°2 ], bien que l’ordonnée correspondante varie entre x 2 [10°12 ; 10°4 ], c’est-à-dire sur 8 ordres de
grandeur.
? Plutôt que l’échelle log-log, nous utiliserons parfois une échelle semi-logarithmique, c’est-à-dire logarithmique sur
l’axe des y et linéaire sur l’axe des x. Cette représentation est par exemple préférable quand on trace l’erreur E d’une
méthode itérative en fonction des itérations k ou plus généralement quand les ordonnées s’étendent sur un intervalle
n
beaucoup plus grand que les abscisses. Si E (k) = C k E (0) avec C 2]0; 1[ alors ln(E ) = ln(E (0)) + k n ln(C ), c’est-à-dire
une droite si n = 1, une parabole si n = 2 etc. La commande Python pour utiliser l’échelle semi-logarithmique est
semilogy.
Par exemple, on a tracé sur la figure à gauche des courbes représentant le comportement de l’erreur de trois méthodes
différentes. La ligne rouge correspond à une méthode d’ordre un, la parabole bleu à une méthode d’ordre deux et la
cubique verte à une méthode d’ordre trois. Sur la figure à droite on a tracé les mêmes données qu’à gauche mais avec
la commande plot, c’est-à-dire en échelle linéaire pour les axes x et y. Il est évident que la représentation linéaire
n’est pas la mieux adaptée à ces données.
© G. Faccanoni 175
A.4. Structure conditionnelle

Supposons vouloir définir la fonction valeur absolue :
(
x si x ∏ 0,
|x| =
°x sinon.
On a besoin d’une instruction qui opère une disjonction de cas. En Python il s’agit de l’instruction de choix introduite par
le mot-clé if. La syntaxe est la suivante :
1 if condition_1:
2 °°°!instruction_1.1
4 °°°!...
5 elif condition_2:
8 °°°!...
9 ...
10 else:
11 °°°!instruction_n.1
12 °°°!instruction_n.2
13 °°°!...
où condition_1, condition_2. . . représentent des ensembles d’instructions dont la valeur est True ou False (on les
obtient en général en utilisant les opérateurs de comparaison). La première condition condition_i ayant la valeur True
entraîne l’exécution des instructions instruction_i.1, instruction_i.2. . . Si toutes les conditions sont fausses, les
instructions instruction_n.1, instruction_n.2. . . sont exécutées.
ATTENTION. Bien noter le rôle essentiel de l’indentation qui permet de délimiter chaque bloc d’instructions et la présence
des deux points après la condition du choix et après le mot clé else.
Voici un exemple pour établir si un nombre est positif :

1 def sign_of(a):
2 °°°!if a < 0.0:
3 °°°!°°°!sign = ’negative’
4 °°°!elif a > 0.0:
176 © G. Faccanoni
5 °°°!°°°!sign = ’positive’
6 °°°!else:
7 °°°!°°°!sign = ’zero’
8 °°°!return sign
9
10 a = 2.0
11 print ’a is ’ + sign_of(a) # Output: a is positive
12 a = -2.0
13 print ’a is ’ + sign_of(a) # Output: a is negative
14 a = 0.0
15 print ’a is ’ + sign_of(a) # Output: a is zero
La fonction valeur absolue peut être définie comme suit :
1 def val_abs(x):
2 °°°!if x>0:
3 °°°!°°°!return x
4 °°°!else:
5 °°°!°°°!return -x
6
7 val_abs(5) # Output 5
8 val_abs(-5) # Output 5
A.5. Boucles
Les structure de répétition se classent en deux catégories :
répétition conditionnelle : le bloc d’instructions est à répéter autant de fois qu’une condition est vérifiée,
répétition inconditionnelle : le bloc d’instructions est à répéter un nombre donné de fois.
Boucle while : répétition conditionnelle Le constructeur while a la forme générale suivante (attention à l’indentation
et aux deux points) :
1 while condition:
2 °°°!instruction_1
4 °°°!...
où condition représente des ensembles d’instructions dont la valeur est True ou False. Tant que la condition condition_i
a la valeur True, on exécute les instructions instruction_i.
ATTENTION. Si la condition ne devient jamais fausse, le bloc d’instructions est répété indéfiniment et le programme ne se
termine pas.
£ §
Voici un exemple pour créer la liste 1, 12 , 13 , . . . :
1 nMax = 5
2 n = 1
3 a = [] # Create empty list
4 while n<nMax:
5 °°°!a.append(1.0/n) # Append element to list
6 °°°!n += 1
7 print a # Output [1.0, 0.5, 0.33333333333333331, 0.25]
Dans l’exemple suivant on calcul la somme des n premiers entiers :

1 def somme(n):
2 °°°!s ,i = 0, 0
3 °°°!while i<n:
4 °°°!°°°!i += 1
5 °°°!°°°!s += i
6 °°°!return s
7 somme(100) # Output 5050
© G. Faccanoni 177
Boucle for : répétition inconditionnelle Lorsque l’on souhaite répéter un bloc d’instructions un nombre déterminé
de fois, on peut utiliser un compteur actif, c’est-à-dire une variable qui compte le nombre de répétitions et conditionne la
sortie de la boucle. C’est la structure introduite par le mot-clé for qui a la forme générale suivante (attention à l’indentation
et aux deux points) :
1 for target in sequence:
4 °°°!...
où target est le compteur actif et sequence est un itérateur (souvent généré par la fonction range ou une liste ou une
chaîne de caractères). Tant que target£ appartient § à sequence, on exécute les instructions instruction_i.
Voici un exemple pour créer la liste 1, 12 , 13 , . . . avec un itérateur généré par la fonction range :
1 nMax = 5
2 a = [] # Create empty list
3 for n in range(1,nMax):
4 °°°!a.append(1.0/n) # Append element to list
5 print a # The output is [1.0, 0.5, 0.33333333333333331, 0.25]
Interrompre une boucle L’instruction break sort de la plus petite boucle for ou while englobante. L’instruction continue
continue sur la prochaine itération de la boucle. Les instructions de boucle ont une clause else qui est exécutée lorsque la
boucle se termine par épuisement de la liste (avec for) ou quand la condition devient fausse (avec while), mais pas quand
la boucle est interrompue par une instruction break. Ceci est expliqué dans la boucle suivante, qui recherche des nombres
premiers :
1 for n in range(2,10):
2 °°°!for x in range(2,n):
3 °°°!°°°!if n%x==0:
4 °°°!°°°!°°°!print n, ’egale’, x, ’*’, n/x
5 °°°!°°°!°°°!break
6 °°°!else:
7 °°°!°°°!print n, ’est un nombre premier’
ce qui donne
1 2 est un nombre premier
3 4 egale 2 * 2
5 6 egale 2 * 3
7 8 egale 2 * 4
8 9 egale 3 * 3
List-comprehensions Les listes définies par compréhension permettent de générer des listes de manière très concise
sans avoir à utiliser des boucles. La syntaxe pour définir une liste par compréhension est très proche de celle utilisée en
mathématiques pour définir un ensemble :
{ f (x) | x 2 E }
[ f(x) for x in E ]
Voici quelques exemples :

1 liste = [2, 4, 6, 8, 10]
2 [3*x for x in liste] # Output [6, 12, 18, 24, 30]
3 [[x,x**3] for x in liste] # Output [[2, 8], [4, 64], [6, 216], [8, 512], [10, 1000]]
4 [3*x for x in liste if x>5] # Output [18, 24, 30]
5 [3*x for x in liste if x**2<50] # Output [6, 12, 18]
6 liste2 = range(3)
7 [x*y for x in liste for y in liste2] # Output [0, 2, 4, 0, 4, 8, 0, 6, 12, 0, 8, 16, 0, 10, 20]
178 © G. Faccanoni
Conversion des dégrées C ELSIUS en dégrées Kelvin :

1 Cdegrees = range(0,101,5);
2 Fdegrees = [(9./5)*C+32 for C in Cdegrees]
3 for i in range(len(Cdegrees)):
4 °°°!print ’%5d %5.1f’ % (Cdegrees[i], Fdegrees[i])
ce qui donne
1 0 32.0
2 5 41.0
3 10 50.0
4 15 59.0
5 20 68.0
6 25 77.0
7 30 86.0
8 35 95.0
9 40 104.0
10 45 113.0
11 50 122.0
12 55 131.0
13 60 140.0
14 65 149.0
15 70 158.0
16 75 167.0
17 80 176.0
18 85 185.0
19 90 194.0
20 95 203.0
21 100 212.0
On construit la liste des années bissextiles entre l’année 2000 et l’année 2099 :
1 >>> [b for b in range(2000,2100) if (b%4==0 and b%100!=0) or (b%400==0)]
2 [2000, 2004, 2008, 2012, 2016, 2020, 2024, 2028, 2032, 2036, 2040, 2044, 2048, 2052, 2056, 2060, 2064,
Â2068, 2072, 2076, 2080, 2084, 2088, 2092, 2096]
On construit la liste des diviseurs d’un entier n 2 N :

1 >>> n = 100
2 >>> [d for d in range(1,n+1) if (n%d==0)]
3 [1, 2, 4, 5, 10, 20, 25, 50, 100]
© G. Faccanoni 179
Bibliographie
[1] Alexandre C ASAMAYOU -B OUCAU, Pascal C HAUVIN et Guillaume C ONNAN : Programmation en Python pour les mathé-
matiques. Dunod, 2012.
[2] F. J EDRZEJEWSKI : Introduction aux méthodes numériques. Springer, 2005.
[3] A. QUARTERONI, R. S ACCO et F. S ALERI : Matematica numerica. Springer-Verlag Italia, Milan, 1998.
[4] A. QUARTERONI, F. S ALERI et P. G ERVASIO : Calcul scientifique : cours, exercices corrigés et illustrations en MATLAB et
Octave. Springer, 2011.
[5] Alfio QUARTERONI, Riccardo S ACCO et Fausto S ALERI : Numerical mathematics, volume 37 de Texts in Applied Mathe-
matics. Springer-Verlag, New York, 2000.
[6] Alfio QUARTERONI, Riccardo S ACCO et Fausto S ALERI : Méthodes numériques. Springer-Verlag Italia, Milan, 2007.
Algorithmes, analyse et applications. [Algorithms, analysis and applications], Translated from the 1998 Italian original
by Jean-Frédéric Gerbeau.
[7] Alfio QUARTERONI, Riccardo S ACCO et Fausto S ALERI : Numerical mathematics, volume 37 de Texts in Applied Mathe-
matics. Springer-Verlag, Berlin, second édition, 2007.
[8] Alfio QUARTERONI et Fausto S ALERI : Scientific computing with MATLAB, volume 2 de Texts in Computational Science
and Engineering. Springer-Verlag, Berlin, 2003.
[9] Alfio QUARTERONI et Fausto S ALERI : Scientific computing with MATLAB and Octave, volume 2 de Texts in Computa-
tional Science and Engineering. Springer-Verlag, Berlin, second édition, 2006.
[10] Alfio QUARTERONI, Fausto S ALERI et Paola G ERVASIO : Scientific computing with MATLAB and Octave, volume 2 de
Texts in Computational Science and Engineering. Springer-Verlag, Berlin, 2010. Third edition [of MR2253397].
[11] J. R APPAZ et M. P ICASSO : Introduction à l’analyse numérique. PPUR, 1998.
181

Analyse Numérique de Mme FACCANONI - Copie

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique de Mme FACCANONI - Copie

Transféré par

Informations du document

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

Analyse Numérique de Mme FACCANONI - Copie

Transféré par

Droits d'auteur :

Formats disponibles

M33

Recueil d’exercices corrigés et aide-mémoire.

Année 2013 – 2014

IMATH Bâtiment U-318 T 0033 (0)4 94 14 23 81

Introduction au calcul scientifique 7

1. Résolution d’équations non linéaires 11

4. Équations diﬀérentielles ordinaires 109

5. Systèmes linéaires 135

A. Python : guide de survie pour les TP 161

Symboles utilisés dans le document

méthode, algorithme, cas particulier

Conventions pour la présentation du code

L’algorithme du calcul de la racine carrée devient donc p

Définition Méthode itérative à deux niveaux

1.1. Étape ¨ : localisation des zéros

Ce théorème donne alors le corollaire immédiat suivant.

1.2. Étape ≠ : construction d’une suite convergente

1.2.1. Méthodes de dichotomie (ou bissection), de Lagrange (ou Regula falsi )

1. Deux suites (u n )n2N et (v n )n2N sont adjacentes si

Exemple Fond d’investissement

On en déduit que T est racine de l’équation algébrique non linéaire f (T ) = 0 où

f (5) = 2 f (x) = °39 + (°43 + (39 ° 5x)x)x

f (5) = 2 f (x) = °39 + (°43 + (39 ° 5x)x)x

f (2.3̄) = 0.197530824 1 2.11

1.2.2. Méthode de la sécante

Définition Méthode de la Sécante

1.2.3. Méthodes de point fixe

'([a; b]) Ω [a; b] '([a; b]) Ω [a; b]

F IGURE 1.1.: Interprétation géométrique du théorème de point fixe

On utilise alors l’algorithme itératif suivant :

|x k+1 ° xb| ∑ K k+1 |x 0 ° xb|,

i.e., pour tout k ∏ 0

Proposition Calcul de l’ordre de convergence d’une méthode de point fixe

Démonstration. Écrivons le développement de TAYLOR avec le reste de L AGRANGE de ' en x = xb :

En évaluant l’expression ainsi trouvée en x k et sachant que '(x k ) = x k+1 , on a alors

x k+1 ° xb '(p+1) (ª) '(p+1) (b

Méthodes de point fixe particulièrement connues

( f 0 (x))2 ° f (x) f 00 (x) f (x) f 00 (x)

La méthode de N EWTON est donc d’ordre 2.

Remarque Interprétation géométrique de la méthode de N EWTON et des méthodes de la corde

ce qui correspond à la méthode de N EWTON.

En utilisant la méthode de N EWTON on trouve la formule itérative

2. Si on pose y = 1/x, alors on a l’équivalence

En utilisant la méthode de N EWTON on trouve la formule itérative

En utilisant la méthode de N EWTON on trouve la formule itérative

Formule 1 Formule 2 Formule 3

La solution est x ' 1,763 222 834 35.

x ) ° '(x n ) = '0 (ªn )(b

où I xb,xn est l’intervalle d’extrémités xb et x k . En utilisant l’identité

x ° x n+1 ) + (x n+1 ° x n ) = e n+1 + (x n+1 ° x n ) = '0 (ªn )e n + (x n+1 ° x n ),

|e n+1 | = |x n+1 ° xb| = |'(x n ) ° '(b

TTTTTTTTTTTTT Codes Python TTTTTTTTTTTT

4 import math, sys

84 # DEFINITION DU CAS TEST

.............. Exercices .............

dans l’intervalle [2; 3] avec une précision de 10°2 .

(a) Méthode de la dichotomie. (b) Méthode de N EWTON.

F IGURE 1.3.: Approximation du zéro de la fonction f (x) = x 2 ° 2.

C ORRECTION DE L’ EXERCICE 1.2. On cherche les zéros de la fonction f (x) = x 2 ° 2 :

2. Écrire l’algorithme pour une convergence à 10°6 près.