UE IUT GEI 51 : ENSEIGNEMENTS GENERAUX

EC GEI 514 : ANALYSE NUMERIQUE,

MATLAB ET SIMULINK
NIVEAU : LICENCE

CLASSE: GEII

SEMESTRE 5

VOLUME HORAIRE: 48 heures

Pr FL DJANNA KOFFI , PhD

Pr I MOUNGNUTOU, PhD
Dr JDD NKAPKOP, PhD
 FICHE DE PROGRESSION

SEQUENCES THEMES DEVELOPPES DUREE

I.1. Introduction
COURS 1 : I.2. La méthode de dichotomie
RESOLUTION NUMERIQUE I.3. La méthode de point fixe CM : 4h
DES EQUATIONS NON I.4. La méthode de Newton-Raphson
LINEAIRES
Logiciel Matlab à installer dans les PCs

TP 1 : I.5. Initiation au logiciel Matlab

RESOLUTION NUMERIQUE I.6. Mise en œuvre des méthodes I.2, I.3 et I.4 sous TP : 4h
DES EQUATIONS NON Matlab
LINEAIRES
Préparation du TP No.2

I.7. TP N°2 : Résolution numérique des équations

TP 2 : non linéaires (Compte rendu à remettre à la
RESOLUTION NUMERIQUE séance 4) TP : 4h
DES EQUATIONS NON I.7.1. But du TP
LINEAIRES I.7.2. Énoncé du TP
I.7.3. Exécution sous Matlab

COURS 2 :
II.1. Introduction
INTERPOLATION ET II.2. La méthode d’interpolation de Lagrange
APPROXIMATION
II.3. La méthode d’interpolation de Newton CM : 4h
POLYNOMIALE DE II.4. La méthode d’interpolation de Newton de
FONCTIONS Tchebychev
TP 3 :
INTERPOLATION ET II.5. Mise en œuvre des méthodes II.2, II.3 et II.4
APPROXIMATION sous Matlab TP : 4h
POLYNOMIALE DE Préparation du TP No.4
FONCTIONS

II.6. TP N°4 : Interpolation et approximation

TP 4 : polynômiale (Compte rendu à remettre à la
INTERPOLATION ET séance 7)
APPROXIMATION II.6.1. But du TP TP : 4h
POLYNOMIALE DE II.6.2. Énoncé du TP
FONCTIONS
II.6.3. Exécution sous Matlab
 III.1. Introduction
COURS 3 : III.2. La méthode des rectangles
INTEGRATION NUMERIQUE III.3. La méthode des Trapèzes CM : 4h
DE FONCTIONS III.4. La méthode de Simpson

TP 4 : III.5. Mise en œuvre des méthodes III.2, III.3 et

INTEGRATION NUMERIQUE III.4 sous Matlab TP : 4h
DE FONCTIONS Préparation du TP No.5

III.6. TP N°5 : Intégration numérique de fonctions

TP 5 : (Compte rendu à remettre à la séance 10)
INTEGRATION NUMERIQUE III.6.1. But du TP TP : 4h
DE FONCTIONS III.6.2. Énoncé du TP
III.6.3. Exécution sous Matlab
COURS 4 : IV.1. Introduction
RESOLUTION NUMERIQUE IV.2. La méthode d’Euler CM : 4h
DES EQUATIONS IV.3. La méthode de Runge-Kutta (RK4)
DIFFERENTIELLES

IV.4. Mise en œuvre des méthodes IV.2 et IV.3

TP 6 :
sous Matlab
RESOLUTION NUMERIQUE IV.5. TP N°6 Résolution numérique des équations
différentielles (Compte rendu à envoyer par mail : TP : 4h
DES EQUATIONS
DIFFERENTIELLES jdd.nkapkop@gmail.com)

Cours 5 et TP 7 à préparer en TPE

V.1. Introduction
V.2. La méthode directe LU
V.3. La méthode de Gauss
COURS 5 ET TP7:
RESOLUTION
V.4. La méthode de Jacobi
NUMERIQUE DES V.5. La méthode de Gauss-Seidel
SYSTEMES V.6. Mise en œuvre sous Matlab TP : 4h
D’EQUATIONS V.7. TP N°7 : Résolution numérique des systèmes
LINEAIRES d’équations linéaires (Compte rendu à envoyer
par mail : jdd.nkapkop@gmail.com)
 Avant-Propos

Ce support de cours se trouve être également un manuel pédagogique de TP de la

matière : Analyse Numérique, destinés aux étudiants de LicenceGénie Electrique et Informatique

Industrielle. Il donne une idée sur l’implémentation en MATLAB de quelques méthodes étudiées

dans les différents chapitres du cours de méthodes numériques.

Les objectifs de ce polycopié sont :

 Présenter les fondements mathématiques du calcul scientifique en analysant les

propriétés théoriques des méthodes numériques, tout en illustrant leurs avantages et

inconvénients à l’aide d’exemples.

 Utiliser un logiciel de calcul scientifique MATLAB pour implémenter, visualiser et

comparer les résultats.

 Apprendre à simuler les systèmes via la plateforme Simulink de Matlab.

DR. MEDDAHI YOUSSOUF

Table des matières
 Table des Matières

Introduction générale 1
Chapitre I : Résolution numérique des équations non linéaires 4
I.1. Introduction 5
I.2. La méthode de dichotomie 6
I.2.1. Principe de la méthode de dichotomie 6
I.2.2. La condition d’arrêt 6
I.3. La méthode de point fixe 7
I.3.1. Principe de la méthode de point fixe 7
I.3.2. La condition d’arrêt 7
I.4. La méthode de Newton-Raphson 8
I.4.1. Principe de la méthode de Newton 8
I.4.2. La condition d’arrêt 8
I.5. Mise en œuvre sous Matlab 9
I.6. TP N°1 : Résolution numérique des équations non linéaires 14
I.6.1. But du TP 14
I.6.2. Énoncé du TP 14

Chapitre II : Interpolation et approximation polynômiale de fonctions 16

II.1. Introduction 17
II.2. La méthode d’interpolation de Lagrange 18
II.3. La méthode d’interpolation de Newton 18
II.4. La méthode d’interpolation de Newton de Tchebychev 19
II.5. Mise en œuvre sous Matlab 20
II.6. TP N°2 : Interpolation et approximation polynômiale 21
II.6.1. But du TP 23
II.6.2. Énoncé du TP 23

Chapitre III : Intégration numérique de fonctions 25

III.1. Introduction 26
III.2. La méthode des rectangles 26
 TABLE DES MATIERES

III.3. La méthode des Trapèzes 27

III.4. La méthode de Simpson 28
III.5. Mise en œuvre sous Matlab 28
III.6. TP N°3 : Intégration numérique de fonctions 32
III.6.1. But du TP 32
III.6.2. Énoncé du TP 32

Chapitre IV : Résolution numérique des équations différentielles 33

IV.1. Introduction 34
IV.2. La méthode d’Euler 34
IV.3. La méthode de Runge-Kutta(RK4) 35
IV.4. Mise en œuvre sous Matlab 35
IV.5. TP N°4 Résolution numérique des équations différentielles 39
IV.5.1. But du TP 39
IV.5.2. Énoncé du TP 39

Chapitre V : Résolution numérique des systèmes d’équations linéaires 40

V.1. Introduction 41
V.2. La méthode directe LU 41
V.3. La méthode de Gauss 41
V.4. La méthode de Jacobi 42
V.5. La méthode de Gauss-Seidel 43
V.6. Mise en œuvre sous Matlab 44
V.7. TP N°5 : Résolution numérique des systèmes d’équations linéaires 48
V.7.1. But du TP 48
V.7.2. Énoncé du TP 48

Références bibliographiques 50
Introduction générale
 Introduction générale
Le domaine de calcul scientifique consiste à développer, analyser et appliquer des
méthodes relevant de domaines mathématiques aussi variés que l’analyse, l’algèbre
linéaire, la géométrie, la théorie de l’approximation, les équations fonctionnelles,
l’optimisation ou le calcul différentiel.

Les méthodes numériques trouvent des applications naturelles dans de nombreux

problèmes posés par la physique, les sciences biologiques, les sciences de l’ingénieur,
l’économie et la finance. Son rôle est renforcé par l’évolution permanente des
ordinateurs et des algorithmes : la taille des problèmes que l’on sait résoudre
aujourd’hui est telle qu’il devient possible d’envisager la simulation de phénomènes
réels.

Ce polycopié est organisé en 5 chapitres, chaque chapitre comporte un rappel

théorique de différentes méthodes, un programme de test et un énoncé des travaux
pratiques. Toutefois, en exposant les résultats de test afin de caractériser les
performances de chaque méthode.

Dans le premier chapitre, nous avons exposé les différentes méthodes de

résolution numérique des équations non linéaires à savoir, la méthode de dichotomie, la
méthode de point fixe et la méthode de Newton.

Le problème de l’interpolation et l’approximation polynomiale est traité dans le

chapitre deux, nous allons étudier la méthode de Lagrange et la méthode de Newton.

Le troisième chapitre est consacré à l’intégration numérique de fonctions. Trois

approches sont développées ; la méthode des rectangles, la méthode des trapèzes et la
méthode de Simpson.

On traite la résolution numérique des équations différentielles ordinaires dans le

chapitre quatre. Deux méthodes sont présentées à savoir, la méthode d’Euler et la
méthode de Runge-Kutta.

Page : 2
Dr. JDD Nkapkop, PhD
INTRODUCTION GENERALE

Dans le chapitre cinq, on aborde la résolution numérique des systèmes

d’équations linéaires. Trois approches sont traitées ; la méthode de Gauss, la méthode
de Jacobi et la méthode de Gauss-Seidel.

Page : 3
CHAPITRE I

Résolution numérique
des équations non linéaires
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.1. Introduction
L’objet essentiel de ce chapitre est l’approximation des racines d’une fonction réelle
d’une variable réelle, c’est-à-dire la résolution approchée du problème suivant :

Étant donné une équation non linéaire, à une seul variable, est définie par :

ƒ(𝑥) = 0 (I-1)

La valeur de la variable 𝑥 qui vérifie cette égalité est appelée solution (ou racine) de
l'équation, elle est notée 𝑥0. Dans beaucoup de cas, on doit recourir aux méthodes
numériques car la solution ne peut pas être déterminée analytiquement. Ainsi, résoudre
cette équation revient à définir une succession d'éléments (solutions intermédiaires 𝑥0;𝑘)
qui convergent vers la solution désirée lorsque 𝑘 tant vers l’infini. On ne parle pas de la
solution exacte, car souvent elle n'existe pas, cependant on cherche une solution qui soit
approchée de la solution exacte avec une certaine précision.

Il existe plusieurs techniques permettant de résoudre l'équation non linéaire, ces

méthodes se distinguent par leurs principes et leurs vitesses de convergence. Nous
introduisons dans cette section les méthodes de dichotomie (ou de bissection), point fixe
et de Newton. Nous les présentons dans l’ordre de complexité croissante des algorithmes.
Dans le cas de la méthode de dichotomie, la seule information utilisée est le signe de la
fonction f aux extrémités de sous-intervalles, tandis que pour les autres algorithmes on
prend aussi en compte les valeurs de la fonction et/ou de ses dérivées.

I.2. La méthode de Dichotomie

Cette méthode repose sur les hypothèses suivantes :

 Il existe une solution sur un intervalle [𝑎, 𝑏]
 La fonction ƒ(𝑥) est monotone (croissante ou décroissante) sur l'intervalle [𝑎, 𝑏]
Sous ces deux hypothèses, l'inégalité suivante est vérifiée :

ƒ(𝑎) * ƒ(𝑏) < 0 (I-2)

Page : 5
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.2.1. Principe de la méthode de Dichotomie

La figure ci-dessous illustré le principe de la méthode de Dichotomie :

Figure I.1 : Principe de la méthode de Dichotomie

 On calcule c par l’expression :

𝑎+𝑏
𝑐= (I-3)
2

 Si ƒ(𝑐) = 0, la solution est égale à c, alors arrêter la recherche.

 mettre à jours l'intervalle [a, b] telle que :
 Si ƒ(𝑎) * ƒ(𝑐) < 0, la solution se trouve dans l'intervalle [𝑎, 𝑐] alors on prend
b=c
 Si f(a) * f(s) < 0 la solution se trouve dans l'intervalle [𝑐, 𝑏] alors on prend
a=c
 On recommence le calcul de c itérativement jusqu'à ce que : |𝑏 − 𝑎| < s

I.2.2. La condition d’arrêt

Le nombre d'itération dépend de la précision s voulue ainsi que l'intervalle initial
[𝑎, 𝑏] soit :
log(𝑏−𝑎)−log(2𝗌)
𝑁≥ (I-4)
log(2)

Page : 6
Dr. JDD Nkapkop, PhD
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.3. La méthode de point fixe

Il faut réécrire l’équation ƒ(𝑥) = 0 sous la forme 𝑥 = 𝑔(𝑥) avec la condition de

convergence |𝑔(𝑥)| < 1

I.3.1. Principe de la méthode de point fixe

La figure ci-dessous illustré le principe de la méthode de point fixe :

Figure I.2 : Principe de la méthode de point fixe (convergence en spirale et en escalier)

 Le principe de la méthode du point fixe correspond à la recherche du point

d'intersection entre les deux fonctions :
 la première fonction est la droite y = x
 la deuxième fonction est y = g(x)
 On choisit initialement un point 𝑥0, qui sera la première estimée de la solution
 on calcul 𝑔( 𝑥0), cette dernière valeur sera considérée comme étant la deuxième
estimée de la solution soit 𝑥1 = 𝑔( 𝑥0) a son tour, cette dernière valeur sera
injectée dans la fonction 𝑔(𝑥) et ainsi de suite jusqu'à la satisfaction d'un critère
d'arrêt.
I.3.2. La condition d’arrêt
Le critère d'arrêt soit | 𝑥1 − 𝑥0| < s

Page : 7
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.4. La méthode de Newton-Raphson

I.4.1. Principe de la méthode de Newton

Le principe de cette méthode est illustré sur la figure I.3 où : On choisit une
première estimée 𝑥0, la second estimée est 𝑥1déterminée par l'intersection de la ligne
tangente de la fonction ƒ(𝑥) au point (𝑥1; ƒ(𝑥1)) et la droite y = 0. La troisième estimée
𝑥2 est déterminée par l'intersection de la ligne tangente de la fonction ƒ(𝑥) au point
(𝑥2; ƒ (𝑥2)) et la droite 𝑦 = 0, et ainsi de suite.

Figure I.3 : Principe de la méthode de Newton

 L’algorithme de Newton-Raphson est :

f(𝑥 )
𝑥i+1 = 𝑥i − f̀(𝑥 i) (I-5)
i

I.4.2. La condition d’arrêt

Le critère d'arrêt soit | 𝑥i+1 − 𝑥i| < s

Page : 8
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.5. Mise en œuvre sous Matlab

Dans ce test, il est demandé de trouver la racine de ƒ(𝑥) = 2. 𝑥2 − 𝑥 − 1 sur
l'intervalle [0.5, 1.5] en utilisant la méthode de dichotomie, la méthode de point fixe et la
méthode de Newton jusqu'à la convergence avec une précision de 10-3 (TOL=10-3).
%==============================Programme Matlab============================
% Institut Universitaire de Technologie
% **********************************
% Département de Génie Electrique et Informatique Industrielle
% Licence GEII
% Matière: TP Analyse Numériques Matlab/Simulink
% *****************Enseignant Dr.JDD Nkapkop********************
%========= Résolution Numérique des Equations non linéaires F(X)=0 ========
clear all;close all;clc;
disp(['*** Résolution des Equations non linéaires F(X)=0 ***'])
disp(['*** S=1. La Méthode de Dichotomie ***'])
disp(['*** S=2. La Méthode du point fixe ***'])
disp(['*** S=3. La Méthode de NEWTON ***'])
disp(['*** S=4. Pour Quitter ***'])
disp(['*** Tapez S entre <1-4> ***'])
s=input('S =');
switch s
case 1
disp(['*** Début de la Méthode de Dichotomie***'])
disp(['l`intervalle initial de la recherche [a b]'])
a=input('a =');b=input('b =');
disp(['Donnez Tol; " Tol petite valeur!"'])
tol=input('Tol =');
x=a:(b-a)/100:b;
y=feval('f',x);
figure(1);
plot(x,y,'g')
title('la racine de f(x)=0 par dichotomie')
grid
xlabel(' valeur de x')
ylabel(' valeur de f(x)')
hold
iter= 0;
while abs(b - a) > tol
iter=iter+1;
c = 0.5 * (a + b)
plot(c,feval('f',c),'k<')
plot(a,feval('f',a),'k>')
yc=feval('f',c);
yd=feval('f',a);
disp(['x1 =',num2str(yc)])
disp(['y1 =',num2str(yd)])
disp([' '])
pause
if yc* yd <=0
b = c;
plot(b,feval('f',b),'b*')
else; a = c;
plot(a,feval('f',a),'r*')

Page : 9
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

end
end
disp('
')
disp(['-Le nombre d`itération est N=',num2str(iter)])
disp('
')
disp(['-La valeur de la racine est X*=',num2str(c)])
disp('
')
disp(['-La valeur de f(X*)=',num2str(feval('f',c))])
case 2
disp(['*** Début de la Méthode du point fixe ***'])
disp(['l`intervalle initial de la recherche [a b]'])
a=input('a =');b=input('b =');
disp([ 'Donnez une valeur initiale X0 dans [a b]'])
x0=input('x0= ')
disp(['Donnez Tol " Tol petite valeur!'])
tol=input('tol= ')
x=a:(b-a)/100:b;
y=feval('g',x);
figure(2);
plot(x,y,'g')
hold on
plot(x,x,'--r')
title('la racine de f(x)=0 par le point fixe')
grid
xlabel(' x')
ylabel(' g(x)')
hold
kp = 0;
x1=feval('g',x0);
while abs(x1 - x0) >= tol
x0 = x1;
kp = kp + 1;
x1=feval('g',x0);
hold on
plot(abs(x0),feval('g',x0),'r*')
pause
plot(abs(x1),feval('g',x1),'b*')
end
disp('
')
disp(['-Le nombre d`itération est N=',num2str(kp)])
disp('
')
disp(['-La valeur de la racine est X*=',num2str(x1)])
disp('
')
disp(['-La valeur de g(X*)=',num2str(feval('g',x1))])
case 3
disp(['*** Début de la Méthode de NEWTON ***'])
disp(['l`intervalle initial de la recherche [a b]'])
a=input('a =');b=input('b =');
disp([ 'Donnez une valeur initiale X0 dans [a b]'])
x0=input('x0= ')
disp(['Donnez Tol " Tol petite valeur!'])
tol=input('tol= ')
x=a:(b-a)/100:b;

Page : 10
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

y=feval('f',x);
figure(3);
plot(x,y,'g')
title('la racine de f(x)=0 par Newton')
grid
xlabel(' x')
ylabel(' f(x)')
hold
kp = 0;
x1 = x0 - feval('f',x0) / feval('df',x0)
while abs(x1 - x0) >= tol
x0 = x1
kp = kp+1
x1=x0 - feval('f',x0) / feval('df',x0);
hold on
plot(abs(x0),feval('f',x0),'r*')
pause
plot(abs(x1),feval('f',x1),'b*')
end
disp('
')
disp(['-Le nombre d`itération est N=',num2str(kp)])
disp('
')
disp(['-La valeur de la racine est X*=',num2str(x1)])
disp('
')
disp(['-La valeur de f(X*)=',num2str(feval('f',x1))])
case 4
quit
otherwise
disp('Erreur! S entre <1-4> ');
end
%=================================FIN======================================

L’exécution du programme donne les résultats suivants :

*** Résolution des Equations non linéaires F(X)=0 ***
*** S=1. La Méthode de Dichotomie ***
*** S=2. La Méthode de point fixe ***
*** S=3. La Méthode de NEWTON ***
*** S=4. Pour Quitter ***
*** Tapez S entre <1-4> ***
S =1
*** Début de la Méthode de Dichotomie***
L`intervalle initial de la recherche [a b] :
a =0.5
b =1.5
Donnez Tol; " Tol petite valeur!"
Tol =0.01
Current plot held

Le nombre d`itération est N=7

La valeur de la racine est X*=0.99219

La valeur de f(X*)=-0.023315

Page : 11
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

la racine de f(x)=0 par dichotomie

2

1.5
0

-0.05
1
f(x)

-0.1
0.5
0.99 1 1.01
x
0

-0.5

-1
0.5 1 1.5
x
Figure I.4 : Evaluation de la racine par la méthode de dichotomie

*** Tapez S entre <1-4> ***

S =2
*** Début de la Méthode de point fixe ***
L`intervalle initial de la recherche [a b]
a =0.5
b =1.5
Donnez une valeur initiale X0 dans [a b]
x0= 0.8
Donnez Tol " Tol petite valeur!
tol= 0.01
Current plot released

-Le nombre d`itération est N=13

-La valeur de la racine est X*=0.99803

-La valeur de g(X*)=0.99213

la racine de f(x)=0 par le point fixe
3.5

2.5 g(x)=x

2
g(x)

1.5

1 y=x

0.5

-0.5
0.5 1 1.5
x
Figure I.5 : Evaluation de la racine par la méthode de point fixe.
Page : 12
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

*** Tapez S entre <1-4> ***

S =3
*** Début de la Méthode de NEWTON ***
l`intervalle initial de la recherche [a b]
a =0.5
b =1.5
Donnez une valeur initiale X0 dans [a b]
x0= 0.8
Donnez Tol " Tol petite valeur!
tol= 0.01
Current plot held

Le nombre d`itération est N=2

La valeur de la racine est X*=1

La valeur de f(X*)=1.4122e-06

la racine de f(x)=0 par Newton

2

1.5

1
f(x)

0.5

-0.5
*

-1
0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
x

Figure I.6 : Evaluation de la racine par la méthode de Newton.

Page : 13
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

I.6. TP N°1 : Résolution numérique des équations non linéaires

I.6.1. But du TP
Dans ce TP, nous allons implémenter les algorithmes des méthodes de résolution
des équations non linéaires étudiées: la méthode de Dichotomie, la méthode de Point fixe et
la méthode de Newton-Raphson.

I.6.2. Énoncé du TP
Soit l’équation non linéaire : ƒ(𝑥) = 𝑥2 − 2 = 0
1) Déclarer la fonction ƒ(𝑥) avec 𝑥 = −10 : 0.001 : 10
2) Tracer le graphe 𝑦 = ƒ(𝑥) sur un intervalle tel qu’il vous permet de localiser la
solution de l’équation.

3) Il est à noter que, les solutions exactes de cette équation sont 𝑥1 = √2 et 𝑥2 = −√2
et on veut trouver la première racine 𝑥1 de cette équation en utilisant :
a) La méthode de dichotomie

 Quel est le nombre d'opération nécessaire pour atteindre une précision de

s = 0.01 si on prend l'intervalle [0, 3] ?
 Ecrire un script qui implémente la méthode de Dichotomie suivant les étapes :
 Déclarer a, b et s
 Initialiser un compteur d’itération
 Ecrire l’algorithme en incrémentant le compteur i à chaque passage de boucle
 Arrêter la boucle quand la largeur de l’intervalle devient inférieure ou égale à s
 Afficher la solution calculée ainsi que le nombre d’itérations.
 Faire dérouler le programme et remplir la table ci-dessous :

i a b c f(a) f (b) f (c) s

Page : 14
CHAPITRE I : RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES

b) La méthode de point fixe

 Quelles sont les formes possibles de la fonction g(x) ?
 Quelle est la fonction qui vérifie le théorème précédent, sur l'intervalle [0, 3] ?
 Ecrire un programme Matlab qui donne la solution de cette équation. Prendre
s = 0.01 et 𝑥0 = 0 puis 𝑥0 = 3. Conclure !.
c) La méthode de Newton-Raphson

 Ecrire un programme Matlab qui donne la solution de cette équation. Prendre

s = 0.01 et 𝑥0 = 2 puis 𝑥0 = 3. Conclure !.
4) Comparer les résultats des différentes méthodes implémentées.

Page : 15
CHAPITRE II

Interpolation et approximation
polynômiale de fonctions
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

II.1. Introduction

Le but de l’interpolation consiste à traiter de l’approximation d’une fonction dont

on ne connait les valeurs qu’en certains points. Plus précisément, étant donné n + 1
couples (xi, yi), le problème consiste à trouver une fonction ƒ = ƒ(𝑥) telle que ƒ(𝑥i) =
𝑦i pour i = 0, . . . , 𝑚, ou les yi sont des valeurs données. On dit alors
que ƒ interpole {𝑦i} aux nœuds {𝑥i}. On parle d’interpolation polynomiale quand ƒ est
un polynôme, d’approximation trigonométrique quand ƒ est un polynôme
trigonométrique et d’interpolation polynomiale par morceaux (ou d’interpolation par
fonctions splines) si ƒ est polynomiale par morceaux.

Les quantités 𝑦i peuvent, par exemple, représenter les valeurs aux nœuds xi d’une
fonction ƒ connue analytiquement ou des données expérimentales. Dans le premier cas,
l’approximation a pour but de remplacer ƒ par une fonction plus simple en vue d’un
calcul numérique d’intégrale ou de dérivée. Dans l’autre cas, L’interpolation sert aussi à
construire une représentation synthétique de données expérimentales quand leurs
nombre deviennent très élevés.

Nous étudions dans ce chapitre deux formes particulières d'interpolation

polynomiale de : Lagrange et Newton.

Page : 17
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

II.2. La méthode d’interpolation de Lagrange

Le polynôme d'interpolation de Lagrange qui permet de relier deux points s'écrit :

ƒ(𝑥) = 𝑥−𝑥2 𝑦1 + 𝑥−𝑥1 𝑦2 (II-1)

𝑥1−𝑥2 𝑥2−𝑥1

Lorsqu'on remplace 𝑥1 dans l'équation précédente, le deuxième terme s'annule et on

obtient ƒ(𝑥1) = 𝑦1, de même si on remplace 𝑥2. Le polynôme d'interpolation de
Lagrange qui permet de relier trois points s'écrit :

(𝑥−𝑥2)(𝑥−𝑥3) (𝑥−𝑥1)(𝑥−𝑥3) (𝑥−𝑥1)(𝑥−𝑥2)

ƒ(𝑥) = 𝑦 + 𝑦 + 𝑦3 (II-2)
(𝑥1−𝑥2)(𝑥1−𝑥3) 1 (𝑥2−𝑥1)(𝑥2−𝑥3) 2 (𝑥3−𝑥1)(𝑥3−𝑥2)

De manière similaire pour un ensemble de 𝑛 points, le polynôme d'interpolation de

Lagrange s'écrit :

ƒ(𝑥) = ∑𝑛 {𝑦 𝐿 (𝑥)} = ∑𝑛 {𝑦 ∏𝑛 (𝑥−𝑥j)} (II-3)

i=1 i i i=1 i j=1 i j❜ij 𝑥−
𝑥
(𝑥−𝑥j)
Ou 𝐿 (𝑥) = ∏𝑛 sont appelées les fonctions de Lagrange.
i j=1 𝑥 −𝑥
j❜i i j

II.3. La méthode d’interpolation de Newton

La formule du polynôme d’interpolation de Newton d’ordre n-1 s’écrit :
ƒ(𝑥) = 𝑎1 + 𝑎2(𝑥 − 𝑥1) + ⋯ + 𝑎𝑛(𝑥 − 𝑥1)(𝑥 − 𝑥2) … (𝑥 − 𝑥𝑛−1) (II-4)

Ce polynôme est le plus populaire car il présente de nombreux avantages :

 Les coefficients 𝑎1; … . . ; 𝑎𝑛 sont déterminés par une procédure simple,
 Les points peuvent être dans n'importe quel ordre (par obligatoirement ascendant
ou descendant)
 Si on ajoute un point, on n’a pas besoin de recalculer tous les coefficients, on
calcul un seul coefficient uniquement.
Le calcul d’un coefficient du polynôme de Newton se donne par :

f(𝑥𝑛 ,𝑥𝑛−1 ,….,𝑥2 )−f(𝑥𝑘 ,𝑥𝑛−1 ,…,𝑥1 )

𝑎𝑛 = (II-5)
𝑥𝑛−𝑥1

Page : 18
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

II.4. La méthode d’interpolation de Tchebychev

On définit les polynômes de Tchebychev par :

𝑡𝑛(𝑥) = 𝑐𝑜𝑠(𝑛 𝑎𝑟𝑐𝑐𝑜𝑠 𝑥); 𝑥 ∈ [−1; 1] (II-6)

En effet, si on pose 𝜃 = 𝑎𝑟𝑐𝑐𝑜𝑠 𝑥, i.e. 𝑥 = cos 𝜃 avec 𝜃 ∈ [0; 𝜋], on a

𝑡𝑛(𝑥) = 𝑐𝑜𝑠(𝑛𝜃);

𝑡𝑛+1(𝑥) + 𝑡𝑛−1(𝑥) = 𝑐𝑜𝑠((𝑛 + 1)𝜃) + 𝑐𝑜𝑠((𝑛 − 1)𝜃)

= 2 𝑐𝑜𝑠(𝑛𝜃) 𝑐𝑜𝑠𝜃 = 2𝑥𝑡𝑛(𝑥)

La fonction 𝑡𝑛 se calcule donc par les formules de récurrence

𝑡0(𝑥) = 1; 𝑡1(𝑥) = 𝑥;

𝑡𝑛+1(𝑥) = 2𝑥𝑡𝑛(𝑥) − 𝑡𝑛−1(𝑥) (II-7)

Il en résulte que 𝑡𝑛est un polynôme de degré 𝑛, dont le coefficient directeur est

2𝑛−1 si 𝑛 ≥ 1. Les n racines de 𝑡𝑛 sont données par :
̂𝑥 i
= 𝑐𝑜𝑠 2i+ 1
𝜋 ∈ ] − 1; 1[; 0 ≤ i ≤ 𝑛 − 1 (II-8)
2𝑛

Les points ̂𝑥 i sont répartis symétriquement autour de 0 ( ̂𝑥 𝑛−i = − ̂𝑥 i) de façon

plus dense au voisinage de 1 et -1.
Pour se ramener à un intervalle [𝑎; 𝑏] quelconque, on utilisera le changement de variable
suivant :
𝑎+𝑏 𝑏−𝑎 ̂𝑥 i (II-9)
𝑥i = +
2 2

Le polynôme 𝜋𝑛+1 est donné par :

𝑛+1
𝜋 (𝑥) = ∏𝑛 (𝑥 − 𝑥 ) = (𝑏−𝑎) ∏𝑛 (𝑥̂− ̂𝑥 ) (II-10)
𝑛+1 i=0 i 2 i=0 i

Où ∏𝑛 (𝑥̂− ̂𝑥 i ) = 1⁄2𝑛 𝑡𝑛+1 est le polynome 𝜋𝑛+1 (𝑥̂) correspondant à [-1; 1]

i=0

Page : 19
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

II.5. Mise en œuvre sous Matlab

1) Méthode d’interpolation de Lagrange
Dans ce test, il est demandé de trouver le polynôme d’interpolation qui interpole les
points d’appui (x0,y0)=(0, 1), (x1,y1)=(1, 2) et (x2,y2)=(2, 5)
2) Méthode d’interpolation de Tchebychev
Soit la fonction :
1
ƒ(𝑥) =
1 + 𝑥2
Et les nœuds d’interpolation suivants :
𝑥0 = −5, 𝑥1 = −4, 𝑥2 = −3, 𝑥3 = −2, 𝑥4 = −1, 𝑥5 = 0, 𝑥6 = 1, 𝑥7 = 2, 𝑥8 = 3,
𝑥9 = 4, 𝑥10 = 5.
Tracer, le polynôme de Tchebychev, les points d’interpolation et la fonction f(x).

%==============================Programme Matlab============================
% Institut Universitaire de Technologie
% **********************************
% Département de Génie Electrique et Informatique Industrielle
% Licence GEII
% Matière: TP Analyse Numériques Matlab/Simulink
% *****************Enseignant Dr.JDD Nkapkop********************
%========= Interpolation et Approximation de Fonctions ========
clear all;close all;clc;
disp(['*** Interpolation et Approximation de Fonctions ***'])
disp(['*** S=1. La Méthode d’’interpolation de Lagrange ***'])
disp(['*** S=2. La Méthode d’’interpolation de Tchebychev***'])
disp(['*** S=3. Pour Quitter ***'])
disp(['*** Tapez S entre <1-3> ***'])
s=input('S =');
switch s
case 1
disp(['*** Début de la Méthode d’’interpolation de Lagrange ***'])
x(1)=0;x(2)=1;x(3)=2;n=3;%POLYNOME DE DEGRE 2
y(1)=1;y(2)=2;y(3)=5;
interv=1000;dx=(x(3)-x(1))/interv;
xvar=x(1):dx:x(3);polyn=0;
col={'+k','+r','+m'};
for i=1:n
lag=1;
for j = 1:n
if(i~=j)
lag=(xvar-x(j))./(x(i)-x(j)).*lag;
end
end
figure(1);plot(x(i),y(i),col{i},'MarkerSize',12,'LineWidth',2);
hold on;
polyn=polyn+lag.*y(i);
end
hold on
Page : 20
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

plot(xvar,polyn,'LineWidth',1);
hold on;
xlabel('x');ylabel('y')
axis([-0.5 2.5 -0.5 5.5])
title('Interpolation de Lagrange')
p=2;coeff=polyfit(xvar,polyn,p)

case 2
disp(['*** Début de la Méthode d’’interpolation de Tchebychev ***'])
format long
x(1)=-5;x(2)=-4;x(3)=-3;n=11;%POLYNOME DE DEGRE n-1
x(4)=-2;x(5)=-1;x(6)=0;x(7)=1;x(8)=2;x(9)=3;
x(10)=4;x(11)=5; y=1./(1+x.^2);
interv = 1000; dx = (x(11)-x(1))/interv;
xvar=x(1):dx:x(11);polyn=0;
x=(x(11)+x(1))/2+((x(11)-x(1))/2)*cos((2*(n-(1:n))+1)*pi/(2*n));
xChe=x;
%LES NOEUDS xi ANNULANT LES POLYNOMES DE TCHEBYCHEV :
%CECI AFIN DE MINIMISER L’ECART ENTRE Pn(x) ET LA FONCTION f(x)
for i = 1:n
lag = 1;
for j = 1 : n
if (i~=j)
lag = (xvar - xChe(j))./(xChe(i) - xChe(j)).*lag;
end
end
figure(1) ; plot(xChe(i),y(i),'+k','MarkerSize',12,'LineWidth',1);
hold on;
polyn = polyn + lag.*y(i);
end
hold on
plot(xvar, polyn,'b','LineWidth',1) ;hold on; xlabel('x'); ylabel('y')
title('Interpolation de Tchebychev')
p=10;coeff=polyfit(xvar,polyn,p);
evalp=polyval(coeff,xvar);hold on;
plot(xvar,1./(1+xvar.^2),'r')

case 3
quit
otherwise
disp('Erreur! S entre <1-3> ');
end
%=================================FIN======================================

L’exécution du programme donne les résultats suivants :

*** Interpolation et Approximation de Fonctions ***
*** S=1. La Méthode d’’interpolation de Lagrange ***
*** S=2. La Méthode d’’interpolation de Tchebychev***
*** S=3. Pour Quitter ***
*** Tapez S entre <1-3> ***
s=1
*** Début de la Méthode d’’interpolation de Lagrange ***
Int_Lagrange

coeff =
1.0000 -0.0000 1.0000

Page : 21
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

Interpolation de Lagrange

2
P (x)=x +1
4 2

3
y

-0.5 0 0.5 1 1.5 2 2.5

x
Figure II.1 : Polynôme d’interpolation de Lagrange.

*** Tapez S entre <1-3> ***

s=2
*** Début de la Méthode de Tchebychev ***
Interpolation de Tchebychev
1

0.9
P (x) f(x)
0.8 n

0.7

0.6

0.5
y

0.4

0.3

0.2

0.1

0
-5 0 5
x
Figure II. 2 : Polynôme d’interpolation par les nœuds de Tchebychev.

Page : 22
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

II.6. TP N°2 : Interpolation et approximation polynômiale

II.6.1. But du TP
Durant ce TP, nous allons implémenter sous Matlab des algorithmes d’interpolation
étudiés pendant le cours de méthodes numériques : la méthode de Lagrange et la
méthode de Newton
II.6.2. Énoncé du TP

Pendant les travaux pratiques de mesures on a effectué la caractérisation d'une

thermistance, la chaine de mesure et le matériel utilisé dans cette expérimentation sont
illustrés sur la figure suivante :

Les résultats expérimentaux ont donnés la caractéristique reportée sur le tableau :

Température ( 250𝐶) 15 20 30 40 50 60
Resistance (Ω) 15.11 14.04 9.28 6.44 4.44 2.9

a) Tracer la courbe résistance en fonction de température ?

b) Interpolation de Lagrange
 Déterminer d’abord ce polynôme de façon analytique.
 Ecrire un algorithme sous MATLAB permettant l’implémentation de la
méthode de Lagrange.
 Déterminer la valeur estimée de la résistance à la température 𝑇 = 350𝐶

Page : 23
CHAPITRE II : INTERPOLATION ET APPROXIMATION POLYNOMIALE DE FONCTIONS

c) Interpolation par le polynôme de Newton

 Déterminer le degré du polynôme de Newton qui passe par tous ces
points ?
 Donner l'expression du polynôme de Newton correspondant ?
 Réaliser un algorithme sous MATLAB permettant l’implémentation de la
méthode de Newton ?
 Quelle est la valeur estimée de la résistance à la température 𝑇 = 350𝐶 ?

Page : 24
CHAPITRE III

Intégration numérique
de fonctions
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

III.1. Introduction

En pratique, on est souvent amener à calculer l'intégrale définie d’une fonction ƒ

continue sur [𝑎, 𝑏] dans R, définie par 𝐼(ƒ) = 𝑎 ∫ ƒ(𝑥)𝑑𝑥 peut se révéler très laborieux,
ou tout simplement impossible à atteindre. Par conséquent, on fait appel à des méthodes
numériques, afin de calculer une approximation de 𝐼(ƒ). Dans ces méthodes numériques,
la fonction ƒ, est remplacée par une somme finie. Dans ce chapitre, nous allons étudier et
implémenter, sous Matlab, quelques méthodes usuelles (point milieu, trapèze et Simpson)
dédiées à l’intégration numérique.
Supposons qu'on veuille intégrer une fonction f(x) sur un intervalle [a,b]. Puisque
l'intégrale est la limite de sommes de Riemann, l'idée la plus évidente pour approximer
numériquement le résultat qu'on cherche est de calculer des sommes de Riemann en
espérant qu'elles s'approcheront de manière désirée de la réponse exacte à condition de
prendre les sous-intervalles suffisamment petits.
Découpons donc l'intervalle [a, b] en n sous-intervalles [xi−1,xi] de largeur :
𝑏−𝑎
Δ𝑥 =
𝑛

III.2. La méthode des Rectangles

Le principe de cette technique est illustré dans la figure (III.1)

L’expression de l’intégrale devient :

𝐼 = ℎ ∑𝑛 (𝑥i+1 − 𝑥i)ƒ(𝑥i) (III-1)
2 i=1

On considère le point milieu de chaque sous intervalle pour augmenter la précision.

L’expression de l’intégrale devient dans ce cas :

𝐼 = ℎ ∑𝑛 ƒ (𝑥i+𝑥i+1) (III-2)
2i=1 2

Page : 26
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

Figure III.1 : Principe de la méthode des Rectangles

III.3. La méthode des Trapèzes

Le principe de l’approximation d’une intégrale par la méthode des trapèzes est
illustré dans la figure(III.2).

La formule générale de l’intégrale par la méthode des trapèzes s’écrit :

𝐼 = ℎ ∑𝑛 (ƒ(𝑥i) + ƒ(𝑥i+1)) (III-3)
2 i=1

Figure III.2 : Principe de la méthode des trapèzes

Page : 27
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

III.4. La méthode de Simpson

Le principe de l’approximation d’une intégrale par la méthode de Simpson est
illustré dans la figure ci-dessous :

Figure III.3 : Principe de la méthode de Simpson

La formule générale de l’intégrale par la méthode de Simpson s’écrit :

𝐼 = ℎ [ƒ(𝑎) + 4 ∑𝑛 ƒ(𝑥i) + 2 ∑𝑛−1 ƒ(𝑥i) + ƒ(𝑏)] (III-4)
3 i=2,4,6 i=1,3,5

III.5. Mise en œuvre sous Matlab

Dans ce test, il est demandé de calculer par la méthode des rectangles, des trapèzes
2
puis par celle de Simpson l’intégral I  1 x2 .dx .(Prendre n=100)
0 3
Remarque : La valeur exacte de cet intégrale est 8/9 =~ 0.888888888888889).

Page : 28
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

%=========================================================================
% Institut Universitaire de Technologie
% **********************************
% Département de Génie Electrique et Informatique Industrielle
% Licence GEII
% Matière: TP Analyse Numériques Matlab/Simulink
% *****************Enseignant Dr.JDD Nkapkop********************
%================ Integration numérique de Fonctions ======================
clear all;close all;clc;
a=input('a =');b=input('b =');n=input('n =');
h = (b - a)/n
disp(['h=',num2str(h)])
disp(['*** Intégration numérique de f(x) = (1/3)*x^2 ***'])
disp(['*** S=1. La Méthode des Rectangles ***'])
disp(['*** S=2. La Méthode des Trapèzes ***'])
disp(['*** S=3. La Méthode de Simpson ***'])
disp(['*** S=4. Pour Quitter ***'])
disp(['*** Tapez S entre <1-4> ***'])
s=input('S =');
switch s
case 1
disp(['*** Début de la méthode des Rectangles***'])
R1 = 0; R2 = 0;
f=inline('(1/3)*x^2');
for i=1:n
R1 = R1 + h * f(a + (i - 1) * h);
end
for j =1:n
R2 = R2 + h * f(a + j * h);
end
if R2 > R1
Rmin = R1; Rmax = R2;
else;
Rmin = R2; Rmax = R1;
end
R = (Rmax + Rmin) / 2;
disp([ '-----------La solution par la méthode des rectangles ---------- '])
disp([ '***Imax=', num2str(Rmax)]);
disp([ '***Imin=', num2str(Rmin)]);
disp([ '***I=',num2str(R)]);

case 2
disp(['*** Début de la méthode des Trapèzes***'])
T1 = 0
f=inline('(1/3)*x^2');
disp([' '])
disp(['x(',num2str(0),')=', num2str(a),'
f(x',num2str(0),')=', num2str(f(a))])
disp([' '])
for i = 1:n-1
disp(['x(',num2str(i),')=', num2str(a+i*h),'
f(x',num2str(i),')=', num2str(f(a + i * h))])
T1 = T1 + f(a + i * h);
end

Page : 29
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

disp(['x(',num2str(n),')=', num2str(b),'
f(x',num2str(n),')=', num2str(f(b))])
disp([' '])
T = 0.5*h*(f(a) + f(b) + 2*T1);
disp([ '------------La solution par la méthode des Trapèzes ----------- '])
disp ([ 'I=(h/2)*(f(a)+f(b)+2*T1)'])
disp([ 'I=',num2str(T)])
case 3
disp(['*** Début de la méthode de Simpson***'])
f=inline('(1/3)*x^2');
fa = f(a)
fb = f(b)
S1 = 0; S2 = 0;
disp ([' '])
disp (['x(',num2str(0),')=', num2str(a),'
f(x',num2str(0),')=',num2str(f(a))])
disp ([' '])
for i =1:2: n-1
S11 = f(a + i * h)
disp (['x(',num2str(i),')=', num2str(a+i*h),'
f(x',num2str(i),')=', num2str(S11)])
S1 = S1 + S11
end
disp ([' '])
disp ([ 'S1=', num2str(S1)])
disp ([' '])
for i = 2:2:n - 1
S22 = f(a + i * h)
disp (['x(',num2str(i),')=', num2str(a+i*h),'
f(x',num2str(i),')=', num2str(S22)])
S2 = S2 + S22
end
disp ([' '])
disp ([ 'S2=', num2str(S2)])
disp ([' '])
disp (['x(',num2str(n),')=', num2str(b),'
f(x',num2str(n),')=', num2str(f(b))])
disp ([' '])
S = (h/3)*(fa+ fb+4*S1+2*S2);
disp ([ '--------------La solution par la méthode de SIMPSON ----------- '])
disp ([ 'I=(h/3)*(f(a)+f(b)+4*S1+2*S2)'])
disp ([ 'I=', num2str(S)])

case 4
quit
otherwise
disp('Erreur! la valeur de S entre <1-4> ');
end
%=================================FIN======================================

Page : 30
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

L’exécution du programme donne les résultats suivants :

1) Par la méthode des Rectangles
a =0
b =2
n =100
h =
0.020000000000000
*** Intégration numérique de f(x) = (1/3)*x^2 ***
*** S=1. La Méthode des Rectangles ***
*** S=2. La Méthode des Trapèzes ***
*** S=3. La Méthode de Simpson ***
*** S=4. Pour Quitter ***
*** Tapez S entre <1-4> ***
S =1
*** Début de la méthode des Rectangles***
-----------La solution par la méthode des rectangles-----------
***Imax=0.90227
***Imin=0.8756
***I=0.88893
2) Par la méthode des Trapèzes
a =0
b =2
n =100
h =
0.020000000000000
*** Intégration numérique de F(x) = (1/3)*x^2 ***
*** S=1. La Méthode des Rectangles ***
*** S=2. La Méthode des Trapèzes ***
*** S=3. La Méthode de Simpson ***
*** S=4. Pour Quitter ***
*** Tapez S entre <1-4> ***
S =2
*** Début de la méthode des Trapèzes***
------------La solution par la méthode des Trapèzes------------
I=(h/2)*(f(a)+f(b)+2*T1)
I=0.88893
3) Par la méthode de Simpson
a =0
b =2
n =100
h =
0.020000000000000
*** Intégration numérique de F(x) = (1/3)*x^2 ***
*** S=1. La Méthode des Rectangles ***
*** S=2. La Méthode des Trapèzes ***
*** S=3. La Méthode de Simpson ***
*** S=4. Pour Quitter ***
*** Tapez S entre <1-4> ***
S =3
*** Début de la méthode de Simpson***
------------La solution par la méthode de SIMPSON------------
I=(h/3)*(f(a)+f(b)+4*S1+2*S2)
I=0.88889
Page : 31
CHAPITRE III : INTEGRATION NUMERIQUE DE FONCTIONS

III.6. TP N° 3 : Intégration numérique de fonctions

III.6.1. But du TP
Le but de ce TP est le calcul numérique d’une intégrale définie en utilisant les méthodes
du point milieu, des trapèzes et de Simpson.

III.6.2. Énoncé du TP

On se propose de calculer l’intégrale définie :

3
𝐼 = ∫ ln(2𝑥 + 1) 𝑑𝑥
0

 Ecrire un programme qui calcule cette intégrale en utilisant les méthodes du point
milieu, du trapèze et de Simpson avec n=10.
 Calculer la valeur exacte de l'intégrale et comparer les résultats de chaque méthode,
conclure.
 Refaire l’exécution avec n=150
 Étudier l’influence du nombre de sous-intervalles (n) sur l’erreur d’intégration
 Appliquez les mêmes étapes pour l’intégrale :

2𝜋
𝐼 = ∫ cos(𝑥) 𝑑𝑥
0

Page : 32
CHAPITRE IV

Résolution numérique
des
équations différentielles
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

IV. Introduction
Le but de ce chapitre est de calculer la solution 𝑦(𝑡) sur l’intervalle 𝐼 = [𝑎, 𝑏] du
problème de Cauchy
𝑦(𝑡) = ƒ(𝑡, 𝑦(𝑡)) Avec 𝑦(𝑡0) = 𝑦0 (IV-1)

On comprend, ainsi, qu’une équation différentielle est une équation dépendant

d’une variable 𝑡 et d’une fonction (𝑡) et qui contient des dérivées de (𝑡). Elle peut s’écrire
comme :
𝑑𝑘𝑦(𝑡)
𝑦(𝑘)(𝑡) = (IV-2)
𝑑𝑡 𝑘

Par ailleurs, il faut noter que très souvent la solution analytique n’existe pas, et on
doit par conséquent approcher la solution exacte (𝑡) par des méthodes numériques.

IV.2. La méthode d’Euler

Afin d’atteindre la solution 𝑦(𝑡), sur l’intervalle 𝑡 ∈ [𝑎, 𝑏], on choisit 𝑛 + 1

points dissemblables 𝑡0, 𝑡1, 𝑡2, . . . , 𝑡𝑛, avec 𝑡0 = 𝑎 et 𝑡𝑛 = 𝑏 et le pas de discrétisation
est défini par ℎ = (𝑏 − 𝑎)/𝑛. La solution à estimer peut être approchée par un
développement limité de Taylor

𝑦(𝑡𝑘 + ℎ) = 𝑦(𝑡𝑘) + 𝑑𝑦(𝑡𝑘) (𝑡𝑘+1 − 𝑡𝑘) + . .. (IV-3)

𝑑𝑡

Puisque 𝑑𝑦(𝑡𝑘) = ƒ(𝑡𝑘, 𝑦(𝑡𝑘)) et ℎ = 𝑡𝑘+1 − 𝑡𝑘, on obtient ainsi le schéma numérique
𝑑𝑡

d’Euler :
𝑦0 = 𝑣𝑎𝑙𝑒𝑢𝑟𝑠 i𝑛i𝑡i𝑎𝑙𝑒𝑠
{ (IV-4)
𝑦𝑘+1 = 𝑦𝑘 + ℎƒ(𝑡𝑘, 𝑦(𝑡𝑘)) 𝑎𝑣𝑒𝑐 𝑘 = 0, 1, . . . , 𝑛 − 1

Cette méthode est d’ordre 1, cela veut dire que l’erreur est proportionnelle au carré
du pas (h) de discrétisation. Intuitivement, on comprend que pour améliorer la précision
cette méthode, il suffira de réduire h. Cette réduction du pas de discrétisation aura pour

Page : 34
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

incidence l’accroissement du temps de calcul (∼ 1/ℎ). Par ailleurs, l’avantage de la

méthode d’Euler, tire son origine du fait qu’elle réclame uniquement l’évaluation de la
fonction ƒ pour chaque pas d’intégration.

IV.3. La méthode de Runge-Kutta, d’ordre 4

La méthode de Runge-Kutta (classique) d’ordre 4, est une méthode explicite très
populaire. Elle calcule la valeur de la fonction en quatre points intermédiaires selon :
𝑦0 = 𝑣𝑎𝑙𝑒𝑢𝑟𝑠 i𝑛i𝑡i𝑎𝑙𝑒
‫ﻟ‬
𝑦𝑘+1 = 𝑦𝑘 + ℎ (ƒ(𝑡𝑘, 𝑦1𝑘) + 2ƒ (𝑡𝑘 + ℎ , 𝑦2𝑘) + 2ƒ (𝑡𝑘 + ℎ , 𝑦3𝑘) + ƒ(𝑡𝑘+1, 𝑦4𝑘))
6 2 2
I ‫𝑦ﻟ‬1𝑘 = 𝑦𝑘 ℎ
𝑦2𝑘 = 𝑦𝑘 + (ƒ(𝑡𝑘, 𝑦1𝑘))
❪ I 2
𝑎𝑣𝑒𝑐 𝑘 = 0, 1, . . . , 𝑛 – 1 𝑒𝑡 𝑦 = 𝑦 + ℎ (ƒ(𝑡 + ℎ , 𝑦 ))
❪ 3𝑘 𝑘 2 𝑘 2 2𝑘
I I
𝗅 𝗅 𝑦4𝑘 = 𝑦𝑘 + ℎ(ƒ(𝑡𝑘 + ℎ2 , 𝑦3𝑘))
(IV-5)
Notons que le nombre de termes retenus dans la série de Taylor définit l’ordre de la
méthode de Runge-Kutta. Il vient que la méthode Runge-Kutta d’ordre 4, s’arrête au
terme 𝑂(ℎ4) de la série de Taylor.

IV.4. Mise en œuvre sous Matlab

Soit le problème de Cauchy
 2.x
y  y 
 y (1)
 y(0)  1


On désire approcher, effectuant le calcul avec quatre (4) décimales, la solution de (1)
en x=0.5 à l’aide de la méthode d’Euler et celle de Runge-Kutta, en subdivisant l’intervalle
[0, 1] en 50 parties égales.

La solution exacte étant y  2.x  1 , on estimera alors les résultats obtenus.

Page : 35
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

%=========================================================================
% Institut Universitaire de Technologie
% **********************************
% Département de Génie Electrique et Informatique Industrielle
% Licence GEII
% Matière: TP Analyse Numériques Matlab/Simulink
% *****************Enseignant Dr.JDD Nkapkop********************
%============ Résolution numérique des équations différentielles===========
clear all;close all;clc;
a=input('a =');
b=input('b =');
n=input('n =');
h = (b - a)/n;
t=a:h:b;
disp(['h=',num2str(h)])
disp(['*Résolution numérique de l''équation différentielle f'=y-(2.x/y)*'])
disp(['*** S=1. Pour la Méthode d''Euler ***'])
disp(['*** S=2. Pour la Méthode de Runge-Kutta ***'])
disp(['*** S=3. Pour les deux méthodes ***'])
disp(['*** S=4. Pour Quitter ***'])
disp(['*** Tapez S entre <1-4> ***'])
s=input('S =');
switch s
case 1
disp(['*** Début de la méthode de Runge-Kutta ***'])
%%%%%%%%%%%%%%%%%%%%%%%%%%% Trace de la solution exacte %%%%%%%%%%%%%
yex=sqrt(2*t+1);
figure('color',[1 1 1])
plot(t,yex,'*-g')
%%%%%%%%%%%%%%%%%%%%%%%%%%% METHODE Runge-Kutta %%%%%%%%%%%%%%%%%%%%%%%%%
dydt=inline('y-(2.*t/y)','t','y');
epsilon=0.0001;u(1)=1+epsilon;
for i=1:n-1
u1(i)=u(i);u2(i)=u(i)+h/2*dydt(t(i),u1(i));
u3(i)=u(i)+h/2*dydt(t(i)+h/2,u2(i));u4(i)=u(i)+h*dydt(t(i)+h/2,u3(i));
u(i+1)=u(i)+h/6*(dydt(t(i),u1(i))+2*dydt(t(i)+h/2,...
u2(i))+2*dydt(t(i)+h/2,u3(i))+dydt(t(i+1),u4(i)));
end
hold on
plot(t(1:end-1),u,'*-r')
xlabel(' tn')
ylabel(' Un')
legend('Exacte','Runge-Kutta')
grid
%%%%%%%%%%%%%%%%%%%%%%%%%%% METHODE d'Euler %%%%%%%%%%%%%%%%%%%%
case 2
disp(['*** Début de la méthode d'Euler ***'])
%%%%%%%%%%%%%%%%%%%%%%%%%%% Trace de la solution exacte %%%%%%%%%%%%%
yex=sqrt(2*t+1);
figure('color',[1 1 1])
plot(t,yex,'*-g')
dydt = inline('y-(2.*t/y)','t','y');
epsilon=0.0001;u(1)=1+epsilon;
for i=1:n-1
u(i+1)=u(i)+h/2*(dydt(t(i),u(i)));
end
Page : 36
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

hold on
plot(t(1:end-1),u,'*-b')
xlabel(' tn')
ylabel(' Un')
legend('Exacte','Euler')
grid
case 3
disp(['*** Pour les deux méthodes ***'])
%%%%%%%%%%%%%%%%%%%%%%%%%%% Trace de la solution exacte %%%%%%%%%%%%%
yex=sqrt(2*t+1);
figure('color',[1 1 1])
plot(t,yex,'*-g')
%%%%%%%%%%%%%%%%%%%%%%%%%%% METHODE de Runge-Kutta
%%%%%%%%%%%%%%%%%%%%%%%%%
dydt=inline('y-(2.*t/y)','t','y');
epsilon=0.0001;u(1)=1+epsilon;
for i=1:n-1
u1(i)=u(i);u2(i)=u(i)+h/2*dydt(t(i),u1(i));
u3(i)=u(i)+h/2*dydt(t(i)+h/2,u2(i));u4(i)=u(i)+h*dydt(t(i)+h/2,u3(i));
u(i+1)=u(i)+h/6*(dydt(t(i),u1(i))+2*dydt(t(i)+h/2,...
u2(i))+2*dydt(t(i)+h/2,u3(i))+dydt(t(i+1),u4(i)));
end
hold on
plot(t(1:end-1),u,'*-r')
%%%%%%%%%%%%%%%%%%%%%%%%%%% METHODE d'Euler %%%%%%%%%%%%%%%%%%%%
for i=1:n-1
u(i+1)=u(i)+h/2*(dydt(t(i),u(i)));
end
hold on
plot(t(1:end-1),u,'*-b')
xlabel(' tn')
ylabel(' Un')
legend('Exacte','Runge-Kutta','Euler')
grid
case 4
quit
otherwise
disp('Erreur! la valeur de S entre <1-4> ');
end
%=================================FIN======================================
L’exécution du programme donne les résultats suivants :
a =0; b =1; n =50
h=0.02
*** Résolution numérique de l'équation différentielle f'=y-(2.x/y) ***
*** S=1. Pour la Méthode de Runge-Kutta ***
*** S=2. Pour la Méthode d'Euler ***
*** S=3. Pour les deux méthodes ***
*** S=4. Pour Quitter ***
*** Tapez S entre <1-4> ***
S =3
*** Pour les deux méthodes ***
y_Exact'(0.5)=1.4142
y_Runge-Kutta(0.5)=1.4002
y_Euler(0.5)=1.1634

Page : 37
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

1.8
Exacte
1.7
Runge-Kutta
1.6
Un

1.5

1.4

1.3

1.2

1.1

1
0 0.2 0.4 0.6 0.8 1
tn

1.8
Exacte
1.7
d'Euler
1.6
Un

1.5

1.4

1.3

1.2

1.1

1
0 0.2 0.4 0.6 0.8 1
tn

1.8
Exacte
1.7 Runge-Kutta
Zoom
1.415 Euler
1.6

1.414
1.5
Un

1.4 1.413
0.4999 0.5 0.5
1.3

1.2

1.1

1
0 0.2 0.4 0.6 0.8 1
tn
Figure IV. 1: Solutions numériques obtenues

Page : 38
CHAPITRE IV : RESOLUTION NUMERIQUE DES EQUATIONS DIFFERENTIELLES

IV.5. TP N° 4 : Résolution numérique des équations différentielles

IV.5.1. But du TP
Le but de ce TP est l’implémentation de la méthode d’Euler et la méthode de Range
Kutta pour la résolution d’équations différentielles.

IV.5.2. Énoncé du TP

Soit l’équation différentielle (1)

𝑦= 𝑦 (1)
1+𝑡 2

Avec 𝑦(0) = 1, 𝑡 ∈ [0 0.4] et un pas d’intégration ℎ = 0.2

 Calculer la solution exacte de l’équation (1).

 Résoudre numériquement l’équation (1), par le biais de la méthode d’Euler et de

Runge-Kutta.

 Afficher sur la même figure, la solution exacte ainsi que les solutions estimées.

 Comparer la solution exacte avec les approximations précédentes. Conclure !.

Page : 39
CHAPITRE V

Résolution numérique
des
systèmes d’équations linéaires
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

V.1. Introduction
Dans ce chapitre plusieurs méthodes sont analysées. On appelle méthode de
résolution directe d'un système linéaire un algorithme qui, si l'ordinateur faisait des calculs
exacts, donnerait la solution en un nombre fini d'opérations. Il existe aussi des méthodes
itératives qui consistent à construire une suite de vecteurs convergeant vers la solution x.

V.2. La méthode directe LU

Pour résoudre 𝐴𝑥 = 𝑏, on cherche à écrire 𝐴 = 𝐿𝑈 où
 L est une matrice triangulaire inférieure avec des 1 sur la diagonale,
 U est une matrice triangulaire supérieure.
La résolution de 𝐴𝑥 = 𝑏 est alors ramenée aux résolutions successives des systèmes
échelonnés 𝐿𝑦 = 𝑏 et 𝑈𝑥 = 𝑦.

V.3. La méthode de Gauss

Il s’agit de formaliser une procédure qui transforme une matrice en une matrice
triangulaire supérieure en éliminant, colonne après colonne, les éléments non nuls en
dessous de la diagonale.

L’algorithme de Gauss qui va triangulariser la matrice A se déroule de la façon suivante :

Pour k allant de 1 à n-1 :

𝐿i = 𝐿i − 𝑎i𝑘 𝐿𝑘 𝑎𝑣𝑒𝑐 i = 𝑘 + 1 : 𝑛 (V-1)
𝑎𝑘𝑘

La solution du système suivant l’algorithme est:

𝑎i,𝑛+1−∑𝑛 𝑎ij*𝑥j
i+1
𝑥i = 𝑎ii
(V-2)

Avec : i=1 à n

Page : 41
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

V.4. La méthode de Jacobi

Dans cette méthode, on se donne des valeurs d’essai x1,x2,x3 …,xn. La première
équation permet ensuite de calculer une nouvelle estimation de x1. La seconde équation
permet de calculer une nouvelle estimation de x2 et ainsi de suite jusqu’à xn. On a alors
une nouvelle estimation de toutes les inconnues et on recommence le procédé tant que la
différence entre l’itération i+1 et l’itération i est supérieure à une précision donnée.

On remarque que si les éléments diagonaux de 𝐴 sont non nuls, le système linéaire
𝐴𝑥 = 𝑏 est équivalent à :
𝑏i−∑𝑛 𝑎ij*𝑥j
j=1 jGi
𝑥i = 𝑎ii
(V-3)

avec i = 1: n
Pour une donnée initiale 𝑥(0) choisie, on calcule 𝑥(𝑘+1) par :

𝑏i−∑𝑛 𝑎ij*𝑥𝑘+1
𝑥i𝑘+1 = j=1 jGi i (V-4)
𝑎ii

avec i = 1: n
Cela permet d'identifier le splitting suivant pour A :

𝐴 = 𝐷−𝐸− 𝐹 (V-5)
D : diagonale de A.
E : triangulaire inférieure avec des 0 sur la diagonale.
F : triangulaire supérieure avec des 0 sur la diagonale.
La matrice d'itération de la méthode de Jacobi est donnée par :

𝐵𝐽 = 𝐷−1(𝐸 + 𝐹) = 𝐼 − 𝐷−1𝐴 (V-6)

L'algorithme de Jacobi nécessite le stockage des deux vecteurs 𝑥(𝑘) et 𝑥(𝑘+1).

j j

Page : 42
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

V.5. La méthode de Gauss-Seidel

On utilise encore chacune des équations pour recalculer une nouvelle estimation de
la solution. La différence avec la méthode de Jacobi réside dans le fait que l’on utilise les
dernières valeurs obtenues (de l’itération en cours) et non celles de l’itération précédente.
Pour cette méthode on a :
𝑥i𝑘+1 =
1 (𝑏i − ∑i−1 𝑎ij * 𝑥𝑘+1 − ∑𝑛 𝑎ij * 𝑥 𝑘 ) (V-7)
𝑎ii j=1 j j=i+1 i

avec i = 1: n

Il s’écrit aussi :
𝑥𝑘+1 = (𝐷 − 𝐸)−1(𝑏 + 𝐹𝑥 𝑘 ) (V-8)

Dans ce cas, le splitting de A est :

𝑃 = 𝐷 − 𝐸; 𝑁 = 𝐹 (V-9)

Et la matrice d’itération associée est :

𝐵𝐺𝑆 = (𝐷 − 𝐸)−1𝑈 (V-10)

L'algorithme de Gauss-Seidel ne nécessite qu'un vecteur de stockage, 𝑥𝑘 étant

remplacé par 𝑥𝑘+1 au cours de l'itération. Il est en général plus rapide que l'algorithme de
Jacobi, donc il est préférable en termes de rapidité.

Page : 43
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

V.6. Mise en œuvre sous Matlab

Pour le système suivant, on va utiliser la méthode directe, de Jacobi et de Gauss‐Seidel (en
considérant que le vecteur initiale est X0=(0,0,0)):
4x1  x2  x3  7
4x  8x  x  21
 1 2 3
 2x  x  5x  15
 1 2 3

%=========================================================================
% Institut Universitaire de Technologie
% **********************************
% Département de Génie Electrique et Informatique Industrielle
% Licence GEII
% Matière: TP Analyse Numériques Matlab/Simulink
% *****************Enseignant Dr.JDD Nkapkop********************
%=========== Résolution numérique des systèmes d’équations linéaires======
clear all;clc;
%Initialisation de la matrice du système
a=[4 -1 1;4 -8 1;-2 1 5];
%Initialisation du vecteur des données
b=[7 ;-21 ;15];
%Nombre de variables et d'équations
n=3;
%Le vecteur X0
X0 = [0;0;0];

disp(['*Résolution numérique de l’’équation linéaire A.X=B *'])

disp(['*** S=1. Pour la méthode directe A \B ***'])
disp(['*** S=2. Pour la méthode directe LU ***'])
disp(['*** S=3. Pour la méthode de Gauss ***'])
disp(['*** S=4. Pour la méthode de Jacobi ***'])
disp(['*** S=5. Pour la méthode de Gauss-Seidel ***'])
disp(['*** S=6. Pour Quitter ***'])
disp(['*** Tapez S entre <1-6> ***'])
s=input('S =');
switch s

case 1
disp(['*** Début de la méthode directe A/B ***'])
X=a \b

case 2
disp(['*** Début de la méthode directe LU ***'])
[L,U,X] = decompositionLU(a,b) %La fonction decompositionLU.m

case 3
disp(['*** Début de la méthode de Gauss ***'])
%Formation de la matrice augmentée
A=[a b];
for k=1:n-1
for i=k+1:n
A(i,:)=A(i,:)-(A(i,k)/A(k,k))*A(k,:);
Page : 44
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

end
end
A
%Extraction de la solution du système d'équations
for i=n:-1:1
s=0;
for j=i+1:n
s=s+A(i,j)*x(j);
end
x(i)=(A(i,n+1)-s)/A(i,i);
end
X=x'

case 4
disp(['*** Début de la méthode de Jacobi ***'])
[X,N] = jacobi(a,b,X0,50,0.0001) %La fonction jacobi.m

%50 Nombre maximal d’itérations

% N le nombre d’itération
% 0.0001 la précision
case 5
disp(['*** Début de la méthode de Gauss-Seidel ***'])
[X,N] = gseidel(a,b,X0,50,0.0001) %La fonction gseidel.m

case 6
quit
otherwise
disp('Erreur! la valeur de S entre <1-6> ');
end
%=================================FIN======================================

%==================La fonction decompositionLU.m===========================

function [L,U,x] = decompositionLU(A,b)
n = length(b); L = zeros(n,n); U = zeros(n,n); x = zeros(n,1);
% Factorisation LU
for i = 1:n , U(i,i) = 1; end
for k = 1:n
for i = k:n
L(i,k) = A(i,k)-L(i,1:k-1)*U(1:k-1,k);
end
for j = k+1:n
U(k,j) = (A(k,j)-L(k,1:k-1)*U(1:k-1,j))/L(k,k);
end
end
% Résoudre Ly = b
y = zeros(1,n);
for i = 1:n
somme = sum(L(i,1:i-1).*y(1:i-1));
y(i) = (b(i)-somme)/L(i,i);
end
% Résoudre Ux = y
for i = n:-1:1
somme = U(i,i+1:n)*x(i+1:n);
x(i) = y(i)-somme;
end
Page : 45
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

%==================La fonction jacobi.m =================================

function [X,niter] = jacobi(A,b,X0,nmax,tol)

n = length(b); X = X0;
for niter = 1:nmax
% Calculer l'itération suivante
for i = 1:n
j = [1:i-1,i+1:n];
somme = A(i,j)*X0(j);
X(i) = (b(i)-somme)/A(i,i);
end
% Tester la convergence
if norm(X-X0) < tol
return
end
% L'ancien X0 devient le nouveau X
X0 = X;
end
% En cas de divergence

%==================La fonction gseidel.m =================================

function [X,niter] = gseidel(A,b,X0,nmax,tol)

n = length(b); X = X0;
for niter = 1:nmax
% Calculer l'itération suivante
for i = 1:n
somme1 = A(i,1:i-1)*X(1:i-1);
somme2 = A(i,i+1:n)*X0(i+1:n);
X(i)=(b(i)-somme1-somme2)/A(i,i);
end
% Tester la convergence
if norm(X-X0) < tol
return
end
% L'ancien X0 devient le nouveau X
X0 = X;
end
% En cas de divergence
disp('Pas de convergence')
%===============================FIN========================================

L’exécution du programme donne les résultats suivants :

*Résolution numérique de l’’équation linéaire A.X=B*
*** S=1. Pour la méthode directe A \B ***
*** S=2. Pour la méthode directe LU ***
*** S=3. Pour la méthode de Gauss ***
*** S=4. Pour la méthode de Jacobi ***
*** S=5. Pour la méthode de Gauss-Seidel ***
*** S=6. Pour Quitter ***
*** Tapez S entre <1-6> ***
S =1
*** Début de la méthode directe A/B ***
Page : 46
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

X =

2
4
3
S =2
*** Début de la méthode directe LU ***

L =

4.000000000000000 0 0
4.000000000000000 -7.000000000000000 0
-2.000000000000000 0.500000000000000 5.500000000000000

U =

1.000000000000000 -0.250000000000000 0.250000000000000

0 1.000000000000000 0
0 0 1.000000000000000

X =

2
4
3
S =3
*** Début de la méthode de Gauss ***

A =

4.000000000000000 -1.000000000000000 1.000000000000000

7.000000000000000
0 -7.000000000000000 0 -
28.000000000000000
0 0 5.500000000000000
16.500000000000000

X =

2
4
3
S =4
*** Début de la méthode de Jacobi ***

X =

1.999981872558594
3.999993408203125
3.000009228515625

Page : 47
CHAPITRE V : RESOLUTION NUMERIQUE DES SYSTEMES D’EQUATIONS LINEAIRES

N =

11
S =5
*** Début de la méthode de Gauss-Seidel ***

X =

1.999997873535156
3.999998092651367
2.999999530883789

N =

V.7. TP N°5 : Résolution numérique des équations différentielles

V.7.1. But du TP
Durant ce TP, nous allons implémenter les méthodes numériques de résolution des
systèmes d’équations linéaires (Méthode de Gauss, de Jacobi et de Gauss-Seidel).

V.7.2. Énoncé du TP
Soit le système linéaire suivant :
𝐴*𝑥 =𝐵
où :
10 7 5 1
𝐴 = [ 7 8 6] ; 𝐵 = [3]
8 9 5 4

 Calculer 𝑥 = inv(A) * B.
 Résoudre ce système en utilisant la méthode de Gauss, de Jacobi et de Gauss-
Seidel.
 Comparer les résultats obtenus. Conclure !.

Page : 48
Références bibliographiques
 Références bibliographiques

[1] C. T. Kelley, “Iterative Methods for Linear and Nonlinear Equations”, SIAM,
Philadelphia, 1999.
[2] Manfred GILLI, Méthodes numériques, Université de Genève, 2006.
[3] S. benkouda, Méthodes Numériques (cours et TD), université frères Mentouri.
[4] C. Brezinski, Introduction à la pratique du calcul numérique, Dunod, Paris, 1988.
[5] G. Allaire et S.M. Kaber, Algèbre linéaire numérique, Ellipses, 2002.
[6] G. Allaire et S.M. Kaber, Introduction à Scilab. Exercices pratiques corriges d'algèbre
linéaire, Ellipses, 2002.
[7] G. Christol, A. Cot et C.M. Marle, Calcul différentiel, Ellipses, 1996.
[8] M. Crouzeix et A.L. Mignot, Analyse numérique des équations différentielles,
Masson, 1983.
[9] S. Delabriere et M. Postel, Méthodes d'approximation. Equations différentielles
Applications Scilab, Ellipses, 2004.
[10] J.P. Demailly, Analyse numérique et équations différentielles. Presses Universitaires
de Grenoble, 1996.
[11] E. Hairer, S. P. Norsett et G. Wanner, Solving Ordinary Differential Equations,
Springer, 1993.
[12] D. PENNEQUIN, Méthodes Numériques, Université Paris 1, 2015-2016
[13] P. G. Ciarlet, Introduction à l’analyse numérique matricielle et à l’optimisation,
Masson, Paris, 1982.
[14] S. KENOUCHE, Méthodes Numériques via MATLAB, université de Biskra.
[15] S. Karoui, Polycopié de TP : Méthodes Numériques, USTO, 2016-2017.
[16] A. Quarteroni,R. Sacco, F. Saleri, Méthodes Numériques Algorithmes, analyse et
applications, Springer, 2007.
[17] Paola GOATIN, Analyse Numérique, Université du Sud Toulon-Var.
[18] Stéphane Canu et Gilles Gasso, « Méthodes itératives pour la solution d’un système
linéaire », Novembre 19, 2016.

Page : 50