UNIVERSITÉ MOULAY ISMAIL FACULTÉ DES SCIENCES ET

TECHNIQUES D'ERRACHIDIA

Département de Mathématiques

Ploycopié de cours

Module M 148

Méthodes numériques

Pr. Toufik MEKKAOUI

Année Universitaire : 2014/2015

ii
Table des matières

Avant-propos v
1 Notions sur les erreurs numériques 1
1.1 Arithmétique machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Représentation machine des nombres réels . . . . . . . . . . . . . . . . . 2
1.1.2 Pertes de chires signicatifs . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Notions de conditionnement et stabilité . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Interpolation polynomiale 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Polynôme d'interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 8

3 Méthodes d'intégration numérique 13

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 But et motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.3 Lois de Newton-cotes simples . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.4 Lois de Newton-Cotes composites . . . . . . . . . . . . . . . . . . . . . . 17

4 Dérivation Numérique 21
4.1 Dérivée première . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Formule générale en trois points . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3 Dérivées d'ordre supérieur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4 Étude de l'erreur commise. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

5 Résolution d'équations non linéaires 27

5.1 Méthode de dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Théorème du point xe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.3.1 Description de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.3.2 Rapidité de convergence de la méthode de la sécante . . . . . . . . . . . . 31
5.4 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.4.1 Description de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.4.2 Interprétation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.4.3 Rapidité de convergence de la méthode de Newton . . . . . . . . . . . . . 32

iii
iv TABLE DES MATIÈRES

5.5 Ordre de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

6 Méthodes directes de résolution des systèmes linéaires 35

6.1 Le problème de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.2 La méthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.3 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.4 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.4.1 Transformations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.4.2 Opérateurs élémentaires (de Perlis) . . . . . . . . . . . . . . . . . . . . . . 36
6.4.3 Exemple de matrices élémentaires . . . . . . . . . . . . . . . . . . . . . . 37
6.4.4 Exemple de transformations élémentaires . . . . . . . . . . . . . . . . . . 37
6.4.5 Matrices équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.5 Description de la méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.5.1 Première étape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
ème
6.5.2 K étape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.5.3 Pivot partiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.5.4 Pivot total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.6 Méthode de factorisation L.U de Doolittle et Crout. . . . . . . . . . . . . . . . . 39
Avant-propos

Ce document est une version regroupée des notes de deux cours enseignés à la FSTE, en
deuxième année de parcours MIP.
Ces enseignements se composent à la fois de cours magistraux et de séances de travaux dirigés et
de travaux pratiques. Leur but est de présenter plusieurs méthodes numériques de base comme
le calcul numérique d'intégrales ou encore pour l'approximation de fonctions par interpolation
polynomiale, ainsi que d'introduire aux étudiants les techniques d'analyse (théorique) de ces
dernières. Certains aspects pratiques de mise en ÷uvre sont également évoqués et l'emploi des
méthodes est motivé par des problèmes  concrets . La présentation et l'analyse des méthodes
se trouvent complétées par un travail d'implémentation et d'application réalisé par les étudiants
avec le logiciels Scilab.

v
vi AVANT-PROPOS
Chapitre 1

Notions sur les erreurs numériques

1.1. Introduction

Dans le titre de ce chapitre, le mot erreur n'est pas pris au sens de faute (raisonnement faux dans
la méthode, instruction fausse dans le programme). Il ne concerne que des erreurs inévitables.
On peut les classer en trois catégories :
- Les erreurs sur les données. Elles peuvent être dues à l'imprécision des mesures physiques ou
au fait que les données proviennent elle même d'un calcul approché. Elles sont imposées, en
quelque sorte, de l'extérieur et nous ne pouvons agir sur elles. Néanmoins, la manière dont elles
se propagent au cours des calculs est davantage du ressort du calculateur. L'analyse de cette
propagation sera évoquée au cours de ce chapitre. Elle est liée aux notions de conditionnement
et de stabilité.
- Les erreurs d'arrondi. Ce sont les erreurs dues au fait que la machine (dans ce cours, ce terme
désignera indiéremment la calculette de poche ou l'ordinateur) ne peut représenter les nombres
réels qu'avec un nombre ni de chires. A chaque opération mathématique élémentaire, il pourra
y avoir une perte de chires signicatifs. Le calculateur doit donc être vigilant quand le nombre
d'opérations est très important. Cela va faire l'objet du prochain paragraphe.
- Les erreurs d'approximation ou de discrétisation. Ce sont les erreurs qu'on commet, par exemple,
lorsqu'on calcule une intégrale à l'aide d'une somme nie, une dérivée à l'aide de diérences -
nies ou bien la somme d'une série innie à l'aide d'un nombre ni de ses termes (on parle alors
quelquefois d'erreur de troncature). Une situation qu'on rencontrera souvent également consiste
à approcher une fonction, solution d'une certaine équation fonctionnelle ou aux dérivées par-
tielles, par une combinaison linéaire nie de fonctions élémentaires. Ce type d'erreurs est bien
sûr fortement lié à la méthode employée. Un des buts de l'analyse numérique consiste justement
à évaluer ces erreurs de discrétisation pour chaque algorithme mis en place. C'est donc un souci
qui nous accompagnera tout au long de ce cours.

Pour mesurer l'erreur entre la solution fournie par une méthode numérique et la solution du
problème que l'on cherche à résoudre (on parle encore d'estimer la précision de la méthode), on
introduit les notions d'erreur absolue et relative.

Dénition 1.0.1 Soit x̂ une approximation d'un nombre réel x. On dénit l'erreur absolue
entre ces deux scalaires par
|x − x̂|

1
2 CHAPITRE 1. NOTIONS SUR LES ERREURS NUMÉRIQUES

et, lorsque x est non nul, l'erreur relative par

|x − x̂|
|x|

De ces deux quantités, c'est souvent la seconde que l'on privilégie pour évaluer la précision d'un
résultat, en raison de son invariance par changement d'échelle : la mise à l'échelle x → αx et
x̂ → αx̂ ,α 6= 0 laisse en eet l'erreur relative inchangée.

1.1 Arithmétique machine

1.1.1 Représentation machine des nombres réels
Le système de représentation machine des nombres réels le plus utilisé en calcul scientique
est celui de la représentation en virgule ottante normalisée. Un nombre x 6= 0 s'écrit x ≈ ±mbp
où b est la base de numération (entier supérieur ou égal à 2),m la mantisse (ensemble de chires
de la base b) et p l'exposant (entier relatif ). Dire que la représentation est normalisée, c'est sup-
poser b−1 ≤ m < 1.

Exemple 1.1.1 en base 10 ou en base 2 on a 1100.001001.

12.153 = 0.12153 × 102
les puissances de 2 sont fréquemment utilisées par les constructeurs d'ordinateurs. Cela signie,
par exemple que tous les calculs internes sont faits en base 2 et seul le résultat aché est traduit
en base 10.
La mantisse m est donc un nombre qui commence toujours par 0. . . . et qui s'écrit avec un
nombre maximum N de chires signicatifs (imposé par le choix de la taille des emplacements
mémoires alloués au type réel). Signalons la possibilité oertes sur la plupart des ordinateurs
(mais pas sur les calculatrices !) de travailler en double précision, c'est-à-dire essentiellement avec
une mantisse comportant 2N chires signicatifs. Cette possibilité est évidemment coûteuse en
temps de calcul et ne doit surtout pas être utilisée systématiquement. Elle est intéressante, en
particulier, quand on n'est pas très sûr de la stabilité d'un algorithme, pour pouvoir comparer
des résultats obtenus en simple précision et en double précision.

L'exposant p est lui aussi limité par la machine avec laquelle on travaille. Si p est hors des
limites permises (i.e.trop grand en valeur absolue), le nombre x ne sera pas représentable en
machine : elle achera alors un message du type exponent overow quand le nombre est trop
grand, ou elle achera 0 s'il est trop petit. On appelle quelquefois capacité le plus grand nombre
que peut écrire la machine et pas le plus petit nombre. En général, le pas est l'inverse de la
capacité. La diérence entre la valeur exacte d'un nombrex et la valeur x∗ de sa représentation
1 −N p
est appelée erreur d'arrondi. Elle est majorée par b b , soit en valeur relative :
2

 x − x∗  b−N bp b−N bp b1−N

 
 x  ≤ 2x ≤ 2bp−1 = 2
 

Cette erreur est systématiquement présente dans tout calcul arithmétique sur nombre réel eectué
par un ordinateur. Elle fait que l'arithmétique numérique n'a pas la précision de l'arithmétique
mathématique et peut, si on n'y prend pas garde, conduire à des résultats inexacts, voire aber-
rants, comme le montrent les exemples suivants et les exercices.
1.2. NOTIONS DE CONDITIONNEMENT ET STABILITÉ 3

1.1.2 Pertes de chires signicatifs

Pour faciliter la compréhension, nous nous plaçerons dans l'environnement rassurant de la
base 10, les phénomènes étant du même type dans toute base.

Exemple 1.1.2 Supposons que dans un calcul apparaisse la quantité x = π − 3.1415 (où π =
3.141592653589793 . . .) Si on travaille avec 8 chires signicatifs (comme beaucoup de calcu-
lettes), le nombre π sera représenté par : π∗ = 0.31415927 10−1 en virgule ottante normalisée.
On aura donc
x = 0.31415927 10−1 − 0.31415 10−1 = 0.0000927 10−1 = 0.927 10−4

On constate que x ne contient en fait que 3 chires signicatifs et non 8, soit une perte sèche de 5
chires signicatifs. Ce genre de phénomènes peut surgir à tout moment d'un calcul. Nous verrons
de nombreux exemples d'algorithmes conduisant à faire la diérence de 2 nombres proches.
Exemple 1.1.3 Soit à calculer le quotient
XN π − 3.1415
A= = 4
XD 10 (π − 3.1415) − 0.927
En travaillant avec 8 chires signicatifs, on a :
XD = 104 (0.927 10−4 ) − 0.927 = 0

π ∗ = 3.1415927 A=Erreur
π ∗ = 3.14159265 A = −0.18530
π ∗ = 3.141592653 A = −0.197134
π ∗ = 3.1415926536 A = −0.1996844

Exemple 1.1.4 L'addition numérique n'est pas associative : en virgule ottante à N chires
signicatifs, (a + b) + c peut être diérent de a + (b + c). C'est le cas avec le choix suivant où
les calculs sont faits avec 8 chires signicatifs.
a = 0.23371258 10−4 ; b = 0.33678429 102 et c = −0.3367811 102
a + b = 0.00000023(371258) 102 + 0.33678429 102 = 0.33678452 102 .
On remarque que, dans cette addition, les 6 derniers chires de a sont perdus. Ainsi :
(a + b) + c = 0.33678452 102 − −0.3367811 102 = 0.00000641 102 = 0.641 10−3

Par ailleurs :
b + c = 0.00000618 102 = 0.618 10−3
a + (b + c) = 0.02337125(8) + 0.618 10−3 = 0.64137126 10−3

Remarque 1.1.1 Dans les calculs où interviennent des nombres d'ordres de grandeur diérents,
il est en général préférable d'eectuer les opérations en groupant ceux d'ordres de grandeur
similaires pour éviter les pertes de chires signicatifs.

1.2 Notions de conditionnement et stabilité

Ces deux notions, toujours présentes en analyse numérique, sont relatives à la propagation
plus ou moins importante des erreurs d'arrondi dans un calcul donné. Nous les étudions ici pour
le calcul d'une fonction.
x ∈ R → f (x) ∈ R
4 CHAPITRE 1. NOTIONS SUR LES ERREURS NUMÉRIQUES

1.2.1 Conditionnement
Le conditionnement décrit la sensibilité de la valeur d'une fonction à une petite variation de
son argument, c'est-à-dire :

f (x) − f (x∗ ) x − x∗
en fonction de
f (x) x
lorsque x − x∗ est petit. Pour une fonction susamment régulière, on a évidemment :

 f (x) − f (x∗ ) x − x∗   xf 0 (x) 

   
 /  '  
 f (x) x   f (x) 
D'où on tire :

Dénition 1.2.1 On appelle conditionnement d'une fonction numérique f de classe C 1 en un

point x, le nombre  0 
 xf (x) 
cond(f )x =  
f (x) 
√
Exemple 1.2.1 f (x) = x  0 
 xf (x)  1
 f (x)  = 2
 

Ceci correspond à un bon conditionnement, puisque l'erreur relative sur f sera au plus moitié
d'une erreur relative sur x.
Exemple 1.2.2 f (x) = a − x  0   
 xf (x)   x 
 = 
 f (x)   a − x 
Ici, le conditionnement est très mauvais si x est voisin de a.

1.2.2 Stabilité
La stabilité décrit la sensibilité d'un algorithme numérique pour le calcul d'une fonction f (x).
Exemple 1.2.3 √ √
f (x) = x+1− x
Le conditionnement de cette fonction est égal à :
 0  r
 xf (x)  1 x
 =
 f (x)  2 x + 1

Cette dernière expression étant proche de 1/2 pour x grand. Donc, si x est grand, le condition-
nement de f est bon. Cependant, dans un calcul à 6 chires signicatifs, on a :
√ √
f (12345) = 12346 − 12345 = 111.113 − 111.108 = 0.5 10−2
Or un calcul précis donne :f (12345) = 0.4500032 10−2 . On a donc une erreur de 10% ce qui est
important et peu en accord avec le bon conditionnement de f . Ceci est dû à l'algorithme utilisé
dans ce calcul que l'on peut expliciter
√
comme√
suit :
x0 = 12345; x1 = x0 + 1; x2 = x1 ; x3 = x0 ; x4 = x2 − x3 .
Il y a quatre fonctions à intervenir et, à priori, même si le conditionnement de f est bon, il se peut
que le conditionnement d'une ou plusieurs fonctions utilisées dans l'algorithme soit supérieur à
celui de f . C'est ce qui se produit ici pour la fonction x3 7−→ x4 = x2 − x3 (x2 étant supposé xe)
dont le conditionnement est grand lorsque x3 est voisin de x2 comme on l'a vu précédemment.
1.3. CONCLUSION 5

En conclusion, le choix d'un bon algorithme numérique est essentiel. Par exemple, ci-dessus,
un meilleur algorithme est obtenu en utilisant :

√ √ 1
f (x) = x+1− x= √ √
x+1− x

Dans ce cas, toujours avec 6 chires signicatifs :

1 1
f (12345) = √ √ = = 0.450002 10−2
12346 + 12345 222.221

ce qui donne une erreur relative de 0.0003%.

1.3 Conclusion
An de limiter la propagation des erreurs d'arrondi, il faut essayer d'anticiper en utilisant
des algorithmes dont la stabilité est optimisée par un choix d'opérations intermédiaires à bon
conditionnement. Les phénomènes soulignés dans ce chapitre ne pouvant être, en tout état de
cause, complètement éliminés, on peut essayer d'évaluer l'erreur totale à laquelle un algorithme
est susceptible de donner lieu : a/ en faisant un calcul en double précision et en confrontant le
résultat au même calcul fait en simple précision. Cependant, cette technique est très coûteuse en
temps machine puisqu'elle peut multiplier le temps de calcul par un facteur 8.
b/ en faisant une analyse mathématique de l'erreur : ce peut être une analyse rétrograde de
l'erreur comme celle utilisée plus haut pour comparer (a + b)+c et a+(b + c). Des méthodes
statistiques peuvent être également utilisées. Nous renvoyons à la littérature spécialisée pour ces
questions le plus souvent délicates.
6 CHAPITRE 1. NOTIONS SUR LES ERREURS NUMÉRIQUES
Chapitre 2

Interpolation polynomiale

2.1 Introduction

Soit n un entier positif. Etant donné une famille de (n + 1) points (xi , yi )i=0,...,n distincts du
plan, l'interpolation est une technique consistant à constuire une courbe d'un type donné passant
par les points (xi , yi ). Les quantités yi , i = 0, · · · , n, peuvent en eet représenter les valeurs aux
noeuds xi , i = 0, · · · , n, d'une fonction f connue analytiquement, et l'on cherche alors à rempla-
cer f par une fonction plus simple à manipuler en vue d'un calcul numérique faisant intervenir
des dérivées et /ou des intégrales, ou bien encore des données expérimentales, auquel cas on vise
à obtenir une représentation ou même une loi empirique pour celle ci lorsque leur nombre est
important.
Dans un problème d'interpolation polynomiale de Lagrange, on cherche en particulier à déter-
miner un polynôme de degré n dont le graphe passe par ces (n + 1) points, c'est à dire à trouver
Πn ∈ Pn vériant Πn (xi ) = yi pour i = 0, · · · , n,. On dit alors que le polynôme Πn interpole les
quantités {yi }i=0,··· ,n aux noeuds {xi }i=0,··· ,n . Le choix de polynôme n'est pas le seul possible :
l'interpolation trigonométrique utilise des fonctions trigonométriques et est largement utilisé dans
la mise en oeuvre de l'analyse de Fourier.
Cependant, la régularité, la facilité de calcul d'une valeur en un point grâce à la méthode de
Horner et les nombreuses autres propriètés des polynômes en font une classe des fonctions parti-
culièrement intéressantes d'un point de vue pratique. L'interpolation polynomiale est pour cette
raison un outil de premier plan pour l'approximation numérique des fonctions.
Dans ce chapitre, on traite majoritairement de l'interpolation de Lagrange, qui constitue la base
théorique principale de l'interpolation polynomiale. Après en avoir donné les principes et les pro-
priétés, nous considérons les aspects pratiques du calcul du polynôme d'interpolation de Lagrange
ainsi que l'étude de l'erreur d'interpolation, qui est l'erreur commise lorsque l'on substitue à une
fonction donnée son polynôme d'interpolation. Quelques exemples d'interpolation par morceaux
concluent cette (brève) présentation.
On suppose une fois pour toutes que {(xi , yi )}i=0,··· ,n , n ≥ 0 est une famille de (n + 1) points
dont les abscisses xi sont toutes deux à deux distinctes. An d'alléger la rédaction, on appellera
souvent dans ce chapitre (la section consacrée à l'interpolation par morceaux faisant toutefois ex-
ception) polynôme d'interpolation le polynôme de Lagrange associé aux points {(xi , yi )}i=0,··· ,n .

7
8 CHAPITRE 2. INTERPOLATION POLYNOMIALE

2.1.1 Polynôme d'interpolation de Lagrange

Le polynôme d'interpolation, encore appelé polynôme interpolant, de Lagrange associé aux
points {(xi , yi )}i=0,··· ,n est déni comme étant la solution du problème d'interpolation poly-
nomiale mentionné en introduction. Commençons par montrer que ce problème est bien posé,
c'est-à-dire qu'il admet une unique solution.

Théorème 2.1.1 Soit n un entier positif. Étant donné (n + 1) points distincts, x0 , x1 , · · · , xn

et (n + 1) valeurs y0 , y1 , · · · , yn , il existe un unique polynôme Πn ∈ Pn tel que Πn (xi ) = yi pour
i = 0, 1, · · · , n.

Démonstration. Le polynôme Πn recherché étant de degré n, on peut poser

n
X
Πn (x) = aj xj , ∀x ∈ R,
j=0

et ramener le problème d'interpolation à la détermination des coecients aj , j = 0, · · · , n. En

utilisant les conditions Πn (xi ) = yi pour i = 0, 1, · · · , n, on arrive à un système linéaire à n+1
équations et n+1 inconnues :

a0 + a1 xi + · · · + an xni = yi , i = 0, 1, · · · , n. (2.1)

Ce système possède une unique solution si et seulement si la matrice carrée qui lui est associée
est inversible. Or, il se trouve que le déterminant de cette dernière est un déterminant de Van-
dermonde dont on peut montrer (preuve est laissée en exercice) qu'il vaut

xn0
 
 1 x0 ··· 
xn1
 
 1 x1 ···  Y
= (xj − xi ).
 
 .. .
.
.
.
 . . . 
  0≤j<i≤n
 1 xn ··· xnn 

Les n÷uds d'interpolation étant tous distincts, ce déterminant est non nul.

Remarque 2.1.1 Une autre façon de prouver l'unicité du polynôme d'interpolation est la sui-
vante. Supposons qu'il existe un autre polynôme ψm , de degré m inférieur ou égal à n, tel que
ψm (xi ) = yi pour i = 0, · · · , n. La diérence s'annule alors en n + 1 points distincts, elle est
donc nulle d'après le théorème fondamental de l'algèbre.

Pour construire le polynôme d'interpolation Πn , il sut donc de résoudre le système précé-

dent, cependant été démontré que le nombre de conditionnement des matrices de Vandermonde
peut être grand, ce qui conduit à des erreurs importantes lors de la résolution numérique par des
méthodes directes, cette résolution s'avérant également coûteuse.
Une autre possibilité consiste à écrire le polynôme d'interpolation non pas dans la base canonique
mais dans une base adaptée, pour laquelle la matrice du système linéaire associé au problème est
diagonale : la base des polynômes de Lagrange.
2.1. INTRODUCTION 9

Forme de Lagrange du polynôme d'interpolation

Commençons par introduire les polynômes de Lagrange et leurs propriétés. Dénition On
appelle polynômes de Lagrange associés aux n÷uds {xi }i=0,··· ,n , n ≥ 1, les (n + 1) polynômes
li ∈ Pn , i = 0, · · · , n, dénis par

n
Y x − xj
li (x) =
xi − xj
j=0
j 6= i

Bien que communément employée pour ne pas alourdir les écritures, la notation li , i = 0, · · · , n,
utilisée pour les polynômes de Lagrange ne fait pas explicitement apparaître leur degré. La valeur
de l'entier n est en général claire compte tenu du contexte, mais il faudra cependant bien garder
cette remarque à l'esprit, puisque l'on peut être amené à augmenter n

Proposition 2.1.1 Les polynômes de Lagrange {li }i=0,··· ,n , n ≥ 0 sont tous de degré n, vérient
li (xk ) = δi,k , i, k = 0, · · · , n et forment une base de Pn .

Preuve voit T.D.

Figure 2.1  polynôme de Lagrange Li (x) i = 0, · · · , 5 associés à des n÷uds équidistribués sur
l'intervalle [−1; 1].

À titre d'illustration, on a représenté sur la gure suivante les graphes sur l'intervalle [−1; 1]
des polynômes de Lagrange associés aux n÷uds −1, −0.5, 0, 0.5 et 1.

Théorème 2.1.2 Soit n un entier positif. Étant donné (n + 1) points distincts x0 , · · · , n et

(n + 1)valeurs y0 · · · , yn , le polynôme d'interpolation Πn ∈ Pn tel que Πn (xi ) = yi , i = 0, · · · , n,
est donné par la formule d'interpolation de Lagrange
n
X
Πn (x) = yi li (x) (2.2)
i=0
10 CHAPITRE 2. INTERPOLATION POLYNOMIALE

Démonstration. Pour établir (2), on utilise que les polynômes {li }i=0,··· ,n forment une base de
n
La décomposition de Πn dans cette base s'écrit Πn (x) = µi li (x), et on a alors
X
Pn .
i=0

n
X
yj = Πn (xj ) = µi li (xj ) = µj , ∀j = 0, · · · , n.
i=0

Forme de Newton du polynôme d'interpolation

L'utilisation de la formule d'interpolation de Lagrange (2) s'avère peu commode d'un point de
vue pratique. D'une part, l'expression (**) montre qu'on peut dicilement déduire un polynôme
de Lagrange d'un autre. D'autre part, imaginons que l'on connaisse le polynôme d'interpolation
Πn−1 associé aux n paires (xi , yi ), i = 0, · · · , (n−1),et que, étant donné un couple supplémentaire
(xn , yn ) , on souhaite calculer le polynôme Πn L'écriture de Πn , faisant intervenir la base des
polynômes de Lagrange associés aux n÷uds {xi )i=0,...,n conduit au calcul de tous les polynômes
(de degré n) li , i = 0, ..., n. La forme de Newton du polynôme d'interpolation ore une alternative,
bien moins onéreuse en coût de calcul, à la détermination de Πn , en écrivant ce dernier comme
la somme de Πn−1 et d'un polynôme de degré n (qui dépend des n÷uds {xi }i=0,...,n−1 et d'un
seul coecient inconnu).
Nous allons à présent expliciter la forme de Newton du polynôme d'interpolation Πn . Posons
pour cela

Πn (x) = Πn−1 (x) + qn (x), (2.3)

où qn ∈ Pn . Puisque qn (xi )Πn (xi ) − Πn−1 (xi ) = 0, pour i = 0, .., (n − 1), on a nécessairement

qn (x) = an (x − x0 )...(x − xn−1 )

Notons alors

n
Y
ωn (x) = (x − xi) (2.4)
i=0

le polynôme de Newton de degré n associé aux noeuds {xi }i=0,...,n et déterminons le coecient
an . Comme Πn (xn ) = yn , on déduit que

yn − Πn−1 (xn )
an =
ωn (xn )

Le coecient an donné par la formule ci-dessus est appelée la nième diérence divisée de Newton
et se note généralement an = y [x0 , x1 , · · · , xn ] , n ≥ 1.
On a par conséquent Πn (x) = Πn−1 (x) + y [x0 , x1 , · · · , xn ] ωn (x)
En posant y[x0 ] = y0 , et ω0 ≡ 11, on obtient,

n
X
Πn (x) = y [x0 , x1 , ..., xi ] ωi (x) (2.5)
i=0

qui est, en vertu de l'unicité du polynôme d'interpolation, le même polynôme que celui dénit par
(2). La forme (5) est appelée formule des diérences divisées de Newton du polynôme d'interpo-
lation.Ce n'est autre que l'écriture de Πn dans la base de Pn formée par la famille de polynômes
2.1. INTRODUCTION 11

de Newton {ωi }i=0,...,n .

Une propriété des diérences divisées

On peut vérier, à titre d'exercice, que la formule (2) se réécrit, en fonction du polynôme de
Newton de degré n + 1, de la manière suivante
n
X ωn+1 (x)
Πn (x) = 0 yi (2.6)
i=0
(x − xi )ωn+1 (xi )
En utilisant alors (5) pour identier y[x0 , ..., xn ] avec le coecient lui correspondant dans (6) on
obtient la forme explicite suivante pour cette diérence divisée
n
X yi
y[x0 , ..., xn ] = 0
ω
i=0 n+1 i
(x )
: Parmi toutes les conséquences de cette dernière expression, il en est une particulièrement
importante pour la mise en oeuvre de la forme de Newton du polynôme d'interpolation. En eet,
par une simple manipulation algébrique, on obtient la formule de récurrence

y[x1 , · · · , xn ] − y[x0 , · · · , xn−1 ]

y[x0 , ..., xn ] = (2.7)
xn − x0
de laquelle ces quantités tirent leur nom et qui fournit un procédé pour leur calcul eectif. Ce
dernier consiste en la construction du tableau suivant

au sein duquel les diérences divisées sont disposées de manière à ce que leur évaluation se fasse
de proche en proche en observant la règle suivante : la valeur d'une diérence est obtenue en
soustrayant à la diérence placée immédiatement à sa gauche celle située au dessus de cette der-
nière, puis en divisant le résultat par la diérence entre les deux points de l'ensemble {xi }i=0,...,n
situés respectivement sur la ligne de la diérence à calculer et sur la dernière ligne atteinte en
remontant diagonalement dans le tableau à partir de cette même diérence.

Théorème 2.1.3 Soient (n + 1) noeuds distincts xi , i = 0, ..., n, contenus dans un intervalle

non vide de R et f une fonction supposée de classe C n+1 sur [a, b]. L'erreur d'interpolation
[a, b]
en tout point x de [a, b] est alors donnée par
f n+1 (c)
f (x) − Πn f (x) = ωn+1 (x)
(n + 1)!
où c ∈]a, b[.
12 CHAPITRE 2. INTERPOLATION POLYNOMIALE
Chapitre 3

Méthodes d'intégration numérique

3.1 Introduction
3.1.1 But et motivation
Le but de ce chapitre est d'aborder le calcul général de l'intégrale d'une fonction f (x) sur un
domaine ni délimité par des bornes nies a et b :

Z b
I= f (x) dx
a

Dans certains cas très limités, une telle intégrale peut être calculée analytiquement (à la main).
Cependant, ce n'est que très rarement possible, et le plus souvent un des cas suivants se présente :
- Le calcul analytique est long et compliqué
- Le résultat de l'intégrale est une fonction compliquée qui fait appel à d'autres fonctions elles-
même longues à évaluer.
- Cette intégrale n'a pas d'expressions analytique ( par exemple la fonction erreur :

Z x
2
Erf (x) = √ exp(−t2 ) dt)
π 0

Dans tous ces cas, on préfèrera calculer numériquement la valeur de l'intégrale I.

3.1.2 Principe
L'idée principale est de trouver des méthodes qui permettent de calculer une valeur approchée
I˜ de l'intégrale à calculer I.
Comme toujours, un programme numérique n'invente rien, et ne fait que procéder très rapidement
à un calcul que l'on pourrait en principe faire à la main. Une méthode bien connue consiste par
exemple à diviser l'aire sous la courbe en un grand nombre de petits rectangle d'aires I˜k et de
I˜ = k I˜k
P
les sommer. Le résultat est alors une approximation de l'intégrale I. Cette méthode
dite des rectangles est un exemple parmi d'autres. Nous le reverrons, mais nous verrons aussi
d'autres méthodes, plus générales et plus performantes.
Pour presque toutes les méthodes, l'intégrale numérique est calculée à partir de l'évaluation de

13
14 CHAPITRE 3. MÉTHODES D'INTÉGRATION NUMÉRIQUE

f (x) en un nombre de points (n + 1) distincts : fk = f (xk ), k = 0, ..., n. Elle s'écrit alors :

n
X
I˜ = (b − a) ωk fk
k=0

Dans ce cas, on parle de méthodes de quadrature.

3.1.3 Lois de Newton-cotes simples

Comme nous allons le voir, les méthodes de Newton-cotes simples ne permettent pas à elles-
seules, d'atteindre des précisions susantes sur des intervalles [a, b] nis et ne sont donc jamais
utilisées dans ce cas. En revanche, elles deviennent précises lorsque |b−a| → 0, et elles constituent
alors la base élémentaire des méthodes composites présentées dans la section suivante.

Principe
Le principe générale des méthodes de Newton-Cotes simple est d'approximer la fonction f (x)
à intégrer par un polynôme P (x) ' f (x). Si cette approximation est susamment bonne alors,
l'intégrale de ce polynôme
Z b
I˜ = P (x) dx
a
Rb
sera une bonne approximation de I = a
f (x) dx. L'avantage est que l'on sait calculer analy-

tiquement la valeur exacte de I˜. Dans ces méthodes, on choisit des polynômes de degré p qui
coïncident avec f (x) en (p + 1) points distincts, espacés régulièrement entre les bornes a et b.
Ces points sont situés aux positions :

b−a
{xk = a + kh, k ∈ [0, p]} avec h=
p
On a alors ∀k ∈ [0, p], P (xk ) = fk = f (xk ).
Des polynômes de degrés diérents dénissent des méthodes diérentes. Nous allons voir les plus
courantes, c'est à dire les méthodes d'ordres les plus bas.

Méthode du rectangle (p = 0)
Cette méthode utilise le polynôme de degré le plus bas, à savoir le polynôme constant :
P0 (x) = f0 = f (a)
Rb
L'intégrale approchée I˜0 = a
P0 (x) dx se calcul alors trivialement et donne

I˜0 = (b − a)f0

Il s'agit de l'aire du rectangle. Cette intégrale numérique nécessite une unique évaluation de la
fonction f (en x0 = a) et représente donc ce qu'on peut faire de plus rapide.
L'erreur peut-être estimée en utilisant les développements en séries de Taylor ou le théorème des
accroissements nis on trouve alors pour h=b−a :

h2 0 h2
∃ ξ ∈ [a, b] 0 = I − I˜0 = f (ξ) c.à.d |0 | ≤ sup |f 0 |
2 2 [a,b]
3.1. INTRODUCTION 15

Pour calculer l'erreur, on peut utiliser le théorème des accroissements nis : ∀x ∈ [a, b], ∃ξ ∈ [a, b]
tel que
f (x) = f (a) + (x − a)f 0 (ξ)
En remplaçant dans l'expression de l'intégrale et de l'erreur, on trouve :

b b
h2 0
Z Z
 = I − I˜ = (f (x) − P0 (x)) dx = (x − a)f 0 (ξ) dx = f (ξ)
a a 2

Méthode du point milieu (p = 0)

Cette méthode utilise également le polynôme constant pour approcher la fonction f. Cepen-
dant elle exploite mieux les symétries du problème en choisissant la valeur milieu :
 
a+b
P00 (x) = f = f00
2
Rb
L'intégrale approchée I˜00 = a
P00 (x) dx = (b − a)f00
Il s'agit de l'aire d'un rectangle. Cette méthode nécessite une unique évaluation de la fonction f
en x0 = (a + b)/2, et correspond donc aussi à ce qu'on peut faire de plus rapide.
L'erreur peut-être estimée en utilisant le développement en série de Taylor. On trouve alors pour
h=b−a :
h3 00 h3
∃ξ ∈ [a, b] 00 = f (ξ) c.à.d |00 | ≤ sup |f 00 |
24 24 [a,b]
16 CHAPITRE 3. MÉTHODES D'INTÉGRATION NUMÉRIQUE

Pour calculer l'erreur, on peut utiliser le théorème des accroissements nis du second ordre :

       2 00
a+b a+b a+b a+b f (ξ)
f (x) = f + x− f0 + x−
2 2 2 2 2
En remplaçant dans l'expression de l'intégrale et de l'erreur, on trouve le résultat.

Méthode du trapèze (p = 1)

Pour approximer la fonction f, cette méthode utilise le polynôme d'ordre 1, la droite qui
passe par f0 = f (a) et f1 = f (b) :
 
f0 + f1 f1 − f0 a+b
P1 (x) = + x−
2 b−a 2
Rb
L'intégrale approchée I˜1 = a
P1 (x) dx, se calcule facilement :

f0 + f1
I˜1 = (b − a)
2
Il s'agit de l'aire du trapèze. Cette méthode nécessite deux évaluations de la fonction f (en a et
en b). Elle est donc en gros deux fois plus lente que les méthodes précédentes.
L'erreur peut-être estimée en utilisant l'erreur d'interpolation. On trouve alors pour h=b−a :

h3 00 h3
∃ ξ ∈ [a, b] 1 = − f (ξ) c.à.d |1 | ≤ sup |f 00 |
12 12 [a,b]

En précision, cette méthode est donc équivalente à celle du point milieu (1 ' 00 ), mais deux
fois plus lente.

Méthode de Simpson (p = 2)
Pour approcher la fonction f , cette méthode utilise le polynôme de degré 2 qui passe par les
a+b
trois points f0 = f (a), f1 = 2 et f2 = f (b) :

f2 − 2f1 + f0 f2 − f0
P2 (x) = 2 2
(x − x1 )2 + (x − x1 ) + f1
(x2 − x0 ) x2 − x0
3.1. INTRODUCTION 17

Rb
L'intégrale approchée I˜2 = a
P2 (x) dx se calcule alors simplement et donne

f0 + 4f1 + f2
I˜2 = (b − a)
6
Cette méthode nécessite trois évaluations de la fonction f (en x0 = a, x1 = (a + b)/2 et x2 = b),
On trouve alors pour h = (b − a)/2

h5 (4)
∃ ξ ∈ [a, b] 2 = − f (ξ)
90

3.1.4 Lois de Newton-Cotes composites

Le principe est donc de découper le domaine total d'intégration [a, b] en m intervalles. On
approxime alors l'aire I˜k , k ∈ [0, m − 1] de chaque intervalle par des méthodes de Newton-Cotes
simples, et on en déduit une approximation de l'aire totale par une simple somme :

m−1
X
I˜ = I˜k
k=0

b−a
Lorsque m est susamment grand, la largeur
m des intervalles devient aussi petite que l'on
veut, si bien que ces méthodes peuvent atteindre des précisions aussi grandes que nécessaire, sans
pour autant se heurter au problème des polynômes de grand degré.

Méthode des rectangles (p = 0, m = n)

La méthode des rectangles composite applique la méthode des rectangles simple (p = 0) sur
chacun des m intervalles. Le nombre total de sous-intervalles est donc n = m. L'aire de chaque
intervalle vaut :
I˜0,k = (xk+1 − xk ) fk = hk fk = hfk
Si bien que l'intégral totale vaut :

n−1
X
I˜0 = h (f0 + f1 + · · · + fn−1 ) = h fk
k=0
18 CHAPITRE 3. MÉTHODES D'INTÉGRATION NUMÉRIQUE

L'erreur est simplement la somme de toutes les erreurs :

n−1 n−1
X h2 X 0 h2 0
0 = 0,k = f (ξk ) = nf (ξ)
2 2
k=0 k=0

(b − a)2
|0 | ≤ sup |f 0 |
2n [a,b]
b−a
où l'on a utilisé le fait que h =
n pour la dernière inégalité. A nouveau, cette méthode est
exacte pour les fonctions constantes. Plus généralement, elle est d'autant plus précise que le
nombre de points est grand :

0 = O(1/n) = O(h)

L'erreur décroit comme 1/n. La méthode des rectangles est une méthode d'ordre 1.

Méthode des trapèzes p = 1, m = n

La méthode des trapèzes composite applique la méthode des trapèzes simple (p = 1) sur
chacun des m intervalles. Le nombre total de sous-intervalles est donc à nouveau n = m. Chaque
intégrale vaut :
fk+1 + fk
I˜1,k = (xk+1 − xk )
2
Si bien que l'intégrale totale vaut :

n−1
!
f0 + 2f1 + 2f2 + · · · + 2fn−1 + fn f0 X fn
I˜1 = h =h + fk +
2 2 2
k=1

Dans cette formule, les points du bord du domaine ont des coecients diérents (1/2) de tous
le points intérieurs (1).
L'erreur est simplement la somme de toutes les erreurs :

h3 00
1 = − nf (ξ)
12

(b − a)3
|1 | ≤ sup |f 00 |
12n2 [a,b]

où l'on a utilisé le fait que h = (b − a)/n. A nouveau, cette méthode est exacte pour les fonctions
constantes et anes (et même les paraboles en fait). Plus généralement, elle est d'autant plus
précise que le nombre de points est grand :

 
1
1 = O = O(h2 )
n2

L'erreur décroit comme 1/n2 . La méthode des trapèzes est une méthode d'ordre 2.
3.1. INTRODUCTION 19

Méthode de Simpson (p = 2, n = 2m)

La méthode de Simpson composite applique la méthode de Simpson simple (p = 2) sur chacun
des m intervalles. Le nombre total de sous-intervalles est donc cette fois- n = 2m (il est forcément
pair et le nombre de points (n + 1) est forcément impair !). Chaque intégrale vaut :

fk + 4fk+1 + fk+2
I˜2,k = (xk+2 − xk )
6
Si bien que (pour un nombre d'intervalles n pair) l'intégrale totale vaut :

h
I˜2 = (f0 + 4f1 + 2f2 + · · · + 2fn−2 + 4fn−1 + fn )
3
 
n/2−1 n/2−1
h X X
I˜2 = f0 + 2 f2k + 4 f2k+1 + fn 
3
k=1 k=0

Dans ces formules, il y a 3 coecients diérents : 1/3 pour les points du bord, 4/3 pour le points
internes impairs, et 2/3 pour les points internes pairs.
À nouveau, l'erreur est simplement la somme de toutes les erreurs :

h5
2 = − mf (4) (ξ)
90
(b − a)5
|2 | ≤ sup |f (4) |
180n4 [a,b]
où l'on a utilisé le fait que h = (b − a)/n et n = 2m. Plus le nombre de points est grand, plus la
méthode est précise :
 
1
2 = O = O(h4 )
n4
L'erreur décroit comme 1/n4 . La méthode de Simpson est une méthode d'ordre 4.
20 CHAPITRE 3. MÉTHODES D'INTÉGRATION NUMÉRIQUE
Chapitre 4

Dérivation Numérique

La dérivation numérique nous permet de trouver une estimation de la dérivée ou de la pente

d'une fonction, en utilisant seulement un ensemble discret de points.

4.1 Dérivée première

Soit f une fonction connue seulement par sa valeur en (n+1) points donnés xi i = 0; 1; · · · ; n
distincts.
Les formules de diérence les plus simples basées sur l'utilisation de la ligne droite pour interpoler
les données ulilisent deux points pour estimer la dérivée.
On suppose connue la valeur de la fonction en xi−1 , xi et xi+1 ; on pose f (xi−1 ) = yi−1 , f (xi ) =
yi , et f (xi+1 ) = yi+1 .
Si on suppose que l'espace entre deux points successifs est constant, donc on pose h = xi −xi−1 =
xi+1 − xi .
Alors les formules standards en deux points sont :
Formule de diérence progressive :
f (xi+1 ) − f (xi ) yi+1 − yi
f 0 (xi ) ' =
xi+1 − xi xi+1 − xi
Formule de diérence régressive :
f (xi ) − f (xi−1 ) yi − yi−1
f 0 (xi ) ' =
xi − xi−1 xi − xi−1
Formule de diérence centrale :
f (xi+1 ) − f (xi−1 ) yi+1 − yi−1
f 0 (xi ) ' =
xi+1 − xi−1 xi+1 − xi−1
Remarque :
Les formules de diérences classiques peuvent être trouvées en utilisant la formule de Taylor.

h2 00
f (x + h) = f (x) + hf 0 (x) + f (η)
2
x≤η ≤x+h

21
22 CHAPITRE 4. DÉRIVATION NUMÉRIQUE

 Formule progressive

h = xi+1 − xi

f (xi+1 ) − f (xi ) h 00
f 0 (xi ) = − f (η)
h 2

xi ≤ η ≤ xi + h
h 00
2 f (η) donc en O(h) : Cette formule peut être trouvée aussi en utilisant le
l'erreur est
polynôme d'interpolation de Lagrange pour les points (xi , f (xi )) et (xi+1 , f (xi+1 ))
 Formule régressive

h = xi − xi−1

f (xi ) − f (xi−1 ) h 00
f 0 (xi ) = + f (η)
h 2

xi−1 ≤ η ≤ xi

La formule de diérence centrale de la dérivée en xi peut être trouvée en utilisant la formule de

Taylor d'ordre 3 avec h = xi+1 − xi = xi − xi−1

h2 00 h3
f (xi+1 ) = f (xi ) + hf 0 (xi ) + f (xi ) + f (3) (η1 )
2 3!

h2 00 h3
f (xi−1 ) = f (xi ) − hf 0 (xi ) + f (xi ) − f (3) (η2 )
2 3!

xi ≤ η1 ≤ xi+1 , xi−1 ≤ η2 ≤ xi

si on suppose que f (3) est continue sur [xi−1 , xi+1 ] on peut écrire la formule suivante :

f (xi+1 ) − f (xi−1 ) h2 (3)

f 0 (xi ) = + f (η)
2h 6

xi−1 ≤ η ≤ xi+1
h2 (3)
l'erreur est
6 f (η) donc en O(h2 ). La formule de diérence centrale peut aussi être trouvée
à partir du polynôme d'intérpolation de Lagrange en 3 points. On peut interpoler les données
par un polynôme au lieu d'utiliser la droite, nous obtenons alors les formules de diérence qui
utilisent plus de deux points. On suppose que le pas h est constant.
Formule de diérence progressive utilisant trois points :

−f (xi+2 ) + 4f (xi+1 ) − 3f (xi )

f 0 (xi ) '
xi+2 − xi

Formule de diérence régressive utilisant trois points :

3f (xi ) − 4f (xi−1 ) + f (xi−2 )

f 0 (xi ) '
xi − xi−2
4.2. FORMULE GÉNÉRALE EN TROIS POINTS 23

4.2 Formule générale en trois points

La formule d'approximation en 3 points de la dérivée première, basée sur le polynôme d'in-
terpolation de Lagrange, n'utilise pas des points équidistants.
Etant donné trois points (x1 , y1 ), (x2 , y2 ) et (x3 , y3 ) avec x1 < x2 < x3 , la formule suivante
permet d'approcher la dérivée en un point x ∈ [x1 , x3 ]. Les dérivées aux points xi sont les
suivantes :

2x1 − x2 − x3 x1 − x3 x1 − x2
f 0 (x1 ) = y1 + y2 + y3
(x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x1 )(x3 − x2 )

x2 − x3 2x2 − x1 − x3 x2 − x1
f 0 (x2 ) = y1 + y2 + y3
(x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x1 )(x3 − x2 )

x3 − x2 x3 − x1 2x3 − x2 − x1
f (x3 ) = y1 + y2 + y3
(x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x2 )(x3 − x1 )

Le polynôme de Lagrange est donnée par

P (x) = L1 (x)y1 + L2 (x)y2 + L3 (x)y3

où
(x − x2 )(x − x3 )
L1 (x) =
(x1 − x2 )(x1 − x3 )

(x − x1 )(x − x3 )
L2 (x) =
(x2 − x1 )(x2 − x3 )

(x − x1 )(x − x2 )
L3 (x) =
(x3 − x1 )(x3 − x2 )

L'approximation de la dérivée première est donnée par f 0 (x) ' P 0 (x), qui peut s'ecrire

P 0 (x) = L01 (x)y1 + L02 (x)y2 + L03 (x)y3

où
2x − x2 − x3
L01 (x) =
(x1 − x2 )(x1 − x3 )

2x − x1 − x3
L02 (x) =
(x2 − x1 )(x2 − x3 )

2x − x2 − x1
L03 (x) =
(x3 − x2 )(x3 − x1 )

Donc

2x − x2 − x3 2x − x1 − x3 2x − x2 − x1
f 0 (x) ' y1 + y2 + y3
(x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x2 )(x3 − x1 )
24 CHAPITRE 4. DÉRIVATION NUMÉRIQUE

4.3 Dérivées d'ordre supérieur.

Les formules de dérivées d'ordre supérieur, peuvent être trouvées à partir des dérivées du
polynôme de Lagrange ou en utilisant les formules de Taylor.
Par exemple, étant donné 3 points xi−1 ; xi ; xi+1 équidistants, la formule de la dérivée seconde
est donnée par :
1
f 00 (xi ) ' [f (xi+1 ) − 2f (xi ) + f (xi−1 )]
h2
l'erreur est en O(h2 ) :
Dérivée seconde à partir du polynôme de Taylor

h2 00 h3 h4
f (x + h) = f (x) + hf 0 (x) + f (x) + f (3) (x) + f (4) (η1 )
2! 3! 4!

h2 00 h3 h4
f (x − h) = f (x) − hf 0 (x) + f (x) − f (3) (x) + f (4) (η2 )
2! 3! 4!
x ≤ η1 ≤ x + h et x − h ≤ η2 ≤ x.

f (x + h) − 2f (x) + f (x − h)
f 0 (x) '
h2

l'erreur est en O(h2 ) :

Pour obtenir les formules de la troisième et la quatrième dérivée, on prend une combinaison
linéaire des développement de Taylor, pour f (x + 2h), f (x + h), f (x − h) et f (x − 2h).
La table suivante donne diérentes formules centrales toutes en O(h2 ) :

1
f 0 (xi ) ' [f (xi+1 ) − f (xi−1 )]
2h

1
f 00 (xi ) ' [f (xi+1 ) − 2f (xi ) + f (xi−1 )]
h2
1
f (3) (xi ) ' [f (xi+2 ) − 2f (xi+1 ) + 2f (xi−1 ) − f (xi−2 )]
2h3
1
f (4) (xi ) ' [f (xi+2 ) − 4f (xi+1 ) + 6f (xi ) − 4f (xi−1 ) + f (xi−2 )]
h4
En utilisant les polynômes d'interpolation de Lagrange les dérivées d'ordre p sont calculées par :

n
X
f (p) (α) ∼ Ai (α)f (xi )
i=0

(p)
où Ai (α) = Li (α) p ≤ n.
Remarque :
La formule est exacte pour les polynômes de degrés n :
Le système linéaire donnant les Ai (α) a un déterminant de type Vandermonde diérent de zéro
si les xi sont distincts.
Les Ai (α) sont indépendants de f et peuvent être calculés une fois pour toutes.
4.4. ÉTUDE DE L'ERREUR COMMISE. 25

4.4 Étude de l'erreur commise.

D'après le chapitre précédent, si f est connue en (n + 1) points xi ; i = 0; ...; n alors f (x) =
Pn (x) + e(x); où e(x) est l'erreur d'interpolation. En dérivant on obtient

n
X
f 0 (x) = Pn0 (x) + e0 (x) = Ai (x)f (xi ) + e0 (x)
i=0

et  
d 1
e0 (x) = L(x)f (n+1) (ξx )
dx (n + 1)!
1 1 d h (n+1) i
= L0 (x)f (n+1) (ξx ) + L(x) f (ξx )
(n + 1)! (n + 1)! dx
On remarque tout de suite que l'erreur de dérivation est nulle si f est un polynôme de degré
inférieur ou égale à n. Si on prend pour x un point xi ; le second terme de la dernière somme
d
 (n+1) 
s'annule, sinon il faut connaître
dx f (ξx ) ; ce qui est dicile car la fonction x → ξx étant
inconnue.
On constate qu'on devra se contenter d'une estimation :

1 1
|e0 (x)| ≤ L0 (x)Mn+1 + L(x)Mn+2 .
(n + 1)! (n + 2)!
26 CHAPITRE 4. DÉRIVATION NUMÉRIQUE
Chapitre 5

Résolution d'équations non linéaires

On considère une fonction réelle f dénie sur un intervalle [a, b], avec a < b, et continue sur
cet intervalle et on suppose que f admet une unique racine sur I =]a, b[, c'est-à-dire qu'il existe
un unique α∈I tel que f (α) = 0.

5.1 Méthode de dichotomie

On considère un intervalle [a, b] et une fonction f continue de [a, b] dans R. On suppose que
f (a)f (b) < 0 et que l'équation f (x) = 0 admet une unique solution α sur l'intervalle [a, b]. La
méthode de dichotomie consiste à construire une suite (xn ) qui converge vers α de la manière
suivante :

Initialisation : On prend pour x0 le milieu de [a, b]. La racine se trouve alors dans l'un des
deux intervalles ]a, x0[ ou ]x0, b[ ou bien elle est égale à x0 .
∗ Si f (a)f (x0 ) < 0, alors α ∈]a, x0 [. On pose a1 = a, b1 = x0 .
∗ Si f (a)f (x0 ) > 0 alors α ∈]x0 , b[. On pose a1 = x0 , b1 = b.
On prend alors pour x1 le milieu de [a1 , b1 ].
On construit ainsi une suite x0 = (a + b)/2, x1 = (a1 + b1 )/2,...xn = (an + bn )/2 telle que
|α − xn | ≤ (b − a)/2n+1
Etant donné une précision , cette méthode permet d'approcher α en un nombre prévisible
d'itérations.

27
28 CHAPITRE 5. RÉSOLUTION D'ÉQUATIONS NON LINÉAIRES

Les principes de construction suivants consistent à transformer l'équation f (x) = 0 en une

équation équivalente g(x) = x. On peut poser par exemple g(x) = x + f (x), mais on prendra
plus généralement g(x) = x + u(x)f (x) où u est une fonction non nulle sur l'intervalle I .Il reste à
choisir u pour que la suite dénie par x0 ∈ I et la relation de récurrence xn+1 = xn + u(xn )f (xn )
soit bien dénie et converge vers la racine α de f .
Géométriquement, on a remplacé la recherche de l'intersection du graphe de la fonction f avec
l'axe Ox, par la recherche de l'intersection de la droite d'équation y = x avec la courbe d'équation
y = g(x).

Le choix d'une méthode est conditionné par les réponses aux questions suivantes :

1. la suite (xn ) converge-t-elle ?

2. si la suite converge, sa limite est-elle α?

3. si on veut la solution à  près, comment arrêter les itérations dès que cette condition est
remplie ?

4. comme dans tout calcul, on désire obtenir rapidement le résultat approché, il faudra donc
estimer la manière dont évolue l'erreur e = xn − α , au cours des itérations.

Les deux premières questions sont purement mathématiques. Les deux dernières sont numé-
riques, car on ne peut eectuer qu'un nombre ni d'itérations pour le calcul.
La continuité des fonctions considérées permet de répondre à la question 2: si la suite converge,
elle converge vers une racine de l'équation ; si, de plus, xn ∈ I , pour tout n, alors par unicité de
la racine dans I, la suite converge vers α.

5.2 Théorème du point xe

Dénition 5.2.1 On dit que l'application g : [a, b] → R est strictement contractante si
∃ L ∈]0, 1[, ∀x, y ∈ [a, b], |g(x) − g(y)| ≤ L |x − y| .

Proposition 5.2.1 Soit g une application de classe C1 de l'intervalle [a, b] de R dans R . On

suppose que g vérie
0

max |g 0 (x)| ≤ L < 1

x∈[a,b]

alors l'application g est strictement contractante dans l'intervalle [a, b].

5.3. MÉTHODE DE LA SÉCANTE 29

Théorème 5.2.1 Si g est une application dénie sur l'intervalle [a, b] à valeurs dans [a, b], alors
la suite (xn ) dénie par x0 ∈ [a, b] et la relation de récurrence xn+1 = g(xn ) converge vers
l'unique solution α de l'équation x = g(x), avec α ∈ [a, b].
Preuve 5.2.1 la suite (xn ) est bien dénie car g ([a, b]) ⊂ [a, b]Ÿ.
Montrons, par l'absurde, que l'équation x = g(x) a au plus une solution. Supposons qu'il y ait
deux solutions α1 et α2 , alors
|α1 − α2 | = |g(α1 ) − g(α2 )| ≤ L|α1 − α2 |
or L < 1 donc nécessairement α1 = α2 .
Montrons que la suite (xn ) est convergente. On a
|xn+1 − xn | = |g(xn ) − g(xn−1 )| ≤ L|xn − xn−1 |
et par récurrence
|xn+1 − xn | ≤ Ln |x1 − x0 |
On en déduit que
1 − Lp Ln
|xn+p − xn | ≤ Ln |x1 − x0 | ≤ |x1 − x0 |
1−L 1−L
Cette suite vérie le critère de Cauchy ; elle est donc convergente vers α ∈ [a, b],
or l'application
g est continue donc la limite α vérie g(α) = α.
On a aussi une évaluation de l'erreur en faisant tendre p vers l'inni, on obtient
Ln
|α − xn | ≤ |x1 − x0 |
1−L
On constate que, pour n xé, l'erreur est d'autant plus petite queL est proche de 0.

5.3 Méthode de la sécante

5.3.1 Description de la méthode
Cette méthode est également appelée méthode de Lagrange, méthode des parties proportion-
nelles ou encore regula falsi. . .
On considère un intervalle [a, b] et une fonction f de classe C 2 de [a, b] dans R. On suppose que
0
f (a)f (b) < 0 et que f ne s'annule pas sur [a, b], alors l'équation f (x) = 0 admet une unique
solution sur l'intervalle [a, b].
La méthode de la sécante consiste à construire une suite (xn ) qui converge vers α de la manière
suivante : soit ∆0 la droite passant par (a, f (a)) et (b, f (b)) , elle coupe l'axe Ox en un point
d'abscisse x0 ∈]a, b[. On approche donc la fonction f par un polynôme P de degré 1 et on résout
P (x) =
Ensuite, suivant la position de α par rapport à x0 , on considère la droite passant par (a, f (a))
et(x0 , f (x0 )) si f (a)f (x0 ) < 0 ou celle passant par (x0 , f (x0 )) et (b, f (b)) si f (b)f (x0 ) < 0 . On
appelle x1 l'abscisse du point d'intersection de cette droite avec l'axe Ox. On réitère ensuite le
procédé.

Plaçons-nous dans le cas où f0 > 0 est dérivable et f est convexe (i.e. f 00 ≥ 0), alors la suite
(xn ) est dénie par
(
x0 = a
bf (xn )−xn f (b)
xn+1 = f (xn )−f (b)
30 CHAPITRE 5. RÉSOLUTION D'ÉQUATIONS NON LINÉAIRES

En eet, si f est convexe, on remplace l'intervalle [xn , b] par l'intervalle [xn+1 , b]. L'équation d'une
droite passant par (c, f (c)) et (b, f (b)) est :
y = f (b) − f (b)−f
b−c
(c)
(x − b). On cherche son intersection avec l'axe Ox donc on prend y=0 et
on obtient la formule donnée plus haut.

Remarque 5.3.1 si f est convexe, alors sa représentation graphique est au dessus des tangentes
et en dessous des cordes.

bf (x)−xf (b) b−x

On pose g(x) =f (x)−f (b) = x − f (b)−f (x) f (x) d'où xn+1 = g(xn )
Montrons que cette suite (xn ) est bien dénie.
Pour cela, il sut de montrer que g ([a, b]) ⊂ [a, b]. Vérions d'abord que g est de classe C 1 sur
[a, b]. Elle l'est de manière évidente sur [a, b[. L'application g est continue en b et g(b) = b − ff0(b)
(b) .
On a pour tout x ∈ [a, b[

b−x f (b) − f (x) − (b − x)f 0 (x)

g 0 (x) = 1 − f 0 (x) + f (x)
f (b) − f (x) (f (b) − f (x))2

f (b) − f (x) − (b − x)f 0 (x)

= f (b)
(f (b) − f (x))2
00
On en déduit que g 0 est continue en b et g 0 (b) = f 2f
(b)f (b)
0 (b)2 . De plus, l'application f est convexe,
0
donc f (b) − f (x) − (b − x)f (x) ≥ 0. On a également f (b) > 0, car f croissante et f (a)f (b) < 0.
La fonction g est donc croissante sur [a, b]. On a alors g([a, b]) ⊂ [g(a), g(b)]. De plus, g(a) =
(b−a) (b−a)
a − f (a) f (b)−f (a) , or f (a) < 0 et f (b)−f (a) ≥ 0 par croissance de f ; donc g(a) ≥ a. De même
f (b) 0
g(b) = b − f 0 (b) , or f (b) > 0 et f (b) > 0, donc g(b) ≤ b.
La croissance de g montre que la suite (xn ) est croissante car x1 = g(a) ≥ a = x0 , or elle est
dans l'intervalle [a, b], donc elle converge vers l ∈ [a, b] g , g(l) = l. De
tel que, par continuité de
plus, x0 ≤ α donc une récurrence immédiate et la croissance de g montrent que, pour tout entier
n, xn ≤ α. On en déduit que l ≤ α, c'est-à-dire que l ∈]a, b[
Soit x ∈]a, b[ tel que f (x) = 0, alors il est immédiat que g(x) = x.
b−x
Réciproquement, soit x ∈]a, b[ tel que g(x) = x, alors
f (b)−f (x) f (x) = 0, or x 6= b et f (x) 6= f (b)
car f est strictement croissante et x ∈]a, b[. On en déduit que f (x) = 0. Il y a unicité de la racine
de f , donc l = α et la suite (xn ) converge vers α.
5.4. MÉTHODE DE NEWTON 31

5.3.2 Rapidité de convergence de la méthode de la sécante

On a xn − α = g 0 (ξn )(xn−1 − α). On en déduit, par continuité de g0 en α, que

|xn − α|
lim = |g 0 (α)|
n→+∞ |xn−1 − α|

5.4 Méthode de Newton

On cherche les points xes de la fonction g(x) = x + u(x)f (x), et on a vu que

|xn − α|
lim = |g 0 (α)|
n→+∞ |xn−1 − α|

Pour obtenir une convergence plus rapide, on peut chercher u tel que g 0 (α) = 0. On a, si les
0 0 0
fonctions ont les régularités nécessaires, g (x) = 1 + u (x)f (x) + u(x)f (x) et on en déduit que
g(α) = 0 si u(α) = f 0 (α) . Si la fonction f ne s'annule pas, on peut donc choisir u(x) = f−1
−1 0
0 (x) . On

obtient alors la méthode de Newton.

5.4.1 Description de la méthode

On considère une fonction réelle dénie sur un intervalle I = [a, b] de classe C2 telle que
0 00
f (a)f (b) < 0 ; on suppose que les fonctions f et f ne s'annulent pas et gardent chacune un
signe constant sur I. On pose
f (x)
g(x) = x −
f 0 (x)
Si f 0 f 00 est positive (respectivement négative) sur [a, b], on pose x0 = b (respectivement a).
On dénit alors la suite (xn ) par la donnée de x0 et la relation de récurrence xn+1 = g(xn ).

Théorème 5.4.1 La suite (xn ) converge vers α l'unique racine de f sur [a, b].
Preuve 5.4.1 pour simplier la rédaction, on va supposer que f 0 est strictement positive et f 00
est strictement négative sur I . Les autres cas se traitent de manière similaire. Ces hypothèses
assurent l'existence et l'unicité deα ∈ I tel que f (α) = 0.
On va montrer que la suite (xn ) est croissante et majorée par α. On a x0 = a, donc x0 ≤ α.
f (x )
Supposons que xn ≤ α, alors, comme xn+1 = xn − 0 n et que la fonction f 0 est positive, donc
f (xn )
f est croissante, on en déduit immédiatement que xn+1 ≥ xn et la suite (xn ) est croissante. De
f (x)f 00 (x)
plus, xn+1 − α = g(xn ) − g(α) = g0 (ξn )(xn − α) avec ξn ∈]xn , α[. Or g0 (x) = , donc
(f 0 (x))2
g (x) > 0 et xn+1 ≤ α.
0

La suite (xn ) est croissante et majorée ; elle est donc convergente. Notons l sa limite. La conti-
nuité de g permet d'écrire que l = g(l) et donc f (l) = 0 d'o`u l = α.

5.4.2 Interprétation graphique

La méthode de Newton consiste à remplacer la courbe par sa tangente en une de ses deux
extrémités. Le point x1 est l'intersection de cette tangente avec l'axe Ox.
Pour faire le dessin, on va se placer dans le cas étudié pour la méthode de la sécante, i.e. f0 > 0
32 CHAPITRE 5. RÉSOLUTION D'ÉQUATIONS NON LINÉAIRES

et f 00 > 0. On prend alors x0 = b.

Traçons la tangente à la courbe représentative de f passant par (b, f (b)). L'équation de cette
tangente est y = f 0 (b)(x − b) + f (b). Son intersection avec l'axe Ox a une ordonnée nulle et son
f (b)
abscisse vaut x1 = b − 0
f (b) . On trace ensuite la tangente à la courbe au point (x1 , f (x1 )). Le
réel x2 est l'abscisse de l'intersection de cette deuxième tangente avec l'axe Ox et on réitère ce
procédé.

5.4.3 Rapidité de convergence de la méthode de Newton

On suppose que la fonction f est de classe C3
I = [a, b], que l'on a f (a)f (b) < 0 et que les
sur
0 00
fonctions f et f [a, b]. Ceci nous garantit l'existence
sont toutes deux strictement positives sur
0
et l'unicité d'une racine simple α de f sur [a, b]. On a donc f (α) = 0 et f (α) 6= 0
f (x)
On pose g(x) = x − 0
f (x) et on dénit la suite (xn ) par x0 = b et la relation de récurrence
xn+1 = g(xn ).

|xn+1 − α| |xn+1 − α| f 2 (α)

Théorème 5.4.2 On a alors lim = 0, et lim = .
n→+∞ |xn − α| n→+∞ |xn − α|2 2f 0 (α)

Preuve 5.4.2 puisque f est de classe C 3 , g est de classe C 2 ; on a g0 (α) = = 0 car αf (α)f 00 (α)
f 0 (α)2
est racine simple de f.
La formule de Taylor à l'ordre 1 s'écrit xn − α = g(xn ) − g(α) = (xn − α)g0 (ξ) or g0 est continue
|xn+1 − α|
sur [a, b], donc n→+∞
lim = g 0 (α) = 0
|xn − α|
La formule de Taylor à l'ordre 2 s'écrit xn −α = g(xn )−g(α) = (xn −α)g0 (α)+ 21 (xn −α)2 g00 (η) =
1
2 (xn − α)2 g 00 (η)
|xn+1 − α| f 2 (α)
or g00 est continue sur [a, b], donc n→+∞
lim 2
= g 00 (α) = 0 .
|xn − α| 2f (α)

5.5 Ordre de convergence

La convergence de la suite ne sut pas numériquement, on aimerait avoir une estimation
de la rapidité de convergence. On pose en = xn − α, en est l'erreur absolue au pas n. L'erreur
relative vaut en /α.
5.5. ORDRE DE CONVERGENCE 33

|en+1 |
Dénition 5.5.1 La méthode dénie par xn+1 = g(xn ) est dite d'ordre p si a une limite
|en |p
non nulle en +∞. La méthode de la sécante est donc d'ordre 1 si g0 (α) 6= 0, tandis que la méthode
de Newton est d'ordre 2 si g00 (α) 6= 0.
Dénition 5.5.2 Lorsque la méthode est d'ordre 1 (respectivement 2), on dit que la convergence
est linéaire (respectivement quadratique).
34 CHAPITRE 5. RÉSOLUTION D'ÉQUATIONS NON LINÉAIRES
Chapitre 6

Méthodes directes de résolution des

systèmes linéaires

Dans la pratique scientique, on se trouve souvent confronté à des problèmes dont la résolution
passe par celle d'un système d'équations qui modélisent les divers éléments considérés. La solution
est obtenue par la résolution d'un système d'équations linéaires ou non linéaires.

Nous nous intéressons dans ce chapitre à la résolution des systèmes linéaires.

6.1 Le problème de Cramer

Nous voudrions résoudre simultanément n équations à n inconnues par des méthodes directes



 a1,1 x1 + a1,2 x2 + ··· + a1,n xn = b1



 a2,1 x1 + a2,2 x2 + ··· + a2,n xn = b2
. . . . .

. . . . .
. . . . . (2.1)
. . . . .

. . . . .




 . . . . .
an,1 x1 + an,2 x2 + ··· + an,n xn = bn


n
P
que l'on notera aussi ai,j xj = bi ∀i = 1, · · · , n. ou encore
j=1
     
a1,1 a1,2 ··· ··· a1,n x1 b1
 a2,1
 a2,2 ··· ··· a2,n   x2
 
  b2 
  
 .. .
.
.
.
  ..   .. 
 . . .   . = . 
     
 . . .   .   . 
 .. .
.
.
.   ..   .. 
an,1 an,2 ··· ··· an,n xn bn

ou simplement

Ax = b (2.2)

35
36CHAPITRE 6. MÉTHODES DIRECTES DE RÉSOLUTION DES SYSTÈMES LINÉAIRES

6.2 La méthode de Cramer

C'est certainement la méthode la plus connue de résolution des systèmes linéaires. Toutefois c'est
la moins recommandable. On l'écrit : x = A−1 b.

6.3 Méthode de Gauss

Théorème 6.3.1 . Etant donnée une matrice carrée A quelconque, il existe des matrices inver-
sibles S telles que SA = A0 , où A est une matrice triangulaire supérieure.

6.4 Principe de la méthode

La méthode de Gauss consiste à transformer le système Ax = b à un système équivalent A0 x = b0 ,
0
où A est une matrice triangulaire supérieure, la résolution de ce dernier système étant immédiate.
xi s'obtient donc aisement par le calcul à rebours suivant :

 
n
1  0 X
xi = 0 b − a0 xj  i = n, · · · , 1.
ai,i i j=i+1 i,j

La triangularisation est éectuée par le jeu de transformations élémentaires introduites par pré-
multiplication de [A, b] par des matrices de Perlis.

6.4.1 Transformations élémentaires

Une matrice est dite élémentaire lorsqu'elle est obtenue par des opérations élémentaires sur
les lignes ou sur les colonnes de la matrice identité. Les opérations élémentaires sur une matrice
sont les suivantes :
• échanger deux lignes ou deux colonnes
• ajouter un multiple d'une ligne à une autre ligne (respectivement colonne)
• multiplier une ligne ou une colonne par un scalaire non nul.

6.4.2 Opérateurs élémentaires (de Perlis)

Soient les matrices suivantes
Ei,j , la matrice In dont on a permuté la ième et la j ème ligne.
Ei (d), la matrice In dont la ième ligne a été multiplié par le scalaire d.
0
Ei,k (α), la matrice In dont les termes de la ième ligne sont remplacés par
(ei,j + αek,j ) ∀j.
Les matrices Ei,j , Ei (d), Ei,k (α) s'appellent les matrices élémentaires de Perlis.
−1 −1 1 −1
ces matrices sont régulières et leurs inverses s'écrivent Ei,j = Ei,j , Ei (d) = Ei ( ), Ei,k (α) =
d
Ei,k (−α).
Les transformations élémentaires sur une matrice A peuvent se ramener à la prémultiplication
de A par l'une des matrices élémentaires précédentes.
∼ ∼
A= Ei,l A, A est obtenue de A après permutation des lignes i et l.
Ainsi avec
0 0 èmè
Si A = Ei,k (α)A, alors A est la matrice obtenue de A dont la i ligne est remplacée par la
èmè èmè
somme de la i ligne et de α fois la k ligne.
6.5. DESCRIPTION DE LA MÉTHODE DE GAUSS 37

6.4.3 Exemple de matrices élémentaires

     
0 0 1 1 0 1 1 α 0
E1,3 = 0 1 0  E2 (d) =  0 d 0  E1,2 (α) =  0 1 0 
1 0 0 0 0 1 0 0 1

6.4.4 Exemple de transformations élémentaires

   
1 2 3 1 2 3
A= 4 5 A1 = E2,1 (−4)A =  0 −3
6  −6  ,
7 8 9 7 8 9
 
1 2 3
A2 = E3,1 (−7)A1 =  0 −3 −6  ,
0 −6 −12
 
1 2 3
A3 = E3,2 (−2)A2 =  0 −3 −6  .
0 0 0

6.4.5 Matrices équivalentes

Deux matrices de même rang A et B sont dites équivalentes (A ∼ B) si l'on peut obtenir l'une
à partir de l'autre par une suite de transformations régulières de type précédent. dns l'exemple
précédent A ∼ A1 ∼ A2 ∼ A3 , cette série de transformation s'appelle triangularisation.

6.5 Description de la méthode de Gauss

Soit le système suivant

    

a1,1 a1,2 ··· ··· a1,n x1 b1
 a2,1
 a2,2 ··· ··· a2,n   x2
 
  b2 
  
 .. .
.
.
.
  ..   .. 
 . . .   . = . 
     
 . . .   .   . 
 .. .
.
.
.   ..   .. 
an,1 an,2 ··· ··· an,n xn bn

Sachant que les mêmes transformations seront opérés sur A et b, an de ne pas modier le
système, on s'implie l'algorithme en formant la matrice augmentée [A, b] où le vecteur b devient
la (n + 1)ème colonne de la matrice A. Le système s'écrit donc

     
a1,1 a1,2 ··· ··· a1,n x1 a1,n+1
 a2,1
 a2,2 ··· ··· a2,n   x2
 
  a2,n+1 
  
 .. .
.
.
.
  ..   .. 
 . . .   . = . 
     
 . . .   .   .
 .. . .   ..   ..

. . 
an,1 an,2 ··· ··· an,n xn an,n+1

La méthode comporte (n − 1) étapes.

38CHAPITRE 6. MÉTHODES DIRECTES DE RÉSOLUTION DES SYSTÈMES LINÉAIRES

6.5.1 Première étape

On transforme [A, b] en une matrice dont les termes sous diagonaux de la première colonne sont
(1) (1) (1)
nuls : a2,1 = a3,1= · · · = an,1 = 0 (l'indice (1) au dessus des a notant l'étape 1).
 
a
Prémultipliant [A, b] par E2,1 − a2,11,1
. Seule la deuxième ligne sera modiée, et ses termes de-
viennent :

 (1) a
2,1
a2,1 = a2,1 − a1,1 a1,1 = 0
 (1)
 a2,2 = a2,2 − a2,1 a1,2
 a1,1
 . .
 .. = .
.

(1) a2,1
a2,n+1 = a2,n+1 − a1,1 a1,n+1

ou sous forme générale :

 
(1) a2,1
a2,j = a2,j − a1,1 a1,j ∀j = 1, · · · , (n + 1) .

 
a3,1
Prémultipliant [A, b] par E3,1 − a1,1 , nous modierons la troisième ligne où les nouveaux termes
seront :

 (1) a
3,1
a3,1 = a3,1 − a1,1 a1,1 = 0
 (1)
 a3,2 = a3,2 − a3,1 a1,2
 a1,1
 . .
 .. = .
.

(1) a3,1
a3,n+1 = a3,n+1 − a1,1 a1,n+1

ou sous forme condensée :

 
(1) a3,1
a3,j = a3,j − a1,1 a1,j ∀j = 1, · · · , (n + 1) .

 
ai,1
D'une manière générale pour anuler les termes ai,1 , on utilise la transformation Ei,1 − a1,1 , ce

qui donne les nouveaux terrmes de la ième ligne sous la forme générale :


(1)

ai,1
 i = 2, · · · , n
ai,j = ai,j − a1,j .
a1,1 j = 2, · · · (n + 1)

6.5.2 Kème étape

èmè
Au cours de cette étape, on veut annuler les termes sous-diagonaux de la
 (k−1)  k colonne. Prémulti-
(k−1)
(k−1) ak+1,k (k) (k−1) ak+1,k (k−1)
plions [A, b] par la matrice Ek+1,k − (k−1) . Soit : ak+1,j = ak+1,j − (k−1) ak,j pour
ak,k ak,k
j = k + 1, · · · , n + 1.  (k−1) 
(k−1) a
Puis prémultipliant [A, b] par les matrices Ek+2,k − k+2,k
(k−1) , · · · ,ect.
ak,k

Nous pouvons donc condenser ces transformations à la k ème étape par :

6.6. MÉTHODE DE FACTORISATION L.U DE DOOLITTLE ET CROUT. 39

(k−1)

(k) (k−1) ai,k (k−1) i = k + 1, · · · , n
ai,j = ai,j − (k−1) ak,j pour .
ak,k j = k + 1, · · · , n + 1

 
a1,1 ··· ··· ··· ··· ··· a1,n
 .. 
 0 . 
 
 .. .. 
 . 0 . 
 
 . .
 .. . (k−1) (k−1)

 . 0 ak,k ··· ··· ak,n 

 . . . 
 .. .
.
.
. 0
(k)
ak+1,k+1 ···
(k)
ak+1,n 
 
 . . . . . .
..

 . . . . . .
.

 . . . . . . 
(k) (k)
0 0 0 0 an,k+1 ··· an,n

allure de la matrice de Gauss à l'étape k.

Remarque 6.5.1 Dans la présentation de la méthode de Gauss, on a supposé la condition
(k−1)
ak,k 6= 0 était vériée à chaque étape. Or il se peut que ce ne soit pas le cas, ou que, même si la
(k−1)
condition est vériée, le pivot ak,k soit très petit, ce qui peut entraîner des erreurs d'arrondi
importantes dans les calculs. On peut remedier à ce problème en utilisant les techniques de pivot
partiel ou pivot total, qui reviennent à utiliser une matrice de permutation P.

6.5.3 Pivot partiel

On choisit comme pivot l'élément ar,k (r > k) tel que
 
 (k−1) 
ar,k = max ai,k 
k≤i≤n

et on permute les lignes r et k.

6.5.4 Pivot total  

 (k−1) 
On choisit comme pivot l'élément ar,m = max ai,j  et on permute les lignes r et k puis les
k≤i,j≤n
colonnes m et k.
( lorsqu'on permute les colonnes m et k, il faut permuter xm et xk .).

6.6 Méthode de factorisation L.U de Doolittle et Crout.

Théorème 6.6.1 Soit A une matrice inversible, il existe une matrice de permutation P telle
que, pour cette matrice de permutation il existe un et un seul couple de matrice (L, U ) où L est
triangulaire inférieure et U traingulaire supérieure, vériant P.A = L.U.
Remarque 6.6.1 Cette décomposition peut se calculer à partir de la méthode de Gauss. Pour
(k−1)
simplier l'écriture, on supposera ici lors de la méthode de Gauss la condition ak,k 6= 0 est
vériée pour tout k = 2, · · · , n.
n
Preuve 6.6.1 En développant l'équation A = L.U, on obtient ai,j où par déni-
P
= li,k uk,j
k=1
tion li,k = 0 si i < k et uk,j = 0 si k > j.
40CHAPITRE 6. MÉTHODES DIRECTES DE RÉSOLUTION DES SYSTÈMES LINÉAIRES

min(i,j)
D'où ai,j =
P
li,k uk,j .
k=1
La partie tiangulaire supérieure de A a pour termes :
r
P
ar,j = lr,k uk,j j = r, r + 1, · · · , n (r = 1, · · · , n).
k=1

la partie triangulaire inférieure de A a pour termes :

r
P
ai,r = li,k uk,r i = r, · · · , n.
k=1

D'où
 r−1
P

 ar,j − lr,k uk,j
k=1
j = r, r + 1, · · · , n

 u =
r,j lr,r
r−1
P (2.3)

 ai,r − li,k uk,r
k=1
i = r, r + 1, · · · , n

 l =
i,r ur,r

L'équation (2.3) étant vraie ∀r = 1, 2, · · · , n.

Supposons que l'on connaisse les n2
A = (ai,j ) et que l'on cherche les (n2 + n) termes
éléments de
2 2
non nuls de L et U. Le système (2.3) est alors un système de n équations à (n + n) inconnues.
On pourra par exemple xer les éléments diagonaux de L ou de U. On débouche alors sur les
deux algorithmes les plus connus :
• Algorithme de Doolittle : li,i =1 ∀i = 1, · · · , n.
• Algorithme de Crout : ui,i = 1 ∀i = 1, · · · , n.
Les algorithmes s'écrivent donc : ( Doolittle)
r−1
P

ur,j = ar,j − lr,k uk,j j = r, r + 1, · · · , n 


k=1


r−1
ai,r −
P
li,k uk,r r = 1, · · · , n
k=1
li,r = i = r + 1, · · · , n


ur,r 


li,i = 1 ∀i = 1, · · · , n
L'algorithme de factorisation de Crout :
r−1
P

li,r = ai,r − li,k uk,r i = r, r + 1, · · · , n 


k=1


r−1
ar,j −
P
lr,k uk,j r = 1, · · · , n
k=1
ur,j = j = r + 1, · · · , n


lr,r 


ui,i = 1 ∀i = 1, · · · , n
(Doolittle → L triangulaire inférieure dont les termes diagonaux égaux à 1, U triangulaire
supérieures)
Crout → L triangulaire inférieure, U
( triangulaire supérieures dont les termes diagonaux égaux
à 1).