Méthodes Numériques

Méthodes numériques ST L 2 S4
Premier cours en :
Méthodes Numériques
1
Méthodes numériques ST L 2 S4 Dr. MAMERI A. Dép. GM, FSSA, ULBM
Programme Méthodes numériques
Chapitre 1 : Résolution des équations non linéaires f(x)=0

1. Introduction générale,
2. Méthode de bissection,
3. Méthode des approximations successives (point fixe),
4. Méthode de Newton-Raphson.
Chapitre 2 : Interpolation polynomiale

2. Polynôme de Lagrange,
3. Polynômes de Newton.
Chapitre 3 : Intégration numérique

2. Méthode du trapèze,
3. Méthode de Simpson,
4. Formules de quadrature.
Chapitre 4 : Résolution des équations différentielles ordinaires (problème de la

condition initiale ou de Cauchy).
2. Méthode d’Euler,
3. Méthode d’Euler améliorée,
4. Méthode de Runge-Kutta d’ordre quatre.
Chapitre 5 : Méthode de résolution directe des systèmes d’équations linéaires

1. Introduction et définitions,
2. Méthode de Gauss et pivotation,
3. Méthode de factorisation LU,
4. Méthode de factorisation de Choeleski MMt,
5. Algorithme de Thomas (TDMA) pour les systèmes tri diagonales.
Chapitre 6 : Méthode de résolution approximative des systèmes d’équations

linaires
1. Introduction et définitions,
2. Méthode de Jacobi,
3. Méthode de Gauss-Seidel,
4. Utilisation de la relaxation.
2
Chapitre I : Résolution numérique des équations non

linéaires à une seule variable
Dans ce chapitre on va étudier trois méthodes pour la résolution des équations

non linéaires à une variable aussi dites équations à variable transcendante. Comme
exemple de ces équations, on peut citer 𝐟(𝐱) = 𝐬𝐢𝐧(𝒙) + 𝒙 = 𝟎, 𝐟(𝐱) = 𝐥𝐧(𝒙) − 𝟐𝒙 + 𝟑 = 𝟎. Ces
équations ne possèdent pas une ou des racines exactes qui peuvent être calculées
directement, c’est pourquoi on fait recours aux méthodes numériques pour trouver
les solutions approchées de ces équations. Les racines calculées sont autant précises
que l’on veut surtout lorsqu’on dispose des moyens de calcul.
Ces méthodes numériques permettent seulement le calcul d’une seule racine
sur un intervalle bien choisi. Donc si l’équation possède plus d’une racine, il est
nécessaire de les localiser dans des intervalles choisis soigneusement et de faire le
calcul pour chaque racine à part.
1 Localisation des racines d’une équation f(x)=0.

Soit une équation f(x)=0 dont on cherche la solution sur un intervalle [a,b], on
commence par un tracé grossier de la fonction sur l’intervalle donnée puis on isole
chaque racine dans un sous intervalle le plus étroit possible. La Fig. 1 montre le tracé
d’une fonction f qui coupe l’axe des x en trois points , c’est-à-dire que l’équation
f(x)=0 possède trois racines, on note les racines exates par 𝒙
̅𝟏 , 𝒙 ̅𝟑 .
̅𝟐 et 𝒙
1 x3
x1 x2
f(x)
a b a' b' a'' b''
0
-1
-2
-2 -1 0 x 1 2 3
Fig. 1.1. Localisation des racines
3
On remarque que la fonction est continue sur chaque sous intervalle, aussi chaque
sous intervalle :
• Englobe une seule racine tel que 𝒙

̅𝟏 ∈ [𝒂 , 𝒃 ], 𝒙
̅𝟐 ∈ [𝒂′, 𝒃′]et 𝒙
̅𝟑 ∈ [𝒂′′, 𝒃′′].
• Vérifie la condition 𝒇(𝒂)𝒇(𝒃) < 𝟎, 𝒇(𝒂′)𝒇(𝒃′) < 𝟎 𝐞𝐭 𝒇(𝒂′′)𝒇(𝒃′′) < 𝟎.
La forme de l’équation f(x)=0 peut etre compliquée, dans ce cas s’il est possible on
peut la décomposer en deux parties simples g(x)=h(x).
Par exemple 𝒇(𝒙) = 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎, qui est assez compliqué pour le tracé, peut
être décomposée en :
𝒈(𝒙) = 𝒉(𝒙) avec 𝒈(𝒙) = 𝐥𝐧(𝒙) 𝐞𝐭 𝒉(𝒙) = 𝒙𝟐 − 𝟐
Le tracé de g et h est très simple, la solution de f(x)=0 se situe à l’intersection de g

et h. Ensuite, on projete les points des intersection sur l’axe des x et on localise les
racines. On peut facilement vérifier les intervalles trouvées en calculant 𝒇(𝒂𝒊 )𝒇(𝒃𝒊 ) < 𝟎.
Exemple :
Prenons l’équation : 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 localisant ses racines, à ce point on ne connait
pas le nombre de racines de cette équation. On trace la courbe de la fonction :
𝒇(𝒙) = 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎, les intersections de la courbe avec l’axe des x représentent
les racines de cette fonction.
2 2
f2(x)=x2-2
1 1
x1 x2 x1 f1(x)=ln(x) x2
f(x)
f(x)
0 0
-1 -1
-2 -2
0.0 0.5 1.0 1.5 2.0 0.0 0.5 1.0 1.5 2.0
x x
Fig. 1.2. Tracé de la fonction f Fig. 1.3. Tracés des fonction f1 et f2
On note que cette équations a deux racines (Fig. 2) qui appartiennent par exemple
aux intervalles [0.1,0.5] et [1,2]. On peut aussi rééerire la fonction f(x)=0 sous une
forme plus simple, par exemple : 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 ⇔ 𝐥𝐧(𝒙) = 𝒙𝟐 − 𝟐 ou bien
4
𝑓1 (𝑥) = 𝑓2 (𝑥) ; avec 𝑓1 (𝑥) = 𝐥𝐧(𝒙) et 𝑓2 (𝑥) = 𝒙𝟐 − 𝟐 . Ensuite on trace ces deux fonctions
(Fig. 3), qui sont faciles sur les même axes, leurs intersections représentent les
racines de f(x)=0.
2 Méthode de bissection où de dichothomie
C’est la méthode la plus simple et qui nécessite le plus de calculs, elle est basée
sur le cas particulier (Théorème de Bolzano) du théorème des valeurs intermédiaires
qui dit que :
1. Si f(x) est continue sur l’intervalle [a,b],

2. Si f(a) et f(b) ne sont pas de même signe, il existe au moins un réel c compris
entre a et b tel que f(c) = 0 (car 0 est compris entre f(a) et f(b)).
2.1 Principe de la méthode
Une fois les racines sont localisées chacune dans un intervalle, pour
simplifier l’écriture soit par exemple [a,b] :
𝒂+𝒃
1. On divise l’intervalle en deux parties égales tel que 𝒙𝟎 = 𝟐
.
2. On obtient deux sous intervalles [a, 𝒙𝟎 ] et [𝒙𝟎 ,b] , la racine 𝑥̅ doit

obligatoirement appartenir à l’un d’eux. Pour vérifier, on calcule
𝒇(𝒂)𝒇(𝒙𝟎 ) et 𝒇(𝒙𝟎 )𝒇(𝒃) le produit qui est négatif c’est celui qui
correspond à l’intervalle qui contient la solution.
Notons le nouvel intervalle par [𝒂𝟏 , 𝒃𝟏 ]tel que (Fig. 4):

̅ ∈ [𝒂, 𝒙𝟎 ]
𝒂 𝒔𝒊 𝒙 ̅ ∈ [𝒂, 𝒙𝟎 ]
𝒙𝟎 𝒔𝒊 𝒙
𝒂𝟏 = { 𝑒𝑡 𝒃𝟏 = {
̅ ∈ [𝒙𝟎 , 𝒃]
𝒙𝟎 𝒔𝒊 𝒙 ̅ ∈ [𝒙𝟎 , 𝒃]
𝒃 𝒔𝒊 𝒙
b1- a1
a1 b2- a2 b1
2
a2 b2
b3- a3
a3 b3
1
f(x) a4 b4
x1 x x2
0
x3
-1
-2
0 x 1 2
Fig. 1.4. Illustration de la méthode de bissection
5
En répétant (itérant) la même méthode pour l’intervalle obtenu on aura les valeurs :
𝒂𝟏 +𝒃𝟏 𝒂𝟐 +𝒃𝟐 𝒂𝒏 +𝒃𝒏

𝒙𝟏 = 𝟐
, 𝒙𝟐 = 𝟐
,………… , 𝒙𝒏 = 𝟐
La suite {𝒙𝒏 }𝒏=𝟎,∞ converge vers la solution 𝒙

̅ de f(x)=0 lorsque n.
2.2 Nombre de divisions pour avoir une précision ε donné.
Puisque chaque fois on divise l’intervalle en deux parties égales, on a :
𝒃−𝒂
𝒃𝟏 − 𝒂𝟏 = ;
𝟐
𝒃𝟏 − 𝒂𝟏 𝟏 𝒃 − 𝒂 𝒃 − 𝒂
𝒃𝟐 − 𝒂𝟐 = = = ;
𝟐 𝟐 𝟐 𝟐𝟐
𝒃𝟐 − 𝒂𝟐 𝟏 𝒃 − 𝒂 𝒃 − 𝒂
𝒃𝟑 − 𝒂𝟑 = = = ;
𝟐 𝟐 𝟐𝟐 𝟐𝟑
………………………………………….………………
𝒃𝒏−𝟏 − 𝒂𝒏−𝟏 𝟏 𝒃 − 𝒂 𝒃 − 𝒂
𝒃𝒏 − 𝒂𝒏 = = = .
𝟐 𝟐 𝟐𝒏−𝟏 𝟐𝒏
𝑎𝑛 𝑥𝑛 𝑥̅ 𝑏𝑛
𝟏 𝒃−𝒂 𝒃−𝒂
Puisque 𝒙
̅ ∈ [𝒂𝒏 , 𝒃𝒏 ] = [𝒂𝒏 , 𝒙𝒏 ] ∪ [𝒙𝒏 , 𝒃𝒏 ] on a |𝒙𝒏 − 𝒙
̅| ≤
𝟐 𝟐𝒏
= 𝟐𝒏+𝟏
Il faut que la différence |𝒙𝒏 − 𝒙

̅| qui est l’erreur du calcul soit inférieure à une
précision donnée ε, c’est-à-dire :
|𝒙𝒏 − 𝒙
̅| ≤ 𝜺
𝒃−𝒂
Alors, il suffit que 𝟐𝒏+𝟏
≤𝜺
𝒃−𝒂
𝐥𝐧( )
Cela donne 𝒏≥ 𝐥𝐧(𝟐)
𝟐𝜺
Le nombre de divisions ne dépend que de la longueur de l’intervalle est de la

précision.
Cette méthode est inconditionnellement convergente, son problème c’est

qu’elle est lente c’est pourquoi elle est utilisée pour démarrer d’autres méthodes plus
élaborées.
6
Exemple : Calculons la première racine de l’équation 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 qui appartient

à [0.1, 0.5] avec une précision de 0.01.
Calculons le nombre de divisions à faire :
𝒃−𝒂 𝟎.𝟓−𝟎.𝟏
𝐥 𝐧( ) 𝐥 𝐧( )
𝒏≥ 𝐥 𝐧(𝟐)
𝟐𝜺
= 𝟐∗𝟎.𝟎𝟏
𝐥 𝐧(𝟐)
= 𝟒. 𝟑𝟐 on prend n=5 puisque n est entier et supérieur à 4.32.
𝒇(𝒂𝟏 ) = 𝒇(𝟎. 𝟏) = −𝟎. 𝟑𝟏𝟑 et 𝒇(𝒃𝟏 ) = 𝒇(𝟎. 𝟓) = 𝟏. 𝟎𝟓𝟕
𝒂𝟏 + 𝒃𝟏 𝟎. 𝟏 + 𝟎. 𝟓
𝒙𝟏 = = = 𝟎. 𝟑𝟎; 𝒇(𝟎. 𝟑) = 𝟎. 𝟕𝟎𝟔 > 𝟎 donc 𝒂𝟐 = 𝟎. 𝟏 et 𝒃𝟐 = 𝟎. 𝟑
𝟐 𝟐
𝒂𝟐 + 𝒃𝟐 𝟎. 𝟏 + 𝟎. 𝟑
𝒙𝟐 = = = 𝟎. 𝟐𝟎; 𝒇(𝟎. 𝟐) = 𝟎. 𝟑𝟓𝟏 > 𝟎 donc 𝒂𝟑 = 𝟎. 𝟏 et 𝒃𝟑 = 𝟎. 𝟐
𝟐 𝟐
𝒂𝟑 + 𝒃𝟑 𝟎. 𝟏 + 𝟎. 𝟐
𝒙𝟑 = = = 𝟎. 𝟏𝟓; 𝒇(𝟎. 𝟏𝟓) = 𝟎. 𝟎𝟖𝟎 > 𝟎 donc 𝒂𝟒 = 𝟎. 𝟏 et 𝒃𝟒 = 𝟎. 𝟏𝟓
𝟐 𝟐
𝒂𝟒 + 𝒃𝟒 𝟎. 𝟏 + 𝟎. 𝟏𝟓
𝒙𝟒 = = = 𝟎. 𝟏𝟐𝟓; 𝒇(𝟎. 𝟏𝟐𝟓) = −𝟎. 𝟎𝟗𝟓 < 𝟎 donc 𝒂𝟓 = 𝟎. 𝟏𝟓 et 𝒃𝟒 = 𝟎. 𝟏𝟐𝟓
𝟐 𝟐
𝒂𝟓 +𝒃𝟓 𝟎.𝟏𝟓+𝟎.𝟏𝟐𝟓
𝒙𝟓 = = = 𝟎. 𝟏𝟑𝟕𝟓; 𝒇(𝟎. 𝟏𝟐𝟓) = −𝟎. 𝟎𝟎𝟑 La solution est 𝒙𝟓 = 𝟎. 𝟏𝟑𝟕𝟓
𝟐 𝟐
7
3 Méthode des approximations successives où du point fixe.
Soit g une fonction définie sur un intervalle [a,b], le point 𝒙

̅ qui vérifie 𝒙
̅ = 𝒈(𝒙
̅)
avec 𝒙
̅ ∈ [𝒂, 𝒃] est dit point fixe de la fonction g.
Cette méthode est basée sur le principe du point fixe d’une fonction, on écrit
l’équation f(x)=0 sous la forme x=g(x), ensuite on cherche le point fixe 𝒙
̅ de la fonction
g. Pour cela on crée la suite 𝒙𝒏+𝟏 = 𝒈(𝒙𝒏 ) ( n=0,1,2….) avec 𝑥0 donnée par dichotomie
par exemple.
On démarre de 𝒙𝟎 pour n=0, on calcule 𝒙𝟏 = 𝒈(𝒙𝟎 ) ensuite n=1, on calcule 𝒙𝟐 =

𝒈(𝒙𝟏 ),..., 𝒙𝒏+𝟏 = 𝒈(𝒙𝒏 ). Sous certaines conditions, la suite {𝒙𝒏 }𝒏=𝟎,∞ converge vers la
solution 𝒙
̅ point fixe de g et solution de l’équation f(x)=0.
Exemple : Ecrire l’équation f(x)=0 sous la forme x = g(x) si 𝒇(𝒙) = 𝒙𝟐 + 𝟑𝒆𝒙 − 𝟏𝟐.
On peut écrire 𝒙 = 𝒈𝟏 (𝒙) = 𝒙𝟐 + 𝟑𝒆𝒙 − 𝟏𝟐 + 𝒙
𝒙 = 𝒈𝟐 (𝒙) = √𝟏𝟐 − 𝟑𝒆𝒙
𝟏𝟐−𝒙𝟐
𝒙 = 𝒈𝟑 (𝒙) = 𝒍𝒏 ( )
𝟑
Pour pouvoir choisir la forme de g adéquate pour le calcul, un critère de

convergence de cette méthode doit être vérifié.
3.1 Critère de convergence et d’arrêt de calculs pour la méthode des

approximations successives.
Soit g une fonction dérivable définie de [a,b] → [a,b] tel que (condition suffisante) :
|𝒈′(𝒙)| ≤ 𝒌 < 𝟏 ∀ 𝒙 ∈ [𝒂, 𝒃]
Alors la suite {𝒙𝒏 }𝒏=𝟎,∞ définie par 𝒙𝒏+𝟏 = 𝒈(𝒙𝒏 ) ( n=0,1,2….) converge
indépendamment de la valeur de 𝒙𝟎 vers l’unique point fixe 𝒙
̅ de g.
Si plusieurs formes de g vérifient cette condition, on aura plusieurs valeurs de

k. On choisit celle avec la valeur minimale de k. En pratique, on calcule 𝒌 =
𝒎𝒂𝒙𝒙∈[𝒂,𝒃] |𝒈′(𝒙)| qui doit être inférieure à l’unité pour que la méthode converge.
On arrête les calculs pour cette méthode lorsque la différence absolue entre
deux itérations successives est inférieure à une certaine précision 𝜀 donnée.
|𝒙𝒏+𝟏 − 𝒙𝒏 | < 𝜺
8
Exemple : Trouver la première racine de l’équation 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 qui

appartient à [0.1, 0.5] avec une précision ε=0.001. On écrit cette équation sous la
forme x = g(x) et on vérifie les conditions de convergence. On peut écrire :
𝟐 −𝟐
𝒙 = 𝒆𝒙 = 𝒈𝟏 (𝒙) et
𝒙 = √𝒍𝒏(𝒙) + 𝟐 = 𝒈𝟐 (𝒙)
Vérifions la condition de convergence pour cette méthode 𝒌 = 𝒎𝒂𝒙𝒙∈[𝒂,𝒃] |𝒈′(𝒙)|
𝟐 −𝟐
𝒌𝟏 = 𝒎𝒂𝒙𝒙∈[𝟎.𝟏,𝟎.𝟓] |𝒈𝟏 ′(𝒙)| = 𝒎𝒂𝒙𝒙∈[𝟎.𝟏,𝟎.𝟓] |𝟐𝒙𝒆𝒙 | on a 𝒈𝟏 ′(𝒙) strictement croissante
𝟐 −𝟐
donc 𝒌𝟏 = 𝒎𝒂𝒙𝒙=𝟎.𝟓 |𝟐 ∗ 𝟎. 𝟓𝒆𝟎.𝟓 | = 𝟎. 𝟏𝟕𝟒 < 𝟏 cette forme converge.
𝟐
On écrit : 𝒙𝒏+𝟏 = 𝒈𝟏 (𝒙𝒏 ) = 𝒆𝒙𝒏 −𝟐 (n=0,1,2,…..)
Commençons x0=0.3 le milieu de l’intervalle initial donné :
𝟐
𝒏 = 𝟎, 𝒙𝟏 = 𝒈𝟏 (𝒙𝟎 ) = 𝒆𝒙𝟎−𝟐 = 0.148
On calcule |𝑥1 − 𝑥0 | = 0.152 > 𝜀 ;
𝟐
On continue 𝒏 = 𝟏, 𝒙𝟐 = 𝒈𝟏 (𝒙𝟏 ) = 𝒆𝒙𝟏−𝟐 = 0.138.
On calcule |𝑥2 − 𝑥1 | = 0.01 > 𝜀
𝟐
On continue 𝒏 = 𝟐, 𝒙𝟑 = 𝒈𝟏 (𝒙𝟐 ) = 𝒆𝒙𝟐−𝟐 = 0.138.
On calcule |𝑥3 − 𝑥2 | = 0.00 < 𝜀, La solution est 𝒙𝟐 = 𝟎. 𝟏𝟑𝟖
9
4 Méthode de Newton-Raphson
C’est la méthode la plus efficace et la plus utilisée, elle repose sur le
développement de Taylor. Si f(x) est continue et continument dérivable dans le
voisinage de 𝒙
̅ solution de f(x)=0, alors le développement en série de Taylor autour
d’un estimé 𝒙𝒏 proche de 𝒙
̅ s’écrit :
(𝒙
̅−𝒙𝒏 ) ′ ̅−𝒙𝒏 )𝟐 ′′
(𝒙
̅) = 𝒇(𝒙𝒏 ) +
𝒇(𝒙 𝒇 (𝒙𝒏 ) + 𝒇 (𝒙𝒏 ) + ⋯.
𝟏! 𝟐!
Si 𝒙𝒏 est un estimé proche de 𝒙

̅, alors le carré de l’erreur 𝜺𝒏 = 𝒙
̅ − 𝒙𝒏 et les termes de
degrés supérieurs sont négligeable. Sachant que 𝒇(𝒙
̅) = 𝟎 on obtient la relation
approximative :
̅ − 𝒙𝒏 )𝒇′ (𝒙𝒏 ) ≈ 𝟎
𝒇(𝒙𝒏 ) + (𝒙
𝒇(𝒙𝒏 )
Donc ̅ = 𝒙𝒏 −
𝒙
𝒇′ (𝒙𝒏 )
On peut écrire la (𝒏 + 𝟏)𝒆𝒎𝒆 itération approximant 𝑥̅ est :
𝒇(𝒙 )
𝒙𝒏+𝟏 = 𝒙𝒏 − 𝒇′ (𝒙𝒏 ) (n=0,1,2,…..)
𝒏
Cette suite, si elle converge, doit converger vers la solution 𝒙

̅ de f(x)=0. On remarque
que f’(x) doit être non nulle.
4.1 Critère de convergence de la méthode de Newton-Raphson

Soit une fonction f définie sur [a,b] telle que :
i. 𝒇(𝒂)𝒇(𝒃) < 𝟎
ii. 𝒇′(𝒙) 𝒆𝒕 𝒇′′(𝒙) sont non nulles et gardent un signe constant sur
l’intervalle donné.
4.2 Critère d’arrêt de calcul pour la méthode de Newton-Raphson

Si la condition de convergence est vérifiée, le procédé itératif doit converger.
Cela veut dire que chaque nouvelle itération est meilleure que la précédente, de ce
fait on peut dire que si on a une précision 𝜺, on arrête le calcul lorsque la différence
absolue entre deux approximations successives est inférieure à la précision donnée.
C’est-à-dire :
|𝒙𝒏+𝟏 − 𝒙𝒏 | ≤ 𝜺
Si cette condition est vérifiée on prend 𝒙𝒏+𝟏 comme solution de f(x)=0.
10
Exemple : Trouver la première racine de l’équation 𝒇(𝒙) = 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎

qui appartient à [0.1, 0.5] avec une précision ε=0.0001. On calcule la dérivée
première et seconde de f et on vérifie les conditions de convergence.
𝟏
On a : 𝒇′(𝒙) = 𝒙 − 𝟐𝒙 qui est strictement décroissante et positive sur l’intervalle donné.
𝟏
𝒇′(𝒙) > 𝟎 et 𝒇′′ (𝒙) = − 𝒙𝟐 − 𝟐, 𝒇′′(𝒙) < 𝟎 sur l’intervalle donné. La condition de
𝒇(𝒙 ) 𝐥𝐧(𝒙𝒏 )−𝒙𝒏 𝟐 +𝟐
convergence est vérifiée. On écrit donc : 𝒙𝒏+𝟏 = 𝒙𝒏 − 𝒇′ (𝒙𝒏 ) = 𝒙𝒏 − 𝟏 , (n=0,1,2,…..).
𝒏 −𝟐𝒙𝒏
𝒙𝒏
Commençons x0=0.3 le milieu de l’intervalle initial donné :

𝐥𝐧(𝒙𝟎 ) − 𝒙𝟎 𝟐 + 𝟐
𝒏 = 𝟎, 𝒙𝟏 = 𝒙𝟎 − = 𝟎. 𝟎𝟒𝟏𝟕
𝟏
𝒙𝟎 − 𝟐𝒙 𝟎
On calcule |𝑥1 − 𝑥0 | > 𝜀 ;

On continue 𝒏 = 𝟏, 𝒙𝟐 = 0.0910.
On calcule |𝑥2 − 𝑥1 | => 𝜀
On continue 𝒏 = 𝟐, 𝒙𝟑 = 0.1285.
On calcule |𝑥3 − 𝑥2 | > 𝜀 ;
On continue 𝒏 = 𝟑, 𝒙𝟒 = 0.1376.
On continue 𝒏 = 𝟒, 𝒙𝟓 = 0.1379.
On continue 𝒏 = 𝟓, 𝒙𝟔 = 𝟎. 𝟏𝟑𝟕𝟗. La solution est 𝒙𝟒 = 𝟎. 𝟏𝟑𝟕𝟗
Remarques :
• La méthode de bissection est inconditionnellement convergente, son

inconvénient est sa lenteur pour obtenir la solution avec une grande
précision. Elle peut servir pour démarrer d’autres méthodes plus
performantes.
• La méthode des approximations successives est plus rapide que celle de
bissection à condition qu’elle converge.
• La méthode de Newton-Raphson est la plus rapide, elle permet d’obtenir
des solutions très précises en un nombre réduit d’itérations.
11
Chapitre II : Interpolation polynômiale
Soit par exemple une expérience où on enregistre la distance parcourue par

un objet en fonction du temps, les résultats sont donnés dans le tableau suivant :
t(sec) 0 1 2 3 4
X(m) 0 5 15 0 3
On veut par exemple calculer la position de l’objet au temps t=2.5 sec ou la

vitesse de l’objet à un temps donné. Pour cela, il faut avoir une forme analytique de
x en fonction de t, X(t). Cette forme doit au moins coïncider avec les points donnés
𝟒 𝒅𝑿(𝒕)
dans le tableau. Ensuite on peut calculer X(2.5), ∫𝟎 𝑿(𝒕)𝒅𝒕 où bien 𝒗(𝒕) = 𝒅𝒕
.
Dans ce chapitre, on va considérer l’approximation de X(t) par une forme

polynômiale c’est-à-dire :
𝑿(𝒕) = 𝒂𝟎 + 𝒂𝟏 𝒕 + 𝒂𝟐 𝒕𝟐 + ⋯ + 𝒂𝒏 𝒕𝒏
Avec 𝒂𝒊 (𝒊 = 𝟎, 𝒏) sont des coefficients à déterminer.
Les polynômes que nous allons étudier différent seulement par la façon de
déterminer les coefficients 𝒂𝒊 (𝒊 = 𝟎, 𝒏), car pour un tableau de valeurs données le
polynôme d’interpolation est unique.
2.1 Polynôme d’interpolation de Lagrange.
Soient (n+1) points distincts 𝒙𝟎 , 𝒙𝟏 , … … , 𝒙𝒏 et f une fonction dont les valeurs

sont 𝒇(𝒙𝟎 ), 𝒇(𝒙𝟏 ), … … , 𝒇(𝒙𝒏 ). Alors, il existe un seul polynôme de degré inférieur ou égal
à n et qui coïncide avec les points d’interpolation, i e :
𝒇(𝒙𝒌 ) = 𝑷𝒏 (𝒙𝒌 ), 𝒌 = 𝟎, 𝟏, 𝟐, … … , 𝒏
Ce polynôme est donné par :
𝒏
𝑷𝒏 (𝒙) = ∑ 𝒇(𝒙𝒊 )𝑳𝒊 (𝒙) = 𝒇(𝒙𝟎 )𝑳𝟎 (𝒙) + 𝒇(𝒙𝟏 )𝑳𝟏 (𝒙) + ⋯ … + 𝒇(𝒙𝒏 )𝑳𝒏 (𝒙)
𝒊=𝟎
(𝒙−𝒙𝒊 ) (𝒙−𝒙𝟎 ) (𝒙−𝒙𝟏 ) (𝒙−𝒙 ) (𝒙−𝒙 ) (𝒙−𝒙𝒏 )

Avec 𝑳𝒌 (𝒙) = ∑𝒏𝒊=𝟎,𝒊≠𝒌 = … . . (𝒙 𝒌−𝟏 ) (𝒙 𝒌+𝟏 ) … (k=0,..,n)
(𝒙𝒌 −𝒙𝒊 ) (𝒙𝒌 −𝒙𝟎 ) (𝒙𝒌 −𝒙𝟏 ) 𝒌 −𝒙𝒌−𝟏 𝒌 −𝒙𝒌+𝟏 (𝒙 𝒌 −𝒙𝒏 )
𝑳𝒌 (𝒙) sont dits coefficients polynômes de Lagrange, ils sont orthogonaux c’est-à-dire
𝑳𝒌 (𝒙𝒋 ) = 𝟎 et 𝑳𝒌 (𝒙𝒌 ) = 𝟏.
12
Exemple : Reprenons la table donnée au début du chapitre et essayons de calculer

le polynôme de Lagrange pour cette table. Notons que pour n+1 points le degré du
polynôme est inférieure ou égal à n. Pour notre cas on a 5 points, cela nous donne
un polynôme de de gré inférieur ou égal à 4.
𝟒
𝑿(𝒕) ≈ 𝑷𝟒 (𝒕) = ∑ 𝒇(𝒕𝒊 )𝑳𝒊 (𝒕) = 𝒇(𝒕𝟎 )𝑳𝟎 (𝒕) + 𝒇(𝒕𝟏 )𝑳𝟏 (𝒕) + 𝒇(𝒕𝟐 )𝑳𝟐 (𝒕) + 𝒇(𝒕𝟑 )𝑳𝟑 (𝒕) + 𝒇(𝒕𝟒 )𝑳𝟒 (𝒕)
𝒊=𝟎
Avec les coefficients 𝑓(𝑡𝑖 ) sont les valeurs de X(ti) aux points donnés ti, on remplace
et on écrit donc :
𝑿(𝒕) ≈ 𝑷𝟒 (𝒕) = 𝟎 ∗ 𝑳𝟎 (𝒕) + 𝟓 ∗ 𝑳𝟏 (𝒕) + 𝟏𝟓 ∗ 𝑳𝟐 (𝒕) + 𝟎 ∗ 𝑳𝟑 (𝒕) + 𝟑 ∗ 𝑳𝟒 (𝒕)
Ensuite, on calcule les coefficients polynômes de Lagrange :
(𝒕−𝒕𝒊 ) (𝒕−𝒕𝟏 ) (𝒕−𝒕𝟐 ) (𝒕−𝒕𝟑 ) (𝒕−𝒕𝟒 )

𝑳𝟎 (𝒕) = ∑𝟒𝒊=𝟎,𝒊≠𝟎 (𝒕 = (𝒕 Noter bien qu’il est inutile de calculer les
𝒌 −𝒕𝒊 ) 𝟎 −𝒕𝟏 ) (𝒕𝟎 −𝒕𝟐 ) (𝒕𝟎 −𝒕𝟑 ) (𝒕𝟎 −𝒕𝟒 )
coefficients polynômes 𝑳𝟎 (𝒕) et 𝑳𝟑 (𝒕) car ils seront multipliés par zéro dans le
remplacement.
(𝒕−𝒕𝒊 ) (𝒕−𝒕𝟎 ) (𝒕−𝒕𝟐 ) (𝒕−𝒕𝟑 ) (𝒕−𝒕𝟒 ) (𝒕−𝟎) (𝒕−𝟐) (𝒕−𝟑) (𝒕−𝟒) 𝟏

𝑳𝟏 (𝒕) = ∑𝟒𝒊=𝟎,𝒊≠𝟏 = = = − (𝒕𝟒 − 𝟗𝒕𝟑 + 𝟐𝟔𝒕𝟐 − 𝟐𝟒𝒕)
(𝒕𝒌 −𝒕𝒊 ) (𝒕𝟏 −𝒕𝟎 ) (𝒕𝟏 −𝒕𝟐 ) (𝒕𝟏 −𝒕𝟑 ) (𝒕𝟏 −𝒕𝟒 ) (𝟏−𝟎) (𝟏−𝟐) (𝟏−𝟑) (𝟏−𝟒) 𝟔
(𝒕−𝒕𝒊 ) (𝒕−𝒕𝟎 ) (𝒕−𝒕𝟏 ) (𝒕−𝒕𝟑 ) (𝒕−𝒕𝟒 ) (𝒕−𝟎) (𝒕−𝟏) (𝒕−𝟑) (𝒕−𝟒) 𝟏

𝑳𝟐 (𝒕) = ∑𝟒𝒊=𝟎,𝒊≠𝟐 = = = (𝒕𝟒 − 𝟖𝒕𝟑 + 𝟏𝟗𝒕𝟐 − 𝟏𝟐𝒕)
(𝒕𝒌 −𝒕𝒊 ) (𝒕𝟐 −𝒕𝟎 ) (𝒕𝟐 −𝒕𝟏 ) (𝒕𝟐 −𝒕𝟑 ) (𝒕𝟐 −𝒕𝟒 ) (𝟐−𝟎) (𝟐−𝟏) (𝟐−𝟑) (𝟐−𝟒) 𝟒
(𝒕−𝒕𝒊 ) (𝒕−𝒕𝟎 ) (𝒕−𝒕𝟏 ) (𝒕−𝒕𝟐 ) (𝒕−𝒕𝟑 ) (𝒕−𝟎) (𝒕−𝟏) (𝒕−𝟐) (𝒕−𝟑) 𝟏

𝑳𝟒 (𝒕) = ∑𝟒𝒊=𝟎,𝒊≠𝟒 = = = ( 𝒕𝟒 − 𝟔𝒕𝟑 + 𝟏𝟏𝒕𝟐 − 𝟔𝒕)
(𝒕𝒌 −𝒕𝒊 ) (𝒕𝟒 −𝒕𝟎 ) (𝒕𝟒 −𝒕𝟏 ) (𝒕𝟒 −𝒕𝟐 ) (𝒕𝟒 −𝒕𝟑 ) (𝟒−𝟎) (𝟒−𝟏) (𝟒−𝟐) (𝟒−𝟑) 𝟐𝟒
Finalement on remplace les coefficients polynômes et on obtient :
𝑿(𝒕) ≈ 𝑷𝟒 (𝒕) = −𝟐𝟓. 𝟕𝟓𝒕 + 𝟓𝟎. 𝟗𝟓𝟖𝟑𝟑𝒕𝟐 − 𝟐𝟑. 𝟐𝟓𝒕𝟑 + 𝟑. 𝟎𝟒𝟏𝟔𝟕𝒕𝟒
13
2.2 Polynôme d’interpolation de Newton
On a vu que le polynôme de Lagrange utilise (n+1) coefficients polynômes qui

sont eux aussi des polynômes de degré inférieur ou égal à n. Le calcul de ces
coefficients polynômes est aussi une tâche délicate, c’est pourquoi il est intéressant
d’utiliser une autre formulation plus souple ; c’est le polynôme de Newton.
Le calcul du polynôme de Newton commence par la construction d’un

polynôme de degré 1, 𝑷𝟏 (𝒙) qui passe par les deux premiers points. Ensuite, ce
dernier sera utilisé pour calculer un autre de degré 2, 𝑷𝟐 (𝒙) qui passe par les trois
premiers points et ainsi de suite jusqu’au polynôme final de degré inférieur ou égal à
n, 𝑷𝒏 (𝒙). On a la relation de récurrence suivante entre deux polynômes successifs
𝑷𝒊−𝟏 (𝒙) et 𝑷𝒊 (𝒙) (i=2,3,..,n+1):
𝑷𝟏 (𝒙) = 𝒂𝟎 + 𝒂𝟏 (𝒙 − 𝒙𝟎 )
𝑷𝟐 (𝒙) = 𝑷𝟏 (𝒙) + 𝒂𝟐 (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 )
𝑷𝟑 (𝒙) = 𝑷𝟐 (𝒙) + 𝒂𝟑 (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 )(𝒙 − 𝒙𝟐 )
………………………………………..
{𝑷𝒏 (𝒙) = 𝑷𝒏−𝟏 (𝒙) + 𝒂𝒏 (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 ) … (𝒙 − 𝒙𝒏−𝟏 )
On remarque que les coefficients 𝒂𝒌 (k=0,…,n) sont les éléments essentiels

dans le calcul des polynômes de Newton. Ces coefficients sont les différences divisées
d’ordre k de la fonction f.
2.3 Calcul des différences divisées d’une fonction f.

Les différences divisées d’une fonction f basée sur les points 𝒙𝟎 , 𝒙𝟏 , … … , 𝒙𝒏
𝒚𝒊
sont données par : 𝒂𝒌 = 𝒇[𝒙𝟎 , 𝒙𝟏 , … … , 𝒙𝒌 ] = ∑𝒌𝒊=𝟎 ∏𝒌
𝒋=𝟎,𝒋≠𝒊(𝒙𝒊 −𝒙𝒋 )
En pratique et pour le nombre limité de points, les différences divisées sont calculées
en utilisant un tableau qui a la forme suivante :
𝒙𝒌 𝒇(𝒙𝒌 ) = 𝒇[𝒙𝒌 ] DD1 DD2 DD3 DD4

𝒙𝟎 𝒇[𝒙𝟎 ]
𝒙𝟏 𝒇[𝒙𝟏 ] 𝒇[𝒙𝟎 , 𝒙𝟏 ] 𝒇[𝒙 , 𝒙 , 𝒙 ]
𝟎 𝟏 𝟐
𝒙𝟐 𝒇[𝒙𝟐 ] 𝒇[𝒙𝟏 , 𝒙𝟐 ] 𝒇[𝒙 , 𝒙 , 𝒙 ] 𝒇[𝒙𝟎 , 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 ] 𝒇[𝒙 , 𝒙 , 𝒙 , 𝒙 , 𝒙 ]

𝟏 𝟐 𝟑 𝟎 𝟏 𝟐 𝟑 𝟒
𝒙𝟑 𝒇[𝒙𝟑 ] 𝒇[𝒙𝟐 , 𝒙𝟑 ] 𝒇[𝒙 , 𝒙 , 𝒙 ] 𝒇[𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 ]

𝟐 𝟑 𝟒
𝒙𝟒 𝒇[𝒙𝟒 ] 𝒇[𝒙𝟑 , 𝒙𝟒 ]
14
𝑓[𝑥1 ]−𝑓[𝑥0 ] 𝑓[𝑥2 ]−𝑓[𝑥1 ]

Avec : 𝑓[𝑥0 , 𝑥1 ] = , 𝑓[𝑥1 , 𝑥2 ] = , … … ..
𝑥1 −𝑥0 𝑥2 −𝑥1
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] 𝑓[𝑥2 , 𝑥3 ] − 𝑓[𝑥1 , 𝑥2 ]

𝑓[𝑥0 , 𝑥1, 𝑥2 ] = , 𝑓[𝑥1 , 𝑥2, 𝑥3 ] = ,……..
𝑥2 − 𝑥0 𝑥3 − 𝑥1
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] 𝑓[𝑥2 , 𝑥3 , 𝑥4 ] − 𝑓[𝑥1 , 𝑥2 , 𝑥3 ]
𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = , 𝑓[𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ] =
𝑥3 − 𝑥0 𝑥4 − 𝑥1
𝑓[𝑥1 ,𝑥2 ,𝑥3 ,𝑥4 ]−𝑓[𝑥0 ,𝑥1 ,𝑥2 ,𝑥3 ]

𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ] =
𝑥4 −𝑥0
2.4 Erreur d’interpolation
C’est l’erreur commise lorsqu’on remplace la fonction f par le polynôme

d’interpolation équivalent. Elle est notée par 𝜺(𝒙) car elle varie d’un point à un autre
dans l’intervalle d’interpolation. Cette erreur doit être nulle aux points
d’interpolation, 𝜺(𝒙𝒊 ) = 𝟎, (i=0,…n).
Si la fonction f est continue et (n+1) fois dérivable sur l’intervalle d’interpolation

[𝒂 = 𝒙𝟎 , 𝒃 = 𝒙𝒏 ]. Alors pour tout 𝒙 ∈ [𝒂, 𝒃] il existe 𝒛 ∈ [𝒂, 𝒃] tel que :
𝒏 (𝒙 − 𝒙𝒊 ) (𝒏+𝟏)
𝜺(𝒙) = |𝒇(𝒙) − 𝑷𝒏 (𝒙)| = ∏ 𝒇 (𝒛)
𝒊=𝟎 (𝒏 + 𝟏)!
Si |𝒇(𝒏+𝟏) (𝒛)| ≤ 𝑴 ∀ 𝒛 ∈ [𝒂, 𝒃] on peut écrire :

𝒏 (𝒙 − 𝒙𝒊 )
𝜺(𝒙) = |𝒇(𝒙) − 𝑷𝒏 (𝒙)| ≤ ∏ 𝑴
𝒊=𝟎 (𝒏 + 𝟏)!
Dans ce cas M est majorant de la fonction 𝒇(𝒏+𝟏) (𝒙) sur l’intervalle [a,b].
Exemple : Reprenons la table donnée au début du chapitre et essayons de calculer

le polynôme de Newton pour cette table. Notons que pour n+1 points le degré du
polynôme est inférieure ou égal à n. Pour notre cas on a 5 points, cela nous donne
un polynôme de de gré inférieur ou égal à 4. Ecrivons les polynômes de Newton :
𝑷𝟏 (𝒕) = 𝒂𝟎 + 𝒂𝟏 (𝒕 − 𝒕𝟎 )
𝑷𝟐 (𝒕) = 𝑷𝟏 (𝒕) + 𝒂𝟐 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 )
𝑷𝟑 (𝒕) = 𝑷𝟐 (𝒕) + 𝒂𝟑 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 )(𝒕 − 𝒕𝟐 )
𝑷𝟒 (𝒕) = 𝑷𝟑 (𝒕) + 𝒂𝟒 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 )(𝒕 − 𝒕𝟐 )(𝒕 − 𝒕𝟑 )
{ Les 𝒂𝒊 sont les différences diviséees d′ ordre 𝒊
Calculons la table des différences divisées.

𝒕𝒌 𝑓(𝑡𝑘 ) = 𝑓[𝑡𝑘 ] DD1 DD2 DD3 DD4
0 𝟎 = 𝒂𝟎
𝟓 = 𝒂𝟏
1 5 𝟐. 𝟓 = 𝒂𝟐
10 −𝟓 = 𝒂𝟑
2 15 −12.5 𝟑. 𝟎𝟒𝟏𝟔𝟕 = 𝒂𝟒
−15 9 7.1667
3 0
3
4 3
15
Remplaçant les 𝑎𝑖 et les 𝑡𝑖 par leurs valeurs dans les polynômes de Newton, on trouve :
𝑷𝟏 (𝒕) = 𝒂𝟎 + 𝒂𝟏 (𝒕 − 𝒕𝟎 ) = 𝟎 + 𝟓(𝒕 − 𝟎) = 𝟓𝒕
𝑷𝟐 (𝒕) = 𝑷𝟏 (𝒕) + 𝒂𝟐 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 ) = 𝟓𝒕 + 𝟐. 𝟓(𝒕 − 𝟎)(𝒕 − 𝟏) = 𝟐. 𝟓𝒕𝟐 + 𝟐. 𝟓𝒕
𝑷𝟑 (𝒕) = 𝑷𝟐 (𝒕) + 𝒂𝟑 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 )(𝒕 − 𝒕𝟐 ) = 𝟐. 𝟓𝒕𝟐 + 𝟐. 𝟓𝒕 − 𝟓(𝒕 − 𝟎)(𝒕 − 𝟏)(𝒕 − 𝟐) = −𝟓𝒕𝟑 + 𝟏𝟕. 𝟓𝒕𝟐 − 𝟕. 𝟓𝒕
𝑷𝟒 (𝒕) = 𝑷𝟑 (𝒕) + 𝒂𝟒 (𝒕 − 𝒕𝟎 )(𝒕 − 𝒕𝟏 )(𝒕 − 𝒕𝟐 )(𝒕 − 𝒕𝟑 ) = −𝟓𝒕𝟑 + 𝟏𝟕. 𝟓𝒕𝟐 − 𝟔𝒕 + 𝟑. 𝟎𝟒𝟏𝟕(𝒕 − 𝟎)(𝒕 − 𝟏)(𝒕 − 𝟐)(𝒕 − 𝟑)
𝑷𝟒 (𝒕) = 3.04167𝑡4 − 23.25𝑡3 + 50.95833𝑡2 − 25.75𝑡 C’est le même polynôme que celui de
Lagrange.
20
P2 P1
(2,15)
15
10
(1,5)
5
Pi(t)
(4,3)
(0,0)
(3,0)
0
P4
Points d'interpolation
-5
P3
-10
0 1 2 3 4
t
Fig. 2.1. Tracés des polynômes d’interpolation de Newton
16
Chapitre III : Intégration Numérique
Dans ce chapitre, on va étudier quelques méthodes approximatives pour le

calcul des intégrales limitées. Aussi ces méthodes permettent le calcul des intégrales
qui n’ont pas de solutions directes ou analytiques. On peut aussi calculer l’intégrale
d’une fonction donnée sous forme tabulaire ou discrète.
3.1 Formule du trapèze

Cette formule est très simple, elle permet de remplacer la courbe f(x) de la
fonction à intégrer par une ligne droite qui relie les points (a,f(a)) et (b,f(b)) ce qui
donne un trapèze (Fig. 3.1).
2.0
1.5
(b,f(b))
1.0 f(x)
f
0.5 (a,f(a))
0.0
a b
h
-0.5
0.0 0.5 1.0 1.5 2.0
x
Fig. 3.1 : Méthode du trapèze
L’intégrale est donc remplacée par la surface du trapèze :
𝒃 𝒉
𝒔 = ∫𝒂 𝒇(𝒙) = 𝟐 (𝒇(𝒂) + 𝒇(𝒃))
Avec h=b-a est dit pas d’intégration. On peut remarquer qu’il y’a une différence
importante entre la courbe de la fonction et la ligne droite, cela veut qu’on commît
une erreur de calcul. Pour minimiser cette erreur, on utilise une autre forme plus
adaptée de cette formule.
17
3.1.1 Formule du trapèze généralisée.

On divise l’intervalle [a,b] en plusieurs sous intervalles égaux et on applique la
formule du trapèze à chaque sous intervalle (Fig. 3.2). On a donc les sous intervalles
[𝒂 = 𝒙𝟎 , 𝒙𝟏 ] ∪ [𝒙𝟏 , 𝒙𝟐 ] ∪ … . .∪ [𝒙𝒏−𝟏 , 𝒙𝒏 = 𝒃], l’application de la formule du trapèze
donne :
𝑏
ℎ ℎ ℎ ℎ
∫ 𝑓(𝑥) = (𝑓(𝑥0 ) + 𝑓(𝑥1 )) + (𝑓(𝑥1 ) + 𝑓(𝑥2 )) + (𝑓(𝑥2 ) + 𝑓(𝑥3 )) + ⋯ + (𝑓(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 ))
𝑎 2 2 2 2
𝑏 𝑛−1 𝑛−1
ℎ ℎ
∫ 𝑓(𝑥) = (𝑓(𝑥0 ) + 2 ∑ 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑛 )) = (𝑓0 + 2 ∑ 𝑓𝑖 + 𝑓𝑛 )
𝑎 2 𝑖=1 2 𝑖=1
Fig. 3.2. Méthode du trapèze généralisée
3.1.2 Erreur d’intégration
C’est la différence entre l’intégrale exacte de la fonction et celle calculée par la

méthode du trapèze, elle est notée par R(f).
𝒙 𝒉 𝒃−𝒂 𝟐 ′′
𝑹(𝒇) = ∫𝒙 𝒏 𝒇(𝒙)𝒅𝒙 − 𝟐 (𝒇𝟎 + 𝟐 ∑𝒏−𝟏
𝒊=𝟏 𝒇𝒊 + 𝒇𝒏 ) = − 𝟏𝟐
𝒉 𝒇 (𝒛) avec 𝒛 ∈ [𝒂, 𝒃]
𝟎
1 2
Exemple : Soit à calculer l’intégrale ∫0 𝑒 −𝑥 𝑑𝑥 avec une précision de 0.001 par la
méthode du trapèze. On doit premièrement trouver le nombre de division à faire pour
𝒃−𝒂 𝟐 ′′
obtenir cette précision. L’erreur d’intégration s’écrit 𝑹(𝒇) = − 𝟏𝟐
𝒉 𝒇 (𝒛) sa valeur
absolue doit être inférieure ou égale à la précision donnée (0.001), c.à.d. :
𝒃 − 𝒂 𝟐 ′′
|𝑹(𝒇)| = |− 𝒉 𝒇 (𝒛)| ≤ 𝟎. 𝟎𝟎𝟏
𝟏𝟐
2 2
La fonction 𝑓(𝑥) = 𝑒 −𝑥 donc sa dérivée seconde est 𝑓"(𝑥) = 2(2𝑥 2 − 1)𝑒 −𝑥 , cette
fonction est strictement croissante dans l’intervalle donné (Fig. 3.3).
18
f"(x)
y
-1
-2
0,0 0,5 1,0
x
Fig. 3.3. Courbe de la dérivée

2
seconde de 𝑒 −𝑥
On calcule
𝑀 = 𝑚𝑎𝑥|𝒇′′ (𝒛)| = 𝟐 à 𝒙 = 𝟎
𝒃−𝒂 𝟐 ′′
donc |𝑹(𝒇)| = |−
𝟏𝟐
𝒉 𝒇 (𝒛)| ≤ 𝟎. 𝟎𝟎𝟏
𝟏𝟐∗𝟎.𝟎𝟎𝟏 𝟏
d’où 𝒉 ≤ √ (𝟏−𝟎)∗𝟐 = 𝟎. 𝟎𝟕𝟕𝟒 donc n = = 𝟏𝟐. 𝟗𝟏 on prend 13 divisions.
𝟎.𝟎𝟕𝟕𝟒
1
Le pas d’intégration ℎ = 13.
1 12
−𝑥 2
1 2 𝑖 2 2
∫ 𝑒 𝑑𝑥 = (𝑒 −0 + 2 ∑ 𝑒 −(13) + 𝑒 −1 ) = 0.74646
0 2 ∗ 13
𝑖=1
19
3.2 Formules de Simpson
Dans cette formule on ne remplace pas la fonction par une droite mais par une
parabole de degré n inférieure ou égale à deux. Cette dernière doit passer par trois
points (𝒙𝟎 , 𝒚𝟎 ), (𝒙𝟏 , 𝒚𝟏 )𝐞𝐭 (𝒙𝟐 , 𝒚𝟐 ) ce qui fait que cette méthode n’est applicable que pour
un nombre pair de tranches (une tranche c’est l’intervalle entre deux points) (Fig.
3.4.). La formule de Simpson s’écrit :
𝒃
𝒉
∫ 𝒇(𝒙) ≅ (𝒇(𝒙𝟎 ) + 𝟒𝒇(𝒙𝟏 ) + 𝒇(𝒙𝟐 ))
𝒂 𝟑
Fig. 3.4. Méthode de Simpson
Si on généralise la formule de Simpson pour 2n sous intervalles avec un pas

𝒃−𝒂
d’intégration 𝒉= 𝟐𝒏
, 𝒂 = 𝒙𝟎 < 𝒙𝟏 < ⋯ … . < 𝒙𝟐𝒏 = 𝒃 et 𝒙𝒌 = 𝒂 + 𝒉𝒌 pour
k=0,1,2,……,2n.
La formule de Simpson généralisée s’écrit :
𝒃
𝒉
∫ 𝒇(𝒙) ≅ (𝒇(𝒙𝟎 ) + 𝟐 ∑ 𝒇(𝒙𝒊 ) + 𝟒 ∑ 𝒇(𝒙𝒊 ) + 𝒇(𝒙𝟐𝒏 ))
𝒂 𝟑 𝒊 𝒑𝒂𝒊𝒓 𝒊 𝒊𝒎𝒑𝒂𝒊𝒓
L’erreur d’interpolation de la formule de Simpson s’écrit :
𝒃−𝒂
𝑹(𝒇) = − 𝟏𝟖𝟎 𝒉𝟒 𝒇(𝟒) (𝒛) avec 𝒛 ∈ [𝒂, 𝒃]
20
1 2
Exemple : Soit à calculer l’intégrale ∫0 𝑒 −𝑥 𝑑𝑥 avec une précision de 0.001 par la
méthode de Simpson. On doit premièrement trouver le nombre de division à faire
pour obtenir cette précision.
L’erreur d’intégration s’écrit :
(𝒃−𝒂)
𝑹(𝒇) = − 𝟏𝟖𝟎
𝒉𝟒 𝒇(𝟒) (𝒛)
sa valeur absolue doit être inférieure ou égale à la précision donnée (0.001), c.à.d. :
(𝒃 − 𝒂) 𝟒 (𝟒)
|𝑹(𝒇)| = |− 𝒉 𝒇 (𝒛)| ≤ 𝟎. 𝟎𝟎𝟏
𝟏𝟖𝟎
2 2
La fonction 𝑓(𝑥) = 𝑒 −𝑥 sa dérivée quatrième est 𝑓 (4) (𝑥) = (16𝑥 4 − 48𝑥 2 + 12)𝑒 −𝑥 ,
cette fonction est non monotone dans l’intervalle donné. On calcule son maximum
par le traceur Origin (Fig. 3.3.).
𝑀 = 𝑚𝑎𝑥|𝒇(𝟒) (𝒛)| = 𝟏𝟐 à 𝒙 = 𝟎.
𝟒 𝟏𝟖𝟎∗𝟎.𝟎𝟎𝟏
D’ou 𝒉 ≤ √ (𝟏−𝟎)∗𝟏𝟐 = 𝟎. 𝟑𝟓
𝟏 1
donc 𝟐𝒏 = = 𝟐. 𝟖𝟓 on prend 𝟒 divisions, le pas d’intégration ℎ = = 0.25.
𝟎.𝟑𝟓 4
1 2 0.25 −02 2 2 2 2
On trouve : ∫0 𝑒 −𝑥 𝑑𝑥 = 3
(𝑒 + 4(𝑒 −0.25 + 𝑒 −0.75 ) + 2𝑒 −0.5 + 𝑒 −1 ) = 0.7469
21
3.3 Méthode de quadrature
Cette méthode permet l’élaboration de formules d’intégration numériques en

se basant sur le polynôme de Lagrange. On peut par exemple retrouver les formules
du trapèze et de Simpson par cette méthode ou bien de construire d’autres formules
d’intégration plus performantes. Dans cette méthode on remplace la fonction par un
polynôme de Lagrange puis on intègre le polynôme trouvé, on écrit donc :
𝒇(𝒙) ≅ 𝑷𝒏 (𝒙) = ∑𝒏𝒊=𝟎 𝒇𝒊 𝑳𝒊 (𝒙)
𝒃 𝒃 𝒃
On intègre : ∫𝒂 𝒇(𝒙)𝒅𝒙 ≅ ∫𝒂 𝑷𝒏 (𝒙)𝒅𝒙 = ∑𝒏𝒊=𝟎 𝒇𝒊 ∫𝒂 𝑳𝒊 (𝒙)𝒅𝒙
𝒃
Si on pose : 𝑨𝒊 = ∫𝒂 𝑳𝒊 (𝒙)𝒅𝒙 pour i=0,1,…,n
𝒃
On obtient la formule de quadrature : ∫𝒂 𝒇(𝒙)𝒅𝒙 ≅ ∑𝒏𝒊=𝟎 𝒇𝒊 𝑨𝒊
On doit maintenant choisir la forme de la fonction f(x), dans notre cas on prend :
𝒇(𝒙) = 𝒙𝒌 avec k=0,1,2,….,n
𝒃 𝒃𝒌+𝟏 −𝒂𝒌+𝟏
On remplace dans l’intégrale : ∫𝒂 𝒙𝒌 𝒅𝒙 ≅ ∑𝒏𝒊=𝟎 𝒇𝒊 𝑨𝒊 = 𝒌+𝟏
k=0,1,2,….,n
En variant i de 0 à n pour chaque valeur de k, on aura:
𝒃𝟏 −𝒂𝟏
pour k=0 : 𝒙𝟎𝟎 𝑨𝟎 + 𝒙𝟎𝟏 𝑨𝟏 + ⋯ … + 𝒙𝟎𝒏 𝑨𝟎 =
𝟏
𝒃𝟐 −𝒂𝟐
pour k=1 : 𝒙𝟏𝟎 𝑨𝟎 + 𝒙𝟏𝟏 𝑨𝟏 + ⋯ … + 𝒙𝟏𝒏 𝑨𝟎 = 𝟐
𝒃𝟑 −𝒂𝟑
pour k=2 : 𝒙𝟐𝟎 𝑨𝟎 + 𝒙𝟐𝟏 𝑨𝟏 + ⋯ … + 𝒙𝟐𝒏 𝑨𝟎 =
𝟑
……………………………………………………………………………………
𝒃𝒏+𝟏 −𝒂𝒏+𝟏
pour k=n : 𝒙𝒏𝟎 𝑨𝟎 + 𝒙𝒏𝟏 𝑨𝟏 + ⋯ … + 𝒙𝒏𝒏 𝑨𝟎 = 𝒏+𝟏
D’où on obtient pour toutes les valeurs de i et k le système suivant :
𝟏 𝟏 𝟏 … … 𝟏 𝑨𝟎 𝑰𝟎
𝒙𝟎 𝒙𝟏 𝒙𝟐 … . . 𝒙𝒏 𝑨𝟏 𝑰𝟏
𝒃𝒌+𝟏 −𝒂𝒌+𝟏
𝟐 𝟐 𝟐
𝒙𝟎 𝒙𝟏 𝒙𝟐 … . 𝒙𝒏 𝟐 𝑨 𝟐 = 𝑰𝟐 avec 𝑰𝒌 =
𝒌+𝟏
…………………. . .
[ 𝒙𝒏𝟎 𝒙𝒏𝟏 𝒙𝒏𝟐 … . 𝒙𝒏𝒏 ] [𝑨𝒏 ] [𝑰𝒏 ]
Le déterminant de la matrice du système trouvé est dit de ‘’Von-Dermonde’’ il est non

nul d’où la solution de ce système existe et unique (𝑨𝟎 , 𝑨𝟏 , … . . , 𝑨𝒏 ).
22
1 2
Exemple : Soit à calculer l’intégrale ∫0 𝑒 −𝑥 𝑑𝑥 avec une formule qui a la forme
1 2
suivante : ∫0 𝑒 −𝑥 𝑑𝑥 = 𝑨𝟎 𝒇(𝟎) + 𝑨𝟏 𝒇(𝟎. 𝟐𝟓) + 𝑨𝟐 𝒇(𝟎. 𝟓) + 𝑨𝟑 𝒇(𝟎. 𝟕𝟓) + 𝑨𝟐 𝒇(𝟏. 𝟎𝟎). Dans ce
cas on cherche premièrement les constantes 𝐴𝑖 puis on calcule l’intégrale. Ces
constantes sont données par le système d’équations suivant :
1 1 1 1 1 𝑨𝟎 𝟏
0 0.25 0.5 0.75 1 𝑨𝟏 𝟎. 𝟓
0 0.0625 0.25 0.5626 1 𝑨𝟐 = 𝟎. 𝟑𝟑𝟑
0 0.015625 0.125 0.421875 1 𝑨𝟑 𝟎. 𝟐𝟓𝟎
[0 0.00390625 0.0625 0.31640625 1] [𝑨𝟒 ] [𝟎. 𝟐𝟎𝟎]
La solution du système est (0.0691, 0.3812, 0.1052, 0.3694, 0.0751) donc :

1
2 𝟐 𝟐 𝟐 𝟐
∫ 𝑒 −𝑥 𝑑𝑥 = 0.0691𝒆𝟎 + 0.3812𝒆−𝟎.𝟐𝟓 + 0.1052𝒆−𝟎.𝟓 + 0.3694𝒆−𝟎.𝟕𝟓 + 0.0751𝒆−𝟏 = 𝟎. 𝟕𝟒𝟕𝟐
0
23
Chapitre VI : Résolution numérique des équations

différentielles ordinaires : Problème de Cauchy
Les équations différentielles sont utilisées dans la modélisation mathématique

de la quasi- totalité des phénomènes physiques. Une équation différentielle est une
relation entre une variable et sa ou ses dérivées de divers ordres. Dans ce chapitre,
on va considérer les équations différentielles ordinaires du premier ordre avec une
condition initiale imposée (problème de Cauchy).
Le problème de Cauchy est défini par la solution de l’équation différentielle
suivante :
𝒅𝒚(𝒕)
= 𝒚′ = 𝒇(𝒕, 𝒚(𝒕))
{ 𝒅𝒕 𝒚(𝒕𝟎 ) = 𝒚𝟎 est une condition initiale imposée.
𝒚(𝒕𝟎 ) = 𝒚𝟎
On remarque que la solution doit obligatoirement passer par le point (𝒕𝟎 , 𝒚𝟎 ).
La solution du problème de Cauchy existe et unique si la fonction 𝒇(𝒕, 𝒚(𝒕))
satisfait la condition de Lipschitz en y sur un rectangle R définit par 𝒂 ≤ 𝒕 ≤ 𝒃 et
𝒄 ≤ 𝒚 ≤ 𝒅. Cette condition nécessite que |𝒇(𝒕, 𝒚𝟏 ) − 𝒇(𝒕, 𝒚𝟐 )| ≤ 𝑳|𝒚𝟏 − 𝒚𝟐 |.
𝝏𝒇(𝒕,𝒚)
En pratique pour vérifier cette condition, on calcule 𝑴𝒂𝒙 | 𝝏𝒚
| ≤ 𝑳 sur R
4.1 Méthode d’Euler

Soit un intervalle [a,b] sur lequel on cherche la solution d’un problème de
Cauchy
𝒅𝒚(𝒕)
= 𝒚′ = 𝒇(𝒕, 𝒚(𝒕))
{ 𝒅𝒕
𝒚(𝒕𝟎 = 𝒂) = 𝒚𝟎
La fonction 𝒇(𝒕, 𝒚(𝒕)) vérifie la condition de Lipschitz en y sur le rectangle R.
La première étape consiste à diviser l’intervalle donné en n points équidistants
𝒃−𝒂
ce qui donne un pas d’intégration 𝒉 = 𝒏
, le point d’abscisse 𝒕𝒊 est donné par 𝒕𝒊 = 𝒂 +
𝒊𝒉 (pour i=1,2,…,n).
a=t0 t1 t2 ………….. tn-1 b=tn t
24
On va donc résoudre le problème sur l’intervalle [𝒂 = 𝒕𝟎 , 𝒃 = 𝒕𝒏 ] avec 𝒚(𝒕𝟎 = 𝒂) =

𝒚𝟎 . Si les fonctions 𝑦(𝒕), 𝒚′ (𝒕) et 𝒚′′(𝒕) sont continues, on peut écrire le développement
en série de Taylor pour 𝒚(𝒕) au voisinage de 𝒕𝟎 .
(𝒕 − 𝒕𝟎 ) (𝒕 − 𝒕𝟎 )𝟐
𝒚(𝒕) = 𝒚(𝒕𝟎 ) + 𝒚′ (𝒕𝟎 ) + 𝒚′′ (𝒕𝟎 ) +⋯
𝟏! 𝟐!
Sachant que 𝒚′ (𝒕𝟎 ) = 𝒇(𝒕𝟎 , 𝒚(𝒕𝟎 )) et 𝒉 = 𝒕𝟏 − 𝒕𝟎 ,
𝒉𝟐
Ecrivons 𝒚(𝒕𝟏 ) = 𝒚(𝒕𝟎 ) + 𝒇(𝒕𝟎 , 𝒚(𝒕𝟎 ))𝒉 + 𝒚′′ (𝒕𝟎 ) 𝟐! + ⋯
Si h est suffisamment petit alors on peut négliger 𝒉𝟐 et donc les termes d’ordre deux
et plus, on obtient donc :
𝒚(𝒕𝟏 ) = 𝒚(𝒕𝟎 ) + 𝒉𝒇(𝒕𝟎 , 𝒚(𝒕𝟎 )) → 𝒚𝟏 = 𝒚𝟎 + 𝒉𝒇(𝒕𝟎 , 𝒚𝟎 )
C’est l’approximation d’Euler d’ordre 1, en répétant le procédé on génère une

séquence de points 𝒚𝟏 , 𝒚𝟐 , 𝒚𝟑 , … … , 𝒚𝒏−𝟏 , 𝒚𝒏 approximant 𝒚 = 𝒚(𝒕), en général :
𝒕 = 𝒂 + 𝒊𝒉, 𝒊 = 𝟎, 𝟏, 𝟐, … . . , 𝒏 − 𝟏
{ 𝒊
𝒚𝒊+𝟏 = 𝒚𝒊 + 𝒉𝒇(𝒕𝒊 , 𝒚𝒊 ), 𝒚𝟎 = 𝒚(𝒕𝟎 )
Exemple : Résoudre le problème de Cauchy suivant par la méthode d’Euler en

prenant un pas d’intégration h=0.25.
𝑦 ′ = 2 − 𝑡𝑦 2 𝑡 ∈ [0,1], 𝑦 ∈ [0,1]
{
𝑦(0) = 1
Vérifions la condition de Lipchitz sur le rectangle R défini par 𝑡 ∈ [0,1], 𝑦 ∈ [0,1].
𝝏𝒇(𝒕,𝒚) 𝝏(2−𝑡𝑦 2 )
Max | 𝝏𝒚
| = Max | 𝝏𝒚
| = |−𝟐𝒕𝒚| = 𝟐 < 𝑳 Condition vérifiée
On divise l’intervalle de t, [0,1] avec une pas h=0.25, soit 0, 0.25, 0.50, 0.75 et 1.
t0 =0 t1=0.25 t2 =0.50 t3 =0.75 t4 =1
y0 =y(0)=1 y1 y2 y3 y4
𝒕𝒊 = 𝒊𝒉, 𝒊 = 𝟎, 𝟏, 𝟐 et 𝟑
On écrit : {
𝒚𝒊+𝟏 = 𝒚𝒊 + 𝒉𝒇(𝒕𝒊 , 𝒚𝒊 ) = 𝒚𝒊 + 𝟎. 𝟐𝟓(𝟐 − 𝒕𝒊 𝒚𝟐𝒊 ), 𝒚𝟎 = 𝟏
25
𝒊 = 𝟎, 𝒚𝟏 = 𝒚𝟎 + 𝒉𝒇(𝒕𝟎 , 𝒚𝟎 ) = 𝟏 + 𝟎. 𝟐𝟓(𝟐 − 𝟎 ∗ 𝟏𝟐 ) = 𝟏. 𝟓
𝒊 = 𝟏, 𝒚𝟐 = 𝒚𝟏 + 𝒉𝒇(𝒕𝟏 , 𝒚𝟏 ) = 𝟏. 𝟓 + 𝟎. 𝟐𝟓(𝟐 − 𝟎. 𝟐𝟓 ∗ 𝟏. 𝟓𝟐 ) = 𝟏. 𝟖𝟓𝟗𝟒
𝒊 = 𝟐, 𝒚𝟑 = 𝒚𝟐 + 𝒉𝒇(𝒕𝟐 , 𝒚𝟐 ) = 𝟏. 𝟖𝟓𝟗 + 𝟎. 𝟐𝟓(𝟐 − 𝟎. 𝟓 ∗ 𝟏. 𝟖𝟓𝟗𝟐 ) = 𝟏. 𝟗𝟐𝟕𝟐
𝒊 = 𝟑, 𝒚𝟒 = 𝒚𝟑 + 𝒉𝒇(𝒕𝟑 , 𝒚𝟑 ) = 𝟏. 𝟗𝟐𝟕 + 𝟎. 𝟐𝟓(𝟐 − 𝟎. 𝟕𝟓 ∗ 𝟏. 𝟗𝟐𝟕𝟐 ) = 𝟏. 𝟕𝟑𝟎𝟖
La solution exacte est :

𝟑 𝟑
𝟐 √𝟐𝒄𝟏 𝒕𝑨𝒊(𝟐𝟐⁄𝟑 𝒕)+𝟐 √𝟐𝒕𝑩𝒊(𝟐𝟐⁄𝟑 𝒕)
𝒚(𝒕) = Cas de l’exemple
𝟐𝒕(𝒄𝟏 𝑨′𝒊 (𝟐𝟐⁄𝟑 𝒕)+𝑩′𝒊 (𝟐𝟐⁄𝟑 𝒕))
Avec Ai et Bi sont les fonctions

d’Airy et d’Airy de seconde espèce.
Fig. 4.1. Solutions y(t) pour différentes

conditions initiales y(0).
26
4.2 Méthode d’Euler améliorée(Huns)

D’après le développement en série de Taylor, on a :
(𝒕 − 𝒕𝟎 ) (𝒕 − 𝒕𝟎 )𝟐 (𝒕 − 𝒕𝟎 )𝟑
𝒚(𝒕) = 𝒚(𝒕𝟎 ) + 𝒚′ (𝒕𝟎 ) ′′ (𝒕 )
+𝒚 𝟎 +𝒚′′′ (𝒕 )
𝟎 +⋯
𝟏! 𝟐! 𝟑!
Si on prend les trois premiers termes et on néglige les autres d’ordre supérieur, on
obtient :
(𝒕 − 𝒕𝟎 ) (𝒕 − 𝒕𝟎 )𝟐
𝒚(𝒕) ≅ 𝒚(𝒕𝟎 ) + 𝒚′ (𝒕𝟎 ) + 𝒚′′ (𝒕𝟎 ) +⋯
𝟏! 𝟐!
En remplaçant 𝒕 par 𝒕𝟏 cela donne :
(𝒕𝟏 − 𝒕𝟎 ) (𝒕𝟏 − 𝒕𝟎 )𝟐 𝒉𝟐
𝒚(𝒕𝟏 ) = 𝒚(𝒕𝟎 ) + 𝒚′ (𝒕𝟎 ) + 𝒚′′ (𝒕𝟎 ) = 𝒚(𝒕𝟎 ) + 𝒚′ (𝒕𝟎 )𝒉 + 𝒚′′ (𝒕𝟎 )
𝟏! 𝟐! 𝟐!
𝒚′(𝒕𝟏 )−𝒚′(𝒕𝟎 ) 𝒉
Or 𝒚′′ (𝒕𝟎 ) = on aura 𝒚(𝒕𝟏 ) = 𝒚(𝒕𝟎 ) + [𝒇(𝒕𝟏 , 𝒚𝟏 ) + 𝒇(𝒕𝟎 , 𝒚𝟎 )]
𝒉 𝟐
En général la formule d’Euler améliorée s’écrit :
𝒉
𝒚𝒊+𝟏 = 𝒚𝒊 + [𝒇(𝒕𝒊+𝟏 , 𝒚𝑬𝒊+𝟏 ) + 𝒇(𝒕𝒊 , 𝒚𝒊 )]
𝟐
On remarque que cette formule donne 𝒚𝒊+𝟏 en fonction de 𝒚𝑬𝒊+𝟏 qui doit être calculée
par la méthode d’Euler.
Exemple : Résoudre le problème de Cauchy précédant par la méthode d’Euler

améliorée en prenant un pas d’intégration h=0.25.
On a :
𝒕𝒊 = 𝒊𝒉, 𝒊 = 𝟎, 𝟏, 𝟐 et 𝟑
{ 𝒉 𝒉
𝒚𝒊+𝟏 = 𝒚𝒊 + [𝒇(𝒕𝒊+𝟏 , 𝒚𝑬𝒊+𝟏 ) + 𝒇(𝒕𝒊 , 𝒚𝒊 )] = 𝒚𝒊 + [(𝟐 − 𝒕𝒊 𝒚𝟐𝒊 ) + (𝟐 − 𝒕𝒊+𝟏 𝒚𝟐𝒊+𝟏𝑬 )], 𝒚𝟎 = 𝟏
𝟐 𝟐
Avec : 𝒚𝑬𝒊+𝟏 = 𝒚𝒊 + 𝒉(𝟐 − 𝒕𝒊 𝒚𝟐𝒊 ) la solution obtenue par la méthode d’Euler. On
𝒉 𝟐
remplace 𝒚𝑬𝒊+𝟏 , on aura : 𝒚𝒊+𝟏 = 𝒚𝒊 + [(𝟐 − 𝒕𝒊 𝒚𝟐𝒊 ) + (𝟐 − 𝒕𝒊+𝟏 (𝒚𝒊 + 𝒉(𝟐 − 𝒕𝒊 𝒚𝟐𝒊 )) )],
𝟐
𝒚𝟏 = 𝟏. 𝟒𝟐𝟗𝟕, 𝒚𝟐 = 𝟏. 𝟔𝟔𝟐𝟗, 𝒚𝟑 = 𝟏. 𝟔𝟖𝟎𝟓, 𝒚𝟒 = 𝟏. 𝟓𝟕𝟓𝟎
27
4.3 Méthode de Runge-Kutta d’ordre 4

C’est la méthode la plus précise et la plus utilisée, elle est d’ordre quatre.
L’intervalle [a,b] est divisé en n sous intervalles de largeur h, cette formule s’écrit :
𝒉
𝒚𝒊+𝟏 = 𝒚𝒊 + 𝟔 (𝑲𝟏 + 𝟐(𝑲𝟐 + 𝑲𝟑 ) + 𝑲𝟒 )
𝑲𝟏 = 𝒇(𝒕𝒊 , 𝒚𝒊 )
𝒉 𝒉
𝑲𝟐 = 𝒇 (𝒕𝒊 + , 𝒚𝒊 + 𝑲𝟏 )
𝟐 𝟐
𝒉 𝒉
𝑲𝟑 = 𝒇 (𝒕𝒊 + , 𝒚𝒊 + 𝑲𝟐 )
𝟐 𝟐
𝑲𝟒 = 𝒇(𝒕𝒊 + 𝒉, 𝒚𝒊 + 𝒉𝑲𝟑 )
Exemple : Résoudre le problème de Cauchy précédant par la méthode de Runge-

Kutta d’ordre 4 en prenant un pas d’intégration h=0.25.
𝒉
𝒚𝒊+𝟏 = 𝒚𝒊 + 𝟔 (𝑲𝟏 + 𝟐(𝑲𝟐 + 𝑲𝟑 ) + 𝑲𝟒 )
𝑲𝟏 = 𝒇(𝒕𝒊 , 𝒚𝒊 ) = 𝟐 − 𝒕𝒊 𝒚𝟐𝒊
𝟐
𝒉 𝒉 𝒉 𝒉
𝑲𝟐 = 𝒇 (𝒕𝒊 + , 𝒚𝒊 + 𝑲𝟏 ) = 𝟐 − (𝒕𝒊 + ) (𝒚𝒊 + 𝑲𝟏 )
𝟐 𝟐 𝟐 𝟐
𝟐
𝒉 𝒉 𝒉 𝒉
𝑲𝟑 = 𝒇 (𝒕𝒊 + , 𝒚𝒊 + 𝑲𝟐 ) = 𝟐 − (𝒕𝒊 + ) (𝒚𝒊 + 𝑲𝟐 )
𝟐 𝟐 𝟐 𝟐
𝑲𝟒 = 𝒇(𝒕𝒊 + 𝒉, 𝒚𝒊 + 𝒉𝑲𝟑 ) = 𝟐 − (𝒕𝒊 + 𝒉)(𝒚𝒊 + 𝒉𝑲𝟑 )𝟐
i=0, 𝑲𝟏 = 𝟐, 𝑲𝟐 = 𝟏. 𝟖𝟎𝟒𝟕, 𝑲𝟑 = 𝟏. 𝟖𝟏𝟐𝟐, 𝑲𝟒 = 𝟏. 𝟒𝟕𝟐𝟐, 𝒚𝟏 = 𝟏. 𝟒𝟒𝟔𝟏
y2=1.7028, y3=1.7317, y4=1.6148
2.0
1.8
1.6
Euler Ordre1
y
Euler A Ordre2
1.4 RK4 Ordre4
RK6 Ordre6
1.2
1.0
0.0 0.2 0.4 0.6 0.8 1.0
t
Fig. 4.2. Comparaison entre différentes méthodes
28
Chapitre V : Résolution directe des systèmes d’équations linéaires
On rencontre souvent le problème de résolution des systèmes d’équations

linéaires. Ces dernières sont présentes par exemple dans différentes méthodes de
résolution numérique des équations différentielles aux dérivées partielles. Ces
dernières modélisent la majorité des phénomènes physiques tels que les transferts
de chaleur et de masse, la mécanique des fluides, ….
On va traiter dans ce chapitre les systèmes d’équations linéaires dont le
nombre d’équations est égal à ceux d’inconnues et dont le déterminant est non nul.
C’est-à-dire les systèmes qui ont une solution unique. Un système d’équations
linéaire de n équations avec n inconnues s’écrit alors :
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎 𝑥 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ 𝑎2𝑛 𝑥𝑛 = 𝑏2
{ 21 1
……………………………………………….
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + ⋯ 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛
Ce système peut être écrit sous forme matricielle :
𝑎11 𝑎12 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
[ ⋮ ] [ ⋮ ] = [ ] ⇔ 𝐴𝑋 = 𝐵
⋮
⏟𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 ⏟ 𝑥𝑛 ⏟𝑏𝑛
𝐴 𝑋 𝐵
Ce système peut être résolu directement par différentes méthodes, on peut

citer celle de Kramer (des déterminants) où celle d’élimination.
Systèmes à matrices triangulaires

Commençons par quelques définitions, on dit qu’un système UX=Y est à
matrice triangulaire supérieure si 𝑢𝑖𝑗 = 0 pour > 𝑗 , on écrit :
𝑢11 𝑥1 + 𝑢12 𝑥2 + 𝑢13 𝑥3 + ⋯ +𝑢1𝑛 𝑥𝑛 = 𝑦1
𝑢22 𝑥2 + 𝑢23 𝑥3 + ⋯ +𝑢2𝑛 𝑥𝑛 = 𝑦2
𝑢33 𝑥3 + ⋯ + 𝑢3𝑛 𝑥𝑛 = 𝑦3
……………………….
{ 𝑢𝑛𝑛 𝑥𝑛 = 𝑦𝑛
La solution de ce système est calculée facilement par substitution en arrière.

De l’équation n, on calcule 𝑥𝑛 = 𝑦𝑛 ⁄𝑢𝑛𝑛
On remplace 𝑥𝑛 dans l’équation n-1 pour calculer 𝑥𝑛−1 = (𝑦𝑛−1 −
𝑢𝑛−1𝑛 𝑥𝑛 )/𝑢𝑛−1𝑛−1
29
Pour le calcul de 𝑥𝑖 , les composantes 𝑥𝑛 , 𝑥𝑛−1 , 𝑥𝑛−2 , … . , 𝑥𝑖+1 sont connues, on les
remplace dans l’équation i, ce qui donne :
𝑥𝑖 = (𝑦𝑖 − ∑𝑛𝑗=𝑖+1 𝑢𝑖𝑗 𝑥𝑗 )/𝑢𝑖𝑖 i=n-1, n-2,….,1.
Le déterminant d’une matrice triangulaire (supérieure ou inférieure) est le

produit des éléments de la diagonale (du pivot) de cette matrice.
𝑛
det(𝑈) = ∏ 𝑢𝑖𝑖 = 𝑢11 𝑢22 … . 𝑢𝑛𝑛
𝑖=1
Exemple : Soit le système d’équations suivant :

𝑥−𝑦+𝑧 =1
{ 3𝑧 = 3
2𝑦 − 𝑧 = 1
1. Ecrire le système sous la forme matricielle.
2. Trouver la solution du système.
3. Calculer le déterminant de la matrice du système.
Solution
1. Ecriture du système sous la forme matricielle en permutant les lignes 2 et 3 pour
avoir un système triangulaire supérieur. N’oublions pas que le déterminant sera
multiplié par -1 à cause de la permutation.
1 −1 1 𝑥 1
𝐴 = [0 2 −1] [𝑦] = [1]
0 0 3 𝑧 3
2. La substitution en arrière donne :
3 1+1
𝑒𝑞. 3 ∶ 𝑧 = 3 = 1, 𝑒𝑞. 2: 𝑦 = 2
= 1 𝑒𝑡 𝑥 = 1 + 1 − 1 = 1
3. Det(A) = (−1) ∗ 1 ∗ 2 ∗ 3 = −6.
5.1 Méthode d’élimination de GAUSS

Dans ce chapitre, on va commencer par la méthode d’élimination de GAUSS
qui est similaire à celle de l’élimination avec une modification très importante qui
facilite énormément la résolution même de systèmes à grandes tailles (des milliers où
même des millions). Cette modification transforme un système à matrice A pleine, en
un autre à système à matrice U triangulaire supérieure, de telle façon que les deux
systèmes AX=B et UX=Y soient équivalent c. à. d. ont la même solution.
30
L’algèbre linaire montre que certaines transformations apportées aux systèmes

d’équations ne changent pas leurs solutions, dans notre cas les opérations qu’on va
appliquer sont les suivantes :
• Multiplication de l’équation 𝐸𝑖 par une constante 𝛼 non nulle, la nouvelle
équation obtenue 𝐸𝑖𝑛 = 𝛼𝐸𝑖 remplacera l’ancienne 𝐸𝑖 .
• Multiplication de l’équation 𝐸𝑗 par 𝛼 non nulle et son ajout à 𝐸𝑖 , 𝐸𝑖𝑛 = 𝐸𝑖 + 𝛼𝐸𝑗 ,
l’équation obtenue 𝐸𝑖𝑛 remplacera 𝐸𝑖 .
• Permutation des équations 𝐸𝑖 et 𝐸𝑗 .
L’application d’une série de ces opérations transformera le système AX=B en UX=Y
puis une substitution en arrière donnera la solution du système.
5.1.1 Description de la méthode d’élimination de GAUSS

On va montrer comment appliquer les transformations au système AX=B, pour
cela le second membre B sera considéré comme la colonne (n+1) et sera aussi affecté
par les opérations. On divise le travail en (n-1) étapes chacune d’elle annule les
éléments au-dessous du pivot de la colonne (𝒂𝒊𝒋 pour 𝒊 > 𝒋). Au début chaque étape,
(𝒊−𝟏)
on vérifie que le pivot est non nul. Pour l’étape i le pivot est 𝒂𝒊𝒊 à l’étape (i-1).
Le système à l’état initial où à l’étape (0) est donné par :
𝑎11 𝑎12 𝑎1𝑛 (0) 𝑥1 𝑏1 (0) 𝑎1𝑛+1 (0)

𝑎21 …
𝑎22 𝑎2𝑛 𝑥2 𝑎2𝑛+1
𝑏
[ ⋮ ] [ ⋮ ] = [ 2] = [ ⋮ ]
⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛 𝑎𝑛𝑛+1
Première étape : On vérifie tout d’abord que le pivot de la première étape qui est
(𝑖−1) (0)
𝑎𝑖𝑖 ≠ 0 pour 𝑖 = 1 i. e 𝑎11 ≠ 0.
(0)
Pour annuler l’élément 𝑎21 de la deuxième ligne, on multiplie la première équation
(0) (0)
par 𝑎21 et on la divise par 𝑎11 puis on fait la différence de cette nouvelle équation
(0)
(1) (0) (0) 𝑎21
avec la deuxième. L’équation obtenue remplacera la deuxième. 𝐸2 = 𝐸2 − 𝐸1 (0)
𝑎11
(0) (0)
(1) (1) (0) (0) 𝑎21 (1) (0) (0) 𝑎21
Cette opération donne 𝑎21 = 0, 𝑎22 = 𝑎22 − 𝑎12 (0) , ….., 𝑎2𝑛+1 = 𝑎2𝑛+1 − 𝑎1𝑛+1 (0)
𝑎11 𝑎11
(0)
(1) (0) (0) 𝑎21
En général, on écrit : 𝑎2𝑗 = 𝑎2𝑗 − 𝑎1𝑗 (0) Pour 𝑗 = 2, 𝑛 + 1
𝑎11
On continue cette procédure avec les lignes 3,4,…, pour la ligne i on a :

(0)
(1) (0) (0) 𝑎𝑖1
𝐸𝑖 = 𝐸𝑖 − 𝐸1 (0)
𝑎11
31
(0) (0)
(1) (1) (0) (0) 𝑎𝑖1 (1) (0) (0) 𝑎𝑖1
Cette opération donne 𝑎𝑖1 = 0, 𝑎𝑖2 = 𝑎𝑖2 − 𝑎12 (0) , ….., 𝑎𝑖𝑛+1 = 𝑎𝑖𝑛+1 − 𝑎1𝑛+1 (0)
𝑎11 𝑎11
(0)
(1) (0) (0) 𝑎𝑖1
En général, on écrit : 𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑎1𝑗 (0) Pour i = 2, n et 𝑗 = 2, 𝑛 + 1
𝑎11
A la fin de la première étape, on obtient des éléments nuls au-dessous du pivot de la

première étape. Le système s’écrit :
(0) (0) (0) (0)

𝑎11 𝑎12 𝑥1 𝑎1𝑛
𝑎1𝑛+1
(1)
…
(1) 𝑥 (1)
0 𝑎22 𝑎2𝑛 [ 2 ] = 𝑎2𝑛+1
⋮ ⋮ ⋮
(1) (1) 𝑥𝑛 (1)
[0 𝑎𝑛2 … 𝑎𝑛𝑛 ] [𝑎𝑛𝑛+1 ]
(𝑖−1) (1)
Deuxième étape : 𝑎𝑖𝑖 ≠ 0 pour 𝑖 = 2 i. e 𝑎22 ≠ 0.
De la même façon, on obtient pour le cas général
(1)
(2) (1) (1) 𝑎𝑖2
𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑎2𝑗 (1) Pour i = 3, n et 𝑗 = 3, 𝑛 + 1
𝑎22
(𝑖−1) (𝑘−1)
Etape k : 𝑎𝑖𝑖 ≠ 0 pour 𝑖 = 𝑘 i. e 𝑎𝑘𝑘 ≠ 0.
Pour une étape k quelconque, on a :
(𝑘−1)
(𝑘) (𝑘−1) (𝑘−1) 𝑎𝑖𝑘
𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑎𝑘𝑗 (𝑘−1) 1, 𝑛 − 1, 𝑖 = ̅̅̅̅̅̅̅̅̅̅
Pour 𝑘 = ̅̅̅̅̅̅̅̅̅̅ 𝑘 + 1, 𝑛 et 𝑗 = ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑘 + 1, 𝑛 + 1
𝑎𝑘𝑘
A la fin de la procédure, on obtient un système à matrice triangulaire supérieure qui

s’écrit :
(0) (0) (0) (0)

𝑎11 𝑎12 𝑥1 𝑎1𝑛+1
𝑎1𝑛
… (1)
0
(1) 𝑥 (1)
𝑎22 𝑎2𝑛 [ 2 ] = 𝑎2𝑛+1
⋮ ⋮ ⋮
(𝑛−1) 𝑥𝑛 (𝑛−1)
[ 0 0 𝑎𝑛𝑛 ] [𝑎𝑛𝑛+1 ]
La résolution de ce système se fait par substitution en arrière.
5.1.2 Le nombre d’opérations nécessaires pour l’application de l’algorithme de

GAUSS est :
Nombre de multiplications et d’additions :
𝑛(𝑛 − 1)(2𝑛 + 5)
𝑛𝑚 = 𝑛𝑎 =
6
32
Nombre de divisions :
𝑛(𝑛 + 1)
𝑛𝑑 =
2
5.1.3 Applications de la méthode de GAUSS.
a) Calcul du déterminant d’une matrice triangulaire :

Le déterminant d’une matrice triangulaire est donné par :
det(𝑈) = (−1)𝑃 ∏𝑛𝑖=1 𝑢𝑖𝑖 = (−1)𝑃 𝑢11 𝑢22 … . 𝑢𝑛𝑛
Avec P le nombre de permutation de lignes ou de colonnes effectuées lors de

l’application de l’algorithme de GAUSS.
Exemple : Soit le système d’équations suivant :
2𝑥 + 𝑦 + 2𝑧 = 10
{ 3𝑥 + 5𝑦 + 𝑧 = 16
−𝑥 + 4𝑦 + 7𝑧 = 28
1. Calculer le nombre d’opérations élémentaires pour la méthode de Gauss.
2. Calculer le déterminant de la matrice du système.
3. Résoudre le système par l’élimination de Gauss.
4. Recalculer le déterminant de la matrice du système.
b) Résolution simultanée de plusieurs systèmes à même matrice A :

Dans la pratique, on rencontre souvent le cas de plusieurs systèmes
d’équations qui ne différent que par le second membre B. On peut appliquer
l’algorithme de GAUSS sur la matrice A augmentée par tous les seconds membres.
De cette façon, on fait les calculs une seule fois sur la matrice A, la substitution se
fait avec chaque second membre obtenu à part.
𝑎11 𝑎12 𝑎1𝑛 𝑏1 𝑐1 𝑧1

𝑎21 𝑎22 … 𝑎2𝑛 𝑏2 …
𝑐2 𝑧2
[ ⋮ ][ ]
⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑏𝑛 𝑐𝑛 … 𝑧𝑛
c) Calcul de l’inverse d’une matrice :

Si A est une matrice d’ordre n, la matrice 𝑨−𝟏 tel que 𝑨. 𝑨−𝟏 = 𝑰 est dite matrice
inverse de A.
33
𝑎11 𝑎12 𝑎1𝑛 𝑥11 𝑥12 𝑥1𝑛

𝑎21 𝑎22 … 𝑎2𝑛 𝑥21 𝑥22 … 𝑥2𝑛
𝐴=[ ⋮ ] et 𝑨−𝟏 = [ ⋮ ]
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛1 𝑥𝑛2 … 𝑥𝑛𝑛
𝑎11 𝑎12 𝑎1𝑛 𝑥11 𝑥12 𝑥1𝑛 1 0 0

𝑎21 𝑎22 … 𝑎2𝑛 𝑥21 𝑥22 … 𝑥2𝑛 …
[ ⋮ ][ ⋮ ] = [0 1 0]
⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛1 𝑥𝑛2 … 𝑥𝑛𝑛 0 0…1
Exemple : Soit la matrice suivante :

1 1 2
[1 2 1]
2 1 1
1. Utiliser la méthode de Gauss pour calculer la matrice inverse.
2. Calculer le nombre d’opérations.
5.2. Utilisation de la pivotation.

Dans l’élaboration de l’algorithme de GAUSS, on a supposé que le pivot ne soit
pas nul, ce n’est pas le cas toujours. Parfois le pivot est très petit comparativement
aux autres termes ou même nul, dans ce cas on peut utiliser la technique de la
pivotation soit partielle ou totale.
Pivotation partielle :
(𝑘−1)
Dans ce cas on choisit comme pivot l’élément 𝑎𝑙𝑘 tel que :
(𝑘−1) (𝑘−1)
𝑎𝑙𝑘 = 𝑚𝑎𝑥 |𝑎𝑖𝑘 |
𝑖∈[𝑘,𝑛]
𝑎11 … 𝑎1𝑘 𝑎1𝑛
0 … 𝒂𝒌𝒌 … 𝑎𝑘𝑛
[ ⋮ ]
0… 𝒂𝒏𝒌 … 𝑎𝑛𝑛
Dans la pivotation partielle, on utilise la permutation des lignes ceci n’a aucun effet
sur la solution du système.
Pivotation totale :
Dans la pivotation totale le choix du pivot se fait à partir d’une sous matrice
incluant la permutation des lignes et des colonnes tel que :
(𝑘−1) (𝑘−1)
𝑎𝑙𝑚 = 𝑚𝑎𝑥 |𝑎𝑖𝑗 |
𝑖,𝑗∈[𝑘,𝑛]
34
𝑎11 … 𝑎1𝑘 𝑎1𝑛

0 … 𝒂𝒌𝒌 … 𝑎𝑘𝑛
[ ⋮ ]
0… 𝒂𝒏𝒌 … 𝑎𝑛𝑛
Exemple : Soit le système suivant :

1 1 2 𝑥 9
[1 2 1] [𝑦] = [8]
2 1 1 𝑧 7
Utiliser la méthode de Gauss avec pivotation partielle ensuite totale pour résoudre le
système.
5.2 Algorithme de THOMAS

Dans les méthodes numériques de résolution des équations différentielles aux
dérivées partielles, on rencontre des matrices à trois diagonales (principale, sous
diagonale et sur diagonale). Ce type de matrices est dit tri diagonales. L’algorithme
de résolution de ce type de système est un cas particulier de l’élimination de GAUSS.
Soit le système à matrice tri diagonale suivant :
𝑏1 𝑐1 𝑥1 𝑦1
𝑎2 𝑏2 𝑐2 ⋯ 𝑥2 𝑦2
𝑎3 𝑏3 𝑐3 𝑥3 𝑦3
⋮ ⋱ ⋮ ⋮ = ⋮
𝑎𝑛−2 𝑏𝑛−2 𝑐𝑛−2 𝑥𝑛−2 𝑦𝑛−2
⋯ 𝑎𝑛−1 𝑏𝑛−1 𝑐𝑛−1 𝑥𝑛−1 𝑦𝑛−1
( 𝑎𝑛 𝑏𝑛 ) ( 𝑥𝑛 ) ( 𝑦𝑛 )
On divise la première ligne par 𝑏1 cela donne 1 𝑐1 /𝑏1 ⋯ 𝑦1 /𝑏1

On note 𝛾1 = 𝑐1 /𝑏1 et 𝛽1 = 𝑦1 /𝑏1
(1) (0) (0)
Ensuite on transforme la deuxième ligne par 𝐸2 = 𝐸2 − 𝐸1 𝑎2 cela donne
0 𝑏2 − 𝑎2 𝛾1 𝑐2 … … 𝑦2 − 𝑎2 𝛽1
On divise la nouvelle deuxième ligne par 𝑏2 − 𝑎2 𝛾1 cela donne :
0 1 𝑐2 /(𝑏2 − 𝑎2 𝛾1 ) … … (𝑦2 − 𝑎2 𝛽1 )/(𝑏2 − 𝑎2 𝛾1 )

On note 𝛾2 = 𝑐2 /(𝑏2 − 𝑎2 𝛾1 ) et 𝛽2 = (𝑦2 − 𝑎2 𝛽1 )/(𝑏2 − 𝑎2 𝛾1 )
De la même façon on continue avec la ligne trois ce qui donne
0 0 1 𝑐3 /(𝑏3 − 𝑎3 𝛾2 ) … … (𝑦3 − 𝑎3 𝛽2 )/(𝑏3 − 𝑎3 𝛾2 )
35
On note 𝛾3 = 𝑐3 /(𝑏3 − 𝑎3 𝛾2 ) et 𝛽3 = (𝑦3 − 𝑎3 𝛽2 )/(𝑏3 − 𝑎3 𝛾2 )

En général pour une ligne i on a :
0 0 … . .0 1 𝑐𝑖 /(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 ) … … (𝑦𝑖 − 𝑎𝑖 𝛽𝑖−1 )/(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 )

Avec 𝛾𝑖 = 𝑐𝑖 /(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 ) 𝑖 = ̅̅̅̅̅̅̅̅̅̅
2, 𝑛 − 1
et 𝛽𝑖 = (𝑦𝑖 − 𝑎𝑖 𝛽𝑖−1 )/(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 ) 𝑖 = ̅̅̅̅̅
2, 𝑛
On continue jusqu’à obtenir le système suivant :

1 𝛾1 𝑥1 𝛽1
1 𝛾2 ⋯ 𝑥2 𝛽2
1 𝛾3 𝑥3 𝛽3
⋮ ⋱ ⋮ ⋮ = ⋮
1 𝛾𝑛−2 𝑥𝑛−2 𝛽𝑛−2
⋯ 1 𝛾𝑛−1 𝑥𝑛−1 𝛽𝑛−1
( 1 ) ( 𝑥𝑛 ) ( 𝛽𝑛 )
La solution du système est facilement obtenue par substitution en arrière :
𝑥𝑛 = 𝛽𝑛
𝑥𝑖 = 𝛽𝑖 − 𝛾𝑖 𝑥𝑖+1 𝑖 = ̅̅̅̅̅̅̅̅̅̅
𝑛 − 1,1
En résumé, pour appliquer l’algorithme de Thomas on calcule
𝑐1
𝛾1 =
{ 𝑏1
𝛾𝑖 = 𝑐𝑖 /(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 ) 𝑖 = ̅̅̅̅̅̅̅̅̅̅
2, 𝑛 − 1
𝑦1
𝛽1 =
{ 𝑏1
𝛽𝑖 = (𝑦𝑖 − 𝑎𝑖 𝛽𝑖−1 )/(𝑏𝑖 − 𝑎𝑖 𝛾𝑖−1 ) 𝑖 = ̅̅̅̅̅
2, 𝑛
𝑥𝑛 = 𝛽𝑛
{
𝑥𝑖 = 𝛽𝑖 − 𝛾𝑖 𝑥𝑖+1 𝑖 = ̅̅̅̅̅̅̅̅̅̅
𝑛 − 1,1
Exemple : Soit le système suivant :

2 1 0 𝑥 4
[1 2 1] [𝑦] = [8]
0 1 2 𝑧 8
Utiliser l’algorithme de Thomas pour résoudre le système.
5.3 Méthode de Crout-Dolitle ou LU

Cette méthode consiste à factoriser la matrice A pleine en deux matrices
triangulaires L et U, tel que L est triangulaire inférieure et U est triangulaire
supérieure dont les éléments de la diagonale sont égaux à l’unité (𝑢𝑖𝑖 = 1).
36
On a donc AX=B (1) et A=LU donc LUX=B, on pose UX=Y (Y vecteur inconnu),
cela donne :
𝐿𝑌 = 𝐵
{ (2)
𝑈𝑋 = 𝑌
Le système (1) est décomposé en deux systèmes triangulaires faciles à résoudre
(2). Le système à matrice triangulaire supérieure et résolue par substitution en
arrière, celui à matrice triangulaire inférieure par substitution en avant.
5.3.1 Détermination des matrices L et U
𝑙11 0 1 𝑢12 𝑢1𝑛−1 𝑢1𝑛

⋯ 0 ⋯
𝑙21 𝑙22 0 1 𝑢2𝑛−2 𝑢2𝑛
𝐿= ⋮ ⋱ ⋮ et 𝑈 = ⋮ ⋱ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 𝑙 0 1 𝑢𝑛−1𝑛
⋯ 𝑛−1𝑛−1 [ 0 ⋯
[ 𝑙𝑛1 𝑙𝑛2 𝑙𝑛𝑛−1 𝑙𝑛𝑛 ] 0 1 ]
Les éléments de chaque matrice sont donnés par :
𝑙𝑘𝑖 = 𝑎𝑘𝑖 − ∑𝑖−1

𝑗=1 𝑙𝑘𝑗 𝑢𝑗𝑖
{ 𝑖 = 2,3, … , 𝑛 et 𝑘 = 𝑖, 𝑖 + 1, … , 𝑛
𝑢𝑖𝑘 = [𝑎𝑖𝑘 − ∑𝑖−1
𝑗=1 𝑙𝑖𝑗 𝑢𝑗𝑘 ]/𝑙𝑖𝑖
En pratique pour calculer les éléments des deux matrices, on divise la tâche
en plusieurs étapes. Par exemple dans l’étape i on détermine :
• La colonne i de L en multipliant L par la colonne i de U.

• La ligne i de U en multipliant la ligne i de L par U.
Exemple : Utiliser la méthode de factorisation LU pour résoudre le système suivant :

1 1 2 𝑥 9
[1 2 1] [𝑦] = [8]
2 1 1 𝑧 7
5.4 Méthode de Choleski :

Cette méthode est applicable aux systèmes à matrices symétriques définies
positives (𝑫𝒆𝒕(𝑨) > 𝟎 et 𝒂𝒊𝒋 réels). Cherchons une matrice M telle que 𝑨 = 𝑴𝑴𝒕 ou M est
triangulaire inférieure et 𝑴𝒕 la matrice transposée de M.
37
𝑚11 𝑚12 𝑚1𝑛−1 𝑚1𝑛

0 𝑚22 ⋯ 𝑚2𝑛−2 𝑚2𝑛
𝑀= ⋮ ⋱ ⋮
𝑚𝑛−1𝑛−1 𝑚𝑛−1𝑛
[ 0 ⋯ 0 𝑚𝑛𝑛 1 ]
Les éléments de la matrice M sont donnés par :
𝑚𝑖𝑖 = √𝑎𝑖𝑖−∑𝑖−1 𝑚2
𝑗=1 𝑖𝑗
𝑖−1 𝑖 = ̅̅̅̅̅
1, 𝑛 et 𝑗 = ̅̅̅̅̅̅̅̅̅
𝑖 + 1, 𝑛
𝑚𝑗𝑖 = [𝑎𝑖𝑗 − ∑ 𝑚𝑖𝑘 𝑚𝑗𝑘 ] /𝑚𝑖𝑖
{ 𝑘=1
Exemple : Utiliser la méthode de factorisation de Choleski pour résoudre le système

suivant :
2 1 1 𝑥 4
[1 2 1] [𝑦] = [4]
1 1 2 𝑧 4
38
Chapitre VI : Méthodes itératives pour les systèmes d’équations linéaires
On a vu que les méthodes directes donnent la solution exacte du système

d’équations linéaires, cependant elles restent gourmandes en mémoire. Dans ce
chapitre on va introduire les méthodes itératives ou indirectes qui donnent une
solution approximative du système d’équations linéaires. Ces méthodes sont très
faciles à mettre en œuvre et à programmer, elles ne consomment pas la mémoire et
donnent des résultats autant précis que l’on veut.
6.1 Méthode de Jacobi

Elle utilise le principe du point fixe pour un système d’équations linéaires, soit
le système :
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎 𝑥 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ 𝑎2𝑛 𝑥𝑛 = 𝑏2
{ 21 1 (1)
……………………………………………….
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + ⋯ 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛
Transformons le système en supposant que les éléments du pivot sont non nuls 𝑎𝑖𝑖 ≠
0 𝑖 = ̅̅̅̅̅
0, 𝑛 .
𝑥1 = (𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ − 𝑎1𝑛 𝑥𝑛 )/𝑎11
𝑥 = (𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ −𝑎2𝑛 𝑥𝑛 )/𝑎22
{ 2 (2)
… … … … … … … … … … … … … … … … … ….
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛2 𝑥2 − 𝑎𝑛3 𝑥3 − ⋯ −𝑎𝑛𝑛−1 𝑥𝑛−1 )/𝑎𝑛𝑛
Pour résoudre le système (1) on utilise l’écriture (2) en portant les termes de droite à
l’itération (k) et ceux à gauche à l’intération (k).
(𝑘+1) (𝑘) (𝑘) (𝑘)

𝑥1 = (𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ − 𝑎1𝑛 𝑥𝑛 )/𝑎11
(𝑘+1) (𝑘) (𝑘) (𝑘)
𝑥2 = (𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ −𝑎2𝑛 𝑥𝑛 )/𝑎22 (3)
… … … … … … … … … … … … … … … … … ….
(𝑘+1) (𝑘) (𝑘) (𝑘)
{ 𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛2 𝑥2 − 𝑎𝑛3 𝑥3 − ⋯ −𝑎𝑛𝑛−1 𝑥𝑛−1 )/𝑎𝑛𝑛
(0) (0) (0) (0)

En prenant une estimation initiale 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) et en utilisant le système
(1) (1) (1) (1) (1)
(3) on calcule 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ensuite on remplace le vecteur 𝑋 dans le
(2)
système (3) avec k=1 on calcule 𝑋 et continue de la même façon de calculer les
(3) (4) (5)
vecteurs 𝑋 ,𝑋 ,𝑋 ,… jusqu’à la convergence.
39
6.2 Méthode de Gauss-Seidel

(1) (2) (3)
Partons de la méthode de Jacobi, le calcul des vecteurs 𝑋 ,𝑋 ,𝑋 ,… mène
à la convergence, cela veut dire que chaque nouveau vecteur est meilleur que le
précédent. On remarque dans la méthode de Jacobi que pour calculer la composante
(2) (2) (1) (2)
𝑥2 du vecteur 𝑋 on utilise celles de 𝑋 malgré que 𝑥1 est déjà calculée et elle est
(1)
meilleure que 𝑥1 . D’ici vient le principe de la méthode de Gauss-Seidel, on utilise
chaque composante des quelle sera calculée. Ainsi, pour calculer la composante
(𝑘+1) (𝑘+1) (𝑘+1)
𝑥𝑖 , on utilise toutes les composantes de 𝑥1 à 𝑥𝑖−1 déjà calculées à l’itération
(𝑘) (𝑘)
(k+1) en plus de celles 𝑥𝑖+1 à 𝑥𝑛 qui ne sont qu’à l’itération (k). On écrit donc :
(𝑘+1) (𝑘) (𝑘) (𝑘)

𝑥1 = (𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ − 𝑎1𝑛 𝑥𝑛 )/𝑎11
(𝑘+1) (𝑘+1) (𝑘) (𝑘)
𝑥2 = (𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ −𝑎2𝑛 𝑥𝑛 )/𝑎22
𝑥3
(𝑘+1) (𝑘+1)
= (𝑏3 − 𝑎31 𝑥1
(𝑘+1)
− 𝑎32 𝑥3
(𝑘)
− ⋯ −𝑎3𝑛 𝑥𝑛 )/𝑎33 (4)
… … … … … … … … … … … … … … … … … ….
(𝑘+1) (𝑘+1) (𝑘+1) (𝑘+1)
{𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛2 𝑥2 − 𝑎𝑛3 𝑥3 − ⋯ −𝑎𝑛𝑛−1 𝑥𝑛−1 )/𝑎𝑛𝑛
(0) (0) (0) (0)

En prenant une estimation initiale 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) et en utilisant le système
(1) (1) (1) (1) (1)
(4) on calcule 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ensuite on remplace le vecteur 𝑋 dans le
(2)
système (4) avec k=1 on calcule 𝑋 et continue de la même façon de calculer les
(3) (4) (5)
vecteurs 𝑋 ,𝑋 ,𝑋 ,… jusqu’à la convergence.
6.3 Condition de convergence des méthodes itératives

Pour que les méthodes itératives de résolution des systèmes d’équations
linéaires convergent il faut que le rayon spectral de la matrice A soit inférieur à l’unité.
Cette condition est équivalente à dire que la matrice A est diagonalement dominante
ce qui est très facile à vérifier.
On dit qu’une matrice est diagonalement dominante si la valeur absolue de l’élément
de la diagonale est supérieure à la somme des valeurs absolues de tous les autres
éléments sur la même ligne. On écrit donc :
|𝑎𝑖𝑖 | > |𝑎𝑖1 | + |𝑎𝑖2 | + ⋯ + |𝑎𝑖𝑖−1 | + |𝑎𝑖𝑖+1 | + ⋯ + |𝑎𝑖𝑛 | (5)

Avec i variable entre 1 et n le nombre de lignes ou de colonnes de la matrice.
40
6.4 Critère d’arrêt de calcul pour la méthode de Jacobi et Gauss-Seidel

On arrête les calculs pour cette méthode lorsque la différence absolue entre
deux itérations successives soit inférieure à une certaine précision 𝜀 donnée.
(𝑛+1) (𝑛)
|𝑋 −𝑋 |<𝜺 (6)
Ici, il faut vérifier la différence pour toutes les composantes une par une.
(𝑛+1) (𝑛) (𝑛+1) (𝑛) (𝑛+1) (𝑛)
|𝑥1 − 𝑋1 | < 𝜺, |𝑥2 − 𝑋2 | < 𝜺, … , |𝑥𝑛 − 𝑋𝑛 | < 𝜺
41

Méthodes Numériques

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes Numériques

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Méthodes Numériques

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes numériques ST L 2 S4

Programme Méthodes numériques

Chapitre 1 : Résolution des équations non linéaires f(x)=0

Chapitre 2 : Interpolation polynomiale

Chapitre 3 : Intégration numérique

Chapitre 4 : Résolution des équations différentielles ordinaires (problème de la

Chapitre 5 : Méthode de résolution directe des systèmes d’équations linéaires

Chapitre 6 : Méthode de résolution approximative des systèmes d’équations

Chapitre I : Résolution numérique des équations non

Dans ce chapitre on va étudier trois méthodes pour la résolution des équations

1 Localisation des racines d’une équation f(x)=0.

Fig. 1.1. Localisation des racines

• Englobe une seule racine tel que 𝒙

𝒈(𝒙) = 𝒉(𝒙) avec 𝒈(𝒙) = 𝐥𝐧(𝒙) 𝐞𝐭 𝒉(𝒙) = 𝒙𝟐 − 𝟐

Le tracé de g et h est très simple, la solution de f(x)=0 se situe à l’intersection de g

Fig. 1.2. Tracé de la fonction f Fig. 1.3. Tracés des fonction f1 et f2

forme plus simple, par exemple : 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 ⇔ 𝐥𝐧(𝒙) = 𝒙𝟐 − 𝟐 ou bien

1. Si f(x) est continue sur l’intervalle [a,b],

2. On obtient deux sous intervalles [a, 𝒙𝟎 ] et [𝒙𝟎 ,b] , la racine 𝑥̅ doit

Notons le nouvel intervalle par [𝒂𝟏 , 𝒃𝟏 ]tel que (Fig. 4):

Fig. 1.4. Illustration de la méthode de bissection

𝒂𝟏 +𝒃𝟏 𝒂𝟐 +𝒃𝟐 𝒂𝒏 +𝒃𝒏

La suite {𝒙𝒏 }𝒏=𝟎,∞ converge vers la solution 𝒙

2.2 Nombre de divisions pour avoir une précision ε donné.

Puisque chaque fois on divise l’intervalle en deux parties égales, on a :

Il faut que la différence |𝒙𝒏 − 𝒙

Le nombre de divisions ne dépend que de la longueur de l’intervalle est de la

Cette méthode est inconditionnellement convergente, son problème c’est

Exemple : Calculons la première racine de l’équation 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 qui appartient

Calculons le nombre de divisions à faire :

𝒇(𝒂𝟏 ) = 𝒇(𝟎. 𝟏) = −𝟎. 𝟑𝟏𝟑 et 𝒇(𝒃𝟏 ) = 𝒇(𝟎. 𝟓) = 𝟏. 𝟎𝟓𝟕

3 Méthode des approximations successives où du point fixe.

Soit g une fonction définie sur un intervalle [a,b], le point 𝒙

On démarre de 𝒙𝟎 pour n=0, on calcule 𝒙𝟏 = 𝒈(𝒙𝟎 ) ensuite n=1, on calcule 𝒙𝟐 =

On peut écrire 𝒙 = 𝒈𝟏 (𝒙) = 𝒙𝟐 + 𝟑𝒆𝒙 − 𝟏𝟐 + 𝒙

𝒙 = 𝒈𝟐 (𝒙) = √𝟏𝟐 − 𝟑𝒆𝒙

Pour pouvoir choisir la forme de g adéquate pour le calcul, un critère de

3.1 Critère de convergence et d’arrêt de calculs pour la méthode des

|𝒈′(𝒙)| ≤ 𝒌 < 𝟏 ∀ 𝒙 ∈ [𝒂, 𝒃]

Si plusieurs formes de g vérifient cette condition, on aura plusieurs valeurs de

Exemple : Trouver la première racine de l’équation 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎 qui

Si 𝒙𝒏 est un estimé proche de 𝒙

On peut écrire la (𝒏 + 𝟏)𝒆𝒎𝒆 itération approximant 𝑥̅ est :

Cette suite, si elle converge, doit converger vers la solution 𝒙

4.1 Critère de convergence de la méthode de Newton-Raphson

4.2 Critère d’arrêt de calcul pour la méthode de Newton-Raphson

Exemple : Trouver la première racine de l’équation 𝒇(𝒙) = 𝐥𝐧(𝒙) − 𝒙𝟐 + 𝟐 = 𝟎

Commençons x0=0.3 le milieu de l’intervalle initial donné :

On calcule |𝑥1 − 𝑥0 | > 𝜀 ;

• La méthode de bissection est inconditionnellement convergente, son

Chapitre II : Interpolation polynômiale

Soit par exemple une expérience où on enregistre la distance parcourue par

On veut par exemple calculer la position de l’objet au temps t=2.5 sec ou la

Dans ce chapitre, on va considérer l’approximation de X(t) par une forme

2.1 Polynôme d’interpolation de Lagrange.

Soient (n+1) points distincts 𝒙𝟎 , 𝒙𝟏 , … … , 𝒙𝒏 et f une fonction dont les valeurs

(𝒙−𝒙𝒊 ) (𝒙−𝒙𝟎 ) (𝒙−𝒙𝟏 ) (𝒙−𝒙 ) (𝒙−𝒙 ) (𝒙−𝒙𝒏 )

Exemple : Reprenons la table donnée au début du chapitre et essayons de calculer

𝑿(𝒕) ≈ 𝑷𝟒 (𝒕) = 𝟎 ∗ 𝑳𝟎 (𝒕) + 𝟓 ∗ 𝑳𝟏 (𝒕) + 𝟏𝟓 ∗ 𝑳𝟐 (𝒕) + 𝟎 ∗ 𝑳𝟑 (𝒕) + 𝟑 ∗ 𝑳𝟒 (𝒕)