AnaNumI_15-09-2022_small

Analyse numérique élémentaire
Notes de cours
Sup Galilée, Ingénieurs MACS 1ère année & L3-MIM
Version du 2022/09/15
Francois Cuvelier
Université Paris XIII / Institut Galilée
L.A.G.A./Département de Mathématiques
http://www.math.univ-paris13.fr/„cuvelier
[email protected]
Table des matières
1 Représentation des nombres en machine, erreurs d’arrondis 1

1.1 Un exemple : calcul approché de π . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Représentation scientifique des nombres dans différentes bases . . . . . . . . . . . . . . . . 2
1.2.1 Partie entière, mantisse et exposant . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Nombres flottants : le système IEEE 754 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Simple précision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Double précision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.3 Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Calculs sur les nombres flottants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Erreurs d’arrondi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Associativité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Monotonicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Erreurs d’annulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Quelques catastrophes dûes à l’arithmétique flottante . . . . . . . . . . . . . . . . . . . . . 9
2 Résolution de systèmes non linéaires 13

2.1 Recherche des zéros d’une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Méthode de dichotomie ou de bissection . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Points fixes d’une fonction (dimension 1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Points fixes attractifs et répulsifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Interprétations graphiques de la méthode du point fixe . . . . . . . . . . . . . . . . 26
2.2.3 Algorithme générique du point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.4 Méthodes de points fixes pour la recherche de racines . . . . . . . . . . . . . . . . 31
2.2.5 La méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.6 Méthode Regula-Falsi ou fausse position . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3 Résolution de systèmes non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.1 Point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.2 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Résolution de systèmes linéaires 55

3.1 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.1 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.2 Exercices et résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
iv TABLE DES MATIÈRES
3.1.3 Méthode de Gauss-Jordan, écriture matricielle . . . . . . . . . . . . . . . . . . . . 68

3.1.4 Factorisation LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.1.5 Factorisation LDL˚ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.1.6 Factorisation de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.1.7 Factorisation QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.2 Normes vectorielles et normes matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2.1 Normes vectorielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2.2 Normes matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.2.3 Suites de vecteurs et de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.3 Conditionnement d’un système linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.4 Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.4.2 Présentation des méthodes usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.4.3 Etude de la convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.4.4 Algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4 Interpolation 125
4.1 Polynôme d’interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.1.1 Erreur de l’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.1.2 Points de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.1.3 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.2 Polynôme d’interpolation de Lagrange-Hermite . . . . . . . . . . . . . . . . . . . . . . . . 136
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5 Intégration numérique 149

0.0.0
5.1 Méthodes de quadrature élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

5.1.1 Méthodes simplistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.1.2 Quelques résultats théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5.1.3 Formules élémentaires de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . 163
0.TABLE DES MATIÈRES
5.1.4 Formules élémentaires de Gauss-Legendre . . . . . . . . . . . . . . . . . . . . . . . 167

5.2 Méthodes de quadrature composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.2.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
0.0. TABLE DES MATIÈRES
5.2.2 Erreurs des méthodes de quadrature composées . . . . . . . . . . . . . . . . . . . . 180

5.3 Intégrales multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
A Langage algorithmique 187

A.1 Pseudo-langage algorithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
A.1.1 Données et constantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
A.1.2 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
A.1.3 Opérateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
A.1.4 Expressions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
A.1.5 Instructions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
A.1.6 Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.2 Méthodologie d’élaboration d’un algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . 192
A.2.1 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
A.2.2 Recherche d’une méthode de résolution . . . . . . . . . . . . . . . . . . . . . . . . 192
A.2.3 Réalisation d’un algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
A.2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
A.3 Principes de «bonne» programmation pour attaquer de «gros» problèmes . . . . . . . . . 196
B Annexes 197
B.1 Analyse : rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
B.1.1 En vrac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
B.1.2 Espace métrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
B.2 Algèbre linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
B.2.1 Vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
B.2.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
B.2.3 Normes vectorielles et normes matricielles . . . . . . . . . . . . . . . . . . . . . . . 209
B.2.4 Réduction des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
Compiled on 2022/09/15 at 10:51:48

TABLE DES MATIÈRES v
B.2.5 Suites de vecteurs et de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

B.3 Receuil d’exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
B.3.1 Algèbre linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
B.3.2 Normes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
B.4 Listings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
B.4.1 Codes sur la méthode de dichotomie/bissection . . . . . . . . . . . . . . . . . . . . 233
0.0.0
0.TABLE DES MATIÈRES
0.0.TABLE DES MATIÈRES
Compiled on 2022/09/15 at 10:51:48

Chapitre 1
Représentation des nombres en machine, erreurs
d’arrondis
Toute cette partie est le contenu quasi-intégral d’un document réalisé par C. Japhet
Ce chapitre est une introduction à la représentation des nombres en machine et aux erreurs d’arrondis,
basé sur [5], [4].
1.1 Un exemple : calcul approché de π
Cet exemple est extrait de [5], [4]. Le nombre π est connu depuis l’antiquité, en tant que méthode de
calcul du périmètre du cercle ou de l’aire du disque. Le problème de la quadrature du cercle étudié par les
anciens Grecs consiste à construire un carré de même aire qu’un cercle donné à l’aide d’une règle et d’un
compas. Ce problème resta insoluble jusqu’au 19ème siècle, où la démonstration de la transcendance de
π montra que le problème ne peut être résolu en utilisant une règle et un compas.
Nous savons aujourd’hui que l’aire d’un cercle de rayon r est A “ πr2 . Parmi les solutions proposées
pour approcher A, une méthode consiste à construire un polygône dont le nombre de côté augmenterait
jusqu’à ce qu’il devienne équivalent au cercle circonscrit. C’est Archimède vers 250 avant J-C qui appli-
quera cette propriété au calcul des décimales du nombre π, en utilisant à la fois un polygône inscrit et
circonscrit au cercle. Il utilise ainsi un algorithme pour le calcul et parvient à l’approximation de π dans
10
l’intervalle p3 ` 71 , 3 ` 71 q en faisant tendre le nombre de côtés jusqu’à 96.
Regardons l’algorithme de calcul par les polygônes inscrits. On considère un cercle de rayon r “ 1 et
on note An l’aire associée au polygône inscrit à n côtés. En notant αn “ 2π
n , An est égale à n fois l’aire
du triangle ABC représenté sur la figure 1.1, c’est-à-dire
αn αn
An “ n cos sin ,
2 2
que l’on peut réécrire
n αn αn n n 2π
An “ p2 cos sin q “ sin αn “ sinp q.
2 2 2 2 2 n
2 Représentation des nombres en machine, erreurs d’arrondis
2π
A αn “ n
Figure 1.1: Quadrature du cercle

1.2.1 Partie entière, mantisse et exposant
Comme on cherche à calculer π à l’aide de An , on ne peut pas utiliser l’expression ci-dessus pour
calculer An , mais on peut exprimer A2n en fonction de An en utilisant la relation
c d a
αn 1 ´ cos αn 1 ´ 1 ´ sin2 αn
sin “ “ .
2 2 2
Ainsi, en prenant n “ 2k , on définit l’approximation de π par récurrence
c ?
2k 2π 1 ´ 1 ´ sk´1
x k “ A2 k “ sk , avec sk “ sinp k q “
2 2 2
En partant de k “ 2 (i.e. n “ 4 et s “ 1) on obtient l’algorithme suivant:
1. Représentation des nombres en machine, erreurs d’arrondis
Algorithme 1.1 Algorithme de calcul de π, version naïve
1: s Ð 1, n Ð 4 Ź Initialisations
2: Tantque s ą 1e ´ 10 faire Ź Arrêt si s “ sin pαq est petit
3: s Ð sqrtpp1 ´ sqrtp1 ´ s ˚ sqq{2q Ź nouvelle valeur de sinpα{2q
4: nÐ2˚n Ź nouvelle valeur de n
5: A Ð pn{2q ˚ s Ź nouvelle valeur de l’aire du polygône
6: Fin Tantque
1.2. Représentation scientifique des nombres dans différentes bases
On a limkÝÑ`8 xk “ π. Ce n’est pourtant pas du tout ce que l’on va observer sur machine! Les
résultats en Python (sous Sage) de la table 1.1 montre que l’algorithme commence par converger vers π
puis pour n ą 65536, l’erreur augmente et finalement on obtient An “ 0!! “Although the theory and the
program are correct, we obtain incorrect answers” ([5]).
Ceci résulte du codage des valeurs réelles sur un nombre fini de bits, ce que nous allons détailler dans
ce chapitre.
1.2 Représentation scientifique des nombres dans différentes

bases
Dans cette section nous introduisons les notions de mantisse, exposant, et la façon dont sont représentés
les nombres sur une calculatrice ou un ordinateur.

Exemple en base 10
La base 10 est la base naturelle avec laquelle on travaille et celle que l’on retrouve dans les calculatrices.
Un nombre à virgule, ou nombre décimal, a plusieurs écritures différentes en changeant simplement
la position du point décimal et en rajoutant à la fin une puissance de 10 dans l’écriture de ce nombre. La
partie à gauche du point décimal est la partie entière, celle à droite avant l’exposant s’appelle la mantisse.
Par exemple le nombre x “ 1234.5678 a plusieurs représentations :
x “ 1234.5678 “ 1234.5678 100 “ 1.2345678 103 “ 0.0012345678 106 , (1.1)
Compiled on 2022/09/15 at 10:51:48

Représentation scientifique des nombres dans différentes bases 3
n An |An ´ π| sinpαn q
4 2.00000000000000 1.141593e+00 1.000000e+00
8 2.82842712474619 3.131655e-01 7.071068e-01
16 3.06146745892072 8.012519e-02 3.826834e-01
32 3.12144515225805 2.014750e-02 1.950903e-01
64 3.13654849054594 5.044163e-03 9.801714e-02
128 3.14033115695474 1.261497e-03 4.906767e-02
256 3.14127725093276 3.154027e-04 2.454123e-02
512 3.14151380114415 7.885245e-05 1.227154e-02
1024 3.14157294036788 1.971322e-05 6.135885e-03
2048 3.14158772527996 4.928310e-06 3.067957e-03
4096 3.14159142150464 1.232085e-06 1.533980e-03

8192 3.14159234561108 3.079787e-07 7.669903e-04
16384 3.14159257654500 7.704479e-08 3.834952e-04
32768 3.14159263346325 2.012654e-08 1.917476e-04
65536 3.14159265480759 1.217796e-09 9.587380e-05
131072 3.14159264532122 8.268578e-09 4.793690e-05
262144 3.14159260737572 4.621407e-08 2.396845e-05
524288 3.14159291093967 2.573499e-07 1.198423e-05
1048576 3.14159412519519 1.471605e-06 5.992115e-06
2097152 3.14159655370482 3.900115e-06 2.996060e-06
4194304 3.14159655370482 3.900115e-06 1.498030e-06
8388608 3.14167426502176 8.161143e-05 7.490335e-07

16777216 3.14182968188920 2.370283e-04 3.745353e-07
33554432 3.14245127249413 8.586189e-04 1.873047e-07
67108864 3.14245127249413 8.586189e-04 9.365235e-08
134217728 3.16227766016838 2.068501e-02 4.712161e-08
268435456 3.16227766016838 2.068501e-02 2.356080e-08
536870912 3.46410161513775 3.225090e-01 1.290478e-08
1073741824 4.00000000000000 8.584073e-01 7.450581e-09
2147483648 0.000000000000000 3.141593e+00 0.000000e+00
1.2.Représentation scientifique des nombres dans différentes bases

Table 1.1: Calcul de π avec l’algorithme naïf 1.1
avec
• Partie entière : 1234
• Mantisse : 0.5678 ou 1.2345678 ou 0.0012345678
• Exposant : 4 ou 6
Selon le décalage et l’exposant que l’on aura choisi, le couple mantisse-exposant va changer mais le nombre
représenté est le même. Afin d’avoir une représentation unique, la troisième dans (1.1) sera utilisée, avec
1.2345678 pour mantisse et 3 pour exposant. Elle correspond à l’écriture avec un premier chiffre avant le
point décimal non nul dans la mantisse.
Exemple en base 2
La base 2 est la base utilisée par les ordinateurs. Les chiffres utilisables dans cette base sont 0 et 1 que
l’on appelle bit pour binary digit, les ordinateurs travaillent en binaire. Par exemple
39 “ 32 ` 4 ` 2 ` 1 “ 25 ` 22 ` 21 ` 20 “ p100111q2 ,
3.625 “ 21 ` 20 ` 2´1 ` 2´3 “ p11.101q2 “ p1.1101q2 21
Représentation d’un nombre en machine : nombres flottants

De façon générale tout nombre réel x sera représenté dans une base b (b “ 10 pour une calculatrice b “ 2
pour un ordinateur) par son signe (` ou ´), la mantisse m (appelée aussi significande), la base b et un
Compiled on 2022/09/15 at 10:51:48

exposant e tel que le couple pm, eq caractérise le nombre. En faisant varier e, on fait « flotter » la virgule
décimale. La limitation fondamentale est que la place mémoire d’un ordinateur est limitée, c’est-à-dire
qu’il ne pourra stocker qu’un ensemble fini de nombres. Ainsi un nombre machine réel ou nombre à
virgule flottante s’écrira :
x̃ “ ˘m ¨ be
m “ D.D ¨ ¨ ¨ D
e “ D¨¨¨D
où D P t0, 1, ..., b´1u représente un chiffre. Des représentations approchées de π sont : (0.031,2), (3.142,0),
(0.003,3) et on observe qu’elles ne donnent pas la même précision. Pour rendre la représentation unique
et garder la meilleure précision, on utilisera une mantisse normalisée : le premier chiffre avant le point
décimal dans la mantisse est non nul. Les nombres machine correspondants sont appelés normalisés.
En base 2, le premier bit dans la mantisse sera donc toujours 1, et on n’écrit pas ce 1 ce qui permet
d’économiser un bit. L’exposant est un nombre variant dans un intervalle fini de valeurs admissibles :
L ď e ď U (typiquement L ă 0 et U ą 0). Le système est donc caractérisé par quatre entiers :
• la base b (b “ 2),
• le nombre de chiffres t dans la mantisse (en base b),
• l’exposant minimal L et maximal U .

En mathématiques on effectue les calculs avec des nombres réels x provenant de l’intervalle continu
x P r´8, 8s. A ? cause de la limitation ci-dessus, la plupart des réels seront approchés sur un ordinateur.
Par exemple, 13 , 2, π possèdent une infinité de décimales et ne peuvent donc pas avoir de représentation
exacte en machine. Le plus simple des calculs devient alors approché. L’expérience pratique montre que
cette quantité limitée de nombres représentables est largement suffisante pour les calculs. Sur l’ordinateur,
les nombres utilisés lors des calculs sont des nombres machine x̃ provenant d’un ensemble discret de
nombres machine x̃ P tx̃min , . . . , x̃max u. Ainsi, chaque nombre réel x doit être transformé en un nombre
1.2. Représentation scientifique des nombres dans différentes bases
machine x̃ afin de pouvoir être utilisé sur un ordinateur. Un exemple est donné sur la figure 1.1.
Figure 1.2: Représentation des nombres réels R par les nombres machine F
Prenons un exemple, beaucoup trop simple pour être utilisé mais pour fixer les idées: t “ 3, L “
´1, U “ 2. Dans ce cas on a 3 chiffres significatifs et 33 nombres dans le système F. Ils se répartissent
avec 0 d’une part, 16 nombres négatifs que l’on ne représente pas ici, et 16 nombres positifs représentés
sur la figure 1.3.
Figure 1.3: Nombres positifs de F dans le cas t “ 3, L “ ´1, U “ 2
Compiled on 2022/09/15 at 10:51:48

Nombres flottants : le système IEEE 754 5
1
Dans cet exemple, l’écriture en binaire des nombres entre 2 et 1 est
1 3 1 1
“ p0.100q2 , “ ` “ p0.110q2 ,
2 4 2 4
5 1 1 7 1 1 1
“ ` “ p0.101q2 , “ ` ` “ p0.111q2 .
8 2 8 8 2 4 8
On obtient ensuite les autres nombres en multipliant par une puissance de 2. Le plus grand nombre
représentable dans ce système est 72 (en particulier 4 n’est pas représentable). On remarque que les
nombres ne sont pas espacés régulièrement. Ils sont beaucoup plus resserrés du côté de 0 entre 41 et 21 que
entre 1 et 2 et encore plus qu’entre 2 et 3. Plus précisément, chaque fois que l’on passe par une puissance
de 2, l’espacement absolu est multiplié par 2, mais l’espacement relatif reste constant ce qui est une bonne
chose pour un calcul d’ingéniérie car on a besoin d’une précision absolue beaucoup plus grande pour des
nombres petits (autour de un millième par exemple) que des nombres très grands (de l’ordre du million
par exemple). Mais la précision ou l’erreur relative sera du même ordre. L’erreur absolue ou relative est
définie à section 1.4.1.
Précision machine. elle est décrite par le nombre machine eps. eps est le plus petit nombre machine
positif tel que 1 ` eps ą 1 sur la machine. C’est la distance entre l’entier 1 et le nombre machine x̃ P F
le plus proche, qui lui est supérieur. Dans l’exemple précédent eps “ 1{4.
1.3.1 Simple précision

Sur une calculatrice

Le système utilisé est la base 10 (b “ 10). Typiquement, il y a 10 chiffres pour la mantisse et 2 pour
l’exposant (L “ ´99 et U “ 99).
• Le plus grand nombre machine
x̃max “ 9.999999999 ˆ 10`99
• Le plus petit nombre machine
1.3.Nombres flottants : le système IEEE 754

x̃min “ ´9.999999999 ˆ 10`99
• Le plus petit nombre machine strictement positif
x̃` “ 1.000000000 ˆ 10´99
Notez qu’avec des nombres dénormalisés, ce nombre serait 0.000000001 ˆ 10´99 , c’est-à-dire avec
seulement un chiffre significatif!
Les différences de représentation des nombres flottants d’un ordinateur à un autre obligeaient à repren-
dre les programmes de calcul scientifique pour les porter d’une machine à une autre. Pour assurer la com-
patibilité entre les machines, depuis 1985 une norme a été proposée par l’IEEE (Institute of Electrical
and Electronics Engineers), c’est la norme 754.
1.3 Nombres flottants : le système IEEE 754
Le système IEEE 754 est un standard pour la représentation des nombres à virgule flottante en binaire. Il
définit les formats de représentation des nombres à virgule flottante (signe, mantisse, exposant, nombres
dénormalisés) et valeurs spéciales (infinis et NaN). Le bit de poids fort est le bit de signe. Cela signifie
que si ce bit est à 1, le nombre est négatif, et s’il est à 0, le nombre est positif. Les Ne bits suivants
représentent l’exposant décalé, et les Nm bits suivants représentent la mantisse.
L’exposant est décalé de 2Ne ´1 ´ 1 (Ne représente le nombre de bits de l’exposant), afin de le stocker
sous forme d’un nombre non signé.
Compiled on 2022/09/15 at 10:51:48

1.3.1 Simple précision

C’est le format 32 bits : 1 bit de signe, Ne “ 8 bits d’exposant (-126 à 127), 23 bits de mantisse comme
sur le tableau 1.2. L’exposant est décalé de 2Ne ´1 ´ 1 “ 27 ´ 1 “ 127.
signe
hkkikkjs exposant e
hkkkkkkkkikkkkkkkkj mantisse m
hkkkkkkkkkkkkkkkkkkkkkkkkkkkikkkkkkkkkkkkkkkkkkkkkkkkkkkj
S EEEEEEEE FFFFFFFFFFFFFFFFFFFFFFF
0 1à8 9 à 31
Table 1.2: Représentation en simple précision
x̃ exposant e mantisse m
x̃ “ 0 psi S “ 0) e“0 m“0
x̃ “ ´0 psi S “ 1)
Nombre normalisé 0 ă e ă 255 quelconque
x̃ “ p´1qS ˆ 2e´127 ˆ 1.m
Nombre dénormalisé e“0 m‰0
x̃ “ p´1qS ˆ 2e´126 ˆ 0.m
x̃ “ Inf psi S “ 0) e “ 255 m“0
1.3.2 Double précision
x̃ “ Ínf psi S “ 1)
x̃ “ NaN (Not a Number) e “ 255 m‰0
Table 1.3: Représentation en simple précision

• Le plus petit nombre positif normalisé différent de zéro, et le plus grand nombre négatif normalisé
différent de zéro sont :
˘2´126 “ ˘1, 175494351 ˆ 10´38
• Le plus grand nombre positif fini, et le plus petit nombre négatif fini sont : ˘p224 ´ 1q ˆ 2104 “
˘3, 4028235 ˆ 1038
x̃ signe exposant e mantisse m valeur

1.3. Nombres flottants : le système IEEE 754
zéro 0 0000 0000 000 0000 0000 0000 0000 0000 0,0
1 0000 0000 000 0000 0000 0000 0000 0000 -0,0
1 0 0111 1111 000 0000 0000 0000 0000 0000 1,0
Plus grand nombre normalisé 0 1111 1110 111 1111 1111 1111 1111 1111 3, 4 ˆ 1038
Plus petit x̃ ě 0 normalisé 0 0000 0001 000 0000 0000 0000 0000 0000 2´126
Plus petit x̃ ě 0 dénormalisé 0 0000 0000 000 0000 0000 0000 0000 0001 2´149
Infini 0 1111 1111 000 0000 0000 0000 0000 0000 Inf
1 1111 1111 000 0000 0000 0000 0000 0000 -Inf
NaN 0 1111 1111 010 0000 0000 0000 0000 0000 NaN
2 0 1000 0000 000 0000 0000 0000 0000 0000 2,0
exemple 1 0 1000 0001 101 0000 0000 0000 0000 0000 6,5
exemple 2 1 1000 0001 101 0000 0000 0000 0000 0000 -6,5
exemple 3 1 1000 0101 110 1101 0100 0000 0000 0000 -118,625
Table 1.4: Exemples en simple précision
Détaillons l’exemple 3 : on code le nombre décimal -118,625 en utilisant le système IEEE 754.
1. C’est un nombre négatif, le bit de signe est donc "1",
2. On écrit le nombre (sans le signe) en binaire. Nous obtenons 1110110,101,
3. On décale la virgule vers la gauche, en laissant seulement un 1 sur sa gauche (nombre flottant
normalisé): 1110110, 101 “ 1, 110110101 ˆ 26 . La mantisse est la partie à droite de la virgule,
remplie de 0 vers la droite pour obtenir 23 bits. Cela donne 11011010100000000000000,
4. L’exposant est égal à 6, et nous devons le convertir en binaire et le décaler. Pour le format 32-bit
IEEE 754, le décalage est 127. Donc 6 + 127 = 133. En binaire, cela donne 10000101.
Compiled on 2022/09/15 at 10:51:48

Nombres flottants : le système IEEE 754 7
1.3.2 Double précision

C’est le format 64 bits : 1 bit de signe, 11 bits d’exposant (-1022 à 1023), 52 bits de mantisse. L’exposant
est décalé de 2Ne ´1 ´ 1 “ 210 ´ 1 “ 1023.
signe
hkkikkjs exposant e
hkkkkkkkkkkkkikkkkkkkkkkkkj mantisse m
hkkkkkkkkkkkkkkikkkkkkkkkkkkkkj
S EEEEEEEEEEE FFFFF ...FFFFFF
0 1 à 11 12 à 63
Table 1.5: Représentation en double précision
x̃ exposant e mantisse m
x̃ “ 0 psi S “ 0) e“0 m“0
x̃ “ ´0 psi S “ 1)
Nombre normalisé 0 ă e ă 2047 quelconque
x̃ “ p´1qS ˆ 2e´1023 ˆ 1.m
Nombre dénormalisé e“0 m‰0
x̃ “ p´1qS ˆ 2e´1022 ˆ 0.m
x̃ “ Inf psi S “ 0) e “ 2047 m“0
1.4.1 Erreurs d’arrondi

x̃ “ Ínf psi S “ 1)
x̃ “ NaN (Not a Number) e “ 2047 m‰0
Table 1.6: Représentation en double précision

• La précision machine est eps “ 2´52 .
• Le plus grand nombre positif fini, et le plus petit nombre négatif fini sont : x̃˘
max “ ˘p2
1024
´ 2971 q “
308
˘1, 7976931348623157 ˆ 10
• Overflow: L’intervalle de calcul est rx̃´ `
max , x̃max s. Si un calcul produit un nombre x qui n’est pas
dans cet intervalle, on dit qu’il y a overflow. La valeur de x est alors mise à ˘Inf. Cela peut arriver
au milieu du calcul, même si le résultat final peut être représenté par un nombre machine.
• Le plus petit nombre positif normalisé différent de zéro, et le plus grand nombre négatif normalisé
1.4.Nombres flottants : le système IEEE 754

différent de zéro sont :
x̃˘
min “ ˘2
´1022
“ ˘2, 2250738585072020 ˆ 10´308
• Le système IEEE permet les calculs avec des nombres dénormalisés dans l’intervalle rx̃` `
min ˚eps, x̃min s.
• Underflow: Si un calcul produit un nombre positif x qui est plus petit que x̃` min ˚ eps, on dit qu’il
y a underflow. Néanmoins, le calcul ne s’arrête pas dans ce cas, il continue avec la valeur de x mise
à zéro.
1.3.3 Matlab
Sous Matlab, les calculs réels sont en double précision par défaut. La fonction single peut être utilisée
pour convertir les nombres en simple précision. Pour voir la représentation des nombres réels sous Matlab,
on peut les afficher au format hexadécimal avec la commande format hex.
Le système hexadécimal est celui en base 16 et utilise 16 symboles : 0 à 9 pour représenter les valeurs
de 0 à 9, et A, B, C, D, E, F pour représenter les valeurs de 10 à 15. La lecture s’effectue de droite à
gauche. La valeur vaut la somme des chiffres affectés de poids correspondant aux puissances successives
du nombre 16. Par exemple, 5EB5216 vaut 2 ˚ 160 ` 5 ˚ 161 ` 11 ˚ 162 ` 14 ˚ 163 ` 5 ˚ 164 “ 387922.
Pour passer du binaire au format hexadecimal, c’est facile en regardant la chaîne binaire en groupe de 4
chiffres, et en représentant chaque groupe en un chiffre hexadécimal. Par exemple,
387922 “ 010111101011010100102 “ 0101 1110 1011 0101 00102
“ 5 E B 5 216
“ 5EB5216
La conversion de l’hexadécimal au binaire est le processus inverse.
Compiled on 2022/09/15 at 10:51:48

1.4 Calculs sur les nombres flottants
1.4.1 Erreurs d’arrondi

Si x̃ et ỹ sont deux nombres machine, alors z “ x̃ˆ ỹ ne correspondra pas en général à un nombre machine
puisque le produit demande une quantité double de chiffres. Le résultat sera un nombre machine z̃ proche
de z.
On définit l’erreur absolue entre un nombre réel x et le nombre machine correspondant x̃ par
ra “ |x ´ x̃|.
L’erreur relative entre ces nombres (si x ‰ 0) est définie par
|x ´ x̃|
r“ .
|x|
Opérations machine: On désigne par flop (de l’anglais floating operation) une opération élémentaire
à virgule flottante (addition, soustraction, multiplication ou division) de l’ordinateur. Sur les calculateurs
actuels on peut s’attendre à la précision suivante, obtenue dans les opérations basiques:
1.4.4 Erreurs d’annulation
˜ “ px̃ ‘ ỹqp1 ` rq
x̃‘ỹ
˜ représente
où |r| ă eps, la précision machine, et ‘ représente l’opération exacte, ‘ P t`, ´, ˚, {u et ‘
l’opération de l’ordinateur (flop ).
1.4.2 Associativité
L’associativité des opérations élémentaires comme par exemple l’addition:
px ` yq ` z “ x ` py ` zq,
n’est plus valide en arithmétique finie. Par exemple, avec 6 chiffres de précision, si on prend les trois
nombres
x “ 1.23456e ´ 3, y “ 1.00000e0, z “ ý,
on obtient px ` yq ` z “ p0.00123 ` 1.00000e0q ´ 1.00000e0 “ 1.23000e ´ 3 alors que x ` py ` zq “ x “
1.4. Calculs sur les nombres flottants
1.23456e ´ 3. Il est donc essentiel de considérer l’ordre des opérations et faire attention où l’on met les
parenthèses.
1.4.3 Monotonicité
Supposons que l’on a une fonction f strictement croissante sur un intervalle ra, bs. Peut-on assurer en
arithmétique finie que
x̃ ă ỹ ñ f px̃q ă f pỹq?
En général non. Dans la norme IEEE les fonctions standard sont implémentées de façon à respecter la
monotonicité (mais pas la stricte monotonicité).

Ce sont les erreurs dûes à l’annulation numérique de chiffres significatifs, quand les nombres ne sont
représentés qu’avec une quantité finie de chiffres, comme les nombres machine. Il est donc important en
pratique d’être attentif aux signes dans les expressions, comme l’exemple suivant le montre :
Exemple : on cherche à évaluer sur l’ordinateur de façon précise, pour de petites valeurs de x, la fonction
1
f pxq “ ? .
1´ 1 ´ x2
? ?
Pour |x| ă eps , on risque d’avoir le nombre 1 ´ x2 remplacé par 1, par la machine, et donc lors du
?
eps
calcul de f pxq, on risque d’effectuer une division par 0. Par exemple, pour x “ 2 , on obtient :
Compiled on 2022/09/15 at 10:51:48

Quelques catastrophes dûes à l’arithmétique flottante 9
» f=@(x) 1./(1-sqrt(1-x.^2));
» f(0.5*sqrt(eps))
ans =
Inf
On ne peut donc pas évaluer précisément f pxq sur l’ordinateur

? dans ce cas. Maintenant, si on multiplie
dans f pxq le numérateur et le dénominateur par 1 ` 1 ´ x2 , on obtient
?
1 ` 1 ´ x2
f pxq “
x2
Cette fois, on peut évaluer f pxq de façon précise :
>> f=@(x) (1+sqrt(1-x.^2))./x.^2;

>> f(0.5*sqrt(eps))

ans =
3.6029e+16
C’est ce qui se passe dans la cas du calcul de π avec l’algorithme naïf 1.1. En utilisant la formule
c d a

αn 1 ´ cos αn 1´ 1 ´ sin2 αn
sin “ “ ,
2 2 2
comme sin αn Ñ 0, le numérateur à droite est de la forme
a
1 ´ 1 ´ ε2 , avec ε “ sin αn petit ,
donc sujet aux erreurs d’annulation. Pour y palier, il faut reformuler les équations de façon à
s’affranchir des erreurs d’annulations, par exemple en multipliant le numérateur et le dénominateur par
1.5.Quelques catastrophes dûes à l’arithmétique flottante

a
p1 ` 1 ´ sin2 αn q.
b ? c ? ?
αn 1´ 1´sin2 αn p1´ 1´sin2 αn qp1` 1´sin2 αn q
sin “ 2 “ ?
2 2p1` 1´sin2 αn q
c
1´p1´sin2 αn q sin αn
“ ? “ b ? .
2p1` 1´sin2 αn q 2p1` 1´sin2 αn q
On peut alors écrire l’Algorithme 1.2 correspondant au calcul de π avec cette nouvelle formule.
Algorithme 1.2 Algorithme de calcul de π, version stable
1: s Ð 1, n Ð 4, Ź Initialisations
2: Tantque s ą 1e ´ 10 faire Ź Arrêt si s “ sin pαq est petit
3: s Ð s{sqrtp2 ˚ p1 ` sqrtp1 ´ s ˚ sqqq Ź nouvelle valeur de sinpα{2q
4: nÐ2˚n Ź nouvelle valeur de n
5: A Ð pn{2q ˚ s Ź nouvelle valeur de l’aire du polygône
6: Fin Tantque
1.5 Quelques catastrophes dûes à l’arithmétique flottante

Il y a un petit nombre “connu” de catastrophes dans la vie réelle qui sont attribuables à une mauvaise
gestion de l’arithmétique des ordinateurs (erreurs d’arondis, d’annulation), voir [6]. Dans le premier
exemple ci-dessous cela c’est payé en vies humaines.
Compiled on 2022/09/15 at 10:51:48

n An |An ´ π| sinpαn q
4 2.00000000000000 1.141593e+00 1.000000e+00
8 2.82842712474619 3.131655e-01 7.071068e-01
16 3.06146745892072 8.012519e-02 3.826834e-01
32 3.12144515225805 2.014750e-02 1.950903e-01
64 3.13654849054594 5.044163e-03 9.801714e-02
128 3.14033115695475 1.261497e-03 4.906767e-02
256 3.14127725093277 3.154027e-04 2.454123e-02
512 3.14151380114430 7.885245e-05 1.227154e-02
1024 3.14157294036709 1.971322e-05 6.135885e-03
2048 3.14158772527716 4.928313e-06 3.067957e-03
4096 3.14159142151120 1.232079e-06 1.533980e-03
8192 3.14159234557012 3.080197e-07 7.669903e-04
16384 3.14159257658487 7.700492e-08 3.834952e-04
32768 3.14159263433856 1.925123e-08 1.917476e-04
65536 3.14159264877699 4.812807e-09 9.587380e-05
131072 3.14159265238659 1.203202e-09 4.793690e-05
262144 3.14159265328899 3.008003e-10 2.396845e-05

524288 3.14159265351459 7.519985e-11 1.198422e-05
1048576 3.14159265357099 1.879963e-11 5.992112e-06
2097152 3.14159265358509 4.699352e-12 2.996056e-06
4194304 3.14159265358862 1.174172e-12 1.498028e-06
8388608 3.14159265358950 2.926548e-13 7.490141e-07
16777216 3.14159265358972 7.238654e-14 3.745070e-07

33554432 3.14159265358978 1.731948e-14 1.872535e-07
67108864 3.14159265358979 3.552714e-15 9.362676e-08
134217728 3.14159265358979 0.000000e+00 4.681338e-08
268435456 3.14159265358979 8.881784e-16 2.340669e-08
536870912 3.14159265358979 1.332268e-15 1.170334e-08
1073741824 3.14159265358979 1.332268e-15 5.851672e-09
2147483648 3.14159265358979 1.332268e-15 2.925836e-09
1.5. Quelques catastrophes dûes à l’arithmétique flottante
4294967296 3.14159265358979 1.332268e-15 1.462918e-09

8589934592 3.14159265358979 1.332268e-15 7.314590e-10
17179869184 3.14159265358979 1.332268e-15 3.657295e-10
34359738368 3.14159265358979 1.332268e-15 1.828648e-10
68719476736 3.14159265358979 1.332268e-15 9.143238e-11
Table 1.7: Calcul de π avec l’algorithme stable
Missile Patriot
En février 1991, pendant la Guerre du Golfe, une batterie américaine de missiles Patriot, à Dharan (Arabie
Saoudite), a échoué dans l’interception d’un missile Scud irakien. Le Scud a frappé un baraquement de
l’armée américaine et a tué 28 soldats. La commission d’enquête a conclu à un calcul incorrect du temps
de parcours, dû à un problème d’arrondi. Les nombres étaient représentés en virgule fixe sur 24 bits,
donc 24 chiffres binaires. Le temps était compté par l’horloge interne du système en 1/10 de seconde.
Malheureusement, 1/10 n’a pas d’écriture finie dans le système binaire : 1/10 = 0,1 (dans le système
décimal) = 0,0001100110011001100110011... (dans le système binaire). L’ordinateur de bord arrondissait
1/10 à 24 chiffres, d’où une petite erreur dans le décompte du temps pour chaque 1/10 de seconde. Au
moment de l’attaque, la batterie de missile Patriot était allumée depuis environ 100 heures, ce qui avait
entraîné une accumulation des erreurs d’arrondi de 0,34 s. Pendant ce temps, un missile Scud parcourt
environ 500 m, ce qui explique que le Patriot soit passé à côté de sa cible. Ce qu’il aurait fallu faire
c’était redémarrer régulièrement le système de guidage du missile.
Explosion d’Ariane 5
Le 4 juin 1996, une fusée Ariane 5, à son premier lancement, a explosé 40 secondes après l’allumage.
La fusée et son chargement avaient coûté 500 millions de dollars. La commission d’enquête a rendu son
Compiled on 2022/09/15 at 10:51:48

Quelques catastrophes dûes à l’arithmétique flottante 11
rapport au bout de deux semaines. Il s’agissait d’une erreur de programmation dans le système inertiel
de référence. À un moment donné, un nombre codé en virgule flottante sur 64 bits (qui représentait la
vitesse horizontale de la fusée par rapport à la plate-forme de tir) était converti en un entier sur 16 bits.
Malheureusement, le nombre en question était plus grand que 32768 (overflow), le plus grand entier que
l’on peut coder sur 16 bits, et la conversion a été incorrecte.
Bourse de Vancouver
Un autre exemple où les erreurs de calcul ont conduit à une erreur notable est le cas de l’indice de la
Bourse de Vancouver. En 1982, elle a crée un nouvel indice avec une valeur nominale de 1000. Après
chaque transaction boursière, cet indice était recalculé et tronqué après le troisième chiffre décimal et,
au bout de 22 mois, la valeur obtenue était 524,881, alors que la valeur correcte était 1098.811. Cette
différence s’explique par le fait que toutes les erreurs d’arrondi étaient dans le même sens : l’opération
de troncature diminuait à chaque fois la valeur de l’indice.

1.5.Quelques catastrophes dûes à l’arithmétique flottante
Compiled on 2022/09/15 at 10:51:48

Chapitre 2
Résolution de systèmes non linéaires
(a) Scipione del Ferro 1465-1526, (b) Niccolo Fontana 1499-1557, (c) Ludovico Ferrari 1522-1565,
mathématicien italien mathématicien italien mathématicien italien
(d) Paolo Ruffini 1765-1822, (e) Bernard Bolzano 1781- (f) Niels Henrick Abel 1802-1829,
mathématicien italien 1848, mathématicien, logicien, mathématicien norvégien
philosophe et théologien de
l’empire d’Autriche
14 Résolution de systèmes non linéaires
Un problème simple comme la recherche des zéros/racines d’un polynôme n’est pas ... simple. Depuis
tout petit, on sait trouver les racines d’un polynôme de degré 2 : a2 x2 ` a1 x ` a0 “ 0. Quid des racines
de polynômes de degré plus élevé?
• degré 2 : Babylonniens en 1600 avant J.-C.
• degré 3 : Scipione del Ferro (1465-1526, mathématicien italien) et Niccolo Fontana (1499-
1557, mathématicien italien)
• degré 4 : Lodovico Ferrari (1522-1565, mathématicien italien)
• degré 5 : Paolo Ruffini (1765-1822, mathématicien italien) en 1799, Niels Henrick Abel (1802-
1829, mathématicien norvégien) en 1824, montrent qu’il n’existe pas de solution analytique.
L’objectif de ce chapitre est de rechercher numériquement les zéros/racines d’une fonction ou d’un
systéme d’équations lorsqu’ils existent :
2.1.1 Méthode de dichotomie ou de bissection
‚ Soit f : ra, bs Ă R ÝÑ R, trouver x P ra, bs tel que f pxq “ 0, étudier en section 2.1
‚ Soit f : Ω Ă Kn ÝÑ Kn , trouver x P Ω tel que f px
xq “ 0 (K “ R ou K “ C). étudier en section 2.3
Avant de commencer une petite piqure de rappels par la lecture de l’Annexe B.1
2.1 Recherche des zéros d’une fonction

Soit f : ra, bs Ă R ÝÑ R une fonction continue. On cherche à déterminer les zéros de f ou plus
précisément l’ensemble des x P ra, bs tels que f pxq “ 0.
Dans un premier temps, on étudiera la méthode de dichotomie qui est assez naturelle. Puis on
2. Résolution de systèmes non linéaires
étudiera plusieurs algorithmes liés à la méthode du point fixe.

Principe et résultats
principe de la méthode de dichotomie : Soit I un intervalle contenant un unique zéro de

la fonction f, on le divise par son milieu en deux intervalles et on détermine lequel des deux contient
le zéro. On itére ce processus sur le nouvel intervalle.
2.1. Recherche des zéros d’une fonction
Plus précisement, on suppose que la fonction f vérifie f paqf pbq ă 0. D’après le théorème des valeurs
intermédiaires ou le théorème de Bolzano, il existe alors un ξ Psa, br tel que f pxq “ 0.
On note I p0q “sa, br et x0 “ pa`bq{2. Si f px0 q “ 0 alors on a fini! Supposons f px0 q ‰ 0, alors ξ appartient
à sa, x0 r si f paqf px0 q ă 0, sinon il appartient à sx0 , br. On vient donc de déterminer une méthode
permettant de diviser par 2 la longueur de l’intervalle de recherche de ξ. On peut bien évidemment itérer
ce principe en définissant les trois suites pak qkPN , pbk qkPN et pxk qkPN par
a`b
‚ a0 “ a, b0 “ b et x0 “ 2 ,
‚ @k P N, $
’
& ak`1 “ bk`1 “ xk si f pxk q “ 0,
ak`1 “ xk , bk`1 “ bk si f pbk qf pxk q ă 0,
’
%
ak`1 “ ak , bk`1 “ xk sinon (i.e. f pak qf pxk q ă 0.)
et
xk`1 “ pak`1 ` bk`1 q{2.
Par construction on a ak ď xk ď bk .
En Figure 2.2, on représente les intervalles successifs obtenus par la méthode de dichotomie pour
a “ 0.1, b “ 2.4 et f : x ÞÑ px ` 2qpx ` 1qpx ´ 1q.
Compiled on 2022/09/15 at 10:51:48

Recherche des zéros d’une fonction 15
y
35
30
y = f(x)
25
a9 b9
20
a8 b8
a7 b7
15
a6 b6
a5 b5
10
a4 b4
a3 b3
5 a2 b2
a1 b1
x
a0 0.5 1 1.5 2 b0 2.5
Figure 2.2: Méthode de dichotomie: f pxq “ px ` 2qpx ` 1qpx ´ 1q,

Exercice 2.1.1
On suppose que la fonction f est continue sur ra, bs, vérifie f paqf pbq ă 0 et qu’il existe un unique
α Psa, br tel que f pαq “ 0.
Q. 1 1. Montrer que les suites pak q et pbk q convergent vers α.
2. En déduire que la suite pxk q converge vers α.
bá
Q. 2 1. Montrer que pour tout k P N, |xk ´ α| ď 2k`1
.
logp bá
ϵ q
2. Soit ϵ ą 0. En déduire que si k ě logp2q ´ 1 alors |xk ´ α| ď ϵ.

Correction Exercice 2.1.1
Q. 1 1. Supposons qu’il existe k P N tel que f pxk q “ 0, (i.e. xk “ α car xk P ra, bs) alors par
construction akì “ bkì “ xkì “ α pour tout i P N˚ . Ceci assure la convergence des 3 suites vers
α.
Supposons maintenant que @k P N, f pxk q ‰ 0. Par construction, nous avons ak ď ak`1 ď b,
a ď bk`1 ď bk et ak ď bk . La suite pak q est convergente car elle est croissante et majorée. La suite
b á
pbk q est décroissante et minorée : elle est donc convergente. De plus 0 ď bk ´ ak ď k´1 2 k´1 et
bá
donc 0 ď bk ´ ak ď 2k . On en déduit que les suites pak q et pbk q ont même limite. Comme par
construction, @k P N, α P rak , bk s ceci entraine que α est la limite de ces 2 suites.
2.1.Recherche des zéros d’une fonction

2. Par construction, @k P N,, ak ď xk ď bk . D’après le théorème des gendarmes, les suites pak q et pbk q
convergeant vers α, on obtient la convergence de la suite pxk q vers α.
ak `bk bk ák
Q. 2 1. On a @k P N, xk “ 2 et ak ď α ď bk d’où |xk ´ α| ď 2 . Ce qui donne
bá
|xk ´ α| ď .
2k`1
bá
2. Pour avoir |xk ´ α| ď ϵ, il suffit d’avoir 2k`1
ď ϵ, et la fonction log étant croissante on obtient
logp bá
ϵ q
kě ´ 1.
logp2q
˛
On peut alors écrire la proposition suivante :
Proposition 2.1: Méthode de dichotomie/bissection
Soit f : ra, bs Ă R ÝÑ R une fonction continue vérifiant f paqf pbq ă 0 et admettant α Psa, br comme
Compiled on 2022/09/15 at 10:51:48

unique solution de f pxq “ 0. Alors la suite pxk qkPN définie par la méthode de dichotomie converge
vers α et
bá
|xk ´ α| ď k`1 , @k P N.
2
logp bá
ϵ q
On a alors @ϵ ą 0, @k ě logp2q ´1
|xk ´ α| ď ϵ.
A partir de ce résultat, on va proposer plusieurs variantes de l’algorithme de dichotomie.

On note tout d’abord que pour déterminer α il faut calculer la limite d’une suite et donc une infinité
de termes! Numériquement et algorithmiquement, on se limite donc à déterminer une approximation de
α. La proposition 2.1 permet d’obtenir une approximation αϵ de α en un nombre fini d’itérations avec une
logp bá
ϵ q
précision ϵ donnée: on choisi αϵ “ xkmin avec kmin “ Ep logp2q q où Ep.q est la fonction partie entière.
Algorithmique
Tout d’abord nous allons poser "correctement" le problème pour lever toute ambiguité. En effet, si
le problème est rechercher une racine de f sur l’intervalle ra, bs par la méthode de dichotomie, dois-je
uniquement rechercher une approximation d’une racine ou calculer la suite pxk q ou l’ensemble des suites
pxk q, pak q et pbk q? C’est ce que nous appelerons le(s) résultat(s)/objectif (s) de l’algorithme. L’écriture
d’un algorithme est fortement corrélée aux objectifs souhaités.
Sauf note contraire, on choisira par la suite comme objectif de déterminer une approximation de la racine
α de f :
Résultat : αϵ : un réel tel que |αϵ ´ α| ď ϵ.
Ensuite, pour aboutir à cet objectif on détermine les données (avec hypothèses) nécessaires et suff-
isantes :
Données : a, b : deux réels a ă b,

f : f : ra, bs Ă R ÝÑ R vérifiant les hypothèses de la proposition 2.1,
ϵ : un réel strictement positif.
On peut alors noter (formellement pour le moment) Dichotomie la fonction permettant, à partir des
données f, a, b, et ϵ, de trouver αϵ . Cette fonction algorithmique aura la syntaxe suivante :
αϵ Ð Dichotomie pf, a, b, ϵq
Nous allons maintenant proposer une manière d’aborder l’écriture de cette fonction dans un langage al-
gorithmique présenté au chapitre A. On doit s’affranchir de tout (ou presque) symbolismes mathématiques
pour s’approcher au plus près des langages de programmation. Par exemple, la notation mathématique
k“0 pour noter les 11 premiers itérés d’une suite n’est pas directement disponible dans les langages
pxk q10
de programmations : on peut par exemple passer par un tableau X de dimension 11 (au moins) pour
stocker les valeurs de la suite. Suivant les langages, l’accès aux composantes d’un tableau diffère : sous
Matlab/Octave l’accès au 1er élément d’un tableau X se fait par X(1) et en C/C++/Python par X[0].
Lors de l’écriture d’un algorithme, nous utiliserons l’opérateur () ou(exclusif) [] pour accéder aux dif-
férentes composantes d’un tableau : () si le 1er élément est d’indice 1 ou [] si le 1er élément est d’indice
0.
Pour écrire un algorithme non trivial, nous utiliserons une technique de raffinements d’algorithme (voir
chapitre A) : par raffinements succéssifs, nous allons écrire des algorithmes équivalents pour aboutir au
final à un algorithme n’utilisant que
• des instructions élémentaires (affectation, addition, somme, ...)
• des instructions composées (conditionnelle, boucles pour, tantque, ...)
• des fonctions usuelles, mathématiques (cos , exp , E partie entière, ...), entrées/sorties , ...
présentent dans tous les langages.

L’idée est donc de partir d’un algorithme formel facile à comprendre puis de le détailler de plus en plus
au fur et à mesure des raffinements. Le passage entre deux raffinements successifs doit être simple.
Un petit rappel pour les algorithmes qui suivent : les données sont supposées ... données!
Compiled on 2022/09/15 at 10:51:48

Algorithme 2.1 R0 Algorithme 2.1 R1

logp bá
ǫ q logp bá
ǫ q
1: kmin Ð Ep logp2q q Ź E , partie entière 1: kmin Ð Ep logp2q q Ź E , partie entière
2: Calcul de la suite pxk qkk“0
min
par dichotomie 2: Initialisation de x0
3: αǫ Ð xkmin 3: Pour k Ð 0 à kmin ´ 1 faire
4: Calcul de la suite pxk`1 q par dichotomie
5: Fin Pour
6: αǫ Ð xkmin
Entre les raffinements R0 et R1 , nous avons juste décrit le principe de calcul de toute suite récurrente
d’ordre 1.
Pour faciliter la lecture, nous rappelons la méthode de dichotomie :
a`b
‚ a0 “ a, b0 “ b et x0 “ 2 ,
‚ @k P v0, kmin ´ 1w,

$
’
& ak`1 “ bk`1 “ xk si f pxk q “ 0,
ak`1 “ xk , bk`1 “ bk si f pbk qf pxk q ă 0,
’
%
ak`1 “ ak , bk`1 “ xk sinon (i.e. f pak qf pxk q ă 0.)
et
ak`1 ` bk`1
xk`1 “
2
Ecrit sous cette forme, le calcul de la suite pxk q nécessite le calcul simultané des suites pak q et pbk q.

logp bá
ǫ q logp bá
ǫ q
1: kmin Ð Ep logp2q q Ź E , partie entière 1: kmin Ð Ep logp2q q
2: Initialisation de x0
2: a0 Ð a, b0 Ð b
3: Pour k Ð 0 à kmin ´ 1 faire
3: x0 Ð a0 `b
2
0
4: Calcul de la suite pxk`1 q par dichotomie

5: Fin Pour 4: Pour k Ð 0 à kmin ´ 1 faire Ź Calcul de xk`1
6: αǫ Ð xkmin
5: Si f pxk q ““ 0 alors
6: ak`1 Ð xk , bk`1 Ð xk
7: Sinon Si f pxk qf pbk q ă 0q alors
8: ak`1 Ð xk , bk`1 Ð bk

9: Sinon
10: ak`1 Ð ak , bk`1 Ð xk
11: Fin Si
a `b
12: xk`1 Ð k`1 2 k`1
13: Fin Pour

14: αǫ Ð xkmin
La transcription de ce raffinement dans un langage de programmation n’est pas forcément triviale pour
tout le monde. Quid de ak , ϵ, ... qui sont syntaxiquement incorrectes dans un langage de programmation?
Le cas du ϵ est très simple : les lettres grecques étant prohibées, on la remplacera par exemple par
eps. Pour les suites pak q, pbk q et pxk q, tronquées à kmin , on pourra utiliser des tableaux (vecteurs) de
kmin ` 1 réels notés A , B et X qui contiendront respectivement l’ensemble des valeurs ak , bk et xk pour
0 ď k ď kmin . Plus précisément nous pourrons utiliser les opérateurs pq (indice des tableaux commence à
1) ou rs (indice des tableaux commence à 0) pour accéder aux différents éléments des tableaux et nous
aurons par convention A pk ` 1q “ A rks “ ak , @k P v0, kmin w. Par la suite nous utiliserons les opérateurs
pq et nous aurons alors les relations suivantes entre les notations mathématiques et algorithmiques.
@k P v0, kmin w, A pk ` 1q “ ak , B pk ` 1q “ bk et X pk ` 1q “ xk .
En utilisant ces changements de notations nous obtenons (enfin) l’Algorithme 2.1.
Compiled on 2022/09/15 at 10:51:48

Algorithme 2.1 Méthode de dichotomie : version 1

f : f : ra, bs Ă R ÝÑ R vérifiant
les hypothèses de la proposition 2.1,
eps : un réel strictement positif.
Résultat : x : un réel tel que |x ´ α| ď eps.
1: Fonction x Ð Dichotomie1 ( f, a, b, eps )

2: kmin Ð Eplogppb ´ aq{epsq{ logp2qq
3: A , B , X P Rkmin`1 Ź A pk ` 1q contiendra ak , ...
4: A p1q Ð a, B p1q Ð b, X p1q Ð pa ` bq{2
5: Pour k Ð 1 à kmin faire
6: Si f pX
X pkqq ““ 0 alors
7: A pk ` 1q Ð X pkq, B pk ` 1q Ð X pkq
8: Sinon Si f pBB pkqqf pX
X pkqq ă 0 alors
9: A pk ` 1q Ð X pkq, B pk ` 1q Ð B pkq
10: Sinon
11: A pk ` 1q Ð A pkq, B pk ` 1q Ð X pkq

12: Fin Si
13: X pk ` 1q Ð pAApk ` 1q ` B pk ` 1qq{2
14: Fin Pour
15: x Ð X pkmin ` 1q
16: Fin Fonction
Des codes Matlab/Octave et C correspondant de cette fonction sont données en Annexe B.4.1, re-
spectivement en Listing 18 et 28. Les Listings 8 et 25 correspondent respectivement à un script Matlab

et un main C utilisant cette fonction.
On peut noter qu’une réécriture de la méthode de dichotomie permet d’éviter d’utiliser les deux suites
pak q et pbk q. En effet, on a
A`B
‚ A “ a, B “ b et x0 “ 2 ,
‚ @k P v0, kmin ´ 1w,
$
’
& A “ B “ xk si f pxk q “ 0,
A “ xk , B inchangé si f pBqf pxk q ă 0,
’
%
B “ xk , A inchangé sinon (i.e. f pAqf pxk q ă 0.)
et
A`B
xk`1 “
2
On utilise, ces formules dans l’Algorithme 2.2.
Compiled on 2022/09/15 at 10:51:48



3: X P Rkmin`1 Ź X pk ` 1q contiendra xk , ...
4: A Ð a, B Ð b, X p1q Ð pA ` Bq{2
6: Si f pX
X pkqq ““ 0 alors
7: A Ð X pkq, B Ð X pkq
8: Sinon Si f pBqf pX
X pkqq ă 0 alors
9: A Ð X pkq Ź B inchangé
10: Sinon

11: B Ð X pkq Ź A inchangé
12: Fin Si
13: X pk ` 1q Ð pA ` Bq{2
14: Fin Pour
15: x Ð X pkmin ` 1q
16: Fin Fonction
Si notre objectif n’est que de calculer αϵ , on peut, sur le même principe, s’affranchir d’utiliser un

tableau pour stocker tous les termes de la suite xk : seul le dernier nous interesse. On propose dans
l’Algorithme 2.3, une version n’utilisant pas de tableaux.


3: A, B P R
4: A Ð a, B Ð b, x Ð pa ` bq{2
6: Si f pxq ““ 0 alors
7: A Ð x, B Ð x
8: Sinon Si f pBqf pxq ă 0 alors
9: AÐx Ź B inchangé
10: Sinon
11: BÐx Ź A inchangé
12: Fin Si
13: x Ð pA ` Bq{2
14: Fin Pour
15: Fin Fonction
Une autre écriture est possible sans utiliser le nombre kmin et donc en utilisant une boucle Tantque
(pour les anglophobes!) ou While (pour les anglophiles!). Celle-ci est présentée dans l’Algorithme 2.4
Compiled on 2022/09/15 at 10:51:48


f : f P C 0 pra, bs; Rq et f paqf pbq ă 0

2: A, B P R
3: A Ð a, B Ð b, x Ð pa ` bq{2
4: Tantque |x ´ A| ą eps faire
5: Si f pxq ““ 0 alors
6: A Ð x, B Ð x
7: Sinon Si f pBqf pxq ă 0 alors
9: Sinon
11: Fin Si
12: x Ð pA ` Bq{2
13: Fin Tantque
14: Fin Fonction
Que pensez-vous de l’algorithme suivant ?

f : f P C 0 pra, bs; Rq et f paqf pbq ă 0.
Résultat : x : un réel tel que f pxq “ 0.
1: Fonction x Ð Dichotomie5 ( f, a, b )
2: A, B P R
3: A Ð a, B Ð b, x Ð pa ` bq{2, xp Ð a
4: Tantque x „“ xp faire
5: Si f pBqf pxq ă 0 alors
7: Sinon
9: Fin Si
2.2. Points fixes d’une fonction (dimension 1)
10: xp Ð x
11: x Ð pA ` Bq{2
12: Fin Tantque
13: Fin Fonction
Des codes Matlab/Octave et C correspondant à cette fonction sont données en Annexe B.4.1, respec-
tivement en Listing 15 et 16. Les Listings 8 et 17 correspondent respectivement à un script Matlab et
un main C utilisant cette fonction.
2.2 Points fixes d’une fonction (dimension 1)

Soit Φ : ra, bs Ă R ÝÑ R une fonction donnée. Rechercher un point fixe de Φ revient à
Trouver α P ra, bs tel que
α “ Φpαq.
L’algorithme de la méthode du point fixe consiste en la construction, si elle existe, de la suite
xk`1 “ Φpxk q, @k P N (2.1)
Compiled on 2022/09/15 at 10:51:48

Points fixes d’une fonction (dimension 1) 21
avec x0 P ra, bs donné.

Avant de formuler le théorème du point fixe, un petit rappel peut être utile:
Definition 2.2
On dit qu’une suite pxk qkPN obtenue par une méthode numérique, converge vers α avec un ordre
p ě 1 si
Dk0 P N, DC ą 0 tels que |xk`1 ´ α| ď C|xk ´ α|p , @k ě k0 . (2.2)
où C ă 1 si p “ 1.
Voici une version du théorème du point fixe dans R. Pour la résolution des systèmes non linéaires un
théorème plus général sera proposé (Théorème 2.13): le théorème du point fixe dans un espace de Banach.

Théorème 2.3: Théorème du point fixe dans R
Soient ra, bs un intervalle non vide de R et Φ une application continue de ra, bs dans lui-même.
Alors, il existe au moins un point α P ra, bs vérifiant Φpαq “ α. Le point α est appelé point fixe
de la fonction Φ.
De plus, si Φ est contractante (lipschitzienne de rapport L P r0, 1r), c’est à dire
DL ă 1 t.q. |Φpxq ´ Φpyq| ď L|x ´ y| @px, yq P ra, bs2 , (2.3)
alors Φ admet un unique point fixe α P ra, bs.

Pour tout x0 P ra, bs, la suite
xk`1 “ Φpxk q, @k P N (2.4)
est bien définie et elle converge vers α avec un ordre 1 au moins.

On a les deux estimations suivantes :
|xk ´ α| ď Lk |x0 ´ α|, @k ě 0, (2.5)

L
|xk ´ α| ď |xk ´ xk´1 |, @k ě 0, (2.6)
1´L
Preuve. 1ère approche :
‚ On montre tout d’abord l’existence du point fixe. Pour celà, on note f pxq “ Φpxq ´ x. f est donc
2.2.Points fixes d’une fonction (dimension 1)

une application continue de ra, bs à valeurs réelles. On a f paq “ Φpaq ´ a ě 0 et f pbq “ Φpbq ´ b ď 0
car a ď Φpxq ď b, pour tout x P ra, bs. Si f paq “ 0 ou f pbq “ 0, alors l’existence est immédiate.
Sinon (i.e. f paq ‰ 0 et f pbq ‰ 0), on a f paqf pbq ă 0 et par application directe du Théorème B.1 de
Bolzano (ou TVI) on obtient l’existence.
‚ On montre ensuite l’unicité sous l’hypothèse de contraction (2.3). On suppose qu’il existe α1 et α2
dans ra, bs tels que Φpα1 q “ α1 et Φpα2 q “ α2 . Dans ce cas on a
|α1 ´ α2 | “ |Φpα1 q ´ Φpα2 q| ď L|α1 ´ α2 |.
On en déduit
p1 ´ Lq|α1 ´ α2 | ď 0
Comme L ă 1 on a 1 ´ L ą 0 et donc |α1 ´ α2 | ď 0 ce qui entraine α1 “ α2 .
‚ On a Φpra, bsq Ă ra, bs et comme x0 P ra, bs, la suite pxk qkPN est bien définie. On va démontrer la
convergence de la suite xk vers l’unique point fixe α de Φ. Pour celà, en utilisant la définition de la
suite et du point fixe, on a
|xk`1 ´ α| “ |Φpxk q ´ Φpαq|
Comme Φ est contractante, xk P ra, bs et α P ra, bs on obtient
|xk`1 ´ α| ď L|xk ´ α|
Compiled on 2022/09/15 at 10:51:48

et une simple récurrence donne alors @k P N

|xk ´ α| ď Lk |x0 ´ α|
ce qui démontre la formule 2.5. En faisant tendre k vers `8 on obtient la convergence de xk vers
α.
Pour la dernière estimation, on a:
|xk ´ α| ď L|xk´1 ´ α| car Φ contractante
ď Lp|xk´1 ´ xk | ` |xk ´ α| inégalité triangulaire
ce qui donne
p1 ´ Lq|xk ´ α| ď L|xk´1 ´ xk |
Comme 1 ´ L ą 0, on en déduit immédiatement l’estimation (2.6).
2ème approche :
L’objectif de cette approche est de proposer une démonstration très proche de celle utilisée pour des
espaces plus complexes (par exemple C, Rn , ...). Dans la 1ère approche le théorème de Bolzano et des
inégalités ont été utilisées pour démontrer l’existence d’un point fixe: ceci n’est plus possible dans un
cadre plus générale.
On va donc supposer, dès le départ, que l’application Φ est contractante de ra, bs dans lui-même. Ceci va
permettre d’établir que la suite xk est de Cauchy.
‚ Comme x0 P ra, bs et Φ est une application continue de ra, bs dans lui-même, la suite xk est bien
définie @k P N.
‚ On démontre ensuite que xk est une suite de Cauchy. Soit k ą 0. On a
|xk`1 ´ xk | “ |Φpxk q ´ Φpxk´1 q| ď L|xk ´ xk´1 |,
et on obtient par récurrence
|xk`1 ´ xk | ď Lk |x1 ´ x0 |
et
@l ě 0, |xk`l ´ xk`l´1 | ď Ll |xk ´ xk´1 |.
Soit p ą 2. On en déduit par application répétée de l’inégalité triangulaire que
p´1
ÿ
|xk`p ´ xk | “ |pxk`p ´ xk`p´1 q ` pxk`p´1 ´ xk`p´2 q ` . . . ` pxk`1 ´ xk q| “ | pxk`l`1 ´ xk`l q|
l“0
p´1
ÿ
ď |xk`l`1 ´ xk`l q|
l“0
p´1
ÿ 1 ´ Lp
ď Ll |xk`1 ´ xk | “ |xk`1 ´ xk | (voir somme partielle d’une série géométrique)
l“0
1´L
1 ´ Lp k
ď L |x1 ´ x0 |.
1´L
Comme Lk Ñ 0 quand k Ñ `8, on conclu que pxk q est une suite de Cauchy.
‚ La suite pxk q est une suite de Cauchy dans R espace complet donc elle converge vers β dans R. De
plus pour tout k, xk appartient à ra, bs fermé borné, donc sa limite β aussi.
‚ Φ étant contractante sur ra, bs, elle est donc continue. On a alors par continuité de Φ
lim Φpxk q “ Φpβq.
kÑ`8
Comme xk`1 “ Φpxk q on aussi

lim Φpxk q “ lim xk`1 “ β
kÑ`8 kÑ`8
et donc β est un point fixe de Φ. L’existence d’un point fixe est donc établi.
La suite de la démonstration est inchangée.
Compiled on 2022/09/15 at 10:51:48

Théorème 2.4: Convergence globale de la méthode du point fixe
Soit Φ P C 1 pra, bsq vérifiant Φpra, bsq Ă ra, bs et
DL ă 1 tel que @x P ra, bs, |Φ1 pxq| ď L, (2.7)
Soit x0 P ra, bs et pxk qkPN la suite définie par xk`1 “ Φpxk q. On a alors
1. la fonction Φ admet un unique point fixe α P ra, bs,

2. @k P N, xk P ra, bs,
3. la suite pxk q converge vers α avec un ordre 1 au moins.
4. Si x0 ‰ α, alors
xk`1 ´ α
lim “ Φ1 pαq. (2.8)
kÑ`8 xk ´ α

Preuve. Pour démontrer les trois premiers points il suffit de montrer que (2.7) entraine que Φ est con-
tractante sur ra, bs pour pouvoir appliquer le théorème 2.3.
En effet, soit px, yq P ra, bs2 , x ‰ y. D’après le théorème B.2 des accroissements finis il existe ξ P
s minpx, yq, maxpx, yqr tel que
Φpxq ´ Φpyq
“ Φ1 pξq.
xý
Ce résultat s’obtient aussi par un développement de Taylor. On obtient alors
|Φpxq ´ Φpyq| “ |x ´ y||Φ1 pξq| ď L|x ´ y|.
L’application Φ est donc contractante sur ra, bs et le théorème 2.3 s’applique.

Pour le dernier point, on utilise la définition de la suite et du point fixe α:
xk`1 ´ α “ Φpxk q ´ Φpαq.
On utilise le théorème B.2 des accroissements finis pour obtenir: Dξk Ps minpxk , αq, maxpxk , αqr tel que
Φpxk q ´ Φpαq
“ Φ1 pξk q.
xk ´ α
Quand k Ñ `8, on a xk Ñ α et donc ξk Ñ α. Par continuité de la fonction Φ1 on obtient (2.8).

Théorème 2.5: Convergence locale de la méthode du point fixe
Soit α un point fixe d’une fonction Φ de classe C 1 au voisinage de α.

Si |Φ1 pαq| ă 1, alors il existe δ ą 0 pour lequel xk converge vers α pour tout x0 tel que |x0 ´ α| ď δ.
De plus, si x0 ‰ α, on a
xk`1 ´ α
lim “ Φ1 pαq. (2.9)
kÑ`8 xk ´ α
Preuve. On va construire un intervalle fermé borné, noté V, pour lequel les hypothèses du Théorème 2.4
sont vérifiées.
Comme Φ1 est continue dans un voisinage de α avec |Φ1 pαq| ă 1, alors il existe β ą 0 tel que
@x Psα ´ β, α ` βr, |Φ1 pxq| ă 1.
En posant δ “ β{2 (par ex.), on a en posant V “ rα ´ δ, α ` δs,
@x P V, |Φ1 pxq| ă 1.
Comme l’intervalle V est un fermé et que l’application |Φ1 | est continue sa borne supérieure est atteinte
dans V :
Dx̄ P V tel que |Φ1 px̄q| “ sup |Φ1 pxq|.
xPV
Compiled on 2022/09/15 at 10:51:48

On a donc L “ |Φ1 px̄q| ă 1.

Montrons que ΦpVq Ă V. En effet, d’après la formule de Taylor-Lagrange:
@x P V, Dξ Ps minpx, αq, maxpx, αqrĂ V tel que
Φpxq “ Φpαq ` px ´ αqΦ1 pξq.
On en déduit
|Φpxq ´ Φpαq| “ |x ´ α||Φ1 pξq| ď δ|Φ1 pξq| ď δ
Comme Φpαq “ α, on obtient |Φpxq ´ α| ď δ i.e. Φpxq P V.
On peut donc appliquer le Théorème 2.4 avec ra, bs “ V “ rα ´ δ, α ` δsq ce qui permet de conclure.
Exercice 2.2.1
Soit α un point fixe d’une fonction Φ de classe C 1 au voisinage de α et vérifiant Φ1 pαq “ 0.

Q. 1 Montrer qu’il existe δ ą 0 tel que @x0 Psα ´ δ, α ` δr la suite définie par xk`1 “ Φpxk q converge
vers α.
On suppose de plus que Φ1 est dérivable sur sα ´ δ, α ` δr et qu’il existe M P R` tel que
@x P rα ´ δ, α ` δs|Φ2 pxq| ď M
Q. 2 1. Montrer que
ˆ ˙2k
2 1
@x0 P rα ´ δ, α ` δs, |xk ´ α| ď M |x0 ´ α|
M 2
2. Quel est l’ordre de convergence dans ce cas.

Q. 3 A quelle condition a-t’on

2 ´2k
|xk ´ α| ď 10 .
M

Q. 1 C’est juste une application du Théorème 2.5.
Q. 2 1. D’après la formule de Taylor-Lagrange rappelée au Théorème B.3, on a Dη Ps minpα, xq, maxpα, xqr
tel que
px ´ αq2 2
Φpxq “ Φpαq ` px ´ αqΦ1 pαq ` Φ pηq
2!
1
“ α ` Φ2 pηqpx ´ αq2 .
2
On en déduit que |Φpxq ´ α| ď M M M
2 |x ´ α| ce qui s’écrit encore 2 |Φpxq ´ α| ď p 2 |x ´ α|q . Or si
2 2
˚
x0 P rα ´ δ, α ` δs, alors xk´1 P rα ´ δ, α ` δs, @k P N . On a alors
M M M
|Φpxk´1 q ´ α| “ |xk ´ α| ď p |xk´1 ´ α|q2
2 2 2
et donc par récurrence
M M k
|xk ´ α| ď p |x0 ´ α|q2 .
2 2
2. On a
2 M
|xk ´ α| ď p |xk´1 ´ α|q2
M 2
c’est à dire
|xk ´ α| M
ď
|xk´1 ´ α|2 2
et donc la méthode est d’ordre 2.
Compiled on 2022/09/15 at 10:51:48

1
Q. 3 En supposant de plus que |x0 ´ α| ď 5M , on obtient immédiatement le résultat.
˛
On va maintenant généraliser le résultat de cet exercice:
Proposition 2.6
Soit p P N˚ , et Φ P C p`1 pVq pour un certain voisinage V de α point fixe de Φ. Si Φpiq pαq “ 0, pour
1 ď i ď p et si Φpp`1q pαq ‰ 0, alors la méthode de point fixe associée à la fonction Φ est d’ordre
p ` 1 et
xk`1 ´ α Φpp`1q pαq
lim p`1
“ . (2.10)
kÑ`8 pxk ´ αq pp ` 1q!
Preuve. Les hypothèses du théorème 2.5 étant vérifiées (Φ1 pαq “ 0), la suite pxk q converge vers α. D’après
un développement de Taylor-Lagrange (voir le Théorème B.3) de Φ en α, il existe ηk entre xk et α vérifiant
2.2.1 Points fixes attractifs et répulsifs

ÿp
pxk ´ αqi piq pxk ´ αqp`1 pp`1q
Φpxk q “ Φ pαq ` Φ pηk q.
i“0
i! pp ` 1q!
Comme α “ Φpαq et Φpiq pαq “ 0, pour 1 ď i ď p on obtient
ÿp
pxk ´ αqi piq pxk ´ αqp`1 pp`1q
xk`1 “ Φpαq ` Φ pαq ` Φ pηk q
i“1
i! pp ` 1q!
pxk ´ αqp`1 pp`1q
“α` Φ pηk q
pp ` 1q!

De plus pηk q converge vers α car ηk est entre xk et α et donc comme Φpp`1q est continue au voisinage de
α on obtient
xk`1 ´ α Φpp`1q pηk q Φpp`1q pαq
lim “ lim “ .
kÑ`8 pxk ´ αqp`1 kÑ`8 pp ` 1q! pp ` 1q!
2.2.1 Points fixes attractifs et répulsifs

Soit Φ : ra, bs ÝÑ ra, bs une application de classe C 1 admettant un point fixe α P ra, bs.
Points fixes attractifs

On suppose |Φ1 pαq| ă 1. D’après le théorème 2.5, il existe δ ą 0 tel que
@x0 P rα ´ δ, α ` δs, lim xk “ α.

kÑ`8
Dans ce cas on dit que α est un point fixe attractif pour Φ.
Points fixes répulsifs

Cas |Φ1 pαq| ą 1. Par définition de la dérivée en α on a
ˇ ˇ
ˇ Φpxq ´ Φpαq ˇ
lim ˇ ˇ “ |Φ1 pαq| ą 1.
xÑα ˇ x´α ˇ
x‰α
Il existe alors δ ą 0 tel que
@x P rα ´ h, α ` δsztαu, |Φpxq ´ α| ą |x ´ α|
et donc la suite pxk q ne peut converger vers α et ceci même si x0 est très proche de α. Dans ce cas on dit
que α est un point fixe répulsif pour Φ.
Compiled on 2022/09/15 at 10:51:48

Toutefois, on peut rattrapper le coup. En effet, comme Φ1 est non nulle et de signe constant au voisinage
de α : il existe h ą 0 tel que la fonction Φ soit strictement monotone sur I “ rα ´ h, α ` hs.. D’après le
corollaire B.4 Φ est une bijection de I dans l’intervalle fermé J “ Φ´1 pIq. Comme α “ Φpαq, on a α P J
et Φ´1 pαq “ α. Le problème de point fixe trouver x P I tel que Φpxq “ x revient alors à trouver x P J tel
que Φ´1 pxq “ x. Or Φ1 pαq ‰ 0 et Φpαq “ α, la proposition B.5 donne alors pΦ´1 q1 pαq “ 1{Φ1 pαq et donc
|pΦ´1 q1 pαq| ă 1. Le point α est un point fixe attractif pour Φ´1 .
Points fixes indéterminés
Dans le cas |Φ1 pαq| “ 1, on ne peut conclure dans le cas général.

2.2.2 Interprétations graphiques de la méthode du point fixe
Exemple 1 : point fixe de la fonction x ÞÑ x2 .
On s’interesse ici au point fixe α “ 1 de la fonction Φ : x ÞÑ x2 .
1.5
0.5
α x
y = Φ(x)-1 p
y = Φ −1 (x) = x
-1.5 -0.5 0.5 1 1.5
y=x
α = Φ(α)
y=x -0.5
?
Figure 2.3: fonction x2 et son fonction inverse x sur r0, `8r
Comme Φ1 pαq “ 2 le point fixe α est répulsif. On donne dans le tableau suivant les premiers termes
de deux suites : l’une avec x0 “ 1.05 et l’autre avec x0 “ 0.95. Dans ce dernier cas, la suite va converger
... vers un autre point fixe.
k xk xk
0 1.05000 0.950000
1 1.10250 0.902500
2 1.21551 0.814506
3 1.47746 0.663420
.. .. ..
. . .
8 265742. 1.98264 ˆ 10´6
Les premières itérations de ces deux suites sont représentées en Figure 2.4.
?
Sur l’intervalle r0, `8r, la fonction Φ admet comme fonction inverse Φ´1 pxq “ x et on a aussi
Φ´1 p1q “ 1 (i.e. α “ 1 est un point fixe de Φ´1 ). De plus pΦ´1 q1 p1q “ 1{2 ă 1, ce qui permet d’affirmer
que α “ 1 est un point fixe attractif de Φ´1 ). On donne dans le tableau suivant les premiers termes de
Compiled on 2022/09/15 at 10:51:48

y
y
y = Φ(x) = x 2
1.4
y=x
y = Φ(x) = x 2
y=x
2 1.2
Φ(x0 )
Φ(
1.5x2 )
Φ(x1 )
0.8
Φ(x1 )
Φ(x2 )
Φ(x0 )
0.6
1
Φ(x3 )

0.4
0.5
Φ(
0.2x4 )
Φ(x5 )
Φ(x67 ) x
x0x1 x2 x3
x x87x6 x5
0.2
x4
0.4
x3
0.6
x2 x1x0
0.8 1 1.2 1.4
0.2 0.4 0.6 0.8 1 1.2 1.4
-0.2
(a) x0 “ 1.05 (b) x0 “ 0.950
Figure 2.4: α “ 1, point fixe répulsif de x ÞÑ x2
deux suites : l’une avec x0 “ 1.40 et l’autre avec x0 “ 0.200.

k xk xk
0 1.40000 0.200000
1 1.18322 0.447214
2 1.08776 0.668740
3 1.04296 0.817765
.. .. ..
. . .
8 1.00132 0.993733
Exemple 2 : point fixe de la fonction x ÞÑ x2 ´ x ` 1.

On s’interesse ici au point fixe α “ 1 de la fonction f : x ÞÑ x2 ´ x ` 1 représenté en Figure 2.6. On note

que f 1 pαq “ 1.
On donne dans le tableau suivant les premiers termes de deux suites : l’une avec x0 “ 1.10 diverge et
l’autre avec x0 “ 0.500 converge vers α.
k xk xk
0 1.10000 0.500000
1 1.11000 0.750000
2 1.12210 0.812500
3 1.13701 0.847656
.. .. ..
. . .
8 1.32397 0.918223
Exemple 3 : point fixe de fonctions affines particulières

On va étudier les points fixes des trois fonctions affines vérifiant f1 p1q “ f2 p1q “ f3 p1q “ 1 et f11 p1q “ ´1,
f21 p1q “ ´3{4 et f31 p1q “ ´4{3. Ces trois fonctions sont données par f1 pxq “ ´x ` 2, f2 pxq “ ´ 43 x ` 74 et
f3 pxq “ ´ 43 x ` 37 .
Compiled on 2022/09/15 at 10:51:48

y
p
y= x
1.4 y=x
y 1.2
p
y= x
1.4 y=x
1
Φ(x4 )
Φ(
1.2x0 ) Φ(x3 )
Φ(x1 ) Φ(x2 )
Φ(x2 ) 0.8
1
Φ(x1 )
0.8 0.6
0.6
Φ(x0 )
0.4
0.4
0.2
0.2
x x0 x1 x2 x3 x4x5
x
x3x2 x1 x0 0.2 0.4 0.6 0.8 1 1.2 1.4
0.2 0.4 0.6 0.8 1 1.2 1.4
(a) x0 “ 1.40 (b) x0 “ 0.200

?
Figure 2.5: α “ 1, point fixe attractif de x ÞÑ x
y
3
x x2 − x + 1
2.5
1.5
0.5
α x
-0.5 0.5 1 1.5 2
y=x -0.5
Figure 2.6: fonction x2 ´ x ` 1 et son point fixe α “ 1.
Compiled on 2022/09/15 at 10:51:48

y
y = Φ(x) = x 2 − x + 1
y=x
y 1.5
y = Φ(x) = x 2
−x+1
y=x
1.5
Φ(x8 )
Φ(x7 )
Φ(x6 ) 1
Φ(x5 )
Φ( xx43 )) Φ(x678 ))
Φ( x)
Φ(x210 ))
Φ( Φ( x5 )
xx34 ))
Φ( Φ(
Φ(
Φ(
Φ(x12 )
Φ(x0 )
1
0.5
0.5
2.2.3 Algorithme générique du point fixe

x x0 x1 xx2x3xx4xx56789
x
xxx0x1x23x4x5 6x7 x8 x9 0.2 0.4 0.6 0.8 1 1.2 1.4
0.2 0.4 0.6 0.8 1 1.2 1.4
(b) x0 “ 0.50, α point attractif

(a) x0 “ 1.1, α point répulsif
Figure 2.7: α “ 1, point fixe attractif ou répulsif de x ÞÑ x2 ´ x ` 1
Comme Φ1 pαq “ 2 le point fixe α est répulsif. On donne dans le tableau suivant les premiers termes
de trois suites obtenues avec x0 “ 1.5 pour les suites associées à f1 et f2 , et avec x0 “ 1.1 pour celle

associée à f2 .
k xk pf1 q xk pf2 q xk pf3 q
0 1.50000 1.50000 1.10000
1 0.500000 0.625000 0.866667
2 1.50000 1.28125 1.17778
3 0.500000 0.789062 0.762963
.. .. ..
. . .
19 0.500000 0.997886 ´22.6503
20 1.50000 1.00159 32.5337

Les premières itérations des trois suites obtenues sont représentées en Figure 2.8.
y y
2 2 y = Φ(x) = − 3
4
x + 74
y=x
y
Φ(x
27 ) y = Φ(x) = − 4
3
x + 73
y=x
Φ(
1.5x7531 ) 1.5
Φ(x1 ) Φ(x5 )
1.5
Φ(x3 )
Φ(x ) Φ(x3 )
Φ(x75 )
Φ(x
1 1
Φ( x86 )) Φ(x1 )
Φ(x4 )
Φ(x2 ) 1
Φ(x0 )
Φ(x0 ) Φ(x2 )
Φ(
0.5x86420 ) 0.5
Φ(x4 )
0.5
y = Φ(x) = −x+2 Φ(x6 )
y=x
x97531 x86420
x x1 x3 x5xx7 9 xx8 6x4 x2 x0
x x8 x
x7 x5 x3 x1 x0 x2 x4 x6
0.5 1 1.5 2 0.5 1 1.5 2 0.5 1 1.5 2
(a) x0 “ 1.50 (b) x0 “ 1.50 (c) x0 “ 1.10
Figure 2.8: α “ 1, point fixe de fonctions affines particulières
Compiled on 2022/09/15 at 10:51:48

Le principe de base est très simple et donné par les Algorithmes 2.6 et 2.7, écrit respectivement avec une
boucle Tantque et une boucle Répéter.
Algorithme 2.6 Méthode de point fixe : version Algorithme 2.7 Méthode de point fixe : version
Tantque formel Répéter formel
1: kÐ0 1: kÐ0
2: Tantque non convergence faire 2: Répéter
3: xk`1 Ð Φpxk q 3: k Ðk`1
4: k Ðk`1 4: xk Ð Φpxk´1 q
5: Fin Tantque 5: jusqu’à convergence
6: αϵ Ð xk Ź le dernier calculé. 6: αϵ Ð xk Ź le dernier calculé.
Nous allons plus particulièrement étudier les critères d’arrêt des boucles Tantque et Répéter (négation
l’un de l’autre) qui sont bien trop flous : on s’arrête quand on converge!
Tout d’abord, on n’est pas sur de converger : il faudra donc n’autoriser qu’un nombre maximum
d’itérations kmax. De plus, si l’on converge vers une certaine valeur α celle-ci n’étant pas connue à
l’avance (sinon l’algo n’a aucun intérêt), on ne peut utiliser, comme condition du Tantque, |xk ´ α| ą ϵ
( |xk ´ α| ď ϵ pour la condition du Répéter) où ϵ serait la précision souhaitée. L’idée serait de comparer
xk`1 et xk et donc de tester s’ils sont suffisament proches : la condition serait alors |Φpxk q ´ xk | “
|xk`1 ´ xk | ą tol, (boucle Tantque) ou |Φpxk q ´ xk | ď tol, (boucle Répéter) avec tol la tolérance
souhaitée. Il faut noter que dans ce cas la valeur tol doit être choisie correctement et dépend de l’ordre
de grandeur de α. Si α est de l’ordre de 108 , tol “ 1 comme valeur est raisonnable. Toutefois on peut lui
préférer une condition relative |Φpx k q´xk |
|xk |`1 ą tol (boucle Tantque) ou |Φpx k q´xk |
|xk |`1 ď tol (boucle Répéter)
qui permet à tol de correspondre à une tolérance relative souhaitée que ce soit pour de grandes valeurs de
α ou pour des petites. Les algorithmes du point fixe (recherche de α solution de Φpxq “ x) avec notations
mathématiques sont donnés par Algorithme 2.8 et 2.9, respectivement avec des boucles Tantque et
Répéter.
Algorithme 2.8 Méthode de point fixe : version

Tantque formel avec critères d’arrêt
Répéter formel avec critères d’arrêt
1: kÐ0
1: kÐ0
2: err Ð |Φpx0 q ´ x0 | Ź ou |Φpx 0 q´x0 |
|x0 |`1 2: Répéter
3: Tantque err ą ϵ et k ď kmax faire
3: err Ð |Φpxk q ´ xk | Ź ou |Φpx k q´xk |
4: k Ðk`1 |xk |`1
5: xk Ð Φpxk´1 q 4: xk`1 Ð Φpxk q

5: k Ðk`1
6: err Ð |Φpxk q ´ xk | Ź ou |Φpx k q´xk |
|xk |`1 6: jusqu’à err ď tol ou k ą kmax
7: Fin Tantque
7: Si err ď tol alors Ź Convergence
8: αtol Ð xk Ź |Φpαtol q ´ αtol | ď tol
9: αtol Ð xk Ź |Φpαtol q ´ αtol | ď tol
9: Fin Si
10: Fin Si
Des versions, sous forme de fonction, plus proches de la programmation sont proposées en Algo-
rithme 2.10 et 2.11. Bien évidemment, suivant l’usage que l’on souhaite de ces fonctions, il est facile de
les adapter pour retourner plus d’informations (nombre d’itération effectives, statut de convergence, ...)
Compiled on 2022/09/15 at 10:51:48


Tantque avec critères d’arrêt Algorithme 2.11 Méthode de point fixe : version
Répéter avec critères d’arrêt
Données :
Φ : Φ : R ÝÑ R , Données :
x0 : donnée initiale, x0 P R, Φ : Φ : R ÝÑ R ,
tol : la tolérence, tol P R , ` x 0 : donnée initiale, xP R,
kmax : nombre maximum d’itérations, kmax P N ˚ tol : la tolérence, tol P R` ,
Résultat : kmax : nombre maximum d’itérations, kmax P N˚
αtol : un réel tel que |Φpαtol q ´ αtol | ď tol Résultat :
|Φpαtol q´αtol | αtol : un réel tel que |Φpαtol q ´ αtol | ď tol
(ou ď tol)
|αtol |`1
(ou |Φpα tol q´αtol |
|αtol |`1 ď tol)
1: Fonction αtol Ð PtFixe ( Φ, x0 , tol, kmax )
2: k Ð 0, αtol Ð H 1: Fonction αtol Ð PtFixe ( Φ, x0 , tol, kmax )
2.2.4 Méthodes de points fixes pour la recherche de racines

3: x Ð x0 , fx Ð Φpx0 q, 2: k Ð 0, αtol Ð H
3: x Ð x0
4: err Ð |fx ´ x| Ź ou |fx´x|
|x|`1 4: Répéter
5: Tantque err ą tol et k ď kmax faire 5: xp Ð x
6: k Ðk`1 6: x Ð Φpxpq
7: x Ð fx
7: err Ð |x ´ xp| Ź ou |x´xp|
|xp|`1
8: fx Ð Φpxq
8: k Ðk`1
9: err Ð |fx ´ x| Ź ou |fx´x|
|x|`1 9: jusqu’à err ď tol ou k ą kmax
10: Fin Tantque 10: Si err ď tol alors Ź Convergence
11: Si err ď tol alors Ź Convergence 11: αtol Ð x
12: αtol Ð x 12: Fin Si
13: Fin Si 13: Fin Fonction
14: Fin Fonction

On peut noter que résoudre f pxq “ 0 revient, par exemple, à résoudre Φpxq :“ x ` f pxq “ x. De manière
plus générale, si F est une fonction continue vérifiant Fp0q “ 0 alors Φpxq “ x ` Fpf pxqq est un autre
choix possible.
Soit f une fonction de classe C 1 dans un voisinage d’une de ses racines simple α.
Selectionner une version :
Version 1 En appliquant la formule de Taylor pour tout x dans ce voisinage, il existe ξ Ps minpx, αq, maxpx, αqr
tel que
f pαq “ 0 “ f pxq ` pα ´ xqf 1 pξq.
Ceci conduit à la méthode itérative suivante : x0 étant donné dans le voisinage de α, on doit,
@k P N, déterminer xk`1 vérifiant f pxk q ` pxk`1 ´ xk qqk “ 0 sachant que qk est une approximation
de f 1 pξq.

Version 2 On cherche à déterminer une méthode itérative permettant de calculer xk`1 en fonction des
valeurs précédentes en espérant que |xk`1 ´ α| ď |xk ´ α|. Pour celà, on écrit une formule de taylor
en xk supposé proche de α et on note h “ α ´ xk
f pαq “ 0 “ f pxk q ` hf 1 pxk q ` ophq
L’idéal serait de trouver la valeur exacte de h et de prendre xk`1 “ xk ` h mais ceci n’est pas
possible dans un cadre général. C’est pourquoi on cherche une approximation h̃ de h. De plus,
on ne connait pas forcément explicitement la dérivée de f. On note donc qk une approximation de
f 1 pxk q. On choisi alors h̃ comme solution de
f pxk q ` h̃qk “ 0
Si qk ‰ 0, on obtient la suite itérative

f pxk q
xk`1 “ xk ´ , @k P N (2.11)
qk
La valeur xk`1 est de fait l’intersection de la droite passant par le point ppxk q, f pxk qq et de pente qk avec
l’axe des x.
Par la suite, on va écrire un algorithme du point fixe et étudier différentes méthodes :
Compiled on 2022/09/15 at 10:51:48

‚ la méthode de la corde :
f pbq ´ f paq
qk “ q “
bá
‚ la méthode de la sécante :
f pxk q ´ f pxk´1 q
qk “
xk ´ xk´1
où x´1 et x0 sont données,
‚ la méthode de Newton : en supposant f 1 connu, on prend
qk “ f 1 pxk q.
La méthode de la corde
Soit f une fonction de classe C 1 sur ra, bs tel que f paq ‰ f pbq. Soit x0 P ra, bs donné. La suite obtenue
par la méthode de la corde est donnée par
bá
xk`1 “ xk ´ f pxk q, @k P N. (2.12)
f pbq ´ f paq
On peut voir cette relation comme un cas particulier de la méthode du point fixe. En effet, en prenant
bá
Φpxq “ x ´ f pbq´f paq f pxq, la suite définie en (2.12) s’écrit xk`1 “ Φpxk q.
On a alors le résultat suivant
Proposition 2.7: convergence de la méthode de la corde
f pbq´f paq
Soit f P C 1 pra, bsq tel que f pbq ‰ f paq et λ “ bá . On note pxk qkPN la suite définie par x0 P ra, bs
et pour tout k ě 0
f pxk q
xk`1 “ xk ´ . (2.13)
λ
On suppose de plus que @x P ra, bs
minpλpx ´ aq, λpx ´ bqq ď f pxq ď maxpλpx ´ aq, λpx ´ bqq (2.14)
minp0, 2λq ă f 1 pxq ă maxp0, 2λq (2.15)
alors la suite pxk q converge vers l’unique racine α P ra, bs de f.
Preuve. voir correction Exercice 2.2.2
Exercice 2.2.2
f pbq´f paq
Soit f une fonction de classe C 1 sur ra, bs vérifiant f paqf pbq ă 0. et λ “ bá . Soit x0 P ra, bs
donné. La suite obtenue par la méthode de la corde est donnée par
f pxk q
xk`1 “ xk ´ , @k P N.
λ
f pxq
On note Φpxq “ x ´ λ .
Q. 1 Montrer que si pour tout x P ra, bs on a
minpλpx ´ aq, λpx ´ bqq ď f pxq ď maxpλpx ´ aq, λpx ´ bqq (2.16)
alors Φpra, bsq Ă ra, bs.
Q. 2 Montrer que si pour tout x P ra, bs on a
minp0, 2λq ă f 1 pxq ă maxp0, 2λq (2.17)
alors |Φ1 pxq| ă 1.
Compiled on 2022/09/15 at 10:51:48

Q. 3 En déduire que sous les deux conditions précédentes la méthode de la corde converge vers
l’unique solution α P ra, bs de f pxq “ 0.

Q. 1 Si λ ą 0, l’inéquation (2.16) devient
f pxq
λpx ´ bq ď f pxq ď λpx ´ aq ô a ď x ´ ďb
λ
ô a ď Φpxq ď b.
Si λ ă 0, l’inéquation (2.16) devient
f pxq
λpx ´ aq ď f pxq ď λpx ´ bq ô a ď x ´ ďb

λ
ô a ď Φpxq ď b.
Q. 2 Si λ ą 0, l’inéquation (2.17) devient
f 1 pxq
0 ă f 1 pxq ă 2λ ô 0 ă ă2
λ
f 1 pxq
ô ´1 ă 1 ´ ă1
λ
ô ´1 ă Φ1 pxq ă 1.
Si λ ă 0, l’inéquation (2.17) devient
f 1 pxq
2λ ă f 1 pxq ă 0 ô 0 ă ă2
λ

f 1 pxq
ô ´1 ă 1 ´ ă1
λ
ô ´1 ă Φ1 pxq ă 1.
Q. 3 Sous les hypothèses (2.16) et (2.17) on a Φpra, bsq Ă ra, bs et @x P ra, bs, |Φ1 pxq| ă 1. Comme f
est de classe C 1 sur ra, bs, la fonction Φ l’est aussi. La suite pxk q est définie par xk`1 “ Φpxk q. Ainsi les
hypothèses du théorème 2.4 sont vérifiées ce qui assure l’unicité du point fixe ainsi que la convergence de
la suite pxk q vers ce point fixe.
˛
Proposition 2.8: ordre de convergence de la méthode de la corde

Soit f P C 1 pra, bsq tel que f pbq ‰ f paq. Si la suite pxk q définie par la méthode de la corde en (2.13)
converge vers α Psa, br alors la convergence est au moins d’ordre 1.
De plus, si f est de classe C 2 sur un certain voisinage V de α et si f 1 pαq “ f pbq´f bá
paq
alors la
convergence est au moins d’ordre 2.
Preuve. ‚ Order 1 : On note λ “ f pbq´f bá

paq
. On a par définition xk`1 “ xk ´ f pxλk q (ce qui suppose
que f pxk q soit bien définie, i.e. xk P ra, bs). Comme λ ‰ 0 et f continue, l’hypothèse pxk q converge
vers α entraine que f pαq “ 0.
Pour définir l’ordre de convergence, on suppose de plus que @k P N, xk ‰ α. On peut alors appliquer
la formule de Taylor-Lagrange : il existe ξk compris entre xk et α tel que
pαqon `pxk ´ αqf 1 pξk q “ pxk ´ αqf 1 pξk q.

f pxk q “ lofomo
“0
On a alors en utilisant cette expression dans la définition de la suite xk
f 1 pξk q
xk`1 “ xk ´ pxk ´ αq .
λ
Compiled on 2022/09/15 at 10:51:48

En soustrayant α à cette équation on obtient
f 1 pξk q f 1 pξk q
xk`1 ´ α “ xk ´ α ´ pxk ´ αq “ pxk ´ αqp1 ´ q.
λ λ
Comme xk ‰ α, on a alors
xk`1 ´ α f 1 pξk q
“1´ .
xk ´ α λ
Or xk converge vers α et ξk compris entre xk et α, ce qui entraine que ξk converge vers α. La

fonction f 1 étant continue, on en déduit que f 1 pξk q converge vers f 1 pαq. Ceci donne donc
xk`1 ´ α f 1 pαq
lim “1´ .
kÑ`8 xk ´ α λ
La convergence est donc (au moins) d’ordre 1.
‚ Order 2 : La suite étant convergente, il existe k0 P N tel que @k ě k0 , xk P V. Soit k ě k0 , comme

f P C 2 pVq, on peut appliquer la formule de Taylor-Lagrange : il existe ηk P V compris entre xk et
α que
pxk ´ αq2 p2q

pαqon `pxk ´ αqf 1 pαq `
f pxk q “ lofomo f pηk q.
2!
“0
On a alors en utilisant cette expression dans la définition de la suite xk
ˆ ˙
1 pxk ´ αq2 p2q
xk`1 “ xk ´ pxk ´ αqf 1 pαq ` f pηk q .
λ 2!
En soustrayant α à cette équation on obtient
f 1 pαq 1 pxk ´ αq2 p2q

xk`1 ´ α “ pxk ´ αqp 1 ´ q` f pηk q.
λ
loooomoooon λ 2!
“0 par hyp.
Comme ηk P V converge vers α (car compris entre xk et α) et f p2q continue sur V, on en déduit
xk`1 ´ α f p2q pαq

lim “ .
kÑ`8 pxk ´ αq2 2λ
La convergence est donc (au moins) d’ordre 2.
On présente en Algorithme 2.12 l’implémentation usuelle de la méthode de la corde. Une autre version
utilisant la fonction PtFixe est donnée en Algorithme 2.13.
Compiled on 2022/09/15 at 10:51:48

Algorithme 2.12 Méthode de la corde

Données :
f : f : R ÝÑ R ,
a, b : deux réels tels que f paq ‰ f pbq,
x0 : donnée initiale, x0 P R, Algorithme 2.13 Méthode de la corde utilisant la
tol : la tolérence, tol P R` , fonction PtFixe
kmax : nombre maximum d’itérations, kmax P N˚ Données :
Résultat : f : f : R ÝÑ R ,
αtol : un réel tel que |f pαtol q| ď tol a, b : deux réels tels que f paq ‰ f pbq,
x0 : donnée initiale, x0 P R,
1: Fonction αtol Ð Corde ( f, a, b, x0 , tol, kmax ) tol : la tolérence, tol P R` ,
2: k Ð 0, αtol Ð H kmax : nombre maximum d’itérations, kmax P N˚
3: bá
q Ð f pbq´f paq Résultat :

4: x Ð x0 , α tol : un réel tel que |f pαtol q| ď tol
5: err Ð tol ` 1
6: Tantque err ą tol et k ď kmax faire 1: Fonction αtol Ð Corde ( f, a, b, x0 , tol, kmax )
bá
7: k Ðk`1 2: q Ð f pbq´f paq
` ˘
8: xp Ð x 3: Φ Ð x ÞÑ x ´ q ˚ f pxq Ź définition de
9: x Ð xp ´ q ˚ f pxpq fonction
10: err Ð |x ´ xp| 4: αtol Ð PtFixepΦ, x0 , tol, kmaxq
11: Fin Tantque 5: Fin Fonction
13: αtol Ð x
14: Fin Si
15: Fin Fonction
Pour illustrer ces résultats de convergence, on va rechercher la racine positive de f pxq “ x2 ´ 1 par la
méthode de la corde avec comme données

‚ exemple 1 : a “ 0.000, b “ 2.000, x0 “ 1.800,
‚ exemple 2 : a “ 0.5000, b “ 1.900, x0 “ 1.800.
On représente en Figure 2.9 les itérations de la méthode de la corde pour l’exemple 1 à partir du graphe
de la fonction f (figure de gauche) et à partir du graphe de la fonction Φ (figure de droite). Même chose
pour l’exemple 2 avec la Figure 2.10.
3
y = f(a) + q(x − a)
y = f(x) y
2.5

2
f(x0 ) y = Φ(x)
y=x
2
1.5
1.5
Φ(x
12 )
Φ(x1 )
0.5
Φ(x0 )
f(x345 ) x1 xx2 345

f(x2 ) x0 0.5
0.5 1 1.5 2
f(x1 )
-0.5
x1 x2x3 x0
x
-1
0.5 1 1.5 2
(a) représentation usuelle

(b) Représentation point fixe
Figure 2.9: Exemple 1, méthode de la corde, α “ 1, racine de f : x ÞÑ x2 ´ 1 avec a “ 0.00, b “ 2.00,

x0 “ 1.80,
Compiled on 2022/09/15 at 10:51:48

3
y = f(a) + q(x − a)
y = f(x) y
2.5
2
f(x0 ) y = Φ(x)
y=x
2
1.5
1.5
Φ(x
Φ( x112 ))
Φ(x0 )
0.5
ff((x x1xx23456
x6345 ))
2 x0 0.5
0.5 1 1.5 2
f(x1 )
-0.5
x1 xx23 x0
x
-1
0.5 1 1.5 2
(a) représentation usuelle

(b) Représentation point fixe
Figure 2.10: Exemple 2, méthode de la corde, α “ 1, racine de f : x ÞÑ x2 ´ 1 avec a “ 0.50, b “ 1.90,

x0 “ 1.80,
Dans le tableau suivant on donne l’erreur commise par les suites dérivées des exemples 1 et 2 et ceci
pour quelques itérations.
exemple 1 exemple 2
k |xk ´ α| |xk ´ α|
0 8.0000e-01 8.0000e-01
1 3.2000e-01 1.3333e-01
2 5.1200e-02 2.9630e-02
3 1.3107e-03 5.3041e-03
4 8.5899e-07 8.9573e-04
5 3.6893e-13 1.4962e-04
6 0.0000e+00 2.4947e-05
.. .. ..
. . .
15 0.0000e+00 2.4756e-12
On remarque qu’avec les données de l’exemple 1 la convergence est beaucoup plus rapide. Ceci est
ek
exemple 1
exemple 2
10-2
10-4
10-6
10-8
10-10
10-12
k
0 2 4 6 8 10 12 14 16
Figure 2.11: Erreurs en fonctions des itérations
Compiled on 2022/09/15 at 10:51:48

illustré en Figure 2.11. En effet dans ce cas on a

f pbq ´ f paq
“ 2 et f 1 pαq “ 2.
bá
D’après la proposition 2.8, la convergence est d’ordre 2 pour l’exemple 1. Par contre, on a pour l’exemple
2
f pbq ´ f paq
“ 2.400 ‰ f 1 pαq “ 2
bá
et donc la convergence est d’ordre 1. On retrouve ces résultats sur la Figure 2.12 ou l’on a représenté
en échelle logarithmique ek`1 “ |xk`1 ´ α| en fonction de ek “ |xk ´ α|. En effet si une méthode est
convergente d’ordre p exactement on aura pour k suffisament grand ek`1 « Cepk .
ek + 1

10-1 exemple 1 : pente=2.000
exemple 2 : pente=1.000
10-3
10-5
10-7
10-9
10-11
ek
10-10 10-8 10-6 10-4 10-2

Figure 2.12: Représentation en échelle logarithmique de ek`1 en fonction de ek . Les pentes sont calculées
numériquement
Ajouter un autre exemple
La méthode de Newton
Soient f une fonction de classe C 1 et x0 un réel donné. La suite obtenue par la méthode de Newton est
donnée par
f pxk q
xk`1 “ xk ´ , @k P N. (2.18)
f 1 pxk q

Bien évidemment, il faudra s’assurer que f 1 pxk q ‰ 0. On peut voir cette relation comme un cas
particulier de la méthode du point fixe. En effet, en prenant Φpxq “ x ´ ff1pxq
pxq , la suite définie en (2.20)
s’écrit xk`1 “ Φpxk q.
Proposition 2.9: convergence de la méthode de Newton
Soit f une fonction de classe C 2 sur un certain voisinage d’une racine simple α de f. Soit x0 donné
dans ce voisinage, la suite pxk qkPN définie par la méthode de Newton
f pxk q
xk`1 “ xk ´ , @k P N. (2.19)
f 1 pxk q
est localement convergente d’ordre 2.
Preuve. Comme α est racine simple de f (i.e. f pαq “ 0 et f 1 pαq ‰ 0) et f 1 continue, il existe un voisinage
V de α tel que pour tout x P V, f 1 pxq ‰ 0. On peut alors définir la fonction Φ sur V par
f pxq
@x P V, Φpxq “ x ´ .
f 1 pxq
Compiled on 2022/09/15 at 10:51:48

On a alors xk`1 “ Φpxk q. La fonction Φ est de classe C 1 sur V et
pf 1 pxqq2 ´ f pxqf 2 pxq f pxqf 2 pxq

Φ1 pxq “ 1 ´ 1
“ .
pf pxqq 2 pf 1 pxqq2
On a donc Φ1 pαq “ 0 car f pαq “ 0. D’après le théorème de convergence locale du point fixe
(théorème 2.5), on en déduit que la suite pxk q converge vers α (et que la convergence est au moins
d’ordre 1. Pour démontrer qu’elle est d’ordre 2, on ne peut utiliser le théorème 2.6 car Φ n’est pas de
classe C 2 . Toutefois comme f est de classe C 2 , on applique la formule de Taylor-Lagrange aux points xk ,
α (en supposant xk ‰ α) : il existe ξk compris entre xk et α tel que
pα ´ xk q2 p2q
pαqon “ f pxk q ` pα ´ xk qf 1 pxk q `
lofomo f pξk q.
2!
“0
1
Comme f pxk q ‰ 0, l’équation précédente s’écrit aussi
p2q
f pxk q 2f pξk q
α “ xk ´ ´ pα ´ x k q
f 1 pxk q 2f 1 pxk q
f p2q pξk q
“ xk`1 ´ pα ´ xk q2 .
2f 1 pxk q
On obtient alors
α ´ xk`1 f p2q pξk q

“ ´ .
pα ´ xk q2 2f 1 pxk q
La fonction f est de classe C 2 et la suite ξk converge vers α (car ξk compris entre xk et α). Ceci
entraine par passage à la limite que
xk`1 ´ α f p2q pαq

lim “ .
kÑ`8 pxk ´ αq2 2f 1 pαq
La convergence est donc d’ordre 2.
Soit f une fonction de classe C 2 au voisinage de α, racine de f. On suppose que f 1 pxq ‰ 0 pour tout
x P V (i.e. α racine simple de f ). Soit x0 P V donné. La suite obtenue par la méthode de Newton est
donnée par
f pxk q
xk`1 “ xk ´ , @k P N. (2.20)
f 1 pxk q
On peut voir cette relation comme un cas particulier de la méthode du point fixe. En effet, en prenant
Φpxq “ x ´ ff1pxq
pxq , la suite définie en (2.20) s’écrit xk`1 “ Φpxk q et on note que Φpαq “ α (i.e. α point
fixe de Φ).
De plus f étant de classe C 3 et sa dérivée non nulle sur V, on obtient que Φ est de classe C 2 sur V, et
@x P V,
pf 1 pxqq2 ´ f pxqf 2 pxq f pxqf 2 pxq

Φ1 pxq “ 1 ´ 1
“
pf pxqq 2 pf 1 pxqq2
et
pf 1 pxqf 2 pxq ` f pxqf p3q pxqqpf 1 pxqq2 ´ 2f pxqf 1 pxqpf 2 pxqq2

Φ2 pxq “
pf 1 pxqq4
On a alors
f 2 pαq
Φ1 pαq “ 0, Φ2 pαq “ .
f 1 pαq
D’après la proposition 2.6, si f 2 pαq ‰ 0 alors la méthode de Newton est d’ordre 2.
Faire méthode de Newton modifiés dans le cas de racine de multiplicité m ą 1.???
Compiled on 2022/09/15 at 10:51:48

Exercice 2.2.3
En ´1700 av. J.-C., les babyloniens ne connais-

saient que les nombres rationnels (fractions) et ils
utilisaient le système?sexagésimal (base 60). Pour
approcher la valeur 2, ils utilisaient comme ap-
proximation (voir tablette YBC 7289)
24 51 10 30547
α“1` ` ` 3 “
60 602 60 21600
?
L’erreur commise est |α ´ 2| « 5.994e ´ 7.

Q. 1 Comment feriez-vous
? pour trouver à la main une méthode permettant de trouver des nombres
rationnels approchant 2.
?
Q. 2 Généraliser la méthode pour trouver une approximation rationnelle de a où a est un réel
positif.
?
Q. 3 Généraliser la méthode pour trouver une approximation rationnelle de n a où a est un réel
positif et n P N˚ .

?
Q. 1 Il suffit de voir que 2 est la racine positive de f pxq “ x2 ´ 2 et d’appliquer la méthode de Newton
par exemple. La suite des itérés de Newton s’écrit alors

f pxk q x2 ´ 2 x2 ` 2
xk`1 “ xk ´ 1
“ xk ´ k “ k
f pxk q 2xk 2xk
Avec x0 “ 1, on obtient ?
k xk | 2 ´ xk |
3
1 2 8.57864e-02
17
2 12 2.45310e-03
577
3 408 2.12390e-06
Avec x0 “ 45 , on obtient
?
k xk | 2 ´ xk |
57
1 40 1.07864e-02
6449
2 4.08236e-05

4560
83176801
3 58814880 5.89203e-10
?
Q. 2 Il suffit de voir que a est la racine positive de f pxq “ x2 ´ a et d’appliquer la méthode de Newton
f pxk q x2k ´ a x2k ` a

xk`1 “ xk ´ “ x k ´ “
f 1 pxk q 2xk 2xk
Avec a “ 3 et x0 “ 1, on obtient ?
k xk | 3 ´ xk |
1 2 2.67949e-01
7
2 4 1.79492e-02
97
3 56 9.20496e-05
?
Q. 3 Il suffit de voir que n a est la racine positive de f pxq “ xn ´ a et d’appliquer la méthode de Newton
f pxk q xnk ´ a pn ´ 1qxnk ´ a

xk`1 ““ xk ´ “ x k ´ “
f 1 pxk q nxn´1
k nxkn´1
Compiled on 2022/09/15 at 10:51:48

Avec a “ 3, n “ 4 et x0 “ 1, on obtient
?
k xk | 4 3 ´ xk |
3
1 2 1.83926e-01
97
2 72 3.11482e-02
115403137
3 87616608 1.06368e-03
236297297271008837816738085152257
4 179546943199700984864483416264832 1.28780e-06
˛
On présente en Algorithme 2.14 l’implémentation standard de la méthode de Newton. Une autre

version utilisant la fonction PtFixe est donnée en Algorithme 2.15.
Algorithme 2.14 Méthode de Newton

Données :
f : f : R ÝÑ R ,
df : la dérivée de f ,
tol : la tolérence, tol P R` , Algorithme 2.15 Méthode de Newton scalaire
kmax : nombre maximum d’itérations, kmax P N˚ Données :
Résultat : f : f : R ÝÑ R ,
αtol : un réel tel que |Φpαtol q ´ αtol | ď tol df : la dérivée de f ,
1: Fonction αtol Ð Newton ( f, df, x0 , tol, kmax ) tol : la tolérence, tol P R` ,
2: k Ð 0, αtol Ð H kmax : nombre maximum d’itérations, kmax P N˚
3: x Ð x0 , Résultat :
4: err Ð tol ` 1 αtol : un réel tel que
5: Tantque err ą tol et k ď kmax faire
6: k Ðk`1 1: Fonction αtol Ð Newton ( f, df, x0 , tol, kmax )
7: xp Ð x 2: Φ Ð x ÞÑ x ´ f pxq{dfpxq
8: x Ð xp ´ f pxpq{dfpxpq Ź dfpxpq ‰ 0 3: αtol Ð PtFixepΦ, x0 , tol, kmaxq
9: err Ð |x ´ xp| 4: Fin Fonction
10: Fin Tantque
12: αtol Ð x
13: Fin Si
14: Fin Fonction
Comme premier exemple, on prend f pxq “ x2 ´ 1 avec x0 “ 0.40 et pour le second f pxq “ x2 cos pxq
avec x0 “ 2.00.
On représente en Figures 2.13 and 2.14, respectivement pour les exemples 1 et 2, les itérations de la
méthode de Newton à partir du graphe de la fonction f (figure de gauche) et à partir du graphe de la
fonction Φ (figure de droite).

On illustre la convergence et l’ordre de convergence respectivement en Figures 2.15a et 2.15b. Pour
cette dernière, on a représenté en échelle logarithmique ek`1 “ |xk`1 ´ α| en fonction de ek “ |xk ´ α|. En
effet si une méthode est convergente d’ordre p exactement on aura pour k suffisament grand ek`1 « Cepk .
Compiled on 2022/09/15 at 10:51:48

y
2
y = Φ(x)
y=x
3 y=α
f : x x2 − 1
y = f (x0 )(x − x0 ) + f(x0 ) 1.5
Φ(x0 )
′
D0 :
: y = f (x1 )(x − x1 ) + f(x1 )

′
D1
: y = f (x2 )(x − x2 ) + f(x2 )

′
D2
2
: y = f (x3 )(x − x3 ) + f(x3 )
′
D3
f(x1 ) Φ(x1 )

Φ(x
1
12 )
f(x ) x0
f(x32 ) x3 x2 x1
0.5 1 1.5 2
f(x0 )
-1 0.5
-2
x0 x3x2 x1
x
-3
0.5 1 1.5 2
(a) représentation usuelle x2 ´1

(b) Représentation point fixe, Φ : x ÞÑ x ´ 2x
Figure 2.13: Exemple 1, méthode de Newton, α “ 1, racine de f : x ÞÑ x2 ´ 1 avec x0 “ 0.40,

y
2
y = Φ(x)
y=x
Φ(x0 )
2 Φ(x21 ))
Φ(

f : x x 2 cos x
( )
1.5
D0 : y = f (x0 )(x − x0 ) + f(x0 )
′
: y = f (x1 )(x − x1 ) + f(x1 )

′
D1
1.5
: y = f (x2 )(x − x2 ) + f(x2 )
′
D2
: y = f (x3 )(x − x3 ) + f(x3 )

′
D3
y=α 1
0.5
xx32 x1 x0
ff((x
x23 ))
0.5 1 1.5 2
f(x1 )
-0.5
0.5
-1
-1.5
f(x0 )
xx32 x1 x0
x
-2 0.5 1 1.5 2
(a) représentation usuelle (b) Représentation point fixe, Φ :

x2 cospxq
x ÞÑ x2 sinpxq´2 x cospxq
`x
1
Figure 2.14: Exemple 2, méthode de Newton, α “ 2 π, racine de f : x ÞÑ x2 cos pxq avec x0 “ 0.40,
Compiled on 2022/09/15 at 10:51:48

ek ek + 1
10-1 exemple : f(x) = x − 1

2
10-1 exemple : f(x) = x2 − 1 pente=2.074
exemple : f(x) = x cos x
,
2
( )
exemple : f(x) pente=1.953
= x 2 cos(x),
10-3 10-3
10-5 10-5
10-7 10-7
10-9 10-9
10-11 10-11
10-13 10-13
k ek
0 1 2 3 4 5 6 10-7 10-6 10-5 10-4 10-3 10-2 10-1
(a) Représentation de la convergence, ek en fonction (b) Représentation de l’ordre de convergence en

de k échelle logarithmique, ek`1 en fonction de ek . Or-
2.2.6 Méthode Regula-Falsi ou fausse position
dre théorique 2
Figure 2.15: Méthode de Newton, convergence et ordre
2.2.5 La méthode de la sécante

Cette méthode est une alternative à la méthode de Newton lorsque l’on ne connait pas la dérivée de la
f pxk q´f pxk´1 q
fonction f. A l’itération k, de la méthode de Newton, on approche f 1 pxk q par xk ´xk´1 . En effet,
d’après la formule de Taylor-Lagrange, il existe ξk compris entre xk´1 et xk vérifiant
pxk´1 ´ xk q2 p2q
f pxk´1 q “ f pxk q ` pxk´1 ´ xk qf 1 pxk q ` f pξk q
2!
ce qui donne
f pxk q ´ f pxk´1 q xk´1 ´ xk p2q
f 1 pxk q “ ` f pξk q.
xk´1 ´ xk 2!
x ´x
Si la suite est convergente, on a k´12! k f p2q pξk q Ñ 0, ce qui justifie l’approximation précédente. On a
alors la méthode de la sécante donnée en (2.21). Cette méthode est une méthode à deux pas : le
calcul de xk`1 nécessite de connaitre xk et xk´1 . Il faut donc deux valeurs d’initialisations x´1 et x0
pour définir la suite pxk q.
Proposition 2.10: Convergence méthode de la sécante (Admis)

Soit f une fonction de classe C 2 sur un certain voisinage d’une racine simple α de f. Soient x´1 et
x0 donnés dans ce voisinage tels que f px´1 q ‰ f px0 q , la suite pxk qkPN définie par la méthode de la
sécante
xk ´ xk´1
xk`1 “ xk ´ f pxk q, @k P N. (2.21)
f pxk q ´ f pxk´1 q
?
1` 5
est localement convergente d’ordre 2 « 1.618.
Comme premier exemple, on recherche une racine de x2 ´ 1 avec x´1 “ 0.000 et x0 “ 2.000. Une
représentation graphique des premières itérés de la suite est donnée en Figure 2.16. Sur cette figure, les
droites Dk sont celles passant par les points pxk´1 , f pxk´1 qq et pxk , f pxk qq. Pour deuxième exemple, on
recherche une racine de x2 cos pxq avec x´1 “ 1.000 et x0 “ 3.000. Une représentation graphique des
premières itérés de la suite est donnée en Figure 2.17.
On illustre la convergence et l’ordre de convergence respectivement en Figures 2.18a et 2.18b. Pour
cette dernière, on a représenté en échelle logarithmique ek`1 “ |xk`1 ´ α| en fonction de ek “ |xk ´ α|. En
effet si une méthode est convergente d’ordre p exactement on aura pour k suffisament grand ek`1 « Cepk .

Cette méthode diffère de la méthode de dichotomie par le choix de xk à chaque itération. Pour la méthode
de dichotomie on a pris xk “ ak `b
2
k
point milieux du segment rak , bk s. Pour la méthode Regula-Falsi, on
Compiled on 2022/09/15 at 10:51:48

f(x
30 ) y =α

1
f(x3
x) − 1 x1 x2
x3 x0
0.5 1 1.5 2
f(x2 )
f(x1 )
−
f(x-11 )
−
2
D →
f : x x 1
− −
D →
0 : (x 1 , f(x 1 )) (x0 , f(x0 ))
D →
1 : (x0 , f(x0 )) (x1 , f(x1 ))
D →
2 : (x1 , f(x1 )) (x2 , f(x2 ))
3 : (x2 , f(x2 )) (x3 , f(x3 ))
-2

Figure 2.16: Méthode de la sécante pour f pxq “ x2 ´ 1, x´1 “ 0.000 et x0 “ 2.000
D →
f : x x cos(x)

− −
D →
6 0 : (x 1 , f(x 1 )) (x0 , f(x0 ))
D →
1 : (x0 , f(x0 )) (x1 , f(x1 ))
D →
2 : (x1 , f(x1 )) (x2 , f(x2 ))
D →
3 : (x2 , f(x2 )) (x3 , f(x3 ))
4
4 : (x3 , f(x3 )) (x4 , f(x4 ))
f(
fx
f −
((x2)
x1
4 ) y =α
x3 x0
0.5
−
x 1 x1 x2 x4
1 1.5 2 2.5 3
-2
-4
-6
f(x3 )
-8
f(x0 )
Figure 2.17: Méthode de la sécante pour f pxq “ x2 cos pxq , x´1 “ 1.000 et x0 “ 3.000
Compiled on 2022/09/15 at 10:51:48

ek ek + 1
100
exemple : f(x) = x − 1
2
exemple : f(x) = x2 − 1 pente=1.612
exemple : f(x) = x cos x 10-3
,
10-2
2
( )
exemple : f(x) pente=1.608
= x 2 cos(x),
10-4 10-5
10-6 10-7
10-8 10-9
10-10 10-11
10-12
10-13
10-14
10-15
k ek
0 2 4 6 8 10 12 14 10-9 10-8 10-7 10-6 10-5 10-4 10-3 10-2
(a) Représentation de la convergence, ek en fonction (b) Représentation de l’ordre de convergence en

de k échelle logarithmique,
?
ek`1 en fonction de ek . Or-
dre théorique 1`2 5 « 1.618
Figure 2.18: Méthode de la sécante, convergence et ordre
prend pour xk l’intersection de la droite passant par les points pak , f pak qq et pbk , f pbk qq avec l’axe des
abscisses. Si f pak qf pbk q ă 0 cela nous assure que xk Psak , bk r.
L’équation de la droite est donnée par
f pbk q ´ f pak q bk f pak q ´ ak f pbk q
y “ cx ` d, avec c “ et d “ .
bk ´ a k bk ´ a k
On a alors
ak f pbk q ´ bk f pak q
xk “ ´d{c “ .
f pbk q ´ f pak q
En résumé, on définit les trois suites pak qkPN , pbk qkPN et pxk qkPN par
a0 f pb0 q´b0 f pa0 q
‚ a0 “ a, b0 “ b et x0 “ f pb0 q´f pa0 q ,
‚ @k P N,
$
’
’ ak`1 “ bk`1 “ xk`1 “ xk , si f pxk q “ 0,
’
&a
k`1 “ xk , bk`1 “ bk , si f pbk qf pxk q ă 0,
’
’ ak`1 “ ak , bk`1 “ xk , si f pak qf pxk q ă 0,
’
% a f pbk`1 q´bk`1 f pak`1 q
xk`1 “ k`1f pbk`1 q´f pak`1 q , si f pxk q ‰ 0.
Exercice 2.2.4
On suppose que la fonction f est continue sur ra, bs, vérifie f paqf pbq ă 0 et qu’il existe un unique
ξ Psa, br tel que f pξq “ 0.
Q. 1 Montrer que
af pbq ´ bf paq
aď ď b.
f pbq ´ f paq
Q. 2 Montrer que a0 ď a1 ď . . . ď ak ď xk ď bk ď . . . ď b1 ď b0 pour tout k P N. et que si

f pxk q ‰ 0 alors f pak qf pbk q ă 0.
Q. 3 En déduire la convergence de la suite pxk q vers ξ.

pbq´bf paq
Q. 1 On pose x “ aff pbq´f paq qui est bien défini car f paq ‰ f pbq. En effet si f paq “ f pbq alors f paqf pbq “
f paq ě 0 qui est en contradiction avec l’hypothèse f paqf pbq ă 0. On a
2
af pbq ´ bf paq ´ apf pbq ´ f paqq f paq

xá“ “ pb ´ aq
f pbq ´ f paq f paq ´ f pbq
Compiled on 2022/09/15 at 10:51:48

f paq
Comme f paqf pbq ă 0, f paq ´ f pbq est du même signe que f paq et alors f paq´f pbq ě 0. De plus b ´ a ą 0
et donc on a x ´ a ě 0.
De la même manière, on a
af pbq ´ bf paq ´ bpf pbq ´ f paqq f pbq
x´b“ “ pa ´ bq
f pbq ´ f paq f pbq ´ f paq
f pbq
Comme f paqf pbq ă 0, f pbq ´ f paq est du même signe que f pbq et alors f pbq´f paq ě 0. De plus a ´ b ă 0
et donc on a x ´ b ď 0.
Q. 2 On va démontrer par récurrence la validité de la proposition pPk q suivante @k P N :

"
(i) f pak qf pbk q ă 0 si f pxk q ‰ 0
pPk q
(ii) a0 ď a1 ď . . . ď ak ď xk ď bk ď . . . ď b1 ď b0 ,
Initialisation On vérifie la proposition pPk q pour k “ 0. On a f paqf pbq ă 0 donc pP0 q ´ piq est vérifiée.
D’après Q. 1, on obtient a0 ď x0 ď b0 . La proposition pP0 q est donc vérifiée.

Hérédité Soit k ě 1. On suppose la proposition pPk q est vraie. Montrons que pPk`1 q est vérifiée.
Si f pxk q “ 0 alors ak`1 “ bk`1 “ xk`1 “ xk et la proposition pPk`1 q est vérifiée.
On suppose maintenant que f pxk q ‰ 0.
De pPk q ´ piq on a f pak q ‰ 0 et f pbk q ‰ 0. De plus f pak q ‰ f pbk q car sinon f pak qf pbk q “ f pak q2 ě 0
ce qui est en contradiction avec pPk q´piq. Par hypothèse pPk q, on a ak ď xk ď bk et f pak qf pbk q ă 0.
Par continuité de f, on a alors soit f pbk qf pxk q ă 0 (et donc f pak qf pxk q ą 0) soit f pbk qf pxk q ą 0
(et donc f pak qf pxk q ă 0).
‚ Si f pbk qf pxk q ă 0 on a ak`1 “ xk et bk`1 “ bk . Comme f pak q ‰ f pbk q, xk`1 est bien défini.
D’après Q. 1 en prenant rak`1 , bk`1 s comme intervalle, et sachant que f pak`1 qf pbk`1 q “
f pxk qf pbk q ă 0 on obtient
ak`1 ď xk`1 ď bk`1 .

De plus par hypothèse ak ď xk “ ak`1 et donc ak ď ak`1 et bk`1 ď bk . La proposition pPk`1 q
est donc vérifiée.
‚ Si f pak qf pxk q ă 0 on a ak`1 “ ak et bk`1 “ xk . Comme f pak q ‰ f pbk q, xk`1 est bien défini.
D’après Q. 1 en prenant rak`1 , bk`1 s comme intervalle, et sachant que f pak`1 qf pbk`1 q “
f pak qf pxk q ă 0 on obtient
ak`1 ď xk`1 ď bk`1 .
La proposition pPk`1 q est donc vérifiée.
Q. 3 Supposons qu’il existe s P N tel que f pxs q “ 0. Alors, pour tout i ď 1, on a asì “ bsì “

xsì “ xs . Les trois suites convergent donc vers xs . D’après la question précédente, xs P ra, bs. Comme
f paq ‰ 0 et f pbq ‰ 0, on en déduit xs Psa, br. Par hypothèse il existe un unique ξ Psa, br tel que f pξq “ 0,
on a alors xs “ ξ.
Supposons que @k P N, f pxk q ‰ 0. D’après Q. 2, la suite pak q est croissante majorée par b et la suite
pbk q est décroissante minorée par a. Elles sont donc convergentes et l’on note respectivement l et L les
limites de pak q et pbk q. Comme a ď ak ď bk ď b, on a a ď l ď L ď b.
‚ Supposons f plq “ f pLq. On a f pak qf pbk q ă 0. Comme f est continue, à la limite on obtient
f plqf pLq “ f plq2 “ f pLq2 ď 0 et donc f plq “ f pLq “ 0. On a necessairement l et L dans sa, br
car f paqf pbq ă 0 et donc f paq et f pbq non nuls. Par unicité du zéro de f dans sa, br on obtient
l “ L “ ξ. Comme ak ď xk ď bk , on en déduit que la suite pxk q converge aussi vers ξ.
‚ Supposons f plq ‰ f pLq. Par continuité de la fonction f la suite pxk q converge alors vers M “
lf pLq´Lf plq
f pLq´f plq . Comme ak ď xk ď bk on a aussi
lf pLq ´ Lf plq
lďM “ ď L. (2.22)
f pLq ´ f plq
De plus ayant f pxk q ‰ 0 @k P N, on a f pak qf pbk q ă 0 @k P N. En passant à la limite et par
continuité de f on obtient f plqf pLq ď 0.
Montrons que f plq “ 0 ou f pLq “ 0.
Compiled on 2022/09/15 at 10:51:48

– Si f plq ă f pLq, alors de (2.22) on obtient
lpf pLq ´ f plqq ď lf pLq ´ Lf plq ď Lpf pLq ´ f plqq
ce qui donne lf plq ě Lf plq et lf pLq ď Lf pLq i.e. pl ´ Lqf plq ě 0 et pL ´ lqf pLq ď 0. Comme
L ´ l ě 0, on en déduit f plq ď 0 et f pLq ď 0. Or f plqf pLq ď 0, ce qui donne f plq “ 0 ou
f pLq “ 0.
– Si f plq ą f pLq, alors de (2.22) on obtient
lpf pLq ´ f plqq ě lf pLq ´ Lf plq ě Lpf pLq ´ f plqq
ce qui donne lf plq ď Lf plq et lf pLq ě Lf pLq i.e. pL ´ lqf plq ě 0 et pL ´ lqf pLq ď 0. Comme
L ´ l ě 0, on en déduit f plq ě 0 et f pLq ě 0. Or f plqf pLq ď 0, ce qui donne f plq “ 0 ou
f pLq “ 0.
On a donc démontré que si f plq ‰ f pLq, alors f plq “ 0 ou f pLq “ 0 et donc

lf pLq´Lf plq
– si f plq “ 0 alors M “ f pLq´f plq “ l et donc f pM q “ 0.

lf pLq´Lf plq
– si f pLq “ 0 alors M “ f pLq´f plq “ L et donc f pM q “ 0.
Puisque l et L appartiennent à sa, br, on a M Psa, br. Par unicité du zéro de f sur sa, br on en déduit
que M “ ξ.
On vient de démontrer le théorème suivant
Théorème 2.11
unique solution de f pxq “ 0. Alors la suite pxk qkPN définie par la méthode Regula-Falsi converge
vers α
On a aussi la proposition suivante
Proposition 2.12: ordre de la méthode de Regula-Falsi
unique solution de f pxq “ 0. Si f est deux fois dérivables sur ra, bs et si f 2 est monotone sur sa, br
2.3. Résolution de systèmes non linéaires
alors il existe C P R tel que

|xk`1 ´ α|
lim ďC (2.23)
kÑ`8 |xk ´ α|
La méthode de Regula-Falsi est alors à convergence linéaire (d’ordre 1).
2.3 Résolution de systèmes non linéaires

Nous allons (très rapidement) introduire les premières notions permettant la résolution de systèmes
d’équations non linéaires. Par exemple, dans R2 nous allons regarder le problème suivant avec c une
constante réelle #
f1 px1 , x2 q “ ´x31 ` x2 ´ 21 “0
1 2 (2.24)
f2 px1 , x2 q “ 25 p10 x2 ` 1q ` c ´ x1 “ 0.
En Figures 2.19 et 2.21, on représente pour différentes valeurs de c les courbes f1 px1 , x2 q “ 0 et
f2 px1 , x2 q “ 0 : les intersections de ces deux courbes sont les solutions du problème (2.24). Comme
on le voit graphiquemment, il peut y avoir, suivant les valeurs de c, 0, 1, 2 ou 4 solutions.
De manière plus générale, soient U Ă RN un ouvert et f une application continue de U dans RN . Le
problème que l’on souhaite résoudre est le suivant
Compiled on 2022/09/15 at 10:51:48

Résolution de systèmes non linéaires 47
1 1
c = 0.00 c ∼ − 0 825 .
0.5 0.5
0
0
0.
0.
f 2 (x 1 ,
=
=
2)
2)
x2
x2
0 0
x
x
1,
1,
x2 )
1 (x
1 (x
= 0.0
f

f (
2 x
1, x
-0.5 -0.5 2) =0
.0
-1 -1
-1.5 -1 -0.5 0 0.5 1 -1.5 -1 -0.5 0 0.5 1
x1 x1
Figure 2.19: Résolution graphique de 2.24 avec c “ 0.00 (gauche) et c „ ´0.825 (droite)

1 1
2.3.Résolution de systèmes non linéaires

c = − 1 00
. c = − 1 50.
0.5 0.5
0
0
0.
0.
=
=
2)
2)
x2
x2
0 0
x
x
1,
1,
1 (x
1 (x
f
f (
2 x
-0.5 1, x -0.5
2) =0
.0
f2 (x
1 , x2 ) = 0.0
-1 -1
-1.5 -1 -0.5 0 0.5 1 -1.5 -1 -0.5 0 0.5 1
x1 x1
Figure 2.20: Résolution graphique de 2.24 avec c “ ´1.00 (gauche) et c “ ´1.50 (droite)
Compiled on 2022/09/15 at 10:51:48

Trouver α P U Ă RN tel que

$
’
’ f 1 pα
α1 , . . . , α N q “ 0
’
& f 2 pα
α1 , . . . , α N q “ 0
f pα
αq “ 0 ðñ ..
’
’ .
’
%
f N pα
α1 , . . . , α N q “ 0
Comme dans le cas scalaire, pour résoudre numériquement ce genre de problème on utilise des suites
itératives et plus particulièrement celles basées sur les méthodes de points fixes. En effet, nous allons voir
que le théorème du point fixe se généralise très facilement (voir Théorème 2.13).
En définissant, par exemple, la fonction Φ P C 0 pU ; RN q par Φ pxxq “ x ` f px xq, on peut remarquer
xq “ 0 est équivalent à Φ px
f px xq “ x . On peut donc se ramener à la recherche d’un point fixe (s’il existe)
de la fonction Φ .
Trouver α P U Ă RN tel que
$
’
’ Φ 1 pα
α1 , . . . , α N q “ α 1
’
& Φ 2 pαα1 , . . . , α N q “ α 2
Φ pα
αq “ α ðñ ..
’
’ .
’
%
Φ N pαα1 , . . . , α N q “ α N
2.3.1 Point fixe
Les suites itératives sont donc de la forme
x rk`1s “ Φ px
xrks q
où Φ est une fonction à déterminer et x r0s P RN . Bien évidemment le choix d’une bonne fonction Φ est
primordiale pour espérer avoir convergence.
Ce type de problème peut s’avérer délicat à traiter : comment choisir Φ ? x r0s ? Si l’on converge vers
quel point fixe?
2.3.1 Point fixe

Théorème 2.13
Soit B un espace de Banach et U Ă B un sous-ensemble fermé. On suppose que Φ : U ÝÑ U est

une application strictement contractante, i.e.
Φpx
DL Ps0, 1r, }Φ xq ´ Φ pyy q} ď L }x
x ´ y } , @px
x, y q P U ˆ U. (2.25)
Alors
1. Φ admet un unique point fixe α P U (i.e. unique solution de x “ Φ px
xq).
2. La suite des itérés x rk`1s “ Φ px

x rks q converge vers α pour toute valeur initiale x r0s P U.
3. Pour tout k P N,
› › Lk´l ›› rl`1s ›
› › ›
α ´ x rks › ď
›α x
›x ´ x rls › , 0 ď l ď k (2.26)
1´L
Preuve. On démontre tout d’abord l’existence d’un point fixe. Pour celà on va démontrer que la suite
x rks est de Cauchy dans U fermé d’un espace de Banach (donc elle converge dans U ).
Comme Φ est contractante, on a pour tout k P N˚
› › › › › ›
› rk`1s › › › › rks ›
x
›x ´ x rks › “ ›Φ x rks q ´ Φ px
Φpx x rk´1s q› ď L ›x
x ´ x rk´1s ›
ce qui donne par récurrence pour tout 0 ď j ď k

› › › ›
›x rk`1s x rks › ›x rk`1´js x rk´js ›
›x ´ › ď Lj ›x ´ › (2.27)
Compiled on 2022/09/15 at 10:51:48

ou encore pour tout 0 ď l ď k, (l “ k ´ j)

› › › ›
› rk`1s › › rl`1s ›
x
›x ´ x rks › ď Lk´l ›x
x ´ x rls › (2.28)
On obtient aussi par récurrence

› › › ›
›x rk`1`ls x rk`ls › ›x rk`1s x rks ›
@l ě 0, ›x ´ › ď Ll ›x ´ ›. (2.29)
Soit p ě 1. On en déduit par application répétée de l’inégalité triangulaire que

› › › ›
› rk`ps › › rk`ps ›
x
›x ´ x rks › “ ›px
x ´ x rk`p´1s q ` px x rk`p´1s ´ x rk`p´2s q ` . . . ` px
x rk`1s ´ x rks q›
› ›
›p´1 ›
› ÿ rk`l`1s ›
“ › px x ´ x rk`ls q›
› ›
l“0
ÿ›
p´1
› rk`l`1s
›
›
ď x
›x ´ x rk`ls ›
l“0
(2.29)
p´1
ÿ › › 1 ´ Lp › ›
› rk`1s › › rk`1s ›
ď Ll ›x
x ´ x rks › “ x
›x ´ x rks ›
l“0
1´L
› ›
2.3.2 Méthode de Newton

p
1 ´ L k › r1s ›
ď L ›x x ´ x r0s › . (en utilisant (2.28), avec l “ 0)
1´L
Comme Lk Ñ 0 quand k Ñ `8, on conclu que px x rks q est une suite de Cauchy. De plus, par construction
rks x rks q converge
x P U Ă B, pour tout k P N, et B étant un espace de Banach et U un fermé, la suite px
alors vers α P U. Comme Φ est contractante, elle est donc continue et en passant à la limite dans
x rk`1s “ Φ px
x rks q, on abouti à α “ Φ pα
αq, i.e. α est un point fixe de Φ dans U.
L’unicité se déduit immédiatement par la contraction de la fonction Φ . En effet, soit α 1 et α 2 deux points

fixes de Φ , alors
}α Φpα
α1 ´ α 2 } “ }Φ α1 q ´ Φ pα α2 q} ď L }α
α1 ´ α 2 }
Or L ă 1, et donc nécessairement on a α 1 “ α 2 .
Il reste à démontrer l’inégalité (2.26). On a vu que pour p ě 1
› › 1 ´ Lp › ›
› rk`ps › › rk`1s ›
x
›x ´ x rks › ď x
›x ´ x rks ›
1´L

L’application norme étant continue et L ă 1, on obtient à la limite quand p Ñ `8
› › 1 ›› rk`1s ›
› › ›
α ´ x rks › ď
›α x
›x ´ x rks ›
1´L
On obtient l’inégalité en utilisant (2.28).
2.3.2 Méthode de Newton

On commence par rappeler un résultat de calcul différentiel. Soit f : RN ÝÑ RN une fonction suffisament
régulière. On défini la matrice Jacobienne de f , notée Jf , par
¨ Bf Bf1 Bf1
˛
1
Bx1 Bx2 . . . Bx N
˚ Bf2 Bf Bf ‹
˚ Bx1 Bx22 . . . BxN2 ‹
˚
Jf “ ˚ . .. .. ‹‹
˝ .. . . ‚
BfN BfN BfN
Bx1 Bx2 . . . Bx N
On a alors @h
h P RN à l’ordre 1
f px
x ` h q « f px
xq ` Jf px
xq.h
h. (2.30)
αq “ 0. Si x rks est proche de α , alors en utilisant (2.30) avec x “ x rks
Nous voulons trouver α tel que f pα
rks rks
et α “ x ` h (i.e. h “ α ´ x ) on obtient
f pα xrks q ` Jf px
αq « f px xrks q.h
h
Compiled on 2022/09/15 at 10:51:48

Au lieu de résoudre f px
xq “ 0, on résoud le système linéarisé
xrks q ` Jf px
f px xrks q.h̃ “ 0
c’est à dire le système linéaire

xrks q.h̃ “ ´ff px
Jf px xrks q. (2.31)
On espère alors que h̃ est une bonne approximation de h au sens ou x rks `h̃ est une meilleur approximation
de α que x rks . On note alors x rk`1s “ x rks ` h̃
h̃. En posant Φpxxq “ x ´ ppJf px xqq´1 f px
xq la méthode de
Newton s’écrit alors ´ ¯´1
x rk`1s “ Φpx
xrks q “ x rks ´ pJf px
xrks q xrks q
f px (2.32)
Cette formule est une généralisation de celle vue dans le cas scalaire (voir ??). Il faut noter qu’a chaque
` ˘´1
itération la matrice Jacobienne est modifiée et qu’il faut calculer le vecteur ´ pJf pxxrks q xrks q. Nu-
f px
meriquement, on ne calcule que très rarement l’inverse d’une matrice car celà est très couteux en temps
mais on résoud le système linéaire (2.31) ce qui est bien plus efficace.
On admet dans ce cours le théorème suivant
Théorème 2.14
Soit f P C 3 pRN ; RN q. On suppose que la matrice Jacobienne appliquée en x , Jf px xq est inversible

αq “ 0. Alors pour tout x r0s suffisament proche de α la suite définie
dans un voisinage de α , avec f pα
par
2.3.3 Exemples
´ ¯´1
x rk`1s “ x rks ´ pJf px
xrks q xrks q
f px
converge vers α et la convergence est d’ordre 2.
On donne ensuite l’algorithme 2.16 permettant de déterminer une approximation d’un point fixe d’une
fonction f . Dans cet algorithme on suppose donnée la fonction Solve permettant de résoudre un système
linéaire.
Algorithme 2.16 Méthode de Newton

Données :
f : f : RN ÝÑ RN ,
Jf : la matrice Jacobienne de f ,
x0 : donnée initiale, x0 P RN ,
tol : la tolérence, tol P R` ,
kmax : nombre maximum d’itérations, kmax P N˚
Résultat :
α tol : un élément de RN proche de α .
1: Fonction αtol Ð Newton ( f , Jf, x0, tol, kmax )

2: k Ð 0, αtol Ð H
3: x Ð x0,
4: err Ð tol ` 1
5: Tantque err ą tol et k ď kmax faire
6: k Ðk`1
7: xp Ð x
8: h Ð SolvepJfpxpq, ´f pxpqq Ź x Ð SolvepA, b q : résoud le système linéaire Ax
x“b
9: x Ð xp ` h
10: err Ð Normpx ´ xpq
11: Fin Tantque
13: αtol Ð x
14: Fin Si
15: Fin Fonction
Remarque 2.15 Si l’on ne connait pas explicitement la Jacobienne de f, il est possible de calculer une
approximation de celle-ci en utilisant des formules de dérivation numérique.
Compiled on 2022/09/15 at 10:51:48

2.3.3 Exemples
Exemple modèle
Comme premier exemple, nous reprenons le système 2.24 avec c “ ´1.5
#
f1 px1 , x2 q “ ´x31 ` x2 ´ 21 “0
1 2 (2.33)
f2 px1 , x2 q “ 25 p10 x2 ` 1q ´ x1 ´ 23 “ 0.
On représente en Figure 2.21 les itérées succéssives pour 4 suites avec une initialisation différentes.
On remarque qu’il est très difficile, si l’on n’est pas suffisament proche d’un point fixe, de prédire vers
lequel on converge.
x0 = (0.00; 1.45)
x0 −
= ( 0.31; −
0.98)
4 x0 −
= ( 0.74; 1.46)
x0 −
= ( 0.90; −
0.03)
2.3.3 Exemples
2
= − 1 50
x2
c .

0

-1
-3 -2 -1 0 1
x1
Figure 2.21: Représentation de 4 suites pour le système 2.33
En Figure 2.22a, on représente les bassins d’attraction pour les itérées de Newton associés au système
2.33 : à chaque point initial x0 “ px, yq on associe le point fixe vers lequel la suite de Newton converge et
chaque point fixe correspond une couleur. En Figure 2.22b, on représente le nombre d’itérations assurant
la convergence des itérées de Newton : à chaque point initial x0 “ px, yq on associe le nombre d’itérations
nécessaire à la convergence et une échelle de couleur permet de visualer ces nombres.
Exemple complexe : z 3 ´ 1 “ 0
On souhaite trouver les racines complexes de z 3 ´ 1. Pour celà on peut poser z “ x ` ıy, et le système
équivalent devient #
f1 px, yq “ x3 ´ 3xy 2 ´ 1 “ 0
(2.34)
f2 px, yq “ 3x2 y ´ x3 “ 0.
Bien évidemment en restant dans le corps des complexes, l’algorithme de Newton est le même (encore
faut-il que le langage de programmation utilisé le supporte ).
On représente en Figure 2.23 les bassins d’attraction et le nombre d’itérations de convergence associé à
des données initiales dans r´1.5, 1.5s ˆ r´1.5, 1.5s. On obtient alors une fractale de Newton. Pour illustrer
ce caractère fractale des représentations, on donne en Figures 2.24 et 2.25 des zooms successifs sur les
graphes.
Compiled on 2022/09/15 at 10:51:48

50
45
40
α2
α4
α3 35
30
25
α1
20
15
10
(a) Bassin d’attraction des racines (b) Nombre d’itérations de convergence

2.3.3 Exemples
Figure 2.22: Méthode de Newton, système (2.33)

50
45
α2
40
35
α3 30
25
20
α1 15
10
Figure 2.23: Méthode de Newton, système (2.34)
Compiled on 2022/09/15 at 10:51:48

α2
α3
α1
2.3.3 Exemples
Figure 2.24: Méthode de Newton, système (2.34), zooms sur les bassins d’attraction

α2
α3
α1
Figure 2.25: Méthode de Newton, système (2.34), zooms sur les nombres d’itérations
Compiled on 2022/09/15 at 10:51:48

Exemple complexe : z 5 ´ 1 “ 0
des données initiales dans r´1.5, 1.5s ˆ r´1.5, 1.5s.
120
α5
α4 100
80
α2
60
α1
40
α3
20
Figure 2.26: Méthode de Newton pour z 5 ´ 1 “ 0

2.3.3 Exemples
Exemple complexe : z 3 ´ 2z ` 2 “ 0
des données initiales dans r´2, 2s ˆ r´2, 2s.
40
35
30
α3
25
α1
20
α2
15
10
(a) Bassin d’attraction des racines. En rouge zône (b) Nombre d’itérations de convergence. En blanc
de divergence zône de divergence
Figure 2.27: Méthode de Newton pour z 3 ´ 2z ` 2 “ 0
Compiled on 2022/09/15 at 10:51:48

Chapitre 3
Résolution de systèmes linéaires
Dans cette partie nous allons consisérer la résolution numérique d’un système linéaire Ax x “ b dont la
matrice A est inversible.
On pourrait penser que pour résoudre le système linéaire Ax x “ b , A inversible, le plus simple serait de
calculer la matrice A-1 , inverse de A, puis d’effectuer un produit matrice-vecteur pour obtenir x “ A-1b .
Or pour calculer l’inverse d’une matrice d’ordre n on doit résoudre n systèmes linéaires d’ordre n! En
effet, déterminer l’inverse d’une matrice A revient à rechercher la matrice X solution de
¨ ˛¨ ˛ ¨ ˛
A1,1 A1,2 ... A1,n X1,1 X1,2 ... X1,n 1 0 ... 0
˚ .. ‹ ˚ .. ‹ ˚ .‹
˚ A2,1 . . . ..
. . ‹ ˚ ..
.
..
. . ‹ ˚ .. ..
. . .. ‹
AX “ I ðñ ˚ ‹ ˚ X2,1 ‹ “ ˚0 ‹
˚ . .. .. ‹˚ . .. .. ‹ ˚. . ‹
˝ .. . . An´1,n ‚˝ .. . . Xn´1,n ‚ ˝ .. . . . . . 0‚
An,1 . . . An,n´1 An,n Xn,1 . . . Xn,n´1 Xn,n 0 ... 0 1
Si on note X i,: le i-ème vecteur colonne de la matrice X et e i le i-ème de la base canonique de Rn alors
le système précédant s’écrit
¨ ˛
A1,1 A1,2 ... A1,n ¨ ˛ ¨ ˛
˚ .. ‹
˚ A2,1 . . . ..
. ‹
. ‹˝
˚ X 1 . . . X n ‚ “ ˝ e1 . . . en ‚
˚ . . . ‹
˝ .. .. .. An´1,n ‚
An,1 . . . An,n´1 An,n
Ce dernier système est alors équivalent à résoudre les n systèmes linéaires
X j “ e j , @j P v1, nw.
AX
Pour résoudre un système linéaire, on ne calcule pas la matrice inverse associée.
Nous allons en section 3.1 étudier quelques méthodes directes pour la résolution d’un système
linéaire basées sur la recherche d’une matrice M inversible telle quel la matrice MA soit triangulaire
supérieure. Ceci conduit à la résolution du système linéaire équivalent
x “ Mbb.
MAx
56 Résolution de systèmes linéaires
par la méthode de la remontée décrite en section 3.1.1).

En section 3.4, nous nous intéresserons aux méthodes itératives pour la résolution d’un système
linéaire qui peuvent s’écrire sous la forme
x rk`1s “ Bx
xrks ` c , k ě 0, x r0s donné
où la matrice B et le vecteur c sont construits à partir de la matrice A et du vecteur b . On espère alors

avoir limkÑ`8 x rks “ x .
3.1 Méthodes directes

Pour résoudre le système linéaire Ax
x “ b, nous allons le transformer en un système linéaire triangulaire
supérieure équivalent
MAx x “ Mbb
où M est une matrice inversible telle que MA soit triangulaire supérieure. Nous allons voir que ce nouveau
système est très facile à résoudre par la méthode de la remontée.
Nous étudierons la méthode de Gauss-Jordan que nous réécrions sous forme algébrique. Puis nous
ferons le lien avec les méthodes utilisant la factorisation LU et la factorisation de Cholesky. Nous finirons
par une méthode utilisant la factorisation QR d’une matrice, factorisation qui sera réutilisée pour le calcul
de valeurs propres et vecteurs propres en section ??.
Nous allons tout d’abord regarder quelques cas particuliers : la matrice du système est diagonale,
triangulaire inférieure ou triangulaire supérieure.
3.1.1 Matrices particulières

Matrices diagonales
Soit A une matrice de Mn pKq diagonale inversible et b P Kn . Dans ce cas les coefficients diagonaux de A
3. Résolution de systèmes linéaires
sont tous non nuls et l’on a

xi “ bi {Ai,i , @i P v1, nw. (3.1)
On a immédiadement l’algorithme
Algorithme 3.1 Fonction RSLMatDiag permettant de résoudre le système linéaire à matrice diagonale
inversible
x “ b.
Ax
Données : A : matrice diagonale de Mn pRq inversible.

3.1. Méthodes directes
b : vecteur de Rn .
Résultat : x : vecteur de Rn .
1: Fonction x Ð RSLMatDiag ( A, b )
2: Pour i Ð 1 à n faire
3: xpiq Ð bpiq{Api, iq
4: Fin Pour
5: Fin Fonction
Matrices triangulaires inférieures

Soit A une matrice de Mn pKq triangulaire inférieure inversible et b P Kn . On veut résoudre le système
linéaire
¨ ˛¨ ˛ ¨ ˛
A1,1 0 . . . 0 x1 b1
˚ .. . . . . .. ‹ ˚ .. ‹ ˚ .. ‹
˚ . . . . ‹ ˚ ‹ ˚ ‹
x “ b ðñ ˚
Ax ‹˚ . ‹ “ ˚ . ‹
˚ . . ‹˚ . ‹ ˚ . ‹
˝ .. .. 0 ‚˝ .. ‚ ˝ .. ‚
An,1 . . . . . . An,n xn bn
Compiled on 2022/09/15 at 10:51:48

Méthodes directes 57
Exercice 3.1.1
Soit A P Mn pKq une matrice triangulaire. Montrer que
A inversible ðñ Ai,i ‰ 0, @i P v1, nw.
On remarque que l’on peut calculer successivement x1 , x1 , . . . , xn , car il est possible de calculer xi si on
connait x1 , . . . , xi´1 : c’est la méthode de descente. En effet, on a
pAx
xqi “ bi , @i P v1, nw.
et donc, par définition d’un produit matrice-vecteur,

n
ÿ
Ai,j xj “ bi , @i P v1, nw.
j“1
Comme A est une matrice triangulaire inférieure, on a (voir Définition B.44) Ai,j “ 0 si j ą i. Ceci donne
alors pour tout i P v1, nw
i´1
ÿ n
ÿ
bi “ Ai,j xj ` Ai,i xi ` loAi,jon xj
omo
j“1 j“i`1
“0

i´1
ÿ
“ Ai,j xj ` Ai,i xi
j“1
De plus la matrice A étant triangulaire inversible ses éléments diagonaux sont tous non nuls. On obtient

alors xi en fonction des x1 , . . . , xi´1 :
˜ ¸
i´1
ÿ
1
xi “ bi ´ Ai,j xj , @i P v1, nw. (3.2)
Ai,i j“1
On écrit en détail les raffinements successifs permettant d’aboutir à l’Algorithme 3.2 final ne compor-
tant que des opérations élémentaires(.... à finaliser) de telle sorte que le passage entre deux raffinements
successifs soit le plus compréhensible possible.
3.1.Méthodes directes
x “ b en calculant
Résoudre Ax 1: Pour i Ð 1 ã̀ n faire
1:
¸
i´1
successivement x1 , x2 , . . . , xn . 1 ÿ
2: xi Ð bi ´ Ai,j xj
Ai,i j“1
3: Fin Pour
i´1
ÿ
Dans le raffinement R1 , la seule difficulté restante est le calcul de la somme Ai,j xj . En effet,
ř j“1
l’opérateur mathématique n’est pas défini dans notre langage algorithmique : il va donc falloir détailler
un peu plus l’algorithme. Pour isoler le calcul de cette somme, on la note S. La ligne 2 peut donc s’écrire
1
xi Ð pbi ´ Sq .
Ai,i
Mais où calculer la valeur S? 4 choix possible : avant la ligne 1, entre les lignes 1 et 2, entre les lignes 2
et 3 ou après la ligne 3.
On ne peut pas calculer S après utilisation de sa valeur dans le calcul de xi ! ce qui élimine les 2 derniers
choix. Ensuite, on ne peut sortir le calcul de S de la boucle puique la somme dépend de l’indice de boucle
i : ce qui élimine le premier choix. On doit donc calculer S dans la boucle et avant le calcul de xi .
Compiled on 2022/09/15 at 10:51:48

1: Pour i Ð 1 à n faire 1: Pour i Ð 1 à n faire

˜ ¸
i´1
1 ÿ
i´1
2: xi Ð bi ´ Ai,j xj ÿ
Ai,i j“1 2: SÐ Ai,j xj
j“1
3: Fin Pour 3: xi Ð pbi ´ Sq{Ai,i
4: Fin Pour
Maintenant que l’on a isolé la difficulté, il reste à détailler le calcul de S. Celui-ci se fait intégralement
en lieu et place de la ligne 2.

i´1
ÿ
2: SÐ Ai,j xj 2: SÐ0
j“1 3: Pour j Ð 1 à i ´ 1 faire
3: xi Ð pbi ´ Sq{Ai,i 4: S Ð S ` Api, jq ˚ xpjq
4: Fin Pour 5: Fin Pour
6: xi Ð pbi ´ Sq{Ai,i
7: Fin Pour
Insister sur S Ð 0 à l’intérieur de la boucle en i? (erreur trop courante des débutants)

On obtient alors l’algorithme final
Algorithme 3.2 Fonction RSLTriInf permettant de résoudre le système linéaire triangulaire inférieur
inversible
x “ b.
Ax
Données : A : matrice triangulaire de Mn pKq inférieure inversible.

b : vecteur de Kn .
Résultat : x : vecteur de Kn .
1: Fonction x Ð RSLTriInf ( A, b )
3: SÐ0
4: Pour j Ð 1 à i ´ 1 faire
5: S Ð S ` Api, jq ˚ xpjq
6: Fin Pour
7: xpiq Ð pbpiq ´ Sq{Api, iq
8: Fin Pour
9: Fin Fonction
Matrices triangulaires supérieures

Soit A une matrice de Mn pRq triangulaire supérieure inversible et b P Rn . On veut résoudre le système
linéaire
¨ ˛¨ ˛ ¨ ˛
A1,1 . . . . . . A1,n x1 b1
˚ . . .. ‹ ˚ .. ‹ ˚ .. ‹
˚ 0 . . ‹ ˚ ‹ ˚ ‹
x “ b ðñ ˚
Ax ‹˚ . ‹ “ ˚ . ‹
˚ . . . . ‹˚ . ‹ ˚ . ‹
˝ .. .. .. .. ‚˝ .. ‚ ˝ .. ‚
0 . . . 0 An,n xn bn
On remarque que l’on peut calculer successivement xn , xn´1 , . . . , x1 , car il est possible de calculer xi si
on connait xi`1 , . . . , xn : c’est la méthode de remontée. En effet, on a
pAx
xqi “ bi , @i P v1, nw.
Compiled on 2022/09/15 at 10:51:48

et donc, par définition d’un produit matrice-vecteur,
n
ÿ
Ai,j xj “ bi , @i P v1, nw.
j“1
Comme A est une matrice triangulaire supérieure, on a (voir Définition B.44) Ai,j “ 0 si j ă i. Ceci
donne alors pour tout i P v1, nw
i´1
ÿ n
ÿ
bi “ loAi,jon xj ` Ai,i xi `
omo Ai,j xj
j“1 j“i`1
“0
n
ÿ
“ Ai,i xi ` Ai,j xj
j“i`1
De plus la matrice A étant triangulaire inversible ses éléments diagonaux sont tous non nuls. On obtient
donc xi en fonction des xi`1 , . . . , xn :
˜ ¸
n
ÿ
1
(3.3)

xi “ bi ´ Ai,j xj , @i P v1, nw.
Ai,i j“i`1

Résoudre Ax
x “ b en calculant 1: Pour i Ð n à 1 faire(pas de ´1)
1:
successivement xn , xn´1 , . . . , x1 . 2: calculer xi connaissant xi`1 , . . . , xn
3: Fin Pour
1: Pour i Ð n à 1 faire(pas de ´1) 1: Pour i Ð n à 1 faire(pas de ´1)
2: Calculer xi connaissant xi`1 , . . . , xn n
ÿ
3: Fin Pour 2: SÐ Ai,j xj
j“i`1
4: Fin Pour
1: Pour i Ð n à 1 faire(pas de ´1) 1: Pour i Ð n à 1 faire(pas de ´1)

n
ÿ
2: SÐ Ai,j xj 2: SÐ0
j“i`1 3: Pour j Ð i ` 1 à n faire
3: xi Ð pbi ´ Sq{Ai,i 4: S Ð S ` Api, jq ˚ xpjq
7: Fin Pour
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.3 Fonction RSLTriSup permettant de résoudre le système linéaire triangulaire supérieur
inversible
x “ b.
Ax
Données : A : matrice triangulaire de Mn pRq supérieure inversible.

b : vecteur de Rn .
1: Fonction x Ð RSLTriSup ( A, b )
2: Pour i Ð n à 1 faire(pas de ´1)
3: SÐ0
4: Pour j Ð i ` 1 à n faire
6: Fin Pour
8: Fin Pour
9: Fin Fonction
3.1.2 Exercices et résultats préliminaires

Exercice 3.1.2: correction page 217
Soit A P Mn,n pCq une matrice et pλ, u q un élément propre de A avec }u

u}2 “ 1.
Q. 1 En s’aidant de la base canonique tee1 , . . . , e n u , construire une base orthonormée tx
x1 , . . . , x n u
telle que x 1 “ u .
Notons P la matrice de changement de base canonique tee1 , . . . , e n u dans la base tx
x1 , . . . , x n u :
¨ ˛
P “ ˝ x1 . . . xn ‚
Soit B la matrice définie par B “ P˚ AP.

Q. 2 1. Exprimer les coefficients de la matrice B en fonction de la matrice A et des vecteurs x i ,
i P v1, nw.
B “ P˚ AP.
2. En déduire que la première colonne de B est pλ, 0, . . . , 0qt .
Q. 3 Montrer par récurrence sur l’ordre de la matrice que la matrice A s’écrit

A “ UTU˚
où U est une matrice unitaire et T une matrice triangulaire supérieure.
Q. 4 En supposant A inversible et la décomposition A “ UTU˚ connue, expliquer comment résoudre

"simplement" le système linéaire Axx “ b.

Q. 1 La première chose à faire est de construire une base contenant u à partir de la base canon-
ique tee1 , . . . , e n u. Comme le vecteur propre u est non nul, il existe j P v1, nw tel que xu u, e j y ‰ 0. La
famille tu u, e 1 , . . . , e j´1 , e j`1 , . . . , e n u forme alors une base de Cn car u n’est pas combinaison linéaire des
tee1 , . . . , e j´1 , e j`1 , . . . , e n u.
On note tzz 1 , . . . , z n u la base dont le premier élément est z 1 “ u :
tzz 1 , . . . , z n u “ tu
u, e 1 , . . . , e j´1 , e j`1 , . . . , e n u.
On peut ensuite utiliser le procédé de Gram-Schmidt, rappelé en Proposition B.19, pour construire
une base orthonormée à partir de cette base.
Compiled on 2022/09/15 at 10:51:48

On calcule successivement les vecteurs xi à partir de la base tzz 1 , . . . , z n u en construisant un vecteur w i

orthogonal aux vecteurs x1 , . . . , xi´1 .
i´1
ÿ
wi “ zi ´ xx
xk , z i y x k
k“1
puis on obtient le vecteur x i en normalisant

wi
xi “
}w
wi}
Q. 2 1. En conservant l’écriture colonne de la matrice P on obtient

¨ ˛ ¨ ˛
x ˚1 ¨ ˛ x ˚1 ¨ ˛
˚ x2 ˚ ‹ ˚ x ˚2 ‹
˚ ‹ ˚ ‹
B“˚ ˚ ..
‹A˝ x1 x 2 . . . x n ‚ “ ˚
‹ ˚ ..
‹˝ Ax
‹ x1 x2
Ax ... xn ‚
Ax
˝ . ‚ ˝ . ‚
x ˚n x ˚n
Ce qui donne
¨ ˚ ˛
x1 Axx1 x1 ˚ Axx2 . . . x1 ˚ Axxn
˚x˚2 Ax
x1 x˚2 Ax x2 . . . x˚2 Ax xn ‹

˚ ‹
B“˚ . .. .. ‹
˝ .. . . ‚
x ˚n Ax
x1 x ˚n Ax
x2 ... x ˚n Ax
xn
On a donc
Bi,j “ x ˚i Ax
xj , @pi, jq P v1, nw2
.

2. On a Au
u “ λu u} “ 1, la base tx
u, }u x1 , . . . , x n u est orthonormée et x 1 “ u . on obtient alors
¨ ˛ ¨ ˛
u˚u u ˚ Ax
λu x2 . . . u ˚ Ax xn λ u ˚ Ax x2 . . . u ˚ Ax xn
˚ ˚ x
˚ λx
˚ x2 u x 2 Ax 2 . . . x ˚2 Ax xn ‹ ˚ ˚ x
‹ ˚ 0 x 2 Ax 2 . . . x ˚2 Ax xn ‹
‹
B“˚ . . . ‹ “ ˚ . . . ‹
˝ .. .. .. ‚ ˝ .. .. .. ‚
˚ ˚ ˚ ˚ ˚
xnu x n Ax
λx x2 . . . x n Ax xn 0 x n Ax x2 . . . x n Ax xn
Q. 3 On veut démontrer, par récurrence faible, la proposition suivante pour n ě 2
pPn q @A P Mn pCq, DU P Mn pCq unitaire, DT P Mn pCq triangulaire supérieure, telles que A “ UTU˚ .
Initialisation : Montrons que pP2 q est vérifié.
Soit A2 P M2 pCq. Elle admet au moins un élément propre pλ, u q (voir Proposition B.40 par ex.)
avec }u
u} “ 1. On peut donc appliquer le résultat de la question précédente : il existe une matrice
unitaire P2 P M2 pCq telle que la matrice B2 “ P2 A2 P˚2 ait comme premier vecteur colonne pλ, 0qt .
La matrice B2 est donc triangulaire supérieure et comme P2 est unitaire on en déduit
A2 “ P˚2 B2 P2 .
On pose U2 “ P˚2 matrice unitaire et T2 “ B2 matrice triangulaire supérieure pour conclure que la
propostion pP2 q est vraie.
Hérédité : Supposons que pPn´1 q soit vérifiée. Montrons que pPn q est vraie.
Soit An P Mn pCq. Elle admet au moins un élément propre pλ, u q (voir Proposition B.40 par ex.)
avec }u
unitaire Pn P Mn pCq telle que la matrice Bn “ Pn An P˚n s’écrivent
¨ ˛
λ c ˚n´1
˚ 0 ‹
˚ ‹
Bn “ ˚ . ‹
˝ .. An´1 ‚
0
Compiled on 2022/09/15 at 10:51:48

où cn´1 P Mn´1,1 pCq et An´1 P Mn´1 pCq. Par hypothèse de récurrence, DUn´1 P Mn´1 pCq unitaire
et Tn´1 P Mn´1 pCq triangulaire supérieure telles que
An´1 “ Un´1 Tn´1 U˚n´1
ou encore
Tn´1 “ U˚n´1 An´1 Un´1 .
Soit Qn P Mn pCq la matrice définie par
¨ ˛
1 0 ... 0
˚ 0 ‹
˚ ‹
Qn “ ˚ .. ‹.
˝ . Un´1 ‚
0
La matrice Qn est unitaire. En effet on a

¨ ˛
¨ ˛¨ ˛ 1 0 ... 0
1 0 ... 0 1 0 ... 0 ˚ 0 ‹
˚ 0 ‹˚ 0 ‹ ˚ ‹
˚ ‹˚ ‹ ˚ .. ‹
Qn Q˚n “ ˚ .. ‹˚ .. ‹“˚ . Un´1 U˚n´1 ‹ “ In .
˝ . Un´1 ‚˝ . U˚n´1 ‚ ˚
˚ looooomooooon ‹
‹
˝ ‚
“In´1
0 0
0
On note Tn la matrice définie par Tn “ Q˚n Bn Qn . On a alors

¨ ˛¨ ˛¨ ˛
1 0 ... 0 λ c ˚n´1 1 0 ... 0
˚ 0 ‹˚ 0 ‹˚ 0 ‹
˚ ‹˚ ‹˚ ‹
Tn “˚ .. ‹˚ .. ‹˚ .. ‹
˝ . U˚n´1 ‚˝ . An´1 ‚˝ . Un´1 ‚
0 0 0
¨ ˛
¨ ˛¨ ˛ λ c ˚n´1 U˚n´1
λ c ˚n´1 1 0 ... 0 ˚ ‹
˚ ‹˚ 0
˚ 0 ‹˚ 0 ‹ ˚ ‹
‹ ˚ .. ‹
“˚
˚ .. ‹˚
‹˝ .. ‹“˚ . U ˚
n´1 An´1 Un´1 “
‹
˝ . U˚n´1 An´1 ‚ . Un´1 ‚ ˚
˚ loooooooomoooooooon ‹
‹
˝ “Tn´1 ‚
0 0
0
La matrice Tn est donc triangulaire supérieure et on a par définition de Bn
Tn “ Q˚n Pn An P˚n Qn .
On note Un “ P˚n Qn . Cette matrice est unitaire car les matrices Qn et Pn le sont. En effet, on a
˚
Un U˚n “ P˚n Qn pP˚n Qn q “ P˚n lo Qo˚nn Pn “ P˚n Pn “ In .
Qonmo
“In
On a Tn “ U˚n An Un et en multipliant cette équation à gauche par Un et à droite par U˚n on

obtient l’équation équivalente An “ Un Tn U˚n . La propriété pPn q est donc vérifiée. Ce qui achève la
démonstration.
Q. 4 Résoudre Ax
x “ b est équivalent à résoudre
UTU˚x “ b . (3.4)
Comme U est unitaire, on a UU˚ “ I et U˚ inversible. Donc en multipliant (B.55) par U˚ on obtient le
système équivalent
˚ ˚ ˚ ˚ ˚
loUomoUon TU x “ U b ðñ TU x “ U b .
“I
˚x
On pose y “ U x . Le système précédant se résoud en deux étapes
Compiled on 2022/09/15 at 10:51:48

1. on cherche y solution de Tyy “ U˚b. Comme U est unitaire on a detpUq detpU˚ q “ detpIq “ 1 et donc
detpAq “ detpUTU˚ q “ detpUq detpTq detpU˚ q

“ detpTq
Or A inversible équivalent à detpAq ‰ 0 et donc la matrice T est inversible. La matrice T étant

triangulaire supérieure on peut résoudre facilement le système par la méthode de remontée.
2. une fois y déterminé, on résoud U˚x “ y . Comme U est unitaire, on obtient directement x “ Uyy .
˛
On tire de cet exercice le théorème suivant
Théorème 3.1: Décomposition de Schur
Soit A P Mn pCq. Il existe une matrice unitaire U et une matrice triangulaire supérieure T telles que
A “ UTU˚ (3.5)
Preuve. voir Exercice 3.1.2

Théorème 3.2: Réduction de matrices
1. Soit A P Mn pCq. Il existe une matrice unitaire U telle que U-1 AU soit triangulaire.
2. Soit A P Mn pCq une matrice normale. Il existe une matrice unitaire U telle que U-1 AU soit
diagonale.
3. Soit A P Mn pRq une matrice symétrique. Il existe une matrice orthogonale P telle que

P-1 AP soit diagonale.
Preuve. voir [1] Théorème 1.2-1 page 9
Exercice 3.1.3: Matrice d’élimination
Soit v P Cn avec v1 ‰ 0. On note Ervv s P Mn pCq la matrice triangulaire inférieure à diagonale unité
définie par ¨ ˛
1 0 ... ... 0
˚ ´v2 {v1 1 0 . . . 0 ‹
˚ ‹
˚ .. .. .. .. ‹
rv
vs ˚ . . . ‹ (3.6)
E “˚ . 0 ‹
˚ ‹
˚ .. .. . . . . ‹
˝ . . . . 0 ‚
´vn {v1 0 . . . 0 1
Q. 1 1. Calculer le déterminant de Ervv s .
2. Déterminer l’inverse de Ervv s .
A P Mn pCq avec A1,1 ‰ 0. On note A :,j le j-ème vecteur colonne de A et A i,: son i-ème vecteur
ligne. On pose A 1 “ A :,1 .
Q. 2 1. Calculer Ã “ ErA
A1 s
A en fonction des vecteurs lignes de A.
t
2. Montrer que la première colonne de Ã est le vecteur pA1,1 , 0, . . . , 0q i.e.
ErA
A1 s
Aee1 “ A1,1e 1 (3.7)
où e 1 est le premier vecteur de la base canonique de Cn .

Soit m P N˚ . On note Erm,vv s P Mm`n pCq la matrice triangulaire inférieure à diagonale unité définie
Compiled on 2022/09/15 at 10:51:48

par ˆ ˙
Im O
Erm,vv s “ (3.8)
O Ervv s
Q. 3 1. Calculer le déterminant de Erm,vv s .
2. Déterminer l’inverse de Erm,vv s en fonction de l’inverse de Ervv s .

Soit C la matrice bloc définie par ˆ ˙
C1,1 C1,2
C“
O A
où C1,1 P Mm pCq et C1,2 P Mm,n pCq.
Q. 4 Déterminer la matrice produit Erm,A
A1 s
C en fonction des matrices C1,1 , C1,2 et Ã.

Q. 1 1. La matrice Ervv s est triangulaire : son déterminant est donc le produit de ses éléments diago-
naux (voir Proposition B.53, page 209). On a alors detpErvv s q “ 1.
2. Pour calculer son inverse qui existe puisque detpErvv s q ‰ 0, on écrit Ervv s sous forme bloc :
¨ ˛
1 0 ... 0
˚ ‹
Ervv s “ ˚
˝ e
‹
‚
In´1
t
avec e “ p´v2 {v1 , . . . , ´vn {v1 q P Cn´1 On note X P Mn pCq son inverse qui s’écrit avec la même
structure bloc ¨ ˛
a b˚
˚ ‹
X“˚ ˝ c
‹
‚
avec a P K, b P Kn´1 , c P Kn´1 et D P Mn´1 pCq.

La matrice X est donc solution de Ervv s X “ I. Grace à l’écriture bloc des matrices on en déduit
rapidement la matrice X. En effet, en utilisant les produits blocs des matrices, on obtient
¨ ˛¨ ˛ ¨ ˛
1 0 tn´1 a b˚ 1â 1 ˆ b ˚ ` 0 tn´1 ˆ D
˚ ‹˚ ‹ ˚ ‹
Ervv s X “ ˚
˝ e
‹˚
‚ ˝
‹“˚
‚ ˝ ˚
‹
‚
In´1 c D eâÌ ˆc e ˆb Ì
n´1 ˆD n´1
¨ ˛
a b˚
˚ ‹
“˚ ‹
˝ aee ` c ˚
eb ` D ‚
Comme X est l’inverse de Ervv s , on a Ervv s X “ I et donc en écriture bloc

¨ ˛ ¨ ˛
a b˚ 1 0 tn´1
˚ ‹ ˚ ‹
˚ ‹“˚ ‹.
˝ aee ` c eb ˚ ` D ‚ ˝ 0 n´1 In´1 ‚
Ceci revient à résoudre les 4 équations

a “ 1, b ˚ “ 0 tn´1 , aee ` c “ 0 n´1 et eb ˚ ` D “ In´1
qui donnent immédiatement a “ 1, b “ 0 n´1 , c “ ée et D “ In´1 . On obtient le résultat suivant
¨ ˛¨ ˛
1 0 ... 0 1 0 ... 0
˚ ‹˚ ‹
˚ ‹˚ ‹ “ In .
˝ ée In´1 ‚˝ e In´1 ‚
Compiled on 2022/09/15 at 10:51:48

Il aurait été plus rapide d’utiliser la Proposition B.54, page 209.
Q. 2 1. Pour simplifier les notations, on note E “ ErA A1 s

. Par définition du produit de deux matrices
on a
n
ÿ
Ãi,j “ Ei,k Ak,j , @pi, jq P v1, nw2 .
k“1
Quand i “ 1, on a par construction E1,k “ δ1,k et donc
Ã1,j “ A1,j , @j P v1, nw ðñ Ã 1,: “ A 1,: . (3.9)
Pour i ě 2, on a Ei,1 “ ´ vv1i et Ei,k “ δi,k , @k P v2, nw. On obtient alors pour tout j P v1, nw
n
ÿ ÿn
vi vi
Ãi,j “ Ei,1 A1,j ` Ei,k Ak,j “ ´ A1,j ` δi,k Ak,j “ ´ A1,j ` Ai,j
k“2
v1 k“2
v 1
ce qui donne pour tout i P v2, nw

vi vi
Ãi,j “ Ai,j ´ A1,j , @j P v1, nw ðñ Ã i,: “ ´ A 1,: ` A i,: (3.10)
v1 v1

En conclusion, la matrice Ã s’écrit
¨ ˛
A 1,:
˚ A 2,: ´ pv2 {v1 qA
A1,: ‹
˚ ‹
Ã “ ˚
˚ ..
‹
‹
˝ . ‚
A n,: ´ pvn {v1 qA
A1,:

2. De (3.9), on tire Ã1,1 “ A1,1 . A partir de (3.10) on obtient pour tout i P v2, nw, Ãi,1 “ Ai,1 ´ vv1i A1,1 .
Par construction vj “ Aj,1 pour tout j P v1, nw, ce qui donne Ãi,1 “ 0.
t
La première colonne de Ã est p1, 0, . . . , 0q .
Q. 3 1. La matrice Erm,vv s est triangulaire inférieure. Son déterminant est donc le produit de ses
éléments diagonaux. Comme cette matrice est à diagonale unité (i.e. tous ses éléments diagonaux
valent 1 ), on obtient det Erm,vv s “ 1.
Une autre manière de le démontrer. On peut voir que la matrice Erm,vv s est bloc-diagonale. D’après
la Proposition B.54, page 209, son déterminant est le produit des déterminant des blocs diagonaux
: det Erm,vv s “ det Im ˆ det Ervv s “ 1.
2. On note X l’inverse de la matrice Erm,vv s . Cette matrice s’écrit avec la même structure bloc
ˆ ˙
X1,1 X1,2
X“ avec X1,1 P Mm pCq et X2,2 P Mn pCq
X2,1 X2,2
On a donc XErm,vv s “ Im`n c’est à dire en écriture bloc

ˆ ˙ˆ ˙ ˆ ˙
X1,1 X1,2 Im O Im O
rv
vs “ “
X2,1 X2,2 O E O In
On doit donc résoudre les 4 équations suivantes :
X1,1 Im “ Im , X1,2 In “ O, X2,1 Im “ O et X2,2 Ervv s “ In .
Comme la matrice Ervv s est inversible, on obtient

˜ ¸
Im O
X“ ` rvv s ˘-1
O E
Compiled on 2022/09/15 at 10:51:48

Plus rapidement, comme la matrice Erm,vv s est bloc-diagonale, on en déduit (voir Proposition B.54,
page 209) directement le résultat.
Q. 4 Le produit Erm,vv s C peut s’effectuer par bloc car les blocs sont de dimensions compatibles et on a
ˆ ˙ˆ ˙ ˆ ˙
Im Om,n C1,1 C1,2 Im C1,1 ` Om,n On,m Im C1,2 ` Om,n A
Erm,vv s C “ “
On,m E On,m A On,m C1,1 ` EOn,m On,m C1,2 ` EA
ˆ ˙ ˜ ¸
C1,1 C1,2 C1,1 C1,2
“ “
On,m EA On,m Ã
˛
On tire de cet exercice le lemme suivant
Lemme 3.3
Soit A P Mn pCq avec A1,1 ‰ 0. Il existe une matrice E P Mn pCq triangulaire inférieure à diagonale
unité telle que
EAee1 “ A1,1e 1 (3.11)
où e1 est le premier vecteur de la base canonique de Cn .
Exercice 3.1.4: Matrice de permutation
ri,js
Soit pi, jq P v1, nw2 , on note Pn P Mn pRq la matrice identitée dont on a permuté les lignes i et j.
Q. 1 Représenter cette matrice et la définir proprement.
Soit A P Mn pCq.On note A r,: le r-ème vecteur ligne de A et A :,s le s-ème vecteur colonne de A.
ri,js
Q. 2 1. Déterminer Pn A en fonction des vecteurs lignes de A.
ri,js
2. Déterminer APn en fonction des vecteurs colonnes de A.
ri,js
Q. 3 1. Calculer le déterminant de Pn .
ri,js
2. Déterminer l’inverse de Pn .
ri,js
Correction Exercice 3.1.4 On note P “ Pn .
Q. 1 On peut définir cette matrice par ligne,
$
& @r P v1, nwzti, ju, Pr,s “ δr,s , @s P v1, nw,
Pi,s “ δj,s , @s P v1, nw,
%
Pj,s “ δi,s , @s P v1, nw.
ou par colonne $
& @s P v1, nwzti, ju, Pr,s “ δr,s , @r P v1, nw,
Pr,i “ δr,j , @r P v1, nw,
%
Pr,j “ δr,i , @r P v1, nw.
ri,js
Ne pas utiliser les indices i et j qui sont déjà fixés dans la définition de la matrice P “ Pn .
On peut noter que la matrice P est symétrique.
Q. 2 1. On note D “ PA. Par définition du produit matriciel on a

n
ÿ
Dr,s “ Pr,k Ak,s .
k“1
Compiled on 2022/09/15 at 10:51:48

On obtient, @s P v1, nw,

$ n
’ ÿ
’
’ Dr,s “ δr,k Ak,s “ Ar,s , @r P v1, nwzti, ju,
’
’
’
’ k“1
’
& ÿn
Di,s “ δj,k Ak,s “ Aj,s ,
’
’
’
’ k“1
n
’
’ ÿ
’
’ “ δi,k Ak,s “ Ai,s .
% Dj,s
k“1
ce qui donne $
& D r,: “ A r,: , @r P v1, nwzti, ju,
D i,: “ A j,: ,
%
D j,: “ A i,: .
La notation D i,: correspond au vecteur ligne pDi,1 , . . . , Di,n q et D :,j correspond au vecteur
¨ ˛
D1,j
colonne ˝ ... ‚
˚ ‹
Dn,j

2. On note E “ AP. Par définition du produit matriciel et par symétrie de P on a
n
ÿ n
ÿ
Er,s “ Ar,k Pk,s “ Ar,k Ps,k .
k“1 k“1
ri,js
Ne pas utiliser les indices i et j qui sont déjà fixés dans la définition de la matrice P “ Pn .

On obtient en raisonnant par colonne, @r P v1, nw,
$ n
’ ÿ
’
’ E “ Ar,k δs,k “ Ar,s , @s P v1, nwzti, ju,
’
’ r,s
’
’ k“1
’
& ÿn
Er,i “ Ar,k δj,k “ Ar,j ,
’
’
’
’ k“1
n
’
’ ÿ
’
’ E “ Ar,k δi,k “ Ar,i .
% r,j
k“1
ce qui donne $
& E :,s “ A :,s , @s P v1, nwzti, ju,
E :,i “ A :,j ,
%
E :,j “ A :,i .
Q. 3 1. detpPq “ ´1, si i ‰ j et detpPq “ 1 sinon.

2. Immédiat par calcul direct on a PP “ I et donc la matrice P est inversible et P-1 “ P.
˛
On tire de cet exercice le lemme suivant
Lemme 3.4
ri,js
Soit pi, jq P v1, nw2 . On note Pn P Mn pRq la matrice identitée dont on a permuté les lignes i et j.
ri,js
Alors la matrice Pn est symétrique et orthogonale. Pour toute matrice A P Mn pKq,
ri,js
1. la matrice Pn A est la matrice A dont on a permuté les lignes i et j,
ri,js
2. la matrice APn est la matrice A dont on a permuté les colonnes i et j,
Compiled on 2022/09/15 at 10:51:48

3.1.3 Méthode de Gauss-Jordan, écriture matricielle
Soient A P MK p) une matrice inversible et b P Kn .

On va tout d’abord rappeller (très) brièvement l’algorithme d’élimination ou algorithme de Gauss-
Jordan permettant de transformer le système linéaire Ax x “ b en un système linéaire équivalent dont la
matrice est triangulaire supérieure. Ce dernier système se résoud par la méthode de remontée.
Ensuite, on va réécrire cet algorithme sous forme algébrique pour obtenir le théorème ...
Cette méthode doit son nom aux mathématiciens Carl Friedrich Gauss (1777-1855, mathémati-
cien, astronome et physicien allemand) et Wilhelm Jordan (1842-1899, mathématicien et géodésien
allemand) mais elle est connue des Chinois depuis au moins le Ier siècle de notre ère. Elle est
référencée dans l’important livre chinois Jiuzhang suanshu ou Les Neuf Chapitres sur l’art mathé-
matique, dont elle constitue le huitième chapitre, sous le titre « Fang cheng » (la disposition rect-
angulaire). La méthode est présentée au moyen de dix-huit exercices. Dans son commentaire daté
de 263, Liu Hui en attribue la paternité à Chang Ts’ang, chancelier de l’empereur de Chine au IIe
siècle avant notre ère.
Algorithme de Gauss-Jordan usuel
Pour la résolution du système linéaire Ax x “ b l’algorithme de Gauss-Jordan produit la forme échelon-

née (réduite) d’une matrice à l’aide d’opérations élémentaires sur les lignes du système. Trois types
d’opérations élémentaires sont utilisées:
‚ Permutation de deux lignes ;
‚ Multiplication d’une ligne par un scalaire non nul ;
‚ Ajout du multiple d’une ligne à une autre ligne.
A l’aide de ces opérations élémentaires cet algorithme permet donc de transformer le système linéaire
Axx “ b en le système équivalent Ux x “ f où U est triangulaire supérieure. En fait, l’algorithme va
transformer la matrice A et le second membre b pour aboutir à un système dont la matrice est triangulaire
supérieure.
Algorithme 3.4 Algorithme de Gauss-Jordan formel pour la résolution de Ax

x“b
1: Pour j Ð 1 à n ´ 1 faire
2: Rechercher l’indice k de la ligne du pivot (sur la colonne j, k P vj, nw)
3: Permuter les lignes j (Lj ) et k (Lk ) du système si besoin.
4: Pour i Ð j ` 1 à n faire
Ai,j
5: Eliminer en effectuant Li Ð Li ´ Aj,j Lj
6: Fin Pour
7: Fin Pour
8: Résoudre le système triangulaire supérieur par la méthode de la remontée.
On va maintenant voir comment écrire cet algorithme de manière plus détaillée. Pour conserver sa
lisibilité, on choisi pour chaque ligne un peu délicate de créer et d’utiliser une fonction dédiée à cette
tâche.
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.5 Algorithme de Gauss-Jordan avec fonctions pour la résolution de Ax

x“b
Données : A : matrice de Mn pKq inversible.
b : vecteur de Kn .
Résultat : x : vecteur de Kn .
1: Fonction x Ð RSLGauss ( A, b )
2: Pour j Ð 1 à n ´ 1 faire
3: k Ð ChercheIndPivot pA, jq Ź ChercheIndPivot à écrire
4: rA, b s Ð PermLignesSys pA, b , j, kq Ź PermLignesSys à écrire
6: rA, b s Ð CombLignesSys pA, b , j, i, Ápi, jq{Apj, jqq Ź CombLignesSys à écrire
7: Fin Pour
8: Fin Pour
9: x Ð RSLTriSuppA, b q Ź RSLTriSup déjà écrite
10: Fin Fonction
Bien évidemment, il reste à décrire et écrire les différentes fonctions utilisées dans cette fonction :

Fonction k Ð ChercheIndPivotpA, jq : recherche k P vj, nw tel que @l P vj, nw, |Al,j | ď |Ak,j |.
Fonction rA, b s Ð PermLignesSyspA, b , i, kq : permute les lignes i et k de la matrice A ainsi que celles
du vecteur b .
Fonction rA, b s Ð CombLignesSyspA, b , j, i, αq : remplace la ligne i de la matrice A par la combinaison

linéaire Li Ð Li ` αLj . De même on remplace la ligne i de b par bi ` αbj .
Ces trois fonctions sont simples à écrire et sont données en Algorithmes 3.6, 3.7 et 3.8.
Algorithme 3.8 Combinaison linéaire Li Ð Li `
Algorithme 3.6 Recherche d’un pivot pour

Algorithme 3.7 Permutte deux lignes d’une ma- αLj appliqué à une matrice et à un vecteur.
l’algorithme de Gauss-Jordan.
trice et d’un vecteur. Données : A : matrice de Mn pKq.
Données : A : matrice de Mn pKq.
Données : A : matrice de Mn pKq. b : vecteur de Kn .
j : entier, 1 ď j ď n.
b : vecteur de Kn . j, i : entiers, 1 ď j, i ď n.
Résultat : k : entier, indice ligne pivot j, k : entiers, 1 ď j, k ď n. alpha : scalaire de K
Résultat : A et b modifiés. Résultat : A et b modifiés.
1: Fonction k Ð ChercheIndPivot ( A, j )
2: k Ð j, pivot Ð |Apj, jq|
1: Fonction rA, b s Ð PermLignesSys ( A, b , j, k ) 1: Fonction rA, b s Ð CombLignesSys ( A, b , j, i, α
2: Pour l Ð 1 à n faire )
4: Si |Api, jq| ą pivot alors
3: t Ð Apj, lq, Apj, lq Ð Apk, lq, Apk, lq Ð t 2: Pour k Ð 1 à n faire
5: k Ð i, pivot Ð |Api, jq|
4: Fin Pour 3: Api, kq Ð Api, kq ` α ˚ Apj, kq
6: Fin Si
5: t Ð b pjq, b pjq Ð b pkq, b pkq Ð t 4: Fin Pour
7: Fin Pour
6: Fin Fonction 5: b piq Ð b piq ` αbbpjq
8: Fin Fonction
6: Fin Fonction
Ecriture algébrique
Sous forme d’exercice :
Exercice 3.1.5
Soit A P Mn pCq inversible.
Q. 1 Montrer qu’il existe une matrice G P Mn pCq telle que | detpGq| “ 1 et GAee1 “ αee1 avec α ‰ 0
et e 1 premier vecteur de la base canonique de C n .
Q. 2 1. Montrer par récurrence sur l’ordre des matrices que pour toute matrice An P Mn pCq
inversible, il existe une matrice Sn P Mn pCq telle que | det Sn | “ 1 et Sn An “ Un avec Un
matrice triangulaire supérieure inversible.
2. Soit b P Cn . En supposant connue la décompostion précédente Sn An “ Un , expliquer comment

résoudre le système Anx “ b .
Q. 3 Que peut-on dire si A est non inversible?

Indication : utiliser les résultats des exercices 3.1.3 et 3.1.4.
Compiled on 2022/09/15 at 10:51:48

Q. 1 D’après le Lemme 3.3, si A1,1 ‰ 0 le résultat est immédiat. Dans l’énoncé rien ne vient corroborer
cette hypothèse. Toutefois, comme la matrice A est inversible, il existe au moins un p P v1, nw tel que
Ap,1 ‰ 0. On peut même choisir le premier indice p tel que |Ap,1 | “ maxiPv1,nw |Ai,1 | ą 0 (pivot de
r1,ps
l’algorithme de Gauss-Jordan). On note P “ Pn la matrice de permutation des lignes 1 et p (voir
exercice 3.1.4, page 66). De plus on a
| det P| “ 1 et P-1 “ P.
Par construction pPAq1,1 “ Ap,1 ‰ 0, et on peut alors appliquer le Lemme 3.3 à la matrice pPAq pour
obtenir l’existence d’une matrice E P Mn pCq vérifiant det E “ 1 et telle que
EpPAqee1 “ Ap,1e 1 .
En posant G “ EP et α “ Ap,1 , on obtient bien GAee1 “ αee1 . De plus, on a
| det G| “ | detpEPq| “ | det E ˆ det P| “ 1.
Remarque 3.5 La matrice G étant inversible, on a

x “ b ðñ GAx
Ax x “ Gbb
ce qui correspond à la première permutation/élimination de l’algorithme de Gauss-Jordan.
Q. 2 1. On veut démontrer par récurrence la propriété pPn q,

"
@An P Mn pCq, inversible DSn P Mn pCq, | det Sn | “ 1, tel que
pPn q
la matrice Un “ Sn A soit une triangulaire supérieure inversible
Initialisation : Pour n “ 2. Soit A2 P M2 pCq inversible. En utilisant la question précédente il

existe G2 P M2 pCq telle que | det G2 | “ 1 et G2 A2e 1 “ αee1 avec α ‰ 0 et e 1 premier vecteur de
la base canonique de C2 . On note U2 “ G2 A2 . Cette matrice s’écrit donc sous la forme
ˆ ˙
α ‚
U2 “
0 ‚
et elle est triangulaire supérieure. Les matrices G2 et A2 étant inversible, leur produit U2 l’est
aussi. La proposition pP2 q est donc vérifiée avec S2 “ G2 .
Hérédité : Soit n ě 3. On suppose que pPn´1 q est vraie. Montrons que pPn q est vérifiée.
Soit An P Mn pCq inversible. En utilisant la question précédente il existe Gn P Mn pCq telle
que | det Gn | “ 1 et Gn Ane 1 “ αne 1 avec αn ‰ 0 et e 1 premier vecteur de la base canonique
de Cn . On note Vn “ Gn An . Cette matrice s’écrit donc sous la forme
¨ ˛ ¨ ˛
αn ‚ ... ‚ αn c ˚n´1
˚ 0 ‚ ... ‚ ‹ ˚ 0 ‹
˚ ‹ def ˚ ‹
Vn “ ˚ .. .. .. ‹“˚ .. ‹
˝ . . . ‚ ˝ . Bn´1 ‚
0 ‚ ... ‚ 0
où c n´1 P Cn´1 et Bn´1 P Mn´1 pCq. Comme Gn et An sont inversibles, Vn l’est aussi. On en
déduit donc que Bn´1 est inversible car 0 ‰ det Vn “ αn ˆ det Bn´1 et αn ‰ 0.
On peut donc utiliser la propriété pPn´1 q (hyp. de récurrence) sur la matrice Bn´1 : il existe
donc Sn´1 P Mn´1 pCq, avec | det Sn´1 | “ 1, tel que la matrice Un´1 “ Sn´1 Bn´1 soit une
triangulaire supérieure inversible.
¨ ˛
1 0 ... 0
˚ 0 ‹
˚ ‹
Qn “ ˚ .. ‹
˝ . Sn´1 ‚
0
Compiled on 2022/09/15 at 10:51:48

On a alors
¨ ˛¨ ˛
1 0 ... 0 αn c ˚n´1
˚ 0 ‹˚ 0 ‹
˚ ‹˚ ‹
Qn Gn An “ Qn Vn “ ˚ .. ‹˚ .. ‹
˝ . Sn´1 ‚˝ . Bn´1 ‚
0 0
¨ ˛ ¨ ˛
αn c˚n´1 αn c˚n´1
˚ 0 ‹ ˚ 0 ‹
˚ ‹ ˚ ‹ def
“˚ .. ‹“˚ . ‹ “ Un
˝ . Sn´1 Bn´1 ‚ ˝ .. Un´1 ‚
0 0
La matrice Un est triangulaire supérieure inversible car Un´1 l’est aussi et αn ‰ 0.

On pose Sn “ Qn Gn . On a donc Sn An “ Un et comme | det Sn | “ 1 car | det Gn | “ 1 et
det Gn “ 1, ceci prouve la véracité de la proposition pPn q.
2. Comme Sn est inversible, on a en multipliant à gauche le système par Sn
Anx “ b ðñ Sn Anx “ Snb ðñ Unx “ Snb
Pour déterminer le vecteur x , on peut alors résoudre le dernier système par l’algorithme de remontée.
Q. 3 (rapide) Si A est non inversible, alors dans la première question nous ne sommes pas assurés d’avoir
α ‰ 0. Cependant l’existence de la matrice G reste avérée.
3.1.4 Factorisation LU
Pour la deuxième question, le seule changement vient du fait que la matrice Un n’est plus inversible.
˛
On a donc démontré le théorème suivant

Théorème 3.6
Soit A une matrice carrée, inversible ou non. Il existe (au moins) une matrice inversible G telle que
GA soit triangulaire supérieure.
Preuve. voir Exercice 3.1.5, page 69.
Avant de citer le théorème principal, on va faire un "petit" exercice...
Exercice 3.1.6:
Soit A P Mn pCq une matrice dont les sous-matrices principales d’ordre i, notées ∆i , i P v1, nw (voir
Definition B.48, page 207) sont inversibles.
Montrer qu’il existe des matrices Erks P Mn pCq, k P v1, n ´ 1w, triangulaires inférieures à diagonale
unité telles que la matrice U définie par
U “ Ern´1s ¨ ¨ ¨ Er1s A
soit triangulaire supérieure avec Ui,i “ det ∆i {pU1,1 ˆ ¨ ¨ ¨ ˆ Ui´1,i´1 q, @i P v1, nw.

On note Ar0s “ A. On va démontrer par récurrence finie sur k P v1, n ´ 1w, qu’il existe une matrice
E P Mn pCq, tel que la matrice Arks définie itérativement par
rks
Arks “ Erks Ark´1s
Compiled on 2022/09/15 at 10:51:48

s’écrit sous la forme bloc ¨ ˛

α1 ‚ ¨¨¨ ‚ ‚ ¨¨¨ ‚
˚ .. .. . .. .. ‹
˚
˚ 0 . . .. . . ‹
‹
˚ .. .. .. .. .. ‹
˚ . . ‚ ‹
˚ . . . ‹
˚ ‹
rks ˚ 0 ... 0 αk ‚ ¨¨¨ ‚ ‹
A “˚ ‹ (3.12)
˚ 0 ... ... 0 ‚ ¨¨¨ ‚ ‹
˚ ‹
˚ .. .. .. . .. .. ‹
˚ . . . .. . . ‹
˚ ‹
˚ .. .. .. . .. .. ‹
˝ . . . .. . . ‚
0 ... ... 0 ‚ ¨¨¨ ‚
avec α1 “ A1,1 et @i P v2, kw, αi “ det ∆i {pα1 ˆ ¨ ¨ ¨ ˆ αi´1 q.
Initialisation pk “ 1q: On a A1,1 ‰ 0 car ∆1 “ A1,1 et det ∆1 ‰ 0. D’après le Lemme 3.3, il existe une
matrice Er1s P Mn pCq, triangulaire inférieure à diagonale unité telle que Er1s Aee1 “ A1,1e 1 où e 1 est
le premier vecteur de la base canonique de Cn . On a alors
¨ ˛
α1 ‚ ¨ ¨ ¨ ‚
˚ 0 ‚ ¨¨¨ ‚ ‹
˚ ‹
Ar1s “ Er1s A “ ˚ . .. .. ‹
˝ .. . . ‚
0 ‚ ¨¨¨ ‚
avec α1 “ A1,1 “ det ∆1 .
Hérédité pk ă n ´ 1q: Supposons construite la matrice Arks . Il existe donc k matrices, Er1s , . . . , Erks ,
triangulaires inférieures à diagonale unité telles que

Arks “ Erks ¨ ¨ ¨ Er1s A.
def rks
‚ On va montrer que αk`1 “ Ak`1,k`1 ‰ 0. Pour celà, on réécrit la matrice Arks sous forme bloc,
avec comme premier bloc diagonale le bloc de dimension k ` 1 :

k`1
¨ ˛
α1 ‚ ¨¨¨ ‚ ‚ ‚ ¨¨¨ ‚
˚ .. .. .. .. .. ‹
˚
˚ 0 . . . ‚ . . ‹
‹
˚ .. .. .. .. .. ‹
˚
˚ . . . ‚ ‚ . .
‹
‹
.. ..
˚ ‹
rks
A
˚ ‹
“˚ 0 ... 0 αk ‚ . ¨¨¨ .
‹
˚ ‹
˚
˚ 0 ... ... 0 αk`1 ‚ ¨¨¨ ‚ ‹
‹
˚
˚ 0 ¨¨¨ ¨¨¨ 0 ‚ ‚ ¨¨¨ ‚ ‹
‹
˚ .. .. .. .. ‹
˝ . . ‚ . . ‚
0 ... ... 0 ‚ ‚ ¨¨¨ ‚
def
La matrice Grks “ Erks ¨ ¨ ¨ Er1s est triangulaire inférieure à diagonale unité car produit de
matrices triangulaires inférieures à diagonale unité (voir Exercice B.3.2, page 214). Le produit
de Grks A s’écrit alors sous forme bloc
k`1
¨
1 0 ¨¨¨ 0 0 ¨¨¨ ¨¨¨ 0
˛ k`1
. .. .. .. ..
‚ ..
˚ ‹¨
˚
˚ . . . .
‹
‹ ‚ ¨¨¨ ‚
˛
˚ .. . . .. .. ..
‹˚ .. .. ‹
˚
˚ . . . 0 . .
‹˚
‹˚ ∆k`1 . . ‹
‹
‚ ... 1 0 ¨¨¨ 0
˚ ‹˚
‚ ¨¨¨ ‚ ¨¨¨ ‚
Grks A “ ˚
˚ ‹˚ ‹
‹
‚ ... ... 1 0 0
‹˚
˚ ‚ ¨¨¨ ‹˚ ‚ ¨¨¨ ‚ ‚ ¨¨¨ ‚ ‹
‹
.. . . .. .. . .. .. .. .. .. ..
˚ ‹˚
‚ ..
‹
. . .
˚ ‹˝
˚
˚ . . .‹
‹ . . . . ‚
˚ .. . . .. .. .. . . .. ‹ ‚ ¨¨¨ ‚ ‚ ¨¨¨ ‚
˝ . . . . . . . 0 ‚
‚ ... ... ‚ ‚ ¨¨¨ ‚ 1
Compiled on 2022/09/15 at 10:51:48

Comme Arks “ Grks A, en utilisant les règles de multiplication par blocs des matrices on obtient
¨ ˛
α1 ‚ ¨ ¨ ¨ ‚ ‚ ¨ ˛
˚ . ‹ 1 0 ¨¨¨ 0 ¨
˚0 . .
. . . . .. .‹
˛
˚ ‚ ‹ ˚
‹ ˚‚ . . . . . . .. ‹
˚ . . ‹“˚ ‹ ˝ ∆k`1 ‚
˚ .. .. ... ‚ ‚ ‹‹ ˝ ... . . . . . . 0‚
˚ ‹
˚
˝ 0 . . . 0 αk ‚ ‚
‚ ... ‚ 1
0 . . . . . . 0 αk`1
En prenant le déterminant de cette dernière équation, et en utilisant le fait que le determinant
d’une matrice triangulaire est le produit de ses coefficients diagonaux, on obtient
k`1
ź
αi “ det ∆k`1 .
i“1
Par hypothèse ∆k`1 inversible , ce qui entraine det ∆k`1 ‰ 0 et donc αi ‰ 0, @i P v1, k ` 1w.
On a donc
det ∆k`1
αk`1 “ k
‰ 0.
ź
αi
i“1
• Montrons l’existence d’une matrice triangulaire inférieure à diagonale unité permettant d’éliminer
les termes sous diagonaux de la colonne k ` 1 de Arks .
Revenons à l’écriture bloc de premier bloc diagonal de dimension k. On a
¨ ˛
α1 ‚ ¨ ¨ ¨ ‚ ‚ ¨¨¨ ¨¨¨ ‚
˚ 0 . . . . . . ... .. .. ‹
˚
˚ . . ‹ ‹
˚ . . .. .. .. ‹
˚ . . . . ‚ ‹
˚ . . . ‹ ˜ ¸
˚ ‹
˚ 0 . . . 0 αk ‚ ¨ ¨ ¨ ¨ ¨ ¨ ‚ ‹ def Urks Frks

rks
A “˚ ‹“
˚ 0 . . . . . . 0 αk`1 ‚ ¨ ¨ ¨ ‚ ‹ O Vrks
˚ ‹
˚ .. . . . . .. ‹
˚ . . . . ‚ ¨¨¨ ¨¨¨ ‚ ‹
˚ ‹
˚ . . . . .. ‹
˝ .. . . . . . .. .. . ‚
0 ... ... 0 ‚ ¨¨¨ ¨¨¨ ‚
Nous sommes exactement dans le cas de figure étudié dans l’exercice 3.1.3, page 63. En effet,
rks rks rks t
avec les notations de cet exercice et si l’on pose v “ V:,1 “ pAk`1,k`1 , . . . , An,k`1 q P Cn´pk`1q
rks
(en bleu dans l’expression de Arks précédente) on a alors v1 “ Ak`1,k`1 “ αk`1 ‰ 0 et l’on
peut définir la matrice Erk`1s P Mn pCq, triangulaire inférieure à diagonale unité, par
ˆ ˙
def Ik O
Erk`1s “ Erk,vv s “
O Ervv s
avec Ervv s P Mn´k pCq triangulaire inférieure à diagonale unité (définie dans l’exercice 3.1.3)
telle que ¨ ˛
αk`1 ‚ ¨ ¨ ¨ ‚
˚ .. .. ‹
˚ 0 . .‹
Ervv s Vrks “ ˚
˚ . .
‹
.. ‹
˝ .. .. .‚
0 ‚ ¨¨¨ ‚
On a alors
ˆ ˙˜ ¸
rk`1s def rk`1s rks Ik O Urks Frks
A “E A “
O Ervv s O Vrks
˜ ¸
Urks Frks
“
O Ervv s Vrks
et donc Ark`1s s’écrit bien sous la forme (3.12) au rang k ` 1.
Compiled on 2022/09/15 at 10:51:48

Final pk “ n ´ 1q: On a donc

¨ ˛
α1 ‚ ¨¨¨ ¨¨¨ ‚
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹
ˆ ¨¨¨ ˆ E ˆ A “ ˚ ‹
def
U “ Arn´1s “E rn´1s r1s
˚ .. .. .. .. .. ‹ (3.13)
˚ . . . . . ‹
˝ 0 ¨ ¨ ¨ 0 αn´1 ‚ ‚
0 ¨¨¨ ¨¨¨ 0 ‚
où pour tout k P v1, n ´ 1w les matrices Erks sont triangulaires inférieures à diagonale unité.
Pour achever l’exercice, il reste à démontrer que
Un,n “ det ∆n {pU1,1 ˆ ¨ ¨ ¨ ˆ Un´1,n´1 q.
En effet, en prenant le déterminant dans (3.13) on obtient

¨ ˛
U1,1 ‚ ¨¨¨ ¨¨¨ ‚
˚ .. .. .. ‹
˚ 0 . . . ‹
´ ¯ ˚ ‹
rn´1s r1s ˚ ‹
det E ˆ ¨ ¨ ¨ ˆ E ˆ A “ det ˚ .. .. .. .. .. ‹
˚ . . . . . ‹
˚ ‹
˝ 0 ¨ ¨ ¨ 0 Un´1,n´1 ‚ ‚
0 ¨¨¨ ¨¨¨ 0 Un,n
Comme le déterminant d’un produit de matrices est égale au produit des déterminants des matrices on a
´ ¯
det Ern´1s ˆ ¨ ¨ ¨ ˆ Er1s ˆ A “ det Ern´1s ˆ ¨ ¨ ¨ ˆ det Er1s ˆ det A
“ det A
car les matrices Erks sont triangulaires inférieures à diagonale unité et donc det Erks “ 1, @k P v1, n ´ 1w.
De plus, le déterminant d’une matrice traingulaire supérieure est égale au produit de ses coefficients
diagonaux et donc
¨ ˛
U1,1 ‚ ¨ ¨ ¨ ¨¨¨ ‚
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹ n´1
ź
˚ . .. ‹
det ˚ . .. .. .. ‹ “ Un,n U k, k.
˚ . . . . . ‹
˚ ‹ k“1
˝ 0 ¨ ¨ ¨ 0 Un´1,n´1 ‚ ‚
0 ¨¨¨ ¨¨¨ 0 Un,n
On a alors
n´1
ź
det A “ det ∆n “ Un,n U k, k ‰ 0.
k“1
˛
Théorème 3.7: Factorisation LU
Soit A P Mn pCq une matrice dont les sous-matrices principales sont inversibles alors il existe une
unique matrice L P Mn pCq triangulaire inférieure (lower triangular en anglais) à diagonale unité
et une unique matrice U P Mn pCq triangulaire supérieure (upper triangular en anglais) inversible
telles ques
A “ LU.
Preuve. Nous allons voir deux méthodes pour démontrer l’existence.

méthode 1 En utilisant le résultat de l’exercice 3.1.6, il existe des matrices Erks P Mn pCq, k P v1, n ´ 1w,
triangulaires inférieures à diagonale unité telles que la matrice U définie par
U “ Ern´1s ¨ ¨ ¨ Er1s A
Compiled on 2022/09/15 at 10:51:48

soit triangulaire supérieure avec Ui,i ‰ 0, @i P v1, nw. On pose G “ Ern´1s ¨ ¨ ¨ Er1s . La matrice G
est donc aussi triangulaire inférieure à diagonale unité. Elle est donc inversible est son inverse est
triangulaire inférieure à diagonale unité (voir Proposition B.46, page 207). En notant L “ G-1 on
a A “ LU.
méthode 2 Nous allons effectuer une démonstration par récurrence sur l’ordre n de la matrice A.
Propriété: Pour tout n P N˚ , si une matrice A P Mn pCq a toutes ses sous-
matrices principales inversibles alors il existe une unique matrice L P Mn pCq
triangulaire inférieure à diagonale unité et une unique matrice U P Mn pCq
triangulaire supérieure inversible telles ques A “ LU.
Initialisation: Pour n “ 1, c’est trivial L “ 1 et U “ A.
Hérédité: Supposons la propriété vraie au rang n, montrons qu’alors, la propriété est vraie au
rang n ` 1.
Soit A P Mn`1 pCq telle que toutes les sous-matrices principales soient inversibles. On peut la
décomposer sous la forme bloc suivante
¨ ˛
˚ A f ‹
A“˚
˝
‹
‚
e˚ d
où
• A est la matrice de Mn pCq telle que Ai,j “ Ai,j , @pi, jq P v1, nw2 ,
• f est le vecteur de Cn tel que fi “ Ai,n`1 , @i P v1, nw,
• e est le vecteur de Cn tel que ei “ An`1,i , @i P v1, nw
• d P C est le scalaire d “ An`1,n`1 .
Comme les sous-matrices principales de A sont les n premières sous-matrices principales de A,

elles sont donc inversibles. Par hypothèse de récurrence, il existe une unique matrice L P Mn pCq
triangulaire inférieure à diagonale unité et une unique matrice U P Mn pCq triangulaire supérieure
inversible telles ques
A “ L U.
On va construire des matrices L et U vérifiant la propriété. Soient L P Mn`1 pCq et U P Mn`1 pCq
décomposées sous la forme bloc
¨ ˛ ¨ ˛
˚ L 0 ‹ ˚ U h ‹
L“˚
˝
‹ et U “ ˚
‚ ˝
‹
‚
g˚ 1 0˚ α
où g P Cn , h P Cn and α P C. Les deux matrices sont blocs compatibles pour la multiplication et
on a alors ¨ ˛¨ ˛ ¨ ˛
˚ L 0 ‹˚ U h ‹ ˚ LU h
Lh ‹
LU “ ˚
˝
‹˚
‚˝
‹“˚
‚ ˝
‹
‚
g˚ 1 0˚ α g ˚U g ˚h ` α
Comme A “ L U, on va idenfier bloc par bloc les matrices LU et A, puis vérifier que le système est
resolvable. On obtient donc par identification le système:
$
& Lh h “ f
g ˚U “ e˚
% ˚
g h`α “ d
Par hypothèse de récurrence L est triangulaire inférieure à diagonale unité et U triangulaire su-
perieure inversible: le système précédant admet donc comme solution
$ -1
& h “ L f
-1
g “ U˚ e
%
α “ d ´ g ˚h
Compiled on 2022/09/15 at 10:51:48

On a donc construit une matrice L triangulaire inférieure à diagonale unité et une matrice U
triangulaire superieure telles que A “ LU. Comme la matrice A est inversible, on en déduit que
det A “ detpLUq “ det L ˆ det U ‰ 0
On obtient alors det U ‰ 0 ce qui entraine l’inversibilité de la matrice U.

On vient de démontrer l’existence d’une factorisation LU de la matrice A. Pour démontrer l’unicité,
on va supposer qu’il existe deux factorisations LU de A i.e.
A “ L1 U 1 “ L2 U 2 .
avec L1 , L2 matrices triangulaires inférieures à diagonale unité et U1 , U2 matrices triangulaires supérieures

(inversibles). En multipliant l’équation L1 U1 “ L2 U2 à gauche par L-1 1 et à droite par U2 on obtient
-1
U1 U-1 -1
2 “ L1 L 2 . (3.14)
La matrice L-11 L2 est triangulaire inférieure à diagonale unité car produit de deux matrices triangulaires
inférieures à diagonale unité. Elle est égale à la matrice U1 U-12 qui elle est triangulaire supérieure (car
prduit de deux matrices triangulaires supérieures). Donc L-1 1 L2 est à la fois une matrice triangulaire
supérieure et inférieure : elle est donc diagonale. Comme elle est à diagonale unité on en déduit que
1 L2 “ I et donc L1 “ L2 . De l’équation (3.14), on tire alors U1 “ U2 .
L-1
Exercice 3.1.7
Montrer que si A inversible admet une factorisation LU alors toutes ses sous-matrices principales
sont inversibles.
Remarque 3.8 Si la matrice A P Mn pCq est inversible et si ses sous-matrices principales ne sont pas
toutes inversibles, il est possible par des permutations préalables de lignes de la matrice de se ramener à
une matrice telle que ses sous-matrices principales soient inversibles.
Théorème 3.9: Factorisation LU avec permutations
Soit A P Mn pCq une matrice inversible. Il existe une matrice P, produit de matrices de permuta-
tion, une matrice L P Mn pCq triangulaire inférieure à diagonale unité et une matrice U P Mn pCq
triangulaire supérieure telles ques
PA “ LU. (3.15)
Corollaire 3.10:
Si A P Mn pCq est une matrice hermitienne définie positive alors elle admet une unique factorisation
LU.
Preuve. (indication) Si la matrice A est hermitienne définie positive alors toutes ses sous-matrices prin-
cipales sont définies positives et donc inversibles.
Résolution d’un système linéaire par factorisation LU

Soit A P Mn pKq une matrice dont les sous-matrices principales sont inversibles et b P Kn . On veut ré-
soudre le système linéaire Ax
x “ b . Pour celà, grâce au théorème 3.7, on obtient :
Trouver x P Kn tel que
x “ b.
Ax (3.16)
est équivalent à
Compiled on 2022/09/15 at 10:51:48

Trouver x P Kn solution de
x“y
Ux (3.17)
avec y P K solution de
n
Lyy “ b . (3.18)
Ceci permet donc de découper le problème initial en trois sous-problèmes plus simples. De plus,
ceux-ci peuvent se traiter de manière indépendante. On obtient alors l’algorithme suivant
Algorithme 3.9 Fonction RSLFactLU permettant de résoudre, par une factorisation LU, le système
linéaire Ax
x “ b où A une matrice de Mn pRq définie positive et b P Rn .
Données : A : matrice de Mn pRq dont les sous-matrices
principales sont inversibles définie positive,
b : vecteur de Rn .
1: Fonction x Ð RSLFactLU ( A, b )
2: rL, Us Ð FactLUpAq Ź Factorisation LU
3: y Ð RSLTriInfpL, b q Ź Résolution du système Lyy “ b
4: x Ð RSLTriSuppU, y q Ź Résolution du système Ux x“y
5: Fin Fonction
Il nous faut donc écrire la fonction FactLU (les deux fonctions RSLTriInf et RSLTriSup ayant
déjà été écrites).
Détermination des matrices L et U

Soit A P Mn pKq une matrice dont les sous-matrices principales sont inversibles. D’après le théorème 3.7,
il existe une unique matrice L P Mn pKq triangulaire inférieure avec Li,i “ 1, @i P v1, nw, et une unique
matrice L P Mn pKq triangulaire supérieure telles que
A “ LU (3.19)
c’est à dire
¨ ˛¨ ˛
¨ ˛ 1 0 ... 0 U1,1 ... ... Un,1
A1,1 ... A1,n ˚ .. .. .. ‹ ˚ .. .. ‹
˚ .. .. ‹ ˚˚ L2,1 . . .‹ ˚
‹˚ 0 . . ‹
‹ (3.20)
˝ . . . . . ‚“ ˚ . .. ‹˚ . .. .. .. ‹ .
˝ .. . 0‚˝ .. . . . ‚
An,1 ... An,n
Ln,1 ... Ln,n´1 1 0 ... 0 Un,n
Pour déterminer les matrices L et U, on remarque que la 1ère ligne de L est déjà déterminée. On peut
alors l’utiliser pour calculer la première ligne de U : @j P v1, nw
n
ÿ
A1,j “ L1,k Uk,j
k“1
“ L1,1 U1,j car L triangulaire inférieure
“ U1,j
On a donc
U1,j “ A1,j , @j P v1, nw. (3.21)

La première colonne de U est aussi déterminée, on peut alors l’utiliser pour calculer la première colonne
de L : @i P v2, nw
n
ÿ
Ai,1 “ Li,k U1,j
k“1
“ Li,1 U1,1 car U triangulaire supérieure
Compiled on 2022/09/15 at 10:51:48

On peut démontrer, de part les hypothèses sur la matrice A, que U1,1 ‰ 0 et alors
L1,j “ Ai,j {U1,1 , @i P v2, nw. (3.22)
La première ligne de U et la première colonne de L sont donc déterminées par les formules (3.21) et
(3.22).
Par récurrence, on suppose connues les i ´ 1 premières lignes de U et les i ´ 1 premières colonnes de
L. On va montrer que l’on peux expliciter la i-ème ligne de U et la i-ème colonne de L.
En effet, @j P vi, nw, on a
n
ÿ
Ai,j “ Li,k Uk,j
k“1
i´1
ÿ n
ÿ
“ Li,k Uk,j ` Li,i Ui,j ` Li,k Uk,j
k“1 k“i`1
i´1
ÿ
“ Li,k Uk,j ` Li,i Ui,j car L triangulaire inférieure
k“1
ři´1
Dans l’expression k“1 Li,k Uk,j tous les termes sont connus (hypothèse de récurrence) et Li,i “ 1. On
en déduit,
" ři´1
Ai,j ´ Li,k Uk,j , @j P vi, nw.
Pour i allant de 1 à n : Ui,j “ (3.23)
k“1
0, @j P v1, i ´ 1w.
Maintenant, on calcule, @j P vi ` 1, nw,

n
ÿ
Aj,i “ Lj,k Uk,i
k“1
i´1
ÿ n
ÿ
“ Lj,k Uk,i ` Lj,i Ui,i ` Lj,k Uk,i
k“1 k“i`1
i´1
ÿ
“ Lj,k Uk,i ` Lj,i Ui,i car U triangulaire supérieure
k“1
i´1
ÿ
Dans l’expression Lj,k Uk,i tous les termes sont connus (hypothèse de récurrence). De plus Ui,i est
k“1
donné par (3.23) et on peut démontrer, de part les hypothèses sur la matrice A, que Ui,i ‰ 0. On a alors
$
’
’ 0, @j P v1, i ´ 1w.
’
& 1,
˜ ¸ j“i
Pour i allant de 1 à n : Lj,i “ i´1
ÿ (3.24)
’
’ 1
% Ui,i Aj,i ´
’ Lj,k Uk,i , @j P vi ` 1, nw,
k“1
On écrit en détail les raffinements successifs permettant d’aboutir à l’algorithme final de telle sorte
que le passage entre deux raffinements successifs soit le plus compréhensible possible.
1: Calculer les matrices L et U 1: Pour i Ð 1 à n faire

2: Calculer la ligne i de U.
3: Calculer la colonne i de L.
4: Fin Pour
Compiled on 2022/09/15 at 10:51:48


2: Calculer la ligne i de U.
2: Pour j Ð 1 à i ´ 1 faire
3: Calculer la colonne i de L.
3: U pi, jq Ð 0
4: Fin Pour
4: Fin Pour
5: Pour j Ð i à n faire
i´1
ÿ
6: Ui,j Ð Ai,j ´ Li,k Uk,j
k“1
7: Fin Pour
9: Lj,i Ð 0
10: Fin Pour
11: Li,i Ð 1
12: Pour j Ð i `˜1 à n faire ¸
i´1
ÿ
1
13: Lj,i Ð Ui,i Aj,i ´ Lj,k Uk,i
k“1
14: Fin Pour
15: Fin Pour
2: Pour j Ð 1 à i ´ 1 faire 2: Pour j Ð 1 à i ´ 1 faire
3: U pi, jq Ð 0 3: U pi, jq Ð 0
5: Pour j Ð i à n faire 5: Pour j Ð i à n faire
i´1
i´1
ÿ
6: Ui,j Ð Ai,j ´ Li,k Uk,j ÿ
6: S1 Ð Li,k Uk,j
k“1
k“1
7: Fin Pour 7: Ui,j Ð Ai,j ´ S1
9: Lj,i Ð 0 8: Fin Pour
10: Fin Pour 9: Pour j Ð 1 à i ´ 1 faire
11: Li,i Ð 1 10: Lj,i Ð 0
12: Pour j Ð i ` 1 à n faire 11: Fin Pour
Li,i Ð 1
˜ ¸
i´1
ÿ 12:
1
13: Lj,i Ð Ui,i Aj,i ´ Lj,k Uk,i 13: Pour j Ð i ` 1 à n faire
k“1
i´1
14: Fin Pour ÿ
15: Fin Pour 14: S2 Ð Lj,k Uk,i
k“1
1
15: Lj,i Ð pAj,i ´ S2 q .
Ui,i
16: Fin Pour
17: Fin Pour
Compiled on 2022/09/15 at 10:51:48


2: Pour j Ð 1 à i ´ 1 faire 2: Pour j Ð 1 à i ´ 1 faire
3: U pi, jq Ð 0 3: U pi, jq Ð 0
5: Pour j Ð i à n faire 5: Pour j Ð i à n faire
i´1
ÿ
6: S1 Ð Li,k Uk,j 6: S1 Ð 0
k“1 7: Pour k Ð 1 à i ´ 1 faire
7: Ui,j Ð Ai,j ´ S1 8: S1 Ð S1 ` Li,k ˚ Uk,j
10: Lj,i Ð 0 10: Ui,j Ð Ai,j ´ S1
12: Li,i Ð 1 12: Pour j Ð 1 à i ´ 1 faire
13: Pour j Ð i ` 1 à n faire 13: Lj,i Ð 0
i´1
ÿ 14: Fin Pour
14: S2 Ð Lj,k Uk,i 15: Li,i Ð 1
k“1 16: Pour j Ð i ` 1 à n faire
1
15: Lj,i Ð pAj,i ´ S2 q . 17: S2 Ð 0
Ui,i
16: Fin Pour 18: Pour k Ð 1 à i ´ 1 faire
17: Fin Pour 19: S2 Ð S2 ` Lj,k ˚ Uk,i
20: Fin Pour
1
21: Lj,i Ð pAj,i ´ S2 q .
Ui,i
22: Fin Pour

23: Fin Pour
L’algorithme peut être amélioré, pour gagner en lisibilité... En effet, il est possible d’initialiser la
matrice U par la matrice nulle et la matrice L par la matrice identitée, ce qui permet alors de supprimer
les boucles U pi, jq Ð 0 et Lpj, iq Ð 0 ainsi que la commande Lpi, iq Ð 1. On obtient alors l’algorithme
final
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.10 Fonction FactLU permet de calculer les matrices L et U dites matrice de factorisation
LU associée à la matrice A, telle que
A “ LU
Données : A : matrice de Mn pKq dont les sous-matrices principales
sont inversibles.
Résultat : L : matrice de Mn pKq triangulaire inférieure
avec Li,i “ 1, @i P v1, nw
U : matrice de Mn pKq triangulaire supérieure.
1: Fonction rL, Us Ð FactLU ( A )

2: U Ð On Ź On matrice nulle n ˆ n
3: L Ð In Ź In matrice identitée n ˆ n
5: Pour j Ð i à n faire Ź Calcul de la ligne i de U
6: S1 Ð 0
7: Pour k Ð 1 à i ´ 1 faire
8: S1 Ð S1 ` Lpi, kq ˚ U pk, jq
9: Fin Pour
10: U pi, jq Ð Api, jq ´ S1
11: Fin Pour
12: Pour j Ð i ` 1 à n faire Ź Calcul de la colonne i de L
13: S2 Ð 0
15: S2 Ð S2 ` Lpj, kq ˚ U pk, iq
16: Fin Pour
17: Lpj, iq Ð pAj,i ´ S2 q {U pi, iq.
18: Fin Pour
19: Fin Pour
20: Fin Fonction

Remarque 3.11 Pour optimiser en mémoire cette fonction, il est possible de stocker les matrices L et U
dans une même matrice de Mn pKq ...
Pour faciliter la lecture d’un tel algorithme, il aurait pu être judiscieux d’utiliser deux fonctions
intermédiaires FactLUligU et FactLUcolL qui à l’étape i de l’algorithme calculent respectivement
la ligne i de U et la colonne i de L.
Algorithme 3.11 Fonction FactLUligU permet de calculer la ligne Algorithme 3.12 Fonction FactLUcolL permet de calculer la
i de U à partir de (3.23) colonne i de L à partir de (3.24)
Données : A : matrice de Mn pKq dont les Données : A : matrice de Mn pKq dont les
sous-matrices principales sont inversibles. sous-matrices principales sont inversibles.
L : matrice de Mn pKq dont les i ´ 1 L : matrice de Mn pKq dont les i ´ 1
premières colonnes ont été calculées premières colonnes ont été calculées
U : matrice de Mn pKq dont les i ´ 1 U : matrice de Mn pKq dont les i
premières lignes ont été calculées premières lignes ont été calculées
Résultat : U : matrice de Mn pKq dont les i Résultat : L : matrice de Mn pKq dont les i
premières lignes ont été calculées premières colonnes ont été calculées
1: Fonction U Ð FactLUligU ( A, L, U, i ) 1: Fonction L Ð FactLUcolL ( A, L, U, i )

2: Pour j Ð 1 à i ´ 1 faire 2: Pour j Ð 1 à i ´ 1 faire
3: U pi, jq Ð 0 3: Lpj, iq Ð 0
5: Pour j Ð i à n faire 5: Lpi, iq Ð 1
6: S1 Ð 0 6: Pour j Ð i ` 1 à n faire
7: Pour k Ð 1 à i ´ 1 faire 7: S2 Ð 0
8: S1 Ð S1 ` Lpi, kq ˚ U pk, jq 8: Pour k Ð 1 à i ´ 1 faire
9: Fin Pour 9: S2 Ð S2 ` Lpj, kq ˚ U pk, iq
10: U pi, jq Ð Api, jq ´ S1 10: Fin Pour
11: Fin Pour 11: Lpj, iq Ð pAj,i ´ S2 q {U pi, iq.
12: Fin Fonction 12: Fin Pour
13: Fin Fonction
On a alors
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.13 Fonction FactLU permet de calculer les matrices L et U dites

matrice de factorisation LU associée à la matrice A, telle que
A “ LU
en utilisant des fonctions intermédiaires.
1: Fonction rL, Us Ð FactLU ( A )
3: U Ð FactLUligUpA, L, U, iq
4: L Ð FactLUcolLpA, L, U, iq
5: Fin Pour
6: Fin Fonction
3.1.5 Factorisation LDL˚

Soit A P Mn pCq une matrice hermitienne inversible admettant une factorisation LU. On note D la matrice
diagonale inversible définie par D “ diag U (i.e. Di,i “ Ui,i ‰ 0, @i P v1, nw) et R “ D-1 U. La matrice R
est donc matrice triangulaire supérieure à diagonale unité car
n
ÿ 1
Ri,i “ pD-1 Uqi,i “ pD-1 qi,k Uk,i “ pD-1 qi,i Ui,i “ Ui,i “ 1.
k“1
Ui,i
On a alors
A “ LU “ LDD-1 U “ LDR.
3.1.5 Factorisation LDL˚
De plus comme A est hermitienne on a
A˚ “ A ðñ R˚ D˚ L˚ “ LDR
Ce qui donne
A “ R˚ pD˚ L˚ q “ LpDRq
et donc par unicité de la factorisation LU on a R˚ “ L et D˚ L˚ “ DR. On obtient alors
R˚ “ L et D˚ “ D
et on a le théorème suivant
Théorème 3.12: Factorisation LDL˚

Soit A P Mn pCq une matrice hermitienne inversible admettant une factorisation LU. Alors A s’écrit
sous la forme
A “ LDL˚ (3.25)
où D “ diag U est une matrice à coefficients réels.
Corollaire 3.13:
Une matrice A P Mn pCq admet une factorisation LDL˚ avec L P Mn pCq matrice triangulaire
inférieure à diagonale unité et D P Mn pRq matrice diagonale à coefficients diagonaux strictement
positifs si et seulement si la matrice A est hermitienne définie positive.
Preuve. ùñ Soit A P Mn pCq admettant une factorisation LDL˚ avec L P Mn pCq matrice triangulaire
inférieure à diagonale unité et D P Mn pRq matrice diagonale à coeffcients diagonaux strictement
positifs.
La matrice A est alors hermitienne car
˚ ˚
A˚ “ pLDL˚ q “ L˚ D˚ L˚ “ LDL˚ .
De plus @x
x P Cn zt0u on a
x, x y “ xLDL˚x , x y “ xDL˚x , L˚x y
xAx
Compiled on 2022/09/15 at 10:51:48

On pose y “ L˚x ‰ 0 car x ‰ 0 et L˚ inversible. On obtient alors

n
ÿ
xAx
x, x y “ xDyy , y y “ Di,i |yi |2 ą 0
i“1
car D diagonale, Di,i ą 0, @i P v1, nw et y ‰ 0.

La matrice hermitienne A est donc bien définie positive.
ðù Soit A P Mn pCq une matrice hermitienne définie positive.

D’après le Corollaire 3.10, page 76, la matrice A admet une unique factorisation LU et donc d’après
le Théorème 3.13, page 82, la matrice hermitienne A peut s’écrire sous la forme A “ LDL˚ où D est
diagonale à coefficients réels et L triangulaire inférieure à diagonale unité. Il reste à démontrer que
Di,i ą 0, @i P v1, nw.
Comme A est définie positive, on a @x x, x y ą 0. Or on a
x P Cn zt0u, xAx
x, x y “ xLDL˚x , x y “ xDL˚x , L˚x y

xAx
On note tee1 , ¨ ¨ ¨ , e n u, la base canonique de Cn et on rappelle que @i P v1, nw, xDeei , e i y “ Di,i . Soit
-1
i P v1, nw. En choisissant x “ pL˚ q e i ‰ 0, on obtient alors
xDL˚x , L˚x y “ xDeei , e i y “ Di,i ą 0.
3.1.6 Factorisation de Cholesky

Definition 3.14
Une factorisation régulière de Cholesky d’une matrice A P Mn pCq est une factorisation A “

BB˚ où B est une matrice triangulaire inférieure inversible.
Si les coefficients diagonaux de B sont positifs, on parle alors d’une factorisation positive de
Cholesky.
Théorème 3.15: Factorisation de Cholesky
La matrice A P Mn pCq admet une factorisation régulière de Cholesky si et seulement si la matrice

A est hermitienne définie positive. Dans ce cas, elle admet une unique factorisation positive.
Preuve. ùñ Soit A P Mn pCq admettant une factorisation régulière de Cholesky A “ BB˚ avec B est
une matrice triangulaire inférieure inversible.
La matrice A est hermitienne car
˚ ˚
A˚ “ pBB˚ q “ pB˚ q B˚ “ BB˚ “ A.
Soit x P Cn zt0u, on a
2
x, x y “ xBB˚x , x y “ xB˚x , B˚x y “ }B˚x } ą 0
xAx
car B˚x ‰ 0 (B˚ inversible et x ‰ 0). Donc la matrice A est bien hermitienne définie positive.
ðù Soit A P Mn pCq une matrice hermitienne définie positive.

D’après le Corollaire 3.13, page 82, il existe alors une matrice L P Mn pCq triangulaire inférieure à
diagonale unité et une matrice D P Mn pRq diagonale à coefficient strictement positifs telles que
A “ LDL˚ .
a
On note H P Mn pRq une matrice diagonale inversible vérifiant H2 “ D (i.e. Hi,i “ ˘ Di,i ‰ 0,
@i P v1, nw). On a alors
˚
A “ LHHL˚ “ pLHqpLHq
Compiled on 2022/09/15 at 10:51:48

En posant B “ LH, la matrice B est bien triangulaire inférieure inversible car produit d’une matrice
triangulaire inférieure inversible par une matrice diagonale inversible et on a A “ BB˚ .
Montrons qu’une factorisation positive de Cholesky est unique.
Soient B1 et B2 deux factorisations positives de la matrice A, on a donc
A “ B1 B˚1 “ B2 B˚2 .
˚ -1
En multipliant à gauche par B-1
2 et à droite par pB1 q cette équation on obtient
˚ ˚ -1 ˚ ˚
B-1
2 B1 “ B2 pB1 q “ B˚2 pB-1 -1
1 q “ pB1 B2 q
En notant G “ B-1
2 B1 , on tire de l’équation précédente
˚
G “ pG-1 q . (3.26)
On déduit de la (voir Proposition B.46, page 207), que l’inverse d’une matrice triangulaire inférieure à
coefficients diagonaux réels strictement positifs est aussi une matrice triangulaire inférieure à coefficients
diagonaux réels strictement positifs. De la (voir Proposition B.45, page 207), on obtient que le produit
de matrices triangulaires inférieures à coefficients diagonaux réels strictement positifs reste triangulaire
inférieure à coefficients diagonaux réels strictement positifs, on en déduit que les matrices G “ B-1 2 B1 et
G-1 “ B-1 B
1 2 sont triangulaires inférieures à coefficients diagonaux réels strictement positifs. Or l’équation
˚
(3.26) identifie la matrice triangulaire inférieure G à la matrice triangulaire supérieure pG-1 q : ce sont
˚
donc des matrices diagonales à coefficients diagonaux réels strictement positifs et on a alors pG-1 q “ G-1 .
De l’équation (3.26), on obtient alors G “ G , c’est à dire G “ I “ B2 B1 et donc B1 “ B2 .
-1 -1
Résolution d’un système linéaire par la factorisation de Cholesky

Pour commencer, avec la factorisation de Cholesky point de salut sans matrice hermitienne définie posi-
tive!
N’utiliser la factorisation de Cholesky pour la résolution d’un système linéaire que si la matrice
du système est hermitienne définie positive.
Soit A P Mn pCq une matrice hermitienne définie positive et b P Cn . Grâce au théorème 3.15, on
obtient :
Trouver x P Cn tel que
x “ b.
Ax (3.27)
est équivalent à
Trouver x P Cn solution de
B˚x “ y (3.28)
avec B la matrice de factorisation positive de Cholesky de la ma-
trice A avec y P Cn solution de
Byy “ b . (3.29)
On est donc ramené à
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.14 Algorithme de base permettant de résoudre, par une factorisation de Cholesky positive,
le système linéaire
x“b
Ax
où A une matrice de Mn pCq hermitienne définie positive et b P Cn .
Données : A : matrice de Mn pCq hermitienne définie positive,
b : vecteur de Cn .
Résultat : x : vecteur de Cn .
1: Trouver la factorisation positive de Cholesky B de la matrice A,
2: résoudre le système triangulaire inférieur Byy “ b ,
3: résoudre le système triangulaire supérieur B˚x “ y .
Ceci permet donc de découper le problème initial en trois sous-problèmes plus simples. De plus,
ceux-ci peuvent se traiter de manière indépendante.
Algorithme 3.15 Fonction RSLCholesky permettant de résoudre, par une factorisation de Cholesky
positive, le système linéaire
x“b
Ax
où A une matrice hermitienne de Mn pCq définie positive et b P Cn .
Données : A : matrice de Mn pCq hermitienne définie positive,
b : vecteur de Cn .

Résultat : x : vecteur de Cn .
1: Fonction x Ð RSLCholesky ( A, b )
2: B Ð CholeskypAq Ź Factorisation positive de Cholesky
3: y Ð RSLTriInfpB, b q Ź Résolution du système Byy “ b
4: U Ð MatAdjointepBq Ź Calcul de la matrice adjointe de B

5: x Ð RSLTriSuppU, y q Ź Résolution du système B˚x “ y
6: Fin Fonction
Il nous faut donc écrire la fonction Cholesky (les deux fonctions RSLTriInf et RSLTriSup ayant
déjà été écrites et la fonction MatAdjointe étant simple à écrire).
Factorisation positive de Cholesky : écriture de l’algorithme
Soit A P Mn pCq une matrice hermitienne définie positive. D’après le Théorème 3.15, il existe une unique
matrice B P Mn pCq triangulaire inférieure avec bi,i P R`˚ , @i P v1, nw, telle que
A “ BB˚ (3.30)
c’est à dire
¨ ˛¨ ˛
¨ ˛ b1,1 0 ... 0 b1,1 ... ... bn,1
a1,1 ... a1,n ˚ .. .. .. .. ‹ ˚ .. .. ‹
˚ .. .. ‹ ˚˚ . . . . ‹ ˚
‹˚ 0 . . ‹‹
˝ . . . . . ‚“ ˚ . ‹˚ . .. ‹ . (3.31)
˝ .. .. .. ..
an,1 ... an,n . 0 ‚˝ .. . . . ‚
bn,1 ... ... bn,n 0 ... 0 bn,n
Pour déterminer la matrice B, on commence par calculer b1,1 (la 1ère ligne de B est donc déterminée)
ce qui nous permet de calculer la 1ère colonne de B.
Ensuite, on calcule b2,2 (la 2ème ligne de B est donc déterminée) ce qui nous permet de calculer la 2ème
colonne de B. Etc ...
On écrit en détail les raffinements successifs permettant d’aboutir à l’algorithme final de telle manière
que le passage entre deux raffinements successifs soit le plus simple possible.
Compiled on 2022/09/15 at 10:51:48

1: Calculer la matrice B 1: Pour i Ð 1 à n faire

2: Calculer bi,i , connaissant les i ´ 1 premières
colonnes de B.
3: Calculer la ième colonne de B.
4: Fin Pour
Pour calculer bi,i , connaissant les i ´ 1 premières colonnes de B. on utilise (3.30) :

n
ÿ n
ÿ
ai,i “ bi,j pB˚ qj,i “ |bi,j |2 ,
j“1 j“1
et comme B est triangulaire inférieure on obtient

i
ÿ i´1
ÿ
ai,i “ |bi,j |2 “ |bi,j |2 ` |bi,i |2 .
j“1 j“1
On a donc ˜ ¸1{2
i´1
ÿ
bi,i “ ai,i ´ |bi,j |2 , @i P v1, nw, (3.32)
j“1
Comme les i ´ 1 premières colonnes de B ont déjà été calculées, bi,i est parfaitement déterminée par la
formule précédente.
ři´1
Remarque 3.16 Les hypothèses sur la matrice A permettent d’affirmer que, @i P v1, nw, ai,i ´ j“1 |bi,j |2 ą
0 et donc bi,i ą 0.
Pour calculer la ième colonne de B, il suffit de déterminer bj,i , @j P vi ` 1, nw. Pour celà on utilise
(3.30)
n
ÿ n
ÿ
aj,i “ bj,k pB˚ qk,i “ bj,k bi,k , @j P vi ` 1, nw
k“1 k“1
Comme L est triangulaire inférieure on obtient
i
ÿ i´1
ÿ
aj,i “ bj,k bi,k “ bj,k bi,k ` bj,i bi,i , @j P vi ` 1, nw
k“1 k“1
Or bi,i ą 0 vient d’être calculé et les i ´ 1 premières colonnes de B ont déjà été calculées, ce qui donne
˜ ¸
i´1
ÿ
1
bj,i “ aj,i ´ bj,k bi,k , @j P vi ` 1, nw (3.33)
bi,i
k“1
bj,i “ 0, @j P v1, i ´ 1w. (3.34)
Avec (3.32) et (3.33), on a

Calculer bi,i , connaissant les ¸1{2
2: ˜
i´1
i ´ 1 premières colonnes de B. ÿ
2
2: bi,i Ð ai,i ´ |bi,j |
3: Calculer la ième colonne de B. j“1
4: bj,i Ð 0
5: Fin Pour
6: Pour j Ð i `˜1 à n faire ¸
i´1
1 ÿ
7: bj,i Ð aj,i ´ bj,k bi,k .
bi,i k“1
8: Fin Pour
9: Fin Pour
Compiled on 2022/09/15 at 10:51:48


˜ ¸1{2
i´1
ÿ
2 i´1
2: bi,i Ð ai,i ´ |bi,j | ÿ
2: S1 Ð |bi,j |2
j“1
j“1
3: Pour j Ð 1 à i ´ 1 faire 3: bi,i Ð pai,i ´ S1 q
1{2
4: bj,i Ð 0
6: Pour j Ð i ` 1 à n faire 5: bj,i Ð 0
˜ ¸
i´1
1 ÿ 6: Fin Pour
7: bj,i Ð aj,i ´ bj,k bi,k
Pour j Ð i ` 1 à n faire
.
bi,i k“1
7:
8: Fin Pour i´1

ÿ
9: Fin Pour 8: S2 Ð bj,k bi,k
k“1
1
9: bj,i Ð paj,i ´ S2 q .
bi,i
10: Fin Pour
11: Fin Pour


i´1
ÿ
2: S1 Ð |bi,j |2 2: S1 Ð 0
j“1 3: Pour j Ð 1 à i ´ 1 faire
3: bi,i Ð pai,i ´ S1 q
1{2 4: S1 Ð S1 ` |bi,j |2
4: Pour j Ð 1 à i ´ 1 faire 5: Fin Pour
5: bj,i Ð 0 1{2
6: Fin Pour 6: bi,i Ð pai,i ´ S1 q
7: Pour j Ð i ` 1 à n faire 7: Pour j Ð 1 à i ´ 1 faire
i´1
8: bj,i Ð 0
Fin Pour
ÿ
8: S2 Ð bj,k bi,k 9:
k“1 10: Pour j Ð i ` 1 à n faire
1
9: bj,i Ð paj,i ´ S2 q . 11: S2 Ð 0
bi,i
10: Fin Pour 12: Pour k Ð 1 à i ´ 1 faire
11: Fin Pour 13: S2 Ð S2 ` bj,k bi,k
14: Fin Pour
1
15: bj,i Ð paj,i ´ S2 q .
bi,i
16: Fin Pour
17: Fin Pour
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.16 Fonction Cholesky permettant de calculer la matrice B, dites matrice de factorisation
positive de Cholesky associée à la matrice A, telle que A “ BB˚ .
Données : A : matrice de Mn pCq hermitienne définie positive.
Résultat : B : matrice de Mn pCq triangulaire inférieure
avec Bpi, iq ą 0, @i P v1, nw
1: Fonction B Ð Cholesky ( A )
3: S1 Ð 0
5: S1 Ð S1 ` |Bpi, jq|2
6: Fin Pour
7: Bpi, iq Ð sqrtpApi, iq ´ S1 q
9: Bpj, iq Ð 0
10: Fin Pour
12: S2 Ð 0
14: S2 Ð S2 ` Bpj, kq ˚ Bpi, kq
15: Fin Pour
16: Bpj, iq Ð pApj, iq ´ S2 q{Bpi, iq.
17: Fin Pour
18: Fin Pour
19: Fin Fonction
3.1.7 Factorisation QR
La tranformation de Householder
Definition 3.17: Matrice élémentaire de Householder
Soit u P Cn tel que }uu}2 “ 1. On appelle matrice élémentaire de Householder la matrice

uq P Mn pCq définie par
Hpu
Hpu uu ˚ .
uq “ I ´ 2u (3.35)
Propriété 3.18
Toute matrice élémentaire de Householder est hermitienne et unitaire.
Preuve. Pour simplifier, on note H “ Hpu

uq. Cette matrice est hermitienne car
˚ ˚
H˚ “ pI ´ 2u
uu ˚ q “ I ´ 2pu
uu ˚ q “ I ´ 2u
uu ˚ “ H.
Montrons qu’elle est unitaire (i.e. H˚ H “ I). On a
H˚ H “ HH “ pI ´ 2u
uu ˚ qpI ´ 2u
uu ˚ q
˚
“ I ´ 4u
uu ` 4u uu uu ˚ .
˚
Or on a u ˚u “ }u
u}2 “ 1 par hypothèse et donc
H˚ H “ I ´ 4u
uu ˚ ` 4u u˚u qu
upu u˚ “ I.
Compiled on 2022/09/15 at 10:51:48

Propriété 3.19
def
Soient x P Kn et u P Kn , }u
u}2 “ 1. On note x ∥ “ proju px u, x y u et x K “ x ´ x ∥ . On a alors
xq “ xu
uqpx
Hpu xK ` x ∥ q “ x K ´ x ∥ . (3.36)
et
x “ x , si xx
uqx
Hpu x, u y “ 0. (3.37)
Preuve. On note que par construction xu

u, x K y “ 0. On a
uqpx
Hpu uu ˚ q px
xK ` x ∥ q “ pI ´ 2u xK ` x ∥ q “ x K ` x ∥ ´ 2u uo˚mo
u lo uu ˚x ∥
on ´2u
xK
“0
uu ˚u xu
“ x K ` x ∥ ´ 2u u, x y “ x K ` x ∥ ´ 2u ˚
u louomouon u ˚x
“1
˚
“ x K ` x ∥ ´ 2u
uu x “ x K ` x ∥ ´ 2x
x∥
“ xK ´ x∥.
x, u y “ 0 alors x ∥ “ 0 et x “ x K .
Si xx
Théorème 3.20
Soient a , b deux vecteurs non colinéaires de Cn avec }bb}2 “ 1. Soit α P C tel que |α| “ }a
a}2 et
arg α “ ´ arg xaa, b y rπs. On a alors
ˆ ˙
a ´ αbb
H a “ αbb. (3.38)
}a
a ´ αbb}2

Preuve. (voir Exercice 3.1.8, page 89)
Exercice 3.1.8
Soient a et b deux vecteurs non colinéaires de Cn avec }bb}2 “ 1. On va chercher α P C et u P Cn

vérifiant
uqa
Hpu a “ αbb. (3.39)
Q. 1 1. Montrer que si α vérifie (3.39) alors |α| “ }a
a}2 .
2. Montrer que si arg α “ ´ argpxa

a, b yq rπs alors α xa
a, b y P R.
Q. 2 Soient α et u vérifiant (3.39).

1. Montrer que
xa
a, a y ´ α xa
a, b y
u, a y |2 “
| xu (3.40)
2
2. Montrer que si arg α “ ´ argpxa
a, b yq rπs alors xa a, b y P R˚` .
a, a y ´ α xa
3. En déduire que
ˆ ˙1{2
1 xa
a, a y ´ α xa
a, b y
u“ pa
a ´ αbbq, avec λ “ ˘ (3.41)
2λ 2
Correction Exercice 3.1.8 On pose H “ Hpu

uq pour alléger les notations.
Q. 1 1. On a
a}22 “ xa
}a a, a y “ xH˚ Ha
a, a y car H unitaire
“ xHa ay par définition du produit scalaire
a, Ha
2 2 2
a}2 “ }αbb}2 “ |α|2 }bb}2 “ |α|2 .
“ }Ha
Compiled on 2022/09/15 at 10:51:48

2. On a par définition de l’argument α “ |α|eı arg α et xa a, by |eı argpxaa,bbyq ce qui donne

a, by “ | xa
α xa a, b y |eıparg αàrgpxaa,bbyqq
a, b y “ |α|| xa (3.42)
et donc α xa
a, b y est réel si arg α ` argpxa
a, b yq “ 0 rπs.
Q. 2 1. On a
uqa
Hpu uu ˚ qa
a “ αbb ðñ pI ´ 2u a “ αbb
ðñ a ´ 2u u˚a q “ αbb
upu
et donc
a ´ 2 xu
u, a y u “ αbb (3.43)
En effectuant le produit scalaire avec a de cette dernière équation, on obtient
xa
a, ay ´ 2 xu
u, ay xa
a, uy “ α xa
a, by
ce qui prouve (3.40).
2. On a montré en Q.1 que α xa
a, b y P R et donc xa a, b y P R. Il reste donc à montrer que
a, a y ´ α xa
xa
a, a y ´ α xa
a, b y ą 0.
‚ Si arg α “ ´ argpxaa, b yq`π r2πs, alors de (3.42) on obtient α xa a, b y ď 0 et donc xa
a, a y´α xa
a, b y ě
}aa}2 ą 0 car a ‰ 0.
‚ Si arg α “ ´ argpxaa, b yq r2πs, alors de (3.42) on obtient α xa a, b y ě 0.
Comme les vecteurs a et b ne sont pas colinéaires, on a inégalité stricte dans Cauchy-Schwarz
:
| xa
a, b y | ă }a
a}2 }bb}2 “ }a
a}2 .
On obtient donc
2
0 ď α xa
a, b y ď |α|| xa
a, b y | ă |α| }a
a}2 “ }a
a}2
Attention, dans ce cas xa a, b y peut-être très petit.
a, a y ´ α xa
3. De (3.43), on en déduit immédiatement (3.41).

Vérifions que }u
u}2 “ 1. On a
1
u}22 “ xu
}u u, uy “ xa
a ´ αbb, a ´ αbby
4|λ|2
Or
xa a, a y ´ α xbb, a y ´ α xa
a ´ αbb, a ´ αbby “ xa a}22 ´ α xbb, a y ´ α xa
a, b y ` |α|2 xbb, b y “ }a a, b y ` |α|2
2
a}2 ´ α xbb, a y ´ α xa
“ 2 }a a, b y
2
“ 2 }a a, b y car α xa
a}2 ´ 2α xa a, b y “ pα xa
a, b yq “ α xbb, a y P R
De plus
4|λ|2 “ 2pxa
a, a y ´ α xbb, a yq P R
2
a}2 ´ 2α xbb, a y
“ 2 }a
˛
Exercice 3.1.9
Soient a et b deux vecteurs non nuls et non colinéaires de Cn avec }bb}2 “ 1.

Q. 1 Ecrire la fonction algorithmique Householder permettant de retourner une matrice de House-
holder H et α P C tels que Hpu uqaa “ αbb. Le choix du α est fait par le paramètre δ (0 ou 1) de telle
sorte que arg α “ ´ argpxaa, b yq ` δπ avec |α| “ }aa}2 .
Des fonctions comme dotpa a, b q (produit scalaire de deux vecteurs), normpaaq (norme 2 d’un vecteur),
argpzq (argument d’un nombre complexe), matprodpA, Bq (produit de deux matrices), ctransposepAq
(adjoint d’une matrice), ... pourront être utilisées
Q. 2 Proposer un programme permettant de tester cette fonction. On pourra utiliser la fonction
Compiled on 2022/09/15 at 10:51:48

vecrandpnq retournant un vecteur aléatoire de Cn , les parties réelles et imaginaires de chacune de

ses composantes étant dans s0, 1r (loi uniforme).
Q. 3 Proposer un programme permettant de vérifier que δ “ 1 est le "meilleur" choix.
Correction Exercice 3.1.9 Soient a et b deux vecteurs non nuls et non colinéaires de Cn .
Q. 1 Les données du problème sont a , b et δ. On veut calculer α et la matrice Hpu

uq.
Algorithme 3.17 Calcul du α et de la matrice de Householder Hpu

uq telle que Hpu
uqa
a “ αbb.
Données : a , b : deux vecteurs de Cn non nuls et non colinéaires.
δ : 0 ou 1, permet de déterminer α.
Résultat : H : matrice de Householder dans Mn pCq,
α : nombre complexe, de module }a a}2 et d’argument ´ argpxa
a, b yq ` δπ.
1: Fonction rH, αs Ð Householder ( a , b , δ )

2: ab Ð dotpaa, b q Ź dot produit scalaire dans C.
3: α Ð normpaaq ˚ exppi ˚ pδ ˚ π ´ argpabqqq
4: u Ð a ´α˚b
5: u Ð u {normpu uq
6: H Ð eyepnq ´ 2 ˚ matprodpu u, ctransposepu
uqq
7: Fin Fonction
Q. 2 1: n Ð 100
2: a Ð vecrandpnq
3: b Ð vecrandpnq

4: b Ð b {normpb
b, 2q
5: rH, αs Ð Householderpaa, b , 0q
6: error Ð normpH ˚ a ´ α ˚ b , 2q
Q. 3 1: n Ð 100
2: a Ð vecrandpnq
3: b Ð a ` 1e ´ 6 ˚ vecrandpnq
4: b Ð b {normpb b, 2q
5: rH1 , α1 s Ð Householderpa
a, b , 1q
6: rH0 , α0 s Ð Householderpa
a, b , 0q
7: error0 Ð normpH0 ˚ a ´ α0 ˚ b , 2q{p1 ` abspα0 qq
8: error1 Ð normpH1 ˚ a ´ α1 ˚ b , 2q{p1 ` abspα1 qq
Si l’on souhaite calculer le produit matrice-vecteur Hpu x, il n’est pas nécessaire de calculer
uqx
explicitement la matrice Hpuuq. En effet, on pose v “ 2λuu “ a ´ αbb et β “ 2λ2 “ }a}22 ´ α xa a, b y ą 0.
On choisi α de manière à maximiser β pour éviter une division par un nombre trop petit. On prend
donc
α “ }a}2 eıpπárgpxaa,bbyqq
On obtient alors
1 ˚ xvv , xy
uqx
Hpu x“x´ vv x “ x ´ v. (3.44)
β β
Corollaire 3.21
Compiled on 2022/09/15 at 10:51:48

10 -9
10 -10
δ=1
10 -11 δ=0
||Ha- α b|| 2 /| α|
10 -12
10 -13
10 -14
10 -15
10 -16
10 2 10 3 10 4
n
Figure 3.1: Choix de α dans Householder : erreur relative en norme L2

Soit a P Cn avec a1 ‰ 0 et Dj P v2, nw tel que aj ‰ 0. Soient θ “ arg a1 et
a}2 eıθe 1
a ˘ }a
u˘ “
}a a}2 eıθe 1 }
a ˘ }a
Alors
u˘ qa
Hpu a}2 eıθe 1
a “ ¯ }a (3.45)
où e 1 désigne le premier vecteur de la base canonique de Cn .
Preuve. On va utiliser le Théorème 3.20.

On pose α “ ˘ }a a}2 eıθ et b “ e 1 . Comme argpxa a, b yq “ arg a1 “ ´ arg a1 “ ´θ, on a arg α “ θ rπs “
´ argpxa
a, b yq rπs.
Les autres hypothèses du Théorème 3.20 sont vérifiées puisque le vecteur a n’est pas colinéaire à e 1
et que }ee1 }2 “ 1. On a donc

ˆ ˙
a}2 eıθe 1
a ˘ }a
H a “ ¯ }aa}2 eıθe 1 .
}a a}2 eıθe 1 }
a ˘ }a
Sur le même principe que l’écriture algébrique de la méthode de Gauss, nous allons transformer la
matrice A P Mn pKq en une matrice triangulaire supérieure à l’aide de matrices de Householder. On a le
théorème
Théorème 3.22
Soit A P Mn pCq une matrice. Il existe une matrice unitaire Q P Mn pCq produit d’au plus n ´ 1
matrices de Householder et une matrice triangulaire supérieure R P Mn pCq telles que
A “ QR. (3.46)
Si A est réelle alors Q et R sont aussi réelles et l’on peut choisir Q de telle sorte que les coefficients
diagonaux de R soient positifs. De plus, si A est inversible alors la factorisation est unique.
Compiled on 2022/09/15 at 10:51:48

Exercice 3.1.10
Soit B P Mm`n pKq la matrice bloc

ˆ ˙
B1,1 B1,2
B“
O S
où B1,1 P Mm pKq et S P Mn pKq. On note s P Kn le premier vecteur colonne de S et on suppose

que s ‰ 0 et s non colinéaire à e n1 premier vecteur de la base canonique de Kn .
Q. 1 uq P Mn pKq et α P K˚ tel que
1. Montrer qu’il existe une matrice de Householder H “ Hpu
¨ ˛
˘α ‚ ¨¨¨ ‚
˚ 0 ‚ ¨¨¨ ‚ ‹
˚ ‹
HS “ ˚ .. .. .. ‹.
˝ . . . ‚
0 ‚ ¨¨¨ ‚
2. On note u P Km`n , le vecteur défini par ui “ 0, @i P v1, mw et umì “ ui , @i P v1, nw. Montrer
que ˆ ˙
B1,1 B1,2
uqB “
Hpu .
O HS
Soient k P v0, n ´ 1w et Arks P Mn pKq la matrice bloc définie par
˜ ¸
Rrks Frks
rks
A “
O Arks
où Rrks est une matrice triangulaire supérieure d’ordre k et Arks une matrice d’ordre n ´ k.

Q. 2 1. Sous certaines hypothèses, montrer qu’il existe une matrice de Householder Hrk`1s telle
que Hrk`1s Arks “ Ark`1s .
2. Soit A P Mn pKq. Montrer qu’il existe une matrice unitaire Q P Mn pKq, produit d’au plus
n ´ 1 matrices de Housholder, et une matrice triangulaire supérieure R telles que A “ QR.
3. Montrer que si A est réelle alors les coefficient diagonaux de R peuvent être choisis positifs ou
nuls.
4. Montrer que si A est réelle inversible alors la factorisation QR, avec R à coefficient diagonaux
strictement positifs, est unique.
Q. 1 1. D’après le (voir Corollaire 3.21, page 91) avec a “ s , en posant α “ ˘ }ss}2 eı arg s1 et
s ´ αeen1
u“
}ss ´ αeen1 }
on obtient Hpu
uq “ αeen1 .
On pose H “ Hpu uq. On a alors sous forme bloc
¨ ˛
¨ ˛ ˘α ‚ ¨¨¨ ‚
‚ ¨¨¨ ‚ ˚ 0
˚ ‚ ¨¨¨ ‚ ‹
HS “ H˝ s .. .. ‹ ˚ ‹
. . ‚“ ˚
˝ ... .. .. ‹
. . ‚
‚ ¨¨¨ ‚
0 ‚ ¨¨¨ ‚
Compiled on 2022/09/15 at 10:51:48

ˆ ˙
0m
2. On a u “ et
u
ˆ ˙ ˆ ˙
Im Om,n 0m ` ˚ ˘
Hpu uu ˚ “
uq “ I ´ 2u ´2 0m u˚
On,m In u
ˆ ˙ ˆ ˙
Im Om,n Om Om,n
“ ´2
On,m In On,m uu ˚
ˆ ˙ ˆ ˙
Im Om,n Im Om,n
“ “
On,m In ´ 2uuu ˚ On,m H
Ce qui donne ˆ ˙ˆ ˙ ˆ ˙
Im Om,n B1,1 B1,2 B1,1 B1,2
uqB “
Hpu “ .
On,m H O S O HS
˙ ˆ
0k
rks
Q. 2 1. On note s P K le premier vecteur colonne de A . et u “
n´k
. D’après la question
s
précédente si s ‰ 0 et s non colinéaire à e n´k
1 premier vecteur de la base canonique de Kn´k alors
rk`1s uq et α P K˚ tels que
il existe une matrice de Householder H “ Hpu
¨ ˛
Rrks Frks
˚ ¨ ˛ ‹
˚ ‹
˚ ˚ ‹ ‹
˚ ˚ ‹ ‹
˚ ˚ ‹ ‹ ˜ ¸
˚ ˚ ‹ ‹
˚ ˚ ‹ ‹ R rk`1s
F rk`1s
A “˚
rk`1s def rk`1s rks
“H ‹ ‹“
A ˚ O ˚
˚ ˚ ˘α ‚ ¨ ¨ ¨ ‚ ‹ ‹ O Ark`1s
˚ ˚ ‹ ‹
‹
˚ ˚ 0 ‚ ¨¨¨ ‚ ‹ ‹
˚ ˚ ‹
˚ ˚ . .. .. ‹ ‹
‹
˝ ˝ .. . . ‚‚
0 ‚ ¨¨¨ ‚
On peut remarquer que si s “ 0 ou s colinéaire à e 1n´k alors Arks est déjà sous la forme Ark`1s et
donc Hrk`1s “ I.
2. il suffit d’appliquer itérativement le résultat précédent n ´ 1 fois en posant Ar0s “ A et Ark`1s “
Hrk`1s Arks où Hrk`1s est soit une matrice de Householder soit la matrice identité. Par construction
la matrice Arn´1s est triangulaire supérieure et l’on a
Arn´1s “ Hrn´1s ˆ ¨ ¨ ¨ ˆ Hr1s A

On pose H “ Hrn´1s ˆ ¨ ¨ ¨ ˆ Hr1s et R “ Arn´1s . La matrice H est unitaire car produit de matrices
unitaires. On note Q “ H˚ On a
Q “ Hr1s ˆ ¨ ¨ ¨ ˆ Hrn´1s
car les matrices de Householder et matrice identité sont unitaires et hermitiennes.
3. Si A est réelle alors par construction Q et R sont réelles. Les coefficients diagonaux peuvent alors
être choisi positif lors de la construction de chaque matrice de Householder.
4. Pour montrer l’unicité d’une telle factorisation, on note Q1 , Q2 , deux matrices orthogonales et R1 ,
R2 , deux matrices triangulaires à coefficients diagonaux positifs telles que
A “ Q1 R1 “ Q2 R2 .
Comme A est inversible les coefficients diagonaux de R1 et R2 sont strictement positifs. On a alors
I “ AA-1 “ Q1 R1 R-1 -1
2 Q2
et donc
def
Q-1 -1
1 Q2 “ R1 R2 “ T.
Comme Q1 est orthogonale on a T “ Qt1 Q2 et

t
Tt T “ pQt1 Q2 q Qt1 Q2 “ Qt2 Q1 Qt1 Q2 “ I.
Compiled on 2022/09/15 at 10:51:48

La matrice T est donc orthogonal. De plus T “ R1 R-12 est une matrice triangulaire supérieure à coef-
ficients diagonaux strictement positifs puisque produit de triangulaire supérieure à coefficients diag-
onaux strictement positifs. La matrice I étant symétrique définie positive, d’après le Théorème 3.15
(factorisation positive de Cholesky) il existe une unique matrice L triangulaire inférieure à coeffi-
cients diagonaux strictement positifs telle que LLt “ I. Cette matrice L est évidemment la matrice
identité. On en déduit que T “ Lt “ I et donc Q1 “ Q2 et R1 “ R2 .
˛
Exercice 3.1.11: Algorithmique
Q. 1 Ecrire une fonction FactQR permettant de calculer la factorisation QR d’une matrice A P

Mn pCq.
On pourra utiliser la fonction Householder (voir Exercice 3.1.9, page 90).
Q. 2 Ecrire un programme permettant de tester cette fonction.

Q. 1 L’objectif est de déterminer les matrices Q, matrice unitaire, et R matrice triangulaire supérieure
telle que A “ QR.
Résultat : Q : matrice unitaire de Mn pKq.
R : matrice triangulaire supérieure de Mn pKq.
On rappelle la technique utilisée dans la correction de l’exercice 3.1.10 pour déterminer l’ensemble des

matrices de Householder permettant de transformer la matrice A en une matrice triangulaire supérieure.
On pose
Ar0s “ A, Ark`1s “ Hrk`1s Arks , @k P v0, n ´ 2w
où Hrk`1s est soit une matrice de Householder soit la matrice identité. Plus précisement, on note
ˆ s P˙ Kn´k
0 k
le vecteur composé des n ´ k dernières composantes de la k ` 1-ème colonne de Arks et a “ .
s
‚ Si s1 “ 0 ou s colinéaire à e 1n´k premier vecteur de la base canonique de Kn´k alors
Hrk`1s “ I.
En notant e nk`1 le k ` 1-ème vecteur de la base canonique de Kn , cette matrice peut-être calculée
avec la fonction Householder par
rHrk`1s , αs Ð Householderpa
a, e nk`1 , 1q
‚ sinon Hrk`1s “ I.
On a vu que dans ce cas Arn´1s est triangulaire supérieure. On pose H “ Hrn´1s ˆ ¨ ¨ ¨ ˆ Hr1s qui est une
matrice unitaire. On a alors R “ Arn´1s “ HA et Q “ H˚ .
1: Calculer Q et R 1: H Ð Hrn´1s ˆ ¨ ¨ ¨ ˆ Hr1s

2: RÐH˚A
3: Q Ð H˚
Compiled on 2022/09/15 at 10:51:48

1: H Ð Hrn´1s ˆ ¨ ¨ ¨ ˆ Hr1s 1: HÐI

2: RÐH˚A 2: Ar0s Ð A
3: Q Ð H˚ 3: Pour k Ð 0 à n ´ 2 faire
4: Calculer Hrk`1s à partir de Arks
5: Ark`1s Ð Hrk`1s ˚ Arks
6: H Ð Hrk`1s ˚ H
7: Fin Pour
8: RÐH˚A Ź ou R Ð Arn´1s
9: Q Ð H˚
1: HÐI 1: HÐI
2: Pour k Ð 0 à n ´ 2 faire 2: Pour k Ð 0 à n ´ 2 faire
3: Calculer Hrk`1s à partir de Arks
3: a Ð r00k ; Arks pk ` 1 : n, k ` 1qs
4: Ark`1s Ð Hrk`1s ˚ Arks
4: rHrk`1s , αs Ð Householderpa a, e nk`1 , 1q
5: H Ð Hrk`1s ˚ H
6: Fin Pour
Ark`1s Ð Hrk`1s ˚ Arks
3.2.1 Normes vectorielles
5:
7: R Ð Arn´1s
6: H Ð Hrk`1s H
8: Q Ð H˚
7: Fin Pour
8: R Ð Arn´1s
9: Q Ð H˚
Ici, l’opérateur r‚; ‚s est l’opérateur de concaténation de deux vecteurs.
Algorithme 3.18 Fonction FactQR

Résultat : Q : matrice unitaire de Mn pKq.

R : matrice triangulaire supérieure de Mn pKq.
1: Fonction rQ, Rs Ð FactQR ( A )

2: HÐI
3.2. Normes vectorielles et normes matricielles
3: RÐA
4: Pour k Ð 0 à n ´ 2 faire
5: a Ð r00k ; Rpk ` 1 : n, k ` 1qs
6: rS, αs Ð Householderpa a, e nk`1 , 1q
7: RÐS˚R
8: HÐS˚H
9: Fin Pour
10: Q Ð H˚
11: Fin Fonction
Q. 2
˛
3.2 Normes vectorielles et normes matricielles
Definition 3.23
Une norme sur un espace vectoriel V est une application }‚} : V Ñ R` qui vérifie les propriétés
Compiled on 2022/09/15 at 10:51:48

Normes vectorielles et normes matricielles 97
suivantes
˛ }vv } “ 0 ðñ v “ 0,
˛ }αvv } “ |α| }vv } , @α P K, @vv P V,
u ` vv} ď }u
˛ }u u, vvq P V 2 (inégalité triangulaire).
u} ` }vv } , @ pu,
Une norme sur V est également appelée norme vectorielle . On appelle espace vectoriel
normé un espace vectoriel muni d’une norme.
Les trois normes suivantes sont les plus couramment utilisées :

n
ÿ
}vv }1 “ |vi |
i“1
˜ ¸1{2
n
ÿ 2
}vv }2 “ |vi |
i“1
}vv }8 “ max |vi | .
iPv1,nw

Proposition 3.24
Soit v P Kn . Pour tout nombre réel p ě 1, l’application }‚}p définie par

˜ ¸1{p
n
ÿ p
}vv }p “ |vi |
i“1

est une norme sur Kn .
Lemme 3.25: Inégalité de Cauchy-Schwarz
3.2.Normes vectorielles et normes matricielles

x , y P Kn
@x
| xx x}2 }yy }2 .
x, y y | ď }x (3.47)
Cette inégalité s’appelle l’inégalité de Cauchy-Schwarz. On a égalité si et seulement si x et y
sont colinéaires.
Preuve. Exercice B.3.17, page 224
Lemme 3.26: Inégalité de Hölder
1 1
Pour p ą 1 et p ` q “ 1, on a @x
x , y P Kn
˜ ¸1{p ˜ ¸1{q
n
ÿ n
ÿ n
ÿ
p q
|xi yi | ď |xi | |yi | x}p }yy }q .
“ }x (3.48)
i“1 i“1 i“1
Cette inégalité s’appelle l’inégalité de Hölder.
Definition 3.27
1
Deux normes }‚} et }‚} , définies sur un même espace vectoriel V, sont équivalentes s’il exite
Compiled on 2022/09/15 at 10:51:48

deux constantes C et C 1 telles que
x}1 ď C }x
}x x} et }x x}1 pour tout x P V.
x} ď C 1 }x (3.49)
Proposition 3.28
Sur un espace vectoriel de dimension finie toutes les normes sont équivalentes.
3.2.2 Normes matricielles
Definition 3.29
Une norme matricielle sur Mn pKq est une application }‚} : Mn pKq Ñ R` vérifiant
1. }A} “ 0 ðñ A “ 0,
2. }αA} “ |α| }A}, @α P K, @A P Mn pKq,
3. }A ` B} ď }A} ` }B} , @ pA, Bq P Mn pKq2 (inégalité triangulaire)

4. }AB} ď }A} }B} , @ pA, Bq P Mn pKq2
Proposition 3.30
Etant donné une norme vectorielle }‚} sur Kn , l’application }‚}s : Mn pKq Ñ R` définie par
def }Avv }
(3.50)
}A}s “ sup
v PKn }vv }
v ‰0
est une norme matricielle, appelée norme matricielle subordonnée (à la norme vectorielle don-
née).
Elle vérifie
}A}s “ sup }Avv } “ sup }Avv } “ inf tα P R : }Avv } ď α }vv } , @vv P Kn u . (3.51)
v PKn v PKn
}v
v }ď1 }v
v }“1
De plus, pour tout v P Kn on a

}Avv } ď }A}s }vv } (3.52)
et il existe au moins un vecteur u P K zt0u tel que
n
}Au
u} “ }A}s }u
u} . (3.53)
Soit I la matrice identité d’ordre n, on a

}I}s “ 1. (3.54)
Preuve. On note B “ tvv P Kn ; }vv } ď 1u la boule unitée de Kn et S “ tvv P Kn ; }vv } “ 1u la sphère

unitée de Kn . On note que les ensembles B et S sont des compacts car image réciproque de l’application
continue v ÞÑ }vv } par le fermé borné r0, 1s (pour la boule) et le singleton t1u (pour la sphère).
‚ Vérifions que les égalités suivantes sont vraies :
def }Avv }
}A}s “ sup “ sup }Avv } “ sup }Avv }
v PKn }vv } v PB v PS
v ‰0
On a › ›
}Avv } › v ›
}A}s “ sup “ sup ››A › “ sup }Avv }
v PKn }vv } v PKn }vv } › v PS
v ‰0 v ‰0
Compiled on 2022/09/15 at 10:51:48

Comme S Ă B on a aussi
sup }Avv } ě sup }Avv } . (3.55)
v PB v PS
On peut aussi remarquer que
sup }Avv } “ sup }Avv } (3.56)
v PB v PB
v ‰0
w
De plus, @w
w P Bzt0u, en posant u “ }w
w} P S. on a w “ }w
w } u et
}Aw
w } “ }w
w } }Au u} car }w
u} ď }Au w } ď 1.
Or on a
}Au
u} ď sup }Avv } .
v PS
et on obtient alors
sup }Aw
w } ď sup }Avv } .
w PB v PS
w ‰0
En utilisant (3.55) et (3.56), on en déduit
sup }Aw
w } “ sup }Au
u} .
w PB u PS
‚ Vérifions que l’application }‚}s est bien définie sur Mn pKq i.e. @A P Mn pKq, }A}s ă `8.

L’application v ÞÑ }Avv } est continue donc son sup sur la sphère unitée qui est compacte est atteint.
‚ Montrons que @vv P Kn , }Avv } ď }A}s }vv } .
On a par définition du sup
}Auu} }Avv }
}A}s “ sup ě , @vv P Kn zt0u.
u PKn }u }
u }vv }
u ‰0
et donc
}Avv } ď }A}s }vv } , @vv P Kn zt0u.

‚ Montrons qu’il existe u P Kn tel que
u ‰ 0 et }Au
u} “ }A}s }u
u} .
On a

}A}s “ sup }Avv }
v PS
La sphère unité étant compacte et l’application v ÞÑ }Avv } étant continue , il existe w P S tel que
w } . Soit λ P K˚ et u “ λw
}A}s “ }Aw w ‰ 0. On a }uu} “ |λ| et
› ›
› u ›
›
}A}s “ }Aw } “ ›A
w › “ 1 }Au u} .
u} › }u
}u u}
‚ On a immédiatement
}Ivv } }vv }
}I}s “ sup “ sup “ 1.
v PK n }vv } v PK }v
n v}
v ‰0 v ‰0
‚ Montrons que }‚}s est une norme matricielle.
1. }A}s “ 0 ðñ As “ O ?
ðù trivial.
ùñ Soit A P Mn pKq.
}Avv }
}A}s “ 0 “ sup ùñ }Avv } “ 0, @vv P Kn zt0u
v PK n }vv }
v ‰0
ùñ Avv “ 0 , @vv P Kn zt0u

Soit tee1 , . . . , e n u la base canonique de Kn . On a alors @j P v1, nw, Aeej “ 0 et on en déduit que
ai,j “ xeei , Aeej y “ 0, @pi, jq P v1, nw.
et donc A “ O.
Compiled on 2022/09/15 at 10:51:48

2. Montrons que }αA} “ |α| }A}, @α P K, @A P Mn pKq,.

Soient α P K et A P Mn pKq. On a αA P Mn pKq (car Mn pKq est un espace vectoriel) et
}αAvv } |α| }Avv }

}αA}s “ sup “ sup car }αu
u} “ |α| }u
u}
v PK n }vv } v PK n }vv }
v ‰0 v ‰0
}Avv }
“ |α| sup “ |α| }A}s .
n }vv}
v PK
v ‰0
3. Montrons que }A ` B}s ď }A}s ` }B}s , @ pA, Bq P Mn pKq2

Soient A et B deux matrices de Mn pKq. On a A ` B P Mn pKq car Mn pKq est un espace
vectoriel et
}pA ` Bqvv } }Avv ` Bvv }
}A ` B}s “ sup “ sup
v ‰0 v ‰0
}Avv } ` }Bvv }
ď sup par inégalité triangulaire dans Kn
v PKn }vv }
v ‰0
}Avv } }Bvv }
ď sup ` sup “ }A}s ` }B}s .

v PK n }v }
v v PK n }vv }
v ‰0 v ‰0
4. Montrons que }AB}s ď }A}s }B}s , @ pA, Bq P Mn pKq2 .

Soient A et B deux matrices de Mn pKq. On a AB P Mn pKq par définition du produit matriciel
et
}pABqvv } }ApBvv q}
}AB}s “ sup “ sup
v ‰0 v ‰0
}A}s }Bvv }
ď sup car }Au
u} ď }A}s }u u P Kn
u} @u
v PKn }vv }
v ‰0
}Bvv }
ď }A}s sup “ }A}s }B}s .
v PKn }vv }
v ‰0
Théorème 3.31
Soit A P Mn pKq. On a
ÿn
def }Avv }1
}A}1 “ sup “ max |aij | (3.57)
v PKn }vv }1 jPv1,nw
i“1
v ‰0
def }Avv }2 a a
}A}2 “ sup “ ρ pA˚ Aq “ ρ pAA˚ q “ }A˚ }2 (3.58)
v PKn }vv }2
v ‰0
ÿn
def }Avv }8
}A}8 “ sup “ max |aij | (3.59)
v PKn }vv }8 iPv1,nw
j“1
v ‰0
La norme }‚}2 est invariante par transformation unitaire :
UU˚ “ I ùñ }A}2 “ }AU}2 “ }UA}2 “ }U˚ AU}2 . (3.60)
Compiled on 2022/09/15 at 10:51:48

Corollaire 3.32
1. Si une matrice A est hermitienne,on a }A}2 “ ρpAq.

2. Si une matrice A est unitaire, on a }A}2 “ 1.
Preuve. 1. Soit A P Mn pCq une matrice hermitienne. Elle est donc normale. D’après le théorème 3.2
(réduction des matrice) page 63, il existe une matrice unitaire U et une matrice diagonale D telles
que
A “ UDU˚ .
Les matrices A et D sont semblables: elles ont les mêmes valeurs propres et donc
ρpAq “ ρpDq.
De plus, comme A est hermitienne, ses valeurs propres sont réelles et donc D P Mn pRq. Comme la
norme 2 est invariante par transformation unitaire, on a
}A}2 “ }UDU˚ }2 “ }D}2 .

De plus, D étant réelle, on obtient
a a
}D}2 “ ρ pD˚ Dq “ ρ pD2 q
La matrice D étant diagonale on en déduit que

` ˘
ρ D2 “ ρpDq2 .
On obtient donc

}A}2 “ ρpDq “ ρpAq.
2. Si A P Mn pCq est unitaire ou si A P Mn pRq est orthogonale alors AA˚ “ I et donc

a a
}A}2 “ ρ pAA˚ q “ ρ pIq “ 1.

Théorème 3.33
1. Soit A une matrice carrée quelconque et }‚} une norme matricielle subordonnée ou non, quel-
conque. Alors
ρpAq ď }A} . (3.61)
2. Etant donné une matrice A et un nombre ε ą 0, il existe au moins une norme matricielle
subordonnée telle que
}A} ď ρpAq ` ε. (3.62)
Preuve. 1. Soient A P Mn pKq et pλ, u q un élément propre de A :
u P Cn zt00u, et u “ λu
Au u.
‚ Si la norme matricielle est subordonnée à la norme vectorielle }‚} alors
}λu
u} “ |λ| }u
u} “ }Au
u} ď }A} }u
u}
Or u P Cn zt00u et donc on en déduit que
@λ P ρpAq, |λ| ď }A} .
Compiled on 2022/09/15 at 10:51:48

‚ Si la norme est quelconque (non forcément subordonnée), l’inégalité suivante n’est plus vérifiée
}Au
u} ď }A} }u
u} .
Par contre on a pour toute matrice B P Mn pKq

}AB} ď }A} }B} .
Comme pλ, u q un élément propre de A, on a
uu ˚ “ λu
Au uu ˚
et donc
uu ˚ q} “ }λpu
}Apu uu ˚ q} “ |λ| }u
uu ˚ } .
De plus on a
uu ˚ q} ď }A} }pu
}Apu uu ˚ q}
ce qui donne
uu˚ } ď }A} }pu
|λ| }u uu˚ q}
Comme la matrice B “ uu ˚ est non nulle car u non nul et
uu ˚ qu
pu u˚ qu
u “ u pu uq “ u xu
u, u y ‰ 0.
on obtient
|λ| ď }A}
et on en déduit alors
@λ P ρpAq, |λ| ď }A} .
2. voir [1], théorème 1.4-3 page 18-19.
Théorème 3.34
L’application }‚}E : Mn Ñ R` définie par

¨ ˛1{2
ÿ 2‚
a
}A}E “ ˝ |aij | “ tr pA˚ Aq, (3.63)
pi,jq“Pv1,nw2
pour toute matrice A “ paij q d’ordre n, est une norme matricielle non subordonnée (pour n ě 2),
invariante par transformation unitaire et qui vérifie
?
}A}2 ď }A}E ď n }A}2 , @A P Mn . (3.64)
?
De plus }I}E “ n.
Théorème 3.35
1. Soit }‚} une norme matricielle subordonnée, et B une matrice vérifiant
}B} ă 1.
Alors la matrice pI ` Bq est inversible, et

› › 1
› ´1 ›
›pI ` Bq › ď .
1 ´ }B}
2. Si une matrice de la forme pI ` Bq est singulière, alors nécessairement
}B} ě 1
Compiled on 2022/09/15 at 10:51:48

pour toute norme matricielle, subordonnée ou non.
Preuve. 1. Par l’absurde, on suppose la matrice I ` B singulière (non inversible). Alors 0 est une de
ses valeurs propres. On note p0, u q un élément propre de I ` B. On a donc
pI ` Bqu
u “ 0 ô Bu
u “ ú u
ô p´1, u q élément propre de B
ce qui est en contradiction avec ρpBq ď }B} ă 1.

La matrice I ` B est donc inversible.
Par définition de l’inverse
-1
pI ` BqpI ` Bq “ I
et donc
-1 -1
pI ` Bq ` BpI ` Bq “I
ce qui s’écrit aussi
-1 -1
pI ` Bq “ I ´ BpI ` Bq .
3.2.3 Suites de vecteurs et de matrices

En prenant sa norme on obtient
› › › ›
› -1 › › -1 ›
›pI ` Bq › “ ›I ´ BpI ` Bq ›
› ›
› -1 ›
ď }I} ` ›BpI ` Bq › par l’inégalité triangulaire
› ›
› -1 ›
ď 1 ` ›BpI ` Bq › car pour une norme subordonnée }I} “ 1
› ›
› -1 ›
ď 1 ` }B} ›pI ` Bq ›
Ce qui donne › › › ›
› -1 › › -1 ›
›pI ` Bq › ´ }B} ›pI ` Bq › ď 1

et donc l’inégalité est démontrée.
2. On a démontré lors de la démontration par l’absurde que si I ` B est singulière (non inversible)
alors ρpBq ě 1. Comme pour toute norme ρpBq ď }B} (voir théorème 3.33, page 101), on obtient
}B} ě 1.

Definition 3.36
Soit V un espace vectoriel muni d’une norme }‚}, on dit qu’une suite pvv k q d’éléments de V converge
vers un élément v P V , si
lim }vv k ´ v } “ 0
kÑ8
et on écrit
v “ lim v k .
kÑ8
Théorème 3.37: admis, voir [1] Théorème 1.5-1 page 21-22
Soit B une matrice carrée. Les conditions suivantes sont équivalentes :

1. limkÑ8 Bk “ 0,
2. limkÑ8 Bkv “ 0 pour tout vecteur v ,
3. ρpBq ă 1,
Compiled on 2022/09/15 at 10:51:48

4. }B} ă 1 pour au moins une norme matricielle subordonnée }‚} .
Théorème 3.38: admis, voir [1] Théorème 1.5-2 page 22
Soit B une matrice carrée, et }‚} une norme matricielle quelconque. Alors
› ›1{k
lim ›Bk › “ ρpBq.
kÑ8
3.3 Conditionnement d’un système linéaire

Pour la résolution numérique d’un système linéaire Axx “ b , il est rare que les données A et b du problème
ne soient pas entachées d’erreurs (aussi minimes soient-elles). La question qui se pose alors est de savoir
si de petites perturbations sur les données ne peuvent pas entrainer des erreurs importantes sur le calcul
de la solution.
Exemple de R.S. Wilson

Soient ¨ ˛ ¨ ˛
1 1
10 7 8 7 0 0 10 5
˚ 7 5 6 5 ‹ ˚ 2 1
0 0 ‹
A“˚ ˝ 8 6 10
‹ , ∆A “ ˚
‚ ˝
25 25 ‹
9 1
0 ´ 50 ´ 10011
0 ‚
1 1 1
7 5 9 10 ´ 100 ´ 100 0 ´ 50
t t ` 1 1 1 1
˘
et b “ p32, 23, 33, 31q , p∆bq “ 100 , ´ 100 , 100 , ´ 100 . Des calculs exacts donnent
x“b
Ax ðñ x t “ p1, 1, 1, 1q
ˆ ˙
t 91 9 27 79
u “ pbb ` ∆b
Au ∆bq ðñ u “ ,´ , ,
50 25 20 100
« p1.8, ´0.36, 1.3, 0.79q
t
pA ` ∆Aqvv “ b ðñ v “ p´81, 137, ´34, 22q
ˆ ˙
18283543 31504261 3741501 5235241
pA ` ∆Aqyy “ pbb ` ∆b
∆bq ðñ yt “ ´ , ,´ ,
461600 461600 230800 461600
3.3. Conditionnement d’un système linéaire
« p´39.61, 68.25, ´16.21, 11.34q
Il est clair sur cet exemple que de petites perturbations sur les données peuvent entrainer des erreurs
importantes sur la solution exacte.
On dit que le système linéaire prédédent est mal conditionné ou qu’il a un mauvais condition-
nement car il est sujet à de fortes variations de la solution pour de petites perturbations des données.
A contrario, on dit qu’il est bien conditionné ou qu’il a un bon conditionnement si de petites
perturbations des données n’entrainent qu’une variation raisonnable de la solution.
Une nouvelle question : est-il possible de "mesurer" le conditionnement d’une matrice?
Définitions et résultats
Definition 3.39
Soit }.} une norme matricielle subordonnée, le conditionnement d’une matrice régulière A, associé
à cette norme, est le nombre › ›
condpAq “ }A} ›A-1 › .
Nous noterons condp pAq “ }A}p }A-1 }p .
Compiled on 2022/09/15 at 10:51:48

Conditionnement d’un système linéaire 105
Proposition 3.40
Soit A une matrice régulière. On a les propriétés suivantes

1. @α P K˚ , condpαAq “ condpAq.
2. condp pAq ě 1, @p P v1, `8w.
3. cond2 pAq “ 1 si et seulement si A “ αQ avec α P K˚ et Q matrice unitaire
Preuve. Soit A une matrice régulière.

1. Soit α P K˚ , on a
› › › ›
› -1 › › 1 -1 ›
condpαAq “ }αA} ›pαAq › “ |α| }A} › A ››
›
def
α
1 ›› -1 ›› › -1 ›
“ |α| }A} A “ }A} ›A ›
|α|

“ condpAq
2. On a I “ AA-1 . Or pour toute norme subordonnée, on a }I} “ 1 et donc 1 “ }AA-1 } ď }A} }A-1 } “
condpAq.
3. Admis. Voir par exemple [7] Théorème 2 page 142-143.
Théorème 3.41
Soit A une matrice inversible. Soient x et x ` ∆x les solutions respectives de

x“b
Ax et A px
x ` ∆x
∆xq “ b ` ∆b
∆b.
Supposons b ‰ 0, alors l’inégalité

∆x
}∆x
∆x} ∆b
}∆b
∆b}
ď condpAq
}x }
x }bb}
est satisfaite, et c’est la meilleure possible : pour une matrice A donnée, on peut trouver des vecteurs
b ‰ 0 et ∆b ‰ 0 tels qu’elle devienne une égalité.
3.3.Conditionnement d’un système linéaire

Preuve. On a
x“b
Ax et A px
x ` ∆x
∆xq “ b ` ∆b
or A px
x ` ∆x
∆xq “ Ax ∆x et donc A∆x
x ` A∆x ∆x “ ∆b ou encore ∆x “ A-1∆b
∆b. Ceci donne
› -1 › › -1 ›
∆x} “ ›A ∆b › ď ›A › }∆b
∆x
}∆x ∆b
∆b}
et
}bb} “ }Ax
x} ď }A} }x
x} .
On en déduit › ›
∆x
}∆x x} ›A-1 › }∆b
∆x} }bb} ď }A} }x ∆b
∆b} .
Comme b ‰ 0 , on a x “ A-1b ‰ 0 et, les normes étant positives, on obtient
∆x
}∆x
∆x} ∆b
}∆b
∆b}
ď condpAq
}x
x} }bb}
D’après la Proposition 3.30, pour toute norme matricielle subordonnée il existe au moins un vecteur
u P Kn zt0u et un vecteur v P Kn zt0u tel que
› -1 › › -1 ›
›A u› “ ›A › }u
u} et }Avv } “ }A} }vv } .
En posant b “ Avv et ∆b “ u on a bien égalité.
Compiled on 2022/09/15 at 10:51:48

Théorème 3.42
Soient A et A ` ∆A deux matrices inversibles. Soient x et x ` ∆x les solutions respectives de
x “ b et pA ` ∆Aq px
Ax x ` ∆x
∆xq “ b .
Supposons b ‰ 0 , alors on a
∆x
}∆x
∆x} }∆A}
ď condpAq .
}x
x ` ∆x
∆x} }A}
Preuve. On a
x “ b “ pA ` ∆Aq px
Ax x ` ∆x
∆xq “ Ax ∆x ` ∆A px
x ` A∆x x ` ∆x
∆xq
et donc
∆x ` ∆A px
A∆x ∆xq “ 0 ðñ ∆x “ Á-1 ∆A px
x ` ∆x x ` ∆x
∆xq
On en déduit alors
› › › › › ›
∆x} “ ›A-1 ∆A px
∆x
}∆x ∆xq› ď ›A-1 › }∆A px
x ` ∆x ∆xq} ď ›A-1 › }∆A} }x
x ` ∆x x ` ∆x
∆x}
def condpAq
De plus, on a condpAq “ }A} }A-1 } et donc }A-1 } “ }A} ce qui donne
3.4.2 Présentation des méthodes usuelles
}∆A}
∆x
}∆x
∆x} ď condpAq }x
x ` ∆x
∆x} .
}A}
-1
Comme b ‰ 0, on a x ` ∆x “ pA ` ∆Aq b ‰ 0 et de l’inégalité précédente, on déduit alors
∆x
}∆x
∆x} }∆A}
ď condpAq .
}x
x ` ∆x
∆x} }A}
Remarque 3.43 1. Plus le conditionnement d’une matrice est proche de 1, meilleur il est.
2. Si une matrice A est mal conditionnée, il est possible de trouver une matrice P inversible tel que la
matrice P-1 A soit mieux conditionné... Résoudre Ax x “ b est alors équivalent à résoudre P-1 Axx“
P b . La matrice P est appelé préconditionneur. Le choix P “ A est idéal mais n’est pas réellement
-1
utilisable. Si A est une matrice dominante alors on peut utiliser le préconditionneur de Jacobi:
P “ diagpAq.
3.4 Méthodes itératives

3.4. Méthodes itératives
3.4.1 Principe
On souhaite résoudre le système linéaire Ax
x “ b par des méthodes itératives. Ces dernières consitent
en la détermination d’une matrice d’itération B et d’un vecteur c tels que la suite de vecteurs x rks
définie par
x rk`1s “ Bxxrks ` c , k ě 0, x r0s arbitraire
soit telle que limkÑ8 x rks “ x et x solution de Ax
x “ b . Bien évidemment les matrices B et les vecteurs c
dépendront de A et b .
Nous allons étudier plusieurs méthodes itératives et pour chacune d’entre elles nous expliciterons la
matrice d’itération B et le vecteur c associé.

Soit A P Mn pKq une matrice régulière, d’éléments diagonaux non-nuls, et b P Kn . On note D la matrice
diagonale telle que D “ diagpAq, E la matrice triangulaire inférieure à diagonale nulle définie par
"
eij “ 0, iďj
(3.65)
eij “ áij i ą j
Compiled on 2022/09/15 at 10:51:48

Méthodes itératives 107
et F la matrice triangulaire supérieure à diagonale nulle définie par

"
fij “ 0, iěj
(3.66)
fij “ áij i ă j
On a alors
¨ ˛ ¨ ˛ ¨ ˛
¨¨¨
a1,10 0 0 ¨¨¨ ¨¨¨ 0 0 a1,2 ¨¨¨ a1,n
˚ .. .. .. ‹ ˚ .. .. ‹ ˚ .. .. .. .. ‹
˚ . . ‹ ˚ a . . ‹ ˚ . . ‹
˚ 0 . ‹ ˚ 2,1 ‹ ˚ . . ‹
A “ ˚ ‹`˚ ‹`˚ ‹
˚ .. .. .. ‹ ˚ .. .. .. .. ‹ ˚ .. .. ‹
˝ . . 0 . ‚ ˝ . . . . ‚ ˝ . . an´1,n ‚
0 0 an,n ¨¨¨ an,1 ¨ ¨ ¨ an,n´1 0 0 ¨¨¨ ¨¨¨ 0
¨ ˛
..
˚ . ´F‹
“ DÉ´F“˚
˝ D ‹
‚ (3.67)
..
É .
On rappelle que la i-ème équation du système linéaire Ax

x “ b s’écrit
n
ÿ i´1
ÿ n
ÿ
bi “ ai,j xj “ ai,j xj ` ai,i xi ` ai,j xj . (3.68)
j“1 j“1 j“i`1

Il faut aussi noter que la matrice diagonale D est inversible car les éléments diagonaux de A sont non
nuls par hypothèse.
Méthode de Jacobi
Pour obtenir la méthode itérative de Jacobi, il suffit de mettre, dans la formule (3.4.2), l’itéré k ` 1 sur
le terme diagonale et l’itéré k sur les autres termes pour avoir

i´1
ÿ n
ÿ
rks rk`1s rks
bi “ ai,j xj ` ai,i xi ` ai,j xj .
j“1 j“i`1
ce qui donne ˜ ¸
n
ÿ
rk`1s 1 rks
xi “ bi ´ aij xj @i P v1, nw (3.69)
aii j“1,j‰i
Méthode de Gauss-Seidel
Pour obtenir la méthode itérative de Jacobi, il suffit de mettre, dans la formule (3.4.2), l’itéré k ` 1 sur
la partie triangulaire inférieure et l’itéré k sur les autres termes pour avoir
3.4.Méthodes itératives
i´1
ÿ n
ÿ
rk`1s rk`1s rks
bi “ ai,j xj ` ai,i xi ` ai,j xj .
j“1 j“i`1
ce qui donne ˜ ¸
i´1
ÿ n
ÿ
pk`1q 1 rk`1s rks
xi “ bi ´ aij xj ´ aij xj @i P v1, nw (3.70)
aii j“1 j“i`1
Méthodes de relaxation
Ces méthodes sont basées sur un paramètre de relaxation w P R˚ et sont données par
rk`1s rk`1s rks
xi “ wxi ` p1 ´ wqxi
rk`1s
où xi est obtenu à partir de l’une des deux méthodes précédentes.
Avec la méthode de Jacobi
˜ ¸
ÿn
pk`1q w rks rks
xi “ bi ´ aij xj ` p1 ´ wqxi @i P v1, nw.
aii j“1,j‰i
Compiled on 2022/09/15 at 10:51:48

Avec la méthode de Gauss-Seidel

˜ ¸
i´1
ÿ ÿn
rk`1s w rk`1s rks rks
xi “ bi ´ aij xj ´ aij xj ` p1 ´ wqxi @i P v1, nw
aii j“1 j“i`1
Cette dernière méthode de relaxation, utilisant la méthode de Gauss-Seidel, est appelée méthode S.O.R.
(successive over relaxation)
Exercice 3.4.1
En écrivant A sous la forme A “ D ´ E ´ F, montrer que les méthodes itératives de Jacobi, Gauss-
Seidel et S.O.R. s’écrivent sous la forme x rk`1s “ Bx
xrks ` c , où l’on exprimera les matrices B et les
vecteurs c en fonction de D, E, F et b .
Correction Exercice 3.4.1 On rappelle que la i-ème équation du système linéaire Ax

x “ b s’écrit
n
ÿ i´1
ÿ n
ÿ
bi “ ai,j xj “ ai,j xj ` ai,i xi ` ai,j xj .
j“1 j“1 j“i`1
et que ceci correspond à l’écriture matricielle

b “ Dx
x ´ Ex
x ´ Fx
x
‚ Pour la méthode de Jacobi on a, @i P v1, nw,

i´1
ÿ n
ÿ
rk`1s rks rks
bi “ ai,i xi ` ai,j xj ` ai,j xj .
j“1 j“i`1
ce qui s’écrit matriciellement

xrk`1s ´ Ex
b “ Dx xrks ´ Fx
xrks .
On a donc
xrk`1s “ b ` pE ` Fqx
Dx xrks
Comme la matrice D est inversible, on obtient
x rk`1s “ D-1 pE ` Fqx

xrks ` D-1b
La matrice d’itération de Jacobi est B “ D-1 pE ` Fq et le vecteur c “ D-1b .
‚ Pour la méthode de Gauss-Seidel on a, @i P v1, nw,

i´1
ÿ n
ÿ
rk`1s rk`1s rks
bi “ ai,i xi ` ai,j xj ` ai,j xj .
j“1 j“i`1
ce qui s’écrit matriciellement

xrk`1s ´ Ex
b “ Dx xrk`1s ´ Fx
xrks .
On a donc
xrk`1s “ b ` Fx
pD ´ Eqx xrks
Comme la matrice D ´ E est inversible (matrice triangulaire inférieure d’éléments diagonaux non
nuls), on obtient
x rk`1s “ pD ´ Eq Fxxrks ` pD ´ Eq-1b
-1
-1 -1
La matrice d’itération de Gauss-Seidel est B “ pD ´ Eq F et le vecteur c “ pD ´ Eq b .
‚ Pour la méthode S.O.R. on a , @i P v1, nw,

˜ ¸
i´1
ÿ ÿn
xi “ bi ´ aij xj ´ aij xj ` p1 ´ wqxi
aii j“1 j“i`1
Compiled on 2022/09/15 at 10:51:48

ce qui s’écrit aussi

i´1 n
aii rk`1s ÿ rk`1s
ÿ rks 1´w rks
xi ` aij xj “ bi ´ aij xj ` aii xi
w j“1 j“i`1
w
et matriciellement on obtient
ˆ ˙ ˆ ˙
D 1´w
´ E x rk`1s “ D ` F x rks ` b .
w w
`D ˘
Comme la matrice w ´ E est inversible (car triangulaire inférieure à éléments diagonaux non
nuls), on a
ˆ ˙-1 ˆ ˙ ˆ ˙-1
D 1´w D
x rk`1s “ É D ` F x rks ` É b
w w w
`D ˘-1 ` 1´w ˘ `D ˘-1
La matrice d’itération de S.O.R. est B “ w É w D ` F et le vecteur c “ w ´ E b.

Proposition 3.44
Soit A une matrice régulière telle que tous ses éléments diagonaux soient non nuls. On note D “
diagpAq et E, F, les matrices à diagonales nulles respectivement triangulaire inférieure et supérieure
telles que A “ D ´ E ´ F. On pose L “ D-1 E et U “ D-1 F.
La matrice d’itération de la méthode de Jacobi, notée J, est donnée par
J “ D-1 pE ` Fq “ L ` U, (3.71)

La matrice d’itération de la méthode S.O.R., notée Lw , est donnée par
ˆ ˙-1 ˆ ˙
D 1´w -1
Lw “ É D`F “ pI ´ wLq pp1 ´ wqI ` wUq . (3.72)
w w
et elle vérifie
ρpLw q ě |w ´ 1|. (3.73)
La matrice d’itération de Gauss-Seidel est L1 et elle correspond à
-1 -1
L1 “ pD ´ Eq F “ pI ´ Lq U. (3.74)
Preuve. Les résultats découlent de l’Exercice 3.4.1 pour l’écriture en fonction des matrices D, E et F.
Pour l’écriture en fonction des matrices L et U seule l’équation (3.72) n’est pas forcément immédiate. On
a vu que
ˆ ˙-1 ˆ ˙
D 1´w
Lw “ É D`F
w w
et comme E “ DL et F “ DU on obtient
ˆ ˙-1 ˆ ˙
D 1´w
Lw “ ´ DL D ` DU
w w
ˆ ˙-1 ˆ ˙
1 1
“ DrI ´ wLs Drp1 ´ wqI ` wUs
w w
ˆ ˙-1 ˆ ˙
-1 1 1
“ pI ´ wLq D D pp1 ´ wqI ` wUq
w w
-1
“ pI ´ wLq pp1 ´ wqI ` wUq
Il reste à démontrer l’inégalité (3.73). La matrice L est triangulaire inférieure à diagonale nulle car elle
est le produit d’une matrice diagonale (et donc triangulaire inférieure) D-1 et d’une matrice triangulaire
Compiled on 2022/09/15 at 10:51:48

inférieure E à diagonale nulle. De même la matrice U est triangulaire supérieure à diagonale nulle.
On sait que le déterminant d’une matrice est égale aux produits de ses valeurs propres comptées avec
leurs multiplicités. En notant n la dimension de la matrice Lw , et en notant λi pLw q ses n valeurs propres,
on a donc
źn
detpLw q “ λi pLw q.
i“1
Le rayon spectrale de Lw , noté ρpLw q, correspond au plus grand des modules des valeurs propres. On a
alors
ρpLw q “ max |λi pLw q| ě | detpLw q|1{n
iPv1,nw
De plus on a
´ ¯ ´ ¯
-1 -1
detpLw q “ det pI ´ wLq pp1 ´ wqI ` wUq “ det pI ´ wLq det ppp1 ´ wqI ` wUqq
La ´matrice I ´¯wL est triangulaire inférieure à diagonale unité donc son inverse aussi. On en déduit
-1
det pI ´ wLq “ 1. La matrice p1´wqI`wU est triangulaire supérieure avec tous ses éléments diagonaux
valant 1 ´ w et donc det ppp1 ´ wqI ` wUqq “ p1 ´ wqn . On a alors | detpLw q| “ |1 ´ w|n et
ρpLw q ě | detpLw q|1{n “ |1 ´ w|.

3.4.3 Etude de la convergence
Théorème 3.45
Soit A une matrice régulière décomposée sous la forme A “ M ´ N avec M régulière. On pose
B “ M-1 N et c “ M-1b .
Alors la suite définie par

x r0s P Kn et x rk`1s “ Bx
xrks ` c
x “ A-1b quelque soit x r0s si et seulement si ρpBq ă 1.
converge vers x̄
Preuve. Comme x̄
x “ A-1b (sans présupposer la convergence) on a Mx̄ x ` b et alors
x “ Nx̄
x “ M-1 Nx̄
x̄ x ` M-1b “ Bx̄
x `c
On obtient donc
x ´ x rk`1s “ Bpx̄
x̄ x ´ x rks q
def
Or la suite x rks converge vers x̄ x ´ x rks converge vers 0 . On a
x si et seulement si la suite e rks “ x̄
e rks “ Bke r0s , @k P N.
D’après le Théoréme 3.37, page 103, on a limkÑ`8 Bke r0s “ 0, @eer0s P Kn si et seulement si ρpBq ă 1.
Corollaire 3.46
Soit A une matrice vérifiant ai,i ‰ 0 @i. Une condition nécessaire de convergence pour la méthode
S.O.R. est que 0 ă w ă 2.
Preuve. On a vu en (voir Proposition 3.44, page 109) que ρpLw q ě |w ´ 1|. Donc si ρpLw q ě 1, la
non-convergence est certaine d’après le Théoréme 3.37, page 103. Une condition nécessaire (mais non
suffisante) de convergence est que |w ´ 1| ă 1 i.e. w Ps0, 2r.
Compiled on 2022/09/15 at 10:51:48

Théorème 3.47
Soit A une matrice à diagonale strictement dominante ou une matrice inversible à diagonale forte-
ment dominante alors
• la méthode de Jacobi est convergente,
• si w Ps0, 1s la méthode de Relaxation est convergente.
Preuve. voir [7], vol.2, Théorème 19 et 20, pages 346 à 349.
Théorème 3.48
Soit A une matrice hermitienne inversible en décomposée en A “ M ´ N où M est inversible. Soit

B “ I ´ M-1 A, la matrice de l’itération. Supposons que M˚ ` N (qui est hermitienne) soit définie
positive. Alors ρpBq ă 1 si et seulement si A est définie positive.
Preuve. (voir Exercice 3.4.2, page 111)
Exercice 3.4.2

Soit A P Mn,n pCq une matrice hermitienne inversible décomposée en A “ M ´ N où M est inversible.
On note B “ I ´ M-1 A.
Q. 1 Montrer que la matrice M˚ ` N est hermitienne.
On suppose maintenant que M˚ ` N est définie positive.

Q. 2 Soit x un vecteur quelconque de Cn et y “ Bx
x.
1. Montrer que
@ D @ D @ D
xx xy ´ xyy , Ayy y “ x , AM-1 Ax
x, Ax x ` M-1 Ax x ´ M-1 Ax
x, Ax x, AM-1 Ax
x (3.75)
et
x ´ y “ M-1 Ax
x. (3.76)
2. En déduire que
xx x ´ y q, pM˚ ` Nqpx
xy ´ xyy , Ayy y “ xpx
x, Ax x ´ y qy . (3.77)
Q. 3 Montrer que si A est définie positive alors ρpBq ă 1.
Q. 4 Démontrer par l’absurde que si ρpBq ă 1 alors A est définie positive.

Q. 1 On a
` ˘˚
M˚ ` N “ M ` N˚
“ A ` N ` N˚ “ A˚ ` N ` N˚ car A est hermitienne
“ M˚ ` N.
La matrice M˚ ` N est donc hermitienne.
Q. 2 1. On a y “ Bx
x avec B “ I ´ M-1 A ce qui donne
` ˘
x ´ y “ x ´ Bx x “ I ´ B x “ M-1 Ax
x.
L’équation (3.76) est donc démontrée. Pour prouver (3.75), on note que
y “ x ´ M-1 Ax
x
Compiled on 2022/09/15 at 10:51:48

et donc
@ ` ˘D
xyy , Ayy y “ x ´ M-1 Axx, A x ´ M-1 Ax
x
@ D @ D @ D
“ xx xy ´ M-1 Ax
x, Ax x ´ x , AM-1 Ax
x, Ax x ` M-1 Ax
x, AM-1 Ax
x .
On en déduit immédiatement (3.75).
2. En utilisant (3.76), on obtient

@ ` ˘ D @ ` ˘ D
x ´ y , M˚ ` N px x, M˚ ` N M-1 Ax
x ´ y q “ M-1 Ax x
@ ` ˘ D
x, M ` N˚ M-1 Ax
“ M-1 Ax x car M˚ ` N hermitienne
@ ` ˘ D
x, M ` M˚ ´ A˚ M-1 Ax
“ M-1 Ax x car N “ M ´ A
@ D @ D @ D
“ M-1 Ax
x, Ax x, M˚ M-1 Ax
x ` M-1 Ax x ´ M-1 Ax x car A hermitienne
x, AM-1 Ax
Or, par propriété du produit scalaire, on a

@ -1 D @ D @ D @ D
M Axx, M˚ M-1 Ax
x “ MM-1 Ax
x, M-1 Ax
x “ Ax x “ x , A˚ M-1 Ax
x, M-1 Ax x .
Comme A est hermitienne, on obtient

@ -1 D @ D
M Axx, M˚ M-1 Ax
x “ x , AM-1 Ax
x .
On abouti alors à
@ ` ˘ D @ D @ D @ D
x ´ y , M˚ ` N px
x ´ y q “ M-1 Ax x ` x , AM-1 Ax
x, Ax x ´ M-1 Ax
x, AM-1 Ax
x .
L’équation (3.77) est obtenue en utilisant (3.75).

Q. 3 On veut démontrer que sous les hypothèses A hermitienne définie positive et M˚ ` N (hermitienne)
définie positive on a ρpBq ă 1, c’est à dire que pour tout élément propre pλ, u q de B alors |λ| ă 1.
Soit pλ, u q P C ˆ Cn zt0u un élément propre de B. On a Bu u “ λuu. En prenant x “ u dans Q.2, on a
y “ Buu “ λu u et donc x ´ y “ p1 ´ λquu. De (3.77) on obtient
xu uy ´ xλu
u, Au u, pM˚ ` Nqpp1 ´ λqu
uy “ xp1 ´ λqu
u, λAu uqy
c’est à dire
p1 ´ |λ|2 q xu
u, Au u, pM˚ ` Nqu
uy “ |1 ´ λ|2 xu uy . (3.78)
Comme par hypothèse, la matrice M˚ ` N (hermitienne) est définie positive et u ‰ 0, on obtient

u, pM˚ ` Nqu
xu uy ą 0
et donc on déduit de (3.78) que

p1 ´ |λ|2 q xu uy ě 0.
u, Au
Comme A hermitienne définie positive et u ‰ 0, on déduit de (3.78) que 1 ´ |λ|2 ě 0 et donc |λ| ď 1.
On va démontrer par l’absurde que |λ| ‰ 1. On suppose |λ| “ 1, de (3.78) on déduit
u, pM˚ ` Nqu
|1 ´ λ|2 xu uy “ 0.
Comme par hypothèse, la matrice M˚ `N (hermitienne) est définie positive et u ‰ 0, on obtient |1´λ|2 “ 0,
c’est à dire λ “ 1. Or dans ce cas on a
y “ Bx
x “ Bu
u “ λu
u “ u.
L’équation (3.76) donne alors

0 “ M-1 Au
u.
Comme u ‰ 0, et que M-1 A est inversible, l’équation ci-dessus est impossible, donc |λ| ‰ 1.
Compiled on 2022/09/15 at 10:51:48

Q. 4 On veut démontrer par l’absurde que, sous les hypothèses M˚ ` N (hermitienne) définie positive, A
hermitienne inversible et ρpBq ă 1, on a A définie positive.
On suppose que A n’est pas définie positive. Alors il existe x P Cn zt0u tel que xx xy R R`˚ .
x, Ax
Pour une matrice quelconque que xx , Ax y P C, or comme A est hermitienne on a xx , Ax
x x x xy P R. En effet,
par propriété du produit scalaire on a
xx
x, Axxy “ xA˚x , x y “ xAx
x, x y “ xx xy.
x, Ax
@ r0s D
On note x r0s “ x et α0 “ x , Ax xr0s le nombre réel négatif ou nul (α0 ď 0). On défini alors pour
les suites A E
x rks “ Bxxrk´1s et αk “ x rks , Ax xrks .
On a alors
x rks “ Bkx r0s , @k P N.
D’après le théorème du cours (Théorème B.72 page 195),
ρpBq ă 1 ðñ lim Bkv , @vv .

kÑ`8
On a donc
lim x rks “ 0 et lim αk “ 0
kÑ`8 kÑ`8
On utilise maintenant l’égalité (3.77) avec x “ x rk´1s et y “ Bxx “ x rks

A E A E A E

x rk´1s , Ax
xrk´1s ´ x rks , Ax
xrks “ px xrk´1s ´ x rks q, pM˚ ` Nqpx
xrk´1s ´ x rks q
On peut noter que x rk´1s ´ x rks ‰ 0, car sinon x rk´1s “ x rks “ Bx

xrk´1s et λ “ 1 serait valeur propre de
rk´1s
B . il faudrait montrer que x ‰0
Dans ce cas, comme M˚ ` N est définie positive, on obtient
A E A E

xrk´1s ´ x rks , Ax
x rk´1s , Ax xrks “ αk´1 ´ αk ą 0.
La suite pαk qkPN est donc strictement décroissante de premier terme α0 ď 0: elle ne peut converger vers
0.
Montrons par récurrence forte que x rks ‰ 0, x rks ´ x rk´1s ‰ 0, et 0 ě αk´1 ą αk , k P N˚ .
‚ Initialisation : On a x r0s ‰ 0 et x r1s “ Bxxr0s .
On montre par l’absurde que x ‰ 0. Supposons x r1s “ 0, alors α1 “ 0 et x r0s ´ x r1s “ x r0s ‰ 0.
r1s
Comme M˚ ` N est hermitienne définie positive on obtient

A E
α0 ´ α1 “ px xr0s ´ x r1s q, pM˚ ` Nqpx
xr0s ´ x r1s q ą 0
et contradiction avec α0 ď 0.
On montre ensuite par l’absurde que x r0s ‰ x r1s . Supposons x r1s “ x r0s . Par construction x r1s “
xr0s , et dans ce cas, comme x r0s ‰ 0, p1, x r0s q serait un élément propre de B: contradiction avec
Bx
ρpBq ă 1.
Comme x r0s ´ x r1s ‰ 0, on a
A E
α0 ´ α1 “ px xr0s ´ x r1s q, pM˚ ` Nqpxxr0s ´ x r1s q ą 0
et donc 0 ě α0 ą α1 .
‚ Hérédité : On suppose la propriété vraie jusqu’au rang k. On a alors x rks ‰ 0, x rk`1s “ Bx xrks et
αk ď 0.
On montre par l’absurde que x rk`1s ‰ 0. Supposons x rk`1s “ 0, alors αk`1 “ 0 et x rks ´ x rk`1s “
x rks ‰ 0. Comme M˚ ` N est hermitienne définie positive on obtient
A E
αk ´ αk`1 “ px xrks ´ x rk`1s q, pM˚ ` Nqpx
xrks ´ x rk`1s q ą 0
et contradiction avec αk ď 0.
On montre ensuite par l’absurde que x rks ‰ x rk`1s . Supposons x rk`1s “ x rks . Par construction
Compiled on 2022/09/15 at 10:51:48

xrk`1s “ Bx
xrks , et dans ce cas, comme xrks ‰ 0, p1, xrks q serait un élément propre de B: contradiction
avec pBq ă 1.
ρ
Comme xrks ´ xrk`1s ‰ 0, on a
A E
αk ´ αk`1 “ px xrks ´ x rk`1s q, pM˚ ` Nqpxxrks ´ x rk`1s q ą 0
et donc 0 ě αk ą αk`1 .
Théorème 3.49
Soit A une matrice hermitienne définie positive, alors la méthode de relaxation converge si et seule-
ment si w Ps0, 2r.
Preuve. voir [7], vol.2, Corollaire 24, page 351.
3.4.4 Algorithmes
Nous allons écrire des algorithmes pour chacune des méthodes itératives proposées. L’objectif n’est pas
d’écrire des algorithmes "optimisés" mais de voir la méthodologie permettant la construction d’algorithmes
simples et fonctionnels.
3.4.4 Algorithmes
Principe de base
Les méthodes itératives pour la résolution d’un système linéaire Ax
x “ b s’écrivent sous la forme
x r0s P Kn et x rk`1s “ Bx
xrks ` c
La matrice d’itération B et le vecteur c sont construits de telle sorte que si la suite px xrks qkPN converge
vers x̄
x alors x̄
x est aussi solution du système linéaire Ax
x “ b.
Comme pour les méthodes de point fixe, La convergence de ces méthodes n’est pas assurée et si il y a
convergence le nombre d’itération nécessaire n’est (à priori) pas connu. C’est pourquoi algorithmiquement
on utilise une boucle Tantque. On défini alors un nombre maximum d’itérations au delà du quel
les calculs itératifs sont stoppés et une valeur ε ą 0 permettant d’arrêter les calculs lorsque x rks est
x. Pour être plus précis, on note r rks “ b ´ Ax
xrks le résidu. On a alors
suffisament proche de x̄
r rks “ Ax̄ xrks “ Aeerks

x ´ Ax
Si on prend comme critère d’arrêt › rks ›

›r ›
ďε
}bb}
alors
› › › › › ›
› rks › › -1 rks › ›› -1 ›› › rks › › › › › › ›
›ee › “ ›A r › ď A ›rr › ď ε ›A-1 › }bb} “ ε ›A-1 › }Ax̄
x} ď ε ›A-1 › }A} }x̄
x} “ ε condpAq }x̄
x}
et donc › rks ›
›e ›
ď ε condpAq
}x̄
x}
Pour éviter des soucis lorsque }bb} est proche de zéro, on peut utiliser comme critère d’arrêt de con-
vergence › rks ›
›r ›
ď ε.
}bb} ` 1
Comme vu avec les méthodes itératives de type point fixe (voir section 2.2.3, page 30), il n’est pas
forcément utile de stocker l’intégralité des termes de la suite x rks puisque seul le "dernier" nous intéresse.
On a alors L’Algorithme 3.19 correspondant à un algorithme itératif générique sans stockage des valeurs
intermédiaires.
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.19 Méthode itérative pour la résolution d’un système linéaire Ax

x“b
Données :
A : matrice de Mn pKq ,
b : vecteur de Kn ,
x0 : vecteur initial de Kn ,
ε : la tolérence, ε P R` ,
Résultat :
x tol : un vecteur de Kn si convergence, sinon H
1: k Ð 0, x tol Ð H
2: x Ð x0 , r Ð b ´ Ax x,
3: tol Ð εp}bb} ` 1q
4: Tantque }rr } ą tol et k ď kmax faire
5: k Ðk`1
6: p Ðx Ź p contient le vecteur précédent
7: x Ð calcul de l’itérée suivante en fonction de p , A, b , ...
8: r Ð b ´ Ax x,
9: Fin Tantque
10: Si }rr } ď tol alors Ź Convergence
11: x tol Ð x
12: Fin Si
3.4.4 Algorithmes
Méthode de Jacobi

Pour Jacobi, la suite des itérées est définie par
˜ ¸
n
ÿ
rk`1s 1 rks
xi “ bi ´ aij xj , @i P v1, nw.
aii j“1,j‰i
Cette formule donne explicitement les composantes du vecteur x rk`1s en fonction de la matrice A, et des
vecteurs b et x rks . A partir de l’Algorithme 3.19, on va construire par raffinements successifs la RSLJacobi
donnée dans l’Algorithme 3.20.
1: k Ð 0, x tol Ð H 1: k Ð 0, x tol Ð H
2: x Ð x0 , r Ð b ´ Ax
x, 2: x Ð x0 , r Ð b ´ Ax
x,
3: tol Ð εp}bb} ` 1q 3: tol Ð εp}bb} ` 1q
4: Tantque }rr } ą tol et k ď kmax faire 4: Tantque }rr } ą tol et k ď kmax faire
5: k Ðk`1 5: k Ðk`1
6: p Ðx 6: p Ðx
7:
8: x Ð calcul par Jacobi 7: Pour i Ð 1ã̀ n faire ¸
n
9: r Ð b ´ Ax x, 1 ÿ
8: xi Ð bi ´ aij p j
10: Fin Tantque aii j“1,j‰i
11: Si }rr } ď tol alors Ź Convergence 9: Fin Pour
12: x tol Ð x
13: Fin Si 10: r Ð b ´ Ax x,
11: Fin Tantque
12: Si }rr } ď tol alors Ź Convergence
13: x tol Ð x
14: Fin Si
Compiled on 2022/09/15 at 10:51:48

2: x Ð x 0 , r Ð b ´ Ax
x, 2: x Ð x 0 , r Ð b ´ Ax
x,
5: k Ðk`1 5: k Ðk`1
6: p Ðx 6: p Ðx
8:
SÐ0
˜ ¸
n 8:
1 ÿ
9: xi Ð bi ´ aij p j 9: Pour j Ð 1 à n pj ‰ iq faire
aii j“1,j‰i 10: S Ð S ` ai,j pj
11: r Ð b ´ Ax x, 1
12: xi Ð pbi ´ Sq
12: Fin Tantque aii
13: Si }rr } ď tol alors 13: Fin Pour
14: x tol Ð x 14: r Ð b ´ Ax x,
15: Fin Si 15: Fin Tantque
16: Si }r
r } ď tol alors
17: x tol Ð x
18: Fin Si
On peut alors écrire la fonction RSLJacobi :

3.4.4 Algorithmes
Algorithme 3.20 Méthode itérative de Jacobi pour la résolution d’un système

linéaire Ax
x“b
Données :
b : vecteur de Kn ,
Résultat :
X : un vecteur de Kn
1: Fonction X Ð RSLJacobi ( A, b , x 0 , ε, kmax )

2: k Ð 0, X Ð H
3: x Ð x0, r Ð b ´ A ˚ x,
6: k Ðk`1
7: p Ðx
9: SÐ0
10: Pour j Ð 1 à n pj ‰ iq faire
11: S Ð S ` Api, jq ˚ ppjq
12: Fin Pour
14: Fin Pour
15: r Ð b ´ A ˚ x,
16: Fin Tantque
17: Si }rr } ď tol alors
18: X Ðx
19: Fin Si
20: Fin Fonction
Compiled on 2022/09/15 at 10:51:48

Méthode de Gauss-Seidel
Pour Gauss-Seidel, la suite des itérées est définie par
˜ ¸
i´1
ÿ n
ÿ
pk`1q 1 rk`1s rks
xi “ bi ´ aij xj ´ aij xj @i P v1, nw
aii j“1 j“i`1
Cette formule donne explicitement la composante i du vecteur x rk`1s en fonction de la matrice A, et des
vecteurs b et xrks , mais aussi des i ´ 1 premières composantes de xrk`1s . Contrairement à la méthode de
rk`1s rk`1s
Jacobi, il est impératif de calculer sussessivement x1 , x2 , ... A partir de l’Algorithme 3.19, on va
construire par raffinements successifs la RSLGaussSeidel donnée dans l’Algorithme 3.21.
2: x Ð x 0 , r Ð b ´ Ax
x, 2: x Ð x 0 , r Ð b ´ Ax
x,
5: k Ðk`1 5: k Ðk`1
6: p Ðx 6: p Ðx
7:
3.4.4 Algorithmes
8: x Ð calcul par Gauss-Seidel 7: Pour i Ð 1ã̀ n faire ¸
i´1 n
9: r Ð b ´ Ax x, 1 ÿ ÿ
8: xi Ð bi ´ aij xj ´ aij pj
10: Fin Tantque aii j“1 j“i`1

12: x tol Ð x
13: Fin Si 10: r Ð b ´ Ax x,
11: Fin Tantque
13: x tol Ð x
14: Fin Si
2: x Ð x 0 , r Ð b ´ Ax
x, 2: x Ð x 0 , r Ð b ´ Ax
x,
5: k Ðk`1 5: k Ðk`1
6: p Ðx 6: p Ðx
7:
8: x Ð calcul par Gauss-Seidel 7: Pour i Ð 1ã̀ n faire ¸
i´1 n
9: r Ð b ´ Ax x, 1 ÿ ÿ
8: xi Ð bi ´ aij xj ´ aij pj
10: Fin Tantque aii j“1 j“i`1
12: x tol Ð x
13: Fin Si 10: r Ð b ´ Ax x,
11: Fin Tantque
13: x tol Ð x
14: Fin Si
On peut alors écrire la fonction RSLGaussSeidel :
Compiled on 2022/09/15 at 10:51:48

Algorithme 3.21 Méthode itérative de Gauss-Seidel pour la résolution d’un sys-

tème linéaire Ax
x“b
Données :
b : vecteur de Kn ,
0
x : vecteur initial de Kn ,
Résultat :
X : un vecteur de Kn
1: Fonction X Ð RSLGaussSeidel ( A, b, x0 , ε, kmax )

2: k Ð 0, X Ð H
3: x Ð x0, r Ð b ´ A ˚ x,
6: k Ðk`1
7: p Ðx
9: SÐ0
12: Fin Pour
14: S Ð S ` Api, jq ˚ ppjq
3.4.4 Algorithmes
15: Fin Pour

17: Fin Pour
18: r Ð b ´ A ˚ x,
19: Fin Tantque
21: X Ðx
22: Fin Si
23: Fin Fonction
Jeux algorithmiques
On a bien sûr noté que les fonctions RSLJacobi et RSLGaussSeidel ont la même ossature puisque
toutes deux basées sur l’Algorithme 3.19 générique. En effet seule la transcription de la ligne 7 de
l’Algorithme 3.19 différe :
Compiled on 2022/09/15 at 10:51:48

Fonction X Ð RSLJacobi ( A, b , x 0 , ε, kmax ) Fonction X Ð RSLGaussSeidel ( A, b , x 0 , ε, kmax )

k Ð 0, X Ð H k Ð 0, X Ð H
x Ð x0, r Ð b ´ A ˚ x, x Ð x0, r Ð b ´ A ˚ x,
tol Ð εp}bb} ` 1q tol Ð εp}bb} ` 1q
Tantque }rr } ą tol et k ď kmax faire Tantque }rr } ą tol et k ď kmax faire
k Ðk`1 k Ðk`1
p Ðx p Ðx
Pour i Ð 1 à n faire Pour i Ð 1 à n faire
SÐ0 SÐ0
Pour j Ð 1 à n pj ‰ iq faire Pour j Ð 1 à i ´ 1 faire
S Ð S ` Api, jq ˚ ppjq S Ð S ` Api, jq ˚ xpjq
Fin Pour Fin Pour
xpiq Ð pbpiq ´ Sq{Api, iq Pour j Ð i ` 1 à n faire
Fin Pour S Ð S ` Api, jq ˚ ppjq
r Ð b ´ A ˚ x, Fin Pour
Fin Tantque xpiq Ð pbpiq ´ Sq{Api, iq
Si }rr } ď tol alors Fin Pour
X Ðx r Ð b ´ A ˚ x,
Fin Si Fin Tantque
Fin Fonction Si }rr } ď tol alors
X Ðx
Fin Si
Fin Fonction
On va écrire les fonctions algorithmiques IterJacobi et IterGaussSeidel permettant le calcul

d’une itérée respectivement pour les méthodes de Jacobi et Gauss-Seidel (voir Algorithmes 3.22 et 3.23).
Algorithme 3.22 Itération de Jacobi : calcul de x tel Algorithme 3.23 Itération de Gauss-Seidel : calcul de x
3.4.4 Algorithmes
que ˜ ¸ tel que ˜ ¸
ÿn i´1
ÿ ÿn
1 1
xi “ bi ´ aij yj , @i P v1, nw. xi “ bi ´ ai,j xj ´ ai,j yj , @i P v1, nw.
aii j“1,j‰i
aii j“1 j“i`1
Données : Données :

A : matrice de Mn pKq , A : matrice de Mn pKq ,
b : vecteur de Kn , b : vecteur de Kn ,
y : vecteur de Kn , y : vecteur de Kn ,
Résultat : Résultat :
x : un vecteur de Kn x : un vecteur de Kn
1: Fonction x Ð IterJacobi ( A, b, y ) 1: Fonction x Ð IterGaussSeidel ( A, b, y )

2: Pour i Ð 1 à n faire 2: Pour i Ð 1 à n faire
3: SÐ0 3: SÐ0
Pour j Ð 1 à n pj ‰ iq faire Pour j Ð 1 à i ´ 1 faire
4: 4:
5: S Ð S ` Api, jq ˚ ypjq 5: S Ð S ` Api, jq ˚ xpjq
7: xpiq Ð pbpiq ´ Sq{Api, iq 7: Pour j Ð i ` 1 à n faire
8: Fin Pour 8: S Ð S ` Api, jq ˚ ypjq
9: Fin Fonction 9: Fin Pour
11: Fin Pour
12: Fin Fonction
En utilisant ces deux fonctions, les algorithmes de résolutions de systèmes linéaires par les méthodes
de Jacobi et Gauss-Seidel peuvent se réécrire sous la forme suivante :
Fonction X Ð RSLJacobiV2 ( A, b , x 0 , ε, kmax ) Fonction X Ð RSLGaussSeidelV2 ( A, b , x 0 , ε, kmax )

k Ð 0, X Ð H k Ð 0, X Ð H
x Ð x0, r Ð b ´ A ˚ x, x Ð x0, r Ð b ´ A ˚ x,
tol Ð εp}bb} ` 1q tol Ð εp}bb} ` 1q
Tantque }rr } ą tol et k ď kmax faire Tantque }rr } ą tol et k ď kmax faire
k Ðk`1 k Ðk`1
p Ðx p Ðx
x Ð IterJacobipA, b , p q x Ð IterGaussSeidelpA, b , p q
r Ð b ´ A ˚ x, r Ð b ´ A ˚ x,
Fin Tantque Fin Tantque
Si }rr } ď tol alors Si }rr } ď tol alors
X Ðx X Ðx
Fin Si Fin Si
Fin Fonction Fin Fonction
Compiled on 2022/09/15 at 10:51:48

En programmation, dès que l’on commence à faire des copier/coller1 il faut se poser la question : est-il
possible de faire sans?
La plupart du temps la réponse est oui, et celà permet souvent de simplifier, clarifier et racourcir le
code ce qui simplifie grandement sa maitenance. Dans notre cas, on écrit l’Algorithme générique 3.19
sous forme d’une fonction à laquelle on ajoute aux paramètres d’entrées une fonction formelle IterFonc
permettant le calcul d’une itérée :
x Ð IterFoncpA, b , y q.
Cette fonction est donc une donnée du problème. On a alors
Algorithme 3.24 Méthode itérative pour la résolution d’un système linéaire Ax

x“b
Données :
b : vecteur de Kn ,
IterFonc : fonction de paramètres une matrice d’ordre n,
: et deux vecteurs de Kn . retourne un vecteur de Kn .
Résultat :
x tol : un vecteur de Kn si convergence, sinon H
3.4.4 Algorithmes
1: Fonction X Ð RSLMethIter (A, b , IterFonc, x 0 , ε, kmax)

2: k Ð 0, x tol Ð H
3: x Ð x 0 , r Ð b ´ Ax x,
6: k Ðk`1
7: p Ðx
8: x Ð IterFoncpA, b , p q
9: r Ð b ´ Ax x,
10: Fin Tantque
12: x tol Ð x
13: Fin Si
14: Fin Fonction
En utilisant cette fonction, les algorithmes de résolutions de systèmes linéaires par les méthodes de
Jacobi et Gauss-Seidel peuvent se réécrire sous la forme suivante :
Fonction X Ð RSLJacobiV3 ( A, b, x0 , ε, kmax ) Fonction X Ð RSLGaussSeidelV3 ( A, b, x0 , ε, kmax )

X Ð RSLMethIterpA, b , IterJacobi, x 0 , ε, kmaxq X Ð RSLMethIterpA, b , IterGaussSeidel, x 0 , ε, kmaxq
Fin Fonction Fin Fonction
Méthode S.O.R.
Pour la méthode de relaxation utilisant Gauss-Seidel,avec w P R˚ , la suite des itérées est définie par
˜ ¸
i´1
ÿ n
ÿ
xi “ bi ´ aij xj ´ aij xj ` p1 ´ wqxi @i P v1, nw
aii j“1 j“i`1
1 Opération qui pour un bon programmeur est une chose très fatiguante!
Compiled on 2022/09/15 at 10:51:48

Fonction X Ð RSLSORV3 ( A, b , w, x 0 , ε, kmax )

˜ 3.25 Itération S.O.R. : ¸
Algorithme calcul de x tel que IterFun Ð ppM, r , s q ÞÑ IterSORpM, r , s , wqq
i´1
ÿ ÿn
w X Ð RSLMethIterpA, b , IterFun, x 0 , ε, kmaxq
xi “ bi ´ aij xj ´ aij yj ` p1 ´ wqyi
aii j“1 j“i`1 Fin Fonction
Données :
b : vecteur de Kn ,
y : vecteur de Kn ,
w : réel non nul.
Résultat :
x : un vecteur de Kn
1: Fonction x Ð IterSOR ( A, b, y, w )
3: SÐ0
6: Fin Pour
8: S Ð S ` Api, jq ˚ ypjq
9: Fin Pour
10: xpiq Ð w ˚ pbpiq ´ Sq{Api, iq ` p1 ´ wq ˚ ypiq
11: Fin Pour
12: Fin Fonction
Une ch’tite remarque

Les méthodes itératives que l’on a étudiées sont basées sur l’expression
3.4.5 Exercices
x rk`1s “ Bx
xrks ` c
Si l’on pose
Φ : x ÞÑ Bx
x `c

alors
x rk`1s “ Φ px
xrks q.
Celà vous rappelle-t’il quelque chose?
3.4.5 Exercices
Exercice 3.4.3
Q. 1 Montrer que pour la matrice ¨ ˛

1 2 ´2
A1 “ ˝1 1 1‚
2 2 1
la méthode de Jacobi converge, tandis que la méthode de Gauss-Seidel diverge.
Q. 2 Montrer que pour la matrice ¨ ˛
2 ´1 1
A2 “ ˝ 2 2 2‚
´1 ´1 2
la méthode de Jacobi diverge, tandis que la méthode de Gauss-Seidel converge.
Exercice 3.4.4
Soit A P Mn pCq une matrice hermitienne définie positive décomposée (par points) sous la forme
A “ D ´ E ´ F où D “ diagpAq, E est triangulaire inférieure et d’éléments nuls sur la diagonale et F
est triangulaire supérieure et d’éléments nuls sur la diagonale.
On étudie une méthode itérative de résolution su système linéaire Ax x “ b . Soit x 0 P Cn , on
Compiled on 2022/09/15 at 10:51:48

définit la suite px
xk qkPN par
pD ´ Eqx
xk`1{2 “ Fx
xk ` b (3.79)
pD ´ Fqxxk`1 “ Ex
xk`1{2 ` b (3.80)
Q. 1 Ecrire le vecteur x k`1 sous la forme
x k`1 “ Bx
xk ` c (3.81)
en explicitant le matrice B et le vecteur c .
Q. 2 1. Montrer que
D-1 “ pD ´ Eq´1 ´ D-1 EpD ´ Eq´1 . (3.82)
2. Soit pλ, p q un élément propre de la matrice B. Montrer que
λApp ` pλ ´ 1qED-1 Fpp “ 0. (3.83)
x “ b.
Q. 3 En déduire la convergence de cette méthode vers la solution x de Ax
Q. 4 Etendre ces résultats au cas d’une décomposition A “ D ´ E ´ F par blocs.
Correction Exercice
Q. 1 La matrice D est inversible. En effet, pour tout i P v1, nw, di,i “ ai,i “ xAeei , e i y ą 0 car A définie
positive et e i , i-ème vecteur de la base canonique est non nul.
3.4.5 Exercices
On en déduit que les matrices D ´ E (triangulaire inférieure de diagonale la diagonale de D) et D ´ F

(triangulaire supérieure de diagonale la diagonale de D) sont inversibles.
-1
De (3.79), on obtient en multipliant à gauche par pD ´ Eq
-1
x k`1{2 “ pD ´ Eq Fxxk ` pD ´ Eq-1b .
En remplaçant cette expression de x k`1{2 dans (3.80), on a
´ ¯
pD ´ Fqxxk`1 “ E pD ´ Eq-1 Fx xk ` pD ´ Eq-1b ` b
´ ¯
-1
“ EpD ´ Eq Fx xk ` EpD ´ Eq-1 ` I b
-1
En multipliant à gauche cette équation par pD ´ Fq , on abouti a
´ ¯
-1 -1
x k`1 “ pD ´ Fq EpD ´ Eq Fx xk pD ´ Fq-1 EpD ´ Eq-1 ` I b
En posant
-1 -1
B “ pD ´ Fq EpD ´ Eq F
´ ¯
-1 -1
c “ pD ´ Fq EpD ´ Eq ` I b
on obtient (3.81).
Q. 2 1. L’expression à démontrer est bien définie car D et D ´ E inversibles. De plus on a

-1
I “ pD ´ EqpD ´ Eq
En multipliant à gauche cette équation par D-1 on obtient
-1
D-1 “ D-1 pD ´ EqpD ´ Eq
-1 -1
“ pD ´ Eq ´ D-1 EpD ´ Eq .
2. Soit pλ, p q un élément propre de la matrice B. on a alors

-1 -1
Bpp “ λpp ô pD ´ Fq EpD ´ Eq Fpp “ λpp
-1
ô EpD ´ Eq Fpp “ λpD ´ Fqpp
-1
ô D-1 EpD ´ Eq Fpp “ λD-1 pD ´ Fqpp
Compiled on 2022/09/15 at 10:51:48

De (3.82), on a
-1 -1
D-1 EpD ´ Eq “ pD ´ Eq ´ D-1
et donc
´ ¯
-1
Bpp “ λpp ô pD ´ Eq ´ D-1 Fpp “ λD-1 pD ´ Fqpp
´ ¯
-1
ô pD ´ Eq pD ´ Eq ´ D-1 Fpp “ λpD ´ EqD-1 pD ´ Fqpp
` ˘
ô I ´ I ` ED-1 Fpp “ λpI ´ ED-1 qpD ´ Fqpp
ô ED-1 Fpp “ λpD ´ E ´ F ` ED-1 Fqpp
ô ED-1 Fpp “ λpA ` ED-1 Fqpp
On en déduit alors
λApp ` pλ ´ 1qED-1 Fpp “ 0.
Q. 3 La matrice A est inversible car elle est définie positive et donc x est bien définie. De l’équation
(3.79), on déduit
pD ´ Eqx xk`1{2 “ Fx xk ` Axx “ Fxxk ` pD ´ E ´ Fqx
x
et donc
pD ´ Eqpx
xk`1{2 ´ x q “ Fpx
xk ´ x q (3.84)
De la même manière à partir de l’équation (3.80), on déduit
xk`1 ´ x q “ Epx
pD ´ Fqpx xk`1{2 ´ x q (3.85)
En utilisant (3.84), l’équation (3.86) devient
xk`1 ´ x q “ EpD ´ Eq-1 Fpx
pD ´ Fqpx xk ´ x q
3.4.5 Exercices
c’est à dire
x k`1 ´ x “ Bpx
xk ´ x q.
En posant e k “ x k ´ x on a alors

e k “ Bke 0 , @k ě 0.
Or la suite x k converge vers x si et seulement si la suite e k converge vers 0 . Pour celà, d’après le
Théorème 3.37, page 103, il est nécessaire et suffisant d’avoir ρpBq ă 1.
Soit pλ, p q un élément propre de B. Montrons que |λ| ă 1.
On déduit de l’équation (3.83)
@ D
0 “ p , λApp ` pλ ´ 1qED-1 Fpp
@ D
“ λ xpp, Appy ` pλ ´ 1q p , ED-1 Fpp (3.86)
Comme la matrice A est définie positive on a xApp, p y ą 0 car p ‰ 0 (vecteur propre) et donc
xpp, Appy “ xApp, p y “ xApp, p y ą 0.
De plus on a @ D @ D
p , ED-1 Fpp “ E˚p , D-1 Fpp .
La matrice A étant hermitienne, on a E˚ “ F. La matrice A étant définie positive, la matrice diagonale D
est définie positive car di,i ą 0, @i P v1, nw, et donc D-1 aussi. Comme Fpp n’est pas nécessairement non
nul, on a @ -1 D
D Fpp, Fpp P R` .
On en déduit @ D @ D
Fpp, D-1 Fpp “ xD-1 Fpp, Fppy “ D-1 Fpp, Fpp ě 0.
De l’équation (3.86), on obtient
@ D @ D
λpxpp, Appy ` Fpp, D-1 Fpp q “ Fpp, D-1 Fpp
or @ D
xpp, Appy ` Fpp, D-1 Fpp ‰ 0
ce qui donne
xFpp, D-1 Fppy
λ“ .
xpp, Appy ` xFpp, D-1 Fppy
On a alors λ P r0, 1r.
Compiled on 2022/09/15 at 10:51:48

Q. 4 Comme la matrice A est hermitienne définie positive, chaque bloc diadonal l’est aussi. Donc la
matrice diagonale bloc D est aussi hermitienne définie positive ainsi que son inverse . Les résultats
précédents sont donc toujours valable.
˛
3.4.5 Exercices
Compiled on 2022/09/15 at 10:51:48

Chapitre 4
Interpolation
L’interpolation est un outil mathématique permettant de construire des fonctions à partir de la donnée
d’un nombre fini de valeurs.
A developper...
Les protagonistes de cette histoire
(a) Joseph-Louis Lagrange 1736- (b) Pafnouti Lvovitch Tchebychev

1813, mathématicien italien puis 1821-1894, mathématicien russe
français
(c) Charles Hermite 1822-1901, (d) Henri-Léon Lebesgue 1875-

mathématicien français 1941, mathématicien français
4.1 Polynôme d’interpolation de Lagrange

126 Interpolation
Exercice 4.1.1
Soient n P N˚ et n ` 1 couples de R2 , pxi , yi qiPv0,nw , tels que les xi sont distincts deux à deux. On
note
Q. 1 1. Soit i P v0, nw. Montrer qu’il existe un unique polynôme Li de degré n vérifiant
Li pxj q “ δij , @j P v0, nw. (4.1)
2. Montrer que les pLi qiPv0,nw forment une base de Rn rXs (espace vectoriel des polynômes à
coefficients réels de degré inférieur ou égal à n).
On défini le polynôme Pn par
n
ÿ
Pn pxq “ yi Li pxq. (4.2)
i“0
Q. 2 Montrer que polynôme Pn est l’unique polynôme de degré au plus n vérifiant Pn pxi q “ yi ,
@i P v1, nw.
Correction Exercice
Q. 1 1. De (4.1), on déduit que les n points distincts xj pour j P v0, nwztiu sont les n zéros du
polynôme Li de degré n : il s’écrit donc sous la forme
4.1.0 Exercices
n
ź
Li pxq “ C px ´ xj q avec C P R
j“0
j‰i
Pour déterminer la constante C, on utilise (4.1) avec j “ i

n
ź
Li pxi q “ 1 “ C pxi ´ xj q
j“0
j‰i
4. Interpolation
4.1. Polynôme d’interpolation de Lagrange
śn
Les points xi sont distincts deux à deux, on a j“0 pxi ´ xj q ‰ 0 et donc
j‰i
1
C “ śn
j“0 pxi ´ xj q
j‰i
d’où
źn
x ´ xj
Li pxq “ , @i P v0, nw. (4.3)
x
j“0 i
´ xj
j‰i
Il reste à démontrer l’unicité. On suppose qu’il existe Li et Ui deux polynômes de Rn rXs vérifiant
(4.1). Alors Qi “ Li ´ Ui est polynôme de degré n (au plus) admettant n ` 1 zéros distincts, c’est
donc le polynôme nul et on a nécessairement Li “ Ui .
2. On sait que dim Rn rXs “ n ` 1. Pour que les tLi uiPv0,nw forment une base de Rn rXs il suffit de
démontrer qu’ils sont linéairement indépendants.
Soit λ0 , ¨ ¨ ¨ , λn n ` 1 scalaires. Montrons pour celà que
n
ÿ
λi Li “ 0 ùñ λi “ 0, @i P v0, nw
i“1
Noter que la première égalité est dans l’espace vectoriel Rn rXs et donc le 0 est pris au sens polynôme
nul.
On a
ÿn ÿn
λi Li “ 0 ðñ λi Li pxq “ 0, @x P R
i“1 i“1
Compiled on 2022/09/15 at 10:51:48

Polynôme d’interpolation de Lagrange 127
řn
Soit k P v0, nw. En choisissant x “ xk , on a par (4.1) i“1 λi Li pxk q “ λk et donc
n
ÿ n
ÿ
λi Li “ 0 ùñ λi Li pxk q “ 0, @k P v0, nw ðñ λk “ 0, @k P v0, nw.
i“1 i“1
Les tLi uiPv0,nw sont donc linéairement indépendants.
Q. 2 Par construction Pn P Rn rXs et on a, @j P v0, nw1 ,

n
ÿ
def
Pn pxj q “ yi Li pxj q
i“0
ÿn
“ yi δi,j par (4.1)
i“0
“ yj .
Pour demontrer l’unicité, on propose ici deux méthodes

‚ On note Pa et Pb deux polynômes de Rn rXs vérifiant (4.1). Le polynôme Q “ Pa ´ Pb appartient
aussi à Rn rXs et il vérifie, @i P v0, nw,
Qpxi q “ Pa pxi q ´ Pb pxi q “ 0.
4.1.0 Exercices
Les n ` 1 points xi étant distincts, ce sont donc n ` 1 racines distinctes du polynôme Q. Or tout
polynôme de degré n admet au plus n racines disctinctes2 . On en déduit que le seul polynôme de
degré au plus n admettant n ` 1 racines distinctes est le polynôme nulle et donc Pa “ Pb .
‚ c’est l’unique polynôme de degré au plus n vérifiant (4.2) car la décomposition dans la base
tLi uiPv0,nw est unique.
˛
Definition 4.1
4. Interpolation
4.1.Polynôme d’interpolation de Lagrange
Soient n P N˚ et pxi , yi qiPv0,nw avec pxi , yi q P R2 et les xi distincts deux à deux. Le polynôme
d’interpolation de Lagrange associé aux n ` 1 points pxi , yi qiPv0,nw , noté Pn , est donné par
n
ÿ
Pn pxq “ yi Li pxq, @x P R (4.4)
i“0
avec
źn
x ´ xj
Li pxq “ , @i P v0, nw, @x P R. (4.5)
x ´ xj
j“0 i
j‰i
Théorème 4.2
Le polynôme d’interpolation de Lagrange, Pn , associé aux n ` 1 points pxi , yi qiPv0,nw , est

l’unique polynôme de degré au plus n, vérifiant
Pn pxi q “ yi , @i P v0, nw. (4.6)
Remarque 4.3 Il est aussi possible d’obtenir l’existence et l’unicité du polynôme d’interpolation de
Lagrange sans passer par sa construction. Pour celà on défini Φ : Rn rXs ÝÑ Rn`1 par
@P P Rn rXs, ΦpPq “ pPpx0 q, ¨ ¨ ¨ , Ppxn qq.

1A noter le choix de l’indice j. Que doit-on faire dans ce qui suit si l’on choisi i comme indice?
2 Le théorème de d’Alembert-Gauss affirme que tout polynôme à coefficients complexes de degré n admet n racines
complexes qui ne sont pas nécessairement distinctes
Compiled on 2022/09/15 at 10:51:48

128 Interpolation
L’existence et l’unicité du polynôme Pn est équivalente à la bijectivité de l’application Φ. Or celle-ci est

une application linéaire entre deux espaces de dimension n ` 1. Elle est donc bijective si et seulement si
elle injective (ou surjective). Pour vérifier l’injectivité de Φ il est nécessaire et suffisant de vérifier que
son noyau est réduit au polynôme nul.
Soit P P ker Φ. On a alors ΦpPq “ 0n`1 et donc px0 , ¨ ¨ ¨ , xn q sont n ` 1 racines distinctes de P. Or le seul
polynôme de Rn rXs ayant n ` 1 racines distinctes est le polynôme nul et donc P “ 0.
A titre d’exemple, on représente, En figure 4.2, le polynôme d’interpolation de Lagrange associé à 7

points donnés.
4.1.0 Exercices
Figure 4.2: Polynôme d’interpolation de Lagrange avec 7 points donnés)

4. Interpolation
Exercice 4.1.2
Ecrire la fonction Lagrange permettant de calculer Pn (polynôme d’interpolation de Lagrange

associé aux n ` 1 points pxi , yi qiPv0,nw ) au point t P R.
Correction Exercice
But : Calculer le polynôme Pn ptq définit par (4.4)
Données : X : vecteur/tableau de Rn`1 , Xpiq “ xi´1 @i P v1, n ` 1w et
Xpiq ‰ Xpjq pour i ‰ j,
Y : vecteur/tableau de Rn`1 , Y piq “ yi´1 @i P v1, n ` 1w,
t : un réel.
Résultat : y : le réel y “ Pn ptq.
n`1
ÿ 1: yÐ0
1: Calcul de y “ Pn ptq “ Y piqLi´1 ptq 2: Pour i Ð 1 à n ` 1 faire
i“1
3: y Ð y ` Y piq ˚ Li´1 ptq
4: Fin Pour
Compiled on 2022/09/15 at 10:51:48


1: yÐ0 1: yÐ0
2: Pour i Ð 1 à n ` 1 faire 2: Pour i Ð 1 à n ` 1 faire
3: y Ð y ` Y piq ˚ Li´1 ptq
n`1
4: Fin Pour ź t ´ Xpjq
3: LÐ
j“1
Xpiq ´ Xpjq
j‰i
4: y Ð y ` Y piq ˚ L
5: Fin Pour

1: yÐ0 1: yÐ0
2: Pour i Ð 1 à n ` 1 faire 2: Pour i Ð 1 à n ` 1 faire
n`1
ź t ´ Xpjq
3: LÐ 3: LÐ1
j“1
Xpiq ´ Xpjq
j‰i 4: Pour j Ð 1 à n ` 1, pj „“ iq faire
4: y Ð y ` Y piq ˚ L 5: L Ð L ˚ pt ´ Xpjqq{pXpiq ´ Xpjqq
4.1.1 Erreur de l’interpolation

8: Fin Pour
Algorithme 4.1 Fonction Lagrange permettant de calculer le polynôme d’interpolation de Lagrange

Pn pxq définit par (4.4)
t : un réel.
Résultat : y : le réel y “ Pn ptq.
4. Interpolation
1: Fonction y Ð Lagrange ( t, X, Y )
2: yÐ0

3: Pour i Ð 1 à n ` 1 faire
4: LÐ1
5: Pour j Ð 1 à n ` 1, pj „“ iq faire
6: L Ð L ˚ pt ´ Xpjqq{pXpiq ´ Xpjqq
7: Fin Pour
9: Fin Pour
10: return y
11: Fin Fonction

Soit une fonction f : ra, bs ÝÑ R. On suppose que les yi sont donnés par
yi “ f pxi q, @i P v0, nw. (4.7)
On cherche à évaluer l’erreur En ptq “ f ptq ´ Pn ptq, @t P ra, bs.
On propose en figures 4.3 à 4.5 d’etudier deux exemples. Le premier (figure de gauche) correspond à
l’interpolation de la fonction sinptq par le polynôme d’interpolation de Lagrange aux points équidistants
ti “ a ` ih avec a “ 0 et h “ 2π{n. Le second (figure de droite) correspond à l’interpolation de la fonction
1
1`t2 par le polynôme d’interpolation de Lagrange aux points xi “ a ` ih avec a “ ´5 et h “ 10{n.
Compiled on 2022/09/15 at 10:51:48

130 Interpolation
Figure 4.3: Polynômes d’interpolation de lagrange avec n “ 6 (7 points) uniformément répartis. A gauche
pour la fonction f : t ÝÑ sinptq avec x0 “ 0, x6 “ 2π et à droite pour la fonction f : t ÝÑ 1{p1 ` t2 q
avec x0 “ ´5, x6 “ 5.
4. Interpolation
Figure 4.4: Polynômes d’interpolation de lagrange avec n “ 10 (11 points) uniformément répartis. A
gauche pour la fonction f : t ÝÑ sinptq avec x0 “ 0, x10 “ 2π et à droite pour la fonction f : tx ÝÑ
1{p1 ` t2 q avec x0 “ ´5, x10 “ 5.
Figure 4.5: Polynômes d’interpolation de lagrange avec n “ 18 (19 points) uniformément répartis. A
gauche pour la fonction f : t ÝÑ sinptq avec x0 “ 0, x18 “ 2π et à droite pour la fonction f : t ÝÑ
1{p1 ` t2 q avec x0 “ ´5, x18 “ 5.
Compiled on 2022/09/15 at 10:51:48

Exercice 4.1.3
Soit f P C n`1 pra; bs; Rq. Soient n P N˚ et n ` 1 couples de R2 , pxi , yi qiPv0,nw , tels que les xi sont
distincts deux à deux et yi “ f pxi q.
On note par Pn le polynôme d’interpolation de Lagrange associé aux points pxi , yi qiPv0,nw et πn le
polynôme de degré n ` 1 défini par
n
ź
πn pxq “ px ´ xi q. (4.8)
i“0
Q. 1 Montrer que, @x P ra; bs, il existe ξx appartenant au plus petit intervalle fermé contenant
x, x0 , . . . , xn tel que
πn pxq pn`1q
f pxq ´ Pn pxq “ f pξx q. (4.9)
pn ` 1q!
f pxq ´ Pn pxq
Indication : Etudier les zéros de la fonction F ptq “ f ptq ´ Pn ptq ´ πn ptq.
πn pxq

Correction Exercice
Q. 1 S’il existe i P v0, nw tel que x “ xi alors l’équation (4.9) est immédiatement vérifiée.
Soit x P ra, bs distinct de tous les xi . Comme f P C n`1 pra; bs; Rq, Pn P Rn rXs et πn P Rn`1 rXs, on en
déduit que la fonction F est dans C n`1 pra; bs; Rq. La fonction F admet aussi n ` 2 zéros : x, x0 , ¨ ¨ ¨ , xn .
r0s r0s r0s r0s
On note ξx,1 , ¨ ¨ ¨ , ξx,n`2 ces n ` 2 zéros ordonnés ξx,1 ă ¨ ¨ ¨ ă ξx,n`2 . La fonction F étant continue sur
ra, bs et dérivable sur sa, br, le théorème de Rolle dit qu’entre deux zéros consécutifs de F, il existe au
moins un zéro de F 1 “ F p1q . Plus précisemment on a
r1s r0s r0s r1s
@i P v1, n ` 1w, Dξx,i Psξx,i , ξx,i`1 r tels que F p1q pξx,i q “ 0
r1s r1s r0s r1s

et on en déduit que la fonction F p1q admet n ` 1 zéros ξx,1 , ¨ ¨ ¨ , ξx,n`1 et l’on a ξx,1 ă ξx,1 ă ¨ ¨ ¨ ă
r1s r0s
ξx,n`1 ă ξx,n`2 . Il faut noter la dépendance en x des zéros de F 1 d’où la notation un peu "lourde".
4. Interpolation
Montrons par récurrence finie que pPk q est vraie pour tout k P v1, n ` 1w
rks r0s rks rks r0s rks
pPk q : Dξx,i , i P v1, n ` 2 ´ kw, ξx,1 ă ξx,1 ă ¨ ¨ ¨ ă ξx,n`2´k ă ξx,n`2 tels que F pkq pξx,i q “ 0

Initialisation : Pour k “ 1, la preuve a déjà été faites.
Hérédité : Soit 1 ă k ´ 1 ă n ` 1, on suppose pPk´1 q vérifiée. La fonction F pk´1q étant continue sur
ra, bs et dérivable sur sa, br, le théorème de Rolle dit qu’entre deux zéros consécutifs de F pk´1q , il
existe au moins un zéro de F pkq . Par hypothèse F pk´1q admet n ` 2 ´ pk ´ 1q zéros vérifiant
r0s rk´1s rk´1s r0s
ξx,1 ă ξx,1 ă ¨ ¨ ¨ ă ξx,n`2´pk´1q ă ξx,n`2
La fonction F pk´1q est continue sur ra, bs et dérivable sur sa, br puisque F P C n`1 pra; bs; Rq. Par
application du théorème de Rolle, entre deux zéros de F pk´1q , il existe au moins un zéro de F pkq .
Plus précisemment pour tout i P v1, n ` 2 ´ kw on a
rks rk´1s rk´1s rks
Dξx,i Psξx,i , ξx,i`1 r, F pkq pξx,i q “ 0
r0s rks rks r0s

De plus, par construction, ξx,1 ă ξx,1 ă ¨ ¨ ¨ ă ξx,n`2´k ă ξx,n`2 . et donc pPk q est vraie.
Avec k “ n ` 1 on obtient
rn`1s r0s r0s rn`1s
pPn`1 q : Dξx,1 Psξx,1 , ξx,n`2 r tel que F pn`1q pξx,1 q“0
et donc
rn`1s rn`1s rn`1s f pxq ´ Pn pxq pn`1q rn`1s

0 “ F pn`1q pξx,1 q “ f pn`1q pξx,1 q ´ Ppn`1q
n pξx,1 q´ πn pξx,1 q
πn pxq
Compiled on 2022/09/15 at 10:51:48

132 Interpolation
pn`1q
Comme Pn P Rn rXs, on a Pn “ 0. De plus πn P Rn`1 rXs, et comme πn pxq “ xn`1 ` Qpxq avec
pn`1q
Q P Rn rXs (i.e. son monône de puissance n ` 1 à pour coefficient 1) on obtient πn pxq “ pn ` 1q! On
a alors
rn`1s f pxq ´ Pn pxq
f pn`1q pξx,1 q “ pn ` 1q!
πn pxq
˛
Le résultat suivant est du à Cauchy (1840)
Théorème 4.4
Soient n P N˚ et x0 , ¨ ¨ ¨ , xn n ` 1 points distincts de l’intervalle ra, bs. Soient f P C n`1 pra; bs; Rq et
Pn le polynôme d’interpolation de Lagrange de degré n passant par pxi , f pxi qq, @i P v0, nw. Alors,
@x P ra, bs, Dξx P pminpxi , xq, maxpxi , xqq,
n
f pn`1q pξx q ź
f pxq ´ Pn pxq “ px ´ xi q (4.10)
pn ` 1q! i“0
4.1.2 Points de Chebyshev

4.1.3 Stabilité
Pour minimiser l’erreur commise lors de l’interpolation d’une fonction f par un polynôme d’interpolation
de Lagrange, on peut, pour un n donné, "jouer" sur le choix des points xi :
Trouver px̄i qni“0 , x̄i P ra, bs, distincts deux à deux, tels que
n
ź n
ź
max |t ´ x̄i | ď max |t ´ xi |, @pxi qni“0 , xi P ra, bs, distincts 2 à 2 (4.11)
tPra,bs tPra,bs
i“0 i“0
On a alors le résultat suivant

4. Interpolation
Théorème 4.5
Les points réalisant (4.11) sont les points de Chebyshev donnés par
a`b bá p2i ` 1qπ

x̄i “ ` cosp q, @i P v0, nw. (4.12)
2 2 2n ` 2
Figure 4.6: Erreurs d’interpolation avec n “ 6
Compiled on 2022/09/15 at 10:51:48

4.1.3 Stabilité
4. Interpolation
Compiled on 2022/09/15 at 10:51:48

134 Interpolation
4.1.3 Stabilité
Inspiré du polycopié de G. Barles : ici
On suppose que l’on commet des erreurs lors du calcul des f pxi q et l’on note fi « f pxi q les valeurs
numériques obtenues. Dans ce cadre, on a deux polynômes d’interpolation de Lagrange l’un "exact" avec
les couples de points pxi , yi q “ pxi , f pxi qq noté Pn , et l’autre "approché" avec les couples de points pxi , fi q
noté Pp n . On a donc
ÿn n
ÿ
Pn pxq “ f pxi qLi pxq et P p n pxq “ fi Li pxq
i“0 i“0
L’erreur commise est alors majorée par :

n
ÿ
p n pxq ´ Pn pxq| “ |
|P pfi ´ f pxi qqLi pxq|
i“0
n
ÿ
ď |fi ´ f pxi q||Li pxq|
i“0
n
ÿ
ď max |fi ´ f pxi q| |Li pxq|.
iPv0,nw
i“0
n
ÿ
On note Λn “ max |Li pxq|, dites Constante de Lebesgue. Cette constante est bien définie car
xPra,bs
4.1.3 Stabilité
řn i“0
l’application x ÞÑ i“0 |Li pxq| est continue sur ra, bs intervalle fermé borné de R et donc le maximum est
bien atteint : il est donc fini.
On obtient alors › ›
›p ›
›Pn ´ Pn › ď Λn max |fi ´ f pxi q|. (4.13)
8 iPv0,nw
Proposition 4.6
Soient n P N ˚ et x0 , ¨ ¨ ¨ , xn des points distincts de ra, bs. L’application Ln : C 0 pra, bs; Rq ÝÑ Rn rXs
qui a toute fonction f P C 0 pra, bs; Rq donne le polynôme d’interpolation de Lagrange Pn associés
4. Interpolation
aux couples de pxi , f pxi qqiPv0,nw est bien définie et linéaire. De plus on a
def }Ln pf q}8

}Ln } “ sup “ Λn . (4.14)
f PC 0
pra,bs;Rq }f }8
f ‰0
Preuve. Bien définie et linéaire : facile mais à écrire

On montre tout d’abord que }Ln } ď Λn . En effet, on a pour tout x P ra, bs et pour tout f P C 0 pra, bs; Rq,
n
ÿ
|Ln pf qpxq| “ | f pxi qLi pxq|
i“0
n
ÿ n
ÿ
ď |f pxi qLi pxq| ď }f }8 |Li pxq|
i“0 i“0
ď Λn }f }8 .
On obtient alors
}Ln pf q}8 ď Λn }f }8 .
et donc
}Ln pf q}8
sup ď Λn .
f PC 0
pra,bs;Rq }f }8
f ‰0
Pour obtenir l’égalité (4.14), il suffit donc, en reprenant les calculs précédents, de regarder si l’on peut
trouver x̄ P ra, bs et f¯ P C 0 pra, bs; Rq vérifiant
› ›
|Ln pf¯qpx̄q| “ Λn ›f¯›8 .
Compiled on 2022/09/15 at 10:51:48

řn
On détermine x̄ pour que ř la dernière majoration, correspondant à i“0 |Li pxq| ď Λn , devienne une
n
égalité. L’application x ÞÑ i“0 |Li pxq| étant continue sur le fermé borné ra, bs, il existe alors x̄ P ra, bs
tel que
ÿn n
ÿ
Λn “ max |Li pxq| “ |Li px̄q|.
xPra,bs
i“0 i“0
On va maintenant regarder s’il est possible de construire une fonction f¯ P C 0 pra, bs; Rq telle que
n
ÿ n
ÿ › › ÿ n
| f¯pxi qLi px̄q| “ |f¯pxi qLi px̄q| “ ›f¯›8 |Li px̄q|.
i“0 i“0 i“0
Si c’est le cas, on aura bien le résultat souhaité.

Sans déroger à la généralité, on peut supposer les points xi ordonnés : x0 ă x1 ă ¨ ¨ ¨ ă xn . Pour avoir
la première égalité, il faut que tous les f¯pxi qLi px̄q soient de même signe. On choisi le signe positif, et on
impose par exemple les valeurs de f¯pxi q, @i P v0, nw,
"
f¯pxi q “ 1, si Li px̄q ě 0,
f¯pxi q “ ´1, si Li px̄q ă 0.
Il existe une multitude de ›fonctions

› de C 0 pra, bs; Rq mais il faut controler son maximum pour qu’il vaille
¯
1 et avoir ainsi |f pxi q| “ f 8 , @i P v0, nw. On peut alors choisir f¯ affine sur chacun des intervalles
› ¯›
rxk , xk`1 s, @k P v0, n ´ 1w, pusique l’on connait les valeurs aux extrémités de chaque intervalle (`1 ou
´1). En dehors de ces intervalles, on prend par exemple f¯pxq “ f¯px0 q, @x P ra, x0 s, et f¯pxq “ f¯pxn q,
4.1.3 Stabilité
@x P rxn , bs. Cette fonction est par construction continue sur ra, bs et vérifie
n
ÿ
|Ln pf¯qpx̄q| “ | f¯pxi qLi px̄q|
i“0
n
ÿ n
› › ÿ
“ |f¯pxi qLi px̄q| “ ›f¯›8 |Li px̄q|
i“0 i“0
› ›
“ Λn ›f¯›8 .
Or on a › › › ›
4. Interpolation
›Ln pf¯q› “ sup |Ln pf¯qpxq| ě |Ln pf¯qpx̄q| “ Λn ›f¯› .

8 8
xPra,bs
ce qui donne
}Ln pf q}8
sup ě Λn .
f PC 0
pra,bs;Rq }f }8
f ‰0
Théorème 4.7
Pour toute fonction f P C 0 pra, bs; Rq, on a
}f ´ Ln pf q}8 ď p1 ` Λn q inf }f ´ Q}8 (4.15)

QPRn rXs
Preuve. Soit Q P Rn rXs. Par unicité du théorème d’interpolation on a Ln pQq “ Q et alors
}f ´ Ln pf q}8 “ }f ´ Q ` Ln pQq ´ Ln pf q}8

ď }f ´ Q}8 ` }Ln pQ ´ f q}8 par linéarité de Ln
ď }f ´ Q}8 ` Λn }f ´ Q}8
d’où le résultat.
‚ Pour les points équidistants xi “ a ` ih, i P v0, nw et h “ pb ´ aq{n, on a la minoration suivante

(voir [3] p. 49)
2n
Λn ě 2 (4.16)
4n
Compiled on 2022/09/15 at 10:51:48

136 Interpolation
et le comportement asymptotique
2n`1
Λn « quand n Ñ `8 (4.17)
e.n lnpnq
‚ Pour les points de Tchebychev, on a la majoration suivante : il existe C ą 0 tel que
Λn ď C lnpnq (4.18)
et le comportement asymptotique
2
Λn « lnpnq quand n Ñ `8 (4.19)
π
Proposition 4.8: admis
Pour toute famille de points d’interpolation, il existe une fonction f P C 0 pra, bs; Rq telle que la suite
des polynômes d’interpolation associés ne converge pas uniformément.
4.2.0 Stabilité
Proposition 4.9: admis
Soit f une fonction lipschitzienne sur ra, bs à valeurs réelles, i.e. il existe une constante K ě 0 telle
que @px, yq P ra, bs2 , on ait |f pxq ´ f pyq| ď K|x ´ y|. Soient n P N ˚ et x0 , ¨ ¨ ¨ , xn les points de
Tchebychev ra, bs. On note Ln pf q le polynôme d’interpolation de Lagrange associés aux couples de
pxi , f pxi qqiPv0,nw .
Alors la suite pLn pf qqně1 des polynômes d’interpolation converge uniformémént vers f sur ra, bs.
Pour conclure, l’interpolation de Lagrange en des points équidistants n’est à utiliser qu’avec un nombre
de points assez faible : des phénomènes d’instabilités pouvant apparaître.
4.2. Polynôme d’interpolation de Lagrange-Hermite
4. Interpolation
4.2 Polynôme d’interpolation de Lagrange-Hermite
Exercice 4.2.1
Soient pxi , yi , zi qiPv0,nw n ` 1 triplets de R3 , où les xi sont des points distincts deux à deux de
l’intervalle ra, bs. Le polynôme d’interpolation de Lagrange-Hermite, noté Hn , associé aux n ` 1
triplets pxi , yi , zi qiPv0,nw , est défini par
Hn pxi q “ yi et H1n pxi q “ zi , @i P v0, nw (4.20)
Q. 1 Quel est a priori le degré de Hn ?

On défini le polynôme Pn par
n
ÿ n
ÿ
Pn pxq “ yi Ai pxq ` zi Bi pxq (4.21)
i“0 i“0
avec, pour i P v0, nw, Ai et Bi polynômes de degré au plus 2n ` 1 indépendants des valeurs yi et zi .
Q. 2 1. Déterminer des conditions suffisantes sur Ai et Bi pour que Pn vérifie (4.20).
2. En déduire les expressions de Ai et Bi en fonction de Li et de L1i pxi q où
źn
x ´ xj
Li pxq “ .
x ´ xj
j“0 i
j‰i
Compiled on 2022/09/15 at 10:51:48

Polynôme d’interpolation de Lagrange-Hermite 137
Q. 3 Démontrer qu’il existe un unique polynôme d’interpolation de Lagrange-Hermite de degré au

plus 2n ` 1 défini par (4.20).
Correction Exercice
Q. 1 On a 2n ` 2 équations, donc à priori Hn est de degré 2n ` 1.
Q. 2 1. D’après (4.21) on a pour tout j P v0, nw

n
ÿ n
ÿ
Pn pxj q “ yi Ai pxj q ` zi Bi pxj q
i“0 i“0
Pour avoir Pn pxj q “ yj il suffit d’avoir

Ai pxj q “ δi,j et Bi pxj q “ 0, @i P v0, nw. (4.22)
De même, on a
n
ÿ n
ÿ
P1n pxj q “ yi A1i pxj q ` zi Bi1 pxj q
i“0 i“0
et donc pour avoir P1n pxj q “ zj il suffit d’avoir
A1i pxj q “ 0 et Bi1 pxj q “ δi,j , @i P v0, nw. (4.23)
4.2.0 Stabilité
2. Soit i P v0, nw. On commence par déterminer le polynôme Ai P R2n`1 rXs vérifiant
Ai pxj q “ δi,j et A1i pxj q “ 0, @j P v0, nw.
Les points pxj qjPv0,nwztiu sont racines doubles de Ai . Le polynôme Li P Rn rXs admet les mêmes
racines (simples) que Ai et donc L2i P R2n rXs admet les mêmes racines doubles que Ai . On peut
alors écrire
Ai pxq “ αi pxqL2i pxq avec αi pxq P R1 rXs.
Il reste à déterminer le polynôme αi . Or on a
Ai pxi q “ 1 et A1i pxi q “ 0.
4.2.Polynôme d’interpolation de Lagrange-Hermite

Comme Li pxi q “ 1, on obtient
4. Interpolation
Ai pxi q “ αi pxi qL2i pxi q “ αi pxi q “ 1
et
A1i pxi q “ αi1 pxi qL2i pxi q ` 2αi pxi qL1i pxi qLi pxi q “ αi1 pxi q ` 2αi pxi qL1i pxi q “ 0
c’est à dire
αi pxi q “ 1 et αi1 pxi q “ ´2L1i pxi q.
Comme αi est un polynôme de degré 1 on en déduit
αi pxq “ 1 ´ 2L1i pxi qpx ´ xi q
et donc
Ai pxq “ p1 ´ 2L1i pxi qpx ´ xi qqL2i pxq. (4.24)
On détermine ensuite le polynôme Bi P R2n`1 rXs vérifiant
Bi pxj q “ 0 et Bi1 pxj q “ δi,j , @j P v0, nw.
Les points pxj qjPv0,nwztiu sont racines doubles de Bi et le point xi est racine simple. Le polynôme
L2i P R2n rXs admet les mêmes racines doubles. On peut alors écrire
Bi pxq “ Cpx ´ xi qL2i pxq avec C P R.
Il reste à déterminer la constante C. Or Li pxi q “ 1 et comme Bi1 pxi q “ 1 on obtient
Bi1 pxi q “ CL2i pxi q ` 2Cpxi ´ xi qL1i pxi qLi pxi q “ C “ 1
ce qui donne
Bi pxq “ px ´ xi qL2i pxq. (4.25)
On vient de démontrer l’existence en construisant un polynôme de degré 2n ` 1 vérifiant (4.20).
Compiled on 2022/09/15 at 10:51:48

138 Interpolation
Q. 3 Deux démonstrations pour l’unicité sont proposées (la deuxième donne aussi l’existence).
dém. 1: Soient P et Q deux polynômes de R2n`1 rXs vérifiant (4.20). Le polynôme R “ P´Q P R2n`1 rXs
admet alors n ` 1 racines doubles distinctes :px0 , ¨ ¨ ¨ , xn q. Or le seul polynôme de R2n`1 rXs ayant
n ` 1 racines doubles est le polynôme nul et donc R “ 0, i.e. P “ Q.
dém. 2: Soit Φ : R2n`1 rXs ÝÑ R2n`2 définie par
@P P R2n`1 rXs, ΦpPq “ pPpx0 q, ¨ ¨ ¨ , Ppxn q, P1 px0 q, ¨ ¨ ¨ , P1 pxn qq.
L’existence et l’unicité du polynôme Hn est équivalente à la bijectivité de l’application Φ. Or celle-ci

est une application linéaire entre deux espaces de dimension 2n ` 2. Elle est donc bijective si et
seulement si elle injective (ou surjective). Pour vérifier l’injectivité de Φ il est nécessaire et suffisant
de vérifier que son noyau est réduit au polynôme nul.
Soit P P ker Φ. On a alors ΦpPq “ 0 2n`2 et donc px0 , ¨ ¨ ¨ , xn q sont n ` 1 racines doubles distinctes
de P. Or le seul polynôme de R2n`1 rXs ayant n ` 1 racines doubles est le polynôme nul et donc
P “ 0.
˛
Definition 4.10
4.2.0 Stabilité
Soient n P N˚ et pxi , yi , zi qiPv0,nw n ` 1 triplets de R3 , où les xi sont des points distincts deux à deux
de l’intervalle ra, bs. Le polynôme d’interpolation de Lagrange-Hermite, noté Hn , associé aux
n ` 1 triplets pxi , yi , zi qiPv0,nw , est défini par
n
ÿ n
ÿ
Hn pxq “ yi Ai pxq ` zi Bi pxq (4.26)
i“0 i“0
avec
Ai pxq “ p1 ´ 2L1i pxi qpx ´ xi qqL2i pxq et Bi pxq “ px ´ xi qL2i pxq (4.27)
où
źn
x ´ xj
4. Interpolation
Li pxq “ .
x ´ xj
j“0 i
j‰i
Théorème 4.11
Le polynôme d’interpolation de Lagrange-Hermite, Hn , associé aux n`1 triplets pxi , yi , zi qiPv0,nw ,

est l’unique polynôme de degré au plus 2n ` 1, vérifiant
Hn pxi q “ yi et H1n pxi q “ zi , @i P v0, nw (4.28)
Exercice 4.2.2
Soit f P C 2n`2 pra, bs; Rq. On suppose de plus que, @i P v0, nw, xi P ra, bs, yi “ f pxi q et zi “ f 1 pxi q.
On note
n
ź
πn2 pxq “ px ´ xi q2
i“0
et Hn le polynôme d’interpolation de Lagrange-Hermite associé aux triplets pxi , f pxi q, f 1 pxi qqiPv0,nw .
Q. 1 Montrer que › p2n`2q ›
›f ›
8 2
|f pxq ´ Hn pxq| ď π pxq. (4.29)
p2n ` 2q! n
Compiled on 2022/09/15 at 10:51:48

f pxq ´ Hn pxq 2
Indications : Etudier les zéros de la fonction F pyq “ f pyq ´ Hn pyq ´ πn pyq et
πn2 pxq
appliquer le théorème de Rolle.
Correction Exercice
Q. 1 Soit i P v1, nw, on a f pxi q ´ Hn pxi q “ 0 et l’inégalité (4.29) est donc vérifiée pour x “ xi .
Soit x P ra, bs tel que x ‰ xi , @i P v1, nw. On a alors πn2 pxq ‰ 0. Comme f P C 2n`2 pra; bs; Rq, Hn P R2n`1 rXs
et πn P Rn`1 rXs, on en déduit que
F P C 2n`2 pra; bs; Rq.
On note que πn2 admet px0 , ¨ ¨ ¨ , xn q comme racines doubles distinctes. Par construction f ´ Hn admet
les mêmes racines doubles. On en déduit alors que F admet aussi px0 , ¨ ¨ ¨ , xn q comme racines doubles.
De plus, on a F pxq “ 0 (i.e. x est racine simple) et donc
F admet au moins 2n ` 3 racines (comptées avec leurs multiplicités).
Les points x, x0 , ¨ ¨ ¨ , xn étant distincts, la fonction F 1 admet par le théorème de Rolle n`1 zeros distincts
entre eux et distincts des points x, x0 , ¨ ¨ ¨ , xn . De plus les points x0 , ¨ ¨ ¨ , xn sont racines de F 1 puisque
racines doubles de F. On en déduit alors que
F 1 admet au moins 2n ` 2 racines distinctes deux à deux.
Par applications successives du théorème de Rolle, on abouti a :
4.2.0 Stabilité
F p2n`2q admet au moins une racine notée ξx Psa, br.
On a alors
f pxq ´ Hn pxq d2n`2 πn2
F p2n`2q pξx q “ 0 “ f p2n`2q pξx q ´ Hnp2n`2q pξx q ´ pξx q
πn2 pxq dx2n`2
n
ź
p2n`2q
Comme Hn P R2n`1 rXs on a Hn ” 0. De plus comme πn2 pxq “ px ´ xi q2 P R2n`2 rXs sa dérivée
i“0
d’ordre 2n ` 2 est constante et
d2n`2 πn2
“ p2n ` 2q!

dx2n`2
On en déduit alors
4. Interpolation
f pxq ´ Hn pxq
f p2n`2q pξx q “ p2n ` 2q!
πn2 pxq
On a donc montrer que @x P ra, bs Dξx Psa, br tels que
πn2 pxq p2n`2q

f pxq ´ Hn pxq “ f pξx q.
p2n ` 2q!
Comme πn2 pxq ě 0 on obtient bien (4.29).

˛
Théorème 4.12
Soient n P N˚ et x0 , ¨ ¨ ¨ , xn , n ` 1 points distincts de l’intervalle ra, bs. Soient f P C 2n`2 pra; bs; Rq et
Hn le polynôme d’interpolation de Lagrange-Hermite associé aux n`1 triplets pxi , f pxi q, f 1 pxi qqiPv0,nw .
On a alors @x P ra, bs, Dξx P pminpxi , xq, maxpxi , xqq, tels que
n
f p2n`2q pξx q ź
f pxq ´ Hn pxq “ px ´ xi q2 (4.30)
p2n ` 2q! i“0
Exercice 4.2.3
Ecrire une fonction algorithmique Hermite permettant de calculer Hn (polynôme d’interpolation

de Lagrange-Hermite associé aux n ` 1 triplets pxi , yi , zi qiPv0,nw ) en t P R.
Compiled on 2022/09/15 at 10:51:48

140 Interpolation
1
1
0.5
0.5
0 0
-0.5 -0.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -2 -1 0 1 2
Figure 4.9: Polynôme d’interpolation de lagrange-Hermite avec n “ 6 (7 points) pour la fonction f : x ÝÑ

1{p1 ` 25x2 q. A gauche avec des points uniforméments répartis et à droite avec des points de Tchebychev
1
4.2.0 Stabilité
0.5
0.5
0 0
4. Interpolation
-0.5 -0.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -2 -1 0 1 2
Figure 4.10: Polynôme d’interpolation de lagrange-Hermite avec n “ 10 (11 points) pour la fonction
f : x ÝÑ 1{p1 ` 25x2 q. A gauche avec des points uniforméments répartis et à droite avec des points de
Tchebychev
1
1
0.5
0.5
0 0
-0.5 -0.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -2 -1 0 1 2
Figure 4.11: Polynôme d’interpolation de lagrange-Hermite avec n “ 18 (19 points) pour la fonction
f : x ÝÑ 1{p1 ` 25x2 q. A gauche avec des points uniforméments répartis et à droite avec des points de
Tchebychev
Compiled on 2022/09/15 at 10:51:48

Correction Exercice
But : Calculer le polynôme Hn ptq définit par (4.26)
Z : vecteur/tableau de Rn`1 , Zpiq “ zi´1 @i P v1, n ` 1w,
t : un réel.
Résultat : pH : le réel pH “ Hn ptq.
D’après la Définition 4.10, on a
n
ÿ n
ÿ n
ÿ
Hn ptq “ yi Ai ptq ` zi Bi ptq “ pyi Ai ptq ` zi Bi ptqq
i“0 i“0 i“0
avec
Ai ptq “ p1 ´ 2L1i pxi qpt ´ xi qqL2i ptq et Bi ptq “ pt ´ xi qL2i ptq
où
źn
t ´ xj
Li ptq “ .
x ´ xj
j“0 i
j‰i
4.2.0 Stabilité
Pour rendre effectif le calcul de Hn ptq, il reste à déterminer L1i pxi q. On a
n
ÿ źn
1 t ´ xj
L1i pxq “
k“0
x i ´ x k x
j“0 i
´ xj
k‰i j‰i
j‰k
d’où
n
ÿ 1
L1i pxi q “ . (4.31)
k“0
x i ´ xk

k‰i
La fonction que l’on va écrire use (et certains diront abuse) de fonctions.
4. Interpolation
Algorithme 4.2 Fonction Hermite permettant de calculer le polynôme d’interpolation de Lagrange-
Hermite Hn ptq définit par (4.26)
1: Fonction pH Ð Hermite ( X, Y, Z, t )
2: pH Ð 0
4: pH Ð pH ` polyApi, X, tq ˚ Y pi ` 1q ` polyBpi, X, tq ˚ Zpi ` 1q
5: Fin Pour
6: Fin Fonction
Les différentes fonctions utilisées pour la fonction Hermite (directement ou indirectement) sont les
suivantes :
polyA : calcul du polynôme Ai en t, (données i, X, t)
polyB : calcul du polynôme Bi en t, (données i, X, t)
polyL : calcul du polynôme Li en t, (données i, X, t)
polyLp : calcul de L1i pxi q, (données i, X)
Algorithme 4.3 Fonction polyA permettant de calculer le polynôme Algorithme 4.4 Fonction polyB permettant de calculer le polynôme
Ai en t P R donné par Ai ptq “ p1 ´ 2L1i pxi qpt ´ xi qqL2i ptq Bi en t P R donné par Bi ptq “ pt ´ xi qL2i ptq
1: Fonction y Ð polyA ( i, X , t ) 1: Fonction y Ð polyB ( i, X , t )

2: y Ð p1 ´ 2 ˚ polyLppi, Xq ˚ pt ´ Xpi ` 1qqq ˚ ppolyLpi, X, tqq2 2: y Ð pt ´ Xpi ` 1qq ˚ ppolyLpi, X, tqq2
3: Fin Fonction 3: Fin Fonction
Compiled on 2022/09/15 at 10:51:48

142 Interpolation
Algorithme 4.5 Fonction polyL permettant de calculer le polynôme Algorithme 4.6 Fonction polyLp permettant de calculer L1i pxi q “
źn ÿn
t ´ xj 1
Li en t P R donné par Li ptq “
x ´ xj
j“0,j‰i i
x ´ xk
k“0,k‰i i
1: Fonction y Ð polyL ( i, X , t ) 1: Fonction y Ð polyLp ( i, X )

2: yÐ1 2: yÐ0
3: Pour j Ð 0 à n, pj „“ iq faire 3: Pour k Ð 0 à n, pk „“ iq faire
4: y Ð y ˚ pt ´ Xpj ` 1qq{pXpi ` 1q ´ Xpj ` 1qq 4: y Ð y ` 1{pXpi ` 1q ´ Xpk ` 1qq
6: Fin Fonction 6: Fin Fonction
Bien évidemment une telle écriture est loin d’être optimale mais elle a l’avantage d’être facile à
programmer et facile à lire car elle "colle" aux formules mathématiques.
On laisse le soin au lecteur d’écrire des fonctions plus performantes... ˛
4.3 Exercices
Exercice 4.3.1
Q. 1 1. Ecrire explicitement un polynôme P de degré 2 passant par les points A “ p1; 2q, B “
p2; 6q et C “ p3; 12q.
2. Démontrer que le polynôme P est l’unique polynôme de degré 2 passant par les points A, B et
C.
Q. 2 Ecrire explicitement un polynôme Q de degré 3 tel que
Qp1q “ 4, Qp2q “ 5,
4.3.0 Stabilité
1
Q p1q “ 3, Q1 p2q “ 2.
4. Interpolation
Exercice 4.3.2
Q. 1 Construire les polynômes h00 , h10 , h01 et h11 de degré 3 vérifiant
h00 p0q “ 1,h100 p0q “ h00 p1q “ h100 p1q “ 0, (4.32)

4.3. Exercices
h10 p1q “ 1,h10 p0q “ h100 p0q “ h110 p1q “ 0, (4.33)

h101 p0q “ 1,h01 p0q “ h01 p1q “ h101 p1q “ 0, (4.34)
h111 p1q “ 1,h11 p0q “ h111 p0q “ h11 p1q “ 0; (4.35)
On pose
Ppxq “ αh00 pxq ` βh10 pxq ` γh01 pxq ` δh11 pxq. (4.36)
Q. 2 Quelles sont les particularités de P?
Soient a et b deux réels, a ă b et Q le polynôme de degré 3 vérifiant
Qpaq “ ua , Q1 paq “ va , Qpbq “ ub et Q1 pbq “ vb .
Q. 3 Exprimer le polynôme Q avec les fonctions h00 , h10 , h01 et h11 .
Exercice 4.3.3
t1 ´t0
Soit t0 ă t1 deux nombres réels et soit ε un réel tel que 0 ă ε ă 2 .
Compiled on 2022/09/15 at 10:51:48

Exercices 143
Q. 1 Expliciter un polynôme Pε de degré 3 tel que
Pε pt0 q “ Pε pt0 ` εq “ 1, (4.37)

Pε pt1 q “ Pε pt1 ` εq “ 0. (4.38)
On note Φ0 ptq “ lim Pε ptq.

εÑ0
Q. 2 1. Montrer que Φ0 pt0 q “ 1, Φ10 pt0 q “ 0, Φ0 pt1 q “ 0 et Φ10 pt1 q “ 0 (i.e. Φ0 est une fonction
de base des polynômes de degré 3 pour l’interpolation de Hermite).
2. Peut-on obtenir toutes les fonctions de base de Hermite par des procédés analogues. Si oui,
expliquer comment!
4.3.0 Stabilité
4. Interpolation
4.3.Exercices
Compiled on 2022/09/15 at 10:51:48

144 Interpolation
Exercice 4.3.4:
Soient pxi qiPN une suite de points distincts de l’intervalle ra, bs et f une fonction définie sur ra, bs à valeurs réelles.
On désigne par f rs les différences divisées de la fonction f définie par
f rxi s “ f pxi q, @i P N, (ordre 0) (4.39)
et
f rxk`1 , . . . , xk`r s ´ f rxk , . . . , xk`r´1 s
f rxk , . . . , xk`r s “ , @k P N, @r P N˚ , (ordre r) (4.40)
xk`r ´ xk
Q. 1 Montrer que
k`r
ÿ f pxi q
f rxk , . . . , xk`r s “ k`r
, @k P N, @r P N˚ . (4.41)
i“k
ź
pxi ´ xj q
j“k
j‰i
Q. 2 Soit σ une permutation des entiers tk, . . . , k ` ru. Montrer que
f rxk , . . . , xk`r s “ f rxσp1q , . . . , xσpr`1q s. (4.42)
On note Qk,r le polynôme d’interpolation associé aux r ` 1 couples pxkì , f pxkì qqiPv0,rw .
Q. 3 1. Exprimer le polynôme Qk,1 en fonction de Qk,0 .
2. Exprimer le polynôme Qk,1 en fonction de Qk,0 et Qk`1,0 .
3. En déduire que
Qk,1 pxq “ Qk,0 pxq ` f rxk , xk`1 spx ´ xk q. (4.43)
Q. 4 1. Exprimer le polynôme Qk,2 en fonction de Qk,1 .

2. Exprimer le polynôme Qk,2 en fonction de Qk,1 et Qk`1,1 .
3. En déduire que
Qk,2 pxq “ Qk,1 pxq ` f rxk , xk`1 , xk`2 spx ´ xk qpx ´ xk`1 q. (4.44)
4.3.0 Stabilité
Q. 5 1. Montrer que
r´1
ź
Qk,r pxq “ Qk,r´1 pxq ` f rxk , . . . , xk`r s px ´ xk`j q (4.45)
j“0
Indication : Effectuer une démonstration par récurrence en écrirant le polynôme Qk,r sous deux formes : l’une
4. Interpolation
en fonction de Qk,r´1 et l’autre en fonction de Qk,r´1 et Qk`1,r´1 .
2. En déduire
r
ÿ i´1
ź
Qk,r pxq “ f rxk s ` f rxk , . . . , xkì s px ´ xk`j q (4.46)
i“1 j“0
Q. 6 On suppose que f P C r pra, bs; Rq. Montrer qu’il existe ξ Ps min xkì ; max xkì r tel que
4.3. Exercices
iPv0,rw iPv0,rw
f prq pξq
f rxk , . . . , xk`r s “ . (4.47)
r!
Q. 7 On suppose f P C r`1 pra; bs; Rq. Montrer que, @x P ra; bs, il existe ξx appartenant au plus petit intervalle fermé
contenant x, xk , . . . , xk`r tel que
źr
px ´ xk`j q
j“0
f pxq ´ Qk,r pxq “ f pr`1q pξx q. (4.48)
pr ` 1q!
Exercice 4.3.5
Soit X “ pxi qiPv0,nw n ` 1 points deux à deux distincts de l’intervalle ra, bs. On note s le changement
de variables s : t ÝÑ a ` pb ´ aqt de r0, 1s à valeurs dans ra, bs. Pour tout i P v0, nw, on note
i á
ti “ s-1 pxi q “ xbá et T “ pti qiPv0,nw .
Les polynômes d’interpolation de Lagrange Ln pf q et Ln pgq associés respectivement aux points
Compiled on 2022/09/15 at 10:51:48

Exercices 145
pxi , f pxi qqiPv0,nw et pti , gpti qqiPv0,nw sont définis par

n
ÿ źn
x ´ xj
Ln pf qpxq “ LX X
i pxqf pxi q avec Li pxq “
i“0
x
j“0 i
´ xj
j‰i
n
ÿ źn
t ´ tj
Ln pgqptq “ LTi ptqgpti q avec LTi ptq “
i“0
t
j“0 i
´ tj
j‰i
Q. 1 Montrer que LX T
i ˝ s “ Li .
Q. 2 En déduire que Ln pf ˝ sq “ Ln pf q ˝ s “ Ln pgq.
Correction Exercice
Q. 1
źn źn
sptq ´ xj sptq ´ sptj q
LX
i ˝ sptq “ “
j“0
xi ´ xj j“0
spti q ´ sptj q
j‰i j‰i
źn
a ` tpb ´ aq ´ pa ` tj pb ´ aqq
“
j“0
a ` ti pb ´ aq ´ pa ` tj pb ´ aqq
j‰i
źn
t ´ tj
“ “ LTi ptq
j“0
t i ´ t j
j‰i
Q. 2 On a
4.3.0 Stabilité
n
ÿ
def
Ln pf ˝ sqptq “ LTi ptqf ˝ spti q
i“0
ÿn
4. Interpolation
“ LTi ptqgpti q “ Ln pgq
i“0
et
n
ÿ
def
Ln pf q ˝ sptq “ LX
i ˝ sptqf pxi q
i“0
4.3.Exercices
ÿn
“ LTi ptqf ˝ spti q “ Ln pgq
i“0
˛
Exercice 4.3.6: Spline cubique
Soient n ě 3 un entier et a “ x0 ă x1 . . . ă xn´1 ă xn “ b une discrétisation régulière de l’intervalle

ra, bs. On note h “ xk`1 ´ xk . Une fonction s définie sur ra; bs à valeurs réelles s’appelle spline
cubique si elle est deux fois continûment différentiable et si, sur chaque intervalle rxk´1 ; xk s, elle
est polynomiale de degré inférieur ou égal à 3.
Soit f P C 2 pra; bs; Rq et s une spline cubique vérifiant
spxi q “ f pxi q “ fi , @i P v0, nw. (4.49)
Q. 1 Montrer que si
s2 pbqpf 1 pbq ´ s1 pbqq “ s2 paqpf 1 paq ´ s1 paqq (4.50)
alors żb żb
2
ps pxqq dx ď2
pf 2 pxqq2 dx. (4.51)
a a
Compiled on 2022/09/15 at 10:51:48

146 Interpolation
şb
Indications : Poser r “ f ´ s et montrer par intégrations par parties que a
s2 pxqr2 pxqdx “ 0.
Soient k P v1, nw et Sk un polynôme de degré inférieur ou égal à 3 vérifiant

$
’ Sk pxk´1 q “ fk´1 (4.52a)
’
’
& S px q “ fk (4.52b)
k k
2
’
’ S px
k k´1 q “ mk´1 (4.52c)
’
% 2
Sk pxk q “ mk . (4.52d)
Q. 2 1. Montrer l’existence et l’unicité du polynôme Sk .
2. Montrer que polynôme Sk peut s’écrire sous la forme
Sk pxq “ ak pxk ´ xq3 ` bk px ´ xk´1 q3 ` αk pxk ´ xq ` βk px ´ xk´1 q (4.53)
en explicitant les coefficients pak , bk , αk , βk q en fonction de pfk´1 , fk , mk´1 , mk q et h.

On note g la fonction dont la restriction à chaque intervalle rxk´1 ; xk s, k P v1, nw, est Sk .
Q. 3 1. Vérifier que g est bien définie sur ra; bs.
2. Montrer que g est une spline cubique si et seulement si, @k P v1, n ´ 1w,
6
mk`1 ` 4mk ` mk´1 “ pfk`1 ´ 2fk ` fk´1 q. (4.54)
h2
Q. 4 1. Montrer qu’une condition nécessaire et suffisante pour que g soit une spline cubique et
vérifie g 2 paq “ 0, g 2 pbq “ 0, est que le vecteur M P Rn`1 “ pm0 , m1 , . . . , mn qt soit solution
d’un système linéaire de la forme
M “b
AM (4.55)
4.3.0 Stabilité
que l’on précisera.

2. Montrer que la matrice A est inversible.
Correction Exercice
4. Interpolation
Théorème 4.13: Intégration par parties
Soient u P C 1 pra; bs; Rq et v P C 1 pra; bs; Rq alors

żb żb
4.3. Exercices
1
u pxqvpxqdx “ rupxqvpxqsba ´ upxqv 1 pxqdx.
a a
Q. 1 On pose r “ f ´ s. On a alors r P C 2 pra; bs; Rq et,

@i P v0, nw, rpxi q “ 0. (4.56)
De plus
żb żb
pf 2 pxqq2 dx “ ps2 pxq ` r2 pxqq2 dx
a a
żb żb żb
“ ps2 pxqq2 dx ` 2 s2 pxqr2 pxqdx ` pr2 pxqq2 dx (4.57)
a a a
şb
Montrons que a
s2 pxqr2 pxqdx “ 0.
şb
On ne peut effectuer une intégration par partie pour a s2 pxqr2 pxqdx car r2 et s2 ne sont pas dérivables.
Par contre, on a
żb ÿn ż xi
2 2
s pxqr pxqdx “ s2 pxqr2 pxqdx
a i“1 xi´1
et, sur chaque intervalle rxi´1 , xi s, s est un polynôme de degré au plus 1. On a donc s2 P C 1 prxi´1 , xi s; Rq
2
et r1 P C 1 prxi´1 , xi s; Rq et il est alors possible de faire une intégration par partie avec u “ r1 et v “ s2
Compiled on 2022/09/15 at 10:51:48

Exercices 147
sur rxi´1 , xi s : ż xi ż xi
s2 pxqr2 pxqdx “ rs2 pxqh1 pxqsxxii´1 ´ s3 pxqr1 pxqdx. (4.58)
xi´1 xi´1
Or, sur rxi´1 , xi s, s P R3 rXs et donc s3 est constante, ce qui donne, en utilisant (4.56),
ż xi ż xi
s3 pxqr1 pxqdx “ s3 pxi q r1 pxqdx “ s3 pxi qprpxi q ´ rpxi´1 qq “ 0.
xi´1 xi´1
De (4.58), On a alors, @i P v1, nw,

ż xi
s3 pxqr1 pxqdx “ s2 pxi qh1 pxi q ´ s2 pxi´1 qh1 pxi´1 q.
xi´1
En sommant, on abouti a
żb
s2 pxqr2 pxqdx “ s2 pxn qh1 pxn q ´ s2 px0 qh1 px0 q “ s2 pbqh1 pbq ´ s2 paqh1 paq.
a
şb
Sous l’hypothèse (4.50) on a bien a s2 pxqr2 pxqdx “ 0. L’équation (4.57) devient alors
żb żb żb
2
pf pxqq dx “ ps pxqq dx ` pr2 pxqq2 dx.
2 2 2
a a a
D’où żb żb
pf 2 pxqq2 dx ě ps2 pxqq2 dx.
a a
Q. 2 1. Soit Φk : R rXs ÝÑ R définie par

3 4
Φk pP q “ pP pxk´1 q, P pxk q, P 2 pxk´1 q, P 2 pxk qqt .
4.3.0 Stabilité
L’existence et l’unicité du polynôme Sk est équivalente à la bijectivité de Φk . Cette dernière étant
une application entre deux espaces vectoriels de même dimension finie 4, elle est bijective si et
seulement si elle est injective. Pour établir l’injectivité de Φk il faut montrer que son noyau est
réduit au polynôme nul.
4. Interpolation
Soit P P ker Φk alors Φk pP q “ 0R4 . On en déduit que xk´1 et xk sont racines de P, et P s’écrit
alors sous la forme
P pxq “ px ´ xk´1 qpx ´ xk qQpxq
avec Qpxq “ αx ` β polynôme de degré 1.
On a
P 1 pxq “ px ´ xk´1 qQpxq ` px ´ xk qQpxq ` αpx ´ xk´1 qpx ´ xk q
4.3.Exercices
et
P 2 pxq “ 2pQpxq ` αpx ´ xk´1 q ` αpx ´ xk q.
Comme P 2 pxk´1 q “ P 2 pxk q “ 0, on obtient
" "
Qpxk´1 q ` αpxk´1 ´ xk q “ 0, αpxk´1 ´ hq ` β “ 0,
ðñ
Qpxk q ` αpxk ´ xk´1 q “ 0, αpxk ` hq ` β “ 0,
En soustrayant la première équation à la deuxième, on obtient 3αh “ 0. Comme h ‰ 0, on obtient
α “ β “ 0. D’où Q ” 0 et donc P ” 0.
2. On a Sk2 pxq “ 6ak pxk ´ xq ` 6bk px ´ xk´1 q. Pour déterminer ak et bk , on utilise les équations (4.52c)
et (4.52d) qui deviennent respectivement 6hak “ mk´1 et 6hbak “ mk . On obtient
mk´1 mk
ak “ et bk “ .
6h 6h
Pour déterminer αk et βk on utilise les équations (4.52c) et (4.52d) qui deviennent respectivement
ak h3 ` αk h “ fk´1 et bk h3 ` βk h “ fk .
En remplaçant ak et bk par leurs valeurs, on obtient
fk´1 h fk h
αk “ ´ mk´1 et βk “ ´ mk .
h 6 h 6
Compiled on 2022/09/15 at 10:51:48

148 Interpolation
Q. 3 1. On a par définition @k P v1, nw, gpxq “ Sk pxq, @x P rxk´1 , xk s. Le problème de définition de g

provient du fait que g est définie deux fois en xk , k P v1, n ´ 1w. En effet, on a
gpxk q “ Sk pxk q et gpxk q “ Sk`1 pxk q.
Or par construction des Sk , on a Sk pxk q “ Sk`1 pxk q “ fk et donc la fonction g est bien définie sur
ra, bs.
2. Par construction, sur chaque intervalle rxk´1 ; xk s, la fonction g est polynomiale de degré inférieur
ou égal à 3. Pour quelle soit un spline cubique, il reste à démontrer qu’elle est deux fois continûment
différentiable sur ra, bs. Il suffit pour celà de vérifier qu’en chaque point xk , k P v1, n ´ 1w, la fonction
g est continue et admet des dérivées premières et secondes.
La continuité est immédiate puisque gpxk q “ fk . Pour les dérivées premières et secondes, il faut que
leurs limites à gauche et à droite soient égales, c’est à dire
@k P v1, n ´ 1w, Sk1 pxk q “ Sk`1

1
pxk q et Sk2 pxk q “ Sk`1
2
pxk q.
Par construction des Sk , la seconde équation est immédiate : Sk2 pxk q “ Sk`1
2
pxk q “ mk . On a
1
Sk pxq “ ´3ak pxk ´ xq ` 3bk px ´ xk´1 q ´ αk ` βk et donc
2 2
h 1 h
Sk1 pxk q “ 3bk h2 ´ αk ` βk “ mk ` pfk ´ f k ´ 1q ´ pmk ´ mk´1 q
2 h 6
De même, on obtient
1 h 1 h
Sk`1 pxk q “ ´3ak`1 h2 ´ αk`1 ` βk`1 “ ´ mk ` pfk`1 ´ f kq ´ pmk`1 ´ mk q
2 h 6
Donc g sera dérivable en xk si Sk1 pxk q “ Sk`1
1
pxk q, c’est à dire si
4.3.0 Stabilité
h 1 h h 1 h
mk ` pfk ´ f k ´ 1q ´ pmk ´ mk´1 q “ ´ mk ` pfk`1 ´ f kq ´ pmk`1 ´ mk q
2 h 6 2 h 6
ce qui s’écrit encore, @k P v1, n ´ 1w,
6
4. Interpolation
mk`1 ` 4mk ` mk´1 “ pfk`1 ´ 2fk ` fk´1 q

h2
Q. 4 1. La condition g 2 paq “ 0 se traduit par S12 px0 q “ 0 or par (4.52c) avec k “ 1 on a S12 px0 q “ m0
d’où m0 “ 0.
La condition g 2 pbq “ 0 se traduit par Sn2 pxn q “ 0 or par (4.52d) avec k “ n on a Sn2 pxn q “ mn d’où
4.3. Exercices
mn “ 0.
Pour déterminer les mk , k P v0, nw, on a n ` 1 équations linéaires qui s’écrivent sous la forme
matricielle AM
M “ b avec
¨ ˛
1 0 0 ... 0 ¨ ˛
. 0
˚
˚1 4 . ‹
. . .. ‹ ˚ f0 ´ 2f1 ` f2 ‹
˚ 1 ‹
˚ . . . ‹ 6 ˚
˚ ..
‹
‹
A “ ˚0 . . . . . . 0‹ et b “ 2 ˚ . ‹
˚ ‹ h ˚ ‹
˚. . ‹ ˝fn´2 ´ 2fn´1 ` fn ‚
˝ .. .. 1 4 1 ‚
0
0 ... 0 0 1
2. La matrice A est à diagonale strictement dominante : elle est donc inversible.

˛
Compiled on 2022/09/15 at 10:51:48

Chapitre 5
Intégration numérique
Soit f une fonction définie et intégrable sur un intervalle ra, bs donné. On propose de chercher des
approximations de
żb
I“ f pxqdx
a
dans le cas où l’on ne connait pas de primitive de f.
y = f(x)
f(b)
Z b
f(a)
f(x)dx
a
a b
şb
Figure 5.1: Représentation de a
f pxqdx (aire de la surface colorée)
Definition 5.1
Soient f P C 0 pra, bs; Rq et Qn pf, a, bq la formule de quadrature élémentaire donnée par :

n
ÿ
def
Qn pf, a, bq “ pb ´ aq wj f pxj q (5.1)
j“0
avec @j P v0, nw wj P R et xj P ra, bs distincts deux à deux. L’erreur associée à cette formule de
150 Intégration numérique
quadrature, notée Ea,b pf q, est définie par

żb
Ea,b pf q “ f pxqdx ´ Qn pf, a, bq, @f P C 0 pra, bs; Rq (5.2)
a
Definition 5.2
On dit qu’une formule d’intégration (ou formule de quadrature) est d’ordre p ou a pour degré
d’exactitude p si elle est exacte pour les polynômes de degré inférieur ou égal à p.
5.1 Méthodes de quadrature élémentaires

On suppose que les points xj de la formule de quadrature (5.1) sont deux à deux disticts.
5.1.1 Méthodes simplistes

On peut approcher f par un polynôme constant. Les trois formules usuels sont
şb
Méthode du rectangle à gauche : En figure 5.2, on représente l’approximation de a
f pxqdx lorsque
f est approché par le polynôme constant P pxq “ f paq.
y = f(x)
f(b)
5. Intégration numérique
f(a)
5.1. Méthodes de quadrature élémentaires
a b
şb
Figure 5.2: Formule du rectangle à gauche : a
f pxqdx « pb ´ aqf paq (aire de la surface colorée)
On a alors
żb
f pxqdx « Q0 pf, a, bq “ pb ´ aqf paq, formule du rectangle (à gauche)
a
et son degré d’exactitude est 0.

şb
Méthode du rectangle à droite : En figure 5.3, on représente l’approximation de a
f pxqdx lorsque
f est approché par le polynôme constant P pxq “ f pbq.
On a alors
żb
f pxqdx « Q0 pf, a, bq “ pb ´ aqf pbq, formule du rectangle (à droite)
a
Compiled on 2022/09/15 at 10:51:48

Méthodes de quadrature élémentaires 151
y = f(x)
f(b)
f(a)

a b
şb
Figure 5.3: Formule du rectangle à droite : a
f pxqdx « pb ´ aqf pbq (aire de la surface colorée)
5.1.Méthodes de quadrature élémentaires
f(c) y = f(x)
f(b)
f(a)
a c = a +2 b b
şb
Figure 5.4: Formule du point milieu : a
f pxqdx « pb ´ aqf p a`b
2 q (aire de la surface colorée)
Compiled on 2022/09/15 at 10:51:48

şb
Méthode du point milieu : En figure 5.4, on représente l’approximation de a
f pxqdx lorsque f est
approché par le polynôme constant P pxq “ f ppa ` bq{2q. On a alors
żb ˆ ˙
a`b
f pxqdx « Q0 pf, a, bq “ pb ´ aqf , formule du point milieu
a 2
La précision de ces formules est toute relative!

Nous allons maintenant voir comment généraliser en approchant la fonction f par des polynômes
d’interpolation de Lagrange de degré plus élevés.
5.1.2 Quelques résultats théoriques

Pour obtenir certains résultats associés à une formule de quadrature sur l’intervalle ra; bs, il serait souvent
plus simple de les déterminer sur les intervalles d’intégration r0; 1s ou r´1; 1s. La proposition suivante va
nous permettre d’affirmer qu’étudier le degré d’exactitude d’une formule de quadrature sur l’intervalle
ra; bs est équivalent à l’étudier sur l’intervalle r0; 1s ou sur l’intervalle r´1; 1s moyennant respectivemment
les changements de variables
a`b bá
x “ φptq “ a ` pb ´ aqt ou x “ φptq “ ` t
2 2
Proposition 5.3
Soit Qn pf, a, bq definie en (5.1), une formule de quadrature élémentaire à n ` 1 points pxi qiPv0,nw
(distincts deux à deux dans ra, bs).
On note x “ φptq “ α ` βt, β P R˚ , le changement de variable affine, ti “ φ´1 pxi q, @i P v0, nw, et
n
` ˘ÿ
Qn pg, φ´1 paq, φ´1 pbqq “ φ´1 pbq ´ φ´1 paq wi gpti q. (5.3)
i“0
Alors Qn pf, a, bq est de degré d’exactitude k si et seulement si Qn pg, φ´1 paq, φ´1 pbqq est de degré
d’exactitude k.
x´α
Preuve. On a φ´1 pxq “ β .
ñ On suppose que Qn pf, a, bq est de degré d’exactitude k. Soit Q P Rk rXs. On a

ż φ´1 pbq żb
1
Qptqdt “ Q ˝ φ´1 pxqdx.
φ´1 paq β a
Or φ´1 est un polynôme de degré 1 et Q ˝ φ´1 est la composé de deux polynômes: c’est donc
un polynôme de degré le produit des degrés des deux polynômes, i.e. Q ˝ φ´1 P Rk rXs. Comme
Qn pf, a, bq est de degré d’exactitude k, on en déduit que
żb n
ÿ n
ÿ
Q ˝ φ´1 pxqdx “ Qn pQ ˝ φ´1 , a, bq “ pb ´ aq wi Q ˝ φ´1 pxi q “ pb ´ aq wi Qpti q.
a i“0 i“0
On a alors
ż φ´1 pbq n
bá ÿ
Qptqdt “ wi Qpti q
φ´1 paq β i“0
or
b´α a´α bá
φ´1 pbq ´ φ´1 paq “ ´ “ .
β β β
On en conclu donc que Qn pg, φ´1 paq, φ´1 pbqq est de degré d’exactitude k.
Compiled on 2022/09/15 at 10:51:48

ð On suppose que Qn pg, φ´1 paq, φ´1 pbqq est de degré d’exactitude k. Soit P P Rk rXs. On a
żb ż φ´1 pbq
Ppxqdx “ β P ˝ φptqdt.
a φ´1 paq
Or φ est un polynôme de degré 1 et P ˝ φ´1 est la composé de deux polynômes: c’est donc
un polynôme de degré le produit des degrés des deux polynômes, i.e. P ˝ φ P Rk rXs. Comme
Qn pg, φ´1 paq, φ´1 pbqq est de degré d’exactitude k, on en déduit que
ż φ´1 pbq
P ˝ φptqdt “ Qn pP ˝ φ, φ´1 paq, φ´1 pbqq
φ´1 paq
n
` ˘ÿ
“ φ´1 pbq ´ φ´1 paq wi P ˝ φpti q
i“0
n
` ˘ÿ
“ φ´1 pbq ´ φ´1 paq wi Ppxi q.
i“0
On a alors żb n
` ˘ÿ

Ppxqdx “ β φ´1 pbq ´ φ´1 paq wi Ppxi q
a i“0
´1 ´1 bá
et comme φ pbq ´ φ paq “ β , on en déduit que Qn pf, a, bq est de degré d’exactitude k.
Proposition 5.4
Soit Qn pf, a, bq definie en (5.1), une formule de quadrature élémentaire à n ` 1 points.

L’application f ÞÝÑ Qn pf, a, bq définie de f P C 0 pra, bs; Rq, muni de la norme infini, à valeurs dans
R est linéaire continue.
Preuve. On commence par démontrer la linéarité. Soient f et g dans P C 0 pra, bs; Rq, et λ et µ deux réels.
Alors λf ` µg P C 0 pra, bs; Rq, et on a
n
ÿ
Qn pλf ` µg, a, bq “ pb ´ aq wj pλf ` µgqpxj q
j“0

ÿn
` ˘
“ pb ´ aq wj λf pxj q ` µgpxj q
j“0
n
ÿ n
ÿ
“ λpb ´ aq wj f pxj q ` µpb ´ aq wj gpxj q
j“0 j“0
“ λQn pf, a, bq ` µQn pg, a, bq.

L’application f ÞÝÑ Qn pf, a, bq est donc linéaire. Pour démontrer qu’elle est continue, il suffit alors de
démontrer que
DC ą 0, tel que |Qn pf, a, bq| ď C }f }8 , @f P C 0 pra, bs; Rq.
Or, on a, pour tout f P C 0 pra, bs; Rq,
n
ÿ
|Qn pf, a, bq| “ |pb ´ aq wj f pxj q|
j“0
n
ÿ
ď pb ´ aq |wj ||f pxj q|
j“0
n
ÿ
ď C }f }8 , avec C “ pb ´ aq |wj | indépendant de f.
j“0
Compiled on 2022/09/15 at 10:51:48

Proposition 5.5
La formule de quadrature élémentaire (5.1) à n ` 1 points est de degré d’exactitude k (au moins) si
et seulement si
ÿn
br`1 ´ ar`1
pb ´ aq wi xri “ , @r P v0, kw. (5.4)
i“0
r`1
Preuve. • ñ Si la formule (5.1) est de degré d’exactitude k, elle est donc exacte pour tout polynôme
de Rk rXs et plus particulièrement pour tous les monômes 1, X, X 2 , . . . , X k . Soit r P v0, kw. En
prenant f pxq “ xr , la formule (5.1) étant exacte par hypothèse, on obtient
ÿn żb
hyp br`1 ´ ar`1
Qn px ÞÑ xr , a, bq “ pb ´ aq wi xri “ xr dx “
i“0 a r`1
• ð On suppose que l’on a (5.4). Soit P P Rk rXs. On va montrer que la formule de quadrature
(5.1) est alors exacte.
Le polynôme P peut s’écrire comme combinaison linéaire des monômes de t1, X, X 2 , . . . , X k u, base
de Rk rXs.
1ère démonstration: On a donc
k
ÿ
Ppxq “ αj xj , @x P R.
j“0
En prenant f “ P, la formule de quadrature (5.1) donne

żb n
ÿ n
ÿ k
ÿ
Ppxqdx « pb ´ aq wi Ppxi q “ pb ´ aq wi αj xji
a i“0 i“0 j“0
De plus, par linéarité de l’intégrale, on a

żb k
ÿ żb k
ÿ bj`1 ´ aj`1
Ppxqdx “ αj xj dx “ αj
a j“0 a j“0
j`1
et en utilisant (5.4) on obtient

żb k
ÿ n
ÿ
Ppxqdx “ pb ´ aq αj wi xji
a j“0 i“0
Ce qui donne
żb n
ÿ
Ppxqdx “ pb ´ aq wi Ppxi q.
a i“0
La formule de quadrature est donc de degré d’exactitude k.
2ème démonstration: On a donc
k
ÿ
P“ αj X j
j“0
et par linéarité de l’application f ÞÝÑ Qn pf, a, bq (voir Proposition 5.4) on obtient

k
ÿ
Qn pP, a, bq “ Qn p αj X j , a, bq
j“0
k
ÿ
“ αj Qn pX j , a, bq.
j“0
Par hypothèse, on a (5.4) et, comme par définition X j est le polynôme x ÞÑ xj , on obtient
żb żb
hyp bj`1 ´ aj`1
@j P v0, kw, Qn pX j , a, bq “ X j pxqdx “ xj dx “ .
a a j`1
Compiled on 2022/09/15 at 10:51:48

De plus, par linéarité de l’intégrale, on a

żb ÿk żb ÿk
bj`1 ´ aj`1
Ppxqdx “ αj xj dx “ αj
a j“0 a j“0
j`1
et donc
żb k
ÿ
Ppxqdx “ αj Qn pX j , a, bq “ Qn pP, a, bq.
a j“0
En appliquant la Proposition 5.5 avec k “ 0, on obtient immédiatemment le corolaire suivant.
Corollaire 5.6
La formule de quadrature élémentaire (5.1) à n ` 1 points est de degré d’exactitude 0 au moins si

et seulement si
ÿn
wi “ 1.
i“0

Proposition 5.7
Soient pxi qiPv0,nw des points deux à deux distincts de l’intervalle ra, bs donnés. Il existe alors une
unique formule de quadrature élémentaire (5.1) à n ` 1 points de degré d’exactitude n au moins.
Preuve. En fixant les points pxi qiPv0,nw deux à deux distincts, pour obtenir explicitement la formule de
quadrature de type (5.1) il faut déterminer les n ` 1 poids pwi qiPv0,nw . Or, de (5.4), en prenant k “ n, on
obtient exactement n ` 1 équations linéaires en les pwi q s’écrivant matriciellement sous la forme :
¨ ˛¨ ˛ ¨ ˛
1 1 ¨¨¨ 1 w0 bá
2 2
˚ x0 x1 ¨ ¨ ¨ xn ‹ ˚ w 1 ‹ ˚ b á ‹
˚ ‹˚ ‹ ˚ 2 ‹
pb ´ aq ˚ . . . ‹ ˚ . ‹ “˚ .
.. ‹
˝ .. .. .. ‚˝ .. ‚ ˝ ‚
xn0 xn1 ¨¨¨ xnn wn bn`1 án`1
n`1
La matrice intervenant dans le système précédent s’appelle la matrice de Vandermonde et elle est
inversible (car les pxi q sont deux à deux distincts, voir Exercice B.3.13). Ceci établi donc l’existence et

l’unicité de poids pwi qiPv0,nw tels que la formule de quadrature élémentaire (5.1) soit d’ordre (au moins)
n.
Il est aussi possible de démontrer l’unicité classiquement. Supposons qu’il existe pwi qiPv0,nw et pw̃i qiPv0,nw
tels que pour tout P P Rn rXs, on ait
żb ÿn n
ÿ
Ppxqdx “ pb ´ aq wi Ppxi q “ pb ´ aq w̃i Ppxi q.
a i“0 i“0
On a alors @P P Rn rXs,
n
ÿ
pwi ´ w̃i qPpxi q “ 0. (5.5)
i“0
On rappelle que les fonctions de base de Lagrange associées aux pn ` 1q points pxi qiPv0,nw définies en (4.5),
notées Li , sont dans Rn rXs et vérifient
Li pxj q “ δi,j , @j P v0, nw
Soit j P v0, nw. En choisissant P “ Lj dans (5.5), on obtient
n
ÿ
0“ pwi ´ w̃i qLj pxi q “ pwj ´ w̃j q
i“0
ce qui prouve l’unicité.
Compiled on 2022/09/15 at 10:51:48

Exercice 5.1.1
Soient pxi qni“0 pn ` 1q points donnés et distincts 2 à 2 d’un intervalle ra, bs (a ă b). Ecrire une
fonction algorithmique WeightsFromPoints permettant de déterminer les poids pwi qni“0 de telle
sorte que la formule de quadrature élémentaire associée soit de degré d’exactitude n au moins en
s’inspirant de résultats obtenus dans la démonstration de la Proposition 5.7. On pourra utiliser la
fonction algorithmique x Ð SolvepA, b q permettant de résoudre le système linéaire Ax x “ b.
Correction Exercice Nous avons vu, dans la Proposition 5.7, que pour avoir une formule de quadrature
élémentaire de degré d’exactitude n, il est nécessaire et suffisant que les pn`1q poids pwi qni“0 soient solution
du système linéaire suivant:
¨ ˛¨ ˛ ¨ ˛
1 1 ¨¨¨ 1 w0 bá
2 2
˚ x0 x1 ¨ ¨ ¨ xn ‹ ˚ ‹ ˚ b á ‹
˚ ‹ ˚ w1 ‹ ˚ 2 ‹
pb ´ aq ˚ . .. .. ‹ ˚ .. ‹ “ ˚ .. ‹
˝ .. . . ‚ ˝ . ‚ ˝ . ‚
n`1 n`1
xn0 xn1 ¨ ¨ ¨ xn n
wn b á
n`1
Algorithme 5.1 Fonction WeightsFromPoints retournant le tableau des poids w associé à un tableau
de points x donnés (points 2 à 2 distincts) appartenant à un intervalle ra, bs.
Données : x :tableau de Rn`1 contenant pn ` 1q points distincts deux à deux
dans un intervalle ra, bs avec la convention
x piq “ xi´1 , @i P v1, n ` 1w
a, b : deux réels, a ă b.
Résultat : w : vecteur de Rn`1 avec w piq “ wi´1 , @i P v1, n ` 1w
1: Fonction w Ð WeightsFromPoints ( x , a, b )
2: b Ð O n`1
3: A Ð On`1,n`1
5: Pour j Ð 1 à n ` 1 faire
^
6: Api, jq Ð x pjq pi ´ 1q
7: Fin Pour
8: b piq Ð pb^ i ´ a^ iq{pi ˚ pb ´ aqq
9: Fin Pour
10: w Ð SolvepA, b q
11: Fin Fonction
Proposition 5.8: symétrie
Soit Qn pf, a, bq definie en (5.1), une formule de quadrature élémentaire à n ` 1 points (distincts
deux à deux et ordonnés). On dit qu’elle est symétrique si
xi ` xní a`b
@i P v0, nw, “ et wi “ wní . (5.6)
2 2
Dans ce cas si cette formule est exacte pour les polynômes de degré 2m alors elle est nécessairement
exacte pour les polynômes de degré 2m ` 1.
Preuve. Soit P P R2m`1 rXs. Il peut alors s’écrire sous la forme

ˆ ˙2m`1
a`b
Ppxq “ C x ´ ` Rpxq
2
Compiled on 2022/09/15 at 10:51:48

avec C une constante réelle et R P R2m rXs. On a alors

żb żbˆ ˙2m`1 żb
a`b
Ppxqdx “ C x´ dx ` Rpxqdx
a a 2 a
et en appliquant la formule de quadrature au polynôme P on obtient

ÿn ÿn ˆ ˙2m`1 ÿ n
a`b
wi Ppxi q “ C w i xi ´ ` wi Rpxi q
i“0 i“0
2 i“0
On veut donc démontrer que

żb n
ÿ
Ppxqdx “ pb ´ aq wi Ppxi q
a i“0
c’est à dire
żbˆ ˙2m`1 żb ÿn ˆ ˙2m`1 ÿn
a`b a`b
C x´ dx ` Rpxqdx “ pb ´ aqC w i xi ´ ` pb ´ aq wi Rpxi q
a 2 a i“0
2 i“0
Comme la formule de quadrature est supposée exacte pour les polynôme de degré 2m, on a

żb n
ÿ
Rpxqdx “ pb ´ aq wi Rpxi q.
a i“0
Il reste donc à démontrer que

żbˆ ˙2m`1 ÿn ˆ ˙2m`1
a`b a`b
x´ dx “ pb ´ aq w i xi ´ .
a 2 i“0
2
Or en effectuant le changement de variable t ÞÑ a`b bá

2 ` t 2 on obtient
żbˆ ˙2m`1 ż
a`b b ´ a 1 2m`1
x´ dx “ t dt “ 0.
a 2 2 ´1
Des propriétés de symétrie de la formule, on déduit
ˆ ˙
a`b a`b
xi ` xní “ a ` b ô xi ´ “´ xní ´
2 2
‚ Si n “ 2k, (n paire), on a alors un nombre impair de points avec nécessairement xk “ xn´k “ a`b2

et
ÿ n ˆ ˙2m`1 k´1
ÿ ˆ ˙2m`1 2k
ÿ ˆ ˙2m`1
a`b a`b a`b
w i xi ´ “ w i xi ´ ` 0 ˆ wk ` w i xi ´
i“0
2 i“0
2 i“k`1
2
k´1
ÿ ˆ ˙2m`1 ÿ2k ˆ ˙2m`1
a`b a`b
“ w i xi ´ ´ wní xní ´
i“0
2 i“k`1
2
k´1
ÿ ˆ ˙2m`1 k´1
ÿ ˆ ˙2m`1
a`b a`b
“ w i xi ´ ´ w j xj ´
i“0
2 j“0
2
“ 0.
a`b
‚ Si n “ 2k ´ 1, (n impaire), on alors un nombre pair de points (avec xi ‰ 2 , @i P v0, nw) et
n
ÿ ˆ ˙2m`1 k´1
ÿ ˆ ˙2m`1 2k´1
ÿ ˆ ˙2m`1
a`b a`b a`b
w i xi ´ “ w i xi ´ ` w i xi ´
i“0
2 i“0
2 i“k
2
k´1
ÿ ˆ ˙2m`1 2k´1
ÿ ˆ ˙2m`1
a`b a`b
“ w i xi ´ ´ wní xní ´
i“0
2 i“k
2
k´1
ÿ ˆ ˙2m`1 k´1
ÿ ˆ ˙2m`1
a`b a`b
“ w i xi ´ ´ w j xj ´
i“0
2 j“0
2
“ 0.
Compiled on 2022/09/15 at 10:51:48

Le résultat suivant fait le lien avec les polynômes d’interpolation de Lagrange pour établir une majo-
ration de l’erreur associée à une formule de quadrature élémentaire.
Proposition 5.9
Soit Qn pf, a, bq definie en (5.1), une formule de quadrature élémentaire à n ` 1 points pxi qiPv0,nw
(distincts deux à deux).
La formule de quadrature est de degré d’exactitude n au moins si et seulement si pour tout i P v0, nw,
les poids wi sont donnés par
żbź
n ż1ź
n
def1 x ´ xj t ´ tj
wi “ dx “ dx, @i P v0, nw (5.7)
bá a x
j“0 i
´ xj 0 t
j“0 i
´ tj
j‰i j‰i
avec ti “ pxi ´ aq{pb ´ aq.

Si f P C n`1 pra, bs; Rq alors on a
1 › › żb ź n
› pn`1q ›
|Ea,b pf q| ď ›f › | px ´ xi q|dx (5.8)
pn ` 1q! 8 a
i“0
Preuve. Montrons tout d’abord que l’on a l’égalité suivante

żbź
n ż1ź
n
1 x ´ xj t ´ tj
dx “ dx.
bá a x ´ xj
j“0 i 0 t ´ tj
j“0 i
j‰i j‰i
Par le changement de variables s : t ÝÑ a ` pb ´ aqt on obtient

żb ż1
Li pxqdx “ pb ´ aq Li ˝ sptqdt
a 0
et l’on a xi “ spti q “ a ` pb ´ aqti où ti “ pxi ´ aq{pb ´ aq. On en déduit

ż1 ż1ź
n ż1ź
n
sptq ´ sptj q pb ´ aqpt ´ tj q
Li ˝ sptqdt “ dt “ dt
0 0 j“0
spti q ´ sptj q 0 j“0
pb ´ aqpti ´ tj q
j‰i j‰i
ż 1źn
t ´ tj
“ dt
0 j“0 ti ´ tj
j‰i
L’égalité est donc démontré.

Pour démontrer la proposition, on note Ln pf q le polynôme d’interpolation de Lagrange associés aux
points pxi , f pxi qqiPv0,nw :
n
ÿ źn
x ´ xj
Ln pf qpxq “ Li pxqf pxi q avec Li pxq “
i“0
x ´ xj
j“0 i
j‰i
On a alors żb żb
n
ÿ
Ln pf qpxqdx “ f pxi q Li pxqdx.
a i“0 a
ñ On suppose que la formule de quadrature est de degré d’exactitude n. Soit i P v0, nw, Li P Rn rXs
et on a alors par hypothèse
żb
hyp
Qn pLi , a, bq “ Li pxqdx.
a
Compiled on 2022/09/15 at 10:51:48

Or comme Li pxj q “ δi,j on a
n
ÿ
Qn pLi , a, bq “ pb ´ aq wj Li pxj q “ pb ´ aqwi .
j“0
On obtient donc
żb
1
wi “ Li pxqdx.
bá a
ð On suppose les poids pwi qni“0 donnés par (5.7). La formule de quadrature s’écrit alors
n
ÿ żb
hyp
Qn pf, a, bq “ f pxi q Li pxqdx.
i“0 a
Soit P P Rn rXs. Par unicité du polynôme d’interpolation de Lagrange, on a P “ Ln pP q et

żb żb

Ppxqdx “ Ln pP qpxqdx
a a
żbÿ n
“ Li pxqPpxi qdx
a i“0
n
ÿ żb
“ Ppxi q Li pxqdx
i“0 a
n
ÿ
“ pb ´ aq wi Ppxi q “ Qn pP, a, bq.
i“0
La formule de quadrature est donc exacte pour tout les polynômes de degré n au moins.
Pour démontrer l’inégalité (5.8), comme f P C n`1 pra, bs; Rq, on peut appliquer le théorème 4.4 pour
obtenir
n
f pn`1q pξx q ź
@x P ra, bs, Dξx P ra, bs, f pxq ´ Ln pf qpxq “ px ´ xi q
pn ` 1q! i“0

On en déduit
ˇ pn`1q ˇ
ˇf pξx q ˇ
|f pxq ´ Ln pf qpxq| “ ˇˇ πn pxqˇˇ
pn ` 1q!
› ›
› pn`1q ›
›f ›
8
ď |πn pxq|
pn ` 1q!
L’application f ´ Ln pf q étant intégrable sur ra, bs, l’application |f ´ Ln pf q| l’est aussi. De même |πn pxq|
est intégrable sur ra, bs. On obtient alors
› ›
żb › pn`1q › żb
›f ›
8
|f pxq ´ Ln pf qpxq|dx ď |πn pxq|dx.
a pn ` 1q! a
De plus
ˇż ˇ ż
ˇ b ˇ b
ˇ ˇ
ˇ f pxq ´ Ln pf qpxqdxˇ ď |f pxq ´ Ln pf qpxq|dx
ˇ a ˇ a
ce qui donne
ˇż ˇ › ›
ˇ b żb ˇ › pn`1q › żb ź
ˇ ˇ ›f › n
8
ˇ f pxqdx ´ Ln pf qpxqdxˇ ď | px ´ xi q|dx.
ˇ a a ˇ pn ` 1q! a i“0
Compiled on 2022/09/15 at 10:51:48

La formule de quadrature est de degré d’exactitude n au moins et le polynôme d’interpolation de

Lagrange Ln pf q est de degré n donc on a
żb
Ln pf qpxqdx “ Qn pLn pf q, a, bq
a
n
ÿ
“ pb ´ aq wi Ln pf qpxi q
i“0
ÿn
“ pb ´ aq wi f pxi q car Ln pf qpxi q “ f pxi q
i“0
“ Qn pf, a, bq
ce qui donne
ˇż ˇ
ˇ b ˇ
ˇ ˇ
|Ea,b pf q| “ ˇ f pxqdx ´ Qn pf, a, bqˇ
ˇ a ˇ
ˇż żb ˇ
ˇ b ˇ
ˇ ˇ
“ ˇ f pxqdx ´ Ln pf qpxqdxˇ
ˇ a a ˇ
› ›
› pn`1q › ż
›f › b ź n
8
ď | px ´ xi q|dx.
pn ` 1q! a i“0
Exercice 5.1.2
Soient pxi qni“0 des points distincts 2 à 2 de l’intervalle ra, bs vérifiant

xi ` xní a`b
@i P v0, nw, “ .
2 2
On note Li P Rn rXs, i P v0, nw les pn ` 1q polynômes de base de Lagrange définis par
źn
x ´ xj
Li pxq “
x ´ xj
j“0 i
j‰i
et vérifiant Li pxj q “ δi,j , @pi, jq P v0, nw2

Q. 1 Soit i P v0, nw. Montrer que
@x P R, Li ppa ` bq ´ xq “ Lní pxq.
Q. 2 Soient pwi qni“0 définis par

żb
1
wi “ Li ptqdt, @i P v0, nw
bá a
Montrer que l’on a alors

@i P v0, nw, wi “ wní
Correction Exercice
Q. 1 Soit i P v0, nw. On note φpxq “ pa ` bq ´ x le polynôme de degré 1 et P “ Li ˝ φ le polynôme de
Rn rXs (la composé de 2 polynômes est de degré le produit des degrés des 2 polynômes).
On a
@j P v0, nw, xn´j “ pa ` bq ´ xj
Compiled on 2022/09/15 at 10:51:48

et
# #
1, si i “ n ´ j 1, si j “ n ´ i
Ppxj q “ Li ppa ` bq ´ xj q “ Li pxn´j q “ δi,n´j “ “ “ δní,j .
0, sinon 0, sinon
C’est à dire
@j P v0, nw, Ppxj q “ δní,j .
Or Lní est l’unique polynôme de Rn rXs vérifiant la relation précédente dont P “ Lní (voir Exer-
cice 4.1.1, page 126).
Q. 2 Soit i P v0, nw. On note t “ φpxq “ pa ` bq ´ x le changement de variable affine. On a alors

φ-1 ptq “ pa ` bq ´ t et
żb
1
wi “ Li ptqdt
bá a
ż φ-1 pbq
1
“ Li ˝ φpxqφ1 pxqdt
bá φ-1 paq
ża

1
“ Li ppa ` bq ´ xqp´1qdx
bá b
żb
1
“ Li ppa ` bq ´ xqdx
bá a
żb
1
“ Lní pxqdx d’après la question précédente
bá a
“ wní .
˛
De l’Exercice 5.1.2 et de la Proposition 5.8, on obtient le lemme suivant
Lemme 5.10
Soient pxi qni“0 des points distincts 2 à 2 de l’intervalle ra, bs vérifiant
xi ` xní a`b
@i P v0, nw, “ .
2 2

Soient pwi qni“0 définis par
żbź
n
1 x ´ xj
wi “ dx, @i P v0, nw
bá a x
j“0 i
´ xj
j‰i
On a alors
@i P v0, nw, wi “ wní
et la formule de quadrature élémentaire associée est de degré d’exactitude au moins n si n est
impaire et au moins n ` 1 sinon.
Proposition 5.11: Degré maximal d’exactitude
Soit Qn pf, a, bq défini par (5.1) une formule de quadrature élémentaire de degré d’exactitude au
moins n. Elle est alors de degré d’exactitude n ` m, m P N˚ , au moins si et seulement si
żb
πn pxqQpxqdx “ 0, @Q P Rm´1 rXs (5.9)
a
Compiled on 2022/09/15 at 10:51:48

où πn est le polynôme de degré n ` 1 défini par

n
ź
πn pxq “ px ´ xi q. (5.10)
i“0
Le degré maximal d’exactitude d’une formule de quadrature élémentaire à n ` 1 points est 2n ` 1.

De plus, on a
żb
(5.9) ðñ πn pxqxk dx “ 0, @k P v0, m ´ 1w. (5.11)
a
Preuve. On a par définition

n
ÿ
Qn pf, a, bq “ pb ´ aq wj f pxj q
j“1
où les n ` 1 points xj sont distincts deux à deux dans l’intervalle ra, bs.
La formule de quadrature est exacte pour les polynômes de degré n ` m si et seulement si
żb
Ppxqdx “ Qn pP, a, bq, @P P Rn`m rXs
a
Soit P P Rn`m rXs, on peut effectuer la division euclidienne de P par πn P Rn`1 rXs. Il existe donc
Q P Rm´1 rXs (quotient) et R P Rn rXs (reste) tels que
P “ Qπn ` R.
On a alors par linéarite de l’intégrale
żb żb żb
Ppxqdx “ Qpxqπn pxqdx ` Rpxqdx
a a a
et par linéarite de Qn
Qn pP, a, bq “ Qn pQπn , a, bq ` Qn pR, a, bq.
Par hypothèse, la formule de quadrature a pour degré d’exactitude n et comme R P Rn rXs on obtient
żb
Rpxqdx “ Qn pR, a, bq.
a
On en déduit alors que

żb żb
Ppxqdx ´ Qn pP, a, bq “ Qpxqπn pxqdx ´ Qn pQπn , a, bq.
a a
Par construction πn pxj q “ 0, @j P v0, nw, ce qui donne

n
ÿ
Qn pQπn , a, bq “ pb ´ aq wj Qpxj qπn pxj q “ 0
j“0
et donc żb żb
Ppxqdx ´ Qn pP, a, bq “ Qpxqπn pxqdx. (5.12)
a a
ð si (5.9) est vérifié alors,

żb
Ppxqdx ´ Qn pP, a, bq “ 0.
a
La formule de quadrature est donc de degré d’exactitude n ` m.
ñ si la formule de quadrature est de degré d’exactitude n ` m alors pour tout Q P Rm´1 rXs, le
polynôme P “ Qπn P Rn`m rXs et donc
żb
Ppxqdx ´ Qn pP, a, bq “ 0.
a
En utilisant (5.12), on obtient alors

żb
Qpxqπn pxqdx “ 0.
a
Compiled on 2022/09/15 at 10:51:48

‚ La plus grande valeur que puisse prendre m est n ` 1 (i.e. m ` n “ 2n ` 1). En effet si m “ n ` 2
alors Q P Rn`1 rXs dans (5.9). Or πn P Rn`1 rXs et en prenant Q “ πn on obtient
żb żb
πn pxqQpxqdx “ Q2 pxqdx ą 0.
a a
‚ Dans l’équivalence (5.11), ñ est immédiat car x ÞÑ xk P Rm´1 rXs.

Pour établir l’implication ð , on utilise la linéarite de l’intégrale. En effet, soit P P Rm´1 rXs, il
existe pα0 , . . . , αm´1 q P Rm tel que
m´1
ÿ
@x P R, Ppxq “ αk xk .
k“0
On a alors
żb żb m´1
ÿ
Ppxqπn pxqdx “ πn pxq αk xk dx
5.1.3 Formules élémentaires de Newton-Cotes

a a k“0
m´1
ÿ żb
“ αk πn pxqxk dx
k“0 a
m´1
ÿ
hyp
“ αk ˆ 0 “ 0.
k“0
Cette proposition sera utilisée pour déterminer les points de quadrature de la méthode de Gauss-
Legendre. Une fois connu les points de quadrature xi , les poids wi pourront être calculés par (5.7).
Si l’on choisi comme points de quadrature les n ` 1 points de la discrétisation régulière de l’intervalle
ra, bs, on obtient la méthode de Newton-Cotes.
Bien d’autres méthodes peuvent être obtenues (avec d’autres points), certaines permettant le calcul
şb
d’intégrales avec poids de la forme a wpxqf pxqdx :
‚ méthode de Newton-Cotes ouvertes,
‚ méthode de Gauss-Legendre,
‚ méthode de Gauss-Jacobi,
‚ méthode de Gauss-Tchebychev,

‚ méthode de Gauss-Laguerre,
‚ méthode de Gauss-Lobatto,
‚ méthode de Romberg...

Soit pxi qiPv0,nw une discrétisation régulière de l’intervalle ra, bs:
@i P v0, nw, xi “ a ` ih avec h “ pb ´ aq{n.
On a alors
xi ` xní a`b
@i P v0, nw, “ .
2 2
Proposition 5.12
Soient f P C 0 pra, bs; Rq et pxi qiPv0,nw une discrétisation régulière de l’intervalle ra, bs: xi “ a ` ih
avec h “ pb ´ aq{n.
Compiled on 2022/09/15 at 10:51:48

Les formules de quadrature élémentaires de Newton-Cotes s’écrivent sous la forme

żb n
ÿ
f pxqdx « pb ´ aq wi f pxi q
a i“0
où les poids pwi qni“0 sont donnés par (5.7).

Elles sont symétriques et leur degré d’exactitude (d.e. dans le tableau suivant) est égal à n si n est
impair et à n ` 1 sinon.
n d.e. wi (poids) nom

1 1
1 1 2 2 trapèze
1 2 1
2 3 6 3 6 Simpson
1 3 3 1
3 3 8 8 8 8 Newton
7 16 2 16 7
4 5 90 45 15 45 90 Villarceau
19 25 25 25 25 19
5 5 288 96 144 144 96 288 ?
41 9 9 34 9 9 41
6 7 840 35 280 105 280 35 840 Weddle
751 3577 49 2989 2989 49 3577 751
7 7 17280 17280 640 17280 17280 640 17280 17280 ?
989 2944 464 5248 454 5248 464 2944 989
8 9 28350 14175 ´ 14175 14175 ´ 2835 14175 ´ 14175 14175 28350 ?
Table 5.1: Méthodes de Newton-Cotes
Par exemple, la formule de Simpson (n “ 2) est

żb ˆ ˙
bá a`b
f pxqdx « f paq ` 4f p q ` f pbq (5.13)
a 6 2
Pour un n donné, déterminer les coefficients wi de la formule de Newton-Cotes est assez simple.
Démonstration 1: En effet, il suffit de remarquer que la formule doit être exacte si f est un polynôme
de degré au plus n. Ensuite par linéarité de la formule, on est ramené à résoudre une système
linéaire à n ` 1 inconnues (les pwi qiPv0,nw ) en écrivant que pour chaque monôme
n
ÿ żb
pb ´ aq wi f pxi q “ f pxqdx, @f P t1, X, X 2 , . . . , X n u Ă Rn rXs. (5.14)
i“0 a
Par exemple, pour n “ 2, on a b “ a ` 2h. A partir de (5.14) on obtient les trois équations :
$
& w0 ` w1 ` w2
’ “ 1,
şb
pf pxq “ 1q
1
aw0 ` pa ` hqw1 ` pa ` 2hqw2 “ bá xdx “ a ` h, pf pxq “ xq
’
% a2 w ` pa ` hq2 w ` pa ` 2hq2 w “ 1
şab 2 1 2 2
0 1 2 bá a x dx “ 3 p3a ` 6ah ` 4h q, pf pxq “ x2 q.
On a alors
$
& w0 “ ´w1 ´ w2 ` 1,
ap´w1 ´ w2 ` 1q ` pa ` hqw1 ` pa ` 2hqw2 “ a ` h,
% 2
a p´w1 ´ w2 ` 1q ` pa ` hq2 w1 ` pa ` 2hq2 w2 “ a2 ` 2ah ` 34 h2 .
c’est à dire $
& w0 “ ´w1 ´ w2 ` 1,
w1 ` 2w2 “ 1,
%
2apw1 ` 2w2 q ` hpw1 ` 4w2 q “ 2a ` 4h{3,
Par substitution, de la deuxième équation dans la troisième, on obtient enfin
$
& w0 “ ´w1 ´ w2 ` 1,
w1 ` 2w2 “ 1,
%
w1 ` 4w2 “ 4{3,
1
ce qui donne w0 “ w2 “ 6 et w1 “ 23 .
Compiled on 2022/09/15 at 10:51:48

Démonstration 2: En utilisant la Proposition 5.9, on a

żbź
n ż1ź
n
def 1 x ´ xj t ´ tj
wi “ dx “ dx, @i P v0, nw
bá a x ´ xj
j“0 i 0 t ´ tj
j“0 i
j‰i j‰i
On a donc dans le cadre des points équidistants sur r0, 1s, ti “ i{n, @i P v0, nw et
źn źn n
ź
t ´ tj t ´ j{n nt ´ j
“ “
t ´ tj
j“0 i j“0
pi ´ jq{n j“0 i ´ j
j‰i j‰i j‰i
Par exemple, pour n “ 2, on a
2t ´ 1 2t ´ 2
L0 ptq “ “ p2 t ´ 1qpt ´ 1q
´1 ´2

2t 2t ´ 2
L1 ptq “ “ ´4 pt ´ 1qt
1 ´1
2t 2t ´ 1
L2 ptq “ “ p2 t ´ 1qt
2 1
et
ż1 ż1 ż1
1 2 1
w0 “ L0 ptq “ , w1 “ L1 ptq “ , w2 “ L2 ptq “
0 6 0 3 0 6
On sait par le Lemme 5.10 que, n “ 2 étant paire, la formule de quadrature élémentaire de Simpson est
au moins de degré d’exactitude 3. Pour montrer qu’elle est de degré d’exactitude 3, il suffit de vérifier
qu’elle n’est plus exacte pour le monôme x4 sur l’intervalle r0, 1s.
En effet, on a
ˆ ˙ ż1
1 4 1 4 4 5 1
0 ` 4p q ` 1 “ ‰ x4 dx “
6 2 24 0 5
Exercice 5.1.3
Q. 1 Ecrire une fonction algorithmique WeightsPointsNC retournant les pn ` 1q points et les

pn ` 1q poids de la formule de quadrature élémentaire de Newton-Cotes à pn ` 1q points.

Q. 2 Ecrire une fonction algorithmique QuadElemNC retournant la valeur de Qn pf, a, bq corre-
pondant à la formule de quadrature élémentaire de Newton-Cotes à pn ` 1q points.
Correction Exercice
Algorithme 5.2 Fonction WeightsPointsNC retournant le tableau de points x donnés correspondant

à la discrétisation régulière intervalle ra, bs. et le tableau des poids w associé à un
Données : a, b : deux réels, a ă b,
n : n P N˚ .
Résultat : x : vecteur de Rn`1 avec x piq “ xi´1 , @i P v1, n ` 1w
et xi´1 “ a ` pi ´ 1qh, h “ pb ´ aq{n,
w : vecteur de Rn`1 avec w piq “ wi´1 , @i P v1, n ` 1w
Q. 1 1: Fonction rxx, w s Ð WeightsPointsNC ( a, b, n )
2: x Ð a : pb ´ aq{n : b
3: w Ð WeightsFromPointspx x, a, bq
4: Fin Fonction
Compiled on 2022/09/15 at 10:51:48

Q. 2 On a de manière générique l’algorithme suivant:

řn
Algorithme 5.3 Fonction QuadElemGen retourne la valeur de I “ pb ´ aq j“0 wj f pxj q.
Données : f : une fonction définie de ra, bs dans R,
a, b : deux réels avec a ă b
x : vecteur de Rn`1 contenant pn ` 1q points distincts deux à deux
dans un intervalle ra, bs avec la convention
x piq “ xi´1 , @i P v1, n ` 1w
w : vecteur de Rn`1 tel que w piq “ wi´1 , @i P v1, n ` 1w
Résultat : I : un réel
1: Fonction I Ð QuadElemGen ( f, a, b, x , w )
2: IÐ0
3: Pour i Ð 1 à Lengthpx xq faire
4: I Ð I ` w piq ˚ f px
xpiqq
5: Fin Pour
6: I Ð pb ´ aq ˚ I
7: Fin Fonction
On peut noter que si l’on dispose de la fonction s Ð Dotpu

u, v q correpondant au produit scalaire de
deux vecteurs du même espace alors on a directement
I Ð pb ´ aq ˚ Dotpw
w , f px
xqq.
řn
Algorithme 5.4 Fonction QuadElemGen retourne la valeur de I “ pb ´ aq j“0 wj f pxj q où les poids
wi et les points xi sont ceux définis par la formule de quadrature élémentaire de Newton-Cotes
Données : f : une fonction définie de ra, bs dans R,
a, b : deux réels avec a ă b,
n : n P N˚
1: Fonction I Ð QuadElemNC ( f, a, b, n )
2: x, w s Ð WeightsPointsNCpa, b, nq
rx
3: I Ð QuadElemGenpf, a, b, x , w q
4: Fin Fonction
Remarque 5.13 Pour les méthode de Newton-Cotes, il ne faut pas trop "monter" en ordre car le
phénomène de Runge (forte oscillation possible du polynôme d’interpolation sur les bords de l’intervalle)
peut conduire à de très grande erreurs. Au delà de n “ 7, des poids négatifs apparaissent dans les
formules et les rendent beaucoup plus sensibles aux erreurs d’arrondis.
Sur un exemple très simple, il est possible d’illustrer ce phénomène. Soit f pxq “ 3x`2. On a démontré
şb
que toutes les formules de Newton-Cotes à n`1 points, n ě 1, sont exactes pour le calcul de a f pxqdx car
f est un polynôme de degré 1. De plus les poids pwi qiPv0,nw peuvent être calculés sous forme fractionnaire
: il est immédiat à partir de la formule (5.7) que wi P Q.
En choissant, par exemple, a “ 0 et b “ 1 les n ` 1 points xi de la formule de Newton-Cotes sont aussi
des nombres rationnels. La fonction f étant polynomiale, on obtient f pxi q P Q. On en déduit que la
formule de Newton-Cotes à n ` 1 points donne dans ce cas un résultat (exacte) sous forme fractionnaire.
Numériquement, les poids wi P Q et les points xi P Q vont être approchés en commettant de très
petites erreurs. Sous Sage, logiciel gratuit de calcul formel (entre autres), on peut programmer à la fois
le calcul des méthodes de Newton-Cotes exactes (en restant dans le corps Q) et le calcul "approché"
correspondant aux méthodes de Newton-Cotes approchées (i.e. les wi et les xi sont approchés avant le
calcul de la somme). On représente en Figure 5.5 les erreurs obtenues en fonction de n par ces deux
approches. Ces courbes en échelle logarithmique en ordonnées ont été obtenues en ajoutant aux erreurs
le nombre 1e ´ 16 (pour éviter de prendre le log de zéro).
Compiled on 2022/09/15 at 10:51:48

error
Numerical Newton-Cotes
Analytical Newton-Cotes
10-5
10-7
10-9
10-11
10-13
10-15
n
0 10 20 30 40 50 60
5.1.4 Formules élémentaires de Gauss-Legendre

Figure 5.5: Instabilité des méthodes de Newton-Cotes élémentaires
Pour pallier ce problème, on étudiera les méthodes de quadrature composées.
Exercice 5.1.4
Q. 1 Déterminer les points t0 , t1 de l’intervalle r´1, 1s et les poids w0 , w1 tel que la formule de
quadrature
ż1 1
ÿ
gptqdt « 2 wi gpti q
´1
i“0
soit de degré d’exactitude 3.

şb
Q. 2 En déduire une formule de quadrature pour le calcul de a
f pxqdx qui soit de degré d’exactitude
3.
Correction Exercice
Q. 1 D’après la Proposition 5.9, si t0 et t1 sont distincts et dans l’intervalle r´1, 1s alors avec

ż ż
1 1 t ´ t1 1 1 t ´ t0
w0 “ dt et w1 “ dt
2 ´1 t0 ´ t1 2 ´1 t1 ´ t0
la formule de quadrature est de degré d’exactitude 1.

Pour déterminer les points t0 et t1 , on utilise la Proposition 5.11 (degré maximal d’exactitude) avec
m “ n ` 1 “ 2: la formule de quadrature est de degré 2n ` 1 “ 3 ssi
ż1
π1 ptqQptqdt “ 0, @Q P R1 rXs
´1
avec π1 ptq “ pt ´ t0 qpt ´ t1 q. Par linéarité ceci est équivalent à

ż1
π1 ptqtk dt “ 0, @k P v0, 1w
´1
c’est à dire ż1 ż1
π1 ptqdt “ 0 et π1 ptqtdt “ 0.
´1 ´1
Or on a ż1 ż1
2
π1 ptqdt “ t2 ´ pt0 ` t1 qt ` t0 t1 dt “ ` 2t0 t1
´1 ´1 3
Compiled on 2022/09/15 at 10:51:48

et ż1 ż1
2
π1 ptqtdt “ t3 ´ pt0 ` t1 qt2 ` t0 t1 tdt “ ´ pt0 ` t1 q.
´1 ´1 3
On est amené à résoudre le système non linéaire
1 2
t0 t1 “ ´ et ´ pt0 ` t1 q “ 0
3 3
a a
ce qui donne t0 “ ´ p3q{3 et t1 “ p3q{3.
Il reste à calculer w0 et w1 . On a
ż a ż a
1 1 t ´ p3q{3 1 1 ´ p3q{3
w0 “ a dt “ a dt “ 1{2
2 ´1 ´2 p3q{3 2 ´1 ´2 p3q{3
et ż1 a ż a
1 t ` p3q{3 1 1 p3q{3
w1 “ a dt “ a dt “ 1{2.
2 ´1 2 p3q{3 2 ´1 2 p3q{3
La formule de quadrature ? ?
ż1
3 3
gptqdt « gp´ q ` gp q
´1 3 3
est donc d’ordre 3.
Q. 2 On effectue le changement de variable x “ φptq “ a`b bá

2 ` 2 t en appliquant la Proposition 5.3
(changement de variable affine) pour obtenir que
ˆ ˙
1 1
pb ´ aq f px0 q ` f px1 q
2 2
şb
est une formule de quadrature approchant a f pxqdx avec un degré d’exactitude de 3 où x0 “ φpt0 q et
x1 “ φpt1 q.
˛
Avant d’établir des résultats plus généraux, on donne quelques résultats classiques sur les polynômes
de Legendre [].
Les polynômes de Legendre peuvent être définis par la formule de récurrence de Bonnet
pn ` 1qPn`1 ptq “ p2n ` 1qtPn ptq ´ nPn´1 ptq, @n ě 1 (5.15)
avec P0 ptq “ 1 et P1 ptq “ t.

On a les propriétés suivantes:
prop.1 le polynôme de Legendre Pn est de degré n,

prop.2 la famille tPk unk“0 est une base de Rn rXs,
prop.3 pour tout pm, nq P N2 , on a
ż1
2
Pm ptqPn ptqdt “ δm,n , (5.16)
´1 2n ` 1
ce qui correspond à l’orthogonalité des polynômes de Legendre pour le produit scalaire
ż1
xPm , Pn y “ Pm ptqPn ptqdt.
´1
prop.4 Pour n ě 1, Pn est scindé sur R et ses n racines sont simples dans s ´ 1, 1r, c’est à dire
n´1
ź
Pn ptq “ C pt ´ ti q, C P R˚
i“0
où les ti sont 2 à 2 distincts (et ordonnés). Les pn ` 1q racines simples de Pn`1 sont alors chacunes
dans l’un des pn ` 1q intervalles s ´ 1, t0 r, st0 , t1 r, . . . , stn´2 , tn´1 r, stn´1 , 1r.
Compiled on 2022/09/15 at 10:51:48

Proposition 5.14
Soit pti qni“0 les n ` 1 racines distinctes du polynôme de Legendre de degré pn ` 1q. On note xi “
a`b bá
2 ` 2 ti , @i P v0, nw et wi les poids donnés par (5.7). La formule de quadrature élémentaire
żb n
ÿ
f pxqdx « pb ´ aq wi f pxi q
a i“0
est appelée la formule de quadrature de Gauss-Legendre. C’est l’unique formule de quadrature

élémentaire à pn ` 1q points ayant pour degré d’exactitude 2n ` 1.
n exactitude wi (poids) ti (points)

0 1 1 0
a a
1 3 1{2, 1{2 ´ 1{3, 1{3
a a

2 5 5{18, 8{18, 5{18 ´ 3{5, 0, 3{5
Table 5.2: Méthodes de Gauss-Legendre sur r´1, 1s
Preuve. D’après la Proposition 5.3, il suffit de démontrer ce résultat sur l’intervalle r´1, 1s à l’aide du
changement de variable affine x “ φptq “ a`b bá
2 ` 2 t.
Montrons donc que la formule de quadrature élémentaire
ż1 n
ÿ
´1 i“0
est de degré d’exactitude 2n ` 1.

Comme les poids wi sont donnés par (5.7), cette formule est de degré d’exactitude au moins n. Pour
établir qu’elle est de degré d’exactitude 2n ` 1, il faut, d’après la Proposition 5.11 avec m “ n ` 1, que
ż1
πn ptqQptqdt “ 0, @Q P Rn rXs
´1
śn
avec πn ptq “ i“0 pt ´ ti q. D’après les propriétés des polynômes de Legendre Pn , on a Pn`1 ptq “ Cπn ptq
avec C P R˚ . On doit donc avoir de manière équivalente
ż1
Pn`1 ptqQptqdt “ 0, @Q P Rn rXs.

´1
Or, la famille des les polynômes de Legendre tP0 , . . . , Pn u est une base de Rn rXs et comme les polynômes
de Legendre sont orthogonaux, la relation précedente est vérifiée.
Pour démontrer l’unicité de la formule, il suffit d’établir l’unicité des points de quadrature, les poids
étant calculés à partir de ces points.
L’unicité du pn ` 1q-uplet px0 , . . . , xn q revient à établirśl’unicité du pn ` 1q-uplet śnpt0 , . . . , tn q. Supposons
n
qu’il existe pt0 , . . . , tn q et pt̃0 , . . . , t̃n q. Notons πn ptq “ i“0 pt ´ ti q et π̃n ptq “ i“0 pt ´ t̃i q. On a donc
ż1 ż1
πn ptqQptqdt “ π̃n ptqQptqdt “ 0, @Q P Rn rXs
´1 ´1
Le polynôme R “ πn ´ π̃ est dans Rn rXs car les polynômes πn et π̃n de Rn`1 rXs sont unitaires. On a
alors ż1
RptqQptqdt “ 0, @Q P Rn rXs
´1
En choisissant Q “ R, on obtient ż1
R2 ptqdt “ 0
´1
ce qui entraine R “ 0.
Compiled on 2022/09/15 at 10:51:48

Théorème 5.15
Soient f P C 2n`2 pra, bs; Rq et Qn pf, a, bq la formule de quadrature de Gauss-Legendre définie dans
la Proposition 5.14. Alors on a
żb › p2n`2q › ż
›f › b
8
| f pxqdx ´ Qn pf, a, bq| ď πn pxq2 dx (5.17)
a p2n ` 2q! a
śn
où πn pxq “ i“0 px ´ xi q, les xi étant les points de la formule de quadrature.
Preuve. On va utiliser Hn , le polynôme d’interpolation de Lagrange-Hermite aux pn ` 1q points de la

quadrature. D’après le Théorème 4.11, c’est l’unique polynôme de degré au plus 2n ` 1 vérifiant
Hn pxi q “ f pxi q et H1n pxi q “ f 1 pxi q, @i P v0, nw.
La fonction f étant dans C 2n`2 pra, bs; Rq, on peut appliquer le Théorème 4.12 et pour tout x P ra, bs,
Dξx Psa, br tel que

n
f p2n`2q pξx q ź
f pxq ´ Hn pxq “ px ´ xi q2 .
p2n ` 2q! i“0
Ensuite on intégre cette relation:
żb ż b p2n`2q n
f pξx q ź
pf pxq ´ Hn pxqqdx “ px ´ xi q2 dx.
a a p2n ` 2q! i“0
Le polynôme Hn étant de degré 2n ` 1, la formule de quadrature est donc exacte et on a:

żb
Hn pxqdx “ Qn pHn , a, bq
a
n
ÿ
“ pb ´ aq wi Hn pxi q
i“0
ÿn
“ pb ´ aq wi f pxi q
i“0
“ Qn pf, a, bq.
On a donc żb żb
f p2n`2q pξx q
f pxqdx ´ Qn pf, a, bq “ pπn pxqq2 dx.
p2n ` 2q!
a a
Ce qui donne › p2n`2q › ż
żb ›f › b
8
| f pxqdx ´ Qn pf, a, bq| ď πn pxq2 dx.
a p2n ` 2q! a
Exercice 5.1.5
L’objectif de cet exercice est de calculer les points et les poids de la formule de quadrature de
Gauss-Legendre à pn ` 1q points. La formule de quadrature de Gauss-Legendre à pn ` 1q points sur
r´1, 1s est donnée par
ż1 ÿn
´1 i“0
où les pti qni“0 sont les n ` 1 racines du polynôme de Legendre Pn`1 ptq. Cette formule à pour degré
d’exactitude 2n ` 1.ş
1 1{2
Soient xP, Qy “ ´1 PptqQptqdt le produit scalaire sur RrXs et }P} “ xP, Py la norme associée.
Pn
Soit Mn le polynôme de Legendre normalisé de degré pn ` 1q, Mn “ }P n}
. On utilisera les résultats
sur les polynômes de Legendre rappelés en cours.
Compiled on 2022/09/15 at 10:51:48

Q. 1 Montrer que
cn`1 Mn`1 ptq “ tMn ptq ´ cn Mn´1 ptq, n ą 1 (5.18)
avec c c c
1 3 n2
M0 ptq “ , M1 ptq “ t et cn “
2 2 4n2´1
On définit le vecteur M ptq de Rn`1 par
M ptq “ pM0 ptq, . . . , Mn ptqqt .
Q. 2 Montrer que l’on a

M ptq “ AM
tM M ptq ` cn`1 Mn`1 ptqeen`1 (5.19)
où l’on explictera la matrice tridiagonale A P Mn`1 pRq en fonction des coefficients c1 , . . . , cn . Le
vecteur en`1 étant le pn ` 1q-ème vecteur de la base canonique de Rn`1 .
Q. 3 En déduire que les pn ` 1q racines distinctes de Mn`1 P Rn`1 rXs sont les pn ` 1q valeurs

propres de A.
Q. 4 Montrer que ÿ
wk Mi ptk qMj ptk q “ δi,j , @pi, jq P v0, nw2 (5.20)
k“0
où δi,j “ 0, si i ‰ j et δi,i “ 1.
On note W P Mn`1 pRq la matrice diagonale, de diagonale pw0 , . . . , wn q et P P Mn`1 pRq la
matrice définie par Pi`1,j`1 “ Mj pti q, @pi, jq P v0, nw2 .
Q. 5 1. Montrer que 2Pt WP “ I.
2. En déduire que W-1 “ 2PPt .
řn 2
3. En déduire que w1i “ 2 k“0 pMk pti qq , @i P v0, nw.
On suppose que l’on dispose de la fonction algorithmique eigpAq retournant l’ensemble des
valeurs propres d’une matrice symétrique A P Mn`1 pRq dans l’ordre croissant sous la forme d’un
vecteur de Rn`1 .
Q. 6 1. Ecrire la fonction rtt, w s Ð GaussLegendrepnq retournant le tableau des points t et le
tableau des poids w en utilisant les résultats obtenus dans cet exercice.
2. Ecrire la fonction I Ð QuadElemGaussLegendrepf, a, b, nq retournant une approximation
şb
de a f pxqdx en utilisant la formule de quadrature de Gauss-Legendre à pn ` 1q points sur
l’intervalle ra, bs.

Correction Exercice On rappelle les résultats suivants (donnés en cours).
Les polynômes de Legendre peuvent être définis par la formule de récurrence de Bonnet
pn ` 1qPn`1 ptq “ p2n ` 1qtPn ptq ´ nPn´1 ptq, @n ě 1
avec P0 ptq “ 1 et P1 ptq “ t.

On a les propriétés suivantes:
1. le polynôme de Legendre Pn est de degré n,
2. la famille tPk unk“0 est une base de Rn rXs,
3. pour tout pm, nq P N2 , on a

ż1
2
Pm ptqPn ptqdx “ δm,n ,
´1 2n ` 1
ce qui correspond à l’orthogonalité des polynômes de Legendre pour le produit scalaire
ż1
xPm , Pn y “ Pm ptqPn ptqdx.
´1
Compiled on 2022/09/15 at 10:51:48

4. Pour n ě 1, Pn est scindé sur R et ses n racines sont simples dans s ´ 1, 1r, c’est à dire
n´1
ź
Pn ptq “ C pt ´ ti q, C P R˚
i“0
où les ti sont 2 à 2 distincts (et ordonnés). Les n ` 1 racines simples de Pn`1 sont alors chacunes
dans l’un des n ` 1 intervalles sa, t0r, st0 , t1 r, . . . , stn´2 , tn´1 r, stn´1 , br.
Pn
Q. 1 Par définition, on a Mn “ }Pn } et
ż1
2 2
}Pn } “ xPn , Pn y “ Pn ptqPn ptqdx “ .
´1 2n ` 1
On en déduit que c
2n ` 1
Pn . Mn “
2
De plus, par la formule de récurrence de Bonnet, on obtient
c c
1 3
M0 ptq “ et M1 ptq “ t
2 2
ainsi que, @n ě 1,
c c c
2 2 2
pn ` 1q Mn`1 ptq “ p2n ` 1q tMn ptq ´ n Mn´1
2n ` 3 2n ` 1 2n ´ 1
c
a 2
“ 2p2n ` 1qtMn ptq ´ n Mn´1
2n ´ 1
b
1
En multipliant cette équation par 2p2n`1q , on a
c d c d
2 1 2 1
pn ` 1q Mn`1 ptq “ tMn ptq ´ n Mn´1

2n ` 3 2p2n ` 1q 2n ´ 1 2p2n ` 1q
Or on a c d d
2 1 n2
n “ “ cn
2n ´ 1 2p2n ` 1q p2n ´ 1qp2n ` 1q
et c d d
2 1 pn ` 1q2
pn ` 1q “ “ cn`1
2n ` 3 2p2n ` 1q p2pn ` 1q ´ 1qp2pn ` 1q ` 1q
ce qui démontre le résultat voulu.
Q. 2 On déduit de la question précédente que

c
1
tM0 ptq “ t “ c1 M1 ptq
3
et
tMi ptq “ ci Mi´1 ptq ` ci`1 Mi`1 ptq, @i P v1, nw.
Ces pn ` 1q équations peuvent s’écrire matriciellement sous la forme
¨ ˛ ¨ ˛¨ ˛ ¨ 0
˛
M0 ptq 0 c1 0 ... ... 0 M0 ptq
˚ M1 ptq ‹ ˚c1 0‹ ˚ ‹ ˚ .. ‹
˚ ‹ ˚ 0 c2 0 ... ‹ ˚ M1 ptq ‹ ˚
˚ . ‹
‹
˚ .. ‹ ˚ .. .. .. .. .. ‹ ˚ .. ‹ ˚ .. ‹
˚ . ‹ ˚0 . . . . .‹ ˚ . ‹ ˚ ‹
t˚ ‹“˚ ‹˚ ‹`˚ . ‹
˚
˚ .
..
‹ ˚.
‹ ˚ .. .. .. .. .. ‹˚ .
.
‹ ˚ . ‹
˚ ‹ ˚ . . . . 0‹ ‹˚
˚ . ‹ ˚
‹ ˚ .
. ‹
˝Mn´1 ptq‚ ˝ 0 ‹
... 0 cn´1 0 cn ‚˝Mn´1 ptq‚ ˝ 0 ‚
Mn ptq 0 ... ... 0 cn 0 Mn ptq cn`1 Mn`1 ptq
“ AM
M ptq ` cn`1 Mn`1 ptqeen`1 .
Compiled on 2022/09/15 at 10:51:48

Q. 3 Le polynôme de Legendre Pn`1 P Rn`1 rXs admet pn ` 1q racines simples distinctes dans s ´ 1, 1r
notées pti qni“0 . (voir rappels) Donc le polynôme de Legendre normalisé Mn`1 P Rn`1 rXs a les mêmes
racines et on déduit de la question précédente que
M pti q “ tiM pti q, @i P v0, nw.

AM
Comme les pn`1q racines de Pn`1 séparent strictement les n racines de Pn (voir rappels), alors Pn pti q ‰ 0
et donc Mn pti q ‰ 0. On en déduit que le vecteur M pti q est non nul et,
@i P v0, nw, pti , M pti qq est un mode propre de A.
On peut noter que A est symétrique et donc ses valeurs propres sont réelles.
Les pn ` 1q valeurs propres de la matrice A sont les pn ` 1q racines de Pn`1 , et donc les pn ` 1q points de
la formule de quadrature de Gauss-Legendre.
Q. 4 Par construction, on a
ż1

Mi ptqMj ptqdx “ δi,j , @pi, jq P v0, nw.
´1
On a Mi P Ri rXs et Mj P Rj rXs, ce qui donne Mi Mj P Ri`j rXs avec i ` j ď n. Or la formule de

quadrature de Gauss-Legendre à pn ` 1q points a pour degré d’exactitude 2n ` 1, elle est donc exacte
pour le polynôme Mi Mj . On en déduit alors
ż1 n
ÿ
δi,j “ Mi ptqMj ptqdt “ 2 wk Mi ptk qMj ptk q, @pi, jq P v0, nw
´1 k“0
Q. 5 1. Soit pi, jq P v1, n ` 1w2 , on a

n`1
ÿ
pPt WPqi,j “ pPt qi,k pWPqk,j
k“1
n`1
ÿ
“ Pk,i pWPqk,j
k“1
et, comme W est diagonale,

n`1
ÿ
pWPqk,j “ Wk,l Pl,j “ Wk,k Pk,j .
l“1

On obtient donc
n`1
ÿ n`1
ÿ
pPt WPqi,j “ Pk,i Wk,k Pk,j “ wk´1 Mi´1 ptk´1 Mj´1 ptk´1 q.
k“1 k“1
En utilisant la relation démontré dans la question précédente, on a

1 1
pPt WPqi,j “ δi´1,j´1 “ δi,j
2 2
c’est à dire
1
Pt WP “ I
2
et on en déduit que P et W sont inversibles .
2. A partir de Pt WP “ 21 I, on déduit
` ˘-1 ` ˘-1
2I “ Pt WP “ 2I “ P-1 W-1 Pt
En multipliant par P à gauche et par Pt à droite, on obtient
W-1 “ 2PPt .
Compiled on 2022/09/15 at 10:51:48

3. Comme la matrice W est diagonale inversible, son inverse est diagonale et on a
` ˘ 1 1
W-1 i,i
“ “ , @i P v1, n ` 1w.
Wi,i wi´1
On a donc
1 ` ˘
“ 2 PPt i,i
wi´1
n`1
ÿ ` ˘
“2 Pi,j Pt j,i
j“1
n`1
ÿ
“2 P2i,j
j“1
ÿn
2
“2 pMk pti´1 qq , @i P v1, n ` 1w.
k“0
Q. 6 1. Les pn ` 1q points pti qni“0 de la méthode de quadrature de Gauss-Legendre sur r´1, 1s, sont
les racines du polynôme de Legendre Pn`1 de degré n ` 1. Pour les calculer, on va utiliser le fait
que ce sont les valeurs propres de la matrice symétrique A P Mn`1 pRq
¨ ˛
0 c1 0 ... ... 0
˚c1 0 c2 0 ... 0‹
˚ ‹
˚ .. .. .. .. .. ‹
˚0 . . . . .‹
˚ ‹
˚. .. .. .. .. ‹
˚ .. . . . . 0‹
˚ ‹
˝0 cn ‚
... 0 cn´1 0
0 ... ... 0 cn 0
b
2
avec ck “ 4kk2 ´1 , @k ě 1.
Pour calculer les poids pwi qni“0 , on va utiliser la formule
ÿn
1 2
“2 pMk pti qq , @i P v0, nw
wi k“0
conjointement avec la formule de récurrence
c c
1` ˘ 1 3
Mk ptq “ tMk´1 ptq ´ ck´1 Mk´2 ptq , k ě 2, avec M0 ptq “ , M1 ptq “ t.
ck 2 2
Compiled on 2022/09/15 at 10:51:48

Algorithme 5.5 Fonction GaussLegendre retournant le tableau des points t et le tableau des poids w
Données : n : n P N
Résultat : t : vecteur de Rn`1 avec t piq “ ti´1 , @i P v1, n ` 1w
w : vecteur de Rn`1 avec w piq “ wi´1 , @i P v1, n ` 1w
1: Fonction rtt, w s Ð GaussLegendre ( n )

2: c Ð On
3: A Ð On`1,n`1
4: Pour k Ð 1 à n faire
5: c pkq Ð sqrtpk 2 {p4 ˚ k ^ 2 ´ 1qq
6: Apk, k ` 1q Ð c pkq
7: Apk ` 1, kq Ð c pkq
8: Fin Pour
9: t Ð eigpAq
11: M 0 Ð sqrtp1{2q

12: M 1 Ð sqrtp3{2q ˚ t piq
13: S Ð M 0^ 2 ` M 1^ 2
15: M Ð p1{ccpkqq ˚ pM 1 ˚ t piq ´ c pk ´ 1q ˚ M 0q
16: S Ð S ` M ^2
17: M0 Ð M1
18: M1 Ð M
19: Fin Pour
20: wpiq Ð 1{p2 ˚ Sq
21: Fin Pour
22: Fin Fonction
2. On va utiliser la formule
n
ÿ
I “ pb ´ aq “ wi f pxi q
i“0
avec xi “ a`b bá

2 ` 2 ti où les points pti qi“0 et les poids pwi qi“0 sont ceux de la méthode de quadrature
n n
de Gauss-Legendre sur r´1, 1s.

şb
Algorithme 5.6 Fonction QuadElemGaussLegendre retournant une approximation de a
f pxqdx en
utilisant la formule de quadrature de Gauss-Legendre à n ` 1 points sur l’intervalle ra, bs.
Données : f : une fonction de ra, bs à valeurs réels
a, b : deux réels avec a ă b
n : nPN
1: Fonction I Ð QuadElemGaussLegendre ( f, a, b, n )
2: rtt, w s Ð GaussLegendrepnq
3: IÐ0
5: I Ð I ` w piq ˚ f ppa ` bq{2 ` pb ´ aq{2 ˚ tpiqq
6: Fin Pour
7: I Ð pb ´ aq ˚ I
8: Fin Fonction
Compiled on 2022/09/15 at 10:51:48

5.2 Méthodes de quadrature composées

Soit f une fonction définie et intégrable sur un intervalle rα, βs donné. On propose de chercher une
approximation de
żβ
I“ f pxqdx.
α
Ces méthodes consistent en l’utilisation de la relation de Chasles pour décomposer l’intégrale en
une somme d’intégrales sur des domaines plus petits puis à approcher ces dernières par une formule de
quadrature élémentaire à n ` 1 points.
La méthode de quadrature composée associée à Qn , notée Qcomp k,n , est alors donnée par
k
ÿ żβ
Qcomp
k,n pf, α, βq “ Qn pf, αi´1 , αi q « f pxqdx (5.21)
i“1 α
Definition 5.16
Soit pαi qiPv0,kw une subdivison de l’intervalle rα, βs:
α “ α0 ă α1 ă ¨ ¨ ¨ ă αk “ β.
On a alors
żβ k ż αi
5.2.1 Exemples
ÿ
f pxqdx “ f pxqdx. (5.22)
α i“1 αi´1
Soit Qn pg, a, bq la formule de quadrature élémentaire à n ` 1 points d’ordre p donnée par

n
ÿ żb
def
Qn pg, a, bq “ pb ´ aq wj gpxj q « gpxqdx.
j“0 a
La méthode de quadrature composée associée à Qn , notée Qcomp

k,n , est donnée par
k
ÿ żβ
5.2. Méthodes de quadrature composées
Qcomp
k,n pf, α, βq “ Qn pf, αi´1 , αi q « f pxqdx (5.23)
i“1 α
La proposition suivante est immédiate
Proposition 5.17
Soit Qn une formule de quadrature élémentaire à n ` 1 points. Si Qn est d’ordre p alors la méthode
de quadrature composée associée est aussi d’ordre p : elle est exacte pour tout polynôme de degré
p.
5.2.1 Exemples
Pour les trois formules composites qui suivent on choisit une discrétisation régulière. Soit pαi qiPv0,kw une
discrétisation régulière de l’intervalle rα; βs : αi “ α ` ih avec h “ pβ ´ αq{k le pas de la discrétisation.
Formule composite des points milieux

La formule élémentaire des points milieux est donnée par
def a`b
Q0 pg, a, bq “ pb ´ aqgp q
2
αj´1 `αj
On note mj “ 2 le point milieu de l’intervalle rαj´1 , αj s.
żβ ÿk ż αj k
ÿ k
ÿ
f pxqdx “ f pxqdx « Q0 pf, αj´1 , αj q “ h f pmj q (5.24)
α j“1 αj´1 j“1 j“1
Compiled on 2022/09/15 at 10:51:48

Méthodes de quadrature composées 177
On illustre graphiquement l’approximation d’une intégrale par cette formule en Figure 5.6.
y = f(x)
f(m )6
f(m )5
f(m )7
ff((m
m ))
4
1
ff((m
m ))
2
3 αm m m m m m m m m β
1 2 3 4 5 6 7 8 9
f(m )
8
f(m )9
5.2.1 Exemples
k
ÿ
şβ
Figure 5.6: Formule composite des points milieux : α
f pxqdx « h f pmj q (aire de la surface colorée)
j“1
5.2.Méthodes de quadrature composées
Formule composite des trapèzes
La formule élémentaire des points trapèzes est donnée par
def bá
Q1 pg, a, bq “ pgpaq ` gpbqq
2
On obtient alors
żb k ż αj
ÿ k
ÿ k
h ÿ
f pxqdx “ f pxqdx « Q0 pf, αj´1 , αj q “ pf pαj´1 q ` f pαj qq
a j“1 αj´1 j“1
2 j“1
˜ ¸
k´1
ÿ
h
« f pα0 q ` 2 f pαj q ` f pαk q (5.25)
2 j“1
C’est une formule d’ordre 2 par rapport à h.
On illustre graphiquement l’approximation d’une intégrale par cette formule en Figure 5.7.
Compiled on 2022/09/15 at 10:51:48

y = f(x)
f(α5 )
f(α6 )
f(α4 )
f(α0 )
f(α7 )
f(α1 )
f(α3 )
f(α2 ) α 0 α 1 α2 α 3 α 4 α 5 α 6 α7 α 8
f(α8 )
f(α9 )
˜ ¸
k´1
ÿ
şβ
h
Figure 5.7: Formule composite des trapèzes : α f pxqdx « f pα0 q ` 2 f pαj q ` f pαk q (aire de la
2
5.2.1 Exemples
j“1
surface colorée)
Formule composite de Simpson
Exercice 5.2.1
Ecrire une fonction algorithmique QuadSimpson retournant une approximation de l’intégrale d’une
fonction f sur l’intervalle rα, βs utilisant la méthode de quadrature composée de Simpson en min-
imisant le nombre d’appels à la fonction f. On rappelle que la formule élémentaire de Simpson est
donnée par
def b ´ a a`b
Q2 pg, a, bq “ pgpaq ` 4gp q ` gpbqq.
6 2
αj´1 `αj
Correction Exercice En notant mj “ 2 le point milieu de l’intervalle rαj´1 , αj s, on obtient
żb k ż αj
ÿ k
ÿ k
h ÿ
f pxqdx f pxqdx « Q2 pf, αj´1 , αj q “ pf pαj´1 q ` 4f pmj q ` f pαj qq
a j“1 αj´1 j“1
6 j“1
˜ ¸
ÿk k´1
ÿ
h
« 4 f pmj q ` f pα0 q ` 2 f pαj q ` f pαk q (5.26)
6 j“1 j“1
Compiled on 2022/09/15 at 10:51:48

Algorithme 5.7 Fonction QuadSimpson retourne une approximation de l’intégrale d’une fonction f sur
l’intervalle rα, βs utilisant la méthode de quadrature composée de Simpson en minimisant le nombre
d’appels à la fonction f.
Données : f : une fonction définie de ralpha, betas dans R,
alpha, beta : deux réels avec alpha ă beta,
k : n P N˚
1: Fonction I Ð QuadSimpson ( f, alpha, beta, k )

2: h Ð pbeta ´ alphaq{k
3: x Ð alpha : h : beta
4: m Ð alpha ` h{2 : h : beta
k
ÿ
5: SÐ0 Ź Calcul de f pmj q
j“1
6: Pour j Ð 1 à k faire
5.2.2 Erreurs des méthodes de quadrature composées

7: S Ð S ` f pm
mpjqq
8: Fin Pour
9: I Ð4˚S
k´1
ÿ k
ÿ
10: SÐ0 Ź Calcul de f pαj q “ f px
xj q
j“1 j“2
11: Pour j Ð 2 à k faire
12: S Ð S ` f pxxpjqq
13: Fin Pour
14: I Ð ph{6q ˚ pI ` 2 ˚ S ` f px
xp1qq ` f px
xpk ` 1qqq
15: Fin Fonction
˛

y = f(x)
f(m )
2
f(α )
2
f(α )
3
f(α )
f(m )
0
1
f(m )
0
f(α )
1 α m α m α m α m α
0 0 1 1 2 2 3 3 4
f(m )
3
˜ ¸
k
ÿ k´1
ÿ
şβ h
Figure 5.8: Formule composite de Simpson : α f pxqdx « 4 f pmj q ` f pα0 q ` 2 f pαj q ` f pαk q
6 j“1 j“1
(aire de la surface colorée)
Compiled on 2022/09/15 at 10:51:48

Soit Qcomp
k,n une méthode de quadrature composée associée à une méthode de quadrature élémentaire Qn .
comp
On note Eα,β pf q l’erreur de cette méthode de quadrature composée :
żβ
comp
Eα,β pf q “ f pxqdx ´ Qcomp
k,n pf, α, βq. (5.27)
α
On a alors
˜ż ¸
k
ÿ αj k
ÿ
comp
Eα,β pf q “ f pxqdx ´ Qn pf, αj´1 , αj q “ Eαj´1 ,αj pf q
j“1 αj´1 j“1
Dans le cadre des méthodes composées de Newton-Cotes, on peut démontrer (voir [2]), la majoration
suivante
n
ź eń
max | px ´ xi q| ď C ? pb ´ aqn`1 . (5.28)
xPra,bs
i“0
n logpnq
où pxi qiPv0,nw est la discrétisation régulière de ra, bs et C ą 0. On suppose que f P C n`1 pra, bs; Rq. En
notant hj “ αj ´ αj´1 et en utilisant les majorations (5.8) et (5.28) on obtient
k
ÿ
comp
|Eα,β pf q| ď |Eαj´1 ,αj pf q|
j“1
k
ÿ Kn eń
ď max | f pn`1q pxq|hjn`2 avec Kn “ C ?
j“1
pn ` 1q! xPrαj´1 ,αj s n logpnq
ÿk
hn`1
ď Kn max | f pn`1q pxq| hj avec h “ max hj
pn ` 1q! xPrα,βs j“1
jPv1,kw
hn`1 ›› pn`1q ››
ď Kn pβ ´ αq ›f ›
pn ` 1q! 8
Cette majoration n’est pas optimale et n’est valable que pour les formules composées de Newton-Cotes.
A l’aide des noyaux de Peano, on peut démontrer le théorème suivant :
Théorème 5.18: [2], page 43 (admis)
Soient Qcomp
k,n une méthode de quadrature composée associée à une méthode de quadrature élémen-
taire Qn de degré d’exactitude p ě n et f P C p`1 prα, βs; Rq. On a alors
żβ › ›
p`1 › pp`1q ›
| f pxqdx ´ Qcomp
k,n pf, α, βq| ď C p pβ ´ αqh ›f › (5.29)
α 8
avec h “ max pαj ´ αj´1 q et Cp ą 0. Ceci s’écrit aussi sous la forme

jPv1,kw
żβ
| f pxqdx ´ Qcomp
k,n pf, α, βq| “ O ph
p`1
q (5.30)
α
et son ordre de convergence est p ` 1.
On illustre ce théorème pour les méthodes de Newton-Cotes composées Qcomp

k,n , pour n P v1, 8w, par les
Figures 5.9 et 5.10.
Compiled on 2022/09/15 at 10:51:48

10 0
NC(1)
NC(2)
NC(3)
NC(4)
NC(5)
NC(6)
10 -5 NC(7)
NC(8)
2
O(h )
relative error
O(h 4 )
6
O(h )
O(h 8 )
10 -10 10
O(h )
10 -15

10 -1 10 0 10 1
h
ż 5π{2
Figure 5.9: Erreur des méthodes de Newton-Cotes composées pour le calcul de cospxqdx, NC(n)
0
correspondant à Qcomp
k,n et h “ 5π
2k .
10 0
NC(1)
NC(2)
NC(3)

NC(4)
NC(5)
NC(6)
10 -5 NC(7)
NC(8)
O(h 2 )
relative error
4
O(h )
O(h 6 )
O(h 8 )
10 -10
O(h 10 )
10 -15
10 -1 10 0 10 1
h
ż5
1
Figure 5.10: Erreur des méthodes de Newton-Cotes composées pour le calcul de dx, NC(n)
´5 1 ` x2
k,n et h “ 10
k .
Compiled on 2022/09/15 at 10:51:48

10 0
GL(1)
GL(2)
GL(3)
GL(4)
GL(5)
4
O(h )
10 -5 O(h )
6
8
O(h )
10
relative error
O(h )
12
O(h )
10 -10
10 -15
10 -1 10 0 10 1
h
ż 5π{2
Figure 5.11: Erreur des méthodes de Gauss-Legendre composées pour le calcul de cospxqdx, GL(n)
0
k,n et h “ 5π
2k .
10 0
GL(1)
GL(2)
GL(3)
GL(4)
GL(5)
O(h 4 )
10 -5 O(h )
6
O(h 8 )
10
relative error
O(h )
O(h 12 )
10 -10
10 -15
10 -1 10 0 10 1
h
ż5
1
Figure 5.12: Erreur des méthodes de Gauss-Legendre composées pour le calcul de dx, GL(n)
´5 1 ` x2
k,n et h “ 10
k .
Comprendre les ordres de convergence de méthodes numériques
De manière générale, l’ordre de convergence de l’approximation d’une formule, d’un schéma, d’une méth-
ode est donné par une majoration de la norme de la différence entre la solution exacte uex d’un problème
et son approximation uh où usuellement h est un paramètre correspondant à la finesse de l’approximation
numérique (plus la méthode numérique est précise, plus h est proche de 0). On dit alors qu’une méthode
numérique est convergente d’ordre p si
}uex ´ uh } “ Ophp q.
Compiled on 2022/09/15 at 10:51:48

On retouve cette notion d’ordre dans la résolution numérique d’E.D.O.1 , dans la résolution numérique
d’E.D.P.2 par différences finies, éléments finis, volumes finis. Ceci permettra de vérifier/valider les
méthodes numériques implémentées.
Dans le cadre de l’intégration numérique, le Théorème 5.18 et plus particulièrement la formule (5.2.2),
affirme que si une méthode de quadrature élémentaire Qn est de degré d’exactitude p ě n et que f P
C p`1 prα, βs; Rq alors
żβ
| f pxqdx ´ Qcomp
k,n pf, α, βq| “ O ph
p`1
q.
α
et donc son ordre de convergence est p ` 1.

Il est possible de "retrouver" numériquement l’ordre de convergence de méthodes numériques en
représentant en échelle logarithmique (en abscisses et ordonnées) la fonction erreur h Ñ Ephq pour
chacune des méthodes.
Par exemple, pour la méthode composite de Simpson, on a vu que pour un h “ pb ´ aq{N donné (i.e. un
N donné)
żb N
hÿ

Ephq “ | f pxqdx ´ pf pxi´1 q ` 4f pmi q ` f pxi qq| “ Oph4 q
a 6 i“1
Pour h suffisament petit, il existe alors C ą 0 tel que
Ephq “ Ch4 .
On en déduit que si l’on multiplie N par 10 alors l’erreur sera divisée par 104 . En effet, on a
`h˘ ` h ˘4 Ephq
E “C “ .
10 10 104
şπ{2
Pour illustrer ceci, on propose le Listing 5.1 où est calculé une approximation de 0 cospxqdx par la
méthode composée des trapèzes (degré d’exactitude 1) et par la méthode composée de Simpson (degré
d’exactitude 3): on remarque que l’erreur pour la méthode des trapèzes entre N “ 10 et N “ 100 est
bien divisée par 102 et, pour la méthode de Simpson, elle est bien divisée par 104 .
Listing 5.1: : script Matlab pour illustrer l’ordre des méthodes des Trapèzes et de Simpson
f = @ ( x ) cos ( x ) ;
F = @ ( x ) sin ( x ) ;
a =0; b = pi /2;
Iex = F ( b ) -F ( a ) ;
I1 = QuadTrapeze (f ,a ,b ,10) ;
fprintf ( ’ Erreurs ␣ Trapeze : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =100) ␣ %.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) )
I1 = QuadSimpson (f ,a ,b ,10) ;
fprintf ( ’ Erreurs ␣ Simpson : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =100) ␣ %.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) )
Output
Erreurs Trapeze: (N=10) 2.05701e-03 - (N=100) 2.05618e-05

Erreurs Simpson: (N=10) 2.11547e-07 - (N=100) 2.11393e-11
Nous allons maintenant représenter graphiquement ce phénomène. On note tout d’abord que
logpEphqq “ logpCq ` 4 logphq,
et donc, en échelle logarithmique, on va représenter logphq Ñ logpEphqq qui est une droite de pente 4. En
Figure 5.13, on représente en échelle logarithmique les différentes erreurs ainsi que les fonctions h Ñ h2
et h Ñ h4 . Le code Matlab/Octave est donné en Listing 5.2.
f = @ ( x ) cos ( x ) ;
F = @ ( x ) sin ( x ) ;
a =0; b = pi /2;
Iex = F ( b ) -F ( a ) ;
LN =25:25:200;
k =1;
for N = LN
H ( k ) =( b - a ) / N ;
1 Equations Différentielles Ordinaires
2 Equations aux Dérivées Partielles
Compiled on 2022/09/15 at 10:51:48

E1 ( k ) = abs ( QuadTrapeze (f ,a ,b , N ) - Iex ) ;

E2 ( k ) = abs ( QuadSimpson (f ,a ,b , N ) - Iex ) ;
k = k +1;
end
loglog (H , E1 , ’b ’ ,H , E2 , ’r ’ ,H , H .^2 , ’k -. s ’ , ...
H ,0.01* H .^4 , ’k -. d ’)
xlabel ( ’h ’) ; ylabel ( ’E ( h ) ’)
legend ( ’ Trapeze ’ , ’ Simpson ’ , ’O ( h ^2) ’ , ’O ( h ^4) ’)
Listing 5.2: Ordre des méthodes composites des trapèzes et de Simpson
10 -2
Trapeze
Simpson
2
O(h )
10 -4 O(h 4 )
10 -6
E(h)
10 -8
10 -10
10 -12
10 -2 10 -1
şπ{2
Figure 5.13: Ordre des méthodes composites des Trapèzes et de Simpson pour le calcul de 0
cospxqdx
ş1
On donne en Listing 5.3, un exemple pour le calcul approché de 0
x3{2 dx dont les résultats posent
question.
Listing 5.3: : Exemple 1, script Matlab/Octave pour illustrer des changements de comportements des ordres
f = @ ( x ) x .^(3/2) ;
F = @ ( x ) x .^(3/2+1) /(3/2+1) ;
a =0; b =1;
Iex = F ( b ) -F ( a ) ;
fprintf ( ’ Erreurs ␣ Trapeze : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =100) ␣ %.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) )
fprintf ( ’ Erreurs ␣ Simpson : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =100) ␣ %.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) )
Output
Erreurs Trapeze: (N=10) 1.16946e-03 - (N=100) 1.22452e-05
Erreurs Simpson: (N=10) 7.85521e-06 - (N=100) 2.48802e-08
On ne retrouve le bon ordre pour la méthode de Simpson car la fonction ne vérifie par les hypothèses du
Théorème 5.18: la dérivée seconde de la fonction x ÞÑ x3{2 n’est pas définie en 0.
ş1
On donne en Listing 5.4, un autre exemple pour le calcul approché de ´1 |x|dx dont les résultats
posent question.
Compiled on 2022/09/15 at 10:51:48

Intégrales multiples 185
Listing 5.4: : Exemple 2, script Matlab/Octave pour illustrer des changements de comportements des erreurs
f = @ ( x ) abs ( x ) ;
a = -1; b =1;
Iex =1;
fprintf ( ’ Erreurs ␣ Trapeze : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =11) ␣ %.5 e␣ -␣ ( N =12) ␣ %.5 e ␣ -( N =13) ␣...
%.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) , abs ( I3 - Iex ) , abs ( I4 - Iex ) )
fprintf ( ’ Erreurs ␣ Simpson : ␣ ( N =10) ␣ %.5 e ␣ -␣ ( N =11) ␣ %.5 e␣ -␣ ( N =12) ␣ %.5 e ␣ -( N =13) ␣...
%.5 e \ n ’ , abs ( I1 - Iex ) , abs ( I2 - Iex ) , abs ( I3 - Iex ) , abs ( I4 - Iex ) )
Output
Erreurs Trapeze: (N=10) 0.00000e+00 - (N=11) 8.26446e-03 - (N=12) 0.00000e+00 -(N=13) 5.91716e-03
Erreurs Simpson: (N=10) 0.00000e+00 - (N=11) 2.75482e-03 - (N=12) 0.00000e+00 -(N=13) 1.97239e-03
Cette fois la fonction n’est pas dérivable en 0! Le Théorème 5.18 ne peut s’appliquer. Toutefois, les
deux formules donnent un résultat exacte pour N pair. En effet, dans ce cas le point 0 est un point de
discrétisation
ş0 des méthodes
ş1 composées et dans ce cas on est ramené à calculer numériquement les deux
intégrales ´1 p´xqdx et 0 pxqdx ce qui donnera des résultats exactes puisque les 2 méthodes sont exactes
.0.0 Erreurs des méthodes de quadrature composées

pour les polynômes de degré 1.
5.3 Intégrales multiples

On veut approcher, en utilisant la formule de Simpson, l’intégrale
żbżd
I“ f px, yqdydx
a c
Par utilisation de la formule de quadrature de Simpson (5.13) en y on a

żd ˆ ˙
dć c`d
gpxq “ f px, yqdy « g̃pxq “ f px, cq ` 4f px, q ` f px, dq .
. Intégration numérique
c 6 2
Une nouvelle utilisation de Simpson en x donne
żb ˆ ˙
bá a`b
I“ gpxqdx « gpaq ` 4gp q ` gpbq
a 6 2
ˆ ˙
bá a`b
« g̃paq ` 4g̃p q ` g̃pbq
6 2
a`b c`d
En posant α “ 2 et β “ on obtient la formule de quadrature de Simpson "2D" :
2 ,
¨ ˛
f pa, cq ` 4f pa, βq ` f pa, dq
bádć˝
I« `4pf pα, cq ` 4f pα, βq ` f pα, dqq ‚ (5.31)
6 6
`f pb, cq ` 4f pb, βq ` f pb, dq
La méthodologie pour obtenir la formule composite de Simpson "2D" est la suivante .0.Intégrales multiples
bá
1. Discrétisation régulière de ra, bs: @k P v0, nw, xk “ a ` khx avec hx “ n .
dć
2. Discrétisation régulière de rc, ds: @l P v0, mw, yl “ a ` lhy avec hy “ m .
3. Relation de Chasles :
żbżd m ż x k ż yl
n ÿ
ÿ
f px, yqdydx “ f px, yqdydx.
a c k“1 l“1 xk´1 yl´1
4. Formule composite de Simpson "2D" :

şb şd
f px, yqdydxa c
¨ “ ˛
hx hy
n
ÿ ÿm f px k´1 , yl´1 q ` 4f px k´1 , β l q ` f px k´1 , yl q
˝ `4pf pαk , yl´1 q ` 4f pαk , βl q ` f pαk , yl qq ‚
36 k“1 l“1
`f pxk , yl´1 q ` 4f pxk , βl q ` f pxk , yl q
Compiled on 2022/09/15 at 10:51:48

. Intégration numérique
.0. Intégrales multiples .0.0 Erreurs des méthodes de quadrature composées
186
avec αk “
2
xk´1 `xk
et βl “
2
yl´1 `yl
.
Intégration numérique
Compiled on 2022/09/15 at 10:51:48

Chapitre A
Langage algorithmique
A.1 Pseudo-langage algorithmique
Pour uniformiser l’écriture des algorithmes nous employons un pseudo-langage contenant l’indispensable :
‚ variables,
‚ opérateurs (arithmétiques, relationnels, logiques),
‚ expressions,
‚ instructions (simples et composées),
‚ fonctions.
Ce pseudo-langage sera de fait très proche du langage de programmation de Matlab.
A.1.1 Données et constantes
Une donnée est une valeur introduite par l’utilisateur (par ex. une température, une vitesse, ...). Une
constante est un symbole ou un identificateur non modifiable (par ex. π, la constante de gravitation,...).
A.1.2 Variables
Definition A.1
Une variable est un objet dont la valeur est modifiable, qui possède un nom et un type (entier,
charactère, réel, complexe, ...). Elle est rangée en mémoire à partir d’une certaine adresse.
188 Langage algorithmique
A.1.3 Opérateurs
Opérateurs arithmétiques
Nom Symbole example

addition ` a`b
soustraction ´ a´b
opposé ´ á
produit ˚ a˚b
division { a{b
^
puissance ab a^ b
Table A.1: Opérateurs arithmétiques
Opérateurs relationnels
Nom Symbole example Commentaires

identique ““ a ““ b vrai si a et b ont même valeur, faux sinon.
différent „“ a „“ b faux si a et b ont même valeur, vrai sinon.
inférieur ă aăb vrai si a est plus petit que b, faux sinon.
supérieur ą aąb vrai si a est plus grand que b, faux sinon.
inférieur ou égal ă“ a ă“ b vrai si a est plus petit ou égal à b, faux sinon.
A.1.4 Expressions
supérieur ou égal ą“ a ą“ b vrai si a est plus grand ou égal à b, faux sinon.
Table A.2: Opérateurs relationnels
Opérateurs logiques
A. Langage algorithmique

négation „ „a vrai si a est faux (ou nul), faux sinon.
ou | a|b vrai si a ou b est vrai (non nul), faux sinon.
et & a&b vrai si a et b sont vrais (non nul), faux sinon.
A.1. Pseudo-langage algorithmique
Table A.3: Opérateurs logiques
Opérateur d’affectation

affectation Ð aÐb On affecte à la variable a le contenu de b
Table A.4: Opérateurs d’affectation
A.1.4 Expressions
Definition A.2
Une expression est un groupe d’opérandes (i.e. nombres, constantes, variables, ...) liées par certains
opérateurs pour former un terme algébrique qui représente une valeur (i.e. un élément de donnée
simple)
Exemple A.3 • Voici un exemple classique d’expression numérique :
pb ˚ b ´ 4 ˚ a ˚ cq{p2 ˚ aq.
On appelle opérandes les identifiants a, b et c, et les nombres 4 et 2. Les symboles ˚, ´ et { sont

les opérateurs.
Compiled on 2022/09/15 at 10:51:48

Pseudo-langage algorithmique 189
• Voici un exemple classique d’expression booléenne (logique) :
px ă 3.14q
On teste px ă 3.14q avec x une variable numérique réelle. si x ă 3.14 alors cette expression renverra
la valeur vraie (i.e. 1), faux sinon (i.e. 0).
A.1.5 Instructions
Definition A.4
Une instruction est un ordre ou un groupe d’ordres qui déclenche l’exécution de certaines actions
par l’ordinateur. Il y a deux types d’instructions : simple et structuré.
Les instructions simples sont essentiellement des ordres seuls et inconditionnels réalisant l’une
des tâches suivantes :
1. affectation d’une valeur a une variable.

2. appel d’une fonction (procedure, subroutine, ... suivant les langages).
Les instructions structurées sont essentiellement :
1. les instructions composées, groupe de plusieurs instructions simples,
A.1.5 Instructions
2. les instructions répétitives, permettant l’exécution répétée d’instructions simples, (i.e. boucles
«pour», «tant que»)
3. les instructions conditionnelles, lesquelles ne sont exécutées que si une certaine condition est
respectée (i.e. «si»)
Les exemples qui suivent sont écrits dans un pseudo langage algorithmique mais sont facilement
transposable dans la plupart des langages de programmation.
A.1.Pseudo-langage algorithmique
Instructions simples
Voici un exemple de l’instruction simple d’affectation :
1: a Ð 3.14 ˚ R
On évalue l’expression 3.14 ˚ R et affecte le résultat à la variable a.

Un autre exemple est donné par l’instruction simple d’affichage :
affiche(’bonjour’)
Affiche la chaine de caractères ’bonjour’ à l’écran. Cette instruction fait appel à la fonction affiche.
Instructions composées
Instructions répétitives, boucle «pour»
Algorithme A.1 Exemple de boucle «pour»

Données : n : un entier.
1: SÐ0
3: S Ð S ` cospi2 q
4: Fin Pour
Compiled on 2022/09/15 at 10:51:48

Instruction répétitive, boucle «tant que»
Algorithme A.2 Exemple de boucle «tant que»
1: i Ð 0, x Ð 1
2: Tantque i ă 1000 faire
3: xÐxì˚i
4: iÐi`1
5: Fin Tantque
Instruction répétitive, boucle «répéter ...jusqu’à»
Algorithme A.3 Exemple de boucle «répéter ...jusqu’à»
1: i Ð 0, x Ð 1
2: Répéter
3: xÐxì˚i
4: iÐi`1
5: jusqu’à i>=1000
A.1.6 Fonctions
Instructions conditionnelles «si»
Algorithme A.4 Exemple d’instructions conditionnelle «si»

Données : age : un réel.
1: Si age ą“ 18 alors
2: affiche(’majeur’)
3: Sinon Si age ą“ 0 alors
4: affiche(’mineur’)
5: Sinon
A.1. Pseudo-langage algorithmique
6: affiche(’en devenir’)
7: Fin Si
A.1.6 Fonctions
Les fonctions permettent
• d’automatiser certaines tâches répétitives au sein d’un même programme,
• d’ajouter à la clarté d’un programme,
• l’utilisation de portion de code dans un autre programme,
• ...
Fonctions prédéfinies
Pour faciliter leur usage, tous les langages de programmation possèdent des fonctions prédéfinies. On
pourra donc supposer que dans notre langage algorithmique un grand nombre de fonctions soient prédéfinies
: par exemple, les fonctions mathématiques sin, cos, exp, abs, ¨ ¨ ¨ (pour ne citer qu’elles)
Syntaxe
On utilise la syntaxe suivante pour la définition d’une fonction
Compiled on 2022/09/15 at 10:51:48

Pseudo-langage algorithmique 191
Fonction rargs1 , . . . , argsn s Ð NomFonction ( arge1 , . . . , argem )

instructions
Fin Fonction
La fonction se nomme NomFonction . Elle admet comme paramètres d’entrée (données) les m argu-
ments arge1 , . . . , argem et comme paramètres de sortie (résultats) les n arguments args1 , . . . , argsn . Ces
derniers doivent être déterminés dans le corps de la fonction (partie instructions).
Dans le cas ou la fonction n’admet qu’un seul paramètre de sortie, l’écriture se simplifie :
Fonction args Ð NomFonction ( arge1 , . . . , argem )

instructions
Fin Fonction
Ecrire ses propres fonctions
Pour écrire une fonction «propre», il faut tout d’abord déterminer exactement ce que devra faire cette
fonction.
Puis, il faut pouvoir répondre à quelques questions :
1. Quelles sont les données (avec leurs limitations)?
A.1.6 Fonctions
2. Que doit-on calculer ?
Et, ensuite il faut la commenter : expliquer son usage, type des paramètres, ....
Exemple : résolution d’une équation du premier degré
Nous voulons écrire une fonction calculant la solution de l’équation
ax ` b “ 0,
A.1.Pseudo-langage algorithmique
où nous supposons que a P R˚ et b P R. La solution de ce problème est donc
b
x“´ .
a
Les données de cette fonction sont a P R˚ et b P R. Elle doit retourner x “ ´ ab solution de ax ` b “ 0.
Algorithme A.5 Exemple de fonction : Résolution de l’équation du premier degré ax ` b “ 0.

Données : a : nombre réel différent de 0
b : nombre réel.
Résultat : x : un réel.
1: Fonction x Ð REPD( a, b )
2: x Ð ´b{a
3: Fin Fonction
Remarque A.5 Cette fonction est très simple, toutefois pour ne pas «alourdir» le code nous n’avons pas
vérifié la validité des données fournies.
Exercice A.1.1
Ecrire un algorithme permettant de valider cette fonction.
Compiled on 2022/09/15 at 10:51:48

Exemple : résolution d’une équation du second degré

Nous cherchons les solutions réelles de l’équation
ax2 ` bx ` c “ 0, (A.1)
où nous supposons que a P R˚ , b P R et c P R sont donnés.

Mathématiquement, l’étude des solutions réelles de cette équation nous amène à envisager trois cas
suivant les valeurs du discriminant ∆ “ b2 ´ 4ac
• si ∆ ă 0 alors les deux solutions sont complexes,

b
• si ∆ “ 0 alors la solution est x “ ´ 2a ,
? ?
´b´ ∆ ´b´ ∆
• si ∆ ą 0 alors les deux solutions sont x1 “ 2˚a et x2 “ 2˚a .
Exercice A.1.2
A.2.3 Réalisation d’un algorithme
1. Ecrire la fonction discriminant permettant de calculer le discriminant de l’équation (A.1).

2. Ecrire la fonction RESD permettant de résoudre l’équation (A.1) en utilisant la fonction
discriminant.
3. Ecrire un programme permettant de valider ces deux fonctions.
Exercice A.1.3
Même question que précédemment dans le cas complexe (solutions et coefficients).

A.2 Méthodologie d’élaboration d’un algorithme
A.2.1 Description du problème

A.2. Méthodologie d’élaboration d’un algorithme
‚ Spécification d’un ensemble de données

Origine : énoncé, hypothèses, sources externes, ...
‚ Spécification d’un ensemble de buts à atteindre

Origine : résultats, opérations à effectuer, ...
‚ Spécification des contraintes
A.2.2 Recherche d’une méthode de résolution

‚ Clarifier l’énoncé.
‚ Simplifier le problème.
‚ Ne pas chercher à le traiter directement dans sa globalité.
‚ S’assurer que le problème est soluble (sinon problème d’indécidabilité!)
‚ Recherche d’une stratégie de construction de l’algorithme
‚ Décomposer le problème en sous problèmes partiels plus simples : raffinement.
‚ Effectuer des raffinements successifs.
‚ Le niveau de raffinement le plus élémentaire est celui des instructions.
Compiled on 2022/09/15 at 10:51:48

Méthodologie d’élaboration d’un algorithme 193
A.2.3 Réalisation d’un algorithme

Il doit être conçu indépendamment du langage de programmation et du système informatique (sauf cas
très particulier)
‚ L’algorithme doit être exécuté en un nombre fini d’opérations.

‚ L’algorithme doit être spécifié clairement, sans la moindre ambiguïté.
‚ Le type de données doit être précisé.
‚ L’algorithme doit fournir au moins un résultat.
‚ L’algorithme doit être effectif : toutes les opérations doivent pouvoir être simulées par un homme
en temps fini.
Pour écrire un algorithme détaillé, il faut tout d’abord savoir répondre a quelques questions :
• Que doit-il faire ? (i.e. Quel problème est-il censé résoudre?)

• Quelles sont les données necessaires à la résolution de ce problème?
• Comment résoudre ce problème «à la main» (sur papier)?
A.2.4 Exercices
Si l’on ne sait pas répondre à l’une de ces questions, l’écriture de l’algorithme est fortement compromise.
A.2.4 Exercices
Exercice A.2.1: Algorithme pour une somme
Ecrire un algorithme permettant de calculer

n
ÿ
Spxq “ k sinp2 ˚ k ˚ xq
A.2.Méthodologie d’élaboration d’un algorithme

k“1
Correction Exercice A.2.1 L’énoncé de cet exercice est imprécis. On choisit alors x P R et n P N
pour rendre possible le calcul. Le problème est donc de calculer
n
ÿ
k sinp2kxq.
k“1
Toutefois, on aurait pu choisir x P C ou encore un tout autre problème :

n
ÿ
Trouver x P R tel que Spxq “ k sinp2kxq
k“1
où n P N et S, fonction de R à valeurs réelles, sont les données!

řn
Algorithme A.6 Calcul de S “ k“1 k sinp2kxq
Données : x : nombre réel,
n : nombre entier.
Résultat : S : un réel.
1: SÐ0
3: S Ð S ` k ˚ sinp2 ˚ k ˚ xq
4: Fin Pour
Compiled on 2022/09/15 at 10:51:48

Exercice A.2.2: Algorithme pour un produit
Ecrire un algorithme permettant de calculer

k
ź
P pzq “ sinp2 ˚ k ˚ z{nqk
n“1
Correction Exercice A.2.2 L’énoncé de cet exercice est imprécis. On choisit alors z P R et k P N
pour rendre possible le calcul.
k
ź
Algorithme A.7 Calcul de P “ sinp2kz{nqk
n“1
Données : z : nombre réel,
k : nombre entier.
Résultat : P : un réel.
1: P Ð1
2: Pour n Ð 1 à k faire
P Ð P ˚ sinp2 ˚ k ˚ z{nq^ k
A.2.4 Exercices
3:
4: Fin Pour
Exercice A.2.3: Série de Fourier
Soit la série de Fourier

" *
A.2. Méthodologie d’élaboration d’un algorithme
4A 1 1 1
xptq “ cos ωt ´ cos 3ωt ` cos 5ωt ´ cos 7ωt ` ¨ ¨ ¨ .
π 3 5 7
Ecrire la fonction SFT permettant de calculer xn ptq.
Correction Exercice A.2.3 Nous devons écrire la fonction permettant de calculer

n
4A ÿ 1
xn ptq “ p´1qk`1 cospp2k ´ 1qωtq
π k“1 2k ´ 1
Les données de la fonction sont A P R, ω P R, n P N˚ et t P R.

Grâce à ces renseignements nous pouvons déjà écrire l’entête de la fonction :
Algorithme A.8 En-tête de la fonction SFT retournant valeur de la série de Fourier en t tronquée au
n premiers termes de l’exercice A.2.3.
Données : t : nombre réel,
n : nombre entier strictement positif
A, ω : deux nombres réels.
1: Fonction x Ð SFT( t, n, A, ω )
2: ...
3: Fin Fonction
Maintenant nous pouvons écrire progressivement l’algorithme pour aboutir au final à une version ne
contenant que des opérations élémentaires.
Compiled on 2022/09/15 at 10:51:48

Méthodologie d’élaboration d’un algorithme 195
A.2.4 Exercices
A.2.Méthodologie d’élaboration d’un algorithme
Finalement la fonction est
Compiled on 2022/09/15 at 10:51:48

Algorithme A.9 Fonction SFT retournant la valeur de la série de Fourier en t tronquée au n premiers
termes de l’exercice A.2.3.
Données : t : nombre réel,
n : nombre entier strictement positif
A, ω : deux nombres réels.
1: Fonction x Ð SFT( t, n, A, ω )
2: SÐ0
3: Pour k “ 1 à n faire
4: S Ð S ` pp´1q^ pk ` 1qq ˚ cospp2 ˚ k ´ 1q ˚ ω ˚ tq{p2 ˚ k ´ 1q
5: Fin Pour
6: S Ð 4 ˚ A ˚ S{π
7: Fin Fonction
A.3.0 Exercices
Exercice A.2.4
Reprendre les trois exercices précédents en utilisant les boucles «tant que».
A.3 Principes de «bonne» programmation pour attaquer de

A.3. Principes de «bonne» programmation pour attaquer de «gros» problèmes
«gros» problèmes
Tous les exemples vus sont assez courts. Cependant, il peut arriver que l’on ait des programmes plus
longs à écrire (milliers de lignes, voir des dizaines de milliers de lignes). Dans l’industrie, il arrive que des
équipes produisent des codes de millions de lignes, dont certains mettent en jeux des vies humaines (con-
trôler un avion de ligne, une centrale nucléaire, ...). Le problème est évidemment d’écrire des programmes
sûrs. Or, un programme à 100% sûr, cela n’existe pas! Cependant, plus un programme est simple, moins
le risque d’erreur est grand : c’est sur cette remarque de bon sens que se basent les «bonnes» méthodes.
Ainsi :
Tout problème compliqué doit être découpé en sous-problèmes plus simples
Il s’agit, lorsqu’on a un problème P à résoudre, de l’analyser et de le décomposer en un ensemble de

problèmes P1 , P2 , P3 , . . . plus simples. Puis, P1 , est lui-même analysé et décomposé en P11 , P12 , . . . , et
P2 en P21 , P22 , etc. On poursuit cette analyse jusqu’à ce qu’on n’ait plus que des problèmes élémentaires
à résoudre. Chacun de ces problèmes élémentaires est donc traité séparément dans un module, c’est à
dire un morceau de programme relativement indépendant du reste. Chaque module sera testé et validé
séparément dans la mesure du possible et naturellement largement docummenté. Enfin ces modules
élémentaires sont assemblés en modules de plus en plus complexes, jusqu’à remonter au problème initiale.
A chaque niveau, il sera important de bien réaliser les phases de test, validation et documentation des
modules.
Dans ce document, on s’évertue à écrire des algorithmes!

Ceux-ci ne seront pas optimisésa !
a améliorés pour minimiser le nombre d’opérations élémentaires,
l’occupation mémoire, ..
Compiled on 2022/09/15 at 10:51:48

Chapitre B
Annexes
B.1 Analyse : rappels
B.1.1 En vrac
Théorème B.1: Théorème de Bolzano ou des valeurs intermédiaires
Soit f : ra, bs Ă R ÝÑ R une application continue. Si f paq et f pbq ne sont pas de même signe (i.e.
f paqf pbq ă 0) alors il existe au moins c Psa, br tel que f pcq “ 0.
Théorème B.2: Théorème des accroissements finis
Soient a et b deux réels, a ă b et f une fonction continue sur l’intervalle fermé ra, bs, dérivable sur
l’intervalle ouvert sa, br. Alors il existe ξ Psa, br tel que
f pbq ´ f paq
f 1 pξq “ .
bá
Proposition B.3: Formule de Taylor-Lagrange
Soit n P N ˚ et f P C n pra, bsq dont la dérivée n-ième est dérivable. Alors pour tout x, y dans ra, bs,
x ‰ y, il existe ξ Ps minpx, yq, maxpx, yqr tel que
ÿn
px ´ yqk pkq px ´ yqn`1 pn`1q
f pxq “ f pyq ` f pyq ` f pξq (B.1)
k“1
k! pn ` 1q!
Corollaire B.4: Théorème de la bijection
Si f est une fonction continue et strictement monotone sur un intervalle ra, bs et à valeurs réelles,
198 Annexes
alors elle constitue une bijection entre ra, bs et l’intervalle fermé dont les bornes sont f paq et f pbq.
Preuve. Notons J “ f ´1 pra, bsq cet intervalle fermé, c’est-à-dire l’ensemble des réels compris entre f paq
et f pbq.
‚ La monotonie de la fonction implique que l’image de l’intervalle ra, bs est contenue dans J :
– si f est croissante, pour tout x P ra, bs on a f paq ď f pxq ď f pbq

– si f est décroissante, pour tout x P ra, bs on a f pbq ď f pxq ď f paq.
‚ Le fait que cette monotonie soit stricte assure que deux réels distincts ne peuvent avoir la même
image, autrement dit la fonction est injective sur ra, bs.
‚ Enfin, le théorème des valeurs intermédiaires (qui s’appuie sur l’hypothèse de continuité) garantit
que tout élément de J admet au moins un antécédent par f , c’est-à-dire que la fonction est surjective
dans J.
Proposition B.5
Soit f est une fonction bijective continue d’un intervalle ouvert I Ă R sur un intervalle ouvert
J Ă R. Si f est dérivable en α P I et que f 1 pαq ‰ 0 alors sa réciproque f ´1 est dérivable en
β “ f pαq P J et
1 1
pf ´1 q1 pβq “ 1 ou encore pf ´1 q1 pβq “ 1 ´1
B.1.2 Espace métrique
f pαq f pf pβqq
Preuve. On pose g “ f ´1 et on écrit son taux d’accroissement :
gpyq ´ gpβq x´α

“
y´β f pxq ´ f pαq
f pxq´f pαq
avec y “ f pxq. Cette fraction est l’inverse de x´α qui tend vers f 1 pαq ‰ 0 quand x tend vers α.
B. Annexes
Definition B.6: Distance sur un ensemble

B.1. Analyse : rappels
On appelle distance sur un ensemble E, une application d de E 2 dans R` telle que pour tout
x, y , z q P E 3 on a
px
‚ symétrie : dpx
x, y q “ dpyy , xq,
‚ séparation : dpx
x, y q “ 0 ô x “ y ,
‚ inégalité triangulaire : dpx

x, z q ď dpx
x, y q ` dpyy , z q
Voici quelques exemples de distances:

• dpx, yq “ |x ´ y| dans R, C, Z ou Q
• dpx x ´ y } dans Rn , où }.} est l’une quelconque des normes habituelles.

x, y q “ }x
Definition B.7: Espace métrique
On appelle pE, dq un espace métrique si E est un ensemble et d une distance sur E.
Compiled on 2022/09/15 at 10:51:48

Algèbre linéaire 199
Definition B.8: Suite convergente
urks qkPN une suite d’éléments de E. On dit que la suite

Soient pE, dq un espace métrique et pu
rks
u qkPN converge vers α P E si
pu
rks
@ϵ ą 0, DN P N tel que @k ą N, dpu
u , α q ă ϵ. (B.2)
Definition B.9: Ordre de convergence
urks qkPN une suite d’éléments de E convergeant vers α P E.

Soient pE, dq un espace métrique et pu
On dit que cette suite converge vers α avec un ordre p ě 1 si
urk`1s , α q ď C dpu
Dk0 P N, DC ą 0 tels que dpu urks , α qp , @k ě k0 . (B.3)
où C ă 1 si p “ 1.
Definition B.10: Suite de Cauchy
x rks qkPN d’éléments de E est dites de Cauchy si

Soit pE, dq un espace métrique. Une suite px
x rps ,x
@ϵ ą 0, DM P N, tel que @pp, qq P N2 , p, q ě M, dpx x rqs q ă ϵ.
ce qui correspond à

lim x rps ,x
sup dpx x rqs q “ 0.
mÑ`8 p,qěm
Une autre manière de l’écrire est
x rk`ls ,x
@ϵ ą 0, DM P N, tel que @k P N, k ě M, @l P N, dpx x rks q ă ϵ.
ce qui correspond à
rk`ls
lim sup dpx
x x rks q “ 0.
,x
mÑ`8 kěm,lě0
B. Annexes
Definition B.11: Espace métrique complet
Un espace metrique est dit complet si toute suite de Cauchy converge.
B.2.Algèbre linéaire
Proposition B.12
Si E est un espace vectoriel normé de norme }.} alors E est un espace métrique pour la distance d
issue de sa norme et définie par dpx
x, y q “ }x x, y q P E 2 .
x ´ y } , @px
Definition B.13: Espace de Banach
On appelle espace de Banach un espace vectoriel normé complet pour la distance issue de sa
norme.
B.2 Algèbre linéaire
Toute cette partie peut être joyeusement omise par tout Homo sapiens algebra linearis compat-
ible. Toutefois une lecture rapide permet de se raffraichir la mémoire.
Compiled on 2022/09/15 at 10:51:48

200 Annexes
Soit V un espace vectoriel de dimension finie n, sur le corps R des nombres réels, ou sur le corps C
des nombres complexes. Notons plus généralement K le corps R ou C.
B.2.1 Vecteurs
Une base de V est un ensemble tee1 , e 2 , . . . , e n u de n vecteurs linéairement indépendants. Le vecteur
ř
n
v“ vie i sera représenté par le vecteur colonne
i“1
¨˛
v1
˚ v2 ‹
˚ ‹
v“˚ . ‹
˝ .. ‚
vn
et on désignera par v t et v ˚ les vecteurs lignes suivants

` ˘ ` ˘
v t “ v1 v2 ¨ ¨ ¨ vn , v ˚ “ v1 v2 ¨¨¨ vn
où α est le nombre complexe conjugué du nombre α.
Definition B.14
• Le vecteur ligne v t est le vecteur transposé du vecteur colonne v .
• Le vecteur ligne v ˚ est le vecteur adjoint du vecteur colonne v .

B.2.1 Vecteurs
Definition B.15
L’application x‚, ‚y : Kn ˆ Kn Ñ K définie pour tout pu

u, v q P Kn ˆ Kn par
n
ÿ
u, v y “ u t .vv “ v t .u
xu u“ ui vi , si K “ R (B.4)
B. Annexes
i“1
n
ÿ
u, v y “ u ˚ .vv “ v ˚ .u
xu u “ xvv , u y “ ui vi , si K “ C (B.5)
i“1
B.2. Algèbre linéaire
est appelée produit scalaire euclidien si K “ R, hermitiena si K “ C. Pour rappeler la dimension

de l’espace, on écrit
xuu, v y “ xu
u, v yn .
a La convention choisie pour le produit scalaire hermitien étant ici : linéarité à droite et semi-linéarité à gauche.
Il est aussi possible de définir le produit scalaire hermitien par le complexe conjugué de (B.5) :
n
ÿ
u, v y “ v ˚ .u
xu u“ ui v i .
i“1
Dans ce cas le produit scalaire est une forme sesquilinéaire à droite.
Definition B.16
Soit V est un espace vectoriel muni d’un produit scalaire.
˛ Deux vecteurs u et v sont orthogonaux si xu

u, v y “ 0.
˛ Un vecteur v est orthogonal à une partie U de V si
@u
u P U, xu
u, v y “ 0.
On note v K U.
Compiled on 2022/09/15 at 10:51:48

˛ Un ensemble de vecteurs tvv 1 , v 2 , . . . , v k u de l’espace V est dit orthonormal si
xvv i , v j y “ δij , @pi, jq P v1, kw2

"
1 si i “ j,
où δij est le symbole de Kronecker : δij “
0 si i ‰ j.
Definition B.17
Le vecteur nul de Kn est représenté par 0 n ou 0 lorsqu’il n’y a pas d’ambiguité.
Definition B.18
Soit u P Kn non nul. On définit l’opérateur de projection sur u par
xu
u, v y 1
proju pvv q “ u“ uu ˚v , @vv P Kn . (B.6)
xu
u, u y xu
u, u y
La matrice Pu “ uu ˚ s’appelle la matrice de la projection orthogonale suivant le vecteur u .
Proposition B.19: Procédé de Gram-Schmidt
Soit tvv i uiPv1,nw une base de Kn . On construit successivement les vecteurs u i
B.2.2 Matrices
i´1
ÿ i´1
ÿ xu
uk , v i y
ui “ v i ´ proju k pvv i q “ v i ´ u k , @i P v1, nw.
k“1 k“1
xu
uk , u k y
Ils forment une base orthogonale de Kn et Vect pu u1 , . . . , u i q “ Vect pvv 1 , . . . , v i q , @i P v1, nw (voir
Exercice B.3.5, page 215).
Pour construire une base orthonormale tzz i uiPv1,nw , il suffit de normaliser les vecteurs de la base
B. Annexes
orthogonale:
ui
zi “ , @i P v1, nw.
ui , u i y1{2
xu
B.2.2 Matrices
Généralités
Une matrice à m lignes et n colonnes est appelée matrice de type pm, nq , et on note Mm,n pKq, ou
simplement Mm,n , l’espace vectoriel sur le corps K formé par les matrices de type pm, nq à éléments
dans K.
Une matrice A P Mm,n pKq d’éléments aij P K est notée
A “ paij q1ďiďm, 1ďjďn ,
le premier indice i correspond aux lignes et le second j aux colonnes. On désigne par pAqij l’élément de
la ième ligne et de la j ème colonne. On peut aussi le noter ai,j .
Definition B.20
La matrice nulle de Mm,n pKq est représentée par Om,n ou O lorsqu’il n’y a pas d’ambiguité. Si
m “ n on peut aussi noter On cette matrice.
Compiled on 2022/09/15 at 10:51:48

202 Annexes
Definition B.21
˛ Soit une matrice A P Mm,n pCq, on note A˚ P Mn,m pCq la matrice adjointe de la matrice
A, définie de façon unique par
xAu u, A˚v yn , @u
u, v ym “ xu u P Cn , @vv P Cm
qui entraine pA˚ qij “ aji .

˛ Soit une matrice A P Mm,n pRq, on note At P Mn,m pRq la matrice transposée de la matrice
A, définie de façon unique par
xAu
u, v ym “ xu u P Rn , @vv P Rm
u, Atv yn , @u
qui entraine pAt qij “ aji .
Definition B.22
Si A P Mm,p pKq et B P Mp,n pKq, leur produit AB P Mm,n pKq est défini par
p
ÿ
pABqij “ aik bkj , @i P v1, mw, @j P v1, nw. (B.7)
k“1
Exercice B.2.1: résultats à savoir

B.2.2 Matrices
Soient A P Mm,p pKq et B P Mp,n pKq, montrer que

t
pABq “ Bt At , si K “ R, (B.8)
˚ ˚ ˚
pABq “ B A , si K “ C (B.9)
Les matrices considérées jusqu’à la fin de ce paragraphe sont carrées.

B. Annexes
Definition B.23
Si A P Mn alors les éléments aii “ pAqii sont appelés éléments diagonaux et les éléments
aii “ pAqij , i ‰ j sont appelés éléments hors-diagonaux.
Definition B.24
On appelle matrice identitée de Mn la matrice dont les éléments diagonaux sont tous égals à 1
et les éléments hors-diagonaux nulles. On la note I ou encore In et on a
pIqi,j “ δij , @pi, jq P v1, nw2 .
Definition B.25
Une matrice A P Mn pKq est inversible ou régulière s’il existe une matrice B P Mn pKq vérifiant
AB “ BA “ I (B.10)
Dans le cas contraire, on dit que la matrice A est singulière ou non inversible.
On peut noter que la matrice B est unique. En effet, soient B1 et B2 vérifiant (B.10). On a alors AB2 “ I
et donc B1 pAB2 q “ B1 . On a aussi B1 A “ I et donc pB1 AqB2 “ B2 . Le produit des matrices étant associatif
on a B1 pAB2 q “ pB1 AqB2 et donc B1 “ B2 .
Compiled on 2022/09/15 at 10:51:48

Definition B.26
Soit A P Mn une matrice inversible. On note A-1 P Mn l’unique matrice vérifiant
AA-1 “ A-1 A “ I. (B.11)
Cette matrice est appelée matrice inverse de A.
Definition B.27
Soit A P Mm,n pKq

˛ On note kerpAq “ tvv P Kn ; Avv “ 0u le noyau de A.
˛ On note impAq “ tAvv P Km ; v P Kn u l’image de A.

def
˛ On note rankpAq “ dimpimpAqq le rang de A.
Théorème B.28: (théorème du rang)
Soit A P Mm,n pKq. On a

rankpAq ` dimpkerpAqq “ n
Proposition B.29
B.2.2 Matrices
Soit A P Mn pKq. Les propriétés suivantes sont équivalentes
1. A est inversible,
2. rankpAq “ n,
3. x P Kn , Ax
x “ 0 ñ x “ 0, (i.e. ker A “ t0u)
B. Annexes
4. detpAq ‰ 0,
5. toutes les valeurs propres de A sont non nulles,
6. il existe B P Mn pKq tel que AB “ I,
7. il existe B P Mn pKq tel que BA “ I.
Soient A P Mn pKq et B P Mn pKq inversibles. Montrer que AB inversible et

-1 t
pAt q “ pA-1 q , si K “ R, (B.12)
˚ -1 -1 ˚
pA q “ pA q , si K “ C. (B.13)
-1
pABq “ B-1 A-1 (B.14)
-1
pA-1 q “ A (B.15)
Definition B.30
Une matrice carrée A est :

˛ symétrique si A est réelle et A “ At ,
˛ hermitienne si A “ A˚ ,
Compiled on 2022/09/15 at 10:51:48

204 Annexes
˛ normale si AA˚ “ A˚ A,
˛ orthogonale si A est réelle et AAt “ At A “ I,
˛ unitaire si AA˚ “ A˚ A “ I,
Proposition B.31
‚ une matrice symétrique ou hermitienne est nécessairement normale.
‚ une matrice orthogonale (resp. unitaire) est nécessairement normale et inversible d’inverse At
(resp. A˚ ).
Definition B.32
Soit A P Mn pCq une matrice hermitienne.

˛ Elle est définie positive si
xAu u P Cn zt0u
u, u y ą 0, @u (B.16)
˛ Elle est semi définie positive si
xAu u P Cn zt0u
u, u y ě 0, @u (B.17)
B.2.2 Matrices
Exercice B.2.3
Soit A P Mn pCq.
Q. 1 Que peut-on dire de la matrice AA˚ ? Et si la matrice A est inversible?
Q. 2 Proposer une technique permettant de générer une matrice hermitienne semi-définie positive
à partir d’une matrice aléatoire quelconque.
B. Annexes
Q. 3 Proposer une technique permettant de générer une matrice hermitienne définie positive à partir
d’une matrice triangulaire inférieure inversible aléatoire.
Definition B.33
Soit A P Mn . La trace d’une matrice carrée A “ paij q est définie par

n
ÿ
tr pAq “ aii .
i“1
Definition B.34
Soit Tn le groupe des permutations de l’ensemble t1, 2, . . . , nu . A tout élément σ P Tn , on

associe la matrice de permutation de Pσ P Mn est définie par
pPσ qi,j “ δiσpjq .
Montrer qu’une matrice de permutation est orthogonale.
Compiled on 2022/09/15 at 10:51:48

Definition B.35
Soient A “ pai,j qni,j“1 P Mn et Tn le groupe des permutations de l’ensemble t1, 2, . . . , nu .. Le

déterminant d’une matrice A est défini par
ÿ n
ź
det pAq “ εσ aσpjqj
σPTn j“1
où εσ désigne la signature de la permutation σ.
Proposition B.36: Méthode de Laplace ou des coffacteurs
Soit A “ pai,j qni,j“1 P Mn . On note Ari,js P Mn´1 la matrice obtenue en supprimant la ligne i et la
colonne j de A. On a alors le développement par rapport à la ligne i P v1, nw
n
ÿ ´ ¯
det pAq “ p´1qi`j ai,j det Ari,js , (B.18)
j“1
et le développement par rapport à la colonne j P v1, nw

n
ÿ ´ ¯
det pAq “ p´1qi`j ai,j det Ari,js . (B.19)
i“1
B.2.2 Matrices
` ˘
Le terme p´1qi`j det Ari,js est appellé le cofacteur du terme ai,j .
Definition B.37
Soit A P Mn pKq. On dit que λ P C est valeur propre de A s’il existe u P Cn non nul tel que
B. Annexes
u “ λu
Au u. (B.20)
Le vecteur u est appelé vecteur propre associé à la valeur propre λ.
Le couple pλ, u q est appelé élément propre de A.
Definition B.38
Soit A P Mn pKq. Soit λ P C une valeur propre de A. Le sous-espace
u P Cn : Au
Eλ “ tu uu “ kerpA ´ λIq
u “ λu (B.21)
est appelé sous-espace propre associé à la valeur propre λ. La dimension de Eλ est appelée
multiplicité géométrique de la valeur propre λ.
Definition B.39
Soit A P Mn pKq. Le polynôme de degré n défini par
PA pλq “ detpA ´ λIq (B.22)
est appellé polynôme caractéristique de la matrice A.
Compiled on 2022/09/15 at 10:51:48

206 Annexes
Proposition B.40
Soit A P Mn pKq.
˛ Les racines complexes du polynôme caractéristique PA sont les valeurs propres de la matrice
A.
˛ Si la racine λ de PA est de multiplicité k, on dit que la valeur propre λ est de multiplicité
algébrique k.
˛ La matrice A possède n valeurs propres distinctes ou non.
Definition B.41
Soit A P Mn pKq. On note λi pAq , i P v1, nw, les n valeurs propres de A. Le spectre de la matrice A
est le sous-ensemble
ďn
Sp pAq “ tλi pAqu (B.23)
i“1
du plan complexe.
Proposition B.42
Soient A P Mn et B P Mn . On a les relations suivantes

B.2.2 Matrices
n
ÿ
tr pAq “ λi pAq , (B.24)
i“1
źn
detpAq “ λi pAq, (B.25)
i“1
tr pABq “ tr pBAq , (B.26)
B. Annexes
tr pA ` Bq “ tr A ` tr B, (B.27)
det pABq “ det pAq det pBq “ det pBAq , (B.28)
detpA˚ q “ detpAq. (B.29)
Definition B.43
Le rayon spectral d’une matrice A P Mn est le nombre ě 0 défini par
ρpAq “ max t|λi pAq| ; i P v1, nwu
Matrices particulières
Definition B.44
Une matrice carrée A P Mn est :
˛ diagonale si aij “ 0 pour i ‰ j,

˛ triangulaire supérieure si aij “ 0 pour i ą j,
˛ triangulaire inférieure si aij “ 0 pour i ă j,

˛ triangulaire si elle est triangulaire supérieure ou triangulaire inférieure
Compiled on 2022/09/15 at 10:51:48

˛ à diagonale dominante si
ÿ
|aii | ě |aij | , @i P v1, nw, (B.30)
j‰i
˛ à diagonale strictement dominante si

ÿ
|aii | ą |aij | , @i P v1, nw. (B.31)
j‰i
Proposition B.45
Soient A et B deux matrices de Mn pKq triangulaires inférieures (resp. triangulaires supérieures).

Alors la matrice AB est aussi triangulaire inférieure (resp. triangulaire supérieure).
De plus on a
pABqi,i “ Ai,i Bi,i , @i P v1, nw.
Preuve. (voir Exercice B.3.2, page 214)
Proposition B.46
Soit A P Mn pKq une matrice triangulaire inférieure (resp. triangulaire supérieure).

1. A est inversible si et seulement si ses éléments diagonaux sont tous non nuls (i.e. Ai,i ‰ 0,
B.2.2 Matrices
@i P v1, nw).
2. Si A est inversible alors son inverse est triangulaire inférieure (resp. triangulaire supérieure)
et
1
pA-1 qi,i “
pAqi,i
B. Annexes
Preuve. (voir Exercice B.3.10, page 220)
Definition B.47
On appelle matrice bande une matrice A telle que aij ‰ 0 pour |j ´ i| ď c. c est la demi largeur
de bande.
Lorsque c “ 1, la matrice est dite tridiagonale . Lorsque c “ 2, la matrice est dite pentadi-
agonale .
Definition B.48
On appelle sous-matrice d’une matrice donnée, la matrice obtenue en supprimant certaines lignes
et certaines colonnes. En particulier, si on supprime les pn ´ kq dernières lignes et colonnes d’une
matrice carrée A d’ordre n, on obtient la sous matrice principale d’ordre k.
Definition B.49
On appelle matrice bloc une matrice A P MN,M écrite sous la forme

¨ ˛
A1,1 ¨¨¨ A1,q
˚ . .. ‹
A “ ˝ .. . ‚
Ap,1 ¨¨¨ Ap,q
Compiled on 2022/09/15 at 10:51:48

208 Annexes
p
ÿ q
ÿ
où @i P v1, pw, @j P v1, qw, Ai,j est une matrice de Mni ,mj . On a N “ ni et M “ mj .
i“1 j“1
On dit que A et une matrice bloc-carrée si p “ q et si tous les blocs diagonaux sont des matrices
carrées.
Propriété B.50: Multiplication de matrices blocs
Soient A P MN,M et B P MM,S . Le produit P “ AB P MN,S peut s’écrire sous forme bloc si les
matrices A et B sont compatibles par blocs : il faut que le nombre de blocs colonne de A soit égale
au nombre de blocs ligne de B avec correspondance des dimensions.
¨ ˛ ¨ ˛
A1,1 ¨¨¨ A1,q B1,1 ¨¨¨ A1,r
˚ . .. ‹ ˚ . .. ‹
A “ ˝ .. . ‚ et B “ ˝ .. . ‚
Ap,1 ¨¨¨ Ap,q Bq,1 ¨¨¨ Aq,r
avec Ai,k P Mni ,mk et Bk,j P Mmk ,sj pour tout i P v1, pw, k P v1, qw et j P v1, rw. La matrice produit
P s’écrit alors sous la forme bloc
¨ ˛
P1,1 ¨ ¨ ¨ P1,r
˚ .. ‹
P “ ˝ ... . ‚
Pp,1 ¨ ¨ ¨ Pp,r
avec @i P v1, pw, @j P v1, rw Pi,j P Mni ,sj et

B.2.2 Matrices
q
ÿ
Pi,j “ Ai,k Bk,j .
k“1
Definition B.51
B. Annexes
On dit qu’une matrice bloc-carrée A est triangulaire inférieure (resp. supérieure) par blocs si
elle peut s’écrire sous la forme d’une matrice bloc avec les sous matrices Ai,j “ 0 pour i ă j (resp.
i ą j). . Elle s’écrit donc sous la forme
¨ ˛ ¨ ˛
A1,1 O ¨ ¨ ¨ O A1,1 ¨ ¨ ¨ ¨ ¨ ¨ An,1

˚ . .. .. .. ‹ ˚ .. .. .. ‹
˚ . . . ‹ ˚ . . ‹
˚ . . ‹ ˚ O . ‹
A“˚ ‹ (resp. A “ ˚ ‹).
˚ .. .. .. ‹ ˚ .. .. .. .. ‹
˝ . . . O ‚ ˝ . . . . ‚
An,1 ¨ ¨ ¨ ¨ ¨ ¨ An,n O ¨ ¨ ¨ O An,n
Definition B.52
On dit qu’une matrice bloc-carrée A est diagonale par blocs ou bloc-diagonale si elle peut
s’écrire sous la forme d’une matrice bloc avec les sous matrices Ai,j “ 0 pour i ‰ j . Elle s’écrit
donc sous la forme ¨ ˛
A1,1 O ¨ ¨ ¨ O
˚ .. .. .. ‹
˚ . . ‹
˚ O . ‹
A“˚ ‹
˚ .. .. .. ‹
˝ . . . O ‚
O ¨ ¨ ¨ O An,n
Compiled on 2022/09/15 at 10:51:48

Proposition B.53
Soit A une matrice bloc-carré décomposée en n ˆ n blocs. Si A est bloc-diagonale ou triangulaire

par blocs alors son déterminant est le produit des déterminant des blocs diagonaux :
n
ź
det A “ det Ai,i (B.32)
i“1
Proposition B.54
Soit A une matrice bloc-carré inversible décomposée en n ˆ n blocs.
• Si A est bloc-diagonale alors son inverse (décomposée en n ˆ n blocs) est aussi bloc-
diagonale.
• Si A est triangulaire inférieure par blocs (resp. supérieure) alors son inverse (décomposée
en n ˆ n blocs) est aussi triangulaire inférieure par blocs (resp. supérieure).
B.2.3 Normes vectorielles et normes matricielles

Dans ces deux cas les blocs diagonaux de la matrice inverse sont les inverses des blocs diagonaux
de A. On a donc
¨ ˛ ¨ ˛
A1,1 O ¨¨¨ O A-1
1,1 O ¨¨¨ O
˚ .. .. .. ‹ ˚ .. .. .. ‹
˚ . . ‹ ˚ . . ‹
˚ O . ‹ ˚ O . ‹
A“˚ ‹ et A “ ˚
-1
‹
˚ .. .. .. ‹ ˚ .. .. .. ‹
˝ . . . O ‚ ˝ . . . O ‚
O ¨¨¨ ˝ An,n O ¨¨¨ O A-1
n,n
¨ ˛ ¨ ˛
A1,1 O ¨¨¨ O A-1
1,1 O ¨¨¨ O
˚ .. .. .. .. ‹ ˚ .. .. .. ‹
˚ . . ‹ ˚ . . ‹
˚ . . ‹ ˚ ‚ . ‹
A“˚ ‹ et A-1 “ ˚ ‹
˚ .. .. .. ‹ ˚ .. .. .. ‹
B. Annexes
˝ . . . O ‚ ˝ . . . O ‚
An,1 ¨¨¨ ¨¨¨ An,n ‚ ¨¨¨ ‚ A-1
n,n
¨ ˛ ¨ ˛
A1,1 ¨¨¨ ¨¨¨ An,1 A-1
1,1 ‚ ¨¨¨ ‚
˚ .. .. .. ‹ ˚ .. .. .. ‹
˚ . . ‹ ˚ . . ‹
˚ O . ‹ ˚ O . ‹
A“˚ ‹ et A “ ˚
-1
‹
˚ .. .. .. .. ‹ ˚ .. .. .. ‹
˝ . . . . ‚ ˝ . . . ‚ ‚
O ¨¨¨ O An,n O ¨¨¨ O A-1
n,n
Definition B.55
Une norme sur un espace vectoriel V est une application }‚} : V Ñ R` qui vérifie les propriétés
suivantes
˛ }vv } “ 0 ðñ v “ 0,
˛ }αvv } “ |α| }vv } , @α P K, @vv P V,
˛ }u
u ` vv} ď }u u, vvq P V 2 (inégalité triangulaire).
u} ` }vv } , @ pu,
Une norme sur V est également appelée norme vectorielle . On appelle espace vectoriel
normé un espace vectoriel muni d’une norme.
Compiled on 2022/09/15 at 10:51:48

210 Annexes
Les trois normes suivantes sont les plus couramment utilisées :

n
ÿ
}vv }1 “ |vi |
i“1
˜ ¸1{2
n
ÿ 2
}vv }2 “ |vi |
i“1
}vv }8 “ max |vi | .
i
Théorème B.56
Soit V un espace de dimension finie. Pour tout nombre réel p ě 1, l’application }‚}p définie par
˜ ¸1{p
n
ÿ p
}vv }p “ |vi |
i“1
est une norme.

Proposition B.57
1 1
Pour p ą 1 et p ` q “ 1, on a @u
u , v P Kn
˜ ¸1{p ˜ ¸1{q
n
ÿ n
ÿ n
ÿ
p q
|ui vi | ď |ui | |vi | u}p }vv }q .
“ }u (B.33)
i“1 i“1 i“1
Cette inégalité s’appelle l’inégalité de Hölder.

B. Annexes
Definition B.58
1
Deux normes }‚} et }‚} , définies sur un même espace vectoriel V, sont équivalentes s’il exite
deux constantes C et C 1 telles que
1 1
}vv } ď C }vv } et }vv } ď C 1 }vv } pour tout v P V. (B.34)
Proposition B.59
Sur un espace vectoriel de dimension finie toutes les normes sont équivalentes.
Definition B.60
Une norme matricielle sur Mn pKq est une application }‚} : Mn pKq Ñ R` vérifiant
1. }A} “ 0 ðñ A “ 0,
2. }αA} “ |α| }A}, @α P K, @A P Mn pKq,

3. }A ` B} ď }A} ` }B} , @ pA, Bq P Mn pKq2 (inégalité triangulaire)
4. }AB} ď }A} }B} , @ pA, Bq P Mn pKq2
Compiled on 2022/09/15 at 10:51:48

Proposition B.61
Etant donné une norme vectorielle }‚} sur Kn , l’application }‚}s : Mn pKq Ñ R` définie par
}Avv }
}A}s “ sup “ sup }Avv } “ sup }Avv } , (B.35)
v PK n }vv } v PKn v PKn
v ‰0 }v
v }ď1 }v
v }“1
est une norme matricielle, appelée norme matricielle subordonnée (à la norme vectorielle don-
née).
De plus
}Avv } ď }A}s }vv } @vv P Kn (B.36)
et la norme }A} peut se définir aussi par
}A}s “ inf tα P R : }Avv } ď α }vv } , @vv P Kn u . (B.37)
Il existe au moins un vecteur u P Kn tel que
u ‰ 0 et }Au
u} “ }A}s }u
u} . (B.38)

Enfin une norme subordonnée vérifie toujours
}I}s “ 1 (B.39)
Théorème B.62
Soit A P Mn pCq. On a
ÿn
déf. }Avv }1
}A}1 “ sup “ max |aij | (B.40)
v PCn }vv }1 jPv1,nw
i“1
v ‰0
déf. }Avv }2 a a
“ ρ pA˚ Aq “ ρ pAA˚ q “ }A˚ }2
B. Annexes
}A}2 “ sup (B.41)
v PCn }vv }2
v ‰0
ÿn
déf. }Avv }8
}A}8 “ sup “ max |aij | (B.42)
v PCn }vv }8 iPv1,nw
j“1
v ‰0
La norme }‚}2 est invariante par transformation unitaire :
UU˚ “ I ùñ }A}2 “ }AU}2 “ }UA}2 “ }U˚ AU}2 . (B.43)
Par ailleurs, si la matrice A est normale :

AA˚ “ A˚ A ùñ }A}2 “ ρpAq. (B.44)
Proposition B.63
1. Si une matrice A est hermitienne, ou symétrique (donc normale), on a }A}2 “ ρpAq.

2. Si une matrice A est unitaire, ou orthogonale (donc normale), on a }A}2 “ 1.
Théorème B.64
1. Soit A une matrice carrée quelconque et }‚} une norme matricielle subordonnée ou non, quel-
Compiled on 2022/09/15 at 10:51:48

212 Annexes
conque. Alors
ρpAq ď }A} . (B.45)
2. Etant donné une matrice A et un nombre ε ą 0, il existe au moins une norme matricielle
subordonnée telle que
}A} ď ρpAq ` ε. (B.46)
Théorème B.65
L’application }‚}E : Mn Ñ R` définie par

¨ ˛1{2
ÿ 2
a
}A}E “ ˝ |aij | ‚ “ tr pA˚ Aq, (B.47)
pi,jq“Pv1,nw2
pour toute matrice A “ paij q d’ordre n, est une norme matricielle non subordonnée (pour n ě 2),
invariante par transformation unitaire et qui vérifie
?
}A}2 ď }A}E ď n }A}2 , @A P Mn . (B.48)
?
De plus }I}E “ n.
B.2.4 Réduction des matrices
Théorème B.66
1. Soit }‚} une norme matricielle subordonnée, et B une matrice vérifiant
}B} ă 1.
Alors la matrice pI ` Bq est inversible, et

› › 1
› ´1 ›
›pI ` Bq › ď .
1 ´ }B}
B. Annexes
2. Si une matrice de la forme pI ` Bq est singulière, alors nécessairement
}B} ě 1
pour toute norme matricielle, subordonnée ou non.

B.2.4 Réduction des matrices
Definition B.67
Soit A : V Ñ V une application linéaire, représenté par une matrice carrée A P Mn relativement à
une base teei uiPv1,nw . Relativement à une autre base tff i uiPv1,nw , la même application est représentée
par la matrice
B “ P-1 AP (B.49)
où P est la matrice inversible dont le j-ème vecteur colonne est formé des composantes du vecteur
f j dans la base teei uiPv1,nw :
¨ ˛
xee1 , f 1 y xee1 , f 2 y ¨¨¨ xee1 , f n y
˚ .. .. ‹
˚ xee2 , f 1 y xee1 , f 2 y . . ‹
P“˚
˚ ..
‹
‹ (B.50)
˝ .. ..
. . . xeen´1 , f n y‚
xeen , f 1 y ¨¨¨ xeen , f n´1 y xeen , f n y
Compiled on 2022/09/15 at 10:51:48

La matrice P est appelée matrice de passage de la base teei uiPv1,nw dans le base tff i uiPv1,nw .
Definition B.68
On dit que la matrice carrée A est diagonalisable s’il existe une matrice inversible P telle que la
matrice P´1 AP soit diagonale.
Remarque B.69 On notera que, dans le cas où A P Mn est diagonalisable, les éléments diagonaux de la
matrice P-1 AP sont les valeurs propres λ1 , λ2 , . . . , λn de la matrice A, et que le j-ème vecteur colonne p j
de la matrice P est formé des composantes, dans la même base que A, d’un vecteur propre associé à la
valeur propre λj . On a
P-1 AP “ diag pλ1 , . . . , λn q ðñ Appj “ λj p j , @j P v1, nw. (B.51)
C’est à dire qu’une matrice est diagonalisable si, et seulement si, il existe une base de vecteurs propres.
Théorème B.70
1. Etant donnée une matrice carrée A, il existe une matrice unitaire U telle que la matrice
U-1 AU soit triangulaire.
B.2.5 Suites de vecteurs et de matrices

2. Etant donnée une matrice normale A, il existe une matrice unitaire U telle que la matrice
U-1 AU soit diagonale.
3. Etant donnée une matrice symétrique A, il existe une matrice orthogonale O telle que la
matrice O-1 AO soit diagonale.
B.2.5 Suites de vecteurs et de matrices
Definition B.71
B. Annexes
Soit V un espace vectoriel muni d’une norme }‚}, on dit qu’une suite pvv k q d’éléments de V converge
vers un élément v P V , si
lim }vv k ´ v } “ 0
kÑ8
et on écrit
v “ lim v k .
kÑ8
Théorème B.72
Soit B une matrice carrée. Les conditions suivantes sont équivalentes :

1. limkÑ8 Bk “ 0,
2. limkÑ8 Bkv “ 0 pour tout vecteur v ,

3. ρpBq ă 1,
4. }B} ă 1 pour au moins une norme matricielle subordonnée }‚} .
Théorème B.73
Compiled on 2022/09/15 at 10:51:48

214 Annexes
Soit B une matrice carrée, et }‚} une norme matricielle quelconque. Alors
› ›1{k
lim ›Bk › “ ρpBq.
kÑ8
B.3 Receuil d’exercices
B.3.1 Algèbre linéaire

Sur les matrices
Exercice B.3.1
Soit A P Mm,n pRq et B P Mn,m pRq telles que
xAu u P Rn , @vv P Rm .
u, Bvv yn , @u
u, v ym “ xu
Exprimer les éléments de la matrice B en fonction de ceux de la matrice A.
Exercice B.3.2
Soient A et B deux matrices triangulaires supérieures de Mn . Soient E et F deux matrices triangu-

laires inférieures de Mn .
˚
Q. 1 1. Que peut-on dire des matrices A˚ et pA˚ q ?
2. Montrer que C “ AB est triangulaire supérieure et que Ci,i “ Ai,i Bi,i , @i P v1, nw.
3. Montrer que G “ EF est triangulaire inférieure et que Gi,i “ Ei,i Fi,i , @i P v1, nw.
4. Que peut-on dire des matrices AE et EA?
B. Annexes
Q. 2 1. Calculer detpAq.
2. Déterminer les valeurs propres de A.
3. Que peut-on dire si les éléments diagonaux de A sont tous distincts?

B.3. Receuil d’exercices
Q. 3 Soit D la matrice définie par ¨ ˛

2 1 0
D ˝0 2 1‚.
0 0 2
1. La matrice D est-elle inversible? Si oui calculer son inverse.
2. Pour chacune des valeurs propres, déterminer l’espace propre associé.
3. La matrice D est-elle diagonalisable? Justifier.
Exercice B.3.3
Q. 1 Soit T P Mn,n pCq une matrice triangulaire supérieure. Montrer que si T est une matrice
normale alors elle est diagonale.
Q. 2 Montrer que A P Mn,n pCq est une matrice normale si et seulement si il existe U P Mn,n pCq
unitaire et D P Mn,n pCq diagonale telle que A “ UDU˚ .
Q. 3 En déduire qu’une matrice normale est diagonalisable et que ses vecteurs propres sont orthog-
Compiled on 2022/09/15 at 10:51:48

Receuil d’exercices 215
onaux.
Exercice B.3.4
Soit A P Mn pCq une matrice hermitienne

Q. 1 Montrer que
xAu u P Cn .
u, uy P R, @u (B.52)
On suppose de plus que la matrice A est définie positve.
Q. 2 1. Montrer que les éléments diagonaux de A sont strictement positifs.
2. Montrer que les sous matrices principales de A sont elles aussi hermitiennes et définies positves.
Exercice B.3.5: Procédé de Gram-Schmidt
Soit tvv i uiPv1,nw une base de Kn . On construit successivement les vecteurs ui
i´1
ÿ xu
uk , v i y
ui “ v i ´ u k , @i P v1, nw.
k“1
xu k , uk y
u
Montrer qu’ils forment une base orthogonale de Kn et que Vect pu

u1 , . . . , u i q “ Vect pvv 1 , . . . , v i q ,

@i P v1, nw.
Correction Exercice B.3.5 Montrons par récurrence sur i que
u1 , . . . , u i q est une famille orthogonale et Vect pu

pHqi : Vect pu u1 , . . . , u i q “ Vect pvv 1 , . . . , v i q
Initialisation : Pour i “ 1, on a u 1 “ v 1 et pHq1 est vérifiée.

Hérédité : Soit i ă n. Supposons pHqi vérifiée. Montrons alors que pHqi`1 est vraie.
B. Annexes
On a
ÿi
xu
uk , v i`1 y
u i`1 “ v i`1 ´ uk . (B.53)
k“1
xu
uk , u k y
‚ En effectuant le produit scalaire de (B.53) par u j avec j P v1, iw on obtient
B.3.Receuil d’exercices
ÿi
xu
uk , v i`1 y
xu
uj , u i`1 y “ xu
uj , v i`1 y ´ xu
uj , u k y .
k“1
xu
uk , u k y
Par hypothèse de récurrence, la famille Vect pu u1 , . . . , u i q est orthogonale, c’est à dire @pr, sq P
ur , u s y “ 0 si r ‰ s et u r ‰ 0. On obtient donc
v1, iw2 , xu
xu
uj , v i`1 y
xu
uj , u i`1 y “ xu
uj , v i`1 y ´ xu
uj , u j y “ 0, @j P v1, iw.
xu
uj , u j y
‚ On montre maintenant par l’absurde que u i`1 ‰ 0.

Supposons u i`1 “ 0. Alors de (B.53), on obtient
ÿi
xu
uk , v i`1 y
v i`1 “ uk
k“1
xu
uk , u k y
pHqi
et donc v i`1 P Vect pu u1 , . . . , ui q “ Vect pvv 1 , . . . , v i q . Ceci entre en contradiction avec Vect pvv 1 , . . . , v n q
base de K . n
‚ On déduit de (B.53) que u i`1 P Vect pu u1 , . . . , u i , v i`1 q . Par hypothèse de récurrence, Vect pu
u1 , . . . , u i q “
Vect pvv 1 , . . . , v i q , ce qui donne u i`1 P Vect pvv 1 , . . . , v i`1 q et donc
Vect pu
u1 , . . . , u i`1 q “ Vect pvv 1 , . . . , v i`1 q .
Compiled on 2022/09/15 at 10:51:48

216 Annexes
Exercice B.3.6: factorisation QR
Soit A P Mn pCq une matrice inversible. Pour tout i P v1, nw, on note a i “ A:,i ses n vecteurs
colonnes. En utilisant le procédé de Gram-schmidt sur la base ta a1 , . . . , a n u montrer qu’il existe
une matrice Q unitaire et une matrice triangulaire supérieure R à coefficients diagonaux strictement
positifs tel que A “ QR.
Correction Exercice B.3.6 On utilise le procédé d’orthonormalisation de Gram-Schmidt (voir Propo-

sition B.19, page 201) pour obtenir la base orthogonale tu
u1 , . . . , u n u en calculant successivement
i´1
ÿ xu
uk , a i y
ui “ ai ´ u k , @i P v1, nw. (B.54)
k“1
xu
uk , u k y
De plus on a Vect pu a1 , . . . , a i q , @i P v1, nw On normalise la base orthogonale tu

u1 , . . . , u i q “ Vect pa u1 , . . . , u n u
pour obtenir la base orthonormée Q “ tqq 1 , . . . , q n u :
ui
qi “ , @i P v1, nw
}u
ui }2
et l’on a aussi Vect pqq 1 , . . . , q i q “ Vect pa

a1 , . . . , a i q , @i P v1, nw.
On note Q P Mn pKq la matrice définie par
¨ ˛
Q “ ˝ q1 ¨ ¨ ¨ qn ‚
Cette matrice est clairement unitaire puisque la base tqq 1 , . . . , q n u est orthonormée.
Montrons que Q˚ A est triangulaire supérieure. On a
¨ ˛¨ ˛ ¨ ˛
q ˚1 xqq 1 , a 1 y ¨¨¨ xqq 1 , a n y
˚ .. ‹˝ ˚
‚“ ˝ .. .. .. ‹
Q˚ A “ ˝ . ‚ a1 ¨ ¨ ¨ an . . . ‚
B. Annexes
q ˚n xqq n , a 1 y ¨¨¨ xqq n , a n y
c’est à dire pQ˚ Aqi,j “ xqq i , a j y , @pi, jq P v1, nw. Par définition cette matrice est triangulaire`supérieure si˘
pQ˚ Aqi,j “ 0 pour tout i ą˘j. Soit i P v1, n ´ 1w. La base Q étant orthonormée, on a q i K Vect q 1 , . . . , q i´1 .
`
Comme Vect q 1 , . . . , q i´1 “ Vect pa a1 , . . . , a i´1 q , on en déduit que
xqq i , a j y “ 0, @j P v1, i ´ 1w.
La matrice Q˚ A est donc triangulaire supérieure.

De plus, on a
xu
ui , a i y
pQ˚ Aqi,i “ xqq i , a i y “
}u
ui }2
En prenant le produit scalaire de (B.54) avec u i on obtient
i´1
ÿ xu
uk , a i y
xu
ui , u i y “ xu
ui , a i y ´ xu
ui , u k y
k“1
xu
u k , uk y
ui , a i y car xu
“ xu ui , u k y “ 0, @k ‰ i (base orthogonale)
Comme u i ‰ 0, on obtient pQ˚ Aqi,i ą 0.

On note R “ Q˚ A cette matrice triangulaire supérieure avec Ri,i ą 0, @i P v1, nw. La matrice Q étant
unitaire (i.e. QQ˚ “ I) alors A “ QR. ˛
Compiled on 2022/09/15 at 10:51:48

Exercice: 3.1.2
Soit A P Mn,n pCq une matrice et pλ, u q un élément propre de A avec }u

u}2 “ 1.
Q. 1 En s’aidant de la base canonique tee1 , . . . , e n u , construire une base orthonormée tx
x1 , . . . , x n u
telle que x 1 “ u .
Notons P la matrice de changement de base canonique tee1 , . . . , e n u dans la base tx
x1 , . . . , x n u :
¨ ˛
P “ ˝ x1 . . . xn ‚
Soit B la matrice définie par B “ P˚ AP.

Q. 2 1. Exprimer les coefficients de la matrice B en fonction de la matrice A et des vecteurs x i ,
i P v1, nw.
B “ P˚ AP.
2. En déduire que la première colonne de B est pλ, 0, . . . , 0qt .
Q. 3 Montrer par récurrence sur l’ordre de la matrice que la matrice A s’écrit
A “ UTU˚
où U est une matrice unitaire et T une matrice triangulaire supérieure.

Q. 4 En supposant A inversible et la décomposition A “ UTU˚ connue, expliquer comment résoudre
"simplement" le système linéaire Axx “ b.

Q. 1 La première chose à faire est de construire une base contenant u à partir de la base canon-
ique tee1 , . . . , e n u. Comme le vecteur propre u est non nul, il existe j P v1, nw tel que xu u, e j y ‰ 0. La
famille tu u, e 1 , . . . , e j´1 , e j`1 , . . . , e n u forme alors une base de Cn car u n’est pas combinaison linéaire des
B. Annexes
tee1 , . . . , e j´1 , e j`1 , . . . , e n u.
On note tzz 1 , . . . , z n u la base dont le premier élément est z 1 “ u :
tzz 1 , . . . , z n u “ tu
u, e 1 , . . . , e j´1 , e j`1 , . . . , e n u.
On peut ensuite utiliser le procédé de Gram-Schmidt, rappelé en Proposition B.19, pour construire
une base orthonormée à partir de cette base.
On calcule successivement les vecteurs xi à partir de la base tzz 1 , . . . , z n u en construisant un vecteur w i
orthogonal aux vecteurs x1 , . . . , xi´1 .
i´1
ÿ
wi “ zi ´ xx
xk , z i y x k
k“1
puis on obtient le vecteur x i en normalisant
wi
xi “
}w
wi}
Q. 2 1. En conservant l’écriture colonne de la matrice P on obtient

¨ ˛ ¨ ˛
x˚1 ¨ ˛ x˚1 ¨ ˛
˚ x ˚2 ‹ ˚ x ˚2 ‹
˚ ‹ ˚ ‹
B“˚
˚ ..
‹A˝ x1
‹ x2 . . . xn ‚“ ˚
˚ ..
‹˝ Ax
‹ x1 x2
Ax ... xn ‚
Ax
˝ . ‚ ˝ . ‚
x ˚n x ˚n
Compiled on 2022/09/15 at 10:51:48

218 Annexes
Ce qui donne
¨ ˚ ˛
x 1 Axx1 x1 ˚ Ax x2 . . . x1 ˚ Ax xn
˚x ˚2 Ax
x1 x ˚2 Ax x2 . . . x ˚2 Ax xn ‹
˚ ‹
B“˚ . .. .. ‹
˝ .. . . ‚
x ˚n Ax
x1 x ˚n Ax
x2 ˚ x
. . . x n Ax n
On a donc
Bi,j “ x ˚i Ax
xj , @pi, jq P v1, nw2
.
2. On a Au
u “ λu u} “ 1, la base tx
u, }u x1 , . . . , x n u est orthonormée et x 1 “ u . on obtient alors
¨ ˛ ¨ ˛
u˚u u ˚ Ax
λu x2 . . . u ˚ Ax xn λ u ˚ Ax x2 . . . u ˚ Ax xn
˚
˚ x˚2 u x ˚2 Ax
λx x2 . . . x ˚2 Ax xn ‹ ˚
‹ ˚ 0 x ˚2 Ax x2 . . . x ˚2 Ax xn ‹
‹
B“˚ .. .. .. ‹“˚ .. .. .. ‹
˝ . . . ‚ ˝ . . . ‚
x˚nu x ˚n Ax
λx x2 . . . x ˚n Ax xn 0 x ˚n Ax x2 . . . x ˚n Ax xn
Q. 3 On veut démontrer, par récurrence faible, la proposition suivante pour n ě 2
pPn q @A P Mn pCq, DU P Mn pCq unitaire, DT P Mn pCq triangulaire supérieure, telles que A “ UTU˚ .
Initialisation : Montrons que pP2 q est vérifié.

Soit A2 P M2 pCq. Elle admet au moins un élément propre pλ, u q (voir Proposition B.40 par ex.)
avec }u
unitaire P2 P M2 pCq telle que la matrice B2 “ P2 A2 P˚2 ait comme premier vecteur colonne pλ, 0qt .
La matrice B2 est donc triangulaire supérieure et comme P2 est unitaire on en déduit
A2 “ P˚2 B2 P2 .
On pose U2 “ P˚2 matrice unitaire et T2 “ B2 matrice triangulaire supérieure pour conclure que la
propostion pP2 q est vraie.
B. Annexes
Hérédité : Supposons que pPn´1 q soit vérifiée. Montrons que pPn q est vraie.
Soit An P Mn pCq. Elle admet au moins un élément propre pλ, u q (voir Proposition B.40 par ex.)
avec }u
unitaire Pn P Mn pCq telle que la matrice Bn “ Pn An P˚n s’écrivent

¨ ˛
λ c ˚n´1
˚ 0 ‹
˚ ‹
Bn “ ˚ .. ‹
˝ . An´1 ‚
0
où c n´1 P Mn´1,1 pCq et An´1 P Mn´1 pCq. Par hypothèse de récurrence, DUn´1 P Mn´1 pCq unitaire
et Tn´1 P Mn´1 pCq triangulaire supérieure telles que
An´1 “ Un´1 Tn´1 U˚n´1
ou encore
Tn´1 “ U˚n´1 An´1 Un´1 .
¨ ˛
1 0 ... 0
˚ 0 ‹
˚ ‹
Qn “ ˚ .. ‹.
˝ . Un´1 ‚
0
Compiled on 2022/09/15 at 10:51:48

La matrice Qn est unitaire. En effet on a

¨ ˛
¨ ˛¨ ˛ 1 0 ... 0
1 0 ... 0 1 0 ... 0 ˚ 0 ‹
˚ 0 ‹˚ 0 ‹ ˚ ‹
˚ ‹˚ ‹ ˚ .. ‹
Qn Q˚n “ ˚ .. ‹˚ .. ‹“˚ . Un´1 U˚n´1 ‹ “ In .
˝ . Un´1 ‚˝ . U˚n´1 ‚ ˚
˚ looooomooooon ‹
‹
˝ “In´1 ‚
0 0
0
On note Tn la matrice définie par Tn “ Q˚n Bn Qn . On a alors

¨ ˛¨ ˛¨ ˛
1 0 ... 0 λ c ˚n´1 1 0 ... 0
˚ 0 ‹˚ 0 ‹˚ 0 ‹
˚ ‹˚ ‹˚ ‹
Tn “˚ .. ‹˚ .. ‹˚ .. ‹
˝ . U˚n´1 ‚˝ . An´1 ‚˝ . Un´1 ‚
0 0 0
¨ ˛
¨ ˛¨ ˛ λ c ˚n´1 U˚n´1
λ c ˚n´1 1 0 ... 0 ˚ ‹
˚ ‹˚ 0
˚ 0 ‹˚ 0 ‹ ˚ ‹
‹ ˚ .. ‹
“˚
˚ .. ‹˚
‹˝ .. ‹“˚ . U˚n´1 An´1 Un´1 “ ‹
˝ . U˚n´1 An´1 ‚ . Un´1 ‚ ˚
˚ loooooooomoooooooon ‹
‹
˝ “Tn´1 ‚
0 0
0
La matrice Tn est donc triangulaire supérieure et on a par définition de Bn

Tn “ Q˚n Pn An P˚n Qn .
On note Un “ P˚n Qn . Cette matrice est unitaire car les matrices Qn et Pn le sont. En effet, on a
˚
Un U˚n “ P˚n Qn pP˚n Qn q “ P˚n lo Qo˚nn Pn “ P˚n Pn “ In .
Qonmo
“In
On a Tn “ U˚n An Un et en multipliant cette équation à gauche par Un et à droite par U˚n on

obtient l’équation équivalente An “ Un Tn U˚n . La propriété pPn q est donc vérifiée. Ce qui achève la
B. Annexes
démonstration.
Q. 4 Résoudre Ax
x “ b est équivalent à résoudre
UTU˚x “ b . (B.55)
Comme U est unitaire, on a UU˚ “ I et U˚ inversible. Donc en multipliant (B.55) par U˚ on obtient le
système équivalent
˚ ˚ ˚ ˚ ˚
loUomoUon TU x “ U b ðñ TU x “ U b .
“I
On pose y “ U˚x . Le système précédant se résoud en deux étapes
1. on cherche y solution de Tyy “ U˚b . Comme U est unitaire on a detpUq detpU˚ q “ detpIq “ 1 et donc
detpAq “ detpUTU˚ q “ detpUq detpTq detpU˚ q

“ detpTq
Or A inversible équivalent à detpAq ‰ 0 et donc la matrice T est inversible. La matrice T étant

triangulaire supérieure on peut résoudre facilement le système par la méthode de remontée.
2. une fois y déterminé, on résoud U˚x “ y . Comme U est unitaire, on obtient directement x “ Uyy .
˛
Inverse d’une matrice
Compiled on 2022/09/15 at 10:51:48

220 Annexes
Exercice B.3.7
Soit A P M3 pRq définie par ¨ ˛

1 1 1
A “ ˝1 2 2‚
1 2 3
Q. 1 Calculer le déterminant de la matrice A. Que peut-on en conclure?
Q. 2 Calculer si possible l’inverse de la matrice A en utilisant la technique de la matrice augmentée.
Exercice B.3.8
Soient A et B, deux matrices de Mn pKq.

Q. 1 Montrer que
AB “ I ñ BA “ I (B.56)
Conclure.
Exercice B.3.9
Q. 1 Soit A une matrice inversible et symétrique, montrer que A´1 est symétrique.
Q. 2 Soit A une matrice carrée telle que I ´ A est inversible. Montrer que
´1 ´1
A pI ´ Aq “ pI ´ Aq A.
Q. 3 Soient A, B des matrices carrées inversibles de même dimension telle que A ` B soit inversible.
Montrer que
´1 ´1 ` ˘´1
B. Annexes
A pA ` Bq B “ B pA ` Bq A “ A´1 ` B´1
Exercice B.3.10
Soit L P Mn pCq une matrice triangulaire inférieure.

Q. 1 A quelle(s) condition(s) la matrice L est-elle inversible?
On suppose L inversible et on note X “ L-1 .
Q. 2 Montrer que X est une matrice triangulaire inférieure avec
1
Xi,i “ , @i P v1, nw.
Li,i
Correction Exercice B.3.10

Q. 1 La matrice L est inversible si et seulement si son déterminant est non nul. Or le déterminant d’une
matrice triangulaire est égal au produit de ses éléments diagonaux. Pour avoir L, matrice triangulaire,
inversible, il est nécessaire et suffisant d’avoir
Lii ‰ 0, @i P v1, nw.
Q. 2 La matrice X étant la matrice inverse de L, on a
LX “ I (B.57)
Compiled on 2022/09/15 at 10:51:48

On note X rjs “ X:,j le j-ème vecteur colonne de la matrice X et erjs le j-ème vecteur de la base canonique
rjs
de Cn (ei “ δi,j ).
L’équation (B.57) peut donc se réécrire
¨ ˛ ¨ ˛
L˝ X r1s ¨ ¨ ¨ X rns ‚ “ ˝ e r1s ¨ ¨ ¨ e rns ‚
ou encore, déterminer la matrice X inverse de L reviens à résoudre les n systèmes linéaires suivants:
X rjs “ e rjs , @j P v1, nw.

LX (B.58)
‚ Pour montrer que X est triangulaire inférieure il suffit de vérifier que pour tout j P v2, nw
rjs
Xi “ 0, @i P v1, j ´ 1w.
Soit j P v2, nw. On décompose la matrice L en la matrice bloc carré 2 par 2 ou le premier bloc di-
agonal, noté Lj´1 , est une matrice triangulaire inférieure inversible de dimension j ´ 1. Le système
(B.58) s’écrit alors
On en déduit donc que nécessairement

¨ ˛

L1,1 0 ¨¨¨ 0 ¨ ˛ ¨ ˛
rjs
˚ .. .. .. ‹ X1 0
˚ ‚ . . . ‹ ˚ . ‹ ˚.‹
˚ ‹ ˚ . ‹ “ ˝.‚
˚ . . .. .. ‹˝ . ‚ .
˝ .. .. . . ‚ rjs
Xj´1 0
‚ ¨¨¨ ‚ Lj´1,j´1
rjs
Comme la matrice de ce système est inversible, on a bien Xi “ 0, @i P v1, j ´ 1w et donc la matrice
X est triangulaire inférieure.
B. Annexes
‚ Par définition du produit matricielle, de l’équation (B.57) on tire pour tout j P v1, nw
n
ÿ j´1
ÿ n
ÿ
pLXqj,j “ pIqj,j ðñ Lj,k Xk,j “ 1 ðñ Lj,k Xk,j ` Lj,j Xj,j ` Lj,k Xk,j “ 1
k“1 k“1 k“j`1
Or les matrices L et X sont triangulaires inférieures et donc Xk,j “ 0, @k P v1, j ´ 1w, et Lj,k “ 0,
@k P vj ` 1, nw. On obtient alors Lj,j Xj,j “ 1 et comme Lj,j ‰ 0 on a bien Xj,j “ 1{Lj,j .
Exercice B.3.11
Soit A P Mn,n pKq et U, B, V trois matrices rectangulaires.

Q. 1 Sous quelles hypothèses peut-on définir la matrice G suivante
` ˘´1
G “ A´1 ´ A´1 U I ` BVA´1 U BVA´1 ? (B.59)
Q. 2 Montrer que pA ` UBVq G “ I. Conclure.

´1
Q. 3 Soit β P R et u , v P Cn . Calculer pA ` βu
uv t q en fonction de l’inverse de A.
Compiled on 2022/09/15 at 10:51:48

222 Annexes
Exercice B.3.12
Etant donnée une matrice D P Mn,n pCq, on pose
D “ A ` ıB avec A, B P Mn,n pRq
Sous certaines hypothèses à préciser, établir la relation

` ˘´1 ` ˘´1
D´1 “ A ` BA´1 B ´ ıA´1 B A ` BA´1 B .
Exercice B.3.13
Soient pzi qni“0 n ` 1 points distincts 2 à 2 de C. Soit V P Mn`1 pCq la matrice définie par
j´1
Vi,j “ zi´1 , @pi, jq P v1, n ` 1w.
Q. 1 Ecrire la matrice V.
n`1
Soient w “ pwi qi“1 un vecteur de Cn`1 . On note Pw P Cn rXs, le polynôme défini par
n
ÿ
Pw pzq “ wi`1 z i
i“0
Q. 2 Exprimer v “ Vw
w en fonction de Pw .
Q. 3 En déduire que V est inversible.

Q. 1 On a ¨ ˛
1 z0 ¨¨¨ z0n
˚1 z1 ¨¨¨ z1n ‹
˚ ‹
V “ ˚. .. .. ‹
˝ .. . .‚
B. Annexes
1 zn ¨¨¨ znn
Q. 2 On a v P Cn`1 et, pour tout i P v1, n ` 1w,

n`1
ÿ
vi “ Vi,j w j
j“1
n`1
ÿ j´1
“ zi´1 wj
j“1
ÿn
j
“ wj`1 zi´1 “ Pw pzi´1 q.
j“0
c’est à dire ¨ ˛
Pw pz0 q
v “ ˝ ... ‚.
˚ ‹
Pw pzn q
Q. 3 La matrice V est inversible si et seulement si son noyau est réduit à l’élément nul, c’est à dire
kerpVq “ t00u.
Soit u “ pu1 , . . . , un`1 q˚ P Cn`1 , tel que Vu
u “ 0, montrons qu’alors u “ 0 .
On a ¨ ˛ ¨ ˛
u1 Pu pz0 q
˚ .. ‹ ˚ .. ‹
u “ V˝ .
Vu ‚ “ ˝ . ‚ “ 0.
un`1 Pu pzn q
Compiled on 2022/09/15 at 10:51:48

Les n ` 1 points pzi qni“0 sont distincts 2 à 2, donc le polynôme u admet n ` 1 racines distinctes hors
Pu P Cn rXs, c’est donc le polynôme nul, c’est à dire ui “ 0, @i P v1, n ` 1w. On a donc u “ 0.
La matrice V est donc inversible.
˛
Matrices blocs
Exercice B.3.14
On considère les matrices blocs suivantes

¨ ˛ ¨ ˛
1 2 1 0 ˆ ˙ 1 0 0 0 ˆ ˙
˚ 3 4 0 1 ‹ C I ˚ 0 1 0 0 ‹ I 0
A“˚ ˝ 1 0 0 0 ‚“
‹ et B “ ˚
˝
‹“
I 0 1 2 1 2 ‚ C C
0 1 0 0 3 4 3 4
avec par identification ˆ ˙ ˆ ˙
1 0 1 2
I“ et C “
0 1 3 4
Q. 1 Calculer les matrices AB et BA en utilisant l’écriture bloc.
Q. 2 Exprimer les matrices ApA ` Bq et p2B ´ AqpB ` Aq en fonction des matrices C et I.
B.3.2 Normes
Exercice B.3.15
Soient A P Mn,k pKq et B P Mk,n pKq. On note L la matrice

ˆ ˙
I ´ BA B
L“ .
2A ´ ABA AB ´ I
B. Annexes
Q. 1 Montrer que la matrice L est bien définie et spécifier les dimensions des blocs.
Q. 2 Calculer L2 . Que peut-on en conclure?
Soient A P Mm pCq, B P Mn pCq et D P Mm,n pCq.

Q. 1 Calculer, en fonction des déterminant de A et B, le déterminant des matrices
ˆ ˙ ˆ ˙ ˆ ˙
A O Im O A 0
E“ , F“ , et G “ .
O In O B 0 B
ˆ ˙
A D
Q. 2 Soit H “ . En utilisant les factorisations QR des matrices A et B, montrer que
0 B
detpHq “ detpAq detpBq. (B.60)
Q. 3 En déduire qu’une matrice triangulaire supérieure par blocs est inversible si et

seulement si ses matrices blocs diagonales sont inversibles.
Q. 4 En déduire qu’une matrice triangulaire inférieure par blocs est inversible si et seule-
ment si ses matrices blocs diagonales sont inversibles.
Compiled on 2022/09/15 at 10:51:48

224 Annexes
B.3.2 Normes
Normes vectorielles
Exercice B.3.17
Soient x et y deux vecteurs de Cn .

Q. 1 Trouver α P C tel que xαx
x ´ y , x y “ 0.
x ´ y }22 , montrer que

Q. 2 En calculant }αx
x, y y | ď }x
| xx x}2 }yy }2 . (B.61)
Q. 3 Soit x ‰ 0. Montrer alors que l’inégalité (B.61) est une égalité si et seulement si y “ αx
x.

Q. 1 ‚ Si x “ 0, alors α quelconque.
‚ Si x ‰ 0, alors
xαx
x ´ y , xy “ 0 ðñ α xx
x, x y ´ xyy , x y “ 0
Or x ‰ 0, ce qui donne
xyy , x y
α“ .
xx
x, x y
B.3.2 Normes
x, x y P R et xyy , x y “ xx
et , comme xx x, y y , on obtient
xx
x, y y
α“ . (B.62)
xx , xy
x
Q. 2 On a
B. Annexes
x ´ y }22
}αx “ xαxx ´ y , αx
x ´ yy
“ α xαxx ´ y , x y ´ xαx
x ´ y, yy
x ´ y , y y , car xαx
“ ´ xαx x ´ y , xy “ 0
“ ´α xx
x, y y ` xyy , y y
En utilisant (B.62), on obtient alors
xyy , x y
x ´ y }22
}αx “ ´ xx
x, y y ` xyy , y y
xxx, x y
´ xyy , x y xx
x, y y ` xyy , y y xx
x, x y
“
xxx, x y
Comme xyy , xy “ xx
x, y y, on a xyy , xy xx x, y y |2 et donc
x, y y “ | xx
1 ´ ¯
x ´ y }22
}αx “ ´| xx x}22 }yy }22
x, y y |2 ` }x (B.63)
xx
x, x y
ě 0.
On a alors
2 2
x, y y |2 ď }x
| xx x}2 }yy }2
?
La fonction x ÞÑ x étant croissante sur r0; `8r, on obtient (B.61).
Q. 3 Soit x ‰ 0. On veut montrer que
| xx
x, y y | “ }x
x}2 }yy }2 ðñ y “ αx
x
Compiled on 2022/09/15 at 10:51:48

ð On suppose y “ αx
x. On a alors
xx
x, y y “ α xx x}22 ùñ | xx
x, x y “ α }x x}22 .
x, y y | “ |α| }x
Comme }yy }2 “ |α| }x
x}2 , on a aussi
}x x}22 .
x}2 }yy }2 “ |α| }x
On en déduit alors
| xx x}2 }yy }2 .
x, y y | “ }x
ñ On suppose | xx x}2 }yy }2 . Avec cette hypothèse, l’équation (B.63) devient
x, y y | “ }x
x ´ y }22 “ 0
}αx
et donc αx
x ´ y “ 0, c’est à dire y “ αx
x.
˛
Exercice B.3.18
Soient x et y deux vecteurs de Cn .

Q. 1 Démontrer l’inégalité triangulaire
}x x}2 ` }yy }2 .
x ` y }2 ď }x (B.64)
Q. 2 Si x et y sont non nuls, prouver que l’inégalité (B.64) est une égalité si et seulement si y “ αx
x
avec α un réel strictement positif.
B.3.2 Normes
Q. 3 Déduire de (B.64) l’inégalité suivante :
| }x
x}2 ´ }yy }2 | ď }x
x ´ y }2 . (B.65)
Q. 4 Soient x 1 , . . . , x p , p vecteurs de Cn . Montrer que

› ›
›ÿp › ÿp
B. Annexes
› ›
› xi› ď xi }2 .
}x (B.66)
›i“1 › i“12
x}22 “ xx
Q. 1 On rappele que }x x, xy . On obtient, en utilisant les propriétés du produit scalaire,
x ` y }22
}x “ xx
x ` y, x ` yy
“ xx
x, x y ` xx
x, y y ` xyy , x y ` xx
x, x y
x}22 ` }yy }22 ` xx
“ }x x, y y ` xyy , x y .
1
Pour tout nombre complexe z, on a z ` z “ 2 Repzq, et |z| ě Repzq. x, y y, on a
Comme xyy , x y “ xx
x ` y }22
}x x}22 ` }yy }22 ` 2 Re pxx
“ }x x, y yq (B.67)
ď x}22
}x `
2
}yy }2 ` 2| xx
x, y y |.
L’inégalité de Cauchy-Schwarz donne
| xx
x, y y | ď }x
x}2 }yy }2
et donc
x ` y }22
}x x}22 ` }yy }22 ` 2 }x
ď }x x}2 }yy }2
x}2 ` }yy }2 q2 .
“ p}x
?
La fonction x ÞÑ x étant croissante sur r0; `8r, on obtient
}x
x ` y }2 ď }x
x}2 ` }yy }2 .
1 En effet, z “ a ` ıb et z “ a ´ ıb d’où z ` z “ 2a. De plus, |z|2 “ a2 ` b2 ě a2 ce qui donne |z| ě |a| ě a.
Compiled on 2022/09/15 at 10:51:48

226 Annexes
Q. 2 Soient x et y deux vecteurs de Cn non nuls. On veut démontrer que
}x
x ` y }2 “ }x
x}2 ` }yy }2 ðñ y “ αx
x, α ą 0.
ð On suppose y “ αx
x avec α ą 0.
On a alors
}x
x ` y }2 “ }x
x ` αxx}2
“ }p1 ` αqxx}2
“ |1 ` α| }x
x}2 .
Comme α ą 0, on a |1 ` α| “ 1 ` α et donc
}x
x ` y }2 “ }x
x}2 ` α }x
x}2 . (B.68)
De plus, on a
}yy }2 “ }αxx}2
“ |α| }x
x}2
x}2 , car α ą 0.
“ α }x
D’après (B.68), on en déduit

}x
x ` y }2 “ }x
x}2 ` }yy }2 .
ñ On suppose que
B.3.2 Normes
}x
x ` y }2 “ }x
x}2 ` }yy }2 . (B.69)
Ce qui donne
x ` y }22 “ }x
}x x}22 ` }yy }22 ` 2 }x
x}2 }yy }2 (B.70)
On déduit alors de l’égalité (B.67) que
B. Annexes
Re pxx x}2 }yy }2 .

x, y yq “ }x (B.71)
Or, on a, @z P C, Repzq ď |z| et donc, en utilisant l’inégalité de Cauchy-Schwarz

}x
x}2 }yy }2 “ Re pxx
x, y yq ď | xx x}2 }yy }2
x, y y | ď }x
ce qui impose
| xx x}2 }yy }2 .
x, y y | “ }x
xy xy
y ,x
D’après l’exercice précédant, cette égalité est vérifiée si et seulement si y “ αx
x avec α “ xx
x,xxy .
Il nous reste à vérifier que α ą 0.
L’hypothèse (B.69) avec y “ αx x devient
}x
x ` y }2 “ |1 ` α| }x
x}2 “ }x
x}2 ` }yy }2 “ 1 ` |α| }x
x}2 . (B.72)
On a donc
|1 ` α| “ 1 ` |α| ðñ |1 ` α|2 “ p1 ` |α|q2

ðñ p1 ` αqp1 ` αq “ 1 ` 2|α| ` |α|2
ðñ p1 ` αqp1 ` αq “ 1 ` 2|α| ` |α|2
ðñ 1 ` αα ` α ` α “ 1 ` 2|α| ` |α|2
ðñ Repαq “ |α|
Donc α est un réel et α “ Repαq “ |α| ě 0.

Comme y “ αx x et y ‰ 0, on a α ‰ 0 et donc α ą 0.
Compiled on 2022/09/15 at 10:51:48

Q. 3 On a x “ px
x ´ y q ` y , et par application de l’inégalité triangulaire (B.64) on obtient
}x
x}2 “ }px
x ´ y q ` y }2 ď }x
x ´ y }2 ` }yy }2 ùñ }x
x}2 ´ }yy }2 ď }x
x ´ y }2 .
De même, avec y “ pyy ´ x q ` x , et par application de l’inégalité triangulaire (B.64) on a
}yy }2 “ }pyy ´ x q ` x }2 ď }yy ´ x }2 ` }x

x}2 ùñ }yy }2 ´ }x
x}2 ď }x
x ´ y }2 .
En combinant ces deux inégalités, on obtient alors
x}2 ´ }yy }2 | ď }x
| }x x ´ y }2 .
Q. 4 On effectue une démonstration par récurrence.

Soit n P N, n ą 1. On définit la propriété Ppnq par
› ›
›ÿn › ÿn
› ›
Ppnq : › x i › ď }x
xi }2 . (B.73)
›i“1 › i“1 2
‚ On a démontré, en Q.1, que la propriété Pp2q est vraie.

‚ Soit n ą 2, on suppose que Ppnq est vérifiée (hypothèse de récurrence). On veut alors montrer que
Ppn ` 1q est vraie.
On a
› › › ›
›n`1 › ›ÿn ›
›ÿ › › ›
› x i › “ › x i ` x n`1 ›
› i“1 › ›i“1 ›
2 2
› ›
›ÿn ›
› ›
ď › x i › ` }x xn`1 }2 , d’après (B.64)
B.3.2 Normes
›i“1 ›
2
n
ÿ
ď }x xn`1 }2 , car Ppnq est vérifiée
xi }2 ` }x
i“1
n`1
ÿ
“ }x
xi }2 .
i“1
B. Annexes
La propriété Ppn ` 1q est donc vérifiée.
On a donc démontré par récurrence que la propriété Ppnq est vraie pour tout n ě 2.
˛
Exercice B.3.19
Q. 1 Soit la fonction f ptq “ p1 ´ λq ` λt ´ tλ avec 0 ă λ ă 1. Montrer que pour tous α ě 0 et β ě 0

on a
αλ β 1´λ ď λα ` p1 ´ λqβ. (B.74)
1 1
Soient x et y deux vecteurs non nuls de Cn . Soient p ą 1 et q ą 1 vérifiant p ` q “ 1.
x y
Q. 2 On pose u “ }x
x }p et v “ y }q .
}y En utilisant l’inégalite (B.74), montrer que l’on a l’inégalité
n
ÿ n n
1ÿ 1ÿ
|ui vi | ď |ui |p ` |vi |q “ 1. (B.75)
i“1
p i“1 q i“1
Q. 3 En déduire l’inégalité de Holder suivante

n
ÿ
| xx
x, y y | ď |xi yi | ď }x
x}p }yy }q . (B.76)
i“1
Quel est le lien entre l’inégalité de Hölder et l’inégalité de Cauchy-Schwarz?
Compiled on 2022/09/15 at 10:51:48

228 Annexes

Q. 1 L’inégalité (B.74) est vérifiée si α “ 0 ou β “ 0. Il nous reste donc à la vérifier pour α ą 0 et β ą 0.
Dans ce cas (B.74) s’écrit
ˆ ˙λ
α α
ď λ ` p1 ´ λq
β β
c’est à dire
α
f p q ě 0.
β
Montrons que f ptq ě 0, @t Ps0, `8r.
On a f 1 ptq “ λp1 ´ tλ´1 q et
f 1 ptq “ 0 ô 1 ´ tλ´1 “ 0, car λ ‰ 0
De plus, on a tλ´1 “ epλ´1q lnptq et comme λ ´ 1 ‰ 0, on obtient

f 1 ptq “ 0 ô t “ 1.
• Etudions la fonction sur s0, 1r. On a pour t Ps0, 1r, lnptq ă 0 et donc pλ ´ 1q lnptq ą 0. Comme la
fonction exp est croissante, on en déduit expppλ ´ 1q lnptqq ą 1 et alors f 1 ptq ă 0.
• Etudions la fonction sur s1, `8r. On a pour t Ps1, `8r, lnptq ą 0 et donc pλ ´ 1q lnptq ă 0. Comme
la fonction exp est croissante, on en déduit 0 ă expppλ ´ 1q lnptqq ă 1 et alors f 1 ptq ą 0.
Le minimum de f est donc atteint en t “ 1 et on a
@t Ps0, `8r, f pxq ě f p1q “ 0.
B.3.2 Normes
L’inégalité (B.74) est donc vérifiée @α ě 0, @β ě 0 et @λ Ps0, 1r.

1
Q. 2 On pose λ “ p Ps0, 1r. on a alors 1 ´ λ “ 1q . On pose
α “ |ui |p ě 0, β “ |vi |q ě 0.
En utilisant (B.74), on obtient directement
1 1
|ui |p ` |vi |q , @i P v1, nw.
B. Annexes
|ui ||vi | ď
p q
En sommant sur i on obtient:
ÿn n n
1ÿ 1ÿ 1 1
|ui vi | ď |ui |p ` u}pp ` }vv }qq
|vi |q “ }u
i“1
p i“1
q i“1
p q
Comme par construction }u

u}p “ }vv }q “ 1, on obtient
n
ÿ 1 1
|ui vi | ď ` “ 1.
i“1
p q
Q. 3 Par construction, on a
n
ÿ ÿn
1
|ui vi | “ |xi yi |
i“1
}x
x}p }yy }q i“1
et donc en utilisant l’inégalité (B.76) on obtient
n
ÿ
x}p }yy }q .
|xi yi | ď }x
i“1
De plus
n
ÿ n
ÿ n
ÿ
| xx
x, y y | “ | x i yi | ď |xi yi | “ x}p }yy }q .
|xi yi | ď }x
i“1 i“1 i“1
Pour p “ q “ 2, l’inégalité de Hölder entraine l’inégalité de Cauchy-Schwarz.
˛
Compiled on 2022/09/15 at 10:51:48

Exercice B.3.20
1
Soit p ą 1 et q le nombre tel que q “ 1 ´ p1 .
Q. 1 Vérifier que @pα, βq P C2 on a
|α ` β|p ď |α||α ` β|p{q ` |β||α ` β|p{q . (B.77)
Q. 2 En utilisant l’inégalité de Hölder et (B.77), démontrer l’inégalité de Minkowski :
}x
x ` y }p ď }x x P Cn , @yy P Cn , p ě 1.
x}p ` }yy }p , @x (B.78)
Normes matricielles
Exercice B.3.21: Norme de Frobenious
Soit A P Mn pCq. On définit l’application }‚}F par

n ÿ
ÿ n
2
}A}F “ |aij |2 . (B.79)
i“1 j“1
Q. 1 On note, respectivement, A i,: , @i P v1, nw et A :,j , @j P v1, nw les vecteurs lignes et colonnes de
A. Montrer que
n
ÿ n
ÿ
B.3.2 Normes
2
}A}F “ Ai,: }22 “
}A }AA:,j }22 “ tr A˚ A. (B.80)
i“1 j“1
Q. 2 Montrer que
x}2 ď }A}F }x
}Ax x P Cn .
x}2 , @x (B.81)
Q. 3 Montrer que cette application est une norme matricielle (nommée norme de Frobenius).
B. Annexes
Q. 4 Calculer }A˚ }F et }In }F où In est la matrice identitée de Mn pCq.
Exercice B.3.22
Soit A P Mm,n pCq. Montrer les propriétés suivantes
1. }A}2 “ max | xAx

x, y y |.
x}2 “1
}x
y }2 “1
}y
2. }A}2 “ }A˚ }2 .
2
3. }A˚ A}2 “ }A}2 .
4. }U˚ AV}2 “ }A}2 quand UU˚ “ I et VV˚ “ I
Exercice B.3.23
Compiled on 2022/09/15 at 10:51:48

230 Annexes
Soient A P Mm,n pCq, B P Mn,l pCq, x P Cn et p ě 1. Montrer que
}Ax
x}p ď }A}p }x
x}p (B.82)
}A}p “ max }Ax x}p (B.83)
x}p “1
}x
}A}p “ max }Ax

x}p (B.84)
x}p ď1
}x
}AB}p ď }A}p }B}p (B.85)
Exercice B.3.24
Soit A P Mn pCq. Montrer que l’on a

n
ÿ
}A}1 “ max |aij |, (B.86)
jPv1,nw
i“1
˚ 1{2
}A}2 “ ρpAA q , (B.87)
ÿn
}A}8 “ max |aij |. (B.88)
iPv1,nw
j“1

‚ On démontre tout d’abord l’égalité (B.86) :
n
ÿ
B.3.2 Normes
}A}1 “ max |aij |

jPv1,nw
i“1
Soit x P Cn tel que }x

x}1 “ 1. On a
ˇ ˇ
n
ÿ ÿn ˇÿ n ˇ
ˇ ˇ
}Ax
x}1 “ |pAx
xqi | “ ˇ aij xj ˇ
i“1
ˇ
i“1 j“1
ˇ
˜ ¸
ÿn ÿ n ÿn ÿ n
B. Annexes
ď |aij xj | “ |xj | |aij |

i“1 j“1 j“1 i“1
˜ ¸
n
ÿ n
ÿ n
ÿ n
ÿ
ď max |aij | |xj | “ max |aij | car |xj | “ 1.
jPv1,nw jPv1,nw
i“1 j“1 i“1 j“1
On obtient donc
n
ÿ
x}1 ď max
max }Ax |ai,j |.
x}1 “1
}x jPv1,nw
i“1
Pour démontrer que l’on a l’égalité

n
ÿ
max }Ax
x}1 “ max |ai,j |.
x}1 “1
}x jPv1,nw
i“1
il suffit alors de construire un vecteur y P Cn , }yy }1 “ 1 particulier la vérifiant. Pour celà on note
k P v1, nw l’indice tel que
ÿn ÿn
|ai,k | “ max |ai,j |.
jPv1,nw
i“1 i“1
On prend alors y “ e k le k ème vecteur de la base canonique. Dans ce cas on a }yy }1 “ 1 et

}Ayy }1 “ }Aeek }1 “ }A:,k }1
ÿn n
ÿ
“ |ai,k | “ max |ai,j |.
jPv1,nw
i“1 i“1
Ce qui démontre l’égalité (B.86).
Compiled on 2022/09/15 at 10:51:48

‚ On démontre maintenant l’égalité (B.87) :
}A}2 “ ρpAA˚ q1{2 .
On pose B “ AA˚ . B est une matrice hermitienne : ses valeurs propres sont réelles. Soit pλ, u q un
élément propre de B. On obtient alors
xBu
u, u y “ xλuu, u y
u, u y car λ P R
“ λ xu
2
“ λ }u
u}2
De plus, on a
2
u, u y “ xAA˚u , u y “ xA˚u , A˚u y “ }A˚u }2 ě 0
xBu
et comme }u
u}2 ą 0 (c’est un vecteur propre, il est donc non nul) on en déduit
2
}A˚u }2
λ“ ě 0.
u}22
}u
La matrice B étant hermitienne (elle est donc normale), d’après le Théorème 3.2 page 63, il existe
alors une matrice U unitaire et une matrice D diagonale telle que
B.3.2 Normes
B “ UDU˚ .
On note pλi , e i qiPv1,nw les éléments propres de D. Les vecteurs e i sont les vecteurs de la base canonique
de Cn et λi “ dii . Comme D “ U˚ BU, on obtient
B. Annexes
Deei “ λie i ðñ U˚ BUeei “ λie i
ðñ BUeei “ λi Ueei .
C’est à dire en posant v i “ Ueei (i-ème vecteur colonne de U), les éléments propres de B sont les
pλi , v i qiPv1,nw . De plus comme U est unitaire, tvv 1 , . . . , v n u forment une base orthonormée de Cn .
Soit x P Cn tel que }x x}2 “ 1. le vecteur x peut s’écrire comme une combinaison linéaire de la base
orthonormée tvv 1 , . . . , v n u : Dpα1 , . . . , αn q P Cn tel que
n
ÿ
x“ αi v i .
i“1
On peut voir que

C G
n
ÿ n
ÿ
x, x y “ 1
xx “ αi v i , αj v j
i“1 j“1
n
ÿ
“ αi αj xvv i , v j y
i“1
ÿn
“ αi αi car xvv i , v j y “ δij
i“1
ÿn
“ |αi |2 .
i“1
Compiled on 2022/09/15 at 10:51:48

232 Annexes
De plus on a
x}22
}Ax “ xAx xy “ xA˚ Ax
x, Ax x, x y “ xBx
x, x y
C G
ÿn n
ÿ
“ αi Bvv i , αj v j
i“1 j“1
C G
n
ÿ n
ÿ
“ α i λi v i , αj v j
i“1 j“1
n
ÿ n
ÿ
“ α i λi αj xvv i , v j y
i“1 j“1
ÿn
“ λi |αi |2 car λi P R et xvv i , v j y “ δij
i“1
n
ÿ n
ÿ
ď max λi |αi |2 “ ρpA˚ Aq car λi ě 0 et |αi |2 “ 1.
iPv1,nw
i“1 i“1
Pour démontrer que l’on a en fait égalité il suffit de trouver un vecteur la vérifiant. Pour celà on
note k P v1, nw l’indice tel que λk “ maxiPv1,nw λi . En choisissant x “ v k (qui est de norme 1) on
obtient alors
2
}Avv k }2 “ xAvv k , Avv k y “ xA˚ Avv k , v k y “ xλkv k , v k y “ λk “ ρpA˚ Aq.
Ce qui achève la démonstration de (B.87)

‚ Pour finir, on démontre l’égalité (B.88) :
B.3.2 Normes
n
ÿ
}A}8 “ max |aij |.
iPv1,nw
j“1
Soit x P Cn tel que }x

x}8 “ 1. On a
ˇ ˇ
ˇÿn ˇ
ˇ ˇ
}Ax
x}8 “ max |pAxxqi | “ max ˇ ai,j xj ˇ
B. Annexes
iPv1,nw iPv1,nw ˇ ˇ
j“1
n
ÿ
ď max |ai,j ||xj |
iPv1,nw
j“1
ÿn
ď max |ai,j | car |xj | ď max |xi | “ }x
x}8 “ 1.
iPv1,nw iPv1,nw
j“1
Pour démontrer l’égalité, il suffit de construire un vecteur y de norme 1 la vérifiant. Pour celà on
note k P v1, nw l’indice tel que
n
ÿ n
ÿ
max |aij | “ |ak,j |.
iPv1,nw
j“1 j“1
On veut alors construire un vecteur y tel que }yy }8 “ 1 et vérifiant

ˇ ˇ
ˇÿn ˇ ÿ n
ˇ ˇ
max ˇ ai,j yj ˇ “ |ak,j |.
iPv1,nw ˇ ˇ j“1
j“1
Pour celà on pose, pour tout j P v1, nw

# |ak,j |
ak,j si akj ‰ 0
yj “ .
1 si ak,j “ 0
On a alors }yy }8 “ 1,
n
ÿ n
ÿ
ak,j yj “ |ak,j |
j“1 j“1
Compiled on 2022/09/15 at 10:51:48

Listings 233
On en déduit
ˇ ˇ
ˇÿn ˇ ÿ n ÿn
ˇ ˇ
}Ayy }8 “ max ˇ ai,j yj ˇ “ |ak,j | “ max |ai,j |
iPv1,nw ˇ ˇ j“1 iPv1,nw
j“1 j“1
ce qui achève la démonstration.
B.4.1 Codes sur la méthode de dichotomie/bissection

B.4 Listings
Transcription de l’Algorithme 2.1(page 18)
B. Annexes
double dichotomie1 ( double (∗ f ) ( double ) , 1
double a , double b , double eps ) { 2
d o u b l e ∗A, ∗ B, ∗X, x ; 3
i n t kmin , k ; 4
size_t Size ; 5
1 f u n c t i o n x=d i c h o t o m i e 1 ( f , a , b , e p s i l o n )
a s s e r t ( f ( a ) ∗ f ( b ) <0) ; 6
2 kmin=f l o o r ( ...
kmin=( i n t ) f l o o r ( l o g ( ( b−a ) / e p s ) / l o g ( 2 . ) ) ; 7
l o g ( ( b−a ) / e p s i l o n ) / l o g ( 2 ) ) ;
S i z e =(kmin+1)∗ s i z e o f ( d o u b l e ) ; 8
3 X=z e r o s ( kmin +1 ,1) ;
a s s e r t ( X=( d o u b l e ∗ ) m a l l o c ( S i z e ) ) ; 9
4 A=z e r o s ( kmin +1 ,1) ; B=z e r o s ( kmin +1 ,1) ;
a s s e r t ( A=( d o u b l e ∗ ) m a l l o c ( S i z e ) ) ; 10
5 A( 1 )=a ; B( 1 )=b ;X( 1 ) =(a+b ) / 2 ;
a s s e r t ( B=( d o u b l e ∗ ) m a l l o c ( S i z e ) ) ; 11
6 f o r k=1: kmin
// ou a s s e r t ( A && B && X ) ; 12
7 i f f (X( k ) )==0
A[ 0 ] = a ; B[ 0 ] = b ;X[ 0 ] = ( a+b ) / 2 . ; 13
8 A( k+1)=X( k ) ; B( k+1)=X( k ) ;
f o r ( k =0;k<kmin ; k++){
B.4.Listings
14
9 e l s e i f f (B( k ) ) ∗ f (X( k ) )<0
i f ( f (X[ k ] ) ==0){ 15
10 A( k+1)=X( k ) ; B( k+1)=B( k ) ;
A[ k+1]=X[ k ] ; B [ k+1]=X[ k ] ; 16
11 else
} e l s e i f ( f (B [ k ] ) ∗ f (X[ k ] ) <0 ) { 17
12 A( k+1)=A( k ) ; B( k+1)=X( k ) ;
A[ k+1]=X[ k ] ; B [ k+1]=B [ k ] ; 18
13 end
} else { 19
14 X( k+1)=(A( k+1)+B( k+1) ) / 2 ;
A[ k+1]=A[ k ] ; B [ k+1]=X[ k ] ; 20
15 end
} 21
16 x=X( kmin+1) ;
X[ k+1]=(A[ k+1]+B [ k +1]) / 2 ; 22
17 end
} 23
Listing B.1: fonction dichotomie1 (Matlab) x=X[ kmin ] ; 24
f r e e (X) ; f r e e (A) ; f r e e (B) ; 25
return x ; 26
} 27
Listing B.2: fonction dichotomie1 (C)
Compiled on 2022/09/15 at 10:51:48

234 Annexes
#i n c l u d e <s t d i o . h> 1
#i n c l u d e < s t d l i b . h> 2
#i n c l u d e <math . h> 3
#i n c l u d e <a s s e r t . h> 4
double dichotomie1 ( 6
double (∗ f ) ( double ) , 7
double a , double b , double eps 8
); 9
1 clear all
d o u b l e g1 ( d o u b l e x ) { 10
2 close all
r e t u r n ( x+2) ∗ ( x+2) ∗ ( x−M_PI) ; 11
3 f=@( x ) ( x+2) ∗ ( x+2) ∗ ( x−p i ) ;
} 12
4 x=d i c h o t o m i e 1 ( f , −1 ,2∗ pi , 1 e −8) ;
13
5 f p r i n t f ( ’x =%.16 f\n ’ , x )
i n t main ( ) { 14
6 x=d i c h o t o m i e 1 ( @cos , 2 , pi , 1 e −8) ;
double x ; 15
7 f p r i n t f ( ’x =%.16 f\n ’ , x )
x=d i c h o t o m i e 1 ( g1 , −1 ,2∗M_PI, 1 e −8) ; 16
Listing B.3: script dichotomie1 (Matlab) p r i n t f ( "x =%.16 lf ,␣ error =%.6 e\n" , 17
x , f a b s ( x−M_PI) ) ; 18
x=d i c h o t o m i e 1 ( cos , −1 ,M_PI, 1 e −8) ; 19
p r i n t f ( "x =%.16 lf ,␣ error =%.6 e\n" , 20
x , f a b s ( x−M_PI_2) ) ; 21
return 1; 22
} 23
// D e f i n i t i o n de d i c h o t o m i e 1 e n s u i t e . . . 24
Listing B.4: main dichotomie1 (C)
Transcription de l’Algorithme 2.5 (page 20)

1 f u n c t i o n x=d i c h o t o m i e 5 ( f , a , b )
double a , double b) { 2
2 a s s e r t ( f ( a ) ∗ f ( b ) <0, . . .
d o u b l e A, B, x , xp ; 3
3 ’ test ␣f(a)*f(b) <0␣ failed ’ ) ;
a s s e r t ( f ( a ) ∗ f ( b ) <0) ; 4
4 A=a ; B=b ; x=(A+B) / 2 ; xp=A;
A=a ; B=b ; x=(A+B) / 2 . ; xp=A; 5
5 w h i l e x~=xp
w h i l e ( x!=xp ) { 6
6 i f f (B) ∗ f ( x )<0
i f ( f (B) ∗ f ( x ) <0) 7
7 A=x ;
A=x ; 8
B. Annexes
8 else
else 9
9 B=x ;
B=x ; 10
10 end
xp=x ; 11
11 xp=x ;
x=(A+B) / 2 ; 12
12 x=(A+B) / 2 ;
} 13
13 end
return x ; 14
14 end
} 15
Listing B.5: fonction dichotomie5 (Matlab)

Listing B.6: fonction dichotomie5 (C)
#i n c l u d e <s t d i o . h> 1
#i n c l u d e <math . h> 2
#i n c l u d e <a s s e r t . h> 3
B.4. Listings

1 clear all
double a , double b) ; 6
2 close all
d o u b l e g1 ( d o u b l e x ) { 7
3 f=@( x ) ( x+2) ∗ ( x+2) ∗ ( x−p i ) ;
r e t u r n ( x+2) ∗ ( x+2) ∗ ( x−M_PI) ; 8
4 x=d i c h o t o m i e 5 ( f , −1 ,2∗ p i ) ;
} 9
5 f p r i n t f ( ’x =%.16 f\n ’ , x )
10
6 x=d i c h o t o m i e 5 ( @cos , 2 , p i ) ;
i n t main ( ) { 11
7 f p r i n t f ( ’x =%.16 f\n ’ , x )
double x ; 12
Listing B.7: script dichotomie5 (Matlab) x=d i c h o t o m i e 5 ( g1 , −1 ,2∗M_PI) ; 13
p r i n t f ( "x =%.16 lf \n" , x ) ; 14
x=d i c h o t o m i e 5 ( cos , −1 ,M_PI) ; 15
p r i n t f ( "x =%.16 lf \n" , x ) ; 16
Listing B.8: main dichotomie5 (C)
Compiled on 2022/09/15 at 10:51:48

Liste des algorithmes
1.1 Algorithme de calcul de π, version naïve . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Algorithme de calcul de π, version stable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Méthode de dichotomie : version 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Méthode de point fixe : version Tantque formel . . . . . . . . . . . . . . . . . . . . . . . 30
2.7 Méthode de point fixe : version Répéter formel . . . . . . . . . . . . . . . . . . . . . . . 30
2.8 Méthode de point fixe : version Tantque formel avec critères d’arrêt . . . . . . . . . . . . 30
2.9 Méthode de point fixe : version Répéter formel avec critères d’arrêt . . . . . . . . . . . . 30
2.10 Méthode de point fixe : version Tantque avec critères d’arrêt . . . . . . . . . . . . . . . . 31
2.11 Méthode de point fixe : version Répéter avec critères d’arrêt . . . . . . . . . . . . . . . . 31
2.12 Méthode de la corde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.13 Méthode de la corde utilisant la fonction PtFixe . . . . . . . . . . . . . . . . . . . . . . . 35
2.14 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.15 Méthode de Newton scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.16 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1 Fonction RSLMatDiag permettant de résoudre le système linéaire à matrice diagonale in-
versible x “ b.
Ax
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Fonction RSLTriInf permettant de résoudre le système linéaire triangulaire inférieur in-
versible x “ b.
Ax
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 Fonction RSLTriSup permettant de résoudre le système linéaire triangulaire supérieur in-
versible x “ b.
Ax
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.4 Algorithme de Gauss-Jordan formel pour la résolution de Ax x“b . . . . . . . . . . . . . . 68
3.5 Algorithme de Gauss-Jordan avec fonctions pour la résolution de Ax x“b . . . . . . . . . . 69
3.6 Recherche d’un pivot pour l’algorithme de Gauss-Jordan. . . . . . . . . . . . . . . . . . . 69
3.7 Permutte deux lignes d’une matrice et d’un vecteur. . . . . . . . . . . . . . . . . . . . . . 69
3.8 Combinaison linéaire Li Ð Li ` αLj appliqué à une matrice et à un vecteur. . . . . . . . 69
3.9 Fonction RSLFactLU permettant de résoudre, par une factorisation LU, le système linéaire
Axx “ b où A une matrice de Mn pRq définie positive et b P Rn . . . . . . . . . . . . . . . . . 77
236 LISTE DES ALGORITHMES
3.10 Fonction FactLU permet de calculer les matrices L et U dites matrice de factorisation LU
associée à la matrice A, telle que A “ LU
3.11 Fonction FactLUligU permet de calculer la ligne i de U à partir de (3.23) . . . . . . . . 81
3.12 Fonction FactLUcolL permet de calculer la colonne i de L à partir de (3.24) . . . . . . . 81
3.13 Fonction FactLU permet de calculer les matrices L et U dites matrice de factorisation LU
associée à la matrice A, telle que A “ LU
en utilisant des fonctions intermédiaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.14 Algorithme de base permettant de résoudre, par une factorisation de Cholesky positive, le
système linéaire Axx“b
où A une matrice de Mn pCq hermitienne définie positive et b P Cn . . . . . . . . . . . . . . 85
3.15 Fonction RSLCholesky permettant de résoudre, par une factorisation de Cholesky posi-
tive, le système linéaire Axx“b
où A une matrice hermitienne de Mn pCq définie positive et b P Cn . . . . . . . . . . . . . . 85
3.16 Fonction Cholesky permettant de calculer la matrice B, dites matrice de factorisation

positive de Cholesky associée à la matrice A, telle que A “ BB˚ . . . . . . . . . . . . . . . . 88
3.17 Calcul du α et de la matrice de Householder Hpu uq telle que Hpu
uqaa “ αbb. . . . . . . . . . . 91
3.18 Fonction FactQR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.19 Méthode itérative pour la résolution d’un système linéaire Ax x“b . . . . . . . . . . . . . 115
3.20 Méthode itérative de Jacobi pour la résolution d’un système linéaire Ax x“b . . . . . . . . 116
3.21 Méthode itérative de Gauss-Seidel pour la résolution d’un système linéaire Ax x“b . . . . 118
3.22 Itération ˜de Jacobi : calcul ¸ de x tel que
ÿn
1
xi “ bi ´ aij yj , @i P v1, nw. . . . . . . . . . . . . . . . . . . . . . . . . . . 119
aii j“1,j‰i
3.23 Itération ˜de Gauss-Seidel : calcul de x ¸ tel que
i´1
ÿ ÿn
1
xi “ bi ´ ai,j xj ´ ai,j yj , @i P v1, nw. . . . . . . . . . . . . . . . . . . . . 119
aii j“1 j“i`1
3.24 Méthode itérative pour la résolution d’un système linéaire Ax x“b . . . . . . . . . . . . . 120
B.LISTE DES ALGORITHMES
3.25 Itération ˜ S.O.R. : calcul de x tel que ¸

i´1
ÿ ÿn
w
xi “ bi ´ aij xj ´ aij yj ` p1 ´ wqyi . . . . . . . . . . . . . . . . . . . . . 121
aii j“1 j“i`1
4.1 Fonction Lagrange permettant de calculer le polynôme d’interpolation de Lagrange
Pn pxq définit par (4.4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.2 Fonction Hermite permettant de calculer le polynôme d’interpolation de Lagrange-
Hermite Hn ptq définit par (4.26) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.3 Fonction polyA permettant de calculer le polynôme Ai en t P R donné par Ai ptq “
p1 ´ 2L1i pxi qpt ´ xi qqL2i ptq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.4 Fonction polyB permettant de calculer le polynôme Bi en t P R donné par Bi ptq “
pt ´ xi qL2i ptq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.5 Fonction polyL permettant de calculer le polynôme Li en t P R donné par Li ptq “
źn
t ´ xj
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
B.4. LISTE DES ALGORITHMES
j“0,j‰i i
x ´ xj
ÿn
1
4.6 Fonction polyLp permettant de calculer L1i pxi q “ . . . . . . . . . . . . . 142
k“0,k‰i i
x ´ xk
5.1 Fonction WeightsFromPoints retournant le tableau des poids w associé à un tableau de
points x donnés (points 2 à 2 distincts) appartenant à un intervalle ra, bs. . . . . . . . . . 156
5.2 Fonction WeightsPointsNC retournant le tableau de points x donnés correspondant à la
discrétisation régulière intervalle ra, bs. et le tableau des poids řn w associé à un . . . . . . . 165
5.3 Fonction QuadElemGen retourne la valeur de I “ pb ´ aq j“0 wj f pxj q. . . . . . . . . . 166
řn
5.4 Fonction QuadElemGen retourne la valeur de I “ pb ´ aq j“0 wj f pxj q où les poids wi
et les points xi sont ceux définis par la formule de quadrature élémentaire de Newton-Cotes 166
5.5 Fonction GaussLegendre retournant le tableau des points t et le tableau des poids w . . 175
şb
5.6 Fonction QuadElemGaussLegendre retournant une approximation de a f pxqdx en util-
isant la formule de quadrature de Gauss-Legendre à n ` 1 points sur l’intervalle ra, bs. . . 175
5.7 Fonction QuadSimpson retourne une approximation de l’intégrale d’une fonction f sur
l’intervalle rα, βs utilisant la méthode de quadrature composée de Simpson en minimisant
le nombre d’appels à la fonction f. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Compiled on 2022/09/15 at 10:51:48

LISTE DES ALGORITHMES 237
A.1 Exemple de boucle «pour» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

A.2 Exemple de boucle «tant que» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.3 Exemple de boucle «répéter ...jusqu’à» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.4 Exemple d’instructions conditionnelle «si» . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.5 Exemple de fonction
řn : Résolution de l’équation du premier degré ax ` b “ 0. . . . . . . . 191
A.6 Calcul de S “ k“1 k sinp2kxq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
źk
A.7 Calcul de P “ sinp2kz{nqk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
n“1
A.8 En-tête de la fonction SFT retournant valeur de la série de Fourier en t tronquée au n
premiers termes de l’exercice A.2.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
A.9 Fonction SFT retournant la valeur de la série de Fourier en t tronquée au n premiers termes
de l’exercice A.2.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196

B.LISTE DES ALGORITHMES
B.4.LISTE DES ALGORITHMES
Compiled on 2022/09/15 at 10:51:48

Index
K, 200 adjointe, 202

det pAq, 205 bande, 207
impAq, 203 bloc, 207
kerpAq, 203 bloc-carrée, 208
rankpAq, 203 diagonale, 206
Mm,n , 201 diagonale dominante, 207
Sp pAq, 206 diagonale par blocs, 208
ρpAq, 206 diagonale strictement dominante, 207
tr pAq, 204 diagonalisable, 213
définie positive, 204
adjointe, 202 déterminant, 205
elément propre, 205
base, 200
hermitienne, 203
base orthogonale, 201
identitée, 202
demi largeur de bande, 207 inverse, 203
diagonale, 206 inversible, 202
diagonale dominante, 207 matrice de passage..., 213
diagonale strictement dominante, 207 normale, 204
diagonalisable, 213 norme, 98, 210
déterminant, 205 orthogonale, 204
pentadigonale, 207
elément propre, 205 permutation, 204
espace vectoriel normé, 97, 209 polynôme caractéristique, 205
rayon spectrale, 206
groupe des permutations, 204 régulière, 202
semi définie positive, 204
hermitienne, 203 singulière, 202
sous matrice, 207
identitée, 202
sous matrice principale, 207
inverse, 203
sous-espace propre, 205
inversible, 202
spectre, 206
Inégalité de Cauchy-Schwarz, 97
Inégalité de Hölder, 97, 210 symétrique, 203
trace, 204
Kronecker, 201 transposée, 202
triangulaire, 206
matrice triangulaire inférieure, 206
INDEX 239
triangulaire par blocs, 208 transposé, 200

triangulaire supérieure, 206 vecteur propre, 205
tridiagonale, 207 vecteurs
unitaire, 204 ensemble de vecteurs orthonormal, 201
valeur propre, 205 orthogonaux, 200
vecteur propre, 205 produit scalaire de, 200
matrice:image, 203
matrice:noyau, 203
matrice:rang, 203
matrices
produit de, 202
normale, 204
norme
invariance par transformation unitaire, 100, 211
matricielle non subordonnée, 102, 212
matricielle subordonnée, 98, 211
vectorielle, 97, 209

norme matricielle, 98, 210
normes
équivalentes, 97, 210
opérateur de projection, 201

orthogonale, 204
orthogonaux (vecteurs), 200
orthonormal, 201
permutations, 204
polynôme caractéristique, 205
produit, 202
produit scalaire, 200
projection orthogonale:matrice, 201
projection orthogonale:opérateur, 201
B.INDEX
rayon spectral, 206
régulière, 202
singulière, 202
sous matrice, 207
sous matrice principale, 207
sous-espace propre, 205
spectre, 206
symetrique, 203
trace d’une matrice, 204

transposée, 202
triangulaire, 206
triangulaire inférieure, 206
triangulaire supérieure, 206
B.4.INDEX
unitaire, 204
valeur propre, 205

multiplicité algébrique, 206
multiplicité géométrique, 205
vecteur
adjoint, 200
colonne, 200
convergence, 103, 213
ligne, 200
orthogonal à une partie, 200
Compiled on 2022/09/15 at 10:51:48

Bibliography
[1] P.G. Ciarlet. Introduction à l’analyse numérique matricielle et à l’optimisation. DUNOD, 2006.
[2] M. Crouzeix and A.L. Mignot. Analyse numérique des équations différentielles. Mathématiques
appliquées pour la maîtrise. Masson, 1992.
[3] J.-P. Demailly. Analyse numérique et équations différentielles. Grenoble Sciences. EDP Sciences,
2006.
[4] J.P. Demailly. Analyse Numérique et Equations Différentielles. PUG, 1994.
[5] W. Gander, M.J. Gander, and F. Kwok. Scientific computing : an introduction using Maple and
MATLAB. Springer, Cham, 2014.
[6] T. Huckle. Collection of software bugs http://wwwzenger.informatik.tu-

muenchen.de/persons/huckle/bugse.html.
[7] P. Lascaux and R. Théodor. Analyse numérique matricielle appliquée à l’art de l’ingénieur. Number
vol. 1 et 2 in Analyse numérique matricielle appliquée à l’art de l’ingénieur. Dunod, 2004.

AnaNumI_15-09-2022_small

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

AnaNumI_15-09-2022_small

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

AnaNumI_15-09-2022_small

Transféré par

Droits d'auteur :

Formats disponibles

Analyse numérique élémentaire

1 Représentation des nombres en machine, erreurs d’arrondis 1

2 Résolution de systèmes non linéaires 13

3 Résolution de systèmes linéaires 55

3.1.3 Méthode de Gauss-Jordan, écriture matricielle . . . . . . . . . . . . . . . . . . . . 68

5 Intégration numérique 149

5.1 Méthodes de quadrature élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

5.1.4 Formules élémentaires de Gauss-Legendre . . . . . . . . . . . . . . . . . . . . . . . 167

5.2.2 Erreurs des méthodes de quadrature composées . . . . . . . . . . . . . . . . . . . . 180

A Langage algorithmique 187

Compiled on 2022/09/15 at 10:51:48

B.2.5 Suites de vecteurs et de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

Compiled on 2022/09/15 at 10:51:48

1.1 Un exemple : calcul approché de π

que l’on peut réécrire

Figure 1.1: Quadrature du cercle

Algorithme 1.1 Algorithme de calcul de π, version naïve

1.2 Représentation scientifique des nombres dans différentes

1.2.1 Partie entière, mantisse et exposant

Compiled on 2022/09/15 at 10:51:48

1.2.1 Partie entière, mantisse et exposant

1. Représentation des nombres en machine, erreurs d’arrondis

1.2.Représentation scientifique des nombres dans différentes bases

Représentation d’un nombre en machine : nombres flottants

Compiled on 2022/09/15 at 10:51:48

• le nombre de chiffres t dans la mantisse (en base b),

• l’exposant minimal L et maximal U .

Figure 1.3: Nombres positifs de F dans le cas t “ 3, L “ ´1, U “ 2

Compiled on 2022/09/15 at 10:51:48

1.3.1 Simple précision

1. Représentation des nombres en machine, erreurs d’arrondis

• Le plus grand nombre machine

x̃max “ 9.999999999 ˆ 10`99

• Le plus petit nombre machine

1.3.Nombres flottants : le système IEEE 754

• Le plus petit nombre machine strictement positif

x̃` “ 1.000000000 ˆ 10´99

1.3 Nombres flottants : le système IEEE 754

Compiled on 2022/09/15 at 10:51:48

1.3.1 Simple précision

Table 1.2: Représentation en simple précision

Table 1.3: Représentation en simple précision

x̃ signe exposant e mantisse m valeur

Table 1.4: Exemples en simple précision

Compiled on 2022/09/15 at 10:51:48

1.3.2 Double précision

Table 1.5: Représentation en double précision

1.4.1 Erreurs d’arrondi

Table 1.6: Représentation en double précision

1. Représentation des nombres en machine, erreurs d’arrondis

1.4.Nombres flottants : le système IEEE 754

Compiled on 2022/09/15 at 10:51:48

1.4 Calculs sur les nombres flottants

1.4.1 Erreurs d’arrondi

L’erreur relative entre ces nombres (si x ‰ 0) est définie par

l’opération de l’ordinateur (flop ).

1.4.4 Erreurs d’annulation

Compiled on 2022/09/15 at 10:51:48