Documente Academic
Documente Profesional
Documente Cultură
Analyse Numrique
Cours, 2eme anne licence mathmatiques
Karima MEBARKI1 .
Introduction vii
I Analyse numrique I 1
1 Notions sur les erreurs 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Erreurs absolue et relative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Erreur absolue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Erreur relative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Majorants des erreurs absolue et relative . . . . . . . . . . . . . . . . . . . . . 4
1.3 Reprsentation dcimale des nombres approchs . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Chire signicatif (c.s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Chire signicatif exact (c.s.e) . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Troncature et arrondissement d'un nombre . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Propagation des erreurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 Erreurs d'une addition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2 Erreurs d'une soustraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.3 Erreurs d'une multiplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.4 Erreurs d'une division . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.5 Erreurs d'une puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Interpolation polynomiale 11
2.1 Position du problme d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Dirences divises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2 Polynme d'interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3 Cas particulier : points quidistants . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Erreur d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Interpolation de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Evaluation des polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.1 Cas d'un polynme quelconque . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.2 Cas d'un polynme d'interpolation de Newton . . . . . . . . . . . . . . . . . . 23
2.6.3 Cas d'un polynme d'interpolation de Lagrange . . . . . . . . . . . . . . . . . 24
2.7 Complment du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.1 Interpolation d'Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.2 Meilleur choix de points d'interpolation et polynmes de Tchebychev . . . . . 27
iii
iv TABLE DES MATIRES
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Intgration numrique 41
4.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Formules de Newton-Ctes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.1 Mthode des trapzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.2 Mthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Formules de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Complment du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Drivation numrique 53
5.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Approximation de la drive premire . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1 Formules deux points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Formules trois points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.3 Approximation de la drive seconde . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.4 Approximation des drives d'ordre suprieur . . . . . . . . . . . . . . . . . . 56
5.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
II Analyse Numrique II 59
6 Rsolution des systmes linaires 61
6.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2 Mthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.1 Systmes particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.2.2 Mthode d'limination de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.2.3 Problme pos par la (quasi) annulation des pivots . . . . . . . . . . . . . . . 67
6.2.4 Mthode de la dcomposition LU . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.2.5 Mthode de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2.6 Mthode de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Mthodes itratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.3.1 Matrice d'itration et les conditions de convergence . . . . . . . . . . . . . . . 75
6.3.2 Principales mthodes itratives . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
TABLE DES MATIRES v
L'intrt, en analyse numrique, est -entre autres objectifs- de mettre au point des algorithmes de
complexit polynmiale.
En gnral, an de choisir le meilleur algorithme possible, il faut choisir l'algorithme :
1. le moins coteux possible en place mmoire,
2. le moins coteux possible en temps de calcul : c'est dire celui qui a de complexit polynmiale.
3. le plus stable possible : c'est dire le moins sensible aux erreurs d'arrondi,
4. le plus prcis possible : c'est dire celui qui permet d'estimer l'erreur.
vii
viii INTRODUCTION
Ce cours est dispens depuis 2009 aux tudiants de 2eme anne licence mathmatiques de l'univer-
sit Abderrahmane Mira de Bjaia. Il a pour objectif de prsenter aux tudiants une varit d'outils
numriques (algorithmes) permettant la rsolution eective d'un certain nombre de problmes. Les
chapitres de ce cours sont illustrs par des exemples d'applications, et une srie d'exercices est pro-
pose la n de chacun d'entre eux. La plupart de ces exercices taient proposs lors des sances de
travaux dirigs ou des preuves de moyenne dure.
Ce cours se compose de neuf chapitres. Il est divis en deux parties couvrant le programme des
modules d'analyse numrique I et analyse numrique II destins aux tudiants de 2eme anne licence
mathmatiques. Particulirement, ce cours traite les sujets suivants :
Notions sur les erreurs,
Interpolation et approximation polynomiale,
Intgration et drivation numriques,
Rsolution des systmes linaires,
Rsolution des quations non linaires,
Calcul des valeurs et vecteurs propres,
Rsolution des quations direntielles ordinaires.
Enn merci de me communiquer toute erreur ventuelle dans le fond ou dans la forme de ce premier
essai.
Bibliographie
1. Cours de licence de Mathmatiques d'Analyse Numrique de N. Akroune (Universit Abder-
rahmane Mira, Bjaia).
2. Cours de licence de Mathmatiques d'Analyse Numrique de S. Salmon (Universit Louis Pas-
teur, Strasbourg).
3. Cours d'Analyse Numrique de P. Goatin (Universit du Sud Toulon-Var, France).
4. Analyse numrique pour ingnieurs (Deuxime dition). Auteur : Andr Fortin, Editeur :
Presses internationales Polytechnique.
5. Introduction aux mthodes numriques (Deuxime dition). Auteur : Franck Jedrzejewski, Edi-
teur : Springer-Verlag France, Paris 2005.
Premire partie
Analyse numrique I
1
Chapitre 1
Notions sur les erreurs
1.1 Introduction
En gnral, la rsolution des problmes scientiques passe par une reprsentation mathmatique
des phnomnes mis en jeu. Ces phnomnes sont en gnral compliqus et multiples. Pour les
reprsenter, on est amen ngliger certains paramtres et simplier d'autres. Mme avec ces
simplications, les quations obtenues sont souvent insolubles par les mthodes analytiques connues.
Par exemple, on ne sait pas trouver analytiquement, la solution des quations x5 + 3x4 + 7x + 8 =
0, x = ex , sin x + ex = 0, ...etc.
C'est ici que l'analyse numrique se distingue des autres champs plus classiques des mathma-
tiques. En eet, pour un problme donn, il est possible d'utiliser dirents algorithmes de rsolution.
Ces algorithmes dpendent de certains paramtres qui inuent sur la prcision du rsultat. De plus,
on utilise en cours de calcul des approximations plus ou moins prcises. Par exemple, on peut rem-
placer une drive par une dirence nie de faon transformer une quation direntielle en une
quation algbrique. Le rsultat nal et son degr de prcision dpendent des choix que l'on fait.
Une partie importante de l'analyse numrique consiste donc contenir les eets des erreurs ainsi
introduites, qui proviennent de trois sources principales :
les erreurs de modlisation ;
les erreurs de reprsentation sur ordinateur ;
les erreurs de troncature.
Ce chapitre traite principalement des erreurs numriques. La premire source d'erreurs dans
les calculs faits par un ordinateur provient d'abord des erreurs d'arrondi sur les donnes, puis des
oprations eectues sur les donns. Il devrait donc permettre au lecteur de mieux grer les erreurs
au sein des processus numriques an d'tre en mesure de mieux interprter les rsultats.
x ' x ou x x .
Si x > x, x est dite valeur approche par excs.
Si x < x, x est dite valeur approche par dfaut.
3
4 CHAPITRE 1. NOTIONS SUR LES ERREURS
2
' 0, 6666, ' 3, 14,
Exemples : 3 5 ' 2, 23, sont des approximations par dfaut mais e ' 2, 72
est une approximation par excs.
|xx | (x)
r(x) = |x|
= |x|
= 0.5 102 = 0.5%,
|yy | (y)
r(y) = |y|
= |y|
= 5 102 = 5%.
Ainsi, bien que les erreurs absolues soient gales, x est une approximation 10 fois plus prcise pour
x que y l'est pour y.
Remarque 1.1. 1. Plus x est petit, plus l'approximation x est prcise. D'o, en pratique, on
prend le plus petit x possible.
x
2. Comme x ' x , en pratique on prend rx ' qui est un majorant de l'erreur relative de x
|x |
et on crit x = x |x | rx .
3. A dfaut de l'erreur absolue (l'erreur relative) eective, x (rx ) est appel par abus de langage,
erreur absolue (erreur relative) de x .
Exemple 1.3. 5406, 3080 = 5.103 + 4.102 + 0.101 + 6.100 + 3.101 + 0.102 + 8.103 + 0.104
= 3.14159265358... = 3.100 + 1.101 + 4.102 + 1.103 + 5.104 + ... + 5.1010 + 8.1011 + ...
68
3
= 2.101 + 2.100 + 6.101 + 6.102 + 6.103 + 6.104 + ....
Remarque 1.2. Dans la pratique, les nombres utiliss x ont des reprsentations dcimales limites
(car, en gnral, ce sont des nombres approchs).
0.003|{z}
|{z} 0 1|{z}
0
(1) (2) (3)
(1) : Ne sont pas signicatifs car ils ne servent qu' indiquer les rangs des autres chires.
(2) : Etant plac entre les chires signicatifs 1et 3, zro est lui mme un chire signicatif.
(3) : Ce zro traduit le fait que le nombre approch a conserv la dcimale 106
est un chire signicatif.
Exemple 1.5. Les valeurs approches x = 0.0301009 , 400357 ont 6 chires signicatifs (6 c.s.).
2. Sur un ordinateur, les nombres sont reprsents en virgule ottante comme suit :
soit x un rel non nul, en virgule ottante x s'crit sous la forme :
avec bN est la base, a = 0.a1 ...aN que l'on appelle la mantisse, 0 ai < b, a1 6= 0, E Z,
l'exposant compris entre deux entiers m et M (m E M ) et N N le nombre de chires
signicatifs.
Dnition 1.5.
(importante) On dit que les n premiers chires signicatifs d'un nombre x sont
exacts si l'erreur absolue de ce nombre ne dpasse pas la moiti du rang du n
me chire signicatif.
c'est dire
1
x 10mn+1 .
2
rx 5.10n .
Exercice 1.1. Donner une borne suprieure de l'erreur absolue et estimer l'erreur relative, si tous
les chires signicatifs des nombres approchs suivants sont exacts.
Proprits
a. Si un chire signicatif est exact, tous les chires sa gauche sont exacts.
b. Si un chire n'est pas exact, tous ceux sa droite ne les sont pas.
Exemple 1.6. Soit x = 35.97 et x = 36.00, ici m=1 car x = 3.101 + 6.100 + 0.101 + 0.102 .
Remarque 1.4. La notion de chire signicatif exact est purement mathmatique, elle ne veut pas
dire que les n premiers c.s. de x concident avec les n premiers c.s. de x; l'exemple ci-dessus l'illustre
bien.
1.4. TRONCATURE ET ARRONDISSEMENT D'UN NOMBRE 7
Remarque 1.5.
1. On n'arrondit que le rsultat nal, jamais les rsultats intermdiaires.
2. Un rsultat nal n'a jamais plus de prcision que la prcision des donnes.
Dnition 1.6. On appelle la borne suprieure de l'erreur d'arrondi du nombre approch le nombre
not arr vriant
arr 0, 5 10mn+1 .
aprs l'arrondissement de la valeur approche de x on aura
x = xarr [x + arr ] .
x = xarr 2x,
Exercice 1.2. Arrondir les nombres suivants 4 c.s.e. et indiquer l'erreur absolue d'arrondi : x1 =
33, 789, x2 = 0, 00489001, x3 = 199993, 99, x4 = 0, 0346750060, x5 = 89765, 5000, et x6 =
9, 007500.
x x x x + x et y y y y + y. Donc
a)
(x + y ) (x + y) x + y (x + y ) + (x + y)
c'est dire (x + y) est l'erreur absolue de x + y, d'o (x + y) = x + y.
b)
x+y
rx+y = x +y
x x y y
= x x +y
+ y x +y
x y
= rx .1 + ry .2 , (1 = x +y
> 0, 2 = x +y
> 0 et 1 + 2 = 1)
(1 + 2 ) max(rx , ry ) max(rx , ry ).
| {z }
=1
Dmonstration. Exercice.
Remarque 1.6. La soustraction est l'opration qui fait perdre le plus de prcision.
( x y) x + y
r(xy) =
= ) = 10, 1.102 = 10, 1%.
|x y | |x y |
On remarque que x et y sont 101 fois plus prcis pour x et y (respectivement) que x y l'est pour
x y.
1.5. PROPAGATION DES ERREURS 9
x x x x + x et y y y y + y.
x y [x y + y x] xy x y [x y + y x].
b)
(xy) x y + y x x y
r(xy) =
=
= +
xy xy x y
Dmonstration. Exercice.
10 CHAPITRE 1. NOTIONS SUR LES ERREURS
1.6 Exercices
Exercice 1.3. Soit H la hauteur d'un barrage. Sa valeur mesure h est 74, 260m. Si l'erreur relative
commise sur h est de 0, 3, trouver a, b tels que a H b.
Exercice 1.4. Avec combien de c.s.e. faut-il calculer e 2
pour que l'erreur relative ne dpasse pas
1%?
1
Exercice 1.5.
p
R 3
On dsire approcher I = 0 f (t) dt, o f (t) = t et p N , par la surface S du
1 1 1
triangle de sommets A(0, 0), B( p , 0), C( p , f ( p )). Dterminer la valeur minimale de p pour que
2 4
l'erreur absolue d'approximation ne dpasse pas = 10 puis = 10 .
x2 1634x + 2 = 0. (1.1)
1. Rsoudre l'quation (1.1) en eectuant les calculs avec N = 10 chires signicatifs. (Utiliser le
discriminant)
2. Commenter le rsultat obtenu et proposer une autre mthode de calcul pour contourner le pro-
blme pos.
x = 8, 22 y = 0, 00317 z = 0, 00432.
1. Reprsenter les nombres x, y et z avec virgule ottante.
2. En eectuant les calculs avec N = 3 c.s, calculer la somme x + y + z en faisant :
i) (x + y) + z;
ii) x + (y + z).
3. Commenter les rsultats obtenus. Conclure.
Exercice 1.8.
On veut calculer la surface d'un disque S = R2 o R = 2, 3400, = 3, 1416.
En admettant que tous les chires de R et sont exacts.
Exercice
q 1.10. Soit T la priode des petites oscillations du pendule qui est donne par
l
T = 2 g
o l est la longueur du pendule et g la gravit. Supposons que les mesures faites sur T et
Exemple 2.1. En physique, on mesure exprimentalement la temprature d'un objet qui refroidit au
cours du temps. On obtient une suite de valeurs dirents temps ti . On cherche alors tracer la
courbe de refroidissement la plus proche possible des points mesurs, et ainsi estimer des valeurs
de la fonction en des points non mesurs.
Les fonctions les plus faciles valuer numriquement sont les polynmes. Il est donc important
de savoir approximer une fonction arbitraire par des polynmes.
L'interpolation polynomiale consiste chercher la fonction F sous forme d'un polynme. C'est ce
cas qu'on va s'intresser dans ce chapitre.
Proposition 2.1. Si les xi sont tous distincts alors il existe un unique polynme Pn de degr infrieur
ou gal n vriant
Pn (xi ) = yi , i = 0, . . . , n.
Pn (x) = a0 xn + a1 xn1 + . . . + an .
a0 xn0 + a1 xn1
0 + . . . + an = y 0
n1
n
a x + a x + . . . + an = y 1
0 1 1 1
.
(S)
.
.
n n1
a0 x n + a1 x n + . . . + an = y n ,
11
12 CHAPITRE 2. INTERPOLATION POLYNOMIALE
(c'est le dterminant de Vandermonde). On a 6= 0, car les xi , sont tous distincts. Donc, le systme
(S) admet une et une seule solution (a0 , a1 , . . . , an ), d'o le polynme d'interpolation existe et il est
unique.
Exercice 2.1. f (x) = x4 2x3 + x. Parmi les
Soient la fonction polynmes suivants quel est celui
qui interpole f aux points d'abscisses x0 = 1, x1 = 0 et x2 = 2 :
P1 (x) = 2x4 x2 x, P2 (x) = x2 + x + 1,
P3 (x) = x3 3x, P4 (x) = x2 x.
Remarque 2.1. Dans le cas gnral, on montre que la rsolution du systme plein (S), permettant
le calcul des coecients du polynme d'interpolation, ncessite un nombre d'oprations en O(n3 ). On
utilisera plutt d'autres mthodes, moins coteuses en nombre d'oprations, ds que n devient grand.
Par exemple, l'utilisation des polynmes de Lagrange, prsente ci-dessous, ncessite un nombre
2
d'oprations en O(n ) (voir la section 2.6).
Passant la rsolution du problme gnral qui consiste former Pn vriant les conditions
indiques plus haut. Ce polynme est de la forme :
n
X
Pn (x) = yi Li (x).
i=0
On a bien
1. deg(Pn ) n,
n n
2. Pn (xj ) =
P P
yi Li (xj ) = yi ij = yj , j = 0, 1, . . . , n.
i=0 i=0
Par unicit, le polynme Pn est le polynme cherch. Il s'appelle le polynme d'interpolation de
Lagrange1 qui interpole les points (xi , yi ), i = 0, . . . , n.
Exemple 2.2. Dterminer le polynme d'interpolation P3 de la fonction f dont on connait les valeurs
suivantes :
xi 0 1 3 4
f (xi ) 1 3 0 5
3
X
P3 (x) = f (xi )Li(x) = L0 (x) + 3L1 (x) + 5L3 (x)
i=0
o
(xx1 )(xx2 )(xx3 ) 1
L0 (x) = (x0 x1 )(x0 x2 )(x0 x3 )
= 12 (x 1)(x 3)(x 4),
(xx0 )(xx2 )(xx3 )
L1 (x) = (x1 x0 )(x1 x2 )(x1 x3 )
= 61 x(x 3)(x 4),
(xx0 )(xx1 )(xx2 ) 1
L3 (x) = (x3 x0 )(x3 x1 )(x3 x2 )
= 12 x(x 1)(x 3).
1
Donc, P3 (x) = 12 (x 1)(x 3)(x 4) + 12 x(x 3)(x 4) + 5
12
x(x 1)(x 3).
Remarque 2.2. 1. La formule de Lagrange est intressante du point de vue numrique, car elle ne
dpend que des abscisses xi , i = 0, 1, . . . , n. Soit calculer plusieurs polynmes d'interpolation
o les abscisses correspondant ces polynmes restent xs (il n'y a que les points yi , i =
0, 1, . . . , n qui changent). Les polynmes Li , i = 0, 1, . . . , n sont calculs une fois pour toute et
servent ensuite pour tous les polynmes.
Dmonstration. Soit x [a, b]. D'aprs la dnition des dirence divises on peut crire :
f (x) f (x0 )
[x0 , x] =
x x0
alors,
f (x) = f (x0 ) + [x0 , x](x x0 ),
puis
[x0 , x] [x0 , x1 ]
2 [x0 , x1 , x] = 2 [x1 , x0 , x] =
x x1
d'o,
f (x) = f (x0 ) + [x0 , x1 ](x x0 ) + 2 [x0 , x1 , x](x x0 )(x x1 ).
En continuant ainsi on obtient la formule des dirences divises, on aura donc
k
X
k
f (xi ) = (1)j Ckj f (xi+kj ), k = 0, . . . , n, i = 0, . . . , n k.
j=0
Dmonstration. Exercice.
Solution : Posons xi = i, i = 0, 1, 2, 3. Remarquons que les points donns sont quidistants avec
le pas d'interpolation h = 1, alors sous la forme de Newton progressive, le polynme d'interpolation
de f est donn par :
18 CHAPITRE 2. INTERPOLATION POLYNOMIALE
f (x0 ) 2 f (x ) 3 f (x )
P3 (x) = f (x0 ) + h
(x x0 ) + 2!h 2
0
(x x0 )(x x1 ) + 3!h 3
0
(x x0 )(x x1 )(x x2 ).
Le calcul des dirences nies progressives se fait comme suit :
n
X t(t 1) . . . (t k + 1)
Pn (t) = f (x0 ) + k f (x0 ).
k=1
k!
Dmonstration. Exercice.
k
X
k
f (xi ) = (1)j+1 Ckj f (xik+j ), k = 0, . . . , n, i = k, . . . , n.
j=0
2.3. INTERPOLATION DE NEWTON 19
Dmonstration. Exercice.
Le lemme suivant donne la relation entre les dirences nies (non divises) rgressives et les
dirences divises :
Lemme 2.2.
j f (xi+j )
= j [xi , xi+1 , . . . , xi+j ], j = 1, n, i = 0, n 1.
j! hj
Exemple 2.5. On considre la mme fonction donne dans l'exemple 2.4. Dterminer le polynme
d'interpolation de la fonction f en x3 = 3, x2 = 2, x1 = 1, x0 = 0 sous la forme de Newton rgressive.
Solution : Ce polynme s'crit :
f (x3 ) 2 f (x3 ) 3 f (x3 )
P3 (x) = f (x3 ) + (x x3 ) + (x x 3 )(x x 2 ) + (x x3 )(x x2 )(x x1 ).
h 2!h2 3!h3
n
X t(t + 1) . . . (t + k 1)
Pn (t) = f (xn ) + k f (xn ).
k=1
k!
Dmonstration. Exercice.
20 CHAPITRE 2. INTERPOLATION POLYNOMIALE
Cette formule gnrale peut tre modie lorsque la fonction f est (n + 1) fois continument drivable
sur l'intervalle [a, b], qui est le plus petit intervalle contenant les xi , i = 0, n, f C n+1 ([a, b]).
Thorme 2.2. Si f C n ([a, b]), (n + 1) fois drivables sur ]a, b[. Alors
n
f (n+1) () Y
x [a, b], = (x) [a, b]/ E(x) = (x xi ).
(n + 1)! i=0
f (n+1) ()
x [a, b], = (x) [a, b]/ n+1 [x0 , x1 , . . . , xn , x] = .
(n + 1)!
On considre sur [a, b] le fonction g dnie par :
n
Y
g(t) = f (t) Pn (t) (t xi ) n+1 [x0 , x1 , . . . , xn , x].
i=0
La fonction g s'annule pour t {x0 , x1 , . . . , x}, donc g C n+1 ([a, b]) et s'annule au moins en (n + 2)
points dans [a, b]. Alors, d'aprs le thorme de Rolle3 , g 0 C n ([a, b]) et s'annule au moins en (n + 1)
points dans [a, b], g (k) a au moins (n k + 2) racines dans [a, b] avec 0 k n + 1, et pour
k = n + 1, g (n+1) a au moins une racine dans [a, b].
Notons par cette racine de g (n+1) , on a
(n+1)
g () = 0,
g (n+1) (t) = f (n+1) (t) 0 (n + 1)! n+1 [x0 , x1 , . . . , xn , x],
car
n+1 P (t)
d dtn+1
n
= 0, (deg(Pn ) n),
n n
dn+1 ( dn+1 ( tn+1 +Qn (t))
Q Q
n (txi ))
(t xi ) = tn+1 + Qn (t)
Q
i=0
dtn+1
= i=0
dtn+1
= (n + 1)!,
i=0
donc f (n+1) () (n + 1)! n+1 [x0 , x1 , . . . , xn , x] = 0, d'o
f (n+1) ()
n+1 [x0 , x1 , . . . , xn , x] =
(n + 1)!
|ab|n+1
2. Estimation grossire : |f (x) Pn (x)| (n+1)!
kf (n+1) k , x [a, b].
En conclusion, plus f est rgulire, moins l'erreur est grande.
3. Dans la pratique, f est rarement connue, et quand elle l'est, son appartenance C n+1 ([a, b])
n'est pas toujours ralise, et fortiori si le nombre (n + 1) de points (xi , yi )i=0,n est grand !.
6. Pratiquement, on peut montrer qu'il existe un choix optimal des points xi qui permet de mini-
miser l'erreur d'approximation. Ce choix optimal est de prendre pour points d'interpolation les
zros d'un certain polynme de Tchebychev (voir section 2.7).
Le lemme suivant donne la relation entre les trois dirences nies (non divises) :
Dmonstration. exercice.
x0 , x1 , x1 , x2 , x2 , . . . , xn , xn .
x0 , x1 , x1 , x2 , x2 , . . . , xn , xn .
Remarque 2.7. Soit une table des points (xi )iN . An d'avoir une bonne approximation de f en
x [min xi , max xi ],
1. la formule de Newton progressive est adapte au dbut de la table,
T0 (x) = an
a) Montrer que
i) deg(Hi ) = deg(Ki ) = 2n + 1, i {0, 1, . . . , n}.
si j = i;
ii) Hi (xj ) = 1, 0, si j 6= i,
Ki (xj ) = 0, i, j {0, 1, . . . , n}.
si j = i;
ii) Ki (xj ) = 1,
0
0, si j 6= i,
Hi0 (xj ) = 0, i, j {0, 1, . . . , n}.
b) En dduire que
n
X
P2n+1 (x) = [yi Hi (x) + zi Ki (x)] (2.5)
i=0
c) Montrer que P2n+1 donn dans (2.5) est le seul polynme de P2n+1 qui satisfait (2.4).
2. On pose f C 2n+1 ([a, b]), drivable (2n + 2) fois sur ]a, b[. Montrer que x [a, b], ]a, b[
tel que
n
f (2n+2) () Y
E(x) = f (x) P2n+1 (x) = (x xi )2 .
(2n + 2)! i=0
o
n
Y (x xj )
Li (x) = .
(x i xj )
j=0, j6=i
si j = i;
1,
a) Pour tout i {0, 1, . . . , n}, on a deg(Li ) = n et Li (xj ) =
0, si j 6= i.
Alors
Hi (xi ) = [Li (xi )]2 [1 2L0i (xi )(xi xi )] = [Li (xi )]2 = 1,
Ki0 (xi ) = 2L0i (xi )Li (xi )(xi xi ) + [Li (xi )]2 = [Li (xi )]2 = 1,
Ki0 (xj ) = 2L0i (xj )Li (xj )(xj xi ) + [Li (xj )]2 = 0, si j 6= i.
n
b) Posons P2n+1 (x) = [yi Hi (x) + zi Ki (x)] . D'aprs la question prcdente, on aura
P
i=0
i) deg(P2n+1 ) 2n + 1, c'est vident car (deg(Hi ) = deg(Ki ) = 2n + 1),
n
ii) P2n+1 (xj ) = [yi Hi (xj ) + zi Ki (xj )] = yj Hj (xj ) = yj , j {0, 1, . . . , n},
P
i=0
n
iii) 0
[yi Hi0 (xj ) + zi Ki0 (xj )] = zj Kj0 (xj ) = zj , j {0, 1, . . . , n}.
P
P2n+1 (xj ) =
i=0
c) On suppose qu'il existe un autre polynme de degr au plus 2n + 1, not Q2n+1 , vriant
Q2n+1 (xi ) = yi et Q02n+1 (xi ) = zi , i {0, 1, . . . , n}.
Posons R2n+1 = P2n+1 Q2n+1 , on obtient
La fonction s'annule pour t {x0 , x1 , . . . , xn , x}, donc C 2n+2 ([a, b]) et s'annule au moins
(n + 2) fois dans [a, b]. Alors, d'aprs le thorme de Rolle a au moins (n + 1) racines dans
]a, b[ direntes de x0 , x1 , . . . , xn . De plus on 0 (xi ) = 0, i {0, 1, . . . , n}, donc 0 a au moins
(2n + 2) racines dans ]a, b[. En appliquant le thorme de Rolle (2n + 2) fois la fonction
sur [a, b], on trouve (2n+2) a au moins une racine = (x) ]a, b[.
Par suite on aura
(2n+2)
() = 0,
(2n+2)
(t) = f (2n+2) (t) 0 f (x)P
n
2n+1 (x)
(2n + 2)!,
(xxi )2
Q
i=0
2.7. COMPLMENT DU COURS 27
car
2n+2
d dtP2n+2
2n+1 (t)
= 0, (deg(P2n+1 ) 2n + 1),
n
(t xi )2 = t2n+2 + S2n+1 (t), avec S2n+1 P2n+1 .
Q
i=0
D'o, x [a, b], ]a, b[:
n
f (2n+2) () Y
E(x) = f (x) P2n+1 (x) = (x xi )2 .
(2n + 2)! i=0
1 1 3 1 1 4 3
f ( ) ' P1 ( ) = avec |f ( ) P1 ( )| = | | = 0, 05
2 2 4 2 2 5 4
et
1 1 13 1 1 4 13
f ( ) ' P3 ( ) = avec |f ( ) P3 ( )| = | | = 0, 0125 < 0.05.
2 2 16 2 2 5 16
Donc, la approximation la plus prcise de f ( 2 ) est celle obtenue par l'interpolation de
1
Hermite.
An de dterminer, pour n donn, la subdivision {x0 , x1 , . . . , xn } de [a, b] pour laquelle la quantit
Tn : [1, 1] R
x 7 Tn (x) = cos(n arccos x)
4. a) Soit {x0 , . . . , xn } une subdivision de l'intervalle [1, 1]. Montrer que max |(x x0 )(x
x[1,1]
x1 ) . . . (x xn )| est minimal si et seulement si
(2k + 1)
xk = cos( ), k = 0, . . . , n.
2(n + 1)
5. Quels subdivision {x0 , . . . , xn } faut-il choisir si l'intervalle d'interpolation est l'intervalle [a, b]?
Commenter l'erreur d'interpolation.
Indication : utiliser le changement de variable xk = a+b 2
+ ab
2
xk .
Solution :
Pour tout n N, on dnit les polynmes de Tchebychev par :
Tn : [1, 1] R
x 7 Tn (x) = cos(n arccos x)
2.7. COMPLMENT DU COURS 29
1. a) Posons x = cos , alors arccos x = ce qui implique que Tn (x) = cos(n), n N. D'autre
part, les formules d'addition des fonctions trigonomtriques donnent :
b)
T0 (x) = cos(0) = 1,
T1 (x) = cos(arccos x) = x,
T2 (x) = 2xT1 (x) T0 (x) = 2x2 1.
c) Le degr de Tn et le coecient de xn s'obtiennent par rcurrence.
2. Montrer que :
i) |Tn (x)| = | cos(n arccos x)| 1 pour tout x [1, 1].
ii) Tn (cos( kn )) = cos(n arccos(cos( kn ))) = cos(k) = (1)k ,
k = 0, 1, . . . , n.
C'est dire Tn atteint son extremum sur l'intervalle [1, 1] aux (n + 1) points
k
yk = cos( ), k = 0, 1, . . . , n.
n
pour lesquels il prend alternativement les valeurs 1 et 1.
iii) Tn (cos( (2k+1)
2n
)) = cos(n arccos(cos( (2k+1)
2n
))) = cos( (2k+1)
2
) = 0, k = 0, . . . , n 1.
(2k+1)
Constatons que pour k = 0, . . . , n 1, 2n [0, ]. C'est dire Tn s'annule exactement
n fois sur l'intervalle [1, 1] en les points
(2k + 1)
zk = cos( ), k = 0, . . . , n 1.
2n
3. Raisonnons par l'absurde, supposons qu'il existe un polynme Q de degr n dont le coecient
de xn est 2n1 dirent de Tn tel que
R(cos( k
n
)) = Q(cos( k
n
)) Tn (cos( k
n
))
= Q(cos( k
n
)) (1)k
Donc, pour que max |(x x0 )(x x1 ) . . . (x xn )| soit minimal if faut et il sut de
x[1,1]
prendre 2n (x x0 )(x x1 ) . . . (x xn ) = Tn+1 (x). C'est dire
b) De (2.6) on en dduit que, pour n donn, x0 , . . . , xn sont les (n+1) racines de polynme de
Tchebychev Tn+1 et d'aprs la question (2.d) ces racines sont donnes par :
(2k + 1)
xk = cos( ), k = 0, . . . , n.
2(n + 1)
a+b ab
xk = + xk .
2 2
D'o pour que la quantit L = max |(x x0 )(x x1 ) . . . (x xn )| soit minimale, il faut et il
x[a,b]
sut de prendre
a+b ba (2k + 1)
xk = + cos( ), k = 0, . . . , n.
2 2 2(n + 1)
On obtient la majoration suivante le l'erreur d'interpolation de la fonction f C (n+1) ([a, b])
par le polynme Pn
(b a)n+1
|f (x) Pn (x)| max |f (n+1) (t)|, x [a, b].
(n + 1)!22n+1 t[a,b]
C'est la meilleure majoration globale que l'on puisse obtenir. En eet ; soit Mn+1 = max |f (n+1) (t)|,
t[a,b]
pour tout x [a, b] on a
(n+1) n
|f (x) P (x)| = | f (n+1)!
()| Q
| (x xk )|, ]a, b[
i=0
Mn+1
(n+1)!
|(x a+b
2
ba
2
x0 ) . . . (x a+b
2
ba
2
xn )|,
Mn+1 ba n+1
= (n+1)!
( 2 ) |( ba (x 2 ) x0 ) . . . ( ba (x a+b
2 a+b 2
2
) xn )|,
Mn+1 ba n+1
= (n+1)!
( 2 ) |(y x0 ) . . . (y xn )|, o y = ba (x a+b
2
2
) [1, 1]
Mn+1 (ba) n+1 n
= (n+1)! 2
) |2 Tn+1 (y)|
Mn+1 ba n+1 n
(n+1)!
( 2 ) 2 .
2.8. CONCLUSION 31
2.8 Conclusion
En fait, les mthodes d'interpolation polynomiale prsentes dans ce cours (Lagrange, Newton,
Hermite6 ) sont assez peu utilises dans la pratique. D'abord, il est dicile d'interpoler avec des poly-
nmes de degr trs lev : on voit alors apparatre un phnomne d'eets de bord dit phnomne de
Runge7 . Runge a montr en 1901 que quand le nombre de points d'interpolation crot indniment,
le polynme d'interpolation ne converge pas toujours vers la fonction interpole en tous points. La
divergence s'observe aux bords de l'intervalle (la convergence n'est pas uniforme). On peut avoir une
convergence uniforme, en choisissant judicieusement les points d'interpolation (racines d'un certain
polynme de Tchebychev8 ).
Nanmoins, ces mthodes d'interpolation ont un intrt pour construire des formules de quadra-
ture pour l'intgration numrique et des schmas pour rsoudre des quations direntielles.
L'interpolation en utilisant des polynmes de degr lev introduit aussi une grande sensibilit aux
erreurs. On prfre alors faire de l'interpolation par morceaux : c'est dire dcouper l'intevalle
sur lequel on veut interpoler en petits intervalles et interpoler sur chacun des ces petits intervalles
avec des polynmes de degr moindre. c'est la mthode des splines, la mthode d'interpolation la
plus utilise en pratique.
2.9 Exercices
Exercice 2.2. Soient x 0 , x1 , . . . , x n (n+1) points distincts.
1. Montrer que, si f P n (P n est l'ensemble des polynmes de degr infrieur ou gal n) alors
le polynme d'interpolation de f aux points xi (i = 0, 1, . . . , n) est f lui mme.
1 3
xi 0 2
1 2
f (xi ) 1 3 8 16
xi 0 1 2 3
2. Soit g la fonction relle donne par la table suivante :
f (xi ) -1 0 1 -2
x0 = 2, x1 = 1, x2 = 1 et x3 = 2.
2.9. EXERCICES 33
1 3
x0 = 0, x1 = , x2 = 1, x3 = .
2 2
Les valeurs de f en xi sont rsumes dans le tableau suivant :
xi 0 1/2 1 3/2
f (xi ) 1/2 2 8 32
Exercice 2.9. On donne la table des valeurs de la fonction f dnie par f (x) = cos(x) :
xi -4 72 -3 25 -2 32 -1 21 0
1
2
1
3
2
2
5
2
f (xi ) 1 0 -1 0 1 0 -1 0 1 0 -1 0 1 0
En interpolant par un polynme de degr infrieur ou gal 4 et en utilisant les formules appropries,
calculer des valeurs approches de :
9 12 19
i) cos , ii) cos , iii) cos , vi) cos
10 10 5 5
Estimer l'erreur absolue commise dans chacun des cas.
34 CHAPITRE 2. INTERPOLATION POLYNOMIALE
xi -3 -2 -1 0 1 2 3
f (xi ) 1 0 -1 2 1 -2 0
1 1
P (0) = f (0), P ( ) = f ( ), P (1) = f (1).
2 2
Calculer P (0.1) et P (0.9). Comparer aux valeurs exactes.
1 1
Q(0) = f (0), Q( ) = f ( ), Q(1) = f (1).
2 2
1 1
Q0 (0) = f 0 (0), Q0 ( ) = f 0 ( ), Q0 (1) = f 0 (1).
2 2
Calculer P (0.1) et P (0.9). Comparer aux valeurs exactes.
Chapitre 3
Approximation au sens des moindres carrs
3.1 Dnitions
Dnition 3.1. Soit E un espace vectoriel rel.
1. L'application
< ., . >: E E R
(x, y) 7 < x, y >
est appele produit scalaire sur E si elle vrie :
i) < x, x > 0, x E,
ii) < x, x >= 0 x = 0E ,
iii) < x, y >=< y, x >, x, y E,
vi) < x, y + z >= < y, x > + < x, z >, x, y, z E, , R.
2. L'application
k.k : E R+
x 7 kxk = < x, x >
est appele norme sur E associe au produit scalaire < ., . > .
3. Un espace vectoriel rel muni par un produit scalaire est dit prhilbertien sur R.
4. Un espace prhilbertien complet pour la norme associe ce produit scalaire est dit espace de
Hilbert.
5. Soit {0 , 1 , . . . , n } une base de E.
a) La famille {0 , 1 , . . . , n } est appele base orthogonale de E si
< i , j >= 0 i, j = 0, n et i 6= j.
35
36 CHAPITRE 3. APPROXIMATION AU SENS DES MOINDRES CARRS
dnit un produit scalaire sur Rn et la norme associe ce produit scalaire est dnie par :
n
! 12
X
x= < x, x > = x2i .
i=1
dnit un produit scalaire sur C([a, b]) et la norme associe ce produit scalaire est dnie
par :
b 21
Z
2
x= < x, x > = f (x) dx .
a
3. La famille {1, x, 12 (3x2 1)} est une base orthonorme de P2 pour le produit scalaire dni par
Z 1
< f, g >= f (x) g(x) dx.
1
f E, F : kf k = min kf k.
F
< f , >= 0 F.
Dans notre cas : F = Pn et dim(Pn ) = n + 1 < , alors d'une part, F est convexe, et d'autre
part, F est complet et donc il est ferm. Donc, le meilleur approximant au sens des moindres carrs
de f dans Pn existe et il est unique.
3.2. POSITION DU PROBLME 37
a0
< 0 , 0 > 0 0 < f, 0 >
0 < 1 , 1 > 0 a1 < f, 1 >
.. .. ..
. ..
. =
. . . . .
.. .. .. .
.. .
..
. . .
0 0 < n , n > an < f, n >
D'o,
< f, k > < f, k >
ak = = , k = 0, . . . , n.
< k , k > kk k2
2. Si la famille {0 , 1 , . . . , n } forme une base orthonormale de Pn , on trouve immdiatement
ak =< f, k > k = 0, . . . , n.
38 CHAPITRE 3. APPROXIMATION AU SENS DES MOINDRES CARRS
En eef ;
kf P k2 = < f P , f P >
= < f P , f > < f P , P >
= < f, f > < f, P >
N
= kf k2 ak < f, k >
P
i=0
h0 = kuu00 k , o u0 = 0 ;
h1 = ku1 k , o u1 = 1 < 1 , h0 > h0 ;
u1
h2 = kuu22 k , o u2 = 2 < 2 , h0 > h0 < 2 , h1 > h1 ;
.
..
k1
uk
o
P
h k = kuk k
, u k = k < k , hm > hm , 1 k n;
m=0
..
.
n1
hn = kuunn k , o un = n
P
< n , hm > hm .
m=0
i sont des nombres positifs non nuls la fois. En pratique, on prend des poids gaux.
La norme associe ce produit scalaire est dnie par :
N
! 12
X
kgk = i (g(xi ))2 , g C([a, b])).
i=0
3.4. APPLICATION AU CAS CONTINU 39
P (x) = a0 + a1 x + . . . + an xn ,
: [a, b] R+ s'annule un nombre ni de fois sur [a, b]. En pratique, on prend 1.
La norme associe ce produit scalaire est dnie par :
N
! 12
X
kgk = (x) (g(x))2 , g C([a, b])).
i=0
P (x) = a0 + a1 x + . . . + an xn ,
.. .. ..
.
. . . .. ..
. .
Rb Rb Rb
n n+1
(x) x dx a (x) x x dx (x) x2n dx
an
Rb
a a
a
(x) xn f (x) dx
40 CHAPITRE 3. APPROXIMATION AU SENS DES MOINDRES CARRS
3.5 Exercices
Exercice 3.1.
1. Soient les points x0 = 1, x1 = 12 , x2 = 0, x3 = 12 , x4 = 1.
Trouver le polynme P P2 qui ralise le minimum suivant :
4
X 1
min (|xi | P (xi ))2
P P2
i=0
1 + x2i
1 1
x0 = 1, x1 = , x2 = 0, x3 = et x4 = 1.
2 2
1. Dterminer le polynme P de P2 qui ralise la meilleure approximation de f au sens des moindres
carrs.
La plupart des fonctions qui interviennent dans les problmes physiques sont des fonctions soit
trop compliques pour tre intgres, soit seulement donnes par une table de valeurs. Nous cherchons
donc une valeur approche l'aide de sommes nies, qu'on appellera une formule de quadrature :
Z b n
X
I(f ) = f (x) dx ' In (f ) = i f (xi ),
a i=0
Dnition 4.1. Une formule de quadrature est dite exacte sur un ensemble V si
f V, R(f ) = I(f ) In (f ) = 0.
Dnition 4.2. Une formule de quadrature est dite de degr de prcision n si elle est exacte pour
xk , k = 0, . . . , n et non exacte pour xn+1 .
41
42 CHAPITRE 4. INTGRATION NUMRIQUE
x0 = a, x1 = x0 + h, ..., xi = x0 + ih (i = 0, n), xn = b.
Si n = 1, x0 = a, x1 = b, on obtient
b
(b a)
Z
f (x)dx ' (f (a) + f (b)).
a 2
Donc
Rb R x1 R x2 R b=xn
I(f ) = a
f (x)dx = a=x0
f (x)dx + x1
f (x)dx + . . . + xn1
f (x)dx
n1
PR xi+1
= xi
f (x)dx
i=0
n1
h
P
' 2
(f (xi ) + f (xi+1 ))
i=0
h
= 2
(f (x0 ) + 2f (x1 ) + 2f (x2 ) + ... + 2f (xn1 ) + f (xn )).
D'o
" n1
#
Z b
h X
In (f ) = f (x)dx ' f (a) + 2 f (xi ) + f (b) .
a 2 i=1
Exemple 4.2. 2
Soit f (x) = x , a = 0, b = 1, on prend n = 3 subdivisions.
ba 1 1 2
Donc h = n = 3 , x0 = a = 0, x1 = 3 , x2 = 3 , x3 = b = 1 avec
y0 = f (x0 ) = 0, y1 = f (x1 ) = 9 , y2 = f (x2 ) = 49 et y3 = f (x3 ) = 1.
1
Z 1
h 19
I(f ) = x2 dx ' I3 (f ) = (y0 + 2y1 + 2y2 + y3 ) = ' 0, 351
0 2 54
|0,3510,333|
l'erreur relative ' 0,333
= 5, 4%.
Z b Z b
f (t)g(t) dt = f () g(t) dt.
a a
1 h
R10 (h) = (f (x0 + h) f (x0 )) f 0 (x0 + h).
2 2
0
Notons, en passant, que R1 (0) = R1 (0) = 0.
0 2
Drivons R1 , ceci est permis car f C ([a, b]), on aura
h
R100 (h) = f 00 (x0 + h).
2
44 CHAPITRE 4. INTGRATION NUMRIQUE
Du rappel 1, on a
Z h Z h
t 00
R10 (h) = R10 (0) + R100 (t) dt = f (x0 + t) dt,
0 0 2
et du rappel 2, pour g(t) = t 0 t [0, h], [0, h] et donc 1 [x0 , x0 + h] :
h
f 00 (1 )
Z
R10 (h) = t dt,
2 0
2
alors R10 (h) = h4 f 00 (1 ) avec 1 [x0 , x1 ], mais (du rappel 1) :
h h
f 00 (1 ) h3 00
Z Z
R1 (h) = R1 (0) + R10 (t) dt = t2 dt = f (1 ),
0 4 0 12
n
X h3 00
R(h) = Ri (h) = (f (1 ) + f 00 (2 ) + ... + f 00 (n )) o i [xi , xi+1 ], i = 0, n 1.
i=1
12
n
f 00 (i )
P
n
X nh3 i=1 nh3
R(h) = = = .m
i=1
12 n 12
(b a)3
|R(h)| M2 .
12n2
Ceci implique que la formule des trapzes est exacte si f est un polynme de degr infrieur ou gal
1.
De plus, cette formule est de degr de prcision gal 1. En eet ;
2
pour f (x) = x , n = 1, x0 = a, x1 = b, on a
b b
x3
ba 2 ba 2
Z
2
a + b2 + ab 6= I1 (f ) = a + b2 .
I(f ) = x dx = =
a 3 a 3 2
Remarque 4.1. Cette borne d'erreur conrme notre observation sur l'exemple donn prcdemment ;
en eet si n est doubl, l'erreur est alors divise par 4 (approximativement ! !). Mais le cumul d'erreurs
d'arrondi (des au calcul numrique) fait que l'on n'atteint pas la valeur exacte de I(f ) lorsque n est
de plus en plus grand.
Exercice 4.1. (exercice d'illustration) Reprendre l'exercice prcdent avec un nombre des points
(xi , yi ) i = 0, . . . , n, de plus en plus grand et observer la convergence de In (f ) vers I(f ).
4.2. FORMULES DE NEWTON-CTES 45
y1 y0 y2 2y1 + y0
P2 (x) = y0 + (x x0 ) + (x x0 )(x x1 ).
h 2h2
Donc comme f (x) ' P2 (x) x [x0 , x2 ], on a
Z x2 Z x2
h
f (x) dx ' P2 (x) dx = (y0 + 4y1 + y2 ).
x0 x0 3
1
C'est la premire formule de Simpson simple sur l'intervalle [x0 , x2 ]. D'o
Rb R x2 R x4 R b=x2m
a
f (x) dx = a=x0
f (x) dx + x2
f (x) dx + . . . + x2m2
f (x) dx
h
' (y
3 0
+ 4y1 + y2 ) + h3 (y2 + 4y3 + y4 ) + ... + h3 (y2m2 + 4y2m1 + y2m )
h
= 3
[y0 + y2m=n + 2(y2 + y4 + ... + y2m2 ) + 4(y1 + y3 + y2m1 )]
h
P P
= [y
3 0
+ yn + 2 yi + 4 yi ].
i pair i impair
Donc,
!
b
ba
Z
h X X
I(f ) = f (x) dx ' In (f ) = y0 + yn=2m + 2 yi + 4 yi o h=
a 3 i pair i impair
n
n h5 (4)
[a, b], R(h) = I(f ) In (f ) = f (). (4.1)
180
Par consequent,
(b a)5
|R(h)| = |I(f ) In (f )| M4 , o M4 = max |f (4) (t)|.
180n4 t[a,b]
Ceci implique que la formule de Simpson est exacte si f est un polynme de degr infrieur ou gal
3. De plus, cette formule est de degr de prcision gal 3. En eet ;
4 a+b
pour f (x) = x , n = 2, x0 = a, x1 = 2 et x2 = b :
b b
x5
ba 4
Z
4
b + ab3 + a2 b2 + a3 b + a4 ,
I(f ) = x dx = =
a 5 a 5
alors que
4 !
ba a+b ba
a4 + 4 + b4 5b4 + 4ab3 + 6a2 b2 + 4a3 b + 5a4 .
I2 (f ) = =
6 2 24
Remarque 4.2. Si n a doubl, l'erreur est divise par 16 (approximativement), donc la prsente
mthode est plus performante que celle des trapzes.
Exercice 4.2. Notons par R1 = R1 (h) l'erreur commise sur la subdivision [x0 , x2 ] ou encore sur
[x1 h, x1 + h] :
Z x1 +h
h
R1 (h) = f (x) dx (f (x1 h) + 4f (x1 ) + +f (x1 + h)) .
x1 h 3
Proposition 4.1. 2
Le degr de prcision des formules de Newton-Ctes (n+1) points est
n, si n est impair ;
n + 1, si n est pair.
hn+2 , si n est impair ; ba
o h=
hn+3 , si n est pair, n
Remarque 4.3. 1. On peut dmonter que si le degr de prcision est p alors l'erreur est en hp+2
et rciproquement. Comme le degr de prcision est facile valuer, il est possible d'avoir une
ide de l'erreur.
2. On peut construire des formules de Newton-Ctes qui ne comportent pas les bornes d'intgration
comme points de la formule de quadrature.
sin x
Par exemple, pour intgrer la fonction x entre 0 et 1 on peut utiliser :
Z b n
X (n)
f (x) dx ' i f (xi ).
a i=0
Z b n
X
k (n)
x dx = i xki , k = 0, . . . , 2n + 1.
a i=0
Thorme 4.1. 3
Les formules de type Gauss sont stables et convergentes pour toute fonction conti-
nue.
Remarque 4.5. 1. Stable signie les poids intervenant dans la formule de quadrature sont stric-
tement positifs.
n Rb
P (n)
2. Convergente signie lim i f (xi ) = a
f (x) dx.
n+ i=0
3. Les formules de type Gauss sont souvent utiles pour les intgrales impropres convergentes.
Dterminons les poids 0 , 1 et les points d'intgration x0 et x1 pour que la formule propose soit
exacte sur P3 . Les quatre quations sont les suivantes :
R1
f 1, R(f ) = 0 1 1 dx = 2 = 0 + 1 ,
R1
f (x) = x, R(f ) = 0 1 x dx = 0 = 0 x0 + 1 x1 ,
R1
f (x) = x2 , R(f ) = 0 1 x dx2 = 32 = 0 x20 + 1 x21 ,
R1
f (x) = x3 , R(f ) = 0 1 x dx = 0 = 0 x30 + 1 x31 .
D'o,
0 x0 = 1 x1 ,
0 x1 (x21 x20 ) = 0.
De la dernire quation on tire :
Z 1
1 1
f (x) dx = f ( ) + f ( ) + R(f ).
1 3 3
Remarque 4.6. Il existe des formules de type Gauss o les extrmits de l'intervalle sont des points
d'intgration :
On se donne une fonction continue f : [a, b] [c, d] R. Approcher par la mthode des trapzes
Z bZ d
I(f ) = f (x, y) dy dx.
a c
Solution :
Z b Z d
I(f ) = f (x, y) dy dx.
a c
Rd
Posons g(x) = c
f (x, y) dy et divisons, par analogie au cas d'une seule variable, l'intervalle [a, b]
en n parties gales et l'intervalle [c, d] en m parties gales. Ceci induit deux pas de discrtisation
h = ba
n
dc
et k = m , alors
n1
!
Z b
h X
I(f ) = g(x) dx ' g(a) + 2 g(xi ) + g(b) . (4.2)
a 2 i=1
4.5. CONCLUSION 49
Rd
D'autre part, on applique la formule des trapzes pour approcher g(x) = c
f (x, y) dy avec x constante
et y variable, on obtient
m1
!
k X
g(x) ' f (x, c) + 2 f (x, yj ) + f (x, d) . (4.3)
2 j=1
m1
h k
P
I(f ) ' [ (f (a, c)
2 2
+2 f (a, yj ) + f (a, d))
j=1
n1 m1
k
P P
+2 2
(f (xi , c) +2 f (xi , yj ) + f (xi , d))
i=1 j=1
m1
+ k2 (f (b, c) + 2
P
f (b, yj ) + f (b, d))]
j=1
m1 m1
hk
P P
= 4
[f (a, c) + f (a, d) + f (b, c) + f (b, d) + 2( f (a, yj ) + f (b, yj ))
j=1 j=1
n1
P n1
P n1
P m1
P
+2( f (xi , c) + f (xi , d)) + 4 i j f (xi , yj )]
i=1 i=1 i=1 j=1
n P
P m
= i j f (xi , yj )
i=0 j=0
o
xi = a + ih, xn = b i = 0, n, yj = c + jk, ym = d j = 0, m
hk
00 = n0 = m0 = nm = 4
hk
0j = nj = i0 = im = 2
, i = 1, n 1 j = 1, m 1
ij = hk, i = 1, n 1 j = 1, m 1
Remarque 4.7. Ce procd peut tre adapt au calcul numrique d'intgrales triples ou multiples.
4.5 Conclusion
1. Les formules des trapzes et de Simpson sont les plus utilises et souvent sous leurs formes
composites.
2. Les formules de Gauss sont nanmoins plus prcises et peuvent de la mme faon tre composes.
3. L'intgration numrique est aussi trs utile pour calculer numriquement des intgrales doubles :
Z bZ d
f (x, y) dx dy.
a c
50 CHAPITRE 4. INTGRATION NUMRIQUE
4.6 Exercices
Exercice 4.3. Calculer Arctg(3) par les mthodes d'intgration des trapzes et de Simpson pour
n=6.
Rx
Indication : Arctg(x) = dt
1+t2
0
Exercice 4.4. On lance une fuse verticalement du sol et l'on mesure pendant les premires 80
secondes l'accleration :
t (en s) 0 10 20 30 40 50 60 70 80
(en m/s2 ) 30 31.63 33.44 35.47 37.75 40.33 43.29 46.70 50.67
Calculer la vitesse V de la fuse l'instant t = 80s, par la mthode des trapzes puis par Simpson.
Exercice 4.5.
1. Dterminer le nombre de subdivisions ncessaires de l'intervalle d'intgration [, ] pour va-
3
luer 0.5 10 prs, par la mthode de Simpson, l'intgrale
Z
cosx dx
Exercice 4.6.
1. Construire un polynme P qui passe par les points (0, 0), (1, 0) et (1, 2).
R1
2. Prendre n subdivisions sur [0, 1] et approcher 0
P (x) dx par la mthode :
b) De Simpson (n = 30).
Exercice 4.7. Soit f une fonction continue donne sur l'intervalle [1, 1]. Notons par P le polynme
de degr deux qui interpole f en les points 1, 0 et 1.
R1
1. Exprimer 1 P (t) dt en fonction de f (1), f (0) et f (1).
2. Vrier que l'expression obtenue concide avec une formule d'intgration numrique dont on
donnera le nom et la valeur du pas de discrtisation.
Exercice 4.8. f une fonction relle continue et dnie sur l'intervalle [a, b]. On pose h =
Soit
ba
n
pour n = 3, x0 = a, x3 = b, xi = x0 + ih (i = 0, 3). On considre la formule de quadrature :
Z b
I(f ) = f (t) dt ' f (x1 ) + f (x2 ).
a
1. Dterminer les deux coecients et sachant que la mthode est exacte sur P1 .
2. Gnraliser l'criture prcdente au cas o n = 3m.
3. Evaluer l'erreur relative commise en utilisant cette mthode pour approcher I( ln(x)
x
) sur [1, 2] en
prenant n=3 subdivisions.
4.6. EXERCICES 51
Z 1
1 2
f (x) dx = af (0) + bf ( ) + cf ( ) + df (1) + R(f ).
0 3 3
1. Dterminer a, b, c et d de sorte que R(f ) = 0 quelle que soit f appartenant l'espace vectoriel
des polynmes de degr infrieur ou gal 3.
dterminer la constante K.
Exercice 4.10.
1. Dterminer le polynme d'interpolation de Lagrange P d'une fonction f construite sur les
points :
1 1
1, , , 1.
3 3
2. Par intgration du polynme obtenu, en dduire la formule d'intgration approche suivante :
Z 1
1 3 1 3 1 1
f (x) dx f (1) + f ( ) + f ( ) + f (1).
1 4 4 3 4 3 4
a+b ba
Indication : utiliser le changement de variable y= 2
+ 2
x
4. Application : Calculer, l'aide de la formule de quadrature propose, les intgrales
Z 1 Z 3
x
e dx, ex dx.
1 5
Z b n
X
I= f (x) dx ' ai yi = V (h)
a i=0
5. Quel est le nombre minimal de subdivisions eectuer sur l'intervalle [1, 2] pour que l'erreur
1 4
absolue commise sur l'intgrale de f (x) = x ne dpasse pas 2 10 .
p P2 , E(p) = 0.
2. Supposons que = 14 , = 43 , = 23 .
3. Trouver l'ordre de prcision de la mthode propose.
a) 3
Montrer que pour toute fonction f C (R) il existe ]0, 1[ tel que
h f (x) = f (x + h) f (x),
h f (x) = f (x) f (x h),
2h f (x) = f (x + h) f (x h).
h2 00
f (x + h) = f (x) + hf 0 (x) + f (), [x, x + h].
2
1 Brook Taylor, anglais, 1685-1731
53
54 CHAPITRE 5. DRIVATION NUMRIQUE
On obtient
h2 00
f (x h) = f (x) hf 0 (x) + f (), [x h, x].
2
On obtient
E = h2 f 00 (), [x h, x]
c'est l'erreur commise.
Les formules obtenues sont donc deux approximations d'ordre 1 de la drive premire et l'erreur
chaque fois tend vers 0 quand h tend vers 0.
Augmentons l'ordre du dveloppement de Taylor de f autour de x:
h2 00 h3 000
f (x + h) = f (x) + hf 0 (x) + 2
f (x) + 6
f (1 ), 1 [x, x + h],
h2 00 h3 000
f (x h) = f (x) hf 0 (x) + 2
f (x) 6
f (2 ), 2 [x h, x].
h3 000
f (x + h) f (x h) = 2hf 0 (x) + (f (1 ) + f 000 (2 )).
6
Ce qui donne
La formule centre (symtrique) est une formule d'approximation d'ordre 2 et donc plus prcise
que les deux premires formules, mme si elle ncessite la connaissance de f au mme nombre de
points. Il faut cependant noter que les points utiliss sont disposs symtriquement par rapport celui
o l'on calcule la drive.
Remarque 5.1. Supposons que l'intervalle [a, b] est dcoup en N intervalles, on pose h = ba et on
les points de grille xi de sorte que xi = a + ih, i = 0, . . . , N. Supposons
N
introduit que f est connue
uniquement en les points de grille xi . Alors pour approcher f 0 (xi ), i = 0, . . . , N :
1. La formule de dirences nies progressive donne :
f (xi+1 ) f (xi )
f 0 (xi ) ' fhd
0
(xi ) = , i = 0, . . . , N 1. (5.1)
h
On remarque que la relation (5.1) n'est pas dnie pour i = N, on perd donc le dernier point de
0
grille quand on utilise cette relation pour approcher f (xi ).
5.2. APPROXIMATION DE LA DRIVE PREMIRE 55
f (xi ) f (xi1 )
f 0 (xi ) ' fhg
0
(xi ) = , i = 1, . . . , N. (5.2)
h
On remarque que la relation (5.2)
n'est pas dnie pour i = 0, on perd donc le premier point de
0
grille quand on utilise cette relation pour approcher f (xi ).
f (xi+1 ) f (xi1 )
f 0 (xi ) ' fhc
0
(xi ) = , i = 1, . . . , N 1. (5.3)
2h
On remarque que la relation (5.3) n'est pas dnie pour i=0 et i = N, on perd donc le premier
et le dernier point de grille quand on utilise cette relation pour approcher f 0 (xi ). Constatons
aussi que
0 0
0
fhg (xi ) + fhd (xi )
fhc (xi ) = , i = 1, . . . , N 1.
2
Exemple 5.1. Pour illustrer les trois formules prcdentes, considrons la fonction
x 7 f (x) = 2x ,; x [1, 5] passant par les points (x0 , y0 ) = (1, 2), (x1 , y1 ) = (2, 4), (x2 , y2 ) =
(3, 8), (x3 , y3 ) = (4, 16) et (x4 , y4 ) = (5, 32).
0
Nous voulons approcher le nombre f (x2 ) :
f (x3 )f (x2 )
1. La formule de DFP : f 0 (x2 ) ' fhd
0
(x2 ) = h
= y3 y2 = 8.
0 0 f (x2 )f (x1 )
2. La formule de DFR :f (x2 ) ' fhg (x2 ) = h
= y2 y1 = 4.
f (x3 )f (x1 )
3. La formule de DFC :f
0 0
(x2 ) ' fhc
2h
(x2 ) == y3 y
2
1
= 6.
0 x
Evaluons les erreurs d'approximation sachant que f (x) = ln 2 2 , x [1, 5] :
E1 = |f 0 (x2 ) fhd
0
(x2 )| = |8 ln 2 8| ' 2, 454.
0 0
E2 = |f (x2 ) fhg (x2 )| = |8 ln 2 4| ' 1, 545.
E3 = |f 0 (x2 ) fhc
0
(x2 )| = |8 ln 2 6| ' 0, 454.
4h3 000
f (x + 2h) = f (x) + 2hf 0 (x) + 2h2 f 00 (x) + f (1 ), 1 [x, x + 2h].
3
h2 00 h3
f (x + h) = f (x) + hf 0 (x) + f (x) + f 000 (2 ), 2 [x, x + h].
2 6
En combinant ces deux quations de faon faire disparatre la drive seconde, on obtient
h2 00
[x, x + 2h]
E = 3
f (), c'est l'erreur commise.
56 CHAPITRE 5. DRIVATION NUMRIQUE
2 f (x)
h
00 f (x+h)2f (x)+f (xh)
fhd (x) = h2
= h2
est une approximation de la drive seconde de f en x;
2
E = h12 f (4) (), [x h, x + h]
Cette formule est donc d'ordre 2 (le terme d'erreur tend vers 0 quand h tend vers 0) et est trs
importante dans la pratique.
nh f (x) = h (n1 n n1 n n1
h f )(x), h f (x) = h (h f )(x), h f (x) = h (h f )(x).
nh f nh f hn f
, et
hn hn hn
(n)
sont des approximations de f (en x) avec une erreur proportionnelle h, h et h2 , respectivement,
n+1 n+1 n+2
ds que f est de classe C , C et C , respectivement.
Remarque 5.2. La drivation numrique est une opration trs instable, c'est dire trs sensible
aux erreurs d'arrondi (soustraction entre termes voisins). Prenons par exemple
f (x + h) f (x h)
f 0 (x) = + O(h2 ),
2h
o f (x h) = f (x h) e1 et f (x + h) = f (x + h) e2 , alors
f (x + h) f (x h) e2 + e1
f 0 (x) = + O(h2 ).
2h 2h
Si le pas h est trop rduit il y'aura beaucoup d'erreurs d'arrondi.
5.3. EXERCICES 57
5.3 Exercices
Exercice :
Soit f : [a, b] R une fonction de classe au moins C 5 sur l'intervalle [a, b]. On se xe un
nombre (h > 0) "petit" ainsi qu'un point quelconque x ]a, b[. Soit le rapport
f (x + 3h) 3f (x + h) + 3f (x h) f (x 3h)
A=
8h3
1. Montrer que le rapport A approche une drive de f que l'on dterminera. Donner l'ordre de
prcision de cette approximation.
2. Vrier que A concide avec une formule de drivation numrique que l'on donnera.
Solution :
1. Eectuons les dveloppements de Taylor de f au voisinage de x jusqu' l'ordre 4 avec un reste
5
en O(h ) :
h2 00 h3 000 h4 (4)
f (x + h) = f (x) + hf 0 (x) + 2
f (x) + 6
f (x) + 24
f (x) + O(h5 ), (1)
h2 00 h3 000 h4 (4)
f (x h) = f (x) hf 0 (x) + 2
f (x) 6
f (x) + 24
f (x) + O(h5 ), (2)
3
2h f (x)
A=
(2h)3
D'o, le rapport R n'est autre que la formule des dirences nies centres (symtriques) d'ordre
000 3 f (x) 2
3 qui approxime f (x) par 2h (2h)3
avec une erreur en O(h ).
Exercice :
Soit f : [a, b] R une fonction de classe au moins C 6 sur l'intervalle [a, b]. On se xe un
nombre (h > 0) "petit" ainsi qu'un point quelconque x ]a, b[.
1. Montrer que le rapport
Solution :
1. Eectuons les dveloppements de Taylor de f au voisinage de x jusqu' l'ordre 5 avec un reste
6
en O(h ) :
59
Chapitre 6
Rsolution des systmes linaires
AX = b, (6.1)
n
X
aij xj = bi , i = 1, . . . , n.
j=1
a) Mthodes directes : Ce sont des mthodes qui permettent d'obtenir la solution X de (6.1),
si l'ordinateur faisait des calculs exacts, en un nombre ni (en relation avec n) d'oprations
lmentaires.
b) Mthodes itratives : Ce sont des mthodes qui consistent construire une suite de vecteurs
(n)
X convergeant vers la solution X.
1 Gabriel Cramer, 1704-1752
61
62 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
Dans toute la suite de ce chapitre, on suppose que A est une matrice inversible de Mn (R),
o Mn (R) est l'ensemble des matrices carre d'ordre n coecients rels.
Remarque 6.1. Le fait que les coecients de A soient rels n'est pas restrictif. En eet ; supposons
que l'on veut rsoudre (6.1) dans C, c'est--dire
bi
donc la solution est X = (x1 , x2 , ...., xn )t o xi = avec i = 1, n.
Cot : n divisions.
aii
Cot : n(n1)
2
additions (ou soustractions)+
n(n1)
2
2
multiplications+n divisions=n oprations ; en
eet :
Le nombre de divisions tant vident.
Pour calculer xi (i = 1, ..., n), on fait (n i) additions et (n i) multiplications, d'o
n
X n(n + 1) n(n 1)
cot (+) = cot () = (n i) = n2 =
i=1
2 2
a11 x1 = b1
a 21 x1 + a22 x2 = b2
. .. ..
AX = b .
.. ..
.
.
an1 x1 + an2 x2 + ... + ann xn = bn
donc le systme AX = b se rsout par la mthode descendante, c'est--dire on trouve d'abord x1 puis
x2 , ..., puis xn ; d'o les relations :
b1
x1 = a11
,
i1
1
P
xi = (bi aij xj ), i = 2, . . . , n.
aii
j=1
Cot : n(n1)
2
additions (ou soustractions),
n(n1)
2
multiplications et n divisions.
Remarque 6.2. Les cots des trois mthodes prcdentes sont valables (point de vue calcul sur
machine) pour n pas assez grand ( 100), on s'eorcera donc -dans toute la suite concernant la
catgorie des mthodes directes- de transformer la matrice A du systme AX = b an de nous
ramener au cas triangulaire (le plus souvent) et mme au cas diagonal.
Principe de la mthode :
Dterminer une matrice M inversible telle que la matrice MA soit triangulaire suprieure. Alors
AX = b (M A)X = M b,
Remarque 6.3. En pratique on ne calcule pas M d'une faon explicite, mais par des transforma-
tions quivalentes on ramne le systme de dpart en un systme matrice triangulaire suprieure.
Autrement dit
transformation
(A, b) (A(n) , b(n) ),
o A(n) est une matrice triangulaire suprieure, puis on rsout le systme triangulaire.
A(n) X = b(n) .
A la 1ere tape : Si
(1)
a11 6= 0 (sinon on fait une permutation de lignes) on fait les aectations
suivantes : (2) (1)
L1 L1
(1)
L(2) L(1) i1 L(1) ai1
i1 = , 2 i n.
i i 1 o (1)
a11
On obtient donc
..
(2)
(2)
a11
(2)
a12
(2)
a1n .
(2)
b1 L1
..
L(2)
(2) (2) (2) 2
. 0 a22 a2n . b2
.
A(2) .. b(2) = . .. .. .. .. ..
.. . . . .
(2) (2) .. (2)
0 an2 ann . bn Ln
(2)
A la kieme tape (1 k n 1) : Si
(k)
akk 6= 0 (sinon on fait une permutation de lignes) on fait les
aectations suivantes :
(k+1) (k)
Li
Li , 1 i k;
(k)
aik
L(k+1) (k) (k)
Li ik Lk ik = , k + 1 i n.
i o (k)
akk
On obtient donc
..
(k) (k) (k) (k) (k+1)
a11 a12 a1n . b1
L1
..
(k+1)
(k) (k) (k) L
0
a22 a2n . b2 2
. .. .. ..
.
0 . .
. .
. ..
. .. ..
A(k+1) .. b(k+1) = .. .
(k)
(k) (k)
akk akn . bk .
..
.
. ..
. (k+1) (k+1) (k+1) ..
. 0 ak+1,k+1 ak+1,n . bk+1
.
.
.. .. .. .. ..
. . . .
.. (k+1)
0 0
(k+1)
an,k+1
(k+1)
an,n .
(k+1)
bn Ln
o
(k+1) (k)
aij = aij , 1 j n;
1 i k;
(k+1) (k)
bi = bi ,
(k+1)
aij = 0, 1 j k, k + 1 i n;
(k+1) (k) (k)
aij = aij ik akj , k + 1 j n;
k + 1 i n.
b(k+1) = b(k) b(k)
i i ik k
1
..
. 0
1
k+1,k
(k)
E =
0 ..
k+2,k .
..
0
.
nk 1
AX = b A(n) X = b(n)
66 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
avec
(1) (1) (1) (n)
a11 a12 a1n b1
(2) (2) b(n)
a22 a2n 2
.. .. .
.
A(n) =
. . , b(n) =
.
0 ..
.. ..
. . .
(n) (n)
ann bn
A(n) tant une matrice triangulaire suprieure.
A(k+1) = E (k) .A(k) = E (k) .E (k1) .A(k1) = E (k) .E (k1) E (1) .A(1) .
Alors
A(n) = |E (n1) .E (n2) (1)
{z E } .A = M A.
(k)
2. Les akk , k = 1, n sont appels "pivots de la mthode de Gauss".
n
Y
j (i)
det(A) = (1) aii o j est le nombre de permutations .
i=1
k ime
(k) (k)
4. Si la tape akk = 0, alors il existe p, k + 1 p n tel que apk 6= 0, car
(k) (k)
kk akn
a
det(A) = a11 a22 ak1,k1 ... ..
(1) (2) (k1)
6= 0.
.
(k) (k)
a
nk ann
(k)
5. Au cours de la triangularisation, si l'on trouve que l'un des pivots akk = 0, on permute la ligne
ieme (k)
du pivot avec une ligne suprieure Lp , k + 1 p n dont l'lment de la k colonne apk est
non nul.
Exemple 6.1.
2 5 1 2 5 3 2 5 3
A = 1 3 1 , A(2) = 0 0 1 , A(3) = A(2) = 0 6 12
3 4 2 0 6 12 0 0 1
(1)
(k+1) (k) aik (k)
aij
= aij (k) akj , k + 1 j n;
akk
k + 1 i n.
(1)
aik
b(k+1) (k)
= bi
(k)
i (k) bk
akk
6.2. MTHODES DIRECTES 67
Rsolvons d'abord le systme (S ) par la mthode de Gauss ordinaire (sans permutations).
.. ..
! !
(1)
. 1 . 1 . 1 . 1 L1
A(1) .. b(1) = .. , A(2) .. b(2) = .. (1) (1)
1 1 . 2 (1)
a11 = 0 1 1
. 2 1 L2 1 L1 .
..
!
. 1 1 . 2
A(2) .. b(2) = .. ,
0 1 109 . 1 2.109
Conclusion : Il ne faut pas utiliser des pivots trop petits car les erreurs d'arrondi peuvent
donner des solutions fausses. Un moyen de contourner le problme d'un pivot nul ou presque est
d'utiliser la technique de pivotage. Il existe deux stratgies de pivotage :
Pivotage total : k ieme tape (1 k n 1) d'limination de Gauss le pivot total est choisi
la
(k) (k)
parmi les coecients (aij )ki,jn tel que sa valeur absolue soit la plus grande, soit ai0 j0 cet
(k) (k)
lment |ai0 j0 | = max (aij ) puis on fait les permutations des lignes et des colonnes cor-
ki,jn
respondantes. Catte technique n'est utilise que dans de rares cas pratiques.
Attention A chaque permutation de colonnes les inconnues changent de places.
68 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
Remarque 6.7.
1. La mthode de Gauss n'est jamais programme sans au moins une stratgie de pivot partiel.
2. Les pivots petits ne disparaissent pas, ils sont juste rejets la n de l'algorithme o leur
inuence est moins grande.
LY = b
AX = b LU X
|{z} UX = Y
Y
Thorme 6.1. Soit A une matrice telle que les sous matrices principales A[k] = (aij )1i,jk de
A soient inversibles pour tous 1 k n, alors il existe une matrice L = (lij )1i,jn triangulaire
infrieure telle que lii = 1, i = 1, n et une matrice triangulaire suprieure U telle que A = LU.
De plus cette dcomposition est unique.
Dmonstration. Existence : Montrons que tous les pivots d'limination de Gauss sont non nuls,
(k)
c'est dire akk 6= 0 pour 1 k n 1. On le dmontre par rcurrence.
(1) (1)
Le premier pivot a11 est forcment non nul car a11 = det(A[1] ) 6= 0.
(k) (r)
Supposons que akk 6= 0 pour 1 k r 1 et montrons que arr 6= 0.
(1) (2) (r1) (r)
On a det(A[r] ) = a11 a22 . . . ar1,r1 arr . Or d'une part, par hypothse det(A[r] ) est dirent de
(k) (r)
zro et d'autre part, par hypothse de rcurrence akk 6= 0 pour 1 k r 1. Donc arr est
aussi dirent de zro.
Unicit : Soit A = L1 U1 = L2 U2 , d'o U1 U21 = L1
1 L2 = D.
Comme U1 U2 est une matrice triangulaire suprieure et L1
1
1 L2 est une matrice triangulaire
infrieure et D a des 1 sur la diagonale, alors D = In ce qui implique que U1 = U2 et L1 = L2 .
1
21
..
. 0
A(2) = E (1) .A(1) o E (1) = 31 1
0
. ..
.. .
n1 1
6.2. MTHODES DIRECTES 69
n(n+1) n(n1)
(U contient 2
lments et L contient 2
lments). Par identication on obtient un
2 2
systme linaire de n quations n inconnues. En rsolvant le systme obtenu dans des cas
particuliers (n = 2, 3, 4), on constate que la dtermination des lments de L et U cherchs se
fait suivant l'algorithme gnral :
lii = 1, 1 i n;
u1j = a1j , 1 j n;
ai1
li1 = , 2 i n;
u11
m1
P
u = a lmk .ukj , m j n;
mj mj
k=1
2 m n.
m1
P
lim = aim lik .ukm /umm , m + 1 i n;
k=1
Cot de la mthode
n
(m 1)(n m + 1) = O( 61 n3 )
P
Calcul de U: cot()=cot(+)=
m=1
n1
(m 1)(n m) = O( 16 n3 )
P
Calcul de L: cot()=cot(+)=
m=1
n
P n(n1)
et cot(/)= (n m) = 2
.
m=1
D'o, cot total = O( 23 n3 )=cot de Gauss.
Utilit de la dtermination LU
Calcul de dterminant Grce la factorisation LU, on peut calculer le dterminant d'une matrice
carre avec O( 23 n3 ) oprations, vu que
n
Y
det(A) = det(L) det(U ) = det(U ) = ukk .
k=1
A l'aide de la dcomposition LU de A:
1. Rsoudre le systme donn en dterminant les matrices L et U :
2. Calculer l'inverse de A.
Dnition 6.1. Une matrice A Mn (R) est dite dnie positive si et ssi X t AX > 0, X
Rn {0Rn }.
1 2 x1
Exemple 6.4. Soient A=
2 8
et X=
x2
R2 . On a
t 1 2 x1
X AX = (x1 , x2 ) = (x1 + 2x2 )2 + 4x22 > 0 X R2 {(0, 0)}.
2 8 x2
Dnition 6.2. A Mn (R) est dite dnie positive si et ssi toute sous-matrice principale
A[k] = (aij )1i,jk , k = 1, n de A est de dterminant strictement positif.
Thorme 6.2. Si A
est une matrice symtrique et dnie positive alors, il existe (au moins) une
t
matrice triangulaire infrieure R telle que A = RR .
De plus, si on impose que les lments diagonaux de R soient tous positifs, alors cette dcomposition
est unique.
1
D = diag(u11 , u22 , ..., unn ), D 2 = diag( u11 , u22 , ..., unn )
1 1
alors D 2 = diag( u111 , u122 , ..., u1nn ). D'une part, on a
1 1
A = LU = LIn U = LD 2 (D 2 )1 U
72 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
Posons
1
R = (rij )1i,jn = LD 2 , matrice triangulaire infrieure avec rii = uii
1
H = (hij )1i,jn = (D 2 )1 U, matrice triangulaire suprieure avec hii = uii ,
alors
A = RH.
D'autre part, on a A est symtrique, alors
A = At
RH = H t Rt
1 1
H (Rt ) = (R)1 H t ( multiplions les deux cts gauche par (R)1 et droite par (Rt ) )
1 1
= H (Rt ) = In et (R)1 H t = In (H (Rt ) est M.T.S. et (R)1 H t est M.T.I. )
= H = Rt .
Algorithme de Cholesky2
Son principe est le suivant : on crit la matrice A sous la forme RRt o R = (rij )1i,jn , rij = 0
si j > i, ensuite on identie colonne aprs colonne on aura
Premire colonne : (j
= 1)
2
a11 = = r11 = a11 ( si on impose que r11 > 0)
r11
ai1 = ri1 r11 = ri1 = ra11
i1
, 2 i n.
Deuxime colonne : (j = 2)p
2 2 2
a22 = r21 + r22 = r22 = a22 r21 ( si on impose que r22 > 0)
1
ai2 = ri1 r21 + ri2 r22 = ri2 = r22 (ai2 ri1 ri2 ), 3 i n.
Ainsi on a construit l'algorithme suivant :
r11 = a11 ;
ri1 = ra11
i1
, 2 i n;
pour 2 j n
s
j1
P 2
r = a rjk ;
jj jj
k=1
j1
1
P
aij rik rjk , j + 1 i n.
rij = r
jj
k=1
Cot de la mthode
n
P n(n1)
n extractions de racines carrs, (n j) = 2
(divisions),
j=1
n
O( 13 n3 ) (cot() et cot(+))
P
2 (j 1)(n j) =
j=1
n
(j 1) = O( 21 n2 )
P
(cot() et cot(+) dans les racines carrs).
j=1
Cot total=O( 31 n3) la moiti de celui de Gauss.
2 Andr Louis Cholesky, franais, 1875-1918
6.2. MTHODES DIRECTES 73
Conclusion :
On peut utiliser la dcomposition RRt d'une matrice A symtrique dnie positive pour rsoudre
le systme linaire AX = b ou pour inverser A, de la mme manire que pour la dcomposition (LU).
n
Remarque 6.8. A = RRt det(A) = (det(R))2 = rii2 .
Q
1. Si o R = (rij )1i,jn alors,
i=1
2. La dcomposition A = RRt n'est pas unique si on n'impose pas que rii > 0, i = 1, 2, . . . , n.
j1
2 2
P
3. Pour une matrice dnie positive on a : rjj = ajj rjk > 0, donc, si a une tape de calcul
k=1
2
on trouve que rjj < 0, la matrice A n'est pas dnie positive.
transformation
(A, b) (In , b(n) ),
AX = b In X = b(n) X = b(n) .
Algorithme de Gauss-Jordan :
On pose A(1) = A et b(1) = b
..
(1)
(1)
a11
(1)
a12
(1)
a1n .
(1)
b1 L1
..
L(1)
(1) (1) (1) (1) 2
. a21 a22 a2n . b2
..
A(1) .. b(1) =
.. .. .. .. .. .
. . . . .
(1) (1) (1) .. (1)
an1 an2 ann . bn Ln
(1)
A la 1ere tape : Si
(1)
a11 6= 0 (sinon on fait une permutation de lignes) on fait les aectations
suivantes : (2)
1 (1)
L1
(1)
a11
L1
On obtient
..
(2)
1 a12 a1n
(2) (2)
. b1
(2) L1
..
L(2)
(2) (2) (2) 2
. 0 a a2n . b2
..
A(2) .. b(2) = . 22.. .. .. .. .
.. . . . .
(2) (2) .. (2)
0 an2 ann . bn Ln
(2)
74 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
o (1) (2)
(2) a (2) b1
a1j = 1j (1) , 1 j n; b1 = (1) ;
a11 a11
a(2) = 0, 2 i n;
i1
(2) (1) (1) (2)
aij = aij ai1 a1j , 2 i, j n;
(2) (1) (1) (2)
bi = bi ai1 b1 , 2 i n.
A la kieme tape (1 k n) : Si
(k)
akk 6= 0 (sinon on fait une permutation de lignes) on fait les
aectations suivantes :
(k+1) (k)
1
Li (k) L ,
akk i
On obtient donc
..
(k+1)
1 0 0
(k+1)
a1,k+1
(k+1)
a1,n .
(k+1)
b1 L1
.. .. .. .. ..
L(k+1)
(k+1) 2
. 1 . . . . b2
..
.. .. (k+1) (k+1) .. .
. 0 . 0 ak1,k+1 ak1,n .
..
(k+1) .. (k+1) .
.. .. (k+1) (k+1) .. ..
A .b =
. . 1 ak,k+1 akn . . ..
.. .. .. .
(k+1) (k+1)
. 0 ak+1,k+1 ak+1,n . .
..
.. .. .. .. ..
.
. . . . .
(k+1) (k+1) .. (k+1) (k+1)
0 0 an,k+1 an,n . bn Ln
o (k)
(k+1) akj
akj = ;
(k)
akk
k + 1 j n;
a(k+1) = a(k) a(k) a(k+1) ,
i = 1, n, i 6= k,
ij ij ik kj
(k)
(k+1) bk
bk =
(k)
akk
b(k+1) = b(k) a(k) b(k+1) i = 1, n, i 6= k.
i i ik k
Remarque 6.9. 1. Pour rsoudre un systme d'ordre n, la mthode de Gauss Jordan ncessite
3
O(n ) oprations (moins rapide que celle de Gauss).
transformation
(A, In ) (In , A1 ).
(0)
aux mthodes itratives qui consistent gnrer - partir d'un vecteur initial X choisi dans
n (n) (n+1)
R - une suite (X )nN telle que : X = F (X ) et lim X = X; o F : R Rn est
(n) (n) n
n+
un oprateur li la mthode.
AX = b (M N )X = b
M X = N X + b.
X = M 1 N X + M 1 b.
X = B X + M 1 b (1)
X (k) = B X (k1) + M 1 b, (2)
Alors
E (k) = B E (k1) = B 2 E (k2) = = B k E (0) o E (0) = X (0) X ,
ou encore
X (k) X = B k (X (0) X ).
La mthode converge si X (0) , lim X (k) = X , ce qui est vraie si
k+
i) Mthode de Jacobi : M = D, N = E + F
ii) Mthode de Gauss-Seidel : M = D E, N =F
iii) Mthode de relaxation : M = ( 1 )D E, N = ( 1 1)D + F, R .
Remarque 6.11.
2. La matrice M est inversible, car elle possde toujours les aii sur la diagonale.
3. la mthode de relaxation est une variante qui gnralise la mthode de Gauss-Seidel. L'in-
troduction du paramtre vise acclrer la convergence de cette dernire.
les (aii )i=1,2,...,n tant supposs non nuls ; tirons x1 de (1), x2 de (2) et x3 de (3), on obtient
et ainsi de suite, jusqu' satisfaction du critre d'arrt. (Il est vident qu'on ne peut pas calculer
le cot de la mthode).
3
La mthode de Gouss-Seidel revient au processus itratif suivant :
1ere tape :
(1) (0) (0) (1)
x1 = f (x2 , x3 ) Jacobi x1
(1) (1) (0)
x2 = g(x1 , x3 ) X (1) = x(1)
2
(1) (1) (1) (1)
x3 = h(x1 , x2 ) x3
2ieme tape : (2)
(2) (1) (1)
x1 = f (x2 , x3 ) x1
(2) (2) (1) (2) (2)
x2 = g(x1 , x3 ) X = x2
(2) (2) (2) (2)
x3 = h(x1 , x2 ) x3
(c'est dire toutes les composantes calcules (x1 , x2 , ..., xi1 ) sont utilises pour calculer xi ), et
ainsi de suite, jusqu' satisfaction du critre d'arrt.
Gnralisation
Soit AX = b un systme linaire d'ordre n o aii 6= 0, i = 1, 2, , n. Les quations (4), (5)
et (6) prcdentes se gnralisent comme suit :
n
!
X
x i = bi aij xj /aii , i = 1, 2, , n.
j=1, j6=i
Remarque 6.12. 1. S'il existe i0 [1, n] tel que ai0 i0 = 0, on procde une permutation de
ligne sur A (et sur b).
2. En gnral, la convergence de l'une de ces mthodes n'implique pas la convergence de l'autre.
J2 = 1 0 1 G2 = 0 12 12
1 1
2 2
0 0 0 12
avec (J2 ) = 1, 118 > 1, (G2 ) = 12 < 1, d'o la mthode de Gauss-Seidel converge
X (0) R3 , alors que celle de Jacobi ne converge pas X (0) R3 .
3.
0 41 14 0 14 14
J3 = 29 0 0 G3 = 0 18 1
8
4
0 3 0 0 6 16
1
avec (J3 ) = 0, 44 < 1, (G3 ) = 0, 018 < 1, d'o les deux mthodes convergent X (0)
R3 , mais comme (G3 ) < (J3 ) alors, la mthode qui converge plus rapidement est celle de
Gauss-Seidel.
4.
0 67 97 0 67 97
J4 = 45 0 4
5
G4 = 0 24
35
64
35
7 3 69 123
8 8
0 0 140 280
avec(J4 ) = 0, 64 < 1, (G3 ) = 0, 77 < 1, d'o les deux mthodes convergent X (0) R3 ,
mais comme (J4 ) < (G4 ) alors, la mthode qui converge plus rapidement est celle de
Jacobi.
80 CHAPITRE 6. RSOLUTION DES SYSTMES LINAIRES
n
X
kJk < 1 |ij | < 1, i = 1, 2, , n
j=1
et pour i x, on a
( |i1 | + |i2 | + + |in | ) < 1
ou encore
n
1 X
(|ai1 | + |ai2 | + + |ain |) < 1 = |aij | < |aii |
aii j=1, j6=i
Thorme 6.4. Pour que les processus itratifs de Jacobi et de Gauss-Seidel convergent ( X (0)
Rn ), il sut que la matrice A du systme AX = b soit diagonale dominante stricte (D.D.S).
Proposition 6.1. Si A est symtrique dnie positive, alors le processus itratif de Gauss-Seidel
converge X (0) Rn .
Mthode de relaxation
La matrice d'itration est dans ce cas B = M 1 N o M = ( 1 )D E, N = ( 1
)D + F,
avec un paramtre dans R .
On remarque que si = 1, cette mthode concide avec celle de Gauss-seidel ; on l'utilise pour
acclrer la convergence de Gauss-Seidel :
X (k+1) = (M 1 N )X (k) + M 1 b,
6.4 Exercices
Mthodes directes
Exercice 6.1. Soient les systmes d'quations linaires suivants :
x+yz =3 3x + y 5z = 14 3x y + 2z = 3
a) 2x y + 3z = 0 b) 2x + y 3z = 5 c) x y + z = 4
x 2y + z = 5 x y z = 4 2x + y z = 3
2x + 6y + 2z + 8t = 16
10x y + 2z = 6
9x z + 3t = 5
x + 4y + 2z + 2t = 5 x + 11y z + 3t = 25 2x + 4y + 9z + t = 1
d) e) f)
x + y + 2z + 4t = 9
2x y + 10z t = 11
x + 2y + 4z 8t = 3
x+y+z+t=2 3y + 8t z = 15 x + t z + 4y = 7
1. Rsoudre les systmes linaires donns par la mthode d'limination de Gauss (lorsque cela
est possible).
1 2 /1 3 /1 4 /1
1 1 3 /2 4 /2
A=
1 1 1 4 /3
1 1 1 1
1. En appliquant la mthode d'limination de Gauss ordinaire (les pivots tant supposes tous
non nuls), crire la forme gnrale de la matrice triangulaire obtenue, ainsi que le vecteur
constant.
Mthodes itratives
1 1
3
8
0 4 8
1
1
0
A= 0
, b=
3 3
1 1 5
2
0 8 8
X (k+1) = JX (k) + C.
i) Dterminer J et C .
ii) Calculer le polynme caractristique P de J.
iii) Sparer les racines de P.
vi) Que peut-on dire sur la convergence de la mthode de Jacobi.
3. i) Montrer que si tout coecient (ij ) de la matrice de Jacobi J associe un systme
1
linaire d'ordre n vrie : |ij | < n
, alors la mthode de Jacobi converge pour tout
vecteur initial X (0) Rn .
ii) En dduire que la mthode de Jacobi associe la matrice B = (bij )0i,j3 o
aij , si i 6= j;
bij = converge X (0) R3 .
8aii , si i = j,
6.4. EXERCICES 85
Exercice 6.8.
I) Soit le systme linaire AX = b o A Mn (R) et b Rn . Montrer que si le processus itratif
associ ce systme
X (0) Rn ,
X (k+1) = BX (k) + C, k 0.
converge vers X la solution exacte du systme AX = b, alors
i) kX X (k) k kBk
1kBk
kX (k) X (k1) k ( estimation pas pas )
1. Vrier que les processus itratifs de Jacobi et Gauss-Seidel associs au systme linaire
3
(1) convergent, quelque soit le vecteur initial de R . On dsigne par X la solution exacte
du systme (1).
2. Dans cette partie, on considre la mthode de Jacobi associe au systme (1)
X (0) R3 ,
o J et f sont dterminer
X (k+1) = JX (k) + f, k 0,
0 1 1
2. Soit la matrice B = 0 0 12
2 2 0
a) Quelle relation y-a-t-il entre les matrice A et B? Ecrire le processus itratif correspon-
dant.
2 1
A = 1 , o , R , vrient = 1 et b R3 .
1 2
X (0) R3 ,
X (k+1) = GX (k) + g.
0 0 1 b4
1. Que peut-on dire de la convergence des mthodes de Jacobi et Gauss-Seidel sans calculer
les matrices d'itration si
(a) = 3;
(b) = 2.
2. Dans le cas o = 3, dnissons b =t (1, 0, 2, 28).
i) Calculer la solution exacte du systme Ax = b, en utilisant la mthode de Gauss.
ii) Calculer les trois premiers itrs des mthodes de Jacobi et Gauss-Seidel en partant de
x(0) =t (0, 0, 0, 0).
iii) Comparer ces itrs la solution exacte. les rsultats sont-ils cohrents avec ceux de la
question 1-(a).
6.4. EXERCICES 87
iv) S'il y a convergence des deux mthodes, dterminer celle qui converge le plus vite.
Pourquoi ?
1
1 3
0 0
1 1
A= 3
1 3
, b= 1
1
0 3
1 0
1. Vrier que les processus itratifs de Jacobi et de Gauss-Seidel associs au systme linaire
AX = b convergent, pour tout vecteur initial de R3 .
2. On considre le processus itratif de Jacobi associ au systme (1) :
X (0) R3 ,
o J et f sont dterminer .
X (k+1) = JX (k) + f, k 0,
X vecteur propre de A C : AX = X.
Soit P le polynme caractristique de A. Alors
89
90 CHAPITRE 7. CALCUL DES VALEURS ET VECTEURS PROPRES D'UNE MATRICE
On a
P () = (1)n ( n
r(A)n1
Tn1 + n2
n2
+ n3 n3 . . . + det(A))
= (1)n n + k k
P
o 0 = det(A), n1 = T r(A).
k=0
Cette mthode permet le calcul des coecients du polynme P comme suit :
D'une part, d'aprs le thorme prcdent, on a
n1
X n1
X
n n k n
P (A) = (1) [A + k A ] = 0Mn (K) = A = k Ak , o k = k .
k=0 k=0
d'o P () = 2 5 2.
Remarque 7.2. D'autres mthodes de recherche des coecients de P existent(Faddeev, Lever-
rier,. . . ), mais l'inconvnient des mthodes directes rside dans le fait qu'il faut chercher les
racines de P, ce qui ncessite l'emploi de mthodes de rsolution d'quations non linaires.
n
X
(0)
i R, i = 1, n tel que X = i Vi .
i=1
n
X n
X
AX (0) = i AVi = i i Vi .
i=1 i=1
Appliquons de nouveau A
n
X n
X
2 (0) 2
AX = i A Vi = i 2i Vi ,
i=1 i=1
n n
Ak X (0) = i ki Vi = 1 k1 V1 + i ki Vi
P P
i=1 i=2
n k
k
i 1i Vi .
P
= 1 1 V1 +
i=2
n k
i
P
On voit que lorsque k tend vers +, i Vi tend vers 1 V1 .
1 V1 + 1
i=2
Par consquent, au bout d'un nombre susamment grand d'itrations, on peut crire
Par consquent,
kX (k+1) k
|1 | '
kX (k) k
En pratique, on utilise cette procdure comme suit :
Dans le but d'viter la manipulation (ventuelle) de nombres assez grands, on a intrt nor-
(k)
maliser chaque vecteur X pour k 1, c'est dire qu'on n'applique pas la matrice A au
(k) X (k) (k) (k)
vecteur X , mais au vecteur Y (k) = kX (k) k . Donc si on suppose que |xp | = max |xi |,
i
ieme (k)
la p composante de Y vaut 1,
ieme ieme (k)
la valeur propre 1 estime la k itrations est la p composante du vecteur X .
En eet ; quand k est assez grand et la p
ieme
composante de V1 est non nulle, on aura
(k+1)
xp k+1
1 1 v1,p
' = 1 .
(k)
xp k1 1 v1,p
92 CHAPITRE 7. CALCUL DES VALEURS ET VECTEURS PROPRES D'UNE MATRICE
X (k) = A Y (k1) ,
puis le vecteur
!
(k) (k)
x1 xn (k)
Y (k) = (k)
,..., (k)
, o |xp(k) | = max |xi |.
xp xp i
Alors,
(k) (k)
1 = x(k)
p et V1 = Y (k) .
4.
1 ' xp(k) et V1 ' Y (k) .
Remarque 7.3. Lorsque l'algorithme de la mthode de la puissance itre est appliqu la
matrice A1 , il dtermine la plus petite valeur propre de A, c'est la mthode de la puissance
itre inverse.
1 1
X (1) = AY (0) = (1, 2, 1) = p = 2, (1) = 2 et Y (1) = ( , 1, )
2 2
3 5 5 3 4
X (2) = AY (1) = ( , 2, ) = p = 3, (2) = et Y
(2)
=( , , 1)
2 2 2 5 5
7 8 19 19 7 8
X (3) = AY (2) = ( , , ) = p = 3, (3) = et Y
(3)
=( , , 1)
5 5 5 5 19 19
15 16 65 65 15 16
X (4) = AY (3) = ( , , ) = p = 3, (4) = et Y
(4)
=( , , 1)
19 19 19 19 65 65
31 32 211 211 31 32
X (5) = AY (4) = ( , , ) = p = 3, (5) = et Y
(4)
=( , , 1)
65 65 65 65 211 211
63 64 665 665 63 64
X (6) = AY (5) = ( , , ) = p = 3, (6) = et Y
(4)
=( , , 1).
211 211 211 211 665 665
Remarquons que la suite ((k) ) converge vers 1 = 3 et (Y (k) ) converge vers V1 = (0, 0, 1).
Remarque 7.4. Si on choisit un vecteur propre de la matrice A comme vecteur initial X (0) de
la mthode, on risque de ne pas avoir la plus grande des valeurs propres.
7.3. MTHODES ITRATIVES 93
3. Les valeurs propres d'une matrice triangulaire (ou diagonale) sont situes sur sa diagonale.
4. Une matrice A est dite diagonalisable si toutes les valeurs propres de cette matrice sont
simples.
5. Si toutes les sous matrices principales d'une matrice A sont inversibles, alors elle se dcom-
pose sous la forme A = LU o L est triangulaire infrieure unitaire et U est triangulaire
suprieure.
Ak+1 = Uk Lk = L1 1
k (Lk Uk )Lk = Lk Ak Lk ,
et
Ak+1 = L1 1 1 1
k (Lk Uk )Lk = Lk (Uk1 Lk1 )Lk = Lk Lk1 Ak1 Lk1 Lk ,
Ak+1 = L1 1 1 1
k Lk1 . . . L2 L1 A L1 L2 . . . Lk1 Lk .
Posons Lk = L1 L2 . . . Lk , alors on a Lk et L1
k sont des matrices triangulaires infrieures
1
unitaires pour tout k N et Ak+1 = Lk ALk .
Donc d'une part, on a Ak est semblable A pour tout k 2,
et d'autre part,
lim Ak = lim L1 AL, (7.1)
k+ k+
lim Ak = Q1 DQ = Q1 P 1 AP Q = (P Q)1 AP Q.
k+
94 CHAPITRE 7. CALCUL DES VALEURS ET VECTEURS PROPRES D'UNE MATRICE
D'aprs (7.1), on tire que les matrices P et Q sont triangulaires, ce qui implique que la suite
(Ak )kN converge vers une matrice triangulaire, elle a donc les mmes valeurs propres que D
et donc que A.
Dans la pratique, on se donne (trs petit>0) puis on construit la suite (Ak ) jusqu' ce que
k0 N tel que Ak0 soit approximativement triangulaire prs.
Chapitre 8
Rsolution des quations non linaires
Si f (a).f (b) < 0, alors par le thorme des valeurs intermdiaires, il existe au moins une racine
de f dans l'intervalle [a, b]. Si de plus, f est strictement monotone alors f est une bijection
et cette racine est unique dans [a, b].
Nous supposerons que est l'unique racine de f dans l'intervalle [a, b].
En gnral, les mthodes de rsolution numrique de f (x) = 0 sont des mthodes itratives.
Elles consistent construire une suite (xn )n convergente (le plus rapidement possible) vers .
Exemple 8.1. La fonction f dnie par : f (x) = ln x x1 , x ]0, +[ a une racine unique
5 5
dans l'intervalle [ 4 , 2 ]. En eet ; posons f1 (x) = ln x et f2 (x) = x1 . Alors
f (x) = 0 f1 (x) = f2 (x) et d'aprs le graphe
5 5
G(f1 ) G(f2 ) = (, f ()), [ , ] .
4 2
95
96 CHAPITRE 8. RSOLUTION DES QUATIONS NON LINAIRES
avec l'espoir que la suite (xn ) converge vers la solution du problme pos.
Interprtation gomtrique :
Chercher tel que f () = 0 revient chercher l'intersection du graphe de f avec l'axe des
abscisses.
Chercher tel que () = revient chercher l'intersection du graphe de f avec la droite
y = x, c'est dire trouver le point xe de , d'o le nom de la mthode.
Exemples : On peut remplacer l'quation f (x) = 0 par l'quation x = x f (x) = (x) ou par
f (x)
x=x = (x), a 6= 0.
Questions :
a
xn+1 = (xn )
x = (x)
Kn
| xn | |x1 x0 | o K est la constante de Lipschitz. (8.3)
1K
Dmonstration. i. Existence : on a |xn+1 xn | K n |x1 x0 |, n N. En eet ;
puisque xi+1 xi = (xi ) (xi1 ), i = 1, . . . , n et est K Lipschitzienne, alors
D'o, n, p N on aura
La suite (xn )n est donc de Cauchy dans R, donc convergente dans R (car R est complet).
Soit la limite de cette suite ; par continuit de , () = , d'o l'existence du point xe.
De plus, si on xe n et en faisant tendre p vers + on obtient
Kn
| xn | |x1 x0 |.
1K
ii. Unicit : soient 1 et 2 , deux points xes de . On a :
|1 2 | = |(1 ) (2 )| K|1 2 |,
Remarque 8.3. 1. est contractante sur [a, b] = est continue sur [a, b].
2. Plus la constante de Lipschitz K est petite, plus la convergence est rapide.
3. Dans la pratique, il faut d'abord dterminer l'intervalle sur lequel la fonction est contrac-
tante (si elle l'est !) puis ventuellement le rduire pour que ([a, b]) [a, b].
4. L'ingalit (8.3) nous permet d'estimer le nombre susant d'itrations n pour approcher
avec une prcision donne, il sura de prendre
(1K)
ln |x1 x0 |
n= + 1.
ln K
8.3. MTHODE DU POINT FIXE (DES APPROXIMATIONS SUCCESSIVES) 99
Il est important d'avoir un critre pratique assurant qu'une fonction est contractante (Lip-
schitzienne, avec 0 < K < 1).
Proposition 8.1. Soit une fonction drivable sur [a, b] R.
0
Si | (x)| K x [a, b], alors est KLipschitzienne sur [a, b].
donc, R
1 0
|(y) (x)| = 0 (x + t(y x))(y x)dt
R1
0 |0 (x + t(y x))||(y x)|dt K|y x|.
Ou bien, on utilise la formule des accroissements nis :
(y) (x) = 0 ()(y x), o ]x, y[,
donc
|(y) (x)| = |0 ()||y x| K|y x|.
max |0 (x)| < 1 = est contractante sur [a, b] avec K = max |0 (x)|.
x[a,b] x[a,b]
2. Cette proposition est bien utile car il est beaucoup plus facile de regarder le max de 0 que
de vrier que est contractante.
3. Attention : (x) = x + x1
soit la fonction pour x 1. On a 0 (x) = 1 1
x2
, alors
|0 (x)| < 1, x [1, +[ mais sup |0 (x)| = 1 et
x1
Proposition 8.2. L'image d'un intervalle ferm born [a, b] par une fonction continue est un
intervalle ferm born. Autrement dit : si est continue sur [a, b] alors
De plus,
1. = ([a, b]) = [(a), (b)].
est croissante
2.
est dcroissante = ([a, b]) = [(b), (a)].
x = x + f (x) = 1 (x), x R.
x = x f (x) = 2 (x), x R.
x = 12 3ex = 3 (x), x ln 4.
2
x = ln( 12x
3
) = 4 (x), 2 3 < x < 2 3.
2. Soit f (x) = tan x x. Cette fonction admet une seule racine dans [, 3
2
]. On peut crire
l'quation f (x) = 0 sous les deux formes suivantes :
a) x = tan x = 1 (x) et b) x = arctan x = 2 (x).
Cas a) : |01 (x)| = 1 + tan2 x > 1, x [, 3
2
], alors
la mthode du point xe correspondante diverge.
Interprtation gomtrique
0 () < 1
8.3. MTHODE DU POINT FIXE (DES APPROXIMATIONS SUCCESSIVES) 101
0 () > 1
1 < 0 () < 0
Dnition 8.2. Une mthode itrative dnie par xn+1 = (xn ) est d'ordre p ssi k R+
telles que
|xn+1 | |en+1 |
lim p
= lim = k,
n+ |xn | n+ |en |p
Dans le cas o est p fois drivables sur [a, b], le dveloppement de Taylor autour de donne :
xn+1 = (xn ) ()
(xn )2 00 (xn )p (p)
= (xn )0 () + 2!
() + ... + p!
() + (xn )p n (xn ),
Si0 () 6= 0, on obtient xn+1 0 ()(xn ) ((xn )a , a 2 est assez petit devant (xn
) quad n grand), d'o lim |e|en+1n|
|
= |0 ()| =
6 0 = p = 1.
n+
0 00 (xn )2 00
Si () = 0 et () 6= 0, on obtient xn+1 2
(), d'o
|en+1 | 1
lim 2
= |00 ()| =
6 0 = p = 2.
n+ |en | 2
Mthode (2) :
|xn+1 | = 0.75|xn |2 = (0.75)(0.75|xn1 |2 )2
= (0.75)3 |xn1 |4
n+1 1 n+1
= (0.75)2 |x0 |2 .
Question : Quel est pour chacune des deux mthodes, le nombre minimal d'itrations pour
avoir une erreur 108 , en supposant que |x0 | = 0.5 ?
n 8
mthode (1) : |xn+1 | = (0.75) |x0 | 10 n 62.
2n+1 1 2n+1
mthode (2) : |xn+1 | = (0.75) |x0 | 108 n 4.
Donc la deuxime mthode converge plus rapidement que la premire.
D'o, plus l'ordre p est grand, plus vite l'erreur dcrot.
F (XN )
8.4. MTHODES DE TYPE XN +1 = (XN ) = XN G(XN )
103
f (x)
(x) = x
f 0 (x)
Supposons qu'on a dtermin un intervalle [a, b] dans lequel f admet une racine spare .
Interprtation gomtrique
f (xn )
xn+1 = xn , n 0,
f 0 (xn )
1
c'est la formule de Newton-Raphson la plus utilise dans la recherche des racines de f.
Thorme 8.2. Soit f C 2 ([a, b]) vriant
Alors
xn+1 f 00 ()
lim =
n+ (xn )2 2f 0 ()
Dmonstration.
a) D'aprs le thorme des valeurs intermdiaires, les conditions (1) et (2) impliquent l'existence
et l'unicit de [a, b] telle que f () = 0.
b) Montrons la convergence de (xn )n vers .
i) Etudions la bornitude de la suite (xn )n On a xn+1 = xn f (xn )
f 0 (xn )
, alors
f (xn )
xn+1 = xn f 0 (xn )
f ()f (xn )
= xn + f 0 (xn )
(f () = 0). (1)
( xn )2 00
f () = f (xn ) + ( xn )f 0 (xn ) + f (n ), min(xn , ) n max(xn , ).
2!
En substituant l'expression de f () dans (1), on obtient
(x )2
f (xn )+(xn )f 0 (xn )+ n
f 00 (n )f (xn )
xn+1 = xn + 0
f (xn )
2!
(xn )2 f 00 (n )
= 2! f 0 (xn )
Cas (2) Soit f 0 (x) > 0 et f 00 (x) < 0, x [a, b], alors xn < , n N. Supposons que x0
est choisi de sorte que f (x0 ).f 00 (x0 ) > 0 et montrons que (xn )n est croissante.
Pour n = 0 : x1 = x0 ff0(x(x00)) x1 x0 = ff0(x(x00)) >; en eet, on choisit x0 tel que
f (x0 ) < 0 car f 00 (x0 ) < 0. Donc x1 x0 > 0 x1 > x0 .
Pour n N : xn+1 xn = ff0(x(xnn)) > 0; en eet,
xn < , n N
f (xn ) < f () = 0, n N ,
f croissante sur [a, b]
donc xn+1 xn > 0 xn+1 > xn n N .
Conclusion n N, xn+1 > xn , donc la suite (xn )nN est croissante majore, d'o elle
est convergente.
De la mme manire on traite les deux autres cas.
Commentaires : Il est trs important de choisir x0 aussi proche que possible de , sinon, non
seulement la suite (xn )nN peut converger vers une autre racine, mais peut aussi diverger.
Conclusion sur la mthode de Newton-Raphson
1. Avantage principal : en rgle gnrale, la convergence de cette mthode (si elle a lieu)
est quadratique (d'ordre 2) telle que |xn+1 | = k|xn |2 , k R, (celle du point xe
quelconque est, en gnral, d'ordre 1 |xn+1 | = k|xn |, k R).
2. Inconvnients :
a) choix du point de dpart x0 pour avoir la convergence,
b) calcul, chaque tape,
0
de f (xn ) en plus de f (xn ).
8.5 Conclusion
1. L'avantage de la mthode du point xe est que si elle converge, elle convergera quelle que
soit la valeur initiale choisie dans l'intervalle de convergence. Son inconvnient principal
est sa lenteur de convergence, on peut nanmoins l'acclrer.
2. La mthode de Newton-Raphson est plus rapide car la vitesse de convergence est d'ordre au
moins 2 ; la dicult rside dans le choix de la valeur initiale !
3. Les direntes mthodes proposes ont leurs avantages et leurs inconvnients, on choisira
celle qui convient le mieux au problme pos ! On voit qu'il est donc ncessaire d'tudier
correctement les algorithmes avant de se lancer dans la programmation ! C'est la dmarche
obligatoire en analyse numrique.
8.6. EXERCICES 107
8.6 Exercices
Exercice 8.2. On considre la fonction f dnie par f (x) = x3 ex , x R.
1. Sparer les racines de f, puis montrer que f (x) = 0 admet une solution relle unique et
1
que [ 2 , 1].
1
x = f (x) = (ex + x), x [0, 1], R+ . (8.4)
+1
1. a) Montrer que les hypothses du thorme du point xe sont vries par f dans l'intervalle
[0, 1].
b) En dduire que l'quation (8.4) admet une solution spare
1
[ +1 , 1].
2. Soit l'quation :
F (x) = ex x = 0. (8.5)
a) Quelle relation y a t-il entre les quations (8.4) et (8.5) ?
b) Les hypothses du thorme de Newton sont elles vries dans l'intervalle [0,1] ?
c) Trouver un sous intervalle I ferm de [0, 1] dans lequel l'algorithme de Newton appliqu
l'quation (8.5) converge x0 I.
Exercice 8.4. Soit l'quation f (x) = 0 o f (x) = x2 ex + 2x 1, x R.
1. Montrer que l'quation f (x) = 0 admet une seule solution relle positive s. Vrier que
3 1
s [ 10 , 2 ].
3 1
2. Montrer que la mthode de Newton est applicable sur [ 10 , 2 ].
3. Approcher s 0, 5.103 prs, par cette mthode.
Exercice 8.5.
On considre la matrice A dnis par :
0 1 1
A = 0 0 12
2 2 0
23n + 1
1
n+1 = , n 0.
3 2n + 1
(n+1 n )2 0
f (n+1 ) = f (n ) + (n+1 n )f 0 (n ) + f (n )
2!
o n ]n+1 , n [ (ou ]n , n+1 [ ). Montrer que
M
|n+1 | |n+1 n |2
2m
o M = max
1 1
|P 00 ()|, m = min
1 1
|P 0 ()|.
x[ 10 , 3 ] x[ 10 , 3 ]
f (x) = ex x + 1, x R.
1. Montrer que l'quation f (x) = 0 admet une solution spare dans l'intervalle [1, 2].
2. Dterminer un intervalle I et une fonction tels que la mthode du point xe converge vers
la solution , en prenant x0 = 1.
Exercice 8.8. On considre la fonction f dnie par : f (x) = x2 ln(x + 1), x I = [ 21 , 1].
1. Montrer graphiquement que f (x) = 0 admet une seule solution relle strictement positive
1
et que [ 2 , 1].
2. Montrer que l'quation f (x) = 0 est quivalente aux quations x = i (x), i = 1, 2 dans I.
x2
p
o 1 (x) = ln(x + 1), 2 (x) = e 1, x I.
3. Montrer que 1 vrie les hypothses du thorme du point xe dans I, conclure.
a)
xn
2. Montrer que la suite x0 [ 12 , 1], xn+1 = e 3 converge vers .
b) Pour x0 = 1, dterminer n le nombre d'itrations minimal pour que |xn | 5.102 .
3. a) Peut-on appliquer la mthode de Newton dans [ 12 , 1]? Donner l'expression de (xn )n en
prcisant le choix de x0 .
b) Calculer 5.102 prs, partant de x0 = 1. Exprimer le rsultat au dernier c.s.e.
4. Conclure.
2. Montrer que l'quation f (x) = 0 est quivalente l'quation x = (x) o (x) = 1 sin x
3. a) Montrer que la fonction vrie les hypothses du thorme du point xe dans l'inter-
valle [0, 39, 0, 65]
b) Quel est le nombre d'itrations susant pour approcher 102 prs en partant de
x0 = 0, 39.
4. Montrer que l'quation f (x) = 0 est aussi quivalente l'quation x = (x) o (x) =
(x) + (1 )x, est un paramtre rel et est la fonction donne en deuxime question.
7. a) Montrer que la mthode de Newton est applicable dans l'intervalle [0, 39, 0, 65]
b) Calculer une valeur approche de 102 prs par la mthode de Newton.
Exercice 8.12. I. (Mthode de la scante) : Soit f : [a, b] R une fonction de classe C 2 dans
[a, b]. On fait de plus les hypothses suivantes
b xn
xn+1 = xn f (xn ) et x0 = a.
f (b) f (xn )
1. Donner une interprtation gomtrique de ce processus.
1 2 1
(x) = x +x+ , > 1.
2 2
110 CHAPITRE 8. RSOLUTION DES QUATIONS NON LINAIRES
1. Montrer que est contractante dans [1, ] et que [1, ] est stable par .
2. En dduire que le processus converge vers calculer.
1 1
|xn | (1 )n+1 .
2
Exercice 8.13.
x
On considre la fonction g dnie par : g(x) = 2
+ x1 , x > 0.
1. Montrer que l'quation g(x) = x admet une solution unique dans [1, 3].
3. Montrer que la fonction g est la fonction de Newton-Raphson d'une certaine fonction f que
l'on explicitera.
x A
4. En dduire que la mthode du point xe pour la fonction dnie par (x) = + , x>
2 2x
0 (A > 0), est un moyen de dterminer A.
Chapitre 9
Rsolution des quations direntielles
ordinaires
Remarque 9.1. La variable indpendante t reprsente trs souvent (mais pas toujours) le
temps. La condition initiale y(t0 ) = y0 est en quelque sorte l'tat de la solution au moment
o on commence s'y intresser. Il s'agit d'obtenir y(t) pour t [t0 , T ] si on cherche une
solution analytique, ou une approximation de y(t), si on utilise une mthode numrique.
Commenons par prsenter quelques exemples des problmes de Cauchy qu'on peut rsoudre
analytiquement :
y(0) = 1.
111
112 CHAPITRE 9. RSOLUTION DES QUATIONS DIFFRENTIELLES ORDINAIRES
Cet exemple est l'un des exemples les plus simples que l'on puisse imaginer. En intgrant de
2
chaque ct, on aura y(t) = t2 + c o c est une constante relle, pour dterminer cette
constante, il sut d'imposer la codition initiale, y(0) = 1. On obtient
t2
y(t) = + 1, t [0, 1].
2
Exemple 9.2. Soit le problme de Cauchy :
0
y (t) = y, t [0, 1]
y(0) = 0.
Il sut pas dans ce cas d'intgrer les deux ctes de l'quation pour obtenir la solution. On doit
d'abord sparer les variables en crivant par exemple :
dy
= dt, y 6= 0
y
2
t+c
2 y = t + c y(t) =
2
2
y(0) = 0 c = 0. Donc y(t) = t4 est une solution du problme
puis, donn.
Remarquons aussi que y 0 est une solution de notre problme.
= t lny t +
0 1
y ln t
, t [e, 5]
y(e) = e.
t+c
y(t) = o c est une constante relle arbitraire,
ln t
t
puis la codition initiale donne c = 1. La solution du problme donn est alors y(t) = ln t
.
Le thorme suivant nous donne des conditions susantes qui assurent l'existence et l'unicit
de la solution (thorique) du problme (9.1).
Thorme 9.1. Soit f : [t0 , T ] R R une fonction telle que
Remarque 9.2. 1. Remarquons que la fonction f (t, y) = t lny t + ln1 t est continue sur ]0, +[R,
donc elle est continue sur l'intervalle [e, 5] R. De plus, elle est Lipschitzienne par rapport y
sur [e, 5] avec la constante de Lipschitz L = 1e . En eet ; pour tout t [e, 5] et y 1 , y2 R on a
y1 1 y2 1
|f (t, y1 ) f (t, y2 )| = | t ln t
+ ln t
+ t ln t
ln t
|
1
= |y
t ln t 1
y2 |
1
|y
e 1
y2 |,
2. Par contre le second membre du deuxime problme f (t, y) = y n'est pas Lipschitzien par
rapport y. En eet ; Pour y1 R quelconque et y2 = 0 on a
|f (t, y1 ) f (t, y2 )| = | y1 0| = y1 y1 .
D'o, la possibilit d'avoir plus d'une solution de ce problme, (analytiquement on a trouv deux
t2
solutions y1 (t) = 0 et y2 (t) = 4 sur [0, 1]).
On peut rsoudre analytiquement que quelques types d' quations direntielles (par
exemple les quations variables sparables, linaire, Bernoulli, Riccati...) mais
il y a une large classe d'quations direntielles non rsolubles analytiquement.
La rsolution numrique est ici essentielle. Dans la suite, nous nous placerons dans les
conditions du thorme 9.1.
Remarque 9.3. 1. Avec les outils numriques de rsolution d'quations direntielles il n'est
pas possible d'obtenir une solution pour toutes les valeurs de la variable t. On obtient plutt
une approximation de la solution analytique seulement pour certaines valeurs de t notes ti
et distances d'une valeur hi = ti+1 ti . Dans les mthodes prsentes, cette distance est
constante pour tout i et est note h. On l'appelle le pas de temps.
2. On note y(ti ) la solution analytique de l'quation direntielle (9.1) en t = ti , et yi la
solution approximative en t = ti l'aide d'une mthode numrique.
On peut donc suivre la droite passant par (t0 , y0 ) et de pente f (t0 , y0 ). L'quation de cette droite,
note d0 (t), est :
d0 (t) = f (t0 , y0 )(t t0 ) + y0
et est illustre par la gure (A)
114 CHAPITRE 9. RSOLUTION DES QUATIONS DIFFRENTIELLES ORDINAIRES
En t = t1 , on a :
En d'autres termes, d0 (t1 ) est proche de la solution analytique y(t1 ), c'est dire
Il est important de noter que, le plus souvent, y1 6= y(t1 ). Donc si on souhaite faire une deuxime
itration et obtenir une approximation de y(t2 ), on peut refaire l'analyse prcdente partir du
point (t1 , y1 ). on remarque cependant que la pente de la solution analytique en t = t1 est :
On ne connat pas exactement y(t1 ), mais nous possdons l'approximation y1 de y(t1 ). On doit
alors utiliser l'expression :
Algorithme d'Euler2
(1) Etant donn un pas h, une condition initiale (t0 , y0 ), et un nombre maximal d'itrations N.
(2)
Pour 0nN
yn+1 = yn + hf (tn , yn )
et tn+1 = tn + h
Remarque 9.4. La mthode d'Euler est de loin la mthode la plus simple de rsolution num-
rique d'quations direntielles ordinaires. Elle possde une belle interprtation gomtrique et
son emploi est facile. Toutefois, elle est relativement peu utilise en raison de sa prcision.
y 0 (t) = y(t) + t + 1
y(0) = 1.
On prend h = 0, 1 et f (t, y) = y + t + 1. Le tableau suivant rassemble les rsultats des dix
premires itrations. On peut montrer que la solution analytique de cette quation est :
y(t) = et + t,
ce qui permet de comparer les solutions numrique et analytique et de constater la croissance
de l'erreur
ti y(ti ) yi |y(ti ) yi |
0, 0 1, 000000 1, 000000 0, 000000
0, 1 1, 004837 1, 000000 0, 004837
0, 2 1, 018731 1, 010000 0, 008731
0, 3 1, 040818 1, 029000 0, 011818
0, 4 1, 070302 1, 056100 0, 014220
0, 5 1, 106531 1, 090490 0, 016041
0, 6 1, 148812 1, 131441 0, 017371
0, 7 1, 196580 1, 178297 0, 018288
0, 8 1, 249329 1, 230467 0, 018862
0, 9 1, 306570 1, 287420 0, 019150
1, 0 1, 367879 1, 348678 0, 019201
y(tn+1 ) = y(tn + h)
y 00 (tn ) 2
= y(tn ) + y 0 (tn )h + 2
h + o(h2 ).
2 Leonhard Euler, 1707-1783
116 CHAPITRE 9. RSOLUTION DES QUATIONS DIFFRENTIELLES ORDINAIRES
et on a :
f (t, y(t)) f (t, y(t)) 0
f 0 (t, y(t)) = + y (t),
t y
donc
f (t, y(t)) f (t, y(t))
f 0 (t, y(t)) = + f (t, y(t)).
t y
Ainsi, on obtient
Pour 0nN
h2 f (tn ,yn ) f (tn ,yn )
yn+1 = yn + hf (tn , yn ) + 2
( t + y
f (tn , yn ))
et tn+1 = tn + h
(3) Arrt.
Remarque 9.5.
Dans cet algorithme, on a remplac la solution analytique y(tn ) par son approximation yn dans
la relation (9.3). On en conclut que les erreurs se propagent d'une itration une autre.
y 0 (t) = y(t) + t + 1
y(0) = 1.
f f
On prend h = 0, 1. Dans ce cas f (t, y) = y + t + 1
et t (t, y) = 1, ty (t, y) = 1. Le
tableau suivant rassemble les rsultats des dix premires itrations ce qui permet de comparer les
9.4. MTHODES DE RUNGE-KUTTA 117
Remarque 9.7. Si l'on veut encore rduire la marge d'erreur, on poursuive le dveloppement
de Taylor dans (9.2) jusqu' des termes d'ordre lev. On doit alors valuer les drives de la
fonction f (t, y(t)) d'ordre de plus en plus lev, ce qui ncessite le calcul supplmentaire de :
2f 2f 2f i+j f
, , , ..., .
t2 y 2 ty ti j
Pour cette raison, les mthodes obtenues sont diciles utiliser. pour contourner cette dicult
on dveloppe les mthodes de Runge-Kutta.
Le but est de remplacer cette dernire relation par une expression quivalente possdant le mme
2
ordre de prcision (o(h )). On propose la forme :
o on doit dterminer les paramtres a1 , a2 , a3 et a4 de telle sorte que les expressions (9.4) et
(9.5) aient toutes les deux une erreur en o(h2 ). Pour y arriver, on doit utiliser le dveloppement
de Taylor en deux variables autour du point (tn , y(tn )). On a ainsi :
a1 + a2 = 1
a2 a3 = 21 (9.7)
a2 a4 = f (tn ,y(tn)
2
Le systme (9.7) a moins d'quations que d'inconnues et donc n'a pas de solution unique. Cela
ore une marge de manoeuvre qui favorise la mise au point de plusieurs variantes de la mthode
de Runge-Kutta. Voici le choix le plus couramment utilis.
1
a1 = a2 = , a3 = 1, et a4 = f (tn , y(tn )
2
Il sut ensuite de remplacer ces valeurs dans l'quation (9.5). Pour ce faire, on nglige le terme
2
en o(h ) et on remplace y(tn ) par son approximation yn . On obtient alors l'algorithme suivant :
et tn+1 = tn + h
Remarque 9.8.
Pour faciliter les calculs, l'valuation de yn+1 est faite en deux tapes. La variable temporaire yb
correspond tout simplement une itration de la mthode d'Euler. On fait ainsi une prdiction
yb de la solution en tn+1 qui est corrige (et amliore) la deuxime tape de l'algorithme.
Exemple 9.6.
Soit le problme de cauchy :
y 0 (t) = y(t) + t + 1
y(0) = 1.
On choisit le pas de temps h = 0, 1.
Itration 1 : yb = hf (t0 , y0 ) = 1
qui est le rsultat obtenu l'aide de la mthode d'Euler. La deuxime tape donne :
h
y1 = y0 + [f (t0 , y0 ) + f (t1 , yb)] = 1, 005.
2
Itration 2 : yb = hf (t1 , y1 ) = 1, 0145
La correction conduit son tour :
h
y2 = y1 + [f (t1 , y1 ) + f (t2 , yb)] = 1, 019025.
2
et tn+1 = tn + h
Remarque 9.9. La mthode est dite du point milieu car la fonction f (t, y) est value au point
milieu de l'intervalle [tn , tn+1 ].
Remarque 9.10. Les mthodes d'Euler modie et du point milieu tant du mme ordre de
troncature locale, leur prcision est semblable. D'autre choix sont possibles pour les coecients
ai , mais nous nous limitons aux deux mthodes prcdentes.
120 CHAPITRE 9. RSOLUTION DES QUATIONS DIFFRENTIELLES ORDINAIRES
Pour 0nN
K 1 = hf (tn , yn )
K1
K 2 = hf (tn + h2 , yn + 2
)
K2
K 3 = hf (tn + h2 , yn + 2
)
K 4 = hf (tn + h, yn + K3 )
et tn+1 = tn + h
Remarque 9.11. La mthode de Rung-Kutta d'ordre 4 est trs frquemment utilise en raison
de sa grande prcision qui est mise en vidence dans l'exemple suivant :
y 0 (t) = y(t) + t + 1
y(0) = 1.
On prend h = 0, 1 et f (t, y) = y + t + 1.
Itration 1 :
K 1 = hf (t0 , y0 ) = 0
K 2 = hf (t0 + h2 , y0 + K1
2
) = 0, 005
K 3 = hf (t0 + h2 , y0 + K22 ) = 0, 00475
K 4 = hf (t0 + h, y0 + K3 ) = 0, 009525
ce qui entrane que : y1 = y0 + 61 [K1 + 2K2 + 2K3 + K4 ] = 1, 0048375.
Itration 2 :
K 1 = hf (t1 , y1 ) = 0, 00951625
K 2 = hf (t1 + h2 , y1 + K21 ) = 0, 014040438
K 3 = hf (t1 + h2 , y1 + K22 ) = 0, 0138142281
K 4 = hf (t1 + h, y1 + K3 ) = 0, 0187309014
ce qui entrane que : y2 = y1 + 61 [K1 + 2K2 + 2K3 + K4 ] = 1, 0187309014.
9.5. MTHODES UN PAS GNRIQUE 121
Le tableau suivant rassemble les rsultats des dix premires itrations ce qui permet de comparer
les solutions numrique et analytique et de constater la croissance de l'erreur, et la comparer
avec les mthodes (Euler, Taylor).
ti y(ti ) yi |y(ti ) yi |
0, 0 1, 0000000000 1, 000000 0
0, 1 1, 0048374180 1, 0048375000 0, 819 107
0, 2 1, 0187307798 1, 0187309014 0, 148 106
0, 3 1, 0408182207 1, 0408184220 0, 210 106
0, 4 1, 0703200460 1, 0703202889 0, 242 106
0, 5 1, 1065306597 1, 1065309344 0, 274 106
0, 6 1, 1488116361 1, 1488119343 0, 298 106
0, 7 1, 1965853034 1, 1965856186 0, 314 106
0, 8 1, 2493289641 1, 2493292897 0, 325 106
0, 9 1, 3065696598 1, 3065799912 0, 331 106
1, 0 1, 3678794412 1, 3678797744 0, 333 106
Remarque 9.12.
On constate que l'erreur se situe autour de 106 , ce qui se compare avantageusement avec les
erreurs obtenues l'aide de mthodes d'ordre moins lev (Euler, Taylor, Runge-Kutta d'ordre
2).
Dnition 9.3. (La stabilit) Une mthode un pas est dite stable s'il existe une constante
K indpendante de h telle que, pour tout y0 , y0 et yi+1 = yi + (ti , y(ti ), h) on a
i1
X
yi+1 = yi + (ti , y(ti ), h) + i vriant |yi yi | K|y0 y0 | + |i | i = 0, . . . , n.
i=0
y(ti+1 ) y(ti )
ei = (ti , yi , h).
h
Soit f de classe Cp [t0 , T ] R. La mthode M est d'ordre p si ei = O(hp ) c..d
sur
y(i + 1) y(i)
C R+ / (ti , yi , h) C.hp i (0, n).
h
La mthode M convergera (yn y(n) quand h 0 i (0, n)), donc d'autant plus vite que
p sera grand.
k 1
k
(t, y, h)|h=0 = f (k) (x, y), 0 k p 1.
h k+1
2. k=1:
h
(t, y, h)|h=0 = 0 6= 12 f 0 (t, y) = 21 ( f
t
+ f
y
f ).
9.5. MTHODES UN PAS GNRIQUE 123
k 1
k
(t, y, h)|h=0 = f (k) (x, y), 0 k p 1.
h k+1
1. k = 0 : (t, y, 0) = f (t, y) vrie
2. k=1:
h
(t, y, h)|h=0 = 1 0
2
f (t, y) = 21 ( f
t
+ f
y
f ). En eet ;
f (t + h2 ) f (y + h2 f (t, y))
(t, y, h) = +
h t h y h
1 f (t, y) 1 f (t, y)
(t, y, h)|h=0 = + f (t, y) .
h 2 t 2 y
On montrera de mme que, pour k = 2, l'galit n'a pas lieu. On en tire que p = 2,
donc la mthode d'Euler est d'ordre 2.
124 CHAPITRE 9. RSOLUTION DES QUATIONS DIFFRENTIELLES ORDINAIRES
9.6 Exercices
Exercice 9.1. Faire trois itrations avec le pas h = 0, 1 des mthodes d'Euler, d'Euler modie,
du point milieu et de Runge-Kutta d'ordre 4 pour les quations direntielles suivantes :
y(0) = 1.
2. Prendre cinq subdivisions sur l'intervalle [0, 1] et appliquer les mthodes : d'Euler, Euler
modie, point milieu.
Ecrire les valeurs obtenues, dans un tableau et comparer chacune avec la valeur exacte (en
calculant l'erreur relative correspondante).
3. Quelle est la mthode qui donne de meilleures valeurs approches de la solution exacte ?
y(0) = 1, 24,
y(t) = 2, 24et (t 1)
2. Quelle est la mthode qui donne la meilleure valeur approche de la solution exacte au point
t = 3?
9.6. EXERCICES 125
Exercice 9.5. Soit l'quation direntielle : y 0 (t) = t(y(t)) avec y(1) = 2, dont on connat
la solution exacte :
2 1)/2
y(t) = 2e(t .
1. En prenant successivement h = 0, 5, h = 0, 25, h = 0, 125 et h = 0, 0625.
Approcher dans chaque cas y(2) en appliquant la mthode de Taylor d'ordre 2 et calculer
l'erreur absolue commise dans chaque cas en comparant les rsultats obtenus avec la valeur
exacte y(2).
2. Conclure