Documente Academic
Documente Profesional
Documente Cultură
Mathmatiques Appliques.
Elment de module AP-41-2 : Analyse Numrique.
Polycopi du cours
Mohammed Heyouni 1
Contenu du polycopi
Ce polycopi de cours de llment de Module AP-45-2 : ANALYSE NUMERIQUE sadresse aux lves
de la deuxime anne du cycle prparatoire de lEcole Nationale des Sciences Appliques dAl-Hoceima
(ENASH). Le cours traite, autant que possible, le contenu des chapitres ci-dessous. Ce contenu a t
adopt lors de la demande de renouvellement daccrditation, selon le nouveau CNPN (Cahier des
Normes Pdagogiques Nationales) pour lanne 2014.
2 Interpolation polynomiale 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Dtermination du polynme dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Cas n = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Cas gnral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Les polynmes de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1 Expression des polynmes de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.2 Le polynme dinterpolation dans la base de Lagrange . . . . . . . . . . . . . . . . . 28
2.4 Les polynmes de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.1 Diffrences divises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.2 Le polynme dinterpolation dans la base de Newton . . . . . . . . . . . . . . . . . . 29
2.5 Erreur dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 lalgorithme de Neville-Aitken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6.1 Description de lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6.2 Mise en oeuvre de lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Intgration numrique 35
3.1 Quelques outils de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Quelques formules dintgration "simples" . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Formule du rectangle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Formule des trapzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.3 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Obtention des formules de quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.1 Lide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.2 Etude de quelques exemples classiques . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Les formules composites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
iii
iv TABLE DES MATIRES
1.1 Gnralits
Soit rsoudre le systme linaire
A x = b, (1.1)
1
o A Rn n
est une matrice relle inversible de taille n et x, b R . Dans la suite, x = A
n
b dsignera
la solution exacte de ce systme.
Faisons remarquer que les formules de Cramer ci-dessus sont trs peu utilises (voire ne sont pas
utilises) dans la pratique car leur cot opratoire est de lordre de ( n + 1)! flops. Ainsi, en supposant
quon dispose dun ordinateur capable deffectuer 109 flops par seconde, alors il nous faudrait 9.6 1047
annes pour rsoudre un systme linaire ayant 50 inconnues comme le montre le tableau ci-dessous !
Ajoutons cela que mme pour des systmes linaire de tailles "modestes", le calcul, sur des ordinateur,
de la solution x par la mthode de Cramer est entach par la propagation des erreurs darrondi et de
troncature.
Pour toutes ses raisons, de nombreuses mthodes qui permettent de rsoudre (1.1) ont t dveloppes.
Ces mthodes sont gnralement subdivises en :
1
2 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
Mthodes directes. Ces mthodes fournissent la solution du systme en un nombre fini dtapes.
- Elles sont gnralement utilises pour des systmes ayant une matrice dense.
- Elles sont bases sur une dcomposition de la matrice A sous forme dun produit de matrices
plus "simples" manipuler : A = L U , A = Q R , A = L D L T , A = S S T , ...
o lapproximation initiale x(0) est donne. La matrice B Rnn dpend de A et est appele
matrice ditration et le vecteur d Rn dpend du vecteur second membre b.
- Les mthodes de type Krylov telle que la mthode dorthogonalization complte (FOM), la m-
thode du rsidu minimal gnralis (GMRES), la mthode du rsidu quasi-minimal (QMR),
la mthode de changement du rsidu minimal (CMRH), ... etc. Ces mthodes sont gnrale-
ment appliques des systmes de trs grande taille et dont la matrice est creuse.
En partant dune approximation initiale x(0) dont le rsidu est r (0) = b A x(0) , les mthodes
de Krylov construisent des solutions approches de la forme
o Vk Rk est une matrice qui dpend de litration courante et dont les vecteurs colonnes
forment une base de K k ( r (0) , A ) = s pan{ r (0) , A r (0) , . . . , A k1 r (0) } (le sous espace de Krylov en-
gendr par r (0) , A r (0) , . . . , A k1 r (0) ) et d (k) Rk est dtermin par une condition dorthogonalit
de la forme r (k) K k ( r (0) , A ), ou r (k) A K k ( r (0) , A ). Il est noter quen arithmtique exacte,
la suite des itres x(k) converge vers x en moins de n itrations.
k r ( k) k
< (k r (k) k < ),
k r (0) k
o r (k) := b A x(k) .
Avant de passer la description des mthodes cites ci-dessus, signalons quun des points les plus essen-
tiels dans lefficacit des mthodes de rsolution de systmes linaires concerne la taille des systmes
1.2. RAPPELS ET COMPLMENTS DALGBRE LINAIRE 3
rsoudre. Entre 1980 et 2000, la taille de la mmoire des ordinateurs a augment. La taille des systmes
quon peut rsoudre sur ordinateur a donc galement augment, selon lordre de grandeur suivant :
1980 2000
matrice pleine (tous les termes sont non nuls) n = 100 n = 106
matrice creuse (peu dlments non nuls) n = 106 n = 108
Dfinition 1.3.
Soit A une matrice relle de taille n. On dit que A est dfinie positive si pour tout x Rn , x 6= 0 =
xT A x > 0.
Dfinition 1.4.
Soit A une matrice relle de taille n. On appelle rayon spectral de A quon note ( A ) la plus grande
valeur propre en module, i.e.,
( A ) = max {| i |; i valeur propre de A }.
i =1,...,n
Proposition 1.1.
Soit A Rnn une matrice relle de taille n alors :
- Si A est diagonale strictement dominante alors A est inversible.
- Si A est symtrique alors toutes ses valeurs propres sont relles.
- Si A est symtrique dfinie positive alors toutes ses valeurs propres sont strictement positives.
systme triangulaire infrieur tel que celui dcrit par la systme (T i ) ci dessous,
a x = b1
1,1 1
a 2,1 x1 + a 2,2 x2 = b2
(T i ) . .. ,
.. .
a n,1 x1 + a n,2 x2 + . . . + a n,n xn = b n
4 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
la rsolution se fait via les formules de descente (ou encore substitution directe) rsumes dans
b1
- x1 = ;
a 1,1
- pour i = 2, 3, . . . , n faire
1 iX1
xi = (b i a i, j x j )
a i,i j =1
fin pour.
systme triangulaire suprieur tel que celui dcrit par la systme (Ts ) ci dessous,
a 1,1 x1 + a 1,2 x2 + ... + a 1,n xn = b1
a 2,2 x2 + ... + a 2,n xn = b2
(T s ) .. .. ..
. . .
a n,n xn = bn
la rsolution se fait via les formules de remonte (ou encore substitution rtrograde) rsumes
dans lalgorithme ci dessous
bn
- xn = ;
a n,n
- pour i = n 1, n 2, . . . , 1 faire
1 Xn
xi = (b i a i, j x j )
a i,i j = i +1
fin pour.
Notons que pour les deux systmes le cot opratoire est de lordre de n2 flops.
Cette mthode est base essentiellement sur lutilisation de combinaisons linaires entre lignes (et/ou
de permutations de lignes ou de colonnes) du systme dans le but de transformer progressivement le
systme de dpart en un systme triangulaire suprieure plus facile rsoudre. En effet, rappelons que
la solution dun systme linaire ne change pas quand on ajoute une quation donne une combinaison
linaire des autres quations.
La simplicit et lefficacit de lalgorithme de cette mthode font que la mthode de Gauss est trs
utilise dans la pratique et quelle est la base de plusieurs algorithmes de rsolution de systmes
linaires. Dans la suite, nous abordons le principe de cette mthode laide de quelques exemples.
1.3. MTHODES DIRECTES 5
2 x1 + x2 + x3 = 3
4 x1 + 3 x2 + 3 x3 + 5
x4 =
(S )
8 x1 + 7 x2 + 9 x3 + 5 x4 = 7
6 x1 + 7 x2 + 9 x3 + 8 x4 = 1
2 1 1 0 3
0 1 1 1 1 l 2 l 2 2 l 1 = l 2 l 2,1 l 1
A (1) b(1) =
0 3 5 5 5 l 3 l 3 4 l 1 = l 3 l 3,1 l 1
0 4 6 8 10 l 4 l 4 3 l 1 = l 4 l 4,1 l 1
2 1 1 0 3
0 1 1 1 1
A (2) b(2) =
0
0 2 2 2 l 3 l 3 3 l 2 = l 3 l 3,2 l 2
0 0 2 4 6 l 4 l 4 4 l 2 = l 4 l 4,2 l 2
2 1 1 0 1
0 1 1 1 1
A (3) b(3) =
0
0 2 2 2
0 0 0 2 4 l 4 l 4 l 3 = l 4 l 4,3 l 3 ,
a(i,k
k1)
o l i,k = pour k = 1, 2, 3 et i = k + 1, . . . , 4. Ainsi
a(k,k
k1)
2 x1 + x2 + x3 = 3
1
x2 + x3 + x4 =
(S )
2 x3 + 2 x4 = 2
2 x4 = 4
et on obtient alors x1 = 1, x2 = 0, x3 = 1 et x4 = 2.
Les deux systmes prcdents ayant la mme matrice A , nous allons appliquer la mthode dli-
mination de Gauss en utilisant le tableau 3 lignes 5 colonnes form par les lments de la matrice
6 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
a(i,k
k1)
avec l i,k = pour k = 1, 2 et i = k + 1, . . . , 3. Ainsi
a(k,k
k1)
x1 + x2 + 2 x3 = 2 x1 + x2 + 2 x3 = 2
(S 1 ) x2 5 x3 = 1 et (S 2 ) x2 5 x3 = 2
0 = 2 0 = 0
On en dduit que le systme (S 1 ) na pas de solutions et nest donc pas compatible. Quant au
systme (S 2 ), il possde une infinit de solutions de la forme x3 = , x2 = 2 5 et x1 = 3 + 3,
o R.
Soit le systme linaire Ax = b o A Rnn est telle que le premier terme diagonal a 1,1 soit non nul.
(
a(1)
i, j
= a(0)
i, j
l i,1 a(0)
1, j
i, j = 2, 3, . . . , n,
b(1)
i
= b(0)
i
l i,1 b(0)
1 i = 2, 3, . . . , n,
les quantits : (
a(i,kj) = a(i,kj1) l i,k a(k,kj 1) i, j = k + 1, k + 2, . . . , n,
b(ik) = b(ik1) l i,k b(kk1) i = k + 1, k + 2, . . . , n,
1.3. MTHODES DIRECTES 7
1. Phase de triangularisation.
Pour k = 1, 2, . . . , n 1
Pour i = k + 1, k + 2, . . . , n
Pour j = k + 1, k + 2, . . . , n
a i,k
a i, j = a i, j a k, j ;
a k,k
Fin pour
a i,k
bi = bi bk ;
a k,k
a i,k = 0 ;
Fin pour
Fin pour
2. Phase de rsolution du systme triangulaire suprieur.
bn
xn = ;
a n,n
Pour i = n 1, n 2, . . . , 1
1 Xn
xi = (b i a i, j x j ) ;
a i,i j = i +1
Fin pour
8 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
Stratgie de pivotage.
et on remarque quon ne peut pas continuer, et pourtant la matrice A est inversible ! Par contre si on
permute les ligne 2 et 3 de la matrice A , et que lon applique la mthode de Gauss la nouvelle matrice
obtenu
1 2 3 1 0 0
A = P A 7 8 9 , avec P = 0 0 1 .
2 4 5 0 1 0
on obtient
1 2 3
A (1) = 0 6 12 ,
0 0 1
qui est dj une matrice triangulaire suprieure et donc le systme A x = b peut tre rsolu.
Ce premier exemple nous montre que dans certains cas, la permutation de quelques quations dun
systme linaire donn -et donc la permutation de certaines lignes de la matrice A - est ncessaire afin
de rsoudre ce systme.
Supposons maintenant que 6= 1 est "proche de 0" et appliquons llimination de Gauss dcrite prc-
demment. La premire tape transforme donc le systme (S ) en (S (1) )
(1) x1 + x2 = 1
(S ) .
x1 + 1 1 x2 = 2 1
Comme les valeurs 1 et 2 sont trs petites par rapport 1 , on voit alors que la deuxime quation
nous donne 1 x2 1 , do x2 1 et ensuite la premire quation nous fournit x1 0. Mais ce rsultat
est faux !
Lerreur ne provient pas seulement du fait que est "trs petit" car si on multiplie la premire ligne par
une puissance de 10 quelconque, on va trouver la mme erreur !
1.3. MTHODES DIRECTES 9
Lanomalie provient du dsquilibre entre les coefficients de x1 et x2 de la ligne du pivot. Pour y rem-
dier, changeons maintenant les deux lignes de notre systme et appliquons llimination de Gauss avec
la valeur 1 comme premier pivot. On obtient alors
x1 + x2 = 2
(S (1) ) ,
+ (1 ) x2 = 12
De mme, ce deuxime exemple montre quil ne faut pas utiliser des pivots "trop petits" car les erreurs
darrondi et/ou de troncature peuvent donner entrainer des solutions fausses. Et donc, il est ncessaire
de recourir des permutations de lignes voire des colonnes de la matrice du systme.
Ainsi, pour viter les problmes rencontrs dans les deux exemples prcdents, on peut appliquer lune
des deux stratgies suivantes :
Stratgie de pivotage partiel. Cette stratgie, appele encore stratgie du pivot partiel, consiste
chercher dans la sous colonne k, le plus grand pivot en valeur absolue, i.e., on cherche lindice de ligne
l tel que a l,k = max |a i,k |. Ensuite, on permute les lignes l et k.
k i n
Stratgie de pivotage total. Dans cette stratgie, on cherche le maximum en valeur absolue dans
toute la sous matrice (a i, j ) i, j=k,...,n , i.e., on cherche les indices de ligne l et de colonne m vrifiant
a l,m = max |a i, j |. Ensuite, on permute les lignes l et k ainsi que les colonnes m et l . A noter que
k i, j n
cette stratgie est appele encore stratgie du pivot total.
Remarques.
- Les pivots ayant une valeur petite ne disparaissent pas, que lon utilise la stratgie du pivot to-
tal ou celle du pivot partiel. En fait, lapparition des petits pivots est juste rejete la fin de la
mthode de Gauss et dans ce cas linfluence de ces petits pivots est moins importante.
- Gnralement, dans la pratique, la mthode de Gauss est implmente avec une stratgie de
pivot partiel.
1.3.3 Dcomposition LU
Nous commenons cette section en donnant quelques rsultats thoriques concernant lexistence et
lunicit de la dcomposition LU .
Thorme 1.1.
Une matrice A Rnn possde une dcomposition LU , o la matrice L est triangulaire infrieure
diagonale unit et U triangulaire suprieure si et seulement si A est fortement inversible. Dans ce cas la
dcomposition LU est unique.
Ce thorme permet daffirmer que si la matrice A est fortement inversible, alors les n tapes de la
mthode de Gauss peuvent tre appliques la matrice A sans rencontrer un pivot nul.
Thorme 1.2.
Soit A Rnn une matrice inversible, alors il existe au moins une matrice de permutation P telle que la
matrice P A admette une dcomposition LU .
10 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
Dans la suite, nous introduisons la dcomposition LU dune matrice A en donnant une interprtation
matricielle des diffrentes tapes de la mthode dlimination de Gauss.
Dcomposition A = LU .
Reprenons le systme A x = b vu dans lexemple 1 du paragraphe prcdent. Soient alors la matrice A
et le vecteur second membre b
2 1 1 0 3
4 3 3 1 5
A (0) A = (0)
8 7 9 5 , b b = 7 ,
6 7 9 8 1
et notons l 1 , l 2 , l 3 et l 4 les vecteurs lignes des diffrentes matrices A (k) et des vecteurs b(k) obtenus
durant la mthode dlimination de Gauss.
3 0 0 1 0 4 6 8 10
Notons que la matrice L 1 nest autre que la matrice identit o les 0 de la premire colonne, au
niveau des positions 2, 3 et 4, ont t remplacs par les coefficients l 2,1 , l 3,1 , l 4,1 .
Etape 2 : Comme lors de la prcdente tape, les combinaisons linaires entre les lignes ci-
dessous :
l 3 l 3 l 3,2 l 2 , avec l 3,2 = 3,
l 4 l 4 l 4,2 l 2 , avec l 4,2 = 4,
ont permis de transformer A (1) en A (2) = L 2 A (1) et b(1) en b(2) = L 2 b(1) , o
1 0 0 0 2 1 1 0 3
0 1 0 0 (2) 0 1 1 1
(2)
1
0 3 1 0 , A = 0 0 2 2 , b = 2 .
L2 =
0 4 0 1 0 0 2 4 6
Notons galement que la matrice L 2 nest autre que la matrice identit o les 0, au niveau des
positions 3 et 4, de la deuxime colonne ont t remplacs par les coefficients l 3,2 , l 4,2 .
Remarquons que la matrice L 3 nest autre que la matrice identit o le 0, au niveau de la position
4, de la troisime colonne a t remplac par le coefficient l 4,3 .
A = LU avec L = (L 3 L 2 L 1 )1 = L1 1 1
1 L2 L3 .
et que de plus la matrice L est une matrice triangulaire infrieure diagonale unit dont les lments
non nuls ne sont autre que les coefficients l i, j utiliss prcdemment, i.e.,
1 0 0 0
2 1 0 0
L= .
4 3 1 0
3 4 1 1
Finalement, on a obtenu
2 1 1 0 1 0 0 0 2 1 1 0
4 3 3 1 2 1 0 0 0 1 1 1
= .
8 7 9 5 4 3 1 0 0 0 2 2
6 7 9 8 3 4 1 1 0 0 0 2
| {z } | {z }| {z }
A L U
Dcomposition P A = LU .
Dans certains cas, la dcomposition LU dune matrice A donne nexiste pas. Par contre, il est possible
de trouver une matrice de permutation P telle que la dcomposition LU de P A existe.
8 7 9 5 1 0 0 0
1 3 3 1
0 1 0 0
A (1) = 0
2
3
2
5
2 ,
5 L 1 = 2
1
.
4 4 4
4 0 1 0
7 9 17
0 4 4 4 43 0 0 1
8 7 9 5
1 0 0 0
0 7 9 17 0 0 0 1
A (1) = P2 A (1) = 4 4 4
0 3 5 5 avec P2 =
.
4 4 4
0 0 1 0
0 21 23 23 0 1 0 0
8 7 9 5 1 0 0 0
7 9 17
0 0 1 0 0
A (2) = 4
0 0 2
4 4 ,
4 L2 =
0 3 1
.
7 7 7 0
0 0 67 72 0 27 0 1
8 7 9 5
1 0 0 0
7 9 17
0
0
1 0 0
A (2) = P3 A (2) = 4 4 4
0 0 6 2 avec P3 = 0
.
7 7
0 0 1
0 0 72 4
7
0 0 1 0
8 7 9 5
1 0 0 0
7 9 17
0 0 1 0 0
A (3) = 4 4
0 0 6 2 ,
4 L3 = 0 0
.
7 7
1 0
2 1
0 0 0 3
0 0 3 1
Ainsi, en posant U = A (3) , on voit que L 3 P3 L 2 P2 L 1 P1 A = U . Cette dernire relation peut tre refor-
mule de la manire suivante
U = (L 3 P3 L 2 P2 L 1 P1 ) A = L 3 L 2 L 1 (P3 P2 P1 ) A,
1.3. MTHODES DIRECTES 13
o L k est gale L k des permutations prs. Plus prcisment, on dfinit
L 3 = L 3 , L 2 = P3 L 2 P3 , L 1 = P3 P2 L 1 P2 P3 .
Finalement, on a
1
(P3 P2 P1 ) A = L 3 L 2 L 1 U,
| {z } | {z }
P
L
avec
1 0 0 0 1 0 0 0
1 0 0 0
0 1 0 0
, L = 0 1 0 0
et L = 43 1 0 0
.
L3 = 2
0 0 1 0 2 0 7 1 0 1 21 0 1 0
0 0 31 1 0 3
7 0 1 41 0 0 1
cest dire P A = LU , o
1 0 0 0 8 7 9 5
0 0 1 0
0 0 0 1 3 1 0 0 0 7 9 17
P = P3 P2 P1 = , L = 4 et U = 4 4 4 .
0 1 0 0 1 72 1 0 0 0 76 72
2
1
1 0 0 0 4 73 1
3 1 0 0 0 2
3
Remarques :
1. Au cours de la recherche du pivot, il se peut que le maximum soit atteint en deux (ou plus)
lignes. Dans ce cas, on retiendra comme ligne du pivot la premire ligne o est atteint llment
maximal.
On voit alors que pour obtenir x la solution de A x = b, il suffit de rsoudre respectivement les
deux systmes triangulaires (infrieur et suprieur) suivants :
L y = b o y est linconnu, avec b = P b,
et
U x = y.
2 x1 + x2 + 4 x4 = 1
4 x1 2 x2 + 3 x3 7 x4 3
=
Exemple : Rsoudre (S )
4 x1 + x2 2 x3 + 8 x4 = 1
3 x2 12 x3 x4 = 2
A
2 1 0 4 x1 1
4 2 3 7 x2 3
Matriciellement, (S ) scrit
4
= .
1 2 8 x3 1
0 3 12 1 x4 2
| {z } | {z } | {z }
x b
En effectuant la factorisation LU de A avec stratgie de pivotage partiel, on trouve que P A = LU ,
14 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
avec
1 0 0 0 4 2 3 7
0 1 0 0
0 0 0 1
0 1 0 0 0 3 12 1
P =
, L= 1
et U = 4 .
0 0 1 0 1 3 1 0 0 0 5 3
1 0 0 0 12 0 3
10 1 0 0 0 1
10
Ainsi
n
X min(
Xi, j)
a i, j = l i,k u k, j = l i,k u k, j ,
k=1 k=1
i
X 1
iX
- si i j , alors a i, j = l i,k u k, j et donc u i, j = a i, j l i,k u k, j , (1),
k=1 k=1
j 1
jX
X 1
- si i > j , alors a i, j = (a i, j
l i,k u k, j et donc l i, j = l i,k u k, j ), (2).
k=1 u j, j k=1
Les deux galits (1) et (2) permettent de former les lments non nuls de la i -me ligne de la matrice
U ainsi que les lments non nuls de la i -me colonne de la matrice L. En effet, en prenant j = 1 dans
a
lgalit (1), nous avons u 1,i = a 1,i pour i = 1, . . . , n, et puis lgalit (2) nous donne l i,1 = u1i,,11 .
En supposant avoir dtermin les colonnes (respectivement les lignes) 1, . . . , i 1 de la matrice U (res-
pectivement L), nous obtenons partir de (1) (respectivement partir de (2)) les lments j = i, . . . , n de
la i -me ligne de U (respectivement colonne de L), i.e., nous avons
1
iX
pour j = i, i + 1, . . . , n
u i, j = a i, j l i,k u k, j
k=1
1 1
iX
(a j,i l i,k u k, j ) pour j = i + 1, . . . , n.
l j,i
=
u i,i k=1
Remarquons que la division par u i,i est possible puisque par hypothse on suppose que la factorisation
LU existe. De plus, toute nouveau coefficient u i, j ou l j,i est obtenu en fonction des lments de L et U
dj calculs. Ainsi, les relations prcdentes et les proprits vrifies par les matrices L et U nous
permettent de donner lalgorithme suivant :
1.3. MTHODES DIRECTES 15
Algorithme. Dcomposition LU .
1. Initialisation des matrices L et U .
L = I n ; U = 0n ;
2. Calcul de la premire colonne de L et de la premire ligne de U .
Pour i = 1, . . . , n
u 1,i = a 1,i ;
a i,1
l i,1 = ;
a 1,1
Fin pour
3. Calcul des lments non nuls de la i -me ligne de U et de la i -me colonne de L.
Pour i = 2, . . . , n
Pour j = i, . . . , n
1
iX
u i, j = a i, j l i,k u k, j ;
k=1
Fin pour
Pour j = i + 1, . . . , n
1 1
iX
l j,i = (a j,i l j,k u k,i ) ;
u i,i k=1
Fin pour
Fin pour
4. Phase de rsolution du systme triangulaire infrieur L y = b.
5. Phase de rsolution du systme triangulaire suprieur U x = y.
Thorme 1.3.
Soi A Rnn une matrice symtrique dfinie positive, alors il existe une matrice infrieure unique L ayant
des lments diagonaux positifs telle que A = L L T .
Soit A une matrice symtrique dfinie positive et L une matrice triangulaire infrieure,
On cherche la matrice :
l 1,1
l 2,1 l 2,2
L= . .. ..
..
. .
l n,1 l n,2 ... l n,n
n
X min
X{ i, j }
a i, j = L L T = l i,k l j,k = l i,k l j,k , 1 i, j n.
i, j
k=1 k=1
Comme la matrice A est symtrique, il suffit que les relations prcdentes soient vrifies pour i j ,
16 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
i
X
a i, j = l i,k l j,k , 1 i j n.
k=1
Algorithme. Dcomposition L L T .
1. Initialisation de la matrice L .
L = 0n ;
2. Calcul de la premire colonne de L.
p
l 1,1 = a 1,1
Pour i = 2, . . . , n
a i,1
l i,1 = ;
l 1,1
Fin pour
3. Calcul des lments non nuls de la i -me colonne de L.
Pour i = 2, .v
.., n
u 1
iX
u
l = ta
i,i l2 ;
i,i i,k
k=1
Pour j = i + 1, . . . , n
1 1
iX
l j,i = (a j,i l j,k l i,k ) ;
l i,i k=1
Fin pour
Fin pour
4. Phase de rsolution du systme triangulaire infrieur L y = b.
5. Phase de rsolution du systme triangulaire suprieur L T x = y.
Dans cette section, nous allons dcrire une classe de mthodes itratives bases sur la dcomposition
de la matrice A sous la forme de matrices plus faciles manipuler ! Plus prcisment, tant donne A
est une matrice carre inversible, on suppose quon puisse crire A = M N o les matrices M et N sont
"convenablement choisies".
M x = N x + b,
x = B x + c,
x(k+1) = B x(k) + c
Thorme 1.4.
La suite x(k) dfinie par x(k+1) = B x(k) + c converge pour tout x(0) Rn si et seulement si (B) < 1.
cest dire A = D E F o
- D = diag(a 1,1 , . . . , a n,n ) est la matrice diagonale forme par les lments diagonaux de A .
- E = tril ( A ) est la matrice triangulaire infrieure forme par la partie triangulaire infrieure
stricte de A .
- F = triu( A ) est la matrice triangulaire suprieure forme par la partie triangulaire suprieure
stricte de A .
De plus, nous supposons que les lments diagonaux de A sont tous non nuls et ainsi D est inversible.
avec B J = M 1 N = D 1 (E + F ) et c J = D 1 b.
18 CHAPITRE 1. RSOLUTION DE SYSTMES DQUATIONS LINAIRES
Exemples :
ce qui donne
1
( k+1)
x1
= (3 x2(k) )
4
,
x(k+1) 1
(15 + x1(k) ),
2 =
2
et ainsi x(k+1) = B J x(k) + c J , avec
3
1
0 4
BJ = 1 4 et c J =
.
0 15
2
2
Pour savoir si la mthode de Jacobi applique au systme (S 1 ) est convergente ou non, il suffit de
dtrminer le rayon spectrale de la matrice B J ; Et pour cela, nous pouvons calculer le polynme
1.4. MTHODES SEMI-ITRATIVES 19
caractristique de B J :
1
1
PB J () = det( b B J I ) = 1
4 = 2 + .
8
2
1
Ce qui donne que les valeurs propres de B J sont 1 = 2 = p et donc (B J ) = p < 1.
8 8
Ainsi, la mthode de Jacobi applique au systme (S 1 ) est convergente pour tout x(0) R2 .
3 15 T (2)
En partant de x(0) = (0, 0)T , nous obtenons x(1) = ( , ) , x = (1.125 , 7.875 )T , . . .,
4 2
x(10) = (1.000 , 7.000 )T . Et, on remarque alors que x(k) k+ (1, 7)T .
- Exemple 2. Dans cet exemple, nous nous intressons encore au systme (S 1 ) de lexemple prc-
dent que nous rcrivons comme suit
y1 + 4 y2 = 3
(S 2 )
2 y1 + y2 = 15.
En suivant la mme dmarche suivie pour lexemple prcdent, nous obtenons le schma itratif
associ au systme (S 2 ) ainsi que la matrice B J et le vecteur c J correspondants en crivant
(
y1(k+1) + 4 y2(k) = 3
,
2 y2(k) + y1(k+1) = 15.
et ainsi,
( k+1)
y1
= 3 4 y2(k)
.
y(k+1)
= 15 + 2 y1(k) ,
2
ce qui donne y(k+1) = B J x(k) + c J , avec
0 4 3
BJ = et c J = .
2 0 15
Et, en calculant le polynme caractristique de la matrice B J , nous trouvons que PB () = 2 8,
p J
cest dire que (B J ) = 8 > 1.
Ainsi, la mthode de Jacobi applique au systme (S 2 ) nest pas convergente. Ce rsultat est
confirm numriquement, puisquon constate que x(k) (, )T lorsque k +.
avec BG = M 1 N = (D E )1 F et cG = (D E )1 b.
Notons que dans la pratique, on ne calcule pas (D E )1 , mais on rsout le systme (D E ) x(k+1) = F x(k) +
F b. Ce dernier systme est un systme triangulaire infrieure, donc facile rsoudre numriquement.
On obtient ainsi,
Xi n
X
a i, j x(jk+1) + a i, j x(jk) = b i , pour i = 1, . . . , n,
j =1 j = i +1
ou encore :
1
iX n
X
a i,i x(ik+1) = a i, j x(jk+1) a i, j x(jk) + b i , pour i = 1, . . . , n.
j =1 j = i +1
Il est remarquer que le calcul de x(ik+1) -la i -me composante de la nouvelle solution approche x(k+1) -
fait intervenir les valeurs des x(jk) pour j > i et des x(jk+1) pour j < i . Il est donc ncessaire davoir calcul
x1(k+1) , . . . , x(ik+11) pour pouvoir calculer x(ik+1) . Ceci nest pas ncessaire pour la mthode de Jacobi o le
calcul de x(ik+1) ne fait intervenir que les composantes de la solution approche prcdente x(k) .
Exemples :
Pour obtenir le schma itratif de Gauss-Seidel associ au systme (S 1 ) ainsi que la matrice BG
et le vecteur cG correspondants, il suffit dcrire :
(
4 x1(k+1) + x2(k) = 3
,
x1(k+1) 2 x2(k+1) = 15.
ce qui donne
1
x(k+1)
1
= (3 x2(k) )
4
x(k+1) 1 1 1 63 1 (k)
(15 + x1(k+1) ) = (15 + (3 x2(k) )) = . . . =
x2 .
2 =
2 2 4 8 8
1 3
0
4 4
et cG = .
BG =
1 63
0
8 8
1 1
Ce qui donne que les valeurs propres de BG sont 1 = et 2 = 0 et donc (BG ) = < 1. Ainsi,
8 8
la mthode de Gauss-Seidel applique au systme (S 1 ) est convergente pour tout x(0) R2 .
En partant de x(0) = (0, 0)T , nous obtenons x(1) = (3, 15)T , x(2) = (1.218 , 6.890 )T , . . ., x(7) =
(1.000 , 7.000 )T . Et, comme pour la mthode de Jacobi on remarque alors que x(k) k+
(1, 7)T . De plus, pour cet exemple, la mthode de Gauss-Seidel converge plus vite que la m-
thode de Jacobi puisque (BG ) < (B J ).
on trouve que y(k+1) = BG x(k) + cG , avec
0 4 15
BG = et cG = .
0 8 9
De plus, on peut vrifier que (BG ) = 8 > 1. Et donc la mthode de Gauss-Seidel (comme la m-
thode de Jacobi) applique au systme (S 2 ) nest pas convergente.
Thorme 1.5.
Si la matrice A est symtrique dfinie positive, alors la mthode de Gauss-Seidel est convergente. (Atten-
tion : La mthode de Jacobi, ne converge pas forcment !)
Thorme 1.6.
Si la matrice A est une matrice diagonale strictement dominante, alors A est inversible et de plus les
mthodes de Jacobi et de Gauss-Seidel sont convergentes.
Thorme 1.7.
Soit A une matrice tridiagonale. Alors
(BGS ) = ((B J )2 ,
et donc les mthodes de Jacobi et Gauss-Seidel convergent ou divergent simultanment. Si elles convergent,
la mthode de Gauss-Seidel est la plus rapide.
Chapitre 2
Interpolation polynomiale
2.1 Introduction
Soient [a, b] un intervalle de R, S = ( x i )0 in une subdivision de [a, b] et f : [a, b] R une fonction
connue aux ( n + 1) points x i ( i = 0, 1, . . . , n) de la subdivision S , cest dire quon connat les valeurs
yi = f ( x i ) pour i = 0, 1 . . . , n.
Dfinition 2.1.
On dit quun polynme p de degr infrieur ou gal n (i.e., de g( p) n) interpole f (ou encore interpole
les valeurs y0 , y1 , . . . , yn aux ( n + 1) points x0 , x1 , . . . , xn sil vrifie les conditions dinterpolation suivantes :
Questions.
p = a0 + a1 X + a2 X 2 .
23
24 CHAPITRE 2. INTERPOLATION POLYNOMIALE
Ainsi,le systme (S ) est quivalent au systme suivant dons les inconnus sont a 0 , a 1 et a 2
2
a 0 + a 1 x0 + a 2 x0 = y0
(S ) a + a 1 x1 + a 2 x12 = y1
0
a 0 + a 1 x2 + a 2 x22 = y2
x0 x02
1 a0 y0
1 x1 x12 a1 = y1 .
1 x2 x22 a2 y2
| {z }| {z } | {z }
=V ( x0 ,x1 ,x2 )(=V ) =a =y
Rappelons que le systme prcdent admet une unique solution si 6= 0 o est le dterminant du
systme (S ) et qui est donn par :
1 x0 x 2
0
= det(V ) = 1 x1 x12
1 x
2 x22
1 0 0
2
= 1 x1 x0 x1 x0 x1
1 x x
2 0 x22 x0 x2
1 x1
= ( x1 x0 )( x2 x0 )
1 x2
= ( x1 x0 )( x2 x0 )( x2 x1 ).
ou encore
1 1 1 1 t0
x = x0 x1 x2 t1 .
x2 x2 x12 x22 t2
| {z } | 0 {z }| {z }
=X =M =t
ainsi que
1 1 1
x0 x x2
x02 x2 x22
( x x0 )( x x2 )
t1 = = ... =
1 1 1 ( x1 x0 )( x1 x2 )
x0 x1 x2
x02 x12 x22
et
1 1 1
x0 x1 x
x02 x12 x2
( x x0 )( x x1 )
t2 = = ... = .
1 1 1 ( x2 x0 )( x2 x1 )
x0 x1 x2
x02 x12 x22
On pose alors l 0 ( x) = t 0 , l 1 ( x) = t 1 et l 2 ( x) = t 2 (quon appelle polynmes de Lagrange associs aux points
x0 , x1 et x2 ). Dans ce cas, on a :
p( x) = y0 l 0 ( x) + y1 l 1 ( x) + y2 l 2 ( x).
Le dterminant du systme (S ) prcdent est appel dterminant de Vandermonde associ aux coef-
ficients x0 , x1 , . . . , xn . Ce dterminant scrit :
1 x0 x02 ... x0n
1 x1 x12 ... x1n
1 x22 ... x2n
= det(V ) = x2 ,
.. .. .. ..
. . . ... .
1 xn x2n ... xnn
et on montre que :
Y Y
= (xi x j ) = ( x i x j ).
i> j 0 j < i n
Thorme 2.1.
Le polynme dinterpolation p = a 0 + a 1 x + . . . + a n x n interpolant les valeurs y0 , y1 , . . . , yn existe et est
unique si et seulement si x i 6= x j , i 6= j .
Exemple.
on obtient le systme
a0 = 0
a0 + a1 + a2 + a3 = 1
(S ) ,
a + 4a 1 + 16a 2 + 64a3 = 2
0
a 0 + 9a 1 + 81a 2 + 729a3 = 3
1 0 0 0 a0 0
1 1 1 1 a1 1
2 .
=
1 4 16 64 a 2
1 9 81 729 a3 3
2.3. LES POLYNMES DE LAGRANGE 27
Ainsi
1
a0 1 0 0 0 0
a1 1 1 1 1 1
=
1
a2 4 16 64 2
a3 1 9 81 729 3
1 0 0 0
0
49 3 3
20 1 1
= 36 2 90
7 13 1 1
72 2
18 24 6
1 1 1 1 3
36 24 60 360
0
37
= 30
41
1
60
37 1 2 1 3
Ainsi le polynome p recherche vrifie p( x) = 30 x 4 x + 60 x .
Remarque 2.1.
La taille du systme S augment avec le nombre de points dinterpolation.
la rsolution du systme S tant difficile raliser, on prfre utiliser les polynmes de Lagrange
(ou encore les polynmes de Newton) pour dterminer le polynme dinterpolation.
1
i = n
.
Y
(xi x j )
j =0
j 6= i
n
X
P (x j ) = i L i (x j ) = j pour j = 0, . . . , n.
i =0
Do la formule de Lagrange :
n
X
P P n , x R, P ( x) = P ( x i ) L i ( x ).
i =0
Thorme 2.2.
Dans la base de Lagrange, le polynme p n interpolant une fonction f (ou des valeurs y0 , y1 , . . . , yn ) aux
points x0 , x1 , . . . , xn , est donn par :
n
X n
X
p n ( x) = f ( x i ) L i ( x) = yi L i ( x).
i =0 i =0
Exemple.
p
Question. Cherchons p le polynme interpolant la fonction f ( x) = x aux points 0, 1, 4 et 9.
p( x) := p 3 ( x) = f ( x0 ) L 0 ( x) + f ( x1 ) L 1 ( x) + f ( x2 ) L 2 ) + f ( x3 ) L 3 ( x),
o
( x x1 )( x x2 )( x x3 ) 1
L 0 ( x) = = ( x 1)( x 4)( x 9),
( x0 x1 )( x0 x2 )( x0 x3 ) 36
( x x0 )( x x2 )( x x3 ) 1
L 1 ( x) = = x( x 4)( x 9),
( x1 x0 )( x1 x2 )( x1 x3 ) 24
( x x0 )( x x1 )( x x3 ) 1
L 2 ( x) = = x( x 1)( x 9),
( x2 x0 )( x2 x1 )( x2 x3 ) 60
et
( x x0 )( x x1 )( x x2 ) 1
L 3 ( x) = = x( x 1)( x 4).
( x3 x0 )( x3 x1 )( x3 x2 ) 360
Et comme f ( x0 ) = 0, f ( x1 ) = 1, f ( x2 ) = 2 et f ( x3 ) = 3, alors
p ( x ) = L 1 ( x ) + 2 L 2 ( x ) + 3 L 3 ( x ).
37 1 2 1 3
En retournant la base canonique de P 3 , on obtient p( x) = 30 x 4 x + 60 x .
2.4. LES POLYNMES DE NEWTON 29
N0 ( x) = 1, N1 ( x) = x x0 , . . . , N n ( x) = ( x x0 )( x x1 ) . . . ( x xn1 ),
cest dire
1
iY
N i ( x) = ( x x0 )( x x1 ) . . . ( x x i1 ) = ( x x j ) pour i = 0, 1, . . . , n.
j =0
Remarque 2.2.
Le dernier point xn nintervient pas ans la dfinition des polynmes N0 , N1 , . . . , N n .
[ f , x i ] = f ( x i ). pour i = 0, 1, . . . , n.
Illustration.
Thorme 2.3.
Dans la base de Newton, le polynme p n interpolant une fonction f aux points x0 , x1 , . . . , xn , est donn
par :
n
X
p n ( x) = [ f , x0 , x1 , . . . , x i ] N i ( x ).
i =0
Exemple.
30 CHAPITRE 2. INTERPOLATION POLYNOMIALE
p( x) := p 3 ( x) = [ f , x0 ] N0 ( x) + [ f , x0 , x1 ] N1 ( x) + [ f , x0 , x1 , x2 ] N2 ( x) + [ f , x0 , x1 , x2 , x3 ] N3 ( x),
0 0=[ f ,x0 ]
1=[ f ,x0 ,x1 ]
=[ f ,x0 ,x1 ,x2 ]
1 1 61
1 1 =[ f ,x0 ,x1 ,x2 ,x3 ]
3 60
1
4 2 60
1
5
9 3
Ainsi, dans la base de Newton, le polynme dinterpolation p de f scrit :
1 1 1 1
p ( x ) = 0 N0 ( x ) + 1 N1 ( x ) N2 ( x ) + N3 ( x ) = N1 ( x ) N2 ( x ) + N 3 ( x ).
6 60 6 60
37
De mme, on vrifie que ce polynme scrit dans la base canonique sous la forme p( x) = 30 x
1 2 1 3
4 x + 60 x .
Questions.
f (n+1) ( x ) Y
n
x [a, b], x ]a, b[, tel que e( x) := f ( x) p n ( x) = ( x x i ).
( n + 1)! i=0
Preuve.
Comme f ( x i ) = p n ( x i ) pour i = 0, 1, . . . , n, alors il existe une fonction relle h telle que
n
Y
f ( x) p n ( x) = h( x) ( x x i ).
i =0
2.5. ERREUR DINTERPOLATION 31
n
Y
Pour x fix et x 6= x i ( i = 0, 1, . . . , n), posons g( t) = f ( t) p n ( t) c ( x x i ) o c est un paramtre rel
i =0
choisi tel que g( x) = 0. Dans ce cas, la condition g( x) = 0 entrane que
f ( x) p n ( x)
c= n
.
Y
(x xi )
i =0
Maintenant, remarquons que la fonction g est de classe C n+1 sur [a, b] et de plus
g ( x) = 0
g( x i ) = 0 pour i = 0, 1, . . . , n,
cest dire que g admet n + 2 racines distinctes deux deux et est de de classe C n+1 sur [a, b].
Cela entrane que g admet n + 1 racines distinctes deux deux et est de de classe C n sur [a, b].
Et en ritrant, on a g" admet n racines distinctes deux deux et est de de classe C n1 sur [a, b] et
finalement, on arrive vrifier que g(n+1) admet une racine sur ]a, b[. Ainsi,
Remarque 2.3.
En posant M n+1 = sup f (n+1) ( t), on a
t[a, b]
M n+1 ( b a)n+1
sup | e( x)| = sup | f ( x) p n ( x)| .
x[a, b] x[a, b] ( n + 1)!
La majoration de lerreur dinterpolation donne ci-dessus peut laisser croire que si le nombre
dabscisses dinterpolation n est grand, alors le polynme dinterpolation p n de f aux points din-
terpolation x0 , x1 , . . . , xn tend vers f . En fait, on na pas ncessairement lim f ( x) p n ( x) = 0 pour
n+
tout x [a, b] car cette limite dpend aussi de la faon dont la quantit M n se comporte lorsque la
valeur de n devient large. Lexemple ci dessous permet dillustrer cette remarque.
1
Exemple. Interpolation de la fonction f ( x) =
1 + 25 x2
1
Soit f la fonction relle dfinie sur R par f ( x) = pour tout x R. On cet exemple, on illustre
1 + 25 x2
linterpolation de cette fonction par des polynmes de degr n ( n = 4, 8, 10) associs deux subdivisions
de lintervalle [a, b] (a = 1et b = 1). Pour cela, on considre ( x i ) i=0,1,...,n et ( x i ) i=0,1,...,n les deux subdivi-
sions suivantes :
32 CHAPITRE 2. INTERPOLATION POLYNOMIALE
la premire subdivision ( x i ) i=0,1,...,n est la subdivision rgulire associe [a, b] et est dfinie
par :
ba
x i = a + i h, pour i 0, 1, . . . , n, et o h = .
n
la deuxime subdivision ( x i ) i=0,1,...,n est la subdivision de Tchebytchev associe [a, b] et est
dfinie par :
ba 2i + 1
xi = a + 1 + cos pour i = 0, . . . , n.
2 2( n + 1)
0.8 1
0.6 0.8
0.4 0.6
0.2 0.4
0 0.2
0.2 0
0.4 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.5
0.8
0
0.6
0.4
0.5
0.2
1.5 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
Nous observons que, au voisinage des extrmits de lintervalle [1, 1], le polynme associ la sub-
division rgulire x0 , x1 , . . . , xn prsente de grandes oscillations (instabilits numriques). Il nen est
pas de mme pour le polynme associ la subdivision de Tchebytcehv x0 , x1 , . . . , xn . Ainsi, il nest pas
recommand dinterpoler une fonction f par un polynme de degr n lev en des points quidistants.
2.6. LALGORITHME DE NEVILLE-AITKEN 33
1.5
0.8
1
0.6
0.4
0.5
0.2
0.5 0.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
x R, P m,0 ( x) = f ( xm ), pour m = 0, 1, . . . , n k.
En effet, comme de g(P m,0 ) = 0, alors de g(P m,0 ) est un polynme constant et ainsi x R, P m,0 ( x) = c
(o c est constante relle). Et comme P m,0 interpole f en un seul point xm , alors c = P m,0 ( xm ) = f ( xm ).
Le rsultat prcdent montre donc que lon peut calculer le polynme P de degr infrieur ou gale n
interpolant f aux ( n + 1) points x0 , x2 , . . . , xn puisque P = P0,n . En fait, on a le schma itratif suivant :
P0,0
P0,1
P1,0 P0,2
P1,1
..
P2,0 .
..
. P0,n1
.. ..
. . P0,n
.. ..
. . P1,n1
..
.
..
.
P n1,0 P n2,2
P n1,1
P n,0
Intgration numrique
Thorme 3.5. (Thorme de Cauchy) Soit f une fonction de classe C n+1 sur lintervalle [a, b] contenant
les points deux deux distincts x i , i = 0, 1, . . . , n. Alors pour tout x [min i x i , max i x i ]
f (n+1) ( x )
x [min x i , max x i ] tel que [ f , x0 , x1 , . . . , xn , x] = .
i i ( n + 1)!
35
36 CHAPITRE 3. INTGRATION NUMRIQUE
3.2 Introduction
On dsire calculer les intgrales suivantes :
Z1 Z p Z1
2 2
e x dx, 1 + cos2 x dx, esin x dx, . . .
0 0 1
2
p
Problme : on na pas dexpression analytique de la primitive des fonctions : x 7 e x , x 7
1 + cos2 x, x 7 esin x , ...
Ainsi, le problme pos peut tre formul de la faon suivante : tant donne une fonction f : [a, b] R
continue (ou drivable, de classe C , ...), on se propose de calculer numriquement la quantit
Zb
I( f ) = f ( x) dx.
a
rectangle gauche
6
0
0 1 2 3 4 5 6
Ainsi on a
I ( f ) ( b a ) f ( a ).
- Rectangle droite. La valeur de I ( f ) est approche par laire du rectangle R de sommets ( b, 0),
( b, f ( b)), ( b, f ( b)), (a, 0) comme illustr par la figure suivante :
3.3. QUELQUES FORMULES DINTGRATION "SIMPLES" 37
rectangle droite
6
0
0 1 2 3 4 5 6
Ainsi on a
I ( f ) ( b a ) f ( b ).
- Rectangle (ou point milieu). La valeur de I ( f ) est approche par laire du rectangle R de
sommets (a, 0), (a, f ( a+2 b )), ( b, f ( a+2 b ))), ( b, 0) comme illustr par la figure suivante :
0
0 1 2 3 4 5 6
Ainsi on a
a+b
I ( f ) ( b a) f ( ).
2
38 CHAPITRE 3. INTGRATION NUMRIQUE
trapze
6
0
0 1 2 3 4 5 6
Ainsi on a
1
I ( f ) ( b a) ( f (a) + f ( b)).
2
Simpson
6
Cf
P
0
0 1 2 3 4 5 6
3.4. OBTENTION DES FORMULES DE QUADRATURE 39
Ainsi on a
1 a+b
I ( f ) ( b a) ( f ( a) + 4 f ( ) + f ( b)).
6 2
3.4.1 Lide
Lide de base est dcrire
f ( x) = p( x) + e( x), pour tout x [a, b].
o p est le polynme interpolant f en des abscisses x0 , x1 , . . . , xn ( x i [a, b]) et e( x) tant lerreur din-
terpolation.
Ainsi, en intgrant on a :
Zb Zb Zb
I( f ) = f ( x) dx = p( x) dx + e( x) dx .
a
| a {z } | a {z }
=IQ ( f ) =E Q ( f )
cest dire Zb
n
X
IQ ( f ) = A i f ( x i ), o A i = L i ( x) dx.
i =0 a
Remarque 3.1.
Les coefficients A i (appels poids) ne dpendent pas de la fonction f .
P
La quantit I Q ( f ) = ni=0 A i f ( x i ) reprsente la valeur approche de I ( f ), on crit alors : I ( f )
I Q ( f ).
Les abscisses x i ( i = 0, 1, . . . , n) sont appels les noeuds.
Les coefficients A i sont dtermins de telle sorte que lerreur de quadrature E Q ( f ) soit nulle lorsque
f E o E est un ensemble prciser. En gnral E est lespace des polynmes de degr infrieur
ou gal n, i.e., E = P n = Rn [ X ].
Dfinition 3.1.
On dit que la formule de quadrature
Zb n
X
f ( x) dx = A i f ( x i ) + E Q ( f ),
a i =0
o E Q ( g) = 0 pour tout g R0 [ X ].
Ainsi, en prenant g 1 (i.e. g( x) = 1 pour tout x [a, b]), alors la formule de quadrature (Q )
donne que b a = A 0 . et pour dterminer lerreur E Q ( f ), on sait que
Zb
EQ ( f ) = ( x a) f ( ) dx, o x ]a, b[.
a | {z } | {z x}
=: u( x)0 =:v( x)
( b a )2
b
1
E Q ( f ) = f () ( x a)2 = f ().
2 a 2
Finalement, on a
( b a )2
I ( f ) = ( b a) f ( a) + f (), o ]a, b[
2
et I ( f ) est approche par ( b a) f (a), i.e., I ( f ) ( b a) f (a). On remarque alors que lon retrouve
la formule du rectangle gauche qui est exacte sur P 0 .
( b a )2
I ( f ) = ( b a) f ( b ) + f ( ), o ]a, b[.
2
a+ b
Cas n = 0 et x0 = 2 . Dans ce cas, la formule de quadrature scrit :
Zb
a+b
f ( x) dx = A 0 f ( ) + EQ ( f ) (Q ),
a 2
En crivant que I Q ( g) est exacte sur P 0 , i.e., E Q ( g) = 0 pour g 1, on vrifie que A 0 = b a. Ainsi,
I ( f ) = ( b a) f ( a+2 b ) + E Q ( f ), avec
Zb
a+b
EQ ( f ) = (x ) f ( x ) dx, ( x ]a, b[).
a 2
Notons que la fonction x 7 x a+2 b change de signe dans [a, b] et donc on ne peut pas appliquer
la premire formule de la moyenne. Pour dterminer lerreur de quadrature, on va utiliser la
deuxime expression de lerreur dinterpolation savoir que :
Zb
a+b
EQ ( f ) = ( x x0 )[ f , x0 , x] dx avec x0 = .
a 2
3.4. OBTENTION DES FORMULES DE QUADRATURE 41
( x x 0 ) [ f , x0 , x0 , x ] = [ f , x0 , x ] [ f , x0 , x 0 ],
on a
Zb
EQ ( f ) = ([ f , x0 , x0 ] + ( x x0 )[ f , x0 , x0 , x]) ( x x0 ) dx
a
Zb Zb
= [ f , x0 , x0 ] ( x x0 ) dx + [ f , x0 , x0 , x] ( x x0 )2 dx
a a
Zb Zb
= [ f , x0 , x0 ] ( x x0 ) dx + [ f , x , x , x] ( x x )2 dx
a a | 0{z 0 } | {z 0 }
| {z } =:v( x) =: u( x)0
=0
Zb
= [ f , x0 , x0 , ] ( x x0 )2 dx o ]a, b[
a
( b a )3 "
Zb
a+b
f ( x) dx = ( b a) f ( )+ f ( ) o ]a, b[.
a 2 24
Remarque 3.2. On note que la formule du rectangle est encore exacte sur P 1 et pas simplement
sur P 0 alors que les formules du rectangle gauche et droites sont exactes uniquement sur P 0 .
o E Q ( g) = 0 pour tout g R1 [ X ].
Zb
EQ ( f ) = [ f , x0 , x1 , ] ( x a)( x b) dx o ]a, b[,
a
f " ()
Zb
= ( x a)( x b) dx,
2 a
1
= ( b a )3 f " ().
12
Finalement, on voit que la formule obtenue est celle du trapze. Cette formule scrit
Zb
1 1
f ( x) dx = ( b a)( f (a) + f ( b)) + ( b a )3 f " () o ]a, b[.
a 2 12
42 CHAPITRE 3. INTGRATION NUMRIQUE
Remarque 3.3. On note que la formule du trapze est exacte seulement sur P 1 .
o E Q ( g) = 0 pour tout g R2 [ X ].
En utilisant une dmarche similaire celle des cas prcdents, on montre que lerreur de qua-
a)5 (4)
drature E Q ( f ) est donne par E Q ( f ) = (b2880 f () o ]a, b[.
Dans la suite, on considre que les points 0 , 1 , . . . , N sont quidistants, i.e., i = a + iH pour i =
0, 1, . . . , N o H = bN
a
. Ainsi,
Zb 1 Zk+1
NX
f ( x) dx = f ( x) dx,
a k=0 k
| {z }
=: I k
3.5. LES FORMULES COMPOSITES 43
et alors, on doit calculer une valeur approche de lintgrale I k laide dune formule de quadrature (de
type Newton-Cotes) avec n gnralement faible, n = 0, 1, 2.
Ainsi, en utilisant des calculs et critres similaires ceux des formules composites du rectangle ou du
trapze, on montre que
!
Zb
H 1
NX 1
NX H ( b a) 4 (4)
f ( x) dx = f ( a) + 2 f (a + kH ) + 4 f ((2 k + 1) ) + f ( b) H f () o ]a, b[.
a 6 k=0 k=0 2 | 2880 {z }
| {z }
=:E 2,N
=: I 2,N
3.6.1 Cas n = 0
La forme de quadrature que lon cherche la forme suivante :
Zb
f ( x) dx A 0 f ( x0 ), (Q )
a
o les inconnues A 0 et x0 sont dterminer. En crivant que (Q ) est exacte sur P 1 , cest dire que
Zb
g( x) dx = A 0 g( x0 ) pour g {1, x},
a
3.6.2 Cas n = 1
La formule de quadrature recherche la forme
Zb
f ( x) dx A 0 f ( x0 ) + A 1 f ( x1 ), (Q )
a
3.6. FORMULES DE GAUSS 45
o les coefficients A 0 , A 1 et les abscisses x0 , x1 sont dterminer en imposant que (Q ) doit tre exacte
sur P 3 .
Pour rsoudre ce problme tout en simplifiant les calculs, on va travailler sur lintervalle [1, 1], puis
on se ramnera sur lintervalle [a, b] laide du changement de variable
o h( t) = f ( t + ) = ( f x)( t).
Ainsi, en posant
Z1
h( t) dt B0 h( t 0 ) + B1 h( t 1 ), (Q )
1
on reformule le problme comme suit :
trouver t 0 , t 1 et B0 , B1 tels que la formule (Q ) soit exacte pour g {1, t, t2 , t3 }. Cette dernire condition
fournit le systme non linaire suivant :
B0 + B1 = 2 (1)
B t +B t
0 0 1 1 = 0 (2)
2
B0 t20 + B1 t21 = 3 (3)
B0 t30 + B1 t31
= 0 (4)
En multipliant les quations (1), (2) et (3) par t 0 et en retranchant respectivement les quations (2), (3)
et (4), on trouve que
1
t 0 t 1 = , t 0 = t 1 et B0 + B1 = 2, B0 B1 = 0.
3
1
Finalement, on prend t 0 = t 1 = p et B0 = B1 = 1, et la formule de quadrature (Q ) recherche est donc
3
Z1
1 1
h( t) dt h( p ) + h( p ), (Q )
1 3 3
ba 1
Zb Z
f ( x) dx h( t) dt
a 2 1
ba 1
Z
( f x)( t) dt
2
1
ba 1 1
( f x)( p ) + ( f x)( p )
2 3 3
ba ab a+b ba a+b
f( p + )+ f ( p + )
2 3 2 3 2
46 CHAPITRE 3. INTGRATION NUMRIQUE
Chapitre 4
Etant donne une fonction f : D R suppose continue sur D R, on sintresse dans ce chapitre au
problme de recherche dune solution (ou des solutions) de lquation f ( x) = 0. Il est noter que dans la
suite, on suppose que f est non linaire !
4.1 Introduction
Avant de dcrire quelques mthodes permettant de rechercher numriquement un ou plusieurs zros
x de f , cest dire rechercher les nombres rels x vrifiant f ( x ) = 0 (ou -sur ordinateur- | f ( x )| <
avec trs proche de 0), donnons quelques outils mathmatiques qui nous seront utiles dans la suite.
Le rsultat suivant est une application directe du thorme des valeurs intermdiaires.
Remarquons que ce thorme garantit juste lexistence dun zro. Dans le cas o lunicit de la racine
doit tre prouve, on pourra appliquer le thorme de la bijection quon rappelle ci dessous
47
48 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES
La dfinition ci dessous permet de comparer la rapidit de convergence de deux suites (et donc ven-
tuellement de deux mthodes).
Dfinition 4.2.
Soient ( xn ) et ( yn ) deux suites convergentes vers une mme limite l . On dit que la suite ( yn ) converge "plus
yn l
vite" que ( xn ) vers le rel l si le rapport | yn l |/| xn l | a pour limite 0, i.e. si lim = 0.
n xn l
- Exemple 2. Pour x [0, 2], lquation f ( x) = 0 o f ( x) = sin(2 x) + x 1 peut tre rcrite sous les
formes :
h 1 ( x) = x, o h 1 ( x) = 1 sin(2 x).
ou
1
h 2 ( x) = x, o h 2 ( x) = arcsin(1 x).
2
4.1. INTRODUCTION 49
Ainsi, dans le cas o une quation f ( x) = 0 est transforme de faon quivalente en une quation
g( x) = x, il peut tre intressant dutiliser lun des rsultats ci dessous et qui concernent ltude de
la convergence dune suite dfinie partir du problme de la recherche des points fixes de la fonction g.
Remarques :
Une fonction g contractante sur D = [a, b] est une fonction continue sur D .
Souvent, pour montrer quune fonction g C 1 ([a, b]) est k-contractante sur [a, b], il suffit de
vrifier que | g ( x)| k < 1, pour tout x [a, b].
En posant k = max | g ( x)|, alors la suite ( xn ) dfinie par xn+1 = g( xn ), n 0 vrifie
x[a, b]
kn
| xn l | | x1 x0 |, n N.
1k
Une fois que la fonction g vrifiant les conditions du thorme du point fixe est dtermine, on peut
utiliser lalgorithme suivant pour construire les itrs de la suite ( xn ). Pour que la suite donne une so-
lution approche de la solution exacte x , il est ncessaire de choisir une solution de dpart x0 [a, b].
Dans la suite, nous donnons les rsultats obtenus pour la recherche des zros de la fonction f dfinie
par f ( x) = x3 + 2 x2 + 10 x 20.
Tout dabord, comme f ( x) = 3 x2 + 4 x + 10 < 0 pour tout x R et lim f ( x) = , lim f ( x) = + alors f
+
possde un unique zro qui est situ dans lintervalle [1, 2] car f (1) = 7 < 0 et f (2) = 36 > 0.
On peut vrifier que la fonction drive de g 1 est donne par g 1 ( x) = ( x240( x+1)
+2 x+1)2
et que | g 1 ( x)| < 1
pour tout x [1, 2]. Ainsi g 1 est contractante sur [1, 2]. Ainsi, grce au thorme du point fixe, la
convergence de la suite ( xn ) dfinie x0 [1, 2] et xn+1 = g 1 ( xn ) = 2 20 vers la solution exacte
xn +2 xn +10
x est assure.
itration xn itration xn
0 1.000000000000000 10 1.368696397555516
1 1.538461538461539 11 1.368857688628725
2 1.295019157088122 12 1.368786102577989
3 1.401825309448600 13 1.368817874396085
4 1.354209390404292 14 1.368803773143633
5 1.375298092487380 15 1.368810031675092
6 1.365929788170655 16 1.368807253960778
7 1.370086003401819 17 1.368808486788930
8 1.368241023612835 18 1.368807939624842
9 1.369059812007482
Les rsultats prcdents montrent que la mthode du point fixe a ncessit 18 itrations pour
converger et la solution dtermine par cette mthode est x = 1.3688085 avec f (1.3688085) =
7.9947533 106 et g 1 (1.3688085) = 1.3688079.
itration xn itration xn
0 1.350000000000000 131 0.548946478058069
1 1.389462500000000 132 1.923189476943791
2 1.345628322885400 133 0.548946478056689
3 1.394201865964998 134 1.923189476944218
.. ..
4 1.340235433982419 . .
.. ..
5 1.400016550438115 . .
6 1.333580999927215 147 1.923189476944801
7 1.407143192902503 148 0.548946478054790
8 1.325367942472636 149 1.923189476944807
9 1.415865806392921 150 0.548946478054780
La convergence de la mthode du point fixe dans le premier exemple et sa non convergence dans le
4.2. MTHODES DENCADREMENT 51
deuxime exemple sont respectivement illustres pas les deux figures suivantes :
Exercice 1. Interpreter les figures ci dessous relatifs la recherche des point fixes des fonctions h 1 et
h 2 associes la racine de lquation f ( x) = 0 o f ( x) = sin(2 x) + x 1 en tenant compte que les itrs
associes aux fonctions h 1 et h 2 sont respectivement x0 = 0.4 x1 = 0.2826, x2 = 0.4643, x3 = 0.1992, x4 =
0.6121, x5 = 0.0595 et x0 = 0.1 x1 = 0.5599, x2 = 0.2279, x3 = 0.4411, x4 = 0.2965, x5 = 0.3901.
f : D R
x 7 f ( x ).
On suppose que notre fonction est non linaire (sinon cest vident) et notre but est de rsoudre lqua-
tion f ( x) = 0, et donc on recherche un nombre rel x vrifiant f ( x ) = 0 (ou -sur ordinateur- | f ( x )| <
avec trs proche de 0). Dans la suite, on suppose que la racine x est sparable, cest dire quil existe
une intervalle [a, b] tel que x est lunique racine dans cet intervalle.
52 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES
Le principe de la mthode de la dichotomie (ou de la bissection) est trs simple. On suppose que
f : [a, b] R est continue et que f (a) f ( b) < 0. Ainsi, daprs le thorme des valeurs intermdiaires,
il existe au moins une racine relle de f dans [a, b]. On prend alors le milieu de lintervalle m = a+2 b .
Dans le cas f ( m) = 0 (ou numriquement trs proche de 0), on considre que le problme est rsolu. Si
non, deux cas se prsentent :
On voit ainsi que la mthode de dichotomie construit une suite dcroissante dintervalles contenant
la racine x de la fonction f . A litration n, on considre comme nouvel intervalle [a n+1 , b n+1 ], celui
construit partir dune des extrmits de lintervalle [a n , b n ] et de son milieu m = a n +2 b n : xn . Lalgo-
rithme de la mthode de dichotomie ou de bissection peut tre rsum ainsi :
4.2. MTHODES DENCADREMENT 53
Initialisation : a 0 = a et b 0 = b ;
Itration : Pour n = 0, 1, 2, . . . , jusqu convergence :
an + bn
calculer xn = ;
2
Si f ( xn ) = 0,
x = xn , stop ;
fin du Si
Si f (a n ) f ( xn ) < 0,
on pose a n+1 = a n et b n+1 = xn ;
sinon
on pose a n+1 = xn , b n+1 = b n ;
fin du Si.
fin du Pour.
Exercice 2.
ba
1. Montrer que la suite des intervalles ([a n , b n ]) vrifie l n = 2n , o l n est la longueur de lintervalle
[a n , b n ].
2. En dduire que N le nombre minimal ditrations ncessaires pour calculer la racine x prs
vrifie N log2 b a .
Comme la mthode de la bissection, la mthode de la fausse position (ou mthode regula falsi ou encore
mthode de Lagrange) construit galement une suite dcroissante dintervalles. Cependant, litration
n, au lieu de diviser lintervalle [a n , b n ] en deux sous-intervalles de mme longueur en considrant le
milieu de lintervalle [a n , b n ], on prfre dcouper lintervalle [a n , b n ] en [a n , wn ] et [wn , b n ] o wn est
labscisse du point dintersection de la droite passant par les points (a n , f (a n )) et ( b n , f ( b n )). Ainsi, wn
est donn par
a n f ( b n ) b n f (a n )
wn = .
f ( b n ) f (a n )
Initialisation : a 0 = a et b 0 = b ;
Itration : Pour n = 0, 1, 2, . . . , jusqu convergence :
a n f ( b n ) b n f (a n )
calculer wn = ;
f ( b n ) f (a n )
Si f (wn ) = 0,
x = wn , stop ;
fin du Si
Si f (a n ) f (wn ) < 0,
on pose a n+1 = a n et b n+1 = wn ;
sinon
on pose a n+1 = wn , b n+1 = b n ;
fin du Si.
fin du Pour.
Cette mthode peut construire rapidement des itres a n , b n pour lesquels | f ( x)| est trs petite, cepen-
dant elle peut faillir dans certains cas en narrivant pas dterminer un intervalle [a n , b n ] de longueur
assez petite et contenant le zro x .
4.2.3 Exemples
Exemple 1. Dans cet exemple, la fonction test est note f et est telle que f ( x) = 13 x3 3 x 1.
La racine recherche x est situe dans lintervalle [a, b] = [1, 4]. Les algorithmes sarrtent
litration n ds que : b n a n < ou ds que | f ( xn )| < o = 105 .
Les approximations successives construites par les mthodes de dichotomie et regula falsi sont
reportes dans le tableau suivant :
De mme, les valeurs des extrmits des diffrents intervalles construits par les mthodes de
dichotomie et regula falsi sont reports dans le tableau ci dessous.
On voit que pour cet exemple, la mthode de dichotomie ncessite 17 itrations et fournit x =
56 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES
3.1545219 avec f (3.1545219) = 7.4136473 106 . Par contre, la mthode regula falsi ncessite 12
itrations et fournit x = 3.1545221 avec f (3.1545219) = 6.4195643 106 .
Exemple 2. Dans cet exemple, la fonction test est note g. Cette fonction est dfinie par g( x) =
e2 x cos( x) 3. La racine recherche x est situe dans lintervalle [a, b] = [2, 2]. De plus, on
considre que les mthodes ont converg litration n ds que : b n a n < ou ds que | f ( xn )| <
o = 106 .
Les approximations successives et les bornes des intervalles construits par les mthodes de di-
chotomie et regula falsi sont reportes dans les deux tableaux ci-dessous.
4.3. MTHODES DE NEWTON ET DE LA SCANTE 57
f ( xn )
xn+1 = xn .
f ( xn )
Notons galement que la mthode de la scante ressemble la mthode de la fausse position (regula
falsi). En effet, le point wn calcul lors de litration n de la mthode regula falsi est donn par
a n f ( b n ) b n f (a n ) bn an
wn = = an f ( a n ).
f ( b n ) f (a n ) f ( b n ) f (a n )
A noter cependant que dans la mthode de la scante, il est impratif que les points a n et b n doivent
encadrer la racine recherche x . Par contre il nest pas ncessaire dans la mthode de la scante que
les points xn et xn1 encadrent x .
4.3.3 Exemples
Exemple 3. Dans cet exemple, la fonction test f est celle de lexemple 1. Ainsi, f ( x) = 31 x3 3 x 1.
Les solutions de dpart sont respectivement x0 = 2 pour la mthode de Newton et x0 = 2, x1 = 4
pour la mthode de la scante. Les algorithmes sont stopps ds que : | xn xn1 | < ou ds que
| f ( xn )| < o = 105 .
Exemple 4. La fonction teste dans cet exemple est la fonction g dfinie par g( x) = e2 x
cos( x) 3. Les solutions de dpart sont respectivement x0 = 2 pour la mthode de Newton et
x0 = 2, x1 = 0 pour la mthode de la scante. Les algorithmes sont stopps ds que : | xn xn1 | <
ou ds que | f ( xn )| < o = 106 .
Pour cet exemple, la mthode de Newton a eu besoin de 6 itrations pour converger et la solu-
tion dtermine par cette mthode est x = 0.6657177 avec f (0.6657177) = 8.8641244 107 . La
mthode de la scante converge en 9 itrations et donne x = 0.6657223 avec f (0.6657223) =
3.932159 105 .
62 CHAPITRE 4. RSOLUTION DQUATIONS NON LINAIRES