Chapitre 1 : Rappels sur quelques méthodes numériques

1- Introduction :
Le calcul scientifique est une discipline qui consiste à développer, analyser et appliquer des
méthodes pour traiter des problèmes mathématiques variés que l’analyse, l’algèbre linéaire, la
géométrie, l’approximation de fonctions, l’optimisation ou le calcul différentiel. Les méthodes
numériques sont appliquées dans de nombreux problèmes posés par la physique, les sciences
biologiques, les sciences de l’ingénieur, l’économie et la finance.
Dans ce qui suit nous allons exposer brièvement quelques méthodes appliquées à la résolution
des systèmes d’équations linéaires et non linéaires, de l’interpolation et d’approximation,
d’intégration numérique ainsi que la résolution d’équations différentielles ordinaires.
2- Résolution des systèmes d’équations :
2-1- Systèmes d’équations linéaires :
Un système linéaire de ‘m’équations à ‘n’inconnues est un ensemble de relations algébriques
de la forme :
n

∑a
j =1
ij x j = bi , i = 1,..., m (1 - 1)

Qu’on peut réécrire sous forme de système d’équations :

a11 x1 + a12 x 2 + .... + a1n x n = b1

a x + a x + .... + a x = b
 21 1 22 2 2n n 2

.
. (1-2)

a m1 x1 + a m 2 x 2 + .... + a mn x n = bm
x j sont les inconnues, aij sont les coefficients du système et bi sont appelés les seconds

membres ( 1 ≤ i ≤ m, 1≤ j ≤ n)
Le système d’équations précédent peut être mis sous la forme matricielle :
Ax = b (1-3)

 a11 a12 .... a1n 

a a 22 .... a 2 n 
 21
A= . . . .  : est une matrice d’ordre (m*n)
 
 . . . . 
a m1 am2 .... a mn 

1
  x1   b1 
x  b 
 2  2
x =  .  : vecteur colonne de ‘n’ éléments, b =  .  : vecteur colonne de ‘m’ éléments
.  . 
x  b 
 n  m
On peut avoir les cas suivants :
• m = n : le système d’équations est dit régulier, A est une matrice carrée et doit être
inversible (det(A) ≠ 0) pour que le système admette une solution.
• m ≥ n : on dit que le système est surdéterminé (le nombre d’équations > au nombre
d’inconnues). La résolution de ce type de systèmes se fait à l’aide de la méthode des
moindres carrées.
• m ≤ n : on dit que le système est sous-déterminé (solution impossible).
La résolution du système d’équations (1-2) revient à trouver les valeurs x j tel que l’équation

(1-3) soit satisfaite.

Dans ce chapitre, nous traiterons surtout des systèmes carrés d’ordre ‘n’ à coefficients réels
( aij ∈ R et bi ∈ R )
La solution recherchée est unique si l’une des conditions suivantes est satisfaite :

1- A est inversible
2- rang(A) = n
3- le système homogène Ax = 0 admet seulement la solution nulle.
Les méthodes de résolution des systèmes d’équations linéaires sont classées en deux
catégories :
a) méthodes exactes qui sont des algorithmes fini de calcul des solutions du système tel que :
méthode de Cramer, méthode du pivot, méthode des racines carrées,…etc.
b) méthodes itératives qui permettent d’obtenir la solution du système avec une précision
choisie à l’aide de processus convergents infinis tel que méthode des approximations
successives, méthode de Seidel, méthode de relaxation,…etc.
2-1-1- Méthode de Jacobi:
Soit une matrice A dont tous les éléments diagonaux sont non nuls, considérons un système
d’équations à 3 inconnues :
a11 x1 + a12 x 2 + a13 x3 = b1

a 21 x1 + a 22 x 2 + a 23 x3 = b2 (1-4)
a x + a x + a x = b
 31 1 32 2 33 3 3

Réécrivons l’élément diagonal de chaque ligne sous la forme suivante :

2
 x1 = (b1 − a12 x 2 − a13 x3 ) / a11

 x 2 = (b2 − a 21 x1 − a 23 x3 ) / a 22 (1-5)
 x = (b − a x − a x ) / a
 3 3 31 1 32 2 33

La méthode de Jacobi repose sur l’idée d’une succession d’approximations en démarrant d’un
 x1(0 ) 
 
vecteur de solutions à l’itération ‘0’ x (0 ) =  x 2(0 )  puis en calculant :
 x3(0 ) 
 

( )
 x1(k +1) = b1 − a12 x 2(k ) − a13 x3(k ) / a11
 (k +1)
( (k )
 x 2 = b2 − a 21 x1 − a 23 x3 / a 22
(k )
) (1-6)
 (k +1)
( (k )
 x3 = b3 − a31 x1 − a32 x 2 / a33
(k )
)
l’algorithme de Jacobi peut être résumé comme suit :

Donner une solution de départ x (0 ) ∈ R n

pour k = 0, 1, 2, …..jusqu’à critère d’arrêt faire
pour i = 1 jusqu’à n faire
n
bi − ∑ aij x (jk )
j =1
( k +1) i≠ j
xi =
aii
Finpour i
Finpour k

Exemple :
Soit le système d’équations suivant :
4 x1 + x 2 + 3 x3 = 17

 x1 + 5 x 2 + x3 = 14 (1-7)
2 x − x + 8 x = 12
 1 2 3

La solution optimale est donnée par : x * = [3, 2, 1]T

Nous allons utiliser la méthode de Jacobi pour résoudre ce système.
On commence d’abord par vérifier que la matrice A est inversible :
4 1 3
A = 1 5 1 ⇒ det ( A) = 125 ≠ 0 donc le système accepte une solution unique.
2 − 1 8

On transforme le système précédent sous cette forme :

3
 17 − x 2 − 3 x3
 x1 = 4

 14 − x 1 − x3
 x2 = (1-8)
 5
 12 − 2 x1 + x 2
 x3 =
 8

0 
on choisit un vecteur de solutions de départ x (0 )
= 0
0

1ère itération (k = 1) :
 (1) 17 − x 2(0 ) − 3 x3(0 ) 17
 x1 = = = 4.25 17 
 4 4 4
(0 )
 (1) 14 − x1 − x3 (0 )
14 14 
 x2 = = = 2.8 ⇒ x (1) =  
 5 5 5
( 0)
 (0 ) 12 − 2 x1 + x 2 ( 0)
12 12 
 3
x = = = 1 .5  8 
 8 8

2ème itération (k = 2) :
 (2 ) 17 − x 2(1) − 3x3(1) 97
 x1 = = = 2.425  97 
 4 40  40 
(1)
 (2 ) 14 − x1 − x3 (1)
33  33 
(2 )
 2
x = = = 1 . 65 ⇒ x =  
 5 20  20 
( 1)
 (2 ) 12 − 2 x1 + x 2 ( 1)
63  63 
 x3 = = = 0.7875  80 
 8 80

3ème itération (k = 3) :
 (3 ) 17 − x 2(2 ) − 3 x3(2 ) 1039
 x1 = = = 3.25 1039 
 4 320  320 
(2 )
 (3 ) 14 − x1 − x3 (2 )
863  863 
 x2 = = = 2.16 ⇒ x (3 ) =  
 5 400  400 
 (3 ) 12 − 2 x1(2 ) + x 2(2 ) 176  176 
 3
x = = = 1 . 1  160 
 8 160

Remarques :
1)- si l’un des éléments diagonaux de la matrice A est nul, alors il faut permuter entre les
lignes de la matrice (et aussi pour les lignes de b) pour pouvoir appliquer la méthode de
Jacobi.

4
Exemple :
4 x1 + x 2 + 3 x3 = 17 4 1 3

 x1 + x3 = 4 ⇒ A = 1 0 1
2 x − x + 8 x = 12 2 − 1 8
 1 2 3

On permute par exemple entre les lignes 1 et 2, on aura alors le nouveau système :
 x1 + x3 = 4 1 0 1
  
4 x1 + x 2 + 3 x3 = 17 ⇒ A = 4 1 3
2 x − x + 8 x = 12 2 − 1 8
 1 2 3

2)- pour le critère d’arrêt, on peut choisir soit un nombre fini d’itérations ou bien lorsqu’une
certaine quantité basée sur le calcul des normes soit inférieure à un nombre ε très petit.
Exemple :
Ax (k ) − b
2
≤ ε , tel que . 2 est appelée norme 2 et V 2 = V12 + V22 + ... + Vn2
b2
V=[1 2 3 4], V 2 = 1 + 4 + 9 + 16 = 30 ≈ 5.48
2-1-2- Méthode de Gauss-Seidel:

L’idée de la méthode de Gauss-Seidel est d’utiliser le calcul des éléments antérieurs à

l’itération (k+1) dés qu’il est effectué pour calculer les éléments futurs toujours à l’itération
(k+1). Exemple, pour calculer le deuxième élément x 2(k +1) du vecteur x (k +1) , on utilise la
nouvelle valeur x1(k +1) qu’on vient de calculer plutôt que la valeur x1(k ) .
Soit un système d’équations à 3 inconnues et reprenons le système (1-6) réécrit
précédemment :
 x1(k +1) = (b1 − a12 x 2(k ) − a13 x3(k ) ) / a11
 (k +1)
 x 2 = (b2 − a 21 x1 − a 23 x3 ) / a 22
(k ) (k )

 x3 = (b3 − a31 x1 − a32 x 2 ) / a33

 (k +1) (k ) (k )

La méthode de Gauss-Seidel repose sur les modifications suivantes :

 x1(k +1) = (b1 − a12 x 2(k ) − a13 x3(k ) ) / a11
 (k +1)
 x 2 = (b2 − a 21 x1 − a 23 x3 ) / a 22
( k +1) (k )
(1-9)

 x3 = (b3 − a31 x1 − a32 x 2 ) / a33

 (k +1) ( k +1) ( k +1)

La formule générale de calcul est donnée par :

i −1 n
bi − ∑ aij x j
( k +1)
− ∑a ij x (jk )
xi(k +1) =
j =1 j =i +1
(1 - 10)
aii
La méthode de Gauss-Seidel peut être résumée comme suit :

5
 Donner une solution de départ x (0 ) ∈ R n
pour k = 0, 1, 2, …..jusqu’à critère d’arrêt faire
pour i = 1 jusqu’à n faire

i −1 n
bi − ∑ aij x j ( k +1)
− ∑a ij x (jk )
xi(k +1) =
j =1 j =i +1

aii
Finpour i
Finpour k

Exemple :
Reprenons l’exemple vu précédemment :
4 x1 + x 2 + 3 x3 = 17

 x1 + 5 x 2 + x3 = 14
2 x − x + 8 x = 12
 1 2 3

On transforme le système précédent sous cette forme :

 17 − x 2 − 3 x3
 x1 = 4

 14 − x1 − x3
 x2 =
 5
 12 − 2 x1 + x 2
 x3 =
 8

0 
on choisit un vecteur de solutions de départ x (0 )
= 0

0

1ère itération (k = 1) :
 (1) 17 − x 2(0 ) − 3 x3(0 ) 17
 x1 = = = 4.25  17 
 4 4  4 
 (1) 14 − x1(1) − x3(0 ) 39  39 
(1)
 2
x = = = 1 . 95 ⇒ x =  
 5 20  20 
 (0 ) 12 − 2 x1(1) + x 2(1) 109 109 
 3
x = = = 0. 68125 160 
 8 160

6
2ème itération (k = 2) :
 (2 ) 17 − x 2(1) − 3x3(1) 2081
 x1 = = = 3.2516  2081 
 4 640  640 
(2 )
 (2 ) 14 − x1 − x3 (1)
6443  6443 
(2 )
 2
x = = = 2 . 0134 ⇒ x =  
 5 3200  3200 
( 2)
 (2 ) 12 − 2 x1 + x 2 ( 2)
24033  24033 
 3
x = = = 0 . 9388  25600 

 8 25600

3ème itération (k = 3) :
 (3 ) 17 − x 2(2 ) − 3 x3(2 ) 311557
 x1 = = = 3.0425  311557 
 4 102400  102400 
(3 )
 (3 ) 14 − x1 − x3 (2 )
1025911  1025911 
 x2 = = = 2.0037 ⇒ x (3 ) =  
 5 512000  512000 
 (3 ) 12 − 2 x1(3 ) + x 2(3 ) 4054341  4054341 
 3
x = = = 0 . 9898  4096000 
 8 4096000

2-2- Systèmes d’équations non linéaires :

Soit un système d’équations non linéaires :
 f1 ( x1 , x 2 ,..., x n ) = 0
 f ( x , x ,..., x ) = 0
 2 1 2 n
 (1-11)
..............................
 f n ( x1 , x 2 ,..., x n ) = 0

2-2-1- Méthode de Newton:

La méthode de Newton repose sur l’idée d’une succession d’approximations en démarrant
 x1(0 ) 
 (0 ) 
 x2 
d’un vecteur de solutions à l’itération ‘0’ x (0 ) =  .  puis en calculant :
 . 
 (0 ) 
 x n 

( )( )
x (k +1) = x (k ) − W −1 x (k ) f x (k ) (k = 0,1,2,...) (1-12)

 ∂f1 ∂f1 ∂f1 

 ∂x (k ) .
∂x 2(k ) ∂x n(k ) 
 1 
 ∂f 2 ∂f 2 ∂f 2 
( )
tel que : W x (k ) =  ∂x (k ) ∂x 2(k )
.
∂x n(k )  (1-13)
 . . 
1
. .
 ∂f ∂f n ∂f n 
 (nk ) . 
 ∂x1 ∂x 2(k ) ∂x n(k ) 

7
Exemple :
Considérons le système d’équations non linéaire suivant :
 f1 ( x1 , x 2 ) = x1 + 3 ln ( x1 ) − x 22 = 0

 f 2 ( x1 , x 2 ) = 2 x12 − x1 x 2 − 5 x1 + 1 = 0
(0 )  x1(0 )  3.4 
On prend par exemple un vecteur initial x =  (0 )  =   . Le vecteur de solutions optimal
 x 2  2.2
3.7568
est x* =  
2.7798
1ère itération (k = 1) :

( ) (0 ) ( ) ( )
 x (0 ) + 3 ln x (0 ) − x (0 ) 2   3.4 + 6 + 3ln(3.4 ) − 2.2 2  2.2313
=
=  (10 ) 2 =
1 2

( )
f x
− x1 x 2 − 5 x1(0 ) + 1 2 * 3.4 − 3.4 * 2.2 − 5 * 3.4 + 1  - 0.36 
(0 ) (0 ) 2
2 x1
 ∂f1 ∂f1 
 
− 2 x 2(0 )   
 ∂x (0 ) 3
∂x 2(0 )   1 + (0 )
3
− 2 * 2.2 1.8824 − 4.4
( )
W x (0 ) = 1 = x =  1+
3.4 =
− 3.4 
 ∂f 2 ∂f 2   (0 ) 1(0 ) (0 )   4 * 3.4 − 2.2 − 5 −   6.4
4 x − x 2 − 5 − x1   3 . 4 
 ∂x1(0 ) ∂x 2(0 )   1
1 − 3.4 4.4  − 0.1563 0.2022
( ( )) ( )
det W x (0 ) = ∆ = 21.5798 ≠ 0 ⇒ W −1 x (0 ) = =
∆ − 6.4 1.8824  − 0.2941 0.0865


3.4  - 0.1563 0.2022  2.2313 3.8215  3.8215 

( )( )
x (1) = x (0 ) − W −1 x (0 ) f x (0 ) =   -     =  ⇒ x (1) =  
2.2  - 0.2941 0.0865   - 0.36  2.8874 2.8874 

2ème itération (k = 2) :

( )
f x (1) =  1(1) 2 1 ( ) ( )
 x (1) + 3 ln x (1) − x (1) 2  - 0.4936 
2
= 
2 x1 ( )
− x1 x 2 − 5 x1(1) + 1  0.0660 
(1) (1)

 ∂f 1 ∂f 1 
 ∂x (1)  3 
∂x 2(1)   1 + (1) − 2 x 2(1)  1.7850 − 5.7748
( )
W x (1)
= 1 = x1 = 
 ∂f 2 ∂f 2   (1) (1) (1)  7.3986 − 3.8215
 − − − 
∂x 2(1)   1 1 
 (1) 4 x x 5 x
 ∂x1
2

− 0.1064 0.1608
( ( )) ( )
det W x (1) = ∆ = 35.9039 ≠ 0 ⇒ W −1 x (1) =  
 − 0.2061 0.0497 
3.7584  3.7584 
( )( )
x (2 ) = x (1) − W −1 x (1) f x (1) =   ⇒ x (2 ) =  
 2.7824 2.7824 
3- Intégration numérique:
Soit une fonction f numérique définie et intégrable sur [a, b]. la fonction f est supposée
connue en (n+1) points selon le tableau suivant :
x x0 x1 …. xn
f (x ) f 0 = f (x0 ) f1 = f ( x1 ) …. f n = f (xn )

8
 b
L’objectif est d’approcher la valeur de l’intégrale I = ∫ f ( x ) dx pour cela on remplace la
a
b
fonction f ( x ) par un polynôme p n ( x ) puis on calcule l’intégrale : I n = ∫ p n ( x ) dx
a
dans ce qui suit on va voir les méthodes qui font apparaître les polynômes d’ordre 1 et 2.
3-1- Méthode du trapèze simple :
On utilise dans cette méthode deux points a et b qui définiront un polynôme d’ordre 1
p1 ( x ) . Supposons que f est connue aux deux points a et b.

f (x )
f (b )

p1 ( x )
f (a )

a b

Fig. 1-1 Méthode simple des trapèzes

L’équation générale de la droite p1 ( x ) est donnée par : p1 ( x ) = λ x + β

Puisque les deux points a et b appartient à p1 ( x ) , on aura donc :

 f (a ) − f (b )
λ=
 f (a ) = λ a + β 
 a−b
 ⇒
 f (b ) = λb + β β = f (a ) − a f (a ) − f (b ) = af (b ) − bf (a )
 a−b a−b
en intégrant p1 ( x ) , on aura :

 f (a ) − f (b ) af (b ) − bf (a ) 
b b
I 1 = ∫ p1 ( x ) dx = ∫  x+ dx
a a  a − b a − b 
b
1  x2  1  b2 − a2 
I1 =  ( f (a ) − f (b )) + (af (b ) − bf (a ))x  =  ( f (a ) − f (b )) + (af (b ) − bf (a ))(b − a )
a−b  2 a a − b  2 
I1 =
( f (b ) − f (a ))(b + a ) + bf (a ) − af (b ) = bf (b ) + af (b ) − bf (a ) − af (a ) + 2bf (a ) − 2af (b )
2 2
bf (a ) − af (b ) + bf (b ) − af (a ) f (a )(b − a ) + f (b )(b − a ) ( f (a ) + f (b ))(b − a )
I1 = = =
2 2 2

9
Exemple :
1
Soit l’intégrale suivante : I = ∫ e x dx = e x
1
= e − 1 ≈ 1.7183
0
0

on va utiliser la méthode du trapèze simple pour calculer cette intégrale :

I1 =
( f (a ) + f (b ))(b − a ) = (1 + e )(1 − 0) ≈ 1.8591 ⇒ I − I 1 = 1.7183 − 1.8591 = 0.1408
2 2
3-2- Méthode des trapèzes composite :
On généralise la procédure précédente à (n+1) points équidistants :
b−a
x0 = a, x1 = a + h, x 2 = a + 2h,...., x n = b tel que : h =
n
Sur chaque intervalle [xi , xi +1 ] on utilise la méthode des trapèzes composite, on aura à la fin la
formule suivante :

b − a  f (b ) − f (a ) n−1 
IT = + ∑ f ( x )
n  
i
2 i =0 
Exemple :
1
Soit l’intégrale précédente : I = ∫ e x dx ≈ 1.7183
0

on va utiliser la méthode du trapèzes composite pour calculer cette intégrale pour n = 4.

1− 0
on aura alors h = = 0.25 et x0 = 0, x1 = 0.25, x 2 = 0.5, x3 = 0.75
4

1 − 0  f (1) − f (0) n −1  1  e −1 
IT =  + ∑ f ( x i ) =  + f (0) + f (0.25) + f (0.5) + f (0.75) ≈ 1.7272
4  2 i =0  4 2 
I − I T = 1.7183 − 1.7272 = 0.0089

3-3- Méthode de Simpson simple :

On utilise dans cette méthode trois points qui définiront un polynôme d’ordre 2.
Supposons que f est connue aux trois points équidistants de [a, b].
a+b b−a
x0 = a, x1 = = a + h, x 2 = b = a + 2h tel que h =
2 2
Le polynôme p 2 ( x ) sera d’ordre 2 et aura l’expression suivante :

x−
a+b
( x − b ) (x − a ) x − a + b 
p 2 (x ) = 
2 
f (a ) +
(x − a )(x − b ) f  a + b  +  2 
f (b )
 
 2 
2 2 2
2h h h
en intégrant p 2 ( x ) , on aura :

b−a a+b 
b
I 2 = ∫ p 2 ( x ) dx =  f (a ) + 4 f   + f (b )
a
6   2  

10
Exemple :
1
Soit l’intégrale précédente : I = ∫ e x dx ≈ 1.7183
0

on va utiliser la méthode de Simpson simple pour calculer cette intégrale.

1− 0  1 
I2 =  f (0 ) + 4 f   + f (1) ≈ 1.7189 ⇒ I − I 2 = 1.7183 − 1.7189 = 0.0006
6  2 
3-4- Méthode de Simpson composite :
On généralise la procédure précédente (méthode de Simpson simple) à (n+1) points
équidistants :
b−a
x0 = a, x1 = a + h, x 2 = a + 2h,...., x n = b tel que : h =
n
Sur chaque intervalle [xi , xi +1 ] on utilise la méthode de Simpson simple, on aura à la fin la
formule suivante :

h n −1 n −1
 x + xi +1 
IT = ( ) − ( ) + ∑ ( ) + ∑ f i 
6 
f b f a 2 f x i 4
i =0 i =0  2 

Exemple :
1
Soit l’intégrale précédente : I = ∫ e x dx ≈ 1.7182818
0

on va utiliser la méthode de Simpson composite pour calculer cette intégrale pour n = 4.

1− 0
on aura alors h = = 0.25 et x0 = 0, x1 = 0.25, x 2 = 0.5, x3 = 0.75
4
 f (1) − f (0 ) + 2( f (0 ) + f (0.25) + f (0.5) + f (0.75)) + 
1  
IT =    0.25 
24 4 f  + f
 0.75 
+ f
 1.25 
+ f
 1.75  
   ≈ 1.7182842
   2   2   2   2  
I − I T = 1.7182818 − 1.7182842 = 2.4 * 10 −6

4- Interpolation et approximation:
L’interpolation consiste à trouver l’expression générale d’une fonction à partir d’un certain
nombre limité de points.
Considérons un ensemble de (n+1) points : {(x0 , y 0 ), (x1 , y1 ),...., (xn , y n )}
On voudrait trouver les coefficients d’un polynôme de degré (n) correspondant à cet ensemble
de points, tel que :
p n ( x ) = a 0 + a1 x + a 2 x 2 + .... + a n x n
4- Polynôme de Lagrange:
Le polynôme de Lagrange est défini comme suit :

11
 (x − x1 )(x − x2 ).....(x − xn ) (x − x0 )(x − x2 )....(x − xn )
l n (x ) = y 0 + y1
(x0 − x1 )(x0 − x2 )....(x0 − xn ) (x1 − x0 )(x1 − x2 )....(x1 − xn )
(x − x0 )(x − x1 ).....(x − xn−1 )
+ ..... + y n
(xn − x0 )(xn − x1 )....(xn − xn−1 )
n

∏ (x − x ) k
k =0
( x − xk )
n

l n ( x ) = ∑ y m Ln ,m ( x ) tel que Ln ,m (x ) = =∏
n k ≠m
n
(x − x )
m =0
∏ (xm − xk ) kk =≠0m m k
k =0
k ≠m
Exemple :
soit l’ensemble suivant de 04 points
{(x0 , y0 ) = (− 2,−6), (x1 , y1 ) = (− 1,2), (x2 , y 2 ) = (1,1), (x3 , y3 ) = (2,6)}
Le degré du polynôme de Lagrange est n = 3.
En appliquant l’expression du polynôme, on aura :
3

∏ (x − x ) k

L3,m ( x ) =
k =0
k ≠m (x − x1 )(x − x2 )(x − x3 )
=
3
(x − x )(x − x )(x − x )
∏ ( xm − xk ) m 1 m 2 m 3
k =0
k ≠m

L3, 0 (x ) =
( x − x1 )(x − x2 )(x − x3 )
=
( x + 1)(x − 1)( x − 2 )
=−
( x 2 − 1)( x − 2 )
(x0 − x1 )(x0 − x2 )(x0 − x3 ) (− 1)(− 3)(− 4) 12
( x − x0 )( x − x2 )( x − x3 ) ( x + 2 )( x − 1)( x − 2 ) (x 2 − 4 )( x − 1)
L3,1 ( x ) = = =
(x1 − x0 )(x1 − x2 )(x1 − x3 ) (1)(− 2)(− 3) 6

L3, 2 ( x ) =
( x − x0 )(x − x1 )(x − x3 )
=
( x + 2)(x + 1)(x − 2 )
=−
(x 2 − 4 )(x + 1)
(x2 − x0 )(x2 − x1 )(x2 − x3 ) (3)(2)(− 1) 6

L3,3 ( x ) =
(x − x0 )(x − x1 )(x − x2 ) = (x + 2)(x + 1)(x − 1) = (x 2 − 1)(x + 2)
(x3 − x0 )(x3 − x1 )(x3 − x2 ) (4)(3)(1) 12
On construit maintenant le polynôme de Lagrange :
3
l3 (x ) = ∑ y m L3,m ( x ) = y0 L3, 0 ( x ) + y1 L3,1 ( x ) + y 2 L3, 2 ( x ) + y3 L3,3 ( x )
m =0

(
 x 2 − 1 (x − 2) 
l3 (x ) = (− 6 ) −
)
 + 2
(
x 2 − 4 (x − 1) ) (
 x 2 − 4 (x + 1) 
+ (1) −
)
 + 6
( )
x 2 − 1 (x + 2)
 12  6  6  12
 x−2 x+2  x −1 x +1   x −3
(
l3 ( x ) = x 2 − 1  )
+ + x −4 
2
( ) − (
 = x x −1 + x − 4 
2 2
) ( )

 2 2   3 6   6 
7 3 x2 5
l3 ( x ) = x − − x + 2
6 2 3
12
5- Résolution des équations différentielles ordinaires (EDO):
Une équation différentielle ordinaire ( EDO), d’ordre n est une relation entre la variable réelle
t, une fonction inconnue x(t) et ses dérivées x’, x’’,...,x(n) définie par
( )
f t , x, x ′, x ′′,..., x (n ) = 0
5-1- Méthode d’Euler:
Soit une équation différentielle d’ordre 1 définie par :
x ′(t ) + ax(t ) = b tel que : a, b ∈ R et x(0 ) = x0

La méthode d’Euler consiste à remplacer la dérivée première x ′(t ) par son approximation
x(t + 1) − x(t )
donnée par : x ′(t ) =
tf
tel que : h =
h n
tf : le temps final de calcul
n : le nombre de points de dérivation
L’équation différentielle précédente sera remplacée par :

x(t + 1) − x(t )
+ ax(t ) = b ⇒ x(t + 1) = (1 − ah )x(t ) + hb
h
La résolution de cette équation se fera pas à pas à partir de t = 0.
x(1) = (1 − ah )x(0 ) + hb = (1 − ah )x0 + hb
x(2 ) = (1 − ah )x(1) + hb = (1 − ah ) x0 + (1 − ah )hb + hb
2

x(3) = (1 − ah )x(2 ) + hb = (1 − ah ) x0 + ∑
3
2
(1 − ah )m hb
m =0

..............................................................................................
Exemple :
Considérons l’équation différentielle suivante :
x ′(t ) + x(t ) = 1 (a = b =1) et x(0) = 0
La solution exacte de cette équation est de la forme : x(t ) = 1 − e − t
en utilisant la méthode d’Euler pour n = 8 et tf = 2 , h = 0.25 on obtient :
x(1) = (1 − 0.25)x(0 ) + 0.25 = 0.25
x(2 ) = (1 − 0.25)x(1) + 0.25 = 0.4375
x(3) = (1 − 0.25)x(2 ) + 0.25 = 0.5781
..............................................................................................

13