Université M’hamed Bougara de Boumerdès

Faculté des sciences

Département de mathématiques

Analyse Numérique
Cours, 2`emeannée licence mathématiques

TAZEROUTI MOUSSA
[email protected]

1
Table des matières
Chapitre 1 : Analyse de l’erreur

1- Introduction

2- Terminologie

3- Représentation décimale des nombres approchées

4- Chiffres significatifs

5- Chiffres significatifs exacte (c.s.e)

6- Arrondissement

7- Propagation d’erreurs

8- Formule générale de l’erreur

9- Arithmétique flottante

9.1- Opérations élémentaires

10-Série d’exercices N0 1

Chapitre 2 : Résolutions des équations non linaires 𝒇(𝒙) = 𝒐

Introduction

1- Séparation de racines

2- Les méthodes de localisations

3- Les méthodes utilisées

3-1 Méthode de bissection (Dichotomie)

3-2 Méthode du point fixe (ou approximation successive)

3-3 Méthode de Newton (méthode de tangente)

4- La méthode de Newton et les Polynômes (Théorème de STURM)

5- Série d’exercices N0 2

Chapitre 3 : Interpolation polynômiale

1- Introduction

2- Polynôme d’interpolation
2
2-1- Méthode de Lagrange

2-1-1 les polynômes élémentaires de Lagrange

2-2 Méthode de newton avec les différences divisées

2-2-1 Schéma pour calculer les déférences

2-3- Méthode de newton avec les différences finies

2-3-1 Relation entre les différences finies et les différences divisées

3-3-2 Schéma pour calculer les différences finies

3- Estimation d’erreurs

4- Série d’exercices N0 3

3
 Analyse de l’erreur
1- Introduction : En analyse numérique les méthodes mathématiques d’écrits par des
algorithmes donnent naissance à des erreurs que proviennent des 3 sources principales :

Erreurs de représentation, erreur d’approximation, erreurs de modélisations.

a- L’erreur d’arrondi (de représentation) sont liées à la représentation des nombres rationnels
1/3 ;1/6…et les irrationnels √2 , 𝜋 , 𝑒, …etc.

Exemple : 1/3=0.333…représentation décimale infini.

b- L’erreur d’approximation proviennent du développent de Tylor où bien quand on remplace

une fonction par un polynôme.

Exemple : 𝑓 (𝑥 ) = |𝑥 | ; 𝑥 ∈ [−1 ; 1] ,ℎ(𝑥 ) = 𝑥 𝑛 .

c- L’erreur de modélisation : liée à la description des phénomènes physique par des équations
différentielles.
2- Terminologie : on distingue 3 types d’erreurs, erreur absolue, erreur relative, erreur relative
en pourcentage.
Définition 1 : soit x un nombre donnée et x* une valeur approchée de celui-ci.
 L’erreur absolue notée ∆(𝑥)et définie par ∆(𝑥 ) = |𝑥 − 𝑥 ∗|.
|𝑥−𝑥∗| ∆(𝑥)
Définition 2 : l’erreur relative 𝑟(𝑥 ) = |𝑥 ∗ |
= |𝑥 ∗ |
.

Définition 3 : l’erreur relative en pourcentage 𝑟% = 𝑟(𝑥 ) ∗ 100.

Exemple : soit x*=3.14 la valeur approchée de 𝑥 = 𝜋

∆(𝑥 ) = |𝑥 − 𝑥 ∗ | = |𝜋 − 3.14| = 0.001

⇒ ∆𝑥 = 0.01 ≤ 0.005 = 0.5 ∗ 10−2 .

∆(𝑥) |𝜋−3.14|
et l’erreur relative est 𝑟(𝑥 ) = |𝑥 ∗ |
= |3.14|

Remarque 1:- Plus l’erreur absolue de x est petite, plus le nombre approché 𝑥 ∗ est précis.

- L’erreur relative est généralement utilisée pour comparer la précision de déférentes

valeurs approchées 𝑥1∗ , 𝑥2∗ , 𝑥3∗ , … relativement à déférentes valeurs exactes respectives

𝑥1 , 𝑥2 , 𝑥3 .

3- Bornes d’erreurs absolue et relative

En pratique, la valeur exacte x est souvent inconnue, il est donc impossible d’évaluer les
erreurs absolues et relatives, donc afin de pouvoir les apprécier, on introduit les notions de
borne absolue et de borne relative de ces erreurs.

4
 Dentition 4 : On appelle borne supérieure de l’erreur absolue d’une valeur approchée 𝑥 ∗ de
la valeur exacte x, le nombre réel positif que l’on note par ∆𝑥 vérifiant :

∆ ( 𝑥 ) = | 𝑥 − 𝑥 ∗| ≤ ∆ 𝑥

Donc 𝑥 ∗ − ∆𝑥 ≤ 𝑥 ≤ 𝑥 ∗ + ∆𝑥

On écrit alors 𝑥 = 𝑥 ∗ ± ∆𝑥

Remarque 2: - La borne supérieure de l’erreur absolue est un majorant de l’erreur absolue.

- Plus ∆𝑥 est petit, plus 𝑥 ∗ est plus précise, d.où, en pratique, on prend la borne supérieure de
ces majorants.
∆(𝑥) ∆
Même remarque pour l’erreur relative 𝑟(𝑥 ) = |𝑥 ∗ |
≤ |𝑥𝑥∗ | ≃ 𝑟𝑥 , 𝑟𝑥 la borne supérieure de
r(x).

4- Représentation décimale des nombres approchées : tout nombre réel positif peut se mètre
sons forme :

𝑥 ∗ = 𝛼𝑚 10𝑚 + 𝛼𝑚−1 10𝑚−1 + ⋯ + 𝛼𝑚−𝑛−1 10𝑚−𝑛−1 , 𝛼𝑚 ≠ 0, 𝛼𝑖 ∈ {0,1, … ,9}, 𝑖 ≠ 𝑚 , où

m est un entier naturel appelé rang supérieur de x:

Exemple :𝑥 ∗ = 2.304 = 2 ∗ 100 + 3 ∗ 10−1 + 0 + 4 ∗ 10−3 , 𝑚 = 0

𝑥 ∗ = 0.01 = 1 ∗ 10−2 , 𝑚 = −1

5- Chiffres significatifs

Définition 5: On appelle chiffre significatif d’un nombre approché x*, tout chiffre différent
de zéro dans sa représentation décimale. Les zéros sont non-significatifs s’ils sont à gauche
du premier chiffre non-nul et ils sont significatifs s’ils se trouvent entre deux chiffres
significatifs ou s’ils constituent des chiffres conservés. La notion de chiffres significatifs est
très importante dans la présentation des résultats.

Exemple : 43.20 ;0.0001342 ;8000 ;0.1000

6- Chiffres significatifs exacte (c.s.e) : dit que les n premier chiffres significatifs d’un nombre
x* sont exacte si ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 .

m : le 1ere exposant de 10 correspond.

n : le nombre de c .s.e/ 𝛼𝑚 ≠ 0.

Exemple : soit x*=2.712 une valeur approchée de x=e on cherche le nombre de c.s.e.

∆(𝑥 ) = |𝑥 − 𝑥 ∗ | = |𝑒 − 2.712| ≈ 0.006 ⇒ ∆𝑥 ≤ 0.05 = 0.5 ∗ 10−1 ……(1)

On a ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 ……(2)

𝑚 − 𝑛 + 1 = −1
Par identification entre (1) et (2) on trouve { ⇒𝑛=2
𝑚=0
5
𝑥 ∗ = 2.712 = 2 ∗ 100 + 7 ∗ 10−1 + 110−2 ∗ +2 ∗ 10−3 , 𝑚 = 0.

Donc x* compte 2 c.s.e on écrit e≈2.7.

7- Arrondissement : Pour arrondir un nombre jusqu’à n chiffres significatifs, il faut éliminer les
chiffres à droite du nième chiffre significatif conservé si l’on se trouve après la virgule, sinon on
remplace par des zéros.

 Règle d’arrondissement :

1- Si le 1ere chiffre à rejeter et <5 le nombre est conservé.

∗
Exemple : arrondi x*=0.2431 à 3 c.s. on a 1<5 donc 𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 0.243

2- Si le 1ere chiffre à rejeter et >5 ajoute une unité au dernier chiffre conservé.
∗
Exemple :arrondi x*=0.014563 à 3 c.s. on a 6>5 donc𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 0.0146.

3- Si le 1ere chiffre à rejeter et =5 alors deux cas peuvent se présenter :

a) Toutes les rejets des zéros alors, le nième chiffre reste inchangé s’il est pair et on lui ajoute
une unité s’il est impair.
b) Parmi les rejets ∃ un chiffre ≠ 0 ⇒ +(1) au dernier conservé.
∗
Exemple : arrondi x*=0.245000 à 2c.s. on a 5=5 donc 𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 0.24
∗
arrondi x*=4.157500 à 4c.s. on a 5=5 donc 𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 4.158
∗
arrondi x*=30.251 à 3 c.s. on a 5=5 donc 𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 30.3

Remarque3 : l’erreur d’arrondi vérifie ∆𝑟 ≤ 0.5 ∗ 10𝑚−𝑛+1 , le résultat final après arrondissement
∗
s’écrit : 𝑥 = 𝑛𝑜𝑚𝑏𝑟𝑒 𝑎𝑟𝑟𝑜𝑛𝑑𝑖 ± (∆𝑟 + ∆𝑥 ) = 𝑥𝑎𝑟𝑟𝑜𝑛𝑑𝑖 ± 2∆𝑥 .

Remarque4 : 1- on arrondi que le résultat final, jamais les résultats intermédiaires

2. Un résultat final n’a jamais plus de précision que la précision des données.

8- Propagation d’erreurs

Soit x*,y* deux approximations de x,y.

∆𝑥 +∆𝑦
 ∆𝑥±𝑦 = ∆𝑥 + ∆𝑦 ,𝑟𝑥±𝑦 = |𝑥±𝑦|
 ∗| ∗|
∆𝑥∗𝑦 = |𝑦 ∆𝑥 + |𝑥 ∆𝑦 ,𝑟𝑥∗𝑦 = 𝑟𝑥 + 𝑟𝑦
|𝑦 ∗ |∆𝑥+|𝑥 ∗ |∆𝑦
 ∆𝑥 = |𝑦 ∗2|
,𝑟𝑥 = 𝑟𝑥 + 𝑟𝑦
𝑦 𝑦

9- Formule générale de l’erreur

Soient f une fonction plusieurs variables définies sur Rn

𝑓: ℝ𝑛 → ℝ𝑛
(𝑥1 , … , 𝑥𝑛 ) → 𝑓 (𝑥1 , … , 𝑥𝑛 )

6
 𝛿𝑓 𝛿𝑓 𝛿𝑓 𝛿𝑓
L’erreur absolue :∆𝑓= ∑𝑛𝑖=1 |𝛿𝑥 | ∆𝑥𝑖 = |𝛿𝑥 | ∆𝑥1 + |𝛿𝑥 | ∆𝑥2 + ⋯ + |𝛿𝑥 | ∆𝑥𝑛
𝑖 1 2 𝑛
Δ𝑓
L’erreur relative : 𝑟𝑓 = |𝑓|

Exercice d’application :

Déterminer l’erreur absolue et l’erreur relative de volume 𝑣 , 𝑣 = 𝜋𝑟 2 ℎ avec

𝜋 = 3.145 ; 𝑟 = 0.220 ; ℎ = 22.10 si tous les chiffres significatif sont exactes.

Solution :𝑣 = 𝜋𝑟 2 ℎ = 3.364
𝛿𝑓
on applique la formule générale de l’erreur ∆𝑓= ∑𝑛𝑖=1 |𝛿𝑥 | ∆𝑥𝑖
𝑖

𝛿𝑣 𝛿𝑣 𝛿𝑣
∆𝑣 = |𝛿𝜋| ∆𝜋 + |𝛿𝑟 | ∆𝑟 + |𝛿ℎ| ∆ℎ = 𝑟 2 ℎ ∆𝜋 + 2𝜋𝑟ℎ ∆𝑟 + 𝜋𝑟 2 ∆ℎ

∆𝜋 =? ; ∆𝑟 =? ; ∆ℎ =?

𝜋 = 3.145 → ∆𝜋 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 100−4+1 = 0.5 ∗ 10−3 ; 𝑎𝑣𝑒𝑐 𝑚 = 0 𝑒𝑡 𝑛 = 4.

𝑟 = 0.220 → ∆𝑟 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−1−3+1 = 0.5 ∗ 10−3 ; 𝑎𝑣𝑒𝑐 𝑚 = −1𝑒𝑡 𝑛 = 3.

ℎ = 22.10 → ∆ℎ ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 101−4+1 = 0.5 ∗ 10−2 ; 𝑎𝑣𝑒𝑐 𝑚 = 0 𝑒𝑡 𝑛 = 4. ∆𝑣

= 0.2202 ∗ 22.10 ∗ 0.5 ∗ 10−3 + 2 ∗ 3.145 ∗ 0.220.22.10 ∗ 0.5 ∗ 10−3
+ 3.145 ∗ 0.2202 0.5 ∗ 10−2 = 0.016 ≤ 0.05 = 0.5 ∗ 10−1

∆𝑣 0.5 ∗ 10−1
𝑟𝑣 = = = 0.047
|𝑣 ∗ | 3.364

Arrondi les résultats au nombre de c.s.e : ∆𝑣 = 0.5 ∗ 10−1 (1) ; ∆𝑣 ≤ 0.5 ∗ 10𝑚−𝑛+1 (2)

𝑚 − 𝑛 + 1 = −1 → 0 − 𝑛 + 1 = −1 ⇒ 𝑛 = 2
Par identification entre (1) et (2) on trouve {
𝑚=0
Donc 𝑣𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 3.4 ; 𝑎𝑙𝑜𝑟𝑠 𝑣 = 3.4 ± 10−1

10- Arithmétique flottante

Définition6: soit x un nombre réel, on note fl(x) sa représentation en notation flottante à n

chiffre définie par :𝑓𝑙 (𝑥 ) = 0. 𝑑1 𝑑2 𝑑3 … 𝑑3 ∗ 10𝑙

Pour représenter les nombres réels, l’informatique utilise le plus souvent les nombres à virgule
flottante ou nombres flottants. Ils sont codés sous la forme d’un signe s, d’un exposant e et d’une
mantisse m .

Un nombre à virgule flottante n peut donc être représenté par deux nombres m

et e (et un signe s) tels que 𝑓𝑙 (𝑥 ) = m∗ 10𝑒 . Lq𝑚 = 0. 𝑑1 𝑑2 𝑑3 … 𝑑𝑛

Exemple : si on choisit n=4,alors on a

7
fl(1/3)=0.3333.*100

fl(𝜋)=0.3142 *101

fl(12.4551)=0.1246*102

10.1- Opérations élémentaires : les opérations élémentaires sont l’addition, la soustraction la

multiplication et la division. Soit x,y deux nombres réels .on effectue ces opérations en
arithmétique flottante de la façon suivante :

𝑥 + 𝑦 → 𝑓𝑙(𝑓𝑙 (𝑥 ) + 𝑓𝑙 (𝑦))

𝑥 − 𝑦 → 𝑓𝑙(𝑓𝑙 (𝑥 ) − 𝑓𝑙 (𝑦))

𝑥 ∗ 𝑦 → 𝑓𝑙(𝑓𝑙 (𝑥 ) ∗ 𝑓𝑙 (𝑦))

𝑥/𝑦 → 𝑓𝑙(𝑓𝑙 (𝑥 )/𝑓𝑙(𝑦))

Exemple : si en prend n=4 ,alors on a :

a-

1 1
∗ 3 → 𝑓𝑙 (𝑓𝑙 ( ) ∗ 𝑓𝑙(3)) = 𝑓𝑙((0.3333.∗ 100 ) ∗ (0.3000.∗ 101 )) = 𝑓𝑙((0.0.0999900.∗ 101 )
3 3
= 0.9999 ∗ 100

b- (0.4035 ∗ 106 ) ∗ (0.1978 ∗ 10−1 ) → 𝑓𝑙 (0.4035 ∗ 106 ∗ 0.1978 ∗ 10−1 ) =

𝑓𝑙(0.0798123 ∗ 105 ) = 𝑓𝑙(0.798123 ∗ 104 ) = 0.7981 ∗ 104 .

104
c- (0.56789 ∗ 104 )/(0.1234321 ∗ 10−3 ) → 𝑓𝑙 (0.56789 ∗ 0.1234321 ∗ 10−3 ) =
𝑓𝑙(4.602106969 ∗ 107 ) = 𝑓𝑙(0.4602106969 ∗ 108 ) = 0.4602 ∗ 108

Remarque5 : Il faut bien remarquer que dés opération mathématique équivalentes ne le sont pas
forcément en arithmétique flottante. L’ordre des opérations est très important.

Exemple :la propriété de distributivité de la multiplication sur l’addition n’est pas toujours
respectée en arithmétique flottant. En effet, en arithmétique exacte

122 ∗ (333 + 695) = (122 ∗ 333) + (122 ∗ 695) = 125416

En arithmétique flottante avec n=3

122 ∗ (333 + 695) = 𝑓𝑙[(0.122 ∗ 103 ) ∗ 𝑓𝑙 (0.333 ∗ 103 + 0.695 ∗ 103 )]

= 𝑓𝑙[(0.122 ∗ 103 ) ∗ 𝑓𝑙 (1.028 ∗ 103 )]

= 𝑓𝑙 [(0.122 ∗ 103 ) ∗ (0.103 ∗ 104 )] = 𝑓𝑙 (0.012566 ∗ 107 )

= 0.126 ∗ 106

8
Et d’autre part :

(122 ∗ 333) + (122 ∗ 695) = 𝑓𝑙[(𝑓𝑙((0.122 ∗ 103 ) ∗ (0.333 ∗ 103 ))

+𝑓𝑙 ((0.122 ∗ 103 ) ∗ (0.695 ∗ 103 ))]

= 𝑓𝑙[𝑓𝑙 (0.040626 ∗ 106 ) + 𝑓𝑙 (0.08479 ∗ 106 )]

= 𝑓𝑙[(𝑓𝑙(0.406 ∗ 107 )) + 𝑓𝑙 (0.848 ∗ 107 )]

= 𝑓𝑙 (1.254 ∗ 105 ) = 0.125 ∗ 106

On constate donc une légère différence entre les deux résultats, ce qui implique que les deux façons
d’effectuer les opérations ne sont pas équivalentes en arithmétique flottante.

9
Série d’exercice N01:

Exercice 1. Soit H la hauteur d'un barrage. Sa valeur mesurée h est 74.260m. Si l'erreur relative

commise sur h est de 0.3, trouver a, b tels que 𝑎 ≤ 𝐻 ≤ 𝑏.

Exercice 2 :

Donner une borne supérieure de l’erreur absolue et l’erreur relative. Si tous les chiffres significatifs
des nombres suivants sont exacts :

X1=0.0145 ; X2=2.100 ; X3=45010 ; X4=22.240 ; X5=4.000 ; X6=0.00101 ;

Exercice 3. Avec combien de c.s.e. faut-il calculer 𝑒 √2 pour que l'erreur relative ne dépasse pas

1%?

Exercice 4 :

Soient x=1.4142 et X1*, X2*, X3* des valeurs approchées de x, où :

X1*=1.414236; X2* =1.414214; X3*=1.41421

Déterminer le nombre de c.s.e de chaque valeur approchées de X i* de x(i=1,2,3).Conclure.

Exercice 5 :

Arrondir les nombres suivants à 4 c.s.e et indiquer l’erreur absolue d’arrondi :

X*1=20.381 ; X*2=0.4128762 ; X*3=2.461500 ;

X*4=0.02591502 ; X*5=0.2418500 ; X*6=436276 ;

Exercice 6 :

Soit l’approximation Δf(x)=df(x)

1- Montrer que Δln(x)=Δx/x

2- En déduire l’erreur relative d’une puissance u=xn est telle que ru=n rx
𝑛
3- déterminer l’erreur absolue et l’erreur relative de la racine énième y= √𝑥 .

4- Soit x1=22.123002 et x2 =1.252468 où tous les chiffres significatifs sont exacts.

3 x
Calculer ln(x1/ x2)arrondir au nombre de c.s.e , et en déduire la valeur d √x1e arrondir au dernier
2

c.s.e.

Exercice 7 :
1 1
Deux résistances 𝑅1 = 100Ω et R2=200Ω sont installées en parallèle dans un circuit[𝑅 = 𝑅 +
1
1
]avec des erreurs relatives respectives 𝑟1 et 𝑟2 égales à 5%.
𝑅2
10
 1) Déterminer l’erreur relative et l’erreur absolue de 𝑹

2) Calculer 𝑹 en arrondissant au nombre de c.s.e.

Exercice 8(sup) :

On veut calculer la surface d'un disque 𝑆 = 𝜋𝑅 2 𝑜ù 𝑅 = 2, 3400; 𝜋 = 3, 1416.

En admettant que tous les chiffres de R et 𝜋 sont exacts.

1. Estimer les erreurs absolue et relative de S.

2. Calculer S en arrondissant au nombre de chiffres significatifs exacts.

Exercice 9(sup) :

1) Donner une borne supérieure de l’erreur absolue et estimer l’erreur relative de la pression
2RT
P= avec R=0.082 ; T=27.102 et V=20.20 si tous les c.s sont exacts.
V

2) Avec combien de c.s.e faut-il calculer P pour que l’erreur ne dépasse pas 0.1% ?

Exercice 10 :(sup)

Soit le nombre réel x=2. 305 données avec une précision de 0.1% ?

On pose ( 𝑢 = ln(𝜋 𝑥 2 )), si on prend π =3.1415 avec tous les chiffres significatif sont exacts écrire
u sous la forme 𝑢 = 𝑢𝑎𝑟𝑟𝑜𝑛𝑑𝑖 ± 2∆𝑢

Exercice 11(sup) : Soit T la période des petites oscillations du pendule qui est donnée par

𝑙
𝑇 = 2𝜋√
𝑔

g où𝑙est la longueur du pendule et g la gravité. Supposons que les mesures faites sur T et

l ont donné les résultats suivants :

𝜋 = 𝜋 ∗ ± ∆𝜋 = 3.14 ± 0, 01 ; 𝑇 = 𝑇 ∗ ± ∆ 𝑇 = 1, 936 ± 0, 002 𝑠 𝑒𝑡

𝑙 = 𝑙 ∗ ± ∆𝑙 = 92, 95 ± 0, 10 𝑐𝑚

1. Calculer la gravité g en arrondissant au dernier chiffre significatif exact.

2. Donner l'erreur relative sur g en pourcentage.

11
 Corrigée de série N°1
Exercice 1 :

On calcule a, b tels que 𝑎 ≤ 𝐻 ≤ 𝑏

- H : la hauteur d'un barrage

- h : la valeur approchée de H

donc ℎ − ∆ℎ ≤ 𝐻 ≤ ℎ + ∆ℎ

∆ℎ 𝑎 = 74.26 − 22.278 = 51.982

on a 𝑟ℎ = → ∆ℎ = 𝑟ℎ ∗ ℎ = 0.3 ∗ 74.260 = 22.278 → {
ℎ 𝑏 = 74.26 + 22.278 = 96.538
donc 51.982 ≤ 𝐻 ≤ 96.538.

Exercice 2 :

On calcule ∆𝑥 et 𝑟𝑥

D’après l’exercice on a tous les chiffres significatifs sont exacts donc

∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1

m le 1ere exposant de 10 et n le nombre de chiffre significatif exact

- 𝑥1 = 0.0145 = 1 ∗ 10−2 + 4 ∗ 10−3 + 5 ∗ 10−4 → 𝑚 = −2

𝑚 = −2; 𝑛 = 3
{ → ∆𝑥1 ≤ 0.5 ∗ 10−4
𝑚 − 𝑛 + 1 = −4

∆𝑥1 0.5∗10−4
𝑟𝑥1 = = = 0.34 ∗ 10−6 .
𝑥1 0.0145

- 𝑥2 = 2.100 = 2 ∗ 100 + 1 ∗ 10−1 + 0 ∗ 10−2 + 0 ∗ 10−3 → 𝑚 = 0

𝑚 = 0; 𝑛 = 4
{ → ∆𝑥2 ≤ 0.5 ∗ 10−3
𝑚 − 𝑛 + 1 = −3

∆𝑥2 0.5∗10−3
𝑟𝑥2 = = = 0.23 ∗ 10−3 .
𝑥2 2.100

- 𝑥3 = 45010 = 4 ∗ 104 + 5 ∗ 103 + 1 ∗ 102 + 1 ∗ 101 + 0 ∗ 100 → 𝑚 = 4

𝑚 = 4; 𝑛 = 5
{ → ∆𝑥3 ≤ 0.5
𝑚−𝑛+1=0

12
 ∆𝑥3 0.5
𝑟𝑥3 = = 45010 = 0.11 ∗ 10−6 .
𝑥3

- 𝑥4 = 22.240 = 2 ∗ 101 + 2 ∗ 100 + 2 ∗ 10−1 + 4 ∗ 10−2 + 0 ∗ 10−3 → 𝑚 = 1

𝑚 = 1; 𝑛 = 5
{ → ∆𝑥4 ≤ 0.5 ∗ 10−3
𝑚 − 𝑛 + 1 = −3

∆𝑥4 0.5∗10−3
𝑟𝑥4 = = = 0.22 ∗ 10−4 .
𝑥4 22.240

- 𝑥5 = 4.000 = 4 ∗ 100 + 0 ∗ 10−1 + 0 ∗ 10−2 + 0 ∗ 10−3 → 𝑚 = 0

𝑚 = 0; 𝑛 = 4
{ → ∆𝑥5 ≤ 0.5 ∗ 10−3
𝑚 − 𝑛 + 1 = −3

∆𝑥5 0.5∗10−3
𝑟𝑥5 = = = 0.125 ∗ 10−3 .
𝑥5 4.000

- 𝑥6 = 0.00101 = +1 ∗ 10−3 + 0 ∗ 10−4 + 1 ∗ 10−5 → 𝑚 = −3

𝑚 = −3; 𝑛 = 3
{ → ∆𝑥6 ≤ 0.5 ∗ 10−5
𝑚 − 𝑛 + 1 = −5

∆𝑥6 0.5∗10−5
𝑟𝑥6 = = = 0.495 ∗ 10−2 .
𝑥6 0.00101

Exercice 3. Avec combien de c.s.e. faut-il calculer 𝑒 √2 pour que l'erreur relative ne dépasse pas1%?

n= ?

on pose 𝑥 = 𝑒 √2 =4.11325038= 4 ∗ 100 + ⋯

∆𝑥
𝑟𝑥 = → ∆𝑥 = 𝑟𝑥 ∗ 𝑥 = 0.01 ∗ 𝑒 √2 = 0.041 = 0.41 ∗ 10−1
𝑥

∆𝑥 = 𝑟𝑥 ∗ 𝑥 = 0.01 ∗ 𝑒 √2 = 0.41 ∗ 10−1 ≤ 0.5 ∗ 10−1 … (1)

D’autre part on a ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … . (2)

𝑚 − 𝑛 + 1 = −1
Par identification entre (1) et (2) on trouve { →𝑛=2
𝑚=0
13
Exercice 4 :

𝑛 = ? → ∆𝑥

∆ ( 𝑥 ) = |𝑥 − 𝑥 ∗ |

- x1*=1.414236

∆(𝑥 ) = |𝑥 − 𝑥1 ∗ | = |1.4142 − 1.414236| = 0.36 ∗ 10−4 ≤ 0.5 ∗ 10−4 …….(1)

D’autre part on a ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … . (2)

𝑚 − 𝑛 + 1 = −4
Par identification entre (1) et (2) on trouve { →𝑛=5
𝑚=0
- x2*=1.414214

∆(𝑥 ) = |𝑥 − 𝑥2 ∗ | = |1.4142 − 1.414214| = 0.14 ∗ 10−4 ≤ 0.5 ∗ 10−4 …….(1)

D’autre part on a ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … . (2)

𝑚 − 𝑛 + 1 = −4
Par identification entre (1) et (2) on trouve { →𝑛=5
𝑚=0

- x3*=1.41421

∆(𝑥 ) = |𝑥 − 𝑥3 ∗ | = |1.4142 − 1.41421| = 0.1 ∗ 10−4 ≤ 0.5 ∗ 10−4 …….(1)

D’autre part on a ∆𝑥 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … . (2)

𝑚 − 𝑛 + 1 = −4
Par identification entre (1) et (2) on trouve { →𝑛=5
𝑚=0

En remarque que 𝑥3 ∗ est le meilleur valeur approchée de x .

Exercice 5 :

Arrondir les nombres suivants à 4 c.s.e et indiquer l’erreur absolue d’arrondi :

x*1=20.381 ; x*2=0.4128762 ; x*3=2.461500 ;

x*4=0.2418500 ; x*5=0.02591502 ; x*6=436276 ;

n=4

- 𝑥1∗ = 20.38 ⏟ ∗
1 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 20.38
<5

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−2 avec m=1 et n=4

14
Le résultat final après arrondissement s’écrier 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 20.38 ± 10−2

- 𝑥2∗ = 0.4128 ⏟ ∗
7 62 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 0.4129
>5

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−4 avec m= -1 et n=4

Le résultat final après arrondissement s’écrier 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 0.4129 ± 10−4

- 𝑥3∗ = 0.246 ⏟
1 ⏟ ∗
5 00 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 0.2462
𝑖𝑚𝑝𝑎𝑖𝑟 =5

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−4 avec m= -1 et n=4

Le résultat final après arrondissement s’écrier 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 0.2462 ± 10−4

- 𝑥4∗ = 0.241 ⏟
8 ⏟ ∗
5 00 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 0.2418
𝑝𝑎𝑖𝑟 =5

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−4 avec m= -1 et n=4

Le résultat final après arrondissement s’écrier 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 0.2418 ± 10−4

- 𝑥5∗ = 0.02591 ⏟
50⏟ ∗
2 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 0.02592
=5 ≠0

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−5 avec m= -2 et n=4

Le résultat final après arrondissement s’écrier 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 0.02592 ± 10−5

- 𝑥6∗ = 4362 ⏟ ∗
7 6 → 𝑥1𝑎𝑟𝑟𝑜𝑛 = 4363 ∗ 102
>5

∆𝑎𝑟𝑟𝑜𝑛 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 102 avec m=5et n=4

Le résultat final après arrondissement s’écrit 𝑥 = 𝑥𝑎𝑟𝑟𝑜𝑛 ± 2∆𝑥 = 4362 ± 102

15
 Exercice 6 :

Soit l’approximation Δf(x)=df(x)

1) Montrer que Δln(x)=Δx/x

on pose 𝑓 (𝑥 ) = 𝑙𝑛(𝑥 ) → 𝛥𝑓 (𝑥 ) = 𝛥 𝑙𝑛(𝑥 )

= 𝑑 𝑙𝑛(𝑥 )
𝑑𝑥 ∆𝑥
= =
𝑥 𝑥
∆𝑥
Donc 𝛥 𝑙𝑛(𝑥 ) = 𝑥

2) en déduire l’erreur relative d’une puissance u=xn est telle que ru=n rx

on a 𝑢 = 𝑥 𝑛 → 𝑙𝑛(𝑢) = 𝑙𝑛(𝑥 𝑛 ) = 𝑛𝑙𝑛(𝑥 )

∆𝑢 ∆𝑥
d’après la 1er question 𝛥 𝑙𝑛(𝑢) = = 𝑟𝑢 et 𝛥 𝑙𝑛(𝑥 ) = = 𝑟𝑥
𝑢 𝑥

donc 𝑟𝑢 = 𝑛𝑟𝑥
𝑛
3) déterminer l’erreur absolue et l’erreur relative de la racine énième y= √𝑥 .

∆𝑦 =? ; 𝑟𝑦 =?

𝑛 𝑛 1
on a 𝑦 = √𝑥 → 𝑙𝑛(𝑦) = 𝑙𝑛( √𝑥 ) = 𝑛 𝑙𝑛(𝑥 )

1
d’après la 2éme question en trouve que 𝑟𝑦 = 𝑛 𝑟𝑥 .

∆𝑦 ∆𝑥 ∆𝑦 1 ∆𝑥 𝑦 ∆𝑥 𝑥 1/𝑛 ∆𝑥
𝑦
= 𝑟𝑦 et 𝑥
= 𝑟𝑥 alors 𝑦
=𝑛 𝑥
→ ∆𝑦 = 𝑛 𝑥
= 𝑛 𝑥

1
1
Donc ∆𝑦 = 𝑛 𝑥 𝑛−1 ∆𝑥

4) Soit 𝑥1 = 22.123002 et 𝑥2 = 1.252468 où tous les chiffres significatifs sont exact.

𝑥 3 x
Calculer 𝑙𝑛(𝑥1 )arrondir au nombre de c.s.e , et en déduire la valeur de √x1arrondir au dernier c.s.e.
2 2

𝑥
On pose 𝑧 = 𝑙𝑛 (𝑥1 ) =2.871501876983189347167464037389
2

𝑧𝑎𝑟𝑟𝑜𝑛𝑑 =? → 𝑛 =? → ∆𝑧 =?

16
 𝑥
𝑥1 ∆( 1) 𝑥2 𝑥
𝑥2
∆𝑧 = ∆𝑙𝑛 ( ) → ∆𝑧 = 𝑥1 = ∆ ( 1 )…..(1)
𝑥2 ( ) 𝑥1 𝑥2
𝑥2

𝑥 𝑥2 ∆𝑥1 −𝑥1 ∆𝑥2 ∆𝑥1 𝑥1 ∆𝑥2 𝑥

∆ (𝑥1 ) = | 𝑥2 2
|=
𝑥2
+ 𝑥2 2
on remplace la valeur de ∆ (𝑥1 ) dans (1)
2 2

𝑥2 ∆𝑥1 𝑥1 ∆𝑥2 ∆𝑥1 ∆𝑥2

∆𝑧 = [ + ] = +
𝑥1 𝑥2 𝑥2 2 𝑥1 𝑥2

∆𝑥1 =? ; ∆𝑥2 =?

𝑥1 = 22.123002 → ∆𝑥1 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−6 𝑎𝑣𝑒𝑐 𝑚 = 1 𝑒𝑡 𝑛 = 8 𝑐𝑎𝑟 𝑡𝑜𝑢𝑠 𝑐. 𝑠. 𝑒

𝑥2 = 1.252468 → ∆𝑥21 ≤ 0.5 ∗ 10𝑚−𝑛+1 = 0.5 ∗ 10−6 𝑎𝑣𝑒𝑐 𝑚 = 0 𝑒𝑡 𝑛 = 7 𝑐𝑎𝑟 𝑡𝑜𝑢𝑠 𝑐. 𝑠. 𝑒

∆𝑥1 ∆𝑥2 0.5∗10−6 0.5∗10−6

∆𝑧 = + = 22.123002 + 1.252468 = 0.42 ∗ 10−6 ≤ 0.5 ∗ 10−6 ……..(1)
𝑥1 𝑥2

D’autre part ∆𝑥1 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … (2)

𝑚 − 𝑛 + 1 = −6
Par identification entre (1) et (2) on trouve { →𝑛=7
𝑚=0

Donc 𝑧 = 2.871501 ⏟
8 76983189347167464037389 → 𝑧𝑎𝑟𝑟𝑜𝑛𝑑 = 2.871502
>5

3 x
déduire la valeur de √x1arrondir au dernier c.s.e.
2

3 x
on pose 𝑡 = √x1 =2.60430877
2

3 x1 3 𝑥1 1 𝑥1
𝑡=√ → ln(𝑡) = ln ( √ ) → 𝑙𝑛(𝑡) = 𝑙𝑛 ( )
x2 𝑥2 3 ⏟ 𝑥2
𝑧

Donc

1 1 ∆𝑡 1
ln(𝑡) = 𝑧 → ∆𝑙 𝑛(𝑡) = ∆𝑧 → = ∆𝑧
3 3 𝑡 3
𝑡 2.60430877
∆𝑡 = ∆𝑧 = 0.42 ∗ 10−6 = 0.36 ∗ 10−6 ≤ 0.5 ∗ 10−6 … … … (1)
3 3
D’autre part ∆𝑥1 ≤ 0.5 ∗ 10𝑚−𝑛+1 … … (2)

𝑚 − 𝑛 + 1 = −6
Par identification entre (1) et (2) on trouve { →𝑛=7
𝑚=0

17
Donc 𝑡 = 2.604308 ⏟
7 7 → 𝑡𝑎𝑟𝑟𝑜𝑛𝑑 = 2.604309
>5

Exercice 7 :

 Détermination de l’erreur relative et l’erreur absolue de 𝑅

1 1 1 𝑅 ∗𝑅 20000
= 𝑅 + 𝑅 ⇒ 𝑅 = 𝑅 1+𝑅2 = = 66.66666 …
𝑅 1 2 1 2 300

𝛿𝑓
En utilisant la formule générale ∆𝑓= ∑𝑛𝑖=1 |𝛿𝑥 | ∆𝑥𝑖 on trouve
𝑖

𝛿𝑅 (𝑅1 +𝑅2 )𝑅2−𝑅1 ∗𝑅2 𝑅22

= (𝑅1 +𝑅2 )2
= (𝑅 2
𝛿𝑅 𝛿𝑅 𝛿𝑅1 1 +𝑅2 )
∆𝑅 = |𝛿𝑅 | ∆𝑅1 + |𝛿𝑅 | ∆𝑅2 …… avec {
1 2 𝛿𝑅 (𝑅1 +𝑅2 )𝑅1−𝑅1 ∗𝑅2 𝑅12
= (𝑅1 +𝑅2 )2
= (𝑅 2
𝛿𝑅1 1 +𝑅2 )

𝑅22 𝑅12 1
Donc ∆𝑅 = (𝑅 )2
∆𝑅1 + (𝑅 2 ∆𝑅2 = (𝑅 2
(𝑅22 ∆𝑅1 + 𝑅12 ∆𝑅2 )
1 +𝑅2 1 +𝑅2 ) 1 +𝑅2 )

5
𝑟𝑅1 % = 𝑟𝑅2 % = 5% → 𝑟𝑅1 = 𝑟𝑅2 = = 0.05
100
∆𝑅1
𝑟𝑅1 = → ∆𝑅1 = 𝑅1 ∗ 𝑟𝑅1 = 100 ∗ 0.05 = 5
𝑅1

∆𝑅2
𝑟𝑅2 = → ∆𝑅2 = 𝑅2 ∗ 𝑟𝑅2 = 200 ∗ 0.05 = 10
𝑅2

1 30 10
∆𝑅 = 2
(2002 ∗ 5 + 1002 ∗ 10) = =
(100 + 200) 9 3
200
∆𝑅
 𝑟𝑅 = = 3
10 = 20
𝑅
3

 Détermination la valeur arrondie de R

On a
∆𝑅 = 3.33 < 0.5 ∗ 101 … … … … (1)

D’autre par ∆𝑢 ≤ 0.5 ∗ 10𝑚−𝑛+1 (2)

𝑚 − 𝑛 + 1 = 1 → 0 − 𝑛 + 1 = 1 ⇒ 𝑛 = 1 𝑐. 𝑠. 𝑒
Par identification entre (1) et (2) on trouve { .
𝑚=1
0.5

Donc 𝑅𝑎𝑟𝑟𝑜𝑛𝑑𝑖 = 70 ; 𝑎𝑙𝑜𝑟𝑠 𝑢 = 70 ± 10

18
Chapitre 2 : Résolutions des équations non linaires 𝑓(𝑥) = 𝑜
Introduction : on se propose ici de donner quelques méthodes de résolution numérique des
équations f(x)=0.

Soit 𝑓: ℝ ⟶ ℝcontinue.

L’objectif est de déterminer là où les racines de f(x)=0 pour f un polynôme de degré ≥ 3où
l’expression de f est complexe.

1- Séparation de racines

La plupart des méthodes numériques supposent qu’on connait un intervalle [a ; b] dont se trouve la
racine 𝛼 ,la racine 𝛼 est dite localisée ou séparée dans [a ; b].

Définition 1 : une racine 𝜶 de f(x)=0 est dite séparée dans un intervalle 𝚰 si et seulement si 𝛼 est
unique dans I.

 Pour réaliser la séparation de racines on fait appel au théorème des valeurs intermédiaires

Théorème d’existence :Si f est une fonction continue sur [a ; b] et si f(a)*f(b)<0 .alors il existe au
moins une solution de l’équation f(x)=0 (∃ 𝑎𝑢 𝑚𝑜𝑖𝑛𝑠 𝛼 ∈ [𝑎; 𝑏] 𝑡𝑞 𝑓 (𝑥 ) = 0 ).

L’unicité : si la dérivée 𝑓 ′(𝑥)existe et garde un signe constant sur l’intervalle] a ;b[c.-à-d.f est
monotone sur[𝑎𝑏] (𝑓 ′ (x) ≠ 0) alors la racine 𝛼 est uniquedans[𝑎; 𝑏].

Exemple : séparer les racines de cette équation 𝑥 2 𝑒 𝑥 + 2𝑥 − 3 = 0 , 𝑥 ∈ [0 ; 1].

On pose 𝑓 (𝑥 ) = 𝑥 2 𝑒 𝑥 + 2𝑥 − 3

D’où (𝑓(0) = −3 < 0 𝐸𝑡 𝑓(1) = 𝑒 − 1 < 0) ⟹ 𝑓 (1) ∗ 𝑓 (1) < 0

Donc ∃! 𝛼 ∈ [0 , 1] 𝑡𝑞 𝑓 (𝑥 ) = 0 ;𝑓 ′(𝑥 ) = (2𝑥 + 𝑥 2 )𝑒 𝑥 + 2 > 0 , ∀𝑥 ∈ [0 ; 1]

Donc f(x) admet une solution unique sur [0 ; 1]

2- Les méthodes de localisations

1) L’étude des variations de f puis l’utilisation du théorème des valeurs intermédiaires.

2) La réécriture de f(x) sous forme 𝑓1(𝑥 ) = 𝑓2 (𝑥) puis la recherche des points d’intersection
entre 𝑓1 𝑒𝑡𝑓2 .

19
 1
Exemple : séparer les racines des équations a) 𝑓 (𝑥 ) = 𝑥 3 − 3𝑥 + 1 = 0b)𝑓(𝑥 ) = ln(𝑥 ) − 𝑥 =
0 𝑥 ∈ ]0; ∞[
x -∞ -1 1 +∞
a) 𝑓 (𝑥 ) = 𝑥 3 − 3𝑥 + 1

𝑓 ′(𝑥 ) = 3𝑥 2 − 3 = 3(𝑥 2 − 1)
f’ + - +
𝑓 ′(𝑥 ) = 0 ⟹ 𝑥 = ∓1
3 +∞
𝑓 (𝑥 ) = 0 admet (03) racines s1 , s2 et s3

On a(𝑓 (−3) = −23) ∗ (𝑓 (−1) = 3) <

0 ⟹ s1 ∈ [−3 , −1] -∞ -1
f
(𝑓 (−1) = 3) ∗ (𝑓 (1) = −1) < 0 ⟹ s2
∈ [−1 , 1]

(𝑓 (3) = 25) ∗ (𝑓(1) = −1) < 0 ⟹ s3 ∈ [1 ; 3]

1
𝑏) 𝑓 (𝑥 ) = ln(𝑥 ) − = 0 𝑥 ∈ ]0; ∞[
𝑥
1
La fonction f définie par𝑓 (𝑥 ) = 𝑙𝑛(𝑥 ) − 𝑥 = 0 𝑥 ∈ ]0; ∞[a une racine unique

dans l'intervalle [ 5/4 ;5/2].posons f1(x) = 𝑙𝑛(𝑥 ) et f2(x)

1
=𝑥 ;Alors𝑓(𝑥) = 0 ⇔ 𝑓1 (𝑥) = 𝑓2 (𝑥) 𝑒𝑡 𝑑′𝑎𝑝𝑟è𝑠 𝑙𝑒 𝑔𝑟𝑎𝑝ℎ𝑒

5 5
𝛼1 ∈ [3 ; 2],

Remarque 1 : on suppose dans tout la suite que f est continue et que 𝛼 est séparée dans [𝑎; 𝑏].

3- Les méthodes utilisées

3.1- Méthode de bissection (Dichotomie) :

L’idée est de construire une suite d’intervalles de plus petits contenants une racine séparée de
f(x)=0 dans [𝑎; 𝑏].

1ere étape : on note 𝑎 = 𝑎0 et 𝑏 = 𝑏0 ,on divise l’intervalle [𝑎; 𝑏] = [𝑎0 ; 𝑏0 ] en deux et on pose
𝑎0 +𝑏0
𝑥0 = 2

𝑎0 = 𝑎1 𝑥1 = 𝑏1
𝑏0

Si 𝑓 (𝑥0 ) ∗ 𝑓(𝑎0 ) < 0 ⟹ 𝛼 ∈ [𝑎0 ; 𝑥0 ]et on pose 𝑎0 = 𝑎1 et 𝑥0 = 𝑏1 si non 𝛼 ∈ [𝑥0 ; 𝑏0 ] et on a

20
 𝑏0 −𝑎0
|𝛼 − 𝑥0 | ≤
2

𝑎1 +𝑏1
2éme étape on prend [𝑎1 ; 𝑏1 ] et on pose 𝑥1 = 2 𝑎2 𝑎2 = 𝑥1 𝑏2 = 𝑏1

𝑏1 −𝑎1
si𝑓 (𝑥1 ) ∗ 𝑓 (𝑏1 ) < 0 ⟹ 𝛼 ∈ [𝑥1 ; 𝑏1 ] = [𝑎2 ; 𝑏2 ], (𝑎2 = 𝑥1 et 𝑏2 = 𝑏1 )et on a |𝛼 − 𝑥1 | ≤ et
2
ainsi de suite on obtient la suite des valeurs approchée
𝑎0 +𝑏0 𝑏0 −𝑎0 𝑏−𝑎
pour n=0 𝑥0 = et |𝛼 − 𝑥0 | ≤ =
2 2 2

𝑎1 +𝑏1 𝑏1 −𝑎1 𝑏−𝑎

pour n=1 𝑥1 = et |𝛼 − 𝑥1 | ≤ =
2 2 22

⋮
𝑎𝑛 +𝑏𝑛 𝑏𝑛 −𝑎𝑛
pour n=n 𝑥𝑛 = et |𝛼 − 𝑥𝑛 | ≤ =
2 2
𝑏−𝑎
… … … . (1)
2𝑛+1

𝑏−𝑎
Remarque : Puisque tend vers 0 quand n tend vers +∞ alors cette méthode converge.
2𝑛+1

Par conséquent la suite (𝑥𝑛 )𝑛∈𝑁 converge vers 𝛼 c’est aussi vrai si 𝑥𝑛 = 𝛼.La méthode de la
bissection admet donc un taux de convergence linéaire

L’inégalité (1) permet d’estimer le nombre d’itération nécessaires pour approcher la racine exacte 𝛼
avec une précision donnée 𝜀 et on écrit :

𝑏−𝑎
|𝛼 − 𝑥𝑛 | ≤ ≤ 𝜀 ⟹ (𝑏 − 𝑎) ≤ 𝜀2𝑛+1
2𝑛+1
𝑏−𝑎
⟹ 2𝑛 ≥ 2𝜀

𝑏−𝑎
⟹ 𝑛 ln 2 ≥ ln ( 2 𝜀 )

𝑏−𝑎
ln( )
2𝜀
⟹𝑛≥ ln 2

Donc le nombre d’itération suffisant pour arriver à la solution approchée x est égal à
𝑏−𝑎
ln( )
2𝜀
𝑛 = Ε[ ] + 1.
ln 2

Cela nous amène à l’algorithme suivant.

Algorithme de dichotomie (ou bissection)

Soit f : [𝑎0 ; 𝑏0 ] ! R continue et telle que 𝑓 (𝑎0 ) ∗ 𝑓 (𝑏0 ):

Pour i = 0, 1,… ,n faire

21
 𝑎𝑖 +𝑏𝑖
𝑥𝑖 = 2

Si 𝑓 (𝑎𝑖 ) ∗ 𝑓(𝑥𝑖 ) < 0 alors 𝑎𝑖+1 = 𝑎𝑖 et 𝑏𝑖+1 = 𝑥𝑖 Si non 𝑎𝑖+1 = 𝑥𝑖 et 𝑏𝑖+1 = 𝑏𝑖

Exemple : soit 𝛼 une racine séparée de l’équation 𝑓 (𝑥 ) = 𝑥 3 − 3𝑥 + 1sur[0 , 1 ].

Donner une valeur approchée de la racine exacte 𝛼 si 𝜀 = 10−1 par la méthode de dichotomie.

Solution : on calcule d’abord le n.

𝑏−𝑎 1−0
ln ( 2 𝜀 )
ln ( −1 )
𝑛 = Ε[ ] + 1 = Ε [ 2 10 ] + 1 = Ε[2.32] + 1 = 3
ln 2 ln 2

n=3 on calcule 𝑥3 de la manière suivante.

n 𝒂𝒏 𝒙𝒏 𝒃𝒏 𝒇(𝒂𝒏 ) 𝒇(𝒙𝒏) 𝒇(𝒃𝒏 )

0+1 1 −3
0 0 =2 1 1 -1
2
8
1 1
0 0+2 1 −3
1 = 2 1 0.26
2 4 8
1
1 1 1
+ 1 −3 𝑥3 = = 0.3125
2 4
4 2
=8
3
0.26 -0.07 4
2 2 8
1 3
1 +8 5 3
3 4
=
4 2 16 8

3-2 Méthode du point fixe (ou approximation successive)

Introduction : Parmi les méthodes de résolution de l’équation f(x) = 0, la méthode dite du point
fixe (ou des approximations successives). Son principe est basé dans une première phase, à
transformer l’équation f(x) = 0 en un problème équivalent de type φ(x) − x = 0 où la fonction φ :
[𝑎 ; 𝑏] → 𝑅 est construite de façon à ce qu’elle admet les mêmes solutions que f(x) = 0.

Définition 1: Soit α un réel et φ une fonction définie sur un intervalle [a; b] de R et à valeurs dans
R, alors, α est dit point fixe de φ si φ (α) = α.

α est solution de 𝒇(x) = 0 ⟺ α point fixe de 𝛗.

Exemple :φ(x) = x 2 admet deux points fixe,xϵℝcar φ(0) = 0 et φ(1) = 1 .

Par contre φ(x) = x 2 + 1 à aucun point fixe dans ℝ

Interprétation géométrique :

_ Chercher α tel que f(α) = 0 revient à chercher l'intersection du graphe de f avec l'axe des
abscisses.
22
_ Chercher α tel que :φ (α) = α revient à chercher l'intersection du graphe de f avec la droite

y = x, c'est à dire à trouver le point fixe de :φ, d'où le nom de la méthode

Comment construire la suite de point fixe

La méthode de point fixe consiste à la construction d’une suite (𝑥𝑛 )𝑛𝜖𝑁 définie par récurrence
comme suit :

𝑥 𝜖[𝑎 , 𝑏]𝑑𝑜𝑛𝑛é𝑒
{ 0
xn+1 = φ(xn ) , 𝑛𝜖𝑁

Donc

x1 = φ ( x 0 )

x2 = φ(x1 )

xn+1 = φ(xn )

Remarque : Cette suite n’est pas forcément convergente, mais si elle converge, c’est-à- dire si la
suite (𝑥𝑛 )𝑛𝜖𝑁 a une limite qu’on note par l et si φ est continue, alors cette limite est nécessairement
un point fixe de φ, en effet :

𝑙 = lim 𝑥𝑛+1 = 𝑙𝑖𝑚 𝜑(𝑥𝑛 ) = 𝜑 ( 𝑙𝑖𝑚 𝑥𝑛 ) = 𝜑(𝑙 )

𝑛→+∞ 𝑛→+∞ 𝑛→+∞

La suite construite par la méthode de point fixe ne converge pas toujours vers la solution α

Les conditions de convergence

a) La stabilité

Définition 2:φ est dit stable sur [a ; b]si φ([a ; b])∁[a ; b]c.-à-d. ∀𝑥 ∈ [a ; b] , φ(𝑥 ) ∈ [a ; b].

b) La contractante :φ est dit contractante s’il existe une constant 𝑘 , 0 < 𝑘 < 1 𝑡𝑒𝑙𝑞𝑢𝑒 :

23
 |φ(𝑥 ) − φ(𝑦)| < 𝑘 |𝑥 − 𝑦| , ∀(𝑥, 𝑦) ∈ ([𝑎 ; 𝑏])2

Proposition 1 : Si φ est une fonction de classe 𝐶 1 ([𝑎; 𝑏]) telque : sup |φ′(x)| = 𝑘 < 1 alors φ est
[a ,b]
strictement contractante sur [a; b] :

Preuve. (Utiliser le théorème des accroissements finis).

Théorème de point fixe : Soit φ : [𝑎; 𝑏] → 𝑅 une fonction. On se donne 𝑥0 𝜖[𝑎 ; 𝑏]. Si les deux
conditions suivantes sont satisfaites :

soit φ une fonction définie sur 𝐼 = [a ; b]vérifiant les conditions suivantes

1- 𝜑 est stable

2- 𝜑 est contractante.

Alors

- 𝜑 est continue et dérivable sur I

-𝜑 Possède un et un seul point fixe 𝛼 dans [a; b]

- la suite itérative xn+1 = φ(xn ) converge vers 𝛼 pour tout choix de 𝑥0 dans [a; b].
𝑘𝑛
- De plus on a l’estimation d’erreurs suivante |𝑥𝑛 − 𝛼 | ≤ 1−𝑘 |𝑥1 − 𝑥0 | … … … … (⋇)

Preuve :

Continuité : La condition de contraction stricte implique que φ est continue puisque, si on prend
une suite (𝑦𝑛 )𝑛𝜖𝑁 ∈ [𝑎; 𝑏] qui converge vers un élément x de [a; b]; alors nous avons
|𝜑(𝑥 ) − 𝜑(𝑦𝑛 )| < 𝑘 |𝑥 − 𝑦𝑛 | , ∀(𝑥, 𝑦) ∈ ([𝑎 , 𝑏])2 et par suite 𝑙𝑖𝑚 𝜑(𝑦𝑛 ) = 𝜑(𝑥 ).
𝑛→+∞

Existence : La fonction ℎ(𝑥) = 𝜑 (𝑥) − 𝑥 est continue dans [a; b] et, d’après la condition de
stabilité, on a ℎ(𝑎) = 𝜑(𝑎) − 𝑎 ≥ 0 et ℎ(𝑏) = 𝜑(𝑏) − 𝑏 ≤ 0: En appliquant le théorème des
valeurs intermédiaires, on en déduit que h a au moins un zéro dans [a; b]; i.e. 𝜑 a au moins un point
fixe dans [a; b].

Unicité : L’unicité du point fixe découle de la condition de contraction stricte. En effet, on suppose
qu’on a deux points fixes distincts 𝛼1 et 𝛼2 , alors

|𝛼1 − 𝛼2 | = |𝜑(𝛼1 ) − 𝜑(𝛼2 )| ≤ 𝑘 |𝛼1 − 𝛼2 | < |𝛼1 − 𝛼2 | ce qui est impossible.

La convergence : On utilise l’estimation (⋇)

𝑘𝑛
lim |𝑥𝑛 − 𝛼 | ≤ lim |𝑥1 − 𝑥0 | = 0 , car 0 < 𝑘 < 1
𝑛→∞ 𝑛→∞ 1 − 𝑘

Remarque 1 :l’estimation (⋇) permet de calculer le nombre d’itérations n suffisant pour approcher
𝛼 avec une précision 𝜀 on écrit :

24
 𝜀(1−𝑘)
𝑘𝑛 ln (|𝑥 −𝑥 |)
1 0
|𝑥𝑛 − 𝛼 | ≤ |𝑥1 − 𝑥0 | ≤ 𝜀 ⟹ 𝑛 ≥
1−𝑘 ln(𝑘 )
𝜀(1−𝑘)
ln(|𝑥 )
1 −𝑥0 |
Et on prend 𝑛 = Ε[ ] + 1.
ln(𝑘)

Remarque 2 : - si k est proche de 0 la convergence est rapide.

- si k est proche de 1 la convergence est Leuret.

1
Exemple : soit 𝑓 (𝑥 ) = 𝑥 − ln(x) , x>0

1
1) Montrer que 𝒇(x) = 0 ⟺ φ(x) = x , avec φ(x) = ex
3
2) Vérifier les conditions du théorème de point fixe pou la fonction φsur [2 ,2 ] = Ι.

3) Calculer les approximations 𝑥1 et 𝑥2 en pour tout de 𝑥0 = 2

1
Solution :1- pour tout de 𝒇(x) = 0 ⟺ x − ln(x) = 0

1
⟺ = ln(x)
x

1
⟺ x = e x = φ ( x)
3
-2- vérifions les conditions du théorème du point fixe sur [2 ,2 ]

1 1 1
φ(x) = ex ⟹ φ′ (x) = − ex < 0 ⟹ φ(x) ↘ sur Ι
x2
2x + 1 1
φ′′(x) = 4
ex > 0 , ∀x ∈ Ι ⟹ φ′(x) ↗ sur Ι
x

x 3
2
2
N=56si eps=0.001
φ′′ +

-0.41
La contractante
φ′

-0.8657

1.947
La stabilité
φ 1.648

25
 3 3
Stabilité : d’après le tableau φ ([2 ,2]) ∁ [φ (2) , φ(2)]car φ(x) ↘ c-à-d [1.64 ,1.94]∁[1.5 ,2].

La contractante : sup|φ′ (x)| = 0.857 = 𝑘 < 1 . Donc φ est contractante.

Ι

Le théorème du point fixe est vérifie φ(x) = x et la suite xn+1 = φ(xn )

x0 = 𝟐

On cal culer x1 et x2

x1 = φ(x0 ) = φ(2) = 1.64

x2 = φ(x1 ) = φ(1.64) = 1.834.

Propriété1 : si φ est une fonction de l’intervalle I dans lui-même et de classe C1 sur I et adméttant
un point fixe unique α sur I

a) Si |φ′ (𝛼)| < 1 alors le point fixe α est attractif

b) Si |φ′ (𝛼)| > 1 alors le point fixe α est répulsif.

c) Si |φ′ (𝛼)| = 1est indéterminé

Définition 3 : une méthode de point fixe est d’ordre p si :

𝑥𝑛+1 − 𝛼 |𝑒𝑛+1 |
lim 𝑝
= 𝑙𝑖𝑚 = 𝑙 ; 𝑎𝑣𝑒𝑐 0 < 𝑙 < +∞
𝑛→∞ (𝑥𝑛 − 𝛼 ) 𝑛→∞ |𝑒𝑛 |𝑝

Dans le cas où φ est p fois dérivables sur [a, b], le développement de Taylor autour de 𝛼 donne :

où le terme 𝑒𝑛 = 𝑥𝑛 − 𝛼 est l'erreur à l'étape n.

𝑥𝑛+1 − 𝛼 = 𝜑(𝑥𝑛 ) − 𝜑(𝛼 )

(𝑥𝑛 −𝛼)2 (𝑥𝑛 −𝛼)𝑝
= (𝑥𝑛 − 𝛼 )𝜑 ′(𝛼 ) + 𝜑 ′′(𝛼 ) + ⋯ + 𝜑 𝑝 (𝛼 ) + (𝑥𝑛 − 𝛼 )𝑝 𝜀𝑛 (𝑥𝑛 − 𝛼 ).
2! 𝑝!

Avec lim 𝜀𝑛 (𝑥𝑛 − 𝛼 ) = 0.

𝑛→∞

Si 𝜑 ′(𝛼 ) ≠ 0 ,on obtient 𝑥𝑛+1 − 𝛼 ≈ 𝜑 ′(𝛼 )(𝑥𝑛 − 𝛼 )(𝑥𝑛 − 𝛼 )𝑎 . 𝑎 ≥ 2 , est assez petit devant
|𝑒𝑛+1 |
(𝑥𝑛 − 𝛼 ) quand n grand), d’où 𝑙𝑖𝑚 = |𝜑 ′(𝛼 )| ≠ 0 → 𝑃 = 1.
𝑛→∞ |𝑒𝑛 |𝑝

(𝑥𝑛 −𝛼)2 |𝑒𝑛+1 | 1

Si 𝜑 ′(𝛼 ) = 0𝑒𝑡𝜑 ′′(𝛼 ) ≠ 0 ,on obtient 𝑥𝑛+1 − 𝛼 ≈ 𝜑 ′′(𝛼 ). d’où 𝑙𝑖𝑚 = 2 |𝜑 ′′(𝛼 )| ≠
2 𝑛→∞ |𝑒𝑛 |𝑝
0 → 𝑃 = 2.

La méthode est dite d’ordre P si et seulement si 𝜑 ′(𝛼 ) = 𝜑 ′′(𝛼 ) = ⋯ = 𝜑 (𝑝−1) (𝛼 ) =

0 𝑒𝑡𝜑 (𝑝)(𝛼 ) ≠ 0

Si p=1 on parle de convergence linéaire, si p=2 la convergence est dite quadratique.

26
Propriété 2 :

 Si |φ′ (𝛼)| < 1 et Si |φ′(𝛼)| ≠ 0 la méthode de point fixe converge d’ordre 1

 Si |φ′ (𝛼)| = 0 et Si |φ′′(𝛼)| ≠ 0la méthode de point fixe converge quadratique.

 Si |φ′ (𝛼)| = |𝜑 ′′(𝛼)| = 0 et Si |φ′′′(𝛼)| ≠ 0la méthode de point fixe converge d’ordre 3
et ainsi de suite.

Ordre et rapidité de convergence. Supposons qu'on a deux méthodes telles que :

|𝒙𝒏+𝟏 −𝜶|
Méthode (1) : |𝒙𝒏 −𝜶|
= 0.75.

|𝒙 −𝜶|
Méthode (2) : |𝒙𝒏+𝟏 = 0.75.
−𝜶|𝟐
𝒏

Méthode (1) :|𝒙𝒏+𝟏 − 𝜶|= 0.75|𝒙𝒏 − 𝜶|= (𝟎. 𝟕𝟓)𝟐 |𝒙𝒏−𝟏 − 𝜶|= ... = (𝟎. 𝟕𝟓)𝒏 |𝒙𝟎 − 𝜶|.

Méthode (2) :

|𝒙(𝒏+𝟏)−𝜶| = 𝟎. 𝟕𝟓|𝒙𝒏 − 𝜶|𝟐 = (𝟎. 𝟕𝟓)(𝟎. 𝟕𝟓|𝒙𝒏−𝟏 − 𝜶|𝟐 )𝟐 = (𝟎. 𝟕𝟓)𝟑 (|𝒙𝒏−𝟏 − 𝜶|)𝟒 . . . =
𝒏+𝟏 −𝟏 𝒏+𝟏
(𝟎. 𝟕𝟓)𝟐 (|𝒙𝒏−𝟏 − 𝜶|)𝟐 .

Question : Quel est pour chacune des deux méthodes, le nombre minimal d'itérations pour

avoir une erreur ≤ 10−8 , en supposant que|𝒙𝟎 − 𝜶|= 0.5 ?

Méthode (1) : :|𝒙𝒏+𝟏 − 𝜶| = (𝟎. 𝟕𝟓)𝒏 |𝒙𝟎 − 𝜶| ≤ 𝟏𝟎−𝟖 ⇒ 𝒏 ≥ 𝟔𝟕

𝒏+𝟏 −𝟏 𝒏+𝟏
Méthode (2) : :|𝒙𝒏+𝟏 − 𝜶| = (𝟎. 𝟕𝟓)𝟐 (|𝒙𝒏−𝟏 − 𝜶|)𝟐 ≤ 𝟏𝟎−𝟖 ⇒ 𝒏 ≥ 𝟒

Donc la deuxième méthode converge plus rapidement que la première. D’où, plus l'ordre p est
grand, plus vite l'erreur décroît.

Résume et Interprétation graphique :

1. si |φ′(𝛼)| > 1 (figure 1), la suite ne converge pas vers 𝛼c’est un point répulsif

2. |φ′(𝛼)| < 1 (figures 2 et 3), la méthode converge, 𝛼 est un point attractif,

a- 0 ≤ φ′ (𝛼 ) < 1 Figures 2

b- −1 < φ′ (α) ≤ 0 Figures 3

27
 3-3 Méthode de Newton (méthode de tangente)

On suppose que 𝛼 est une racine séparée dans[a , b] d’une fonction f vérifiant :

F de classe c2 sur [a , b](deux fois continument dérivable sur [a , b]) f ′′ ≥ 0 et f(b) > 0

Construction de la suite de newton

f(x0 )

f(x1 )

On prend x0 = b

La droite tangente à la courbe de f au point (x0 , f(x0 )) est donnée par 𝑦 − y0 = f ′(x0 )(x − x0 )

Le point d’intersection de cette droite tangente avec l’axe de x est notée x1 .x1 vérifie

𝑦 = f(x1 ) = f ′(x0 )(x1 − x0 ) + f(x0 )

x1 est une approximation de 𝛼 donc f(x1 ) ≃ f(𝛼 ) = 0 ⇒ f ′(x0 )(x1 − x0 ) + f(x0 ) = 0

f(x )
Ce qui permet d’écrire x1 = x0 − f ′(x0 ) ; f ′(x0 ) ≠ 0
0

de la même manière on obtient

28
 f ( x1 )
x 2 = x1 − ; f ′ ( x1 ) ≠ 0
f ′ ( x1 )

f(xn )
xn+1 = xn − ( ∗) ; f ′ ( x n ) ≠ 0
f ′ (x n )

La suite de newton est donnée par

f(xn )
xn+1 = xn − n = 0,1, … , n ; f ′ (x n ) ≠ 0
f ′ (x n )

Cette suite si elle converge ,elle doit converge vers 𝛼

Choix de 𝐱 𝟎

Dans l’exemple donnée par le graphe on a pris 𝐱 𝟎 = b et dans ce cas 𝐱 𝟎vérifie la condition
f(x0 ) ∗ f ′′(x0 ) > 0 .

Si on prend x0 = 𝛼 . On a f(x0 ) ∗ f ′′(x0 ) < 0 la 1ere droite tangent coupe l’axe de x de [a , b] ,on
s’eloignnera donc de la racine exacte 𝛼

Remarque1 : On peut dire alors que la méthode de Newton n’est autre qu’une méthode de point
fixe de la forme :x = φ(x);
f(x)
Où 𝜑(𝑥) = 𝑥 − f′ (𝑥 ) .

- On vérifie bien que chercher 𝛼 solution séparée de f(x) = 0 est équivalent à la recherche du point
fixe 𝛼 tel que 𝛼 = 𝜑 (𝛼) car
f(𝛼 )
𝜑(𝛼 ) = 𝛼 − f′ (𝛼 ) = 𝛼 Car ( f(𝛼 ) = 0 𝑒𝑡 𝑓 ′ (𝛼 ) ≠ 0).

- En appliquant le théorème du point fixe , le calcul de 𝜑′(𝑥 )et plus particulièrement 𝜑 ′(𝛼 )n’est
possible que si la fonction f(x) est deux fois dérivable ( f de classe C2 ([a; b])), en effet

f′′ (𝑥 )f(𝛼 )
𝜑′(𝑥 ) = [f′ (𝑥 )]2

Théorème de convergence :soit f une fonction deux fois continument dérivable sur [a ; b] telque

1) f(a) ∗ f (b) < 0

2) f ′(x) ≠ 0 sur [a ; b] ; (i.e., 𝑓′ne change pas de signe dans l’intervalle [a ; b]).

3) f ′′(x) ≠ 0 sur [a , b],( f ′′ne change pas de signe dans l’intervalle [a; b]) . Pour un choix
particulier de 𝑥0 vérifiant f(x0 ) ∗ f ′′(x0 ) > 0.
f(xn )
- La suite de newton xn+1 = xn − converge vers la racine 𝛼 .De plus, cette convergence est
f ′(xn )
𝑥𝑛+1 −𝛼 𝑓 ′′(𝛼)
quadratique tel que lim = 2𝑓 ′(𝛼).
𝑛→∞ (𝑥𝑛 −𝛼)2

29
de plus on a l’estimation suivante :

𝑀
|𝑥𝑛 − 𝛼 | ≤ |𝑥 − 𝑥𝑛−1 |2 (⋇)
2𝑚 𝑛
Avec 𝑀 = sup |𝑓′′(𝑥)| ; 𝑚 = inf |𝑓′(𝑥)|
[a ,b] [a ,b]

Remarque2 :l’estimation(⋇)donne le nombre d’itération et la solution approchée.

Exemple d’application :soit la fonction 𝑓 (𝑥 ) = 𝑥 3 + x − 1

1
1) Cette fonction admet une racine unique 𝛼 ∈ [2 ; 1]car

1
𝑓 ( ) ∗ 𝑓(1) = (−0.375)(1) < 0
2
Et
1
𝑓 ′(𝑥 ) = 3𝑥 2 + 1 > 0 ⟹ 𝑓(𝑥 ) ↗ 𝑠𝑢𝑟 [ ; 1]
{ 2
1
2) Vérifiants les conditions de newton sur[2 ; 1]

1
 𝑓 ∈ 𝜑 2 ([2 ; 1]) car f est un polynôme.

1
 𝑓 (2) ∗ 𝑓 (1) = (−0.375)(1) < 0 d’après 1ere question .

1
 𝑓 ′(𝑥 ) = 3𝑥 2 + 1 ≠ 0𝑠𝑢𝑟 [2 ; 1]

1
 𝑓 ′′(𝑥 ) = 6𝑥 > 0𝑠𝑢𝑟 [2 ; 1](elle change pas de signe)

Choix de 𝐱 𝟎 : on prendx0 = 1car𝑓 (1) ∗ 𝑓 ′′(1) = (1)(6) = 6 > 0.

f(x )
Conclusion : pour x0 = 1la suite de newton xn+1 = xn − f ′(xn )converge vers𝛼
n

3) Calculer une valeur approchée de 𝛼 avec une précision 𝜀 = 0.5 ∗ 10−1

On utilise l’estimation

𝑀
|𝑥𝑛 − 𝛼 | ≤ |𝑥 − 𝑥𝑛−1 |2 < 𝜀 (⋇ )
2𝑚 𝑛
f (x 0 )
x1 = x0 − ≃ 0.64
f ′ (x 0 )

x1 vérifie-t-elle l’estimation (⋇)

On calcule d’abord M et m
7
𝑀 = sup|𝑓′′(𝑥)| = 6 ; 𝑚 = inf |𝑓 ′(𝑥)| =
1 1 4
[ ,1]
[ ,1] 2
2

30
 𝑀
On testx1 : |𝑥1 − 𝛼 | ≤ 2𝑚 |𝑥1 − 𝑥0 |2 = 0.22 > 𝜀 = 0.05

𝑥1 ne vérifie pas l’estimation(⋇)

On calcule 𝑥2

f(x1 )
x 2 = x1 − ≃ 0.67
f ′ ( x1 )
6
On testx2 : |𝑥2 − 𝛼 | ≤ 7 |0.67 − 0.64|2 = 0.0015 < 𝜀 = 0.05
2
4

D’ou 𝑥2 est la valeur approchée de 𝛼 à 𝜀 = 0.05

3-4 Méthode de la sécante:

L’inconvénient principal de la méthode de Newton vient de la nécessité de calculer à chaque

itération la dérivée de la fonction f qui peut être difficile dans certaines situations (si f provient d’un
calcul expérimental par exemple). L’idée de la méthode de la sécante consiste à construire une suite
(𝑥𝑛 )𝑛∈𝑁 à l’aide de la suite itérative obtenue par la méthode de Newton et ceci se traduit par le
𝑓(𝑥𝑛 )−𝑓(𝑥𝑛−1 )
remplacement de 𝑓 ′ (𝑥𝑛 ) par qui ne fait intervenir que les valeurs de la fonction f.
𝑥𝑛 −𝑥𝑛−1

L’équation de la sécante s(x) s’écrit :

𝑓 (𝑥𝑛 ) − 𝑓 (𝑥𝑛−1 )
𝑠(𝑥 ) = 𝑓 (𝑥𝑛 ) + (𝑥𝑛 − 𝑥𝑛 )
𝑥𝑛 − 𝑥𝑛−1

Si 𝑠(𝑥𝑛+1 ) = 0, en en déduit :

𝑓(𝑥𝑛 )(𝑥𝑛 − 𝑥𝑛−1 )

𝑥𝑛+1 = 𝑥𝑛 −
𝑓(𝑥𝑛−1 ) − 𝑓 (𝑥𝑛 )

Finalement le processus itératif de la méthode de la sécante pour la résolution de f(x) = 0 pour tout

𝑥 ∈ [𝑎; 𝑏] est comme suit

𝑥0 𝑒𝑡 𝑥1 𝑑𝑜𝑛𝑛é𝑒 , 𝑛 = 1,2, …
{ 𝑓 (𝑥𝑛 )(𝑥𝑛 − 𝑥𝑛−1 ) 𝑥𝑛 𝑓 (𝑥𝑛−1 ) − 𝑥𝑛−1 𝑓 (𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − =
𝑓 (𝑥𝑛−1 ) − 𝑓(𝑥𝑛 ) 𝑓(𝑥𝑛−1 ) − 𝑓(𝑥𝑛 )

Critère d’arrêt : c’est le même que celui correspondant à la méthode de newton.

Exemple : En utilisant la méthode de la sécante, calculer la racine carrée d’un réel a > 0 en
résolvant f(x) = 0 pour

𝑓 (𝑥 ) = 𝑥 2 − 𝑎

Solution : La suite des itérés de la méthode de la sécante est donnée par :

(𝑥𝑛2 − 𝑎)(𝑥𝑛 − 𝑥𝑛−1 ) 𝑥𝑛2 − 𝑎

𝑥𝑛+1 = 𝑥𝑛 − 2 = 𝑥𝑛 −
(𝑥𝑛2 − 𝑎) − (𝑥𝑛−1 − 𝑎) 𝑥𝑛 + 𝑥𝑛−1
31
Dans le cas où a = 2 et si l’on ne prend comme points de départ 𝑥0 = 𝑥1 = 1, on obtient les valeurs
suivantes des itérés :

𝑥0 = 1.000000

𝑥1 = 1.000000

𝑥2 = 1.500000

𝑥3 = 1.400000

⋮ = ⋮

Conclusion

1. L'avantage de la méthode du point fixe est que si elle converge, elle convergera quelle que soit la
valeur initiale choisie dans l'intervalle de convergence. Son inconvénient principal est sa lenteur de
convergence, on peut néanmoins l'accélérer.

2. La méthode de Newton-Raphson est plus rapide car la vitesse de convergence est d'ordre au
moins 2 ; la difficulté réside dans le choix de la valeur initiale !

4- La méthode de Newton et les Polynômes (Théorème de STURM)

On suppose que F est un polynôme de degré n n’ayant que des racines distinctes.

𝐹𝑛 (𝑥 ) = 𝑃𝑛 (𝑥 ) = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥 + 𝑎𝑛 ; 𝑎𝑛 ≠ 0

Comment séparer les racines de ce polynôme ?

Définition : On appelle suite de Sturm, la suite définie par :

𝑆0 (𝑥 ) = 𝑃𝑛 (𝑥 )

𝑆1 (𝑥 ) = 𝑃′𝑛 (𝑥 )
𝑺 (𝒙)
𝑺𝟐 (𝒙) = −𝒓𝒆𝒔𝒕 (𝑺𝟎 (𝒙))
𝟏

𝑺 (𝒙)
𝑺𝒊 (𝒙) = −𝒓𝒆𝒔𝒕 (𝑺𝒊−𝟐 (𝒙))
𝒊−𝟏

𝑺 (𝒙)
𝑺𝒏 (𝒙) = −𝒓𝒆𝒔𝒕 (𝑺𝒏−𝟐 (𝒙))
𝒏−𝟏

(Les polynômes de Sturm sont donnés à un coefficient près).

Théorème de Sturm 1 : (Nombre de racines réelles)

32
Le nombre de racines réelles (qui sont supposées simples) de l’équation :𝑃𝑛 (𝑥 )=0 est égal à
: 𝑁(𝑎) − 𝑁 (𝑏) ou 𝑁 (𝜀), 𝜀 = 𝑎 𝑜𝑢 𝑏 est le nombre de changement de signe de la suite 𝑆𝑖 (𝑥 ) Les
réelles a et b sont les extrémités de l’intervalle contenant les racines.

Théorème 2 :

Les racines réelles de l’équation :𝑃𝑛 (𝑥 )=0 se trouvent dans]-T, T [avec :

1
𝑇 = 1+ [ max |𝑎 |]
|𝑎0 | 𝑖=0…𝑛 𝑖

Cas des racines multiples :

Propriétés : s’il existe j tel que 𝑆𝑗+1 = 0alors les racines multiples de 𝑃𝑛 (𝑥 )sont les racines simples
de𝑆𝑗 (𝑥)

Remarque : La divergence de la méthode de Newton dans le cas des polynômes est due à deux
raisons :

-soit au mauvais choix de𝑥0 .

-soit qu’on n’a pas de racines réelles.

Exemples d’application (degré 3) :𝑭(𝒙) = 𝒙𝟑 − 𝟑𝒙𝟐 + 𝒙 − 𝟑 = 𝟎.

On détermine l’intervalle dont se trouvent les racines de 𝑭(𝒙) = 𝟎 si elles existent

𝟏 𝟏
𝑻=𝟏+ [𝐦𝐚𝐱 |𝒂𝒊 |] = 𝟏 + |𝟑| = 𝟒
|𝒂𝟎 | 𝒊=𝟎…𝟑 𝟏

D’où 𝑖 ∈] − 4, 4 [

2) On cherche le nombre de racines : pour cela, on considère la suite de Sturm associée

au polynôme 𝑷𝟑 (𝒙)

𝑺𝟎 (𝒙) = 𝒙𝟑 − 𝟑𝒙𝟐 + 𝒙 − 𝟑

𝑺𝟏 (𝒙) = 𝟑𝒙𝟐 − 𝟑𝒙 + 𝟏
𝑺 (𝒙) 𝟒 𝟖 𝟒
𝑺𝟐 (𝒙) = −𝒓𝒆𝒔𝒕 (𝑺𝟎 (𝒙)) = 𝟑 𝒙 − 𝟑 − 𝟑 (𝒙 + 𝟐), on prend 𝒔𝟐 (𝒙) = (𝒙 + 𝟐)
𝟏

𝑺𝟏 (𝒙) 𝟑𝒙𝟐 − 𝟑𝒙 + 𝟏
𝑺𝟑 (𝒙) = −𝒓𝒆𝒔𝒕 ( ) = −𝒓𝒆𝒔𝒕 ( ) = −𝟐𝟓
𝑺𝟐 (𝒙) ( 𝒙 + 𝟐)

En prenant les valeurs de cette suite pour -4 , 4 et 0 , on peut dresser le tableau suivant :

x 𝑺𝟎 𝑺𝟏 𝑺𝟐 𝑺𝟑 N

33
 -4 - + - - 2

0 - + + - 2

4 + + + - 1

Le nombre de racines réelles de l’équation considérée 𝑁(−4) − 𝑁(4) = 1

Localisation des racines :

𝑁(−4) − 𝑁(0) = 2 − 2 = 0 Pas de racines dans [-4,0]

𝑁(0) − 𝑁(4) = 2 − 2 = 0La racine réelle se trouve dans [0, 4] ,𝑷𝟑 (𝟎) = −𝟑 𝒆𝒕 𝑷𝟑 (𝟒) > 0

A ce moment : On applique la méthode de Newton pour approcher cette racine.

𝑭′ (𝒙) = 𝟑𝒙𝟐 − 𝟔𝒙 + 𝟏 > 0 𝑠𝑢𝑟 [2; 4]

𝑭′′ (𝒙) > 0 𝑠𝑢𝑟 [2; 4]

𝑭 (𝒙 𝟎 )
𝒙𝟎 = 𝟒; 𝒙𝟏 = 𝒙𝟎 − = 𝟑. 𝟑𝟐
𝑭′(𝒙𝟎 )
𝑥2 = 3,05, 𝑥3 = 3,002. …. On remarque que cette suite converge vers la racine =3.

Cas des racines multiples :

𝑷𝟒 (𝒙) = 𝑭(𝒙) = 𝟒𝒙𝟒 − 𝟒𝒙𝟑 − 𝟑𝒙𝟐 + 𝟒𝒙 − 𝟏 = 𝟎.

2) On cherche le nombre de racines : pour cela, on considère la suite de Sturm associée

au polynôme 𝑷𝟒 (𝒙)

𝑺𝟎 (𝒙) = 𝑭(𝒙)

𝑺𝟏 (𝒙) = 𝟏𝟔𝒙𝟑 − 𝟏𝟐𝒙𝟐 − 𝟔𝒙 + 𝟒 = 𝟖𝒙𝟑 − 𝟔𝒙𝟐 − 𝟑𝒙 + 𝟐

𝑺𝟎 ( 𝒙 ) 𝟗 𝟐𝟏 𝟑
𝑺𝟐 (𝒙) = −𝒓𝒆𝒔𝒕 ( ) = 𝒙𝟐 − 𝒙 + = 𝟔𝒙𝟐 − 𝟕𝒙 + 𝟐
𝑺𝟏 ( 𝒙 ) 𝟒 𝟖 𝟒

𝑺 (𝒙) 𝟖𝒙𝟑 −𝟔𝒙𝟐−𝟑𝒙+𝟐

𝑺𝟑 (𝒙) = −𝒓𝒆𝒔𝒕 (𝑺𝟏 (𝒙)) = −𝒓𝒆𝒔𝒕 ( ) = 𝟐𝒙 − 𝟏 ; 𝑺𝟑 (𝒙) = 𝟎
𝟐 𝟔𝒙𝟐 −𝟕𝒙+𝟐

𝟏
Il existe donc des racines multiples qui sont racines de𝑺𝟑 (𝒙), soit 𝒙 = 𝟐

L’intervalle où se trouvent les racines est :

𝟏 𝟏
𝑻=𝟏+ [𝐦𝐚𝐱 |𝒂𝒊 |] = 𝟏 + |𝟒| = 𝟐
|𝒂𝟎 | 𝒊=𝟏…𝟒 𝟒
34
D’où 𝑖 ∈] − 4, 4 [

En prenant les valeurs de cette suite pour -2 ,2 et 0 , on peut dresser le tableau suivant :

x 𝑺𝟎 𝑺𝟏 𝑺𝟐 𝑺𝟑 N

-2 + - + - 3

0 - + + - 2

2 + + + + 0

Comme 𝑁(−2) − 𝑁(2) = 3 alors, il existe trois racines réelles distinctes.

𝟏
La racine 𝟐est donc double.

Localisation des racines :

𝑁(−2) − 𝑁(0) = 3 − 2 = 1 L’une des racines se trouve dans [-2,0]

𝑁(0) − 𝑁(2) = 2 − 0 = 2 Deux racines se trouvent entre [0, 2]

𝑷𝟑 (𝟎) = −𝟑 𝒆𝒕 𝑷𝟑 (𝟒) > 0

A ce moment : On applique la méthode de Newton pour approcher cette racine.

𝑭′ (𝒙) = 𝟑𝒙𝟐 − 𝟔𝒙 + 𝟏 > 0 𝑠𝑢𝑟 [2; 4]

𝑭′′ (𝒙) > 0 𝑠𝑢𝑟 [2; 4]

𝑭 (𝒙 𝟎 )
𝒙𝟎 = 𝟒; 𝒙𝟏 = 𝒙𝟎 − = 𝟑. 𝟑𝟐
𝑭′(𝒙𝟎 )
𝑥2 = 3,05, 𝑥3 = 3,002. …. On remarque que cette suite converge vers la racine =3.

35
 Série d’exercice N0 2

Exercice 1. Séparer les racines des équations suivantes

3
 −𝑥𝑒 −𝑥 − 𝑒 −𝑥 + 4 = 0 , 𝑥 ∈ 𝑅

 𝑒 𝑥 sin(𝑥 ) − 1 = 0 , 𝑥 ∈ [−𝜋 , 𝜋]

 𝑥 3 − 3𝑥 + 1 = 0 , 𝑥 ∈ [−3 , 3]

Exercice 2. Soit 𝑓 ∶ [0; 1] → 𝑅 une fonction continue strictement décroissante telle que f (0)= 1 et f
(1) =-1.

a. Sachant que f (0.6)=0, déterminer la suite des premiers quatre itérés de la méthode de la
dichotomie dans l’intervalle [0;1] pour l’approximation du zéro de f .

b. Combien d’itérations faut-il effectuer pour approcher le zéro de f à 2-10 près ?

Exercice 3.On considère la fonction f définie par 𝑓(𝑥) = 𝑥 3 − 𝑒 −𝑥 , 𝑥 ∈ 𝑅.

a. Séparer les racines de f, puis montrer que f(x) = 0 admet une solution réelle unique 𝛼 et que 𝛼 ∈
1
[ ; 1].
2

b. Déterminer, par la dichotomie, une approximation de 𝛼 à 0.5 ∗ 10−1 près en utilisant le test
d'arrêt |𝑥𝑛+1 − 𝑥𝑛 | ≤ 𝜀. Déterminer le nombre d'itérations suffisant pour avoir cette précisionen
utilisant la formule de l'erreur. Commenter.

Exercice 4. Calculer les points fixes des fonctions suivantes et vérifier s’ils sont attractifs ou
répulsifs :

36
 a. 𝜑(𝑥 ) = 4𝑥 − 𝑥 2 b.𝜑(𝑥 ) = 𝑎𝑟𝑐𝑠𝑖𝑛 𝑥 ; c .𝜑(𝑥) = 5 + 𝑥 − 𝑥 2

Exercice 5. (a) Obtenir tous les points fixes de la fonction 𝜑(𝑥 ) = (𝜆 + 1)𝑥 − 𝜆𝑥 2

où 𝜆est un paramètre.

(b) Déterminer pour chaque point fixe trouvé en (a) les valeurs de 𝜆pour lesquelles ces points fixes
sont attractifs.

(c) Déterminer pour chaque point fixe trouvé en (a) la valeur de 𝜆pour laquelle la convergence de la
méthode des points fixes sera quadratique

Exercice 6. Soit f définie par 𝒇(𝒙) = 𝒙𝟑 − 𝒆−𝒙 .

 Montrer que l'équation 𝑓(𝑥) = 0 admet une seule solution réelle 𝛼 puis vérifier que 𝛼 ∈
1
[ ; 1 ].
2

𝑥𝑛
𝑥𝑛+1 = 𝑒 − 3
 Montrer que la suite{ 1 converge vers𝛼.
𝑥0 ∈ [ ; 1 ]
2

 Pour 𝑥0 = 1, déterminer n le nombre d'itérations minimal pour que|𝑥𝑛 − 𝛼 | ≤ 5. 10−2 .

1
 Peut-on appliquer la méthode de Newton dans[ ; 1 ] ?Donner l'expression de(𝑥𝑛 )𝑛 en
2
précisant le choix de𝑥0 .

 Calculer 𝛼à 5. 10−2 prés, partant de 𝑥0 = 1. Exprimer le résultat au dernier c.s.e.

 Conclure.

Exercice 7. Soit g(x)= xe  2 x une fonction définie sur IR.

x

a : Montrer que g admet un unique minimum dans [0,1].

b : Montrer que l’algorithme de Newton permet de déterminer une valeur approchée de ce

minimum.

Exercice 8.Soit𝑓(𝑥 ) = 2𝑥 − 2𝑥𝑙𝑛(𝑥 ) − 1 , 𝑥 > 0

 Montrer que f(x) = 0 admet une racine unique s ∈ [2 ; 3].

 Montrer que f(x) = 0⟺ 𝜑𝛼 (𝑥 ) = 𝑥où𝜑𝛼 (𝑥 ) = 𝑥 + 𝛼𝑓(𝑥 ) 𝑒𝑡 𝛼 > 0,puis déterminerla

valeur de 𝛼telle que𝜑𝛼 (𝑥) soit contractante.

 Vérifier les conditions du théorème de Newton pour la fonction f sur [2; 3].

 Calculer une valeur approchée de 𝛼à 𝜀 = 10−2 près par la méthode deNewton.

Exercice 9.Le but de cet exercice est de calculer la racine cubique d’un nombre positif a. Soit g la
fonction définie sur𝑅+∗ par

37
 2 1𝑎
𝜑 (𝑥 ) = 𝑥+ , (𝑎 > 0 𝑓𝑖𝑥é)
3 3 𝑥2

 Faire l’étude complète de la fonction 𝜑.

 Comparer g à l’identité.

 Soit la suite (𝑥𝑛 )𝑛∈𝑁définie par

𝑥𝑛+1 = 𝜑(𝑥𝑛 ), 𝑥0 > 0

À l’aide des graphe de 𝜑 et de l’identité sur 𝑅+∗ , dessiner la suite (𝑥𝑛 )𝑛∈𝑁 sur l’axe des abscisses.
Observer graphiquement la convergence.

 Justifier mathématiquement la convergence observée graphiquement. En particulier,

montrer que cette suite est décroissante à partir du rang 1.

 Calculer l’ordre de convergence de la suite.


3
Écrire l’algorithme défini par la suite(𝑥𝑛 )𝑛∈𝑁 qui permet de déterminer √𝑎 a à une
précision de 10−6 .

 Expliciter la méthode de Newton pour la recherche du zéro de la fonction f définie

𝑝𝑎𝑟 𝑓 (𝑥) = 𝑥 3 − 𝑎. Que remarque-t-on ?

Exercice 10 : Soit la fonction polynomiale : F(x)= x3-7x2-x+7

1) Montrer à l’aide du théorème de Sturm que toutes les racines de cette fonction sont réelles puis :

a) Calculer l’une des racines à l’aide de la méthode du point fixe. On partira de x0=0.5

b) Calculer une des racines par la méthode de Newton. On partira de x0=10.

Exercice 11 sup : Soit𝑓(𝑥 ) = 𝑥 2 + 𝑙𝑛(𝑥 ) , 𝑥 > 0

1
 Montrer que f admet une racine s dans [4; 1].

2 1
 Montrer que f(x) = 0⟺ 𝜑(𝑥 ) = 𝑥 où 𝜑(𝑥 ) = 𝑒 −𝑥 sur [4; 1].

1
 Montrer que 𝜑 vérifie les conditionsdu théorème du point fixe dans [4; 1].

 Quel est le nombre d'itérations suffisant pour approcher la racine s à𝜀 = 10−2 près en
prenant x0 = 1.
1
 La méthode de Newton est-elle applicable à f dans [4; 1]?

Exercice 12.(sup) : Soit la fonction définie par𝑓(𝑥 ) = 𝑥 − 1 + 𝑠𝑖𝑛(𝑥 ) , 𝑥 ∈ 𝑅

 Montrer que l'équation h(x) = 0 admet une racine unique s dans [0; 𝜋].

 Montrer que f(x) = 0⟺ 𝜑(𝑥 ) = 𝑥 où 𝜑(𝑥 ) = 0.6(1 − sin(𝑥 )) + 0.4𝑥

38
  𝜑 vérifie-t-elle les hypothèses duthéorème du point fixe sur [0; 𝜋]?

 Montrer que la méthode du point fixe est applicable dans [0.39; 0.65].

 Quel est le nombre d'itérations suffisant pour approcher s à 10 -2 prèsen prenant x0 = 0.39.

 Calculer cette approximation. Exprimer le résultat au dernier c.s.e.

Exercice 13(sup). Une variante de la méthode de Newton pour résoudre des ´équations de la forme
f (x) = 0 résulte en l’algorithme suivant :

𝑥0 𝑑𝑜𝑛𝑛é𝑒
{ 𝑓 (𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓′(𝑥0 )

On aimerait se servir de cette méthode pour évaluer la racine de l’équation𝑥 2 − 2 = 0 donner une
condition nécessaire sur x0 pour que la méthode converge vers la racine.

Exercice 14 (sup) :

a- Obtenir tous les points fixes de la fonction : 𝜑(𝑥) = 𝜆𝑥(1 − 𝑥), où 𝜆 est un paramètre
(𝜆 ≠ 0).

b- Déterminer pour chaque point fixe trouvé en a) les valeurs de 𝜆 pour lesquelles ces points
fixes sont attractifs.

c- Déterminer pour chaque point fixe trouvé en a) la valeur de 𝜆 pour laquelle la convergence
de la méthode des points fixes sera quadratique.

Exercice 15 sup : Déterminer la suite des premiers 3 itérés des méthodes de dichotomie dans
l’intervalle [1, 3] et de NEWTON avec 𝑥0 = 2 pour l’approximation du zéro de la
fonction𝑓 (𝑥) = 𝑥 2 − 2. Combien de pas de dichotomie doit-on effectuer pour améliorer d’un
ordre de grandeur la précision de l’approximation de la racine ?

Exercice 16 sup -Localiser les racines de l'équation𝑓 (𝑥 ) = 𝑥 3 − 𝑥 2 − 𝑥 − 1 = 0 et vérifier que f

admet une racine séparée s dans [1; 2].

 Calculer le nombre d'itération suffisant pour approcher s à 0.5 ∗ 10−1 près par la bissection.

 Calculer cette approximation et donner un encadrement pour la racine s.

Exercice 17 (sup) : Soit le problème

1 2
𝑥 = 𝜑 (𝑥 ) = (𝑥 + 2) (1)
3
 Que représentent les points 𝛼= 1 et 𝛽 = 2 pour la fonction 𝜑 ?
1 4
 Soit 𝑓 (𝑥 ) = 𝑥 3 + 5𝑥 – 1 . Montrer que f(x) = 0 admet une racine séparée s dans [ ; ].
2 3

 Que peut-on dire sur la convergencede cette méthode ?

39
  Calculer le nombre d'itérations, uniquement, suffisant pour approcher𝛼à 10-3 près en partant
dex0 = 0.85

 Calculer 𝜑 ′(2) Que peut-on conclure.

 Comment peut-on changer le problème (1) pour avoir la convergence de la méthode du

point fixe vers 𝛽= 2.
3
Exercice 18 (sup):Soit la fonction f définie par𝑓(𝑥 ) = −𝑒 −1 𝑥 − 𝑒 −𝑥 + 4 = 0 ; 𝑥 ∈ 𝑅.

1- Montrer que f(x) = 0 admet deux racines réelles positives 𝛼et 𝛽 où 𝛼 ∈ [0; 1 ] et 𝛽 ∈
[1; 𝑒 ].
3
2-1 Montrer que l'équation f(x) = 0 est équivalente sur[1; 𝑒]à l'équation𝜑(𝑥 ) = 𝑥 où 𝜑(𝑥 ) = 4 𝑒 −
𝑒 1−𝑥

2-2 La fonction 𝜑 vérifie-t-elle les conditions du théorème du point fixe sur l'intervalle[1; 𝑒]?.
1
2-3Montrer que la suite itérative𝑥𝑛+1 = 𝜑(𝑥𝑛 ), 𝑛 ≥ 0converge vers la racine𝛽, ∀𝑥 ∈ [1 + 10 ; 𝑒 ].

2-3 En prenant x0 = 1.1; calculer x2 et estimer l’erreur|x2 − β|,

Indication e−e = 0, 0660 et e1−e = 0, 1794

Exercice 19(sup): Soit sur I=[1/2, 13/20] l’équation f ( x)  1  x 2  tg ( x)  0.......... .(1)

1) Montrer que (1) admet une racine séparée  sur I.

Soient les fonctions 1 ( x)  Arctg (1  x ),

2
 2 ( x)  1  tgx

x   i (x)
2) Montrer que l’équation est équivalente à l’équation (1) sur I.

3) Montrer que la méthode du point fixe est applicable sur I pour l’une seulement des fonctions
i .

4) Calculer dans ce cas le nombre suffisant d’itération pour approcher  à   10 . 0 à choisir.

4 x

40
 Correction de la série d’exercice N0 2
Exercice 1 :

Séparer les racines des équations suivantes

3
 −𝑥𝑒 −𝑥 − 𝑒 −𝑥 + 4 = 0 , 𝑥 ∈ 𝑅

3
 On pose 𝑓 (𝑥 ) = −𝑥𝑒 −𝑥 − 𝑒 −𝑥 + 4 = 0 , 𝑥 ∈ 𝑅

f continue et dérivable sur R

𝑓 ′(𝑥 ) = 𝑥𝑒 −𝑥 → 𝑓 ′(𝑥 ) = 0 → 𝑥 = 0

x −∞ 0 +∞

𝑓′ - +

+∞ 3/4

f -1/4

D’après le tableau de variation f(x)=0 admet deux racines 𝛼1 𝑒𝑡 𝛼2

3 1
𝛼1 ∈ [−1,0] 𝑐𝑎𝑟 (𝑓(−1) = ) ∗ (𝑓(0) = − ) < 0
4 4
1
𝛼2 ∈ [0,1] 𝑐𝑎𝑟 (𝑓(0) = − ) ∗ (𝑓(1) = 0.01) < 0
4

41
  𝑒 𝑥 sin(𝑥 ) − 1 = 0 , 𝑥 ∈ [−𝜋 , 𝜋]

On pose 𝑓 (𝑥 ) = 𝑒 𝑥 𝑠𝑖𝑛(𝑥 ) − 1, 𝑥 ∈ [−𝜋 , 𝜋]

𝑓(𝑥 ) = 0 → 𝑒 𝑥 𝑠𝑖𝑛(𝑥 ) − 1 = 0

→ 𝑒 𝑥 𝑠𝑖𝑛(𝑥 ) = 1
−𝑥
⏟ (𝑥 ) = 𝑒⏟
→ 𝑠𝑖𝑛
𝑓1 𝑓2

La fonction f définie par𝑓 (𝑥 ) = 𝑙𝑛(𝑥 ) 𝑒 𝑥 𝑠𝑖𝑛(𝑥 ) − 1 = 0 𝑥 ∈ [−𝜋 , 𝜋] admet deux racines

𝛼1 𝑒𝑡 𝛼2

dans l'intervalle [ 5/4 ;5/2].posons f1(x) = 𝑙𝑛(𝑥 )

1
et f2(x) =𝑥 ;Alors𝑓(𝑥) = 0 ⇔ 𝑓1(𝑥) =
𝑓2(𝑥) 𝑒𝑡 𝑑′𝑎𝑝𝑟è𝑠 𝑙𝑒 𝑔𝑟𝑎𝑝ℎ𝑒
5 5
𝛼1 ∈ [ ; ],
3 2

 𝑥 3 − 3𝑥 + 1 = 0 , 𝑥 ∈ [−3 , 3]

On pose 𝑓 (𝑥 ) = 𝑥 3 − 3𝑥 + 1 = 0 , 𝑥 ∈ [−3 , 3]

f continue et dérivable sur R

𝑓 ′ (𝑥 ) = 3(𝑥 2 − 1) → 𝑓 ′(𝑥 ) = 0 → 𝑥 = ±1

x -3 -1 1 3
′
𝒇 + - +
f 3 19

-17 -1

D’après le tableau de variation f(x)=0 admet trois racines 𝜶𝟏 , 𝜶𝟐 𝒆𝒕 𝜶𝟑

𝜶𝟏 ∈ [−𝟑, −𝟏] 𝒄𝒂𝒓 𝒇(−𝟑) ∗ 𝒇(−𝟏) < 𝟎

𝜶𝟐 ∈ [−𝟏, 𝟏] 𝒄𝒂𝒓 𝒇(−𝟏) ∗ 𝒇(𝟏) < 𝟎

42
 𝜶𝟑 ∈ [𝟏, 𝟑] 𝒄𝒂𝒓 𝒇(𝟏) ∗ 𝒇(𝟑) < 𝟎

Exercice 2. Soit 𝑓 ∶ [0; 1] → 𝑅 une fonction continue strictement décroissante telle que f (0)= 1 et f
(1) =-1.

a. Sachant que f (0.6)=0, déterminer la suite des premiers quatre itérés de la méthode de la
dichotomie dans l’intervalle [0;1] pour l’approximation du zéro de f .

on a f (0)= 1 , f (1) =-1 et f (0.6)=0 c-a-d

+ -

0 0.6 1

n 𝒂𝒏 𝒙𝒏 𝒃𝒏 𝒇(𝒂𝒏 ) 𝒇(𝒙𝒏) 𝒇(𝒃𝒏 )

0 0+1 1 1
0 = + + -
2 2
1
1/2 +1 3
1 2
= 1 + - -
2 4
1 1 3
+4 5 3
2 2 2
= + - -
2 8 4
1 5
1 +8 9 5
3 2
= + + -
2 2 16 8
5 9
9 + 16 19 5
4 8
=
16 2 32 8

b. Combien d’itérations faut-il effectuer pour approcher le zéro de f à 2-10 près ?

𝒃−𝒂 𝟏−𝟎
𝐥𝐧 ( 𝟐 𝜺 ) 𝐥𝐧 (𝟐 ∗𝟐−𝟏𝟎 )
𝒏 = 𝚬[ ] + 𝟏 = 𝚬[ ] + 𝟏 = 𝚬[𝟗] + 𝟏 = 𝟏𝟎
𝐥𝐧 𝟐 𝐥𝐧 𝟐

Exercice 3.On considère la fonction f définie par 𝑓(𝑥) = 𝑥 3 − 𝑒 −𝑥 , 𝑥 ∈ 𝑅.

a. Séparer les racines de f, puis montrer que f(x) = 0 admet une solution réelle unique 𝛼 et que 𝛼 ∈
1
[ ; 1].
2

43
f continue et dérivable sur R

𝑓 ′(𝑥 ) = 3𝑥 2 + 𝑒 −𝑥 > 0 𝑥 ∈ 𝑅 → 𝑓 (𝑥 ) 𝑒𝑠𝑡 ↗

x −∞ +∞

𝒇’ +

f +∞

-∞

D’après le tableau de variation f(x)=0 admet une racine 𝛼1 , dans R

- f continue et dérivable sur [1/2,1]

1
- 𝑓’ ≠ 0 𝑠𝑢𝑟 [2 , 1] → 𝑓 𝑒𝑠𝑡 ↗

(𝑓(1/2) = −0.48) ∗ (𝑓(1) = 0.63) < 0

Donc f(x)=0 admet une racine unique sur [1/2,1]

Déterminer, par la dichotomie, une approximation de 𝛼 à 0.5 ∗ 10−1 près en utilisant le test d'arrêt
|𝑥𝑛+1 − 𝑥𝑛 | ≤ 𝜀.

n 𝒂𝒏 𝒙𝒏 𝒃𝒏 𝒇(𝒂𝒏 ) 𝒇 (𝒙 𝒏 ) 𝒇(𝒃𝒏 ) |𝒙𝒏+𝟏 − 𝒙𝒏 | ≤ 𝜺

1
1/2 +1 3 1
0 2
= -0.48 -0.05 0.63
2 4

3/4 3
+1 7
1 4
= 1 -0.05 0.25 0.63
2 8 0.125 > 𝜀 = 0.05
3 3 7
+8 13 7 0.625 > 𝜀 = 0.05
2 4 4
= -0.05 0.09 0.25
2 16 8
3 13
3 + 25 13 0.031 < 𝜀 = 0.05
3 4 16
= -0.05 + 0.09
4 2 32 16

44
 25
Donc la valeur approchée et 𝑥3 = 32 = 0.7 ⏟
8 125
>5

𝑚 − 𝑛 + 1 = −1
{ → 𝑛 = 1 → 𝑥 = 0.8 ± 10−1
𝑚 = −1
b. Déterminer le nombre d'itérations suffisant pour avoir cette précision en utilisant la formule de
l'erreur. Commenter.
𝑏−𝑎 1−1/2
ln ( 2 𝜀 ) ln ( −1 )
𝑛 = Ε[ ] + 1 = Ε [ 2∗0.5 ∗10 ] + 1 = Ε[2.32] + 1 = 3
ln 2 ln 2

Exercice 4: Calculer les points fixes des fonctions suivantes et vérifier s’ils sont attractifs ou
répulsifs :

1 : 𝜑(𝑥 ) = 4𝑥 − 𝑥 2 2 : 𝜑(𝑥 ) = 𝑎𝑟𝑐𝑠𝑖𝑛 𝑥 ; 3 : 𝜑(𝑥) = 5 + 𝑥 − 𝑥 2

- α est un point fixe de φ(x) si φ(α) = α

a) Si |φ′ (𝛼)| < 1 alors le point fixe α est attractif

b) Si |φ′ (𝛼)| > 1 alors le point fixe α est répulsif.

c) Si |φ′ (𝛼)| = 1est indéterminé

1- 𝝋(𝒙) = 𝟒𝒙 − 𝒙𝟐

𝒙 =𝟎
𝛗(𝐱) = 𝐱 → 𝟒𝒙 − 𝒙𝟐 = 𝒙 → 𝒙(𝟑 − 𝒙) = 𝟎 → { 𝟏
𝒙𝟐 = 𝟑

φ(x) = 4x − x 2 admet deux points fixe 𝜶𝟏 = 𝟎 et 𝜶𝟐 = 𝟑

 𝜑(𝑥 ) = 4𝑥 − 𝑥 2 → 𝜑 ′(𝑥 ) = 4 − 2𝑥 →
|𝜑 ′(0)| = 4 > 1 → 𝑙𝑒 𝑝𝑜𝑖𝑛𝑡 𝑓𝑖𝑥𝑒 𝛼1 = 0 𝑒𝑠𝑡 𝑟é𝑝𝑢𝑙𝑠𝑖𝑓
{ ′
|𝜑 (3)| = 2 > 1 → 𝑙𝑒 𝑝𝑜𝑖𝑛𝑡 𝑓𝑖𝑥𝑒 𝛼2 = 3 𝑒𝑠𝑡 𝑟é𝑝𝑢𝑙𝑠𝑖𝑓

2- 𝝋(𝒙) = 𝒂𝒓𝒄𝒔𝒊𝒏 𝒙

𝛗(𝐱) = 𝐱 → 𝒂𝒓𝒄𝒔𝒊𝒏 (𝒙) = 𝒙 → 𝒙 = 𝟎

𝛗(x) = 𝑎𝑟𝑐𝑠𝑖𝑛 𝑥 admet un fixe 𝛼1 = 0

𝟏
 𝝋(𝒙) = 𝒂𝒓𝒄𝒔𝒊𝒏 (𝒙) → 𝝋′ (𝒙) = → |𝝋′ (𝟎)| = 𝟏 est indéterminé
√𝟏−𝒙𝟐

3 - 𝝋(𝒙) = 𝟓 + 𝒙 − 𝒙𝟐
45
 𝒙𝟏 = √𝟓
𝛗(𝐱) = 𝐱 → 𝟓 + 𝒙 − 𝒙𝟐 = 𝒙 → −𝒙𝟐 + 𝟓 = 𝟎 → {
𝒙𝟐 = −√𝟓

φ(x) = 4x − x 2 admet deux points fixe 𝜶𝟏 = √𝟓 et 𝜶𝟐 = −√𝟓

𝒙 =𝟎
𝛗(𝐱) = 𝐱 → 𝟒𝒙 − 𝒙𝟐 = 𝒙 → 𝒙(𝟑 − 𝒙) = 𝟎 → { 𝟏
𝒙𝟐 = 𝟑

φ(x) = 4x − x 2 admet deux points fixe 𝜶𝟏 = 𝟎 et 𝜶𝟐 = 𝟑

 𝜑(𝑥 ) = 𝟓 + 𝒙 − 𝒙𝟐 → 𝜑 ′(𝑥 ) = 1 − 2𝑥 →
|𝜑 ′(−√𝟓)| = 5.47 > 1 → 𝑙𝑒 𝑝𝑜𝑖𝑛𝑡 𝑓𝑖𝑥𝑒 𝛼1 = −√𝟓 𝑒𝑠𝑡 𝑟é𝑝𝑢𝑙𝑠𝑖𝑓
{
|𝜑 ′(√𝟓)| = 3.47 > 1 → 𝑙𝑒 𝑝𝑜𝑖𝑛𝑡 𝑓𝑖𝑥𝑒 𝛼2 = √𝟓 𝑒𝑠𝑡 𝑟é𝑝𝑢𝑙𝑠𝑖𝑓

Exercice 5 (a) Obtenir tous les points fixes de la fonction 𝜑(𝑥 ) = (𝜆 + 1)𝑥 − 𝜆𝑥 2

où 𝜆est un paramètre.
𝒙 =𝟎
𝜑(𝑥 ) = 𝑥 → (𝜆 + 1)𝑥 − 𝜆𝑥 2 = 𝑥 → 𝜆𝑥 − 𝜆𝑥 2 = 0 → 𝜆𝑥 (1 − 𝑥 ) = 0 →→ { 𝟏
𝒙𝟐 = 𝟏
𝜑(𝑥 ) = (𝜆 + 1)𝑥 admet deux points fixe 𝜶𝟏 = 𝟎 et 𝜶𝟐 = 𝟏

(b) Déterminer pour chaque point fixe trouvé en (a) les valeurs de 𝜆pour lesquelles ces points fixes
sont attractifs.

Si |φ′(𝛼)| < 1 alors le point fixe α est attractif

𝜑(𝑥 ) = (𝜆 + 1)𝑥 − 𝜆𝑥 2 → 𝜑 ′(𝑥 ) = 𝜆 + 1 − 2𝜆𝑥 = 1 + 𝜆(1 − 2𝑥)

Pour 𝜶𝟏 = 𝟎

|𝝋′ (𝟎)| = |𝝀 + 𝟏|

|𝝋′ (𝟎)| < 𝟏 → |𝝀 + 𝟏| < 𝟏 → −𝟏 < 𝝀 + 𝟏 < 𝟏 → −𝟐 < 𝝀 < 𝟎

Donc 𝛼1 = 0 est attractif si −𝟐 < 𝝀 < 𝟎

Pour 𝜶𝟏 = 𝟏

|𝝋′ (𝟏)| = |𝟏 − 𝝀|

|𝝋′ (𝟎)| < 𝟏 → |𝟏 − 𝝀| < 𝟏 → −𝟏 < 𝟏 − 𝝀 < 𝟏 → 𝟎 < 𝝀 < 𝟐

Donc 𝜶𝟏 = 𝟏 est attractif si 𝟎 < 𝝀 < 𝟐

(c) Déterminer pour chaque point fixe trouvé en (a) la valeur de 𝜆pour laquelle la convergence

de la méthode des points fixes sera quadratique

Si |φ′(𝛼)| = 0 et Si |φ′′(𝛼)| ≠ 0la méthode de point fixe converge quadratique

𝜑 ′(𝑥 ) = 1 + 𝜆(1 − 2𝑥 ) → 𝜑 ′′(𝑥 ) = −2𝜆

46
Pour 𝜶𝟏 = 𝟎

|𝝋′ (𝟎)| = 𝟎 → |𝝀 + 𝟏| = 𝟎 → 𝝀 = −𝟏 ∈ ]−𝟐 , 𝟎[

|𝝋′′ (𝟎)| < −𝟐𝝀 ≠ 𝟎, ∀ − 𝟐 < 𝝀 < 𝟎

la méthode de point fixe converge quadratique pour 𝛼1 = 0 si 𝝀 = −𝟏

Pour 𝜶𝟏 = 𝟏

|𝝋′ (𝟏)| = 𝟎 → |𝟏 − 𝝀| = 𝟎 → 𝝀 = 𝟏 ∈ ]𝟎 , 𝟐[

|𝝋′′ (𝟏)| < −𝟐𝝀 ≠ 𝟎, ∀ 𝟎 < 𝝀 < 𝟐

la méthode de point fixe converge quadratique pour 𝛼2 = 1 si 𝜆 = 1

Exercice 6. Soit f définie par 𝒇(𝒙) = 𝒙𝟑 − 𝒆−𝒙 .

 Montrer que l'équation 𝑓(𝑥) = 0 admet une seule solution réelle 𝛼 puis vérifier que 𝛼 ∈
1
[ ; 1 ].
2

1
f est continue et dérivable sur ∈ [2 ; 1 ].

1
𝑓 ′(𝑥 ) = 3𝑥 2 + 𝑒 −𝑥 > 0 ∀𝑥 ∈ [ ; 1 ] → 𝑓𝑒𝑠𝑡 ↗.
2

1
𝑓 ( ) ∗ 𝑓 (1) = (−0.48 ∗ 0.63) < 0
2

Les trois conditions sont vérifiés donc l'équation 𝑓(𝑥) = 0 admet une seule solution réelle 𝛼 puis
1
vérifier que 𝛼 ∈ [2 ; 1 ].
𝑥𝑛
𝑥𝑛+1 = 𝑒 − 3
 Montrer que la suite{ 1 converge vers𝛼.
𝑥0 ∈ [2 ; 1 ]
𝑥
On pose 𝜑(𝑥) = 𝑒 −3
1
- La fonction 𝜑 est de classe 𝐶 1 ([2 ; 1 ] )
x x
1 1 1
- φ(x) = e−3 → φ′(x) = − 3 e−3 < 0 ∀x ∈ [2 ; 1 ] → φest ↘ sur [2 ; 1 ] .
x
1 1 1
- φ′′(x) = 9 e−3 > 0 ∀x ∈ [2 ; 1 ] → φ′est ↗ sur [2 ; 1 ]

x 1
1
2
φ′′ +
-0.2388
φ′

-0.2821
47
 0.8465

φ
0.7165 La contractante

La stabilité

1 1
Stabilité : d’après le tableau φ ([2 ,1]) ∁ [φ(1) , φ (2)]car φ(x) ↘ c-à-d
[0.5 ,1]∁[0.7165 ,0.8465].

La contractante : sup|φ′ (x)| = 0.2821 = 𝑘 < 1 . Donc φ est contractante.

Ι

xn+1 = φ(xn )
Le théorème du point fixe est vérifie φ(x) = x et la suite { 1 converge vers
𝑥0 ∈ [2 ; 1 ]
1
𝛼 𝑠𝑢𝑟[2 ; 1 ]

 Pour 𝑥0 = 1, déterminer n le nombre d'itérations minimal pour que|𝑥𝑛 − 𝛼 | ≤ 5. 10−2 .

𝜀(1−𝑘)
𝑘𝑛 ln (|𝑥 −𝑥 |)
1 0
|𝑥𝑛 − 𝛼 | ≤ |𝑥1 − 𝑥0 | ≤ 𝜀 ⟹ 𝑛 ≥
1−𝑘 ln(𝑘 )
𝜀(1−𝑘)
ln(|𝑥 )
1 −𝑥0 |
Et on prend 𝑛 = Ε[ ] + 1.
ln(𝑘)

𝑥0 = 1 ⟶ φ(x0 = 1) = 0.7165 ; 𝑘 = sup|φ′(x)| = 0.2821 ; 𝜀 = 5. 10−2 .

Ι

5.10−2 (1−0.2821 )
ln( |0.7165−1|
)
Donc 𝑛 = Ε [ ] + 1 = 𝛦 [1.63] + 1 = 2
ln(0.2821)

1
 Peut-on appliquer la méthode de Newton dans[ ; 1 ] ?Donner l'expression de(𝑥𝑛 )𝑛 en
2
précisant le choix de𝑥0 .
1
d) la fonction 𝑓 est de classe 𝐶 2 ([2 ; 1 ] )

e) f(1/2) ∗ f (1) < 0 est vérifie

1
f) 𝑓 ′(𝑥 ) = 3𝑥 2 + 𝑒 −𝑥 ≠ 0 sur [2 ; 1 ]

1
g) f ′′(x) = 6𝑥 − 𝑒 −𝑥 > 0 ne change pas de signe sur [2 ; 1 ]

48
Choix de 𝐱 𝟎 : on prendx0 = 1car 𝑓 (1) ∗ 𝑓 ′′(1) = (0.63)(3.28) = 2.07 > 0.

f(x )
Conclusion : pour x0 = 1la suite de newton xn+1 = xn − f ′(xn )converge vers𝛼
n

𝒙𝟑𝒏 − 𝒆−𝒙𝒏
xn+1 = xn − 2
3𝑥𝑛 + 𝑒 −𝑥𝑛

 Calculer 𝛼à 5. 10−2 prés, partant de 𝑥0 = 1. Exprimer le résultat au dernier c.s.e.

On utilise l’estimation

𝑀
|𝑥𝑛 − 𝛼 | ≤ |𝑥 − 𝑥𝑛−1 |2 < 𝜀 (⋇ )
2𝑚 𝑛
f(x0 )
x1 = x 0 − ≃ 0.8123
f ′ (x 0 )

x1 vérifie-t-elle l’estimation (⋇)

On calcule d’abord M et m

𝑀 = sup|𝑓′′(𝑥)| = 3.28 ; 𝑚 = inf

1
|𝑓 ′(𝑥)| = 0.2759
1 [ ,1]
[ ,1] 2
2

𝑀
On testx1 : |𝑥1 − 𝛼 | ≤ 2𝑚 |𝑥1 − 𝑥0 |2 = 0.21 > 𝜀 = 0.05

𝑥1 ne vérifie pas l’estimation(⋇)

On calcule 𝑥2

f(x1 )
x2 = x1 − ≃ 0.7803
f ′ ( x1 )
𝑀
On testx2 : |𝑥2 − 𝛼 | ≤ 2𝑚 |𝑥2 − 𝑥1 |2 = 0.006 < 𝜀 = 0.05

D’ou 𝑥2 est la valeur approchée de 𝛼 à 𝜀 = 0.05

𝑚 − 𝑛 + 1 = −1
{ → 𝑛 = 1 → 𝑥2 = 0.8 ± 10−1
𝑚 = −1

 Conclure.

Les deux méthode converge vers 𝑥2 car n=2

7. Soit g(x)= 𝑥𝑒 𝑥 − 2𝑥 une fonction définie sur IR.

a Montrer que g admet un unique minimum dans [0,1].

f est continue et dérivable sur R

49
 ′
𝑔(𝑥 ) = 𝑥𝑒 𝑥 − 2𝑥 → 𝑔′(𝑥 ) = (𝑥 + 1)𝑒 𝑥 − 2 → 𝑔′ (𝑥 ) = (𝑥 + 2)𝑒 𝑥 > 0; ∀𝑥 ∈ [0,1] → 𝑔′ 𝑒𝑠𝑡 ↗

x 0 𝛼 1

g ′′ +

3.44

g′ -1

0 0.71

g 𝑔 (𝛼 )

D’après le tableau de variation on remarque que

- 𝑔′(𝑥 ) < 0 𝑠𝑖 𝑥 ∈ [0, 𝛼 [ → 𝑔 𝑒𝑠𝑡 ↘

- 𝑔′(𝑥 ) > 0 𝑠𝑖 𝑥 ∈ ]𝛼, 1] → 𝑔 𝑒𝑠𝑡 ↗

- 𝑔′(𝑥 ) = 0 𝑠𝑖 𝑥 = 𝛼

- 𝒈′′ > 𝟎; ∀𝒙 ∈ [𝟎, 𝟏] ⟶ 𝒈′ 𝒆𝒔𝒕 ↗

Alors g admet un unique minimum, 𝜶 dans [0,1]

b Montrer que l’algorithme de Newton permet de déterminer une valeur approchée de ce minimum.

On applique la méthode de Newton sur la fonction g’

1) la fonction 𝑔′ est de classe 𝐶 2 ([0; 1 ] )

2) g′(0) ∗ g′(1) < 0 est vérifie

3) 𝑔′′ (𝑥 ) = (𝑥 + 2)𝑒 𝑥 > 0; ∀𝑥 ∈ [0,1]

4) g ′′′(x) = (𝑥 + 3)𝑒 𝑥 > 0 ne change pas de signe sur [0; 1 ]

Choix de 𝐱 𝟎 : on prendx0 = 1car 𝑔′(1) ∗ 𝑔′′′(1) = (3.44)(10.85) > 0.

g′(x )
Conclusion : pour x0 = 1la suite de newton xn+1 = xn − g′ ′(xn )converge vers𝛼
n

( 𝒙 𝒏 + 𝟐 ) 𝒆𝒙 𝒏 − 𝟐
xn+1 = xn −
(𝑥𝑛 + 2)𝑒 𝑥𝑛

50
Exercice 8.Soit𝑓(𝑥 ) = 2𝑥 − 2𝑥𝑙𝑛(𝑥 ) − 1 , 𝑥 > 0

 Montrer que f(x) = 0 admet une racine unique s ∈ [2 ; 3].

f est continue et dérivable sur ∈ [2; 3 ].

𝑓 ′(𝑥 ) = −2𝑙𝑛(𝑥 ) < 0 ∀𝑥 ∈ [2; 3 ] → 𝑓𝑒𝑠𝑡 ↘.

𝑓 (2) ∗ 𝑓 (3) = (0.2274 ∗ (−1.59)) < 0

Les trois conditions sont vérifiés donc l'équation 𝑓(𝑥) = 0 admet une seule solution réelle 𝛼 puis
vérifier que 𝛼 ∈ [2; 3 ] = 𝐼.

 Montrer que f(x) = 0⟺ 𝜑𝛼 (𝑥 ) = 𝑥où𝜑𝛼 (𝑥 ) = 𝑥 + 𝛼𝑓(𝑥 ) 𝑒𝑡 𝛼 > 0,puis déterminer la

valeur de 𝛼telle que 𝜑𝛼 (𝑥) soit contractante.

- 𝑓 (𝑥 ) = 0 → 𝛼𝑓 (𝑥 ) = 0 → 𝑥 + 𝛼𝑓 (𝑥 ) = 𝑥 → 𝜑𝛼 (𝑥 ) = 𝑥; 𝑎𝑣𝑒𝑐 𝜑𝛼 (𝑥 ) = 𝑥 + 𝛼𝑓(𝑥 )

- 𝜑𝛼 (𝑥) est contractante si sup|φ′(x)| = 𝑘 < 1

Ι

𝜑𝛼 (𝑥) est continue et dérivable sur I

′ 𝛼
𝜑 ′𝛼 (𝑥 ) = 1 + 𝛼𝑓 ′(𝑥 ) → 𝜑 ′ 𝛼 (𝑥 ) = 𝛼𝑓 ′′(𝑥 ) = −2 < 0 𝑠𝑢𝑟 [2 ; 3] → 𝜑 ′𝑒𝑠𝑡 ↘.
𝑥

x 2 3
′′
φ -
1 − 2𝛼𝑙𝑛(2)
φ′ 1 − 2𝛼𝑙𝑛(3)

 Si sup |φ′ (x)| = |1 − 2𝛼𝑙𝑛(2)|

Ι

sup |φ′ (x)| < 1 → |1 − 2𝛼𝑙𝑛(2)| < 1

Ι

→ −1 < 1 − 2𝛼𝑙𝑛(2) < 1

→ −2 < −2𝛼𝑙𝑛(2) < 0

1
→ − 𝑙𝑛(2) < −𝛼 < 0

1
→ 0 < 𝛼 < 𝑙𝑛(2)

1
Donc 𝜑𝛼 (𝑥) est contractante si 𝛼 ∈ ]0; 𝑙𝑛(2)[pour sup |φ′(x)| = |1 − 2𝛼𝑙𝑛(2)|
Ι

 Si sup |φ′ (x)| = |1 − 2𝛼𝑙𝑛(3)|

Ι

sup |φ′ (x)| < 1 → |1 − 2𝛼𝑙𝑛(3)| < 1

Ι
51
 → −1 < 1 − 2𝛼𝑙𝑛(3) < 1

→ −2 < −2𝛼𝑙𝑛(3) < 0

1
→ − 𝑙𝑛(3) < −𝛼 < 0

1
→ 0 < 𝛼 < 𝑙𝑛(3)

1
Donc 𝜑𝛼 (𝑥) est contractante si 𝛼 ∈ ]0; 𝑙𝑛(3)[pour sup |φ′(x)| = |1 − 2𝛼𝑙𝑛(3)|
Ι

1 1 1
Alors ]0; 𝑙𝑛(2) = 1.443[ ∩ ]0; 𝑙𝑛(3) = 1.098[ = ]0; 𝑙𝑛(3) = 1.098[

Donc 𝜑𝛼 (𝑥) est contractante si 𝛼 ∈ ]0; 1.098[

 Vérifier les conditions du théorème de Newton pour la fonction f sur [2; 3].

h) la fonction 𝑓 est de classe 𝐶 2([2; 3] )

i) f(2) ∗ f (3) < 0 est vérifie

j) 𝑓 ′(𝑥 ) = −2𝑙𝑛(𝑥 ) ≠ 0 sur [2; 3]

2
k) f ′′ (x) = − < 0 ne change pas de signe sur [2; 3 ]
𝑥

Choix de 𝐱 𝟎 : on prend x0 = 3car 𝑓 (3) ∗ 𝑓 ′′(3) = (−1.59)(−2/3) > 0.

f(x )
Conclusion : pour x0 = 1la suite de newton xn+1 = xn − f ′(xn )converge vers𝛼
n

2𝒙𝒏 − 𝟐𝒙𝒍 𝒏(𝒙𝒏 ) − 𝟏

xn+1 = xn −
−2ln(𝑥𝑛 )

 Calculer une valeur approchée de 𝛼à 𝜀 = 10−2 près par la méthode deNewton.

On utilise l’estimation

𝑀
|𝑥𝑛 − 𝛼 | ≤ |𝑥 − 𝑥𝑛−1 |2 < 𝜀 (⋇ )
2𝑚 𝑛
f(x )
x1 = x0 − f ′(x0 ) ≃2.27559807
0

x1 vérifie-t-elle l’estimation (⋇)

On calcule d’abord M et m

𝑀 = sup |𝑓′′ (𝑥)| = 1 ; 𝑚 = inf

1
|𝑓 ′(𝑥)| =1.38629436
[2 ,3] [ ,1]
2

52
 𝑀
On testx1 : |𝑥1 − 𝛼 | ≤ 2𝑚 |𝑥1 − 𝑥0 |2 = 0.36 > 𝜀 = 0.01

𝑥1 ne vérifie pas l’estimation(⋇)

On calcule 𝑥2
f(x )
x2 = x1 − f ′(x1 ) ≃2.15945684
1

𝑀
On testx2 : |𝑥2 − 𝛼 | ≤ 2𝑚 |𝑥2 − 𝑥1 |2 = 0.009 < 𝜀 = 0.01

D’ou 𝑥2 est la valeur approchée de 𝛼 à 𝜀 = 0.01

𝑚 − 𝑛 + 1 = −2
{ → 𝑛 = 1 → 𝑥2 = 2.16
𝑚=0

Exercice 9.Le but de cet exercice est de calculer la racine cubique d’un nombre positif a. Soit g la
fonction définie sur𝑅+∗ par

2 1𝑎
𝜑 (𝑥 ) = 𝑥+ , (𝑎 > 0 𝑓𝑖𝑥é)
3 3 𝑥2
- 𝜑(𝑥 ) > 0 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑥 ∈ 𝑅∗+

- lim 𝜑(𝑥 ) = 𝑙𝑖𝑚 𝜑(𝑥 ) = +∞

𝑥→0+ 𝑥→∞

𝜑(𝑥) 2 2 2 2
- lim+ = 𝑒𝑡 𝑙𝑖𝑚 𝜑(𝑥 ) − 𝑥 = 0 donc 𝑦 = 𝑥 est un asymptote et l'on a 𝜑(𝑥) > 𝑥
𝑥→0 𝑥 3 𝑥→∞ 3 3 3
pour tout x>0.
2 𝑎
- 𝜑 ′(𝑥 ) = 3 (1 − 𝑥3 )

3
- 𝜑 est croissante sur [0 ; +∞[, décroissante sur [0 ; + √𝑎]
3 3 3
- 𝑥 = √𝑎 est un minimum absolu et 𝜑( √𝑎) = √𝑎
2𝑎
- 𝜑 ′′(𝑥 ) = 𝑥4 > 0 𝜑 est convexe sur 𝑅∗+

3
x 0 √𝑎 +∞
′
𝜑 - +
+∞ +∞

𝜑
3
√𝑎

53
b) Comparer g a l'identité (i.e. y = x).

: On vérifie analytiquement qu'il existe une et une seule intersection entre la courbe d'équation
𝑦 = 𝜑 (𝑥) et la droite d'équation 𝑦 = 𝑥

2 1𝑎
𝜑 (𝑥 ) = 𝑥 ⇔ 𝑥 + = 𝑥 ⇔ 𝑥3 = 𝑎
3 3 𝑥2

 Soit la suite (𝑥𝑛 )𝑛∈𝑁définie par

𝑥𝑛+1 = 𝜑(𝑥𝑛 ), 𝑥0 > 0

À l’aide des graphe de 𝜑 et de l’identité sur 𝑅+∗ , dessiner la suite (𝑥𝑛 )𝑛∈𝑁 sur l’axe des abscisses.
Observer graphiquement la convergence.

54
(b) Étude graphique de la convergence de la méthode de point fixe.

 Justifier mathématiquement la convergence observée graphiquement. En particulier, montrer

que cette suite est décroissante à partir du rang 1
3 3
pour tout 𝑥 > 0 on a 𝜑(𝑥) ≥ √𝑎 . Donc, pour tout 𝑘 > 0 𝑥𝑘 = 𝜑(𝑥𝑘−1 ) ≥ √𝑎

Vérifions les hypothèses du théorème de point fixe qui fournit une condition suffisante de
convergence de la suite :
3 3 3 3
1. pour tout x dans [ √𝑎 ; +∞] on a 𝜑(𝑥) ≥ √𝑎 donc 𝜑( [ √𝑎 ; +∞[)∁[ √𝑎 ; +∞[ (i.e.
3
l’intervalle √a ; +∞ est stable).
3
2. 𝜑 ∈ 𝐶 1[ √𝑎 ; +∞[
3
3. pour tout x dans [ √𝑎 ; +∞[ on a

2 𝑥
𝜑 ′(𝑥 ) = |3 (1 − 𝑎3 )| < 1

donc g est contractante.

3
Alors la méthode converge vers m point fixe de 𝜑 . De plus, pour tout 𝑥0 ∈ [ √𝑎 ; +∞] on a
3
𝑚 = 𝜑(𝑚) ⇔ 𝑚 = √𝑎 : la méthode permet donc de calculer de façon itérative la racine cubique
de a

 Calculer l’ordre de convergence de la suite.

55
 2𝑎
𝜑 ′(𝑚) = 0 et 𝜑 ′′(𝑥 ) = 𝑚4 ≠ 0

la méthode de point fixe converge à l’ordre 2.


3
Écrire l’algorithme défini par la suite(𝑥𝑛 )𝑛∈𝑁 qui permet de déterminer √𝑎 a à une
précision de 10−6 .

 Expliciter la méthode de Newton pour la recherche du zéro de la fonction f définie

𝑝𝑎𝑟 𝑓 (𝑥) = 𝑥 3 − 𝑎. Que remarque-t-on ?

La méthode de NEWTON est une méthode de point fixe avec

2 1 𝑎
f(xn ) 𝑥 + 3 𝑥2 2 𝑎
3 𝑛 𝑛
xn+1 = xn − ′ = xn − 2 = 𝑥𝑛 + 2
f (x n ) 𝑥
(1 − 𝑛 ) 3 3𝑥𝑛
3 𝑎3

Autrement dit la méthode de point fixe assignée est la méthode de NEWTON (qu’on sait être
d’ordre de convergence égale à 2 lorsque la racine est simple).

56
 Chapitre 3 : Interpolation polynômiale

1- Introduction :

En pratique la fonction f est connue explicitement, ou seulement par ses valeurs en certains points
(𝑥𝑖 , 𝑓(𝑥𝑖 ))𝑖=0,…,𝑛. Le but du problème d’interpolation est de déterminer une fonction
F(appartenant à une certaine classe) qui passe par les points (𝑥𝑖 , 𝑓 (𝑥𝑖 ))𝑖=0,…,𝑛 donnés. Cependant,
les fonctions les plus faciles à évaluer numériquement sont les polynômes, il est donc important de
savoir approximer une fonction arbitraire par des polynômes.

La notion d’interpolation polynomiale consiste donc à approcher f par une fonction F simple de
type polynomial que l’on note par Ρ𝑛 appelé l’interpolant de f.

2- Polynôme d’interpolation

Définition : on dit que 𝚸est le polynôme d’interpolation de 𝒇aux points 𝑥0 , 𝑥1 , … , 𝑥𝑛 si

𝑑𝑒𝑔𝑟é 𝑑𝑒 𝛲 ≤ 𝑛
{
P(𝑥𝑖 ) = 𝑓 (𝑥𝑖 ) , ∀ 𝑖 = 0,1, … , 𝑛

C’est à ce cas qu’on va s’intéresser dans ce chapitre.

Remarque : si les points 𝑥𝑖 , 𝑖 = 0,1, … , 𝑛 soit distincts alors le polynôme d’interpolation existe et
il unique.

Théorème 1 (d’existence et d’unicité de 𝐏𝐧) :

Si les 𝑥𝑖 , 𝑖 = 0,1, … , 𝑛 sont tous distincts 𝑥𝑖 = 𝑥𝑗 𝑠𝑖 𝑖 ≠ 𝑗 alors il existe un unique polynôme Pn de

degré inférieur ou égal à n tel que : Pn (𝑥𝑖 ) = 𝑓 (𝑥𝑖 ) = 𝑓𝑖 , 𝑖 = 0,1, … , 𝑛 .

(Ou bien Pn (𝑥𝑖 ) = 𝑦𝑖 ; si la fonction f n’est pas connue).

Démonstration :

On peut écrire le polynôme 𝑃𝑛 comme suit : Pn (𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 tel que

Pn (𝑥𝑖 ) = 𝑎0 + 𝑎1 𝑥𝑖 + 𝑎1 𝑥𝑖2 + ⋯ + 𝑎𝑛 𝑥𝑖𝑛 = 𝑦𝑖

Du fait que Pn (𝑥𝑖 ) = 𝑦𝑖 , 𝑖 = 0,1, … , 𝑛 ; les coefficients 𝑎𝑖 , 𝑖 = ̅̅̅̅̅

0, 𝑛 vérifient le système

𝑎0 + 𝑎1 𝑥0 + 𝑎1 𝑥02 + ⋯ + 𝑎𝑛 𝑥0𝑛 = 𝑦0
𝑎0 + 𝑎1 𝑥1 + 𝑎1 𝑥12 + ⋯ + 𝑎𝑛 𝑥1𝑛 = 𝑦1
(S) .
.
.
{𝑎0 + 𝑎1 𝑥𝑛 + 𝑎1 𝑥𝑛2 + ⋯ + 𝑎𝑛 𝑥𝑛𝑛 = 𝑦𝑛

(S) C’est un système linéaire par rapport à 𝑎𝑖 ; i = 0,…, n, on peut l’écrire sous forme matricielle :

57
 1 𝑥0 ⋯ 𝑥0𝑛 𝑎0 𝑦0
1 𝑥1 ⋯ 𝑥1𝑛 𝑎1 𝑦1
( )( ⋮ ) = ( ⋮ )
⋮ ⋮ ⋱ ⋮
⏟1 𝑥𝑛 ⋯ 𝑥𝑛𝑛 𝑎𝑛 𝑦𝑛
∆

1 𝑥0 ⋯ 𝑥0𝑛 𝑛
1 𝑥1 ⋯ 𝑥1𝑛
∆= | | = ∏ (𝑥𝑖 − 𝑥𝑗 )
⋮ ⋮ ⋱ ⋮
𝑖=0;𝑗>𝑖
1 𝑥𝑛 ⋯ 𝑥𝑛𝑛

Le déterminant de la matrice de ce système (appelé déterminant de Vandermonde) .On a ∆≠ 0, car

les 𝑥𝑖 , sont tous distincts. Donc, le système (S) admet une et une seule solution (𝑎0 , 𝑎1 , … , 𝑎𝑛 ), d'où
le polynôme d'interpolation existe et il est unique.

Exemple : On veut calculer le polynôme d’interpolation de la fonction f passant par les points (0; 1)
;(1; 2) ;(2; 9) et (3; 28): Etant donné ces 4 points, le polynôme recherché est de degré inférieur ou
égal à 3 et ses coefficients ai sont la solution du système suivant :

1 0 0 0 𝑎0 1
𝑎
1 1 ) ( 1) = ( 2 )
(1 1
𝑎3
1 2 4 8 9
1 3 9 27 𝑎4 28

Dont la solution est :

𝑎0 1
𝑎1 0
(𝑎 ) = ( )
3 0
𝑎4 1

Le polynôme recherché est donc

𝑃3 (𝑥 ) = 1 + 𝑥 3

Exercice 1 : soit 𝑓(𝑥 ) = 𝑥 4 − 2𝑥 3 + 𝑥 et les points 𝑥0 = −1 ; 𝑥1 = 0 ; 𝑥2 = 2

Parmi les polynômes suivants quel est celui qui interpole f aux points𝑥0 ; 𝑥1 𝑒𝑡 𝑥2 où

𝑃(𝑥 ) = 𝑥 2 − 𝑥 ;𝑃2 (𝑥 ) = 𝑥 4 − 1 + 𝑥 ;𝑃3 (𝑥 ) = 𝑥 3 − 2𝑥 2 − 3𝑥 ; 𝑃4 (𝑥) = 𝑥 2 + 𝑥 + 1,

Comment construire ce polynôme d’interpolation

2-1 Méthode de Lagrange :

2-1-1 les polynômes élémentaires de Lagrange :

58
• Résolvons d'abord le problème partiel suivant :

Construire un polynôme 𝐿𝑖 = 𝐿𝑖 (𝑥 ) de degré n tel que

1 𝑠𝑖 𝑖 = 𝑗
𝐿𝑖 (𝑥𝑗 ) = 𝛿𝑖,𝑗 = { i = 0, . . . , n fixé
0 𝑠𝑖 𝑖 ≠ 𝑗

Le polynôme 𝐿𝑖 s'annule en 𝑥0 , 𝑥1 , . . . , 𝑥𝑖−1 , 𝑥𝑖+1 , . . . , 𝑥𝑛 , il s'écrit alors sous la forme :

𝐿𝑖 (𝑥 ) = 𝐾𝑖 (𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖+1 ) … (𝑥 − 𝑥𝑛 )

Donc,

pour x = 𝑥𝑗 ∶ 𝐿𝑖 (𝑥𝑗 ) = 0, (j = 0, … , n, j ≠ i)

pour x = 𝑥𝑖 ∶ 𝐿𝑖 (𝑥𝑖 ) = 1 ⇒ 𝐾𝑖 (𝑥𝑖 − 𝑥0 ) … (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ) … (𝑥𝑖 − 𝑥𝑛 ) = 1

D’où la valeur de Ki

1
𝐾𝑖 =
(𝑥𝑖 − 𝑥0 ) … (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ) … (𝑥𝑖 − 𝑥𝑛 )

Donc
𝑛
(𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖+1 ) … (𝑥 − 𝑥𝑛 ) 𝑥 − 𝑥𝑗
𝐿𝑖 (𝑥 ) = = ∏( )
(𝑥𝑖 − 𝑥0 ) … (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ) … (𝑥𝑖 − 𝑥𝑛 ) 𝑥𝑖 − 𝑥𝑗
𝑗=0
𝑗≠𝑖

Pour chaque i = 0, … , n, 𝐿𝑖 est appelé polynômes élémentaires de Lagrange au point 𝑥𝑖 .

Remarquons que 𝑑𝑒𝑔𝑟é (𝐿𝑖 ) = 𝑛

Proposition 1 : Les polynômes 𝐿0 , 𝐿1 ,…, 𝐿𝑛 forment une base de l'espace vectoriel Ρ𝑛 .

Preuve : Il suffit de montrer que cette famille de polynômes est libre, puisqu’elle est formé de (n +
1) éléments de l’espace Ρ𝑛 . Qui est de dimension (n + 1). Soient (n + 1) réels 𝛼0 , 𝛼1 ,…, 𝛼𝑛 n tels
que, pour tout réel x on a :
𝑛

∑ 𝛼𝑖 𝐿𝑖 (𝑥 ) = 0
𝑖=0

Alors pour 𝑥 = 𝑥𝑘 on a :

∑𝑛𝑖=0 𝛼𝑖 𝐿𝑖 (𝑥𝑘 ) = 𝛼𝑘 = 0 pour 0 0 ≤ 𝑘 ≤ 𝑛.

D’où le résultat.

• Passant à la résolution du problème général qui consiste à former Ρ𝑛 vérifiant les conditions
indiquées plus haut. Ce polynôme est de la forme :

59
 𝑛

Ρ𝑛 (𝑥 ) = ∑ 𝑓 (𝑥𝑖 ) 𝐿𝑖 (𝑥 )
𝑖=0

Ce polynôme vérifie 𝑑 0 Ρ𝑛 ≤ 𝑛 et Ρ𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ) , ∀ 𝑖

Par unicité, le polynôme Ρ𝑛 est le polynôme cherché. Il s'appelle le polynôme d'interpolation de

Lagrange qui interpole les points (𝑥𝑖 , 𝑦𝑖 ), i = 0, . . . , n.

Exemple 1 : soit 𝑓 une fonction définie par

𝑥𝑖 0 1 2 3 1) déterminer le polynôme d’interpolation de 𝑓

sous forme de Lagrange.
𝑓 (𝑥𝑖 ) 16 9 0 -5
7
2) déterminer la valeur approchée de𝑓 (4).

Solution
1) On a 4 points, le polynôme d’interpolation et de degré ≤ 3 on écrit donc Ρ3 sous forme de
Lagrange
3

Ρ3 (𝑥 ) = ∑ 𝑓 (𝑥𝑖 ) 𝐿𝑖 (𝑥 ) = 𝑓(𝑥0 )𝐿0 (𝑥 ) + 𝑓(𝑥1 )𝐿1 (𝑥 ) + 𝑓 (𝑥2 )𝐿2 (𝑥 ) + 𝑓 (𝑥3 )𝐿3 (𝑥 )

𝑖=0

= 16𝐿0 (𝑥 ) + 9𝐿1 (𝑥 ) + 0𝐿2 (𝑥 ) − 5𝐿3 (𝑥 )

Il suffit donc de calculer𝐿0 , 𝐿1 , 𝐿3

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝐿0 (𝑥 ) = ∏ ( )=
𝑥𝑖 − 𝑥𝑗 (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 )
𝑗=0
𝑗≠0

(𝑥−1)(𝑥−2)(𝑥−3) (𝑥−1)(𝑥−2)(𝑥−3) 𝑥 3 −6𝑥 2 +11𝑥−6

= (0−1)(0−2)(0−3)
= =
−6 −6

(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 1)(𝑥 − 2)(𝑥 − 3) 𝑥 (𝑥 − 2)(𝑥 − 3)

𝐿1 (𝑥 ) = = =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (1 − 0)(1 − 2)(1 − 3) 6

𝑥 3 − 5𝑥 2 + 6𝑥
=
2
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 1)(𝑥 − 2)(𝑥 − 3) 𝑥 (𝑥 − 1)(𝑥 − 2)
𝐿 3 (𝑥 ) = = =
(𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) (3 − 0)(3 − 1)(3 − 2) 6
𝑥 3 −3𝑥 2 +2𝑥
= 6

16 3 9 5
Ρ3 (𝑥 ) = − (𝑥 − 6𝑥 2 + 11𝑥 − 6) + (𝑥 3 − 5𝑥 2 + 6𝑥 ) − (𝑥 3 − 3𝑥 2 + 2𝑥 )
6 2 6

Ρ3 (𝑥 ) = −𝑥 3 − 4𝑥 2 − 4𝑥 + 16

60
 7 7
3) 𝑓 (4) ⋍ Ρ3 (4) =0.46875

Exemple 2 : soit 𝑓 une fonction définie par

𝑥𝑖 -2 -1 0 2 1) déterminer le polynôme d’interpolation de 𝑓

sous forme de Lagrange.
𝑓 (𝑥𝑖 ) 3 2 1 0
2) déterminer la valeur approchée de𝑓 (1).

Solution

1) On a 4 ponts, le polynôme d’interpolation et de degré ≤ 3 on écrit donc Ρ3 sous forme de

Lagrange
3

Ρ3 (𝑥 ) = ∑ 𝑓 (𝑥𝑖 ) 𝐿𝑖 (𝑥 ) = 3𝐿0 (𝑥 ) + 2𝐿1 (𝑥 ) + 1𝐿2 (𝑥 ) + 0𝐿3 (𝑥 )

𝑖=0

Il suffit donc de calculer𝐿0 , 𝐿1 , 𝐿2 , 𝐿3

Méthode pratique pour calculer 𝐿𝑖 (𝑥 ) pour 𝑛 = 3

(𝑥 − 𝑥0 ) (𝑥0 − 𝑥1 ) (𝑥0 − 𝑥2 ) (𝑥0 − 𝑥3 )

(𝑥1 − 𝑥0 ) (𝑥 − 𝑥1 ) (𝑥1 − 𝑥2 ) (𝑥1 − 𝑥3 )
(𝑥2 − 𝑥0 ) (𝑥2 − 𝑥1 ) (𝑥 − 𝑥2 ) (𝑥2 − 𝑥3 )
(𝑥3 − 𝑥0 ) (𝑥3 − 𝑥1 ) (𝑥3 − 𝑥2 ) (𝑥 − 𝑥3 )

Chaque 𝐿𝑖 (𝑥 ) est donner par

𝑙𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 𝑑𝑒𝑠 𝑡𝑒𝑟𝑚𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑢𝑥 𝑑𝑢 𝑡𝑎𝑏𝑙𝑒𝑎𝑢

𝐿𝑖 (𝑥 ) =
𝑙𝑒 𝑝𝑟𝑜𝑑𝑢𝑖𝑡 𝑑𝑒𝑠 𝑡𝑒𝑟𝑚𝑒𝑠 𝑑𝑒 𝑙𝑎 (𝑖 + 1)𝑖é𝑚𝑒 𝑙𝑖𝑔𝑛𝑒 𝑑𝑢 𝑡𝑎𝑏𝑙𝑒𝑎𝑢

Revenus sur l’exemple

(𝑥 + 2) −1 −2 −4

1 (𝑥 + 1) −1 −3

2 1 (𝑥 − 0) −2

4 3 2 (𝑥 − 2)

(𝑥 + 2)(𝑥 + 1)(𝑥 − 0)(𝑥 − 2) 1

𝐿0 (𝑥 ) = = − 𝑥 (𝑥 + 1)(𝑥 − 2)
(𝑥 + 2)(−1 )(−2 )(−4) 8

(𝑥 + 2)(𝑥 + 1)(𝑥 − 0)(𝑥 − 2) 1

𝐿1 (𝑥 ) = = 𝑥 (𝑥 2 − 4)
(1)(𝑥 + 1)(−1)(−3) 3

(𝑥 + 2)(𝑥 + 1)(𝑥 − 0)(𝑥 − 2) 1

𝐿2 (𝑥 ) = = − (𝑥 + 1)(𝑥 2 − 4)
(2)(1)(𝑥 − 0)(−2) 4

61
 (𝑥 + 2)(𝑥 + 1)(𝑥 − 0)(𝑥 − 2) 1
𝐿3 (𝑥 ) = = (𝑥 + 2)(𝑥 + 1)𝑥
(4)(3 )(2 )(𝑥 − 2) 24
3 2 1
D’où Ρ3 (𝑥 ) = − 8 𝑥(𝑥 + 1)(𝑥 − 2) + 3 𝑥 (𝑥 2 − 4) − 4 (𝑥 + 1)(𝑥 2 − 4)
𝛲3 (𝑥 ) = 0.0417 𝑥 3 + 0.1250𝑥 2 − 0.9167 𝑥 + 1.0000
1
2) La valeur approchée de 𝑓 (𝑥 )est donnée par 𝑓 (1) ⋍ Ρ3 (1) = 4

Remarque 1:

1. Si l’une des valeurs 𝑦𝑖 est nulle, on a pas besoin de calculer le 𝐿𝑖 correspondant à cette valeur (
car le produit :𝑦𝑖 𝐿𝑖 (x) sera nul pour tout 𝑥 ∈ 𝑅).

2.La formule de Lagrange est intéressante du point de vue numérique, car elle ne dépend que des
abscisses 𝑥𝑖 , i = 0, 1, . . . , n.

3. L'erreur d'approximation ne peut pas diminuer si on augmente le nombre de points d'interpolation

4. dans la méthode de Lagrange, si on ajoute un nouveau point d’interpolation, on dit refaire tous
les calculs de 𝐿𝑖 (𝑥 ), la méthode suivante permet-elle de compléter les valeurs déjà obtenues sans
refaire tous les calcule.

2-2 Méthode de newton avec les différences divisées (D.D)

On considère l’expression suivante :

Ρ𝑛 (𝑥 ) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯ + 𝑎𝑛 (𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑛−1 )

Pour le déterminer 𝑎0 on utilise le fait que : 𝑓 (𝑥0 ) = Ρ𝑛 (𝑥0 )

On obtient𝑎0 = 𝑓(𝑥0 )
𝑓(𝑥1 )−𝑓(𝑥0 )
Pour 𝑎1 : 𝑓 (𝑥1 ) = Ρ𝑛 (𝑥1 ) = 𝑎0 + 𝑎1 (𝑥1 − 𝑥0 ) ⟹ 𝑎1 = 𝑥1 −𝑥0

On procède de même manière jusqu’à l’obtention de𝑎𝑛

Définition :Soit 𝑓 une fonction définie sur [a, b] et 𝑥0 , 𝑥1 , … , 𝑥𝑛 (n+1) points distincts de [a, b].

En définit les différences divisées de 𝑓 d’ordre successifs 0, 1, …, n par :

𝑶𝒓𝒅𝒓𝒆 𝟎 : 𝛿 [𝑥𝑖 ]𝑓 = 𝑓 (𝑥𝑖 )

𝑓(𝑥𝑗 ) − 𝑓(𝑥𝑖 )
𝒐𝒓𝒅𝒓𝒆 𝟏: 𝛿[𝑥𝑖 , 𝑥𝑗 ]𝑓 = , 𝑖≠𝑗
(𝑰) 𝑥𝑗 − 𝑥𝑖
𝛿(𝑥𝑖+1 … , , 𝑥𝑖+𝑘 )𝑓 − 𝛿(𝑥𝑖 , … , 𝑥𝑖+𝑘−1 )𝑓
𝑶𝒓𝒅𝒓𝒆 : 𝑲 > 1 𝛿 [𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑘−1 , 𝑥𝑖+𝑘 ]𝑓 =
{ 𝑥𝑖+𝑘 − 𝑥𝑖

Application 𝑎0 = 𝑓(𝑥0 ) = 𝛿 [𝑥0 ]𝑓

𝑓(𝑥1 )−𝑓(𝑥0 )
𝑎1 = = 𝛿[𝑥0 , 𝑥1 ]𝑓
𝑥1 −𝑥0

62
 𝛿 [𝑥1 ,𝑥2 ]𝑓−𝛿 [𝑥0 ,𝑥1 ]𝑓
𝑎2 = = 𝛿[𝑥0 , 𝑥1 , 𝑥2 ]𝑓
𝑥2 −𝑥0

𝑎𝑛 = 𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓

Lemme 1 : Si Ρ𝑛 (𝑥 )est un polynôme de degré n, sa différence divisée d’ordre (n + 1) est

identiquement nulle, c’est à dire 𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] = 0 pour tout système de (n + 1) nombres
distincts 𝑥0 , 𝑥1 , … , 𝑥𝑛 .

Preuve : Soit Ρ𝑛 un polynôme de degré n et 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] sa différence divisée, on a

𝑓(𝑥𝑗 )−𝑓(𝑥𝑖 )
𝛿 [𝑥0 , 𝑥 ]𝑓 = est un polynôme de degré n -1
𝑥−𝑥0

𝛿 [𝑥1 ,𝑥]𝑓−𝛿 [𝑥0 ,𝑥1 ]𝑓

𝛿 [𝑥0 , 𝑥1 , 𝑥 ]𝑓 = est un polynôme de degré n -2
𝑥−𝑥0

Par récurrence, on aura

𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛−1 , 𝑥 ] = constante, est un polynôme de degré 0

Ainsi 𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] = 0

2-2-1 Schéma pour calculer les déférences devisées : Pour calculer la déférence divisée d'ordre n
de la fonction f aux points 𝑥0 , . . . , 𝑥𝑛 on forme le tableau suivant, en appliquant les formules (I)
colonne après colonne.

𝑥𝑖 𝛿(𝑥𝑖 )𝑓 1erDD 2èmeDD 3èmeDD

𝑥0 𝑓 (𝑥0 )

𝛿 [𝑥0 , 𝑥1 ]𝑓

𝑥1 𝑓 (𝑥1 ) 𝛿 [𝑥0 , 𝑥1 , 𝑥2 ]

𝛿 [𝑥1 , 𝑥2 ]𝑓
𝛿[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]
𝑥2 𝑓 (𝑥2 ) 𝛿 [𝑥1 , 𝑥2 , 𝑥3 ]

𝛿 [𝑥2 , 𝑥3 ]𝑓
𝑥3 𝑓 (𝑥3 )

⋮ ⋮

𝑥𝑛 𝑓 (𝑥𝑛 )

63
Théorème 2 : Etant donnée f une fonction réelle à variable réelle et 𝑥0 , . . . , 𝑥𝑛 des points distincts
du domaine de définition de f. Le polynôme d’interpolation Ρ𝑛 (𝑥 ) de degré inférieur ou égal à n
passant par les points (𝑥𝑖 ; 𝑓(𝑥𝑖 ))𝑖=0,…,𝑛 peut s’écrire selon la formule d’interpolation de Newton
comme suit :

Ρ𝑛 (𝑥 ) = 𝛿[𝑥0 ]𝑓 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑓 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝛿[𝑥0 , 𝑥1 , 𝑥2 ]𝑓 + ⋯ + (𝑥 − 𝑥0 )(𝑥 −

𝑥1 ) … + (𝑥 − 𝑥𝑛−1 ) 𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓.= 𝑓(𝑥0 ) + ∑𝑛𝑖=1 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓 ∏𝑖−1
𝑗=0(𝑥 − 𝑥𝑗 ).

Ou sous la forme récursive

Ρ𝑛 (𝑥 ) = 𝛲𝑛−1 (𝑥 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … + (𝑥 − 𝑥𝑛−1 ) 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓.

Preuve. Ce théorème se démontre par récurrence. On l’a montrer pour n = 1 et n = 2: On suppose

que le résultat est vrai pour les polynômes de degré (n-1) et on montre qu’il est également vrai pour
les polynômes de degré n.

Exemple 1 : soit 𝑓 une fonction définie par

𝑥𝑖 -2 -1 0 2 1) déterminer le polynôme d’interpolation de 𝑓

sous forme de newton.
𝑓 (𝑥𝑖 ) 3 2 1 0

Solution :

On a 4 points, le polynôme d’interpolation et de degré ≤ 3 on écrit donc Ρ3 sous forme de newton

Ρ3 (𝑥 ) = 𝛿 [𝑥0 ]𝑓 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑓 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝛿 [𝑥0 , 𝑥1 , 𝑥2 ]𝑓 +

+(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )𝛿 [𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]𝑓

On calcule les déférences devisées

𝑥𝑖 𝛿 (𝑥𝑖 )𝑓 1DD Ordre 2 Ordre 3

𝑥0 = −2 𝟑
2−3
𝛿 [𝑥0 , 𝑥1 ]𝑓 = −1+2 = −𝟏
𝑥1 =-1 −1+1
2 𝛿 [𝑥0 , 𝑥1 , 𝑥2 ] = =𝟎
0+2

1−2 1 𝛿[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]
𝛿 [𝑥1 , 𝑥2 ]𝑓 = 0+1 = −1 −2+1 1
𝛿 [𝑥1 , 𝑥2 , 𝑥3 ] = −0 𝟏
2+1 6
𝑥2 = 0 1 = =
1 2+2 𝟐𝟒
=
6

64
 0−1
𝛿[𝑥2 , 𝑥3 ]𝑓 =
𝑥3 = 2 0 2−0
1
=−
2

On remplace dans Ρ3 (𝑥 ) on obtient

1
Ρ3 (𝑥 ) = −2 + (𝑥 + 2)(−1) + (𝑥 + 2)(𝑥 + 1)(0) + (𝑥 + 2)(𝑥 + 1)(𝑥 − 0) ( )
24

Remarque :1-soient veut calculer la polynôme de f passant par 𝑥0 , 𝑥1 et 𝑥2 uniquement, il suffit

d’arrêter le tableau au nombre de points demandes et on obtient

Ρ2 (𝑥 ) = −2 + (𝑥 + 2)(−1) + (𝑥 + 2)(𝑥 + 1)(0)

2-la méthode de newton est la plus utilisée dans la pratique

3-si on veut d’ajouter p points supplémentaire il suffit de l’écrire à la suite du tableau et compléter
différences déviées de f

4-La différence divisée d’ordre (n+1) d’un polynôme d’ordre n, est nulle.

2-3- Méthode de newton avec les différences finies

On considère ici le cas aux les points 𝑥𝑖 sont donnée en progression arithmétiques c.-à-d.

𝑥0 ,𝑥1 = 𝑥0 + h ,𝑥2 = 𝑥1 + h,…,𝑥𝑘+1 = 𝑥𝑘 + h ou bien

𝑥0 ,𝑥1 = 𝑥0 + h ,𝑥2 = 𝑥0 + 2h,…,𝑥𝑛 = 𝑥0 + 𝑛h

h h h …h

𝑥0 𝑥1 𝑥2 … 𝑥𝑛

Exemple 1,2,3,4

Définition : Soient 𝑓 (𝑥𝑖 ) = 𝑔(𝑥𝑖 ) , des nombres réels. On appelle différence finied’ordre 1
l’expression

∆𝑦𝑖 = 𝑦𝑖+1 − 𝑦𝑖 = ∆𝑓(𝑥𝑖 ) = 𝑓 (𝑥𝑖+1 ) − 𝑓 (𝑥𝑖 )

À l’ordre 2 : ∆2 𝑦𝑖 = ∆𝑦𝑖+1 − ∆𝑦𝑖

En générale ∆𝑘 𝑦𝑖 = ∆𝑘−1 𝑦𝑖+1 − ∆𝑘−1 𝑦𝑖 , 𝑝𝑜𝑢𝑟 𝑘 > 2

𝑝𝑜𝑢𝑟 𝑘 = 0 : ∆0 𝑦𝑖 = 𝑓 (𝑥𝑖 )

2-3-1 Relation entre les différences finies et les différences divisées

65
Théorème : soit f une fonction dont on connait les valeurs 𝑓 (𝑥𝑖 ) aux points 𝑥𝑖 𝑖 =0, 1, …, n avec
𝑥𝑖 = 𝑥𝑖−1 + ℎ ; 𝑖 = 0,1 … , 𝑛, ℎ > 0

∆𝑘 𝑓(𝑥𝑖 )
Alors 𝛿 [𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑘 ] = 0≤i≤ i+k≤n
hk k!

Où 𝛿 [𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑘 ] est la différence divisée d’ordre k aux points 𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑘 et ∆𝑘 𝑓 (𝑥𝑖 ) est
la différence finie d’ordre k aux points 𝑓 (𝑥𝑖 )

Preuve :

Pour simplifier, on prendra i=0 et donc on a à montrer que :

∆𝑘 𝑓(𝑥𝑖 )
𝛿 [𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑘 ] = 0≤k≤n
hkk!
Cette relation est vraie pour k=1 car

𝑓(𝑥1 ) − 𝑓 (𝑥0 ) 1
𝛿 [𝑥0 , 𝑥1 ]𝑓 = = (𝑓(𝑥1 ) − 𝑓 (𝑥0 ))
𝑥1 − 𝑥0 h
1 ∆𝑓(𝑥0 ) 1
= h (𝑓(𝑥0 + ℎ) − 𝑓 (𝑥0 )) = = h ∆𝑦0
h

Supposons- la vérifiée pour les différences divisées d’ordre k, et montrons qu’elle l’est alors pour
les différences divisées d’ordre k+1,on a
𝛿(𝑥1 …,,𝑥𝑘+1 )𝑓−𝛿(𝑥0 ,…,𝑥𝑘 )𝑓
𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑘+1 ]𝑓 =
𝑥𝑘+1 −𝑥0

1 ∆(𝑘)𝑓 (𝑥1 ) ∆(𝑘) 𝑓(𝑥0 )

= ( − )
(k + 1)h ℎ𝑘 𝑘! ℎ𝑘 𝑘!

1 ∆(𝑘)𝑓 (𝑥1 ) − ∆(𝑘) 𝑓(𝑥0 )

= ( )
(k + 1)h ℎ𝑘 𝑘!
1
= (k+1)!ℎ𝑘+1 ∆(𝑘+1) 𝑓 (𝑥0 ) d’ou le théorème.

Par récurrence on obtient

𝑎0 = ∆0 𝑓(𝑥0 ) = 𝛿[𝑥𝑖 ]𝑓 = 𝑓 (𝑥𝑖 )

1 1 1
𝑎1 = ∆𝑓(𝑥0 ) = ∆𝑦0 = 𝛿 [𝑥0 , 𝑥1 ]𝑓
1! h 1! h h
⋮

66
 1
𝑎𝑛 = ∆𝑛 𝑦0 = 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓
n! hn
D’où le polynôme d’interpolation sous forme de newton et en utilisant la différence finie
𝑛−1
∆𝑦0 ∆2 𝑦0 ∆𝑛 𝑦0
Ρ𝑛 (𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯ + ∏(𝑥 − 𝑥𝑖 )
1! h 2! h2 n! hn
𝑖=1

3-3-2 Schéma pour calculer les différences finies :

𝑥𝑖 𝛿(𝑥𝑖 )𝑓 Ordre 1 Ordre 2 Ordre 3

𝑥0 𝑦0

𝑦1 ∆𝑦0
𝑥1 ∆2 𝑦0

∆𝑦1 ∆3 𝑦0
𝑥2 𝑦2 2
∆ 𝑦1

∆𝑦2
𝑥3 𝑦3

⋮ ⋮ ⋮ ⋮ ⋮

𝑥𝑛 𝑦𝑛

3- Estimation d’erreurs : Dans la pratique, l'interpolation polynomiale sert à remplacer une

fonction f qui est soit inconnue, soit trop compliquée, par une fonction plus simple, en l'occurrence
un polynôme. On dit que l'on approxime f par le polynôme d'interpolation Pn.

Comme c'est le cas dans de nombreuses méthodes d'analyse numérique, il est fondamental d'étudier

L’erreur d'approximation.

Donc le problème est d’étudier la différence𝐸 (𝑥) = |𝑓(𝑥 ) − Ρ𝑛 (𝑥 )|.

Remarque : 1. Il est bien claire que si 𝑥 = 𝑥𝑖 (𝑜ù 𝑖 = ̅̅̅̅̅̅

0; 𝑛); alors 𝐸 (𝑥) = 0.

2. Comme f n’est pas toujours connue, on introduit la notion de la borne supérieure de l’erreur
commise, qu’on note " et on écrit :

𝐸 (𝑥) = |𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ 𝜀.

67
Par suite, on aura

𝛲𝑛 (𝑥 ) − 𝜀 ≤ 𝑓 (𝑥 ) ≤ Ρ𝑛 (𝑥 ) + 𝜀.

Ou encore : 𝑓 (𝑥 ) ≃ Ρ𝑛 (𝑥 ) ± 𝜀

Théorème 2:soit [a , b]un intervalle contenant les points 𝑥0 , 𝑥1 , … , 𝑥𝑛 .On suppose que f une
fonction (n+1) fois dérivables sur [a , b].

Alors pur tout 𝑥𝜖[a , b]il existe 𝜉𝜖 [a , b] tel que

n
f (n+1) (ξ)
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏(x − xi )| … . . (1)
(n + 1)!
i=0

Ou
𝑛

|∏(𝑥 − 𝑥𝑖 )| = |(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛 )|

𝑖=0

Corollaire : sous Les hypothèses du théorème 2 on a :

Μ
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏ni=0(x − xi )| … (3) oùΜ = sup |f (n+1)(x)|avec 𝑎 = 𝑚𝑖𝑛{𝑥𝑖 } ; b =
(n+1)! [a ,b]
max{𝑥𝑖 }

Remarque : si Ρ𝑛 (𝑥 ) est le polynôme d’interpolation de Newton associé à f aux points 𝑥0 , 𝑥1 ,

… , 𝑥𝑛 on a :

Ρ𝑛 (𝑥 ) = 𝛿 [𝑥0 ]𝑓 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑓 + ⋯ + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓

D’autre part il est aisé de vérifie que :

𝑓(𝑥 ) = 𝛿 [𝑥0 ]𝑓 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑓 + ⋯ + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓

+ (𝑥 − 𝑥0 ) … + (𝑥 − 𝑥𝑛−1 )(𝑥 − 𝑥𝑛 ) 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ]𝑓

D’où 𝑓 (𝑥 ) − Ρ𝑛 (𝑥 ) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )(𝑥 − 𝑥𝑛 ) 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ]𝑓

𝑓(𝑛+1) (𝜉)
Or d’après la formule (1) on a 𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] = (𝑛+1)!
; . 𝜉𝜖 [a , b]

Théorème 1:soit [a , b]un intervalle contenant les points 𝑥0 , 𝑥1 , … , 𝑥𝑛 et f une fonction n fois
dérivables sur [a , b].Alors il existe 𝜉𝜖 [a , b] tel que

𝑓 𝑛 (𝜉 )
𝛿 [𝑥0 , 𝑥1 , … , 𝑥𝑛 ]𝑓 = … . . (2)
𝑛!
Et donc on retrouve la formule 1) dans le cas de la forme d’interpolation de newton.

Remarque : 1. L’erreur d’interpolation (commise ou théorique) se donne par les mêmes relations,
quel que soit la méthode utilisée (de Lagrange, de Newton ou d’autres).
68
2. D’après la définition du l’erreur théorique (1); rien n’assure que l’erreur tend vers ’0’ lorsque
𝑛 → +∞

Exemple : soit 𝑓 une fonction donnée par la table

𝑥𝑖 0 1 2 3 1) déterminer le polynôme d’interpolation de 𝑓

sous forme de newton en utilisant les différences finies.
𝑓 (𝑥𝑖 ) 30 24 12 0 3
2) calculer la valeur approchée 𝑓 (2)

3) estimes le résultat si M=0.1

Solution 1

𝑥𝑖 𝛿 (𝑥𝑖 )𝑓 Ordre 1 Ordre 2 Ordre 3

𝑥0 = 0 𝑦0 = 30

∆𝑦0 = 24 − 30 = −6
𝑥1 = 1 𝑦1 = 24 ∆2 𝑦0 = −12 + 6 = −6

∆𝑦1 = 12 − 24 = −12
∆3 𝑦0 = 0 + 6 = 6
𝑥2 = 2 𝑦2 = 12 ∆2 𝑦1 = −12 + 12 = 0

∆𝑦2 = 0 − 12 = −12
𝑥3 = 3 𝑦3 = 0

Le polynôme s’écrit donc

∆𝑦0 ∆2 𝑦0 ∆3 𝑦0
Ρ3 (𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ( 𝑥 − 𝑥0 )( 𝑥 − 𝑥1 )( 𝑥 − 𝑥2 )
1! h 2! h2 3! h3
−6 −6 6
ℎ = 1 : Ρ3 (𝑥 ) = 30 + (𝑥 − 0) + (𝑥 − 0)(𝑥 − 1) + (𝑥 − 0)(𝑥 − 1)(𝑥 − 2) 3!
1! 2!

= 30 + 6𝑥 − 3𝑥 (𝑥 − 1) + 𝑥(𝑥 − 1)(𝑥 − 2)

= 𝑥 3 − 6𝑥 2 − 𝑥 + 30
3 3
2) 𝑓 (2) ≃ Ρ3 (2) = 18.375

3) Estimation
n
Μ Μ
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏(x − xi )| = |(x − x0 )(x − x1 )(x − x2 )(x − x3 )|
(n + 1)! (n + 1)!
i=0

0.1 3 3 3 3
= |( − 0) ( − 1) ( − 2) ( − 3)| = 0.0074
4! 2 2 2 2

69
 3 3 m − n + 1 = −1
Donc |𝑓 (2) − Ρ𝑛 (2)| ≤ 0.0074 ≤ 0.05 = 0.510−1 { ⟹n=3
m=1

3
𝑓 ( ) = nombre arrondi ± 2∆x = 18.4 ± 0.01
2

Conclusion

En fait, les méthodes d'interpolation polynomiale présentées dans ce cours (Lagrange, Newton) sont
assez peu utilisées dans la pratique. D'abord, il est difficile d'interpoler avec des polynômes de
degré très élevé : on voit alors apparaître un phénomène d'effets de bord dit phénomène de Runge.

Néanmoins, ces méthodes d'interpolation ont un intérêt pour construire des formules de quadrature
pour l'intégration numérique et des schémas pour résoudre des équations différentielles.

L'interpolation en utilisant des polynômes de degré élevé introduit aussi une grande sensibilité aux
erreurs.

4 Interpolation optimale "Au Points de Tchebychev"

4.1 L’interpolation de Tchebychev dans l’interval [-1,1] " Polynôme de Tchebychev "

Soit 𝑛 𝜖 𝑁: On définit le polynôme de Tchebychev d’ordre n; qu’on note par 𝑇𝑛 ; comme suit

𝑇𝑛 ∶ [−1; 1] → [−1; 1]

𝑥 ↦ 𝑇𝑛 (𝑥) = 𝑐𝑜𝑠(𝑛 𝑎𝑟𝑐𝑐𝑜𝑠(𝑥))

* Si on pose 𝑥 = 𝑐𝑜𝑠(𝜃 ); 𝑜ù𝜃 ∈ [0; 2𝜋] ; on aura pour tout 𝑛 ∈ 𝑁

𝑇𝑛 (𝑥) = 𝑇𝑛 (𝑐𝑜𝑠 𝜃) = 𝑐𝑜𝑠(𝑛𝜃)

* En développant la fonction 𝑐𝑜𝑠(𝑛𝜃); on obtiendra aussi pour tout 𝑛 ∈ 𝑁 𝑒𝑡 𝑥 ∈ [−1; 1]

𝑇𝑛 (𝑥 ) = 2𝑛−1 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + 𝑎𝑛−2 𝑥 𝑛−2 + ⋯ + 𝑎1 𝑥 + 𝑎0 .

Proposition 4.1 Les polynôme de Tchebychev (𝑡𝑛 )𝑛 ont les propriétés suivantes :

1. ∀𝑛 ∈ 𝑁 ∗ ; ∀𝑥 ∈ [−1; 1],

𝑇𝑛+1 (𝑥 ) = 2𝑥𝑇𝑛 (𝑥 ) − 𝑇𝑛−1 (𝑥 )

2. Les racines de chaque polynôme 𝑇𝑛 (ou bien les points deTcheby ) sont :

2𝑖 + 1
𝑥̂𝑖 (𝑥 ) = 𝑐𝑜𝑠 ( 𝜋) ; 𝑖 = ̅̅̅̅̅̅̅̅̅̅
0, 𝑛 − 1
2𝑛

Par suite, ∀𝑥 ∈ [−1; 1],

𝑇𝑛 (𝑥 ) = 2𝑛−1 (𝑥 − 𝑥̂0 )(𝑥 − 𝑥̂1 ) × … × (𝑥 − 𝑥̂𝑛−1 )

3. Les extremums de chaque polynôme 𝑇𝑛 notés par (𝑧𝑖 )𝑖=0,𝑛

̅̅̅̅̅ sont :

70
 𝑖𝜋
𝑧𝑖 (𝑥 ) = 𝑐𝑜𝑠 ( ) ; 𝑖 = ̅̅̅̅̅
0, 𝑛
𝑛

Avec 𝑇𝑛 (𝑧𝑖 ) = ∓1

Preuve : Exercice (Indication pour 1 : Utiliser la relation :

𝒄𝒐𝒔((𝒏 + 𝟏)𝜽) + 𝒄𝒐𝒔((𝒏 − 𝟏)𝜽) = 𝟐 𝒄𝒐𝒔 𝜽: 𝒄𝒐𝒔 𝒏𝜽)

Théorème. Pour tout 𝑛 ∈ 𝑁 ∗ ; les points (𝑥̂𝑖 )𝑖=0,𝑛−1

̅̅̅̅̅̅̅̅ racines de 𝑇𝑛 sont les meilleures points
d’interpolation polynomial, dans l’intervalle [-1; 1] ; Autrement dit,

max |𝑥 − 𝑥̂𝑖 | ≤ 𝑚𝑎𝑥 |𝑥 − 𝑥𝑖 | ;

−1≤𝑥≤1 −1≤𝑥≤1

̅̅̅̅̅̅̅̅ sont des points d’interpolation quelconques de [-1; 1] :

Où (𝑥̂𝑖 )𝑖=0,𝑛−1

4.2 L’interpolation de Tcheby dans un interval quelconque de IR

Remarque. Les n points d’interpolation de Tchebychev, dans un interval quelconque [a; b] de R;

sont données par la relation suivante :

𝑏+𝑎 𝑏−𝑎 2𝑖 + 1
𝑥̂𝑖 = + 𝑐𝑜𝑠 ( 𝜋) ; 𝑖 = ̅̅̅̅̅̅̅̅̅̅
0, 𝑛 − 1
2 2 2𝑛

2. Soit 𝐸𝑡 (𝑥) l’erreur théorique en interpolant une fonction f en un point x; aux "n" points de

Tchebychev. Alors, on a :

𝑀
𝐸𝑡 (𝑥 ) = |𝑓(𝑥 ) − 𝑃𝑥 (𝑥)| ≤
(𝑛 + 1)! 2𝑛−1

où 𝑀 = 𝑠𝑢𝑝𝑥̂0 ≤𝑥≤𝑥̂𝑛 |𝑓 (𝑛+1) (𝑥)|

71
 Série d’exercice N03
Exercice 1 : a- Le polynôme P interpole la fonction f suivante aux points d’abscisses 1, 2, 4.
4 1 7
𝑓 (𝑥) = ; 𝑝 (𝑥 ) = 𝑥2 − 2 𝑥 + 7
𝑥 2

1. Vérifier que P interpole bien f aux points d’abscisses 1, 2, 4.

2. Calculer l’erreur : 𝐸(𝑥) = 𝑓(𝑥) − 𝑃(𝑥)

3. Quand cette erreur prend-elle sa valeur maximale pour x dans [1, 4] ?

b- calculer le polynôme d’interpolation de la fonction F

𝜋
𝐹 (𝑥 ) = 3 + |𝑥 | + 2𝑡𝑎𝑛 ( 4 𝑥) aux points −1 ; 0 ; 1.

Exercice2:

Trouver le polynôme de l’espace vectoriel Vec{1 + 𝑥 2 , 𝑥 4 } qui interpole les points (0, 1) et (1, 3)

Exercice 3 :

1.Construire le polynôme de Lagrange P qui interpole les points (−1, 2), (0, 1), (1, 2) et (2, 3).

2. Soit Q le polynôme de Lagrange qui interpole les points (−1, 2), (0, 1), (1, 2). Montrer qu’il
existe un réel λ tel que : 𝑄(𝑥) − 𝑃(𝑥) = 𝜆(𝑥 + 1)𝑥(𝑥 − 1)

Exercice 4 (sup)

1- Construire le polynôme de Lagrange P qui interpole les trois points (−1,e), (0, 1) et (1,e).

2- Sans faire de calculs, donner l’expression du polynôme de Lagrange Q qui interpole les trois
points (−1,−1), (0, 0) et (1,−1).
3- Trouver le polynôme de l’espace vectoriel Vec{1, 𝑥, 𝑥 2 } qui interpole les trois points
(−1,−1), (0, 0) et (1,−1).

Exercice 5 (sup)

1.Construire le polynôme de Lagrange P qui interpole les trois points (−1,α), (0,β) et (1,α) où α et β
sont des réels.

2. Si α = β, donner le degré de P.

3. Montrer que P est pair. Peut-on avoir P de degré 1 ?

Exercice6 :

1. Construire le polynôme d’interpolation de Lagrange de la fonction 𝑓 (𝑥 ) = 𝑠𝑖𝑛(𝜋𝑥 ) aux

1 1
points 𝑥0 = 0 ; 𝑥1 = ; 𝑥2 = .
6 2

72
 1 1
2. Calculer la valeur approchée de 𝑓 (5) et donner une estimation de l’erreur au point 𝑥 = 5
1
dans [0 , 2]

Exercice 7(sup) :

On considère la fonction f définie par 𝑓(𝑥) = 𝑠𝑖𝑛(𝜋𝑥), 𝑥 𝜖 [−1, 1].

1 1
1. Déterminer le polynôme d'interpolation de f, noté P2 (𝑥 ), aux points −1, − 2 , 2 .par la méthode de
Newton.
1
2. Déterminer le polynôme d'interpolation de f, noté Q 2 (𝑥 ), aux points −1, 2 , 1.par la méthode de
Lagrange
1
3. Soit le polynôme P(x) = [(x + 1)Q 2 (𝑥 ) − (x − 1)P2 (𝑥 )] .
2

1 1
a) Montrer que P est le polynôme d'interpolation de f aux points −1, − 2 , 2 , 1.

1 1
b) Peut-on affirmer que P est le polynôme d'interpolation de f aux points −1, − 2 ,0, 2 , 1?

Exercice 8 :

Soit 𝑓 (𝑥) une fonction qui passe par les points 𝑞1 = (0 , 3), 𝑞2 = (2 , −1) 𝑒𝑡 𝑞3 = (5 , 8).

(a) À l’aide de la formule de Newton, trouver le polynôme d’interpolation de degré 2 qui passe par
les points 𝑞1 , 𝑞2 et 𝑞3 et proposer une approximation de f (3).

(b) Sachant que f (6) = 7, donner une approximation de l’erreur commise en (a).

(c) On sait aussi que 𝑓́ (0) = 6. Calculer le polynôme d’interpolation de degré minimal passant
par les points q1, q2 et q3, dont la dérivée en x = 0 est égale à 6.

Exercice9.
16𝑥 1 3
On considère la fonction 𝑓(𝑥) = 2
et on se donne les points𝑥0 = 0 ;𝑥1 = 2
;𝑥2 = 1 ; 𝑥2 = 2

1. Déterminer le polynôme d'interpolation de f sous forme de Newton aux points 𝑥𝑖 i= 0, 1, 2, 3, en

utilisant les déférences finies.
1
3 3 163
2. En déduire une valeur approchée de √2. (Indication √2 = )
2

4
Exercice 10 (sup) : Calculer le polynôme p de LAGRANGE qui interpole la fonction 𝑓 (𝑥) = 𝑥
aux points d’abscisse 𝑥0 = 1 ;𝑥1 = 2 et 𝑥2 = 4

1. Esquisser les graphes de f et de p pour 𝑥 ∈ [1,4].

2. Vérifier que l’erreur 𝜀(𝑥) = 𝑓 (𝑥) − 𝑝(𝑥) prend sa valeur maximale en un unique point 𝛼 dans
l’intervalle [2,4]. Calculer ensuite 𝛼 à 10−1 près (on pourra utiliser la méthode de dichotomie).

73
3. Comparer la fonction " avec l’estimation théorique de l’erreur.

Exercice 11 :

Soit 𝑥0 , 𝑥1 , … , 𝑥𝑛 (n+1) points distincts

1-montrer que les polynômes sont linéairement Independent

2- montrer que ∑𝑛𝑖=𝑜 𝑙𝑖 (𝑥) = 1

3- Soient f(x) = cos(x) et 𝑔(𝑥) = 𝑒 3𝑥 d´efinies sur [0, 1]. Estimer le nombre minimum de points
pour que l’erreur entre la fonction et son polynôme d’interpolation de Lagrange soit inferieure à 0.1,
0.01et 0.001

Exercice 12 : (sup)

Une voiture roulant à 60km/h accélère au temps t= 0s et sa vitesse v (en km=h) est mesurée
régulièrement:

N.B.: Attention aux unités utilisées pour chacune des variables de ce problème.

(a) En utilisant le meilleur polynôme de degré 2 possible, obtenir une approximation de la vitesse
(en km=h) en t . 1 ,2s.

𝑡𝑖 [𝑠]. 0,0 0,7 1,4 2,1 2,8

𝑣𝑖 [𝑘𝑚/ℎ] 60,0 72,4 81,5 87,2 95,9

(b) Obtenir l’expression analytique de l’erreur commise en (a).

(c) Obtenir une approximation de cette erreur.

Exercice 13 (sup) : Soit n un entier naturel.

1. Calculer l’erreur commise en interpolant la fonction (𝑡) = 𝑡 𝑛 , d´efinie sur l’intervalle [0,1], en
les points 𝑡𝑖 = 𝑖/𝑛, 𝑖 = 0,1, . . . , 𝑛, `a l’aide du polynôme d’interpolation de Lagrange de degré n.
Expliquer le résultat. 2. Même question pour la fonction 𝑔(𝑡) = 𝑡 𝑛+1

Exercice 14(sup) :

On considère la table de différences divisées suivante:

𝑥𝑖 𝑓 (𝑥𝑖 ) 𝑓 [𝑥𝑖 , 𝑥𝑖+1 ] 𝑓 [𝑥𝑖 , … , 𝑥𝑖+2 ] 𝑓 [𝑥𝑖 , … , 𝑥𝑖+3 ]

1,9 0,94 630

-0,127 975

1.5 0,99 749 ………………

-0,314 725 …………

74
 2.3 0,74 571 ………………

-0,795 824

2.7 0,42 738

(a) Compléter la table.

(b) En se servant de la table des différences divisées, calculer une approximation de f (1, 8) en
utilisant le polynôme de Newton passant par les 3 premiers points.

(c) Donner une estimation de l’erreur d’interpolation en x = 1, 8 et en déduire le nombre de chiffres

significatifs de l’approximation obtenue en (b).

(d) Sachant que 𝑓 (𝑥) = 𝑠𝑖𝑛 (𝑥), calculer une borne supérieure de la valeur absolue de l’erreur
d’interpolation en x = 1, 8.

(e) Quel polynôme est le plus précis, celui trouvé en (b), ou le polynôme de Lagrange passant par f
(x) en x = 1,5; 1,9 et 2,3? Justifier votre réponse.

Exercice 15 :

Le temps t requis pour qu’une voiture accélère jusqu’a une vitesse 𝑣 à partir d’une vitesse initiale de
8m/s est donné dans le tableau suivant: (a) évaluer le temps requis pour que la voiture atteigne
18m/s. On utilisera un polynôme de newton de degré 2 en s’assurant de la plus grande précision
possible.

v[m/s] 8 11 15 20

t[s] 0,0 1,6 3,2 4,8

(b) Donner une estimation de l’erreur commise en (a)

Exercice 16(sup)

Soit la fonction f donnée par :

𝑥𝑖 -3 -2 -1 0 1 2 3

𝑓 (𝑥𝑖 ) 1 0 -1 2 1 -2 0
1. a) Déterminer le polynôme
d'interpolation de Lagrange P de f aux points −1, 0, 1.

√ 3
b) Montrer que ∀ 𝑥 ∈ [−1, 1], |𝐸 (𝑥 )| ≤ 27 Μ

où E(x) est l'erreur d'interpolation et Μ = sup |f (3) (x)|

[−1 ,1]

1
c) Calculer 𝑓( 3) en arrondissant au dernier c.s.e, sachant que 𝑀 ≤ 10−1 .

75
2. Déterminer le polynôme d'interpolation de Newton Q de degré 3, qui permet de calculer une
1
bonne valeur approchée de 𝑓( 3) .

Correction de la 3iéme série d’exercice

Exercice 1 :

:a- Le polynôme P interpole la fonction f suivante aux points d’abscisses 1, 2, 4.

4 1 7
𝑓 (𝑥) = ; 𝑝 (𝑥 ) = 𝑥2 − 2 𝑥 + 7
𝑥 2

1. Vérifier que P interpole bien f aux points d’abscisses 1, 2, 4.

que 𝚸est le polynôme d’interpolation de 𝒇aux points 𝑥0 , 𝑥1 , … , 𝑥𝑛 si

𝑑 0 Ρ ≤ 𝑛 = 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑝𝑜𝑖𝑛𝑡𝑠 (𝑑𝑒𝑔𝑟é 𝑑𝑒 Ρ ≤ 𝑛)

{
P(𝑥𝑖 ) = 𝑓 (𝑥𝑖 ) , ∀ 𝑖

On a 3points donc ∃ un polynôme de degré≤ 2

𝑑0Ρ = 2 ≤ 2

𝑥𝑖 1 2 4

𝑓 (𝑥𝑖 ) 4 2 1

P(𝑥𝑖 ) 4 2 1

Les deux conditions sont vérifiées donc le polynôme p interpole bien f aux points d’abscisses 1, 2, 4

2. Calculer l’erreur : 𝐸(𝑥) = 𝑓(𝑥) − 𝑃(𝑥)

L’erreur vaut
4 1 7 1 1
𝐸 (𝑥 ) = 𝑥 − 2
𝑥 2 − 2 𝑥 + 7 = 2𝑥 (8 − 𝑥 3 + 7𝑥 2 − 14𝑥 ) = 2𝑥 (1 − 𝑥 )(2 − 𝑥 )(4 − 𝑥 )

76
 3. Pour savoir où l’erreur prend sa valeur maximale sur [1 ; 4], on calcule sa dérivée. On a

4 7
𝐸 ′ (𝑥 ) = − 2
−𝑥+
𝑥 2
Il nous faut déterminer le signe de 𝐸′ pour connaitre les variations de 𝐸.Cependant ,ceci n’est pas
accessible directement. On va calculer la dérivée seconde 𝐸′ ′

8
𝐸′′ (𝑥 ) = −1
𝑥3
Et on a le tableau des variation suivant pour 𝐸′

Et d’après le théorème des valeurs intermédiaires ,il existe 𝑥1 ∈ ]1 ; 2[𝑒𝑡 𝑥2 ∈ ]2 ; 4[ tel que

𝐸 (𝑥1 ) = 𝐸 (𝑥2 ) = 0

Numériquement, on trouve que 𝑥1 ≈ 1.37 𝑒𝑡 𝑥2 ≈ 3.07.On a maintenant le tableau des variation

pour 𝐸

L’erreur prend sa valeur maximale en 𝑥2 , elle vaut environ 0.3354

Exercice 2 :

77
Il s’agit de trouver un polynôme p(x) qui soit combinaison linéaire des deux polynômes assignés
(i.e. 𝑝(𝑥 ) = 𝛼 (1 + 𝑥 2 ) + 𝛽𝑥 4 et qui interpole les deux points (0,1) et
(1,3) :

𝑝(0) = 1 𝛼 (1 + 0) + 𝛽(04 ) = 1,
{ ⇔{
𝑝(1) = 3 𝛼 (1 + 1) + 𝛽(14 ) = 3

D’où 𝛼 = 1 𝑒𝑡 𝛽 = 1 1. Le polynôme cherché est donc le polynôme

𝑝 (𝑥 ) = 1 + 𝑥 2 + 𝑥 4

Exercice 3 :

1.Construire le polynôme de Lagrange P qui interpole les points (−1, 2), (0, 1), (1, 2) et (2, 3).

On a 4 points donc 𝑑 0 Ρ ≤ 3 = 𝑛

Le polynôme d’interpolation de LAGRANGE de degré 3 sur l’ensemble des 4 points {(𝑥𝑖 , 𝑦𝑖 )}𝑛𝑖=0
s’écrit

On a 3 pts donc degré de P≤2. Le polynôme de Lagrange s’écrit :Ρ3 (𝑥 ) = ∑3𝑖=0 𝑓 (𝑥𝑖 ) 𝐿𝑖 (𝑥 ) =

𝑓 (𝑥0 )𝐿0 (𝑥 ) + 𝑓 (𝑥1 )𝐿1 (𝑥 ) + 𝑓 (𝑥2 )𝐿2 (𝑥 ) + 𝑓 (𝑥3 )𝐿3 (𝑥 ) = 2𝐿0 (𝑥 ) + 𝐿1 (𝑥 ) + 2𝐿2 (𝑥 ) +
3𝐿3 (𝑥 )
𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) 𝑥 (𝑥 − 1)(𝑥 − 2)
𝐿0 ( 𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (−1 − 0)(−1 − 2)(−1 − 2)
𝑗=0
𝑗≠0

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 + 1)(𝑥 − 1)(𝑥 − 2)
𝐿1 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (0 + 1)(0 − 1)(0 − 2)
𝑗=0
𝑗≠1

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 + 1)(𝑥 − 0)(𝑥 − 2)
𝐿2 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (1 + 1)(1 − 0)(1 − 2)
𝑗=0
𝑗≠2

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 + 1)(𝑥 − 0)(𝑥 − 1)
𝐿3 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) (2 + 1)(2 − 0)(2 − 1)
𝑗=0
𝑗≠3

Donc

1 1
Ρ3 (𝑥 ) = − 𝑥 3 + 𝑥 2 + 𝑥 + 1
3 3
2. Soit Q le polynôme de Lagrange qui interpole les points (−1, 2), (0, 1), (1, 2). Montrer qu’il
existe un réel λ tel que : 𝑄(𝑥) − 𝑃(𝑥) = 𝜆(𝑥 + 1)𝑥(𝑥 − 1)

Par construction

78
: 𝑄(−1) = 𝑃(−1) , 𝑄(0) = 𝑃(0) et 𝑄(1) − 𝑃(1)

donc le polynôme 𝑄(𝑥) − 𝑃(𝑥)) s’annule en -1, en 0 et en 1, ceci signifie qu’il existe un polynôme
R(x) tel que 𝑄(𝑥) − 𝑃(𝑥) = 𝑅(𝑥)(𝑥 + 1)𝑥(𝑥 − 1).

Puisque P(x) a degré 3 et Q(x) a degré 2, le polynôme 𝑄(𝑥) − 𝑃(𝑥) a degré 3, donc le polynôme
R(x) qu’on a mis en facteur a degré 0 (i.e. R(x) est une constante).

Si on n’a pas remarqué ça, on peut tout de même faire tous les calculs : dans ce cas n =2 donc on a
2

𝑄(𝑥 ) = ∑ 𝑓(𝑥𝑖 ) 𝐿𝑖 (𝑥 ) = 𝑓 (𝑥0 )𝐿0 (𝑥 ) + 𝑓 (𝑥1 )𝐿1 (𝑥 ) + 𝑓 (𝑥2 )𝐿2 (𝑥 ) = 2𝐿0 (𝑥 ) + 𝐿1 (𝑥 ) + 2𝐿2 (𝑥 )
𝑖=0

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) 𝑥 (𝑥 − 1)
𝐿0 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (−1 − 0)(−1 − 2)
𝑗=0
𝑗≠0

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) (𝑥 + 1)(𝑥 − 1)
𝐿1 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (0 + 1)(0 − 1)
𝑗=0
𝑗≠1

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) (𝑥 + 1)(𝑥 − 0)
𝐿2 (𝑥 ) = ∏ ( )= =
𝑥𝑖 − 𝑥𝑗 (𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 ) (1 + 1)(1 − 0)
𝑗=0
𝑗≠2

𝑄 (𝑥 ) = 𝑥 2 + 1

Ainsi

1 1 1 1 1
𝑄(𝑥 ) − 𝑃 (𝑥 ) = 𝑥 2 + 1 − (− 𝑥 3 + 𝑥 2 + 𝑥 + 1) = 𝑥 3 − 𝑥 = 𝑥 (𝑥 2 − 1)
3 3 3 3 3
1
= 3 (𝑥 − 1)𝑥 (𝑥 + 1)

1
Alors 𝜆 = 3

Exercice 6 :

79
 𝒙𝒊 0 1/6 1/2

𝒚𝒊 0 1/2 1

On a 3 pts donc degré de P≤2. Le polynôme de Lagrange s’écrit

:Ρ2 (𝑥 ) = ∑2𝑖=0 𝑓 (𝑥𝑖 ) 𝐿𝑖 (𝑥 )

1
= 𝑓 (𝑥0 )𝐿0 (𝑥 ) + 𝑓(𝑥1 )𝐿1 (𝑥 ) + 𝑓 (𝑥2 )𝐿2 (𝑥 ) = 2 𝐿1 (𝑥 ) + 𝐿2 (𝑥 )

Il suffit donc de calculer 𝐿1 et 𝐿2

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) 𝑥 (𝑥 − 1/2)
𝐿1 (𝑥 ) = ∏ ( )= = −9(2𝑥 2 − 𝑥)
𝑥𝑖 − 𝑥𝑗 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (1 − 0) (1 − 1)
𝑗=0 6 6 2
𝑗≠1

𝑛
𝑥 − 𝑥𝑗 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) 𝑥 (𝑥 − 1/6)
𝐿 2 (𝑥 ) = ∏ ( )= = (6𝑥 2 − 𝑥)
𝑥𝑖 − 𝑥𝑗 ( )( ) 1 1
𝑥2 − 𝑥0 𝑥2 − 𝑥1 ( − 0) ( − ) 1
𝑗=0 2 2 6
𝑗≠2

−9 7
Donc 𝑃2 (𝑥 ) = (2𝑥 2 − 𝑥 ) + (6𝑥 2 − 𝑥 ) = −3𝑥 2 + 𝑥
2 2

2- 𝑓 (1/5) ≈ 𝑃2 (1/5) = 0.5800.

Estimation
n=2
1 1 Μ Μ
|𝑓 (𝑥 = ) − Ρ𝑛 (𝑥 = )| ≤ |∏(x − xi )| = |(x − x0 )(x − x1 )(x − x2 )|
5 5 (n + 1)! (n + 1)!
i=0

Avec Μ = sup|f (n+1)(x)|

[a ,b]

Comme n=2 ,a=0 et b=1/2 alors

Μ = sup |f (3) (x)|
[0,1/2]

𝑓 (𝑥 ) = 𝑠𝑖𝑛(𝜋𝑥 ) → 𝑓 ′ (𝑥 ) = 𝜋 ∗ 𝑐𝑜𝑠(𝜋𝑥 ) → 𝑓 ′′(𝑥 ) = −𝜋 2 ∗ 𝑠𝑖𝑛(𝜋𝑥 ) → 𝑓 ′(𝑥 ) = −𝜋 3 ∗ 𝑐𝑜𝑠(𝜋𝑥 )

𝛭 = 𝑠𝑢𝑝|𝑓 (3) (𝑥 )| = 𝑠𝑢𝑝|−𝜋 3 ∗ 𝑐𝑜𝑠(𝜋𝑥 )| = 𝜋 3 𝑠𝑢𝑝|𝑐𝑜𝑠(𝜋𝑥 )| = ≤ 𝜋 3 ∗ 1

0,1 0,1 0,1
[ ] [ ] [ ]
2 2 2

1 1 𝜋3 𝜋3 1 1 1 1 1 1 1 1 1
|𝑓 (𝑥 = ) − Ρ𝑛 (𝑥 = )| ≤ |(= |( − 0) ( − ) ( − )| − 0) ( − ) ( − )|
5 5 3! 3! 5 5 6 5 2 5 6 5 2
≤ 0.0103
1 1 m − n + 1 = −1
Donc |𝑓 (5) − Ρ2 (5)| ≤ 0.0103 ≤ 0.05 = 0.510−1 { ⟹n=3
m = −1
80
 1
𝑓 ( ) = nombre arrondi ± 2∆x = 0.6 ± 0.1
5

Exercice 8 :

Soit 𝑓 (𝑥) une fonction qui passe par les points 𝑞1 = (0 , 3), 𝑞2 = (2 , −1) 𝑒𝑡 𝑞3 = (5 , 8).

(a) À l’aide de la formule de Newton, trouver le polynôme d’interpolation de degré 2 qui

passe par les points 𝑞1 , 𝑞2 et 𝑞3 et proposer une approximation de f (3).

On a 3 points, le polynôme d’interpolation et de degré ≤ 2 on écrit donc Ρ2 sous forme de newton

Ρ3 (𝑥 ) = 𝛿 [𝑥0 ]𝑓 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑓 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝛿 [𝑥0 , 𝑥1 , 𝑥2 ]𝑓

On calcule les déférences devisées

𝑥𝑖 𝛿 (𝑥𝑖 )𝑓 1DD 2DD

𝑥0 = 0 𝟑
−1−3
𝛿 [𝑥0 , 𝑥1 ]𝑓 = = −𝟐
2−0

𝑥1 =2 −1 3+2
𝛿[𝑥0 , 𝑥1 , 𝑥2 ] = = 𝟏
5−0

8+1
𝛿 [𝑥1 , 𝑥2 ]𝑓 = =3
5−2
𝑥2 = 5 8

On remplace dans Ρ2 (𝑥 ) on obtient

Ρ2 (𝑥 ) = 3 − 2𝑥 + 𝑥(𝑥 − 2) = 𝑥 2 − 4𝑥 + 3

𝑓 (3) ≈ 𝛲2 (3) = 3 − 2 ∗ 3 + 3(3 − 2) = 0

(b) Sachant que f (6) = 7, donner une approximation de l’erreur commise en (a).

n 𝑛
f (n+1)(ξ)
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏(x − xi )| 𝑜𝑢 |∏(𝑥 − 𝑥𝑖 )|
(n + 1)!
i=0 𝑖=0

𝑓(𝑛+1) (𝜉)
Par la méthode de newton on a 𝛿[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] = (𝑛+1)!
; . 𝜉𝜖 [a , b]

𝑥𝑖 𝛿 (𝑥𝑖 )𝑓 1DD 2DD 3DD

81
 𝑥0 = 0 𝟑

−1−3
𝛿 [𝑥0 , 𝑥1 ]𝑓 = = −𝟐
2−0
𝑥1 =2 −1 𝛿[𝑥0 , 𝑥1 , 𝑥2 ]
3+2
= = 𝟏
5−0

𝜹[𝒙𝟎 , 𝒙𝟏 , 𝒙𝟐 , 𝒙]
−𝟏 − 𝟏
8+1 =
𝛿 [𝑥1 , 𝑥2 ]𝑓 = =3 𝜹[𝒙𝟏 , 𝒙𝟐 , 𝒙] = 𝟔−𝟎
5−2 −𝟏−𝟑 𝟏
𝑥2 = 5 8 = −𝟏 = −
𝟔−𝟐
𝟑

7−8
x=6 7 𝛿 [𝑥2 , 𝑥 ]𝑓 = = −1
6−5

𝑓(𝑛+1) (𝜉)
Donc 𝛿[𝜹[𝒙𝟎 , 𝒙𝟏 , 𝒙𝟐 , 𝒙]] = (𝑛+1)!
= −1/3

𝟏
Alors E(3) = |𝑓 (3) − Ρ2 (3)| ≤ 𝟑 |(3 − 0)(3 − 2)(3 − 5)| = 2

(c) On sait aussi que 𝑓́ (0) = 6. Calculer le polynôme d’interpolation de degré minimal passant
par les points q1, q2 et q3, dont la dérivée en x = 0 est égale à 6.

𝑑 0 Ρ ≤ 𝑛 = 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑝𝑜𝑖𝑛𝑡𝑠(𝑑𝑒𝑔𝑟é 𝑑𝑒 Ρ ≤ 𝑛)
Par définition on a {
P(𝑥𝑖 ) = 𝑓 (𝑥𝑖 ) , ∀ 𝑖

Donc on a 4 points → 𝑑 0 Ρ ≤ 3

Alors Ρ3 (𝑥 ) = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 + 𝑑𝑥 3 𝑒𝑡 𝛲′ 3 (𝑥 ) = 𝑏 + 2𝑐𝑥 + 3𝑑𝑥 2

𝜬𝟑 (𝟎) = 𝒇(𝟎) 𝒂=𝟑

𝜬𝟑 (𝟐) = 𝒇(𝟐) 𝒂 + 𝟐𝒃 + 𝟒𝒄 + 𝟖𝒅 = −𝟏
𝚸𝟑 (𝒙𝒊 ) = 𝒇(𝒙𝒊 ) ⇒ ⇒{
𝜬𝟑 (𝟓) = 𝒇(𝟓) 𝒂 + 𝟓𝒃 + 𝟐𝟓𝒄 + 𝟏𝟐𝟓𝒅 = 𝟖
{𝜬𝟑 ′ (𝟎) = 𝒇′(𝟎) 𝒃=𝟔

𝒂=𝟑 𝒂=𝟑
𝒄 + 𝟐𝒅 = −𝟒 𝒅=𝟏
⇒{ ⇒{
𝒄 + 𝟓𝒅 = 𝟏 𝒃 = −𝟔
𝒃=𝟔 𝒃=𝟔

Alors 𝚸𝟑 (𝒙) = 𝟑 + 𝟔𝒙 − 𝟔𝒙𝟐 + 𝒙𝟑 .

Exercice9.

82
 16𝑥 1 3
On considère la fonction 𝑓(𝑥) = 2
et on se donne les points𝑥0 = 0 ;𝑥1 = 2
;𝑥2 = 1 ; 𝑥2 = 2

1. Déterminer le polynôme d'interpolation de f sous forme de Newton aux points 𝑥𝑖 i= 0, 1, 2,

3, en utilisant les déférences finies.

On a 4 points, le polynôme d’interpolation et de degré ≤ 3 on écrit donc Ρ3 sous forme de newton

avec déférences finies

∆𝑦0 ∆2 𝑦0 ∆3 𝑦0
𝛲3 (𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ( 𝑥 − 𝑥0 )( 𝑥 − 𝑥1 )( 𝑥 − 𝑥2 )
1! ℎ 2! ℎ2 3! ℎ3
On calcule les déférences finies

𝑥𝑖 𝑓(𝑥𝑖 ) 𝑓 [𝑥𝑖 , 𝑥𝑖+1 ] 𝑓 [𝑥𝑖 , … , 𝑥𝑖+2 ] 𝑓 [𝑥𝑖 , … , 𝑥𝑖+3 ]

0 0.5

1.5

0.5 2 4.5

6 18 13.5

1 8

24

1.5 32
3
ℎ = 0.5 : Ρ3 (𝑥 ) = 1/2 + (𝑥 − 0) 1! + (𝑥 − 0)(𝑥 − 1/2)9 + (𝑥 − 0)(𝑥 − 1/2)(𝑥 − 1)18

15 1
= 18𝑥 3 − 18𝑥 2 + 𝑥+
2 2
3 3
1) 𝑓( √2) ≃ Ρ3 ( √2) = 17.3762

2) Estimation
n
Μ Μ
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏(x − xi )| = |(x − x0 )(x − x1 )(x − x2 )(x − x3 )|
(n + 1)! (n + 1)!
i=0

M 3 3 3 3
= |( √2 − 0)( √2 − 1/2)( √2 − 1)( √2 − 1.5)|
4!
16𝑥 ln 16 𝑥 𝑙𝑛 16 ∗ 𝑙𝑛 16 𝑥 43 (𝑙𝑛 2)3 𝑥
𝑓(𝑥) = ⇒ 𝑓′(𝑥) = 16 ⇒ 𝑓′′(𝑥) = 16 ⇒ 𝑓′′′(𝑥) = 16
2 2 2 2

44 (𝑙𝑛 2)4 𝑥
𝑓 ′′′′ (𝑥 ) = 16 ⇒ 𝑀 = 𝑠𝑢𝑝|𝑓 ′′′′ (𝑥 )| = 𝑓 ′′′′(1.5) = 1891.0
2

83
 3 3 m−n+1=1
Donc |𝑓( √2) − Ρ𝑛 ( √2)| ≤ 0.47 ∗ 10+1 ≤ 0.05 = 0.510+1 { ⟹n=1
m=1

3
𝑓( √2) = nombre arrondi ± 2∆x = 2 ∗ 10 ± 10

Exercice 11 :

Soit x0 , x1 , … , xn (n+1) points distincts

1- On montrer que les polynômes 𝑙𝑖 (𝑥) sont linéairement Independent.

c.à.d on montre que si

𝑛

∑ 𝜆𝑖 𝑙𝑖 (𝑥) = 0 ⇒ 𝜆𝑖 = 0 ∀𝑖
𝑖=𝑜

Soit 𝑓(𝑥 ) = 𝜆 𝑒𝑡 𝑓 (𝑥𝑖 ) = 𝜆𝑖 ∀𝑖

∑𝑛𝑖=𝑜 𝑓(𝑥𝑖 )𝑙𝑖 (𝑥) est le polynôme d’interpolation de Lagrange ,il est unique et vérifiant.

𝑝𝑛 (𝑥 ) = 𝑓(𝑥 )∀𝑥

Où
𝑝𝑛 (𝑥 ) = 𝑓 (𝑥𝑖 )∀𝑖

⇒ 𝑝𝑛 (𝑥 ) = 𝑓 (𝑥 ) = 0

⇒ 𝜆𝑖 = 0 ∀𝑖

3- On montrer que ∑𝑛𝑖=𝑜 𝑙𝑖 (𝑥) = 1

Soit 𝑓(𝑥 ) = 1 et 𝑓(𝑥𝑖 ) = 1 ∀𝑖

On a 𝑝𝑛 (𝑥) = ∑𝑛𝑖=𝑜 𝑙𝑖 (𝑥)

= 𝑙0 (𝑥 ) + 𝑙1 (𝑥 ) … + 𝑙𝑛 (𝑥)

= 𝑓 (𝑥0 )𝑙0 (𝑥 ) + 𝑓(𝑥1 )𝑙1 (𝑥 ) … + 𝑓(𝑥𝑛 )𝑙𝑛 (𝑥)

= 𝑓 (𝑥𝑖 ) ∑𝑛𝑖=𝑜 𝑙𝑖 (𝑥)

Est le polynôme d’interpolation de fonction f ,il est unique et 𝑑 0 ≤ 𝑛 et vérifie

𝑝𝑛 (𝑥 ) = 𝑓 (𝑥 ) ∀𝑥 ⇒ 𝑝𝑛 (𝑥 ) = 1

84
 ⇒ ∑𝑛𝑖=𝑜 𝑙𝑖 (𝑥) = 1

4- Soient f(x) = cos(x) et g(x) = e3x d´efinies sur [0, 1]. Estimer le nombre minimum de points
pour que l’erreur entre la fonction et son polynôme d’interpolation de Lagrange soit inferieure à
0.1, 0.01et 0.001

Premier cas : 𝑓(𝑥) = 𝑐𝑜𝑠(𝑥) sur [0 , 1]

𝜋
On a 𝑐𝑜𝑠 (𝑛+1) (𝑥 ) = 𝑐𝑜𝑠 (𝑥 + (𝑛 + 1) 2 ) 𝑒𝑡 ⌊𝑥 − 𝑦⌋ ≤ 1 ∀𝑥, 𝑦 ∈ [0,1] , donc

n
Μ
|𝑓 (𝑥 ) − Ρ𝑛 (𝑥 )| ≤ |∏(x − xi )|
(n + 1)!
i=0

𝜋
Avec Μ = sup|f (n+1)(x)| = 𝑠𝑢𝑝 |𝑐𝑜𝑠 (𝑥 + (𝑛 + 1) 2 )| ≤ 1 et |∏ni=0(x − xi ) | ≤ 1∀𝑥, 𝑥𝑖 ∈ [0,1],
[a ,b] [0,1]

Alors
1
|𝑓(𝑥 ) − Ρ𝑛 (𝑥 )| ≤ ≤ ε → (𝑛 + 1)! ≥ 𝜀 −1
(n + 1)!

D’où

 𝜀 = 0.1 → 𝜀 −1 = 10:

(3)! = 6

(3 + 1)! = 24 ≥ 10 → 𝑛 ≥ 3

 𝜀 = 0.01 → 𝜀 −1 = 100:

(4 + 1)! = 120 ≥ 100 → 𝑛 ≥ 4

 𝜀 = 0.01 → 𝜀 −1 = 100:

(5 + 1)! = 720 ≤ 1000

(6 + 1)! = 5040 ≥ 1000 → 𝑛 ≥ 6

deuxième cas : 𝑔(𝑥) = 𝑒 3𝑥 sur [0 , 1]

𝑔(𝑥 ) = 𝑒 3𝑥 → 𝑔′ (𝑥 ) = 3𝑒 3𝑥 → 𝑔′′(𝑥 ) = 32 𝑒 3𝑥 … → 𝑔(𝑛+1) (𝑥 ) = 3𝑛+1 𝑒 3𝑥

Avec Μ = sup|g (n+1) (x)| = 𝑠𝑢𝑝|3𝑛+1 𝑒 3𝑥 | = 3𝑛+1 𝑒 3 et |∏ni=0(x − xi ) | ≤ 1∀𝑥, 𝑥𝑖 ∈ [0,1],

[a ,b] [0,1]

Alors

85
 3𝑛+1 𝑒 3
|𝑓(𝑥 ) − Ρ𝑛 (𝑥 )| ≤ ≤ε
(n + 1)!

D’où

 𝜀 = 0.1

39+1 𝑒 3
= 0.3268383 > 𝜀 = 0.1
(9 + 1)!

310+1𝑒 3
= 0.0891 < 𝜀 = 0.1 → 𝑛 ≥ 10
(10 + 1)!

 𝜀 = 0.01

311+1 𝑒 3
= 0.02 > 𝜀 = 0.01
(11 + 1)!

312+1𝑒 3
= 0.0051 < 𝜀 = 0.1 → 𝑛 ≥ 12
(12 + 1)!

 𝜀 = 0.001

313+1 𝑒 3
= 0.011 > 𝜀 = 0.001
(13 + 1)!

314+1𝑒 3
= 0.0002204 < 𝜀 = 0.001 → 𝑛 ≥ 14
(14 + 1)!

Exercice 15 :

(a) Évaluer le temps requis pour que la voiture atteigne 18m/s. On utilisera un polynôme de
newton de degré 2 en s’assurant de la plus grande précision possible.

Il faut classer les points par distance croissante par rapport à l’abscisse 𝑣 = 18.On prend donc les 3
abscisses : 20 ;15 et 11 .

On a 3 points, le polynôme d’interpolation et de degré ≤ 2 on écrit donc Ρ2 sous forme de newton

Ρ3 (𝑥 ) = 𝛿 [𝑥0 ]𝑡 + (𝑥 − 𝑥0 )𝛿 [𝑥0 , 𝑥1 ]𝑡 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝛿[𝑥0 , 𝑥1 , 𝑥2 ]𝑡

On calcule les déférences devisées

86
 𝑥𝑖 𝛿 (𝑥𝑖 )𝑡 1DD 2DD

𝑥0 = 20 𝟒. 𝟖

𝛿 [𝑥0 , 𝑥1 ]𝑡 =
3.2−4.8
= 𝟎. 𝟑𝟐
𝑥1 =15 3.2 15−20 0.4 − 0.32
𝛿 [𝑥0 , 𝑥1 , 𝑥2 ] = = −𝟎. 𝟎𝟎𝟖𝟖
11 − 20

𝑥2 = 11 𝛿[𝑥1 , 𝑥2 ]𝑡
1.6 − 3.2
1.6 = = 0.4
11 − 15

On remplace dans Ρ2 (𝑥 ) on obtient

Ρ2 (𝑥 ) = 4.8 + 0.32(𝑣 − 20) − 0.0088(𝑣 − 20)(𝑣 − 15)

Donc

𝑡 (18) ≈ 𝛲2 (18) = 4.8 + 0.32(18 − 20) − 0.0088(18 − 20)(18 − 15) = 402133𝑠

(b) Donner une estimation de l’erreur commise en (a)

𝑥𝑖 𝛿 (𝑥𝑖 )𝑡 1DD 2DD

𝑡0 = 20 𝟒. 𝟖

𝛿[𝑡0 , 𝑡1 ]𝑡
3.2 − 4.8
𝑡1 =15 3.2 = 𝛿 [𝑡0 , 𝑡1 , 𝑡2 ]
15 − 20
= 𝟎. 𝟑𝟐 0.4 − 0.32
=
11 − 20
= −𝟎. 𝟎𝟎𝟖𝟖

𝑡2 = 11 𝛿 [𝑡1 , 𝑡2 ]𝑡 𝜹[𝒕, 𝒕𝟏 , 𝒕𝟐 ] 𝛿 [𝑡, 𝑡0 , 𝑡1 , 𝑡2 ]

1.6 − 3.2 𝟎. 𝟑𝟕𝟏 − 𝟎. 𝟒 −0.0095 + 𝟎. 𝟎𝟎𝟖𝟖
1.6 = = 0.4 = =
11 − 15 𝟏𝟖 − 𝟏𝟓 18 − 20
= −𝟎. 𝟎𝟎𝟗𝟓 = −𝟎. 𝟎𝟎𝟎𝟑𝟓

18

87
 𝛿 [𝑥𝑡2 , 𝑡2 ]𝑡
4.2133 − 1.6 = 0.3
=
18 − 11
= 0.371
4.2133

𝑓(𝑛+1) (𝜉)
Donc 𝛿[𝜹[𝒙𝟎 , 𝒙𝟏 , 𝒙𝟐 , 𝒙]] = (𝑛+1)!
= −0.00035

Alors E(3) = |𝑓 (3) − Ρ2 (3)| ≤ 𝟎. 𝟎𝟎𝟎𝟑𝟓|(18 − 20)(18 − 15)(18 − 11)| = 0.0147

88
Chapitre4: Approximation au sens des moindres carrés

1 Définition : soit E un espace vectoriel réel :

1- L’application

〈… 〉: Ε × Ε → 𝑅

(𝑥, 𝑦) ⟼ 〈𝑥, 𝑦〉

est appelée produit scalaire sur E si elle vérifie :

I. .

II.

III. ,

IV.

2- L’application

‖. ‖: Ε × Ε → 𝑅+

𝑥 ⟼ ‖𝑥 ‖ = √< 𝑥, 𝑥 >

est appelée norme sur E associée au produit scalaire < . , . >.

3- Un espace vectoriel réel muni par un produit scalaire est dit préhilbertien sur R.

4- Un espace préhilbertien complet pour la norme associée à ce produit scalaire est dit espace
de

Hilbert.

5- . Soit {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } une base de E.

a) La famille {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } est appelée base orthogonale de E si

< 𝜑𝑖 , 𝜑𝑗 >= 0, ∀ 𝑖, 𝑗 = ̅̅̅̅̅

0, 𝑛 𝑒𝑡 𝑖 ≠ 𝑗

b) La famille {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } est appelée base orthonormée de E si

0 𝑠𝑖 𝑖 ≠ 𝑗
< 𝜑𝑖 , 𝜑𝑗 >= {
1 𝑠𝑖 𝑖 = 𝑗

Exemple 3.1.

1. Soit 𝐸 = 𝑅𝑛 , 𝑥 = (𝑥1 , . . . , 𝑥𝑛 ), 𝑦 = (𝑦1 , . . . , 𝑦𝑛 ) ∈ 𝐸.

89
L'application

< . , . > : 𝑅𝑛 × 𝑅𝑛 → 𝑅

(𝑥, 𝑦) ⟼ 〈𝑥, 𝑦〉 = ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖

définit un produit scalaire sur 𝑅𝑛 et la norme associée à ce produit scalaire est définie par :

𝑥 = √< 𝑥, 𝑥 > = (∑𝑛𝑖=1 𝑥𝑖2 )1/2.

2. Soit E = C([a, b]), f, g ∈ E.

L'application

< . , . > : 𝐶([𝑎, 𝑏]) × 𝐶([𝑎, 𝑏]) → 𝑅

𝑏
(𝑥, 𝑦) ⟼ 〈𝑓, 𝑔〉 = ∫𝑎 𝑓 (𝑥 )𝑔(𝑥)𝑑𝑥

définit un produit scalaire sur C([a, b]) et la norme associée à ce produit scalaire est définie par :

𝑏 1/2
𝑥 = √< 𝑥, 𝑥 > = (∫ 𝑓 (𝑥 𝑑𝑥 ) )2
𝑎

1
3. La famille {1, 𝑥, 2 (3𝑥 2 − 1)} est une base orthonormée de P2 pour le produit scalaire
défini par
1
< 𝑥, 𝑥 >= ∫−1 𝑓 (𝑥 )𝑔(𝑥)𝑑𝑥

2 Position du problème

Soit E un espace vectoriel réel tel que Pn ∁ E, f ∈ E, où Pn est l'espace des polynômes de degré

inférieur ou égal à n. L'approximation polynomiale au sens des moindres carrés consiste à

déterminer le polynôme 𝑃 ∗ ∈ 𝑃𝑛 qui vérifie :

‖𝑓 − 𝑃∗ ‖ = min‖𝑓 − 𝑃‖
𝑃∈𝑃𝑛

𝑃∗ est appelé meilleur approximant au sens des moindres carrés de f dans Pn .

2.1 Existence et unicité de la meilleure approximation au s.m.c.

Théorème 3.1. (Théorème de la projection) Soient E un espace de Hilbert et F ∁ E un convexe

fermé non vide. Alors,

∀ 𝑓 ∈ 𝐸, ∃ 𝜑 ∗ ∈ 𝐹 ∶ ‖𝑓 − 𝜑 ∗ ‖ = min‖𝑓 − 𝜑‖
𝜑∈𝐹

90
De plus, 𝜑 ∗ est caractérisé par

< 𝑓 − 𝜑 ∗ , φ >= 0 ; ∀𝜑 ∈ 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 fermé. Donc, le meilleur approximant au sens des moindres
carrésde f dans 𝑃𝑛 existe et il est unique.

2.2 Détermination de la meilleure approximation au s.m.c.

Soit {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } une base de 𝑃𝑛 ; 𝑓 ∈ E

P ∈ Pn ⇒ 𝑃 = ∑𝑛𝑗=𝑜 𝑎𝑗 𝜑𝑗 ; 𝑎𝑗 ∈ 𝑅

P ∗ ∈ Pn ⇒ 𝑃 ∗ = ∑𝑛𝑘=𝑜 𝑎𝑘∗ 𝜑𝑘 ; 𝑎𝑘∗ ∈ 𝑅

D'après le théorème de la projection 𝑃 ∗ vérifiant

< 𝑓 − 𝑃 ∗ , P >= 0 ; ∀𝑃 ∈ 𝑃𝑛
𝑛
∗
⇔< 𝑓 − 𝑃 , ∑ 𝑎𝑗 𝜑𝑗 >= 0 ; ; 𝑎𝑗 ∈ 𝑅 , j = 0,1, … n
𝑗=𝑜

⇔ ∑ 𝑎𝑗 < 𝑓 − 𝑃 ∗ , 𝜑𝑗 >= 0 ; 𝑎𝑗 ∈ 𝑅 , j = 0,1, … n

𝑗=𝑜

⇔< 𝑓 − 𝑃∗ , 𝜑𝑗 >= 0 ; ∀𝑗 = 0,1, … 𝑛

⇔< 𝑃∗ , 𝜑𝑗 >=< 𝑓, 𝜑𝑗 >= ; ∀𝑗 = 0,1, … 𝑛

⇔< ∑𝑛𝑗=𝑜 𝑎𝑘∗ 𝜑𝑘 , 𝜑𝑗 >=< 𝑓, 𝜑𝑗 > ; ∀ 𝑗 = 0,1, … 𝑛

⇔ ∑𝑛𝑗=𝑜 𝑎𝑘∗ < 𝜑𝑘 , 𝜑𝑗 >=< 𝑓, 𝜑𝑗 >; ∀ 𝑗 = 0,1, … 𝑛

C'est un système linéaire de (n+1) équations à (n+1) inconnues. On développe ce système,

on aurale système matriciel :

< 𝝋𝟎 , 𝝋𝟎 > < 𝝋𝟏 , 𝝋𝟎 > ⋯ < 𝝋𝒏 , 𝝋𝟎 > 𝒂∗𝟎 < 𝑓 , 𝝋𝟎 >

⋯ < 𝝋𝒏 , 𝝋𝟏 > ∗
< 𝝋𝟎 , 𝝋𝟏 > < 𝝋𝟏 , 𝝋𝟏 > 𝒂 < 𝑓 , 𝝋𝟏 >
( ) ( 𝟏) = ( ).
⋮ ⋮ ⋮ ⋮ ⋮
…
< 𝝋𝟎 , 𝝋𝒏 > < 𝝋𝟏 , 𝝋𝒏 > < 𝝋𝒏 , 𝝋𝒏 > 𝒂∗𝒌 < 𝑓 , 𝝋𝒏 >

Remarquons que ce système admet une et une seule solution car 𝑃∗ existe et il est unique.

Remarque 3.1. 1. Si la famille {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } forme une base orthogonale de Pn , on obtient

le système diagonal

91
 < 𝝋𝟎 , 𝝋𝟎 > 𝟎 ⋯ 𝟎 𝒂∗𝟎 < 𝑓 , 𝝋𝟎 >
∗
𝟎 < 𝝋𝟏 , 𝝋𝟏 > ⋯ 𝟎 𝒂 < 𝑓 , 𝝋𝟏 >
( ) ( 𝟏) = ( )
⋮ ⋮ ⋮ ⋮ ⋮
…
𝟎 𝟎 < 𝝋𝒏 , 𝝋𝒏 > 𝒂∗𝒌 < 𝑓 , 𝝋𝒏 >

D'où

< 𝑓, 𝜑𝑘 > < 𝑓, 𝜑𝑘 >

𝑎𝑘∗ = = , 𝑘 = 0,1, … , 𝑛
< 𝜑𝑘 , 𝜑𝑘 > ‖𝜑 𝑘 ‖2

2. Si la famille {𝜑0 , 𝜑1, . . . , 𝜑𝑛 } forme une base orthonormale de Pn , on trouve immédiatement

𝑎𝑘∗ =< 𝑓, 𝜑𝑘 >, 𝑘 = 0,1, … , 𝑛

2.3 Erreur d'approximation

‖𝑓 − 𝑃 ∗ ‖ = √‖𝑓‖2 − ∑𝑁 ∗
𝑖=𝑜 𝑎𝑘 < 𝑓 , 𝜑𝑘 >

En effet ;

‖𝑓 − 𝑃∗ ‖2 =< 𝑓 − 𝑃∗ , 𝑓 − 𝑃 ∗ >

= < 𝑓 − 𝑃∗ , 𝑓 > − < 𝑓 − 𝑃 ∗ , 𝑃 ∗ >

= < 𝑓, 𝑓 > − < 𝑓, 𝑃∗ >

𝑁

= ‖𝑓 ‖2 − ∑ 𝑎𝑘∗ < 𝑓 , 𝜑𝑘 >

𝑖=𝑜

Cas particulier : si la base {𝜑0 , 𝜑1 , . . . , 𝜑𝑛 } est orthonormale, on obtient

𝑁
∗‖
‖𝑓 − 𝑃 = √‖𝑓 ‖2 − ∑ 𝑎𝑘∗2
𝑖=𝑜

2.4 Algorithme de Gram-Schmidt

Soit F un espace de dimension finie. En partant d'une base quelconque de F, notée {𝜑0 , 𝜑1, . . . , 𝜑𝑛 }

On peut déterminer à la fois une base orthonormée de F, notée {𝑢0 , 𝑢1 , . . . , 𝑢𝑛 }et une autre base

orthonormée, notée {ℎ0 , ℎ1 , . . . , ℎ𝑛 }, à l'aide de l'algorithme de Gram-Schmidt suivant :

92
 𝑢0
ℎ0 = , 𝑜ù 𝑢0 = 𝜑0 ;
‖𝑢0 ‖
𝑢1
ℎ1 = , 𝑜ù 𝑢1 = 𝜑1−< 𝜑1 , ℎ0 > ℎ0 ;
‖𝑢1 ‖
𝑢2
ℎ2 = , 𝑜ù 𝑢2 = 𝜑2 −< 𝜑2 , ℎ0 > ℎ0 −< 𝜑2 , ℎ1 > ℎ1 ;
‖𝑢2 ‖
⋮
𝑘−1
𝑢𝑘
ℎ𝑘 = , 𝑜ù 𝑢𝑘 = 𝜑𝑘 − ∑ < 𝜑𝑘 , ℎ𝑚 > ℎ𝑚 1 ≤ 𝑘 ≤ 𝑛;
‖𝑢𝑘 ‖
𝑚=0
⋮
𝑛−1
𝑢𝑛
ℎ𝑛 = , 𝑜ù 𝑢𝑛 = 𝜑𝑛 − ∑ < 𝜑𝑛 , ℎ𝑚 > ℎ𝑚 .
‖𝑢𝑛 ‖
𝑚=0
{

4. Orthogonalisation de Gram-Schmidt

Lemme 1.21. Soit (𝑢1 , … , 𝑢𝑘 ) une famille orthogonale dans 𝐸 𝑒𝑡 𝑣 ∈ 𝐸. Nous posons :
𝑘
< 𝜑 , 𝑢𝑖 >
𝑢 = 𝜑−∑ 𝑢𝑖
‖𝑢𝑖 ‖2
𝑖=0

Alors

(i) 𝑢 ⊥ 𝑢1 , … , 𝑢𝑘

(ii) 𝑉𝑒𝑐𝑡(𝑢1 , … , 𝑢𝑘 , 𝜑) = 𝑉𝑒𝑐𝑡(𝑢1 , … , 𝑢𝑘 , 𝑢).

(iii) 𝑢 = 0 𝑠𝑠𝑖 𝑣 ∈ 𝑉𝑒𝑐𝑡(𝑢1 , … , 𝑢𝑘 ).

Théorème . (Orthogonalisation de Gram-Schmidt). Soit (𝜑0 , … , 𝜑𝑛 ).une famille libre dans

E. On construit une suite de vecteurs 𝑢0 , … , 𝑢𝑛 . Par

𝑢0 = 𝜑0
𝑛−1
{ < 𝜑𝑛 , 𝑢𝑚 >
𝑢𝑛 = 𝜑𝑛 − ∑ 𝑢𝑚
‖𝑢𝑚 ‖2
𝑚=0

(i) La famille (𝑢0 , … , 𝑢𝑛 .) ainsi construite est une base orthogonale pour Vect(𝜑0 , … , 𝜑𝑛 )
𝑢
(ii) Si on pose ℎ𝑖 = ‖𝑢𝑖 ‖ , alors (ℎ0 , … , ℎ𝑛 )est une base orthonormée pour Vect(𝜑0 , … , 𝜑𝑛 ).
𝑖

𝑢
Variante : on peut normaliser ℎ𝑖 = ‖𝑢𝑖 ‖ pendant la construction et utiliser la formule
𝑖

𝑛−1

𝑢𝑛 = 𝜑𝑛 − ∑ < 𝜑𝑛 , ℎ𝑚 > ℎ𝑚
𝑚=0

Bien que cette formule semble plus simple, le vecteurs normalisés ei auront souvent une forme plus
compliquée et le plus souvent on n'y gagne rien.
93
3-Application au cas discret

Soient E = C([a, b]), 𝑥0 , 𝑥1 , . . . , 𝑥𝑛 (N + 1) points distincts de l'intervalle [a, b]. Soit f ∈ E

connue seulement aux points 𝑥𝑖 , 𝑖 = 0, . . . , 𝑁. On définit sur E le produit scalaire

< 𝑔, ℎ, >= ∑N
i=o wi g(xi )h(xi ) ; ∀g, h ∈ C([a, b])oùwi sont des poids.

wi sont des nombres positifs non nuls à la fois. En pratique, on prend des poids égaux.

La norme associée à ce produit scalaire est définie par :

1
N 2
2
‖𝑔‖ = (∑ wi (g(xi )) ) ; ∀g ∈ C([a, b])
i=o

Posons φk(x) = 𝑥 𝑘 ; k = 0, . . . , n . Dans la base canonique de Pn , la meilleure approximation au

sens des moindres carrés 𝑃∗ de f s'écrit

𝑃∗ (𝑥 ) = 𝑎0∗ 𝑃0 (𝑥 ) + 𝑎1∗ 𝑃1 (𝑥 ) + ⋯ + 𝑎𝑛∗ 𝑃𝑛 (𝑥 )

où (𝑎0∗ , 𝑎1∗ , … , 𝑎𝑛∗ ) est l'unique solution du système matriciel :

𝑁 𝑁 𝑁 𝑛
∑ 𝑤𝑖 ∑ 𝑤𝑖 𝑥𝑖 ⋯ ∑ 𝑤𝑖 𝑥𝑖𝑛 ∑ 𝑤𝑖 𝑓 (𝑥𝑖 )
𝑖=𝑜 𝑖=𝑜 𝑖=𝑜 𝑖=𝑜
𝑁 𝑁 𝑁 𝒂∗𝟎 𝑛

∑ 𝑤𝑖 𝑥𝑖 ∑ 𝑤𝑖 𝑥𝑖2 ⋯ ∑ 𝑤𝑖 𝑥𝑖𝑛+1 𝒂∗ ∑ 𝑤𝑖 𝑓 (𝑥𝑖 )𝑥𝑖

( 𝟏) =
𝑖=𝑜 𝑖=𝑜 𝑖=𝑜 ⋮ 𝑖=𝑜
⋮ ⋮ ⋮ 𝒂∗𝒏 ⋮
𝑁 𝑁 𝑁 𝑛
… ∑ 𝑤𝑖 𝑓 (𝑥𝑖 )𝑥𝑖𝑛
∑ 𝑤𝑖 𝑥𝑖𝑛 ∑ 𝑤𝑖 𝑥𝑖𝑛+1 ∑ 𝑤𝑖 𝑥𝑖2𝑛
( 𝑖=𝑜 𝑖=𝑜 𝑖=𝑜 ) ( 𝑖=𝑜 )

Lemme : si A est la matrice dont les éléments sont définis par (10) alors det(A)>0.

Conséquences :𝛼 = (𝛼0 , 𝛼1 , … , 𝛼𝑛 ) est la solution unique du système 𝐴𝑥 = 𝑏

Corollaire :soit 𝑷∗ (𝒙) = ∑𝒌𝒊=𝒐 𝜶𝒊 𝒙𝒊 la meilleure approximation de degré k au sens des moindres
carrés de f aux points 𝑥𝑖 , 𝑖 = ̅̅̅̅̅
0, 𝑛 avec les poids 𝑤𝑟 , 𝑡𝑞 𝑤𝑟 = 1 , 𝑟 = ̅̅̅̅̅
0, 𝑛, alors on a 𝛼 =
𝒕 𝒕
(𝛼0 , 𝛼1 , … , 𝛼𝑘 ) est la solution unique du système 𝑯 𝑯𝜶 = 𝑯 𝒚 , avec

𝟏 𝟏 ⋯ 𝟏 𝜶𝟎 𝒇 (𝒙 𝟏 )
𝒙 𝒙𝟐 ⋯ 𝒙𝒏 𝜶 𝒇 (𝒙 𝟐 )
𝑯𝒕 = ( ⋮𝟏 ) , 𝜶 = ( ⋮𝟏 ) , 𝒚 = ( ).
⋮ ⋮ ⋮
…
𝒙𝒌𝟏 𝒙𝒌𝟐 𝒙𝒌𝒏 𝜶𝒏 𝒇 (𝒙 𝒏 )

Remarque :utilité des points 𝒘

94
Lorsque les 𝑦𝑖 sont issus d’une expérimentation, l’expérimentateur peut effectuer de correction
(d’erreurs du aux appareils) par cette pondération 𝑤𝑖 .

Exemple 1 :soit f une fonction connue en trois points (voir la table 1).

On se propose déterminer le polynôme de degré inferieur ou égale (n=1=2-1=1)qui approche au

sens des moindres carrés de la fonction f.
𝑥𝑖 0 1 2

𝑓(𝑥𝑖 ) = 𝑦𝑖 1 0 2

Solution :soit 𝑷∗ (𝒙) = ∑𝟏𝒊=𝒐 𝜶𝒊 𝒙𝒊 = 𝜶𝟎 𝒙𝟎 + 𝜶𝟏 𝒙𝟏 = 𝜶𝟎 + 𝜶𝟏 𝒙𝟏

𝑷∗ (𝒙)estla meilleure approximation de degré k=1 au sens des moindres carrés de f aux points
̅̅̅̅ avec les poids 𝑤𝑖 , 𝑡𝑞 𝑤𝑖 = 𝟏 , 𝒊 = ̅̅̅̅̅
𝑥𝑖 , 𝑖 = 0,2 𝟎, 𝟐.

Les 𝛼𝑖 , 𝑖 = 0: 𝑘 = 1 constituent les composantes de l’unique solution du système 𝐴𝑥 = 𝑏 avec A et

b sont donnés par (10) du théoréme-5.
𝑛 𝑛 𝑛

∑ 𝑤𝑟 ∑ 𝑤𝑟 𝑥𝑟 ∑ 𝑤𝑟 𝑓 (𝑥𝑟 )
𝑟=𝑜 𝑟=𝑜 𝑟=𝑜
𝐴= 𝑛 𝑛 ; 𝑏= 𝑛

∑ 𝑤𝑟 𝑥𝑟 ∑ 𝑤𝑟 𝑥𝑟2 ∑ 𝑤𝑟 𝑓 (𝑥𝑟 )𝑥𝑟

(𝑟=𝑜 𝑟=𝑜 ) (𝑟=𝑜 )

1+1+1 1∗0+1∗1+1∗2 3 3
𝐴=( 1 2) = ( )
1∗0+1∗1+1∗2 1∗0+1∗1 +1∗2 3 5
1∗1+1∗0+1∗2 3
𝑏=( )=( )
1∗1∗0+1∗0∗1+1∗2∗2 4
𝟑𝜶 + 𝟑𝜶𝟏 = 𝟑 𝟏 𝟏
D’où on a { 𝟎 → 𝜶𝟎 = 𝟐 ; 𝜶𝟏 = 𝟐
𝟑𝜶𝟎 + 𝟓𝜶𝟏 = 𝟒
𝟏 𝟏 𝟏
Donc 𝑷∗ (𝒙) = 𝟐 + 𝟐 𝒙 = 𝟐 (𝒙 + 𝟏)

1 1
Exemple2 :Soient les points 𝑥0 = −1, 𝑥1 = − 2 , 𝑥2 = 2 , 𝑥3 = 1,trouverle polynôme 𝑃 ∈ 𝑃2 qui
réalise le min suivant :

𝑚𝑖𝑛{∑3𝑖=𝑜[|𝑥𝑖 | − 𝑝(𝑥𝑖 )]2 }ou𝑃2 est l’ensemble des polynômes à une variable de degré inférieure ou
égale à2.

95
Solution : 𝑤𝑖 = 𝟏 , 𝒊 = ̅̅̅̅̅
𝟎, 𝟑 𝒙𝒊 -1 -1/2 1/2 1

𝑷∗ (𝒙)est de degré≤ 𝟐 𝒇(𝒙𝒊 ) = 𝒚𝒊 1 1/2 1/2 1

𝑷 𝒙) = ∑ 𝜶𝒊 𝒙𝒊 = 𝜶𝟎 𝒙𝟎 + 𝜶𝟏 𝒙𝟏 + 𝜶𝟐 𝒙𝟐
∗(

𝒊=𝒐

𝑛 𝑛 𝑛 𝑛

∑ 𝑤𝑟 ∑ 𝑤𝑟 𝑥𝑟 ∑ 𝑤𝑟 𝑥𝑟2 ∑ 𝑤𝑟 𝑓 (𝑥𝑟 )
𝑟=𝑜 𝑟=𝑜 𝑟=𝑜 𝑟=𝑜
𝑛 𝑛 𝑛 𝑛

𝐴= ∑ 𝑤𝑟 𝑥𝑟 ∑ 𝑤𝑟 𝑥𝑟2 ∑ 𝑤𝑟 𝑥𝑟3 , 𝑏 = ∑ 𝑤𝑟 𝑓 (𝑥𝑟 )𝑥𝑟

𝑟=𝑜 𝑟=𝑜 𝑟=𝑜 𝑟=𝑜
𝑛 𝑛 𝑛 𝑛

∑ 𝑤𝑟 𝑥𝑟2 ∑ 𝑤𝑟 𝑥𝑟3 ∑ 𝑤𝑟 𝑥𝑟4 ∑ 𝑤𝑟 𝑓 (𝑥𝑟 )𝑥𝑟𝑘

(𝑟=𝑜 𝑟=𝑜 𝑟=𝑜 ) (𝑟=𝑜 )

4 0 5/2 3
𝐴=( 0 5/2 0 ),𝑏 = ( 0 )
5/2 0 17/8 9/4

63 3 𝟔𝟑 𝟑 𝟐
𝐴𝛼 = 𝑏 → 𝛼 = ( ,0 ,− ) → 𝑷∗ (𝒙) = − 𝒙
64 2 𝟔𝟒 𝟐

3.4 Application au cas continu

Soient E = C([a, b]) muni du produit scalaire

b
< 𝑔, ℎ, >= ∫a w(x) g(x)h(x)dx ; ∀g, h ∈ C([a, b]) oùwi sont des poids.

𝑤 ∶ [𝑎, 𝑏] → 𝑅 + s'annule un nombre fini de fois sur [a, b]. En pratique, on prend w= 1.
1
2 2
La norme associée à ce produit scalaire est définie par :‖g‖ = (∑N
i=o w(x) (g(x)) ) ; ∀g ∈
C([a, b])

Posons φk(x) = x k ; k = 0, . . . , n . Dans la base canonique de Pn , la meilleure approximation au

sens des moindres carrés P ∗ de f s'écrit

P ∗ (x) = a∗0 x0 + a∗1 x1 + ⋯ + a∗n 𝑥 𝑛

où (𝑎0∗ , 𝑎1∗ , … , 𝑎𝑛∗ ) est l'unique solution du système matriciel :

96
 𝑏 𝑏 𝑏 𝑏
∫ 𝑤(𝑥 )𝑑𝑥 ∫ 𝑤(𝑥 )𝑥𝑑𝑥 ⋯ ∫ 𝑤(𝑥 )𝑥 𝑛 𝑑𝑥 ∫ 𝑤(𝑥 )𝑓 (𝑥 )𝑑𝑥
𝑎 𝑎 𝑎 𝑎
𝑏 𝑏 𝑏 𝒂𝟎∗ 𝑏
∗
∫ 𝑤(𝑥 )𝑥𝑑𝑥 ∫ 𝑤(𝑥 )𝑥 2 𝑑𝑥 𝑛+1 𝒂
⋯ ∫ 𝑤(𝑥 )𝑥 𝑑𝑥 ( 𝟏 ) = ∫ 𝑤(𝑥 )𝑥𝑓 (𝑥 )𝑑𝑥
𝑎 𝑎 𝑎 ⋮ 𝑎
⋮ ⋮ ⋮ 𝒂 ∗ ⋮
𝑏 𝑏 𝑏 𝒏 𝑏
… ∫ 𝑤(𝑥 )𝑥 𝑛 𝑓 (𝑥 )𝑑𝑥
∫ 𝑤(𝑥 )𝑥 𝑛 𝑑𝑥 ∫ 𝑤(𝑥 )𝑥 𝑛+1 𝑑𝑥 ∫ 𝑤(𝑥 )𝑥 2𝑛 𝑑𝑥
( 𝑎 𝑎 𝑎 ) ( 𝑎 )

Exemple : calculer la droite de meilleur approximation de la fonction

h(x) = x 2 + 2x sur [−1,1]
b
Produit scalaire < 𝑔, ℎ, >= ∫a g(x)h(x)dx

p1 (x) = a1 x + 𝑎0

𝜑1 = x; φ0 = 1; ℎ(𝑥 ) = 𝑓(𝑥)

< 𝝋 ,𝝋 > < 𝝋𝟏 , 𝝋𝟎 > 𝒂𝟎 < 𝑓 , 𝝋𝟎 >

(< 𝝋𝟎 , 𝝋𝟎 > ) (
< 𝝋𝟏 , 𝝋𝟏 > 𝒂𝟏 ) = ( )
𝟎 𝟏 < 𝑓 , 𝝋𝟏 >

𝟏 𝟏 𝟏
∫−𝟏 𝟏𝒅𝒙 ∫−𝟏 𝒙𝒅𝒙
𝒂𝟎 ∫−𝟏(𝒙𝟐 + 𝟐𝒙)𝒅𝒙
( 𝟏 𝟏 𝟐 ) (
(𝒂 ) = 𝟏 )
𝟏 ( 𝟐 )
∫−𝟏 𝒙𝒅𝒙 ∫−𝟏 𝒙 𝒅𝒙 ∫−𝟏 𝒙 + 𝟐𝒙 𝒙𝒅𝒙

𝟐
𝟐 𝟎 𝒂
( 𝟐 ) ( 𝟎 ) = (𝟑 )
𝟎 𝒂𝟏 𝟒
𝟑
𝟑
𝑎1 = 2; a0 = 1/3 ; donc
p1 (x) = 1/3 x + 2
𝑎0
Exemple 2 :calculer la meilleure approximation de la forme𝐹 (𝑥 ) = + 𝑎1 cos(𝑥 ) + 𝑎2 sin(𝑥)
2
pour la fonction h(x) = x 2 − 2πx + 2 sur [0,2𝜋]
b
Produit scalaire < 𝑔, ℎ, >= ∫a g(x)h(x)dx

𝜑0 = 1/2; φ1 = cos(𝑥 ) ; 𝜑2 = 𝑠𝑖𝑛(𝑥 ) ; ℎ(𝑥 ) = 𝑓(𝑥)

97
 2π 1 2π 1 2π 1
∫0 dx ∫0 cos(x)dx ∫0 sin(x)dx
4 2 2 a0
2π 1 2π 2π
∫0 2 cos(x)dx ∫0 cos 2
(x)dx ∫0 sin(x)cos(x)dx ( a1 ) =
2π 1 2π 2π a2
∫0 2 sin(x)dx ∫0 sin(x)cos(x)dx ∫0 sin2 (x)dx
( )
2π 1
∫0 (x 2 − 2πx + 2)dx
2
2π 2
∫0 (x − 2πx + 2)cos(x)dx
2π
∫0 (x 2 − 2πx + 2)sin(x)dx
( )

π 2
0 0 a0 − π3 + 2π
(2 ) (a1 ) = ( 3 )
0 π 0 a 4π
2
0 0 π 0
𝜋3 𝜋3
𝑎0 = 4 (1 − ) ; a1 = 4; 𝑎2 = 0 donc𝐹 (𝑥 ) = 2 (1 − ) + 4 cos(𝑥 )
3 3

98
 Série d’exercice n°4
Exercice1 : calculer la droite de meilleure approximation de la fonction :h(x) = x 2 +
2x sur [−1,1]
𝑎0
Exercice 2 : calculer la meilleure approximation de la forme 𝐹 (𝑥 ) = + 𝑎1 cos(𝑥 ) + 𝑎2 sin(𝑥)
2
pour la fonction h(x) = x 2 − 2πx + 2 sur [0,2𝜋].

Exercice 3 : calculer la meilleure approximation𝐹 (𝑥 ) = 𝑎0 + 𝑎1 𝑒 𝑥 + 𝑎2 𝑒 −𝑥 pour les points

𝒙𝒊 0 1 2 3

𝒚𝒊 1 1 2 4

Exercice 4 :calculer la droite de meilleure approximation de la fonction : h(x) = x 2 + 2x pour les

points :

−1 1
−1; ; 0; ; 1
2 2
Exercice 5 : Le tableau ci-dessous donne la conductivité thermique k du sodium pour différentes
valeurs de la température. Calculer la parabole de meilleure approximation.

T( 79 190 357 524 690

◦C)
Exercice 6 :
k 1.00 0.932 0.839 0.759 0.693
T ( ◦C) 0 21.1 73.8 54.4 71.1 87.8 100

µ (10−3 𝑚2 𝑠 −1 ) 1.79 1.13 0.696 0.519 0.338 0.321 0.296

On cherche le
1
polynôme 𝑝2∗ = 𝑎0∗ + 𝑎1∗ 𝑥 + 𝑎2∗ 𝑥 2 qui minimiseL’expression :∫−1(𝑓 (𝑥 ) 2
− 𝑝(𝑥 )) 𝑑𝑥 où

𝑓 (𝑥 ) = 𝑥 3 − 6𝑥 2 − 𝑥 +

1) Déterminer le polynôme 𝑝2∗ de meilleure approximation ausens des moindres carres de f (x)
pourw(x) = 1 et 𝑥𝜖[−1,1].

2) On considère les polynômes orthogonaux 𝐻𝑖 (𝑥) définis par larelation de récurrence :𝐻0 (𝑥 ) =
1; 𝐻1 (𝑥 ) = 2𝑥 𝑒𝑡 𝐻𝑛+1 (𝑥 ) = 2𝑥𝐻𝑛 (𝑥 ) − 2𝑛𝐻𝑛−1 (𝑥 )

Calculer𝐻2 , 𝐻3 et 𝐻4 .

a) Exprimer 𝑥 2 et 𝑥 3 en fonction des 𝐻𝑖 (𝑥) et en déduire l’expressionde f en fonction

des𝐻𝑖 (𝑥)
+∞ 2
b) En déduire alors la valeur de l’intégrale :∫−∞ 𝑓(𝑥 )𝑒 −𝑥 𝑑𝑥

𝑛
on donne :∫−∞ 𝐻𝑛 (𝑥 )𝐻𝑚 (𝑥 )𝑒 −𝑥 𝑑𝑥 = {2 𝑛! √2𝜋 𝑠𝑖 𝑛 = 𝑚
+∞ 2
0 𝑠𝑖 𝑛 ≠ 𝑚
99
Exercice 7 :On considère toujours la fonction f connue expérimentalement en trois points.
Cependant, on considère que les mesures sont entachées d’erreurs (f(0) ≈ 1, f(1) ≈ 3 et f(2) ≈ 7) et
on cherche une fonction f de la forme 𝑓(𝑥) = 𝑎 √ |𝑥 − 1| + 𝑏𝑥 2 .

1 - A priori, peut-on trouver une fonction de la forme 𝑓(𝑥) = 𝑎 √ |𝑥 − 1| + 𝑏𝑥 2 qui passe

exactement par les trois points expérimentaux

2- Ecrire le problème de minimisation qui détermine les coefficients a et b au sens des moindres
carrés.

3- Déterminer le système d’équations linéaires à résoudre. Résoudre le système.

Exercice 8 :

Soient 𝑓 (𝑥 ) = |𝑥 |𝑒𝑡 < 𝑔, ℎ >= ∑4𝑖=0 𝑔(𝑥𝑖 ) ℎ(𝑥𝑖 ), ∀𝑔, ℎ ∈ 𝐶 ([−1; 1]) où
−1 1
𝑥0 = −1; 𝑥1 = ; 𝑥2 = 0; 𝑥3 = ; 𝑥4 = 1
2 2
1. Déterminer le polynôme P de P2 qui réalise la meilleure approximation de f au sens des moindres
carrés.
7 4
2. Vérifier que 𝑄(𝑥) = 3 x 2 − 3 x 4 est le polynôme d'interpolation de f aux points xi, i=0 ,…,4.

3. Dans un même repère, tracer les graphes de f, P et Q sur [−1, 1]. Commenter.

Exercice 9 :

On considère l'ensemble E = C([−1, 1]) muni du produit scalaire

1
< 𝑔, ℎ >= ∫ 𝑔(𝑥 )ℎ(𝑥 )𝑑𝑥 ,
−1

Soit P1 l'ensemble des polynômes de degré ≤ 1 𝑒𝑡 𝑓 𝜖 𝐸.

1. Trouver en fonction de f, le polynôme P1(x) = a+bx qui réalise la meilleure approximation au

sens des moindres carrés de f dans P1.
1
2. Montrer que P1 peut se mettre sous la forme : P1(x) = ∫−1(1 + 3𝑥𝑡)𝑓 (𝑡)𝑑𝑥

3. Trouver P1 pour f(x) = −x3 − 2x. Tracer les graphes de f et P1.

4. Evaluer l'erreur et faire sa représentation graphique.

1 −1 3
Exercice 10 : Soit 𝑢1 = (1) ; 𝑢2 = ( 1 ) , 𝑣 = (0)
1 0 3
(i) Vérifier que sont orthogonaux.

(ii) Calculer la projection orthogonale projW(v) de v sur W = span{u1, u2}.

100
(iii) Donner la décomposition v = z + projW(v), où z ∈ 𝑊 ⊥

Exercice 11: Appliquer la méthode de Gram-Schmidt pour orthogonaliser les bases de sous-
espaces vectoriels de Rn suivantes.

1 0 0
1 1
3 1 1
a) 𝜑1 = (1) ; 𝜑2 = (2), 𝜑1 = ( ) ; 𝑏) 𝜑2 = ( ) , 𝜑2 = ( ),
2 1 0
1 1
1 0 0

 Donner une base orthonormale pour (i) et (ii).

101