Dr BEYI Boukary Année universitaire 2021 − 2022

Niveau d'Etude Licence 1

Unité d'Enseignement(UE) Mathématiques 1
Eléments Constitutifs(EC) Analyse Numérique Matriciel
Volume Horaire Cours(VHC) 23h
Volume Horaire TD,TP(VHTD) 22h
Contact(s) [email protected]
Niveau requis L2 (ESI)
Chargé du cours et TD Dr BEYI Boukary
Grade Assistant au Centre Universitaire de Banfora
Université de Tutelle Université Nazi Boni(UNB) de Bobo Dioulasso

Pour toutes remarques et suggestions bien vouloir me contacter sur le mail suivant :

[email protected]

Deuxième Année L 2 1 Analyse Numérique Matriciel

Table des matières

1 LE CALCUL MATRICIEL 4
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Matrices Carrées d'ordre n . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Formule du binôme de Newton . . . . . . . . . . . . . . . . 6
1.4.2 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.3 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Matrices symétriques, antisymétriques . . . . . . . . . . . . . . . . 7
1.6 Normes vectorielles, normes matricielle . . . . . . . . . . . . . . . . 8
1.6.1 Normes vectorielles . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.2 Normes matricielles . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Conditionnement d'un système linéaire . . . . . . . . . . . . . . . . 12
2 Systèmes Linéaires 15
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Système en escalier . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.2 Inconnues principales, inconnues secondaires . . . . . . . . . 16
2.2 Méthode directes de résolution de systèmes linéaires . . . . . . . . . 16
2.2.1 La méthode de l'inverse d'une matrice . . . . . . . . . . . . 16
2.2.2 La méthode du déterminant ou de CRAMER . . . . . . . . 16
2.2.3 Méthode d'élimination de Gauss et méthode de Gauss-Jordan 18
2.2.4 La méthode de factorisation ou de décomposition de Cholesky 19
2.2.5 Les méthodes itératives de JACOBI et de GAUSS-SEIDEL . 21
3 Interpolation Polynomiale de Lagrange et de Newton 24
3.1 Interpolation polynomiale de Lagrange . . . . . . . . . . . . . . . . 24
3.1.1 Bases de Lagrange . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . 24
2
Dr BEYI Boukary Année universitaire 2021 − 2022

3.2 Interpolation polynomiale de Newton . . . . . . . . . . . . . . . . . 29

3.2.1 Base de Newton . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.2 Détermination des coecients α par la méthode des dié-
rences divisées . . . . . . . . . . . . . . . . . . . . . . . . . . 30
k

Troisième Année L 3 3 CU-Banfora

Chapitre 1
LE CALCUL MATRICIEL

1.1 Généralités

Dénition 1.1. Une matrice à n lignes et p colonnes sur un corps K est un tableau
d'éléments de K comportant n lignes et p colonnes.

Notation 1.1. On note aij l'élément d'une matrice A situé sur la ligne i et la
colonne j . La matrice A s'écrit :
 
a11 · · · ap1
A =  ... . . . ... 
 
(1.1)
an1 · · · anp
ou encore
A = (aij )1≤i≤n;1≤j≤p. (1.2)
On dit que A est de format (n, p), ou de type (n, p), ou de taille (n, p).
Notation 1.2. L'ensemble des matrices à n lignes, p colonnes et à coecients
dans K, est noté Mn,p (K).

Remarque 1.1.  Si p = 1, A est une matrice colonne que l'on peut assimi-
ler à un vecteur colone de Kn .
 Si n = 1, A est une matrice ligne que l'on peut assimiler à un vecteur ligne
de Kp
 Si n = p, A est une matrice carrée d'ordre n. Mn,n (K) se note Mn (K). Les
éléments a11 , · · · , ann forment la diagonale principale de A.
 Deux matrices A et B sont egales si elles sont de même format, et si aij = bij
pour tout i ∈ {1, · · · , n} et pour tout j ∈ {1, · · · , p}.

4
Dr BEYI Boukary Année universitaire 2021 − 2022

1.2 Matrices particulières

Soit A = (a ) une matrice carrée d'ordre n.

1. A est triangulaire supérieure si a = 0 pour i > j
ij

2. A est triangulaire inférieure si a = 0 pour i < j

ij

3. A est diagonale si a = 0 pour i 6= j

ij

4.
ij

 

I =  .. . . . .. 
1 ··· 0

n

(1.3)
0 ··· 1
est la matrice identité d'ordre n.
5. A est scalaire si A = aI avec a ∈ R.
n

1.3 Opérations sur les matrices

1.3.1 Espace vectoriel

L'ensemble des matrices à n lignes et p colonnes à coecients dans K noté
M (K) muni des deux lois ∗ et + est un espace vectoriel.
n,p

En eet :
Soit λ ∈ K, et A = (a ) et B = (b ) deux matrices de M (K). On dénit :
ij ij n,p

λ ∗ A = (λa ) et A + B = (a + b )
ij ij(1.4) ij

Remarque 1.2. Attention, on ne peut additionner deux matrices que si elles sont
de même format.

Pour i ∈ {1, · · · , n} et j ∈ {1, · · · , p} xés, on note E la matrice dont le

coecient situe sur la ligne i et la colonne j est egal a 1 (i = j), et dont les autres
ij

coecients sont egaux a 0 (i 6= j).

(E )
ij 1≤i≤n;1≤j≤pest la base canonique de M (K), qui est donc de dimension np.
n,p

1.3.2 Produit de matrices

Si A est de format (n, p) et Bde format (p, q), on dénit la matrice C = AB,
de format (n, q), par :
(1.5)
p
X
∀i ∈ {1, · · · , n} j ∈ {1, · · · , q}, c = a b .
ij ik kj
k=1

Troisième Année L 3 5 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Remarque 1.3. Attention à la condition d'existence de AB :

nombre de colonnes de A = nombre de lignes de B .
Remarque 1.4. Le produit matriciel est associatif et non commutatif.

1.4 Matrices Carrées d'ordre n

1.4.1 Formule du binôme de Newton
Si AB = BA, alors :
(1.6)
m
X
(A + B)m k k m−k
Cm A B .
k=1

1.4.2 Matrices inversibles

Une matrice A ∈ M (K) = M (K) est inversible s'il existe B ∈ M (K) telle
que :
n,n n n

AB = BA = I . n (1.7)
Si la matrice B existe alors elle est unique et on la note A . −1

Remarque 1.5. Les éléments inversibles de Mn,p (K) forment un groupe G£n (K),
isomorphe au groupe linéaire G£n (K). On a en particulier :

(AB)−1 = B −1 A−1 . (1.8)

Remarque 1.6. Dans l'espace (Mn (K), ∗, +), pour que la matrice A soit inver-
sible, il sut qu'elle soit inversible à droite, ou à gauche.

1.4.3 Transposition
Dénition 1.2. La transposée d'une matrice A de format (n, p), est la matrice de
format (p, n), notée t A, de terme général bij :

∀i ∈ {1, · · · , p} ∀j ∈ {1, · · · , n} bij = aji . (1.9)

Elle est donc obtenue à partir de A en échangeant les lignes et les colonnes.
Propriété 1.4.1. 1. t (t A) = A.
2. t (λA) = λ(t A).
3. t (A + B) =t A +t B .
4. t (AB) =t At B .
5. t (A−1 ) = (t A)−1 .

Troisième Année L 3 6 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

1.5 Matrices symétriques, antisymétriques

Une matrice carrée A est symétrique si A = A et antisymétrique si A = −A.

t t

Les matrices symétriques et les matrices antisymétriques constituent des sous-

espaces vectoriels supplémentaires de M (K). n,p

Exercice 1.1. Soit A = (aij ) la matrice carrée d'ordre n dénie par son terme
général : 
aij = 0 Si i>j
(1.10)



 
j−1
 aij = (−1)i−1 Si i ≤ j.


i−1
Calculer A2 .

Exercice 1.2. a et b étant deux réels donnés, on considère la matrice :

 
a b b
A= b a b  (1.11)
b b a

Calculer An pour n ∈ N∗ .

Exercice 1.3. Calculez l'inverse de la matrice :

 
1 2 2
A= 1 2 1  (1.12)
1 1 1

Exercice 1.4. Calculez l'inverse de la matrice :

B = A2 . (1.13)

Troisième Année L 3 7 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

1.6 Normes vectorielles, normes matricielle

Dans toute cette section K = R ou K = C

1.6.1 Normes vectorielles
Dénition 1.3. Une norme sur un espace vectoriel V est une application k • k :
V →R +
qui vérie les propriétés suivantes :
•
kuk = 0 ⇐⇒ u = 0.
• (Homogéneïté circulaire)
kαuk = |α|kuk ∀ α ∈ K, ∀ u ∈ V.

• (Inégalité Triangulaire)
ku + vk ≤ kuk + kvk ∀ u ∈ V, ∀ v ∈ V.

Une norme sur V est également appelée norme vectorielle.

Remarque 1.7. Un espace vectoriel normé est un espace vectoriel muni

d'une norme.
proposition 1.1. Soit u ∈ Kn , pour tout nombre réel p ≥ 1 l'application k • kp
dénie par :
n
! p1
X
kukp = |ui |p
i=1

est une norme sur V = K n

Preuve 1.1. Montrer que l'application k • kp dénie par

n
! p1
X
kukp = |ui |p
i=1

dénie une norme sur V revient à vérier les trois critères.

En ee :

n
!1
p
a)
X
Soit u ∈ Kn tel que kukp = 0 =⇒ |ui |p = 0 or la somme d'élé-
i=1
ments positifs nulle implique que chaque élément est nul donc |ui |p = 0 =⇒

Troisième Année L 3 8 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

u = 0Kn = (0, 0, · · · , 0).

n
! p1
X
Supposons maintenant que u = 0Kn =⇒ |ui |p = 0 =⇒ |ui |p =
i=1
1
(0 + 0 + · · · + 0) p = 0 donc kukp = 0. De cette double implication on peut
conclure que :
kuk = 0 ⇐⇒ u = 0.
b) Soit α ∈ K et u ∈ Kn on a :

n
! p1 n
! p1 n
! p1
X X 1 X
kαukp = |α|p |ui |p = |α|p |ui |p = (|α|p ) p |ui |p
| {z }
i=1 i=1 i=1
|α| | {z }
kukp

Donc
kαukp = |α|kukp
c) Soient u, v ∈ Kn on a :

n
! p1 n
! p1 n
! p1
X X X
ku+vkp = |ui + vi |p ≤ |ui |p + |ui |p = kukp +kvkp .
i=1 i=1 i=1

Exercice 1.5. Soient x et y deux vecteur de Cn .

1. Trouver α ∈ C tel que :< αx − y, x >= 0
2. En calculant kαx − yk22 . Montrer que :

| < x, y > | ≤ kxk2 kyk2

3. Soit x 6= 0. Montrer que l'inégalité ci-dessus est une égalité si et seulement
si y = αx.
Lemme 1.1. (Inégalité de Cauchy-Schwartz) ∀ x, y ∈ Kn :

| < x, y > | ≤ kxk2 kyk2

Cette inégalité s'appelle l'inégalité de Cauchy-Schwarz. On a égalité si et seulement
si x et y sont colinéaires.
1 1
Lemme 1.2. (Inégalité de Holder) Pour p > 1 et + = 1, on a ∀ u, v ∈ Kn :
p q
n n
! p1 n
! 1q
X X X
|ui vi | ≤ |ui |p |vi |q = kukp kvkq
i=1 i=1 i=1

Cette inégalité s'appelle l'inégalité de Holder.

Troisième Année L 3 9 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Dénition 1.4. Deux normes k•ka etk•kb dénient sur un même espace vectoriel
V , sont équivalentes s'il existe deux réels β et λ tel que :

kuka ≤ βkukb et kukb ≤ λkuka , ∀ u ∈ K.

proposition 1.2. Dans un espace vectoriel de dimension ni n, toutes les normes
sont équivalentes.

1.6.2 Normes matricielles

Dénition 1.5. Une norme matricielle sur l'ensemble des matrices carrées d'ordre
n à coecients dans K noté Mn (K) est une application k • k : Mn (K) → R+ qui
vérie les propriétés suivantes :
•
kAk = 0 ⇐⇒ A = 0Mn (K) .
• (Homogéneïté circulaire)
kαAk = |α|kAk ∀ α ∈ K, ∀ A ∈ Mn (K).

• (Inégalité Triangulaire)
kA + Bk ≤ kAk + kBk ∀ A ∈ Mn (K), ∀ B ∈ Mn (K).

•
kA + Bk ≤ kAkkBk ∀ A ∈ Mn (K), ∀ B ∈ Mn (K).
Une norme sur Mn (K) est également appelée norme matricielle.

Norme subordonnée
proposition 1.3. Etant donné une norme vectorielle k • k sur Cn , l'application
k • k : Mn (K) → R +
dénie par :

kAvk
kAks = sup = sup kAvk = sup kAvk.
v∈Cn ,v6=0 kvk v∈Cn ,kvk≤1 v∈Cn ,kvk=1

est une norme matricielle appelée norme matricielle subordonée à la norme

vectorielle donnée.
De plus :
kAvk ≤ kAks kvk, ∀ v ∈ Cn .
Il existe au moins un vecteur u ∈ Cn tel que :

u 6= 0 et kAuk = kAks kuk.

Troisième Année L 3 10 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Remarque 1.8. Une norme subordonnée vérie toujours la relation suivante :

kIn ks = 1
Théorème 1.1. Soit A = (aij )i,j=1:n ∈ Mn (K) on a :
1. La norme 1 dénie par :
n
X
kAk1 = max |aij |
j=1:n
i=1

2. La norme 2 ou norme Euclidienne dénie par la racine carré du rayon

spectral du produit de A et de son adjoint A∗ :
p p
kAk2 = ρ(AA∗ ) = ρ(A∗ A) = kA∗ k2
3. La norme ∞ dénie par :
n
X
kAk∞ = max |aij |
i=1:n
j=1

Conséquence 1.1. 1. Si A est une matrice hermitienne ou symétrique on a :

kAk2 = ρ(A)
2. Si une matrice A est unitaire ou orthogonale on a :

kAk2 = 1
Théorème 1.2. 1. Si A = (aij )i,j=1:n ∈ Mn (K) et k • k une norme matricielle
quelconque alors :
ρ(A) ≤ kAk2 .
2. Etant donné une matrice A et un nombre ε > 0, il existe au moins une
norme matricielle subordonnée telle que :

kAk ≤ ρ(A) + ε

Norme de Frobenious
Théorème 1.3. (Norme de Frobenious) L'application k•k : Mn (K) → R+ dénie
par : p
kAkf ro = tr(A∗ A).
On a aussi pour n ≥ 2 la relatiion :
√
kAk2 ≤ kAks ≤ nkAk2 , ∀ A ∈ Mn (K)
Avec √
kIn kf ro = n

Troisième Année L 3 11 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

1. Soit k • k une norme matricielle subordonnée et B ∈ M (K) une matrice

vériant :
n

kBk < 1.
Alors la matrice (I + B) est inversible et
n

1
k(In + B)−1 k ≤
1 − kBk

2. Si une matrice de la forme (I+B) est singulière alors nécessairement

kBk ≥ 1

pour toute norme matricielle subordonnée ou non.

1.7 Conditionnement d'un système linéaire

Dénition 1.6. Soit k • k une norme matricielle subordonnée, le conditionnement

d'une matrice régulière A ∈ Mn (K) associé à cette norme est le nombre :

cond(A) = kAkkA−1 k.

On notera :
condp (A) = kAkp kA−1 kp
proposition 1.4. Soit A une matrice régulière. On a les propriétés suivantes :
∗
1. ∀α ∈ K ;
cond(αA) = cond(A)
2.
condp (A) ≥ 1, ∀p ∈ [1, +∞]
3.

cond2 (A) = 1 ⇐⇒ A = αB, α ∈ K∗ , B une matrice unitaire.

Théorème 1.4. Soit A une matrice inversible. Soient x et x + ∆x les solutions

respectives de :
Ax = b et A(x + ∆x) = b + ∆b
Supposons b 6= 0 alors l'inégalité :

k∆xk k∆xk
≤ cond(A)
kxk kxk
est satisfaite et c'est la meilleur possible.

Troisième Année L 3 12 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Théorème 1.5. Soit A et A + ∆A deux matrices inversibles. Soient x et x + ∆x

les solutions respectives de :

Ax = b et (A + ∆A)(x + ∆x) = b

Supposons b 6= 0 alors l'inégalité :

k∆xk k∆Ak
≤ cond(A)
kx + ∆xk kAk
est satisfaite et c'est la meilleur possible.

TRAVAUX DIRIGES SUR LE CALCUL MATRICIEL

Exercice 1
Soit un entier n > 0.
1. Montrer que les applications suivantes dénies sur R sont des normes sur
n

R .
n
n
X
x 7→ kxk1 = |xi |
i=1

n
! 12
X
x 7→ kxk2 = |xi |2
i=1

x 7→ kxk∞ = max |xi |

i=1:n

2. Montrer que pour 1 ≤ p < +∞, l'application suivante dénie sur R est n

une norme sur R , n

! 1
n
X p

x 7−→ kxkp = |xi |p

i=1

Exercice 2
Montrer que les relations suivantes sur R n

1.
kxk∞ ≤ kxk1 ≤ nkxk∞
2. √
kxk∞ ≤ kxk2 ≤ nkxk∞
3. √
kxk2 ≤ kxk1 ≤ nkxk2

Troisième Année L 3 13 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Exercice 3
Soit A une matrice carrée d'ordre n > 0, A = (a ) . Pour 1 ≤ p ≤ +∞ on
note par kk la norme matricielle calculée à partir de la norme vectorielle kk i.e :
ij j=1,··· ,n
p p

kAxkp
kAkp = sup kAxkp = sup kAxkp = sup .
kxk=1 kxk≤1 kxk6=0 kxkp

Montrer que :
1. n
X
kAk = max |aij |
j=1:n
i=1

2. n
X
kAk = max |aij |
j=1:n
i=1

Exercice 4
Soit A une matrice carrée d'ordre n > 0, A = (a ) . Pour 1 ≤ p ≤ +∞
on note par cond (A) le nombre de conditionnement de A calculé avec la norme
ij j=1,··· ,n

matricielle kk . Montrer que :

p
p

1. cond (A) ≥ 1
p

2. cond (αA) = v
p cond (A), ∀α 6= 0
p
∗

3. cond (A) = u , où les nombres λ (A A) sont les valeurs

u max(λ (A A))
i
i ∗
2
t i
∗
min(λ (A A))i

propres de la matrice A A tandis que A est l'adjoint de A.

i
∗ ∗

Troisième Année L 3 14 CU-Banfora

Chapitre 2
Systèmes Linéaires

2.1 Généralités

Un système de n équations linéaires à p inconnues à coecients dans K est de

la forme : 

 a11 x1 + · · · + a1p xp = b1

..


(2.1)



(S)

.




 an1 x1 + · · · + anp xp = bn
Les coecients a et les seconds membres b sont des éléments donnés de K.
Les inconnues x , · · · , x sont à chercher dans K.
ij i
1 p
Le système homogène associé à (S) est le système obtenu en remplaçant
les b par 0.
Une solution est un p − uplet (x , x , · · · , x ) qui vérie (S).
i

Résoudre (S), c'est chercher toutes les solutions.

1 2 p

Un système est impossible ou incompatible, s'il n'admet pas de solution.

Deux systèmes sont équivalents s'ils ont les même solutions.
2.1.1 Système en escalier
Quand un système linéaire contient une équation du type :
0x1 + 0x2 + · · · + 0xn = b. (2.2)
 Si b 6= 0 le système est impossible.
 Si b = 0 on peut supprimer cett équation, ce qui conduit au système
réduit.

15
Dr BEYI Boukary Année universitaire 2021 − 2022

Dénition 2.1. Un système (S) est en escalier ou échélonné si après réduction, le

nombre de premiers coecients nuls successifs de chaque equation est strictement
croissant.

2.1.2 Inconnues principales, inconnues secondaires

Soit r le rang de (S) et p le nombre d'inconnues.
 Si r = p, (S) a une solution unique. On dit que le système est de Cramer.
 Si r < p, (S) a une innité de solution. Les r inconnues qui gurent au
début des r équations issues de la méthode de Gauss sont les inconnues
principales. Elles peuvent se calculer de façon unique en fonctions des p − r
autres inconnues, dites inconnues secondaires.
Remarque 2.1. Le choix des inconnues principales et secondaires d'un
système est largement arbitraire. Mais leur nombre est toujours le même.

2.2 Méthode directes de résolution de systèmes li-

néaires

2.2.1 La méthode de l'inverse d'une matrice

Cette méthode est conseiller pour les systèmes linéaires de à nombre très ré-
duit d'inconnues c'est à dire 2 ou 3 à cause de la complexité dans l'élaboration de
l'inverse d'une matrice. Pour utliser cette méthode il faut s'assurer que la matrice
A est inversible (det(A) 6= 0).

En eet :
AX = b =⇒ A−1 Ax = A−1
Or :
A−1 A = I =⇒ x = A−1 b.

2.2.2 La méthode du déterminant ou de CRAMER

De son vrai nom DANIEL CRAMER, Mathématicien Suisse de 1704 − 1752 a
introduit l'expression générale de la solution d'un système linéaire de n équations
à n inconnues.

Troisième Année L 3 16 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Description de la méthode pour n = 2

Soit à résoudre un système linéaire de la forme suivante :

 ax + by = c, (1)
(Γ)
αx + βy = λ (2)


tous des nombres réels.

Etape 1 On calcul le déterminant principal ∆ et les déterminants sécondaires
∆x et ∆y :

a b c b a c
∆= = aβ − bα; ∆x = = cβ − bλ; ∆y = = aλ − cα
α β λ β α λ

Etape 2 Si ∆ 6= 0 et ∆x, ∆y quelconque on obtient une solution unique de la

forme : ∆x ∆y

∆x ∆x

x= ;y = =⇒ SR2 = , .
∆ ∆ ∆ ∆
Etape 3 Si ∆ = 0 et ∆x 6= 0, ∆y 6= 0 alors le système n'admet pas de solutions
réelles, donc S = ∅
R2

Etape 4 Si ∆ = 0 et ∆x = 0, ∆y = 0 alors le système admet une innité de

solutions réelles de la forme :
SR2 = (x, y) ∈ R2 /ax + by = c .


Exemple 2.1. Soit à résoudre :

1. 
 x − 2y = 1
Γ1
−2x + 4y = 3 .


2. 
 3x − 4y = 2

Γ1
 − 3 x + 2y = −1 .

2

Description de la méthode pour n > 2

Pour n > 2 on cherche toujours à se ramener à un système équivalent de deux
équations à deux inconnues puis on applique la méthode de CRAMER.
Troisième Année L 3 17 CU-Banfora
Dr BEYI Boukary Année universitaire 2021 − 2022

Exemple 2.2. Soit le système linéaire de 4 équations à 4 inconnues suivant :



 x−y+z+t=1
2x + y − 2z − 3t = −3

Γ

 −x + 2y + z − 3t = −7
3x + 2y − z + t = 11


2.2.3 Méthode d'élimination de Gauss et méthode de Gauss-

Jordan
Soit le système linéaire Ax = b avec A une matrice carrée d'ordre n qui est
inversible. L'idée de la méthode d'élimination de Gauss est de transformer la ma-
trice A en une matrice triangulaire inférieure("la méthode de la descente") ou en
une matrice triangulaire supérieure("la méthode de la descente"). En permutant
éventuellement deux inconnues et deux équations, on peut supposer que a 6= 0.
Pour i > 1, les transformations E ← E − a E (remplacement de E par E −
11
a i1
i i 1 i i

E ) conduisent à un système équivalent et éliminer l'inconnu x dans les équa-

11
a
i1
1 1

tions autres que E .

a11
1

Le terme a est le pivot de l'étape de l'algorithme. En réitérant le procédé, on

aboutit à un système en escalier.
11

Remarque 2.2. Le nombre d'équations du système(non impossible) réduit en es-

calier et obtenu par la méthode de Gauss est le rang r du système (S)
Remarque 2.3. Pour la méthode de Gauss-Jordan on transforme la ma-
trice A en une matrice diagonale si bien sure elle est diagonalisable.
Exercice 2.1. Resolvez le système linéaire suivant :

 x + 2y − z = 1,
(S1 ) 2x − 3y + 2z = −2 (2.3)
3x + y − z = 3 .


Exercice 2.2. Resolvez le système linéaire suivant :


x − y + 2z − t = −8,
(2.4)


2x − 2y + 3z − 3t = −20

(S2 )

 x + y + z = −2 .
x − y + 4z + 3t = 4 .


Exercice 2.3. En discutant suivant les valeurs de a, b, c résolvez le système linéaire

suivant : 
 3x − 5y + z = a
(S3 ) x + 2y − 3z = b (2.5)
5x − 12y + 5z = c .


Troisième Année L 3 18 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

2.2.4 La méthode de factorisation ou de décomposition de

Cholesky
proposition 2.1. Soit A une matrice carrée d'ordre n à coecients dans R, A ∈
Mn (R). On dit que la matrice A est symétrique si :

At = A

proposition 2.2. Soit A une matrice carrée d'ordre n à coecients dans R, A ∈

Mn (R). On dit que la matrice A est dénie positive si les n déterminants des
sous matrices principales notés (αi )i=1:n sont strictements positifs.

Théorème 2.1. (Décomposition de Cholesky)

Si A est une matrice symétrique et dénie positive, il existe une matrice triangu-
laire inférieur L, telle que :
A = L × Lt
De plus si on impose aux coecients diagonaux de L d'être positifs alors la dé-
composition de Cholesky est unique.

Remarque 2.4. La décomposition de Cholesky est un cas particulier de la décom-

position LU où L est triangulaire inférieure et U triangulaire supérieure.

Ainsi le système Ax = b devient :

L.Lt x = b

Posons :
Lt x = y
Donc on obtient un système linéaire suivant que l'on sait résoudre :

Ly = b
Lt x = y, .
Exemple 2.3. Soit :
   
1 1 −1 2
b= 1  A =  −1 5 −4 
2 2 −4 6

1. Ecrire A sous la forme L.Lt par la décomposition de Cholesky

2. Résoudre le système linéaire

AX = b Avec X = (x, y, z).

Troisième Année L 3 19 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Solution

1. A est symétrique car :

 
1 −1 2
At =  −1 5 −4  = A
2 −4 6

Elle dénie positive car tous ses n déterminants principales sont stricte-
ments positifs. Posons
   
l11 0 0 l11 l21 l31
L =  l21 l22 0  =⇒ Lt =  0 l22 l32 
l31 l32 l33 0 0 l33

On cherche les l de telle sorte que L.L = A.

ij
t

 2

l11 l11 l21 l11 l31
L.Lt =  l21 l11 2
l21 + l222
l21 l31 + l22 l32 
2 2 2
l31 l11 l31 l21 + l32 l22 l31 + l32 + l33

Par identication et par imposition que les coecients diagonaux de la

matrice L soient strictement positifs on obtient :
   
1 0 0 1 −1 2
L =  −1 2 0  =⇒ Lt =  0 2 −1 
2 −1 1 0 0 1

2. Pour résoudre l'équation Ax = b par la méthode de décomposition de Cho-

lesky on aboutit au système suivant :
 

  y1 = 1
−y1 + 2y2 = 1 =⇒ y2 = 1
.




2y1 − y2 + y3 = 2 =⇒ y3 = 1
 
 
L.Y = b Y = (y1 , y2 , y3 )

=⇒
Lt X = Y 
 x − y + 2z = y1 = 1 =⇒ x = 0




2y − z = y2 = 1 =⇒ y = 1
.




z = y3 = 1 =⇒ z = 1
 

La solution du système linéaire Ax = b est :

SR3 = {(0, 1, 1)}

Troisième Année L 3 20 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

2.2.5 Les méthodes itératives de JACOBI et de GAUSS-

SEIDEL
Les méthodes de Jacobi et de Gauss-Seidel sont appelées technique de relaxa-
tion ou méthodes itératives.
Le principe des méthodes itératives est de demarrer à partir d'une solution initiale.
On modie la solution initiale par des itérations de sorte à obtenir une converge
vers la solution réelle avec une certaine précision.
Propriété 2.2.1. Pour appliquer les méthodes itératives dans la résolution des
systèmes linéaire il faut s'assurer que la matrice issue dudit système soit à diago-
nale dominante.
proposition 2.3. Une matrice A = (aij )i,j=1:n est à diagonale dominante si la
valeur absolue de l'élément de la diagonale est supérieure à la somme des autres
éléments sur ladite ligne.
|aii | > |aij |, i 6= j
Remarque 2.5. Dans le cas où on a pas un système à diagonale domi-
nante, on procède par pivotement pour obtenir un système à diagonale
dominante.
Dans cette section nous procederons par une illustration directe an de mieux
comprendre. En eet

soit à résoudrele système

linéaire

Ax = b avec :
 
−2 0 10 x1 7
A=  10 −1 0  x=  x2  b=  9 
−1 10 −2 x3 10
1. Vérier si la matrice est à diagonale dominante. Sinon réecrire le système
de sorte que la matrice soit à diagonale dominante.
2. Calculer les trois premières itérations par les méthodes itératives de Jacobi
et de Gauss-Seidel. On prendra x = (0, 0, 0).
t
0
Solution

1. 
−2 0 10

x1
 
7

 10 −1 0   x2  =  9 
−1 10 −2 x3 10
La matrice A n'est pas àdiagonale dominante car :
 | − 2| < |0| + |10|
| − 1| < |10| + |0|

| − 2| < | − 1| + |10| .
Troisième Année L 3 21 CU-Banfora
Dr BEYI Boukary Année universitaire 2021 − 2022

Pour la rendre à diagonale dominante nous allons procéder par pivotement

de lignes car cela ne modie le système ni n'altère la solution. En eet si
la deuxième ligne du système devient la première et la troisième devient la
deuxième alors :     
10 −1 0 x2 9
 −1 10 −2   x3  =  10 
−2 0 10 x1 7
Comme l'inconnue x = (x , x , x ) est à variables muettes alors on a :
1 2 3
    
10 −1 0 x1 9
 −1 10 −2   x2  =  10 
−2 0 10 x3 7
On remarque que la matrice

est diagonale dominante. Le système devient :
 10x1 − x2 = 9 (1)
−x1 + 10x2 − 2x3 = 10 (2)
−2x1 + 10x3 = 7 (3)


Dans chaque équation (1), (2), (3) on exprime chaque composante x =

f (x , x , x ), x = f (x , x , x ) et x = f (x , x , x ). Ainsi on a :
1
1 2 3 2 1 2 3 3 1 2 3

9 1


 x1 = + x2

 10 10
1 1

x2 = 1 + x1 + x3
 10 5
 x3 = 7 + 1 x1



10 5
A partir de ce système on distinguera deux schemas numériques à savoir
celle de Jacobi ou celle de Gauss-Seidel en fonction de l'itération.
En eet pour tout entiernaturel k on a :
9 1

 xk+1
1 = + xk2 x01 , x02 , x03 , connu

 10 10
1 1

Schema de Jacobi xk+1
2 = 1 + xk1 + xk3 x01 , x02 , x03 , connu
 10 5

 xk+1
 7 1 k
= + x x01 , x02 , x03 , connu

3
10 5 1
9 1 k

k+1
 x 1 = + x
10 10 2



1 1

Schema de Gauss − Seidel xk+1 2 = 1 + xk+1 1 + xk3
 10 5

 xk+1
 7 1 k+1
= + x

3
10 5 1
Troisième Année L 3 22 CU-Banfora
Dr BEYI Boukary Année universitaire 2021 − 2022

2.
Travaux Dirigés(TD) et Travaux pratiques(TP) sous MATLAB
Exercice 1
Soit le système suivant à résoudre :

3 1
x + y + z = −5


2 2







1 1

(S1 ) : x + 2y + z=2


 2 2



 − 1x + y + 5z = 1



2 2
1. Résoudre dans R le système d'équation suivant par une méthode directe
3

de votre choix
2. Implémenter sous matlab la solution par la méthode de Jacobi pour X =
0

(0, 1, 0) à 200 itérations.

3. Implémenter sous matlab la solution par la méthode de Gauss-Seidel pour
X = (0, 1, 0) à 200 itérations.
0

4. Déterminer la norme 1, 2 de chaque solution sous matlab et comparer.

Exercice 2


 −3x + 4y − 2t = 2




 −4x + 5y + 2z − 4t = 1


(S2 ) :
−3z + 2t = 3








−2z + t = 4


1. Résoudre dans R le système d'équation suivant par une méthode directe

4

de votre choix
2. Implémenter sous matlab la solution par la méthode de Jacobi pour X =
0

(0, 0, 0) à 200 itérations.

3. Implémenter sous matlab la solution par la méthode de Gauss-Seidel pour
X = (0, 0, 0) à 200 itérations.
0

4. Déterminer la norme 1, 2 de chaque solution sous matlab et comparer.

Troisième Année L 3 23 CU-Banfora
Chapitre 3
Interpolation Polynomiale de
Lagrange et de Newton

3.1 Interpolation polynomiale de Lagrange

3.1.1 Bases de Lagrange

Soit x , x , · · · , x n+1 réels donnés distincts. On dénit n + 1 polynômes l
pour i = 0 : n par :
0 1 n i

n
Y (x − xk ) (x − x0 )(x − x1 ) · · · (x − xi−1 )(x − xi+1 ) · · · (x − xn )
li (x) = =
k=0
(xi − xk ) (xi − x0 )(xi − x1 ) · · · (xi − xi−1 )(xi − xi+1 ) · · · (xi − xn )

Le numérateur de chacun de ces polynômes est un produit de n termes (x − x ) et

est donc un polynôme de degré n. Le dénominateur est une constante. On a donc
k

1. l (x) est un polynôme de dégré n

i

2. l (x ) = 0 si i 6= k et 0 ≤ k ≤ n.
i k

3. l (x ) = 1
i i

Dénition 3.1. Les polynômes li (x) sont les polynômes de Lagrange de Rn [X]
associés aux points x0 , · · · , xn .

proposition 3.1. Les polynômes l0 (x), l1 (x), · · · , ln (x) forment une base de Rn [X].

3.1.2 Interpolation de Lagrange

Soit f une fonction donnée dénie sur R à valeurs dans R et x , x , · · · , x n+1
réels donnés distincts. Interpoler la fonction f par un polynôme de degré n aux
0 1 n

24
Dr BEYI Boukary Année universitaire 2021 − 2022

pointsx , x , · · · , x consiste à résoudre le problème suivant :

0 1 n

 T rouver un polynome p de degre ≤ n tel que

(3.1)

p(xi ) = f (xi ), 0≤i≤n .
Si un tel polynôme existe, il s'écrit de manière unique :
n
X
p(x) = αi li (x) = α0 l0 (x) + α1 l1 (x) + · · · + αn ln (x)
i=0

car les l (x) forment une base de R [X]. Ce polynôme aux points x , x , · · · , x
c'est à dire (x ) est :
i n 0 1 n
k k=0:n
n
X
p(xk ) = αi li (xk )

Or :
i=0


li (xk ) = 0, pour 0 ≤ k ≤ n et i 6= k
lk (xk ) = 1, pour i = k .
Ainsi :
αk = p(xk ) = f (xk )
proposition 3.2. L'unique solution du problème (3.1) est donc :
n
X
p(x) = f (xi )li (x).
i=0

Ce polynôme s'appelle l'interpolant de la fonction f de degré n aux points x0 , x1 , · · · , xn .

Propriété 3.1.1. Le polynôme d'interpolation de Lagrange aux points x0 , x1 , · · · , xn
d'un polynôme de degré ≤ n est lui-meme.
Propriété 3.1.2. Si l'on prend pour f le polynôme constant égal à 1, d'après la
remarque précédente, f est égale à son interpolant et on obtient :
n
X
li (x) = 1
i=0

Remarque 3.1. D'une manière générale, si l'on dispose de n + 1 points

d'interpolation il faut un polynôme de degré au plus n.
Exercice 3.1. On considère x, y ∈ R4 donnés par :
x = [−2, 0, 1, 2] et y = [4, 0, 0, 4].
Parmi les polynômes suivants, lequel est le polynôme d'interpolation P aux points
x, y . (Justier votre reponse).

Troisième Année L 3 25 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

1.
2 8
p1 (x) = x4 − x3 − 3x2 + x
3 3
2.
4 4
p2 (x) = x2 −
3 3
3.
1 4
p3 (x) = x3 + x2 − x
3 3
Solution
On dispose d'un nuage de quatres(04) points (x , y ) i i i=1,2,3,4 comme suit :
(−2, 4); (0, 0); (1, 0); (2, 4).
Le polynôme p de Lagrange qui interpole ces données doit impérativement vérier
les critères suivants :  ◦
d P ≤ 3,


 p(−2) = 4


p(0) = 0
p(1) = 0
.




p(2) = 4


Le polynôme p (x) 4est exclu car d (P ) = 4 > 3. le polynôme p (x) est également
1
◦
2

exclu car p (0) = − 3 6= 0. c'est le polynôme p (x) qui est l'interpolant car il vérie
tous les critères.
2 3

Exercice 3.2. 1. Montrer qu'il existe une innité de polynômes de dégré 2

dont le graphe passe par les points (0, 0) et (1, 0).
2. Montrer qu'il n'existe pas de polynôme de dégré 2 passant par les points
(0, 1), (1, 4), (2, 15) et (3, 40).
Solution

1. Soit p un polynôme de dégré 2 donc il existe a, b et c trois réels tel que :

p(x) = ax2 + bx + c, a 6= 0
Dire que le graphe du polynôme p passe par les points (0, 0) et (1, 0) signie
que

: 
p(0) = 0 =⇒ c = 0 c=0
=⇒ =⇒ p(x) = a(x2 −x)
p(1) = 0 =⇒ a + b + c = 0 a = −b
Comme la valeur de a n'est xée alors il existe une innité de
polynômes de dégré 2 dont le graphe passe par les points (0, 0) et
.
(1, 0)

Troisième Année L 3 26 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

2. Soit p un polynôme de dégré 2, donc il existe a, b et c trois réels tel que :

p(x) = ax2 + bx + c, a 6= 0

Dire que le graphe du polynôme p passe par les points (0, 1), (1, 4), (2, 15)
et (3, 40) signi que :
  

 p(0) = 1 =⇒ c = 1 
 c=1 
 c=1
p(1) = 4 =⇒ a + b + c = 4 a+b+c=4 a+b=3
  
=⇒ =⇒

 p(2) = 15 =⇒ 4a + 2b + c = 15 
 4a + 2b + c = 15 
 2a + b = 7
p(3) = 40 =⇒ 9a + 3b + c = 40 9a + 3b + c = 40 3a + b = 13
  

c=1 
c=1


 a+b=3

 

a+b=3

a+a + b = 7 . =⇒ =⇒ a + b = 5 6= 3

 | {z } 
 a=4
3
b=1

 
 3a + b = 13

Le système n'admet donc pas de solution. Par conséquent il n'existe pas de

polynôme de dégré 2 dont le graphe passe par les points (0, 1), (1, 4), (2, 15)
et (3, 40)
Exercice 3.3. Calculer les polynômes d'interpolation de Lagrange aux points sui-
vants :
1. x = [−1, 2, 3] ;y = [4, 4, 8]
2. x = [−2, −1, 0, 1] ;y = [0, −2, −4, 0]

Solution

1. Considerons le nuage formé des points (x , f (x )) = (−1, 4) ;(x , f (x )) =

(2, 4) ;(x , f (x )) = (3, 8).
0 0 1 1

Comme nous disposons de trois points alors un interpolant polynômial de

2 2

type Lagragien est de dégré au plus 2 de la forme :

p(x) = f (x0 )l0 (x) + f (x1 )l1 (x) + f (x2 )l2 (x) = 4l0 (x) + 4l1 (x) + 8l2 (x).

Avec : 
(x − x1 )(x − x2 ) 1
l0 (x) = = (x − 2)(x − 3) (1)


(x0 − x1 )(x0 − x2



 12
 (x − x0 )(x − x2 ) −1
l1 (x) = = (x + 1)(x − 3) (2)

 (x1 − x0 )(x1 − x2 3

 (x − x0 )(x − x1 ) 1
 l2 (x) = = (x + 1)(x − 2) (3)


(x2 − x0 )(x2 − x1 ) 4

Troisième Année L 3 27 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

2. Considerons le nuage formé des points (x , f (x )) = (−2, 0) ;(x , f (x )) =

(−1, −2) ;(x , f (x )) = (0, −4), (x , f (x )) = (1, 0).
0 0 1 1

Comme nous disposons de trois points alors un interpolant polynômial de

2 2 3 3

type Lagragien est de dégré au plus 2 de la forme :

p(x) = f (x0 )l0 (x) + f (x1 )l1 (x) + f (x2 )l2 (x) + f (x3 )l3 (x) = −2l1 (x) − 4l2 (x).
Avec : 
(x − x0 )(x − x2 )
 l1 (x) = = −x(x + 2) (2)


(x1 − x0 )(x1 − x2
(x − x0 )(x − x1 ) 1
 l2 (x) = = (x + 2)(x + 1) (3)


(x2 − x0 )(x2 − x1 ) 2
Donc :
p(x) = −2x − 4.
On remarque que si on calcul p(1) on trouve −6 6= f (1) = 0 ceci est normal
car l'interpolation ne concerne qu'au plus n = 3 valeurs pour ce cas.
Exercice 3.4. Construire le polynôme d'interpolation de Lagrange de dégré 2 pour
la fonction f : x 7−→ ex dans l'intervalle [−1; 1] avec les points d'interpolations
x0 = −1, x1 = 0 et x2 = 1. Représenter graphiquement sous matlab la fonction f
et l'interpolant de Lagrange.

Solution
Les points d'interpolations x sont x ;
= −1 x1 = 0 et x = 1 . On cherche un
polynôme de dégré 2 tel que :
k 0 2

2
X
p2 (x) = f (xi )li (x) = f (x0 )l0 (x) + f (x1 )l1 (x) + f (x2 )l2 (x).
i=0

p2 (x) = e−1 l0 (x) + l1 (x) + el2 (x).

Où 
(x − x1 )(x − x2 1 1
l0 (x) = = x(x − 1) = (x2 − x)


(x0 − x1 )(x0 − x2 )



 2 2




 (x − x0 )(x − x2
l1 (x) = = −(x + 1)(x − 1) = −x2 + 1

 (x1 − x0 )(x1 − x2 )



.



 (x − x0 )(x − x1 1 1
 l2 (x) = = (x + 1)x = (x2 + x)


(x2 − x0 )(x2 − x1 ) 2 2
   
1 −1 1 2 1 −1 1
p2 (x) = e − 1 + e x + − e + e x + 1.
2 2 2 2

Troisième Année L 3 28 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

Voici le code source matlab.

function ESI_Interpol %Déclaration de la fonction
x=[-1 0 1]; % Déclaration du vecteur abscisse
y=[exp(-1) 1 exp(1)];% Déclaration du vecteur ordonné
for(i=1:3)
p(i)=(0.5*exp(-1)-1+0.5*exp(1))*(x(i))^2+(-0.5*exp(-1)+0.5*exp(1))*x(i)+1;%déla
end
plot(x,y,'*',x,p,'b')% représentation graphique
xlabel('abscisse')
ylabel('ordonnée')
legend('Données réelles','Interpolant')
title('Interpolation polynomiale de lagrange')
Nous introduisons dans la section suivante les polynômes d'interpolations de New-
ton ainsi que la base de Newton car les polynomes de Lagrange ne sont pas très
pratiques puisque du point de vue numérique, il est dicile de déduire l connais-
sant l .
i+1
i

3.2 Interpolation polynomiale de Newton

Etant donné (n + 1) points (x , y ), (x , y ), · · · , (x , y ).

Les (x ) sont appelés points d'interpolation.
0 0 1 1 n n

Les (y ) sont appelés valeurs d'interpolation.

i 0≤i≤n
i 0≤i≤n

3.2.1 Base de Newton

Les polynômes e de la base de Newton sont dénis comme suit :
k

k−1
Y
ek (x) = (x − xi ) = (x − x0 )(x − x1 ) · · · (x − xk−1 ), k = 1, 2, 3 · · · , n.
i=0

Avec la convention que :

e0 (x) = 1.
Etant donné que la base de Newton est ainsi établie, il existe donc des coecients
réels α tous non nuls. Le polynôme d'interpolation est de la forme :
k

n
X
Pn (x) = αk ek = α0 +α1 (x−x1 )+· · ·+αn (x−xn ). Avec Pn (xi ) = f (xi ) = yi .
k=0

Troisième Année L 3 29 CU-Banfora

Dr BEYI Boukary Année universitaire 2021 − 2022

3.2.2 Détermination des coecients αk par la méthode des

diérences divisées
Comme :
n
X
Pn (x) = αk ek = α0 + α1 e1 (x) + α2 e2 (x) + · · · + αn en (x).
k=0

Par remplacement des e on a :i

Pn (x) = α0 +α1 (x−x0 )+α2 (x−x0 )(x−x1 )+· · ·+αn (x−x0 )(x−x1 ) · · · (x−xn−1 ).

Par évaluation du polynôme aux points x on a : k

Pn (x0 ) = α0 = f (x0 ) =⇒ α0 = f (x0 ).

f (x1 ) − f (x0 )
Pn (x1 ) = α0 + α1 (x1 − x0 ) = f (x1 ) =⇒ α1 = = f (x0 , x1 ).
x1 − x0
f (x2 ) − α0 − α1 (x2 − x0 )
Pn (x2 ) = α0 +α1 (x2 −x0 )+α2 (x2 −x0 )(x2 −x1 ) = f (x2 ) =⇒ α2 = .
(x2 − x0 )(x2 − x1 )
Ainsi de proche en proche on détermine tous les coecients (α ) k k=1:n .
Exercice 3.5. Etant donné 3 points (0, 1), (2, 5), (4, 17).
1. Déterminer un polynôme d'interpolation de Newton passant par ces points
2. Déterminer un polynôme d'interpolation de Lagrange passant par ces points
3. Programmer ces deux solution sous matlab et répresenter graphiquement les
deux solutions.

Exercice 3.6. Programmer sous matlab les polynômes de bases de Newton et dé-
duisez le polynôme obtenu ci-dessus.

FIN

Troisième Année L 3 30 CU-Banfora