Table des matières

1 RESOLUTION DES EQUATIONS NON LINEAIRE f (x) = 0 3

1.1 Méthode de dichotomie (bissection ou bipartition) . . . . . . . . . 4
1.2 Méthode du point …xe (approximations successives) : . . . . . . . 6
1.3 Méthode de Newton - Raphson ( ou de la tangente) . . . . . . . 8

2 RESOLUTIONS DES SYSTEMES LINEAIRES 10

2.1 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Méthode de Cholesky . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Méthodes itératives (indirectes) . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Méthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Mèthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 20
2.2.3 Convergence des méthodes iteratives . . . . . . . . . . . . . 21

3 INTERPOLATION POLYNÔMIALE 24
3.1 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Polynôme de Lagrange au point xi . . . . . . . . . . . . . . . 25
3.1.2 Polynôme d’interpolation de Lagrange . . . . . . . . . . . . 25
3.2 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 Di¤érences progressives . . . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Di¤érences divisées . . . . . . . . . . . . . . . . . . . . . . . . 28

1
 3.2.3 Expression du reste . . . . . . . . . . . . . . . . . . . . . . . . 29

4 INTEGRATION NUMERIQUE 30
4.1 Formule de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.1 Formule des Trapèzes . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.2 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . 32

2
Chapitre 1

RESOLUTION DES EQUATIONS

NON LINEAIRE f (x) = 0

Localisation des solutions

Objectif : La localisation des solutions d’une équation est la détermination d’un
intervalle [a; b] ne contenant qu’une seule racine c; où la localisation se fait par l’étude
des variations de f et l’utilisation du théorème des valeurs intermédiaires. Chercher des
intervalles dans lesquels f soit strictement monotone et ne change pa de signe.
Méthode graphique :
Soit en trace le graphe de la fonction et on cherche son intersection avec l’axe (ox),
soit on décompose f en deux fonctions f1 et f2 simple à étudier, telle que : f = f1 f2
=) f1 = f2 , et on cherche les points d’intersection des graphes de f1 et f2 , dont les
abscisses sont exactement les racines de f (x) = 0:

3
1.1 Méthode de dichotomie (bissection ou biparti-
tion)

L’idée : Construction d’une suite d’intervalles de plus en plus petits contenants une
racine isolée de l’équation f (x) = 0:
Principe de la dichotomie :
Le principe de la dichotomie repose sur le théorème des valeurs intermédiaires suivant :
Théorème :
Soit f : [a; b] ! R une fonction continue,
Si f (a):f (b) 0, alors il existe au moins x 2 [a; b] tant que f (x ) = 0
Remarque : Si de plus f est injective, alors x est unique c’est à dire ; f strictement
monotone.
Exemple : Montre que f (x) = x3 + 2x 1 = 0 possède une seule racine positive
comprise entre 0 et 1:
- f est dé…nie continue sur [0; 1], puisque f est un polynôme.
0 2
- Pour tout x 2
9 [0; 1], f (x) = 3x + 2 > 0 =) f est strictement croissante sur [0; 1]
f (0) = 1 =
- =) f (0):f (1) < 0
f (1) = 2 ;
* Le théorème assure que f (x) admet une solution de plus f est strictement croissante
sur [0; 1] donc f admet une seule solution dans [0; 1] :
Algorithme : Soient a et b tel que x 2 [a; b] avec f (a):f (b) < 0 on pose a = a0 ,
b = b0 , On divise l’intervalle [a0 ; b0 ] en deux, et on construit l’intervalle [a1 ; b1 ] comme
a0 + b 0
suit : Pour x0 = (le milieu de [a0 ; b0 ]) on fait le test suivant :
2
Si f (a0 ):f (x0 ) < 0 alors [a0 ; x0 ] = [a1 ; b1 ]
Sinon [x0 ; b0 ] = [a1 ; b1 ]
Et de là, on itère le procédé pour obtenir une suite d’intervalle enboités : [an ; bn ]
an + b n
n = 1; 2; ::::: comme suit : On pose xn =
2
Si f (an ):f (xn ) < 0 alors [an ; xn ] = [an+1 ; bn+1 ]

4
 Sinon [xn ; bn ] = [an+1 ; bn+1 ]
b a
On arrête le processus dès que bn an = est inférieur à la précision souhaitée
2n
(an ) est par construction un suite croissante, (bn ) une suite décroissante et
(an ; bn ) ! 0, les suites (an ) et (bn )sont adjecentes et donc elles admettent la même
n!+1
limite.
Critère d’arrêt : Soit n 2 N, nous avons :
b n an bn 1 an 1 b 0 a0
bn+1 an+1 = = 2
= ::: = n+1
2 2 2
et si x est la racine de f (x) = 0, nous aurons :
bn an b 0 a0
jx xn j bn+1 an+1 = = n+1
2 2
et donc, si on désire calculer une approximation xn de x avec une précision ", il su¢ t de
b 0 + a0
poser n+1 "
2
Ce qui revient à ce qu on aille dans les itérations jusqu’à ce que n véri…e l’intégralité :

b0 a0
ln
n " 1
ln 2

Exemple : xex 1 = 0; calculer sa racine avec 1 d écimale exacte

Solution :- f (x) étant continue et monotone sur[0; 1]
f 0 (x) = xex + e9x = ex (x + 1) > 0 =) f est croissante
f (0) = 1 =
- f (0):f (1) < 0
f (1) = 1:71 ;
an bn xn f (xn ) [an+1 ; bn+ ]
0 1 0:5 0:17 [0:5; 1]
0:5 1 0:75 0:58 [0:5; 0:75]
0:5 0:75 0:625 0:16 [0:5; 0:625]
0:5 0:625 0:5625
0:01 [0:5625; 0:625]
h i
0:5625 0:625 0:59375 0:075 0:5
|{z} 625; 0:5
|{z} 9375

xn ' 0:5

5
1.2 Méthode du point …xe (approximations succes-
sives) :
Dé…nitions : Soit g : R ! R une application continue. On dit que x 2 R et un
point …xe de g si g(x ) = x
* L’équation f (x) = 0 peut être reformuler comme suit : x = g(x)
La résolution de f (x) = 0 peut être considérée comme détermination d’un point …xe
de la fonction g(x):
Remarque : Il existe plusieurs transformations de l’équation f (x) = 0 sous forme
g(x) = x. En prticulier x = x f (x)
f (x)
ou plus généralement x = x avec paramètre réel 6= 0:
Théorème du point …xe :
Supposons que f est dé…nie sur l’intervalle [a; b] et satisfait aux conditions suivantes :
1) g ([a; b]) [a; b] i:e : 8x 2 [a; b], a g(x) b
2) g est contractante i:e : 9k 2 R, 0 k < 1 tel que : 8x, y 2 [a; b] :
jg(x) g(y)j k jx; yj
Alors g admet un point …xe unique x 2 [a; b] : De plus, pour tout point x0 2 [a; b]
la suite (xn ) dé…nie par xn+1 = g(xn ) converge vers x
Remarque 1 : La condition (2) entraine :
1-La continuité de g dans [a; b]
2- En divisant l’inégalité par jx yj et en pasant à la limite y ! x, on obtient :
jg 0 (x)j k < 1 et ceci en supposant que g est dérivable au point x:
Remarque 2 : Si g est dérivable dans [a; b], alors g est contractante dans [a; b] si et
seulement si : il existe un réel k < 1 tel que pour tout x 2 ]a; b[ on ait jg 0 (x)j k
Remarque 3 : Supposons que la dérivée g 0 (x) garde son signe constant dans [a; b] et
que l’inégalité jg 0 (x)j k < 1 est véri…ée alors :
* Si la dérivée est positive, les approximations successives xn+1 = g(xn ) convergent
monotonement vers la solution x de l’équation x = g(x)

6
 * Si la dérivée est négative, les approximations successives oscillent autour de la racine.
Critère d’arrêt : Soit f : [a; b] ! R satisfaisant aux hypothèses du théorème du
point …xe, et soit (xn ) la suite des approximations dé…nies par : xn+1 = g(xn ) , n = 1; 2; :::
pour n; m 2 N m > n
jxn xm j = jg(xn 1 ) g(xm 1 )j k jxn 1 xm 1 j et par récurrence :
jxn xm j k jxn 1 xm 1 j ::: k n jx0 xm nj k n jb aj
En passant à la limite sur m, on obtient : jxn xj k n jb aj
On désire calculer une approxiamtion xn de x avec décimales exactes, il su¢ t
d’arrêter les iterations à n véri…ant :

0; 5:10
ln
b a
n
ln k

Exemple :
g(x) = ln(x + 3)
1
l’inclusion : g 0 (x) = >0 8x 2 [1; 2] =) g est croisante =) 1; 39 ' g(1)
x+3
g(x) g(2) ' 1; 61
=) 8x 2 [1; 2] g(x) 2 [1; 2]
2 eme méthode : 1 x 2 =) 4 x+3 5 =) 1; 39 ' ln 4 ln x + 3 ln 5 ' 1; 61
La contraction : 8x 2 [1; 2] j g 0 (x)j k<1?
1 1 1
1 x 2 =) 4 x+3 5 =) 0:2 = = 0:25 =) j g 0 (x)j =
5 x+3 4
1
0:2 < 1
x+3
eme 1 0 1
2 méthode : g"(x) = 2 < 0 =) g (x) décroissante =) 0:2 = = g 0 (1)
(x + 3) 5
1
g 0 (x) g 0 (2) =
= 0:25
4
3 eme méthode : On a g 0 (x) > 0 et elle est décroissante sur [1; 2] ; donc le maximum
1
de la dérivée est donné par : max jg 0 (x)j = jg 0 (1)j = < 1
[1;2] 4

7
1.3 Méthode de Newton - Raphson ( ou de la tan-
gente)
Notons pas x une racine (exacte) recherchée et par x0 une valeur approchée de x :On
suppose que f est de classe C 2 au voisinage de x . Le developpement de Taylor d’ordre
deux de f nous donne :
0 f (2) ( )
f (x ) = f (x0 ) + f (x0 )(x x0 ) + (x x0 )2 où 2 (x ; x0 )
2
comme f (x ) = 0; en supposant f 0 (x0 ) 6= 0, on aura :
f (2) ( )
f (x0 ) + f 0 (x0 ):(x x0 ) + (x x0 )2 = 0
2
d’où
f (x0 ) f (2) ( )
x = x0 (x x0 )2 (1)
f 0 (x0 ) 2f 0 (x0 )
| {z }
R

f (x0 )
En négligeant le reste de R, la quantité x0 dans (1) qu’on notera x1 , constitue
f 0 (x0 )
alors une valeur approchée de x . En iterant le procédé, on trouve la formule :

f (xn )
xn+1 = xn n = 0; [Link] (2)
f 0 (xn )

(2) est la formule de recurrence de Newton-Raphson.

Remarque : Une bonne approximation initiale x0 est celle qui véri…e l’inégalité sui-
vante :

f (x0 ):f 00 (x0 ) > 0:

Théorème :
si f 0 (x0 ) et f 00 (x) sont non nuls et gardent des signes constants pour x 2 [a; b],
alors la racine x de l’équation f (x) = 0 peut être calculer à l’aide de la méthode de
Newton-Raphson avec la précision aussi grande que l’on veut en partant de l’appro-
ximation initiale x0 2 [a; b] qui satisfait l’inégalité f (x):f 00 (x0 ) > 0

8
 Exemple : f (x) = x + ln x ]0; 1[
Trouver la solution avec 2 décimales exactes
1
f 0 (x) = 1 + > 0 8x 2 ]0; 1[
x
1
f 00 (x) = 2 < 0 8x 2 ]0; 1[
x
On a f 0 et f 00 sont non nuls et gardent des signes constants
le choix de x0 : 9
f (0:5) = 0; 19 =
On prend x0 = 0:5 =) f (0:5):f 00 (0:5) > 0
00
f (0:5) = 4 ;
f (xn )
xn+1 = xn
f 0 (xn )
f (x0 ) x0 + ln x0 0:5 + ln 0:5
x1 = x0 = x0 = 0:5 = |{z}
0:56 438
f 0 (x0 ) 1 1
1+ 1+
x0 0:5
f (x1 ) x1 + ln x1 0:56438 + ln 0:56438
x2 = x1 = x1 = 0:56438 = |{z}
0:56 7 14
f 0 (x1 ) 1 1
1+ 1+
x1 0:56438
c ' 0:56

9
Chapitre 2

RESOLUTIONS DES SYSTEMES

LINEAIRES

Introduction : Soit le système AX = b, où A est une matrice carrée (n n), X et

b des vecteurs colonnes à n composantes, avec :
0 1 0 1 0 1
a a a1n b x
B 11 12 C B 1 C B 1 C
B C B C B C
B a21 a22 a2n C B b2 C B x2 C
A=B B .. .. ...
C B C B C
.. C b = B .. C et X = B .. C
B . . . C B . C B . C
@ A @ A @ A
an1 an2 ann bn xn

Les systèmes ci-dessus s’écrit encore :

8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1
>
>
>
>
< a x + a x + ::: + a x = b
21 1 22 2 2n n 2
> ..
>
> .
>
>
>
: a x + a x + ::: + a x = b
n1 1 n2 2 nn n n

Résoudre le systéme Ax = b c’est trouver des vecteurs X, véri…ant le système.

10
2.1 Méthodes directes
Dé…nition : Une méthode est dite directe si elle donne au bout d’un nombre …ni
d’opération une solution exacte du problème.

2.1.1 Méthode de Gauss

Soit AX = b où A est une matrice (n n), régulière (det A 6= 0)

Principe : * La transformation de la matrice A en une matrice triangulaire supè-
.
rieure. Pour cela, on construit : A..b et
. ! .
A..b transformation A0 ..b0 où A0 est une matrice triangulaire supèrieure.
0 1 0 1
a a a1n j b1 a0 a0 a01n j b01
B 11 12 C B 11 12 C
B C B 0 C
B a21 a22 a2n j b2 C B a a0 a02n j b02 C
c’est à dire :B
B .. .. .. ..
C ! B 21 22
. C B .. .. .. .. .
C
C
B . . . . j .. C B . . . . j .. C
@ A @ A
an1 an2 ann j bn a0n1 a0n2 a0nn j b0n

[A j b] ! [A0 j b0 ]
* Puis, on résoud le système A0 = b0 ( dont la solution est exactement la solution du
système AX = b):
Etapes : On pose A = A(1) et b = b(1)
1ere étape :
(1)
*Si a11 6= 0, on fait les a¤ectations suivantes :
(2) (1)
La ligne L1 est maintenue c’est à dire L1 = L1
(1)
(2) (1) ai1 (1)
Pour i = 2; n; Li = Li (1)
:L1 . On obtient alors :
0 a 11 1 0 1
(1) (1) (1) (1) (2) (2) (2) (2)
a11 a12 a1n j b1 a a12 a1n j b1
B C B 11 C
B (1) (1) (1) (1) C B C
B a21 a22 a2n j b2 C B 0 a(2) (2)
a2n j
(2)
b2 C
B C!B 22 C
B .. .. .. .. .. C B .. .. .. .. .. C
B . . . . j . C B . . . . j . C
@ A @ A
(1) (1) (1) (1) (2) (2) (2)
an1 an2 ann j bn 0 an2 ann j bn
A(1) j b(1) ! A(2) j b(2)

11
 8
>
> (2) (1)
< a1j = a1j j = 1; n
où (1)
> (2) (1) ai1 (1)
>
: aij = aij :a
(1) 1j
i = 2; n ; j = 1; n
8 a11
>
> (2) (1)
< b1 = b1
et (1)
> (2) (1) ai1 (1)
>
: bi = bi b
(1) 1
i = 2; n
a11
(1) (1) (1)
*Si a11 = 0, on cherche une ligne Lp avec 2 p n telle que ap1 6= 0, puis on
(1) (1)
permute les lignes L1 et Lp , et on applique des transformations analogues à celles
(1)
correspondantes au cas a11 6= 0, étudié plus haut.

* Dans cette étape, on a annulé tous les coe¢ cients sous la diagonale de la 1ere colonne.
K eme étape :
(k)
* akk 6= 0, on fait les a¤ectations suivantes :
(k+1) (k)
L(1) = L1
(k+1) (k)
L(2) = L2
..
.
(k+1) (k)
Lk = Lk
(k)
(k+1) (k) aik (k)
Li = Li (k)
:Lk i = k + 1; n
8 akk
>
> (k+1) (k)
i = 1; k , j = 1; n
< aij = aij
avec : (k)
> (k+1) (k) aik (k)
>
: aij = aij a
(k) kj
i = k + 1; n , j = 1; n
akk
(k+1) (k)
et bi = bi i = 1; k
(k)
(k+1) (k) aik (k)
bi = bi :b
(k) k
i = k + 1; n
akk
(k) (k) (k) (k)
* akk = 0, on permute les lignes Lk et Lp où Lp est une ligne d’indice p avec
(k)
k+1 p n, telle que apk 6= 0, et on applique des transformations analogue à celles
(k)
corresponsantes au cas akk 6= 0 étudié plus haut.

12
 Résolution de A0 X = b0 0 1
(n) (n) (n) (n)
a11 a12 a1n j b1
B C
B (n) (n) (n) C
B 0 a22 a2n j b2 C
On pose [A0 j b0 ] = A(n) j b(n) = B
B .. .. .. ..
C
.. C
B . . . . j . C
@ A
(n) (n)
0 0 ann j bn
Et 8delà : AX = b , A(1) X = b(1) , A(2) X = b(2) , ::: , A(n) X = b(n) , A0 X = b0
> 1
>
> x1 = 0 [b01 a012 x2 :::: a01n xn ]
>
> a11
>
> ..
>
< .
d’où : 1
>
> xn 1 = 0 b0n 1 a0n 1n xn
>
> a
>
> n 1n 1
>
> 1 0
: xn = 0 :bn
ann
On détermine xn puis xn 1 , etc jusqu’à l’obtension de x1 ( résolution par retour
arrière)
Remarques :
(k)
1) On appelle les coe¢ cients akk des pivots
2) La méthode de Gauss permet de calculer det A puisque det A = ( 1)p det A0 =
Y
n
(k)
p
( 1) akk où p est le nombre de permutations.
k=1
Exemple : Résoudre le système suivant par la méthose de Gauss
8 0 10 1 0 1
>
> x + x + 3x = 4 1 1 0 3 x1 4
>
> 1 2 4
B CB C B C
>
> B CB C B C
< 2x + x x3 + x4 = 1 B 2 1 1 1 C B x2 C B 1 C
1 2
,B
B
CB
CB
C=B
C B
C(forme
C
>
> 3x1 x2 x3 + 2x4 = 3 B 3 1 1 2 C B x3 C B 3 C
>
> @ A@ A @ A
>
>
: x + 2x + 3x x4 = 4 1 2 3 1 x4 4
1 2 3
matricielle)
0 1
1 1 0 3j4 ! L1
B C
B C
B 2 1 1 1j1 C ! L2
B C
B C
B 3 1 1 2 j 3 C ! L3
@ A
1 2 3 1j4 ! L4
a21 2
a11 = 1 6= 0 `21 = = = 2
a11 1
a31 3
`31 = = = 3
a11 1

13
 a41 1
`41 = = =1
a11 1
0 0
L2 = `21 :L1 + L2 , L2 = 2(1 1 0 3 j 4) + (2 1 1 1 j 1) = (0 1 1 5j 7)
L03 = `31 :L1 + L3 , L03 = 3(1 1 0 3 j 4) + (3 1 1 2j 3) = (0 4 1
7j 15)
0
L
04 = `41 :L1 + L4 , L04 = 1(1
1 1 0 3 j 4) + ( 1 2 3 1 j 4) = (0 3 3 2 j 8)
1 1 0 3j4 ! L01 = L1
B C
B C
B 0 1 1 5j 7 C ! L02
B C
B C
B 0 4 1 7j 15 C ! L03
@ A
0 3 3 2j8 ! L04
(2)
(2) a32 4
a22 = 1 6= 0 `32 = (2)
= = 4
a22 1
(2)
a42 3
`42 = (2)
= =3
a(22) 1
L003 = `32 :L02 + L03 , L003 = 4(0 1 1 5j 7) + (0 4 1 7j 15) = (0 0
3 13 j 13)
L004 = `42 :L02 +L04
0 , L004 = 3(0
1 1 1 5j 7)+(0 3 3 2 j 8) = (0 0 0 13 j 13)
1 1 0 3j4 ! L01 = L1
B C
B C 00
B 0 1 1 5 j 7 C ! L2 = L02
B C
B C 00
B 0 0 3 13 j 13 C ! L3
@ A
00
0 0 0 13 j 13 ! L4
0 10 1 0 1 8
1 1 0 3 x x1 + x2 + 3x4 = 4
4 >
>
(1)
B CB 1 C B C >
>
B CB C B C >
>
B 0 1 1 5 C B x2 C B 7 C x2 x3 5x4 = 7 (2) <
B CB C=B C ()
B CB C B C >
B 0 0 3 13 C B x3 C B13 C >
> 3x3 + 13x4 = 13 (3)
@ A@ A @ A >
>
>
: 13x = 13
0 0 0 13 x4 13 4 (4)
0 1
(1) =) x4 = 1 1
B C
B C
(2) =) 3x3 = 0 =) x3 = 0 B 2 C
La solution est : X = B
B
C
C
(3) =) x2 = 2 B 0 C
@ A
(4) =) x1 = 1 1

14
 Y
4
p 0 P
det A = ( 1) det A = ( 1) a0kk = ( 1)0 (1)( 1)(3)( 13) = 39
k=1

2.1.2 Méthode de Cholesky

Théorème :
Si A est une matrice symétrique dé…nie positive, alors elle peut se décomposer
sous la forme : A = L:Lt où L est une matrice réelle triangulaire infèrieure.
Dé…nition :Une matrice est dite dé…nie positive si :8X 2 Rn ; X 6= 0Rn hAX; Xi > 0
où h:; :i est le produit scalaire dans Rn dé…ni par : Pour tout X et Y dans Rn on a
n
hX; Y i = xi yi = x1 y1 + x2 y2 + ::::: + xn yn
i=1

* Supposant que A est une8matrice symétrique dé…nie positive, alors on a :

< LY = b
t
AX = b () L:L|{z}X = b ()
: Lt X = Y
Y
Le problème consiste donc à construire explicitement la matrice L = (lij )1 i;j n

Algorithme de décomposition :
A…n d’obtenir les éléments lij de la matrice L, on multiplie les matrices L et Lt puis
on identi…e
8 les coe¢ cients respectifs dans l’égalité A = L:Lt pour obtenir les équations :
> p
>
> l11 = a11
>
> r
>
> i 1
>
< lii = aii 2
lik i = 2; n
k=1
1 j 1
>
>
>
> lij = (aij lik ljk ) i>j
>
> ljj k=1
>
>
: l =0 i<j
ij
n
Remarque :det A = det (L:Lt ) = det L: det Lt = (det L)2 = lil2
i=1
Exemple
8 :
0 10 1 0 1
>
> 2x1 + x2 x3 = 2 2 1 1 x 2
>
< B CB 1 C B C
B CB C B C
x1 + 3x2 + x3 = 4 () B 1 3 1 C B x2 C = B 4 C
>
> @ A@ A @ A
>
: x + x + 2x = 6
1 2 3 1 1 2 x3 6

A X = b

15
 -A est symétrique car aij = aji 8i; j = 1; n
-A dé…nie positive
0 ? ?1
x
B 1 C
B C
8X 2 R3 ,X = B x2 C 6= 0R3 on a hAX; Xi > 0
@ A
x3
0 1 0 1
2x1 + x2 x3 z
B C B 1 C
B C B C
AX = B x1 + 3x2 + x3 C = B z2 C = Z
@ A @ A
x1 + x2 + 2x3 z3
3
(AX; X) = (Z; X) = zi xi = z1 x1 + z2 x2 + z3 x3 = (2x1 + x2 x3 )x1 + (x1 + 3x2 +
i=1
x3 )x2 + ( x1 + x2 + 2x3 )x3
= 2x21 + x1 x2 x1 x3 + x1 x2 + 3x22 + x2 x3 x1 x3 + x2 x3 + 2x23
= 2x21 + 3x22 + 2x23 + 2x1 x2 2x1 x3 + 2x2 x3
= (x1 + x2 )2 + (x1 + x3 )2 + (x1 + x3 )2 + x22 > 08X 2 R3 ; X 6= 0R3
=) A est dé…nie positive
d’où,0on peut décompose
1 A sous0la forme L:Lt 1 tq
l 0 0 l l l
B 11 C B 11 21 31 C
B C B C
L = B l21 l22 0 C Lt = B 0 l22 l32 C
@ A @ A
l31 l32 l33 0 0 l33
0 1 0 1
2
l l11 :l21 l11 :l31 2 1 1
B 11 C B C
B C B C
L:Lt = B l11 :l21 2
l21 2
+ l22 l21 :l31 + l22 :l32 C = B 1 3 1 C
@ A @ A
2 2 2
l11 :l31 l21 :l31 + l22 :l32 l13 + l23 + l33 1 1 2
2
p
l11 = 2 =) l11 = 2
p
p1 2
l11 :l21 = 1 =) l21 = 2
= 2
p
p1 = 2
l11 :l31 = 1 =) l31 = 2 2
p
2 2 10
l21 + l22 = 3 =) l22 = 2
p
l21 :l31 + l22 :l32 = 1 =) l32 = p3 = 3 10
10 10
p p
2 2 2 3 15
l13 + l23 + l33 = 2 =) l33 = p =
5 5

16
 0 p 1 0 p p p 1
2 0 0 2 22 2
B p C B 2 C
B p C t B p
3 10 C
p
=) L = B 22 10
0 C L = B 0 10 C
@ p p
2
p A @ 2
p
10 A
2 3 10 15 15
0 0
02 p 10 5
1 0 1 0 1 5

2 0 0 y 2
B p C B 1 C B C
B 2 p10 C B C B C
LY = b =) B 2 0 C : B y2 C = B 4 C
@ p p
2
p A @ A @ A
2 3 10 15
y3 6
8 p 2 10 5
>
> 2y = 2 (1)
>
< p 1
1
p
=) 2y1 + 12 10y2 = 4 (2)
>
> 2
p p p
>
: 1 2y + 3 10y + 1 15y = 6 (3)
1 2 3
8 2 10
p
5
>
> (1) =) y1 = 2
>
< p p p p
=) (2) =) 22 2 + 210 y2 = 4 =) y2 = 3 510
>
> p p p p p p
>
: (3) =) 2 3 10 3 10 15 26 15
2
2 + 10 5
+ 5
y3 = 6 =) y3 = 15
0 p 1
2
B p C
B 3 10 C
=) Y = B 5 C
@ p A
26 15
15
0 p p p 10 1 0 p 1
2 2
2 2 2 CB 1 C
x 2
B B p C
B p
3 10 C
p B C B C
Lt X = Y =) B 0 10 C B x2 C = B 3 510 C
@ 2
p
10 A @ A @ p A
15 26 15
0 0 x3
8 p p p
5
p
15
>
> 2x + 2 x2 2 2
x = 2 (1)
>
< p 1 2 3
p p
=) 10 3 10 3 10
x 2 + x 3 = (2)
>
> 2 10 5
> p
: 15 x = 26 15
p
(3)
8 5 3 15
>
> (3) =) x3 = 26
>
< 3
p p p
=) (2) =) 2 x2 + 3 1010 ( 26
10
) = 3 10
=) x2 = 4
>
> p
3 5
p
>
: (1) =)
p
2
p
2
2( 26
3
) + ( 4) x 3 = 2 =) x3 = 22
0 2 1 2 3
22
B 3 C
B C
=)La solution est X = B 4 C
@ A
26
3

17
 3 p 2 p
10
2 p
15
2
det A = det (L:Lt ) = det L: det Lt = (det L)2 = lil2 = 2 2 5
=3
i=1

2.2 Méthodes itératives (indirectes)

Lorsque n est très grand, la résolution d’un système d’ordre n par les méthodes
directes devient assez compliquée, alors on fait appel aux méthodes dites itératives sous
réserve de convergence.

2.2.1 Méthode de Jacobi

On
8 suppose que les aii 6= 0 , 8i = 1; n
>
> a x + a12 x2 + ::: + a1n xn = b1
>
< 11 1
..
.
>
>
>
: a x + a x + ::: + a x = b
n1 1 n2 2 nn n n
Le principe de la méthode consiste à résoudre la ieme équation par rapport à l’inconnue
xi , on obtient alors le système équivalent :
8
>
> x1 = C1 + t12 x2 + t13 x3 + ::: + t1n xn
>
>
>
>
< x = C + t x + t x + ::: + t x
2 2 21 1 23 3 2n n
. (1’)
>
> ..
>
>
>
>
: x = C + t x + t x + ::: + t
n n n1 1 n2 2 nn 1 xn 1

bi
où Ci = i = 1; n
aii
aij
tij = j 6= i et aii 6= 0
aii
tii = 0 i = 1; n
Le système (1’) s’écrit sous forme matricielle comme suit : X = C + T X; et delà, en
partant d’une approximation initiale arbitraire X (0) ( en général, on prend X (0) = C), on
résoud le système X (K+1) = C + T X (K)

18
 Exemple : 8
8 1 1
> >
> x=1 y z
>
> 4x1 + 2y + z = 4 >
> 2 4
< <
1
x + 2y = 2 =) y =1+ x
>
> >
> 2
> >
: 2x + y + 4z = 9 : z = 9 1x 1y
>
0 1 0 1 4 2 4
x 0
B 0 C B C
B C B C
Soit X (0) = B y0 C = B 0 C
@ A @ A
z0 0
8
> 1 (k) 1 (k)
>
> x(k+1) = 1 y z
>
< 2 4
1
X (K+1) = C + T X (K) =) y (k+1) = 1 + x(k)
>
> 2
>
: z (k+1) = 9 1 x(k) 1 y (k)
>
0 1 0 4 2 1 4
1 1
1 B 0
B C B 1 2 4 CC
B C
=) C = B 1 C T =B B 2 0 0 C
C
@ A @ 1 A
9 1
4 0
0 1 28 4
> 1 (0) 1 (0)
x(1) >
> x (1)
= 1 y z =1
B C >
< 2 4
B C 1
Pour trouver X (1) = B y (1) C =) y (1) = 1 + x(0) = 1
@ A >
> 2
>
> 9 1 (0) 1 (0) 9
z (1) : (1)
z = x y =
4 2 4 4
0 1 8
> 1 (1) 1 (1) 1
x (2) >
> x (2)
= 1 y z =
B C >
< 2 4 16
(2) B (2) C (2) 1 (1) 3
Pour trouver X = B y C =) y =1+ x =
@ A >
> 2 2
>
> 9 1 1 (1) 3
z (2) : z = (2)
x (1)
y =
4 2 4 2

Une mèthode alternative pour décrire la mèthode de Jacobi

La mèthode
0 de Jacobi consiste
1 à prendre
0 : A = M N où M = D,
1 0 N =L+U 1
a 0 0 0 0 0 0 a12 a1n
B 11 C B C B C
B C B C B ... .. C
B 0 a22 0 C B a21 0 0 C B 0 0 . C
D=B B .. .. . .
CL=B
.. C B .. ... ...
CU =B
C B .. .. ..
C
C
B . . . . C B . 0 C B . . . an 1n C
@ A @ A @ A
0 0 ann an1 ann 1 0 0 0 0

19
c’est à dire : AX = b () (M N )X = b () M X = N X + b ()
1 1
X=M
| {z N}X + M
| {z }b = T X + C
T C
1
donc TJ = M :N = D 1 (L + U ) et CJ = M 1
b = D 1b

2.2.2 Mèthode de Gauss-Seidel

La méthode de Gauss-Seidel est une amélioration de la méthode de Jacobi dans

laquelle les valeurs calculées sont utilisées au fur et à mesure du calcul et non à l’issue
d’une itération comme dans la méthode de Jacobi.

Considérons
8 le système suivant :
> (b1 a12 y a13 z)
>
> x =
>
> a11
<
(b2 a21 x a23 z)
y=
>
> a22
>
> (b a31 x a32 y)
>
: z= 3
a33
à la première 0 itération,
1 on calcule à partir du vecteur initial :
x(0)
B C (b1 a12 y (0) a13 z (0) )
B C
X (0) = B y (0) C la valeur x(1) =
@ A a11
(0)
z
pour y on utilise x(1) et non x(0) c’est à dire :
(1)

(b2 a21 x(1) a23 z (0) )

y (1) =
a22
de même, on porte x(1) et y (1) dans le calcul de z (1) c’est à dire :
(b3 a31 x(1) a32 y (1) )
z (1) =
a33
Exemple
8 :
> y z
>
> x = 1
>
< 2 4
x
y =1+
>
> 2
>
> 9 x y
: z=
4 2 4 0 1 0 1
x(0) 0
B C B C
B C B C
Partant du point X (0) = B y (0) C = B 0 C, on calcule successivement :
@ A @ A
z (0) 0

20
 8
>
> (k+1) y (k)
>
> x = 1
>
< 2(k+1)
x
> y 0(k+1) = 1 +
>
> 2
>
> 9 x (k+1)
y (k+1)
: z (k+1)
=
4 20 41 8
> 1 (0) 1 (0)
x (1) >
> x(1) = 1 y z =1
B C >
< 2 4
B C 1 (1) 3
Pour trouver X (1) = B y (1) C =) y (1) = 1 + x =
@ A >
> 2 2
>
z (1) : z (1) = 9
> 1 (1)
x
1 (1) 11
y =
4 2 4 8
0 1 8
> 1 (1) 1 (1) 3
x(2) >
> x(2) = 1 y z =
B C >
< 2 4 32
(2) B C 1 (2 61
Pour trouver X = B y (2) C =) y (2) = 1 + x =
@ A >
> 2 64
>
z (2) : z (2) = 9
> 1 (2) 1 (2)
x y =
54
4 2 4 256

Mèthode alternative pour décrire la mèthode de Gauss-Seidel :

La mèthode de G.S consiste à pendre : A = M N avec M = D L et N = U

1
c’est à dire : AX = b () (M N )X = b () M X = N X + b () X = M
| {z N}X +
T
1
| {z }b = T X + C
M
C
1
donc TGS = M :N = (D L) 1 U et CGS = M 1
b = (D L) 1 bb

2.2.3 Convergence des méthodes iteratives

Théorème : ( Condition nécessaire et su¢ sante de convergence) :

Pour que l’algorithme de Jacobi ou de G.S converge, quelque soit la condition
initiale X (0) il faut que (T ) < 1 où (T ) = max j i j
i=1;n

* (T ) est le rayon spectral de la matrice T

* i valeur propre de T:
Remarque : En pratique le calcule de (T ) est très compliqué, il su¢ t alors de
véri…er si jjT jj < 1 puisque (T ) jjT jj

21
 Propositions :
Les méthodes de Jacobi et de G.S convergent si l’une des conditions suivantes est
véri…ée.
n
1) jjT jj` = max j tij j <1
j=1;n i=1
n
2) jjT jjm = max j tij j < 1
i=1;n j=1
r
n n
3) jjT jj = j tij j2 < 1
i=1j=1
Exemple :
0 1
1 1
B 0 6 4 C
B 1 1 C
T =B B 6 0
C
C
@ 1 2 A
1
0
2 4
1 1 1 1 1 1 2 5 3 3
jjT jj` = max( + ; + ; + ) = max( ; ; ) = < 1
6 2 6 4 4 2 3 12 4 4
1 1 1 1 1 1 5 2 3 3
jjT jjm = max( + ; + ; + ) = max( ; ; ) = < 1
s 6 4 6 2 2 4 12 3 4 4
2 2 2 2 2 2
1 1 1 1 1 1
jjT jj = 02 + + + + 02 + + + + 02 ' 0; 68 <
6 4 6 2 2 4
1
Théorème :
Soit A une matrice d’ordre n à valeurs dans R inversible et à diagonale
strictement dominante, c’est à dire :
jaii j > jaij j 8i = 1; n
j6=i

ou bien
jajj j > jaij j 8j = 1; n
i6=j

Alors la méthode de Jacobi (G.S) converge.

Exemple 1 :
0 1
1 1
B 1 6 4 C
B 1 1 C
A=B B 6 2
C
@ 1 1 2 C A
3
2 4
A est à diagonale strictement dominante ? ?

22
 1 1 5 1 1 2 1 1 3
ja11 j = 1 > + = , ja22 j = 2 > + = , ja33 j = 3 > + =
6 4 12 6 2 3 2 4 4
ou bien
1 1 2 1 1 5 1 1 3
ja11 j = 1 > + = , ja22 j = 2 > + = , ja33 j = 3 > + =
6 2 3 6 4 12 4 2 4
Exemple 2 :
0 10 1 0 1
3 0 1 x1 1
B CB C B C
B CB C B C
B 1 3 1 C B x2 C = B 2 C
@ A@ A @ A
1 1 4 x3 3
1
Jacobi
0: TJ = D 1(L + U ) 0 CJ = 1 D 1 :b 0 1 0 1
1
3 0 0 0 0 0 0 0 0 0 1
B C B 3 C B C B C
B C 1 B C B C B C
D = B 0 3 0 C D = B 0 13 0 C L = B 1 0 0 C U = B 0 0 1 C
@ A @ A @ A @ A
1
0 0 4 0 0 4
1 1 0 0 0 0
0 1 00 1 0 11 0 1
1 1
0 0 0 0 0 0 0 1 0 0 3
B 3 C BB C B CC B C
B 1 C B B C B C C B 1 1 C
Tj = B 0 3 0 C BB 1 0 0 C+B 0 0 1 CC = B 3 0 3 C
@ A @@ A @ AA @ A
1 1 1
0 0 4
1 1 0 0 0 0 4 4
0
0 1 0 1 0 1
1 1
0 0 1
B 3 C B C B 3 C
B C B C B C
CJ = B 0 13 0 C B 2 C = B 23 C
@ A @ A @ A
1 3
0 0 4
3 4
1
G.S : TGS = (D L) U CGs = (D L) 1 b
00 1 0 11 1 0 1 0 1
1
3 0 0 0 0 0 0 0 1 0 0 3
BB C B CC B C B C
BB C B CC B C B 4 C
TGS = BB 0 3 0 C B 1 0 0 CC B 0 0 1 C=B 0 0 9 C
@@ A @ AA @ A @ A
0 0 4 1 1 0 0 0 0 0 0 367
00 1 0 11 1 0 1 0 1
1
3 0 0 0 0 0 1
BB C B CC B C B 3 C
BB C B CC B C B 7 C
CGs = BB 0 3 0 C B 1 0 0 CC B 2 C=B 9 C
@@ A @ AA @ A @ A
17
0 0 4 1 1 0 3 36

23
Chapitre 3

INTERPOLATION
POLYNÔMIALE

Introduction :
Soit y = f (x) une fonction dont on ne connait que les valeurs y qu’elle prend aux
(n+1) points distincts xi , i = 0; n. On a donc, yi = f (xi ); i = 0; n; les (xi ; yi ) pour i = 0; n
sont appelés points d’interpolation. Le problème d’interpolation consiste à trouver une
fonction appelée fonction d’interpolation qui appartient à une certaine classe de fonctions
et qui prend aux points d’interpolation les mêmes valeurs que f:
Dans notre cas, on considére que cette fonction appartient à l’ensemble des polynômes
de degré n, on écrit donc : yi = Pn (xi ), i = 0; n; Pn s’appelle polynôme d’interpolation
de f en x0 ; x1 ; :::::; xn :
Soeint a0 ; a1 ; :::; an les coe¢ cients d’un tel polynôme, s’il existe. On a alors
Pn (x) = a0 xn + a1 xn 1
+ :::: + an 1 x + an : Du fait que Pn (xi ) = yi , les coe¢ cients

8 n véri…ent le système :
a0 ; ::::a
>
> a0 xn0 + a1 xn0 1 + ::: + an 1 x0 + an
>
>
>
>
< a xn + a xn 1 + ::: + a x + a
0 1 1 1 n 1 1 n
> .
..
>
>
>
>
>
: a xn + a xn 1 + ::: + a x + a
0 n 1 n n 1 n n

24
 xn0 x0n 1
x0 1
xn1 x1n 1
x1 1
.. .. .. ..
C’est un système linéaire du déterminant : 4 = . . . .
xnn 1 xnn 1
1 xn 1 1
xnn xnn 1
xn 1
* 4 est appelé le déterminant de Vander-Monde.
*4=
6 0 car les xi sont distinctes, d’où le polynôme d’interpolation existe et il est unique.

Chargeons nous à présent de construire ce polynôme d’interpolation.

3.1 Méthode de Lagrange

3.1.1 Polynôme de Lagrange au point xi

On appelle 8 polynôme de Lagrange, le polynôme : Li (x) pour i = 0; n tq

< 1 i=j
Li (xj ) = i; j = 0; n
: 0 i 6= j
Les polynômes Li sont déterminés d’une façon unique par les (n + 1) équations ci-
dessous :

(x x0 )(x x1 )::::(x xi 1 )(x xi+1 ):::::(x xn )

Li (x) =
(xi x0 )(xi x1 )::::(xi xi 1 )(xi xi+1 ):::::(xi xn )
Yn
(x xj )
=
(xi xj )
j=0
j6=i

3.1.2 Polynôme d’interpolation de Lagrange

Passons à présent à la résolution du problème général qui consiste à former Pn (x)

n
véri…ant les conditions Pn (xi ) = yi . Ce polynôme est de la forme Pn (x) = yi Li (x), on
i=0
a bien d Pn (x) n
Exemple : 1/ Construire le polynôme d’interpolation de Lagrange de la fonction
y = f (x) = sin x; pour x0 = 0, x1 = , x2 =
6 2
25
 xi 0 6 2
On a n = 2,
1
yi 0 2
1

(x x1 )(x x2 ) (x ) x 12 8
L0 (x) = = 6 2 = x2 x+1
(x0 x1 )(x0 x2 ) 2
(0 ) 0
6 2
(x x0 )(x x2 ) (x 0) x 18 9
L1 (x) = = 2 = x2 x
(x1 x0 )(x1 x2 ) 2
( 0)
6 6 2
(x x0 )(x x1 ) (x 0) x 6 1
L2 (x) = = 6 = x2 x
(x2 x0 )(x2 x1 ) 2
( 0)
2 2 6
12 2 8 1 18 9 6 1
P2 (x) = y0 L0 (x)+y1 L1 (x)+y2 L2 (x) = 0( 2
x x+1)+ ( 2 x2 + x)+1 2
x2 x
2
2
321 x
P2 (x) = 2
2
2/ Calculer une approximation de sin 5 :
3 2 21
f ( ) = sin 5 w P2 ( ) = 2 ( ) : = 0:58
5 5 25 2 5
La valeur excte :f ( 5 ) = sin 5 = 0; 587

3.2 Méthode de Newton

3.2.1 Di¤érences progressives

Dé…nition : Soient y0 ; y1 ; :::; yn les valeurs d’une fonction f (x) sur un ensemble de
points uniformement espacés : (xi , i = 0; n tant que xi+1 xi = h où x0 < x1 < :::: < xn )
On appelle di¤erence progressive d’ordre 1 l’expression :
yi = yi+1 yi i = 0; n 1
est une di¤érence progressive d’ordre 2
2
yi = yi+1 yi i = 0; n 2
Et en général, une di¤érence progressive d’ordre k :
k k 1 k 1
yi = yi+1 yi i = 0; n k

26
 Théorème :
Si f (x) est un polynôme de degrè k tabulé sur un ensemble de points également
k k+1
espacés xi ; i = 0; n alors fi est une constante et fi = 0

Forme de Newton pour les di¤érences progressives

Soient x0 ; x1 ; :::::; xn ; (n + 1) abscisses telles que :xi+1 xi = h; i = 0; n 1 et h > 0,

le polynôme d’interpolation de f aux points xi peut s’écrire :
2
f (x0 ) f (x0 )
Pn (x) = f (x0 ) + (x x0 ) + (x x0 )(x x1 )+
n
1!h 2!h2
f (x0 )
:::: + (x x0 )(x x1 ):::(x xn 1 )
n!hn
Exemple : Construire le polynôme d’interpolation de Newton associé à la fonction
x 4 6 8 10
tabulée suivante :
f 1 3 8 20
Solution :h = 2
2 3
xi fi fi fi fi
4 1
2
6 3 3
5 4
8 8 7
12
10 20

2 3
y0 y0 y0
P3 (x) = y0 + (x x0 ) + 2
(x x 0 )(x x 1 ) + (x x0 )(x x1 )(x x2 )
1!h 2!h 3!h3
2 3 4
= 4+ (x 4) + 2 (x 4)(x 6) + (x 4)(x 6)(x 8)
1!:2 2! (2) 3! (2)3
1 3 9 2 71
= x x + x 10
12 8 21

27
3.2.2 Di¤érences divisées

Supposons que nous avons une fonction tabulée sur un ensemble de points xi qui ne
sont pas uniformement espacés.
Dé…nition : La 1ere DD de f (x) aux points xi et xi+1 est dé…nie par :
f (xi+1 ) f (xi )
[xi ; xi+1 ] =
xi+1 xi
ere
La 2 DD de f (x) aux points xi , xi+1 et xi+2 est dé…nie par :
[xi+1 ; xi+2 ] [xi ; xi+1 ]
[xi ; xi+1 ; xi+2 ] =
xi+2 xi
En général, la k ere DD (où DD d’ordre K) aux points xi ; xi+1 ; :::; xi+k est dé…nie par :
[xi+1 ; :::; xi+k ] [xi ; :::; xi+k 1 ]
[xi ; xi+1 ; :::; xi+k ] =
xi+k xi

Forme de Newton pour les di¤érences divisées

Si une fonction f (x) prends les valeurs f (xi ) sur un ensemble de points xi (i = 0; n)
non uniformement espacés, alors :
P (x) = f (x0 ) + (x x0 ) [x0 ; x1 ] + (x x0 )(x x1 ) [x0 ; x1 ; x2 ] +
::: + (x x0 )::::(x xn 1 ) [x0 ; x1 ; ::::; xn ]
xi 3 2 5
Exemple : Soit le tabeau
yi 2 1 4
Utiliser la méthode de Newton pour construire un polynôme passant par ces points.
Solution :
xi yi 1ere DD 2ere DD
3 2
3
5
17
2 1
60
5
3
5 4
3
P (x) = f (x0 ) + (x x0 ) [x0 ; x1 ] + (x x0 )(x x1 ) [x0 ; x1 ; x2 ] = 2 + (x + 3) +
5
17 17 19 3
(x + 3)(x 2) = x2 x
60 60 60 2

28
3.2.3 Expression du reste

Théorème :
Soit [a; b] un intervalle contenant x0 ; x1 ; :::; xn : On suppose que f est (n + 1) fois
dérivable sur [a; b] (f 2 C n+1 [a; b], alors pour chaque x 2 [a; b], 9 2 [a; b] avec :
f (n+1) ( ) Y
n
f (n+1) ( )
E = f (x) Pn (x) = (x x0 )(x x1 ):::(x xn ) = (x xi )
(n + 1)! (n + 1)! i=0
Mn+1 Y
n
D’où jf (x) Pn (x)j (x xi ) tq Mn+1 = max f (n+1) (x)
(n + 1)! i=0 x2[a;b]
p
Exemple : Avec quelle précision peut on calculer 115 à l’aide de la formule de
p
Lagrange pour la fonction f (x) = x si les points d’interpolation sont : x0 = 100,
x1 = 121 , x2 = 144 ??
M3 Y
2
Solution : On a :jf (x) P2 (x)j (x xi ) où M3 = max jf 000 (x)j
3! i=0 x2[x0 ;x2 ]

Y
2
* (x xi ) = j(x 100) (x 121) (x 144)j = v(x) alors v(115) = 2610
i=0
p 1 1 000 3
* f (x) = x, f 0 (x) = p , f 00 (x) = 3 , f (x) = 5
2 x 4x 2 8x 2
3 1 3
Et delà : M3 = max jf 000 (x)j = : 5 = 10 5
x2[100;144] 8 [100] 2 8
3 1
Alors pour x = 115 : jf (115) P2 (115)j 10 5 2610 = 163; 125 10 5
'
8 3!
2
0; 16 10
Donc P2 (115) est une valeur approchée de f (115), calculée avec ( au moins) deux
décimales exactes

29
Chapitre 4

INTEGRATION NUMERIQUE

Introduction
La plupart des méthodes d’intégration numérique proviennent des formules d’inter-
Rb
polation polynômiale. Le calcul d’intégrale a f (x)dx d’une fonction f continue sur un
Rb
intervalle [a; b] est approché par le calcul exact de a P (x)dx où P (x) est le polynôme
d’interpolation de la fonction f en certains points xk pour k = 0; n
Exemple :
Z b
Rb Rb Rb Pn Pn Rb
a
f (x)dx ' a
P (x)dx = a
f (x i )L i (x)dx = f (x i ) L i (x)dx =) a
f (x)dx '
i=0 i=0 a
| {z }
Ai
P
n
Aif (xi )
i=0

4.1 Formule de base

4.1.1 Formule des Trapèzes

Rb Pn Rb
Dans la formule : a P (x)dx ' f (xi ) a Li (x)dx si on pose n = 1, on obtient :
i=0
Rb Rb Rb
a
P (x)dx ' f (a) a
L 0 (x)dx + f (b) L (x)dx
a 1
x x1 x b x x0 x a
et puisque L0 (x) = = et L1 (x) = =
x0 x1 a b x1 x0 b a
Rb Rb x b Rb x a
alors : a P (x)dx ' f (a) a dx + f (b) a dx
a b b a

30
 Rb h
a
f (x)dx '
[y0 + 2y1 + 2y2 + ::: + 2yn 1 + yn ]
2
R b a
=) ab f (x)dx ' [f (a) + f (b)]
2

Interprétation géométrique

L’air limité par la courbe représentative de la fonction f sur l’intervalle [a; b] est
remplacé par l’air d’un trapèze.

Rb b a b a (b a) b a
a
f (x)dx ' (b a)f (a)+ (f (b) f (a)) = f (a)+ f (b) = (f (a)+
2 2 2 2
f (b))

Formule des trapèzes généralisée

Divisons l’intérvalle [a; b] en n parties égales [x0 ; x1 ] ; [x1 ; x2 ] ; ::::; [xn 1 ; xn ], et appli-
quons à chacune d’elles la formule des trapèzes, on a donc :
Rb h
a
f (x)dx ' [(y0 + y1 ) + (y1 + y2 ) + ::: + (yn 1 + yn )]
2
Rb h
=) a f (x)dx ' [y0 + 2y1 + 2y2 + ::: + 2yn 1 + yn ]
2
Exemple :
R4
Calculer I = 0 ex dx
I = ex c40 = e4 e0 = 53; 598150
Méthode des trapèzes avec 4 tranches :
h
I = [f (x) + 2f (x1 ) + 2f (x2 ) + 2f (x3 ) + f (x4 )]
2

31
 b a 4 0
h= = =1
n 4
I = 21 [e0 + 2e1 + 2e2 + 2e3 + e4 ] = 57; 99195

4.1.2 Formule de Simpson

Rb Rb P
n Rb
D’apès la formule a
f (x)dx ' a
P (x)dx = f (xi ) a
Li (x)dx
i=0
a+b
posons x0 = a , x1 = , x2 = b (n = 2)
2
b a
h = x1 x0 = x2 x1 =
2
on a alors :

(x x1 ) (x x2 ) (x x1 ) (x x2 )
L0 (x) = =
(x0 x1 ) (x0 x2 ) 2h2
(x x0 ) (x x2 ) (x x0 ) (x x2 )
L1 (x) = =
(x1 x0 ) (x1 x2 ) h2
(x x0 ) (x x1 ) (x x0 ) (x x1 )
L2 (x) = =
(x2 x0 ) (x2 x1 ) 2h2

après l’intégration, on a :
R x2 h R x2 4h R x2 h
x0
L 0 (x)dx = , x0
L 1 (x)dx = , x0
L2 (x)dx =
3 Rx 3 3
L’approximation d’ordre 2 de x02 f (x)dx est donnée par :
R x2 h 4h h
x0
f (x)dx ' f (x0 ) + f (x1 ) + f (x2 )
3 3 3
Cette formule est connue sous le nom de Formule de Simpson.

Interprétation géométrique

Au lieu de joindre par des segments de droites, les extrémités des données successives
comme on l’a fait dans les formules des trapèzes, dans la formule de Simpson on les fait
avec des arcs paraboles : On regroupe les points par trois (ici x1 ,x2 ,x3 )( en supposant
n paire) et on remplace la courbe par la parabole ayant les mêmes valeurs que f en ces
points.

32
Formule de Simpson généralisée

Pour calculer l’intégrale de f sur un intervalle [a; b], on divise cet intervalle en 2n
b a
sous-intervalles de longueur h = et on calcule successivement :
2n
R x2 h
x0
f (x)dx ' (f0 + 4f1 + f2 )
3
R x4 h
x2
f (x)dx ' (f2 + 4f3 + f4 )
3
..
.
R x2n h
x2n 1
f (x)dx ' (f2n 2 + 4f2n 1 + f2n )
3
D’où
R x2n h
x0
f (x)dx ' (f0 + 4f1 + 2f2 + 4f3 + 2f4 + ::: + 2f2n 2 + 4f2n 1 + f2n )
3
Exemple :
R4
Calculer I = 0 ex dx
Méthode Simpson à 4 tranches
b a 4 0
h= = =1
2n 2 2
h
I = [e0 + 4e1 + 2e2 + 4e3 + e4 ] ' 53; 863846
3

33