COURS INTÉGRÉ

ANALYSE NUMÉRIQUE
Niveau licences appliquées

ASMA ROUATBI
[Link]@[Link]
 Table des matières

1 Résolution des équations non linéaires 5

1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Méthode de dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Convergence de la méthode de dichotomie . . . . . . . . . . . . . . 7
1.2.3 Test d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Vitesse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Principe de la méthode de point fixe . . . . . . . . . . . . . . . . . 11
1.3.2 Estimation de l’erreur . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 Ordre de convergence de la méthode du point fixe . . . . . . . . . . 14
1.3.4 Test d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Convergence de la méthode de Newton . . . . . . . . . . . . . . . . 17
1.5 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.2 Convergence de la méthode de Lagrange . . . . . . . . . . . . . . . 18
1.5.3 Ordre de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Interpolation polynômiale 29
2.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2 Interpolation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Interpolation quadratique . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.4 Erreur de l’interpolation de Lagrange . . . . . . . . . . . . . . . . . 32
2.3 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3
4 Table des matières

3 Résolution des systèmes linéaires 37

3.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Méthode d’élimination de Gauss . . . . . . . . . . . . . . . . . . . . 38
3.2.2 Méthode de décomposition LU . . . . . . . . . . . . . . . . . . . . 41
3.2.3 Factorisation de Choleski . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 Méthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.3 Méthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

ANALYSE NUMÉRIQUE Asma ROUATBI

 Chapitre 1

Résolution des équations non

linéaires

Sommaire
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Méthode de dichotomie . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Convergence de la méthode de dichotomie . . . . . . . . . . . . 7
1.2.3 Test d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Vitesse de convergence . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Principe de la méthode de point fixe . . . . . . . . . . . . . . . 11
1.3.2 Estimation de l’erreur . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.3 Ordre de convergence de la méthode du point fixe . . . . . . . 14
1.3.4 Test d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Convergence de la méthode de Newton . . . . . . . . . . . . . . 17
1.5 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . 17
1.5.2 Convergence de la méthode de Lagrange . . . . . . . . . . . . . 18
1.5.3 Ordre de convergence . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.1 Motivations
Nous savons résoudre les équations du premier et second degré, et avec un peu plus
de technique les équations de degré 3 et 4. Mais, en général, on ne sait pas calculer
explicitement les solutions des équations de degré > 4 ou bien par exemples : x = exp(x),
x = cos x, x5 + x6 + 1 = 0. Donc il est nésessaire de développer des méthodes qui vont
approcher les solutions de l’équation de typef (x) = 0.

5
6 Chapitre 1. Résolution des équations non linéaires

1.2 Méthode de dichotomie

La méthode de dichotomie est basée sur le théorème des valeurs intermédiaires.

Théorème 1.1 Soit f une fonction continue, à valeurs dans R et définie sur un intervalle
[a, b]. On suppose que f (a).f (b) < 0. Alors il existe α ∈]a, b[ tel que f (α) = 0.
Ce théorème garantit juste l’existence d’un zéro. Pour l’unicité on utilise le théorème de
la bijection.

Théorème 1.2 Soit f une fonction continue et strictement monotone sur un intervalle
I de R, alors f réalise une bijection de I dans f (I). De plus, sa bijection réciproque f −1
est continue sur I, de même monotonie que f .

1.2.1 Principe de la méthode

Soit f : [a, b] → R continue et strictement monotone telle que f (a).f (b) < 0. On note
α son unique solution (racine) (f (α) = 0 sur ]a, b[).
a+b
On note c = le milieu de l’intervalle [a, b]
2
1. Si f (c) = 0, alors α = c est une solution de l’équation f (x) = 0.
2. (a) Si f (a).f (c) < 0, alors il existe α ∈]a, c[ tel que f (α) = 0, sinon, c’est à dire
(b) Si f (c).f (b) < 0, alors il existe α ∈]c, b[ tel que f (α) = 0.
On dispose donc d’un nouvel intervalle contenant α de longueur divisé par 2 par rapport
à l’intervalle initial, en prenant l’intervalle [a, c] au lieu de [a, b] dans le premier cas (a) et
l’intervalle [c, b] au lieu de [a, b] dans le second cas (b).
On réitére le processus plusieurs fois jusqu’à obtenir un encadrement de α aussi précis.
Voici le processus complet

• Etape 0 on pose a0 = a, b0 = b, il existe une solution a0 de l’équation f (x) = 0

dans l’intervalle ]a0 , b0 [.
• Etape 1
a0 + b 0
c0 =
2
— si f (a0 )f (c0 ) < 0 alors on pose a1 = a0 ; b1 = c0
— sinon on pose a1 = c0 ; b1 = b0
— il existe une solution a1 de f (x) = 0 dans ]a1 , b1 [
..
.
• Etape n
On construit ainsi par recurrence sur n trois suites (an ), (bn ) et (cn ) telles que

a0 = a, b0 = b et pour n > 0

ANALYSE NUMÉRIQUE Asma ROUATBI

1.2. Méthode de dichotomie 7

— Si f (an ).f (cn ) < 0, alors an+1 = an et bn+1 = cn

— sinon on pose an+1 = cn et bn+1 = bn
— il existe une solution αn de f (x) = 0 dans ]an+1 , bn+1 [.

Exemple 1.1 On considère la fonction :

f (x) = x2 − 2,
x ∈ [1, 2].
√
On cherche à calculer une valeur
√ approchée
√ de 2.
f (x) = 0 admet deux racines ± 2. + 2 est l’unique solution positive de l’équation f (x) =
0. f (1) = −1 < 0, f (2) = 2 > 0 donc d’après le Théorème des valeurs intermédiaires √
l’équation f (x) = 0 admet une racine dans l’intervalle [1, 2] et par unicité c’est α = 2 ∈
]1, 2[.
1. a0 = 1, b0 = 2 ; f (a0 ) < 0, f (b0 ) > 0
a0 + b 0 3 √
c0 = = , f (c0 ) = 0.25 donc 2 ∈]1, 32 [
2 2
a1 = a0 = 1, b1 = c0 = 32 .
2. f (a1 ) < 0, f (b1 ) > 0
a1 + b 1 5 √
c1 = = , f (c1 ) = −0.43 donc 2 ∈] 45 , 32 [
2 4
a2 = c1 = 45 , b2 = b1 = 23 .
3. f (a2 ) < 0, f (b2 ) > 0
a2 + b 2 11 √
c2 = = , f (c2 ) = −0.1 donc 2 ∈] 11 8 2
, 3 [ a3 = c2 = 118
, b3 = b2 = 32
2 8
4. f (a3 ) < 0, f (b3 ) > 0 √
c3 = a3 +b
2
3
= 23
16
, f (c3 ) = 0.066 donc 2 ∈] 11 , 23 [ a4 = a3 = 11
8 16 8
, b4 = c3 = 23
16
.
5. f (a4 ) < 0, f (b4 ) > 0 √
c4 = a3 +b 3
= 45
, f (c 4 ) = −0.022 donc 2 ∈] 45 , 23 [
2 32 32 16 √
donc on obtient un encadrement aussi précis de α = 2 ' 1.4142.
1.4062 < α < 1.4375.
b−a
Remarque 1.1 1. A l’étape n, l’intervalle In est de largeur , donc on a un
2n
encadrement de α du même ordre.
2. L’avantage de la méthode de dichotomie est de fournir un encadrement de la solution
α de l’équation f (x) = 0.

1.2.2 Convergence de la méthode de dichotomie

Théorème 1.3 Soit f une fonction continue sur [a, b], vérifiant f (a).f (b) < 0 et soit
α ∈]a, b[ l’unique solution de l’équation f (x) = 0. Alors à l’étape n on a l’estimation
suivante
b−a
|α − cn | ≤ n+1
2
dans ce cas la suite (cn ) converge vers α, où (cn ) est une suite de réels, construite pour
approcher α.

ANALYSE NUMÉRIQUE Asma ROUATBI

8 Chapitre 1. Résolution des équations non linéaires

Remarque 1.2 1. On note en = α − cn l’erreur d’approximation où α est la racine de

l’équation f (x) = 0.
2. L’erreur est inconnue tant que α l’est, mais on peut l’estimer en valeur absolue.
3. lim en = 0.
n−→+∞
b−a
4. L’erreur de la méthode de dichotomie est au plus 2n+1
après n étapes car l’erreur
est diminuée à la moitié à chaque étape.

1.2.3 Test d’arrêt

La suite (cn ) à la n-ième itération est une valeur approchée de α à  > 0 près, si n
vérifie
b−a
<
2n+1
On a alors
b−a
|en | = |α − cn | ≤ n+1 < .
2

Remarque 1.3 On peut calculer à l’avance le nombre maximal n ∈ N d’itérations

assurant la précision . En effet :

b−a
≤
2n+1
b − a
⇐⇒ ln ≤ (n + 1) ln 2
  
 ln b−a 

⇐⇒n + 1 ≥

ln

2
 ln b−a 

⇐⇒n ≥ −1
ln 2
Application 1.1 On considère la fonction
√
f (x) = exp(x) + 3 x − 2, x ∈ [0, 1].

1. Montrer que f admet une unique solution dans [0, 1].

2. Estimer  à une précision  = 10−10 près.
Réponse :
1. Existence : f est continue sur [0, 1], f (0) = −1 < 0 et f (1) = e + 1 > 0, donc
f (0).f (1) < 0 alors d’après le théorème des valeurs intermédiaires, il existe α ∈]0, 1[
telle que l’équation f (α) = 0.
Unicité : f est dérivable sur ]0, 1] et ∀x ∈]0, 1], f 0 (x) = ex + 2√3 x > 0 =⇒ f est
strictement croissante.
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [0, 1].

ANALYSE NUMÉRIQUE Asma ROUATBI

1.2. Méthode de dichotomie 9

2. Il suffit que n vérifie 1

2n+1
≤ 10−10
1
ln( )
ou encore 2−(n+1) ≤ 10 −10
=⇒ n ≥ 10 −10
ln 2
− 1 = 10 ln(10)
ln(2)
− 1 = 32, 21. Il nous faut
au plus 33 itérations pour estimer la solution α.


1.2.4 Vitesse de convergence

Définition 1.1 On dit que la convergence de la suite (cn ) vers α est d’ordre p ∈ R∗+ s’il
existe un réel k > 0 tel que
|en+1 |
lim =k
n→+∞ |en |p

‘
1. La convergence de (cn ) est dite linéaire si p = 1 et k < 1.
2. La convergence de (cn ) est dite quadratique si p = 2.

Remarque 1.4 La convergence de la méthode de dichotomie est linéaire, en effet

|en+1 | |α − cn+1 | 1
= ≤
|en | |α − cn | 2

Application 1.2 Soit

f (x) = x6 − x − 1, x ∈ [1, 2].
1. Montrer que l’équation f (x) = 0 admet une unique solution sur [1, 2].
2. Déterminer le nombre d’itérations nécessaires pour obtenir une solution d’une précision
de 10−2 .
3. Quel est l’ordre de convergence de la méthode de dichotomie ?

Réponse :
1. Existence : f est continue sur [1, 2], f (1) = −1 < 0 et f (2) = 61 > 0, donc
f (1).f (2) < 0 alors d’après le théorème des valeurs intermédiaires, il existe α ∈]1, 2[
telle que l’équation f (α) = 0.
Unicité : f est dérivable sur [1, 2] et ∀x ∈ [1, 2], f 0 (x) = 6x5 − 1 > 0 −→ f est
strictement croissante.
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [1, 2].
1
ln( )
1
2. Il suffit que n vérifie 2n+1 ≤ 10−2 ou encore 2−(n+1) ≤ 10−2 =⇒ n > ln102−2 − 1 =
2 ln(10)
ln(2)
− 1 = 5.64. Il nous faut au plus 6 itérations pour estimer la solution α.
en+1
3. La convergence de la méthode de dichotomie est linéaire, en effet en
≤ 12 .


Remarque 1.5 La méthode de dichotomie converge toujours mais lentement.

ANALYSE NUMÉRIQUE Asma ROUATBI

10 Chapitre 1. Résolution des équations non linéaires

1.3 Méthode de point fixe

Rappels 1.1 Une équation de type

f (x) = 0

peut être écrite d’une manière équivalente sous la forme de

g(x) = x.

La fonction g est une fonction dépendante de f non unique comme le montre l’exemple
suivant :

Exemple 1.2 Si f (x) = e2x − 1 − x = 0, la fonction g peut être g(x) = 1 − e2x ; x ∈ R

1
ou g(x) = ln(1 + x), x > −1.
2

Définition 1.2 Un réel α ∈ [a, b] est dit point fixe d’une fonction g : [a, b] → R si
g(α) = α.

Définition 1.3 Soit n un entier et f une fonction de classe C n sur [a, b]

1. On dit que a est une racine de f de multiplicité n si
f (α) = f 0 (α) = f 00 (α) = · · · = f (n−1) (α) = 0 et f (n) (α) 6= 0.
2. Une racine de multiplicité 1 est appelé une racine simple. Une racine de multiplicité
2 est appelé une racine double.

Exemple 1.3 f (x) = (x − 3)2 (x + 1).

3 est une racine de multiplicité 2,
f (3) = 0, f 0 (x) = 2(x − 3)(x + 1) + (x − 3)2 , f 0 (3) = 0, f 00 (x) = 2(x + 1) + 4(x − 3),
f 00 (3) = 8 6= 0.

Proposition 1.1 Soit k > 0 et g : [a, b] → R. On dit que g est Lischitizienne de rapport
k > 0 (encore dit k- lipschitizienne) si pour tous x et y de [a, b] on a |g(x)−g(y)| ≤ k|x−y|.

Exemple 1.4 La fonction g(x) = sinx est lipchitizienne de rapport k = 1. Il suffit

d’appliquer le théorème des accroissement finis à la fonction g sur [x, y] avec x ≤ y.
t → g(t) est continue sur [x, y] et dérivable sur ]x, y[ donc il existe c ∈]x, y[ tel que
g(y) − g(x) = (y − x)g 0 (c) et comme |g 0 (c)| = |cosc| ≤ 1, alors d’après l’inégalité des
accroissements finis g est 1−lipschitizienne.

Définition 1.4 Soit g une fonction k−lipschitizienne sur [a, b]. La fonction g est dite
contractante de rapport de contraction k, si 0 < k < 1.

Proposition 1.2 Soit g une fonction de classe C 1 sur [a, b], s’il existe 0 < k < 1 tel que
k = max |g 0 (x)| ∀x ∈ [a, b], alors g est contractante sur [a, b].
a≤x≤b

ANALYSE NUMÉRIQUE Asma ROUATBI

1.3. Méthode de point fixe 11

1.3.1 Principe de la méthode de point fixe

Le principe de cette méthode consiste à transformer l’équation f (x) = 0 en une
équation équivalente g(x) = x où g est bien choisie. Le point α est alors point fixe de
g. Approcher les zéros de f revient à approcher les points fixes de g. On construit alors
une suite (xn ) en partant de x0 ∈ [a, b] pour calculer x1 , puis à l’aide de x1 on calcule
x2 , · · · , xn+1 = g(xn ) · · · jusqu’à que xn converge vers le point fixe α.

Théorème 1.4 Soit g une fonction, définie et continue sur [a, b] telle que
1. [a, b] est stable par g (∀x ∈ [a, b], g(x) ∈ [a, b]).
2. Il existe k ∈ R , 0 < k < 1 tel que |g 0 (x)| ≤ k < 1, k = max |g 0 (x)| (g est
a≤x≤b
contractante sur [a, b]).
Alors g admet un unique point fixe dans [a, b], et la suite définie par
(
x0 ∈ [a, b],
∀n ∈ N, xn+1 = g(xn ).

converge vers cet unique point fixe α.

Remarque 1.6 Le réel α vérifiant les hypothèses du théorème précèdent est appelé point
fixe attractif.
Ilustration graphique (Voir Figure 1.1)

Figure 1.1 – Point fixe attractif

Exemple 1.5 Soit g : [0, π] → R, la fonction définie par g(x) = 1 + 21 sin(x).

On considère la méthode de point fixe suivante :
(
x0 ∈ [0, π],
xn+1 = g(xn ); ∀n > 0

ANALYSE NUMÉRIQUE Asma ROUATBI

12 Chapitre 1. Résolution des équations non linéaires

g([0, π]) ⊂ [0, π]?

x 7→ g(x) est dérivable sur [0, π] et ∀x ∈ [0, π], g 0 (x) = 21 cos(x).
g est croissante sur [0, π2 ] et décroissante sur [ π2 , π]
g([0, π2 ]) = [g(0), g( π2 )] = [1, 23 ] et g([ π2 , π]) = [g(π), g( π2 )] = [1, 23 ]
donc g([0, π]) = [1, 23 ] ⊂ [0, π].
|g 0 (x)| ≤ k avec k = max0≤x≤π |g 0 (x)| = 21 < 1, donc g est contractante sur [0, π].
D’après le Théorème de point fixe il existe un unique α ∈ [0, π] tel que g(α) = α et la
suite définie par (
x0 ∈ [0, π],
xn+1 = g(xn ); ∀n > 0
converge vers α.

Théorème 1.5 (Théorème de la non convergence)

Soient g : [a, b] → [a, b] de classe C 1 sur [a, b] et α ∈ [a, b] l’unique point fixe tels que

|g 0 (α)| > 1.

Alors la suite (xn ) définie par

(
x0 ∈ [a, b],
∀n ∈ N, xn+1 = g(xn ).

est divergente.

Remarque 1.7 Le réel α vérifiant |g 0 (α)| > 1 est appelé point fixe répulsif.

Exemple 1.6 On considère la suite définie par

(
x0 ∈ [1, 2],
∀n ∈ N, xn+1 = g(xn ) = exn − 2.

La fonction x 7→ g(x) = ex − 2 est continue et dérivable sur [1, 2]

et ∀x ∈ [1, 2], 0 < g 0 (x) = ex > 1, ∀x ∈ [1, 2]. Alors α ∈ [1, 2] est un point fixe répulsif.

Proposition 1.3 Soient g : [a, b] → R une application de classe C 1 et α un point fixe

répulsif de g. On suppose que (xn ) la suite définie par xn+1 = g(xn ). Alors : Soit la suite
(xn ) est stationnaire, égale à α à partir d’un certain rang, soit (xn ) ne converge pas vers
α.

Définition 1.5 (Point douteux)

Soit g : [a, b] → [a, b] de classe C 1 et α ∈ [a, b] l’unique point fixe vérifiant |g 0 (α)| = 1.
Alors α est appelé point douteux de g (il peut être attractif ou répulsif ).

Exemple 1.7 On considère le suite

(
x0 ∈ [1, 2],
∀n ∈ N, xn+1 = g(xn ).

ANALYSE NUMÉRIQUE Asma ROUATBI

1.3. Méthode de point fixe 13

Figure 1.2 – Point fixe répulsif

avec g(x) = x + x3 .
Le seul point fixe est tel que g(x) = x ou encore x3 + x = x =⇒ x = 0.
g 0 (x) = 1 + 3x2 , |g 0 (0)| = 1. On ne peut rien conclure sur la nature du point fixe α = 0.
On reprend la relation de récurrence

xn+1 = g(xn ).

Si la suite converge c’est forcément vers α = 0. On a g(x) > 0 ∀x ∈ R∗+ donc xn > 0, ∀n
or xn+1 − xn = x3n > 0, n > 0 alors la suite (xn ) est strictement croissante donc elle ne
peut pas converger.

1.3.2 Estimation de l’erreur

L’erreur d’approximation de α par xn est majorée par

kn
|en | = |xn − α| ≤ |x1 − x0 |.
1−k

Pour déterminer le nombre maximal d’itérations pour que la solution soit approchée avec
une précision  il suffit que
|xn − α| < 

sachant que
kn
|xn − α| ≤ |x1 − x0 |.
1−k
donc
kn
|x1 − x0 | < .
1−k
ANALYSE NUMÉRIQUE Asma ROUATBI
14 Chapitre 1. Résolution des équations non linéaires

ou encore
(1 − k).
kn <
|x1 − x0 |
(1 − k).
⇒ en ln(k) <
|x1 − x0 |
!
(1 − k).
⇒ n ln(k) < ln
|x1 − x0 |
 
(1−k).
ln |x1 −x0 |
⇒ n>
ln(k)

Application 1.3 On considère la suite récurrente

(
x0 ∈ [1, 2],
∀n ∈ N, xn+1 = g(xn ) = 1 + e−xn .
1. Cette méthode converge t-elle ?
2. Déterminer le nombre d’itérations assurant que l’erreur en vérifie |en | ≤ 10−2 .
Réponse :
1. g est continue et dérivable sur [1, 2] et ∀x ∈ [1, 2], g 0 (x) = −e−x < 0 donc g est
strictement décroissante, et g([1, 2]) = [g(2), g(1)] = [1 + e12 , 1 + 1e ] ⊂ [1, 2]. On a
|g 0 (x)| < k avec k = max1≤x≤2 |g 0 (x)| = e12 < 1 donc g est contractante.
Conlusion : la suite
(
x0 ∈ [1, 2],
∀n ∈ N, xn+1 = g(xn ) = 1 + e−xn .

converge vers α ∈ [1, 2].

1 √1
2. Soit x0 = 2
∈ [1, 2] donc x1 = 1 + e
.
 
(1−k)
ln |x1 −x0 |
Il suffit que n > ln k
⇒ n > 3.08, c’est à dire après 4 itérations, on arrive à
estimer l’erreur.


1.3.3 Ordre de convergence de la méthode du point fixe

Théorème 1.6 Soit g : [a, b] → [a, b] de classe C 1 . Soit α ∈ [a, b]. On suppose que la
suite recurrente définie par
(
x0 ∈ [a, b],
∀n ∈ N, xn+1 = g(xn ), ∀n ≥ 0.

converge vers α, alors la convergence est au moins linéaire.

ANALYSE NUMÉRIQUE Asma ROUATBI

1.4. Méthode de Newton 15

On applique le théorème des accroissements finis

|en+1 | = |xn+1 − α| = |g(xn ) − g(α)| ≤ |g 0 (cn )||xn − α| = |g 0 (cn )||en |.
en+1
On obtient en
= |g 0 (cn )| = g 0 (α). Si g 0 (α) 6= 0 donc la convergence est linéaire.

Théorème 1.7 Soit g : [a, b] → [a, b] de classe C m avec m ∈ N. On suppose que g admet
un unique point fixe α ∈ [a, b] vérifiant |g 0 (α)| < 1. Alors la suite définie par
(
x0 ∈ [a, b]
∀n ∈ N, xn+1 = g(xn ), ∀n ≥ 0.
converge vers α.
De plus si g 0 (α) = · · · = g (m−1) (α) = 0 et g (m) (α) 6= 0. Alors l’ordre de convergence de
(xn ) est égale à m.

(xn − α)2 00 (xn − α)n−1 (n−1)

en+1 = xn+1 − α = g(xn ) − g(α)(xn − α)g 0 (α) + g (α) + · · · + g (α)
2! (n − 1)!
(xn − α)n (n)
+ g (cn ), cn ∈]xn , α[.
n!

g (k) (α) = 0 ∀1 ≤ k ≤ m − 1 et g (m) (α) 6= 0, m > 1 on a

xn+1 − α g (m) g (m) (α)

lim = lim = 6= 0.
n→+∞ (xn − α)m n→+∞ m! m!

1.3.4 Test d’arrêt

Soit (xn ) la suite qui converge vers α vérifiant g(α) = α. En fixant  la précision, alors
la méthode s’arrête si
1. |xn − xn−1 | < 
2. |g(xn )| ≤  c’est à dire g(xn ) est presque nulle.
En pratique : Lorsqu’on cherche α à 10−n près les itérations seront arrêtées lorsque deux
itérés successifs xn et xn+1 présentent les mêmes décimales de la première à la n-ième.

1.4 Méthode de Newton

C’est une méthode particulière de point fixe. Elle est basée sur l’idée de construction
d’une suite (xn ) qui converge vers α d’une manière quadratique. Soit x0 donné, pour
n = 0, on écrit la formule de Taylor de f (xn+1 ) au point xn à l’ordre 1.

f (xn+1 ) = f (xn ) + f 0 (xn )(xn+1 − xn ) + (xn+1 − xn )(xn+1 ) (∗)

avec lim (xn+1 ) = 0.
xn+1 →xn
On neglige le terme (xn+1 − xn )(xn+1 ) c’est à dire (xn+1 − xn )(xn+1 ) ∼
= 0.
On suppose que f 0 (xn ) 6= 0 et on cherche xn+1 telle que f (xn+1 ) = 0.

ANALYSE NUMÉRIQUE Asma ROUATBI

16 Chapitre 1. Résolution des équations non linéaires

f (xn )
(∗) nous donne f (xn ) + f 0 (xn )(xn+1 − xn ) = 0 ou encore xn+1 = xn − f 0 (xn )
,n ≥ 0.
D’où la méthode de Newton :


 x0 ∈ [a, b],
f (xn
 xn+1 = xn − , ∀n ≥ 0.
f 0 (xn )


Interpretation géométrique :
L’équation de la tangente au point d’abscisse x0 est donnée par

∆ : y = f 0 (x0 )(x − x0 ) + f (x0 ).

L’abscisse x1 est le point d’intersection de ∆ avec l’axe (OX) est donnée par
f 0 (x0 )(x1 − x0 ) + f (x0 ) = 0 ou encore x1 = x0 − ff0(x 0)
(x0 )
.
..
.
xn+1 est l’abscisse de point d’intersection de la tangente à la courbe xn de f en xn et l’axe
des abscisses xn+1 = xn − ff0(x n)
(xn )
.

Figure 1.3 – Schéma de Newton

Exemple 1.8 Soit l’équation x = exp( x1 ), x ∈ R∗+ . On applique la méthode de Newton

pour cette équation. On pose f (x) = x − exp( x1 ), f 0 (x) = 1 + x12 exp( x1 ), x =
6 0. La
méthode de Newton pour l’équation x = exp( x1 ) s’écrit :

xn − exp( x1n )
xn+1 = xn − 1

1

1+ x2n
exp xn
  
1
x2n xn − exp xn
= xn − 
1

x2n + exp xn

Remarque 1.8 La méthode de Newton peut être considérée comme une méthode de
f (x)
point fixe, si l’on choisit g(x) = x − 0
f (x)

ANALYSE NUMÉRIQUE Asma ROUATBI

1.5. Méthode de Lagrange 17

1.4.1 Convergence de la méthode de Newton

Théorème 1.8 Soit f : [a, b] → R une fonction de classe C 2 avec
1. f (a).f (b) < 0
2. ∀x ∈ [a, b], f 0 (x) 6= 0 (f est strictement monotone)
3. ∀x ∈ [a, b], f 00 (x) 6= 0 (f ne change pas de concavité).
Alors pour tout x0 ∈ [a, b] tels que f (x0 ).f 00 (x0 ) > 0, la méthode de Newton

f (xn )
xn+1 = xn − , ∀n ∈ N.
f 0 (xn )

converge vers l’unique solution α de l’équation f (x) = 0 dans [a, b].

Proposition 1.4 La convergence de la méthode de Newton est quadratique c’est à dire

il existe c > 0 telque
|xn+1 − α| < c|xn − α|2 , ∀n ∈ N.

Application 1.4 Soit l’équation x = exp(−x), x ∈ [0, +∞[

1. On considère la méthode itérative suivante
(
x0 ∈ [0, +∞[,
xn+1 = exp(−xn ), ∀n ≥ 0.

Montrer que la méthode de point fixe est convergente si x0 est bien choisi. Donner
dans ce cas l’ordre de convergence.
2. Appliquer la méthode de Newton à l’équation x = exp(−x) et montrer que la
convergence est quadratique.

Remarque 1.9 La méthode de Newton est rapide, mais nécessite le calcul de f 0 et

converge si on part d’un point assez proche de la racine, l’inconvénient de cette méthode est
qu’un mauvais choix de la valeur initiale peut provoquer la divergence de cette méthode.

1.5 Méthode de Lagrange

1.5.1 Principe de la méthode
Soit f une fonction de classe C 1 sur un intervalle [a, b] et α la solution de l’équation
f (x) = 0. On considère l’équation f 0 (xn )(xn+1 − xn ) = −f (xn ); n > 0 (l’approche de la
f (xn ) − f (xn−1 )
méthode de Newton). On approche f 0 (xn ) par le taux d’accroissement .
xn − xn−1
Alors on peut définir la suite de la méthode de Lagrange par


 Partant de x0 , x1
xn−1 f (xn ) − xn f (xn−1 )
 xn+1 = , ∀n ≥ 1.
f (xn ) − f (xn−1 )


ANALYSE NUMÉRIQUE Asma ROUATBI

18 Chapitre 1. Résolution des équations non linéaires

1.5.2 Convergence de la méthode de Lagrange

Théorème 1.9 Soit f une fonction définie sur [a, b] à valeurs réelles telle que f 0 et f 00
sont strictement positives. On suppose que α est l’unique solution de l’équation f (x) = 0
telle que f (a) < 0 et f (b) > 0. Alors la suite de la méthode de Lagrange définie par


 Partant de x0 , x1 ∈ [a, b]
xn−1 f (xn ) − xn f (xn−1 )
 xn+1 = , ∀n ≥ 1.
f (xn ) − f (xn−1 )


est croissante et converge vers α.

1.5.3 Ordre de convergence

Proposition 1.5 Soit f une fonction définie sur [a, b] à valeurs réelles. On suppose que
α est l’unique solution de l’équation f (x) = 0 telle que √ f 0 (α) 6= 0. Alors l’ordre de
1+ 5
convergence de la suite de la méthode de Lagrange est .
2
Interpretation géométrique : xn+1 est l’abscisse du point d’intersection, avec l’axe des
abscisses, de la droite joignant les points de la courbe de f , d’abscisses respectives xn et
xn−1 .

ANALYSE NUMÉRIQUE Asma ROUATBI

1.6. Exercices 19

1.6 Exercices
Exercice 1.1 On se propose de résoudre numériquement l’équation

f (x) = x3 + 4x2 − 10 = 0. (1.1)

1. Montrer que l’equation (1.1) admet une unique solution réelle α ∈ [0, 2].
2. Décrire la méthode de Dichotomie.
3. Déterminer le nombre d’itérations nécessaires pour approcher la solution avec une
précision  = 10−5 .
4. Quel est l’ordre de la convergence de cette méthode ?

Exercice 1.2 Soit

f (x) = x2 ex − 1; x ∈ [0, 1].
1. Montrer que l’équation f (x) = 0 admet une unique solution sur [0, 1].
2. Ecrire la méthode de dichotomie et calculer les trois premiers itérés.
3. Déterminer le nombre d’itérations necessaires pour obtenir une solution d’une précision
de 10−4 .

Exercice 1.3 On se propose de résoudre numériquement l’équation

f (x) = x3 − x2 − 1 = 0. (1.2)

1. Montrer que (1.2) admet une solution réelle unique α et que α ∈ [1, 2].
2. Montrer que l’équation (1.2) est équivalente à l’équation

x = gi (x), i = 1, 2,
√
où g1 (x) = x3 − x2 + x − 1 ou g2 (x) = 3 x2 + 1.
3. Etudier dans chacun des deux cas la convergence de la suite (xn )n∈N définie par la
méthode de point fixe
(
x0 ∈ I = [1, 2],
xn+1 = gi (x), , i = 1, 2, ∀n ≥ 0.

pour la recherche de α.

Exercice 1.4 On considère la méthode de point fixe suivante :

(
x0 ∈ I = [0, π],
xn+1 = g(xn ), , ∀n ≥ 0.

avec g : [0, π] −→ R la fonction définie par g(x) = 1 − 14 cos x.

1. Montrer que la méthode converge pour tout x0 ∈ [0, π].

ANALYSE NUMÉRIQUE Asma ROUATBI

20 Chapitre 1. Résolution des équations non linéaires

2. Montrer que l’erreur satisfait l’inégalité |xk −α| ≤ C k |x0 −α|. Donner une estimation
de la constante C et l’utiliser pour minorer le nombre d’itérations nécessaires pour
approcher α à 10−3 .

Exercice 1.5 Soit l’équation

h1 i
x = e−x , x ∈ ,1 . (1.3)
2
1. Montrer que l’équation x = e−x , admet une unique solution sur [ 12 , 1].
2. On considère la méthode itérative suivante
( h i
1
x0 ∈ 10 ,1 ,
xn+1 = e−xn , , i = 1, 2, ∀n ≥ 0.

Montrer que la méthode est convergente. Donner dans ce cas l’ordre de convergence.

Exercice 1.6 Soit f une fonction définie sur R par

f (x) = ex − x − 2. (1.4)

1. Montrer que l’équation f (x) = 0 est équivalente à l’équation

x = gi (x), i = 1, 2,

où g1 (x) = ex − 2 ou g2 (x) = ln(2 + x).

2. Dans quel intervalle de longueur 1 se trouve cette racine ?
3. En déduire si les méthodes de points fixes convergent, et déterminer leur ordre de
convergence.
4. Faire 2 itérations à partir de x0 = 1 pour chacune des 2 méthodes de point fixe.
5. Appliquer la méthode de Newton à l’équation de départ et faites 2 itérations à partir
de x0 = 1.

Exercice 1.7 Considérons l’équation

x(1 + ex ) = ex

1. Montrer que cette équation admet une unique solution α dans [0, 1].
2. Écrire la méthode de Newton pour approcher la solution.
3. Proposer une autre itération de point fixe pour approcher α. Montrer que cette
itération converge vers α pour tout x0 ∈ [0, 1].

Exercice 1.8 I On considère le problème du calcul de α ∈ [0, π] tel que

1 2
α= + sin α
2 3
1. Montrer qu’on peut utiliser la méthode de la dichotomie pour approcher α.

ANALYSE NUMÉRIQUE Asma ROUATBI

1.7. Indications 21

2. Quel est l’erreur maximale qu’on obtient après 3 itérations ?

II On considère la méthode de point fixe suivante :
( h i
x0 ∈ 0, π ,
xn+1 = g(xn ), , ∀n ≥ 0.
1
avec g : [0, π] −→ R la fonction définie par g(x) = 2
+ 23 sin x.
1. Montrer que la méthode converge pour tout x0 ∈ [0, π]. Quel est l’ordre de convergence ?
2. (a) Montrer que l’erreur satisfait l’inégalité |xn − α| ≤ C|xn−1 − α|.
(b) En déduire que |xn − α| ≤ Cn |x0 − α|
(c) Donner une estimation de la constante C.
(d) Déterminer le nombre d’itérations nécessaires pour approcher α à 10−3 .

3. (a) Montrer que si on utilise le critère d’arrêt |xn+1 −xn | ≤  alors |xn −α| ≤ .
1−C
(b) Quelle valeur de  faut-il choisir pour approcher α à 10−3 .

1.7 Indications
Indication exercice 1.1 1. Soit

f (x) = x3 + 4x2 − 10; x ∈ [0, 2].

La fonction f est continue sur [0, 2], f (0) = −10 < 0 et f (2) = 14 > 0, donc
f (0)f (2) < 0 alors d’après le théorème des valeurs intermédiaires, il existe α ∈]0, 2[
telle que l’équation f (α) = 0. Unicité : f est dérivable sur [0, 2] et ∀x ∈ [0, 2],
f 0 (x) = 3x2 + 8x > 0 donc f est strictement croissante sur [0, 2].
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [0, 2].
2. Méthode de dichotomie (Voir le cours).
5
2
3. Il suffit que 2n+1 ≤ 10−5 ou encore n + 1 > ln(2×10
ln(2)
)
=⇒ n > 5 ln(2)
ln(10)
− 1 = 16, 60.
Alors le nombre d’itérations nécessaires pour approcher la solution avec une précision
 = 10−5 est n ≈ 17 itérations.
en+1 1
4. On a en
≤ 2
=⇒la convergence est linéaire.

Indication exercice 1.2 1. Soit

f (x) = x2 ex − 1; x ∈ [0, 1].

La fonction f est continue sur [0, 1], f (0) = −1 < 0 et f (1) = e − 1 > 0, donc
f (0)f (1) < 0 alors d’après le théorème des valeurs intermédiaires, il existe α ∈]0, 1[
telle que l’équation f (α) = 0. Unicité : f est dérivable sur [0, 1] et ∀x ∈]0, 1],
f 0 (x) = xex (x + 2) > 0, donc f est strictement décroissante sur ]0, 1].
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [0, 1].

ANALYSE NUMÉRIQUE Asma ROUATBI

22 Chapitre 1. Résolution des équations non linéaires

2. Méthode de dichotomie (Voir le cours).

Etape 0 : a0 = 1, b0 = 1 ; f (a0 ) < 0, f (b0 ) > 0.
a0 + b 0 1
On calcule c0 = = .
2 2
Etape 1 : f (c0 ) = −0587 < 0 donc α ∈] 21 , 1[
a1 = c0 = 12 , b1 = b0 = 1.
a1 + b 1 3
On calcule c1 = = .
2 4
Etape 2 : On calcule f (c1 ) = 0.19 > 0 donc α ∈] 21 , 34 [
a2 = a1 = 21 , b2 = c1 = 34 .
On calcule c2 = a2 +b2
2
= 58 .
Etape 3 : f (c2 ) = f ( 58 ) = −0.270 < 0 donc α ∈] 85 , 34 [

ln( b−a )
3. Il suffit que n > ln 2 − 1 = 12.28. Pour n ≈ 13 itérations, on peut approcher la
solution à  = 10−4 .

Indication exercice 1.3 1.

f (x) = x3 − x2 − 1 = 0, x ∈ [1, 2]
La fonction f est continue sur [1, 2], f (1) = −1 < 0 et f (2) = 2 > 0, donc
f (1).f (2) < 0 alors d’après le théorème des valeurs intermédiaires, il existe α ∈]1, 2[
telle que l’équation f (α) = 0.
Unicité : f est dérivable sur [1, 2] et ∀x ∈ [1, 2], f 0 (x) = 3x2 − 2, x > 1 > 0 → f
est strictement décroissante sur [1, 2].
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [1, 2].
2. f (x) = 0 ⇐⇒ x3 − x2 − 1 + x − x = 0 ⇐⇒ x = x3 − x2 + x − 1 = g1 (x), x ∈ R.
√ √
f (x) = 0 ⇐⇒ x3 = x2 + 1 ⇐⇒ x = x2 + 1 ⇐⇒ x = g2 (x), x2 + 1, x ∈ R
3 3

.
3. On considère la suite définie par
(
x0 ∈ I = [1, 2],
xn+1 = g1 (xn ), , i = 1, 2, ∀n ≥ 0.
On a x 7→ g1 (x) = x3 − x2 + x − 1 est dérivable sur [1, 2]
et ∀x ∈ [1, 2] ; g10 (x) = x(3x − 2) + 1 > 1, donc la méthode de point fixe diverge.
On définit maintenant la suite
(
x0 ∈ I = [1, 2],
xn+1 = g2 (xn ), , i = 1, 2, ∀n ≥ 1.
√
Montrons que [1, 2] est stable par g2 . On a x 7→ g2 (x) = 3 x2 + 1 est dérivable sur
[1, 2]
2
et ∀x ∈ [1, 2] g20 (x) = 23 x(x2 + 1)− 3 > 0, donc g est strictement croissante, et
1 1
g2 ([1, 2]) = [g2 (1), g2 (2)] = [2 3 , 5 3 ] ⊂ [1, 2]. On a |g20 (x)| < k avec k = max1≤x≤2 |g20 (x)| =
4
3
× 12 < 1 donc g2 est contractante. Conclusion : d’après le théorème de point fixe
33
la suite xn+1 = g2 (xn ) est convergente.

ANALYSE NUMÉRIQUE Asma ROUATBI

1.7. Indications 23

Indication exercice 1.4 On considère la méthode de point fixe suivante :

(
x0 ∈ I = [0, π],
xn+1 = g(xn ), , ∀n ≥ 1.

1
avec g : [0, π] −→ R la fonction définie par g(x) = 1 − cos x.
4
1. g([0, π]) ⊂ [0, π]?
x 7→ g(x) est dérivable sur [0, π] et ∀x ∈ [0, π], g 0 (x) = 14 sin(x) > 0, x ∈ [0, π] donc
g est strictement croissante sur [0, π].
On a donc g([0, π]) = [g(0), g(π)] = [ 34 , 54 ] ⊂ [0, π].Donc [0, π] est stable par g.
Maintenant montrons que g est contarctante : on a |g 0 (x)| ≤ k avec k = max0≤x≤π |g 0 (x)| =
1
4
< 1, donc g est contractante sur [0, π].
D’après le Théorème de point fixe il existe un unique α ∈ [0, π] tel que g(α) = α et
la suite (
x0 ∈ I = [0, π],
xn+1 = g(xn ), , ∀n ≥ 1.
est convergente.
2. En appliquant le théorème des accroissements finis entre xn−1 et α on aura l’existence
de ξ entre xn−1 et α tels que
1 1
|xn − α| = |g(xn−1 ) − g(α)| = |g 0 (ξ)||xn−1 − α| = |sinξ||xn−1 − α| ≤ |xn−1 − α|.
4 4
Alors, on a
1
|xn − α| ≤ |xn−1 − α|
4
1
|xn−1 − α| ≤ |xn−2 − α|
4
1
|xn−2 − α| ≤ |xn−3 − α|
4
..
.
1
|x1 − α| ≤ |x0 − α|.
4
On a aura  n
1
|xn − α| ≤ |x0 − α|.
4
 n  n  n
On a 41 |x0 − α| ≤ 14 π. Il suffit que ( 14 π ≤ 10−3 =⇒ n ln( 41 ) ≤ ln( π1 ) −
3 ln(10) ou encore n > ln π+3 ln 10
ln(4)
= 5.80. Alors le nombre d’itérations nécessaires
−3
pour approcher α à 10 est n ≈ 6.

Indication exercice 1.5 1. Soit l’équation x = e−x , x ∈ [ 12 , 1].

On pose f (x) = e−x − x f est continue sur [ 21 , 1] et f ( 21 ) = √1e − 12 > 0, f (1) =
1
e
− 1 < 0, alors d’après le théorème des valeurs intermediaires il existe α ∈] 21 , 1[ tel

ANALYSE NUMÉRIQUE Asma ROUATBI

24 Chapitre 1. Résolution des équations non linéaires

que f (α) = 0.
Unicité : f est dérivable sur [ 21 , 1] et ∀x ∈ [ 12 , 1], f 0 (x) = −(e−x + 1) < 0 =⇒ f est
strictement décroissante sur [ 21 , 1].
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [ 12 , 1].
2. On considère la méthode itérative suivante
(
1
x0 ∈ I = [ 10 , 1],
−xn
xn+1 = e , , ∀n ≥ 0.

x 7→ g(x) = e−x est dérivable sur [ 10 1 1

, 1] et ∀x ∈ [ 10 , 1] ; g 0 (x) = −e−x < 0, donc g est
1 1 1
strictement décroissante sur [ 10 , 1], alors g([ 10 , 1]) = [g(1), g( 10 1
)] = [ 1e , 11 ] ⊂ [ 10 , 1].
e 10
On a |g 0 (x)| < k avec k = maxx∈[ 1 ,1] , |g 0 (x)| = 1e < 1 donc g est contractante.
10
Conclusion : d’après le théorème de point fixe la suite
(
1
x0 ∈ I = [ 10 , 1],
−xn
xn+1 = e , , ∀n ≥ 0.
1
converge vers α ∈ [ 10 , 1]. On a g 0 (α) = −e−α 6= 0, donc la méthode est d’ordre 1.

Indication exercice 1.6

f (x) = ex − x − 2.
1. f (x) = 0 ⇐⇒ ex − x − 2 = 0 ⇐⇒ x = ex + 2 = g1 (x), x ∈ R.
f (x) = 0 ⇐⇒ ex − x − 2 = 0 ⇐⇒ ex = x + 2 ⇐⇒ x = ln(x + 2) = g2 (x), x > −2
2
2. f est continue sur [1, 2] et f (1) = e − 3 < 0, f (2) = e − 4 > 0 alors d’après le
théorème des valeurs intermediaire il existe α ∈]1, 2[ tel que f (α) = 0.
3. — On considère la suite définie par
(
x0 ∈ I = [1, 2],
xn+1 = g1 (xn ), , ∀n ≥ 0.

On a x 7→ g1 (x) = ex − 2 est dérivable sur [1, 2] et ∀x ∈ [1, 2] ; g10 (x) = ex > 1,

donc la méthode de point fixe diverge.
— On définit la suite (
x0 ∈ I = [1, 2],
xn+1 = g2 (xn ) , ∀n ≥ 0.
On a x 7→ g2 (x) = ln(2 + x) est dérivable sur ] − 2, +∞[ et ∀x ∈] − 2, +∞[ ;
g20 (x) = x+21
> 0, donc g est strictement croissante, et g([1, 2]) = [g(1), g(2)] =
[ln 3, ln 4] ⊂ [1, 2].
On a |g 0 (x)| < k avec k = max1≤x≤2 |g 0 (x)| = 31 < 1 donc g2 est contractante.
Conclusion : d’après le théorème de point fixe la suite
(
x0 ∈ I = [1, 2],
xn+1 = g(xn ) = ln(2 + xn ), , ∀n ≥ 0.

converge vers α ∈ [1, 2]. On a g20 (α) = 1

α+2
6= 0, donc la méthode est d’ordre 1.

ANALYSE NUMÉRIQUE Asma ROUATBI

1.7. Indications 25

— x0 = 1, x1 = g2 (x0 ) = ln(3), x2 = g2 (x1 ) = ln(2 + ln 3).

4. La méthode de Newton est définie par


 x0 ∈ I = [1, 2],
f (xn )
 xn+1 = xn − 0 , , ∀n ≥ 0.
f (xn )


ou encore 

 x0 ∈ I = [1, 2],
exn (xn − 1) + 2
 xn+1 = , , ∀n ≥ 0.
exn − 1


2
. En partant de x0 = 1, x1 = e−1
et x2 = ....

Indication exercice 1.7 Soit f (x) = x(1 + ex ) − ex = ex (1 − x) − x, on veut résoudre

l’équation f (x) = 0.
1. f est continue sur [0, 1], f (1) = −1 < 0 et f (0) = 1 > 0, donc f (0)f (1) < 0 alors
d’après le théorème des valeurs intermédiaires, il existe α ∈]0, 1[ telle que l’équation
f (α) = 0.
Unicité : f est dérivable sur [0, 1] et ∀x ∈ [0, 1], f 0 (x) = −(xex + 1) < 0. f est
strictement décroissante.
Conclusion : l’équation f (x) = 0 admet une unique solution α ∈ [0, 1].
2. La méthode de Newton est définie par


 x0 ∈ [0, 1],
f (xn )
 xn+1 = xn − , , ∀n ≥ 0.
f 0 (xn )


ou encore 

 x0 ∈ I = [1, 2],
xn + exn (xn − 1)
 xn+1 = xn − , , ∀n ≥ 0.
1 − xn exn


3. Soit la suite définie par

x0 ∈ I = [0, 1],


ex
 xn+1 = g(xn ) = , , ∀n ≥ 0.
1 + ex
ex
On a x 7→ g(x) = est dérivable sur [0, 1] et ∀x ∈ [0, 1] ; g 0 (x) = ex (1 + ex )2 >
1 + ex
e
0, donc g est strictement croissante, et g([0, 1]) = [g(0), g(1)] = [ 12 , 1+e ] ⊂ [0, 1].
0 0 e
On a |g (x)| < k avec k = max0≤x≤1 |g (x)| = 4 < 1 donc g est contractante. D’après
le théorème de point fixe la suite est convergente vers α ∈ [0, 1].

Indication exercice 1.8 I On considère le problème du calcul de α ∈ [0, π] tel que

1 2
α= + sin α.
2 3
ANALYSE NUMÉRIQUE Asma ROUATBI
26 Chapitre 1. Résolution des équations non linéaires

1. Soit f (x) = 23 sin x − x + 12 , on a f est continue sur [0, π], f (0) = 12 > 0 et f (π) =
1
2
− π < 0, donc f (0)f (π) < 0 alors d’après le théorème des valeurs intermédiaires,
il existe α ∈]0, π[ telle que l’équation f (α) = 0, donc on peut appliquer la méthode
de la dichotomie pour approcher la solution α ∈ [0, π].
b−a π
2. l’erreur maximale qu’on obtient après 3 itérations est : |en | ≤ 24
= 24
.
II On considère la méthode de point fixe suivante :
(
x0 ∈ [0, π]
xn+1 = g(xn ), ∀n ∈ N.
1
avec g : [0, π] −→ R la fonction définie par g(x) = 2
+ 23 sin x.
1. g([0, π]) ⊂ [0, π]?
x 7−→ g(x) est dérivable sur [0, π] et ∀x ∈ [0, π], g 0 (x) = 23 cos x donc g 0 (x) < 0,
x ∈ [ π2 , π] et g 0 (x) > 0, x ∈ [0, π2 ] d’ou g est strictement croissante sur [0, π2 ] et
strictement décroissante sur [ π2 , π].
On a g([0, π2 ]) = [g(0), g( π2 )] = [ 12 , 67 ] ⊂ [0, π] et g([ π2 , π]) = [g(π), g( π2 )] = [ 12 , 67 ] ⊂
[0, π], donc g([0, π]) = [ 12 , 76 ] ⊂ [0, π]. D’autre part on a |g 0 (x)| ≤ k avec k =
max0≤x≤π |g 0 (x)| = 23 < 1, donc g est contractante sur [0, π]. D’après le Théorème
de point fixe il existe un unique α ∈ [0, π] tel que g(α) = α et la suite
(
x0 ∈ [0, π]
xn+1 = g(xn ), ∀n ∈ N.
est convergente.
g 0 (α) = 23 cos α 6= 0 =⇒ l’ordre de convergence est égale à 1.
2. (a) En appliquant le théorème des accroissements finis entre xn−1 et α on aura
l’existence de c entre xn−1 et α tels que
2 2
|xn − α| = |g(xn−1 ) − g(α)| = |g 0 (c)||xn−1 − α| = | cos c||xn − α| ≤ |xn−1 − α|.
3 3
(b) On a
2
|xn − α| ≤ |xn−1 − α|
3
2
|xn−1 − α| ≤ |xn−2 − α|
3
2
|xn−2 − α| ≤ |xn−3 − α|
3
..
.
2
|x1 − α| ≤ |x0 − α|
3

On a aura  n
2
|xn − α| ≤ |x0 − α|
3
ANALYSE NUMÉRIQUE Asma ROUATBI
1.7. Indications 27

 n  n
2 2
(c) |xn − α| ≤ 3
|x0 − α| alors |xn − α| ≤ 3
π.
 n
(d) Il suffit que 3 × π ≤ 10−3 =⇒ n ln( 32 ) ≤ ln( π1 ) − 3 ln(10) ou encore
2

n ≥ − ln ln(
π−3 ln 10
2
)
= 19.85. Il ne faut alors n ≈ 20 itérations pour approcher la
3
solution de 10−3 .
3. (a) On a
2
|xn − α| − |xn+1 − xn | ≤ |xn+1 − xn + xn − α| ≤ |xn − α|
3
2
=⇒ |xn − α| − |xn+1 − xn | ≤ |xn − α|
3
2
=⇒ (1 − )|xn − α| ≤ |xn+1 − xn | ≤ 
3

=⇒ |xn − α| ≤ .
1 − 23

(b) Il suffit que  < (1 − 23 )10−3 = 31 10−3

ANALYSE NUMÉRIQUE Asma ROUATBI

 Chapitre 2

Interpolation polynômiale

Sommaire
2.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2 Interpolation linéaire . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Interpolation quadratique . . . . . . . . . . . . . . . . . . . . . 32
2.2.4 Erreur de l’interpolation de Lagrange . . . . . . . . . . . . . . 32
2.3 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . 32
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.1 Rappel
Soit Rn [X] l’espace vectoriel des polynômes de degré inférieur ou égale à n et {1, X, X 2 , ...., X n }
sa base canonique de dimension dim Rn [X] = n + 1.

Définition 2.1 (Polynôme d’interpolation)

Soit f : [a, b] −→ R une fonction définie sur un intervalle [a, b] à valeurs réelles. Soient
x0 , x1 , ..., xn , (n + 1) points distincts de [a, b] et Pn un polynôme de degré inférieur ou
égale à n.
On dit que Pn est un polynôme d’interpolation de f ou bien interpole f aux points
x0 , x1 , ..., xn si
Pn (xi ) = f (xi ), ∀0 ≤ i ≤ n.

Théorème 2.1 (Existence et unicité)

Soient x0 , x1 , ..., xn , (n + 1) points distincts de [a, b], il existe un unique polynôme Pn ∈
Rn [X] tel que
Pn (xi ) = f (xi ), ∀i = 0, 1, ..., n.

29
30 Chapitre 2. Interpolation polynômiale

2.2 Interpolation de Lagrange

2.2.1 Méthode de Lagrange
Soit Pn un polynôme deRn [X] muni de la base canonique {1, X, X 2 , ...., X n }. Le
problème est de déterminer les (n + 1) coefficients a0 , a1 , ..., an tels que

P n(X) = a0 + a1 X + a2 X 2 + ... + an X n .

On va chercher une autre base {L0 , L1 , ..., Ln } de Rn [X] telle que

Pn (X) = y0 L0 (X) + y1 L1 (X) + ... + yn Ln (X).

Définition 2.2 Soient x0 , x1 , ..., xn (n + 1) points deux à deux distincts d’un intervalle
[a, b] de R. Les polynômes d’interpolation de Lagrange Li sont définis pour i = 0, 1, ..., n
par :
n
Y x − xj (x − x0 )(x − x1 ) · · · (x − xi−1 )(x − xi+1 ) · · · (x − xn )
Li (x) = =
j=0,j6=i xi − xj (x − x0 )(xi − x1 ) · · · (xi − xi−1 )(xi − xi+1 ) · · · (xi − xn )

Remarque 2.1 Les polynômes d’interpolation de Lagrange L0 et Ln sont définis par

n
Y x − xj (x − x1 )(x − x2 )...(x − xi )...(x − xn )
L0 (x) = =
j=1 xi − xj (x0 − x1 )...(x0 − xi )...(x0 − xn )

n−1
Y x − xj (x − x0 )(x − x1 )...(x − xi )...(x − xn−1 )
Ln (x) = =
j=0 xi − xj (xn − x0 )...(xn − x1 )...(xn − xi )(xn − xn−1 )

Théorème 2.2 Soient x0 , x1 , · · · , xn (n + 1) points deux à  deux distincts d’un intervalle


 y = f (x0 );
 0
[a, b] et y0 , · · · , yn (n + 1) valeurs correspondantes tels que ...

yn = f (xn )


Alors il existe un unique polynôme Pn ∈ Rn [X], tel que

Pn (xi ) = yi , i = 0, ..., n

qui s’écrit sous la forme

n
X
Pn (x) = yi Li (x)
i=0
n
Y x − xj
où Li (x) = .
j=0,j6=i xi − xj
Pn est appelé Polynôme d’interpolation de Lagrange de degré n.

Propriété 2.1 Les polynômes de Lagrange ont les propriétés suivantes

ANALYSE NUMÉRIQUE Asma ROUATBI

2.2. Interpolation de Lagrange 31

1. Lj (x) est un polynôme de degré n, ∀j = 0, ...n,

2. pour 0 ≤ i, j ≤ n, (
1 si i = j
Li (xj ) =
0 si i 6= j

3. La famille {L0 (x), L1 (x), ..., Ln (x)} est une base de Rn [X].

Exemple 2.1 On cherche le polynôme d’interpolation de Lagrange. Si x0 = −1, x1 = 0

et x2 = 1, y0 = f (x0 ) = 2, y1 = f (x1 ) = 1 et y2 = f (x2 ) = −1.
2
Y (x − xj ) (x − x1 )(x − x2 ) x(x − 1)
1. L0 (x) = = =
j=1 (x0 − xj ) (x0 − x1 )(x0 − x2 ) 2
2
Y (x − xj ) (x − x0 )(x − x2 ) (x + 1)(x − 1)
2. L1 (x) = = =
j=0,j6=1 (x1 − xj ) (x1 − x0 )(x1 − x2 ) (−1)
1
Y (x − xj ) (x − x0 )(x − x1 ) (x + 1)x
3. L2 (x) = = =
j=0 (x2 − xj ) (x2 − x0 )(x2 − x1 ) 2
Le polynôme d’interpolation de Lagrange s’écrit

P2 (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + L2 (x)f (x2 )

x(x + 1)
= x(x − 1) − (x + 1)(x − 1) −
2
3 1 2
=1− x− x
2 2
On vérifie que
P2 (x0 ) = P2 (−1) = 2 = f (x0 ), P2 (x1 ) = P2 (0) = 1 = f (x1 ), P2 (x2 ) = P2 (1) = −1 =
f (x2 ).

Application 2.1 Soit f : R → R la fonction définie par f (x) = ex .

Déterminer l’interpolant aux points
x0 = −1, x1 = 0, x2 = 1, f (x0 ) = y0 = 1e , f (x1 ) = y1 = 1 et f (x2 ) = y2 = e.

2.2.2 Interpolation linéaire

Dans le cas linéaire le polynôme de Lagrange P1 est de degré 1 interpolant f aux points
x0 et x1 , on a donc

f (x1 ) − f (x0 )
P1 (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) = (x − x0 ) + f (x0 ),
x1 − x0
x − x1 x − x0
où L0 (x) = et L1 (x) = et P1 (xi ) = f (xi ), i = 0, 1.
x0 − x1 x1 − x 0

Remarque 2.2 La formule d’interpolation linéaire est la droite linéaire passant par les
points d’abscisses x0 et x1 .

ANALYSE NUMÉRIQUE Asma ROUATBI

32 Chapitre 2. Interpolation polynômiale

2.2.3 Interpolation quadratique

Le polynôme de Lagrange P2 est de degré 2 interpolant f aux points x0 , x1 , et x2 , on
a donc P2 (xi ) = f (xi ), i = 0, 1, 2 et
P2 (x) = f (x0 )L0 (x) + f (x1 )L1 (x) + f (x2 )L2 (x)
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
où L0 (x) = , L1 (x) = et L2 (x) = .
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

2.2.4 Erreur de l’interpolation de Lagrange

Théorème 2.3 Soit f une fonction de classe C n+1 sur un intervalle [a, b] et soit Pn (x) le
polynôme d’interpolation de f aux points x0 , x1 , · · · xn . Alors
1. ∀x ∈ [a, b], ∃ξ ∈ [a, b] tel que
f (n+1) (ξ)
en (x) = f (x) − Pn (x) = gn+1 (x).
(n + 1)!
n
Y
avec gn+1 (x) = (x − xi )
i=0
2. En posant Mn+1 = maxa≤x≤b |f (n+1) (x)|, alors on a l’estimation suivante :
Mn+1
max |en (x)| = max |f (x) − Pn (x)| ≤ (b − a)n+1 .
a≤x≤b a≤x≤b (n + 1)!

2.3 Interpolation de Newton

Définition 2.3 (Différences divisées)
Soit f une fonction définie sur [a, b], et x0 , x1 , ..., xn (n + 1) points distincts de [a, b].
1. La différence divisée d’ordre k de f aux points xk est donnée par : pour k ≥ 2
f [x1 , · · · , xk ] − f [x0 , · · · , xk−1 ]
f [x0 , x1 , · · · , xk ] =
xk − x 0
2. La différence divisée au point x0 est donnée f [x0 ] = f (x0 ).
3. La différence divisée aux points x0 , x1 est donnée par
f (x1 ) − f (x0 )
f [x0 , x1 ] = .
x1 − x 0
Exemple 2.2 x0 = −1, x1 = 0, x2 = 1 f (x0 ) = 2, f (x1 ) = 1, f (x2 ) = −1, on obtient
f [x0 ] = f (x0 ) = 2,
f (0) − f (−1)
f [x0 , x1 ] = f [−1, 0]] = = 1 − 2 = −1,
0 − (−1)
f (1) − f (0)
f [x1 , x2 ] = f [0, 1] = = −1 − 1 = −2,
1−0
f [0, 1] − f [−1, 0] −2 − (−1) 1
f [x0 , x1 , x2 ] = f [−1, 0, 1] = = =− .
1 − (−1) 2 2

ANALYSE NUMÉRIQUE Asma ROUATBI

2.3. Interpolation de Newton 33

Remarque 2.3 la valeur d’une différence divisée est indépendante de l’ordre des xi c’est
à dire
f (xi+1 ) − f (xi ) f (xi+1 ) f (xi ) f (xi ) − f (xi+1 )
f [xi+1 , xi ] = = + = = f [xi+1 , xi ].
xi+1 − xi xi+1 − xi xi − xi+1 xi − xi+1
Définition 2.4 (Interpolation de Newton)
On appelle polynôme d’interpolation de Newton tout polynôme Pn ∈ Rn [X] qui s’écrit
sous la forme suivante :
Pn (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) + .... + f [x0 , x1 , · · · , xn ](x − x0 ) · · · (x − xn−1 )
Exemple 2.3 x0 = 1, x1 = 0, x2 = 1 et f (x0 ) = 2, f (x1 ) = 1, f (x2 ) = −1.
f (0) − f (−1)
f [−1] = 2, f [−1, 0] = = 1 − 2 = −1.
0 − (−1)
f [0, 1] − f [−1, 0] f (1) − f (0)
f [−1, 0, 1] = or f [0, 1] = = −1 − 1 = −2
1 − (−1) 1−0
−2 + 1 1
donc f [−1, 0, 1] = =− .
2 2
1 3 1
P2 (x) = f (x0 )+f [x0 , x1 ](x−x0 )+f [x0 , x1 , x2 ](x−x0 )(x−x1 ) = 2−(x−x0 )− x(x+1) = 1− x− x2 .
2 2 2
Définition 2.5 Soient x0 , x1 , ..., xn , (n + 1) points deux à deux distincts d’un intervalle
[a, b] de R On définit les polynômes Ni par
N0 (x) = 1, Nj (x) = (x − x0 )(x − x1 ) · · · (x − xi−1 ), i = 1, · · · n.
Remarque 2.4 Les polynômes N1 et Nn sont définis par :
N1 (x) = x − x0 , Nn (x) = (x − x0 )(x − x1 ) · · · (x − xn−1 ).
Proposition 2.1 La famille {N0 (x), N1 (x), ..., Nn (x)} forme une base de Rn [X] dite base
de Newton de dimension n + 1.

Propriété 2.2 Les polynômes Ni vérifient les propriétés suivantes

1. Nn (x) est un polynôme de degré n.
2. x0 , x1 , · · · , xi−1 sont les racines de Ni (x), i ≥ 1.

Théorème 2.4 Soient f une fonction définie sur [a, b], Pn ln polynôme d’interpolation de
f aux points x0 , x1 , ..., xn de [a, b], alors le polynôme de Newton Pn s’écrit d’une manière
unique dans la base {N0 (x), N1 (x), ..., Nn (x)} sous la forme suivante
Pn (x) = D0 N0 (x) + D1 N1 (x) + · · · + Dn Nn (x),
avec Les Di sont les différences divisée données par
f (x1 ) − f (x0 )
D0 = f [x0 ] = f (x0 ), D1 = f [x0 , x1 ] = ,
x1 − x 0
f [x1 , · · · , xi ] − f [x0 , x1 , · · · , xi−1 ]
Di = f [x0 , x1 , · · · , xi ] = pour i ≥ 2.
xi − x0

ANALYSE NUMÉRIQUE Asma ROUATBI

34 Chapitre 2. Interpolation polynômiale

2.4 Exercices
Exercice 2.1 1. Ecrire le polynôme d’interpolation de Lagrange associé au points
1 1
   
0, , ,0 , (1, 0) .
4 2

2. Soit f (x) = sin(x) et f (x) = e3x définie sur [0, 1], estimer le nombre minimum
n de points pour que l’erreur d’interpolation entre la fonction et son polynôme
d’interpolation soit inférieure à 10−1 , 10−2 et 10−3 .

Exercice 2.2 1. Soit f la fonction définie sur R par

1
f (x) = .
1 + x2
Déterminer le polynôme d’interpolation de Lagrange pour les points x0 = −2, x1 =
−1, x2 = 0, x3 = 1, x4 = 2.
2. Estimer l’erreur d’interpolation.
4
Exercice 2.3 1. Calculer le polynôme P2 de Lagrange de la fonction f (x) = aux
x
points d’abscisses x0 = 1, x1 = 2 et x2 = 4.
2. Esquisser les graphes de f et P2 pour x ∈ [1, 4].
3. Déterminer une estimation de l’erreur d’interpolation.

Exercice 2.4 Ecrire le polynôme d’interpolation de la fonction f (x) = cos(x) aux points
π
d’abscisses x0 = 0, x1 = et x2 = π.
2

2.5 Indications
Indication exercice 2.1 1. On calcule les polynômes Li ; 0 ≤ i ≤ 2,

2
Y (x − xj ) (x − x1 )(x − x2 ) 1
— L0 (x) = = = 2(x − 1)(x − ).
j=1 (x0 − xj ) (x0 − x1 )(x0 − x2 ) 2
2
Y (x − xj ) (x − x0 )(x − x2 )
— L1 (x) = = = −4x(x − 1).
j=0,j6=1 (x1 − xj ) (x1 − x0 )(x1 − x2 )
1
Y (x − xj ) (x − x0 )(x − x1 ) 1
— L2 (x) = = = −2x(x − ).
j=0 (x2 − xj ) (x2 − x0 )(x2 − x1 ) 2
Le polynôme d’interpolation de Lagrange s’écrit
1 1
P2 (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + L2 (x)f (x2 ) = (x − 1)(x − ).
2 2
On vérifie P2 (x0 ) = y0 , P2 (x1 ) = y1 et P2 (x2 ) = y2 .

ANALYSE NUMÉRIQUE Asma ROUATBI

2.5. Indications 35

n
f (n+1) (ξ) Y
2. L’erreur |en | = |Pn (x) − f (x)| = (x − xi ) or
(n + 1)! i=0
— Pour
π π
   
( (n+1)
f (x) = sin(x), f n)(x) = sin x + n et f (x) = sin x + (n + 1)
2 2
 
f (n+1) (ξ) sin x + (n + 1) π2 1
≤ max ≤
(n + 1)! 0≤x≤1 (n + 1)! (n + 1)!
Pour n ≥ 3, on a |en | ≤ 10−1 , pour n ≥ 4 , on a |en | ≤ 10−2 et pour n ≥ 6 on
a |en | ≤ 10−3 .
— Pour f (x) = e3x , on a f (n) (x) = 3n e3x et f (n+1) (x) = 3n+1 e3x .

3n+1 e3x
|en | = max |f (x) − Pn (x)| ≤ max
0≤x≤1 0≤x≤1 (n + 1)!

Pour n = 6, on a |en | ≤ 10−1 , pour n = 7, on a |en | ≤ 10−3 , et pour n = 8, on

a |en | ≤ 10−4 .

Indication exercice 2.2 1. . Soit

1
f (x) = , x ∈ R.
1 + x2
x0 = −2, x1 = −1, x2 = 0, x3 = 1 et x4 = 2 et y0 = 15 , y1 = 12 , y2 = 1, y3 = 1
2
et
y4 = 15 .
4
(x − xj ) 1
= x(x2 − 1)(x − 2).
Y
— L0 (x) =
j=1 (x0 − xj ) 24
4
(x − xj ) 1
= − x(x − 1)(x2 − 4)
Y
— L1 (x) =
j=0,j6=1 (x1 − xj ) 6
4
(x − xj ) 1
= (x2 − 1)(x2 − 4)
Y
— L2 (x) =
j=0,j6=2 (x2 − xj ) 4
4
(x − xj ) 1
= − x(x2 − 4)(x + 1)
Y
— L3 (x) =
j=0,j6=3 (x3 − xj ) 6
3
(x − xj ) 1
= x(x + 2)(x2 − 1).
Y
— L4 (x) =
j=0 (x4 − xj ) 24
Donc le polynôme de Lagrange est donné :
1 1 1
P4 (x) = x(x2 − 1)(x − 2) − x(x − 1)(x2 − 4) + (x2 − 1)(x2 − 4)
120 12 4
1 2 1
− (x − 1)(x2 − 4) + x(x + 2)(x2 − 1).
12 120
On vérifie P4 (x0 ) = y0 , P4 (x1 ) = y1 , P4 (x2 ) = y2 , P4 (x3 ) = y3 et P4 (x4 ) = y4 .

ANALYSE NUMÉRIQUE Asma ROUATBI

36 Chapitre 2. Interpolation polynômiale

2.
f (n+1) (ξ)
en (x) = f (x) − Pn (x) = gn+1 (x).
(n + 1)!
4
(x − xi ) = x(x2 − 1)(x2 + 1) et donc l’erreur |e4 | ≤
Y
M5
Pour n = 4, g5 (x) = g (x)
5! 5
i=0
720x + 240x3 − 720x5
où g5 (x) = et M5 = max f (5) (x)
(1 + x2 )6 −2≤x≤2

Indication exercice 2.3 1. Les polynômes Li ; 0 ≤ i ≤ 4 sont donnés par :

2
Y (x − xj ) (x − x1 )(x − x2 ) 1
— L0 (x) = = = (x − 2)(x − 4).
j=1 (x0 − xj ) (x0 − x1)(x0 − x2 ) 3
2
Y (x − xj ) (x − x0 )(x − x2 ) 1
— L1 (x) = = = − (x − 1)(x − 4).
j=0,j6=1 (x1 − xj ) (x1 − x0 )(x1 − x2 ) 2
1
Y (x − xj ) (x − x0 )(x − x1 ) 1
— L2 (x) = = = = (x − 1)(x − 2).
j=0 (x2 − xj ) (x2 − x0 )(x2 − x1 ) 6
Le polynôme d’interpolation de Lagrange est donné par

P2 (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + L2 (x)f (x2 )

1 1 1
= (x − 2)(x − 4) − (x − 1)(x − 4) + (x − 1)(x − 2).
3 2 24
On vérifie P2 (x0 ) = y0 , P2 (x1 ) = y1 , P2 (x2 ) = y2 .
3
f (4) (ξ) Y
2. Pour n = 3, l’erreur e3 = P3 (x) − f (x) = g4 (x) où g4 (x) = (x − xi ). En
4! i=0
posant M4 (x) = max1≤x≤4 f (4) (x) , on aura |e3 | ≤ 244!
|(x − 1)(x − 2)(x − 3)|.

Indication exercice 2.4 x0 = 0, x1 = π2 , x2 = π et y0 = 1, y1 = 0 et y2 = −1.

f (x1 ) − f (x0 ) 2
On calcule : D0 = f [x0 ] = f (x0 ) = 1, D1 = f [x0 , x1 ] = =−
x1 − x0 π
f [x1 , x2 ] − f [x0 , x1 ]
et D2 = f [x0 , x1 , x2 ] = = 0.
x2 − x0
Le polynôme de Newton est définit par
2 π π
   
P2 (x) = x − x x− + πx x − (x − π).
π 2 2

ANALYSE NUMÉRIQUE Asma ROUATBI

 Chapitre 3

Résolution des systèmes linéaires

Sommaire
3.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Méthode d’élimination de Gauss . . . . . . . . . . . . . . . . . 38
3.2.2 Méthode de décomposition LU . . . . . . . . . . . . . . . . . . 41
3.2.3 Factorisation de Choleski . . . . . . . . . . . . . . . . . . . . . 42
3.3 Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 Méthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.3 Méthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . 45
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Indications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.1 Rappel
Définition 3.1 (Un système linéaire)
Soit n, p ≥ 1 des entiers. Un système linéaire n×p est un ensemble de n équations linéaires
à p inconnues de la forme


a11 x1 + a12 x2 + a13 x3 + ... + a1p xp = b1


a21 x1 + a22 x2 + a23 x3 + ... + a2p xp = b2
(S) := ..
 .



an1 x1 + an2 x2 + an3 x3 + ... + anp xp = bn .


avec aij et bi sont des coefficients dans R et x1 , x2 , ..., xn sont des inconnues à chercher
dans R.
1. Si bi = 0, 1 ≤ i ≤ n, dans ce cas le système (S) est dit système homogène.
2. Une solution de (S) est un p-uplet (x1 , x2 , ..., xp ) qui vérifie les n équations de (S).
Résoudre (S) revient à chercher toutes les solutions.

37
38 Chapitre 3. Résolution des systèmes linéaires

3. Un système qui n’admet pas de solution est dit système incompatible.

4. Un système est compatible s’il admet une ou plusieurs solutions.
Ecriture Matricielle
le système (S) est équivalent à l’écriture matricielle AX = b où

a11 a12 · · · a1p

     
x1 b1
 a21 a22 ... a2p   x2   b2 
     
A=
 .. .. ..  X =  ..  et b =  .. 
..     
 . . . .   .  .
an1 an2 · · · anp xp bp

Dans la suite nous allons traiter que les systèmes linéaires carrés d’ordre n à coefficients
réels, c’est à dire (aij )1≤i,j≤n et bi ∈ Rn .

Remarque 3.1 L’existence et de l’unicité de la solution d’un système linéaire carrée est
garantie si l’un des condition suivante est vérifiée
1. A est inversible c’est à dire detA 6= 0.
2. le système homogène AX = 0 admet une solution unique qui est nulle.

Définition 3.2 Soit A = (aij )1≤i,j≤n une matrice carrée. On dit que A est dite à diagonale
strictement dominante en lignes si elle vérifie :
X
∀i, |aii | > |aij |.
j=1,j6=i

La solution du système peut être calculée par la formule de Cramer. Mais cette méthode
de point de vue pratique est très couteuse. Pour cette raison, des méthodes numériques
alternatives aux formules de Cramer ont été développées. Elles sont dites directes si elles
arrivent à la solution du système en un nombre fini d’étapes, itératives si elles nécessitent
un nombre infini d’étapes. alors, nous allons commencer par les méthodes directes

3.2 Méthodes directes

3.2.1 Méthode d’élimination de Gauss
Définition 3.3 Soit A = (aij )1≤i,j≤n une matrice carrée. On dit que :
1. A est une matrice diagonale si aij = 0 ∀i 6= j c’est à dire
 
a11
a22
 
 
..
 
A= .
 
 
 

 an−1,n−1 

an,n

ANALYSE NUMÉRIQUE Asma ROUATBI

3.2. Méthodes directes 39

2. A est une matrice triangulaire supérieure si aij = 0, ∀i > j c’est à dire

a11 a12 · · · ···
 
a1n

 0 a . .. . .. .. 
 22 . 
 . .. .. .. 
A= .
 . 0 . . . 

 . .. . . .. 
 .
 . . . an−1,n−1 . 


0 ··· ··· 0 an,n

3. A est une matrice triangulaire inférieure si aij = 0 ∀i < j c’est à dire
···
0 ··· 0
 
a11
 .. .. .. 
a
 21 a22 . . . 

 . .. .. .. .. 
A=  . . . .
 . . 
 .
 . .. .. 
 . . . an−1,n−1 0  
an1 an2 · · · ··· an,n
4. Si la matrice est triangulaire supérieure (resp. triangulaire inférieure), on dira que le
système linéaire est un système triangulaire supérieur (resp. triangulaire inférieur).
Pour résoudre le système triangulaire AX = b, on distingue deux cas :
b1
(a) si A est une matrice triangulaire inférieure, on a x1 = et les inconnues
a11
x2 , · · · , xn sont données par cette expression
 
i−1
a  X
xi = bi − aij xj  , 2 ≤ i ≤ n.
aii j=1

bn
(b) si A est une matrice triangulaire supérieure, on a xn = et les inconnues
ann
xn−1 , ..., x1 sont données par cette expression
 
n
a  X
xi = bi − aij xj  .
aii j=i+1

Remarque 3.2 Le déterminant d’une matrice triangulaire est égal au produit des éléments
diagonaux.
Principe de la méthode de Gauss
La méthode du pivot de Gauss consiste à transformer le système AX = b en un système
équivalent de la forme U X = Y , où U est une matrice triangulaire supérieure et Y est un
second membre convenablement modifié. Enfin on résout le système triangulaire U X = Y .

Définition 3.4 Soit A = (aij )1≤i,j≤n la matrice des coefficients du système AX = b.

Étape k : en permutant éventuellement deux lignes du système, on peut supposer akk 6= 0
(appelé pivot de l’étape k). On transforme toutes les lignes Li avec i > k comme suit :
aik
Li ←− Li − Lk .
akk
En réitérant le procédé pour k de 1 à n, on aboutit à un système triangulaire supérieur.

ANALYSE NUMÉRIQUE Asma ROUATBI

40 Chapitre 3. Résolution des systèmes linéaires

Exemple 3.1 
x + 2y + 3z + 4t

 =1
2x + 3y + 4z + t =2


(S) := 

 3x + 4y + z + 2t =3
4x + y + 2z + 3t = 4.


1 2 3 4 y 1
     
2 3 4 1 y  2
S =⇒ AX = b avec A =   X =   et b =  
    
3 4 1 2 z  3


4 1 2 3 t 4
On écrit
1 2 3 4 1
 
 2 3 4 1 2 
(A|b) =  
3 4 1 2 3
 
 
4 1 2 3 4
Etape 1 : a11 = 1 6= 0
ai1
Li ←− Li − L1 , 2 ≤ i ≤ 4.
a11
L2 ←− L2 ←− 2L1 , L3 ←− L3 − 3L1 et L4 ←− L4 − 4L1

1 2 3 4 1
 

 0 −1 −2 −7 0 

0 −2 −8 −10 0
 
 
0 −7 −10 −13 0
Etape 2 : a22 = −1 6= 0
ai2
Li ←− Li − L1 , 3 ≤ i ≤ 4.
a22
L3 ←− L3 − 2L2 et L4 ←− L4 − 7L2

1 2 3 4 1
 

 0 −1 −2 −7 0 

0 0 −4 4 0
 
 
0 0 4 36 0
Etape 3 : a33 = −4 6= 0
L4 ←− L4 + L3 .
1 2 3 4 1
 
 0 −1 −2 −7 0 
= (U |Y ).
 
0 0 −4 4 0
 
 
0 0 0 40 0
On résoud le système
 

 x + 2y + 3z + 4t = 1 
 x =1
−y − 2z − 7t = 0 y =0

 

U X = Y =⇒


 −4z + 4t = 0 

 z =0
40t = 0. t = 0.
 

SR4 = {(1, 0, 0, 0)}

ANALYSE NUMÉRIQUE Asma ROUATBI

3.2. Méthodes directes 41

3.2.2 Méthode de décomposition LU

Principe de la méthode : La méthode de décomposition LU consiste à factoriser
la matrice A en un produit de deux matrices triangulaires A = LU ou L est triangulaire
inférieure et U est triangulaire supérieure. La résolution du système linéaire AX = b est
alors ramenée à la résolution de deux systèmes suivant :
(
LY = b
UX = Y.

Théorème 3.1 Soit A une matrice carrée d’ordre n à coefficients réelles. On suppose que
A est inversible (detA 6= 0). Alors il existe une unique décomposition de A de la forme
LU avec L est une matrice triangulaire inférieure ne possédant que 1 sur la diagonale et
U est triangulaire supérieure.

Exemple 3.2 
2x + y − 2z

 =1
(S) := 4x + 5y − 3z =1
−2x + 5y + 3z = 1



Soit  
2 1 −2 1
(A|b) =  4 5 −3 1 
 

−2 5 3 1
Etape 1 : a11 = 2 6= 0
ai1
Li ←− Li − L1 , 2 ≤ i ≤ 3.
a11
L2 ←− L2 − 2L1 , L3 ←− L3 + L1
 
2 1 −2 1
 0 3 1

−1 

0 6 1 2
Etape 2 : a22 = 3 6= 0
L3 ←− L3 − 2L2  
2 1 −2 1
 0 3 1

−1 
 = (U |Y ).
0 0 −1 4
donc    
1 0 0 2 1 −2
L =  2 1 0 , U = 0 3 1 
   

−1 2 1 0 0 −1
Pour résoudre (S), on résoud les systèmes linéaires
    
1 0 0 y1 1
LY = b ⇐⇒  2 1 0 y2  = 1
    

−1 2 1 y3 1

ANALYSE NUMÉRIQUE Asma ROUATBI

42 Chapitre 3. Résolution des systèmes linéaires

on aura donc


 y1 = 1
y2 = −1


y3 = 4

et
    
2 1 −2 x1 1
UX = Y ⇐⇒ U 0 3 1  x2  = −1
   

0 0 −1 x3 4

on aura donc


 x1 = 1
x2 = 0
x3 = −1.



Applications au calcul du déterminant et de l’inverse

• Si
A = LU

, on peut calculer le déterminant de A.

detA = detL × detU.

n
Y
Il est facile de remarquer que detL = 1, par conséquent detA = detU = uii .
i=1

• Le calcul explicite de l’inverse d’une matrice peut être effectué en utilisant la factorisation
LU comme suit : On note
A−1 = (x1 |...|xn ),

où chacun des vecteurs xi est solution de Axi = ei et ei est la ième vecteur de la

base canonique.

Exemple 3.3
1 1 1 1
 
1 −2 3 4
A=
 
1 4 6 8


1 0 0 0

3.2.3 Factorisation de Choleski

Théorème 3.2 Si A est une matrice symetrique, définie positive, il existe une matrice
reelle triangulaire inferieure L telle que A = LLT . Si les diagonaux de L sont strictement
positifs, alors la factorisation est unique.

ANALYSE NUMÉRIQUE Asma ROUATBI

3.3. Méthodes itératives 43

3.3 Méthodes itératives

3.3.1 Méthode de point fixe
Pour résoudre le système linéaire
AX = b,
on décompose A sous la forme A = G − H. On suppose que la matrice G est inversible.
Alors
AX = b ⇐⇒ (G − H)X = b
⇐⇒ GX = HX + b
−1 −1
⇐⇒ X = G
| {z H} X + G
| {z b}
M N
⇐⇒ X = M X + N.
On obtient un problème de recherche de point fixe, définie par la suite recurrente suivante
(
X 0 vecteur quelconque dans Rn
X (k+1) = M X (k) + N.
La suite est covergente si ∀X 0 ∈ Rn on a
lim X (k) = X
k→+∞

3.3.2 Méthode de Jacobi

On définit A = D − E − F avec
• D la partie diagonale de A.
• E : matrice triangulaire inférieure avec des 0 sur la diagonale.
• F : matrice triangulaire supérieure avec des 0 sur la diagonale.
a11 a12 · · · a1n
 

 a21 a22 · · · a2n 

 
A=  .. .. .. =D−E−F
.. 
 . . . . 
an1 an2 · · · ann
où
a11 0 · · · 0
 

 0 a22 · · · 0 


D =  .. .. ..  = diag(a11 , a22 , · · · , ann ),
.. 

 . . . . 
0 0 · · · ann
0 0 ··· ··· 0 0 a12 ··· . a1n
   
 ...  0 0 ··· . a2n 
a
 21 0 ··· 0 
.

.. .. .. .. 
 et F = −  ..

E= −

 
. . . .  
 .. .. .. .. ..   .. .. ..
  
 . . . . . . . . . an−1,n 
 

an1 an2 · · · an,n−1 0 0 ··· ··· . 0

ANALYSE NUMÉRIQUE Asma ROUATBI

44 Chapitre 3. Résolution des systèmes linéaires

On suppose que aii 6= 0, donc D est inversible.

AX = b ⇐⇒ (D − (E + F ))X = b
⇐⇒ DX = (E + F )X + b
⇐⇒ X = D−1 (E + F ) X + D −1
| {z b}
| {z }
MJ N

⇐⇒ X = MJ X + N.
− aa11 − aa1n
 
0 12
··· . 11
 a21 a23 a2n 
 −a 0 − a
· · · − a

22 22 22 
 .. .. ... ..

où MJ =  . est la matrice de Jacobi associée à la

 . . .  
 . . . . . 
 
an1 an2 an,n−1
− aann − ann · · · − ann 0
 b 
1

 a11 
 . 
matrice A et N = D−1 b =
 
 .‘  .
 
 . 
 
bn
ann
La suite de la méthode de Jacobi est définie comme suit
n (k)
bi −
P
aij xj
(k+1) j=1,j6=i
xi = , 1≤i≤n
aii

Théorème 3.3 (Condition suffisante de convergence)

La méthode de Jacobi appliquée au système AX = b est convergente pour toute condition
initiale X (0) , si A est à diagonale strictement dominante c’est à dire
n
X
∀i, |aii | > |aij |.
j=1,j6=i

Exemple 3.4    
2 1 1 1
A =  1 2 1 et b = 0
   

−1 1 1 0
La matrice de Jacobi est définie par
0 − 21 − 12
 

MJ = − 2 0 − 12 
 1

1 −1 0
La suite de la méthode de Jacobi est donnée par

(k) (k)
 (k+1) 1 − x2 − x3
x1 =



2 (k)



(k)
X (k+1) = (k+1) −x1 − x3

 x2 =


 2
(k+1) (k) (k)
= x1 − x2


x3

ANALYSE NUMÉRIQUE Asma ROUATBI

3.3. Méthodes itératives 45

Soit X (0) = (0, 0, 0) En effectuant 3 itérations de la méthode de Jacobi on trouve

  
(1) (2) (3)


 x1 = 12 x1 = 12





x1 = 38
X (1) = x(1) =0 , X (2) = x(2) = − 14 et X (3) = x(3) = − 12
 2  2  2
 (1)  (2)  (3)
x3 = 12 . x3 = 34 .
  
x3 = 0.

3.3.3 Méthode de Gauss-Seidel

Pour résoudre le système linéaire
AX = b.
On écrit A = D − E − F avec
• D la partie diagonale de A.
• E : matrice triangulaire inférieure avec des 0 sur la diagonale.
• F : matrice triangulaire supérieure avec des 0 sur la diagonale.

AX = b ⇐⇒ (D − (E + F ))X = b
⇐⇒ (D − E)X = F X + b
⇐⇒ X = (D − E)−1 F X + (D − E)−1 b
| {z } | {z }
H N
⇐⇒ X = HX + N.
H = (D − E)−1 F est dite matrice de Gauss-Seidel.
La suite de la méthode de Gauss-Seidel est définie comme suit
i−1 (k+1) n (k)
bi − −
P P
aij xj aij xj
(k+1) j=1 j=i+1
xi = , 1≤i≤n
aii

(k+1) (k) (k+1)

Remarque 3.3 Le calcul de xj fait intervenir les valeurs de xj pour j > i et xj
pour j < i. On fera le calcul pour i allant de 1 à n.

Théorème 3.4 (Condition suffisante de convergence)

si A est à diagonale strictement dominante, alors la méthode de Gauss-Seidel appliquée
au système AX = b est convergente pour toute condition initiale X (0) .

Exemple 3.5    
2 1 1 1
A =  1 2 1 et b = 0
   

−1 1 1 0
La matrice de Gauss Seidel est définie par
0 − 12 − 12
 

H = 0 14 − 14 
 

0 − 34 − 14

ANALYSE NUMÉRIQUE Asma ROUATBI

46 Chapitre 3. Résolution des systèmes linéaires

La suite de la méthode de Gauss Seidel est donnée par


(k) (k)
 (k+1) 1 − x2 − x3
x1 =



2



(k+1) (k)
X (k+1) = (k+1) −x1 − x3

 x2 =


 2
(k+1) (k+1) (k+1)
− x2


x3 = x1

Soit X (0) = (0, 0, 0) En effectuant 2 itérations de la méthode de Gauss Seidel on trouve

 
(1) (2)


x1 = 12 

x1 = 14
X (1) = x(1)
2 = −4
1 et X (2) = x(2)
2 = −2
1
 
(1) (2)
x3 = 34 . x3 = 34 .

 


Remarque 3.4 Soit A une matrice carrée d’ordre n inversible dont les coefficients diagonaux
sont tous non nuls. Alors les méthodes de Jacobi et de Gauss-Seidel sont soit toutes les
deux convergentes soit toutes les deux divergentes. En cas de convergence, la méthode de
Gauss-Seidel est plus rapide que celle de Jacobi.

Remarque 3.5 Le choix entre une méthode directe et une méthode itérative pour la
résolution d’un système linéaire AX = b dépend non seulement de l’efficacité théorique
des algorithmes, mais aussi du type de matrice, des capacités de stockage en mémoire et
enfin de l’architecture de l’ordinateur.

ANALYSE NUMÉRIQUE Asma ROUATBI

3.4. Exercices 47

3.4 Exercices
Exercice 3.1 Soit le système linéaire


 x+y+z+t=1
x − 2y + 3z + 4t = 1


(S) = 

 x + 4y + 6z + 8t = 1
x=1


1. Ecrire le système (S) sous sa forme matricielle AX = b.

2. Résoudre le système linéaire (S) par la méthode du pivot de Gauss.
3. Factoriser la matrice A et résoudre le système (S).
4. Calculer le déterminant de A.

Exercice 3.2 Soit le système linéaire



 6x + y + z = 12
(S) =  2x + 4y = 0

x + 2y + 6z = 6

1. Résoudre le système linéaire (S) par la méthode du pivot de Gauss.

2. Factoriser la matrice A et résoudre le système (S).
3. Calculer le déterminant de A.
4. Ecrire la matrice de Jacobi MJ .
5. Ecrire la méthode de Jacobi et approcher la solution avec 3 itérations à partir de
X (0) = (2, 2, 2).
6. Ecrire la méthode de Gauss-Seidel et approcher la solution avec 2 itérations à partir
de X (0) = (2, 2, 2).
7. Comparer les deux méthodes.

Exercice 3.3 Soit le système linéaire

    
2α 2 1 x1 4

−1 α 0   2  = 2
x
   

2 1 2α x3 9

1. Donner une condition suffisante sur le coefficient α pour avoir convergence des
méthodes de Jacobi et de Gauss-Seidel.
2. Soit α = 2. Ecrire la matrice de Jacobi MJ .
3. Ecrire la méthode de Jacobi et approcher la solution avec 4 itérations à partir de
X (0) = (0, 0, 0).
4. Ecrire la méthode de Gauss-Seidel et approcher la solution avec 3 itérations à partir
de X (0) = (0, 0, 0).
5. Comparer les deux méthodes.

ANALYSE NUMÉRIQUE Asma ROUATBI

48 Chapitre 3. Résolution des systèmes linéaires

Exercice 3.4 Soit le système linéaire

    
α −1 −1 x 1
−1 α − 1 −1 y  = 2
    

−1 −1 α z 3
1. Donner une condition suffisante sur le coefficient α pour avoir convergence des
méthodes de Jacobi et de Gauss-Seidel.
2. Soit α = 4.
(a) Ecrire la matrice de Jacobi J.
(b) Ecrire la méthode de Jacobi et approcher la solution avec 3 itérations à partir
de X (0) = (0, 0, 0).
(c) Ecrire la matrice de Gauss-Seidel H.
(d) Ecrire la méthode de Gauss-Seidel et approcher la solution avec 2 itérations à
partir de X (0) = (0, 0, 0).
(e) Comparer les deux méthodes.
3. Soit α = 3.
(a) Résoudre le système linéaire par la méthode de Gauss.
(b) Factoriser la matrice A.
(c) Calculer det A.

3.5 Indications
Indication exercice 3.1 1.
1 1 1 1 x 1
     
1 −2 3 4 y  1
AX = b ⇐⇒ A =   X =   et b =  
     
1 4 6 8 z  1
1 0 0 0 t 1
2. On écrit
1 1 1 1 1
 
 1 −2 3 4 1 
(A|b) = 
 
1 4 6 8 1

 
1 0 0 0 1
Etape 1 : a11 = 1 6= 0
ai1
Li ←− Li − L1 , 2 ≤ i ≤ 4.
a11
L2 ←− L2 − L1 , L3 ←− L3 − L1 et L4 ←− L4 − L1

1 1 1 1 1
 

 0 −3 2 3 0 

0 3 5 7 0
 
 
0 −1 −1 −1 0

ANALYSE NUMÉRIQUE Asma ROUATBI

3.5. Indications 49

Etape 2 : a22 = −3 6= 0
ai2
Li ←− Li − L1 , 3 ≤ i ≤ 4.
a22

L3 ←− L3 + L2 et L4 ←− L4 − 13 L2

1 1 1 1 1
 

 0 −3 2 3 0 

0 0 7 10 0 
 

0 0 − 35 −2|0
Etape 3 : a33 = 7 6= 0
5
L4 ←− L4 + 21 L3 .
1 1 1 1 1
 
 0 −3 2 3 0 
= (U |Y ).
 
0 0 7 10 0
 
 
8
0 0 0 21 0
On résoud le système
 

 x+y+z+t=1 
 x=1
−y + 2z + 3t = 0 y=0

 

U X = Y =⇒ 
 7z + 10t = 0 
 z=0
8
 
t = 0. t = 0.
 
21

SR4 = {(1, 0, 0, 0)}

3. A = LU avec L une matrice triangulaire inférieure possède 1 sur la diagonale et U

triangulaire supérieure

1 0 0 0 1 1 1 1
   
1 1 0 0 0 −3 2 3 
L= , U=
   
1 −1 1 0 0 0 7 10

−5
1 13 21
1 8
0 0 0 21

Pour résoudre (S), on résoud les systèmes linéaires

1 0 0 0 y1 1
    
1 1 0 0 y2  1
   
LY = b ⇐⇒    =  
 
1 −1 1 0  y3  1
−5
1 13 21
1 y4 1

on aura donc 

 y1 =1
y2 =0




 y3 =0
y4 =0


ANALYSE NUMÉRIQUE Asma ROUATBI

50 Chapitre 3. Résolution des systèmes linéaires

et
1 1 1 1 x 1
    
0 −3 2 3  y  0
UX = Y ⇐⇒    =  
    
0 0 7 10  z  0
8
0 0 0 21 t 0
on aura donc 

 x=1
y=0




 z=0
t=0


8
4. detA = detU = 1 × (−3) × 7 × 21
= −8.

Indication exercice 3.2 1. Le système (S) est équivalent à

AX = b

où      
6 1 1 x 12
2 4 0 , X = y  et b =  0 
     

1 2 6 z 6
, On écrit  
6 1 1 12
(A|b) =  2 4 0 0 
 

1 2 6 6
Etape 1 : a11 = 6 6= 0
ai1
Li ←− Li − L1 , 2 ≤ i ≤ 3.
a11
L2 ←− L2 − 13 L1 , L3 ←− L3 − 16 L1
 
6 1 1 12
11 −1
 0

3 3
−4 

11 35
0 6 6
6
11
Etape 2 : a22 = 3
6= 0
L3 ←− L3 − 12 L2
 
6 1 1 12
11 −1

 0 3 3
−4 
 = (U |Y ).
0 0 6 6
On résoud le système


 6x + y + z = 12
11
UX = Y ⇐⇒=  3
y − 31 z = −4

6z = 6.

SR3 = {(2, −1, 1)}

ANALYSE NUMÉRIQUE Asma ROUATBI

3.5. Indications 51

2. A = LU avec    
1 0 0 6 1 1
1 11
L =  3 1 0 ,

et U = 0

3
− 13 

1 1
6 2
1 0 0 6
Pour résoudre (S), on résoud les systèmes linéaires
    
1 0 0 y1 12
1
LY = b ⇐⇒  3 1 0 y2  =  0 
   
1 1
6 2
1 y3 6

on aura donc 

 y1 = 12
y2 = −4


y3 = 6
et     
6 1 1 x1 12
11 1  
UX = Y ⇐⇒ 0

3
− 3  x2  = −4


0 0 6 x3 6
on aura donc 

 x1 = 2
x2 = −1


x3 = 1.
11
3. detA = detU = 6 × 3
× 6 = 132.
4. La matrice de Jacobi est définie par

0 − 16 − 61
 

MJ = − 12 0 0 


1 1
−6 −3 0

5. La suite de la méthode de Jacobi est donnée par


(k) (k)
 (k+1) 12 − x2 − x3
x1 =



6



 (k)
−x1

X (k+1) = x2
(k+1)
=−


 2
(k) (k)
6 − x1 − 2x2


(k+1)

x3 =



6

Soit X (0) = (2, 2, 2) En effectuant 3 itérations de la méthode de Jacobi on trouve

  
(1) (2) (3)


 x1 = 43 x1 = 13


 6



52
x1 = 27
X (1) = x(1)
2 = −1 , X (2) = x(2)
2 = − 2
3
et X (3) = x(3) 13
2 = − 12
  
 (1)  (2)  (3)
x3 = 10 x3 = 31
  
x3 = 0. 9
. 36
.

ANALYSE NUMÉRIQUE Asma ROUATBI

52 Chapitre 3. Résolution des systèmes linéaires

6. La suite de la méthode de Gauss Seidel est donnée par


(k) (k)
 (k+1) 12 − x2 − x3
x1 =



6



 (k+1)
−x1

X (k+1) = (k+1)
x2 =−


 2
(k+1) (k+1)
6 − x1 − 2x2


(k+1)

x3 =



6
Soit X (0) = (2, 2, 2) En effectuant 2 itérations de la méthode de Gauss Seidel on
trouve  
(1) 4 (2) 35

 x
 1 = 3  x1 = 18


X (1) =  x(1)
2 = −3
2 et X (2) =  x(2) −35
2 = − 36
 (1)
  (2)

x3 = 1. x3 = 1.
7. La méthode de Gauss- Seidel est plus rapide que la méthode de Jacobi.

Indication exercice 3.3 Soit le système linéaire

    
2α 2 1 x1 4
−1 α 0  x2  = 2
    

2 1 2α x3 9

1. Les méthodes convergent si et seulement si :

3
( (
X |2α| > 3 |α| > 32 3 3
∀i, |aii | > |aij | ⇐⇒= ⇐⇒= ⇐⇒ α ∈]−∞, − [∪] , +∞[.
j=1,j6=i
|α| > 1 |α| > 1 2 2

2. Pour α =2, le système (S) est équivalent à

    
4 2 1 x1 4
−1 2 0 x2  = 2
    

2 1 4 x3 9

3. La matrice de Jacobi est définie par

− 21 − 41
 
0
1
MJ = 
 2 0 0  
− 12 − 14 0

La suite de la méthode de Jacobi est donnée par

1 (k) 1 (k)

(k+1)
x1 = 1 − x2 − x3



2 4


1 (k)


(k+1)
X (k+1) = x2 = 1 + x1
 2
9 1 (k) 1 (k)


 (k+1)
x3 = − x1 − x2



4 2 4
ANALYSE NUMÉRIQUE Asma ROUATBI
3.5. Indications 53

Soit X (0) = (0, 0, 0) En effectuant 4 itérations de la méthode de Jacobi on trouve

   
(1) (2)
1 (3) (4)


x1 = 1 x1 = − 16





x1 = − 18 x1 =



5
128
X (1) = x(1)
2 = 1 , X (2) = x(2) 3
2 = 2 , X (3) = x(3) 31
2 = 32 et X (4) = x(4)
2 =
15
16
   
 (1) 9  (2) 3  (3)  (4)
x3 = 61 265
   
x3 = 4 . x3 = 2 . 32
. x3 = 128
.

La suite de la méthode de Jacobi X (k) converge vers (0, 1, 2) la solution du système

(S)
4. 4. La suite de la méthode de Gauss-Seidel est définie par
1 (k) 1 (k)

(k+1)
x1 = 1 − x2 − x3



2 4


1 (k+1)


(k+1)
X (k+1) = x2 = 1 + x1
 2
9 1 (k+1) 1 (k+1)


 (k+1)
x3 = − x1 − x2



4 2 4

Soit X (0) = (0, 0, 0) , en effectuant 3 itérations de la méthode de Gauss-Seidel on

trouve
  
(1) (2)
3 (3) 9
x1 = 1


 x1 = − 32


 x1 =


 1024
X (1) = x(1) 3
2 = 2 , X (2) = x(2) 61
2 = 64 et X (3) = x(3)
2 =
2057
2048
  
(1) 11 (2)  (3)
x3 = 527 363
  

x3 = 8 . 
256
. x3 = 182
.

La suite X (k) converge vers (3, 1, 2) la solution du système.

5. La méthode de Gauss- Seidel est plus rapide que la méthode de Jacobi.

Indication exercice 3.4 1. Les méthodes convergent si et seulement si :

3
( ( (
X |α| > 2 2 < |α − 1| < |α| + 1 |α| > 1
∀i, |aii | > |aij | ⇐⇒ ⇐⇒ ⇐⇒
j=1,j6=i
|α − 1| > 2 |α| > 2 |α| > 2

α ∈] − ∞, −2[∪]2, +∞[.

2. . Soit α = 4.
(a) Le système (S) est équivalent à
    
4 −1 −1 x 1
−1 3 −1 y  = 2
    

−1 −1 4 z 3

(b) La matrice de Jacobi est définie par

1 1
 
0 4 4
MJ =  13 0 1

3
1 1
4 4
0

ANALYSE NUMÉRIQUE Asma ROUATBI

54 Chapitre 3. Résolution des systèmes linéaires

La suite de la méthode de Jacobi est donnée par


(k) (k)
 (k+1) 1 + x2 + x3
x1 =



4



 (k) (k)
1 + x2 + x3

X (k+1) = (k+1)
x2 =



 3
(k) (k)

 (k+1) 3 + x1 + x2
x3 =



4
Soit X (0) = (0, 0, 0) En effectuant 3 itérations de la méthode de Jacobi on
trouve
  
(1) (2) (3)


 x1 = 41 x1 = 29


 48
x1 =



143
192
X (1)
=  x(1) 2
2 = 3 , X (2)
= x(2)
2 = 1 et X (3)
= x(3)
2 =
43
36
 
(1) 3  (2)  (3)
x3 = 47 221
  

x3 = 4 . 48
. x3 = 192
.

(c) On écrit A = D − E − F avec

     
4 0 0 0 0 0 0 −1 −1
D = 0 3 0 , E = − −1 0 0 et F = − 0 0 −1
     

0 0 4 −1 −1 0 0 0 0
   
4 0 0 0 1 1
Soit M = D − E = −1 3 0 et tN = F = 0 0 1
 

−1 −1 4 0 0 0
La matrice de Gauss-Seidel H est donnée par H = M −1 N or
1   1 1

0 0 0
1  41 4 4
M −1 = (Com(M ))T = 1
0  donc H = 0 1 5 
 
 12 3 12 12 
detM 1 1 1 1 1
12 12 4
0 12 6

(d) La suite de la méthode de Gauss-Seidel est définie par


(k) (k)
 (k+1) 1 + x2 + x3
x1 =



4



 (k+1) (k)
2 + x1 + x3

X (k+1) = x2
(k+1)
=


 3
 (k+1) (k+1)

 (k+1) 3 + x1 + x2
x3 =



4
Soit X (0) = (0, 0, 0) , en effectuant 3 itérations de la méthode de Gauss-Seidel
on trouve
  
(1) (2) (2)


x1 = 41 x1 =



11
16


 x1 = 83
96
X (1) = x(1) 3
2 = 4 X (2) = x(2)
2 =
59
48
et X (3) = x(2)
2 =
131
96
  
 (1)  (2)
 59  (2)
 251

x3 = 1. x3 = 48
. x3 = 192
.

3. La méthode de Gauss-Seidel est plus rapide que Jacobi.

ANALYSE NUMÉRIQUE Asma ROUATBI

3.5. Indications 55

4. Soit α = 3.
(a)  
3 −1 −1 1
(A|b) =  −1 2 −1 2 
 

−1 −1 3 3
Etape 1 : a11 = 3 6= 0
ai1
Li ←− Li − L1 , 2 ≤ i ≤ 3.
a11

L2 ←− L2 − 13 L1 , L3 ←− L3 − 31 L1 et
 
3 −1 −1 1
5
 0

3
− 43 73 

0 − 34 83 83
5
Etape 2 : a22 = 3
6= 0 L3 ←− L3 + 54 L2
 
3 −1 −1 1
5
 0

3
− 43 7
3

 = (U |Y ).
4 15
0 0 3 3
On résoud le système
153
 

 3x − y − z = 1 
 x = 60
5 4 7 22
U X = Y =⇒ 3
y − 3
z = 3
y = 5
 4 15  15

3
z= 3. 
z = 4
.

153 22 15
 
SR4 = ( , , )
60 5 4
   
1 0 0 3 −1 −1
(b) A = LU avec L = − 3 1 0 et U = 0 53 − 34 
 1   

− 13 − 54 1 0 0 4
3
(c) detA = detU = 3 × 53 × 4
3
= 20
3
.

ANALYSE NUMÉRIQUE Asma ROUATBI

 Bibliographie

[1] Gloria Faccanoni,, cours d’analyse numérique Recueil d’exercices corrigés et

aidemémoire. Licence Sciences et Techniques L2 MATH et MASS. Année 2013 - 2014.
[2] Boutayeb A, Derouich M, Lamlili M et Boutayeb W. , Analyse Numérique : SMA-
SMIS4 Cours, exercices et examens.
[3] Paola GOATIN, cours analyse Numérique, université du Sud Toulon-Var ISITV- 1ère
année.
[4] JEAN-PAUL CALVI, cours d’analye numérique UP, université de Toulouse.
[5] Guillaume Legendre, Méthodes numériques : Introduction à l’analyse numérique et
au calcul scientifique, université Paris Dauphine.

57