UNIVERSITE ABDELMALEK

ESSAADI
E COLE N ATIONALE DES S CIENCES
A PPLIQUÉES
d’A L -H OCEIMA - M AROC

MATHEMATIQUES POUR L'INGENIEUR :

G.C 1 : première Année Cycle d'Ingénieur

Méthodes Numériques
par :

Moussaid Ahmed
Professeur Assistant
Département de Mathématiques-Informatique
ENSAH

2023/2024
Table des matières

1 Rèsolution des Systèmes Linéaires. 3

1.1 Méthodes directes : Elimination de Gauss : . . . . . . . . . . . . . . . . 3
1.1.1 GÉNÉRALISATION . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Formulation matricielle . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Méthodes itératives : . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Principe des méthodes itératives . . . . . . . . . . . . . . . . . . 9
1.2.4 Description des méthodes classiques . . . . . . . . . . . . . . . . 11

2 Interpolation et approximation polynomiale. 15

2.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Interpolant de Lagrange . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Interpolation par les différences divisées et formule de Newton : . . . 18

3 dérivation et Intégration numérique. 21

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.1 Dérivée numérique . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Dérivée première . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.1 Utilisation de la formule de Taylor . . . . . . . . . . . . . . . . . 25
3.3 Dérivée seconde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.1 Méthode des rectangles . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5 Méthode des trapèzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2
Chapitre 1

Rèsolution des Systèmes Linéaires.

1.1 Méthodes directes : Elimination de Gauss :

1.1.1 GÉNÉRALISATION

Etant donnée une matrice carrée inversible A telle que

A = (a i, j )(1≤ i, j≤n) ∈ Mn (R)

et un vecteur b = ( b 1 , ..., b n )T .
Trouver x = ( x1 , ..., xn ) t ∈ Rn vérifiant :

Ax = b

On a :
Ax = b

⇔


 a 11 x1 + a 12 x2 + a 13 x3 + ... + ... + a 1n xn = b 1 L1
a 21 x1 + a 22 x2 + a 23 x3 + ... + ... + a 2n xn = b 2 L2



..



.

S (1)

 a i1 x1 + a i2 x2 + ... + a ii x i + ... + a in xn = b i Li

 ..
.




a n1 x1 + a n2 x2 + ... + a ni x i + ... + a nn xn = b n L n .


1-1ére étape :
éliminer x1 des équations (L i ) pour tout 2 ≤ i ≤ n.

On suppose que a 11 6= 0 (sinon on permute l’équation (L 1 ) avec une autre équation

(L k ) tel que : a k1 6= 0. Ceci est possible car A est inversible).

On effectue alors la combinaison linéaire suivante : on remplace l’équation (L i ) par :

3
4 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.

a i1
Li ↔ Li − L1
a 11

L’équation (L i ) devient alors :

a i1 a i1 a i1 a i1
(a i1 − a 11 ) x1 + (a i2 − a 12 ) x2 + .... + (a in − a 1n ) xn = b i − b1
a 11 a 11 a 11 a 11

et le système devient :



 a 11 x1 + a 12 x2 + a 13 x3 + ... + ... + a 1n xn = b 1 L1
0 x1 + a(2) (2) (2) (2)

22 x2 + a 23 x3 + ... + ... + a 2n x n = b 2 L2



..



 .
S (2)

 0 x1 + a(2) x + ... + a(2)
i2 (2) ii i
x + ... + a(2)
in n
x = b(2)
i
Li
..


.




0 x1 + a(2) (2) (2) (2)

n2 x2 + ... + a ni x i + ... + a nn x n = b n L n.


avec :

a(2)
ij
= a i j − a 1 j × ` i1 et b(2)
i
= b i − b 1 × ` i1

telle que
a i1
` i1 = pour i ≥ 2 et j≥1
a 11
2-2 ème étape :
éliminer x2 des équations (L i ) pour tout 3 ≤ i ≤ n.

On suppose que a(2) 22 6= 0 (sinon on permute l’équation (L 2 ) avec une autre équation
(2)
(L k ) tel que : a k2 6= 0 k ≥ 3).

On effectue la combinaison linéaire suivante entre l’équation (L 2 ) et l’équation (L i ) :

on remplace l’équation (L i ) par :

a(2)
i2
Li ↔ Li − L2
a(2)
22

et le système devient :



 a 11 x1 + a 12 x2 + a 13 x3 + ... + ... + a 1n xn = b 1 L1
 (2) (2) (2) (2)
 x1 + a 22 x2 + a 23 x3 + ... + ... + a 2n xn = b 2
0 L2



S (3) 0 x1 + 0 x(2) + a(3) (3) (3)
33 x3 + ... + a 3n x n = b 3 L3
 ..
.




0 x1 + 0 x2 + ... + a(3) x + ... + a(3) (3)

nn x n = b n L n.

ni i
1.1. MÉTHODES DIRECTES : ELIMINATION DE GAUSS : 5

avec :

a(3)
ij
= a(2)
ij
− a(2)
2j
× ` i2 et b(3)
i
= b(2)
i
− b(2)
2 × ` i2

telle que
a(2)
i2
` i2 = pour i ≥ 3 et j≥1
a(2)
22

3 - k ème étape :
éliminer xk des équations (L i ) pour tout k + 1 ≤ i ≤ n.

On suppose que a(k)

kk
6= 0 (sinon on permute l’équation (L i ) avec une autre équation
(L r ) tel que : a(k)
rk
6= 0 r ≥ k + 1).

On effectue la combinaison linéaire suivante entre l’équation (L k ) et l’équation (L i )

pour k + 1 ≤ i ≤ n :
on remplace l’équation (L i ) par :

a(k)
ik
Li ↔ Li − Lk
a(k)
kk

et le système devient :


 a 11 x1 + a 12 x2 + a 13 x3 + ... + ... + a 1n xn = b 1 L1
0 x1 + a(2) (2) (2) (2)

22 x2 + a 23 x3 + ... + ... + a 2n x n = b 2 L2





 ..
.




S (k+1) 0 x1 + 0 x(2) + ... + a(k) x ... + a(k)
kk k
x = b(k)
kn n k
Lk
 (k+1) (k+1) (k+1)


 0 x1 + 0 x(2) + ... + 0 xk + a k+1k+1 xk+1 ... + a k+1n xn = b k+1 L k+1
..





 .
0 x1 + 0 x2 + ... + a(k +1)
+ ... + a(k +1) (k+1)

x nn x n = b n L n.

nk+1 k+1

avec :

a(k
ij
+1)
= a(k)
ij
− a(k)
kj
× ` ik et b(k
i
+1)
= b(k)
i
− b(k)
k
× ` ik
telle que
a(k)
ik
` ik = pour k+1 ≤ i ≤ n et j≥1
a(k)
kk

4 - n − 1 ème étape :
éliminer xn−1 de la dernière équation :
l’équation (n) est remplacée par :

a(n −1)
nn−1
Ln ↔ Ln − L n−1
a(n −1)
n−1n−1
6 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.

et le système devient :


 a 11 x1 + a 12 x2 + a 13 x3 + ... + ... + a 1n xn = b 1 L1
0 x1 + a(2) (2) (2) (2)

22 x2 + a 23 x3 + ... + ... + a 2n x n = b 2 L2





 ..
.




S (n) 0 x1 + 0 x(2) + ... + a(k)
kk k
x ... + a(k)
kn n
x = b(k)
k
Lk

 ..
.




0 x1 + 0 x(2) + ... + a(n −1) (n−1) (n−1)

n−1n−1 x n−1 ... + a n−11n x n = b n−1 L n−1



(n) (n)

0 x1 + 0 x2 + ... + 0 xn−1 + a nn xn = b n L n.


avec :

(n−1)
a(n) (n−1)
nn = a nn − a n−1n × ` nn−1 et b(n) (n−1)
n = bn − b(n
n
−1)
× `nn−1

telle que
a(n −1)
nn−1
`nn−1 =
a(n −1)
n−1n−1

Finalement, on trouve :
b(n)
n
xn =
a(n)
nn

puis xn−1 en remplaçant dans l’équation (L n−1 ).

Ainsi de suite, on conclut la solution x du système Ax = b.

1.1.2 Formulation matricielle

Posons :

 
1 0 ... ... 0
 −`21 1 0 ... 0
 
 . . .. .. 
. 0 .. .
 .
E1 =  .
 ..

. ..
0 ..

 . . 0
−`n1 0 ··· 0 1

Donc le système S (2) est équivalent à :

A (2) x = E 1 Ax = E 1 b = b(2)

En posant :
1.1. MÉTHODES DIRECTES : ELIMINATION DE GAUSS : 7

 
1 0 ... ... ... 0
.
0 ... ... .. 

0 1
.
 
0 −`32 1 0 · · · .. 

E2 = 
 .. .. .. .. 

. . 0 . ··· . 
 .. .. .. . . . .
 
. .

. . . 0
0 −`n2 0 · · · 0 1

On obtient :
Ax = b ⇔ A (3) x = E 2 E 1 Ax = E 2 E 1 b = E 2 b(2) = b(3)

Ainsi de suite, pour la n − 1 ème étape, on pose :

 
1 0 ... ... 0
0 . . . . . .
 .. 
... .
. .. 
 
E n−1 =  .. . . . 1 ··· .
 .. .. 
 
. ..
 . ··· .. . .
0 · · · · · · −`nn−1 1

et on aboutit au système :
Ax = b ⇔ A (n) x = b(n)
Avec
A (n) = E n−1 × ... × E 2 × E 1 A
est une matrice triangulaire supérieure
et
b(n) = E n−1 × ... × E 2 E 1 b

On pose  
1 0 ... ... 0
 `21 1 0 ... 0
 
.. 
L =  `31 `32 1

 ··· .
 .. .. .. 

.. ..
 . . . . .
`n1 `n2 · · · `nn−1 1
est une matrice triangulaire inférieure

et
U = A (n)
est une matrice triangulaire supérieure
donc
A = LU

Execice :
Soit le système linéaire ci-dessous :
8 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.


 3 x + 5 y + 7 z = 101
(S ) : 2 x + 10 y + 6 z = 134
x + 2 y + 3z = 40


Résolution le système par la méthode du Elimination de GAUSS et en déduire les

matrines L et U telle que A = LU avec L matrice triangulaire inférieure et U ma-
trice triangulaire supérieure.

1.2 Méthodes itératives

1.2.1 Généralités

Soit A ∈ Mn (R)

Définitions :

1- On appelle le polynôme caractéristique de la matrice A le polynôme suivant :

P n (λ) = det( A − λ I )

2- Les valeurs propres de A sont les racines de det( A − λ I ) = 0 ou les zéros du

polynôme P n (λ).
On a en particulier
Y X
det( A ) = λ i et trce( A ) = λ i
i i

3- Un vecteur x 6= 0 est dit vecrteur propore de A associé à une valeur propore λ

si
Ax = λ x

4-On appelle Spectre de A l’ensemble de tous les valeurs propres de A , noté.

σ( A ) = {λ i } ii=
=n
1

5- On appelle le rayon spectral de A noté ρ ( A ) , le nombre réel positif :

ρ ( A ) = max |λ i |
i

6- A est une matrice définie positive si elle vérifie pour tout x 6= 0

〈 Ax, x〉 > 0
1.2. MÉTHODES ITÉRATIVES 9

1.2.2 Méthodes itératives :

Soient A ∈ Mn (R) une matrice inversible et b ∈ Rn .

Pour résoudre le systéme

Ax = b
on utilise les Méthodes itératives, (Méthodes indirectes) consiste à construire une
suite de vecteurs ( x k )k∈N où x k ∈ Rn telle que :

lim x k = x = A −1 b
k7→+∞

Les méthodes itératives classiques sont de la forme :

½ 0
x valeur intiale donnée
x k+1 = T x k + C

où T est une matrice obtenue à partir de A et C un vecteur dépendant de A et de b.

1.2.3 Principe des méthodes itératives

Nous décomposons A inversible sous la forme A = M − N avec M inversible. Nous

avons alors
Ax = b ⇔ Mx = N x + b
Sous cette forme, nous cherchons à approcher la solution du problème par la mé-
thode itérative suivante :
½ 0
x valeur intiale donnée
Mx k+1 = N x k + C pour tout entier k ≥ 0

A chaque itération, nous devons résoudre un système linéaire de matrice M pour

calculer xk+1 en fonction de xk .

La méthode est “intéressante” quand M est “facile” à inverser (ou plutôt le système
facile à résoudre).
Montrons que cette méthode, si elle converge, approche bien la solution de Ax = b.

Soit x ∈ Rn solution de Ax = b.
Supposons que la suite ( xk )k∈N converge vers x nous avons

lim k xk − xk = 0
k7→+∞

pour une norme quelconque.

-Étude de la convergence :
10 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.

Notons e k = xk − x, l’erreur commise au rang k. La méthode converge si et seulement

si
lim k xk − xk = 0
k7→+∞
ou encore
lim k e k k = 0
k7→+∞

Pour tout k ∈ N, on a
e k+1 = xk+1 − x
Nous choisirons M inversible dans cette décomposition. De telle sorte que

Mxk+1 = N xk+1 + b

équivalent à
xk+1 = M −1 N xk+1 + M −1 b
De même
Ax = b = Mx − N x
qui est équivalent à
x = M −1 N x + M −1 b
Nous pouvons en déduire que
e k+1 = M −1 N e k
Par une récurrence immédiate nous obtenons

e k = ( M −1 N )k e 0

Définitions :
une matrice carrée A est dite convergente si limk7→+∞ A k = 0.
Théorème
soit A matrice carrée. Les assertions suivantes sont équivalentes :
1.
lim A k = 0
k7→+∞

2.
lim A k v = 0 pour tout v
k7→+∞

3.
ρ( A) < 1

4. ∥ A ∥< 1 pour au moins une norme matricielle induite.

Théorème
Soit A ∈ Mn (R) une matrice inversible. La méthode itérative associée à la décompo-
sition A = M − N , avec M inversible, converge si et seulement si le rayon spectral

ρ ( M −1 N ) < 1
1.2. MÉTHODES ITÉRATIVES 11

1.2.4 Description des méthodes classiques

Nous écrivons
A = D−E−F
de la façon suivante
−F
 

A= D 
−E

où
D = diag(a 11 , a 22 , ..., a nn )
et E et F sont des matrices triangulaires définies par
½ ½
a i j si i > j a i j si i < j
−(E ) i j = et − (F ) i j =
0 si non 0 si non

Nous supposerons que A ne possède pas de zéros sur sa diagonale.

Trois méthodes classiques

Méthode de Jacobi

Dans cette méthode, nous prenons

M=D et N = E+F

l’avantage de cette méthode est que dans ce cas là, M est très facile à inverser. La
méthode de Jacobi s’exprime alors par la suite

x0 ∈ Rn valeur intiale donnée

½

x k+1 = D −1 (E + F ) x k + D −1 b pour tout entier k≥0

La matrice T J = D −1 (E + F ) est dite matrice de Jacobi associée à la matrice A .

l’algorithme de Jacobi est de la forme

1 X bi
x ki +1 = − a i j x kj + i = 1, 2, ..., n
a ii i6= j a ii

Cet algorithme nécessite a ii 6= 0 pour i = 1, 2, ..., n c.à.d D inversible.

Explicitement, on obtient :
n
a ii x ki +1 = − a i j x kj + b i
X
i = 1, 2, ..., n
j =1/i 6= j
12 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.

D’aprés les théorèmes précédents, une condition suffisante pour que la méthode de
Jacobi converge est
ρ (T J ) < 1

Théorème
Si A est une matrice carrée à diagonale strictement dominante en lignes, ( nj=1/i6= j |
P

a i j |<| a ii | alors la méthode de Jacobi converge.

Corollaire
Si A est une matrice carrée à diagonale strictement dominante en colonnes, alors la
méthode de Jacobi converge.

Méthode de Gauss-Seidel

pour cette méthode, les matrices M et N sont donnée par :

M = D−E inversible et N=F

La matrice M est triangulaire inférieure et elle est inversible si a ii 6= 0 pour 1 ≤ i ≤ n

Le schéma itératif est comme suit :

(D − E ) x(k+1) = F x k + b (1)

ou encore
x(k+1) = (D − E )−1 F x(k) + (D − E )−1 b (2)

Les équations (1) et (2) peuvent aussi être présentées sous les formes :

Dx(k+1) = Ex(k+1) + F x(k) + b

et
x(k+1) = D −1 Ex(k+1) + D −1 F x(k) + D −1 b

et la méthode nécessite a ii 6= 0 pour i = 1, ..., n.

Les composantes du vecteur x(k+1) sontdonnées par :

1 iX
−1 n
x(k +1)
a i j x(k +1)
a i j x(k)
X
i
= [− j
− j
+ bi] i = 1, 2, .., n
a ii j=1 j = i +1

La matrice TGS = (D − E )−1 F est dite matrice de Gauss-Seidel associée à la matrice

A.
1.2. MÉTHODES ITÉRATIVES 13

Remarque
la matrice de Gauss-Seidel s’écrit

TGS = ( I − D −1 E )−1 D −1 F

Théorème
Si A est une matrice carrée à diagonale strictement dominante en lignes, alors la
méthode de Gauss-Seidel converge.

Méthode de relaxation

C’est une méthode intermédiaire entre les deux méthodes précédentes. Nous met-
tons un peu de diagonale de chaque côté en posant Dans cette méthode, nous pre-
nons

1 1−ω
M= D−E et N= D+F
ω ω

où ω 6= 0 est un paramètre de relaxation.

La méthode de relaxation s’exprime alors par la suite

x0 ∈ Rn valeur intiale donnée

½

( ω1 D − E ) x(k+1) = ( 1−ωω D + F ) x(k) + b pour tout entier k≥0

Algorithme de relaxation

(
x(0) ∈ Rn valeur intiale donnée
x(k +1)
= aω [ b i − ij−=11 a i j x(k +1) P n
− j= i+1 a i j x(k) ] + (1 − ω) x(k)
P
i j j i
.
ii

La matrice Tω = ( ω1 D − E )−1 ( 1−ωω D + F ) est dite matrice de relaxation associée à la

matrice A et ω est le facteur de relaxation.

Remarque
la matrice de relaxation s’écrit

TGS = ( I − ωD −1 E )−1 ((1 − ω) I + ωD −1 F )

• Gauss-Siedel = relaxation avec ω = 1.

• Si ω > 1 on parle de sur-relaxation.
• Si ω < 1 on parle de sous-relaxation..
14 CHAPITRE 1. RÈSOLUTION DES SYSTÈMES LINÉAIRES.

Théoréme

. Pour A carrée “quelconque”, C. Nécessaire de CV : ω ∈]0, 2[

. Cas A symétrique définie positive, et si 0 < ω < 2 , alors la Méthode de Relaxation
converge.
. Cas A à diagonale dominante, condition Suffisante : ω ∈]0, 1].
Chapitre 2

Interpolation et approximation
polynomiale.

2.1 Introduction :

Souvent nous avons besoin d’approcher une fonction f ( x) par une autre fonction
Q
plus "simple" ( X ).
Nous étudions ici la possibilité d’approcher une fonction continue f sur un segment
[a, b] ⊂ R par un polynôme P .
Le problème de l’approximation d’une fonction f intervient dans plusieurs situa-
tions, comme par exemple :

1- la fonction f ( x) est connue, mais difficile à manipuler. L’approximation a pour

Q
but de remplacer f par une fonction plus simple, ( f ), qui est plus accessible pour
l’intégration, la différentiation, etc.

2- la fonction f ( x) n’est pas connue, on ne connaît que les valeurs dans certains
points x i . Les quantités données f ( x i ) = yi peuvent être par example des mesures
experimentales.

Le but de l’approximation est alors de trouver une représentation synthétique (ana-

lytique) des données experimantales.

Etant donné n + 1 couples ( x i , yi ), i = 0, ůůů, n , le but de l’interpolation est de

Q
trouver une fonction ( x), qui appartient à une certaine classe et qui prend dans
Q
les noeuds d’interpolation x i les valeurs yi , c.à.d. ( x i ) = yi , ∀ i .

( x) interpole { yi }ni=0 aux noeuds { x i }ni=0 .

Q
On dit que

15
16 CHAPITRE 2. INTERPOLATION ET APPROXIMATION POLYNOMIALE.

Soit f ∈ C 0 ([a; b]) et x0 ; x1 ; ...; xn ∈ [a; b],

n + 1 points distincts ( n ≥ 0 est un nombre entier).
On cherche un polynôme p de degré n tel que

p( x i ) = f ( x i ) 0 ≤ i ≤ n

on appelle p le polynôme d’interpolation de f aux points x1 ; ...; xn .

2.1.1 Interpolant de Lagrange

Définition : Polynômes de Lagrange

Soient x0 ; x1 ; ...; xn , ( n + 1) points deux à deux distincts d’un intervalle [a, b] de R

On appelle interpolants de Lagrange les polynômes L i i définis pour i = 0, 1, ..., n

par :
jY
=n (x − x j )
L i ( x) = (2.1)
j =1/ j 6= i (xi − x j )
( x − x0 )( x − x1 )...( x − x i−1 )( x − x i+1 )...( x − xn )
= . (2.2)
( x i − x0 )( x i − x1 )...( x i − x i−1 )( x i − x i+1 )...( x i − xn )
On a en particulier :

( x − x1 )( x − x2 )...( x − x i )( x − x i+1 )...( x − xn )

L 0 ( x) =
( x0 − x1 )...( x0 − x i )( x0 − x i+1 )...( x0 − xn )

et

( x − x0 )( x − x1 )...( x − x i )( x − x i+1 )...( x − xn−1 )

L n ( x) =
( xn − x0 )( xn − x1 )...( xn − x i )( xn − x i+1 )...( xn − xn−1 )
Si on prend :

P n ( x) = L 0 ( x) f ( x0 ) + L 1 ( x) f ( x1 ) + ... + L n ( x) f ( xn )
2.1. INTRODUCTION : 17

alors
P n ( x i ) = f ( x i ) pour i = 0, 1, ..., n

Exemple

Si x0 = −1, x1 = 0, et x2 = 1
et f ( x0 ) = 2, f ( x1 ) = 1, et f ( x2 ) = −1
on obtient
x( x − 1)
L 0 ( x) =
2
( x + 1)( x − 1)
L 1 ( x) =
−1
( x + 1) x
L 2 ( x) =
2

Donc

P2 ( x) = L 0 ( x) f ( x0 ) + L 1 ( x) f ( x1 ) + L 2 ( x) f ( x2 ) (2.3)
1 3
= − x2 − x + 1 (2.4)
2 2

On vérifie facilement que :

P2 ( x0 ) = P2 (−1) = 2 = f ( x0 )

P2 ( x1 ) = P2 (0) = 1 = f ( x1 )

P2 ( x2 ) = P2 (1) = −1 = f ( x2 )

Propriétés

Les polynômes de Lagrange ont les propriétés suivantes :

P1)- L j ( x) est un polynôme de degré n, ∀ j = 0, 1, ..., n.

P2)- L j ( x j ) = 1 ∀ j = 0, 1, ..., n et L j ( x i ) = 0 pour tout j 6= i .
P3) - la famille {L 0 ( x), L 1 ( x), ..., L n ( x)} est une base de P( x) l’espace des polynômes
de degré inférieur ou égal à n.
Théorème
Etant donné n+1 points distincts x0 ; x1 ; ...; xn et n+1 valeurs correspondantes y0 ; y1 ; ...; yn
alors il existe un unique polynôme P n ∈ P( x) tel que :

P n ( x i ) = yi ∀ i = 0, 1, ..., n
18 CHAPITRE 2. INTERPOLATION ET APPROXIMATION POLYNOMIALE.

2.2 Interpolation par les différences divisées et for-

mule de Newton :
Définition : Differences divisées

Soit f une fonction numérique définie sur un intervalle [a, b] contenant n + 1 points
distincts x0 ; x1 ; ...; xn

On définit les differences divisées d’ordre i de f aux points ( xk ) comme suit :

[ f ( x0 )] = f ( x0 )
f ( x1 ) − f ( x0 )
[ f ( x0 ), f ( x1 )] =
x1 − x0
[ f ( x1 ), f ( x2 ), ..., f ( x i )] − [ f ( x0 ), f ( x1 ), ..., f ( x i−1 )]
[ f ( x0 ), f ( x1 ), ..., f ( x i )] = ∀i ≥ 2
x i − x0
Exemple
Si x0 = −1, x1 = 0, et x2 = 1
et f ( x0 ) = 2, f ( x1 ) = 1, et f ( x2 ) = −1
on obtient

[ f (−1)] = 2
1−2
[ f (−1), f (0)] = = −1
0 − (−1)
−2 − (−1) −1
[ f (0)] = 1 [ f (−1), f (0), f (1)] = =
1 − (−1) 2
−1 − 1
[ f (0), f (1)] = = −2
1−0
[ f (1) = −1]

Propriétés
La valeur d’une difference divisée est indépendante de de l’ordre des x i .
On a ainsi :

f ( x1 ) − f ( x0 ) f ( x1 ) f ( x0 )
[ f ( x0 ), f ( x1 )] = = + = [ f ( x1 ), f ( x0 )]
x1 − x0 x1 − x0 x0 − x1

f ( x2 ) f ( x1 ) f ( x0 )
[ f ( x0 ), f ( x1 ), f ( x2 )] = + + (2.5)
( x2 − x1 )( x2 − x0 ) ( x1 − x2 )( x1 − x0 ) ( x0 − x1 )( x0 − x2 )
= [ f ( x2 ), f ( x1 ), f ( x0 )] = [ f ( x1 ), f ( x0 ), f ( x2 )]. (2.6)
2.2. INTERPOLATION PAR LES DIFFÉRENCES DIVISÉES ET FORMULE DE NEWTON :19

et de façon générale :

iX
=k f (xi )
[ f ( x0 ), f ( x1 ), f ( x2 ), ...., f ( xk )] =
i =0 ( x i − x0 )...( x i − x i −1 )( x i − x i +1 )...( x i − x k )

Définition : Interpolant de Newton :

On appelle interpolant de Newton le polynôme P n donné par :

P n ( x) = f ( x0 ) + [ f ( x0 ), f ( x1 )]( x − x0 ) + ... + [ f ( x0 ), ..., f ( xn )]( x − x0 )( x − x1 )...( x − xn−1 )

Voici le Schéma pour le calcul des différences divisées :

x0 [ f ( x0 )]
[ f ( x0 ), f ( x1 )]
x1 [ f ( x1 )] [ f ( x0 ), f ( x1 ), f ( x2 )]
[ f ( x1 ), f ( x2 )] [ f ( x0 ), f ( x1 ), f ( x2 ), f ( x3 )]
x2 [ f ( x2 )] [ f ( x1 ), f ( x2 ), f ( x3 )] [ f ( x0 ), f ( x1 ), f ( x2 ), f ( x3 ), f ( x4
[ f ( x2 ), f ( x3 )] [ f ( x1 ), f ( x2 ), f ( x3 ), f ( x4 )]
x3 [ f ( x3 )] [ f ( x2 ), f ( x3 ), f ( x4 )]
[ f ( x3 ), f ( x4 )]
x4 [ f ( x4 )]

Exemple :

Utilisons le principe des différences divisées pour obtenir le polynôme d’interpola-

tion tel que : 
 f (0) = −2
f (1) = 2
f (−4) = 42


Comme l’illustre le Schéma pour le calcul des différences divisées, on remarque :

x0 = 0 [ f ( x0 )] = −2
2 − (−2)
[ f ( x0 ), f ( x1 )] = [ f (0), f (1)] = =4
1−0
−8 − 4
x1 = 1 [ f ( x1 )] = 2 [ f (0), f (1), f (−4)] = =3
−4 − 0
42 − 2
[ f ( x1 ), f ( x2 )] = [ f (1), f (−4)] = = −8
−4 − 1
x2 = −4 [ f ( x2 )] = 42
20 CHAPITRE 2. INTERPOLATION ET APPROXIMATION POLYNOMIALE.

Ainsi, on obtient :

P2 ( x) = f ( x0 ) + [ f ( x0 ), f ( x1 )]( x − x0 ) + [ f ( x0 ), f ( x1 ), f ( x2 )]( x − x0 )( x − x1 )
= −2 + 4 x + 3( x − 0)( x − 1)
= 3 x 2 + x − 2.

Exercice
Cherchons le polynôme d’interpolation P aux points :

1− x
x 0 = 1, x1 = −1, x2 = 2 avec f ( x) = 36
5 x − 19
En utilisant le Schéma pour le calcul des différences divisées, et l’interpolation de
Lagrange.

Exercice
Déterminer le polynôme d’interpolation de Lagrange satisfaisant au tableau ci-
dessous

x 0 2 3 5
f ( x) -1 2 9 87
Chapitre 3

dérivation et Intégration
numérique.

Dérivation numérique

3.1 Introduction

La dérivation numérique consiste à dériver (de façon approchée) une fonction sur
un intervalle borné [a; b], c’est-à dire calculer la pente de la courbe représentant la
fonction, à partir d’un calcul ou d’une mesure en un nombre fini de points.

La répartition des points en abscisse est généralement uniforme (pas d’échantillon-

nage constant h) mais il existe des méthodes à pas variable, ou encore à pas adap-
tatif.

21
22 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

La dérivation des polynômes étant très simple, l’opération consiste généralement

à construire une interpolation polynomiale par morceaux (de degré plus ou moins
élevé) puis de dériver le polynôme sur chaque morceau.

3.1.1 Dérivée numérique

Nous allons maintenant étudier des méthodes numériques pour le calcul approché
de

df
( x)
dx

on donne une fonction réelle

f : [a, b] → R

vérifie quelques conditions nécessaires (conditions de différentiabilités).

En analyse mathématique, il est très connue que la dérivée première de f est don-
née par :

0 f ( x ) − f ( x0 )
f ( x0 ) = lim
x → x0 x − x0
3.1. INTRODUCTION 23

la formulation :
0 f ( x) − f ( x0 )
f ( x0 ) = lim
x→ x0 x − x0
est équivalente à :
0 f ( x0 + h) − f ( x0 )
f ( x0 ) = lim
h→0 h
Évidemment, si h est suffisamment petit , on trouve immédiatement la première
formule de différentiabilité :

0 f ( x0 + h) − f ( x0 )
f ( x0 ) ' h¿1
h

où
0 f ( x + h) − f ( x)
f ( x) '
h
Il est clair que la détermination de cette dernière formule nécessite la connaissance
de la valeur de f en x et x + h d’un côté et d’un autre côté l’utilisation de la même
00
formule nous permet de trouver les autres dérivées f ( x), ..., f (n) ( x).

Exemple
Supposons que l’on travaille sur un calculateur avec 3 chiffres significatifs.

Soit f ( x) = x2 .
0
On veut calculer f (7) = 14 avec cette méthode.
avec h = 0.1 on a (7.1)2 = 50.41
alors
f (7.1) − f (7) (7.1)2 − 72 50.4 − 49
= = = 14.0
0.1 0. 1 0. 1
24 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

3.2 Dérivée première

Pour calculer le dérivation numérique on a trois formules.

on prend un h suffisamment petit et introduit les notations :

d f (x) f (x+ h)− f (x)

• Différence finie progressive ou Formule décentrée à droite : dx ' h

d f (x) f (x)− f (x− h)

• Différence finie retrograde ou Formule décentrée à gauche : dx ' h

d f (x) f (x+ h)− f (x− h)

• Différence finie centrée ou Formule centrée : dx ' 2h
3.2. DÉRIVÉE PREMIÈRE 25

3.2.1 Utilisation de la formule de Taylor

L’une des méthodes les plus anciennes utilisées pour obtenir des formules de déri-
vation numérique consiste à construire des quotients différentiels à l’aide des déve-
loppements de Taylor.

Formules à deux points

1-Formule de différences finies progressives :

Effectuons un premier développement de Taylor d’ordre 2 de f autour de x :

h2 00
0
f ( x + h) = f ( x) + h f ( x) + f (ζ ), ζ ∈] x, x + h[
2
donc :
0 h2 00
h f ( x) = f ( x + h) − f ( x) − f (ζ ), ζ ∈] x, x + h[
2
et on a h > 0 alors :
0 f ( x + h) − f ( x) h 00
f ( x) = − f (ζ)
h 2

On obtient
0 0 f (x+ h)− f (x) ∆ f (x)
(
f ( x) ' f hd ( x) = h = h
2 00
E = − h2 f (ζ), ζ ∈] x, x + h[
tel que : La première formule de différences finies progressives et la deuxième est
l’erreur commise.

Exemple 1 :
On donne :
f ( x) = cos( x)
26 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

on veut calculer f ( π3 ) approchée par la formule de différences finies progressives.

0

on peut prendre :
1. h = 0.1
2. h = 0.01
3. h = 0.0001
2- Formule de différences finies regressive :
0
f ( x) utilise la pente de la droite passant par ( x − h, f ( x − h)) et ( x, f ( x)). La formule
de Taylor à l’ordre 2 donne :

0 h2 00
f ( x − h) = f ( x) + h f ( x) + f (ζ), ζ ∈] x − h, x[
2
On obtient : 0 0 f (x)− f (x− h) ∇ f (x)
(
f ( x) ' f hg ( x) = h = h
2 00
E = − h2 f (ζ), ζ ∈] x − h, x[
tel que : La première formule de différence finies regressive et la deuxième est l’er-
reur commise.

3- Formule de différences finies centrées :

En analyse numérique, on cherche toujours à trouver des solutions approchées avec
des erreurs très petits (tend vers zéro) ; c’est-à-dire, on essaye d’améliorer les mé-
thodes existantes.
Pour faire ça, on considère la formule de Taylor en ( x − h) et ( x + h) comme l’indique
les formules suivantes :

0 h2 00 h3 000
f ( x + h) = f ( x) + h f ( x) + f ( x) + f (ζ1 ), ζ1 ∈] x, x + h[
2 6
et
h2 00 h3 000 0
f (ζ2 ),
f ( x − h) = f ( x) − h f ( x) +
f ( x) − ζ2 ∈] x − h, x[
2 6
En soustrayant membre à membre, on obtient :

0 h3 000 000
f ( x + h) − f ( x − h) = 2 h f ( x) + [ f (ζ1 ) + f (ζ2 )], ζ1 ∈] x, x + h[, ζ2 ∈] x − h, x[
6
ce qui donne :

0 0 f (x+ h)− f (x− h) δ2h f (x)

(
f ( x) ' f hc ( x) = 2h = 2h
2 000
E = − h6 f (ζ), ζ ∈] x − h, x + h[

Théoréme 1
On suppose que f est de classe C 3 et de dérivées bornées. Alors on a

0 f ( x + h) − f ( x − h) h2 000
| f ( x) − |≤ sup | f (ζ ) |
2h 6 ζ∈]x−h,x+h[
3.2. DÉRIVÉE PREMIÈRE 27

 cette fois les formules sont : la formule de différences finies centrées et l’erreur
commise.

Pour faire une petite comparaison entre les trois formules qu’on a exposé précé-
demment, on peut dire que : malgré la nécessité de la valeur de f en trois points
symétriques :
x − h, x, x + h lorsqu’on utilise la formules centrée mais elle est classé la meilleure
entre eux.

Exemple 2
soit : f ( x) = sin( x) + x4 + x.

Pour x = 0, le tableau suivant nous permet de voir l’évolution des dérivées numé-
riques en fonction de h et de comparer les résultats des 3 formules de différences.
0
On a f (0) = 2 :

Définition 1
Soit [a; b] un intervalle de R.
On appelle une subdivision de l’intervalle [a; b] une suite finie strictement crois-
sante de points x i , i = 0; · · · ; n , c’est à dire

a = x0 < x1 < x2 < · · · < xn = b

Par exemple
b−a
x i = a + ih h= avec n ∈ N∗
n
Remarque
L’importance des formules approchées est souvent dans le cas où h est suffisam-
ment petit ( h → 0). Donc, on va faire une subdivision (partition) de l’intervalle [a, b]
en sous intervalles de longueurs très petits ; c’est-à-dire x0 = a , x1 = a+ h, x2 = a+2 h,
· · · , xn = a + nh = b
28 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

Pour étudier l’efficacité des trois formules approchées de la dérivée première, on

écrit tout d’abord ces formules aux points de la subdivision, on trouve respective-
ment :

• La formule de différences finies progressive donne :

0 0 f ( x i+1 ) − f ( x i )
f ( x i ) ' f hd ( x i ) = , i = 0, 1, 2, ...., n − 1
h
• La formule de différences finies régressive donne :
0 0 f ( x i ) − f ( x i−1 )
f ( x i ) ' f hg ( x i ) = , i = 1, 2, ...., n
h
• La formule de différences finies centrées donne :
0 0 f ( x i+1 ) − f ( x i−1 )
f ( x i ) ' f hc ( x i ) = , i = 1, 2, ...., n − 1
2h

3.3 Dérivée seconde

Dans cette section, en essaye de trouver la dérivée seconde par l’utilisation de
mêmes techniques que la dérivée première.

Utilisation de la formule de Taylor

On a :
0 h2 00 h3 000 h4 (4)
f ( x + h) = f ( x) + h f ( x) + f ( x) + f ( x) + f (ζ1 ), ζ1 ∈] x, x + h[
2 6 4!
et
0 h2 00 h3 000 h4 (4)
f ( x − h) = f ( x) − h f ( x) + f ( x) − f ( x) + f (ζ2 ), ζ2 ∈] x − h, x[
2 6 4!
Donc
00 h4 (4)
f ( x + h) + f ( x − h) = 2 f ( x) + h2 f ( x) + [ f (ζ1 )+ f (4) (ζ2 )], ζ1 ∈] x, x + h[, ζ2 ∈] x − h, x[
4!
pour ζ1 ∈] x, x + h[ et ζ2 ∈] x − h, x[ Ainsi :

00 f ( x + h) + f ( x − h) − 2 f ( x) h4 (4)
f ( x) ' − [ f (ζ1 ) + f (4) (ζ2 )]
h2 4!
Il s’ensuit :
00 f ( x + h) + f ( x − h) − 2 f ( x) h4 (4)
f ( x) ' − f (ζ), ζ ∈] x − h, x + h[
h2 4!
C’est une formule centrée d’ordre 2.
3.4. INTRODUCTION 29

Théoréme 2
On suppose que f est de classe C 4 et de dérivées bornées jusqu’à l’ordre 4. Alors on
a pour tout x ∈ R, la majoration :
Alors on a

00 f ( x − h) − 2 f ( x) + f ( x + h) h2
| f ( x) − 2
|≤ sup | f (4) (ζ) |
h 12 ζ∈]x−h,x+h[

Intégration numérique

3.4 Introduction

Rb
Il s’agit d’approcher I ( f ) = a f ( x) dx dans le cas où on ne connaît pas une primitive
de f .

L’intégration numérique (ou quadrature) consiste à intégrer (de façon approchée)

une fonction sur un intervalle borné [a; b], c’est-à dire calculer l’aire sous la courbe
représentant la fonction, à partir d’un calcul ou d’une mesure en un nombre fini n
de points.

La répartition des points en abscisse est généralement uniforme (échantillonnage à

pas constant h = b−n a ) mais il existe des mé- thodes à pas variable, ou encore à pas
adaptatif.

L’intégration des polynômes étant très simple, l’opération consiste gé- néralement
à construire une interpolation polynomiale (de degré plus ou moins élevé) par mor-
ceaux (intégration composée) puis d’intégrer le polynôme sur chaque morceau.

On appelle J ( f ) la valeur approchée de I ( f )

Il faut signaler que représente l’aire de la surface délimitée par les droites x = a,
x = b, y = 0 et la courbe y) f ( x)
30 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

Principe
Rb
On veut calculer a f ( x) dx.
On décompose l’intervalle [a, b] en a = x0 < x1 < · · · < xn = b.
On a alors :

Z b n Z
X xi
f ( x) dx = f ( x) dx
a i =1 x i−1

Sur chaque [ x i−1 , x i ], on applique une méthode d’intégration élémentaire consistant

à remplacer f ( x) par :

P i ( x) = f [ x i,0 ] + f [ x i,0 , x i,1 ]( x − x i,0 ) + · · · + f [ x i,0 , x i,1 , ..., x i,` ]( x − x i,0 )...( x − x i,`−1 )

soit le polynôme d’interpolation de f en des points x i,0 , ..., x i,` de l’intervalle [a, b]
(qui peuvent être ou non dans [ x i−1 , x i ])

3.4.1 Méthode des rectangles

On prend ` = 0 : on approche f par une constante f ( x i,0 ) où x i,0 ∈ [ x i−1 , x i ].

D’où laformule de quadrature (i.e. intégration numérique) élémentaire :
Z xi
f ( x) dx ' h i f (α i ) α i ∈ [ x i−1 , x i ], h i = x i − x i−1
x i−1

et la formule de quadrature composée :

Z b n
X
f ( x) dx = h i f (α i )
a i =1
3.5. MÉTHODE DES TRAPÈZES 31

Rb
On reconnait là une somme de Riemann dont on sait qu’elle converge vers a f ( x) dx
quand max1≤ i≤n h i → 0 si f est Riemann-intégrable.
Les choix courants pour α i sont :
Rb
- rectangles à gauche : α i = x i−1 → a f ( x) dx = ni=1 h i f ( x i−1 )
P
Rb
- rectangles à droite :α i = x i → a f ( x) dx = ni=1 h i f ( x i )
P

x +x Rb
- formule du point milieu : α i = i 2 i−1 (:= x i− 1 ) → a f ( x) dx = ni=1 h i f ( x i− 1 )
P
2 2

Formule des rectangles à gauche, des rectangles à droite, du point milieu

3.5 Méthode des trapèzes

On prend ` = 1 et on remplace f par son interpolé linéaire aux points [ x i−1 , x i ] .
32 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

F IGURE 3.1 – Méthode des trapèzes

Z xi 1
f ( x) dx ' ( x i − x i−1 )( f ( x i ) + f ( x i−1 ))
x i−1 2
Z b nX
−1 h i + h i+1 1
f ( x) dx ' f ( x i ) + ( h 1 f ( x0 ) + h n f ( xn ))
a i =1 2 2
et dans le cas d’une subdivision régulière ( h i = h, ∀ i = 0, 1, ..., n).
Z b nX
−1 1
f ( x) dx ' h[ f ( x i ) + ( f ( x0 ) + f ( xn ))]
a i =1 2

3.6 Méthode de Simpson

x +x
Cette fois on interpole f aux points x i−1 , x i et x i− 1 = i−12 i soit, en utilisant la
2
formule d’interpolation de Newton.
On obtient donc :
Z xi
hi
f ( x) dx ' [ f ( x i−1 ) + 4 f ( x i− 1 ) + f ( x i )]
x i−1 6 2

La formule composée dans le cas de pas constants devient

Z b
h nX −1 X n
f ( x) dx ' [ f ( x0 ) + 2 f (xi ) + 4 f ( x i− 1 ) + f ( xn )]
a 6 i =1 i =1
2
3.6. MÉTHODE DE SIMPSON 33

F IGURE 3.2 – Méthode de Simpson

Exemple
On souhaite dans cet exercice, obtenir une approximation de ln(2) à l’aide de la
formule : Z 2
dx
ln(2) =
1 x
1- Ecrire l’approximation obtenue en appliquant la méthode des trapèzes.
2- Comparer le résultat avec celui obtenu an appliquant la méthode de Simpson.
sol
1- La méthode des trapèzes donne :
Z 2 dx b − a 1 1 3
ln(2) = = ( f (a) + f ( b)) = (1 + ) =
1 x 2 2 2 4

soit une erreur absolue | ln(2) − 34 | = 0.0569

2- La méthode des Simpson donne :
Z 2 dx b − a a+b 25
ln(2) = = ( f ( a) + 4 f ( ) + f ( b)) =
1 x 6 2 36

soit une erreur absolue | ln(2) − 25

36 | = 0.0013
34 CHAPITRE 3. DÉRIVATION ET INTÉGRATION NUMÉRIQUE.

–Interpolation - dérivées et Intégration numérique–

Exercice 1
On connaît les valeurs d’une fonction g aux points x0 = 3, x1 = 5 et x2 = 8 :

g( x0 ) = −2, g( x1 ) = 2, g( x2 ) = 3

1- Construire les interpolants de Lagrange pour trouver le polynôme de degré au

plus 2 (noté P2 ( g)), interpolant la fonction g aux næuds x0 , x1 et x2 .
- Pour α = 4.8 , donner une valeur approchée de g(α).

2- Retrouver ce polynôme d’interpolation , en utilisant cette fois la forme de Newton.

Exercice 2
1- Ecrire le polynôme d’interpolation de Lagrange P ( x) d’une fonction f construite
sur les points :−1, − 13 , 13 et 1
2- Par intégration du polynôme obtenu, déduire la formule d’intégration approchée
suivante : Z 1
1 3 1 3 1 1
f ( x) dx ≈ f (−1) + f (− ) + f ( ) + f (1)
−1 4 4 3 4 3 4

Exercice 3
R π
2
Déterminer par la méthode des trapézes puis par celle de Simpson 0 f ( x) dx sur
la base du tableau suivant :

π π 3π π
x 0 8 4 8 2
f ( x) 0 0.382683 0.707107 0.923880 1

Exercice 4
R2p
Calculer 1 xdx par la formule des rectangles en décomposant l’intervalle d’inté-
gration en dix parties. Evaluer l’erreur commise.

Exercice 5 1- À l’aide de la formule de différence centrée d’ordre 2 :

0 f ( x + h) − f ( x − h)
f ( x) ' + O ( h2 )
2h
3.6. MÉTHODE DE SIMPSON 35

Montrer que
00 f ( x + 2 h) − 2 f ( x) + f ( x − 2 h)
f ( x) '
4 h2

2- À partir des données expérimentales

x 1 1.01 1.02
f (x 1.27 1.32 1.38

0 0 00
a- Calculer les approxiationts de f (1.005) , f (1.015) et f (1.01). données par les
formules centrées
0 f ( x + h) − f ( x − h)
f ( x) '
h
et
00 f ( x + 2 h) − 2 f ( x) + f ( x − 2 h)
f ( x) '
h2