Université d'Abomey-Calavi

Faculté des Sciences et Techniques(FAST)

Département de mathématiques

COURS DE METHODES

NUMERIQUES(ISL)

Dr URIEL AGUEMON

2 octobre 2024
2
Table des matières

Introduction générale 5
1 Représentation des nombres 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Les diérents types d'arithmétique . . . . . . . . . . . . . . . 8
1.3 Opérations élémentaires sur les ottants . . . . . . . . . . . . 9
1.4 Comment évaluer un polynôme ? . . . . . . . . . . . . . . . . . 9
1.4.1 Méthode de Horner . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Algorithmique de Horner . . . . . . . . . . . . . . . . . 9
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Interpolation 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 12
2.3 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Méthode progressive de Newton . . . . . . . . . . . . . 15
2.3.2 Méthode regressive de Newton . . . . . . . . . . . . . . 15
2.3.3 Polynômes de TCHEBYCHEV . . . . . . . . . . . . . 18
2.4 Interpolation de Hermite . . . . . . . . . . . . . . . . . . . . . 19
2.5 Interpolation par les splines . . . . . . . . . . . . . . . . . . . 21
2.5.1 Interpolation d'une fonction spline de degré 1 . . . . . 22
2.5.2 Interpolation d'une fonction spline de degré 2 . . . . . 22
2.5.3 Interpolation d'une fonction spline de degré 3 . . . . . 23
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3 Systèmes linéaires 25
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 La méthode d'élimination naïve de Gauss et la facto-
risation LU . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.2 Méthode de pivot partiel pondéré . . . . . . . . . . . . 28

3
4 TABLE DES MATIÈRES

3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4 Formules de Taylor 31
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Formule de Taylor avec reste intégrale . . . . . . . . . . . . . . 31
4.3 Formule de Taylor avec reste de Young . . . . . . . . . . . . . 31
4.4 Formule de Taylor avec reste de Lagrange . . . . . . . . . . . 32
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Conclusion générale 33
Introduction générale

Le mot  mathématique  vient du grec, par l'intermédiaire du latin.

Le mot (máthema) signie  science, connaissance  ; il a donné naissance à
l'adjectif (mathematikos), d'abord  relatif au savoir  puis  qui concerne les
sciences mathématiques . Cet adjectif a été adopté en latin (mathematicus)
et par la suite ( mathématique  en français).
Les mathématiques (ou la mathématique) sont un ensemble de connais-
sances résultant de raisonnements logiques appliqués à des objets divers tels
que les ensembles, les nombres, les structures (ensembles munis de fonctions
et de relations dénies sur cet ensemble.), les transformations ainsi qu'aux
relations et opérations mathématiques qui existent entre ces objets.
Le premier signe d'apparition des mathématiques dans le monde est l'os
d'Ishango découvert dans les années 1950 par le géologue belge Jean de Hein-
zelin de Braucourt dans des couches de cendres volcaniques au bord du lac
Édouard dans la région d'Ishango au Congo belge (aujourd'hui République
démocratique du Congo), près de la frontière ougandaise. Cet os a été daté
de 20 mille ans avant Jésus-christ. C'est bien la preuve que l'afrique est le
berceau des mathématiques. Les ossements sont exposés de façon permanente
au Muséum des sciences naturelles de Belgique à Bruxelles. Les pêcheurs de
la region d'Ishango se servaient des encoches sur cet os pour se partager le
butin de la pêche. C'est un calculatrice préhistorique.
Il y a dix mille ans de cela, l'homme invente l'agriculture : il se met à
cultiver et à élever, et ne vit plus seulement des hasards de la cueillette et la
chasse. Il devient sédentaire et s'attache à sa terre. En plusieurs endroits de
la planète, ce changement cause un vrai bouleversement : entre le VIe et le
IIe millénaire avant notre Ère, plusieurs grandes sociétés organisées prennent
forme, en Mésopotamie, en Égypte, en Chine et en Inde. Des civilisations ap-
paraissent également en Amérique du Sud. L'écriture apparaît dans les civi-
lisations mésopotamienne, égyptienne et chinoise vers 3000 avant J.-C. C'est
également dans ces trois civilisations que l'on trouve les premières traces
d'existence de techniques mathématiques : les premiers systèmes de numéra-
tion et les méthodes de calculs qui en permettent la manipulation servent à

5
6 TABLE DES MATIÈRES

la gestion (gestion du calendrier, gestion des réserves, transactions commer-

ciales, collecte des impôts...) tandis qu'une géométrie élémentaire permet de
résoudre les questions de mesure (volumes de grain et aire des champs, pro-
blèmes liés à la construction d'édices...) Les techniques mathématiques uti-
lisées dans ces trois civilisations possèdent plusieurs points communs. D'une
part, elles sont mises en ÷uvre pour résoudre les mêmes types de problème
pratique. Ensuite, leur usage est réservée à l'élite administrative. Enn, la
forme de ces mathématiques est celle d'un ensemble de procédures présentées
sur des exemples numériques concrets ; aucun concept général n'est dégagé,
aucun formalisme n'est utilisé.
Les mathématiques ont donc été inventées pour résoudre des
problèmes pratiques dans la société. Elles n'avaient aucunement
un caractère purement abstrait. Il est donc important de voir les
mathématiques comme des outils d'aide à la prise de décision an
de proter de toutes leurs richesses.
En mathématiques, il existe plusieurs branches. Parmi ces branches nous
pouvons citer l'analyse. Les méthodes numériques font parties d'une branche
de l'analyse appélée analyse numérique.
L'analyse numérique est un ensemble d'outils permettant d'obtenir une
solution approchée d'un problème mathématique lui-même modèle d'une
question scientique ou technique. Il existe des logiciels d'analyse numérique
tels que Scilab, Matlab,R. Mais pourquoi devons nous étudier et enseigner les
méthodes numériques ? N'est-il pas susant d'appuyer sur la touche d'une
calculatrice ou sur une commande d'un logiciel pour résoudre une équation
algébrique ? En réalité, il est toujours protable de connaître le principe de
fonctionnement des outils que l'on utilise an de les employer au mieux et
pour être conscient de leurs limites. De plus, il peut arriver qu'un programme
bien qu'immédiatement disponible, ne soit pas parfaitement adapté à l'usage
prévu. Seul l'utilisateur bien informé pourra le modier et étendre son do-
maine d'utilisation.
CHAPITRE 1

Représentation des nombres

1.1 Introduction
Il existe deux types de logiciels de calcul scientique :
1. Les logiciels de calcul formel
2. Les logiciels de calcul numérique
Les logiciels de calcul formel sont ceux qui dans le traitement de certains
objets mathématiques imitent les règles et procédures du mathématicien hu-
main sans se préoccuper de l'aspect numérique. On peut citer dans cette
catégorie Maple, Mupad, Maxima.
Les logiciels de calcul numérique sont ceux qui reçoivent en entrée des
données numériques (en général des ottants 32 ou 64 bits) et qui donnent à
la sortie des résultats numériques. Dans cette catégorie on peut citer R, SPSS
spécialisés en statistique et Octave, Scilab, Matlab, des logiciels généralistes.
Dans le cadre de notre cours, nous comptons utiliser le logiciel Scilab pour
faire du calcul numérique.
L'objectif du calcul numérique est de représenter de manière raisonnable
des objets mathématiques innis sous forme nie. Nous allons pour cela nous
intéresser aux outils de représentation des nombres.
Exercice 1. Soit F l'ensemble donné par F = F1 ∪ F2 avec
( 2
! )
X di
F1 = x= 2k , d1 ̸= 0, di ∈ {0; 1}, k ∈ {−1; 0; 1}
i=1
2i
( 2
! )
X di
F2 = x=− 2k , d1 ̸= 0, di ∈ {0; 1}, k ∈ {−1; 0; 1}
i=1
2i
Donner les éléments de F.
Les éléments de F sont appelés les nombres machines.

7
8 CHAPITRE 1. REPRÉSENTATION DES NOMBRES

1.2 Les diérents types d'arithmétique

Du fait de l'arithmétique à précision nie ou arithmétique ottante, une
machine ne peut représenter qu'une partie F de R. Cette partie F est ca-
ractérisée par quatre entiers : la base β , la précision t, la limite inférieure
L et la limite supérieure U . En représentation scientique normalisée on a
G = F ∪ {0} avec : F = F1 ∪ F2 où

F1 = {f ∈ R, f = 0.d1 d2 d3 . . . dt × β e , di ∈ {0; 1; . . . ; β − 1}, d1 ̸= 0, L ≤ e ≤ U }

F2 = {f ∈ R, f = −0.d1 d2 d3 . . . dt × β e , di ∈ {0; 1; . . . ; β − 1}, d1 ̸= 0, L ≤ e ≤ U }

Exercice 2. Donner le cardinal de F.
Nous utilisons deux types d'arithmétiques en arithmétique de précision
nie :
 L'arithmétique arrondie : Pour déterminer le ottant d'un nombre x
noté f l(x), on encadre x par deux éléments consécutifs de F , et on
prend l'élément de F le plus proche de x.
 L'arithmétique tronquée : Pour déterminer le ottant d'un nombre
x, on encadre x par deux éléments consécutifs de F et on prend le
nombre qui a la plus petite valeur absolue.
9
Exercice 3. 1. Calculer le ottant de x = en arithmétique tronquée
16
puis en arithmétique arrondie.
5
2. Calculer le ottant de x = en arithmétique tronquée puis en arith-
8
métique arrondie.
11
3. Calculer le ottant de x = en arithmétique tronquée puis en arith-
16
métique arrondie.
Exercice 4. Calculer le ottant de x en arithmétique tronquée puis en arith-
métique arrondie dans chacun des cas suivants :
5
1. x =
16
7
2. x =
16
15
3. x =
16
19
4. x =
16
1.3. OPÉRATIONS ÉLÉMENTAIRES SUR LES FLOTTANTS 9

− 11
5. x =
16
−7
6. x =
16
− 15
7. x =
16
7
8. x =
8

1.3 Opérations élémentaires sur les ottants

Les opérations élémentaires sont l'addition, la soustraction, la multipli-
cation et la division. En Arithmétique ottante elles s'eectuent de la façon
suivante :

f l(x ◦ y) = f l(f l(x) ◦ f l(y)) avec ◦ ∈ {+, −, ×, ÷}

1.4 Comment évaluer un polynôme ?

Soit P un polynôme. P se met sous la forme :
P (x) = a0 + a1 x + a2 x2 + · · · + an xn . Pour calculer P en une valeur x0
connue, on peut utliser la méthode de Horner.

1.4.1 Méthode de Horner

P (x) = (((an x + an−1 )x + an−2 )x + · · · + a1 )x + a0

1.4.2 Algorithmique de Horner

P ←− an
P ←− P x + an−1
..
.
P ←− P x + a1
P ←− P x + a0
Exercice 5. Soit le polynôme P déni par :
P (x) = 4.09854x3 − 5.5438x2 + 3.12345x + 2.980958
10 CHAPITRE 1. REPRÉSENTATION DES NOMBRES

1. Calculer P (1.98005) en utilisant une arithmétique tronquée à 04 chires.

(a) Sans utiliser la méthode de Horner.
(b) En utilisant la méthode de Horner.
2. Pour chacune des méthodes, compter le nombre d'opérations eec-
tuées.
3. Quelle approche selon vous est la moins coûteuse en calculs?
Exercice 6. Refaire le même exercice en utilisant cette fois-ci une arithmé-
tique arrondie à 04 chires.

1.5 Conclusion
Au cours de ce chapitre, nous avons parlé des diérentes types d'arith-
métiques, des opérations que l'on peut eectuer sur des ottants et de la
méthode d'Horner, outil pour calculer la valeur numérique d'un polynôme
en un point donné. L'arithmétique en précision nie sera également utilisée
dans la suite de ce cours.
CHAPITRE 2

Interpolation

2.1 Introduction
Considérons le relevé expérimental de la température d'une solution chimique
au cours du temps(en secondes). On consigne les résultats dans le tableau
suivant :

t 0 3 6 9
T = f (t) 28 27.4 26.8 25.2

Table 2.1  Relevé expérimental de la température en fonction du temps

Pour savoir si l'expérience a été eectuée dans de bonnes conditions, il faut

pouvoir comparer Ti à f (ti ). Parfois f n'est pas connue explicitement mais
f est connue à partir de données discrètes consignées dans une table. Il est
important de disposer de valeurs intermédiaires. L'approximation de f vue
comme une fonction, en utilisant les données expérimentales (ti , Ti ) s'impose
naturellement. Comment approcher le plus simplement possible une fonc-
tion ? On approche une fonction par un polynôme. Une première condition
naturelle à imposer au polynôme est qu'il coincide avec la fonction en des
points prescrits : c'est la démarche que l'on emprunte naturellement lorsque
l'on eectue un relevé de valeurs (par exemple, température au cours du
temps) et que l'on veut faire passer une courbe régulière par les points
expérimentaux. On dit qu'on fait de l'interpolation. Le problème d'interpo-
lation est posé de la manière suivante : A partir d'une fonction f connue
seulement en (n + 1) points de la forme (xi , f (xi )) pour i = 0, 1, 2, . . . , n,
peut-on construire une approximation P de f, et ce pour tout x.
Les points (xi , f (xi )) pour i = 0, 1, 2, . . . , n sont appelés points de collocation
ou points d'interpolation.
Ainsi, nous pouvons nous poser les questions suivantes :

11
12 CHAPITRE 2. INTERPOLATION

1. Le polynôme P est-il unique ?

2. Peut on disposer d'un code Scilab pour construire le polynôme P ?
3. Que dire de l'approximation P de f lorsqu'on augmente le nombre de
points d'interpolation ?
4. Quelle erreur commet on en remplaçant f par P ? En d'autres termes,
que peut-on dire de |f (x) − p(x)| ?
Dans la suite de ce cours, nous répondrons à ces diérentes questions.
Pour construire un polynôme, nous avons besoin d'une base. La manière
la plus simple de construire P est d'utiliser la base de Lagrange. On parle
dans ce cas d'interpolation de Lagrange.

2.2 Interpolation de Lagrange

Théorème
Soit (xi , yi )ni=0 , (n + 1) couples de réels tels que xi ̸= xj si i ̸= j alors il existe
un polynôme Pn et un seul de dégre ≤ n tel que Pn (xi ) = yi et on a
n
X
Pn (x) = yi Li (x)
i=0
avec n  
Y x − xj
Li (x) =
j=0,j̸=i
xi − xj
(Li )ni=0 est la base de Lagrange et Pn est dit polynôme d'interpolation de
Lagrange relatif aux données (xi , yi )ni=0 .
Si f est la fonction qui x 7−→ y = f (x), on dit que Pn est le polynôme
d'interpolation de la fonction f relativement aux (n + 1) n÷uds distincts
(x0 , · · · , xn )
Démonstration. n  
Y x − xj
Li (x) = ∈ Pn
x i − xj
j=0,j̸=i

avec Pn : est l'ensemble des polynômes de dégre inférieur ou égal à n.

Soit k ∈ {0, 1, · · · , n}.
n  
Y xk − xj
Li (xk ) =
xi − xj
j=0,j̸=i

1 si k = i

= = δik
0 si k ̸= i
2.2. INTERPOLATION DE LAGRANGE 13

n
X n
X n
X
P (x) = yi Li (x) =⇒ P (xk ) = yi Li (xk ) = yi δik = yk δkk = yk
i=0 i=0 i=0
n
X
donc P = yi Li est une solution du problème d'interpolation.
i=0
Unicité : Soit p, q ∈ Pn tel que p(xi ) = q(xi ) = yi avec p ̸= q alors
r = p − q ∈ Pn et r ̸= OPn
∀i ∈ {0, 1, · · · , n} , r(xi ) = p(xi )−q(xi ) = 0 =⇒ r admet n+1 zéros distincts.
Comme r ∈ R alors c'est absurde car d'après le théorème de d'Alembert :
tout polynòme de dégre ≤ n admet au plus n zéros dans C d'où p = q et on
a l'unicité.
Remarque p ∈ Pn ⇐⇒ ∃(a0 , a1 , · · · , an ) ∈ Rn+1 tel que :
n
X
p(x) = ai x i
i=0

Le problème d'interpolation de Lagrange se ramène à chercher

(a0 , a1 , · · · , an ) ∈ Rn+1 tel que
n
X
ai xik = yk ∀k ∈ {0, 1, · · · , n}
i=0

D'après le théorème, le système

n
X
ai xik = yk ∀k ∈ {0, 1, · · · , n}
i=0

admet une solution unique trouvée à travers le polynôme d'interpolation

n
X
P = y i Li .
i=0

Comme la dimension de Pn est n + 1 alors (Li )ni=0 constitue un système

générateur minimal, c'est-à-dire une base de Pn

Exercice 7. (Confère table 2.1) On utilisera dans cet exercice une arithmé-
tique arrondie à quatre chires.
1. Déterminer la base de Lagrange (Ls )3s=0 .
2. En déduire le polynôme d'interpolation de Lagrange P.
3. Déterminer la température à la date x = 4s.
14 CHAPITRE 2. INTERPOLATION

La méthode d'interpolation de Lagrange présente un inconvénient majeur.

En eet, si on souhaite passer d'un polynôme de degré n à un polynôme de
degré (n + 1) (en ajoutant un point de collocation), on doit reprendre tout le
processus à zéro. on ne peut d'aucune façon récupérer le polynôme de degré
n déjà calculé et le modier simplement pour obtenir le nouveau polynôme
de degré n+1. D'ou la nécessité d'utiliser une autre technique d'interpolation
appelée la méthode d'interpolation de Newton.

2.3 Interpolation de Newton

Soit f une fonction réelle dénie sur [a, b] (a ≤ b) x0 , x1 , x2 , · · · , xn
n + 1 points distints de [a, b]. On cherche pk pour k ∈ NI ∗ (k ≤ n). pk ∈
Pk polynôme d'interpolation de f aux points x0 , x1 , x2 , · · · , xk . On veut
construire le polynôme d'interpolation(ou l'interpolant) Pk de f par récur-
rence sur k .
k
Y
Pk+1 (x) = Pk + Ck+1 (x − xi )
i=0

Avec Ck+1 = f [x0 , x1 , x2 , · · · , xk , xk+1 ].

Ck+1 est appelé diérence divisée d'ordre k+1 aux points x0 , x1 , x2 , · · · , xk , xk+1 .
Pn interpolant f aux points x0 , x1 , x2 , · · · , xn sera donné par :
n
X k−1
Y
Pn (x) = f [x0 ] + f [x0 , x1 , x2 , · · · , xk ] (x − xi )
k=1 i=0

f [x0 , x1 , x2 , · · · , xk ] est le coecient de degré k dans Pk . f [x0 ] = f (x0 ) plus

généralement f [xi ] = f (xi ) on a f [x1 , x0 ] = f [x0 , x1 ] et

f [x1 ] − f [x0 ]
f [x0 , x1 ] =
x1 − x0
Théorème
f [xi1 , xi2 , xi3 , · · · , xik ] − f [xi0 , xi1 , xi2 , · · · , xik−1 ]
f [xi0 , xi1 , xi2 , · · · , xik ] =
xik − xi0
Les diérences divisées sont calculées en se servant de la table appélée table
des diérences divisées.
2.3. INTERPOLATION DE NEWTON 15

Figure 2.1  Table des diérences divisées d'ordre 3

Les calculs peuvent se faire en utilisant les méthodes de Newton progres-

sive et celle de Newton regressive.

2.3.1 Méthode progressive de Newton

P (x) = f [x0 ] + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 ) + · · ·

n−1
Y
+f [x0 , x1 , x2 , · · · , xn ] (x − xi ).
i=0

2.3.2 Méthode regressive de Newton

P (x) = f [xn ] + f [xn−1 , xn ](x − xn ) + f [xn−2 , xn−1 , xn ](x − xn−1 )(x − xn ) + · · ·

n
Y
+f [x0 , x1 , x2 , · · · , xn ] (x − xi ).
i=1

Exercice 8. (Confère table 2.1) On utilisera une arithmétique arrondie à

quatre chires.
1. Construire la table des diérences divisées.
2. Déterminer le polynôme d'interpolation en utilisant la méthode de
Newton regressive.
16 CHAPITRE 2. INTERPOLATION

3. Déterminer le polynôme d'interpolation en utilisant la méthode de

Newton progressive.
4. Déterminer la température à la date x = 4s.
//Ce code génère la table des différences divisées
//pour l'interpolation de Lagrange
//en donnant deux vecteurs unilignes X et Y=f(X)

function F=table(X,Y)
l=length(X)
m=length(Y)
if (l==m) then
dX=X(2:$)-X(1:$-1);
dY=Y(2:$)-Y(1:$-1);
F=[X;Y];

for i=1:l-1
f=dY./dX;
S=[f,zeros(1:i)];
F=[F;S];
dX=X(2+i:$)-X(1:$-i-1);
dY=S(2:$-i)-S(1:$-i-1);
end
else
F=[];
end

endfunction

X=[0 3 6 9]
Y=[28 27.4 26.8 25.2]
F=table(X,Y)
tablediffdiv=F'

L'interpolation permet à partir d'un certain nombre de données sur les

valeurs d'une fonction, de faire l'approximation de f en tout point x. Cette
méthode numérique entraîne une erreur d'interpolation qu'il convient d'étu-
dier.
f (x) = P (x) + E(x) où E est l'erreur d'interpolation.
Donc E(x) = f (x) − P (x).
2.3. INTERPOLATION DE NEWTON 17

Théorème 1. Soit x0 < x1 < x2 < · · · < xn , des points de collocation. On

suppose que la fonction f est dénie dans l'intervalle [x0 , xn ] et qu'elle est
(n + 1) fois dérivable dans [x0 , xn ]. Alors, pour tout x compris dans [x0 , xn ]
il existe cx appartenant à l'intervalle [α, β] tel que :
n
1 Y
E(x) = f (n+1) (cx ) (x − xi )
(n + 1)! i=0

Avec α = min{x0 , x1 , . . . , xn , x} et β = max{x0 , x1 , . . . , xn , x}

Exercice 9. (Confère table 2.1) Exprimer l'erreur d'interpolation pour ce
problème d'interpolation.
Remarque 1. 1. ∀i ∈ {0, . . . , n}, E(xi ) = 0. L'erreur d'interpolation
est nulle aux points d'interpolation (xi , f (xi )).
n
2. La fonction (x−xi ) est un polynôme de degré (n+1) et possède donc
Y

i=0
les (n + 1) racines réelles (xi , pour i ∈ {0, . . . , n}). Dans certaines
conditions, cette fonction peut osciller avec de fortes amplitudes, d'où
le risque de grandes erreurs d'interpolation. Cette propriété fait en
sorte qu'il est délicat d'eectuer des interpolations en utilisant des
polynômes de degré élevé .
3. Le polynôme d'interpolation P ne converge pas toujours vers la fonc-
tion f quel que soit le choix des points d'interpolation. Un contre
exemple célèbre a été proposé par le mathématicien allemand Runge.
On considère la fonction donnée par :
1
f (x) =
1 + 16x2
Pour des points d'interpolations régulièrement répartis, on observe
l'apparition d'oscillations importantes près de x = −1 et x = 1 lorsque
n augmente. Ce phénomène est connu sous le nom de phénomène de
Runge.
4.
n
1 (n+1)
Y
|f (x) − p(x)| ≤ max |f (t)| × (x − xi )
(n + 1)! t∈[a;b] i=0

n
1
Ainsi max |f (x) − p(x)| ≤
Y
max |f (n+1) (t)| × (x − xi )
t∈[a;b] (n + 1)! t∈[a;b] i=0
18 CHAPITRE 2. INTERPOLATION

n
Comment choisir (xi )ni=0 pour que max (x − xi ) soit minimale ?
Y
t∈[a;b]
i=0

t ∈ [−1; 1] 7−→ x(t) ∈ [a; b] telle que x(t) est linéaire, x(−1) = a
et x(1) = b.
t−1 −1 t+1 1
L1 (t) = = (t − 1); L2 (t) = = (t + 1)
−1 − 1 2 1+1 2

(b − a) a+b
donc x(t) = t+
2 2
n n  
b−a
(t − ti ) donc
Y Y
(x − xi ) =
i=0 i=0
2

n
! n
!!  
Y Y b−a
max (x − xi ) = max (t − ti )
x∈[a;b]
i=0
t∈[−1;1]
i=0
2
n
! n
!
Minimiser max revient à minimiser max
Y Y
(x − xi ) (t − ti )
x∈[a;b] t∈[−1;1]
i=0 i=0 !!
n
Le problème est de chercher t0 , . . . , tn ∈ [−1; 1] tels que
Y
max (t − ti )
t∈[−1;1]
i=0
admet une solution qui est l'ensemble des zéros du polynôme de
TCHEBYCHEV de dégré (n + 1)

2.3.3 Polynômes de TCHEBYCHEV

Dénition 1. On appelle polynômes de TCHEBYCHEV de dégré n, n ∈ N I,

la fonction réelle [−1; 1] ∋ x 7−→ Tn (x) où Tn (x) = cos(n arccos x)
Démonstration. Montrons que Tn est un polynôme de dégré n en raisonnant
par reccurence sur n.
pour n = 0, Tn (x) = cos(0 × arccos x) = cos(0) = 1, ∀x ∈ [−1; 1].
pour n = 1, Tn (x) = cos(arccos x) = x
Supposons que Tn est un polynôme de dégré n.

Tn+1 (x) = cos((n+1) arccos x) = cos(n arccos x) cos(arccosx)−sin(n arccos x)sin(arccos x)

Tn−1 (x) = cos((n−1) arccos x) = cos(n arccos x) cos(arccos x)+sin(n arccos x) sin(arccos x)
2.4. INTERPOLATION DE HERMITE 19

donc Tn+1 (x) + Tn−1 (x) = 2xTn (x).

Sachant que deg(Tn ) = n, on a deg(Tn+1 ) = n+1. Donc Tn+1 est un polynôme
de dégré n + 1.
π
Tn (x) = 0 ⇐⇒ cos(n arccos x) = 0 = cos( + kπ)
2
π
⇐⇒ n arccos x = + kπ
2
π kπ
⇐⇒ arccos x = +
 2n n
π kπ
⇐⇒ x = cos +
2n n

π kπ 1 k
0≤ + ≤ π ⇐⇒ 0 ≤ + ≤1
2n n 2n n
donc k ∈ {0, . . . , n − 1}

2.4 Interpolation de Hermite

Dans le but de construire des approximations polynomiales p plus précises
d'une fonction f donnée, on applique le principe d'interpolation, mais plus
seulement en faisant coincider les valeurs de f et de p en des réels xi : on
impose en outre que les dérivées de f et de p soient égales en ces points.

Dénition 2. Soit x0 , x1 , . . . , xk , (k + 1) points distincts de [a; b].

Soit α0 , α1 , . . . , αk ∈ N
I . Soit f une fonction dénie sur [a; b] telle que
k
∀i ∈ {0, . . . , k}, f est αi fois dérivable en xi . Soit n = k +
X
αi .
i=0
Alors il existe un unique polynôme de dégré n vériant :
p(j) xi = f (j) xi , ∀j ∈ {0, 1, . . . , αi }, ∀i ∈ {0, 1, . . . , k}

Remarque
Le système d'équations linéaires p(j) xi = f (j) xi , ∀j ∈ {0, 1, . . . , αi },
k
X
∀i ∈ {0, 1, . . . , k} contient (αi + 1) équations pour n + 1 inconnues.
i=0

f (j−1) (xi )
f [xi , . . . , xi ] =
| {z } (j − 1)!
j fois
20 CHAPITRE 2. INTERPOLATION

Exercice 10. Considérons la table suivante d'une fonction f :

x 0 1
f (x) −1 0
f ′ (x) −2 10
f ′′ (x) × 40

Nous dressons la table de diérence divisée correspondante comme suit :

x f (x) f [; ] f [; ; ] f [; ; ] f [; ; ; ]
0 −1

0 −1 −2
3
1 0 1 6
9 5
1 0 10 11
20
1 0 10
Déterminer le polynôme d'interpolation de Hermite P de la fonction f.
Exercice 11. L'observation d'un mobile est consignée sur la table suivante
où x désigne sa position sur une droite
t 0 3 5 8 13
x(t) 0 225 385 623 993
ẋ(t) 75 77 × 74 72
3 7 3
ẍ × − ×
5 5 5
Donner une estimation de la position du mobile, ainsi que sa vitesse à la
date t = 10.
Théorème 2. Soit x0 , x1 , . . . , xk , (k + 1) points distincts de [a; b].
k
Soit (α0 , α1 , . . . , αk ) ∈ N
X
I (k+1) . n = αi + k.
i=0
Soit f ∈ C n+1 [a; b] et P ∈ Pn , le polynôme de Hermite tel que
p(j) (xi ) = f (j) (xi ), ∀j ∈ {0, 1, . . . , αi }, ∀i ∈ {0, 1, . . . , k}
alors ∀x ∈ [a; b], ∃ξ ∈ [xmin ; xmax ]
k
1 Y
f (x) − p(x) = f (n+1) (ξ) (x − xi )
(n + 1)! i=0
2.5. INTERPOLATION PAR LES SPLINES 21

où 
xmin = min{x, x0 , . . . , xk }
xmax = max{x, x0 , . . . , xk }
Nous l'avons vu à travers les calculs menés plus haut, pour espérer ap-
procher précisément une fonction f par un polynôme d'interpolation p de f en
des points xi sur un intervalle I donné, il est nécessaire que le degré de p soit
élevé et cela d'autant plus que la longueur de I est grande. La construction
de p requiert alors un nombre important d'opérations, demande du temps
de calcul et, surtout, présente un risque de propagation d'erreurs numériques
pouvant aboutir in ne à un résultat de mauvaise qualité. A contrario, la
construction d'un polynme d'interpolation de petit degré, si elle fournit une
approximation peu précise, est peu coûteuse. La précision et le faible coût
(en termes de volume de calculs) de la construction d'un approximant sont
donc antagonistes. L'interpolation par morceaux peut se présenter comme
un compromis, elle permet de concilier faible coût de calcul et précision rai-
sonnable. Il s'agit de décomposer l'intervalle d'étude I en sous-intervalles de
petite taille et de construire sur chacun d'eux un polynôme d'interpolation
de faible degré.

2.5 Interpolation par les splines

Dénition 3. Soit [a; b] un intervalle non réduit à un point.
Soit a = x0 < x1 < · · · < xn = b une partition de [a; b]. Soit k ∈ N I ⋆ . Soit S
une fonction dénie sur [a; b].
On dit que S est une spline de degré k si :
1. S est (k − 1) fois continûment dérivable sur [a; b].
2. Si , la restriction de S à [xi ; xi+1 [ est un polynôme de degré k.
Exercice 12. On considère la fonction réelle S dénie par :
0.1x2 si x ∈ [0; 1[

S(x) =
9.3x2 − 18.4x + 9.2 si x ∈ [1; 1.3[
Vérier que S est une fonction spline de degré 2.
Exercice 13.
−x3 − 3x2 − x + 2 si x ∈ [−1; 0[

S(x) =
x3 − 3x2 − x + 2 si x ∈ [0; 1[
Vérier que S est une spline cubique.
Le problème d'interpolation par les splines de degré k, (k ≥ 1) des données
(xi , yi )ni=0 nécessite (k − 1) conditions supplémentaires.
22 CHAPITRE 2. INTERPOLATION

2.5.1 Interpolation d'une fonction spline de degré 1

Considérons la table d'une fonction f donnée par :
xi x0 x1 . . . xn
yi = f (xi ) y0 y1 . . . yn
Utiliser les splines de degré 1, c'est faire de l'interpolation de Lagrange par
morceaux pour deux points.
Exercice 14. Sachant que Si (xi ) = yi et Si (xi+1 ) = yi+1 , donner l'expression
de Si spline de degré 1 interpolant f.

2.5.2 Interpolation d'une fonction spline de degré 2

Exercice 15. Soit S une spline de degré 2 interpolant une fonction f donnée
par :
xi x0 x1 . . . xn
yi = f (xi ) y0 y1 . . . yn
1. Quand dit-on que S est une spline de degré 2?
2. Quand S est une spline de degré 2, quelle est le degré de la spline S ′ ?
3. Soit Mi = Si′ (xi ) et Mi+1 = Si′ (xi+1 ). Exprimer Si′ en fonction de Mi ,
Mi+1 , xi et xi+1 .
4. En déduire que :
Mi (x − xi+1 )2 Mi+1 (x − xi )2
Si (x) = + + A, A ∈ R.
2 xi − xi+1 2 xi+1 − xi
5. Sachant que Si (xi ) = yi , exprimer A en fonction de yi , Mi , xi et xi+1 .
6. En déduire Si (x).
7. Sachant que Si (xi+1 ) = yi+1 , exprimer Mi+1 + Mi en fonction de
yi , yi+1 , xi et xi+1 .
Remarque 2.
2(yi+1 − yi )
Mi+1 + Mi = , ∀i = 0, . . . , n − 1
xi+1 − xi
On a n équations pour (n + 1) inconnues. Il sut de donner une équation
supplémentaire. Par exemple, en donnant M0 = α, on déduit que :

 M0 = α
2(yi+1 − yi )
 Mi+1 = − Mi , ∀i
xi+1 − xi
2.5. INTERPOLATION PAR LES SPLINES 23

Exercice 16. Soit une fonction f donnée par f ′ (0) = 1 et par le tableau
suivant :
x 0 0.5 0.75 1
y 0 4 − 34 −2

Déterminer une spline S de degré 2 interpolant f tel que S ′ (0) = f ′ (0).

On utilisera une arithmétique tronquée à trois chires.
Exercice 17. Considérons la table suivante d'une fonction f :
x 2 3 4
y 0 1 4
Déterminer une spline S de degré 2, interpolant f et vériant la condition
S (2) = 3. On utilisera une arithmétique décimale arrondie à 4 chires.
′

2.5.3 Interpolation d'une fonction spline de degré 3

Exercice 18. Soit S une spline de degré 3 interpolant une fonction f donnée
par :
xi x0 x1 . . . xn
yi = f (xi ) y0 y1 . . . yn

On posera xi+1 − xi = h
1. Quand dit-on que S est une spline de degré 3?
2. Quand S est une spline de degré 3, quelle est le degré de la spline S ′′ ?
3. Soit Mi = Si′′ (xi ) et Mi+1 = Si′′ (xi+1 ). Exprimer Si′′ en fonction de
Mi , Mi+1 , et h.
4. En déduire que :
Mi Mi+1
Si′ (x) = − (x − xi+1 )2 + (x − xi )2 + A.
2h 2h

Mi Mi+1
Si (x) = − (x − xi+1 )3 + (x − xi )3 + A(x − xi ) + B.
6h 6h
5. Sachant que Si (xi ) = yi , déterminer B.
6. Sachant que Si (xi+1 ) = yi+1 , déterminer A.
7. En déduire la nouvelle expression de Si (x).
8. Sachant que Si′ (xi ) = Si−1
′
(xi ), montrer que :
1 1
(Mi+1 + 4Mi + Mi−1 ) = 2 (yi+1 − 2yi + yi−1 ), ∀i = 1, . . . , n − 1.
6 h
24 CHAPITRE 2. INTERPOLATION

9. Combiens d'équations et combiens d'inconnues avons nous ?

10. Combiens d'informations supplémentaires devons nous ajouter pour
obtenir un système de (n + 1) équations à (n + 1) inconnues ?
Application
Soit une table donnée par :
x 0 1 2
y 2 −3 5
On veut déterminer un interpolant par spline cubique vériant les
conditions S ′′ (0) = 3 et S ′′ (2) = 4.
11. Déterminer M0 et M2 puis en déduire M1 .
12. Déterminer S sur chacun des intervalles.

2.6 Conclusion
A la n de ce cours, nous retenons que nous avons abordé plusieurs tech-
niques d'interpolation d'une fonction :
1. L'interpolation de Lagrange.
2. L'interpolation de Newton qui utilise les diérences divisées.
3. L'interpolation de Hermite.
4. L'interpolation par les splines de degré 1, de degré 2 et de degré 3.
L'interpolation de Newton est une technique qui sera utilisée dans le
cours de schémas numériques pour les équations diérentielles ordinaires an
de construire des méthodes numériques de résolutions des équations diéren-
tielles.
CHAPITRE 3

Systèmes linéaires

3.1 Introduction
Les systèmes d'équations jouent un rôle très important en ingénierie. On
peut classer ces systèmes en deux grandes familles : les systèmes linéaires et
les systèmes non linéaires. Ici encore, les progrès de l'informatique et de l'ana-
lyse numérique permettent d'aborder des problèmes de taille prodigieuse. On
résout couramment aujourd'hui des systèmes de plusieurs centaines de mil-
liers d'inconnues. On rencontre ces applications par exemple en mécanique
des uides. On peut par exemple calculer l'écoulement de l'air autour d'un
avion. On peut également analyser la résistance de la carlingue d'un avion
à diérentes contraintes extérieures et en vérier numériquement la solidité.
Ces calculs complexes requièrent l'utilisation de méthodes numériques. On
obtient généralement des systèmes d'équations de taille considérable, qu'on
doit résoudre. Dans ce chapitre, nous allons nous pencher sur les principales
méthodes de résolution des systèmes linéaires, à savoir la méthode d'élimi-
nation naïve de Gauss, la décomposition LU et la méthode de Gauss avec
stratégie de pivot partiel pondéré.

3.2 Méthodes directes

Une méthode numérique de résolution des systèmes linéaires est dite di-
recte si par un nombre ni d'opérations arithmétiques, on parvient à calculer
la solution du problème.
Soit AX = B un système d'équations linéaires (S) à résoudre avec A ∈
Mn (R)

25
26 CHAPITRE 3. SYSTÈMES LINÉAIRES

 
a11 a12 ... a1n

 a21 a22 ... a2n 

A=
 a31 a32 ... a3n 
.. .. ..

. . .
 
 ... 
an1 an2 . . . ann

   
b1 x1
 b2   x2 
   
B =  b3  et X =  x3 
   
 ..   .. 
. .
bn xn

3.2.1 La méthode d'élimination naïve de Gauss et la

factorisation LU

La méthode d'élimination naïve de Gauss est une méthode de résolution

des systèmes d'équations linéaires vue en classe de première C et D.
Pour utiliser la méthode naïve de Gauss, on suppose que a11 ̸= 0.



 E1




E2 ← E2 + λ21 E1








E3 ← E3 + λ31 E1


(S) ⇐⇒
.. .. .. .. ..


. . . . .












 En ← En + λn1 E1


ai1
Avec λi1 = − , 2 ≤ i ≤ n.
a11
A l'étape 2, on suppose que a22 ̸= 0.
3.2. MÉTHODES DIRECTES 27



 E1




E2








E3 ← E3 + λ32 E2






(S) ⇐⇒ E4 ← E4 + λ42 E2




.. .. .. .. ..


. . . . .












 En ← En + λn2 E2


ai2
Avec λi2 = − , 3 ≤ i ≤ n.
a22
Ce processus est répété jusqu'à l'étape (n − 1).
La factorisation LU consiste à transformer A sous la forme A = LU où
L est une matrice triangulaire inférieure et U est une matrice triangulaire
supérieure. L se met sous la forme :
 
1 0 0 ... 0

 −λ21 1 0 ... 0 

L=
 −λ31 −λ32 1 ... 0 
.. .. ..

. . .
 
 ... 
−λn1 −λn2 −λn3 ... 1
U est la matrice triangulaire supérieure obtenue en utilisant la méthode naïve
de Gauss. La factorisation LU est possible toutes les fois qu'on utilise la
méthode naïve de Gauss.

AX = B ⇐⇒ LU X = B.


LY = B
AX = B ⇐⇒
UX = Y
Par exemple, lorsque AX = B où A ∈ M3 (R),
   
b1 x1
B = b2  et X = x2 
b3 x3
28 CHAPITRE 3. SYSTÈMES LINÉAIRES

On obtient  
1 0 0
L =  −λ21 1 0 
−λ31 −λ32 1
Exercice 19. On veut résoudre AX = B où
 
1 2 1
A=  2 3 3 ,
−1 −3 1
   
1 x1
B = 3 et
 X = x2 

1 x3
1. Déterminer la factorisation LU de A.
2. En déduire la solution X du système AX = B.
Exercice 20. Résoudre les systèmes (S1 ) et (S2 ) en utilisant une arithmé-
tique tronquée à 3 chires.

 0.001x + y = 1.001
(S1 )
2x + y = 3


 2x + y = 3
(S2 )
0.001x + y = 1.001


3.2.2 Méthode de pivot partiel pondéré

Pour résoudre un système linéaire de n équations à n inconnues en utili-

sant la méthode de pivot partiel pondéré, on peut procéder comme suit :
|ai1 |
A la première étape, on calcule Si = , 1 ≤ i ≤ n.
max |aij |
1≤j≤n
S'il existe k > 1 tel que Sk = max Si et Sk > S1 , on permute les équations E1
1≤i≤n
et Ek . Par la suite, on obtient le nouveau E1 . ∀i > 1, on obtient le nouveau
E1 .
ai1
Ei ← Ei − E1 .
a11
Dans le cas contraire, on ne permute pas les lignes.
|ai2 |
A l'étape 2, on calcule Si = , i ≥ 2.
max |aij |
j≥2
3.3. CONCLUSION 29

S'il existe k ≥ 2 tel que Sk = max Si et Sk > S2 , on permute les équations

i≥2
E2 et Ek . Par la suite, on obtient le nouveau E2 .
ai2
∀i > 2, Ei ← Ei − E2 .
a22
Dans le cas contraire, on ne permute pas les lignes.
A l'étape k , on procède de manière analogue.

Remarque 3. Lorsqu'on a un système linéaire à n équations et n inconnues,

on applique la méthode de Gauss avec stratégie de pivot partiel pondéré en
(n − 1) étapes.

Exercice 21. Résoudre dans R3 le système suivant par la méthode de Gauss

avec stratégie de pivot partiel pondéré

 3.064355x − 12.142356y + 14.045294z = −119.00004
−3.000923x + 12.234y − 7.000923z = 120.04567
6.304897x − 14.009823y + 21.00034z = −133.06789


On utilisera une arithmétique décimale tronquée à quatre chires.

3.3 Conclusion
Ce chapitre a abordé certaines techniques de base pour la résolution des
systèmes linéaires. Il s'agit de la méthode d'élimination naïve de Gauss, la
décomposition LU et la méthode de Gauss avec stratégie de pivot partiel
pondéré. Pour l'étudiant désireux d'approfondir ses connaissances sur les
systèmes linéaires, il pourra faire des recherches sur les méthodes itératives
qui sont des techniques utiles pour résoudre des systèmes de la forme AX =
B, lorsque A n'est pas inversible.
30 CHAPITRE 3. SYSTÈMES LINÉAIRES
CHAPITRE 4

Formules de Taylor

4.1 Introduction
La formule de Taylor est utilisée en analyse numérique. Nous l'utiliserons
surtout dans la deuxième partie de notre cours, intitulée schémas numériques
pour les Equations Diérentielles Ordinaires(EDO). Il est donc important
d'en parler.
Ce chapitre aborde les diérentes variantes de la formule de Taylor :
1. La formule de Taylor avec reste intégrale.
2. La formule de Taylor avec reste de Young.
3. La formule de Taylor avec reste de Lagrange.

4.2 Formule de Taylor avec reste intégrale

Théorème 3. Soit I un intervalle ouvert non vide. Soit f ∈ C m (I), x0 ∈ I.
∀x ∈ I, on a :
m−1 x
(x − x0 )i (i)
Z
X 1
f (x) = f (x0 ) + f (m) (t)(x − t)m−1 dt
i=0
i! (m − 1)! x0

4.3 Formule de Taylor avec reste de Young

Théorème 4. Soit f ∈ C m (I), alors pour tout x ̸= y ∈ I, on a :
m−1
X (y − x)k (k)
f (y) = f (x) + O((y − x)m )
k=0
k!
Théorème 5. Soit f ∈ C (I), alors pour tout x ̸= y ∈ I, on a :
m

m
X (y − x)k
f (y) = f (k) (x) + o((y − x)m )
k=0
k!

31
32 CHAPITRE 4. FORMULES DE TAYLOR

4.4 Formule de Taylor avec reste de Lagrange

Théorème 6. Soit f ∈ C m (I) à valeur réelle, alors pour tout x ̸= y ∈ I , il
existe c ∈]x; y[ tel que :
m−1
X (y − x)k (k) (y − x)m (m)
f (y) = f (x) + f (c)
k=0
k! m!

4.5 Conclusion
Nous avons passé en revue les diérentes variantes de la formule de Taylor.
En raison de leur importance, il était nécessaire de les aborder. Dans la
deuxième partie du cours intitulée schémas numériques pour les équations
diérentielles ordinaires, nous utiliserons la formule de Taylor avec reste de
Young.
Conclusion générale

Ce cours de méthodes numériques est la première partie du cours d'ana-

lyse numérique en licence. Nous abordons des outils de base à savoir l'arith-
métique en précision nie, la formule de Taylor avec reste de Young et l'in-
terpolation de Newton. Ces outils seront tous utilisés pour la construction
des schémas numériques de résolutions des équations diérentielles. Il est
donc absolument indispensable pour l'étudiant de licence mathématiques de
s'approprier ces notions de base.
Par ailleurs, la bonne maîtrise des connaissances théoriques est un atout
pour faire de la simulation numérique. Ces connaissances mathématiques
seront très utiles pour les étudiants désireux après leur licence de faire une
formation de master en analyse numérique.

33
34 CHAPITRE 4. FORMULES DE TAYLOR
Bibliographie

[1] Aurélien GOUDJO, cours d'interpolation et systèmes linéaires, Univer-

sité d'abomey calavi, 2017.
[2] Pierre Baumann, cours d'histoire des maths, UFR de mathématique et
d'informatique, Université Louis Pasteur, 2005.
[3] Jean-Paul Chehab, cours d'interpolation polynomiale, Université de Pi-
cardie Jules Vernes, 02 février 2014.
[4] André Fortin, Analyse numérique pour ingénieurs, ÉDITIONS DE
L'ÉCOLE POLYTECHNIQUE DE MONTRÉAL, 1994.

35