UNIVERSITE ABDELMALEK ESSADI

FACULTE DES SCIENCES DE TETOUAN

MASTER MECATRONIQUE

Module MO1: Mthodes numriques et probabilits

2008-2009
Abdellatif Khamlichi
0

UNIVERSITE ABDELMALEK ESSADI

FACULTE DES SCIENCES DE TETOUAN

MASTER GENIE ENERGETIQUE ET

ENVIRONNEMENT

Module M7: Mthodes numriques et optimisation

Elment : Mthodes numriques

2008-2009
Abdellatif Khamlichi
1

Sommaire

Chapitre1:
Les concepts rattachs au calcul numrique...................................................................4
Chapitre 2:
Rsolution numrique des quations non linaires.........................................................14
Chapitre 3:
Interpolation et approximation........................................................................................22
Chapitre 4:
Rsolution numrique des systmes d'quations linaires............................................34
Chapitre 5:
Mthodes de calcul numrique des valeurs propres et des vecteurs propres...............45
Chapitre 6:
Programmation linaire....................................................................................................50
Chapitre 7:
Equations diffrentielles aux drives partielles.............................................................54

Bibliographie

D. M. Young, R. T. Gregory "A survey of numerical mathematics", Volume I,

Dover Publications, New York, 1988.

D. M. Young, R. T. Gregory "A survey of numerical mathematics", Volume II,

Dover Publications, New York, 1988.

P. G. Ciarlet " Introduction l'analyse numrique matricielle et

l'optimisation", Dunod, Paris, 1998.

P. G. Ciarlet, B. Miara, J. M. Thomas "Exercices d'analyse numrique

matricielle et d'optimisation avec solutions", 2ime dition, Masson, Paris, 1986.

A. Magnus "Analyse numrique 1a et 2", Cours Universit Catholique de

Louvain, 2005.

[6]

M. Crouzeix, A.L. Mignot "Analyse numrique des quations diffrentielles",

Masson, Paris, 1984.

[7]

M. Minoux "Programmation mathmatique: thorie et algorithmes - Tome 1",

CNET-ENST, Collection Technique et Scientifique des Tlcommunications,
Dunod, paris, 1983.

[8]

J.C. Strikwerda "Finite difference schemes and partial differential equations",

Wadsworth & Brooks/ Cole, Mathematics Series, California 1989.

CHAPITRE 1:
Les concepts rattachs au calcul numrique

1. Introduction
L'objet de l'analyse numrique est l'application des mathmatiques afin de dvelopper des
algorithmes et des mthodes capables de construire des solutions numriques aux diffrents
problmes rencontrs dans la pratique.
Trs souvent les thormes d'existence permettent d'tablir que certaines classes de problmes
admettent des solutions mais ne donnent aucune information concernant comment calculer
effectivement la solution.
Dans d'autres cas des solutions analytiques existent mais ne peuvent pas tre utilises telles
qu'elles sont pour obtenir des rsultats numriques.
Voici quelques exemples:
n

(1) comment rsoudre le systme linaire

a x
j1

ij

bi

i 1, 2,L n , o les a ij et b i sont des

rels donns?
(2)

comment

valuer

e 746 ?

(Matlab

donne

par

exemple

exp( 746) 0 et

exp(745) 4.9407 10-324 )

(3) comment rsoudre automatiquement l'quation du second degr ax 2 bx c 0 ?

2. Prcision numrique d'un algorithme
L'un des problmes majeurs auxquels le numricien est confront est le contrle de la
prcision des rsultats des calculs effectus. Il convient pour cela d'utiliser des algorithmes
numriques fiables et conomiques.
Le numricien ne peut pas ignorer l'aspect mathmatique qui recouvre le choix d'un
algorithme numrique afin de rsoudre un problme donn.
Considrons titre d'exemple le problme de l'valuation de la fonction f (x) tan x sin x
en x 0.1250 . Supposons que nous souhaitions obtenir un rsultat 4 chiffres significatifs,
ce qui signifie une prcision relative de 1/10000 . Deux mthodes aux moins peuvent tre
envisages.

Mthode 1: Nous effectuons les calculs intermdiaires en retenant 4 chiffres significatifs;

tan(0.1250) 0.1257 , sin(0.1250) 0.1247 ; par soustraction il vient f (x) 0.0010 qui est
un rsultat deux chiffres significatifs; une perte de prcision est constate.
Mthode 2: Nous dveloppons tan x et sin x en srie de Taylor. On obtient ainsi
1
2
17 7
1
1 5
1
tan x x x 3 x 5
x L et sin x x x 3
x
x 7 L ; d'o
3
15
315
6
120
5040
f (x)

1 3 1 5 13 7
x x
x L ; si nous utilisons cette formulation tronque aux trois
2
8
240

premiers termes, on obtient f (0.1250) 0.0009804 et le rsultat est prcis 4 chiffres

significatifs.
L'exemple prcdent montre qu'il est ncessaire d'envisager une reformulation mathmatique
adquate du problme afin de sauvegarder la prcision des rsultats. Autrement, des pertes de
prcision accompagneront le rsultat de tout calcul o interviennent par exemple des
soustractions.
Lorsqu'un algorithme est appliqu en pratique, il y a des considrations qui doivent tre prises
en compte et qui dpassent le cadre mathmatique ordinaire. Ces considrations
supplmentaires sont ncessaires cause du fait que les oprations de calcul sont effectues
sur un calculateur numrique automatique (ordinateur). Ce qui signifie que notre univers
mathmatique est constitu seulement d'un sous ensemble fini de l'ensemble des nombres
rationnels Q . Cet ensemble est appel espace des nombres reprsents par la machine. Il a
plein de dfauts: il ne contient pas par exemple la fraction 1/ 3 et il est instable vis vis des
oprations arithmtiques.
Les nombres pouvant tre pris en compte effectivement forment l'ensemble largi des
nombres dits reprsentables sur la machine en considrant des approximations de ces derniers
par les nombres reprsents. Il s'ensuit alors des erreurs d'arrondis. Par ailleurs, les oprations
ne sont pas effectues en gnral de manire exacte et d'autres erreurs d'arrondis affectent les
rsultats de calcul. Par consquent les proprits habituelles algbriques telles que par
exemple la commutativit et l'associativit ne peuvent plus tre garanties de sorte que les
relations suivantes a(b / c) b(a / c) (ab) / c ne peuvent pas toujours avoir lieu.

3. Instabilits numriques et problmes mal conditionns

Il faut distinguer entre les difficults propres associes la rsolution d'un problme donn et
les difficults qui sont lies l'algorithme numrique utilis pour calculer numriquement une
solution de ce problme.
Considrons le problme de rsolution du systme algbrique linaire suivant o 0 1

2
2x 3 y 2

x 1 y 1

3
Supposons que 1010 . Le calcul analytique nous conduit l'unique solution: x 1 et y 0
. Si la perturbation est nulle, on obtient une infinit de solutions: x 1 k / 3 et y k . Ce
qu'il faut remarquer ici c'est qu'une petite perturbation 1010 affectant un seul coefficient
du systme est capable de modifier de manire considrable la nature du rsultat. C'est une
proprit mathmatique du systme qui ne dpend pas de l'algorithme utilis pour le rsoudre.
Si un problme est tel qu'une petite perturbation dans les donnes ne produise qu'une petite
perturbation au niveau de la solution mathmatique, le problme est bien conditionn. Si au
contraire une petite perturbation au niveau des donnes produit une grande perturbation au
niveau du rsultat, le problme est mal conditionn.
Cette notion de conditionnement du problme mathmatique peut tre transcrite aux
algorithmes numriques qui sont envisags pour le rsoudre. Nous disons ainsi qu'un
algorithme numrique est stable si la solution obtenue en utilisant cet algorithme est proche,
en uns sens prciser (choix d'une norme), de la solution exacte du problme perturb.
Supposons que le symbole D dsigne les donnes et que F reprsente une fonction
mathmatique qui permet d'obtenir la solution exacte. F(D) est le processus mathmatique qui
permet de rsoudre le problme. Si les donnes sont perturbes, on se retrouve avec D* et le
processus de rsolution conduit la solution F(D* ) du problme perturb. Le problme est
bien conditionn si D* proche de D entrane F(D* ) proche de F(D).
Soit F* un algorithme numrique permettant de rsoudre le problme de manire approche.
Alors par dfinition F* est un algorithme stable s'il existe une perturbation D* de D telle que
F* (D) soit proche de F(D* ) .

Remarque
On peut trouver dans la pratique les quatre situations suivantes:
- problme mal conditionn et algorithme numrique stable; dans cette situation tout ce qu'on
peut faire c'est tudier la sensibilit du problme (Chaos par exemple);
- problme mal conditionn et algorithme numrique instable; dans ce cas l'outil numrique
ne peut servir rien;
- problme bien conditionn et algorithme numrique stable; c'est la situation idale;
- problme bien conditionn et algorithme numrique instable; c'est le cas o le numricien
doit travailler davantage.
4. Problmes types qui intressent le numricien
Tout d'abord un numricien est un mathmaticien qui dveloppe, analyse et value des
algorithmes numriques destins obtenir des solutions numriques approches aux
problmes mathmatiques. Beaucoup de ces problmes apparaissent dans le domaine de la
physique et de l'ingnierie.
Le numricien est souvent conduit dvelopper de nouveaux rsultats mathmatiques et les
adapter afin de les utiliser de manire effective dans le cadre de la programmation sur
ordinateur. L'valuation des algorithmes est conduite par des approches mathmatiques et fait
appel aussi des essais numriques (par exemple valuation de la dure de calcul).
L'valuation des algorithmes est souvent effectue par rsolution de problmes tests sur
ordinateur.
Parmi les problmes types que recouvre le domaine de l'analyse numrique, on peut citer les
exemples suivants:
(1) valuation des fonctions f (x)

tan x sin x
1 x3

(2) rsolution d'quation ln x 2 x 0 ;

(3) interpolation d'une fonction; f(x) est dfinie par exemple pour x 0, 0.1,L 1 , trouver une
approximation par exemple de f (0.175) ;
(4) problme de drivation numrique;
(5) problme d'intgration numrique;
dy
x y 2 , y(0) 1 , x 0, 2 ;
dx

(6) quation diffrentielle aux valeurs initiales

(7) rsolution des systmes linaires AX B o A et B sont donns;

(8) problme aux valeurs propres AX X o A est donn et est un scalaire;
7

(9) quation diffrentielle aux drive partielles, problme aux limites tel que l'quation de
2u 2u
2 0 dans 1,1 1, 2 avec u(x, y) sin( x) y3 sur la frontire
Laplace
2
x
y
.

5. Mthodes itratives
Par opposition aux mthodes directes qui permettent de construire une approximation la
solution en une seule tape, les mthodes dites itratives permettent de construire une suite
d'approximations qui tendent s'amliorer au fur et mesure que l'on augmente le nombre des
itrations. Ces mthodes sont souvent simples et efficaces. Elles exigent en principe un
nombre infini d'tapes afin de converger mais elles ne sont utilises dans la pratique que
lorsqu'elles assurent une convergence rapide vers la solution.
Les mthodes itratives sont souvent utilises pour rsoudre des quations de la forme
f (x) 0 o f est une fonction non linaire de x. On initialise la solution en choisissant x 0 et
on calcule les approximations successives jusqu' l'ordre n: x1 , ..., x n , l'aide d'un
algorithme dont la forme gnrale est x i 1 (x i ) , i 0,1,...
Le rle du numricien qui travaille dans le domaine des mthodes itratives est d'tudier la
convergence, de dterminer le taux de convergence et d'tablir des critres afin de dire quand
est-ce qu'il faut s'arrter d'itrer pour obtenir une approximation suffisante de la solution.
En tant qu'exemple, considrons le problme de l'extraction de la racine carre d'un rel
N 0 . L'algorithme (habituel) tant dcrit par les deux relations

1 N
2
1
N
x i 1 x i
2
x i

x0

i 0,1, 2...

- Convergence:
L'algorithme prcdent converge, en effet: x i N par rcurrence; la suite (x i ) est minore; la
suite (x i ) est dcroissante; donc elle converge vers une limite l N 0 . Mais par passage
la limite dans les deux membres de l'quation itrative, il vient que l N .

- Taux de convergence:
6i
On tablit pour 1/ 2 N 1 que x i N 2 . Ainsi pour atteindre la prcision sur le

rsultat, il faut au minimum un nombre total d'itration gal ln(1/ 6 ) et on peut constater
que la convergence est rapide.
6. L'origine des arrondis numriques
6.1 Arrondis dus au mode de reprsentation des nombres
Les ordinateurs utilisent la reprsentation des rels sous forme binaire discrte. Le mode le
plus utilis s'appelle reprsentation en virgule flottante (floating-point). Il s'ensuit que le
nombre de reprsentations possibles est fini (mme s'il est en gnral grand). Donc tous les
rels ne sont pas reprsents et lorsqu'ils sont reprsentables, ils le sont avec des erreurs
d'arrondis (exemple 1/3). Ce genre d'erreurs se trouvent en bas de l'chelle des erreurs qui
accompagnent tout calcul numrique. Elles sont lies directement la technologie de la
machine, sa capacit et au mode de reprsentation ainsi qu'au nombre de digits retenus dans
cette reprsentation.
Pour fixer les ides, nous considrons la reprsentation en base binaire des rels x non nuls
sous la forme suivante x a.2b o a et b sont des entiers crits en base binaire. La
reprsentation de 0 est obtenue avec a b 0 . Cette reprsentation est analogue l'criture
d'un rel avec des puissances de 10.
Si nous considrons le cas de la machine (fictive) appele C muni de la reprsentation en
virgule flottante pour laquelle 48 digits sont retenus pour a, 10 digits pour b et deux autres
digits pour les signes de a et de b (nous utilisons donc au total 48 10 2 60 digits), les
reprsentations binaires de a et b sont:
a s1a 47 .....a1a 0

s1 0 si a 0 et s1 1 si a 0

b s 2 b9 .....b1b 0

s 2 1 si b 0 et s 2 0 si b 0

a 47 .....a1a 0 s'appelle la mantisse et s1s 2 b9 .....b1b 0 s'appelle l'exposant.

Le mot de longueur gale 60 qui reprsente x s'crit:

s1s 2 b9 .....b1b 0 a 47 .....a1a 0
14 2 43 14 2 43
10 bits

48 bits

Pour obtenir (-a) on excute la rgle du complmentaire (on remplace 1 par zro et zro par
1). Afin que la reprsentation soit unique, on convient de normaliser de la faon suivante:
x 0 a 47 1 et x 0 a 47 0 .
Si x 0 , 247 a 248 1 et 1023 b 1023 ( 1023 210 1 ). Donc le nombre possible de
reprsentations

normalises

en

mode

virgule

flottante

correspond

21023.247 x 21023 (248 1) . Le domaine couvert, en base dcimale, par cette reprsentation
implante dans la machine C est inclut dans lintervalle [10294 ,10322 ] et de manire
symtrique pour les rels ngatifs.
A titre d'exemple explicitons les reprsentations normalises en mode virgule flottante de 10
et 1/10 sur la machine C.
Appelons B (x) la reprsentation de x en base B. Ainsi 10 10 (10) . Pour trouver 2 (10) on
applique l'algorithme de conversion qui consiste en de simples divisions successives par 2 o
l'on s'arrte lorsque le reste est soit 1 soit 0. La collection des restes prise l'envers constitue
la reprsentation en base binaire associe la reprsentation dcimale. On trouve alors
2 (10) 1010 . La reprsentation en virgule flottante s'en dduit et on obtient:
44
x 101000...0
1 4 2 43 2
48 bits

. Sachant que 2 (44) 01111010011 , le mot qui reprsente 10 s'crit:

00111101001110100....0
1 4 2 4 3 14 2 43 . On en dduit immdiatement la reprsentation de (-10) en utilisant
10 bits
48 bits
la rgle du complmentaire sous la forme:

110000101100
1 44 2 4 43 01011....1
14 2 43 . La reprsentation
10 bits
48 bits

binaire de 2 (1/10) est infinie et priodique. Pour la trouver il suffit de pratiquer la division
en binaire de 1 par 1010. On trouve alors: 2 (1/10) 0.0001100110011001100... Des arrondis
numriques sont ncessaires afin de se contenter de la reprsentation de 2 (1/10) et on crit

10

51
2 (1/10) 11001100....12
1 44 2 4 43
48 bits

. Comme 2 (51) 0111001100 , le mot qui reprsente 1/10 est:

0011110011001100110011....1
1 4 2 4 3 1 4 4 2 4 43 .
10 bits

48 bits

Remarquons prsent que les nombres que l'on peut reprsenter de manire exacte par des
mots de longueur fixe et que l'on peut stocker donc dans la mmoire d'un ordinateur forment
un sous ensemble fini de l'ensemble des rationnels Q . Nous appelons cet ensemble les
reprsentations offertes par la machine ou tout simplement l'ensemble des nombres
reprsents a priori sur la machine. Si nous voulons reprsenter un nombre qui n'est pas une
reprsentation offerte nous devons considrer son approximation par une reprsentation
offerte. On dmontre que pour tout x appartenant au domaine couvert par la reprsentation, il
existe une unique reprsentation offerte a.2b telle que: x (a ).2b

0 1 . La

reprsentation adopte dans ce cas pour x est x a.2b . L'erreur relative commise (arrondi) est
(a.2b x) / x . Elle est telle que 248 . Tout le monde a compris que pour la rduire
davantage, il faut tendre davantage la mantisse et donc utiliser une machine de plus grande
capacit.
6.2 Arrondis dus aux oprations arithmtiques lmentaires
On analyse ici seulement l'opration d'addition telle qu'elle peut tre ralise avec un
ordinateur adoptant le mode de reprsentation en virgule flottante. Les autres oprations
b
lmentaires peuvent tre traites de manire identique. Soient deux nombres: x1 a1.2 1 et

x 2 a 2 .2b2 avec 247 a i 248 1 et bi 210 1 . Le rsultat de l'addition peut ne pas

appartenir au domaine couvert par la reprsentation. Dans ce cas on a un "dpassement" par le
haut ou par le bas (overflow ou underlow). Pour que le rsultat de l'addition soit reprsentable,
279
279
il suffit que x1 et x 2 soient dans l'intervalle 10 ,10 . Pour montrer comment laddition

est effectue par lordinateur supposons dabord que b 2 b1 , alors on peut crire:
x1 x 2 (a1 a 2 2 (b1 b2 ) ).2b1 a S .2b1 avec a S a1 a 2 .2 (b1 b2 ) . L'opration d'addition suit les
tapes suivantes:
- on place a 2 dans la moiti suprieure dun accumulateur longueur double;
- a 2 est ensuite dcal de ( b1 b 2 ) vers la droite;

11

- a1 qui est plac dans la moiti infrieure, puis additionn avec la moiti suprieure pour
former a S ;
- le rsultat est normalis en prvision de futures utilisations;
Le rsultat ainsi obtenu est un mot double et il faut l'arrondir ce qui saccompagne derreurs
darrondis.
L'addition utilise une table binaire stocke dans la mmoire de l'ordinateur
+
0
1

0
0
1

1
1
10

Le rsultat de l'addition est sujet un arrondi numrique systmatique. Si l'on note

(x1 x 2 ) machine l'opration d'addition effectue par la machine (rsultat de l'algorithme
48
prcdent), on a: (x1 x 2 ) machine (x1 x 2 )(1 S ) avec S 2 . L'erreur absolue peut tre
47
1
48
importante comme par exemple si x1 2 et x 2 2 (2 1) .

En tant qu'exemple de l'effet des arrondis sur le rsultat considrons l'valuation de

2
l'expression suivante P(x) a 0 x a1x a 2 . La procdure de calcul optimale est celle qui

consiste procder de manire rcursive:

z 0 a 0 , z1 xz 0 a1 , z 2 xz1 a 2
2

La borne suprieure des arrondis est donne dans ce cas par: (4 a 0 x 3 a1 x a 2 ) avec
248 .
6.3 Les arrondis dus aux troncatures des fonctions lmentaires
Vu les arrondis prcdents, il convient toujours dessayer dobtenir les fonctions lmentaires
avec un minimum d'oprations. On cherchera approcher souvent la fonction par un
polynme ou une fraction rationnelle.
Ainsi pour valuer la fonction arct an x , on peut utiliser la srie de Taylor-Maclaurin:
atan x x

x3 x5 x7
... Il faudra peu prs une dizaine de termes pour arriver une
3 5 7

12

erreur 108 sur 1,1 . D'autres formules plus conomiques existent: on se ramne d'abord
l'intervalle

tan( /12), tan( /12)

avec

tan( /12) 2 3 .

Puis

on

considre

0.55913709

2
l'approximation atan x x 0.6031579 0.05160454x 2
. Le rsultat obtenu
x 1.4087812

prsente une erreur 108 mais ncessite moins de termes qu'avec Taylor.
7. Exercices
(1.1) Soient 10 (x) 75 et 10 (y) 0.8 , trouver 2 (x) et 2 (y) . En dduire 2 (75.8) .
(1.2) Soient 2 (x) 1110.101 et 2 (y) 1001011.1100110 , calculer 10 (x) et 10 (y) .
(1.3) Quels sont parmi les nombres suivants ceux qui sont reprsentables sur la machine C:
10400 ,10300 , 10 300 ,10400 .

(1.4) Trouver dans le cas de la machine C les reprsentations normalises de: 2 , 10 ,

1
,0
10

, 40 , 2172 , 2172 .
(1.5)

Ecrire

un

programme

permettant

P(x) a 0 x n a1x n 1 ... a n

13

de

calculer

de

manire

rcursive:

CHAPITRE 2:
Rsolution numrique des quations non linaires

1. Introduction
Nous considrons dans ce chapitre le problme de la rsolution numrique d'quations non
linaires telles que par exemple
- sin x x 2 0

x R ;

- e x ln x 3 0

x R * ;

n
n 1
- a n x a n 1x ... a1x a 0 0

x 3 3xy 2 1 0

3x y y 0
2

x R, a i 0,1,...,n

rels donns ;

(x, y) R 2 .

La forme gnrale de ces quations est:

F(X) 0

(2.1)

o F est une fonction vectorielle, non linaire en gnral, du vecteur X R n . n est la

dimension de l'espace qui contient les inconnues du problme. Nous supposons que l'espace
vectoriel qui contient F(X) est galement de dimension n. Le problme est donc dans le cas
gnral un systme de n quations non linaires n inconnues et la relation (2.1) se rcrit
f1 (x1 ,..., x n ) 0

F(X) 0 M
f (x ,..., x ) 0
n
n 1

(2.2)

14

avec X x1

x2 L

x n et F f1 f 2 L
t

fn .
t

Nous supposerons aussi que F est continue et on renforcera en cas de besoin cette hypothse
par des conditions de rgularit qui imposent F de vrifier certaines proprits de
diffrentiabilit.
Nous allons considrer dans un premier temps le cas scalaire f (x) 0 avant de gnraliser
ltude un systme quelconque.
2. Dfinitions
Nous considrons l'quation scalaire en l'inconnue relle x
f (x) 0

(2.3)

2.1 Dfinition 1
Si f (x * ) 0 , alors x* est appel racine de l'quation et x* est un zro de f .
2.2 Dfinition 2
Si x* est zro de f (continue), alors la multiplicit, m, de x* est la borne suprieure de
l'ensemble des rels k satisfaisant la condition

lim*

x x

f (x)
x x*

(2.4)

En tant qu'exemple f (x) x admet en 0 un zro de multiplicit 1/2 car pour tout 0 , on
a:

lim
x 0

f (x)
x

0 et

lim
x 0

f (x)
x

2.3 Thorme
Si x * est un zro de f (x) et si pour un entier m, f (x) est m fois continment diffrentiable
en x* , alors la multiplicit de x* est au moins m si et seulement si

15

f (x * ) f (x * ) f (x * ) .... f (m 1) (x * ) 0 .
La dmonstration de ce rsultat s'appuie sur le thorme de Taylor.
Remarques
Des solutions analytiques de (2.3) ne sont disponibles que dans des cas trs particuliers
comme par exemple pour f (x) ax b (f est linaire), f (x) ax 2 bx c (f est quadratique).
Elles sont aussi disponibles lorsque f (x) est un polynme de degr 3, mais dans ce dernier
cas les formules sont compliques et rarement utilises dans la pratique. Pour un polynme de
degr strictement suprieur 4, il n'existe pas toujours des solutions analytiques. Les
solutions analytiques n'existent pas non plus en gnral lorsque f fait intervenir des fonctions
transcendantes.
Des mthodes numriques nous permettront souvent de calculer des solutions appropries
dans le cadre des limitations de prcision exiges par la reprsentation discrte des rels et la
reprsentation des fonctions transcendantes par des sries tronques. Parmi les mthodes
itratives qui ont fait leur preuve nous tudions dans la suite:
- la mthode de dichotomie (appele bisection en anglais);
- la mthode de la position fausse (appele false position en anglais);
- la mthode de Newton.
Nous gnraliserons ensuite l'analyse au cas des systmes de deux quations non linaires
deux inconnues.
3. La mthode de dichotomie
3.1 Principe de la mthode
Soit f une fonction continue vrifiant pour a et b donns avec a b : f (a)f (b) 0 . D'aprs le
*
thorme de la valeur intermdiaire, il existe x a, b tel que: f (x * ) 0 . On cherche

localiser x* en construisant une suite d'intervalles qui s'embotent de manire rcursive et tels
que la longueur de l'intervalle actuel soit gale la moiti de la longueur de son prdcesseur.
Tous ces intervalles contiennent au moins un zro de f. Posons ainsi r0 a , s 0 b et
calculons la premire estimation de x * par z 0 (a b) / 2 .
*
Si f (z 0 ) 0 , le processus s'arrte et x z 0 . Sinon, posons

16

 r1 r0 , s1 z 0

r1 z 0 , s1 s 0

si f (z 0 )f (r0 ) 0

(2.5)

si f (z 0 )f (r0 ) 0

En gnral, tant donns rn et s n tels que f (rn )f (s n ) 0 , on pose z n (rn s n ) / 2 . Si

f (z n ) 0 , le processus s'arrte et x * z n . Sinon, soit
rn 1 rn , s n 1 z n

rn 1 z n , s n 1 s n

si f (z n )f (rn ) 0

(2.6)

si f (z n )f (rn ) 0

et le processus continue.
3.2 Convergence de la mthode
Pour tablir la convergence de la mthode de dichotomie, on utilise le thorme des
rn s n 0 . Puisque par
"gendarmes". On vrifie alors que rn z n s n , rn , s n et nlim

*
n 1
ailleurs on a: z n x (b a) / 2 , on peut estimer le nombre d'itrations ncessaires pour

atteindre la prcision prs. On obtient ainsi

b a

1
ln 2

ln

(2.7)

Pour f (x) x 3 2 , a 1 , b 2 et 106 , on trouve n 19 .

4. La mthode de la position fausse
Cette mthode est similaire la mthode de dichotomie l'exception du fait qu' chaque
itration on pose
zn

rn f (s n ) s n f (rn )
f (s n ) f (rn )

(2.8)

17

La formule prcdente rsulte de la linarisation de f sur l'intervalle rn ,s n qui fournit

l'estimation de x * par z n . La linarisation permet de dfinir la fonction f n (x) sur rn ,s n par
f n (x)

f (s n ) f (rn )
s f (r ) rn f (s n )
x n n
s n rn
s n rn

(2.9)

Ainsi
f n (z n ) 0 z n

rn f (s n ) s n f (rn )
f (s n ) f (rn )

(2.10)

On dmontre que si f est continue sur a, b et f (a)f (b) 0 , la mthode de la position fausse
converge.
5. La mthode de Newton
Supposons que x * soit une racine de f (x) 0 o f est une fonction scalaire de classe C1 ,
alors le thorme de Taylor permet d'crire pour x 0 appartenant au voisinage de x *
f (x * ) f (x 0 ) (x * x 0 )f (x 0 ) ...

(2.11)

Ce qui donne l'approximation au premier ordre

f (x * ) f%
(x * ) f (x 0 ) (x * x 0 )f (x 0 )

(2.13)

En posant f%
(x * ) 0 et en supposant que f (x 0 ) 0 , il vient une estimation de x * dfinie par

x1 x 0

f (x 0 )
f (x 0 )

(2.14)

D'o le schma itratif de Newton pour n 1

x n 1 x n

f (x n )
f (x n )

(2.15)

18

On peut tablir rapidement la convergence lorsque f est de classe C 2 au voisinage de la

f (x)
solution x* lorsqu'elle est unique. On pose ainsi (x) x
, ce qui donne
f (x)
(x)

f (x)f (x)
2 . On peut trouver alors un voisinage de
x * tel que:
f (x)

f (x) ,

f (x)f (x) 2 . D'o (x) 1 et la mthode converge pourvu que l'initialisation s'effectue
au voisinage de la solution x* .

6. Systme d'quations non linaires

L'analyse des mthodes numriques pour rsoudre les systmes d'quations non linaires peut
tre faite dans le cadre d'un systme non linaire quelconque de la forme
f1 (x1 , x 2 ,..., x n ) 0
f (x , x ,..., x ) 0
2 1 2
n

(2.16)

f n (x1 , x 2 ,..., x n ) 0
Mais afin de simplifier la prsentation, nous considrons un systme de deux quations deux
inconnues
g(x, y) 0

h(x, y) 0

(2.17)

Cette quation peut, dans ce cas particulier de dimension 2, tre associe l'quation
d'inconnue complexe f (z) 0 o g Re(f ) et h Im(f ) .
Les mthodes envisages pour rsoudre ce problme sont:
- la mthode de newton gnralise;
- la mthode de Jacobi;
- la mthode de Gauss-Seidel;
- les mthodes de relaxation.

19

7. La mthode de Newton gnralise

Pour x n et y n donns, on dtermine x n 1 et y n 1 de sorte qu'au premier ordre en
n x x n 1 x n et n y y n 1 y n , on ait: g(x n 1 , y n 1 ) h(x n 1 , y n 1 ) 0 . Ainsi la formule de
Taylor permet dcrire
g(x n 1 , y n 1 ) g(x n , y n ) n x g ,x (x n , y n ) n y g ,y (x n , y n ) ...
h(x n 1 , y n 1 ) h(x n , y n ) n x h ,x (x n , y n ) n y h ,y (x n , y n ) ...

(2.18)

En ngligeant les termes dordre suprieur, x n 1 et y n 1 sobtiennent sous la forme

x n 1 x n
y n 1 y n

g(x n , y n )h ,y (x n , y n ) h(x n , y n )g ,y (x n , y n )
Jn

(2.19)

h(x n , y n )g ,x (x n , y n ) g(x n , y n )h ,x (x n , y n )
Jn

avec
g ,x (x n , y n ) g ,y (x n , y n )
g ,x (x n , y n )h ,y (x n , y n ) h ,x (x n , y n )g ,y (x n , y n )
h ,x (x n , y n ) h ,y (x n , y n )

J n det

le jacobien des fonctions f et g.

Remarques
- Lorsque g / y 0 , la formule gnralise de Newton redonne la formule scalaire de
Newton.
- L'efficacit de la mthode de Newton dpend de manire critique du choix de l'initialisation.
On peut faire appel aux mthodes graphiques pour savoir comment initialiser au voisinage de
la solution dsire.
8. La mthode de Jacobi
On rsout le systme

20

)
(k )
f1 (x1(k 1) , x (k
x1(k 1)
2 ,..., x n ) 0

(k )
(k 1)
(k )
(k 1)
f 2 (x1 , x 2 ,..., x n ) 0 x 2

(2.20)

f (x (k ) , x (k ) ,..., x (k 1) ) 0 x (k 1)
n 1
2
n
n
(0)
(0)
(0)
On montre que cette mthode converge si l'initialisation x1 , x 2 ,..., x n est choisie au

voisinage de la solution et si le rayon spectral de la matrice jacobienne est infrieur l'unit.

9. Mthode de Gauss Seidel
)
(k )
f1 (x1(k 1) , x (k
2 ,..., x n ) 0

x1(k 1)

(k 1)
(k 1)
(k)
f 2 (x1 , x 2 ,..., x n ) 0

1)
x (k
2

f (x (k 1) , x (k 1) ,..., x (k 1) ) 0
n 1
2
n

(2.21)

1)
x (k
n

10. Mthode de relaxation

(k 1)
x i(k ) x%i(k 1) x i(k)
On pose x i

i 1, 2,..., n avec x%i(n 1) tel que

1)
)
f i (x1(k 1) , x (k
,..., x i(k11) , x%i(k 1) , x i(k1) ,..., x (k
2
n ) 0

(2.22)

Cette mthode permet d'acclrer la convergence par un choix commode de .

11. Exercices
(2.1) Ecrire un programme sous Matlab permettant de rsoudre avec la mthode de
dichotomie l'quation f (x) sin x 0.750 0 . On prendra a 0.800 et b 0.900 .
(2.2) Ecrire un programme sous Matlab permettant de rsoudre avec la mthode de la position
fausse l'quation f (x) sin x 0.750 0 . On prendra a 0.800 et b 0.900 .
1

(2.3) Dvelopper une mthode itrative base de la mthode de Newton pour calculer N 5 .
1

Appliquer la mthode pour calculer 2 5 avec trois chiffres significatifs.

21

(2.4) Appliquer sous forme d'un programme la mthode de Newton pour rsoudre les
quations suivantes:
sin x x 3 1

x 0 1 ;

x 5 6x 4 15x 3 20x 2 14x 4 0

x 0 0.8 .

(2.6) Appliquer la mthode de Newton pour rsoudre l'quation complexe: f (z) sin z z 2 0
; z 0 1 i . On se rappellera des deux formules:
sin(x iy) sin x ch y i cos x sh y
cos(x iy) cos x ch y isin x sh y

(2.7) Trouver les racines complexes de z 3 2z 2 0 en posant z x iy et en rsolvant par la

mthode de Newton, le systme:
3
2
g(x, y) x 3xy 2x 2 0

2
3
h(x, y) 3x y y 2y 0

x 0 y0 1 .

CHAPITRE 3:
Interpolation et approximation

1. Introduction
On considre dans la suite le problme de l'valuation d'une fonction f (x) de manire
approche. Le but tant de dterminer une autre fonction F(x) qui donne pour chaque valeur
de la variable x une valeur qui est suffisamment proche de f (x) . Il est souhaitable que la
fonction F(x) soit de forme simple tel que par exemple un polynme ou une fraction
rationnelle.
La construction d'une fonction F(x) se fait selon deux mthodes. La premire mthode
s'appelle interpolation. Elle consiste choisir F(x) parmi une classe de fonctions (par
exemple les polynmes de degr n ) de telle sorte que F(x) et f (x) concident en un certain
nombre de points appels "points d'interpolation". On peut exiger aussi que les drives de
F(x) et f (x) concident en certains points. Parmi les mthodes qui suivent cette technique

22

d'interpolation, on trouve l'interpolation linaire, l'interpolation de Lagrange, l'interpolation

d'Hermite,...
La deuxime mthode s'appelle approximation. Dans ce procd on ne demande pas F(x)
de concider avec f (x) en un certain nombre de points, on impose F(x) d'tre proche de
f (x) au sens d'une norme choisir. On cherche par exemple minimiser
N

ou bien

F(x ) f (x )
i

n 1

F(x) f (x)
b

dx

sur un domaine contenant la variable x lorsque F(x) appartient

un espace connu.
Cette approximation permet par exemple d'ajuster des donnes exprimentales par une
fonction facile valuer.
2. Interpolation linaire
Etant donn une fonction

f (x) continue dfinie sur un intervalle a, b , on cherche une

fonction linaire F(x) telle que: f (a) F(a) et f (b) F(b) .

On trouve que pour tout x a, b

F(x) w a (x)f (a) w b (x)f (b)

avec

w a (x)

bx
xa
, w b (x)
ba
ba

w a (x) et w b (x) dfinissent les poids de l'interpolation. On vrifie que w a (x) w b (x) 1
L'erreur commise en remplaant f (x) par F(x) sur l'intervalle a, b dpend de f (x) , si f est
par exemple de classe C 2 . On dmontre ainsi en utilisant le thorme de Taylor que

f (x) F(x)

(x a)(x b)
f (c)
2

c a, b

Considrons maintenant une subdivision de l'intervalle a, b dfinie par la suite des points
xk a k

ba
N

0k N

23

Sur chaque intervalle x k , x k 1 on dtermine FN (x) par interpolation linaire, ainsi pour
x x k , x k 1
d
FN (x) w dk (x)f (x k ) w gk 1 (x)f (x k 1 ) avec w k (x)

x k 1 x
x xk
g
, w k 1 (x)
x k 1 x k
x k 1 x k

L'exposant permet de signaler qu'en chaque point de la subdivision deux poids sont dfinis:
l'un correspond au sous intervalle se trouvant gauche du point et l'autre au sous intervalle
droite de ce point.
L'erreur correspondant l'intervalle x k , x k 1 de la subdivision est
f (x) FN (x) w dk (x) f (x) f (x k ) w gk 1 (x) f (x) f (x k 1 )
On montre alors puisque f est uniformment continue sur

a, b

FN (x) f (x)
que Nlim

max f (x) F (x) 0

uniformment sur a, b , c'est--dire que Nlim
.

N
a ,b

3. Interpolation de Lagrange
L'interpolation de Lagrange est justifie par le thorme suivant:
Soit x 0 , x1 ,..., x n un ensemble de points distincts, alors pour tout ensemble y 0 , y1 ,..., y n , il
existe un unique polynme P de degr n tel que: P(x i ) yi

0in.

Pour la dmonstration de ce rsultat, il suffit de considrer le polynme

P(x) P0 (x) P1 (x) ... Pn (x)

avec

x x j
y

i
jj0i x i x j

P (x)
i

0in

La construction de P utilise le dterminant de Vandermonde.

Si l'on se donne maintenant une fonction f (x) qui est dfinie en n 1 points distincts
x 0 , x1 ,..., x n , il existe un unique polynme de degr n tel que: Fn (x i ) f (x i ) 0 i n .
Le polynme Fn (x) s'appelle interpolation de Lagrange de f (x) sur a, b

24

Fn (x) w i (x)f (x i )

avec

w i (x)

i0

j 0
j i

x xj
xi x j

et

w (x) 1
i0

n 1
Si f C x 0 , x n et si x 0 , x1 ,..., x n sont des rels distincts, uniformment rpartis, cest--

dire vrifiant : x1 x 0 x 2 x1 ... x n x n 1 h (h est le pas de la subdivision), on

dmontre en utilisant la formule de Taylor et l'unicit du polynme de Lagrange que
x x 0 , x n : f (x) Fn (x)

(x x 0 )(x x1 )...(x x n ) (n 1)
f
(c) o c x 0 , x n
(n 1)!

f (n 1) (x) , on obtient f (x) Fn (x)

Il s'ensuit que si l'on pose M n 1 max
x 0 ,x n

h n 1
M n 1 qui
4(n 1)

donne une majoration de lerreur commise.

4. Interpolation avec des intervalles de longueur uniforme
Lorsque les points d'interpolations sont quidistants, le processus de calcul manuel de
l'interpolation de Lagrange peut tre conduit de manire trs efficace en utilisant la notion de
table des diffrences.
Lorsque le pas de la subdivision est h, dfinissons les diffrences progressives par
f (x) f (x h) f (x)
2 f (x) ( f (x)) f (x 2h) 2f (x h) f (x)
M
n f (x) ( n 1f (x))
Lorsque par exemple n 4 on peut construire la table suivante:

25

x
x0

f (x)
f (x 0 )

f (x)

2f (x)

3f (x)

4f (x)

f (x 0 )
x1

2f (x 0 )

f (x1 )
f (x1 )

x2

3f (x 0 )
2 f (x1 )

f (x 2 )
f (x 2 )

x3

4f (x 0 )
3f (x1 )

2 f (x 2 )

f (x 3 )
f (x 3 )

x4

f (x 4 )

A titre dexemple si f (x) x 3 et x 0 0 , x1 1 , x 2 2 , x 3 3 , x 4 4 , on obtient

x
x0
x1
x2
x3
x4

f (x) f (x) 2f (x) 3f (x) 4f (x)

0
1
1
6
7
6
8
12
0
19
6
27
18
37
64

L'oprateur des diffrences admet les deux proprits remarquables suivantes:

* est linaire;
* Si f est un polynme de degr n , alors n 1f (x) 0 .
L'intrt de considrer les diffrences est justifi par le thorme de Gregory-Newton:
Le polynme d'interpolation de Lagrange est donn par:
Fn (x) f (x 0 ) Q1 (u) f (x 0 ) Q 2 (u) 2f (x 0 ) ... Q n (u) n f (x 0 )
avec

26

u(u 1)...(u j 1)
x x0
et Q j (u)
j!
h

Pour la dmonstration de ce thorme, il suffit de remarquer que les polynmes

Q j (u) 0 j n avec Q0 (x) 1 forment une base. La projection de Fn sur cette base est les
proprits de l'oprateur permettent de trouver le rsultat.
Le calcul numrique de Fn (x) se fait par la formule rcursive
z0 a 0

z k (u n k)z k 1 a k 1 k n

avec

ak

n k f (x 0 )
x x0
et u
(n k)!
h

D'autres variantes de la formule de Gregory Newton existent: formule de Stirling, formule de

Bessel. Ces formules s'expriment en fonction de l'oprateur de diffrence centr
h

h
f (x) f x f x
2

2
et de ses itrs successifs.
5. Interpolation d'Hermite
Dans l'interpolation d'Hermite on exige, en plus du fait que F(x) concide avec f (x) aux
points d'interpolation x 0 , x1 ,..., x n , que certaines de ses drives concident avec celles de
f (x) en certains points d'interpolation. En labsence de formules gnrales comme dans le
cas de linterpolation de Lagrange, le calcul direct est souvent ncessaire. La procdure
appele mthode des coefficients indtermins est dcrite travers l'exemple suivant o il faut
chercher le polynme d'Hermite tel que: F(a) f (a) , F(b) f (b) , F(a) f (a)
F(b) f (b) . On pose ainsi
F(x) a 0 (x )3 a1 (x ) 2 a 2 (x ) a 3
ce qui donne

27

et

F(x) 3a 0 (x ) 2 2a1 (x ) a 2
En posant a et h b a , on obtient
f (a) a 3

3
2
f (b) a 0 h a1h a 2 h a 3

f (a) a 2

f (b) 3a h 2 2a h a
0
1
2

D'o

2
1
a 0 h 3 f (a) f (b) h 2 f (a) f (b)

a 3 f (b) f (a) 1 2f (a) f (b)

1 h2
h

a 2 f (a)
a f (a)
3

6. Quelques insuffisances de l'interpolation polynomiale; interpolation spline

Pour certaines fonctions f (x) les interpolations polynomiales de type Lagrange ne sont pas
satisfaisantes comme le montre l'exemple suivant:

f (x)

1
1 x2

sur 5,5

Si les points d'interpolation sont: x j

5j
, n j n o n dfinit le degr d'interpolation de
n

Lagrange, en l'occurrence un polynme de degr 2n not F2n , on dmontre le rsultat

f (x) F2n (x) . Ce problme est connu sous le nom de phnomne de
inattendu max
n
Runge. Il rappelle le phnomne de Gibbs avec les sries de Fourier.
Dans le cas prcdent, on dmontre que le processus d'interpolation converge sur l'intervalle
x 3.63,3.63 et diverge sur , si 3.63 .

28

Afin de contourner ces difficults, il est prfrable d'utiliser des interpolations construites
base de polynmes de plus faible degr mais sur une partition d'intervalles de taille plus
rduite que celle de l'intervalle de dpart. Si sur chaque sous intervalle une interpolation
linaire est par exemple considre (cas dj vu), on obtient une fonction dinterpolation
continue qu'on appelle interpolation spline linaire. Dans le cas d'une interpolation spline
cubique, on utilise une subdivision quelconque de l'intervalle de dpart et on dfinit sur
chaque sous intervalle une interpolation cubique devant de plus satisfaire les conditions de
rgularit suivantes aux points de la subdivision:
Fk (x i ) f (x i ) pour i k 1, k

Fk (x k ) Fk1 (x k )

Fk (x k ) Fk1 (x k )

k 1, 2,..., n 1
(3.2)

Notons M k Fk(x k ) Fk1 (x k ) et posons: h k x k x k 1 et y k f (x k ) , alors (3.2) permet de

montrer que
(x k x) (x k x) 2 h k2

Fk (x) M k 1

6h k

(x x k 1 ) (x x k 1 ) 2 h k2

M k
6h

1
1
y k 1 (x k x) y k (x x k 1 )
hk
hk

En diffrentiant cette quantit et en exprimant Fk (x k ) Fk1 (x k ) , on obtient le systme

matriciel tridiagonal d'ordre (n 1)

hk
h h k 1
h
y y k yk y k 1
M k 1 k
M k k 1 M k 1 k 1

6
3
6
h k 1
hk

k 1, 2,..., n 1

Si nous fixons arbitrairement M 0 M n 0 , M1 , M 2 ,..., M n 1 sont calculs par inversion du

systme matriciel de matrice symtrique A qui est tridiagonale et diagonale dominante

29

 h1 h 2

A
0

h2
0
6
h 2 h3
O
3
O
O
O

O
h n 2 h n 1
3
h n 1
6

h n 1

6
h n 1 h n
3

L'interpolation associe la spline cubique est alors plus lisse que celle du mme ordre
associe Lagrange.
7. Approximation polynomiale au sens des moindres carrs
On considre les deux problmes suivants:
Problme 1:
f (x)

Etant donn une fonction continue

Pn f

P (x) f (x)

1
2 2

sur un intervalle

a, b ,

on minimise

o Pn (x) est un polynme de degr n .

Problme 2:
Etant donne une fonction dfinie sur un ensemble fini de points J: x 0 , x1 ,..., x M , chercher

minimiser Pn f

J
2

P (x ) f (x )
i 1

1
2

Le deuxime problme peut correspondre un ajustement de donnes exprimentales par

Pn (x) .
Dfinissons le produit scalaire:

f , g f (x)g(x) dx dans le cas du problme continu

a

(problme 1), ou bien f , g f (x i )g(x i ) dans le cas du problme discret (problme 2).
i 1

30

2
2
Considrons le cas o f est un lment de L a, b . L a, b muni du produit scalaire

f , g est un espace de Hilbert. L'existence et l'unicit des solutions des problmes 1 et 2 sont
alors justifies par le thorme de projection sur un convexe ferm. L'ensemble des
polynmes de degr n est en effet un sous espace vectoriel ferm de dimension finie et le
thorme de projection s'nonce sous la forme:
2
Pour tout n N et pour tout f L a, b , il existe un unique polynme de degr n tel que

f Pn

min f Q n

Qn

Qn

est

un

polynme

de

n.

degr

De

plus

Pn

est

caractris

par:

f Pn , Q n Pn 0 Q n polynme de degr n , et f Pn , Q n 0 Q n polynme de

degr n .
Le calcul de Pn s'effectue de la faon suivante:
Soit n N , soit 0 (x), 1 (x),..., n (x) une base de l'espace des polynmes de degr n ,
n

alors Pn (x) c k k (x) . D'aprs le thorme prcdent, on a

k 0

f c k k (x), j (x) 0

j 0,1,..., n

k 0

D'o
n

k 0

k , j c k f , j

Soit sous forme matricielle

CF

(3.3)

o ij i , j est une matrice dite de Gram.

31

 est une matrice dfinie positive, donc non singulire, ce qui implique qu'il existe une
unique solution pour le systme (3.3). Malheureusement, souvent la matrice est trs mal
conditionne dans la mesure o si l'on cherche inverser directement cette matrice, une trs
grande perte de prcision apparat. Ceci peut s'expliquer par le fait qu'en gnral est quasiproportionnelle la matrice de Hilbert H ij 1/(i j 1) .
Afin de contourner cette difficult numrique, on construit une base orthogonale par le
procd de Gram Schmidt:
0 (x) 1

1 (x) x

x0 , 0
0 (x)
0 , 0

(x) x (x) (x) (x) 1 k n 1

k 1
k
k k
k k 1
avec

xk , k
k , k

et k

k , k
k 1 , k 1

La matrice ainsi obtenue est diagonale ou quasi-diagonale ( cause des arrondis

numriques). On vrifie alors que les k sont proportionnels aux polynmes de Legendre.
8. Approximation par une fraction rationnelle
Souvent dans la pratique, l'approximation polynomiale n'est pas satisfaisante. Une meilleure
prcision est obtenue lorsqu'on considre l'approximation par une fraction rationnelle.
L'approximation de ce type consiste trouver une fraction

F(x) Fm,k (x)

Pm (x)
Q k (x)

o Pm (x) et Q k (x) sont des polynmes de degr respectivement m et k et qui n'admettent pas
de zros communs.

32

Dans le cas de l'approximation de Pad, on se donne un point et on choisit Pm (x) et Q k (x)

tels que: F() f () et F( j) () f ( j) () avec j 1,..., m k . L'approximation de Pad est
une gnralisation du dveloppement en srie de Taylor au voisinage de x .
Si l'on suppose que f est dveloppable en sries entires au voisinage de , on a:

f (x)
j 0

f ( j) ()
(x ) j
j!

On montre alors que les coefficients des polynmes P et Q sont tels que le terme constant et
les monmes en (x ) , ..., (x ) m k s'annulent dans l'expression suivante:
f ( j) ()
Q k (x)
(x ) j Pm (x)
j!
j 0

o lon aura pos le terme constant de Q k (x) gal 1.

En tant qu'exemple considrons f (x) e x , 0

et

m k 1 , on trouve alors:

P1 (x) a 0 x a1 et Q1 (x) b 0 x 1 . D'o

1
1 x
2
F(x)
1
1 x
2

9. Exercices
(3.1) Trouver l'unique polynme

P(x) de degr 3 tel que: P(0.5) 2 , P(0.6) 8 ,

P(0.7) 2 , P(0.8) 5 . Calculer P(0.56).

(3.2) Trouver ln(0.54) en utilisant une interpolation de Lagrange trois points l'aide de la
table:
x
f(x)

0.4
-0.91629

0.5
-0.69315

33

0.6
-0.51083

Calculer la valeur exacte de l'erreur sachant que ln(0.54) 0.61619 et comparer cette valeur
avec la borne de l'erreur.
(3.3) Soit f(x) une fonction telle que: f (0) 1.25 , f (0.5) 1.75 , f (1) 2.10 . Soit P(x) un
polynme de degr 2 tel que: F(0) f (0) , F(0.5) f (0.5) et F(1) f (1) . Dterminer F(x)
et calculer F(0.25) :
- par la formule d'interpolation de Lagrange;
- par la formule d'interpolation de Grgory Newton.
(3.4) Trouver le polynme P(x) de degr 2 tel que: P(1) 1 , P(1) 1 , P(2) 1 .
(3.5) Trouver le polynme de degr 2 qui constitue la meilleure approximation de e x sur

0,1

au sens de la norme L2.

(3.6) Construire la fonction approximante rationnelle de Pad de la fonction: f (x) e x , avec

m k 2 et 0 .

34

CHAPITRE 4:
Rsolution numrique des systmes d'quations linaires

1. Introduction
Nous considrons le systme algbrique d'quations linaires
AX B
o A est la matrice des coefficients du systme, matrice carre d'ordre n n et B la matrice
(vecteur) second membre d'ordre n 1 .
On appelle matrice augmente du systme la matrice d'ordre n (n 1) , obtenue en
adjoignant A la colonne B, soit en notation explicite
a11 L
M
A, B M

a n1 L

a1n b1

M M

M M

a nn b n

On s'intresse seulement au cas o la solution est unique. Dans ce cas rg(A) rg A, B n et

det(A) 0 , et la matrice est rgulire(non singulire).
L'unique solution du systme est donne par la rgle de Cramer qui est un thorme. Ainsi si
l'on note
a11 L
a
L
21
j det
M

a n1 L

a1, j1
a 2, j1
M
a n, j1

b1 a1, j1 L
b 2 a 2, j1 L
M
M
bn a n, j1 L

a1n
a 2n
M

a nn

35

j 1, 2,..., n

o la jme colonne de A a t remplace par B, on obtient

xj

Une autre faon qui permet d'exprimer implicitement la solution consiste crire
X A 1B
On dit que le systme est homogne si et seulement si B 0 . Dans ce cas si A est rgulire
l'unique solution est X 0 .
2. Mthodes pratiques pour rsoudre les systmes d'quations linaires
On s'intresse ici aux mthodes pratiques pour rsoudre les systmes linaires. La solution qui
correspond l'application de la rgle de Cramer n'est pas pratique. Dans cette rgle, il faut
calculer (n 1) dterminants d'ordre n. Le calcul d'un dterminant exige en gnral un
nombre de multiplications qui est gal
n

2(n 1)!
j 2

1
( j 1)!

Lorsque n est grand

( j 1)! e 1 ,

on obtient donc peu prs 2(e 1)(n 1)!

j 2

multiplications. Sachant qu'il faut aussi autant d'additions, on obtient un nombre total
d'oprations qui est gal 4(e 1)(n 1)! afin de calculer la solution X du systme AX B
par la mthode de Cramer.
En tant qu'exemple si n 20 , il faut 8.36 1017 oprations. Un ordinateur qui est capable
d'effectuer 2 millions d'oprations par seconde, devra tourner durant au moins treize milles
annes. Bien sr, durant cette priode l'ordinateur risque de tomber en panne et la personne
qui conduit les calculs pourrait mourir!
L'exemple prcdent justifie le recours aux mthodes d'limination qui sont attribues
Gauss.
2.1 Procdure d'limination de Gauss dite aussi triangularisation du systme

36

Si a11 0 , on appelle la premire quation du systme quation pivot et le terme a11 est le
pivot. On peut alors procder au premier pas de la mthode de Gauss en liminant l'inconnue
x1 de la deuxime jusqu' la nime quation en effectuant les oprations suivantes:

a ij(2) a ij(1)

a i1(1) (1)
a
(1) 1j
a11

i 2 , j 1

(5.1)

bi(2) bi(1)

a i1(1) (1)
b
(1) 1
a11

i2

(5.2)

(1)
(1)
Dans ces expressions, a ij a ij et bi bi pour tout i, j 1, 2,..., n .

Cette premire tape d'limination conduit au nouveau systme matriciel: A (2) X B(2) , alors
qu'au dpart on avait A (1) X B(1) . La procdure d'limination est quivalente la
multiplication gauche des deux membres de A (1) X B(1) par la matrice triangulaire

M
M

a (1)
21
(1)
a11

a (1)
n1

a (1)

11

1
L

M (1)

0
L

I n 1

0
L

o I n 1 est l'identit d'ordre (n 1) .

Il vient alors A (2) M (1) A (1) et B(2) M (1) B(1) . Il est vident maintenant que les deux
systmes A (2) X B(2) et A (1) X B(1) sont quivalents dans la mesure o ils admettent la
mme solution. En particulier, det(A (2) ) det(A (1) ) .
Aprs avoir pratiqu (r 1) liminations, on se retrouve avec le systme rduit A (r ) X B(r ) .
(r )
Si a rr 0 , on peut pratique directement l'limination de Gauss l'ordre r de la faon suivante

a ij(r 1) a ij(r )

a ir(r ) (r )
a rj
a (rrr )

i r 1 , j r

(5.3)

37

bi(r 1) bi(r )

a ir(r) (r )
br
a (r)
rr

i r 1

(5.4)

A l'issue de cette limination, on se retrouve avec le systme: A (r 1) X B(r 1) . On peut vrifier

par des multiplications directes que la matrice
I r 1
L

M
M

0
L
1

a (r)

r 1,r
M (r ) M M (r )
a rr

M
M

(r )
0 M a n,r

a (rrr )

L
L
0
1
0
0

0
L L
L 0

O 0

0 1

est telle que: A (r 1) M (r ) A (r ) et B(r 1) M (r ) B(r ) .

Nous pouvons donc poursuivre par rcurrence la procdure d'limination tant que les pivots le
permettent jusqu' finir l'ordre n. On obtient alors le systme matriciel A (n ) X B(n ) qui est
quivalent A (1) X B(1) . On a vrifie alors les relations
A (n) MA (1) M (n 1) M (n 2) ...M (2) M (1) A (1) et B(n ) MB(1)
Les deux systmes admettent donc la mme solution est le mme dterminant:
(1) (2)
)
det A (1) det A (n ) a11
a 22 ...a (n
nn

Pour passer de A (r ) A (r 1) , on effectue 2(n 3 n) / 3 additions et multiplications ainsi que

n(n 1) / 2 divisions. Pour passer de B(r) B(r 1) , on effectue n(n 1) additions et
multiplications. La remonte ncessite n(n 1) additions et multiplications et n divisions.
En fin de compte, la mthode de Gauss ncessite de l'ordre de 2n 3 / 3 additions et
multiplications et n 2 / 2 divisions. On peut se rendre compte alors de l'avantage procur par
cette mthode si on la compare avec la rgle de Cramer.
Remarque
38

La mise en marche de lalgorithme de Gauss dans sa version prcdente suppose que les
pivots ne sannulent jamais. Dans la ralit, il se peut qu une tape donne le pivot soit
nulle. Dans ce cas il faut pratiquer soit le pivotage partiel soit le pivot complet. Le pivotage
permet dans tous les cas damliorer le conditionnement du systme lorsquon remplace le
pivot initial par un autre plus grand en valeur absolue.
3. Instabilit numrique
Lorsque l'algorithme de Gauss dcrit prcdemment est appliqu dans la pratique, il y a des
considrations qui dpassent celles dj mentionnes ci-dessus. Ces considrations
supplmentaires sont dues la nature du calcul numrique avec la reprsentation des nombres
sur ordinateur qui entrane ncessairement des arrondis (l'arithmtique opr par les
ordinateurs n'est pas exacte, elle est approche).
Sous l'hypothse d'une reprsentation idale des nombres (1/3 a une reprsentation infinie) et
d'un calcul arithmtique infiniment prcis l'algorithme de Gauss pourrait conduire l'unique
solution du problme et ce avec une prcision infinie (et peut tre une dure de calcul infinie).
Mais la ralit est trs diffrente. En prsence d'un pivot qui est petit les troncatures
numriques peuvent polluer considrablement la solution.
Exemple:
7.080734182735712 1029

29
4.546487134128409 10

4.546487134128409 1029
2.919265817264289 1029
0

0
1

x1
x
2
x 3

1
1

Lorsque le calcul est effectu en double prcision avec la fonction inv de Matalb, on trouve
x1 6.531584190751655 10-15

-14
x 2 -1.017233967291046 10
x 1
3

Mais en effectuant le produit de la matrice A avec la solution calcule X, on trouve

39

 2
1
1
AX 1.5 B

1
1
La solution calcule est fausse cause de l'instabilit numrique. L'origine de cette instabilit
est lie la prsence d'un pivot qui est faible.
4. Systme mal conditionn
Le systme AX B est mal conditionn lorsque la solution est trs sensible aux petites
perturbations qui peuvent affecter la matrice augmente A, B .
Dans le cas d'un systme mal conditionn, l'instabilit de l'algorithme de Gauss est un sort qui
est invitable.
Supposons que l'on perturbe le systme AX B de la faon suivante: A A A ;
B B B , alors la solution X est perturbe et devient X X . Le systme perturb s'crit
alors
(A A )(X X ) B B
4.1 Norme matricielle
Dfinissons la norme suivante sur l'espace des matrices carres d'ordre n n

sup
X 0

AX
X

est une norme sur R n .

est dite norme matricielle subordonne de la norme

La norme matricielle vrifie les proprits suivantes: MP

AX

X .

i 1

X2

x
i 1

2
i

40

max x i .
i

P , et pour tout X R n :

Les normes vectorielles qui peuvent tre utilises pour dfinir la norme matricielle sont:
X 1 xi ,

On dmontre alors que: A 1 max

a ij , puis A 2 1 (norme spectrale) avec 1 la
j
1

i 1

racine positive de la plus grande valeur propre de la matrice hermitienne t AA dite aussi plus
grande valeur singulire de A. Finalement A

max a ij .
i
j1

Remarque
On dmontre le thorme suivant:

Si est valeur propre de A, alors pour toute norme matricielle, on a: A , le rayon

spectrale de A, S(A) , est donc born par toute norme matricielle de A.
4.2 Analyse des perturbations
On dmontre le thorme suivant:

Si A

1 et I

1 , alors

X
X

1 A

A 1

A 1

Ce thorme montre que la perturbation qui affecte X est majore par la quantit;
(A) r
rA o (A) A
r B
1 A

A 1

r
et l'exposant r dans A indique la norme relative de

la perturbation.

Le nombre (A) joue un rle considrable. S'il est petit, la perturbation qui affecte la

solution reste petite. Dans le cas contraire, puisqu'on dmontre dans le cas gnral qu'il
nexiste pas de borne plus fine que la prcdente, on peut avoir amplification de la

perturbation. Lorsque ceci se produit, le systme est mal conditionn. Le nombre (A)

s'appelle conditionnement du systme linaire AX B .

Si

2
est la norme spectrale, alors 2 (A) 1 / n qui est le rapport de la plus grande et de

2
la plus petite valeur propre de t AA dites aussi valeurs singulires de A. On a alors 2 (A) 1 .
2
Il ne faut pas croire que A est mal conditionne si det(A) est petit. En effet, 2 (A) peut tre

grand dans le cas o la taille du systme est petite et det(A) petit. En tant qu'exemple, on peut
considrer le systme

41

 1.00 0.99 x1
0.99 0.98 x

1.99

1.97

5. Dcomposition triangulaire d'une matrice

5.1 Factorisation LU
La procdure de Gauss sans modification de pivot conduit au systme triangulaire suprieur
A (n) X B(n ) . La relation entre A (n ) et A est donne par: A (n ) MA , soit A M 1A (n ) . La
1

matrice M 1 est donne par: M 1 M (1)

M (2) ... M (n 1)

Il est possible de montrer que

I r 1
L

0
M

(r )

(r )
M M a r 1,r

a (rrr )

M M

(r )
0 M a n,r

a (rrr )

0
L L
L
0

O 0

0 1

L
L
0

0
L
M 1

1
0
0

de sorte que
1

(1)
a 21
(1)
a11

(2)
a 32
a (2)
22

M O O
1

a (1)
n1
(1)
a
11

a (2)
n2
a (2)
22

(n 1)
n,n 1
(n 1)
n 1,n 1

a
a

42

En posant: M 1 L (lower) et A (n ) U (upper), le rsultat prcdent montre que A LU

avec L une matrice triangulaire infrieure et U une triangulaire suprieure.
On montre par ailleurs que cette dcomposition est unique si l'on fixe la diagonale de L ou
celle de U.
Si A est relle symtrique et dfinie positive, alors U Lt et A U t U , c'est la dcomposition
de Cholesky.
Lorsque la dcomposition LU d'une matrice A est disponible, on peut rsoudre le systme en
deux tapes: LY B , puis UX Y pour trouver enfin X.
Lorsqu'on pratique le pivotage partiel, on montre que si l'on appelle P la matrice de
permutation, on obtient la dcomposition: PA LU .
Une mthode voisine de la mthode de Gauss est la mthode de Gauss Jordan qui permet de
calculer l'inverse d'une matrice.
5.2 La factorisation de Cholesky
On dmontre que si A est symtrique dfinie positive, il existe au moins une matrice
triangulaire suprieure B telle que A Bt B (par exemple B U d'aprs la factorisation LU).
De plus, on peut imposer que les lments diagonaux de la matrice B soient >0, et la
factorisation A Bt B associe est alors unique.
La construction de B se fait par l'algorithme suivant qui se justifie par le fait que:
n

min(i, j)

k 1

k 1

a ij (Bt B)ij b ki b kj

b ki b kj , 1 i, j n . D'o

- calcul de la premire ligne

b11 a11 , b12 a12 / b11 ,..., b1n a1n / b11 ;
- calcul de la ime ligne
i 1

i 1

bii a ii bik2 ,
k 1

bi,i 1

a i,i 1 b ki b k,i 1
k 1

bii

i 1

,...,

bin

a in b ki b kn
k 1

bii

Le dcompte des oprations avec la mthode de Cholesky conduit n 3 / 3 oprations. Ce qui

prsente un avantage par rapport la mthode de Gauss.
43

6. Mthodes itratives
On considre de manire gnrale la dcomposition de la matrice A sous la forme A M N
o M est une matrice inversible et facile inverser. On a donc les quivalences:
AX B MX NX B X M 1NX M 1B
1
1
On considre alors la mthode itrative X k 1 M NX k M B k 0 avec X 0 arbitraire.

La matrice des itrations C M 1 N I M 1A est telle que (I C) soit inversible.

La convergence de la mthode itrative est tablie si C

1 pour au moins une norme

matricielle, ce qui est quivalent (C) 1 o dsigne le rayon spectral.

6.1 Mthode de Jacobi
Supposons que a ii 0 , 1 i n . Considrons la dcomposition par points de la matrice A:
A D E F avec Dij a ijij , E ij a ij si i j , 0 autrement, Fij a ij si i j , 0 autrement.
1
La matrice de cette mthode itrative X k 1 JX k D B est J C D 1 (E F) I D 1A et

s'appelle la matrice de Jacobi par points.

6.2 Mthode de Gauss Seidel
Avec la dcomposition prcdente (Jacobi) de la matrice A, la matrice de la mthode itrative
de Gauss Seidel est: GS C (D E) 1 F . D E est bien inversible car a ii 0 i 1, n . Les
1
itrations s'crivent: X k 1 GSX k (D E) B . La mise en oeuvre numrique de cette

mthode n'exige pas le calcul de (D E) 1 . Cette mthode occupe moins de places mmoires
que Jacobi et prsente donc un avantage certain dans le cas des grands systmes.
6.3 Mthode de relaxation
Il s'agit d'une gnralisation de Gauss Seidel o l'on introduit un paramtre de relaxation
1
0 . La matrice itrative s'crit dans ce cas: R (D E) (1 )D F , ce qui est

44

D E

associ la dcomposition A

1
DF
. Tout se passe comme si l'on fait

passer une partie de la matrice D dans la matrice N (on a relax D).

1

D E

Les itrations s'crivent: X k 1 R X k

B.

Si 1 , on retrouve Gauss Seidel.

Si 1 , on parle de sous relaxation.
Si 1 on parle de sur relaxation.
La mise en oeuvre numrique de cette mthode n'exige pas le calcul de (

D
E) 1 .

L'avantage de cette mthode c'est qu'elle permet d'tudier la vitesse de convergence en

fonction de et donc de choisir un paramtre optimal.
Une itration correspondant la mthode de Gauss Seidel ou de relaxation correspond la
rsolution du systme triangulaire infrieur suivant:
a11x1k 1 a11x1k a11x1k a12 x 2k ... a1n x kn b1

a 22 x k2 1 a 22 x 2k a 21x1k 1 a 22 x 2k ... a 2n x nk b 2

k 1
k
k 1
k 1
k
a nn x n a nn x n a n1x1 ... a n,n 1x n 1 a nn x n b n

7. Exercices
(4.1) Calculer les solutions des systmes linaires
240
319.5 x 3

179.5
240 y 4

240 319
179 240

x
x
y
y

3
4

et faire l'analyse numrique des rsultats.

(4.2) On appelle matrice de Hilbert d'ordre n la matrice symtrique H (h ij ) o h ij

1 i, j n .
Montrer que cette matrice est dfinie positive (donc inversible).

45

1
,
i j 1

2
Calculer le conditionnement 2 (H) pour n 2,3, 4,5,10 (il est prfrable d'utiliser ce titre

Matlab) et constater que le conditionnement est trs rapidement croissant en fonction de n.

(4.3) En utilisant la commande chol de Matlab, effectuer la factorisation de Cholesky de la
matrice
1 2 3 4
2 5 1 10

A
3 1 35 5

4 10 5 45
(4.4) Ecrire un programme sous Matlab qui permet de rsoudre un systme quelconque par la
mthode de Gauss sans contrle du pivot.

46

CHAPITRE 5:
Mthodes de calcul numrique des valeurs propres et des
vecteurs propres
1. Introduction
Pour calculer des approximations du spectre (ensemble des valeurs propres) d'une matrice A,
une ide couramment exploite consiste construire une suite de matrices (Pk ) k 1 telle que les
1
matrices Pk APk convergent dans un sens prciser vers une matrice de valeurs propres

connues, c'est--dire diagonale ou triangulaire.

Cette ide est la base de la mthode de Jacobi pour les matrices symtriques o les matrices
Pk sont des produits de matrices orthogonales lmentaires trs simples construire.
Pour les matrices quelconques des algorithmes dextraction de valeurs et vecteurs propres
existent: les itrations inverses, la mthode QR, la mthode de Lanczos,... Nous avons aussi la
possibilit dutiliser directement dans ce cas la commande eig de Matlab.
2. La mthode de Jacobi
Cette mthode s'emploie lorsqu'on cherche toutes les valeurs propres (et ventuellement tous
les vecteurs propres) d'une matrice symtrique. Elle s'applique bien aux matrices pleines.
Rappelons le thorme suivant dans le cas d'une matrice A symtrique:
t
il existe une matrice orthogonale P telle que P AP D(1 ,..., n ) o les nombres i sont les

valeurs propres, multiplicits comprises, de A. Les vecteurs colonnes de P forment une base

47

orthonormale de vecteurs propres, le ime vecteur colonne tant un vecteur propre associ la
valeur propre i .
Partant de A1 A , la mthode de Jacobi consiste construire une suite (Pk ) k 1 de matrices
orthogonales lmentaires en s'arrangeant pour que la suite de matrices (encore symtriques)
A k 1 Pkt A k Pk (P1P2 ...Pk ) t A(P1P2 ...Pk ) , k 1 , converge vers la matrice diagonale D( i ) ,
une permutation des indices prs.
t
Le principe de chaque transformation A k 1 Pk A k Pk

k 1 est d'annuler deux lments hors

diagonaux en position symtrique, soit (A k ) pq et (A k )qp de la matrice A k . Posons A k (a ij )

, A k 1 (bij ) et Pk P .
La mthode de Jacobi s'appuie sur le thorme suivant:
soit p et q deux entiers vrifiant 1 p q n , et un nombre rel, auxquels on associe la
matrice orthogonal
1 0
0 O

L
1
cos

P M

sin
O
1

sin

cos
1
O
0

L
p

48

Si A (a ij ) est symtrique, B P t AP est symtrique et

existe

un

i 1

i 1

unique

, 0
4

0, 4

tel

i, j1

i, j1

bij2 a ij2 . Si de plus a pq 0 , il

que:

b pq 0 ,

t an(2)

2a pq
a qq a pp

et

bii2 a ii2 2a 2pq .

Remarques:
Seules les pme et qme lignes et colonnes de la matrice A sont modifies dans la
transformation A B P t AP . De faon plus prcise pour toute valeur de l'angle ,
bij a ij

si i p, q et j p, q

b pi a pi cos a qi sin si i p, q
bip b pi

si i p,q

b qi a pi sin a qi cos si i p, q
biq bqi

si i p,q

b pp a pp cos 2 a qq sin 2 a pq sin(2)

b qq a pp sin 2 a qq cos 2 a pq sin(2)
b pq b qp a pq cos(2)

a pp a qq
2

sin(2)

Au vu du rsultat prcdent, une tape de la mthode Jacobi; celle qui permet de construire
A k 1 partir de A k (a ijk ) consiste choisir un couple (p, q) p q pour lequel l'lment

a kpq 0 , puis on construit la matrice Pk avec l'angle k qui est choisi dans , 0
4
de telle faon que t an(2k )

2a kpq
a a
k
qq

k
pp

t
(k 1)
et l'on pose: A k 1 Pk A k Pk a ij .

On distingue trois stratgies pour le choix du couple (p, q) :

49

0, 4

(1) Mthode de Jacobi classique

k
a ijk . A cette opration est associ un cot
On choisit l'un des couples pour lesquels a pq max
i j

de calcul qui n'est pas ngligeable.

(2) Mthode de Jacobi cyclique
On balaye systmatiquement tous les couples hors diagonaux (p, q) dans l'ordre suivant:
(1, 2) ; (1,3) ; ...; (1, n) ; (2,3) ;...; (2, n) ;... (n 1, n) . Naturellement si l'un des lments balays
est dj nul, on passe au suivant. Ceci quivaut au choix k 0 et Pk I .
(3) Mthode de Jacobi avec seuil
On procde comme dans Jacobi cyclique mais on saute les lments hors diagonaux de
module infrieur un certain seuil, qui diminue avec chaque balayage.
Quelque soit la stratgie adopte, un lment annul une tape peut trs bien devenir non nul
une tape ultrieure. La rduction une matrice diagonale en un nombre fini d'itrations
n'est pas toujours possible.
La convergence est rendue possible par le fait que la somme des carrs de tous les lments
des matrices A k reste constante, alors qu' chaque tape la somme des carrs des lments
diagonaux s'augmente de la somme des carrs des deux lments annuls.
3. Exercices
(5.1) En utilisant la commande eig de Matlab, calculer les valeurs et vecteurs propres des
matrices
1
2

2
1
4
3

3
4
1
2

4
3
,
2

40 16
120 80
80 120 16 40

40 16 120 80

16 40 80 120

50

(5.2) En utilisant la commande eig de Matlab, calculer les valeurs et vecteurs propres de la
matrice
120
90.86
0
0
90.86 157.2
67.59
0

0
67.59 124.0 46.26

0
0
46.26 78.84

(5.3) Ecrire un programme sous Matlab qui permet de calculer les valeurs et vecteurs propres
de la matrice de lexercice (5.2) par la mthode de Jacobi.

CHAPITRE 6:
Programmation linaire

1. Introduction
On appelle de manire gnrale programme mathmatique un problme d'optimisation sous
contraintes dans un espace vectoriel norm V . On choisira de manire systmatique dans la
suite V R n et le programme mathmatique s'crit
Trouver u tel que

(P) u U v R n ; i (v) 0 , 1 i m

J(v)
J(u) inf
vU

51

Le vecteur u R n admet pour composantes u1 , u 2 ,..., u n qui reprsentent les inconnues du

problme. La fonction J est appele la fonction objectif (on dit aussi parfois: fonction cot) et
l'ensemble des conditions i (v) 0 i 1, 2,..., m sont les contraintes du problme.
Nous n'avons envisag ici que le cas de la minimisation. Ceci n'est pas restrictif dans la
mesure o la recherche du maximum d'une fonction J se ramne naturellement au problme
de la minimisation de J J .
Remarquons que la forme (P) inclut des contraintes d'galit. En effet, une contrainte de type:
(v) 0 peut toujours tre remplace par la double ingalit: (v) 0 et (v) 0 .
On appelle solution de (P) tout vecteur v vrifiant les contraintes, c'est--dire tel que:
i (v) 0 , i 1, 2,..., m .
On appelle solution optimale de (P) (ou encore optimum global) de (P) une solution qui
minimise J(v) sur l'ensemble de toutes les solutions.
2. Principales classes de problmes en programmation mathmatique
2.1 Programmation linaire
Un problme de programmation linaire consiste minimiser une fonction linaire sous des
contraintes linaires; il s'agit donc d'un programme mathmatique de la forme
Trouver u tel que

(PL) u U v R n ; Cv d , C M m x n ( R), d R m

J(v), J(v) a t v, a R n
J(u) inf
vU
On peut supposer sans restreindre la gnralit que rg(C) m , ce qui impose m n . On peut
supposer aussi que tous les vecteurs colonnes C j de la matrice C sont non nuls.

2.2 Programmes convexes

On dit qu'un problme de programmation mathmatique est convexe s'il consiste minimiser
une fonction convexe sur un domaine convexe. Ceci revient supposer que J et
i , i 1,..., n sont toutes des fonctions convexes.
On dmontre dans ce cas en particulier que tout optimum local est un optimum global.

52

2.3 Programmes non linaires

C'est le cas gnral qui comprend en particulier le cas intressant o la fonctionnelle J est
quadratique.
3. Programmation linaire
Nous dcrivons dans la suite la mthode du simplexe qui permet l'aide d'un nombre fini
d'opration lmentaires soit de calculer une solution du problme (PL) (aprs que celui-ci et
t mis sous une forme quivalente dite standard mieux adapte l'application de la
mthode), soit de conclure que le problme n'a pas de solution. Il peut apparatre un
phnomne de cyclage dans certains cas exceptionnels o la mthode ne permet pas de
conclure. Nous introduisons ensuite la notion de problme dual.
3.1 Formes canoniques d'un problme de programmation linaire
On dmontre que les trois formes suivantes du problme de programmation linaire sont
quivalentes.

Trouver u tel que

(PL1) u U v R n ; Cijv j d i , 1 i m
j1

n
J(u) inf J(v), J(v) a i vi
vU

i 1

Trouver u tel que

(PL2) u U v R n ; Cijvj di , 1 i m

j1

n
J(u ) inf J(v), J(v) a i vi
vU

i 1

53

Trouver u tel que

(PL3) u U v R n ; Cij vj di , 1 i m

j1

n
J(u) inf J(v), J(v) a i vi
vU

i 1

L'quivalence est considre ici au sens suivant: partant d'un problme pos sous l'une des
trois formes prcdentes, on peut toujours lui faire correspondre un problme pos sous l'une
quelconque des deux autres formes, de telle faon que la connaissance de l'ensemble des
solutions (mme si il est vide au cas o la solution n'existe pas) du problme initial entrane
celle de l'ensemble des solutions du nouveau problme, et inversement.
La forme (PL2) s'appelle forme canonique standard du problme de programmation linaire.
Le passage de (PL1) (PL2) se fait en introduisant des variables positives de sorte que toute
variable pouvant prendre des valeurs ngatives puisse tre remplace par la diffrence de deux
variables positives.
Le passage de (PL2) (PL3) se fait en introduisant de nouvelles variables positives appeles
variables d'cart qui permettent d'crire les ingalits sous forme d'galits.
Dans la suite nous omettrons, afin d'allger les notations, les primes et les secondes en se
rfrant l'un des trois problmes prcdents.
4. Rsolution numrique dun programme mathmatique
Lalgorithme du simplex permet de rsoudre les programmes linaires.
La commande linprog de Matlab permet de rsoudre tout programme linaire.
La commande fmincon de Matlab permet elle de rsoudre des programmes non linaires.
5. Exercices
(6.1) Rsoudre en utilisant le simplexe le programme de programmation linaire suivant:
Trouver u tel que

3
u U v R ; 3v1 v 2 2v 3 7, 2v1 4v 2 12, 4v1 3v 2 8v 3 10

J(v) , J(v) v1 3v 2 2v 3
J(u) inf
vU

54

CHAPITRE 7:
Equations diffrentielles aux drives partielles;
schmas aux diffrences finis
1. Introduction
Considrons les quations diffrentielles aux drives partielles linaires de la forme
L(u) au xx 2bu xy cu yy du x eu y fu g

55

(7.1)

o l'indice reprsente la diffrentiation par rapport la variable considre et a, b, c, d, e, f et g

sont des fonctions donnes supposes continues sur un domaine du plan (x, y) .
Le problme aux limites type qui peut tre dfini avec (7.1) peut se formuler sous la forme du
problme de Dirichlet suivant
Trouver u C 2 () tel que

sur
L(u) g
u(x, y) u (x, y) sur
d

(7.2)

o u d est une fonction donne et la frontire du domaine .

Les quations diffrentielles aux drives partielles linaires (7.1) peuvent tre classes de
type elliptique, hyperbolique ou parabolique selon le comportement des coefficients a, b et c.
L'quation est dite:
- elliptique si b 2 ac 0 dans
- hyperbolique si b 2 ac 0 dans
- parabolique si b 2 ac 0 dans
Si le discriminant b 2 ac change de signe sur , on dit que l'quation est mixte. Des
exemples simples d'quations de type (7.1) sont donns par:
u xx u yy 0 quation de Laplace (elliptique)
u xx u yy 0 quation d'ondes (hyperbolique)
u xx u y 0 quation de diffusion (parabolique)
Le classement prcdent des quations diffrentielles aux drives partielles de type (7.1)
permet denvisager des mthodes de rsolution numrique qui sadaptent davantage la
classe considre. Ainsi, si le problme est hyperbolique, on peut recourir la vieille mthode
des caractristiques, chose que lon ne peut pas faire dans le cas dune quation parabolique
ou elliptique. Aussi, si des schmas aux diffrences finis explicites sont envisags pour
intgrer les quations diffrentielles aux drives partielles, les restrictions sur le pas de temps
qui sont dues la condition de stabilit sont en gnral plus svres pour les problmes
paraboliques que pour les problmes hyperboliques qui soufrent eux davantage de
lamortissement numrique. Dans la suite, seules les quations scalaires de la diffusion et de
la chaleur stationnaire sont tudies.

56

Certains problmes qui sont dfinis par la donne d'une quation de type (7.1) et des
conditions aux limites peuvent tre bien poss dans la mesure o il existe une unique solution
qui varie continment avec les valeurs spcifies aux limites du domaine. A titre d'exemple, si
l'on considre l'quation (7.1) avec f 0 , le problme de Dirichlet (7.2) est bien pos.
2. Equation de diffusion
L'quation de diffusion la plus simple scrit
u t bu xx

(7.3)

o b est une constante positive.

On considre le problme de Cauchy o u(0, x) u 0 (x) et on dsire calculer u(t, x) pour
t 0 . Dans le cas particulier de (7.3), une solution unique existe. Elle est donne sous forme

analytique par

1
u(t, x)
4bt

( x y) 2
4bt

(7.4)

u 0 (y) dy

La relation (7.4) exprime u(t, x) comme une sorte moyenne pondre de u 0 (x) .
3. Schmas aux diffrences finis
On considre dans la suite le cas scalaire dfini par l'quation (7.3). On se donne un rseau de
point dans le plan espace - temps (t, x) . Soit t et x des nombres positifs, le rseau dfini
par (t n , x m ) (nt, mx) pour (n, m) entiers. Les valeurs d'une fonction v dfinie sur le
n
rseau seront notes v m v(t n , x m ) . L'ensemble des points du rseau pour n fix est appel

niveau n. L'ide de base des schmas aux diffrences finis consiste remplacer les drives
partielles par des diffrences finies. On peut ainsi poser
u (n 1)t, mx u nt, mx
u
(nt, mx)
t
t
ou bien

57

(7.5)

u (n 1)t, mx u (n 1) t, mx
u
(nt, mx)
t
2t

(7.6)

La validit des formules (7.5) et (7.6) est justifie par le fait que
u
u(t , x) u(t, x)
u(t , x) u(t , x)
(t, x) lim
lim

0
t

(7.7)

Dans le cas de lquation de diffusion (7.3), on peut dfinir plusieurs schmas aux diffrences
finis. Un exemple de tels schmas est donn par
v nm1 v nm
v n 2v mn v mn 1
b m 1
t
x 2

(7.8)

On peut dmontrer que la stabilit de ce schma exige que b

t
1
et que le schma est
2
x
2

dordre 2. Il sagit l dune condition svre qui dans la pratique exige dutiliser des pas de
temps extrmement petits afin dassurer la convergence. En tant qualternative au schma
(7.8), on peut considrer le schma implicite
v nm1 v nm
v n 1 2v nm1 v nm11
b m 1
t
x 2

(7.9)

qui est inconditionnellement stable.

Le schma saute mouton dfini par
v nm1 v nm1
v n 2v nm v nm 1
b m 1
2t
x 2

(7.10)

est quant lui instable pour toutes les valeurs de

t
.
x 2

Un schma intressant construit par modification du schma prcdent, est le schma de Du

Fort Frankel suivant

58

v nm1 v nm1
v n (v nm1 v nm1 ) v nm 1
b m 1
2t
x 2

(7.11)

Ce schma dordre 2 est inconditionnellement stable.

5. Equation de la chaleur
Lquation de la chaleur stationnaire (quation qui modlise la distribution stationnaire de la
temprature) scrit
u u xx u yy f (x, y)

(7.12)

o f (x, y) est le terme source

Un cas particulier de cette quation est lquation de Laplace
u 0

(7.13)

Afin de rsoudre (7.12) ou bien (7.13), il faut prciser les conditions aux limites qui peuvent
tre de deux types
u ud
u
un
n

sur
sur

Dirichlet

(7.14)

Newman

(7.15)

o est la frontire du domaine .

Dans le cas o lon impose la condition de Newman sur tout , la solution de (7.12)
nexiste que si la donne u n vrifie

f dV u n dS

(7.16)

qui dfinit la condition dintgrabilit (conservation de la quantit de chaleur dans le

domaine).

59

Lintgration numrique de l'quation de la chaleur stationnaire peut tre envisage grce au

schma aux diffrences finies dfini par
u m 1,l 2u m,l u m 1,l
x

u m,l 1 2u m,l u m,l 1

y 2

f m,l

(7.17)

Ce schma est de second ordre.

Si de plus on choisit y x h sur un domaine rectangulaire , l'quation (7.17) se rcrit
h u

1
u m1,l u m1,l u m,l 1 u m,l 1 4u m,l f m,l
h2

(7.18)

4. Exercices
(7.1) Dmontrer que le schma
v nm1 v nm
v n 2v mn v mn 1
b m 1
t
x 2
propos pour rsoudre l'quation de diffusion u t bu xx o b 0 est stable sous la condition
b

t
1
.
2
x
2

60