Vous êtes sur la page 1sur 58

ROYAUME DU MAROC

Université Moulay Ismail

Ecole Supérieure de Technologie de Meknès

Département de Génie Informatique

S3

Cours de

METHODES NUMERIQUES ET RECHERCHE


OPERATIONNELLE

Partie 1

METHODES NUMERIQUES

Mohammed Berrada

2018-2019

1
Avant –propos

Ces pages contiennent un cours d’initiation aux méthodes numériques et


recherche opérationnelle enseigné aux étudiants de deuxième année Génie
Informatique de l’E.S.T. de Meknès (S3). Le contenu est composé de 2 parties :

• La première porte sur les méthodes numériques associées aux fonctions


réelles d’une variable réelle: résolution approchée d’équations non linéaires
et différentielles, interpolation polynômiale, dérivation et intégration
numériques ; résolution des systèmes d’équations linéaires, inversion de
matrices ;

• La deuxième partie porte sur la recherche opérationnelle : après une


introduction sur la théorie des graphes, on abordera le problème du plus
cours chemin, le problème d’énumération et d’existence de chemins et
d’arbres à coût minimum, les problèmes des réseaux de transport et les
méthodes de recherche d’un flot maximum, la méthode de Simplexe…

Ce cours met en place les algorithmes fondamentaux des problèmes abordés,


étudie les questions d’existence, d’unicité et d’estimation des erreurs
commises.

Chaque chapitre est suivi d’une série d’exercices, certains approfondissent


des points du cours, d’autres développent des questions connexes. L’étudiant
est prié de faire ces exercices et de les rédiger soigneusement avant la séance
des travaux dirigés. Ce n’est qu’à ce prix que les points laissés dans le flou
apparaissent.

Ce manuscrit contient très probablement des fautes de frappe ou autres,


voire des erreurs. Je vous prie de me les signaler, cela permettra d’améliorer ces
lignes.

Je vous souhaite une bonne lecture, Mohammed Berrada.

2
Table des matières

Chapitre 1 : Résolution des équations non linéaires

➢ Cours 4
➢ Série n° 1 13

Chapitre 2 : Interpolation et approximation polynômiale

➢ Cours 16
➢ Série n° 2 23

Chapitre 3 : Dérivation numérique

➢ Cours 24
➢ Série n° 3 33

Chapitre 4 : Intégration numérique

➢ Cours 35
➢ Série n° 4 46

Chapitre 5 : Résolution des équations différentielles

➢ Cours 48
➢ Série n° 5 53

3
Résolution des équations non linéaires
1) Introduction

Considérons le problème du calcul approché des solutions d’une équation du


type 𝑓(𝑥) = 0, où 𝑓 est une fonction réelle continue donnée.

Nous savons trouver des solutions exactes avec des méthodes directes et
simples pour les équations polynomiales du 1°degré (𝑎𝑥 + 𝑏 = 0), du 2°degré
(a𝑥 2 + 𝑏𝑥 + 𝑐 = 0 ) ou encore les équations du type (𝑐𝑜𝑠𝑥 = 𝑎 ).

Par contre, les choses se compliquent pour la plupart des autres équations,
telles que les équations polynomiales de degré supérieur ou égale à 3 (a𝑥 3 +
𝑏𝑥 2 + 𝑐𝑥 + 𝑑 = 0 ), o les équations du type: (𝑥 − 𝑙𝑛𝑥 = 0) ou encore du type
3
: (𝑒 𝑥 − 𝑥 4 + √𝑥 + 1 = 0 ), ect..

D’abord, il n’existe pas des méthodes directes qui donnent des solutions
pour ces types d’équations, en plus les solutions trouvées ne sont pas exactes
en général, enfin les calculs sont difficiles et nous ne pouvons pas avoir une
bonne approximation de ces solutions sans utiliser un ordinateur. D’où l’utilité
des méthodes numériques.

Les méthodes numériques utilisées pour approcher la solution exacte α (c’est


à dire vérifiant 𝑓(𝛼) = 0 ) consistent en général à:

➢ Localiser grossièrement α en tâtonnant ou en procédant à une


évaluation de type graphique, on note x0 cette solution approchée ;

➢ Construire, à partir de x0, une suite x1 , x2 ….xn de solutions de plus en


plus proches de la solution exacte α telle que :

lim 𝑥𝑛 = α
𝑛→∞

On dit alors que la méthode est convergente.

Ordre de convergence

Définition : soit p un entier positif. On dit qu’une méthode convergente est


d’ordre p s’il existe une constante C telle que :
| α – xn+1| ≤ C |α – xn |p (1)
➢ Si p = 1 (et C < 1), on parle de convergence linéaire ;

4
➢ Si p = 2 , on parle de convergence quadratique. ;
➢ Si p = 3 , on parle de convergence cubique. ;

NB : Plus l’ordre p est élevé, plus l’algorithme est rapide.

2) Fonction à une seule variable

1) Méthode de dichotomie (ou méthode de la Bissection)

a) Principe de la méthode :

Considérons une fonction réelle et continue 𝑓 sur un intervalle [a, b]. Si 𝑓(𝑎)
et 𝑓(𝑏) sont de signes opposées (soit 𝑓(𝑎). 𝑓(𝑏) < 0), alors le théorème des
valeurs intermédiaires (TVI) montre que l’équation 𝑓(𝑥) = 0 possède au moins
une solution α dans [a, b]. Supposons en plus, que 𝑓 soit strictement monotone
dans [a, b] alors cette solution α est unique.

La méthode de dichotomie consiste à réduire plusieurs fois la taille de


l’intervalle [a, b] contenant α jusqu’à ce que nous trouvons une valeur
approchée de α avec une précision donnée.

Pour cela, on construit une suite (xn)nЄΝ qui converge vers α, et telle que
x0 = 𝑎 et x1 = 𝑏.

Figure 1

5
b) Etapes de la méthode de dichotomie :
𝑎+𝑏
i) On calcule la valeur de la fonction 𝑓(x2) en x2 = , le milieu de
2
[x0 , x1]=[a,b] ;
ii) Si 𝑓(x2) = 0, alors x2 est la solution exacte de 𝑓 (c’àd α =x2 ). Ainsi, on
s’arrête ;
iii) Si 𝑓(x2) ≠ 0, on regarde le signe de 𝑓(𝑎). 𝑓(x2) :
i) Si 𝑓(𝑎). 𝑓(x2) < 0, alors 𝑓 change de signe entre 𝒂 et x2 .Par
conséquent la solution α Є [𝑎, x2], on change alors 𝒃 par x2
ii) Si 𝑓(𝑎). 𝑓(x2) > 0 , alors 𝑓 change de signe entre x2 et 𝒃 et la
solution α Є [x2 , 𝑏], on change ainsi 𝒂 par x2 ;
iv) Si α est dans l’intervalle de gauche [𝑎, x2], alors on choisit pour x3 son
𝑎+𝑥2
milieu (x3 = ) ; sinon, on choisit le milieu de l’intervalle de droite ;
2

v) Si 𝑓(x3)=0, alors x3 est la solution exacte cherchée, on s’arrête ;

vi) Si 𝑓(x3) ≠ 0, on choisit un nouvel intervalle 2 fois plus petit, en


respectant le même raisonnement que (iii) ;

vii) On répète ces étapes 𝑛 fois jusqu’à l’obtention d’une valeur


approchée de α à ε près ; càd jusqu’à ce que :
| xn+1 - α| ≤ ε (2)

Or, lorsque la précision sera jugée suffisante, à l’itération 𝑛, la racine exacte


𝑏−𝑎
α sera localisée sur le petit intervalle [xn , xn+1] ayant une largeur de
2𝑛

Puisque : |xn+1 - α| ≤ |xn+1 - xn|


𝑏−𝑎
on conclue que : |xn+1 - α| ≤
2𝑛

Ce qui permet d’estimer à l’avance le nombre d’itérations minimal 𝒏0


𝑏−𝑎
assurant la précision ε. Il suffit que : ≤ε
2𝑛

𝑏−𝑎
→ 2n ≥
𝜀

𝑏−𝑎
→ 𝑛 𝐿𝑛(2) ≥ 𝐿𝑛 ( )
𝜀

→ 𝑛 ≥ 𝑛0
6
Où le nombre d’itération minimal 𝒏0 assurant la précision ε est donné par :
𝑳𝒏 (𝒃−𝒂)− 𝑳𝒏(𝜺)
𝑛0=E(N)+1 avec 𝑵= (3)
𝑳𝒏(𝟐)

(Si N est un entier on prendra 𝑛0=E(N))

Remarque :

➢ Puisque | xn+1 -α| ≤ 𝐶| xn - α| avec 𝐶 < 1 ; on dit que la méthode de


dichotomie converge linéairement (ordre de convergence 𝑝 = 1) ; ou
encore qu’elle converge à la vitesse d’une progression géométrique) ;

➢ La convergence est aussi indépendante de f.

c) Avantages et limites de la méthode de dichotomie

i) La méthode de dichotomie a les avantages suivant:


▪ elle est assez simple;
▪ elle permet de calculer à priori le nombre d’itération minimal 𝑛0 assurant une
précision ε ;
▪ Elle converge toujours même si la largeur de [𝑎, 𝑏] est grande (on dit qu’elle
est globalement convergente)
Par contre, ses limites sont :

 Il faut avoir une idée de la valeur approchée de la solution exacte cherchée α


pour pouvoir l’encadrer. Cela peut s’obtenir par tâtonnement ou en étudiant
la fonction puis en fixant un intervalle [𝑎, 𝑏] qui encadre α;
 La convergence est lente. Après chaque itération la précision n’est multipliée
que par 2.

2) Méthode de Newton (ou de Newton-Raphson)


a) Principe de la méthode de Newton :

Soit 𝑓 une fonction continument dérivable sur un intervalle 𝐽 𝑑𝑒 𝐼𝑅, dont


la dérivée ne s’annule pas sur cet intervalle. Soit 𝛼 Є 𝐽 un zéro simple de 𝑓, càd
𝑓 (𝛼) = 0 𝑒𝑡 𝑓’(𝛼) ≠ 0 . Supposons que l’on connaisse une valeur 𝑥 0 proche de
la solution exacte α.

7
Figure 2 :

La méthode de Newton consiste à partir de 𝑥 0 et à construire de proche en


proche des approximations 𝑥 n en approchant à chaque fois la fonction 𝑓 au
point (𝑥 n , 𝑓 (𝑥 n)) par sa tangente (Δ) d’équation :
𝑌 = 𝑓’(𝑥 n) (𝑥– 𝑥 n) + 𝑓 (𝑥 n) (4)

𝑥 n+1 est l’abscisse du point d’intersection de l’axe 𝑂𝑥 avec la tangente (Δ).


Ainsi, la pente de (Δ) est donnée par:
𝑓(𝑥𝑛 )− 0
𝑡𝑔(𝛽) = 𝑓’(𝑥 n) ≈
𝑥𝑛 − 𝑥𝑛+1
Ce qui donne pour 𝑛= 0, 1, …:
𝒇(𝒙𝒏 )
𝑥 n+1 = 𝑥 n – (5)
𝒇′ (𝒙𝒏 )

Le nouveau point obtenu 𝑥 n+1 est ainsi plus proche de α que ne l’est 𝑥 n. On
recommence l’opération jusqu’à ce qu’on obtient la précision souhaitée.

b) Convergence locale de la méthode de Newton

Théorème 1

Soit f une fonction 2 fois continument dérivables (f Є C2[a, b]), telle que f’(x) ≠ 0
pour tout x Є J=[a, b]. Supposons qu’il existe un α Є ]a, b[ tel que : f(α) = 0. Alors:

i) il existe un ε>0 tel que pour tout x0 Є[α-ε, α+ε]=Jε ( càd |α-x|≤ε ), la formule
d’itération de Newton (5) commençant en x0 converge vers la racine α ;

ii) De plus, la convergence est au moins quadratique.


Démonstration de la 2° partie (ii) :

8
On développe 𝑓 autour du point 𝑥 n . En un point 𝑥 au voisinage de la solution
approchée 𝑥 n , on écrit le développement de Taylor :
1
𝑓(𝑥) = 𝑓(𝑥 n) + (𝑥 − 𝑥 n) 𝑓’(𝑥n) + 𝑓 ‘’(𝜀 x) (𝑥 − 𝑥 n)2 où εx Є [𝑥, 𝑥 n]
2

on cherche le point α dans l’intervalle [𝑎, 𝑏] tel que 𝑓(𝛼) = 0, donc :


1
0 = 𝑓(𝛼) = 𝑓(𝑥n) + (𝛼 − 𝑥 n) 𝑓’(𝑥 n) + 𝑓 ‘’(εx) (𝛼 − 𝑥 n)2
2

En divisant par 𝑓’(𝑥n) ≠ 0 , on aura :


𝑓(𝑥𝑛 ) 𝑓′′ (𝜀𝛼 )
+ (𝛼 − 𝑥𝑛 ) + (𝛼 − 𝑥𝑛 )2 = 0
𝑓′ (𝑥𝑛 ) 2 𝑓′ (𝑥𝑛 )

En utilisant (5), nous obtenons :


𝑓′′ (𝜀𝛼 )
(𝑥𝑛 − 𝑥𝑛+1 ) + (𝛼 − 𝑥𝑛 ) + (𝛼 − 𝑥𝑛 )2 = 0
2 𝑓′ (𝑥𝑛 )
𝑓′′ (𝜀𝛼 )
Soit : 𝑥𝑛+1 − 𝛼 = (𝛼 − 𝑥𝑛 )2
2 𝑓′ (𝑥𝑛 )

Notons l’erreur 𝑒𝑛 commise en approximant la valeur exacte 𝛼 par une valeur


approchée 𝑥𝑛+1 . Cet erreur est donnée par : 𝑒𝑛 = 𝑥𝑛+1 − 𝛼 . On arrive à :
|𝑓′′ (𝜀𝛼 )|
|𝑥𝑛+1 − 𝛼| = (|𝛼 − 𝑥𝑛 |)2
2 |𝑓′ (𝑥𝑛 )|

|𝑓′′ (𝜀𝛼)|
Ou encore : |𝑒𝑛+1 | = (|𝑒𝑛 |)2 (6)
2 |𝑓′ (𝑥𝑛 )|

Supposons que l’on ait : pour tout 𝑥 Є [𝑎, 𝑏] :

|𝒇’(𝒙)| ≥ 𝒎 > 0 𝑒𝑡 |𝑓 ‘’(𝑥)| < 𝑀


𝑴
L’égalité (2) devient : |𝒆𝒏+𝟏 | ≤ (|𝒆𝒏 |)𝟐 (7)
𝟐𝒎

En posant = 𝑴/𝟐𝒎 , on obtient : |𝒆𝒏+𝟏 | ≤ 𝑪 |𝒆𝒏 |𝟐

On constate que l’erreur 𝒆𝒏+𝟏 de la (𝑛 + 1)-ième approximation est


proportionnelle au carré de l’erreur 𝒆𝒏 de la n-ième approximation. Ce qui
montre que la convergence est quadratique ; càd que si 𝑥 n se trouve à une
distance petite ℎ = 10-2 de la racine cherchée, alors la nouvelle valeur 𝑥 n+1 se
trouvera plus proche de α à une distance ℎ2= 10-4 et 𝑥 n+2 à une distance de 10-8.
La méthode de Newton converge donc beaucoup plus rapidement que la
méthode de dichotomie (qui a une convergence linéaire).

c) Avantages et limites de la méthode de Newton

9
La méthode de Newton a l’avantage d’être simple et surtout de converger très
rapidement Cependant:
➢ Son 1° inconvénient est le besoin de la dérivée f’ (voir formule
(5)). Si on a une expression analytique de 𝑓, cela ne posera pas de
problème. Mais si ce n’est pas le cas, Il faudra alors évaluer
numériquement la dérivée 𝑓’, ce qui est très délicat.
➢ Le 2° inconvénient est qu’il faut s’assurer que la solution 𝛼 soit
une racine simple et non double ; càd : 𝑓(𝛼) = 0 𝑒𝑡 𝑓’(𝛼) ≠ 0.
➢ Son 3° inconvénient est qu’elle n’est que localement
convergente ( En effet, d’après le théorème 1 : elle ne converge que si on
choisit x0 suffisamment proche de α : |𝛼 − 𝑥 0| ≤ 𝜀 ). Cependant, elle peut
diverger si on commence l’itération par une valeur initiale 𝑥 0 loin de α.

Exemple : Soit la fonction définie dans IR par : 𝑓(𝑥) = 𝑎𝑟𝑐𝑡𝑎𝑛 (𝑥)

Nous savons que l’unique solution de l’équation 𝑓(𝛼) = 0 𝑒𝑠𝑡 𝛼 = 0


1
Or 𝑓’(𝑥) = ………………. → 𝑓’(0) = 1
1+𝑥 2

Puisque …… 𝑓’(0) ≠ 0…….alors 𝛼 = 0 est bien une racine simple….

Prenons une valeur initiale 𝑥 0 assez loin de 𝛼: 𝑥 0 = 1,5 ; la formule (5)


donne : 𝑥 1 = -1,694.. 𝑥 2 = 2,321 … 𝑥 3 = -5,114.. 𝑥 4 = 32,295…

On remarque que lorsque 𝑛→∞, la méthode de Newton diverge.

Figure 3 :

d) Critères de convergence locale et globale de la méthode de Newton

10
i) Critères de convergence locale

L’exemple précédent montre que la méthode de Newton ne converge pas


pour toute valeur initiale 𝑥 0 !

✓ Tout d’abord, il faut s’assurer que la solution α visée soit une


racine simple ; càd α doit vérifier les 2 conditions: 𝑓(𝛼) = 0 𝑒𝑡 𝑓’(𝛼) ≠ 0
✓ Ensuite, il faut bien choisir 𝑥 0 proche de α. En effet, le
théorème1 donne un résultat de convergence locale; càd: si 𝑥 0 est près de
la racine α, l’itération de Newton converge. Sinon, elle peut diverger.

Comment doit-on choisir alors la valeur initiale 𝑥 0 pour assurer la convergence ?

L’inégalité (7) entraîne : |𝑥𝑛+1 − 𝛼 | ≤ 𝐶 |𝛼 − 𝑥𝑛 |2

≤ 𝐶 3 |𝑥𝑛−1 − 𝛼|4

≤⋯
𝑛+1 −1) (𝑛+1)
≤ 𝐶 (2 |𝑥0 − 𝛼|2

Comme : |𝑥0 − 𝛼| ≤ |𝑏 − 𝑎|
𝟏 𝒏
on arrive à : |𝒙𝒏+𝟏 − 𝜶| ≤ [ 𝑪 (𝒃 − 𝒂)]𝟐 𝑛 = 0, 1,2.. (8)
𝑪

Or on a: lim ( 𝑞𝑛 ) = 0 𝑠𝑠𝑖 |𝑞| < 1 :convergence des suites géométriques.


𝑛→∞

Par conséquent, Il y a convergence locale vers la solution α, si la condition


𝐶 (𝑏 − 𝑎) < 1 est vérifiée. On y parvient toujours en choisissant l’intervalle
[𝑎, 𝑏] suffisamment petit, càd vérifiant la condition (8) suivante :

Puisque 𝐶 = 𝑀/2𝑚, la condition précédente devient 𝒃 − 𝒂 < 2𝒎/𝑴 (9)

Avec 𝒎 = 𝐦𝐢𝐧 |𝒇′ (𝒙)| et 𝑴 = 𝐦𝐚𝐱 |𝒇′′ (𝒙)|


𝒙Є[𝒂,𝒃] 𝒙Є[𝒂,𝒃]

La convergence est garantie si on choisit 𝑥 0 Є [𝑎, 𝑏] vérifiant (9). On dit qu’on


a une convergence locale puisque le choix de 𝑥 0 est limité par la condition (9).

N.B: Il est nécessaire, d’après le théorème 1, que [𝑎, 𝑏] contienne la racine α.

11
Exemple précédent 𝑓(𝑥) = arctan(𝑥)

Il est clair que l’unique solution de l’équation 𝑓(𝛼) = 0 𝑒𝑠𝑡 𝛼 = 0

Or 𝑓’(𝑥) = 1/(1 + 𝑥 2) → 𝑓’(0) = 1

Puisque 𝑓(0) = 0 et 𝑓’(0) ≠ 0 alors 𝛼 = 0 est bien une racine simple

Prenons un intervalle 𝐽 assez petit contenant la racine 𝛼 = 0 tel que : 𝐽=


3 3
[𝑎, 𝑏]=[- , + ] 𝑑𝑜𝑛𝑐: 𝑏 – 𝑎 = ⋯ … … … … .. .Voyons si la cd (9) est vérifiée
4 4

1 1
On a : 𝑓 ′ (𝑥 ) = → |𝒇′ (𝒙)| =
1+ 𝑥 2 1+ 𝑥 2

Pour calculer 𝒎 = min |𝑓 ′ (𝑥)| ,il faudra donc calculer la dérivée de |𝑓 ′ (𝑥)|
𝑥Є[𝑎,𝑏]

Mais dans notre cas, ce n’est pas la peine puisqu’il est clair que la valeur de
|𝒇′ (𝒙)| diminue quand 𝑥 augmente. Par conséquent :

|𝑓 ′ (𝑥)| = ⋯ … … … … … … .
𝑚 = min
𝑥Є[𝑎,𝑏]

𝑓 ′′ (𝑥) = ⋯ … … … … …

|𝑓 ′′ (𝑥)|′ = ⋯ … … … … ….

𝑀 = max |𝑓 ′′ (𝑥)| est obtenu pour 𝑥 vérifiant :


𝑥Є[𝑎,𝑏]

|𝑓 ′′ (𝑥)|′ = 0 → 𝑥 = ⋯ … … … … ..

√3
Donc : 𝑀 = |𝑓 ′′ ( )| = ……………..
3

2𝑚
Soit : = ⋯………
𝑀

2𝑚
Ainsi , la condition (9) : 𝑏 − 𝑎 < est vérifiée puisque : 𝑏 − 𝑎=…………………….
𝑀

3 3
Par conséquent Newton garantie la convergence pour tout 𝑥 0 Є [- , ].
4 4

Remarques :

➢ Le théorème 1 donne un résultat de convergence locale : si 𝑥 0 appartient à


un petit intervalle [𝑎, 𝑏] vérifiant la condition (8), alors il est certain que
l’itération de Newton convergera. Sinon, il se peut que la méthode diverge
comme il se peut qu’elle converge. Pour avoir une réponse sûre, il faudra

12
procéder au calcul des termes de la suite (𝑥 n) à partir de la formule (5) et
voir s’ils ont une tendance vers une certaine valeur quand 𝑛 augmente.

➢ Afin d’assurer la convergence de Newton, la condition (9) est suffisante et


non nécessaire . En d’autres termes, si on trouve un intervalle [𝑎, 𝑏]
vérifiant (9), alors cet intervalle n’est pas unique. En outre, il se peut que la
méthode de Newton converge même si 𝑥 0 n’appartient pas à [𝑎, 𝑏].
3 3
Exemple précédent: même si 𝑥 0 = 0,769 Є J=[- , + ] ; la formule (5) converge:
4 4

x1 ≈ -O,274 x2 ≈ 1,354 . 10-2 x3 ≈ -1,657 . 10-6 x4 ≈ 3,033 . 10-18 xn → 0

ii) Critères de convergence globale

Le théorème 1 donne un résultat de convergence locale. Nous avons


cependant une proposition de convergence globale pour la méthode de
Newton; càd où 𝑥 0 ne soit pas nécessairement choisi près de la racine α; et où
2𝑚
[𝑎, 𝑏] contenant 𝑥 0 n’est pas obligé de vérifier la condition (9 ) : 𝑏 − 𝑎 < .
𝑀

Proposition de convergence globale :

Soit f une fonction de classe C2 sur [a,b] telle que :

i) f(a) f(b) < 0 ;


ii) f’(x) ≠ 0 pour tout x Є ]a,b[ (càd pas de min ou max)
iii) f’’(x) ≥ 0 (resp. f’’(x) ≤ 0) pour tout xЄ]a,b[
alors, la méthode de Newton avec comme condition initiale x 0Є]a,b[ , tel que
f(x0) ≥ 0 (resp. f(x0) ≤ 0) converge vers l’unique zéro α de f sur ]a,b[.

13
Université Moulay Ismail Année universitaire : 2018-2019

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 1
Résolution des équations non linéaires

Exercice 1 (DS 2012-2013):

Soit la fonction numérique d’une variable réelle définie sur [0, 4] par :
𝑓(𝑥) = 𝑥 − ln(𝑥 2 + 3) (1)

1) Donner le tableau de variation de 𝑓 (sans tracer la courbe) ;


2) Montrer que l’équation 𝑓(𝑥) = 0 admet une solution unique 𝛼 entre 0 et 4.
3) Supposons que l’on utilise la méthode de dichotomie pour déterminer un zéro de 𝑓
sur [0; 4].
a) Combien d’itérations faudra-t-il réaliser pour assurer une précision de 2x10-6 ?
b) Trouver un encadrement de 𝛼 en faisant 2 itérations.
4) On veut utiliser la méthode de Newton pour trouver une suite (𝑥𝑛 ) qui converge vers
la solution 𝛼 :
a) Peut-on appliquer la méthode de Newton sur [0, 4] ? Si oui, donner la formule
itérative 𝑥𝑛+1 = 𝑓(𝑥𝑛 ) ;
b) Calculer les 2 premières solutions approchées 𝑥1 𝑒𝑡 𝑥2 . On prendra 𝑥0 = 0.
c) En appliquant la proposition de convergence globale sur l’intervalle [√3, 4],
comment doit-on choisir 𝑥0 pour assurer la convergence de Newton vers 𝛼 ?
d) En choisissant 𝑥0 = 3, est-ce que la convergence est assurée ?

Exercice 2 (DS 2011-2012):


𝜋
Soit la fonction numérique d’une variable réelle définie sur 𝐼 = [0, 4 ] par :
𝑓(𝑥) = 3𝑥 − 𝑐𝑜𝑠 2 (2𝑥) (1)

1) Montrer que l’équation 𝑓(𝑥) = 0 admet une solution unique 𝛼 dans l’intervalle 𝐼 .
2) On cherche une valeur approchée de la solution exacte 𝛼 :
a) Peut-on appliquer la méthode de Newton à la fonction 𝑓 sur 𝐼 ?
b) Si oui, donner la formule itérative de Newton : 𝑥𝑛+1 𝑒𝑛 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑑𝑒 𝑥𝑛 ;
c) En partant de 𝑥0 = 0 ; faire une seule itération par la méthode de Newton.
3) a) En étudiant le signe de la dérivée seconde 𝑓′′ sur 𝐼, choisissez un intervalle 𝐽 (𝐽 ⊂
𝐼) sur lequel on peut appliquer la proposition de convergence globale ;
b) Quelle condition doit vérifier la valeur initiale x0 pour assurer la convergence de la
méthode de Newton vers 𝛼 ?

14
π
c) En partant de x0 = 12, la convergence est-elle garantie ?

Exercice 3 :

Soit la fonction numérique définit sur IR par : 𝑓 (𝑥) = −𝑥 3 + 3𝑥 + 1

1) Montrer que l’équation 𝑓(𝑥) = 0 admet 1 solution unique β sur 𝐼 = [−1, 0].
2) Calculer, par dichotomie, un encadrement de la solution β à la précision ε=1,25.10-1 .
3) On veut utiliser la méthode de Newton pour trouver une suite récurrente qui
converge vers β :
a) Est-ce que la méthode de Newton converge pour n’importe quel 𝑥0 choisi dans
3 3
[- 4 , 4 ]?
b) Comment doit-on choisir 𝑥0 pour assurer la convergence de la méthode de
Newton ?

Exercice 4:

Soit la fonction définit dans IR par 𝑓 (𝑥) = 𝑥 − ln(𝑥 + 2)

1) Montrer que 𝑓′ et 𝑓′′ sont positives sur [0, +∞[ .


2) Montrer que 𝑓 possède un unique zéro sur [0, 2] .
3) Calculer, par dichotomie, un encadrement de la solution α de l’équation 𝑓(𝑥) = 0 à
la précision ε=0,25.
4) a) Trouver la formule itérative de la méthode de Newton pour la fonction 𝑓.
b) Montrer que la méthode de Newton converge si on prend 𝑥0 = 2 .
c) En prenant 𝑥0 = 2, Faire 4 itérations avec la méthode de Newton pour trouver α.

15
Interpolation et Approximation
I. Position du problème

Le problème de l’interpolation consiste à chercher des fonctions simples


(polynômes..) passant par des points donnés : (𝑥0 , 𝑦0 ) , (𝑥1 , 𝑦1 ) … . (𝑥𝑛, 𝑦𝑛 ) ;

Càd : on cherche un polynôme 𝑝(𝑥) tel que

𝑝(𝑥𝑖 ) = 𝑦𝑖 pour i=0, 1…n (1)

Une manière de résoudre ce problème est d’écrire :

𝒑(𝒙) = 𝒂𝟎 + 𝒂𝟏 𝒙 + 𝒂𝟐 𝒙𝟐 + ⋯ … + 𝒂𝒏 𝒙𝒏 (2)

Figure 1

Le polynôme p passe par les (n+1) points (𝑥𝑖, 𝑦𝑖 ) qui sont connues. Ce qui
forme un système de (n+1) équations à (n+1) inconnues 𝒂𝟎 , 𝒂𝟏 , … . 𝒂𝒏 :

𝒂𝟎 + 𝒂𝟏 𝒙𝟎 + 𝒂𝟐 𝒙𝟐𝟎 + ⋯ … + 𝒂𝒏 𝒙𝒏𝟎 = 𝒚𝟎
{ 𝒂𝟎 + 𝒂𝟏 𝒙𝟏 + 𝒂𝟐 𝒙𝟐𝟏 + ⋯ … + 𝒂𝒏 𝒙𝒏𝟏 = 𝒚𝟏 (3)
𝒂𝟎 + 𝒂𝟏 𝒙𝒏 + 𝒂𝟐 𝒙𝟐𝒏 + ⋯ … + 𝒂𝒏 𝒙𝒏𝒏 = 𝒚𝒏

La résolution de ce système n’est pas une tâche triviale. Dans la suite, nous
présenterons une méthode plus astucieuse pour construire le polynôme 𝒑.

16
II. Formule d’interpolation de Lagrange :

1) Principe

Théorème : Soit une fonction 𝑓Є 𝐶 0 (𝐼). Il existe un unique polynôme 𝑝𝑛 𝑑𝑒 degré


inférieur ou égal à n tel que :

∀ 𝑗 = 0, 1 … 𝑛 ∶ 𝑝𝑛 (𝑥𝑗 ) = 𝑓(𝑥𝑗 ) (5)

Ce polynôme s’écrit :

𝑝𝑛 (𝑥) = ∑𝑛𝑖=0 𝑙𝑖 (𝑥) 𝑓(𝑥𝑖 ) (6)


𝑥− 𝑥𝑗 (𝑥− 𝑥𝑜 ) ( 𝑥− 𝑥1 )..……(𝑥− 𝑥𝑖−1 ) (𝑥− 𝑥𝑖+1 )……( 𝑥− 𝑥𝑛 )
Avec : 𝑙𝑖 (𝑥) = ∏𝑛𝑗=1 = (𝑥𝑖 − 𝑥0 )(𝑥𝑖 − 𝑥1 )…….(𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 )…..(𝑥𝑖 − 𝑥𝑛 )
(7)
𝑥𝑖 − 𝑥𝑗
𝑗≠𝑖

Le polynôme 𝑝𝑛 défini par (6) s’appelle le polynôme d’interpolation de Lagrange de la


fonction 𝑓 aux points 𝑥0 , 𝑥1 … 𝑥𝑛 .

Les polynômes 𝑙𝑖 (𝑖 = 0, 1 … 𝑛) s’appellent les polynômes de base de Lagrange.

Exemple : Interpolation cubique

Déterminons le polynôme d’interpolation de Lagrange vérifiant le tableau (1) suivant

𝑥 0 1 2 3

𝑦 -1 5 14 24

Tableau (1)

Le degré du polynôme interpolant = nombre de point-1.

Dans notre cas : Le degré du polynôme interpolant de Lagrange est d= 4-1=3..

• Déterminons les polynômes de base de Lagrange 𝑙 i associés aux point 𝑥 i


𝑥− 𝑥𝑗 (𝑥− 𝑥1 ) ( 𝑥− 𝑥2 )(𝑥− 𝑥3 )
𝑙0 (𝑥) = ∏3𝑗=0 = (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 )
𝑥0 − 𝑥𝑗
𝑗≠0

𝑙0 (𝑥) = ⋯ … … … … … … … … … … … … … … … … … … … … … … …
𝑥− 𝑥𝑗 (𝑥− 𝑥0 )(𝑥− 𝑥2 ) ( 𝑥− 𝑥3 )
De même : 𝑙1 (𝑥) = ∏3𝑗=0 = (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )
𝑥1 − 𝑥𝑗
𝑗≠1

𝑙1 (𝑥) = ⋯ … … … … … … … … … … … … … … … … … … … … … … . ..

17
D’une façon analogue, on trouve :
1
𝑙2 (𝑥) = − (𝑥 3 − 4𝑥 2 + 3𝑥)
2

1
𝑙3 (𝑥) = (𝑥 3 − 3𝑥 2 + 2𝑥)
6

• Déterminons, à partir de (7), le polynôme d’interpolation de Lagrange 𝑝n

𝑝3 (𝑥) = ∑3𝑖=0 𝑙𝑖 (𝑥) 𝑓(𝑥𝑖 )

Soit : 𝑝3 (𝑥) = ⋯ … … … … … … … … … … … … … … … … … … ….
1 5 23
Après calcul, on trouve : 𝑝3 (𝑥) = − 𝑥 3 + 𝑥 2 + 𝑥−1
3 2 6

Remarque :

* Le polynôme 𝑝3 passe par tous les points du tableau (1) (ex : 𝑝3 (2) = 14)

* La méthode de Lagrange permet de trouver les coefficients 𝒂𝟎 , 𝒂𝟏 , … . 𝒂𝒏 du


polynôme 𝒑(𝒙) définit dans (2) sans avoir besoin de résoudre le système (3).

2) Matrices régulières de Lagrange

La formule (6) montre que le polynôme d’interpolation de Lagrange 𝒑n dépend

de la fonction 𝑓 (via 𝑓(𝑥𝑖 )) . . Par contre, Les polynômes de base de Lagrange 𝒍𝒊 (𝒙)
ne dépendent pas de la fonction 𝑓, et ne dépendent que des valeurs d’interpolation
choisies 𝑥𝑖 (comme le montre la formule (7)). Par conséquent, pour des valeurs de 𝑥𝑖
bien déterminées, les expressions des polynômes 𝑙𝑖 (𝑥) seront identiques quelques
soient leurs images 𝑓(𝑥𝑖 ).

Afin d’alléger les calculs, la remarque précédente a poussé des mathématiciens à


déterminer les matrices régulières de Lagrange, qui sont des matrices
d’interpolation, correspondant à des valeurs d’interpolation formés de nombre
entiers relatifs bien déterminés(..-2,-1,0,1,2..). Le calcul de ces matrices se fait par
l’intermédiaire des polynômes de base de Lagrange. Citons certaines de ces matrices :

18
❖ Valeurs d’interpolation : 0, 1, 2 :

𝑙0 𝑙1 𝑙2

2 0 0
[L2] = ½ [−3 4 − 1] 𝑥
1 −2 1

❖ Valeurs d’interpolation : -1,0, 1 :

0 2 0
[L2*] = ½ [−1 0 1]
1 −2 1

Valeurs d’interpolation : 0, 1, 2, 3 :

6 0 0 0
[L3] = 1/6 [ −11 18 −9 2
]
6 − 15 12 −3
−1 3 −3 1

❖ Valeurs d’interpolation : -1, 0, 1, 2 :

0 6 0 0
[L3*] = 1/6 [−2 −3 6 −1
]
3 −6 3 0
−1 3 −3 1

❖ Valeurs d’interpolation : 0, 1, 2, 3, 4 :

24 0 0 0 0
−50 96 − 72 32 −6
[L4] = 1/24 35 − 104 114 − 56 11
−10 36 − 48 28 −6
[ 1 −4 6 −4 1]

❖ Valeurs d’interpolation : -2, -1, 0, 1, 2 :

0 0 24 0 0
2 − 16 0 16 −2
*
[L4 ] = 1/24 −1 16 − 30 16 −1
−2 4 0 −4 2
[ 1 −4 6 −4 1 ]

19
❖ Valeurs d’interpolation : 0, 1, 2, 3, 4, 5 :

120 0 0 0 0 0
−274 600 − 600 400 − 150 24
225 − 770 1070 − 780 305 − 50
[L5] = 1/120
−85 355 − 590 390 − 205 35
15 − 70 30 − 120 55 − 10
[ −1 5 − 10 10 −5 1 ]

3) Erreur d’interpolation d’une fonction continue :

Rappelons que, lorsqu’on substitue une fonction 𝑓 continue par son interpolant de
Lagrange 𝑝𝑛 (𝑥) aux points 𝑥0 , 𝑥1 … 𝑥𝑛 de [a, b], alors :

• aux points 𝑥𝑖 : 𝑝𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ), (pas d’erreur en 𝑥𝑖 )


• par contre pour 𝑥Є]𝑥𝑖 , 𝑥𝑖+1 [ : 𝑝𝑛 (𝑥) ≠ 𝑓 (𝑥) en général ( pour 𝑥 ≠ 𝑥𝑖 )

Ainsi, si l’erreur due à l’interpolation est nulle aux points donnés 𝑥 = 𝑥𝑖 , elle ne
l’est pas en général aux points 𝑥 ≠ 𝑥𝑖 . Afin d’améliorer la qualité d’interpolation,
nous essaierons de minimiser l’erreur 𝑒𝑛 (𝑥) commise par l’interpolation qui est
définie par : 𝒆𝒏 (𝒙) = 𝒇(𝒙) − 𝒑𝒏 (𝒙) pour tout 𝑥 Є [𝑎, 𝑏] (8)

Dans le cas où les points 𝑥0 , 𝑥1 … 𝑥𝑛 sont équirépartis dans [a, b], alors on peut
montrer que, l’erreur maximale vérifie :

𝑴𝒏+𝟏 𝒃−𝒂 𝒏+𝟏


𝑴𝒂𝒙 |𝒆𝒏 (𝒙)| ≤ ( ) . (12)
𝒙Є[𝒂,𝒃] 𝟐(𝒏+𝟏) 𝒏

A priori, nous pourrions penser que cette erreur converge vers 0 quand n→∞
1 𝑏−𝑎 𝑛+1
puisque nous avons : Lim ( ) = ⋯ …;
n→∞ 2(𝑛+1) 𝑛

Cependant, cette affirmation est souvent fausse car 𝑀𝑛+1 peut croitre très
rapidement avec . Ce phénomène est illustré dans l’exemple suivant :

4) Phénomène de Runge :
1
Considérons la fonction définie sur [-5, 5] par : 𝑓 (𝑥) =
1+ 𝑥 2

La figure suivante montre son interpolant 𝑝𝑛 de degré n aux points équirépartis :


2𝑖
𝑥𝑖 = −1 + 𝑜ù 𝑖 = 0, 1, … . . 𝑛 (13)
𝑛

20
Figure 2

Pour n = 5 et n = 10 , nous observons qu’au voisinage des extrémités -1 et 1,


𝑝𝑛 (𝑥) présente de grandes oscillations qui augmentent avec n.

III. Interpolation de Lagrange avec les points de Chebysheff

L’exemple précédent montre qu’il n’est pas recommandé de choisir des points
2𝑖
équidistants (𝑥𝑖 = −1 + 𝑜ù i = 0, 1, … . . n ) pour interpoler une fonction par
𝑛
un polynôme de Lagrange de degré 𝑛 élevé.

Chebysheff a montré que, pour un 𝑛 donné, les points 𝑥𝑖 de [a, b] (dits points de
Chebysheff) pour lesquels l’erreur 𝑒𝑛 (𝑥) est minimale sont définit par :
𝒂+𝒃 𝒃−𝒂 (𝟐𝒊+𝟏)𝝅
𝒙𝒊 = + 𝐜𝐨𝐬 𝑜ù 𝑖 = 0, 1, … . . 𝑛 (14)
𝟐 𝟐 𝟐(𝒏+𝟏)

En pratique, connaissant les extrémités 𝑎, 𝑏 et le nombre de points 𝑛, on détermine


les points 𝒙𝒊 à partir de (14), puis le polynôme d’interpolation de Lagrange en 𝒙𝒊 .

N.B. : * Les points de Chebysheff ne sont pas équidistants, ne sont pas des entiers
relatifs en général, et ne dépendent pas non plus de la fonction à interpoler.

21
* La méthode de Chebysheff nécessite la connaissance de l’expression
analytique de la fonction à interpoler.

En traçant la courbe relative au polynôme de Lagrange déterminé aux points


de Chebysheff ( 𝑛= 5 et n=10 ). Nous remarquons que :

• Les oscillations dans la courbe de Chebysheff sont nettement plus petites que
celles dans la courbe aux points équidistants ;
• Avec les points de Chebysheff, l’erreur 𝑀𝑎𝑥 |𝑒𝑛 (𝑥)| →0 quand n→ ∞
𝑥Є[𝑎,𝑏]
• Contrairement aux points équidistants, les courbes de Chebysheff montrent que
les oscillations diminuent lorsqu’on augmente le degré n du polynôme 𝑝𝑛 .

IV. Approximation au sens des moindres carrés :

1) Problème des moindres carrés discrets :

Dans le processus d’interpolation (Lagrange, spline..), la fonction d’interpolation doit


passer par tous les 𝑛 points (𝑥 i , 𝑦i). Lorsque les points sont nombreux et sont issus
d’une expérience, où chaque mesure est entachée d’une erreur, le polynôme
interpolant peut présenter des oscillations importantes. On peut alors souhaiter
extraire une corrélation simple entre les variables 𝑥 𝑒𝑡 𝑦 d’un échantillon sans pour
autant vouloir une fonction interpolant qui passe par tous les points(𝑥 i , 𝑦i). On
réalise alors ……………………..…….. par le polynôme aux moindres carrés discrets 𝑝𝑚 de
degré 𝑚 tel que 𝑚 + 1 < 𝑛 (𝑛 est le nombre de points) :

𝒑𝒎 (𝒙) = 𝒂𝟎 + 𝒂𝟏 𝒙 + 𝒂𝟐 𝒙𝟐 + ⋯ … + 𝒂𝒎 𝒙𝒎 (21)

La question est : comment trouver les coefficients 𝒂𝒊 du polynôme aux moindres


carrés discrets, de manière à réaliser le meilleur ajustement ? On cherche
……………………………………………………….. suivante :

𝛷(𝒂𝟎 , 𝒂𝟏 , 𝒂𝟐 … 𝒂𝒎 ) = ∑𝒏𝒊=𝟎 [ 𝒚𝒊 − ( 𝒂𝟎 + 𝒂𝟏 𝒙 + 𝒂𝟐 𝒙𝟐 + ⋯ + 𝒂𝒎 𝒙𝒎 )] 2 (22)

Les coefficients 𝒂𝒊 peuvent ainsi être déterminés moyennant les relations :


𝜕𝛷
=0 où 𝑖 = 1,2 … 𝑚 (23)
𝜕𝑎𝑖

Ce qui nous donne un système de 𝑚 relations linéaires entre les coefficients 𝒂𝒊


permettant ainsi de les déterminer, puis de déduire le polynôme aux moindres carrés
discret 𝑝𝑚 à partir de (21).Ce polynôme ne passe pas nécessairement par les n points.

22
Université Moulay Ismail Année universitaire : 2018-2019

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 2
Interpolation et approximation

Exercice 1 : Considérons la fonction numérique d’une variable réelle 𝑓 définie par :

𝑓(𝑥) = 𝑒 𝑥
1) Calculer l’interpolant de degré 2 de la fonction 𝑓 aux points d’appui
d’abscisses -1, 0 et 1 ;
2) Trouver une majoration de l’erreur dans l’intervalle [-1, 1] .

Exercice 2 : Soit la fonction réelle 𝑓 définie par :


𝑓(𝑥) = √𝑥 + 1
1
1) a) Déterminer le polynôme d’interpolation de Lagrange 𝑃2 aux points 0, , 1.
2
b) Calculer 𝑃2 (0,1) 𝑒𝑡 𝑃2 (0,9) ; les comparer aux valeurs exactes ;
2) Donner une majoration de l’erreur |𝑓 (𝑥) − 𝑃2 (𝑥)| ;
3) Ecrire le développement de Taylor Q d’ordre 3 de la fonction 𝑓 au voisinage de
𝑥0 = 0. Calculer Q(0,1) et Q(0,9) ; comparer avec les résultats précédents ;
4) On veut approcher la fonction 𝑓 par une droite en utilisant la méthode des
1
moindres carrés discrets définies avec les abscisses 0, et 1. Déterminer
2
l’équation de cette droite. Calculer sa valeur en 0,1 et 0,9.
5) Comparer ces 3 méthodes.

Exercice 3 :

1) Calculer le polynôme d’interpolation de Lagrange de la fonction 𝑓 définie aux


points d’abscisses -1, 1 et 2 par :
𝑓 (x) = x(x 2 − 1)
2) Que se passe-t-il si l’on rajoute le point d’abscisse -2 ?

23
Dérivation numérique

Calculer en un point la dérivée 𝑓′ d’une fonction dont on connait une


expression analytique ne pose aucune difficulté. Plus délicat est l’estimation de
la dérivée d’une fonction non analytique, par exemple une fonction définit par
un ensemble de N points de mesures {(𝑥𝑖 , 𝑦𝑖 )}.

I. Calcul de la dérivée première

1) Approche :
Soit 𝑓 ∶ [𝑎, 𝑏] → 𝐼𝑅 une fonction continue et de dérivée 𝑓′ continue. On
rappelle la définition de la dérivée première en un point 𝑥0 :
𝑓(𝑥+ℎ)− 𝑓(𝑥)
𝑓 ′ (𝑥) = lim (1)
ℎ→0 ℎ

2) Schémas numériques :

On suppose que 𝑓 n’est connue qu’aux points 𝑥0 = 𝑎, 𝑥1 … 𝑥𝑖 … , 𝑥𝑛 = 𝑏


𝑏−𝑎
Soit ℎ le pas de discrétion : ℎ= = 𝑥𝑖 − 𝑥𝑖−1 = 𝑥𝑖+1 − 𝑥𝑖
𝑛

Afin d’alléger l’écriture, on note : 𝑓 = 𝑓 (𝑥𝑖 ) 𝑒𝑡 𝑓 ′ = 𝑓 ′ (𝑥𝑖 )

𝑓𝑖−1 = 𝑓 (𝑥𝑖−1 ) = 𝑓(𝑥𝑖 − ℎ)

𝑓𝑖+1 = 𝑓 (𝑥𝑖+1 ) = 𝑓(𝑥𝑖 + ℎ) (2)

𝑓𝑖+2 = 𝑓 (𝑥𝑖+2 ) = 𝑓 (𝑥𝑖 + 2ℎ) ….

On définit 3 méthodes de calcul approchées de la dérivée première.

a) Schéma aux différences finies progressive (ou décentrées avant)

Le développement limité d’ordre 1 en 𝑥𝑖 ∈ [𝑎, 𝑏] s’écrit :

𝑓(𝑥𝑖 + ℎ) = 𝑓 (𝑥𝑖 ) + 𝑓 ′ (𝑥𝑖 )ℎ + 𝜃1 (ℎ)


𝑓(𝑥𝑖 +ℎ)− 𝑓(𝑥𝑖 )
Soit : 𝑓 ′ (𝑥𝑖 ) = + 𝜃1 (ℎ)

Ou encore : 𝑓 ′ (𝑥𝑖 ) = 𝑓𝑝′ (𝑥𝑖 ) + 𝜃1 (ℎ)
𝑓(𝑥𝑖 +ℎ)− 𝑓(𝑥𝑖 )
Où : 𝑓𝑝′ (𝑥𝑖 ) = = (𝑓𝑝′ )𝑖

24
En notation indicielle: 𝑓𝑖′ = (𝑓𝑝′ )𝑖 + 𝜃 (ℎ) (3)

Où 𝑓𝑖′ est la valeur exacte de la dérivée et 𝑓𝑝′ est une valeur approchée de 𝑓𝑖′
appelée la dérivée première progressive (ou décentrée avant).
𝑓𝑖+1 − 𝑓𝑖
𝑓𝑝′ (𝑥𝑖 ) = (𝑓𝑝′ )𝑖 = 𝑜ù 𝑖 = 0, 1 … 𝑛 − 1 (4)

NB : On ne peut pas calculer 𝑓𝑝′ en (𝑥𝑛 = 𝑏) (effet de bord).

b) Schéma aux différences finies rétrograde (ou décentrées après) :

Le développement limité d’ordre 1 en 𝑥𝑖 ∈ [𝑎, 𝑏] s’écrit :

𝑓 (𝑥𝑖 − ℎ) = 𝑓 (𝑥𝑖 ) − 𝑓 ′ (𝑥𝑖 )ℎ + 𝜃2 (ℎ)


La dérivée exacte est : 𝑓 ′ (𝑥𝑖 ) = 𝑓𝑖′ = (𝑓𝑟′ )𝑖 + 𝜃2 (ℎ) (5)
𝑓(𝑥𝑖 )− 𝑓(𝑥𝑖 −ℎ)
Où : 𝑓𝑟′ (𝑥𝑖 ) =

𝑓𝑖 − 𝑓𝑖−1
Soit : 𝑓𝑟′ (𝑥𝑖 ) = (𝑓𝑟′ )𝑖 = 𝑜ù 𝑖 = 1, 2 … 𝑛 (6)
4

NB : On ne peut pas calculer 𝑓𝑟′ en (𝑥0 = 𝑎) (effet de bord).

c) Schéma aux différences finies centrées :

La dérivée exacte est : 𝑓 ′ (𝑥𝑖 ) = 𝑓𝑖′ = (𝑓𝑐′ )𝑖 + 𝜃3 (ℎ) (7)

𝑓(𝑥𝑖 + ℎ) − 𝑓(𝑥𝑖 − ℎ)
𝑓𝑐′ (𝑥𝑖 ) =
2ℎ
𝑓𝑖+1 − 𝑓𝑖−1
Soit : 𝑓𝑐′ (𝑥𝑖 ) = (𝑓𝑐′ )𝑖 = 𝑜ù 𝑖 = 1 … 𝑛 − 1 (8)
2ℎ

NB : On ne peut pas calculer 𝑓𝑐′ en (𝑥0 = 𝑎 𝑒𝑡 𝑥𝑛 = 𝑏 ) .

3) Précision des approximations précédentes :

Les dérivées (𝑓𝑝′ )𝑖 , (𝑓𝑟′ )𝑖 𝑒𝑡 (𝑓𝑐′ )𝑖 sont des valeurs approchées de la dérivée
exacte 𝑓𝑖′ = 𝑓 ′ (𝑥𝑖 ). Ces approximations sont dues à 2 types d’erreurs : l’erreur
de troncature et l’erreur d’arrondie. Le détail concernant l’erreur d’arrondie
sera présenté en annexe.

a) Erreur de troncature :

On peut montrer, en utilisant le développement limité que l’erreur de


troncature (𝑒𝑡 ) est définit par :

25
i) Différences finies progressives
1
𝑒𝑡 = |𝑓𝑖′ − (𝑓𝑝′ )𝑖 | ≤ 𝐶ℎ où C= max |𝑓 ′′ (𝑥)| (9)
2 𝑥∈[𝑥𝑖 , 𝑥𝑖 +ℎ]

ii) Différences finies rétrogrades


1
𝑒𝑡 = |𝑓𝑖′ − (𝑓𝑟′ )𝑖 | ≤ 𝐶ℎ où C= max |𝑓 ′′ (𝑥)| (10)
2 𝑥∈[𝑥𝑖 −ℎ, 𝑥𝑖 ]

iii) Différences finies centrées


1
𝑒𝑡 = |𝑓𝑖′ − (𝑓𝑐′ )𝑖 | ≤ 𝐶ℎ2 où C= max |𝑓 ′′ ′(𝑥)| (11)
6 𝑥∈[𝑥𝑖 −ℎ,𝑥𝑖 +ℎ]

NB: * Pour les formules des différences finies progressives et rétrogrades,


l’erreur de troncature est d’ordre h. Par contre :
* la formule des différences finies centrées est plus précise car elle est
d’ordre h2 . Nous obtenons donc une meilleure approximation en approchant
𝑓 ′ (𝑥𝑖 ) par 𝑓𝑐′ (𝑥𝑖 ) .

4) Schémas d’ordres supérieurs :

Afin d’obtenir des formules de dérivation plus précises (d’ordres 3, 4, 6…) que
celles présentées ci-dessus, on utilise plusieurs nœuds voisins de 𝑥𝑖 ; on obtient:

i) En utilisant la formule des différences finies progressives :

−𝑓 (𝑥𝑖 + 2ℎ) + 4𝑓 (𝑥𝑖 + ℎ) − 3𝑓(𝑥𝑖 )


𝑓 ′ (𝑥𝑖 ) = + 𝜃 (ℎ 2 )
2ℎ
Soit, d’un point de vue numérique :
−𝑓𝑖+2 + 4𝑓𝑖+1 −3 𝑓𝑖
(𝑓𝑝′ )𝑖 = et 𝑓𝑖′ = (𝑓𝑝′ )𝑖 + 𝜃 (ℎ2 ) (12)
2ℎ

On remarque que l’erreur de troncature 𝑒𝑡 est d’ordre h2 donnant ainsi une


meilleure précision de 𝑓𝑖′ que (3), où 𝑒𝑡 était d’ordre ℎ.

ii) En utilisant la formule des différences finies rétrograde:


𝑓𝑖−2 − 4𝑓𝑖−1 +3 𝑓𝑖
(𝑓𝑟′ )𝑖 = et 𝑓𝑖′ = (𝑓𝑟′ )𝑖 + 𝜃 (ℎ2 ) (13)
2ℎ

Ici, 𝑒𝑡 est d’ordre ℎ2 donnant une meilleure approximation que (5).

26
iii) En utilisant la formule des différences finies centrées :

−𝑓𝑖+2 + 8𝑓𝑖+1 −8𝑓𝑖−1 +𝑓𝑖−2


(𝑓𝑐′ )𝑖 = et 𝑓𝑖′ = (𝑓𝑐′ )𝑖 + 𝜃 (ℎ4 ) (14)
12ℎ

Ici (𝑓𝑐′ )𝑖 est précise à l’ordre 4, tandis que la précision de la formule (7) n’est
que d’ordre 2.

II. Dérivées numériques successives (dérivées n-ième):

Nous pouvons montrer que, si 𝑓 est une fonction assez régulière sur [𝑎, 𝑏]
(𝑓 de classe Cn+1, si on prend des différences progressives ou rétrogrades et 𝑓
de classe Cn+2, si on prend des différences centrées) ; et si 𝑥𝑖 ∈ [𝑎, 𝑏] est donné,
alors on peut approcher la dérivée n-ième 𝑓 𝑛 (𝑥𝑖 ) par les 3 méthodes précitées.

1) Dérivée numérique seconde 𝒇′′

a) Calcul de 𝒇′′ par la méthode des différences finies centrées

Pour approcher 𝑓 ′′ (𝑥𝑖 ) par la méthode des différences finies centrées, on écrit :

𝑓 ′′ (𝑥𝑖 ) 2 𝑓 ′′′ (𝑥𝑖 ) 3


𝑓(𝑥𝑖 + ℎ) = 𝑓 (𝑥𝑖 ) + 𝑓 ′ (𝑥𝑖 )ℎ + ℎ + ℎ + 𝜃(ℎ4 )
2! 3!

′(
𝑓 ′′ (𝑥𝑖 ) 2 𝑓 ′′′ (𝑥𝑖 ) 3
𝑓(𝑥𝑖 − ℎ) = 𝑓 (𝑥𝑖 ) − 𝑓 𝑥𝑖 )ℎ + ℎ − ℎ + 𝜃(ℎ4 )
2! 3!
En faisant la somme des 2 égalités, on aboutit à :
𝑓(𝑥𝑖 −ℎ)−2𝑓(𝑥𝑖 )+𝑓(𝑥𝑖 +ℎ)
𝑓 ′′ (𝑥𝑖 ) = + 𝜃 (ℎ2 )
ℎ2

𝑓𝑖−1 − 2𝑓𝑖 + 𝑓𝑖+1


Soit : (𝑓𝑐′′ )𝑖 = et 𝑓𝑖′′ = (𝑓𝑐′′ )𝑖 + 𝜃 (ℎ2 ) (15)
ℎ2

b) Calcul de 𝒇′′ par la méthode des différences finies progressives

𝑓𝑖 − 2𝑓𝑖+1 + 𝑓𝑖+2
(𝑓𝑝′′ )𝑖 = et 𝑓𝑖′′ = (𝑓𝑝′′ )𝑖 + 𝜃 (ℎ) (16)
ℎ2

c) Calcul de 𝒇′′ par la méthode des différences finies rétrogrades


𝑓𝑖−2 − 2𝑓𝑖−1 + 𝑓𝑖
(𝑓𝑟′′ )𝑖 = et 𝑓𝑖′′ = (𝑓𝑟′′ )𝑖 + 𝜃 (ℎ) (17)
ℎ2

27
Notons que Pour les formules des différences finies progressives et
rétrogrades, l’erreur de troncature est d’ordre h. Par contre, la formule des
différences finies centrées est plus précise car elle est est d’ordre h2 . Nous
obtenons donc une meilleure approximation en approchant 𝑓𝑖′′ par (𝑓𝑐′′ )𝑖 .
(𝟒)
2) Dérivées numériques 3ième ( 𝒇′′′ ) et 4ième (𝒇 )

Nous regroupons dans les tableaux suivants les valeurs des coefficients des
dérivées de degrés 1 à 4 relatives aux 3 formulations précédentes :

a) Différences finies progressives d’ordre 1 :

𝑓𝑖 𝑓𝑖+1 𝑓𝑖+2 𝑓𝑖+3 𝑓𝑖+4


h(𝑓𝑝′ )𝑖 -1 1
ℎ2 (𝑓𝑝′′ )𝑖 1 -2 1
ℎ3 (𝑓𝑝′′′ )𝑖 -1 3 -3 1
(4) 1 -4 6 -4 1
ℎ4 (𝑓𝑝 )𝑖

Exemple : La dérivée 4ième donnée par la formule de différences finies


progressives d’ordre 1 est donnée par :
(4)
(𝑓𝑝 )𝑖 = … … … … … … … … … … … … … … ..
(4) (4)
𝑜ù 𝑙𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑥𝑎𝑐𝑡𝑒 𝑒𝑠𝑡: 𝑓𝑖 = (𝑓𝑝 )𝑖 + 𝜃 (ℎ)

b) Différences finies rétrogrades d’ordre 1 :

𝑓𝑖−4 𝑓𝑖−3 𝑓𝑖−2 𝑓𝑖−1 𝑓𝑖


h(𝑓𝑟′ )𝑖 -1 1
ℎ2 (𝑓𝑟′′ )𝑖 1 -2 1
ℎ3 (𝑓𝑟′′′ )𝑖 -1 3 -3 1
(4) 1 -4 6 -4 1
ℎ4 (𝑓𝑟 )𝑖

c) Différences finies centrées d’ordre 2 :

𝑓𝑖−2 𝑓𝑖−1 𝑓𝑖 𝑓𝑖+1 𝑓𝑖+2


2h(𝑓𝑐′ )𝑖 -1 1
ℎ2 (𝑓𝑐′′ )𝑖 1 -2 1
2ℎ3 (𝑓𝑐′′′ )𝑖 -1 2 0 -2 1
(4) 1 -4 6 -4 1
ℎ4 (𝑓𝑐 )𝑖

28
d) Différences finies centrées d’ordre 4 :

𝑓𝑖−3 𝑓𝑖−2 𝑓𝑖−1 𝑓𝑖 𝑓𝑖+1 𝑓𝑖+2 𝑓𝑖+3


12h(𝑓𝑐′ )𝑖 1 -8 0 8 -1
12ℎ2 (𝑓𝑐′′ )𝑖 -1 16 -30 16 -1
8ℎ3 (𝑓𝑐′′′ )𝑖 1 -8 13 0 -13 8 -1
(4) -1 12 -39 56 -39 12 -1
6ℎ4 (𝑓𝑐 )𝑖

Exemple : * La dérivée 4ième donnée par la formule de différences finies


centrées d’ordre 2 est donnée par:

(4)
(𝑓𝑐 )𝑖 = … … … … … … … … … … … … … … … … … …

(4) (4)
𝑜ù 𝑙𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑥𝑎𝑐𝑡𝑒 𝑒𝑠𝑡 𝑓𝑖 = (𝑓𝑐 )𝑖 + … … ….

∗ La dérivée 4ième donnée par la formule de différences finies centrées


d’ordre 4 est donnée par:

(4)
(𝑓𝑐 )𝑖 = … … … … … … … … … … … … … … … … … … … … … … … … … … … … ….

(4) (4)
𝑜ù 𝑙𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑥𝑎𝑐𝑡𝑒 𝑒𝑠𝑡 𝑓𝑖 = (𝑓𝑐 )𝑖 + … … … … …

3) Echantillonnage quelconque :

On peut étendre ces schémas au cas d’une fonction irrégulièrement


échantillonnée. Par exemple, pour 3 points consécutifs 𝑥𝑖−1 , 𝑥𝑖 𝑒𝑡 𝑥𝑖+1 tels que:

ℎ = 𝑥𝑖 − 𝑥𝑖−1 et ℎ′ = 𝑥𝑖+1 − 𝑥𝑖 avec ℎ ≠ ℎ′

Nous pouvons montrer que les dérivées centrées première et seconde


peuvent s’exprimer par:

ℎ𝑓𝑖+1 + (ℎ−ℎ′ )𝑓𝑖 − ℎ′ 𝑓𝑖−1


𝑓𝑖′ = (18)
2ℎℎ′
2
(ℎ+ℎ′ ) [ℎ𝑓𝑖+1 + ℎ′ 𝑓𝑖−1 ]+ (ℎ−ℎ′ ) 𝑓𝑖
et 𝑓𝑖′′ = (19)
2ℎ2 ℎ′2

29
III. Dérivées numériques et interpolation

1) Principe

L’une des difficultés liée à l’utilisation des schémas de dérivation présentés


ci-dessus est que l’on ne peut pas calculer la dérivée en dehors des points de
l’échantillon (𝑥 i , 𝑦i ). Une méthode plus générale s’impose. Classiquement, on
remplace, au moins localement, la fonction f par une fonction analytique simple
que l’on dérivera par la suite. On peut, par exemple, construire le polynôme de
Lagrange en prenant garde de ne pas utiliser des polynômes de degré trop
élevé au risque de voir apparaître le phénomène de Runge (oscillations). Dans
certains cas, on pourra préférer réaliser un ajustement (méthode des moindres
carrés).

L’utilisation de l’approximant polynômial de Lagrange permet également le


calcul des dérivées seconde, troisième, etc.. de la fonction 𝑓 de manière
complètement analytique. C’est très pratique, bien qu’il n’ait pas de garantie de
précision sur les dérivées d’ordre élevées.

2) Matrices de dérivation

Le calcul de la dérivée d’une fonction analytiquement inconnue en dehors


des points de l’échantillon (𝑥 i , 𝑦i), nécessite la détermination d’un polynôme
interpolant, puis sa dérivée. Par contre, si on souhaite évaluer les dérivées aux
points de l’échantillon (𝑥 i , 𝑦i), on peut utiliser les matrices de dérivation qui ne
dépendent que du nombre N de points (𝑥 i , 𝑦i), et du pas ℎ et ne dépendent pas
des valeurs de 𝑥 i et de leurs images 𝑦i par la fonction.

N.B : Ces matrices de dérivation donnent, en général, des résultats


approximatives puisqu’elles découlent de l’interpolation par le polynôme de
Lagrange.

a) Matrice de dérivation d’ordre 2 :

Le polynôme de Lagrange construit sur 2 points (𝑥 0 , 𝑦0) et (𝑥 1 , 𝑦1) est :


𝑥 − 𝑥1 𝑥 − 𝑥0
𝑃 (𝑥 ) = 𝑦0 + 𝑦
𝑥0 − 𝑥1 𝑥1 − 𝑥0 1
𝑦0 𝑦1
⇒ 𝑃 ′ (𝑥 ) = +
𝑥0 − 𝑥1 𝑥1 − 𝑥0

Posons ℎ = 𝑥1 − 𝑥0 nous déduisons alors que :


30
1
𝑃 ′ (𝑥 ) = (−𝑦0 + 𝑦1 )

1
Ainsi : 𝑃′ (𝑥0 ) = 𝑃′ (𝑥1 ) = (−𝑦0 + 𝑦1 )

′ −1 1 𝑦0
Soit : (𝑃𝑃′ (𝑥0)
) = ( )( ) (20)
(𝑥1 ) −1 1 𝑦1

−1 1
𝑂𝑛 𝑛𝑜𝑡𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑑𝑒 𝑑é𝑟𝑖𝑣𝑎𝑡𝑖𝑜𝑛 𝑑 ′ 𝑜𝑟𝑑𝑟𝑒 2 : D2 = ( )
−1 1

b) Matrice de dérivation d’ordre 3 :

Soient 3 points (𝑥 0 , 𝑦0) , (𝑥 1 , 𝑦1) et (𝑥 2 , 𝑦2). Le polynôme d’interpolation de


Lagrange est donné par :

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥0 )


𝑃 (𝑥 ) = 𝑦0 + 𝑦1 + 𝑦
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥0 ) 2

2𝑥 − 𝑥1 − 𝑥2 2𝑥 − 𝑥0 − 𝑥2 2𝑥 − 𝑥0 − 𝑥1
𝑃 ′ (𝑥 ) = 𝑦0 + 𝑦1 + 𝑦
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥0 ) 2

Dans le cas des points de collocations équidistants 𝑥𝑖+1 − 𝑥𝑖 = ℎ ∀𝑖 nous

−3ℎ −2ℎ −ℎ
déduisons que : 𝑃′ (𝑥0 ) = 𝑦0 + 𝑦1 + 𝑦2
2ℎ2 −ℎ2 2ℎ2

1
𝑃′ (𝑥0 ) = (−3𝑦0 + 4𝑦1 − 𝑦2 )
2ℎ

1
𝑃′ (𝑥1 ) = (−𝑦0 + 𝑦2 )
2ℎ

1
𝑃′ (𝑥2 ) = (𝑦 − 4𝑦1 + 3𝑦2 )
2ℎ 0

𝑃′ (𝑥0 ) −3 4 −1 𝑦0
1
𝑁𝑜𝑢𝑠 𝑑é𝑑𝑢𝑖𝑠𝑜𝑛𝑠 𝑞𝑢𝑒 (𝑃′ (𝑥1 )) = (−1 0 1 ) (𝑦1 ) (21)
2ℎ
𝑃′ (𝑥2 ) 1 −4 3 𝑦2

31
Ce qui nous donne une matrice de dérivation ne dépendant plus que de ℎ pour

−3 4 −1
1
N=3 points : D3= (−1 0 1)
2ℎ
1 −4 3

c) Matrice de dérivation d’ordre 4 :

Nous pouvons montrer également que :

−11 18 −9 2
1 −2 −3 6 −1
𝐷4 = .( )
6ℎ 1 −6 3 2
−2 9 − 18 11

32
Université Moulay Ismail Année universitaire : 2018-2019

Ecole Supérieure de Technologie Math appliqués

Meknès GI- 2° (S3)

Série n° 3
Dérivation numérique
Exercice 1 (DS 2011-2012):
1
Considérons la fonction numérique d’une variable réelle 𝑓 définie sur [ ,3] par :
2

𝑓(𝑥) = −2𝑥 + ln(𝑥 2 )

1) Dresser un tableau représentant 𝑓 pour 6 points équidistants ;


2) Donner une valeur approchée de la dérivée exacte 𝑓′ au point 𝑥 = 1.5 en
utilisant :
a) Méthode aux différences finies progressives du 1° ordre ;
b) Méthode aux différences finies centrées d’ordre 4 ;
c) L’approximation parabolique ;
d) comparer les résultats obtenues avec la valeur exacte.

′′ ′′ ′′
valeurs des dérivées secondes 𝑓𝑝1 (ordre 1), 𝑓𝑐2 (ordre2) et 𝑓𝑐4 (ordre 4)
𝜋
en .
10
′′ ′′ ′′
3) Donner les valeurs des dérivées secondes 𝑓𝑝1 (ordre 1), 𝑓𝑐2 (ordre2) et 𝑓𝑐4
(ordre 4) en 𝑥 = 2.
4) Estimer l’erreur de troncature maximale en 𝑥 = 1.5 dans le cas de la
méthode aux différences finies progressives.

Exercice 2 :

On considère la fonction numérique définie dans IR par : 𝑓(𝑥) = 𝑒 𝑥 .

1) Calculer analytiquement la valeur de la dérivée première 𝑓 ′ en 𝑥0 = 2,3 ;



2) Calculer une approximation numérique de 𝑓𝑐2 par la méthode des différences
finies centrées d’ordre 2, avec les pas ℎ = 0,1 ; ℎ = 0,01 𝑒𝑡 ℎ = 0,001.

33
Exercice 3 :
Soit la fonction numérique d’une variable réelle définie sur l’intervalle [0,3] par :
𝜋
𝑓(𝑥) = 𝑥 + 𝑐𝑜𝑠 2 ( 𝑥)
4
1) Construire le polynôme d’interpolation de Lagrange P sur 4 points de
collocations équidistants (𝑥𝑖 , 𝑦𝑖 ) de pas ℎ = 1 avec x0 = 0 ;
2) Calculer la dérivée première au point d’abscisse x0 = 2 en utilisant les
méthodes suivantes :
a) Expression analytique de 𝑓 ′ ;
b) Polynôme d’interpolation de Lagrange trouvé précédemment ;
c) Matrice de dérivation ;
d) Méthode des différences finies progressives ;
e) Méthode des différences finies centrées.
3) Donner une valeur approchée des dérivées premières et secondes au point
d’abscisse x0 = 5/2 , sans utiliser l’expression analytique de 𝑓.

Exercice 4 :

Considérons la fonction 𝑓 connue sous forme tabulée par les points suivants :

𝑥 -1 2 3 5 6
𝑦 -6 0 6 60 120

1) Calculer les dérivées premières et secondes en 𝑥 0=1 en utilisant :


a) Une approximation linéaire ;
b) Une approximation parabolique.
2) Même question pour 𝑥 0=5.

Intégration numérique
34
Formules de quadratures

Introduction

Soit 𝑓 une fonction continue sur un intervalle [𝑎, 𝑏] . Le théorème fondamental


du calcul intégral nous dit que :
𝑏
𝐼 = ∫𝑎 𝑓 (𝑥) 𝑑𝑥 = 𝐹 (𝑎) − 𝐹 (𝑏)

𝑜ù 𝐹 est une primitive de 𝑓. Mais cette formule a 3 inconvénients :

i) Si l’expression de 𝑓 est compliquée alors il est souvent très difficile,


voire impossible, de déterminer explicitement sa primitive F ;
ii) Même lorsqu’on est capable de déterminer F, son expression fait
souvent intervenir des fonctions dont on ne peut calculer que des
valeurs approchées (𝑒𝑥𝑝, 𝐿𝑛, 𝐶𝑜𝑠, 𝑆𝑖𝑛..) et celles-ci sont souvent
combinées de manière complexe ;
iii) Si 𝑓 résulte de mesures expérimentales et n’est connue que par
certains points (𝑥𝑖 , 𝑓 (𝑥𝑖 )), alors on ne peut pas déterminer sa primitive.

Dans les cas (i) et (iii), le recours à des techniques de calcul approchées,
comme celles que nous allons voir, est indispensable ; dans le cas (ii), ces
techniques donnent souvent des résultats plus précis que ceux obtenus par
l’emploi d’une primitive F.

Principe des formules de quadratures

1) Formules de quadratures élémentaires :

Un des meilleurs choix est d’utiliser les polynômes d’interpolation de


Lagrange 𝐿𝑛 car ils sont proches de la fonction qu’ils interpolent et, étant des
polynômes, leurs primitives sont facilement calculables.

On a pour 𝑥 ∈ [𝑎, 𝑏] : 𝑓 (𝑥) = 𝐿𝑛 (𝑥) + 𝑒𝑛 (𝑥)


𝑥− 𝑥𝑗
Où : 𝐿𝑛 (𝑥) = ∑𝑛𝑖=0 𝑙𝑖 (𝑥) 𝑓(𝑥𝑖 ) avec 𝑙𝑖 (𝑥) = ∏𝑛𝑗=1
𝑥𝑖 − 𝑥𝑗
𝑗≠𝑖
1
et : 𝑒𝑛 (𝑥) = (𝑛+1)!
𝑓 (𝑛+1) (𝜉𝑥 ) ∏𝑛𝑖=0(𝑥 − 𝑥𝑖 )

35
Ainsi :
𝑏 𝑏 𝑏
𝐼 = ∫𝑎 𝑓 (𝑥) 𝑑𝑥 = ∫𝑎 ∑𝑛𝑖=0 𝑙𝑖 (𝑥) 𝑓(𝑥𝑖 ) 𝑑𝑥 + ∫𝑎 𝑒𝑛 (𝑥) 𝑑𝑥

𝑏
𝐼 = ∑𝑛𝑖=0[ ∫𝑎 𝑙𝑖 (𝑥)𝑑𝑥 ] 𝑓 (𝑥𝑖 ) + 𝐸𝑛 (𝑥)

𝐼 = ∑𝑛𝑖=0 𝑎𝑖 𝑓(𝑥𝑖 ) + 𝐸𝑛 (𝑥)

Soit : 𝐼 = 𝑆𝑛 (𝑓) + 𝐸𝑛 (𝑥) (1)

Où 𝑆𝑛 (𝑓) = ∑𝑛𝑖=0 𝑎𝑖 𝑓(𝑥𝑖 ) (2)

𝑆𝑛 est une valeur approchée de l’intégrale 𝐼 construite par combiaison


linéaire des valeurs 𝑓(𝑥𝑖 ).

2) Formules de quadratures composite :

Le polynôme d’interpolation de Lagrange est d’autant plus proche de la


fonction interpolée 𝑓 que l’intervalle [𝑎, 𝑏] est petit. Ainsi, pour améliorer la
précision d’intégration, il est préférable de décomposer, dans un premier
temps, l’intervalle [𝑎, 𝑏] en un grand nombre de petits intervalles [ 𝑥𝑖 , 𝑥𝑖+1 ] et
sur chacun de ces petits intervalles, on applique une formule de quadrature
élémentaire. On trouve ainsi des formules de quadratures composées. On aura :

[𝑎, 𝑏] = [𝑥0 , 𝑥1 ] ∪ [𝑥1 , 𝑥2 ] ∪ … .∪ [𝑥𝑁−1 , 𝑥𝑁 ] (𝑥0 = 𝑎 𝑒𝑡 𝑥𝑁 = 𝑏)

Dans chaque intervalle [ 𝑥𝑖 , 𝑥𝑖+1 ] , on prend d points distincts 𝑥0𝑖 , 𝑥1𝑖 , … , 𝑥𝑑𝑖 .
On construit sur chaque intervalle [ 𝑥𝑖 , 𝑥𝑖+1 ] un polynôme d’interpolation de
Lagrange qu’on intègre pour obtenir une formule de quadrature composée
d’ordre d.

3) Ordre d’une formule de quadrature :

Définition : Une méthode d’intégration approchée est dite d’ordre d (càd que sa
formule de quadrature 𝑆(𝑓) a un degré de précision d) si elle est exacte pour tout
polynôme 𝑝𝑑 de degré inférieur à d et elle n’est pas exacte pour au moins un
polynôme 𝑝𝑑+1 de degré (d+1) .

Càd : pour tout polynôme 𝑝𝑑 de degré d , on a : 𝑆(𝑝𝑑 ) = 𝐼(𝑝𝑑 ) ;

et il existe un polynôme 𝑝𝑑+1 de d° (d+1) tel que : 𝑆(𝑝𝑑+1 ) ≠ 𝐼(𝑝𝑑+1 )

4) Majoration de l’erreur

36
Lorsque la formule de quadrature 𝑆(𝑓) satisfait la définition précédente, il est
possible d’estimer l’erreur 𝐸 (𝑓) entre 𝐼 (𝑓) 𝑒𝑡 𝑆(𝑓). On peut montrer que si 𝑓
est assez régulière (i.e. d+1 fois continument dérivable sur [𝑎, 𝑏] ), alors, il existe
une constante C indépendante du choix des points 𝑥𝑖 telle que :
𝐸 = |𝐼 − 𝑆 𝑐 (𝑓)| ≤
𝐶ℎ𝑑+1 (3)
𝐶′ 𝑏−𝑎
Ou encore : 𝐸 ≤ ( car ℎ= ) (4)
𝑛𝑑+1 𝑛

L’inégalité (3) montre que lorsque le pas ℎ est petit, ou encore le nombre de
point n est grand), l’erreur 𝐸 est petite. Cet erreur devient d’autant plus petite
avec ℎ que l’ordre d est grand.
Dans la pratique, on obtient souvent des résultats très précis en employant
seulement des méthodes d’ordre d≤ 2 . Nous nous contentons alors d’étudier 3
de ces méthodes : la méthode des rectangles (d=0), la méthode des trapèzes
(d=1) et la méthode de Simpson (d=3).

Présentation des formules de quadrature

1. Méthode des rectangles


a) Méthode des rectangles à gauche :

i) Formule de quadratures élémentaire : 𝝀 = 𝒂

𝝀 = 𝒂 ∶ donc : 𝐼 est approchée par : 𝑆(𝑓) = (𝑏 − 𝑎)𝑓 (𝑎) (6)

Figure 2 :

ii) Formule de quadratures composée : 𝛌𝐢 = 𝐱 𝐢

37
On décompose [𝑎, 𝑏] en n sous- intervalles [ 𝑥𝑖 , 𝑥𝑖+1 ] de même longueur
𝑏−𝑎 𝑏−𝑎
ℎ= 𝑛
où 𝑥𝑖 = 𝑎 + 𝑖ℎ = 𝑎 + 𝑖
𝑛
(pour i=0..n).
Sur chaque [ 𝑥𝑖 , 𝑥𝑖+1 ], on approche 𝑓 (𝑥) 𝑝𝑎𝑟 𝑓 (𝑥𝑖 );
Donc :
𝑏 𝑥
𝐼 = ∫𝑎 𝑓 (𝑥)𝑑𝑥 = ∑𝑛−1
𝑖=0 (∫𝑥
𝑖+1
𝑓(𝑥)𝑑𝑥)
𝑖
𝑥𝑖+1 𝑏−𝑎
Or ∫𝑥 𝑓 (𝑥)𝑑𝑥 ≈ (𝑥𝑖+1 − 𝑥𝑖 ) 𝑓(𝑥𝑖 ) ≈
𝑛
𝑓(𝑥𝑖 )
𝑖

Puis en regroupant les approximations, 𝐼 sera approché par 𝑆 𝑐 (𝑓) donnée par :
𝑏−𝑎 𝑏−𝑎
𝐼 ≈ 𝑆 𝑐 (𝑓) = ∑𝑛−1
𝑖=0 𝑓(𝑥𝑖 ) = ( ) ∑𝑛−1
𝑖=0 𝑓(𝑥𝑖 )
𝑛 𝑛

𝑏−𝑎
𝑆 𝑐 (𝑓 ) = ( ) [ 𝑓 (𝑥0 ) + 𝑓 (𝑥1 ) + ⋯ + 𝑓 (𝑥𝑛−1 ) ]
𝑛
𝑏−𝑎
Soit : 𝑆 𝑐 (𝑓 ) = ( ) ∑𝑛−1
𝑖=0 𝑓 (𝑥𝑖 ) (8)
𝑛
𝑏−𝑎 𝑏−𝑎
𝑜𝑢 𝑒𝑛𝑐𝑜𝑟𝑒 ∶ 𝑆 𝑐 (𝑓 ) = ( ) ∑𝑛−1
𝑖=0 𝑓(𝑎 + 𝑖 ) (9)
𝑛 𝑛
La méthode de rectangles à gauche composite engendre une erreur majorée
(𝑏−𝑎)2
par: 𝐸 (𝑓) = |𝐼 (𝑓) − 𝑆 𝑐 (𝑓)| ≤ 𝑀1 où 𝑀1 = max |𝑓 ′ (𝑥)| (10)
𝑛 𝑥Є[𝑎,𝑏]

b) Méthode des rectangles à droite :

Figure 3:

i) Formule de quadratures élémentaire : 𝛌 = 𝐛

𝑆(𝑓) = (𝑏 − 𝑎)𝑓(𝑏) (11)

ii) Formule de quadratures composite : 𝛌𝐢 = 𝐱 𝐢+𝟏


𝑏−𝑎 𝑏−𝑎
𝑆 𝑐 (𝑓 ) = ( ) ∑𝑛𝑖=1 𝑓(𝑥𝑖 ) = ( ) [ 𝑓(𝑥1 ) + 𝑓(𝑥2 ) + ⋯ + 𝑓(𝑥𝑛 ) ] (12)
𝑛 𝑛

38
𝑏−𝑎 𝑏−𝑎
Ou encore : 𝑆 𝑐 (𝑓 ) = ( ) ∑𝑛𝑖=1 𝑓(𝑎 + 𝑖 ) (13)
𝑛 𝑛

iii) Estimation de l’erreur : idem (a)

c) Méthode du point milieu


𝒂+𝒃
i) Formule de quadratures élémentaire : λ=
𝟐
𝑎+𝑏
𝑓 (𝑥) ≈ 𝐿0 (𝑥) = 𝑓( )
2

𝑎+𝑏
𝐼 est approchée par : 𝐼 ≈ 𝑆(𝑓) = (𝑏 − 𝑎)𝑓( ) (14)
2

Figure 4 :
𝒙𝒊 + 𝒙𝒊+𝟏
iii) Formule de quadratures composite : 𝝀𝒊 =
𝟐
𝑏 𝑥
𝐼 = ∫𝑎 𝑓 (𝑥)𝑑𝑥 = ∑𝑛−1
𝑖=0 (∫𝑥
𝑖+1
𝑓(𝑥)𝑑𝑥)
𝑖
𝐼 est approché par :
𝑏−𝑎 𝑥𝑖 +𝑥𝑖+1
𝑆 𝑐 (𝑓 ) = ( ) ∑𝑛−1
𝑖=0 𝑓( ) (16)
𝑛 2

𝑏−𝑎 𝑏−𝑎
Ou encore par : 𝑆 𝑐 (𝑓) = ( ) ∑𝑛−1
𝑖=0 𝑓(𝑎 + (2𝑖 + 1) ) (17)
𝑛 2𝑛

La méthode des points milieux composite engendre une erreur majorée (si f
est de classe C2) par :
(𝑏−𝑎)3
𝐸 (𝑓) = |𝐼 (𝑓) − 𝑆(𝑓)| ≤ 𝑀2 où 𝑀2 = max |𝑓 ′′ (𝑥)| (18)
24𝑛2 𝑥Є[𝑎,𝑏]

Nous remarquons que l’erreur 𝐸 (𝑓) → 0 𝑙𝑜𝑟𝑠𝑞𝑢𝑒 𝑛 → ∞. .

Donc, en prenant un nombre de point suffisamment grand, on peut avoir


une très bonne précision.

39
Remarque :

• D’après la formule (18) , il existe une constante C tel que :


1
𝐸 ≤ 𝐶ℎ2 (∝ ) ; Ainsi, la formule d’erreur : 𝐸 ≤ 𝐶ℎ𝑑+1 est vérifiée.
𝑛2

2. Méthode des trapèzes

i. Formule de quadrature élémentaire :

On approche la courbe de la fonction 𝑓 par un polynôme d’interpolation de


Lagrange 𝐿1 de degré 1 qui coïncide avec 𝑓 aux 2 extrémités a et b.

Figure 5 :
𝑓(𝑏)− 𝑓(𝑎)
Soit : 𝑓 (𝑥) ≈ 𝐿1 = 𝑓 (𝑎) + (𝑥 − 𝑎)
𝑏−𝑎
𝑏 𝑏
D’où : 𝐼 = ∫𝑎 𝑓 (𝑥)𝑑𝑥 ≈ ∫𝑎 𝐿1 (𝑥) 𝑑𝑥
𝑏 𝑓(𝑏)− 𝑓(𝑎) 𝑏
𝐼 ≈ 𝑓(𝑎) ∫𝑎 1 𝑑𝑥 +
𝑏−𝑎
∫𝑎 (𝑥 − 𝑎) 𝑑𝑥
𝑓(𝑏)− 𝑓(𝑎) (𝑏−𝑎)2
𝐼 ≈ 𝑓(𝑎) (𝑏 − 𝑎) +
𝑏−𝑎 2

(𝑏−𝑎)
𝐼 ≈ (𝑓(𝑎) + 𝑓(𝑏)) (19)
2

On approche l’intégrale 𝐼 par l’aire du trapèze de bases 𝑓 (𝑎) 𝑒𝑡 𝑓(𝑏). La


formule précédente est appelée formule du trapèze élémentaire.

ii. Formule de quadratures composite

On découpe l’intervalle [a, b] en intervalles [ 𝑥𝑖 , 𝑥𝑖+1 ] de même


𝑏−𝑎
longueur ℎ = .
𝑛

40
Sur chaque intervalle[ 𝑥𝑖 , 𝑥𝑖+1 ], on applique la formule (19) du trapèze :
𝑥𝑖+1
𝑥𝑖+1 − 𝑥𝑖
∫ 𝑓 (𝑥)𝑑𝑥 ≈ [ 𝑓 (𝑥𝑖 ) + 𝑓(𝑥𝑖+1 )]
2
𝑥𝑖

𝑏−𝑎 𝑏−𝑎 𝑏−𝑎


≈ [ 𝑓 (𝑎 + (𝑖 + 1) ) + 𝑓(𝑎 + 𝑖 )]
2𝑛 𝑛 𝑛

Puis on regroupe les approximations à l’aide de :


𝑏 𝑥
𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥 = ∑𝑛−1
𝑖=0 (∫𝑥
𝑖+1
𝑓(𝑥)𝑑𝑥)
𝑖

pour obtenir une valeur approchée 𝑆(𝑓) de l’intégrale 𝐼 tel que :


𝑛−1 𝑛−1
𝑏−𝑎
𝑆 (𝑓 ) = [ ∑ 𝑓(𝑥𝑖+1 ) + ∑ 𝑓(𝑥𝑖 ) ]
2𝑛
𝑖=0 𝑖=0

𝑏−𝑎
𝑆(𝑓) = [ 𝑓 (𝑥0 ) + 2𝑓 (𝑥1 ) + 2𝑓 (𝑥2 ) … + 2𝑓(𝑥𝑛−1 ) + 𝑓 (𝑥𝑛 )]
2𝑛

𝑏−𝑎
Soit : 𝑆(𝑓) = [ 𝑓(𝑎) + 2 ∑𝑛−1
𝑖=1 𝑓(𝑥𝑖 ) + 𝑓(𝑏)] (21)
2𝑛

𝑏−𝑎 𝑏−𝑎
ou encore: 𝑆(𝑓) = [ 𝑓(𝑎) + 2 ∑𝑛−1
𝑖=1 𝑓 (𝑎 + 𝑖 ) + 𝑓 (𝑏 )] (22)
2𝑛 𝑛

iii. Majoration de l’erreur :

On peut montrer que, si 𝑓 ∈ 𝐶 2 [𝑎, 𝑏], l’erreur 𝐸 (𝑓) de la formule des trapèzes
composite est majorée par :
(𝑏−𝑎)3
𝐸 (𝑓) = |𝐼 (𝑓) − 𝑆(𝑓)| ≤ 𝑀2 où 𝑀2 = max |𝑓 ′′ (𝑥)| (23)
12𝑛2 𝑥Є[𝑎,𝑏]

𝑏−𝑎
Ou encore 𝐸 ≤ 𝐶ℎ2 avec 𝑘 = 𝑀2 (24)
12

On peut montrer que la méthode du trapèze est d’ordre d=1 (son erreur est
proportionnelle à hd+1 = h2 donc d=1).

𝑆(𝑓) peut être rendu aussi proche qu’on le désire de l’intégrale exacte 𝐼(𝑓)
pourvu que le pas ℎ soit choisi assez petit.

41
3. Méthode de Simpson :

i. Formule de quadratures élémentaire :

Le défaut évident de la méthode des trapèzes (et a fortiori des rectangles) est
de remplacer grossièrement un arc de courbe 𝑀𝑖 𝑀𝑖+1 par le segment
[𝑀𝑖 , 𝑀𝑖+1 ] . Ce qui peut engendrer des erreurs non négligeables.

La méthode de Simpson, quant à elle, consiste à approcher la fonction 𝑓 par


un polynôme d’interpolation de Lagrange 𝐿2 de degré d=2 (une portion de
𝑎+𝑏
parabole) qui prend les mêmes valeurs que f aux points : 𝑎, 𝑐 = 𝑒𝑡 𝑏.
2

Figure 7
En développant 𝐿2 (𝑥) et en l’intégrant, on peut montrer que l’intégrale
𝑏
exacte 𝐼(𝑓) = ∫𝑎 𝑓 (𝑥)𝑑𝑥 peut être approchée à la formule de Simpson
𝑏−𝑎 𝑎+𝑏
élémentaire suivante: 𝑆 (𝑓 ) = [𝑓(𝑎) + 4𝑓( ) + 𝑓(𝑏)] (25)
6 2

ii. Formule de quadratures composite :

Comme précédemment, on découpe l’intervalle [𝑎, 𝑏] en n intervalles


𝑏−𝑎
[ 𝑥𝑖 , 𝑥𝑖+1 ] de même longueur ℎ= ; puis on applique la formule de
𝑛
Simpson élémentaire (25) sur chaque intervalle [ 𝑥𝑖 , 𝑥𝑖+1 ]:
𝑥𝑖+1
𝑥𝑖+1 − 𝑥𝑖 𝑥𝑖+1 + 𝑥𝑖
∫ 𝑓 (𝑥)𝑑𝑥 ≈ [ 𝑓 (𝑥𝑖 ) + 4𝑓 ( ) + 𝑓(𝑥𝑖+1 )]
6 2
𝑥𝑖

Puis, on regroupe les approximations à l’aide de :


𝑏 𝑥
𝐼 = ∫𝑎 𝑓 (𝑥)𝑑𝑥 = ∑𝑛−1
𝑖=0 (∫𝑥
𝑖+1
𝑓 (𝑥)𝑑𝑥)
𝑖

Pour obtenir une valeur approchée 𝑆(𝑓) de l’intégrale exacte 𝐼 donnée par :

42
𝑏−𝑎 𝑥𝑖 +𝑥𝑖+1
𝑆 (𝑓 ) = [𝑓 (𝑎) + 2 ∑𝑛−1 𝑛−1
𝑖=1 𝑓 (𝑥𝑖 ) + 4 ∑𝑖=0 𝑓( ) + 𝑓(𝑏)) (27)
6𝑛 2

𝑏−𝑎 2𝑖+1
Soit: 𝑆 (𝑓) = [𝑓 (𝑎) + 2 ∑𝑛−1 𝑛−1
𝑖=1 𝑓 (𝑎 + 𝑖ℎ) + 4 ∑𝑖=0 𝑓(𝑎 + ℎ) + 𝑓(𝑏)) (28)
6𝑛 2

Si 𝑓 est de classe C4 sur [𝑎, 𝑏], on peut montrer que l’erreur commise en
utilisant la formule de Simpson composite est majorée en module par :
(𝑏−𝑎)5
𝐸 (𝑓) = |𝐼(𝑓) − 𝑆(𝑓)| ≤ 𝑀4 où 𝑀4 = max |𝑓 (4) (𝑥)| (29)
2880𝑛4 𝑥Є[𝑎,𝑏]

1
Ainsi, l’erreur théorique de la méthode de Simpson est proportionnelle à ,
𝑛4
1
ce qui est fort précise en comparaison de la méthode des trapèzes (∝ ) ou
𝑛2
1
celle des rectangles à droite et à gauche (∝ )
𝑛

Cas importants :

𝑥𝑖 +𝑥𝑖+1
La formule (27) suppose qu’on puisse calculer 𝑓 aux points milieux ( ).
2
Ceci n’est pas toujours le cas, surtout si 𝑓 n’est pas donnée analytiquement et
n’est donnée que par des points discrets (𝑥𝑖 , 𝑦𝑖 )(𝑖 = 0, 1, . . 𝑛). Ainsi, afin de
pouvoir appliquer la méthode de Simpson, différents cas possibles se
présentent :

i) Cas où le nombre de points donnés n est impair (càd: nb de pas N pairs) :

Dans le cas où le nombre de points n est pair, on peut utiliser la formule (27)
de la méthode de Simpson à condition de ……………………………………………………….. :
(𝑥0 , 𝑥1 , 𝑥2 ) , (𝑥2 , 𝑥3 , 𝑥4 )..etc. Ainsi, le milieu de chaque intervalle [ 𝑥𝑖 , 𝑥𝑖+2 ] sera
𝑥𝑖 +𝑥𝑖+2
(𝑥𝑖+1 = ) (𝑖 = 0, 1. . 𝑛 − 2) et l’image par 𝑓 au point milieu 𝑥𝑖+1 est connue.
2

En remplaçant 𝑓 par son polynôme d’interpolation de Lagrange de degré 2


passant par (𝑥𝑖 , f(𝑥𝑖 )), (𝑥𝑖+1 , f(𝑥𝑖+1 )), (𝑥𝑖+2 , f(𝑥𝑖+2 )). On 𝑎𝑢𝑟𝑎 :
𝑏 𝑥 𝑥 𝑏
𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ ∫𝑎 2 𝑝1 (𝑥)𝑑𝑥 + ∫𝑥 4 𝑝2 (𝑥) 𝑑𝑥 + ⋯ + ∫𝑥 𝑝3 (𝑥)𝑑𝑥 (30)
2 𝑛−2

On peut montrer que I peut être approchée par la formule de quadratures


composite 𝑆(𝑓) donnée par :

43
𝑏−𝑎 𝑁−2
𝑆 (𝑓 ) = [ 𝑓(𝑎) + 4∑𝑁−1
𝑖 𝑖𝑚𝑝𝑎𝑖𝑟𝑒 𝑓 (𝑥𝑖 ) + 2 ∑𝑖 𝑝𝑎𝑖𝑟 𝑓 (𝑥𝑖 ) + 𝑓 (𝑏)] (31)
3𝑁
𝑖=2

Ou encore donnée par :


n n
𝑏−𝑎 −1
𝑆 (𝑓 ) = [ 𝑓(𝑎) + 4 ∑i=1 f[a + (2i − 1)h] + 2 ∑i=1
2 2
f(a + 2ih) + f(b)] (32)
3𝑁

• Dans ce cas la méthode de ……………........………….. que celle des trapèzes ou des


rectangles (car la vitesse de convergence pour Simpson est proportionnelle à
1/n4, tandis que pour la méthode des trapèzes, elle est proportionnelle à 1/n2).

ii) Cas où le nombre de points donnés n est pair (càd: nb de pas N impairs) :
Dans ce cas, deux sous cas se présentent :

➢ Si la fonction 𝑓 est analytiquement connue, alors on peut utiliser la


formule (27) sans problème, puisqu’on sait calculer l’image par 𝑓 de
n’importe quel point choisi ;
➢ Si la fonction 𝑓 n’est pas connue analytiquement, alors l’application
directe de (27) n’est pas possible car 𝑓 ne peut pas être calculée en
𝑥𝑖 +𝑥𝑖+1
. Dans ce cas, on utilise la méthode du trapèze entre les 2
2
premiers ou entre les 2 derniers points et pour le reste des points on
utilise la méthode de Simpson donnée par la formule (31) ou (32)
(puisqu’en ôtant un point, le nombre de point devient impair).

N.B : Est-ce que les méthodes de trapèzes, Simpson sont également


applicable si les 𝑥𝑖 ne sont pas équidistants ? Oui, mais les formules ne sont pas
les mêmes que dans le cas du pas régulier (voir bon livres) ;

Exemple :
𝜋/2
Calculons une valeur approchée de 𝐼 = ∫0 𝑓 (𝑥)𝑑𝑥 en utilisant les
méthodes de trapèze et de Simpson dans le cas où 𝑓 est définit par le tableau
suivant :

x 0 𝜋/8 𝜋/4 3𝜋/8 𝜋/2


f(x) 0 0,382683 0,707107 0,923880 1

n= …… ; a=………. ; b=… … … ; 𝑏 − 𝑎 = ⋯ … … .. ; ℎ = ⋯ … … … … ..

a) Méthode des trapèzes :

44
𝜋/2
𝐼 = ∫0 𝑓 (𝑥)𝑑𝑥 ≈ 𝑆(𝑓) où 𝑆(𝑓) est donnée par :
𝑏−𝑎
𝑆(𝑓) = [ 𝑓 (𝑎) + 2 ∑𝑛−1
𝑖=1 𝑓 (𝑥𝑖 ) + 𝑓 (𝑏)]
2𝑛

𝑆(𝑓) = … … … … … … … … … … … … … … … … … … … … … … … … … … … … … ….

b) Méthode de Simpson :
La formule (5) donne :
𝑏−𝑎
𝑆 (𝑓 ) = [ 𝑓(𝑎) + 4∑𝑁−1
𝑖 𝑖𝑚𝑝𝑎𝑖𝑟𝑒 𝑓 (𝑥𝑖 ) + 2 ∑
𝑁−2
𝑖 𝑝𝑎𝑖𝑟 𝑓(𝑥𝑖 ) + 𝑓 (𝑏)]
3𝑁
(𝑠𝑎𝑢𝑓 𝑎 𝑒𝑡 𝑏) 𝑖=2
(𝑠𝑎𝑢𝑓 𝑎 𝑒𝑡 𝑏)

𝑆 (𝑓 ) = ⋯ … … … … … … … … … … … … … … … … … … … … … … … … … … … … …

On peut remarquer que les points (𝑥𝑖 , 𝑦𝑖 ) du tableau sont les points d’appui
de la fonction f(x) = ………… . La valeur exacte de l’intégrale est alors donnée par

𝐼 = ⋯…………………………………

On conclue que l’approximation par la formule de Simpson est nettement


………………………….que celle fournie par la méthode des trapèzes.

45
Université Moulay Ismail Année universitaire : 2018-2019

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 4
Intégration numérique
Exercice 1 :
3
Donner une valeur approchée de l’intégrale 𝐼 = ∫2 √1 + 𝑥 3 𝑑𝑥 avec une
subdivision régulière à n=4 intervalles, en utilisant :

1) La méthode des rectangles (points milieux) ;


2) La méthode des trapèzes ;
3) La méthode de Simpson ;

Exercice 2 (DS 2013-2014) :


5
1) Donner une valeur approchée de l’intégrale : 𝐾 = ∫04 ln(𝑥 2 + 1) 𝑑𝑥 en
utilisant :
a) La méthode des trapèzes en prenant 6 points équidistants;
b) La méthode de Simpson (choisir une des 2 méthodes présentées en cours);
2) En calculant analytiquement l’intégrale K, trouver sa valeur exacte et la
comparer aux résultats obtenus ;
3) Déterminer une borne supérieure de l’erreur d’intégration par la méthode des
trapèzes en utilisant une subdivision régulière à n=10 intervalles.

Exercice 3 (DS 2011_2012) :

1) En prenant 6 points équidistants sur l’intervalle [0, 5], donner une valeur
5 𝑥
approchée de l’intégrale : 𝐼 = ∫0 𝑥𝑒 4 𝑑𝑥 en utilisant :
a) La méthode des trapèzes;
b) La méthode de Simpson (choisir une des 2 méthodes présentées en cours);
2) En calculant analytiquement l’intégrale 𝐼, trouver sa valeur exacte et la
comparer aux résultats obtenus ;

46
3) En approchant l’intégrale 𝐼 par la méthode des trapèzes en utilisant une
subdivision régulière à n=5 intervalles, déterminer une borne supérieure de
l’erreur d’intégration de 𝐼.

Exercice 5 :
3 𝑑𝑥
On approche l’intégrale : 𝐼 = ∫0 par la méthode des points milieux en
1+𝑥
utilisant une subdivision régulière à n intervalles.
1) Déterminer une borne supérieure pour l’erreur d’approximation si on utilise
n=10 et n=100 intervalles.
2) Quelle doit être la valeur minimale de n pour que l’erreur d’approximation
soit majorée par 10−3 .

Exercice 6 :
𝜋
Pour calculer une valeur approchée de on utilise la relation :
4
1
𝜋 𝑑𝑥
= ∫ 2
4 0 1+𝑥
On approche l’intégrale précédente en utilisant une subdivision régulière à n
intervalles. Quel doit être la valeur minimale de n pour obtenir une valeur
𝜋
approchée de à 10−3 près en utilisant :
4
1) La méthode du point milieu ;
2) La méthode des trapèzes ;
3) La méthode de Simpson.

Exercice 2 :
𝜋
A l’aide d’une méthode numérique, nous avons calculé : 𝐼 = ∫0 𝑠𝑖𝑛𝑥 𝑑𝑥 2

et nous avons trouvé les valeurs approchées suivantes :


• 𝐼 = 1,001235 pour ℎ = 0,1
• 𝐼 = 1,009872 pour ℎ = 0,2
• 𝐼 = 1,078979 pour ℎ = 0,4

Compte tenu de la valeur exacte de 𝐼, quel est l’ordre de la méthode utilisée ?

47
Résolution des équations différentielles

I. Introduction

On appelle équation différentielle ordinaire, une équation différentielle dont


les fonctions et leurs dérivées successives ne dépendent que d’une seule
variable (le temps par exemple). On oppose le terme ordinaire à équation
différentielle aux dérivées partielles.

Dans la majorité des cas, la solution analytique d’une équation différentielle


est impossible à obtenir ; des méthodes numériques sont donc d’un grand
intérêt pratique.

On recherche la fonction 𝑦(𝑥) satisfaisant l’équation différentielle du 1er


𝑑𝑦
ordre : = 𝑦 ′ = 𝑓(𝑥, 𝑦) (1)
𝑑𝑥

Il existe une infinité de solution. On peut en fixer une en imposant une


condition initiale : y(x0 ) = 𝑦0 (2)

Parmi les diverses techniques de calcul, il y a les méthodes à pas libres (xi+1
est fonction de xi uniquement) et les méthodes à pas liés (xi+1 est fonction de
xi−1 , xi , xi+1 …).

Les méthodes à pas liés sont difficiles à implémenter, lourdes à initialiser et


parfois fortement instables. Nous n’en parlerons pas ici.

Parmi les méthodes à pas libres, on trouve la méthode d’Euler et sa


génération : la méthode de Runge-Kutta d’ordre 4 fournit une très bonne
précision pour un volume de calcul très raisonnable.

II. Méthodes à pas libres

1) Méthode d’Euler

Soit 𝑦 : [𝑎, 𝑏] → 𝑙𝑅 de classe C1 et soient 𝑎 =x0 , x1 , …xn =𝑏 une suite de


réels équirépartis (à pas régulier = ℎ = xi+1 – xi = (𝑏 − 𝑎)/𝑛 ).

On utilise le développement de Taylor sur l’intervalle [x0 , x1 ] :

48
y(x1 ) = y(x0 + h) = y(x0 ) + hy ′ (x0 ) + θ (h2 ) (3)

On notera par yn une approximation de la solution exacte y(xn ). Si ℎ est


suffisamment petit, on aura :

𝑦1 = 𝑦0 + ℎ𝑦 ′ 0 or 𝑦 ′ (𝑥0 ) = 𝑦 ′ 0 = 𝑓 (𝑥0 , 𝑦0 ) (4)

donc : 𝑦1 = 𝑦0 + ℎ𝑓(𝑥0 , 𝑦0 ) (5)

Géométriquement, on approche l’arc de la courbe par sa tangente en x0 ; et


on remplace le point exact M1 (x1 , y(x1 )) par un point approché N1 (x1 , y1 ) :
point de même abscisse x1 mais situé sur la tangente en x0 (𝐴0 , 𝑇0 ).

Figure 1 :

On répète le même scénario, utilisé sur [x0 , x1 ] sur l’intervalle suivant


[x1 , x2 ], la solution exacte de l’équation différentielle (1) sera approchée par la
tangente au point (x1 , y1 ) ; on trouve :

y2 = y1 + hf(x1 , y1 ) (6)

et ainsi de suite. Le schéma d’Euler progressif est donc donné par :

Pour 𝑖 = 0,1,2 … 𝑛 − 1 : yi+1 = yi + hf(xi , yi ) (7)

49
• Précision de la méthode d’Euler

Définition :

Une méthode de calcul numérique fournissant des valeurs approchées


𝑦𝑛 𝑑𝑒 𝑦(𝑥𝑛 ) telles que |𝑒𝑛 | ≤ 𝑘 ℎ𝑝 est dite d’ordre p. (10)

NB :
➢ La méthode d’Euler est donc du 1er ordre puisqu’elle s’exprime sous la
forme |en | ≤ k h (ainsi p=1) ;

➢ Etant d’ordre 1, la méthode d’Euler ne converge pas assez vite pour


donner des résultats pratiques intéressant. Pour obtenir une meilleure
approximation, on peut diminuer le pas mais le nombre d’opération
augmente alors considérablement !

2) Méthode de Runge-Kutta d’ordre 2

Si on intègre l’équation y’ = f(x, y) entre 𝑥𝑖 et 𝑥𝑖+1 , alors :


xi+1 xi+1

∫ y ′ dx = ∫ f(x, y) dx
xi xi

x x
Soit : [ y(x) ]xi+1
i
= ∫x i+1 f(x, y) dx
i

x
On obtient : y(xi+1 ) − y(xi ) = ∫x i+1 f(x, y) dx (14)
i

Soit yi une approximation de y(xi ). En intégrant le membre de droite par la


formule des trapèzes, on obtient :
h
yi+1 − yi = [ f(xi , yi ) + f(xi+1 , yi+1 ) ] i=0, 1, … (15)
2
Ce schéma est implicite car il ne permet pas d’expliciter directement yi+1 en
fonction de yi lorsque 𝑓 n’est pas triviale. On peut le modifier afin de le rendre
explicite, en utilisant une prédiction d’Euler progressive et remplacer yi+1 dans

le membre de droite par yi+1 donnée par (2) ; càd :

yi+1 = yi + h f(xi , yi ) (16)

Nous avons construit ainsi un nouveau schéma d’ordre 2 appelé méthode de



Heun. Ce schéma consiste, à partir de yi , à calculer yi+1 par (16) puis à calculer

50

yi+1 par (15), après avoir remplacé yi+1 au membre de droite par yi+1 . Ainsi, la
méthode de Heun s’écrit :

K1 = f(xi , yi )

{ K 2 = f(xi+1 , yi+1 ) = f(xi + h , yi + hK1 ) (17)
h
yi+1 = yi + (K1 + K 2 )
2

3) Méthode d’Euler modifiée

Revenons à l’égalité (14) et utilisons la méthode du point milieu pour


xi + xi+1
intégrer le membre de droite. Notons xi+1 = le point milieu de
2 2
l’intervalle [xi , xi+1 ]. Nous trouvons :
yi+1 − yi = h. f (xi+1 , yi+1 )
2 2

Où yi+1 est une approximation de y(xi+1 ) .


2 2

En utilisant la prédiction d’Euler progressive pour approcher yi+1 , nous


2
obtenons :
h
yi+1 = yi + f(xi , yi ) (18)
2 2

On trouve ainsi la méthode d’Euler modifiée d’ordre 2 qui s’écrit :

K1 = f(xi , yi )
h h
{K 2 = f (xi+1 , yi+1 ) = f (xi + , yi + K1 ) (19)
2 2 2 2
yi+1 = yi + h K 2

Les méthodes de Heun et d’Euler modifiée sont des cas particuliers dans la
famille des méthodes de Runge-Kutta d’ordre 2.
4) Méthodes de Runge-Kutta d’ordre 4 (RK4)

Revenons à l’égalité (14) et utilisons la méthode de Simpson pour intégrer le


membre de droite. Nous obtenons la méthode de RK4 qui permet, à partir de yi
, de calculer yi+1 de la manière suivante :

h
yi+1 = yi + (K1 + 2K 2 +2 K 3 + K 4 ) (20)
6

Où les K i sont calculé comme suit :

51
K1 = f(xi , yi )
h h
K 2 = f (xi + , yi + K1 ) (21)
2 2
h h
K 3 = f (xi + , yi + K 2 )
2 2
K 4 = f(xi+1 , yi + h K 3 ) (où xi+1 = xi + h )

Il est possible de montrer que l’estimation d’erreur est donnée par :

|ei | = |yi − y(xi )| ≤ Ch4 (22)

La relation (22) montre que la méthode de RK4 est d’ordre …………...

Exemple :

52
Université Moulay Ismail Année universitaire : 2018-2019

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 5
Equations différentielles
Exercice 1 :

On considère l’équation différentielle (E) donnée par :


𝑥 𝑦
𝑦′ = − + 2 𝑎𝑣𝑒𝑐 𝑦 (0) = 0
4 4

1) Trouver la solution analytique de l’équation (E) ;


2) On veut approcher la solution de (E) en 𝑥 = 0,7 en subdivisant le segment
[0 ; 0,7] en 7 parties égales. Rapportez, dans un tableau, les valeurs données par :
a) La méthode d’Euler ;
b) La méthode RK2;
c) La solution analytique ;
d) Comparer les résultats obtenus.
NB : Tous les résultats seront arrondis à 4 décimales.

Exercice 2 :

Considérons l’équation différentielle (1) donnée par :


2𝑥
𝑦′ = 𝑦 − 𝑎𝑣𝑒𝑐 𝑦 (0) = 1 (1)
𝑦

1) Montrer que l’équation (1) admet, dans IR, une solution analytique de la
forme ; 𝑦 = √𝑎𝑥 + 𝑏
2) Trouvez les solutions approchées de l’équation (1) en 𝑥1 = 0,3 en utilisant :
a) La méthode d’Euler ;
b) La méthode de Heun (RK2) ;
c) La méthode de Runge-Kutta d’ordre 4 (RK4).
3) Comparer les résultats avec la solution exacte.

53
Exercice 3 :

On donne l’équation différentielle (E) avec condition initiale :

𝑦 ′ = 1 + (𝑦 − 𝑡)2
(E) { 1
𝑦 (0) =
2

1
1) Montrez que la fonction 𝑦(𝑡 ) = 𝑡 + est la solution de (E).
2−𝑡

2) Calculer une solution approchée de l’équation (1) sur l’intervalle [0 ; 0,3] avec
un pas h=0,1 en utilisant :

a) La méthode d’Euler ;

b) La méthode de RK2 ;

e) La méthode de Runge-Kutta d’ordre 4 (RK4).

54
Université Moulay Ismail Année universitaire : 2015-2016

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 6
Système d’équations linéaire

Exercice 1: On considère le système linéaire suivant :

3𝑥 + 2𝑦 + 𝑧 = 10
{ 5𝑥 − 6𝑦 + 𝑧 = −4
−4𝑥 + 2𝑦 + 𝑧 = 3

Résoudre ce système en utilisant les méthodes suivantes :

1) Méthode de Jordan ;

2) Méthode de Gauss.

Exercice 2: (DS 2011-2012)

On considère le système linéaire suivant 𝑨𝑿 = 𝑩 où :

𝟎 𝟑 𝟐 𝟑 𝒙
𝑨 = (𝟒 𝟐 −𝟏), 𝑩 = (−𝟏), 𝑿 = ( 𝒚)
𝟏 𝟎 𝟗 𝟎 𝒛

1) Résoudre ce système en utilisant la méthode de Jordan ;

2) On veut appliquer la méthode itérative de Jacobi pour trouver une solution


approchée de ce système ;

a) Etudier la convergence de la méthode de Jacobi ;

b) Trouver la formule itérative de Jacobi (𝑋 𝑘+1 en fonction de 𝑋 𝑘 ) ;

3) En exigeant une précision ԑ de 10−3 et en supposant que les 10° et 11° vecteurs
0.011 0.01
itérés sont 𝑋10 = (0.003) 𝑒𝑡 𝑋11 = (0.005) ; est-ce que la condition d’arrêt, par la
0.002 0.003
méthode de convergence absolue, est vérifiée ?

55
Exercice 3: On considère le système linéaire suivant 𝑨𝑿 = 𝑩 où :

𝟐 𝟎 𝟏 𝟏 𝒙
𝑨 = (−𝟏 𝟓 𝟑), 𝑩 = (𝟐), 𝑿 = (𝒚)
𝟎 𝟏 𝟒 𝟑 𝒛

1) Dire si la méthode itérative de Jacobi appliquée à ce système converge ;

2) Déterminer la formule itérative de Jacobi (𝑋 𝑘+1 en fonction de 𝑋 𝑘 ) ;

1
3) Calculer les 3 premiers vecteurs itérés 𝑋1 , 𝑋 2 𝑒𝑡 𝑋 3 en prenant 𝑋 0 = (1).
1

Exercice 4 : Résoudre le système suivant avec la méthode de Gauss :

𝑥 + 2𝑦 − 𝑧 = 1
{ 2𝑥 + 5𝑦 − 3𝑧 = 2 où m est un paramètre réel.
2𝑥 + 𝑦 + 𝑧 = 𝑚

56
Université Moulay Ismail Année universitaire : 2015-2016

Ecole Supérieure de Technologie Maths appliquées

Meknès GI- 2° (S3)

Série n° 7
Inverse d’une matrice

1 2 3 4
5 6 7 8
Exercice 1: On considère la matrice suivante A : 𝐴 = ( )
2 −1 1 3
−1 2 1 2

1) Calculer le déterminant de A en utilisant la méthode de Gauss ;

2) Même question en utilisant la méthode de Jordan.

Exercice 2 : (DS 2010-2011)

On cherche à résoudre le système 𝐴𝑋 = 𝐵 avec :

3 0 −1 1 𝑥
𝐴 = (2 5 1 ), 𝐵 = (5), 𝑋 = (𝑦)
1 2 7 0 𝑧

1) La matrice A est-elle inversible ?

2) Si oui, trouver la matrice inverse de A en utilisant la méthode de Jordan ;

3)En déduire la solution de ce système.

Exercice 3 : Soient A et B les matrices données ci-dessous. Chercher la matrice M


telle que : 𝐴𝑀 = 𝐵. L’inverse de la matrice que vous allez rencontrer sera calculée
par la méthode de Jordan.

1 2 3 1 0 2
𝐴 = (−1 1 1) 𝑒𝑡 𝐵 = (0 1 1)
2 3 4 2 2 0

57
3 2 1
Exercice 4: Calculer l’inverse de la matrice suivante : 𝐵 = ( 5 −6 1) en
−4 2 1
utilisant :

1) La méthode de Jordan ;

2) La méthode de Gauss.

Exercice 4 : (DS 2011-2012)

On considère le système linéaire suivant AX=B où :

0 3 2 3 𝑥
𝐴 = (4 2 −1), 𝐵 = (−1), 𝑋 = (𝑦 )
1 0 𝑚2 0 𝑧

1) Pour quelles valeurs de m, la matrice A est-elle inversible ?

2) En prenant m=3, trouver la matrice inverse de A en utilisant la méthode de


Jordan ;

3) En déduire la solution du système précédent.

58