Académique Documents
Professionnel Documents
Culture Documents
2016–2017
TABLE DES MATIÈRES
1.1 Introduction
La recherche des zéros d’une fonction donnée f réelle ou complexe est un problème
classique qui a attiré l’attention des mathématiciens depuis plusieurs siècles. En général,
il n’existe pas de formules donnant la valeur exacte de ces zéros, ou bien ces formules sont
trop compliquées.
On a alors recours à des méthodes numériques d’approximation des solutions. Ces
méthodes sont nombreuses et variées et sont généralement itératives: partant d’une esti-
mation initiale x0 , on construit une suite numérique x1 , x2 , . . . , xn , . . ., où xi est calculé à
partir de xi−1 , qui converge vers une solution α de l’équation f (x) = 0.
Dans ce chapitre, nous étudierons quelques unes de ces méthodes. Nous tacherons,
pour chaque méthode, de:
Définition 1.1.1 On dira qu’une méthode itérative est d’ordre au moins p, pour la recherche
d’un zéro α de f , si la suite (xn ) converge vers α et si
|xn+1 − α|
i.e., reste borné pour n assez grand.
|xn − α|p
|xn+1 − α|
Si lim p = β > 0, on dit que la méthode est d’ordre exactement p.
n→∞ |xn − α|
Théorème 1.2.1 Soit f une fonction définie et continue sur un segment [a, b] de R. Si
f (a) · f (b) < 0, alors il existe α ∈ [a, b] tel que f (α) = 0.
(an + bn )
• ou bien il existe n ∈ N tel que f (xn ) = 0, avec xn = et alors α = xn est
2
la solution cherchée;
• ou bien on construit une suite de segments emboités [an , bn ] et une suite (xn ) telle
que pour tout n ∈ N:
et
(an + bn )
xn = .
2
Pour tout n ∈ N, les suites (an ) et (bn ) vérifient:
(b0 − a0 )
b n − an = ,
2n
et
f (an ) · f (bn ) < 0. (1.1)
Il existe donc α tel que
n=∞
{α} = ∩n=1 [an , bn ] ⊂ ]a, b[ .
On a alors:
lim an = lim bn = lim xn = α.
n→+∞ n→+∞ n→+∞
Donc f (α) = 0.
Remarque 1.2.1 L’intervalle initial [a0 , b0 ], avec la condition f (a0 ) · f (b0 ) < 0, contient
un nombre impair de solutions de l’équation f (x) = 0. Ce nombre diminue d’une itération
à une autre jusqu’à 1.
2
1.3 La méthode de Regula-Falsi ou de la fausse position
Algorithme 1.1
On choisit deux réels a0 et b0 tels que f (a0 ) · f (b0 ) < 0, un réel > 0 assez petit et
un nombre maximum d’itérations N max.
Pour n = 0, . . . , N max faire:
(a + bn )
xn = n
2 ( (
an+1 = an an+1 = xn
Si f (an ) · f (xn ) < 0 alors
sinon
bn+1 = xn bn+1 = bn
Si |f (xn )| ≤ ou |xn − an | ≤ on s’arrête.
• f désigne une fonction numérique donnée, définie et continue sur le segment [a0 , b0 ],
3
Chapitre 1. Résolution numérique des équations non linéaires
En prenant y = 0 et x = xn on obtient:
an f (bn ) − bn f (an )
xn = . (1.2)
f (bn ) − f (an )
Alors on a:
(xn − an ) f (an )
= , (1.3)
b n − an f (an ) − f (bn )
ou encore
(xn − an )(f (bn ) − f (an ))
f (an ) + = 0. (1.4)
b n − an
On montre que xn ∈ ]an , bn [. En effet, comme
on peut avoir f (an ) < 0 et donc f (bn ) > 0 ou bien f (an ) > 0 et f (bn ) < 0.
Choisissons par exemple le cas où f (an ) < 0 et donc f (bn ) > 0. D’où f (an ) et f (an )−
f (an )
f (bn ) sont de même signe et donc ≥ 0 et par suite, puisqe bn − an ≥ 0, de
f (an ) − f (bn )
f (an )
(1.3) on tire que xn ≥ an . De même f (an ) ≤ f (an ) − f (bn ) et donc 0 ≤ ≤1
f (an ) − f (bn )
xn− an
et de (1.3) on tire que 0 ≤ ≤ 1 et donc xn ≤ bn .
bn − an
L’algorithme de la méthode de Regula-Falsi s’écrit alors:
Algorithme 1.2
On choisit deux réels a0 et b0 tels que f (a0 ) · f (b0 ) < 0, un réel > 0 assez petit et
un nombre maximum d’itérations N max.
Pour n = 0, . . . , N max faire:
xn = an f (bn ) − bn f (an )
f (bn ) − f (an ) ( (
an+1 = an an+1 = xn
Si f (an ) · f (xn ) < 0 alors sinon
bn+1 = xn bn+1 = bn
Si |f (xn )| ≤ ou |xn − an | ≤ on s’arrête.
a0 ≤ · · · ≤ an ≤ xn ≤ bn ≤ · · · ≤ b0 .
4
1.3 La méthode de Regula-Falsi ou de la fausse position
lim bn .
n→+∞
2. Il existe:
• ou bien une sous-suite de la suite (xn ) et une sous-suite de la suite (an ) qui
coincident.
• ou bien une sous-suite de la suite (xn ) et une sous-suite de la suite (bn ) qui
coincident.
Puisque ∀n ∈ N, xn = an+1 ou bien xn = bn+1 . Ceci entraine que, dans le cas où la
suite (xn ) converge vers L, on a nécessairement L = A ou L = B.
Théorème 1.3.1 Soit f : [a0 , b0 ] −→ R une fonction définie et continue telle que f (a0 ) ·
f (b0 ) < 0 et supposons que f admet un zéro unique α dans [a0 , b0 ] (i.e., f (α) = 0). Alors
la suite (xn ) définie dans l’algorithme 1.2 converge vers α.
Démonstration: D’après la remarque 1.3.1, les suites (an ) et (bn ) sont convergentes et
convergent respectivement vers A et B. D’après (1.5) et la continuité de f , on obtient:
Lf (B) − Bf (L)
L= ,
f (B) − f (L)
d’où: −Lf (L) = −Bf (L) et comme L 6= B alors f (L) = 0. Donc L est un zéro de
la fonction f et par suite L = α.
• Si L = B (alors L 6= A) on obtient:
Af (L) − Lf (A)
L= ,
f (L) − f (A)
d’où Lf (L) = Af (L) et comme L 6= A; ceci entraine f (L) = 0. Donc L est un zéro
de la fonction f et par suite L = α.
5
Chapitre 1. Résolution numérique des équations non linéaires
h(x) = (b − a)(f (x) − f (a)) − (x − a)(f (b) − f (a)) − M (x − a)(x − b)(b − a),
On a alors: h(a) = h(b) = h(c) = 0 et h est deux fois dérivable sur ]a, b[.
D’après le lemme de Rolle:
• Il existe λ1 ∈ ]a, c[ tel que h(c) − h(a) = h0 (λ1 )(c − a), d’où h0 (λ1 ) = 0;
• Il existe λ2 ∈ ]c, b[ tel que h(b) − h(c) = h0 (λ2 )(b − c), d’où h0 (λ2 ) = 0;
00 00
• Il existe σ ∈ ]λ1 , λ2 [ tel que h0 (λ2 ) − h0 (λ1 ) = h (σ)(λ2 − λ1 ) d’où h (σ) = 0.
00 00 00
Comme h (x) = (b − a)(f (x) − 2M ) on tire que f (σ) = 2M et donc
00
f (σ)
(b − a)(f (c) − f (a)) − (c − a)(f (b) − f (a)) = (c − a)(c − b)(b − a) .
2
Démonstration du théorème 1.3.2
00
Supposons, pour fixer les idées que f (a0 ) < 0 < f (b0 ) et que f ≥ 0 sur ]a0 , b0 [. Comme
xn ∈ ]an , bn [ on peut appliquer le lemme 1.1 en prenant c = xn , a = an et b = bn . Il existe
alors σn ∈ ]an , bn [ tel que:
f 00 (σn )
(bn − an )(f (xn ) − f (an )) − (xn − an )(f (bn ) − f (an )) = (xn − an )(xn − bn )(bn − an ) .
2
6
1.3 La méthode de Regula-Falsi ou de la fausse position
|xn+1 − α|
d’où = |g 0 (cn )| et par passage à la limite, puisque g 0 est continue, on a:
|xn − α|
0
|xn+1 − α| f (α)
= |g 0 (α)| = 1 + (α − b0 )
lim .
n→+∞ |xn − α| f (b0 )
7
Chapitre 1. Résolution numérique des équations non linéaires
Algorithme 1.3
On choisit deux réels a0 et b0 tels que f (a0 ) · f (b0 ) < 0, un réel > 0 assez petit et
un nombre maximum d’itérations N max.
x0 = a0 , c0 = b0
c0 f (x0 ) − x0 f (c0 )
x1 =
f (x0 ) − f (c0 )
( (
c 0 = b0 c 0 = a0
Si f (x1 ) · f (c0 ) < 0 alors sinon
x 0 = a0 x0 = b 0
Pour n = 1, . . . , N max faire:
xn+1 = c0 f (xn ) − xn f (c0 )
f (xn ) − f (c0 )
Si f (xn+1 ) = 0 ou |xn+1 − xn | ≤ on s’arrête.
Cette méthode consiste à faire d’abord des opérations algébriques sur l’équation
générale f (x) = 0 pour l’écrire sous la forme x = g(x) où g est une fonction à déterminer.
Par exemple, si f (x) = x3 + x − 1, on peut choisir:
1 1
g(x) = 1 − x3 , g(x) = , g(x) = (1 − x) 3 ,
1 + x2
ou plus généralement:
f (x)
g(x) = x + ,
h2 (x)
où h2 est une fonction qui ne s’annule pas.
La recherche d’une solution de l’équation f (x) = 0 équivaut alors à la recherche d’un
point fixe de g, i.e., α tel que g(α) = α.
La méthode des approximations successives consiste à construire, en partant d’une
estimation initiale x0 de la solution α, la suite (xn ) définie par
xn+1 = g(xn ).
On voit alors que si g est continue et lorsque cette suite est bien définie et convergente,
sa limite est un point fixe de g.
L’algorithme de la méthode des approximations successives est le suivant:
8
1.4 La méthode des approximations successives
Algorithme 1.4
On choisit un réel x0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.
Pour n = 0, . . . , N max faire:
xn+1 = g(xn )
Si |xn+1 − xn | ≤ on s’arrête.
Cet algorithme prévoit un nombre d’itérations à ne pas dépasser (N max), fixé à priori
à l’avance, car, comme nous allons le voir, la convergence de la suite n’est pas toujours
assurée.
Théorème 1.4.1 Soit g : [a, b] → R telle que g([a, b]) ⊂ [a, b] et g est une fonction
contractante, i.e., il existe λ ∈ [0, 1[ tel que: |g(x) − g(y)| ≤ λ |x − y|, ∀x, y ∈ [a, b].
Alors, pour tout choix de x0 ∈ [a, b], la suite (xn ) définie par: xn+1 = g(xn ) converge vers
l’unique point fixe α de g.
Démonstration:
1. Existence du point fixe: Posons h(x) = g(x)−x, alors h est une fonction continue
sur [a, b] et h(a) · h(b) ≤ 0 et d’après le théorème 1.2.1 il existe α ∈ [a, b] tel que
h(α) = 0 et donc g(α) = α.
2. Unicité du point fixe: Supposons qu’il existe deux points fixes différents α et β
de g, alors g(α) = α et g(β) = β. De plus, |α − β| = |g(α) − g(β)| ≤ λ |α − β|.
Comme λ ∈ [0, 1[ alors on a une contradiction d’où α = β.
3. Convergence de la suite (xn ): Pour étudier la convergence de la suite on va
utiliser le critère de Cauchy. Puisque g est contractante on a:
1 − λm−n
|xm − xn | ≤ (λm−1 + λm−2 + · · · + λn ) |x1 − x0 | = λn |x1 − x0 | . (1.8)
1−λ
Puisque λ ∈ [0, 1[, on obtient lim |xm − xn | = 0.
n,m→+∞
On conclut que la suite (xn ) est de Cauchy dans [a, b] donc elle est convergente. Soit
L sa limite. En passant à la limite dans xn+1 = g(xn ) et puisque g est continue, L
vérifie g(L) = L, on obtient donc L = α. De plus, si on fixe n et on fait tendre m
vers l’infini dans (1.8) on obtient:
1
|xn − α| ≤ λn |x1 − x0 | .
1−λ
9
Chapitre 1. Résolution numérique des équations non linéaires
On constate que la convergence est d’autant plus rapide que λ est proche de zéro.
Corollaire 1.4.1 Le résultat du théorème 1.4.1 reste valable si l’on remplace l’hypothèse
“g contractante” par: g de classe C 1 sur [a, b] et |g 0 (x)| < 1, ∀x ∈ [a, b].
Corollaire 1.4.2 Soit g une fonction numérique admettant un point fixe α. Supposons
que g est continuement dérivable au point α. Alors:
2. Si |g 0 (α)| > 1, la méthode des approximations successives est divergente pour tout
x0 .
Démonstration:
ce qui est absurde, donc la méthode est donc divergente (sauf si accidentellement
xN = α).
|g 0 (x)| > 1
10
1.5 La méthode de Newton
Remarque 1.4.1 Le cas |g 0 (x)| = 1 est le plus délicat à traiter car on ne peut conclure.
On peut avoir convergence comme le cas de la fonction g(x) = sin x qui admet 0 comme
point fixe, ou divergence dans le cas de la fonction g(x) = sinh x qui admet aussi 0 comme
point fixe.
Théorème 1.4.2 Soit g une fonction numérique admettant un point fixe α. Supposons
qu’il existe p ∈ N∗ tel que g soit de classe C p au voisinage de α et que g (p) (α) 6= 0,
g (k) (α) = 0 ∀k ∈ N∗ et k ≤ p − 1 (g (k) désigne la dérivée d’ordre k de g). Alors si la
méthode des approximations successives pour la recherche du point fixe α converge, elle
est d’ordre p. En particulier, si g 0 (α) 6= 0, la convergence est d’ordre 1.
Démonstration:
Soit xn+1 et xn deux éléments de la suite (xn ) et appliquons la formule de Taylor à la
fonction g aux points xn+1 et α sachant que xn+1 = g(xn ) et α = g(α) on obtient:
p
X g (k) (α)
xn+1 − α = g(xn ) − α = (xn − α)k + (xn − α)p ε(xn − α),
k=1
k!
(p)
|xn+1 − α| g (α)
lim =
.
n→+∞ |(xn − α)p | p!
Ce qui prouve que |xn+1 − α| = O(|xn+1 − α|p ) et donc la méthode des approximations
successives est d’ordre p.
Soit f une fonction de classe C 2 dans un voisinage d’une racine simple α de l’équation
f (x) = 0. La méthode de Newton consiste à construire, à partir de x0 , une suite (xn ) tel
que xn+1 est l’intersection de la tangente à la courbe au point (xn , f (xn )) et l’axe des x,
i.e.,
f (xn )
xn+1 = xn − 0 .
f (xn )
L’algorithme de la méthode de Newton est le suivant:
11
Chapitre 1. Résolution numérique des équations non linéaires
Algorithme 1.5
On choisit un réel x0 , deux réels , η > 0 assez petits et un nombre maximum
d’itérations N max.
Pour n = 0, . . . , N max faire:
xn+1 = xn − f (xn )
f 0 (xn )
Si |xn+1 − xn | ≤ et/ou |f (xn )| ≤ η on s’arrête.
Remarque 1.5.1 Remarquons que la méthode de Newton peut être considérée comme
f (x)
une méthode des approximations successives, si l’on choisit g(x) = x − 0 .
f (x)
Théorème 1.5.1 Soit f une fonction de classe C 2 dans un voisinage V d’une racine
simple α de l’équation f (x) = 0. La méthode de Newton est localement convergente et est
à convergence au moins quadratique (d’ordre 2).
Démonstration:
On a xn+1 = g(xn ) avec
f (x)
g(x) = x − ,
f 0 (x)
dont la dérivée est
f (x)f 00 (x)
g 0 (x) = ,
(f 0 (x))2
et donc g 0 (α) = 0 car f (α) = 0.
En appliquant le corollaire 1.4.1, il existe un voisinage U ⊂ V de α tel que ∀x0 ∈ U ,
la suite définie par xn+1 = g(xn ) est convergente vers α.
Si on applique la formule de Taylor aux points xn et α, il existe un ζn compris entre
xn et α tel que
f 00 (ζn )
f (xn ) − f (α) = (xn − α)f 0 (xn ) + (xn − α)2 .
2
D’où 00
f (xn ) f (ζn )
α = xn − 0 + (xn − α)2 0 ,
f (xn ) 2f (xn )
ou encore 00
f (ζn )
2
α − xn+1 = (xn − α) .
2f 0 (xn )
Donc 00
|α − xn+1 | f (α)
lim = 0 ,
n→+∞ |α − x |2 2f (α)
n
12
1.6 La méthode de la sécante
Cette méthode peut être considérée comme une variante de la méthode de Regula
Falsi si on remplaçe les points an et bn par les points xn et xn−1 . Elle peut être con-
sidérée aussi comme une variante de la méthode de Newton si on approche f 0 (xn ) par
f (xn ) − f (xn−1 )
.
xn − xn−1
Partant de x0 et x1 , on définit la suite (xn ) par:
Remarqons que xn+1 est l’abscisse du point d’intersection, avec l’axe des abscisses,
de la droite joignant les points de la courbe de f , d’abscisses respectives xn et xn−1 .
L’algorithme de la méthode de la sécante est le suivant:
Algorithme 1.6
On choisit un réel x0 , deux réels , η > 0 assez petits et un nombre maximum
d’itérations N max.
Pour n = 0, . . . , N max faire:
xn+1 = xn−1 f (xn ) − xn f (xn−1 )
f (xn ) − f (xn−1 )
Si |xn+1 − xn | ≤ et/ou |f (xn )| ≤ η on s’arrête.
Lemme 1.6.1 Soit (xn ) la suite définie par (1.9) et supposons que f est de classe C 2 au
voisinage d’un zéro α de f . Alors ∀n ∈ N∗ , il existe un réel cn compris entre xn−1 et xn
et un réel dn élément du plus petit intervalle In contenant xn , xn−1 et α tel que:
00
f (dn )
xn+1 − α = (xn − α)(xn−1 − α) 0 . (1.10)
2f (cn )
Démonstration:
On a:
xn−1 f (xn ) − xn f (xn−1 )
xn+1 − α = −α
f (xn ) − f (xn−1 )
xn − xn−1
= (xn − α) − f (xn )
f (xn ) − f(xn−1 )
g(xn , α)
= (xn − α) 1 −
g(xn , xn−1 )
h(xn , xn−1 , α)
= (xn − α)(xn−1 − α) ,
g(xn , xn−1 )
où on a posé
f (x) − f (y)
g(x, y) =
x−y
13
Chapitre 1. Résolution numérique des équations non linéaires
et
(z − x)(f (x) − f (y)) − (x − y)(f (z) − f (x))
h(x, y, z) = .
(x − y)(z − x)(y − z)
D’après la formule des accroissements finis, il existe cn compris entre xn et xn−1 tel
que
f (xn ) − f (xn−1 )
g(xn , xn−1 ) = = f 0 (cn ).
xn − xn−1
D’après le lemme 1.3.1, il existe dn ∈ In tel que:
f 00 (dn )
h(xn, xn−1 , α) = .
2
D’où 00
f (dn )
xn+1 − α = (xn − α)(xn−1 − α) .
2f 0 (cn )
Théorème 1.6.1 Supposons que f est de classe C 2 au voisinage d’une racine simple
de l’équation f (x) = 0, i.e., f (α) = 0, f 0 (α) 6= 0. Alors la méthode de la sécante est
localement convergente, i.e., il existe un voisinage V de α, tel que pour tout x0 et x1 dans
V , la suite
√ (xn ) définie par (1.9) converge vers α. De plus, l’ordre de convergence est
1+ 5
p= .
2
Démonstration: Puisque f 0 (α) 6= 0, il existe un voisinage de α où f 0 ne s’annule pas, il
existe donc , 0 < < 1 et V1 = {x : |x − α| < } tel que ∀x ∈ V1 on a f 0 (x) 6= 0.
Comme f est de classe C 2 on peut définir:
0 00
c1 = inf |f (x)| et c2 = sup f (x) .
x∈V1 x∈V1
c2
+ 1 et V = x, |x − α| < c ⊂ V1 . Choisissons x0 , x1 dans V . On a
On pose c =
c1
alors:
∀n ∈ N, xn ∈ V.
Ceci se démontre par récurrence. En effet, x0 , x1 ∈ V . Supposons alors que xn ∈ V et
xn−1 ∈ V pour n ∈ N∗ . D’après (1.10), il existe cn , dn ∈ V tels que:
00
f (dn )
xn+1 − α = (xn − α)(xn−1 − α) 0 .
2f (cn )
D’où
00
f (dn )
|xn+1 − α| ≤ |xn − α| |xn−1 − α| 2f 0 (cn ) ≤ c |xn − α| |xn−1 − α|
2 (1.11)
≤c = <
cc c c
et donc xn+1 ∈ V .
14
1.6 La méthode de la sécante
Démontrons maintenant que la suite (yn ) définie par yn = c |xn − α| est convergente
√
√
vers zéro. Posons λ = max(y0 , p y1 ) où y0 = c |x0 − α| et y1 = c |x1 − α| et p = 1+2 5 est
la racine positive de l’équation x2 − x − 1 = 0.
0 1
Alors y0 ≤ λp et y1 ≤ λp (facile à vérifier) et λ < < 1 et
n
∀n ∈ N, yn ≤ λp . (1.12)
n n−1
Ceci se démontre par récurence. En effet, supposons que yn ≤ λp et yn−1 ≤ λp .
On a yn+1 = c |xn+1 − α| ≤ c2 |xn − α| |xn−1 − α| d’après (1.11). D’où
yn+1 ≤ yn yn−1
n n−1 n n−1 (1.13)
≤ λp λp = λp +p ,
n−1 n+1
et donc yn+1 ≤ λp (p+1) . Comme p2 = p + 1 on a yn+1 ≤ λp . On en déduit, puisque
λ < 1, que la suite (yn ) est convergente vers zéro et par suite la suite (xn ) converge vers
α.
yn+1
D’après (1.13) on a: ∀n ∈ N, yn+1 ≤ yn yn−1 . D’où p ≤ yn1−p yn−1 et d’après (1.12)
yn
on obtient:
yn+1 pn 1−p pn−1 n n+1 n−1 n−1 2
p ≤ (λ ) λ = λp −p +p = λp (p+1−p ) ≤ λ0 = 1,
yn
car p2 − p − 1 = 0. D’où
|xn+1 − α|
≤ cp−1 ,
|xn − α|p
√
et donc la méthode est au moins d’ordre p = 1+2 5 .
Démontrons maintenant que l’ordre de convergence est exactement p. Posons yn =
xn−1 f (xn ) − xn f (xn−1 )
xn − α. De l’expression xn+1 − α = − α on tire:
f (xn ) − f (xn−1 )
(xn− α)2 00
f (xn ) = (xn − α)f 0 (α) + f (α) + (xn − α)2 ζ(xn − α),
2
où ζ(xn − α) → 0 quand xn − α → 0.
En écrivant cette formule aux points xn et xn−1 et en utilisant (1.14) on obtient:
f 00 (α)
yn+1 ∼ yn yn−1 quand n → +∞. (1.15)
2f 0 (α)
D’autre part, la méthode de la sécante est dite d’ordre p si |yn+1 | = O(|yn |p ) ou encore
15
Chapitre 1. Résolution numérique des équations non linéaires
|yn+1 | p
s’il existe une constante C tel que p ∼ C quand n → +∞ d’où |yn+1 | ∼ C |yn | ,
|yn |
2
|yn | ∼ C |yn−1 | et par suite |yn+1 | ∼ C p+1 |yn−1 |p et en utilisant (1.15) on obtient:
p
00
p p2 p
f (α)
C |yn−1 | ∼ |yn−1 | |yn−1 | 0 ,
2f (α)
et donc
f (α) −1
00
p2 −p−1
C p |yn−1 | 2f 0 (α) ∼ 1.
√
2 1+ 5
Comme limn→+∞ yn−1 = 0, donc p − p + 1 = 0 et par conséquent p = .
2
On considère le système:
f1 (x1 , x2 , . . . , xn ) = 0,
f2 (x1 , x2 , . . . , xn ) = 0,
.. (1.16)
.
f (x , x , . . . , x ) = 0,
n 1 2 n
où les fonctions fi sont des fonctions définies sur un ouvert de Rn à valeurs dans R et de
classe C 2 dans un voisinage V d’une racine α = (α1 , α2 , . . . , αn ), du système (1.16), i.e.,
fi (α) = 0 pour i = 1 jusqu’à n.
X = G(X). (1.18)
Si α est solution de (1.16), alors α est solution de (1.17) et α est un point fixe de la
fonction G.
Pour chercher la solution de (1.16) on se ramène à la recherche du point fixe de la
fonction G. Pour cela, on construit la suite de vecteurs (Xk ) par:
(
X0 donné,
Xk+1 = G(Xk ) k ≥ 0.
16
1.7 Résolution d’un système non linéaire
Théorème 1.7.1 Soit U un fermé borné de Rn et G une fonction définie sur U telle que:
∀X ∈ U, ∀Y ∈ U, kG(X) − G(Y )k ≤ K kX − Y k ,
Démonstration:
La démonstration est analogue à celle que l’on a faite dans le cas d’une équation.
Algorithme 1.7
On choisit un vecteur X0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.
Pour k = 0, . . . , N max faire:
Xk+1 = G(Xk )
Si kXk+1 − Xk k ≤ on s’arrête.
Théorème 1.7.2 Soit U un fermé borné de Rn et G une fonction définie sur U de classe
C 1 (i.e., toutes les fonctions partielles gi sont de classe C 1 ) telle que:
n
X
0
max |gj,xi
(X)|2 < 1,
X∈U
i,j=1
0 ∂gj
où gj,x (X) = (X). Alors la suite définie par:
i
∂xi
X0 ∈ U,
Xn+1 = G(Xn ),
17
Chapitre 1. Résolution numérique des équations non linéaires
Démonstration:
Remarquons que, puisque les fonctions P partielles gi sont de classe C 1 , les dérivées
partielles d’ordre 1 sont continues et le max ni,j=1 |gj,x
0
i
(X)|2 existe.
X∈U
n
X
0
Soit K = max |gj,xi
(X)|2 ce maximum. Soient X et Y deux éléments de U .
X∈U
i,j=1
D’après le théorème des accroissements finis appliqué à la fonction G aux points X et Y ,
il existe ξ ∈ U tel que G(X) − G(Y ) = G0 (ξ)(X − Y ) où G0 (ξ) est la dérivée de G au point
ξ, c’est donc une application linéaire de Rn dans Rn représentée par la matrice suivante:
0 0 0
g1,x1 (ξ) g1,x 2
(ξ) · · · g1,xn (ξ)
g 0 (ξ) g 0 (ξ) · · · g 0 (ξ)
2,x1 2,x2 2,xn
DG = .. .. ,
.. ..
. . . .
0 0 0
gn,x1
(ξ) gn,x 2
(ξ) · · · gn,xn
(ξ)
et on a n
X
0
gi (X) − gi (Y ) = gj,xi
(ξ)(xj − yj ).
j=1
Donc
n n n
!2
X 2
X X
2 0
kG(X) − G(Y )k = (gi (X) − gi (Y )) = gj,xi (ξ)(xj− yj )
i=1 i=1 j=1
et en développant:
n
!2 n n
X X X
0 02 2 0 0
(gj,xi (ξ)(xj− yj ) = gj,xi (ξ)(xj− yj ) + gk,xi
(ξ)(xk − yk )gl,xi
(ξ)(xl− yl ).
j=1 j=1 l,k=1
l6=k
2abcd ≤ a2 b2 + c2 d2 ,
d’où
n
!2 n n
X X X
0 02 02 02
(gj,xi
(ξ)(xj− yj ) ≤ gj,xi
(ξ)(xj− yj )2 + (gk,xi
(ξ)(xk− yk )2 + gl,x i
(ξ)(xl− yl )2 )
j=1 j=1 l,k=1
l6=k
n
! n
! n
X X X
02 02
≤ gj,xi
(ξ) (xi− yi )2 = gj,xi
(ξ) kX − Y k .
j=1 i=1 j=1
18
1.7 Résolution d’un système non linéaire
n
X
02
avec K = max gj,xi
(X).
x∈U
j,i=1
Comme par hypothèse K < 1 et U est un fermé borné, les hypothèses du théorème
sont vérifiées et l’algorithme défini par Xk+1 = G(Xk ) converge.
D’où
F (X) + F 0 (X)(α − X) = 0,
où F 0 (X) est une application linéaire dont la matrice qu’on appelle la matrice jacobienne
est: 0
0 0
f1,x1 (X) f1,x 2
(X) · · · f1,x n
(X)
f 0 (X) f 0 (X) · · · f 0 (X)
2,x1 2,x2 2,xn
F 0 (X) = .
.. .. .. ..
. . . .
0 0 0
fn,xn
(X) fn,x 2
(X) · · · fn,xn
(x)
Si on construit une suite itérative (X k ) approximant α on obtient une meilleure définition
de la suite par:
F (X k ) + F 0 (X k )(X k+1 − X k ) = 0.
On obtient X k+1 en résolvant le système linéaire
F 0 (X k )(X k+1 − X k ) = F (X k ).
19
Chapitre 1. Résolution numérique des équations non linéaires
Algorithme 1.8
On choisit un vecteur X0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.
Pour k = 0, . . . , N max faire:
Résoudre pour X k+1 le système linéaire suivant par l’une des méthodes connues
F 0 (X k )(X k+1 − X k ) = F (X k )
k+1
X − X k
Si ≤ on s’arrête.
kX k k
Remarque 1.7.1
• La méthode de Newton est très efficace.
• La convergence est quadratique au voisinage de la solution (après un certain nombres
d’itérations)
• L’inconvenient majeur de la méthode est d’avoir à calculer à chaque itération la
∂fi
matrice jacobienne (n2 fonctions à évaluer ) et les fonctions fi .
∂xj
Pour surmonter ce problème plusieurs variantes de la méthode de Newton existent:
1. Méthode de Newton à jacobienne par différences finies: c’est une méthode qui con-
∂fi k
siste à approcher à chaque itération k les dérivées partielles (X ) par:
∂xj
20
CHAPITRE 2
INTERPOLATION POLYNÔMIALE
2.1 Introduction
Soit f une fonction dont on connait les valeurs yi = f (xi ) en un nombre fini de
points xi , i = 0, 1, . . . , n. L’interpolation consiste à déterminer une fonction P (x), dans
un ensemble donné de fonctions, telle que le graphe de la fonction y = P (x) passe par les
points données (xi , yi ), i = 0, 1, . . . , n.
Dans ce chapitre, nous nous limiterons au cas où P est une fonction polynômiale.
Les applications de la théorie de l’interpolation sont multiples. Dans ce cours, nous
insisterons sur les aspects qui fourniront les outils mathématiques essentiels pour le
développement des méthodes des chapitres suivants (intégration numérique et résolution
numérique des équations différentielles). Nous donnerons aussi différentes formes du
polynôme d’interpolation adaptées à l’interpolation dans les tables de données et nous
analyserons l’erreur d’interpolation correspondante.
• Si oui, quel est son degré? Est-il unique? Quelle est l’expression de P (x) en fonction
des données (xi ) et (yi )?
où n
Y x − xi
Lk (x) = .
i=0
xk − xi
i6=k
Chapitre 2. Interpolation polynômiale
Démonstration:
Unicité: Supposons qu’il existe deux polynômes Pn ∈ Pn et Qn ∈ Pn tels que
Pn (xi ) = yi , et Qn (xi ) = yi , i = 0, 1, . . . , n.
D’après l’unicité (si Y = 0 alors A = 0), la matrice M est donc injective. Comme elle est
d’un espace de dimension fini dans un espace de même dimension, M est donc inversible
et le système M A = Y admet une solution d’où l’existence du polynôme Pn . Seulement
cette démonstration ne nous permet pas la construction du polynôme Pn .
2ème démonstration: Considèrons le polynôme:
n
Y x − xi
Lk (x) = , k = 0, 1, . . . , n,
i=0
xk − xi
i6=k
et posons
n
X
Pn (x) = yk Lk (x).
k=0
D’où Pn ∈ Pn , et Pn (xi ) = yi , i = 0, 1, . . . , n.
22
2.3 Forme de Newton: différences divisées
Exemples:
x − x1 x − x0 (x − x0 )f (x1 ) − (x − x1 )f (x0 )
P1 (x) = f (x0 ) + f (x1 ) = ,
x0 − x1 x1 − x0 (x1 − x0 )
ou encore
f (x1 ) − f (x0 ) x1 f (x0 ) − x0 f (x1 )
P1 (x) = x+ .
x0 − x1 x1 − x0
n
X
Définition 2.2.1 L’expression Pn = yk Lk (x) s’appelle la forme de Lagrange du polynôme
k=0
d’interpolation de la fonction f relatif aux points x0 , x1 , . . . , xn . Les polynômes Lk sont
les polynômes de base de Lagrange associés aux points x0 , x1 , . . . , xn .
Avec les mêmes hypothèses et notations que le paragraphe 2.2, notons Pk le polynôme
d’interpolation de Lagrange de la fonction f relatif aux points x0 , x1 , . . . , xk .
Considérons le polynôme:
23
Chapitre 2. Interpolation polynômiale
Démonstration
En utilisant les polynômes de Lagrange Li , le polynôme d’interpolation de Lagrange Pk
de la fonction f relatif aux points x0 , x1 , . . . , xk s’écrit :
k
X
Pk (x) = f (xi )Li (x),
i=0
ou encore
k k k k
X Y (x − xj ) X f (xi ) Y
Pk (x) = f (xi ) = (x − xj ).
i=0 j=0
(x i − x j ) i=0
k
Y j=0
j6=i (xi − xj ) j6=i
j=0
j6=i
Y k
Y
Remarque 2.3.1 En posant (x) = (x − xj ), pour i = 0, 1, . . . , k on a:
k+1
j=0
Y0 k
Y
(xi ) = (xi − xj ),
k+1
j=0
j6=i
24
2.3 Forme de Newton: différences divisées
Y0 Y
où désigne la dérivée de .
k+1 k+1
Le coefficient ak s’écrit donc:
k
X f (xi )
ak = f [x0 , x1 , . . . , xk ] = Y0 .
i=0 (xi )
k+1
Proposition 2.3.1 Les différences divisées se calculent d’une manière récursive par les
formules suivantes:
Exemples:
25
Chapitre 2. Interpolation polynômiale
d’où
k
X f (xi )
f [x1 , . . . , xk ] = k
.
i=0
Y
(xi − xj )
j=1
j6=i
D’où
k
X (xk − xi + xi − x0 )f (xi )
f [x1 , . . . , xk ] − f [x0 , . . . , xk−1 ] = Y0
i=0 (xi )
k+1
k
X f (xi )
= (xk − x0 ) Y0 = (xk − x0 )f [x0 , . . . , xk ],
i=0 (xi )
k+1
et donc
f [x1 , . . . , xk ] − f [x0 , x1 , . . . , xk−1 ]
f [x0 , x1 , . . . , xk ] = .
xk − x0
26
2.3 Forme de Newton: différences divisées
i ∈ {0, 1, . . . , n − 1} et k ∈ {0, 1, . . . , n − i} on a:
Cette formule nous permet donc de calculer les différences divisées d’ordre k à partir
des différences divisées d’ordre k − 1. On peut donc dresser le tableau suivant:
On peut également écrire un algorithme qui permet de calculer ces différences di-
visées. Posons Di,k = f [xi , xi+1 , . . . , xi+k ] et Di,0 = f (xi ) pour i ∈ {0, 1, . . . , n} et
k ∈ {0, 1, . . . , n − i}. D’après la remarque 2.3 on a
Di+1,k−1 − Di,k−1
Di,k = ,
xi+k − xi
d’où l’algorithme suivant:
Algorithme 2.1
27
Chapitre 2. Interpolation polynômiale
k−1
Y
Q
où k (x) = (x − xj ). Cette écriture s’appelle la forme de Newton du polynôme
j=0
d’interpolation.
Démonstration
Ecrivons le polynôme Pn (x) sous la forme:
On peut écrire donc l’algorithme suivant pour le calcul de Pn (x) pour un x donné.
28
2.4 Interpolation en des points équidistants: différences finies
Algorithme 2.2
On se donne x,x0 , . . . , xn , a0 , . . . , an
t0 = an
Pour k = 1, . . . , n faire:
tk = an−k + (x − xn−k )tk−1
Fin de la boucle sur k
tn = la valeur de Pn (x)
∇f (x) = f (x + h) − f (x),
et notons:
∇fi = fi+1 − fi .
Plus généralement, définissons l’opérateur des différences finies progressives d’ordre k ≥ 0
par: et
∇0 fi = fi ,
et
∇k fi = ∇k−1 fi+1 − ∇k−1 fi .
Les différentes différences finies ∇k fi peuvent être calculées par l’algorithme 2.3 suiv-
ant:
29
Chapitre 2. Interpolation polynômiale
Algorithme 2.3
Démonstration
On va faire la démonstration par récurrence sur l’ordre k. Pour k = 0, on a ∇0 fi =
fi = f (xi ) = f [xi ] = f [xi ] h0 0!. Supposons que la relation soit vraie jusqu’à l’ordre k. On
a donc
∇k fi = f [xi , . . . , xi+k ] hk k! et ∇k fi+1 = f [xi+1 , . . . , xi+1+k ] hk k!.
D’où:
∇k+1 fi = ∇k fi+1 − ∇k fi
= f [xi , . . . , xi+k ] hk k! − f [xi+1 , . . . , xi+1+k ] hk k!
= hk k! (f [xi , . . . , xi+k ] − f [xi+1 , . . . , xi+1+k ] ) (D’après le lemme 1)
= hk k! (xi+1+k − xi )f [xi , . . . , xi+1+k ]
= hk k! (k + 1)h f [xi , . . . , xi+1+k ] car xi+1+k − xi = (k + 1)h
= hk+1 (k + 1)!f [xi , . . . , xi+1+k ]
∇k f0
Remarque 2.4.1 On a f [x0 , x1 , . . . , xk ] = . Le polynôme d’interpolation
hk k!
n
X Y
Pn (x) = f (x0 ) + f [x0 , x1, . . . , xk ] (x)
k=1 k
30
2.4 Interpolation en des points équidistants: différences finies
Or
* f (x0 ) = (t0 ) ∇0 f0
k−1
Y
Q
* k (x) = (x − xj )
j=0
et donc Y
(x) = hk t(t − 1)(t − 2) . . . (t − k + 1)
k
d’où n
X ∇k f0
Pn (x) = f (x0 ) + t(t − 1)(t − 2) . . . (t − k + 1),
k=1
k!
et par suite:
n
X
∇ k f0 t
Pn (x) = k .
k=0
31
Chapitre 2. Interpolation polynômiale
Algorithme 2.4
Remarque 2.4.2 On peut définir les différences finies régressives par 4k f (x) = f (x) −
f (x − h) et 4k f (x) = 4k−1 f (x) − 4k−1 f (x − h).
On peut montrer que
n
X
4k fn k−t+k−1
Pn (x) =
k=0
xn −x
où t = h
.
32
2.5 Interpolation d’Hermite
Théorème 2.5.1 Etant donnés (n+1) points distincts x0 , . . . , xn et n+1 entiers naturels
n
X
α0 , . . . , αn et soit m = n + αi . Soit f une fonction admettant des dérivées d’ordre αi
i=0
aux points xi qu’on notera yi,l = f (l) (xi ). Alors il existe un polynôme Pm ∈ Pm unique
tel que
Pm(l) (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . αi }.
Ce polynôme s’appelle polynôme d’interpolation d’Hermite de la fonction f relativement
aux points x0 , . . . , xn et aux entiers α0 , . . . , αn .
Démonstration
Posons Pm (x) = a0 + a1 x + · · · + am xm , alors trouver le polynôme Pm équivaut à
déterminer les (m + 1) coefficients a0 , a1 , . . . , am . Comme on a (m + 1) équations linéaires
(l)
Pm (xi ) = yi,l . On obtient un système linéaire de (m + 1) équations à (m + 1) inconnus.
Pour démontrer l’existence de la solution, il suffit donc de démontrer l’unicité.
Supposons qu’il existe deux polynômes d’interpolation d’Hermite Pm (x) et Qm (x) de
(l) (l)
degré ≤ m tels que: Pm (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi } et Qm (xi ) = yi,l
pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }. Posons alors Rm = Pm − Qm , alors le degré de
(l)
Rm ≤ m et Rm (xi ) = 0 pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }.
D’où xi est un zéro d’ordre αi + 1 (au moins ) du polynôme Rm pour i ∈ {0, 1, . . . , n}
n
Y
et donc il existe un polynôme S(x) tel que Rm (x) = S(x) (x−xi )1+αi . D’où si S(x) 6= 0,
i=0
n
X
deg(Rm ) = deg(S) + (n + 1 ) + αi = m + 1 + deg(S) et comme deg(Rm ) ≤ m alors S
i=0
est nécessairement nul. D’où Rm ≡ 0 et donc Pm = Qm .
où les bi,l sont des constantes données. On sait que ce problème admet une solution unique
dans Pm .
33
Chapitre 2. Interpolation polynômiale
Alors les polynômes Pi,l forment une base de Pm . En effet, on a (m + 1) polynômes Pi,l
et ces polynômes forment une famille libre. Il suffit de considèrer l’équation suivante:
X
βi,l Pi,l (x) = 0,
i,l
et de l’écrire, ainsi que les dérivées d’ordre k ≤ αi , pour chaque xi et d’en déduire que
βi,l = 0. Alors, tout polynôme P (x) de Pm s’écrit d’une manière unique sous la forme:
n X
X αi
P (x) = ( βi,l Pi,l (x)).
i=0 l=0
(x − xi )αi
Pi,αi (x) = qi (x)
αi !
αi
(x − xi )l X
l
(j−l)
Pi,l (x) = qi (x) − j qi (xi )Pi,j (x) l = αi − 1, αi − 2, . . . 1, 0
l! j=l+1
Il est très facile de vérifier que les Pi,l sont solutions du problème posé au départ.
34
2.6 Erreur d’interpolation
f (m+1) (ξ)
E(t) = f (t) − Pm (t) = φm+1 (t),
(m + 1)!
avec n
Y
φm+1 (t) = (t − xi )1+αi .
i=0
Démonstration
1er cas: t ∈ {x0 , . . . , xn } alors E(t) = φm+1 (t) = 0 et ξ est quelconque.
E(t)
2ème cas: t 6∈ {x0 , . . . , xn }. Considérons alors la fonction F (x) = E(x)− φm+1 (x)
φm+1 (t)
on a: F est une fonction de classe C m+1 . On a F (t) = 0 donc t est zéro de la fonction F .
De plus, F (l) (xi ) = 0 pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi } donc xi est un zéro d’ordre
1 + αi de F .
D’après le lemme de Rolle, entre deux zéros distincts de F , il y a un zéro de F 0 . D’où
0
F admet n+1 zéros dans It autres que x0 , . . . , xn et t. De plus pour tout i ∈ {0, 1, . . . , n},
Xn
xi est un zéro d’ordre αi de F 0 (si αi 6= 0). En conclusion, F 0 admet n+1+ αi = m+1
i=0
zéros (égaux ou distincts) dans It .
00
En réitérant le raisonnement, F admet m zéros (égaux ou distincts) dans It et de
proche en proche F (m+1) admet un zéro dans It . Soit ξ ce zéro. On a donc F (m+1) (ξ) = 0,
c’est-à-dire
E(t) (m+1)
E (m+1) (ξ) − φ (ξ) = 0.
φm+1 (t) m+1
Or
E (m+1) (ξ) = f (m+1) (ξ) − Pm(m+1) (ξ) = f (m+1) (ξ) (car deg(Pm ) ≤ m)
(m+1)
et deg(φm+1 ) = m + 1 d’où φm+1 = (m + 1)!.
E(t) (m+1) E(t)
Enfin E (m+1) (ξ) − φm+1 (ξ) = 0 s’écrit : f (m+1) (ξ) − (m + 1)! = 0.
φm+1 (t) φm+1 (t)
D’où
f (m+1) (ξ)φm+1 (t)
E(t) = .
(m + 1)!
f (n+1) (ξ) Y
f (t) − Pn (t) = (t),
(n + 1)! n+1
n
Y
Q
avec n+1 (t) = (t − xi ).
i=0
35
Chapitre 2. Interpolation polynômiale
Démonstration
C’est un cas particulier du théorème précédent avec αi = 0 pour i = 0, 1, . . . , n.
36
CHAPITRE 3
INTÉGRATION NUMÉRIQUE
3.1 Introduction
avec w(x) et f (x) deux fonctions définies sur [a, b] telles que w(x) > 0 sur ]a, b[ et f (x)w(x)
est intégrable sur [a, b].
Hormis quelques cas simples, où une primitive de f w peut être trouvée (et il faut
inclure dans ce cas le calcul par changement de variables où l’intégration par parties), on
ne sait pas calculer cette intégrale.
En outre, il arrive fréquemment qu’on ne connaisse la fonction que par ses valeurs
en certains points. Il est alors hors de question de calculer exactement l’intégrale I.
L’intégration numérique est une idée ”naturelle”. L’intégrale de Riemann en fournit
l’idée première.
On considère une subdivision uniforme : a = x0 < x1 < · · · < xn = b de l’intervalle
[a, b], (xi = a + i b−a
n
, i ∈ {0, 1, . . . , n}) et on remplace I par:
b n n
b−aX
Z X
I= f (x)w(x)dx ≈ (xi − xi−1 ) f (αi )w(αi ) = f (αi ) w(αi ) = Sn ,
a i=1
n i=1
avec αi ∈ [xi−1 , xi ].
Z b
Et on a lim Sn = I = f (x)w(x)dx.
n→+∞ a
Z b
La procédure de l’intégration numérique est donc de chercher à remplacer f (x)w(x)dx
a
par une somme finie:
Z b n
X
f (x)w(x)dx = λi f (αi ) + En (f ) (3.2)
a i=1
n
X
où En (f ) désigne le terme de l’erreur commise en remplaçant I par λi f (αi ). De
i=1
telles formules sont appelées formules de quadrature.
L’idée de base dans la recherche des points xi (noeuds de la formule de quadrature)
et des coefficients λi (poids de la formule de quadrature), c’est de remplacer la fonction
f par un polynôme d’interpolation. Dans ce cas, deux formules seront présentées:
Remarque 3.1.1 Lorsque les poids λi sont indépendants de la fonction f (c’est le cas
n
X
pour les formules de type interpolation), les applications: f → λi f (αi ) et f → En (f )
i=1
sont linéaires.
on peut toujours ramener l’intégration sur [a, b] à une intégration sur [−1, +1] qu’on peut
prendre comme intervalle de référence.
38
3.1 Introduction
Z b n−1 Z
X xi+1
f (x)dx = f (x) dx
a i=0 xi
n−1 n−1
X X (xi+1 − xi )2 0
= (xi+1 − xi ) f (xi ) + f (ηi )
i=0 i=0
2
n−1 n−1
b−aX (b − a)2 X 0
= f (xi ) + f (ηi )
n i=0 2n2 i=0
D’après le théorème de la moyenne, il existe η ∈ [a, b] tel que :
n−1
1X 0
f (ηi ) = f 0 (η).
n i=0
On obtient enfin :
b n−1
b−aX b−a (b − a)2 0
Z
f (x)dx = f (a + i ) + f (η) avec η ∈ [a, b]
a n i=0 n 2n
b n
b−aX b−a (b − a)2 0
Z
f (x)dx = f (a + i ) + f (η) avec η ∈ [a, b]
a n i=1 n 2n
b n−1
b−aX
Z
x + xi+1
f (x)dx = f( i ) + En (f )
a 2 i=0 2
Détermination de l’erreur En (f )
Supposons que f est de classe C 2 sur [a, b]. D’après la formule de Taylor, on a: pour tout
x ∈ [xi , xi+1 ], il existe ξi ∈ [xi , xi+1 ] tel que:
x + xi+1 x + xi+1 0 xi + xi+1 1 x + xi+1 2 00
f (x) = f ( i ) + (x − i )f( ) + (x − i ) f (ξi )
2 2 2 2 2
En procédant comme dans l’exemple 3.1 et en remarquant que:
Z xi+1
x + xi+1
(x − i )dx = 0 ,
xi 2
on aboutit à la formule :
b n−1
b−aX b−a (b − a)3 00
Z
f (x)dx = f (a + (2i + 1) ) + f (η) avec η ∈ [a, b]
a n i=0 2n 24n2
39
Chapitre 3. Intégration numérique
Lemme 3.2.1
Les coefficients λi,p (p fixé, et i = 0, 1, ..., p) sont donnés par la formule suivante:
1 1
Z
λi,p = Li (t)dt
2 −1
où Li (t) est le polynôme de Lagrange de base relativement aux points t0 , t1 , . . . , tp .
ou encore Z p
p Y t − j
λi,p = p1 ( )dt pour i ∈ {0, 1, ..., p}.
0 i − j
j=0
j 6= i
Démonstration
Soient L0 , L1 , . . . , Lp les polynômes de base de Lagrange associés aux points t0 , t1 , ..., tp .
Le polynôme Pp (t) d’interpolation de la fonction g aux points t0 , t1 , ..., tp s’écrit alors:
p
X
Pp (t) = g(ti )Li (t)
i=0
On a p
X
Ip (g) = 2 λi,p g(ti )
i=0
et p
Z 1 X Z 1
Pp (t)dt = g(ti ) Li (t)dt
−1 i=0 −1
D’où: p
1 1
t − tj
Z Z
1 1 Y
λi,p = Li (t)dt ( )dt pour i ∈ {0, 1, ..., p}
2 −1 2 −1 ti − tj
j=0
j 6= i
40
3.2 Formules de Newton-Cotes fermées
Lemme 3.2.2
Les coefficients λi,p (p fixé , et i = 0, 1, ..., p ) vérifient :
Démonstration
D’après le lemme 3.1
Z p p
1
Y s − j
λp−i,p = p ( )ds pour i ∈ {0, 1, ..., p}
0 p− i − j
j=0
j 6= p − i
Si on calcule cette intégrale en faisant le changement de variables suivant: t = p − s on
obtient: Z p p Z p Y p
1 Y p−t − j 1 t − j
λp−i,p = ( )dt = ( )dt = λi,p
p 0 p− i − j p 0 i − j
j=0 j=0
j 6= p − i j 6= i
Lemme 3.2.3
Si la fonction g est une fonction impaire sur [−1, 1], alors l’erreur de la formule d’intégration
(4.3) est nulle: Ep+1 (g) = 0.
Démonstration Z 1
Puisque la fonction g est une fonction impaire sur [−1, 1], on a g(0) = 0 et g(t)dt = 0.
−1
Comme
Z 1 p
X
g(t)dt = 2 λi,p g(ti ) + Ep+1 (g)
−1 i=0
on tire que
p
X
Ep+1 (g) = −2 λi,p g(ti )
i=0
d’autre part on a:
p
X X X
λi,p g(ti ) = λi,p g(ti ) + λi,p g(ti ) si p est impair
i=0 i≺p/2 ip/2
p
X X X
λi,p g(ti ) = λi,p g(ti ) + λ p2 ,p g(t p2 ) + λi,p g(ti ) si p est pair
i=0 i≺p/2 ip/2
Comme t p2 = 0 , g(0) = 0 , tp− i = −ti
donc
41
Chapitre 3. Intégration numérique
Proposition 3.2.1
Si p est impair, alors la formule (4.3) est de degré ≥ p.
Si p est pair, alors la formule (4.3) est de degré ≥ p + 1.
Démonstration
On aZpour i ≤ p
1
Li (t)dt = 2 λi,p
−1
Or par construction
les polynômes Li vérifient :
1 si i = j
Li (tj ) =
0 si i 6= j
donc p
X
λj,p Li (tj ) = λi,p .
j=0
Si on applique la formule (4.3) aux polynômes de base de Lagrange Li , on obtient:
Z 1 p
X
Li (t)dt = 2 λj,p Li (tj ) + Ep+1 (Li )
−1 j=0
on tire donc que Ep+1 (Li ) = 0
Comme les polynômes de Lagrange L0 , L1 , . . . , Lp forment une base de l’espace vectoriel
Pp on a alors: pour tout P ∈ Pp Ep+1 (P ) = 0. Donc la formule est de degré≥ p.
Si, de plus, p est un entier pair alors la fonction g(t) = tp+1 est une fonction impaire et
donc Ep+1 (tp+1 ) = 0, d’après le lemme 3.3.
Proposition
3.2.2
p si p est impair
Soit N =
p + 1 si p est pair
on a p
X
k 0 pour k ≤ N , k impair
λj,p tj = 1
k +1
pour k ≤ N , k pair
j=0
p
X
En particulier λj,p = 1.
j=0
Démonstration
D’après la proposition 3.1, on a ∀ k ≤ N Ep+1 (tk ) = 0. Ce qui donne :
p Z 1
X
k k 0 si k ≤ N et k impair
2 λj,p tj = t dt = 2
−1 k +1
si k ≤ N , k pair
j=0
42
3.2 Formules de Newton-Cotes fermées
2/ Si p est impair, si f est de classe C p+1 ([a, b]), alors il existe η ∈ [a, b] tel que:
b p p p
b−a b − a p+2 f (p+1) (η)
Z X Z Y
f (x)dx = (b − a) λi,p f (a + i ) − ( ) (t − j)dt
a i=0
p p (p + 1)! 0 j=0
Démonstration
Nous donnons la démonstration dans le cas où p est pair. Le cas où p est impair est à
traiter en exercice.
Soit g ∈ C p+2 ([−1, 1]). Soit x ∈ [−1, 1]. Soit P le polynôme d’interpolation de Lagrange
aux points tj = −1 + p2 j , j = 0, 1, . . . , p.
Posons: p
Q Y
* (t) = (t − j)
j=0
43
Chapitre 3. Intégration numérique
g(x) − P (x)
h(x) = si x 6∈ {t0 , ...tp }
Q
(x)
et (3.4)
g 0 (tk ) − P 0 (tk )
h(tk ) = pour k = 0, . . . , p
Q0
(tk )
g 0 (x) − P 0 (x) − h(x) 0 (x)
Q
* α(x) = Q si x 6∈ {t0 , ...tp }
(x)
et Q0 Q00
00 00 0
* α(tk ) = (tk ) [g (tk )−P 2((tQ
k )]−
0
(tk ))2
(tk ) [g (tk )−P (tk )]
pour k = 0, . . . , p
On vérifie facilement que lim h(x) = h(tk ) et lim α(x) = α(tk )
x→tk x→tk
En effet
g(x) − P (x) (t − tk ) g(x) − P (x) (t − tk )
lim h(x) = lim Q = lim Q
x→tk x→tk (x) (t − tk ) x→tk (t − tk ) (x)
g 0 (tk ) − P 0 (tk )
= Q0 = h(tk )
(tk )
De la même manière, on obtient la deuxième égalité.
On conclut donc que les fonctions h et α sont continues sur [−1, 1].
Lemme 3.2.4
La fonction h définie par (3.4) est de classe C 1 sur [−1, 1]. De plus, ∀x ∈ [−1, 1],
g (p+2) (ξ)
h0 (x) = α(x) et il existe ξ = ξ(x) ∈ [−1, 1] tel que h0 (x) =
(p + 2)!
Démonstration Q
1/ En définissant les fonctions h, et α comme précèdemment, on voit que la fonction Q h
est dérivable en tout point x tel que x 6∈ {t0 , t1 , . . . .., tp } et on a g(x) − P (x) = (x)h(x)
d’où
g 0 (x) − P 0 (x) = 0 (x)h(x) + (x)h0 (x)
Q Q
et donc
g 0 (x) − P 0 (x) − 0 (x)h(x) = (x)h0 (x)
Q Q
D’après la définition de la fonction α, on obtient α(x) = h0 (x). Et comme α est continue,
on conclut donc que la fonction h est de classe C 1 sur [−1, 1] et α(x) = h0 (x) pour tout
x ∈ [−1, 1]. Q Q
2/ Posons, pour x ∈ [−1, 1], Qx (t) = P (t) + h(x) (t) + (t − x)α(x) (t). On peut vérifer
facilement qu’on a: Q
* Le polynôme Qx est un polynôme de degré (p + 2), car est est un polynôme de
degré (p + 1) et donc Qx ∈ IPp+2 .
* Qx (ti ) = g(ti ) pour i = 0, 1, ..., p
* Qx (x) = g(x) et Q0x (x) = g 0 (x) pour tout x
* Q00x (x) = g 00 (x) pour x ∈ {t0 , t1 , ..., tp }
Posons φ(t) = g(t) − Qx (t) alors on a:
* φ(ti ) = 0 pour i ∈ {0, ..., p}
* φ(x) = φ0 (x) = 0
* φ00 (x) = 0 pour x ∈ {t0 , t1 , ..., tp }
44
3.2 Formules de Newton-Cotes fermées
Lemme 3.2.5
m−1
Y
Q
Si p est un entier pair, p = 2m, et (t) = (t − tj ) alors la fonction définie par:
j=0
Z x Y
u(x) = (t)dt ∀x ∈ [−1, 1]
−1
vérifie
u(x) ≥ 0 ∀x ∈ [−1, 1]
u(1) = u(−1) = 0
Démonstration
1/ on a:
Y2m m−1
Y
(t2 − t2j )
Q
(t) = (t − tj ) = t
j=0 Q j=0
car t2m−j = −tj et donc (t) estQune fonction impaire et alors u(1) Q = u(−1) = 0.
2/Soit k ∈ {0, 1, ..., p}. On a (t) ≥ 0 pour t ∈ [t2k , t2k+1 ] et (t) ≤ 0 pour t ∈
[t2k+1 , t2k+2 ]. La fonction u est donc croissante sur [t2k , t2k+1 ] et elle est décroissante sur
[t2k+1 , t2k+2 ].
3/On Za, pour tout k tel que: Z t2k+12kY+ 2 ≤ m,Z
t2k+2 Y t2k+2 Y
(t)dt = (t)dt + (t)dt
t2k t t
Z 2kt2k+1 Y
2m
2k+1
Z 2m
t2k+2 Y
= (t − tj )dt + (t − tj )dt
t2k j=0 t2k+1 j=0
2
(posons s = t − 2m )
2m
Z t2k+1 Y Z t2k+1 2m−1
Y
= (t − tj )dt + (s − tj )ds
t2k j=0 t2k j=−1
Z t2k+1 2k
Y 2m−1
Y
= (t − t2m + t − t−1 ) (t − tj ) (t − tj )dt
t2k j=0 j=2k+1
2
( Comme tj = −1 + 2m j)
Z t2k+1 2k 2m−1
1 Y Y
= 2(t + ) (t − tj ) (t − tj )dt
t2k 2m j=0 j=2k+1
Or, pour t ∈ [t2k , t2k+1 ], on a:
45
Chapitre 3. Intégration numérique
1 1 2 1
(t + ) ≤ (t2k+1 + ) = −1 + (2k + 1) +
* 2m 2m 2m 2m
1 −1
= −1 + (4k + 2 + 1) ≤ ≤ 0 (car 2k + 2 ≤ m )
2m 2
2k
Y
* (t − tj ) ≥ 0 ( produit de (2k + 1) facteurs positifs).
j=0
2m−1
Y
* (t − tj ) ≤ 0 (produit de (2m − 2k − 1) facteurs négatifs).
j=2k+1
Z t2k+2 Y
donc (t) dt ≥ 0 pour tout k tel que 2k + 2 ≤ m
t2k
4/on a pour tout k tel que m < 2k + 2 ≤ 2m
Z t2k+2 Y
u(t2k+2 ) = (t) dt
−1
Z t2m−2k−2 Y Z t2k+2 Y
= (t) dt + (t) dt
−1 Z t2k+2 Y t2m−2k−2
= u(t2m−2k−2 ) + (t) dt car t2m−2k−2 = −t2k+2
t−2k−2 Q
= u(t2m−2k−2 ) car est impaire
D’où u(t2k+2 ) ≥ 0 d’après 3/ et puisque 2m − 2k − 2 ≤ m.
En conclusion, on a u(t2k+2 ) ≥ 0 pour tout k ∈ {0, . . . , m − 1}. Et comme la fonction u
est donc croissante sur [t2k , t2k+1 ] et décroissante sur [t2k+1 , t2k+2 ] (d’après 1/ et 2/ ), on
a alors u(x) ≥ 0 pour tout x ∈ [−1, 1].
46
3.3 Formules de Newton-Cotes composées
Z 1 Z 1 p
R1 Y
1)u(t)]+1
Q
u(t)dt = [(t + −1 − −1
(t + 1) (t)dt = (t + 1) (t − tj ) dt
−1 −1 j=0
Z 1 p
Y j
= (t + 1)2 (t + 1 − ) dt changement de variable s = t + 1
−1 j=1
m
Zp 2
Y
2j 1
=− s (s − ) ds changement de variable s = m
t
0 j=1
m
p+3 Z p p
1 2
Y
=− t (t − j) dt
m 0 j=1
D’où Z
: p p+3 p
1 p
g (p+2) (θ)
Z
X 1 2
Y
g(t)dt = 2 λi,p g(ti ) + t (t − j) dt
−1 i=0
m (p + 2)! 0 j=1
En utilisant la remarque 3.2, on obtient:
b p p p
b−a b − a p+3 f (p+2) (η)
Z X Z Y
2
f (x)dx = (b − a) λi,p f (a + i ) − ( ) t (t − j)dt
a i=0
p p (p + 2)! 0 j=1
avec η ∈ [a, b]
47
Chapitre 3. Intégration numérique
Z b n−1
X Z αi+1
f (x)dx = f (x) dx
a i=0 αi
Théorème 3.3.1 p
p
b−a t − j
Z
∗ 1 Y
Soient p , n ∈ IN . On a, en posant h = et λi,p = ( )dt
n p 0 i − j
j=0
j 6= i
Z b n−1
X
f (x)dx = h λ0 [ f (a) + f (b) ] + 2λ0 f (a + ih)
a i=1
p−1 n−1
! (3.5)
X X h
+ λj f (a + ih + j ) + Ep+1,n (f )
j=1 i=0
p
avec:
1/ Si p est pair et la fonction f est de classe C p+2 sur [a, b]
p+3 p+2 (p+2) Z p p
b−a 1 f (η) 2
Y
Ep+1,n (f ) = t (t − j) dt avec η ∈ [a, b]
p n (p + 2)! 0 j=1
Démonstration
On a d’après le théorème 3.1:
Z b n−1 Z αi+1
X
f (x)dx = f (x) dx
a i=0 αi
p
n−1
!
X X αi+1 − αi
= (αi+1 − αi ) λj f (αi + j ) + Ei (f )
i=0 j=0
p
avec:
1/Si p est pair et la fonction f est de classe C p+2 sur [a, b]
p+3 (p+2) Z p p
αi+1 − αi f (ηi ) 2
Y
Ei (f ) = t (t − j) dt avec ηi ∈ [αi , αi+1 ]
p (p + 2)! 0 j=1
2/ Si p est impair et la fonction f est de classe C p+1 sur [a, b]
p+2 (p+1) Z p Y p
αi+1 − αi f (ηi )
Ei (f ) = (t − j) dt avec ηi ∈ [αi , αi+1 ]
p (p + 1)! 0 j=0
Or:
αi+1 − αi h
* =
p p
48
3.3 Formules de Newton-Cotes composées
d’où:
p
n−1
!
X X αi+1 − αi
(αi+1 − αi ) λj f (αi + j )
i=0 j=0
p
p−1
n−1 n−1 X
!
X X h
=h ((λ0 f (αi ) + λp f (αi+1 )) + λj f (αi + j )
i=0 i=0 j=1
p
p−1
n−1 n−1
!
X X X h
= h (λ0 [f (a) + f (b)] + 2λ0 f (a + ih) + λj f (αi + j )
i=1 j=1 i=0
p
* D’après le théorème des valeurs intermédiaires, on a
n−1
1 X (k)
f (ηi ) = f (k) (η) avec η ∈ [a, b],
n j=1
où k = p + 1 si p est impair et k = p + 2 si p est pair.
En utilisant ces trois égalités dans la formule donnée au début de la démonstration, on
obtient la formule du théorème.
49
Chapitre 3. Intégration numérique
Z b n−1
h X
f (x)dx = ( ) 7[f (a) + f (b)] + 14 f (a + ih)
a 90 i=1
n−1
X 1 3
+32 f (a + (i + )h)) + f (a + (i + )h)
i=0
4 4
n−1
!
X 1
+12 f (a + (i + )h)
i=0
2
7
8 b−a
− 6
f (6) (η)
945n 4
Choisissons les poids λi ainsi que les noeuds xi tels que la formule (4.3) soit de degré le
plus élevé possible .
Exemple 3.10:
Cas où p = 1, w(x) = 1 et [a, b] = [−1, 1].
Cherchons λ0 , λ1 , x0 , x1 tels que la formule:
Z b
f (x)w(x)dx = λ0 f (x0 ) + λ1 f (x1 ) + E2 (f ),
a
soit de degré le plus élevé possible, c’est à dire tels que: E2 (f ) = 0 pour f (x) = xk avec
k = 0,
Z 1, .., m, et m le plus élevé possible. On aura donc:
1
1dx = λ0 + λ1 = 2
Z−11
xdx = λ0 x0 + λ1 x1 = 0
Z−11
2
x2 dx = λ0 x20 + λ1 x21 =
3
Z−11
x3 dx = λ0 x30 + λ1 x31 = 0
−1
etc...
Les quatres premières équations √forment un système non linéaire qui admet comme solu-
tion λ0 = λ1 = 1, x0 = −x1 = 33
On obtient
Z 1 donc la formule:
√ √
3 3
f (x)dx = f (− ) + f( ) + E2 (f )
−1 3 3
où E2 (f ) est un polynôme de degré 3.
50
3.4 Formule de quadrature de Gauss
Théorème 3.4.1
Il existe une suite (Qn )n∈IN unique de polynômes telle que :
1/ deg(Qn ) = n et Qn est monique (i.e: Le coefficient de xn est 1 dans Qn )
2/ Pour tout P dans Pn−1 (le sous espace vectoriel de IP des polynômes de degré ≤ n − 1)
(P, Qn )w = 0
Démonstration
1/Existence:
En utilisant le procédé d’orthogonalisation de Gram-Schmidt sur la base canonique 1, x, x2 , ...,
on obtient:
Q0 (x) = 1
(1, x)w
Q1 (x) = x −
(1, 1)w
n−1
X (xn , Qi )w
Qn (x) = xn − ai,n Qi (x) avec ai,n =
i=0
γi
Les polynômes Q0 , Q1 , ..., Qn forment une base de l’espace vectoriel Pn .Ils sont orthogo-
naux entre eux par construction et ils vérifient les conditions 1/ et 2/. Il est clair que 1/
et 2/ entrainent l’unicité de Qn .
2/ Calcul des coefficients
On a que, pour tout k ∈ IN ∗ , les polynômes Q0 , Q1 , ..., Qk forment une base de l’espace
vectoriel IPk et que tous les polynômes Qk sont moniques. Alors, pour tout k ∈ IN ∗ ,
k−1
X
Qk − xQk−1 ∈ IPk−1 et il s’écrit d’une façon unique sous la forme Qk − xQk−1 = µi Qi .
i=0
Comme les Qi sont orthogonaux on a:
Xk−1 k−1
X
* ( Qk − xQk−1 , Qk )w = ( µi Qi , Qk )w = µi (Qi , Qk )w = 0
i=0 i=0
d’où
(Qk , Qk )w = (xQk−1 , Qk )w pour tout k ∈ IN ∗
* (Qk − xQk−1 , Qj )w = 0 pour tout j < k − 1 et pour tout k ∈ IN ∗
51
Chapitre 3. Intégration numérique
n−1
X
∗
Soit n ∈ IN . Alors on a Qn − xQn−1 = µi Qi et on peut calculer les produits scalaires
i=0
suivants: !
n−1
X
* (Qn − xQn−1 , Qn−1 )w = µi Qi , Qn−1 = µn−1 (Qn−1 , Qn−1 )w
i=0 w
D’autre part
(Qn − xQn−1 , Qn−1 )w = (Qn , Qn−1 )w − (xQn−1 , Qn−1 )w = −(xQn−1 , Qn−1 )w
d’où
−(xQn−1 , Qn−1 )w
µn−1 =
(Qn−1 , Qn−1 )w !
Xn−1
(Qn − xQn−1 , Qn−2 )w = µi Qi , Qn−2 = µn−2 (Qn−2 , Qn−2 )w
i=0 w
D’autre part
(Qn − xQn−1 , Qn−2 )w = (Qn , Qn−2 )w − (xQn−1 , Qn−2 ) w = −(xQn−1 , Qn−2 )w
d’où
−(xQn−1 , Qn−2 )w (Qn−1 , xQn−2 )w
µn−2 = =−
(Qn−2 , Qn−2 )w (Qn−2 , Qn−2 )w
* (Qn − xQn−1 , Qj )w = 0 pour tout j < n − 2
On obtient donc Qn − xQn−1 = µn−1 Qn−1 + µn−2 Qn−2 d’où
Qn = (x − µn−1 )Qn−1 + µn−2 Qn−2
avec
(xQn−1 , Qn−1 )w (Qn−1 , xQn−2 )w
µn−1 = et µn−2 = −
(Qn−1 , Qn−1 )w (Qn−2 , Qn−2 )w
Et en posant
αn = µn−1 et βn = −µn−2 , on obtient les formules du théorème.
Définition 3.4.1
Les polynômes (Qn )n∈IN définis au théorème 3.3, s’appellent les polynômes orthogonaux
sur [a, b] relativement à la fonction poids w.
Q0 (x) = 1
1
Qn (x) = n−1 cos(n Arc cos(x)), n ∈ IN ∗
2
Ces polynômes sont appelés les polynômes de Tchebychev et sont en général notés
52
3.4 Formule de quadrature de Gauss
1
Tn (x) = cos(n Arc cos(x)) n ∈ IN ∗
2n−1
Théorème 3.4.2
Soit (Qn )n∈IN la suite des polynômes orthogonaux sur [a, b] relativement à la fonction
poids w. Alors les racines de Qn sont réelles, distinctes et appartiennent à ]a, b[ pour
n ∈ IN ∗ .
Démonstration
Soient α1 , α1 , . . . .., αm , les racines distinctes de Qn appartenant à ]a, b[. On a bien m ≤ n.
Montrons alors que m = n. Raisonnons par l’absurde et supposons que m < n
Ym
Q Q Q
Posons (x) = (x−αi ) alors le polynôme (x) ∈ Pn−1 car m < n donc ( (x), Qn (x))w =
i=0
0 Z b
Q
d’où w(x) (x)Qn (x)dx = 0,
a Q Q
comme w(x) (x)Qn (x) garde un signe constant sur ]a, b[ alors (x)Qn (x) ≡ 0 ce qui est
absurde car deg(Qn ) = n ≥ 1.
Théorème 3.4.3
Pour tout n ∈ IN ; il existe une formule de quadrature unique,
Z b n
X
f (x)w(x)dx = λi f (xi ) + En+1 (f )
a i=0
de degré ≥ 2n + 1. De plus:
1/ Les noeuds xi sont les racines de Qn+1 (le (n + 1)ième polynôme orthogonal sur ]a, b[
relativement à w).
Z b
2/ λi = Li (x) w(x)dx
a
où n
Y x − xj
Li (x) = ( ) pour i ∈ {0, 1, ..., n}
xi − xj
j=0
j 6= i
3/ Si f est de classe C 2n+2 sur [a, b] alors il existe η ∈ [a, b] tel que:
b
f (2n+2) (η)
Z
En+1 (f ) = [Qn+1 (x)]2 w(x) dx
(2n + 2)! a
Démonstration
1/ unicité
Posons n
Q Y
(x) = (x − xj )
j=0
et soit P ∈ Pn alors
53
Chapitre 3. Intégration numérique
Z bY
(x)P (x) w(x)dx = 0
Qa
est nécessairement le (n + 1)ième polynôme orthogonal
Q
car (x)P (x) ∈ P2n+1 . Donc
sur ]a, b[ relativement à w. Ses racines x0 , x1 , . . . , xn sont donc définies d’une manière
unique. De plus, en écrivant que la formule est exacte pour tout Li (x) (les polynômes de
base de Lagrange) appartenant à Pn , on obtient:
Z b
λi = Li (x) w(x)dx
a
Ce qui implique l’unicité des coefficients λi .
2/Existence
Soit Qn+1 le (n + 1)ième polynôme orthogonal sur ]a, b[ relativement à w. On sait que ses
racines sont distinctes et appartiennent à ]a, b[. Notons x0 , x1 , ..., xn ces racines alors
Y n
Qn+1 (x) = (x − xj ).
j=0
Posons Z b
λi = Li (x)w(x)dx
a
Considérons (L0 , . . . , Ln ) la base de l’espace IPn formé par les polynômes de Lagrange,
X n
alors tout polynôme P de Pn s’écrit d’une manière unique sous la forme P (x) = αi Li (x)
i=0
où les αi sont des constantes réelles.
Or puisque
1 si i = j
Li (xj ) =
0 si 6= j
on a n
X
P (x) = P (xi ) Li (x)
i=0
d’où Z n n
b Z b X X Z b
P (x) w(x)dx = P (xi ) Li (x) w(x)dx = P (xi ) Li (x) w(x)dx
a a i=0 i=0 a
et donc
Z b n
X
P (x) w(x)dx = λi P (xi ) .
a i=0
La formule est donc exacte pour tout polynôme P appartenant à Pn .
Soit maintenant le polynôme S ∈ P2n+1 , la division Euclidienne du polynôme S par le
polynôme Qn+1 donne l’existence de deux polynômes P et R dans Pn tels que:
d’où, on a donc:
Z b Z b Z b
S(x)w(x)dx = P (x)Qn+1 (x) w(x)dx + R(x) w(x)dx
a Za b a
Xn Xn
= R(x) w(x)dx = λi R(xi ) = λi S(xi )
a i=0 i=0
54
3.4 Formule de quadrature de Gauss
Remarque 3.3
En fait, la formule du théorème 3.5 est de degré exactement égal à 2n + 1. En effet, pour
f (x) = x2n+2 , on a f (2n+2) (η) = (2n + 2)! et donc
Z b
En+1 (f ) = Q2n+1 (x)w(x)dx.
a
Remarque 3.4
Dans la formule de quadrature de Gauss à (n + 1) points (théorème 3.5), les coefficients
λi peuvent s’exprimer sous la forme:
γn γn+1
λi = 0 =− 0
Q (xi )Qn (xi ) Qn+1 (xi )Qn+2 (xi )
Z bn+1
avec γk = Q2n+1 (x)w(x)dx
a
Démonstration:
Les racines polynômes Qn+1 sont x0 , x1 , . . . , xn . Il s’écrit alors
Yn
Qn+1 (x) = (x − xj ).
j=0
On sait aussi que le polynôme d’interpolation de Lagrange est:
55
Chapitre 3. Intégration numérique
n
Y x − xj
Li (x) = ( )
xi − xj
j=0
j 6= i
il est facile de voir que
1 Qn+1 (x)
Li (x) = 0
Qn+1 (xi ) x − xi
et le coefficient λi est donné par:
Z b Z b
1 Qn+1 (x)
λi = Li (x) w(x)dx = w(x)dx
a Qn+1 (xi ) a x − xi
Qn+1 (x)
Calculons alors . D’après la relation de récurrence qui lie les polynômes (Qk ), on
x − xi
a:
γk
Qk+1 (x) = (x − αk+1 ) Qk (x) − Qk−1 (x)
γk−1
d’où:
γk
Qk+1 (xi ) = (xi − αk+1 ) Qk (xi ) − Qk−1 (xi )
γk−1
En multipliant la première équation par Qk (xi ) et la deuxième par Qk (x), puis en retran-
chant la première de la deuxième, on aura après division par γk :
Qk+1 (x)Qk (xi ) − Qk (x)Qk+1 (xi ) Qk (x)Qk (xi ) Qk (x)Qk−1 (xi ) − Qk−1 (x)Qk (xi )
= (x−xi ) +
γk γk γk−1
56
3.4 Formule de quadrature de Gauss
Z b Z b
Qk (x) w(x)dx = Qk (x)Q0 (x) w(x)dx = 0, pour k ≥ 1
a a
et Z b
Q0 (x)Q0 (x ) w(x)dx = γ0 .
a
On obtient donc:
γn
λi =
Qn (xi )Q0n+1 (xi )
D’après la relation de récurrence, on a
γn+1
Qn+2 (x) = (x − αn+2 ) Qn+1 (x) − Qn (x)
γn
d’où
γn+1
Qn+2 (xi ) = − Qn (xi )
γn
D’où
γn γn+1
=−
Qn (xi ) Qn+2 (xi )
et donc
−γn+1
λi =
Qn+2 (xi )Q0n+1 (xi )
1 n
π f (2n+2) (η)
Z
f (x) π X 2i + 1
√ dx = f (cos π) + avec η ∈ [−1, 1].
−1 1 − x2 n + 1 i=0 2(n + 1) 2 4n (2n + 2)!
Démonstration
on a:
Qn+1 (x) = Tn+1 (x) = 21n cos((n + 1) Arc cos(x)) n ∈ IN ∗
2i + 1
et xi = cos π ,pour i = 0, 1, ..., n.
2(n + 1)
2i+1
Donc, en posant σi = 2(n+1) π
n + 1 sin(n + 1)σi 1
Q0n+1 (xi ) = − n
et Qn+2 (xi ) = n+1 sin(n + 1)σi − sin σi
2 sin σi 2
1 π
cos2 ((n + 1) Arc cos(x))
Z Z
1 1 π 1
γn+1 = ( n )2 √ dx = n cos 2 ((n + 1) s) ds =
2 −1 1 − x2 4 0 2 4n
D’où
γn+1 π
λi = − 0
= pour i = 0, ..., n.
Qn+1 (xi ) Qn+2 (xi ) n+1
57
CHAPITRE 4
4.1 Introduction
Les équations différentielles constituent l’outil le plus fréquemment utilisé dans la modélisation
des problèmes des sciences physiques et ceux de l’ingénieur.
Dans ce chapitre, nous présenterons quelques méthodes ( ou schémas) numériques pour
la résolution des équations différentielles avec des conditions initiales.
Le problème auquel on s’intéresse, consiste à trouver y : x → y(x) définie sur [a, b]
vérifiant:
0
y (x) = f (x, y) x ∈ [a, b] Problème de cauchy
(4.1)
y(a) = y0 Condition initiale
où f : [a, b] × R → R
Remarques 4.1
1) La condition ii) est appelée condition de Lipschitz par rapport à la deuxième variable.
∂f
2) Si (x, y) → est continue et bornée sur D = [a, b]×R, alors la condition ii) est vérifiée
∂y
∂f
( il suffit de prendre L = max (x, y) et d’appliquer la formule des accroissements
(x,y)∈D ∂y
finis à la fonction y → f (x, y)).
Exemple 4.1
Le problème
y 0 (x) = −y + 1
x ∈ [e, 5]
xLog(x) Log(x)
y(e) = e
−y 1
admet une solution unique, puisque la fonction f : (x, y) → + , vérifie
xLog(x) Log(x)
y1 − y2 1
|f (x, y1 ) − f (x, y2 )| = ≤ |y1 − y2 |
xLog(x) e
Remarques 4.2
Les résultats obtenus pour (4.1) peuvent être généralisés, modulo quelques ”adaptations”,
aux systèmes différentiels et aux équations différentielles d’ordre supérieur.
Chapitre 4. Résolution numérique des équations différentielles ordinaires
x ∈ [a, b] ; y(x) ∈ Rn
f : [a, b] × Rn −→ Rn
(x, y) 7−→ f (x, y)
y1 f1 (x, y1, ...., yn )
y2
f1 (x, y1, ...., yn )
y=
f (x, y) =
yn f1 (x, y1, ...., yn )
On cherche y solution de
y(a) = y0
où encore 0
y (x) = f1 (x, y1, ...., yn )
10
y2 (x) = f2 (x, y1, ...., yn )
0
yn (x) = fn (x, y1, ...., yn )
2) Les équations différentielles d’ordre supérieur à 1:
Il suffit de se ramener au cas des systèmes d’ordre 1. Prenons un exemple:
00
y (x) = h(x, y, y 0 ) x ∈ [a, b]
y(a) = y0
0
y (a) = y00
On pose u1 = y et u2 = y 0 . On obtient alors:
0
u = u2
10
u2 = h(x, u1 , u2 )
u1 (a) = y0
u2 (a) = y00
Cas général:
60
4.1 Introduction
yn+1 = yn + hf (xn , yn )
61
Chapitre 4. Résolution numérique des équations différentielles ordinaires
yn+1 = yn + hf (xn , yn )
yn+1 = yn + hf (xn , yn )
62
4.2 Etude générale des méthodes à un pas
l’erreur de discrétisation due au procédé de calcul: par exemple, dans la méthode d’Euler,
on a approché la courbe par sa tangente,
les erreurs d’arrondi dues aux pertes de chiffres dans les opérations arithmétiques ef-
fectuées par l’ordinateur.
Que doit-on exiger d’une méthode?
Que l’erreur de discrétisation diminue lorsque h diminue et à la limite y doit tendre vers
Y (x) quand h tend vers zéro: c’est la convergence.
Pouvoir évaluer l’erreur de discrétisation en fonction de h, ceci nous permettra d’obtenir
l’ordre de la méthode.
Savoir la répercussion des erreurs globales sur les calculs ultérieurs. C’est la stabilité.
Que la méthode approche l’équation différentielle. C’est la consistance.
Remarque 4.3
Y (xn+1 ) − Y (xn )
La quantité n+1 = − Φ(xn , Y (xn ), h) représente dans un certain sens
h
l’erreur que l’on fait au nième pas, en remplaçant l’équation différentielle (4.1) par le
schéma (4.3).
Remarque 4.4
Cette notion de stabilité implique qu’une petite perturbation sur les données n’entraine
qu’une petite perturbation sur la solution (approchée) et ceci indépendemment de h,
ce qui, du fait de l’existence des erreurs d’arrondi, est absolument nécessaire pour le
traitement numérique du problème. Un schéma ”instable” ne présente aucun intérêt
63
Chapitre 4. Résolution numérique des équations différentielles ordinaires
Remarque 4.5
Cette notion de convergence indique que l’erreur de discrétisation en = Y (xn ) − yn tend
vers zéro lorsque h tend vers zéro.
En fait, les trois notions précédentes : consistance, stabilité et convergence, ne sont pas
indépendantes. Nous allons le voir au théorème suivant.
Théorème 4.2.1
Si la méthode à 1 pas donnée par (4.3): yn+1 = yn +hΦ(xn , yn , h) est consistante et stable,
alors elle est convergente.
Démonstration
Y (xn+1 ) − Y (xn )
Posons ξn+1 = − Φ(xn , Y (xn ), h) pour n = 0, .., N − 1 et ξ0 = 0.
h
On a Y (xn+1 ) = Y (xn ) + h(Φ(xn , Y (xn ), h) + ξn+1 )
et Y (x0 ) = Y0 = y0 + ξ0
Puisque la méthode (4.3) est consistante alors on a
Par ailleurs, d’après la stabilité de la méthode , en remplaçant zn par Y (xn ), on sait qu’il
existe C 0 indépendant de h telle que
Démonstration
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h)
h
64
4.2 Etude générale des méthodes à un pas
Posons
αn = f (cn , Y (cn )) − Φ(cn , Y (cn ), 0)
βn = Φ(cn , Y (cn ), 0) − Φ(xn , Y (xn ), h)
On a alors:
n+1 = αn + βn
Remarquons que
et que, d’après la continuité uniforme de la fonction (x, h) → Φ(x, Y (x), h) sur le compact
[a, b] × [0, h∗ ], lim |β(h)| = 0. Et, par suite, on a:
h→0
65
Chapitre 4. Résolution numérique des équations différentielles ordinaires
y(x∗ ) = y ∗
On a alors f (x∗ , y ∗ ) = Φ(x∗ , y ∗ , 0)
Ainsi, on a ∀(x, y) ∈ [a, b] × R, f (x, y) = Φ(x, y, 0).
Ce qui achève la démonstration.
Démonstration
Soient yn , 0 ≤ n ≤ N, et zn , 0 ≤ n ≤ N, vérifiant respectivement
yn+1 = yn + hΦ(xn , yn , h)
zn+1 = zn + h [Φ(xn , zn , h) + n ]
z0 = y0 + 0
n quelconque, 0 ≤ n ≤ N
On a
|yn+1 − zn+1 | ≤ |yn − zn | + h |Φ(xn , yn , h) − Φ(xn , zn , h)| + h |n |
≤ |yn − zn | + hM |yn − zn | + h |n |
≤ (1 + hM ) |yn − zn | + h |n |
Nous allons en déduire par récurrence que
(1 + hM )n+1 − 1
|yn+1 − zn+1 | ≤ (1 + hM )n+1 |y0 − z0 | + max |k | (4.9)
M k≤n
66
4.2 Etude générale des méthodes à un pas
Démonstration
La propriété 1) entraine , d’après le théorème 4.3, que la méthode est consistante.
La proprièté 2) entraine que la méthode est stable, d’après le théorème 4.4. Le résultat
découle alors du théorème 4.2.
Théorème 4.2.4
Si la méthode (4.3) est stable et d’ordre p, alors on a
Démonstration:
On a
yn+1 = yn + hΦ(xn , yn , h)
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h) avec 0 = 0.
h
Alors, on a
Y (xn+1 ) = Y (xn ) − h [Φ(xn , Y (xn ), h) + n+1 ]
La méthode étant stable, on a alors
max |yn − Y (xn )| ≤ C max |n |
0≤n≤N 0≤n≤N
où C est une constante indépendante de h. Or max |n+1 | = max |n | ≤ Khp , car la
0≤n≤N −1 0≤n≤N
méthode est d’ordre p.
Il s’en suit qu’il existe une constante K
e = CK telle que
max |yn − Y (xn )| ≤ C max |n | ≤ CKhp = Kh e p
0≤n≤N k≤n−1
Ce qui prouve le résultat énoncé et achève la démonstration.
67
Chapitre 4. Résolution numérique des équations différentielles ordinaires
et sont continues sur [a, b]×R×[0, h∗ ]. Alors la méthode (4.3) est d’ordre p, si et seulement
si, pour tout (x, y) ∈ [a, b] × R, on a:
Φ(x, y, 0) = f (x, y)
∂Φ 1
(x, y, 0) = f (1) (x, y)
∂h 2 (4.10)
∂ p−1 Φ
1
(x, y, 0) = f (p−1) (x, y)
∂h p−1 p
où les fonctions f (k) sont définies par la relation de récurrence
(0)
f =f
∂f (k) ∂f (k)
f (k) = +f
∂x ∂y
Démonstration
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h)
h
et
1 1 ∂kΦ
Ψk (x, y) = f (k) (x, y) − (x, y, 0)
(k + 1)! k! ∂hk
Les conditions (4.10) s’écrivent encore
Ψk (x, y) = 0 ∀(x, y) ∈ [a, b] × R, ∀k ∈ {0, 1, ....., p − 1}
Il s’agit donc de montrer que
max |n | = θ(hp ) ⇐⇒ Ψk (x, y) = 0 ∀(x, y) ∈ [a, b] × R, ∀k ∈ {0, 1, ....., p − 1}
0≤n≤N −1
On a, en utilisant la formule de Taylor:
∃ cn ∈ ]xn , xn+1 [ tel que
p−1
Y (xn+1 ) − Y (xn ) X hk hp
= Y (k+1) (xn ) + Y (p+1) (cn )
h k=0
(k + 1)! (p + 1)!
p−1
X hk (k) hp
= f (xn , Y (xn ) + Y (p+1) (cn )
k=0
(k + 1)! (p + 1)!
68
4.2 Etude générale des méthodes à un pas
D’où
p−1
X
n+1 = hk Ψk (xn , Y (xn ))+
k=0
(4.11)
p
1 1∂ Φ
hp Y (p+1) (cn ) − (xn , Y (xn ), λ)
(p + 1)! p! ∂hp
a) Condition suffisante: supposons que les conditions (4.10) sont vérifiées, alors Ψk (xn , Y (xn )) =
0, pour k = 0, 1, ...., p −
1 et donc
1 ∂ pΦ
p
1 (p+1)
max |n | ≤ h max Y (x) + max
p! ∂αp (x, y, α)
0≤n≤N −1 a≤x≤b (p + 1)!
a≤x≤b
y∈R
α ∈ [0, h∗ ]
∂ pΦ
Utilisant le fait que Y est de classe C p+1 sur [a, b] et que est continue sur [a, b] × R ×
∗
∂αp
[0, h ] , on obtient:
∃K 0 max |n+1 | ≤ Khp
0≤n≤N −1
Et par suite, la méthode (4.3) est d’ordre p.
b) Condition nécessaire: supposons que la méthode (4.3) est d’ordre p, et montrons que
les conditions (4.10) sont vérifiées.
Raisonnons par l’absurde: supposons que les conditions (4.10) ne sont pas vérifiées. Soit
k0 le plus petit entier ∈ {0, 1, ..., p − 1} tel que Ψk0 (x, y) 6= 0. On a alors, d’après (4.11)
p−1
1 ∂ pΦ
X
k p 1 (p+1)
n+1 = h Ψk (xn , Y (xn )) + h Y (cn ) − (xn , Y (xn ), λ)
k=k0
(p + 1)! p! ∂hp
D’où
d’où
|n+1 |
max ≤ Khp−k0
0≤n≤N −1 hk0
et par suite
|n+1 |
lim max =0 (4.13)
h→0 0≤n≤N −1 hk0
Par ailleurs, on a
N −1 N −1
X |n+1 | b − a X |n+1 | |n+1 |
h k
= k
≤ (b − a) max (4.14)
h0 N n=0 h 0 0≤n≤N −1 hk0
n=0
69
Chapitre 4. Résolution numérique des équations différentielles ordinaires
D’où
70
4.3 Exemples de schémas à un pas
yn+1 = yn + hΦ(xn , yn , h)
est stable.
Les méthodes du développement de Taylor présentent de graves inconvénients du point de
vue pratique. En effet, elles utilisent les p fonctions f, f (1) , ...., f (p−1) , ce qui mobilise un
nombre excessif de mémoire. De plus, pour k assez grand, la complexité des expressions
analytiques des fonctions f (k) augmente énormément.
Exemples
1) Cas où p = 1
2) Cas où p = 2
71
Chapitre 4. Résolution numérique des équations différentielles ordinaires
Φ(x, y, 0) = (a1 + a2 )f (x, y) = f (x, y)
∂Φ ∂f ∂f 1
(x, y, 0) = a2 α2 (x, y) + a2 β21 f (x, y) (x, y) = f (1) (x, y)
∂h ∂x ∂y 2
∂Φ ∂f ∂f
(x, y, h) = a2 α2 (x + α2 h, y + β21 f (x, y)) + β21 f (x, y) (x + α2 h, y + β21 f (x, y))
∂h ∂x ∂y
Ainsi,
la méthode est d’ordre 2, si et seulement si:
a1 + a2 = 1
a2 α2 = a2 β21 = 21
En posant β = β21 (6= 0), on doit donc avoir
1
α2 = β, a2 = 2β , a1 = 2β−1
2β
3) Cas où p = 4
La méthode de Runge et Kutta classique est donnée par:
h
yn+1 = yn + [V1 + 2V2 + 2V3 + V4 ]
6
où
V1 = f (xn , yn )
V2 = f (xn + 21 h, yn + 12 hV1 )
V3 = f (xn + 12 h, yn + 12 hV2 )
V4 = f (xn + h, yn + hV3 )
Cette méthode est d’ordre 4 ( à vérifier en exercice)
Exercice
Montrer que sous les hypothèes du théorème 4.1, les méthodes de Runge et Kutta sont
stables.
72