Calcul Numerique

Méthodes Numériques I
Calcul Numérique
Les transparents sont gratuits
Jean TSHIMANGA Ilunga
2 septembre 2021
Sommaire
1 Présentation du cours
2 Rappel sur le Développement en série
3 Polynomial Interpolation
4 Intégration Numérique
5 Dérivation numérique
6 Equations non-linéaires d’une variable
7 Calcul numérique approchés et erreurs

Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs
Contents
3 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Contours
Il s’agit d’un cours de base dans le méthodes numériques. L’ensemble comprenant :

Les fondamentaux des méthodes numériques (L0)
L’algèbre linéaire numérique (L1)
L’optimisation numérique (L1)
Les méthodes de résolution numérique des EDO (L2)
Les méthodes de résolution numérique des EDP (L2)
Les éléments finis (L3)

Objectifs

Prérequis
Algèbre élémentaire (Premier Semestre)

Analyse élémentaire (Premier Semestre)

Contenu minimal
Les approximations des fonctions, des dérivées, des intégrales et des racines des
fonctions non linéaires.

Activités pratiques
Exercices d’application sur papier et sur ordinateur avec le logiciel Matlab. De la

formulation à la résolution d’un problème.

Méthodes pédagogiques
Le cours se base sur des exposés magistraux.

Répartition de la charge de travail
Cours du deuxième semestre. La charge horaire totale du cours est de 60 heures : 30

heures du cours théorique + 30 heures exercices.

Stratégie d’évaluation
Quatre interrogations, six travaux pratiques et un examen

Bibliographie
Anthony Ralson & Philip Rabinowitz, A First Course in Numerical Analysis,

(1975), McGraw-Hill Book Company, New York.
George F. Pinder, Numerical Methods for Solving Partial Differential Equations,
(2018), Wiley,
Jean-Pierre Demailly, Analyse Numérique et Equations Différentielles, (2006),
EDP Sciences,

Auditoire
Préparatoire de formation des mathématiciens, physiciens, ingénieurs et scientifiques

Contents

Rappel sur le Développement de Taylor. Première générale.
Formule de Taylor avec reste intégral. On approxime une fonction par un polynôme.
f (x + h) = pn (x) + Rn (x)
Ex : approximer ex en x = 0 par une droite, puis une parabole et enfin une courbe du
troisième dégré.

Rappel sur le Développement de Taylor. Première forme.
Formule de Taylor avec reste intégral. Le reste est donnée par une expression exacte.
f 00 (x) 2 f (n) (x) n

f (x + h) = f (x) + f 0 (x)h + h + ··· + h
2! n!
h(p+1) 1
Z
+ (1 − t)p f (p+1) (x + th)dt
p! 0
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!
avec
h(p+1)
Z 1
Rn (x) = (1 − t)p f (p+1) (x + th)dt
p! 0

Développement de Taylor.
Démonstration. page 66 Demailly
La formule se vérifie pour n = 0. En effet,

Z x
f (x) = f (α) + f 0 (t)dt
α
Pour n − 1, en procédent par intégration par partie 1 le reste devient

Z x x
1 1
(x − t)n−1 f (n) (t)dt = − (x − t)n f (n)
α (n − 1)! n! α
Z x
1 n (n+1)
− − (x − t) f (t)dt.
α n!
On a posé (variable t)
1
u0 = (x − t)n−1 v = f (n) (t)
(n − 1)!
u0 vdt = uv − uv 0 dt
R R
1.
Rappel sur le Développement de Taylor. Deuxième forme
Formule de Taylor-Lagrange. Le reste est défini par un encadrement.
f 00 (x) 2 f (n) (x) n f (n+1) (θ) n+1

f (x + h) = f (x) + f 0 (x)h + h + ··· + h + h
2! n! (n + 1)!
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!
avec h > 0 et x ≤ θ ≤ x + h et où
f (n+1) (θ) n+1

Rn (x) = h
(n + 1)!
L’approximation s’améliore avec le nombre des termes du polynôme en h


Exemple. Développement de sin(x)
sin00 (x) 2 sin(3) (x) 3 sin(4) (θ) 4

sin(x + h) = sin(x) + sin0 (x)h + h + h + h
2! 3! (4)!
sin00 (x) 2 sin(3) (x) 3
= sin(x) + sin0 (x)h + h + h + R3 (x)
2! 3!
sin(4) (θ) 4
R3 (x) = h
(4)!
d’où
sin(x) 2 cos(x) 3 sin(θ) 4

sin(x + h) = sin(x) + cos(x)h − h − h + h
2! 3! (4)!

Suite exemple. Application au calcul de sin(π/2 + π/4)
sin(π/2) cos(π/2)
sin(π/2 + π/4) = sin(π/2) + cos(π/2)π/4 − (π/4)2 − (π/4)3
2! 3!
sin(θ)
+ (π/4)4
(4)!

Exemple. Développement de ex
ex 2 ex 3 eθ 4
e(x+h) = ex + ex h + h + h + h
2! 3! (4)!
eθ 4
R3 (x) = h
(4)!

Suite exemple. Application au calcul de e(1+0.2)
e1 e1 eθ
e(1+0.2) = e1 + e1 (0.2) + (0.2)2 + (0.2)3 + (0.2)4
2! 3! (4)!
eθ
R3 (x) = (0.2)4
(4)!

Exemple. Développement de ln(x)
1 1 2
ln(x + h) = ln(x) + h− h + ···
x 2x2

Exercice
Approximer ex en x = 0 par
une droite,
puis une parabole
et enfin une courbe du troisième dégré.
On part de
ex 2 ex 3 eθ 4
e(x+h) = ex + ex h + h + h + h
2! 3! (4)!
avec x = 0.

Rappel sur le Développement de Taylor. Troisième forme
Formule de Taylor-Young. Le reste est défini par un comportement.
f 00 (x) 2 f (n) (x) n

f (x + h) = f (x) + f 0 (x)h + h + ··· + h + o(hn )
2! n!
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!
où
Rn (x) = o(hn )
avec
o(hn )
lim =0
h→0 hn
Le reste est d’un ordre de grandeur inférieur au dernier terme du polynôme.

Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Contents

Introductory example
Let
x = [1, −1, 3] and y = [−2, 4, 8];
be two associated vectors ; or, equivalently, let
(1, −2); (−1, 4); (3, 8)
be three given points in a Cartesian plan. Find the scalars a, b and c such that these
points satisfy the second degree polynomial
y = ax2 + bx + c.
Answer : a = 2, b = −3 and c = −1.
y = 2x2 − 3x − 1
With Matlab : x = [1, −1, 3]; y = [−2, 4, 8]; p = polyfit(x, y, 2)

Introductory example

What is it ?
Given n + 1 couples of data (xi , yi ), i = 0, . . . , n with xi 6= xj (to see later about the
determinant) for all i 6= j, find the n + 1 coefficients a0 , a1 , . . . , an such that
n
X
pn (x) = a0 + a1 x + a2 x2 + · · · + an xn = aj xj ,
j=0
the polynomial of degree at most n that interpolates to the given data, which means
pn (xi ) = yi , i = 0, . . . , n.
This results in the (n + 1) by (n + 1) system of linear equations.
Notations : we notice that the notation p(xi ) is equivalent to p(x)|xi .
Note that the xi do not need to be ordered.

What is it ?
The linear system of equations from the above consideration is
a2 x20 ··· an xn

 a0 + a1 x0 + + 0 = y0
 a0 + a1 x1 + a2 x21 ··· + an xn = y1


1
..


 .
a2 x2n an xn

a0 + a1 xn + ··· + n = yn
It is worth to bear in mind that the unknowns are the polynomial coefficients
a0 , a1 , . . . , an . The couples (xi , yi ) are the data.
Caution : don’t try to solve the polynomial interpolation via the solution of this
system. It is expensive to solve in terms of computation cost. It also unstable. There
exists a easier way to find the solution.
What is it ?
The associate determinant, named Van der Monde determinant, is given by
x20 ··· xn

1 x0

0
1 x1 x21 ··· xn

1
∆n = .. .. .. .. .

. . . ··· .

1 xn x2n ··· xnn

It depends only on x0 , x1 , . . . , xn .
Proposition
Y
∆n = (xj − xi )
0≤i<j≤n
We study this determinant for theoretical and analytical reasons but not for
computation reasons. Notice again that a convenient way to find an interpolation
polynomial exists.
It is instructive to observe the structure of this V. M. determinant.
Exo. Try to describe the structure of the Van Der Monde determinant.
What is it ?
The associate determinant for the data in the exercise is given by

1
x0 x20 1
1 1

∆2 = 1 x1 x21 = 1
−1 1 = −16

1 x2 x22 1 3 9
Observe that
∆2 = (x1 − x0 )(x2 − x0 )(x2 − x1 ) = (−1 − 1)(3 − 1)(3 + 1) = −16

Proof. Preliminary.
Some properties of determinants (see in any elementary algebra course)
adding or subtracting a multiple of a line (or a column) to other line (or

column) does not alter the value of the determinant
multiplying an entire line (or column) by a scalar α amounts to multiplying the

determinant by the same scalar
the determinant of a block diagonal matrix if the product of determinants of the

diagonal blocks

Proof
We use the determinant properties to go through the following steps :
lj ← lj − l1 , j = 2, · · · n, we operate on subsequent lines and first line
xn−1

1 x0 x20 ··· 0 xn0

n−1

0 x1 − x0 x21 − x20 ··· x1 − xn−1
0 xn
1 − x0
n

n−1

∆n = 0 x2 − x0 x22 − x20 ··· x2 − xn−1
0 xn
2 − x n
0

.
.. .. .. .. ..

. . . ··· . .
xn−1 − xn−1

0 xn − x0 x2n − x20 ··· n 0 xn
n − x0
n
cj ← cj − x0 cj−1 , j = 2, · · · n, we operate on adjacent columns

1 0 0 ··· 0 0
(x1 − x0 )xn−2 (x1 − x0 )xn−1

0 x1 − x0 (x1 − x0 )x1 ··· 1 1

∆n = 0 x2 − x0 (x2 − x0 )x2 ··· (x2 − x0 )xn−2
2 (x2 − x0 )x2n−1
.
.. .. .. ...

. . . ···
(xn − x0 )xn−2 (xn − x0 )xn−1

0 xn − x0 (xn − x0 )xn ··· n n

Proof

1 0 0 ··· 0
xn−1

0 1 x1 ··· 1

∆n =

(x1 − x0 )(x2 − x0 ) · · · (xn − x0 ) 0 1 x2 ··· xn−1
2

.. .. .. ..

. . . ··· .
xn−1

0 1 xn ··· n

Next, observe that

1 0 0 ··· 0
x1n−1

1 x1 ···
xn−1

0 1 x1 ···
1 1 x2 ··· xn−1
0 1 x2 ··· xn−1
2

=
2

. .
.. .. ..
. . .. ..

. . ··· .

. . . ··· .
xn−1

n−1
1 xn ··· n

0 1 xn ··· xn
Write
xn−1

1 x1 ··· 1

1 x2 ··· xn−1
2

∆n−1 =
.. .. ..

. . ··· .
n−1

1 xn ··· xn
Now, observing that ∆0 = 1, one can apply the recurrence reasoning to conclude the
proof.
Exercise
Given the two associated vectors
x = [−55, −25, 5, 35, 65] and y = [−3.25, −3.2, −3.02, −3.32, −3.1];
Write down the associated system of equations and express the associated
determinant. Compute the determinant.

Existence and unicity
Proposition
Since, by hypothesis, xi 6= xj for all i 6= j,
Y
∆n = (xj − xi ) 6= 0.
0≤i<j≤n
Consequently, the solution of the system, that is, the set of polynomial coefficients
a0 , a1 , . . . , an exists and is unique.

Lagrange polynomials
There exists an easier way to compute an interpolation polynomial without going
through solving a system of linear equations.
Definition
Given n + 1 points (xi , yi ) i = 0, . . . , n with xi 6= xj for all i 6= j we call
n
Y (x − xj )
li (x) = , i = 0, 1, . . . n,
(xi − xj )
j =0
j 6= i
the Lagrange polynomials.
Observe that

0 if j 6= i
li (xj ) =
1 if j = i
and that Lagrange polynomial depend only on the xi .

Example
Given the two associated vectors
x = [1, −1, 3] and y = [−2, 4, 8];
or, equivalently, given points
(1, −2); (−1, 4); (3, 8)
Observe that the associated Lagrange polynomials. x0 = 1, x1 = −1 and x2 = 3 are
(x − x1 ) (x − x2 ) (x + 1)(x − 3)
l0 (x) = =
(x0 − x1 ) (x0 − x2 ) −4
(x − x0 ) (x − x2 ) (x − 1)(x − 3)
l1 (x) = =
(x1 − x0 ) (x1 − x2 ) 8
(x − x0 ) (x − x1 ) (x − 1)(x + 1)
l2 (x) = =
(x2 − x0 ) (x2 − x1 ) 8
Show that the polynomial
p2 (x) = y0 l0 (x) + y1 l1 (x) + y2 l2 (x)
writes
y = 2x2 − 3x − 1
Lagrange polynomials
It is easy to show that the polynomial
Theorem
n
X
pn (x) = y0 l0 (x) + y1 l1 (x) + · · · + yn ln (x) = yi li (x).
i=0
This tells us that pn (x) of degree n takes the same values as yi at nodes xi ,
i = 0, . . . , n.

Exercises
1 Interpolate sin(x) at x0 = 0, x1 = π/2, and x2 = π by a second-degree

polynomial p2 (x).
answer :
4
p2 (x) = − x(x − π);
π2
Matlab : x = [0, pi/2, pi], y = sin(x); p = polyfit(x, y, 2)
2 Interpolate ln(x) at x0 = 1 and x1 = 2 by linear function p1 (x). Hint :

ln(2) = 0.693
answer :
p1 = 0.693 (x − 1)
Matlab : x = [1, 2], y = log(x); p = polyfit(x, y, 1)

Exercises
Figure – exo 1. The solid black line represents the interpolant curve. The
dashed red line represents the sine

Exercises
Figure – exo 2.

Origins of polynomial interpolation problems
Experimental data (from engineers or scientists in simulation or optimization,

for example)
Numerical integration (when replacing a complicated or a tabulated function by

a polynomial in numerically solving a integration problem)
Numerical derivation (when replacing an unknown function by a polynomial in

numerically solving a differential equation)

General formula
Here, we are concerned with the interpolation of data from a function f (x) by a
polynomial pn (x) on the set of (n + 1) nodes x0 , . . . xn .
Theorem
Suppose f (x), the function to be interpolate, is n + 1 times differentiable. For all x,
there exists a point θx ∈ [x0 , xn ] depending on x such that
n
f (n+1) (θx ) Y
En (x) = f (x) − pn (x) = (x − xi )
(n + 1)! i=0
General formula. Comments
Some comments : The error depends on three quantities
the value of the smoothness (« régularité » in french) of f (x), expressed by

f (n+1) (θx ),
the number of nodes of the interpolation, given by the factorial (n + 1)!,
the distribution of (distances between) of nodes expressed as n
Q
i=0 (x − xi ),
Observe that polynomial
n
Y
(x − xi ) = (x − x0 )(x − x1 ) · · · (x − xn )
i=0
vanishes on nodes xi , i = 0, 1, . . . , n. Thus the error also vanishes at nodes.

General formula. Examples

Recall the formula
n
f (n+1) (θx ) Y
En (x) = f (x) − pn (x) = (x − xi )
(n + 1)! i=0
Examples (see previous exercises)
4 sin(3) (θx )(x − 0)(x − π/2)(x − π)

sin(x) − (− (x)(x − π)) =
π2 3!
(x − 0)(x − π/2)(x − π)
= (− sin(θx ))
3!
ln(2) (θx )(x − 1)(x − 2)

ln(x) − (0.693 x − 0.693) =
2!

1 (x − 1)(x − 2)
= − 2
θx 2!

Interpolation Error in General. Examples
Figure – The dashed curve on the graph shows the error of interpolation
En (x) = f (x) − p2 (x) = sin(x) − (1.2732 x − 0.4053 x2 ), the red curve shows pn (x), the blue
curve shows sin(x)

Interpolation Error in General. Examples
Figure – The dashed curve on the graph shows the error of interpolation
En (x) = f (x) − p1 (x) = ln(x) − (0.693x − 0.693), the red curve shows pn (x), the blue curve shows
ln(x)

Proof (1)
Define
n
Y
h(x) = (x − xi ) = (x − x0 )(x − x1 ) · · · (x − xn ),
i=0
which is a polynomial of degree n + 1.
Observe that
h(xi ) = 0, i = 0, 1, . . . , n,
h(n+1) (x) = (n + 1)!
Set an auxiliary function
g(x) = [f (x) − pn (x)] − αh(x),
with α an arbitrary constant and observe that x0 , . . . , xn are (n + 1) zeros of g(x) :
g(xi ) = 0, i = 0, 1, . . . , n, ∀ α
since f (x) and pn (x) coincide on nodes.
Proof (2)
Select any value x̂ 6= xi , x̂ ∈ [x0 , xn ]. We will determine a particular α = αx̂ so that

g(x) have x̂ as an additional zero.
We see that g(x) has now at least (n + 2) zeros.
It follows that the continuous g(x) possesses at least (n + 1) extremums which implies
that its derivative g 0 (x) has in turn at least (n + 1) zeros.
By recurrence, g 00 (x) has at least n zeros, and so on.
Finally, g (n+1) (x) has at least 1 zero which we denote by θx̂ ∈ [x0 , xn ]. It is clear
that as αx̂ this quantity is also related to the choice of x̂.
Proof (3)
To calculate α, first compute the (n + 1) derivative of g(x), recalling that pn (x) is
polynomial of degree n :
(n+1)
g (n+1) (x) = f (n+1) (x) − pn (x) − αx̂ h(n+1) (x)
= f (n+1) (x) − αx̂ (n + 1)!
Replace x with θx̂ in the last expression to get
0 = f (n+1) (θx̂ ) − αx̂ (n + 1)!
from which comes
1
αx̂ = f (n+1) (θx̂ ).
(n + 1)!
Now,
g(x̂) = f (x̂) − pn (x̂) − αx̂ h(x̂) = 0
or, alternatively,
n
1 Y
f (x̂) − pn (x̂) = f (n+1) (θx̂ ) (x̂ − xi )
(n + 1)! i=0
We rename x̂ as x. This concludes the proof.

Qn
Analysis of i=0 (x − xi )
Qn
The polynomial i=0 (x − xi ) plays a great role in the error of interpolation.
It depends on the distribution of the nodes over the interval of interpolation.
Our analysis will concern two types of nodes distributions :
Equidistant nodes
Tchebyshev nodes

(a) Equidistant nodes
Let [a, b] be the interpolation interval, and n + 1, the number of nodes. Define the
length step
b−a
h=
n
and then consider n + 1 equidistant nodes within [a, b]. So, the nodes are given by
xi = a + ih with i = 0, 1, . . . , n.
This implies x0 = a and xn = b. Set x = a + sh where 0 ≤ s ≤ n. Thus
(x − x0 )(x − x1 ) · · · (x − xn ) = hn+1 s(s − 1) . . . (s − n)
Lemma
For equidistant nodes, we have :
max |s(s − 1) . . . (s − n)| ≤ n!

s∈[0,n]
Figure – Graph of φ(s) = |s(s − 1)(s − 2)(s − 3)(s − 4)|
We see that φ(s) = |s(s − 1)(s − 2)(s − 3)(s − 4)| reach its maximum in [0, 1].
(a) Equidistant nodes. Proof
n
The fact that φ(n − s) = φ(s) shows that φ is symmetric with respect to s = 2
.
Hence for s ∈ [0, n] one may search the maximum of φ(s) in the half subinterval
[0, n
2
].
max φ(s) = maxn φ(s)
s∈[0,n] s∈[0, 2 ]
n n
Partition [0, 2
] into two subintervals [0, 1[ and [1, 2
]. We have
φ(s − 1)
= (n − s + 1)/s
φ(s)
n
and we see that (n − s + 1)/s > 1 for s ∈ [1, 2
].
n
Consequently, φ(s) < φ(s − 1) < φ(s − 2) < · · · . It follows that for s ∈ [0, 2
]
one should search the maximum of φ(s) uniquely in [0, 1[. That is
max φ(s) = maxn φ(s) = max φ(s)

s∈[0,n] s∈[0, 2 ] s∈[0,1[
if s ∈ [0, 1], we find the following bound for maxs∈[0,n] φ(s)
max |s(s − 1) . . . (s − n)| < max |s(s − 1)| · 2 · . . . · n = max |s(s − 1)|n!
s∈[0,n]
Observe that
1
max |s(s − 1)| =
0≤s≤1 4
which leads to the following theorem.
Theorem
For equidistant nodes, we have :
n
Y 1
max (x − xi ) ≤ n! hn+1 ,

x∈]a,b[
i=0
4
Consequently,
1 hn+1
max |En (x)| ≤ max f (n+1) (x)

x∈]a,b[ x∈]a,b[ 4 (n + 1)
(b) Tchebyshev nodes
Recall
p+q p−q
cos p + cos q = 2 cos cos
2 2
p+q p−q
cos p − cos q = −2 sin sin
2 2
p+q p−q
sin p + sin q = 2 sin cos
2 2
p−q p+q
sin p − sin q = 2 sin cos
2 2

Tchebychev polynomials - Definition
tn (u) = cos(n arccos u), u ∈ [−1, 1], n = 0, 1, . . .
from which we deduce the recurrence

t0 (u) = 1, t1 (u) = u.
tn+1 (u) = 2utn (u) − tn−1 (u), n>1
the leading coefficient of the n degree polynomial tn is 2n−1 and its n roots are
2i + 1
ui = cos π ∈ ] − 1, 1[, i = 0, 1, 2, . . . n − 1
2n
and, consequently, those of tn+1
2i + 1
ui = cos π ∈] − 1, 1[, i = 0, 1, 2, . . . n
2(n + 1)
This together with the fact that the leading coefficient is 2n give
n
Y
tn+1 (u) = 2n (u − ui ) = 2n (u − u0 )(u − u1 ) · · · (u − un )
i=0
Definition
For a polynomial of degree n in [-1, 1], the n + 1 so called Tchebyshev nodes are given
by :
2i + 1
ui = cos π ∈ [−1, 1] , 0≤i≤n
2(n + 1)
They are the roots of tn+1 .
Definition
For a polynomial of degree n in [a, b], the n + 1 so called Tchebyshev-Gauss nodes are
given by the linear bijection u ∈ [−1, 1] −→ x ∈ [a, b]
a+b b−a
x= + u.
2 2
Thus
a+b b−a 2i + 1
xi = − cos π ∈ [a, b] 0≤i≤n
2 2 2(n + 1)
n n
n+1 Y
Y b−a
(x − xi ) = (u − ui )
i=0
2 i=0
with
n
Y 1
(u − ui ) = tn+1
i=0
2n
From which, we get
n n+1
Y b−a
(x − xi ) = 2 Tn+1 (u)
i=0
4
and finally
n n+1
Y b−a
max | (x − xi )| = 2 max |Tn+1 (u)|
i=0
4
where
max |Tn+1 (u)| = 1

Theorem
For Tchebyshev nodes, we have :

n
b − a n+1
Y
max (x − xi ) ≤ 2 ,

x∈]a,b[
i=0
4
Consequently,
b − a n+1
(n+1)
f (x)

max |En (x)| ≤ max 2
x∈]a,b[ x∈]a,b[ (n + 1)! 4
Comparison of bounds
Figure – Bounds for k

Qn
i=0 (x − xi )k. Blue line : equidistant nodes, red line : Tchebychev nodes
A piece of Matlab code for generating nodes
n = 5;
a = −1; b = 1 ;
h = ( b − a )/ n ;
% Noeuds e q u i d i s t a n t s
x = a : h : b,
i = 0 : n;
% Noeuds de T c h e b y c h e v
xx = − c o s ( ( 2 ∗ i + 1 ) ∗ p i / ( 2 ∗ n + 2 ) ) ,

Comparison of graphs for 6 nodes (n=5)
π(x) = (x + 0.9659)(x + 0.7071)(x + 0.2588)(x − 0.2588)(x − 0.7071)(x − 0.9659)

π(x) = (x + 1)(x + 0.6)(x + 0.2)(x − 0.2)(x − 0.6)(x − 1)
π(x) = (x + 0.9848)(x + 0.8660)(x + 0.6428)(x + 0.3420)(x + 0)(x − 0.3420)(x − 0.6428)(x − 0.8660

π(x) = (x + 1)(x + 0.7500)(x + 0.5000)(x + 0.2500)x(x − 0.2500)(x − 0.5000)(x − 0.7500)(x − 1)
π(x) = (x + 0.9848)(x + 0.8660)(x + 0.6428)(x + 0.3420)(x + 0)(x − 0.3420)(x − 0.6428)(x − 0.8660

π(x) = (x + 1)(x + 0.7500)(x + 0.5000)(x + 0.2500)x(x − 0.2500)(x − 0.5000)(x − 0.7500)(x − 1)
Exercises
1 Interpolate the function sin(x) in interval [0, π] with (a) 3 nodes and (b) 5
nodes.
1 using equidistant nodes
2 using Tchebyshev nodes
2 Draw the corresponding graphs including the error curve.

Partial solution. Please check !
For equidistant n + 1 = 5 nodes, the data are
i xi f (xi ) = sin(xi )
0 0 √0
1 π/4 2/2
2 π/2 √1
3 3π/4 2/2
4 π 0
The Lagrange polynomials
π π 3π
(x − x1 )(x − x2 )(x − x3 )(x − x4 ) (x − 4
)(x − 2
)(x − 4
)(x − π)
l0 (x) = = 32
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 ) 3π 4
π 3π
(x − x0 )(x − x2 )(x − x3 )(x − x4 ) x(x − 2
)(x − 4
)(x − π)
l1 (x) = = −128
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 ) 3π 4
(x − x0 )(x − x1 )(x − x3 )(x − x4 ) x(x − π4 )(x − 3π
4
)(x − π)
l2 (x) = = 64
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 ) π4
(x − x0 )(x − x1 )(x − x2 )(x − x4 ) x(x − π4 )(x − π2 )(x − π)
l3 (x) = = −128
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 ) 3π 4
π π 3π
(x − x0 )(x − x1 )(x − x2 )(x − x3 ) x(x − 4
)(x − 2
)(x − 2
)
l4 (x) = = 32
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 ) 3π 4
The interpolating polynomial using equidistant nodes

√ √
pn (x) = 0 × l0 (x) + 2/2 × l1 (x) + 1 × l2 (x) + 2/2 × l3 (x) + 0 × l4 (x)
√ 64 π 3π
pn (x) = − 2 x(x − )(x − )(x − π)
3π 4 2 4
64 π 3π
+ 4 x(x − )(x − )(x − π)
π 4 4
√ 64 π π
− 2 x(x − )(x − )(x − π)
3π 4 4 2
64
= x(x − π) ×
π4
" √ √ #
2 π 3π π 3π 2 π π
− (x − )(x − ) + (x − )(x − )− (x − )(x − )
3 2 4 4 4 3 4 2
Figure – The solid curve shows sin(x), the dashed curve shows pn (x) and the
dotted curve shows sin(x) − pn (x)
a+b b−a iπ
For 5 Chebychev nodes xi = 2
− 2
cos n
with a = 0 and b = π, the data are
i xi f (xi ) = sin(xi )
0 ∗ ∗
1 ∗ ∗
2 ∗ ∗
3 ∗ ∗
4 ∗ ∗
The Lagrange polynomials
(x − x1 )(x − x2 )(x − x3 )(x − x4 )

l0 (x) = =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 )
(x − x0 )(x − x2 )(x − x3 )(x − x4 )
l1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 )
(x − x0 )(x − x1 )(x − x3 )(x − x4 )
l2 (x) = =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 )
(x − x0 )(x − x1 )(x − x2 )(x − x4 )
l3 (x) = =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 )
(x − x0 )(x − x1 )(x − x2 )(x − x3 )
l4 (x) = =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 )
Example
1
1 Interpolate the function 1+x 2 in interval [−5, 5] with (a) 5 nodes and (b) 7
nodes using equidistant nodes
1 using equidistant nodes
2 using Tchebyshev nodes
2 Draw the corresponding graphs.

Runge phenomenon. Numerical experiments
1
Figure – Runge phenomenon. Interpolating 1+x2
Hermite interpolation
We need an interpolating polynomial that coincides the function at nodes and whose
first order derivative coincide with the derivative of the function at nodes.
This polynomial exists and it is referred to as the Hermite polynomial.
The Hermite interpolation overcomes the Runge phenomenon.

Given n + 1 triplets [xi , f (xi ), f 0 (xi )], i = 0, 1, . . . , n. First, set
n 2
x − xj
Y
qi (x) = li2 (x) = , i = 0, . . . , n
j=0, j6=i
xi − xj
Observe that
n
1, si i = j X 2
qi (xj ) = qi0 (xi ) = .
0, si i 6= j xi − xk
k=0, k6=i
Next, set
hi (x) = f (xi ) + (x − xi )(f 0 (xi ) − qi0 (xi )f (xi ))
Observe that
hi (x)|xi = f (xi ) and h0i (x)|xi = f 0 (xi ) − qi0 (xi )f (xi )
Caution : Be aware on the fact that here qi0 (xi ) = qi0 (x)|xi . Not to be confused with
[qi (xi )]0 which is 0, since qi (xi ) is not a function, but a valued function, that is un
number.
Definition : Hermite Interpolation

Set
n
X
h(x) = qi (x)hi (x)
i=0
Then the polynomial h(x) of 2n + 1 degree satisfies the relations
n
X
h0 (x)|xi = qi0 (x)hi (x) + qi (x)h0i (x) x = f 0 (xi )

h(x)|xi = f (xi ) and
i
i=0
Comments : To perform this interpolation, on needs the first order derivatives are
available because this is required in building h(x)
A partial proof
(x − x0 )2 (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 (x − xn )2
qi (x) = 2 2
··· 2 2
···
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 ) (xi − xn )2
Thus
2(x − x0 ) (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 (x − xn )2

qi0 (x) = · · · · · ·
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
(x − x0 )2 2(x − x1 ) (x − xi−1 )2 (x − xi+1 )2 (x − xn )2
+ ··· ···
+···
(x − x0 )2 (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 2(x − xn )
+ ··· ···
From the above relation follows
2(xi − x0 ) (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2

qi0 (x)|xi = ··· ···
(xi − x0 )2 2(xi − x1 ) (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
+ ··· ···
..
.
(xi − x0 )2 (xi − x1 )2 2(xi − xi−1 ) (xi − xi+1 )2 (xi − xn )2
+ 2 2
··· 2 2
···
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 2(xi − xi+1 ) (xi − xn )2
+ 2 2
··· 2 2
···
..
.
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 2(xi − xn )
+ 2 2
··· ···
(xi − x0 ) (xi − x1 ) (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
2 2 2 2
= + + ··· + +
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 )
2
+··· +
(xi − xn )
and
qi0 (x)|xj = 0, ∀ j 6= i
Exercises
1 Interpolate sin(x) at x0 = 0, x1 = π/2, and x2 = π by a Hermite polynomial.
2 Interpolate ln(x) at x0 = 1 and x1 = 2 by a Hermite polynomial.

Solution pour sinus
Hermite interpolation error
Theorem
Suppose f (x), the function to be interpolate, is 2n + 2 times differentiable. For all x,
there exists a point θx ∈ [x0 , xn ] depending on x such that
n
f (2n+2) (θx ) Y
En (x) = f (x) − hn (x) = (x − xi )2
(2n + 2)! i=0

Hermite interpolation unicity
Unicity of Hermite interpolation

The Hermite interpolation is unique

Exercises
1
Perform the Hermite interpolation of f (x) = 1+x2
in interval [−5, 5] with 5
nodes, that is n + 1 = 5.
1 using equidistant nodes h = (b − a)/n où a = −5, b = 5, n = 4
xi = a + ih, i = 0, 1, 2, 3, 4
2 using Tchebyshev-Gauss-Lobatto nodes
b+a b−a
xi = − cos(iπ/n) i = 0, 1, 2, 3, 4
2 2
Draw the corresponding graphs including the error curve.

For 5 equidistant nodes in [−5, 5], the data are
1 2xi
i xi f (x)|xi = 1+x2
f 0 (x)|xi = − (1+x 2 )2
i i
0 −5 1/26 10/262
1 −5/2 4/29 80/292
2 0 1 0
3 5/2 4/29 −80/292
4 5 1/26 −10/262
Compute differences xi − xj , i 6= j
Q4
x0 x1 x2 x3 x4 j=0,j6=i (xi − xj )
x0 ∗ −5/2 −5 −15/2 −10 (−5)(−5)(−15)(−10)/4
x1 5/2 ∗ −5/2 −5 −15/2 (5)(−5)(−5)(−15)/8
x2 5 5/2 ∗ −5/2 −5 (5)(5)(−5)(−5)/4
x3 15/2 5 5/2 ∗ −5/2 (15)(5)(5)(−5)/8
x4 10 15/2 5 5/2 ∗ (10)(15)(5)(5)/4
The squares of Lagrange polynomials
!2 !2
(x − x1 )(x − x2 )(x − x3 )(x − x4 ) (x + 5/2)(x)(x − 5/2)(x − 5)
q0 (x) = =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 ) (−5)(−5)(−15)(−10)/4
!2 !2
(x − x0 )(x − x2 )(x − x3 )(x − x4 ) (x + 5)(x)(x − 5/2)(x − 5)
q1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 ) (5)(−5)(−5)(−15)/8
!2 !2
(x − x0 )(x − x1 )(x − x3 )(x − x4 ) (x + 5)(x + 5/2)(x − 5/2)(x − 5)
q2 (x) = =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 ) (5)(5)(−5)(−5)/4
!2 !2
(x − x0 )(x − x1 )(x − x2 )(x − x4 ) (x + 5)(x + 5/2)x(x − 5)
q3 (x) = =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 ) (15)(5)(5)(−5)/8
!2 !2
(x − x0 )(x − x1 )(x − x2 )(x − x3 ) (x + 5)(x + 5/2)x(x − 5/2)
q4 (x) = =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 ) (10)(15)(5)(5)/4
2 2 2 2
q00 (x0 ) = + + + = −5/3
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) (x0 − x4 )
2 2 2 2
q10 (x1 ) = + + + = −2/3
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) (x1 − x4 )
2 2 2 2
q20 (x2 ) = + + + =0
(x2 − x0 ) (x2 − x1 ) (x2 − x3 ) (x2 − x4 )
2 2 2 2
q30 (x3 ) = + + + = 2/3
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) (x3 − x4 )
2 2 2 2
q40 (x4 ) = + + + = 5/3
(x4 − x0 ) (x4 − x1 ) (x4 − x2 ) (x4 − x3 )
h0 (x) = f (x0 ) + (x − x0 )[f 0 (x0 ) − q00 (x0 )f (x0 )]

= 1/26 + (x + 5)(10/262 + 5/3 × 1/26) = 0, 0789x + 0, 4329
h1 (x) = f (x1 ) + (x − x1 )[f 0 (x1 ) − q10 (x1 )f (x1 )]
= 4/29 + (x + 5/2)(80/292 + 2/3 × 4/29) = 0, 1871x + 0.6056
h2 (x) = f (x2 ) + (x − x2 )[f 0 (x2 ) − q20 (x2 )f (x2 )]
= 1 + (x − 0)(0 + 0 × 1) = 1
h3 (x) = f (x3 ) + (x − x3 )[f 0 (x3 ) − q30 (x3 )f (x3 )]
= 4/29 + (x − 5/2)(−80/292 − 2/3 × 4/29) = −0, 1871x + 0.6056
h4 (x) = f (x4 ) + (x − x4 )[f 0 (x4 ) − q40 (x4 )f (x4 )]
= 1/26 + (x − 5)(−10/262 − 5/3 × 1/26) = −0, 0789x + 0, 4329
h(x) = q0 (x)h0 (x) + q1 (x)h1 (x) + q2 (x)h2 (x) + q3 (x)h3 (x) + q4 (x)h4 (x)
The Hermite interpolation polynomial
!2
(x + 5/2)(x − 0)(x − 5/2)(x − 5)
h(x) = h0 (x)
(−5)(−5)(−15)(−10)/4
!2
(x + 5)(x − 0)(x − 5/2)(x − 5)
+ h1 (x)
(5)(−5)(−5)(−15)/8
!2
(x + 5)(x + 5/2)(x − 5/2)(x − 5)
+ h2 (x)
(5)(5)(−5)(−5)/4
!2
(x + 5)(x + 5/2)(x − 0)(x − 5)
+ h3 (x)
(15)(5)(5)(−5)/8
!2
(x + 5)(x + 5/2)(x − 0)(x − 5/2)
+ h4 (x)
(10)(15)(5)(5)/4
1
Figure – Hermite Interpolation of 1+x2
using 5 equidistant nodes
Comments
The two figures meet at nodes

The slope (« pente » in french) are the same at nodes
Recall (Lagrangian Interpolation of the same function and same nodes)

A useful piece of matlab script
a=-5 ; b=5 ; n=4 ; x=a + (a+b)/n*[0 :n]

f = 1./(1+x.*x)
fp = - 2*x.*f.*f
xmx=kron(transpose(x), ones(1, length(x)))-kron(x, ones(length(x),1))
xmx = xmx + eye(length(x))
p = prod(transpose(xmx))
invxmx = 1./xmx
qp = 2*(sum(transpose(invxmx))-1)
m =fp - qp.*f
n = f-x.*m
b+a b−a
For 5 Tchebyshev nodes in [−5, 5], xi = 2
− 2
cos(iπ/4) the data are
1 2xi
i xi f (x)|xi = 1+x2
f 0 (x)|xi = − (1+x2 )2
i i
0 −5.0000 0.0385 0.0148
1 −3.5355 0.0741 0.0388
2 0.0000 1.0000 0.0000
3 3.5355 0.0741 −0.0388
4 5.0000 0.0385 −0.0148
Compute differences xi − xj , i 6= j
Q4
x0 x1 x2 x3 x4 j=0,j6=i
x0 * -1.4645 -5.0000 -8.5355 -10.0000 625.0
x1 1.4645 * -3.5355 -7.0711 -8.5355 -312.5
x2 5.0000 3.5355 * -3.5355 -5.0000 312.5
x3 8.5355 7.0711 3.5355 * -1.4645 -312.5
x4 10.0000 8.5355 5.0000 1.4645 * 625.0
2
(x − x1 )(x − x2 )(x − x3 )(x − x4 )
q0 (x) =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 )
(x + 3.5355)(x)(x − 3.5355)(x − 5) 2

=
625.0
2
(x − x0 )(x − x2 )(x − x3 )(x − x4 )
q1 (x) =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 )
(x + 5)(x)(x − 3.5355)(x − 5) 2

=
−312.5
2
(x − x0 )(x − x1 )(x − x3 )(x − x4 )
q2 (x) =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 )
(x + 5)(x + 3.5355)(x − 3.5355)(x − 5) 2

=
312.5
2
(x − x0 )(x − x1 )(x − x2 )(x − x4 )
q3 (x) =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 )
(x + 5)(x + 3.5355)x(x − 5) 2

=
−312.5
2
(x − x0 )(x − x1 )(x − x2 )(x − x3 )
q4 (x) =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 )
(x + 5)(x + 3.5355)x(x − 3.5355) 2

=
625.0
2 2 2 2
q00 (x0 ) = + + + = −2.200
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) (x0 − x4 )
2 2 2 2
q10 (x1 ) = + + + = 0.282
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) (x1 − x4 )
2 2 2 2
q20 (x2 ) = + + + = 0.000
(x2 − x0 ) (x2 − x1 ) (x2 − x3 ) (x2 − x4 )
2 2 2 2
q30 (x3 ) = + + + = −0.282
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) (x3 − x4 )
2 2 2 2
q40 (x4 ) = + + + = 2.200
(x4 − x0 ) (x4 − x1 ) (x4 − x2 ) (x4 − x3 )
h0 (x) = f (x0 ) + (x − x0 )[f 0 (x0 ) − q00 (x0 )f (x0 )] = 0.0995x + 0.5360

h1 (x) = f (x1 ) + (x − x1 )[f 0 (x1 ) − q10 (x1 )f (x1 )] = 0.01784x + 0.1371
h2 (x) = f (x2 ) + (x − x2 )[f 0 (x2 ) − q20 (x2 )f (x2 )] = 1
h3 (x) = f (x3 ) + (x − x3 )[f 0 (x3 ) − q30 (x3 )f (x3 )] = −0.01784x + 0.1371
h4 (x) = f (x4 ) + (x − x4 )[f 0 (x4 ) − q40 (x4 )f (x4 )] = −0.0995x + 0.5360
h(x) = q0 (x)h0 (x) + q1 (x)h1 (x) + q2 (x)h2 (x) + q3 (x)h3 (x) + q4 (x)h4 (x)

1
using 5 Tchebyshev nodes
Comments
The two figures meet at nodes

The slope (« pente » in french) are the same at nodes
Recall
1
using 5 equidistant nodes
A useful piece of matlab script
a=-5 ; b=5 ; n=4 ; x=(a+b)/2 - (b-a)/2*cos([0 :n]*pi/n)

f = 1./(1+x.*x)
fp = - 2*x.*f.*f
xmx=kron(transpose(x), ones(1, length(x)))-kron(x, ones(length(x),1))
xmx = xmx + eye(length(x))
p = prod(transpose(xmx))
invxmx = 1./xmx
qp = 2*(sum(transpose(invxmx))-1)
m =fp - qp.*f
n = f-x.*m
Stability of Polynomial interpolation
What happens if instead of using exact values f (xi ) we consider perturbed values
fˆ(xi ), i = 0, 1, . . . , n. This may be due to uncertainty in the data or truncature errors.
We have

X n n
X
max [f (xi ) − fˆ(xi )]li (x) ≤ max |li (x)| max f (xi ) − fˆ(xi )

x0 ≤x≤xn x0 ≤x≤xn x0 ≤x≤xn
i=1 i=1
Let
n
X
Λn (x) = max |li (x)|
x0 ≤x≤xn
i=1
We refer to this quantity as the Lebesgue constant.

Soient deux points (x1 , y1 ) et (x2 , y2 ) Comparer l’équation de la droite passant

par ces points et l’interpolation de Lagrange en deux noeuds x1 en x2 pour les
valeurs des ordonnées y1 et y2 .
1
Interpoler f (x) = 1+x 2 dans l’intervalle [−5, 5] sur 7 noeuds (equidistants puis
de Tchebyshev) en utilisant les formules de Lagrange puis celles de Hermite.
Commenter les graphiques obtenus.

Exercise
Calculer par recurrence les polynomes de Tchebychev jusqu’a n = 5.
Dessiner t0 , t1 , t2 et t3

Exercice supplémentaire
Soit
1
f (x) = dx
3x + 4
Déterminer les polynômes d’interpolation de Lagrande pour les différents

ensembles des 3 noeuds suivants
{−1.0, −0.7, −0.4}, {−0.4, −0.1, 0.2}, {0.2, 0.5, 0.8}, {0.8, 1.1, 1.4},
{1.4, 1.7, 2.0}
Pour chaque ensemble de 3 noeuds dessiner sur un graphique différent la

fonction et le polynôme d’interpolation ainsi trouvé
Réponses
f (x) = 1.6917x2 + 1.2970x + 0.6053

f (x) = 1.1889x2 − 0.1951x + 0.2489
f (x) = 0.0556x2 − 0.1575x + 0.2469
f (x) = 0.0235x2 − 0.1088x + 0.2283
f (x) = 0.0121x2 − 0.0776x + 0.2069
Complementary Reading
Newton interpolation formula

Trigonometric interpolation
Approximation with splines functions

Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Contents

Introduction
Nous traitons ici d’intégrales définies. Comme dans le cas de l’interpolation ou de la
dérivation numérique, on peut se retrouver à intégrer :
Une fonction tabulée (données d’observations ou résutats d’expérimentations)

Une fonction dont l’expression analytique est difficile à intégrer (provenant de la
modélisation)
Exemple : L’intégrale définie entre 0 et π de la fonction
f (x) = cos(4x) cos(3 sin(x))
est donnée par la formule
π 4 X∞
(−9/4)k
Z
3
f (x)dx = π .
0 2 k=0
k!(k + 4)!
Elle est visiblement difficile à évaluer.

Introduction
We will not consider the problem of finding the definite integral

Z x
y(x) = f (t) dt.
x0
This problem is equivalent to the following Ordinary Differential Equation (the

simplified Cauchy problem)
dy
= f (x), y(x0 ) = 0.
dx

Introduction
We want to find the definite integral
Z b
I= f (x) dx
a
For now, we divide [a, b] by n + 1 equidistant nodes
xi = a + ih, i = 0, 1, . . . , n, with step h = (b − a)/n
Thus x0 = a and xn = b. This defines n subintervals Ii = [xi−1 , xi ], i = 1, . . . , n so

that
Z x1 Z x2 Z xn n Z
X
I= f (x)dx + f (x)dx + · · · + f (x)dx = f (x) dx
x0 x1 xn−1 i=1 Ii
Thus one may approach f (x) by a interpolating polynomial in each interval Ii . We

stress that the function f (x) is either in tabular form or in an analytical complicated
expression.
Middle point (rectangle) formula
The simplest way is to choose an interpolating polynomial that is constant. So
p0 (x) = f (x̄i ) with x̄i = (xi + xi−1 )/2, i = 1, . . . , n
This leads to the approximation
Formule de point milieu
n
X
I(f ) ≈ Î(f ) = hf (x̄1 ) + . . . + hf (x̄n ) = h f (x̄i ), h = (b − a)/n = xi − xi−1
i=1
Caution : Having n + 1 nodes means that we define n subintervals, that is n middle

points x̄i , i = 1, . . . , n.

Exo
Soit
1
f (x) =
3x + 4
Approximer par la méthode du point milieu
Z 2
f (x)dx n=5
−1
Valeur exacte
Z 2 2
1 1 1
dx = ln(3x + 4) = (ln(10) − ln(1)) = 0.7675
−1 3x + 4 3 −1 3
Valeur approchée Avec n = 5, les 6 noeuds sont
−1; −0.4; 0.2; 0, 8; 1.4; 2
et les 5 sous-intervalles
[−1, −0.4]; [−0.4, 0.2]; [0.2, 0.8], [0.8, 1.4]; [1.4, 2]
L’ensemble des 5 points milieux et les valeurs correspondantes de la fonction f (x)
{−0.7, −0.1, 0.5, 1.1, 1.7} et {0.5263, 0.2703, 0.1818, 0.1370, 0.1099}
solution exacte solution approchée

0.7675 0.7352
Middle point (rectangle) formula
Figure – Méthode du point milieu

Formule du trapèze
Another way is to choose a polynomial of degree 1 that interpolate f (x) at nodes
xi−1 and xi .
x − xi x − xi−1
p1 (x) = f (xi−1 ) + f (xi )
xi−1 − xi xi − xi−1
which gives
Z Z Z
f (xi−1 ) f (xi )
p1 (x)dx = (x − xi )dx + (x − xi−1 )dx
xi−1 − xi xi − xi−1
1 f (xi−1 ) 1 f (xi )
= (x − xi )2 + (x − xi−1 )2 + cste
2 xi−1 − xi 2 xi − xi−1
Now, if we use xi−1 and xi as limits of integration, we easily obtain

Z xi
xi xi
1 f (xi−1 ) 1 f (xi )
(x − xi )2 (x − xi−1 )2

p1 (x)dx = +
xi−1 2 xi−1 − xi xi−1 2 xi − xi−1 xi−1
1 f (xi−1 ) 1 f (xi )
= − (xi−1 − xi )2 + (xi − xi−1 )2
2 xi−1 − xi 2 xi − xi−1
h
= (f (xi−1 ) + f (xi ))
2
remembering that h = xi − xi−1 = −(xi−1 − xi ).

Formule du trapèze
We come to the approximation
Formule du trapèze
n
hX
I(f ) ≈ Î(f ) = [f (xi−1 ) + f (xi )]
2 i=1
for the integral over the whole interval [x0 , xn ]. Recall that we have n intervals and
n + 1 nodes x0 , x1 , . . . , xn .
Caution : If we develop the summation above, we must be aware of the fact that the
functions on the interior nodes appear twice, while the functions on the extreme nodes
appear once.
h
Î(f ) = [f (x0 ) + 2f (x1 ) + . . . + 2f (xn−1 ) + f (xn )]
2

Exo
Refaire l’exercice précédent avec la méthode du trapèze
Avec n = 5, les 6 noeuds sont −1; −0.4; 0.2; 0, 8; 1.4; 2 et les 5 les valeurs
1
correspondantes de la fonction 3x+4 aux noeuds
{1.0000, 0.3571, 0.2174, 0.1563, 0.1220, 0.1000}
Exact Point milieu Trapèze

0.7675 0.7352 0.8416
Et les erreurs correspondantes sont
Exact Point milieu Trapèze

0 0.0323 0.0741
Formule du trapèze
Figure – Méthode des trapèzes

Formule de Simpson
Yet another choice. This consists in replacing f (x) with a polynomial of degree 2 at
nodes xi−1 , x̄i = (xi−1 + xi )/2 and xi in each subinterval.
(x − x̄i )(x − xi )
p2 (x) = f (xi−1 )
(xi−1 − x̄i )(xi−1 − xi )
(x − xi−1 )(x − xi )
+ f (x̄i )
(x̄i − xi−1 )(x̄i − xi )
(x − xi−1 )(x − x̄i )
+ f (xi ).
(xi − xi−1 )(xi − x̄i )
Formule de Simpson
We proceed as before. But, now we have for each interval three values xi−1 , xi , x̄i , to
be considered. Nevertheless the integration limits remain the same, that is xi−1 and xi
Z Z
f (xi−1 )
p2 (x)dx = (x − x̄i )(x − xi )dx
(xi−1 − x̄i )(xi−1 − xi )
Z
f (x̄i )
+ (x − xi−1 )(x − xi )dx
(x̄i − xi−1 )(x̄i − xi )
Z
f (xi )
+ (x − xi−1 )(x − x̄i )dx
(xi − xi−1 )(xi − x̄i )
f (xi−1 ) x3 x2

= 2 2
− (xi + x̄i ) + x̄i xi x
h 3 2
f (x̄i ) x3 x2

−4 2 − (xi + xi−1 ) + xi−1 xi x
h 3 2
f (xi ) x3 x2

+2 2 − (x̄i + xi−1 ) + xi−1 x̄i x + cste
h 3 2
Formule de Simpson
Recalling 2 that xi − xi−1 = h, xi − x̄i = h/2, x̄i − xi−1 = h/2, observe that
xi
x3 x2

− (xi + x̄i ) + x̄i xi x = h3 /12
3 2 xi−1
xi
x3 x2

− (xi + xi−1 ) + xi−1 xi x = −h3 /6
3 2 xi−1
xi
x3 x2

− (x̄i + xi−1 ) + xi−1 x̄i x = h3 /12.
3 2 xi−1
2. Recall also a3 − b3 = (a − b)(a2 + ab + b3 ) and a2 − b2 = (a − b)(a + b)

Formule de Simpson
Thus
Formule de Simpson
n
hX
Î(f ) = [f (xi−1 ) + 4f (x̄i ) + f (xi )] .
6 i=1
Recall also that xi − xi−1 = h, xi − x̄i = h/2, x̄i − xi−1 = h/2

Exo
Approximer par la méthode de Simpson.
Z 2 1
dx
−1 3x + 4
avec n = 5.
Valeur exacte
Z 2
2
1 1 1
dx = ln(3x + 4) = (ln(10) − ln(1)) = 0.7675
−1 3x + 4 3 −1 3
Avec n = 5, les 6 noeuds sont −1; −0.4; 0.2; 0, 8; 1.4; 2 et les 5 sous-intervalles
[−1, −0.4]; [−0.4, 0.2]; [0.2, 0.8], [0.8, 1.4]; [1.4, 2]
1
L’ensemble des 5 points milieux et les valeurs correspondantes de la fonction 3x+4
{−0.7, −0.1, 0.5, 1.1, 1.7} et {0.5263, 0.2703, 0.1818, 0.1370, 0.1099}
Exact Point milieu Trapèze Simpson

0.7675 0.7352 0.8416 0.7707
Simpson
Estimation des erreurs d’intégration
Proposition
Erreur dans la méthode du point milieu
i
Z
xi + xi−1 1
|f 00 (θ)|h3

f (x)dx − hf ≤ 24 max

i−1 2 θ∈[xi−1 , xi ]
Proposition
Erreur dans la méthode du trapèze
i
Z
f (xi ) + f (xi−1 )
|f 00 (θ)|h3

f (x)dx − h ≤ C θ∈[xmax,

i−1 2 i−1 xi ]
Pour une constante C > 0.
Proposition
Erreur dans la méthode de Simpson
i
Z
h 1
|f (4) (θ)|h5

f (x)dx − [f (xi−1 ) + 4f (x̄i ) + f (xi )] ≤ max

i−1 6 2880 θ∈[xi−1 , xi ]
Le problème de Cauchy
Le problème est d’approximer trouver une fonction y(t) satisfaisant à une relation dite
équation différentielle ordinaire du 1er ordre comme suit :
y0 = f (t, y(t)),
t ≥ t0 ,
y(t0 ) = y0 . condition intiale
On donne f (t, y), t0 et y0 (valeur initiale),

L’inconnue est l’expression de la fonction y(t),
Dans l’approche numérique, la solution approchée de y(t) sera sous forme tabulée. Elle
n’est pas une expression analytique.

exemple 1
y 0 = −y + 2e−t cos(2t), t0 = 0, y0 = 0
On effectue l’identification suivante :
f (t, y(t)) = −y + 2e−t cos(2t),
On peut vérifier que la solution exacte (analytique) est y(t) = e−t sin(2t).
Dans la pratique, la solution analytique d’une EDO est rarement accessible ; d’où
l’usage des méthodes numériques.

Résolution numérique du problème de Cauchy
Discrétisation de [t0 , t∗ ], pour avoir t0 , t1 , · · · , tn = t∗ on sait que

Z ti+1 Z ti+1
y 0 (t)dt = f (t, y(t))dt (1)
ti ti
Z ti+1
yi+1 − yi = f (t, y(t))dt (2)
ti

Utilisation de la méthode des rectangle à gauche
yi+1 = yi + hf (ti , yi )
Schéma d’Euler Explicite

On se donne un pas de temps h
On part des valeurs initiales fournies : t0 et y0
On répète les opérations (itérations) pour i = 1, 2, . . . ,
yi+1 = yi + hf (ti , yi );
ti+1 = ti + h;
Utilisation de la méthode des rectangle à droite
yi+1 = yi + hf (ti+1 , yi+1 )
Schéma d’Euler Implicite


Utilisation de la méthode des trapèzes
h
yi+1 = yi + [f (ti , yi ) + f (ti+1 , yi+1 )]
2
Schéma des trapèzes


Exercice
On donne le problème de Cauchy suivant :
y 0 = 2ty, y(1) = 1. (3)
On demande :
2
De montrer que la fonction y(t) = et −1 vérifie cette relation. On dit que c’est
une solution exacte de l’équation (5).
D’approximer la solution de t = 1 à t = 1, 5 par la méthode d’Euler (a) avec

h = 0, 1 puis (b) h = 0, 05,
De calculer à chaque itération, l’erreur absolue et l’erreur relative sur la solution

approchée.

Solution
n tn yn y(tn ) err. abs. % err. rel.

0 1.00 1.0000 1.0000 0.0000 0.00
1 1.10 1.2000 1.2337 0.0337 2.73
2 1.20 1.4640 1.5527 0.0887 5.71
3 1.30 1.8154 1.9937 0.1784 8.95
4 1.40 2.2874 2.6117 0.3244 12.42
Méthode d’Euler h = 0.1

Exo recap
On donne f (x) = x sin(x) on demande d’intégrer f (x) sur [0, π]
analytiquement
numériquement avec 5 noeuds en utilisant les trois méthodes étudiées

Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Contents

Motivation
Dans la pratique, les cas suivants peuvent se présenter :
Fonction sous forme tabulée (observations ou expérimentations)

Fonction donnée par son expression analytique dont la dérivée est difficile à
calculer.
Fonction découlant des calculs faisant intervenir des équations à résoudre
Alors, on fait recours à la dérivation numérique.

Idée
On cherche à approximer la dérivée d’une fonction en un point à partir des

évaluations de la fonction au voisinage de la fonction en ce point.
On se base sur l’interpolation de Lagrange ou le dévéloppement de Taylor.

Exos
Calculer la dérivée de
sin(x2 ) ln(x)
f (x) = √
x+3
√
en x = π/2
Réponse
√
[2x cos(x2 ) ln(x) + sin(x2 ) x1 ]( x + 3) − sin(x2 ) ln(x) 2√
1
x
f 0 (x) = √
( x + 3)2
Exos
sin(x2 ) ln(x)
Figure – f (x) = √
x+3
A piece of Matlab code
>> x=s q r t ( p i ) / 2
x =
0.8862
>> a =((2∗ x ∗ c o s ( x ^2)∗ l o g ( x)+ s i n ( x ^2)/ x ) ) ∗ ( s q r t ( x )+3)
a =
2.5481
>> b = s i n ( x ^2)∗ l o g ( x ) ∗ ( 1 / ( 2 ∗ s q r t ( x ) ) )
b =
−0.0454
>> c= ( s q r t ( x )+3)^2
c =
15.5346
>> d = ( a−b ) / c
d=
0.1669

Use of Interpolation Polynomial
Lorsque la fonction est représentée sous forme tabulée. La dérivée peut être obtenue
par dérivation du polynôme d’interpolation. On obtient alors
Theorem
n
pn (x) l0 (x) l1 (x) ln (x) X li (x)
= y0 + y1 + · · · + yn = yi .
dx dx dx dx i=0
dx

Première approche : différences décentrées
Considérons les deux développements de Taylor à l’ordre 1 d’une fonction deux fois
dérivable
1 00 + 2
f (x + h) = f (x) + f 0 (x)h + f (θ )h , x ≤ θ+ ≤ x + h
2
1
f (x − h) = f (x) − f 0 (x)h + f 00 (θ− )h2 , x − h ≤ θ− ≤ x
2
Formule
Les différences décentrées à droite et à gauche sont, respectivement,
f (x + h) − f (x) f (x) − f (x − h)
f 0 (x) ≈ et f 0 (x) ≈ ,
h h
en négligeant 21 f 00 (θ+ )h2 et 12 f 00 (θ− )h2 . Les erreurs de troncature sont d’ordre 1 en
h et données respectivement par
1 00 + 1 00 −
Et = f (θ ) h et Et = f θ ) h.
2 2
Par différence finie décentrée à droite avec h = 0.01, on trouve
>> h =0.01
h =
0.0100
>> p = s i n ( ( x+h ) ^ 2 ) ∗ l o g ( x+h ) / ( s q r t ( x+h )+3)
p =
−0.0200
>> q = s i n ( x ^2)∗ l o g ( x ) / ( s q r t ( x )+3)
q =
−0.0217
>> r =(p−q ) / h
r =
0.1693

Exemple
Avec f (x) = sin(x), on a
1
sin(x + h) = sin(x) + cos(x)h − sin(θ+ )h2 , x ≤ θ+ ≤ x + h
2
1
sin(x − h) = sin(x) − f 0 (x)h + sin(θ− )h2 , x − h ≤ θ− ≤ x
2
Exos
Utiliser les différences décentrées pour les exercices suivants :
Soit f (x) = x4 . Approximer f 0 (x) en x = 1 avec
h = 10−2 , h = 10−2 /2 et h = 10−2 /4
La valeur exacte de la dérivée est
f 0 (x)|x=1 = 4x3 |x=1 = 4
ln(x)
Soit f (x) = √
x−1
. Approximer f 0 (x) en x = 2 avec
h = 10−2 , h = 10−2 /2 et h = 10−2 /4
La valeur exacte de la dérivée est

1 √ 1
x
( x − 1) − ln(x) 2√ x
f 0 (x) = √ = −0.221234006974808
x−2 x+1

x=2
(x + h)4 − x4 x4 − (x − h)4
f 0 (x) ≈ f˜0 (x) = ou f 0 (x) ≈ fˆ0 (x) =
h h

f˜0 (x)|x=1 fˆ0 (x)|x=1 (f (x) − fˆ0 (x))/f 0 (x)
0
h

x=1
10−2 4.060 3.940
10−2 /2 4.030 3.970
10−2 /4 4.015 3.985
ln(x+h) ln(x) ln(x) ln(x−h)

√
x+h−1
− √
x−1
√
x−1
− √
x−h−1
f 0 (x) ≈ f˜0 (x) = ou f 0 (x) ≈ fˆ0 (x) =
h h

f˜0 (x)|x=2 fˆ0 (x)|x=2 (f (x) − fˆ0 (x))/f 0 (x)
0
h

x=2
10−2 −0.2206 −0.2219
10−2 /2 −0.2209 −0.2216
10−2 /4 −0.2211 −0.2214
Deuxième approche : différences centrées
La soustraction les développements de f (x + h) et f (x − h) à l’ordre 2, donne
1 000 +
f (x + h) − f (x − h) = 2 f 0 (x)h + f (θ ) + f 000 (θ− ) h3

6
où x ≤ θ+ ≤ x + h et x − h ≤ θ− ≤ x.
Comme f 000 (x) est continue, il existe θ̂ ∈ [θ− , θ+ ] ⊂ [x − h, x + h] tel que
1 000 +
f 000 (θ̂) = f (θ ) + f 000 (θ− ) .

2
Ainsi,
f (x + h) − f (x − h) 1
f 0 (x) = − f 000 (θ̂)h2 .
2h 6
Formule
f (x + h) − f (x − h)
f 0 (x) ≈ .
2h
L’erreur de troncature est donc d’ordre deux en h
1 000
Et = f (θ̂)h2 .

6

Par différence finie centrée avec h = 0.01, on trouve
>> x=s q r t ( p i ) / 2 , h =0.01

x =
0.8862
h =
0.0100
>> p = s i n ( ( x+h ) ^ 2 ) ∗ l o g ( x+h ) / ( s q r t ( x+h )+3)
p =
−0.0200
>> q = s i n ( ( x−h ) ^ 2 ) ∗ l o g ( x−h ) / ( s q r t ( x−h )+3)
q =
−0.0233
>> r =(p−q ) / ( 2 ∗ h )
r =
0.1669

Exos. Solutions
Refaire les exercices précédents en utilisant les différences centrées
(x + h)4 − (x − h)4
f 0 (x) ≈ f˜0 (x) =
2h

f˜0 (x)|x=1 (f (x) − f˜0 (x))/f 0 (x)
0
h

x=1
10−2 4.00040 0.000100
10−2 /2 4.00010 0.000025
10−2 /4 4.00002 0.000005
ln(x+h) ln(x−h)
√
x+h−1
− √
x−h−1
f 0 (x) ≈ f˜0 (x) =
2h

f˜0 (x)|x=2 (f (x) − f˜0 (x))/f 0 (x)
0
h

x=2
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Différence centrée d’ordre 4
Exercice : A partir des développement suivants
1 00 1
f (x + 2h) = f (x) + f 0 (x)(2h) + f (x)(2h)2 + f 000 (x)(2h)3
2! 3!
1 1
+ f (4) (x)(2h)4 + f (5) (θ̂)(2h)5 , x ≤ θ̂ ≤ x + 2h (1)
4! 5!
1 1
f (x − 2h) = f (x) − f 0 (x)(2h) + f 00 (x)(2h)2 − f 000 (x)(2h)3
2! 3!
1 (4) 4 1 (5) 5
+ f (x)(2h) − f (θ̄)(2h) , x − 2x ≤ θ̂ ≤ x (2)
4! 5!
1 1
f (x + h) = f (x) + f 0 (x)h + f 00 (x)h2 + f 000 (x)h3
2! 3!
1 1
+ f (4) (x)h4 + f (5) (ξ̂)h5 , x ≤ ξ̂ ≤ x + h (3)
4! 5!
1 1
f (x − h) = f (x) − f 0 (x)h + f 00 (x)h2 − f 000 (x)h3
2! 3!
1 1
+ f (4) (x)h4 − f (5) (ξ̄)h5 , x − h ≤ ξ̄ ≤ x (4)
4! 5!
faire la combinaison des équations ci-dessus (2) − (1) − 8[(4) − (3)] et obtenir
f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h) h4 (5)

f 0 (x) = + f (θ)
12h 30
Différence centrée d’ordre 4
f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h) h4 (5)

f 0 (x) = + f (θ)
12h 30
avec x − 2h ≤ θ ≤ x + 2h
Proposition
f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h)
f 0 (x) ≈
12h
avec l’erreur de troncature
1 (5)
Et = |f (θ)|h4
30
L’erreur se majore comme suit
1
Et ≤ max |f (5) (θ)|h4
30 x−2h≤θ≤x+2h

Exos. Solutions
Refaire les exercices précédents en utilisant les différences centrées d’ordre 4.
f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h)
f 0 (x) ≈ f˜0 (x) =
12h
0
f (x)−f˜0 (x)

h f˜0 (x)|x=1 f 0 (x)
x=1
10−2 4.000000000000002 ∗
10−2 /2 3.999999999999945 ∗
10−2 /4 3.999999999999990 ∗
ln(x−2h) ln(x−h) ln(x+h) ln(x+2h)

√
x−2h−1
− 8 √x−h−1 + 8 √x+h−1 − √
x+2h−1
f 0 (x) ≈ f˜0 (x) =
12h
0
f (x)−f˜0 (x)

h f˜0 (x)|x=2 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Interprétation de l’ordre d’une approximation
L’ordre d’une approximation correspond à l’ordre de l’erreur.
Exemples :

Commentaires
La diminution de h augmente la qualité de l’approximation ( ! il y a une limite !)

L’augmentation de l’ordre augmente la qualité de l’approximation
On notera que des valeurs trop petites de h peuvent créer de l’instabilité numérique. Il
y a une limite dans l’utilisation de petites valeurs de h.

Dérivée seconde
L’addition des développements de f (x + h) et f (x − h) à l’ordre 3 donne
" #
1 f (4) (θ+ ) + f (4) (θ− )
f (x + h) + f (x − h) = 2f (x) + f 00 (x)h2 + h4
12 2
qui conduit à
Formule
on obtient
f (x + h) − 2f (x) + f (x − h)
f 00 (x) ≈ ,
h2
1 (4)
en négligeant 12
f (θ)h4 . L’erreur de troncature est donc
1 (4)
Et = f (θ)h2 .

12

Exos. Solutions
Refaire les exercices précédents pour la dérivée seconde
(x + h)4 − 2(x)4 + (x − h)4

f 0 (x) ≈ f˜00 (x) =
h2
00
f (x)−f˜00 (x)

h f˜00 (x)|x=1 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
ln(x+h) ln(x) ln(x−h)

√
x+h−1
− 2 √x−1 + √
x−h−1
f 00 (x) ≈ f˜00 (x) =
h2
00
f (x)−f˜00 (x)

h f˜00 (x)|x=2 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Sources d’erreurs
Les erreurs dans le calcul numérique proviennent de plusieurs sources. Ce qui conduit
aux erreurs de
Troncature (solution exacte remplacée par une solution approchée)

Arrondi (produite par les machines utilisées dans les calculs)
Mesure et/ou modélisation (représentation simplifiée des phénomènes)

Principe
Soient deux approximations de la dérivée de f (x) avec comme pas h et h/2, resp.
f (x + h) − f (x) 1 00
f˜h0 ≡ = f 0 (x) + f (x)h + c1 h2 + . . .
h 2
0 f (x + h/2) − f (x) 1 00
f˜h/2 ≡ = f 0 (x) + f (x)(h/2) + c1 (h/2)2 + . . .
h/2 2
Dans les deux cas, l’erreur est dominée par les termes linéaires en h.
Multiplions la deuxième relation par 2 et soustrayons du resultat la première :
2f˜h/2
0 − f˜h0 2c1 (h/2)2 − c1 h2
= f 0 (x) + + ...
2−1 2−1
On obtient une erreur quadratique.

Extrapolation de Richardson
Cette fois prenons la paire des différences centrées
f (x + h) − f (x − h) 1
f˜h0 ≡ = f 0 (x) + f 000 (x)h2 + c1 h3 + . . .
2h 3
0 f (x + h/2) − f (x − h/2) 1
f˜h/2 ≡ = f 0 (x) + f 000 (x)(h/2)2 + c1 (h/2)3 + . . .
2(h/2) 3
Une manipulation similaire donne
4f˜h/2
0 − f˜h0 4c1 (h/2)3 − c1 h3
= f 0 (x) + +
4−1 4−1

Exercice
On donne
ex−1
f (x) =
1 + cos(x) + sin3 (x)
Calculer les approximations de f 0 (x) en x = π/6 en utilisant les différences finies
centrées d’ordre 2 et d’ordre 4, notées respectivement, f˜0 (x) et fˆ0 (x)
Compléter le tableau suivant :
h f˜0 (π/6) fˆ0 (x) ẽh = |f 0 (π/6) − f˜0 (π/6)| êh = |f 0 (π/6) − fˆ0 (π/6)|
10−1 ∗ ∗ ∗ ∗
10−2 ∗ ∗ ∗ ∗
10−3 ∗ ∗ ∗ ∗
10−4 ∗ ∗ ∗ ∗
Marquer les points correspondant à log(ẽh ) et à log(êh ) en fonction de log(h)

sur un plan cartésien. Superposer les courbes d’équations z = 2w et z = 4w sur
le graphique. Faire des commentaires au regard du graphique et de la théorie.
Le problème est d’approximer trouver une fonction y(t) satisfaisant à une relation dite
équation différentielle ordinaire du 1er ordre comme suit :
y0 = f (t, y(t)),
t ≥ t0 ,
y(t0 ) = y0 . condition intiale
On donne f (t, y), t0 et y0 (valeur initiale),

L’inconnue est l’expression de la fonction y(t),
Dans l’approche numérique, la solution approchée de y(t) sera sous forme tabulée. Elle
n’est pas une expression analytique.

exemple 1
y 0 = −y + 2e−t cos(2t), t0 = 0, y0 = 0
On effectue l’identification suivante :
f (t, y(t)) = −y + 2e−t cos(2t),
On peut vérifier que la solution exacte (analytique) est y(t) = e−t sin(2t).
Dans la pratique, la solution analytique d’une EDO est rarement accessible ; d’où
l’usage des méthodes numériques.

Méthode d’Euler
Aux noeuds ti+1 = ti + h = t0 + ih, i = 0, 1, . . ., on considère
1 2 00
y(ti + h) = y(ti ) + hy 0 (ti ) + h y (ξ), ti ≤ ξ ≤ ti + h, i = 0, 1, . . .
2
où y 0 (ti ) = f (y, ti ) selon l’équation différentielle à résoudre.
on approxime les valeurs exactes y(ti+1 ) par les valeurs approchées notées yi+1 en
négligeant 12 h2 y 00 (ξ) selon le schéma ci-dessous
Schéma d’Euler Explicite

yi+1 = yi + hf (ti , yi );
ti+1 = ti + h;
Exercice
On donne le problème de Cauchy suivant :
y 0 = 2ty, y(1) = 1. (5)
On demande :
2
De montrer que la fonction y(t) = et −1 vérifie cette relation. On dit que c’est
une solution exacte de l’équation (5).
D’approximer la solution de t = 1 à t = 1, 5 par la méthode d’Euler (a) avec

h = 0, 1 puis (b) h = 0, 05,
De calculer à chaque itération, l’erreur absolue et l’erreur relative sur la solution

approchée.

Solution
n tn yn y(tn ) err. abs. % err. rel.

0 1.00 1.0000 1.0000 0.0000 0.00
1 1.10 1.2000 1.2337 0.0337 2.73
2 1.20 1.4640 1.5527 0.0887 5.71
3 1.30 1.8154 1.9937 0.1784 8.95
4 1.40 2.2874 2.6117 0.3244 12.42
Méthode d’Euler h = 0.1

Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Contents

Equations non-linéaires
Définition
Une équation non-linéaire est une équation qui peut se mettre sous la forme
f (x) = 0,
où f (x) est une fonction non-linéaire de x.
Exemples
sin(x) − x/2 = 0, x3 − 4x + 1 = 0, 2xex + 2 = 0, 10x − 9e−x = 0
Toute fonction d’une forme autre que
f (x) = c
f (x) = ax + b
f (x) = ax2 + bx + c
est dite non-linéaire.
Il n’existe pas de méthodes analytiques générales pour la résolution des équations

non-linéaires.
Méthode de la dichotomie
Hypothèses sur la fonction
La fonction f (x) est continue sur un intervalle [a, b] supposé contenir la

solution notée x∗ .
La fonction f (x) est strictement monotone sur l’intervalle [a, b]
f (a) · f (b) < 0. Ceci signifie que f (a) et f (b) sont de signes opposés. Ceci
implique que la courbe de la fonction traverse l’axe des abcisses.
Conséquence : Il existe une unique racine x∗ dans [a, b] .

Algorithme
On subdivise l’intervalle [a, b] de départ en deux sous intervalles [a, (a + b)/2]

et [(a + b)/2, b]
On évalue le signe de f ((a + b)/2).
On retient [a, (a + b)/2] si f ((a + b)/2) a le même signe que f (b), sinon on
retient [(a + b)/2, b] pour nouvel intervalle
On itère le processus
On arrête quand l’intervalle devient suffisament petit. C’est le critère d’arrêt.

Exemple
Approximer la racine positive de la fonction suivante en utilisant la méthode de
dichotomie avec 6 itérations
f (x) = sin(x) − x/2 = 0
avec a = π/2, b = π, prendre dans les calculs 3 π = 3.1416,
itération a b f (a) f (b) x̃ = (a + b)/2 f (x̃)

1 3
1 2
π π 0.2146 −1.5708 4
π −0.4710
1 3 5
2 2
π 4
π 0.2146 −0.4710 8
π −0.0579
1 5 9
3 2
π 8
π 0.2146 −0.0579 16
π 0.0972
9 5 19
4 16
π 8
π 0.0972 −0.0579 32
π 0.0243
19 5 39
5 32
π 8
π 0.0243 −0.0579 64
π −0.0157
19 39 77
6 32
π 64
π 0.0243 −0.0157 128
π 0.0045
Méthode de dichotomie
x̃ = 1.8900.
On voit que f (x̄) tend vers 0 alors que le point milieu s’approche de la racine.
3. Note : les angles sont exprimés en radian sur les machines.

Convergence
Soient x̃ la solution approchée, et x∗ , la solution exacte.
La majoration de l’erreur |x̃ − x∗ | est :
au départ : |b − a|/2,
à la deuxième itération : |b − a|/22 ,
à l’itération i : |b − a|/2i .

Méthode de Newton
Hypothèses sur la fonction f (x)
La fonction f (x) est continue sur l’intervalle [a, b] supposé contenir la solution
La fonction f (x) est strictement monotone sur l’intervalle [a, b]
f (a) · f (b) < 0
f (x) est dérivable et f 0 (x) 6= 0 sur [a, b]

Méthode de Newton (Méthode de la tangente)
Cette méthode est fort utilisée dans la résolution d’équations non linéaires ecrites sous
forme f (x) = 0.
On pose x = xi + h, puis, on opère un développement de Taylor au premier ordre écrit

sous la forme
1 00
f (xi + h) = f (xi ) + f 0 (xi )h + f (θ)h2
2
avec xi ≤ θ ≤ xi + h.
1 00
On néglige 2
f (θ)h2 et on cherche la valeur de hi qui annule l’approximation
f (xi ) + f 0 (xi )h
On calcule l’itéré suivant par xi+1 = xi + hi . L’algorithme s’écrit
f (xi )
hi = − ,
f 0 (xi )
xi+1 = xi + hi ,
avec x0 donné.
Exo
Approximer la racine positive de
f (x) = sin(x) − x/2
avec x0 = π, x0 = π/2
f 0 (x) = cos(x) − 1/2

Exo
f (x) = sin(x) − x/2

f 0 (x) = cos(x) − 1/2
f (xi )
hi = −
f 0 (xi )
xi+1 = xi + h,
itération xi f (xi ) f 0 (xi ) hi

0 π −π/2 −3/2 −π/3
√ √
1 2π/3 3/2 − π/3 −1 3/2 − π/3
√
2 3/2 + π/3
3
4

x = pi ;
X = [];
f o r ( i =1:6)
x = x −( s i n ( x ) −0.5∗ x ) / ( c o s ( x)− 0 . 5 ) ;
X = [X, x ] ;
end ;
X
2.0944 1.9132 1.8957 1.8955 1.8955 1.8955

Exo
itération xi f (xi ) f 0 (xi )

0 3.1416 −1.5708 −1.5000
1 2.0900 −0.1767 −0.9962
2 1.9100 −0.0120 −0.8327
3 1.8956 ∗ ∗
Méthode de la tangente

Interprétation géométrique de la méthode
Exo
f (x) = x3 − 4x + 1
avec x0 = −2, x0 = 0 et x0 = 2

Existence et unicité de la solution

Convergence

Méthode de Newton-Raphson. Fonctions à deux variables
Soit un système de deux équations non linéaires à deux inconnues x et y
f (x, y) = 0
g(x, y) = 0
" ∂f ∂f
#−1
xk+1 xk ∂x ∂y f
= − ∂g ∂g
yk+1 yk g (xk ,yk )
∂x ∂y (xk ,yk )

Méthode de Newton-Raphson. Optimisation
1 T 2
f (x + h) = f (x) + ∇f (x)T h + h ∇ h + o(khk2 )
2
 −1
∂2f ∂f ∂f
" #
∂f
xk+1 xk ∂x2 ∂x ∂y ∂x
= − ∂2f
 ∂f
yk+1 yk ∂f ∂f
∂y
∂y ∂x ∂y 2 (xk ,yk ) (xk ,yk )

Méthode de la sécante
La dérivée pourrait ne pas être accessible.
On remplace alors dans la méthode de Newton f 0 (x) par une approximation par
différence finie à gauche.
Considérons le développement de Taylor à l’ordre 1 d’une fonction deux fois dérivable

suivant
1 00 − 2
f (x − h) = f (x) − f 0 (x)h + f (θ )h , x − h ≤ θ− ≤ x
2
f (x) − f (x − h)
f 0 (x) ≈
h
Ainsi, les itérations de Newton se transforment en
xi − xi−1
hi = xi − f (xi )
f (xi ) − f (xi−1 )
xi+1 = xi + hi
On voit ici que hi est généré dans l’algorithme à chaque itération i.

Méthode de la sécante
Définition
Point fixe : définition

Un point fixe d’une fonction φ(x) : E → E est un point x∗ ∈ E tel que
x∗ = φ(x∗ )
Fonction contractante : définition

On dit que φ est Lipschitzienne de rapport L, si
∀x, y ∈ E, |φ(x) − φ(y)| ≤ L|x − y|.
Si en plus L < 1, φ est alors dite contractante.

Théorème
Théorème du point fixe

Soit φ : E → E, une fonction contractante. Alors φ admet un point fixe unique
x∗ ∈ E. De plus, pour tout point x0 ∈ E, la suite des itérés xk définie par
xk+1 = φ(xk )
converge vers x∗ , c’est-a-dire

lim xk = x∗ .
k→∞

Convergence
Vitesse de convergence
On a :
|xk+1 − x∗ | = |φ(xk ) − φ(x∗ )| ≤ L|xk − x∗ | ≤ Lk+1 |x0 − x∗ |

Points attractifs et répulsif
On examine φ0 (x∗ ). Trois cas :

φ0 (x∗ ) < 1
φ0 (x∗ ) > 1
φ0 (x∗ ) = 1

Interprétation géométrique

Application à la résolution d’équations non linéaires
Exemple
Soit à résoudre f (x) = x2 − 100x + 1 = 0.

Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Contents

Codage des nombres réels
Codage
Dans un ordinateur, un nombre réel x est codé sous la forme
x ≈ m × bp ,
où b = 2 est la base de numération, m la mantisse, et p l’exposant.
Suivant les machines, la mantisse m s’écrit avec un nombre maximum N de chiffres

significatifs ak ∈ {0, 1} :
PN
m = 0, a1 , a2 · · · aN = ak b−k , avec a1 = 1, d’où b−1 ≤ m < 1
k=1
PN −1
m = a0 , a1 , a2 · · · aN −1 = k=1 ak b−k , avec a0 = 1 , d’où 1 ≤ m < b

Précision relative
Précision relative
∆x b−N
≤ −1
x b

Non-associativité des opérations arithmétiques
Soit à calculer avec 3 chiffres significatifs et arrondis à la décimale la plus proche.

Calculer la somme x + y + z où :
x = 8.22, y = 0.00317, z = 0.00432
Faire (x + y) + z puis x + (y + z)
Remarque
L’addition est non associative par suite des erreurs d’arrondis.

Minimisation de l’erreur dans une somme
Règle
Dans une sommation des reels, il convient de sommer en premier les termes ayant la
plus petite valeur absolue

Erreur d’un produit
Erreur d’un produit

La majoration de l’erreur d’un produit ne depend pas de l’ordre des facteurs

Evaluation d’un polynôme : Méthode naïve
Soit à évaluer le polynôme

n
X
P (x) = ak xk ,
k=0
Méthode naïve
x0 = 1, s0 = a0 , puis calcul par récurrence pour k = 1, 2, . . . , n
xk = xk−1 · x,
uk = ak · xk ,
sk = sk−1 + uk
Deux multiplications et une addition pour chaque k.

Evaluation d’un polynôme : Méthode de Hörner
On factorise P (x) sous la forme :
P (x) = a0 + x(a1 + x(a2 + . . . + x(an−1 + xan ) . . .))
pn = an , Puis pour k = n, n − 1, . . . 1
pk−1 = ak−1 + xpk
Enfin, poser P (x) = p0 .
Une multiplication et une addition pour chaque k.

Evaluation d’un polynôme : Méthode de Hörner
Précision
La précision de la méthode de Hörner sera nettement meilleure si le terme |ak ||x|k
décroit rapidement.

Langue

Calcul Numerique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Calcul Numerique

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes Numériques I

Jean TSHIMANGA Ilunga

2 Rappel sur le Développement en série

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

2 Rappel sur le Développement en série

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

3 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Il s’agit d’un cours de base dans le méthodes numériques. L’ensemble comprenant :

4 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

5 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Algèbre élémentaire (Premier Semestre)

6 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

7 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Exercices d’application sur papier et sur ordinateur avec le logiciel Matlab. De la

8 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Le cours se base sur des exposés magistraux.

9 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Répartition de la charge de travail

Cours du deuxième semestre. La charge horaire totale du cours est de 60 heures : 30

10 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Quatre interrogations, six travaux pratiques et un examen

11 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Anthony Ralson & Philip Rabinowitz, A First Course in Numerical Analysis,

12 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Préparatoire de formation des mathématiciens, physiciens, ingénieurs et scientifiques

13 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

2 Rappel sur le Développement en série

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

14 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Première générale.

15 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Première forme.

f 00 (x) 2 f (n) (x) n

16 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Démonstration. page 66 Demailly

La formule se vérifie pour n = 0. En effet,

Pour n − 1, en procédent par intégration par partie 1 le reste devient

Rappel sur le Développement de Taylor. Deuxième forme

Formule de Taylor-Lagrange. Le reste est défini par un encadrement.

f 00 (x) 2 f (n) (x) n f (n+1) (θ) n+1

f (n+1) (θ) n+1

L’approximation s’améliore avec le nombre des termes du polynôme en h

18 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Deuxième forme

sin00 (x) 2 sin(3) (x) 3 sin(4) (θ) 4

sin(x) 2 cos(x) 3 sin(θ) 4

19 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Deuxième forme

Suite exemple. Application au calcul de sin(π/2 + π/4)

20 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Deuxième forme

21 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Deuxième forme

Suite exemple. Application au calcul de e(1+0.2)

22 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Rappel sur le Développement de Taylor. Deuxième forme

Exemple. Développement de ln(x)

23 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I