Chapitre 1

Chapitre 1
Approximation et intégration numérique
Ibrahim ALAME
ESTP
10/01/2022
Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 1 / 74

Introduction
On se donne (xi , fi ) obtenus suite à une mesure expérimentale. pour

estimer la valeur de la fonction mesurée en tout point, on cherche à
représenter la fonction f par un polynôme.
y
On cherche un polynôme P qui interpole la

fonction mesurée aux points xi
P(xi ) = f (xi ).
x
On cherche P un polynôme le plus proche des
y valeurs mesurées. L’approximation au sens des
moindre carré consiste à minimiser
X
(P(xi ) − f (xi ))2
x
i

Applications
On cherche à calculer une intégrale dont on ne connaît pas
explicitement sa valeur. Par exemple, on approche cette comme suit
Z Z
f (x) ' p(x) et f (x)dx ' P(x)dx
ce qui conduit à l’intégration numérique.

f solution d’une e.d.o
f solution d’une équation non linéaire de la forme f = G (f )
Soit f une fonction inconnue solution d’un problème aux limites
(équation de la chaleur par exemple), on cherche à approcher au
mieux les valeurs de f en certains points du domaine.

Interpolation de Lagrange
Théorème
Soit f : [a, b] → R une fonction continue et x0 < x1 < · · · < xn , n + 1
points distincts de [a, b]. Il existe un unique P ∈ Rn [X ] tel que
P(xi ) = f (xi ) pour i = 0, 1, ..., n. De plus, P est donné par :
n
X
P(x) = f (xi )Li (x)
i=0
Qn x−xj
où les polynômes Li sont définis par : Li (x) = j=0,j6=i xi −xj
Démonstration
Unicité. Soient P, Q ∈ Rn [X ] tels que P(xi ) = Q(xi ) = fi pour
i = 0, ...n, alors P − Q ∈ Rn [X ] et il s’annule en n + 1 points distincts
alors P − Q ≡ 0.
Existence. On pose P(x) = ni=0 f (xi )Li (x)
P

n = 1 deux points de discrétisation x0 = 0 et x1 = 1.
• • • •
L0 (x)=1−x L1 (x)=x
1
n = 2 trois points de discrétisation x0 = 0 , x1 = 2 et x2 = 1.
• • • • • • • • •
L0 (x)=(2x−1)(x−1) L1 (x)=4x(1−x) L2 (x)=x(2x−1)

Exemple
On cherche le polynôme d’interpolation de LAGRANGE qui en x1 vaut y1 ,

en x2 vaut y2 . On a
x − x2 x − x1
P(x) = y1 + y2
x1 − x2 x2 − x1
x − x2 x − x1
P(x) = −y1 + y2
h h
y2 − y1
P(x) = (x − x1 ) + y1
x2 − x1
y y2
•
y1
•
x

Exemple
On cherche le polynôme d’interpolation de LAGRANGE qui en −1 vaut 0,

en 0 vaut −1 et en 1 vaut 2. On a
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
P(x) = y0 + y1 + y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
x(x − 1) (x + 1)(x − 1) (x + 1)x
P(x) = 0 × + (−1) × +2× = 2x 2 + x − 1
2 −1 2
•
•

Exemple
Interpolation polynomiale de sin en six et dix points :

Exemple
1
Interpolation polynomiale de x 7→ x 2 +1
en 8 et 11 points :

Exemple
Problème d’échantillonnage : Te < T /2 ?.

Théorème(Erreur d’interpolation de Lagrange)
Soit f ∈ C n+1 ([a, b]) et a ≤ x0 < x1 < x2 < ... < xn ≤ b. Soit P le
polynôme de Lagrange défini par P(xi ) = f (xi ) pour i = 0, 1, ..., n. Alors
L(x) (n+1)
f (x) − P(x) = f (ξ)
(n + 1)!
Qn
où L(x) = i=0 (x − xi ) et a < ξ < b.
L’erreur d’interpolation dépend alors de Λn = maxx∈[a,b] |L(x)| appelée

constante de Lebesgue. Dans l’exemple précédent :
b−a
xi = a + i , i = 0, 1, · · · , n
n
La constante de Lebesgue sur l’intervalle [−1, 1] est alors :
2n+1
Λn ∼
e n ln(n)
Polynôme de Tchebychev
Tn (x) = cos(n arccos(x)), x ∈ [−1, 1], n≥0

ou bien
T0 = 1, T1 (x) = x et Tn+1 (x) = 2xTn (x) − Tn−1 (x)
la constante de Lebesgue est beaucoup plus petite dans le cas des racines
de polynôme de Chebyshev :

a+b (2i + 1)π b−a
xi = + cos × , i = 0, 1, · · · , n
2 2n + 2 2
La constante de Lebesgue sur l’intervalle [−1, 1] est évaluée par

l’équivalence :
2
Λn ∼ ln(n)
π

Exemple
1
Interpolation polynomiale de x 7→ x 2 +1
en 8 et 11 points de Tchebychev :

Méthode de différences divisées
La formule de Lagrange n’a qu’un intérêt théorique. En pratique on utilise

plutôt une méthode de Newton dite de différences divisées :
∆1 ([x1 ], [y1 ]) = y1
si n > 1 on pose ∆([x1 , · · · , xn ], [y1 , · · · , yn ]) =
∆([x2 , · · · , xn ], [y2 , · · · , yn ]) − ∆([x1 , · · · , xn−1 ], [y1 , · · · , yn−1 ])
xn − x1
Si on pose ∆k = ∆([x1 , · · · , xk ], [y1 , · · · , yk ]), le polynôme d’interpolation

s’écrit :
X n k−1
Y
P= ∆k (x − xj )
k=1 j=1

Pour expliciter le processus récursif, les différences divisées peuvent être
calculées en les disposant de la manière suivante dans un tableau :
xi yi ∆[xi−1 , xi ] ∆[xi−2 , xi−1 , xi ] ∆[xi−3 , xi−2 , xi−1 , xi ] ∆[xi−4 , xi−3 , xi−2 , xi−1 , x
x0 y0
x1 y1 ∆[x0 , x1 ]
x2 y2 ∆[x1 , x2 ] ∆[x0 , x1 , x2 ]
x3 y3 ∆[x2 , x3 ] ∆[x1 , x2 , x3 ] ∆[x0 , x1 , x2 , x3 ]
x4 y4 ∆[x3 , x4 ] ∆[x2 , x3 , x4 ] ∆[x1 , x2 , x3 , x4 ] ∆[x0 , x1 , x2 , x3 , x4 ]
.. .. .. .. .. ..
. . . . . .

On reprend le polynôme d’interpolation de LAGRANGE qui en −1 vaut 1,
en 0 vaut −1 et en 1 vaut 2. On a
xi yi ∆[xi−1 , xi ] ∆[xi−2 , xi−1 , xi ]

−1 1
0 −1 −2
1 2 3 5/2
D’où
P(x) = y0 + ∆[x0 , x1 ](x − x0 ) + ∆[x0 , x1 , x2 ](x − x0 )(x − x1 )
= 1 − 2(x + 1) + 52 (x + 1)x
= 25 x 2 + 21 x − 1

Interpolation de Hermite
On cherche un polynôme qui interpole la fonction f ainsi que sa dérivée

aux points donnés.
Théorème
Il existe un unique P ∈ R2n+1 [X ] tel que pour i = 0, 1, ..., n.

p(xi ) = fi
p 0 (xi ) = fi 0
Base de polynômes de Hermite : On cherche une base de polynômes de

R2n+1 [X ] telle que
n
X n
X
P= fi Ai (X ) + fi 0 Bi (X )
i=0 i=0

n
X n
X
P= fi Ai (X ) + fi 0 Bi (X )
i=0 i=0
Les conditions sur les fonctions de bases sont alors les suivantes, pour
i, j = 0, n :
Ai (xj ) = δij , Bi (xj ) = 0
A0 i(xj ) = 0, Bi0 (xj ) = δij
On trouve
Ai (x) = [1 − 2(x − xi )L0i (xi )] L2i (x)

Bi (x) = (x − xi )L2i (x)

Exemple

Exemple
On veut voir si avec l’interpolation d’HERMITE on arrive à mieux
approcher la fonction x 7→ x 21+1 . Les polynômes interpolants de degrés 3, 5
et 10.

Théorème(Erreur d’interpolation d’Hermite)
Soit f ∈ C 2n+2 ([a, b]) et a ≤ x0 < x1 < x2 < ... < xn ≤ b. Soit P le
polynôme d’Hermite défini par P(xi ) = f (xi ) et P 0 (xi ) = f 0 (xi ) pour
i = 0, 1, ..., n. Alors
L(x)
f (x) − P(x) = f (2n+2) (ξ)
(2n + 2)!
− xj )2 et a < ξ < b.
Qn
où L(x) = i=0 (x
Le meilleur choix de (xi )i=0,n est alors les racines du polynôme de

Tchebychev.

Spline linéaire
Étant donné x0 < x1 < · · · < xn , on approche f par une fonction continue
qui, sur chaque intervalle [xi , xi+1 ], est définie par le segment joignant les
deux points (xi , f (xi )) et (xi+1 , f (xi+1 )). Cette fonction est appelée
interpolation linéaire par morceaux (ou spline linéaire)
Spline linéaire

Pour xi < x < xi+1
x−xi
s(x) = f (xi ) + xi+1 −xi (f (xi+1 ) − f (xi ))
Erreur
1
|f (x) − s(x)| ≤ M2 h2
8

On considère les points [0, 0], [1, 1], [2, 4], [3, 3] ;

y1 −y0
 y0 + x1 −x0 (x − x0 ) si x ∈ [x0 , x1 ]

y1 + yx22 −y
−x1 (x − x1 ) si x ∈ [x1 , x2 ]
1
 y + y3 −y2 (x − x ) si x ∈ [x , x ]

2 x3 −x2 2 2 3
d’où 
 x si x ∈ [0, 1]
s(x) = 3x − 2 si x ∈ [1, 2]
−x + 6 si x ∈ [2, 3]

4
3
1
• • • •
0 1 2 3

Spline cubique
Étant donné x0 < x1 < · · · < xn , on approche f par une fonction de classe
C 2 qui, sur chaque intervalle [xi , xi+1 ], est définie par un polynôme de
degré 3.
Le nombre total d’inconnues est 4n
Les conditions s(xi ) = fi imposent 2 contraintes pour les n polynômes
=⇒ 2n contraintes
Les dérivées première et seconde, à gauche et à droite doivent
coïncider en chacun de ses n − 1 points =⇒ 2(n − 1) contraintes
Deux conditions supplémentaires sont donc nécessaires
f (x1 ) − f (x0 ) f (xn ) − f (xn−1 )

s 0 (x0 ) ' et s 0 (xn ) '
x1 − x0 xn − xn−1

◦
a1 x 3 + b1 x 2 + c1 x + d1 a2 x 3 + b2 x 2 + c2 x + d2
• • •

On considère à nouveau les points [0, 0], [1, 1], [2, 4], [3, 3] ;
On pose la fonction spline cubique d’interpolation :
 f (x) = a0 + a1 x + a2 x 2 + a3 x 3 si x ∈ [0, 1]

s(x) = g (x) = b0 + b1 x + b2 x 2 + b3 x 3 si x ∈ [1, 2]

h(x) = c0 + c1 x + c2 x 2 + c3 x 3 si x ∈ [2, 3]

Nous avons 3 × 4 = 12 inconnues à déterminer.

La condition s(xi ) = yi nous donne six équations
f (0) = 0, f (1) = 1, g (1) = 1, g (2) = 4, h(2) = 4, h(3) = 3


 a0 = 0



 a0 + a1 + a2 + a3 = 1
b0 + b1 + b2 + b3 = 1

 b0 + 2b1 + 4b2 + 8b3 = 4

c + 2c1 + 4c2 + 8c3 = 4

 0



c0 + 3c1 + 9c2 + 27c3 = 3

La dérivabilité première nous donne deux équations
f 0 (1) = g 0 (1); g 0 (2) = h0 (2);

a1 + 2a2 + 3a3 = b1 + 2b2 + 3b3
b1 + 4b2 + 12b3 = c1 + 4c2 + 12c3
La dérivabilité seconde nous donne aussi deux équations
f 00 (1) = g 00 (1); g 00 (2) = h00 (2);

2a2 + 6a3 = 2b2 + 6b3
2b2 + 12b3 = 2c2 + 12c3
Pour que la résolution soit possible, nous imposons deux conditions
aux extrémités
f 00 (0) = 0, h00 (3) = 0

2a2 = 0
2c2 + 18c3 = 0

Nous avons bien 12 équations à 12 inconnues d’où la solution
 4 3 1
 5x + 5x si x ∈ [0, 1]
3 42 2 41 14
s(x) = −2x + x − x + 5 si x ∈ [1, 2]
 6 3 54 5 2 1515 114
5x − 5 x + 5 x − 5 si x ∈ [2, 3]
• • • •
0 1 2 3

Splines cubiques : détermination
s coïncide sur chaque intervalle [xi ; xi+1 ] avec un polynôme de degré

inférieur ou égal à 3
s 00 est de degré 1 et est déterminé par 2 valeurs (moment au nœud i) :
mi = s 00 (xi ) et mi+1 = s 00 (xi+1 )
Notations :
I hi = xi+1 − xi pour i = 0. . . n − 1
I δi = [xi ; xi+1 ]
I si (x) le polynôme de degré 3 qui coïncide avec g sur l’intervalle δi

si00 (x) est linéaire :
I
x − xi+1 x − xi
∀x ∈ δi , s 00 (x) = −mi + mi+1
hi hi
I on intègre
(x − xi+1 )2 (x − xi )2
∀x ∈ δi , s 0 (x) = −mi + mi+1 + ai
2hi 2hi
I on continue
(x − xi+1 )3 (x − xi )3
∀x ∈ δi , s(x) = −mi + mi+1 + ai (x − xi ) + bi
6hi 6hi
continuité de si en xi
mi hi2
si (xi ) = yi =⇒ yi = + bi
6
continuité de si en xi+1
mi+1 hi2
si (xi+1 ) = yi+1 =⇒ yi+1 = + ai hi + bi
6
Splines cubiques : détermination
Éliminons bi :
1 hi
ai = (yi+1 − yi ) − (mi+1 − mi )
hi 6
continuité de s 0 (xi ) :
hi hi−1
si0 (xi ) = −mi + ai = −mi 0
+ ai−1 = si−1 (xi )
2 2
Éliminons ai :

yi+1 − yi yi − yi−1
hi−1 mi−1 + 2(hi + hi−1 )mi + hi mi+1 = 6 −
hi hi−1

on cherche les mi (n + 1 inconnues)
on a seulement n − 1 équations
il faut rajouter 2 conditions, par exemple (spline naturelle)
m0 = mn = 0
cas où le pas hi est constant :
6
mi−1 + 4mi + mi+1 = (yi−1 − 2yi + yi+1 ) pour i = 1, n − 1
h2
La matrice du système est symétrique définie positive :

 
4 1
 1 4 1 
 
 .. .. .. 

 . . . 

 1 4 1 
1 4

Exemple
Interpolation par spline cubique de f : x 7→ x 21+1 sur l’intervalle [−5, 5] en
9 points : on applique la méthode à la suite de points

k k
−5 + 10 × , f −5 + 10 ×
8 8 k=0,1,..,8
• • • • • • • • •

Meilleure approximation
Soit V un espace vectoriel muni d’un produit scalaire (·, ·) et k · k la norme
associée. Soit Vh un sous espace de V de dimension finie et
(q1 , q2 , · · · , qN ) une base.
On dit que u ∈ Vh réalise la meilleure approximation de f ∈ V ssi u est la
projection orthogonale de f sur Vh :
d(f , Vh ) = kf − uk = min kf − v k
v ∈Vh
qn
u
q2
Vh q1

Si u = N ∗ ∗ ∗
P
i=0 λi qi alors λ = (λi )i=0,N réalise le minimum de la
fonctionnel quadratique
N
X
J(λ) = k λi qi − f k2
i=0
Le développement de J :
N
X N
X
J(λ) = λi λj (qi , qj ) − 2 λi (f , qi ) + kf k2
i,j=0 i=0
s’écrit
J(λ) =< Aλ, λ > −2 < b, λ > +kf k2
où A = [(qi , qj )]ij est une matrice symétrique définie positive, et
b = (f , qi )i un vecteur dépendant de f et de la base choisie.

Soit λ et ε deux vecteurs de Vh , nous avons
J(λ + ε) = < A(λ + ε), λ + ε > −2 < b, λ + ε > +kf k2

= < Aλ, λ > + < Aλ, ε > + < Aε, λ > + < Aε, ε >
−2 < b, λ > −2 < b, ε > +kf k2
= J(λ) + 2 < Aλ − b, ε > + < Aε, ε >
D’où la dérivée de la fonctionnelle J
J 0 (λ) = 2 (Aλ − b)
A étant définie positive et pour tout ε ∈ Vh , < Aε, ε > est strictement
positif et par conséquence J est minimale en λ∗ tel que
Aλ∗ = b
J 0 (λ∗ ) = 0 ⇐⇒ Aλ∗ = b

Exemple R1
Soit V = L2 (0, 1) muni du produit scalaire (f , g ) = 0 f (x)g (x)dx.
y
qi
h= N1
x
0 xi 1
Soit Vh = {v ∈ V ; v |Ik = constante}. On cherche à calculer la meilleur

approximation d’une fonction donnée f dans le sous-espace Vh .
Vh est un espace vectoriel de dimension N.
la famille des fonctions caractéristique de [xi , xi+1 ], (qk )k=0,N−1 ,
constitue une base de Vh .
la meilleur approximation est un élément de Vh solution de Aλ∗ = b
Les coefficients de la matrice A sont
Z 1 R xi+1
xi 1 × 1dx = h si i = j
ai,j = (qi , qj ) = qi (x)qj (x)dx =
0 0 sinon
ainsi A = hI (I la matrice identité) donc λ∗ = h1 b où b est le vecteur de Vh
donné par
XN
b= (f , qk )qk
k=1
R xi+1
avec (f , qk ) = xi f (x)dx. Donc la meilleur approximation de f dans Vh
est la fonction en escalier constante sur chaque intervalle de la subdivision
dont
R la constante est la valeur de la moyenne de f sur cet intervalle
1 xi+1
h xi f (x)dx.
h= N1
x
0 xi 1

Soit V = C 0 ([−1, 1]) ou V = L2 (−1, 1) muni du produit scalaire
Z 1
(f , g ) = f (x)g (x)dx
−1
On considère Vn = Rn [X ] muni de sa base canonique (1, x, x 2 , · · · , x n ) >.

Les coefficients de la matrice de projection orthogonale
Z 1 2
i+j+1 si i + j est pair
ai,j = (qi , qj ) = qi (x)qj (x)dx =
−1 0 sinon
Les coefficients du second membre b sont les produits scalaires de la

fonction par les éléments de la base
Z 1
bi = x i f (x)dx pour i = 0, · · · , n.
−1

Application : Déterminer la meilleur approximation de la fonction définie
par f (x) = 12x 7 + 5x 6 + x + 1 dans R3 [X ]. Nous avons :
   
2 0 2/3 0 24/7
 0 2/3 0 2/5   10/3 
A=  2/3 0 2/5 0  et b =  16/9 
  
0 2/5 0 2/7 142/55
D’où
11 29 25 140 3
f˜(x) = − x + x2 + x
21 11 7 11

Moindres carrés
On dispose d’une suite de données expérimentales (xi , yi ). On cherche un
polynôme p ∈ Rm [X ] avec n ≥ m + 1 qui réalise la meilleure approximation
au sens suivant :
X n
|q(xi ) − yi |2 soit minimal
i=1
Soit q(x) = a0 + a1 xi + a2 xi2 + ... + am xim , on cherche alors à minimiser la

fonctionnelle
n
X
J(a) = |a0 + a1 xi + a2 xi2 + ... + am xim − yi |2
i=1
Le minimum est réalisé lorsque J 0 (a) = 0 :

n
∂J X
a0 + a1 xi + a2 xi2 + ... + am xim − yi · xik

(a) = 2
∂ak
i=1

On note
n n
xip et vk =
X X
Sp = yi xik
i=1 i=1
donc
a0 Sk + a1 Sk+1 + a2 Sk+2 + · · · + am Sk+m = vk ∀k = 1, m
soit matricielement
    
S0 S1 · · · Sm a0 v0
 S1 S2 · · · Sm+1   a1   v1 
 .. .. = ..
    
 
 .  .   . 
Sm Sm+1 · · · S2m am vm

m = 1 On cherche un polynôme P de degré m = 1 qui approche au
mieux le nuage de points (xi , yi )i : On pose P(x) = ax + b. les inconnues a
et b sont solution du système :

1 x b y
=
x x2 a xy

b 1 x 2 −x y
=
a x2 − x2 −x 1 xy
d’où 
cov(x, y )
a=

v(x)
b = y − ax

où cov(x, y ) = xy − xy et v(x) = x 2 − x 2 .

x 1 2 3
Application numérique : . On a
y 1 2 4
7 17 14
x = 2, y= , xy = , x2 =
3 3 3
17 7 14 2
cov(x, y ) = − 2 × = 1, v(x) = −4=
3 3 3 3
1 3 7 3 2
a= = , b = − ×2=−
2/3 2 3 2 3
d’où l’équation de la droite (de régression) : y = 32 x − 2
3
•
•
•
P(x) = 32 x − 2
3

Intégration numérique
Il s’agit d’approcher
Z b
I = f (x)dx
a
dans le cas où on ne connaît pas une primitive de f . Formule de quadrature
Z 1 m−1
X
f (x)dx = ωi f (ξi )
0 i=0
Méthode de Newton Cotes . Les coefficient de quadrature ωi sont calculer

à l’aide d’une interpolation polynômiale de f aux points
k

ξk = m−1 pour i = 0, · · · , m − 1 si m 6= 1
1
ξ = 2 si m = 1

Interpolation de Lagrange :
m−1
X
f (x) ' f (ξk )Lk (x)
k=0
où le polynôme Lk (x) vérifie Lk (xj ) = δkj et défini par

m−1
Y x − xi
Lk (x) =
xk − xi
i=0,i6=k
d’où l’approximation
Z 1 Z 1 m−1
X m−1
X Z 1
f (x)dx ' f (ξk )Lk (x)dx = f (ξk ) Lk (x)dx
0 0 k=0 k=0 |0 {z }
ωk

m=1
On a ξ0 = 12
D’autre part L0 (x) = 1 donc
Z 1
ω0 = 1dx = 1
0
donc
1
1
Z
f (x)dx ' f
0 2

m=2
ξ0 = 0, ξ1 = 1 et
• • • •
L0 (x)=1−x L1 (x)=x
d’où
1 1
1 1
Z Z
ω0 = (1 − x) dx = et ω1 = x dx =
0 2 0 2
d’où
Z 1
f (0) + f (1)
f (x)dx '
0 2

m=3
ξ0 = 0, ξ1 = 21 , ξ2 = 1 et
• • • • • • • • •
L0 (x)=(2x−1)(x−1) L1 (x)=4x(1−x) L2 (x)=x(2x−1)
donc
1 2
ω0 = ω1 = et ω2 =
6 3
d’où
1
1 1
Z
f (x)dx ' f (0) + 4 f + f (1)
0 6 2

Newton-Cotes sur [a, b]
On fait le changement de variable x = a + ξ(b − a)
Z b Z 1
f (x)dx = (b − a) f (a + ξ(b − a))dξ
a 0
m−1
X
= (b − a) ωk f (a + ξk (b − a))
k=0
Z b
a+b
m=1 f (x)dx ' (b − a) f
a 2
b
b−a
Z
m=2 f (x)dx '
(f (a) + f (b))
a 2
Z b
b−a a+b
m=3 f (x)dx ' f (a) + 4 f + f (b)
a 6 2

Etude de l’erreur
m=1
Formule de Taylor Lagrange
2
a+b 0 a+b (x− a+b
2 )
f (x) − f ( a+b ) + (x − kf 00 k

2 2 )f ( 2 ) ≤ 2
d’où
R
b 1 b a+b 2
a f (x)dx − (b − a)f ( a+b dxkf 00 k
R
2 ≤
) 2 a x − 2

1 (b−a)3 00
≤ 2 12 kf k
D’où la majoration de l’erreur
(b − a)3 00
|e| ≤ kf k
24

Etude de l’erreur
m=2
D’après le théorème d’interpolation
1
f (x) − P(x) = (x − a)(x − b)f 00 (ξ)
2
d’où
b
Z
b−a a+b
f (x)dx − f (a) + 4 f + f (b)

a 6 2
1 b
Z
≤ |(x − a)(x − b)| kf 00 kdx
2 a
D’où la majoration de l’erreur
(b − a)3 00
|e| ≤ kf k
12

Etude de l’erreur
m = 3 On admet la majoration de l’erreur
(b − a)5 (4)
|e| ≤ kf k
2880
En général,
L(x) (m)
f (x) − P(x) = f (ξ)
m!
d’où Z b
1
|e| ≤ |L(x)| dx kf (m) k
m! a

Méthode de rectangle
y
qi
h
x
a=x0 xi xi+1 b=xn
Subdivision : xi = a + ih avec h = b−a n

Z xi+1
xi + xi+1
f (x)dx = (xi+1 − xi )f = h · f xi+ 1
xi 2 2
Z b n−1 Z xi+1
X n−1
X
f (x)dx = f (x)dx = h f xi+ 1
2
a i=0 xi i=0
b n−1
1
Z X
f (x)dx = h f a + (i + )h
a 2
i=0

Erreur de la méthode de rectangle
On a Z b
1 (b − a)3 00

a + b
f (x)dx − (b − a)f ( )≤ kf k

a 2 2 12
Z x
1 h3 00

i+1
f (x)dx − h · f (a + (i + )h) ≤ kf k

xi 2 24
n−1 Z xi+1 n−1
X 1 X h3 00
f (x)dx − h · f (a + (i + )h) ≤ kf k

xi 2 24
i=0 i=0
X
n−1 Z xi+1 n−1 3
X 1 h
f (x)dx − h · f (a + (i + )h) ≤ kf 00 k

2 24

i=0 xi
i=0
Z n−1

b X 1 (b − a)3
f (x)dx − h f (a + (i + )h) ≤ kf 00 k

2 24n2

a
i=0

Méthode de trapèze
Z xi+1
f (xi ) + f (xi+1 )
f (x)dx = (xi+1 − xi )
xi 2
Z b n−1 Z xi+1 n−1
X X f (xi ) + f (xi+1 )
f (x)dx = f (x)dx = h
a xi 2
i=0 i=0
n−1
" #
Z b
f (a) + f (b) X
f (x)dx = h + f (xi )
a 2
i=0
Erreur de la méthode de trapèze

Z n−1
!
b f (a) + f (b) X (b − a)3
f (x)dx − h + f (xi ) ≤ kf 00 k

2 12n2

a
i=0

Méthode de Simpson
xi+1
(xi+1 − xi )
Z
xi + xi+1
f (x)dx = f (xi ) + 4 · f + f (xi+1 )
xi 6 2
b n−1
b−aX
Z
xi + xi+1
f (x)dx = f (xi ) + 4 · f + f (xi+1 )
a 6n 2
i=0
Erreur de la méthode de Simpson

Z
b n−1
b − a X (b − a)5
f (x)dx − f (xi ) + 4 · f xi+1/2 + f (xi+1 ) ≤ M4

6n 2880n4

a
i=0

Méthode de Gauss
La méthode de quadrature de Gauss, consiste à remplacer le calcul de

l’intégrale par une somme pondérée prise en n points du domaine
d’intégration :
Z 1 Xn
f (x)dx ' ωi f (ξi )
−1 i=1
Elle est exacte pour les polynômes de degré 2n − 1.

Exercice
Pour n = 2 Déterminer les poids ω1 , ω2 et les points ξ1 et ξ2 de la formule
de quadrature de Gauss
Z 1
f (x)dx ' ω1 f (ξ1 ) + ω2 f (ξ2 )
−1

Méthode de Gauss
Si la formule est exacte pour les polynômes de degré au plus 2n − 1 = 3,

elle doit être donc exacte pour f (x) = 1, f (x) = x, f (x) = x 2 , f (x) = x 3 .
R1
1dx = ω1 × 1 + ω2 × 1 =⇒ ω1 + ω2 = 2
R−1
1
xdx = ω1 × ξ1 + ω2 × ξ2 =⇒ ω1 ξ1 + ω2 ξ2 = 0
R−1
1
x 2 dx = ω1 × ξ12 + ω2 × ξ22 =⇒ ω1 ξ12 + ω2 ξ22 = 23
R−1
1 3 3 3 3 3
−1 x dx = ω1 × ξ1 + ω2 × ξ2 =⇒ ω1 ξ1 + ω2 ξ2 = 0
D’où le système non linéaire de 4 équations à 4 inconnues


 ω1 + ω2 = 2 La deuxième et le troisième
équations donnent :
ω1 ξ1 = −ω2 ξ2

ω1 ξ1 + ω2 ξ2 = 0

3 = −ω ξ 3 =⇒ ξ12 = ξ22
2 2
ω ξ + ω2 ξ2 = 3 2 ω1 ξ1 2 2
 1 13

 q
ω1 ξ1 + ω2 ξ23 = 0 =⇒ ξ1 = −ξ2 = 13 et ω1 = ω2 = 1

Exercice : Méthode de Gauss
D’où la formule de quadrature
1
1 1
Z
f (x)dx ' f (− √ ) + f ( √ )
−1 3 3
a+b
Par changement de variable x = 2 + ξ b−a
2 , on a
b
b−a 1 b−a 1 b−a
Z
a+b a+b
f (x)dx ' f( −√ )+f( +√ )
a 2 2 3 2 2 3 2
Z xi+1
h h h
f (x)dx ' f (xi+1/2 − √ ) + f (xi+1/2 + √ )
xi 2 2 3 2 3
Z b N−1
hX h h
f (x)dx ' f (xi+1/2 − √ ) + f (xi+1/2 + √ )
a 2 2 3 2 3
i=0

Théorème : Méthode de Gauss
Il existe un unique choix des (ωi ) et (ξi ) tels que la méthode

Z β n
X
f (x)w (x)dx ' ωi f (ξi )
α i=1
soit d’ordre N = 2n − 1. Les points (ξi ) sont dans]α, β[ et sont les racines
du n-ième polynôme orthogonal pour le poids w .

Polynômes orthogonaux
Nous considérerons dans toute la suite un intervalle I = (a, b) de R , borné
ou non, et une fonction ω > 0 sur I , appelée poids, qui vérifie pour tout
n∈N Z b
|x|n ω(x)dx < ∞
a
Tout polynôme est donc intégrable pour la mesure de densité ω par rapport
à la mesure de Lebesgue sur I . Nous définissons sur l’espace vectoriel
E = R[X ] le produit scalaire
Z b
(P, Q) = ω(x)P(x)Q(x)dx
a
Theorem
Il existe une suite de polynômes (Pk )k et une seule vérifiant :
Pour tout k, le degré de Pk est k et Pk est unique.
Pour tous k 6= j, (Pj , Pk ) = 0 (ce qui implique que, pour tout k,
(Pk )k est une base de Ek = Rk [X ] et que Pk est orthogonal à Ek−1 .
Le procédé d’orthogonalisation de Schmidt permet alors de construire à
partir de la base naturelle (1, X , ..., X n ) de En une famille orthogonale de
polynômes qu’on peut supposer unitaires. Cette familles vérifie une relation
de récurrence qui s’écrit :
Pn (x) = (x − λn )Pn−1 (x) − µn Pn−2 (x)
2
avec λn = (xPkP
n−1 ,Pn−1 )
n−1 k
2 et µn = kPn−1 k
kPn−2 k2
En pratique, on commence la
récurrence avec les deux polynômes
P−1 (x) = 0 et P0 (x) = 1

polynômes de Legendre
Les polynômes de Legendre correspondent au cas particulier a = −1, b = 1
et ω(x) = 1.
La formule de Rodrigues permet un calcul direct de la famille orthogonale
de polynômes (non unitaires) de Legendre (Pn )n :
1 dn 2
(x − 1)n

Pn (x) = n n
2 n! dx
La relation de récurrence s’écrit
n Pn (x) = (2n − 1)x Pn−1 (x) − (n − 1)Pn−2 (x)
pour n ≥ 2 où P0 (x) = 1 et P1 (x) = x.

En appliquant la relation de récurrence, on trouve
1 1
3x 2 − 1 , 5x 3 − 3x ,

P2 (x) = P3 (x) = ···
2 2

Polynômes de Tchebychef
Theorem
Les polynômes Tn (x), tels que Tn (cos θ) = cos nθ, sont orthogonaux
1
relativement au poids ω(x) = √1−x 2
sur [−1, 1]
En effet par le changement de variables x = cos θ, avec θ ∈ [0, π] :

Z 1 Z π
1
√ Tn (x)Tm (x)dx = cos nθ cos mθdθ = 0 si m 6= n
−1 1 − x2 0
La relation de récurrence s’écrit
Pn (x) = 2x Pn−1 (x) − Pn−2 (x)
pour n ≥ 2 où P0 (x) = 1 et P1 (x) = x.

En appliquant la relation de récurrence, on trouve
P2 (x) = 2x 2 − 1, P3 (x) = 4x 3 − 3x, ···

Polynômes d’Hermite
C’est le cas particulier a = −∞, b = ∞ et ω(x) = exp(−x 2 ).
Polynômes de Laguerre
C’est le cas particulier a = 0, b = ∞ et ω(x) = exp(−x).

Méthode de Gauss-Legendre
les points ξk sont les racines du polynôme de Legendre Pn :
P−1 (x) = 0
P0 (x) = 1
n Pn (x) = (2n − 1)x Pn−1 (x) − (n − 1)Pn−2 (x)
P0 (x) = 1, P1 (x) = x, P2 (x) = (3x 2 − 1)/2, · · ·

Les n coefficients associés valent respectivement :
2
∀k = 1, · · · n ωk =
(1 − ξk2 )Pn0 (ξk )2
n ωk ξk
1 2 √0 √
2 1,1 −1/
p 3, 1/p 3
3 5/9, 8/9, 5/9 − 3/5, 0, 3/5
Méthode de Gauss-Tchebychev
Polynômes de Tchebychev
Pour n points, les nœuds et les coefficients sont

(2k − 1)π π
∀k = 1, · · · n ξk = cos et ωk =
2n n

Méthode de Gauss-Tchebychev
D’où
1
(2k − 1)π
Z
f (x) πX
√ dx = f (cos )
−1 1 − x2 n 2n
k=1
Pour n = 2
Z 1
f (x) π √ √
√ dx = f (− 2/2) + f ( 2/2)
−1 1 − x2 2
en particulier
1
x2
Z
π
√ dx =
−1 1 − x2 2

Méthode de Gauss-Laguerre
les points ξk sont les racines du polynôme de Laguerre Ln :
L−1 (x) = 0
L0 (x) = 1
n Ln (x) = (2n − 1 − x) Ln−1 (x) − (n − 1)Ln−2 (x)
L0 (x) = 1, L1 (x) = −x − 1, L2 (x) = (x 2 − 4x + 2)/2, · · ·

Méthode de Gauss-Laguerre
1
∀k = 1, · · · n ωk =
(n + 1)L0n (ξk )Ln+1 (ξk )
√ √
Pour n = 2 points, on a ξk = 2 ± 2 et ωk = (2 ∓ 2)/4.
D’où
√ √
Z ∞
−x 2+ 2 √ 2− 2 √
f (x)e dx = f (2 − 2) + f (2 + 2)
0 4 4
Maintenant, pour intégrer une fonction f sur R+ , il faut remarquer que

Z +∞ Z +∞
f (x) −x
f (x) dx = e dx
0 0 e −x
Il reste alors à appliquer la formule de quadrature à la fonction
g (x) = f (x)e x
Méthode de Gauss-Hermite
les points ξk sont les racines du polynôme de Hermite Hn :
H−1 (x) = 0
H0 (x) = 1
Hn (x) = 2x Hn−1 (x) − 2(n − 1)Hn−2 (x)
H0 (x) = 1, H1 (x) = 2x, H2 (x) = 4x 2 − 2, H3 (x) = 8x 3 − 12x · · ·

Méthode de Gauss-Hermite
√
2n−1 n! π
∀k = 1, · · · n ωk = 2
n [Hn−1 (xi )]2
√ √ √
6 6 2 π
Pour n = 3 points, on a ξk = − 2 , 0, 2 et ωk = 3(2ξk2 −1)2
.
D’où
∞ √ √ √ !
6 6
Z
−x 2 π
f (x)e dx = f (− ) + 4f (0) + f ( )
−∞ 6 2 2
Maintenant, pour intégrer une fonction f sur R, il suffit d’appliquer la

2
formule de quadrature à la fonction g (x) = f (x)e x

Chapitre 1

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

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Approximation et intégration numérique

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 1 / 74

On se donne (xi , fi ) obtenus suite à une mesure expérimentale. pour

On cherche un polynôme P qui interpole la

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 2 / 74

ce qui conduit à l’intégration numérique.

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 3 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 4 / 74

L0 (x)=(2x−1)(x−1) L1 (x)=4x(1−x) L2 (x)=x(2x−1)

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 5 / 74

On cherche le polynôme d’interpolation de LAGRANGE qui en x1 vaut y1 ,

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 6 / 74

On cherche le polynôme d’interpolation de LAGRANGE qui en −1 vaut 0,

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 7 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 8 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 9 / 74

Problème d’échantillonnage : Te < T /2 ?.

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 10 / 74

L’erreur d’interpolation dépend alors de Λn = maxx∈[a,b] |L(x)| appelée

Tn (x) = cos(n arccos(x)), x ∈ [−1, 1], n≥0

T0 = 1, T1 (x) = x et Tn+1 (x) = 2xTn (x) − Tn−1 (x)

La constante de Lebesgue sur l’intervalle [−1, 1] est évaluée par

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 12 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 13 / 74

La formule de Lagrange n’a qu’un intérêt théorique. En pratique on utilise

Si on pose ∆k = ∆([x1 , · · · , xk ], [y1 , · · · , yk ]), le polynôme d’interpolation

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 14 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 15 / 74

xi yi ∆[xi−1 , xi ] ∆[xi−2 , xi−1 , xi ]

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 16 / 74

On cherche un polynôme qui interpole la fonction f ainsi que sa dérivée

Base de polynômes de Hermite : On cherche une base de polynômes de

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 17 / 74

Bi (x) = (x − xi )L2i (x)

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 18 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 20 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 21 / 74

Le meilleur choix de (xi )i=0,n est alors les racines du polynôme de

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 22 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 23 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 24 / 74

f (x1 ) − f (x0 ) f (xn ) − f (xn−1 )

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 25 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 26 / 74

s(x) = g (x) = b0 + b1 x + b2 x 2 + b3 x 3 si x ∈ [1, 2]

Nous avons 3 × 4 = 12 inconnues à déterminer.

f (0) = 0, f (1) = 1, g (1) = 1, g (2) = 4, h(2) = 4, h(3) = 3

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 27 / 74

f 0 (1) = g 0 (1); g 0 (2) = h0 (2);

f 00 (1) = g 00 (1); g 00 (2) = h00 (2);

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 28 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 29 / 74

s coïncide sur chaque intervalle [xi ; xi+1 ] avec un polynôme de degré

mi = s 00 (xi ) et mi+1 = s 00 (xi+1 )

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 30 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 32 / 74

cas où le pas hi est constant :

La matrice du système est symétrique définie positive :

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 33 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 34 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 35 / 74

Ibrahim ALAME (ESTP) Approximation et intégration numérique 10/01/2022 36 / 74