Académique Documents
Professionnel Documents
Culture Documents
Calcul Numérique
Mars 2019
2 Interpolation polynomiale 13
2.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Formule à n + 1 points . . . . . . . . . . . . . . . . . . 14
2.2.2 Formule à n + 1 points équidistants . . . . . . . . . . . 16
2.2.3 Estimation d’erreur . . . . . . . . . . . . . . . . . . . . 18
2.3 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Position du problème . . . . . . . . . . . . . . . . . . . 19
2.3.2 Généralisation . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.3 Estimation d’erreur . . . . . . . . . . . . . . . . . . . . 21
2.4 Interpolation par intervalle . . . . . . . . . . . . . . . . . . . . 22
3 Intégration numérique 23
3.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Poids d’une formule de quadrature . . . . . . . . . . . . . . . 27
3.3 Exemples de formules de quadrature . . . . . . . . . . . . . . 29
3.3.1 Formule du rectangle . . . . . . . . . . . . . . . . . . . 29
3.3.2 Formule de Simpson . . . . . . . . . . . . . . . . . . . 30
3.3.3 Formules de Gauss-Legendre . . . . . . . . . . . . . . . 31
1
4 Approximation au sens des moindres carrés 36
5 Travaux dirigés 37
5.1 Equations non linéaires . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . 40
5.3 Intégration numérique . . . . . . . . . . . . . . . . . . . . . . 42
5.4 Approximation au sens des moindres carrés . . . . . . . . . . . 45
Bibliographie 46
2
Chapitre 1
F (x̄) = 0. (1.1)
Exemple 1.2.1
1. D = R, f (x) = ax2 + bx + c. Il y a au plus deux racines distinctes,
mais il peut n’y en avoir aucune :
(a) F (x) = x2 + 5x + 4 : deux racines
(b) F (x) = x2 + 2x + 1 : une racine
(c) F (x) = x2 + 4 : zéro racine.
2. D = R+ , F (x) = sin x. Il y a un nombre infini dénombrable de racines.
3
Définition 1.2.1 On dira qu’une racine r de (1.1) est séparable dans D s’il
existe un voisinage V de r, inclus dans D, tel que r soit la seule racine de
(1.1).
Dans toute la suite, nous supposons que les racines cherchées sont sépa-
rées.
Méthodes graphiques
Dans le cas d’une variable, on trace le graphe de la fonction F et on
cherche son intersection avec l’axe Ox. Si on peut décomposer F en deux
fonctions f1 et f2 plus simples à étudier, et telles que F = f1 − f2 , on cherche
les points d’intersection des graphes de f1 et f2 .
f (x, y)
Dans le cas de deux variables, F (X) = avec X = (x, y).
g(x, y)
F (X) = 0 se décompose en
f (x, y) = 0
g(x, y) = 0
Méthodes algébriques
Nous nous restreingnons à l’étude du cas d’une variable.
Commençons par énoncer un corollaire du théorème de Rolle
4
1.2.2 Dichotomie (ou méthode de Bolzano)
On suppose que r est une racine séparée de l’équation (1.1) dans [a, b]
(et qu’elle est la seule racine de (1.1) dans [a, b]). On utilise la condition
F (a)F (b) < 0.
Méthode : on détermine une suite d’intervalles In = [an , bn ], n = 0, 1, . . .
emboîtés dans [a, b] contenant r et telle que la longueur de In soit inférieure
à celle de In−1 .
En général, pour des raisons de calcul, la longueur de In est la moitié de
celle de In−1 .
Algorithme de dichotomie
— on pose a0 = a, b0 = b et pour n ≥ 1
1
cn = (an−1 + bn−1 )
2
— si F (an−1 )F (cn ) > 0, on pose
an = c n , et bn = bn−1
si F (an−1 )F (cn ) < 0, on pose
an = an−1 , et bn = c n .
Théorème 1.2.1 La suite (an ) définie par l’algorithme de dichotomie converge
vers r. Pour que |an − r| ≤ , il faut et il suffit que
ln( b−a
)
n≥ .
ln 2
5
Définition 1.3.3 Une méthode itérative convergente est dite d’ordre p si et
seulement s’il existe une constante C telle que
Remarque 1.3.1
— si p = 1 (et C < 1), on parle de convergence linéaire
— si p = 2, on parle de convergence quadratique
— si p = 3, on parle de convergence de convergence cubique
— si p = 1 et C = Cn , où Cn depend de n est tel que lim Cn = 0, on
n→+∞
parle de convergence sublinéaire.
Remarque 1.3.2
— une méthode est d’autant meilleure que son ordre est grand
— L’ordre, s’il existe, est défini de façon unique par 1.3.
alors l’équation x = φ(x) admet une seule racine α ∈ B. Cette racine est la
limite de la suite
d’où l’absurdité.
La suite x(n) est dans B. Raisonnons par récurrence sur n. C’est vrai pour
n = 0, supposons x(n) ∈ B, alors
6
Soit x(n+1) ∈ B.
La suite x(n) est de Cauchy.
On a immédiatement :
kx(n+1) − x(n) k ≤ K n kx(1) − x(0) k
≤ K n β avec β = kx(1) − x(0) k
d’où
p−1
X
kx(n+1) − x(n) k ≤ kx(n+p−i) − x(n+p−i−1) k
i=0
p−1
X
≤ K n+p−i β
i=0
1 − K p−1 β
≤ Kn β≤ Kn
1−K 1−K
donc cette suite admet une limite α ∈ B.
φ, étant lipschitzienne, est continue, alors de
x(n+1) = φ(x(n) )
on en déduit φ(α) = α.
Remarque 1.3.3
1. La méthode est construite une fois que l’on connait w, K et β, et de
plus elle donne la majoration de l’erreur :
Kn
kα − x(n) k ≤ kx(1) − x(0) k
1−K
elle converge d’autant plus vite que K est petit, et que x(1) est voisin
de x(0) .
2. Si l’on suppose que φ est une fonction dérivable, on a :
φ(y1 ) − φ(y2 ) = φ0 (y3 )(y1 − y2 )
avec y3 entre y1 et y2 .
Alors si |φ0 (α)| < 1, et si φ0 est continue au voisinage de α, on peut
construire (théoriquement, pas numériquement en général) la boule
fermée B, donc l’algorithme
x(0) ∈ B, x(n+1) = φ(x(n) )
7
est convergent et de plus
Exemple 1.3.1
F (x) = x3 − x − 1
On peut écrire,
1 1
x = x3 − 1, x= ou x = (x + 1) 3
x2 −1
d’où trois expressions possibles pour φ (elles ne conviennent pas toutes les
trois).
8
1.3.3 La méthode de Newton-Raphson
On suppose F différentiable, et la différentielle Dx F inversible, et que
x 7→ (Dx F )−1 continue au voisinage de x̄.
On pose
φ(x) = x − (Dx F )−1 (F (x))
Alors si φ satisfait au théorème du point fixe, la suite x(n+1) = φ(x(n) )
converge vers β tel que
φ(β) = β
donc
0 = −(Dβ )−1 (F (β))
d’où F (β) = 0 ; Soit x̄ = β car x̄ a été isolé.
Donc si φ satisfait au thèorème du point fixe, l’agorithme est convergent.
Remarque 1.3.4
1. Dans la pratique, on écrit l’algorithme
où
∂1 f1 (x) · · · ··· ∂n f1 (x)
D xk T =
.. ..
. .
∂1 fn (x) · · · · · · ∂n fn (x) (x=x
k)
(Matrice jacobienne de F)
donc
(Dx F )(xk+1 − xk ) = −F (xk )
on pose y = xk+1 − xk ;
on résoud le système linéaire
(Dx F )y = −F (xk )
F (xk )
xk+1 = xk −
F 0 (xk )
9
alors si F est deux fois continûment dérivable, alors, l’algorithme est
convergent, l’ordre de la convergence est supérieur à deux, en effet :
F (xk ) − F (x̄)
xk+1 − x̄ = xk − x̄ −
F 0 (xk )
1 F 00 (ξ)
= xk − x̄ − (xk − x̄) + (xk − x̄)2 0
2 F (xk )
(1.7)
donc
xk+1 − x̄ 1 F 00 (ξ)
=
(xk − x̄)2 2 F 0 (xk )
d’où le résutat.
Cette méthode peut s’interpreter graphiquement (méthode de la tan-
gente).
3. Si F (x) = 0 est une équation scalaire et si x̄ est une racine multiple
d’ordre m, et alors F 0 (x̄) = 0, on applique l’algorithme à la fonction
1
G(x) = (F (x)) m
d’où
F (xk )
xk+1 = xk − m
F 0 (xk )
Alors l’ordre de convergence est 1.
4. Lorsque F (x) = 0 n’est pas scalaire, mais que F est deux fois continû-
ment différentiable, alors l’lagorithme est convergent, l’ordre de conver-
gence est supérieur ou égal à 2.
10
La méthode de la fausse position
Elle est aussi appelée regula falsi et on se place une fois de plus dans le
cas scalaire.
L’idée consiste à remplacer dans la méthode de Newton la dérivée de F
(qui peut être difficle à calculer) par une approximation de F 0 (x(k) ) ne faisant
intervenir que des valeurs de F .
Par exemple :
F (x(k) ) − F (x(k−1) )
F 0 (x(k) ) ≈
x(k) − x(k−1)
C’est la méthode de la fausse position. On a alors l’algorithme :
x(k+1) = φ(x(k) ).
on a
(x(k+1) − α)(x(k) − α) < 0
Alors
|(x(k+1) − α)| ≤ |(x(k+1) − x(k) | ≤ ε.
Lorsque φ0 (x) est positif, la suite est monotone.
On a une approximation soit par excès soit par défaut.
Mais on ne peut conclure que |(x(k+1) − x(k) | petit entraine |(x(k+1) − α)|
petit.
On utilise alors le test suivant :
On arrête les itérations dès que |F (x(k) )| ≤ η où η est une valeur fixée.
11
On a
F (x(k) ) = F (x(k) ) − F (α) ≈ (x(k) − α)F 0 (α)
donc
|F (x(k) )| ≈ |(x(k) − α)||F 0 (α)|
C’est donc un bon test surtout lorsque |F 0 (α)| n’est pas trop petit.
12
Chapitre 2
Interpolation polynomiale
13
Définition 2.1.1 La matrice T est appelée matrice de Vandermonde asso-
ciée aux points t0 , t1 , . . ., tn .
Ainsi le problème consistant à rechercher un polynôme p satisfaisant (2.1)
peut se réduire à résoudre le système linéaire (2.4).
Résoudre un système linéaire de (n+1) équations à (n+1) inconnues, n’est
pas une tâche triviale. Il faut donc envisager une méthode plus astucieuse
pour construire le polynôme p.
Remarque 2.1.1 Connaissant les valeurs d’une fonction en certains points
on peut chercher à l’approcher par une fonction Φ (non nécessairement po-
lynomiale).
Etant données (ti , yi ), i = 0, · · · , n, n + 1 couples, le problème est de
trouver une fonction Φ telle que
Φ(ti ) = yi , i = 0, · · · , n.
on dit que Φ interpole les {yi } aux points (ou nœuds) {ti }.
Si Φ est un polynôme, on parle d’interpolation polynomiale.
Si Φ est un polynôme trigonométrique, on parle d’approximation trigono-
métrique.
Si Φ est un polynomiale par morceaux, on parle d’interpolation polyno-
miale par morceaux (ou d’interpolation par fonctions splines).
Dans toute la suite, nous allons nous restreindre à l’interpolation polyno-
miale.
14
Les fonctions ϕk vérifient les propriétés suivantes :
i) ϕk est un polynôme de degré n
ii) ϕk (tj ) = 0 si j 6= k, 0 ≤ j ≤ n
iii) ϕk (tk ) = 1.
Les polynômes ϕk sont linéairement indépendants.
En effet, si α0 , α1 , . . ., αn sont des réels tels que :
n
X
αj ϕj (t) = 0, ∀t ∈ R,
j=0
alors pour t = tk , on a
n
X
0= αj ϕj (tk ) = αk
j=0
Définition 2.2.2 On dit que le polynôme p défini par (2.7) est l’interpolant
de la fonction f de degré n aux points t0 , t1 , . . ., tn .
15
2.2.2 Formule à n + 1 points équidistants
On suppose que les données sont maintenant un point t0 de la droite réelle
et un réel h > 0. On pose pour 1 ≤ i ≤ n :
ti = t0 + ih (2.8)
Ainsi, tj − tk = (j − k)h d’où
n
" # " #
Y Y Y
(tj − tk ) = hn (k − j) (−1)n−k (j − k)
j6=k j<k j>k
n−k n
= (−1) h k!(n − k)! (2.9)
alors (2.6 ) devient
n
(−1)n−k Y
ϕk (t) = n (t − t0 − jh) (2.10)
h k!(n − k)! j6=k
16
Théorème 2.2.2 Le polynôme d’interpolation est donné par la formule de
Gregory-Newton
u u
p(t) = f (t0 ) + ∆f (t0 ) + · · · + ∆n f (t0 ) (2.12)
1 n
t − t0
avec u = et k entier,
h
u 1
= u (u − 1) · · · (u − k + 1) (2.13)
k k!
Démonstration
f [ti ] = fi , pour i = 1, . . . , n
17
Remarque 2.2.1 On appelle différence divisée d’ordre k d’une fonction f
relativement aux points, xi , xi +1 , . . . , xi+k le nombre f [ti , t1 , . . . , ti+k ] défini
par
f [ti+1 , . . . , ti+k ] − f [ti , . . . , ti+k−1 ]
f [ti , t1 , . . . , ti+k ] = .
ti+k − ti
admet n + 2 racines t0 , t1 , . . ., tn et t.
D’après le théorème de Rolle, il existe n + 1 points C11 , . . ., Cn+1
1
pour
0 1 2 2
lesquels Φ (Cj ; t) est nul. Puis il existe n points C1 , . . ., Cn pour lesquels
Φ00 (Cj2 ; t) = 0, et ainsi de suite, pour obtenir qu’il existe un point C = C1n+1
pour lequel Φ(n+1) (C1n+1 ; t) = 0. Or
18
d’où (2.15) en faisant z = C.
Il suffit ensuite d’évaluer, pour t ∈ [t0 , tn ], le produit (t − t0 ) . . . (t − tn ).
Ce produit est majoré par, les points étant équidistants,
mais max |f (n+1) (y)| peut croître très rapidement avec n de sorte que l’in-
y∈I
terpolant peut présenter de grandes oscillations, on parle d’instabilité numé-
rique, au voisinage des extrémités. Ce phénomène est appélé effet de Runge
et c’est le cas pour la fonction
1
f (t) =
1 + 25t2
définie sur [−1, 1].
Plus généralement ce phénomène s’observe sur les fonctions du type :
ha (t) = 1+a12 t2 ou fa (t) = a2 +t
1
2 , a étant un paramètre réel strictement positif.
19
Il existe des problèmes d’interpolation pour lesquels les valeurs de p(t) et
de la dérivée p0 (t) sont données en certains points. On parle d’interpolation
d’Hermite.
Nous allons expliquer le procédé en considérant l’exemple d’interpolation
d’Hermite par des cubiques (polynômes de degré 3).
On considère deux points t0 < t1 et p0 , p1 , p00 et p01 quatre nombre réels
donnés. Nous cherchons un polynôme p de degré 3 tel que
p(t0 ) = p0 p(t1 ) = p1 (2.17)
p0 (t0 ) = p00 p0 (t1 ) = p01 (2.18)
où p0 (t) désigne la dérivée de p au point t.
Les conditions (2.17) imposent les valeurs de p en t0 et t1 , tandis que les
conditions (2.18) imposent les valeurs de la dérivée p0 de p en t0 et t1 .
Un polynôme de degré 3 s’écrit sous la forme
p(t) = a0 + a1 t + a2 t2 + a3 t3
les coefficients a0 , a1 , a2 et a3 seront déterminés à l’aide des quatre conditions
(2.17) et (2.18), par résolution d’un système linéaire de quatre équations à
quatre inconnues.
Pour construire p, commençons par construire une base φ0 , φ1 , ψ0 et ψ1
de polynômes de degré 3 associée aux points t0 et t1 .
On pose
φ0 (t0 ) = 1, φ0 (t1 ) = φ00 (t0 ) = φ00 (t1 ) = 0;
20
Définition 2.3.2 Soit f une fonction continument dérivable sur l’intervalle
[t0 , t1 ] et si on construit un polynôme p défini par
on dit que p est l’interpolant d’Hermite de f par des cubiques sur [t0 , t1 ].
2.3.2 Généralisation
Le problème d’interpolation considéré précédemment, se généralise, au
cas où les valeurs de p(t) et de la dérivée p0 (t) sont données en plus de deux
points distincts.
Soient t0 , t1 , . . . , tn ∈ R, des points distincts rangés par ordre croissant.
Théorème 2.3.1 Si f est de classe C 2n+2 ([t0 , tn ]), alors il existe un poly-
nôme unique p de degré au plus 2n + 1 vérifiant :
21
2.4 Interpolation par intervalle
Nous avons vu que l’interpolation d’une fonction par des polynômes de
degré élevé en des points équidistants peut engendrer des instabilités numé-
riques, de plus, l’interpolation d’une fonction par des polynômes n’est pas
justifiée lorsque la fonction à interpoler n’est pas régulière. Pour ces diffé-
rentes raisons, on utilise souvent l’interpolation par intervalle.
Soit f une fonction continue donnée sur un intervalle [a, b] et soit n + 1
points x0 = a < x1 < · · · < xn = b dans l’intervalle [a, b]. Pour chaque
[xi , xi+1 ], on peut choisir n − 1 points intérieurs équidistants notés :
Théorème 2.4.1 Soit n un entier positif donné, soit f définie sur [a, b] à
valeurs dans R que nous supposons n + 1 fois continûment dérivable sur
l’intervalle [a, b] et soit fh son interpolant de degré n par intervalle. Alors, il
existe une constante C (indépendante du choix des xi ) telle que
22
Chapitre 3
Intégration numérique
3.1 Généralité
Le problème d’intégration numérique (ou quadrature) peut se présenter
de deux façons différentes :
Problème 3.1.1 Une fonction f (x) est connue par quelques-uns de ses points
de collocation
R xn (xi , f (xi ))ni=0 . Comment fait-on pour estimer la valeur de l’inté-
grale x0 f (x) dx, alors que l’expression analytique de f (x) n’est pas connue ?
Rb
Problème 3.1.2 On cherche la valeur de l’intégrale définie a f (x) dx lorsque
l’expression analytique de f (x) est connue, mais non sa primitive.
Dans tous les cas le problème est donc d’approcher numériquement la
quantité Z b
f (x) dx. (3.1)
a
On commence alors par partitionner l’intervalle [a, b] en petits intervalles
[xi , xi+1 ], i = 0, 1, 12, . . . , N − 1, c à d qu’on choisit N + 1 points xi , i =
0, . . . , N tels que
a = x0 < x1 < x2 < · · · < xn−1 < xN = b (3.2)
et on pose
h = max |xi+1 − xi | (3.3)
0≤i≤N −1
que nous allons approcher dans la suite par des formules appelées formules
de quadrature.
Souvent pour donner des formules de quadrature sur un intervalle stan-
dard (par exemple ([−1, 1]) on effectue un changement de variable de la forme
x − xi
t=2 −1 (3.5)
xi+1 − xi
qui à x fait correspondre t ∈ [−1, 1]. Avec ce changement, on obtient
t+1
x = xi + (xi+1 − xi ) (3.6)
2
et par la suite
xi+1 1
xi+1 − xi
Z Z
f (x) dx = gi (t) dt (3.7)
xi 2 −1
où la fonction gi est définie par :
t+1
gi (t) = f (xi + (xi+1 − xi ) ), t ∈ [−1, 1]. (3.8)
2
Nous allons à présent définir
Z 1 la notion de formule de quadrature pour
approcher numériquement g(t) dt, g étant une fonction continue donnée
−1
sur [−1, 1].
Définition 3.1.1 Soit g une fonction continue sur [−1, 1], la formule de
quadrature
XM
J(g) = ωj g(tj ) (3.9)
j=1
24
Remarque 3.1.1 La formule (3.9) est linéaire. En effet, si g1 et g2 sont
deux fonctions continues données sur l’intervalle [−1, 1] et si α et β sont
deux nombres réels, on a :
M
X
J(αg1 + βg2 ) = ωj (αg1 + βg2 )(tj )
j=1
M
X
= ωj (αg1 (tj ) + βg2 (tj ))
j=1
M
X M
X
= α ωj g1 (tj ) + β ωj g2 (tj ))
j=1 j=1
= αJ(g1 ) + βJ(g2 ) (3.10)
25
Définition 3.1.2 On dira que la formule de quadrature
M
X
J(g) = ωj g(tj )
j=1
Z 1
pour calculer numériquement g(t) dt est exacte pour les polynômes de
−1
degré k ≥ 0 si Z 1
J(p) = p(t) dt
−1
Z 1
pour calculer numériquement g(t) dt soit exacte pour des polynômes de
−1
degré k. Soit f une fonction donnée sur l’intervalle [a, b], soit Lh (f ) la for-
mule composite définie par (3.13) et soit h la quantité définie par (3.3). Alors,
si la fonction f est assez regulière (c’est à dire (k + 1) fois continûment déri-
vable sur l’intervalle [a, b]), il existe une constante C indépendante du choix
des points xi telle que
Z b
f (x) dx − L h (f ) ≤ Chk+1 (3.15)
a
p(t) = αt + β
26
sur l’intervalle [a, b] alors d’après le théorème, on a l’estimation suivante de
l’erreur : Z b
f (x) dx − Lh (f ) ≤ Ch2 (3.16)
a
où C est une constante qui ne dépend pas de N et donc pas de h.
b−a
Remarque 3.1.2 On montre qu’on peut prendre C = sup |f (2) (t)|.
12 a≤t≤b
soit exacte pour des polynômes de degré k aussi elevé que possible.
Considérons la base de Lagrange ϕ1 , ϕ2 , . . . , ϕM de PM −1 associée aux
points t1 , t2 , . . . , tM :
M
Y t − ti
ϕj (t) = , j = 1, . . . , M. (3.17)
i6=j
tj − ti
27
pour que
M
X
J(g) = ωj g(tj )
j=1
Z 1
soit une approximation de g̃(t) dt. Il vient alors le théorème :
−1
28
Ainsi donc :
Z 1 M
X Z 1
p(t) dt = p(tj ) ϕj (t) dt
−1 j=1 −1
M
X
= p(tj )ωj = J(p). (3.19)
j=1
29
Cette formule de quadrature est exacte pour des polynômes de degré 0,
d’après le théortème, mais en fait elle est meilleure : elle est exacte pour des
polynômes p ∈ P1 . En effet, soit p ∈ P1 défini par :
p(t) = αt + β, où α, β ∈ R.
Z 1
Il est facile de vérifier que p(t) dt = 2β = 2p(0).
−1
La formule composite associée est :
N −1
X xi + xi+1
Lh (f ) = (xi+1 − xi )f (3.21)
i=0
2
et on obtient l’estimation d’erreur
Z b
f (x) dx − Lh (f ) ≤ Ch2 . (3.22)
a
30
b−a
Remarque 3.3.1 On montre qu’on peut prendre C = sup |f (4) (t)|.
2880 a≤t≤b
Z 1
soit égale à p(t) dt pour des polynômes de degré k aussi grand que pos-
−1
sible.
Rappel : Si f est une fonction donnée et si Lh (f ) est l’approximation
Z b
de f (x) dx définie par (3.13) alors, plus k est grand et plus l’erreur entre
Z b a
f (x) dx et Lh (f ) tend rapidement vers zéro avec h.
a
1 dM 2
LM (t) = (t − 1)M (3.26)
2M M ! dtM
Exemples
1. L0 (t) = 1
2. L1 (t) = t.
3. L2 (t) = 21 (3t2 − 1)
4. L3 (t) = 21 (5t3 − 3t)
5. L4 (t) = 81 (35t4 − 30t2 + 3)
6. L5 (t) = 81 (63t5 − 70t2 + 15t)
1
7. L6 (t) = 16
(231t6 − 315t4 + 105t2 − 5)
31
3. pour M > 0, LM a exactement M zéros réels distincts tous compris
dans l’intervalle ouvert ] − 1, 1[. Ces zéros sont appelés les points de
Gauss.
Démonstration On vérifie aisément que Lj (t) est un polynôme de de-
gré j exactement et ainsi L0 , L1 , . . . , LM sont linéairement indépendants. Ils
forment donc une base de PM .
Supposons i > j. On obtient en intégrant par parties :
Z 1 Z 1 i j
1 d 2 i d
Li (t)Lj (t) dt = (i+j) i
(t − 1) j
(t2 − 1)j dt
−1 2 i!j! (−1 dt dt
i−1 j
t=1
1 d 2 i d 2 j
= (i+j)
i−1
(t − 1) j (t − 1)
2 i!j! dt dt
Z 1 i−1 j+1
t=−1
d d
− i−1
(t2 − 1)i j+1 (t2 − 1)j dt (3.27)
−1 dt dt
Puisque (t2 − 1)i a un zéro d’ordre i en 1 et en −1, la (i − 1)-ième derivée
de (t2 − 1)i s’annule en t = 1 en t = −1. Ainsi on obtient
Z 1 Z 1 i j
−1 d 2 i d
Li (t)Lj (t) dt = (i+j) i
(t − 1) j (t2 − 1)j dt. (3.28)
−1 2 i!j! −1 dt dt
En intégrant j fois par parties, on obtient
Z 1 Z 1 i−j
(−1)j d 2 i d
2j
Li (t)Lj (t) dt = (i+j) i−j
(t − 1) 2j
(t2 − 1)j dt
−1 2 i!j! −1 dt dt
(−1)j (2j)! 1 di−j 2
Z
= (t − 1)i dt
2(i+j) i!j! −1 dti−j
t=1
(−1)j (2j)! 1 di−j−1 2
Z
i
= (i+j) i−j−1
(t − 1) dt = 0(3.29)
2 i!j!
−1 dt t=−1
32
En utilisant 1.) on voit qu’il existe α0 , α1 , . . . , αs tels que
s
X
p(t) = αj Lj (t)
j=0
33
où ϕ1 , ϕ2 , . . . , ϕM est la base de Lagrange de PM −1 associée aux points de
Gauss t1 < t2 < · · · < tM . Le polynôme p̃ est donc l’interpolant de p de degré
M − 1 aux points de Gauss t1 < t2 < · · · < tM .
Considérons le polynôme q défini par :
q(t) = v(t)w(t), ∀t ∈ R.
34
Remarque 3.3.2 1. Les points de Gauss et les poids correspondants
sont donnés dans des tables numériques adéquates ou dans des lo-
giciels d’intégration numérique.
2. Si Lh (f ) est la formule composite associée, pour une fonction f défnie
sur [a, b], on a
Z b
f (x) d x − Lh (f ) ≤ Ch2M
a
35
Chapitre 4
36
Chapitre 5
Travaux dirigés
x0 ∈ R, ∀n ∈ N, xn+1 = f (xn )
x0 ∈ I, ∀n ∈ N, xn+1 = f (xn )
converge vers c.
37
√
ii) φ2 (x) = 2√+ x,
iii) φ3 (x) = − 2 + x,
iv) φ4 (x) = 1 + 2/x, x 6= 0.
où λ est un paramètre.
b) Déterminer pour chaque point fixe trouvé en a) les valeurs de λ pour
lesquelles ces points fixes sont attractifs.
c) Déterminer pour chaque point fixe trouvé en b) la valeur de λ pour
laquelle la convergence de la méthode est quadratique.
38
Exercice 5.1.8 On veut calculer le zéro α de la fonction f (x) = x3 − 2 en
utilisant la méthode de point fixe x(k+1) = φ(x(k) ) suivante :
ω 2ω
x(k+1) = x(k) (1 − ) + (x(k) )3 (1 − ω) + + 2(ω − 1), k ≥ 0,
3 3(x(k) )2
ω ∈ R étant un paramètre réel.
1) Pour quelles valeurs du paramètre ω le zéro de la fonction f est un
point fixe de la méthode proposée ?
2) Pour quelles valeurs de ω la méthode proposée est d’ordre 2 ?
3) Existe-t-il une valeur de ω telle que l’ordre de la méthode de point fixe
est supérieur à 2 ?
Exercice 5.1.9 On se propose de résoudre numériquement l’équation
f (x) = 0 (5.1)
avec f (x) = x3 + x − 1.
1) Montrer que (5.1) admet une solution unique α et α ∈]0, 1[.
2) Montrer que (5.1) est équivalente à (5.2) avec
x = g(x) (5.2)
avec
1
g(x) = x3 +2x−1, ou g(x) = 1−x3 ou g(x) = (1−x)1/3 ou g(x) = .
x2 + 1
Dans chacun des 4 cas, étudier la convergence de la méthode du point fixe
pour la recherche de α.
Au cas, où il y a convergence, donner un intervalle I tel que la méthode
converge pour tout choix x0 ∈ I.
√
Exercice 5.1.10 On considère √ le problème de calculer 2. Cela revient à
trouver le zéro positif α = 2 de la fonction f (x) = x2 − 2, c’est-à-dire à
résoudre une équation non√ linéaire.
1) Vérifier que α = 2 est un point fixe de la fonction
1 1
ϕ(x) = − x2 + x + .
4 2
(0)
2) Prouver que pour x ∈ [1, 2], il existe une constante C > 0 telle que
|x(k) − α| ≤ C k |x(0) − α|, ∀k ≥ 0.
3) Quel et le comportement de la suite {x(k) } lorsque k tend vers +∞ ?
4) Combien d’itérations de la √méthode de point fixe sont nécessaires pour
trouver une valeur approchée de 2 qui soit exacte jusqu’au dixième chiffre
après la virgule ? (Suggestion : il faut avoir une estimation de la constante
C)
39
5.2 Interpolation polynomiale
Exercice 5.2.1 On considère x0 , x1 , . . . , xn , n + 1 points distincts tels que
a ≤ x0 < x1 < · · · , xn ≤ b. Soit f une fonction continue sur [a, b] à valeurs
dans R. On désigne par pn le polynôme d’interpolation de Lagrange de la
fonction f sur [a, b] relativement à x0 , . . ., xn .
1) a) Etablir pour 0 ≤ k ≤ n l’existence et l’unicité d’un polynôme Lk de
degré n que l’on explicitera tel que
Exercice 5.2.3 On donne trois valeurs d’une fonction f définie sur [1, 6] :
On note t0 = 1, t1 = 4 et t2 = 6.
1) En utilisant les polynômes de Lagrange relatifs aux points t0 et t1 ,
fournir une approximation de f (3.5) grâce au polynôme d’interpolation de f
de degré un.
2) En utilisant les polynômes de Lagrange relatifs aux points t0 , t1 et t2 ,
fournir une approximation de f (3.5) grâce au polynôme d’interpolation de f
de degré deux.
3) Traiter de nouveau ces deux questions en utilisant la forme de Newton.
4) Comparer les deux méthodes et conclure.
40
Exercice 5.2.4 1) Construire le polynôme de Lagrange P qui interpole les
points (−1, 2), (0, 1), (1, 2) et (2, 3).
2) Soit Q le polynôme de Lagrange qui interpole les points (−1, 2), (0, 1)
et (1, 2). Montrer qu’il existe un réel λ tel que :
41
où p est le polynôme de degré 2n + 1 vérifiant :
pa (a) = pb (b) = 1, pa (b) = p0a (a) = p0a (b) = pb (a) = p0b (a) = p0b (b) = 0
qa0 (a) = qb0 (b) = 1, qa (a) = qa (b) = qa0 (b) = qb (a) = qb (b) = qb0 (a) = 0
42
Exercice 5.3.2 On considère l’intégrale
Z 1
1
I= 2
dx.
−1 1 + x
43
2) Par application de cette méthode sur chaque segment [xk−1 , xk ], (1 ≤
k ≤ n), établir la majoration suivante
Z b
M2 (b − a)3
f (x) dx − Tn
≤
a
12 n2
avec !
n−1
b − a f (a) X f (b)
Tn = + f (xk ) +
n 2 k=1
2
α 0 α5 (5)
g(α) = [g (α) + 2g 0 (0)] − g (θ).
3 180
(On pourra utiliser le théorème de Rolle et des accroissements finis avec
l’application ϕ : [−α, α] → R définie par ϕ(t) = g(t)− 3t [g 0 (t)+2g 0 (0)]+ 180
A 5
t
où A est une constante bien choisie).
3) Soit a < b deux réels et h ∈ C 4 ([a, b], R) telle que h(5) existe sur ]a, b[.
Montrer qu’il existe θ ∈]a, b[ tel que :
(b − a)5 (5)
b−a 0 0 0 a+b
h(b) − h(a) = h (a) + h (b) + 4h ( ) − h (θ).
6 2 2880
44
Exercice 5.3.6 1) Déterminer les constantes a, b, c et d pour que la formule
de quadrature suivante soit exacte pour les polynômes de degré inférieur ou
égal à 3. Z 1
f (x) d ≈ af (−1) + bf (1) + cf 0 (−1) + df 0 (1)
−1
2) Utiliser la formule de quadrature obtenue pour calculer une valeur ap-
prochée de Z 1
1
I= 2
dx
−1 1 + x
3) Déterminer I et comparer avec la valeur aprochée obtenue dans la
question précedente. Conclure.
45
Exercice 5.4.4 On considère la fonction y = |x| sur [−1, 1]. Donner la
parabole de meilleure approximation de cette fonction sur cet intervalle au
sens des moindre carrés.
On utilisera le produit sclaire
Z +1
< f, g >= f (t)g(t) dt
−1
et comme base de P2 :
— la base canonique
— une base orthogonale (polynôme de Legendre)
46
Bibliographie
47