Awane Analyse - Numérique Academie

COURS D’ANALYSE NUMERIQUE II
Filière Génie Informatique

Première Année
Professeur A. Awane.
2012-2013
Table des Matières
1 Interpolation 1
1.1 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 1
1.2 Méthode de Neville . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Pour n = 5 . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Approximation au sens des moindres carrées . . . . . . . . . . 9
1.4 Méthode des différences divisées . . . . . . . . . . . . . . . . . 11
1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Table des différences divisées . . . . . . . . . . . . . . . 11
1.4.3 Détermination du polynôme d’interpolation . . . . . . 13
1.4.4 Erreur d’interpolation . . . . . . . . . . . . . . . . . . 15

1.4.5 Cas où les abscisses sont équidistants . . . . . . . . . . 16
1.5 Interpolation par des fonctions splines cubiques . . . . . . . . 17
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Intégration numérique 24
2.1 Formulation de Newton-Cotes . . . . . . . . . . . . . . . . . . 24
2.2 Formule des trapèzes . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . 26
i
2.4 Quadrature de Gauss . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Approximation des équations différentielles 36

3.1 Problème de Cauchy . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Analyse et approximation . . . . . . . . . . . . . . . . . . . . 37
3.2.1 La méthode d’Euler explicite . . . . . . . . . . . . . . . 38
3.2.2 La méthode d’Euler implicite . . . . . . . . . . . . . . 38
3.2.3 La méthode de Taylor d’ordre 2 . . . . . . . . . . . . . 39
3.2.4 Méthode de Runge-Kutta . . . . . . . . . . . . . . . . 40
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1. Interpolation
1.1 Interpolation de Lagrange
Soit f une fonction, réelle d’une variable réelle, continue sur un intervalle [a, b]
et x0 , x1 , ..., xn , (n + 1) points deux à deux distincts de [a, b]. On suppose,
sans perte de généralité, que pour tout i = 0, 1, 2, . . . , n − 1 on a xi < xi+1 .
Position du problème : On cherche un polynôme p de degré inférieur ou

égal à n tel que pour tout i = 0, 1, 2, . . . , n, on ait :
p(xi ) = f (xi )
Lemme 1.1 Si p existe, alors il est unique.
En effet, si p et q sont deux polynômes, de degré inférieur ou égal à n, qui

vérifient pour tout i = 0, 1, 2, . . . , n, on ait
p(xi ) = q(xi ) = f (xi );
alors le polynôme p − q de degré inférieur ou égal à n admet n + 1 racines

deux à deux distinctes. Il en découle que
p−q =0
d’où p = q.
Lemme 1.2 Pour tout i = 0, 1, 2, . . . , n, il existe un unique polynôme Li de

degré n tel que
1 si i = k
Li (xk ) = δ ik =
0 si i = k
1
1.1 Interpolation de Lagrange 2
Démonstration. Si Li existe, alors il admet n racines xk avec k = i, donc

n
Li (x) = λi (x − xk ),
k=0,k=i
l’hypothèse Li (xi ) = 1, donne

1
λi = n
(xi − xk )
k=0,k=i
et, donc,
n
(x − xk )
Li (x) =
k=0,k=i
(xi − xk )
Lemme 1.3 La famille {L0 , L1 , . . . , Ln} est une base de l’espace vectoriel Pn
des polynômes de degré inférieur ou égal à n.
Théorème 1.1 Il existe un polynôme unique de degré inférieur ou égal à n

tel que, pour tout i = 0, 1, 2, . . . , n, on ait
p(xi ) = f (xi ) (1.1)
Pour tout x ∈ R, posons

n
p(x) = f (xi )Li (x).
i=0
Le polynôme ainsi construit vérifie l’égalité 1.1 et est unique.
Exemple 1.1 Construisons le polynôme d’interpolation p de degré 3 de la

fonction f connue uniquement en quatre points.
xi 0 1 3 5
f (xi ) 3 3 15 83
On a :
(x − x1 )(x − x2 )(x − x3 ) (x − 1)(x − 3)(x − 5)
L0 (x) = =−
(x0 − x1 )(x0 − x2 )(x0 − x3 ) 15
(x − x0 )(x − x2 )(x − x3 ) x(x − 3)(x − 5)
L1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 ) 8
(x − x0 )(x − x1 )(x − x3 ) x(x − 1)(x − 5)
L2 (x) = =−
(x2 − x0 )(x2 − x1 )(x2 − x3 ) 12
(x − x0 )(x − x1 )(x − x2 ) x(x − 1)(x − 3)
L3 (x) = =−
(x3 − x0 )(x3 − x1 )(x3 − x2 ) 40
On vérifie que
p(0) = 3, p(1) = 3, p(3) = 15, p(5) = 83
et, donc,
p(x) = 3L0 (x) + 3L1 (x) + 15L2 (x) + 83L3 (x)
= x3 − 2x2 + x + 3.
L’interpolé du point x = 3.5 par cette méthode est :
p (3.5) = 24.875
Définition 1.1 Le polynôme p est le polynôme d’interpolation de Lagrange

de f relativement aux points x0 , x1 , . . . , xn .
Exemple 1.2 Interpolation linéaire et quadratique
Soient
f : [a, b] −→ R
une application continue sur l’intervalle [a, b].
1. Le polynôme d’interpolation de Lagrange de f relativement aux points

a et b est donné par :
(x − b) (x − a)
p(x) = f (a) + f (b)
a−b b−a
p est appelé polynôme d’interpolation linéaire tel que p(a) = f (a) et
p(b) = f(b).
2. Soit c ∈ ]a, b[ . le polynôme d’interpolation de Lagrange de f relative-

ment aux points a, c et b est donné par :
(x − c)(x − b) (x − a)(x − b) (x − a)(x − c)
q(x) = f (a) + f(c) + f(b)
(a − c)(a − b) (c − a)(c − b) (b − a)(b − c)
q est appelé polynôme d’interpolation quadratique tel que q(a) = f(a), q(c) =
f (c) et q(b) = f (b).
Proposition 1.1 (Erreur d’interpolation) Soient f ∈ C n+1 ([a, b]) et p le
polynôme d’interpolation de Lagrange de f relativement aux points x0 , x1 , ..., xn .
Pour tout x ∈ [a, b], il existe θx ∈]a, b[ tel que
n
1
f (x) − p(x) = (x − xi )f (n+1) (θ x)
(n + 1)! i=0
Démonstration. Pour tout x ∈ ]a, b[ on pose :

f (x) − p(x)
ϕ(x) = n
(x − xi )
i=0
et considérons la fonction ψ : [a, b] −→ R de la variable t définie par :

n
ψ(t) = f(t) − p(t) − ϕ(x) (t − xi ).
i=0
On a :
ψ(x) = ψ(x0 ) = ψ(x1 ) = . . . = ψ(xn ) = 0
la fonction ψ s’annule au moins en n + 2 points distincts de ]a, b[. En ap-
pliquant le théorème de Rolle entre deux racines successives, on voit que la
fonction dérivée ψ ′ s’annule au moins en n + 1 points distincts de ]a, b[ , de
proche en proche on voit que la fonction ψ (n+1) s’annule au moins en un point
θx ∈]a, b[; donc,
n (n+1)
(n+1) (n+1) (n+1)
ψ (θx ) = f (θ x) − p (θx ) − ϕ(x) (t − xi ) (θx )
i=0
(n+1)
= f (θ x) − (n + 1)!ϕ(x)
= 0
1.2 Méthode de Neville 5
par conséquent
n
1
f (x) − p(x) = (x − xi )f (n+1) (θx ),
(n + 1)! i=0
cette formule est appelée erreur d’interpolation.
1.2 Méthode de Neville
La difficulté dans la méthode d’interpolation de Lagrange est qu’on ne con-

nait pas le degré du polynôme à utiliser. Si on prend un degré trop petit, le
polynôme d’interpolation ne donne pas une bonne estimation de f. Si par
contre le degré est trop élevé, des oscillations indésirables peuvent apparaître.
Considérons par exemple la fonction f définie sur [a, b] = [−5, 5] par :

1
f (x) =
1 + x2
et soit pn le polynôme d’interpolation de Lagrange de f aux points :
10 10
x0 = −5, x1 = −5 + , . . . , xi = −5 + i , . . . , xn = 5
n n
Ci dessous, les courbes représentatives de f et de pn pour n = 5, 10 et 20 :
1.2.1 Pour n = 5
Pour n = 10
Pour n = 20
La méthode de Neville permet de surmonter ce problème. Elle calcule la

valeur interpolée avec des polynômes de degré croissant. Ces approximations
successives sont calculées par interpolation linéaire des valeurs intermédiaires.

La formule utilisée est celle de Lagrange entre deux points (xi ; fi ) et (xj ; fj )
:
(x − xj ) (x − xi )
f (x) = fi + fj
(xi − xj ) (xj − xi )
où fi = f (xi ) et fj = f (xj ). On commence par réordonner les points
d’abscisse xi du point le plus proche au point le plus éloigné de la valeur
x où on veut interpoler f .
Exemple 1.3 Si on désire interpoler la fonction f au point d’abscisse x =

3, 5 où f est donnée par :
xi 0 1 3 5
fi 3 3 15 83
On réarrange les xi et on renomme les fi de la façon suivante :
i |x − xi | xi fi = Pi0
0 0, 5 3 15
1 1, 5 5 83
2 2, 5 1 3
3 3, 5 0 3
Ensuite, on construit une table en interpolant d’abord entre les valeurs d’indices
i = 0 et 1, puis i = 1 et 2 et enfin pour i = 2 et 3. Les valeurs trouvées
seront écrites dans une nouvelle colonne. La colonne suivante contient les
valeurs d’interpolation pour i = 0 et 2 puis entre i = 1 et 3 et ainsi de suite.
On obtient dans cet exemple la table suivante :
i |x − xi | xi fi = Pi0 Pi1 Pi2 Pi3

0 0, 5 3 15
32
1 1, 5 5 83 26, 75
53 24, 875
2 2, 5 1 3 38
3
3 3, 5 0 3
1.3 Approximation au sens des moindres carrées 9
La formule générale pour calculer les coefficients de la table de Neville est :

(x − xi+j ) (x − xi )
Pij (x) = Pi j−1 + Pi+1 j−1
(xi − xi+j ) (xi+j − xi )
Il est clair que pour calculer les coefficients de la colonne Pi1 , on utilise les
paires (xi , xi+1 ). Pour le calcul des coefficients de la colonne Pi2 , on se sert
des paires (xi ; xi+2 ) et d’une manière générale on utilise les paires (xi , xi+j )
pour compléter la colonne Pij
1.3 Approximation au sens des moindres carrées

Introduction
En général, les expériences fournissent une suite de valeurs yi en des points
xi , i = 1, . . . , n. La disposition de ces points donne une idée sur f telle que
pour tout i = 1, . . . , n, on ait, f(xi ) = yi . Par exemple, lorsque les points
sont presque alignés, la courbe est presque une droite y = ax + b.
Remarque 1.1 La fonction f peut être approchée de différentes façons.

Nous nous limiterons à l’approximation de f par un polynôme noté f .
La méthode des moindres carrées consiste à chercher le polynôme f destiné

à approcher f telle que la quantité
n
2
f(xi ) − yi
i=0
soit minimale.
Théorème 1.2 Soit une suite (xi , yi ), i = 1, . . . , n où les xi sont tous dis-
tincts. Il existe une droite unique réalisant la meilleure approximation de ces
points au sens des moindres carrées.
Démonstration. Déterminons les constantes a et b telles que :

n
1
h(a, b) = |axi + b − yi |2
2 i=1
soit minimale.
1.3 Approximation au sens des moindres carrées 10
Si a et b existent, alors
∂h(a, b) ∂h(a, b)
= = 0,
∂a ∂b
ce qui donne le système
 n n n


 a
 x2i + b xi = xi yi
i=1 i=1 i=1
n n (1.2)



 a xi + nb = yi
i=1 i=1
Puisque les xi sont deux à deux distincts, le système (1.2) admet une solution
unique a, b . La fonction h est minimale en a, b car le développement de
Taylor de h à l’ordre deux montre que la différence
h a + α, b + β − h a, b
est positive pour tout (α, β) ∈ R2 .
Théorème 1.3 Soit une suite (xi , yi ), i = 1, . . . , n où les xi sont tous dis-
tincts. Pour tout entier naturel non nul p < n, il existe un polynôme unique
de degré p
a0 + a1 x + . . . + ap xp
réalisant la meilleure approximation au sens des moindres carrées.

Donc l’élément a = (a0 , a1 , . . . , ap ) rend minimum la fonction h définie pour
tout a = (a0 , a1 , . . . , ap ) ∈ Rp+1 par
n
h(a) = (a0 + a1 xi + . . . + ap xpi − yi )2
i=1
Exemple 1.4 Si on désire interpoler la fonction f au point d’abscisse x =

3, 5 par la méthode des moindres carrées, où f est donnée par :
xi 0 1 3 5
fi 3 3 15 83
1.4 Méthode des différences divisées 11
1.4 Méthode des différences divisées
1.4.1 Introduction
Les méthodes d’interpolation de Lagrange et de Neville présentent deux in-

convénients majeurs. Elles utilisent beaucoup plus d’opérations arithmé-
tiques que la méthode des différences divisées que nous développons ci-
dessous et lorsqu’on veut rajouter ou retrancher un point d’interpolation,
tous les calculs pour les deux méthodes devront être repris ce qui n’est pas
le cas dans la méthode des différences divisées.
Supposons la fonction f connue en un nombre fini de points
x0 x1 ... xn
f0 f1 ... fn
Nous ne supposerons pas que les xi sont équidistants ou rangés dans un

certain ordre. Considérons les polynômes de degré n s’écrivant sous la forme
:
Pn (x) = a0 +(x−x0 )a1 +(x−x0 )(x−x1 )a2 +. . .+(x−x0 )(x−x1 ) . . . (x−xn−1 )an
(1.3)
On cherche les ai par la méthode des différences divisées telles que
Pn (x0 ) = f0 , . . . , Pn (xn ) = fn
Pour cela, on construit une table qui permet de faire aisément ces calculs.
1.4.2 Table des différences divisées
On définit la première différence divisée entre x0 et x1 par :

f1 − f0
f[x0 , x1 ] =
x1 − x0
De manière générale, la première différence divisée entre xs et xt est définie
par :
fs − ft fs ft
f [xs , xt ] = = +
xs − xt xs − xt xt − xs
Remarque 1.2 L’ordre des points n’est pas important, puisque

fs − ft ft − fs
f [xs , xt ] = = = f [xt , xs ]
xs − xt xs − xt
La seconde différence divisée est définie par :

f [x1 , x2 ] − f [x0 , x1 ] f0
f [x0 , x1 , x2 ] = =
x2 − x0 (x0 − x1 ) (x0 − x2 )
f1 f2
+ +
(x1 − x0 ) (x1 − x2 ) (x2 − x0 ) (x2 − x1 )
Les différences divisées d’ordre n sont données par :
n
f [x1 , . . . , xn ] − f [x0 , . . . , xn−1 ] fj
f [x0 , x1 , . . . , xn ] = = n .
xn − x0 j=0
(xj − xi )
i=0;i=j
On convient que les différences divisées d’ordre 0 sont :

f [xs ] = fs
En utilisant ces notations, la table des différences divisées pour n = 4 est :

xi fi f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , · · · , xi+3 ] f [xi , . . . , xi+4 ]
x0 f0
f [x0 , x1 ]
x1 f1 f [x0 , x1 , x2 ]
f [x1 , x2 ] f [x0 , x1 , x2 , x3 ]
x2 f2 f [x1 , x2 , x3 ] f [x0 , x1 , x2 , x3 , x4 ]
f [x2 , x3 ] f [x1 , x2 , x3 , x4 ]
x3 f3 f [x2 , x3 , x4 ]
f [x3 , x4 ]
x4 f4
Exemple 1.5 Reprenons les données la fonction f donnée par :

xi 0 1 3 5
fi 3 3 15 83
La table des différences divisées est donnée par :
0 3
0
1 3 2
6 1
3 15 7
34
5 83
1.4.3 Détermination du polynôme d’interpolation
En écrivant l’équation (1.3) aux différents points (xi , fi ), on obtient :
Pn (x0 ) = a0
Pn (x1 ) = a0 + (x1 − x0 )a1
Pn (x2 ) = a0 + (x2 − x0 )a1 + (x2 − x0 )(x2 − x1 )a2
...
Pn (xn ) = a0 + (xn − x0 )a1 + (xn − x0 )(xn − x1 )a2 + . . .
+(xn − x0 ) . . . (xn − xn−1 )an
Pn étant le polynôme d’interpolation, cherchons les coefficients ai , i = 0, 1, . . . , n,

de telle sorte que
Pn (xi ) = fi ; i = 0, 1, . . . , n
La première équation du système triangulaire ci-dessus, donne
a0 = f0 = f [x0 ].
L’ égalité Pn (x1 ) = f1 implique a1 = f[x0 , x1 ]. De même Pn (x2 ) = f2 entraîne

que
a2 = f [x0 , x1 , x2 ].
De manière générale, on montre que si ai = f [x1 , . . . , xi ],alors Pn(xi ) = fi
Pour abréger, on utilise les notations

 [0]

 f0 = f [x0 ]

 [1]

 f0 = f [x0 , x1 ]
[2]
 f0 = f [x0 , x1 , x2 ]

 ...


 [n]
f0 = f [x0 , x1 , . . . , xn ]
L’indice correspond à la première valeur dans la différence divisée et l’exposant
indique l’ordre de la différence divisée. Avec cette notation, le polynôme
d’interpolation s’écrit :
[0] [1] [2] [n]
Pn (x) = f0 +(x−x0 )f0 +(x−x0 )(x−x1 )f0 +. . .+(x−x0 ) . . . (x−xn−1 )f0
(1.4)
Pn (x) est appelé polynôme de Newton de degré n passant par les (n + 1)
points de collocation (xi , f (xi )) pour i = 0, 1, . . . , n. Ce polynôme peut
s’écrire sous la forme récursive :
[n]
Pn (x) = Pn−1 (x) + (x − x0 ) . . . (x − xn−1 )f0
Exemple 1.6 Dans l’exemple précédent, le polynôme d’interpolation s’écrit:
[0] [1] [2] [3]
P3 (x) = f0 + (x − x0 )f0 + (x − x0 )(x − x1 )f0 + (x − x0 )(x − x1 )(x − x2 )f0
En utilisant la table des différences divisées, on obtient :
P3 (x) = 3 + 2x(x − 1) + x(x − 1)(x − 3)
= x3 − 2x2 + x + 3.
Exemple 1.7 On cherche l’interpolant passant par les points (0, 1), (1, 2),
(2, 9) et (3, 28).
Table de différences divisées.
xi fi f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ]
0 1
f [x0 , x1 ] = 1
1 2 f [x0 , x1 , x2 ] = 3
f [x1 , x2 ] = 7 f [x0 , x1 , x2 , x3 ] = 1
2 9 f [x1 , x2 , x3 ] = 6
f [x2 , x3 ] = 19
3 28
La formule de Newton donne le polynôme de degré 2
P2 (x) = 1 + 1(x − 0) + 3(x − 0)(x − 1) = 1 + x + 3x(x − 1) = 3x2 − 2x + 1
et le polynôme de degré 3
P3 (x) = P2 (x) + 1(x − 0)(x − 1)(x − 2)

= 3x2 − 2x + 1 + x3 − 3x2 + 2x
= x3 + 1
Si on veut ajouter le point (5, 54), on va compléter la table de différences

divisées déjà utilisée :
xi fi f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , · · · , xi+3 ] f [xi , · · · , xi+4 ]

0 1
f [x0 , x1 ] = 1
1 2 3
f [x1 , x2 ] = 7 1
2 9 6 − 35
f [x2 , x3 ] = 19 −2
3 28 −2
f [x3 , x4 ] = 13
5 54
La formule de Newton donne le polynôme de degré 4 :
Exemple 1.8
3
P4 (x) = P3 (x) − (x − 0)(x − 1)(x − 2)(x − 3)
5
1.4.4 Erreur d’interpolation
L’erreur d’interpolation générée par la méthode des différences divisées est

la même que celle obtenue dans la méthode de Lagrange. En effet pour tout
x ∈ [a; b], il existe ξ x ∈ ]a, b[ tel que :
n
(x − xi )f (n+1) (ξ x)
i=0
E(x) = f (x) − Pn (x) =
(n + 1)!
Il n’est pas commode d’utiliser cette expression, car la fonction f n’est con-
nue en général qu’aux points xi . Si toutefois, on connait l’expression de la
fonction f; on peut donner un encadrement de l’erreur.
1.4.5 Cas où les abscisses sont équidistants
Lorsque les xi sont équidistants, l’expression du polynôme d’interpolation

est considérablement simplifiée. En effet, au lieu d’utiliser les différences
divisées, on peut utiliser des différences notées
∆k fi (k = 1, . . . , N et i = 0, 1, . . . , n − 1).
Les premières différences sont :
∆fi = fi+1 − fi (i = 0, 1, . . . , n − 1)
Les secondes différences sont :
∆2 fi = ∆ (∆fi ) = ∆fi+1 − ∆fi
= fi+2 − 2fi+1 + fi (i = 0, 1, . . . , n − 2).
De proche en proche, on a les différences d’ordre N :

∆N fi = ∆ ∆N−1 fi = ∆N−1 fi+1 − ∆N−1 fi
N (N − 1)
= fi+N − N fi+N−1 + fi+N−2 + . . . + (−1)N fi
2!
i = 0, 1, . . . , n − N . Les f [x0 , . . . , xk ] et ∆k f0 sont reliées par la relation
suivante :
∆k f0
f [x0 , . . . , xk ] = .
k!hk
Le polynôme d’interpolation, Pn (x) = pn (s), de degré n s’écrit
s (s − 1) 2 s (s − 1) . . . (s − n + 1) n
f0 + s∆f0 + ∆ f0 + . . . + ∆ f0
2! n!
où s = x−x
h
0
, h = ∆x = xi+1 − xi avec i = 0, 1, . . . , n − 1.
L’erreur d’interpolation est obtenue par le terme :

s (s − 1) . . . (s − n + 1) n+1
E(x) = e (s) = ∆ f0
(n + 1)!
1.5 Interpolation par des fonctions splines cubiques 17
1.5 Interpolation par des fonctions splines cubiques
Soit f une fonction réelle d’une variable reelle, continue sur un intervalle
[a, b], connue en n + 1 points deux à deux distincts, avec xi < xi+1 , pour
i = 0, 1, . . . , n. On pose yi = f(xi ), i = 0, 1, . . . , n.
Théorème 1.4 Pour tout k ≥ 2, il existe une fonction polynôme par morceaux
unique σ telle que :
1. σ est de degré (2k − 1) sur [xi , xi+1 ] ;
2. σ est de degré (k − 1) sur [a, x0 ] et [xn , b] ;
3. les dérivées de σ jusqu’à l’ordre (2k − 2) sont continues aux points xi ,

0 ≤ i ≤ n;
4. σ (xi ) = yi , 0 ≤ i ≤ n.
Nous développons ci-dessous le calcul dans le cas k = 2 correspondant aux

splines de degré 3 (dites également splines cubiques). Désignons par
Pi+1 = σ |[xi ,xi+1 ] ,
0 ≤ i ≤ n − 1, P0 la restriction de σ à [a; x0 ] et Pn+1 la restriction de σ à

[xn , b].
Posons
”
ai+1 = Pi+1 (xi+1 ) , 0 ≤ i ≤ n − 1
a0 = an = 0.
σ étant de classe C 2 , donc σ” est continue, d’où, ai = Pi” (xi ) = Pi+1

”
(xi )
” x − xi+1 x − xi
Pi+1 (x) = ai + ai+1
xi − xi+1 xi+1 − xi
x − xi x − xi+1
= ai+1 − ai
hi+1 hi+1
avec hi+1 = xi+1 − xi .En intégrant deux fois cette relation, on obtient :
(x − xi )3 (x − xi+1 )3
Pi+1 (x) = ai+1 − ai + bi+1 (x − xi ) − ci+1 (x − xi+1 )
6hi+1 6hi+1
Les constantes bi+1 et ci+1 sont telles que Pi+1 (xi+1 ) = yi+1 et Pi (xi ) = yi ;
nous obtenons le système linéaire suivant :

h2i+1
yi+1 = ai+1 6
+ bi+1 hi+1
h2i+1
yi = Pi (xi ) = Pi+1 (xi ) = ai 6
+ ci+1 hi+1
Ce qui donne
yi+1 h
bi+1 = − ai+1 i+1
hi+1 6
yi h
ci+1 = − ai i+1
hi+1 6
Le calcul de bi+1 et ci+1 conduit à l’expression
(x − xi )3 (x − xi+1 )3 h2 (x − xi )
Pi+1 (x) = ai+1 − ai + yi+1 − ai+1 i+1
6hi+1 6hi+1 6 hi+1
2
h (x − xi+1 )
− yi − ai i+1
6 hi+1
Les dérivées premières se raccordent en xi , i = 0, 1, . . . , n. L’égalité
Pi′ (xi ) = Pi+1

′
(xi )
traduisant le raccordement des dérivées premières s’écrit pour tout i =

1, . . . , n :
hi h2 1 h2 1
ai + yi − ai i − yi−1 − ai−1 i
2 6 hi 6 hi
hi+1 h2 1 h2 1
= −ai + yi+1 − ai+1 i+1 − yi − ai i+1
2 6 hi+1 6 hi+1
qui peut encore s’écrire :

hi hi + hi+1 h yi+1 − yi yi − yi−1
ai−1 + ai + ai+1 i+1 = −
6 3 6 hi+1 hi
Tenant compte du fait que a0 = an = 0, les coefficients ai sont solutions du

système linéaire :
Aa = Y
avec  
h1 +h2 h2
3 6
0 ... ... 0
 h2 h2 +h3 h3
0 ... 0 
 6 3 6 
 
 
A= 
 
 hn−2 hn−2 +hn−1 hn−1 
 6 3 6

hn−1 hn−1 +hn
6 3
et  
  y2 −y1
− y1 −y0
a1 h2 h1
 a2   y3 −y2
− y2 −y1 
   h3 h2 
 ..   .. 
 .   . 
a= ..  et Y = 
 ..
3

 .   . 
   yn−1 −yn−2 yn−2 −yn−3 
 an−2   − 
hn−1 hn
yn −yn−1 yn−1 −yn−2
an−1 hn
− hn−1
La matrice A est tridiagonale symétrique et à diagonale strictement dom-

inante. Donc elle est inversible ce qui prouve l’existence et l’unicité de la
solution.
Remarque 1.3 La i-ième composante du second membre Y du systme linéaire

ci-dessus s’écrit également
yi+1 − yi yi − yi−1
− = f ([xi , xi+1 ]) − f ([xi−1 , xi ])
hi+1 hi
yi+1 −yi
où i = 1, . . . , n − 1 et f ([xi , xi+1 ]) = hi+1
est la première différence divisée
entre xi et xi+1 .
Exemple 1.9 Reprenons la table des valeurs de f suivante :
xi 0 1 3 5
f (xi ) 3 3 15 83
Déterminons la spline cubique qui interpole f aux points xi , 0 ≤ i ≤ 3.

1.6 Exercices 20
On a :
h1 = 1, h2 = 2 et h3 = 2.
Les différences divisées d’ordre 1 sont :
f([x0 , x1 ]) = 0, f([x1 , x2 ]) = 6 et f ([x2 , x3 ]) = 34
Le système linéaire d’inconnues a1 et a2 est ;

1
1 3
a1 6
1 4 =
3 3
a2 28
La solution est a1 = −1, 0909 et a2 = 21, 2727. Les autres coefficients sont
alors
i 1 2 3
bi 3, 1818 0, 4091 41, 5000
ci 3, 0000 1, 8636 0, 4091
Compléter la table suivante dans laquelle les trois polynômes de degré 3 for-
mant la spline cubique sont :
i Intervalle Pi+1 (x)

0 [0, 1]
1 [1, 3]
2 [3, 5]
1.6 Exercices
Exercice 1.1 Ecrire le polynôme d’interpolation de Lagrange passant par les
points suivants :
(−2, 3; 2, 1) ; (0, 5; −1, 3) ; (3, 1; 4, 2) .
Tracer la parabole passant par les trois points.
Exercice 1.2 Etant donné les quatre points (1, 2); (3, 4); (5, 3) et (9, 8) .
Ecrire le polynôme cubique de Lagrange passant par ccs points et l’exprimer
sous la forme ax3 + bx2 + cx + d.
1.6 Exercices 21
Exercice 1.3 On donne ln 2 = 0, 69315, ln 3 = 1, 0986 et ln 6 = 1, 7918.

Déterminer le polynôme d’interpolation de Lagrange tel que :
P (2) = 0, 69315, P (3) = 1, 0986 et P (6) = 1, 7918
Présenter les résultats sous la forme :
xi yi = P (xi ) ln xi |yi − ln xi |
1
2
3
4
5
6
7
8
9
10
Exercice 1.4 Construire la table de Neville à partir des données suivantes

et interpler pour calculer f (4) en utilisant des polynôme de degré 2, 3 et 4
xi 3 5 7 −2 −3
yi 20, 718 130, 09 470, 41 −1.9817 17.993
Exercice 1.5 On donne les valeurs e0 = 1, e0.1 = 1.1052 et e0.3 = 1.3499.

Approcher e0.2 par le polynôme d’interpolation de Lagrange d’ordre 2. Com-
parer le résultat obtenu en utilisant l’interpolation linéaire au sense des moin-
dres carrées.
Exercice 1.6 Soit la table

i 0 1 2 3 4 5
xi 0.15 0.27 0.76 0.89 1.07 2.11
yi = f (xi ) 0, 1680 0, 2974 0.7175 0.7918 0.8609 0.9972
1. Trouver la spline cubique σ telle que σ (xi ) = f (xi ) pour tout i =

0, 1, 2, 3, 4, 5.
2. Tracer la courbe de la spline cubique σ.
1.6 Exercices 22
Exercice 1.7 Soit f une une fonction réelle telle que f (0) = 0, f (0.5) = 0.2
et f (1) = 0.5.
1. Déterminer le polynôme P (x) de Lagrange qui interpole f aux points

d’abscices : 0, 0.5 et 1.
2. En déduire une approximation de f(0.25) et f (0.75).
2 1
3. Sachant que f (x) = x2x+1 , déterminer la valeur exacte de 0
f (x)dx et
1
la comparer à 0 P (x)dx.
Exercice 1.8 Soit le tableau ci-dessous des valeurs d’une fonction
i 0 1 2 3
xi 0.00 1.00 1.50 2.25
yi = f (xi ) 2, 000 4, 4366 6.7134 13.9130
1. Déterminer la spline cubique σ telle que σ (xi ) = f (xi ) pour tout i =

0, 1, 2 et 3.
2. Calculer σ (0.66) et σ (1.75) . Comparer les valeurs trouvées avec celles
calculées par la formule à partir de l’expression f (x) = 2ex − x2 .
3. Tracer la courbe passant par les points xi pour i = 0, 1, 2 et 3.
Exercice 1.9 Par la méthode des différences divisées, calculer le polynôme

d’interpolation P passant par les points :
1 1 1 1
−4; , −2; , (0; 1) , 2; et −4; .
17 5 5 17
Exercice 1.10 Soit la fonction f telle que
i 0 1 2 3 4
xi 0.5 -0.2 0.7 0.1 0.01
f (xi ) −1, 1518 0, 7028 -1.4845 -0.14943 0.13534
1. Déterminer la table des différences divisées.

2. Estimer f (0.15) en utilisant :
(a) les trois premiers points;

1.6 Exercices 23
(b) les trois derniers points;

(c) les quatre premiers points;
(d) les quatre derniers points;
(e) tous les points de la table.
(f) Conclure.
3. Dans le cas de l’approximation par des polynômes quadratiques quelles

seraient les meilleurs points pour approcher
(a) f(0.15);
(b) f(−0.1);
(c) f(1.2).
2. Intégration numérique
Le problème de l’intégration numérique peut se présenter de deux façons

différentes :
1. Une fonction f (x) est connue par quelques-uns de ses points de colo-
cation (x1 , f (x1 )) , . . . , (xn , f (xn )) , (qui sont régulièrement espacés ou
x
non). Comment fait-on pour estimer la valeur de l’intégrale xii+1 f (x)dx,
alors que l’expression analytique de f (x) n’est pas connue ?
b
2. On cherche la valeur de l’intégrale définie a f (x)dx lorsque l’expression
analytique de l’intégrand f(x) est connue, mais non sa primitive. Un
b 2
exemple : calculer a e−x dx
Ces deux problèmes, pourtant très différents, peuvent être résolus avec les
mêmes outils. Comme dans le chapitre précédent, nous interpolons la fonc-
tion f (x) ou ses points de colocation avec un polynôme, puis nous intégrons
explicitement ce polynôme.
Nous supposerons dans ce qui suit que la distance entre points de colocation
adjacents est constante et vaut h (le pas).
2.1 Formulation de Newton-Cotes

La stratégie habituelle pour développer des formules d’intégration numérique
d’une fonction connue en un nombre de points x0 , x1 , . . . , xn est de construire
des polynômes d’interpolation Pn (x) passant par ces points et l’intégrer.
Lorsque ces points sont équidistants on écrit :
b b n−1 xi+1
f (x)dx ≃ Pn (x)dx = Pn (x)dx.
a a i=0 xi
où a = x0 , xi = a + i b−a
n
et (i = 0, . . . n) .
24
2.2 Formule des trapèzes 25
On considère le polynôme d’interpolation de Lagrange

n
Pn (x) = f (xi )Li (x)
i=0
b
Pour obtenir une valeur approchée In+1 (f) de a
f (x)dx on intègre Pn sur
[a, b] . On obtient :
b n
In+1 (f) = Pn (x)dx = ai f (xi )
a i=0
où
b
ai = Li (x)dx
a
2.2 Formule des trapèzes

Lorsque n = 1, le polynôme d’interpolation de Lagrange s’écrit :
x−b x−a
P1 (x) = f (a) + f (b)
a−b b−a
D’où
b b
x−b x−a (b − a)
I2 (f ) = P1 (x)dx = f (a) + f (b) dx = [f (b) + f (a)] .
a a a−b b−a 2
Ainsi
b
h
f (x)dx ≃
[f (b) + f (a)]
a 2
qui n’est rien d’autre que la formule du trapèzes à un pas.
4
Exemple 2.1 La valeur exacte de 1 √dxx est 2. Par la formule du trapèzes à
un pas on a :
3 1 1 9
I= √ +√ = = 2.25
2 1 4 4
Pour obtenir la formule générale des trapèzes, on considère la sudivision (xi )

de [a, b] définie par : x0 = a, xi = a + ih avec h = b−a n
= xi+1 − xi et
i = 0, . . . , n − 1.
2.3 Formule de Simpson 26
En appliquant la formule des trapèzes sur chaque intervalle [xi , xi+1 ], on

obtient :
b n−1 xi+1 n−1
h
f (x)dx = f (x)dx ≃ [f (xi+1 ) + f (xi )]
a i=0 xi 2 i=0
h
= [f0 + 2f1 + 2f2 + . . . + 2fn−1 + fn ]
2
avec fi = f(xi ) pour i = 0, . . . , n.
4 dx
Exemple 2.2 On reprend l’ntégrale 1 √
x
avec n = 3, x0 = 1, x1 = 2, x2 =
3 et x3 = 4. On a : h = 1.On a donc :
4
dx 1 1 2 2 1
√ ≃ √ + √ + √ + √ ≃ 2.03445
1 x 2 1 2 3 4
Théorème 2.1 (Erreur de la méthode) Si f est de classe C 2 sur [a, b]

alors
(b − a)3
|Rn (f )| ≤ sup |f” (x)|
12n2 [a,b]
où Rn (f ) est :
b
b−a
f(x)dx − [f0 + 2f1 + 2f2 + . . . + 2fn−1 + fn ]
a 2n
2.3 Formule de Simpson

La formule de Newton-Cotes basée sur un polynôme d’interpolation quadra-
tique est appelé formule de Simpson.
b−a a+b
Lorsque n = 2, x0 = a, x2 = b, h = 2
et x1 = a + h = 2
, le polynôme
d’interpolation de Lagrange s’écrit :
(x − x1 ) (x − x2 ) (x − x0 ) (x − x2 )
P2 (x) = f(x0 ) + f (x1 )
(x0 − x1 ) (x0 − x2 ) (x1 − x0 ) (x1 − x2 )
(x − x0 ) (x − x1 )
+ f (x2 )
(x2 − x0 ) (x2 − x1 )
b b
On approche a
f (x)dx par a
P2 (x)dx.
b x−x0 dx
Pour le calcul de a
P2 (x)dx on pose s = h
et donc ds = h
, par conséquent
on a :
(x − x1 ) (x − x2 ) h2 (s − 1) (s − 2) f (x0 )
f (x0 ) = 2
f (x0 ) = (s − 1) (s − 2)
(x0 − x1 ) (x0 − x2 ) 2h 2
(x − x0 ) (x − x2 ) h2 s (s − 2)
f (x1 ) = f (x1 ) = −f (x1 )s (s − 2)
(x1 − x0 ) (x1 − x2 ) −h2
(x − x0 ) (x − x1 ) h2 s (s − 1) f (x2 )
f (x2 ) = 2
f (x2 ) = s (s − 1)
(x2 − x0 ) (x2 − x1 ) 2h 2
et, donc
b
f (x0 )h 2 2
P2 (x)dx = (s − 1) (s − 2) ds − f (x1 )h s (s − 2) ds
a 2 0 0
f (x2 )h 2
+ s (s − 1) ds
2 0
f (x0 )h 4 f (x2 )h
= + f (x1 )h +
3 3 3
h
= (f(x0 ) + 4f (x1 ) + f(x2 ))
3
h a+b
= f (a) + 4f ( ) + f (b)
3 2
b−a a+b
= f (a) + 4f ( ) + f(b) .
6 2
4
Exemple 2.3 On reprend l’ntégrale 1 √dxx avec x0 = 1, x1 = 52 , x2 = 4.On
a : h = 32 .On a donc :
 
4
dx 3 1 4 1
√ ≃ √ + + √  ≃ 2.01
1 x 6 1 5 4
2
Pour obtenir la formule générale de Simpson, on considère la sudivision (xi )

de [a, b] définie par : x0 = a, xi = a + i b−a
n
; b−a
n
= xi+1 − xi et i = 0, . . . , n.
En appliquant la formule de Simpson sur chaque intervalle [xi , xi+1 ], on ob-
tient :
b n−1 xi+1
f (x)dx = f (x)dx
a i=0 xi
n−1
xi+1 − xi xi + xi+1
≃ f (xi ) + 4f + f (xi+1 )
i=0
6 2
n−1 n−1
b−a xi + xi+1
= f (a) + 4 f +2 f (xi ) + f (b)
6n i=0
2 i=1
n−1 n−1
b−a xi + xi+1
= f(a) + 4 f +2 f (xi ) + f (b)
6n i=0
2 i=1
Théorème 2.2 (Erreur de la méthode) Si f est quatre fois dérivable sur

[a, b] et s’il existe M > 0 tel que sup f (4) (x) ≤ M, alors
[a,b]
(b − a)5
|Rn (f )| ≤ M
2880n4
où Rn (f ) est :
b n−1 n−1
b−a xi + xi+1
f (x)dx − f (a) + 4 f +2 f (xi ) + f (b)
a 6n i=0
2 i=1
Remarque 2.1 En considant la sudivision (xi ) de [a, b] définie par : x0 =

a, xi = a + i b−a
2n
avec b−a
2n
= xi+1 − xi et i = 0, . . . , 2n. on a :
b n−1 x2i+2
f (x)dx = f(x)dx
a i=0 x2i
n−1
b−a
= (f(x2i ) + 4f (x2i+1 ) + f (x2i+2 ))
6n i=0
n−1 n−2
!
b−a
= f (a) + 4 f (x2i+1 ) + 2 f(x2i+2 ) + f(b)
6n i=0 i=1
4 dx
Exemple 2.4 On reprend l’ntégrale 1
√
x
avec a = 1, b = 4, 2n = 6, on a
2.4 Quadrature de Gauss 29
donc x0 = a = 1,x1 = 32 , x2 = 2,x3 = 52 , x4 = 3, x5 = 7

2
et x6 = 4. et, donc,
4
dx 1 1 4 4 4 2 2 1
√ ≃ √ + √ + √ + √ + √ + √ + √ ≃ 2.12
1 x 6 1 x1 x3 x5 x2 x4 4
 
1 1 4 4 4 2 2 1
= √ + + + +√ +√ +√ 
6 1 3 5 7 2 3 4
2 2 2
≃ 2.000468
2.4 Quadrature de Gauss

On se donne une fonction connue analytiquement sur [−1, 1], et on veut
approcher l’intégrale
1
f (x)dx
−1
par une expression

A1 f (x1 ) + . . . + An f (xn )
sans fixer les abscisses x1 , . . . , xn au préalable.
La méthode de Gauss consiste à déterminer les xi et les coefficients poids Ai
avec la condition
1
P (x)dx = A1 P (x1 ) + . . . + An P (xn )
−1
pour les polynômes P de degré ≤ 2n + 1.

Regardons de près la cas où n = 2. On doit donc chercher x1 , x2 , A1 , A2 avec
la condition :
1
P (x)dx = A1 P (x1 ) + A2 P (x2 )
−1
pour les polynômes P de degré ≤ 2×1+1 = 3, donc cette égalité est satisfaite
pour les polunômes suivants :
1, x, x2 et x3 ,
par conséquent on doit avoir :

 1

 −1
1dx = 2 = A1 + A2 (1)

 1 xdx = 0 = A x + A x
−1 1 1 2 2 (2)
1 2

 x dx = 3 = A1 x1 + A2 x22
2 2
(3)
 −1
 1 3
−1
x dx = 0 = A1 x31 + A2 x32 (4)
En multipliant l’équation (2) par x22 et on la soustrait de l’équation (4) on

obtient :
A1 x31 − x1 x22 = A1 x1 (x1 − x2 ) (x1 + x2 ) = 0
ce qui donne
A1 = 0, x1 = 0, x1 = x2 , , x1 = −x2
les trois premiers choix sont à exclure car ils réduisent la formule de quadra-
ture à un seul terme. Le dernier choix donne x1 = −x2 , ce qui conduit à
:
A1 = A2 = 1
x2 = −x1 = √13 = 0.5773502692
et donc,
1
f (x)dx ≈ f (−0.5773502692) + f (0.5773502692)
−1
Mais lorsque f est une fonction polynôme de degré ≤ 3 on a :

1
f (x)dx = f (−0.5773502692) + f (0.5773502692)
−1
Lorsqu’il s’agit de calculer

b
f (x)dx
a
on applique le changement de variable suivant :
t−1 t+1 (b − a) t + b + a
x= a+ b=
−1 − 1 1+1 2
et on obtient :
b 1
(b − a) (b − a) t + b + a
f (x)dx = f( )dt
a 2 −1 2
et on applique la formule de quadrature de Gauss à :

1
(b − a) t + b + a
f( )dt.
−1 2
Pour n = 3, on trouve les valeurs suivantes
x1 = −0, 77459667 ; x2 = 0 ; x3 = 0, 77459667

A1 = 0.55555555 ; A2 = 0.88888889 ; A3 = 0.55555555
Dans le cas général, cherche les xi et les coefficients poids Ai avec la condition
1
P (x)dx = A1 P (x1 ) + . . . + An P (xn )
−1
pour
les polynômes P de degré ≤ 2n + 1. La résolution d’un tel système repose
sur les polynômes de Legendre que nous ne reproduisons pas, tout de même,
voici la table des paramètres de la quadrature de Gauss pour des valeurs
paires 2, 4, 6, 8, 10, 12, 14 et 16 :
2.5 Exercices 32
2.5 Exercices
Exercice 2.1 dans le tableau ci-dessous, nous donnons les valeurs d’une
fonction f en différents points :
x 1 1.1 1.2
f(x) 1.1752012 1.3356474 1.5094613
x 1.3 1.4 1.5
f(x) 1.6983824 1.9043015 2.1292794
x 1.6 1.7 1.8
f(x) 2.3755679 2.6456319 2.9421742
Exercice 2.2 1. En utilisant la méthode des trapèzes, intégrer f entre 1

et 1.8 avec h = 0.1, h = 0.2 et h = 0.4.
2. La fonction tabulée est shx. Quelles sont les erreurs dans les différents
cas ?
Exercice 2.3 Dans le tableau ci-dessous, nous donnons les valeurs d’une
fonction f en différents points x :
x 1 1.1 1.2 1.3 1.4

f (x) 1.543 1.669 1.811 1.971 2.151
x 1.5 1.6 1.7 1.8
f (x) 2.352 2.577 2.828 3.107
1. En utilisant la méthode des trapèzes et Simpson, intégrer entre 1 et 1.8

avec h = 0.1, h = 0.2 et h = 0.4.
2. La fonction tabulée est chx. Quelles sont les erreurs dans les différents
cas. Quelle est leurs proportionalité avec h2 ?
Exercice 2.4 Utiliser la méthode des trapèzes pour trouver l’intégrale de f

entre 0 et 2 pour :
x 0.00 0.12 0.53 0.87

f (x) 1.000 0.889 0.5886 0.4190
x 1.08 1.43 2.00
f (x) 0.3396 0.2393 0.1353
2.5 Exercices 33
Exercice 2.5 Calculer l’intégrale de f (x) = sinx x entre 0 et 1 en utilisant la

méthode de Simpson avec h = 0.5 et h = 0.25.
Pour x > 4, on considère la fonction F définie par :
" √ #
F (x) = ln x − 3 + x2 − 6x + 8
1. Calculer F ′ (x).
2. Calculer la valeur exacte de
11
dx
I= √ .
2
x − 6x + 8
5
(On donnera le résultat avec 4 décimales)

3. Donner une valeur approchée de I par la méthode de Simpson en choi-
sissant h = 0.5. (On donnera le résultat avec 4 décimales)
Exercice 2.6 On considère la fonction F définie par :

" √ #
F (x) = ln x + x2 + 1
1. Calculer F ′ (x).
11
dx
I= √ .
5 x2 + 1
3. Donner une valeur approchée de I par la méthode des trapèzes et de

Simpson en choisissant h = 0.1.
4. Peut-on choisir h = 0.25 dans la méthode de Simpson ?
Exercice 2.7 Soit la fraction rationnelle Q définie par :

4x2 + 2
Q (x) =
x3 + x
1. Déterminer les constantes a, b et c telles que
a bx + c
Q (x) = +
x x2 + 1
2.5 Exercices 34
2. Calculer
2
I= Q (x) dx.
1
3. Donner une approximation de I par la méthode des trapèzes et de Simp-

son (on prendra h = 0.1).
Exercice 2.8 On considère la fonction F définie par :
" √ #
F (x) = ln x + x2 − 1
1. Calculer F ′ (x) pour x ∈ ]1, +∞[ .

4
dx
I= √ .
2 x2 − 1
3. Donner une valeur approchée de I par la méthode des trapèzes et de

Simpson en choisissant h = 0.2.
4. Peut-on choisir h = 0.′ dans la méthode de Simpson?
2
dx
Exercice 2.9 Calculer I = 0 1+x . Donner une valeur approchée de I par
la méthode des trapèzes et de Simpson en choisissant h = 0.5 puis h = 0.25.
2 dx
Calculer I = 0 1+x 2 . Donner une valeur approchée de I par la méthode des
trapèzes et de Simpson en choisissant h = 0.1 puis h = 0.05.

Exercice 2.10 Utiliser la méthode des trapèzes pour trouver l’intégrale de f
entre 1 et 3 pour :
x 1.00 1.25 1.8 2.00
f (x) 1.0000 0.8 0.55555 0.5
x 2.33 2.7 2.9 3.00
f (x) 0.42184 0.37037 0.344827 0.33333
La fonction tabulée est x1 . Calculer son intégrale entre 1et 3 et donner l’erreur.
Exercice 2.11 Donner une approximation de l’intégrale de f (x) = ln(1+x)

x
entre 0 et 1, en utilisant la méthode Simpson avec un pas h = 0.5 puis
h = 0.25.
2.5 Exercices 35
Exercice 2.12 0n considère la fonction F définie sur ]0, +∞[ définie par :
F (x) = x ln x − x
1. Calculer F ′ (x) pour x ∈ ]0, +∞[ ;

2
2. Calculer I = 1
ln xdx;
3. Donner une v aleur approchée de I par la méthode de Simpson en choi-
sissant h = 0.1;
4. Peut-àn choisir h = 0.2 ?
3. Approximation des équations différentielles
3.1 Problème de Cauchy

Le but de ce chapitre est d’étudier des méthodes pour approximer les solu-
tions y(x) du problème de Cauchy :
y′ = f (x, y)
(3.1)
y(a) = α
où la fonction f(x, y) est une fonction connue de deux variables.
Définition 3.1 On dit que la fonction f : [a; b] × R −→ R est lipschitzienne
en y dans [a; b] × R s’il existe L > 0 tel que :
|f (x, y1 ) − f (x, y2 )| ≤ L |y1 − y2 | (3.2)
pour tous (x, y1 ), (x, y1 ) ∈ [a; b] × R. La constante L est appelée constante de
Lipschitz.
Théorème 3.1 Si f est continue sur [a; b] × R et est lipschitzienne alors le
problème .l’équation différentielle 3.1 admet une solution unique. De plus ,
si f est de classe C k avec k ≥ 1, alors la solution est de classe C k+1 .
Exemple 3.1 1. Soit le problème de Cauchy
y′ = − x lny x + 1
ln x
sur [e, 5]
(3.3)
y(e) = e
Ici f (x, y) = − x lny x + 1
ln x
. On a :
y1 − y2 1
|f (x, y1 ) − f(x, y2 )| = ≤ |y1 − y2 |
x ln x e
Comme f est continue sur [e, 5] × R et vérifie la condition de Lipschitz,
donc le problème de Cauchy (3.3) admet une solution unique. Cette
solution est définie sur [e, 5] par :
x
y (x) = .
ln x
36
3.2 Analyse et approximation 37
2. Soit le problème de Cauchyion unique

√
y′ = 3 y sur [0, 1]
(3.4)
y(0) = 0
Le problème de Cauchy admet deux solutions :
2
2 3
y = 0, y= x .
3
√
Dans ce cas la fonction f (x, y) = 3 y n’est pas lipschitzienne au voisi-
nage de 0 par rapport à la varable y car le rapport
f (x, y) − f (x, 0) 1
= 2
y−0 y3
tend vers l’infini quand y tend vers 0.
Remarque 3.1 Il est parfois plus commode de montrer que ∂f ∂y

est continue
et bornée pour en déduire, grâce au théorème des accroissements finis, que f
est lipschitzienne par rapport à la variable y.
3.2 Analyse et approximation

On suppose que le problème de Cauchy (3.1) admet une solution unique y et
on se propose de l’approcher. On considère par conséquent une subdivision
de l’intervalle [a, b] en n intervalles [xi , xi+1 ] avec
a = x0 < x1 < . . . < xn = b.
On cherche une approximatin yi de y(xi ) .

Si le calcul de yi fait intervenir xi−1, yi−1 et les donneés du probléme, on dit
qu’il s’agit d’une méthode a un pas. si au contraire le calcul de yi exige en
plus les valeurs xj et yj pour j < i − 1, on dit qu’on a une méthode à plusieur
pas.
On se limitera dans ce cours à certaines méthodes à un pas et on im-
posera aux points de la subdivision d’être équidistants. On définit le pas
de l’approximation par h = b−a
n
et dans ce cas on a :
xi = a + ih
3.2.1 La méthode d’Euler explicite
Cette méthode est basée sur le développement de Taylor d’ordre un. En effet
la solution y en xi du problème de Cauchy vérifie :
y (xi+1 ) = y (xi + h) = y (xi ) + hy ′ (xi ) + O h2
Comme y vérifie y′ (xi ) = f (xi , y (xi )) , on déduit :
y (xi+1 ) = y (xi ) + hf (xi , y (xi )) + O h2 .
La méthode d’Euler suggérée par cette relation consiste à approcher y (xi )
par la suite (yi ) définie par :
yi = α
yi+1 = yi + hf (xi , yi )
3.2.2 La méthode d’Euler implicite
La solution y du problème de Cauchy vérifie :

y (xi ) = y (xi + h − h) = y (xi + h) − hy ′ (xi + h) + O h2
Par ailleurs on a :
y ′ (xi + h) = f (xi + h, y (xi + h)) ,
donc
yi = yi+1 − hf (xi+1 , y (xi+1 )) + O h2
La méthode d’Euler implicite suggérée par cette relation consiste à approcher
y (xi ) pa la suite (yi ) définie par :
yi = α
yi+1 = yi + hf (xi+1 , yi+1 )
On a donc à résoudre le problème du point fixe :
Y = Fi+1 (Y ) où Fi+1 (Y ) = yi + hf (xi+1 , Y ) .
On sait que ce dernier problème admet une solution unique si hL < 1, en
effet, pour tous Y1 , Y2 ∈ R on a :
|Fi+1 (Y1 ) − Fi+1 (Y2 )| = h |f (xi+1 , Y1 ) − f (xi+1 , Y2 )|
≤ hL |Y1 − Y2 |
3.2.3 La méthode de Taylor d’ordre 2
Supposons que f est de classe C 1 sur [a, b] . On a :
h2
y (xi + h) = y (xi ) + hy (xi ) + y” (xi ) + O h3
′
2
On a
y′ (x) = f (x, y (x))
donc
dy ′ d ∂f ∂f
y” (x) = = f (x, y (x)) = (x, y (x)) + (x, y (x)) y ′ (x)
dx dx ∂x ∂y
∂f ∂f
= (x, y (x)) + (x, y (x)) f (x, y (x))
∂x ∂y
par suite
h2 ∂f ∂f
yi+1 = yi + hf (xi , y (xi )) + (xi , yi ) + f (xi , yi ) (xi , yi ) + O h3
2 ∂x ∂y
La méthode du développement de Taylor d’ordre 2 permet d’approcher yi
par la suite (yi ) définie par :
y0 = α $ %
h2 ∂f
yi+1 = yi + hf (xi , y (xi )) + 2 ∂x
(xi , yi ) + f (xi , yi ) ∂f
∂y
(xi , yi )
Exemple 3.2 On considère l’équation différentielle suivante :
y ′ = −y + x + 1 = f (x, y)
y0 = 1
On a :
∂f ∂f
= 1; = −1
∂x ∂y
donc, l’équation
h2 ∂f ∂f
yi+1 = yi + hf (xi , y (xi )) + (xi , yi ) + f (xi , yi ) (xi , yi )
2 ∂x ∂y
h ∂f ∂f
yi+1 = yi + h f (xi , y (xi )) + (xi , yi ) + f (xi , yi ) (xi , yi )
2 ∂x ∂y
s’écrira
h2
yi+1 = yi + h (−yi + xi + 1) + [1 − (−yi + xi + 1)]
2
h h
= yi + h − 1 yi − − 1 xi + 1
2 2
La solution exacte est donnée par :
yex = e−x + x.
Prenons h = 0, 1 on obteint alors le tableau suivant :
xi yi yex (xi ) erreur

0.1 1.0190251 2.942 × 10−4
0.2 1.07082 4.820 × 10−4
0.3 1.149404 5.924 × 10−4
0.4 1.2949976 6.470 × 10−4
0.5
0.6
0.7
0.8
0.9
1
3.2.4 Méthode de Runge-Kutta
On voudrait conserver l’avantage des méthodes d’ordre supérieur mais cor-

riger les inconvénients dûs au calcul des dérivées partielles de f .
Ces différentes méthodes sont basées sur la formule de Taylor à plusieurs
variables :
∂f ∂f
f (a + h, b + k) = f (a, b) + h (a, b) + k (a, b)
∂x ∂y
h2 ∂ 2 f ∂ 2f k2 ∂ 2f
+ (a, b) + hk (a, b) + (a, b)
2 ∂x2 ∂x∂y 2 ∂y 2
+...
hp k q ∂ n f
+ (a, b)
p+q=n
p! q! ∂xp ∂y q
hp k q ∂ n+1 f
+ (η, ξ)
p+q=n+1
p! q! ∂xp ∂y q
avec η ∈ [a, a + h] et ξ ∈ [b, b + k]

Parmi toutes ces méthodes, la plus utilisée est celle d’ordre 4 mais les calculs
menant à l’algorithme sont très laborieux.
Méthode de Runge-Kutta d’ordre 2.
L’idée est d’essayer de remplacer le terme

h ∂f ∂f
f (xi , y (xi )) + (xi , yi ) + f (xi , yi ) (xi , yi )
2 ∂x ∂y
par une expression du type
af (xi + α, yi + β) .
On a donc
∂f ∂f
af (xi + α, yi + β) = af (xi , yi ) + aα (xi , yi ) + aβ (xi , yi )
∂x ∂y
+aR2 (ηi , ξ i )
avec ηi ∈ [xi , xi + α] et ξ i ∈ [yi , yi + β] .

∂f ∂f
En identifiant les coefficients de f, ∂x
et ∂y
on obtient :

 a=1
aα = h2

aβ = hf (x2i ,yi )
ce qui donne
h hf (xi , yi )
a = 1; α =
et β =
2 2
On obtient la méthode de Runge Kutta d’ordre 2 :
h ∂f ∂f
yi+1 = yi + h f (xi , y (xi )) + (xi , yi ) + f (xi , yi ) (xi , yi )
2 ∂x ∂y
h hf (xi , yi )
yi+1 = yi + hf xi + , yi +
2 2
h k
yi+1 = yi + hf xi + , yi + .
2 2
avec k = hf (xi , yi ) .
Méthodes de Runge-Kutta d’ordre 4 (RK4)
La méthode pour équations différentielles fut, presque pendant un siècle, la

méthode de Runge-Kutta d’ordre 4.


 k1 = hf (xi , yi )



 k2 = hf xi + h2 , yi + k21

k3 = hf xi + h2 , yi + k22

 k4 = hf (xi + h, yi + k3 )

 1
 yi+1 = yi + 6 (k1 + 2k2 + 2k3 + k4 )


xi+1 = xi + h.
Remarque 3.2 Les méthodes de Runge-Kutta sont faciles à utiliser, cepen-

dant elles sont relativement coûteuses car elles nécessitent plusieurs évalua-
tions de f (x, y) à chaque pas.
Exemples 3.1 1. On considère l’équation différentielle
y ′ = −y + x2 + 1
y (0) = 1 avec 0 ≤ x ≤ 1.
La solution exacte est : y(x) = −2e−x + x2 − 2x + 3

Utiliser la méthode de Runge-Kutta d’ordre 2 avec h = 0.1 On a donc

n = 1−0
0.1
= 10.
xi solution exacte : y(xi ) yi Erreur :|y(xi ) − yi |

0 1.00000 1.00000 0
0.1 1.00033 1.00025 0.0000751639
0.2 1.00254 1.00243 0.0001122438
03 1.00836 1.00825 0.0001178024
0.4 1.01936 1.01926 0.0000974985
0.5 1.03694 1.03688 0.0000562001
0.6 1.06238 1.06238 0.0000019171
0.7 1.09683 1.09690 0.0000732812
0.8 1.14134 1.14150 0.0001548478
0.9 1.19686 1.19710 0.0002440317
1 1.26424 1.26458 0.0003386469
2. On considère l’équation différentielle
y ′ = −y + x + 1
y (0) = 1 avec 0 ≤ x ≤ 1.
La solution exacte est : y(x) = e−x + x

1−0
Utiliser la méthode de Runge-Kutta d’ordre 4 avec h = 0.1 et n = 0.1
=
10.
xi solution exacte : y(xi ) yi Erreur :|y(xi ) − yi |
0 1.00000 1.00000 0
0.1 1.0048374180 1.0048375000 0.0000000820
0.2 1.0187307531 1.0187309014 0.0000001483
03 1.0408182207 1.0408184220 0.0000002013
0.4 1.0703200460 1.0703202889 0.0000002429
0.5 1.1065306597 1.1065309344 0.0000002747
0.6 1.1488116361 1.1488119344 0.0000002983
0.7 1.1965853038 1.1965856187 0.0000003149
0.8 1.2493289641 1.2493292897 0.0000003256
0.9 1.3065696597 1.3065699912 0.0000003315
1 1.3678794412 1.3678797744 0.0000003332
3.3 Exercices 44
3.3 Exercices
Exercice 3.1 1. Résoudre à l’aide de la formule de Taylor d’ordre 5 de
y en x = 0.1 et x = 0.5 l’équation différentielle
dy
= x + y avec y (0) = 1
dx
(la solution analytique est y (x) = 2ex − x − 1)
2. Résoudre à l’aide de la formule de Taylor d’ordre 2 de y en x = 0.1 et
x = 0.5 l’équation différentielle
dy 2x
= − xy avec y (0) = 1
dx y
√
(la solution analytique est y (x) = 2 − e−x2 )
Exercice 3.2 Déterminer par la méthode d’Euler, une approximation de

y (1) où y est la solution de l’équation différentielle
dy x
= avec y (0) = 1
dx y
avec un pas h = 0.1 puis h = 0.2.
Exercice 3.3 Sur R+ on considère l’équation différentielle
y′ (x) = x (y + 1)
y (0) = 1
1. En utilisant la méthode d’Euler, donner avec 4 décimales exactes une
approximation de y (0.1) , y (0.2) , y (0.3) et y (0.4) .
2. En déduire par la méthode des trapèzes puis par la méthode de Simpson
0.4
une valeur approchée de 0 y(x) dx.
Exercice 3.4 Soit l’équation différentielle

y′ (x) = −y (x) + 1 sur [0, 1]
y (0) = 0
1. Vérifier que y = −e−x + 1 est une solution de cette équation différen-

tielle.
3.3 Exercices 45
2. Pour i = 0, 1, , . . . , 10, posons xi = ih, déterminer les valeurs ap-

prochées de y (xi ) par la méthode d’Euler, puis par la méthode de Runge
Kutta 2 et de Runge Kutta 4. On prendra h = 0.1
y′ (x) = −y (x) + x + 1 sur [0, 1]
y (0) = 1
1. Vérifier que y = e−x +x est une solution de cette équation différentielle.
y′ (x) = 2y (x) + 2 sur [0, 1]
y (0) = 0
1. Vérifier que y = e2x + 2 est une solution de cette équation différentielle.
Kutta 2. On prendra h = 0.1
y′ (x) = y (x) − 2x
y
sur [0, 2]
y (0) = 1
√
1. Vérifier que y = 2x + 1 est une solution de cette équation différen-
tielle.
y′ (x) = − xy(x)
ln x
+ 1
ln x
sur [2, 5]
y (0) = 0
Déterminer les valeurs approchées de y (3) , y (4) et y (5) par la méthode de

Runge Kutta 2 . On prendra succéssivemùent h = 0.1 puis h = 0.25.
3.3 Exercices 46
Exercice 3.9 Résoudre par la méthode de Runge Kutta 2 et de Runge Kutta

4 l’équation différentielle
y′ (x) = y 2 + x2
y (1) = 0
avec un pas h = 0.1 puis h = 0.05.

Awane Analyse - Numérique Academie

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

Awane Analyse - Numérique Academie

Transféré par

Droits d'auteur :

Formats disponibles

COURS D’ANALYSE NUMERIQUE II

Filière Génie Informatique

1.2 Méthode de Neville . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4.3 Détermination du polynôme d’interpolation . . . . . . 13

1.4.4 Erreur d’interpolation . . . . . . . . . . . . . . . . . . 15

3 Approximation des équations diﬀérentielles 36

1.1 Interpolation de Lagrange

Position du problème : On cherche un polynôme p de degré inférieur ou

Lemme 1.1 Si p existe, alors il est unique.

En eﬀet, si p et q sont deux polynômes, de degré inférieur ou égal à n, qui

p(xi ) = q(xi ) = f (xi );

alors le polynôme p − q de degré inférieur ou égal à n admet n + 1 racines

Lemme 1.2 Pour tout i = 0, 1, 2, . . . , n, il existe un unique polynôme Li de

Démonstration. Si Li existe, alors il admet n racines xk avec k = i, donc

l’hypothèse Li (xi ) = 1, donne

Théorème 1.1 Il existe un polynôme unique de degré inférieur ou égal à n

p(xi ) = f (xi ) (1.1)

Pour tout x ∈ R, posons

Le polynôme ainsi construit vériﬁe l’égalité 1.1 et est unique.

Exemple 1.1 Construisons le polynôme d’interpolation p de degré 3 de la

Déﬁnition 1.1 Le polynôme p est le polynôme d’interpolation de Lagrange

1. Le polynôme d’interpolation de Lagrange de f relativement aux points

2. Soit c ∈ ]a, b[ . le polynôme d’interpolation de Lagrange de f relative-

Démonstration. Pour tout x ∈ ]a, b[ on pose :

et considérons la fonction ψ : [a, b] −→ R de la variable t déﬁnie par :

cette formule est appelée erreur d’interpolation.

1.2 Méthode de Neville

La diﬃculté dans la méthode d’interpolation de Lagrange est qu’on ne con-

Considérons par exemple la fonction f déﬁnie sur [a, b] = [−5, 5] par :

La méthode de Neville permet de surmonter ce problème. Elle calcule la

successives sont calculées par interpolation linéaire des valeurs intermédiaires.

Exemple 1.3 Si on désire interpoler la fonction f au point d’abscisse x =

On réarrange les xi et on renomme les fi de la façon suivante :

i |x − xi | xi fi = Pi0 Pi1 Pi2 Pi3

La formule générale pour calculer les coeﬃcients de la table de Neville est :

1.3 Approximation au sens des moindres carrées

Remarque 1.1 La fonction f peut être approchée de diﬀérentes façons.

La méthode des moindres carrées consiste à chercher le polynôme f destiné

Démonstration. Déterminons les constantes a et b telles que :

est positive pour tout (α, β) ∈ R2 .

réalisant la meilleure approximation au sens des moindres carrées.

Exemple 1.4 Si on désire interpoler la fonction f au point d’abscisse x =

1.4 Méthode des diﬀérences divisées

Les méthodes d’interpolation de Lagrange et de Neville présentent deux in-

Nous ne supposerons pas que les xi sont équidistants ou rangés dans un

1.4.2 Table des diﬀérences divisées

On déﬁnit la première diﬀérence divisée entre x0 et x1 par :

Remarque 1.2 L’ordre des points n’est pas important, puisque

La seconde diﬀérence divisée est déﬁnie par :

On convient que les diﬀérences divisées d’ordre 0 sont :

En utilisant ces notations, la table des diﬀérences divisées pour n = 4 est :

Exemple 1.5 Reprenons les données la fonction f donnée par :

La table des diﬀérences divisées est donnée par :

1.4.3 Détermination du polynôme d’interpolation

En écrivant l’équation (1.3) aux diﬀérents points (xi , fi ), on obtient :

Pn étant le polynôme d’interpolation, cherchons les coeﬃcients ai , i = 0, 1, . . . , n,

L’ égalité Pn (x1 ) = f1 implique a1 = f[x0 , x1 ]. De même Pn (x2 ) = f2 entraîne

Pour abréger, on utilise les notations

La formule de Newton donne le polynôme de degré 2

P2 (x) = 1 + 1(x − 0) + 3(x − 0)(x − 1) = 1 + x + 3x(x − 1) = 3x2 − 2x + 1

P3 (x) = P2 (x) + 1(x − 0)(x − 1)(x − 2)

Si on veut ajouter le point (5, 54), on va compléter la table de diﬀérences

xi fi f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , · · · , xi+3 ] f [xi , · · · , xi+4 ]