Académique Documents
Professionnel Documents
Culture Documents
2013–2014
Calcul Numérique
1 Interpolation polynomiale 3
1.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Formule à n + 1 points . . . . . . . . . . . . . . . . . . 4
1.2.2 Formule à n + 1 points équidistants . . . . . . . . . . . 6
1.2.3 Estimation d’erreur . . . . . . . . . . . . . . . . . . . . 8
1.3 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Interpolation par intervalle . . . . . . . . . . . . . . . . . . . . 10
3 Intégration numérique 21
3.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Poids d’une formule de quadrature . . . . . . . . . . . . . . . 25
3.3 Exemples de formules de quadrature . . . . . . . . . . . . . . 27
3.3.1 Formule du rectangle . . . . . . . . . . . . . . . . . . . 27
3.3.2 Formule de Simpson . . . . . . . . . . . . . . . . . . . 28
3.3.3 Formules de Gauss-Legendre . . . . . . . . . . . . . . . 29
1
4 Systèmes d’équations linéaires 34
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Les méthodes directes . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1 Système à matrice diagonale . . . . . . . . . . . . . . . 35
4.2.2 Système à matrice triangulaire . . . . . . . . . . . . . . 35
4.2.3 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . 36
4.3 Les méthodes itératives . . . . . . . . . . . . . . . . . . . . . . 37
4.3.1 Méthode de Jacobi . . . . . . . . . . . . . . . . . . . . 38
4.3.2 Méthode de Gauss-seidel . . . . . . . . . . . . . . . . . 38
4.3.3 Méthode de relaxation . . . . . . . . . . . . . . . . . . 39
6 Travaux dirigés 41
6.1 Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . 41
6.2 Equations non linéaires . . . . . . . . . . . . . . . . . . . . . . 43
6.3 Intégration numérique . . . . . . . . . . . . . . . . . . . . . . 45
6.4 Approximation au sens des moindres carrés . . . . . . . . . . . 47
Bibliographie 47
2
Chapitre 1
Interpolation polynomiale
3
Définition 1.1.1 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 (1.1)
peut se réduire à résoudre le système linéaire (1.4).
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 1.1.1 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.
4
Les fonctions φk vérifient les propriétés suivantes :
i) φk est un polynôme de degré n
ii) φk (tj ) = 0 si j ̸= 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
αj φj (t) = 0, ∀t ∈ R,
j=0
alors pour t = tk , on a
∑
n
0= αj φj (tk ) = αk
j=0
Définition 1.2.2 On dit que le polynôme p défini par (1.7) est l’interpolant
de la fonction f de degré n aux points t0 , t1 , . . ., tn .
5
1.2.2 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 (1.8)
Ainsi, tj − tk = (j − k)h d’où
[ ] [ ]
∏ n ∏ ∏
(tj − tk ) = hn (k − j) (−1)n−k (j − k)
j̸=k j<k j>k
= (−1) h k!(n − k)!
n−k n
(1.9)
alors (1.6 ) devient
(−1)n−k ∏
n
φk (t) = n (t − t0 − jh) (1.10)
h k!(n − k)! j̸=k
6
Théorème 1.2.2 Le polynôme d’interpolation est donné par la formule de
Gregory-Newton
( ) ( )
u u
p(t) = f (t0 ) + ∆f (t0 ) + · · · + ∆n f (t0 ) (1.12)
1 n
t − t0
avec u = et k entier,
h
( )
u 1
= u (u − 1) · · · (u − k + 1) (1.13)
k k!
Démonstration
f [ti ] = fi , pour i = 1, . . . , n
7
1.2.3 Estimation d’erreur
On suppose les points d’interpolation équidistants.
Théorème 1.2.3 Si f est n + 1 fois continûment dérivable sur I, alors
hn+1
∀t ∈ [t0 , tn ], |f (t) − p(t)| ≤ max |f (n+1) (y)|. (1.15)
4(n + 1) y∈I
Démonstration Commençons par prouver le résultat suivant : pour tout
t fixé
(t − t0 )(t − t1 ) . . . (t − tn ) (n+1)
∃C ∈]t0 , tn [, f (t) − p(t) = f (C). (1.16)
(n + 1)!
Pour cela, posons
f (t) − p(t)
ψ(t) = ∏ , pour t ̸= ti , 0 ≤ i ≤ n.
(t − ti )
i
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
′ 1 2 2
lesquels Φ (Cj ; t) est nul. Puis il existe n points C1 , . . ., Cn pour lesquels
Φ′′ (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
Φ(n+1) (z; t) = f (n+1) (z) − (n + 1)!ψ(t)
d’où (1.16) 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,
max |(t − t0 )(t − t1 )| × max |(t − t2 ) . . . (t − tn )|
t0 <t<t1 t0 <t<t1
8
1.3 Interpolation d’Hermite
Dans le problème d’interpolation considéré jusque là, seules les valeurs
du polynôme et de la fonction en certains points, ont été prises en compte.
Il existe des problèmes d’interpolation pour lesquels les valeurs de p(t) et
de la dérivée p′ (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 , p′0 et p′1 quatre nombre réels
donnés. Nous cherchons un polynôme p de degré 3 tel que
p(t0 ) = p0 p(t1 ) = p1 (1.17)
p′ (t0 ) = p′0 p′ (t1 ) = p′1 (1.18)
où p′ (t) désigne la dérivée de p au point t.
Les conditions (1.17) imposent les valeurs de p en t0 et t1 , tandis que les
conditions (1.18) imposent les valeurs de la dérivée p′ 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
(1.17) et (1.18), 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 .
Proposition 1.3.1 Les fonctions ϕ0 , ϕ1 , ψ0 et ψ1 sont linéairement indé-
pendantes.
Définition 1.3.1 Les quatre polynômes ϕ0 , ϕ1 , ψ0 et ψ1 forment une base
de P3 appelée base d’Hermite de type cubique associée à t0 et t1 .
On vérifie aisément que si p est un polynôme de P3 défini par
p(t) = p0 ϕ0 (t) + p1 ϕ1 (t) + p′0 ψ0 (t) + p′1 ψ1 (t) (1.19)
alors les relations (1.17) et (1.18) sont satisfaites.
Définition 1.3.2 Soit f une fonction continument dérivable sur l’intervalle
[t0 , t1 ] et si on construit un polynôme p défini par
p(t) = f0 ϕ0 (t) + f1 ϕ1 (t) + f0′ ψ0 (t) + f1′ ψ1 (t) (1.20)
on dit que p est l’interpolant d’Hermite de f par des cubiques sur [t0 , t1 ].
9
1.4 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 1.4.1 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
10
Chapitre 2
F (x̄) = 0. (2.1)
Exemple 2.2.1
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.
11
Définition 2.2.1 On dira qu’une racine r de (2.1) est séparable dans D s’il
existe un voisinage V de r, inclus dans D, tel que r soit la seule racine de
(2.1).
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
12
2.2.2 Dichotomie (ou méthode de Bolzano)
On suppose que r est une racine séparée de l’équation (2.1) dans [a, b]
(et qu’elle est la seule racine de (2.1) 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
a n = cn , et bn = bn−1
si F (an−1 )F (cn ) < 0, on pose
an = an−1 , et b n = cn .
Théorème 2.2.1 La suite (an ) définie par l’algorithme de dichotomie converge
vers r. Pour que |an − r| ≤ ϵ, il faut et il suffit que
ln( b−a )
n≥ ϵ
.
ln 2
13
Définition 2.3.3 Une méthode itérative convergente est dite d’ordre p si et
seulement s’il existe une constante C telle que
Remarque 2.3.1
– 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 2.3.2
– une méthode est d’autant meilleure que son ordre est grand
– L’ordre, s’il existe, est défini de façon unique par 2.3.
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
14
Soit x(n+1) ∈ B.
La suite x(n) est de Cauchy.
On a immédiatement :
∥x(n+1) − x(n) ∥ ≤ K n ∥x(1) − x(0) ∥
≤ K n β avec β = ∥x(1) − x(0) ∥
d’où
∑
p−1
∥x(n+1) − x(n) ∥ ≤ ∥x(n+p−i) − x(n+p−i−1) ∥
i=0
∑
p−1
≤ 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 2.3.3
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
∥α − x(n) ∥ ≤ ∥x(1) − x(0) ∥
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 ) = ϕ′ (y3 )(y1 − y2 )
avec y3 entre y1 et y2 .
Alors si |ϕ′ (α)| < 1, et si ϕ′ est continue au voisinage de α, on peut
construire (théoriquement, pas numériquement en général) la boule fer-
mée B, donc l’algorithme
x(0) ∈ B, x(n+1) = ϕ(x(n) )
15
est convergent et de plus
Exemple 2.3.1
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).
16
2.3.3 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 2.3.4
1. Dans la pratique, on écrit l’algorithme
où
∂1 f1 (x) · · · ··· ∂n f1 (x)
.. ..
Dx k 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 ′ (xk )
17
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 ′ (xk )
1 F ′′ (ξ)
= xk − x̄ − (xk − x̄) + (xk − x̄)2 ′
2 F (xk )
(2.7)
donc
xk+1 − x̄ 1 F ′′ (ξ)
=
(xk − x̄)2 2 F ′ (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 ′ (x̄) = 0, on applique l’algorithme à la fonction
1
G(x) = (F (x)) m
d’où
F (xk )
xk+1 = xk − m
F ′ (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.
18
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 ′ (x(k) ) ne faisant
intervenir que des valeurs de F .
Par exemple :
F (x(k) ) − F (x(k−1) )
F ′ (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 ϕ′ (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.
19
On a
F (x(k) ) = F (x(k) ) − F (α) ≈ (x(k) − α)F ′ (α)
donc
|F (x(k) )| ≈ |(x(k) − α)||F ′ (α)|
C’est donc un bon test surtout lorsque |F ′ (α)| n’est pas trop petit.
20
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
∫ 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 ?
∫b
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 ∫ 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
xi+1 − xi 1
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
∫ 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
∑M
J(g) = ωj g(tj ) (3.9)
j=1
22
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
J(αg1 + βg2 ) = ωj (αg1 + βg2 )(tj )
j=1
∑
M
= ωj (αg1 (tj ) + βg2 (tj ))
j=1
∑
M ∑
M
= α ωj g1 (tj ) + β ωj g2 (tj ))
j=1 j=1
= αJ(g1 ) + βJ(g2 ) (3.10)
∑ ( )
xi+1 − xi ∑
N −1 M
tj + 1
Lh (f ) = ωj f xi + (xi+1 − xi ) (3.13)
i=0
2 j=1
2
∑
N −1
xi+1 − xi
Lh (f ) = (f (xi ) + f (xi+1 )) (3.14)
i=0
2
23
Définition 3.1.2 On dira que la formule de quadrature
∑
M
J(g) = ωj g(tj )
j=1
∫ 1
pour calculer numériquement g(t) dt est exacte pour les polynômes de
−1
degré k ≥ 0 si ∫ 1
J(p) = p(t) dt
−1
∑
M
J(g) = ωj g(tj )
j=1
∫ 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
∫ b
f (x) dx − Lh (f ) ≤ Chk+1 (3.15)
a
p(t) = αt + β
24
sur l’intervalle [a, b] alors d’après le théorème, on a l’estimation suivante de
l’erreur : ∫ b
f (x) dx − Lh (f ) ≤ Ch2 (3.16)
a
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 (
∏ )
t − ti
φj (t) = , j = 1, . . . , M. (3.17)
i̸=j
tj − ti
∑
M
g̃(t) = g(tj )φj (t)
j=1
∫ 1 ∫ 1
On remplace alors g(t) dt par g̃(t) dt puisque
−1 −1
∫ 1 ∑
M ∫ 1
g̃(t) dt = g(tj ) φj (t) dt,
−1 j=1 −1
25
pour que
∑
M
J(g) = ωj g(tj )
j=1
∫ 1
soit une approximation de g̃(t) dt. Il vient alors le théorème :
−1
∑
M
J(g) = ωj g(tj )
j=1
∑
M
p(t) = p(tj )φj (t).
j=1
26
Ainsi donc :
∫ 1 ∑
M ∫ 1
p(t) dt = p(tj ) φj (t) dt
−1 j=1 −1
∑
M
= p(tj )ωj = J(p). (3.19)
j=1
27
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.
∫ 1
Il est facile de vérifier que p(t) dt = 2β = 2p(0).
−1
La formule composite associée est :
∑
N −1 ( )
xi + xi+1
Lh (f ) = (xi+1 − xi )f (3.21)
i=0
2
b−a
Remarque 3.3.1 On montre qu’on peut prendre C = sup |f (2) (t)|.
12 a≤t≤b
∑
N −1 [ ]
xi+1 − xi xi + xi+1
Lh (f ) = f (xi ) + 4f ( ) + f (xi+1 ) . (3.24)
i=0
6 2
28
La formule de Simpson est exacte pour des polynômes de degré 2 par
construction. Elle est même exacte
∫ pour des polynômes
∫ de degré 3. En effet,
1 1
3
si g(t) = t , alors J(g) = 0 et g(t) dt = t3 dt = 0. L’estimation
−1 −1
d’erreur est alors : ∫ b
f (x) dx − Lh (f ) ≤ Ch4 . (3.25)
a
b−a
Remarque 3.3.2 On montre qu’on peut prendre C = sup |f (4) (t)|.
2880 a≤t≤b
∑
M
J(p) = ωj p(tj )
j=1
∫ 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
∫ b
de f (x) dx définie par (3.13) alors, plus k est grand et plus l’erreur entre
∫ b a
1 dM 2
LM (t) = (t − 1)M (3.26)
2M M ! dtM
Théorème 3.3.1 Les polynômes de Legendre L0 , L1 , . . . vérifient les pro-
priétés suivantes :
1. L0 , L1 , . . . , LM forment une base de PM
∫ 1
2. si i ̸= j, alors Li (t)Lj (t) dt = 0 (propriété d’orthogonalité)
−1
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.
29
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 :
∫ 1 ∫ 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
t=1
1 di−1 2 i d
j
= (i+j) (t − 1) (t 2
− 1)j
2 i!j! dti−1 dtj
∫ 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
30
En utilisant 1.) on voit qu’il existe α0 , α1 , . . . , αs tels que
∑
s
p(t) = αj Lj (t)
j=0
∑
M
J(g) = ωj g(tj )
j=1
∑
M
Démonstration Soit J(g) = ωj g(tj ) la formule de Gauss-Legendre à
j=1
M points et soit p un polynôme de degré 2M − 1. Pour tout t ∈ R, on a :
∑
M
p̃(t) = p(tj )φj (t),
j=1
31
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.
32
Remarque 3.3.3 1. Les points de Gauss et les poids correspondants sont
donnés dans des tables numériques adéquates ou dans des logiciels d’in-
tégration numérique.
2. Si Lh (f ) est la formule composite associée, pour une fonction f défnie
sur [a, b], on a
∫ b
f (x) d x − Lh (f ) ≤ Ch2M
a
où f est 2M fois continûment dérivable et C une constante qui ne
dépend pas des points xi , i = 0, . . . , N choisis pour partionner [a, b].
Exemples
1. Formule de Gauss-Legendre à un point
On a L1 (t) = t et donc le seul zéro de L1 est t1 = 0. On retrouve la
formule du rectangle qui est d’ordre h2 .
2. Formule de Gauss-Legendre à deux points
On a L2 (t) = 12 (3t2 − 1) et donc les deux zéros de L2 sont donnés par :
1 1
t1 = − √ , et t2 = √ .
3 3
La base de Lagrange φ1 , φ2 de P1 associée aux points t1 , t2 est définie
par : √ √
1 − 3t 1 + 3t
φ1 (t) = , φ2 (t) =
2 2
ainsi ∫ +1 ∫ +1
ω1 = φ1 (t) dt = 1, ω2 = φ2 (t) dt = 1
−1 −1
33
Chapitre 4
4.1 Introduction
Le problème général que nous examinons dans ce chapitre est de trouver
X ∈ Rm,p qui vérifie l’équation
AX=K (4.1)
34
4.2 Les méthodes directes
4.2.1 Système à matrice diagonale
On considère le système linéaire A x = b dans lequel on suppose que A
est de la forme
a11 0 . . . . . . 0
. ..
0 a22 . . .
. . ..
A = .. .
.. .. .. .
.
. . .
.. .. .. 0
0 ... ... 0 ann
Le système s’écrit alors
aii xi = bi , i = 1, 2, . . . , n
bn 1 ∑n
xn = , xi = (bi − aij xj ), i = n − 1, . . . , 1 (4.3)
ann aii j=i+1
35
4.2.3 Méthode de Gauss
Elle consiste à ramener la résolution du système linéaire à la résolution
d’un système triangulaire (ou diagonal) ayant la même solution.
On construit la méthode par récurrence. Soit A = A(1) la matrice associée
au système linéaire (4.1), Ax = b. Soit b(1) = b. On suppose que l’on a déjà
(k) (k)
construit, en k étapes la matrice A(k) = [aij ], et telle que aij = 0, pour
j = 1, 2, . . . , k − 1 et i > j (1 ≤ k ≤ n − 1)
(k) (k) (k) (k) (k)
a11 a12 a13 . . . a1k ... ... a1n
(k) (k) (k) (k)
0 a22 a23 . . . a2k ... ... a2n
0
(k)
0 a33 . . .
(k)
a3k ... ...
(k)
a3n
.. .. .. .. ..
. . . . ... ... .
A(k) =
.. (k) (k)
(4.4)
. 0 akk ... ... akn
.. ..
. .
(k)
ak+1 k ... ...
(k)
ak+1
n
.. .. .. ..
. . . .
(k) (k)
0 ... ... 0 ank ... ... ann
et soit (k)
b1
..
.
b(k)
=
..
(4.5)
.
(k)
bn
tel que l’équation A(k) = b(k) soit équivalente à l’équation (4.1).
On construit à partir de A(k) et b(k) une matrice A(k+1) et un vecteur
b(k+1) de la manière suivante :
(k)
Si akk ̸= 0, on pose
(k+1) (k)
aij = aij , pour i = 1, 2, . . . , k; j = 1, . . . , n
(k)
(k+1) (k) (k) aik
aij = aij − akj (k) , pour i = k + 1, . . . , n; j = 1, . . . , n
akk
(k+1) (k)
bi = bi , pour i = 1, . . . , k
(k)
(k+1) (k) a (k)
bi = bi − ik b , pour i = k + 1, . . . , n
(k) k
(4.6)
akk
(k) (k)
Si akk = 0 et s’il existe m, avec k < m ≤ n tel que amk ̸= 0 on échange
les lignes m et k de A(k) et on reprend les formules du cas précédent.
(k)
Définition 4.2.1 Le nombre akk est appelé le pivot de la transformation.
36
4.3 Les méthodes itératives
Lorsqu’un système linéaire dépasse 100 équations à 100 inconnues, il de-
vient difficile de résoudre ce système par la méthode de Gauss, car d’une part
le nombre d’opérations devient considérable, d’autre part le nombre de places
mémoire nécessaires devient rapidement très grand. On utilise alors une mé-
thode itérative qui permet d’approcher la solution sans garder en mémoire
toute la matrice des données.
On cherche à résoudre le système (4.1) Ax = b où A est une matrice
inversible. pour cela on construit une suite de vecteurs x(m) ∈ Rn telle que
{
lim x(m) = x
m→+∞ (4.7)
Ax = b
M x(m+1) = N x(m) + b
où
x(m+1) = M −1 N x(m) + M −1 b.
On décompose A = [aij ] ∈ Rn,n de la façon suivante :
A=D−E−F
Nous supposons que les éléments diagonaux de A sont tous non nuls (donc
D est inversible).
37
4.3.1 Méthode de Jacobi
On pose M = D, N = E + F d’où
Dx(m+1) = (E + F )x(m) + b
ou encore
x(m+1) = D−1 (E + F )x(m) + D−1 b
ou
(m+1)
∑
i−1
(m)
∑
n
(m)
aii xi =− aik xk − aik xk + bi , 1 ≤ i ≤ n (4.11)
k=1 k=i+1
∑
i
(m+1)
∑
n
(m)
∑
n
(m)
aik xk =− aik xk − aik xk + bi , 1 ≤ i ≤ n (4.12)
k=1 k=i+1 k=i+1
ou
(m+1)
∑
i−1
(m+1)
∑
n
(m)
aii xi =− aik xk − aik xk + bi , 1 ≤ i ≤ n (4.13)
k=1 k=i+1
(m+1)
On obtient donc xi en fonction des (i − 1) premières composantes
de x(m+1) (déjà obtenues) et des (n − i) dernières composantes de x(m) . La
méthode ne nécessite pas la conservation en mémoire des autres composantes
de x(m) , ce qui est un avantage sur la méthode de jacobi.
38
4.3.3 Méthode de relaxation
Soit ω un paramètre réel non nul. On pose
1 1
M = ( D − E) N =( − 1)D + F
ω ω
soit
1 1
( D − E)x(m+1) = [( − 1)D + F ]x(m) + b
ω ω
ou
1 1 1
x(m+1) = ( D − E)−1 [( − 1)D + F ]x(m) + ( D − E)−1 b
ω ω ω
ou encore
(m+1) (m)
∑n
aij (m) ∑
i−1
aij (m+1) bi
xi = (1 − ω)xi −ω xj − ω xj +ω , 1≤i≤n
a
j=i+1 ii
a
j=1 ii
aii
1 1
Définition 4.3.3 La matrice Lω = ( D − E)−1 [( − 1)D + F ] est appelée
ω ω
matrice d’itération de relaxation.
39
Chapitre 5
40
Chapitre 6
Travaux dirigés
41
Exercice 6.1.3 On considère la fonction
f (2n+2) (ξ) ∏
n
f (x) − p(x) = (x − xi )2
(2n + 2)! i=0
42
Exercice 6.1.5 On considère deux réels a et b tels que a < b.
1) Montrer qu’il existe des polynômes pa , pb , qa , qb de P3 tels que
pa (a) = pb (b) = 1, pa (b) = p′a (a) = p′a (b) = pb (a) = p′b (a) = p′b (b) = 0
qa′ (a) = qb′ (b) = 1, qa (a) = qa (b) = qa′ (b) = qb (a) = qb (b) = qb′ (a) = 0
Expliciter ces polynômes. Montrer que {pa , pb , qa , qb } est une base de P3 .
2) Etant donné f une fonction dans C 1 ([a, b]; R), montrer qu’il existe un
unique polynôme p de P3 tel que
p(a) = f (a), p(b) = f (b), p′ (a) = f ′ (a), p′ (b) = f ′ (b)
Exprimez ce polynôme dans la base {pa , pb , qa , qb }.
3) On suppose f ∈ C 4 ([a, b]; R), montrer que, pour tout x ∈ [a, b], on a
4 3
|f (x) − p(x)| ≤ (b−a)
384
M4 (f ) , |f ′ (x) − p′ (x)| ≤ (b−a)
24
M4 (f )
′′ ′′ (b−a)2
|f (x) − p (x)| ≤ 2 M4 (f ) , |f (x) − p (x)| ≤ (b − a)M4 (f )
(3) (3)
43
Exercice 6.2.3 Analyser la convergence de la méthode de point fixe x(n+1) =
ϕj (x(n) ) pour le calcul des zéros α1 = −1 et α2 = 2 de la fonction f (x) =
x2 − x − 2, quand on utilise les fonctions d’itérations suivantes :
i) ϕ1 (x) = x√2
− 2,
ii) ϕ2 (x) = 2√+ x,
iii) ϕ3 (x) = − 2 + x,
iv) ϕ4 (x) = 1 + 2/x, x ̸= 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.
44
6.3 Intégration numérique
∑
Exercice 6.3.1 Soit In (f ) = nk=0 ωk f (xk ) une formule de quadrature de
Lagrange à n + 1 noeuds. Calcluler le degré d’exactitude r des formules :
(a) I2 (f ) = ( 32 )[f ( −1
2
) − f (0) + 2f ( 21 )]
(b) I4 (f ) = ( 4 )[f (−1) + 3f ( −1
1
3
) + 3f ( 31 ) + f (1)]
45
∫ b
M2 (b − a)3
f (x) dx − Tn ≤
a 12 n2
avec ( )
f (a) ∑
n−1
b−a f (b)
Tn = + f (xk ) +
n 2 k=1
2
α ′ α5 (5)
g(α) = [g (α) + 2g ′ (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 ′ (t)+2g ′ (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 ′ ′ ′ a+b (b − a)5 (5)
h(b) − h(a) = h (a) + h (b) + 4h ( ) − h (θ).
6 2 2880
46
6.4 Approximation au sens des moindres carrés
Exercice 6.4.1 1) Calculer l’équation de la droite de regression relative aux
points (2, 3), (4, 5), (7, 7).
2) Calculer l’équation de la droite de regression relative aux points (3, 2),
(5, 4), (7, 7).
Comparer la droite obtenue à celle de 1).
Exercice 6.4.2 Soient les valeurs yi d’une fonction f pour des valeurs xi
de la variable :
i 0 1 2 3 4
xi -2 -1 0 1 2
3 1
yi 2 2
0 12 3
2
47
Bibliographie
48