UFR MATHS-INFO UNIVERSITE FELIX HOUPHOUET-BOIGNY

2013–2014

LICENCE DEUXIEME ANNEE

Calcul Numérique

Prof. KOUA Brou Jean Claude

Table des matières

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

2 Equations non linéaires 11

2.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Encadrement d’une racine. Dichotomie . . . . . . . . . . . . . 11
2.2.1 Séparation des racines . . . . . . . . . . . . . . . . . . 12
2.2.2 Dichotomie (ou méthode de Bolzano) . . . . . . . . . . 13
2.3 Méthode itérative . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Généralités sur les méthodes itérative . . . . . . . . . . 13
2.3.2 Approximation successive . . . . . . . . . . . . . . . . 16
2.3.3 La méthode de Newton-Raphson . . . . . . . . . . . . 17
2.3.4 Autres méthodes . . . . . . . . . . . . . . . . . . . . . 18
2.3.5 Tests d’arrêt des itérations . . . . . . . . . . . . . . . . 19

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

5 Approximation au sens des moindres carrés 40

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

1.1 Position du problème

On veut chercher un polynôme p de degré n > 0 qui pour des valeurs t0 ,
t1 , . . ., tn distincts donnés, prenne des valeurs p0 , p1 , . . ., pn respectivement,
c.a.d. :
p(tj ) = pj , pour 0 ≤ j ≤ n. (1.1)
la première approche consiste à écrire
p(t) = a0 + a1 t + a2 t2 + · · · + an tn (1.2)
où a0 , a1 , . . ., an sont des ceofficients à déterminer, alors les (n + 1) relations
(1.1) s’écrivent :
a0 + a1 tj + a2 t2j + · · · + an tnj = pj , 0≤j≤n (1.3)
les valeurs de tj et pj , 0 ≤ j ≤ n, étant connues, les relations (1.3) forment
un système de (n + 1) équations à (n + 1) inconnues, a0 , a1 , . . ., an .
Les relations (1.3) peuvent aussi s’écrire sous forme matricielle :
p⃗ = T⃗a (1.4)
où    
a0 p0
 a1   p1 
   
⃗a =  .. , p⃗ =  .. 
 .   . 
an pn
et  
1 t0 t20 ··· tn0
 1 t1 t21 ··· tn1 
 
T = .. .. .. .. .. 
 . . . . . 
1 tn t2n · · · tnn

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.

1.2 Interpolation de Lagrange

1.2.1 Formule à n + 1 points
Soit n ∈ N∗ , on se donne (n + 1) points distincts de la droite réelle, notés
par ordre croissant, t0 , t1 , . . ., tn .
Soit f une fonction définie sur un intervalle I contenant [t0 , tn ] et à valeurs
réelles, et dont on ne connaît que les valeurs aux points ti , (0 ≤ i ≤ n). Notons
f (ti ) ces valeurs.
On veut rechercher un polynôme p de degré n tel que :
p(ti ) = f (ti ), 0 ≤ i ≤ n. (1.5)
Soit k un entier donné entre 0 et n, on définit une fonction φk par
∏ ( t − tj )
φk (t) = (1.6)
t k − tj
j̸=k

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

par conséquent, tous les αk , k = 0, 1, . . . , n sont identiquement nuls.

Définition 1.2.1 On dit que φ0 , φ1 , . . ., φn forme la base de Lagrange de

Pn associée aux points t0 , t1 , . . ., tn .

N.B. : Pn désigne l’espace vectoriel des polynômes de degré inférieur ou

égal à n.

Théorème 1.2.1 Il existe un polynôme p unique de degré au plus égal à n

et vérifiant (1.5).

Démonstration Soit φ0 , φ1 , . . ., φn la base de Lagrange de Pn associée

aux points t0 , t1 , . . ., tn .
Il suffit de poser
∑
n
p= f (tj )φj (1.7)
j=0

pour obtenir un polynôme vérifiant (1.5). L’unicité de la solution est triviale.



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

En combinant (1.7) et (1.10) on obtient une formule à n + 1 points équi-

distants.
Une autre formulation peut-être obtenue dans ce cas.
Nous introduisons pour ce faire la notation des différences, ainsi définies
pour t ∈ R :
∆0 f (t) = f (t)
∆f (t) = f (t + h) − f (t)
∆2 f (t) = ∆(∆f (t)) = f (t + 2h) − 2f (t + h) + f (t)
..
. ···
∆n f (t) = ∆(∆n−1 f (t)) (1.11)
Ces différences aux points ti peuvent être obtenues aisément par la dis-
position suivante des calculs, par exemple, pour n = 5 :
t0 f (t0 )
∆f (t0 )
t1 f (t1 ) ∆2 f (t0 )
∆f (t1 ) ∆3 f (t0 )
t2 f (t2 ) ∆2 f (t1 ) ∆4 f (t0 )
3
∆f (t2 ) ∆ f (t1 ) ∆5 f (t0 )
t3 f (t3 ) ∆2 f (t2 ) ∆4 f (t1 )
∆f (t3 ) ∆3 f (t2 )
2
t4 f (t4 ) ∆ f (t3 )
∆f (t4 )
t5 f (t5 )

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 

Généralisation : les différences divisées

On peut généraliser la construction faite avec des abscisses équidistants
à n + 1 couples de (ti , fi ) quelconques.
On construit alors le polynôme p par récurrence.
Désignons par Pk le polynôme de Lagrange de degré k aux points (ti , fi )
pour 0 ≤ i ≤ k.
On a P0 (t) = f0 .
Pour k ≥ 1, Pk (t) − Pk−1 (t) est un polynôme de degré k qui s’annule pour
t0 , t1 , . . ., tk−1 .
Donc
Pk (t) − Pk−1 (t) = µ (t − t0 )(t − t1 ) . . . (t − tk−1 )
où µ est une constante notée µ = f [t0 , t1 , . . . , tk ], elle correspond au coefficient
de tk dans Pk (t) et on l’appelle la différence divisée d’ordre k de la fonction
f aux points t0 , t1 , . . ., tk .
On obtient alors la formule
∑
n
P (t) = f0 + f [t0 , t1 , . . . , tk ](t − t0 )(t − t1 ) . . . (t − tk−1 ) (1.14)
k=1

appelée formule de Newton du polynôme d’interpolation de p.

On peut calculer les différences divisées en utilisant le résultat suivant :

Proposition 1.2.1 On pose

f [ti ] = fi , pour i = 1, . . . , n

f [t1 , . . . , tk ] − f [t0 , . . . , tk−1 ]

Pour k ≥ 1, f [t0 , t1 , . . . , tk ] = .
tk − t0

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

qu’on prolonge aux points ti par continuité (règle de l’Hospital)

f ′ (tj ) − p′ (tj )
ψ(tj ) = ∏ , 0 ≤ j ≤ n + 1.
(tj − ti )
i̸=j

Fixons t ∈ [t0 , tn ], la fonction Φ(.; t) définie sur I par

∏
Φ(z; t) = f (z) − p(z) − (z − ti )ψ(t)
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

qu’on majore par, le dernier maximum étant atteint pour t = t0 ,

h2
n!hn−1
4
d’où le résultat. 

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 :

xi,1 < xi,1 < · · · < xi,n−1 .

En posant t0 = xi , tj = xi,j , 1 ≤ j ≤ n − 1, tn = xi+1 , nous pouvons

interpoler f aux points tj , 0 ≤ j ≤ n par un polynôme de degré n.
On pose h = max |xi − xi+1 |.
0≤i≤n−1
On veut alors chercher une fonction fh définie sur [a, b] à valeurs dans R
telle que fh restreinte à l’intervalle [xi , xi+1 ] soit le polynôme d’interpolation
de Lagrange de f de degré n.

Définition 1.4.1 On dira que fh est l’interpolant de degré n par intervalle

de la fonction f .

Remarque 1.4.1 Les points xi sont appelés nœuds.

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

max |f (x) − fh (x)| ≤ Chn+1 .

x∈[a,b]

10
Chapitre 2

Equations non linéaires

2.1 Position du problème

Soit F une application non linéaire de D ⊂ Rk (ou Ck ) dans Rk (ou Ck ).
On cherche le (ou les) x̄ ∈ D vérifiant

F (x̄) = 0. (2.1)

Les méthodes numériques pour approcher x̄ consistent à

– localiser grossièrement le ou les zéros de F . Notons x0 cette solution
grossière.
– construire à partir à partir de x0 , une suite x1 , x2 , . . ., xn , . . .telle que
lim xn = x̄, où x̄ satisfait à (2.1).
n→+∞
On dit alors que la méthode est convergente.

2.2 Encadrement d’une racine. Dichotomie

L’existence, le nombre des racines éventuelles de l’équation (2.1) posent
des problèmes qui ne sont pas résolus par une méthode générale.

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.

2.2.1 Séparation des racines

Lorsque l’on cherche à calculer une racine de (2.1), il faut commencer par
en trouver un encadrement. Pour cela, il n’existe pas de méthode générale.
Dans la pratique, en dehors de l’étude théorique de F , on utilise deux
types de méthodes : les méthodes graphiques et les méthodes algébriques.

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

on trace alors les deux courbes f (x, y) = 0 et 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

Corollaire 2.2.1 Entre deux racines successives x0 et x1 de F ′ (x), il y a

une seule racine r de F (x) si F (x0 ) × F (x1 ) < 0.

Remarque 2.2.1 On notera que l’utilisation de cette propriété nécessite la

connaissance, au moins approchée, des racines de l’équation F ′ (x) = 0.

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

2.3 Méthode itérative

Les méthodes itératives sont développées pour calculer une racine x̄ de
F.

2.3.1 Généralités sur les méthodes itérative

Définition 2.3.1 On appelle formule itérative à un point toute formule de
la forme : { (0)
x donné
(2.2)
x(n+1) = ϕ(x(n) )
Définition 2.3.2 Une méthode itérative à un point est dite convergente, si et
seulement si, quel que soit x(0) dans un domaine, la suite x(n) est convergente
vers x̄, solution de F (x) = 0.

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

∥x(n+1) − x̄∥ ≤ C∥∥x(n) − x̄∥p (2.3)

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.

Théorème 2.3.1 (Théorème du point fixe)

Si la fonction ϕ satisfait à la condition de Lipschitz

∥ϕ(y1 ) − ϕ(y2 )∥ ≤ K∥∥y1 − y2 ∥ (2.4)

avec 0 < K < 1 et pour tout y1 et y2 appartenant à la boule fermée B de

centre w et de rayon ρ telle que :

∥w − ϕ(w)∥ ≤ (1 − K)ρ (2.5)

alors l’équation x = ϕ(x) admet une seule racine α ∈ B. Cette racine est la
limite de la suite

x(0) , x(1) = ϕ(x(0) ), . . . , x(n+1) = ϕ(x(n) )

quel que soit le choix x(0) ∈ B.

Démonstration L’équation ϕ(x) = x a au plus une racine dans B. En

effet, soient x et y distincts dans B tels que ϕ(x) = x et ϕ(y) = y alors

∥ϕ(y) − ϕ(x)∥ = ∥y − x∥ ≤ K∥y − x∥ < ∥y − x∥

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

∥ϕ(x(n) ) − ϕ(w)∥ ≤ ∥x(n) − w∥ ≤ Kρ

∥ϕ(x(n) ) − w∥ ≤ ∥ϕ(x(n) ) − ϕ(w)∥ + ∥ϕ(w) − w∥ ≤ ρ

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

|ϕ′ (α2 )|∥x(n) − α∥ ≤ ∥x(n+1) − ϕ(α)∥ ≤ |ϕ′ (α1 )|∥x(n) − α∥

|ϕ′ (α1 )| = sup |ϕ′ (x)|
x∈B
|ϕ′ (α2 )| = inf |ϕ′ (x)|
x∈B

alors si ϕ′ (α) ̸= 0, la méthode converge à l’ordre 1.

3. Si ϕ est autant de fois dérivable que l’on veut, on a

(x − α)2 ′′ (x − α)m−1 (m−1)

ϕ(x) − ϕ(α) = (x − α)ϕ′ (α) + ϕ (α) + · · · + ϕ (α)
2 (m − 1)!
(x − α)m (m)
+ ϕ (ξ)
(m)!
(2.6)

donc si ϕ′ (α) = ϕ′′ (α) = · · · = ϕ(m−1) (α) = 0 et ϕ(m) (α) ̸= 0, on a :

x(n+1) − α ϕ(m) (ξ)

=
(x(n) − α) m!

donc si ϕ(m) est continue, l’ordre de convergence est m.

Problème 2.3.1 Connaissant F , comment construire ϕ ?

2.3.2 Approximation successive

On pose ϕ(x) = x − G(x) où G est une équation équivalente à F alors
(2.1) équivaut à
ϕ(x) = x
Attention : Une telle opération peut-être possible de plusieurs façons ! ! !

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

xk+1 = xk − (Dx F )−1 F (xk )

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 )

puis on calcule xk+1 = xk + y.

2. Si F (x) = 0 est une équation scalaire ; il est suffisant que F soit conti-
nûment dérivable et que F ′ (x̄) soit non nul, alors l’lgorithme s’écrit :

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.

2.3.4 Autres méthodes

La méthode de Lagrange
Elle est aussi appelée la méthode des parties proportionnelles.
On est dans le cas scalaire.
On remplace le graphe de F restreint à l’intervalle [a, b] par la droite
passant par A = (a, F (a)) et B = (b, F (b)) c’est à dire que l’on interpole la
fonction F par un polynôme P de degré un et on résout P (x) = 0.
On pose
x−a aF (x) − xf (a)
ϕ(x) = a − F (a) =
F (x) − F (a) F (x) − F (a)
d’où l’algorithme
aF (x(k) ) − x(k) F (a)
x(k+1) =
F (x(k) ) − F (a)

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) F (x(k) ) − x(k) F (x(k−1) )

x(k+1) =
F (x(k) ) − F (x(k−1) )

2.3.5 Tests d’arrêt des itérations

On se place toujours dans le cas scalaire.
Le test d’arrêt usuel consiste à arrêter les itérations dès que

|x(k+1) − x(k) | < ε

ε étant la précision désirée, où

x(k+1) = ϕ(x(k) ).

Lorsque ϕ′ (x) est négatif au voisinage de la solution α,

Comme

x(k+1) − α = ϕ(x(k) ) − ϕ(α) = ϕ(ξk )(x(k) − α)

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

Ce réel positif caractérise la finesse de la partition.

Plus N est grand, plus nous pouvons placer les points xi de sorte à ce que
h soit petit. On peut poser, pour faciliter les calculs,
b−a
h= , et xi = a + ih, i = 0, . . . , N.
N
21
 Etant donné la partition (3.2), il est naturel d’écrire
∫ b ∑
N −1 ∫ xi+1
f (x) dx = f (x) dx. (3.4)
a i=0 xi

Ce sont ainsi les intégrales

∫ xi+1
f (x) dx
xi

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

est définie par la donnée de M points −1 ≤ t1 < t2 < · · · < tM ≤ 1 appelés

points d’intégration et M nombres réels ω1 , ω2 , . . . , ωM appelés poids de la
formule de quadrature. Ces M points et ces M poids devront∫ être cherchés
1
de façon à ce que J(g) soit une approximation numérique de g(t) dt.
−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)

Exemple 3.1.1 Si on prend M = 2 avec t1 = −1, t2 = 1, ω1 = 1 et ω2 = 1,

on a
J(g) = g(−1) + g(1) (3.11)
cette formule est appelée formule du trapèze.

Les formules de quadrature sont utilisées de la manière suivante pour

approcher (3.1) : ∫ 1 ∫ xi+1
Dans (3.7), on approche gi (t) dt, par J(gi ). Ainsi la quantité f (x) dx
−1 xi
est approchée par :
( )
xi+1 − xi ∑
M
tj + 1
ωj f xi + (xi+1 − xi ) (3.12)
2 j=1
2
∫ b
En revenant à (3.4), nous allons donc approcher f (x) dx par la formule
a
composite

∑ ( )
xi+1 − xi ∑
N −1 M
tj + 1
Lh (f ) = ωj f xi + (xi+1 − xi ) (3.13)
i=0
2 j=1
2

Exemple 3.1.2 Considérons la formule du trapèze (3.11), c’est à dire t1 =

−1, t2 = 1, ω1 = 1 et ω2 = 1. La formule composite s’écrit

∑
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

pour tout polynôme p de degré inférieur ou égal à k.

Théorème 3.1.1 Supposons que la formule de quadrature

∑
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

Revenons à la formule du trapèze (3.11) et la formule composite associée

(3.14).
Si p est un polynôme de degré 1, p s’écrit sous la forme

p(t) = αt + β

où α, β ∈ R. Alors, la formule de quadrature entraine

∫ 1
p(t) dt = J(p).
−1

Ainsi la formule du trapèze est exacte pour des polynômes de degré 1.

Si l’intervalle [a, b] est divisé en N parties égales (h = b−a N
), xi = a + ih
avec i = 0, 1, . . . , N et si f est une fonction deux fois continument dérivable

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

où C est une constante qui ne dépend pas de N et donc pas de h.

3.2 Poids d’une formule de quadrature

On suppose donnés M points d’intégration distincts dans l’intervalle [−1, 1] :

−1 ≤ t1 < t2 < · · · < tM ≤ 1

Objectif : déterminer les poids ω1 , ω2 , . . . , ωM de sorte que la formule de

quadrature
∑
M
J(g) = ωj g(tj )
j=1

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

Soit g : t ∈ [−1, 1] → g(t) ∈ R une fonction continue donnée. Son inter-

polant g̃ de degré M − 1 aux points t1 , t2 , . . . , tM est défini par

∑
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

on constate qu’il suffit de poser

∫ 1
ωj = φj (t) dt
−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

Théorème 3.2.1 Soit t1 < t2 < · · · < tM , M points distincts de l’intervalle

[−1, 1] et soit φ1 , φ2 , . . . , φM la base de Lagrange de PM −1 associée à ces M
points. Alors la formule de quadrature

∑
M
J(g) = ωj g(tj )
j=1

est exacte pour les polynômes de degré M − 1 si et seulement si

∫ 1
ωj = φj (t) dt, j = 1, 2, . . . , M. (3.18)
−1

Démonstration Supposons la formule de quadrature J(.) exacte pour les

polynômes de degré M − 1.
Puisque
∑
M ∫ 1
J(p) = ωj p(tj ) = p̃(t) dt
j=1 −1

pour tout polynôme p ∈ PM −1 , nous pouvons choisir p = φk , k = 1, 2, . . . , M

et on obtient :
∑M ∫ 1
J(φk ) = ωj φk (tj ) = φ˜k (t) dt
j=1 −1

or φk (tj ) = δkj , il vient alors

∫ 1
ωk = φk (t) dt
−1

Supposons les relations (3.18) vraies.

Soit p un polynôme quelconque de degré M − 1, développons p dans la
base de Lagrange de PM −1 associée aux points t1 , t2 , . . . , tM . On a

∑
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

Exemple 3.2.1 Considérons M = 2, t1 = −1 et t2 = 1 (formule du trapèze).

la base de Lagrange φ1 et φ2 de P1 associée aux points est
1−t t+1
φ1 (t) = et φ2 (t) =
2 2
les relations (3.18) s’écrivent
∫ 1 ∫ 1
ω1 = φ1 (t) dt = 1, et ω2 = φ2 (t) dt = 1
−1 −1

Remarque 3.2.1 Le théorème assure que les formules de quadrature construites

grâce à (3.18) sont exactes pour les polynômes de degré M − 1. Mais il se
peut que ces formules soient exactes pour des polynômes de degré k, avec k
plus grand que M − 1.

3.3 Exemples de formules de quadrature

3.3.1 Formule du rectangle
La formule du rectangle est une formule à un seul point (M = 1), t1 = 0.
La base de Lagrange de P0 associée à t1 = 0 est donnée par

φ1 (t) = 1, ∀t ∈ [−1, 1].

Ainsi, la relation (3.18) donne :

∫ 1
ω1 = φ1 (t) dt = 2
−1

et la formule du rectangle devient

J(g) = 2g(0). (3.20)

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

et on obtient l’estimation d’erreur

∫ b
f (x) dx − Lh (f ) ≤ Ch2 . (3.22)
a

b−a
Remarque 3.3.1 On montre qu’on peut prendre C = sup |f (2) (t)|.
12 a≤t≤b

3.3.2 Formule de Simpson

La formule de Simpson est une formule à trois points : M = 3, t1 = −1,
t2 = 0, t3 = 1.
La base de Lagrange φ1 , φ2 , φ3 de P2 associée à ces trois points est :
1 1
φ1 (t) = (t2 − t), φ2 (t) = 1 − t2 , φ3 (t) = (t2 + t).
2 2
Les relations (3.18) deviennent alors
∫ 1 ∫ 1 ∫ 1
1 4 1
ω1 = φ1 (t) dt = , ω2 = φ2 (t) dt = , ω3 = φ3 (t) dt = .
−1 3 −1 3 −1 3

La formule de Simpson s’écrit :

1 4 1
J(g) = g(−1) + g(0) + g(1). (3.23)
3 3 3
La formule composite associée est

∑
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

3.3.3 Formules de Gauss-Legendre

Idée : placer au mieux les points d’intégration t1 , t2 , . . . , tM de sorte que
la formule de quadrature

∑
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

f (x) dx et Lh (f ) tend rapidement vers zéro avec h.

a

Définition 3.3.1 Le polynôme de Legendre de degré M est défini par

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

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
∫ 1 ∫ 1 i
−1 d 2 i d
j
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

∫ 1 ∫ 1 i−j
(−1)j d i d
2j
Li (t)Lj (t) dt = (i+j) i−j
(t 2
− 1) 2j
(t2 − 1)j dt
−1 2 i!j! −1 dt dt
∫
(−1)j (2j)! 1 di−j 2
= (t − 1)i dt
2(i+j) i!j! −1 dti−j
∫ 1 i−j−1 t=1
(−1)j (2j)! d
= (t − 1) dt
2 i
= 0(3.29)
2(i+j) i!j! −1 dt
i−j−1
t=−1

Soit t1 , t2 , . . . , ts les points strictement compris entre −1 et 1 en lesquels

LM change de signe. Ces points sont des zéros de LM et on a donc s ≤ M .
Si on pose
p(t) = (t − t1 )(t − t2 ) . . . (t − ts )
on a p ∈ Ps et, puisque p change aussi de signe en les points tj , 1 ≤ j ≤ s,
on obtient

p(t)LM (t) ≥ 0 ∀t ∈ [−1, 1] où p(t)LM (t) ≤ 0 ∀t ∈ [−1, 1].

Mais puisque p(t)LM (t) n’est pas identiquement nul, on a :

∫ 1
p(t)LM (t) dt ̸= 0.
−1

30
 En utilisant 1.) on voit qu’il existe α0 , α1 , . . . , αs tels que
∑
s
p(t) = αj Lj (t)
j=0

et en utilisant 2.) on obtient

∫ 1 ∑
s ∫ 1
p(t)LM (t) dt = αj Lj (t)LM (t) dt
−1 −1
j=0
∫ 1
= αs Ls (t)LM (t) dt. (3.30)
−1
∫ 1
Puisque p(t)LM (t) dt n’est pas nul, on a nécessairement s = M et
−1
donc les M zéros de LM (t) sont t1 , t2 , . . . , tM . 

Définition 3.3.2 La formule de quadrature

∑
M
J(g) = ωj g(tj )
j=1

est dite formule de Gauss legendre à M points si

1. Les points d’intégration t1 < t2 < · · · < tM sont les M zéros du poly-
nômes de Legendre c’est à dire les M points de Gauss.
2. les poids ω1 , ω2 , . . . , ωM sont définis par les relations :
∫ 1
ωj = φj (t)dt, j = 1, . . . , M
−1

où φ1 , φ2 , . . . , φM est la base de Lagrange de PM −1 associée aux M

points de Gauss.

Théorème 3.3.2 La formule de gauss-Legendre à M points (M entier su-

périeur ou égal à 1) est exacte pour les polynômes de degré r = 2M − 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) = p(t) − p̃(t)

Ce polynôme est de degré 2M − 1 et s’annule en les points t1 < t2 <

· · · < tM , q(tj ) = 0, j = 1, 2, . . . , M . Donc q est divisible par le polynôme v
de degré M défini par :
∏M
v(t) = (t − tj )
j=1

c’est à dire qu’il existe un polynôme w de degré M − 1 tel que

q(t) = v(t)w(t), ∀t ∈ R.

Comme v est degré M et s’annule en les M zéros de LM qui lui-même est

de degré M , il existe un nombre réel α tel que

v(t) = αLM (t), ∀t ∈ R.

Puisque w est un polynôme de degré M − 1, il existe β0 , β1 , . . . , βM −1 tels

que
∑
M −1
w(t) = βk Lk (t).
k=0

Alors, d’après la propriété d’othogonalité des polynômes de Legendre, on

a:
∫ 1 ∫ 1 ∑
M −1 ∫ 1
q(t) dt = v(t)w(t) dt = α βk LM (t)Lk (t) dt = 0
−1 −1 k=0 −1

Alors, d’après la définition de q, on a :

∫ 1 ∫ 1
p(t) dt = p̃(t) dt
−1 −1

et par définition de p̃, on obtient

∫ 1 ∑
M ∫ 1 ∑
M
p(t) dt = p(tj ) φj (t) dt = ωj p(tj ) = J(p).
−1 j=1 −1 j=1

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

La formule de Gauss-Legendre à deux points s’écrit :

1 1
J(g) = g(− √ ) + g( √ )
3 3
La formule composite associée est :
{ √ √ }
∑
N −1
xi+1 − xi 3−1 3+1
Lh (f ) = f (xi + √ (xi+1 − xi )) + f (xi + √ (xi+1 − xi ))
i=0
2 2 3 2 3
et si f est quatre fois continûment dérivable
∫ b
f (x) d x − Lh (f ) ≤ Ch4
a

où C est une constante, indépendante du choix des xi .

33
Chapitre 4

Systèmes d’équations linéaires

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)

où A est une matrice (n, m) et K une matrice (n, p).

Suivant les valeurs de p, on aura :
1. K = b ∈ Rn,1 , vecteur de Rn . La solution X, si elle existe est un vecteur
de Rn . Le problème est donc de résoudre le système linéaire A X = b.
2. Si p > 1, on a alors à résoudre plusieurs systèmes linéaires relatifs
à la même matrice A, avec des seconds membres différents. Chaque
colonne xi de X est la solution du système linéaire associé à la colonne
correspondante ki de K : A xi = ki , i = 1, . . . , p.
3. n = m = p. K = I, matrice identité d’ordre n. Le problème est alors
de trouver la matrice A−1 inverse de la matrice A.
On classe les méthodes de résolution des systèmes linéaires en deux fa-
milles : les méthodes directes qui conduisent à la solution en un nombre fini
d’opérations, et les méthodes itératives qui sont des approximations succes-
sives à partir d’un vecteur initial proche ou non de la solution cherchée, le
nombre d’itérations étant en principe infini.

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

Donc si aii ̸= 0, la solution est

bi
xi = , i = 1, . . . , n. (4.2)
aii
Si aii = bi = 0, l’équation (i) est inutile.

4.2.2 Système à matrice triangulaire

On suppose maintenant que le système linéaire A x = b est tel que A est
de la forme  
a11 a12 . . . . . . a1n
 . .. 
 0 a22 . . . 
 . 
A=  ..
... ... ... ..
. 

 . .. .. 
 .. . . an−1 n 
0 ... ... 0 ann
La matrice A est donc triangulaire supérieure (ou triangulaire inférieure).
Si aii ̸= 0 pour i = 1, 2, . . . , n, la suite {xi }, (i = 1, . . . , n) définie par

bn 1 ∑n
xn = , xi = (bi − aij xj ), i = n − 1, . . . , 1 (4.3)
ann aii j=i+1

est l’unique solution du système.

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

Les méthodes se construisent de la même manière : on pose A = M − N

où M est inversible et en pratique (en particulier diagonale ou triangulaire).
On détermine la suite x(m) par

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

avec D matrice diagonale telle que :

{
dij = 0 si i ̸= j
(4.8)
dii = aii

E matrice strictement inférieure telle que :

{
eij = 0 si i ≤ j
(4.9)
eij = −aij si i > j

et F matrice strictement supérieure telle que :

{
fij = 0 si i ≤ j
(4.10)
fij = −aij si i < j.

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

On obtient donc les composantes de x(m+1) en fonction des composantes

(m+1)
de x(m) qui doivent donc être conservées en mémoire jusqu’au calcul de xn .

Définition 4.3.1 La matrice J = D−1 (E+F ) est appelée matrice d’itération

de Jacobi.

4.3.2 Méthode de Gauss-seidel

On pose M = D − E, N = F d’où
(D − E)x(m+1) = F x(m) + b
ou encore
x(m+1) = (D − E)−1 F x(m) + (D − E)−1 b
soit encore

∑
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.

Définition 4.3.2 La matrice G = (D − E)−1 F est appelée matrice d’itéra-

tion de Gauss-seidel.

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. si ω = 1, on retrouve la méthode de Gauss Seidel

2. si ω < 1, on dit que c’est une méthode de sous-relaxation
3. si ω > 1, on dit que c’est une mathode de sur-relaxation.
On montre qu’une condition nécessaire pour qu’une méthode de relaxa-
tion soit convergente est que 0 < ω < 2.

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

Approximation au sens des

moindres carrés

Voir polycopié joint.

40
Chapitre 6

Travaux dirigés

6.1 Interpolation polynomiale

Exercice 6.1.1 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

∀i ∈ {0, 1, . . . , n}, Lk (xi ) = δi,k

où δi,k est le symbole de Kronecker.

b) Montrer que {L0 , L1 , . . . , Ln } est une base de Pn et indiquer quelles
sont dans cette base les composantes d’un polynôme p de degré inférieur ou
égal à n.
2) Etablir l’existence et l’unicité d’un polynôme du polynôme d’interpo-
lation de f sur [a, b] relativement aux points x0 , x1 , . . . , xn , c’est à dire du
polynôme pn de degré inférieur ou égal à n (que l’on explicitera) tel que

∀i ∈ {0, 1, . . . , n}, pn (xi ) = f (xi ).

Exercice 6.1.2 Soit f : R → R telle que

f (−2) = −21, f (0) = −1, f (1) = 3, f (2) = 11.

1) Déterminer par deux méthodes le polynôme de Lagrange de f en −2,

0 et 1.
2) Quel est le polynôme d’interpolation de f en −2, 0, 1 et 2.

41
Exercice 6.1.3 On considère la fonction

f (x) = e2x , x ∈ [0, 1].

Soit N un nombre entier, h = 1/N et Πh1 f le polynôme composite linéaire

par morceaux qui interpole la fonction f aux nœuds xi = ih , i = 0, 1, . . . , N .
1) Calculer le nombre minimal N de sous-intervalles pour que l’erreur
d’interpolation E1h (f ) = max |f (x) − Πh1 f (x)| soit inférieur à 10−4 .
x∈(0,1]
2) Soit Πn f le polynôme d’interpolation de Lagrange de degré n qui inter-
pole f aux nœuds xi = i/n, i = 0, 1, . . . , n. Est-ce que l’erreur d’interpolation
En (f ) = maxx∈(0,1] |f (x) − Πn f (x)| tend vers zéro lorsque n → ∞ ? Est-ce
que le nombre de nœuds nécéssaires pour que l’erreur soit plus petite que 10−4
est du même ordre de grandeur que celui du point a) ? justifiez votre réponses.

Exercice 6.1.4 Interpolation d’Hermite.

Soit f un fonction de classe C 1 de R à valeurs dans R et x0 , x1 , . . . , xn ∈
R, des points distincts rangés par ordre croissant.
On note bi = f (xi ) et ci = f ′ (xi ) pour tout i ∈ {0, · · · , n} et Pn l’espace
des polynômes de degré au plus éagal à n.
1) Montrer qu’il existe un polynôme unique p de degré au plus 2n + 1
vérifiant :

p(xi ) = bi , p′ (xi ) = ci , ∀i ∈ {0, · · · , n}.

Montrer que l’on peut écrire

∑
n
p(x) = ((f ′ (xj ) − f (xj )h′j (xj ))(x − xj ) + f (xj ))hj (x), où hj = (lj )2
j=0

et les lj sont les polynômes de la base de Lagrange associée aux points x0 , x1 , . . . , xn .

2) Supposons que f soit de classe C 2n+2 ([x0 , xn ]). Montrer que pour tout
x ∈ [x0 , xn ], il existe ξ ∈ [x0 , xn ] tel que

f (2n+2) (ξ) ∏
n
f (x) − p(x) = (x − xi )2
(2n + 2)! i=0

où p est le polynôme de degré 2n + 1 vérifiant :

p(xi ) = f (xi ), p′ (xi ) = f ′ (xi ), ∀i ∈ {0, · · · , n}.

En déduire une majoration de l’erreur.

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)

où M4 (f ) = supx∈[a,b] |f (4) (x)|.

Indication : on pourra montrer que p′ est le polynôme d’interpolation de
Lagrange de f ′ en 3 points de [a, b].

6.2 Equations non linéaires

Exercice 6.2.1 a) On définit le polynôme P (x) = x3 +3x2 −9x+1. Localiser
ses racines dans des intervalles de R deux à deux disjoints.
b) Donner une approximation par la méthode de dichotomie à 10−2 près
de sa racine de plus petit module.
Exercice 6.2.2 Soit f une fonction continue de R dans R.
1. Supposons qu’il existe k ∈]0, 1[ tel que
∀x, y ∈ R, |f (x) − f (y)| ≤ k|x − y|.
Démontrer que la suite définie par
x0 ∈ R, ∀n ∈ N, xn+1 = f (xn )
converge vers une limite c ∈ R telle que f (c) = c.
2. Supposons maintenant que f est de classe C 1 et qu’il existe c ∈ R tel
que f (c) = c, et que |f ′ (c)| < 1. Démontrer qu’il existe un intervalle I
contenant c tel que la suite définie par
x0 ∈ I, ∀n ∈ N, xn+1 = f (xn )
converge vers c.

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.

Exercice 6.2.4 Soit f la fonction de R+ dans R définie par f (x) = ln x.

Montrer que la méthode de Newton pour la recherche de x̄ tel que f (x̄) = 0
converge si et seulement si le choix initial de x(0) est tel que x(0) ∈]0, e[.

Exercice 6.2.5 On considère une méthode de point fixe utilisant la fonc-

tion :
x(x2 + 3a)
g(x) =
(3x2 + a)
où a est un paramètre strictement positif.
1) Obtenir l’unique point fixe de cette fonction dans l’intervalle ]0, +∞[.
2) Montrer que la méthode converge dans ce cas au moins à l’ordre 3 vers
le point fixe trouvé en 1).

Exercice 6.2.6 a) Obtenir tous les points fixes de la fonction :

g(x) = (λ + 1)x − λx2

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.

Exercice 6.2.7 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 ?

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)]

Exercice 6.3.2 La table suivante donne les valeurs de f (x) :

x 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8

f (x) 1.543 1.669 1.811 1.971 2.151 2.352 2.577 2.828 3.107

1) Integrer entre x = 1.0 et x = 1.8 en utilisant la formule du trapèze

avec
a) h = 0.1
b) h = 0.2
c) h = 0.4
2) Reprendre l’exercice en utilisant la formule de Simpson.

Exercice 6.3.3 Méthode des trapèzes.

Dans cet exercice, f désigne une fonction de classe C 2 de [a, b] dans R et
l’on pose pour k = 0, 1, 2, . . . , n :
b−a
xk = a + k .
n
1) Soit g le polynôme de degré au plus 1 tel que g(a) = f (a), g(b) = f (b).
a) Donner la valeur T de l’intégrale de g sur [a, b].
b) Par application du théorème de Rolle à une fonction auxiliaire conve-
nablement choisie, prouver que, pour tout x ∈ [a, b], il existe c ∈]a, b[ tel
que :
f ′′ (c)
f (x) − g(x) = − (x − a)(b − x)
2
et en déduire que, si M2 est un majorant de |f ′′ | sur [a, b], alors :
∫ b
M2
f (x) dx − T ≤ (b − a)3
a 12
ce qui donne un majorant de l’erreur due à cette méthode.
2) Par application de cette méthode sur chaque segment [xk−1 , xk ], (1 ≤
k ≤ n), établir la majoration suivante

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

Exercice 6.3.4 Soit [a, b] un intervalle de R et n ∈ N∗ . Pour tout k = 0,

. . ., n on pose ak = a + kh avec h = b−a
n
. Pour f : [a, b] → R, la méthode
(composée) de Simpson donne la quantité suivante :
n−1 [ ]
b−a∑ ak + ak+1
Lh (f ) = f (ak ) + 4f ( ) + f (ak+1 ) .
6n k=0 2

On se propose ici d’établir la formule d’erreur relative à cette méthode.

1) Rappeler (sans démonstration) l’ordre de la méthode Lh .
2) Soit α > 0 et g ∈ C 4 ([−α, α], R) une application impaire telle que g (5)
existe sur ] − α, α[. Montrer qu’il existe θ ∈ [0, α[ tel que :

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

(On pourrra considérer la fonction g : [−α, α] → R, t → h(t + a + α) −

h(−t + a + α) où α = b−a 2
).
On suppose f : [a, b] → R de classe C 4 . Montrer la formule d’erreur
suivante : ∫ b
(b − a)5
f (t) dt − Lh (f ) ≤ 4
sup |f (4) (t)|.
a 2880n a≤t≤b

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

1) Déterminer le polynôme de degré 2 qui réalise la meilleure approxima-

tion, au sens des moindres carrés, de ces valeurs.
2) En déduire une approximation de la dérivée f ′ (1) de la fonction f au
point x3 = 1.
Exercice 6.4.3 Une mesure a donné les résultats suivants :
x 0 π/4 π/2
y 2 6 5

On pense que le phenomène est du type

y = α sin x + β cos x
Donner la courbe de meilleure approximation au sens des moindres carrés.
Exercice 6.4.4 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
∫ +1
< f, g >= f (t)g(t) dt
−1
et comme base de P2 :
– la base canonique
– une base orthogonale (polynôme de Legendre)
Exercice 6.4.5 Interpoler la fonction f (x) = x4 sur l’intervalle [−2, 2] par
une spline cubique S(x) telle que S(x) = f (x) pour x = −2, −1, 0, 1, 2 ;
S ′ (−2) = f ′ (−2) et S ′ (2) = f ′ (2).

47
Bibliographie

[1] A. Quarteroni, R. Sacco, F Saleri, Métodes numériques pour le calcul

scientifique, Springer, Paris, 2000.
[2] M. Schartzman, Analyse numérique pour la licence, InterEdition, 1993.

48