République Algérienne Démocratique et Populaire

Ministère de l’enseignement supérieur et de la recherche scientifique

UNIVERSITE FERHAT ABBAS SETIF-1

FACULTE DES SCIENCES
DEPARTEMENT DE MATHEMATIQUES

POLYCOPIE DE COURS

POUR LA DEUXIEME ANNEE LMD TECHNOLOGIE

TOUTES LES SPECIALITES

Thème

METHODES D’ANALYSE NUMERIQUE

Préparé par :

Dr. Kebaili Zahira

2018/2019
Table des matières

Introduction 3

1 Résolution des équations non linéaires dans R: 5

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Etude de l’équation (1:1) . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Existence et unicité des racines . . . . . . . . . . . . . . . . . 6
1.2.2 Calcul des racines . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Séparation des racines . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Les méthodes de résolution utilisées : . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Méthode de dichotomie : . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Méthode de Newton-Raphson : . . . . . . . . . . . . . . . . . . . 15

1.3.3 Méthode de Lagrange : . . . . . . . . . . . . . . . . . . . . . . . . 17

1.3.4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . 20

2 Interpolation polynômiale 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Construction du polynôme d’interpolation . . . . . . . . . . . . . . . . . 25
2.2.1 Méthode de Lagrange : . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.3 Erreur de l’interpolation . . . . . . . . . . . . . . . . . . . . . . . 30

1
3 Approximation des fonctions au sens des moindres carrés 35
3.1 Introdution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Notions et Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.1 Produit scalaire discrèt : . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.2 Norme discrète d’une fonction . . . . . . . . . . . . . . . . . . . . 36
3.2.3 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.4 Polynômes Orthogonaux . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.5 Algorithme d’orthogonalisation de Gram-Schmidt . . . . . . . . . 37
3.3 Approximation polynômiale des fonctions au sens des moindres carrés . . 39
3.3.1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 (M ASM C) dans la base canonique . . . . . . . . . . . . . . . . . . . . . 41
3.5 (M ASM C) dans une base orthogonale . . . . . . . . . . . . . . . . . . . 43

4 Intégration Numérique 49

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Intégration par interpolation . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.1 Formule du trapèze . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2.2 Formule du trapèze généralisée . . . . . . . . . . . . . . . . . . . 52

4.2.3 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2.4 Formule de Simpson généralisée . . . . . . . . . . . . . . . . . . . 57

Bibliographie 63

2
Introduction

Il est bien connu que les méthodes utilisées, en mathématiques classiques, sont in-
capables de résoudre tous les problèmes qui se posent, par exemple en intégration, en
résolution des équations non linéaires, en interpolation, en équations di¤érentielles . . .
On remplace alors la résolution mathématique exacte, de ces problèmes, par sa
résolution numérique qui est, en général, approchée. L’analyse numérique est la branche
des mathématiques qui étudie les méthodes de résolution numérique des problèmes,
méthodes que l’on appelle constructives. Par méthode constructive, on entend un
ensemble de règles (on dit : algorithme) qui permet d’obtenir la solution numérique
d’un problème avec une précision désirée.
Le cours des méthodes numériques que je vais présenter dans ce polycopié est dis-
pensé depuis 2011 aux étudiants de 2eme année licence technologie (toutes spécialités) de
l’université Sétif-1, au deuxième semestre. Il a pour objectif de présenter aux étudiants
une variété d’outils numériques (algorithmes) permettant la résolution e¤ective d’un cer-
tain nombre de problèmes.
La suppression de tous les détails théoriques concernant les méthodes présentées est
dûe au nombre succint du volume horaire consacré à ce module et à la non spécialité
mathématique des étudiants.
Les chapitres de ce cours sont illustrés par des exemples d’applications, et une série
d’exercices est proposée à la …n de chacun d’entre eux. La plupart de ces exercices étaient
proposés lors des séances de travaux dirigés ou d’épreuves de moyenne durée.
Le cours se compose de quatre chapitres, il traite les sujets suivants :

3
– Résolution d’une équation non linéaire.
– Interpolation polynômiale des fonctions.
– Approximation des fonctions au sens des moindres carrés.
– Intégration numérique.

4
Chapitre 1

Résolution des équations non

linéaires dans R:

1.1 Introduction
On présente ici quelques méthodes de résolution numérique de l’équation suivante :

f (x) = 0; (1.1)

où f : R ! R est une fonction réelle non linéaire.

On se propose de déterminer la ou les solutions de l’équation (1:1) ;où f est un poly-
nôme de degré 3 ou l’expression de f est complexe.
Les méthodes classiques de résolution ne permettent pas de résoudre de tels problèmes.
On fait donc appel aux techniques des méthodes numériques.

Dé…nition 1 On appelle une solution ou une racine exacte de l’équation (1.1) tout réel
2 Df tel que f ( ) = 0; Df désigne le domaine de dé…nition de la fonction f: Géomé-
triquement : est l’abscisse de l’intersection entre la courbe de f et l’axe x0 ox:

Dé…nition 2 On appelle une solution approchée de l’équation (1:1) tout réel 2 Df tel
que jf ( )j "; Df , où " est un réel positif assez petit qui représente la précision ou bien

5
l’erreur permise pour l’approximation.

1.2 Etude de l’équation (1:1)

Cette étude doit aborder les points suivants :

1.2.1 Existence et unicité des racines

L’existence et l’unicité des racine de l’équation (1:1) dépend totalement des propriétés
de la fonction f à savoir : la continuité et la dérivabilité, comme le montre le théorème
des valeurs intermédiaires dont on rappelle ici le contenu :

Théorème 1 Soit f une fonction dé…nie et continue sur [a; b]

Si f (a)f (b) < 0, alors l’équation (1:1) admet au moins une racine 2 ]a; b[.
Si de plus, f est strictement monotone sur ]a; b[, alors la racine est unique.

1.2.2 Calcul des racines

Les méthodes de résolution qui existent peuvent se classi…er en deux types di¤érents :
1) Méthodes directes : Elles nous permettent de déterminer toutes les racines
exactes en même temps après un nombre …ni d’opérations arithmétiques.
Exemple
La méthode de discriminant (4) pour résoudre l’équation polynômiale suivante :

f (x) = ax2 + bx + c = 0; x 2 R:
p p
b 4 b+ 4
Si 4 > 0; alors les racines sont : x1 = 2a
ou x2 = 2a
:
2) Méthodes itératives : Les racines obtenues par ces méthodes sont des racines
approchées, et cela s’e¤ectue comme suit :
On démarre par une valeur initiale, ensuite on construit une suite (xk )k2N de valeurs
approchées de la racine exacte telle que :

6
 lim xk = :
k!+1

Toutes les méthodes itératives exigent avant tout une étape essentielle qui est la
séparation (ou localisation) des racines.

1.2.3 Séparation des racines

On dit que la racine exacte de l’équation (1:1) est séparée dans l’intervalle [a; b] si
cet intervalle ne contient pas d’autres racines.
Pour séparer les racines de cette dernière, on peut utiliser les deux méthodes suivantes :
Méthode graphique
- Soit on trace le graphe de la fonction f et on cherche les abscisses des points de
0
l’intersection de ce graphe avec l’axe (x ox).
- Soit on décompose f en deux fonctions simples à étudier telles que :

f = f1 f2 ;

et on cherche les points d’intersection des deux graphes de f1 et f2 . Ainsi, les abscisses
de ces points sont exactement les racines de l’équation (1:1).

Remarque 1 On choisit souvent f1 et f2 de façon à ce que leurs courbes soient des

courbes connues.

Méthode analytique
Cette méthode se base sur l’application du théorème des valeurs intermédiaires.
Exemples
Séparer graphiquement les racines des équations suivantes :
1. f (x) = x2 ex :
2. f (x) = x3 3x + 1 = 0:
3. f (x) = 2x ln x 4 = 0:

7
 Corrigé
1. La courbe représentative de la fonction f (x) = x2 ex est donnée par le graphe
suivant :

Figure1.1-Graphe de la fonction f (x) = x2 ex :

0
On voit que l’intersection du graphe de la fonction f (x) = x2 ex avec l’axe (x ox)
permet de localiser les racines de l’équation f (x) = 0: Par conséquent, l’équation admet
une racine unique 2 [ 1; 0] :

8
 2. Pour le deuxième exemple, on peut décomposer la fonction f en deux fonctions
usuelles de la manière suivante :

f (x) = x3 3x + 1 = 0 , '1 (x) = '2 (x):

avec '1 (x) = x3 + 1 et '2 (x) = 3x; en traçant leurs graphes on obtient :

Figure1.2-Graphes des fonctions '1 (x) = x3 + 1 et '2 (x) = 3x:

On remarque que cette équation possède trois racines 1 2 [ 2; 1]; 2 2 [0; 1] et

3 2 [1; 2].
3. Pour séparer les racines de la dernière équation, on va envisager la méthode ana-
lytique :
Df = ]0; +1[

9
 0 1
En e¤et : Df = ]0; +1[ et f (x) = 2 x
.
0
Donc, : f (x) = 0 , x = 21 :
Alors, le tableau de variations de f est donné comme suit :

10
 Table1.1- Tableau de variations de f (x) = 2x ln x 4:

En appliquant le Théorème 1 sur les deux intervalles ]0; 21 ] et [ 12 ; +1[, on remarque

que toutes les conditions de ce théorème sont veri…ées, donc il existe une racine unique
1 2 0; 21 et respectivement 2 2 1
2
; +1 . On peut réduire la longueur de deuxième
intervalle, en utilisant la condition du théorème 1 ; (f (a)f (b) < 0, on prend par exemple
2 2 [2; 3].

1.3 Les méthodes de résolution utilisées :

Dans ce qui suit, on suppose que f est continue et que la racine de l’équation (1:1)
est séparée dans un intervalle [a; b] :

1.3.1 Méthode de dichotomie :

L’idée est de construire une suite d’intervalles, de plus en plus petits contenants une
racine séparée de l’équation (1:1) ; dont l’outil utilisé est la deuxième condition du
théorème des valeurs intermédiaires.
En e¤et, on pose I0 = [a0 ; b0 ] = [a; b]
a0 +b0
On divise I0 en deux x0 = 2
: Si f (a0 ) f (x0 ) < 0, alors 2 ]a0 ; x0 [ et on pose
I1 = [a1 ; b1 ] = [a0 ; x0 ] :
b0 a0
Sinon I1 = [a1 ; b1 ] = [x0 ; b0 ] et on a : j x0 j 2
.

11
 a1 +b1
On répéte cette opération sur le nouvel intervalle I1 avec x1 = 2
:

Si f (a1 ) f (x1 ) < 0, alors 2 ]a1 ; x1[ et on pose I2 = [a2 ; b2 ] = [a1 ; x1 ] :

b1 a1
Sinon I2 = [a2 ; b2 ] = [x1 ; b2 ] et on a : j x1 j 2
.

De cette manière, on continue pour construire la suite de valeurs approchées x0 ; x1 ;

x2 ; : : : ; x k :

Critère d’arrêt : On a pour k 0:

bk ak bk 1 ak 1 b 0 a0 b a
j xk j = = ::: = = k+1 : (1.2)
2 22 2k+1 2
Alors, l’erreur de la méthode est la longueur de l’intervalle initial après (k + 1) itér-
rations.

Evaluation de la méthode

– L’inégalité (1:2) nous permet d’estimer à l’avance le nombre d’itération nécessaire

pour approcher la solution exacte avec une précision donnée ":
Par exemple pour avoir une erreur ne depassant pas "; il su¢ t que :

b a ln (b a) ln (")
" =) k 1:
2k+1 ln (2)
– La convergence de la méthode est garantie dés qu’on détermine l’intervalle conte-
nant la racine exacte.

– Cette méthode est considérée comme étant la méthode la plus facile en program-
mation, elle nécessite seulement le calcul de f en plusieurs points.

– L’inconvénient majeur de cette méthode est sa lente convergence.

12
 Figure 1.3.

Figure 1.3- Construction des premiers itérés de la méthode de dichotomie.

13
Exemple 1 Soit l’équation suivante :

1
f (x) = x sin x 1 = 0:
2

1- Véri…er que cette équation admet une racine unique 2 0; 2

:

2- Déterminer le nombre minimal d’itérations nécessaires pour calculer une racine ap-
1
prochée avec une précision " = 10 en utilisant la méthode de dichotomie, ensuite
calculer cette racine approchée.

Solution
1 3
1- f (x) = x 2
sin x 1 est continue sur 0; 2
et f (0) f 2
= ( 1) 2 2
< 0:
Donc d’après le Théorème 1; il existe au moins une racine 2 0; 2
de l0 équation
0 1
f (x)=0: Puisque f est une fonction croissante sur 0; 2
f (x) = 1 2
cos x > 0 sur 0; 2
,

alors est unique.

2- Calcul du nombre minimal d’itérations nécessaires à e¤ectuer

ln(b a) ln(") ln( 2 0) ln(10 1

)
k ln(2)
1 () k ln(2)
1

() k 2:97 ) k = 3:
Alors, on doit faire au moins 3 itérations.

ak +bk
k ak bk xk = 2
f (ak ) f (xk ) k
+ 1
0 0 2
0:7854 >0 0:785 > " = 10
+ 1
1 0:7854 2
1:1781 >0 0:39 > " = 10
+ 1
2 1:1781 2
1:3744 >0 0:195 > " = 10
+ 1
3 1:3744 2
1:4726 >0 0:0975 < " = 10

La racine approchée est x3 = 1:4726 10 1 :

14
1.3.2 Méthode de Newton-Raphson :

Soit f une fonction continue et deux fois dérivables sur l’intervalle [a; b]. Supposons
que :
1. f (a) f (b) <0:
0 00
2. f (x) 6= 0 sur [a; b] et f (x) 6= 0 garde le même signe sur cet intervalle.
Alors la procédure de la méthode de Newton pour approcher la racine est donnée
par : 8
< x0 2 [a; b] tel que f (x0 ) :f 00 (x0 ) > 0
(1:3)
: xk+1 = xk f (xk )
0 ; k = 1; 2; :::
f (xk )

Géométriquement, le point xk+1 dans la formule (1:3) est l’abcisse du point d’inter-
0
section entre la tangente de la courbe de f au point (xk ; f (xk )) et l’axe x ox (Figure
1.4):

Si les conditions (1) et (2) sont satisfaites alors la suite générée par l’algorithme de
Newton converge vers l’unique solution de l’équation f (x) = 0.
De plus, on a l’estimation d’erreur suivante :

M2
k+1 = jxk+1 j (xk )2
2m2
00 0
où M2 = max f (x) et m1 = min f (x) :
x2[a;b] x2[a;b]
Critère d’arrêt : En général, le calcul de M2 et m1 sont très couteux, alors on peut
utiliser d’autres critères d’arrêt comme :

k+1 = jxk+1 xk j < "

(1:4)
ou jf (xk+1 )j <

où " est la précision permise pour calculer la racine de l’équation (1:1) :

15
 Figure1.4 - Illustration de la méthode de Newton-Raphson.

Exemple 2 Soit l’équation suivante :

f (x) = ex + x = 0:

1- Démontrer que cette équation admet une racine unique 2 [ 1; 0] :

2- En appliquant l’algorithme de Newton-Raphson, calculer une valeur approchée de
avec une précision " = 10 2 :

Solution
1- f (x) = ex + x est continue sur [ 1; 0] et f ( 1) f (0) = (e 1
1) < 0:
Donc d’après le Théorème 1; il existe au moins une racine 2 ] 1; 0[ de l0 équation
f (x)=0:
0
Puisque f est une fonction strictement croissante sur [ 1; 0], f (x) = 1 + ex > 0 sur ] 1; 0[ ,
alors est unique.

16
 2- Choix du point initial :
0 00 00
f (x) = 1 + ex ; f (x) = ex ; on remarque que f (0) f (0) = 1 2 = 2 > 0; donc, on
peut prendre x0 = 0:
On utilise le schéma itératif de la méthode de Newton-Raphson, on trouve

x1 = 0:5, 1 = jx1 x0 j = :j0 0:5j = 0:5 > " = 10 2 :

x2 = 0:5663, 2 = jx2 x1 j =j0:5663 0:5j = [Link] > " = 10 2 :

x3 = 0:5693, 3 = jx3 x2 j = j0:5693 0:5663j = 0:003 < " = 10 2 :

Alors = 0:5693 10 2 :

1.3.3 Méthode de Lagrange :

Soit f une fonction continue et deux fois dérivable sur l’intervalle [a; b]. On Suppose
que :
1. f (a) f (b) <0:
0 00
2. f (x) 6= 0 sur [a; b] et f (x) 6= 0 garde le même signe sur cet intervalle.
Alors la procédure de la méthode de Lagrange pour approcher la racine de l’équation
(1:1) est donnée par :
8
< x = a si f 00 (a):f (a) < 0
0
(1:5)
: x f (xk )
k+1 = xk f (xk ) f (b)
(xk b) ; k = 1; 2; :::

ou bien
8
< x = b si f 00 (b):f (b) < 0
0
(1:6)
: x f (xk )
k+1 = xk f (xk ) f (a)
(xk a) ; k = 1; 2; :::

Gométriquement, on remplace le graphe de f restreint à l’intervalle [a; b] par le seg-

ment de droite joignant les points (a; f (a)) et (b; f (b)), ce segment coupe l’axe (OX) en
un point d’abscisse x1 . Soit le point de coordonnées (x1 ; f (x1 )), on réitère alors le même

17
procédé qu’auparavant en joignant ce point et l’extrémité …xe, (a; f (a)) ou (b; f (b)),
00
l’extrémité …xe est celle qui satisfait f (x).f (x) 0.

Alors, dans ce cas, on obtient l’une des deux formules itératives précédentes ((1:5) ou (1:6))
pour cette méthode selon la condition du point initial.

Figure1.5 -Illustration de la méthode de Lagrange

Suivant les hypothèses (1) et (2), la suite générée par l’algorithme de Lagrange, dans
les deux alternatives, converge vers la seule racine de l’équation .(1:1) dans [a; b]:

18
 De plus, on a l’estimation d’erreur suivante :

M1 m 1
k+1 = jxk+1 j jxk+1 xk j
m1

0 0
où M1 = max f (x) et m1 = min f (x)
x2[a;b] x2[a;b]
Critère d’arrêt : On peut envisager aussi le même critère d’arrêt que celui de la
méthode de Newton cité dans la formule (1:4).

Exemple 3 On considère l’équation :

f (x) = ln (x) x + 2:

1- Montrer que l’equation f (x) = 0 admet une solution unique appartenant à

l’intervalle [3; 4] :
2- Calculer jusqu’a l’itération k = 2 une valeur approchée de ; en utilisant la mé-
thode de Lagrange et évaluer l’erreur commise 2:

Solution
1- f (x) = ln (x) x + 2 est continue sur [3; 4] et f (3) f (4) < 0 (f (3) = 0:0986;
f (4) = 0:6937): Donc d’après le Théorème 1; il existe au moins une racine 2 ]3; 4[
de l0 équation f (x) = 0:
0
Puisque f est une fonction strictement décroissante sur [3; 4] ; f (x) = 1 + ex > 0 sur ]3; 4[ ,
alors est unique.
00
2- Pour la méthode de Lagrange, le point initial sera x0 = 3, car f (3):f (3) < 0:
0
f (xk )
Alors : xk+1 = xk f (xk ) f (4)
(xk 4)
On calcule les itérations
x1 = 3:1384; 1 = jx1 x0 j = [Link],
x2 = 3:1458; 2 = jx2 x1 j = [Link]
L’erreur commise est 2 = [Link]

19
1.3.4 Méthode de la sécante
0
Dans certaines situations, la dérivée f est très compliquée ou même impossible à
expliciter . On ne peut pas utiliser telle qu’elle est la méthode de Newton-Raphson. L’idée
00
est de remplacer f par le taux d’accroissement de f sur un petit intervalle [xi ; xi+1 ] :

xk+1 xk
xk+1 = xk f (xk ) (1:7)
f (xk+1 ) f 0 (xk )

Remarque 2 On note que cet algorithme itératif ne peut démarrer que si on dispose
déjà de deux valeurs approchées de la valeur exacte.

Critère d’arrêt : Comme la méthode de Lagrange et de Newton, on peut envisager

aussi le même critère d’arrêt cité dans la formule (1:4) :

Exemple 4 - Montrer que l’équation : f (x) = x3 x 4 possède une racine unique

dans l’intervalle 2 [1; 2] :
- Calculer cette racine en utilisant la méthode de la sécante avec une précision " =
10 2 ; x0 = 1; x1 = 2:

Solution
1- f (x) = x3 x 4 est continue sur [1; 2] et f (1) f (2) < 0: Donc d’après le
Théorème 1; il existe au moins une racine 2 ]1; 2[ de l0 équation f (x) = 0:
0
Puisque f est une fonction strictement croissante sur [1; 2] ; f (x) = 3x2 1 > 0 sur ]1; 2[ ,
alors est unique.
2- Pour la méthode de la sécante, en prenant x0 = 1, x1 = 1:
0
f (xk )
Alors : xk+1 = xk f (xk ) f (4)
(xk 4)
1 = jx1 x0 j = 1 > " = 10 2 :
x1 = 1:6667; 2 = jx2 x1j = [Link] > " = 10 2 :
x2 = 1:6727; 3 = jx3 x2 j = 0:006 < " = 10 2 :
Alors : = 1:6727 10 2 :

20
 Série d’exercices N 1

Exercice 1 :
On considère l’équation non linéaire :

f (x) = x + ex = 0:

1- Séparer graphiquement et analytiquement les racines (solutions) de cette équation.

Veri…er qu’une racine désignée par appartient à [ 1:0] :
1
2- Déterminer une valeur approchée de la racine avec une précision " = 10 en utilisant
la méthode de bipartition (Dichotomie).
Exercice 2 :
On considère l’équation non linéaire :

1
f (x) = x sin x 1=0
2
1- Monter que l’équation f (x) = 0 admet une solution (racine) unique dans 0; 2
:
2- En appliquant l’algorithme de Newton-Raphson, calculer une valeur approchée de à
4
10 près.

Exercice 3 :
Soit l’équation :
f (x) = x3 x 4=0

1- Monter que cette équation admet une solution positive 2 [1; 2] :

2- En appliquant l’algorithme de Lagrange, calculer une valeur approchée de avec une
erreur de " = [Link]

21
 Exercice 4 :
Soit l’équation :
f (x) = 0:2 sin x 0:5 = 0
1- Monter que cette équation admet une racine 2 [0; 1] :
2- En appliquant l’algorithme de la sécante, calculer une valeur approchée de avec une
erreur de " = 10 3 ; en prenant comme points initiaux x0 = 0; x1 = 1:
Exercice 5 :
Soit l’équation suivante :

f (x) = x cos x 1=0

1- Monter que cette équation admet une solution unique 2 0; 2

:
2- Calculer jusqu’à l’itération x2 une valeur approchée de en utilisant les méthodes de
bipartition, de Newton-Raphson et de Lagrange:

22
Chapitre 2

Interpolation polynômiale

2.1 Introduction
Soit f une fonction dé…nie sur l’intervalle [a; b], dont on ne connait que les valeurs yi
qu’elle prend aux (n + 1) points distincts xi 2 [a; b] ; i = 0; ::n (yi = f (xi )): Le but de
l’interpolation est de déterminer une fonction g simple à calculer, telle que :

f (xi ) = g (xi ) ; i = 0; :::; n: (2:1)

Les points xi sont appelés points d’interpolation ou d’appui.

Les fonctions g les plus couramment utilisées sont des polynômes, des fonctions tri-
gonométriques, des sommes d’exponentielles, etc...
Nous nous limitons dans ce chapitre au problème d’interpolation polynômiale.

Dé…nition 3 Le polynôme Pn est dit polynôme d’interpolation de degré inférieur ou égal

à n pour une fonction arbitraire f aux points distincts xi (i = 0; :::; n) si :

Pn (xi ) = f (xi ) = yi ; i = 0; ::n:

Remarque 3 On rappelle que la fonction f peut être donnée par une expression explicite,

23
tout comme elle peut être donnée juste par des points (xi ; yi ) ; le cas des résultats de
mesures expérimentales.

Théorème 2 (Existence et unicité du polynôme d’interpolation )

Etant donné une fonction f et (n + 1) points distincts xi ; i = 0; :::; n; alors il existe
un et un seul polynôme Pn (degré (Pn ) n) telle que :

Pn (xi ) = f (xi ) ; i = 0; ::n:

Démonstration : Le polynôme Pn recherché , étant de degré inférieur à n, on peut

poser
X
n
8x 2 R; Pn (x) = ai x i ;
i=0

et ramener le problème d’interpolation à la détermination des coe¢ cients aj , j = 0; ; n.

En utilisant les conditions Pn (xi ) = f (xi ) = yi ; i = 0; ; n on arrive à un système

linéaire à (n + 1) équations et (n + 1) inconnus :

a0 + a1 x i + + an xni = yi ; i = 0; ;n

Ce système possède une unique solution si et seulement si la matrice carrée qui lui est
associée est inversible. Or, il se trouve que cette dernière est une matrice de Vandermonde
dont le déterminant vaut :

1 x0 xn0
!
1 x1 xn1 Y1
n Y
n

.. .. .. = (xj xi )
. . . i=0 j=i+1

1 xn xnn

Les points d’interpolation étant tous distincts, ce déterminant est non nul.

24
 On notera qu’il est également possible de prouver l’unicité du polynôme d’interpola-
tion en supposant qu’il existe un autre polynôme Qn , de degré inférieur ou égal à n, tel
que Qn (xi ) = yi ; i = 0; ; n.
La di¤érence Pn (xi ) Qn (xi ) qui est également de degré inférieur ou égal à n et s’annu-
lant en (n + 1) points distincts, il découle du théorème fondamental de l’algèbre qu’elle
est nulle.

2.2 Construction du polynôme d’interpolation

2.2.1 Méthode de Lagrange :

Polynômes de Lagrange

Les polynômes de Lagrange notés Li sont des polynômes de degré inférieur ou égal
à n dé…nis par8:
< 1; si i = j
Li (xj ) = i; j = 0; ;n
: 0; si i 6= j
D’une part, on remarque que le polynôme Li s’annule en n points :
x 0 ; x1 ; ; xi 1 ; xi+1 ; xn :

Par conséquent, il s’écrit comme suit :

Li (x) = Ki (x x0 ) (x x1 ) : : : (x xi61 ) (x xi+1 ) (x xn ), où Ki est une constante.
1
D’autre part, pour x = xi , on a : Li (xi ) = 1; alors : Ki = Q
n .
(xi xj )
j=0; j6=i
Donc, on peut écrire :
Q
n
(x xj )
j=0; j6=i
Li (x) = Q
n (2:2)
(xi xj )
j=0; j6=i

25
Polynôme d’interpolation de Lagrange :

Le polynôme d’interpolation de Lagrange pour la fonction f aux points xi (i = 0 n)

est donné par :
X
n
PnL (x) = yi Li (x) avec yi = f (xi ) (2:3)
i=0

Exemple 5

Construire le polynôme d’interpolation de Lagrange pour la fonction :

p
f (x) = 2x 1 aux points x0 = 1; x1 = 32 et x2 = 2.
Le polynôme sera de degré 2 avec :
(x x1 )(x x2 )
L0 (x) = (x0 x1 )(x0 x2 )
= 2x2 7x + 6:
(x x0 )(x x2 )
L1 (x) = (x1 x0 )(x1 x2 )
= 4x2 + 12x 8:
(x x0 )(x x1 )
L2 (x) = (x2 x0 )(x2 x1 )
= 2x2 5x + 3:
3
p p
et y0 = f (1) = 1; y1 = f 2
= 2; y2 = f (2) = 3.
On trouve P2L (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) ; ce qui donne :

p p p p p p
P2L (x) = 2 3 4 2 + 2 x2 + 12 2 5 3 7 x+3 3 8 2 6:

= 0:1927x2 + 1:31x [Link]

Remarque 4 Si l’une des valeurs des yi est nulle, il n’est pas question de calculer le
Li (x) correspondant, car le produit va être nul lui aussi.

2.2.2 Méthode de Newton

Soit f une fonction dont on connait ses valeurs aux points xi (i = 0 n) et on

considère l’expression suivante :

P (x) = a0 + a1 (x x0 ) + a2 (x x0 ) (x x1 ) + (2:4)

+an (x x0 ) (x x1 ) (x xn 1 )

26
 Pour calculer a0 , on utilise le fait que :
P (x0 ) = f (x0 ) = a0 .
f (x1 ) f (x0 )
Pour calculer a1 : P (x1 ) = f (x1 ) = a0 + a1 (x1 x0 ) ; alors a1 = x1 x0

On procède de cette manière jusqu’à on obtient an

Alors, on dé…nit les di¤érences divisées (DD) de la fonction f aux points xi (i = 0 n)

d’ordre 0 jusju’à n par les relations suivantes :

0 (xi ) = f (xi ) (DD) d’ordre 0

f (xi ) f (xi+1 ) (xi ) (xi+1 )
1 (xi ; xi+1 ) = xi xi+1
= xi xi+1
(DD) d’ordre 1
(xi ;xi+1 ) (xi+1 ;xi+2 )
2 (xi ; xi+1 ; xi+2 ) = xi xi+2
(DD) d’ordre 2
..
.
(xi ;xi+1 ;:::; xi+k 1 ) (xi+1 ;xi+2 ;:::;xi+k )
k (xi ; xi+1 ; : : : ; xi+k ) = xi xi+k
(DD) d’ordre k.
(x0 ;x1 ;:::; xn 1 ) (x1 ;x2 ;:::;xn )
n (x0 ; x1 ; x2; : : : ; xi+k ) = x0 xn
(DD) d’ordre n.

Calcul des di¤érences divisées (DD).

Pour calculer les di¤érences divisées d’ordre n de la fonction f aux points xi (i = 0 n),
on forme le tableau suivant en appliquant les relations précédentes.

27
 xi 0 1 n 1 n

x0 f (x0 )
1 (x0 ; x1 )
x1 f (x1 ) n 1 (x0 ; : : : ; xn 1 )
1 (x1 ; x2 )
x2 f (x2 ) n (x0 ; : : : ; xn )
.. ..
. .
xn 1 f (xn 1 ) n 1 (x1 ; : : : ; xn )
1 (xn 1 ; xn )
xn f (xn )

Par conséquent, on trouve les cœ¢ cients ai comme suit :

a0 = 0 (x0 )

a1 = 1 (x0 ; x1 )

a2 = 2 (x0 ; x1 ; x2 )
..
.
an = n (x0 ; : : : ; xn )

Polynôme d’interpolation de Newton en fonction des di¤érences divisées

Dé…nition 4 En remplaçant par les expressions des (DD) dans la formule (4), on ob-
tient le polynôme d’interpolation de Newton pour la fonction f aux points xi (i = 0 n),
alors :

PnN (x) = 0 (x0 ) + 1 (x0 ; x1 ) (x x0 ) + 2 (x0 ; x1 ; x2 ) (x x0 ) (x x1 ) (2:5)

+ + n (x0 ; : : : ; xn ) (x x0 ) (x x1 ) (x xn 1 )

28
 Remarque :
– La di¤érence divisée p (xi ; xi+1 ; ; xi+p ) (pour 0 i n et 0 p n) est
invariante pour toute permutation des points xi ; xi+1 ; ; xi+p .

– La forme de Newton est la forme la plus utilisée pour déterminer le polynôme

d’interpolation, car elle nécessite moins de calculs pour obtenir les coe¢ cients de
ce polynôme.

– La méthode de Newton peut être allongée ou réduite. Autrement dit, si on veut

ajouter des points, il su¢ t de les écrire à la suite du tableau et de compléter le
calculs des (DD). Si on veut supprimer les q derniers points par exemple, il su¢ t
de prendre les (n + 1 q) premiers points et de considérer (DD) correspondantes
calculées sur le tableau.

– Contrairement à la méthode de Lagrange où on doit refaire tous les calculs dans

le cas où on ajoute ou on supprime des points, car les polynômes de Lagrange
s’adaptent mal au changement de nombre de points.

Exemple 6 Déterminer le polynôme d’interpolation de Newton passant par les points

suivants :
xi 0 1 3
1 1
yi 1 2 4

On forme le tableau des (DD) :

xi 0 1 2

0 1
1
1 1
2
1 0
= 2
1
1 + 12 1
1 2
8
3 0
= 8
1 1
1
4
3 1
2
= 8
1
3 4

29
 1
P2N (x) = 1 2
(x 0) + 81 (x 0) (x 1).

Après le développement, on trouve :

P2N (x) = 18 x2 5
8
x + 1.

2.2.3 Erreur de l’interpolation

Théorème 3 Soit [a; b] un intervalle contenant les points x0 ; x1 ; ::; xn et on suppose

quef est une fonction (n + 1) fois dérivable sur [a; b] et P le polynôme qui interpole f
aux points xi . Alors, pour tout x 2 [a; b], il existe 2 [a; b] tel que :

f (n+1) ( ) Q
n
f (x) P (x) = (x xi )
(n + 1)! i=0
et on obtient :

M (n+1) Q n
jf (x) P (x)j = (x xi ) (2:6)
(n + 1)! i=0

avec Mn+1 = max f (n+1) (x) :

[x0 ;xn ]

On peut estimer l’erreur à un point précis de l’intervalle [x0 ; xn ] ; en remplaçant x par

ce point. Comme on peut estimer l’erreur sur tout l’intervalle [x0 ; xn ] en prenant

Mn+1 Qn
jf (x) P (x)j max (x xi ) :
(n + 1)! [x0 ;xn ] i=0
On appelle jf (x) P (x)j l’erreur exacte au point x 2 [x0 ; xn ] et le deuxième membre
de l’inégalité (2:6) l’erreur théorique.

Polynôme d’interpolation de Newton en fonction des di¤érences …nies pro-

gressives (Cas des points equidistants)

Ce cas a une grande importance dans l’interpolation des fonctions tabulaires où les
points sont équidistants c-à-d on a x0 , x1 = x0 + h, x2 = x0 + 2h, . . . , xn = x0 + nh avec
h > 0 représente le pas.

30
 Di¤érences …nies progressives Pour (n + 1) points (xi ; yi ) i = 0; : : : ; n, on peut
dé…nir les di¤érences …nies progressives (DF P ) d’odre 0 jusju’à n par les expressions
suivantes :

40 yi = yi = f (xi ) ; i = 0; 1; : : : ; n; (DF P ) d’ordre 0.

41 yi = 4yi = yi+1 yi ; i = 0; 1; : : : ; n 1; (DF P ) d’ordre 1.

42 yi = 4yi+1 4yi ; i = 0; 1; : : : ; n 2; (DF P ) d’ordre 2.

..
.

4k yi = 4k 1 yi+1 4k 1 yi ; i = 0; 1; : : : ; n k; (DF P ) d’ordre k.

..
.

4n yi = 4n 1 yi+1 4n 1 yi ; i = 0; (DF P ) d’ordre n.

Dé…nition 5 Soit f une fonction dont on connait les valeurs aux points xi avec xi =
xi 1 +h, h > 0 et (i = 0; ; n). Alors, le polynôme d’interpolation de Newton en fonction
des di¤érences …nies progressives pour la fonction f aux points xi s’écrit de la manière
suivante :

N 4y0 42 y0
P (x) = y0 + (x x0 ) + 2 (x x0 ) (x x1 ) (2:7)
h:1! h :2!
4n y0
+ + n (x x0 ) (x x1 ) (x xn 1 )
h :n!

Relation entre les di¤érences …nies progressives et di¤érences divisées

Théorème 4 Soit f une fonction dont on connait les valeurs aux points xi avec xi =
xi 1 + h, h > 0 et (i = 0; ; n), alors :

4k yi
k (xi ; xi+1 ; ; xi+k ) = , yi = f (xi ) , 0 i i+k n
hk k!

Exemple 7 On considère la fonction suivante :

f (x) = cos x

31
et les points
x0 = 0; x1 = ; x1 = :
4 2
1- Déterminer le polynôme d’interpolation Pn sous forme de Newton en utilisant les
di¤érences …nies progressives pour la fonction f aux points xi ; i = 0; 1; 2:
2- Calculer l’erreur exacte et théorique au point x = 6 :

Corrigé :
On construit le tableau des (DDP )

xi yi 4yi 42 yi
0 1
1 1= 2
1 2+2= 4
1+1=2
2 1

1- On a h = xi+1 xi = ; et d’après la formule (2:7) on obtient :

4y0 4 2 y0
P2N (x) = y0 + h:1!
(x x0 ) + h2 :2!
(x x0 ) (x x1 )
2 4
=1+ :1!
(x 0) + ( )2 2!
(x 0) (x )
2 4
= 2 x2 x + 1:
On note par Ee l’erreur exacte et par Et l’erreur théorique.
2- Calcul de l’erreur exacte au point x = 6
:
f 6
= cos 6
= 0:8660 et P 6
= 0:3888
Ee 6
= f 6
P 6
= [Link]
3- Calcul de l’erreur théorique au point x = 6
:

M3 Q 2
Et = (x xi )
(3)! i=0
;

32
avec M3 = max jf 3 (x)j = jsin xj ) M3 = 1
x2[0;2 ]
Alors Et = 16 6 0 6 6
2 = [Link]
On trouve, donc
Ee Et :

33
 Série d’exercices N 2

Exercice 1 :
1- Déterminer les polynômes d’interpolation de Lagrange et celui de Newton qui
p
interpole la fonction f (x) = 4x + 1 aux points x0 = 0; x1 = 2; x2 = 6:
p
2- Déduire une valeur approchée de 5:
p
3- Calculer l’erreur d’interpolation commise (exacte et théorique) pour la valeur 5:
4- Si on ajoute x3 = 12; déterminer les polynômes d’interpolation de Lagrange et de
p
Newton(di¤érences divisées) dans ce cas et déduire une valeur approchée de 5:

Exercice 2 :
1
On considère la fonction : f (x) = x 2
sin x 1:
1- Déterminer le polynôme d’interpolation de Newton (di¤érences …nies) qui passe
par les points x0 = 0; x1 = 4
=; x2 = 2
:
2- Calculer l’erreur exacte et théorique au point 3 :

Exercice 3 :
1- Déterminer le polynôme de Lagrange de la fonction, passant par les points (0; 2) ;
(1; 1) ; (2; 2) ; (3; 3) :
2- Donner les di¤érences …nies en ces points, puis déduire le polynôme de Newton qui
interpole cette fonction.

Exercice 4
p
On considère l’équation f (x) = x + x + 1:
1- Monter que l’équation f (x) = 0 admet une seule racine .
2- Determiner une valeur approchée de ; en utilisant une interpolation de f aux
points x0 = 1; x1 = 0:5; x2 = 1.
3- Donner l’erreur jf ( )j.

34
Chapitre 3

Approximation des fonctions au sens

des moindres carrés

3.1 Introdution
Soit f une fonction dé…nie sur l’intervalle I = [a; b] et on considère l’ensemble des
points E = f(xi ; f (xi )) ; xi 2 I et i = [Link]ng. On a vu que l’interpolation polynômiale
consiste à déterminer un polynôme Pn de degré inférieur ou égal à n de telle sorte que
f (xi ) = Pn (xi ), 8 0 i n: Le problème d’approximation polynômiale di¤ère de
l’interpolation du fait qu’il nécessite seulement que la distance entre f (xi ) et Pn (xi ) soit
minimale, autrement dit, l’interpolation est un cas particulier de l’approximation.

3.2 Notions et Dé…nitions

On considère l’ensemble des points A = fx0 ; x1 ; :::; xn g R et soient f et g deux
fonctions dé…nies sur A .

3.2.1 Produit scalaire discrèt :

On dé…nit le produit scalaire discrèt entre f et g aux points xi , i = 0; :::; n par :

35
 X
n
hf; gi = f (xi ) g(xi ): (1:3)
i=0

3.2.2 Norme discrète d’une fonction

La norme discrète de la fonction f est dé…nie par :

p X
n
kf k = hf; f i = (f (xi ))2 : (2:3)
i=0

3.2.3 Orthogonalité

Dé…nition 6 On dit que f et g sont orthogonales par rapport au produit scalaire discrèt
si
hf; gi = 0 (3:3)

Exemple 8 Calculer le produit scalaire des fonctions tabulées suivantes ainsi que leurs
normes. Est ce que les fonctions f et g sont orthogonales ?

Solution

xi 1 2 3 4 h:; :i
f (xi ) 1 3 4 5 kf k2 = 51
g (xi ) -1 2 -1 4 kgk2 = 32
f (xi ) g (xi ) -1 6 -4 20 hf; gi = 21

Donc; f et g ne sont pas orthogonales.

36
3.2.4 Polynômes Orthogonaux

On dit qu’un ensemble de polynômes fP0 ; P1 ; :::; Pm g de degré inférieur ou égal à k

sont orthogonaux au produit scalaire dé…ni aux points xi (0 i n) si et seulement si
8
< =0 0 i; j m
hPi ; Pj i =
: = kP k2 si i = j:
j

1
Exemple 9 Soit P0 (x) = 1; P1 (x) = x 1; P2 (x) = x2 2x + 3
et les points x0 =
0; x1 = 1; x2 = 2:
Est ce que les polynômes P0 ; P1 et:P2 sont orthogonaux ?

Corrigé
On forme le tableau suivant :

xi 0 1 2 h:; :i
P0 (xi ) 1 1 1 kP0 k2 = 3
P1 (xi ) 1 0 1 kP1 k2 = 2
P2 (xi ) 1
3
- 23 1
3
kP2 k2 = 0
P0 (xi ) P1 (xi ) 1 0 1 hP0 ; P1 i = 0
1 2 1
P0 (xi ) P2 (xi ) 3 3 3
hP1 ; P 2i = 0
1 1
P1 (xi ) P2 (xi ) 3
0 3
hP1 ; P2 i = 0

On remarque que les polynômes P0 ; P1 et P2 sont orthogonaux.

3.2.5 Algorithme d’orthogonalisation de Gram-Schmidt

L’intérêt de cet algorithme est qu’il nous permet de construire, à partir d’un nombre
de points xi (0 i n) donnés, un ensemble de polynômes orthogonaux et ces derniers
forment une base pour Pk [x] ( l’espace des polynômes de degré inférieur ou égal à k ).

Théorème 5 Soit l’ensemble des polynômes fP0 ; P1 ; :::; Pk g de degré inférieur ou égal à
k dé…nis comme suit :

37
 8
>
> P0 (x) = 1
>
<
P1 (x) = x a1
>
>
>
: P (x) = (x
i ai )Pi 1 (x) b i Pi 2 (x) ; i = 2; :::k:
avec
8
< ai = hxPi 1 ; Pi 1 i ; i = 1; :::k
: b = kP k2 = kP k2 ; i = 2; :::k:
i i 1 i 2

Alors les polynôme sont orthogonaux pour le produit scalaire discrèt dé…ni aux points
xi (0 i n).

Exemple 10 Construire les polynômes fP0 ; P1 ; P2 g orthogonaux correspondant aux points

x0 = 0; x1 = 4 ; x2 = 2
en utilisant l’algorithme de Gram-Schmidt.

Corrigé

xi 2 1 0 1 2 h:; :i
P0 (xi ) 1 1 1 1 1 kP0 k2 = 5
xi P02 (xi ) 2 1 0 1 2 hxP0 ; P0 i = 0
P1 (xi ) 2 1 0 1 2 kP1 k2 = 10
xi P12 (xi ) 8 1 0 1 8 hxP1 ; P1 i = 0

On a d’après le théorème précédent, P0 (x) = 1 :

Calcul de a1 :

a1 = hxP0 ; P0 i = kP0 k2 = 0=5 = 0:

Alors, P1 (x) = x a1 = x:
Calcul de a2 et b2 :

38
 0
a2 = hxP1 ; P1 i = kP1 k2 = = 0:
10

10
b2 = kP1 k2 = kP0 k2 = =2
5
Alors, P (x) = (x a2 )P1 (x) b2 P0 (x) = (x 0) x 2 1 = x2 2:

3.3 Approximation polynômiale des fonctions au sens

des moindres carrés

3.3.1 Formulation du problème

Etant donné, f une fonction connue aux n + 1 points xi (0 i n) ; on cherche un

polynôme P de degré inférieur ou égal à k véri…ant :

kf (x) P (x)k kf (x) P (x)k ; 8P 2 Pk [x] ; (4:3)

on rapelle que Pk [x] est l’espace des polynômes de degré inférieur ou égal à k .

C’est à dire que P est la solution du problème de minimisation suivant :

8
>
< T rouver P 2 Pk [x] tel que
(5:3)
>
: kf (x) P (x)k2 = min kf (x) P (x)k2
P 2Pk [x]

d’où le nom d’approximation au sens des moindres carrés.

On peut également exprimer ce problème en fonction du produit scalaire comme suit :

8
>
< T rouver P 2 Pk [x] tel que
P
n Pn (3.3)
>
: (f (xi ) P (xi ))2 = min (f (xi ) P (xi ))2
i=0 P 2pPk [x]i=0

39
 Le polynôme P appartenant à Pk [x] et véri…ant l’inégalité (4:3) est appelé la meilleure
approximation au sens des moindres carrés (M ASM C) de la fonction f aux points
xi (0 i n) :

Théorème 6 Soit f une fonction connue aux (n + 1) points xi (0 i n) ; la meilleure

approximation au sens des moindres carrés P 2 Pk [x] existe et elle est unique et elle
est aussi caractérisée par la condition nécessaire et su¢ sante suivante :

hf P ; P i = 0; 8P 2 Pk [x]

De plus, si fP0 ; P1 ; :::; Pk g est une base pour l’espace Pk [x] ; la condition nécessaire et
su¢ sante pour que le polynôme P soit la (M ASM C) de la fonction f aux points
xi (0 i n) devient :
hf P ; Pj i = 0; 8j = 0; : : : ; k

Ou bien
X
n
(f (xi ) P (xi )) Pj (xi ) = 0; 8j = 0; : : : ; k
i=0

Ce théorème est appelé théorème de projection orthogonale.

Démonstration :
Pour plus de détails concernant la démonstration de ce théorème, on réfère le lecteur
au document [2].
P
k
Puisque fP0 ; P1 ; :::; Pk g est une base pour l’espace Pk [x], alors P = i Pi
i=0
Donc, hf P ; Pj i = 0 () hP ; Pj i = hf; Pj i
P
k
() i Pi ; Pj = hf; Pj i
i=0
P
k
() i hPi ; Pj i = hf; Pj i
i=0
Pour j = 0 :

40
 0 hP0 ; P0 i + 1 hP1 ; P0 i + 2 hP2 ; P1 i + + k hPk ; P0 i = hf; P0 i :

On procède d’une manière analogue pour le reste des indices j, on peut écrire le
système linéaire suivant :

A =b

Où
0 1 0 1
hP0 ; P0 i hP1 ; P0 i hPk ; P0 i hf; P0 i
B C B C
B C B C
B hP0 ; P1 i hP1 ; P1 i hPk ; P1 i C B hf; P1 i C
A=B
B .. .. ..
C;
C b=B
B ..
C:
C
B . . . C B . C
@ A @ A
hP0 ; Pk i hP1 ; Pk i hPk ; Pk i hf; Pk i

La matrice A est connue par la matrice de Gram, cette dernière est symétrique et son
T
déterminant est di¤érent de 0. Donc, la solution ( 0; 1; : : : ; k) existe toujours et elle
est unique. Par conséquent P l’est aussi.

3.4 (M ASM C) dans la base canonique

La base canonique de l’espace Pk [x] est 1; x; x2 ; : : : ; xk qui n’est pas orthogonale.

D’après le thoérème précédent, la condition nécessaire et su¢ sante devient :

X
n
(f (xr ) P (xr )) xjr = 0; 8j = 0; : : : ; k:
r=0

Pour ne pas confondre les indices, on a changé ceux des points par r et on a gardé les
indices i et j pour les éléments de la base.

P
k P
k
i
On a : P = i Pi = ix ; alors les coe¢ cients du polynôme P est la solution
i=0 i=0
du système linéaire précédent avec :

41
 0 P n P
n P
n 1 0 P n 1
1 xr xkr f (xr )
B r=0 r=0 r=0 C B r=0 C
B P P P C B P C
B n x n
x2r
n
xk+1 C B n x f (x ) C
B r r C B r r C
A=B
B r=0. r=0 r=0 C et b = B r=0
C B .
C
C
B .. .. .. C B .. C
B . . C B C
@ Pn P
n P
n A @ P n A
xkr xk+1
r x2k
r xkr f (xr )
r=0 r=0 r=0 r=0

Exemple :
Soit la fonction tabulaire suivante :

xi 1 0 1
f (xi ) 1 -1 -1

Déterminer P la (M ASM C) pour f aux points xi (i = 0; 1; 2) associée à la base

canonique dans l’espace P2 [x] :
Solution
fP0 (x) = 1; P1 (x) = x; P2 (x) = x2 g est la base canonique dans P2 [x]
de plus P s’écrit comme suit :

P (x) = 0 P0 (x) + 1 P1 (x) + 2 P2 (x) :

T
( 0; 1; 2) est la solution du système A = b où :
0 1
P
2 P
2 P
2
0 1
B r=01 xr x2r
C
B r=0 i=0 C B 3 0 2 C
B P2 P2 P2 C B C
A=B
B xr x2r x3r C
C=B 0 2 0 C
B r=0 i=0 r=0 C @ A
@ P2 P2 P2 A 2 0 2
x2r x3r x4r
r=0 r=0 r=0

42
 0 1
0 1 -1
P
2
B C
B f (xr ) C B C
B r=0 C B C
B P2 C B B
C
C
b=B
B xr f (xr ) C =
C B B -2 C:
B r=0 C B C
@ P2 A C
B C
x2r f (xr ) @ A
r=0
0

T
La solution du système obtenue est ( 0; 1; 2) = ( 1; 1; 1)T :
Par conséquent, P (x) = 1 x + x2 :

3.5 (M ASM C) dans une base orthogonale

Soit fP0 ; P1 ; :::; Pk g une base orthogonale pour l’espace Pk [x].
P la (M ASM C) pour la fonction f aux points xi (0 i n) s’écrit : P (x) =
P
k
i Pi (x) :
i=0
Alors, la matrice associée au système linéaire A = b; dans ce cas, est diagonale du
fait que la base est orthogonale.
0 1
2
hP0 ; P0 i = kP0 k 0 0
B C
B 2 C
B 0 hP1 ; P1 i = kP1 k 0 C
A=B
B .. .. ..
C:
C
B . . . C
@ A
0 0 hPk ; Pk i = kPk k2

Donc, on trouve directement que l’expression des coe¢ cients i est donnée comme
suit :

hf; Pi i
i = ; i = 0; : : : ; k:
kPi k2
Par conséquent, on obtient :

43
 X
k
hf; Pi i
P (x) = Pi (x)
i=0
kPi k2

Exemple :

1-Construire une base orthogonale A = fP0 ; P1 ; P2 g ; en utilisant, l’algorithme d’or-

thogonalisation de Gram-schmidt associeé au produit scalaire dé…ni par les points x0 = 1;
3
x1 = 2
x2 = 2.
p
2-Trouver la meilleure approximation de la fonction f (x) = 2x 1 au sens des
moindres carrés P 2 P2 [X] muni de la base A.

44
 Corrigé

3
xi 1 2
2 h; i
p p
f (xi ) 1 2 3
P0 (xi ) 1 1 1 kP0 k2 = 3
3 9
xi P02 (xi ) 1 2
2 hxP0 (x) ; P0 (x) i = 2

P1 (xi ) - 12 0 1
2
kP1 k2 = 1
2
1 1 3
xi P12 (xi ) 4
0 2
hxP1 (x) ; P1 (x) i = 4
1 1 1
P2 (xi ) 12 6 12
p p p p
P0 (xi ) f (xi ) 1 2 3 hP0 (x) ; f (x) i = 1 + 2 + 3
1
p
3
p
P1 (xi ) f (xi ) 2
0 2
hP1 (x) ; f (x) i = 21 3 1
1
p
2
p
3 1
p p
P2 (xi ) f (xi ) 12 6 12
hP 2 (x) ; f (x) i = 12
3 2 2+1

D’après le théorème, on a :
P0 (x) = 1:
9
P1 (x) = x a1 ; avec a1 = hxP0 (x) ; P0 (x)i = kP0 (x)k2 = 2
3
= 32 :
3
Alors, P1 (x) = x 2
:
P2 (x) = (x a2 )P1 (x) b2 P0 (x) ;avec a2 = hxP1 ; P1 i = kP1 k2 = 3
2
et b2 = kP1 k2 = kP0 k2 =
1
2
3
= 16 :
3 3 1 25
Donc, P2 (x) = (x 2
) x 2 6
= x2 3x + 12
:
fP0 ; P1 ; P2 g est une base orthogonale, par conséquent, le système linéare à résoudre
est de la forme :
0 10 1
2
kP0 k 0 0 0 hP0 ; f i
B CB C
B CB C
A = b () B 0 kP1 k2 0 CB 1 C = hP1 ; f i
@ A@ A
0 0 kP2 k2 1 hP1 ; f i

Ce qui donne

45
 8 p p
>
> = hf;P0 i
= 1
1+ 2+ 3
>
< 0 kP0 k2 3
hf;P1 i
p
() 1 = = 3 1
> kP1 k2
>
> p p
: = hf;P0 i
=2 3 2 2+1 :
2 kP0 k2

A la …n,
P (x) = 0 P0
(x) + 1 P1 (x) + 2 P2 (x)
p p p p p p
= 2 3 4 2 + 2 x2 + 12 2 5 3 7 x: + 3 3 8 2 + 6:

46
 Série d’exercices N 3

Exercice 1

Soit la fonction tabulaire suivante :

xi 2 1 0 1 2
f (xi ) 15 1 1 3 19

1. On donne la base, de polynômes, suivante : A = fP0 (x) = 1; P1 (x) = x; P1 (x) = x2 2g :

2. Est ce que la base A est orthogonale ?

3. Trouver la meilleure approximation au sens des moindres carrés P 2 P2 [X] muni

de la base A:
Exercice 2

On considère la fonction f (x) = ex x et les points x0 = 0; x1 = 21 ; x2 = 1:

1. Construire une base orthogonale fP0 ; P1 ; P2 g en utilisant l’algorithme d’ortho-

gonalisation de Gram-Schmidt associé au produit scalaire dé…ni aux points xi ,
i = 0; 1; 2:

2. Trouver la meilleure approximation au sens des moindres carrés P pour la fonction

f aux points xi , i = 0; 1; 2 dans l’espace P2 [x] muni de la base A:

Exercice 3

1. Trouver la meilleure approximation au sens des moindres carrés P de la fonction

f (x) = sin ( x) aux points x0 = 1; x1 = 0; x2 = 1; x3 = 2 dans la base canonique
B = f1; x; x2 g :

2. Répondre à la même question pour la fonction f (x) = cos ( x) et les point x0 = 0;

x1 = 1; x2 = 2; x3 = 3:

47
Exercice 4
1
1. Soit la suite de points x0 = 1; x1 = 2
; x2 = 12 ; x3 = 1:
Trouver le polynôme P 2P2 [x] (P2 [x] muni de la base déterminée par le théorème
d’orthogonalisation de Gram-Schmidt, associé au produit scalaire dé…ni aux points
xi , i = 0; 1; 2; 3), solution du problème de minimisation suivant :
8
>
< Trouver P 2 P2 [x] tel que :
3
> P
: min (jxi j P (xi ))2
p2P2 [x]i=0

2. Trouver la meilleure approximation au sens des moindres carrés P dans l0 espace

P2 [x] muni de la base canonique du problème suivant :

8
< La fonction f (x) = cos ( x)
: Les points sont x = i; i = 0; 1; 2; 3:
i

48
Chapitre 4

Intégration Numérique

4.1 Introduction
Les méthodes d’intégration numérique, interviennent essentiellement lorsque la pri-
mitive d’une fonction f est d’expression assez compliquée ou inconnue, ou lorsque f n’est
connue qu’en certains points distincts, par exemple si elle résulte de mesures expérimen-
tales. Dans ce chapitre, on traitera seulement les intégrales du type

Z b
I (f ) = f (x) dx; (1:4)
a

Où f est une fonction d’une variable réelle dé…nie et continue sur un intervalle [a; b]
de R borné non vide.
La plupart des formules d’intégration numérique proviennent des méthodes d’inter-
polation polynomiale, où le calcul de l’intégrale d’une fonction est approché par le calcul
exact de l’intégrale d’un polynôme, interpolant cette fonction aux points xi pour i = 0; ::n.
On obtient ainsi une forme générale appelée formule de quadratique numérique.

Z b X
n
f (x) dx ' In (f ) = if (xi ) (4:2)
a i=0

49
 Les xi sont alors les points d’intégration et les coe¢ cients i sont appelés les poids
de la formule de quadrature.

Dé…nition 7 Une formule de quadrature est dite exacte sur un ensemble de fonctions E
si :
8f 2 E; R (f ) = I (f ) In (f ) = 0

Dé…nition 8 Une formule de quadrature est dite de degré de précision n si elle est exacte
pour xk ; k = 0; :::; n et non exacte pour xn+1 :

4.2 Intégration par interpolation

Dans ce cas, on remplace simplement la fonction f par le polynôme d’interpolation
Pn pour les (n + 1) points, si on prend par exemple le polynôme de Lagrange présenté
dans le chapitre précédent

X
n
P (x) = Li (x) f (xi )
i=0

On peut alors espérer que si Pn est peu di¤érent de f , il en sera de même pour leurs
intégrales. Cette méthode assure évidemment que l’erreur est nulle si f est une fonction
polynomiale de degré n et cela quelque soit le choix des xi . L’intégrale du polynôme Pn
peut s’écrire en utilisant l’équation précédente sous la forme :

Z b X
n Z b
Pn (x)dx = f (xi ) Li (x) dx
a i=0 a

X
n
= f (xi ) ILi
i=0

Rb
Où ILi = a
Li (x) dx:

50
Remarque 5 On constate que les quantités ILi ne dépendent pas de la fonction, mais
elles dépendent seulement du choix des points xi .

Ces formules sont dites formules quadratiques interpolatoires de Newton–Côtes qui

sont un cas particulier de formules de quadrature, basées sur l’interpolation de Lagrange.

Parmi ces formules, on trouve celle du trapèze et celle de Simpson qu’on va présenter
en détails par la suite.

4.2.1 Formule du trapèze

Dans cette méthode,on interpole f par un polynôme de degré 1 aux points a et b,

alors

f (a) + f (b) f (b) f (a) a+b

P1 (x) = + x :
2 b a 2
Rb
L’intégrale approchée de I (f ) qui est I (P1 ) = a P1 (x) dx se calcule mathématiquement
ou géométriquement (Figure 4.1), et donne la formule classique du trapèze :

(b a)
I1T (f ) = (f (a) + f (b)): (3.4)
2

Il s’agit de l’aire du trapèze coloré dans la Figure 4.1

51
 Figure 4.1

4.2.2 Formule du trapèze généralisée

Pour évaluer numériquement I(f ), on divise l’intervalle borné [a; b] en n intervalles

b a
partiels [x0 ; x1 ] ; [x1 ; x2 ] ; : : : ; [xn 1 ; xn ] de même longueur h = n
et on considère les
points d’intégration x0 = a; xn = b; xi = x0 + ih; i = 1; : : : ; n 1:
On applique la formule du trapèze précédente sur chaque sous-intervalle, on obtient
donc la méthode du trapèze généralisée ou composée ou bien dite méthode des trapèzes
seulement.

52
 Z b Z x1 Z x2 Z xn
I (f ) = f (x) dx = f (x) dx + f (x) dx + + f (x) dx
a x0 x1 xn 1
n 1Z
X xi+1
I (f ) = f (x) dx
i=0 xi

X1
n
xi+1 xi
I (f ) ' [f (xi ) + f (xi+1 )] I (f )
i=0
2

h X
n 1
I (f ) ' [f (xi ) + f (xi+1 )]
2 i=0

" #
h X
n 1
I (f ) ' InT (f ) = f (a) + f (b) + 2 f (xi ) (4:4)
2 i=1

Géométriquement, la valeur de l’intégrale I(f ) est approchée par la somme des aires des

n trapèzes induits par les points x0 ; x1 ; :::; xn :

Erreur d’approximation

Théorème 7 Soit f une fonction de classe C 2 sur l’intervalle [a; b], il existe alors dans
l’intervalle [a; b] tel que

1 00
In (f ) I (f ) = (b a)3 f ( )
12n2
où [a; b] est divisée en n sous intervalles égaux.
Alors, on peut écrire la borne supérieure de l’erreur commise comme suit :

1
I (f ) InT (f ) (b a)3 M2 (4:5)
12n2

00
avec M2 = M ax f (x) :
x2[a;b]

53
 Figure 4.2

Figure 4.2 - Illustration de la formule du trapèze composée à quatre sous-intervalles

sur l’intervalle [a; b] : la valeur de l’intégrale I(f ) est approchée par la somme des aires
des 4 trapèzes induits par les points x0 ; x1 ; x3 ; x4 .

Remarque 6 – Le membre de gauche de la formule (4:5) est appelé erreur exacte

EE et celui de droite est appelé erreur théorique ET .
– Toujours l’erreur exacte est inférieure ou égale à l’erreur théorique.
– Pour la méthode du trapèze de base (n = 1), l’erreur s’écrit comme suit :

1
I (f ) I1T (f ) (b a)3 M2
12

– Cette formule a un degré d’axactitude égal à un.

54
Exemple 11 Z
2
I= sin xdx
0

en utilisant la méthode du trapèze pour (n = 1) ensuite la méthode du trapèze généralisée

(n = 4) et estimer l’erreur exacte et théorique à chaque fois.

Corrigé
R1
I (f ) = 0 sin xdx = [ cos x]02 = 1
Pour n = 1 :

(2 0)
I1T (f ) = 2
f (0) + f 2

I1T (f ) = 4
[0 + 1] = 0:785398:

Erreur exacte :

1
Eexa (f ) = I (f ) I1T (f )
= j1 0:785398j
= 0:21460:

Erreur théorique :

1 1 3
ETth (f ) = 12 2
0 M2

Pour M2 , on calcule tout d’abord la première et la deuxième dérivée de f :

0 00 00
f (x) = cos x et f (x) = sin x 0; 8x 2 0; 2
) f (x) = sin x

00
M2 = M ax f (x) = 1
x2[0; 2 ]
3
1
Donc, Eth (f ) = 8
12
1 = 0:32298:

1
on remarque que Eexa (f ) Eth (f )

55
 Pour n = 4; on a :

" #
h X
n 1
h
I2T (f ) = f (a) + f (b) + 2 f (xi ) = [f (a) + f (b) + 2(f (x1 ) + f (x2 ) + f (x1 ))]
2 i=1
2

(b a)
h= 4
= 8
et x1 = x0 + h = a + h = 8 :; x2 = x1 + h = 8
+ 8
= 4 ; x 3 = x1 + h =
3
4
+ 8
= 8
:
I4T (f ) = 16
0 + 1 + 2(sin 8
+ sin 4
+ sin 38 = 0:98711:
Erreur exacte :

4
Eexa (f ) = I (f ) I1T (f )
= j0:3333 0:34375j
= 0:01288:

Erreur théorique :

4
ETth (f ) = 1
12n2
(b a)3 M2
1 3
= 12 42 2
0 1
= 0:06341:

4 4
) Eexa (f ) Eth (f ) :

4.2.3 Formule de Simpson

a+b
On interpole la fonction f par un polynôme de degré 2 aux point x0 = a; x1 = 2
;
x2 = b; alors on a la formule de Simpson simple :

(b a) a+b
I (f ) ' I2S (f ) = f (a) + 4f + f (b) ou bien (4:6)
6 2
h a+b (b a)
I (f ) ' I2S (f ) = f (a) + 4f + f (b) avec h =
3 2 2

56
4.2.4 Formule de Simpson généralisée

On peut généraliser la méthode de Simpson de la même manière que celle de trapèze,

où on dévise l’intervalle [a; b] à n = 2m partiels égaux (n doit être nécessairement pair)
et on applique la formule sur chacun de ces intervalles :
(b a)
[x0 = a; x0 + 2h] ; [x0 + 2h; x0 + 4h] ; : : : ; [x0 + (n 2) h; xn = b] avec h = n
et
xi = a + ih; i = 1; : : : ; n 1:
Alors, on obtient :

Z b Z x2 Z x4 Z xn
I (f ) = f (x) dx = f (x) dx + f (x) dx + + f (x) dx
a x0 x2 xn 2
n 2Z
X xi+2
I (f ) = f (x) dx
i=0 xi

h h
I (f ) ' [f (x0 ) + f (x2 ) + 4f (x1 )] + [f (x2 ) + f (x4 ) + 4f (x3 )]
3 3
h
+ + [f (xn 2 ) + f (xn ) + 4f (xn 1 )]
2 3 3
h 4 f (x0 = a) + f (xn = b) + 4 [f (x1 ) + f (x3 ) + + f (xn 1 )]
5
I (f ) '
3 +2 [f (x2 ) + f (x4 ) + + f (xn 2 )]

" #
h Xk X
k 1
I (f ) ' InS (f ) = f (a) + f (b) + 4 f (x2i 1 ) + 2 f (x2i ) ; n = 2k (4:7)
3 i=1 i=1

La formule (4:7) est appelée la formule de Simpson généralisée.

57
 Figure 4.3

Figure 4.3- Illustration de la formule de Simpson est la valeur approchée de l’intégrale

I(f ) qui correspond à l’aire colorée.

58
 Figure 4.4

Figure 4.4–Illustration de la formule de Simpson généralisée à quatre sous-intervalles

sur [a; b] est la valeur approchée de l’intégrale I(f ) qui correspond à l’aire colorée.

59
 Erreur d’approximation

Théorème 8 Soit f une fonction de classe C 4 sur l’intervalle [a; b], il existe alors dans
l’intervalle [a; b] tel que

1
I (f ) Ins (f ) = (b a)5 f 4 ( )
180n4
où n = 2m représente les subdivisions de l’intervalle [a; b] qui doivent être égales.
Alors, on peut écrire la borne supérieure de l’erreur commise comme suit :

1
jI (f ) Ins (f )j (b a)5 M4 (5:4)
180n4

4
avec M4 = M ax f (x) :
x2[a;b]

Exemple 12 Soient les données suivantes :

xi 1 1:2 1:4 1:6 1:8

f (xi ) 1:543 1:811 2:151 2:577 3:107

R 1:8
Trouver la valeur approchée de 1
f (x) dx en utilisant la méthode de Simpson.

Solution
(b a)
On peut appliquer la formule de Simpson car n = 4 qui est pair, alors h = n
=
1:8 1
4
= 0:2 et xi = a + ih; i = 1; : : : ; 4:

Par conséquent les points xi sont donnés par :

a = x0 = 1; x1 = 1:2; x2 = 1:4; x3 = 1:6; b = x4 = [Link]

h
I6S (f ) = 3
[f (x0 ) + f (x4 ) + 4 [f (x1 ) + f (x3 )] + 2 [f (x2 )]]

60
 0:2
I6S (f ) = 3
[1:543 + 3:107 + 4 [1:811 + 2:577] + 2 [2:151]]

I6S (f ) = [Link]

61
 Série d’exercices N 4

/Exercice 1 :
1- Déterminer par la méthode du trapèze (n = 1) puis par celle de Simpson (n = 2)
l’integrale :

Z 2
I= ln xdx
1

2- Comparer les résultats obtenus avec la valeur exacte de l’intégrale donnée, ainsi
que l’erreur théorique assosiée à chaque méthode.

Exercice 2 :
Un véhicule passe par un point A et cet instant on considère t = 0, ensuite on mesure
les premières 70 secondes sa vitesse V :

t (en s) 0 10 20 30 40 50 60 70
V (en m/s) 60 61:63 63:44 65:47 67:75 70:33 73:29 76:70

1) Calculer la distance parcourue x par le véhicule à l’instant t = 70 s, par la méthode

de trapèze sachant que x (0) = 0:
2) Est ce qu’on peut utiliser la méthode de Simpson ? Justi…ez votre réponse ?
Exercice 3
Soit l’intégrale suivante :
Z
I= sin xdx
0

1 - On donne h = 3 ; déterminer la valeur approximative de l’intégrale I en utilisant la

méthode des trapèzes.

62
 2- Trouver n le nombre de subdivisions nécessaires de l’intervalle d’intégration [0; ],
3
pour évaluer l’intégrale I à 10 près, grâce à la méthode des trapèzes et la méthode de
Simpson.
3- Calculer la valeur approximative de l’intégrale I en utilisant la méthode de Simpson
pour le n trouvé en question 2.

63
Bibliographie

[1] N. Akroune, Analyse numérique, cours de licence, Université Béjaia.

[2] C. Boulonne, Analyse numérique et approximation, Notes de cours, Université de

Lille 2008-2009.

[3] P. Fischer, L. Weynans, C. Dossal, Approximation numérique, Université Bordeaux

1.

[4] M. GILLI, Méthodes numériques, Université de Genève, 2006.

[5] H. Grar, Méthodes numériques, cours, exercices corrigés, Université Setif 1, 2017.

[6] A. Keraghel, Cours d’analyse numérique,Université Setif 1.

[7] G. Legendre, Méthodes numériques, Introduction à l’analyse numérique et au calcul

scienti…que (version provisoire du 28 janvier 2016).

[8] S . Mammar, MT31- Méthodes numériques, Institut Universitaire Professionnalisé

d’Évry, 1999.

[9] K, Mebarki, Analyse numérique, Cours, 2eme année mathématiques, Université Béjaia.

64