Intégration numérique

Dans ce chapitre, on s’intéresse au calcul de la valeur numérique de l’intégrale d’une fonction f sur un
intervalle [a, b] donné. Autrement dit, on cherche non pas à obtenir un résultat du type
Z b
f (x) dx = F (b) F (a)
a

où F serait une primitive de f sur [a, b], mais plutôt un résultat du type
Z b
f (x) dx ⇡ 0.789312
a

autrement dit une approximation (bonne, dans la mesure du possible) de la valeur de l’intégrale de f sur
[a, b]. Ceci est tout particulièrement intéressant quand on ne dispose pas d’une primitive de la fonction
f : c’est le cas par exemple pour l’intégrale dite elliptique qui nous donne le périmètre d’une ellipse de
demi-axes 1 et b > 0 Z ⇡p
2
P =4 1 (1 b2 ) cos(x)2 dx.
0
Nous allons supposer que pour tout ↵ dans [a, b], on est capable de donner la valeur de f (↵). L’idée
des méthodes d’intégration numérique que nous allons étudier est d’approcher l’intégrale de f par une
combinaison linéaire de valeurs de f prises en des points particuliers de l’intervalle [a, b]. Autrement dit, on
se donne (n + 1) couples (xi , i ), les xi dans [a, b] et les i dans R, et on pose
Z b n
X
f (x) dx ⇡ i f (xi ).
a i=0

Nous n’allons pas nous intéresser1 au choix des points xi de l’intervalle [a, b], ce qui constitue un problème
difficile. Nous allons donc supposer que l’on se fixe (n + 1) abscisses x0 , . . . , xn distinctes. On va s’intéresser
aux deux questions suivantes : P Rb
- déterminer les coefficients i tels que ni=0 i f (xi ) soit une bonne approximation de a f (x) dx
- estimer l’erreur d’approximation, c’est à dire la di↵érence entre la valeur exacte de l’intégrale,
et sa valeur approchée donnée par la méthode d’intégration numérique.
À partir de maintenant, on suppose que la fonction f est (au moins) continue sur l’intervalle [a, b]. On
notera I(f ) l’intégrale exacte de f sur [a, b], et J(f ) son intégrale approchée, soit
Z b n
X
I(f ) = f (x) dx, J(f ) = i f (xi ).
a i=0

Notons que I et J sont des applications linéaires sur l’espace vectoriel des fonctions continues sur [a, b].
Afin de ne pas alourdir inutilement
Rb P de notation suivant : pour k 2 N, on
les énoncés, on fera souvent l’abus
notera I(xk ) := I(x 7! xk ) = a xk dx , et J(xk ) := J(x 7! xk ) = ni=0 i xki . En particulier :
Z b n
X
I(1) = 1 dx = b a, J(1) = i,
a i=0

Z b n
X
b2 a2
I(x) = x dx = , J(x) = i xi .
a 2
i=0
1
sauf éventuellement à titre d’exercice

1
1 Méthodes d’intégration numérique
On se donne x0 , . . . , xn (n+1) abscisses distinctes dans [a, b], et on cherche une formule d’intégration
numérique J de la forme
Xn
J(f ) = k f (xk ), 8f 2 C 0 ([a, b]).
k=0

L’objectif est donc de déterminer les coefficients réels i pour que la méthode d’intégration numérique nous
donne une bonne approximation de la valeur de l’intégrale de f sur [a, b]. Pour faire cela, nous allons
demander à ce que notre méthode d’intégration numérique soit exacte pour une famille de fonctions : les
polynômes de degré inférieur ou égal à n. Ceci impose en fait la valeur des coefficients i , comme le montre
le théorème suivant :

Théoreme 1.1 Il existe un unique (n + 1)-uplets ( 0, . . . , n) tel que la formule d’intégration numérique
J soit exacte sur Rn [x].

Preuve : on demande à ce que pour tout polynôme p 2 Rn [x], on ait I(p) = J(p), soit
Z b n
X
p(t)dt = i p(xi ). ()
a i=0

Pour cela, il faut et il suffit que la relation () soit vraie pour la base de Rn [x] des monômes {1, x, . . . , xn }.
En e↵et, il est évident que si () est vraie pour tout polynôme de Rn [x], elle est en particulier vraie pour
la base des monômes.
L’autre sens s’obtient tout aussi aisément : soit un polynôme p quelconque de Rn [x], il existe ↵0 , . . . , ↵n
(n + 1) réels tels que p(x) = ↵0 + ↵1 x + . . . + ↵n xn . Comme I et J sont des applications linéaires, on a

I(p) = I(↵0 + ↵1 x + . . . + ↵n xn ) = ↵0 I(1) + ↵1 I(x) + . . . + ↵n I(xn )

= ↵0 J(1) + ↵1 J(x) + . . . + ↵n J(xn ) = J(↵0 + ↵1 x + . . . + ↵n xn ) = J(p).

On est donc ramené à vérifier () pour la base des monômes. Autrement dit, pour tout k 2 {0, . . . , n},
on veut : Z b
Xn
k bk+1 ak+1
i xi = xk dx = .
a k+1
i=0

On obtient le système linéaire de (n + 1) équations à (n + 1) inconnues suivant :

8
>
> 0 + 1 + ... + n = b a
>
> b 2 a2
>
>
< 0 x0 + 1 x1 + . . . + n xn =
2
(S) .. .. .. .. ..
>
> . . . . .
>
>
> n+1 an+1
: 0 xn + 1 xn + . . . + n xn = b
>
0 1 n
n+1
soit encore, sous forme matricielle,
2 32 3 2 3
1 1 ... 1 0 b a
2 2
6 x0 x1 . . . xn 7 6 7 6 b a 7
6 7 6 17 6 2 7
6 .. .. .. .. 7 6 .. 7 = 6 .. 7.
4 . . . . 5 4 . 5 4 . 5
n+1 n+1
xn0 xn1 . . . xn n
n
b
n+1
a

2
On reconnaı̂t dans la matrice du système la transposée de la matrice de Vandermonde V (x0 , x1 , . . . , xn ) ;
on a prouvé dans le chapitre sur l’interpolation qu’elle est inversible si et seulement si les x0 , x1 , . . . , xn sont
tous disctincts, ce qui est le cas ici. On a donc bien existence et unicité des i . ⇤

On parlera donc dorénavant de la méthode d’intégration numérique associée à x0 , . . . , xn , sous-entendu

celle qui est exacte pour les polynômes de degré inférieur ou égal à n. Il est à noter que les coefficients i
ne dépendent que des xi , de a et de b ; en particulier, ils ne dépendent pas de la fonction f dont on cherche
une approximation de l’intégrale sur [a, b].
On a un lien très fort entre intégration numérique et interpolation, comme le montre la propriété
suivante :
P
Propriété 1.1 Soient x0 , . . . , xn (n + 1) abscisses distinctes dans [a, b], J(f ) = ni=0 i f (xi ) la méthode
d’intégration numérique associée.
Soit f 2 C 0 ([a, b]), et Pn le polynôme d’interpolation de Lagrange associé à f et x0 , . . . , xn . Alors
J(f ) = I(Pn ), soit encore
Xn Z b
i f (xi ) = Pn (x)dx.
i=0 a

Preuve : on a
n
X n
X
i f (xi ) = i Pn (xi ) (par définition, Pn (xi ) = f (xi ))
i=0 i=0
Z b
= Pn (x)dx (deg(Pn )  n, et J est exacte sur Rn [x])
a

ce qui achève la preuve. ⇤

Pour trouver les coefficients i , il ”suffit” de résoudre le système

8
>
> 0 + 1 + ... + n = b a
>
> b2 a2
>
>
< 0 x0 + 1 x1 + ... + n xn =
2
(S) .. .. .. .. ..
>
> . . . . .
>
>
>
> bn+1 an+1
: 0 xn + n
1 x1 + ... + n
n xn =
0
n+1
ce qui est parfois un peu compliqué ! Heureusement, on va voir que l’on peut e↵ectuer tous les calculs
sur le segment [0, 1], et reporter le résultat sur un segment [a, b] quelconque. Pour cela, à chaque xi dans
xi a
[a, b], on associe ⌘i := . On obtient ⌘0 , . . . , ⌘n (n + 1) abscisses distinctes dans [0, 1], et on note, pour
b a
P
0 ˜ =
g 2 C ([0, 1]), J(g) n ˜
i=0 i g(⌘i ) la formule d’intégration numérique dans [0, 1] associée. On a alors :

Propriété 1.2 Pour tout i dans {0, . . . , n}, on a i = (b a) ˜i .

t a
Preuve : soit p un polynôme de degré inférieur ou égal à n. On a, par le changement de variable ⌘ = b a,
Z b Z 1 Z 1
p(t) dt = (b a) p((b a)⌘ + a) d⌘ = (b a) p̃(⌘) d⌘,
a 0 0

où on a posé p̃(⌘) = p((b a)⌘ + a) pour tout ⌘. Comme p̃ est aussi un polynôme de degré inférieur ou égal
à n, on a
Z 1 n
X n
X n
X
p̃(⌘) d⌘ = ˜ k p̃(⌘k ) = ˜ k p((b a)⌘k + a) = ˜ k p(xk ).
0 k=0 k=0 k=0

3
On a donc, pour tout polynôme p de degré inférieur ou égal à n,
Z b n
X
p(t) dt = (b a) ˜ k p(xk ).
a k=0

On conclut par unicité de la méthode d’intégration approchée sur [a, b] associée à x0 , ..., xn . ⇤
Ainsi, pour calculer la méthode d’intégration numérique sur [a, b], on préfèrera souvent se ramener sur
[0, 1], où la résolution du système (S) est souvent plus simple, puis en déduire la formule sur [a, b] quelconque.
Bien évidemment, on n’est pas obligé de procéder comme cela !
Remarque - il existe une autre méthode pour calculer les coefficients i : en e↵et, si on note
Y x xi
Lm (x) =
xm xi
i=0,...,n, i6=m

le m-ième polynôme de la base de Lagrange, qui rappelons le, vérifie Lm (xi ) = 1 si m = i, 0 sinon, et est de degré n, on a
Z b Xn
Lm (x)dx = i Lm (xi ) = m .
a i=0

Le coefficient m est donc égal à l’intégrale de Lm sur [a, b]. Néanmoins, on préfèrera la plupart du temps résoudre le système
(S).

Par construction, la méthode d’intégration numérique est exacte pour tous les polynômes de degré
inférieur ou égal à n. Mais rien n’empêche qu’elle soit exacte pour des polynômes de degré plus élevé. Ceci
nous mène à la définition de l’ordre d’une méthode d’intégration numérique.
P
Définition 1.1 On dit que la méthode d’intégration numérique J(f ) = ni=0 i f (xi ) est d’ordre N (N 2 N)
si :
• pour tout polynôme p de degré inférieur ou égal à N , on a
Z b n
X
p(x)dx = i p(xi )
a i=0

• il existe un polynôme P de degré N + 1 tel que

Z b n
X
P (x)dx 6= i P (xi ).
a i=0

On a donc nécessairement N n.

Pour connaı̂tre l’ordre d’une méthode d’intégration, il suffit par linéarité de la tester sur la base des
monômes. Autrement dit, on a la définition équivalente2 : la méthode d’intégration numérique est d’ordre
N si
• pour tout m dans {0, . . . , N }, on a
Z b n
X
m m
x dx = i xi
a i=0
Z b n
X
N +1 N +1
• x dx 6= i xi .
a i=0
2
le lecteur pourra s’amuser à montrer l’équivalence des deux définitions

4
 Intéressons-nous maintenant à quelques méthodes d’intégration numérique bien connues. Comme dit
précédemment, nous allons les obtenir d’abord sur [0, 1], puis nous en déduirons la formule générale sur un
intervalle [a, b] quelconque.

• méthode des rectangles

On prend une unique abscisse (n = 0), le milieu du segment : ⌘0 = 12 (ce qui correspond x0 =
(b a)⌘0 + a = a+b 2 milieu de l’intervalle [a, b], cf 1.2). La méthode d’intégration numérique est donc de la
forme Z 1 ⇣1⌘
f (x)dx ⇡ 0 f .
0 2
Comme n = 0, on détermine 0 en demandant à ce que la méthode soit exacte pour le polynôme de degré
0 p(x) = 1. On obtient donc
⇣1⌘ Z 1 Z 1
0p = 0= p(x)dx = 1 dx = 1 ) 0 = 1.
2 0 0
Z 1 ⇣1⌘
On a finalement obtenu : f (x)dx ⇡ f . Par construction, cette méthode est au moins d’ordre 0. Il
0 2 Z 1
1
se trouve qu’elle intègre aussi exactement les polynômes de degré 1, puisque xdx = . En revanche, on
0 2
a Z 1
1 ⇣ 1 ⌘2 1
x2 dx = 6= = .
0 3 2 4
On en déduit que la méthode des rectangles est une méthode d’ordre 1.
Finalement, la proposition 1.2 nous donne l’écriture de la méthode des rectangles sur un intervalle
quelconque [a, b] :
Z b ⇣a + b⌘
f (x) dx ⇡ (b a)f
a 2
On a en fait approché l’aire sous la courbe représentative de f par celle du rectangle [a, b] ⇥ [0, f ( a+b
2 )].

Méthode des rectangles

• méthode des trapèzes

Cette fois-ci, on prend deux abscisses : ⌘0 = 0 et ⌘1 = 1 (soit x0 = a et x1 = b). On cherche donc notre
méthode d’intégration numérique sous la forme
Z 1
f (x)dx = 0 f (0) + 1 f (1).
0

5
Comme n = 1, on demande à ce que la méthode soit exacte pour les polynômes de degré inférieur ou égal
à 1, et on obtient donc
Z 1 Z 1
1
dx = 1 = 0 + 1 (pol. de degré 0), x dx = = 1 (pol. de degré 1)
0 0 2

ce qui nous donne immédiatement 0 = 1 = 12 . On obtient donc

Z 1
1⇣ ⌘
f (x)dx = f (0) + f (1) .
0 2
On note que Z 1
1 1 1
x2 dx = 6= 12 =
0 3 2 2
et donc la méthode des trapèzes est d’ordre 1. En utilisant la propriété 1.2, on obtient la méthode sur un
intervalle quelconque [a, b] :
Z b
b a⇣ ⌘
f (x)dx ⇡ f (a) + f (b)
a 2
Par cette méthode, on approche l’aire sous la courbe représentative de f par celle du trapèze formé par les
points (a, 0), (b, 0), (b, f (b)) et (a, f (a)).

Méthode des trapèzes

• méthode de Simpson
1
C’est une méthode à trois points : ⌘0 = 0, ⌘1 = 2 et ⌘2 = 1. On cherche donc 0, 1 et 2 tels que
Z 1 ⇣1⌘
f (x)dx ⇡ 0 f (0) + 1f + 2 f (1).
0 2

Ici, n = 2, donc on veut que la méthode soit exacte sur R2 [x], ce qui nous donne :
8 Z 1
>
>
>
> 0 + 1 + 2 = 1 dx = 1
>
> Z 01
<
1 1
(S) 1 + 2 = x dx =
>
> 2 2
>
> Z 0
1
>
> 1 1
: 1 + 2 = x2 dx =
4 0 3

6
 1
La résolution du système linéaire (S) donne 0 = 2 = 6 et 1 = 23 , et on obtient donc
Z 1
1 2 ⇣1⌘ 1
f (x)dx ⇡ f (0) + f + f (1).
0 6 3 2 6

Par construction, cette méthode est au moins d’ordre 2. Comme on a

Z 1 Z 1
1 2 ⇣ 1 ⌘3 1 1 2 ⇣ 1 ⌘4 1 5
x3 dx = = + et x4 dx = 6= + = ,
0 4 3 2 6 0 5 3 2 6 24

elle est d’ordre 3. Sur un intervalle quelconque [a, b], on obtient

Z b
b a⇣ ⇣a + b⌘ ⌘
f (x) dx ⇡ f (a) + 4f + f (b)
a 6 2

On approche l’aire sous la courbe représentative de f par celle sous l’unique parabole passant par les points
(a, f (a)), ( a+b a+b
2 , f ( 2 )) et (b, f (b)).

Méthode de Simpson

2 Estimations d’erreur
2.1 Premières estimations d’erreur
P
Définition 2.1 Soient x0 < x1 < . . . < xn (n+1) abscisses distinctes, xi 2 [a, b], et J(f ) = ni=0 i f (xi )
la formule d’intégration approchée associée. Pour toute fonction continue f , on note E(f ) l’erreur commise
lorsque l’on remplace I(f ) par J(f ), c’est à dire
Z b n
X
E(f ) = I(f ) J(f ) = f (x)dx i f (xi )
a i=0

Propriété 2.1 Soit f 2 C n+1 ([a, b]). On note Mn+1 = supt2[a,b] |f (n+1) (t)|. Alors
Z bY
n
Mn+1
|E(f )|  |t xi |dt.
(n + 1)! a i=0

7
Preuve : on a montré que J(f ) = I(Pn ), où Pn est le polynôme d’interpolation de Lagrange associé à f et
aux noeuds x0 , x1 , . . ., xn . On a donc
Z b
E(f ) = I(f ) J(f ) = I(f ) I(Pn ) = ( f (t) Pn (t) ) dt.
a

De plus, on a vu lors du cours sur l’interpolation de Lagrange que pour tout t 2 [a, b], on a
n
Mn+1 Y
|f (t) Pn (t)|  |t xi |.
(n + 1)!
i=0

Le résultat s’en déduit aisément. ⇤

Corollaire 2.1 Pour tout f 2 C n+1 ([a, b]), on a

Mn+1
E(f )  (b a)n+2 .
(n + 1)!

Preuve : il suffit de remarquer que pour tout t 2 [a, b] et tout i 2 {0, . . . , n}, |t xi |  (b a). ⇤

Remarquons que l’estimation donnée par le corollaire est moins bonne que celle donnée par la propriété.
En contrepartie, elle ne nécessite aucun calcul !

Applications
a+b
• méthode des rectangles - J(f ) = (b a)f 2 .

C’est une formule à un noeud (n = 0). Le corollaire nous donne donc l’estimation d’erreur, pour toute
fonction f dérivable sur [a, b]
|E(f )|  M1 (b a)2 .
Si on utilise la propriété, on a :
Z b
a+b
|E(f )|  M1 |t | dt
a 2
Z 1/2
2 t a 1
= M1 (b a) |⌘| d⌘ (chgt. de variable ⌘ = )
1/2 b a 2
Z1/2
(b a)2
= 2 M1 (b a)2 ⌘ d⌘ = M1 .
0 4

Supposons que l’on veuille calculer une valeur approchée de l’intégrale de sin(x) sur [0, 1] par la méthode
des rectangles : on a Z 1
I(f ) = sin(t) dt = 1 cos(1) ' 0.45969769413186
0
et
1
J(f ) = sin( ) ' 0.4794255386042.
2
M1
Comme M1 = supt2[0,1] | cos(t)| = 1, on vérifie bien que |E(f )| ' 0.01972784447234  4 = 0.25. On est
donc bien meilleur que notre estimée ne nous le laissait espérer !
(b a)
• méthode des trapèzes - J(f ) = (f (a) + f (b)).
2

8
 Formule à deux noeuds x0 = a et x1 = b. Le corollaire nous donne donc, pour toute fonction f 2
C 2 ([a, b]),
M2
|E(f )|  (b a)3 .
2
Si on utilise la propriété, on obtient
Z b
M2
|E(f )|  |(t a)(t b)| dt
2 a
Z 1/2
M2 3 t a 1
= (b a) |(t 1/2)(t + 1/2)| dt (chgt. de variable ⌘ = )
2 1/2 b a 2
Z 1/2
M2
= M2 (b a)3 (1/4 t2 ) dt = (b a)3 .
0 12

Si on applique la formule des trapèzes à sin(x), on obtient

1
J(sin(x)) = sin(1) ' 0.42073549240395.
2
On a de plus M2 = supt2[0,1] | sin(t)| = sin(1). On vérifie donc que

sin(1)
|E(sin(x))| ' 0.03896220172791  = 0.070122582067325.
12
⇣ ⌘
b a a+b
• méthode de Simpson - J(f ) = 6 f (a) + 4 f 2 + f (b)
a+b
Formule à trois noeuds : x0 = a, x1 = 2 et x2 = 1. Le corollaire nous donne donc

M3
|E(f )|  |b a|4 .
6
L’utilisation de la propriété nous donne une meilleure estimation de l’erreur, comme attendu:

Z b
M3 a+b
|E(f )|  |(t a)(t )(t b)| dt
6 a 2
Z 1/2
M3 4 t a 1
= (b a) |t(t 1/2)(t + 1/2)| dt (chgt. de variable ⌘ = )
6 1/2 b a 2
Z 1/2
M3 M3
= (b a)4 t(1/4 t2 ) dt = (b a)4 .
3 0 192

Appliquer à f (x) = sin(x) sur [0, 1], on a J(sin(x)) = 16 (4 sin(1/2) + sin(1)) ' 0.4598621899. On a donc

M3
|E(f )| ' 0.0001644958  ' 0.005208333333.
192

2.2 Amélioration de l’estimation d’erreur

Les estimations d’erreur que nous venons de démontrer ne sont pas optimales, au sens suivant : supposons
que notre méthode d’intégration numérique soit d’ordre N , avec N > n. Alors nous savons que pour tout
polynôme P de degré inférieur ou égal à N, la méthode est exacte : E(P ) = 0. Mais notre estimée ne nous

9
le dit pas : en e↵et, si P est de degré N , alors supt2[a,b] |P (n+1) (t)| = 6 0 ! On va donc chercher à améliorer
nos estimations d’erreur en tenant compte de l’ordre de la méthode.
On considère toujours nos (n + 1) abscisses distinctes x0 , x1 ,... xn , vérifiant xi 2 [a, b], et J la méthode
d’intégration numérique sur [a, b] associée, de coefficients ( i )i2{0,...,n} :
n
X
J(f ) = i f (xi ).
i=0
xi a
Pour i 2 {0, . . . , n}, on note ⌘i := b a 2 [0, 1], et on définit
n
X
˜ =
J(g) ˜ i g(⌘i )
i=0

la formule d’intégration numérique sur [0, 1] associée aux ⌘i . On rappelle (voir la propriété 1.2) que i =
(b a) ˜ i .

Théoreme 2.2 Supposons que la méthode d’intégration numérique J soit d’ordre N (nécessairement N
n). Soit f 2 C N +1 ([a, b]). On note MN +1 := supt2[a,b] |f (N +1) (t)|. Alors

MN +1 ⇣ 1 X ⌘n
|E(f )|  (b a) N +2
+ |˜i| .
(N + 1)! N +2
i=0

Preuve : comme f 2 C N +1 ([a, b]), pour tout t 2 [a, b], il existe un ⇠t 2]a, t[ tel que3
(t a)N (N ) f (N +1) (⇠t )
f (t) = f (a) + (t a)f 0 (a) + ... + f (a) + (t a)N +1 = p(t) + R(t)
N! (N + 1)!
PN f (i) (a)
où p(t) = i=0 i! (t a)i est un polynôme de degré inférieur ou égal à N, et

f (N +1) (⇠t ) MN +1
|R(t)| = (t a)N +1  (t a)N +1 .
(N + 1)! (N + 1)!

On a par linéarité E(f ) = E(p) + E(R) et même E(f ) = E(R) puisque E(p) = 0, la méthode d’intégration
numérique J étant d’ordre N . On obtient finalement
Z b Xn
|E(f )| = |E(R)| = R(t) dt i R(xi )
a i=0
Z b n
X
= R(t) dt (b a) ˜ i R(xi )
a i=0
Z b X n
 |R(t)| dt + (b a) | ˜ i ||R(xi )|
a i=0
Z n
MN +1 b
N +1 MN +1 X ˜
 (t a) dt + (b a) | i |(xi a)N +1
(N + 1)! a (N + 1)!
i=0
n
X
MN +1 MN +1
= (b a)N +2 + (b a) | ˜ i |(xi a)N +1
(N + 2)! (N + 1)!
i=0
n
X
MN +1 MN +1
 (b a) N +2
+ (b a) N +2
|˜i|
(N + 2)! (N + 1)!
i=0
3
c’est le développement de Taylor-Lagrange de f à l’ordre N

10
ce qui achève la preuve. ⇤

Pour tout polynôme P de degré inférieur ou égale à N , on a bien MN +1 = 0, et notre nouvelle estimation
de l’erreur nous donne donc E(P ) = 0 !

En résumé, nous avons obtenus le résultat suivant : soit a < b, x0 ,..., xn (n + 1) abscisses disctinctes
dans [a, b], et J la méthode d’intégration numérique associée. On suppose que J est d’ordre N , avec N n.
Alors il existe une constante C dépendant de n, N et des ˜ i , tels que

8f 2 C (N +1) ([a, b]), |E(f )|  C (b a)N +2 sup |f (N +1) (t)| (1)

t2[a,b]

3 Méthodes composites d’intégration numériques

On remarque que l’estimation d’erreur (1), qui est en (b a)N +2 , augmente lorsque la longueur de l’intervalle
sur lequel on cherche à approcher l’intégrale augmente. Ceci nous incite fortement à utiliser la méthode
d’intégration numérique sur des intervalles aussi petits que possible : nous sommes ainsi naturellement
amenés à considérer les formules d’intégration numériques composites.
On considère une méthode d’intégration numérique J[0,1] sur [0, 1], associée à (n + 1) abscisses de [0, 1]
⌘0 , . . . , ⌘n , que l’on suppose d’ordre N :
n
X
J[0,1] (f ) = ˜ i f (⌘i ).
i=0

On rappelle qu’on peut transporter cette méthode numérique sur tout segment [↵, ] pour obtenir J[↵, ] ,
méthode d’intégration numérique sur [↵, ] d’ordre N elle aussi, donnée par
n
X
J[↵, ] (f ) = ( ↵) ˜ i f (( ↵)⌘i + ↵).
i=0

Donnons nous alors un intervalle quelconque [a, b]. L’idée des méthodes composites et de chercher à
approcher l’intégrale d’une fonction f quelconque sur [a, b], non pas en utilisant directement la formule
d’intégration numérique J[a,b] , mais en découpant l’intervalle [a, b] en un grand nombre de petits intervalles,
en utilisant la formule sur chacun de ces petits intervalles, et en sommant les résultats obtenus.
Plus mathématiquement, on se donne M un entier naturel strictement positif, et pour tout m 2
{0, . . . , M}, on pose xm = a + bMa m. On découpe ainsi l’intervalle [a, b] en M intervalles [xm , xm+1 ] de
même longueur4 xm+1 xm = bMa . On peut alors définir notre méthode d’intégration numérique composite
:
M
X1 M
X1 X n
JM (f ) = J[xm ,xm+1 ] (f ) = (b a) ˜ i f ( b a ⌘i + xm ) (2)
M
m=0 m=0 i=0

On a alors la propriété suivante

Propriété 3.1 Soit f 2 C N +1 ([a, b]). On note MN +1 := supt2[a,b] |f (N +1) (t)|. On a

Z b
(b a)N +2
f (x) dx JM (f )  C MN +1 ,
a MN +1

avec une constante C ne dépendant que de n, N et des ˜ i , mais pas de M.

4
en fait, rien n’oblige à découper l’intervalle en partie de même longueur... mais cela simplifie un peu l’étude

11
 En particulier, cette propriété implique que JM (f ) tend vers l’intégrale de f lorsque le nombre d’intervalles
M tend vers l’infini, comme MN1+1 , où N est l’ordre de la méthode d’intégration numérique : plus la méthode
est d’ordre élevé, plus la convergence est rapide !

Preuve de la propriété 3.1 : notons tout d’abord que l’on a

Z b Z b M
X1
f (x) dx JM (f ) = f (x) dx J[xm ,xm+1 ] (f )
a a m=0
X1 Z xm+1
M M
X1
= f (x) dx J[xm ,xm+1 ] (f )
m=0 xm m=0
X1 ✓Z xm+1
M ◆
= f (x) dx J[xm ,xm+1 ] (f ) .
m=0 xm

Comme J est d’ordre N , la relation (1) appliquée sur chaque intervalle [xm , xm+1 ] nous donne
Z xm+1
f (x) dx J[xm ,xm+1 ] (f )  C|xm+1 xm |N +2 sup |f N +1 (t)|
xm t2[xm ,xm+1 ]

(b a)N +2
=C sup |f N +1 (t)|
MN +2 t2[xm ,xm+1 ]

(b a)N +2
MN +1 , C
MN +2
où la constante C > 0 ne dépend pas de m. On obtient donc finalement
Z b MX1 ✓Z xm+1 ◆
f (x) dx JM (f )  f (x) dx J[xm ,xm+1 ] (f )
a m=0 xm
M
X 1 Z xm+1
 f (x) dx J[xm ,xm+1 ] (f )
m=0 xm
M
X1 (b a)N +2 (b a)N +2
 C MN +1 = C MN +1
MN +2 MN +1
m=0

ce qui achève la preuve. ⇤

Appliquons ce résultat aux trois méthodes d’intégration numérique que nous avons vues en exemple : on
considère un intervalle [a, b] quelconque, que l’on découpe en M intervalles [xm , xm+1 ], avec xm = a + bMa m.

R
• méthode des rectangles : ↵ f (x) dx ⇡ ( ↵)f ( ↵+
2 ).
On obtient la méthode d’intégration composite
Z b M
X1 M 1
xm + xm+1 b a X xm + xm+1
f (x) dx ⇡ JM (f ) = (xm+1 xm )f ( )= f( ).
a 2 M 2
m=0 m=0

La méthode étant d’ordre N = 1, on obtient pour toute fonction f 2 C 2 ([a, b]) :

Z b
(b a)3
f (x) dx JM (f )  C M2 .
a M2
La méthode converge donc comme M12 : on a une convergence quadratique. Autrement dit, quand on
multiplie par 10 le nombre d’intervalle, on divise par 100 l’erreur commise.

12
 Méthode des rectangles composite, avec M = 5.
R
• méthode des trapèzes : ↵ f (x) dx ⇡ b 2 a (f (↵) + f ( )).
On obtient la méthode d’intégration composite
Z M M
!
b X1 xm+1 xm b a X2
f (x) dx ⇡ JM (f ) = (f (xm ) + f (xm+1 )) = f (a) + f (b) + 2 f (xm ) .
a 2 2M
m=0 m=1

La méthode étant d’ordre 2, on obtient pour f 2 C 2 ([a, b]),

Z b
(b a)3
f (x) dx JM (f )  C M2 ,
a M2
soit une convergence quadratique de la méthode.

Méthode des trapèzes composite, avec M = 5.

R ⇣ ⌘
↵
• méthode de Simpson : ↵ f (x) dx ⇡ 6 f (↵) + 4f ( ↵+
2 ) + f( ) .
On obtient la méthode d’intégration composite
Z b M
X1 ✓ ✓ ◆ ◆
xm+1 xm xm + xm+1
f (x) dx ⇡ JM (f ) = f (xm ) + 4f + f (xm+1 )
a 6 2
m=0
M 1✓ ✓ ◆ ◆
b aX xm + xm+1
= f (xm ) + 4f + f (xm+1 ) .
6M 2
m=0

13
La méthode étant d’ordre N = 3, on obtient l’estimation d’erreur pour f 2 C 4 ([a, b]),
Z b
(b a)5
f (x) dx JM (f )  C M4 .
a M4
1
La méthode converge en M4
: quand on multiplie par 10 le nombre d’intervalles, on divise par 10000 l’erreur
commise !

Méthode de Simpson composite, avec M = 5.

On ne voit pratiquement pas la di↵érence entre l’intégrale exacte, et l’intégrale approchée !

14