Table des matières

Table des Matières 1

1 Interpolation et dérivation numérique 2

1.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Position du Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Existence et unicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Différences divisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8 Dérivation numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.9 Dérivée seconde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1
 Chapitre 1

Interpolation et dérivation
numérique

1.1 Introduction.

En analyse numérique, une fonction f n’est souvent connue que par ses valeurs fi en
un nombre fini de points ai , fi = f (ai ), (en réalité, en pratique fi est seulement une
approximation de f (ai )). Cependant, dans la plupart des cas, il est nécessaire d’effectuer
des opérations sur des fonctions globales (dérivation, intégration, ...) et nous sommes
conduits à reconstruire une fonction globale fr à partir d’un nombre fini de données
(ai , fi ).

Figure 1.1: Problème de l’interpolation.

la fonction idéale f mais il faut faire en sorte qu’elle n’en soit pas trop éloignée.
Le problème de l’interpolation polynomiale consiste à choisir comme fonction recons-
truite une fonction polynomiale. C’est la méthode la plus ancienne, la plus élémentaire
et encore la plus utile. Mais il y en a d’autres. Dans la figure ci-dessus la fonction
reconstruite fr est obtenue à partir de quatre données par un procédé voisin (spline
d’interpolation) mais différent. D’une manière précise, étant donnés d + 1 points d’abs-
cisses distinctes Mj = (aj , fj ), j = 0, ..., d, dans le plan (pour des raisons de commodité
d’écriture les points seront toujours indicés à partir de 0), le problème consiste à trouver
un polynôme P ∈ Rn [X] dont le graphe passe par les d + 1 points Mj . En formule, nous

2
1.2 Position du Problème 3

devons avoir
P ∈ Rn [X], P (aj ) = fj , j = 0, 1, ..., d. (1.1)

Ce problème est bien facile à résoudre lorsque nous disposons de deux points M0 et M1
et cherchons un polynôme de degré 1 car il suffit alors de prendre l’unique polynôme
dont le graphe est la droite (M0 M1 ) comme indiqué sur la figure.

En effet, posant P (x) = ax + b, nous déterminons

a et b grâce aux équations P (a0 ) = f0 et P (a1 ) = f1 . Il vient

f1 − f0
P (x) = (x − a0 ) + f0 , (1.2)
a1 − a0

que nous pouvons aussi écrire

x − a1 x − a0
P (x) = f0 + f1 . (1.3)
a0 − a1 a1 − a0

Le problème est à peine plus compliqué lorsque nous disposons de trois points Mi (ai , fi ),
i = 0, 1, 2 avec a0 < a1 < a2 et cherchons un polynôme du second degré. Le graphe cher-
ché est en général une parabole (correspondant à un polynôme de degré 2). Cependant,
dans le cas particulier où les trois points sont alignés, le graphe est à nouveau une droite
(correspondant à un polynôme de degré 1). Ceci dit, s’il n’est pas davantage précisé, le
problème (1.1) peut n’avoir aucune solution ou bien en avoir une infinité.

1.2 Position du Problème

On se donne le tableau de données suivant

xi x0 x1 ··· xn
yi y0 y1 ··· yn

• Idée : Trouver un polynôme P (x) passant par tous les points donnés (xi , yi ) donc tel
que
P (xi ) = yi , i = 0, 1, · · · , n.

. Cours d’Analyse Numérique

1.3 Existence et unicité 4

• Degré d’un polynôme : P est un polynôme de degré k si

P (x) = a0 + a1 x + · · · + ak xk , avec ak 6= 0.

• Existence et unicité de P :
– si k < n, en général pas de solution (moindres carrés).
– si k > n, infinité de solutions
– si k = n, solution unique (sous certaines conditions)

Définition 1.2.1. On cherche un polynôme Pn de degré au plus n (Pn ∈ Pn )tel que

Pn (xi ) = yi , pour i = 0, ..., n.

1.3 Existence et unicité

Soit Pn ∈ Pn alors
Pn (t) = a0 + a1 t + · · · + an tn ,

et donc Pn (xi ) = yi , pour i = 0, ..., n si et seulement si




 a0 + a1 x1 + · · · + an xn1 = y1 ,

 a + a x + · · · + a xn = y ,

0 1 2 n 2 2
 ...................................,




 n
a0 + a1 xn + · · · + an xn = yn ,

On obtient un système d’équations linéaires dont le vecteur inconnu est (a0 , a1 , · · · , an ).

Le système précédent s’écrit sous forme matricielle sous la forme :
    
1 x0 · · · xn0 a0 y0
· · · xn1 
    
 1 x1  a1   y1 
= . .
    
.. .. . ..
· · · ..    ..
  

 . . 
 .  


1 xn · · · xnn an yn

On obtient un système d’équations linéaires dont la matrice est la matrice de Vander-

monde et dont le vecteur inconnu est (a0 , · · · , an ).
 
1
 
  t 
Pn (t) = a0 a1 · · · an  .
 
..

 . 

tn

. Cours d’Analyse Numérique

1.4 Interpolation de Lagrange 5

Le déterminant de Vandermonde vérifie :

1 x0 · · · xn0
1 x1 · · · xn1 Y
det (Vn+1 (x0 , · · · , xn )) = .. .. . = (xj − xi ).
. . · · · .. 0≤i<j≤n
1 xn · · · xnn

Théorème 1.3.1. Une condition nécessaire et suffisante pour qu’il existe un et un seul
polynôme Pn ∈ Pn tel que Pn (xi ) = yi , pour i = 0, · · · , n est que toutes les abscisses
soient distinctes.

Preuve de l’unicité :

• On suppose que Pn (xi ) = Qn (xi ) = yi , pour i = 0, ..., n,

• Pn − Qn ∈ Pn ,
• (Pn − Qn )(xi ) = 0, pour i = 0, · · · , n,
• Pn − Qn est un polynôme de degré au plus n qui admet n + 1 racines.
• conclusion : Pn = Qn .

1.4 Interpolation de Lagrange

Théorème 1.4.1. Soit A = {x0 , x1 , ..., xn } un ensemble de n+1 nombres réels distincts.
Quelles que soient les valeurs f0 , f1 , ..., fd , il existe un et un seul polynôme P ∈ Rn [X]
tel que
P (Xi ) = fi , i = 0, 1, ..., n.

Ce polynôme, est donné par la formule

n
X
P = fi li ,
i=0

où n
(x − x0 ) · · · (x − xi−1 )(x − xi+1 ) · · · (x − xn ) Y x − xj
li (x) = = .
(xi − x0 ) · · · (xi − xi−1 )(xi − xi+1 ) · · · (xi − xn ) j=0,j6=i xi − xj

Les nombres xi s’appellent les points d’interpolations ou encore noeuds d’interpolations.

Lorsque fi = f (xi ), la fonction f est la fonction interpolée. On dit aussi que les valeurs
f (xi ) sont les valeurs interpolées. L’unique polynôme p ∈ Pn vérifiant p(xi ) = f (xi )
(i = 0, 1, ..., n) s’appelle alors le polynôme d’interpolation de Lagrange de f aux points
xi . Il est noté L[x0 , ..., xn ; f ] ou bien L[A; f ].
Cette dernière notation est parfaitement valable car le polynôme d’interpolation de La-
grange dépend uniquement de l’ensemble des points et non de la manière dont les points

. Cours d’Analyse Numérique

1.4 Interpolation de Lagrange 6

sont ordonnés. Une manière un peu sophistiquée de traduire cette propriété est la sui-
vante : si σ une permutation quelconque des indices 0, 1, ..., n alors

L[x0 , ..., xn ; f ] = L[xσ(0) , ..., xσ(n) ; f ].

Les polynômes li s’appellent les polynômes fondamentaux de Lagrange. En utilisant le

Q P
symbole qui est l’équivalent pour le produit de ce que est pour la somme, nous
obtenons la formule suivante
d
Y x − aj
li (x) = .
j=0
a − aj
j6=i i

Avec ces nouvelles notations

d d
X Y x − aj
L[a0 , ..., ad ; f ](x) = f (ai ) .
i=0 j=0
a − aj
j6=i i

Cette expression de L[A; f ] = L[a0 , ..., ad ; f ] est connue sous le nom de formule d’in-
terpolation de Lagrange.

Exemple 1.4.2. Si x0 = −1, x1 = 0 et x2 = 1, f (x0 ) = 2, f (x1 ) = 1, f (x2 ) = −1, on

obtient

. Cours d’Analyse Numérique

1.5 Interpolation de Newton 7

Proposition 1.4.3. Les polynômes de Lagrange ont les propriétés suivantes :

•) Lj (x) est un polynôme de degré n ; ∀j = 0, ..., n.
••) Lj (xj ) = 1 ∀j = 0, ..., n et Lj (xi ) = 0 pour tout j 6= i.
• • •) la famille {L0 (x), L1 (x), ...., Ln (x)} est une base de Pn (x).

Démonstration. • Par définition Lj (x) est un polynôme de degre n

• Cette propriété est aisément vérifiée en remplaçant x par xi dans Lj (x).
• • •) On a :
card {L0 (x), L1 (x), ...., Ln (x)} = dim Rn [x] = n + 1

Pour montrer • • •), il suffit donc de montrer que {L0 (x), L1 (x), ...., Ln (x)} est un
système libre.

1.5 Interpolation de Newton

Théorème 1.5.1. Posons N0 (x) = 1 et

i−1
Y
Ni (x) = Ni−1 (x)(x − xi−1 ) = (x − xj ),
j=0

alors {N0 , N1 , · · · , Nn } est une base de Rn [X].

Démonstration.

. Cours d’Analyse Numérique

1.6 Différences divisées 8

1.6 Différences divisées

Définition 1.6.1. On appelle diffrence divisée :

– d’ordre zero la quantité : [xi ] ≡ yi et
yj −yi
– d’ordre un la quantité : [xi ; xj ] ≡ xj −xi
– d’ordre k − 1 :

[xi2 , · · · ; xik ] − [xi1 , · · · , xik−1 ]

[xi1 ; xi2 ; · · · ; xik ] ≡= .
x ik − x i1
Exemple 1.6.2. Si

xi yi = f (xi )
x0 = −1 2
x1 = 0 1
x2 = 1 −1

on obtient :

Proposition 1.6.3. La valeur d’une différence divisée est indépendante de l’ordre des xi .

Théorème 1.6.4. Soit f une fonction numérique définie sur un intervalle [a, b].
Soit Pn un polynôme interpolant f en (n + 1) points x0 , x1 , ...., xn de [a, b]. Alors :
i) On peut exprimer Pn (x) comme combinaison linéaire des Ni de la base de Newton :

Pn (x) = D0 N0 (x) + D1 N1 (x) + .... + Dn N1 (x).

i) Les Di sont des constantes qui peuvent être déterminées en solvant un système li-
néaire.

. Cours d’Analyse Numérique

1.6 Différences divisées 9

Démonstration. i) Puisque Pn (x) ∈ Rn [x] et que BN = {N0 (x), N1 (x), ...., Nn (x)} est
une base de Rn [x], donc on peut écrire Pn (x) dans la base BN .
ii) En écrivant

Pn (x) = D0 N0 (x) + D1 N1 (x) + .... + Dn N1 (x) pour x = xi , 0 ≤ i ≤ n

on obtient le système triangulaire inférieur suivant :




 Pn (x0 ) = D0 = f (x0 ),

P (x ) = D0 + N1 (x1 )D1 = f (x1 ),

 n 1



(S) Pn (x2 ) = D0 + N1 (x2 )D1 + N2 (x2 )D2 = f (x2 ),

 ..
.,







Pn (xn ) = D0 + N1 (xn )D1 + ∆∆∆ + N2 (xn )Dn = f (xn ),

Les Di solutions du système (S) sont données par :

D0 = f (x0 ) = [f (x0 )],

f (x1 )−f (x0 ) f (x1 )−f (x0 )
D1 = N1 (x1 ) = (x1 −x0 ) = [f (x0), f (x1)],
..
.,

Pour i ≥ 2

[f (x1 ), f (x2 ), ..., f (xi )] − [f (x0 ), f (x1 ), ..., f (xi−1 )]

Di = = [f (x0 ), f (x1 ), ..., f (xi )].
xi − x0

Définition 1.6.5 (Interpolant de Newton). On appelle interpolant de Newton le poly-

nôme Pn donné par :

Pn (x) = f (x0 ) + [f (x0 ), f (x1 )](x − x0 ) + · · · + [f (x0 ), ..., f (xn )](x − x0 ).....(x − xn−1 ).

Exemple 1.6.6. Soit la fonction f telle que

xi 0.15 2.30 3.15 4.85 6.25 7.95

f (xi ) 4.79867 4.49013 4.2243 3.47313 2.66674 1.51909

Donc les Coefficients du polynôme d’interpolation de f dans la base de Newton sont :

D0 = 4.798670, D1 = −0.143507, D2 = −0.056411, D3 = 0.001229

D4 = 0.000104, D5 = −0.000002

et son graphe est donné par la figure (1.2).

. Cours d’Analyse Numérique

1.7 Erreur d’interpolation 10

Figure 1.2: Interpolation de Newton

1.7 Erreur d’interpolation

Théorème 1.7.1. Soit le Pn le polynôme interpolant f aux points a = x0 < x1 < .... <
xn = b Si f ∈ C n+1 [a, b] alors ∀x ∈ [a, b], ∃ξx ∈ [a, b] tel que :
n
f (n+1) (ξt ) Y
En (x) = f (x) − Pn (x) = (x − xi ).
(n + 1)! i=0

Rappelons que théorème de Rolle ordinaire affirme que si f est une fonction continue
sur [a, b] et dérivable sur ]a, b[ telle que f (a) = f (b) = 0 alors il existe c tel que f 0 (c) = 0.
Ici, nous aurons besoin de la forme plus générale suivante.

Théorème 1.7.2 (de Rolle généralisé). . Si u est un fonction continue sur [a, b] et k
fois dérivable sur ]a, b[ qui s’annule en k +1 points xi , i = 0, ..., k, alors il existe c ∈]a, b[
tel que u(k) (c) = 0.

Démonstration. Elle consiste à appliquer un grand nombre de fois le théorème de Rolle

ordinaire. Nous supposerons, sans perte de généralité que a = x0 < x1 < ∆∆∆ < xk = b.
– Étape 1. Puisque u(x0 ) = 0 = u(x1 ), le théorème de Rolle nous dit qu’il existe c0 ∈
]x0 , x1 [ tel que u0 (c0 ) = 0. De u(x1 ) = 0 = u(x2 ) nous tirons l’existence de c1 ∈]x1 , x2 [
tel que u0 (c2 ) = 0 et, en continuant ainsi, nous construisons k réels ci ∈]xi , xi+1 [,
i = 0, ..., k − 1, tels que u0 (ci ) = 0.
– Étape 2. Nous reprenons le même raisonnement mais en l’appliquant à la fonction
u0 . De u0 (c0 0) = u0 (c1 ) = 0, nous tirons l’existence de c22 ∈]c0 , c1 [ tel que u00 (c22 ) = 0
et, en exploitant de la même manière tous les points ci , nous obtenons k − 1 réels
c2i ∈]ci , ci+1 [, i = 0, ..., k − 1.
– Aux étapes suivantes, nous appliquerons le théorème de Rolle à u00 puis u(3) jusqu’à
l’appliquer à l’étape k + 1 à u(k) et arriver à l’existence d’un réel ck+1
1 dans ]a, b[ tel
que u(k+1) (ck+1
1 ) = 0 et le théorème est établi.

. Cours d’Analyse Numérique

1.7 Erreur d’interpolation 11

Démonstration. Fixons x ∈ [a, b]. Si x ∈ A, n’importe quel ξ convient. (Dans ce cas, la

formule donne seulement 0 = 0). Nous supposerons que x ∈ A. Notons w le polynôme
défini par w(t) = (t − a0 )...(t − ad ) et prenons K = K(x) ∈ R tel que

F (x) − Pn (x) = K(x)w(x)

Un tel nombre existe ; il suffit de prendre

F (x) − Pn (x)
K(x) = ,
w(x)

qui est bien défini car, comme x 6= ai (i = 0, ..., d), le dénominateur ne s’annule pas.
Considérons maintenant la fonction u définie sur l’intervalle [a, b] par la relation

u(t) = f (t) − Pn (t) − K(x)w(t), t ∈ [a, b].

Il faut prendre garde ici que x est un paramètre fixé et t est la variable. Puisque f ∈
C d+1 [a, b], nous avons aussi u ∈ C d+1 [a, b]. De plus,

u(ai ) = f (ai ) − Pn (ai ) − K(x) × 0 = f (ai ) − f (ai ) = 0, 0 ≤ i ≤ d;

et, par définition de K(x),

u(x) = f (x) − Pn (x) − K(x)w(x) = 0.

Il suit que u s’annule en d + 2 points (les d + 1 points de A et le point x). Le théorème

de Rolle généralisé nous permet d’affirmer l’existence de ξ ∈]a, b[ tel que u(d+1) (ξ) = 0.
Nous pouvons facilement calculer la dérivée (d + 1)-ième de u. D’abord, puisque Pn (t)
est un polynôme de degré d, sa dérivée (d + 1)-ième est nulle. Quant à w(t), puisque

w(t) = (t − a0 )(t − a1 )...(t − ad ) = td+1 + ( polynôme de degré ≤ d).

Sa dérivée (d + 1)-ième, est la constante (d + 1)!. Finalement,

ud+1 (t) = f (d+1) (t) − (d + 1)!K(x).

En prenant t = ξ, il vient

0 = f (d+1) (ξ) − (d + 1)!K(x).

Revenant à la définition de K(x), nous obtenons

f (x) − Pn (x) = K(x)w(x) = f (d+1) (ξ)(d + 1)!(x − a0 )...(x − ad ).

. Cours d’Analyse Numérique

1.7 Erreur d’interpolation 12

Nous avons bien trouvé un nombre ξ dans ]a, b[ vérifiant la formule annoncée.

. Cours d’Analyse Numérique

1.8 Dérivation numérique 13

1.8 Dérivation numérique

On a vu dans ce chapitre qu’une fonction f peut être approximée par un polynôme de

degré n avec une certaine erreur :

f (x) = pn (x) + en (x).

On alors

f 0 (x) = p0n (x) + e0n (x)

f 00 (x) = p00n (x) + e00n (x)
f (3) (x) = p(3) (3)
n (x) + en (x)
.. .
. = ..

Or
f (n+1) (ξ)
en (x) = πn (x)
(n + 1)!
avec πn (x) = (x − x0 )(x − x1 )...(x − xn ), donc

f (n+1) (ξ)
en (x) = πn (x)
(n + 1)!

Définition 1.8.1. Aux points d’interpolation, on a

f 0 (xi ) = p0n (xi ) + e0n (xi ).

Le terme p0n (xi) est dit formule aux différences finies ou plus simplement formule aux
différences.

Exemple 1.8.2 (Formule en 2 points). On considère le polynôme de degré 1 passant

par (x0 , f (x0 )) et (x1 , f (x1 )). La formule d’interpolation de Newton donne

p1 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ).

Alors on a
f 0 (x) = p01 (x) + e01 (x) = f [x0 , x1 ] + e01 (x).

. Cours d’Analyse Numérique

1.8 Dérivation numérique 14

En utilisant l’équation (1), on obtient

f (x1 ) − f (x0 ) hf 00 (ξ0 )

f 0 (x0 ) = − , ξ0 ∈ [x0 , x1 ].
h 2

Cette formule est appelée différences finies à droite (ou progressive) d’ordre 1

f (x1 ) − f (x0 ) hf 00 (ξ1 )

f 0 (x0 ) = + , ξ1 ∈ [x0 , x1 ].
h 2

Cette formule est appelée différences finies (à gauche) regressive d’ordre 1

Remarque 1.8.3. On remarque que la même différence finie est une approximation
de la dérivée à la fois en x = x0 et en x = x1 . Cependant, les termes d’erreur sont
différentes.
Exemple 1.8.4 (Formule en 3 points). Passons maintenant aux polynômes de degré 2.
Soient les points (x0 , f (x0 )), (x1 , f (x1 )), (x2 , f (x2 )). Le polynôme de degré 2 passant
par ces trois points est :

p2 (x) = f (x0 ) + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 )

dont la dérivée est :

p02 (x) = f [x0 , x1 ] + f [x0 , x1 , x2 ] (2x − (x0 + x1 ))

On peut facilement vérifier que


−f (x2 )+4f (x1 )−3f (x0 ) 2


0
 f (x0 ) = 2h + h f3(ξ0 ) , différence progressive d’ordre 2
f (x2 )−f (x0 ) 2
f 0 (x1 ) = 2h − h f6(ξ1 ) , différence centrée d’ordre 2
2

f 0 (x2 ) 3f (x2 )−4f (x1 )+f (x0 )
+ h f3(ξ3 ) , ,

= différence regressive d’ordre 2

2h

Remarque 1.8.5. ,
• Pour les différences d’ordre 1, on estime la dérivée par la pente du segment de droite
joignant les points (x0 , f (x0 )) et (x1 , f (x1 )).
• dans le cas des différences d’ordre 2, on détermine un polynôme de degré 2 dont la
pente en x0 , x1 et en x2 donne respectivement les différences progressive, centrée et
régressive.
Exemple 1.8.6. On veut estimer la valeur de la dérivée de la fonction f (x) = ex en
x = 0. La solution exacte est f 0 (0) = 1.
• La différence progressive d’ordre 1 donne
• Pour h = 0.1,
e0+h − e0 e0.1 − 1
f 0 (0) ' = = 1.05170918
h 0.1
• Pour h = 0.05, on obtient un résultat plus précis :

e0+h − e0 e0.05 − 1
f 0 (0) ' = = 1.0254219.
h 0.05
. Cours d’Analyse Numérique
1.8 Dérivation numérique 15

• La différence centrée d’ordre 2 donne

• pour h = 0.05,

e0+h − e0−h e0.05 − e−0.05

f 0 (0) ' = = 1.0004167
2h 2 ∗ 0.05

qui est un résultat plus précis.

• Avec h = 0.025, on obtient :

e0+h − e0−h e0.025 − e−0.025

f 0 (0) ' = = 1, 00010418
2h 2 ∗ 0.025

• On obtient des résultats similaires avec les différences progressive et régressive d’ordre
2.

. Cours d’Analyse Numérique

1.9 Dérivée seconde 16

Soit : R −→ R une fonction de classe C 1 (R), xi ∈ R et f 0 sa dérivée. On sait que

f (xi + h) − f (xi )
f 0 (xi ) = lim
h−→0 h
f (xi ) − f (xi − h)
= lim
h−→0 h
f (xi + h/2) − f (xi − h/2)
= lim
h−→0 h

Une idée naturelle pour calculer numériquement f 0 (xi ) consiste donc à se donner une
valeur de h positive assez petite et à calculer

Le quotient différentiel
f (x + h) − f (x)
f 0 (x) ≈
h
est appelé différence décentrée à droite. On peut tout aussi bien choisir une différence
décentrée à gauche :
f (x) − f (x − h)
f 0 (x) ≈
h
ou une différence centrée autour de x, i.e.

f (x + h) − f (x − h)
f 0 (x) ≈
2h

Si f est de classe C 3 , en écrivant le développement de TAYLOR de f en x autour du

point xi
f (xi ± h) = f (xi ) ± hf 0 (xi ) + h2 f 00 (xi ) + O(h3 ),

on obtient

f (x+h)−f (x)
h =

f (x)−f (x−h)
h =

f (x+h)−f (x−h)
2h =

Donc, si f est assez régulière, les différences finies convergent vers f 0 (xi ) lorsque h tend
vers zéro. De plus, pour les différences finies à gauche et à droite la convergence est
d’ordre 1 alors que la différence finie centrée converge à l’ordre 2.

1.9 Dérivée seconde

Pour approcher des dérivées d’ordre supérieur, on utilise plus de termes dans les déve-
loppements de Taylor.

. Cours d’Analyse Numérique

1.9 Dérivée seconde 17

Par exemple pour la dérivée seconde, on peut utiliser

1 1 1
f (x + h) = f (x) + f 0 (x)h + f 00 (x)h2 + f (3) (x)h3 + f (4) (ξi )h4 ,
2 6 24
1 1 1
f (x − h) = f (x) − f 0 (x)h + f 00 (x)h2 − f (3) (x)h3 + f (4) (ξ2 )h4 ,
2 6 24
où x ≤ ξ1 ≤ x + h et x − h ≤ ξ2 ≤ x. En additionnant ces deux développements, on
trouve
f (x+ h) − 2f (x) + f (x − h) 1
f 00 (x) = − f (4) (ξ)h2 ,
h2 12
où l’on a encore utilisé le théorème des valeurs intermédiaires pour simplifier le terme
d’erreur.
On a l’approximation suivante d’ordre 2 :

f (x+ h) − 2f (x) + f (x − h)
f 00 (x) = .
h2

On a aussi
f (xi + h) − 2f (xi ) + f (xi − h)
f 00 (xi ) ≈ .
h2

. Cours d’Analyse Numérique