UFR MATHS-INFO UFHB, COCODY

2024–2025

DEUXIEME ANNEE

Calcul Numérique

Prof. KOUA Brou Jean Claude

Table des matières

1 Equations non linéaires 3

1.1 Position du probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Encadrement d’une racine. Dichotomie . . . . . . . . . . . . . . . . . . . 3
1.2.1 Séparation des racines . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Dichotomie (ou méthode de Bolzano) . . . . . . . . . . . . . . . . 4
1.3 Méthode itérative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Généralités sur les méthodes itérative . . . . . . . . . . . . . . . . 5
1.3.2 Approximation successive . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 La méthode de Newton-Raphson . . . . . . . . . . . . . . . . . . 8
1.3.4 Autres méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Tests d’arrêt des itérations . . . . . . . . . . . . . . . . . . . . . . 10

2 Interpolation polynomiale 12
2.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Formule à n + 1 points . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 Formule à n + 1 points équidistants . . . . . . . . . . . . . . . . . 15
2.2.3 Estimation d’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Généralisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Estimation d’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Interpolation par intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3 Intégration numérique 23
3.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Poids d’une formule de quadrature . . . . . . . . . . . . . . . . . . . . . 27
3.3 Exemples de formules de quadrature . . . . . . . . . . . . . . . . . . . . 29
3.3.1 Formule du rectangle . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2 Formule de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.3 Formules de Gauss-Legendre . . . . . . . . . . . . . . . . . . . . . 31

1
4 Approximation au sens des moindres carrés 36
4.1 Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1.2 Principe des moindres carrés . . . . . . . . . . . . . . . . . . . . . 36
4.1.3 Illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.4 Propriétés et Avantages . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.5 Exemple Numérique . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Cas continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.2 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . 40
4.2.3 Minimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.4 Exemple d’approximation . . . . . . . . . . . . . . . . . . . . . . 41
4.2.5 Applications et remarques . . . . . . . . . . . . . . . . . . . . . . 42

5 Travaux dirigés 43
5.1 Equations non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3 Intégration numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.4 Approximation au sens des moindres carrés . . . . . . . . . . . . . . . . . 51

6 Bibliographie 53

2
1. Equations non linéaires

1.1. Position du probleme

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

F (x̄) = 0. (1.1)

Les méthodes numériques pour approcher x̄ consistent à

— localiser grossièrement le ou les zéros de F . Notons x0 cette solution grossière.
— construire à partir à partir de x0 , une suite x1 , x2 , . . ., xn , . . .telle que lim xn = x̄,
n→+∞
où x̄ satisfait à (1.1).
On dit alors que la méthode est convergente.

1.2. Encadrement d’une racine. Dichotomie

L’existence, le nombre des racines éventuelles de l’équation (1.1) posent des problèmes
qui ne sont pas résolus par une méthode générale.

Exemple 1.2.1.

1. D = R, f (x) = ax2 + bx + c. Il y a au plus deux racines distinctes, mais il peut n’y

en avoir aucune :
(a) F (x) = x2 + 5x + 4 : deux racines
(b) F (x) = x2 + 2x + 1 : une racine
(c) F (x) = x2 + 4 : zéro racine.
2. D = R+ , F (x) = sin x. Il y a un nombre infini dénombrable de racines.

Définition 1.2.1. On dira qu’une racine r de (1.1) est séparable dans D s’il existe un
voisinage V de r, inclus dans D, tel que r soit la seule racine de (1.1).

Dans toute la suite, nous supposons que les racines cherchées sont séparées.

3
1.2.1. Séparation des racines
Lorsque l’on cherche à calculer une racine de (1.1), il faut commencer par en trouver
un encadrement. Pour cela, il n’existe pas de méthode générale.
Dans la pratique, en dehors de l’étude théorique de F , on utilise deux types de mé-
thodes : les méthodes graphiques et les méthodes algébriques.

Méthodes graphiques

Dans le cas d’une variable, on trace le graphe de la fonction F et on cherche son

intersection avec l’axe Ox. Si on peut décomposer F en deux fonctions f1 et f2 plus
simples à étudier, et telles que F = f1 − f2 , on cherche les points d’intersection des
graphes de f1 et f2 . !
f (x, y)
Dans le cas de deux variables, F (X) = avec X = (x, y).
g(x, y)
F (X) = 0 se décompose en (
f (x, y) = 0
g(x, y) = 0
on trace alors les deux courbes f (x, y) = 0 et g(x, y) = 0.

Méthodes algébriques

Nous nous restreingnons à l’étude du cas d’une variable.

Commençons par énoncer un corollaire du théorème de Rolle

Corollaire 1.2.1. Entre deux racines successives x0 et x1 de F ′ (x), il y a une seule

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

Remarque 1.2.1. On notera que l’utilisation de cette propriété nécessite la connaissance,

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

1.2.2. Dichotomie (ou méthode de Bolzano)

On suppose que r est une racine séparée de l’équation (1.1) dans [a, b] (et qu’elle est
la seule racine de (1.1) dans [a, b]). On utilise la condition F (a)F (b) < 0.
Méthode : on détermine une suite d’intervalles In = [an , bn ], n = 0, 1, . . . emboîtés
dans [a, b] contenant r et telle que la longueur de In soit inférieure à celle de In−1 .
En général, pour des raisons de calcul, la longueur de In est la moitié de celle de In−1 .
Algorithme de dichotomie
— on pose a0 = a, b0 = b et pour n ≥ 1

1
cn = (an−1 + bn−1 )
2
4
 — si F (an−1 )F (cn ) > 0, on pose

an = c n , et bn = bn−1

si F (an−1 )F (cn ) < 0, on pose

an = an−1 , et bn = c n .

Théorème 1.2.1. La suite (an ) définie par l’algorithme de dichotomie converge vers r.
Pour que |an − r| ≤ ϵ, il faut et il suffit que

ln( b−a
ϵ
)
n≥ .
ln 2

1.3. Méthode itérative

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

1.3.1. Généralités sur les méthodes itérative

Définition 1.3.1. On appelle formule itérative à un point toute formule de la forme :
(
x(0) donné
(1.2)
x(n+1) = ϕ(x(n) )

Définition 1.3.2. Une méthode itérative à un point est dite convergente, si et seulement
si, quel que soit x(0) dans un domaine, la suite x(n) est convergente vers x̄, solution de
F (x) = 0.

Définition 1.3.3. Une méthode itérative convergente est dite d’ordre p si et seulement
s’il existe une constante C telle que

∥x(n+1) − x̄∥ ≤ C∥x(n) − x̄∥p (1.3)

Remarque 1.3.1.
— si p = 1 (et C < 1), on parle de convergence linéaire
— si p = 2, on parle de convergence quadratique
— si p = 3, on parle de convergence de convergence cubique
— si p = 1 et C = Cn , où Cn depend de n est tel que lim Cn = 0, on parle de
n→+∞
convergence sublinéaire.

Remarque 1.3.2.

5
 — une méthode est d’autant meilleure que son ordre est grand
— L’ordre, s’il existe, est défini de façon unique par 1.3.

Théorème 1.3.1. (Théorème du point fixe)

Si la fonction ϕ satisfait à la condition de Lipschitz

∥ϕ(y1 ) − ϕ(y2 )∥ ≤ K∥y1 − y2 ∥ (1.4)

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

rayon ρ telle que :
∥w − ϕ(w)∥ ≤ (1 − K)ρ (1.5)

alors l’équation x = ϕ(x) admet une seule racine α ∈ B. Cette racine est la limite de la
suite
x(0) , x(1) = ϕ(x(0) ), . . . , x(n+1) = ϕ(x(n) )

quel que soit le choix x(0) ∈ B.

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

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

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

d’où l’absurdité.
La suite x(n) est dans B. Raisonnons par récurrence sur n. C’est vrai pour n = 0,
supposons x(n) ∈ B, alors

∥ϕ(x(n) ) − ϕ(w)∥ ≤ K∥x(n) − w∥ ≤ Kρ

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

Soit x(n+1) ∈ B.
La suite x(n) est de Cauchy.
On a immédiatement :

∥x(n+1) − x(n) ∥ ≤ K n ∥x(1) − x(0) ∥

≤ K n β avec β = ∥x(1) − x(0) ∥

d’où
p−1
X
(n+p) (n)
∥x −x ∥ ≤ ∥x(n+p−i) − x(n+p−i−1) ∥
i=0

6
 p−1
X
≤ K n+p−i β
i=0
1 − K p−1 β
≤ Kn β≤ Kn
1−K 1−K

donc cette suite admet une limite α ∈ B.

ϕ, étant lipschitzienne, est continue, alors de

x(n+1) = ϕ(x(n) )

on en déduit ϕ(α) = α. ■

Remarque 1.3.3.
1. La méthode est construite une fois que l’on connait w, K et β, et de plus elle donne
la majoration de l’erreur :

Kn
∥α − x(n) ∥ ≤ ∥x(1) − x(0) ∥
1−K

elle converge d’autant plus vite que K est petit, et que x(1) est voisin de x(0) .
2. Si l’on suppose que ϕ est une fonction dérivable, on a :

ϕ(y1 ) − ϕ(y2 ) = ϕ′ (y3 )(y1 − y2 )

avec y3 entre y1 et y2 .
Alors si |ϕ′ (α)| < 1, et si ϕ′ est continue au voisinage de α, on peut construire (théo-
riquement, pas numériquement en général) la boule fermée B, donc l’algorithme

x(0) ∈ B, x(n+1) = ϕ(x(n) )

est convergent et de plus

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

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

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

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

(x − α)2 ′′ (x − α)m−1 (m−1)

ϕ(x) − ϕ(α) = (x − α)ϕ′ (α) + ϕ (α) + · · · + ϕ (α)
2 (m − 1)!
(1.6)
(x − α)m (m)
+ ϕ (ξ)
(m)!

7
 donc si ϕ′ (α) = ϕ′′ (α) = · · · = ϕ(m−1) (α) = 0 et ϕ(m) (α) ̸= 0, on a :

x(n+1) − α ϕ(m) (ξ)

=
(x(n) − α)m m!

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

Problème 1.3.1. Connaissant F , comment construire ϕ ?

1.3.2. Approximation successive

On pose ϕ(x) = x − G(x) où G est une équation équivalente à F alors (1.1) équivaut
à
ϕ(x) = x

Attention : Une telle opération peut-être possible de plusieurs façons ! ! !

Exemple 1.3.1.

F (x) = x3 − x − 1

On peut écrire,

1 1
x = x3 − 1, x= ou x = (x + 1) 3
x2 −1

d’où trois expressions possibles pour ϕ (elles ne conviennent pas toutes les trois).

1.3.3. La méthode de Newton-Raphson

On suppose F différentiable, et la différentielle Dx F inversible, et que x 7→ (Dx F )−1
continue au voisinage de x̄.
On pose
ϕ(x) = x − (Dx F )−1 (F (x))

Alors si ϕ satisfait au théorème du point fixe, la suite x(n+1) = ϕ(x(n) ) converge vers
β tel que
ϕ(β) = β

donc
0 = −(Dβ )−1 (F (β))

d’où F (β) = 0 ; Soit x̄ = β car x̄ a été isolé.

Donc si ϕ satisfait au thèorème du point fixe, l’agorithme est convergent.

Remarque 1.3.4.

8
1. Dans la pratique, on écrit l’algorithme

xk+1 = xk − (Dx F )−1 F (xk )

où  
∂1 f1 (x) · · · · · · ∂n f1 (x)
 .. .. 
Dxk F = 
 . . 

∂1 fn (x) · · · · · · ∂n fn (x)
(x=xk )

(Matrice jacobienne de F)
donc
(Dx F )(xk+1 − xk ) = −F (xk )

on pose y = xk+1 − xk ;
on résoud le système linéaire

(Dx F )y = −F (xk )

puis on calcule xk+1 = xk + y.

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

F (xk )
xk+1 = xk −
F ′ (xk )

alors si F est deux fois continûment dérivable, alors, l’algorithme est convergent,
l’ordre de la convergence est supérieur à deux, en effet :

F (xk ) − F (x̄)
xk+1 − x̄ = xk − x̄ −
F ′ (xk )
1 F ′′ (ξ)
= xk − x̄ − (xk − x̄) + (xk − x̄)2 ′
2 F (xk )
(1.7)

donc
xk+1 − x̄ 1 F ′′ (ξ)
=
(xk − x̄)2 2 F ′ (xk )
d’où le résutat.
Cette méthode peut s’interpreter graphiquement (méthode de la tangente).
3. Si F (x) = 0 est une équation scalaire et si x̄ est une racine multiple d’ordre m, et
alors F ′ (x̄) = 0, on applique l’algorithme à la fonction

1
G(x) = (F (x)) m

9
 d’où
F (xk )
xk+1 = xk − m
F ′ (xk )
Alors l’ordre de convergence est 1.
4. Lorsque F (x) = 0 n’est pas scalaire, mais que F est deux fois continûment diffé-
rentiable, alors l’lagorithme est convergent, l’ordre de convergence est supérieur ou
égal à 2.

1.3.4. Autres méthodes

La méthode de Lagrange

Elle est aussi appelée la méthode des parties proportionnelles.

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

La méthode de la fausse position

Elle est aussi appelée regula falsi et on se place une fois de plus dans le cas scalaire.
L’idée consiste à remplacer dans la méthode de Newton la dérivée de F (qui peut être
difficle à calculer) par une approximation de F ′ (x(k) ) ne faisant intervenir que des valeurs
de F .
Par exemple :
F (x(k) ) − F (x(k−1) )
F ′ (x(k) ) ≈
x(k) − x(k−1)
C’est la méthode de la fausse position. On a alors l’algorithme :

x(k−1) F (x(k) ) − x(k) F (x(k−1) )

x(k+1) =
F (x(k) ) − F (x(k−1) )

1.3.5. Tests d’arrêt des itérations

On se place toujours dans le cas scalaire.

10
 Le test d’arrêt usuel consiste à arrêter les itérations dès que

|x(k+1) − x(k) | < ε

ε étant la précision désirée, où

x(k+1) = ϕ(x(k) ).

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

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

on a
(x(k+1) − α)(x(k) − α) < 0

Alors
|(x(k+1) − α)| ≤ |(x(k+1) − x(k) | ≤ ε.

Lorsque ϕ′ (x) est positif, la suite est monotone.

On a une approximation soit par excès soit par défaut.
Mais on ne peut conclure que |(x(k+1) − x(k) | petit entraine |(x(k+1) − α)| petit.
On utilise alors le test suivant :
On arrête les itérations dès que |F (x(k) )| ≤ η où η est une valeur fixée.
On a
F (x(k) ) = F (x(k) ) − F (α) ≈ (x(k) − α)F ′ (α)

donc
|F (x(k) )| ≈ |(x(k) − α)||F ′ (α)|

C’est donc un bon test surtout lorsque |F ′ (α)| n’est pas trop petit.

11
2. Interpolation polynomiale

2.1. Position du problème

On veut chercher un polynôme p de degré n > 0 qui pour des valeurs t0 , t1 , . . ., tn
distincts donnés, prenne des valeurs p0 , p1 , . . ., pn respectivement, c.a.d. :

p(tj ) = pj , pour 0 ≤ j ≤ n. (2.1)

la première approche consiste à écrire

p(t) = a0 + a1 t + a2 t2 + · · · + an tn (2.2)

où a0 , a1 , . . ., an sont des ceofficients à déterminer, alors les (n + 1) relations (2.1)

s’écrivent :
a0 + a1 tj + a2 t2j + · · · + an tnj = pj , 0≤j≤n (2.3)

les valeurs de tj et pj , 0 ≤ j ≤ n, étant connues, les relations (2.3) forment un système

12
de (n + 1) équations à (n + 1) inconnues, a0 , a1 , . . ., an .
Les relations (2.3) peuvent aussi s’écrire sous forme matricielle :

p⃗ = T⃗a (2.4)

où    
a0 p0
a1 p1
   
   
⃗a =  .. , p⃗ =  .. 
. .
   
   
an pn
et  
1 t0 t20 ··· tn0
1 t1 t21 ··· tn1
 
 
T = .. .. .. .. .. 
. . . . .
 
 
1 tn t2n · · · tnn

Définition 2.1.1. La matrice T est appelée matrice de Vandermonde associée aux points
t0 , t1 , . . ., tn .

Ainsi le problème consistant à rechercher un polynôme p satisfaisant (2.1) peut se

réduire à résoudre le système linéaire (2.4).
Résoudre un système linéaire de (n + 1) équations à (n + 1) inconnues, n’est pas
une tâche triviale. Il faut donc envisager une méthode plus astucieuse pour construire le
polynôme p.

Remarque 2.1.1. Connaissant les valeurs d’une fonction en certains points on peut
chercher à l’approcher par une fonction Φ (non nécessairement polynomiale).
Etant données (ti , yi ), i = 0, · · · , n, n + 1 couples, le problème est de trouver une
fonction Φ telle que
Φ(ti ) = yi , i = 0, · · · , n.

on dit que Φ interpole les {yi } aux points (ou nœuds) {ti }.
Si Φ est un polynôme, on parle d’interpolation polynomiale.
Si Φ est un polynôme trigonométrique, on parle d’approximation trigonométrique.
Si Φ est un polynomiale par morceaux, on parle d’interpolation polynomiale par mor-
ceaux (ou d’interpolation par fonctions splines).

Dans toute la suite, nous allons nous restreindre à l’interpolation polynomiale.

13
2.2. Interpolation de Lagrange

2.2.1. Formule à n + 1 points

Soit n ∈ N∗ , on se donne (n + 1) points distincts de la droite réelle, notés par ordre
croissant, t0 , t1 , . . ., tn .
Soit f une fonction définie sur un intervalle I contenant [t0 , tn ] et à valeurs réelles, et
dont on ne connaît que les valeurs aux points ti , (0 ≤ i ≤ n). Notons f (ti ) ces valeurs.
On veut rechercher un polynôme p de degré n tel que :

p(ti ) = f (ti ), 0 ≤ i ≤ n. (2.5)

Soit k un entier donné entre 0 et n, on définit une fonction φk par

Y  t − tj 
φk (t) = (2.6)
j̸=k
tk − tj

Les fonctions φk vérifient les propriétés suivantes :

i) φk est un polynôme de degré n
ii) φk (tj ) = 0 si j ̸= k, 0 ≤ j ≤ n
iii) φk (tk ) = 1.
Les polynômes φk sont linéairement indépendants.
En effet, si α0 , α1 , . . ., αn sont des réels tels que :
n
X
αj φj (t) = 0, ∀t ∈ R,
j=0

alors pour t = tk , on a
n
X
0= αj φj (tk ) = αk
j=0

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

Définition 2.2.1. On dit que φ0 , φ1 , . . ., φn forme la base de Lagrange de Pn associée

aux points t0 , t1 , . . ., tn .

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

Théorème 2.2.1. Il existe un polynôme p unique de degré au plus égal à n et vérifiant

(2.5).

Démonstration . Soit φ0 , φ1 , . . ., φn la base de Lagrange de Pn associée aux points t0 ,

t1 , . . ., tn .

14
 Il suffit de poser
n
X
p= f (tj )φj (2.7)
j=0

pour obtenir un polynôme vérifiant (2.5). L’unicité de la solution est triviale. ■

Définition 2.2.2. On dit que le polynôme p défini par (2.7) est l’interpolant de la fonction
f de degré n aux points t0 , t1 , . . ., tn .

2.2.2. Formule à n + 1 points équidistants

On suppose que les données sont maintenant un point t0 de la droite réelle et un réel
h > 0. On pose pour 1 ≤ i ≤ n :

ti = t0 + ih (2.8)

Ainsi, tj − tk = (j − k)h d’où

n
" # " #
Y Y Y
(tj − tk ) = hn (k − j) (−1)n−k (j − k)
j̸=k j<k j>k
n−k n
= (−1) h k!(n − k)! (2.9)

alors (2.6 ) devient

n
(−1)n−k Y
φk (t) = n (t − t0 − jh) (2.10)
h k!(n − k)! j̸=k

En combinant (2.7) et (2.10) on obtient une formule à n + 1 points équidistants.

Une autre formulation peut-être obtenue dans ce cas.
Nous introduisons pour ce faire la notation des différences, ainsi définies pour t ∈ R :

∆0 f (t) = f (t)
∆f (t) = f (t + h) − f (t)
∆2 f (t) = ∆(∆f (t)) = f (t + 2h) − 2f (t + h) + f (t)
..
. ···
∆n f (t) = ∆(∆n−1 f (t)) (2.11)

Ces différences aux points ti peuvent être obtenues aisément par la disposition suivante
des calculs, par exemple, pour n = 5 :

15
 t0 f (t0 )
∆f (t0 )
t1 f (t1 ) ∆2 f (t0 )
∆f (t1 ) ∆3 f (t0 )
t2 f (t2 ) ∆2 f (t1 ) ∆4 f (t0 )
∆f (t2 ) ∆3 f (t1 ) ∆5 f (t0 )
t3 f (t3 ) ∆2 f (t2 ) ∆4 f (t1 )
∆f (t3 ) ∆3 f (t2 )
t4 f (t4 ) ∆2 f (t3 )
∆f (t4 )
t5 f (t5 )

Théorème 2.2.2. Le polynôme d’interpolation est donné par la formule de Gregory-

Newton    
u u
p(t) = f (t0 ) + ∆f (t0 ) + · · · + ∆n f (t0 ) (2.12)
1 n
t − t0
avec u = et k entier,
h
 
u 1
= u (u − 1) · · · (u − k + 1) (2.13)
k k!

Démonstration . ■

Généralisation : les différences divisées

On peut généraliser la construction faite avec des abscisses équidistants à n+1 couples
de (ti , fi ) quelconques.
On construit alors le polynôme p par récurrence.
Désignons par Pk le polynôme de Lagrange de degré k aux points (ti , fi ) pour 0 ≤ i ≤
k.
On a P0 (t) = f0 .
Pour k ≥ 1, Pk (t) − Pk−1 (t) est un polynôme de degré k qui s’annule pour t0 , t1 , . . .,
tk−1 .
Donc
Pk (t) − Pk−1 (t) = µ (t − t0 )(t − t1 ) . . . (t − tk−1 )

où µ est une constante notée µ = f [t0 , t1 , . . . , tk ], elle correspond au coefficient de tk dans

Pk (t) et on l’appelle la différence divisée d’ordre k de la fonction f aux points t0 , t1 , . . .,
tk .

16
 On obtient alors la formule
n
X
P (t) = f0 + f [t0 , t1 , . . . , tk ](t − t0 )(t − t1 ) . . . (t − tk−1 ) (2.14)
k=1

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

On peut calculer les différences divisées en utilisant le résultat suivant :
Proposition 2.2.1. On pose

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

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

Pour k ≥ 1, f [t0 , t1 , . . . , tk ] = .
tk − t0
Remarque 2.2.1. On appelle différence divisée d’ordre k d’une fonction f relativement
aux points, xi , xi +1 , . . . , xi+k le nombre f [ti , t1 , . . . , ti+k ] défini par

f [ti+1 , . . . , ti+k ] − f [ti , . . . , ti+k−1 ]

f [ti , t1 , . . . , ti+k ] = .
ti+k − ti

2.2.3. Estimation d’erreur

On suppose les points d’interpolation équidistants.
Théorème 2.2.3. Si f est n+1 fois continûment dérivable sur I, alors il existe C ∈]t0 , tn [
tel que
(t − t0 )(t − t1 ) . . . (t − tn ) (n+1)
∃C ∈]t0 , tn [, f (t) − p(t) = f (C). (2.15)
(n + 1)!
De plus,
hn+1
∀t ∈ [t0 , tn ], |f (t) − p(t)| ≤ max |f (n+1) (y)|. (2.16)
4(n + 1) y∈I
Démonstration . Pour tout t fixé, posons

f (t) − p(t)
ψ(t) = Y , pour t ̸= ti , 0 ≤ i ≤ n.
(t − ti )
i

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

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

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

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

17
admet n + 2 racines t0 , t1 , . . ., tn et t.
D’après le théorème de Rolle, il existe n+1 points C11 , . . ., Cn+11
pour lesquels Φ′ (Cj1 ; t)
est nul. Puis il existe n points C12 , . . ., Cn2 pour lesquels Φ′′ (Cj2 ; t) = 0, et ainsi de suite,
pour obtenir qu’il existe un point C = C1n+1 pour lequel Φ(n+1) (C1n+1 ; t) = 0. Or

Φ(n+1) (z; t) = f (n+1) (z) − (n + 1)!ψ(t)

d’où (2.15) en faisant z = C.

Il suffit ensuite d’évaluer, pour t ∈ [t0 , tn ], le produit (t − t0 ) . . . (t − tn ). Ce produit
est majoré par, les points étant équidistants,

max |(t − t0 )(t − t1 )| × max |(t − t2 ) . . . (t − tn )|

t0 <t<t1 t0 <t<t1

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

h2
n!hn−1
4

d’où le résultat. ■

Remarque 2.2.2. Grâce à l’estimation d’erreur obtenue, on a

hn+1
lim =0
n→+∞ 4(n + 1)

mais max |f (n+1) (y)| peut croître très rapidement avec n de sorte que l’interpolant peut
y∈I
présenter de grandes oscillations, on parle d’instabilité numérique, au voisinage des ex-
trémités. Ce phénomène est appélé effet de Runge et c’est le cas pour la fonction

1
f (t) =
1 + 25t2

définie sur [−1, 1].

Plus généralement ce phénomène s’observe sur les fonctions du type : ha (t) = 1+a12 t2
1
ou fa (t) = a2 +t2 , a étant un paramètre réel strictement positif.

On peut corriger ce problème soit en choisissant pour l’interpolation, en lieu et place

des points équidistants d’un intervalle [a, b], les points dits de Tchebycheff qui sont définis
par  
b−a (2j + 1)π
tj = a + 1 + cos , j = 0, 1, . . . , n
2 2(n + 1)
soit effectuant une interpolation par intervalles.

18
 Figure 2.1 – Phénomène de Runge.

2.3. Interpolation d’Hermite

2.3.1. Position du problème

Dans le problème d’interpolation considéré jusque là, seules les valeurs du polynôme
et de la fonction en certains points, ont été prises en compte. Il existe des problèmes
d’interpolation pour lesquels les valeurs de p(t) et de la dérivée p′ (t) sont données en
certains points. On parle d’interpolation d’Hermite.
Nous allons expliquer le procédé en considérant l’exemple d’interpolation d’Hermite
par des cubiques (polynômes de degré 3).
On considère deux points t0 < t1 et p0 , p1 , p′0 et p′1 quatre nombre réels donnés. Nous
cherchons un polynôme p de degré 3 tel que

p(t0 ) = p0 p(t1 ) = p1 (2.17)

p′ (t0 ) = p′0 p′ (t1 ) = p′1 (2.18)

où p′ (t) désigne la dérivée de p au point t.

Les conditions (2.17) imposent les valeurs de p en t0 et t1 , tandis que les conditions
(2.18) imposent les valeurs de la dérivée p′ de p en t0 et t1 .
Un polynôme de degré 3 s’écrit sous la forme

p(t) = a0 + a1 t + a2 t2 + a3 t3

19
les coefficients a0 , a1 , a2 et a3 seront déterminés à l’aide des quatre conditions (2.17) et
(2.18), par résolution d’un système linéaire de quatre équations à quatre inconnues.
Pour construire p, commençons par construire une base ϕ0 , ϕ1 , ψ0 et ψ1 de polynômes
de degré 3 associée aux points t0 et t1 .
On pose
ϕ0 (t0 ) = 1, ϕ0 (t1 ) = ϕ′0 (t0 ) = ϕ′0 (t1 ) = 0;

ϕ1 (t1 ) = 1, ϕ1 (t0 ) = ϕ′1 (t0 ) = ϕ′1 (t1 ) = 0;

ψ0′ (t0 ) = 1, ψ0 (t1 ) = ψ0 (t0 ) = ψ0′ (t1 ) = 0;

ψ1′ (t1 ) = 1, ψ1 (t1 ) = ψ1 (t0 ) = ψ1′ (t0 ) = 0.

Proposition 2.3.1. Les fonctions ϕ0 , ϕ1 , ψ0 et ψ1 sont linéairement indépendantes.

Définition 2.3.1. Les quatre polynômes ϕ0 , ϕ1 , ψ0 et ψ1 forment une base de P3 appelée

base d’Hermite de type cubique associée à t0 et t1 .

On vérifie aisément que si p est un polynôme de P3 défini par

p(t) = p0 ϕ0 (t) + p1 ϕ1 (t) + p′0 ψ0 (t) + p′1 ψ1 (t) (2.19)

alors les relations (2.17) et (2.18) sont satisfaites.

Définition 2.3.2. Soit f une fonction continument dérivable sur l’intervalle [t0 , t1 ] et si
on construit un polynôme p défini par

p(t) = f0 ϕ0 (t) + f1 ϕ1 (t) + f0′ ψ0 (t) + f1′ ψ1 (t) (2.20)

on dit que p est l’interpolant d’Hermite de f par des cubiques sur [t0 , t1 ].

2.3.2. Généralisation
Le problème d’interpolation considéré précédemment, se généralise, au cas où les va-
leurs de p(t) et de la dérivée p′ (t) sont données en plus de deux points distincts.
Soient t0 , t1 , . . . , tn ∈ R, des points distincts rangés par ordre croissant.

Théorème 2.3.1. Si f est de classe C 2n+2 ([t0 , tn ]), alors il existe un polynôme unique p
de degré au plus 2n + 1 vérifiant :

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

20
 Pour déterminer p, on peut construire, comme précédemment, des polynômes ϕi , ψi
et de degré 2n + 1 associés aux points t0 , t1 , . . . , tn , en posant

ϕi (tj ) = δi,j , ϕ′i (tj ) = 0, 0 ≤ i, j ≤ n;

ψi′ (tj ) = δi,j , ψi (tj ) = 0, 0 ≤ i, j ≤ n;

Proposition 2.3.2. Les fonctions ϕi , ϕj , 0 ≤ i, j ≤ n, sont linéairement indépendantes.

Donc constituent une base de P2n+1 .

Remarque 2.3.1. On peut même considérer un cas plus général, où en certains points
sont évaluées la fonction et sa dérivée et en d’autres points seule la valeur de la fonction
est évaluée.

2.3.3. Estimation d’erreur

Théorème 2.3.2. Si f est de classe C 2n+2 ([t0 , tn ]), alors pour tout t ∈ [t0 , tn ], il existe
ξ ∈ [t0 , tn ] tel que
n
f (2n+2) (ξ) Y
f (t) − p(t) = (t − ti )2 (2.21)
(2n + 2)! i=0

où p est le polynôme du Théorème 2.3.1.

2.4. Interpolation par intervalle

Nous avons vu que l’interpolation d’une fonction par des polynômes de degré élevé en
des points équidistants peut engendrer des instabilités numériques, de plus, l’interpolation
d’une fonction par des polynômes n’est pas justifiée lorsque la fonction à interpoler n’est
pas régulière. Pour ces différentes raisons, on utilise souvent l’interpolation par intervalle.
Soit f une fonction continue donnée sur un intervalle [a, b] et soit n + 1 points x0 =
a < x1 < · · · < xn = b dans l’intervalle [a, b]. Pour chaque [xi , xi+1 ], on peut choisir n − 1
points intérieurs équidistants notés :

xi,1 < xi,1 < · · · < xi,n−1 .

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

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

21
Définition 2.4.1. On dira que fh est l’interpolant de degré n par intervalle de la fonction
f.

Remarque 2.4.1. Les points xi sont appelés nœuds.

Théorème 2.4.1. Soit n un entier positif donné, soit f définie sur [a, b] à valeurs dans
R que nous supposons n + 1 fois continûment dérivable sur l’intervalle [a, b] et soit fh son
interpolant de degré n par intervalle. Alors, il existe une constante C (indépendante du
choix des xi ) telle que
max |f (x) − fh (x)| ≤ Chn+1 .
x∈[a,b]

22
3. Intégration numérique

3.1. Généralité
Le problème d’intégration numérique (ou quadrature) peut se présenter de deux façons
différentes :

Problème 3.1.1. Une fonction f (x) est connue par quelques-uns de ses points de collo-
Rx
cation (xi , f (xi ))ni=0 . Comment fait-on pour estimer la valeur de l’intégrale x0n f (x) dx,
alors que l’expression analytique de f (x) n’est pas connue ?
Rb
Problème 3.1.2. On cherche la valeur de l’intégrale définie a
f (x) dx lorsque l’expres-
sion analytique de f (x) est connue, mais non sa primitive.

Dans tous les cas le problème est donc d’approcher numériquement la quantité
Z b
f (x) dx. (3.1)
a

23
 On commence alors par partitionner l’intervalle [a, b] en petits intervalles [xi , xi+1 ],
i = 0, 1, 12, . . . , N − 1, c à d qu’on choisit N + 1 points xi , i = 0, . . . , N tels que

a = x0 < x1 < x2 < · · · < xn−1 < xN = b (3.2)

et on pose
h = max |xi+1 − xi | (3.3)
0≤i≤N −1

Ce réel positif caractérise la finesse de la partition.

Plus N est grand, plus nous pouvons placer les points xi de sorte à ce que h soit petit.
On peut poser, pour faciliter les calculs,

b−a
h= , et xi = a + ih, i = 0, . . . , N.
N

Etant donné la partition (3.2), il est naturel d’écrire

Z b N
X −1 Z xi+1
f (x) dx = f (x) dx. (3.4)
a i=0 xi

Ce sont ainsi les intégrales Z xi+1

f (x) dx
xi

que nous allons approcher dans la suite par des formules appelées formules de quadrature.
Souvent pour donner des formules de quadrature sur un intervalle standard (par
exemple ([−1, 1]) on effectue un changement de variable de la forme

x − xi
t=2 −1 (3.5)
xi+1 − xi

qui à x fait correspondre t ∈ [−1, 1]. Avec ce changement, on obtient

t+1
x = xi + (xi+1 − xi ) (3.6)
2

et par la suite
xi+1 1
xi+1 − xi
Z Z
f (x) dx = gi (t) dt (3.7)
xi 2 −1

où la fonction gi est définie par :

t+1
gi (t) = f (xi + (xi+1 − xi ) ), t ∈ [−1, 1]. (3.8)
2

Nous allons Zà présent définir la notion de formule de quadrature pour approcher

1
numériquement g(t) dt, g étant une fonction continue donnée sur [−1, 1].
−1

24
Définition 3.1.1. Soit g une fonction continue sur [−1, 1], la formule de quadrature

M
X
J(g) = ωj g(tj ) (3.9)
j=1

est définie par la donnée de M points −1 ≤ t1 < t2 < · · · < tM ≤ 1 appelés points
d’intégration et M nombres réels ω1 , ω2 , . . . , ωM appelés poids de la formule de quadrature.
Ces M points et ces M poids Z devront être cherchés de façon à ce que J(g) soit une
1
approximation numérique de g(t) dt.
−1

Remarque 3.1.1. La formule (3.9) est linéaire. En effet, si g1 et g2 sont deux fonctions
continues données sur l’intervalle [−1, 1] et si α et β sont deux nombres réels, on a :

M
X
J(αg1 + βg2 ) = ωj (αg1 + βg2 )(tj )
j=1
XM
= ωj (αg1 (tj ) + βg2 (tj ))
j=1
M
X M
X
= α ωj g1 (tj ) + β ωj g2 (tj ))
j=1 j=1
= αJ(g1 ) + βJ(g2 ) (3.10)

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

J(g) = g(−1) + g(1) (3.11)

cette formule est appelée formule du trapèze.

Les formules de quadrature

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

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

Exemple 3.1.2. Considérons la formule du trapèze (3.11), c’est à dire t1 = −1, t2 = 1,

25
ω1 = 1 et ω2 = 1. La formule composite s’écrit

N −1
X xi+1 − xi
Lh (f ) = (f (xi ) + f (xi+1 )) (3.14)
i=0
2

Définition 3.1.2. On dira que la formule de quadrature

M
X
J(g) = ωj g(tj )
j=1

Z 1
pour calculer numériquement g(t) dt est exacte pour les polynômes de degré k ≥ 0 si
−1

Z 1
J(p) = p(t) dt
−1

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

Théorème 3.1.1. Supposons que la formule de quadrature

M
X
J(g) = ωj g(tj )
j=1

Z 1
pour calculer numériquement g(t) dt soit exacte pour des polynômes de degré k. Soit
−1
f une fonction donnée sur l’intervalle [a, b], soit Lh (f ) la formule composite définie par
(3.13) et soit h la quantité définie par (3.3). Alors, si la fonction f est assez regulière
(c’est à dire (k+1) fois continûment dérivable sur l’intervalle [a, b]), il existe une constante
C indépendante du choix des points xi telle que
Z b
f (x) dx − Lh (f ) ≤ Chk+1 (3.15)
a

Revenons à la formule du trapèze (3.11) et la formule composite associée (3.14).

Si p est un polynôme de degré 1, p s’écrit sous la forme

p(t) = αt + β

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

Z 1
p(t) dt = J(p).
−1

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

Si l’intervalle [a, b] est divisé en N parties égales (h = b−a
N
), xi = a + ih avec i =

26
0, 1, . . . , N et si f est une fonction deux fois continument dérivable sur l’intervalle [a, b]
alors d’après le théorème, on a l’estimation suivante de l’erreur :
Z b
f (x) dx − Lh (f ) ≤ Ch2 (3.16)
a

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

b−a
Remarque 3.1.2. On montre qu’on peut prendre C = sup |f (2) (t)|.
12 a≤t≤b

3.2. Poids d’une formule de quadrature

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

−1 ≤ t1 < t2 < · · · < tM ≤ 1

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

M
X
J(g) = ωj g(tj )
j=1

soit exacte pour des polynômes de degré k aussi elevé que possible.
Considérons la base de Lagrange φ1 , φ2 , . . . , φM de PM −1 associée aux points t1 , t2 , . . . , tM :

M  
Y t − ti
φj (t) = , j = 1, . . . , M. (3.17)
i̸=j
tj − ti

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

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

M
X
g̃(t) = g(tj )φj (t)
j=1

Z 1 Z 1
On remplace alors g(t) dt par g̃(t) dt puisque
−1 −1

Z 1 M
X Z 1
g̃(t) dt = g(tj ) φj (t) dt,
−1 j=1 −1

on constate qu’il suffit de poser

Z 1
ωj = φj (t) dt
−1

27
pour que
M
X
J(g) = ωj g(tj )
j=1
Z 1
soit une approximation de g̃(t) dt. Il vient alors le théorème :
−1

Théorème 3.2.1. Soit t1 < t2 < · · · < tM , M points distincts de l’intervalle [−1, 1] et
soit φ1 , φ2 , . . . , φM la base de Lagrange de PM −1 associée à ces M points. Alors la formule
de quadrature
XM
J(g) = ωj g(tj )
j=1

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

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

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

de degré M − 1.
Puisque
XM Z 1
J(p) = ωj p(tj ) = p̃(t) dt
j=1 −1

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

obtient :
XM Z 1
J(φk ) = ωj φk (tj ) = φ˜k (t) dt
j=1 −1

or φk (tj ) = δkj , il vient alors

Z 1
ωk = φk (t) dt
−1

Supposons les relations (3.18) vraies.

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

M
X
p(t) = p(tj )φj (t).
j=1

Ainsi donc :
Z 1 M
X Z 1
p(t) dt = p(tj ) φj (t) dt
−1 j=1 −1

28
 M
X
= p(tj )ωj = J(p). (3.19)
j=1

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

la base de Lagrange φ1 et φ2 de P1 associée aux points est

1−t t+1
φ1 (t) = et φ2 (t) =
2 2

les relations (3.18) s’écrivent

Z 1 Z 1
ω1 = φ1 (t) dt = 1, et ω2 = φ2 (t) dt = 1
−1 −1

Remarque 3.2.1. Le théorème assure que les formules de quadrature construites grâce
à (3.18) sont exactes pour les polynômes de degré M − 1. Mais il se peut que ces formules
soient exactes pour des polynômes de degré k, avec k plus grand que M − 1.

3.3. Exemples de formules de quadrature

3.3.1. Formule du rectangle

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

φ1 (t) = 1, ∀t ∈ [−1, 1].

Ainsi, la relation (3.18) donne :

Z 1
ω1 = φ1 (t) dt = 2
−1

et la formule du rectangle devient

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

Cette formule de quadrature est exacte pour des polynômes de degré 0, d’après le
théortème, mais en fait elle est meilleure : elle est exacte pour des polynômes p ∈ P1 . En
effet, soit p ∈ P1 défini par :

p(t) = αt + β, où α, β ∈ R.

29
 Z 1
Il est facile de vérifier que p(t) dt = 2β = 2p(0).
−1
La formule composite associée est :

N −1  
X xi + xi+1
Lh (f ) = (xi+1 − xi )f (3.21)
i=0
2

et on obtient l’estimation d’erreur

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

3.3.2. Formule de Simpson

La formule de Simpson est une formule à trois points : M = 3, t1 = −1, t2 = 0, t3 = 1.
La base de Lagrange φ1 , φ2 , φ3 de P2 associée à ces trois points est :

1 1
φ1 (t) = (t2 − t), φ2 (t) = 1 − t2 , φ3 (t) = (t2 + t).
2 2

Les relations (3.18) deviennent alors

Z 1 Z 1 Z 1
1 4 1
ω1 = φ1 (t) dt = , ω2 = φ2 (t) dt = , ω3 = φ3 (t) dt = .
−1 3 −1 3 −1 3

La formule de Simpson s’écrit :

1 4 1
J(g) = g(−1) + g(0) + g(1). (3.23)
3 3 3

La formule composite associée est

N −1  
X xi+1 − xi xi + xi+1
Lh (f ) = f (xi ) + 4f ( ) + f (xi+1 ) . (3.24)
i=0
6 2

La formule de Simpson est exacte pour des polynômes de degré 2 par construction.
Elle
Z est même exacte pour des polynômes de degré 3. En effet, si g(t) = t3 , alors J(g) = 0
1 Z 1
et g(t) dt = t3 dt = 0. L’estimation d’erreur est alors :
−1 −1

Z b
f (x) dx − Lh (f ) ≤ Ch4 . (3.25)
a

b−a
Remarque 3.3.1. On montre qu’on peut prendre C = sup |f (4) (t)|.
2880 a≤t≤b

30
3.3.3. Formules de Gauss-Legendre
Idée : placer au mieux les points d’intégration t1 , t2 , . . . , tM de sorte que la formule
de quadrature
XM
J(p) = ωj p(tj )
j=1
Z 1
soit égale à p(t) dt pour des polynômes de degré k aussi grand que possible.
−1
Z b
Rappel : Si f est une fonction donnée et si Lh (f ) est l’approximation de f (x) dx
Z b a

définie par (3.13) alors, plus k est grand et plus l’erreur entre f (x) dx et Lh (f ) tend
a
rapidement vers zéro avec h.

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

1 dM 2
LM (t) = M M
(t − 1)M (3.26)
2 M ! dt

Exemples
1. L0 (t) = 1
2. L1 (t) = t.
3. L2 (t) = 21 (3t2 − 1)
4. L3 (t) = 21 (5t3 − 3t)
5. L4 (t) = 81 (35t4 − 30t2 + 3)
6. L5 (t) = 81 (63t5 − 70t2 + 15t)
1
7. L6 (t) = 16
(231t6 − 315t4 + 105t2 − 5)

Théorème 3.3.1. Les polynômes de Legendre L0 , L1 , . . . vérifient les propriétés sui-

vantes :
1. L0 , L1 , . . . , LM forment une base de PM
Z 1
2. si i ̸= j, alors Li (t)Lj (t) dt = 0 (propriété d’orthogonalité)
−1
3. pour M > 0, LM a exactement M zéros réels distincts tous compris dans l’intervalle
ouvert ] − 1, 1[. Ces zéros sont appelés les points de Gauss.

Démonstration . On vérifie aisément que Lj (t) est un polynôme de degré j exactement

et ainsi L0 , L1 , . . . , LM sont linéairement indépendants. Ils forment donc une base de PM .
Supposons i > j. On obtient en intégrant par parties :
1 1
di 2 j
Z Z
1 i d
Li (t)Lj (t) dt = (t − 1) j (t2 − 1)j dt
−1 2(i+j) i!j! −1 dti dt

31
 ( t=1
1 di−1 2 i d
j
= (i+j) i−1
(t − 1) j
(t2 − 1)j
2 i!j! dt dt
Z 1 i−1 j+1
t=−1
d d
− i−1
(t2 − 1)i j+1 (t2 − 1)j dt (3.27)
−1 dt dt

Puisque (t2 − 1)i a un zéro d’ordre i en 1 et en −1, la (i − 1)-ième derivée de (t2 − 1)i
s’annule en t = 1 en t = −1. Ainsi on obtient
1 1
−1 di 2 j
Z Z
i d
Li (t)Lj (t) dt = (i+j) (t − 1) (t2 − 1)j dt. (3.28)
−1 2 i!j! −1 dti dtj

En intégrant j fois par parties, on obtient

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

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

de signe. Ces points sont des zéros de LM et on a donc s ≤ M . Si on pose

p(t) = (t − t1 )(t − t2 ) . . . (t − ts )

on a p ∈ Ps et, puisque p change aussi de signe en les points tj , 1 ≤ j ≤ s, on obtient

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

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

Z 1
p(t)LM (t) dt ̸= 0.
−1

En utilisant 1.) on voit qu’il existe α0 , α1 , . . . , αs tels que

s
X
p(t) = αj Lj (t)
j=0

et en utilisant 2.) on obtient

Z 1 s
X Z 1
p(t)LM (t) dt = αj Lj (t)LM (t) dt
−1 j=0 −1

32
 Z 1
= αs Ls (t)LM (t) dt. (3.30)
−1

Z 1
Puisque p(t)LM (t) dt n’est pas nul, on a nécessairement s = M et donc les M
−1
zéros de LM (t) sont t1 , t2 , . . . , tM . ■

Définition 3.3.2. La formule de quadrature

M
X
J(g) = ωj g(tj )
j=1

est dite formule de Gauss legendre à M points si

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

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

Théorème 3.3.2. La formule de gauss-Legendre à M points (M entier supérieur ou égal

à 1) est exacte pour les polynômes de degré r = 2M − 1.
M
X
Démonstration . Soit J(g) = ωj g(tj ) la formule de Gauss-Legendre à M points et
j=1
soit p un polynôme de degré 2M − 1. Pour tout t ∈ R, on a :

M
X
p̃(t) = p(tj )φj (t),
j=1

où φ1 , φ2 , . . . , φM est la base de Lagrange de PM −1 associée aux points de Gauss t1 <

t2 < · · · < tM . Le polynôme p̃ est donc l’interpolant de p de degré M − 1 aux points de
Gauss t1 < t2 < · · · < tM .
Considérons le polynôme q défini par :

q(t) = p(t) − p̃(t)

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

q(tj ) = 0, j = 1, 2, . . . , M . Donc q est divisible par le polynôme v de degré M défini par :

M
Y
v(t) = (t − tj )
j=1

33
c’est à dire qu’il existe un polynôme w de degré M − 1 tel que

q(t) = v(t)w(t), ∀t ∈ R.

Comme v est degré M et s’annule en les M zéros de LM qui lui-même est de degré
M , il existe un nombre réel α tel que

v(t) = αLM (t), ∀t ∈ R.

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

M
X −1
w(t) = βk Lk (t).
k=0

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

Z 1 Z 1 M
X −1 Z 1
q(t) dt = v(t)w(t) dt = α βk LM (t)Lk (t) dt = 0
−1 −1 k=0 −1

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

Z 1 Z 1
p(t) dt = p̃(t) dt
−1 −1

et par définition de p̃, on obtient

Z 1 M
X Z 1 M
X
p(t) dt = p(tj ) φj (t) dt = ωj p(tj ) = J(p).
−1 j=1 −1 j=1

■
Remarque 3.3.2. 1. Les points de Gauss et les poids correspondants sont donnés
dans des tables numériques adéquates ou dans des logiciels d’intégration numérique.
2. Si Lh (f ) est la formule composite associée, pour une fonction f défnie sur [a, b], on
a Z b
f (x) d x − Lh (f ) ≤ Ch2M
a

où f est 2M fois continûment dérivable et C une constante qui ne dépend pas des
points xi , i = 0, . . . , N choisis pour partionner [a, b].
Exemples
1. Formule de Gauss-Legendre à un point
On a L1 (t) = t et donc le seul zéro de L1 est t1 = 0. On retrouve la formule du
rectangle qui est d’ordre h2 .

34
2. Formule de Gauss-Legendre à deux points
On a L2 (t) = 12 (3t2 − 1) et donc les deux zéros de L2 sont donnés par :

1 1
t1 = − √ , et t2 = √ .
3 3

La base de Lagrange φ1 , φ2 de P1 associée aux points t1 , t2 est définie par :

√ √
1 − 3t 1 + 3t
φ1 (t) = , φ2 (t) =
2 2

ainsi Z +1 Z +1
ω1 = φ1 (t) dt = 1, ω2 = φ2 (t) dt = 1
−1 −1

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

1 1
J(g) = g(− √ ) + g( √ )
3 3

La formule composite associée est :

N −1
( √ √ )
X xi+1 − xi 3−1 3+1
Lh (f ) = f (xi + √ (xi+1 − xi )) + f (xi + √ (xi+1 − xi ))
i=0
2 2 3 2 3

et si f est quatre fois continûment dérivable

Z b
f (x) d x − Lh (f ) ≤ Ch4
a

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

35
4. Approximation au sens des moindres carrés

4.1. Cas discret

L’approximation au sens des moindres carrés est une méthode utilisée pour trouver la
meilleure approximation d’un ensemble de données par un modèle donné. Cette technique
est largement employée en sciences pour ajuster des courbes, résoudre des problèmes
d’estimation et réduire les erreurs.

4.1.1. Problématique
Soit un ensemble de points {(xi , yi )}ni=1 représentant des données expérimentales. L’ob-
jectif est de trouver une fonction f (x), dépendant d’un certain nombre de paramètres,
qui minimise l’erreur quadratique totale :
n
X
E= (yi − f (xi ))2 .
i=1

4.1.2. Principe des moindres carrés

Cas linéaire simple

Considérons un modèle linéaire de la forme f (x) = ax+b, où a et b sont les paramètres

à déterminer. L’erreur quadratique totale est donnée par :
n
X
E(a, b) = (yi − (axi + b))2 .
i=1

Pour minimiser E, on dérive par rapport à a et b et on résout les équations normales

suivantes :
∂E ∂E
= 0, = 0.
∂a ∂b
Cela donne : 
nb + a P x = P y ,
i i
b P x + a P x 2 = P x y .
i i i i

36
 Ces équations sont ensuite résolues pour obtenir a et b.

Cas général

Pour un modèle polynomial ou tout autre modèle f (x; θ) avec des paramètres θ =
(θ1 , θ2 , . . . ), l’erreur quadratique totale est donnée par :
n
X
E(θ) = (yi − f (xi ; θ))2 .
i=1

La minimisation de E se fait en résolvant :

∂E
= 0, pour tout j.
∂θj

4.1.3. Illustration
Représentation graphique

Voici un exemple d’approximation linéaire au sens des moindres carrés. L’ensemble des
points expérimentaux est représenté par des cercles, et la droite obtenue par ajustement
est en rouge.

Cas polynomial

Un ajustement polynomial de degré 2 est illustré ci-dessous :

37
4.1.4. Propriétés et Avantages
— La méthode des moindres carrés minimise l’erreur globale, ce qui est utile pour
réduire les effets des erreurs aléatoires.
— Elle est généralisable à des modèles non linéaires, bien que cela puisse nécessiter
des algorithmes itératifs comme la descente de gradient.
— Les solutions obtenues sont uniques pour un modèle donné, sous des conditions
normales.

4.1.5. Exemple Numérique

Soit l’ensemble de données suivant :

{(1, 2), (2, 3), (3, 5), (4, 7)}.

Nous cherchons à ajuster une droite f (x) = ax + b.

Calcul des paramètres

Les formules donnent :

P P P P P
n xi y i − xi y i yi − a xi
a= , b= .
n x2i − ( xi )2
P P
n

38
 En remplaçant les valeurs :

a = 1.4, b = 0.6.

L’équation de la droite ajustée est :

f (x) = 1.4x + 0.6.

Représentation graphique

Voici la représentation des points et de la droite ajustée.

4.1.6. Applications
— En biologie : Ajustement des modèles de croissance des populations.
— En géologie : Analyse de données sismiques.
— En physique : Ajustement des lois expérimentales (e.g., loi d’Ohm).

4.2. Cas continue

L’approximation au sens des moindres carrés est une méthode qui vise à minimiser
l’erreur entre une fonction cible f (x) (ou des données) et une fonction d’approximation
g(x) appartenant à une certaine classe de fonctions. La version continue de cette méthode
est couramment utilisée pour résoudre des problèmes d’approximation dans des espaces
de fonctions.

39
4.2.1. Problématique
Soit f (x) une fonction définie sur un intervalle [a, b]. L’objectif est de trouver une
fonction g(x) appartenant à un espace fonctionnel donné (souvent des polynômes ou des
fonctions de base) qui minimise l’erreur quadratique :
Z b
E= [f (x) − g(x)]2 dx.
a

4.2.2. Méthode des moindres carrés

Choix de la Base

On cherche g(x) sous la forme d’une combinaison linéaire de fonctions de base ϕ1 (x), ϕ2 (x), . . . , ϕn (x) :
n
X
g(x) = c1 ϕ1 (x) + c2 ϕ2 (x) + · · · + cn ϕn (x) = ci ϕi (x),
i=1

où ci sont les coefficients à déterminer.

Erreur Quadratique

L’erreur quadratique est donnée par :

Z b" n
#2
X
E(c1 , c2 , . . . , cn ) = f (x) − ci ϕi (x) dx.
a i=1

4.2.3. Minimisation
Pour minimiser E, on dérive E par rapport à chaque cj et on résout le système suivant :

∂E
= 0, pour j = 1, 2, . . . , n.
∂cj

Cela donne le système linéaire suivant :

n
X Z b Z b
ci ϕi (x)ϕj (x) dx = f (x)ϕj (x) dx, pour j = 1, 2, . . . , n.
i=1 a a

40
4.2.4. Exemple d’approximation
Problème

Approximons f (x) = ex sur l’intervalle [0, 1] par un polynôme g(x) de degré 1 :

g(x) = c0 + c1 x.

Calcul des Coefficients

Les équations normales sont :

Z 1
(ex − c0 − c1 x) dx = 0,
0
Z 1
x(ex − c0 − c1 x) dx = 0.
0

Résolvons ce système pour obtenir c0 et c1 .

Résultat

Après calculs (détails omis ici), on trouve :

c0 ≈ 1.718, c1 ≈ 1.000.

Ainsi, la fonction d’approximation est :

g(x) ≈ 1.718 + 1.000x.

Représentation graphique

La courbe de la fonction cible f (x) = ex et celle de l’approximation g(x) sont tracées

ci-dessous.

41
4.2.5. Applications et remarques
Applications

— Approximations de séries de données continues en physique et biologie.

— Résolution de problèmes différentiels avec des approximations par des bases ortho-
gonales.
— Compression de données pour des modèles prédictifs.

Remarques

— Lorsque les fonctions de base ϕi (x) sont orthogonales, le calcul des coefficients ci
est simplifié.
— Cette méthode peut être étendue à des dimensions supérieures (approximation mul-
tivariée).

42
5. Travaux dirigés

5.1. Equations non linéaires

Exercice 5.1.1. a) On définit le polynôme P (x) = x3 +3x2 −9x+1. Localiser ses racines
dans des intervalles de R deux à deux disjoints.
b) Donner une approximation par la méthode de dichotomie à 10−2 près de sa racine
de plus petit module.

Exercice 5.1.2. Soit f une fonction continue de R dans R.

1. Supposons qu’il existe k ∈]0, 1[ tel que

∀x, y ∈ R, |f (x) − f (y)| ≤ k|x − y|.

Démontrer que la suite définie par

x0 ∈ R, ∀n ∈ N, xn+1 = f (xn )

converge vers une limite c ∈ R telle que f (c) = c.

2. Supposons maintenant que f est de classe C 1 et qu’il existe c ∈ R tel que f (c) = c,
et que |f ′ (c)| < 1. Démontrer qu’il existe un intervalle I contenant c tel que la suite
définie par
x0 ∈ I, ∀n ∈ N, xn+1 = f (xn )

converge vers c.

Exercice 5.1.3. Analyser la convergence de la méthode de point fixe x(n+1) = ϕj (x(n) )

pour le calcul des zéros α1 = −1 et α2 = 2 de la fonction f (x) = x2 − x − 2, quand on
utilise les fonctions d’itérations suivantes :
i) ϕ1 (x) = x2 − 2,
√
ii) ϕ2 (x) = 2 + x,
√
iii) ϕ3 (x) = − 2 + x,
iv) ϕ4 (x) = 1 + 2/x, x ̸= 0.

43
Exercice 5.1.4. Soit f la fonction de R+ dans R définie par f (x) = ln x. Montrer que
la méthode de Newton pour la recherche de x̄ tel que f (x̄) = 0 converge si et seulement
si le choix initial de x(0) est tel que x(0) ∈]0, e[.

Exercice 5.1.5. On veut résoudre l’équation x + ln x = 0.

1) Montrer que l’équation a une unique solution α et α ∈ I =] 12 , 1[.
2) Pour obtenir une approximation de α, trois formules d’approximation sont propo-
sées :
1. (F1 ) : xn+1 = − ln xn
2. (F2 ) : xn+1 = e−xn
xn +e−xn
3. (F3 ) : xn+1 = 2
.
Parmi ces formules dites qu’elles sont celles qui peuvent être utilisées pour tout x0
dans un intervalle à préciser. Justifier.
3) a) Mettre en œuvre la méthode de Newton pour l’équation x = e−x . montrer qu’elle
converge pour tout choix de x0 dans I.
b) Donner un majorant de l’erreur |xn+1 − α|.
c) Combien d’itérations sont à priori nécessaires pour obtenir une précision de 10−10 ?

Exercice 5.1.6. On considère une méthode de point fixe utilisant la fonction :

x(x2 + 3a)
g(x) =
(3x2 + a)

où a est un paramètre strictement positif.

1) Obtenir l’unique point fixe de cette fonction dans l’intervalle ]0, +∞[.
2) Montrer que la méthode converge dans ce cas au moins à l’ordre 3 vers le point fixe
trouvé en 1).

Exercice 5.1.7. a) Obtenir tous les points fixes de la fonction :

g(x) = (λ + 1)x − λx2

où λ est un paramètre.
b) Déterminer pour chaque point fixe trouvé en a) les valeurs de λ pour lesquelles ces
points fixes sont attractifs.
c) Déterminer pour chaque point fixe trouvé en b) la valeur de λ pour laquelle la
convergence de la méthode est quadratique.

Exercice 5.1.8. On veut calculer le zéro α de la fonction f (x) = x3 − 2 en utilisant la

méthode de point fixe x(k+1) = ϕ(x(k) ) suivante :

ω 2ω
x(k+1) = x(k) (1 − ) + (x(k) )3 (1 − ω) + + 2(ω − 1), k ≥ 0,
3 3(x(k) )2

44
ω ∈ R étant un paramètre réel.
1) Pour quelles valeurs du paramètre ω le zéro de la fonction f est un point fixe de la
méthode proposée ?
2) Pour quelles valeurs de ω la méthode proposée est d’ordre 2 ?
3) Existe-t-il une valeur de ω telle que l’ordre de la méthode de point fixe est supérieur
à 2?

Exercice 5.1.9. On se propose de résoudre numériquement l’équation

f (x) = 0 (5.1)

avec f (x) = x3 + x − 1.
1) Montrer que (5.1) admet une solution unique α et α ∈]0, 1[.
2) Montrer que (5.1) est équivalente à (5.2) avec

x = g(x) (5.2)

avec

1
g(x) = x3 + 2x − 1, ou g(x) = 1 − x3 ou g(x) = (1 − x)1/3 ou g(x) = .
x2 +1

Dans chacun des 4 cas, étudier la convergence de la méthode du point fixe pour la
recherche de α.
Au cas, où il y a convergence, donner un intervalle I tel que la méthode converge pour
tout choix x0 ∈ I.
√
Exercice 5.1.10. On considère le problème de calculer 2. Cela revient à trouver le zéro
√
positif α = 2 de la fonction f (x) = x2 − 2, c’est-à-dire à résoudre une équation non
linéaire.
√
1) Vérifier que α = 2 est un point fixe de la fonction

1 1
φ(x) = − x2 + x + .
4 2

2) Prouver que pour x(0) ∈ [1, 2], il existe une constante C > 0 telle que

|x(k) − α| ≤ C k |x(0) − α|, ∀k ≥ 0.

3) Quel et le comportement de la suite {x(k) } lorsque k tend vers +∞ ?

4) Combien d’itérations de la méthode de point fixe sont nécessaires pour trouver
√
une valeur approchée de 2 qui soit exacte jusqu’au dixième chiffre après la virgule ?
(Suggestion : il faut avoir une estimation de la constante C)

45
5.2. Interpolation polynomiale
Exercice 5.2.1. On considère x0 , x1 , . . . , xn , n + 1 points distincts tels que a ≤ x0 <
x1 < · · · , xn ≤ b. Soit f une fonction continue sur [a, b] à valeurs dans R. On désigne
par pn le polynôme d’interpolation de Lagrange de la fonction f sur [a, b] relativement à
x0 , . . ., xn .
1) a) Etablir pour 0 ≤ k ≤ n l’existence et l’unicité d’un polynôme Lk de degré n que
l’on explicitera tel que
∀i ∈ {0, 1, . . . , n}, Lk (xi ) = δi,k

où δi,k est le symbole de Kronecker.

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

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

Exercice 5.2.2. Soit f : R → R telle que

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

1) Déterminer par deux méthodes le polynôme de Lagrange de f en −2, 0 et 1.

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

Exercice 5.2.3. On donne trois valeurs d’une fonction f définie sur [1, 6] :

f (1) = 1.5709, f (4) = 1.5727, f (6) = 1.5751.

On note t0 = 1, t1 = 4 et t2 = 6.
1) En utilisant les polynômes de Lagrange relatifs aux points t0 et t1 , fournir une
approximation de f (3.5) grâce au polynôme d’interpolation de f de degré un.
2) En utilisant les polynômes de Lagrange relatifs aux points t0 , t1 et t2 , fournir une
approximation de f (3.5) grâce au polynôme d’interpolation de f de degré deux.
3) Traiter de nouveau ces deux questions en utilisant la forme de Newton.
4) Comparer les deux méthodes et conclure.

Exercice 5.2.4. 1) Construire le polynôme de Lagrange P qui interpole les points (−1, 2),
(0, 1), (1, 2) et (2, 3).

46
 2) Soit Q le polynôme de Lagrange qui interpole les points (−1, 2), (0, 1) et (1, 2).
Montrer qu’il existe un réel λ tel que :

Q(x) − P (x) = λ(x + 1)x(x − 1).

Exercice 5.2.5. On considère la fonction

f (x) = e2x , x ∈ [0, 1].

Soit N un nombre entier, h = 1/N et Πh1 f le polynôme composite linéaire par morceaux
qui interpole la fonction f aux nœuds xi = ih , i = 0, 1, . . . , N .
1) Calculer le nombre minimal N de sous-intervalles pour que l’erreur d’interpolation
E1 (f ) = max |f (x) − Πh1 f (x)| soit inférieur à 10−4 .
h
x∈(0,1]
2) Soit Πn f le polynôme d’interpolation de Lagrange de degré n qui interpole f aux
nœuds xi = i/n, i = 0, 1, . . . , n. Est-ce que l’erreur d’interpolation En (f ) = maxx∈(0,1] |f (x)−
Πn f (x)| tend vers zéro lorsque n → ∞ ? Est-ce que le nombre de nœuds nécéssaires pour
que l’erreur soit plus petite que 10−4 est du même ordre de grandeur que celui du point
1) ? justifiez votre réponses.

Exercice 5.2.6. Interpolation d’Hermite.

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

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

Montrer que l’on peut écrire

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

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

2) Supposons que f soit de classe C 2n+2 ([x0 , xn ]). Montrer que pour tout x ∈ [x0 , xn ],
il existe ξ ∈ [x0 , xn ] tel que
n
f (2n+2) (ξ) Y
f (x) − p(x) = (x − xi )2
(2n + 2)! i=0

47
où p est le polynôme de degré 2n + 1 vérifiant :

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

En déduire une majoration de l’erreur.

Exercice 5.2.7. On considère deux réels a et b tels que a < b.

1) Montrer qu’il existe des polynômes pa , pb , qa , qb de P3 tels que

pa (a) = pb (b) = 1, pa (b) = p′a (a) = p′a (b) = pb (a) = p′b (a) = p′b (b) = 0
qa′ (a) = qb′ (b) = 1, qa (a) = qa (b) = qa′ (b) = qb (a) = qb (b) = qb′ (a) = 0

Expliciter ces polynômes. Montrer que {pa , pb , qa , qb } est une base de P3 .

2) Etant donné f une fonction dans C 1 ([a, b]; R), montrer qu’il existe un unique po-
lynôme p de P3 tel que

p(a) = f (a), p(b) = f (b), p′ (a) = f ′ (a), p′ (b) = f ′ (b)

Exprimez ce polynôme dans la base {pa , pb , qa , qb }.

3) On suppose f ∈ C 4 ([a, b]; R), montrer que, pour tout x ∈ [a, b], on a
4 3
|f (x) − p(x)| ≤ (b−a)
384
M4 (f ) , |f ′ (x) − p′ (x)| ≤ (b−a)
24
M4 (f )
′′ ′′ (b−a)2 (3) (3)
|f (x) − p (x)| ≤ 2 M4 (f ) , |f (x) − p (x)| ≤ (b − a)M4 (f )

où M4 (f ) = supx∈[a,b] |f (4) (x)|.

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

5.3. Intégration numérique

Exercice 5.3.1. La table suivante donne les valeurs de f (x) :

x 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8

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

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

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

48
Exercice 5.3.2. On considère l’intégrale
Z 1
1
I= dx.
−1 1 + x2

1) Evaluer numériquement I à l’aide d’une formule de Gaus-Legendre à n + 1 points

avec n ∈ {0, 1, 2}.
2) Calculer la valeur exacte de I.
3) Comparer avec les valeurs approchées. Conclure.

Exercice 5.3.3. Soit f : [a, b] ⊂ R → R une fonction de classe C 2 . On considère la

formule de quadrature du point milieu :
Z b
a+b
f (x) dx = (b − a)f ( ) + EM (f )
a 2

où EM (f ) désigne le terme d’erreur.

(b − a)3 ′′
1) Montrer qu’il existe η ∈]a, b[ tel que : EM (f ) = f (η).
24
(indication : on pourra utiliser la formule de Taylor à l’ordre 2 au point a+b
2
).
2) Quel est le degré d’exactitude de la formule de quadrature du point milieu ?

Exercice 5.3.4. Méthode des trapèzes.

Dans cet exercice, f désigne une fonction de classe C 2 de [a, b] dans R et l’on pose
pour k = 0, 1, 2, . . . , n :
b−a
xk = a + k .
n
1) Soit g le polynôme de degré au plus 1 tel que g(a) = f (a), g(b) = f (b).
a) Donner la valeur T de l’intégrale de g sur [a, b].
b) Par application du théorème de Rolle à une fonction auxiliaire convenablement
choisie, prouver que, pour tout x ∈ [a, b], il existe c ∈]a, b[ tel que :

f ′′ (c)
f (x) − g(x) = − (x − a)(b − x)
2

et en déduire que, si M2 est un majorant de |f ′′ | sur [a, b], alors :

Z b
M2
f (x) dx − T ≤ (b − a)3
a 12

ce qui donne un majorant de l’erreur due à cette méthode.

2) Par application de cette méthode sur chaque segment [xk−1 , xk ], (1 ≤ k ≤ n), établir
la majoration suivante

b
M2 (b − a)3
Z
f (x) dx − Tn ≤
a 12 n2

49
avec !
n−1
b−a f (a) X f (b)
Tn = + f (xk ) +
n 2 k=1
2

Exercice 5.3.5. Soit [a, b] un intervalle de R et n ∈ N∗ . Pour tout k = 0, . . ., n on pose

ak = a + kh avec h = b−a n
. Pour f : [a, b] → R, la méthode (composée) de Simpson
donne la quantité suivante :

n−1  
b−aX ak + ak+1
Lh (f ) = f (ak ) + 4f ( ) + f (ak+1 ) .
6n k=0 2

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

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

α ′ ′ α5 (5)
g(α) = [g (α) + 2g (0)] − g (θ).
3 180

(On pourra utiliser le théorème de Rolle et des accroissements finis avec l’application
φ : [−α, α] → R définie par φ(t) = g(t) − 3t [g ′ (t) + 2g ′ (0)] + 180
A 5
t où A est une constante
bien choisie).
3) Soit a < b deux réels et h ∈ C 4 ([a, b], R) telle que h(5) existe sur ]a, b[. Montrer
qu’il existe θ ∈]a, b[ tel que :

(b − a)5 (5)
 
b−a ′ ′ ′ a+b
h(b) − h(a) = h (a) + h (b) + 4h ( ) − h (θ).
6 2 2880

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

où α = b−a
2
).
On suppose f : [a, b] → R de classe C 4 . Montrer la formule d’erreur suivante :

b
(b − a)5
Z
f (t) dt − Lh (f ) ≤ sup |f (4) (t)|.
a 2880n4 a≤t≤b

Exercice 5.3.6. 1) Déterminer les constantes a, b, c et d pour que la formule de qua-

drature suivante soit exacte pour les polynômes de degré inférieur ou égal à 3.
Z 1
f (x) d ≈ af (−1) + bf (1) + cf ′ (−1) + df ′ (1)
−1

50
 2) Utiliser la formule de quadrature obtenue pour calculer une valeur approchée de
Z 1
1
I= dx
−1 1 + x2

3) Déterminer I et comparer avec la valeur aprochée obtenue dans la question préce-

dente. Conclure.

5.4. Approximation au sens des moindres carrés

Exercice 5.4.1. 1) Calculer l’équation de la droite de regression relative aux points (2, 3),
(4, 5), (7, 7).
2) Calculer l’équation de la droite de regression relative aux points (3, 2), (5, 4), (7, 7).
Comparer la droite obtenue à celle de 1).

Exercice 5.4.2. Soient les valeurs yi d’une fonction f pour des valeurs xi de la variable :

i 0 1 2 3 4
xi -2 -1 0 1 2
3 1 1 3
yi 2 2
0 2 2

1) Déterminer le polynôme de degré 2 qui réalise la meilleure approximation, au sens

des moindres carrés, de ces valeurs.
2) En déduire une approximation de la dérivée f ′ (1) de la fonction f au point x3 = 1.

Exercice 5.4.3. Une mesure a donné les résultats suivants :

x 0 π/4 π/2
y 2 6 5

On pense que le phenomène est du type

y = α sin x + β cos x

Donner la courbe de meilleure approximation au sens des moindres carrés.

Exercice 5.4.4. On considère la fonction y = |x| sur [−1, 1]. Donner la parabole de
meilleure approximation de cette fonction sur cet intervalle au sens des moindre carrés.
On utilisera le produit scalaire
Z +1
< f, g >= f (t)g(t) dt
−1

et comme base de P2 :

51
— la base canonique
— une base orthogonale (polynôme de Legendre)

52
6. Bibliographie

53
Bibliographie

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

Springer, Paris, 2000.

[2] M. Schartzman, Analyse numérique pour la licence, InterEdition, 1993.

54