Introduction

Analyse Num
erique

SANS AU CU N E DIFFICULTE

Sidi Madjid
sidimadjid@gmail.com

Version du
Derni`ere mise `
a jour sur :
http://sites.google.com/site/sidimadjid/Home

Sommaire
1 Notion derreur
1.1 Introduction . . . . . . . .
1.2 Definitions . . . . . . . . .
1.3 Chiffres significatifs . . .
1.4 Notion de chiffres exactes

.
.
.
.

3
3
4
4
5

.
.
.
.

7
7
8
9
13

.
.
.
.
.

17
17
17
21
21
23

4 Int
egration Num
erique
4.1 Les Principes Generaux . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Les methodes de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . .
4.3 Methode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27
28
28
34

5 Syst`
emes Lin
eaires
5.1 Les methodes directes : . . . . . . .
5.2 Algorithme delimination de Gauss
5.3 Programme delimination de Gauss,
5.4 Methode de Gauss-Jordan : . . . . .

35
35
36
37
39

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

2 Approximation aux Moindres Carr

es
2.1 Position du probl`eme dapproximation . . . . . . . .
2.2 Minimum dune fonction reelle a` plusieurs variables
2.3 Approximation dans le cas discret . . . . . . . . . . .
2.4 A.M.C. : Cas continu . . . . . . . . . . . . . . . . . .
3 Interpolation
3.1 Position du probl`eme dinterpolation . . . . . .
3.2 Premier polynome dinterpolation de Newton .
3.3 Deuxi`eme polynome dinterpolation de Newton
3.4 Polynome dinterpolation de LAGRANGE . .
3.5 Estimation de lerreur . . . . . . . . . . . . . . .

. . .
. . .
sans
. . .

. . . .
. . . .
pivot
. . . .

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

Introduction
UNE des preoccupations majeures dun chercheur en face dun phenom`ene physique, est : comment mettre en equation ce phenom`ene tout en prenant en consideration tous les details qui laccompagnent. Une fois cette etape effectuee, vient alors
la preoccupation suivante qui est : comment resoudre ces equations et obtenir un
resultat, qui va servir a` concretiser son travail de recherche.
Supposant maintenant que les equations sont posees, dans certains cas leurs
solutions peuvent se calculer analytiquement, alors que dans dautres cas ceci est
impossible. Alors, la solution sera effectuee en utilisant une methode numerique.
Ces derni`eres sont des methodes approximatives de resolution des probl`emes mathematiques. Ce qui signifie quelles ne donnent pas la solution exacte mais une
solution approchee. Ces methodes sont en general a` caract`ere iteratif. En plus, le
nombre diteration a` effectuer est dautant plus grand que la precision recherchee
est grande. Ainsi, La resolution dun probl`eme de grande taille manuellement prend
beaucoup de temps a` cause du nombre doperations `a effectuer.
Lav`enement de linformatique a eu un effet positif sur les utilisateurs des methodes numeriques. En effet, lordinateur a reduit considerablement les temps de
calculs et `a augmenter la precision des resultats obtenus. De nos jours, la mise en
oeuvre des methodes de calculs numeriques sous-entend automatiquement lutilisation doutils informatiques et particuli`erement un langage de programmation.
Le module analyse numerique a pour but en premier lieu dexposer les methodes
numeriques de fac on claire, et en second lieu de montrer comment les traduire sous
forme de programmes informatiques prets `a lutilisation.

Chapitre

Sommaire
1.1
1.2
1.3
1.4

Introduction
Dfinitions
Chiffres significatifs
Notion de chiffres exactes

1
Notion derreur

1.1

Introduction

Traditionnellement, les mathematiques nous familiarisent avec des theories et

des methodes qui permettent de resoudre de facon analytique un certain nombre de
probl`emes, comme cest le cas notamment des techniques dintegration et de resolution dequations. Les differentes methodes, pour un probl`eme donne, permettent de
trouver le resultat exact. En analyse numerique, les resultats obtenus sont differents
car les methodes utilisees dependent de certains param`etres qui influent sur la precision du resultat.
Une partie importante de lanalyse numerique consiste donc a` contenir les effets des
erreurs ainsi introduites, qui proviennent de trois sources principales :
1. Les erreurs de modelisation : Les erreurs de modelisation proviennent de letape
de mathematisation du phenom`ene physique auquel on sinteresse. Si le phenom`ene observe est tr`es complexe, il faut negliger ses composantes qui paraissent
moins importantes. Ces erreurs peuvent aussi se produire `a cause dimperfection dans les mesures physiques.
2. Les erreurs darrondissement (ou de representation sur ordinateur) : La seconde categorie derreurs est liee `a lutilisation de lordinateur. En effet, la
representation sur ordinateur (sur un nombre fini de bits) des nombres intro1

duit souvent des erreurs. Par exemple, la fraction na pas de representation

3
binaire exacte, car elle ne poss`ede pas de representation decimale finie.
3. Les erreurs de troncature : Les erreurs de troncature proviennent des methodes
numeriques elle-meme qui utilisent parfois des approximations des probl`emes
poses par dautres probl`emes plus simples.
Tout dabord, un peu de terminologie est necessaire pour eventuellement quantifier
les erreurs.

Notion derreur

1.2

Dfinitions
D
efinition 1
Soit x un nombre et x une approximation de ce nombre. Lerreur absolue est
definie par :
x = | x x |
(1.2.1)

D
efinition 2
Soit x un nombre et x une approximation de ce nombre. Lerreur relative est
definie par :
E r ( x) =

| x x | x
=
| x|
| x|

(1.2.2)

En pratique, il est difficile devaluer les erreurs absolue et relative, car on ne connat
generalement pas la valeur exacte de x et on na que x . Dans le cas de quantites mesurees dont on ne connat que la valeur approximative, il est impossible de
calculer lerreur absolue ; on dispose en revanche dune borne superieure pour cette
erreur qui depend de la precision des instruments de mesure utilises. Cette borne est
quand meme appelee erreur absolue, alors quen fait on a :| x x | 6 x. Ce qui peut
egalement secrire : x = x x. Lerreur absolue donne une mesure quantitative de
lerreur commise alors que lerreur relative en mesure limportance.
Cela nous am`ene a` parler de precision et de chiffres significatifs au sens de la definition suivante.

1.3

Chiffres significatifs
D
efinition 3
Si lerreur absolue verifie : x 6 0, 5.10n alors le chiffre correspondant a` la n ieme
puissance de 10 est dit significatif et tous ceux a` sa gauche (correspondants aux
puissances de 10 superieures a` n ) le sont aussi.
Exemple 1
On obtient une approximation de ( x = = 3, 141592...) au moyen de la quantite :

22 22
(x =
= 3, 142857...). On en conclut que :
7
7

x = |

22
| = 0, 001265...
7

Puisque lerreur absolue est plus petite que : 0, 5 102 le chiffre des centi`emes
est significatif et on a en tout 3 chiffres significatifs (3, 14).

1.4 Notion de chiffres exactes

Remarque 1
Inversement, si un nombre est donne avec n chiffres significatifs, cela signifie
que lerreur absolue est inferieure `a 0, 5 fois la puissance de 10 correspondant
au dernier chiffre significatif.

1.4

Notion de chiffres exactes

Soit A un nombre theorique cest `

a dire exact, a un nombre approche de A ,
dont la representation decimale prise de gauche `
a droite est:
a = m 10m + m1 10m1 + + mn+1 10mn+1 + mn 10mn + + k 10k

O`
u:

10m : rang du premier chiffre significatif

m : premier chiffre significatif
m1 : deuxi`
eme chiffre significatif 10m1 : rang du deuxi`eme chiffre significatif

mn+1 : ni`
eme chiffre significatif
eme chiffre significatif
10mn+1 : rang du ni`
Notons a = | A a| lerreur absolue du nombre approche a.

D
efinition 4
Les n premiers chiffres significatifs de a sont dits exacts si lerreur absolue de
a ne depasse pas la moitie du rang du ni`eme chiffre significatif, cest a
` dire :
a = | A a| 6

1 mn+1
10
2

Exemple 2
A = 35.97, a = 36.00 ici m = 1 car a = 3.101 + 6.100
1
a = | A a| = 0.03 < 0.05 = 101 m n + 1 = 1 n = 3
2
a est une approximation de A avec 3 chiffres exacts.
La notion de chiffre exact est purement mathmatiques, elle ne veut pas dire que les
n premiers chiffres significatifs de a concident avec n premiers chiffres significatifs
de A , lexemple ci - dessus lillustre bien.

Chapitre

Sommaire
2.1 Position du problme dapproximation
2.2 Minimum dune fonction relle plusieurs
variables
2.3 Approximation dans le cas discret
2.4 A.M.C. : Cas continu

Approximation aux Moindres Carrs

2.1

Position du problme dapproximation

Soit X = { x i / i = 1..N } [a, b] R les x i peuvent etre par exemple des mesures
experimentales, supposons qu`a chaque x i , on associe yi R comme resultat dune
experience et posons Y = { yi / i = 1..n}. On a donc le tableau suivant :
mesure i

x1

x2

xn

y1

y2

yn

En pratique, pour x [a, b] \ X , on ne peut pas toujours connaitre la valeur y correspondante.

Probl`
eme 1
Notre but est de modeliser la relation existante entre X et Y , ou encore de
trouver f telle que Y = f ( X ). Ceci nous permettra - sous certaines conditions
sur f - de connaitre y pour tout x [a, b] \ X (et dans certains cas x [a, b]).
Posons :

D =
{( x i , yi ) / i = 1..n}
G = {( x i , f ( x i )) / i = 1..n}

Supposons quon peut definir une distance entre D et G , notee d (D,G ). Alors :
D
efinition 1
X Le probl`eme dapproximation consiste a` trouver f dun type choisi pour
que d (D,G ) soit minimale.
X Le probl`eme dinterpolation consiste `a trouver f dun type choisi telle que
D G.

Approximation aux Moindres Carrs

8
Remarque 1
On peut aussi approximer
mathematique.

2.2

Rb
a

h( x) dx ou h0 ( x),

x [a, b] ou tout autre operateur

Rappel : Minimum dune fonction dans Rn

Soit une fonction reelle a` plusieurs variables reelles :
f : Rn R
x = ( x1 , x2 , . . . , xn ) 7 y = f ( x)

(2.2.1)

O`
u n > 1 et f C 2 (Rn ).

Gradient dune fonction

On rappelle que, si f est une fonction a` plusieurs variables x = ( x1 , . . . , xn ), le
gradient de f est le vecteur colonne
t

f
f
f

grad f ( x) = f ( x) =
( x),
( x ), ,
( x)
x1
x2
xn

Matrice d
efinie positive
Soit A une matrice symetrique reelle dordre n. Elle est dite definie positive si
x 6= 0Rn

(< Ax, x >) = x t Ax > 0

O`
u bien, si toutes les valeurs propres de A sont strictement positives.
D
efinition 2
On dit quun point x Rn est un minimum global de f si les deux conditions
suivantes sont verifiees :

1. grad f ( x ) = 0Rn
2. La matrice A = (a i j )16 i, j6n , o`
u : ai j =

2 f
xi x j

( x ) est definie positive.

Cas particulier
Le cas n = 1 est trivial, cest `a dire si f : R R, le gradient devient derivee
premi`ere et la matrice derivee seconde.

2.3 Approximation dans le cas discret

Proposition 1. Matrice d
efinie positive
Si A est symetrique `a diagonale positive alors A est definie positive.

2.3

Approximation dans le cas discret

Revenons aux ensembles D et G definis precedemment

D =
{( x i , yi ) / i = 1..n}
G = {( x i , f ( x i )) / i = 1..n}

O`
u, le mod`ele propose f : R 7 R est dun type prealablement choisi. Exemple de
mod`eles :
f ( t) =
f ( t) =
f ( t) =

c (constante)
at + b
at2 + bt + c

m
P
a i ti

f ( t)

i =0

Trouver le mod`ele f revient `a chercher les coefficients a i , i = 0, .., n.

Notons par e i = yi f ( x i ), i = 1, .., n, lerreur commise au point i (ou mesure i ), on
pose e = ( e i ) i=1..n Rn .
Si f est un modle parfait, alors e i = 0,

i = 1..n.

D
efinition 3
Lapproximation (ou ajustement )aux moindres
es consiste `a minimiser

carr
k ek2 norme euclidienne. Cest `
a dire : min

les param`etres de f ,

2.3.1

n
P

i =1

e2i o`
u le minimum est pris sur

tude dun modle simple : linaire 2 paramtres

Soit une fonction f definie par

f : RR
t 7 at + b

Et, lensemble D = {( x i , yi ) R2 / i [1, n]}.

Lapproximation aux moindres carres revient a` minimiser lerreur dapproximation
comme suit :
min k ek22 =

(a,b)R2

min

n
X

(a,b)R2 i =1

[ yi (ax i + b)]2

min F (a, b)

(a,b)R2

Approximation aux Moindres Carrs

10
Avec F (a, b) =

n
X

[ yi (ax i + b)]2 , F C 2 R2

i =1

La premi`ere condition dexistence dun minimum, nous donne le syst`eme :

n
n
n

X
X
X

F
(
a,
b
)

x
y
=
a
x
+
b
xi
i i

i
=0
i =1
i =1
i =1
a

n
n
n
X
X
X

F (a, b) = 0

yi = a
xi + b 1

b
i =1
i =1
i =1

(2.3.1)

Verification de la deuxi`eme condition dexistence dun minimum :

La matrice

n
X

=1
A = iX
n

n
X

x2i

xi

i =1

xi

i =1

est symetrique `a diagonale positive donc elle est definie positive.

Le couple (a, b) cherche est deduit du syst`eme de deux equations a` deux inconnues
(2.3.1).
Exemple 1
Ajuster aux moindres carres les points
xi

yi

par le mod`ele lineaire (droite) f ( x) = ax + b

Solution
Sachant que :

n
X

x i yi = 9,

n
X
i =1

i =1

x2i = 5,

n
X
i =1

x i = 3 et

n
X

yi = 5

i =1

On a dapr`es ce qui prec`ede, le syst`eme lineaire de deux equations `a deux inconnues :

Donc, f (x) = 2x

a=2
5a + 3b = 9
1
=
b=
3a + 3b = 5
3

1
est la droite qui realise le meilleure approximation de lensemble
3

des 3 points donnes par le tableau (voir le figure ci-dessous).

2.3 Approximation dans le cas discret

11

Remarque 2
Concernant les points ( x i , yi ) i[1,n] , il est couramment admis que les conditions
de mesures (temperature, pression, etc) ne peuvent pas etre rigoureusement,
les memes pour tous les i [1, n]. Certaines valeurs seront par consequent plus
precises que dautres. Toutes ces raisons nous am`enent a` affecter (associer) `a la
i-`eme mesure, un poids ou coefficient i > 0, i [1, n].
D
efinition 4
En general, le probl`eme dapproximation aux moindres carres revient a` chercher
le minimum de
min

n
X

param`etres de f i =1

2.3.2

e2i i

(2.3.2)

tude dun modle linaire (Cas gnral)

Soit le mod`ele suivant, propose pour resoudre le probl`eme dapproximation aux

moindres carres :
f ( x) = c 1 f 1 ( x) + c 2 f 2 ( x) + + c m f m ( x) =

m
X

c j f j ( x)

j =1

O`
u x R ( o`
u x R p , p > 1) , f j : R p R fonctions connues de type bien choisi, non
nulles et lineairement independantes.
Ce mod`ele est lineaire par rapport `a c j , j = 1 m.

Approximation aux Moindres Carrs

12

Lexemple numerique precedent etudie correspond a` m = 2, f 1 ( x) = x et f 2 ( x) = 1.

Lerreur commise par rapport au mod`ele propose, a` la mesure i , est

e i = yi f ( x i ),
i = 1..n
m
X
c j f j ( x i ),
i = 1..n
= yi

(2.3.3)
(2.3.4)

j =1

D
efinition 5
Nous definissons la meilleure approximation aux moindres carres comme etant
celle qui minimise lerreur au sens de la norme euclidienne au-quelle on adjoint
le poids i , associe `a la i-`eme mesure ( i = 1..n).
Probl`
eme 2
Le probl`eme dapproximation aux moindres carres, revient donc `a chercher le
minimum de
min

c=(c 1 ,c 2 ,...,c m )

F ( c1 , c2 , . . . , c m ) =

n
X

e2 i
c=(c 1 ,c 2 ,...,c m ) i =1 i
min

(2.3.5)

D
emonstration
La premi`ere condition que doit verifier c pour que F soit minimale est :
F

k = 1..m

= 0,
ck
!
n
X

e2i i

i =1

cest `
a dire :
Donc :

ck
n
X

e i i

i =1

Or :

e i
ck

e i
ck

= 0,

k = 1..m

= 0,

k = 1..m

= f k (x i ),

i = 1..n, k = 1..m

Lequation 2.3.6 devient :

"

n
X

i yi

i =1

Cest `
a dire :

m
X
j =1

m
X

c j f j (x i ) f k (x i ) = 0

j =1

cj

n
X

i f j (x i ) f k (x i ) =

i =1

n
X

i yi f k (x i )

i =1

Posons :
bk =

n
X
i =1

i yi f k (x i ),

a k j = a jk =

n
X
i =1

i f k (x i ) f j (x i ) avec k = 1..n, j = 1..m

(2.3.6)

2.4 A.M.C. : Cas continu

On obtient :

13
m
X

c j ak j = bk,

k = 1..m

i= j

O`
u, sous forme matricielle A.c t = b suivant

a 11
a
21
.
..

a k1

..
.
a m1

a 12
a 22

a1 j
a2 j

..
.

..
.

..
.

..
.

a k2

ak j

..
.

..
.

..
.

..
.

a m2

am j

a 1m
c1
b1

a 2m
c2 b2
. .
..
. .
.
. .
. =
a km c j b j

.. .. ..
. . .
a mm
cm
bm

Les quantites a k j = a jk sont connues car i , yi , f j (x i ) le sont."

La matrice A est symetrique `
a diagonale positive car a kk =

n
X
i =1

(2.3.7)

#
i f k2 (x i ) > 0.

Donc, la matrice A est definie positive, cest `a dire que la deuxi`eme condition est
verifiee.

Conclusion
En resume, lapproximation aux moindres carres de n points ( x i , yi ) par un
mod`ele f ( x) =

m
X

c j f j ( x) se ram`ene `
a la resolution du syst`eme (2.3.7) lineaire

j =1

dordre m .
Remarque 3. Les types courants de mod`
eles utilis
es
Mod`ele polynomial :
f ( x) =

m
X

c j f j ( x)

o`
u

f j ( x) = x j1

j =1

= c 1 + c 2 x + + c m x m1

Mod`ele trigonometrique :
f j ( x) = c j + a j cos jx + b j sin jx

Mod`ele exponentiel :
f j ( x) = a j e b j x

2.4

Cas continu :
Approximation aux moindres carrs

Soit E un R-Hilbertien, M un sous espace vectoriel de E de dimension finie (complet, donc ferme). Soit f fixe (mais quelconque) dans E ,

Approximation aux Moindres Carrs

14
D
efinition 6

La meilleure approximation aux moindres carres de f dans M - appelee aussi

projection orthogonale de f sur M - est un element g M telle que :
o`
u

k f gk = mink f hk
h M

k f k2 =< f , f >

Rappel

On rappelle que :
X f E, ! g M telle que g est la meilleure approximation de f dans M .
X g est la meilleure approximation de f dans M < f g, h >= 0, h M .
Dans tout ce qui suit, on suppose que E = C ([a, b]) muni du produit scalaire :
b

Z
< f , g >=

f ( x) g( x) dx
a

Quon generalise a` :
b

Z
< f , g >=

( x) f ( x) g( x) dx

(2.4.1)

O`
u, la fonction poids : [a, b] R , ( x) > 0, x [a, b] a un nombre fini de
racines, en pratique, on prend souvent : 1.

2.4.1

Approximation par un modle polynmial :

Soit M lensemble des polynomes reels de degre inferieur ou egal `a n, cest `a dire
dim M = n + 1, et f C ([a, b]) = E , ( M est un convexe et ferme ).
Probl`
eme 3
On cherche P M telle que P realise la meilleure approximation aux moindres
carres de f dans M .
D
emonstration
P existe et il est unique, il v
erifie :
P >= 0, P M
< f P,

Posons,

P(x)
=

n
X

ai x i

P(x) =

i =0

n
X

ajxj

j =0

Or, P est quelconque et 1, x, x2 , . . . , x n est libre, on a alors :

< f (x)

n
X

ai x i , x j >= 0,

j = 0, 1, 2, .., n

i =0

Donc,
n
X
i =0

ai

b
a

i j

(x)x x dx =

b
a

(x) f (x)x j dx,

j = 0, 1, 2, .., n

(2.4.2)

2.4 A.M.C. : Cas continu

15

Un syst`eme lineaire de (n + 1) equations `a (n + 1) inconnues (a 0 , a 1 , . . . , a n ), la solution

existe et unique.

Exercice 1
Trouver le polynome de degre inferieur ou egal `a 2 qui realise la meilleure
approximation aux moindres carres de f ( x) = | x| sur [a, b] = [1, +1] avec 1.
Correction de lexercice 1

En posant P(x)
= a0 + a1 x1 + a2 x2 , on trouve dapr`
es le syst`eme precedent :

2a0
0a
2 0

3 a0

+0a1
+ 23 a1
+0a1

+ 23 a2
+0a2
+ 25 a2

=1
a0
a
= 0 =
1
a2
= 12

3
= 16
= 0
15
= 16

Donc,

3
3 15 2

+
x =
1 + 5x2
P(x)
=
16 16
16

Est le polyn
ome de degre 2 qui realise la meilleure approximation aux moindres carres
de f (x) = | x| sur [1, +1], voir figure.

Chapitre

Sommaire
3.1
3.2
3.3
3.4
3.5

Position du problme dinterpolation

Premier polynme dinterpolation de Newton
Deuxime polynme dinterpolation de Newton
Polynme dinterpolation de LAGRANGE
Estimation de lerreur

Interpolation
3.1

Position du problme dinterpolation

Soit sur [a, b] un syst`eme de (n+1) points donnes ( x i , yi ), i = 0, 1, .., n tel que :
a 6 x0 < x1 < < xn 6 b et yi des valeurs associees a
` x i . Les points donnes peuvent
etre des mesures dune experience ou des valeurs dune certaine fonction inconnue f
en ces points.
Probl`
eme 1
Le but du probl`eme de linterpolation consiste `a chercher une fonction F (fonction dinterpolation) qui appartient a` une certaine classe connue et qui passe
par les points M i ( x i , yi ) i=0..n donnes, cest a` dire :
F ( x i ) = yi ,

i = 0..n

Ce procede nous permet destimer la valeur y en un point x 6= x i , i = 0..n, o`

u

x [a, b]. Le probl`eme ainsi pose, peut avoir une infinite de solution ou pas de
solution. Toutefois, le probl`eme admet une seule et unique solution si lon cherche
non pas une fonction arbitraire mais un polyn
ome P n de degre inferieur ou egal a`
n et verifiant :
P ( x i ) = yi ,

i = 0..n

Une interpolation est dite stricte si x [ x0 , xn ], si x [ x0 , xn ] cest une extrapolation.

3.2

Premier polynme dinterpolation de Newton

Soit un syst`eme de (n + 1) points donnes ( x i , yi ), i = 0, .., n..
Probl`
eme 2
Notre but est de construire un polynome de degres inferieure ou egal a` n note
P n ( x) qui secrit sous la forme :
P n ( x) = a 0 + a 1 ( x x0 )+ a 2 ( x x0 )( x x1 )+ + a n ( x x0 )( x x1 ) . . . ( x xn1 ) (3.2.1)

17

Interpolation

18
Qui peut secrire sous la forme :
P n ( x) =

n
X

i xi

i =0

Proposition 1
Les polynomes

1, ( x x0 ), ( x x0 )( x x1 ), . . . , ( x x0 )( x x1 ) . . . ( x xn1 )

sont une base de Newton associee aux points x i , i = 0..n.

D
emonstration
Il existe (n + 1) vecteurs et ils sont lineairement independants.

Avant de determiner les coefficients a i , i = 0..n, introduisons la notion de difference

divisee.

3.2.1

Notion de diffrences divises

D
efinition 1
Soit un syst`eme de (n + 1) points donnes ( x i , yi ), i = 0, .., n et x i = x i+1 x i =
h i 6= 0, i = 0..n. On definit les differences divisees du premier ordre par
[ x i , x j ] =

y j yi
x j xi

= [ x j , x i ]

pour 0 6 i, j 6 n, i 6= j

(3.2.2)

Et, les differences divisees du deuxi`eme ordre par

2 [ x i , x j , xk ] =

[ x j , xk ] [ x i , x j ]
xk x i

pour 0 6 i, j, k 6 n, i 6= j 6= k

(3.2.3)

Par recurrence, on definit les differences divisees dordre superieur, a` lordre n

n [ x0 , x1 , . . . , xn ] =

n1 [ x1 , x2 , . . . , xn ] n1 [ x0 , x1 , . . . , x(n1) ]
x n x0

(3.2.4)

Remarque 1
Les differences divisees sont symetriques, et elles sont independantes des la position des points sur lesquels elles sont prises. Si est une permutation de
{0, 1, 2, . . . , k}, on a
k [ x0 , x1 , . . . , xk ] = k [ x(0) , x(1) , . . . , x(n) ]

3.2 Premier polynme dinterpolation de Newton

19

Exemple 1
Donner la table des differences divisees des points suivants :
xi
yi

1 0 1 2 3
1 0 1 2 3

Solution
Sachant que :
0 [x i ] =
k [x0 , . . . , xk ] =

yi

k1 [x1 , . . . , xk ] k1 [x0 , . . . , xk1 ]

,
x k x0

k = 1, 2, 3, 4

On etablit la table les differences divisees :

3.2.2

xi

yi

0
1
2
3
4

-1

0
1
2
3

0
1
2
3

-1
-1
3
1

0
2
-1

2/3
-1

- 5/12

Coefficients du polynme dinterpolation de Newton

Le polynome (3.2.1) defini precedemment doit verifier : P n ( x i ) = yi , i = 0, .., n.

Si x = x0 , on obtient P n ( x0 ) = a 0 = y0 = 0 [ x0 ]
y1 y0
Si x = x1 , on obtient P n ( x1 ) = y0 + a 1 ( x1 x0 ) = y1 a 1 =
= 1 [ x0 , x1 ]
x1 x0

Si x = x2 , on obtient

P2 ( x2 ) = 0 [ x0 ] + 1 [ x0 , x1 ]( x2 x0 ) + a 2 ( x2 x0 )( x2 x1 ) = y2 a 2 = 2 [ x0 , x1 , x2 ]

En utilisant le meme procede, on generalise `a lordre n, si x = xn on tire

a n = n [ x0 , x1 , . . . , xn ]

Par consequent, le polynome P n ( x) secrit

Premier PIN, aevc x i = x i+1 x i = h i variable

P n ( x) = 0 [ x0 ] + 1 [ x0 , x1 ]( x x0 ) + + n [ x0 , x1 , . . . , xn ]( x x0 ) . . . ( x xn1 )
n
nY
1
X
(3.2.5)
=
j [ x0 , x1 , . . . , x j ]
(x xi )
j =0

i =0

Exemple 2
Donner le polynome dinterpolation de Newton P4 de lexemple 1 precedent.

Interpolation

20
Solution
De la table des differences divisees, on tire les coefficients du polynome

a0

= 0 [x0 ] = 1

a1

= 1 [x0 , x1 ] = 1

a2

= 2 [x0 , x1 , x2 ] = 0

a3

= 3 [x0 , x1 , x2 , x3 ] =

a4

= 4 [x0 , x1 , x2 , x3 , x4 ] =

2
3
5
12

Do`
u, le polyn
ome dinterpolation de Newton secrit :
P4 (x) =

4
X

k [x0 , , xk ]

3
Y

(x x i )

i =0

k=0

2
5
= 1 (x + 1) + (x + 1) x (x 1)
(x + 1) x (x 1) (x 2)
3
12

1
x 5x3 18x2 5x + 30
=
12

3.2.3

Notions de diffrences finies

D
efinition 2
Dans le cas o`
u les points donnes x i , i = 0, .., n sont equidistants, cest a` dire que
x i = x i+1 x i = h 6= 0, i = 0, .., n, on definit les differences finies comme suit
[ x1 , x0 ] =

y1 y0 y1 y0
=
x1 x0
h

y2 y1 y1 y0

y2 2 y1 + y0
h
h
2 [ x2 , x1 , x0 ] =
=
2! h
2! h2

(3.2.6)

(3.2.7)

Par recurrence, on definit les differences divisees dordre superieur, a` lordre n

n [ x0 , x1 , . . . , xn ] =

n
1 X
(1)k C nk f ( x0 + ( n k) h)
n! h n k=0

(3.2.8)

Dans le cas des differences finies, le polynome dinterpolation secrit

Premier PIN, avec x i = x i+1 x i = h constant

P n ( x) = y0 +

n
nY
1
y1 y0
1 X
k k
( x x0 ) + +
(

1)
C
f
(
x
+
(
n

k
)
h
)
(x xi )
0
n
h
n! h n k=0
i =0

(3.2.9)

La premi`ere formule dinterpolation de Newton est pratiquement incommode

pour linterpolation de la fonction dans la partie finale du tableau. Pour faire intervenir ces points, on recourt a` la deuxi`eme formule dinterpolation de Newton.

3.3 Deuxime polynme dinterpolation de Newton

3.3

21

Deuxime polynme dinterpolation de Newton

Soit un syst`eme de (n + 1) points ( x i , yi ), i = 0, .., n. Notre but est de construire

un polynome de degres inferieure ou egal a` n qui secrit sous la forme :

Deuxi`
eme PIN, avec x i = x i+1 x i = h i variable
P n ( x) = a 0 + a 1 ( x xn ) + a 2 ( x xn )( x xn1 ) + + a n ( x xn )( x xn1 ) . . . ( x x1 )

(3.3.1)
Dans le cas des differences finies x i = x i+1 x i = h 6= 0, i = 0, .., n, P n ( x) secrit

Deuxi`
eme PIN, avec x i = x i+1 x i = h constant
P n ( x) = yn +

n
yn1
2 yn2
n y0 Y
( x xn ) +
(
x

x
)(
x

x
)
+

+
(x xi )
n
n

1
h
n! h n i=1
2! h2

(3.3.2)

Remarque 2. Inconv
enients de linterpolation de Newton
1. On remarque que les points ( x i , yi ), i = 0, .., n situes dans la partie finale ( i =
n, i = n 1, . . . ) ninterviennent que rarement dans le calcul des coefficients
du premier polynome dinterpolation de Newton. Dans le cas du deuxi`eme
polynome dinterpolation de Newton cest les points du debut qui seront
les moins touches par loperation dinterpolation.
2. Le calcul des differences divisees peut etre ardu (difficile) si le nombre de
points est relativement grand (en fait, meme pour n = 6, 7, 8, 9, . . . ).
Pour surmonter ces difficultes, on utilise le polynome dinterpolation de Lagrange.

3.4

Polynme dinterpolation de LAGRANGE

Soit un syst`eme de (n + 1) points ( x i , yi ), i = 0..n.
Probl`
eme 3
Notre but est de construire un polynome de degres inferieur ou egal a` n note
L n ( x) tel que : L n ( x i ) = yi , i = 0, .., n.
D
emonstration
Cherchons dabord un polyn
ome de d 6 n, note L i (x) tel que pour i fixe sur [0, n]
L i (x j ) = i, j =

1
0

i= j
( i, j symbole de Kronecker)
i 6= j

Le polyn
ome L i (x) sannule en x0 , x1 , , x i1 , x i+1 , , xn , donc il secrit sous la forme :
L i (x) = C i (x x0 )(x x1 )(x x2 ) (x x i1 )(x x i+1 ) (x xn )

Interpolation

22
Do`
u

L i (x j ) = 0 si i 6= j
L i (x i ) = 1 = C i (x i x0 )(x i x1 ) (x i x i1 )(x i x i+1 ) (x i xn )

On deduit la valeur de C i :
Ci =

1
(x i x0 )(x i x1 ) (x i x i1 )(x i x i+1 ) (x i xn )

Et, on tire :

L i (x) =

(x x0 )(x x1 ) (x x i1 )(x x i+1 ) (x xn )

(x i x0 )(x i x1 ) (x i x i1 )(x i x i+1 ) (x i xn )

(3.4.1)

Et, si lon pose :

L n (x) =

n
X

L i (x).yi

L n (x j ) =

n
X

L i (x j ).yi = y j

(3.4.2)

i =0

i =0

L n est un polyn
ome de d 6 n recherche et qui passe par les points (x i , yi ) i=0,..,n .

D
efinition 3
Le polynome dinterpolation de LAGRANGE (P.I.L.) qui passe par les points
( x i , yi ) i=0,..,n , secrit sous la forme

L n ( x) =

n
X

yi

i =0

n
Q

(x x j )
j =0, j 6= i

n
Q

(xi x j )

j =0, j 6= i

Lemme 1
Le polynome dinterpolation de Lagrange est unique.
D
emonstration
Supposons quon a deux polynomes de Lagrange L n et L0n telle que :
L n (x i ) = L0n (x i ) = yi ,

i = 0, .., n

Ces deux polyn

omes de d 6 n passent par les memes points (x i , yi ), i = 0, .., n.
Posons Q n (x) = L n (x) L0n (x). Le polynome Q n est un polynome de d 6 n et qui
sannule en (n + 1) points distincts x i , i = 0, .., n.
Alors Q n ne peut etre quun polynome nul.

3.5 Estimation de lerreur

23

Lemme 2
Le polynome dinterpolation de Lagrange et le polynome dinterpolation de
Newton sont deux formes differentes dun meme polynome.

D
emonstration
Il suffit de prendre le polyn
ome L0n du lemme precedent comme etant le polynome
dinterpolation de Newton.

3
Exemple 3
On a
P ( x) = x2 2 x + 3 = 6 + 4( x 3) + ( x 3)2 = ( x 1)2 + 2

trois formes differentes dun meme polynome.

Exemple 4
Soit la fonction f ( x) = ln x dont on connait (on suppose) les valeurs quen trois
points :
i
xi
yi

0
1
0

1
4
1,386

2
6
1,791

1. Ecrire
le polynome dinterpolation de Lagrange pour le syst`eme de points.
2. Estimer levaluation numerique de L 2 (2) et lerreur relative associee sachant que ln 2 = 0.69315 - valeur supposee exacte -

3.5
3.5.1

Estimation de lerreur
Erreur dinterpolation de LAGRANGE ( cas ou f est connue)

Supposons que pour i = 0, .., n les points ( x i , yi ) soient associes `a une fonction f
telle que yi = f ( x i ). Partant des points ( x i , yi ), i = 0, .., n, on peut faire varier f entre
ces points sans changer de polynome dinterpolation.
Par consequent, lerreur dinterpolation ( x) = f ( x) L n ( x) en un point x [a, b], ou
a 6 x0 < x1 < x2 < < xn 6 b na pas de sens puisque ne dependant pas seulement
de x mais aussi de f 00 .
Pour estimer ( x), nous devons mieux connaitre f . Dans ce contexte, on a :

Interpolation

24
Th
eor`
eme 1

Si la fonction f est (n + 1) fois continument differentiable sur [a, b], cest a` dire
f C n+1 [a, b]. Alors x [a, b], = x [a, b] telle que
( x) =

1
L( x) f (n+1) ( x )
( n + 1)!

O`
u
L( x) = ( x x0 )( x x1 ) ( x xn ) =

n
Y

(x xi )

i =0

D
emonstration
cas 1 : Sil existe i [0, n] telle que x = x i (x) = L(x) = 0
cas 2 : Si x 6= x i , i [0, n] considerons
F(t) = f (t) L n (t)

f (x) L n (x)
L(t)
L(x)

O`
u L n est le PIL de dr 6 n, t [a, b] et x fixe et x 6= x i , i comme f est (n + 1)
fois continument differentiable sur [a, b] et L est un polynome d (n + 1) donc F
est (n + 1) fois continument differentiable sur [a, b].
De plus, F(x i ) = 0, i [0, n] et F(x) = 0 = F a au moins (n + 2) racines distinctes
dans [a, b] (les (n + 1) points plus le point x) alors dapr`es le theor`eme de Rolle,
F 0 a au moins (n + 1) racines dans [a, b], F" a au moins n racines dans [a, b],
F (k) a au moins (n k + 2) racines dans [a, b], (0 6 k 6 n + 1).
Pour k = n + 1, F (n+1) a au moins une racine dans [a, b], notons par x cette
racine, on a :
F (n+1) (t) = f (n+1) (t) 0

f (x) L n (x)
.(n + 1)!
L(x)

car L n (t) est un PIL de d 6 n donc de derivee (n + 1) fois nulle.

Et, pour t = x , on a F (n+1) ( x ) = 0, do`
u:
F (n+1) ( x ) =

f (x) L n (x)
.(n + 1)!
L(x)

Or : f (x) L n (x) = (x), alors

(x) =

1
L(x). f (n+1) ( x )
(n + 1)!

qui est legalite cherchee.

3.5.2

Erreur dinterpolation de NEWTON

De meme, que le theor`eme precedent

3.5 Estimation de lerreur

25

Th
eor`
eme 2
Si f C n+1 [a, b]. Alors x [a, b], = x [a, b] telle que
( x) =

f ( x) P n ( x)

= n+1 ( x, x0 , x1 , , xn )

n
Q

(x xi )

i =0

On tire :
( x) =

f (n+1) ( x )
(n+1)! .L( x)

O`
u P n est le Polynome dInterpolation de Newton d 6 n et L( x) =

n
Q

( x x i ).

i =0

` faire comme exercice !

D
emonstration: A
Considerer
F(t) = f (t) P n (t) L(t).n+1 (x, x0 , x1 , , xn )

Cons
equence :
On a :
|( x)| =

1
.|L( x)|| f (n+1) ( x )|
( n + 1)!

Si on pose M n+1 = Max | f (n+1) ( t)|, alors

t[a,b]

|( x)| 6 (n+n+1)!1 .|L( x)|

Remarque 3. Remarques importantes

1. Dans la pratique, f est rarement connue et quand elle lest, son appartenance a` C n+1 [a, b] nest pas toujours realisee et a` fortiori, si le nombre
( n + 1) de points ( x i , yi ) i[0,n] est grand.
2. Pour x donne, x est souvent difficile a` trouver.
3. Dans les conditions ideales f C n+1 ([a, b]) et x est connu. Minimiser
|( x)| revient a
` faire de meme pour |L( x)|; et comme L( x) =

n
Q

i =0

( x x i ), on a

interet `a considerer des abscisses x i ( i [0, n]) proches de x ( donc repartis

de preference de part et dautre de x).
4. Pour toutes ces raisons, lerreur |( x)| est difficile `a evaluer en pratique.
La borne donnee, ci-dessus, reste donc purement theorique. Dans le cas
general.

Chapitre

Sommaire
4.1 Les Principes Gnraux
4.2 Les mthodes de Newton-Ctes
4.3 Mthode de Gauss

Intgration Numrique
[...] jaime les mathematiques pour elles-memes comme nadmettant pas lhypocrisie et le
vague, mes deux betes daversion.
Stendhal
..

Dans ce chapitre nous etudierons les methodes numeriques dintegration.

Il est parfois difficile, voire impossible de calculer la valeur dune integrale, par
exemple, dans le cas o`
u on ne connat pas de primitive explicite.
Le but de cette lecon est dessayer de trouver une valeur approchee de cette integrale.
Pour se faire on va considerer plusieurs methodes et evaluer `a chaque fois lerreur
commise.
Ces methodes se repartissent en deux grandes categories : Les methodes composees
(o`
u de Newton-Cotes)dans lesquelles la fonction f est remplacee par un polynome
dinterpolation.
Les methodes de Gauss fondees sur les polynomes orthogonaux pour lesquelles les
points de la subdivision sont imposes.
On supposera connu les notions sur les integrales ainsi que la formule de TaylorLagrange.
27

Intgration Numrique

28

4.1

Les Principes Gnraux

Soit f une fonction continue sur un intervalle [a, b] de R. On se propose devaluer

lintegrale

Rb

f ( x) dx en subdivisant lintervalle dintegration

a = x0 < x1 < ...... < xn = b

Alors, on a :
Rb

f ( x) dx =

nP
1 xRi+1

f ( x) dx

i =0 x i

Sur chaque intervalle partiel [ x i , x i+1 ], on applique une methode dintegration

consistant a` remplacer f ( x) par le polynome dinterpolation.
lintegrale dune fonction continue sur un intervalle borne [a, b] est remplacee par une
somme finie. Le choix de la subdivision de lintervalle dintegration et des coefficients
qui interviennent dans la somme approchant lintegrale sont des crit`eres essentiels
pour minimiser lerreur.

4.2

Les mthodes de Newton-Ctes

4.2.1

Mthode des rectangles gauche et droite

Principe
On remplace f par une fonction
en escalier, cest `a dire, par une
constante sur chaque intervalle partiel [ x i , x i+1 ] de la subdivision de
[a, b], elle prend la valeur f ( i ) =
f ( x i ) ou f ( i ) = f ( x i+1 ) que lon applique la methode des rectangles `a
gauche ou a` droite.
Cela revient `a interpoler la fonction
f sur le segment [ x i , x i+1 ] par le polynome de Lagrange de degre 0.

Proposition 1
La valeur approchee de lintegrale par la methode des rectangles sur [ x i , x i+1 ]
xZi+1
xi

f ( x) dx ' h i f ( i ),

i [ x i , x i+1 ] ,

h i = x i+1 x i

(4.2.1)

4.2 Les mthodes de Newton-Ctes

29

Et sur [a, b],

Zb

nX
1

f ( x) dx =

h i f ( i )

(4.2.2)

i =0

D
emonstration
Pour la methode des rectangles `
a gauche, il suffit decrire que laire du rectangle sur
[x i , x i+1 ] est (x i+1 x i ) f (x i ) avec x i+1 x i = h i et de sommer les aires des rectangles ...
De meme pour rectangle `
a droite !

On reconnat la somme de Riemann, si f est Riemann integrable, on sait quelle

converge vers

Rb
a

4.2.2

f ( x) dx quand le pas de la subdivision h = max h i tend vers 0.

06 i 6 n1

valuation de lerreur

Th
eor`
eme 1. Rectangles `
a gauche ou `
a droite
si f est de classe C 1 sur [a, b], alors n N , on a
x

Zi+1

h2i

f
(
x
)
dx

x
f
(
x
)
6
M
ou
M
=
max
f ( x )
(
)
i +1
i
i
1
1

a
6
x
6
b
2

(4.2.3)

xi

ba
constant :
n

Pour la formule composee avec pas h =

Z
0
nX
1
( b a )2

6
f ( x) dx h
f
(
x
)
M
,
ou
M
=
max
f ( x )
i
1
1

a6 x6 b
2n

i =0

(4.2.4)

D
emonstration . Pour la m
ethode des rectangles `
a gauche
b

nX
1

f (x)dx
f (x i ) (x i+1 x i )

i =0

n1 Zxi+1

nX
1
X

f (x)dx
f (x i ) (x i+1 x i )

i=0

i =0
xi

n1 Zxi+1
n1 Zxi+1
X
X

| f (x) f (x i )| dx
( f (x) f (x i )) dx 6

i=0
i=0
xi

6
6

xi

x i+1
nX
1 Z
| x x i | M1 dx dapr`
es le teeor`eme des accroissements finis
i =0 x
i
x i+1
Z
nX
1

nX
1

i =0 x
i

i =0

(x x i ) M1 dx 6

nX
1
i =0

(x x i )2
2

h2
h2
(b a)2
M1 6 n M1 =
M1
2
2
2n

De meme, pour la methode des rectangles `a droite !

xi+1

M1
xi

Intgration Numrique

30

4.2.3

Mthode des rectangles du point milieu

Principe
De meme que precedemment, `a la
difference pr`es quau lieu de prendre
la valeur de f a` lextremite gauche
ou droite du segment [ x i , x i+1 ], on
prend la valeur de f au milieu
du segment,
cest `a dire, f ( i ) =
x i + x i+1
,
f

Proposition 2
La valeur approchee de lintegrale par la methode des rectangles du point milieu
sur [ x i , x i+1 ] , 0 6 i 6 n 1
xZi+1

f ( x) dx ' h i f
xi

x +x
i
i +1
,
2

h i = x i+1 x i

(4.2.5)

Et sur le segment [a, b],

Zb
a

nX
1

x +x
i
i +1
f ( x) dx =
hi f
2
i =0

(4.2.6)

D
emonstration
Meme principe que precedemment, il suffit de calculer laire des rectangles ...

4.2.4

valuation de lerreur

Th
eor`
eme 2. Rectangles du point milieu
Dans ce cas, on obtient une methode dordre 1 exacte pour toute fonction
lineaire bien quon interpole par une constante, si f est de classe C 2 sur [a, b],
alors n N , on a la formule composee avec le pas h =

ba
constant :
n

00
nX
1

f ( x) dx h
6 M2 ( b a) h2 ou M2 = max f ( x)
f
(
x
)
i
+
1/2

a6 x6 b
24

i =0
a

(4.2.7)

4.2 Les mthodes de Newton-Ctes

31

D
emonstration
Rb

nP
1
f (x)dx valeur exacte de lint
egrale et I n =
f ( i ) (x i+1 x i ) sa valeur
a
i =0

x i + x i+1
approchee. Pour i =
= x i+1/2 et M2 = max f 00 (x), on remarque que :
a6 x6 b
2

On pose I =

Zxi+1
Zxi+1
ba
ba
0
f ( i ) =
(x i ) f 0 ( i )dx si x i+1 + x i =
(x i ) f ( i )dx = 0 et
n
n
xi

xi

Donc, on a :

n1 Zxi+1

n1 Zxi+1
X

ba
ba

f ( i ) 6
f ( i )
|e n| = |I I n| =
f (x)dx
f (x)dx

n
n
i=0

i=0
xi
xi
x

i +1

nX
1 Z

0

6
f (x) f ( i ) (x i ) f ( i ) dx

i =0
xi

x i+1
nX
1 Z

f (x) f ( i ) (x i ) f 0 ( i ) dx

i =0 x
i

M2
es linegalite de Taylor Lagrange
(x i )2 dapr`
2
x i+1

1 Z
1
M2 nX
M2 nX
(x i+1 i )3 (x i i )3

(x i )2 dx =
2 i=0
2 i=0
3
3

f (x) f ( i ) (x i ) f 0 ( i ) 6

|I I n| 6

xi

M2
6

( h)3
nh3

=
M2
8
8
24

nX
1 h3
i =0

ba
, alors
n
b

nX
1

(b a)3

| I I n | = f (x)dx
f ( i ) (x i+1 x i ) 6
M2
24n2

i =0

Sachant que h =

Remarque: Dans le cas dune subdivision r

eguli`
ere h = x i+1 x i =
Suivant les choix de i , on a :
Rectangles a` gauche : i = x i
Rb
a

f ( x) dx '

1
ba nP

f (xi )

i =0

Rectangles a` droite : i = x i+1

Rb
a

f ( x) dx '

Rectangles du point milieu : i =

1
ba nP

i =0

f ( x i+1 )

x i + x i+1
= x i+1/2
2

ba
n

Intgration Numrique

32
Rb
a

4.2.5

f ( x) dx '

1
ba nP
x i + x i+1
f
n
2

i =0

Mthode des trapzes

Principe
On remplace f par son interpole lineaire sur chaque segment [ x i , x i+1 ]
de la subdivision, cest a` dire, par le
segment de droite qui relie ( x i , f ( x i ))
a` ( x i+1 , f ( x i+1 )), qui represente le polynome de Lagrange de degre 1.

Proposition 3
La valeur approchee de lintegrale par la methode des trap`ezes sur chaque intervalle partiel [ x i , x i+1 ] , 0 6 i 6 n 1 est de
xZi+1
xi

1
f ( x) dx ' h i ( f ( x i ) + f ( x i+1 )) , h i = x i+1 x i
2

(4.2.8)

Et sur lintervalle [a, b], elle est de

Zb

Tn =

f ( x) dx '

nX
2
i =0

h i + h i+1
1
f ( x i+1 ) + ( h 0 f ( x0 ) + h n1 f ( xn ))
2
2

Et dans le cas dune subdivision reguli`ere h i = h =

Zb

Tn =

"

f ( x) dx ' h
a

nX
2
i =0

ba
,
n

(4.2.9)

0 6 i 6 n 1

#
1
f ( x i+1 ) + ( f ( x0 ) + f ( xn ))
2

(4.2.10)

D
emonstration
grande base + petite base
Rappel : laire dun trap`eze = hauteur .
2
Il suffit donc de calculer laire des trap`ezes sur chaque segment [x i , x i+1 ], qui est de
(x i+1 x i ).

4.2.6

( f (x i ) + f (x i+1 ))
puis de faire la somme pour les 0 6 i 6 n 1.
2

valuation de lerreur

4.2 Les mthodes de Newton-Ctes

33

Th
eor`
eme 3. M
ethode des trap`
ezes
Si f est de classe C 2 sur [a, b], alors n N , lerreur pour h =

ba
constant
n

( b a)3

| e n | = f ( x) dx T n 6
M2 ou M2 = max f 00 ( x)
2
a6 x6 b
12 n

(4.2.11)

D
emonstration

4
4.2.7

Mthode de Simpson

Principe
On interpole f aux points x i , x i+1 et i = xi +2xi+1 par un polynome du second degre
definissant un arc de parabole passant par les points dordonnees f ( x i ), f ( x i+1 ) et
f ( i ), cette methode consiste donc `
a remplacer f par le polynome dinterpolation
de Lagrange de degre 2 sur chaque segment [ x i , x i+1 ] ayant les memes valeurs
que f aux bornes de lintervalle et en son milieu.

Proposition 4
La valeur approchee de lintegrale par la methode de Simpson sur chaque intervalle partiel [ x i , x i+1 ] , 0 6 i 6 n 1 est pour h i = x i+1 x i de
xZi+1
xi

1
f ( x) dx ' h i ( f ( x i ) + 4 f ( x i+1/2 ) + f ( x i+1 ))
6

(4.2.12)

Et sur lintervalle [a, b], elle est de

Zb

Sn =

f ( x) dx '
a

nX
2 1
i =0

x i + x i+1
) + f ( x i+1 )
( x i+1 x i ) f ( x i ) + 4 f (
6
2

(4.2.13)

Intgration Numrique

34

Dans le cas dune subdivision reguli`ere, le pas h est constant,

Zb

Sn =
a

"
#
nX
2
nX
2
h
f ( x) dx '
f ( x0 ) + f ( xn ) + 2
f ( x i+1 ) + 4
f ( x i+1/2 )
6
i =0
i =0

(4.2.14)

Et, dans le cas dune subdivision reduite `a sa plus simple expression x0 = a,

x1 = a+2 b et x2 = b la formule precedente devient :
Zb

S=
a

4
4.2.8

1
a+b
f ( x) dx ' ( b a) f (a) + f ( b) + 4 f (
)
6
2

(4.2.15)

valuation de lerreur dintgration

Th
eor`
eme 4. M
ethode de Simpson
si f est de classe C 4 sur [a, b], alors n N , pour h pas constant, on a
b

M4
(IV )

ou
M
=
max
f
(
x
)
|E n | = f ( x) dx S n 6 ( b a)5

(4.2.16)
4
a6 x6 b
2880 n4

La methode est exacte pour tout polynome de degre inferieur ou egal `a 3.

D
emonstration

4.3

Mthode de Gauss
Principe
Les methodes dintegration numerique de Gauss utilisent une subdivision particuli`ere de lintervalle [a, b], les points x j sont les racines dune famille de polynomes orthogonaux qui ne sont pas reguli`erement espaces, contrairement aux
methodes composees. La fonction a` integrer est approximee par une interpolation de Lagrange sur les points x j .
Soit donc $ une fonction poids definie sur lintervalle ]a, b[, cest-`a-dire une fonction continue et strictement positive. On sinteresse aux methodes dintegration
approchee du type :
Zb
a

f ( x)$( x) dx '

n
X

j f ( x j ) dx,

j =0

Avec :
j =

Zb
a

L j ( x)$( x) dx

x j ]a, b[

(4.3.1)

Chapitre

Sommaire
5.1
5.2
5.3
5.4

Les mthodes directes :

Algorithme dlimination de Gauss
Programme dlimination de Gauss, sans pivot
Mthode de Gauss-Jordan :

Systmes Linaires
En analyse numerique, la resolution des syst`emes lineaires se fait par deux methodes : Les methodes directes et les methodes iteratives.
Soit un syst`eme de n equations `a n inconnues

a 11 x1 + a 12 x2 + a 13 x3 + + a 1n xn

a 21 x1 + a 22 x2 + a 23 x3 + + a 2n xn

a n1 x1 + a n2 x2 + a n3 x3 + + a nn xn

=
=
=
=

b1
b2

bn

(5.0.1)

Ecriture
matricielle du syst`
eme :
A.x = b

(5.0.2)

Avec :

a 11 a 12

a
21 a 21
A=

a n1 a n2

5.1
5.1.1

a 1n
x1
b1

a 2n
x
2
b2
; x = ; b =



a nn
xn
bn

Les mthodes directes :

La formule de Cramer

Si la matrice A est reguli`ere i.e det A 6= 0 ; le syst`eme (5.0.1) admet une solution
unique.
A.x = b x = A 1 .b
(5.1.1)

5.1.2

Mthode de Gauss :

La methode de Gauss consiste a` transformer la matrice A de lequation (5.0.1)

en une matrice triangulaire superieure, si elle ne lest pas, en effectuant une suite
doperations elementaires donnant de nouveaux syst`emes lineaires ayant la meme
solution que le syst`eme (5.0.1) de depart.
35

Systmes Linaires

36

5.1.3

Description de la mthode :

Soit A une matrice de dimension n n, b Rn .

On pose A (1) = A , on definit par recurrence A (k+1) a` partir de A (k) en effectuant les
combinaisons de lignes, si a(k)
6= 0 :
kk
li li

a(k)
ik
a(k)
kk

lk

(5.1.2)

Pour i > k, on obtient ainsi des 0 au dessous de la diagonale dans la colonne k, `a

letape n on a un syst`eme triangulaire quon resout par remontee :

xn =
bn

a nn

1
P
ai j x j + bi
xi =
a ii
j> i

1
P

a1 j x j + b1
x1 =
a 11
j >1

5.1.4

Le nombre dopration

La methode de Gauss necessite n(n1) (2 n +

n( n1) (2 n + 5) /6
5) /6 multiplications,

additions et n(n + 1)/2 divisions soit au total 4 n3 + 9n2 7 n /6 operations.

En utilisant la methode de Cramer (n + 1) (n 1) n! multiplications, (n + 1) (n! 1)
additions et n divisions.

5.2

Algorithme dlimination de Gauss

Entr
ees :
La matrice A = a i j 16 i, j6n et le second membre b = (b i )16 i6n du syst`eme initial.
Sorties :
La nouvelle matrice triangulaire superieure et du nouveau second membre.
Triangularisation :
Algorithme

pour i = 1 a` n
1
p=
a ii

pour j = i + 1 a` n

ai j = p ai j
b
i = p b i
pour k = i + 1 a` n

`n
pour j = i + 1 a

a k j = a k j a ki a i j
b k = b k a ki b i

5.3 Programme dlimination de Gauss, sans pivot

37

1
a nn
bn = p bn

p=

5.2.1

Rsolution du systme triangulaire suprieur

On stocke la solution x du syst`eme dans la vecteur b pour economiser de lespace

dans la memoire de lordinateur

pour i = n 1 a` 1

bi = bi

n
P

j = i +1

ai j bi

le facteur de conditionnement dun syst`eme lineaire Ax = b est

=

|det A |

1/2
n
n
Q
P
2
ai j

j =1 i =1

est compris entre 0 et 1, le syst`

eme est dit bien conditionne si est voisin de
1 (0, 1 6 6 1), mal conditionne si 1

5.3

Programme dlimination de Gauss, sans pivot

Programme 1. M
ethode de Gauss sans pivot
function x = gauss(A,b) % Fonction de Gauss sans pivot
% description de la m
ethode
[m,n] = size(A);
if m~=n, error(La Matrice A doit e
^tre carr
e); end
nb = n+1; % la taille de A augment
ee de b
Aug=[A b]; % matrice augment
ee A du vecteur b
%
Elimination de Gauss
for k = 1:n-1
for i = k+1:n
p = Aug(i,k)/Aug(k,k);
Aug(i,k:nb) = Aug(i,k:nb)-p*Aug(k,k:nb);
end
end
% M
ethode de remont
ee
x = zeros(n,1);
x(n) = Aug(n,nb)/Aug(n,n);
for i = n-1:-1:1
x(i) = (Aug(i,nb)-Aug(i,i+1:n)*x(i+1:n))/Aug(i,i);
end
end

Systmes Linaires

38

5.3.1

limination de Gauss avec changement de pivot :

(Stratgie de pivot)

Comme nous venons de le voir, la methode de Gauss ne peut etre execute que si
les pivots successifs sont non nuls a(k)
6= 0, cest a
` dire que toutes les sous matrices
kk
principales de A sont reguli`eres.
Si le pivot est tr`es petit, lalgorithme conduit a` des erreurs darrondi importantes.
Cest pourquoi des algorithmes qui echangent les elements de facon `a avoir le pivot
le plus grand possible ont ete developpes.
La methode du pivot partiel consiste a` intervertir les lignes a` chaque etape de facon
a` mettre comme pivot (le coefficient diagonal) le terme de coefficient le plus eleve
de la ligne en valeur absolue.

(k)
a(k)
=
max
a

ik
pk
p= k,..,n

(5.3.1)

La methode du pivot total consiste `a intervertir les lignes et les colonnes `a chaque
etape de facon `a mettre comme pivot (le coefficient diagonal) le terme de coefficient
le plus eleve de la matrice en valeur absolue.

(k)
a(k)
=
max
a

pq
ij
p,q= k,..,n

(5.3.2)

Le nombre doperation est de lordre de n2 pour le pivot partiel et de n3 pour

lordre total. Ce dernier est rarement utilise.

5.3.2

Programme dlimination de Gauss avec choix du plus

grand pivot :

Entr
ees : La matrice A et le second membre b du syst`eme lineaire original.
Sorties : La solution contenue dans le vecteur x.
Programme 2. M
ethode de Gauss avec pivot
function x = GaussPivot(A,b)
% x = GaussPivot(A,b): Gauss elimination with pivoting.
% input:
% A = coefficient matrix et b = right hand side vector
% output: x = solution vector
[m,n]=size(A);
if m~=n, error(Matrix A must be square); end
nb=n+1;
Aug=[A b];
% forward elimination
for k = 1:n-1
% partial pivoting
[big,i]=max(abs(Aug(k:n,k)));
ipr=i+k-1;
if ipr~=k
Aug([k,ipr],:)=Aug([ipr,k],:);
end

5.4 Mthode de Gauss-Jordan :

39

for i = k+1:n
factor=Aug(i,k)/Aug(k,k);
Aug(i,k:nb)=Aug(i,k:nb)-factor*Aug(k,k:nb);
end
end
% back substitution
x=zeros(n,1);
x(n)=Aug(n,nb)/Aug(n,n);
for i = n-1:-1:1
x(i)=(Aug(i,nb)-Aug(i,i+1:n)*x(i+1:n))/Aug(i,i);
end

5.3.3

Rsolution du systme triangulaire suprieur

On stocke la solution x du syst`eme dans la vecteur b pour economiser de lespace

dans la memoire de lordinateur.

5.4

pour i = n 1 a` 1

bi = bi

n
P

j = i +1

ai j bi

Mthode de Gauss-Jordan :

De meme, La methode de Gaus-Jordan consiste a` transformer la matrice A de

lequation (0.2) en une matrice identite, en effectuant une suite doperations elementaires.
Exemple 1

2 8 4 x1
1
2 10 6 x2 = 1
1 8 2 x3
1

On obtient, apr`es calcul, le syst`eme suivant :

1 0 0 x1
1/4
0 1 0 x2 = 1/8
0 0 1 x3
1/8

5.4.1

Cucul de la matrice inverse :

Le meme algorithme est utilise pour calculer linverse dune matrice. On ecrit A
sous la forme AI et on applique a` lidentite I toutes les operations elementaires que
subit A, i.e : AI I A 1
Meme exemple que precedemment :

2 8 4 1 0 0
AI = 2 10 6 0 1 0
1 8 2 0 0 1

Systmes Linaires

40
apr`es une suite doperation, on trouve :

1 0 0
7/4
3 1/2
1
1/4
I A 1 = 0 1 0 1/8
0 0 1 3/8 1/2 1/4

Do`
u

7/4
3 1/2
1
1/4
A 1 = 1/8
3/8 1/2 1/4

Le nombre doperation : La methode de Gauss-Jordan necessite n(n2 1)/2 multiplications, n(n2 1)/2 additions et n(n + 1)/2 divisions.

5.4.2

Description de la mthode :

Soit A une matrice de dimension nxn, b Rn .

5.4.3

Systmes mal conditionns :

Soit le syst`eme :

4.218613 x1 + 6.327917 x2 = 10.546530

3.141592 x1 + 4.712390 x2 = 7.853982

(5.4.1)

Syst`eme regulier, de solution : x1 = x2 = 1

Soit un autre syst`eme

4.218611 x1 + 6.327917 x2 = 10.546530

3.141594 x1 + 4.712390 x2 = 7.853980

(5.4.2)

Syst`eme regulier, de solution : x1 = 5, x2 = +5

5.4.4

Conclusion :

Bien que les syst`emes (3.1) et (3.2) sont proches leurs solution sont tr`es differentes.
On dit que les syst`emes sont mal conditionnes.

Table des matires

1 Notion derreur
1.1 Introduction . . . . . . . .
1.2 Definitions . . . . . . . . .
1.3 Chiffres significatifs . . .
1.4 Notion de chiffres exactes

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

3
3
4
4
5

2 Approximation aux Moindres Carr

es
2.1 Position du probl`eme dapproximation . . . . . . . . . . . .
2.2 Minimum dune fonction reelle a` plusieurs variables . . . .
2.3 Approximation dans le cas discret . . . . . . . . . . . . . . .

2.3.1 Etude
dun mod`ele simple : lineaire `a 2 param`etres

2.3.2 Etude dun mod`ele lineaire (Cas general) . . . . . .

2.4 A.M.C. : Cas continu . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Approximation par un mod`ele polynomial : . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

7
7
8
9
9
11
13
14

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

3 Interpolation
17
3.1 Position du probl`eme dinterpolation . . . . . . . . . . . . . . . . . . . 17
3.2 Premier polynome dinterpolation de Newton . . . . . . . . . . . . . . 17
3.2.1 Notion de differences divisees . . . . . . . . . . . . . . . . . . . 18
3.2.2 Coefficients du polynome dinterpolation de Newton . . . . . 19
3.2.3 Notions de differences finies . . . . . . . . . . . . . . . . . . . . 20
3.3 Deuxi`eme polynome dinterpolation de Newton . . . . . . . . . . . . . 21
3.4 Polynome dinterpolation de LAGRANGE . . . . . . . . . . . . . . . 21
3.5 Estimation de lerreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.1 Erreur dinterpolation de LAGRANGE ( cas ou f est connue) 23
3.5.2 Erreur dinterpolation de NEWTON . . . . . . . . . . . . . . . 24
4 Int
egration Num
erique
4.1 Les Principes Generaux . . . . .
4.2 Les methodes de Newton-Cotes
4.2.1 Methode des rectangles `a

4.2.2 Evaluation
de lerreur . .

. . . . . . . . . . . .
. . . . . . . . . . . .
gauche et `a droite
. . . . . . . . . . . .

41

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

27
28
28
28
29

42

Table des mati`

eres

4.3

4.2.3 Methode des rectangles du point milieu

4.2.4 Evaluation
de lerreur . . . . . . . . . . .
4.2.5 Methode des trap`ezes . . . . . . . . . . .

4.2.6 Evaluation
de lerreur . . . . . . . . . . .
4.2.7 Methode de Simpson . . . . . . . . . . .

4.2.8 Evaluation
de lerreur dintegration . . .
Methode de Gauss . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

5 Syst`
emes Lin
eaires
5.1 Les methodes directes : . . . . . . . . . . . . . . . . . . . .
5.1.1 La formule de Cramer . . . . . . . . . . . . . . . .
5.1.2 Methode de Gauss : . . . . . . . . . . . . . . . . . .
5.1.3 Description de la methode : . . . . . . . . . . . . .
5.1.4 Le nombre doperation . . . . . . . . . . . . . . . .
5.2 Algorithme delimination de Gauss . . . . . . . . . . . . .
5.2.1 Resolution du syst`eme triangulaire superieur . . .
5.3 Programme delimination de Gauss, sans pivot . . . . . .

5.3.1 Elimination
de Gauss avec changement de pivot :
(Strategie de pivot) . . . . . . . . . . . . . . . . . .
5.3.2 Programme delimination de Gauss avec choix du
pivot : . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.3 Resolution du syst`eme triangulaire superieur . . .
5.4 Methode de Gauss-Jordan : . . . . . . . . . . . . . . . . . .
5.4.1 Cucul de la matrice inverse : . . . . . . . . . . . . .
5.4.2 Description de la methode : . . . . . . . . . . . . .
5.4.3 Syst`emes mal conditionnes : . . . . . . . . . . . .
5.4.4 Conclusion : . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

30
30
32
32
33
34
34

.
.
.
.
.
.
.
.

35
35
35
35
36
36
36
37
37

. . . . . . .
plus grand
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .

38
38
39
39
39
40
40
40

Introduction a`
A n al ys e N u me ri q u e
N ISBN : 978-2-35209-149-3
N EAN : ?

Acheve dimprimer en France pour le compte dInLibroVeritas.net en 2013