Nonlineaire 1

Analyse Numérique Non Linéaire
2012–2013
Contents
1 Résolution numérique des équations non linéaires 1

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 La méthode des dichotomies . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 La méthode de Regula-Falsi ou de la fausse position . . . . . . . . . . . . . 3
1.4 La méthode des approximations successives . . . . . . . . . . . . . . . . . . 8
1.5 La méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 La méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Résolution d’un système non linéaire . . . . . . . . . . . . . . . . . . . . . 16
1.7.1 Méthode des approximations successives . . . . . . . . . . . . . . . 17
1.7.2 La méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Interpolation polynômiale 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Interpolation polynômiale: forme de Lagrange . . . . . . . . . . . . . . . . 23
2.3 Forme de Newton: différences divisées . . . . . . . . . . . . . . . . . . . . . 26
2.4 Interpolation en des points équidistants: différences finies . . . . . . . . . . 31
2.5 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Intégration numérique 39
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Formules de Newton-Cotes fermées . . . . . . . . . . . . . . . . . . . . . . 42
3.2.1 Formules simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.2 Etude de l’erreur dans les formules de Newton-Cotes . . . . . . . . 47
3.3 Formules de Newton-Cotes composées . . . . . . . . . . . . . . . . . . . . . 52
3.4 Formule de quadrature de Gauss . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4.1 Polynômes orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Résolution numérique des équations différentielles ordinaires 65

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.1 Principe des méthodes (ou schémas) numériques . . . . . . . . . . . 67
4.1.2 La méthode d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2 Etude générale des méthodes à un pas . . . . . . . . . . . . . . . . . . . . 69
i
CONTENTS
4.3 Exemples de schémas à un pas . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.3.1 Méthodes du développement à un pas . . . . . . . . . . . . . . . . . 79
4.3.2 Méthodes de Runge et Kutta (RK) . . . . . . . . . . . . . . . . . . 80
ii
Chapter 1
Résolution numérique des équations

non linéaires
1.1 Introduction
La recherche des zéros d’une fonction donnée f réelle ou complexe est un problème clas-
sique qui a attiré l’attention des mathématiciens depuis plusieurs siècles. En général, il
n’existe pas de formules donnant la valeur exacte de ces zéros, ou bien ces formules sont
trop compliquées.
On a alors recours à des méthodes numériques d’approximation des solutions. Ces
méthodes sont nombreuses et variées et sont généralement itératives: partant d’une esti-
mation initiale x0 , on construit une suite numérique x1 , x2 , . . . , xn , . . ., où xi est calculé à
partir de xi−1 , qui converge vers une solution α de l’équation f (x) = 0.
Dans ce chapitre, nous étudierons quelques unes de ces méthodes. Nous tacherons,
pour chaque méthode, de:
1. Décrire l’algorithme de construction de la suite (xn );
2. Chercher sous quelles conditions, la suite(xn ) converge vers un zéro α de f , ainsi

que la rapidité de cette convergence.
En liaison avec cette notion de rapidité de la convergence, on donne la définition suivante:
Définition 1.1.1 On dira qu’une méthode itérative est d’ordre p, pour la recherche d’un
zéro α de f , si la suite (xn ) converge vers α et si
|xn+1 − α| = O(|xn − α|p ),
|xn+1 − α|
i.e., reste borné pour n assez grand.
|xn − α|p
1
Chapitre 1. Résolution numérique des équations non linéaires
1.2 La méthode des dichotomies

Cette méthode dérive du théorème des valeurs intermédiaires:
Théorème 1.2.1 Soit f une fonction définie et continue sur un segment [a, b] de R. Si
f (a) · f (b) < 0, alors il existe α ∈ [a, b] tel que f (α) = 0.
Démonstration: (Dichotomies successives)
(a0 + b0 )
Posons a0 = a, b0 = b et x0 = (x0 est le milieu du segment [a0 , b0 ]).
2
On a nécessairement l’une des trois conditions suivantes:
• f (x0 ) = 0 et alors α = x0 est la solution cherchée;
• f (a0 ) · f (x0 ) < 0 et on posera alors [a1 , b1 ] = [a0 , x0 ];
• f (b0 ) · f (x0 ) < 0 et on posera alors [a1 , b1 ] = [x0 , b0 ].
En réitérant le même raisonnement pour [a1 , b1 ] , . . ., etc, on aura:
(an + bn )
• ou bien il existe n ∈ N tel que f (xn ) = 0, avec xn = et alors α = xn est
2
la solution cherchée;
• ou bien on construit une suite de segments emboités [an , bn ] et une suite (xn ) telle
que pour tout n ∈ N:
[a0 , b0 ] ⊃ [a1 , b1 ] ⊃ [a2 , b2 ] ⊃ · · · ⊃ [an , bn ] ⊃ [an+1 , bn+1 ] ⊃ · · ·
et
(an + bn )
xn = .
2
Pour tout n ∈ N, les suites (an ) et (bn ) vérifient:
(b0 − a0 )
b n − an = ,
2n
et
f (an ) · f (bn ) < 0. (1.1)
Il existe donc α tel que
n=∞
{α} = ∩n=1 [an , bn ] ⊂ ]a, b[ .
On a alors:
lim an = lim bn = lim xn = α.
n→+∞ n→+∞ n→+∞
D’après (1.1) et puisque la fonction f est continue, on aura

lim f (an ) · f (bn ) = lim f (an ) · lim f (bn ) = f (α)2 ≤ 0.
n→+∞ n→+∞ n→+∞
Donc f (α) = 0.
2
1.3 La méthode de Regula-Falsi ou de la fausse position
Remarque 1.2.1 L’intervalle initial [a0 , b0 ], avec la condition f (a0 ) · f (b0 ) < 0, contient
un nombre impair de solutions de l’équation f (x) = 0. Ce nombre diminue d’une itération
à une autre jusqu’à 1.
L’algorithme de cette méthode s’écrit:
Algorithme 1.1
On choisit deux réels a0 et b0 tels que f (a0 ) · f (b0 ) < 0, un réel > 0 assez petit et
un nombre maximum d’itérations N max.
Pour n = 0, . . . , N max faire:

(a + bn )
 xn = n

 2 ( (
an+1 = an an+1 = xn

 Si f (an ) · f (xn ) < 0 alors

sinon
 bn+1 = xn bn+1 = bn
Si f (xn ) = 0 ou |xn − an | ≤ on s’arrête.
Dans cet algorithme:

• f désigne une fonction numérique donnée, définie et continue sur le segment [a0 , b0 ],
• désigne l’erreur absolue tolérée sur la valeur approchée de la solution xn de
l’équation f (x) = 0.
Remarque 1.2.2 D’après la démonstration du Théorème 1.1, la méthode des dichotomies
est toujours convergente. Mais cette convergence est en général assez lente. En effet, pour
être sûr d’obtenir une approximation d’une solution α avec une erreur absolue inférieure
à , le nombre d’itérations nécessaires n vérifie:
b 0 − a0
(n + 1) log 2 ≥ log ,

puisque
b n − an 1
|xn − α| ≤ = n (b0 − a0 ).
2 2
−5
En particulier, si b0 − a0 = 1 et = 10 on a n = 5.
1.3 La méthode de Regula-Falsi ou de la fausse posi-

tion
Cette méthode ne diffère de la précédente que par le choix de xn à chaque itération. Au
lieu de prendre le milieu du segment [an , bn ], on choisit l’abscisse du point d’intersection
3
avec l’axe des abscisses, de la corde joignant les deux points de la courbe de f d’abscisses
respectives an et bn . Sachant que l’équation de la droite qui passe par les deux points
(an , f (an )) et (bn , f (bn )) est
(x − an )(f (bn ) − f (an ))

y − f (an ) = ,
b n − an
En prenant y = 0 et x = xn on obtient:
an f (bn ) − bn f (an )
xn = . (1.2)
f (bn ) − f (an )
Alors on a:
(xn − an ) f (an )
= , (1.3)
b n − an f (an ) − f (bn )
ou encore
(xn − an )(f (bn ) − f (an ))
f (an ) + = 0. (1.4)
b n − an
On montre que xn ∈ ]an , bn [. En effet, comme
f (an ) · f (bn ) < 0, (1.5)
on peut avoir f (an ) < 0 et donc f (bn ) > 0 ou bien f (an ) > 0 et f (bn ) < 0.
Choisissons par exemple le cas où f (an ) < 0 et donc f (bn ) > 0. D’où f (an ) et f (an )−
f (an )
f (bn ) sont de même signe et donc ≥ 0 et par suite, puisqe bn − an ≥ 0, de
f (an ) − f (bn )
f (an )
(1.3) on tire que xn ≥ an . De même f (an ) ≤ f (an ) − f (bn ) et donc 0 ≤ ≤1
f (an ) − f (bn )
xn− an
et de (1.3) on tire que 0 ≤ ≤ 1 et donc xn ≤ bn .
bn − an
L’algorithme de la méthode de Regula-Falsi s’écrit alors:
Algorithme 1.2

 xn = an f (bn ) − bn f (an )


 f (bn ) − f (an ) ( (
 a n+1 = a n an+1 = xn
 Si f (an ) · f (xn ) < 0 alors sinon

 bn+1 = xn bn+1 = bn
Si f (xn ) = 0 ou |xn − an | ≤ on s’arrête.
4
Remarque 1.3.1 Dans le but d’étudier la convergence de la méthode, remarquons d’abord

que, d’après la construction des suites (an ), (bn ) et (xn ), on a:
1. La suite (an ) est croissante et majorée par b0 et la suite (bn ) est décroissante minorée
par a0 et pour tout n ∈ N on a:
a0 ≤ · · · ≤ an ≤ xn ≤ bn ≤ · · · ≤ b0 .
Les suites (an ) et (bn ) sont donc convergentes. Posons A = lim an et B =
n→+∞
lim bn .
n→+∞
2. Il existe:
• ou bien une sous-suite de la suite (xn ) et une sous-suite de la suite (an ) qui
coincident.
• ou bien une sous-suite de la suite (xn ) et une sous-suite de la suite (bn ) qui
coincident.
Puisque ∀n ∈ N, xn = an+1 ou bien xn = bn+1 . Ceci entraine que, dans le cas où la
suite (xn ) converge vers L, on a nécessairement L = A ou L = B.
Théorème 1.3.1 Soit f : [a0 , b0 ] −→ R une fonction définie et continue telle que f (a0 ) ·
f (b0 ) < 0 et supposons que f admet un zéro unique α dans [a0 , b0 ] (i.e., f (α) = 0). Alors
la suite (xn ) définie dans l’algorithme 1.2 converge vers α.
Démonstration: D’après la remarque 1.2, les suites (an ) et (bn ) sont convergentes et
convergent respectivement vers A et B. D’après (1.5) et la continuité de f , on obtient:
f (A) · f (B) ≤ 0. (1.6)
Deux cas peuvent se présenter:
f (A) = f (B): D’après (1.6) f (A)2 = f (B)2 ≤ 0 et donc f (A) = f (B) = 0. Donc les réels
A, B sont des zéros de la fonction f , et comme par hypothèse la fonction f admet une
seule racine α dans [a0 , b0 ], alors A = B = α. Les suites (an ) et (bn ) sont donc adjacentes
et puisque elles encadrent la suite (xn ) celle-ci converge vers la même limite α.
f (A) 6= f (B): D’après (1.2) la suite (xn ) converge vers une limite L qui vérifie puisque f
est continue,
Af (B) − Bf (A)
L= . (1.7)
f (B) − f (A)
Or, compte tenu de la remarque 1.2, la limite L est égale à B ou à B. Et de l’égalité (1.7)
on tire:
• Si L = A (alors L 6= B) on obtient:
Lf (B) − bf (L)
L= ,
f (B) − f (L)
d’où: −Lf (L) = −bf (L) et comme L 6= b alors f (L) = 0. Donc L est un zéro de la
fonction f et par suite L = α.
5
• Si L = B (alors L 6= A) on obtient:
af (L) − Lf (a)
L= ,
f (L) − f (a)
d’où Lf (L) = Af (L) et comme L 6= A; ceci entraine f (L) = 0. Donc L est un zéro
de la fonction f et par suite L = α.
Théorème 1.3.2 (Ordre de la méthode de Regula-Falsi)

Soit f : [a0 , b0 ] −→ R une fonction définie et continue telle que f (a0 ) · f (b0 ) < 0 et
supposons que f admet un zéro unique α dans [a0 , b0 ] (i.e., f (α) = 0). Si f est deux fois
dérivables sur [a0 , b0 ] et est telle que f 00 ≥ 0 (ou bien f 00 ≤ 0) sur ]a0 , b0 [, alors il existe
c ∈ R telle que
|xn+1 − α|
lim = c.
n→+∞ |xn − α|
La méthode de Regula-Falsi est à convergence linéaire (d’ordre 1) dans ce cas.
Pour la démonstration du théorème on aura besoin du:
Lemme 1.3.1 Soit f : [a, b] → R une fonction définie et continue sur [a, b], deux fois
dérivables sur ]a, b[ et soit c ∈ ]a, b[. Alors il existe un réel σ ∈ ]a, b[ tel que:
00
f (σ)
(b − a)(f (c) − f (a)) − (c − a)(f (b) − f (a)) = (c − a)(c − b)(b − a) .
2
Démonstration du lemme 1.3.1

Soit h une fonction définie sur [a, b] par:
h(x) = (b − a)(f (x) − f (a)) − (x − a)(f (b) − f (a)) − M (x − a)(x − b)(b − a),
où M est un réel choisi tel que h(c) = 0, ce qui donne
(b − a)(f (c) − f (a)) − (c − a)(f (b) − f (a))

M= .
(c − a)(c − b)(b − a)
On a alors: h(a) = h(b) = h(c) = 0 et h est deux fois dérivable sur ]a, b[.
D’après le lemme de Rolle:
• Il existe λ1 ∈ ]a, c[ tel que h(c) − h(a) = h0 (λ1 )(c − a), d’où h0 (λ1 ) = 0;
• Il existe λ2 ∈ ]c, b[ tel que h(b) − h(c) = h0 (λ2 )(b − c), d’où h0 (λ2 ) = 0;
00 00
• Il existe σ ∈ ]λ1 , λ2 [ tel que h0 (λ2 ) − h0 (λ1 ) = h (σ)(λ2 − λ1 ) d’où h (σ) = 0.
6
00 00 00
Comme h (x) = (b − a)(f (x) − 2M ) on tire que f (σ) = 2M et donc
00
f (σ)
(b − a)(f (c) − f (a)) − (c − a)(f (b) − f (a)) = (c − a)(c − b)(b − a) .
2
Démonstration du théorème 1.3.2
00
Supposons, pour fixer les idées que f (a0 ) < 0 < f (b0 ) et que f ≥ 0 sur ]a0 , b0 [. Comme
xn ∈ ]an , bn [ on peut appliquer le lemme 1.1 en prenant c = xn , a = an et b = bn . Il existe
alors σn ∈ ]an , bn [ tel que:
f 00 (σn )
(bn − an )(f (xn ) − f (an )) − (xn − an )(f (bn ) − f (an )) = (xn − an )(xn − bn )(bn − an ) .
2
Et puisque d’après (1.4) on a
(xn − an )(f (bn ) − f (an ))

f (an ) + = 0,
b n − an
on obtient:
f 00 (σn )
f (xn ) = (xn − an )(xn − bn ) .
2
On conclut donc que pour tout n dans N, f (xn ) ≤ 0 et comme f (b0 ) > 0 l’algorithme 1.2
nous donne pour passer de l’itération n à l’itération n + 1: bn+1 = bn et par suite bn+1 = b0
et an+1 = xn et
an+1 f (b0 ) − b0 f (an+1 )
xn+1 = .
f (b0 ) − f (an+1 )
D’où, en remplaçant an+1 par xn , on obtient xn+1 = g(xn ) où g est une fonction définie
par
xf (b0 ) − b0 f (x)
g(x) = .
f (b0 ) − f (x)
On constate que la fonction g est une fonction continue et deux fois dérivables sur ]a0 , b0 [
et par passage à la limite dans l’équation xn+1 = g(xn ) on aura α = g(α) où α est le zéro
de f .
En écrivant xn+1 − α = g(xn ) − g(α) et en appliquant le théorème des accroissements finis
à la fonction g, il existe cn ∈ ]xn , α[ ou ]α, xn [ tel que:
xn+1 − α = g(xn ) − g(α) = (xn − α)g 0 (cn ),
|xn+1 − α|
d’où = |g 0 (cn )| et par passage à la limite, puisque g 0 est continue, on a:
|xn − α|
f 0 (α)

|xn+1 − α| 0

lim = |g (α)| = 1 + (α − b)
.
n→+∞ |xn − α| f (b)
Notons que la fonction f et sa dérivée seconde sont de signes opposés à l’intérieur de
]a0 , b0 [ et donc l’une des deux suites (an ), (bn ) de l’algorithme 1.2 est constante, et on
7
obtient:
Algorithme 1.3
x0 = a0 , c0 = b0
c0 f (x0 ) − x0 f (c0 )
x1 =
f (x0 ) − f (c0 )
( (
c 0 = b0 c 0 = a0
Si f (x1 ) · f (c0 ) < 0 alors sinon
x 0 = a0 x0 = b 0

 xn+1 = c0 f (xn ) − xn f (c0 )

 f (xn ) − f (c0 )
Si f (xn+1 ) = 0 ou |xn+1 − xn | ≤ on s’arrête.
1.4 La méthode des approximations successives

Cette méthode consiste à faire d’abord des opérations algébriques sur l’équation générale
f (x) = 0 pour l’écrire sous la forme x = g(x) où g est une fonction à déterminer.
Par exemple, si f (x) = x3 + x − 1, on peut choisir:
1 1
g(x) = 1 − x3 , g(x) = , g(x) = (1 − x) 3 ,
1 + x2
ou plus généralement:
f (x)
g(x) = x + ,
h2 (x)
où h2 est une fonction qui ne s’annule pas.
La recherche d’une solution de l’équation f (x) = 0 équivaut alors à la recherche d’un
point fixe de g, i.e., α tel que g(α) = α.
La méthode des approximations successives consiste à construire, en partant d’une
estimation initiale x0 de la solution α, la suite (xn ) définie par
xn+1 = g(xn ).
On voit alors que si g est continue et lorsque cette suite est bien définie et convergente,
sa limite est un point fixe de g.
8
L’algorithme de la méthode des approximations successives est le suivant:
Algorithme 1.4
On choisit un réel x0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.

 xn+1 = g(xn )
Si |xn+1 − xn | ≤ on s’arrête.
Cet algorithme prévoit un nombre d’itérations à ne pas dépasser (N max), fixé à priori
à l’avance, car, comme nous allons le voir, la convergence de la suite n’est pas toujours
assurée.
Théorème 1.4.1 Soit g : [a, b] → R telle que g([a, b]) ⊂ [a, b] et g est une fonction
contractante, i.e., il existe λ ∈ [0, 1[ tel que: |g(x) − g(y)| ≤ λ |x − y|, ∀x, y ∈ [a, b].
Alors, pour tout choix de x0 ∈ [a, b], la suite (xn ) définie par: xn+1 = g(xn ) converge vers
l’unique point fixe α de g.
Démonstration:
1. Existence du point fixe: Posons h(x) = g(x) − x, alors h est une fonction
continue sur [a, b] et h(a) · h(b) ≤ 0 et d’après le théorème 1.1 il existe α ∈ [a, b] tel
que h(α) = 0 et donc g(α) = α.
2. Unicité du point fixe: Supposons qu’il existe deux points fixes différents α et β
de g, alors g(α) = α et g(β) = β. De plus, |α − β| = |g(α) − g(β)| ≤ λ |α − β|.
Comme λ ∈ [0, 1[ alors on a une contradiction d’où α = β.
3. Convergence de la suite (xn ): Pour étudier la convergence de la suite on va

utiliser le critère de Cauchy. Puisque g est contractante on a:
|xn − xn−1 | = |g(xn−1 ) − g(xn−2 )| ≤ λ |xn−1 − xn−2 | ≤ · · · ≤ λn−1 |x1 − x0 | .
D’où pour tout n et m entiers (m ≥ n):
1 − λm−n
|xm − xn | ≤ (λm−1 + λm−2 + · · · + λn ) |x1 − x0 | = λn |x1 − x0 | . (1.8)
1−λ
Puisque λ ∈ [0, 1[, on obtient lim |xm − xn | = 0.

n,m→+∞
On conclut que la suite (xn ) est de Cauchy dans [a, b] donc elle est convergente. Soit
L sa limite. En passant à la limite dans xn+1 = g(xn ) et puisque g est continue, L
9
vérifie g(L) = L, on obtient donc L = α. De plus, si on fixe n et on fait tendre m

vers l’infini dans (1.8) on obtient:
1
|xn − α| ≤ λn |x1 − x0 | .
1−λ
On constate que la convergence est d’autant plus rapide que λ est proche de zéro.
Corollaire 1.4.1 Le résultat du théorème 1.4.1 reste valable si l’on remplace l’hypothèse
“g contractante” par: g de classe C 1 sur [a, b] et |g 0 (x)| < 1, ∀x ∈ [a, b].
Démonstration: Puisque g est de classe C 1 , la fonction g 0 est continue sur [a, b] et

de même pour la fonction |g 0 | et donc atteint son maximum sur [a, b]. Soit λ =
max |g 0 (x)|. D’après l’hypothèse on a λ < 1.
x∈[a,b]
Appliquons le théorème des accroissements finis à la fonction g en deux points x, y

de [a, b]:
g(x) − g(y) = g 0 (ζ)(x − y),
où ζ ∈ ]x, y[. D’où
|g(x) − g(y)| ≤ |g 0 (ζ)| |x − y| < λ |x − y| .
Donc la fonction g est contractante et on peut appliquer le théorème 1.4.1.
Corollaire 1.4.2 Soit g une fonction numérique admettant un point fixe α. Sup-
posons que g est continuement dérivable au point α. Alors:
1. Si |g 0 (α)| < 1, la méthode des approximations successives est localement con-

vergente, i.e., il existe un voisinage V de α tel que, pour tout choix x0 ∈ V , la
suite (xn ) définie par xn+1 = g(xn ) converge vers α.
2. Si |g 0 (α)| > 1, la méthode des approximations successives est divergente pour
tout x0 .
Démonstration:
1. La fonction g 0 est continue au point α, il existe alors un voisinage de α, V =

[α − , α + ] avec > 0 tel que |g 0 (x)| < 1, ∀x ∈ V et g(V ) ⊂ V , on peut
donc appliquer le corollaire 1.1.
0 ≤ g 0 (l) < 1
−1 < g 0 (l) ≤ 0
10
2. Si |g 0 (α)| > 1 et puisque g 0 est continue au point α, il existe alors un voisinage

V de α et un réel r > 1 tel que |g 0 (x)| > r, ∀x ∈ V .
Supposons que la suite (xn ) converge vers α il existe alors un entier N tel que
∀n ≥ N xn ∈ V et par suite |g 0 (xn )| > r. Appliquons maintenant le théorème
des accroissements finis, pour tout n ≥ N on a:
|xn+1 − α| = |g(xn ) − g(α)| ≥ |g 0 (ξn )| |xn − α| ≥ r |xn − α| ≥ · · · ≥ rn−N |xN − α| .
Si on passe à la limite on obtient:
lim |xn+1 − α| = +∞,

n→+∞
ce qui est absurde, donc la méthode est donc divergente (sauf si accidentelle-
ment xN = α).
|g 0 (x)| > 1
Remarque 1.4.1 Le cas |g 0 (x)| = 1 est le plus délicat à traiter car on peut avoir
convergence comme dans l’exemple suivant:
ou divergence comme dans le cas suivant:
Théorème 1.4.2 Soit g une fonction numérique admettant un point fixe α. Sup-
posons qu’il existe p ∈ N∗ tel que g soit de classe C p au voisinage de α et que
g (p) (α) 6= 0, g (k) (α) = 0 ∀k ∈ N∗ et k ≤ p − 1 (g (k) désigne la dérivée d’ordre k de
g). Alors si la méthode des approximations successives pour la recherche du point
fixe α converge, elle est d’ordre p. En particulier, si g 0 (α) 6= 0, la convergence est
d’ordre 1.
Démonstration:
Soit xn+1 et xn deux éléments de la suite (xn ) et appliquons la formule de Taylor à
la fonction g aux points xn+1 et α sachant que xn+1 = g(xn ) et α = g(α) on obtient:
p
X g (k) (α)
xn+1 − α = g(xn ) − α = (xn − α)k + (xn − α)p ε(xn − α),
k=1
k!
avec lim ε(xn − α) = 0. D’où

n→+∞
(p)
|xn+1 − α| g (α)
lim = .
n→+∞ |(xn − α)p | p!
Ce qui prouve que |xn+1 − α| = o(|xn+1 − α|p ) et donc la méthode des approxima-
tions successives est d’ordre p.
11
1.5 La méthode de Newton

Soit f une fonction de classe C 2 dans un voisinage d’une racine simple α de l’équation
f (x) = 0. La méthode de Newton consiste à construire, à partir de x0 , une suite
(xn ) tel que xn+1 est l’intersection de la tangente à la courbe au point (xn , f (xn ))
et l’axe des x, i.e.,
f (xn )
xn+1 = xn − 0 .
f (xn )
L’algorithme de la méthode de Newton est le suivant:
Algorithme 1.5
On choisit un réel x0 , deux réels , η > 0 assez petits et un nombre maximum
d’itérations N max.

 xn+1 = xn − f (xn )

 f 0 (xn )
Si |xn+1 − xn | ≤ et/ou |f (xn )| ≤ η on s’arrête.
Remarque 1.5.1 Remarquons que la méthode de Newton peut être considérée comme
f (x)
une méthode des approximations successives, si l’on choisit g(x) = x − 0 .
f (x)
Théorème 1.5.1 Soit f une fonction de classe C 2 dans un voisinage V d’une

racine simple α de l’équation f (x) = 0. La méthode de Newton est localement
convergente et est à convergence au moins quadratique (d’ordre 2).
Démonstration:
On a xn+1 = g(xn ) avec
f (x)
g(x) = x − ,
f 0 (x)
dont la dérivée est
f (x)f 00 (x)
g 0 (x) = ,
(f 0 (x))2
et donc g 0 (α) = 0 car f (α) = 0.
En appliquant le corollaire 1.2, il existe un voisinage U ⊂ V de α tel que ∀x0 ∈ U ,
la suite définie par xn+1 = g(xn ) est convergente vers α.
12
1.6 La méthode de la sécante
Si on applique la formule de Taylor aux points xn et α, il existe un ζn compris entre

xn et α tel que
f 00 (ζn )
f (xn ) − f (α) = (xn − α)f 0 (xn ) + (xn − α)2 .
2
D’où 00
f (xn ) f (ζn )
α = xn − 0 + (xn − α)2 0 ,
f (xn ) 2f (xn )
ou encore 00
f (ζn )
2
α − xn+1 = (xn − α) .
2f 0 (xn )
Donc 00
|α − xn+1 | f (α)
lim = 0 ,
n→+∞ |α − x |2 2f (α)
n
et la méthode de Newton est d’ordre 2.

Cette méthode peut être considérée comme une variante de la méthode de Regula
Falsi si on remplaçe les points an et bn par les points xn et xn−1 . Elle peut être
considérée aussi comme une variante de la méthode de Newton si on approche f 0 (xn )
f (xn ) − f (xn−1 )
par .
xn − xn−1
Partant de x0 et x1 , on définit la suite (xn ) par:
xn−1 f (xn ) − xn f (xn−1 )
xn+1 = . (1.9)
f (xn ) − f (xn−1 )
Remarqons que xn+1 est l’abscisse du point d’intersection, avec l’axe des abscisses,
de la droite joignant les points de la courbe de f , d’abscisses respectives xn et xn−1 .
L’algorithme de la méthode de la sécante est le suivant:
Algorithme 1.6
On choisit un réel x0 , deux réels , η > 0 assez petits et un nombre maximum
d’itérations N max.

 xn+1 = xn−1 f (xn ) − xn f (xn−1 )

 f (xn ) − f (xn−1 )
Si |xn+1 − xn | ≤ et/ou |f (xn )| ≤ η on s’arrête.
13
Lemme 1.6.1 Soit (xn ) la suite définie par (1.9) et supposons que f est de classe
C 2 au voisinage d’un zéro α de f . Alors ∀n ∈ N∗ , il existe un réel cn compris entre
xn−1 et xn et un réel dn élément du plus petit intervalle In contenant xn , xn−1 et α
tel que:
00
1 f (dn )
xn+1 − α = 2 (xn − α)(xn−1 − α) 0 . (1.10)
2f (cn )
Démonstration:
On a:
xn−1 f (xn ) − xn f (xn−1 )
xn+1 − α = −α
f (xn ) − f (xn−1 )
xn − xn−1
= (xn − α) − f (xn )
f (xn ) − f(xn−1 )
g(xn , α)
= (xn − α) 1 −
g(xn ,xn−1 )
h(xn , xn−1 , α)
= (xn − α)(xn−1 − α) 1 − ,
g(xn , xn−1 )
où on a posé
f (x) − f (y)
g(x, y) =
x−y
et
(z − x)(f (x) − f (y)) − (x − y)(f (z) − f (x))
h(x, y, z) = .
(x − y)(z − x)(y − z)
D’après la formule des accroissements finis, il existe cn compris entre xn et xn−1 tel
que
f (xn ) − f (xn−1 )
g(xn , xn−1 ) = = f 0 (cn ).
xn − xn−1
D’après le lemme 1.1, il existe dn ∈ In tel que:
f 00 (dn )
h(xn, xn−1 , α) = .
2
D’où 00
f (dn )
xn+1 − α = (xn − α)(xn−1 − α) 0 .
2f (cn )
Théorème 1.6.1 Supposons que f est de classe C 2 au voisinage d’une racine sim-
ple de l’équation f (x) = 0, i.e., f (α) = 0, f 0 (α) 6= 0. Alors la méthode de la sécante
est localement convergente, i.e., il existe un voisinage V de α, tel que pour tout x0
et x1 dans V , la suite (x√n ) définie par (1.9) converge vers α. De plus, l’ordre de
1+ 5
convergence est p = .
2
14
Démonstration: Puisque f 0 (α) 6= 0, il existe un voisinage de α où f 0 ne s’annule

pas, il existe donc , 0 < < 1 et V1 = {x : |x − α| < } tel que ∀x ∈ V1 on a
f 0 (x) 6= 0.
Comme f est de classe C 2 on peut définir:

0 00
c1 = inf |f (x)| et c2 = sup f (x) .
x∈V1 x∈V1
c2
+ 1 et V = x, |x − α| < c ⊂ V1 . Choisissons x0 , x1 dans V . On a

On pose c =
c1
alors:
∀n ∈ N, xn ∈ V.
Ceci se démontre par récurrence. En effet, x0 , x1 ∈ V . Supposons alors que xn ∈ V
et xn−1 ∈ V pour n ∈ N∗ . D’après (1.10), il existe cn , dn ∈ V tels que:
00
f (dn )
xn+1 − α = (xn − α)(xn−1 − α) .
2f 0 (cn )
D’où
00
f (dn )
|xn+1 − α| ≤ |xn − α| |xn−1 − α| 2f 0 (c )
n
≤ c |xn − α| |xn−1 − α|
2 (1.11)
≤c = <
cc c c
et donc xn+1 ∈ V .
Démontrons maintenant que la suite (yn ) définie par yn = c |xn − α| est convergente
√
vers zéro. Posons λ = max(y0 , y1 ) où y0 = c |x0 − α| et y1 = c |x1 − α| et p = 1+2 5
est la racine positive de l’équation x2 − x − 1 = 0.
0 1
Alors y0 ≤ λp et y1 ≤ λp (facile à vérifier) et λ < < 1 et
n
∀n ∈ N, yn ≤ λp . (1.12)
n n−1
Ceci se démontre par récurence. En effet, supposons que yn ≤ λp et yn−1 ≤ λp .
2
On a yn+1 = c |xn+1 − α| ≤ c |xn − α| |xn−1 − α| d’après (1.11). D’où
yn+1 ≤ yn yn−1
n n−1 n n−1 (1.13)
≤ λp λp = λp +p ,
n−1 n+1
et donc yn+1 ≤ λp (p+1) . Comme p2 = p + 1 on a yn+1 ≤ λp . On en déduit,
puisque λ < 1, que la suite (yn ) est convergente vers zéro et par suite la suite (xn )
converge vers α.
yn+1
D’après (1.13) on a: ∀n ∈ N, yn+1 ≤ yn yn−1 . D’où p ≤ yn1−p yn−1 et d’après
yn
(1.12) on obtient:
yn+1 pn 1−p pn−1 n n+1 n−1 n−1 2
p ≤ (λ ) λ = λp −p +p = λp (p+1−p ) ≤ λ0 = 1,
yn
15
car p2 − p − 1 = 0. D’où
|xn+1 − α| p−1
p ≤ c ,
|xn − α|
√
1+ 5
et donc la méthode est au moins d’ordre p = 2
.
Démontrons maintenant que l’ordre de convergence est exactement p. Posons yn =
xn−1 f (xn ) − xn f (xn−1 )
xn − α. De l’expression xn+1 − α = − α on tire:
f (xn ) − f (xn−1 )
yn−1 f (xn ) − yn f (xn−1 )
yn+1 = . (1.14)
f (xn ) − f (xn−1 )
En supposant que f 0 (α) 6= 0 et f 00 (α) 6= 0, la formule de Taylor-Lagrange nous
donne au voisinage de α:
(xn− α)2 00
f (xn) = (xn − α)f 0 (α) + f (α) + (xn − α)2 ζ(xn − α),
2
où ζ(xn − α) → 0 quand xn − α → 0.
En écrivant cette formule aux points xn et xn−1 et en utilisant (1.14) on obtient:
f 00 (α)
yn+1 ∼ yn yn−1 quand n → +∞. (1.15)
2f 0 (α)
D’autre part, la méthode de la sécante est dite d’ordre p si |yn+1 | = O(|yn |p ) ou
|yn+1 |
encore s’il existe une constante C tel que ∼ C quand n → +∞ d’où |yn+1 | ∼
|yn |p
2
C |yn |p , |yn | ∼ C |yn−1 |p et par suite |yn+1 | ∼ C p+1 |yn−1 |p et en utilisant (1.15) on
obtient: 00
p p2 p
f (α)
C |yn−1 | ∼ |yn−1 | |yn−1 | 0 ,
2f (α)
et donc 00 −1
p2 −p−1 f (α)
p

C |yn−1 | 2f 0 (α) ∼ 1,
2
√ fonction f et pour tout n assez grand. D’où p − p − 1 = 0 et
et ceci pour toute
1+ 5
donc p = .
2
1.7 Résolution d’un système non linéaire

On considère le système:


 f1 (x1 , x2 , . . . , xn ) = 0,
 f2 (x1 , x2 , . . . , xn ) = 0,

.. (1.16)


 .
 f (x , x , . . . , x ) = 0,
n 1 2 n
16
où les fonctions fi sont des fonctions définies sur un ouvert de Rn à valeurs dans
R et de classe C 2 dans un voisinage V d’une racine α = (α1 , α2 , . . . , αn ), du
système (1.16), i.e., fi (α) = 0 pour i = 1 jusqu’à n.
1.7.1 Méthode des approximations successives

Posons X = (x1 , x2 , . . . , xn ) et F = (f1 , f2 , . . . , fn ), alors le système peut s’écrire
sous la forme:
F (X) = 0. (1.17)
Supposons qu’on puisse faire des opérations algébriques sur la fonction F pour
l’écrire sous la forme F (X) = X − G(X) avec G = (g1 , g2 , . . . , gn ), où les gi sont des
fonctions définies sur un ouvert de Rn . Le système (1.16) s’écrit alors
X = G(X). (1.18)
Si α est solution de (1.16), alors α est solution de (1.17) et α est un point fixe de la
fonction G.
Pour chercher la solution de (1.16) on se ramène à la recherche du point fixe de la
fonction G. Pour cela, on construit la suite de vecteurs (Xk ) par:
(
X0 donné,
Xk+1 = G(Xk ) k ≥ 0.
Les conditions de a convergence de la suite (Xk ) sont données dans:
Théorème 1.7.1 Soit U un fermé borné de Rn et G une fonction définie sur U

telle que:
1. G(U ) ⊂ U , i.e., ∀X ∈ U G(X) ∈ U ;

2. Il existe une constante K vérifiant 0 ≤ K < 1 telle que
∀X ∈ U, ∀Y ∈ U, kG(X) − G(Y )k ≤ K kX − Y k ,
où k.k est la norme euclidienne dans Rn .
Alors la suite (Xk ) défini par

(
X0 ∈ U,
Xk+1 = G(Xk ), k ≥ 0,
converge vers α ∈ U (α vérifie G(α) = α).
17
Démonstration:
La démonstration est analogue à celle que l’on a faite dans le cas d’une équation.
L’algorithme des approximations successive pour résoudre le système (1.18) est:
Algorithme 1.7
On choisit un vecteur X0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.

Pour k = 0, . . . , N max faire:
 Xk+1 = G(Xk )
Si kXk+1 − Xk k ≤ on s’arrête.
Théorème 1.7.2 Soit U un fermé borné de Rn et G une fonction définie sur U de

classe C 1 (i.e., toutes les fonctions partielles gi sont de classe C 1 ) telle que:
n
X
0
max |gj,xi
(X)|2 < 1,
X∈U
i,j=1
0 ∂gj
où gj,x (X) = (X). Alors la suite définie par:
i
∂xi

X0 ∈ U,
Xn+1 = G(Xn ),
converge vers α ∈ U (α vérifie G(α) = α).
Démonstration:
Remarquons que, puisque les fonctions partielles
Pn gi sont de classe C 1 , les dérivées
0
partielles d’ordre 1 sont continues et le max i,j=1 |gj,xi
(X)|2 existe.
X∈U
n
X
0
Soit K = max |gj,xi
(X)|2 ce maximum. Soient X et Y deux éléments de U .
X∈U
i,j=1
D’après le théorème des accroissements finis appliqué à la fonction G aux points X
et Y , il existe ξ ∈ U tel que G(X) − G(Y ) = G0 (ξ)(X − Y ) où G0 (ξ) est la dérivée
de G au point ξ, c’est donc une application linéaire de Rn dans Rn représentée par
la matrice suivante:
 0 0 0

g1,x1 (ξ) g2,x 1
(ξ) · · · gn,x 1
(ξ)
 g 0 (ξ) g 0 (ξ) · · · g 0 (ξ) 
 1,x 2,x2 n,x2
DG =  ..2 ..  ,

.. ..
 . . . . 
0 0 0
g1,x n
(ξ) g2,x n
(ξ) · · · gn,xn
(ξ)
18
et on a n
X
0
gi (X) − gi (Y ) = gj,xi
(ξ)(xj − yj ).
j=1
Donc
n n n
!2
X X X
kG(X) − G(Y )k2 = (gi (X) − gi (Y ))2 = 0
gj,xi
(ξ)(xj− yj )
i=1 i=1 j=1
et en développant:
n
!2 n n
X X X
0 02 0 0
(gj,xi
(ξ)(xj− yj ) = gj,xi
(ξ)(xj− yj )2 + gk,xi
(ξ)(xk − yk )gl,xi
(ξ)(xl− yl ).
j=1 j=1 l,k=1
l6=k
En remarquant que, étant donnés 4 réels a, b, c, d, on a

2abcd ≤ a2 b2 + c2 d2 ,
d’où
n
!2 n n
X X X
0 02 2 02 02
(gj,xi (ξ)(xj− yj ) ≤ gj,xi (ξ)(xj− yj ) + (gk,xi
(ξ)(xk− yk )2 + gl,xi
(ξ)(xl− yl )2 )
j=1 j=1 l,k=1
l6=k
n
! n
! n
X X X
02 02
≤ gj,xi
(ξ) (xi− yi )2 = gj,xi
(ξ) kX − Y k .
j=1 i=1 j=1
On tire donc que

n n
!
X X
02
kG(X) − G(Y )k ≤ gj,xi
(ξ) kX − Y k
i=1 j=1
n
X
02
≤ gj,xi
(ξ) kX − Y k ≤ K kX − Y k .
j,i=1
n
X
02
avec K = max gj,xi
(X).
x∈U
j,i=1
Comme par hypothèse K < 1 et U est un fermé borné, les hypothèses du théorème
sont vérifiées et l’algorithme défini par Xk+1 = G(Xk ) converge.
1.7.2 La méthode de Newton

C’est une méthode qui consiste à linéariser le système (1.16) et à remplacer la
résolution du système non linéaire par une suite de systèmes linéaires qu’on résout
successivement (généralement par une méthode directe).
19
On considère maintenant le système (1.16) ou encore l’équation (1.17) où les fonc-
tions fi sont de classe C2 dans un voisinage U de la racine α = (α1 , α2 , . . . , αn ) de
l’équation (1.17). Si on écrit la formule de Taylor au point X d’un voisinage de α
et en négligeant le terme d’ordre 2 on obtient:
F (α) − F (X) = F 0 (X)(α − X).
D’où
F (X) + F 0 (X)(α − X) = 0,
où F 0 (X) est une application linéaire dont la matrice qu’on appelle la matrice jaco-
bienne est:  0 
0 0
f1,x1 (X) f2,x 1
(X) · · · fn,x 1
(X)
 f 0 (X) f 0 (X) · · · 0
fn,x (X)
 1,x 2,x2
F 0 (X) =  2.. n
.

.. .. ..
 . . . . 
0 0 0
f1,x n
(X) f 2,xn (X) · · · fn,xn
(x)
Si on construit une suite itérative (X k ) approximant α on obtient une meilleure
définition de la suite par:
F (X k ) + F 0 (X k )(X k+1 − X k ) = 0.
On obtient X k+1 en résolvant le système linéaire
F 0 (X k )(X k+1 − X k ) = F (X k ).
Ce système aura une solution si F 0 (X k ) est inversible.
Algorithme 1.8
On choisit un vecteur X0 , un réel > 0 assez petit et un nombre maximum d’itérations
N max.

Pour k = 0, . . . , N max faire:
 Résoudre pour X k+1 le système linéaire suivant par l’une des méthodes connues
 F 0 (X k )(X k+1 − X k ) = F (X k )

 k+1
 X − X k
Si ≤ on s’arrête.
kX k k
Remarque 1.7.1 • La méthode de Newton est très efficace.

• La convergence est quadratique au voisinage de la solution (après un certain
nombres d’itérations)
• L’inconvenient majeur de la méthode est d’avoir à calculer à chaque itération
∂fi
la matrice jacobienne (n2 fonctions à évaluer ) et les fonctions fi .
∂xj
20
Pour surmonter ce problème plusieurs variantes de la méthode de Newton existent:
1. Méthode de Newton à jacobienne par différences finies: c’est une méthode qui
∂fi k
consiste à approcher à chaque itération k les dérivées partielles (X ) par:
∂xj
∂fi k fi (X1k , . . . , Xjk + h, . . . , Xnk ) − fi (X1k , . . . , Xjk , . . . , Xnk )

(X ) '
∂xj h
où h est un réel fixé suffisamment petit.

2. Méthode de Newton simplifiée: c’est une méthode qui consiste à conserver la
matrice jacobienne constante pendant un certain nombre d’itérations.;
3. Méthodes de Newton à itération linéaire: ce sont les méthodes où on résout le
système linéaire
F 0 (X k )(X k+1 − X k ) = F (X k )
par une méthode itérative (Jacobi, Gaus -Seidel, relaxation... ) mais en faisant
un nombre limité r d’itérations (r =1,2 ,3.. ). Et on obtient deux itérations
l’une dans l’autre. On obtient ainsi des méthodes dites Newton-Itérations
linéaires à r (r = 1, 2,ou 3) pas:
4. Newton-Gauss-Seidel à r pas.
5. Newton-Relaxation à r pas.
21
22
Chapter 2
Interpolation polynômiale
2.1 Introduction
Soit f une fonction dont on connait les valeurs yi = f (xi ) en un nombre fini de
points xi , i = 0, 1, . . . , n. L’interpolation consiste à déterminer une fonction P (x),
dans un ensemble donné de fonctions, telle que le graphe de la fonction y = P (x)
passe par les points données (xi , yi ), i = 0, 1, . . . , n.
Dans ce chapitre, nous nous limiterons au cas où P est une fonction polynômiale.
Les applications de la théorie de l’interpolation sont multiples. Dans ce cours, nous
insisterons sur les aspects qui fourniront les outils mathématiques essentiels pour
le développement des méthodes des chapitres suivants (intégration numérique et
résolution numérique des équations différentielles). Nous donnerons aussi différentes
formes du polynôme d’interpolation adaptées à l’interpolation dans les tables de
données et nous analyserons l’erreur d’interpolation correspondante.
2.2 Interpolation polynômiale: forme de Lagrange

Soient x0 , x1 , . . . , xn , (n+1) nombres distincts deux à deux. Soient y0 = f (x0 ), y1 =
f (x1 ), . . . , yn = f (xn ), les valeurs d’une fonction f en ces points.
Problème :
• Existe-t-il un polynôme P tel que P (xi ) = yi , i = 0, 1, . . . , n.

• Si oui, quel est son degré? Est-il unique? Quelle est l’expression de P (x) en
fonction des données (xi ) et (yi )?
Un polynôme P (x) = a0 + a1 x + · · · + am xm est entièrement déterminé par la

connaissance des (m + 1) coefficients (ai ), i = 0, 1, . . . , m. Les équations P (xi ) = yi ,
i = 0, 1, . . . , n imposent (n + 1) conditions sur P (x). Il est donc raisonnable de
23
Chapitre 2. Interpolation polynômiale
considérer le cas m = n et de chercher P dans Pn où Pn est l’espace vectoriel des

polynômes de degré inférieur ou égal à n.
Théorème 2.2.1 Il existe un polynôme unique P ∈ Pn tel que Pn (xi ) = yi , ∀i ∈

{0, 1, . . . , n}. De plus,
Xn
Pn (x) = yk Lk (x),
k=0
où n
Y x − xi
Lk (x) = .
i=0
xk − xi
i6=k
Démonstration:
Unicité: Supposons qu’il existe deux polynômes Pn ∈ Pn et Qn ∈ Pn tels que
Pn (xi ) = yi , et Qn (xi ) = yi , i = 0, 1, . . . , n.
Posons Rn = Pn − Qn . On a Rn ∈ Pn , Rn (xi ) = 0, pour i = 0, 1, . . . , n. Le polynôme

Rn dont le degré est au plus n, a donc n + 1 zéros distincts deux à deux. Il est donc
identiquement nul Rn ≡ 0 et donc Pn ≡ Qn .
Existence:
1ère démonstration : Posons Pn (x) = a0 + a1 x + . . . + an xn , où les coefficients
ai (i = 0, . . . , n) sont à déterminer. En écrivant les n + 1 équations P (xi ) = yi , i =
0, 1, . . . , n, on obtient un système linéaire de n + 1 équations à n + 1 inconnues:


 a0 + a1 x0 + . . . + an xn0 = y0
a0 + a1 x1 + . . . + an xn1 = y1

,


a0 + a1 xn + . . . + an xnn = yn

qui s’écrit sous forme matricielle M A = Y en posant:

     
a0 y0 1 x0 · · · xn0
 a1   y1   1 x 1 · · · xn 
1
A =  ..  , Y =  ..  et M =  .. .. ..  .
    
..
. . . . . .
an yn 1 xn . . . xnn
D’après l’unicité (si Y = 0 alors A = 0), la matrice M est donc injective. Comme elle
est d’un espace de dimension fini dans un espace de même dimension, M est donc
inversible et le système M A = Y admet une solution d’où l’existence du polynôme
Pn . Seulement cette démonstration ne nous permet pas la construction du polynôme
Pn .
24
2.2 Interpolation polynômiale: forme de Lagrange
2ème démonstration: Considèrons le polynôme:

n
Y x − xi
Lk (x) = , k = 0, 1, . . . , n,
i=0
x k − xi
i6=k
et posons
n
X
Pn (x) = yk Lk (x).
k=0
On a Lk ∈ Pn , pour k = 0, 1, . . . , n (deg Lk = n). De plus

(
1 si j = k,
Lk (xj ) =
0 sinon.
D’où Pn ∈ Pn , et Pn (xi ) = yi , i = 0, 1, . . . , n.
Exemples
1. Interpolation linéaire (n = 1): Soient x0 et x1 deux réels donnés distincts

x0 6= x1 et f une fonction définie dans un voisinage contenant ces deux réels.
Alors le polynôme d’interpolation de f relatif aux points x0 et x1 est:
x − x1 x − x0 (x − x0 )f (x1 ) − (x − x1 )f (x0 )
P1 (x) = f (x0 ) + f (x1 ) = ,
x0 − x1 x1 − x0 (x1 − x0 )
ou encore
f (x1 ) − f (x0 ) x1 f (x0 ) − x0 f (x1 )
P1 (x) = x+ .
x 0 − x1 x1 − x0
2. Interpolation quadratique (n = 2): Soient x0 , x1 et x2 trois réels donnés
distincts (x0 6= x1 , x1 6= x2 et x0 6= x2 ) et soit f une fonction définie dans
un voisinage contenant ces trois réels. Alors le polynôme d’interpolation de f
relatif aux points x0 , x1 et xn est:
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
P2 (x) = f (x0 ) +f (x1 ) +f (x2 ) ,
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x1 )(x2 − x0 )
ou encore

f (x1 ) − f (x0 ) 1 f (x2 ) − f (x1 ) f (x1 ) − f (x0 )
P2 (x) = f (x0 )+ (x−x0 )+ − (x−x0 )(x−x1 )
(x1 − x0 ) x2 − x 0 (x2 − x1 ) (x1 − x0 )
n
X
Définition 2.2.1 L’expression Pn = yk Lk (x) s’appelle la forme de Lagrange
k=0
du polynôme d’interpolation de la fonction f relatif aux points x0 , x1 , . . . , xn . Les
polynômes Lk sont les polynômes de base de Lagrange associés aux points x0 , x1 , . . . , xn .
25
2.3 Forme de Newton: différences divisées

Avec les mêmes hypothèses et notations que le paragraphe 2.2, notons Pk le polynôme
d’interpolation de Lagrange de la fonction f relatif aux points x0 , x1 , . . . , xk .
Considérons le polynôme:
Qk (x) = Pk (x) − Pk−1 (x), k ∈ {1, . . . , n}.
Alors Qk est un polynôme de degré k et Qk (xi ) = Pk (xi ) − Pk−1 (xi ) = 0 pour

i ∈ {0, . . . , k − 1}, donc Qk peut s’écrire sous la forme:
k−1
Y
Qk (x) = αk (x − x0 )(x − x1 ) · · · (x − xk−1 ) = αk (x − xi ),
i=0
où αk est une constante.

Comme les polynômes Qk et Pk sont de même de degré k et Pk−1 est de degré k − 1,
alors le coefficient ak de xk dans Pk est le même que le coefficient αk de xk dans Qk ,
i.e., ak = αk .
k−1
Y
Q Q
Posons k = (x − xi ). Alors Pk (x) = ak k +Pk−1 (x).
i=0
Définition 2.3.1 Le coefficient αk (ak = αk ) s’appelle différence divisée de f

d’ordre k aux points x0 , x1 , . . . , xk et l’on note ak = f [x0 , x1 , . . . , xk ].
Lemme 2.3.1 La différence divisée de f d’ordre k aux points x0 , x1 , . . . , xk est

donnée par la formule
k
X f (xi )
f [x0 , x1 , . . . , xk ] = k
.
i=0
Y
(xi − xj )
j=0
j6=i
Démonstration
En utilisant les polynômes de Lagrange Li , le polynôme d’interpolation de Lagrange
Pk de la fonction f relatif aux points x0 , x1 , . . . , xk s’écrit :
k
X
Pk (x) = f (xi )Li (x),
i=0
26
ou encore
k k k k
X Y (x − xj ) X f (xi ) Y
Pk (x) = f (xi ) = (x − xj ).
i=0 j=0
(xi − xj ) i=0
k
Y j=0
j6=i (xi − xj ) j6=i
j=0
j6=i
On tire donc le coefficient ak de xk dans Pk :

k
X f (xi )
ak = k
.
i=0
Y
(xi − xj )
j=0
j6=i
Y k
Y
Remarque 2.3.1 En posant (x) = (x − xj ), pour i = 0, 1, . . . , k on a:
k+1
j=0
Y0 k
Y
(xi ) = (xi − xj ),
k+1
j=0
j6=i
Y0 Y
où désigne la dérivée de .
k+1 k+1
Le coefficient ak s’écrit donc:
k
X f (xi )
ak = f [x0 , x1 , . . . , xk ] = Y0 .
i=0 (xi )
k+1
En particulier, pour k = n, on obtient:

n
X f (xi )
an = f [x0 , x1 , . . . , xn ] = Y0 .
i=0 (xi )
n+1
Remarque 2.3.2 Comme conséquence immédiate de la remarque 2.1, on peut démontrer

facilement que la différence divisée est indépendante de l’ordre des xi , i.e.,
ak = f [x0 , x1 , . . . , xk ] = f [xσ(0) , xσ(1) , . . . , xσ(k) ]
pour toute permutation σ de {0, 1, . . . , k}.
Proposition 2.3.1 Les différences divisées se calculent d’une manière récursive

par les formules suivantes:
27
1. Différences divisées d’ordre 0:
f [xi ] = f (xi ), ∀i ∈ {0, 1, . . . , n}.
2. Différences divisées d’ordre k:

f [x1 , . . . , xk ] − f [x0 , x1 , . . . , xk−1 ]
f [x0 , x1 , . . . , xk ] = , ∀k ∈ {1, . . . , n}.
xk − x0
Exemple Etant donné trois réels distincts x0 , x1 et x2 .

f [x1 ] − f [x0 ] f (x1 ) − f (x0 )
f [x0 , x1 ] = = ,
x1 − x0 x1 − x0
et
f [x2 ] − f [x1 ] f (x2 ) − f (x1 )
f [x1 , x2 ] = = .
x2 − x1 x2 − x1
f [x1 , x2 ] − f [x0 , x1 ]
f [x0 , x1, x2 ] = .
x2 − x0
Démonstration de la proposition 2.1

1/Evident
2/D’après la remarque 2.1 on a
k k
X f (xi ) X f (xi )
f [x0 , x1 , . . . , xk ] = k
= Y0 ,
i=0
Y i=0 (xi )
(xi − xj ) k+1
j=0
j6=i
d’où
k
X f (xi )
f [x1 , . . . , xk ] = k
.
i=0
Y
(xi − xj )
j=1
j6=i
En multipliant le terme de la somme en haut et en bas par (xi − x0 ) on obtient :

k k
X (xi − x0 )f (xi ) X (xi − x0 )f (xi )
f [x1 , . . . , xk ] = k
= Y0 .
i=0
Y i=0 (xi )
(xi − xj ) k+1
j=0
j6=i
28
De la même manière mais en multipliant par (xi − xk ) on a

k k
X (xi − xk )f (xi ) X (xi − xk )f (xi )
f [x0 , . . . , xk−1 ] = k
= Y0 .
i=0
Y i=0 (x i )
(xi − xj ) k+1
j=0
j6=i
D’où
k
X (xk − xi + xi − x0 )f (xi )
f [x1 , . . . , xk ] − f [x0 , . . . , xk−1 ] = Y0
i=0 (xi )
k+1
k
X f (xi )
= (xk − x0 ) Y0 = (xk − x0 )f [x0 , . . . , xk ],
i=0 (xi )
k+1
et donc
f [x1 , . . . , xk ] − f [x0 , x1 , . . . , xk−1 ]
f [x0 , x1 , . . . , xk ] = .
xk − x0
Remarque 2.3.3 Comme généralisation immédiate de la formule précédente, pour

tout i ∈ {0, 1, . . . , n − 1} et k ∈ {0, 1, . . . , n − i} on a:
f [xi+1 , . . . , xi+k ] − f [xi , xi+1 , . . . , xi+k−1 ]
f [xi , xi+1 , . . . , xi+k ] = .
xi+k − xi
Cette formule nous permet donc de calculer les différences divisées d’ordre k à partir
des différences divisées d’ordre k − 1. On peut donc dresser le tableau suivant:
points ordre 0 ordre 1 ordre 2 ordre 3 ordre 4
xi f [xi ] f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ] ...
x0 f [x0 ]
f [x0 , x1 ]
x1 f [x1 ] f [x0 , x1 , x2 ]
f [x1 , x2 ] f [x0 , x1 , x2 , x3 ]
x2 f [x2 ] f [x1 , x2 , x3 ]
f [x2 , x3 ] f [x1 , x2 , x3 , x4 ]
x3 f [x3 ] f [x2 , x3 , x4 ] ...
f [x3 , x4 ] f [x2 , x3 , x4 , x5 ]
x4 f [x4 ] f [x3 , x4 , x5 ] ... ...
On peut également écrire un algorithme qui permet de calculer ces différences di-
visées. Posons Di,k = f [xi , xi+1 , . . . , xi+k ] et Di,0 = f (xi ) pour i ∈ {0, 1, . . . , n} et
k ∈ {0, 1, . . . , n − i}. D’après la remarque 2.3 on a
Di+1,k−1 − Di,k−1
Di,k = ,
xi+k − xi
29
d’où l’algorithme suivant:
Algorithme 2.1
Etant donnés x0 , x1 , . . . , xn , n + 1 points distincts et y0 , y1 , . . . , yn les valeurs respec-

tives de la fonction f aux points x0 , x1 , . . . , xn .

Pour i = 0, . . . , n faire:
 Di,0 = yi

 Fin de la boucle sur i

 Pour k = 1, . . . , n faire:

 Pour i = 0, . . . , n − k faire:

 Di+1,k−1 − Di,k−1
 Di,k =

 xi+k − xi
 Fin de la boucle sur i
Fin de la boucle sur k
Proposition 2.3.2 (Forme de Newton du polynôme d’interpolation )

Soit f une fonction définie sur [a, b] et x0 , x1, . . . , xn , n + 1 points de [a, b] où on
connait les valeurs de la fonctions f . Alors le polynôme d’interpolation de Lagrange
s’écrit: n
X Y
Pn (x) = f (x0 ) + f [x0 , x1 , . . . , xk ] k (x),
k=1
k−1
Y
Q
où k (x) = (x − xj ). Cette écriture s’appelle la forme de Newton du polynôme
j=0
d’interpolation.
Démonstration
Ecrivons le polynôme Pn (x) sous la forme:
Pn (x) = P0 (x) + P1 (x) − P0 (x) + . . . + Pn (x) − Pn−1 (x)

Xn
= P0 (x) + Pk (x) − Pk−1 (x),
k=1
où Pk (x) est le polynôme d’interpolation de la Lagrange aux points x0 , x1 , . . . , xk .

On a déjà vu que
k−1
Y Y
Pk (x) − Pk−1 (x) = ak Qk (x) = ak (x − xj ) = f [x0 , x1 , . . . , xk ] (x).
j=0 k
30
2.4 Interpolation en des points équidistants: différences finies
Et comme P0 (x) = f (x0 ), on obtient:

n
X Y
Pn (x) = f (x0 ) + f [x0 , x1 , . . . , xk ] k (x).
k=1
Remarque 2.3.4 La forme de Newton du polynôme d’interpolation Pn donne un

moyen commode pour le calcul de la valeur Pn (x) en tout point donné x. En effet
supposons connues les différences divisées f [x0 , . . . , xk ] = D0,k = ak , pour k =
0, . . . , n. On peut écrire:
Pn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − x0 ) · · · (x − xn−1 )

= a0 + (x − x0 )[an (x − x1 ) · · · (x − xn−1 ) + an−1 (x − x1 ) · · · (x − xn−2 ) + · · · + a1 ]
= a0 + (x − x0 )[a1 + (x − x1 ) [· · · [an−3 + (x − xn−3 ) [an−2 + (x − xn−2 ) [an−1 + an (x − xn−1 )
On peut écrire donc l’algorithme suivant pour le calcul de Pn (x) pour un x donné.
Algorithme 2.2
On se donne x,x0 , . . . , xn , a0 , . . . , an

t0 = an
 Pour k = 1, . . . , n faire:

 tk = an−k + (x − xn−k )tk−1

 Fin de la boucle sur k
tn = la valeur de Pn (x)
2.4 Interpolation en des points équidistants: différences

finies
Soient x0 , . . . , xn , n + 1 points équidistants tels que xi = x0 + ih où h est un réel
non nul. Soit f une fonction telle qu’on connait ses valeurs aux points x0 , . . . , xn .
Posons fi = f (xi ) pour i = 0, . . . , n.
On définit l’opérateur des différences finies progressives par:
∇f (x) = f (x + h) − f (x),
et notons:
∇fi = fi+1 − fi .
31
Plus généralement, définissons l’opérateur des différences finies progressives d’ordre

k ≥ 0 par: et
∇ 0 fi = fi ,
et
∇k fi = ∇k−1 fi+1 − ∇k−1 fi .
Les différentes différences finies ∇k fi peuvent être calculées par l’algorithme 2.3
suivant:
Algorithme 2.3
Supposons qu’on connait les xi et les fi , i = 0, . . . , n


Pour i = 0, . . . , n faire:
 ∇ 0 fi = fi

 Fin de la boucle sur i

 Pour k = 1, . . . , n faire:

 Pour i = 0, . . . , n − k faire:


 ∇k fi = ∇k−1 fi+1 − ∇k−1 fi
 Fin de la boucle sur i
Fin de la boucle sur k
Lemme 2.4.1 Pour tout i ∈ {0, . . . , n} on a
∇k fi = f [xi , . . . , xi+k ]hk k! ∀k ∈ {0, . . . , n − i}.
Démonstration
On va faire la démonstration par récurrence sur l’ordre k. Pour k = 0, on a ∇0 fi =
fi = f (xi ) = f [xi ] = f [xi ] h0 0!. Supposons que la relation soit vraie jusqu’à l’ordre
k. On a donc
∇k fi = f [xi , . . . , xi+k ] hk k! et ∇k fi+1 = f [xi+1 , . . . , xi+1+k ] hk k!.
D’où:
∇k+1 fi = ∇k fi+1 − ∇k fi
= f [xi , . . . , xi+k ] hk k! − f [xi+1 , . . . , xi+1+k ] hk k!
= hk k! (f [xi , . . . , xi+k ] − f [xi+1 , . . . , xi+1+k ] ) (D’après le lemme 1)
= hk k! (xi+1+k − xi )f [xi , . . . , xi+1+k ]
= hk k! (k + 1)h f [xi , . . . , xi+1+k ] car xi+1+k − xi = (k + 1)h
= hk+1 (k + 1)!f [xi , . . . , xi+1+k ]
32
2.4 Interpolation en des points équidistants: différences finies
∇ k f0
Remarque 2.4.1 On a f [x0 , x1 , . . . , xk ] = . Le polynôme d’interpolation
hk k!
n
X Y
Pn (x) = f (x0 ) + f [x0 , x1, . . . , xk ] (x)
k=1 k
peut s’écrire alors:

n
X ∇ k f0 Y
Pn (x) = f (x0 ) + k (x).
k=1
hk k!
Proposition 2.4.1 Le polynôme d’interpolation Pn (x) peut s’écrire:

n
X
k t
Pn (x) = ∇ f0 ,
k=0
k

x − x0 t t(t − 1)(t − 2) . . . (t − k + 1)
où t = et = est le coefficient du binôme
h k k!
généralisé avec la convention 0t = 1.

Démonstration
On sait que:
n
X ∇k f0 Y
Pn (x) = f (x0 ) + k (x).
k=1
hk k!
Or
* f (x0 ) = (t0 ) ∇0 f0
k−1
Y
Q
* k (x) = (x − xj )
j=0
* x = ht + x0 ,xj = hj + x0 d’où x − xj = h(t − j) et alors
k−1
Y k−1
Y
(x − xj ) = h(t − j)
j=0 j=0
et donc Y
(x) = hk t(t − 1)(t − 2) . . . (t − k + 1)
k
d’où
n
X ∇ k f0
Pn (x) = f (x0 ) + t(t − 1)(t − 2) . . . (t − k + 1),
k=1
k!
33
et par suite:
n
X
∇ k f0 t

Pn (x) = k .
k=0
Etant donné un nombre x, on peut calculer la valeur Pn (x) du polynôme d’interpolation

au point x par un algorithme analogue à l’algorithme 2.2:
Algorithme 2.4
Supposons qu’on connait x, x0 , n, h, ∇1 f0 , . . . , ∇n f0

x − x0

t =
 q = ∇hn f

 0 0
 Pour k = 1, . . . , n faire:

 q = ∇n−k f + t − n + k q

k 0 k−1

 n−k+1
 Fin de la boucle sur k
qn la valeur de Pn (x)
Remarque 2.4.2 On peut définir les différences finies régressives par 4k f (x) =
f (x) − f (x − h) et 4k f (x) = 4k−1 f (x) − 4k−1 f (x − h).
On peut montrer que
n
X
−t+k−1
4k f n

Pn (x) = k
k=0
xn −x
où t = h
.
2.5 Interpolation d’Hermite

Soient x0 , . . . , xn n + 1 nombres distincts et α0 , . . . , αn n + 1 entiers naturels donnés.
On suppose connues les valeurs f (l) (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }
(f (l) désigne la dérivée lème de la fonction f ).
Problème:
1. Existe-t-il un polynôme P tel que:
P (l) (xi ) = yi,l , ∀i ∈ {0, 1, . . . , n} et ∀l ∈ {0, . . . , αi }?
2. Si oui quel est son degré? Est-il unique?
34
2.5 Interpolation d’Hermite
Si on écrit P (x) = a0 + a1 x + · · · + am xm , on aura (m + 1) inconnues (a0 , a1 , . . . , am ).

Pour chaque i fixé, on a αi + 1 équations linéaires:
P (l) (xi ) = yi,l , l ∈ {0, . . . , αi }.

n
X n
X
Au total, on a donc (αi + 1) = n + 1 + αi équations. Il est donc raisonnable
i=0 i=0
n
X
de considérer le cas où P ∈ Pm avec m = n + αi .
i=0
Théorème 2.5.1 Etant donnés (n + 1) points distincts x0 , . . . , xn et n + 1 entiers

n
X
naturels α0 , . . . , αn et soit m = n + αi . Soit f une fonction admettant des
i=0
dérivées d’ordre αi aux points xi qu’on notera yi,l = f (l) (xi ). Alors il existe un
polynôme Pm ∈ Pm unique tel que
Pm(l) (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . αi }.
Ce polynôme s’appelle polynôme d’interpolation d’Hermite de la fonction f relative-

ment aux points x0 , . . . , xn et aux entiers α0 , . . . , αn .
Démonstration
Posons Pm (x) = a0 + a1 x + · · · + am xm , alors trouver le polynôme Pm équivaut à
déterminer les (m + 1) coefficients a0 , a1 , . . . , am . Comme on a (m + 1) équations
(l)
linéaires Pm (xi ) = yi,l . On obtient un système linéaire de (m + 1) équations
à (m + 1) inconnus. Pour démontrer l’existence de la solution, il suffit donc de
démontrer l’unicité.
Supposons qu’il existe deux polynômes d’interpolation d’Hermite Pm (x) et Qm (x)
(l)
de degré ≤ m tels que: Pm (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi } et
(l)
Qm (xi ) = yi,l pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }. Posons alors Rm = Pm −Qm ,
(l)
alors le degré de Rm ≤ m et Rm (xi ) = 0 pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }.
D’où xi est un zéro d’ordre αi +1 (au moins ) du polynôme Rm pour i ∈ {0, 1, . . . , n}
n
Y
et donc il existe un polynôme S(x) tel que Rm (x) = S(x) (x − xi )1+αi . D’où si
i=0
n
X
S(x) 6= 0, deg(Rm ) = deg(S) + (n + 1 ) + αi = m + 1 + deg(S) et comme
i=0
deg(Rm ) ≤ m alors S est nécessairement nul. D’où Rm ≡ 0 et donc Pm = Qm .
Remarque 2.5.1 La détermination du polynôme Pm d’Hermite exige uniquement

la connaissance des valeurs de la fonction f et de ses dérivées d’ordre αi aux points
x0 , x1 , . . . , xn .
35
Le problème général d’interpolation revient à la résolution du problème suivant:

Trouver Pm ∈ Pm vérifiant:
(l)
Pm (xi ) = bi,l pour i ∈ {0, 1, . . . , n}, l ∈ {0, . . . , αi },
où les bi,l sont des constantes données. On sait que ce problème admet une solution
unique dans Pm .
Détermination explicite du polynôme d’Hermite

Pour déterminer le polynôme d’interpolation d’Hermite de la fonction f relative-
ment aux points x0 , . . . , xn et aux entiers α0 , . . . , αn , il suffit de construire une base
particulière de Pm , et d’expliciter Pm dans cette base.
Construction de la base: Soit, pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi }, Pi,l le
polynôme solution du problème suivant:

 Trouver Pm ∈ Pm vérifiant:

(r) bj,r = 1 si (j, r) = (i, l)
 Pm (xj ) = bj,r avec
bj,r = 0 si (j, r) 6= (i, l)
Alors les polynômes Pi,l forment une base de Pm . En effet, on a (m + 1) polynômes

Pi,l et ces polynômes forment une famille libre. Il suffit de considèrer l’équation
suivante: X
βi,l Pi,l (x) = 0,
i,l
et de l’écrire, ainsi que les dérivées d’ordre k ≤ αi , pour chaque xi et d’en déduire
que βi,l = 0. Alors, tout polynôme P (x) de Pm s’écrit d’une manière unique sous la
forme: n X αi
X
P (x) = ( βi,l Pi,l (x)).
i=0 l=0
En particulier, Pm (x) le polynôme d’interpolation d’Hermite de la fonction f :

n X
X αi
Pm (x) = ( f (l) (xi )Pi,l (x)).
i=0 l=0
Déterminons alors les polynômes Pi,l (x). Posons

n αj +1
Y x − xj
qi (x) = .
j=0
xi − xj
j6=i
On construit Pi,l de la manière suivante:

(x − xi )αi
Pi,αi (x) = qi (x)
αi !
36
2.6 Erreur d’interpolation
αi
(x − xi )l X
l
(j−l)
Pi,l (x) = qi (x) − j qi (xi )Pi,j (x) l = αi − 1, αi − 2, . . . 1, 0
l! j=l+1
Il est très facile de vérifier que les Pi,l sont solutions du problème posé au départ.
Remarque 2.5.2 Si αi = 0 pour i ∈ {0, 1 . . . , n}, on se ramène au cas de l’interpolation

de Lagrange.
2.6 Erreur d’interpolation

Sous les hypothèses du paragraphe précédent, soit Pm le polynôme d’interpolation
(l)
d’Hermite relativement aux points x0 , . . . , xn et aux entiers α0 , . . . , αn tel que Pm (xi ) =
f (l) (xi ) = yi,l , ∀i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi } et soit un t nombre donné. On
veut approcher la valeur de la fonction f au point t par la valeur du polynôme Pm
en ce point et estimer l’erreur d’interpolation E(t) = f (t) − Pm (t) commise.
Supposons que la fonction f ∈ C m+1 (It ) où It est le plus petit intervalle contenant
n
X
x0 , . . . , xn , t et m = n + αi . On a le théorème suivant:
i=0
Théorème 2.6.1 Il existe ξ ∈ It tel que
f (m+1) (ξ)
E(t) = f (t) − Pm (t) = φm+1 (t),
(m + 1)!
avec n
Y
φm+1 (t) = (t − xi )1+αi .
i=0
Démonstration
1er cas: t ∈ {x0 , . . . , xn } alors E(t) = φm+1 (t) = 0 et ξ est quelconque.
E(t)
2ème cas: t 6∈ {x0 , . . . , xn }. Considérons alors la fonction F (x) = E(x)− φm+1 (x)
φm+1 (t)
on a: F est une fonction de classe C m+1 . On a F (t) = 0 donc t est zéro de la fonction
F . De plus, F (l) (xi ) = 0 pour i ∈ {0, 1, . . . , n} et l ∈ {0, . . . , αi } donc xi est un zéro
d’ordre 1 + αi de F .
D’après le lemme de Rolle, entre deux zéros distincts de F , il y a un zéro de F 0 .
D’où F 0 admet n + 1 zéros dans It autres que x0 , . . . , xn et t. De plus pour tout
i ∈ {0, 1, . . . , n}, xi est un zéro d’ordre αi de F 0 (si αi 6= 0). En conclusion, F 0
Xn
admet n + 1 + αi = m + 1 zéros (égaux ou distincts) dans It .
i=0
37
00
En réitérant le raisonnement, F admet m zéros (égaux ou distincts) dans It et
de proche en proche F (m+1) admet un zéro dans It . Soit ξ ce zéro. On a donc
F (m+1) (ξ) = 0, c’est-à-dire
E(t) (m+1)
E (m+1) (ξ) − φ (ξ) = 0.
φm+1 (t) m+1
Or
E (m+1) (ξ) = f (m+1) (ξ) − Pm(m+1) (ξ) = f (m+1) (ξ) (car deg(Pm ) ≤ m)
(m+1)
et deg(φm+1 ) = m + 1 d’où φm+1 = (m + 1)!.
E(t) (m+1) E(t)
Enfin E (m+1) (ξ) − φm+1 (ξ) = 0 s’écrit : f (m+1) (ξ) − (m + 1)! = 0.
φm+1 (t) φm+1 (t)
D’où
f (m+1) (ξ)φm+1 (t)
E(t) = .
(m + 1)!
Corollaire 2.6.1 Soit Pn le polynôme d’interpolation de Lagrange d’une fonction

f relativement aux points x0 , . . . , xn . Soit t un réel donné. Supposons que f ∈
C (n+1) (It ) où It est le plus petit segment contenant x0 , . . . , xn et t. Alors il existe
ξ ∈ It tel que
f (n+1) (ξ) Y
f (t) − Pn (t) = (t),
(n + 1)! n+1
n
Y
Q
avec n+1 (t) = (t − xi ).
i=0
Démonstration
C’est un cas particulier du théorème précédent avec αi = 0 pour i = 0, 1, . . . , n.
38
Chapter 3
Intégration numérique
3.1 Introduction
On cherche à calculer l’intégrale:
Z b
I= f (x)w(x)dx, (3.1)
a
avec w(x) et f (x) deux fonctions définies sur [a, b] telles que w(x) > 0 sur ]a, b[ et
f (x)w(x) est intégrable sur [a, b].
Hormis quelques cas simples, où une primitive de f w peut être trouvée (et il faut
inclure dans ce cas le calcul par changement de variables où l’intégration par parties),
on ne sait pas calculer cette intégrale.
En outre, il arrive fréquemment qu’on ne connaisse la fonction que par ses valeurs
en certains points. Il est alors hors de question de calculer exactement l’intégrale I.
L’intégration numérique est une idée ”naturelle”. L’intégrale de Riemann en fournit
l’idée première.
On considère une subdivision uniforme : a = x0 < x1 < · · · < xn = b de l’intervalle
[a, b], (xi = a + i b−a
n
, i ∈ {0, 1, . . . , n}) et on remplace I par:
b n n
b−aX
Z X
I= f (x)w(x)dx ≈ (xi − xi−1 ) f (αi )w(αi ) = f (αi ) w(αi ) = Sn ,
a i=1
n i=1
avec αi ∈ [xi−1 , xi ].
Z b
Et on a lim Sn = I = f (x)w(x)dx.
n→+∞ a
Z b
La procédure de l’intégration numérique est donc de chercher à remplacer f (x)w(x)dx
a
39
Chapitre 3. Intégration numérique
par une somme finie:

Z b n
X
f (x)w(x)dx = λi f (αi ) + En (f ) (3.2)
a i=1
n
X
où En (f ) désigne le terme de l’erreur commise en remplaçant I par λi f (αi ).
i=1
De telles formules sont appelées formules de quadrature.
L’idée de base dans la recherche des points xi (noeuds de la formule de quadrature)
et des coefficients λi (poids de la formule de quadrature), c’est de remplacer la
fonction f par un polynôme d’interpolation. Dans ce cas, deux formules seront
présentées:
• Les formules de Newton-Cotes.
• Les formules de quadrature de Gauss.
Remarque 3.1.1 Lorsque les poids λi sont indépendants de la fonction f (c’est le

n
X
cas pour les formules de type interpolation), les applications: f → λi f (αi ) et
i=1
f → En (f ) sont linéaires.
Remarque 3.1.2 En remarquant que

Z b Z 1
b−a b−a b+a
g(x)dx = g( t + ) dt
a 2 −1 2 2
on peut toujours ramener l’intégration sur [a, b] à une intégration sur [−1, +1] qu’on
peut prendre comme intervalle de référence.
Définition 3.1.1 On dira que la formule de quadrature (4.2) est de degré k si

En (P ) = 0 pour tout P dans Pk et s’il existe P ∈ Pk+1 tel que En (P ) 6= 0, où Pj est
l’ensemble des polynômes de degré ≤ j.
Autrement dit, en tenant compte de la remarque 3.1, la formule de quadrature (4.2)
est de degré k si: pour toute base (P0, P1, . . . .Pk , Pk+1 ) de Pk+1 avec deg(Pi ) = i, on
a:
En (Pi ) = 0 ∀ i ∈ {0, ..., k} et En (Pk+1 ) 6= 0.
Exemple 3.1: (Formule du rectangle à gauche )

On prend dans la formule (4.2) αi = xi−1 et w(x) = 1, on obtient alors la formule
suivante:
Z b n
b−a X
f (x)dx = f (xi−1 ) + En (f )
a n i=1
n−1
b−a X b−a
= f (a + i ) + En (f )
n i=0 n
40
3.1 Introduction
Détermination du terme d’erreur En (f ) :

Supposons que f est de classe C 1 sur [a, b]. D’après la formule des accroissements
finis, on a:
Pour tout x ∈ [xi , xi+1 ], il existe ξi ∈ [xi , xi+1 ] tel que:
f (x) = f (xi ) + (x − xi ) f 0 (ξi )
d’où
Z xi+1 Z xi+1
f (x)dx = (xi+1 − xi ) f (xi ) + (x − xi ) f (ξi )dx
xi xi
Or, puisque f 0 est continue et x − xi ≥ 0 sur [xi, xi+1 ], il existe, d’après le théorème
de la moyenne appliqué à f 0 , un élément ηi ∈ [xi , xi+1 ] tel que:
Z xi+1 Z xi+1
0 (xi+1 − xi )2 0
(x − xi )f (ξi )dx = f (ηi ) (x − xi )dx = f (ηi )
xi xi 2
On a alors:
Z b n−1 Z
X xi+1
f (x)dx = f (x) dx
a i=0 xi
n−1 n−1
X X (xi+1 − xi )2 0
= (xi+1 − xi ) f (xi ) + f (ηi )
i=0 i=0
2
n−1 n−1
b−aX (b − a)2 X 0
= f (xi ) + f (ηi )
n i=0 2n2 i=0
D’après le théorème de la moyenne, il existe η ∈ [a, b] tel que :
n−1
1X 0
f (ηi ) = f 0 (η).
n i=0
On obtient enfin :
b n−1
b−aX b−a (b − a)2 0
Z
f (x)dx = f (a + i ) + f (η) avec η ∈ [a, b]
a n i=0 n 2n
Exemple 3.2: (Formule du rectangle à droite )

On prend dans la formule (4.2) αi = xi et w(x) = 1, on obtient de la même manière
que précédemment la formule suivante:
b n
b−aX b−a (b − a)2 0
Z
f (x)dx = f (a + i ) + f (η) avec η ∈ [a, b]
a n i=1 n 2n
Exemple 3.3: (Formule du point milieu)
41
xi + xi−1
On prend dans la formule (4.2) αi = et w(x) = 1, on obtient la formule
2
suivante :
b n−1
b−aX
Z
x + xi+1
f (x)dx = f( i ) + En (f )
a 2 i=0 2
Détermination de l’erreur En (f )
Supposons que f est de classe C 2 sur [a, b]. D’après la formule de Taylor, on a: pour
tout x ∈ [xi , xi+1 ], il existe ξi ∈ [xi , xi+1 ] tel que:
x + xi+1 x + xi+1 0 xi + xi+1 1 x + xi+1 2 00
f (x) = f ( i ) + (x − i )f( ) + (x − i ) f (ξi )
2 2 2 2 2
En procédant comme dans l’exemple 3.1 et en remarquant que:
Z xi+1
x + xi+1
(x − i )dx = 0 ,
xi 2
on aboutit à la formule :
b n−1
b−aX b−a (b − a)3 00
Z
f (x)dx = f (a + (2i + 1) ) + f (η) avec η ∈ [a, b]
a n i=0 2n 24n2
3.2 Formules de Newton-Cotes fermées
3.2.1 Formules simples

Ce sont des formules de type interpolation en des points équidistants. Compe tenu
de la remarque 3.2, considérons l’intervalle de référence [−1, +1]. Il s’agit alors de
construire des formules du type:
Z 1 p
X
g(t)dt = 2 λi,p g(ti ) + Ep+1 (g) (3.3)
−1 i=0
p
X
Avec p un entier naturel donné. Posons Ip (g) = 2 λi,p g(ti )
i=0
Les formules de Newton-Cotes fermées consistent à choisir:
1/ Les noeuds ti équidistants avec t0 = −1 et tp = 1 donc ti = −1 + p2 i pour
i = 0, ..., p.
Z 1
2/ Les poids λi,p tels que Ip (g) = Pp (t)dt où Pp est le polynôme d’interpolation
−1
de la Lagrange de g relativement aux points t0 , t1 , . . . , tp .
42
Lemme 3.2.1
Les coefficients λi,p (p fixé, et i = 0, 1, ..., p) sont donnés par la formule suivante:
1 1
Z
λi,p = Li (t)dt
2 −1
où Li (t) est le polynôme de Lagrange de base relativement aux points t0 , t1 , . . . , tp .
ou encore
p p
t − j
Z Y
1
λi,p = p ( )dt pour i ∈ {0, 1, ..., p}.
0 i − j
j=0
j 6= i
Démonstration
Soient L0 , L1 , . . . , Lp les polynômes de base de Lagrange associés aux points t0 , t1 , ..., tp .
Le polynôme Pp (t) d’interpolation de la fonction g aux points t0 , t1 , ..., tp s’écrit alors:
p
X
Pp (t) = g(ti )Li (t)
i=0
On a
p
X
Ip (g) = 2 λi,p g(ti )
i=0
et
Z 1 p Z 1
X
Pp (t)dt = g(ti ) Li (t)dt
−1 i=0 −1
D’où:
1 1 p
t − tj
Z Z
1 1 Y
λi,p = Li (t)dt ( )dt pour i ∈ {0, 1, ..., p}
2 −1 2 −1 ti − tj
j=0
j 6= i
Soit le changement de variable suivant: t = −1 + p2 s alors:
Z p Y p
1 s − j
λi,p = ( )ds pour i ∈ {0, 1, ..., p}
p 0 i − j
j=0
j 6= i
Lemme 3.2.2
Les coefficients λi,p (p fixé , et i = 0, 1, ..., p ) vérifient :
λp−i,p = λi,p pour i ∈ {0, 1, ..., p}
43
Démonstration
D’après le lemme 3.1
Z p p
1
Y s − j
λp−i,p = p ( )ds pour i ∈ {0, 1, ..., p}
0 p− i − j
j=0
j 6= p − i
Si on calcule cette intégrale en faisant le changement de variables suivant: t = p − s
on obtient:
Z p p Z p Y p
1 Y p−t − j 1 t − j
λp−i,p = ( )dt = ( )dt = λi,p
p 0 p− i − j p 0 i − j
j=0 j=0
j 6= p − i j 6= i
Lemme 3.2.3
Si la fonction g est une fonction impaire sur [−1, 1], alors l’erreur de la formule
d’intégration (4.3) est nulle: Ep+1 (g) = 0.
Démonstration
Puisque
Z 1 la fonction g est une fonction impaire sur [−1, 1], on a g(0) = 0 et
g(t)dt = 0.
−1
Comme
Z 1 p
X
g(t)dt = 2 λi,p g(ti ) + Ep+1 (g)
−1 i=0
on tire que
p
X
Ep+1 (g) = −2 λi,p g(ti )
i=0
d’autre part on a:
p
X X X
λi,p g(ti ) = λi,p g(ti ) + λi,p g(ti ) si p est impair
i=0 i≺p/2 ip/2
p
X X X
λi,p g(ti ) = λi,p g(ti ) + λ p2 ,p g(t p2 ) + λi,p g(ti ) si p est pair
i=0 i≺p/2 ip/2
Comme t p2 = 0 , g(0) = 0 , tp− i = −ti

donc
g(tp− i ) = −g(ti ) et que λp−i,p = λi,p
on a :
44
p
X X X
λi,p g(ti ) = λi,p g(ti ) + λp−i,p g(tp−i )
i=0 i≺p/2 ip/2
X X
= λi,p g(ti ) − λi,p g(ti ) = 0.
i≺p/2 i≺p/2
On conclut donc que Ep+1 (g) = 0.
Proposition 3.2.1
Si p est impair, alors la formule (4.3) est de degré ≥ p.
Si p est pair, alors la formule (4.3) est de degré ≥ p + 1.
Démonstration
On a pour i ≤ p
Z 1
Li (t)dt = 2 λi,p
−1
Or par construction les polynômes Li vérifient :

1 si i = j
Li (tj ) =
0 si i 6= j
donc
p
X
λj,p Li (tj ) = λi,p .
j=0
Si on applique la formule (4.3) aux polynômes de base de Lagrange Li , on obtient:

Z 1 p
X
Li (t)dt = 2 λj,p Li (tj ) + Ep+1 (Li )
−1 j=0
on tire donc que Ep+1 (Li ) = 0

Comme les polynômes de Lagrange L0 , L1 , . . . , Lp forment une base de l’espace vec-
toriel Pp on a alors: pour tout P ∈ Pp Ep+1 (P ) = 0. Donc la formule est de
degré≥ p.
Si, de plus, p est un entier pair alors la fonction g(t) = tp+1 est une fonction impaire
et donc Ep+1 (tp+1 ) = 0, d’après le lemme 3.3.
Proposition 3.2.2
p si p est impair
Soit N =
p + 1 si p est pair
on a
p
X
k 0 pour k ≤ N , k impair
λj,p tj = 1
k +1
pour k ≤ N , k pair
j=0
45
p
X
En particulier λj,p = 1.
j=0
Démonstration
D’après la proposition 3.1, on a ∀ k ≤ N Ep+1 (tk ) = 0. Ce qui donne :
p Z 1
X
k k 0 si k ≤ N et k impair
2 λj,p tj = t dt = 2
−1 k +1
si k ≤ N , k pair
j=0
Exemple 3.4 (Formule du Trapèze)

On considère le cas p = 1, w(t) = 1 , t0 = −1 , t1 = 1 , λ0,1 = λ1,1 = 12 , on
obtient la formule suivante:
Z 1
g(t)dt = g(−1) + g(1) + E2 (g)
−1
Détermination de l’erreur E2 (g)

Supposons que g est de classe C 2 sur [−1, 1] et soit P1 le polynôme d’interpolation
de Lagrange de g aux points −1, +1, alors on a
g 00 (ηt )
g(t) − P1 (t) = (t − 1)(t + 1) avec ηt ∈ [−1, 1]
2
d’où
1
g 00 (ηt )
Z
R1
E2 (g) = −1
(g(t) − P1 (t))dt = ( (t − 1)(t + 1) )dt
−1 2
Puisque le polynôme (t2 − 1) garde un signe constant sur [−1, 1] et g 00 est une
fonction continue sur [−1, 1], on peut donc appliquer le théorème de la moyenne et
on obtient:
il existe η ∈ [−1, 1] tel que
g 00 (η) 1 2
Z
2
E2 (g) = (t − 1) dt = − g 00 (η)
2 −1 3
Et d’après la remarque 3.2, on aura pour tout f de classe C 2 sur [a, b] on a:
b
b−a (b − a)3 00
Z
f (x)dx = (f (a) + f (b)) − f (η) η ∈ [−1, 1]
a 2 12
46
3.2.2 Etude de l’erreur dans les formules de Newton-Cotes

Théorème 3.2.1
1/ Si p est pair , si f est de classe C p+2 ([a.b]), alors il existe η ∈ [a, b] tel que:
Z b p Z p Y p
X b−a b − a p+3 f (p+2) (η) 2
f (x)dx = (b−a) λi,p f (a +i ) −( ) t (t−j)dt
a i=0
p p (p + 2)! 0 j=1
2/ Si p est impair, si f est de classe C p+1 ([a, b]), alors il existe η ∈ [a, b] tel que:
Z b p Z pY p
X b−a b − a p+2 f (p+1) (η)
f (x)dx = (b−a) λi,p f (a +i ) −( ) (t−j)dt
a i=0
p p (p + 1)! 0 j=0
Démonstration
Nous donnons la démonstration dans le cas où p est pair. Le cas où p est impair est
à traiter en exercice.
Soit g ∈ C p+2 ([−1, 1]). Soit x ∈ [−1, 1]. Soit P le polynôme d’interpolation de
Lagrange aux points tj = −1 + p2 j , j = 0, 1, . . . , p.
Posons:
p
Q Y
* (t) = (t − j)
j=0

g(x) − P (x)
h(x) = si x 6∈ {t0 , ...tp }

 Q
(x)



et (3.4)

 g 0 (tk ) − P 0 (tk )
 h(tk ) = pour k = 0, . . . , p

 Q0
(tk )
g 0 (x) − P 0 (x) − h(x) 0 (x)

Q
* α(x) = Q si x 6∈ {t0 , ...tp }
(x)
et
Q0
(tk ) [g 00 (tk )−P 00 (tk )]− 00 (tk ) [g 0 (tk )−P (tk )]
Q
* α(tk ) = Q0
2( (tk ))2
pour k = 0, . . . , p
On vérifie facilement que lim h(x) = h(tk ) et lim α(x) = α(tk )
x→tk x→tk
En effet
g(x) − P (x) (t − tk ) g(x) − P (x) (t − tk )
lim h(x) = lim Q = lim Q
x→tk x→tk (x) (t − tk ) x→tk (t − tk ) (x)
g 0 (tk ) − P 0 (tk )
= Q0 = h(tk )
(tk )
De la même manière, on obtient la deuxième égalité.
On conclut donc que les fonctions h et α sont continues sur [−1, 1].
47
Lemme 3.2.4
La fonction h définie par (3.4) est de classe C 1 sur [−1, 1]. De plus, ∀x ∈ [−1, 1],
g (p+2) (ξ)
h0 (x) = α(x) et il existe ξ = ξ(x) ∈ [−1, 1] tel que h0 (x) =
(p + 2)!
Démonstration
Q
1/ En définissant les fonctions h, et α comme précèdemment, on voit que la
h est dérivable en tout point x tel que x 6∈ {t0 , t1 , . . . .., tp } et on a g(x) −
fonctionQ
P (x) = (x)h(x)
d’où
Q0
g 0 (x) − P 0 (x) = (x)h0 (x)
Q
(x)h(x) +
et donc
Q0
g 0 (x) − P 0 (x) − (x)h0 (x)
Q
(x)h(x) =
D’après la définition de la fonction α, on obtient α(x) = h0 (x). Et comme α est
continue, on conclut donc que la fonction h est de classe C 1 sur [−1, 1] et α(x) =
h0 (x) pour tout x ∈ [−1, 1].
Q Q
2/ Posons, pour x ∈ [−1, 1], Qx (t) = P (t) + h(x) (t) + (t − x)α(x) (t). On peut
vérifer facilement qu’on a:
Q
* Le polynôme Qx est un polynôme de degré (p + 2), car est est un polynôme de
degré (p + 1) et donc Qx ∈ IPp+2 .
* Qx (ti ) = g(ti ) pour i = 0, 1, ..., p
* Qx (x) = g(x) et Q0x (x) = g 0 (x) pour tout x
* Q00x (x) = g 00 (x) pour x ∈ {t0 , t1 , ..., tp }
Posons φ(t) = g(t) − Qx (t) alors on a:
* φ(ti ) = 0 pour i ∈ {0, ..., p}
* φ(x) = φ0 (x) = 0
* φ00 (x) = 0 pour x ∈ {t0 , t1 , ..., tp }
En appliquant le théorème de Rolle successivement à φ, φ0 , φ00 , . . . ..., φ(p) , on
aboutit à l’existence de ξ = ξ(x) ∈ [−1, 1] tel que φ(p+1) (ξ) = 0.
Or
(p+2)
Qx (t) = (p + 2)!α(x)
car
P (p+2) (t) = (p+2) (t) = 0
Q
et ((t − x) (t))(p+2) = (p + 2)!

Q
g (p+2) (ξ)
donc: φ(p+1) (ξ) = 0 d’où α0 (x) = (p+2)!
48
Lemme 3.2.5
m−1
Y
Q
Si p est un entier pair, p = 2m, et (t) = (t − tj ) alors la fonction définie par:
j=0
Z x Y
u(x) = (t)dt ∀x ∈ [−1, 1]
−1
vérifie
u(x) ≥ 0 ∀x ∈ [−1, 1]
u(1) = u(−1) = 0
Démonstration
1/ on a:
2m
Y m−1
Y
(t2 − t2j )
Q
(t) = (t − tj ) = t
j=0 j=0
Q
car t2m−j = −tj et donc (t) est une fonction impaire et alors u(1) = u(−1) = 0.
Q Q
2/Soit k ∈ {0, 1, ..., p}. On a (t) ≥ 0 pour t ∈ [t2k , t2k+1 ] et (t) ≤ 0 pour t ∈
[t2k+1 , t2k+2 ]. La fonction u est donc croissante sur [t2k , t2k+1 ] et elle est décroissante
sur [t2k+1 , t2k+2 ].
3/On a, pour tout k tel que: 2k + 2 ≤ m,
Z t2k+2 Y Z t2k+1 Y Z t2k+2 Y
(t)dt = (t)dt + (t)dt
t2k t t
Z 2kt2k+1 Y
2m
2k+1
Z 2m
t2k+2 Y
= (t − tj )dt + (t − tj )dt
t2k j=0 t2k+1 j=0
2
(posons s = t − 2m )
2m
Z t2k+1 Y Z t2k+1 2m−1
Y
= (t − tj )dt + (s − tj )ds
t2k j=0 t2k j=−1
Z t2k+1 2k
Y 2m−1
Y
= (t − t2m + t − t−1 ) (t − tj ) (t − tj )dt
t2k j=0 j=2k+1
2
( Comme tj = −1 + 2m j)
Z t2k+1 2k 2m−1
1 Y Y
= 2(t + ) (t − tj ) (t − tj )dt
t2k 2m j=0 j=2k+1
Or, pour t ∈ [t2k , t2k+1 ], on a:

1 1 2 1
(t + ) ≤ (t2k+1 + ) = −1 + (2k + 1) +
* 2m 2m 2m 2m
1 −1
= −1 + (4k + 2 + 1) ≤ ≤ 0 (car 2k + 2 ≤ m )
2m 2
49
2k
Y
* (t − tj ) ≥ 0 ( produit de (2k + 1) facteurs positifs).
j=0
2m−1
Y
* (t − tj ) ≤ 0 (produit de (2m − 2k − 1) facteurs négatifs).
j=2k+1
Z t2k+2 Y
donc (t) dt ≥ 0 pour tout k tel que 2k + 2 ≤ m
t2k
4/on a pour tout k tel que m < 2k + 2 ≤ 2m

Z t2k+2 Y
u(t2k+2 ) = (t) dt
−1
Z t2m−2k−2 Y Z t2k+2 Y
= (t) dt + (t) dt
−1 Z t2k+2 Y t2m−2k−2
= u(t2m−2k−2 ) + (t) dt car t2m−2k−2 = −t2k+2

t−2k−2 Q
= u(t2m−2k−2 ) car est impaire
D’où u(t2k+2 ) ≥ 0 d’après 3/ et puisque 2m − 2k − 2 ≤ m.
En conclusion, on a u(t2k+2 ) ≥ 0 pour tout k ∈ {0, . . . , m−1}. Et comme la fonction
u est donc croissante sur [t2k , t2k+1 ] et décroissante sur [t2k+1 , t2k+2 ] (d’après 1/ et
2/ ), on a alors u(x) ≥ 0 pour tout x ∈ [−1, 1].
Démonstration du théorème 3.1

On a:
Z 1 p
X
Ep+1 (g) = g(t)dt − 2 λi,p g(ti )
−1 i=0
Z 1 Z 1 Y
= (g(t) − P (t))dt = h(t) (t)dt
−1 −1
Par intégration par parties, on obtient:
Z 1 Z 1
+1
Ep+1 (g) = [h(t)u(t)]−1 − h0 (t)u(t)dt =− h0 (t)u(t)dt
−1 −1
d’où d’après le lemme 3.4,
Z 1 (p+2)
g (ξt )
Ep+1 (g) = − u(t)dt
−1 (p + 2)!
Comme la fonction u est de signe constant et g (p+2) est continue sur [−1, 1], on en
déduit, en appliquant le théorème des valeurs intermédiaires, l’existence d’un réel
θ ∈ [−1, 1] tel que:
Z 1
g (p+2) (θ)
Ep+1 (g) = − u(t)dt
(p + 2)! −1
50
Or, par une intégration par parties, on obtient:

Z 1 Z 1 p
+1
R1 Q Y
u(t)dt = [(t + 1)u(t)]−1 − −1 (t + 1) (t)dt = (t + 1) (t − tj ) dt
−1 −1 j=0
Z 1 p
Y j
= (t + 1)2 (t + 1 − ) dt changement de variable s = t + 1
−1 j=1
m
Zp 2
Y j
2 1
=− s (s − ) ds changement de variable s = m
t
0 j=1
m
p+3 Z p p
1 2
Y
=− t (t − j) dt
m 0 j=1
D’où :
Z 1 p p+3 (p+2) Z p p
X 1 g (θ) 2
Y
g(t)dt = 2 λi,p g(ti ) + t (t − j) dt
−1 i=0
m (p + 2)! 0 j=1
En utilisant la remarque 3.2, on obtient:

b p p p
b−a b − a p+3 f (p+2) (η)
Z X Z Y
2
f (x)dx = (b−a) λi,p f (a +i )−( ) t (t−j)dt
a i=0
p p (p + 2)! 0 j=1
avec η ∈ [a, b]
Exemple 3.5 (Formule de Simpson )

Z 2
1 2 4
Cas p = 2. On a λ0,2 = λ2,2 = , λ1,2 = et t2 (t − 1)(t − 2)dt = − . On a
6 3 0 15
donc:
Z b
(b − a)5 (4

(b − a) a+b
f (x)dx = f (a) + 4f ( ) + f (b) − f (η) avec η ∈ [a, b]
a 6 2 2880
Exemple 3.6 (Formule De Boole)

7 16 2
Cas p = 4. On a λ0,4 = λ4,4 = 90
, λ1,4 = λ3,4 = 45
, λ2,4 = 15
.
b−a
L’application du théorème 3.1 donne en posant h = :
4
Z b
(b − a)
f (x)dx = (7f (a) + 32f ( a + h) + 12 f (a + 2h) + 32f (a + 3h)
a 90
+7f (b) ) + E
7
8 b−a
avec E = − f (6) (η) et η ∈ [a, b]
945 4
51
3.3 Formules de Newton-Cotes composées

D’après l’expression du terme d’erreur dans les formules de Newton-Cotes, on con-
state que ces formules sont d’autant plus précises que la longeur de l’intervalle
d’intégration b−a est petit. C’est pour cela que ces formules sont en général utilisées
d’une manière ”composée”. Plus précisément: on subdivise l’intervalle [a, b] en n
sous-intervalles de même longueur: a = α0 < ... < αn = b avec αi = a + i b−a n
(i =
0, 1, . . . , n), ) puis on écrit:
Z b n−1
X Z αi+1
f (x)dx = f (x) dx
a i=0 αi
On applique alors la formule de quadrature sur [αi , αi+1 ], on obtient le:
Théorème 3.3.1 p
p
b−a t − j
Z
∗ 1 Y
Soient p , n ∈ IN . On a, en posant h = et λi,p = ( )dt
n p 0 i − j
j=0
j 6= i
Z b n−1
X
f (x)dx = h λ0 [ f (a) + f (b) ] + 2λ0 f (a + ih)
a i=1
p−1 n−1
! (3.5)
X X h
+ λj f (a + ih + j ) + Ep+1,n (f )
j=1 i=0
p
avec:
1/ Si p est pair et la fonction f est de classe C p+2 sur [a, b]
p+3 p+2 (p+2) Z p p
b−a 1 f (η) 2
Y
Ep+1,n (f ) = t (t − j) dt avec η ∈ [a, b]
p n (p + 2)! 0 j=1
2/ Si p est impair et la fonction f est de classe C p+1 sur [a, b]

p+2 p+1 (p+1) p
Z p Y
b−a 1 f (η)
Ep+1,n (f ) = (t − j) dt avec η ∈ [a, b]
p n (p + 1)! 0 j=1
Démonstration
On a d’après le théorème 3.1:
52
3.3 Formules de Newton-Cotes composées
Z b n−1 Z
X αi+1
f (x)dx = f (x) dx
a i=0 αi
p
n−1
!
X X αi+1 − αi
= (αi+1 − αi ) λj f (αi + j ) + Ei (f )
i=0 j=0
p
avec:
1/Si p est pair et la fonction f est de classe C p+2 sur [a, b]
p+3 (p+2) Z p p
αi+1 − αi f (ηi ) 2
Y
Ei (f ) = t (t − j) dt avec ηi ∈ [αi , αi+1 ]
p (p + 2)! 0 j=1
2/ Si p est impair et la fonction f est de classe C p+1 sur [a, b]

p+2 (p+1) Z p Yp
αi+1 − αi f (ηi )
Ei (f ) = (t − j) dt avec ηi ∈ [αi , αi+1 ]
p (p + 1)! 0 j=0
Or:
αi+1 − αi h
* =
p p
d’où:
p
n−1
!
X X αi+1 − αi
(αi+1 − αi ) λj f (αi + j )
i=0 j=0
p
p−1
n−1 n−1 X
!
X X h
=h ((λ0 f (αi ) + λp f (αi+1 )) + λj f (αi + j )
i=0 i=0 j=1
p
p−1
n−1 n−1
!
X X X h
= h (λ0 [f (a) + f (b)] + 2λ0 f (a + ih) + λj f (αi + j )
i=1 j=1 i=0
p
* D’après le théorème des valeurs intermédiaires, on a

n−1
1 X (k)
f (ηi ) = f (k) (η) avec η ∈ [a, b],
n j=1
où k = p + 1 si p est impair et k = p + 2 si p est pair.
En utilisant ces trois égalités dans la formule donnée au début de la démonstration,
on obtient la formule du théorème.
Exemple 3.7: (Formule du trapèze composée)

Pour p = 1 et n ∈ IN ∗ on a:
n−1
!
(b − a) 3 00
Z b
b−a X b − a
f (x)dx = ( ) f (a) + f (b) + 2 f (a + i ) − f (η)
a 2n i=1
n 12n2
53
Exemple 3.8: (Formule de Simpson composée)

" n−1
b
b−a b − a
Z X
f (x)dx = ( ) f (a) + f (b) + 2 f (a + i )
a 6n i=1
n
n−1
#
X 1 b − a
+4 f (a + (i + )( )
i=0
2 n
5
1 b−a
− f 00 (η)
90n4 2
Exemple 3.9:(Formule de Boole composée)

Z b
(b − a)
f (x)dx = (7f (a) + 32f ( a + h) + 12 f (a + 2h)
a 90
+32f (a + 3h) + 7f (b) ) + E
7
8 b−a
avec E = − f (6) (η) et η ∈ [a, b]
945 4
Z b n−1
h X
f (x)dx = ( ) 7[f (a) + f (b)] + 14 f (a + ih)
a 90 i=1
n−1
X 1 3
+32 f (a + (i + )h)) + f (a + (i + )h)
i=0
4 4
n−1
!
X 1
+12 f (a + (i + )h)
i=0
2
7
8 b−a
− 6
f (6) (η)
945n 4
3.4 Formule de quadrature de Gauss

On considère la formule de quadrature :
Z b p
X
f (x)w(x)dx = λi f (αi ) + Ep+1 (f ) (3.6)
a i=0
Choisissons les poids λi ainsi que les noeuds xi tels que la formule (4.3) soit de degré
le plus élevé possible .
54
Exemple 3.10:
Cas où p = 1, w(x) = 1 et [a, b] = [−1, 1].
Cherchons λ0 , λ1 , x0 , x1 tels que la formule:
Z b
f (x)w(x)dx = λ0 f (x0 ) + λ1 f (x1 ) + E2 (f ),
a
soit de degré le plus élevé possible, c’est à dire tels que: E2 (f ) = 0 pour f (x) = xk
avec k = 0, 1, .., m, et m le plus élevé possible. On aura donc:
Z 1
1dx = λ0 + λ1 = 2
−1
Z 1
xdx = λ0 x0 + λ1 x1 = 0
−1
Z 1
2
x2 dx = λ0 x20 + λ1 x21 =
−1 3
Z 1
x3 dx = λ0 x30 + λ1 x31 = 0
−1
etc...
Les quatres premières équations forment
√ un système non linéaire qui admet comme
3
solution λ0 = λ1 = 1, x0 = −x1 = 3
On obtient donc la formule:
Z 1 √ √
3 3
f (x)dx = f (− ) + f( ) + E2 (f )
−1 3 3
où E2 (f ) est un polynôme de degré 3.
3.4.1 Polynômes orthogonaux

Soit w : [a, b] → R telle que :
* w soit continue sur ]a, b[ et w(x) > 0, ∀x ∈ ]a, b[
*x → xk w(x) soit intégrable sur [a, b], ∀ k ∈ IN
On définit sur IP (l’espace vectoriel des polynômes à coefficients réels) le produit
scalaire:
Z 1
(P, Q)w = w(x)P (x)Q(x)dx
−1
Théorème 3.4.1
Il existe une suite (Qn )n∈IN unique de polynômes telle que :
1/ deg(Qn ) = n et Qn est monique (i.e: Le coefficient de xn est 1 dans Qn )
55
2/ Pour tout P dans Pn−1 (le sous espace vectoriel de IP des polynômes de degré
≤ n − 1)
(P, Qn )w = 0
Et la suite (Qn ) est définie par :

Q0 (x) = 1
(1,x)w
Q1 (x) = x − (1,1)w
Qn (x) = (x − αn )Qn−1 (x) − βn Qn−2 (x)

(xQn−1 , Qn−1 )w γn−1
avec αn = , βn = et γk = (Qk , Qk )w
γn−1 γn−2
Démonstration
1/Existence:
En utilisant le procédé d’orthogonalisation de Gram-Schmidt sur la base canonique
1, x, x2 , ..., on obtient:
Q0 (x) = 1
(1, x)w
Q1 (x) = x −
(1, 1)w
n−1
X (xn , Qi )w
Qn (x) = xn − ai,n Qi (x) avec ai,n =
i=0
γi
Les polynômes Q0 , Q1 , ..., Qn forment une base de l’espace vectoriel Pn .Ils sont or-
thogonaux entre eux par construction et ils vérifient les conditions 1/ et 2/. Il est
clair que 1/ et 2/ entrainent l’unicité de Qn .
2/ Calcul des coefficients
On a que, pour tout k ∈ IN ∗ , les polynômes Q0 , Q1 , ..., Qk forment une base de
l’espace vectoriel IPk et que tous les polynômes Qk sont moniques. Alors, pour
tout k ∈ IN ∗ , Qk − xQk−1 ∈ IPk−1 et il s’écrit d’une façon unique sous la forme
k−1
X
Qk − xQk−1 = µi Qi . Comme les Qi sont orthogonaux on a:
i=0
Xk−1 k−1
X
* ( Qk − xQk−1 , Qk )w = ( µi Qi , Qk )w = µi (Qi , Qk )w = 0
i=0 i=0
d’où
(Qk , Qk )w = (xQk−1 , Qk )w pour tout k ∈ IN ∗
* (Qk − xQk−1 , Qj )w = 0 pour tout j < k − 1 et pour tout k ∈ IN ∗
56
n−1
X
∗
Soit n ∈ IN . Alors on a Qn − xQn−1 = µi Qi et on peut calculer les produits
i=0
scalaires suivants:
n−1
!
X
* (Qn − xQn−1 , Qn−1 )w = µi Qi , Qn−1 = µn−1 (Qn−1 , Qn−1 )w
i=0 w
D’autre part
(Qn − xQn−1 , Qn−1 )w = (Qn , Qn−1 )w − (xQn−1 , Qn−1 )w = −(xQn−1 , Qn−1 )w
d’où
−(xQn−1 , Qn−1 )w
µn−1 =
(Qn−1 , Qn−1 )w
n−1
!
X
(Qn − xQn−1 , Qn−2 )w = µi Qi , Qn−2 = µn−2 (Qn−2 , Qn−2 )w
i=0 w
D’autre part
(Qn − xQn−1 , Qn−2 )w = (Qn , Qn−2 )w − (xQn−1 , Qn−2 ) w = −(xQn−1 , Qn−2 )w
d’où
−(xQn−1 , Qn−2 )w (Qn−1 , xQn−2 )w
µn−2 = =−
(Qn−2 , Qn−2 )w (Qn−2 , Qn−2 )w
* (Qn − xQn−1 , Qj )w = 0 pour tout j < n − 2
On obtient donc Qn − xQn−1 = µn−1 Qn−1 + µn−2 Qn−2 d’où
Qn = (x − µn−1 )Qn−1 + µn−2 Qn−2
avec
(xQn−1 , Qn−1 )w (Qn−1 , xQn−2 )w
µn−1 = et µn−2 = −
(Qn−1 , Qn−1 )w (Qn−2 , Qn−2 )w
Et en posant
αn = µn−1 et βn = −µn−2 , on obtient les formules du théorème.
Définition 3.4.1
Les polynômes (Qn )n∈IN définis au théorème 3.3, s’appellent les polynômes orthog-
onaux sur [a, b] relativement à la fonction poids w.
Exemples classiques 3.11:

1/[a, b] = [−1, 1] et w(x) = 1. on a:
Q0 (x) = 1
Q1 (x) = x
1
Q2 (x) = x2 −
3
57
3
Q3 (x) = x(x2 − )
5
6 3
Q4 (x) = x4 − x2 + etc...
7 35
Ces polynômes sont appelés les polynômes de Legendre.
2/[a, b] = [−1, 1] et w(x) = √ 1 on a:

1−x2
Q0 (x) = 1
1
Qn (x) = cos(n Arc cos(x)), n ∈ IN ∗
2n−1
Ces polynômes sont appelés les polynômes de Tchebychev et sont en général
notés
1
Tn (x) = n−1 cos(n Arc cos(x)) n ∈ IN ∗
2
Théorème 3.4.2
Soit (Qn )n∈IN la suite des polynômes orthogonaux sur [a, b] relativement à la fonction
poids w. Alors les racines de Qn sont réelles, distinctes et appartiennent à ]a, b[ pour
n ∈ IN ∗ .
Démonstration
Soient α1 , α1 , . . . .., αm , les racines distinctes de Qn appartenant à ]a, b[. On a bien
m ≤ n. Montrons alors que m = n. Raisonnons par l’absurde et supposons que
m<n
Ym
Q Q
Posons (x) = (x − αi ) alors le polynôme (x) ∈ Pn−1 car m < n donc
Q i=0
( (x), Qn (x))w = 0
Z b
Q
d’où w(x) (x)Qn (x)dx = 0,
a
Q Q
comme w(x) (x)Qn (x) garde un signe constant sur ]a, b[ alors (x)Qn (x) ≡ 0 ce
qui est absurde car deg(Qn ) = n ≥ 1.
Théorème 3.4.3
Pour tout n ∈ IN ; il existe une formule de quadrature unique,
Z b n
X
f (x)w(x)dx = λi f (xi ) + En+1 (f )
a i=0
de degré ≥ 2n + 1. De plus:
1/ Les noeuds xi sont les racines de Qn+1 (le (n + 1)ième polynôme orthogonal sur
]a, b[ relativement à w).
58
Z b
2/ λi = Li (x) w(x)dx
a
où
n
Y x − xj
Li (x) = ( ) pour i ∈ {0, 1, ..., n}
xi − xj
j=0
j 6= i
3/ Si f est de classe C 2n+2 sur [a, b] alors il existe η ∈ [a, b] tel que:
b
f (2n+2) (η)
Z
En+1 (f ) = [Qn+1 (x)]2 w(x) dx
(2n + 2)! a
Démonstration
1/ unicité
Posons
n
Y
Q
(x) = (x − xj )
j=0
et soit P ∈ Pn alors
Z bY
(x)P (x) w(x)dx = 0
a
est nécessairement le (n + 1)ième polynôme orthog-

Q Q
car (x)P (x) ∈ P2n+1 . Donc
onal sur ]a, b[ relativement à w. Ses racines x0 , x1 , . . . , xn sont donc définies d’une
manière unique. De plus, en écrivant que la formule est exacte pour tout Li (x) (les
polynômes de base de Lagrange) appartenant à Pn , on obtient:
Z b
λi = Li (x) w(x)dx
a
Ce qui implique l’unicité des coefficients λi .
2/Existence
Soit Qn+1 le (n + 1)ième polynôme orthogonal sur ]a, b[ relativement à w. On sait que
ses racines sont distinctes et appartiennent à ]a, b[. Notons x0 , x1 , ..., xn ces racines
alors
Yn
Qn+1 (x) = (x − xj ).
j=0
Posons
Z b
λi = Li (x)w(x)dx
a
59
Considérons (L0 , . . . , Ln ) la base de l’espace IPn formé par les polynômes de La-
grange, alors tout polynôme P de Pn s’écrit d’une manière unique sous la forme
Xn
P (x) = αi Li (x) où les αi sont des constantes réelles.
i=0
Or puisque

1 si i = j
Li (xj ) =
0 si 6= j
on a
Xn
P (x) = P (xi ) Li (x)
i=0
d’où
Z b Z b n
X n
X Z b
P (x) w(x)dx = P (xi ) Li (x) w(x)dx = P (xi ) Li (x) w(x)dx
a a i=0 i=0 a
et donc
Z b n
X
P (x) w(x)dx = λi P (xi ) .
a i=0
La formule est donc exacte pour tout polynôme P appartenant à Pn .
Soit maintenant le polynôme S ∈ P2n+1 , la division Euclidienne du polynôme S par
le polynôme Qn+1 donne l’existence de deux polynômes P et R dans Pn tels que:
S(x) = P (x)Qn+1 (x) + R(x),
d’où, on a donc:
Z b Z b Z b
S(x)w(x)dx = P (x)Qn+1 (x) w(x)dx + R(x) w(x)dx
a Za b a
Xn Xn
= R(x) w(x)dx = λi R(xi ) = λi S(xi )
a i=0 i=0
Car la formule est exacte sur Pn et Qn+1 (xi ) = 0.

La formule est donc exacte pour tout S dans P2n+1 .
Pour S = L2i qui est un polynôme de P2n la formule est aussi exacte et on obtient:
Rb
λi = a L2i (x) w(x)dx et donc λi > 0 pour i = 0, 1, . . . , n.
3/ Etude de l’erreur
Soit H(x) le polynôme d’interpolation d’Hermite relativement aux points x0 , x1 ,...,
xn tel que H(xi ) = f (xi ) et H 0 (xi ) = f 0 (xi ) pour i = 0, 1, . . . , n. On a :
Z b Xn X n
H(x) w(x)dx = λi H(xi ) = λi f (xi )
a i=0 i=0
60
Or, si f est de classe C2n+2 sur [a, b] , on sait qu’il existe ξ dans [a, b] tel que :
n
f (2n+2) (ξ) Y
f (x) − H(x) = (x − xj )2
(2n + 2)! j=0
d’où
Z b n
X
En+1 (f ) = f (x) w(x)dx − λi f (xi )
a i=0
Z b
= (f (x) − H(x)) w(x)dx
Za b
f (2n+2) (ξx ) 2
= Q (x)w(x)dx
a (2n + 2)! n+1
Comme la fonction Q2n+1 (x) garde un signe constant et que f (2n+2) est continue sur
[a, b], on aura :
f (2n+2) (η) b 2
Z
En+1 (f ) = Q (x)w(x)dx avec η ∈ [a, b].
(2n + 2)! a n+1
Remarque 3.3
En fait, la formule du théorème 3.5 est de degré exactement égal à 2n + 1. En effet,
pour f (x) = x2n+2 , on a f (2n+2) (η) = (2n + 2)! et donc
Z b
En+1 (f ) = Q2n+1 (x)w(x)dx.
a
Remarque 3.4
Dans la formule de quadrature de Gauss à (n + 1) points (théorème 3.5), les coeffi-
cients λi peuvent s’exprimer sous la forme:
γn γn+1
λi = 0 =− 0
Qn+1 (xi )Qn (xi ) Qn+1 (xi )Qn+2 (xi )
Z b
avec γk = Q2n+1 (x)w(x)dx
a
Démonstration:
Les racines polynômes Qn+1 sont x0 , x1 , . . . , xn . Il s’écrit alors
Yn
Qn+1 (x) = (x − xj ).
j=0
On sait aussi que le polynôme d’interpolation de Lagrange est:

n
Y x − xj
Li (x) = ( )
xi − xj
j=0
j 6= i
61
il est facile de voir que

1 Qn+1 (x)
Li (x) = 0
Qn+1 (xi ) x − xi
et le coefficient λi est donné par:
Z b Z b
1 Qn+1 (x)
λi = Li (x) w(x)dx = w(x)dx
a Qn+1 (xi ) a x − xi
Qn+1 (x)
Calculons alors . D’après la relation de récurrence qui lie les polynômes
x − xi
(Qk ), on a:
γk
Qk+1 (x) = (x − αk+1 ) Qk (x) − Qk−1 (x)
γk−1
d’où:
γk
Qk+1 (xi ) = (xi − αk+1 ) Qk (xi ) − Qk−1 (xi )
γk−1
En multipliant la première équation par Qk (xi ) et la deuxième par Qk (x), puis en
retranchant la première de la deuxième, on aura après division par γk :
Qk+1 (x)Qk (xi ) − Qk (x)Qk+1 (xi ) Qk (x)Qk (xi ) Qk (x)Qk−1 (xi ) − Qk−1 (x)Qk (xi )
= (x−xi ) +
γk γk γk−1
Ce qui entraine que :
n n
X Qk (x)Qk (xi ) X Qk+1 (x)Qk (xi ) − Qk (x)Qk+1 (xi )
(x − xi ) =
k=1
γk k=1
γk
n
X Qk (x)Qk−1 (xi ) − Qk−1 (x)Qk (xi )
−
k=1
γk−1
Qn+1 (x)Qn (xi ) Q1 (x)Q0 (xi ) − Q0 (x)Q1 (xi )
= −
γn γ0
Qn+1 (x)Qn (xi ) (x − xi )
= −
γn γ0
D’où !
n
Qn+1 (x) γn X Qk (x)Qk (xi ) 1
= +
x − xi Qn (xi ) k=1 γk γ0
d’où
Z b
1 Qn+1 (x)
λi = w(x)dx
Q0n+1 (xi ) a x − xi !
Z b X n
γn Qk (x)Qk (xi ) 1
= + w(x)dx
Qn (xi )Q0n+1 (xi ) a k=1
γk γ0
( n )
γn X Qk (xi ) Z b Z b
1
= Qk (x) w(x)dx + w(x)dx
Qn (xi )Q0n+1 (xi ) k=1 γk a a γ0
62
Or Q0 (x) = 1, donc
Z b Z b
Qk (x) w(x)dx = Qk (x)Q0 (x) w(x)dx = 0, pour k ≥ 1
a a
et
Z b
Q0 (x)Q0 (x ) w(x)dx = γ0 .
a
On obtient donc:
γn
λi =
Qn (xi )Q0n+1 (xi )
D’après la relation de récurrence, on a
γn+1
Qn+2 (x) = (x − αn+2 ) Qn+1 (x) − Qn (x)
γn
d’où
γn+1
Qn+2 (xi ) = − Qn (xi )
γn
D’où
γn γn+1
=−
Qn (xi ) Qn+2 (xi )
et donc
−γn+1
λi =
Qn+2 (xi )Q0n+1 (xi )
Corollaire 3.4.1 (La formule de Gauss -Tchebytchev à (n + 1) points)

f (x)
Soit f une fonction définie sur [−1, 1] telle que √ soit intégrable. Alors, pour
1 − x2
tout n dans IN :
1 n
π f (2n+2) (η)
Z
f (x) π X 2i + 1
√ dx = f (cos π) + avec η ∈ [−1, 1].
−1 1 − x2 n + 1 i=0 2(n + 1) 2 4n (2n + 2)!
Démonstration
on a:
Qn+1 (x) = Tn+1 (x) = 21n cos((n + 1) Arc cos(x)) n ∈ IN ∗
2i + 1
et xi = cos π ,pour i = 0, 1, ..., n.
2(n + 1)
2i+1
Donc, en posant σi = 2(n+1)
π
n + 1 sin(n + 1)σi 1
Q0n+1 (xi ) = − et Qn+2 (x i ) = sin(n + 1)σi − sin σi
2n sin σi 2n+1
63
1 π
cos2 ((n + 1) Arc cos(x))
Z Z
1 1 π 1
γn+1 = ( n )2 √ dx = n cos 2 ((n + 1) s) ds =
2 −1 1 − x2 4 0 2 4n
D’où
γn+1 π
λi = − 0
= pour i = 0, ..., n.
Qn+1 (xi ) Qn+2 (xi ) n+1
64
Chapter 4
Résolution numérique des

équations différentielles ordinaires
4.1 Introduction
Les équations différentielles constituent l’outil le plus fréquemment utilisé dans la
modélisation des problèmes des sciences physiques et ceux de l’ingénieur.
Dans ce chapitre, nous présenterons quelques méthodes ( ou schémas) numériques
pour la résolution des équations différentielles avec des conditions initiales.
Le problème auquel on s’intéresse, consiste à trouver y : x → y(x) définie sur [a, b]
vérifiant:
y 0 (x) = f (x, y) x ∈ [a, b] Problème de cauchy

(4.1)
y(a) = y0 Condition initiale
où f : [a, b] × R → R
Théorème 4.1.1 (existence et unicité)

On suppose que
i) f est continue sur D = [a, b] × R ;
ii) ∃L 0; ∀x ∈ [a, b] , ∀(y1 , y2 ) ∈ R2 , |f (x, y1 ) − f (x, y2 )| ≤ L |y1 − y2 |
Alors le problème (4.1) admet une solution unique sur [a, b] .
Remarques 4.1
1) La condition ii) est appelée condition de Lipschitz par rapport à la deuxième
variable.
65
Chapitre 4. Résolution numérique des équations différentielles ordinaires
∂f
2) Si (x, y) → est continue et bornée sur D = [a, b] × R, alors la condition ii)
∂y
∂f
est vérifiée ( il suffit de prendre L = max (x, y) et d’appliquer la formule des
(x,y)∈D ∂y
accroissements finis à la fonction y → f (x, y)).
Exemple 4.1
Le problème

 y 0 (x) = −y + 1
x ∈ [e, 5]
xLog(x) Log(x)
 y(e) = e
−y 1
admet une solution unique, puisque la fonction f : (x, y) → + ,
xLog(x) Log(x)
vérifie
y1 − y2 1
|f (x, y1 ) − f (x, y2 )| = ≤ |y1 − y2 |
xLog(x) e
Remarques 4.2
Les résultats obtenus pour (4.1) peuvent être généralisés, modulo quelques ”adapta-
tions”, aux systèmes différentiels et aux équations différentielles d’ordre supérieur.
1) Les systèmes différentiels du premier ordre
x ∈ [a, b] ; y(x) ∈ Rn
f : [a, b] × Rn −→ Rn
(x, y) 7−→ f (x, y)
   
y1 f1 (x, y1, ...., yn )
 y2   f1 (x, y1, ...., yn ) 
y=


 f (x, y) = 



yn f1 (x, y1, ...., yn )
On cherche y solution de
y 0 (x) = f (x, y) x ∈ [a, b]

y(a) = y0
où encore  0
y (x) = f1 (x, y1, ...., yn )
 10


y2 (x) = f2 (x, y1, ...., yn )


 0
yn (x) = fn (x, y1, ...., yn )
66
4.1 Introduction
2) Les équations différentielles d’ordre supérieur à 1:

Il suffit de se ramener au cas des systèmes d’ordre 1. Prenons un exemple:
 00
 y (x) = h(x, y, y 0 ) x ∈ [a, b]
y(a) = y0
 0
y (a) = y00
On pose u1 = y et u2 = y 0 . On obtient alors:

 0
u = u2
 01


u2 = h(x, u1 , u2 )

 u1 (a) = y0
u2 (a) = y00

Cas général:
y (m) (x) = h(x, y, y 0 , ..., y (m−1) )

x ∈ [a, b]
0 0 (m−1) (m−1)
y(a) = y0 , y (a) = y0 , ..., y (a) = y0
On pose u1 = y et u2 = y 0 , ...., um = y (m−1) . On obtient alors:

 0
 u1 = u2
 u0 = u

2 3
0
u = h(x, u1 , u2 , ...., um )
 m

 (m−1)
u1 (a) = y0 , u2 (a) = y00 , ....., um (a) = y0
Notations:
Dans toute la suite, Y (x) désigne la solution exacte du problème (4.1).
Hypothèse:
Dans toute la suite, on supposera que f vérifie les conditions i) et ii) du théorème
4.1.
4.1.1 Principe des méthodes (ou schémas) numériques

On s’intéresse à la détermination d’une approximation de la solution Y du problème
(4.1). Pour cela, on procède à une discrétisation du problème:
on considère une subdivision a = x0 ≺ x1 ≺ ... ≺ xN = b de l’intervalle [a, b] , et on
cherche une valeur approchée yn de y(xn ) pour n = 0, 1, ...., N .
On étudiera dans ce chapitre deux types de méthodes:
67
1) Les méthodes à un pas: Le calcul de yn ne fait intervenir que les valeurs de xn−1
et de yn−1 ( en plus des données du problème).
2) Les méthodes à plusieurs pas: le calcul de yn fait intervenir les valeurs de xn−1 ,...,
xn−k et de yn−1 ,..., yn−k .
Pour la commodité de l’exposé, on imposera dans toute la suite aux points xn d’être
équidistants (en pratique, dans les codes sur les équations différentielles, ca ne sera
b−a
pas le cas). On définit le pas de l’approximation h = , alors xn = a + nh,
N
n = 0, 1..., N .
4.1.2 La méthode d’Euler
On cherche une approximation de y solution de
y 0 (x) = f (x, y) x ∈ [a, b]

y(a) = y0
b−a
Soit x0 = a < x1 < ..... < xN = b avec xn = a + nh pour 0 ≤ n ≤ N , h = .
N
Le schéma d’Euler est donné par:

y 0 = Y0
(4.2)
yn+1 = yn + hf (xn , yn ) n = 0, 1, ..., N
Ce schéma peut être interprété de trois manières différentes:
1) Interprétation graphique
Si on considère la courbe (C) de la fonction Y (x) et la tangente (T ) à la courbe au

point d’abscisse xn , on approche sur [xn , xn+1 ], (C) par (T ).
D’où
T (xn+1 ) − T (xn )
= Y 0 (xn ) = f (xn , Y (xn ))
h
Y (xn+1 ) − Y (xn ) ' T (xn+1 ) − T (xn ) = hY 0 (xn ) = hf (xn , Y (xn ))
=⇒ yn+1 ' Y (xn+1 ) et yn ' Y (xn ) , vérifient
yn+1 = yn + hf (xn , yn )
68
4.2 Etude générale des méthodes à un pas
2) Utilisation de la formule des accroissements finies.
Dans l’intervalle [xn , xn+1 ], on a
Y (xn+1 ) − Y (xn ) = hY 0 (cn ) = hf (cn , Y (cn )) où xn ≺ cn ≺ xn+1
En fait, on ne connait pas la valeur de cn . La méthode d’Euler consiste à faire

l’approximation suivante:
remplacer cn par xn et Y (cn ) par yn
On obtient alors
3) Utilisation d’une formule d’intégration numérique
En intégrant y 0 (x) = f (x, y) sur [xn , xn+1 ], on obtient

Z xn+1 Z xn+1
0
Y (x)dx = f (x, Y (x))dx
xn xn
En utilisant la formule d’intégration du rectangle à gauche, on obtient:
Y (xn+1 ) − Y (xn ) = hf (xn , Y (xn )) + erreur
d’où

Dans les méthodes à un pas, le calcul de yn+1 se fait à partir de xn , yn et h. Nous
écrivons ceci sous la forme :

y0 = Y0
(4.3)
yn+1 = yn + hΦ(xn , yn , h) n = 0, 1, ..., N
où Φ est une fonction continue sur [a, b] × R × [0, h∗ ], avec h∗ 0 donné. Choisir
une méthode, c’est choisir Φ.
Par exemple, si Φ(x, y, h) = f (x, y), alors il s’agit de la méthode d’Euler.
69
Nous allons étudier les conditions qu’il faut imposer à Φ et le lien entre Φ et f pour
que la méthode soit jugée ”bonne”.
Dans ce paragraphe, nous ferons d’abord une théorie générale des méthodes à un
pas en vue de l’étude de l’erreur de discrétisation en = Y (xn ) − yn . Ceci nous amène
à introduire les notions de consistance, de stabilité, d’ordre et de convergence.
L’erreur dans une méthode est due à deux causes:

l’erreur de discrétisation due au procédé de calcul: par exemple, dans la méthode
d’Euler, on a approché la courbe par sa tangente,
les erreurs d’arrondi dues aux pertes de chiffres dans les opérations arithmétiques
effectuées par l’ordinateur.
Que doit-on exiger d’une méthode?
Que l’erreur de discrétisation diminue lorsque h diminue et à la limite y doit tendre
vers Y (x) quand h tend vers zéro: c’est la convergence.
Pouvoir évaluer l’erreur de discrétisation en fonction de h, ceci nous permettra
d’obtenir l’ordre de la méthode.
Savoir la répercussion des erreurs globales sur les calculs ultérieurs. C’est la stabilité.
Que la méthode approche l’équation différentielle. C’est la consistance.
Définition 4.2.1 (consistance)

La méthode yn+1 = yn +hΦ(xn , yn , h) est dite consistante avec l’équation différentielle
(4.1) : y 0 (x) = f (x, y) si

Y (xn+1 ) − Y (xn )
lim max − Φ(x n , Y (x n ), h) =0
h→0 0≤n≤N −1 h
pour toute solution Y (x) de l’équation différentielle (4.1).
Remarque 4.3
Y (xn+1 ) − Y (xn )
La quantité n+1 = − Φ(xn , Y (xn ), h) représente dans un certain
h
sens l’erreur que l’on fait au nième pas, en remplaçant l’équation différentielle (4.1)
par le schéma (4.3).
Définition 4.2.2 (stabilité)

Soient (yn , 0 ≤ n ≤ N ) et (zn , 0 ≤ n ≤ N ) les solutions des systèmes

yn+1 = yn + hΦ(xn , yn , h)
y0 f ixé
70
et

zn+1 = zn + h(Φ(xn , yn , h) + ξn+1 )
z0 = y0 + ξ0
où ξn est quelconque.

La méthode est dite stable s’il existe une constante C indépendante de h, telle que
max |yn − zn | ≤ C max |ξn |

0≤n≤N 0≤n≤N
Remarque 4.4
Cette notion de stabilité implique qu’une petite perturbation sur les données n’entraine
qu’une petite perturbation sur la solution (approchée) et ceci indépendemment de h,
ce qui, du fait de l’existence des erreurs d’arrondi, est absolument nécessaire pour le
traitement numérique du problème. Un schéma ”instable” ne présente aucun intérêt
pratique. Notons que la notion de stabilité précédente est intrinséque au schéma de
résolution numérique.
Définition 4.2.3 ( convergence)

La méthode (4.3) est dite convergente si:
lim max |Y (xn ) − yn | = 0

h→0 0≤n≤N −1
Remarque 4.5
Cette notion de convergence indique que l’erreur de discrétisation en = Y (xn ) − yn
tend vers zéro lorsque h tend vers zéro.
En fait, les trois notions précédentes : consistance, stabilité et convergence, ne sont

pas indépendantes. Nous allons le voir au théorème suivant.
Théorème 4.2.1
Si la méthode à 1 pas donnée par (4.3): yn+1 = yn + hΦ(xn , yn , h) est consistante et
stable, alors elle est convergente.
Démonstration
Y (xn+1 ) − Y (xn )
Posons ξn+1 = − Φ(xn , Y (xn ), h) pour n = 0, .., N − 1 et ξ0 = 0.
h
On a Y (xn+1 ) = Y (xn ) + h(Φ(xn , Y (xn ), h) + ξn+1 )
et Y (x0 ) = Y0 = y0 + ξ0
71
Puisque la méthode (4.3) est consistante alors on a
lim max |ξn+1 | = max |ξn | = 0 (4.4)

h→0 0≤n≤N −1 0≤n≤N
Par ailleurs, d’après la stabilité de la méthode , en remplaçant zn par Y (xn ), on sait

qu’il existe C 0 indépendant de h telle que
max |yn − Y (xn )| ≤ C max |ξn | (4.5)

0≤n≤N 0≤n≤N
En faisant tendre h → 0 dans (4.5), on obtient grâce à (4.4):
lim max |yn − Y (xn )| = 0 (4.6)

h→0 0≤n≤N
ce qui prouve que la méthode (4.3) est convergente et achève la démonstration.
Théorème 4.2.2 (condition nécessaire et suffisante de consistance)

La méthode (4.3) est consistante si et seulement si on a
∀x ∈ [a, b] , ∀y ∈ R, Φ(x, y, 0) = f (x, y)
Démonstration
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h)
h
Utilisant la formule des accroissements finis, on obtient:
∃cn ∈ [a, b] , n+1 = f (cn , Y (cn )) − Φ(xn , Y (xn ), h)
Posons
αn = f (cn , Y (cn )) − Φ(cn , Y (cn ), 0)
βn = Φ(cn , Y (cn ), 0) − Φ(xn , Y (xn ), h)
On a alors:
n+1 = αn + βn
Remarquons que
|βn | ≤ max |Φ(x, Y (x), h) − Φ(x0 , Y (x0 ), 0)| = β(h)

0≤n≤N
72
et que, d’après la continuité uniforme de la fonction (x, h) → Φ(x, Y (x), h) sur le

compact [a, b] × [0, h∗ ], lim |β(h)| = 0. Et, par suite, on a:
h→0
lim max |βn | = 0 (4.7)

h→0 0≤n≤N −1
1) condition suffisante: supposons que Φ(x, y, 0) = f (x, y). Alors on a αn = 0 et

donc n = βn . Il s’en suit, d’après (4.7), que lim max |n+1 | = 0. Ainsi, la
h→0 0≤n≤N −1
méthode (4.3) est consistante.
2) condition nécessaire: supposons que la méthode (4.3) est consistante, i. e.
lim max |n+1 | = 0. Et, par suite, d’après (4.7), on a:
h→0 0≤n≤N −1
lim max |αn | = 0 (4.8)

h→0 0≤n≤N −1
(puisque |αn | ≤ |n+1 | + |βn |)

Par ailleurs, la fonction t → |f (t, Y (t)) − Φ(t, Y (t), 0)| est continue et donc intégrable
au sens de Riemann sur [a, b] , d’où l’on obtient:
N −1 N −1
X b−a X
lim h |αn | = lim |f (cn , Y (cn )) − Φ(cn , Y (cn ), 0)|
h→0 h→0 N
n=0 Z b n=0
= |f (x, Y (x)) − Φ(x, Y (x), 0)| dx

a
or
N −1 N −1
X b − aX
h |αn | = |αn | ≤ (b − a) max |αn |
n=0
N n=0 0≤n≤N
Il s’en suit, grâce à (4.8), que

Z b
|f (x, Y (x)) − Φ(x, Y (x), 0)| dx = 0
a
D’où f (x, Y (x)) = Φ(x, Y (x), 0), ∀x ∈ [a, b] et pour toute solution Y (x) de (4.1).
Soit maintenant (x∗ , y ∗ ) ∈ [a, b] × R. D’après le théorème 4.1, il existe une solution
unique Y (x) de l’équation différentielle:
y 0 (x) = f (x, y) x ∈ [x∗ , b]

y(x∗ ) = y ∗
On a alors f (x∗ , y ∗ ) = Φ(x∗ , y ∗ , 0)

Ainsi, on a ∀(x, y) ∈ [a, b] × R, f (x, y) = Φ(x, y, 0).
Ce qui achève la démonstration.
73
Théorème 4.2.3 (condition suffisante de stabilité)

Si la fonction Φ vérifie une condition de Lipschitz par rapport à la deuxième variable,
i.e.
∃M 0, ∀x ∈ [a, b] , ∀y, y ∈ R, ∀h ∈ [0, h∗ ]
|Φ(x, y, h) − Φ(x, y, h)| ≤ M |y − y|
alors la méthode (4.3) est stable.
Démonstration
Soient yn , 0 ≤ n ≤ N, et zn , 0 ≤ n ≤ N, vérifiant respectivement
zn+1 = zn + h [Φ(xn , zn , h) + n ]
z0 = y0 + 0
n quelconque, 0 ≤ n ≤ N
On a
|yn+1 − zn+1 | ≤ |yn − zn | + h |Φ(xn , yn , h) − Φ(xn , zn , h)| + h |n |
≤ |yn − zn | + hM |yn − zn | + h |n |
≤ (1 + hM ) |yn − zn | + h |n |
Nous allons en déduire par récurrence que
(1 + hM )n+1 − 1
|yn+1 − zn+1 | ≤ (1 + hM )n+1 |y0 − z0 | + max |k | (4.9)
M k≤n
C’est vrai pour n = 0

Supposons que c’est vrai pour n. On a
|yn+1 − zn+1 | ≤ (1 + hM ) |y
n − zn | + h |n |
(1 + hM )n − 1

n
≤ (1 + hM ) (1 + hM ) |y0 − z0 | + max |k | + h |n |
M k≤n−1
n+1 (1 + hM )n+1 − 1
≤ (1 + hM ) |y0 − z0 | + max |k |
M k≤n
Ainsi, l’inéquation (4.9) est vérifiée ∀n.

Par ailleurs, pour k 0, on a 1 + k ≤ ek , d’où
e(n+1)hM − 1
|yn+1 − zn+1 | ≤ e(n+1)hM |y0 − z0 | + max |k |
M k≤n
Or (n + 1)h ≤ (b − a); (n ≤ N − 1), d’où

e(b−a)M − 1
|yn+1 − zn+1 | ≤ e(b−a)M |y0 − z0 | + max |k |
M k≤n
e(b−a)M − 1
D’où en posant C = max(e(b−a)M , ), on obtient
M
74
max |yn − zn | ≤ C max |k |

0≤n≤N 0≤k≤N
Ce qui prouve que la méthode est stable et achève la démonstration.
Corollaire 4.2.1 (condition suffisante de convergence)

Si la fonction Φ vérifie:
1) Φ(x, y, 0) = f (x, y) ∀(x, y) ∈ [a, b] × R
2)∃M 0 tel que |Φ(x, y, h) − Φ(x, y, h)| ≤ M |y − y| ∀x ∈ [a, b] , ∀y, y ∈ R,
alors la méthode (4.3) est convergente.
Démonstration
La propriété 1) entraine , d’après le théorème 4.3, que la méthode est consistante.
La proprièté 2) entraine que la méthode est stable, d’après le théorème 4.4. Le
résultat découle alors du théorème 4.2.
Définition 4.2.4 (ordre de convergence)

La méthode (4.3) est dite d’ordre p, si pour toute solution Y de y 0 = f (x, y), on a

Y (xn+1 ) − Y (xn )
max − Φ(xn , Y (xn ), h) ≤ Khp
0≤n≤N −1 h
où K est une constante indépendante de h.

Y (xn+1 ) − Y (xn )
(ou encore si max − Φ(xn , Y (xn ), h) = θ(hp )).
0≤n≤N −1 h
Théorème 4.2.4
Si la méthode (4.3) est stable et d’ordre p, alors on a
∃K 0 max |yn − Y (xn )| ≤ Khp

0≤n≤N
Démonstration:
On a
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h) avec 0 = 0.
h
Alors, on a
Y (xn+1 ) = Y (xn ) − h [Φ(xn , Y (xn ), h) + n+1 ]
75
La méthode étant stable, on a alors

max |yn − Y (xn )| ≤ C max |n |
0≤n≤N 0≤n≤N
où C est une constante indépendante de h. Or max |n+1 | = max |n | ≤ Khp ,
0≤n≤N −1 0≤n≤N
car la méthode est d’ordre p.
Il s’en suit qu’il existe une constante K
e = CK telle que
max |yn − Y (xn )| ≤ C max |n | ≤ CKhp = Kh e p
0≤n≤N k≤n−1
Ce qui prouve le résultat énoncé et achève la démonstration.
Théorème 4.2.5 ( condition nécessaire et suffisante pour que la méthode

soit d’ordre p)
∂Φ ∂ pΦ
On suppose que f est de classe C p sur [a, b] × R et que la fonction Φ, , ....., p
∂h ∂h
existent et sont continues sur [a, b] × R × [0, h∗ ]. Alors la méthode (4.3) est d’ordre
p, si et seulement si, pour tout (x, y) ∈ [a, b] × R, on a:


 Φ(x, y, 0) = f (x, y)



∂Φ 1


(x, y, 0) = f (1) (x, y)



∂h 2 (4.10)





∂ p−1 Φ

 1
(x, y, 0) = f (p−1) (x, y)



∂h p−1 p
où les fonctions f (k) sont définies par la relation de récurrence

 (0)
 f =f
∂f (k) ∂f (k)
 f (k) = +f
∂x ∂y
Démonstration
Posons
Y (xn+1 ) − Y (xn )
n+1 = − Φ(xn , Y (xn ), h)
h
et
1 1 ∂kΦ
Ψk (x, y) = f (k) (x, y) − (x, y, 0)
(k + 1)! k! ∂hk
Les conditions (4.10) s’écrivent encore

Ψk (x, y) = 0 ∀(x, y) ∈ [a, b] × R, ∀k ∈ {0, 1, ....., p − 1}
76
Il s’agit donc de montrer que

max |n | = θ(hp ) ⇐⇒ Ψk (x, y) = 0 ∀(x, y) ∈ [a, b] × R, ∀k ∈ {0, 1, ....., p − 1}
0≤n≤N −1
On a, en utilisant la formule de Taylor:

∃ cn ∈ ]xn , xn+1 [ tel que
p−1
Y (xn+1 ) − Y (xn ) X hk hp
= Y (k+1) (xn ) + Y (p+1) (cn )
h k=0
(k + 1)! (p + 1)!
p−1
X hk hp
= f (k) (xn , Y (xn ) + Y (p+1) (cn )
k=0
(k + 1)! (p + 1)!
(f étant de classe Cp alors Y est de classe C p+1 )

∃ λ ∈ ]0, h[ tel que
p−1 k k
X h ∂ Φ hp ∂ p Φ
Φ(xn , Y (xn ), h) = (xn , Y (xn ), 0) + (xn , Y (xn ), λ)
k=0
k! ∂hk p! ∂hp
D’où
p−1
X
n+1 = hk Ψk (xn , Y (xn ))+
k=0
(4.11)
p

1 (p+1) 1∂ Φ
hp Y (cn ) − (xn , Y (xn ), λ)
(p + 1)! p! ∂hp
a) Condition suffisante: supposons que les conditions (4.10) sont vérifiées, alors
Ψk (xn , Y (xn )) = 0, pour k = 0, 1, ...., p − 1 et donc
1 ∂ pΦ

p
1 (p+1)

max |n | ≤ h max Y (x) +
max
p! ∂αp (x, y, α)
0≤n≤N −1 a≤x≤b (p + 1)!
a≤x≤b

y∈R
α ∈ [0, h∗ ]
∂ pΦ
Utilisant le fait que Y est de classe C p+1 sur [a, b] et que est continue sur
∂αp
[a, b] × R × [0, h∗ ] , on obtient:
∃K 0 max |n+1 | ≤ Khp
0≤n≤N −1
Et par suite, la méthode (4.3) est d’ordre p.

b) Condition nécessaire: supposons que la méthode (4.3) est d’ordre p, et montrons
que les conditions (4.10) sont vérifiées.
77
Raisonnons par l’absurde: supposons que les conditions (4.10) ne sont pas vérifiées.
Soit k0 le plus petit entier ∈ {0, 1, ..., p − 1} tel que Ψk0 (x, y) 6= 0. On a alors, d’après
(4.11)
p−1
1 ∂ pΦ

X
k p 1 (p+1)
n+1 = h Ψk (xn , Y (xn )) + h Y (cn ) − (xn , Y (xn ), λ)
k=k0
(p + 1)! p! ∂hp
D’où
n+1 = hk0 Ψk0 (xn , Y (xn )) + θ(hk0 +1 ) (4.12)
Or la méthode étant d’ordre ≥ p, alors on a
max |n+1 | ≤ Khp

0≤n≤N −1
d’où
|n+1 |
max ≤ Khp−k0
0≤n≤N −1 hk0
et par suite
|n+1 |
lim max =0 (4.13)
h→0 0≤n≤N −1 hk0
Par ailleurs, on a
N −1 N −1
X |n+1 | b − a X |n+1 | |n+1 |
h = ≤ (b − a) max (4.14)
n=0
hk0 N n=0 hk0 0≤n≤N −1 hk0
Or, on a d’après (4.12)

N −1 N −1
X |n+1 | X
lim h = lim h |Ψk0 (xn , Y (xn )) + θ(h)|
h→0
n=0
hk0 h→0
n=0
N −1
b−a X
= lim |Ψk0 (xn , Y (xn ))| (puisque lim hθ(h) = 0)
N →+∞ N n=0 h→0
Z b
= |Ψk0 (t, Y (t))| dt
a
car la fonction t → |Ψk0 (t, Y (t))| est continue, alors elle est Riemann intégrable.
Z b
Il s’en suit, grâce à (4.13) et (4.14) que |Ψk0 (t, Y (t))| dt = 0. Et par suite, on
a
obtient:
Ψk0 (t, Y (t)) = 0 ∀t ∈ [a, b] , ∀Y solution de (4.1)
78
4.3 Exemples de schémas à un pas
Soit (x∗ , y ∗ ) ∈ [a, b] × R quelconque. Alors, d’après le théorème 4.1, il existe une
solution unique Y (x) de l’équation différentielle
0
y (x) = f (x, y) x ∈ [x∗ , b]
y(x∗ ) = y ∗
D’où
Ψk0 (x∗ , Y (x∗ )) = Ψk0 (x∗ , y ∗ ) = 0
Ainsi, on a
∀x ∈ [a, b] , ∀y ∈ R, Ψk0 (x, y) = 0
Ce qui contredit le fait que Ψk0 (x, y) 6= 0. Ainsi les conditions (4.10) sont nécessairement
vérifiées.
4.3.1 Méthodes du développement à un pas

L’idée la plus simple pour construire une méthode d’ordre p est de choisir, d’après
le théorème 4.6:
h h2 hp−1 (p−1)
Φ(x, y, h) = f (x, y) + f (1) (x, y) + f (2) (x, y) + .... + f (x, y)
2 3! p!
Les relations (4.10) sont trivialement vérifiées.

Pour p = 1, on retrouve le schéma d’Euler.
Si les fonctions f (k) (x, y) , k = 0, 1, ..., p − 1, vérifient la condition de Lipschitz par
rapport à la deuxième variable:
∃Lk 0; ∀x ∈ [a, b] , ∀(y, z) ∈ R2 ,
(k)
f (x, y) − f (k) (x, z) ≤ Lk |y − z| ; 0 ≤ k ≤ p − 1
Alors la fonction Φ vérifie aussi la condition de Lipschitz par rapport à la deuxième

variable:
∃L 0; ∀x ∈ [a, b] , ∀(y, z) ∈ R2 ,
|Φ(x, y, h) − Φ(x, z, h)| ≤ L |y − z|
79
avec
(b − a) (b − a)2 (b − a)p−1
L = L0 + L0 + L1 + .... + Lp .
2 3! p!
Et par suite, d’après le théorème 4.4, la méthode à un pas,
est stable.
Les méthodes du développement de Taylor présentent de graves inconvénients du
point de vue pratique. En effet, elles utilisent les p fonctions f, f (1) , ...., f (p−1) ,
ce qui mobilise un nombre excessif de mémoire. De plus, pour k assez grand, la
complexité des expressions analytiques des fonctions f (k) augmente énormément.
4.3.2 Méthodes de Runge et Kutta (RK)

Elles consistent à choisir , pour p≥ 1
p
X
Φ(x, y, h) = ak Vk (x, y, h)
k=1
où
V1 (x, y, h) = f (x, y)
k−1
!
X
Vk (x, y, h) = f x + αk h, y + h βkj Vj (x, y, h) k≥2
j=1
Les coefficients ak , 1 ≤ k ≤ p, αk et βkj , k=1,....,p , 1≤ j ≤ k − 1, sont choisis de

telle sorte que les relations (4.10) du théorème 4.6 soient vérifiées.
Exemples
1) Cas où p = 1
Φ(x, y, h) = a1 V1 (x, y, h) = a1 f (x, y)
La condition (4.10) du théorème 4.6 s’écrit alors dans ce cas
Φ(x, y, 0) = a1 f (x, y) = f (x, y)
D’où a1 = 1 et Φ(x, y, h) = f (x, y)

On retrouve la méthode d’Euler, qui est d’ordre 1.
80
2) Cas où p = 2
Φ(x, y, h) = a1 V1 (x, y, h) + a2 V2 (x, y, h) = a1 f (x, y) + a2 f (x + α2 h, y + β21 f (x, y))
Les conditions (4.10) du théorème 6 s’écrivent alors dans ce cas:


 Φ(x, y, 0) = (a1 + a2 )f (x, y) = f (x, y)
∂Φ ∂f ∂f 1
(x, y, 0) = a2 α2 (x, y) + a2 β21 f (x, y) (x, y) = f (1) (x, y)
∂h ∂x ∂y 2


∂Φ ∂f ∂f
(x, y, h) = a2 α2 (x + α2 h, y + β21 f (x, y)) + β21 f (x, y) (x + α2 h, y + β21 f (x, y))
∂h ∂x ∂y
Ainsi, la méthode est d’ordre 2, si et seulement si:

a1 + a2 = 1
a2 α2 = a2 β21 = 21
En posant β = β21 (6= 0), on doit donc avoir
1 2β−1
α2 = β, a2 = 2β
, a1 = 2β
Pour β = 12 , cette méthode s’appelle la méthode d’Euler modifiée:

yn+1 = yn + h(f (xn + 12 h, yn + 12 hf (xn , yn ))
(α2 = 21 , a2 = 1, a1 = 0)
Pour β = 1, cette méthode s’appelle la méthode de Heun
yn+1 = yn + h2 (f (xn , yn ) + f (xn + h, yn + hf (xn , yn ))
(α2 = 1, a2 = 21 , a1 = 21 )
3) Cas où p = 4
La méthode de Runge et Kutta classique est donnée par:
h
yn+1 = yn + [V1 + 2V2 + 2V3 + V4 ]
6
où
V1 = f (xn , yn )
V2 = f (xn + 12 h, yn + 12 hV1 )
V3 = f (xn + 12 h, yn + 12 hV2 )
V4 = f (xn + h, yn + hV3 )
Cette méthode est d’ordre 4 ( à vérifier en exercice)
Exercice
Montrer que sous les hypothèes du théorème 4.1, les méthodes de Runge et Kutta
sont stables.
81

Nonlineaire 1

Transféré par

Droits d'auteur :

Formats disponibles

Nonlineaire 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Nonlineaire 1

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique Non Linéaire

1 Résolution numérique des équations non linéaires 1

4 Résolution numérique des équations différentielles ordinaires 65

4.3 Exemples de schémas à un pas . . . . . . . . . . . . . . . . . . . . . . . . . 79

Résolution numérique des équations

1. Décrire l’algorithme de construction de la suite (xn );

2. Chercher sous quelles conditions, la suite(xn ) converge vers un zéro α de f , ainsi

En liaison avec cette notion de rapidité de la convergence, on donne la définition suivante:

|xn+1 − α| = O(|xn − α|p ),

1.2 La méthode des dichotomies

D’après (1.1) et puisque la fonction f est continue, on aura

Dans cet algorithme:

1.3 La méthode de Regula-Falsi ou de la fausse posi-

(x − an )(f (bn ) − f (an ))

f (an ) · f (bn ) < 0, (1.5)

Remarque 1.3.1 Dans le but d’étudier la convergence de la méthode, remarquons d’abord

Théorème 1.3.2 (Ordre de la méthode de Regula-Falsi)

La méthode de Regula-Falsi est à convergence linéaire (d’ordre 1) dans ce cas.

Pour la démonstration du théorème on aura besoin du:

Démonstration du lemme 1.3.1

où M est un réel choisi tel que h(c) = 0, ce qui donne

(b − a)(f (c) − f (a)) − (c − a)(f (b) − f (a))

(xn − an )(f (bn ) − f (an ))

xn+1 − α = g(xn ) − g(α) = (xn − α)g 0 (cn ),

1.4 La méthode des approximations successives

L’algorithme de la méthode des approximations successives est le suivant:

3. Convergence de la suite (xn ): Pour étudier la convergence de la suite on va

|xn − xn−1 | = |g(xn−1 ) − g(xn−2 )| ≤ λ |xn−1 − xn−2 | ≤ · · · ≤ λn−1 |x1 − x0 | .

D’où pour tout n et m entiers (m ≥ n):

Puisque λ ∈ [0, 1[, on obtient lim |xm − xn | = 0.

vérifie g(L) = L, on obtient donc L = α. De plus, si on fixe n et on fait tendre m

Démonstration: Puisque g est de classe C 1 , la fonction g 0 est continue sur [a, b] et

Appliquons le théorème des accroissements finis à la fonction g en deux points x, y

|g(x) − g(y)| ≤ |g 0 (ζ)| |x − y| < λ |x − y| .

Donc la fonction g est contractante et on peut appliquer le théorème 1.4.1.

1. Si |g 0 (α)| < 1, la méthode des approximations successives est localement con-

1. La fonction g 0 est continue au point α, il existe alors un voisinage de α, V =

2. Si |g 0 (α)| > 1 et puisque g 0 est continue au point α, il existe alors un voisinage

|xn+1 − α| = |g(xn ) − g(α)| ≥ |g 0 (ξn )| |xn − α| ≥ r |xn − α| ≥ · · · ≥ rn−N |xN − α| .

Si on passe à la limite on obtient:

lim |xn+1 − α| = +∞,

avec lim ε(xn − α) = 0. D’où

1.5 La méthode de Newton

L’algorithme de la méthode de Newton est le suivant:

Théorème 1.5.1 Soit f une fonction de classe C 2 dans un voisinage V d’une

Si on applique la formule de Taylor aux points xn et α, il existe un ζn compris entre

et la méthode de Newton est d’ordre 2.

1.6 La méthode de la sécante

Démonstration: Puisque f 0 (α) 6= 0, il existe un voisinage de α où f 0 ne s’annule

1.7 Résolution d’un système non linéaire

1.7.1 Méthode des approximations successives

Les conditions de a convergence de la suite (Xk ) sont données dans:

Théorème 1.7.1 Soit U un fermé borné de Rn et G une fonction définie sur U

1. G(U ) ⊂ U , i.e., ∀X ∈ U G(X) ∈ U ;

où k.k est la norme euclidienne dans Rn .

Alors la suite (Xk ) défini par

converge vers α ∈ U (α vérifie G(α) = α).

Théorème 1.7.2 Soit U un fermé borné de Rn et G une fonction définie sur U de

converge vers α ∈ U (α vérifie G(α) = α).