Polynpolycopemethnum

Méthodes numériques (Document en cours de rédaction) .....
1
2
Pourquoi les méthodes numériques
" The way in which numbers are stored and manipulated when
arithmetic operations are performed on microcomputers is
different from the way we, humans, do our arithmetic. We
use the so-called decimal number system, while in micro-
computers, internal calculations are done in the binary
system" [3].
Après la description d’un phénomène ou d’un processus par un modèle mathé-

matique gouverné par une équation ou plus généralement des conditions quanti-
tatives, on aura presque toujours à utiliser l’outil informatique pour calculer des
valeurs numériques des variables objectifs de l’étude en question, automatiser
les opérations et aussi pour simuler la dynamique du système modélisé. Pour ef-
fectuer ces calculs, il faut écrire des algorithmes dits de calcul scientifique. Selon
les problèmes traités, les objectifs de l’étude et les conditions de travail ( ma-
chines, taille des problèmes, contraintes de temps ou d’espace..), le numéricien
ou plutot l’équipe de recherche doit trouver la méthode numérique optimale et
efficace. Pour évaluer la qualité d’une méthode numérique, plusieurs définitions
et concepts on été posés par les spécialistes du calcul scientifique et de l’analyse
numérique. On cite entre autres les notions d’erreur, de convergence, de stabilité,
de complexité, de problème bien posé...[2]. 1
La conception et l’étude des méthodes numériques se font dans le cadre d’une
1. Ces notions feront l’objet d’explications détaillées dans les chapitres ultérieurs
3
branche fondamentale des mathéatique : "l’analyse numérique". L’analyse nu-

mérique est un exemple concret de spécialité interdisciplinaire. D’une part elle
traite des problèmes issus de domaines très variés : sciences physique, indus-
trie, sciences de l’ingénieur, finance....D’autre part, elle fait appel à des outils
scientifiques tels que la théorie de la complexité, l’informatique scientifique, les
techniques de programmation, les notions fondamentales mathématiques (limite,
continuité, normes....).
Comme on verra par la suite, l’analyse numérique est un outil indispensable au
développement de codes de calcul dans differents domaines comme l’énergétique,
l’aérodynamique, la chimie quantique [5], la méthéorologie [4] et biologie cellu-
laire.
De plus, les méthodes numériques sont d’une grande efficacité dans les travaux
de simulation et d’expérimentation mathématiques.
4
Chapitre 1.
Interpolation polynomiale.
Vu leurs flexibilité, régularité et simplicité, les données polynomiales sont très

souhaitées en calcul scientifique.
1. Polynôme d’interpolation de Lagrange
Soit I = [a, b] un intervalle et n ∈ N∗ un entier.

Soit (xi )0≤i≤n une famille de points deux à deux distincts de I .
Proposition 1.1.1 Pour tout i ∈ {0.1...n} on considère le polynôme

n
Y X − xj
Li (X) = .
j=0
xi − xj
j6=i
Pour tout i ∈ {0.1...n}, le polynôme Li (X) est de degré n .
De plus la famille (Li (X))0≤i≤n est une base du R espace véctoriel Rn [X].
Dans toute la suite du cours on confend polynôme et fonction polynomiale as-

sociée.
5
Théorème 1.1.1 On considère une fonction f définie sur I à valeurs dans R.

n
X
Le polynôme Π(n) (f )(x0 ,x1 ,......,xn ) (X) = f (xi ) .Li (X) est l’unique poly-
i=0
nôme appartenant à Rn [X] tel que

(∀i ∈ {0, 1, ...., n}) Π(n) (f )(x0 ,x1 ,......,xn ) (xi ) = f (xi ) .
On l’appelle polynôme d’interpolation de Lagrange de la fonction f aux

points (xi )0≤i≤n .
Démonstration du théorème 1.1.1 :

Il est claire que Π(n) (f )(x0 ,x1 ,......,xn ) (X) coincide avec f en xi pour tout
i ∈ {0.1...n}.
D’où l’existence. n
X
Π(n) (f )(x0 ,x1 ,......,xn ) (X) = f (xi ) .Li (X) ∈ Rn [X] car combinaison linéaire
i=0
des éléments de la famille (Li (X))0≤i≤n qui constitut une base de Rn [X] .
Si P est un élément de Rn [X] vérifiant la condition

(∀i ∈ {0, 1, ...., n})h P (xi ) = f (xi ). i
Alors le polynôme Π(n) (f )(x0 ,x1 ,......,xn ) − P (X) est un élément de Rn [X] vé-
h i
rifiant (∀i ∈ {0, 1, ...., n}) Π(n) (f )(x0 ,x1 ,......,xn ) − P (xi ) = 0.
h i
Donc Π(n) (f )(x0 ,x1 ,......,xn ) − P (X) est de degré au plus n qui admet au moins
n + 1 racines. h i
On a alors forcément Π(n) (f )(x0 ,x1 ,......,xn ) − P (X) = 0Rn [X] .
D’où l’unicité de Π(n) (f )(x0 ,x1 ,......,xn ) (X) dans Rn [X].

On peut aussi définr le polynôme qui interpole y0 , y1 , ......, yn−1 et yn en x0 , x1 , ......, xn−1
et xn comme étant l’unique polynôme P de degré inférieur ou égal à n qui vérifie
la condition P (xi ) = yi pour tout i ∈ {0, 1, ...., n}.
Les polynômes Li (X) s’appellent polynômes de base de Lagrange associés aux
points x0 , x1 , ......, xn−1 et xn .
Exemple 1.1.1 Pour n = 2.
6
x0 = −1 x1 = 0 et x2 = 1 .
On prend f (x0 ) = 3, f (x1 ) = 2 et f (x2 ) = 0.
X (X − 1) X (X + 1)
On a L0 (X) = , L1 (X) = 1 − X 2 et L2 (X) = .
2 2
Le polynôme d’interpolation de Lagrange de f en x0 , x1 et x2 est
2
X −1 2 3
Π(2) (f )(x0 ,x1 ,x2 ) (X) = f (xi ) .Li (X) = X − X + 2.
i=0
2 2
Construction à l’aide de la matrice de Vandermonde.

Théorème 1.1.2 Sous les conditions et notations du théorème 1.1.1, on note
n
X
Π(n) (f )(x0 ,x1 ,......,xn ) (X) = ai .X i avec ai ∈ R pour tout i ∈ {0, 1, ...., n}.
i=0
On pose aussi yi = f (xi ) pour tout i ∈ {0, 1, ...., n}.
Alors le n + 1−uplet (a0 , a1 , ....., an ) est l’unique solution du système linéaire
AX = b où A est la matrice de Vandermond associée à (x0 , x1 , ......., xn ) ( 1 ) et
b ∈ Mn+1,1 (R) avec bi = yi−1 pour tout i ∈ {1, ...., n, n + 1}.

La
 condition d’interpolation n−1 s’écrit évidemment

 a 0 + x a
0 1 ................. + x 0 an−1 + xn0 an = y0
a0 + x1 a1 ................. + xn−1 an−1 + xn1 an = y1

1

 ..........................................................................
a0 + xn a1 ................. + xn−1 n an−1 + xn an = yn
n

Un passage simple à l’écriture matricielle du système mène au théorème.( 2 )
Exemple 1.1.2 Dans l’exemple 1.1.1, si l’on note  

a2
Π(2) (f )(x0 ,x1 ,x2 ) (X) = a2 X 2 + a1 X + a0 , alors  a1  est la solution du
a0
système
1. Matrice dont la ième ligne est 1, xi , x2i , ........., xni

2. On suppose connue l’inversibilité de la matrice de Vondemande lorsque les xi sont deux à

deux distincts
7
    
1 −1 1 x 3
0 0 1 y  =  2 .
1 1 1 z 0
−1
 
 
a2  2 
L’unique solution est  a1  =
 −3 
.
a0
 2 
2
Résultat cohérent avec ce qu’on a trouvé dans l’exemple 1.1.1.
n
Πi=1
2. Le problème de l’erreur d’interpolation de La-

grange
Le polynôme d’interpolation de Lagrange coincide avec la fonction f en les points

(x0 , x1 , ......, xn ). La question la plus interessante est la suivante : ces polynômes
approchent ils la fonction f sur l’intervalle I pour un nombre n de noeuds d’in-
terpolation assez grand ?
Commençons par les observations numériques des figures ??. Il s’agit des courbes
1
de la fonction x 7−→ ainsi que ses polynômes d’interpolation de La-
1 + 25x2
grange pour différents nombre de noeuds d’interpolation (voir figure 4..1).
Théorème 1.2.3 [7] L’erreur d’interpolation ( 3 )

On se place dans les conditions du théorème 1.1.1.
On suppose que f est de classe C n+1 sur I .
Pour simplifier les notations on pose Pn (X) = Π(n) (f )(x0 ,x1 ,......,xn ) (X).
ωn (x) (n+1)
Alors pour tout x ∈ I , il existe ηx ∈ I tel que f (x)−Pn (x) = f (ηx )
(n + 1)!
3. Interpolation error
8
n
Y
où ωn (X) = (X − xj ).
j=0
k ωn k∞
Par conséquent on peut écrire k f − Pn k∞ ≤ k f (n+1) k∞
(n + 1)!
où k g k∞ = M ax | g(t) | pour tout g ∈ C 0 (I = [a, b] , R).
t∈I

Soit x ∈ I = [a, b].
ωn (x) (n+1)
Si x ∈ {x0 , x1 , x2 ...........xn } alors f (x) − Pn (x) = 0 et f (ηx ) = 0
(n + 1)!
pour tout choix de ηx ∈ I .
Si x ∈
/ {x0 , x1 , x2 ...........xn } , on considère la fonction T définie sur I par
ωn (t)
T (t) = f (t) − Pn (t) − (f (x) − Pn (x)) . pour tout t ∈ I.
ωn (x)
On a bien T ∈ C n+1 (I, R) car f ∈ C n+1 (I, R).
De plus T admet x0 , x1 , x2 ...........xn et x comme zéros.
T admet n + 2 zéros au moins.
L’application du théorème de Rolle sur T implique que T 0 admet au moins n + 1
zéros.
L’application du théorème de Rolle sur T 0 implique que T 00 admet au moins n
zéros.
Donc T (n+1) admet au moins un zéro qu’on note ηx .
(n+1)
ωn (t)
On a bien T (n+1) (t) = f (n+1) (t) − Pn(n+1) (t) − (f (x) − Pn (x)) . pour
ωn (x)
tout t ∈ I.
Or Pn(n+1) = 0Rn [X] car Pn ∈ Rn [X].
De plus ωn(n+1) (t) = (n + 1)! pour tout t ∈ I.
(n + 1)!
Donc T (n+1) (t) = f (n+1) (t) − (f (x) − Pn (x)) . pour tout t ∈ I.
ωn (x)
La condition T (n+1) (ηx ) = 0 s’écrit alors
(n + 1)!
f (n+1) (ηx ) − (f (x) − Pn (x)) . =0
ωn (x)
9
ωn (x)
i.e f (x) − Pn (x) = f (n+1) (ηx ). .
(n + 1)!
Ce qui prouve le résultat.
k ωn k∞
La condition k f − Pn k∞ ≤ k f (n+1) k∞ est immédite, toutes les
(n + 1)!
normes k ... k∞ existent par continuité des fonctions .
3. Différences divisées
Lemme 1.3.1 Soit n ∈ N et (xi )0≤i≤n+1 une famille de points deux à deux dis-
tincts de I .
Avec les notations précédentes ( 4 ), on a :
(xn+1 − X) .Π (f )(x0 ,x1 ,......,xn ) (X) − (x0 − X) .Π (f )(x1 ,......,xn ,xn+1 ) (X)
Π (f )(x0 ,x1 ,......,xn+1 ) (X) =
xn+1 − x0
Démonstration du lemme 1.3.1
On pose P (X) = .
xn+1 − x0
Il suffit de montrer que P (X) est un polynôme de degré inférieur ou égal à n + 1

vérifiant (∀i ∈ {0, 1, ...., n, n + 1}) f (xi ) = P (xi ).
On sait que Π (f )(x0 ,x1 ,......,xn ) (X) , Π (f )(x1 ,......,xn ,xn+1 ) (X) ∈ Rn [X] et que
Rn [X] est un espace vectoriel.
Donc
(xn+1 − X) .Π (f )(x0 ,x1 ,......,xn ) (X) , (x0 − X) .Π (f )(x1 ,......,xn ,xn+1 ) (X) ∈ Rn+1 [X].
Donc
∈ Rn+1 [X]
xn+1 − x0
par stabilité de Rn+1 [X] par combinaison linéaire.
4. Le lecteur a surement remarqué qu’on a noté Π au lieu de Πn et Πn+1 . La taille de l’uplet
définit implicitement les indices n ou n + 1 . C’est just pour des raisons de simplification des
notations.
10
C’est à dire
P (X) ∈ Rn+1 [X] (1.1)
Soit i ∈ {1, ...., n}.
On a Π (f )(x0 ,x1 ,......,xn ) (xi ) = Π (f )(x1 ,x1 ,......,xn+1 ) (xi ) = f (xi ).
Donc
(xn+1 − xi ) .Π (f )(x0 ,x1 ,......,xn ) (xi ) − (x0 − xi ) Π (f )(x1 ,......,xn ,xn+1 ) (xi )
P (xi ) =
xn+1 − x0
(xn+1 − xi ) .f (xi ) − (x0 − xi ) f (xi )
=
xn+1 − x0
(xn+1 − x0 ) .f (xi )
= = f (xi ).
xn+1 − x0
On a aussi
(xn+1 − x0 ) .Π (f )(x0 ,x1 ,......,xn ) (x0 ) − (x0 − x0 ) .Π (f )(x1 ,......,xn ,xn+1 ) (x0 )
P (x0 ) =
xn+1 − x0
(xn+1 − x0 ) .Π (f )(x0 ,x1 ,......,xn ) (x0 )
=
xn+1 − x0
= Π (f )(x0 ,x1 ,......,xn ) (x0 ) = f (x0 ).
De même
(xn+1 − xn+1 ) .Π (f )(x0 ,x1 ,......,xn ) (xn+1 ) − (x0 − xn+1 ) .Π (f )(x1 ,......,xn ,xn+1 ) (xn+1 )
P (xn+1 ) =
xn+1 − x0
− (x0 − xn+1 ) .Π (f )(x1 ,x1 ,......,xn+1 ) (xn+1 )
=
xn+1 − x0
= Π (f )(x1 ,x1 ,......,xn+1 ) (xn+1 ) = f (xn+1 ).
Finalement
(∀i ∈ {0, 1, ...., n, n + 1}) P (xi ) = f (xi ) (1.2)
De (1.1) et (1.2) on déduit que P (X) = Π (f )(x0 ,x1 ,......,xn+1 ) (X).
Ce qui prouve le lemme.
Théorème 1.3.4 Soit n ∈ N∗ et (xi )0≤i≤n+1 une famille de points deux à deux
distincts de I = [a, b].
n
X
i−1
On a Π (f )(x0 ,x1 ,......,xn ) (X) = f [x0 ] + f [x0 , x1 , ......, xi ] .Πk=0 (X − xk ).
i=1
Démonstration du théorème 1.3.4
On procède par récurrence sur la taille n + 1 de l’uplet (x0 , x1 , ......, xn ).
11
Le résultat est immédiat pour n = 1 .
On suppose le résultat vrai à l’ordre n .
Soit (x0 , x1 , ......, xn , xn+1 ) un uplet d’éléments de [a, b]n+2 dont les composantes
sont deux à deux distinctes.
Xn+1
i−1
On veut montrer que Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = f [x0 ]+ f [x0 , x1 , ......, xi ] .Πk=0 (X − xk ).
i=1
i−1
On pose F (X) = Πk=0 (X − xk ).
On a Rn+1 [X] = Rn [X]⊕V ect (F (X)) et Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) ∈ Rn+1 [X].
Donc il existe T ∈ Rn [X] et α ∈ R tel que
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = T (X) + α.F (X) (1.3)
Pour tout i ∈ {0, 1, ..., n}, on a
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (xi ) = T (xi ) + α.F (xi ) (1.4)
Or Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (xi ) = f (xi ) et F (xi ) = 0 .
Donc T (xi ) = f (xi ).
T (X) est alors un polynôme de degré inférieur ou égal à n qui coïncide avec f
en x0 , x1 ..... et xn .
Donc T (X)est le polynôme d’interpolation de f en x0 , x1 ..... et xn .
Soit T (X) = Π (f )(x0 ,x1 ,......,xn ) (X).
De (1.3) on a
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = Π (f )(x0 ,x1 ,......,xn ) (X) + α.F (X) (1.5)
12
Or le résultat est supposé vrai à l’ordre n , donc

n
X
i−1
Π (f )(x0 ,x1 ,......,xn ) (X) = f [x0 ] + f [x0 , x1 , ......, xi ] .Πk=0 (X − xk ).
i=1
Donc (1.5) devient
n
X
i−1
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = f [x0 ]+ f [x0 , x1 , ......, xi ] .Πk=0 (X − xk )+α.F (X)
i=1
(1.6)
Pour tout polynôme L ∈ Rn+1 [X] , on note et tout i ∈ N , on note Ci (L) le

coefficient (éventuellement nul) de X i dans l’écriture canonique de L.
Il est claire que

Cn+1 Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = Cn+1 (α.F (X)) = α (1.7)
Or d’après le lemme 1.3.1 on a
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X)
= .
xn+1 − x0
Donc
Cn+1 Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X)
!
= Cn+1
xn+1 − x0
!
−X.Π (f )(x0 ,x1 ,......,xn ) (X) + X.Π (f )(x1 ,......,xn ,xn+1 ) (X)
= Cn+1
xn+1 − x0
1
=− .Cn Π (f )(x0 ,x1 ,......,xn ) (X) − Π (f )(x1 ,......,xn ,xn+1 ) (X) .
xn+1 − x0
1 h i
=− . Cn Π (f )(x0 ,x1 ,......,xn ) (X) − Cn Π (f )(x1 ,......,xn ,xn+1 ) (X) .
xn+1 − x0
Soit

Cn Π (f )(x1 ,......,xn ,xn+1 ) (X) − Cn Π (f )(x0 ,x1 ,......,xn ) (X)
Cn+1 Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = .
xn+1 − x0
(1.8)
Or Π (f )(x0 ,x1 ,......,xn ) (X) et Π (f )(x1 ,......,xn ,xn+1 ) (X) sont des polynômes d’inter-
polation relatives à des uplets de taille n + 1.
Elles satisfont alors l’hypothèse de récurrence et par conséquent
13

 Cn Π (f ) (X) = f [x0 , x1 , ......, xn ]
(x0 ,x1 ,......,xn )

 Cn Π (f )
(x1 ,......,xn ,xn+1 ) (X) = f [x1 , ......, xn , xn+1 ]
f [x , ......, x , x ] − f [x , x , ......, x ]
1 n n+1 0 1 n
D’où par (1.8), on a Cn+1 Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = .
xn+1 − x0
f [x1 , ......, xn , xn+1 ] − f [x0 , x1 , ......, xn ]
Finalement α = (Cf (1.7)).
xn+1 − x0
f [x1 , ......, xn , xn+1 ] − f [x0 , x1 , ......, xn ]
Mais f [x0 , x1 , ......, xn , xn+1 ] = .
xn+1 − x0
Donc α = f [x0 , x1 , ......, xn , xn+1 ].
L’égalité (1.6) devient alors
X n
i−1
Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = f [x0 ] + f [x0 , x1 , ......, xi ] .Πk=0 (X − xk ) +
i=1
f [x0 , x1 , ......, xn , xn+1 ] .F (X)
n+1
X
i−1
Soit Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = f [x0 ] + f [x0 , x1 , ......, xi ] .Πk=0 (X − xk )
i=1
D’où l’hypothèse à l’ordre n + 1.
Ce qui clôt la démonstration du théorème.

Exercice 1 On se place dans l’intervalle [0, 2].
On prend comme points x0 = 0 ; x1 = 0.5 ; x2 = 1 ; x3 = 1.5 et x4 = 2.
On considère la fonction f : x 7−→ x.ln(x + 1) + 2.x2 + 5 .
Dans tout l’exercice, il faut donner les formes dévelopées des polynômes
an X n + an−1 X n−1 + ...... + a1 X + a0 et les valeurs doivent être calculées à
une précisison de deux chiffres après la virgule.
1) En utilisant
les polynômes de base de Lagrange (Li ), calculer les polynômes :
T1 (X) = Π(2) (f )(x0 ,x1 ,x2 ) (X) qui interpole f en x0 , x1 et x2

et T2 (X) = Π(2) (f )(x1 ,x2 ,x3 ) (X) qui interpole f en x1 , x2 et x3 .

2) En déduire par la formule d’Aitken le polynôme K1 (X) = Π(3) (f )(x0 ,x1 ,x2 ,x3 ) (X)
qui interpole f en x0 , x1 , x2 et x3 .
3)
En appliquant la méthode des différences divisées, calculer le polynôme K2 (X) =
Π(3) (f )(x1 ,x2 ,x3 ,x4 ) (X) qui interpole f en x1 , x2 , x3 et x4 .
14
4) Vérifier que pour tout x ∈ [x1 , x4 ] on a | f (4) (x) |≤ 2 et donner un majorant

de l’erreur d’interpolation | f (x) − K2 (x) | en tout x ∈ [x1 , x4 ].
5)Donner la majoration de l’erreur d’interpolation par K2 (X) en 1.75 et calculer
l’erreur exacte puis comparer et conclure.
6)En utilisant une méthode de votre choix vérifier que le polynôme L d’interpo-
lation de f en x0 ,x1 , x2 , x3 et x4 . (Utiliser efficacement les polynômes calculés dans
les questions précédentes).
15
16
Chapitre 2.
La quadrature numérique
1. Contexte de la quadrature numérique
Soit I = [a, b] un intervalle et n ∈ N un entier.

On considère une fonction f définie sur I à valeurs dans R.
Soit (xi )0≤i≤n une famille de points deux à deux distincts de I .
On suppose que (∀i ∈ {0.1...n}) xi < xi+1 .
Zb Zb
Objectif : Approcher le réel f (t)dt par Π(n) (f )(x0 ,x1 ,......,xn ) (t) dt.
a a
D’après les propriétés sur l’interpolation on a :

Zb n
X Zb n
X
Π(n) (f )(x0 ,x1 ,......,xn ) (t) dt = f (xi ) . Li (t)dt = Ai .f (xi ) avec
a i=0 a i=0
Zb
Ai = Li (t)dt.
a
17
n
X Zb n
X
Définition 2.1.1 La sommme pondérée f (xi ) . Li (t)dt = Ai .f (xi )
i=0 a i=0
s’appelle formules de quadrature interpolatoire de Lagrange.
Les xi sont appelés les noeuds d’interpolation.
Les Ai sont appelés poids.
Proposition 2.1.1 Epression explicite de l’erreur

Zb n
X
L’erreur de quadrature E (f ) = f (t)dt − Ai .f (xi ) s’écrit sous la forme
a i=0
Z b (n+1)
f
(ζx )
E (f ) = F (x)dx où F (t) = (t − x0 ) (t − x1 ) ..... (t − xn ) est le
a (n + 1)!
polynôme nodal et ζx ∈ [a, b].
Preuve de la proposition 2.1.1

On a déjà vu en interpolation que pour f assez régulière et tout x ∈ [a, b] il
f (n+1) (ζx )
existe ζx ∈ [a, b] tel que f (x) − Π(n) (f )(x0 ,x1 ,......,xn ) (x) = F (x)
(n + 1)!
avec F (t) = (t − x0 ) (t − x1 ) ..... (t − xn ).
Z b (n+1)
f (ζx )
D’où l’expression E (f ) = F (x)dx.
a (n + 1)!
Corollaire 2.1.1 Une première majoration de l’erreur

Une majoration de l’erreur est
k f (n+1) k∞ b
Z
| E (f ) |≤ | F (x) | dx pour f assez régulière.
(n + 1)! a
Important :
L’erreur est nulle lorsque f est un polynôme de degré inférieur ou égal à n , mais
elle ne l’est pas pour les autres polynômes en général.
On dit que la méthode est d’ordre n.
On dit aussi que la quadrature est exacte pour tout polynôme de degré
inférieur ou égal à n.
18
Théorème 2.1.1 Un théorème de la moyenne

Soit h une fonction continue dans l’intervalle [a, b] et k une fonction intégrable
qui ne change pas de signe dans l’intervalle [a, b].
Zb Zb
Il existe alors c ∈ [a, b] tel que : h(t)k(t)dt = h (c) k(t)dt.
a a
Objectif : Améliorer l’estimation de l’erreur

k f (n+1) k∞ b
Z
| E (f ) |≤ | F (x) | dx.
(n + 1)! a
Sous quelles conditions ?
2. Majoration de l’erreur
Pour tout n ≥ 0 , on considère les points x0 , x1 , ...... et xn deux à deux distincts

de [a, b].
On prend une fonction f assez régulière sur [a, b]et on note Pn (X) = Π (f )(x0 ,x1 ,......,xn ) (X)
le polynôme d’interpôlation de f en x0 , x1 , ...... et xn .
On a prouvé dans le chapitre sur l’interpolation le théorème
Théorème 2.2.2 Si f est de classe C n+1 sur [a, b], alors pour tout x ∈ [a, b] il
existe ηx ∈ [a, b] tel que
f (n+1) (ηx )
f (x) − Pn (x) = F (x).
(n + 1)!
Par conséquent l’erreur de quadrature E (f ) s’écrit sous la forme
Z b Z b Z b
1
E (f ) = f (x) dx − Pn (x) dx = f (n+1) (ηx ) F (x) dx où
a a (n + 1)! a
F (x) = (X − x0 ) (X − x1 ) ........ (X − xn ).
Cette expression nous a permis d’écrire

Z b Z b Z b
1
| E (f ) |=| f (x) dx − Pn (x) dx |≤ | f (n+1) (ηx ) || F (x) |
a a (n + 1)! a
dx
On se propose d’améliorer l’estimation précédente.
19
Proposition 2.2.2 On suppose que f est de classe C n+1 sur [a, b]. On suppose
que le polynôme nodal F (X) ne change pas de signe sur [a, b].
Z b Z b
f (n+1) (c) b
Z
Alors il existe c ∈ [a, b] tel que E (f ) = f (x) dx− Pn (x) dx = F (x) dx.
a a (n + 1)! a
Preuve de la proposition 2.2.2

D’après le théorème 2.2.2 on a :
Z b Z b Z b
1
E (f ) = f (x) dx − Pn (x) dx = f (n+1) (ηx ) F (x) dx.
a a (n + 1)! a
Or F est de signe constant.
Z b
Donc d’après le théorème de la moyenne généralisé on a f (n+1) (ηx ) F (x) dx =
Z b a
(n+1)
f (c) . F (x) dx.
a
D’où le résultat.
Z b
que le polynôme nodal F (X) change de signe sur [a, b] et que F (x) dx = 0.
a
On suppose aussi qu’il existe xn+1 ∈ / {x0 , x1 , ......, xn } dans [a, b] tel que (X − xn+1 ) .F (X)
ne change pas de signe sur [a, b] .
Alors il existe c ∈ [a, b] tel que
Z b Z b
f (n+2) (c) b
Z
E (f ) = f (x) dx − Pn (x) dx = (X − xn+1 ) F (x) dx.
a a (n + 2)! a
Preuve de la Proposition 2.2.3

On pose Pn (X) = Π (f )(x0 ,x1 ,......,xn ) (X) et Pn+1 (X) = Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X).
On sait que Pn+1 (X) = Pn (X) + f [x0 , x1 , ......, xn , xn+1 ] .F (X).
Z b Z b Z b
Donc Pn+1 (x) dx = Pn (x) dx + f [x0 , x1 , ......, xn , xn+1 ] . F (x) dx.
a Z b a Z b Z b a
Or par hypothèse F (x) dx = 0. Donc Pn+1 (x) dx = Pn (x) dx.

a a a
L’erreur de quadrature est alors
Z b Z b Z b Z b Z b
E (f ) = f (x) dx− Pn (x) dx = f (x) dx− Pn+1 (x) dx = f (x)−Pn+1 (x) dx.
a a a a a
(2.1)
20
Or Pn+1 est le polynôme d’interpolation de f en les n + 2 points x0 , x1 , ......, xn

et xn+1 .
Le polynôme nodal correspondant G(X) = (X − xn+1 ) .F (X) ne change pas
de signe sur [a, b] par hypothèse.
Nous sommes alors dans les conditions d’application de la proposition 2.2.2 avec
n←n+1.
On
Z b a alors Z b
f ((n+1)+1) (c) b f (n+2) (c) b
Z Z
f (x) dx− Pn+1 (x) dx = G (x) dx = (x − xn+1 ) F (x) dx.
a a Z ((n + 1) + 1)! a (n + 2)! a
b Z b Z b Z b
Or par ( 2.2) on a f (x) dx − Pn+1 (x) dx = f (x) dx − Pn (x) dx.
Z b a Z b a a a
f (n+2) (c) b
Z
Donc f (x) dx − Pn (x) dx = (x − xn+1 ) F (x) dx.
a a (n + 2)! a
Ce qui prouve le résultat.
Z b
a
On suppose aussi qu’il existe xn+1 ∈ / {x0 , x1 , ......, xn } dans [a, b] tel que (X − xn+1 ) .F (X)
Z b Z b
f (n+2) (c) b
Z
Alors il existe c ∈ [a, b] tel que E (f ) = f (x) dx− Pn (x) dx = (X − xn+1 ) F (x) dx.
a a (n + 2)! a
Preuve de la Proposition 2.2.4 :

On pose Pn (X) = Π (f )(x0 ,x1 ,......,xn ) (X) et Pn+1 (X) = Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X).
On sait que Pn+1 (X) = Pn (X) + f [x0 , x1 , ......, xn , xn+1 ] .F (X).
Z b Z b Z b
Donc Pn+1 (x) dx = Pn (x) dx + f [x0 , x1 , ......, xn , xn+1 ] . F (x) dx.
a Z b a Z b Z b a
Or par hypothèse F (x) dx = 0. Donc Pn+1 (x) dx = Pn (x) dx.
a a a
L’erreur de quadrature est alors
Z b Z b Z b Z b Z b
E (f ) = f (x) dx− Pn (x) dx = f (x) dx− Pn+1 (x) dx = f (x)−Pn+1 (x) dx.
a a a a a
(2.2)
Or Pn+1 est le polynôme d’interpolation de f en les n + 2 points x0 , x1 , ......, xn
et xn+1 .
21
Le polynôme nodal correspondant G(X) = (X − xn+1 ) .F (X) ne change pas

de signe sur [a, b] par hypothèse.
Nous sommes alors dans les conditions d’application de la proposition 2.2.2 avec
n ← n + 1.
On
Z b a alors Z b
f ((n+1)+1) (c) b f (n+2) (c) b
Z Z
f (x) dx− Pn+1 (x) dx = G (x) dx = (x − xn+1 ) F (x) dx.
a a Z ((n + 1) + 1)! a (n + 2)! a
b Z b Z b Z b
Or par ( 2.2) on a f (x) dx − Pn+1 (x) dx = f (x) dx − Pn (x) dx.
Z b a Z b a a a
f (n+2) (c) b
Z
Donc f (x) dx − Pn (x) dx = (x − xn+1 ) F (x) dx . Ce qui
a a (n + 2)! a
prouve le résultat.
Z b
a
On suppose aussi qu’il existe xn+1 ∈ {x0 , x1 , ......, xn } dans [a, b] tel que (X − xn+1 ) .F (X)
Alors il existe d ∈ [a, b] tel que
Z b Z b
f (n+2) (d) b
Z
E (f ) = f (x) dx − Pn (x) dx = (X − xn+1 ) F (x) dx.
a a (n + 2)! a
Preuve de la Proposition 2.2.5

Il existe k ∈ {0, 1, ...n}tel que xn+1 = xk . On pose comme avant G(X) =
(X − xn+1 ) .F (X).
On a bien G(X) = (X − xk ) .F (X) =(X − x0 ) (X − x1 ) .. (X − xk )2 ...... (X − xn ).
On pose
f 0 (xk ) − Pn0 (xk )
an+1 = (2.3)
F 0 (xk )
On a bien F 0 (xk ) 6= 0 car xk est racine simple de F (X) et f 0 (xk ) existe car f
est C n+2 sur [a, b]. Ce qui justifie l’existence de an+1 .
On pose P ] n+1 (X) = Pn (X) + an+1 .F (X).
Z b Z b Z b
Il est claire que Pn (x) dx = Pn+1 (x) dx car
] F (x) dx = 0.
a a a
On a bien l’erreur de quadrature
22
Z b Z b Z b Z b Z b
E (f ) = f (x) dx− Pn (x) dx = f (x) dx− Pn+1 (x) dx =
] f (x) − Pn+1 (x) dx.
]
a a a a a
Soit y ∈ / {x0 , x1 , ......, xn } = Z (G).
On a alors G (y) 6= 0.
f (y) − P ] n+1 (y) f (y) − P] n+1 (y)
On pose α = 2 = .
(y − x0 ) (y − x1 ) .. (y − xk ) ...... (y − xn ) G (y)
On considère la fonction h définie par h (x) = P n+1 (x) − f (x) + α.G (x) pour
]
tout x ∈ [a, b].
Pour tout i ∈ {0, 1, ...., n} on a h (xi ) = P ] n+1 (xi )−f (xi )+α.G (xi ) = Pn (xi )+
an+1 .F (xi ) − f (xi ) + α.G (xi ) = Pn (xi ) − f (xi ) car F (xi ) = G (xi ) = 0 .
Or Pn (xi ) − f (xi ) = 0 car Pn interpole f en xi .
Donc pour tout i ∈ {0, 1, ...., n} on a h (xi ) = 0.
De plus
f (y) − P]n+1 (y)
h (y) = P n+1 (y) − f (y) + α.G (y) = Pn+1 (y) − f (y) + .G (y)
] ]
G (y)
= 0. h s’annule en les n + 2 points deux à deux distincts x0 , x1 , ...... , xn et y .
Donc, par le théorème de Rolle, il existe n + 1 point x00 , x01 ...... et x0n en les quels
h’ est nulle avec
{x00 , x01 ......, x0n } ∩ {x0 , x1 , ......, xn , y} = ∅ ( 1 ).
De plus on a
0
h0 (x) = P ] 0 0 0 0
n+1 (x) − f (x) + α.G (x) = Pn (x) + an+1 .F (x) − f (x) + α.G (x)
0 0
pour tout x ∈ [a, b].

Donc h0 (xk ) = Pn0 (xk )+an+1 .F 0 (xk )−f 0 (xk )+α.G0 (xk ) avec k ∈ {0, 1, ..., n}
tel que xk = xn+1 .
Or G0 (xk ) = 0 car xk est racine double de G(X) =(X − x0 ) (X − x1 ) .. (X − xk )2 ...... (X − xn ).
Donc h0 (xk ) = Pn0 (xk ) + an+1 .F 0 (xk ) − f 0 (xk ).
Par ailleur, (2.3) nous donne
f 0 (xk ) − Pn0 (xk ) 0
h0 (xk ) = Pn0 (xk ) + .F (xk ) − f 0 (xk ) = 0.
F 0 (xk )
h0 s’annule en les n + 2 points deux à deux distincts x00 , x01 ......, x0n et xk .
(n+1)
Toujours par le théorème de Rolle on a (h0 ) s’annule en au moins un point
c ∈ [a, b].
On a alors h(n+2) (c) = 0 .
(n+2)
Or h(n+2) (x) = P ]n+1 (x) − f (n+2) (x) + α.G(n+2) (x) pour tout x ∈ [a, b].
1. C’est pour dire qu’aucun des x0i n’est égale à l’un des nombres x0 , x1 , ...... , xn et y
23

Comme deg P n+1 = deg (Pn (X) + an+1 .F (X)) ≤ n + 1 ,
]
(n+2)
on a P
] n+1 = 0R[X] .
D’où h(n+2) (x) = −f (n+2) (x) + α.G(n+2) (x) pour tout x ∈ [a, b].
Or le terme dominant de G est X n+2 , donc G(n+2) (X) = (n + 2)!.
Donc h(n+2) (x) = −f (n+2) (x) + α. (n + 2)! pour tout x ∈ [a, b].
h(n+2) (c) = 0 s’écrit −f (n+2) (c) + α. (n + 2)! = 0.
f (n+2) (c)
Finalement α = .
(n + 2)!
f (n+2) (c)
On a h (x) = Pn+1 (x) − f (x) + α.G (x) = Pn+1 (x) − f (x) +
] ] .G (x)
(n + 2)!
pour tout x ∈ [a, b].
Or h (y) = 0.
f (n+2) (c)
Donc P n+1 (y) − f (y) + .G (y) = 0.
]
(n + 2)!
f (n+2) (c)
Donc f (y) − P ]n+1 (y) = .G (y).
(n + 2)!
On a prouvé le résultat suivant
Pour tout y ∈
/ {x0 , x1 , ......, xn } , il existe cy ∈ [a, b] tel que
f (n+2) (cy )
f (y) − P
] n+1 (y) = .G (y)
(n + 2)!
Soit y ∈ {x0 , x1 , ......, xn }.

Il est claire que pour tout cy ∈ [a, b] on a
f (n+2) (cy )
f (y) − P ] n+1 (y) = .G (y) car f (y) − P
] n+1 (y) = 0 et G (y) = 0.
(n + 2)!
f (n+2) (cy )
Donc la propriété " il existe cy ∈ [a, b] tel que f (y)−P ]n+1 (y) = .G (y)"
(n + 2)!
est vraie aussi pour tout y ∈ {x0 , x1 , ......, xn }.
Finalement on a
24
f (n+2) (cy )
Pour tout y [a, b] , il existe cy ∈ [a, b] tel que f (y)− P
] n+1 (y) = .G (y).
(n + 2)!
Ou encore , pour tout x [a, b] , il existe cx ∈ [a, b] tel que f (x) − P ] n+1 (x) =
(n+2)
f (cx )
.G (x).
(n + 2)!
Z b Z b Z b (n+2)
f (cx )
Donc f (x) dx− Pn+1 (x) dx =
] .G (x) dx avec G ne change
a a a (n + 2)!
pas de signe sur [a, b].
Donc par le théorème de la myenne généralisé on a l’existence de d ∈ [a, b] tel
Z b (n+2)
f (n+2) (d) b
Z
f (cx )
que .G (x) dx = G (x) dx.
a (n + 2)! (n + 2)! a
On a, finalement, le théorème
Théorème 2.2.3
* Si f est de classe C n+1 sur [a, b]et le polynôme nodal F (X) ne change pas de
signe sur [a, b],
Z b Z b
alors il existe c ∈ [a, b] tel que E (f ) = f (x) dx − Pn (x) dx =
a a
f (n+1) (c) b
Z
F (x) dx.
(n + 1)! a
*Si f est de classe C n+2 sur [a, b] et le polynôme nodal F (X) change de signe
Z b
sur [a, b] avec F (x) dx = 0.
a
S’il existe xn+1 dans [a, b] tel que (X − xn+1 ) .F (X) ne change pas de signe sur
Z b Z b
[a, b]. Alors il existe c ∈ [a, b] tel que E (f ) = f (x) dx − Pn (x) dx =
a a
f (n+2) (c) b
Z
(X − xn+1 ) F (x) dx.
(n + 2)! a
25
3. Les formules de quadrature simples ou élémen-

taires pour un, deux et trois noeuds d’interpo-
lation
Nous reprennons le contexte et les objectifs de la section 1. pour des interpola-

tions d’ordre n=0, n=1 et n=2.
3.1. Pour n = 0 : cas du rectangle
On suppose que n = 0. Il n’ y a que x0 ∈ [a, b] comme noeud d’interpolation. le

polynôme d’interpolation de f en x0 est le polynôme constant Π(0) (f )(x0 ) (x) =
f (x0 ).
a+b
On a trois choix possibles de x0 : x0 = a, x0 = b et x0 = .
2
Formule de quadrature simple pour n = 0 et x0 = a
Z b
f (x)dx ' A0 .f (x0 ) = (b − a) .f (x0 ) = (b − a) .f (a).
a
C’est la formule de quadrature simple dite du rectangle à gauche.
Le polynôme nodal est F (x) = X − a, il a un signe constant sur [a, b].
D’après le théorème 2.2.3, l’erreur est de la forme
f (n+1) (η) b
f 0 (η) b
(b − a)2
Z Z
0
F (x)dx = (x − a)dx = f (η).
(n + 1)! a (0 + 1)! a 2
avec η ∈ [a, b].

Formule de quadrature simple pour n = 0 et x0 = b
Z b
f (x)dx ' A0 .f (x0 ) = (b − a) .f (x0 ) = (b − a) .f (b).
a
C’est la formule de quadrature simple dite du rectangle à droite.
Le polynôme nodal est F (x) = X − b, il a un signe constant sur [a, b].
D’après le théorème2.2.3, l’erreur est de la forme
f (n+1) (η) b (b − a)2
Z b
f 0 (η)
Z
F (x)dx = (x − b)dx = −f 0 (η).
(n + 1)! a (0 + 1)! a 2
26
avec η ∈ [a, b].
a+b
Formule de quadrature simple pour n = 0 et x0 = :
Z b 2
a+b
f (x)dx ' A0 .f (x0 ) = (b − a) .f (x0 ) = (b − a) .f .
a 2
C’est la formule de quadrature simple dite du point milieu.
a+b
Le polynôme nodal est F (x) = X − , il change de signe sur [a, b]. D’après le
2
f (n+2) (η) b
Z
théorème 2.2.3„ l’erreur est de la forme E (f ) = (x − x0 ) .F (x)dx
(n + 2)! a
b
f 00 (η)
Z
= (x − x0 ) .F (x)dx
(0 + 2)! a
2
f 00 (η) b f 00 (η) . (b − a)3
Z
a+b
= x− dx = avec η ∈ [a, b].
2 a 2 24
Ordre des méthode pour n = 0
Lorsque n = 0 et x0 ∈ {a, b}, l’erreur "est une dérivée première de f ".
La méthode est alors exacte pour tout polynôme de degré inférieur ou égal à 0.
La méthode est alors d’ordre 0.
a+b
Lorsque n = 0 et x0 = , l’erreur "est une dérivée deuxième de f ".
2
La méthode est alors exacte pour tout polynôme de degré inférieur ou égal à 1.
La méthode est alors d’ordre 1 même si n 6= 1 .
Méthode Formule de quadrature Expression de l’erreur Ordre

0 (b − a)2
Rectangle à droite (b − a) .f (a) f (η). 0
2 2
(b − a)
Rectangle à gauche (b − a) .f (b) −f 0 (η). 0
2 3
f 00 (η) . (b − a)

a+b
Point milieu (b − a) .f 1
2 24
27
3.2. Pour n = 1
Formule de quadrature simple pour n = 1, x0 = a et x1 = b :
X −b X −a
Le polynôme d’interpolation est P (X) = f (a) . + f (b) . ∈ R1 [X].
a−b b−a
D’abord
Z b on a
f (a) + f (b)
f (x)dx ' A0 .f (x0 ) + A1 .f (x1 ) = (b − a) . .
a 2
C’est la formule de quadrature simple dite formule du trapèze.
Le polynôme nodal est F (X) = (X − x0 ) (X − x1 ) = (X − a) (X − b), il a un
signe constant sur [a, b] .
D’après le théorème 2.2.3 ,on a l’erreur
f (n+1) (η) b f 00 (η) (b − a)3
Z
F (x)dx = (x − a) (x − b) dx = −f ” (η) avec
(n + 1)! a (1 + 1)! 12
η ∈ [a, b].
Il est claire que la méthode est exacte pour les polynômes de degré inférieur à 1,
elle est alors d’ordre 1.
3.3. Pour n = 2
Formule de quadrature simple pour n = 2.

On prend x0 , x1 , x2 ∈ [a, b].
Le polynôme nodal est F (X) = (X − x0 ) (X − x1 ) (X − x2 ) change en général
Z b
son signe sur [a, b] et F (x)dx 6= 0 dans le cas général.
a
a+b
On prend x0 = a , x1 = et x2 = b.
Z b 2
b−a a+b
f (x)dx ' f (a) + 4.f + f (b) , c’est une formule de
a 6 2
quadrature simple pour n = 2 dite formule de Simpson.
Z b
On a F (x)dx = 0 et (X − x1 ) F (X) = (X − x0 ) (X − x1 )2 (X − x2 ) ne
a
28
change pas de signe sur [a, b].

D’après ce qui précède
f (4)(η) b
Z
E (f ) = (x − x0 ) (x − x1 )2 (x − x2 ) dx =
24
a 5
f (4)(η) b − a −f (4) (η) . (b − a)5

− = .
90 2 2880
Il est claire que la méthode est d’ordre 3 même si n = 2 < 3.
4. Formules et erreurs de quadrature composites
Pourquoi la quadrature composite ?

Choix pour amélioration de l’erreur :
1) Augmenter le nombre des points d’interpolation ou encore le degré du poly-
nôme d’interpolation.
2) Découper l’intervalle d’intégration en sous intervalles et appliquer les for-
mules de quadratures élémentaires sur chaque sous intervalle, puis passer à la
somme en appliquant la relation de Schasles.
Z b n−1 Z xi+1
X
f (x)dx = f (x)dt pour n ≥ 1.
a i=0 xi
Dans la suite de cette section, nous présentons une illustration du deuxième
choix, découpage de l’intervalle d’intégration en sous intervalles, pour les cinq
qudratures simples de la section 3.. On notera m l’ordre de la quadrature élé-
mentaire et n le nombre des intervalles (sous-intervalles de [a, b]) dans lesquels
on approchera l’intégrale.
29
4.1. Cas du rectangle
Quadrature composite pour m = 0 et formule du rectangle composite à

gauche
Z xi+1
D’abord f (t)dt ' (xi+1 − xi ) f (xi ) pour i = 0, 1, ...., n − 1.
xi
Z b n−1
X
Par passage à la somme, on obtient l’approximation f (x)dx ' (xi+1 − xi ) f (xi ).
a i=0
On suppose que xi+1 − xi = h avec h constante c.à.d xi = a + i.h.
Z b n−1
X
f (x)dx ' h. f (a + i.h).
a i=0
C’est la formule de quadrature composite du rectangle à gauche.
h2
Pour la qudrature simple, l’erreur est pour i = 0, 1, ...., n − 1 , f 0 (ηi ). avec
2
ηi ∈]xi , xi+1 [.
L’erreur globale correspondante à la quadrature ! composite est
n−1 2 n−1
h 2 X
(b − a) 1 X 0 (b − a)2 0
f 0 (ηi ) = . f (ηi ) = .f (η).
2 i=0 2n n i=0 2n
C’est l’erreur correspondante à la formule de quadrature coposée du rectangle à
gauche.
Justification de la formule du rectangle composite à gauche !
n−1 n−1 n−1 n−1
h2 X 0 (b − a)2 X 0 (b − a)2 X 0 (b − a)2 1 X 0
f (ηi ) = f (ηi ) = f (ηi ) = . f (ηi ) .
2 i=0 2n2 i=0 2n2 i=0 2n n i=0
Pour tout i ∈ {0, 1..n − 1} on a f 0 (ηi ) ∈ f ([a, b]).
2 0
Or d’après le théorème
n−1
! de Darboux ( ) f ([a, b]) est un intervalle.
1 X 0
Donc . f (ηi ) ∈ f 0 ([a, b]).
n i=0
n−1
!
1 X
Donc . f 0 (ηi ) = f 0 (η) avec η ∈ [a, b].
n i=0
2. Le théorème de Darboux dit que l’image d’un intervalle par une application continue
est un intervalle. On dit aussi que la dérivée d’une fonction vérifie la propriété des valeurs
intermédiaires.[?]
30
n−1 n−1
!
h2 X 0 (b − a)2 1 X 0 (b − a)2 0
f (ηi ) = . f (ηi ) = .f (η).
2 i=0 2n n i=0 2n
C’est l’erreur pour la formule de quadrature coposée du rectangle à gauche.
Quadrature composite pour m = 0 et formule du rectangle composite à

droite
Z xi+1
D’abord f (t)dt ' (xi+1 − xi ) f (xi+1 ) pour i = 0, 1, ...., n − 1 .
xi
Z b n−1
X
Par passage à la somme on obtient l’approximation f (x)dx ' (xi+1 − xi ) f (xi+1 ).
a i=0
Z b n
X
f (x)dx ' h. f (a + i.h).
a i=1
C’est la formule de quadrature composite du rectangle à droite.

h2
Pour la qudrature simple l’erreur est pour i = 0, 1, ...., n − 1 , f 0 (ηi ). avec
2
ηi ∈]xi , xi+1 [. !
n−1 n−1
h2 X 0 (b − a)2 1 X 0 (b − a)2 0
f (ηi ) = . f (ηi ) = .f (η).
2 i=0 2n n i=0 2n
C’est l’erreur pour la formule de quadrature composite du rectangle à gauche.
Quadrature composite pour m = 0 et formule composite des points mi-

lieux
Z xi+1
xi + xi+1
On a f (t)dt ' (xi+1 − xi ) f (mi ) avec mi =
xi 2
pour tout i = 0, 1, ...., n − 1 .
Z b n−1
X
Après passage à la somme on obtient f (x)dx ' (xi+1 − xi ) f (mi ).
a i=0
31

Z b n−1
X 2i + 1
f (x)dx ' h. f a+ h .
a i=0
2
C’est la formule de quadrature composite du rectangle à gauche.
Pour la qudrature simple l’erreur est pour i = 0, 1, ...., n − 1 ,
f 00 (ηi ) . (xi+1 − xi )3 f 00 (ηi ) . (b − a)3
= avec ηi ∈ [xi , xi+1 ].
6 6n3
Erreur globale :
n−1 00 n−1
X f (ηi ) . (b − a)3 (b − a)3 1 X 00 (b − a)3
3
= 2
. f (ηi ) = 2
f ” (η) par Darboux
i=0
6n 6n n i=0
6n
toujours.
Application
1
f (x) = .
1 + x2
1) Appliquer Z 1la méthode des rectangles à gauche composite pour n = 4 pour
1
approcher 2
dx .
−1 1 + x
2) Calculer l’erreur exacte.
Solution
Z 1 :
1 2 1 1 1 1 3.1
1) 2
dx ' 2 + 2 + 2
+ 2
= =
−1 1 + x 4 1 + (−1) 1 + (−0.5) 1+0 1 + 0.5 2
1.55.
π
2) Erreur exacte=| − 1.55 |' 0.02.
2
4.2. Quadrature composite pour m = 1 : cas du trapèze
Quadrature composite pour m = 1 ?

Après passage à la somme on a
Z b n−1 n−1
X f (xi ) + f (xi+1 ) X f (a + i.h) + f (a + (i + 1) .h)
f (x)dx ' (xk+1 − xk ) = h. .
a i=0
2 i=0
2
Après changement d’indices on obtient !
Z b n−1
h X
f (x)dx ' f (a) + 2. f (a + i.h) + f (b) . (Formule de quadrature
a 2 i=1
32
composite du trapèze).
Après sommation des erreurs élémentaires simples on trouve l’erreur de la for-
n−1
X (b − a)3
mule du trapèze composite : −f ” (ηi ) .
i=0
12n3
Erreur globale après application du théorème des valeurs intermédiaires :

(b − a)3
−f ” (η) avec η ∈]a, b[.
12n2
Application
1
f (x) = .
1 + x2
1) Appliquer la méthode des trapèzes composite pour n = 4 pour approcher
Z 1
1
2
dx .
−1 1 + x
4.3. Méthode de Simpson compopsite : quadrature compo-

site pour m = 2
Après passage à 
la somme on a 
Z b n−1 n−1
h X X 
f (x)dx '  f (a) + 4 f (a + i.h) + 2. f (a + i.h) + f (b)
.
a 3 i=0 i=0
i impaire i paire
Après sommation d’erreurs élémentaires simples on trouve l’erreur de la formule
(b − a)5
du trapèze composite : E (f ) = −f (4) (η) avec η ∈]a, b[.
2880n4
Application
1
f (x) = .
1 + x2
Z 1Appliquer la méthode de Simpson composite pour n = 4 pour approcher
1)
1
2
dx .
−1 1 + x
33
34
Chapitre 3.
Résolution numérique des EDO par la
méthode d’Euler explicite
1. Dérivation numérique
On se donne une fonction f assez régulière sur un intervalle I.

On connait les valeurs de f en un nombre de points n + 1 notés x0 , x1 , ......et xn .
On note pour tout i ∈ {0, 1.....n} yi = f (xi ).
On suppose que x0 < x1 < ...... < xn et que xi+1 − xi = h ∈ R∗+ pour tout
0 ≤ i < n.
Peut on approcher les nombres f 0 (xi ) en fonction des données (x0 , y0 ), (x1 , y1 ),
......et (xn , yn ) et sous quelles conditions ?
On se propose d’utiliser la formule de Taylor.
h2 h3
f (x + h) = f (x) + hf 0 (x) .h + f ” (x) + f (3) (x) + ........
2! 3!
L’idée consiste à emplacer convenablement x et x + h dans la formule de Taylor

par les données x0 , x1 , ......et xn .
On suppose que le pas h est suffisemment petit pour que la formule de Taylor
35
soit applicable entre les xi et xi + h.

Les termes de puissance en h3 sont négligeables .
h2 h3
yi+1 = f (xi + h) = yi + hf 0 (xi ) .h + f ” (xi ) + f (3) (xi ) + .........
2! 3!
0 h2 h3 (3)
yi−1 = f (xi − h) = yi − hf (xi ) .h + f ” (xi ) − f (xi ) + .........
2! 3!
Après
 passage à la différence et la somme on obtient
 yi+1 + yi−1 = 2yi + h2 f ” (xi ) ........
h3
 yi+1 − yi−1 = 2hf 0 (xi ) .h + 2 f (3) (xi ) + ........
3!
3
Après élimination du terme en h on obtient les formules de dérivation numé-
rique :
yi+1 − yi−1 yi+1 − 2yi + yi−1

f 0 (xi ) ' et f ” (xi ) ' .
2h h2
2. Exemple de motivation :
On se place donc dans un référentiel (R) donné.

La position d’un point matériel placé en→ un point géométrique M en mouvement
−
rectiligne sur l’axe des ordonnées o, j est déterminée par l’ordonnée y(t) à
l’instant t du point géométrique M .
L’application des lois de la dynamique a montré que la position y(t) du point
matériel est liée à la dérivée y 0 (t) par la relation y 0 (t) = 0.1y 2 (t) + 5e−y(t) + t2
pour −1 ≤ t ≤ 1.
De plus on sait que y (0) = 1cm et que l’abscisse x(t) est lié à l’ordonnée par la
relation x (t) = 2cos (y (t)) + 12.
On prend le centimètre comme unité de mesure des distances et la seconde comme
unité de mesure du temps. On se propose dans ce chapitre de répondre aux ques-
tions suivantes.
Q1 : Comment determiner les valeurs approchées des positions y (ti ) à des ins-
tants donnés −1 ≤ t0 < t1 < ........ < tn ≤ 1 avec n ≥ 1 ?
Q2 : L’erreur d’approximation, est elle controlable ? et comment la majorer ?
Q3 : Comment tracer une allure d’un chemin assez proche de la trajectoire réelle
36
correspondant à l’équation différentielle vérifiée par y(t) ?
3. Problème de Cauchy
Le problème de Cauchy (aussi appelé problème aux valeurs initiales) consiste à

trouver la solution d’une EDO, scalaire ou vectorielle, satisfaisant des conditions
initiales.
Par exemple, dans le cas scalaire, si I désigne un intervalle de R contenant le
point α, le problème de Cauchy associé à une EDO du premier ordre en (α, β)
s’écrit :
0
y (x) = f (x, y(x)) (∀x ∈ I)
(3.1)
y (α) = β
Avec f : I × R −→ R.
Définition d’une fonction localement lipschitzienne
Une fonction continue f : I × R −→ R est dite localement lipschitzienne par
rapport à la deuxième variable y si pour tout (α, β) ∈ I × R, il existe C(α,β) > 0
et un voisinage ouvert U(α,β) de (α, β) dans I × R tel que (∀ (t, y1 ) , (t, y2 ) ∈ U )
| f (t, y1 ) − f (t, y2 ) |≤ C(α,β) | y1 − y2 |.
37
Remarque :
Si I est borné et f est de classe C 1 sur I × R alors f est localement lipschitzienne
sur I par rapport à la deuxième variable y.
Théorème de Cauchy Lipschitz
Si f est continue et localement Lipschitzienne par rapport à la variable y

( dite variable d’état) alors le problème de Cauchy (3.1) admet une unique
solution sur I notée y et parfois y (α, β).
4. Résolution par la méthode d’Euler
On condsidère le problème de Cauchy (3.1).

On considère une subdivision à noeuds equidistants.
On considère une subdivision à noeuds equidistants (xi )0≤i≤n avec n ∈ N∗ .
b−a
On note h = le pas de discrétisation.
n
b−a
xi = a + i. = a + i.h pour tout i ∈ {0, 1, ....., n}.
n
On note y (xi ) la valeur exacte de la solution en xi et yi la valeur approchée de
y (xi ).
yi+1 − yi
On remplace alors y 0 (xi )par .
h
Par conséquent y 0 (xi ) = f (xi , y (xi )) devient par passage aux valeurs appro-
yi+1 − yi
chées = f (xi , yi ) pour tout i = 0...n − 1 .
h
D’où le schéma itératif

yi+1 = yi + h.f (xi , yi )
(3.2)
y0 = y (a) = α condition initiale
4.1. Erreur de consistance
L’erreur de consistance (locale) à l’instant i est définie comme l’erreur commise

par la solution exacte dans le schéma numérique (3.2).
38
Plus précisement, l’erreur de consistance à l’instant i est θi = y (xi+1 ) − y (xi ) −

h.f (xi , y (xi )).
C’est à dire θi = y (xi+1 ) − y (xi ) − h.y 0 (xi ) car y 0 (xi ) = f (xi , y (xi )).
h2
Par la formule de Taylor on a y (xi+1 ) = y (xi + h) = y (xi )+h.y 0 (xi )+ y” (ηi )
2
avec xi ≤ ηi ≤ xi+1 .
h2
D’où θi = y” (ηi ).
2
On suppose que y est C 2 sur [a, b] et on note M = M ax | y” (x) |.
x∈[a,b]
h2 h2
On a alors | θi |= | y” (ηi ) |≤ M pour tout i = 0...n − 1.
2 2
Il est claire que θi −→ 0 lorsque h −→ 0.
On dit que la méthode est consistante. Pour récapituler, on écrit le théorème
Théorème 3.4.1 Majoration de l’erreur de consistance

On considère le schéma d’Euler à n+1 noeuds x0 , x1 , ......, xn−1 et xn avec x0 = a
et xn = b.
b−a
On suppose que les xi sont équidistants et on pose h = .
n
On suppose aussi qu’il existe M > 0 tel que (∀x ∈ [a, b]) | y” (x) |≤ M .
Pour tout i ∈ {0, 1, ..., n − 1} on note θi l’erreur de consistance du schéma d’Eu-
ler explicite au point xi .
h2 h2
Pour tout i ∈ {1, ...n − 1, n} on a | θi |= | y” (ηi ) |≤ M pour tout
2 2
i = 0...n − 1.
4.2. Erreur due au schéma numérique
∂f
On suppose que est bornée sur un domiane D contenant [a, b] × y ([a, b]) et
∂x
note K un majorant de
on
∂f
| (x, y) | / (x, y) ∈ D .
∂x
Définition 3.4.1 On appelle erreur locale due au schéma numérique à l’ins-

tant i, le réel ei =| y (xi ) − yi |.
39
Il est claire que
(∀ (x, y) , (x, z) ∈ D) | f (x, y) − f (x, z) |≤ K. | y − z | (3.3)
Pour tout i ∈ {0, 1, ...n − 1}, on a

h2
y (xi+1 ) = y (xi + h) = y (xi ) + h.y 0 (xi ) + y” (ηi ) avecxi ≤ ηi ≤ xi+1 et
2
yi+1 = yi + h.f (xi , yi ).
h2
Donc y (xi+1 ) − yi+1 = y (xi ) − yi + h.y 0 (xi ) − h.f (xi , yi ) + y” (ηi ).
2
Or y 0 (xi ) = f (xi , y (xi )).
h2
Donc y (xi+1 ) − yi+1 = y (xi ) − yi + h.f (xi , y (xi )) − h.f (xi , yi ) + y” (ηi ).
2
h2
i.e y (xi+1 ) − yi+1 = y (xi ) − yi + h. (f (xi , y (xi )) − f (xi , yi )) + y” (ηi ).
2
Par l’inégalité triangulaire | y (xi+1 ) − yi+1 |≤| y (xi ) − yi | +h | f (xi , y (xi )) −
h2
f (xi , yi ) | + | y” (ηi ) | .
2
h2
Donc ei+1 ≤ ei + h | f (xi , y (xi )) − f (xi , yi ) | + M car | y” (ηi ) |≤ M .
2
De plus par (3.3) on a | f (xi , y (xi )) − f (xi , yi ) |≤ K | y (xi ) − yi |= K.ei .
h2
Donc ei+1 ≤ ei + K.ei .h + M c’est à dire
2
h2
ei+1 ≤ (1 + K.h) .ei + M (3.4)
2
Les preuves des lemmes ci-après sont évidentes.
Lemme 3.4.1 Si une suite (uk )k∈N de nombre positives vérifie (∀k ∈ {0....N })
uk+1 ≤ a.uk + b avec a ≥ 0 et b ≥ 0.
1 − ak
Alors (∀k ∈ {1....N + 1})uk ≤ ak .u0 + b .
1−a
Lemme 3.4.2 Pour tout x ≥ 0 on a ex ≥ 1 + x.
h2
Par (3.4) on a ei+1 ≤ a.ei + b avec a = 1 + K.h et b = M.
2
1 − ai h2 1 − (1 + K.h)i
ei ≤ ai .e0 + b. = (1 + K.h) .e0 + M. = (1 + K.h) .e0 +
1−a 2 1 − (1 + K.h)
40
h2 (1 + K.h)i − 1
M.. pour
2 K.h
tout i ∈ {1......n}.
h2 (1 + K.h)i − 1
On a ei ≤ (1 + K.h) .e0 + M. pour tout i ∈ {1......n}.
2 K.h
Or e0 =| y (x0 ) − y0 |=| y (a) − α |= 0 ( 1 ).
h2 (1 + K.h)i − 1
Donc ei ≤ M. pour tout i ∈ {1......n}.
2 K.h
Or par le lemme 3.4.2 on a 1 + K.h ≤ eKh .
h2 eKhi − 1
Donc ei ≤ M. pour tout i ∈ {1......n}.
2 K.h
h eK(b−a) − 1
Finalement ei ≤ M. pour tout i ∈ {1......n}.
2 K
On voit bien qu’on peut rendre les ei assez proches de 0 pour n assez grand. On
dit que le schéma d’Euler explicite est convergent.On vient alors de prouver
le théorème suivant
Théorème 3.4.2 Majoration de l’erreur due au schéma numérique

et xn = b.
b−a
n
On suppose aussi qu’il existe M > 0 tel que (∀x ∈ [a, b]) | y” (x) |≤ M et
qu’il existe K > 0 tel que
(∀ (x, y1 ) , (x, y2 ) ∈ D) | f (x, y1 ) − f (x, y2 ) |≤ K | y1 − y2 |, D étant le
domaine de f .
h eKhi − 1 h eK(xi −a) − 1
Pour tout i ∈ {1, ...n − 1, n} on a ei ≤ M. = M. .
2 K 2 K
5. Stabilité
La machine ne calcule pas exactement les valeurs approchées yi , mais les rem-
place par des valeurs yi∗ différentes des yi àcause des erreurs d’arrondi.
y0∗ = y0 + ε0
Ainsi, sur machine le processuce itératif est ∗
(∀0 ≤ i ≤ n − 1) yi+1 = yi∗ + h.f (xi , yi∗ ) + εi+1
1. On prend comme valeur initiale y0 , la condition initiale α
41
Le nombre εi s’appelle erreur locale due aux erreurs d’arrondi.

Le nombre ε = M ax | εi | est assez important comme on verra par la suite.
0≤i≤n
Théorème 3.5.3 Majoration de l’erreur d’arrondi

et xn = b.
b−a
n
On suppose aussi qu’il existe M > 0 tel que (∀x ∈ [a, b]) | y” (x) |≤ M et
qu’il existe K > 0 tel que
(∀ (x, y1 ) , (x, y2 ) ∈ D) | f (x, y1 ) − f (x, y2 ) |≤ K | y1 − y2 |, D étant le
domaine de f .
Avec les notations ci-dessus et sous les hypothèses de la section 4. de cette fiche,
on a la majoration
eK(b−a) − 1

ε Mh
| yi∗ − y (xi ) |≤ e K(b−a)
| ε0 | + +
K h 2
r
2.ε
Le majorant de l’erreur atteint sa valeur minimale en hc = .
M
Preuve du théorème 3.5.3
y0∗ = y0 + ε0

∗
(∀0 ≤ i ≤ n − 1) yi+1 = yi∗ + h.f (xi , yi∗ ) + εi+1
| yi∗ − y (xi ) |≤| yi∗ − yi | + | yi − y (xi ) |
h eK(b−a) − 1
D’après le théorème 3.4.2 on a ei =| yi − y (xi ) |≤ M. .
2 K
De plus
∗
| yi+1 − yi+1 |=| yi∗ + h.f (xi , yi∗ ) + εi+1 − yi − h.f (xi , yi ) |=| yi∗ − yi +
h. (f (xi , yi∗ ) − f (xi , yi )) + εi+1 |
≤| yi∗ − yi | +h. | f (xi , yi∗ ) − f (xi , yi ) | + | εi+1 |.
Or | f (xi , yi∗ ) − f (xi , yi ) |≤ K. | yi∗ − yi |.
∗
D’où | yi+1 − yi+1 |≤| yi∗ − yi | +h.K. | yi∗ − yi | + | εi+1 |.
42
∗
Alors | yi+1 − yi+1 |≤ (1 + h.K.) | yi∗ − yi | + | εi+1 |.
On pose ti =| yi∗ − yi |.
On a bien ti+1 ≤ (1 + h.K.) .ti + | εi+1 |.
Une simple récurrence mène à
ti ≤ (1 + h.K.)i | ε0 | + (1 + h.K.)i−1 | ε1 | +....... + (1 + h.K.)1 | εi−1 |
+ (1 + h.K.)0 | εi |.
Or ∀k | εk |≤ ε. h i
Donc ti ≤ (1 + h.K.)i | ε0 | + (1 + h.K.)i−1 + ....... + (1 + h.K.)1 + (1 + h.K.)0 .ε
" #
i
(1 + h.K.) − 1
i.e ti ≤ (1 + h.K.)i | ε0 | + .ε.
hK
(1 + h.K.)i − 1 eihK − 1
Or 1 + h.K. ≤ eh.K par le lemme 3.4.2. Donc ≤ et
hK hK
(1 + h.K.)i ≤ eihK .
eihK − 1

ihK
D’où ti ≤ e | ε0 | + .ε. Mais eihK ≤ e(b−a)K car ih ≤ b − a .
hK
(b−a)K
(b−a)K e −1
Alors ti ≤ e | ε0 | + .ε.
 hK
h eK(b−a) − 1
 ei =| yi − y (xi ) |≤ M.


Récapitulons 2 K
e(b−a)K − 1

∗ (b−a)K
 ti =| yi − yi |≤ e | ε0 | + .ε.


hK
h eK(b−a) − 1
Par passage à la sommeet l’inégalité triangulaire on a | yi∗ −y (xi ) |≤ M. +
(b−a)K 2 K
e −1
e(b−a)K | ε0 | + .ε
hK (b−a)K
∗ (b−a)K e −1 ε hM
Donc | yi − y (xi ) |≤ e | ε0 | + . + .
K h 2r
ε hM 2.ε
La fonction h 7−→ + atteint sa valeur minimale en hc = .
h 2 M
43
44
Chapitre 4.
Résolution numérique des EDP :
différences finies explicites et
implicites
1. Schéma explicite
On se propose de résoudre numériquement le problème suivant :

∂u ∂ 2u


 (x, t) − (x, t) = 0 pour a<x<b et 0<t<T
 ∂t
 ∂x2
 u (x, 0) = u0 (x) pour a < x < b condition initiale




u (a, t) = u (b, t) = 0 pour 0 < t < T condition aux limites (extrémités)
On divise [a, b] en M sous intervalle [xj , xj+1 ] avec 0 ≤ j ≤ M .
On divise [0, T ] en M sous intervalle [ti , ti+1 ] avec 0 ≤ i ≤ n avec M, n ∈

{2, 3, .........}.
On suppose aussi que les (ti )0≤i≤n et les (xj )0≤j≤M sont deux à deux équidistants
et on pose xj+1 − xj = ∆x et ti+1 − xi = ∆t .
45
∂u u (xj , ti + ∆t) − u (xj , ti )

On utilise les approximations (xj , ti ) '
∂t ∆t
∂ 2u u (xj + ∆x, ti ) + u (xj − ∆x, ti ) − 2u (xj , ti )
et 2 (x, t) ' .
∂x (∆x)2
C’est à dire
∂u u (xj , ti+1 ) − u (xj , ti ) ∂ 2 u u (xj+1 , ti ) + u (xj−1 , ti ) − 2u (xj , ti )
(xj , ti ) ' et 2 (xj , ti ) '
∂t ∆t ∂x (∆x)2
pour 0 ≤ j ≤ M − 1 et 0 ≤ i ≤ n − 1 .
L’équation différentielle peut alors etre approchée par
u (xj , ti+1 ) − u (xj , ti ) u (xj+1 , ti ) + u (xj−1 , ti ) − 2u (xj , ti )

− ' 0.
∆t (∆x)2
u (xj , ti+1 ) u (xj , ti ) u (xj+1 , ti ) + u (xj−1 , ti ) − 2u (xj , ti )

D’où ' +
∆t ∆t (∆x)2
∆t
D’où u (xj , ti+1 ) ' u (xj , ti ) + (u (xj+1 , ti ) + u (xj−1 , ti ) − 2u (xj , ti ))
(∆x)2

∆t ∆t ∆t
Donc u (xj , ti+1 ) ' 2 .u (xj−1 , ti )+ 1 − 2. 2 u (xj , ti )+ u (xj+1 , ti ).
(∆x) (∆x) (∆x)2
On pose alors u0j = u (xj , t0 ) = u (xj , 0) = u0 (xj ) pour 1 ≤ j ≤ M − 1 ,

uiM = u (xM , ti ) = u (b, ti ) et ui0 = u (x0 , ti ) = u (a, ti ) pour 0 ≤ i ≤ n
On considère le schéma numérique défini par
 0

 uj = u (xj , t0 ) = u (xj , 0) = u0 (xj ) pour 1 ≤ j ≤ M − 1



i+1 ∆t i ∆t i ∆t i
 u j ' 2 .uj−1 + 1 − 2. 2 uj + 2 uj+1 pour 0≤i≤n−1


 (∆x) (∆x) (∆x)
et 1 ≤ j ≤ M − 1

(4.1)
46
 
1 − 2.α α 0 ... ... 0
 ... ... .. 

 α 1 − 2.α α . 
... ... ... .. 
0 α
 
. 
On pose Aα =   ∈ MM −1 (R) et

.. .. .. .. ..

 . . . . . 0  
 .. .. .. .. .. 
 . . . . . α 
0 ... . . . 0 α 1 − 2.α
ui1
 

 ui2 

 .. 
.
Ui = 
 
.. .

 . 

ui 
M −2
uiM −1
u01
   
u0 (x1 )

 u02
  u0 (x2 ) 
  
 ..
  .. 
. .
Alors U i+1 i 0
= Aα .U pour i = 0......n et U =  =
   
.. . .
 .
  .. 
   
u0  u0 (xM −2 )
M −2
u0M −1 u0 (xM −1 )
47
On dit que le schéma est explicite car le vecteur U i+1 est exprimé explicitement
en fonction de U i .
C’est la méthode des différences finies explicites.
1.1. Consistance du schéma
∂u ∂ 2u
Dans la construction du schéma on a utilisé l’égalité (x, t) − 2 (x, t) = 0
∂t ∂x
u (x, t + ∆t) − u (x, t) u (x + ∆x, t) + u (x − ∆x, t) − 2
pour conclure que la quantité E (x, t) = −
∆t (∆x)2
est presque nulle pour ∆t et ∆x asesez petits.
u (x, t + ∆t) − u (x, t) u (x + ∆x, t)

On appelle erreur de discrétisation en (x, t) le réel E (x, t) = −
∆t
On dit que le schéma est consistant avec l’équation différentielle si E (x, t) −→ 0

lorsque (∆x, ∆t) −→ (0, 0).
On suppose u assez régulière ( admet des dérivées d’ordre supérieurs).
Par la formule de Taylor-Lagrange on a
∂u 1 ∂ 2u 1 ∂ 3u 1 ∂ 4u
u (x + α, t) = u (x, t)+α. (x, t)+ α2 . 2 (x, t)+ α3 . 3 (x, t)+ α4 . 4 (x̃, t).
∂x 2 ∂x 6 ∂x 12 ∂x
Pour α assez proche de 0 avec x̃ compris entre x et x + α .
On écrit la formule pour α = ±∆x on a
∂u 1 ∂ 2u 1 ∂ 3u
u (x + ∆x, t) = u (x, t)+∆x. (x, t)+ (∆x)2 . 2 (x, t)+ (∆x)3 . 3 (x, t)+
∂x 2 ∂x 6 ∂x
1 ∂ 4u
(∆x)4 . 4 (x̃, t).
24 ∂x
∂u 1 ∂ 2u 1 ∂ 3u
u (x − ∆x, t) = u (x, t)−∆x. (x, t)+ (∆x)2 . 2 (x, t)− (∆x)3 . 3 (x, t)+
∂x 2 ∂x 6 ∂x
48
1 ∂ 4u
(∆x)4 . 4 (x̃, t).
24 ∂x
On passe à la somme
∂ 2u 1 4
4 ∂ u
u (x + ∆x, t)+u (x − ∆x, t) = 2u (x, t)+(∆x)2 . (x, t)+ (∆x) . (x̃, t).
∂x2 12 ∂x4
D’où
u (x + ∆x, t) + u (x − ∆x, t) − 2u (x, t) ∂ 2u 1 4

2 ∂ u
= (x, t) + (∆x) . (x̃, t)
(∆x)2 ∂x2 12 ∂x4
(4.2)
De même par Taylor-Lagrange on a
∂u (∆t)2 ∂ 2 u
u (x, t + ∆t) = u (x, t) + ∆t. (x, t) + . 2 x, e
t avec e
t compris entre
∂t 2 ∂t
t et t + ∆t .
u (x, t + ∆t) − u (x, t) ∂u ∆t ∂ 2 u

= (x, t) + . 2 x, e
t (4.3)
∆t ∂t 2 ∂t
De (4.2) et (4.3) on déduit que
u (x, t + ∆t) − u (x, t) u (x + ∆x, t) + u (x − ∆x, t) − 2u (x, t)

E (x, t) = − =
∆t (∆x)2
∂u ∂ 2u ∆t ∂ 2 u 1 ∂ 4u
(∆x)2 . 4 (x̃, t).

(x, t) − 2 (x, t) + . 2 x, e t −
∂t ∂x 2 ∂t 12 ∂x
∂u ∂ 2u
Or (x, t) − 2 (x, t) = 0 .
∂t ∂x
∆t ∂ 2 u 1 ∂ 4u
(∆x)2 . 4 (x̃, t).

Donc E (x, t)= t −
. 2 x, e
2 ∂t 12 ∂x
49
1 ∂ 4u 1 ∂ 2u
D’où | E (x, t) |≤ A.∆t + B. (∆x)2 où A ≥ k k∞ et B ≥ k k∞ .
2 ∂x4 12 ∂t2
Il est claire que pour ∆x et ∆t assez proches de 0 , on a | E (x, t) |−→ 0 le

schéma est alors consistant. On dit aussi que l’erreur de discrétisation est en
A.∆t + B. (∆x)2 .
1.2. Stabilité et convergence
On note pour tout 0 ≤ i ≤ n et 1 ≤ j ≤ M , eij = u (xj , ti ) − uij =

u (a + j.∆x, i.∆t) − uij .
u (xj , ti+1 ) − u (xj , ti ) u (xj+1 , ti ) + u (xj−1 , ti ) − 2u (xj , ti )

On rappelle que E (xj , ti ) = − .
∆t (∆x)2
Donc u (xj , ti+1 ) = α.u (xj−1 , ti )+(1 − 2.α) u (xj , ti )+α.u (xj+1 , ti )+∆t.E (xj , ti )
.
Or ui+1
j = α.uij−1 + (1 − 2.α) uij + αuij+1 pour 0 ≤ i ≤ n−1 et 1 ≤ j ≤
M − 1.
Par passage à la différence on trouve
ei+1
j = u (xj , ti+1 )−ui+1
j = (α.u (xj−1 , ti ) + (1 − 2.α) u (xj , ti ) + α.u (xj+1 , ti ) + ∆t.E (xj , ti ))−
i i
α.uj−1 + (1 − 2.α) uj + αuij+1

donc
ei+1 = u (xj , ti+1 )−ui+1 i i

j j = α. u (xj−1 , ti ) − .uj−1 +(1 − 2.α) u (xj , ti ) − uj +
α. u (xj+1 , ti ) − uij+1 + ∆t.E (xj , ti )
Alors pour tout 0 ≤ i ≤ n − 1 et 1 ≤ j ≤ M − 1 on a
ei+1
j = α.eij−1 + (1 − 2α) eij + αeij+1 + ∆t.E (xj , ti ) (4.4)
50
Pour tout 0 ≤ i ≤ n , on note ei = M ax | eij | .

0≤j≤M
On note aussi E = Sup | E (xj , ti ) |.

(j,i)∈{0....M }×{0......n}
Appliquant l’inégalité triangulaire sur (4.4) mène à
Pour tout 0 ≤ i ≤ n − 1 et 1 ≤ j ≤ M − 1 on a | ei+1

j |≤ α. | eij−1 | + |
1 − 2α | . | eij | +α | eij+1 | +∆t.E (xj , ti ).
D’où pour tout 0 ≤ i ≤ n−1 et 1 ≤ j ≤ M −1 on a | ei+1 j |≤ (2.α+ | 1 − 2α |) .ei +

∆t.E car M ax | eij−1 |, | eij |, | eij+1 | ≤ ei et E (xj , ti ) ≤ E .

1
Si α < alors | ei+1
j |≤ ei + ∆t.E car 2.α+ | 1 − 2α |= 1 .
2
D’où par une récurrence simple on obtient | ei+1

j |≤ e0 + i.∆t.E pour tout
0 ≤ i ≤ n − 1.
Or i.∆t ≤ T .
Donc pour tout 0 ≤ i ≤ n − 1 et tout 0 ≤ j ≤ M on a | ei+1

j |≤ e0 + T..E.
Ou encore pour tout 1 ≤ i ≤ n on a | eij |≤ e0 + T..E.
La convergence : Si l’on choisit comme indiqué au début u0j = u (xj , t0 ) =

u (xj , 0), alors e0 = 0.
Donc théoriquement pour tout 1 ≤ i ≤ n on a | eij |≤ T..E.
Or comme prouvé avant E ≤ A.∆t + B. (∆x)2 .
Donc ei ≤ T..E ≤ A.∆t + B. (∆x)2 pour tout 1 ≤ i ≤ n .
Alors l’erreur d’approximation tend vers 0 lorsque les pas de discrétisation tendent
vers 0.
51
La méthode est alors convergente.
La stabilité : Revenons à l’inégalité pour tout 1 ≤ i ≤ n on a | eij |≤ e0 +T..E.
e0 est par définition le max des différences | u (xj , 0) − u0j | , c’est en fait le
décalage entre la condition initiale théorique et la valeur initiale du schéma.
La méthode sera dite stable si la perturbation n’augmente pas au cours des ité-
rations.
L’inégalité | eij |≤ e0 + T..E montre qu’il n’y a pas augmentation de l’erreur

commise initialement.
1
On dit que le schéma est stable pour α < .
2
2. Schéma implicite
Sous les mêmes hypothèses que la section précédente, on utilise l’approximation

∂u u (xj , ti−1 ) − u (xj , ti ) ∂u u (xj , ti+1 ) − u (xj , ti )
(xj , ti ) ' au lieu de (xj , ti ) '
∂t −∆t ∂t ∆t
.
 
1 + 2.α −α 0 ... ... 0
. .. .. 
1 + 2.α −α . .

 −α . . 
 .. 
... ... ...
 0 −α
 
. 
On pose Bα =  . ... ... ... ...  ∈ MM −1 (R) et
 .. 0 
 
 .. . . . . . . . . 
 . . . . . −α 
0 ... . . . 0 −α 1 + 2.α
52
ui1
 

 ui2 

 .. 
i .
U =
 
.. .

 . 

ui 
M −2
uiM −1
Après une démarche similaire à celle du schéma explicite, on obtient le schéma

suivant Bα .ui+1 = ui pour tout i ∈ {0.......n − 1}.
C’est le schéma différences finies implicites.
Définition 4.2.1 A = (aij )1≤i,j≤k est dite à diagonale strictement dominante si

(∀i ∈ {1...k}) | aii |≥ Σ | aij |.
j∈{1..k}{i}
Lemme 4.2.1 Lemme de Hadamard

Toute matrice à diagonale strictement dominante est inversible.
Il est claire que Bα est à diagonale strictement dominante, donc inversible.

Par conséquent l’équation Bα .ui+1 = ui admet une unique solution ui+1 =
Bα−1 .ui .
Dans ce cas on a u1 = Bα−1 .u0 et si on tient compte de l’erreur de perturbation
e0 introduite sur u0 on obtient u1 = Bα−1 .u0 + Bα−1 .e0 .
Pour garantir la stabilité il nous faut k Bα−1 k2 < 1.
1
Une condition suffisante est (∀k ∈ {1...M − 1}) | |< 1 avec Sp (Bα ) =
λk
{λ1 , ......, λM −1 }.
2 kπ
Or (∀k ∈ {1...M − 1}) λk = 1 + 4.α.sin > 1.
2M
1
Donc la condition (∀k ∈ {1...M − 1}) | |< 1 est vérifiée.
λk
Finalement La méthode est toujors stable.
On dit que la méthode des différences finies implicite est inconditionnel-
lement stable.
53
54
Annexes des figures
55
Figure 4..1 – En bleu, le polynôme d’interpolation de la

1
fonction x 7−→ sur l’intervalle [−1, 1] pour 21
1 + 25x2
points équi-répartis (Voir [1]).
56
57
58
59
60
Table des figures
1
4..1 En bleu, le polynôme d’interpolation de la fonction x 7−→
1 + 25x2
sur l’intervalle [−1, 1] pour 21 points équi-répartis (Voir [1]). . . 56
61
62
Bibliographie
[1] Jacques Rappaz et Marco Picasso, Introduction à l’analyse numérique,

Presses polytechniques et universitaires romandes, Lausanne 2004.
[2] Franck Jedrzejewski, Introduction aux méthodes numériques :Deuxième
édition, Springer-Verlag France, Paris 2005.
[3] Abdelwahab Kharab et Ronald B. Guenther, An Introduction to Numerical
Methods A MATLAB Approach : quatrième édition, 2019 by Taylor and
Francis Group, LLC 2019.
[4] J.J. Chattot et M.M. Hafez,Theoretical and Applied Aerodynamics and Re-
lated Numerical Methods, Springer Science and Business Media Dordrecht
2015.
[5] Venera Khoromskaia and Boris N. Khoromskij, Tensor Numerical Methods
in Quantum Chemistry, Walter de Gruyter GmbH, Berlin/Boston 2018.
[6] "Etude de la production Monte-Carlo Fixed Income and Currencies", Mé-
moire de projet de fin d’études en vue de l’obtention du diplôme d’Ingénieur
d’Etat de l’école Mohammadia d’ingénieurs, présenté par Saad Derraz 2019.
[7] James Epperson, An intoduction to numerical methods and analysis : Ma-
thematical Reviews (Second Edition ), Published by John Wiley and Sons,
Inc., Hoboken, New Jersey. 2013.
[8] Stéphane Gonnord et Nicolas Tosel, Topologie et analyse fonctionnelle :
Thèmes d’analyse pour l’agrégation, Collection : Maths Agreg, Ellipses
Marketing (1998).
63

Polynpolycopemethnum

Transféré par

Droits d'auteur :

Formats disponibles

Polynpolycopemethnum

Transféré par

Informations du document

Description originale:

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

Polynpolycopemethnum

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes numériques (Document en cours de rédaction) .....

Après la description d’un phénomène ou d’un processus par un modèle mathé-

branche fondamentale des mathéatique : "l’analyse numérique". L’analyse nu-

Vu leurs flexibilité, régularité et simplicité, les données polynomiales sont très

1. Polynôme d’interpolation de Lagrange

Soit I = [a, b] un intervalle et n ∈ N∗ un entier.

Proposition 1.1.1 Pour tout i ∈ {0.1...n} on considère le polynôme

Dans toute la suite du cours on confend polynôme et fonction polynomiale as-

Théorème 1.1.1 On considère une fonction f définie sur I à valeurs dans R.

On l’appelle polynôme d’interpolation de Lagrange de la fonction f aux

Démonstration du théorème 1.1.1 :

Si P est un élément de Rn [X] vérifiant la condition

D’où l’unicité de Π(n) (f )(x0 ,x1 ,......,xn ) (X) dans Rn [X].

On prend f (x0 ) = 3, f (x1 ) = 2 et f (x2 ) = 0.

Construction à l’aide de la matrice de Vandermonde.

Démonstration du théorème 1.1.2 :

Exemple 1.1.2 Dans l’exemple 1.1.1, si l’on note  

2. On suppose connue l’inversibilité de la matrice de Vondemande lorsque les xi sont deux à

Résultat cohérent avec ce qu’on a trouvé dans l’exemple 1.1.1.

2. Le problème de l’erreur d’interpolation de La-

Le polynôme d’interpolation de Lagrange coincide avec la fonction f en les points

Théorème 1.2.3 [7] L’erreur d’interpolation ( 3 )

Démonstration du théorème 1.2.3 :

Démonstration du lemme 1.3.1

Il suffit de montrer que P (X) est un polynôme de degré inférieur ou égal à n + 1

Démonstration du théorème 1.3.4

On procède par récurrence sur la taille n + 1 de l’uplet (x0 , x1 , ......, xn ).

Le résultat est immédiat pour n = 1 .

On suppose le résultat vrai à l’ordre n .

Donc il existe T ∈ Rn [X] et α ∈ R tel que

Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (X) = T (X) + α.F (X) (1.3)

Pour tout i ∈ {0, 1, ..., n}, on a

Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (xi ) = T (xi ) + α.F (xi ) (1.4)

Or Π (f )(x0 ,x1 ,......,xn ,xn+1 ) (xi ) = f (xi ) et F (xi ) = 0 .

Donc T (xi ) = f (xi ).

Donc T (X)est le polynôme d’interpolation de f en x0 , x1 ..... et xn .

Soit T (X) = Π (f )(x0 ,x1 ,......,xn ) (X).

Or le résultat est supposé vrai à l’ordre n , donc

Pour tout polynôme L ∈ Rn+1 [X] , on note et tout i ∈ N , on note Ci (L) le

D’où l’hypothèse à l’ordre n + 1.

Ce qui clôt la démonstration du théorème.

4) Vérifier que pour tout x ∈ [x1 , x4 ] on a | f (4) (x) |≤ 2 et donner un majorant

1. Contexte de la quadrature numérique

Soit I = [a, b] un intervalle et n ∈ N un entier.

D’après les propriétés sur l’interpolation on a :

Proposition 2.1.1 Epression explicite de l’erreur

Preuve de la proposition 2.1.1

Corollaire 2.1.1 Une première majoration de l’erreur

Théorème 2.1.1 Un théorème de la moyenne

Objectif : Améliorer l’estimation de l’erreur

Pour tout n ≥ 0 , on considère les points x0 , x1 , ...... et xn deux à deux distincts

Cette expression nous a permis d’écrire

Preuve de la proposition 2.2.2

Preuve de la Proposition 2.2.3

Or par hypothèse F (x) dx = 0. Donc Pn+1 (x) dx = Pn (x) dx.

Or Pn+1 est le polynôme d’interpolation de f en les n + 2 points x0 , x1 , ......, xn

Preuve de la Proposition 2.2.4 :

Le polynôme nodal correspondant G(X) = (X − xn+1 ) .F (X) ne change pas