Université Mohammed I

Ecole Nationale des Sciences Appliquées

Oujda

COURS D’ANALYSE NUMERIQUE

Pr.Fatima Zahra NQI

ENSAO-GI3 Analyse Numérique

Table des matières

1 Chapitre1 : Zéros de fonctions non-linéaires 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Méthode de dichotomie (ou de la bissection) . . . . . . . . . . . . . . . . . . . . . 4
1.3 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Méthode de la corde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Méthode du point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Chapitre2 : Méthodes directes de résolution des systèmes linéaires 1

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Méthodes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

3 Chapitre3 : Interpolation et Approximation 5

3.1 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Les différences divisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Polynômes de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 Chapitre4 : Intégration Numérique 14

4.1 Méthode des rectangles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2 Méthode des trapèzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.3 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 F.Z.Nqi
 Chapitre 1

Zéros de fonctions non-linéaires

 1 Chapitre1 : Zéros de fonctions non-linéaires

1.1 Introduction
Soit f : Ω fermé ⊂ Rp → Rp . On cherche x̄ ∈ Ω tel que f (x̄) = 0. Nous supposerons qu’un
moyen (une étude graphique, une raison physique, un théorème, l’intuition ou ... la chance !)
nouys ont permis de voir que x̄ était l’unique solution dans Ω. Nous supposerons aussi que f est
au moins continue sur Ω.
En général, les méthodes de résolution de f (x̄) = 0 sont des méthodes itératives. Elles
consistent à construire une suite (xn ) convergente vers x̄.

1.2 Méthode de dichotomie (ou de la bissection)

Cette méthode est utilisée pour calculer les zéros d’une fonction continue f : R → R. S’il
existe a, b, a < b, avec f (a).f (b) < 0, on sait alors qu’il existe au moins un zéro x̄ de f dans
l’intervalle (a, b). Alors a0 = a, b0 = b, I0 = (a0 , b0 ) et x0 = (a0 + b0 )/2. Pour n ≥ 1, on choisit le
sous-intervalle In = (an , bn ) de l’intervalle In−1 = (an−1 , bn−1 ) de la façon suivante :
1. Soit xn−1 = (an−1 + bn−1 )/2 ;
2. si f (xn−1 ) = 0, alors x̄ = xn−1 et la méthode se termine ;
3. si f (xn−1 ) 6= 0, alors
– si f (an−1 ).f (xn−1 ) < 0,on pose

an = an−1 , bn = xn−1 ;

– si f (xn−1 ).f (bn−1 ) < 0,on pose

an = xn−1 , bn = bn−1 ;
4. On définit In = (an , bn ) ; on augmente n de 1 et on recommence du point 1).

1.3 Méthode de Newton

Soit f : R → R une fonction donnée et x0 un point donné. On considère la droite y(x) qui
passe par le point (xn , f (xn )) et qui a comme pente f 0 (xn ) :

y(x) = f 0 (xn )(x − xn ) + f (xn ).

On définit xn+1 comme étant le point où cette droite intersecte l’axe (0x), c’est à dire y(xn+1 ) = 0.
On déduit que :
f (xn )
xn+1 = xn − 0 , n ≥ 0.
f (xn )

1.4 Méthode de la sécante

Dans certaines situations, la dérivée de f 0 est très compliquée ou même impossible à expliciter.
On ne peut alors utiliser telle quelle la méthode de Newton. L’idée est de remplacer f 0 par le
taux d’accroissement de f sur un petit intervalle :
xn − xn−1
xn+1 = xn − f (xn ) , n ≥ 0.
f (xn ) − f (xn+1 )
On notera que l’algorithme itératif ne peut démarrer que si on dispose déjà de deux valeurs
approchées x0 , x1 de x̄.
ENSAO-GI3 Analyse Numérique

1.5 Méthode de la corde

Cette méthode est obtenue en replaçant f 0 (xn ) par un q fixé dans la formule de Newton :

f (xn )
xn+1 = xn − , n ≥ 0.
q
f (b)−f (a)
On peut prendre par exemple q = f 0 (x0 ), ou bien q = b−a , dans le cas où l’on cherche un
zéro dans l’intervalle [a, b].

1.6 Méthode du point fixe

Un procédé général pour trouver les racines d’une équation non-linéaire f (x) = 0 consiste en
la transformant en un problème équivalent x = φ(x), où la fonction auxiliaire φ : [a, b] → R doit
avoir la propriété suivante :
α = φ(α) ssi f (α) = 0.

1.6.1 Le théorème du point fixe

Soit (E, d) un espace métrique complet et φ : E → E une application continue.
• On dit que α ∈ E est un point fixe de φ si φ(α) = α.
• On dit que φ est contractante si φ est lipschitzienne de rapport K < 1 tel que

∀x, y ∈ E, d(φ(x) − φ(y)) ≤ Kd(x − y).

Théorème

Soit φ : E → E une application contractante d’un espace métrique complet vers lui
même. Alors φ admet un point fixe unique α ∈ E. De plus, pour tout point initial
x0 ∈ E la suite itérée {xn } }définie par

xn+1 = φ(xn ),

converge vers α.

Preuve :

1. Unicité : soient x1 et x2 , deux solutions. On a

d(x1 − x2 ) ≤ Kd(x1 − x2 ),

et K < 1 ⇒ x1 = x2 .
1. Existence : puisque φ est K−Lipschitzienne, on a

d(xn+1 − xn ) ≤ Kd(xn − xn−1 ),

donc
d(xn+1 − xn ) ≤ K n d(x1 − x0 ).
Calculons maintenant, pour p > n,
p
X
xk − xk−1 = xp − xn ,
k=n+1

5 F.Z.Nqi
on obtient alors
p +∞
X X Kn
d(xp − xn ) ≤ K k−1 d(x1 − x0 ) ≤ K n d(x1 − x0 ) Kk = d(x1 − x0 ).
1−K
k=n+1 k=0

Lorsque n → +∞,p → +∞ et
Kn
lim d(x1 − x0 ) = 0
n,p→+∞ 1 − K

donc
lim d(xp , xn ) = 0.
n,p→+∞

La suite {xn } est donc de Cauchy dans E, donc convergente dans E

Chapitre 2

Méthodes directes de résolution des

systèmes linéaires
 2 Chapitre2 : Méthodes directes de résolution des systèmes
linéaires

2.1 Introduction
On appelle système linéaire d’ordre n ( n entier positif ), une expression de la forme

Ax = b,

où A = (aij ), 1 ≤ i, j ≤ n, désigne une matrice de taille n × n de nombres réels ou complexe,

b = (bi ), 1 ≤ i ≤ n, un vecteur colonne réel et x = (xi ), 1 ≤ i ≤ n, est le vecteur des inconnues
du système. La relation précédente équivaut aux équations
n
X
aij xj = bi , i = 1, ..., n.
j=1

La matrice A est dite régulière (ou non singulière) si detA 6= 0 ; on a existence et unicité de
la solution x (pour n’importe quel vecteur b donné) si et seulement si la matrice associée au
système linéaire est régulière.
Théoriquement, si A est non singulière, la solution est donnèe par la formule de Cramer :

det(Ai )
xi = , i = 1, ..., n,
det(A)

où Ai est la matrice obtenue en remplaçant la i-ème colonne de A par le vecteur b. Cependant

l’application de cette formule est inacceptable pour la résolution pratique des système, car son
coût est de l’ordre de (n + 1)!.
Le calcul du déterminant par un ordinateur demande beaucoup de temps, il faut donc déve-
lopper des algorithmes alternatives avec un coût raisonnable. Dans les sections suivantes plusieurs
méthodes sont analysées.
On appelle méthode de résolution directes d’un système linéaire un algorithme qui, si l’or-
dinateur faisait des calculs exacts, donnerait la solution en un nombre fini d’opérations. il existe
aussi des méthodes itératives qui consistent à construire une suite de vecteurs xn convergeant
vers la solution x.

2.2 Méthodes directes

Pour résoudre Ax = b, on cherche à écrire A = LU où
• L est une matrice triangulaire inférieure avec des 1 sur la diagonale,
• U est une matrice triangulaire supérieure. La résolution de Ax = b est alors ramenée aux
résolutions successives des systèmes échelonnés Ly = b et Ux = y.

2.2.1 Résolution des systèmes triangulaires

Une matrice A = (aij est triangulaire supérieure si

aij = 0, ∀i, j : 1 ≤ j < i ≤ n

et triangulaire inférieure si
aij = 0, ∀i, j : 1 ≤ i < j ≤ n.
ENSAO-GI3 Analyse Numérique

Suivant ces cas, le système à résoudre est dit système triangulaire

Q supérieur ou inférieur. Si la
matrice A est régulière et triangulaire alors, comme det(A) = aii , on en déduit que aii 6= 0,
pour tout i = 1, ..., n
Si A est triangulaire inférieure on a
x1 = b1 /a11 ,
et pour i = 2, 3, ..., n  
i−1
1  X
xi = bi − aij xj  .
aii
j=1

Cet algorithme est appelé méthode de descente.

Si A est triangulaire supérieure on a
xn = bn /ann ,
et pour i = n − 1, n − 2, ..., 2, 1
 
n
1  X
xi = bi − aij xj  .
aii
j=i+1

Cet algorithme est appelé méthode de remontée

Le nombre de multiplications et de divisions nécessaires dans cet algorithme est de n(n+1)/2
et le nombre d’additions et de soustractions est de n(n − 1)/2.

2.2.2 Méthode d’élimination de Gauss et décomposition LU

Soit A = (aij ) une matrice non singulière n × n. L’algorithme de Gauss est le suivant : on
(1)
pose A(1) = A, aij = aij pour i, j = 1, ..., n ; pour k = 1, ..., n, on calcule
(k)

 l = aik , i = k + 1, ..., n ;
ik (k)
akk
 (k+1) (k) (k)
aij = aij − lik akj , i = k + 1, ..., n.
A la fin de ce procédé, les éléments de la matrice U sont définis par
(i)
uij = aij ,
tandis que les éléments de la matrice L sont les termes lij engendrés par l’algorithme de Gauss.
Proposition 1

La factorisation LU de la matrice carrée A de taille n par la méthode de Gauss existe si

et seulement si les sous matrices principales Ai = (ahk ), k = 1, ..., i sont non singulière.
Cette propriété est satisfaite en particulier dans les cas qui suivent :
1.A est une matrice symétrique définie positive ;
2.A est une matrice à diagonale dominante stricte par lignes, c’est à dire pour tout
i = 1, ..., n
Xn
| aii |> | aij | .
j=1,j6=i

3.A est une matrice à diagonale dominante stricte par lignes, c’est à dire pour tout
i = 1, ..., n
n
X
| ajj |> | aij | .
i=1,j6=i

Si A est non singulière, sa factorisation LU est unique.

2 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Remarque :

Grâce à la factorisation LU on peut calculer le determinant d’une matrice carrée avec O(n3 )
opérations, vu que
Yn
det(A) = det(L)det(U) = det(U) = ukk ,
k=1

puisque le déterminant d’une matrice triangulaire est le produit des termes diagonaux.

2.2.3 Elimination avec recherche de pivot

Si au cours de l’algorithme d’élimination de Gauss on trouve un pivot nul à l’étape k, le
procédé s’arrête. On peut alors permuter la ligne k avec la ligne r > k. La matrice qui permute
les lignes k et r d’une matrice quelconque est la matrice qui a des éléments égaux à 1 partout sur
la diagonale sauf prr = pkk = 0 et des éléments égaux à 0 partout ailleurs, sauf prk = pkr = 1 :
 
1 0 ... 0 0 1
 .. ..  ..
 . . 
  .
 ... 0 ... 1 ...  k
 
P (k,r) =  ... ..  ..

 .  .
 ... 1 ... 0 ...  r
 
 .. ..  ..
 . .  .
0 0 ... 0 1 n

On aboutit alors à la factorisation d’une nouvelle matrice, c’est à dire

LU = PA,

où P est le produit de toutes les matrices de permutation (des lignes) qu’on a utilisées.

3 F.Z.Nqi
 Chapitre 3

Interpolation et Approximation
 3 Chapitre3 : Interpolation et Approximation

3.1 Interpolation de Lagrange

3.1.1 Introduction
On se donne un en ensemble de points (xi , fi ) obtenus suite à une mesure expérimentale pour
connaitre la valeur de la fonction mesurée en d’autres points dans le domaine, on peut approcher
la fonction f par un polynôme.
On cherche P un polynôme tel que P (xi ) = f (xi ). Un tel polynôme interpole la fonction
mesurée aux points des mesures xi .
On cherche P un polynôme le plus proche des valeurs mesurées.
P l’approximation au sens des
moindres carrées impose à P la condition que la quantité i | P (xi ) − fi | soit minimal.

3.1.2 Base de Lagrange

Soient (n + 1) réels distincts x0 , x1 , ..., xn . On définit n + 1 polynômes li pour i = 0, ..., n par
(x − x0 )(x − x1 )...(x − xi−1 )(x − xi+1 )...(x − i − xn )
li (x) = .
(xi − x0 )(xi − x1 )...(xi − xi−1 )(xi − xi+1 )...(xi − xn )
Le numérateur de chacun de ces polynômes est un produit de n termes (x − xk ) et est donc
un polynôme de degré n. Le dénominateur est une constante. On a donc
• li est un polynôme de degré n.
• li (xk ) = 0, si i 6= k et 0 ≤ k ≤ n,
• li (xi ) = 1.
Réciproquement, pour i fixé, il existe un unique polynôme li vérifiant les trois propriétés
précédentes. En effet, on en a déja construit un qui convenait. Supposons qu’il en a deux li et
pi , alors li − pi est un polynôme de degré au plus n et ayant n + 1 racines distinctes x0 , ..., xn ,
c’est donc le polynôme nul.

Définition 1

Les polynômes li (x) sont les polynômes de Lagrange de Rn [X] associés aux points
x0 , ..., xn .
Proposition 1

Les polynômes l0 (x), l1 (x), ..., ln (x) forment une base de Rn [X].

Preuve :

Il suffit de montrer que ce système de polynômes est libre, puisqu’il est formé de n+1 éléments
d’un espace de dimension n + 1 ; supposons qu’il existe n + 1 réels α0 , ..., αn tels que, pour tout
réel x
Xn
αi li (x) = 0,
i=0
alors pour x = xk , on a
n
X
αi li (xk ) = αk = 0.
i=0
On a prouvé le résultat.
ENSAO-GI3 Analyse Numérique

3.1.3 Interpolation de Lagrange

Soit f une fonction donnée définie sur R à valeurs dans R et x0 , x1 , ..., xn , n + 1 réels donnés
distincts.
Interpoler la fonction f par un polynôme de degré n aux points x0 , x1 , ..., xn consiste à
résoudre le problème suivant : Trouver un polynôme p de degré ≤ n tel que

∀0 ≤ i ≤ n, p(xi ) = f (xi ).

Si un tel polynôme existe, il s’écrit de manière unique

n
X
p(x) = αi li (x),
i=0

car les li forment une base de Rn [X]. En prenant x = xk pour 0 ≤ k ≤ n et en utilisant que
li (xk ) = 0 si k 6= i et lk (xk ) = 1, on obtient

αk = p(xk ) = f (xk ).

Proposition 2

L’unique solution du problème est donc

n
X
p(x) = f (xi )li (x),
i=0

Définition

Ce polynôme s’appelle le polynôme d’interpolation de Lagrange de la fonction f de

degrè n aux points x0 , x1 , ..., xn

Remarque :

Le polynôme d’interpolation de Lagrange aux points x0 , x1 , ..., xn d’un polynôme de degré

≤ n est lui même.
Si l’on prend pour f le polynôme constant égal à 1, d’après la remarque précédente, f est
égal à son interpolant et on obtient
X n
li (x) = 1.
i=0

Le but de l’interpolation est remplacer une fonction f plus ou moins compliquée par une fonction
simple car polynômiale, mais pour justifier cet échange, il nous faut une estimation de l’erreur
commise.

3.1.4 Estimation de l’erreur dans l’interpolation de Lagrange

Avant de donner une estimation de l’erreutr, nous allons démontrer le lemme suivant :
Lemme

Soit f : [a, b] → R dérivable sur [a, b] alors, si f possède au moins n + 2 zéros distincts
sur [a, b], f 0 possède au moins n + 1 zéros distincts sur [a, b].

6 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Preuve :

Il suffit d’appliquer le théorème de Rolle entre deux zéros consécutifs de f . 

Corollaire

Soit f ∈ C n+1 ([a, b]). Si f possède au moins n + 2 zéros distincts sur [a, b], f n+1 possède
au moins un zéro sur [a, b].

Preuve :

Il suffit de faire une récurrence en appliquant le lemme précédent.

Soit f une fonction réelle définie sur un intervalle [a, b] et soit a ≤ x0 < x1 < ... < xn ≤ b,
n + 1 points de [a, b]. On note P le polynôme d’interpolation de Lagrange de f aux points
x0 , ..., xn .

Théorème

On suppose f ∈ C n+1 ([a, b]), alors

(x − x0 )(x − x1 )...(x − xn ) (n+1)

∀x ∈ [a, b], ∃ξ ∈ [a, b], f (x) − P (x) = f (ξ).
(n + 1)!

Preuve :

Si x = xi , alors la relation est vérifiée. Soit x ∈ [a, b] fixé, x différent de tous les xi . Posons
q(x) = (x − x0 )(x − x1 )...(x − xn ) et

q(t)
W (t) = f (t) − P (t) − (f (x) − P (x)).
q(x)

La fonction W est de classe C n+1 comme f et s’annule pour t = x, x0 , x1 , ..., xn ; elle admet donc
au moins n + 2 zéros. D’après le corollaire précédent, il existe au moins un nombre ξ ∈ [a, b] tel
que W n+1 (ξ) = 0. On en déduit la relation.
Le point ξ étant inconnu, on cherche une majoration et on a le corollaire suivant :

Corollaire

Si f (n+1) est continue sur [a, b] alors

| (x − x0 )(x − x1 )...(x − xn ) |
∀x ∈ [a, b], | f (x) − P (x) |≤ sup | f (n+1) (x) | .
(n + 1)! x∈[a,b]

3.2 Les différences divisées

Définition

7 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Soit f une fonction définie aux points xi , supposés deux à deux distincts. On dédinit
les différences divisées par récurrence comme suit :

∀i = 1, ..., n f [xi ] = f (xi ),

et
f [xi+1 , ..., xi+k+1 ] − f [xi , ..., xi+k ]
f [xi , ..., xi+k+1 ] =
xi+k+1 − xi

3.2.1 Propriétés des différences divisées

Proposition

n
X f (xi )
f [x1 , ..., xn ] = Qn
i=1 j=1,j6=i (xi − xj )

Preuve :

On procède par récurrence. La formule est facilement vérifiable pour n = 1 et n = 2.

Supposons la vraie jusqu’au rang n − 1. Nous avons

f [x2 , ..., xn ] − f [x1 , ..., xn−1 ]

f [x1 , ..., xn ] =
xn − x1
donc
n n−1
!
1 X f (xi ) X f (xi )
f [x1 , ..., xn ] = Qn − Qn−1 ,
xn − x1 j=2,j6=i (xi − xj ) j=1,j6=i (xi − xj )
i=2 i=1
par conséquent

 
f (x1 ) Pn−1 1 1 f (xn )
− Qn−1 + i=2 f (xi ) Qn − Qn−1 + Qn−1
j=2,j6=i (xi −xj ) j=2,j6=i (xi −xj ) j=1,j6=i (xi −xj ) j=1,j6=i (xi −xj )
f [x1 , ..., xn ] =
xn − x1
Corollaire

Nous avons les propriétés suivantes

• Les différences divisées ne dépendent pas de l’ordre dans lequel les arguments sont
pris.
• si f = αg + βh alors

f [x1 , ..., xn ] = αg[x1 , ..., xn ] + βh[x1 , ..., xn ]

• si f = gh (Liebnitz)
n
X
f [x1 , ..., xn ] = g[x1 , ..., xj ].h[xj , ..., xn ]
j=1

Preuve :
Le premier point découle directement du théorème précédent.

8 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

S’agissant de la formule de Leibnitz, considérons les polynômes

i+k
X
p1 = g[xi , ..., xm ](x − xi )...(x − xm−1 )
m=i

et
i+k
X
p2 = h[xm , ..., xi+k ](x − xm+1 )...(x − xi+k )
m=i

p1 et p2 interpolent g et h aux points xi , ..., xi+k . Ainsi

F (x) = p1 .p2

interpole g.h en ces mêmes points.

Proposition

Soit
n+1
Y
w(x) = (x − xi ).
i=1

Alors
n+1
Y
w0 (xi ) = (xi − xj ).
j=1,j6=i

Preuve :
On écrit
n+1
Y
w(x) = (x − xi ) (x − xj ) = (x − xi )q(x)
j=1,j6=i

si bien que
n+1
Y
w0 (x) = (x − xj ) + (x − xi )q 0 (x).
j=1,j6=i

Le résultat s’obtient en posant x = xi dans cette dernière expression.

3.2.2 Différences divisées et polynômes d’interpolation

Théorème (Formule de Newton 1669)

Le polynôme d’interpolation de f de degrè ≤ n aux points x1 , x2 , ..., xn+1 s’exprime

dans la base de Newton comme
n
Y
P (x) = f [x1 ]+(x−x1 )f [x1 , x2 ]+(x−x1 )(x−x2 )f [x1 , x2 , x3 ]+...+ (x−xi )f [x1 , .., xn+1 ]
i=1

Preuve :

La formule proposée est vraie pour n = 1, 2. Pour l’établir dans le cas général, nous procédons
par récurrence.

9 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

3.3 Polynômes de Chebyshev

3.3.1 Choix des points d’interpolation
d’après le corollaire précédent, pour obtenir la meilleure estimation possible pour une fonction
f donnée, il faut choisir les n + 1 points d’interpolation x0 , ..., xn de manière à minimiser le
maximum sur [a, b] de la fonction | (x − x0 )...(x − xn ) |. Si on appelle En+1 ([a, b]) l’ensemble
des polynômes de degré n + 1 unitaires, le meilleur choix des xi est donné par le polynôme
q ∈ En+1 ([a, b]) tel que

∀p ∈ En+1 ([a, b]), sup | q(x) |≤ sup | p(x) | .

x∈[a,b] x∈[a,b]

Il faudra de plus s’assurer que le polynôme q trouvé admet bien n + 1 racines distinctes sur l’in-
tervalle [a, b]. On va montrer l’existence de ce polynôme qu’on appelera polynôme de Chebyshev
normalisé.

Remarque :

En faisant le changement de variable

2 b+a b−a b+a
t= x− ⇔x= t+
b−a b−a 2 2
on peut toujours se ramener à une étude sur l’intervalle [−1, 1].

définition

On appelle polynôme de Chebyshev de degré n le polynôme Tn défini sur [−1, 1] par

Tn (x) = cos(n Arccos(x)).

Remarque :

La formule donnée dans le théorème ne fait pas apparaitre de manière évidente un polynôme.
Cependant, on peut tout de suite noter que :

∀x ∈ [−1, 1], Tn (x) ∈ [−1, 1].

Considérons la formuile de Moivre

(cos θ + i sin θ)n = cos nθ + i sin nθ.

√
Pour θ ∈ [0, π], posons x = cos θ, alors sin θ = 1 − x2 . On en déduit que
bn/2c
X
cos nθ = cos(n Arccos(x)) = Cn2i (−1)i xn−2i (1 − x2 )i .
i=0

En particulier Tn est un polynôme de degré n.

Exemple :

– T0 (x) = 1
– T1 (x) = x
– T2 (x) = 2x2 − 1.

10 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Les formules d’addition des fonctions trigonométriques donnent

cos(n + 1)θ + cos(n − 1)θ = 2 cos θ cos nθ.

On en déduit immédiatement que

Proposition

Les polynômes de Chebyshev vérifient la relation de récurrence

Tn+1 (x) + Tn−1 (x) = 2xTn (x).

Le coefficient du terme en xn de Tn est 2n−1 .

Preuve :

Le coefficient s’obtient par récurrence. 

Théorème

Tn a des zéros simples aux n points

 
2k − 1
xk = cos π , k = 1, 2, ..., n
2n

Tn atteint son extremum sur l’intervalle [−1, 1] aux n + 1 points

 
0 k
xk = cos π , k = 0, 2, ..., n
n

pour lesquels il prend alternativement les valeurs 1 et −1.

Preuve :

    
2k − 1 2k − 1 2k − 1
Tn (xk ) = cos n Arccos cos π = cos π = 0, car π ∈ [0, π].
2n 2 2n

On a donc trouvé n racines distinctes, or Tn est un polynôme de degré n ; on les a donc

toutes. On montre de même Tn (x0k ) = (−1)k . 

définition

On appelle polynôme normalisé de Chebyshev de degré n le polynôme T̄n défini par

1
T̄n (x) = Tn .
2n−1

3.3.2 Estimation de l’erreur avec les polynômes de Chebyshev

On va montrer que ce polynôme T̄n est le polynôme que l’on cherchait.

Théorème

11 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Pour tout polynôme p de En ([−1, 1]) on a

1
= sup | T̄n (x) |≤ sup | p(x) | .
2n−1 x∈[−1,1] x∈[−1,1]

Preuve :

Supposons qu’il existe p ∈ En tel que

1
sup | p(x) |< .
x∈[−1,1] 2n−1

Considérons le polynôme T̄n − p. C’est un polynôme de degré ≤ n − 1. De plus,

(−1)k
r(x0k ) = T̄n (x0k ) = − p(x0k ),
2n−1
pour k = 0, 1, ..., n. Cette quantité prend altérnativement le signe + ou −. On en déduit que r
a au moins n racines, or c’est un polynôme de degré inférieur ou égal à n − 1, donc r = 0. On
obtient T̄n = p. Contradiction 
En utilisant le changement de variable définie plus haut, on a donc montré le théorème :

Théorème

Sur l’intervalle [a, b], en choisissant les points d’interpolation

a+b b−a 2k + 1
xk = + cos π, pour k = 0, ..., n
2 2 2(n + 1)

on obtient la majoration suivante

(b − a)n+1
| f (x) − P (x) |≤ sup | f n+1 (x) | .
(n + 1)!22n+1 x∈[a,b]

C’est la meilleure majoration globale que l’on puisse obtenir.

Remarque :

La formule de Taylor-Lagrange montre que, si l’on approche la fonction polynômiale

f (n) (a)
Pf : x → f (a) + f 0 (a)(x − a) + ... + (x − a)n ,
n!
on a alors
(b − a)n+1
| f (x) − Pf (x) |≤ sup | f n+1 (x) | .
(n + 1)! x∈[a,b]
Cette estimation montre la supériorité de la méthode de Chebychev.

12 F.Z.Nqi
 Chapitre 4

Intégration numérique
 4 Chapitre4 : Intégration Numérique

Le but de ce chapitre est de donner des méthodes permettant de calculer des valeurs appro-
chées d’intégrales. En effet, le nombre de fonctions dont on sait calculer une primitive est en
R 2 dt F ne suffit pas lorsqu’on ne sait pas
fait très faible. Par ailleurs la connaissance d’une primitive
calculer les valeurs de F . Par exemple, on sait que 1 t = ln 2; mais connait-on explicitement
Rb
ln 2 ? Il est donc intéressant concernant a f (t)dt.
– sur le plan pratique, de pouvoir obtenir une approximation lorsque les primitives de f ne
sont pas calculables.
– sur le plan théorique, de connaitre des méthodes permettant d’obtenir des encadrements
d’amplitude aussi petite que souhaitée.
Lorsque la fonction f est de classe C n sur l’intervalle réel I = [a, b], on note

∀i = 1, ..., n, Mi = max{|f i (x)|; x ∈ [a, b]}.

On subdivise l’intervalle [a, b] en n intervalles (n ∈ N∗ ) de même longueur h = (b − a)/n et on

note, pour tout i ∈ {0, 1, ..., n}, xi = a + ih.

4.1 Méthode des rectangles

4.1.1 Principe
On remplace f par la fonction en escalier qui prend, sur chaque segment de la subdivision,
la même valeur à l’extrémité gauche de ce segment f . Cela revient donc à interpoler la fonction
f sur le segment [xi , xi+1 ] par le polynôme de Lagrange de degré 0 qui vaut f (xi ).
Proposition 1.

La valeur approchée de l’intégrale de f sur I par la méthode des rectangles à gauche

est alors donnée par
n−1
b−aX
Rn = f (xi ).
n
i=0

Preuve :

L’aire du rectangle de base [xi , xi+1 ] est f (xi )(xi+1 − xi ), donc

n−1 n−1
X b−aX
Rn = f (xi )(xi+1 − xi ) = f (xi ),
n
i=0 i=0

car xi+1 − xi = h = (b − a)/n.

Remarque :
• On peut définir de même la méthode des rectangles à droite.
• La formule obtenue est une somme de Riemann.
ENSAO-GI3 Analyse Numérique

4.1.2 Evaluation de l’erreur

Proposition 2.

Si f est de classe C 1 sur [a, b], alors on a, pour tout entier naturel n non nul
 Z b 
M1
f (t)dt ≤ (b − a)2
 
Rn − .

a 2n
Rb
On en déduit que (Rn ) converge vers a f (t)dt.

Preuve :

 Z b  n−1 n−1
XZ xi+1


  X
Rn − f (t)dt= f (x i )(x i+1 − x i ) − f (t)dt

  
a i=0 i=0 xi 

donc  n−1 Z xi+1 

 Z b 
  X
Rn − f (t)dt = (f (x i ) − f (t))dt


  
a xi i=0

par conséquent
 Z b  n−1 Z xi+1
  X
Rn − f (t)dt ≤ | f (xi ) − f (t) | dt
 
a i=0 xi

il s’en suit  n−1

 Z b Z xi+1
  X
Rn − f (t)dt≤ | xi − t | M1 dt
 
a i=0 xi
 Z b  n−1 Z xi+1
  X
Rn − f (t)dt≤ (t − xi )M1 dt
 
a i=0 xi

ce qui implique
Z b  n−1
 X (t − xi )2 xi+1


Rn − f (t)dt≤ [ ]xi Mi ,

a
 2
i=0

finalement  n−1
Z b
 X h2 h2

M1
M1 = (b − a)2

Rn − f (t)dt ≤ M 1 ≤ n .

a
 2 2 2n
i=0

4.2 Méthode des trapèzes

4.2.1 Principe
On replace la courbe représentative de f , sur chaque segment de la subdivision, par le segment
qui joint (xi , f (xi )) à (xi+1 , f (xi+1 )). Cela revient donc à interpoler la fonction f sur le segment
[xi , xi+1 ] par le polynôme de Lagrange de degré 1 aux points xi et xi+1 .
Proposition 3.

L a valeur approchée de l’intégrale de f sur I par la méthode des trapèzes est alors
donnée par
n−1
!
b − a f (a) + f (b) X
Tn = + f (xi ) .
n 2
i=1

15 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

Preuve :
L’aire du trapèze de base [xi , xi+1 ] est
f (xi ) + f (xi+1 ) f (xi ) + f (xi+1 )
(xi+1 − xi ) =h .
2 2
On en déduit que
n−1 n−1
!
X f (xi ) + f (xi+1 ) f (a) + f (b) X
Tn = h =h + f (xi )
2 2
i=0 i=1

4.2.2 Evaluation de l’erreur

Proposition 4.

Si f est de classe C 2 sur I, alors on a, pour tout entier non nul

 Z b 
M2
f (t)dt ≤ (b − a)3
 
Tn − .
 12n 2
a
Rb
On en déduit que (Tn ) converge vers a f (t)dt.

Preuve :

Cette méthode consiste à remplacer f sur le segment [xi , xi+1 ] par son polynôme d’interpola-
tion Pi de Lagrange de degré 1 ayant les mêmes valeurs que f aux bornes de l’intervalle. Comme
f est de classe C 2 , on a
f ”(ξ)
∀x ∈ [xi , xi+1 ], f (t) − Pi (t) = (xi+1 − t)(t − xi ) .
2
On en déduit que
xi+1 xi+1
Z  Z
  | f ”(ξ) |
 (f (t) − Pi (t))dt ≤ (xi+1 − t)(t − xi )

xi xi 2
xi+1 xi+1
Z  Z
  M2
 (f (t) − Pi (t))dt ≤ (xi+1 − t)(t − xi ) dt

xi xi 2
comme

Z xi+1 Z xi+1 Z xi+1 

M2 M2
(xi+1 − t)(t − xi ) = (xi+1 − t)(t − xi+1 )dt + (xi+1 − t)(xi+1 − xi )dt
xi 2 xi xi 2
donc Z xi+1

 M2 M2 3
(xi+1 − xi )3 ≤

 (f (t) − Pi (t))dt ≤ h .

xi 12 12
Pour conclure, il suffit de remarquer que
Z b  n−1 
 X xi+1
 Z 

Tn − f (t)dt= (P i (t) − f (t))dt


  
a xi i=0

 Z b  n−1 Z xi+1
  X
Tn − f (t)dt ≤ |Pi (t) − f (t)| dt

a i=0 xi
Z xi+1
 n−1
 X M2 3 M2 3 M2
h = (b − a)3

 (f (t) − Pi (t))dt ≤ h =n .

xi 12 12 12n2
i=0

16 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

4.3 Méthode de Simpson

4.3.1 Principe
On remplace f , sur chaque segment [xi , xi+1 ] de la subdivision, par la fonction polynômiale
de degré inférieur ou égal à 2 qui prend les mêmes valeurs que f aux extrémités et au milieu ξi
de ce segment. Cette méthode consiste à remplacer f sur le segment [xi , xi+1 ] par son polynôme
d’interpolation Pi de Lagrange de degré 2 ayant les mêmes valeurs que f aux bornes de l’intervalle
et en son milieu.
Proposition 5.

La valeur approchée de l’intégrale de f sur I par la méthode de Simpson est alors

donnée par
n−1
b−aX
Sn = (f (xi ) + f (xi+1 ) + 4f (ξi ))
6n
i=0
soit
n−1 n−1
!
b−a X X
Sn = f (a) + f (b) + 2 f (xi ) + 4 f (ξi )
6n
i=1 i=0

Remarque :
On a
n−1
X Z xi+1
Sn = Pi (t)dt.
i=0 xi

On est donc ramené au calcul de l’intégrale de Riemann d’un polynôme de degré inférieur ou
égal à 2.
Lemme 6.

Soit P ∈ R2 [X] et c < d, alors

d   
d−c
Z
c+d
P (t)dt = P (c) + P (d) + 4P
c 6 2

4.3.2 Evaluation de l’erreur

Proposition 7.

Si f est de classe C 3 sur I, alors pour tout entier naturel n non nul, on a
 Z b 
M3
f (t)dt ≤ (b − a)4
 
Sn − .

a 192n3
Rb
On en déduit que (Sn ) converge vers a f (t)dt.

Preuve :

Cette méthode consiste à remplacer f sur le segment [xi , xi+1 ] par son polynôme d’interpo-
lation Pi de Lagrange de degré 2 ayant les mêmes valeurs que f aux bornes de l’intervalle et en
son milieu. Comme f est de classe C 3 , on a

f (3)
∀x ∈ [xi , xi+1 ], f (t) − Pi (t) = (xi+1 − t)(t − xi )(t − ξi ) .
3!

17 F.Z.Nqi
ENSAO-GI3 Analyse Numérique

cela implique
M3
∀x ∈ [xi , xi+1 ], |f (t) − Pi (t)| ≤ (xi+1 − t)(t − xi )|t − ξi |
6
On en déduit que
Z xi+1 Z xi+1
M3
|f (t) − Pi (t)| dt ≤ (xi+1 − t)(t − xi )|t − ξi |dt
xi 6 xi

donc Z xi+1 Z ξi
M3
|f (t) − Pi (t)| dt ≤ (xi+1 − t)(t − xi )(ξi − 1)dt
xi 3 xi

Calculons cette intégrale que l’on appelle J.

Z ξi
h
J= (h + xi − t)(t − xi )( + xi − t)dt
xi 2

ce qui implique que

ξi
h2 3h
Z  
2
J= (t − xi ) + (xi − t) + (xi − t) dt
xi 2 2

finalement
h2 h2 3h h3 h4 h4
J= − + =
2 8 2 24 64 64
On a donc  n−1 Z
 Z b xi+1
  X
Sn − f (t)dt ≤ |f (t) − Pi (t)| dt
 
a i=0 xi

finalement  n−1
Z b
 X M3 h 4 h4

M3
= (b − a)3

Sn − f (t)dt≤ = nM 3 .

a
 3 64 192 192n3
i=0

18 F.Z.Nqi