ALILI Dounia PDF

République Algérienne Démocratique Et Populaire
Université Mohamed Boudiaf De M’sila

Faculté Des Mathématiques Et De L’informatique
Département De Mathématiques
MEMOIRE DE FIN D'ETUDE
Présenté pour l'obtention du Diplôme de MASTER
Domaine : Mathématiques et Informatiques

Filière: Mathématiques
Option: Analyse Mathématique et Numérique
Par
ALILI Dounia
Sujet
L’interpolation polynômiale : étude et

applications
Date de soutenance : 20 Juin 2018
Devant le jury :
Mr. GAGUI Bachir MCA. Univ de M'sila Président
Mr. LAKEHALI Belkacem MCA. Univ de M'sila Rapporteur
Mr. BENSALOUA Cheniti MCB. Univ de M'sila Examinateur
Promotion : 2017 / 2018

‫ملخص‬
‫ أو وجدول من‬،‫االستقطاب أو االستيفاء هو عملية حسابية لبناء منحنى من البيانات من عدد محدود من النقاط‬
.‫ ويمكن تطبيقه في جميع مجاالت الحياة‬.‫البيانات من عدد محدود من القيم‬
،‫ نيوتن‬،‫القرونج‬
َ ‫في هذه المذكرة قمنا بتقديم صنفي االستقطاب عام (شامل) و محلي بواسطة كثيرات حدود‬
.‫ وفي كل هذا استعملنا المثال المضاد لرانج وفي األخير قمنا بمقارنة‬.‫ارميت و كثيرات حدود الثلمة‬
Résumé
L’interpolation est un calcul pour construire une courbe de données à partir

d'un nombre limité de points. Il peut être appliqué dans tous les domaines de
la vie. Dans ce mémoire, on présente deux classes d’interpolation globale et
locale, par les polynômes de Lagrange, Newton, Hermite et aussi les splines.
En fin on a donné une comparaison entre les déférents polynômes

d’interpolation, avec le contre-exemple de Runge.
Mot clés: Interpolation, Lagrange, Newton, Hermite, spline, Runge.
Abstract
Interpolation Is a method to construct a curve from a limit number of points, or

a data table from a finite number of values. It can be applied in all areas of
life. In this thesis, we present two classes global and local of interpolation, by
the Lagrange, Newton, Hermite polynomials and also the spline.
Finally, we gave a comparison between the deferent polynomial interpolation,

with the counter example of Runge.
Keywords: Interpolation, Lagrange, Newton, Hermite, spline, Runge.
Promotion : 2017 / 2018

Avant tout je remercie Allah, le tout puissant d’avoir, éclairer notre vie, renforce notre
courage et notre volanté pour un bon travail.
Je tiens à remercier particulièrement mon encadreur Monsieur. LAKEHALI Belka-
cem, pour tout son aide qu’il m’a apporté et sa grande patience son conseil pour avoir
guider ce travail avec beaucoup d’inportance.
Mes remerciements s’adressent à tous les enseignants du département des mathématiques
pour leur dévouement et leurs générosités. Je tiens ici à exprimer mes sentiments respectueux
à mes chers parents et à qui je dédie ce travail pour leur grand soutient.
Un grand merci à ma famille, à mes proches et à mes collègues pour leurs encouragements
et pour leurs amitiés.
1
Table des matières
Introduction 1
1 Dé…nition générale 3
1.1 Interpolation polynômial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Représentation des polynômes dans di¤érentes bases . . . . . . . . . . . . . . 4
1.3 Calcul du polynôme d’interpolation . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Matrice de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Interpolation globale 10
2.1 Polynôme d’interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Erreur d’interpolation de lagrange . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Contre-exemple de Runge . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3 Limite de l’interpolation polynomiale . . . . . . . . . . . . . . . . . . 15
2.2 Interpolation aux noeuds de Chebyshev . . . . . . . . . . . . . . . . . . . . . 15
2.3 Polynôme d’interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Erreur de l’interpolation de Newton . . . . . . . . . . . . . . . . . . . 21
2.4 Interpolation d’Hermite-Birko¤ . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Interpolation locale 26
3.1 Spline linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Spline Quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Splines cubiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2
TABLE DES MATIÈRES
Conclusion 39
Bibliographie 41
3
Introduction
En analyse numérique et dans son application algorithmique discrète pour le calcul numérique,
l’interpolation est une opération mathématique permettant de construire une courbe à partir
de la donnée d’un nombre …ni de points, ou une fonction à partir de la donnée d’un nombre
…ni de valeurs. La solution du problème d’interpolation passe par les points prescrits, et,
suivant le type d’interpolation, il lui est demandé de véri…er des propriétés supplémentaires.
Ainsi le type le plus simple d’interpolation est l’interpolation linéaire, qui consiste à joindre
les points donnés. À partir d’une table trigonométrique, elle peut servir à estimer les valeurs
situées entre les données de la table. L’interpolation doit être distinguée de l’approximation
de fonction, qui consiste à chercher la fonction la plus proche possible, selon certains critères,
d’une fonction donnée. Dans le cas de l’approximation, il n’est en général plus imposé de
passer exactement par les points donnés initialement. Ceci permet de mieux prendre en
compte le cas des erreurs de mesure, et c’est ainsi que l’exploitation de données expérimen-
tales pour la recherche de lois empiriques relève plus souvent de la régression linéaire, ou
1
Introduction
plus généralement de la méthode des moindres carrés..
Approximation Interpolation
2
Chapitre 1
Dé…nition générale
Par défnition le mot " interpolation " signi…e l’action d’intercaler dans une série de termes
ou de valeurs connues. Le problème de l’interpolation polynomiale consiste à choisir comme
fonction reconstruite une fonction polynomiale. C’est la méthode la plus ancienne, la plus
élémentaire et encore la plus utile, mais il y en a d’autres heuresement qu ’on ne va pas les
voirs.
Q
On cherche une fonction (x) passant par tout les points données:
(x0 ; y0 ) ; (x1 ; y1 ) ; :::; (xn ; yn )
Q
Le fonction (x) passant par tout les
points données (xi ; yi )
3
1.1. Interpolation polynômial
1.1 Interpolation polynômial

Soit F un ensemble de fonctions faciles à manupuler. On considère p (x) 2 F tel que:
p (xi ) = yi et i = 1; :::; k
On choisit F = Pn [x] (ensemble des polynômes à coe¢ cients dans R et de degré n).
Théorème 1.1.1 Soit f une fonction continue sur intervalle [a; b], 8" > 0, 9pn un polynôme
(de degré su¢ sament grand) tel que:
sup jf (x) pn (x)j "

x2[a;b]
Preuve. voir [4]; p111
Remarque 1.1.1 Pourquoi on choisit les polynômes ?. Les polynômes sont très souvent
utilisés pour l’interpolation en raison de leurs propriétés mathématiques simples. Il y a
une théorie simple à propos d’un polynôme interpolant d’un degré donné existe pour un
ensemble donné de points. Plus important, dans un sens réel, les polynômes sont les plus
fondamentales des fonctions pour le numérique des ordinateurs. Les fonctions compliquées
peuvent être approchées en interpolant des polynômes a…n de les rendre calculables avec ces
deux opérations matérielles, On utilise une fonction polynômiale c’elle est:
1. Facile à manupuler(intégration et dirévation) et fonctions de classe C 1 :
2. Comportement local de la fonction : les premiers termes du développement de Taylor

forment un polynôme.
3. On peut appliquer théorème de Weierstrass.
1.2 Représentation des polynômes dans di¤érentes bases

Il existe plusieurs bases dans lesquelles on peut représenter un polynôme voir [7]:
4
1.2. Représentation des polynômes dans di¤érentes bases
Base canonique
La base canonique d’un polynôme est de la forme:
f1; x; :::; xn g
Base centrée
La base centée d’un polynôme est :soit c 6= 0
f1; (x c); :::; (x c)n g
On montre que f1; (x c); :::; (x c)n g et une base
1. Famille génératrice
0 p(n) (c) p(n+1) ( )

p(x) = p(c) + p (c)(x c) + ::: + (x c)n + ( c)n+1
n! (n + 1)!
Avec 2 ]c; x[
2. Famille libre
a0 + a1 (x c) + ::: + an (x c)n = 0
Donc an = 0 (coe¢ cient de xn ) ) an 1 = 0 ) ::: ) a0 = 0
Base de Newton
Soit x0 ; x1 ; :::; xn 1 ,n points deux à deux distincts, la base associée aux abscisses x est
donnée par : 8 9
>
> >
>
>
> >
>
< Y
n 1 =
1; (x x0 ); (x x0 )(x x1 ); :::; (x xk )
>
> >
>
>
> k=0
| {z }>>
: ;
de deg re n
1. Si x0 = ::: = xn 1 = 0, on retrouve une base canonique.
2. Si x0 = ::: = xn 1 = c, on retrouve une base centrée au point c.
3. Tout dépend de l’ordre des abscisses: n! permutations donnent n! bases de Newton.
5
1.3. Calcul du polynôme d’interpolation
Base de lagrange
Soient (xi )n+1

i=1 , (n + 1) points deux a deux distincts. On appelle base de lagrange relative
aux points xi les polynômes

Y
n+1
x xj
Li (x) =
j=1;j6=i
xi xj
De cette dé…nition, on déduit immédiatement :
Li (xj ) = i;j
Et on a : Li est un polynôme de degré n:
i) Li (xj ) = 0 si i 6= j et 0 j n
ii) Li (xi ) = 0:
La famille Li (x) forme une base de lagrange et le polynôme qui interpole les valeurs yi
aux points xi .
1.3 Calcul du polynôme d’interpolation

Etant donné n couples (xi ; f (xi )) ; il existe un seul polynôme interpolant d’ordre inférieur
ou égal à n 1 passant par les n points:voir[3]
8i = 1; :::; n: pn 1 (xi ) = f (xi )
Le polynôme d’interpolation peut donc s’écrire:

X
n 1
pn (x) = ai x i
i=0
Les coe¢ cients ai du polynôme interpolant sont solution du systéme linéaire de n equations:
a0 + a1 x1 + a2 x21 + ::: + an 1 xn1 1

= f (x1 )
a0 + a1 x2 + a2 x22 + ::: + an 1 xn2 1

= f (x2 )
::: = :::
a0 + a1 xn + a2 x2n + ::: + an 1 xnn 1

= f (xn )
6
On peut ecrire sous forme matricielle,on aura:

0 10 1 0 1
1 x11 ::: x1n 1 a0 f (x1 )
B CB C B C
B 1 x1 ::: xn 1 C B a C B f (x ) C
B 2 2 CB 1 C B 2 C
B CB C B C
B : : : CB : C B : C
B CB C B C
B CB C=B C
B : : ::: : C B : C B : C
B CB C B C
B CB C B C
B : : : C B C B C
@ A@ : A @ : A
1 x1n ::: xnn 1 an 1 f (xn )
1.3.1 Matrice de Vandermonde

En algèbre linéaire, une matrice de Vandermonde est une matrice avec une progression
géométrique dans chaque ligne. Elle tient son nom du mathématicien français Alexandre-
Théophile Vandermonde.
De façon matricielle, elle se présente ainsi :
0 1
1 x11 ::: x1n 1
B C
B 1 x1 ::: x2n 1 C
B 2 C
B C
B : : : C
B C
V =B C
B : : ::: : C
B C
B C
B : : : C
@ A
1 x1n n 1
::: xn
Le déterminant de cette matrice est connue:
1 x1 x21 ::: x1n 1
1 x2 x22 ::: x2n 1
: Y
= (xi xj ):
: 0 i<j n
:
1 xn x2n ::: xnn 1
Comme xi 6= xj 8i; j alors le determinant de Vandermonde ne sera jamais nul. Ce qui prouve
que pour faire passer un polynôme unique par n points distincts celui-ci doit être au plus
de degré n. Alors le polynôme d’interpolation existe et unique ce qui prouve le théoréme
7
de Weierstrass pour con…rmer, ceci on pocéde comme suit: f0 (x) = x0 ; la 2eme f1 (x) = x1 ,
f2 (x) = x2 ; ::::::; fn (x) = xn
f0 (x) f1 (x)::: fn (x)

0 1
1 x11 ::: xn1 1
B C
B 1 x1 ::: xn 1 C
B 2 2 C
B C
B : : : C
B C
B C
B : : ::: : C
B C
B C
B : : : C
@ A
1 x1n ::: xnn 1
On représente cette suite des fonctions par le graphe (1:3:1) :
Remarque 1.3.1 dans la …gure (1:3:1) on observe que lorsque n augmente les colonnes de
la matrice de vendermonde sont presque égales. Par conséquent la matrice devient presque
singulière, c’est à dire que le système n’est pas stable.
8
1
y=1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
y=x y=x. 2
0.2 y=x. 4
y=x. 3 y=x. 5
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figure 1.3.1 : Graphe de la suite f (x) = xn , n = 0; :::; 20
9
Chapitre 2
Interpolation globale
2.1 Polynôme d’interpolation de Lagrange

En analyse numérique, les polynômes de Lagrange, du nom de Joseph-Louis Lagrange,
permettent d’interpoler une série de points par un polynôme qui passe exactement par ces
points appelés aussi nœuds. Cette technique d’interpolation polynomiale a été découverte
par Edward Waring en 1779 et redécouverte plus tard par Leonhard Euler en 1783.
Soit f une fonction continue à valeurs réelles dans [a; b] et soient x0 ; :::; xn ,(n + 1) points
deux à deux distincts. On cherche alors un polynôme P de degré n tel que
P (xi ) = f (xi ); 8i = 0:::n:
On dit que P interpole f aux points x0 ; :::; xn
Théorème 2.1.1 Il existe un unique polynôme de degré n qui interpole f en les points
x0 ; :::; xn voir [1]; p260
Preuve. Soit p(xi ) = f (xi ), i = 1; :::; n alors système linéaire est

8
>
> a0 + a1 x0 + ::: + an xn0 = f (x0 )
>
>
>
< a + a x + ::: + a xn = f (x )
0 1 1 n 1 1
>
> :::
>
>
>
:
a0 + a1 xn + ::: + an xnn = f (xn )
10
2.1. Polynôme d’interpolation de Lagrange
d’inconnues a0 ; a1 ; :::an . Le déterminant du système est un déterminant de type Vander-

monde
1 x1 x21 ::: xn1 1
1 x2 x22 ::: xn2 1
: Y
= (xi xj ) 6= 0
: 0 i j n
:
1 xn x2n ::: xnn 1
Les xi sont distincts donc il y a une unique solution.

Le polynôme d’interpolation de lagrange d’ordre 1 est égal à:
(x x1 ) (x x0 )
p1 (x) = f (x0 ) + f (x1 )
(x0 x1 ) (x1 x0 )
Le polynôme d’interpolation de lagrange d’ordre 2 est égal à
(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 x0 ) (x2 x1 )
X Y (x xj )
2 2 X 2
= f (xi ) = Li (x) f (xi )
i=0
(xi xj ) i=0
j=0
j 6= i
En généralisant à l’ordre n le polynôme d’interpolation de lagrange s’écrit :

X
n
pn (x) = Li (x) f (xi )
i=0
Où les facteurs Li (x) sont égales à:
Y
n
x xj
Li (x) =
xi xj
j=0
j 6= i
On peut tracer les 3 polynômes caractéristiques de Lagrange dans la …gure (2:1:1)

Le polynôme de lagrange est déterminé en l’écrivant sous la forme :
11
Figure 2.1.1 : Polyômes caractéristiques de Lagrange
pn (x) = a0 (x x1 ) (x x2 ) (x x3 ) ::: (x xn )
+a1 (x x1 ) (x x2 ) (x x3 ) ::: (x xn )
+:::
+ai (x x1 ) (x x2 ) (x x3 ) ::: (x xi 1 ) (x xi ) ::: (x xn )
+:::
+an (x x1 ) (x x2 ) (x x3 ) ::: (x xn 1 )
Où les ai sont égales à:
f (xi )
ai =
(xi x0 ) (xi x1 ) ::: (xi xi 1 ) (xi xi+1 ) ::: (xi xn )
Comme précédemment,la foction f (x) est égale à:
f (x) = pn (x) + En (x)
telle que En est l’erreure
12
2.1.1 Erreur d’interpolation de lagrange

Dans cette section, nous évaluons l’erreur d’interpolation faite quand on remplace une fonc-
tion f donnée par le polynome Pn qui l’interpole aux noeuds x0 ; x1 ; :::; xn
Théorème 2.1.2 Soient x0 ; x1 ; :::; xn , n + 1 noeuds distincts et soit x un point appartenant

au domaine de dé…nition de f On suppose que f 2 C n+1 (Ix ), où Ix est le plus petit intervalle
contenant les noeuds x0 ; x1 ; :::; xn et x. L’erreur d’interpolation au point x est donnée par:
" n #
Y
En (x) = (x xi ) f [x; xn ; :::; x1 ; x0 ]
i=0
f n+1 ( )
En (x) = wn+1 (x) 2 Ix
(n + 1)!
Y
n
tq wn+1 (x) = (x xi )
i=0
Preuve. voir [1]
2.1.2 Contre-exemple de Runge

Supposons qu’on approche la fonction suivante:
1
f (x) = ,-1 x 1
1 + 25x2
En utilisant l’interpolation de Lagrange avec noeuds équirépartis. On peut véri…er qu’il

existe des points x à l’intérieur de l’intervalle d’interpolation telle que:
lim jf (x) 6 0
pn (x)j =
n!1
En particulier, l’interpolation de Lagrange diverge ce phénoméne est particuliérement évi-

dent au voisinage des extrémités de l’intervalle d’interpolation comme le montrer les …gurees
(2:1:2) et (2:1:3) :
Remarque 2.1.1 le contre exemple de Runge, nous montre que si n augmente, l’erreur de
la méthode de Lagrange, sera très grande.
13
la fonction de Runge
1
0.5
point équidistants
0
-0.5
polynome dinterpolation de lagrange
-1
-1.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Figure 2.1.2 : Comparision entre la fonction de Runge et l’interpolation de lagrange pour

n=8
2.5
1.5
polynome dinterpolation de lagrange
la fonction de Runge
1
0.5
point équidistants
0
-0.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Figure 2.1.3 : Comparision entre la fonction de Runge et l’interpolation de lagrange pour

n = 15
14
2.2. Interpolation aux noeuds de Chebyshev
Comme nous l’avons vu, les exemples du phénomène de Runge ont généralement de
grandes erreur près de l’extérieur de l’intervalle des points de données. Le remède à ce
problème est intuitif, c’est de faire concentrer les noeuds d’interpolation aux extrémités de
l’intervalle. Les noeuds de Chebyshev sont les plus favorables à ce phénoméne. Nous verrons
comment accomplir cela dans la section suivante sur l’interpolation de Chebyshev.
2.1.3 Limite de l’interpolation polynomiale

L’interpolation polynômiale est la base de nombreuses techniques numériques, en particulier
les techniques d’intégration approchée. Elle se généralise de façon naturelle aux cas de
dimension n 2. Cependant elle a des limites :
Théoriquement: On n’est pas assurée de la convergence du polynôme d’interpolation

vers la fonction interpolée lorsque l’on fait tendre le nombre de points d’interpolation
(et donc le degré du polynôme) vers l’infni (voir le phénomène de Runge).
Numériquement: Même dans le cas on la convergence théorique est assurée, l’instabilité

du calcul provenant de l’accumulation des erreurs d’arrondis, aux quelles le procédé
d’interpolation polynomiale est particulièrement sensible, limite l’usage de cette tech-
nique dû aux nombres de points d’interpolation .
pratiquement: Remarquons que dans de nombreux cas, les valeurs données résultent
d’expériences ou de calculs préalables. Ces valeurs sont donc approximatives. Le
probléme réel n’est alors plus un problème d’interpolation.
2.2 Interpolation aux noeuds de Chebyshev

On peut éviter le phénomène de Runge en choisissant correctement la distribution des noeuds
d’interpolation. Sur un intervalle [a; b], on peut
a+b b a
xi = + xbi où
2 2
xbi = cos( i=n); i = 0; :::; n
15
2.3. Polynôme d’interpolation de Newton
On a bien sûr xi = xbi ; i = 0; :::; n, quand [a; b] = [ 1; 1]. Pour cette distribution
particulière des noeuds, il est possible de montrer que si f est dérivable sur [a; b]; alors Pn
converge vers f quand n ! 1 pour tout x 2 [a; b]. Les noeuds de Chebyshev-Gauss-
Lobatto, qui sont les abscisses des noeuds équirépartis sur le demi-cercle unité, se trouvent
à l’intérieur de [a; b] et sont regroupés près des extrémités de l’intervalle.
Une autre distribution non uniforme dans l’intervalle ]a, b[, possédant les mêmes pro-
priétés de convergence que les noeuds de Chebyshev-Gauss-Lobatto, est dé…nie par les
noeuds de Chebyshev-Gauss
a+b b a 2i + 1
xi = + cos( ); i = 0; :::; n
2 2 n+1 2
1
Exemple 2.2.1 Considérons la fonction f (x) = sur l’intervalle [ 1; 1] voir …gure
1 + x2
(2:1:2). Dans les …gures suivante, on compare le polynôme d’interpolation basé sur des points
équidistants avec celui basé sur les points de Chebyshev, On observe une nette amélioration:
Interpolation avec des points équidistants contre exemple de Range (à gauche) et les points
de Chebyshev (à droite)
2.3 Polynôme d’interpolation de Newton

Dans l’interpolation de lagrange si on ajoute un noeud on doit refaire tout le calcul mais dans
la méthode de Newton on dépasse cet inconvennient. La forme de Lagrange du polynome
d’interpolation n’est pas la plus commode d’un point de vue pratique. Nous introduisons
dans cette section une forme alternative dont le coùt de calcul est moins élevé. Notre but
est le suivant :
16
étant donné n + 1 point fxi ; yi g, i = 0; :::; n, on peut représenter Pn tel que
p(xi ) = yi pour i = 0; 1; :::; n: (2.3.1)
p(x) = axn + bxn 1

+ cxn 2
+ ::: (2.3.2)
Cas n = 1 Le polynôme de degré 1 (une droite) qui passe par (x0 ; y0 ) ; (x1 ; y1 ) est
donné par
y1 y0
p(x) = y0 + (x x0 ) (2.3.3)
x1 x0
Cas n = 2 Pour obtenir un polynôme de degré 2 ( une parabole) qui passe par les
trois point (x0 ; y0 ) ; (x1 ; y1 ) (x2 ; y2 ) on ajoute un terme de correction (de degré 2) à la
formule. Comme ce terme doit etre nul aux points x0 et x1 ,on a nécessairement
y1 y0
p(x) = y0 + (x x0 ) + a(x x0 )(x x1 ) (2.3.4)
x1 x0
Le coe¢ cient a est déterminé par p(x2 ) = y2 : Un calacul simple (soustraire p(x1 ) de
p(x2 ) et diviser par (x2 x0 )(x1 x1 ) nous donne
1 y2 y1 y1 y0
a= (2.3.5)
x2 x0 x2 x1 x1 x0
Un exemple pour, le cas n = 5 avec des xi non équidistants est donné. Pour les cas
n > 2 les formules deviennent plus complexes et il est recommandé d’introduire une
notation convenable pour simpli…er les exepressions
Dé…nition 2.3.1 (di¤ érences divisées) D’aprés la dé…nition de la dérivée d’une fonction
continue f (x) :
df (x) 0 f (x) f (x0 )
= f (x0 ) = lim
dx x0
x!x0 x x0
on pourra dé…nir la di¤érence divisée d’ordre 1 :
f (x) f (x0 )
f [x; x0 ] =
x x0
on sait d’après le théorème de valeur moyenne que : 8f (x) continue sur a x b et
dérivable sur a x b, 9 2 [a; b] tel que
0 f (b) f (a)
f ( )=
b a
17
On en déduit que la première di¤érence divisée d’ordre 1:

f (x) f (x0 ) 0
f [x; x0 ] = =f ( ) 2 [x; x0 ]
x x0
le concept de di¤érence divisée se généralise Pour (xi ; yi ) donnés (xi distincts) on dé…nit
ordre di¤érences divisée formule

0 f [x0 ] f (x0 )
f (x1 ) f [x0 ]
1 f [x1 ; x0 ]
x1 x0
f [x2 ; x1 ] f [x1 ; x0 ]
2 f [x2 ; x1 ; x0 ]
x2 x0
f [xn ; :::; x2 ; x1 ] f [xn 1 ; :::; x1 ; x0 ]
n f [xn ; :::; x1 ; x0 ]
xn x0
on déduit que la di¤érence divisée d’ordre n est égale à:
X
n
f (xi )
f [xn ; :::; x1 ; x0 ] = Q
n
i=0 (xi xj )
j=0
j 6= i
Théorème 2.3.1 (formule de Newton) Le polyôme d’interpolation de degré n qui passe

par les n + 1 points (x0 ; y0 ); (x1 ; y1 ); :::; (xn ; yn ), ou les xi sont distincts, est unique et donné
par
f [x0 ] + (x x0 ) f [x1 ; x0 ] + (x x0 ) (x x1 ) f [x2 ; x1 ; x0 ]

P (x) = (2.3.6)
+::: + (x x0 ) (x x1 ) :::(x xn 1 )f [xn ; xn 1 ; :::; x0 ]
X
n
= f [x0 ] + f [x0 ; :::; xi] (x x0 ) ::: (x xi 1 ) : (2.3.7)
i=1
Preuve. Pour n = 1 et n = 2 la formule (2:3:6) est équivalente à (2:3:3), (2:3:4), (2:3:5)

pour démontrer le cas général, nous procédons par récurrence. Supposons que
p1 (x) = f [x0 ] + (x x0 )f [x1 ; x0 ] + ::: + (x x0 ) ::: (x xn 2 )f [xn 1 ; :::; x0 ]
soit le polynôme unique de degré n 1 qui passe par (xi ; yi ) pour i = 0; 1; :::; n 1. Alors,
comme (2:3:4), polynôme p(x) a nécessairement la forme:
18
Figure 2.3.1 : Polynôme d’interpolation de degré 5
p(x) = p1 (x) + a (x x0 )(x x1 ) ::: (x xn 1 ) (2.3.8)
où a est déterminé par p(xn ) = yn

Pour montrer que a = f [x0 ; x1 ; :::; xn ], ce qui achève la démonstration, nous considérons
également le polynôme de degré n 1
p2 (x) = f [x1 ] + (x x1 )f [x1 ; x2 ] + ::: + (x x1 ) ::: (x xn 1 )f [x1 ; x2 ; :::; xn ]
qui passe par (xi ; yi ) pour i = 1; :::; n. En suite on pose d’après (Aitken - Neville, 1929-1932
)
1
q(x) = ((xn x)p1 (x) + (x x0 )p2 (x)) (2.3.9)
xn x0
Il s’agit d’un polynôme de degré n, qui satisfait la condition (2:3:2) pour le point x0 (ici,
le facteur (x x0 ) est nul), pour le point xn (ici, le facteur (xn x) est nul), et pour les
points x1 ; x2 ; :::; xn 1 (ici, les deux polynômes p1 (x) et p2 (x) sont égaux à yi ). Pour l’unicité
du polynôme d’interpolation on a alors q(x) = p(x). En comparant le coe¢ cient de xn dans
(2:3:9) avec celui de (2:3:8), nous abtenons
1
a= (f [x1 ; x2 ; :::; xn ] f [x1 ; x2 ; :::; xn 1 ]) = f [x1 ; x2 ; :::; xn ]
xn x0
ce qui démontre la formule (2:3:6)
19
Pour les données de la …gure (2:3:1), les di¤erences divisées sont présentées dans le
tableau
(2.3.10)
2 3 4 5
xi yi y y y y y
0 -1
1
2 1 3/8
5/2 -77/120
4 6 -17/6 167/960
-6 3/4 -287/9600
5 0 5/3 -1/8
2/3 -1/4
8 2 1/6
3/2
10 5
Le polynôme d’interpolation est alors donné par
3 77
p(x) = 1 + x + x(x 2) x(x 2)(x 4)
8 120
167 257
+x(x 2)(x 4)(x 5) x(x 2)(x 4)(x 5)(x 8)
960 9600
Ou mieux encore pour la programmation (ou le calcul a la main)
3 77 167 257
p(x) = 1 + x(1 + (x 2)( + (x 4)( + (x 5)( (x 8) ))))
8 120 960 9600
Remarque 2.3.1 L’ordre des fxi g n’a aucun une importance pour la formule de Newton
(2:3:6) si l’on permute les donnees (xi ; yi ), on obtient évidemment le même polynôme. Pour
l’exemple ci-dessus et pour les fxi g choisis dans l’ordref4; 5; 2; 8; 0; 10g, on obtient ainsi
17 3 167 257
p(x) = 6 + (x 4)( 6 + (x 5)( + (x 2)( (x 8)( x ))))
6 4 960 9600
En observant que f [x0 ; x1 ; :::; xn ] est une fonction symétrique de ses arguments (par exem-
ple, f [x2 ; x3 ; x1 ] = f [x1 ; x2 ; x3 ]), on peut utiliser les valeurs calcules dans le tableau.Pour
20
diminuer l’in‡uence des erreurs d’arrandi, il est recommandé d’ordonner les fxi g de manière
à ce que les valeurs situées au milieu soient prises d’abord et les valeurs aux extrémités à
la …n pour ce choix , les expresions (x x0 ); (x x0 )(x x1 ); (x x0 )(x x1 )(x x2 ):::,
sont on générale plut petites que pour un autre choix et l’ampli…cation des erreurs dans les
dé¢ rences divissées est mois importante
2.3.1 Erreur de l’interpolation de Newton

Supposons que les points (xi ; yi ) soient sur le graphe d’une fonction f : [a; b] ! R c-à-d.,
yi = f (xi ) ; i = 0; 1; :::; n: (2.3.11)
étudions alors l’erreur jf (x) p(x)j du polynôme d’interpolation p(x). Deux exemples
sont données dans la …gure suivante. A gauche, on voit un polynome d’interpolation pour
la fonction f (x) = sin x, et à droite pour la fonction 1=(1 + x2 ): Pour mieux rendre visible
l’erreur, voir la …gure (2:3:2).
Les résultats suivants sont dûs à Cauchy Commençons par une relation intéressante entre
les di¤érences divisées pour (2:3:11) et les dérivées de la fonction f (x):
Lemme 2.3.1 Soit f (x) n fois di¤érentiable et yi = f (xi ) pour i = 0; 1; :::; n (xi distincts).
Alors, il existe un 2 (min xi ; max xi ) tel que
f (n) ( )
f [x0 ; x1 ; :::; xn ] =
n!
Preuve. Soit p(x) le polynome d’interpolation de degré n passant par(xi ; yi ) et notons

d(x) = f (x) p(x). Par dé…nition de p(x), la di¤érence d(x) s’annule en n + 1 points
distincts
d(xi ) = 0; pour, i = 0; 1; :::; n:
Comme d(x) est di¤érentiable, on peut appliquer n fois le théoréme de Rolle (voir le cours
d’Analyse I) et on en déduit que
d(1) (x) a n zéros distinct s dans (min xi ; max xi )
21
Le meme argument appliqué à d0 (x) donne
d(2) (x) an 1 zéros distinct s dans (min xi ; max xi )
et …nalement encore
d(n) (x) a 1 zéros distinct s dans (min xi ; max xi )
Notons ce zéro de d(n) (x) par . Alors, on a
f (n) ( ) = P (n) ( ) = n! f [x0 ; x1 ; :::; xn ]
La deuxiéme identité dans la derniere équation résulte du fait que f [x0 ; x1 ; :::; xn ] est le
coe¢ cient de xn dans P (x):
Théorème 2.3.2 Soit f : [a; b] ! R(n + 1) f ois di¤érentiable et soit p(x) le polynome
d’interpolation de degré n qui passe par (xi ; f (xi )) pour i = 0; 1; :::; n: Alors, pour x 2 [a; b];
il existe un 2 (min(xi ; x); max(xi ; x)) tel que
f (n+1) ( )
f (x) p(x) = (x x0 ) ::: (x xn ):
(n + 1)!
Preuve. Si x = xi pour un indice i 2 f0; 1; :::; ng, la dernière formule est véri…ée car
P (xi ) = f (xi ). Fixons alors un x dans [a; b] qui soit di¤érent de xi et montrons cette formule
pour x = x. L’idée est de considérer le polynome p(x) de degré n+1qui passe par (xi ; f (xi ))
pour i = 0; 1; :::; n et par (x; f (x)). La formule de Newton donne
p(x) = p(x) + (x x0 ) ::: (x xn )f [x0 ; :::; xn ; x]:
Si l’on remplace la di¤érence divisée dans cette formule par f (n+1) ( )=(n + 1)! (voir le lemme
précédent) et si l’on pose x = x , on obtient le résultat (2.4) pour x = x car p(x) = f (x)
Comme x est arbitraire, la formule et véri…ée pour x:
Exemple 2.3.1 Dans la situation de la …gure (2:3:2; ) on a n + 1 = 7. Comme la 7`eme

d´ érivée de sin x est bornée par 1, on a que
1
jP (x) sin xj jx(x 1:5)(x 3)(x 4:5)(x 6)(x 7:5)(x 9)j :
7!
22
2.4. Interpolation d’Hermite-Birko¤
Figure 2.3.2 : Polynôme d’interpolation de Newton pour sin (x) à (gauche) et pour
1
à (droite)
1 + 25x2
Par exemple
jP (4) sin4j 0:035 ou jP (1) sin1j 0:181
Pour le deuxiéme exemple, f (x) = 1=(1 + x2 ); la 7`eme dérivée est donnée par
(x + 1)(x 1)x(x2 2x 1)(x2 + 2x 1)

f (7) (x) = 8!
(1 + x2 )8
qui est maximale pour x 0:17632698: On obtient ainsi
1 4392
p(x) (x2 20:25)(x2 9)(x2 2:25)x :
1 + x2 7!
Alors, l’érreur peut être plus grande que pour l’interpolation de sin x.donc l’interpolation
de newton n’est pas valide pour n grand.
2.4 Interpolation d’Hermite-Birko¤

On peut généraliser l’interpolation de Lagrange d’une fonction f pour prendre en compte,
en plus de ses valeurs nodales, les valeurs de ses dérivées en certains noeuds (ou en tous les
noeuds).
23
On se donne (xi ; f (k) (xi )), pour i = 0; :::; n; k = 0; :::; mi où mi 2 N. En posant N =

Pn
i=0 (mi + 1); on peut montrer que si les noeuds fxi g sont distincts, il existe un unique
polynomeHN 1 2 PN 1, appelé polynôme d’interpolation d’Hermite, tel que:
(k) (k)
HN 1 (xi ) = yi ; i = 0; :::; n; k = 0; :::; mi
Ce polynôme s’écrit
X mi
n X
(k)
HN 1 (x) = yi Lik (x)
i=0 k=0
(k)
ou yi = f (k) (xi ); i = 0; :::; n; k = 0; :::; mi:Les fonctions Lik 2 PN 1 sont appelées polynomes
caracteristiques d0Hermite et sont dé…nies par les relations
8
dp < 1 si i = j et k = p
(Lik )(xj ) =
dxp : 0 sinon
En dé…nissant les polynômes
(x xi )j Y
n
x xk
mk +1
lij (x) = ; i = 0; :::; n; k = 0; :::; mi
j! xi xk
k=0
k 6= j
et en posant Limi (x) = limi (x) pour i = 0; :::; n; on a les relations de récurrence suivantes
pour les pôlynomes Lij :
X m(k)
i
Lij (x) = lij (x) lij (xi )Lik (x) j = mi 1; mi 2; :::; 0

k=j+1
Concernant l’erreur d’interpolation, on a l’estimation
f (N ) ( )
f (x) HN 1 (x) = N (x) 8x 2 R
N!
où 2 I(x; x0 ; :::; xn ) et N est le polynôme de degré N dé…ni par
N (x) = (x x0 )m0 +1 (x x1 )m1 +1 (x x)mn +1 :
24
Figure 2.4.1 : Interpolation de Lagrange et d’Hermite de la fonction f (x) = sin(4 x) sur

[0; 1]
Exemple 2.4.1 (polynôme d’interpolation osculateur)
Posons mi = 1 pour i = 0; :::; n. Dans ce cas N = 2n + 2 et le polynôme d’Hermite est

appelé polynôme osculateur. Il est donné par
X
n
(1)
HN 1 (x) = (yi Ai (x) + yi Bi (x))
i=0
où Ai (x) = (1 2(x xi )li0 (xi ))li (x)2 et Bi (x) = (x xi )li (x)2 ;pour i = 0; :::; n:
Remarquer que
X
n
1
li0 (xi ) = ; i = 0; :::; n:
k=0;k6=i
(xi xk )
A titre de comparaison, on représente les polynômes d’interpolation de Lagrange et

d’Hermite de la fonction f (x) = sin(4 x) sur l’intervalle [0; 1] en prenant quatre noeuds
équirépartis (n = 3) sur le graphe.(2:4:1)
25
Chapitre 3
Interpolation locale
L’interpolation à plusieurs inconvenients comme an à vu on chapitre précèdent. Alors on à

besion d’autres méthodes qui sont appellées méthodes d’interpolation locale
Dé…nition 3.0.1 Soient x0 ; :::; xn ; n + 1 noeuds distincts de [a; b], avec a = x0 < x1 < ::: <
xn = b. La fonction sk (x) sur l’intervalle [a; b] est une spline de degré k relative aux noeuds
xj si
sk (x) : [xj ; xj+1 ] ! R; j = 0; 1; :::; n 1;
sk 2 Ck 1 [a; b]:
Si Sk désigne l’espace des splines sk dé…nies sur [a; b] et relatives à n + 1noeuds distincts,
alors dimSk = n + k. Evidemment, tout polynôme de degré k sur [a; b] est une spline, mais
en pratique, une spline est constituée de polynômes di¤érents sur chaque sous-intervalle. Il
peut donc y avoir des discontinuités de la dérivée k-iéme aux noeuds internes x1 ; :::; xn 1 .
Les noeuds où se produisent ces discontinuités sont appelés noeuds actif s.
On véri…e facilement que les conditions précédentes ne sont pas su¢ santes pour carac-
tériser une spline de degré k. En e¤et, la restriction Sk;j = Skj[xj ;xj+1 ] peut être écrite sous
la forme
26
3.1. Spline linéaire
X
k
sk;j (x) = si;j (x xj )i si x 2 [xj ; xj+1 ]
i=0
on doit donc déterminer les (k + 1)n coe¢ cients sij . D’autre part, on à sk 2 Ck 1 [a; b]:
(m) (m)
sk;j 1 (xj ) = sk;j (xj ); j = 1; :::; n 1; m = 0; :::; k 1;
3.1 Spline linéaire

Etant donné un ensemble des point: (xi ; yi ) i = 0; :::; n avec
a = x0 < x1 < ::: < xn = b:
et soit
hi = xi xi 1 ; i = 1; :::; n:
en plus, soit si (x) le spline de degré 1 di…né sur l’intervalle [xi 1 ; xi ] ; si (x) est linéaire qui
passe par les points (xi 1 ; yi 1 ) et (xi ; yi ) tels que
si (x) = yi 1 + mi (x xi 1 ) (3.1.1)
avec
yi yi 1
mi =
xi xi 1
Remarque 3.1.1 En substituant i = 1; :::; n; successivement dans l’equation (3:1:1) on

obtient des di¤érent splines de degré 1, sur chaque sous-intervalles [xi 1 ; xi ] et i = 1; :::; n:
Exemple 3.1.1 compte tenu de l’ensemble des points de données (1; 8); (1:5; 5); (2; 1); (2:5; 10)
et (3; 18) satisfaisant la fonction y = f (x). On cherche les splines linéaires qui passent par
les points A(1; 8); (1:5; 5), C(2; 1); D (2:5; 10) et E (3; 18)
l’équation de AB est
s1 (x) = 8 + 6(x 1) = 6x 14
l’équation de BC est
s2 (x) = 5 + (x 1:5)8 = 8x 17
27
3.1. Spline linéaire
20
15
s4(x)=16x-30
10
s3(x)=22x-45
0
s2(x)=8x-17
-5
s1(x)=6x-14
-10
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
Figure 3.1.1 : Graphe de les splines linéaire tels que n = 4
l’équation de CD est
s3 (x) = 1 + (x 2)22 = 22x 45
l’équation de DE est
s4 (x) = 10 + (x 2:5)16 = 10x 30
donc 8
>
> s1 (x) = 6x 14 si x 2 [1; 1:5]
>
>
>
< s (x) = 8x 17 si x 2 [1:5; 2]
2
f (x) =
>
> s3 (x) = 22x 45 si x 2 [2; 2:5]
>
>
>
:
s4 (x) = 10x 30 si x 2 [2:5; 3]
on peut représenter cette fonction par le graphe (3:1:1) :
Il est facile de véri…er que les splines si (x) sont continues sur l’intervale [1; 3] mais leurs
pentes sont discontinues c’est clairement un retrait des splines linéaires et par conséquent
nous discutons ensuite des splines quadratiques qui supposent la continuité des pentes en
plus de celle de la fonction
28
3.2. Spline Quadratique
3.2 Spline Quadratique

Dé…nition 3.2.1 une spline quadratique est un polynôme de degré 2; Soit si (x) une
spline quadratique approche la fonction y = f (x) dans l’intervalle [xi 1 ; xi ],on a hi = xi
xi 1 .On a si (x) est continue sur [a; b] est :
si (x) = yi i = 1; :::; n:
0
Où si (x) est une fonction quadratique sur l’intervalle [xi 1 ; xi ],et si (x) est une fonction
linéaire qui peut être écrite sous la forme:
0 1
si (x) = [(xi x) mi 1 + (x xi 1 ) mi ] i = 1; :::; n (3.2.1)
hi
tels que
0
mi = si (xi )
En intégrant l’équation (3:2:1) terme à terme on obtient

" #
1 (xi x)2 (x xi 1 )2
si (x) = mi 1 + mi + ci (3.2.2)
hi 2 2
ci est une constante. Pour déterminer ci on pose x = xi 1 dans l’equation (3:2:2)

1 h2i hi
ci = yi 1 + mi 1 = yi 1 + mi 1
hi 2 2
donc l’équation (3:2:2) devient
" #
1 (xi x)2 (x xi 1 )2 hi
si (x) = mi 1 + mi + yi 1 + mi 1 (3.2.3)
hi 2 2 2
dans l’équation (3:2:3) les mi sont encore inconnus, pour déterminer les mi on utilise la
condition de continuité de la fonction si (x) puisque les dérivées premières sont toujours
continues, pour la continuité de la fonction si (x) à x = xi , on doit avoir
si x i = si x +
i
de l’équation (3:2:3) nous obtenons

hi hi
si x i = mi + yi 1 + mi 1 (3.2.4)
2 2
hi
= (mi 1 + mi ) + yi 1
2
29
en plus
" #
1 (xi+1 x)2 (x xi )2 hi+1
si+1 (x) = mi + mi+1 + yi + mi
hi+1 2 2 2
donc
hi+1 hi+1
si+1 x+
i = mi + yi + mi = yi (3.2.5)
2 2
le formules (3:2:4) et (3:2:5) donne la relation de récurrence
2
mi 1 + mi = (yi yi 1 ) (3.2.6)
hi
pour les splines les premieres dérivées mi , l’équation (3:2:6) constituent n équation avec
(n + 1) inconnues, à savoir, m0; m1; :::::mn : Comme nous avons besoin d’une condition sup-
plémentaire pour déterminer les mi; de manière unique. Il existe plusieurs façons de choisir
cette condition. La façons la plus naturelle est de choisir
00
si (x) = 0; tq x = 0; x = b:
Cette spline est appelée spline naturelle .

En dérivant la formule (3:2:3) deux fois par rapport à x, nous obtenons
00 1
si (x) = ( mi 1 + mi )
hi
où
00 1
s1 (x1 ) = (m1 m0 )
h1
Par conséquent, nous avons la condition supplémentaire
m1 = m0 (3.2.7)
Donc (3:2:7) et (3:2:6) peuvent être résolus pour mi ; qui ensuite substitué en (3:2:3) donne
la spline quadratique requise.
Exemple 3.2.1 on cherche les splines quadratiques satisfaisant les données données:
f(1; 8) ; (2; 1) ; (3; 18)g
30
20
15
10
s2(x)
-5
s1(x)
-10
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
Figure 3.2.1 : Graphe de les splines quadratique tels que n = 2
on a n = 2 et h = 1 Equation (3:2:3) donne
m1 + m0 = 14 et m1 + m2 = 38
depuis m1 = m0 on obtient m1 = m0 = 7 and m2 = 31.donc l’equation (3:2:3) donne:
(x1 x)2 x0 )2 (x 7
s1 (x) = (7) + (7) 8 +
2 2 2
2 2
(2 x) (x 1) 7
= (7) + (7) 8 +
2 2 2
= 7x 15
qui est la spline dans l’intervalle [1; 2] et
(x2 x)2 x1 )2
(x 7
s2 (x) = (7) + (31) 1 +
2 2 2
(3 x)2 (x 2)2 7
= (7) + (31) 1 +
2 2 2
2
= 12x 41x + 33
qui est la spline dans l’intervalle [2; 3] donc

8
< s (x) = 7x 15 1 x 2
1
f (x) =
: s2 (x) = 12x2 41x + 33 2 x 3
31
Par conséquent
f (2:5) ' s2 (2:5) = 5:5
on peut représenter cette fonction par le graphe (3:2:1)
Une méthode simple pour dériver les splines quadratiques est la suivante:
puisque si (x) est quadratique, nous pouvons écrire
si (x) = ai + bi x + ci x2
où ai , bi et ci sont des constantes à déterminer .Clairement, il y a 3n constantes et donc

nous avons besoin de 3n conditions pour les déterminer. Ces conditions sont obtienties en
utilisant les propriétés de la spline quadratique. Premièrement, nous utilisons la condition
que la spline passe à travers les points intérieurs .Ce moyen
si (x) = ai + bi x + ci x2 i = 1; :::; n 1:
Ensuite,si (x) est continue à x = xi cette condition nécessite
si x i = si+1 x+
i
Par conséquent, nous devons avoir
ai + bi xi + ci x2i = ai+1 + bi+1 xi + ci+1 x2i ; i = 1; 2; :::; n 1

0
Encore une fois, si (x)est continue à, x = xi ce que donne
bi + 2ci xi = bi+1 + 2ci+1 xi ; i = 1; 2; :::; n 1
Nous avons donc des conditions 3n 3 et nous avons besoin de trois conditions supplémen-
taires. Puisque la spline passe aussi par les points extrêmes, nous devons avoir
y0 = a1 + b1 x0 + c1 x20
et
yn = an + bn xn + cn x2n
En…n, pour la spline naturelle, nous avons
s"1 (x0 ) = 0
32
3.3. Splines cubiques
Et cela donne
c1 = 0
nous avons donc un système complet de (3n) équations et de (3n) inconnues. Bien que
cela puisse certainement être soulagé, il est évidemment plus désavantages et donc, cette
méthode est moins préférée à la précédente.
La discontinuité dans les dérivées secondes est un inconvénient évident des cannelures
quadratiques et cet inconvénient est supprimé dans les cannelures cobque discutées ci-
dessous.
3.3 Splines cubiques

Nous considérons le même ensemble de points de données, (xi ; yi ) et si (x) la spline cubique
dé…nie dans l’intervalle [xi 1 ; xi ], les conditions pour la spline cubique naturelle sont:
i) si (x) est au plus un cube dans chaque sous-intervalle [xi 1 ; xi ] ; i = 1; 2; :::; n:
ii) si (xi ) = yi ; i = 1; 2; :::; n

0
iii) si (x),si (x) ; s00i (x) est continues sue l’intervale [x0 ; xn ]
iv) et s00i (x0 ) = s00i (xn ) = 0:
Spline cubique.
33
pour déduire les équations gouvernantes de la spline cubique, nous observons que ces
deuxièmes dérivées doivent être linéaires. De là, nous avons dans [xi 1 ; xi ] :
00 1
si (x) = [(xi x) Mi 1 + (x x i 1 ) Mi ] (3.3.1)
hi
00
où hi = xi xi 1 et si (xi ) = Mi pour tout i ce qui est évident, les dérivées de la deuxième
spline sont continues. L’équation d’intégration (3:3:1) par rapport à x, nous obtenons
" #
1 (xi x)3 (x xi 1 )3
si (x) = Mi 1 + Mi + ci (xi x) + di (x xi 1 ) (3.3.2)
hi 6 6
où ci et di sont des constantes à dé…nir.
En utilisant les conditions si (xi 1 ) = yi 1 et si (xi ) = yi nous avons immédiatement
1 h2i 1 h2i
ci = yi 1 Mi 1 et di = yi Mi
hi 6 hi 6
en substituant ci et di dans l’équation (3:3:2), nous obtenons
"
1 (xi x)3 (x xi 1 )3
Mi 1 + Mi
hi 6 6
si (x) = (3.3.3)
h2i h2i
+ yi 1 Mi 1 (xi x) + yi Mi (x xi 1 )
6 6
dans l’équation (3:3:3) les dérivées secondes des splines .Mi , ne sont pas encore connues.
0
Pour les déterminer, nous utilisons la condition de continuité de si (x). De équation (3:3:3)
nous obtenons par derivation:
"
0 1 3 (xi x)2 3 (x xi 1 )2
si (x) = Mi 1 + Mi
hi 6 6
h2i h2i
yi 1 Mi 1 + yi Mi
6 6
En mettant x = xi ; dans précèdente, on obtient la érivée à gauche
0 hi 1 h2i 1 h2i
si x i = Mi yi 1 Mi 1 + yi Mi (3.3.4)
2 hi 6 hi 6
1 h2i hi
= (yi y i 1 ) + Mi 1 + Mi ; i = 1; 2; :::; n:
hi 6 3
pour obtenir la dérivée à droite, il faut d’abord écrire l’équation de la spline cubique dans
le sous-intervalle [xi ; xi+1 ]. On fait cela en mettant i = i + 1 dans l’équation (3:3:3)
"
1 (xi+1 x)3 (x xi )3
Mi + Mi+1 +
hi+1 6 6
si+1 (x) = (3.3.5)
h2i+1 h2i+1
yi Mi (xi+1 x) + yi+1 Mi+1 (x xi )
6 6
34
où hi+1 = xi+1 xi l’équation.(3:3:5) est di¤érentiation et mise x = xi , on obtient la dérivée

droite à x = xi
0 1 h2i+1 hi+1
si+1 x+
i = (yi+1 yi ) Mi Mi+1 ; i = 1; 2; :::; n (3.3.6)
hi+1 6 3
l’égalité des équations (3:3:4) et (3:3:6) donne la relation de récurrence
hi 1 hi+1
Mi 1 + (hi + hi+1 ) Mi + Mi+1 (3.3.7)
6 3 6
yi+1 yi yi yi 1
= ; i = 1; 2; :::; n:
hi+1 hi
pour des intervalles égaux. Nous avons hi+1 = hi = h et l’équation (3:3:7) devient
6
Mi 1 + 4Mi + Mi+1 = (yi+1 2yi + yi 1 ) ; pour i = 1; 2; :::; n (3.3.8)
h2
le système d’équations (3:3:7) a la même signi…cation spéciale. Si M0 et Mn sont connus,
alors le système peut être écrit comme
9
y2 y1 y1 y0 >
>
h1 M0 + 2 (h1 + h2 ) M1 + h2 M2 = 6 >
>
h2 h1 >
>
>
>
y3 y2 y2 y1 >
>
h2 M1 + 2 (h2 + h3 ) M2 + h3 M3 = 6 >
>
h3 h2 >
>
>
>
y4 y3 y3 y2 >
>
h3 M2 + 2 (h3 + h2 ) M3 + h4 M4 = 6 >
=
h4 h3
(3.3.9)
: >
>
>
>
>
>
: >
>
>
>
>
>
: >
>
>
>
yn yn 1 yn 1 yn 2 >
>
hn 1 Mn 2 + 2 (hn 1 + hn ) Mn 1 + hn Mn = 6 >
;
hn hn 1
on obtient une matrice tridaigonale on pose i = hi + hi+1 :
0 1
2 1 h2 0 : : : 0
B C
Bh 2 h3 0 : : C:
B 1 2 C
B C
B 0 h2 2 h4 : : : C
B 3 C
B C
B : : : : : : : C
B C
B C
B : : : : : : 0: C
B C
B C
B : : : : : : hn C
@ A
: : : : 0 hn 1 2 n 1
35
L’équations (3:3:7) et (3:3:8) constituent un système de (n + 1) équations et avec les

deux conditions en (iv). Pour la spline naturelle.nous avons un système complet de matrice
tridiagonal.qui peut être résolu facilment par des méthodes itérative.
Exemple 3.3.1 étant donné les points (1; 6),(2; 18) et (3; 42), satisfaisant la fonction y =
x3 + 5x, déterminer la spline cubique dans l’intervalle [1; 2] en utilisant les conditions de …n
0 0
y (1) = 8 ety (3) = 32: Nous avons h = 1 et n = 2. La récurrence relation est:
m0 + 4m1 + m2 = 3 (y2 y0 )
=) 40 + 4m1 = 3 (42 6) = 108
=) m1 = 17
dans l’intervalle [1; 2], la spline cubique est donnée par:
s1 (x) = m0 (x1 x)2 (x x0 ) m1 (x x0 )2 (x1 x) +
y0 (x1 x)2 [2 (x x0 + 1)] + y1 (x x0 )2 [2 (x1 x) + 1]
En substituant les valeurs de xi ; yi et mi , on obtient
s (x) = x3 + 5x;
qui est la fonction tabulée elle-même. Dans ce cas, l’interpolation spline est exacte car les
deux et la condition prescrite sont exactes et la fonction tabulée est cubique
Exemple 3.3.2 calcule de la spline cubique naturelle pour interpoler led points suivent:
1 1 1
(1; 1) ; 2; ; 3; ; 4;
2 3 4
pour n = 4 et h= xi xi 1 = 1 donc on trouve le système suivent d’aprés (3:3:9)
1 2 1 1
M1 + M2 + M3 =
6 3 6 3
1 2 1 1
M2 + M3 + M4 =
6 3 6 3
et M1 = M4 ; on obtient
1
M2 = ; M3 = 0
2
36
3.4. Comparaison
Figure 3.3.1 : Les splines cubique n = 4
alors,d’aprés (3:3:3)
8
> 1 3 1 2 1
>
> s1 (x) = x x x + 32 ; 1 x 2
< 12 4 3
f (x) = s2 (x) = 121 3

x + 43 x2 7
x + 17
2 x 3
>
> 3 6
>
: s (x) = 1 7
3 12
x + 12
; 3 x 4
on représente cette fonction par le graphe (3:3:1)
3.4 Comparaison
Dans cet exemple on compare les deux méthodes globale (interpolation de lagrange) et locale
(interpolation par les spline cubique) on applique cette comparision sur exemple de Runge
37
3.4. Comparaison
1
points de la fonction de Runge
0.9 interpolation de les spline
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Figure 3.4.1 : Spline avec points de Runge
2
points de la fonction de Runge
interp de lagra
1.5
0.5
-0.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Figure 3.4.2 : Lagrange avec points de Runge
38
Conclusion
Après l’exemple de la comparaison ou voit clairement que l’interpolation locale (avec les
splines) et nettement clair et plus précise que la méthode de Lagrange.
L’interpolation locale moyennant les splines est toujours plus …ne et plus précise .Cepen-
dant le coût de calcule est très élevé. L’avantage le plus encouragement dans les splines
est que la matrice du système linéaire est une matrice tridiagonale (matrice creuse), dans
laquelle on peut utiliser les méthodes itératives pour trouver les splines.
39
Perspective
Inchaa alah ,on va étudier, dans le projet de doctorat, l’interpolation non polynomiale dans
Rn n 2; qui généralise l’interpolation en 1D:
Les données (xi ; yi ) Image de données z = f (x; y)
Interpolation des données L’image originale
40
Bibliographie
[1] Al…o Quarteroni, Riccardo, Sacco Fausto et Saleri: " Méthodes Numériques (Algo-
rithmes, analyse et applications)", Springer-Verlag Italia, Milano 2007.
[2] Al…o Quarteroni, Riccardo, Sacco Fausto et Saleri:"Calcul Scienti…que (Cours, exercices
corrigés et illustrations en MATLAB et Octave)", Springer-Verlag Italia 2010
[3] Jean-pierre Corriou: "Méthodes numériques et optimisation",Lavoisier, 2010.
[4] Jean-pierre Marco:."mathémaique L3", pearson education 2009
[5] Kendall Atkinsson:" Elementary numerical analysis",Copyrigh 2004.
[6] S.S Sastray: "Introductory Methods of numirical analysis", Fifth edition New Delhi,
2012..
[7] https://cboumaths.…les.wordpress.com/2012/05/m206ian.pdf.
41

ALILI Dounia PDF

Transféré par

Droits d'auteur :

Formats disponibles

ALILI Dounia PDF

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

ALILI Dounia PDF

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique Et Populaire

Université Mohamed Boudiaf De M’sila

MEMOIRE DE FIN D'ETUDE

Présenté pour l'obtention du Diplôme de MASTER

Domaine : Mathématiques et Informatiques

L’interpolation polynômiale : étude et

Date de soutenance : 20 Juin 2018

Promotion : 2017 / 2018

L’interpolation est un calcul pour construire une courbe de données à partir

En fin on a donné une comparaison entre les déférents polynômes

Mot clés: Interpolation, Lagrange, Newton, Hermite, spline, Runge.

Interpolation Is a method to construct a curve from a limit number of points, or

Finally, we gave a comparison between the deferent polynomial interpolation,

Keywords: Interpolation, Lagrange, Newton, Hermite, spline, Runge.

Promotion : 2017 / 2018

plus généralement de la méthode des moindres carrés..

(x0 ; y0 ) ; (x1 ; y1 ) ; :::; (xn ; yn )

1.1 Interpolation polynômial

sup jf (x) pn (x)j "

Preuve. voir [4]; p111

1. Facile à manupuler(intégration et dirévation) et fonctions de classe C 1 :

2. Comportement local de la fonction : les premiers termes du développement de Taylor

3. On peut appliquer théorème de Weierstrass.

1.2 Représentation des polynômes dans di¤érentes bases

La base canonique d’un polynôme est de la forme:

La base centée d’un polynôme est :soit c 6= 0

f1; (x c); :::; (x c)n g

On montre que f1; (x c); :::; (x c)n g et une base

0 p(n) (c) p(n+1) ( )

Donc an = 0 (coe¢ cient de xn ) ) an 1 = 0 ) ::: ) a0 = 0

1. Si x0 = ::: = xn 1 = 0, on retrouve une base canonique.

2. Si x0 = ::: = xn 1 = c, on retrouve une base centrée au point c.

3. Tout dépend de l’ordre des abscisses: n! permutations donnent n! bases de Newton.

Soient (xi )n+1

aux points xi les polynômes

Et on a : Li est un polynôme de degré n:

1.3 Calcul du polynôme d’interpolation

8i = 1; :::; n: pn 1 (xi ) = f (xi )

Le polynôme d’interpolation peut donc s’écrire:

a0 + a1 x1 + a2 x21 + ::: + an 1 xn1 1

a0 + a1 x2 + a2 x22 + ::: + an 1 xn2 1

a0 + a1 xn + a2 x2n + ::: + an 1 xnn 1

On peut ecrire sous forme matricielle,on aura:

1.3.1 Matrice de Vandermonde

Le déterminant de cette matrice est connue:

1 x1 x21 ::: x1n 1

1 x2 x22 ::: x2n 1

f0 (x) f1 (x)::: fn (x)

On représente cette suite des fonctions par le graphe (1:3:1) :

Figure 1.3.1 : Graphe de la suite f (x) = xn , n = 0; :::; 20

2.1 Polynôme d’interpolation de Lagrange

P (xi ) = f (xi ); 8i = 0:::n:

On dit que P interpole f aux points x0 ; :::; xn

Preuve. Soit p(xi ) = f (xi ), i = 1; :::; n alors système linéaire est

d’inconnues a0 ; a1 ; :::an . Le déterminant du système est un déterminant de type Vander-

1 x2 x22 ::: xn2 1

Les xi sont distincts donc il y a une unique solution.

Le polynôme d’interpolation de lagrange d’ordre 2 est égal à

En généralisant à l’ordre n le polynôme d’interpolation de lagrange s’écrit :