Académique Documents
Professionnel Documents
Culture Documents
I. Interpolation
Cours de Claudia NEGULESCU
Π(x)
* (xi , yi )
*
* * *
* * * *
*
* *
(xi , yi ) * * *
* * *
*
* *
* *
*
* * *
* * *
x x
on remarque qu’ils forment une base de Pn . Comme li (xj ) = δij , on peut déduire que
le polynôme d’interpolation recherché se laisse écrire sous la forme suivante (formule
d’interpolation de Lagrange) et est unique :
n
X
(2) Πn (x) := yi li (x) .
i=0
Soit ωn+1 le polynôme nodal de degré n + 1 associé aux noeuds xi et défini par
Le prochain théorème donne l’erreur d’interpolation faite quand on remplace une fonction
f par son polynôme d’interpolation Πn f associé aux noeuds xi .
f (n+1) (ξ)
En (x) := f (x) − Πn f (x) = ωn+1(x) ,
(n + 1)!
Preuve ....
Il est clair, qu’on ne peut rien dire sur l’erreur d’interpolation En si on ne connaı̂t aucun
renseignement sur la fonction f , sauf ses valeurs dans les noeuds xi . Etudions maintenant
plus en détail la convergence uniforme du polynôme de Lagrange.
2 Stabilité et convergence du polynôme de Lagrange
Notons la norme maximum d’une fonction f ∈ C([a, b]) par ||f ||∞ := maxx∈[a,b] |f (x)|. Le
polynôme d’interpolation de Lagrange de f associé aux noeuds {xi }ni=0 est donné par
n
X
pn (x) = f (xi )li (x) .
i=0
Si on remplace les valeurs f (xi ) par des valeurs approchées f̃i (par exemple due aux
erreurs dans les mesures expérimentales ou aux erreurs d’arrondi) on aura une erreur sur
le polynôme d’interpolation
n
X
||pn − p˜n ||∞ = || (f (xi ) − f̃i )li (x)||∞ ≤ Λn max |f (xi ) − f̃i | ,
i=0,··· ,n
i=0
avec n
X
Λn := ||λn (x)||∞ , λn (x) := |li (x)| .
i=0
La constante Λn , qui dépend que de n, de [a, b] et des points xi est appelé constante de
Lebesgue et joue le rôle d’une constante de stabilité pour l’interpolation. On peut montrer
en plus le théorème suivant de majoration de l’erreur d’interpolation
Théorème 3 Soit f ∈ C([a, b]) et pn ∈ Pn son polynôme d’interpolation associé aux
noeuds x0 , · · · , xn . Alors on a
On remarque que Λn depend que des noeuds xi tandis que En∗ depend que de f . Analysons
ces deux termes.
Notons Λn l’infimum des constantes de Lebesgue pour tous les choix possible de noeuds
{xi }ni=0 à n fixé. On peut montrer que
2
(3) Λn ∼ log(n) , c.à.d. lim Λn = ∞ .
π n→∞
Il est très compliqué de trouver les noeuds qui mènent vers la constante de Lebesgue
minimale Λn . Par contre, les points d’interpolation de Chebyshev
a+b b−a 2i + 1
xi := + cos π , i = 0, · · · , n ,
2 2 2n + 2
qui sont les zéros du polynôme de Chebyshev de degré n + 1, sont quasi optimaux.
En ce qui concerne le deuxième terme, le théorème de Weierstrass montre que pour toute
fonction f ∈ C([a, b]) on a
lim En∗ (f ) = 0 .
n→∞
Il est important de remarquer maintenant que pour une fonction f ∈ C([a, b]) donnée,
le choix des noeuds d’interpolation est crucial!!! Par contre on peut montrer, due à la
(n) (n)
propriété (3), que pour n’importe quel choix de noeuds x0 , · · · , xn pour chaque valeure
de n, on trouvera toujours une fonction f ∈ C([a, b]), telle que le polynôme d’interpolation
pn ne converge pas uniformément vers f , pour n → ∞. La propriété (3) montre aussi que
l’interpolation de Lagrange peut devenir très insatble pour des grand n.
La figure suivante montre le phénomène de Runge. Il s’agit de l’interpolation de Lagrange
de la fonction
1
f (x) := , −5 ≤ x ≤ 5 ,
1 + x2
soit avec noeuds equirépartis soit avec les noeuds de Chebyshev. Il est particulièrement
evident que dans ce cas (fonction réguilère!) le polynôme d’interpolation avec noeuds
equidistants ne converge pas uniformément vers f , par contre le choix des points de
Chebyshev mène à la convergence uniforme.
1.5
f(x)
Lagrange
Chebyshev
1
0.5
f(X)
−0.5
−1
−1.5
−5 −4 −3 −2 −1 0 1 2 3 4 5
X
4 Interpolation d’Hermite-Birkoff
On peut généraliser l’interpolation de Lagrange d’une fonction f pour chercher un polynôme
(courbe) qui passe pas seulement par les points (xi , f (xi )), mais dont les dérivées coinci-
dent à certains points nodaux avec les dérivées de la fonction f .
On se donne donc (xi , f (k) (xi )), pour i = 0, · · · , n et k = 0, · · · , mi . On notera souvent la
(k)
k-ième dérivée de f à l’endroit xi par f (k) (xi ) = yi . Soit N := ni=0 (1 + mi ). Alors, on
P
peut montrer qu’il existe un polynôme unique HN −1 ∈ PN −1 , le polynôme d’interpolation
de Hermite, tel que
(k)
H (k) (xi ) = yi , i = 0, · · · , n k = 0, · · · , mi .
Ce polynôme s’écrit
mi
n X
(k)
X
HN −1 (x) = yi Lik (x) ,
i=0 k=0
avec les polynômes caractéristiques d’Hermite Lik ∈ PN −1 , définis par
(
dp 1 , si i = j et k = p
L ik (xj ) =
dxp 0, sinon .
L’erreur d’interpolation pour le polynôme d’Hermite est donnée par
f (N ) (ξ)
f (x) − HN −1 (x) = ΩN (x) ,
N!
avec ξ ∈ [a, b] et le polynôme nodal ΩN ∈ PN
ΩN (x) := (x − x0 )m0 +1 + · · · + (x − xn )mn +1 .
et coincidera sur chaque Tj avec le polynôme interpolant de f|Tj , associé aux noeuds
(j)
{xi }ni=0 . L’intérêt de cette approche est qu’on peut se limiter à des polynômes d’interpolation
de bas degré, pour eviter les problèmes liés à la stabilité et convergence de l’interpolation
de Lagrange. En effet, même pour n petit, on obtient une erreur suffissament petite, dès
que m est grand, comme le montre le théorème suivant
Théorème 4 Soit f ∈ C n+1 ([a, b]). Alors il existe un consante c > 0 telle que
||f − Πn(m) (f )||∞ ≤ chn+1 ||f (n+1) ||∞ , h := max |zj+1 − zj | .
j=0,m−1
6 Splines
La méthode d’interpolation par splines consiste en une interpolation par morceaux, de-
mandant à la courbe interpolante plus de régularité globale. L’interpolation de Lagrange
(m)
par morceaux a l’inconvenient, que le polynôme d’interpolation Πn (f ) est continu, mais
pas dérivable.
Définition 1 Soit a = x0 ≤ · · · ≤ xi ≤ · · · ≤ xn = b une division de [a, b] avec n + 1
noeuds distincts. La fonction sk ∈ C k−1 ([a, b]) vérifiant
sk|[xi,xi+1 ] ∈ Pk , i = 0, · · · , n − 1 ,
Une spline est donc une courbe régulière, polynomiale par morceaux et qui peut avoir des
discontinuités à la k-ième dérivée. Les conditions demandées à la définition précédente
ne permettent pas de déterminer une spline de manière unique. En effet, la restriction
ski (x) := sk|[xi,xi+1 ] ∈ Pk se laisse écrire sous forme polynomiale
k
X
(6) ski(x) = αij (x − xi )j , i = 0, · · · , n − 1 ,
j=0
ce qui montre qu’il reste (k + 1)n − k(n − 1) = k + n degrés de liberté pour caractériser la
spline. Si la spline doit interpoler une fonction f aux noeuds {xi }ni=0 , c.à.d. sk (xi ) = f (xi )
∀i, il reste tout de même k − 1 degrés de liberté. Pour fixer la spline de manière unique,
on pourra poser les conditions suivantes :
1) splines périodiques (ont un sens si f est périodique!), si
(p) (p)
sk (a) = sk (b) , p = 1, · · · , k − 1 .
Une manière de construire une spline a été donnée par les formules (6),(7). Une autre
manière consiste à décomposer la spline à l’aide d’une base de splines. En effet, en notant
l’espace des splines sk par
Si la fonction f (x) est continue sur [a, b] et si on connaı̂t sa primitive F (x), on peut
facilement calculer l’intégrale à l’aide de la formule de Newton-Leibniz
Z b
I(f ) := f (x) dx = F (b) − F (a) .
a
Par contre, très souvent on ne connaı̂t pas la primitive F (x) ou elle est trop compliquée.
Pour cette raison on fait appel à des méthodes approchées de calcul d’intégrales, appelées
formules de quadrature ou d’intégration numérique. Le procédé usuel consiste à remplacer
la fonction donnée sur [a, b] par une fonction d’interpolation ou d’approximation fn , qui
sera plus facile à intégrer. On approche alors I(f ) par
Z b
In (f ) := I(fn ) = fn (x) dx .
a
ce qui montre qu’une bonne approximation de la fonction f mène à une bonne approxi-
mation de l’intégrale I(f ). Le degré d’exactitude d’une formule de quadrature est défini
comme le plus grand entier r ≥ 0 tel que
In (p) = I(p) , ∀p ∈ Pr .
Dans les sections suivantes on présentera des formules de quadrature interpolaires et dans
le chapitre III des formules de quadrature approchées.
Les coefficients αi s’appellent aussi poids et sont facilement calculables, vue que les li
sont des polynômes. On présentra maintenant trois cas particuliers de cette formule pour
n = 0, 1 et 2.
Formule du point milieu : n = 0, x0 = (a + b)/2, H = (b − a)/2, l0 ∈ P0 .
H 3 ′′
a+b
I0 (f ) := (b − a)f , E0 (f ) = f (ξ) , ξ ∈ (a, b) .
2 3
Formule du trapèze : n = 1, x0 = a, x1 = b, H = b − a, l0 , l1 ∈ P1 .
b−a H 3 ′′
I1 (f ) := [f (a) + f (b)] , E1 (f ) = − f (ξ) , ξ ∈ (a, b) .
2 12
Formule de Cavalieri-Simpson : n = 2, x0 = a, x1 = (a + b)/2, x2 = b, H = (b − a)/2,
l0 , l1 , l2 ∈ P2 .
H5
b−a a+b
I2 (f ) := [f (a) + 4f + f (b)] , E2 (f ) = − f (4) (ξ) , ξ ∈ (a, b) .
6 2 90
f(x)
a := x0 x1 b := x2 x
Pour nos trois cas particuliers n = 0, 1 et 2, on retrouve les formules composites suivantes:
Formule du point milieu : n = 0, xj = a+(2j +1)h/2, j = 0, · · · , m−1, h = (b−a)/m.
m−1
X b − a 2 ′′
I0,m (f ) := h f (xj ) , E0,m (f ) = h f (ξ) , ξ ∈ (a, b) .
j=0
24
f(x)
x0 x1 xm−1 x
x0 x1 xm−1 xm x
Le phénomène de Runge nous a montré que l’interpolation, même si elle passe par
des noeuds bien définis, présente des erreurs d’approximation non-negligeables entre les
noeuds. Ces erreurs ainsi que l’instabilité du procécus d’interpolation augmentent avec le
nombre des noeuds, ce qui rend difficile l’interpolation des points donnés par des mesures
expérimentales. L’idée maintenant est de trouver une autre méthode qui approche mieux
une fonction sur tout l’intervalle et pas seulement dans les noeuds d’interpolation. Pour
traduire en termes mathématiques ces idées, en particulier pour donner un sens à une
“meilleure approximation”, il faut introduire un cadre mathématique adequate.
Rb
est un espace de Banach avec le produit scalaire (f, g)w := a
f (x) g(x) w(x) dx et la
1/2
norme ||f ||w := (f, f )w .
Théorème 7 Il existe une famille unique de polynômes {pk }∞ k=0 telle que pk ∈ Pk sont
moniques (c.à.d. le coef. devant xk est égale à 1) et que (pk , q)w = 0, ∀q ∈ Pn−1 . Cette
famille de polynômes satisfait les expressions de récurrence suivantes
(
pk+1 (x) = (x − αk )pk (x) − βk pk−1 (x) , k = 0, 1, 2, · · ·
p−1 ≡ 0 , p0 ≡ 1 ,
avec
(xpk , pk )w (pk+1 , pk+1)w
αk := , βk+1 := , k ≥ 0,
(pk , pk )w (pk , pk )w
le coefficient β0 étant arbitraire.
Remarquer que les polynômes sont deux à deux orthogonaux par rapport à w. En plus,
ils vérifient la propriété suivante
Théorème 9 Soit f ∈ L2w (a, b). Alors il existe un unique polynôme fn ∈ Pn , tel que
On peut dire aussi que fn est la projection orthogonale de f sur Pn au sens de L2w ou que
fn est la troncature à l’ordre n de la série de Fourier généralisée de f
∞
f˜k pk ,
X
Sf :=
k=0
où f˜k sont les k-ièmes coefficients de Fourier. On peut montrer le résultat de convergence
suivant
||f − fn ||w → 0 pour n → ∞ ,
11 Les polynômes de Chébyshev
La fonction de poids de Chébyshev est donnée sur (−1, 1) par
w(x) := (1 − x2 )−1/2 .
ou (
Tk+1 (x) = 2xTk (x) − Tk−1 (x) , k = 1, 2, · · ·
T0 ≡ 1 , T1 (x) = x .
où [k/2] signifie la partie entière de k/2. La formule de réccurence est la suivante
2k + 1 k
Lk+1 (x) = xLk (x) − Lk−1 (x) , k = 1, 2, · · ·
k+1 k+1
L ≡ 1 , L (x) = x .
0 1
Bibliographie
[1] A. Quarteroni, R. Sacco, F. Saleri, Méthodes numériques pour le calcul scientifique
[2] M. Crouzeix, A.L. Mignot, Analyse numérique des équations différentielles
[3] J.P. Demailly, Analyse numérique et équations différentielles