Vous êtes sur la page 1sur 54

Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées

M315 : Analyse numérique et approximation

Notes de cours par Clément Boulonne

L3 Mathématiques

2008 - 2009

Table des matières

Objectifs et plan de cours

 

4

0.1 Objectifs

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

0.2 Plan

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

0.3 Bibliographie

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

1 Approximation par des fonctions splines

 

5

1.1 Rappel sur l’interpolation polynomiale

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

1.1.1 Existence et unicité du polynôme d’interpolation

 

5

1.1.2 Formule de Lagrange du polynôme d’interpolation

 

6

1.1.3 Base de Newton - Différences divisées

 

6

1.1.4 Formule de l’erreur d’interpolation

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

7

1.1.5 Quelques problèmes d’interpolation polynômiale

 

7

1.2 Fonctions splines

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

1.3 Splines cubiques interpolants

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

1.4 Propriété extremale des splines de degré impair

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

13

1.5 La base des B-splines

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

14

1.6 Estimation de l’erreur

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

18

1.7 Courbes splines

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

22

1.7.1 Définitions

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

22

1.7.2 Courbe ouverte

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

23

1.7.3 Courbes fermés périodiques

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

26

1.7.4 Algorithme d’évaluation de De Boor-Cox

 

28

2 Approximation au sens des moindres carrés

 

29

2.1 Meilleure approximation dans un espace normé

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

2.1.1 Premiers résultats

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

2.1.2 Unicité de la meilleure approximation

 

30

2.2 Meilleure approximation dans un espace préhilbertien

 

31

2.2.1 Algorithme de Gram-Schmidt

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

34

2.2.2 Approximation à une précision donnée

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

35

3 Polynômes orthogonaux et formules de quadrature

 

37

3.1 Quelques propriétés des polynômes orthogonaux

 

37

3.2 Exemples de familles de polynômes orthoognaux

40

3.3 Formule de quadrature

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

41

3.3.1 Formules de quadrature interpolatoire

 

42

3.3.2 Méthodes composites

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

3.3.3 Formules de quadrature de Gauss

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

46

2

3

4

Approximation en norme uniforme

50

4.1 Réduction de l’erreur d’une approximation

50

4.2 Caractérisation de la meilleure approximation

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

51

4.3 Algorithme de calcul de Remez (exchange algorithm)

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

53

Objectifs et plan de cours

0.1 Objectifs

Approximation de fonctions, courbes surfaces, intégrales.

Définir en quel sens on considère l’approximation.

Donner les algorithmes pour construire les approximations.

Estimation d’erreurs.

Définir les espaces où on cherche l’approximation.

0.2 Plan

1) Approximation de fonctions et de courbes par des fonctions splines (polynomial par mor- ceaux). Algorithmes de calcul, estimations d’erreurs.

2) Meilleure approximation dans l’espace normé, les espaces d’Hilbert, au sens des moindres carrés.

3) Polynômes orthogonaux. Application au calcul d’intégrales.

4) Meilleure approximation uniforme (L ), existence, unicité, caractérisation de la meilleure approximation. Algorithme de calcul.

0.3 Bibliographie

1) Philip J. Davis : Interpolation and Approximation, Dover Publications, 1976

2) M.J.D Powell : Approximation Theory and Methods, Cambridge University Press, 1981

3) Jean-Pierre Demailly : Analyse numérique et équations différentielles, Grenoble Sciences,

2006

4) Carl de Boor : A Practical Guide to Splines

4

Chapitre 1

Approximation par des fonctions splines

1.1 Rappel sur l’interpolation polynomiale

Etant données x 0 , x 1 ,

x n R distincts et les valeurs f (x 0 ), f(x 1 ),

, un seul polynôme p n de degré n tel que :

p n (x i ) = f(x i ), i = 0,

, n

,

f (x n ). Il existe un et

x i ) , i = 0 , , n , f ( x n )

1.1.1 Existence et unicité du polynôme d’interpolation

On aura donc :

p n (x) = a 0 + a 1 x +

+ a n x n

Les conditions d’interpolation se resument par la résolution du système linéaire suivant :

Soit :

1

1

.

.

.

1

x

x

x

0

1

n

x

x

.

x

2

0

2

1

2

n

···

···

.

.

···

.

x

x

x

n

0

n

1

n

n

a

a

.

.

.

a

0

1

n

=

f(x 0 )

f(x 1 )

.

.

.

f(x n )

Matrice de Vandermonde

n+1 équations à n+1 inconnus

∆ = det A =

0j<in

(x j x i ) = 0

()

Cela implique que le système linéaire () a une solution unique.

5

6

Chapitre 1. Approximation par des fonctions splines

1.1.2 Formule de Lagrange du polynôme d’interpolation

La formule de Lagrange du polynôme d’interpolation est la suivante :

p n (x) =

n

j=0

f(x j )l j (x)

avec :

On appelle (l 0 ,

,

l j (x) =

n

i=0,i

=j

(x x i )

(x j x i )

pour j = 0,

,

n

l n ) la base de Lagrange. Les l j (j = 0,

,

n) suivent la propriété suivante :

Propriété

1.1.1. l j (x k ) = δ jk .

1.1.3 Base de Newton - Différences divisées

Notation. Notons par [x 0 , x 1 ,

aux points x 0 ,

, x k ] f le coefficient dominant du polynôme p k (qui interpole f

, x k ), c’est-à-dire :

[x

0 ,

,

x k ] f =

k

j=0

x

j

i=0,i =j x j x i

[x 0 ,

Si on considère p k p k1 , c’est un polynôme de degré k.

, x k ] f est appelé différence d’ordre k de f .

p k (x i ) p k1 (x i ) = 0, i = 0,

, k 1

Le coefficient dominant est [x 0 , x 1 ,

, x k ] f est :

(p k p k1 )(x) =

Par réccurence :

k1

i=0

(x x i )[x 0 , x 1 ,

,

x k ] f p k (x) = p k+1 (x)+[x 0 ,

p n (x) = f(x 0 )+ k=1 [x 0 , x 1 ,

n

,

x

k ] f

k

i=0 (x x i )

,

x

k ] f

k1

i=0

(x x i )

La formule précédente est appelée la formule de Newton. La base de Newton est la suivante :

(x x 0 ), (x x 0 )(x x 1 ),

, (x x 0 )(x x 1 )

(x

x n )

Calcul recursif des différences divisées

On a :

  [x 0 ] f = f(x 0 )

[x 0 , x 1 ,

,

x k ] f

= [x 1 ,

,x

k ] f [x 0 , x k x 0

,x

k1 ] f

[x i ] f = f(x i )

− x 0 ,x k − 1 ] f [ x i ] f = f

Démonstration. Voir M206 II-1.5. p k (x) = (x x 0 )q k1 (x) (x x k )p k1 (x)

x k x 0 q k1 est le polynôme d’interpolation aux points x 1 ,

,

x k .

− 1 ( x ) x k − x 0 q k − 1 est le

Chapitre 1. Approximation par des fonctions splines

7

1.1.4 Formule de l’erreur d’interpolation

Theorème 1.1.2. Soient x, x 0 , tel que :

, x n [a, b] et f ∈ C n+1 ([a, b]). Alors ξ x ] min(x, x i ), max(x, x i )[

f(x) p n (x) =

1

(n + 1)! Π n+1 (x)f (n+1) (ξ x )

avec :

Π n+1 (x) =

n

i=0

(x x i )

Démonstration. Voir M206 II-1.6. Elle est bassée sur le théorème de Rolle.

M206 II-1.6. Elle est bassée sur le théorème de Rolle. 1.1.5 Quelques problèmes d’interpolation polynômiale

1.1.5 Quelques problèmes d’interpolation polynômiale

L’erreur d’interpolation dépend du choix des abscisses et de la régularité de la fonction.

Exemple 1.1.1. Si on choisit des abscisses équidistribuées dans [a, b], c’est-à-dire :

On peut montrer que :

x j = a + jh, h = b a

n

|f(x) p n (x)| =

h n+1

n +1

x[a,b] |f (n+1) (x)| ≤ ε

max

on obtient de bonnes approximation si f est "suffisament" régulière.

Problème. f ∈ C([a, b])\C 1 ([a, b])

Exemple 1.1.2. On peut prendre comme abscisses les :

x i = cos

2i +1

+2 π , i = 0,

2n

,

n

Les x i representent les racines des polynômes de Tchebychev 1 .

Un polynôme de degré élevé présent souvent des oscillations qui peuvent provoquer des erreurs de grand module (phénomène de Runge).

Exemple 1.1.3. On considère : f (x) =

1

+1 , x [1, 1]

x

2

Exemple 1.1.3. On considère : f ( x ) = 1 + 1 , x ∈

1 T n (cos(x)) = cos(nx)

8

Chapitre 1. Approximation par des fonctions splines

La courbe en rouge représente la fonction f (x), la courbe bleue est le polynôme interpolateur de degré 5 et la courbe verte est le polynôme interpolateur de degré 9. L’approximation est de plus en plus mauvaise.

Donc : pour une fonction regulière et des points équidistants, |f (x) p n (x)| ne converge pas vers 0 et n’est pas bornée pour certains x. Pour remédier à ce type de problème, on va chercher l’approximation dans une autre classe de fonctions : fonctions splines. On considère une partition de l’intervalle [a, b] :

a = t 0 < t 1 <

< t n = b

et on va construire s telle que :

• ∀j 1,

s ∈ C m ([a, b]) pour m le plus grand possible.

, n, s j = s| [l j ,l j+1 ] ∈ P k (espace des polynômes de degré k).

s 1 (x) =

k

j=0

a j (x

(j)

1

(t 1 ) = s (j) (t ) j!

j!

1

t 1 ) j , a j = s

s 2 (x) =

k

j=0

(j)

2

(t 1 ) = s (j) (t + ) j!

j!

1

b j (x t 1 ) j , b j = s

Pour avoir une régularité C m :

s (j) (t 1 ) = s (j) (t + ), j = 0,

a j = b j , j = 0,

Si m > k s est un polynôme de degré k. On doit avoir m < k. Donc on va considérer m = k.

1

, m

, m.

1.2 Fonctions splines

Définition 1.2.1. n, k des entiers 1, t 0 < t 1 <

S k = S k (t 0 , t 1 ,

< t n noeuds de la subdivision. On considère

, t n ) l’espace des fonctions s : [t 0 , t n ] R de classe C k1 ([t 0 , t n ]) et telles que :

s| [t j1 ,t j ] ∈ P k , j = 1,

, n

est un espace vectoriel (sous-espace vectoriel de C k1 ([a, b])).

Lemme 1.2.1. On considère les n + k fonctions suivantes :

{p j } j=0,

avec :

,k

p j (x) = (x t 0 ) j , j = 0,

,

k

ϕ j (x) = (x t j ) k + =

(x t j ) k si x t j

  0 si x < t j

, j = 1,

, n 1

∪ {ϕ j } j=1,

,n

forment une base S k (t 0 ,

, t n ) et donc dim(S k ) = n + k.

s ∈ S k , s(x) =

k n1

j=0

a j p j (x)+

j=1

b j ϕ j (x)

a j = s (j) (t j!

+

0

)

et b j = s (k) (t

+

j

) s (k) (t ) k!

j

Chapitre 1. Approximation par des fonctions splines

9

Démonstration. Les fonctions appartiennent à S k :

(i) évident pour p j

(ii) ϕ

(l)

j

(t ) = 0, l, ϕ

j

(l)

j

(t

+

j

) = 0, l k 1 et ϕ

Il suffit de montrer que : s ∈ S k , !a 0 ,

,

a k , b 1 ,

k

s =

j=0

a j p j +

(k1)

j

(t

+

j

) = k!.

, b n1 tel que :

n1

j=1

b j ϕ j

On procède par réccurence sur n. Pour n = 1, S k (t 0 , t 1 ) = {p| [t 0 ,t 1 ] , p ∈ P k }. {p 0 ,

base de Taylor. Supposons vrai pour n 1. Soit s ∈ S k (t 0 , par réccurence :

,

t n ), s| [t 0 ,t n1 ] ∈ S k (t 0 ,

, p k } est la

, t n1 ) et

!a 0 ,

,

a k , b 1 ,

b

n2 , s| [t 0 ,t n1 ] = s˜(x) =

k

j=0

a j p j (x)+

n2

j=1

Au voisinage de t n1 , s et ϕ n1 ∈ C k1 et s˜ ∈ C k . b R, l = 0, (s s˜ n1 ) (l) .

l = k :

(t n1 ) = (s s˜) (l) (t

+

n1 ) = 0

b j ϕ j (x)

, k 1, on considère :

(s s˜ n1 ) (k) (t

+

n1 )

=

=

=

s

s (k) (t n1 ) s˜ (k) (t n1 ) bk!

n1 ) bk!

s

n1 ) s˜ (k) (t n1 ) bk!

(k) (t

+

+

(k) (t

+

+

n1 ) s (k) (t

(1.1)

(1.2)

(1.3)

Le passage de (1.1) à (1.2) s’explique par s˜ ∈ C k et (1.2) (1.3) par s = s˜| [t 0 ,t n1 ] . Sur [t n1 , t n ], p = s s˜ n1 est un polynôme de degré k tel que :

avec :

  p (l) (t n1 ) = 0, l = 0,

+

, k 1

p (k) (t n1 ) = 0 pour b = b n1

+

b n1 = s (k) (t

n1 s (k) (t n1 )

k!

b n1 est choisi tel que (1.3) = 0. Donc :

p = 0 s(x) = s˜(x)+ b n1 ϕ n1 (x), x [t n1 , t n ]

Vrai pour [t 0 , t n ].

n − 1 , t n ] Vrai pour [ t 0 , t n ]

1.3 Splines cubiques interpolants

On considère le cas où k = 3.

Theorème 1.3.1. Pour toute fonction f , il existe s ∈ S 3 (t 0 , d’interpolation.

s(t i ) = f(t i ), i = 0,

, n

De plus, s est unique si on impose :

, t n ) vérifiant les conditions

10

Chapitre 1. Approximation par des fonctions splines

ou

(b) les valeurs s (t 0 ) et s (t n ). Si de plus, f ∈ C 2 ([a, b]) et si :

(a) s (t 0 ) s (t n ) = 0, splines naturelles.

ou

(b)

s (t 0 ) = f (t 0 ) et s (t n ) = f (t n ),

Alors :

s L ([a,b]) = max [a,b]

|s (x)| ≤ 3 f L ([a,b])

Remarque. dim S 3 (t 0 , ((a) et (b)).

, t n ) = n+3. On a n+1 conditions d’interpolation et 2 autres conditions

Démonstration pour le cas (a). On note s j = s(t j ) = f(t j ) = f j (pour j = 0,

aussi s

morceaux. Donc pour x [t j , t j+1 ],

, n). On note

= s (t j ) et t j = t j+1 t j . comme s ∈ S 3 alors s ∈ C 2 et donc s est linéaire par

j

t j+1 x

j t j+1 t j

s (x) = s

+ s

j+1

x t j

t j+1 t j

Si on intégre deux fois la fonction s :

s (x) = s

j

(t j+1 x) 2 2∆t j

+

s

j+1 (x t j ) 2 2∆t j

+ α j

(1.4)

s(x) = s

j

(t j+1 x) 3

6∆t j

j+1 (x t j ) 3

6∆t j

+ s

+ α j (x t j )+ β j

Ici, on a utilisé que s est un polynôme de degré 3 par morceaux et que s ∈ C 2 . On utilise ensuite les conditions d’interpolation : s j = f j et la continuité :

t

j 6

2

j

f j = s

f j+1 = s

j+1

t

2

j

6

+

+ β j

α j t j + β j

(1.5)

(1.6)