N◦ d'ordre :

Polycopié de cours

Analyse Numérique

Filières Ingénieurs &3&E

Table des matières

1 Résolution numérique de f (x) = 0 4

1.1 Méthode de la dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 La méthode de point xe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Convergence des méthodes de point xe . . . . . . . . . . . . . . . . . . 7
1.3 La méthode de Newton pour résoudre une équation non linéaire . . . . . . . . . 8
1.3.1 Convergence de la méthode de Newton . . . . . . . . . . . . . . . . . . . 9
1.4 Vitesse de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Ordre de convergence d'une suite réelle . . . . . . . . . . . . . . . . . . . 9
1.4.2 Vitesse de convergence de la méthode de point xe et de Newton . . . . . 10
2 Interpolation numérique 12
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Écriture du Polynôme dans la base canonique . . . . . . . . . . . . . . . . . . . 13
2.3 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Estimation de l'erreur d'interpolation . . . . . . . . . . . . . . . . . . . . . . . . 19

2
 TABLE DES MATIÈRES

3
Chapitre 1
Résolution numérique de f (x) = 0

Le problème général
Etant donnée une fonction f : I −→ R continue, le problème est d'obtenir ecacement une
(resp : les) solutions de f (x) = 0 dans un intervalle I = [a, b]. La condition f (a)f (b) < 0 assure
l'existence d'une solution. Une étude théorique plus ne peut être nécessaire pour isoler une
unique solution dans un intervalle.
1.1 Méthode de la dichotomie
On veut résoudre f (x) = 0, où f est une fonction de I dans R non linéaire (sinon c'est
évident!). On recherche donc un nombre réel x tel que f (x ) = 0. Comme pour toute méthode
∗ ∗

itérative, on va donc construire une suite de nombres réels x , x , ..., x , ... qui converge
(0) (1) (n)

vers x . Puisqu'ici les termes de la suite sont des nombres réels, on les notera plus simplement
∗

x0 , x1 , ..., xn , ...

Le principe de la dichotomie est très simple. On suppose que f : [a, b] −→ R est continue
et que f (a)f (b) < 0, c'est-à-dire qu'il y a au moins une racine réelle de f dans [a, b]. On prend
alors le milieu de l'intervalle c = .
a+b

 Si f (c) = 0 (ou numériquement très proche de 0), on considère que l'on a résolu le
2

problème.
 Autrement, deux cas peuvent se présenter :
1. si f (a)f (c) < 0, alors f a une racine réelle dans [a, c] (au moins une, en tous cas, un
nombre impair de racines),
2. autrement, f (a)f (c) > 0, donc f (a)f (b)f (a)f (c) < 0, ce qui donne f (b)f (c) < 0 et
f a une racine réelle dans [c, b].
 On itère alors le processus avec l'intervalle qui contient au moins une racine.
La méthode de dichotomie s'écrit de la manière suivante :

4
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
On pose :
et x = a +2 b .
a0 = a, b0 = b, I0 = [a0 , b0 ], 0
0 0

Pour n ≥ 1, on construit le sous-intervalle I = [a , b ] à partir de l'intervalle I = [an−1 , bn−1 ]

de la façon suivante :
n n n n−1

a) soit x = an−1 +bn−1

b) si f (x ) = 0 alors x = x et la méthode termine.

n−1 2
⋆

c) si f (x ) ̸= 0, alors :
n−1 n−1

 si f (a ).f (x ) < 0, on pose :

n−1
n−1 n−1

an = an−1 , bn = xn−1 ;

 si f (x n−1 ).f (bn−1 ) <0 , on pose :

an = xn−1 ; bn = bb−1 ;

d) on dénit I = [a , b ] ; on augmente n de 1 et on recommence du point a).

n n n

Il est clair qu'à chaque itération la longueur l de l'intervalle de localisation de la racine x est ∗

divisée par 2. On sait de plus que |x − x | ≤ l , d'où le résultat de convergence de la suite

n
∗

(x ) vers x si on montre que l tend vers 0.

n n
∗
n n

Proposition 1.1.1 La suite de segments I = ([a , b ]) est telle que :

n n n n≥0

b−a
ln = bn − an = , n ≥ 1.
2n
Cette proposition est utile sur le plan numérique, en eet elle renseigne sur le nombre minimal
d'itérations nécessaires pour calculer la racine à ϵ près, ϵ > 0 étant une précision xée à l'avance
par l'utilisateur (test d'arrêt).
En eet, on peut montrer que ce nombre n doit vérier :
b − a
n ≥ log2
ϵ

La méthodedonne une solution avec la précision ϵ avec un nombre d'itération n = E log (b − 2

a) − log2 (ϵ) + 1.

Exemple : Si [a, b] = [0, 1], pour obtenir une précision |xn −x∗ | ≤ 10−6 , il faut 19 itérations,
quelle soit la fonction f .

5
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
Algorithm 1 Méthode de Dichotomie pour résoudre f (x) = 0
Require: : a < b, f continue avec f (a) ∗ f (b) < 0, précision ϵ
Ensure: : c : approximation de la solution f (x) = 0.
a+b
1: c← 2
2: while |f (c)| ≥ ϵ do
3: if f (a) ∗ f (c) < 0 then
4: b←c
5: else
6: a←c
7: end if
a+b
8: c← 2
9: end while
10: retourner c
1.2 La méthode de point xe
Pour résoudre f (x) = 0, on peut se ramener à un problème équivalent de la forme g(x) = x
(par exemple en posant g(x) = f (x) + x). Mais il y a beaucoup de choix possibles pour dénir
g!
La résolution de g(x) = x s'appelle recherche des points xes de g.
Par exemple pour calculer la racine carrée d'un nombre réel a > 0, on résout x = a . Il 2

existe alors diérentes manières de se ramener à un problème de point xe :

1. x = , et g (x) = ,
a
1
a

2. 2x = x + soit x = 2x − et g (x) = 2x −
x x
a a a
2

3. x = + et g (x) = +
x x x
x a x a
3

Les méthodes dites de point xe, consistent à construire la suite x , x , ..., x , ... de la façon
2 2x 2 2x

suivante :
0 1 n

x donné
0
(1.1)
x = g(x ), n > 0
n+1 n

Si la suite (x ) converge, la continuité de g implique qu'elle converge vers un point xe x de ∗

g . En eet
n

x∗ = lim xn+1 = g( lim xn ) = g(x∗ ).

n→∞ n→∞

Le choix de la fonction g n'est pas unique (voir les exemples ci-dessus). En général, les
diérentes suites construites à partir de ces fonctions ne convergent pas toujours et qu'il faut
donc choisir soigneusement la fonction g. Le paragraphe suivant donne quelques conditions sur
la fonction g pour que la suite converge.

6
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
1.2.1 Convergence des méthodes de point xe
Proposition 1.2.1 Soit une fonction g : [a, b] −→ [a, b] continûment dérivable sur [a, b] et
supposons que : ′
|g (x)| ≤ k < 1, ∀x ∈ [a, b].
Alors g possède un point xe unique x ∈ [a, b] et la suite :
∗


x donné 0
(1.2)
xn+1 = g(xn ), n > 0

converge vers x .
∗

Démonstration La première partie est une conséquence immédiate du théorème des valeurs
intermédiaires. En eet, si l'on n'est pas
 dans les cas évidents g(a) = a ou g(b) =b, la fonction
H(x) = g(x)−x est telle que H(a) = g(a)−a > 0 (car g(a) ∈ [a, b]) et H(b) = g(b)−b < 0


(car g(b) ∈ [a, b]). Il existe donc un point x de ]a, b[ tel que H(x ) = 0, c'est-à- dire un point
∗ ∗

xe de g. On montre aisément en exercice que ce point xe est unique (en utilisant l'absurde
et le théorème des accroissements nis).
Pour montrer la convergence de la suite vers x , on calcule : ∗

|xn − x∗ | = |g(xn−1 ) − g(x∗ )| ≤ k|xn−1 − x∗ |

En itérant le processus, on trouve

|xn − x∗ | ≤ k n |x0 − x∗ |

Puisque k < 1, la suite k tend vers 0 quand n −→ ∞, ce qui démontre la convergence de la

n

suite.
Dans la proposition précédente, on a supposé que la valeur absolue de la dérivée était majorée
par 1 sur l'intervalle [a, b] tout entier. Si l'on considère l'exemple de la racine carrée d'un nombre
réel traité dans le paragraphe précédent, on a décrit trois fonctions g pour lesquelles le point
xe x correspond à cette racine carrée.
∗

Calculons les dérivées correspondantes aux points xes x ( dans notre cas : x = a) :
∗ ∗2

1. g (x) = , g (x) = et g (x ) = −1
1
a ′ −a ′ ∗

2. g (x) = 2x − , g (x) = 2 + et g (x ) = 3
x 1 x2 1
a ′ a ′ ∗
2

3. g (x) = + , g (x) = − et g (x ) = 0
x 2 x2 2
x a ′ 1 a ′ ∗
3 2 2x 3 2 2x2 3

Proposition 1.2.2 Soit x un point xe de g, fonction continûment dérivable, tel que |g (x )| <
∗ ′ ∗

1, alors la suite (x ) dénie par x = g(x ) converge vers x si x est susamment proche
∗

de x .
n n+1 n 0
∗

7
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
Algorithm 2 Méthode de point xe pour résoudre g(x) = x
Require: : x0 , la fonction g, précision ϵ
Ensure: : x∗ : approximation de la solution g(x) = x.
1: dx ← |x0 − g(x0 )|
2: while dx ≥ ϵ do
3: x0 ← g(x0 )
4: dx ← |x0 − g(x0 )|
5: end while
6: x∗ ← x0
7: retourner x ∗

1.3 La méthode de Newton pour résoudre une équation

non linéaire
La méthode de Newton s'utilise pour calculer une racine de f (x) = 0, où f est une fonction
deux fois continûment dérivable de [a, b] dans R.
En voici le principe : soit x donné, on écrit le développement de Taylor en x :
0 0

f (x) = f (x0 ) + (x − x0 )f ′ (x0 ) + (x − x0 )ϵ(x − x0 )

La méthode de Newton consiste à négliger les termes d'ordre supérieur à 1 (ce qui revient à
assimiler localement la courbe à sa tangente) et à considérer alors que x est le point qui annule
l'approximation de f ainsi obtenue, c'est-à-dire :
1

0 = f (x0 ) + (x1 − x0 )f ′ (x0 )

ce qui donne :
f (x0 )
x1 = x 0 − .
f ′ (x0 )
L'étape ainsi décrite qui permet de passer de à permet aussi de passer de x à x .
x0 x1 n n+1

L'algorithme de Newton pour résoudre une équation f (x) = 0 est le suivant :

(
x 0 donné f (xn ) (1.3)
x = x −
n+1 n,n ≥ 0
f ′ (xn )

Il s'agit donc d'une méthode de point xe x = g(x ) pour laquelle la fonction g : g(x) =
.
n+1 n
f (x)
x− f ′ (x)

Remarque 1 La méthode de Newton est une méthode de point xe telle que g (x ) = 0 c'est-
′ ∗

à-dire que la dérivée s'annule au point xe de la fonction g.

Remarque 2 Une autre manière de présenter la méthode de Newton, plus graphique, est d'ob-
tenir x comme l'intersection de la tangente à la courbe y = f (x) au point x avec l'axe
Ox.
n+1 n

8
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
Si la méthode de Newton converge vers x∗, alors on a en passant à la limite quand n tend vers
+∞ :
f (x∗ )
x∗ = x∗ −
f ′ (x∗ )
On voit alors que l'on obtient bien si . On suppose dorénavant que cette
f (x∗ ) = 0 f ′ (x∗) ̸= 0
condition est remplie c'est-à-dire que la courbe n'est pas tangente à l'axe Ox lorsqu'elle
y = f (x)
coupe cet axe.
Algorithm 3 Méthode de Newton pour résoudre f (x) = 0
Require: : x , les fonctions f et f , précision ϵ ′

Ensure: : x : approximation de la solution f (x) = 0.

0
∗

1: x ← x0
2: while |f (x)| ≥ ϵ do
f (x)
3: x←x− f ′ (x)
4: end while
5: x∗ ← x
6: retourner x ∗

1.3.1 Convergence de la méthode de Newton

Proposition 1.3.1 Soit f une fonction deux fois continûment dérivable sur [a, b] et x ∈ [a, b] ∗

tel que f (x ) = 0 et f (x ) ̸= 0. Alors il existe α > 0 tel que la suite générée par la méthode de
∗ ′ ∗

Newton : f (x ) n
xn+1 = xn −
f ′ (xn )
converge vers x pour tout x ∈ [x − α, x + α].
∗
0
∗ ∗

Démonstration : Comme il s'agit d'une méthode de point xe de la fonction g(x) = x − , f (x)

on calcule la dérivée de cette fonction au point xe : f ′ (x)

f ′ (x)2 − f ” (x) f ” f (x)

g ′ x) = 1 − =
f ′ (x)2 f ′ (x)2
et puisque f (x = 0., on a g (x ) = 0. On peut donc appliquer la proposition 1.2.2 qui montre
⋆ ′ ⋆

l'existence de α tel que la suite x = g(x ) converge vers le point xe x ∈ [x − α, x + α]. ⋆ ⋆

Cette proposition donne une condition susante de convergence mais heureusement la méthode
n+1 n 0

de Newton converge souvent même si l'on part loin de la solution.

1.4 Vitesse de convergence
1.4.1 Ordre de convergence d'une suite réelle
Dénition 1.4.1 soit (u ) une suite réelle convergente vers u. Si l'erreur e
n n = un − u vérie :
|en+1 | ≤ C|en |p

9
 CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0
on dit que l'ordre de convergence de la suite est (au moins) p.
 Si p = 1, la convergence est linéaire,
 si 1 < p < 2, la convergence est dite super-linéaire,
 si p = 2, la convergence est dite quadratique.
Proposition 1.4.1 Pour que l'ordre de convergence soit p, il sut que :

lim
|e |
|e |
existe et soit nie
n→∞
n+1
p

.
n

1.4.2 Vitesse de convergence de la méthode de point xe et de Newton

Proposition 1.4.2 Le théorème du point xe montre que la convergence est au moins linéaire.
Proposition 1.4.3 Supposons que f ” continue et x zéros simple de f (i,e, f (x ) ̸= 0 ).
⋆ ′ ⋆

Alors, il existe un voisinage V de x et une constante réelle C tels que si x ∈ V , la méthode

⋆

de Newton converge vers un ordre de convergence quadratique pour n ≥ 0 :

0

|xn+1 − x⋆ | ≤ C|xn+1 − x⋆ |2

Cette proposition est équivalente à la proposition suivante :

Proposition 1.4.4 Soit g une fonction deux fois continûment dérivable de [a, b] dans [a, b],
soit x∗ ∈ [a, b] tel que g(x ) = x et g (x ) = 0, soit x ∈ [a, b], on dénit x = g(x ), alors :
∗ ∗ ′ ∗
0 n+1 n

M
|xn+1 − x∗ | ≤ |xn − x∗ |2
2
où M = max x∈[a,b] |g
′′
.(x)|

Démonstration : D.T au point x donne : ⋆

g(xn ) = g(x⋆ ) + (xn − x⋆ )g ′ (x⋆ ) +

(xn − x⋆ )2
2
g”(ϵ) avec ϵ est strictement compris entre x et x
n
⋆

d'où le résultat.

10
CHAPITRE 1. RÉSOLUTION NUMÉRIQUE DE F (X) = 0

11
Chapitre 2
Interpolation numérique

2.1 Introduction
Dans la résolution de certains problèmes numériques, on rencontre la situation suivante :
on veut calculer les valeurs d'une fonction f (x) pour un très grand nombre de valeurs de x,
mais on ne connaît pas f explicitement. Ceci se produit lorsque :
 f n'est connue qu'en certains points expérimentaux x , x , ..., x
 ou lorsque la fonction f est évaluée numériquement par un code de calcul dont l'exécution
0 1 n

est coûteuse.
On veut alors représenter f par une fonction simple dont l'évaluation est aisée.
Autrement dit, il s'agit d'approcher la fonction f par une autre fonction, plus facile à calculer.
Cette fonction approchée f est choisie dans une classe F̄ de fonctions dont le calcul n'est pas
¯
trop coûteux. Citons l'ensemble des polynômes, l'ensemble des fractions rationnelles, l'ensemble
des polynômes trigonométriques,. . ..
Dans ce chapitre, on va s'intéresser aux techniques de l'interpolation qui consiste à chercher
une fonction f ∈ F̄ telle que :
¯

∀i = 0, 1, ..., n f¯(xi ) = f (xi ).

Dans la suite, nous ne traitons que l'interpolation polynomiale (c'est à dire que la fonction
f va être approchée par un polynôme.

Dénition 2.1.1 Un polynôme de degré n à coecients dans R est une fonction de la forme
pn (x) = a0 + a1 x + a2 x2 + ... + an xn ,

avec a ∈ R. On écrit p ∈ P [R].

i n n

L'importance des polynômes provient du fait qu'ils sont faciles à calculer, à dériver et à intégrer.
De plus pour n'importe quelle fonction continue sur un intervalle fermé et borné, on peut
toujours trouver un polynôme qui est aussi proche que l'on veut de la fonction donnée. Ce
résultat est exprimé précisément par le théorème de Weierstrass.
12
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Théorème 2.1.1 Soit f une fonction continue sur un intervalle [a, b] et ϵ > 0. Alors il existe
un polynôme p(x) tel que :
maxx∈[a,b] |p(x) − f (x)| < ϵ
Il reste maintenant à le construire de la manière la plus ecace et la plus simple possible.
2.2 Écriture du Polynôme dans la base canonique
Proposition 2.2.1 La famille (1, x, x , ..., x ) représente la base canonique de l'ensemble des
2 n

polynômes de degré ≤ n (P ).
Tout polynôme p de P peut s'écrire : p (x) = a + a x + a x + ... + a x .
n
2 n
n n n 0 1 2 n

Le problème d'interpolation consiste à déterminer l'unique polynôme de degré ≤ n,

pn (x) = a0 + a1 x + a2 x2 + ... + an xn ,

passant par (n + 1) points d'interpolation (x , f (x )) .

i i i=0...n

Les conditions d'interpolation p(x ) = f (x ), i = 0...n, nous permet de déterminer les

constantes a , i = 0...n. En eet :
i i
i

pn (xi ) = f (xi ), i = 0...n,

s'écrit : a0 + a1 x0 + ..... + an xn0 = f (x0 )

a0 + a1 x1 + ..... + an xn1 = f (x1 )
....................................
.....................................
.....................................
a0 + a1 xn + ..... + an xnn = f (xn )
Qui est un système linéaire de (n + 1) équations avec (n + 1) inconnues. Ce système s'écrit sous
forme matricielle :
1 x0 x20 . xn0
    
. . a0 f (x0 )
 1 x1 x21 . . n 
. x1   a1   f (x1 )
  

(2.1)
 

 . . . . . . .   .  =  .
   


 . . . . . . .  . 
 
  .
 

 . . . . . . .  .   . 
1 xn x2n . . . xnn an f (xn )

La matrice de ce système linéaire est une matrice de Vandermonde de déterminant Q (x −

x ) ̸= 0 car les points x sont distincts. La résolution de ce système conduit bien-sur à l'unique
i<j i

polynôme d'interpolation de f .
j i

Exemple :

13
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
1. Calculer le polynôme passant par les points (0, 1), (1, 2), (2, 9) et (3, 28) en utilisant la
base canonique.
Solution :
Étant donné ces 4 points d'interpolation, le polynôme recherché est au plus de degré 3
Ses coecients a sont solution de :
i
    
1 x0 x20 x30 a0 f (x0 )
 1

 1
x1
x2
x21
x22
3 
x 1   a1
x32   a2
  f (x1 ) 
= 
  f (x2 )  (2.2)
1 x3 x23 x33 a3 f (x3 )

ce qui donne :    

1 0 0 0 a0 1
 1

 1
1
2
1 1   a1
 
4 8   a2
  2 
=
  9 
 (2.3)
1 3 9 27 a3 28
dont la solution est (1, 0, 0, 1). Le polynôme recherché est donc :
p(x) = 1 + x3 .

Remarque 3 Il est connu (à admettre) que lorsque n augmente la matrice de Vandermonde

devient très sensible aux erreurs d'arrondis (Matrice malle conditionnée). Cette méthode est
donc rarement utilisée en pratique. Les sections qui suivent proposent des des autres méthodes
diérentes et plus ecaces pour obtenir le polynôme d'interpolation.
2.3 Interpolation de Lagrange
On considère les polynômes ϕ , i i = 0, ..., n de degré n tels que :
ϕi (xj ) = δij , i, j = 0, ..., n,

où δ ij = 1 si i = j et δ ij = 0 si i ̸= j . Explicitement on a :
Y (x − xj )
ϕi (x) = , i = 0...n.
(x i − xj )
i̸=j

Dénition 2.3.1 Les polynômes ϕ , ϕ , ..., ϕ sont appelés polynômes de Lagrange associés au
support de points {x , x , ..., x }.
0 1 n
0 1 n

Proposition 2.3.1 ϕ sont des polynômes de degré n, de plus B = {ϕ , i = 0, 1, ..., n} forme

une base de P [R] l'espace des polynômes de degré ≤ n.
i i
n

L'interpolation de Lagrange, consiste à chercher l'expression du polynôme d'interpolation p

dans la base de Lagrange B, autrement dit; p doit être représenté sous la forme :
n
n

pn (x) = a0 + a1 ϕ1 (x) + a2 ϕ2 (x) + .... + an ϕn (x).

14
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Théorème 2.3.1 Étant donné un support de (n+1) points d'interpolation (x , f (x )) . L'unique n

polynôme d'interpolation p de degré ≤ n passant par tous ces points peut s'écrire :
i i i=0
n

n
X
pn (x) = f (xi )ϕi (x),
i=0

où Y (x − xj )
ϕi (x) =
i̸=j
(xi − xj )
sont les polynômes de Lagrange.
Le polynôme p ainsi déni s'appelle le polynôme d'interpolation de Lagrange de la fonction f
relativement au support de points (x , x , ..., x ).
n

Puisque les polynômes de Lagrange ϕ sont de degré égal à n. Donc p est de degré
0 1 n

≤ n entant que combinaison linéaire des polynômes de Lagrange {ϕ , i = 0, ..., n}.

Preuve : i n

D'autre part, pour j = 0, ..., n, on a :

i

n
X
Pn (xj ) = f (xi )ϕi (xj ) = f (xj )ϕj (xj ) = f (xj ).
i=0

Exemple :
On prend n = 2, (x , f (x )) = (−1, −2), (x , f (x )) = (0, 1) et (x , f (x )) = (1, 2).
Les polynômes de Lagrange associés sont :
0 0 1 1 2 2

(x − 0)(x − 1) x(x − 1) 1 1
ϕ0 (x) = = = x2 − x;
(−1 − 0)(−1 − 1) 2 2 2
(x − (−1))(x − 1) (x + 1)(x − 1)
ϕ1 (x) = = = 1 − x2 ;
(0 − (−1))(0 − 1) −1
(x − 0)(x − (−1)) x(x + 1) 1 1
ϕ2 (x) = = = x2 + x;
(1 − 0)(1 − (−1)) 2 2 2
Ainsi le polynôme d'interpolation de Lagrange de f sur {−1, 0, 1} est :
pn (x) = f (x0 )ϕ0 (x) + f (x1 )ϕ1 (x) + f (x2 )ϕ2 (x)
= −2ϕ0 (x) + 1ϕ1 (x) + 2ϕ2 (x)
= −x2 + 2x + 1.

Remarque 4 Le polynôme d'interpolation p permet d'obtenir une approximation de la fonc-

tion inconnue f (x) partout dans l'intervalle [−1, 1], on écrit :
n

f (0.5) ≈ −0.52 + 2 ∗ 0.5 + 1 = 1.75

avec une précision qui sera discutée plus loin lorsque nous aborderons la question de l'erreur de
l'interpolation.
15
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Exemple :
Reprenons les points (0, 1), (1, 2), (2, 9) et (3, 28) et calculons l'interpolation de Lagrange dans
ce cas.
1. les éléments de la base Lagrange :
(x − 1)(x − 2)(x − 3)
ϕ0 (x) =
(0 − 1)(0 − 2)(0 − 3)

(x − 0)(x − 2)(x − 3)
ϕ1 (x) =
(1 − 0)(1 − 2)(1 − 3)
(x − 0)(x − 1)(x − 3)
ϕ2 (x) =
(2 − 0)(2 − 1)(2 − 3)
(x − 0)(x − 1)(x − 2)
ϕ3 (x) =
(3 − 0)(3 − 1)(3 − 2)
2. Le polynôme de Lagrange est donné par :
p3 (x) = f (x0 )ϕ0 (x) + f (x1 )ϕ1 (x) + f (x2 )ϕ2 (x) + f (x3 )ϕ3 (x)

c'est à dire :
(x − 1)(x − 2)(x − 3) x(x − 1)(x − 3) x(x − 1)(x − 2)
p3 (x) = − +x(x−2)(x−3)−9 +14
6 2 3
Après simplication du calcul, on trouve :
p3 (x) = x3 + 1

c'est exactement le même obtenu à l'aide de la matrice de Vandermonde.

Enn, le polynôme calculé permet d'obtenir une approximation de la fonction incon-
nue f (x) partout dans l'intervalle contenant les points d'interpolation, [0, 3]. on écrit :
f (2.5) ≈ p (2.5) = 16.25.
3

Remarque 5 La méthode d'interpolation de Lagrange présente un inconvénient majeur : elle

n'est pas récursive. En eet, si on souhaite passer d'un polynôme de degré n à un polynôme de
degré (n + 1) (en ajoutant un point d'interpolation), on doit reprendre tout le processus à zéro.
Dans l'exemple précédent, si on souhaite obtenir le polynôme de degré 4 correspondant aux
points (0, 1), (1, 2), (2, 9), (3, 28) et (5, 54), on ne peut d'aucune façon modier (simplement) le
polynôme de degré 3 déjà calculé pour obtenir p (x). C'est en revanche ce que permet la méthode
d'interpolation de Newton.
4

2.4 Interpolation de Newton

Etant donnés (n + 1) points x , x , ..., x , la base de Newton est dénie par :
0 1 n

{1, (x − x0 ), (x − x0 )(x − x1 ), ..., (x − x0 )(x − x1 )...(x − xn−1 )},

16
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
forme une base de P [R] (l'espace des polynômes de degré ≤ n).
n

Nous allons montrer comment calculer les coecients du polynôme de degré inférieur ou
égal à n, p , interpolant une fonction f dans les points x , x , ..., x . Ce polynôme s'écrit :
n 0 1 n

p (x) = c + c (x − x ) + c (x − x )(x − x ) + ... + c (x − x )(x − x )...(x − x ). (2.4)

n 0 1 0 2 0 1 n 0 1 n−1

Notons que le coecient c est le coecient de x dans p . C'est ce qu'on appelle le coecient
n

directeur du p .
n n
n

L'idée de cette méthode (interpolation de Newton) est de déterminer le polynôme d'inter-

polation dans la base de Newton. Autrement, on détermine les n + 1 coecients c dans 2.4 tels
que :
i

pn (xi ) = f (xi ), i = 0...n.

En particulier : Pour i = 0, on aura c = f (x0 ) .
Pour i = 1, on aura p (x ) = c + c (x Ce qui permet d'isoler c pour
0
− x0 ) + 0 = f (x1 ).
obtenir
n 1 0 1 1 1

f (x1 ) − f (x0 )
c1 = .
x1 − x0
Pour i = 2, de même, on obtient que :
f (x2 )−f (x0 ) f (x1 )−f (x0 )
x2 −x0
− x1 −x0
c2 = .
x2 − x1
f (x2 )−f (x1 )
x2 −x1
− f (xx00)−f
−x1
(x1 )
=
x2 − x0

Dénition 2.4.1 Soit f une fonction.

 La 0ième diérence divisée de f en x est : 0

f [x0 ] = f (x0 )

.
 La 1ière diérence divisée de f en x , x est : 0 1

f (x1 ) − f (x0 )
f [x0 , x1 ] = .
x1 − x0
 La 2-ième diérence divisée de f en x , x et x est : 0 1 2

f [x1 , x2 ] − f [x0 , x1 ]
f [x0 , x1 , x2 ] =
x2 − x0
 La n-ième diérence divisée de f en x , x , ..., x est : 0 1 n

f [x1 , x2 , ..., xn ] − f [x0 , x1 , ..., xn−1 ]

f [x0 , x1 , ..., xn ] = .
(xn − x0 )

17
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Suivant cette notation, on a :
c0 = f [x0 ], c1 = f [x0 , x1 ], c2 = f [x0 , x1 , x2 ].

D'une manière générale, on a le résultat suivant :

Théorème 2.4.1 Étant donné (n + 1) points d'interpolation (x , f (x )) , l'unique polynôme n

d'interpolation de degré n passant par tous ces points peut s'écrire :

i i i=0

pn (x) = f [x0 ]
+ f [x0 , x1 ](x − x0 )
+ f [x0 , x1 , x2 ](x − x0 )(x − x1)
...
+ f [x0 , x1 , ..., xn ](x − x0 )(x − x1 )...(x − xn−1 )

Cette forme du polynôme d'interpolation est appelée formule d'interpolation de Newton.

Remarque 6 Le polynôme p peut être déni récursivement par :
n

p0 (x) = f [x0 ]
pn (x) = pn−1 (x) + f [x0 , x1 , ..., xn ](x − x0 )(x − x1 )...(x − xn−1 ), n > 0.

ceci permet d'ajouter un point d'interpolation sans avoir à recalculer tous les coecients du
polynôme d'interpolation.
Il reste maintenant à déterminer ecacement les coecients de ce polynôme. La manière la
plus simple consiste à construire une table dite de diérences divisées de la façon suivante :
xi f [xi ] f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ]
x0 f [x0 ]
x1 f [x1 ] f [x0 , x1 ]
x2 f [x2 ] f [x1 , x2 ] f [x0 , x1 , x2 ]
x3 f [x3 ] f [x2 , x3 ] f [x1 , x2 , x3 ] f [x0 , x1 , x2 , x3 ]

La construction de cette table est simple. Nous nous sommes arrêtés aux troisièmes diérences
divisées, mais les autres s'obtiendraient de la même manière.
Exemple :
La table de diérences divisées pour les points (0, 1), (1, 2), (2, 9) et (3, 28) est :
xi f [xi ] f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ]
0 1
1 2 1
2 9 7 3
3 28 19 6 1

18
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Suivant la formule de Newton, le polynôme d'interpolation est :
p( x) = 1 + 1(x − 0) + 3(x − 0)(x − 1) + 1(x − 0)(x − 1)(x − 2) = x3 + 1,
qui est le même polynôme (en vertu de l'unicité) que celui obtenu en passant par la matrice de
Vendermonde ou par la méthode de Lagrange.
Maintenant si on souhaite ajouter un point d'interpolation et calculer le polynôme de degré
4, il n'est pas nécessaire de tout recommencer. Par exemple, si on veut inclure le point (5, 54),
on peut compléter la table de diérences divisées déjà utilisée. Ce polynôme de degré 4 est
alors : 3
p4 (x) = p3 (x) − (x − 0)(x − 1)(x − 2)(x − 3).
5

2.5 Estimation de l'erreur d'interpolation

Le but de l'interpolation est de remplacer une fonction f plus ou moins compliquée par
un polynôme plus simple, mais pour justier cet échange, il nous une estimation de l'erreur
commise.
Dénition 2.5.1 Soit f une fonction dénie sur un intervalle I = [a, b] de R et x , ..., x des
points distincts de I. On note p le polynôme d'interpolation de f sur le support {x , ..., x }.
0 n

L'erreur d'interpolation en x ∈ I est :

n 0 n

En (x) = f x) − pn (x)
.
Proposition 2.5.1 Pour tout x ∈ I, x ̸= xi , i = 0...n , on a :
n
Y
En (x) = f (x) − pn (x) = f [x0 , ..., xn , x] (x − xi )
i=0

Soient les n + 2 points d'interpolation {(x , f (x ), ..., (x , f (x ), (x, f (x)} et p le

polynôme d'interpolation de f sur {x , ..., x , x}. En particulier f (x) = p (x). Par suite :
Preuve : 0 0 n n n+1
0 n n+1

En (x) = pn+1 − pn (x)

Or d'après l'expression l'interpolation de Newton, on a :
n
Y
pn+1 (x) = pn (x) + f [x0 , ..., xn , x] (x − xi )
i=0

ce qui donne : n
Y
En (x) = f [x0 , ..., xn , x] (x − xi )
i=0

Avant de donner une estimation plus générale de l'erreur, nous présentions résultats classiques.
19
 CHAPITRE 2. INTERPOLATION NUMÉRIQUE
Théorème 2.5.1 (théorème de Rolle) Soit f : [a, b] → R une application continue sur [a, b] et
dérivable sur ]a, b[ telle que f (a) = f (b), alors ∃c ∈]a, b[ tel que f (c) = 0.
′

Lemme 2.5.1 Soit f : [a, b] → R dérivable sur ]a, b[ alors si f possède au moins n + 2 zéros
distincts sur [a, b], f possède au moins n + 1 zéros distincts sur [a, b]
′

Démonstration
Il sut d'appliquer le théorème de Rolle entre deux zéros consécutifs de f .
Corollaire 2.5.1 Soit f ∈ C ([a, b]). Si f possède au moins n + 2 zéros distincts sur [a, b]
(n+1)

alors f a au moins un zéros sur [a, b]. (∃ϵ ∈ [a, b], tel que f (ϵ) = 0)
(n+1) (n+1)

démonstration
Il sut de faire une récurrence en appliquant le lemme précédent.
Estimation d'erreur d'interpolation
Soit f une fonction réelle dénie sur un intervalle [a, b] et soit {x , x , ..., x }, n + 1 points dis-
tincts de [a, b]. On note p le polynôme d'interpolation de Lagrange de f aux points {x , x , ..., x }.
0 1 n
n 0 1 n

Théorème 2.5.2 On suppose que f ∈ C ([a, b]), alors ∀x ∈ [a, b], ∃ϵ ∈ [a, b] tel que :
(n+1

Qn
− xi ) (n+1)
i=0 (x
En (x) = f (x) − pn (x) = f (ϵ)
(n + 1)!
Démonstration
Si x = x , alors la relation est vériée.
Soit x ∈ [a, b] xé,Q x ̸= x , i = 0...n.
i

Posons Π (x) = (x − x ) et
i
n
n i=0 i

Πn (t)
w(t) = f (t) − p( t) − (f (x) − pn (x))
Πn (x)
La fonction w est de classe C comme f et s'annule pour t = x, x , x , ..., x , elle admet donc
n+1

au moins n + 2 racine (zéros). D'après le Corolaire, il existe au moins un nombre ϵ tel que
0 1 n

w (ϵ) = 0, d'où le résultat :

n+1

(n + 1)!
0 = f n+1 (ϵ) − 0 − (f (x) − pn (x))
Πn (x)

Le point ϵ étant inconnu, on cherche une majoration et on a le corollaire immédiat.

Corollaire 2.5.2 Si f est continue sur [a, b], alors :
(n+1)

|Πn (x)|
∀x ∈ [a, b], |f (x) − pn (x)| ≤ supx∈[a,b] |f n+1 (x)|
(n + 1)!
L'erreur d'interpolation résulte en deux termes : le premier terme sup |f (x)| dépend de n+1

f et on ne peut pas l'améliorer car f n'est pas donnée, par contre le deuxième terme Π (x)
x∈[a,b]

dépend de la distribution des points x . on peut choisir l'ensemble des points (x ) pour que
n

l'erreur soit minimal.

i i i:0...n

20