Chapitre 3

Traitement des données

expérimentales

Analyse Numérique 51 3IL-I2, Année 2020-2021

Analyse Numérique 52 3IL-I2, Année 2020-2021
 Table des Matières

Table des matières

Chapitre 3 .................................................................................................................... 51
1 Interpolation numérique ..................................................................................... 55
1.1 Introduction ............................................................................................................... 55
1.1.1 Position du Problème ......................................................................................... 55
1.1.2 Interpolation ....................................................................................................... 55
1.1.3 Extrapolation ...................................................................................................... 55
1.2 Interpolation linéaire : polynôme de degré 1 ............................................................. 55
1.3 Interpolation quadratique : polynôme de degré 2 ...................................................... 56
1.4 Polynôme d’interpolation de Lagrange de degré n .................................................... 57
1.4.1 Unicité de la solution ......................................................................................... 57
1.4.2 Interpolation de Lagrange ................................................................................. 58
1.5 Polynômes d’interpolation de Newton de degré n..................................................... 59
1.5.1 Définition de la base de Newton ........................................................................ 59
1.5.2 Calcul des coefficients. ....................................................................................... 60
2 Approximation numérique - Méthode des moindres carrés ........................... 62
2.1 Introduction et principe ............................................................................................. 62
2.2 Cas de mesures linéaires ............................................................................................ 63
Exercices : .................................................................................................................... 64
TP : Traitement de données expérimentales. ........................................................... 65
Exercice 1 :................................................................................................................... 65
Exercice 2 :................................................................................................................... 65
Exercice 3 :................................................................................................................... 65

Analyse Numérique 53 3IL-I2, Année 2020-2021

 Table des Matières

Analyse Numérique 54 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

1 Interpolation numérique
1.1 Introduction
Soit la fonction y = f ( x ) , on suppose que l’on connaît, par des mesures ou bien par un
calcul, les valeurs de y en certains points xi , avec i = 0,1,⋯ , n .

1.1.1 Position du Problème

Considérons le tableau de données suivant :

i xi yi
0 x0 y0
1 x1 y1
⋮ ⋮ ⋮
n xn yn

Le problème de l’interpolation consiste à chercher un polynôme Pn ( x ) de degré n tel que

Pn ( xi ) = yi pour i = 0,1,⋯ , n , avec Pn ( x ) = a0 + a1 x + a2 x 2 + ⋯ + an x n .

1.1.2 Interpolation

L’interpolation permet, à partir des points ( xi , yi ) pour i = 0,1,⋯ , n , de retrouver une

courbe (polynômes) passant par ces même points sur l’intervalle [ a, b] . Avec a ≥ x0 et
xn ≥ b .

Les points ( xi , yi ) sont appelés points d’appui.

1.1.3 Extrapolation

Pour une valeur de x extérieure à l’intervalle [ a, b] , on parle d'extrapolation.

1.2 Interpolation linéaire : polynôme de degré 1

Il s’agit là de la plus simple des interpolations. On suppose que l’on connaît 2 points d’appui
( x0 , y0 ) et ( x1 , y1 ) avec x0 < x1 .
La valeur de f ( x ) pour un x quelconque entre x0 et x1 est approchée en trouvant le point
situé en x et sur la droite joignant les deux points d’appui connus.
Analyse Numérique 55 3IL-I2, Année 2020-2021
 CHAPITRE 3. Traitement des données expérimentales

On trouve le polynôme d’interpolation en remplaçant la courbe représentative de f par le

polynôme P ( x ) de degré 1 (c.-à-d. une droite qui passe par ( x0 , y0 ) et ( x1 , y1 ) ) suivants :

P1 ( x ) = a0 + a1 x

 y1 − y0
a0 + a1 x0 = y0 a1 =
Tel que : P1 ( x0 ) = y0 et P1 ( x1 ) = y1 ⇔  , on en déduit  x1 − x0
a0 + a1 x1 = y1 a = y − a x
 0 0 1 0

P ( x ) est un polynôme de degré 1 passant par les deux points d’appui ( x0 , y0 ) et ( x1 , y1 ) .

On trouve ainsi la formule d’interpolation suivante :

y1 − y0 y1 − y0
P1 ( x ) = y0 + ( x − x0 ) ⋅ , ou encore f ( x ) = y0 + ( x − x0 ) ⋅
x1 − x0 x1 − x0

ou encore :

x − x0 x − x0 x − x1 x − x0
P1 ( x ) = y0 + ⋅ y1 − ⋅ y0  P1 ( x ) = ⋅ y0 + ⋅ y1
x1 − x0 x1 − x0 x0 − x1 x1 − x0

1.3 Interpolation quadratique : polynôme de degré 2

Cette fois-ci, on considère que l’on a 3 points d’appui ( x0 , y0 ) , ( x1 , y1 ) et ( x2 , y2 ) . On
cherche donc un polynôme P2 ( x ) de degré 2 qui passe par ces trois points connus.
Il peut se mettre sous la forme :

P2 ( x ) = a0 + a1 x + a2 x 2

Tel que : P2 ( x0 ) = y0 , P2 ( x1 ) = y1 et P2 ( x2 ) = y2

Les coefficients de ce polynôme doivent satisfaire :

a0 + a1 x0 + a2 x02 = y0
a0 + a1 x1 + a2 x12 = y1
a0 + a1 x2 + a2 x22 = y2

Analyse Numérique 56 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

On démontre alors facilement que :

 x − x1   x − x2   x − x0   x − x2   x − x0   x − x1 
P2 ( x ) =    y0 +    y1 +    y2
x − x x
 0 1  0 2  − x x − x x
 1 0  1 2  − x x − x x
 2 0  2 1  − x

L0 ( x ) L1 ( x ) L2 ( x )

ou encore :

2 2
 x − xk 
P2 ( x ) =  Li ( x ) ⋅ yi , avec Li ( x ) = ∏  
i =0 k = 0  xi − xk 
k ≠i

1.4 Polynôme d’interpolation de Lagrange de degré n

Le problème consiste à s’approcher de f(x) à l’aide de polynômes. Il faut savoir qu’il est aussi
possible d’utiliser d’autres fonctions comme les fonctions trigonométriques ou exponentielles.

On cherche donc à trouver le polynôme Pn ( x ) qui respecte l’équation suivante :

Pn ( xi ) = yi pour i = 0,1,⋯ , n .

Ce polynôme est unique, mais il existe différentes manières de le noter.

1.4.1 Unicité de la solution

Il existe différentes manières d’obtenir les coefficients de notre polynôme, mais pour des
points d’appui identiques, on doit trouver le même polynôme, la solution est donc unique.

Démonstration :
Supposons qu’il existe 2 polynômes Pn ( x ) et Qn ( x ) de degré n satisfaisant Pn ( xi ) = yi ,

Qn ( xi ) = yi pour i = 0,1,⋯ , n .

Alors, on a H n ( x ) = Pn ( x ) − Qn ( x ) de degré n ⇔ H n ( xi ) = 0  donc H n ( x ) admet n+1

racines distincts.
Or, un polynôme de degré n possédant n+1 racines, est un polynôme nul.
Et donc : Pn ( x ) − Qn ( x ) = 0  Pn ( x ) = Qn ( x )

Analyse Numérique 57 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

1.4.2 Interpolation de Lagrange

Le principe est le même que pour l’interpolation quadratique mais généralisé à n+1 point
d’appui. On dispose de n+1 points d’appui ( x0 , y0 ) , ( x1 , y1 ) , …, ( xn , yn ) . On recherche le
polynôme P ( x ) de degré inférieur ou égal à n tel que :

Pn ( xi ) = f ( xi ) = yi , ∀i = 0,1,⋯ , n .

On doit donc trouver n+1 polynômes de degré n vérifiant les règles suivantes :

0 si i ≠ j
Li ( x j ) = δ ij =  pour i = 0,1,⋯ , n
1 si i = j
,

Ces polynômes sont donnés par la formule suivante :

n
 x − xk 
Li ( x ) = ∏  
k =0  xi − xk 
k ≠i

Li ( x ) est appelé polynôme de Lagrange associé au point ( xi , yi )

Ainsi, le polynôme d’interpolation de Lagrange est donnée par :

 n  
  x − xk  
n

⇔ Pn ( x ) =   ∏ 
n
Pn ( x ) =  Li ( x ) ⋅ yi   ⋅ yi 
i =0  k =0  xi − xk  
i =0
 k ≠i  

L’algorithme pour déterminer le polynôme d’interpolation de Lagrange est donnée par :

Analyse Numérique 58 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Remarque : Les polynômes de Lagrange ne sont pas pratiques d’un point de vue numérique
puisque il est difficile de déduire Lk +1 à partir de Lk . De plus, son évaluation requiert trop
d'opérations élémentaires.

Pour cela, on introduit les polynômes de Newton.

1.5 Polynômes d’interpolation de Newton de degré n

La formule de Newton consiste à écrire le polynôme d'interpolation Pn ( x ) aux points
x0 , x1 , …, xn sous une forme :

Pn ( x ) = α 0 + α1 ( x − x0 ) + ⋯ + α n ( x − x0 )( x − x1 )⋯ ( x − xn −1 ) ,
n
ou encore Pn ( x ) = α 0e0 + α1e1 + ⋯ + α n en =  α e ( x)
k k
k =0

1.5.1 Définition de la base de Newton

Les polynômes ek de la base de Newton sont définis comme suit :

e0 = 1
e1 = x − x0 = e0 ( x − x0 )
e2 = ( x − x0 )( x − x1 ) = e1 ( x − x1 )
e3 = ( x − x0 )( x − x1 )( x − x2 ) = e2 ( x − x2 )
⋮
en = ( x − x0 )( x − x1 )⋯( x − xn −1 ) = en−1 ( x − xn −1 )

Ce qui nous donne :

k −1
ek ( x ) = ∏ ( x − xi ), , k = 1,⋯ , n , avec e0 = 1
i =0

L’ensemble des polynômes ek (base de Newton) forment une base de l’espace Pn des
polynômes de degré n.

Analyse Numérique 59 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

On remarque donc que l’on peut en déduire le polynôme ek +1 en fonction de ek .

ek +1 = ek ⋅ ( x − xk )

Le polynôme d’interpolation de Newton de degré n s’écrit :

n
Pn ( x ) =  α k ⋅ ek ( x)
k =0

Il faut alors déterminer les coefficients α k . C’est l’objet de la prochaine partie intitulée
« calcul des cœfficients ».

1.5.2 Calcul des coefficients.

Le polynôme d’interpolation de Newton de degré n, Pn ( x ) évalué en x0 peut s’écrire :

n
Pn ( x0 ) =  α k ⋅ ek ( x0 ) = α 0
k =0

or Pn ( x0 ) = f ( x0 ) = y0 ⇔ α 0 = f ( x0 ) = f [ x0 ] , Différence divisée d’ordre 0

où f [⋅] désigne les différences divisées de f définies par : f [ xi ] = f ( xi ) , ∀i = 0,1,⋯ , n

Le polynôme d’interpolation de Newton de degré n, Pn ( x ) évalué en x1 peut s’écrire :

n
Pn ( x1 ) =  α k ⋅ ek ( x1 )
k =0

= α 0 + α1 ⋅ ( x1 − x0 ) f [ x1 ] − f [ x0 ]
d’où α1 = = f [ x0 , x1 ]
= f [ x0 ] + α1 ⋅ ( x1 − x0 ) x1 − x0
= f [ x1 ]
Différence divisée d’ordre 1

Analyse Numérique 60 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Le polynôme d’interpolation de Newton de degré n, Pn ( x ) évalué en x2 peut s’écrire :

n
Pn ( x2 ) =  α k ⋅ ek ( x2 )
k =0

= α 0 + α1 ⋅ ( x2 − x0 ) + α 2 ⋅ ( x2 − x0 )( x2 − x1 ) = f [ x2 ]

 f [ x2 ] = f [ x0 ] + f [ x0 , x1 ] ( x2 − x0 ) + α 2 ⋅ ( x2 − x0 )( x2 − x1 )

 α 2 ⋅ ( x2 − x0 )( x2 − x1 ) = ( f [ x2 ] − f [ x1 ]) + ( f [ x1 ] − f [ x0 ]) − f [ x0 , x1 ] ( x2 − x0 )

or f [ x1 ] − f [ x0 ] = f [ x0 , x1 ] ( x1 − x0 )

f [ x1 , x2 ] − f [ x0 , x1 ]
α2 = = f [ x0 , x1 , x2 ]
x2 − x0

Différence divisée d’ordre 2

Ainsi, on voit que l’on peut construire α k par récurrence :

f [ x1 , x2 ,… xk ] − f [ x0 , x1 ,… xk −1 ]
α k = f [ x0 , x1 ,… xk ] =
xk − x0

Fonction Matlab pour le calcul de α k :

Analyse Numérique 61 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Le polynôme d’interpolation de Newton de degré n s’écrit donc :

n
Pn ( x ) = y0 +  α k ⋅ ek ( x) , avec α k = f [ x0 , x1 ,… xk ]
k =1

2 Approximation numérique - Méthode des moindres

carrés
2.1 Introduction et principe
Supposons que l’on récupère des données issues de mesures d’une grandeur physique.
Chacune de ces mesures étant prélevée en fonction d’un paramètre t.

On dispose donc d’une suite de n points de mesures expérimentales (ti , yi ) , i = 1,⋯ , n .

De plus on suppose que l’on connaît la loi d’évolution de Y = ( y1 , y2 ,… , yn ) en fonction de

T = ( t1 , t2 ,… , tn ) à savoir :

Y = f (T , X )

Où le vecteur X = ( x1 , x2 ,… , xm ) est un vecteur constitué de paramètres à estimer.

Le but de la méthode est de trouver (ou d’ajuster) les paramètres X pour que f (T , X )
respectent les mesures c’est-à-dire approche au mieux les données (ti , yi ) .
Le principe de la méthode des moindres carrés est de minimiser l’erreur. Pour cela on pose :

Ei = yi − f ( ti , X ) pour i = 1,⋯ , n
Ei représente l’expression de l’erreur (résidus) pour chaque point d’appui.

Autrement dit, il faut donc trouver les paramètres X qui minimisent :

n n
S =  E =  ( yi − f ( ti , X ) )
2 2
i
i =1 i =1

Analyse Numérique 62 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Le minimum de cette somme des carrés des résidus S est atteint lorsque

∂S n
∂f ( ti , X )
= −2 ( yi − f ( ti , X ) ) = 0, ∀k = 1,… , m
∂xk i =1 ∂xk

2.2 Cas de mesures linéaires

Dans le cas d’une mesure linéaire, on peut mettre la méthode sous la forme d’un système
d’équations linéaires à résoudre. On peut donc utiliser l’algèbre matriciel.

Sous la forme matricielle, notre système peut s’écrire :

y0 = a0 + a1t0 + a2t02 + ⋯
y1 = a0 + a1t1 + a2t12 + ⋯
⇔ Y = AX
y2 = a0 + a1t2 + a2t22 + ⋯
⋮

L’erreur commise peut s’écrire sous la forme :

E = Y − AX

La norme des carrés des erreurs peut s’écrire :

S = Y − AX
2

Le minimum de la norme des carrés des erreurs S est atteint si et seulement si X satisfait
l’équation suivante :

( A A) ⋅ X = A
T T
⋅Y
Où A T est la transposée de A

Par conséquent, la solution de la méthode des moindres carrés est donnée par :

X = ( A T A) ⋅ A T ⋅Y
−1

Analyse Numérique 63 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Exercices :

Exercice 1 :
On mesure une tension aux bornes d’une résistance R en fonction de l’intensité.

Voici le tableau de mesures :

I 1 2 3 4 5 6 7
U 2.1 3.9 5.8 8.1 10.4 11.9 14.2

Trouvez la valeur de la résistance R.

Exercice 2 :
On considère un système linéaire discret dont la loi est donnée par l’équation récurrente :

xk +1 = axk + b
Estimez par la méthode des moindres carrés les paramètres a et b, disposant des mesures
suivantes :

k 1 2 3 4 5
xk 1.7 2.4 3.3 4.2 5.1

Analyse Numérique 64 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

TP : Traitement de données expérimentales.

Exercice 1 :
On connaît d’une fonction les quatre points d’appui suivants :

Xi -1 0 1 3
Yi 0 -1 0 70

a) Déterminez le polynôme d’interpolation (de troisième degré) par la méthode de

Lagrange. Et affichez le polynôme d’interpolation.
b) Approchez la valeur de la fonction en X = 2 et en X = 3.
c) Par extrapolation en X = 3, approchez graphiquement la valeur en X = 3.5.

Exercice 2 :
Soit f ( x ) = sin ( x ) ,

Tracer le polynôme d’interpolation de Newton pour les points d’appui d’abscisses :

π π 3π
0, , , ,π .
4 2 4

Exercice 3 :
Déterminez l’angle de tir de la trajectoire parabolique issue de l’origine qu’on estime par la
méthode des moindres carrés disposant des points P1(1 ;2), P2(2 ;3), P3(3 ;3.2), P4(4 ;3.5),
P5(5 ;2.5).

Analyse Numérique 65 3IL-I2, Année 2020-2021

 CHAPITRE 3. Traitement des données expérimentales

Analyse Numérique 66 3IL-I2, Année 2020-2021