1.

INTRODUCTION

Module: Analyse Numérique

École supérieure en Sciences et
Chargée du cours: Dr. ALKAMA.L
Technologies de l’Informatique et
Année universitaire: 2023/2024
du Numérique
Niveau: 1ère année Cycle Supérieur

Chapitre IV: Interpolation polynomiale

1 Introduction
La déclaration
y = f (x), x0 ≤ x ≤ xn
signifie : qu’à chaque valeur de x dans l’intervalle [x0 , xn ], il existe une ou plusieurs valeurs de y image de
cette valeur. En supposant que f (x) est à valeur unique et continue et qu’elle est connue explicitement, alors
les valeurs de f (x) correspondant à certaines valeurs données de x, disons x0 , x1 , . . . , xn peuvent facilement
être calculé. Le problème central de l’analyse numérique est le problème inverse: étant donné l’ensemble des
valeurs tabulés (x0 , y0 ) , (x1 , y1 ) , (x2 , y2 ) , . . . , (xn , yn ) satisfaisant la relation y = f (x) où la formule explicite
de f (x) n’est pas connue, il faut trouver une fonction plus simple, disons ϕ(x), tel que f (x) et ϕ(x) concordent
sur l’ensemble des points tabulés. Un tel processus est appelé interpolation. Si ϕ(x) est un polynôme, alors
le processus est appelé interpolation polynomiale et ϕ(x) est appelé polynôme d’interpolation. De même,
différents types d’interpolation existent selon ϕ(x); où ϕ(x) pouvant être une suite trigonométrique finie, une
suite de fonctions de Bessel, etc.
L’interpolation polynomiale est un problème d’approximation de fonctions qui possède de nombreuses ap-
plications directes. Cependant, son importance en analyse numérique réside beaucoup plus dans le fait que
c’est un outil auxiliaire de premier plan. En effet, elle est à la base de la plupart des méthodes d’intégration
numérique, de la résolution numérique des équations différentielles. Dans ce chapitre, nous nous intéresserons
uniquement à l’interpolation polynomiale.
Pour justifier l’approximation d’une fonction inconnue au moyen d’un polynôme, nous énonçons ici, le célèbre
théorème de Weierstrass:

Théorème 1.1: Théorème de Weierstrass

Si f (x) est continue dans [x0 , xn ], alors pour tout ε > 0, il existe un polynôme P (x) tel que

|f (x) − P (x)| < ε, ∀x ∈ [x0 , xn ]

Cela signifie qu’il est possible de trouver un polynôme P (x) dont le graphe reste dans la région délimitée par
y = f (x) − ε et y = f (x) + ε pour tout x entre x0 et xn et ceci pour un ε très petit.

En approximant une fonction donnée f (x) par un polynôme ϕ(x), on peut être tenté de se demander:

(i) Comment mesurer la proximité de l’approximation ?

(ii) Quel est le critère pour décider de la meilleure approximation polynomiale de la fonction ?

Les réponses à ces questions, aussi importantes soient-elles pour le problème pratique de l’interpolation,
sortent du cadre du programme et ne seront pas abordées ici. Nous allons cependant dériver à la fin du
chapitre une formule pour trouver l’erreur associée à l’approximation d’une fonction tabulée par un polynôme.
Par contre,
  on pourra répondre à la question: à partir d’une fonction f (x) connue seulement en (n + 1) points
xi , f (xi ) pour i = 0, n , peut-on construire une approximation de f (x)?

1
2 Polynôme d’interpolation
Définition 2.1: Polynôme d’interpolation

Soient f , une fonction, et x0 , x1 , ..., xn , (n + 1) points donnés appartenant au domaine de définition

de f . On appelle polynôme d’interpolation de f basé sur les points xi , i = 0, n, le polynôme P (x) de
degré inférieur ou égal à n et vérifiant:

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

où f (xi ) sont les images des (n + 1) points données.

Remarque 2.1:

ˆ Les points xi sont appelés abscisses ou nœuds d’interpolation;

 
ˆ Les couples xi , f (xi ) pour i = 0, n sont les points de collocation ou points d’interpolation pouvant
provenir de données expérimentales ou d’une table.

Exemple 2.1:

3 Existence et unicité d’un polynôme d’interpolation

Théorème 3.1: Condition nécessaire et suffisante d’existence et d’unicité de P
Une condition nécessaire et suffisante d’existence et d’unicité d’un polynôme d’interpolation de degré
au plus égal à n, qui interpole une fonction f en x0 , x1 , ..., xn , est que les nœuds d’interpolation
x0 , x1 , ..., xn soient tous distincts les uns des autres.

Remarque 3.1:
Si on dispose de (n + 1) points donnés, alors le polynôme sera de degré n.
Exemple 3.1:

4 Méthodes de calcul d’un polynôme d’interpolation

4.1 Formule générale (ou méthode directe)
L’idée la plus immédiate est de résoudre le système linéaire donné par f (xi ) = P (xi ), i = 0, 1, ..., n.
Cependant, cette méthode n’est pas pratique, car elle nécessite beaucoup de calculs. Le principe est remplacer
x dans le polynôme Pn (x) = a0 + a1 x + a2 x2 + a3 x3 + ... + an xn par xi et lui associée son
 yi correspondant.

a0
 a1 
 
Puis, de construire la matrice obtenue qu’on multipliera par le vecteur des inconnues  a2  et le second
 
 .. 
 . 
an
 
f (x0 )
 f (x1 ) 
 
membre correspondant sera donné par:  f (x2 )  .
 
 .. 
 . 
f (xn )
Exemple 4.1.1:
Exemple 4.1.2:

2
4.2 Formule de Lagrange (ou méthode d’interpolation de Lagrange)
Un polynôme de Lagrange permet d’interpoler une série de points (x0 , y0 ), (x1 , y1 )..., (xn , yn ) par un polynôme
qui passe exactement par ces points.

Théorème 4.2.1: Formule de Lagrange

Soient x0 , x1 , ..., xn , (n + 1) points distincts et y0 = f (x0 ), y1 = f (x1 ), ..., yn = f (xn ), (n + 1) valeurs

données. Le polynôme d’interpolation de f basé sur les points x0 , x1 , ..., xn est donné par la formule
de Lagrange:
n n
X Y (x − xi )
P (x) = yj Lj (x), avec Lj (x) = .
(xj − xi )
j=0 i=0
i̸=j

Exemple 4.2.1:
Exemple 4.2.2:
Exemple 4.2.3: