C HAPITRE 2: I NTERPOLATION POLYNOMIALE ET

APPROXIMATION

Approximation au sens des moindres carrés

3A&B Analyse numérique

 2

Introduction

Historique:
1804: Carl Friedrich Gauss
1805: Adrien-Marie Legendre
1808: Robert Adrain

Equipe AN Analyse numérique ESPRIT

 2

Introduction

Historique:
1804: Carl Friedrich Gauss
1805: Adrien-Marie Legendre
1808: Robert Adrain

Problématique: L’interpolation polynomiale

n’est pas toujours stable en dehors des
points de contrôle → Phénomène de Runge.
coûteuse en terme de temps de calcul
lorsque le nombre de points de contrôle est
élevé (nuage de points).
ó AA2: Approximation (ou régression)
polynomiale

Equipe AN Analyse numérique ESPRIT

 3

objectif: Comparer des données expérimentales à un modèle polynomial censé

décrire ces données.
Le modèle polynomial est une famille de polynômes:
P (x, Λ)
. &
un ou plusieurs paramètres inconnus
Variable réelle
"les coefficients du polynôme"

Equipe AN Analyse numérique ESPRIT

 4

Approximation (ou régression) linéaire

Soient (n + 1) points (xi , yi ), i ∈ {0, 1, · · · , n}, d’abscisses deux à deux distinctes. On

note    
x0 y0
. .
 ..   .. 
   
   
X=
 xi  ,
 Y =
 yi  .

. .
 ..   .. 
   
xn yn

Equipe AN Analyse numérique ESPRIT

 4

Approximation (ou régression) linéaire

Soient (n + 1) points (xi , yi ), i ∈ {0, 1, · · · , n}, d’abscisses deux à deux distinctes. On

note    
x0 y0
. .
 ..   .. 
   
   
X=
 xi  ,
 Y =
 yi  .

. .
 ..   .. 
   
xn yn
Objectif: Trouver la droite d’équation
y = λ0 + λ1 x, λ0 , λ1 ∈ R
| {z }
P (x)

la plus proche des points (xi , yi ) au sens des moindres carrés

Equipe AN Analyse numérique ESPRIT

 5

Illustration de la méthode



 e0 = P (x0 ) − y0 = λ0 + λ1 x0 − y0

 ..



 .
(S1 ) ei = P (xi ) − yi = λ0 + λ1 xi − yi

.e ..


.







n = P (xn ) − yn = λ0 + λ1 xn − yn
résidu
(ou perturbation)
en (xi , yi )

Equipe AN Analyse numérique ESPRIT

 5

Illustration de la méthode



 e0 = P (x0 ) − y0 = λ0 + λ1 x0 − y0

 ..



 .
(S1 ) ei = P (xi ) − yi = λ0 + λ1 xi − yi

.e ..


.







n = P (xn ) − yn = λ0 + λ1 xn − yn
résidu
(ou perturbation)
en (xi , yi )

Le problème consiste à minimiser une fonction des résidus ei .

Quelle est l’expression de cette fonction Quelle est la norme à considérer

Equipe AN Analyse numérique ESPRIT

 6
 
e0
.
   .. 
 
λ0  
Notons Λ =   et ε = 
 ei  et considérons la fonction

λ1 .
 .. 
 
en

F (Λ) = ||ε||22 = e20 + · · · + e2n ,

où || . ||2 désigne la norme euclidienne.

Ajuster les points (xi , yi ) par une droite au sens des moindres carrés revient à
minimiser la fonction
 F.

y

Trouver le vecteur Λ pour que F

soit minimale

Equipe AN Analyse numérique ESPRIT

 7

Résolution: "Méthode matricielle"

Le système (S1 ) peut s’écrire matriciellement comme suit:

     
e0 1 x0 y0
 .  . .  .
 ..   .. ..    .. 
     
    λ0  
 ei  = 1 xi   −  yi 
 .   . .  λ1
     
 .   . . | {z }  ... 
. . .
 
     
Λ
en 1 xn yn
| {z } | {z } | {z }
ε A Y

Le vecteur Λ minimisant F vérifie

   
∂F
(Λ) 0
∇F (Λ) =  ∂λ0 =  . (λ0 , λ1 ) est un point critique de F

∂F
∂λ1 (Λ) 0

Equipe AN Analyse numérique ESPRIT

 8

En calculant ∇F , on trouvera que

∇F (Λ) = 2 t A(A Λ − Y )
 
0
⇒ t A(A Λ − Y ) =   ⇒ t A A Λ = t A Y.
0
D’où
Λ = (t A A)−1 t A Y
On peut prouver aussi que
   
λ0 Y − λ1 X
Λ =   =  XY −X Y  ,
λ1 X 2 −X
2

n
X n
X n
X n
X
xi yi xi y i x2i
i=0 i=0 i=0 i=0
avec X = , Y = , XY = et X2 = .
n+1 n+1 n+1 n+1

Equipe AN Analyse numérique ESPRIT

 9

Exercice

Considérons le tableau de l’exercice donné dans la section Interpolation polynomiale.

xi x0 = −1 x1 = 0 x2 = 1
yi y0 = 2 y1 = 1 y2 = −1

Trouver l’équation de la droite qui ajuste au mieux les points (x0 , y0 ), (x1 , y1 ) et
(x2 , y2 ) au sens des moindres carrés.

Equipe AN Analyse numérique ESPRIT

 10

Solution

Soit P ∈ R1 [X] défini par P (x) = λ0 + λ1 x dont la courbe représentative ajuste au

mieux les points (x0 , y0 ), (x1 , y1 ) et (x2 , y2 ) au sens des moindres carrés et A la
matrice donné par    
1 x0 1 −1
   
A=
1 x1  = 1 0  .
  

1 x2 1 1

Equipe AN Analyse numérique ESPRIT

 10

Solution

Soit P ∈ R1 [X] défini par P (x) = λ0 + λ1 x dont la courbe représentative ajuste au

mieux les points (x0 , y0 ), (x1 , y1 ) et (x2 , y2 ) au sens des moindres carrés et A la
matrice donné par    
1 x0 1 −1
   
A=
1 x1  = 1 0  .
  

1 x2 1 1
On a  
  1 −1  
t 1 1 1   3 0
AA =   1 0  =  
−1 0 1 0 2
 
1 1

Equipe AN Analyse numérique ESPRIT

   11

1
0
Comme (t A A)−1 = 3 , alors
1
0 2
 
λ0
Λ =   = (t A A)−1 t A Y
λ1
 
1
   2
0 1 1 1
= 3  
 
1
0 12 −1 0 1
 
−1
 

1 1 1
 2
=  3 3 3 
 
1 1
1 
−2 0 2
 
−1
 
2
=  3 .
− 23

Equipe AN Analyse numérique ESPRIT

 12

Par conséquent,
2 3
P (x) = − x.
3 2

Retrouvons le résultat en utilisant la formule des moyennes arithmétiques.

Comme X = 0, Y = 23 , XY = −1 et X 2 = 23 , alors
     
Y − λ1 X 2
λ0
Λ =   =  XY −X Y  =  3  .
λ1 X 2 −X
2 − 32

D’où le résultat.
Equipe AN Analyse numérique ESPRIT
 13

Approximation (ou régression) polynomiale

Soient (n + 1) points (xi , yi ), i ∈ {0, 1, · · · , n}, d’abscisses deux à deux distinctes. On

note    
x0 y0
. .
 ..   .. 
   
   
X=
 xi  ,
 Y =
 yi  .

. .
 ..   .. 
   
xn yn

Equipe AN Analyse numérique ESPRIT

 13

Approximation (ou régression) polynomiale

Soient (n + 1) points (xi , yi ), i ∈ {0, 1, · · · , n}, d’abscisses deux à deux distinctes. On

note    
x0 y0
. .
 ..   .. 
   
   
X=
 xi  ,
 Y =
 yi  .

. .
 ..   .. 
   
xn yn
Objectif: Déterminer l’expression du polynôme P ∈ Rp [X], défini par
P (X) = λ0 + λ1 x + · · · + λp xp ,
dont la courbe représentative est la plus proche des points (xi , yi )
au sens des moindres carrés

Equipe AN Analyse numérique ESPRIT

 14




 e0 = P (x0 ) − y0 = λ0 + λ1 x0 + · · · + λp xp0 − y0

 ..



 .
(Sp ) ei = P (xi ) − yi = λ0 + λ1 xi + · · · + λp xpI − yi
..


.





en = P (xn ) − yn = λ0 + λ1 xn + · · · + λp xpn − yn



Equipe AN Analyse numérique ESPRIT

 14




 e0 = P (x0 ) − y0 = λ0 + λ1 x0 + · · · + λp xp0 − y0

 ..



 .
(Sp ) ei = P (xi ) − yi = λ0 + λ1 xi + · · · + λp xpI − yi
..


.





en = P (xn ) − yn = λ0 + λ1 xn + · · · + λp xpn − yn


Le système (Sp ) peut s’écrire matriciellement comme suit:
      
2 p
e0 1 x0 x0 · · · x0 λ0 y0
 .  . .  .   . 
 ..   .. ..  ..   .. 
      
      
 ei  = 1 xi x2 · · · xp  λi  −  yi 
   i i    
 .  . .  .   . 
 ..   .. ..  ..   .. 
      
2 p
en 1 xn xn · · · xn λp yn
| {z } | {z }| {z } | {z }
ε A Λ Y
En appliquant le même raisonnement de l’approximation linéaire, on aura
Λ = (t A A)−1 t A Y
Equipe AN Analyse numérique ESPRIT
 15

Exercice

Dans l’exercice précédent,

1 Déterminer le polynôme P ∈ R2 [X] qui ajuste au mieux les points (x0 , y0 ), (x1 , y1 )
et (x2 , y2 ).
2 Que peut-on constater?

Equipe AN Analyse numérique ESPRIT

 16

Solution

1 Soit P ∈ Rp [X] défini par P (x) = λ0 + λ1 x + · · · + λp xp dont la courbe

représentative ajuste au mieux les points (x0 , y0 ), (x1 , y1 ) et (x2 , y2 ) au sens des
moindres carrés et A la matrice donné par
   
2
1 x0 x0 1 −1 1
   
A= 2 =  .
1 x 1 x 1 1 0 0 
2
1 x2 x2 1 1 1

Equipe AN Analyse numérique ESPRIT

 16

Solution

1 Soit P ∈ Rp [X] défini par P (x) = λ0 + λ1 x + · · · + λp xp dont la courbe

représentative ajuste au mieux les points (x0 , y0 ), (x1 , y1 ) et (x2 , y2 ) au sens des
moindres carrés et A la matrice donné par
   
2
1 x0 x0 1 −1 1
   
A= 2 =  .
1 x 1 x 1 1 0 0 
2
1 x2 x2 1 1 1
On a      
1
1 1 1 −1 1 3 0 2
t
     
AA = 
 −1 0 1

1 0 0 = 0 2 0
   
1 0 1 1 1 1 2 0 2

Equipe AN Analyse numérique ESPRIT

 17
 
1 0 −1
 
Comme (t A A)−1 = 
 0 1
2 0 , alors

3
−1 0 2
 
λ0
t −1 t
 
Λ= λ1  = ( A A)
 AY
λ2
     
1 0 −1 1
1 1 2
     
=  1 −1 0 1
 0 2 0 
  
1
 
3
−1 0 2 1 0 1 −1
 
1
 
=  3
− 2  .
− 12

Equipe AN Analyse numérique ESPRIT

 18

Par conséquent,
3 1
P (x) = 1 − x − x2 .
2 2

2 Le polynôme d’approximation P trouvé est le polynôme qui interpole les points

(x0 , y0 ), (x1 , y1 ) et (x2 , y2 ).

Equipe AN Analyse numérique ESPRIT