Académique Documents
Professionnel Documents
Culture Documents
Chapitre 3 (Interpolation) 2
Chapitre 3 (Interpolation) 2
Analyse numérique
CP(S4)
2/61
A partir d’un ensemble de points (xi , yi )
i =0:n , on recherche dans un
espace de fonctions,
1 Interpolation polynomiale
Définition
On note Pn l’ensemble des polynômes réels de degré n
n o
Pn = p (x ) ; p (x ) = a0 + a1 x + a2 x 2 + ... + an x n
avec ai ∈ R
pn (xi ) = yi .
Théorème
Il existe un unique polynôme pn ∈ Pn qui interpole les noeuds (xi , yi )
i =0:n .
Polynôme d’interpolation de Vandermonde :
6/61
Plus généralement,
n Pno est un espace vectoriel dont la base canonique
s’écrit 1, X , X , ..., X n et
2
n
X
pn (x ) = ak x k .
k =0
Alors
p n ( x0 ) = y0
a0 + a1 x0 + a2 x02 + ... + an x0n = y0
a0 + a1 x1 + a2 x1 + ... + an x1
2 n
pn (x1 ) = y1 = y1
.. =⇒ ..
. .
pn (xn ) = yn
a0 + a1 xn + a2 x 2 + ... + an x n
= yn
n n
Polynôme d’interpolation de Vandermonde :
8/61
p (x0 ) = y0 1 x0 x02 · · ·
x0n
a0
y0
1 x x 2 · · ·
p (x1 ) = y1 x1n a1 y1
1 1
.. =⇒ . .. = ..
. .
.
. .
1 xn xn2 · · · xnn
p (xn ) = yn
an yn
Les coefficients ai du polynôme d’interpolation s’obtiennent donc en
résolvant le système linéaire suivant
Ba = y ,
où (B )i ,j = xji −1 , (a )i = ai et (y )i = yi .
Propriété
Le déterminant de la matrice B vérifie
Y
det (B ) = (xj − xi ).
0≤i <j ≤n
Polynôme d’interpolation de Vandermonde :
9/61
Exercice
Montrer que la famille {L0 , L1 , L2 } est libre et expliciter la décomposition
de p2 dans cette base
Polynôme d’interpolation de Lagrange
n o 11/61
Plus généralement, on introduit une base de Pn notée Lnk , où les
k =0:n
polynômes Lnk sont définis par la propriété suivante :
1 si k = i
Lnk (xi ) =
0 sinon
Propriété
Le polynôme L nk s’explicite sous la forme
Qn
i =0,i ,k (x − xi )
Lnk (x ) = Qn .
i =0,i ,k (xk − xi )
Propriété
Le polynôme d’interpolation pn au noeuds (xi , yi )
i =0:n vérifie
n
X
pn = yi Lni
i =0
12/61
Théorème
Soit f ∈ C n+1 [a , b ] avec a = x0 < x1 < x2 ... < xn = b. Alors ∀x ∈ [a , b ], il
existe ξx ∈ [a , b ] tel que
n
f (n+1) (ξx ) Y
f (x ) − pn(x ) = (x − xi )
(n + 1)! i =0
( f (x ) − pn (x )) ni=0 (t − xi )
Q
φ(t ) = f (t ) − pn(t ) − Qn
i =0 (x − xi )
Erreur d’interpolation
15/61
où h = (b − a )/n, et
!n+1
b −a 1
|E | ≤ sup f (n+1)
(x ) .
x ∈[a ,b ] n 4(n + 1)
Exercice
Montrer le résultat précédent
Noeuds d’interpolation de tchebychev
16/61
Idée : Optimiser la position des noeuds xi ∈ [a , b ] afin de minimiser
n
Y
max (x − xi )
x ∈[a ,b ]
i =0
Solution :
a+b b −a
xi = + x̂i ,
2 2
où
π 2i + 1
!
x̂i = cos
2 n+1 x0 x1 x2 x3 x4 x5 x6 x7 x 8 x 9 x 10
Définition
On appelle polynôme nodal de degré n + 1 le polynôme défini
w0 (x ) = 1,
n
par Y
w n+1 (x ) = (x − xi ) = (x − x0 )(x − x1 ).....(x − xn ), n > 0
i=0
Analyse numérique
Interpolation de Newton
19/61
Définition
On appelle polynôme nodal de degré n + 1 le polynôme défini
w0 (x ) = 1,
n
par Y
w n+1 (x ) = (x − xi ) = (x − x0 )(x − x1 ).....(x − xn ), n > 0
i=0
Proposition
Les polynômes nodaux forment une base de l’ensemble des
polynômes de degré inférieur ou égal à n.
Analyse numérique
Interpolation de Newton.
20/61
Théorème
En posant y0 = f [x0 ], et w0 = 1, on a
n
X
Pn f (x ) = wk (x )f [x0 , x1 , ....., xk ].
k=0
Analyse numérique
Interpolation de Newton.
21/61
Théorème
En posant y0 = f [x0 ], et w0 = 1, on a
n
X
Pn f (x ) = wk (x )f [x0 , x1 , ....., xk ].
k=0
Remarque
Par unicité du polynôme d’interpolation cette expression définit le
même polynôme que la formule de Lagrange.
Analyse numérique
Interpolation de Newton.
22/61
Définition (différences divisées)
f [.] désigne les dfférences divisées de f définies par :
f [xi ] = f (xi ) ; i = 0, 1, ....., n
f [x1 ,x1 ,.....,xk ]−f [x0 ,x1 ,.....,xk−1 ]
f [x0 , x1 , ....., xk ] = xk −x0 ,k ≥1
Analyse numérique
Interpolation de Newton.
23/61
Définition (différences divisées)
f [.] désigne les dfférences divisées de f définies par :
f [xi ] = f (xi ) ; i = 0, 1, ....., n
f [x1 ,x1 ,.....,xk ]−f [x0 ,x1 ,.....,xk−1 ]
f [x0 , x1 , ....., xk ] = xk −x0 ,k ≥1
Définition
Le coefficient an = f [x0 , ....., xn ] est appelée n−ème différence
divisée de Newton.
Analyse numérique
Interpolation de Newton.
24/61
Définition (différences divisées)
f [.] désigne les différences divisées de f définies par :
f [xi ] = f (xi ) ; i = 0, 1, ....., n
f [x1 ,x1 ,.....,xk ]−f [x0 ,x1 ,.....,xk−1 ]
f [x0 , x1 , ....., xk ] = xk −x0 ,k ≥1
Définition
Le coefficient an = f [x0 , ....., xn ] est appelée n−ème différence
divisée de Newton.
On a :
n
X
Pn (x ) = ak wk (x )
k=0
= a0 + a1 (x − x0 ) + .... + an (x − x0 )(x − x1 ).....(x − xn−1 )
Analyse numérique
Interpolation de Newton.
25/61
Différences divisées
On a Pn (x ) = nk=0 ak wk (x ) et les ai sont donnés par récur-
P
ak = f [x0 , x1 , x2 , x3 , ..., xk ] =
f [x1 ,x2 ,x3 ,...,xk ]−f [x0 ,x1 ,x2 ,...,xk−1 ]
xk −x0
Analyse numérique
Interpolation de Newton.
26/61
Exemple
1 Déterminer le polynôme de Lagrange interpolant les points
y0 = 10, y1 = 4 et y2 = 6 aux noeuds x0 = −2, x1 = −1 et
x2 = 1.
2 Donner sous forme de Newton le polynôme qui interpole la
fonction au points suivants,
(1; 14); (2; 15.6); (3; 17.6); (4; 20); (5; 22.8)
Analyse numérique
27/61
1 Interpolation polynomiale
Motivation :
L’interpolation polynomiale a tendance à produire des oscillations
lorsque le degré des polynômes est trop élevé : c’est le phénomène
de Runge ...
-> Utiliser des polynômes de degré plus petit sur des sous-intervalles
de [a , b ]
Interpolation polynomiale par morceaux
29/61
p3
p2
p4
f(x 2)
f(x 3) p1
f(x 4)
f(x 1)
f(x 0)
I1 I2 I3 I4
x0 x1 x2 x3 x4
Interpolation linéaire par morceaux
30/61
Exercice
Avec φi définie par
x −x
i −1
xi −xi −1 si x ∈ [xi −1 , xi ]
xi+1 −x
φi (x ) = si x ∈ [xi , xi +1 ]
xi +1 −xi
0 sinon
Montrer que {φi }i =0:n forme une base de S1h,0 ([a , b ]) et que
n
X
s= yi φi .
i =0
Exercice
Soit f ∈ C 2 ([a , b ]), montrer que
1
max |hi |2 max |f 00 (x )|
max s (x ) − f (x ) ≤
x ∈[a ,b ] 8 i =1:n x ∈[a ,b ]
Interpolation Spline
32/61
Definition
La fonction s définie sur [a , b ] est une spline cubique (par rapport à la
subdivision a = x0 < x1 < ... < xn ) si s ∈ S3,2 ([a , b ]). Si de plus
s 00 (a ) = s 00 (b ) = 0, alors s est une spline cubique naturelle.
Interpolation Spline
33/61
Théorème
Il existe une spline cubique qui interpole les noeuds (xi , yi ) i =0:n . Si de
plus les coefficients s 00 (a ) et s 00 (b ) sont fixés, alors cette spline est
unique.
34/61
hi = |xi − xi −1 | = h = (b − a )/n
s|Ii = pi ∈ P 3 (Ii )
p3
p2
p4
f(x 2)
f(x 3) p1
f(x 4)
f(x 1)
f(x 0)
I1 I2 I3 I4
x0 x1 x2 x3 x4
Interpolation spline.
35/61
Analyse numérique
Interpolation spline.
36/61
′′
Si (x )
Si on note Si (xi−1 ) := Si , Mi (x ) = 2 et Mi (xi−1 ) := Mi , alors
on obtient :
di = Si = f (xi−1 )
bi = Mi
Mi+1 −Mi
ai = 3hi
Si+1 −Si
ci = hi − hi Mi+13+2Mi
Analyse numérique
Interpolation spline.
37/61
′′
Si (x )
Si on note Si (xi−1 ) := Si , Mi (x ) = 2 et Mi (xi−1 ) := Mi , alors
on obtient :
di = Si = f (xi−1 )
bi = Mi
Mi+1 −Mi
ai = 3hi
Si+1 −Si
ci = hi − hi Mi+13+2Mi
′ ′
D’autre part, Si (xi ) = Si +1(xi ) pour tout i =1, ..., n − 1 est
équivalente à :
Analyse numérique
Interpolation spline.
38/61
Analyse numérique
Interpolation spline.
39/61
′
Option 2 : S (a) = f ′(a) et S ′(b) = f ′(b) (Spline contrainte).
On obtient le système linéaire suivant : AM = N avec
2h1 h1 0 . . . . . . . 0
h1 2(h1 + h2 ) h2 0 0 . . . . . 0
0 h2 2(h2 + h3 ) h3 0 0 . . . . 0
. 0 h3 2(h3 + h4 ) h4 0 . . . . .
. . 0 h4 . . . . . . .
A= . . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
0 0 . . . . . 0 hn−1 2(hn−1 + hn ) hn
0 0 . . . . . . . hn 2hn
Analyse numérique
Exemple d’interpolation spline 2d
40/61
1 4
max f (x ) − s (x ) ≤ h max f (4) (x )
x ∈[a ,b ] 2 x ∈[a ,b ]
41/61
1 Interpolation polynomiale
n p 2
X X
φ(a0 , a1 ..., ap ) = yi − ak gk (xi ) .
i =0 k =0
Régression linéaire
45/61
Pour la régression linéaire, on utilise g0 = 1 et g1 = x et on minimise
n
2
X
φ(a0 , a1 ) = yi − (a0 + a1 xi ) .
i =0
où encore
P n
X
n
(n + 1)a0 + i =0 xi a1 = yi
i =0
n n
X P X
xi a0 + ni=0 xi2 a1 = xi yi
i =0 i =0
Regression linèaire
46/61
et
a1 = y − a0 x
1 Pn 1 Pn
où x = n+1 i=0 xi et y = n+1 i=0 yi
Regression linèaire
47/61
Conclusion
La droite des moindres carrés y = ax + b a pour coefficients :
σxy
a= et b = y − ax .
σx2
Regression linèaire
48/61
Exemple
Lors d’une expérience, on a relevé les valeurs suivantes :
x 1 2 3 4 5 6 7 8 9 10
y 1.1 3.1 4.7 7.3 9.2 11.1 12.9 15.4 17 18
1 Donner l’équation d’une droite ajustant ces valeurs par la
méthode des moindres carrés.
2 Interpoler la valeur de yb pour x = 11.5.
Ajustements (Regression) non linéaires
49/61
Méthode
1
calculer zi = yi ;
déterminer l’équation de la droite de régression de z en x avec
la méthode des moindres carrés ;
de l’équation obtenue z = ax + b, on déduit immédiatement
l’équation de l’hyperbole yb = ax1+b .
51/61
Exercice d’application
Ajuster ce nuage des points par une hyperbole.
x 1 2 3 4 5 6 7 8 9 10
y 1.1 0.4 0.19 0.15 0.08 0.05 0.06 0.05 0.04 0.03
Ajustements (Regression) non linéaires
52/61
Exercice d’application
Ajuster ce nuage des points par une fonction puissance.
x 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
y 0.2 0.4 1.2 2.15 5 7.75 11.2 15.5 22 28
Ajustements (Regression) non linéaires
54/61
Exercice d’application
Ajustez ce nuage de points par une exponentielle.
x 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
y 0.2 0.4 0.5 6 7 1.1 1.6 2.4 3.3 4
Ajustements (Regression) non linéaires
56/61
Exercice d’application
Ajustez ce nuage de points par une fonction logarithmique.
x 1 2 3 4 5 6 7 8 9 10
y 1.0 2.9 4.5 5.2 5.9 6.6 7.1 7.4 7.8 8.3
Définition du gradient d’une fonctionnelle
58/61
φ(x + ty ) − φ(x )
D φ(x )(y ) = lim .
t →0 t
Le gradient de φ en x par rapport à un produit scalaire < ., . > donné
est alors défini par
Exercice
Calculer le gradient des fonctionnelles suivantes
φ1 (x ) =< x , b >
φ2 (x ) =< Ax , b >
φ3 (x ) = 1 < Ax , Ax >
2
Moindres carrés, cas général
60/61
avec
Le gradient de φ s’identifie à
∇φ(a ) = 2 B t Ba − B t y .
B t Ba = B t y .
Exercice
nEcrire la omatrice B dans le cas d’approximation polynomiale :
gk = x k .
k =0:p
Exercice
Retrouver l’expression de a0 et a1 dans le cas d’une régression linéaire.