Nadir Arada

Analyse Numérique I - Cours

Université de Jijel
Faculté des Sciences Exactes et Informatique
Département de Mathématiques
Table des matières

1 Résolution des équations non linéaires 2

1.1 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Résultats préliminaires d’Analyse . . . . . . . . . . . . . . . 3
1.3 Méthode de la bissection . . . . . . . . . . . . . . . . . . . 4
1.4 Méthode du point fixe . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Existence et unicité du point fixe . . . . . . . . . . . 9
1.4.2 Convergence globale de la méthode du point fixe . . 11
1.4.3 Convergence globale d’ordre supérieur . . . . . . . 16
1.4.4 Convergence locale . . . . . . . . . . . . . . . . . . 19
1.5 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . 23
1.5.1 Convergence globale . . . . . . . . . . . . . . . . . 24
1.5.2 Formule d’erreur pour la méthode de Newton . . . . 27
1.5.3 Zéro simple : convergence locale quadratique . . . . 27
1.5.4 Zéro multiple : convergence locale linéaire . . . . . 29
1.5.5 Zéro multiple : Newton modifié et convergence qua-
dratique . . . . . . . . . . . . . . . . . . . . . . . . . 30

2 Interpolation et approximation polynômiale 33

2.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . 35
2.2.1 Base de Lagrange . . . . . . . . . . . . . . . . . . . 35
2.2.2 Existence et unicité du polynôme d’interpolation . . 37
2.3 Formule d’itération de Newton . . . . . . . . . . . . . . . . . 38
2.3.1 Différences divisées . . . . . . . . . . . . . . . . . . 38
2.3.2 Calcul effectif des différences divisées . . . . . . . . 40
2.3.3 Cas des points équidistants : différences finies . . . 41
2.3.4 Calcul effectif des différences finies . . . . . . . . . 42
2.4 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . 43

i
TABLE DES MATIÈRES ii

2.4.1 Erreur d’interpolation d’une fonction régulière . . . . 43

2.4.2 Erreur d’interpolation : cas d’une distribution uni-
forme de points . . . . . . . . . . . . . . . . . . . . . 44
2.5 Phénomène de Runge . . . . . . . . . . . . . . . . . . . . . 48
2.6 Interpolation par intervalles . . . . . . . . . . . . . . . . . . 51
2.6.1 Interpolation linéaire par intervalle . . . . . . . . . . 51
2.6.2 Interpolation par intervalle avec des polynômes de
degré supérieur . . . . . . . . . . . . . . . . . . . . 53
2.7 Interpolation par des splines cubiques . . . . . . . . . . . . 53
2.7.1 Détermination du spline naturel . . . . . . . . . . . . 54
2.7.2 Erreur d’interpolation . . . . . . . . . . . . . . . . . . 56
2.8 Méthode des moindres carrés . . . . . . . . . . . . . . . . . 57
TABLE DES MATIÈRES 1
Chapitre 1

Résolution des équations non

linéaires

1.1 Objectif
L’objectif est d’approcher les solutions d’équations de la forme

f (x) = 0

où f est, au moins, une fonction continue au voisinage de la racine. (Les

valeurs α qui vérifient cette équation sont appelés racines de l’équation
ou, encore, zéros de la fonction f .)

α0 α1 α2

Pour des cas particuliers de f , par exemple des polynômes de degré 1 ou

de degré 2, la résolution de l’équation f (x) = 0 peut-être facile. Mais de

2
1.2. RÉSULTATS PRÉLIMINAIRES D’ANALYSE 3

manière générale, trouver la solution exacte n’est pas trivial. Par exemple,
si f est un polynôme générique de degré supérieur à 4, il n’existe pas de
formule explicite pour la solution exacte. Par conséquent, des méthodes
itératives qui permettent d’approcher les racines sont considérées.
D’une manière générale, une méthode itérative consiste en une approxi-
mation initiale x0 , désignée par itération initiale, etb en un processus où la
nouvelle itération xn+1 est obtenue à partir des itérations antérieures xn ,
xn−1 , · · · . Des suites sont ainsi construites qui, "avec un peu de chance",
convergeront vers la solution α de l’équation f (x) = 0. Il est évident que
s’il y a convergence, alors l’erreur commis en = xn − α tend vers zéro.
Dans ce chapitre, nous passerons en revue un certain nombre méthodes
classiques pour l’approximation des solutions d’équations non-linéaires.
Nous commencerons par la méthode de la bissection, qui est une mé-
thode géométrique dont l’application nécessite des conditions minimales
sur f (continuité et changement de signe dans l’intervalle de travail). Nous
considérons ensuite la méthode du point fixe aui consiste à regarder les
zéros de f comme des points fixes d’une fonction φ. Nous énonçons des
conditions suffisantes pour l’existence et l’unicité d’un point fixe pour φ.
Nous montrons que ces mêmes conditions garantissent la convergence
globale (i.e. pour n’importe quel choix de l’itération initiale dans l’intervalle
de travail) de la méthode itérative associée, que cette covergence est li-
néaire et que, sous des conditions supplémentaires relativement à φ, elle
est d’odre supérieur. Nous montrons aussi que sous des hypothèses plus
faibles, nous pouvons garantir la convergence locale (i.e. pour une itéra-
tion initiale choisie dans un voisinage du point fixe) de la méthode.
La méthode de Newton, qui peut-être regardée comme une méthode du
point fixe particulière, est ensuite analysée. De la même manière, nous
énonçons des résultats de convergence globale, de convergence locale et
nous analysons l’odre de la convergence.

1.2 Résultats préliminaires d’Analyse

Nous rappelons quelques théorèmes classiques qui nous serons utiles
dans toute la suite. Nous commençons par un résultat connu permettant
de garantir l’existence d’une racine dans un intervalle donné.
1.3. MÉTHODE DE LA BISSECTION 4

Théorème 1. (Bolzano) Soit f une fonction continue sur un intervalle

[a, b]. Si
f (a)f (b) ≤ 0
alors l’équation f (x) = 0 admet au moins une racine dans [a, b].

Nous énonçons maintenant deux résultats qui nous seront particulière-

ment utiles dans l’analyse des erreurs d’approximation et des estimations
associées.
Théorème 2. (Lagrange) Soit f ∈ C 1 ([a, b]), i.e. f est dérivable, de dé-
rivée continue dans [a, b]. Il existe alors θ ∈]0, 1[ tel que

f (b) = f ′ (θa + (1 − θ)b) (b − a).

Notons que si f est telle que f (a) = f (b) = 0, nous obtenons le théorème
de Rolle.
Une généralisation du théorème de Lagrange est énoncée ci-dessous.

Théorème 3. (Taylor-Lagrange) Soit f ∈ C (n+1) ([a, b]) (n ≥ 1). Il existe

alors θ ∈]0, 1[ tel que
f ”(a) f (n) (a)
f (b) = f (a) + f ′ (a)(b − a) + 2!
(b − a)2 + · · · + n!
(b − a)n
(n+1) (θa+(1−θ)b)
+f (n+1)!
(b − a)n+1 .

1.3 Méthode de la bissection

Soit f une fonction continue dans [a, b] tel que f (a)f (b) ≤ 0. Le cas où
f (a)f (b) = 0 est trivial car il implique le zéro est ou a ou b. Nous nous inté-
resserons donc au cas où f (a)f (b) < 0. Le théorème de Bolzano garantit
l’existence d’au moins un zéro α de f dans [a, b]. Supposons, pour sim-
plifier, que α est l’unique zéro de f . L’idée de la méthode de la bissection
(encore appelée méthode de la dichotomie) est de construire une suite
d’intervalles In = [an , bn ] satisfaisant

In ⊂ In−1 ⊂ I1 ⊂ I0 = [a, b]

et tel que
an +bn −
xn = n−→
−−→
∞ α.
2
1.3. MÉTHODE DE LA BISSECTION 5

Plus précisément, la stratégie de cette méthode est de diviser l’intervalle

considéré In en deux sous-intervalles de même longueur et de sélection-
ner le sous-intervalle In+1 où f change de signe (et où, d’après le théo-
rème de Bolzano, se trouve α). Ce procédé garantit que chaque sous-
intervalle In choisi contient α et que la suite des points milieux xn de ces
sous-intervalles converge nécessairement vers α, une fois que la longueur
des sous-intervalles tend vers zéro.

I0
I1

I2

a0 x0 x1 x2 b0

f I3

La méthode peut-être schématisée en un cycle de la manière suivante :

Algorithme
1. Soit a0 = a, b0 = b, I0 = [a0 , b0 ] et x0 = a0 +b0
2
.
2. Pour n ≥ 0, si f (xn ) = 0, alors xn est le zéro α.
3. Si f (xn ) 6= 0 :

Si f (an )f (xn ) < 0, alors α ∈]an , xn [

Définir an+1 = an et bn+1 = xn

Si f (xn )f (bn ) < 0, alors α ∈]xn , bn [

Définir an+1 = xn et bn+1 = bn
an+1 +bn+1
4. Définir xn+1 = 2
.

Remarque 4. La méthode de la bissection étant basée sur le théorème

de Bolzano, elle ne s’applique pas si la fonction f ne change pas de signe
1.3. MÉTHODE DE LA BISSECTION 6

(c’est le cas par exemple si le zéro α de f est aussi un extrémum : voir

l’exemple traité dans les travaux dirigées et travaux pratiques).
Les conditions de convergence de la méthode de la bissection sont énon-
cées dans le résultat suivant.
Théorème 5. Supposons que f est une fonction continue dans [a, b] tel
que f (a)f (b) < 0, et que f admet un zéro unique α dans [a, b]. Soit (xn )n
la suite engendrée par la méthode de la bissection et soit en = xn − α
l’erreur d’approximation correspondant. Alors

n+1
|en | ≤ 12 (b − a)
Démonstration. Pour chaque n ≥ 0, α ∈ [an , bn ]. Si en = xn −α est l’erreur
à l’itération n, on a

2
|en | ≤ 12 (bn − an ) ≤ 12 (bn−1 − an−1 )
..
.


1 n


1 n+1
≤ 2
(b1 − a1 ) ≤ 2
(b0 − a0 )


1 n+1
= 2
(b − a) .

Remarque 6. i) Pour garantir que

|en | ≤ ε, (1.1)
où ε est une tolérance donnée, il est suffisant d’imposer que


1 n+1



2
(b − a) ≤ ε ⇐⇒ (n + 1) ln 12 ≤ ln b−a ε
 

ε
 b−a
ln ln
b−a ε
⇐⇒ n+1≥ 1
  = ln(2)
.
ln
2

Ainsi, il suffit de choisir n tel que

 
b−a
ln
ε
n≥ ln(2)
− 1. (1.2)
ii) La condition précédente est suffisante : L’estimation (1.1) peut-être véri-
fiée avec un nombre d’itérations inférieur à l’entier défini dans la condition
(1.2). Il n’y a pas de contradiction du moment que cette dernière condition
est suffisante.
1.4. MÉTHODE DU POINT FIXE 7

Exemple 7. Nous cherchons à approcher le zéro de la fonction f définie

par f (x) = x − 1 + sin(2x) .

0
−3 −2 −1 0 1 2

−2

−4

En appliquant la méthode de la bissection dans l’intervalle [−1, 1] avec une

tolérance ε = 10−8 , nous obtenons la valeur α = 0.352288462221622 après
27 itérations.

La méthode de la bissection est intéressante car elle peut s’appliquer à la

vaste classe de fonctions f continues et changeant de signe dans l’inter-
valle de travail, sans exiger d’avantage (comme par exemple que f celle-ci
soit dérivable). Cependant, ne pas prendre en compte les variations de
ces fonctions peut devenir un handicap. Ceci en plus du fait que la mé-
thode peut-être lente et nécessiter un certain nombre d’itérations avant de
converger vers une limite convenable.
Dans les sections ultérieures, nous considereons d’autres classes de mé-
thodes d’approximation qui prennent en compte les variations de f et
peuvent-être plus éfficaces. Nous commencerons par la méthode du point
fixe.

1.4 Méthode du point fixe

Utilisant une calculatrice et commençant avec la valeur 1, appliquons le
cosinus de manière répétée. Nous construisons ainsi une suite
x1 = cos(1) = 0.54030230586814
1.4. MÉTHODE DU POINT FIXE 8

x2 = cos(x1 ) = 0.85755321584639
..
.
x10 = cos(x9 ) = 0.74423735490056
..
.
x20 = cos(x19 ) = 0.73918439977149
qui convergera vers α = 0.73908513 · · · Une fois que par définition,
(
xn+1 = cos(xn ) pour n = 0, 1, 2, · · ·
x0 = 1

la limite α va satisfaire l’équation

 
lim xn+1 = lim cos (xn ) ⇐⇒ lim xn+1 = cos lim xn
n→+∞ n→+∞ n→+∞ n→+∞

⇐⇒ α = cos(α)
Le point α est appelé point fixe de la fonction cosinus. Ce point peut-être
vu comme le zéro de la fonction f (x) = x − cos(x) et par conséquent,
la méthode itérative que nous venons d’utiliser peut-être vue comme une
méthode pour calculer les zéros de f .
Un procédé plus général consiste à transformer f (x) = 0 en une équation
équivalente x − φ(x) = 0. Par conséquent

f (α) = 0 ⇐⇒ α = φ(α).

Le point α est appelé point fixe de φ. A priopri, il existe une infinité de

possibilités relativement au choix de φ. Par exemple, il est facile de voir
que pour ω 6= 0, on a

f (x) = 0 ⇐⇒ x = x + ω f (x) .
| {z }
φ(x)

Cependant, et comme nous le verrons plus en avant, certains choix de φ

sont plus adéquats que d’autres.
La méthode itérative du point fixe est alors définie de la manière suivante :
(
Choisir une itération initiale x0
Itérer xn+1 = φ(xn ) n = 0, 1, · · ·
1.4. MÉTHODE DU POINT FIXE 9

Exemple 8. Considérons l’équation f (x) = x − 1 + sin(2x) = 0 . Cette

équation peut-être, en particulier, réécrite sous la forme des deux pro-
blèmes équivalents suivants

x = 1 − sin(2x) ou x = 21 arcsin(x − 1) x ∈ [0, 1]

y = φ1 (x) = 1 − sin(2x)
1
y = φ2 (x) = 2
arcsin(1 − x)
1
y=x

0
0 1

1.4.1 Existence et unicité du point fixe

Nous commençons par énoncer des conditions suffisantes sur φ garantis-
sant l’existence et l’unicité d’un point fixe.

Théorème 9. Soit φ ∈ C 1 ([a, b]).

1. Si φ satisfait
a ≤ φ(x) ≤ b para qualquer x ∈ [a, b]

alors φ admet au moins un point fixe α.

2. Si φ est une contraction, i.e. s’il existe 0 < K < 1 tel que

|φ′ (x)| < K pour tout x ∈]a, b[

alors le point fixe α est unique.

Démonstration. 1. La fonction g définie par

g(x) = φ(x) − x,
1.4. MÉTHODE DU POINT FIXE 10

est continue dans [a, b] et satisfait

g(a)g(b) = (φ(a) − a) (φ(b) − b) ≤ 0.

Grâce au théorème de Bolzano, g admet au moins un zéro dans [a, b], et

donc φ admet au moins un point fixe.
2. Utilisant le théorème de Lagrange et le fait que φ est une contraction,
nous btenons
|φ(x) − φ(y)| = |φ′ (θ x + (1 − θ)y)| |x − y|
≤ K |x − y| pour tout x, y ∈ [a, b],

où 0 < K < 1. Raisonnons alors par l’absurde et supposons qu’il existe

deux points fixes distincts α1 , α2 ∈ [a, b]. On a alors

|α1 − α2 | = |φ (α1 ) − φ (α1 )| < K |α1 − α2 | ,

ce qui est impossible et montre que le point fixe est unique.

Exemple 10. La fonction φ définie par φ(x) = cos x admet un point fixe
unique α dans [0, 1]. En effet, vu que

φ′ (x) = − sin x ≤ 0 dans [0, 1],

il vient que φ est décroissante et donc

φ(1) ≤ φ(x) ≤ φ(0) ∀x ∈ [0, 1].

Ceci implique en particulier que

0 ≤ cos(1) ≤ φ(x) ≤ cos(0) = 1 ∀x ∈ [0, 1]

et garantit que l’hypothèse 1. est vérifiée. De l’autre côté, il est facile de

voir que
|φ′ (x)| = |− sin x| = sin x ≤ sin 1 = K < 1,
et garantit que l’hypothèse 2. est aussi vérifiée. D’après le théorème pré-
cédent, il existe donc un unique point fixe α.
Comme on peut le voir dans le graphe ci-dessous, ce résultat peut-être
confirmé simplement en représentant le graphique de φ et vérifiant qu’il
1.4. MÉTHODE DU POINT FIXE 11

intersecte bien la bissectrice en un unique point (α, α).

y = cos x
y=x
1.5

1.0

0.5

0 α
0 1
−0.5

Exemple 11. La fonction φ définie par φ(x) = ex n’admet aucun point

fixe.

y = ex
y=x
1.5

1.0

0.5

0
0 1
−0.5

1.4.2 Convergence globale de la méthode du point fixe

L’existence et unicité d’un point fixe pour une fonction φ n’implique pas
nécessairement la convergeance de la méthode itérative associée
(
x0 ∈ [a, b]
(1.3)
xn+1 = φ(xn ), n = 0, 1, · · ·
Cependant, les conditions suffisantes énoncées dans le Théorème 9 et
qui ont garanti l’existence et l’unicité du point fixe, sont aussi suffisantes
1.4. MÉTHODE DU POINT FIXE 12

pour garantir la convergence globale de (1.3). Ceci fait l’objet du résultat

suivant.
Théorème 12. Supposons que φ satisfait les hypothèses 1. et 2. du
Théorème 9. Soit (xn )n≥0 la suite définie par (1.3). Alors pour tout n ≥ 0,
l’erreur en = xn − α satisfait l’estimation suivante

|en+1 | ≤ K n+1 |e0 | .

Par conséquent, (xn )n converge vers α et on a

en+1
lim = φ′ (α).
n→+∞ en

Démonstration. Utilisant le théorème de Lagrange, on obtient

en+1 = xn+1 − α = φ (xn ) − φ (α)

= φ′ (θxn + (1 − θ)α) (xn − α)
= φ′ (θxn + (1 − θ)α) en θ ∈]0, 1[,

et donc
|en+1 | = |φ′ (θxn + (1 − θ)α) en |
= |φ′ (θxn + (1 − θ)α)| |en |
≤ K |en |
..
.
≤ K n+1 |e0 | .
Prenant en compte le fait que 0 < K < 1, nous déduisons que

0 ≤ lim |en+1 | ≤ lim K n+1 |e0 | = 0,

n→+∞ n→+∞

et par conséquent, on a
lim |en+1 | = 0.
n→+∞

Ainsi, pour tout x0 ∈ [a, b], la suite (xn )n définie par xn+1 = φ(xn ) converge
vers α. De manière similaire, vu que
en+1
en
= φ′ (θxn+1 + (1 − θ)α)
1.4. MÉTHODE DU POINT FIXE 13

et que φ′ est une fonction continue, on obtient

lim en+1 = lim φ′ (θxn+1 + (1 − θ)α) = φ′ (α).

n→+∞ en n→+∞

Remarque 13. La convergence énoncée dans le Théorème 12 est globale

dans le sens où elle a lieu indépendamment du choix de x0 dans [a, b].

Exemple 14. Nous cherchons à approcher les zéros de f définie par

f (x) = cos x − x.
Solution. Nous avons déjà vérifié dans l’exemple 10 que les hypothèses
1. et 2. sont satisfaites et donc la méthode itérative du point fixe associée
converge pour tout x0 ∈ [0, 1]. Les résultats correspondants à x0 = 0.2 sont
présentés ci-dessous.

n 1 2 ··· 6 ··· 10 12 ··· 20

xn 0.98007 0.55697 ··· 0.76396 ··· 0.73198 0.73586 ··· 0.73895

y = cos x
1.5
y=x

1.0

0.5

0
0 x0 1

−0.5

Convergence de xn+1 = cos(xn ) avec x0 = 0.2

Exemple 15. Nous cherchons à approcher les zéros de f définie par

f (x) = e−x − x sur [ 12 , 1].
1.4. MÉTHODE DU POINT FIXE 14

Solution.
1  Considérons la fonction φ définie par φ(x) = e−x dans l’intervalle
2
, 1 . Une fois que φ′ (x) = −e−x < 0, il vient que

 
φ (1) = 1e < φ(x) < φ 12 = √1e pour tout x ∈ 12 , 1
 
=⇒ 12 < φ(x) < 1 pour tout x ∈ 21 , 1
 
Par conséquent, il existe au moins un point fixe dans 12 , 1 . De l’autre côté,
une fois que
 
|φ′ (x)| = e−x ≤ √1e < 1 pour tout x ∈ 21 , 1

nous concluons que le point fixe est unique et que la méthode itérative du
point fixe associée converge pour tout x0 ∈ [ 12 , 1]. Les résultats correspon-
dant à x0 = 1 sont présentés dans le tableau suivant.

n 1 2 3 4 5 6 7 8
xn 0.3679 0.6922 0.5005 0.6062 0.5454 0.5796 0.5601 0.5712

y = e−x
1.5
y=x

1.0

0.5

0
0 1

−0.5

Convergence de xn+1 = e−xn avec x0 = 1

Exemple 16. Nous cherchons à approcher les zéros de f (x) = x2 −2x−

3.
1.4. MÉTHODE DU POINT FIXE 15

Solution. Utilisant des arguments classiques, il est facile de voir que α1 = 3

et α2 = −1 sont les zéros exacts de f . Pour approcher la racine positive
α1 , remarquons que pour x ≥ 0, on a
√
x2 − 2x − 3 = 0 ⇐⇒ x2 = 2x + 3 ⇐⇒ x = 2x + 3
√
Considérons la fonction φ1 (x) = 2x + 3 dans l’intervalle [0, 4]. Vu que

φ′1 (x) = √ 1
2x+3
>0

nous déduisons que

√ √
0 < φ1 (0) = 3 < φ1 (x) < φ1 (4) = 11 < 4

|φ′1 (x)| = φ′1 (x) ≤ φ′1 (0) = √1

3
<1
et donc, la méthode converge vers un point fixe dans [0, 4]. Les résultats
correspondents à x0 = 1 sont présentés dans ce qui suit

n 1 2 3 4 5 6 9 10
xn 2.23607 2.73520 2.90982 2.96979 2.98991 2.99664 2.99987 2.99995

4
√
y = 2x + 1
y=x
3

0
0 1 2 3 4
√
Convergence de xn+1 = 2xn + 3 avec x0 = 1. On approche α1 = 3

De l’autre côté, et afin d’approcher la racine négative α2 , remarquons que

pour x 6= 2, on a

x2 − 2x − 3 = 0 ⇐⇒ x(x − 2) = 3 ⇐⇒ x= 3
x−2
1.4. MÉTHODE DU POINT FIXE 16

Considérons alors la fonction φ2 définie par φ2 (x) = 3

x−2
dans l’intervalle
[−2, 0]. Vu que
φ′2 (x) = − (x−2)
3
2 < 0

nous déduisons que

−2 < φ2 (0) = − 23 < φ2 (x) < φ2 (−2) = − 43 < 0

|φ′2 (x)| = −φ′2 (x) ≤ −φ′2 (−2) = 3

16
<1
et par conséquent, la méthode converge vers un point fixe dans [−2, 0].
Les résultats correspondents à x0 = 0 sont présentés dans ce qui suit

n 1 2 3 4 5 6 7 8
xn −1.5 −0.8571 −1.05 −0.9836 −1.0055 −0.9982 −1.0006 −0.9998

0
−2 −1

3
y = x−2
y=x
−1

−2

2
Convergence de xn+1 = xn −2
avec x0 = 0. Encontra-se α2 = −1

1.4.3 Convergence globale d’ordre supérieur

Définition 17. Soit (xn )n une suite de nombres réels qui converge vers α
et soit en = xn − α l’erreur d’approximation à l’itération n.
1.4. MÉTHODE DU POINT FIXE 17

1. La convergence est linéaire, s’il existe une constante 0 < C < 1

tel que pour n suffisamment grand on ait
|en+1 | ≤ C |en | .

2. La convergence est quadratique, s’il existe une constante C > 0

tel que
|en+1 | ≤ C |en |2 .
3. La convergence est d’ordre p, s’il existe une constante C > 0 tel
que
|en+1 | ≤ C |en |p .

Théorème 18. Supposons que φ satisfait les hypothèses 1. et 2. du

Théorème 9. Supposons aussi que φ ∈ C 2 ([a, b]) et satisfait
φ′ (α) = 0 et φ”(α) 6= 0.

Alors φ”(α)
lim en+12 = .
n→+∞ (en ) 2

Plus généralement, si φ ∈ C p ([a, b]) (p ≥ 2) satisfait

φ′ (α) = φ”(α) = · · · = φ(p−1) (α) = 0 et φ(p) (α) 6= 0,

alors en+1 φ(p) (α)

lim p = .
n→+∞ (en ) p!

Démonstration. Utilisant le théorème de Taylor-Lagrange à l’ordre 2, on

obtient
en+1 = xn+1 − α = φ (xn ) − φ (α)
= φ′ (α)en + 2!1 φ” (θxn + (1 − θ)α) (en )2
= 21 (en )2 φ” (θxn + (1 − θ)α)

où θ ∈]0, 1[. Par conséquent,

en+1
(en )2
= 21 φ” (θxn + (1 − θ)α) ,

et vu que φ” est continue, il vient que

en+1 1
lim 2 = lim φ” (θxn + (1 − θ)α) = 21 φ” (α) .
n→+∞ n )
(e 2 n→+∞
1.4. MÉTHODE DU POINT FIXE 18

Exemple 19. Approcher les zéros x2 − x.

Solution. Il est facile de voir α1 = 0 et α2 = 1 sont les racines exactes de
f (x) = 0. Pour approcher α1 , remarquons que

x2 − x = 0 ⇐⇒ x = x2
 
Considérons la fonction φ définie par φ(x) = x2 dans l’intervalle − 41 , 14 .
On a

0 ≤ φ(x) ≤ φ 41 = 161
< 41
|φ′ (x)| = 2|x| ≤ 1
2
< 1,
 
et donc, la méthode converge vers un point fixe dans − 41 , 41 . Les résultats
correspondants sont présentés dans ce qui suit

n 1 2 3 4 5
xn 0.36 0.1296 16.8 × 10−3 2.82 × 10−4 7.96 × 10−8
en+1
(en )2
1 1 1 1 1

y = x2
y=x
1

0
−1.0 −0.5 0 0.5 1.0 1.5

−1

2
Convergence quadratique de xn+1 = (xn ) avec x0 = 0.6
La convergence vers α1 = 0 est quadratique, ce qui est prévisible (cf le
Théorème 18) une fois que

φ(α1 ) = φ′ (α1 ) = 0 et φ”(α1 ) = 2 6= 0.

1.4. MÉTHODE DU POINT FIXE 19

Observons
 1 1 aussi que l’itération initiale x0 = 0.6 n’appartient à l’intervalle
− 4 , 4 où φ1 est une contraction. Mais il n’y a pas de contradiction car la
condition exigeant que la fonction d’itération soit une contraction est une
condition suffisante mais pas nécessaire.

1.4.4 Convergence locale

Définition 20. 1. Un point fixe α tel que |φ′ (α)| < 1 est appelé point fixe
attractif. onto fixo atractivo.
2. Un point fixe α tel que |φ′ (α)| > 1 est appelé point fixe répulsif.
3. UUn point fixe α tel que |φ′ (α)| = 1 st appelé point fixe indifférent.

Théorème 21. (Convergence locale - Point fixe attractif) Soit φ : [a, b] −→

[a, b] une fonction de classe C 1 . Supposons que φ admet un point fixe α
tel que
|φ′ (α)| < 1.
Il existe alors δ > 0 tel que pour tout x0 ∈ [α − δ, α + δ], la suite xn+1 =
φ(xn ) converge vers α et l’erreur en = xn − α satisfait
en+1
lim = φ′ (α).
n→+∞ en

Démonstration. Vu que |φ′ (α)| < 1 et que φ′ est continue, il existe uma
constante K < 1 et il existe δ > 0 tel que

|φ′ (x)| < K ∀x ∈ Vα = [α − δ, α + δ].

Autrement dit φ est une contcation sur Vα . La conclusion est une consé-
quence du Théorème 9.
Théorème 22. (Divergence - Point fixe répulsif) Soit φ : [a, b] −→ [a, b]
une fonction de classe C 1 . Supposons que φ admet un point fixe α tel
que
|φ′ (α)| > 1.
Il existe alors δ > 0 tel que pour tout x0 ∈ [α − δ, α + δ] (x0 6= α), la suite
xn+1 = φ(xn ) ne converge pas vers α.
1.4. MÉTHODE DU POINT FIXE 20

Démonstration. Vu que
φ(x)−φ(α)
|φ′ (α)| = lim x−α
> 1,
x→α

il existe alors δ > 0 tel que

|φ(x) − φ(α)| = |φ(x) − α| > |x − α| ∀x ∈ Vα = [α − δ, α + δ],

et par conséquent, la suite (xn ) est divergente.

Exemple 23. Approcher les zéros de f (x) = 2x2 − 1.9x en utilisant la

méthode du point fixe et étudier sa convergence.
Solution. Il est facile de voir que α1 = 0 et α2 = 0.95 sont les racines
exactes de f (x) = 0. Pour approcher ces racines, remarquons que

x2 − 1.9x = 0 ⇐⇒ x = x2 − 0.9x.

Considérant la fonction φ(x) = x2 − 0.9x, on peut vérifier que la méthode

du point fixe associée converge si x0 est choisi dans un certain intervalle.
Les résultats numériques correspondants à x0 = 0.8 sont présentés dans
ce qui suit :

n 1 2 3 4 5 6
xn 0.56 0.1232 −0.08052 0.08544 −0.0623 0.05599

Remarquons que même si l’itération initiale x0 = 0.8 est "éloignée" de

α1 = 0, la méthode itérative converge. Ce résultat est prévisible si on prend
en compte le Théorème 21 vu que

|φ′ (α1 )| = |4α1 − 0.9| = 0.9 < 1

et que le point fixe α1 = 0 est attractif.

1.4. MÉTHODE DU POINT FIXE 21

y = 2x2 − 0.9x
y=x
0.8

0.4

0
−0.4 0 0.4 0.8

−0.4

Convergence de xn+1 = 2x2n − 0.9xn avec x0 = 0.8

De manière similaire, nous présentons dans ce qui suit les résultats obte-
nus avec x0 = 1 :

n 1 2 3 4
xn 1.1 1.43 2.8028 13.189

y = 2x2 − 0.9x
12 y=x

10

0 1 2 3

Divergence de xn+1 = 2x2n − 0.9xn avec x0 = 1

Contrairement au premier cas, nous observons que même si l’itération ini-

tiale x0 = 1 est suffisamment "proche" de α2 = 0.95, la méthode itérative
diverge. Ce résultat était aussi prévisible si on prend en compte le Théo-
rème 22 et le fait que
|φ′ (α2 )| = |4α2 − 0.9| = 2.9 > 1.
1.4. MÉTHODE DU POINT FIXE 22

Le point fixe α2 = 0.95 est répulsif.

Exemple 24. Approcher les zéros de f (x) = x2 − 2x en utilisant la mé-

thode du point fixe et étudier sa convergence.
Solution. Il est facile de voir que α1 = 0 et α2 = 2 sont les racines exactes
de f (x) = 0. Pour approcher α1 , remarquons que
x2 − 2x = 0 ⇐⇒ x = x2 − x.
Considérant la fonction d’itération φ(x) = x2 − x, ont peut vérifier que la
méthode du point fixe converge pour x0 choisis dans un certain intervalle.
Les résultats numériques correspondant à x0 = 0.8 sont presentés dans
ce qui suit :

n 1 2 3 4 5 6
xn −0.16 0.1856 −0.1512 0.1740 −0.1437 0.1644

y = x2 − x
y=x
0.8

0.4

0
−0.4 0 0.4 0.8

−0.4

Convergence lente de xn+1 = 2x2n − xn avec x0 = 0.8

La méthode itérative converge certes, mais très lentement. Ce résultat

était prévisible vu que
|φ′ (α1 )| = |4α1 − 1| = 1
et que le point fixe α1 = 0 est indifférent.
1.5. MÉTHODE DE NEWTON 23

1.5 Méthode de Newton

Soit f ∈ C 1 ([a, b]) et soit α ∈ [a, b] tel que f (α) = 0. La méthode de Newton
peut-être considérée comme un cas particulier de la méthode du point
fixe, où il est possible d’obtenir une convergence quadratique. Soit φN la
fonction définie par
f (x)
φN (x) = x − f ′ (x)
, pour x tel que f ′ (x) 6= 0. (1.4)

Il est facile de vérifier que si f ′ (α) 6= 0, alors

f (α)
f (α) = 0 ⇐⇒ φN (α) = α − f ′ (α)
=α

⇐⇒ α ponto fixo de φN

La méthode de Newton se résume alors au schéma itératif suivant

(
x0 ∈ [a, b]
f (xn )
xn+1 = xn − f ′ (xn )
n = 0, 1, · · ·

x2 x0
x1

Géométriquement, xn+1 est défini comme le point d’intersection de l’axe

des abscisses (Ox) et de la droite définie par

y(x) = f ′ (xn )(x − xn ) + f (xn ),

qui passe par le point (xn , f (xn )) avec une pente égale à f ′ (xn ).
1.5. MÉTHODE DE NEWTON 24

La convergence de la méthode dépend des propriétés de la fonction et du

choix de l’itération initiale x0 . Il est clair que nous ne pouvons pas avoir
d’itération xn où f ′ (xn ) = 0 car, dans ce cas, nous aurons une tangente
parallèle à l’axe des abscisses (Ox) et qui ne pourra jamais l’intersecter
(Cf. la figure suivante).

x0

1.5.1 Convergence globale

En général, et comme toute méthode du type point fixe, la méthode de
Newton ne converge pas pour n’importe quel choix de l’itération iniciale
x0 , mais seulement pour des valeurs de x0 "suffisamment" proches de α.
Cependant, la convergence globale (x0 ∈ [a, b] qualquer) est garanti pour
des fonctions f possédant une certaine forme de concavité.

Théorème 25. Soit f ∈ C 2 ([a, b]) tel que

1. f (a)f (b) < 0

2. f ′ (x) 6= 0 pour tout x ∈ [a, b]
3. f ”(x) > 0 ou f ”(x) < 0 pour tout x ∈ [a, b].

Alors, pour tout x0 ∈ [a, b] tel que

f (x0 )f ”(x0 ) > 0

la suite de Newton converge vers le zéro α de f dans [a, b].

1.5. MÉTHODE DE NEWTON 25

Démonstration. Sans perte de généralité, nous pouvons supposer que

f (a) < 0
f (b) > 0
(1.5)
f ′ (x) > 0 para quelquer x ∈ [a, b]
f ”(x) > 0 para quelquer x ∈ [a, b].

Si x0 satisfait f (x0 )f ”(x0 ) > 0 alors f (x0 ) > 0 et, vu que f est croissante,
nous déduisons que
x0 > α, (1.6)
où α est l’unique zéro de f . Il vient alors que
f (x0 )
f (x0 ) > f (α) = 0 =⇒ f ′ (x0 )
>0

f (x0 )
=⇒ x1 = x0 − f ′ (x0 )
< x0 . (1.7)
De l’autre côté, appliquant le théorème de Taylor-Lagrange autour de x0 ,
on obtient
f (α) = f (x0 ) + f ′ (x0 )(α − x0 ) + 21 f ”(ζ0 )(α − x0 )2
⇐⇒ 0 = f (x0 ) + f ′ (x0 )(α − x0 ) + 12 f ”(ζ0)(α − x0 )2
⇐⇒ f (x0 ) + f ′ (x0 )(α − x0 ) = − 21 f ”(ζ0 )(α − x0 )2

et vu que f ” > 0, nous concluons que

f (x0 ) + f ′ (x0 )(α − x0 ) < 0.

Divisant cette expression par f ′ (x0 ) > 0, il vient que

f (x0 )
α − x0 + f ′ (x0 )
<0 ⇐⇒ α − x1 < 0

⇐⇒ x1 < α. (1.8)
Prenant en compte (1.6), (1.8), (1.7) et reproduisant les mêmes arguments
à l’ordre n et n + 1, nous obtenons que

α < · · · < xn+1 < xn < · · · < x1 < x0 .

1.5. MÉTHODE DE NEWTON 26

La suite est donc décroissante et minoréé, elle converge vers une limite β.
Ainsi, on a
 
lim xn+1 = lim xn − ff′(x n)
(xn )
⇐⇒ β = β − ff′(β)(β)
n→+∞ n→+∞

⇐⇒ f (β) = 0.

Autrement dit β est un zéro de f . Ce dernier étant unique, nous déduisons

que β = α.

Théorème 26. Supposons que f ∈ C 2 ([a, b]) satisfait les hypothèses 1.,
2. et 3. du Théorème 25. Si f satisfait
f (a) f (b)
4. f ′ (a)
<b−a et f ′ (b)
< b − a,

alors pour tout x0 ∈ [a, b], la suite de Newton converge vers α, le zéro de
f dans [a, b].

Démonstration. Pour simplifier, supposons que les conditions données

dans (1.5) sont satisfaites. Si x0 ∈]α, b], alors f (x0 ) > f (α) = 0 et nous
sommes dans les conditions du Théorème 25. Si x0 ∈ [a, α[, on considère
la fonction d’itération φN définie par (1.4). Il est facile de voir que
(f ′ (x))2 −f (x)f ”(x) f (x)f ”(x)
φ′N (x) = 1 − (f ′ (x))2
= (f ′ (x))2
,

et vu que f (x) < f (α) = 0 pour tout x ∈ [a, α] et que f ”(x) > 0, nous
concluons que
φ′N (x) < 0 pour tout x ∈ [a, α].
Par conséquent, la fonction φN est décroissante dans cet intervalle et

φN (α) < φN (x0 ) = x1 < φN (a) ⇐⇒ α < x1 ≤ φN (a).

Or, en prenant en compte 4., nous avons

f (a)
φN (a) = a − f ′ (a)
< a + (b − a) = b.

Ceci implique que x1 appartient à l’intervalle ]α, b[ et satisfait donc f (x1 ) >
f (α) = 0, ce qui donne
f (x1 )f ”(x1 ) > 0.
La conclusion est alors une conséquence du Théorème 25.
1.5. MÉTHODE DE NEWTON 27

1.5.2 Formule d’erreur pour la méthode de Newton

Soit f ∈ C 2 ([a, b]). Appliquant le théorème de de Taylor-Lagrange autour
de xn , il existe ζn dans le voisinage de xn tel que

f (α) = f (xn ) + f ′ (xn )(α − xn ) + 12 f ”(ζn )(α − xn )2

⇐⇒ 0 = f (xn ) + f ′ (xn )(α − xn ) + 21 f ”(ζn )(α − xn )2 .

Divisant par f ′ (xn ), il vient que

f (xn ) 1 f ”(ζn )
0 = f ′ (xn )
+ α − xn + 2 f ′ (xn )
(α − xn )2
1 f ”(ζn )
= α − xn+1 + 2 f ′ (xn )
(α − xn )2 .

Ainsi
1 f ”(ζn ) 1 f ”(ζn )
en+1 = xn+1 − α = 2 f ′ (xn )
(α − xn )2 = 2 f ′ (xn )
(en )2 ,
et donc
|en+1 | = − 12 ff ”(ζ n)
′ (x ) (en )
n
2

1 |f ”(ζn )|
= 2 |f ′ (xn )|
(en )2
max |f ”(x)|
1 x∈[a,b] .
≤ 2 |f ′ (xn )|
(en )2
max |f ”(x)|
1 x∈[a,b]
≤ 2 min |f ′ (x)|
(en )2
x∈[a,b]

1.5.3 Zéro simple : convergence locale quadratique

Comme déjà indiqué dans la section 1.5.1, la méthode de Newton
est généralement sensible au choix de x0 , celui-ci devant appartenir à
un voisinage de α. Cette exigeance peut paraître paradoxale vu que,
précisément, la valeur de α est ce que nous cherchons. Mais dans la
pratique, une itération initiale convenable peut-être obtenue en utilisant
quelques itérations de la méthode de la bissection (Cf. travaux pratiques).

Dans le résultat suivant, nous montrons que si x0 est choisi de manière

approprié, et si α est un zéro simple, alors la convergence de la méthode
1.5. MÉTHODE DE NEWTON 28

de Newton est garantie et est quadratique.

Théorème 27. Supposons que f ∈ C 2 ([a, b]) admet un zéro α tel que
f ′ (α) 6= 0. Il existe alors δ > 0 tel que para x0 ∈ [α − δ, α + δ], la suite de
Newton
xn+1 = xn − ff′(x n)
(xn )

converge vers α. La convergence est d’ordre 2 et l’erreur en = xn − α

satisfait
en+1 f ”(α)
lim (en)
2 = 2f ′ (α) .
n→+∞

Démonstration. Vu que
f (α)f ”(α)
φ′N (α) = (f ′ (α))2
= 0,
nous déduisons que α est un point fixe attractif pour φN . Il existe alors
δ > 0 tel que pour tout x0 ∈ [α − δ, α + δ], la suite
f (xn )
xn+1 = φN (xn ) = xn − f ′ (xn )

converge vers α. Utilisant des arguments similaires à ceux de la section

précédente, nous pouvons montrer que
1 f ”(ζn )
en+1 = 2 f ′ (xn )
(en )2 ,
où ζn ∈]xn , α[. Ainsi
1 f ”(ζn ) 1 f ”(α)
en+1
(en )2
= 2 f ′ (xn )
−→ 2 f ′ (α)
quand n → +∞.

Exemple 28. Approcher le zéro de la fonction f définie par f (x) = e−x −x

dans [0, 1] en utilisant la méthode de Newton.
Solution. Comme on peut le voir dans le tableau ci-dessous, la méthode
itérative définie par
(
x0 = 0.5
e−xn −xn (xn +1)e−xn
xn+1 = xn − −e−xn −1
= e−xn +1

converge en 3 itérations et est beaucoup plus rapide que la méthode du

point fixe considérée pour le même problème. (Cf. les travaux pratiques
pour d’autres exemples.)
1.5. MÉTHODE DE NEWTON 29

n 1 2 3 4
xn 0.56631111218 0.5671433029 0.5671434285 0.5671434285

1.5.4 Zéro multiple : convergence locale linéaire

Définition 29. Une fonction continue f possède un zéro α de multiplicité
m ≥ 2, s’il existe une fonction h continue tel que se existir uma função h
contínua tal que

h(α) 6= 0 e f (x) = (x − α)m h(x)

Comme conséquence de cette définition, on peut voir que si h est de

classe C m dans le voisinage de α, alors

f (α) = f ′ (α) = · · · = f (m−1) (α) = 0 e f (m) (α) 6= 0. (1.9)

Let fait que f ′ (α) = 0 pose quelques doutes relatifs à l’applicabilité de

la méthode de Newton. Cepandant, le résultat suivant montre que la
méthode converge, mais plus lentement (convergence linéaire).
Théorème 30. Supposons que f ∈ C m ([a, b]) admet un zéro α de multi-
plicité m ≥ 2, i.e. un zéro tel que la condition (1.9) soit satisfaite. Il existe
alors δ > 0 tel que pour tout x0 ∈ [α − δ, α + δ], la suite de Newton
converge vers α. La convergence est d’ordre 1 et l’erreur en = xn − α
satisfait
lim en+1
en
= 1 − m1 .
n→+∞

Démonstration. Vu que α est de multiplicité m ≥ 2, il existe h ∈ C 2 ([a, b])

tel que
f (x) = (x − α)m h(x) avec h(α) 6= 0,
et donc
(x−α) h(x)
φN (x) = x − mh(x)+(x−α)h′ (x)
.
Il est facile de voir que
′ ′
φ′N (x) = 1 − (h(x)+(x−α)h (x))(mh(x)+(x−α)h (x))
(mh(x)+(x−α)h′ (x))2
′ ′
+ (x−α)(mh(x)+(x−α)h
h(x)(mh(x)+(x−α)h (x))
′ (x))2
1.5. MÉTHODE DE NEWTON 30

et par conséquent
m(h(α))2
φ′N (α) = 1 − (m h(α))2
=1− 1
m
< 1.

Ceci implique la convergence de (xn )n avec

lim en+1
= φ′N (α) = 1 − 1
m
.
n→+∞ en

1.5.5 Zéro multiple : Newton modifié et convergence

quadratique
Comme indiqué dans la section précédente, la convergence dans le
cas d’un zéro multiple n’est pas quadratique mais linéaire. Cependant,
une petite modification dans le schéma de la méthode de Newton permet
d’obtenir une convergence d’ordre 2. (Cf. travaux dirigées et travaux
pratiques pour plus d’exemples.)

Théorème 31. Supposons que f ∈ C 2 ([a, b]) admet un zéro α de multi-

plicité m ≥ 2. Il existe alors δ > 0 tel que pour tout x0 ∈ [α − δ, α + δ], la
suite de Newton modifiée définie par

xn+1 = xn − m ff′(x n)
(xn )
n = 0, 1, · · ·

converge de manière quadratique vers α.

Démonstration. Soit h ∈ C 2 ([a, b]) tel que

f (x) = (x − α)m h(x) avec h(α) 6= 0

et soit
φN M (x) = x − m ff′(x)
(x)

m(x−α)m h(x)
=x− (x−α)m−1 (mh(x)+(x−α)h′ (x))

m(x−α) h(x)
=x− mh(x)+(x−α)h′ (x)
.
Il est facile de voir que
m(h(α))2
φ′N M (α) = 1 − m(h(α))
= 0,
1.5. MÉTHODE DE NEWTON 31

ce qui implique la convergence quadratique de (xn )n avec

xn+1 −α 1 h′ (α)
lim 2 = φ”N M (α) = .
n→+∞ n −α)
(x 2 mh(α)

Exemple 32. Approcher le zéro de la fonction f définie par f (x) = ex −

x − 1 dans [−1, 1] utilisant la méthode de de Newton et la méthode de
Newton modifiée.
Solution. Il est facile de vérifier que α = 0 est un zéro de f . Comme on
peut le voir dans le tableau suivant, la méthode itérative définie par
(
x0 = 1
exn −xn −1 xn
xn+1 = xn − exn −1
= xn − 1 + exn −1
,

converge vers α = 0 et la convergence est linéaire.

n xn n xn n xn n xn
1 0.58198 5 0.04380 9 2.7750 × 10−3 13 1.7416 × 10−4
2 0.31906 6 0.02206 10 1.3881 × 10−3 14 8.8041 × 10−5
3 0.16800 7 0.01107 11 6.9411 × 10−4 15 4.2610 × 10−5
4 0.08635 8 0.00555 12 3.4703 × 10−4 16 1.9142 × 10−6

Convergence de la méthode de Newton pour f (x) = ex − x − 1 avec x0 = 1

en+1 en+1 en+1 en+1

n en n en n en n en
1 0.58 5 0.51 9 0.5 13 0.5
2 0.55 6 0.51 10 0.5 14 0.5
3 0.53 7 0.5 11 0.5 15 0.48
4 0.51 8 0.5 12 0.5 16 0.045

Ordre de convergence de la méthode de Newton

Ce résultat est prévisible vu que f ′ (0) = 0, i.e. α = 0 é de multiplicité 2.

Considérant alors la méthode de Newton modifiée définie par
(
x0 = 1
xn −x
n −1
xn+1 = xn − 2 e exn −1
= xn − 2 + 2 exxnn−1
on peut garantir la convergence en à peine 4 iterations.
1.5. MÉTHODE DE NEWTON 32

n xn n xn n xn n xn
1 0.16305 2 0.00448 3 4.6904 × 10−6 4 1.3453 × 10−6

Méthode de Newton modifiée pour f (x) = ex − x − 1 avec x0 = 1

Chapitre 2

Interpolation et approximation
polynômiale

2.1 Position du problème

Il existe plusieurs raisons qui peuvent nous amener à vouloir approcher
une fonction f par une autre fonction fe : son expression peut-être com-
pliquée, elle peut ne pas avoir de bonnes propriétés de régularité, elle
peut-être définie partiellement (par exemple à travers certains points sé-
lectionnés), etc. Considérons le tableau suivant
x0 x1 x2 ··· xn−1 xn
y0 y1 y2 ··· yn−1 yn

où x0 , x1 , · · · , xn sont distincts.

y0
y1 Πn
yn

y2

x0 x1 x2 xn

Exemple d’un polynôme d’interpolation de degré 3

33
2.1. POSITION DU PROBLÈME 34

Il paraît naturel d’exiger que fe satisfasse

fe(xi ) = yi i = 0, 1, 2, · · ·
Une telle fonction s’appelle fonction d’interpolation aux points xi , i =
0, 1, · · · , n. Plusieurs classes de fonctions d’interpolation peuvent être
considérées. Dans ce chapitre, nous nous restreignons aux polynômes
d’iinterpolation. Donc, considérant le tableau précédent, nous cherchons
un polynôme Πn de degré n tel que
Πn (xi ) = yi , i = 0, 1, 2, · · · , n (2.1)

Πn
f

x0 x1 xn
Exemple d’interpolation d’une fonction continue

Écrivant Πn x = a0 + a1 x + a2 x2 + · · · + an xn , et prenant en compte la

condition, on obtient le système


 a0 + a1 x0 + a2 x20 + · · · + an xn0 = y0


 a0 + a1 x1 + a2 x21 + · · · + an xn1 = y1
 ..

 .


a0 + a1 xn + a2 x2n + · · · + an xnn = yn
et de manière équivalente, on a le système matriciel suivant
 2 n    
1 x0 x0 · · · x0 a0 y0
 1 x1 x21 ··· xn1  a1   y1 
    
 .. .. .. .. ..  ..  =  .. 
 . . . . .  .   . 
1 x0 x20 · · · xn0 an yn
où la matrice est connue comme la matrice de Vandermonde. L’existence
et l’unicité du polynôme d’interpolation est équivalente à assurer que le
système est possible et déterminé pour x0 , x1 , · · · , xn distincts.
2.2. INTERPOLATION DE LAGRANGE 35

2.2 Interpolation de Lagrange

2.2.1 Base de Lagrange
Soit IP n [x] l’espace des polynômes de degré inférieur ou égal à n. Consi-
dère les polynômes ϕk ∈ IP n [x], k = 0, 1, · · · , n, définis par
Yn
(x − xi )
ϕk (x) = .
i=0
(xk − xi )
i6=k

Il est facile de vérifier que

(
ϕk (xk ) = 1,
ϕk (xi ) = 0 se i 6= k.

Autrement dit
ϕk (xi ) = δik ,
où δik est le symbole de Kronecker.
Théorème 33. Soient x0 , x1 , · · · , xn , n+1 points distincts. Alors la famille
(ϕk )k=0,1,··· ,n est une base de IP n [x] et tout Pn ∈ IP n [x] s’écrit sous la forme
n
X
Pn (x) = Pn (xk )ϕk (x).
k=0

Démonstration. Supposons que

n
X
αk ϕk (x) = 0 ∀x ∈ R.
k=0

Choisissant x = xi , i = 0, · · · , n, on obtient
n
X n
X
0= αk ϕk (xi ) = αk δik = αi
k=0 k=0

prouvant ainsi que la famille (ϕk )k=0,1,··· ,n est linéairement indépendante.

De l’autre côté, soit Pn ∈ IP n [x] et soit Qn le polynôme défini par
n
X
Qn = Pn (xk )ϕk .
k=0
2.2. INTERPOLATION DE LAGRANGE 36

Il est clair que Qn ∈ IP n [x] et que

(Pn − Qn )(xi ) = 0 i = 0, 1, · · · , n.
Le polynôme Pn − Qn admet donc (n + 1) racines et est de degré inférieur
ou égal à n. Il est donc nécessairement identiquement nul, i.e. Qn ≡ Πn .
Autrement dit n
X
Pn = Pn (xk )ϕk ,
k=0
montrant ainsi que (ϕk )k=0,1,··· ,n est une famille génératrice de IP n [x].

Exemple 34. Pour n = 1, x0 = −1 et x1 = 1, les polynômes de la base

.
Lagrange sont donnés par
(
ϕ0 (x) = xx−x 1
0 −x1
= − 12 (x − 1),
ϕ1 (x) = x−x0
x1 −x0
= 12 (x + 1).

Exemple 35. Pour n = 2, x0 = −1, x1 = 0 et x2 = 1, les polynômes de la

.
base Lagrange sont donnés par


 ϕ0 (x) = (x(x−x 1 )(x−x2 )
= 21 x(x − 1)

 0 −x1 )(x0 −x2 )

ϕ1 (x) = (x(x−x
−x
0 )(x−x2 )
)(x1 −x2 )
= −(x + 1)(x − 1)


1 0

 ϕ (x) = (x−x0 )(x−x1 ) = 1 x(x + 1)
2 (x2 −x0 )(x2 −x1 ) 2

ϕ0 ϕ2 ϕ1

Base de Lagrange para n = 2, x0 = −1, x1 = 0 e x2 = 1

2.2. INTERPOLATION DE LAGRANGE 37

2.2.2 Existence et unicité du polynôme d’interpolation

Le polynôme d’interpolation peut-être facilement décrit une fois la base
(ϕk )k correspondante connue. Ce polynôme, appelé polynôme d’interpo-
lation de Lagrange, est défini dans ce qui suit.

Théorème 36. Soient x0 , x1 , · · · , xn , n + 1 points distincts et soient y0 ,

y1 , · · · , yn , les valeurs associées. Le polynôme Πn ∈ IP n [x] défini par
n
X
Πn (x) = yk ϕk (x),
k=0

est l’unique polynôme d’interpolation aus points xi , i = 1, 2, · · · , n.

Démonstration. Il est facile de vérifier que pour tout i = 0, 1, · · · , n, on a
n
X
Πn (xi ) = yk ϕk (xi ) = yi ϕ(xi ) = yi ,
k=0

ce qui prouve que Πn est un polynôme d’interpolation aux points xi . Pour

établir l’unicité, supposons qu’il existe un polynôme Qn ∈ IP n [x] tel que
Qn (xi ) = yi . Alors Πn − Qn ∈ IP n [x] satisfait
(Πn − Qn )(xi ) = 0 i = 0, 1, · · · , n.
Ainsi, Πn − Qn admet (n + 1) racines et est de degré inférieur ou égal à n.
Il est donc nécessairement identiquement nul, i.e. Qn ≡ Πn .

Exemple 37. Considère la fonction f (x) = sin x dans [0, 3π].

.
1. Degré n = 1 avec x0 = 0 et x1 = 3π. On a
f (x0 ) = 0 et f (x1 ) = 0.
Le polynôme d’interpolation de f aux points x0 et x1 est donné par

Π1 (x) = f (x0 ) × ϕ0 (x) + f (x1 )ϕ1 (x) = 0.

2. Degré n = 2 avec x0 = 0, x1 = 3π
2
et x2 = 3π. On a
f (x0 ) = 0, f (x1 ) = −1 e f (x1 ) = 0.
2.3. FORMULE D’ITÉRATION DE NEWTON 38

Le polynôme d’interpolation de f aux points x0 , x1 et x2 est donné par

Π2 (x) = f (x0 ) × ϕ0 (x) + f (x1 )ϕ1 (x) + f (x2 )ϕ2 (x)
= f (x1 )ϕ1 (x) = −ϕ1 (x)

= − (x(x−x 0 )(x−x2 )
1 −x0 )(x1 −x2 )
= 4
9π 2
x(x − 3π)

Π4 (x)

sin x

0 3 6 9

Π2 (x)

Interpolation de f (x) = sin x dans [0, 3π]

2.3 Formule d’itération de Newton

Il s’agit d’une formule alternative pour le clacul du polynôme d’interpola-
tion, basée sur une construction successive à partir des polynômes de
degrés inférieurs.

2.3.1 Différences divisées

Commençons par introduire la notion de différence divisée.
Définition 38. Le coefficient de xn dans le polynôme de Lagrange Πn est
noté
f [x0 , x1 , · · · , xn ]
et s’appelle différence divisée d’ordre n des données (xi , yi )0≤i≤n .
2.3. FORMULE D’ITÉRATION DE NEWTON 39

Vu que
n
X n
X n
Y
x−xi
Πn (x) = yk ϕk (x) = yk xk −xi
,
k=0 k=0 i=0
i6=k

on a n
X
yk
f [x0 , x1 , · · · , xn ] = n
Y
k=0 (xk − xi )
i=0
i6=k

Proposition 39. Soit Πn le polynôme d’interpolation de Lagrange défini

par
Πn (xi ) = yi i = 0, 1, · · · , n,
et soit Πn+1 le polynôme d’interpolation de Lagrange défini par

Πn+1 (xi ) = yi i = 0, 1, · · · , n, n + 1.

Alors n
Y
Πn+1 (x) = Πn (x) + f [x0 , x1 , · · · , xn , xn+1 ] (x − xi ).
i=0
Démonstration. Soit Qn+1 le polynôme défini par
n
Y
Qn+1 (x) = Πn (x) + f [x0 , x1 , · · · , xn , xn+1 ] (x − xi ).
i=0

Pour tout xi , i = 0, 1, · · · , n, on a

(Qn+1 − Πn+1 ) (xi ) = Πn (xi ) − Πn+1 (xi ) = yi − yi = 0.

De l’autre côté, les polynômes Qn+1 et Πn+1 ont le même coefficient de

degré supérieur. Ainsi

Qn+1 − Πn+1 est de degré n et possède n + 1 zéros

et donc
Qn+1 = Πn+1 .
Conséquence.
2.3. FORMULE D’ITÉRATION DE NEWTON 40

Π0 (x) = y0

Π1 (x) = Π0 (x) + f [x0 , x1 ](x − x0 )

= y0 + f [x0 , x1 ](x − x0 )

Π2 (x) = Π1 (x) + f [x0 , x1 , x1 ](x − x0 )(x − x1 )

= y0 + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x1 ](x − x0 )(x − x1 )

Par récurrence, nous déduisons la forme de Newton avec des différences

divisées pour le polynôme d’interpolation

Πn (x) = y0
+f [x0 , x1 ](x − x0 )
+f [x0 , x1 , x2 ](x − x0 )(x − x1 )
+···
+f [x0 , x1 , · · · , xn ](x − x0 )(x − x1 ) · · · (x − xn−1 ).

2.3.2 Calcul effectif des différences divisées

On peut prouver qu’une différence d’ordre n est liée avec deux différences
d’ordre (n − 1) de la manière suivante

f [xi+1 , xi+1 , · · · , xi+k ] − f [xi , xi+1 , · · · , xi+k−1 ]

f [xi , xi+1 , · · · , xi+k ] = .
xi+k − xi

Se basant sur ce résultat, on utilise en pratique le tableau des différences

divisées

x0 y0 = f [x0 ]
x1 y1 = f [x1 ] f [x0 , x1 ]
x2 y2 = f [x2 ] f [x1 , x2 ] f [x0 , x1 , x2 ]
x3 y3 = f [x3 ] f [x2 , x3 ] f [x1 , x2 , x3 ] f [x0 , x1 , x2 , x4 ]

TABLE 2.1 – Organisation des différences divisées de Newton

2.3. FORMULE D’ITÉRATION DE NEWTON 41

Exemple 40. Considère la fonction f définie par f (x) = sin(πx) dans

. 1] et soit Π le polynôme d’interpolation de degré 4 aux points x =
[−1, 4 i
−1 + 2i , i = 0, 1, · · · , 4.
Le tableau des des différences divisées est donné par

−1 0
−1−0
−0.5 −1 −0.5−(−1)
= −2
0−(−1) 2−(−2)
0 0 0−(−0.5)
=2 0−(−1)
=4
1−0 2−2 0−4
0.5 1 0.5−0
=2 0.5−(−0.5)
=0 0.5−(−1)
= − 83
0−1 −2−2 −4−0
1 0 1−0.5
= −2 1−0
= −4 1−(−0.5)
= − 83 0

Le polynôme d’interpolation correspondant est alors donné par

Π4 (x) = 0 − 2(x + 1) + 4(x + 1)(x + 0.5) − 38 (x + 1)(x + 0.5)x

+0(x + 1)(x + 0.5)x(x − 0.5)
= −2(x + 1) + 4(x + 1)(x + 0.5) − 38 (x + 1)(x + 0.5)x

2.3.3 Cas des points équidistants : différences finies

Considère la suite de données (xi , yi )0≤i≤n . On définit l’opérateur ∆yi

∆yi = yi+1 − yi i = 0, 1, · · · n − 1

et, de manière récursive, l’opérateur d’ordre supérieur ∆k yi

∆k yi = ∆(∆k−1 yi ) k = 2, · · · .

La forme d’interpolation de Newton avec des différences divisées est va-

lable dans le cas d’une distribution qualconque de points. Si la distribution
est uniforme de pas h, on peut prouver que
1
f [x0 , x1 , x2 , · · · , xn ] = ∆n y0 .
n!hn
2.3. FORMULE D’ITÉRATION DE NEWTON 42

Par conséquent, on obtient la forme de Newton avec des différences finies

pour le polynôme d’interpolation
Πn (x) = y0
∆y0
+ (x − x0 )
h
∆2 y0
+ (x − x0 )(x − x1 )
2!h2
+···
∆n y0
+ (x − x0 )(x − x1 ) · · · (x − xn−1 )
n!hn

2.3.4 Calcul effectif des différences finies

Dans la pratique, on utilise le tableau des différences finies

x0 y0
x1 y1 ∆y0
x2 y2 ∆y1 ∆2 y0
x3 y3 ∆y2 ∆2 y1 ∆3 y0
x4 y4 ∆y3 ∆2 y3 ∆3 y1 ∆4 y0

TABLE 2.2 – Organisation des différences finies de Newton

Exemple 41. Considère la fonction f définie par f (x) = sin(πx) dans

. 1] et soit Π le polynôme d’interpolation de degré 4 aux points x =
[−1, 4 i
−1 + 2i , i = 0, 1, · · · , 4.
Le tableau des des différences finies est donné par
Le polynôme d’interpolation correspondant est alors donné par
1 2
Π4 (x) = 0 − 1!(0.5)
(x + 1) + 2!(0.5)2
(x + 1)(x + 0.5)
2 0
− 3!(0.5)3 (x + 1)(x + 0.5)x + 4!(0.5)4
(x + 1)(x + 0.5)x(x − 0.5)
= −2(x + 1) + 4(x + 1)(x + 0.5) − 83 (x + 1)(x + 0.5)x.
2.4. ERREUR D’INTERPOLATION 43

−1 0
−0.5 −1 −1 − 0 = −1
0 0 0 − (−1) = 1 1 − (−1) = 2
0.5 1 1−0=1 1−1 =0 0 − 2 = −2
1 0 0 − 1 = −1 −1 − 1 = −2 −2 − 0 = −2 0

2.4 Erreur d’interpolation

2.4.1 Erreur d’interpolation d’une fonction régulière
Théorème 42. Soit f ∈ C n+1 ([a, b]) et soit Πn le polynôme d’interpolation
de f aux points x0 , x1 , · · · , xn . Alors pour tout x ∈ [a, b], il existe ζ(x) ∈
[a, b] tel que l’erreur d’interpolation f − Πn satisfait
n
Y
f (n+1) (ζ)
f (x) − Πn (x) = (n+1)!
(x − xi ).
i=0

Démonstration. 1. Si x = xi , i = 0, 1, · · · , n, alors le résultat est toujours

vrai.
2. Si x 6= xi , on considère la fonction
f (x)−Πn (x)
F (t) = f (t) − Πn (t) − ωn (x)
ωn (t),

où n
Y
ωn (x) = (x − xi ) = (x − x0 )(x − x1 ) · · · (x − xn ).
i=0

Il est facile de voir que

F (x) = 0 e F (xi ) = 0 pour tout i = 0, 1, · · · , n

et donc
F possède au moins n + 2 zéros dans [a, b].
Appliquant le théorème de Rolle, il vient que
2.4. ERREUR D’INTERPOLATION 44

F ′ possède au moins n + 1 zéros dans [a, b]

F ” possède au moins n zéros dans [a, b]
..
.
F (n+1) possède au moins 1 zéros dans [a, b].

Il existe alors ζ ∈]a, b[ tel que

F (n+1) (ζ) = 0.

Vu que
f (x)−Πn (x)
F (n+1) (t) = f (n+1) (t) − Π(n+1)
n (t) − ωn (x)
(ωn (t))(n+1)
f (x)−Πn (x)
= f (n+1) (t) − ωn (x)
(n + 1)!,

nous concluons que

f (x)−Πn (x)
f (n+1) (ζ) − ωn (x)
(n + 1)! = 0.

Autrement dit
f (n+1) (ζ)
f (x) − Πn (x) = (n+1)!
ωn (x).

2.4.2 Erreur d’interpolation : cas d’une distribution uni-

forme de points
Théorème 43. Soit f ∈ C n+1 ([a, b]) et soit Πn le polynôme d’interpolation
f aux points équidistants (xi )0≤i≤n définis par
b−a
xi = a + i h avec h= n
.

L’erreur d’interpolation f − Πn satisfait

hn+1
max |f (x) − Πn (x)| ≤ max f (n+1) (t) 4(n+1)
.
x∈[a,b] t∈[a,b]

Démonstration. Du théorème précédent, nous savons que pour tout

2.4. ERREUR D’INTERPOLATION 45

x ∈ [a, b] il existe ζ ∈ [a, b] tel que

n
Y
f (n+1) (ζ)
|f (x) − Πn (x)| = (n+1)!
(x − xi )
i=0
n
|f (n+1) (ζ)| Y
= (n+1)!
(x − xi )
i=0
(n+1)
max f (t) Y
n
t∈[a,b]
≤ (n+1)!
(x − xi ) .
i=0
n
Y
Il nous manque d’estimer (x − xi ) . Vu que x ∈]x0 , xn [, il existe un
i=0
intervalle ]xi , xi+1 [ tel que x ∈]xi , xi+1 [. Supposons pour simplifier que x ∈
]x0 , x1 [. Alors
|x − x2 | ≤ |x − x1 | + |x1 − x2 | ≤ 2h
|x − x3 | ≤ |x − x2 | + |x2 − x3 | ≤ 3h
···
|x − xn | ≤ |x − xn−1 | + |xn−1 − xn | ≤ nh,
et par conséquent
n
Y n
Y
(x − xi ) = |(x − x0 )(x − x1 )| |x − xi |
i=0 i=2

≤ |(x − x0 )(x − x1 )| (2h)(3h) · · · (nh)

= (x − x0 )(x1 − x) n!hn−1 .
Dans l’intervalle [x0 , x1 ], la fonction (x − x0 )(x − x1 ) atteint son maximum
au point x∗ = x0 +x
2
1
et donc
(x − x0 )(x1 − x) ≤ (x∗ − x0 )(x1 − x∗ )
h2
= 41 (x1 − x0 )2 = 4
.
Ainsi,
n
Y  2
hn+1
(x − xi ) ≤ h4 n!hn−1 = 4
n!,
i=0
2.4. ERREUR D’INTERPOLATION 46

et
max f (n+1) (t) Y
n
t∈[a,b]
|f (x) − Πn (x)| ≤ (n+1)!
(x − xi )
i=0 .
(n+1)
max f (t)
t∈[a,b]
≤ 4(n+1)
hn+1

Remarque 44. Ce résultat est intéressant si la quantité

max f (n+1) (t)

t∈[a,b] b−a n+1
En = 4(n+1) n

tend vers zéro quand n tend vers l’infini. Il est suffisant, par exemple, qu’il
existe M > 0 indépendent de n tel que

max f (n+1) (x) ≤ M.

x∈[a,b]

Ainsi
lim En = 0,
n→+∞

ce qui garantit la convergence de la méthode pour un nombre de points

d’interpolation suffisamment élevé.

Exemple 45. Considère la fonction f définie par f (x) = sin(πx) dans

. 1] et soit Π le polynôme d’interpolation de degré n aux points équi-
[−1, n
distants xi = −1 + 2i
n
, i = 0, 1, · · · , n. Vu que

f (n+1) (x) ≤ π n+1 pour tout x ∈ [−1, 1]

il vient que l’erreur d’interpolation satisfait

π n+1


2 n+1
max |sin(πx) − Πn (x)| ≤ 4(n+1) n
x∈[−1,1]

1


2π n+1
= 4(n+1) n

−→ 0 quand n → +∞.
2.4. ERREUR D’INTERPOLATION 47

0.5

−1.0 −0.5 0 0.5 1.0

(a) Fonction d’erreur E4 (x) = |sin(πx) − Π4 (x)|

0.05

−1.0 −0.5 0 0.5 1.0

(b) Fonction d’erreur E5 (x) = |sin(πx) − Π5 (x)|

0.005

−1.00 −0.75 −0.50 −0.25 0 0.25 0.50 0.75 1.00

(c) Fonction d’erreur E8 (x) = |sin(πx) − Π8 (x)|

2.5. PHÉNOMÈNE DE RUNGE 48

2.5 Phénomène de Runge

Considère la fonction de Runge définie par f (x) = 1+x
1
2 dans [−5, 5] et soit

Πn le polynôme d’interpolation de f aux points équidistants xi = −5 + 10i n

,
i = 0, 1, · · · , n.

1.5

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge avec 6 points équidistants

Dans le cas de points équidistants, le polynôme d’interpolation présente

des oscillations dans le voisinage des extrémités de l’intervalle. Ces oscil-
lations augmentent avec le nombre de points d’interpolation.

1.5

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge avec 11 points équidistants

2.5. PHÉNOMÈNE DE RUNGE 49

1.5

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Points équidistants- Fonction d’erreur E5 (x) = 1

1+x2
− Π5 (x)

1.5

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

1
Points équidistants- Fonction d’erreur E10 (x) = 1+x2 − Π10 (x)

Remède. Le phénomène de Runge peut-être évité si on considère une

distribution adéquate des noeuds d’interpolation. En particulier, on peut
considérer les points de Chebyshev définis dans [a, b] par


xi = a+b
2
− b−a
2
cos iπ
n
, i = 0, 1, · · · , n.

Ces points appartiennent à [a, b], ne sont pas équidistants et s’accumullent

près des extrémités de l’intervalle.
2.5. PHÉNOMÈNE DE RUNGE 50

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge avec 6 points de Chebychev

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge avec 11 points de Chebychev

Contrairement à ce qui se passe dans le cas de points équidistants, les

oscillations dispraraîssent et l’erreur diminue quand le nombre des points
de Chebychev augmente.

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Points de Chebychev- Fonction d’erreur E5 (x) = 1

1+x2
− Π5 (x)
2.6. INTERPOLATION PAR INTERVALLES 51

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

1
Points de Chebychev- Fonction d’erreur E10 (x) = 1+x2
− Π10 (x)

2.6 Interpolation par intervalles

2.6.1 Interpolation linéaire par intervalle
L’interpolation utilisant les points de Chebyshev est une méthode d’ap-
proximation précise et bien adaptée dans le cas de fonctions régulières et
dont l’expression analytique est connue. Si la fonction n’est pas régulière
ou si elle est connue en des points qui ne coincident pas avec les noeuds
de Chebychev, on peut considérer un autre type d’interpolation appelé in-
terpolation linéaire par intervalle.
Plus précisemment, soient x0 = a < x1 < x2 < · · · < xn = b, (n + 1)
points qui divisent l’intervalle [a, b] en n sous-intervalles Ik = [xk , xk+1 ] de
longueur h = b−an
.
L’idée est d’approcher f par une fonction continue qui, en chaque sous-
intervalle Ik , est donné par le segment qui relie les deux points (xk , f (xk ))
et (xk+1 , f (xk+1 ). Cette fonction, notée Πh1 , est un polynôme de degré 1 sur
chaque sous-intervalle et don expression est donnée par
f (xk+1 )−f (xk )
Πh1 (x) = f (xk ) + xk+1 −xk
(x − xk ) x ∈ Ik .

Théorème 46. Soit f ∈ C 2 ([a, b]) et soient x0 = a < x1 < · · · < xn =

b, (n + 1) point dui divisent l’intervalle [a, b] en n sous-intervalles Ik =
[xk , xk+1 ] de longueur h = b−a
n
. Alors,
h2
max f (x) − Πhi (x) ≤ max |f ”(x)|
8 x∈[a,b]
x∈[a,b]
2.6. INTERPOLATION PAR INTERVALLES 52

Démonstration. De la formule d’erreur d’interpolation pour une fonction

régulière, nous déduisons que sur chaque sous-intervalle Ik , on a
h2
max f (x) − Πhi (x) ≤ max |f ”(t)| .
8 t∈I
x∈Ik k

Le résultat est alors une conséquence directe de cette estimation.

Exemple 47. Considérons les fonctions Πh1 linéaires par section qui in-
.
terpollent la fonction de Runge dans [−5, 5] avec 5 et 10 sous-intervalles.

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge par Πh1 avec h = 2

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge par Πh1 avec h = 1

2.7. INTERPOLATION PAR DES SPLINES CUBIQUES 53

2.6.2 Interpolation par intervalle avec des polynômes de

degré supérieur
Si f ∈ C (n+1) ([a, b]), au lieu d’une interpolation linéaire, on peut considé-
rer des polynômes d’interpolation de degré supérieur dans chaque sous-
intervalle. De la même manière, on obtient l’estimation d’erreur suivante
hn+1
max f (x) − Πhi (x) ≤ max
4(n+1) t∈[a,b]
f (n+1) (t) .
x∈[a,b]

Exemple 48. Considère le polynôme Πh2 de degré 2 qui interpolle la fonc-

. de Runge dans [−5, 5] avec 5 sous-intervalles.
tion

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation de la fonction de Runge par Πh2 avec h = 2

2.7 Interpolation par des splines cubiques

L’inconvénient principal de l’interpolation par intervalles est que la fonction
ainsi obtenue n’est en général pas plus qu’une fonction continue. Il existe
beaucoup d’applications où il est préférable avoir une fonction d’approxi-
mation régulière avec, au moins, une dérivée continue. D’où l’intérêt de
considérer la classe des plines cubiques.
Soient alors x0 = a < x1 < · · · < xn = b, (n + 1) points que divisent
l’intervalle [a, b] en n sous-intervalles [xi , xi+1 ] de longueur hi = xi+1 − xi .
2.7. INTERPOLATION PAR DES SPLINES CUBIQUES 54

Définition 49. Un spline cubique d’interpolation est une fonction g tel que

g(xi ) = yi , i = 0, 1, · · · , n,
Dans chaque sous-intervalle [xi , xi+1 ], g coincide avec um poly-
nôme de degré 3,
g ∈ C 2 [a, b].

2.7.1 Détermination du spline naturel

Soit gi un polynôme de degré 3 qui coincide avec g dans [xi , xi+1 ]. Dans
ce sous-intervalle la fonction gi ” est un polynôme de degré 1 et est deter-
minée par deux valeurs

mi = gi ”(xi ) et mi+1 = gi ”(xi+1 )

Autrement dit, pour tout x ∈ [xi , xi+1 ], on a

−x
gi ”(x) = mi+1 x−x
hi
i
+ mi xi+1
hi

avec hi = xi+1 − xi . Intégrant une première, et après une seconde fois, on

obtient
2 2
gi′ (x) = mi+1 (x−x
2hi
i)
− mi (xi+1 −x)
2hi
+ ai
3 3
gi (x) = mi+1 (x−x
6hi
i)
+ mi (xi+1
6hi
−x)
+ ai (x − xi ) + bi ,

où ai et bi sont des constantes à déterminer. Utilisant le fait que xi et xi+1

sont des points d’interpolation, il vient que
(  2
gi (xi ) = yi  yi = mi hi + bi
6
⇐⇒
gi (xi+1 ) = yi+1  h2
yi+1 = mi+1 6i + ai hi + bi
 2
 bi = yi − mi hi
6
⇐⇒
 a = 1 (y − y ) − hi (m − m ).
i hi i+1 i 6 i+1 i
2.7. INTERPOLATION PAR DES SPLINES CUBIQUES 55

Par conséquent, pour x ∈ [xi , xi+1 ], le spline cubique gi s’écrit

gi (x) = mi
6hi
(xi+1 − x)3 + m6hi+1
i
(x − xi )3
 
h2
+ h1i yi − mi 6i (xi+1 − x)
 
h2
+ h1i yi+1 − mi+1 6i (x − xi ) i = 0, 1, · · · , n − 1.

De l’autre côté, vu que g ′ est continue, pour i = 1, 2, · · · , n − 1, on a

gi′ (xi ) = gi−1

′
(xi ) ⇐⇒ −mi h2i + ai = mi hi−1
2
+ ai−1 .

Par conséquent, pour i = 1, · · · , n − 1, les coefficients mi satisfont les

équations
 
hi−1 mi−1 + 2(hi + hi−1 ) mi + hi mi+1 = 6 yi+1hi−yi − yih−y i−1
i−1
.

On a n+1 inconnues m0 , m1 , · · · , mn−1 , mn et n−1 equations. Nous avons

besoin de deux conditions supplémentaires. Il existe pour cela plusiseurs
possibilités. Par exemple,

m0 = mn = 0 spline cubique naturel.

Remarque 50. Le système obtenu peut s’écrire sous la forme matricielle

   
m1 s1
   
 m2   s2 
   
   
 ..   .. 
A  .  =  . ,
   
   
 mn−2   sn−2 
   
mn−1 sn−1

où  
yi+1 −yi yi −yi−1
si = 6 hi
− hi−1
,

et où A est une matrice tridiagonale dépendant de hi , i = 1, · · · , n − 1

2.7. INTERPOLATION PAR DES SPLINES CUBIQUES 56

définie par
 
2(h0 + h1 ) h1 0 0 ··· 0
 h1 2(h1 + h2 ) h2 0 ··· 0 
 
 
 0 h2 2(h2 + h3 ) h3 ··· 0 
 
 . . . . . . .
 .. .. .. .. .. .. 
 
 
 0 ··· hn−2 2(hn−2 + hn−1 ) hn−1 0 
0 ··· ··· 0 hn−2 2(hn−1 + hn )

2.7.2 Erreur d’interpolation

Théorème 51. Soit f ∈ C 4 ([a, b]) et soit g un spline cubique d’interpola-
tion de f . On a les estimations suivantes de l’erreur d’approximation

max kf (x) − g(x)k ≤ 5

384
h4 max f (4) (x) ,
x∈[a,b] x∈[a,b]

max kf ′ (x) − g ′(x)k ≤ 1 3

24
h max f (4) (x) ,
x∈[a,b] x∈[a,b]

max kf ”(x) − g”(x)k ≤ 38 h2 max f (4) (x) ,

x∈[a,b] x∈[a,b]
 
max f (3) (x) − g (3) (x) ≤ 12 β + β1 h max f (4) (x) ,
x∈[a,b] x∈[a,b]

h
où h = max hi et β = mini hi
.
i=0,··· ,n−1

Ce résultat montre que non seulement f mais aussi ses dérivées d’ordre
1, 2 et 3 sont approchées de manière précise quand h tend vers zéro.

−5 −4 −3 −2 −1 0 1 2 3 4 5
2.8. MÉTHODE DES MOINDRES CARRÉS 57

Interpolation par un spline cubique naturel de la fonction de Runge avec n = 5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Interpolation par un spline cubique naturel de la fonction de Runge avec n = 10

2.8 Méthode des moindres carrés

Comme déjà indiqué dans les sections antérieures, augmenter le degré
du polynôme d’interpolation de Lagrange ne garantit pas une meilleure
approximation d’une fonction donnée. Un remède possible est de consi-
dérer une interpolation par intervalles (interpolation linéaire par intervalles
par exemple). Cependant, ces méthodes ne sont pas indiquées si on veut
extrapoler des informations à partir des données disponibles, i.e. si on veut
engendrer de nouvelles valeures correspondant à des points extérieurs à
l’intervalle où se trouvent les points d’interpolation.
Considérons n + 1 points x0 , x1 , · · · , xn et des mesures associées y0 , y1 ,
· · · , yn . Pour 1 ≤ m << n, on cherche un polynôme Pm de degré m qui
approche les données au sens des moindres carrés, autrement dit tel que
n
X n
X
2
|yi − Pm (xi )| ≤ |yi − Qm (xi )|2 ,
i=0 i=0

pour tout polynôme Qm de degré m. S’il existe, le polynôme Pm est

appelé approximation dans le sens des moindres carrés des données
(xi , yi )i=0,··· ,n .
Vu que m < n, il n’est en général pas possible de garantir que Pm (xi ) = yi
pour tout i.
2.8. MÉTHODE DES MOINDRES CARRÉS 58

Si Pm (x) = a0 + a1 x + · · · + am xm , le problème o problema des moindres

carrés peut-être réécrit sous la forme

Φ(a0 , a1 , · · · , am ) = min Φ(b0 , b1 , · · · , bm ),

bi , i=0,1,··· ,m

où Φ est définie par

n
X 2
Φ(b0 , b1 , · · · , bm ) = |yi − (b0 + b1 xi + · · · + bm xm
i )| .
i=0

Le vecteur (a0 , a1 , · · · , am ) où Φ ateint son minimum doit satisfaire les

conditions nécessaires d’optimalité
∂Φ
∂bi
(a0 , a1 , · · · , am ) = 0 i = 0, 1, · · · , m.

Pour simplifier, supposons que m = 1. Alors

n
X

Φ(b0 , b1 ) = yi2 + b20 + b21 x2i + 2b0 b1 xi − 2b0 yi − 2b1 xi yi .
i=0

Des conditions nécessaires d’optimalité

∂Φ ∂Φ
∂b0
(a0 , a1 ) = ∂b1
(a0 , a1 ) = 0,

nous déduisons que (a0 , a1 ) satisfait le système linéaire

 n n
 X X

 a (n + 1) + a1 xi = yi

 0
i=0 i=0
 n
X n
X n
X



 a0 xi + a1 x2i = xi yi
i=0 i=0 i=0

et que la solution s’écrit

 n n n n
!

 X X X X
 a0 = 1

 D
yi x2j − xj xi yi ,
 i=0 j=0 j=0 i=0
!

 n
X n
X n
X

 1
 a1 =
 D
(n + 1) xi yi − xj yi ,
i=0 j=0 i=0
2.8. MÉTHODE DES MOINDRES CARRÉS 59

où !2
n
X n
X
D = (n + 1) x2i − xi .
i=0 i=0

Le polynôme correspondant P1 (x) = a0 + a1 x est la fameuse droite de

régression.
Dans le cas général, on obtient le système linéaire suivant
 n n n
 X X X

 a (n + 1) + a x + · · · a (x ) m
= yi

 0 1 i m i

 i=0 i=0 i=0



 Xn X n Xn X n


 a0 xi + a1 x2i + · · · am (xi )m+1 = xi yi
i=0 i=0 i=0 i=0



 ..

 .



 n
X n
X n
X n
X

 m m+1 2m

 a0 (xi ) + a1 (xi ) + · · · am (xi ) = (xi )m yi .
i=0 i=0 i=0 i=0

Remarquons que quand m = n, le polyôme obtenu par la méthode des

moindres carrés coincide avec le polynôme d’interpolation de Lagrange.
2.8. MÉTHODE DES MOINDRES CARRÉS 60

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Fonction de Runge : aproximation par la méthode des moindres carrés avec

m = 6 et n = 20

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Fonction de Runge : aproximation par la méthode des moindres carrés avec

m = 6 et n = 100

1.0

0.5

−5 −4 −3 −2 −1 0 1 2 3 4 5

Fonction de Runge : aproximation par la méthode des moindres carrés avec

m = 10 et n = 100