Interpolation Polynomiale

Chapitre 2

Methodes Numeriques (Chapt 2) 1

 Introduction
La méthode fréquemment utilisée pour estimer des valeurs
intermédiaires entre des valeurs précises est l’interpolation
polynomiale.
Un polynôme de degré n est définie par:
𝑓𝑛 𝑥 = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛;1 + ⋯ . . +𝑎𝑛
Le polynôme fn est défini si les coefficients (ai) sont connus.

Théorème de Weirstarss:
Si f(x) est une fonction continue sur l ’intervalle [a,b], pour tout ε>0, il
éxiste un polynôme interpolation Pn(x) tel que n dépend de ε et qui
réalise la meilleur approximation de f(x):
|fn(x)-f(x)|<ε

Si le polynôme fn(x) passe par tout les points (xi,yi)i=1,N, alors il est
unique.

Methodes Numeriques (Chapt 2) 2

 1. Introduction
Supposons qu’on veut déterminer un polynôme de degré 3 (ax3+ bx2+cx+d) qui passe par
les 4 points suivants:

x 1 2.7 3.2 4.8

F(x) 14.2 17.8 22.0 38.3

Pour déterminer le polynôme ( c.a.d déterminer les coefficients a, b, c et d) il faut résoudre le

système d’ équations suivants.
P𝑜𝑢𝑟
𝑥=1 a(1.0)3+b(1.0)2+c(1.0)+d=14.2
x=2.7 a(2.7)3+b(2.7)2+c(2.7)+d=17.8
x=3.2 a(3.2)3+b(3.2)2+c(3.2)+d=22.0
x=4.8 a(4.8)3+b(4.8)2+c(4.8)+d=38.3

Si on plus de points on doit résoudre un système plus grand. Cette méthode est
compliquée. On a besoin de méthodes plus simples et plus directes pour trouver les
coefficients du polynômes. Dans ce chapitre on va présenter deux méthodes
facilement programmable; qui sont l’interpolation de Newton et l’interpolation de
Lagrange.

Methodes Numeriques (Chapt 2) 3

 2.0 Interpolation de Newton
Il existe une variété de méthodes
d’interpolations. La méthode de Newton
est l’une des plus populaire. On introduira
d’abords la version d’ordre 1 et 2.
2.1 Interpolation Linéaire (ordre 1):
C’est la forme la plus simple qui connecte
deux points avec une ligne droite, figure 1.
En utilisant les triangles similaires:
𝑓1 𝑥 − 𝑓(𝑥0 ) 𝑓 𝑥1 − 𝑓(𝑥0 )
=
𝑥 − 𝑥0 𝑥1 − 𝑥0
D’où;
𝑓 𝑥1 ;𝑓(𝑥0 )
𝑓1 𝑥 = 𝑓 𝑥0 + 𝑥1 ;𝑥0
(𝑥 − 𝑥0 )

𝑓1 𝑥 représente le polynôme
d’interpolation d’ordre 1.

𝑓 𝑥1 ;𝑓(𝑥0 ) Figure 1
𝑥1 ;𝑥0
représente la différence finie
divisée approximant la première dérivée.

Methodes Numeriques (Chapt 2) 4

 2.0 Interpolation de Newton
Exemple 1
Ln1=0; Ln6= 1.791759; Ln4=1.386294
Déterminer la valeur de Ln 2 en effectuant une
interpolation entre Ln 1 et Ln 6 puis entre Ln1
e.t Ln 4. La valeur exacte de Ln2=0.6931472.

 Interpolation entre Ln1 et Ln 6 donne:

1.791759 − 0
𝑓1 2 = 0 + 2−1
6−1
= 0.3583519
ε=(0.6931472-
0.3583519)/0.6931472=0.483=48.3%

 Interpolation entre Ln1 et Ln 4 donne:

1.386294 − 0
𝑓1 2 = 0 + 2−1
4−1
= 0.4620981
ε=(0.6931472-
0.4620981)/0.6931472=0.333=33.3%
Utilisant un intervalle plus petit donne une
meilleur approximation.

Methodes Numeriques (Chapt 2) 5

 2.0 Interpolation de Newton
2.2 Interpolation Quadratique:
L’erreur de l’exemple est due a l’approximation d’une courbe par une ligne
droite. Donc pour une meilleur approximation, il faut introduire une certaine
courbure a la ligne qui joint les points. Ci on a trois points, on utilise un
polynôme de degré deux sous la forme:
𝑓2 𝑥 = 𝑏0 + 𝑏1 𝑥 − 𝑥0 + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )

Pour x=x0 on détermine b0=f(x0).

𝑓 𝑥1 ;𝑓(𝑥0 )
Pour x=x1: 𝑏1 =
𝑥1 ;𝑥0

𝑓 𝑥2 ;𝑓(𝑥1 ) 𝑓 𝑥1 ;𝑓(𝑥0 )
𝑥2 ;𝑥1
; 𝑥 ;𝑥
1 0
Pour x=x2: 𝑏2 =
𝑥2 ;𝑥0

Methodes Numeriques (Chapt 2) 6

 2.0 Interpolation de Newton
• Refaire l'exemple avec une interpolation quadratique.

x0=1 x1=4 x2=6 x=2

f(x0)=0 f(x1)=1.386294 f(x2)=1.791759 f(x)=?

b0=0;
𝑓 𝑥1 ;𝑓(𝑥0 ) 1.386294;0
𝑏1 = = =0.4620981
𝑥1 ;𝑥0 4;1
𝑓 𝑥2 ;𝑓(𝑥1 ) 𝑓 𝑥1 ;𝑓(𝑥0 ) 1.791759;1.386294 1.386294;0
; 𝑥 ;𝑥 ;
𝑥2 ;𝑥1 1 0 6;4 4;1
𝑏2 = = =-0.518731
𝑥2 ;𝑥0 6;1
𝑓2 2 = 0 + 0.4620981 2 − 1 − 0.518731 (2 − 1)(2 − 4)=0.5658444

Donc ε=18.4%
La courbure introduite améliore l’estimation

Methodes Numeriques (Chapt 2) 7

Methodes Numeriques (Chapt 2) 8
 2.0 Interpolation de Newton
• 2.3 Généralisation de la methode de Newton:
Pour n+1 points, on obtient un polynôme d’ordre n :

𝑓𝑛 𝑥 = 𝑏0 + 𝑏1 𝑥 − 𝑥0 + ⋯ . +𝑏𝑛 𝑥 − 𝑥0 𝑥 − 𝑥1 … . (𝑥 − 𝑥𝑛;1 )

Avec:
b0=f(x0).
b1=f[x1,x0]
b2=f[x2, x1,x0]
.
.
bn=f[xn, xn-1,…..,x1, x0]
avec:
f[xi,xj] qui représente une différence finie divisée.

Methodes Numeriques (Chapt 2) 9

• 2.3 Généralisation de la methode de Newton:

𝑓 𝑥𝑖 − 𝑓(𝑥𝑗 )
𝑓 𝑥𝑖 , 𝑥𝑗 =
(𝑥𝑖 − 𝑥𝑗 )
𝑓[𝑥𝑖 , 𝑥𝑗 ] − 𝑓[𝑥𝑗 , 𝑥𝑘 ]
𝑓 𝑥𝑖 , 𝑥𝑗, 𝑥𝑘 =
𝑥𝑖 − 𝑥𝑘
𝑓 𝑥𝑛 , 𝑥𝑛;1 , … 𝑥1 , 𝑥0
𝑓[𝑥𝑛 , 𝑥𝑛;1 , … , 𝑥1 ] − 𝑓[𝑥𝑛;1 , 𝑥𝑛;2 , … . . 𝑥0 ]
=
𝑥𝑛 − 𝑥0

Methodes Numeriques (Chapt 2) 10

 2.0 Interpolation de Newton
2.4 Table des différences divisées

Methodes Numeriques (Chapt 2) 11

 2.0 Interpolation de Newton
• Ces différences divisées seront utilisées pour évaluer les coefficients
du polynôme d interpolation.

𝑓𝑛 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥1 , 𝑥0 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥2 , 𝑥1 , 𝑥0 +
⋯ … . . + 𝑥 − 𝑥0 𝑥 − 𝑥1 … . . 𝑥 − 𝑥𝑛;1 𝑓 𝑥𝑛 , 𝑥𝑛;1 , … … … . . , 𝑥0 .

Methodes Numeriques (Chapt 2) 12

 2.0 Interpolation de Newton
• 2.5 Exemple:

x0=1 x1=4 x2=6 x3 =5

f(x0)=0 f(x1)=1.386294 f(x2)=1.791759 f(x3)=1.609438

Le polynôme d’interpolation d’ordre 3 est:

𝑓3 𝑥 = 𝑏0 + 𝑏1 𝑥 − 𝑥0 + 𝑏2 𝑥 − 𝑥0 𝑥 − 𝑥1 + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

f[x1,x0]=(1.38624-0)/(4-1)=0.4620981
f[x2,x1]=(1.791759-1.386294)/(6-4)=0.2027326
f[x3,x2]=(1.609438-1.791759)/(5-6)=0.1823216

Methodes Numeriques (Chapt 2) 13

 2.0 Interpolation de Newton
• f[x2,x1,x0]=(0.2027326-0.4620981)/(6-1)=-0.05187311
• f[x3,x2,x1]=(0.1823216-0.2027326)/(5-4)=-0.02041100

• f[x3,x2,x1,x0]=(-0.02041100-(-0.05187311))/(5-1)=0.007865529

• On obtient donc le polynôme d’interpolation suivant:

𝑓3 𝑥 = 0 + 0.4620981 𝑥 − 1 − 0.05187311 𝑥 − 1 𝑥 − 4
+ 0.007865529(𝑥 − 1)(𝑥 − 4)(𝑥 − 6)

On l’utilise pour évaluer f3(2)=0.6287686.

Pour un polynôme de degré 3, l’erreur n est que de 9.3%.

Methodes Numeriques (Chapt 2) 14

Methodes Numeriques (Chapt 2) 15
 2.0 Interpolation de Newton
• 2.6 Calcul d’erreur:
L’erreur peut être estimé avec la formule suivante:
𝜀 = 𝑓 𝑥𝑛:1 , 𝑥𝑛 , … . , 𝑥0 𝑥 − 𝑥0 𝑥 − 𝑥1 … (𝑥 − 𝑥𝑛 )
Pour utiliser cette formule il faut avoir un point additionnel xn+1.
Considérant l’exemple du polynôme quadratique, on a trouve que
f2(2)=0.5658444 qui représente une erreur de
ε=0.6931472-0.5658444=0.1273028.
Si la valeur exacte n’était pas connue, on aurait pu estime l’erreur avec la
formule précédente.
𝜀 = 𝑓 𝟓, 6,4,1 𝑥 − 1 𝑥 − 4 … (𝑥 − 6)
𝜀 = 0.007865529(2-1)(2-4)(2-6)
ε=0.0629242

Methodes Numeriques (Chapt 2) 16

 3.0 L’interpolation de Lagrange
• Le polynôme d’interpolation de Lagrange est simplement une
reformulation du polynôme de Newton qui évite les
différences divisées. Il est donné par:

𝑓𝑛 𝑥 = 𝑓(𝑥𝑖 )𝐿𝑖 (𝑥)

𝑖<0
𝑛 (𝑥;𝑥𝑗 )
𝐿𝑖 𝑥 = 𝑗<0 (𝑥 ;𝑥 )
𝑖 𝑗
𝑗≠𝑖

Methodes Numeriques (Chapt 2) 17

 3.0 L’interpolation de Lagrange
• Pour n=1
𝑥 − 𝑥1 𝑥 − 𝑥0
𝑓1 𝑥 = 𝑓 𝑥0 + 𝑓(𝑥1 )
𝑥0 − 𝑥1 𝑥1 − 𝑥0
• Pour n=2

𝑥 − 𝑥1 𝑥 − 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥2
𝑓2 𝑥 = 𝑓 𝑥0 + 𝑓 𝑥1
𝑥0 − 𝑥1 𝑥0 − 𝑥2 𝑥1 − 𝑥0 𝑥1 − 𝑥2
𝑥 − 𝑥0 𝑥 − 𝑥1
+ 𝑓 𝑥2 .
𝑥2 − 𝑥0 𝑥2 − 𝑥1

Methodes Numeriques (Chapt 2) 18

 3.0 L’interpolation de Lagrange
• 3.1 Exemple:
x0=1 x1=4 x2=6 x=2
f(x0)=0 f(x1)=1.386294 f(x2)=1.791759 f(x)=?

• Déterminer Ln2 en utilisant un polynôme d’interpolation de Lagrange d’ordre 1 et

2.
• n=1:
2−4 2−1
𝑓1 2 = 0+ 1.386294 = 0.4620981
1−4 4−1
• n=2:
(2;4)(2;6) (2;1)(2;6) (2;1)(2;4)
𝑓2 2 = (1;4)(1;6) 0 + (4;1)(4;6) 1.386294 + (6;1)(6;4) 1.791760= 0.5658444

On obtient donc les mêmes résultats que la méthode de Newton.

Methodes Numeriques (Chapt 2) 19

 3.1 Calcul d’erreur
• Si la fonction f est n+1 fois dérivable sur l’intervalle I=[a,b], alors pour tout
x ϵ [a,b] il existe ξ ϵ [a,b] tel que l’erreur d’assimiler f(x) a fn(x) est égale a:

𝑛
𝑓 𝑛:1 (ξ)
𝜀 𝑥 = 𝑓 𝑥 − 𝑓𝑛 𝑥 = (𝑥 − 𝑥𝑘 )
𝑛+1 !
𝑘<0
Ou ξ dépend de x et repose a l’intérieure du segment [a,b].

𝑛:1
En posant: 𝑀𝑛:1 = 𝑀𝑎𝑥(𝑎≤𝑥≤𝑏) |𝑓 𝑥 |

On aura la majoration suivante:

𝑛 𝑀𝑛:1
𝐸𝑛 (𝑥) ≤ | 𝑘<0 𝑥 − 𝑥𝑘 | |
𝑛:1 !

Methodes Numeriques (Chapt 2) 20

 3.2 Example
Avec quelle précision peut on calculer 115 a l aide de la formule de
Lagrange pour la fonction 𝑓 𝑥 = 𝑥. Si on prend les points d’interpolation
x0=100, x1=121, x2=144 ?

′ ;0.5 ′′
3
;2 3
𝑓 𝑥 = 0.5 ∗ 𝑥 ;𝑓 𝑥 = −0.25𝑥 ; 𝑓 ′′′ 𝑥 = 𝑥 ;5/2
8
3 3 ;5
𝑀3 = 𝑀𝑎𝑥 𝑓 ′′′ 𝑥 = (100) ;5/2
= 10
8 8
3
Donc, |𝐸2 𝑥 | ≤ 10;5 |(115 − 100)(115 − 124)(115 − 144)
8.3!

|E2(x)|≤1.6*10-3.

Methodes Numeriques (Chapt 2) 21