Chapitre 3: Interpolation et approximation de fonctions

Chapitre Interpolation et approximation

de fonctions
3
3.1 Introduction
3.2 Interpolation de Lagrange
3.3 Méthode de Newton
3.4 Approximation de Taylor
3.5 Ajustement de courbes

Draft manuscrit – Emmanuel Chimi – 11/2024 1

 Chapitre 3: Interpolation et approximation de fonctions

3.1 Introduction
PROBLEME
Nous disposons d'un ensemble de couples de données ( x i , y i ) , regroupés par
exemple dans un tableau, et qui représentent les valeurs d'une grandeur de
sortie (output) y en fonction d'une grandeur d'entrée (input) x .
x x0 x1 ⋯ x n −1 xn
y y0 y1 ⋯ y n −1 yn

Dans la pratique de telles valeurs peuvent être issues d'une "fonction

mathématique" dont l'expression est connue, mais est difficile à gérer. Elles
peuvent aussi être obtenues dans le cadre des observations de systèmes
physiques et techniques, ou dans le cadre d'expériences effectuées sur ces
systèmes. On dit dans ce cas que ces données décrivent une fonction
empirique.
Dans l’une ou l’autre situation, nous voulons avoir une fonction d'un type
maîtrisable qui nous serve comme approximation de la fonction
mathématique trop compliquée ou de la fonction empirique inconnue. La
fonction d'approximation permettrait notamment d'effectuer des calculs tels que
l’intégration, ou de déterminer des valeurs de la grandeur y pour de nouvelles
valeurs de x sans avoir à retourner à l'expérimentation.

SOLUTION
La démarche standard de résolution de ce problème consiste à déterminer un
polynôme d'approximation pour la fonction en question: On trouve un
polynôme p n ( x ) de degré n (ou moins) dont les valeurs coïncident avec les
valeurs de y données:
pn ( x 0 ) = y 0 , pn ( x 1 ) = y 1 , ⋯ , pn ( x n ) = y n
p n ( x ) est appelé polynôme d'interpolation et les points x 0 , x 1 , ⋯ , x n sont
appelés nœuds d'interpolation.
Si f ( x ) est la fonction décrite par les couples de valeurs donnés, alors p n ( x )
est appelé approximation polynomiale de f ( x ) . On peut "légitimement"
utiliser p n ( x ) pour calculer les valeurs de f ( x ) pour x entre x 0 et x n
("interpolation") ou quelques fois en dehors de cet intervalle
("extrapolation").
Les raisons de l'utilisation de polynômes pour l'approximation de fonctions sont
importantes:

Draft manuscrit – Emmanuel Chimi – 11/2024 2

 Chapitre 3: Interpolation et approximation de fonctions

1. Les polynômes sont très convenables pour le travail parce sont

facilement dérivables et intégrables
2. Les polynômes peuvent réaliser une approximation de fonctions
continues avec une précision quelconque souhaitée.
3. Les polynômes d'interpolation obtenus sont uniques.
Il existe des méthodes établies pour déterminer le polynôme p n ( x ) :
1. Interpolation de Lagrange
2. Méthode de différences divisées de Newton
3. Interpolation par splines
4. Approximation de Taylor
Comme il a été signalé plus haut, toutes ces méthodes produisent un même
polynôme (unique), mais de formes différentes appropriées pour des buts
différents.

3.2 Interpolation de Lagrange

A partir d'ici nous allons utiliser aussi ( x i , f i ) dans la même signification que
(x i , y i ) pour mettre l'accent sur le fait que la fonction décrite par les couples
et pour laquelle on recherche une approximation est f .
Etant donné les couples de valeurs ( x 0 , f 0 ) , ( x 1 , f1 ) , ⋯, (x n , fn ) avec des
points x i arbitrairement espacés, l'interpolation de Lagrange se déroule de la
façon suivante:
1. On multiplie chaque f k par un polynôme qui prend la valeur 1 au point
x k à tous les autres n nœuds.
2. On effectue la sommation des n + 1 polynômes ainsi construits pour
obtenir un polynôme d'interpolation unique de degré n ou moins.

Interpolation de Lagrange:
n
f ( x ) ≈ p n ( x ) =  Lk ( x )f k
k =0

1 si x = x k
où Lk ( x ) =  et les fonctions Lk sont indépendantes de la
0 autrement
fonction interpolée f .

Draft manuscrit – Emmanuel Chimi – 11/2024 3

 Chapitre 3: Interpolation et approximation de fonctions

INTERPOLATION LINEAIRE
Interpolation linéaire signifie interpolation par un polynôme du premier degré
p1 ( x ) = ax + b . Géométriquement c'est l'interpolation par un segment de ligne
droite passant par les deux points de coordonnées ( x 0 , f 0 ) et ( x 1 , f 1 ) .

Figure 1: Interpolation linéaire

L'interprétation de la formule de Lagrange dans ce cas donne

p1 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1
Avec L0 ( x ) le polynôme linéaire qui prend la valeur 1 au point x 0 et 0 au point
x 1 . De façon similaire, L1 ( x ) le polynôme linéaire qui prend la valeur 1 au
point x 1 et 0 au point x 0 .
De façon évidente, on a
x − x1 x − x0
L0 ( x ) = et L1 ( x ) = .
x 0 − x1 x1 − x 0
Ceci donne le polynôme linéaire de Lagrange
x − x1 x − x0
p1 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1 = f0 + f
x 0 − x1 x1 − x 0 1
EXEMPLE 1 (Polynôme linéaire de Lagrange)
Calculer ln ( 3.2 ) à partir des valeurs ln ( 3.0 ) = 1.098612 et ln ( 3.5 ) = 1.252763
en utilisant un polynôme d'interpolation linéaire de Lagrange. Déterminer
ensuite l'erreur contenue dans le résultat sachant que ln ( 3.2 ) = 1.163151 (6
positions décimales justes).
SOLUTION
On obtient le polynôme de Lagrange
x − 3.5 x − 3.0
p1 ( x ) = (1.098612 ) + (1.252763)
3.0 − 3.5 3.5 − 3.0
x − 3.5 x − 3.0
Soit p1 ( x ) = (1.098612 ) + (1.252763 ) .
−0.5 0.5
Et
3.2 − 3.5 3.2 − 3.0
p1 ( 3.2 ) = (1.098612 ) + (1.252763)
−0.5 0.5

Draft manuscrit – Emmanuel Chimi – 11/2024 4

 Chapitre 3: Interpolation et approximation de fonctions

= 0.6 ⋅ (1.098612 ) + 0.4 ⋅ (1.252763 ) = 1.160272

Ce résultat contient une erreur ε = x − xɶ = 1.163151 − 1.160272=0.002879 .
Ainsi l'interpolation linéaire pour ce problème permet d'atteindre (seulement)
une précision de 2D (2 positions décimales).

INTERPOLATION QUADRATIQUE
Interpolation quadratique signifie interpolation par un polynôme du second
degré p 2 ( x ) = ax 2 + bx + c . Géométriquement c'est l'interpolation par un
segment parabolique passant par les points de coordonnées ( x 0 , f 0 ) , ( x 1 , f 1 )
et ( x 2 , f 2 ) .
L'interprétation de la formule de Lagrange dans ce cas permet d'écrire
p 2 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1 + L2 ( x ) f 2 . Il s'avère que
l0 (x ) ( x − x 1 )( x − x 2 )
L0 ( x ) = =
l 0 ( x 0 ) ( x 0 − x 1 )( x 0 − x 2 )
l1 ( x ) ( x − x 0 )( x − x 2 )
L1 ( x ) = =
l 1 ( x 1 ) ( x 1 − x 0 )( x 1 − x 2 )
l2 (x ) ( x − x 0 )( x − x 1 )
L2 ( x ) = =
l 2 ( x 2 ) ( x 2 − x 0 )( x 2 − x 1 )
Ces fonctions satisfont aux exigences des polynômes de base de l'interpolation
de Lagrange: Le numérateur fait que Lk ( x i ) = 0 si i ≠ k , étant donné que tous
les termes de la forme (x − x i ) pour i ≠ k sont présents. Le dénominateur
devient égal au numérateur dans le cas i = k et ainsi Lk ( x k ) = 1 .

EXEMPLE 2 (Polynôme quadratique de Lagrange)

Calculer ln ( 3.2 ) à partir des valeurs ln ( 3.0 ) = 1.098612 , ln ( 3.5 ) = 1.252763 et
ln ( 5.0 ) = 1.609438 en utilisant un polynôme d'interpolation du second degré de
Lagrange. Déterminer ensuite l'erreur contenue dans le résultat sachant que
ln ( 3.2 ) = 1.163151 (6 positions décimales justes).
SOLUTION
Les polynômes de base de Lagrange sont:

L0 ( x ) =
(x − 3.5 )( x − 5.0 )
= x 2 − 8.5x + 17.5  L0 ( 3.2 ) = 0.54
( 3.0 − 3.5 )( 3.0 − 5.0 )
( x − 3.0 )( x − 5.0 ) = − 1 x 2 − 8x
L1 ( x ) =
( 3.5 − 3.0 )( 3.5 − 5.0 ) 0.75
( )
+ 15  L1 ( 3.2 ) = 0.48

Draft manuscrit – Emmanuel Chimi – 11/2024 5

 Chapitre 3: Interpolation et approximation de fonctions

(x − 3.0 )( x − 3.5 )
L2 ( x ) =
(5.0 − 3.0 )(5.0 − 3.5 )
=
3
(
1 2
x − 6.5x + 10.5 )  L2 ( 3.2 ) = −0.02

On obtient directement
p 2 ( 3.2 ) = 0.54 (1.098612 ) + 0.48 (1.252763 ) − 0.02 (1.609438 ) = 1.162388
L'erreur contenue dans le résultat est
ε = x − xɶ = 1.163151 − 1.162388=0.000763 . Ainsi l'interpolation quadratique
pour ce problème permet d'améliorer la précision pour arriver à 3D (3 positions
décimales justes). Il faut quand même noté que le troisième nœud ajouté
( x=5.0 ) est assez éloigné de celui qui était précédemment le plus grand
( x=3.5 ) , ce qui n'est pas propre à provoquer une forte amélioration de la
précision.

INTERPOLATION POLYNOMIALE GENERALE DE LAGRANGE

Dans le cas général, lorsqu'on a n+1 couples de valeurs disponibles ( x 0 , f 0 ) ,

( x 1 , f1 ) , ⋯ , ( x n , f n ) , l'interpolation de Lagrange aboutit à un polynôme pn ( x )

de degré n . On a dans ce cas
n
f ( x ) ≈ p n ( x ) =  Lk ( x )f k
k =0

Avec les polynômes de base Lk ( x ) donnés par

lk (x ) ( x − x 0 )( x − x 1 )⋯ ( x − x k −1 )( x − x k +1 ) ⋯ ( x − x n )
Lk ( x ) = =
l k ( x k ) ( x k − x 0 )( x k − x 1 ) ⋯ ( x k − x k −1 )( x k − x k +1 ) ⋯ ( x k − x n )

ESTIMATION D'ERREUR DANS L'INTERPOLATION DE LAGRANGE

Si la fonction f pour laquelle on effectue une approximation par interpolation
polynomiale est elle-même un polynôme de degré n (ou moins), alors
l'erreur d'interpolation est nulle.
Pour une fonction f dans le cas général, l'erreur d'interpolation est donnée
par

ε n ( x ) = f ( x ) − p n ( x ) = ( x − x 0 )( x − x 1 ) ⋯ ( x − x n )
f (t )
(n +1)
(1)
( n + 1) !
Pour un convenable t situé entre x 0 et x n .

Le premier cas est évident: Si la fonction f est un polynôme, alors elle coïncide
avec p n parce que les n + 1 points d'interpolation détermine un polynôme
unique. Dans le cas général d'une fonction f quelconque, ε n ( x ) désigne
l'erreur contenue dans p n ( x ) en tant que valeur approchée de f ( x ) .

Draft manuscrit – Emmanuel Chimi – 11/2024 6

 Chapitre 3: Interpolation et approximation de fonctions

Ainsi, ε n ( x ) = 0 aux nœuds d'interpolation et ε n ( x ) est petite au voisinage

de ces nœuds, en raison de la continuité. Le produit
(x − x 0 )( x − x 1 ) ⋯ ( x − x n ) est grand pour les valeurs de x éloignées des
nœuds. Raison pour laquelle l'extrapolation est risquante et
l'interpolation à un point x produit le meilleur résultat si des nœuds
d'interpolation sont situés des deux côtés de x .

La formule d'erreur (1) est valable pour toute méthode d'interpolation

polynomiale à la condition que f possède une fonction dérivée f ( ) continue.
n +1

Cependant, l'existence de cette dérivée ne signifie pas toujours qu'on est arrivé,
car sa détermination peut représenter une difficulté considérable. Si donc la
dérivée f ( ) (t ) est difficile ou impossible à obtenir, on peut appliquer le
n +1

principe d'erreur pour estimer l'erreur d'interpolation.

THEOREME 1 (Principe d'erreur)

Soit p n ( x ) le polynôme d'interpolation de Lagrange pour une fonction f . Si
on prend en compte un nœud supplémentaire pour obtenir le nouveau
polynôme de Lagrange p n +1 ( x ) , alors la différence p n +1 ( x ) − p n ( x )
représente une estimation brute de l'erreur contenue dans p n ( x ) .

EXEMPLE 3 (Estimation d'erreur de l'interpolation linéaire)

Estimer l'erreur contenue dans l'approximation linéaire de ln ( 3.2 ) dans
l'EXEMPLE 1 à l'aide de la formule d'erreur dans un premier temps, et par le
principe d'erreur ensuite.
SOLUTION
Par la formule d'erreur (1) nous avons:
n = 1 , f (t ) = ln (t ) , f ′ (t ) = 1 / t , f ′′ (t ) = −1 / t 2
Et l'application de la formule donne
−1 0.06 0.03
ε 1 ( x ) = ( x − 3.0 )( x − 3.5 ) ⋅ 2
, d'où ε 1 ( 3.2 ) = = 2
2t 2t 2 t
0.03 / t 2 étant strictement décroissante, t = 3.0 donne le maximum
0.03 / 32 = 0.003333 et t = 3.0 donne le maximum 0.03 / ( 3.5 ) = 0.002449 .
2

Nous arrivons donc au résultat 0.002449 ≤ ε1 ( 3.2 ) ≤ 0.003333 .

L'erreur de 0.002879 que nous avions trouvé dans l'exemple est bel et bien en
accord avec ce dernier résultat.

Draft manuscrit – Emmanuel Chimi – 11/2024 7

 Chapitre 3: Interpolation et approximation de fonctions

Si nous passons par le principe d'erreur:

Nous avons trouvé dans les exemples plus haut que
p1 ( 3.2 ) = 1.160272 et p 2 ( 3.2 ) = 1.162388
La différence p 2 ( 3.2 ) − p1 ( 3.2 ) est une estimation de l'erreur contenue dans
p1 ( 3.2 ) , soit p 2 ( 3.2 ) − p1 ( 3.2 ) = 0.046365 . On obtient dans ce cas une
surestimation de l'erreur: estimation brute!

3.3 Méthode de différences divisées de Newton

Pour des couples de valeurs donnés ( x 0 , f 0 ) , ( x 1 , f 1 ) , ⋯ , ( x n , f n ) le polynôme
d'interpolation p n ( x ) est unique. Cependant il peut se présenter sous
différentes formes appropriées pour des buts différents:
• La forme de Lagrange est utile pour l'interpolation de tableaux de
valeurs et pour dériver des formules pour l'intégration et la
différentiation numérique (Approximation de formules de dérivées).
• La formule de Newton est plus appropriée pour les calculs. On l'utilise
aussi pour résoudre les équations différentielles.
Dans la pratique de l'interpolation on ne sait pas d'avance le degré du
polynôme d'interpolation qui va donner la précision requise et doit pouvoir
accroître le degré si c'est nécessaire, en ajoutant des nœuds supplémentaires à
l'interpolation. Raison pour laquelle une autre question importante est celle de
savoir si la forme de présentation de p n ( x ) est appropriée pour une
extension.
Dans le cas de l'interpolation de Lagrange, un ajout de nœuds nécessiterait la
reprise de toute la procédure d'interpolation: On a besoin de polynômes de
base entièrement différents. Sur ce point l'interpolation de Newton prend de
l'avantage parce que le travail précédent peut être conservé: On ajout
simplement de nouveaux termes. Ceci simplifie l'application du principe
d'erreur.

Le raisonnement qui suit nous permet de présenter et de justifier l'interpolation

de Newton.
Soit p n −1 ( x ) le polynôme de Newton obtenu en interpolant sur les n − 1 nœuds

( x 0 , f 0 ) , ( x 1 , f1 ) , ⋯ , ( x n −1 , f n −1 ) . Ceci signifie que p n −1 ( x 0 ) = f 0 ,

p n −1 ( x 1 ) = f 1 , ⋯ , p n −1 ( x n −1 ) = f n −1 . De plus on peut écrire le polynôme de
Newton p n ( x ) de degré n obtenu en ajoutant un point supplémentaire

( x n , f n ) à la forme

Draft manuscrit – Emmanuel Chimi – 11/2024 8

 Chapitre 3: Interpolation et approximation de fonctions

p n ( x ) = p n −1 ( x ) + g n ( x ) (2)
Avec
g n ( x ) = p n ( x ) − p n −1 ( x ) .
g n ( x ) est une fonction qui doit être telle que p n ( x 0 ) = f 0 , p n ( x 1 ) = f 1 , ⋯ ,
p n ( x n ) = f n . Etant donné que p n ( x ) et p n −1 ( x ) coïncident aux n premiers
nœuds d'interpolation x 0 , x 1 , ⋯ , x n −1 , il est évident que g n ( x ) doit être nulle
à ces points. Ainsi, g n ( x ) sera généralement un polynôme de degré n et doit
être de la forme
g n ( x ) = a n ( x − x 0 )( x − x 1 ) ⋯ ( x − x n −1 ) (3)
En combinant tout ce qui précède et considérant le point x = x n , nous arrivons
à
g n ( x n ) = p n ( x n ) − p n −1 ( x n ) = a n ( x n − x 0 )( x n − x 1 ) ⋯ ( x n − x n −1 )
p n ( x n ) − p n −1 ( x n )
Ce qui donne a n = .
( x n − x 0 )( x n − x 1 ) ⋯ ( x n − x n −1 )
Sachant que p n ( x n ) = f n on obtient enfin
f n − p n −1 ( x n )
an =
( x n − x 0 )( x n − x 1 ) ⋯ ( x n − x n −1 )

On démontre que a k est égale à la kième différence divisée, notée et définie

récursivement par
f1 − f 0
a1 = f  x 0 , x 1  =
x1 − x 0
f  x 1 , x 2  − f  x 0 , x 1 
a 2 = f  x 0 , x 1 , x 2  =
x2 − x0
f  x 1 , x 2 , x 3  − f  x 0 , x 1 , x 2 
a 3 = f  x 0 , x 1 , x 2 , x 3  =
x3 − x0
⋮
f  x 1 , x 2 ,⋯ , x k  − f  x 0 , x 1 ,⋯ , x k −1 
a k = f  x 0 , x 1 ,⋯ , x k  =
xk − x0
Après avoir ainsi défini les coefficients a k et en revenant aux formules (2) et (3)
nous avons
p k ( x ) = p k −1 ( x ) + g k ( x ) = p k −1 ( x ) + a k ( x − x 0 )( x − x 1 ) ⋯ ( x − x k −1 ) .
Soit
p1 ( x ) = p 0 ( x ) + a1 ( x − x 0 ) = p 0 ( x ) + ( x − x 0 ) f  x 0 , x 1 

Draft manuscrit – Emmanuel Chimi – 11/2024 9

 Chapitre 3: Interpolation et approximation de fonctions

p 2 ( x ) = p1 ( x ) + a 2 ( x − x 0 )( x − x 1 )
= p 0 ( x ) + ( x − x 0 ) f  x 0 , x 1  + a 2 ( x − x 0 )( x − x 1 )
= p 0 ( x ) + ( x − x 0 ) f  x 0 , x 1  + ( x − x 0 )( x − x 1 ) f  x 0 , x 1 , x 2 
Sachant que p 0 ( x ) = f 0 , l'application répétée de la formule pour k = 1,⋯ , n
donne finalement la formule d'interpolation de la différence divisée de
Newton:
f ( x ) ≈ p n ( x ) = f 0 + ( x − x 0 ) f  x 0 , x 1  + ⋯
+ ( x − x 0 )( x − x 1 ) ⋯ ( x − x n −1 ) f  x 0 , x 1 ,⋯ , x n 

La formule de Newton est bien appropriée pour la programmation. Pour une

exécution manuelle un arrangement de différences dans un tableau permet de
maîtriser le calcul.

EXEMPLE 4 (Interpolation de Newton – Différence divisée)

Calculer ln ( 3.2 ) à partir des valeurs ln ( 3.0 ) = 1.098612 , ln ( 3.5 ) = 1.252763 ,
ln ( 4.2 ) = 1.435084 et ln ( 5.0 ) = 1.609438 .
SOLUTION
Les calculs sont effectués pas à pas dans le tableau ci-dessous. On obtient un
seul coefficient à chaque étape (colonne).
k xk fk = f (x k ) f  x k , x k +1  f  x k , x k +1 , x k +2  f  x k ,⋯ , x k +2 , x k +3 
0 3.0 1.098612
0.308302
1 3.5 1.252763 -0.039870
0.260459 0.005763
2 4.2 1.435084 -0.028344
0.217943
3 5.0 1.609438

On obtient le polynôme d'interpolation en utilisant les coefficients obtenus (sur

fond en couleur). On a:
f ( x ) ≈ p 3 ( x ) = 1.098612 + 0.308302 ( x − 3.0 ) − 0.039870 ( x − 3.0 )( x − 3.5 ) +
0.005763 ( x − 3.0 )( x − 3.5 )( x − 4.2 )
Ainsi,
ln ( 3.2 ) ≈ 1.098612 + 0.308302 ( 3.2 − 3.0 ) − 0.039870 ( 3.2 − 3.0 )( 3.2 − 3.5 ) +
0.005763 ( 3.2 − 3.0 )( 3.2 − 3.5 )( 3.2 − 4.2 )
ln ( 3.2 ) ≈ 1.098612 + 0.308302 ( 0.2 ) − 0.039870 ( 0.2 )( −0.3 ) +

Draft manuscrit – Emmanuel Chimi – 11/2024 10

 Chapitre 3: Interpolation et approximation de fonctions

0.005763 ( 0.2 )( −0.3 )( −1.0 )

Et on obtient: ln ( 3.2 ) ≈ 1.163010

Dans la copie du tableau qui suit, les valeurs calculées ont été remplacées par
leurs notations respectives. On reconnaît sur fond gris les deux chemins
(formant un "V") qui permettent d'arriver au résultat
f  x 1 , x 2 , x 3  = −0.028344 . Ces chemins permettent surtout de voir les nœuds
d'interpolation qui interviennent dans le calcul de chaque résultat. Pour le cas
de f  x 1 , x 2 , x 3  on a:
f −f 1.435084 − 1.252763
A l'étape 1: f  x 1 , x 2  = 2 1 = = 0.260459
x 2 − x1 4.2 − 3.5
f −f 1.609438 − 1.435084
et f  x 2 , x 3  = 3 2 = = 0.217943
x3 − x2 5.0 − 4.2
f  x 2 , x 3  − f  x 1 , x 2 
A l'étape 2: f  x 1 , x 2 , x 3  =
x 3 − x1
0.217943 − 0.260459
= = −0.028344
5.0 − 3.5
k xk fk = f (x k ) f  x k , x k +1  f  x k , x k +1 , x k +2  f  x k ,⋯ , x k +2 , x k +3 
0 3.0 1.098612
f  x 0 , x 1 
1 3.5 1.252763 f  x 0 , x 1 , x 2 
f  x 1 , x 2  f  x 0 , x 1 , x 2 , x 3 
2 4.2 1.435084 f  x 1 , x 2 , x 3 
f  x 2 , x 3 
3 5.0 1.609438

SIGNIFICATION DES DIFFERENCES DIVISEES

Intéressons-nous davantage des coefficients, c'est-à-dire des différences
divisées, de l'interpolation de Newton.
Pour une fonction f ( x ) et deux nœuds distincts nous avons défini
f1 − f 0 f (x1 ) − f (x 0 )
f  x 0 , x 1  = = .
x1 − x 0 x1 − x 0
Ce coefficient est appelé une différence divisée du premier ordre de f ( x ) .

Draft manuscrit – Emmanuel Chimi – 11/2024 11

 Chapitre 3: Interpolation et approximation de fonctions

f (x1 ) − f (x 0 )
D'après le théorème de la valeur moyenne = f ′ (c ) pour une
x1 − x 0
certaine valeur c située entre x 0 et x 1 . D'où
f  x 0 , x 1  = f ′ (c )
Nous découvrons ainsi que la différence divisée est beaucoup semblable à la
dérivée, en particulier si x 0 et x 1 sont bien proches. En fait, la relation
 x1 + x 0 
f ′  = f  x 0 , x 1 
 2 
représente une approximation assez précise de la dérivée.

Quand on a trois points distincts x 0 , x 1 et x 2 nous avons défini

f  x 1 , x 2  − f  x 0 , x 1 
f  x 0 , x 1 , x 2  = .
x2 − x0
Ce coefficient est appelé une différence divisée du second ordre de f ( x ) .
En arrangeant les rapports de différences qui interviennent on montre que
1
f  x 0 , x 1 , x 2  = f ′′ (c )
2
pour une certaine valeur c intermédiaire à x 0 , x 1 et x 2 . En fait, on montre
que
f ′′ ( x 1 ) ≈ 2f  x 0 , x 1 , x 2 
dans le cas où les nœuds sont équidistants: x 2 − x 1 = x 1 − x 0 .

EXEMPLE 5 (Différences divisées et approximation de dérivées)

On considère les couples de valeurs donnés de la fonction cosinus.
x 1.0 1.1 1.2 1.3 1.4
cos ( x ) 0.540302 0.453596 0.362358 0.267499 0.169967

En prenant les nœuds comme x 0 , x 1 ,⋯ dans cet ordre, nous avons

0.453596 − 0.540302
f  x 0 , x 1  = = −0.867060
1.1 − 1.0
0.362358 − 0.453596
f  x 1 , x 2  = = −0.912380
1.2 − 1.1
0.267499 − 0.362358
f  x 2 , x 3  = = −0.948590
1.3 − 1.2
0.169967 − 0.267499
f  x 3 , x 4  = = −0.975320
1.4 − 1.3
Pour comparaison

Draft manuscrit – Emmanuel Chimi – 11/2024 12

 Chapitre 3: Interpolation et approximation de fonctions

 x1 + x 0 
f ′  = − sin (1.05 ) = −0.86742 ≈ f  x 0 , x 1 
 2 
 x 2 + x1 
f ′  = − sin (1.15 ) = −0.91276 ≈ f  x 1 , x 2 
 2 
 x3 + x2 
f ′  = − sin (1.25 ) = −0.94898 ≈ f  x 2 , x 3 
 2 
 x4 + x3 
f ′  = − sin (1.35 ) = −0.97572 ≈ f  x 3 , x 4 
 2 
Il faut noter que les valeurs x k dans ces calculs représentent des radians.
Avec les différences d'ordre supérieur on obtient
−0.912380 − (−0.867060)
f  x 0 , x 1 , x 2  = = −0.226600
1.2 − 1.0
−0.948590 − (−0.912380)
f  x 1 , x 2 , x 3  = = −0.181050
1.3 − 1.1
−0.181050 − (−0.226600)
f  x 0 , x 1 , x 2 , x 3  = = −0.151833
1.3 − 1.0
Pour comparaison
1 1
f ′′ ( x 1 ) = − cos (1.1) = −0.22680 ≈ f  x 0 , x 1 , x 2 
2 2
1 1
f ′′ ( x 2 ) = − cos (1.2 ) = −0.181179 ≈ f  x 1 , x 2 , x 3 
2 2
1  x + x3  1
f ′′′  2  = sin (1.25 ) = −0.158164 ≈ f  x 0 , x 1 , x 2 , x 3 
6  2  6
En général, étant donné n + 1 points distincts x 0 , x 1 ,⋯ , x n d'une fonction
f ( x ) avec n ≥ 2 la différence divisée d'ordre n est une approximation de
la dérivée nième de la fonction f ( x ) :
1 (n )
f (c )
f  x 0 , x 1 ,⋯ , x n  = (4)
n!
Pour un certain c intermédiaire aux points x 0 , x 1 ,⋯ , x n , c'est-à-dire
c ∈ I = min ( x 0 , x 1 ,⋯ , x n ) , max ( x 0 , x 1 ,⋯ , x n ) 
La relation (4) suppose que la fonction f ( x ) est autant de fois dérivable et
continue sur l'intervalle I .

ORDRE DES NOEUDS

Pour l'application pratique, on doit se poser la question de savoir ce que
deviennent le résultat si on avait les mêmes couples de valeurs, mais dans un
ordre différent. Pour cela regardons davantage les différences:

Draft manuscrit – Emmanuel Chimi – 11/2024 13

 Chapitre 3: Interpolation et approximation de fonctions

f (x1 ) − f (x 0 ) f (x 0 ) − f (x1 )
f  x 0 , x 1  = = = f  x 1 , x 0  .
x1 − x 0 x 0 − x1
Ceci veut dire que l'ordre de x 0 et x 1 n'a pas d'importance. Lorsqu'on
développe la différence
f  x 1 , x 2  − f  x 0 , x 1 
f  x 0 , x 1 , x 2  = ,
x2 − x0
on obtient
f (x 0 ) f (x1 ) f (x 2 )
f  x 0 , x 1 , x 2  = + + .
( x 0 − x 1 )( x 0 − x 2 ) ( x 1 − x 0 )( x 1 − x 2 ) ( x 2 − x 0 )( x 2 − x 1 )
Cette formule montre que l'ordre des nœuds x 0 , x 1 , x 2 n'a aucune influence sur
le résultat final. En général on montre que la différence divisée
f  x 0 , x 1 ,⋯ , x 2  est indépendante de l'ordre des points, même si les valeurs
obtenues aux étapes intermédiaires dépendent de cet ordre.

3.4 Approximation de Taylor

Le résultat de Taylor sur l'approximation de fonctions est un résultat
remarquable qui permet d'exprimer beaucoup de fonctions sous forme d'une
série convergente de puissances de x . Ce résultat est résumé dans le
théorème de Taylor:

THEOREME 2 (Théorème de Taylor)

Soit f ( x ) une fonction suffisamment dérivable en un point x = x 0 , c'est-à-
dire que les fonctions dérivées f ′ , f ′′ , f ′′′ , ⋯ existent au point x 0 . Alors, on a
f ′ (x 0 ) f ′′ ( x 0 ) f ′′′ ( x 0 )
f (x ) = f (x 0 ) + (x − x0) + (x − x0) + (x − x0 ) +⋯
2 3

1! 2! 3!
Et de façon compacte,

f (x ) = 
∞ f (n )
(x 0 )
(x − x0)
n

n =0 n!
On rappelle que f ( ) ( x ) = f ( x ) .
0

Il est évident que la somme infinie devra être remplacée par des valeurs
approchées dans la résolution de problèmes pratiques. Pour l'exploitation dans
les problèmes numériques la série de Taylor est aussi écrite de la façon
suivante:
f ′ (x 0 ) f ′′ ( x 0 ) f (n )
(x 0 )
f (x ) = f (x 0 ) + (x − x0) + (x − x0) +⋯+ (x − x 0 ) + Rn
2 n

1! 2! n!
Le terme R n est appelé terme résiduel ou terme d'erreur, et vérifie

Draft manuscrit – Emmanuel Chimi – 11/2024 14

 Chapitre 3: Interpolation et approximation de fonctions

lim Rn = 0 .
n →∞

Il a été établi que

f (t ) x
(n +1)
( − x0)
n +1
Rn = , où t est une value située entre x et x 0 .
( n + 1) !

Il faut noter que

f ′ (x 0 ) f ′′ ( x 0 ) f (n )
(x 0 )
Pn ( x ) = f ( x 0 ) + (x − x0) + (x − x0) +⋯+ (x − x0)
2 n

1! 2! n!
est un polynôme de degré n en x , et il est appelé approximation
polynomiale de Taylor de degré n de f ( x ) développée au point x 0 . Le
terme R n est l'erreur de contenue dans l'approximation de f ( x ) par Pn ( x ) .
On l'appelle aussi erreur de troncature.

EXEMPLE 6
Déterminer l'approximation polynomiale de Taylor d'ordre n = 3 pour la
fonction f ( x ) = ln ( x + 1) au point x = 0 .
SOLUTION
On détermine les fonctions dérivées et les valeurs de celles-ci au point de
développement:
f ( x ) = ln ( x + 1) f (0) = 0
1
f ′ (x ) = f ′ (0) = 1
x +1
−1
f ′′ ( x ) = f ′′ ( 0 ) = −1
( x + 1)
2

2
f ′′′ ( x ) = f ′′′ ( 0 ) = 2
(x + 1)
3

Ainsi,
f ′ (x 0 ) f ′′ ( x 0 ) f ′′′ ( x 0 )
ln ( x + 1) ≈ f ( x 0 ) + (x − x0) + (x − x0) + (x − x0)
2 3

1! 2! 3!
f ′′ ( 0 ) f ′′′ ( 0 )
= f (0 ) + f ′ (0) ⋅ x + ⋅x2 + ⋅x 3
2! 3!
2 3
x x
=x − +
2 3

Draft manuscrit – Emmanuel Chimi – 11/2024 15

 Chapitre 3: Interpolation et approximation de fonctions

PRECISION DE L'APPROXIMATION DE TAYLOR

Nous avons noté plus haut que R n représente l'erreur de l'approximation
polynomiale de Taylor. Etant donné que
f (t ) x
(n +1)
( − x0)
n +1
Rn = ,
( n + 1) !
x2 x3
L'approximation de l'exemple précédent ln ( x + 1) ≈ Pn ( x ) = x − +
2 3
contient comme erreur
−x 4
R3 = , où t est une valeur entre x et 0 .
4 (t + 1)
4

−6 f (4)
(t ) x 4 = −6 x4 −x 4
En effet, f (4)
(x ) = , et R 3 = ⋅ = .
(x + 1) (t + 1) 4 ⋅3⋅2 4 (t + 1)
4 4 4
4!

Si par exemple x = 0.15 , alors on a

( 0.15 ) ( 0.15 )
2 3

ln (1.15 ) = 0.15 − = 0.139875 +

2 3
Et l'erreur de troncature contenue dans ce résultat est
− ( 0.15 )
4
−0.0001265625
R3 = = pour un certain 0 ≤ t ≤ 0.15 .
4 (t + 1) (t + 1)
4 4

Il n'est pas possible de déterminer la valeur exacte de t qui produit la valeur

exacte de R 3 ; ce qu'on fait c'est déterminer une borne supérieure (ou un

Draft manuscrit – Emmanuel Chimi – 11/2024 16

 Chapitre 3: Interpolation et approximation de fonctions

encadrement) de l'erreur. En constatant que R 3 est une fonction décroissante

de t , on a:

−0.0001265625 0.0001265625
R3 = ≤ = 0.0001265625
(t + 1) ( 0 + 1)
4 4

Le résultat représente une borne supérieure garantie pour l'erreur

d'approximation de ln (1.15 ) . Il faut noter que l'erreur (absolue) réelle est
ε = 0.139761942 − 0.139875000 = 0.000113058

3.5 Ajustement de courbes

Draft manuscrit – Emmanuel Chimi – 11/2024 17