Chapitre 2
Interpolation
m
Etant donné m + 1 points f(xi ; yi )gi=0 , trouver une fonction ' : x ! '(x) telle que
'(xi ) = yi : i = 0; 1; ::::::; m:
Approcher une fonction f consiste à la remplacer par une autre fonction
' dont la forme est plus simple et dont on peut se servir à la place de f:
On verra dans le prochain chapitre qu’on utilise fréquemment cette stratégie
Rb
en intégration numérique quand, au lieu de calculer a f (x)dx on calcule de
Rb
manière exacte a '(x)dx, où ' est une fonction simple à intégrer (par exemple
Rb Rb
polynomiale) et telle que a f (x)dx est proche de a '(x)dx.
Dans d’autres contextes, la fonction f peut n’être connue que par les valeurs
qu’elle prend en quelques points particuliers. Dans ce cas, on cherche à con-
struire une fonction continue ' représentant une loi empirique qui se cacherait
derrière les données.
Interpolation polynomiale
Étant donné m+1 couples (xi ; yi ) i = 0; ::::; m; le problème consiste à trouver
une fonction ' telle que '(xi ) = yi ; on dit alors que ' interpole l’ensemble de
valeurs fyi g; aux nœuds fxi g; i = 0; :::m; :
Les quantités yi peuvent représenter les valeurs aux nœuds xi d’une fonction
f connue ou des données expérimentales. Dans le premier cas, l’approximation
a pour but de remplacer f par une fonction plus simple en vue d’un calcul
numérique d’intégrale ou de dérivée. Dans l’autre cas, le but est d’avoir une
représentation synthétique de données expérimentales (dont le nombre peut être
très élevé).
On parle d’interpolation polynomiale quand ' est un polynôme.
Notons Rm [x] l’espace vectoriel formé par tous les polynômes de degré in-
férieur ou égale à m. Il est bien connu que Rm [x] est de dimension m + 1 et que
sa base canonique est donnée par 1; x; x2 ; :::; xm .
Supposons que l’on veuille chercher un polynôme Pm de degré m 0
qui, pour des valeurs x0 ; x1 ; x2 ; :::; xm distinctes données (appelés nœuds
d’interpolation), prend les valeurs y0 ; y1 ; y2 ; :::; ym respectivement, c’est-à-dire
Pm (xi ) = yi pour 0 i m
Si un tel polynôme existe, il est appelé polynôme d’interpolation ou
polynôme interpolant.
Théorème (Interpolation polynômiale)
Étant donné m + 1 points distincts x0 ; :::; xm et m + 1 valeurs correspon-
dantes y0 ; :::; ym ; il existe un unique polynôme de degré m; Pm 2 Rm [X]; appelé
polynôme de Lagrange, tel que Pm (xi ) = yi ; pour i = 0; :::; m.
1
Di¤érentes méthodes pour calculer le polynôme d’interpolation
Dans la suite on considère une fonction f : [a; b] ! R; et une suite a = x0 <
x1 < :::: < xm = b et y0 = f (x0 ); y1 = f (x1 ); ::::; ym = f (xm ):
1- Méthode directe (ou "naïve")
Une manière apparemment simple de résoudre ce problème est d’écrire le
polynôme dans la base canonique de Rm [x] :
Pm (x) = a0 + a1 x + a2 x2 + :::::::: + am xm ,
où a0 ; a1 ; a2 ; ; am sont des coe¢ cients qui devront être déterminés.
Pour cela on utilise les (m + 1) relations suivantes :
8
>
> a0 + a1 x0 + ::::::::::::: + am xm
0 = y0
>
< a0 + a1 x1 + ::::::::::::: + am xm 1 = y1
.. (2:1)
>
> .
>
:
a0 + a1 xm + :::::::::::: + am xmm = ym
Puisque les valeurs xi et yi sont connues, ces relations forment un système
linéaire de (m + 1) équations en les (m + 1) inconnues a0 ; a1 ; a2 ; :::::::; am qu’on
peut mettre sous la forme matricielle
2 32 3 2 3
1 x0 x20 xm 0 a0 y0
6 1 x1 x21 xm 76
1 7 6 a1 7
7 6 y1 7
6 6 7
6 .. .. .. .. .. 7 6 .. 7 = 6 .. 7 (2:2)
4 . . . . . 5 4 . 5 4 . 5
1 xm x2m xm m am ym
Ainsi, le problème qui consistant à chercher le polynôme Pm satisfaisant
(2:1) peut se réduire à résoudre le système linéaire (2:2): Cependant, résoudre
un système linéaire de (m+1) équations à (m+1) inconnues n’est pas une tache
triviale (lorsque m est grand). L’utilisation de cette méthode pour trouver le
polynôme Pm n’est donc pas une méthode pratique dans ce cas.
Dans la suite on va étudier une méthode plus astucieuse pour construire le
polynôme Pm
2. Méthode de Lagrange
Quand on écrit le polynôme Pm dans la base canonique de Rm [x]; le problème
est de déterminer les (m + 1) coe¢ cients a0 ; a1 ; a2 ; :::::::; am tels que
Pm (xi ) = f (xi ).
On se demande s’il existe une autre base fL0 ; L1 ; L2 ; :::::; Lm g de Rm [x]
telle que le polynôme Pm s’écrit
Pm (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) + ::::::::: + ym Lm (x);
Li sont des polynômes de degré inferieur ou égale m
2
autrement dit s’il existe une base telle que les coordonnées du polynôme dans
cette base ne sont rien d’autre que les valeurs connues y0 ; y1 ; ::::::; ym :
Pour trouver une telle base, commençons par imposer le passage du polynômes
par les m + 1 points donnés : Pm (xi ) = yi , i = 0; :::; m; ce qui impose les con-
ditions :
1 si i = j
Li (xj ) = pour 0 i; j m
0 sinon
Le choix
Q
m x xj
Li (x) = =
x
j=0;j6=i i xj
(x x0 )(x x1 )::::(x xi 1 )(x xi+1 )::::(x xm )
(xi x0 )(xi x1 )::::(xi xi 1 )(xi xi+1 )::::(xi xm )
Convient parfaitement.
Il est claire que le numérateur de Li (x) est un produit de m termes (x xj )
avec j 6= i et est donc un polynôme de degré m. Le dénominateur est une
constante et il est facile de véri…er que
Li (x) 2 Rm [x];
Li (xj ) = 0 si i 6= j, 0 i; j m;
Li (xi ) = 1:
De plus, les Ppolynômes L0 ; L1 ; :::; Lm sont linéairement indépendants car
m
si
Pm l’équation i=0 i Li (x) = 0 doit être satisfaite pour tout x P 2 R alors
m
i=0 i Li (xj ) = 0 doit être vraie pour tout j = 0; 1; :::; m et puisque i=0 i Li (xj ) =
j , on conclut que tous les j sont nuls. Par conséquent, la famille fL0 ; L1 ; :::; Lm g
forme une base de Rm [x].
Il est important de remarquer que nous avons construit explicitement une so-
lution du problème (2:1) et ceci pour n’importe quelles valeurs y0 ; y1 ; y2 ; :::; ym
données. Ceci montre que le système linéaire (2:2) a toujours une unique solu-
tion.
Théorème (Interpolation de Lagrange)
Étant donné m+1 points distincts x0 ; :::; xm et m+1 valeurs correspondantes
y0 ; :::; ym ; il existe un unique polynôme Pm 2 Rm [x] tel que Pm (xi ) = yi ; pour
i = 0; :::; m qu’on peut écrire sous la forme
Pm Q
m x xj
Pm (x) = i=0 yi Li (x) où Li (x) =
x
j=0;j6=i i xj
Cette relation est appelée formule d’interpolation de Lagrange et les polynômes
Li sont les polynômes caractéristiques de Lagrange ou bien polynômes fonda-
mentaux de Lagrange.
Exemple
Pour m = 2 , soient (x0 ; y0 ); (x1 ; y1 ) et (x2 ; y2 ) tois points de R2 ; On cherche
le polynôme de Lagrange P de degré 2 qui véri…e P (xi ) = yi ; i = 0; 1; 2:
les polynôme caractéristiques de Lagrange s’écrivent
3
(x x1 )(x x2 ) (x x0 )(x x2 )
L0 (x) = ; L1 (x) = ; L2 (x) =
(x0 x1 )(x0 x2 ) (x1 x0 )(x1 x2 )
(x x0 )(x x1 )
(x2 x0 )(x2 x1 )
le polynôme de Lagrange s’écrit
(x x1 )(x x2 )
P (x) = y0 +
(x0 x1 )(x0 x2 )
(x x0 )(x x2 )
y1 +
(x1 x0 )(x1 x2 )
(x x0 )(x x1 )
y2
(x2 x0 )(x2 x1 )
Remarque
Si m est petit il est souvent plus simple de calculer directement les coe¢ cients
a0 ; a1 ; :::; am avec la méthode "naïve" en résolvant le système linéaire (2:2).
Conclusion. Soit f : R ! R une fonction continue, et soit x0 ; x1 ; x2 ; :::; xm ;
(m + 1) points distincts. Interpoler la fonction f aux points xi ; 0 i m par
la méthode de lagrange consiste à exprime Pm ; polynôme de degre m; sous la
forme
Pm Q
m x xj
Pm (x) = i=0 f (xi )Li (x) où Li (x) = (2:3)
x
j=0;j6=i i xj
Ce polynôme Pm est appelée l’interpolant de f de degré m aux points
x0 ; x1 ; x2 ; :::; xm :
Exemple
Soit f : R ! R la fonction dé…nie par f (x) = exp(x): On cherche l’interpolant
de f aux points 1; 0; 1: On a
P (x) =
(x x1 )(x x2 ) (x x0 )(x x2 ) (x x0 )(x x1 )
f (x0 ) + f (x1 ) + f (x2 )
(x0 x1 )(x0 x2 ) (x1 x0 )(x1 x2 ) (x2 x0 )(x2 x1 )
1 x(x 1) (x + 1)(x 1) (x + 1)x
= + +e
e 2 1 2
1 e 2 e 1
= 1+ x + x+1
2e 2 2 2e
Représentation graphique de la fonction f = exp(x) et son polynôme inter-
1 e e 1
polant P (x) = 1+ x2 + x+1
2e 2 2 2e
3 Méthode de Newton
On a vu que calculer le polynôme d’interpolation par la méthode directe dans
la base canonique de Rm [x] comporte la résolution d’un système linéaire d’ordre
4
n: On a alors introduit une autre base de Rm [x]; la base des polynômes de
Lagrange, qui permet de calculer directement le polynôme d’interpolation, car
les coordonnées du polynôme cherché dans cette base ne sont rien d’autres que
les valeurs yi : Cependant, cette méthode n’est pas la plus e¢ cace d’un point de
vue pratique. En e¤et, pour calculer le polynôme d’interpolation d’un ensemble
de m + 1 points on doit calculer les m + 1 polynômes fL0 ; L1 ; L2 ; :::; Lm g: Si
ensuite on ajoute un point d’interpolation, on doit calculer les m + 2 polynômes
fLe0 ; L
e1 ; L
e 2 ; :::; L
em ; L
e m+1 g qui di¤èrent tous des m+1 calculés précédemment.
La méthode de Newton est basée sur le choix d’une autre base de sorte que
l’ajout d’un point comporte juste l’ajout d’une fonction de base.
Considérons la famille de polynômes f! 0 ; ! 1 ; ! 2 ; :::; ! m g où
! 0 (x) = 1
Qk 1
! k (x) = i=0 (x xi ) = (x xk 1 )! k 1 (x); 8k = 1; ::::; m:
Il est facile de véri…er que
! k (x) 2 Rm [x];
la famille f! 0 ; ! 1 ; ! 2 ; :::; ! m g est génératrice de Rm [x]
la famille f! 0 ; ! 1 ; ! 2 ; :::; ! m g est libre, par conséquent elle forme une
base de Rm [x]:
Si on choisit comme base de Rm [x] la famille f! 0 ; ! 1 ; ! 2 ; :::; ! m g, le prob-
lème du calcul du polynôme d’interpolation Pm est alors ramené au calcul des
coe¢ cients f 0 ; 1 ; 2 ; :::; m g tels que
Pm
Pm (x) = i=0 i ! i (x)
Remarque
Si on a calculé les m + 1 coe¢ cients f 0 ; 1 ; 2 ; :::; m g; puis on décide
de rajoute un point d’interpolation xm+1 , il n’y a plus qu’à calculer le coe¢ -
cient m+1 car la nouvelle base est déduite de la base précedante en ajoutant
simplement le polynôme ! m+1 :
Commençons par chercher une formule qui permet de calculer les coe¢ cients
i . Le polynôme d’interpolation dans la base de Newton évalué en x0 donne
5
Pm
Pm (x0 ) = i=0 i ! i (x0 ) = 0 = f (x0 ) = y0
donc 0 = y0 :
Le polynôme d’interpolation dans la base de Newton évalué en x1 donne
Pm
Pm (x1 ) = i=0 i ! i (x1 ) = 0 + 1 (x1 x0 ) = y1
y1 y 0
donc 1 = .
x1 x0
Le polynôme d’interpolation dans la base de Newton évalué en x2 donne
Pm
Pm (x2 ) = i=0 i ! i (x2 ) = 0 + 1 (x2 x0 ) + 2 (x2 x0 )(x2 x1 ) = y2
donc
y 1 y0
y2 y0 (x2 x0 )
y2 0 1 (x2x0 ) x1 x0
2 = = =
(x2 x0 )(x2 x1 ) (x2 x0 )(x2 x1 )
y2 y 1 y1 y0
x2 x1 x1 x0
:
(x2 x0 )
Pour calculer tous les coe¢ cients on va alors introduire la notion de di¤érence
divisée :
Dé…nition Di¤érences divisées
Soit f(xi ; yi )m
i=0 un ensemble de m + 1 points distincts.
La di¤érence divisée d’ordre 0 de xi est
f [xi ] = yi
La di¤érence divisée d’ordre 1 de xi 1 et xi est
yi yi 1
f [xi 1 ; xi ] =
xi xi 1
La di¤érence divisée d’ordre 2 de xi 1; xi et xi+1 est
f [xi ; xi+1 ] f [xi 1 ; xi ]
f [xi 1 ; xi ; xi+1 ] =
xi+1 xi 1
La di¤érence divisée d’ordre m des m + 1 points x0 ; :::; xm est dé…nie par
récurrence en utilisant deux di¤érences divisées d’ordre m 1 comme suit :
f [x1 ; ; xm ] f [x0 ; ; xm 1]
f [x0 ; ; xm ] =
xm x0
Pour expliciter le processus récursif, les di¤érences divisées peuvent être
calculées en les disposant dans un tableau de la manière suivante :
6
i xi yi f [xi 1 xi ] f [xi 2 ; xi 1 ; xi ] f [xi 3 ; xi 2 ; xi 1 ; xi ] f [xi 4 ; xi 3 ; xi 2 ; xi 1 ; xi ]
0 x0 y0
1 x1 y1 f [x0 ; x1 ]
2 x2 y2 f [x1 ; x2 ] f [x0 ; x1 ; x2 ]
3 x3 y3 f [x2 ; x3 ] f [x1 ; x2 ; x3 ] f [x0 ; x1 ; x2 ; x3 ]
4 x4 y4 f [x3 ; x4 ] f [x2 ; x3 ; x4 ] f [x1 ; x2 ; x3 ; x4 ] f [x0 ; x1 ; x2 ; x3 ; x4 ]
.. .. .. .. .. .. .. ..
. . . . . . . .
Théorème (Formule de Newton)
Soit f(xi ; yi )m
i=0 un ensemble de m+1 points distincts. Le polynôme d’interpolation
de Lagrange Pm calculé par la méthode de NEWTON est donné par
Pm
Pm (x) = i=0 ! i f [x0 ; ; xi ]
Comme le montre la dé…nition des di¤érences divisées, des points supplé-
mentaires peuvent être ajoutés pour créer un nouveau polynôme d’interpolation
sans recalculer les coe¢ cients. De plus, si un point est modi…é, il est inutile de
recalculer l’ensemble des coe¢ cients. Autre avantage, si les xi sont équirépartis,
le calcul des di¤érences divisées devient nettement plus rapide. Par conséquent,
l’interpolation polynomiale dans une base de Newton est privilégiée par rap-
port à une interpolation dans la base de Lagrange pour des raisons pratiques.
Exemple
On veut calculer le polynôme d’interpolation de de la fonction f (x) = sin(x)
en les 3 points xi = i avec i = 0; :1; 2: On cherche donc P2 2 R2 [x] tel que
2
P2 (xi ) = sin(xi ) pour i = 0; :1; 2.
Méthode directe. Si on écrit P2 (x) = 0 + 1 x + 2 x2 , on cherche
0; 1; 2 tels que
0 10 1 0 1
1 0 0 0 0
B C@
@ 1 A 1 A=@ 1 A
2 22
1 2 0
4 4
En résolvant ce système linéaire on trouve 0 = 0; 1 = et 2 = 2
.
Méthode de Lagrange. On a
x(x ) 4
P2 (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) = = 2
x(x )
( )
2 2
Méthode de Newton. On commence par construire le tableau des dif-
férences divisées :
7
i xi yi f [xi 1 ; xi ] f [xi 2 ; xi 1 ; xi ]
0 0 0
2
1 1
2
2 4
2 0 2
On a alors
P2
P2 (x) = i=0 ! i f [x0 ; ; xi ] = ! 0 f [x0 ] + ! 1 f [x0 ; x1 ] + ! 2 f [x0 ; x1 ; x2 ]
2 4 2 4 4
= ! 1 (x) ! (x) = x
2 2 2
x(x )= 2
x(x )
2
Maintenant on veut calculer le polynôme d’interpolation de la même fonction
en les 4 points xi = i avec i = 0; :::; 3; c’est à dire, on a juste ajouté le point
2
3
x= : On cherche donc P3 2 R2 [x] tel que P3 (xi ) = sin(xi ) pour i = 0; :::; 3:
2
Méthode directe. Si on écrit P3 (x) = 0 + 1 x + 2 x2 + 3 x3 , on cherche
0; 1; 2 ; 3 tels que
0 1
1 0 0 0 0 1 0 1
B 3 3 C 0 0
B 1 CB C B 1 C
B 83 C CB
1 C
B 2 42 =B C
B 1 C@ 2 A @ 0 A
@ 3 9 2 27 3 A 1
3
1
2 4 8
16 8
En résolvant ce système linéaire on trouve 0 = 0; 1 = , 2= 2
et
3
8
3 =
3 3
Méthode de Lagrange. On a
P2 (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) + y3 L3 (x)
3
x(x )(x ) x(x )(x )
= 2 2
3 3 3 3
( )( ) ( )( )
2 2 2 2 2 2 2 2
4 3 4
= 3 x(x ) x x x (x )
2 3 3 2
Méthode de Newton. Il su¢ t de calculer une di¤érence divisée en plus,
i.e. ajouter une ligne au tableau :
i xi yi f [xi 1 xi ] f [xi 2 ; xi 1 ; xi ] f [xi 3 ; xi 2 ; xi 1 ; xi ]
0 0 0
2
1 1
2
2 4
2 0 2
3 2 8
3 1 0 3
2 3
8
On a alors
P3
P3 (x) = i=0 ! i f [x0 ;
; xi ] = P2 (x) + ! 3 (x)f [x0 ; x1 ; x2 ; x3 ]
4 8
= 2
x(x ) + 3 ! 3 (x)
3
4 8
= 2
x(x ) + x x (x )
3 3 2
8
= x(x2 3 x + 2 2 )
3 3
4- Etude de l’erreur
Comme le polynôme d’interpolation pm est égal à la fonction f en tous les
points xi ; i = 0; :::; m; il est naturel d’espérer que la di¤érence entre f et ce
polynôme aux autres points sera petite c’est-à-dire, que pm (x) fournira une
bonne approximation de f (x); au moins en les points x pas trop éloignés des xi :
Pour mesurer la qualité de cette approximation, nous devons estimer l’erreur
Ex entre f (x) et pm (x), c’est-à-dire trouver une majoration de la valeur absolue
de Ex :
On a le résultat suivant
Théorème. On suppose que f 2 C m+1 ([a; b]); a = x0 ; x1 ; ::::::; xm 1 ; xm =
b une subivision de [a; b] et pm (x) le polynôme d’interpolation de f aux points
xi ; i = 0; :::; m: alors
8x 2 [a; b]; 9c 2]a; b[ tel que
f (m+1) (c)
f (x) Pm (x) = (x x0 )(x x1 ):::(x xm ) :
(m + 1)!
Dans la pratique, le corollaire suivant est très souvent su¢ sant.
Corollaire.
1
jf (x) Pm (x)j jx x0 j jx x1 j ::: jx xm j sup f (m+1) (t)
(m + 1)! t2[a;b]
En particulier,
1
sup jf (x) Pm (x)j sup f (m+1) (t) sup jw(x)j
x2[a;b] (m + 1)! t2[a;b] x2[a;b]
où w est le polynôme de degré m + 1 dé…ni par
w(x) = (x x0 )(x x1 ):::(x xm )
5- Stabilité de l’interpolation polynomiale
Soit f : I ! R une fonction de classe C m+1 (I) où I est le plus petit intervalle
contenant les nœuds distincts fxi gm i=0 :
Qu’arrive-t-il aux polynômes d’interpolation si, au lieu des valeurs exactes
f (xi ); on considère des valeurs perturbées fe(xi ); i = 0; :::; m? Ces perturbations
peuvent provenir d’erreurs d’arrondi ou d’incertitudes dans les mesures. Soit
Pm le polynôme exact interpolant les valeurs f (xi ) et Pem le polynôme exact
interpolant les valeurs fe(xi ). En notant X le vecteur dont les composantes sont
les nœuds d’interpolation X = (x0 ; x1 ; :::; xn ); on a
9
Pm
max Pm (x) Pem (x) = max i=0 (f (xi ) fe(xi ))Li (x)
x2I x2I
m (x)max f (x) fe(x)
x2I
où
Pm
m (x) = max i=0 jLi (x)j
x2I
est appelée constante de Lebesgue (noter que cette constante dépend des
nœuds d’interpolation). Des petites perturbations sur les valeurs nodales f (xi )
entraînent des petites variations sur le polynôme d’interpolation quand la con-
stante de Lebesgue est petite. La constante de Lebesgue mesure donc le
conditionnement du problème d’interpolation. Pour l’interpolation de Lagrange
avec des nœuds équirépartis
2m+1
m (x) '
(log(m) + ):m:e
où e = 2:71834 (nombre de N eper) et = 0:547721 (constante d0 Euler).
Quand m est grand, l’interpolation de Lagrange sur des nœuds équirépartis peut
donc être instable.
Exemple
la fonction f (x) = sin(2 x);
le polynôme de Lagrange P21 qui interpole f en 22 nœuds équirépartis sur
l’intervalle I = [ 1; 1]; c’est-à-dire l’ensemble fxi = 1 + 0:1i; f (xi )g21
i=0
le polynôme de Lagrange Pe21 qui interpole l’ensemble perturbé f(xi ; yei )21
i=0
où yei est une perturbation aléatoire des valeurs exactes yi de sorte que
3
max jyi yei j 10
i=0;::21
On remarque que la di¤érence entre ces deux polynômes est bien plus grande
que la perturbation des données. Plus précisément
max P21 (x) Pe21 (x) ' [Link]
x2I
interpolation par morceaux
Remarque. On a mis en évidence le fait qu’on ne peut pas garantir la
convergence uniforme du polynôme interpolatoire de Lagrange vers f quand
les nœuds d’interpolation sont équirépartis (§ stabilité de l’interpolation de La-
grange).
Cependant l’interpolation de Lagrange de bas degrè est su¢ samment pré-
cise quand elle est utilisée sur des intervalles assez petits, y compris avec des
nœuds équirépartis (ce qui est commode en pratique). Il est donc naturel
d’introduire une partition de [a; b] en n sous-intervalles [xi ; xi+1 ]; tels que [a; b] =
[ [xi ; xi+1 ] et d’utiliser l’interpolation de Lagrange sur chaque sous-intervalles
0 i n 1
10
[xi ; xi+1 ] en utilisant m nœuds équirépartis avec m petit (généralement m = 1; 2
ou 3).
Dé…nition. Etant donné n + 1 points distincts x0 ; ::::; xn de [a; b] avec
a = x0 < x1 < :::: < xn = b; la fonction sk : [a; b] ! R est une spline de degré
k relative aux nœuds fxi g si
sk (x)j[xi ; 2 Rn [x] ; i = 0; :::; n
xi+1 ] 1
sk 2 C k 1 ([a; b])
Évidemment tout polynôme de degré k est une spline, mais en pratique
une spline est constituée de polynômes di¤érents sur chaque sous-intervalle. Il
peut donc y avoir des discontinuités de la dérivée k ieme aux nœuds internes
x1 ; :::; xn 1 :
Remarque générale
On peut généraliser l’interpolation polynômiale pour prendre en compte, en
plus des valeurs nodales, les valeurs de la dérivée du polynôme interpolateur
dans ces nœuds.
Considérons m+1 triplets (xi ; yi ; zi ); le problème est de trouver un polynôme
2m+1 (x) = a0 + a1 x + :::a2m+1 x2m+1 2 R2m+1 [x]
tel que
2m+1 (xi ) = yi ; i = 0; 1; :::::; m
0 ;
2m+1 (xi ) = zi ; i = 0; 1; :::::; m
(on interpole donc à la fois la fonction et sa dérivée)
Il s’agit d’un système linéaire de 2(m + 1) équations et 2m + 1 inconnues.
on a le résultat suivant :
Théorème
Étant donné m + 1 points distincts x0 ; :::; xm et m + 1 couples correspon-
dantes (y0 ; z0 ); :::; (ym ; zm ), il existe un unique polynôme 2 R2m+1 [x] appelé
polynôme d’interpolation d’Hérmite, de degré au plus égale à 2m + 1 tel que
(xi ) = yi i = 0; ::m; et 0 (xi ) = zi ; pour i = 0; :::; m:
7- Polynômes orthogonaux
Soit 1 a<b 1 et ! une fonction sur R telle que l’application
Rb
8P; 8Q 2 Rn [X]; < P; Q >! = a P (t)Q(t)!(t)dt
dé…nisse un produit scalaire sur Rn [X].
De…nition On dit que la famille de polynômes (Pi )i 0 est une famille de
polynômes orthogonaux si
le degré de Pi est i pour tout entier i:
8(i; j) 2 N2 ; i 6= j ) < Pi ; Pj >! = 0:
Proposition. Soit (Pi )i 0 une famille de polynomes orthogonaux alors
11
(P0 ; P1 ; :::::; Pn ) est une base orthogonale de Rn [X] pour tout entier n:
8(n; m) 2 N2 ; n > m ==> Pn 2 (Rm [X])? :
Construction d’une base orthogonale sur Rn [X]
On utilise la méthode d’orthogonalisation de Gramm schmit appliquée à la
base canonique 1; X; X 2 ; ::::; X n de Rn [X]; on construit une base orthogo-
nale f 1 ; 2 ; ::::; n g de Rn [X] pour produit scalaire < ; >!
On pose 0 = 1
On pose 1 = x + 1 , on détermine 1 de sorte que < 2 ; 1 >! = 0:
On pose 2 = x2 + 1 x + 2 ; on détermine 1 et 2 de sorte que
< 2; 0>! =< 2 ; 1 >! = 0
Pn 1
ainsi de suite on pose n = xn + i=1 i
ix ; les i sont déterminés par le
système :
< n; i >! = 0 ; i = 1; 2; ::::; n 1:
Exemples de polynômes orthogonaux
Polynômes de Legendre
Notation : Lk (x). Ces polynômes correspondent au cas où
[a; b] = [ 1; 1] et w(x) = 1
de sorte que le produit scalaire est dé…ni ainsi :
R1
< u; v >= 1 u(x)v(x)dx.
Lk (x) satisfont la relation de récurrence suivante :
L0 (x) = 1; L1 (x) = x
(k + 1)Lk+1 (x) = (2k + 1)xLk (x) kLk 1 (x)
Polynômes de Tchebychev
Notation : Tk (x): Ces polynômes correspondent au cas où
1
[a; b] = [ 1; 1] et w(x) = p
1 x2
de sorte que le produit scalaire est dé…ni ainsi :
R 1 u(x)v(x)
< u; v >w = 1
p dx
1 x2
Tk (x): satisfont la relation de récurrence suivante :
T0 (x) = 1; T1 (x) = x
Tk+1 (x) = 2xTk (x) Tk 1 (x)
12
Polynômes de Laguerre
Notation : Lk (x). Ces polynômes correspondent au cas où
[a; b] = [0; +1[ et w(x) = exp( x)
de sorte que le produit scalaire est dé…ni ainsi :
R +1
< u; v >w = 0 u(x)v(x) exp( x)dx.
Lk (x) satisfont la relation de récurrence suivante :
L0 (x) = 1; L1 (x) = 1 x
Lk+1 (x) = (2k + 1 x)Ln (x) k 2 Ln 1 (x)
Polynômes d’Hermite
Notation : Hk (x). Ces polynômes correspondent au cas où
]a; b[=] 1; +1[ et w(x) = exp( x2 )
de sorte que le produit scalaire est dé…ni ainsi :
R +1
< u; v >= 1 u(x)v(x) exp( x2 )dx.
Hk (x) satisfont la relation de récurrence suivante :
H0 (x) = 1; H1 (x) = x
Hk+1 (x) = 2xHk (x) kHk 1 (x)
13
