Interpolation

Chapitre 3: Interpolation et approximation par les
moindres carrés
Chapitre 3: Interpolation et approximation par les moindres carrés 1 / 55

Interpolation et approximation des fonctions par les
moindres carrés
PLAN
1 Interpolation
Motivation
Position du problème
Interpolation polynômiale
Interpolation de Lagrange
Interpolation de Newton
Interpolation spline
2 Approximation des fonctions par les moindres carrés
Motivation
Méthodes des moindres carrés
3 Exercices

Interpolation
Motivation
Les données suivantes concernent l’espérance de vie des habitants de deux
régions d’Europe :
Année 1975 1980 1985 1990

Europe de l’Ouest 72.8 74.2 75.2 76.4
Europe de l’Est 70.2 70.2 70.3 71.2
Utiliser le polynôme d’interpolation de degré 3 pour estimer l’espérance de

vie en 1977, 1983 et 1988.

Interpolation
L’interpolation des fonctions sont des techniques numériques très utilisées.
Le problème est le suivant. Nous avons une fonction y = f (x) ou x = g (y )
dont nous ignorons la forme analytique mais dont on connait ces valeurs
pour un certain nombre de valeurs discrétes :
x x0 x1 ... xn−1 xn
y y0 y1 ... yn−1 yn
Le problème est de trouver une expression analytique approchée

d’une fonction que l’on ne connait qu’une suite discréte des valeurs
de la variable telle que
f (xi ) = yi .

Polynôme de Lagrange
Soit f : [a, b] → R connue en n + 1 points distincts x0 , x1 , . . . , xn de
l’intervalle [a, b]. Il s’agit de construire un polynôme P de degré inférieur
ou égal à n tel que
∀i = 0, 1, 2, . . . , n, P(xi ) = f (xi ).
Théorème
Pour tout choix de noeuds x0 , x1 , . . . , xn dans [a, b], il existe un unique
polynôme Pn de degré inférieur ou égal à n qui coincide avec f aux points
x0 , x1 , . . . , xn (i. e. P(xi ) = f (xi ) pour tout i = 0, 1, . . . , n).
Ce polynôme s’écrit
n n
X Y x − xj
f (x) = Pn (x) = f (xi )Li (x), où Li (x) = .
xi − xj
i=0 j6=i

Polynôme de Lagrange
Le polynôme d’interpolation de Lagrange peut encore s’écrit sous la forme :
 
n n
X Y x − xj 
f (x) = yi  .
xi − xj
i=0 j6=i
n
Q x − xj
Les sont appelés bases de Lagrange.
j6=i xi − xj
Remarque
Le polynôme d’interpolation de Lagrange de x = g (y ) satisfaisant
xi = g (yi ) s’écrit :
 
n n
X Y y − yj 
g (y ) = xi 
yi − yj
i=0 j6=i

Interpolation de Lagrange : Exemple

Les résultats d’une expérience sont donnés par le tableau suivant :
x 1 2 4 6
y 10 5 2 1
1 De ce tableau, utiliser la formule d’interpolation linéaire pour

déterminer la valeur de y pour x = 3.
2 Utiliser aussi la formule d’interpolation linéaire pour déterminer la
valeur de x pour y = 1.5.

Solution : D’après la formule d’interpolation linéaire , on a
x − x1 x − x0
y = y0 + y1 .
x0 − x1 x1 − x0
1 Puisque 2 < 3 < 4, on prend x0 = 2 et x1 = 4. On obtient
3−4 3−2
y = 5 +2 ,
2−4 4−2
7
= = 3.5.
2
2 Pour y = 1.5, on a 1 < 1.5 < 2 et on prend y0 = 1 et y1 = 2. Dans
ce cas x0 = 6 et x1 = 4. On obtient alors
x −4 x −6
1.5 = +2 ,
6−4 4−6
x −4
= − (x − 6).
2
La résolution de l’´’equation ci-dessus
Chapitre 3: Interpolation donne xpar=les5.moindres carrés
et approximation 8 / 55

Former le polynôme de Lagrange vérifiant le tableau ci-dessous :
x 1 2 3 4
y 2 3 4 5
D’après la formule d’interpolation de Lagrange, on a
3 x −x 3
Y x − xj Y x − xj 3
Y x − xj 3
Q j
y = 2 +3 +4 +5 .
j6=0 1 − xj 2 − xj
j6=1
3 − xj 4 − xj
j6=2 j6=3

Interpolation de Lagrange : Exemple 1
Il vient que
(x − 2)(x − 3)(x − 4 (x − 1)(x − 3)(x − 4)
y = 2 +3
(1 − 2)(1 − 3)(1 − 4) (2 − 1)(2 − 3)(2 − 4)
(x − 1)(x − 2)(x − 4) (x − 1)(x − 2)(x − 3)

+ 4 +5 ,
(3 − 1)(3 − 2)(3 − 4 (4 − 1)(4 − 2)(4 − 3
1 3
= − (x − 2)(x − 3)(x − 4) + (x − 1)(x − 3)(x − 4)
3 2
5
− 2(x − 1)(x − 2)(x − 4) + (x − 1)(x − 2)(x − 3),
6
= x + 1.

Interpolation de Lagrange : Exemple 2

Former le polynôme de Lagrange correspondant au tableau suivant :
x 1 2 3 4
f(x) 2 3 7 8
Solution (En cours)

Interpolation de Lagrange : Calcul de l’erreur d’interpolation
Soit f : [a, b] → R une fonction donnée.On construit le polynôme Pn (x)
qui interpole les valeurs de f aux points x0 , x1 , . . . , xn (xi ∈ [a, b]), ce qui
conduit à poser Pn (xi ) = f (xi ) pour i = 0, . . . , n. On a ainsi approché la
fonction f par le polynôme Pn . La question est alors la suivante : quelle
erreur commet-on quand on approche f par Pn ?
Hypothèses et notations. Dans ce qui suit nous supposerons que f est
(n + 1) fois continûment dérivable sur [a, b] et nous noterons en (x) l’erreur
d’interpolation définie par :
en (x) = f (x) − Pn (x).
Soient alors Int(x, x0 , . . . , xn ) le plus petit intervalle fermé contenant les
points x, x0 , . . . , xn et πn (x) la fonction définie par
πn (x) = (x − x0 )(x − x1 )(x − x2 ) . . . (x − xn ).
Interpolation de Lagrange : Calcul de l’erreur d’interpolation
Théorème
Quel que soit x ∈ [a, b], il existe ξ ∈ Int(x, x0 . . . , xn ), dépendant de x, tel
que
1
en (x) = f (n+1) (ξ)πn (x).
(n + 1)!
Remarquons tout d’abord que cette expression de l’erreur n’a de sens que
si la fonction f que l’on interpole est n + 1 fois continûment dérivable. Si
ce n’est pas le cas, l’expression précédente de l’erreur n’est plus définie. On
peut d’ailleurs vérifier expérimentalement dans ce cas qu’il ne sert à rien
d’interpoler f par un polynôme de degré n. C’est une règle générale en
analyse numérique : il est inutile d’utiliser des méthodes d’ordre élevé,
construites pour des fonctions régulières, lorsque la fonction à approcher
n’a pas la régularité requise.
Méthode de Newton
Etant donnés n + 1 points x0 , . . . , xn , la base de Newton est définie par :
{1, (x − x0 ), (x − x0 )(x − x1 ), . . . , (x − x0 )(x − x1 ) . . . (x − xn−1 )},
Nous allons montrer comment calculer les coefficients du polynôme de

degré inférieur ou égal à n, Pn , interpolant une fonction f en les points
x0 , . . . , xn . Ce polynôme s’écrit :
Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )

Méthode de Newton
Définition
Soit une fonction f dont on connaı̂t les valeurs en des points distincts
x0 , . . . , xn . On appelle différence divisée d’ordre 0, 1, 2, . . . , n les
expressions suivantes définies itérativement par :
f [x0 ] = f (x0 ), f [x1 ] = f (x1 ), f [xn ] = f (xn )
f [x0 ] − f [x1 ] f [x1 ] − f [x2 ]

f [x0 , x1 ] = , f [x1 , x2 ] =
x0 − x1 x1 − x2
f [x0 , x1 ] − f [x1 , x2 ]
f [x0 , x1 , x2 ] =
x0 − x2

Méthode de Newton
D’une manière générale, si X est un ensemble fini de points distincts si
a∈/ X et b ∈
/ X , si a 6= b alors
f [a, X ] − f [X , b]
f [a, X , b] =
a−b
Théorème
Soit une fonction f dont on connaı̂t les valeurs en n + 1 points distincts xi
(0 ≤ i ≤ n) et soit Pn le polynôme d’interpolation :
Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )
∀k = 0, . . . , n, f [x0 , x1 , . . . , xk ] = ak
et
en = f [x0 , x1 , . . . , xn , x](x − x0 (x − x1 ) . . . (x − xn )
Approximation polynômiale
Méthode de Newton
Proposition
Les différences divisées f [x0 , x1 , . . . , xk ] sont des fonctions symétriques de
leurs arguments.

Approximation polynômiale
Méthode de Newton : Calcul pratique des différences divisées
Rappelons l’expression des différences divisées données dans la définition
f [x0 , x1 , . . . , xk−1 ] − f [x1 , x2 , . . . , xk ]
f [xi ] = f (xi ), f [x0 , x1 , . . . , xk ] =
x0 − xk
L’utilisation de cette formule permet de calculer les f [x0 , x1 , . . . , xk ] de
proche en proche à l’aide du tableau suivant (chaque colonne se déduit de
la colonne précédente) :
k=0 k=1 k=2 ... k =n
f [x0 ]
f [x1 ] f [x0 , x1 ]
f [x2 ] f [x1 , x2 ] f [x0 , x1 , x2 ] ...
.. .. ..
. . .
f [xn ] f [xn−1 , xn ] f [xn−2 , xn−1 , xn ] ... f [x0 , x1 , . . . , xn ]
Méthode de Newton : Exemple 1

Soit donné le tableau
x 1 2 3 4 5 6 7
f (x) 3 7 13 21 31 43 57
1 Construire le tableau des différences divisées correspondant à la

fonction f (x).
2 Déterminer le polynôme d’interpolation de Newton avec différences
divisées.
3 En déduire une valeur approchée de f (3.1).

Tableau des différences divisées
3
4
7 1
6 0
13 1 0
8 0 0
21 1 0 0
10 0 0
31 1 0
12 0
43 1
14
57

Le polynôme d’interpolation de Newton est
f (x) = f [1] + f [1, 2](x − 1) + f [1, 2, 3](x − 1)(x − 2) + f [1, 2, 3, 4](x − 1

+ f [1, 2, 3, 4, 5](x − 1)(x − 2)(x − 3)(x − 4) + f [1, 2, 3, 4, 5, 6](x − 1
+ f [1, 2, 3, 4, 5, 6, 7](x − 1)(x − 2)(x − 3)(x − 4)(x − 5)(x − 6),
= 3 + 4(x − 1) + (x − 1)(x − 2),
= x 2 + x + 1.
La valeur approchée de f (3.1) = (3.1)2 + 3.1 + 1 = 13.71.


Former le polynôme d’interpolation de Newton de la fonction f (x)
tabulairement par
x 0 1 2 3 4
y 1 4 15 40 85
Solution (En cours)

Interpolation spline : Position du problème

L’interpolation polynômiale présente plusieurs inconvénients :
elle ne prend pas très bien en compte les fonctions assez ”raides” ,
elle converge mal en ce sens qu’augmenter le nombre de points
n’améliore guère l’erreur au delà d’un certain degré.


Qualitativement, ces difficultés proviennent de la trop grande rigidité des
polynômes. Du fait de cette rigidité, le saut brusque de 0 à 1 engendre des
oscillations sur tout son intervalle de définition. Il faut donc avoir recours à
une approximation utilisant des fonctions approchées (les éléments de F̃ )
moins rigides. En d’autres termes, on demandera moins de régularité
globale aux fonctions de F̃ Ceci, outre les propriétés sympatiques des
polynômes, va nous conduire à utiliser dorénavant des polynômes par
morceaux.


Concrètement, dans ce qui suit on considère une partition de l’intervalle
[a, b]
∆ = {a = x0 < x1 < x2 < . . . < xn−1 < xn = b},
dont on appellera les points xi de subdivision les noeuds. On suppose
donnée une famille de nombres réels {y0 , . . . , yn } qui correspondent,
comme précédemment, aux valeurs d’interpolation.


Une idée assez naturelle consiste à considérer individuellement chacun des
sous-intervalles [xi , xi+1 ] et à construire une approximation par morceaux :
on obtient ainsi une fonction s vérifiant les conditions d’interpolation
s(xi ) = yi et qui dans chaque intervalle [xi , xi+1 ] coincide avec un
polynôme si (x) de degré plus ou moins élevé.
Dans le cas où l’on choisit si (x) de degré 1, cette technique consiste à
relier les points (xi , yi ) par des segments de droite : il s’agit de la façon la
plus élémentaire d’utiliser ce qu’on appelle les fonctions splines.

Interpolation spline
Définition
Soient x0 , . . . , xn , n + 1 noeuds de [a, b], avec
a = x0 < x1 < . . . . < xn = b.
La fonction sk : [a, b] → R est une spline de degré k relative aux noeuds xi

si
sk,i = sk [xi , xi+1 ] ∈ Pk , pour i = 1, 2, . . . , n + 1 et sk ∈ C k−1 [a, b].

Spline cubique
Définition
Etant donnée une partition de l’intervalle [a, b]
∆ = {a = x0 < x1 < . . . . < xn = b}
On appelle spline cubique d’interpolation une fonction notée s3 , qui vérifie

les propriétés suivantes :
s3 ∈ C 2 [a, b] (s3 est deux fois continûment dérivable),
s3 correspond, sur chaque intervalle [xi , xi+1 ], à un polynôme de degré
inférieur ou égal à 3,
s3 (xi ) = yi , pour i = 0, 1, . . . , n.
s300 (a) = s300 (b) = 0.

Spline cubique : erreur

Soit f ∈ C ([a, b]) avec max |f (4) (x)| = M. Si s3 est l’unique spline
a≤x≤b
cubique serrée interpolant f aux noeuds a = x0 < x1 < . . . . < xn = b,
alors
5M
max |f (x) − s3 (x)| ≤ max (xi+1 − xi )4
a≤x≤b 384 0≤i≤n−1

Spline cubique : Exemple
Dans le tableau suivant, voici quelques valeurs donnant la vitesse d’un véhicule en
accélération en fonction du temps.
Temps 0 6.5 13.6
Vitesse 0 12 45
On désire interpoler ces points par une fonction ”lisse”, par exemple, c’est-à-dire
trouver une fonction f donnant la vitesse en fonction du temps qui soit continue
et dérivable deux fois. Pour cela, comme dans le cas de l’approximation linéaire,
on va chercher sur chacun des segments [0, 6.5] et [6.5, 13.6] une fonction
cubique :
P1 = a1 (x − 0)3 + b1 (x − 0)2 + c1 (x − 0) + d1 ,
P2 = a2 (x − 6.5)3 + b2 (x − 6.5)2 + c2 (x − 6.5) + d2 ,
Ecrire les coefficients du système linéaire que vérifient les coefficients a1 , b1 , c1 ,
d1 , a2 , b2 , c2 , d2 des deux polynômes cubiques P1 et P2 .
Solution (en cours)
Approximation des fonctions par les moindres carrés
Motivation
La Figure suivante représente les prix d’une action à la bourse de Zürich
pendant deux années. La courbe a été obtenue en joignant par une ligne
droite les cotations quotidiennes à la clôture. Cette simple représentation
suppose implicitement que les prix varient linéairement au cours de la
journée (cette approximation sera appelée interpolation affine composite).
Nous nous demandons si, à partir de ce graphe, nous pourrions prédire le
prix de l’action sur une courte période suivant la date de la dernière
cotation. Nous verrons au paragraphe suivant que ce type de prédiction
peut être effectué à l’aide d’une technique connue sous le nom
d’approximation des données au sens des moindres carrés.

Motivation
Figure – Variation du prix d’une action pendant deux ans

La méthode d’approximation par les moindres carrés est utilisée dans de
nombreuses applications sous des noms différents :
- optimisation linéaire ;
- Méthode de regression ;
- lissage des courbes.
Les expériences en physique, chimie et biologie peuvent contenir des
centaines voire des milliers de mesures. L’utilisation des méthodes
d’interpolation doit alors conduire à de grandes erreurs d’arrondi et à des
calculs assez longs.

La méthode des moindres carrés nous permet d’utiliser plusieurs fonctions
pour obtenir une approximation simple. Par exemple, soient (y0 , y1 , . . . , yn )
les valeurs correspondantes aux points (x0 , x1 , . . . , xn ) et
y = f (x, a0 , a1 , . . . , am ) avec m < n. Il est clair que puisque m ≤ n, il
n’est pas possible d’avoir f tel que quelque soit k, on a f (xk ) = yk . Mais
on peut choisir les m + 1 paramétres a0 , a1 , . . . , am tels que f (xk ) ≈ yk ,
i.e., de façon que les n + 1 couples de valeurs de x et y conviennent le
mieux. La théorie des probabilité nous apprend que les valeurs de
a0 , a1 , . . . , am qui sont les meilleurs minimisent la somme
X n
R= [yk −f (xk )]2 = [y0 −f (x0 )]2 +[y1 −f (x1 )]2 +. . .+[yn −f (xn )]2 , (1)
k=0
où f (xk ) = f (xk , a0 , . . . , am ). Autrement dit la somme des carrés des
écarts des valeurs de y calculées par la formule par rapport aux valeurs
données d’où la dénomination de méthode des moindres carrés.
La condition (1) permet de former un système d’équations de m + 1 d’où

l’on tire a0 , a1 , . . . , am :
∂R
= 0, k = 0, 1, . . . , m
∂ak
i.e.
m
X ∂f (xk , a0 , a1 , . . . , am )
[f (xk , a0 , a1 , . . . , am )−yk ] = 0, j = 0, 1, . . . , m.
∂aj
k=0
(2)
La solution de ce système permet alors alors de trouver les coefficients
a0 , a1 , . . . , am de la fonction f (x, a0 , a1 , . . . , am ).

Cas d’un polynôme de dégré un
Considérons le cas d’un polynôme de dégré n = 1, i.e.,
y = f (x) = a0 + a1 x. Dans ce cas, on a
m
X
R= [yk − (a0 + a1 xk )]2 .
k=0
Pour que R soit minimal, il faut que
∂R ∂R
=0 et = 0,
∂a0 ∂a1
On obtient ainsi le système d’équations à deux inconnues a0 et a1 suivant :
m

P
 −2 [yk − (a0 + a1 xk )](1) = 0,


k=0
m
P
 −2 [yk − (a0 + a1 xk )]xk = 0.


k=0

Approximation au sens des moindres carrés : Cas d’un

polynôme de dégré un
La résolution du système ci-dessus donne
m m m m
xk2
P P P P
yk − xk xk yk
k=0 k=0 k=0 k=0
a0 = 2
m
m
xk2
P P
(m + 1) − xk
k=0 k=0
et
m
P m
P m
P
(m + 1) xk yk − xk yk
k=0 k=0 k=0
a1 = 2 .
m
m
xk2 −
P P
(m + 1) xk
k=0 k=0

Cas d’un polynôme de dégré quelconque m
Considérons la cas d’un polynôme de dégré quelconque m
y = f (x) = a0 + a1 x + . . . + am x m . On a m + 1 paramètres :
a0 , a1 , . . . , am avec n > m + 1. Le système (2) prend la forme :
m m m

 am
P m+a
P m−1 P


 xk m−1 x k + . . . + ma 0 = yk ,
 k=0 k=0 k=0
m m m m


 P m+1 P m + ... + a
P P



 a m xk + a m−1 xk 0 xk = xk yk ,
 k=0 k=0 k=1 k=0
m m m m
(3)
xkm+2 + am−1 xkm+1 + . . . + a0 xk2 = xk2 yk ,
P P P P

 am

 k=0 k=0 k=0 k=0
...



m m m m


xk2m + am−1 xk2m−1 + . . . + a0 xkm = xkm yk ,
 P P P P
 am


k=0 k=0 k=0 k=0
Ce système de m + 1 équations à m + 1 inconnues admet toujours une
solution unique, car son déterminant est différent de zéro.
Approximation par les moindres carrés
Cas d’un polynôme de dégré quelconque m

Pour déterminer les coefficients du système (3), il est utile de composer le
tableau auxilliaire ci-dessous :
k xk xk2 xk3 ... xk2m yk xk yk xk2 yk ... xkm yk

0 x0 x02 x03 ... x02m y0 x0 y0 x02 y0 ... x0m y0
1 x1 x12 x13 ... x12m y1 x1 y1 x12 y1 ... x1m y1
. .. .. .. ... .. .. .. .. ... ..
. .. .. .. ... .. .. .. .. ... ..
n xn xn2 xn3 ... xn2m yn xn yn xn2 yn ... xnm yn
P

Exemple
A l’aide de la méthode des moindres carrés, choisir une fonction
quadratique p(x) = a2 x 2 + a1 x + a0 pour les valeurs de x et de y données :
x 7 8 9 10 11 12 13
y 7.4 8.4 9.1 9.4 9.5 9.5 9.4

Exemple
Formons le tableau
k xk xk2 xk3 xk4 yk xk yk xk2 yk

0 7 49 343 2401 7.4 51.8 362.6
1 8 64 512 4196 8.4 67.2 537.6
2 9 81 729 6561 9.1 81.9 737.1
3 19 100 1000 10000 9.4 94 940
4 11 121 1331 14641 9.5 104.5 1149.5
5 12 144 1728 20736 9.5 114 1368
6 13 169 2197 28561 9.4 122.2 1588.6
P
70 728 7840 87096 62.7 635.6 6683.4

Exemple
D’où on tire le système suivant :

 728a2 + 70a1 + 7a0 = 62.7
7840a2 + 728a1 + 70a0 = 635.6,
87096a2 + 784a1 + 728a0 = 6683.4.

La solution de ce système est a0 = 2.12, a1 = 1.1 et a2 = −0.04. Ainsi la

fonction quadratique cherchée est de la forme
p(x) = −0.04x 2 + 1.1x + 2.12.

Cas des fonctions de la forme y = Ae cx

Pour simplifier le système, on prend le lograrithme de la fonction y = Ae cx
qui lie x et y :
log y = log A + c log ex.
Alors le système (2) prend la forme :
m m

P P
 c log e xk + m log A = log yk ,


k=1 k=1 (4)
m m m
xk2 + log A
P P P
 c log e xk = xk log yk


k=1 k=1 k=1

Cas des fonctions de la forme y = Ae cx

Le tableau auxiliaire sera
k xk xk2 log yk xk log yk

0 x0 x02 log y0 x0 log y0
1 x2 x22 log y2 x2 log y2
. . . . .
n xn xn2 log yn xn log yn
P

Cas des fonctions de la forme y = Ae cx : Exemple

Trouver par la méthode des moindres carrés une fonction exponentielle
S = Ae ct d’après les données du tableau suivant :
t 0 2 4 6 8 10 12
S 1280 635 324 162 76 43 19


On forme le tableau suivant :
k t tk2 y = log S ty
0 0 0 3.1072 0
1 2 4 2.8028 5.6056
2 4 16 2.5105 10.0420
3 6 36 2.2095 13.2570
4 8 64 1.8808 15.0464
5 10 100 1.6335 16.3350
6 12 144 1.2787 15.3444
P
42 364 15.4230 75.6304


On obtient le système d’équations :

 42c log e + 7 log A = 15.4230,
364c log e + 42 log A = 75.6304,


c’est à dire c log e = −0.1509, log A = 3.1087. Par conséquent, A = 1284

et c = −0.347. Ainsi, la fonction exponentielle cherchée sera
S = 1284e −0.347t .

Exercices
Exercice
Construire le polynôme P qui interpole les points (0, 2), (1, 1), (2, 2) et
(3, 3).
Exercice
1 Construire le polynôme de LAGRANGE P qui interpole les points
(−1, 2), (0, 1), (1, 2) et (2, 3).

2 Soit Q le polynôme de LAGRANGE qui interpole les points (−1, 2),
(0, 1), (1, 2). Montrer qu’il existe un réel λ tel que :
Q(x) − P(x) = λ(x + 1)x(x − 1).

Exercices
Exercice
Soient des résultats expériementaux présentés sous la forme d’un tableau
de correspondance :
t(min) 1 5 10 15 17 20 30 40
C(t)(mg/L) 24.50 10.30 8.50 7.8 7.70 7.45 7.30 7.25
Estimer C (7) par interpolation parabolique.

Exercices
Exercice
Soit donné la tableau
x 2 2.1 2.2 2.3 2.4 2.5

ln x 0.30103 0.32222 0.34242 0.36173 0.38021 0.39794
Trouver à l’aide de la formule d’interpolation de Newton ln 2.03.

Exercices
Exercice
Calculer le polynôme d’interpolation de la fonction f (x) = cos(x) en
les 3 points xi = πi avec i = 0, . . . , 2.
Utiliser la méthode de NEWTON car elle permettra de réutiliser les
calculs de cette question pour répondre à la question suivante)
Calculer ensuite le polynôme d’interpolation de la même fonction en
les 4 points xi = πi avec i = 0, . . . 3, i.e. en ajoutant le point
x3 = 3π/2.

Exercices
Exercice
La production italienne de citrons a évolué de la manière suivante :
Année 1965 1970 1980 1985 1990 1991

Production (× 105 Kg 17769 24001 25961 34336 29036 33417
Utiliser des splines d’interpolation cubique de différents types pour estimer

la production en 1962, 1977 et 1992. Comparer ces résultats avec les
valeurs réelles : 12380, 27403 et 32059 (× 105 Kg ), respectivement.
Reprendre les calculs avec un polynôme d’interpolation de Lagrange.

Exercices
Exercice
Trouver la fonction puissance S = At q .
t 1 2 3 4 5
S 7.1 15.2 48.1 96.3 150.1

Exercices
Exercice
Les résultats d’une expérience sont donnés dans le tableau suivant :
x 1 2 3 4 5
y 1.6 2 2.3 2.4 2.7
On se propose de déterminer l’expression y = f (x). A cet effet, on choisit
b b
y =a+ , y =a+ + ce x .
x x
Déterminer les coefficients a, b et c par la méthode des moindres carrés.

Exercices
Exercice
Les résultats d’une expérience est donné dans le tableau suivant :
x 1 2 4 6
y 10 5 2 1
1 Construire un polynôme d’approximation de dégré 2 par la méthode

des moindres carrés
y = a0 + a1 x + a2 x 2 . (5)
2 Construire par la méthode des moindres carrés une fonction
d’approximation de la forme
a1
y = a0 + . (6)
x
3 Des formules (5) et (6) quelle est la plus bonne approximation ?

Interpolation

Transféré par

Droits d'auteur :

Formats disponibles

Interpolation

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Interpolation

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3: Interpolation et approximation par les

Chapitre 3: Interpolation et approximation par les moindres carrés 1 / 55

Chapitre 3: Interpolation et approximation par les moindres carrés 2 / 55

Année 1975 1980 1985 1990

Europe de l’Est 70.2 70.2 70.3 71.2

Utiliser le polynôme d’interpolation de degré 3 pour estimer l’espérance de

Chapitre 3: Interpolation et approximation par les moindres carrés 3 / 55

Le problème est de trouver une expression analytique approchée

Chapitre 3: Interpolation et approximation par les moindres carrés 4 / 55

Chapitre 3: Interpolation et approximation par les moindres carrés 5 / 55

Chapitre 3: Interpolation et approximation par les moindres carrés 6 / 55

Interpolation de Lagrange : Exemple

1 De ce tableau, utiliser la formule d’interpolation linéaire pour

Chapitre 3: Interpolation et approximation par les moindres carrés 7 / 55

Interpolation de Lagrange : Exemple

D’après la formule d’interpolation de Lagrange, on a

Chapitre 3: Interpolation et approximation par les moindres carrés 9 / 55

(x − 1)(x − 2)(x − 4) (x − 1)(x − 2)(x − 3)

Chapitre 3: Interpolation et approximation par les moindres carrés 10 / 55

Interpolation de Lagrange : Exemple 2

Solution (En cours)

Chapitre 3: Interpolation et approximation par les moindres carrés 11 / 55

{1, (x − x0 ), (x − x0 )(x − x1 ), . . . , (x − x0 )(x − x1 ) . . . (x − xn−1 )},

Nous allons montrer comment calculer les coefficients du polynôme de

Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )

Chapitre 3: Interpolation et approximation par les moindres carrés 14 / 55

f [x0 ] = f (x0 ), f [x1 ] = f (x1 ), f [xn ] = f (xn )

f [x0 ] − f [x1 ] f [x1 ] − f [x2 ]

Chapitre 3: Interpolation et approximation par les moindres carrés 15 / 55

Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )

Chapitre 3: Interpolation et approximation par les moindres carrés 17 / 55

Méthode de Newton : Exemple 1

1 Construire le tableau des différences divisées correspondant à la

Chapitre 3: Interpolation et approximation par les moindres carrés 19 / 55

Méthode de Newton : Exemple 1

f (x) = f [1] + f [1, 2](x − 1) + f [1, 2, 3](x − 1)(x − 2) + f [1, 2, 3, 4](x − 1

La valeur approchée de f (3.1) = (3.1)2 + 3.1 + 1 = 13.71.

Chapitre 3: Interpolation et approximation par les moindres carrés 21 / 55

Méthode de Newton : Exemple 2

Solution (En cours)

Chapitre 3: Interpolation et approximation par les moindres carrés 22 / 55

Interpolation spline : Position du problème

Chapitre 3: Interpolation et approximation par les moindres carrés 23 / 55

Interpolation spline : Position du problème

Chapitre 3: Interpolation et approximation par les moindres carrés 24 / 55

Interpolation spline : Position du problème

Chapitre 3: Interpolation et approximation par les moindres carrés 25 / 55

Interpolation spline : Position du problème

Chapitre 3: Interpolation et approximation par les moindres carrés 26 / 55

a = x0 < x1 < . . . . < xn = b.

La fonction sk : [a, b] → R est une spline de degré k relative aux noeuds xi

sk,i = sk [xi , xi+1 ] ∈ Pk , pour i = 1, 2, . . . , n + 1 et sk ∈ C k−1 [a, b].

Chapitre 3: Interpolation et approximation par les moindres carrés 27 / 55

∆ = {a = x0 < x1 < . . . . < xn = b}

On appelle spline cubique d’interpolation une fonction notée s3 , qui vérifie

Chapitre 3: Interpolation et approximation par les moindres carrés 28 / 55

Spline cubique : erreur

Chapitre 3: Interpolation et approximation par les moindres carrés 29 / 55

Chapitre 3: Interpolation et approximation par les moindres carrés 31 / 55

Figure – Variation du prix d’une action pendant deux ans