MN Chap1

Chapitre 1
Interpolation et Approximation Polynômiales
Département de Mathématiques et Informatique
Université Moulay Ismail - Meknès
2023/2024
Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 1 / 40

1 Introduction
2 Polynôme d’interpolation dans la base de Lagrange
3 Polynôme d’interpolation dans la base de Newton
4 Expression de l’erreur
5 Polynôme d’interpolation d’Hermite
6 Stabilité et convergence du polynôme d’interpolation
7 Cas des points équidistants
8 Phénomène de Runge

Introduction
Description du problème
L’approximation d’une fonction donnée par une autre, plus simple, est
un outil très efficace et répandu dans les mathématiques appliquées.
On cherche à calculer les valeurs d’une fonction f (x) pour toute valeur
de x mais on ne connaît pas explicitement f .
Par exemple,
f n’est connue qu’en un certain nombre de points x
expérimentaux.
f est calculée par un code numérique très coûteux.
On remplace alors f par une fonction simple dont l’évaluation est aisée
(ex: utilisation de polynômes, fonctions rationnelles, fonctions
trigonométriques, . . . )
d’où 2 grandes familles d’approches

Introduction
Applications
visualisation de résultats de calculs : pour des valeurs données
d’une fonction f aux points xi , nous voulons tracer cette fonction
sur l’intervalle [a, b]: f (x) ≃ pn (x), ∀x ∈ [a, b]
dérivation numérique: afin de calculer la dérivée d’une fonction f :
f ′ (x) ≃ pn′ (x)
intégration numérique : afin de calculer l’intégrale d’un fonction f :
Rb Rb
a f (x)dx ≃ a pn (x)dx
résolution numérique des équations différentielles : dans les
méthodes spectrales, la solution d’une équation est approchée
par un polynôme; dans la méthode d’éléments finis, la solution est
approchée par une fonction polynômiale par morceaux.
...

Introduction
On cherche à déterminer le polynôme de degré 3
p3 (x) = a0 + a1 x + a2 x 2 + a3 x 3 (1)
passant par les points (−2, 10), (−1, 4), (1, 6) et (2, 3).
10
3
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Introduction
Les ai peuvent être déterminés par la résolution du système linéaire :

    
1 −2 4 −8 a0 10
 1 −1 1 −1   a1   4 
 1 1 1 1   a2  =  6 
     (2)
1 2 4 8 a3 3

Introduction
La solution de ce système peut être obtenue de la façon suivante :
import numpy as np
V = np.array([[1,-2,4,-8],[1,-1,1,-1],[1,1,1,1],[1,2,4,8]])
y = np.array([10,4,6,3])
a = np.linalg.solve(V, y)
10
3
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Introduction Position du problème
On se donne le tableau de données suivant:

i 0 1 . . . n
xi x0 x1 . . . xn
yi y0 y1 . . . yn
Définition
On cherche un polynôme Pn de degré au plus n (Pn ∈ Rn [X ]) tel que
Pn (xi ) = yi , pour i = 0, ..., n.

Introduction Existence
Soit Pn ∈ Rn [X ] alors Pn (t) = a0 + a1 t + ... + an t n et donc Pn (xi ) = yi ,

pour i = 0, ..., n si et seulement si:
a0 + a1 x0 + . . . + an x0n =y0


a0 + a1 x1 + . . . + an x1n =y1



 . . . . . . . . . . . . . . . . . . . . . . .=. . .
a0 + a1 xn + ... + an xnn =yn

On obtient un système d’équations linéaires dont le vecteur inconnu

est (a0 , ..., an ).

Introduction Existence
Le système précédent s’écrit sous forme matricielle sous la forme :

   
 a0 y
1 x0 x0 . . . x0    0 
2 n

1 x1 x 2 . . . x n  a1  y1 
1 1  a 
2  =  y2 
  
 .. .. .. ..  
. . . . . . .   ..  
  .. 
.  .
1 xn xn2 . . . xnn
an yn
On obtient un système d’équations linéaires dont la matrice est la

matrice de Vandermonde et dont le vecteur inconnu est (a0 , . . . , an ).
 
1
t 
 
 2
Pn (t) = (a0 , a1 , a2 , . . . , an ) t 
 .. 
.
tn

Introduction Théorème d’existence
Déterminant de Vandermonde
Le déterminant de Vandermonde vérifie:
1 x0 x02 . . . x0n
1 x1 x12 . . . x1n Y
.. .. .. . = (xj − xi )
. . . . . . .. 0≤i<j≤n
1 xn xn2 . . . xnn
Théorème
Une condition nécessaire et suffisante pour qu’il existe un et un seul
polynôme Pn ∈ Rn [X ] tel que Pn (xi ) = yi , pour i = 0, . . . , n est que
toutes les abscisses soient distinctes

Introduction Unicité
On suppose que Pn (xi ) = Qn (xi ) = yi , pour i = 0, . . . , n ,

Pn − Qn ∈ Rn [X ],
(Pn − Qn )(xi ) = 0, pour i = 0, . . . , n,
Pn − Qn est un polynôme de degré au plus n qui admet n + 1
racines
conclusion : Pn = Qn .

Polynôme d’interpolation dans la base de Lagrange
Nous avons obtenu:

 
1
t 
 
 2
Pn (t) = (a0 , a1 , a2 , . . . , an ) t 
 .. 
.
tn
avec    
a0 −1 y0
1 x0 x02 x0n

a1  ...  y1 
  1 x1 x 2 ... x1n   
a2   1   y2 
  =  .. .. .
. .  
 ..   . .
. . . . . ..   .. 
.
1 xn xn2 . . . xnn
an yn

En transposant la dernière équation, on obtient:

 −1
1 1 1 ... 1
 x0 x1 x2 . . . xn 
(a0 , a1 , a2 , . . . , an ) = (y0 , y1 , y2 , . . . , yn )  .
 
.. .. .. 
 .. . . ... . 
x0n x1n x2n . . . xnn
et donc:
 
 −1 1
1 1 1 ... 1 t 
 x0 x1 x2 . . . xn   
t 2 
Pn (t) = (y0 , y1 , y2 , . . . , yn )  .
 
.. .. .. 
 ..
 
. . ... .   .. 
.
x0 x1 x2n
n n . . . xnn
tn

Le polynôme d’interpolation peut donc s’écrire:

 
L0 (t)
L1 (t)
 
Pn (t) = (y0 , y1 , y2 , . . . , yn ) L2 (t)
 
 .. 
 . 
Ln (t)
avec    
 L (t) 1
... 1  0   

1 1 1
 x0 x1 x2 . . . xn   1  t 
L (t)
 L2 (t) t 2 
= 

 .. .. .. . 
. . . . . . ..   ..   .. 
 .  .
x0n x1n x2n . . . xnn
Ln (t) tn

Propriétés


 L0 (t) + L1 (t) + . . . + Ln (t) =1
x0 L0 (t) + x1 L1 (t) + . . . + xn Ln (t)=t


 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .=. . .
 n
x0 L1 (t) + x1n L1 (t) + ... + xnn Ln (t)=t n
Formules explicites pour i = 0, 1, . . . , n

n
Y t − xj
Li (t) =
xi − xj
j=0
j̸=i

1 si i =k
Li (xk ) = δi,k =
0 sinon

Théorème
{L0 , L1 , . . . , Ln } est une base de Rn [X ]

n n n
X X Y t − xj
Pn (t) = yi Li (t) = yi
xi − xj
i=0 i=0 j=0
j̸=i

Polynôme d’interpolation dans la base de Lagrange Formule barycentrique de Lagrange
Définition
Soit π le polynôme de degré n + 1 tel que:
π(t) = (t − x0 )(t − x1 ) . . . (t − xn )
Il est clair que:

n
π(t) − π(xi ) Y
πi (t) = = (t − xj )
t − xi
j=0
j̸=i
et que πi (xi ) = π ′ (xi ). On en déduit que:
π(t)
Li (t) =
(t − xi )πi (xi )

Décomposition en éléments simples

X λ n (n)
1 i
=
π(t) t − xi
i=0
(n) 1
On remarque que λi = πi (xi ) , ce qui donne:
Formule barycentrique
(n)
n
Pn λ
i=0 yi t−xi
i
X π(t)
Pn (t) = yi =
(t − xi )πi (xi ) Pn λ(n) i
i=0 i=0 t−xi

Algorithme
Entrées:
(xi , yi )0≤i≤n représentant les points d’interpolation
le point t en lequel on veut évaluer le polynôme d’interpolation
Sortie: Pn (t)
P=0
pour i=0,. . . ,n faire
L=1
pour j=0,. . . ,i-1 faire
L = L ∗ (t − xj )/(xi − xj )
fin du pour
pour j=i+1,. . . ,n faire
L = L ∗ (t − xj )/(xi − xj )
fin du pour
P = P + yi ∗ L
fin du pour
Polynôme d’interpolation dans la base de Newton
Théorème
Qi−1
Posons N0 (t) = 1 et Ni (t) = Ni−1 (t)(t − xi−1 ) = j=0 (t − xj ), alors
{N0 , N1 , . . . , Nn } est une base de Rn [X ].
Polynôme d’interpolation dans la base de Newton

n
X
Pn (t) = [x0 , . . . , xi ]Ni (t)
i=0

Polynôme d’interpolation dans la base de Newton Différences divisées
Définition
On appelle différence divisée:
d’ordre zero la quantité : [xi ] = yi
yj −yi
d’ordre un la quantité : [xi , xj ] = xj −xi
d’ordre k − 1 :
[xi2 , . . . , xik ] − [xi1 , . . . , xik −1 ]
[xi1 , . . . , xik ] =
xik − xi1
Propriétés
k
X yi
[x0 , . . . , xk ] = Qk
i=0 j=0 (xi − xj )
j̸=i

Différences divisées
x0 y0
x1 y1 [x0 , x1 ]
x2 y2 [x1 , x2 ] [x0 , x1 , x2 ]
.. .. .. ..
. . . .
xn yn [xn−1 , xn ] [xn−2 , xn−1 , xn ] . . . ... ... [x0 , x1 , . . . , xn ]
Pi (xj ) = yj ; pour j = 0, . . . , i
Polynôme d’interpolation de Newton

P0 (x) = [x0 ] = y0
P1 (x) = [x0 ] + (x − x0 )[x0 , x1 ]
...
Pn (x) = [x0 ] + (x − x0 )[x0 , x1 ] + (x − x0 )(x − x1)[x0 , x1 , x2 ] + . . . +
(x − x0 ) . . . (x − xn−1 [x0 , x1 , . . . , xn ]
Algorithme de Newton
Entrées:
(xi , yi )0≤i≤n représentant les points d’interpolation
le point t en lequel on veut évaluer le polynôme d’interpolation
Sortie: Pn (t)
P = f [x0 ] = f (x0 )
T=1
pour j=1,. . . ,n faire
T = T ∗ (t − xj−1 )
calcul des différence divisées d’ordre j
pour i=j,. . . ,n faire
D(i, j) dénote f [xi−j , . . . , xi ]
D(i, j) = D(i,j−1)−D(i−1,j−1)
x −x i i−j+1
fin du pour
P = P + T ∗ D(j, j)
fin du pour

Expression de l’erreur
Théorème
Soit f une fonction de classe C n+1 [a, b] avec a = mink xk et
b = maxk xk et Pn le polynôme interpolant f en n + 1 points x0 , . . . , xn
appartenant à [a, b] et yi = f (xi ). Alors
∃ξt ∈ [min(t, mink xk ), max(t, maxk xk )] tel que :
n
f (n+1) (ξt ) Y
En (t) = f (t) − Pn (t) = (t − xi )
(n + 1)!
i=0
π(x)
Preuve: On pose F (x) = f (x) − Pn (x) − π(t) (f (t) − Pn (t))
Théorème de Cauchy
n
Y
En (t) = f (t) − Pn (t) = [x0 , . . . , xn , t] (t − xi )
i=0
Preuve: Considérer le polynôme d’interpolation de Newton aux points

x0 , . . . , xn et t.
Polynôme d’interpolation d’Hermite
On peut généraliser l’interpolation de Lagrange d’une fonction f pour

chercher un polynôme qui passe pas seulement par les points
(xi , f (xi )), mais dont les dérivées coïncident à certains points nodaux
avec les dérivées de la fonction f . On se donne donc (xi , f (k ) (xi)), pour
i = 0, . . . , n et k = 0, . . . , mi . On notera souvent la k-ième dérivée de f
à l’endroit P xi par f (k ) (xi ) = yi (k ) . P
Soit N := ni=0 (1 + mi ) = n + 1 + ni=0 mi . Alors, on peut montrer qu’il
existe un polynôme unique HN−1 ∈ PN−1 , le polynôme d’interpolation
de Hermite, tel que
H (k ) (xi ) = yi (k ) i = 0, . . . , n k = 0, . . . , mi

Ce polynôme s’écrit
mi
n X
X
HN−1 (x) = yi (k ) Lik (x)
i=0 Xn
avec les polynômes caractéristiques d’Hermite Lik ∈ PN−1 , définis par
dp

1, si i = j et k = p
Lik (xj ) =
dx p 0, sinon
L’erreur d’interpolation pour le polynôme d’Hermite est donnée par
f (N) (ξ)
f (x) − HN−1 (x) = πN (x)
N!
avec ξ ∈ [a, b] et le polynôme nodal πN ∈ PN tel que
πN (x) := (x − x0 )m0 +1 × . . . × (x − xn )mn +1

Pour calculer le polynôme d’interpolation d’Hermite, on peut utiliser

l’algorithme de Newton en considérant les abscisses d’interpolation
répétées selon leurs ordres de multiplicités. On peut ainsi construire la
table des différences divisées et ensuite la formule d’interpolation de
Newton
x f
xk yk (0)
xk yk (0) [xk , xk ] = yk (1)
yk (2)
xk yk (0) [xk , xk ] [xk , xk , xk ] = 2!
yk (3)
xk yk (0) [xk , xk ]f [xk , xk , xk ]f [xk , xk , xk , xk ]f = 3!
En utilisant
f (n) (x0 )
[x0 , x0 , · · · , x0 ] =
| {z } n!
n+1 times
On obtient une table avec n + 1 + ni=0 mi entrées dans la première

P
colonne qui vont nous permettre de calculer les coefficients du
polynôme d’interpolation de Newton.
Exemple 1
Trouver p ∈ P3 tel que
′ ′ ′′ ′′ ′′′ ′′′
p(x0 ) = f0 , p (x0 ) = f0 , p (x0 ) = f0 , p (x0 ) = f0
′ ′′ ′′′
p(x) = f0 + f0 (x − x0 ) + f0 /2(x − x0 )2 + f0 /6(x − x0 )3
Erreur:
1
(x − x0 )4 f 4 (ξ)
24

Trouver p ∈ P3 tel que
p(x0 ) = f0 , p(x1 ) = f1 , p′ (x1 ) = f ′ (x1 ), p(x2 ) = f2
x0 f0
x1 f1 [x0 , x1 ]
x1 f1 f1′ [x0 , x1 , x1 ]
x2 f2 [x1 , x2 ]f [x1 , x1 , x2 ] [x0 , x1 , x1 , x2 ]
p(x) = f0 + [x0 , x1 ]f (x − x0 ) + [x0 , x1 , x1 ]f (x − x0 )(x − x1 )

+ [x0 , x1 , x1 , x2 ]f (x − x0 )(x − x1 )2
(4) (ξ)
Erreur : (x − x0 )(x − x1 )2 (x − x2 ) f 4! , x0 < ξ < x2

Stabilité et convergence du polynôme d’interpolation
Stabilité et convergence du polynôme de Lagrange

Le polynôme d’interpolation de Lagrange de f associé aux nœuds
(xi )i=0,...,n est donné par pn (x) = ni=0 f (xi )li (x) où li (x) désigne le
P
polynôme de base de Lagrange. Si on remplace les valeurs f (xi ) par
des valeurs approchées f˜i (par exemple due aux erreurs dans les
mesures expérimentales ou aux erreurs d’arrondi) on aura une erreur
sur le polynôme d’interpolation
n
X
∥pn − p˜n ∥∞ = ∥ (f (xi ) − f̃i )li (x)∥∞ ≤ Λn max |f (xi ) − f̃i |
i=0,...,n
i=0
Pn
avec Λn = ∥λn (x)∥∞ , et λn (x) = i=0 |li (x)|.

Stabilité et convergence du polynôme d’interpolation
La constante Λn , qui ne dépend que de n, de [a, b] et des points xi est

appelée constante de Lebesgue et joue le rôle d’une constante de
stabilité pour l’interpolation. On peut montrer en plus le théorème
suivant
Théorème de majoration de l’erreur d’interpolation
Soit f ∈ C([a, b]) et pn ∈ Pn son polynôme d’interpolation associé aux
nœuds x0 , . . . , xn . Alors on a:
∥En ∥∞ = ∥f − pn ∥∞ ≤ (1 + Λn )En∗ (f ), avec En∗ (f ) = inf ∥f − q∥

q∈Pn
On remarque que Λn ne dépend que des nœuds xi tandis que En∗ ne

dépend que de f . le théorème de Weierstrass montre que pour toute
fonction f ∈ C([a, b]) on a limn→∞ En∗ (f ) = 0. Par ailleurs, si Λ¯n désigne
l’infimum des constantes de Lebesgue pour tous les choix possibles
des nœuds xi ni=0 à n fixé. On peut montrer que Λn ≡ π2 log(n), c.à.d.
limn→∞ Λn = ∞.
Cas des points équidistants
majoration de l’erreur: nœuds équidistants

Soit f une fonction de classe C n+1 [a, b] avec a = mink xk = x0 et
b = maxk xk = xn et Pn le polynôme interpolant f en n + 1 abscisses
équidistantes x0 , . . . , xn appartenant à [a, b] et yi = f (xi ). Alors :
1 b − a n+1
max |f (t) − Pn (t)| ≤ ( ) max |f (n+1) (t)|
x∈[a,b] 4(n + 1) n t∈[a,b]

Phénomène de Runge
Il est important de remarquer que pour une fonction f ∈ C([a, b])

donnée, le choix des nœuds d’interpolation est crucial. En effet, le
polynôme d’interpolation pn peut ne pas converger uniformément vers
f , pour n → ∞. L’interpolation de Lagrange peut devenir très instable
pour de grandes valeurs de n.
La figure suivante montre le phénomène de Runge, il s’agit de
1
l’interpolation de Lagrange de la fonction f (x) = 1+x 2 avec −5 ≤ x ≤ 5
, soit avec des nœuds équidistants, soit avec les nœuds de Chebyshev
xi = a+b b−a 2i+1
2 + 2 cos( 2n+2 π), i = 0, . . . , n.

1
fonction f
points équidistants
0.8
points de Tchebyshev
0.6
0.4
0.2
-0.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
Il est particulièrement évident que dans ce cas (fonction régulière) le

polynôme d’interpolation avec nœuds équidistants ne converge pas
uniformément vers f , par contre le choix des points de Chebyshev
mène à la convergence uniforme.

Interpolation et Python
Fonctions Python
En Python on peut calculer les polynômes d’interpolation en utilisant
les fonctions polyfit et polyval de la bibliothèque Numpy
1 p = numpy.polyfit(x,y,n) calcule les coefficients du polynôme de
degré n qui interpole les valeurs y aux points x.
2 px = numpy.polyval(p,t) calcule les valeurs px d’un polynôme de
degré n, dont les n + 1 coefficients sont memorisés dans le
vecteur p, au point t, c’est-à-dire :
px = p1 t n + ... + pn t + pn+1

Approximation au sens des moindres carrés discrets
Approximation au sens des moindres carrés discrets

soient n + 1 points d’abscisses distinctes (xi )0≤i≤n . IlPexiste un
polynôme unique P(x) de degré m (m ≤ n), P(x) = m j
j=0 aj x réalisant
la meilleure approximation de f(x) au sens de la norme euclidienne.
On cherche alors les coéfficients a = (a0 , a1 , . . . , am ) tels que
n
X
J(a) = (f (xi ) − P(xi ))2
i=0
soit minimal. C’est à dire :

n
X m
X
(f (xi ) − aj xi j )2 = min J(a0 , a1 , . . . , am )
a∈Rm+1
i=0 j=0
Ce polynôme P(x) est appelée le polynôme d’approximation au sens

des moindres carrés discrets de f .

Construction du polynôme d’approximation
J(a) est une forme quadratique en ai , et son minimum est atteint pour
∂J
(a) = 0 pour j = 0, . . . , m
∂aj
On obtient un système linéaire d’ordre m + 1 :
Ax = b
avec x = (ai )i=0,...,m ; A est une matrice carrée d’ordre m + 1 et

b ∈ Rm+1

Équation des moindres carrés

Pn Pn m
n+1 xj j=0 xj
 
j=0 ...
Pn Pn 2
P n m+1
j=0 xj j=0 xj ... j=0 xj
 
A=
 
.. .. .. .. 
 . . . . 
Pn m
Pn m+1 . . .
P n 2m
j=0 xj j=0 j x j=0 xj
   Pn
yj

a0 Pn j=0
j=0 xj yj 
 a1   
x = .  et b = 
  
..
 ..

 
Pn . 
am m
j=0 xj yj

Droite des moindres carrés

Pn
n+1 x
A = Pn Pnj=0 j2
j=0 xj j=0 xj
Pn
a0 j=0 yj
x= et b = Pn
a1 j=0 xj yj

MN Chap1

Transféré par

Droits d'auteur :

Formats disponibles

MN Chap1

Transféré par

Informations du document

Titre original

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

MN Chap1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Interpolation et Approximation Polynômiales

Département de Mathématiques et Informatique

Université Moulay Ismail - Meknès

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 1 / 40

2 Polynôme d’interpolation dans la base de Lagrange

3 Polynôme d’interpolation dans la base de Newton

5 Polynôme d’interpolation d’Hermite

6 Stabilité et convergence du polynôme d’interpolation

7 Cas des points équidistants

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 2 / 40

d’où 2 grandes familles d’approches

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 3 / 40

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 4 / 40

On cherche à déterminer le polynôme de degré 3

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 5 / 40

Les ai peuvent être déterminés par la résolution du système linéaire :

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 6 / 40

La solution de ce système peut être obtenue de la façon suivante :

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 7 / 40

On se donne le tableau de données suivant:

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 8 / 40

Soit Pn ∈ Rn [X ] alors Pn (t) = a0 + a1 t + ... + an t n et donc Pn (xi ) = yi ,

On obtient un système d’équations linéaires dont le vecteur inconnu

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 9 / 40

Le système précédent s’écrit sous forme matricielle sous la forme :

On obtient un système d’équations linéaires dont la matrice est la

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 10 / 40

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 11 / 40

On suppose que Pn (xi ) = Qn (xi ) = yi , pour i = 0, . . . , n ,

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 12 / 40

Nous avons obtenu:

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 13 / 40

En transposant la dernière équation, on obtient:

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 14 / 40

Le polynôme d’interpolation peut donc s’écrire:

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 15 / 40

Formules explicites pour i = 0, 1, . . . , n

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 16 / 40

Polynôme d’interpolation dans la base de Lagrange

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 17 / 40

Il est clair que:

et que πi (xi ) = π ′ (xi ). On en déduit que:

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 18 / 40

Décomposition en éléments simples

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 19 / 40

Polynôme d’interpolation dans la base de Newton

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 21 / 40

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 22 / 40

Polynôme d’interpolation de Newton

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 24 / 40

Preuve: Considérer le polynôme d’interpolation de Newton aux points

On peut généraliser l’interpolation de Lagrange d’une fonction f pour

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 26 / 40

avec les polynômes caractéristiques d’Hermite Lik ∈ PN−1 , définis par

L’erreur d’interpolation pour le polynôme d’Hermite est donnée par

Abdelkader FASSI FIHRI (ENSAM-Meknès) CMN 27 / 40

Pour calculer le polynôme d’interpolation d’Hermite, on peut utiliser

On obtient une table avec n + 1 + ni=0 mi entrées dans la première