A CADÉMIE R OYALE M ILITAIRE DE M EKNÈS

S CIENCES ET T ECHNIQUES (GE/GM)

COURS
DE MÉTHODES NUMÉRIQUES

P RÉPARÉ PAR :
- E L H ASSAN BEN-AHMED
- H OSSAIN OULAD YAKHLEF

A NNÉE U NIVERSITAIRE : 2024/2025

Table des matières

1 Introduction au calcul numérique 2

1.1 Motivation et introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Erreur numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Résolution numérique des équations non linéaires 4

2.1 Introduction et position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Méthodes numériques de résolution des équations non linéaires . . . . . . . . . . . . . . 4
2.2.1 Approche graphique et séparation des racines . . . . . . . . . . . . . . . . . . . . . 4
2.2.2 Méthode de dichotomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.3 Méthode de la sécante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.4 Méthode de la fausse position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.5 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.6 Méthode de points fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Analyse de convergence et étude de l’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Méthode de point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Interpolation polynômiale 15
3.1 Introduction et position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.1 Base de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Méthode d’interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.1 Base de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.2 Interpolation par la méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 Étude de l’erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Interpolation par les splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5.1 Phénomène de Runge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5.2 Points de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.3 Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1
Chapitre 1

Introduction au calcul numérique

1.1 Motivation et introduction

Dans la nature, il existe des phénomènes pour lesquels l’étude expérimentale est coûteuse. En gé-
néral, on peut modéliser ces phénomènes par un ensemble d’équations mathématiques dont le calcul
d’une solution explicite n’est pas possible que pour des cas particuliers. D’où la nécessité de proposer
une solution approchée calculée à l’aide de l’ordinateur. C’est l’objectif de l’analyse numérique.
Définition 1.1.1. L’analyse numérique est la conception et l’étude des algorithmes pour obtenir des
solutions à des systèmes d’équations issus des modèles issus de la physique, de la biologie, de la
finance. . ..

1.2 Erreur numérique

Lors du calcul d’une solution approchée par l’ordinateur une perte d’information se produit. On
dit qu’une erreur est commise.
Définition 1.2.1. Soit x un nombre, et x∗ une approximation de ce nombre. L’erreur absolue est
définie par :
∆ x = | x − x ∗ |.
Définition 1.2.2. Soit x un nombre, et x∗ une approximation de ce nombre. L’erreur relative est
définie par :
| x − x∗ | ∆ x ∆ x
E r ( x∗ ) = = ≈ .
| x| | x| | x∗ |
Remarque 1.2.1. En multipliant l’erreur relative par 100%, on obtient l’erreur relative en pourcen-
tage.
En pratique, il est difficile d’évaluer les erreurs absolue et relative, car on ne dispose pas généra-
∆x
lement de la valeur exacte de x, et l’on n’a que x∗ . C’est pourquoi on utilise l’approximation ∗ pour
|x |
l’erreur relative. Dans le cas des quantités mesurées expérimentalement dont on ne connaît que la
valeur approchée, on dispose souvent d’une borne supérieure pour l’erreur absolue qui dépend de la
précision des instruments de mesure utilisés. Cette borne est quand même appelée erreur absolue,
alors qu’en fait on a
| x − x∗ | ≤ ∆ x,
ce qui peut également s’écrire
x∗ − ∆ x ≤ x ≤ x∗ + ∆ x,
et que l’on note parfois
x = x∗ ± ∆ x.
On peut interpréter ce résultat en disant que l’on a estimé la valeur exacte x à partir de x∗ avec une
incertitude ∆ x de part et d’autre.

2
CHAPITRE 1. INTRODUCTION AU CALCUL NUMÉRIQUE 3

Définition 1.2.3. Si l’erreur absolue vérifie

∆ x ≤ 0.5 × 10m ,

alors le chiffre correspondant à la m-ième puissance de 10 est dit significatif exact et tous ceux à
sa gauche, correspondant aux puissances de 10 supérieures à m, le sont aussi. On arrête le compte
au dernier chiffre non nul.

Remarque 1.2.2. Il existe une exception à la règle des chiffres significatifs. Si le chiffre correspon-
dant à la m-ième puissance de 10 est nul ainsi que tous ceux à gauche, on dit qu’il n’y a aucun
chiffre significatif. Inversement, si un nombre est donné avec n chiffres significatifs, on commence
à compter à partir du premier chiffre non nul à gauche et l’erreur absolue est inférieur à 0,5 fois le
puissance de 10 correspondant au dernier chiffre significatif.
En pratique, on cherchera à déterminer une borne pour ∆ x aussi petite que possible et donc la valeur
de m la plus petite possible.
22 ∗ 22
µ ¶
Exemple 1.2.1. On obtient une approximation de π ( x = π) via la quantité x = = 3.142857 . . . .
7 7
On en conclut que : ¯ ¯
22
∆ x = ¯¯π − ¯¯ = 0.00126 · · · ≈ 0.126 × 10−2 < 0.5 × 10−2 .
¯ ¯
7
D’où l’on tire que le chiffre des centièmes est significatif, et l’on a en tout 3 chiffres significatifs (3.14).
Si l’on retient x∗ = 3.1416 comme approximation de x = π, on a :

∆ x = |π − 3.1416| ≈ 0.73 × 10−5 < 0.5 × 10−4 .

Le chiffre correspondant à la puissance de 10−4 (c’est-à-dire 6) est significatif au sens de la Définition

3, ainsi que tous les chiffres situés à sa gauche. Il est à noter que le chiffre 6 dans 3.1416 est significatif
même si la quatrième décimale de π est un 5 (3.14159 . . . ). L’approximation 3.1416 possède donc 5
chiffres significatifs.
Chapitre 2

Résolution numérique des équations non

linéaires

2.1 Introduction et position du problème

On s’intéresse à résoudre numériquement le problème suivant :
Soit f : R → R une fonction continue, et I =]a, b[ un intervalle de R tel que a < b. Le problème qu’on
souhaite résoudre est de trouver tous les α ∈ I qui vérifient la fomule suivante :

f (α) = 0.

On dit aussi résoudre l’équation f ( x) = 0. Dans ce cas, α est appelé racine (ou zéro) de l’équation.
Exemple 2.1.1. Exemple d’équations non linéaires simples à résoudre numériquement :
• I = R, f ( x) = ax2 + bx + c. L’équation f ( x) = 0 a zéro, une ou deux racines selon le signe de
∆ = b2 − 4ac.
• I = R+ , f ( x) = sin( x).
• I = [1, 2], f ( x) = x3 + x2 − 3 x − 3.

2.2 Méthodes numériques de résolution des équations non li-

néaires
2.2.1 Approche graphique et séparation des racines
On commence par tracer la courbe et localiser les racines. Séparer les racines consiste à trou-
ver pour chaque racine un intervalle ne la contenant qu’elle et elle seule. Soit [a, b] un intervalle
contenant une seule racine α.

On subdivise l’intervalle [a, b] de la manière suivante

a = x o < x1 < .... < xn−1 < xn = b.

4
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 5

On calcule f ( x i ) f ( x i+1 ), pour i = 0, ..., n − 1, jusqu’à ce que f ( x i ) f ( x i+1 ) < 0. Alors α ∈] x i , x i+1 [. On
refait le même travail sur l’intervalle [ x i , x i+1 ] jusqu’à ce que | x i+1 − x i | < ε où ε est l’erreur tolérée
(ou la tolérance).

2.2.2 Méthode de dichotomie

On commence par rappeler le théorème des valeurs intermédiaires :

Théorème 2.2.1. Si f est une fonction continue sur un intervalle [a, b] et si f (a) f ( b) < 0, alors l’équa-
tion f ( x) = 0 admet au moins une solution α ∈]a, b[. Si de plus, f est strictement monotone sur ]a, b[,
alors α est unique.

La méthode de dichotomie se base sur le principe suivant :

Après séparation des racines, la méthode de dichotomie consiste à partager l’intervalle contenant
une racine α en deux intervalles de même longueur et à retenir comme nouvel intervalle celui où f
change de signe.

a0 +b0
On suppose que f (a) f ( b) < 0. On pose a 0 = a et b 0 = b. Soit x0 = 2 le milieu de l’intervalle
[a 0 , b 0 ]. On calcule f (a 0 ) f ( x0 ) :
— Si f (a 0 ) f ( x0 ) = 0 alors α = x0 . Fin.
— Si f (a 0 ) f ( x0 ) < 0 alors α ∈ [a 0 , x0 ], et on pose a 1 = a 0 et b 1 = x0 .
— Si f (a 0 ) f ( x0 ) > 0 alors α ∈ [ x0 , b 0 ], et on pose a 1 = x0 et b 1 = b 0 .
Donc α ∈]a 1 , b 1 [.

On répète ce processus plusieurs fois. On construit ainsi deux suites (a n )n∈N et ( b n )n∈N qui
convergent vers la racine α.
Les suites (a n )n∈N et ( b n )n∈N sont définies comme suit :

a 0 = a, b0 = b
an + bn an + bn
µ ¶
Si f f (a n ) < 0, a n+1 = a n , b n+1 =
2 2
an + bn an + bn
µ ¶
Si f f (a n ) > 0, a n+1 = , b n+1 = b n
2 2
an + bn an + bn
µ ¶
Si f f ( a n ) = 0, α =
2 2
a n +b n
On pose xn = 2 , n = 0, 1, 2 . . . . Alors, on a le théorème suivant :

Théorème 2.2.2. La suite ( xn )n∈N construite par la méthode de dichotomie converge vers α. Cette
suite approche α à ε près après n itérations avec :
¡ b−a ¢
ln ε
n> .
ln(2)

Remarque 2.2.1. Le deuxième résultat du Théorème 2.2.2 permet d’obtenir le nombre d’itérations
nécessaires pour avoir la racine à ε près.

Exemple 2.2.1. L’équation f ( x) = 0 où f ( x) = x3 + x2 − 3 x − 3 possède une racine dans l’intervalle ]1, 2[.
En effet,
f (1) × f (2) = −4 × 3 = −12 < 0.
On a alors x0 = 1, 5 et f (1, 5) = −1, 875.
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 6

L’intervalle [1, 5; 2] possède encore un changement de signe, ce qui n’est pas le cas pour l’intervalle
[1; 1, 5]. Le nouvel intervalle de travail est donc [1, 5; 2], dont le point milieu est x1 = 1, 75. Puisque
f (1, 75) = 0, 17187, on prendra l’intervalle [1, 5; 1, 75] et ainsi de suite. Le tableau suivant résume le
résultat des 5 premières itérations :

Méthode de dichotomie
an bn xn f (a n ) f (b n ) f ( xn ) Erreur
1 2 1.5 −4 3 −1.875 0.5
1.5 2 1.75 −1.875 3 +0.17187 0.25
1.5 1.75 1.625 −1.875 0.17187 −0.94335 0.125
1.625 1.75 1.6875 −0.94335 0.17187 −0.40942 0.0625
1.6875 1.75 1.71875 −0.40942 0.17187 −0.12478 0.03125

Si l’on veut une erreur absolue plus petite que ε = 0.5 × 10−2 , ce qui revient à s’assurer que le chiffre
des centièmes est significatif, il faut avoir :

ln 2−ε 1
¡ ¢
n> .
ln(2)
Soit n > 7.64. On fera donc n = 8 itérations pour s’assurer de cette précision. On peut aisément vérifier
qu’après 8 itérations l’erreur maximale liée à xn est de 0.00390625 et que la véritable erreur est
0.001582.
Les avantages de la méthode de dichotomie sont la certitude de sa convergence, sa progmmma-
tion facile et la possibilite d’estimer à l’avance le nombre d’itérations nécessaires pour avoir la racine
avec une précision donnée. Le seul inconvénient de cette méthode est sa lenteur, elle nécessite un
très grand nombre d’itérations.

Algorithme 3.2.1 (Méthode de Dichotomie)

Saisir a, b, ε, tels que f (a) × f ( b) < 0.
Tant que |a − b| > ε, répéter :
— c = a+2 b .
— Si f ( c) × f (a) = 0, arrêter
— Sinon
— Si f ( c) × f (a) < 0
— b = c.
— Sinon a = c.
— Fin Si
— Fin Si
Fin Tant que

2.2.3 Méthode de la sécante

Pour déterminer une racine de f ( x) = 0, on peut choisir x0 et x1 au voisinage de la racine α et on
trace la droite reliant les points ( x0 , f ( x0 )) et ( x1 , f ( x1 )). Soit x2 le point d’intersection de cette droite
avec l’axe ( ox).
On a :
f ( x1 ) f ( x0 ) − f ( x1 )
= ,
x1 − x2 x0 − x1
ou encore :
x1 − x2 x0 − x1
= .
f ( x1 ) f ( x0 ) − f ( x1 )
De la dernière relation, on tire
x0 − x1
x2 = x1 − f ( x1 ) .
f ( x0 ) − f ( x1 )
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 7

On continue ainsi pour avoir une meilleure estimation de α en prenant x2 = x1 et x1 = x0 , on obtient

alors x3 , ensuite x4 , x5 , . . . . On construit ainsi la suite :
xn−1 − xn
xn+1 = xn − f ( xn ) .
f ( xn−1 ) − f ( xn )

C’est le schéma de la méthode de la sécante pour approcher la racine α.

Algorithme 3.2.2 (Méthode de la sécante)

On se donne deux valeurs x0 et x1 quelconques au voisinage de α ;
Répéter :
x0 − x1
— x2 = x1 − f ( x1 ) ;
f ( x0 ) − f ( x1 )
— x0 = x1 ;
— x1 = x2 ;
jusqu’à ce que | f ( x2 )| < ε, ε étant l’erreur tolérée ;

Exemple 2.2.2. On cherche à résoudre l’équation : e− x − x = 0. En prenant x0 = 0 et x1 = 1, on trouve

à la première itération, en utilisant la méthode de la sécante :
x1 − x0
x2 = x1 − ( e− x1 − x1 )
( e− x1 − x −x
1 ) − ( e 0 − x0 )
1−0
= 1 − ( e−1 − 1) −1 = 0.6126998
( e − 1) − ( e−0 − 0)

Les résultats sont reportés dans le tableau suivant :

Méthode de la sécante f ( x) = e− x − x
n xn Erreur à l’itération n
0 0000000 0.5671
1 1.0000000 0.4328
2 0.6126998 0.4555 × 10−1
3 0.5638384 0.3305 × 10−2
4 0.5671704 0.2707 × 10−4
5 0.5671433 0.1660 × 10−7
6 0.5671433 ≈ 0

2.2.4 Méthode de la fausse position

La méthode de la fausse position, connue aussi sous le nom Regula-Falsi, est similaire à la mé-
thode de bissection (dichotomie) excepté qu’au lieu du milieu de l’intervalle, l’itération est prise à
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 8

l’intersection de la droite reliant deux valeurs de f ( x) et l’axe ( ox).

Ainsi, la méthode de la fausse position utilise le schéma de la méthode de la sécante pour accélérer
la convergence de la méthode de dichotomie en se basant sur le principe de cette dernière méthode.

Algorithme 3.2.3 (Méthode de la fausse position)

Pour déterminer une racine de f ( x) = 0, on se donne deux valeurs x0 et x1 encadrant une racine,
c’est-à-dire telle que f ( x0 ) f ( x1 ) < 0.
Répéter :
x0 − x1
— x2 = x1 − f ( x1 ) ;
f ( x0 ) − f ( x1 )
— Si f ( x0 ) f ( x2 ) < 0
— x1 = x2 ;
— Sinon x0 = x2 ;
jusqu’à ce que | f ( x2 )| < ε, ε étant l’erreur tolérée ;

Remarque 2.2.2. La convergence de cette méthode est plus rapide que celle de la bissection.

Exemple 2.2.3. On s’intéresse à la résolution numérique de l’équation 3 x + sin( x) − e x = 0 par la

méthode de la fausse position. Une valeur approchée de la racine est α = 0.360421702960324.
Avec x0 = 0 et x1 = 1, on obtient :
x1 − x0
x2 = x1 − (3 x1 + sin( x1 ) − e x1 )
(3 x1 + sin( x1 ) − e 1 ) − (3 x0 + sin( x0 ) − e x0 )
x

1−0
= 1 − (3 + sin(1) − e) = 0.470990
(3 + sin(1) − e) − (0 + sin(0) − e0 )

Le tableau suivant donne le résultat des 6 premières itérations de cette méthode :

Méthode de la fausse position f ( x) = 3 x + sin( x) − e x

n xn f ( xn ) Erreur à l’itération n
0 0.000000 −1 0.3604
1 1.000000 +0.1232 0.6396
2 0.470990 +0.2652 0.1106
3 0.372277 +0.0295 0.1186 × 10−1
4 0.361598 +0.0029 0.1176 × 10−2
5 0.360537 +0.2884 × 10−5 0.1157 × 10−3
6 0.360433 +0.2826 × 10−6 0.1137 × 10−4
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 9

2.2.5 Méthode de Newton

Pour résoudre l’équation f ( x) = 0, on part de x0 ∈ [a, b]. L’équation de la tangente au point
( x0 , f ( x0 )) est donnée par y = ( x − x0 ) f ′ ( x0 ) + f ( x0 ). Soit x1 l’intersection de cette tangente avec l’axe
des abscisses ( ox).
On a :
f ( x0 )
x1 = x0 − ′ .
f ( x0 )
Ensuite, on procède au calcul de x2 en utilisant le même schéma :
f ( x1 )
x2 = x1 − .
f ′ ( x1 )

On construit ainsi une suite ( xn )n∈N récurrente défine par :

f ( xn )
xn+1 = xn − , n = 0, 1, 2, . . . .
f ′ ( xn )
C’est le schéma de la méthode de Newton qui converge vers la racine α.

Algorithme 3.2.4 (Méthode de Newton)

Pour déterminer une racine de f ( x) = 0, on se donne un x0 qui est assez proche de la racine.
— On calcule f ( x0 ) et f ′ ( x0 ) ;
— Si f ( x0 ) ̸= 0 et f ′ ( x0 ) ̸= 0, répéter :
— x1 = x0 ;
f ( x0 )
— x0 = x0 − ′ ;
f ( x0 )
— jusqu’à ce que | x0 − x1 | < ε ou | f ( x0 )| < ε ;
Théorème 2.2.3. Soit f une fonction de classe C 2 sur l’intervalle [a, b] où f ′ ne s’annulle pas. Si α
est la seule racine de f ( x) = 0. Alors, il existe δ tel que si pour x0 ∈ [a, b], on a : |α − x0 | < δ ; alors la
suite définie par la relation de récurrence :
f ( xn )
xn+1 = xn − , n = 0, 1, 2, . . .
f ′ ( xn )
converge vers α.
Exemple 2.2.4. On cherche à résoudre l’équation f ( x) = 0 où f ( x) = e− x − x.
Pour utiliser la méthode de Newton, calculons la dérivée de f : f ′ ( x) = − e− x − 1.
Le schéma de cette méthode prend alors la forme suivante :
f ( xn ) e− xn − xn e− xn − xn
xn+1 = xn − = x n − = x n + .
f ′ ( xn ) − e− xn − 1 e− xn + 1
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 10

Les 4 premières itérations sont obtenues en démarrant de x0 = 0 :

Méthode de Newton f ( x) = − e− x − x
n xn Erreur à l’itération n
avec α = 0.567143290409784
0 0.000000000000000 0.5671
1 0.500000000000000 0.6714 × 10−1
2 0.566311003197218 0.8323 × 10−3
3 0.567143165034862 0.1254 × 10−6
4 0.567143290409781 0.2887 × 10−14
Remarque 2.2.3.
— La méthode peut converger vers une autre racine ou diverger si le point initial x0 n’est pas
assez proche de la racine.
— On peut écrire le schéma de Newton sous la forme :
xn+1 = g( xn ), n = 0, 1, 2, . . . ,
f ( x)
où g( x) = x − .
f ′ ( x)
— C’est la formulation des méthodes du point fixe. Ainsi, la méthode de Newton est un cas
particulier de ces méthodes.
— L’étude de convergence de la méthode de Newton se fait en passant par l’analyse de la mé-
thode du point fixe.

2.2.6 Méthode de points fixe

La méthode de point fixe pour la résolution d’une équation de type
f ( x) = 0 (2.1)
consiste à transformer cette équation en une équation de la forme :
x = g ( x) (2.2)
où toute solution de (2.1) s’appelle point fixe de la fonction g et est aussi solution de l’équation (2.2).
Ainsi, la méthode de point fixe génére une suite récurrente ( xn )n∈N définie par :
x0 donné et xn+1 = g( xn ), n ∈ N.
La fonction g est appelée fonction d’itération, et peut être construite par plusieures manières.
Remarque 2.2.4. Il existe plusieurs choix possibles pour la fonction d’itération g. En général, on
choisit celle qui conduit à une convergence rapide de la suite ( xn )n∈N vers la racine α à ε près.
Exemple 2.2.5. 1. L’équation x3 − x − 1 = 0 admet pour fonction d’itération, les choix suivants :
x+1 1
g 1 ( x ) = x 3 − 1, g 2 ( x ) = 2 , g 3 ( x ) = 2 .
x x −1
2. L’équation sin(2 x) + x − 1 = 0, pour x ∈ [0, 1], est équivalente à
1
x = g 1 ( x) = 1 − sin(2 x) ou x = g 2 ( x) = arcsin(1 − x).
2
Remarque 2.2.5. Il faut noter aussi que ces transformations peuvent conduire à des solutions para-
sites qui donnent une convergence vers une racine autre que α ou une divergence de la suite ( xn )n∈N .
Ainsi, le choix de la fonction d’itération g joue un rôle très important dans la méthode de point fixe.
Exemple 2.2.6. L’équation
1
−1 = 0 (2.3)
x
est equivalente à
x = 2 x − x2 (2.4)
On constate que 0 est solution de (2.4) mais ce n’est pas solution de (2.3).
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 11

Principe de la méthode de point fixe

Pour résoudre l’équation (2.2), on utilise le schéma numérique

xn+1 = g( xn ), (2.5)

en démarrant d’une donnée initiale x0 qui peut être considérée comme une première approximation
de la racine α. Une seconde approximation est obtenue via la formule x1 = g( x0 ) et une troisième via
la formule x2 = g( x1 ), et ainsi de suite. Si la suite construite ( xn )n∈N converge alors sa limite est un
point fixe de la fonction d’itération g :

lim xn = α, avec g(α) = α. (2.6)

n→+∞

Ce point est en fait la solution de l’équation (2.1), c’est-à-dire une racine de f .

Exemple 2.2.7. Comme exemple simple, on souhaite résoudre, par la méthode de point fixe, l’équation

x 2 − 2 x − 3 = 0, (2.7)

qui a pour solutions exactes α1 = −1 et α2 = 3. Ce n’est pas nécessaire de faire recourt aux méthodes
numériques pour la résolution de cette équation, mais cet exemple permet de mieux comprendre la
méthode de point fixe. On choisit la formulation de la méthode de point fixe en considérant les trois
fonctions d’itérations suivantes :
p
g 1 ( x) = 2 x + 3 (en isolant x2 )
3
g 2 ( x) = (en écrivant x( x − 2) − 3 = 0)
x−2
x2 − 3
g 3 ( x) = (en isolant x de − 2 x)
2
Si on applique le schéma de la méthode des points fixe à chacune de ces fonction g i ( x), i = 1, 2, 3, en
démarrant de la donnée initiale x0 = 4, on obtient pour g 1 :
p
x1 = g 1 (4.0000000) = 2 × 4.0000000 + 3 = 3.3166248
p
x2 = g 1 (3.3166248) = 2 × 3.3166248 + 3 = 3.1037477
p
x3 = g 1 (3.1037477) = 2 × 3.1037477 + 3 = 3.0343855
p
x4 = g 1 (3.0343855) = 2 × 3.0343855 + 3 = 3.0114402
.. .. .. ..
. . . .
p
x10 = g 1 (3.0000470) = 2 × 3.0000470 + 3 = 3.0000157

La méthode numérique semble donc converger vers la deuxième racine α2 = 3. Pour g 2 et en partant
toujours de x0 = 4, on obtient les résultats numériques suivants :

3
x1 = g 2 (4) = = 1.5
4−2
3
x2 = g 2 (1.5) = = −6
1. 5 − 2
3
x3 = g 2 (−6) = = −0.375
−6 − 2
3
x4 = g 2 (−0.375) = = −1.2631579
−0.375 − 2
.. .. .. ..
. . . .
3
x10 = g 2 (−0.9989841) = = −1.0003387
−0.9989841 − 2
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 12

Dans ce cas, la méthode de point fixe converge clairement vers la première racine α1 = −1. Reprenons
maintenant l’exemple avec g 3 :

42 − 3
x1 = g 3 (4) = = 6.5
2
6. 52 − 3
x2 = g 3 (6.5) = = 19.625
2
19.6252 − 3
x3 = g 3 (19.625) = = 191.0703
2
191.07032 − 3
x4 = g 3 (191.0703) = = 18252.43
2
.. .. .. ..
. . . .

Contrairement aux cas précédents, on constate que la méthode de point fixe ne converge vers aucune
racine car la suite ( xn )n∈N diverge vers l’infini.

2.3 Analyse de convergence et étude de l’erreur

2.3.1 Méthode de Newton
Dans cette section, nous allons considérer la méthode de Newton dont le schéma est défini, pour
un certain x0 proche de la racine α, par :

xn+1 = g( xn ), n = 0, 1, 2, . . . , (2.8)
f (x)
où g( x) = x − f ′ (x) . Ainsi, on a :
α = g(α) et f (α) = 0.
La convergence de la suite (2.8) ne suffit pas numériquement, on aimerait avoir une estimation de
la rapidité de convergence. Soit | e n | = | xn − α| l’erreur à l’itération n.

Définition 2.3.1. La méthode numérique définie par xn+1 = g( xn ) est dite d’ordre p si
| e n+1 | | e n+1 |
lim =0 et lim ̸= 0.
n→+∞ | e n | p−1 n→+∞ | e n | p

Remarque 2.3.1. — Lorsque la méthode est d’ordre 1, on dit que la convergence est linéaire.
— Si la méthode est d’ordre 2, on dit que la convergence est quadratique.

Théorème 2.3.2. On suppose que la fonction f est de classe C 2 sur ]a, b[ et qu’il existe α ∈]a, b[ tel
que f (α) = 0 et f ′ (α) ̸= 0. Alors, le schéma (2.8) de Newton vérifie

| e n+1 | | e n+1 | f ′′ (α)

lim = 0, lim = .
n→+∞ | e n | n→+∞ | e n |2 2 f ′ (α)
Remarque 2.3.2. Cela indique que la méthode de Newton donne une convergence au moins qua-
dratique si f ′ (α) ̸= 0.

Démonstration. On a : e n+1 = xn+1 − α = g( xn ) − g(α). Or xn = α + e n alors par un développement de

Taylor au voisinage de α, on peut obtenir :

e n+1 = g(α + e n ) − g(α)

à !
2 (3) 3
g ′′
( α) e n g e n
= g(α) + g′ (α) e n + + + . . . − g(α)
2! 3!

On en conclut que :
g′′ (α) e2n g(3) e3n
e n+1 = g′ (α) e n + + +... (2.9)
2! 3!
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 13

Si g′ (α) ̸= 0 et en négligeant les termes d’ordre supérieur à 2, on obtient :

e n+1 ≈ g′ (α) e n .

On voit que l’erreur à l’itération ( n + 1) est proportionnelle à l’erreur à l’itération n. L’erreur ne

pourra donc diminuer que si :
| g′ (α)| < 1.
De plus,
| e n+1 | f (α) f ′′ (α)
≈ g′ (α) = =0
|e n| ( f ′ (α))2
puisque f (α) = 0, α étant une racine. D’où la convergence car g′ (α) = 0 < 1. D’autre part, on peut
vérifier facilement que :
f ′′ (α)
g′′ (α) = ′ .
f (α)
Ainsi, d’après l’équation (2.9), on peut déduire que :

| e n+1 | g′′ (α) f ′′ (α)

≈ = ,
| e n |2 2! 2 f ′ (α)

puisque g′ (α) = 0. D’où le Théorème.

p
Exemple 2.3.1. On souhaite avoir une valeur approchée de 2. Pour cela, on résout numériquement
l’équation f ( x) = 0, avec :
f ( x ) = x 2 − 2,
en utilisant la méthode de Newton.
Dans ce cas, on a f ′ ( x) = 2 x, et le schéma de Newton s’écrit :

x2n − 2
xn+1 = xn − , n = 0, 1, 2, . . . .
2 xn
p p
Comme f ′ ( 2) = 2 2 ̸= 0, alors on doit s’attendre à une convergence au moins quadratique d’après la
Remarque 2.3.2. On peut constater ce résultat théorique dans le tableau suivant

Méthode de Newton f ( x) = x2 − 2
| e n+1 | | e n+1 |
n xn |e n| |e n| | e n |2
0 2.0000000 0.5858 × 100 0.1464 × 100 0.2499
1 1.5000000 0.8578 × 10−1 0.2860 × 10−1 0.3333
2 1.4166666 0.2453 × 10−2 0.8658 × 10−3 0.3529
3 1.4142157 0.2124 × 10−5 0.7508 × 10−6 0.3535
4 1.4142136 0.1594 × 10−11 - -

| e n+1 | p
On constate que | e n | tend vers 0 et que tend aussi vers 0 (c’est-à-dire vers g′ ( 2), qui est égale
|e n|
| e n+1 |
à 0 dans ce cas). En outre, le rapport tend vers à peu près 0.35. Encore une fois, ce dernier
| e n |2
nombre n’est pas arbitraire et correspond à :

g′′ (α) f ′′ (α) 2

= ′ = p ≈ 0.353553.
2! 2 f (α) 2 × 2 2

Remarque 2.3.3. La convergence de la méthode de Newton dépend de la valeur initiale x0 (voir

Remarque 2.2.3). Malgré ses belles propriétés de convergence rapide, une mauvaise valeur initiale
peut provoquer la divergence de cette méthode. Par exemple, si l’on choisit x0 = 10−6 dans l’Exemple
2.3.1, on n’aura pas la convergence rapide de la méthode puisque x1 ≈ 106 est assez loin de la
solution exacte.
CHAPITRE 2. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS NON LINÉAIRES 14

2.3.2 Méthode de point fixe

D’après l’étude de convergence de la méthode de Newton, qui est un cas particulier de la méthode
de point fixe, on a montré que la méthode de point fixe converge si la fonction d’itération g est
dérivable sur ]a, b[ telle que
| g′ (α)| < 1. (2.10)
D’après la relation (2.9), plus g′ (α) est petit, plus l’erreur diminue et donc plus la convergence est
rapide. Cela nous amène à la définition du taux de convergence.

Définition 2.3.3. Le taux de convergence d’une méthode de point fixe est donné par | g′ (α)|.

Remarque 2.3.4. • Si | g′ (α)| < 1 et g′ (α) ̸= 0, alors la méthode de point fixe est d’ordre 1 ;
• Si g′ (α) = 0 et g′′ (α) ̸= 0, alors la méthode de point fixe est d’ordre 2 ;
• Si g′ (α) = 0, g′′ (α) = 0 et g′′′ (α) ̸= 0, alors la méthode de point fixe est d’ordre 3 ; et ainsi de suite.
Chapitre 3

Interpolation polynômiale

3.1 Introduction et position du problème

Ce chapitre a pour objectif de résoudre le problème suivant :
Problème d’interpolation :
Étant donnée une fonction f : [a, b] → R définie sur un intervalle [a, b] de R, et connue seulement en
( n + 1) points ( x i , f ( x i )), pour i = 0, 1, 2, . . . , n, avec x0 = a et xn = b, peut-on construire une approxima-
tion de f ( x), notée fb( x), et ce pour tout x ∈]a, b[ tel que x ̸= x i , pour tout i = 0, 1, 2, . . . , n ?

Remarque 3.1.1. — Les points x0 < x1 < x2 < · · · < xn sont appelés les noeuds d’interpolation.
— Si la fonction f construite est un polynôme alors on parle d’interpolation polynomiale.
b
Dans ce cas, fb est appelée polynôme d’interpolation ou polynôme interpolateur.

Étant donnée une fonction f continue sur [a, b], le problème d’interpolation polynomiale consiste
à trouver un polynôme p n de degré inférieur ou égal à n dont le graphe de f passe par les n + 1 points
( x i , f ( x i )), i = 0, 1, . . . , n, c-à-d

trouver p n ∈ P n = Rn [ X ] tel que p n ( x i ) = f ( x i ), ∀ i ∈ {0, 1, . . . , n}.

Théorème 3.1.1 (d’approximation de Weierstrass). Pour toute fonction f définie et continue sur un
intervalle [a, b] de R et pour tout ε > 0, il existe une fonction polynomiale p à cœfficients réels telle que
pour tout x ∈ [a, b], | f ( x) − p( x)| < ε.

Le polynôme p n , solution du Problème d’interpolation polynômiale, est appelé interpolant de

yi = f ( x i ) (ou simplement de f ) aux nœuds x i , pour i = 0, 1, . . . , n. On dit aussi que le polynôme
d’interpolation p n interpole yi aux nœuds x i , i = 0, 1, . . . , n.

Théorème 3.1.2. Un polynôme p n de degré n dont la forme générale est :

p n ( x) = a 0 + a 1 x + a 2 x2 + · · · + a n x n ,

où a n ̸= 0, possède exactement n racines.

15
CHAPITRE 3. INTERPOLATION POLYNÔMIALE 16

Corollaire 3.1.3. Par ( n + 1) nœuds d’interpolation distincts ( x i , f ( x i )), i = 0, 1, . . . , n, on ne peut faire

correspondre qu’un seul polynôme d’interpolation de degré n. Autrement dit, le Problème 2 admet
une unique solution si et seulement si les nœuds d’interpolation sont deux à deux distincts.

Démonstration. On peut démontrer le Corollaire 3.1.3 par l’absurde en utilisant le Théorème 3.1.2.

Si un tel polynôme d’interpolation de degré n existe et si il est de la forme :

p n ( x) = a 0 + a 1 x + a 2 x2 + · · · + a n x n ,

alors, grâce aux conditions d’interpolation, on aura le système linéaire :

n
X j
a j x i = yi , i = 0, 1, . . . , n, (3.1)
j =0

qui admet une unique solution {a i }ni=0 si les points ( x i , yi ), i = 0, 1, . . . , n, sont deux à deux distincts.
En effet, le déterminant de la matrice du système (3.1) est :
n
Y
( x j − x i ).
i, j =0,
i< j

Ainsi, une condition nécessaire et suffisante simple pour que le Problème d’interpolation admette
une solution unique est que les nœuds d’interpolation soient deux à deux distincts. Cette approche
est appelée méthode directe. Mais, elle est inutilisable en pratique si l’on veut calculer de manière
effective le polynôme d’interpolation p n ; il faut en effet résoudre un système linéaire de plusieurs
inconnus.

3.2 Interpolation de Lagrange

3.2.1 Base de Lagrange
Une première amélioration du calcul de p n consiste à exprimer ce polynôme dans une base autre
que la base canonique, à savoir : la base de Lagrange.

Définition 3.2.1. Soient { x i }ni=0 les nœuds d’interpolation, qui sont n + 1 points deux à deux distincts.
On appelle base de Lagrange relative aux points x i les polynômes :
n x−x
Y j
L i ( x) = , i = 0, 1, . . . , n.
j =0, xi − x j
j ̸= i

Lemme 3.2.2. On peut obtenir de la Définition 3.2.1 le résultat immédiat suivant : L i ( x j ) = δ i, j , i.e.
½
L i ( x i ) = 1,
L i ( x j ) = 0, si i ̸= j.

3.2.2 Méthode d’interpolation de Lagrange

Proposition 3.2.3. La famille {L i ( x)}ni=0 forme une base de P n et le polynôme d’interpolation qui
interpole yi aux nœuds x i , i = 0, 1, . . . , n, s’écrit :
n
X n
X n
Y (x − x j )
p n ( x) = yi L i ( x) = f (xi ) .
i =0 i =0 j =0, j ̸= i (xi − x j )
CHAPITRE 3. INTERPOLATION POLYNÔMIALE 17

Démonstration. La famille {L i ( x)}ni=0 est composée de n + 1 éléments. Pour montrer qu’elle forme une
base de P n , qui est de dimension n + 1, il faut et il suffit d’établir que tous les L i ( x) sont linéairement
indépendants, c’est-à-dire que :
n
X
α i L i ( x) = 0, ∀x ⇒ α i = 0, ∀ i ∈ {0, 1, . . . , n}.
i =0

Ceci découle immédiatement du Lemme 1 en prenant successivement x = x j , j = 0, 1, . . . , n. L’usage

du même argument permet d’obtenir que p n ( x i ) = yi , ∀ i ∈ {0, 1 . . . , n}.

Exemple 3.2.1. Le polynôme d’interpolation p 2 de degré inférieur ou égal à 2 qui interpole les valeurs
y0 = 2, y1 = 7 et y2 = −1 aux nœuds x0 = 1, x1 = 3, x2 = 4 est donné par la méthode de Lagrange :

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

p 2 ( x) = 2 +7 + (−1)
(1 − 3)(1 − 4) (3 − 1)(3 − 4) (4 − 1)(4 − 3)
( x − 3)( x − 4) ( x − 1)( x − 4) ( x − 1)( x − 3)
= −7 −
3 2 3
7 2 33
= − x + x − 11
2 2
Remarque 3.2.1. Si les cœfficients du polynôme d’interpolation dans la base de Lagrange sont
accessibles, contrairement au cas de la base canonique, cette approche comporte encore des inconvé-
nients pratiques importants. Il est notamment nécessaire de recalculer tous les éléments de la base
si l’on rajoute un point d’interpolation.

3.3 Interpolation de Newton

3.3.1 Base de Newton
Une deuxième amélioration du calcul de p n consiste à exprimer ce polynôme dans une base autre
que celle de Lagrange, à savoir la base de Newton.

Définition 3.3.1. La base de Newton relative aux nœuds x i , i = 0, 1, . . . , n, est définie par les n + 1
polynômes N i ( x) suivants :

 N 0 ( x ) = 1,

iY
−1
 i
 N ( x ) = ( x − x j ), pour i = 1, 2, . . . , n.
j =0

Remarque 3.3.1. — On peut établir que la famille { N i }ni=0 est une base de P n .
— Pour exprimer le polynôme d’interpolation p n dans la base de Newton, i.e.
n
X n
X iY
−1
p n ( x) = c i N i ( x) = ci ( x − x j ),
i =0 i =0 j =0

il suffit de trouver les cœfficients c i tels que p n ( xk ) = yk = f ( xk ), pour tout k ∈ {0, 1, . . . , n}.

3.3.2 Interpolation par la méthode de Newton

Les c i se calculent en utilisant la notion des différences divisées :

Définition 3.3.2. Soit f une fonction définie aux points x i , i = 0, 1, . . . , n, supposés deux à deux
distincts. On définit les différences divisées par récurrence comme suit :

f [ x i+1 , . . . , x i+ j+1 ] − f [ x i , . . . , x i+ j ]
f [ x i ] = f ( x i ), f [ x i , x i+1 . . . , x i+ j+1 ] = .
x i+ j+1 − x i
CHAPITRE 3. INTERPOLATION POLYNÔMIALE 18

Théorème 3.3.3. Le polynôme d’interpolation de f de degré ≤ n aux nœuds x0 , . . . , xn peut s’exprimer

dans la base de Newton comme suit :
nY
−1
p n ( x) = f [ x0 ] + f [ x0 , x1 ]( x − x0 ) + f [ x0 , x1 , x2 ]( x − x0 )( x − x1 ) + · · · + f [ x0 , x1 , . . . , xn ] ( x − x j ).
j =0

Remarque 3.3.2. Par unicité du polynôme d’interpolation l’expression donnée par le Théorème 3.3.3
(formule de Newton) définit le même polynôme que la formule de Lagrange (Proposition 3.2.3).
Exemple 3.3.1. On va reprendre l’Exemple 3.2.1, cette fois-ci en utilisant la méthode de Newton. Le
tableau des différences divisées correspondant est de la forme :
xi f [xi ] f [ x i , x i+1 ], i = 0, 1 f [ x0 , x1 , x2 ]

1 2
3 7 5/2
4 −1 −8 −7/2
d’après ce tableau, le polynôme d’interpolation de Newton s’écrit :
5 7
p 2 ( x) = 2 + ( x − 1)− ( x − 1)( x − 3).
2 2
Soit le même polynôme obtenu dans l’Exemple 1 :
7 33
p 2 = − x2 + x − 11.
2 2
En ajoutant un nœud d’interpolation (5, −2), on obtient le même tableau des différences divisées avec
l’ajout de la dernière ligne, comme suit :
xi f [xi ] f [ x i , x i+1 ], i = 0, 1, 2 f [ x i , x i+1 , x i+2 ], i = 0, 1 f [ x0 , x1 , x2 , x3 ]

1 2
3 7 5/2
4 −1 −8 −7/2
5 −2 −1 7/2 7/4
Ainsi, le polynôme qui interpole les valeurs 2, 7, −1, −2 aux nœuds 1, 3, 4, 5 en utilisant la formule de
Newton est :
5 7 7
p 3 ( x) = 2 + ( x − 1)− ( x − 1)( x − 3) + ( x − 1)( x − 3)( x − 4).
2 2 4
On remarque que : p 3 ( x) = p 2 ( x) + f [ x0 , x1 , x2 , x3 ]( x − x0 )( x − x1 )( x − x2 ).
Proposition 3.3.4. Si p n interpole les f ( x i ) aux nœuds x i pour i = 0, 1, . . . , n, alors le polynôme
d’interpolation de f aux nœuds x i , i = 0, 1, . . . , n, n + 1, est donné par :
n
Y
p n+1 ( x) = p n ( x) + f [ x0 , x1 , . . . , xn , xn+1 ] ( x − x i ).
i =0

3.4 Étude de l’erreur d’interpolation

Le présent paragraphe propose une estimation de l’erreur commise en remplaçant f par son
polynôme d’interpolation p n aux points { x i }ni=0 , en un point x quelconque appartenant à l’intervalle
de définition de f (noté [a, b]). Cette erreur ponctuelle est donnée par :
E n ( x) = f ( x) − p n ( x).
On suppose que x i ∈ [a, b], pour tout i ∈ {0, 1, . . . , n} et on désigne par I n l’intérieur du plus petit
intervalle qui contient x ainsi que tous les nœuds x i , i = 0, . . . , n, c’est-à-dire que : x, x i ∈ I n , ∀ i ∈
{0, . . . , n}.
CHAPITRE 3. INTERPOLATION POLYNÔMIALE 19

Théorème 3.4.1 (Erreur ponctuelle d’interpolation). Soit f ∈ C n+1 ([a, b]) et x ∈ [a, b]. Alors, il existe
ξ x ∈ I n tel que :
f (n+1) (ξ x )
E n ( x) = Π n ( x ),
( n + 1)!
où
n
Πn ( x) = ( x − x j ).
Y
j =0

Démonstration. Si ∃ i ∈ {0, 1, . . . , n} tel que x = x i , alors le résultat du théorème est vérifié trivia-
lement. On suppose que x ∉ { x0 , x1 , . . . , xn } sans perte de généralité. On définit alors le polynôme
Q n+1 ∈ P n+1 comme suit :
E n ( x)
Q n+1 ( t) = p n ( t) + Π n ( t ).
Π n ( x)
Ainsi, pour tout i ∈ {0, 1, . . . , n},

Q n+1 ( x i ) = p n ( x i ) = f ( x i ) et Q n+1 ( x) = p n ( x) + E n ( x) = f ( x).

Q n+1 est donc égal au polynôme d’interpolation aux points x0 , x1 , . . . , xn , x. En particulier, la fonction
F définie par F ( t) = f ( t) − Q n+1 ( t) s’annule n + 2 fois. Par application du théorème de Rolle de manière
itérée, F (n+1) s’annule donc une fois en un point ξ x ∈ I n , ce qui donne :

E n ( x)
0 = F (n+1) (ξ x ) = f (n+1) (ξ x ) − ( n + 1)!,
Π n ( x)

car p n est un polynôme de degré ≤ n. Ce qui achève la démonstration.

Corollaire 3.4.2. Soit p n le polynôme interpolant f aux points a = x0 < x1 < · · · < xn = b, si f ∈
C n+1 ([a, b]) alors :

M n+1
|E n ( x)| = | f ( x) − p n ( x)| ≤ max |Πn ( x)|, ∀ x ∈ [a, b],
( n + 1)! a≤ x≤b
où
M n+1 = max | f (n+1) ( x)|.
a≤ x≤ b

Plus particulièrement, on a :

M n+1
|E n ( x)| = | f ( x) − p n ( x)| ≤ ( b − a)n+1 , ∀ x ∈ [a, b].
( n + 1)!

3.5 Interpolation par les splines

3.5.1 Phénomène de Runge
Étant donnée une fonction f définie sur un intervalle [a, b] de R. On se pose la question suivante :
Si on augment le nombre de points d’interpolation, peut-on obtenir un polynôme d’interpolation plus
précis ?
Malheureusement, la réponse à cette question est généralement négative. En effet, il existe des
fonctions pour lesquelles l’interpolation polynômiale conduit à des oscillation importantes au niveau
des bords de l’intervalle [a, b]. Il s’agit du phnomène de Runge.

Exemple 3.5.1. Pour illustrer ce phénomène, on considère la fonction définie par :

1
f ( x) = , x ∈ [−5, 5].
1 + x2
CHAPITRE 3. INTERPOLATION POLYNÔMIALE 20

On trace le polynôme d’interpolation P n de f au points x0 , x1 , . . . , xn , pour n = 2, n = 4 et n = 8. On

obtient la figure suivante :

On remarque que plus le nombre de points augment plus des oscillations apparaissent au niveau des
bords de l’intervalle [−5, 5].

Remarque 3.5.1. On constate alors que l’interpolation par la méthode de Lagrange ou Newton peut
conduire à des oscillations importantes lorsque le nombre de points d’interpolation augmente. Pour
se remédier à ce problème, on peut utiliser :
— Interpolation en utilisant les points de Chebyshev ;
— Interpolation par les splines.

3.5.2 Points de Chebyshev

Chebyshev a montré que le meilleur choix possible pour les points d’interpolation afin de rendre
l’erreur d’interpolation minimale est de considérer les points de Chebyshev définis dans l’intervalle
[a, b] par :
b−a b+a
xi = ti + , (3.2)
2 2
où t i sont les points de chebyshev donnés par :

2i + 1
µ ¶
t i = cos π , i = 0, 1, . . . , n.
2n + 2

3.5.3 Splines
Quand on fait une interpolation, on souhaite généralement que celle-ci reste valide même en
dehors des points utilisés pour calculer le polynôme. Cependant, comme il a été noté plus tôt, l’inter-
polation polynomiale peut diverger rapidement en dehors des points d’interpolation. Ce phénomène
se produit notamment aux bords du domaine, comme dans le cas des fonctions de Runge où des
oscillations apparaissent chaque fois que le nombre de points augmente. Même si une meilleure
distribution des points (distribution de Chebyshev) permet de diminuer l’erreur, le problème des os-
cillations persiste.
C’est pourquoi on privilégie une approche différente : l’interpolation par morceaux, appelée spline.
Dans cette méthode, la spline (qui est un polynôme) peut changer de forme aux points ( x i , f ( x i )),
i = 0, 1 . . . , n.

Définition 3.5.1. Étant donné ( n + 1) points d’interpolation ( x i , f ( x i )), i = 0, 1, . . . , n, la spline S est

CHAPITRE 3. INTERPOLATION POLYNÔMIALE 21

définie pour x ∈ [a, b], par : 


 S 0 ( x), x ∈ [ x0 , x1 ]
 S 1 ( x), x ∈ [ x1 , x2 ]

S ( x) = .. ..


 . .
S n−1 ( x), x ∈ [ xn−1 , xn ]


où S i , pour i = 0, 1, . . . , n − 1, sont des polynômes.

Remarque 3.5.2. — Si tous les S i sont de degé 1, la spline S est dite linéaire.
— Si tous les S i sont de degé 2, la spline S est dite quadratique.
— Si tous les S i sont de degé 3, la spline S est dite cubique.
À titre d’exemple, la spline linéaire est définie par :


 S 0 ( x) = a 0 x + b 0 , x ∈ [ x0 , x1 ]
 S 1 ( x) = a 1 x + b 1 , x ∈ [ x1 , x2 ]

S ( x) = .. ..


 . .
S n−1 ( x) = a n−1 x + b n−1 , x ∈ [ xn−1 , xn ]


Cette fonction doit satisfaire aux conditions d’interpolation :

S ( x i ) = yi , i = 0, 1, . . . , n − 1.
Pour déterminer complètement la fonction S , il faut calculer 2 n coefficients (les a i et b i , pour
i = 0, 1, . . . , n − 1). Pour cela, on dispose de deux types d’équations, donnant un total de 2 n équations :
• ( n + 1) équations d’interpolation :
S n−1 ( xn ) = f ( xn ) et S ( x i ) = f ( x i ) = a i x i + b i , pour i = 0, . . . , n − 1.
• ( n − 1) équations de continuité aux points de jonction : S i ( x i+1 ) = S i+1 ( x i+1 ), ce qui donne :
a i x i+1 + b i = f ( x i+1 ), pour i = 0, 1, . . . , n − 2.
Ces équations permettent de résoudre un système linéaire et de trouver tous les coefficients (a i , b i ),
i = 0, 1, . . . , n − 1, de la spline. En effet, d’une manière unique, pour i = 0, 1, . . . , n − 1, on a :
f ( x i+1 ) − f ( x i )
ai = , i = 0, 1, . . . , n − 1,
x i+1 − x i
b i = f ( x i ) − a i x i , i = 0, 1, . . . , n − 1.
Exemple 3.5.2. La figure ci-après montre la courbe de la fonction de Runge f définie par f ( x) = 1+1x2 ,
pour x ∈ [−5, 5], le polynôme d’interpolation de f pour n = 10, la spline cubique de f et le polynôme
d’interpolation de Lagrange en utilisant les points de Chebyshev.

On remarque que l’utilisation des splines cubiques permet de résoudre les problèmes d’oscillations
associés à l’interpolation de Lagrange.