Professional Documents
Culture Documents
Méthodes numériques
pour l’ingénieur
Interpolation
f(x)
1
Approximation de fonctions
• Soit une fonction f (inconnue explicitement)
– connue seulement en certains points x0,x1…xn
– ou évaluable par un calcul coûteux.
• Principe :
– représenter f par une fonction simple, facile à évaluer
• Problème :
– il existe une infinité de solutions !
2
1
0
-1
-2
-3
-4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
2
Approximation de fonctions
• Il faut se restreindre à une famille de fonctions
– polynômes,
– exponentielles,
– fonctions trigonométriques…
-1
-2
-3
-4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
3
Quelques méthodes d'approximation
• Interpolation polynomiale
– polynômes de degré au plus n
• polynômes de Lagrange
• différences finies de Newton
• Interpolation par splines
– polynômes par morceaux
• Interpolation d'Hermite
– informations sur les dérivées de la fonction à approcher
• ...voir le groupe de TT…
4
Théorème d’approximation de Weierstrass
soit f une fonction définie et continue sur l' intervalle [a, b]
Alors, ∀ε > 0, il existe un polynôme P( x), définit sur [a, b] tel que :
f ( x) − P ( x) < ε ∀ x ∈ [a, b] ε )+ε
ff(x)+(x
P (x)
P(x)
f(x)
f (x)
f (x) − ε
f(x)-ε
ab ab
Interpolation :
n + 1 points, n + 1 contraintes, n + 1 équations, n + 1 inconnues : ordre n5
Interpolation polynomiale
• Le problème : les données, la solution recherchée
( x0 , y0 = f ( x0 ) ),..., ( xi , yi = f ( xi ) ),..., ( xi , yi = f ( xi ) )
P( x) tel que P ( xi ) = f ( xi ), i = 0, n
• mauvaise nsolution : résoudre le système linéaire
P( x) = ∑ ai x i ⇒ Va = y V : matrice de Vandermonde
i =0
• Théorème
– Soient n+1 points distincts xi réels et n+1 réels yi,
il existe un unique polynôme p ∈ Pn tel que
p(xi) = yi pour i = 0 à n
démonstration n
– Construction de p : p( x ) = ∑ y i Li ( x )
i =0
(x − x )
n
L (x)=∏
j
avec Li polynôme de Lagrange i
(x − x )
j =0
j ≠i
i j
0 2 4 0 2 4 0 2 4
9
Lagrange : exemple n°2
– calcul du polynôme d'interpolation
30
25
15
10
0
-1 0 1 2 3 4 5
10
Lagrange : l’algorithme
Fonction y = lagrange(x,xi,yi)
pour i = 1 jusqu' à n
pour j = 1 jusqu' à n, j ≠ i;
x − xi ( j )
l ←l*
xi (i ) − xi ( j )
fait
y ← y + yi * l
fait
Complexité du calcul : n2
11
Lagrange : exemple n°3
• Exemple avec n=2 (fonction à approcher y=ex)
– on connaît 3 points (0,1), (2,7.3891) et (4,54.5982)
– Polynôme d'interpolation
• p(x) =L0(x) + 7.3891 L1(x) + 54.5982 L2(x)
60
50
40
30
20
10
-10
-1 0 1 2 3 4 5
12
Lagrange : exemple n°3
– Erreur d'interpolation e(x) = f(x) - p(x)
60
50
40
30
20
10
-10
-20
-1 0 1 2 3 4 5
13
Lagrange : erreur d'interpolation
• Théorème :
– si f est n+1 dérivable sur [a,b], ∀ x ∈ [a,b], notons :
• I le plus petit intervalle fermé contenant x et les xi
• φ(x)=(x-x0)(x-x1)…(x-xn)
e( x ) =
f (ξ ) φ (x )
( n +1 )
– alors, il existe ξ ∈ I tel que
(n + 1)!
– NB : ξ dépend de x
• Méthode de Neville :
– on augmente progressivement n
– on calcule des Li de manière récursive
– on arrête dès que l'erreur est inférieure à un seuil
(d’ou l’utilité du calcul de l’erreur)
15
La méthode de Neuville
• Définition
Pm1 ,m2 ,...,mk ( x) polynôme de Lagrange calculé sur
(xm , ym ), (xm , ym ),..., (xm , ym )
les k points 1 1 2 2 k k
• Théorème
(x − x j )P0,1,..., j −1, j +1,...,n ( x) − ( x − xi )P0,1,...,i−1,i+1,...,n ( x)
P( x) =
xi − x j
• Démonstration
P( xi ) = f ( xi ); P( x j ) = f ( x j ) et P( xk ) = f ( xk )
Complexité du calcul : n2
17
Interpolation polynomiale : Newton
• Polynômes de Newton :
– base = {1, (x-x0), (x-x0)(x-x1), …, (x-x0)(x-x1)…(x-xn-1)}
18
Newton : différences divisées
• Définition :
– Soit une fonction f dont on connaît les valeurs en des points
distincts a, b, c, …
– On appelle différence divisée d’ordre 0, 1, 2,...,n
les expressions définies par récurrence sur l’ordre k :
– k=0 f [a] = f (a)
– k=1 f [a,b] = ( f [b] - f [a] ) / ( b - a )
– k=2 f [a,b,c] = ( f [a,c] - f [a,b] ) / ( c - b )
– erreur d'interpolation :
20
Newton : différences divisées
• Calcul pratique des coefficients :
a0
x0 f [x0] a1
x1 f [x1] f [x0, x1] a2
x2 f [x2] f [x1, x2] f [x0, x1, x2]
… … … ...
… … … f [xn-3, xn-2, xn-1] an
xn f [xn] f [xn-1, xn] f [xn-2, xn-1, xn] … f [x0, ..., xn]
21
Newton : exemple
• (ex. n°2) : n=2 (0,1), (2,5) et (4,17)
a0
0 f [x0]=1
Complexité du calcul : n2 23
A bas les polynômes
• Ex : y=2(1+tanh(x)) - x/10 avec 9 points
– entre les points, le polynôme fait ce qu'il veut…
et plus son degré est élevé plus il est apte à osciller !
6
-2
-4
-6
-6 -4 -2 0 2 4 6
24
Interpolation par splines cubiques
• Principe :
– on approche la courbe par morceaux (localement)
– on prend des polynômes de degré faible (3) pour éviter les
oscillations
25
Splines cubiques : définition
• Définition :
– On appelle spline cubique d’interpolation une fonction notée
g, qui vérifie les propriétés suivantes :
• g ∈ C2[a;b] (g est deux fois continûment dérivable),
• g coïncide sur chaque intervalle [xi; xi+1] avec un polynôme de degré
inférieur ou égal à 3,
• g(xi) = yi pour i = 0 … n
• Remarque :
– Il faut des conditions supplémentaires pour définir la spline
d’interpolation de façon unique
– Ex. de conditions supplémentaires :
• g"(a) = g"(b) = 0 spline naturelle.
26
Splines : illustration
P1(x)=α1x3+β1x2+χ1x+δ1
=a1 (x-x1)3+b1 (x-x1) 2+c1 (x-x1) +d1
27
Splines cubiques : détermination
• Détermination de la spline d’interpolation
– g coïncide sur chaque intervalle [xi; xi+1] avec un polynôme de
degré inférieur ou égal à 3
g" est de degré 1 et est déterminé par 2 valeurs:
• mi = g"(xi) et mi+1 = g"(xi+1) (moment au noeud n°i)
– Notations :
• hi = xi+1 - xi pour i = 0 … n-1
• δi= [xi; xi+1]
• gi(x) le polynôme de degré 3 qui coïncide avec g sur l’intervalle δi
28
Splines cubiques : détermination
– g"i(x) est linéaire :
x − xi xi + 1 − x
• ∀ x ∈ δi g i′′(x ) = mi +1 + mi
hi hi
g i′ (x ) = mi +1
( x − xi )2
− mi
( xi +1 − x )2
+ ai
• on intègre
2hi 2hi
(ai constante)
g i (x ) = mi +1
(x − xi )3 + m (xi +1 − x )3 + a (x − x ) + b
• on continue i i i i
6 hi 6 hi
(bi constante)
mi hi 2
– gi(xi) = yi yi = + bi 1
6 mi +1 hi 2
– gi(xi+1) = yi+1 yi +1 = + ai hi + bi 2
6
29
Splines cubiques : détermination
g i′ (xi ) = −mi + ai −1 = g i′−1 (xi ) 3
hi hi −1
– g'(x) est continue : + ai = mi
2 2
ai = ( yi +1 − yi ) − (mi +1 − mi )
1 hi
– 1 et 2
hi 6
30
Splines cubiques : détermination
1
hi −1mi −1 + 2(hi + hi −1 )mi + hi mi +1 = 6 ( y i +1 − yi ) − ( yi − yi −1 )
1
4
hi hi −1
31
Splines cubiques : l’algorithme
pour i = 2; n − 1
T (i, i ) ← 2(hi + hi −1 )
T (i, i − 1) ← hi −1
T (i, i + 1) ← 2hi
yi +1 − yi yi − yi −1
f (i − 1) ← 6 −
fait hi hi −1
T ← T (2:n-1,2:n-1)
m ←T \ f
m ← [0, m,0]
pour i = 1; n − 1
1 h
a(i ) ← ( yi +1 − yi ) − i (mi +1 − mi )
hi 6
mi hi
b(i ) ← y (i ) −
6
fait
Complexité du calcul : complexité du solveur
32
Splines cubiques : exemple
• Ex : y=2(1+tanh(x)) - x/10 avec 9 points
6
4
spline
2
-2
-4
polynôme de degré 8
-6
-6 -4 -2 0 2 4 6
33
Conclusion
• Interpolation polynomiale
– évaluer la fonction en un point : Polynôme de Lagrange ->
méthode de Neville
– compiler la fonction : Polynôme de Newton
• Interpolation polynomiale par morceau : splines
– spline cubique d’interpolation
– spline cubique d’approximation (on régularise)
– b spline
– spline généralisée : splines gausiènnes (multidimensionelle)
• approximation - apprentissage
34