On propose des conditions de bout pour les fonctions spines polynomiales d'interpolation de degré p (p≥2) associées aux abscisses équidistantes qui économisent le calcul et entraînent un ordre de convergence optimal. Cette fonction spline peut être interprétée comme une fonction spline cardinale tronquée avec une correction convenable. La technique utilisée pour les fonctions splines polynomiales est applicable dans le cas des fonctions splines sous tension. On donne aussi quelques résultats pour les fonctions splines cubiques de lissage

On étudie le problème de l'interpolation et du lissage de données avec conditions de forme (positivité, monotonie, convexité) dans le plan réel. Pour sa résolution on utilise cinq classes de méthodes :1) splines polynomiales, 2) splines rationnelles, 3) splines sous tension, 4) programmation mathématique, 5) splines avec repoussoir

Thesis (Ph. D. in Physics)--Vanderbilt University, Dec. 2005. / Title from title screen. Includes bibliographical references.

Dans cette étude, nous traitons un problème d'interpolation de données dans le plan ou dans l'espace. Ce problème se distingue des autres problèmes existants par le fait que les points sont obtenus progressivement, c'est-à-dire à un instant donné, seules sont connues les données jusqu'à cet instant. Les méthodes utilisées sont basées sur l'utilisation de splines récurrentes, i.e., chaque morceau de la spline à l'étape i (correspondant à l'information i) est calculé en fonction des morceaux précédents par un raccordement paramétrique ou géométrique. L'algorithme ainsi construit est régi par une relation de récurrence dont nous étudions la stabilité numérique. Les données ont été interpolées de deux manières différentes: ― par une fonction spline vectorielle: dans ce cas la stabilité est démontrée au moyen des paramètres de forme issus du raccordement géométrique entre les sections de la spline. Ainsi, nous avons donné un nouveau rôle aux paramètres de forme qui consiste à absorber les oscillations provenant du calcul itératif. ― par une représentation scalaire des données: chaque morceau de la spline appartient à un espace de dimension n, engendré par une famille de fonctions ayant certaines propriétés. On démontre que la stabilité est en fait obtenue par le choix même des fonctions de base de l'espace