Dans de nombreuses applications, nous souhaitons interpoler ou approcher une fonction de plusieurs variables possédant certaines propriétés ou “formes” géométriques, telles que la régularité, la monotonie, la convexité ou la non-négativité. Ces propriétés sont importantes pourdes applications en physique (par exemple, la courbe pression-volume doit avoir une dérivée non négative), aussi bien où le problème de l’interpolation conservant la forme est essentiel dans divers problèmes de l’industrie (par exemple, modélisation automobile, construction de la surface dumasque). Par conséquent, une question importante se pose : comment calculer la meilleure approximation possible à une fonction donnée f lorsque certaines de ses propriétés caractéristiques supplémentaires sont connues ?Cette thèse présente plusieurs nouvelles techniques pour trouver une bonne approximation des fonctions de plusieurs variables par des opérateurs linéaires dont l’erreur d’approximation A( f ) - f garde un signe constant pour toute fonction f satisfaisant une certaine convexité généralisée. Nous nous concentrons dans cette thèse sur la classe des fonctions convexesou fortement convexes. Nous décrirons comment la connaissance a priori de cette information peut être utilisée pour déterminer une bonne majoration de l’erreur pour des fonctions continuellement différentiables avec des gradients Lipschitz continus. Plus précisément, nous montrons que les estimations d’erreur basées sur ces opérateurs sont toujours contrôléespar les constantes de Lipschitz des gradients, le paramètre de la convexité forte ainsi que l’erreur commise associée à l’utilisation de la fonction quadratique. En supposant en plus que la fonction que nous voulons approcher est également fortement convexe, nous établissons de meilleures bornes inférieures et supérieures pour les estimations d’erreur de l’approximation. Lesméthodes de quadrature multidimensionnelle jouent un rôle important, voire fondamental, en analyse numérique. Une analyse satisfaisante des erreurs provenant de l’utilisationdes formules de quadrature multidimensionnelle est bien moins étudiée que dans le cas d’une variable. Nous proposons une méthode d’approximation de l’intégrale d’une fonction réelle donnée à plusieurs variables par des formules de quadrature, qui conduisent à des valeurs approchées par excès (respectivement par défaut) des intégrales des fonctions ayantun certain type de convexité. Nous verrons aussi, comme nous l’avons fait pour l’approximation des fonctions, que pour de telles formules d’intégration, on peut établir un résultat de caractérisation en termes d’estimations d’erreur. En outre, nous avons étudié le problèmede l’approximation d’une intégrale définie d’une fonction donnée quand un certain nombre d’intégrales de cette fonction sur certaines sections hyperplanes d’un l’hyper-rectangle sont seulement disponibles.La motivation derrière ce type de problème est multiple. Il se pose dans de nombreuses applications, en particulier en physique expérimentale et en ingénierie, où les valeurs standards des échantillons discrets des fonctions ne sont pas disponibles, mais où seulement leurs valeurs moyennes sont accessibles. Par exemple, ce type de données apparaît naturellement dans la tomographie par ordinateur avec ses nombreuses applications en médecine, radiologie, géologie, entre autres. / In many applications, we may wish to interpolate or approximate a multivariate function possessing certain geometric properties or “shapes” such as smoothness, monotonicity, convexityor nonnegativity. These properties may be desirable for physical (e.g., a volume-pressure curve should have a nonnegative derivative) or practical reasons where the problem of shape preserving interpolation is important in various problems occurring in industry (e.g., car modelling, construction of mask surface). Hence, an important question arises: How can we compute the best possible approximation to a given function f when some of its additional characteristic properties are known?This thesis presents several new techniques to find a good approximation of multivariate functions by a new kind of linear operators, which approximate from above (or, respectively, from below) all functions having certain generalized convexity. We focus on the class of convex and strongly convex functions. We would wish to use this additional informationin order to get a good approximation of f . We will describe how this additional condition can be used to derive sharp error estimates for continuously differentiable functions with Lipschitz continuous gradients. More precisely we show that the error estimates based on such operators are always controlled by the Lipschitz constants of the gradients, the convexity parameter of the strong convexity and the error associated with using the quadratic function. Assuming, in addition, that the function, we want to approximate, is also strongly convex, we establish sharp upper as well as lower refined bounds for the error estimates.Approximation of integrals of multivariate functions is a notoriously difficult tasks and satisfactory error analysis is far less well studied than in the univariate case. We propose a methodto approximate the integral of a given multivariate function by cubature formulas (numerical integration), which approximate from above (or from below) all functions having a certain type of convexity. We shall also see, as we did for for approximation of functions, that for such integration formulas, we can establish a characterization result in terms of sharp error estimates. Also, we investigated the problem of approximating a definite integral of a given function when a number of integrals of this function over certain hyperplane sections of d-dimensional hyper-rectangle are only available rather than its values at some points.The motivation for this problem is multifold. It arises in many applications, especially in experimental physics and engineering, where the standard discrete sample values fromfunctions are not available, but only their mean values are accessible. For instance, this data type appears naturally in computer tomography with its many applications inmedicine, radiology, geology, amongst others.

Convexity in graphs has been widely discussed in graph theory and G. Chartrand et al. introduced the convexity number of oriented graphs in 2002. In this thesis, we follow the notions addressed by them and develop an extension in some related topics of convexity in directed graphs. Let D be a connected oriented graph. A set S subseteq V(D) is convex in D if, for every pair of vertices x, yin S, the vertex set of every x-y geodesic (x-y shortest directed path) and y-x geodesic in D is contained in S. The convexity number con(D) of a nontrivial oriented graph D is the maximum cardinality of a proper convex set of D. We show that for every possible triple n, m, k of integers except for k=4, there exists a strongly connected digraph D of order n, size m, and con(D)=k. Let G be a graph. We define the convexity spectrum S_{C}(G)={con(D): D is an orientation of G} and the strong convexity spectrum S_{SC}(G)={con(D): D is a strongly connected orientation of G}. Then S_{SC}(G) ⊆ S_{C}(G). We show that for any n ¡Ú 4, 1 ≤ a ≤ n-2 and a n ¡Ú 2, there exists a 2-connected graph G with n vertices such that S_C(G)=S_{SC}(G)={a,n-1}, and there is no connected graph G of order n ≥ 3 with S_{SC}(G)={n-1}. We also characterizes the convexity spectrum and the strong convexity spectrum of complete graphs, complete bipartite graphs, and wheel graphs. Those convexity spectra are of different kinds. Let the difference of convexity spectra D_{CS}(G)=S_{C}(G)- S_{SC}(G) and the difference number of convexity spectra dcs(G) be the cardinality of D_{CS}(G) for a graph G. We show that 0 ≤ dcs(G) ≤ ⌊|V(G)|/2⌋, dcs(K_{r,s})=⌊(r+s)/2⌋-2 for 4 ≤ r ≤ s, and dcs(W_{1,n-1})= 0 for n ≥ 5. The convexity spectrum ratio of a sequence of simple graphs G_n of order n is r_C(G_n)= liminflimits_{n to infty} frac{|S_{C}(G_n)|}{n-1}. We show that for every even integer t, there exists a sequence of graphs G_n such that r_C(G_n)=1/t and a formula for r_C(G) in subdivisions of G.