Université Mohammed V de Rabat Département Génie Électrique

École Mohammadia d’Ingénieurs Méthodes Numériques

AU 2021–2022 Khalil Amine

Handout 2 – Résolution d’équations non-linéaires

1 Introduction et généralités

Plusieurs problèmes de calcul se ramènent à la résolution de l’équation algébrique :

f (x) = 0 , x∈R

Pour certaines expressions de f , la résolution se base sur une formule de calcul des solutions. Tel est le
cas des équations du second degré. Toutefois, il n’existe pas de formule explicite permettant de trouver les
racines des polynômes de degré plus grand ou égal à 5 ; Abel et par la suite Galois ont démontré qu’une
telle formule n’existe pas.
Puisqu’il n’existe pas de formule générale pour des fonctions aussi simples que des polynômes, il est peu
probable de pouvoir résoudre analytiquement l’équation pour des fonctions plus complexes. Aussi, dans
certains cas les coefficients de la fonction f ne sont connus que d’une manière approximative. La résolution
numérique d’une telle équation est alors d’une grande importance puisqu’elle permettrait au moins d’avoir
une approximation des solutions ainsi qu’une estimation de sa précision. Une telle approche de résolution
se base souvent sur des procédures dites méthodes itératives.

Definition 1 Pour un problème de calcul, une méthode itérative est une procédure algorithmique qui,
à partir d’une solution initiale, construit à chaque instance (dite itération) une solution approchée du
problème qui est plus précise que la solution précédente.

Pratiquement, une méthode itérative consiste à définir une suite réelle x (k) qui, à partir d’une valeur x (0)
quelconque, converge vers une solution approchée du problème de calcul en considération en un nombre
fini d’itérations et avec une certaine précision. La définition d’une telle suite est souvent établie par une
formulation algébrique, dite schéma numérique, de la forme :
(  
x ( k +1) = M x ( k )
x (0)
où M est une fonction réelle.

1.1 Équations non-linéaires et séparation des racines

Soit f une fonction définie sur un intervalle [ a, b] (a, b ∈ R) telles que les dérivées première et seconde, f 0
et f 00 , existent.

Definition 2 Une valeur de x, solution de l’équation f ( x ) = 0, est appelée une racine ou un zéro de la
fonction f ( x ).

1/9
La recherche de racines consiste en trois étapes : existence, unicité et construction. Pour affranchir les deux
premières étapes, on dispose du résultat suivant :

Théoréme 1 (Théorème des valeurs intermédiaires) Si f est une fonction numérique continue sur un
intervalle I ; s’il existe a et b dans I tels que f ( a) f (b) < 0, alors il existe au moins une solution de
f ( x ) = 0 dans ] a, b[. De plus si f est strictement monotone sur ] a, b[, cette solution est unique.

Une application de ce théorème consiste à chercher ai et bi les plus serrés possible contenant un seul zéro
de f . Ce processus s’appelle la séparation des racines. La précision est améliorée à chaque fois que la
longueur de l’intervalle ] ai , bi [ est réduite. La séparation des racines peut se déclarer d’une manière intuitive
comme suit :
Algorithme 1 Séparation des racines
1: Faire une discrétisation de l’intervalle I par une suite a0 , a1 , . . . , an
2: Déterminer les signes de f en a0 , a1 , . . . , an
3: S’il existe ai et ai+1 tels que f ( a ) f (b) < 0, alors il existe une racine ri ∈] ai , ai+1 [ de f

On considère la fonction f ( x ) = x3 − 6x + 2, une application de ce processus donne :

x −∞ -7 -5 -3 -2 -1 0 1 2 3 5 7 +∞
f (x) − − − − + + + − − + + + +

ce qui signifie que f admet trois racines réelles dans les intervalles ] − 3, −2[, ]0, 1[ et ]2, 3[. Pour améliorer
d’avantage la précision, on applique la même démarche sur chaque intervalle, par exemple :

x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

f (x) + + + + − − − − − − −

Pour une fonction dont les racines de sa dérivée se calculent facilement, on peut procéder par l’étude du
signe de la dérivée, et ainsi déterminer la monotonie de la fonction. On considère, en effet, la fonction :
f ( x ) = x4 − 4x + 2. Sa dérivée s’écrit f 0 = 4x3 − 4 = 4( x − 1)( x2 + x + 1) admettant une seule racine
réelle 1. Ainsi :

x −∞ 1 +∞
f 0 (x) − 0 +
+∞ +∞
f (x)
−1

ce qui signifie que f admet deux racines réelles dans les intervalles ] − ∞, 1[ et ]1, +∞[.

Exercice 1
Déterminer le nombre des racines réelles des fonctions suivantes :

ex
1) f ( x ) = e x + x 2) g( x ) = x − 3) h( x ) = x3 − x2 − 5x − 3
ex − 2
Théoréme 2 Soit r une racine exacte et r une racine approchée de la fonction f ( x ) tels que r, r ∈ [ a, b].
S’il existe un m tel que ∀ x ∈ [ a, b] : | f 0 ( x )| ≥ m > 0, alors on a l’estimation suivante :
| f 0 (r )|
|r − r | ≤
m

2/9
Noter que cette estimation est grossière et ne reflète pas l’erreur absolue réelle.

Remarque 1 On peut prendre m = min | f 0 ( x )|

x ∈[ a,b]

Exercice 2
On considère la fonction f ( x ) = x4 − x − 1 avec une racine approchée r = 1.22. Évaluer une estimation
de l’erreur absolue de cette approximation.

1.2 Résolution graphique

Outre les méthodes analytiques (algébriques ou numériques), l’équation f ( x ) = 0 peut aussi être résolue
graphiquement d’une manière approximative. En effet, les racines de la fonction f correspondent aux
abscisses des points d’intersection de la courbe de la fonction avec l’axe des abscisses. Parfois, il est plus
avantageux de remplacer l ’équation f ( x ) = 0, par une autre équation équivalente de la forme :

g( x ) = h( x )

En guise d’exemple, l’équation x ln( x ) − 1 = 0 peut s’écrire sous la forme :

1
ln( x ) =
x
1
En traçant les courbes des deux fonctions ln( x ) et , on trouve le point d’intersection (1.7632, 0.5671)
x
dont son abscisse 1.7632 correspond à la solution de l’équation de départ.

Exercice 3
Résoudre graphiquement les équations suivantes :

1) x5 − 1.75x + 0.75 = 0 2) x5 + 2x + 1 = 0

3/9
2 Méthode de la bissection

La méthode de la bissection (aussi dite la dichotomie) repose sur l’idée qu’à chaque fois qu’on peut
identifier un intervalle [ a, b] pour lequel une fonction continue f ( x ) change de signe entre ses deux bornes
a et b, alors une racine de la fonction f existe
 dans [ a, b].Le principe de la méthode est donc de diviser
a+b a+b
cet intervalle en deux intervalles a, et , b . Il suffit alors de déterminer, entre les deux
2 2
intervalles, celui sur lequel la fonction change encore de signe. La racine se trouvera forcément dans cet
intervalle. Ce principe est appliqué d’une manière répétitive jusqu’à atteindre un intervalle dont les bornes
peuvent être considéré confondu en rapport avec la précision voulue.

Algorithme 2 Dichotomie
Input: Un intervalle [ a, b], une fonction continue f et une précision ε
Output: Une solution approchée de l’équation f ( x ) = 0
1: tant que b − a ≥ ε faire
a+b
2: m←
2
3: si f (m) = 0 alors
4: Retourner m comme solution exacte
5: sinon si f ( a) f (m) ≤ 0 alors
6: b←m
7: sinon
8: a←m
9: fin si
10: fin tant que
11: Retourner m comme solution approchée avec la précision ε

On considère la fonction f ( x ) = x3 + x2 − 3x − 3 qui possède une racine dans l’intervalle [1, 2],
l’application de la méthode de la bissection donne les résultats suivants :

a b m f ( a) f (b) f (m) Erreur absolue

1.0000 2.0000 1.5000 -4.0000 3.0000 -1,8750 0.5000
1.5 2.0 1.75 -1.875 3.00000 0.17187 0.25000
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

Le calcul peut continuer jusqu’à atteindre une bonne précision.

Proposition 1 Le nombre d’itérations nécessaire pour la convergence de la méthode de dichotomie avec

une précision ε est le plus petit entier vérifiant :
 
b− a
ln ε
n>
ln(2)

Exercice 4
On considère l’équation x4 + 2x3 − x − 1 = 0. La racine de cette équation appartient à l’intervalle [0, 1],
améliorer cette racine.

4/9
3 Méthode de la sécante (ou de la corde)

Pour une fonction continue sur un intervalle [ a, b] strictement décroissante et convexe telles que f ( a) > 0
et f (b) ≤ 0, la suite
xk − a

k +1 = x k − f ( xk )
 x
f ( xk ) − f ( a)
 x =b
0

converge vers la racine r de f . De plus, s’il existe une constante m > 0, telle que pour tout x ∈ [ a, b],
| f 0 ( x )| ≥ m, alors l’erreur absolue est estimée par la relation

| f ( x )|
|x − r| ≤
m

Algorithme 3 Méthode de la sécante (ou de la corde)

Input: Une fonction f continue strictement décroissante et convexe sur un intervalle [ a, b] et une précisionε
Output: Une solution approchée de l’équation f ( x ) = 0
1: tant que b − c ≥ ε faire
b−a
2: c ← b− f (b)
f (b) − f ( a)
3: si f (c) = 0 alors
4: Retourner c comme solution exacte
5: sinon
6: b←c
7: fin si
8: fin tant que
9: Retourner c comme solution approchée avec la précision ε

Exercice 5 √
En utilisant la méthode de la sécante, donner une approximation de 10 avec une précision ε = 10−3 .

5/9
4 Méthode de point fixe

4.1 Présentation de la méthode

Le principe de la méthode de point fixe consiste à réécrire l’équation

f (x) = 0

sous une forme équivalente

g( x ) = x

Definition 3 On appelle point fixe d’une fonction g( x ), toute valeur de x invariante par cette fonction,
c’est-à-dire qu’elle vérifie x = g( x ).

Il existe un algorithme très simple permettant de déterminer des points fixes. Il suffit en effet d’effectuer les
itérations de la façon suivante : 
x k +1 = g ( x k )
x0

Algorithme 4 Méthode de point fixe

Input: Une fonction g, une précision ε et une valeur initiale x0
Output: Une solution approchée de g( x ) = x
1: xk ← g ( x0 )
2: tant que | xk+1 − xk | ≥ ε faire
3: x k +1 ← g ( x k )
4: si g( xk+1 ) = xk+1 alors
5: Retourner xk+1 comme solution exacte
6: sinon
7: x k ← x k +1
8: fin si
9: fin tant que
10: Retourner xk+1 avec la précision ε

Exercice 6
Effectuer 10 itérations de la méthode de point fixe pour chacune des fonctions suivantes :

g1 ( x ) = x + x3 + 4x2 − 10
g2 ( x ) = x − x3 − 4x2 + 10
1p
g3 ( x ) = 10 − x3
2
r
10
g4 ( x ) =
4+x

et comparer les résultats.

Remarque 2 Une première difficulté de cette méthode est le choix de la fonction g.

6/9
4.2 Étude de la convergence

Definition 4 Si la racine r est connue, l’erreur à l’itération n de la méthode de point fixe est définie par :

en = xn − r

Sinon, on dispose de l’approximation

e n ≈ x n +1 − x n

On cherche à déterminer sous quelles conditions, la méthode de point fixe converge vers la racine r. C’est
le cas si
n→+∞
en −−−−−→ 0
Il est intéressant de suivre le comportement de l’erreur au fil des itérations.
On calcule l’erreur à l’itération n + 1 :

g00 (r )e2n g(3) (r )e3n

e n +1 = g 0 ( r ) e n + + +...
2! 3!
Ceci résulte d’un développement de Taylor de g( x ) autour de la racine r.
Au voisinage de la racine r, le premier terme non nul de l’expression de droite sera déterminant pour la
convergence. En effet, dans le cas où g0 (r ) 6= 0

e n +1 ≈ g 0 ( r ) e n

Ce qui signifie que l’erreur à l’itération n + 1 est directement proportionnelle à l’erreur à l’itération n. Cette
relation détermine la vitesse par laquelle la méthode de point fixe converge. En effet, plus g0 (r ) est petit,
plus l’erreur diminue vite et donc plus la convergence est rapide. L’erreur ne peut diminuer que si :

g 0 (r ) < 1

Remarque 3 Le signe de g0 (r ) a une influence sur la convergence aussi. En effet, si

−1 < g 0 (r ) < 0

l’erreur change de signe à chaque itération et les valeurs de xn oscilleront de part et d’autre de la racine r.

Definition 5 On appelle taux de convergence d’une méthode de point fixe, la donnée de | g0 (r )| (6= 0).

Dans le cas où g0 (r ) = 0, on revient à la relation :

g00 (r )e2n g(3) (r )e3n

e n +1 = g 0 ( r ) e n + + +...
2! 3!
et on cherche le premier terme non nul.

Definition 6 (Ordre de convergence) On dit qu’une méthode de point fixe converge à l’ordre p si :

| e n +1 | ≈ C | e n | p

où C est une constante.

Remarque 4 La convergence d’une méthode de point fixe est également liée au choix de la valeur initiale
x0 .

7/9
Definition 7 (Bassin d’attraction) Le bassin d’attraction de la racine r pour la méthode de point fixe
xn+1 = g( xn ) est l’ensemble des valeurs initiales x0 pour lesquelles xn tend vers r lorsque n tend vers
l’infini.

Definition 8 Un point fixe r de la fonction g( x ) est dit attractif si :

g 0 (r ) < 1

Un point fixe r de la fonction g( x ) est dit répulsif si :

g 0 (r ) > 1

Le cas | g0 (r )| = 0 est indéterminé (cas douteux).

Remarque 5 Dans le cas d’un point fixe répulsif, le bassin d’attraction se réduit à peu de choses, le plus
souvent à l’ensemble r constitué d’un seul point.

Théoréme 3 (Théorème de convergence) Soit g( x ) une fonction continue sur l’intervalle [ a, b] tel que
g ([ a, b]) ⊂ [ a, b]. Si de plus g0 existe telle que

∃k ≥ 0 , g0 ( x ) ≤ k < 1 ∀ x ∈] a, b[

alors tous les points x0 de l’intervalle [ a, b] appartiennent au bassin d’attraction de l’unique point fixe r
dans [ a, b].

4.3 Accélération de la convergence : Méthode d’Aitken

La méthode dite d’Aitken permet d’accélérer la convergence de la méthode de point fixe par la définition
du schéma numérique suivant :

( g ( x k ) − x k )2

x k +1 = x k − , k≥0

g( g( xk )) − 2g( xk ) + xk
x0


Remarque 6 La méthode d’Aitken peut s’appliquer à toute méthode de point fixe.

Algorithme 5 Méthode d’Aitken

Input: g, ε et x0
Output: Une solution approchée de g( x ) = x
1: x1 ← g( x0 )
2: x2 ← g( x1 )
3: x A ← x0
4: repeat
5: x0 ← x A
( x1 − x0 )2
6: x A ← x0 −
x2 − 2x1 + x0
7: until | x A − x0 | < ε
8: Retourner x A avec la précision ε

8/9
Exercice 7
Soit f une fonction continue et strictement monotone sur un intervalle [ a, b]. Une variante de la méthode de
la bissection, appelée la méthode de la fausse position ou regula falsi, consiste à remplacer le point milieu c
de l’intervalle [ a, b] par le point d’intersection c∗ de la droite joignant les points ( a, f ( a)) et (b, f (b)), avec
l’axe des x.
1. Illustrer à l’aide d’un graphique cette méthode
2. Obtenir l’équation de la droite et calculer son point d’intersection avec l’axe des x
3. Donner le schéma numérique correspondant à cette méthode et montrer sa convergence vers la racine
de la fonction f
4. Modifier l’algorithme de la bissection en remplaçant le milieu c par c∗
5. Discuter le cas où f est de plus convexe sur [ a, b]
6. Faire quatre itérations pour calculer le zéro de la fonction f ( x ) = x3 − x2 − 1 sur [1, 2]

Exercice 8
Soit g : [ a, b] ⊂ R −→ R ([ a, b] peut être non borné) une fonction k-lipschitzienne telle que 0 < k < 1,
et g([ a, b]) ⊂ [ a, b]. Le but de cet exercice est de montrer que g admet un unique point fixe l ∈ [ a, b]. On
pose ( xn ) définie par xn+1 = g( xn ) avec x0 ∈ [ a, b].
1. Justifier que la suite ( xn ) est bien définie
2. Montrer que | xn+1 − xn | ≤ kn | x1 − x0 | , ∀n ∈ N
3. Montrer que xn converge vers l ∈ [ a, b]
4. Déduire que g admet un point fixe unique à déterminer
k
5. Montrer que | xn − l | ≤ kn | x0 − l | et | xn − l | ≤ | x n − x n −1 |
1−k
6. Qu’est ce que peut on dire de la fonction f ( x ) = cos( x ) − x sur l’intervalle [0, 1]

Exercice 9
Soit la fonction par f ( x ) = x3 − a où a > 0. On se propose de donner une approximation r de la racine de
la fonction f , r, avec un précision ε. Pour cette raison, on utilise la méthode de point fixe par la considération
de la fonction g( x ) = 32 x + 3xa 2
1. Montrer que r est une approximation du point fixe g avec la précision ε
2. Que peut-on conclure sur la convergence de cette méthode de point fixe
3. Donner la formule de la méthode de Newton pour approcher r .Qu’observe-t-on ?
4. Déterminer la vitesse de convergence de la méthode de point fixe donnée par g

9/9