page 1 Analyse numérique1 MIP Pr.

Brahim Benouahmane

EQUATIONS NON-LINEAIRES

Notations

I : intervalle de IR.

[a, b] : intervalle fermé et borné de IR.

f : une fonction numérique réelle définie et continue sur I.

1. Séparation des racines

Problème : Déterminer les racines de l’équation f (x) = 0 sur I :

(α ∈ I , f (α) = 0)

Une méthode de résolution numérique comportera deux étapes

(a) La séparation des racines; cela consiste à déterminer un intervalle [a, b] ⊂ I tel que [a, b]

contienne une racine α et une seule de l’équation f (x) = 0.

(b) Le calcul successif des racines séparées.

La séparation des racines peut se faire essentiellement par :

(a) Une technique de balayage de I :

• On découpe I en n intervalles [xi , xi+1 ]

• On calcule successivement f (xi ) f (xi+1 ); si c’est strictement négatif, c’est qu’il ex-
iste un nombre impair des racines sur ]xi , xi+1 [

• On recommence le découpage sur chaque intervalle où on a détecté au moins une

racine jusqu’à ”l’assurance” d’avoir isolé une racine.

(b) ou graphiquement.

Exemple

f (x) = ex sin(x) − 1 I = [−π, π]

L’intersection de f1 (x) = sin(x) et f2 (x) = e−x permet de déceler deux racines α1 , α2 avec

α1 ∈]0.5, 0.6[ et α2 ∈]3, 3.1[

1
page 2 Analyse numérique1 MIP Pr. Brahim Benouahmane

2. Calcul d’une racine séparée

On se place dans la situation suivante :

Il existe un intervalle [a, b] ⊂ I tel que α soit la seule racine de f (x) = 0 sur ]a, b[ et
f (a) f (b) < 0. Pour approcher de façon précise l’une de ces racines, nous allons utiliser

l’algorithme suivant :

2.1 Méthode de Dichotomie (Algorithme)

Entrée : ε (la précision désirée)

N0 (le nombre maximum d’itérations)

Sortie : valeur approchée de α ou un message d’échec.

Poser n = 1

b−a
Tant que n ≤ N0 et 2 > ε faire

a+b
Poser p = 2

Imprimer (n, a, b, p)

Poser n = n + 1

Si f (a) f (p) > 0 Alors

Poser a = p

Sinon

Poser b = p

Fsi

Ftque

Si n > N0 Alors

Imprimer (la méthode a échouée après N0 itérations)

Sinon

Fsi

2
page 3 Analyse numérique1 MIP Pr. Brahim Benouahmane

Remarque

Dans un algorithme on impose toujours un nombre maximal d’itérations afin d’éviter les
boucles sans fin causées soit par une convergence trop lente soit par une erreur sur les données

initiales.

A chaque itération, l’algorithme construit un nouvel intervalle [an , bn ], autour de la racine

cherchée α, qui est de longueur égale à la moitié de la longueur de l’intervalle précédent,
c’est-à-dire :
bn−1 − an−1
bn − a n =
2
b−a
bn − a n =
2n−1
Par conséquent, nous pouvons calculer le nombre maximal d’itérations pour obtenir

bn − an
≤ε
2
b−a
On a : 2n ≤ ε, d’où l’on tire :

Log(b − a) − Log(ε)
n≥
Log(2)

Exemple

La fonction f (x) = x3 + 4 x2 − 10 a au moins une racine dans l’intervalle [1,2] puisque

f (1) = −5 et f (2) = 14.

La valeur de α à 9 chiffres significatifs est 1.36523001.

Si on voulait obtenir ce résultat il faudrait faire 29 itérations.

Il est interéssant de remarquer que l’approximation de α obtenue pour n = 9 est meilleure

que pour n = 12.
n pn | pn − p29 |
9 1.36523438 0.00000437
12 1.36499023 0.00023978
29 1.36523001 -
Les avantages de cet algorithme sont la convergence assurée et une marge d’erreur sûre. Par

contre il est relativement lent et il n’est pas toujours facile de localiser un intervalle sur
lequel on a un changement de signe. Cet algorithme est souvent utilisé pour déterminer une
approximation initiale à utiliser avec un algorithme plus rapide.

3
page 4 Analyse numérique1 MIP Pr. Brahim Benouahmane

2.2 Méthode de Newton-Raphson

Soit x ∈ [a, b] une approximation de la racine α. On suppose donc que | x − α | est petit et
aussi que f 0 (x) 6= 0.

Si f ∈ C (2) ([a, b]), le développement de Taylor-Lagrange de f à l’ordre 2 au point x s’écrit :

(x − x)2
f (x) = f (x) + (x − x) f 0 (x) + f ”(ξx )
2!

où ξx est un point entre x et x.

En particulier, pour x = α, on obtient :

(α − x)2
f (α) = 0 = f (x) + (α − x) f 0 (x) + f ”(ξα )
2!

En négligeant l’infiniment petit (α − x)2 d’ordre 2, on peut s’attendre à ce que :

f (x)
x∗ = x −
f 0 (x)

soit une meilleure approximation de α que x.

Théorème

On suppose que f ∈ C (2) ([a, b]) avec α ∈]a, b[.

Si α est une racine simple de l’équation f (x) = 0 alors il existe un réel θ > 0 tel que pour
tout x0 ∈ [α − θ, α + θ], l’itération de Newton :

f (xk )
xk+1 = xk − , k≥0
f 0 (xk )

commençant en x0 converge vers α.

Preuve.

f 0 (α) 6= 0 puisque α est une racine simple.

Comme f 0 est continue sur [a,b], il existe alors θ1 > 0 tel que :

∀x ∈ [α − θ1 , α + θ1 ] ⊂ [a, b], f 0 (x) 6= 0

Il suffit de montrer que la fonction g définie par

f (x)
g(x) = x −
f 0 (x)

4
page 5 Analyse numérique1 MIP Pr. Brahim Benouahmane

définie et continue sur [α−θ1 , α+θ1 ] vérifie les conditions suffisantes pour être une contraction.

Il est facile de vérifier que g est dérivable sur [α − θ1 , α + θ1 ], avec g 0 continue et définie par :

f (x) f ”(x)
g 0 (x) =
[f 0 (x)]2

Puisque g 0 (α) = 0, la continuité de g 0 assure l’existence d’un θ > 0, θ < θ1 tel que :

∀x ∈ [α − θ, α + θ] , | g 0 (x) |≤ K < 1

Il reste à vérifier que g, définie sur [α − θ, α + θ], est aussi à valeurs dans ce même intervalle

Or ∀x ∈ [α − θ, α + θ] on a :

| g(x) − α |=| g(x) − g(α) |=| g 0 (ξ) | | x − α |

≤ K | x − α |≤| x − α |≤ θ, ξ est entre x et α

2.3 Algorithme de Newton-Raphson

Entrée : Une approximation initiale p, ε (la précision désirée), N0 (le nombre maximum

d’itérations)

Sortie : valeur approchée de α ou un message d’échec.

Poser n = 1

f (p)
Tant que n ≤ N0 et | f 0 (p) |> ε faire

f (p)
Poser p = p − f 0 (p)

Imprimer (n, p, f (p))

Poser n = n + 1

Ftque

Si n > N0 Alors

Imprimer (la méthode a échouée après N0 itérations)

Sinon

Fsi

5
page 6 Analyse numérique1 MIP Pr. Brahim Benouahmane

Exemple

Considérons le même problème qu’en 2.1

c’est-à-dire : f (x) = x3 + 4 x2 − 10

On a : f 0 (x) = 3 x2 + 8 x

p3n +4 p2n −10

d’où : pn+1 = pn − 3 p2n +8 pn

Pour n = 5 le résultat est précis à 9 chiffres significatifs

n pn f (pn )
1 1.5000000000 2.3750000000
2 1.3733333333 0.1343454815
3 1.3652620149 0.0005284612
4 1.3652300139 0.0000000083
5 1.3652300134 0.0000000000
2.4 Méthode de la sécante

Il est parfois ennuyeux dans l’utilisation de la méthode de Newton-Raphson d’avoir à calculer

f 0 (pn ). L’algorithme suivant peut être considéré comme une approximation de la méthode

de Newton-Raphson.

Au lieu d’utiliser la tangente au point pn nous allons utiliser la sécante passant par les points
d’abscisses pn et pn−1 pour en déduire pn+1 .

L’équation de la sécante s’écrit :

f (pn ) − f (pn−1 )
s(x) = f (pn ) + (x − pn )
pn − pn−1

Si s(pn+1 ) = 0, on tire :

pn − pn−1
pn+1 = pn − f (pn )
f (pn ) − f (pn−1 )

2.5 Algorithme de la sécante

Entrée : Deux approximations initiales p0 et p1

ε (la précision désirée).

N0 (le nombre maximum d’itérations)

Sortie : valeur approchée de α ou un message d’échec.

6
page 7 Analyse numérique1 MIP Pr. Brahim Benouahmane

Poser n = 2

q0 = f (p0 )

q1 = f (p1 )

p1 −p0
Tant que n ≤ N0 + 1 et | q1 −q0 q1 |> ε faire

p1 −p0
Poser p = p1 − q1 −q0 q1

Imprimer (n, p, f (p))

Poser n = n + 1

p0 = p1

p1 = p

q0 = q1

q1 = f (p1 )

Ftque

Si n > N0 + 1 Alors

Imprimer (la méthode a échouée après N0 itérations)

Sinon

Fsi

Remarque

Si pn et pn−1 sont proches (on peut espérer que ce sera le cas si la méthode converge), on

peut considérer que

f (pn −f (pn−1 )
pn −pn−1

est une approximation de f 0 (pn ). Dans ce cas l’algorithme de la sćante est une approximation
de l’algorithme de Newton.

7
page 8 Analyse numérique1 MIP Pr. Brahim Benouahmane

Exemple

Considérons le même problème que précèdemment,

c’est-à-dire : f (x) = x3 + 4 x2 − 10, avec comme point de départ p0 = 2 et p1 = 1

Nous constaterons que la convergence est moins bonne que celle obtenue par la méthode de
Newton.

2.6 Méthode du point fixe

On remplace la résolution de l’équation

f (x) = 0 (E1 )

par la résolution de l’équation

g(x) = x (E2 )

Le choix de g doit être tel que :

(a) la suite itérative définie par :

x0 ∈ [a, b]

xn+1 = g(xn ) n≥0

soit convergente.

Si g est continue la limite α de la suite (xn )n≥0 est alors solution de (E2 ).

(b) la solution de (E2 ) soit aussi solution de (E1 ).

Nous pouvons observer que la méthode de Newton s’écrit toujours :

f (x)
pn+1 = g(pn ) où g(x) = x − f 0 (x)

Si la fonction g est continue et si l’algorithme converge, c’est-à-dire si pn tend vers α, alors

α vérifie :
α = g(α)

On dit que α est un point fixe.

8
page 9 Analyse numérique1 MIP Pr. Brahim Benouahmane

Théorème

On considère une fonction g définie et continue sur [a,b], à valeurs dans [a,b]. On suppose

que g est une contraction sur [a,b] : c’est-à-dire qu’il existe K ∈ [0, 1[ tel que

∀(x, x0 ) ∈ [a, b] × [a, b] :

| g(x) − g(x0 ) |≤ K | x − x0 |

Alors l’équation (E2 ) admet une racine unique α ∈ [a, b] et on a

∀x0 ∈ [a, b] la suite (xn )n≥0 définie par

xn+1 = g(xn )

converge vers α et

Kn
| α − xn |≤ 1−K | x1 − x0 |

Remarque

Ce théorème est un résultat de convergence globale car la convergence de la suite (xn )n≥0

vers α est assurée quel que soit l’initialisation x0 .

Preuve.

Montrons que la suite définie dans i) converge vers une racine de (E2 ).

∀j ≥ 0, | xj+1 − xj |=| g(xj ) − g(xj−1 ) |≤ K | xj − xj−1 |≤ K j | x1 − x0 |

Pour p ≥ 1 fixé, il vient :

n+p−1
X p−1
X ∞
X
| xn+p − xn |≤ | xj+1 − xj |≤| x1 − x0 | K n K j ≤| x1 − x0 | K n Kj
j=n j=0 j=0

Kn
soit | xn+p − xn |≤ 1−K | x1 − x0 | (?)

On en déduit que : lim | xn+p − xn |= 0, c’est-à-dire que (xn )n≥0 est une suite de cauchy
n→+∞

dans IR et par suite convergente vers α ∈ [a, b].

De la continuité de g, il découle que :

α = lim xn+1 = lim g(xn ) = g( lim xn ) = g(α)

n→+∞ n→+∞ n→+∞

9
page 10 Analyse numérique1 MIP Pr. Brahim Benouahmane

Montrons maintenant que (E2 ) possède une racine sur [a,b], suposons l’existence de deux
racines distinctes α et α0 , alors

| α − α0 |=| g(α) − g(α0 ) |≤ K | α − α0 |

ce qui aboutit à la contradiction

(1 − K) | α − α0 |≤ 0

En faisant tendre p vers ∞ dans l’inégalité (?) on trouve

Kn
| α − xn |≤ | x1 − x0 |
1−K

Corollaire

On considère une fonction g définie et continue sur [a,b], à valeurs dans [a,b].

g est une contraction si les conditions suivantes sont vérifiées :

(a) g est dérivable sur [a,b]

(b) ∀x ∈ [a, b] , | g 0 (x) |≤ K < 1

Preuve

De la formule des accroissements finis, il vient que

∀(x, x0 ) ∈ [a, b] × [a, b], il existe ξ ∈]x, x0 [ tel que :

g(x) − g(x0 ) = g 0 (ξ) (x − x0 )

D’où : ∀(x, x0 ) ∈ [a, b] × [a, b],

| g(x) − g(x0 ) |=| g 0 (ξ) | | x − x0 |≤ K | x − x0 |

2.7 Algorithme du point fixe

But : Trouver une solution de x = g(x)

Entrée : Une approximation initiale p

ε (la précision désirée).

N0 (le nombre maximum d’itérations)

10
page 11 Analyse numérique1 MIP Pr. Brahim Benouahmane

Sortie : valeur approchée de α ou un message d’échec.

Poser n = 1

Tant que n ≤ N0 et | g(p) − p |> ε faire

Poser p = g(p)

Imprimer (n, p, g(p))

Poser n = n + 1

Ftque

Si n > N0 Alors

Imprimer (la méthode a échouée après N0 itérations)

Sinon

Fsi

Exemple1

f (x) = x3 + 4 x2 − 10 , [a, b] = [1, 2]

On considère :

g1 (x) = 10 + x − 4 x2 − x3
q
g2 (x) = 10 x − 4x
√
g3 (x) = 12 10 − x3
q
10
g4 (x) = 4+x

On pourra vérifier que g3 et g4 sont des bons choix pour résoudre l’équation f (x) = 0 ce qui

n’est pas le cas de g1 et g2 .

Exemple2

f (x) = x2 − 2 x − 3

L’équation f (x) = 0 admet deux racines qui sont -1 et 3.

On considère :
√
g(x) = 2x + 3

On utilise un estimé x0 = 4, on obtient :

√
x1 = 11 ' 3.316
√
x2 = 9.632 ' 3.104

11
page 12 Analyse numérique1 MIP Pr. Brahim Benouahmane

√
x3 = 9.208 ' 3.034
√
x4 = 9.068 ' 3.011
√
x5 = 9.022 ' 3.004

(xn )n≥0 apparaı̂t comme une suite convergeant vers 3.

On considère :
3
g(x) = x−2

Si x0 = 4, alors :

x1 = 1.5

x2 = −6

x3 = −0.375

x4 = −1.263

x5 = −0.919

x6 = −1.028

x7 = −0.991

x5 = −1.003

On voit que la suite (xn )n≥0 converge vers -1.

On considère :
x2 −3
g(x) = 2

Pour x0 = 4, on obtient :

x1 = 6.5

x2 = 19.635

x3 = 191.0

Cette suite diverge.

Remarque

Il est parfois difficile de transformer f (x) = 0 en x = g(x) par des transformations algèbriques
simples.

Dans ces cas on pourra réecrire f (x) = 0 comme

x = x + k f (x) = g(x)

12
page 13 Analyse numérique1 MIP Pr. Brahim Benouahmane

où k est une constante non nulle que l’on choisit

On choisit k afin que la dérivée de g(x) soit telle que :

| g 0 (x) |=| 1 + k f 0 (x) |< 1

afin d’assurer la convergence.

1
(Prendre k = 4 pour l’exemple2)

13