Vous êtes sur la page 1sur 12

Annaba

E STI 2018/2019

Chapitre 1 Résolution d’Équations Non Linéaires

1- Introduction
La modélisation de certains phénomènes physiques mène parfois à des équations non linéaires de la
forme f (x) = 0, mais parfois, une telle équation ne peut être résolue analytiquement. Par exemple :

x 5 + x 4 − 3x 3 + x 2 + x + 1 = 0

ou encore
l n(x) = arctan(x)
On a alors recours à des méthodes numériques (Bissection, Point fixe, Newton-Raphson,...) pour ap-
procher la solution. Beaucoup de méthodes existent et le choix de la méthode à adopter est spécifique
à l’équation considérée, c’est à dire qu’il se peut qu’une méthode soit efficace pour la résolution d’une
équation, moins efficace pour une deuxième et voire divergente pour d’autres. Si pour une équation,
deux méthodes convergent ; celle dont la vitesse de convergence est meilleure sera alors choisie.
L’étude de convergence, la vitesse de convergence et la comparaison de quelques méthodes numé-
riques de résolution d’équations non linéaires font l’objet du présent chapitre.

On considère une fonction réelle f définie et continue sur un intervalle [a, b], a < b, et admet une
racine uniquesur I =]a, b[, c’est à dire qu’il existe un unique r ∈ I tel que f (r ) = 0.

1.1- Position du problème.

On veut résoudre une équation de la forme :

f (x) = 0, x ∈ [a, b] ⊂ D f (1)

Définition 1.1.1 : Une solution de l’équation (1) est appelée racine ou zéro de la fonction f et est
notée r.

Théorème 1.1.2 : [TVI] Soit f : [a, b] → R, une fonction continue sur l’intervalle [a, b].
Si f (a) × f (b) < 0, alors il existe au moins r ∈]a, b[ tel que f (r ) = 0.

Ce théorème garanti juste l’existence de la solution. L’unicité découle de la stricte monotonie de la


fonction f dans l’intervalle [a, b].

Corollaire 1.1.3 : Soit f : [a, b] → R. Si

2ème année 1 Analyse Numérique


Annaba
E STI 2018/2019

• f est continue sur [a, b].


• f est strictement monotone sur [a, b].
• f (a) × f (b) < 0.
Alors, il existe un unique r ∈]a, b[ tel que f (r ) = 0.

Le principe de toutes les méthodes itératives est de générer une suite (x n ) convergente sous certaines
conditions vers la solution recherchée (racine ou point fixe). En cas de convergence, les termes de
cette suite sont des approximations de cette solution, d’où l’appellation "méthodes des approxima-
tions successives".

2- Méthodes de résolution

2.1- Méthode de Bissection (Dichotomie).

2.1.1- Principe de la méthode.

On considère une fonction f continue de [a, b] dans R. On suppose que f (a) × f (b) < 0 et que l’équa-
tion f (x) = 0 admet une solution unique r ∈ [a, b].
La méthode de Bissection consiste à construire une suite (x n ) qui converge (toujours !) vers la racine
"r ", et ce en encadrant par le TVI cette racine dans des intervalles emboités de plus en plus fins, dont
les centres sont les termes de cette suite.
On considère l’exemple suivant pour illustrer le principe de la méthode.

Exemple.1
On voudrait calculer une valeur approchée de la racine de la fonction f définie par :

f (x) = 10x − 9e −x

On vérifie facilement que cette fonction admet une racine unique r ∈]0, 1[.

. f est continue sur R (somme de deux fonctions continues), donc continue sur [0, 1].
. f est strictement croissante sur R car f 0 (x) = 10 + 9e −x > 0, donc strictement croissante sur
[0, 1].
. f (0) × f (1) < 0.
1ère étape :

On note a 0 = a = 0 et b 0 = b = 1.
Le premier terme de la suite (x n ) est obtenu en calculant le point milieu de l’intervalle I 0 = [a 0 , b 0 ] :

a0 + b0
x0 = = 0.5
2

2ème année 2 Analyse Numérique


Annaba
E STI 2018/2019

2ème étape : (Première itération)

Puisque f (x 0 )× f (b 0 ) < 0, donc la racine se trouve dans l’intervalle réduit ]0.5, 1[. On note a 1 = x 0 = 0.5
et b 1 = b 0 = 1.
Le deuxième terme de la suite (x n ) est obtenu en calculant le point milieu de l’intervalle I 1 = [a 1 , b 1 ] :
a1 + b1
x1 = = 0.75
2
3ème étape : (deuxième itération)

Puisque f (a 1 )× f (x 1 ) < 0, donc la racine se trouve dans l’intervalle réduit ]0.5, 0.75[. On note a 2 = a 1 =
0.5 et b 2 = x 1 = 0.75.
Le troisième terme de la suite (x n ) est obtenu en calculant le point milieu de l’intervalle I 2 = [a 2 , b 2 ] :
a2 + b2
x2 = = 0.625
2
Ainsi de suite....

Les six premières itérations sont données dans le tableau suivant :

n an xn bn signe de a n signe de x n signe de b n


0 0 0.5 1 - - +
1 0.5 0.75 1 - + +
2 0.5 0.625 0.75 - + +
3 0.5 0.5626 0.625 - + +
4 0.5 0.53125 0.5626 - + +
5 0.5 0.515625 0.53125 - - +
6 0.515625 0.5234375 0.53125 - - +
Les étapes de la méthode sont résumées dans le schéma suivant :

a n +b n
Ï Calculer le point milieu de l’intervalle I n = [a n , b n ] donné par : x n = 2
Ï Si f (x n ) = 0, alors x n = r
Ï Si f (x n ) × f (a n ) < 0, la solution r appartient à I n+1 = [a n+1 , b n+1 ] = [a n , x n ]
Ï Si f (x n ) × f (b n ) < 0, la solution r appartient à I n+1 = [a n+1 , b n+1 ] = [x n , b n ]

Quand s’arrêter ? !
Dans notre exemple on s’est arrêté à la sixième itération, mais en pratique l’algorithme de Dichotomie
s’arrête lorsqu’une précision fixée à priori est atteinte ; c’est à dire, lorsque E n = |x n − r | < ε, où E n est
l’erreur à l’étape n et ε est une tolérence donnée.

2.1.2- Erreur et critères d’arrêt.

2ème année 3 Analyse Numérique


Annaba
E STI 2018/2019

Après avoir illustré le principe de la méthode de Bissection (Dichotomie), on se propose de donner


une formule qui nous permet d’estimer l’erreur absolue entre la racine exacte r et l’approximation x n
obtenue à la énième itération (E n = |x n − r |).
|I |
Tout d’abord, nous pouvons remarquer que E n < 2n , où |I n | est la longueur de l’intervalle I n .

D’autre part, on a :
|I 0 | = b − a
|I 0 | b − a
|I 1 | = =
2 2
|I 1 | b − a
|I 2 | = =
2 4
par récurrence, on obtient :
|I n−1 | b−a
|I n | = = ··· = n
2 2
d’où
b−a
E n = |x n − r | <
2n+1
Si on revient à l’exemple précédent, on peut affirmer que l’erreur commise est strictement inférieure
à b−a
27
= 1−0
128
= 0.0078125
Ï De cette formule, on remarque que plus le nombre d’itérations est grand plus la précision est
bonne. En langage mathématique, on dit que la suite (x n ) converge vers r .
Estimation du nombre d’itérations nécessaires pour avoir une précision donnée :

Si on exige une erreur absolue inférieure à ε, on peut déterminer (estimer) le nombre d’itérations suf-
fisantes pour avoir cette précision comme suit :
La précision est atteinte si E n ≤ ε, et comme E n < 2b−a b−a
n+1 , il suffit que 2n+1 soit inférieure ou égal à ε.

Cherchons n vérifiant :
b−a
≤ε
2n+1

b−a
≤ 2n


l n (b − a) − l n (2ε)
n≥ (2)
l n (2)
On en conclut alors
h que pour avoir i une erreur absolue inférieure à ε donné, il suffit d’effectuer n ité-
l n(b−a)−l n(2ε)
rations avec n = l n(2)
+ 1. ([a] dénote la partie entière de a)

Remarque 2.1.1. La formule précédente donne le nombre d’itérations garantissant une erreur ab-
solue inférieure à la valeur fixée, mais rien ne garanti que ce soit le nombre minimal d’itérations à

2ème année 4 Analyse Numérique


Annaba
E STI 2018/2019

effectuer !

Exemple.2
Soit f (x) = e x − 1
Trouver le nombre d’itérations garantissant une erreur absolue inférieure à 0.5 × 10−6 en partant avec
un intervalle initial de longueur 1.
En appliquant la formule (2), on obtient :

l n 106
¡ ¢
n≥ = 19.93..
l n (2)

Donc, en prenant n = 20 on est garanti d’avoir une précision inférieure à 0.5 × 10−6 . Cependant, si on
choisit l’intervalle [−0.5, 0.5] comme intervalle de départ, on obtient x 0 = 0 est la racine exacte de f ,
donc la précision est atteinte sans avoir fait aucune itération (n = 0).

2.2- Méthode de Point Fixe.

Définition 2.2.1 La solution d’une équation de la forme g (x) = x est appelée point fixe de g . (On le
nomme ainsi car ce point reste invariant par rapport à la fonction g )

2.2.1- Principe de la méthode.

Soit f une fonction continue de [a, b] dans R.


Il est toujours possible de transformer l’équation f (x) = 0 en une équation équivalente de la forme
g (x) = x.
Approcher la racine de la fonction f se ramène donc à l’approximation du point fixe de la fonction g ,
et ce, en construisant la suite recurrente :
½
x n+1 = g (x n )
(3)
x 0 ∈ [a, b]

Remarque 2.2.2 La transformation de l’équation f (x) = 0 en une équation équivalente g (x) = x n’est
pas unique !

Exemple.3 Soit l’équation


ln (x) − arctan (x) = 0, x ∈ [3, 4] (4)
On peut aisément montrer que l’équation (4) est équivalente aux trois équations suivantes :
1. tan (ln x) = x
2. exp (arctan x) = x
3. ln (x) − arctan (x) + x = x
Cependant, les premières itérations pour chacune des trois fonctions en partant du même point x 0 =
3.5 donnent des résultats différents, comme le montrent les tableaux suivants :

2ème année 5 Analyse Numérique


Annaba
E STI 2018/2019

TABLE 1 – Méthode de point fixe pour : g 1 (x) = tan (ln x).


n xn g 1 (x n )
0 3.5 3.037591337227398
1 3.037591337227398 2.019735476919874
2 2.019735476919874 0.847372267895170
3 0.847372267895170 -0.167146152056377
4 -0.167146152056377 "n’est pas définie"

TABLE 2 – Méthode de point fixe pour : g 2 (x) = l n (tan x).


n xn g 2 (x n )
0 3.5 3.641867748577344
1 3.641867748577344 3.679646011300353
2 3.679646011300353 3.689311652342656
3 3.689311652342656 3.691759027988841
4 3.691759027988841 3.692377074956888
5 3.692377074956888 3.692533048814105
6 3.692533048814105 3.692572404619843
7 3.692572404619843 3.692582334575253

TABLE 3 – Méthode de point fixe pour : g 3 (x) = ln (x) − arctan (x) + x.


n xn g 3 (x n )
0 3.5 3.460266300705583
1 3.460266300705583 3.412145753043126
2 3.412145753043126 3.353778365205523
3 3.353778365205523 3.282847739079045
4 3.282847739079045 3.196446714204886
5 3.196446714204886 3.090891495568954
6 3.090891495568954 2.961457623071615
7 2.961457623071615 2.801992742727583

2ème année 6 Analyse Numérique


Annaba
E STI 2018/2019

Ï Comme nous pouvons le prévoire, le comportement de l’algorithme dépend de la fonction d’ité-


ration g .
Pour la fonction g 1 la suite de récurrence n’est pas bien définie, divergente pour g 2 et converge
vers l’unique point fixe de g 3 (qui est aussi point fixe de g 1 et g 2 ), r = 3.692585685455486.
2.2.2- Etude de convergence.

Définition 2.2.3 On dit qu’une application g : [a, b] → R est quasi-contractante sur l’intervalle [a, b]
si :
∃k ∈]0, 1[, ∀(x, y) ∈ [a, b]2 : ¯g (x) − g (y)¯ ≤ k ¯x − y ¯
¯ ¯ ¯ ¯

Proposition 2.2.4 Soit g une application de classe C 1 . On suppose que g 0 vérifie :

sup |g 0 (x)| ≤ k < 1


x∈[a,b]

alors l’application g est quasi-contractante sur l’intervalle [a, b].

Définition 2.2.5
On dit qu’un point fixe r d’une fonction g est attractif, si |g 0 (r )| < 1.
On dit qu’un point fixe r d’une fonction g est répulsif, si |g 0 (r )| > 1.

Théorème 2.2.6 (Théorème d’Ostrowski de convergence locale))


Soit r un point fixe attractif d’une fonction g continue et différentiable dans l’intervalle [a, b] conte-
nant r .
Alors il existe un intervalle V (r ) (un voisinage de r ) tel que pour tout élément x 0 ∈ V (r ) la suite
x n+1 = g (x n ) donnée par (3) converge vers r .

Théorème 2.2.7
Si g est une application définie sur l’intervalle [a, b] à valeurs dans [a, b] et quasi-contractante, alors
[a, b] ⊂ V (r ), c’est à dire que la suite (x n ) définie par la relation de récurrence x n+1 = g (x n ) converge
vers r l’unique point fixe de g , et ce, pour tout choix de x 0 ∈ [a, b].

Corollaire 2.2.8 (Convergence globale)


Considérons une fonction g : [a, b] → R.
Si les deux conditions suivantes sont satisfaites :
1. [Condition de Stabilité (Invariance)] g (x) ∈ [a, b], ∀x ∈ [a, b]
2. [Condition de Contraction] ∃0 < k < 1 tel que : sup |g 0 (x)| ≤ k
x∈[a,b]
alors, la méthode de point fixe définie par
½
x n+1 = g (x n )
x 0 ∈ [a, b]

converge vers l’unique point fixe de g .

2ème année 7 Analyse Numérique


Annaba
E STI 2018/2019

Exemple.4
En revenant à l’exemple précédent, on peut justifier la convergence de la méthode de point fixe ap-
pliquée à la troisième équation.
En effet, la fonction© g 3 (x) = e ar ctªan(x) est une fonction quasi-contractante (g 0 est monotone sur [3, 4],
sup |g 0 (x)| = max |g 0 (3)|, |g 0 (4)| = 0.3487 < 1), et elle satisfait aussi à la condition de stabilité (g est
x∈[3,4]
monotone, g 0 (3) = 3.487 ∈ [3, 4] et g 0 (4) = 3.7652 ∈ [3, 4], donc g (x) ∈ [3, 4], ∀x ∈ [3, 4]).

Remarque 2.2.9
La stabilité et la quasi-contraction de g sur [a, b] sont des conditions suffisantes de convergence.

∗ On ne peut dire que la méthode de point fixe est divergente que dans le cas où ∀x ∈ [a, b],
|g 0 (x)| > 1, car dans ce cas |g 0 (r )| > 1 et donc r est un point répulsif.
2.2.3- Erreur et critères d’arrêt.

Dans le cas où la méthode de point fixe converge, on peut donner une estimation de l’erreur comme
suit :
Puisque g est quasi-contractante,on a :
¯ ¯
|x n+1 − x n | = ¯g (x n ) − g (x n−1 )¯ ≤ k |x n − x n−1 |

par récurrence, on obtient


|x n+1 − x n | ≤ k n |x 1 − x 0 |
on en déduit que
p
¯x n+p − x n ¯ ≤ k n |x 1 − x 0 | 1 − k
¯ ¯
1−k
Finalement, on obtient une évaluation de l’erreur en faisant tendre p vers l’infini :

kn
E n = |r − x n | ≤ |x 1 − x 0 |
1−k
Remarque 2.2.10
On constate que, pour n fixé, l’erreur est d’autant plus petite que k est petit.

Estimation du nombre d’itérations nécessaires pour avoir une précision donnée :

La dernière relation fournit donc une estimation de l’erreur commise à l’étape n du calcul et nous
donne un moyen de trouver le nombre d’itérations suffisantes pour atteindre une précision donnée.

kn kn
La précision est atteinte si E n ≤ ε, et comme E n ≤ 1−k
|x 1 − x 0 |, il suffit que 1−k
|x 1 − x 0 | soit inférieure
ou égale à ε.

2ème année 8 Analyse Numérique


Annaba
E STI 2018/2019

Cherchons n vérifions :
kn
|x 1 − x 0 | ≤ ε
1−k
1−k
kn ≤ ε
|x 1 − x 0 |
ε(1 − k)
µ ¶
nl n(k) ≤ l n
|x 1 − x 0 |
et comme l n(k) < 0 ⇐⇒
l n(ε) + l n(1 − k) − l n(|x 1 − x 0 |)
n≥
l n(k)
h que pour avoir uneierreur absolue inférieure à ε donné, il suffit d’effectuer n ité-
On en conclut alors
rations avec n = l n(ε)+l n(1−k)−l
l n(k)
n(|x 1 −x 0 |)
+ 1.

Ï Dans le cas où pour la même équation de départ f (x) = 0, deux méthodes de point fixe x =
g 1 (x) et x = g 2 (x) convergent, laquelle choisissons nous ?
Pour pouvoir répondre à cette question, il nous faudra travailler encore plus pour comprendre le com-
portement de cette méthode. Ce qui nous amène au développement de Taylor.

Notons e n = x n − r . Le développement de Taylor de la fonction g au voisinage de r évalué au point x n


donne :
g "(x n )
g (x n ) = g (r ) + g 0 (r )(x n − r ) + (x n − r )2 + · · ·
2!
et comme g (x n ) = x n+1 et g (r ) = r , on obtient

g "(x n )
e n+1 = x n+1 − r = g 0 (r )(x n − r ) + (x n − r )2 + · · ·
2!

Dans le cas où g 0 (r ) 6= 0, et du fait que e n2 soit négligeable devant e n , on peut écrire :

e n+1 ' g 0 (r )e n ' (g 0 (r ))n+1 e 0

Comme on a vu auparavant, l’erreur ne diminuera que si |g 0 (r )| ≤ 1. De plus, on constate que plus


|g 0 (r )| est petit, plus l’erreur diminuera vite et la convergence sera rapide.

2.2.4- Ordre de convergence.

Le taux de convergence d’une méthode de point fixe est donné par |g 0 (r )|.
Le cas |g 0 (r )| = 0 est un cas limite, on a plutôt :

g "(x n ) 2
e n+1 ' en
2!

2ème année 9 Analyse Numérique


Annaba
E STI 2018/2019

Définition 2.2.11
Une méthode de point fixe est dite d’ordre p si :

|e n+1 | ' C |e n |p

où C est une constante positive.


p=1 : la convergence est dite linéaire.
p=2 : la convergence est dite quadratique.
p=3 : la convergence est dite cubique.

Corollaire 2.2.12
Soit la méthode de point fixe donnée par :
½
x n+1 = g (x n )
x 0 ∈ [a, b]

Si on suppose que g est p fois continûment dérivable, alors la méthode est d’ordre p si et seulement
si
g 0 (r ) = g "(r ) = · · · = g (p−1) (r ) = 0 et g (p) (r ) 6= 0
Ï Comme la convergence et la vitesse de convergence dépendent de la fonction d’itération g ,
pouvons-nous construire une fonction g (qui dépend de f bien sûr) assurant une conver-
gence optimale ?

2.3- Méthode de Newton-Raphson.

La méthode de Newton-Raphson est une méthode de point fixe dont la fonction d’itération g est choi-
sie de manière à ce que la convergence soit au moins quadratique, tandis que l’application de cette
méthode nécessite une certaine régularité de la fonction f . ( f ∈ C 2 ([a, b]))

2.3.1- Principe de la méthode.

A condition que f 0 (x) soit non nulle ∀x ∈ [a, b], on peut transformer l’équation f (x) = 0 comme suit

− f (x) = 0


f (x)
− =0
f 0 (x)

f (x)
x− =x
f 0 (x)
f (x)
d’où la fonction d’itération de la méthode de Newton-Raphson g (x) = x − f 0 (x)
, vérifiant g 0 (r ) = 0 qui
nous assure une convergence au moins quadtratique.

2ème année 10 Analyse Numérique


Annaba
E STI 2018/2019

F IGURE 1 – Méthode de Newton.

2.3.2- Interprétation géométrique.

On se donne un élément de départ x 0 (généralement x 0 = a ou b) vérifiant quelques hypothèses.


La méthode de Newton consiste à remplacer la courbe de f par sa droite tangente au point x 0 notée
D x0 , x 1 est l’intersection de cette droite avec l’axe des abscisses (Ox). C’est à dire qu’on a approximé
la racine r par la racine de la droite D x0 . La deuxième approximation x 2 est la racine de la droite D x1
tangente à la courbe C f au point x 1 et ainsi de suite (x n+1 est la racine de la droite D xn tangente à C f
au point x n ). En effet, L’équation de la droite tangente au point x n est donnée par :

D xn : y = f 0 (x n ) (x − x n ) + f (x n )

et comme x n+1 est la racine de cette droite, alors

f 0 (x n ) (x n+1 − x n ) + f (x n )

donc
f (x n )
x n+1 = x n −
f 0 (x n )

2.3.3- Etude de convergence.

On peut considérer la méthode de Newton comme étant une méthode de point fixe, puis appliquer
les théorèmes de convergence connus. Cependant, d’autres conditions plus faciles à vérifier existent

2ème année 11 Analyse Numérique


Annaba
E STI 2018/2019

(leur origine est purement géométrique).

Théorème 2.3.1 [Convergence locale]


Soi f : [a, b] → R, une fonction vérifiant :

• f (a) × f (b) < 0


• f ∈ C 2 ([a, b])
• f 0 (x) 6= 0, ∀x ∈ [a, b]
• f "(x) 6= 0, ∀x ∈ [a, b]
alors la suite générée par la méthode de Newton :
(
f (x )
x n+1 = x n − f 0 (xnn )
(5)
x 0 ∈ [a, b]

converge vers r l’unique racine de f , et ce, pour tout élément initial x 0 vérifiant f (x 0 ) × f "(x 0 ) > 0

Théorème 2.3.2 [Convergence globale]


Soi f : [a, b] → R, une fonction vérifiant :

• f (a) × f (b) < 0


• f ∈ C 2 ([a, b])
• f 0 (x) 6= 0, ∀x ∈ [a, b]
• f "(x) 6= 0, ∀x ∈ [a, b]
¯ ¯ ¯ ¯
¯ f (a) ¯ ¯ f (b) ¯
• ¯ f 0 (a) ¯ ≤ (b − a) et ¯ f 0 (b) ¯ ≤ (b − a)
alors la suite générée par la méthode de Newton donnée par (5) converge vers r l’unique racine de f ,
et ce, pour n’omporte quel choix de x 0 dans [a, b]

. Les deux théorèmes précédents donnent juste des conditions suffisantes de convergence.
On ne peut en aucun cas dire que la méthode de Newton diverge.

2ème année 12 Analyse Numérique