2.

1 Itération de type point fixe, cas général

1.
Nous avons résolue l’équation cos ( x )= x avec la méthode de type point fixe.
Code Matlab :
rho = (Lx(end) - s) / s;
LC(end+1) = -log(rho);
end
plot(abs(LC))
%plot(Lx)

Lx est la valeur de l’équation et LC nous sert à voir l’ordre de convergence.

Graphique de Lx en fonction du nombre d’itération :

On remarque de grande variation au pour les 13 premiers points puis une stabilisation. Le
résultat à la précision 10−14 est trouvé en 75 itérations.
Graphique de LC en fonction du nombre d’itération :

Sur ce graphique on peut voir que dans un premier temps un ordre de convergence linéaire
puis un pique et une stabilisation. Pour trouver l’ordre de convergence nous avons utilisé la
1
partie linéaire de la courbe ce qui nous donne un ordre de convergence de .
2

2.
Avec la même équation nous appliquons la méthode de Newton.
Nous reprenons la même méthode avec Lx est la valeur de l’équation et LC l’ordre de
convergence.
Graphique de Lx en fonction du nombre d’itération :
Cette fois si avec la même précision de 10−14 le résultat est obtenue avec 5 itérations. Cette
méthode a donc été 15 fois plus rapide que la précédente.

Graphique de LC en fonction du nombre d’itération :

Cette fois si on remarque que l’ordre de convergence est supérieur à 2. Ce qui correspond
avec le graphique précédent.
3.
Dans cette partie l’équation est x=10∗cos ⁡( x)
Nous essayons dans un premier temps de résoudre cette équation avec la méthode de type
point fixe vue précédemment.
Graphique de la réponse avec la méthode de type point fixe en fonction du nombre
d’itération :

Nous avons limité le nombre d’itération à 50 car la réponse n’arrive pas à trouver la réponse
comme le montre le graphique.
Il faut donc trouver une autre méthode pour résoudre cette équation.

Nous avons donc utilisé la méthode de Newton vu précédemment pour résoudre cette
équation.
Graphique de la réponse avec la méthode de Newton en fonction du nombre d’itération :

Cette fois si la méthode converge en 28 itération pour une précision de 10−10 .

La méthode de Newton arrive donc à résoudre cette équation contrairement à la méthode
de du point fixe

en fonction du nombre d’itération :

On remarque que le nombre d’itération pour nécessaire pour la méthode du point fixe est
de 51 alors que celui de la méthode ∆ 2 d’Aitken a besoin de 49 itérations. La méthode ∆ 2
d’Aitken est donc plus performant de c’elle de type point fixe avec une moins grande
variation des valeurs pour les première itérations.

Nous avons ensuite appliqué cette méthode avec l’équation x=10∗cos ⁡( x) :

Comme précédemment la méthode du point fixe ne parvient à se stabiliser et comme la
méthode ∆ 2 d’Aitken utilise c’est valeur, elle diverge aussi.

2.
Nous avons ensuite utilisé la méthode d’Aitken-Steffensen pour résoudre les deux équations
précédentes.
Implémentions Matlab :

x0 =

Avec toujours Lx le résultat par la méthode d’Aitken-Steffensen et LC l’ordre de convergence.

Graphique de la méthode d’Aitken-Steffensen pour l’équation cos ( x )= x
On voit que cette méthode prend 5 itération pour trouver le résultat avec une précision de
−15
10 .

Graphique de la méthode d’Aitken-Steffensen pour l’équation 10∗cos ( x )=x

Cette fois, la méthode d’Aitken-Steffensen arrive à trouver le résultat en 10 itérations pour
une précision de 10−15 .

Graphique de l’ordre de convergence de cette méthode :

Avec ce graphique, on remarque que la méthode d’Aitken-Steffensen a un ordre de

convergence proche de 2.

2.3 Résolution d’un système non linéaire

Dans cette partie le but est de résoudre le système non linéaire
2 2 2
F ( x )=(x 1−x 2+ 2∗x 1 , x 1 ¿ x 2 + x 2−1)
Implémentation Matlab :

x0 = [0,1];
xns = j*xn - [(Lx1(end))^2 - (Lx2(end))^2 + 2*Lx1(end);(Lx1(end))^2*Lx2(end) +
Lx2(end) - 1];
xns = jinv*xns;
Lx1(end+1)=xns(1);
Lx2(end+1)=xns(2);
end

[Lx1(end);Lx2(end)]

Avec Lx1 et Lx2 nos deux racines et j notre matrice jacobienne.

Les résultats trouvé par cette méthode sont : x 1=0.3422 et x 2=0.8952 ce qui correspond
bien au valeur trouvé dans la partie théorique.
2.4 Méthode de Newton appliqué au calcul des racines k-ième
1.
Dans cette question nous avons calculer √3 5 avec la méthode de Newton

Graphique de la méthode de Newton en fonction du nombre d’itération

On remarque qu’avec la méthode de Newton nous obtenons le résultat en 6 itération avec

une précision de 10−15
Graphique de l’ordre de convergence de la méthode de Newton :

En moyenne l’ordre de convergence est toujours égal à 2 comme précédemment.

2.
Nous avons ensuite calculer √3 5 avec la méthode de la sécante.
Implémentation Matlab :

x0 = 1;
x1 = 2;
s = 1.7099759466766;
k = 3;
a = 5;
Lx = [x0,x1];
LC = [];
LCn = [];
while abs((Lxn(end))^k - a) > 10e-14
Lxn(end+1) = Lxn(end) - ((Lxn(end))^k - a) / (k*(Lxn(end))^(k-1));
rho = (Lxn(end) - s) / s;
LCn(end+1) = -log(rho);
end

plot(Lx)
hold on
plot(Lxn)
Lx correspond au résultat de par la méthode de la sécante et Lxn est les résultats par la
méthode de Newton.
Graphique entre la méthode de la sécante et la méthode de Newton en fonction du nombre
d’itération :

En jaune c’est la courbe de la méthode de la sécante et en violet et la violet correspond à la

méthode de Newton vu précédement.
On remarque que la méthode de la sécante est plus lente que la méthode de Newton, elle
prend 9 itérations à trouvé le résultat avec un précision de 10−14 contre 6 itérations pour la
méthode de Newton.

Graphique de l’ordre de convergence de la méthode de la sécante :

Tout comme pour la méthode de Newton, l’ordre de convergence est proche de 2.

Conclusion
Dans ce TP, nous avons appliqué différente méthode itérative pour trouver différent
résultat. Nous avons vu que la méthode de type point fixe et la méthode ∆ 2 d’Aitken ne
marché pas pour toute les situations et était les moins performantes.
Nous avons pu constater l’influence de l’ordre de convergence sur les performances des
différentes méthodes.