1.

INTRODUCTION

École supérieure en Sciences et Module: Analyse Numérique

Technologies de l’Informatique et Chargée du cours: Dr. ALKAMA.L
du Numérique Année universitaire: 2023/2024
Niveau: 1ère année Cycle Supérieur

Chapitre III: Résolution d’équation f (x) = 0

1 Introduction
Dans les études scientifiques et d’ingénierie, le problème fréquent est de trouver les racines des équations de
la forme
f (x) = 0. (1)
Si f (x) est une expression quadratique, cubique ou bi-quadratique, alors des formules algébriques sont
disponibles pour exprimer les racines en termes de coefficients. En revanche, lorsque f (x) est un polynôme
de degré supérieur ou une expression faisant intervenir des fonctions transcendantes (non algébrique), les
méthodes algébriques ne sont pas disponibles, et il faut recourir à la recherche des racines par des méthodes
approchées.
Ce chapitre porte sur la description de plusieurs méthodes numériques pour la résolution d’équations de la
forme donnée dans l’Eq (1), où f (x) est algébrique ou transcendante ou une combinaison des deux. Les
fonctions algébriques de la forme

fn (x) = a0 xn + a1 xn−1 + a2 xn−2 + · · · + an−1 x + an , (2)

sont appelés polynômes et nous discutons de certaines méthodes pour déterminer leurs racines.
Une fonction non algébrique est appelée une fonction transcendante, par exemple, les fonctions
1
1 − x
f (x) = ln x − , ϕ(x) = e 2 − 5x, ψ(x) = sin2 x − x2 − 2 sont transcendantes.
4
3
Les racines de l’Eq (1) peuvent être réelles ou complexes. Nous discutons des méthodes de recherche d’une
racine réelle d’équations algébriques ou transcendantes ainsi que les méthodes qui permettent de déterminer
toutes les racines réelles des polynômes.

Nous allons voir dans ce chapitre comment évaluer numériquement une solution d’une équation de la forme
f (x) = 0 avec f une application de R dans R, dans des cadres où la théorie nous assure qu’une telle solution
existe, mais sans en fournir d’expression analytique. Les méthodes qui seront exposées sont des méthodes
itératives; le principe est de partir d’une estimation grossière de la solution puis d’en améliorer la précision
par une application itérée d’un algorithme.

2 Résolution algébrique exacte

Dans des cas très particuliers, on peut résoudre une équation par des formules générales. Ces cas sont ceux
où l’équation se ramène à f (x) = 0 avec f polynomiale de degré ≤ 4.
Exemple 2:
−b
1. Polynôme de degré 1: ax + b = 0, avec a ̸= 0 a une solution unique: x = .
a
2. Polynôme de degré 2: ax2 + bx + c = 0, avec a ̸= 0. On pose ∆ = b2 − 4ac (discriminant de l’équation).

ˆ Si ∆ < 0, il n’y a pas de solutions dans R (mais il y en a deux dans C, corps dans lequel il existe
des racines carrées de tout nombre).
√
−b ± ∆
ˆ Si ∆ > 0, l’équation a deux solutions dans R données par: x = .
2a
−b
ˆ Si ∆ = 0, l’équation a deux solutions confondues en une seule: x = .
2a

1
 3. Polynôme de degré 3: ax3 + bx2 + cx + d = 0, avec a ̸= 0 : Formules de Tartaglia-Cardan. Où il faut
transformer l’équation en x3 = px + q et la solution sera alors
sr sr
3 q 2 p 3 q 3 q2 p3 q
x= − + − − −
4 27 2 4 27 2

4. Polynôme de degré 4: méthode de Ferrari.

Du point de vue théorique, ces formules ont une importance primordiale: elles ont conduit les mathématiciens
à introduire le corps des nombres complexes, à concevoir de nouvelles fonctions (racines carrées, cubiques
etc ...) et à développer toute une théorie de l’interopérabilité, encore en construction aujourd’hui pour les
équations différentielles.
D’autre part, bien que l’on sache que toute équation polynomiale de degré n a exactement n solutions
dans C et donc au plus n solutions dans R (théorème de D’Alembert), on sait aussi (d’après la théorie
d’Evariste Galois), qu’à partir du degré 5, il n’existe plus de formule générale de résolution (et encore moins si
l’équation n’est plus polynomiale). Pour ces raisons, il est indispensable de connaitre les méthodes numériques
de résolution.

Définition 2.1: Racine d’une équation

Toute valeur α vérifiant f (α) = 0, s’appelle racine de l’équation f (x) = 0, ou bien zéro de la fonction
f (x).

Pour la recherche des valeurs approchées aux racines des équations de type f (x) = 0, nous allons utiliser les
méthodes itératives suivantes:
1. Méthode de Dichotomie (ou de bissection);
2. Méthode de Newton-Raphson (ou de Newton);
3. Méthode du point fixe (ou des approximations successives).

3 Méthode de Dichotomie (ou méthode de la bissection)

La méthode de Dichotomie qui signifie étymologiquement en grec couper en deux est basée sur le théorème
des valeurs intermédiaires, dont l’énoncé est le suivant:

Théorème 3.0.1: Théorème des valeurs intermédiaires

Soit f une fonction continue sur [a, b] telle que f (a).f (b) < 0 alors il existe au moins un réel α ∈ [a, b]
qui vérifie f (α) = 0.
Si de plus f est strictement monotone (strictement croissante ou strictement décroissante) sur [a, b]
alors α est unique.

La figure 1 montre une représentation graphique de la méthode de Dichotomie.

Exemple 3:
ˆ L’équation x4 − 1 = 0 admet deux solutions dans [−2, 2].
ˆ L’équation ln(2x) + x − 4 = 0 admet une unique solution dans [1, 3].

3.1 Principe théorique de la méthode de Dichotomie

a+b
La méthode consiste à approcher α par le milieu du segment [a, b] c’est-à-dire x0 = . On a donc
2
l’encadrement suivant: |x0 − α| ≤ b − a.

2
 Figure 1: Représentation graphique de la méthode de la bissection.

3.2 Construction de l’algorithme de Dichotomie (étapes de la méthode)

Étape 1: Supposons que a et b soient tels que α ∈ [a, b], avec f (a).f (b) < 0. On pose I0 = [a0 , b0 ] = [a, b]
et n = 0.
a0 + b0
Étape 2: On divise l’intervalle I0 = [a0 , b0 ] en deux, on pose x0 = et on construit l’intervalle
2
I1 = [a1 , b1 ] comme suit:

ˆ Si f (a0 ).f (x0 ) < 0, alors I1 = [a1 , b1 ] = [a0 , x0 ], (c’est-à-dire: b1 prend la valeur x0 );
ˆ sinon I1 = [a1 , b1 ] = [x0 , b0 ], (c’est-à-dire: a1 prend la valeur x0 ).

Étape 3: On itère le procédé pour obtenir une suite d’intervalles emboités: In = [an , bn ], n = 2, 3, ..., comme
an + bn
suite, on pose n = n + 1 et xn = et on teste,
2
ˆ si f (an ).f (xn ) < 0, alors In+1 = [an+1 , bn+1 ] = [an , xn ], (c’est-à-dire: bn+1 prend la valeur xn );
ˆ sinon In+1 = [an+1 , bn+1 ] = [xn , bn ], (c’est-à-dire: an+1 prend la valeur xn ) jusqu’à que le critère
d’arrêt est vérifié.

Une fois le critère d’arrêt vérifié, l’algorithme s’arrête et la solution est x∗ = xn .

3.3 Critères d’arrêts

La méthode prend en charge trois critères d’arrêt, mais c’est le premier qui est souvent utilisé:
|b − a|
ˆ ≤ ε avec ε donné,
2n+1
ˆ |f (xn )| ≤ ε avec ε donné,

ˆ |xn − xn−1 | ≤ ε avec ε donné.

Exemple 3.3.1:

Exemple 3.3.2:

3
3.4 Estimation de l’erreur et nombre d’itérations
Définition 3.4.1: Erreur absolue commise par la méthode de Dichotomie

En faisant n itérations par la méthode de Dichotomie, on obtient une suite d’approximations de α à

an + bn b−a
savoir xn = , n ∈ N qui vérifient l’inégalité |α − xn | ≤ n+1 .
2 2

Définition 3.4.2: nombre d’itérations

Pour trouver le nombre d’itérations qu’il faut:
b−a b−a
≤ ε ⇐⇒ 2n+1 ≥
2n+1 ε  
b−a
⇐⇒ (n + 1) ln 2 ≥ ln
ε
 
b−a
ln
ε
=⇒ n ≥ −1
ln 2
Dans la pratique, il suffit de prendre la valeur de n la plus petite vérifiant la condition ci-dessus.

Exemple 2.4.2:

3.5 Convergence de la méthode de Dichotomie

Définissons d’abord le type de convergence existantes.

Définition 3.5.1: Type de convergence

Soit p un entier positif. On dit qu’une méthode est convergente et d’ordre p s’il existe une constante
C telle que
|α − xn+1 | ≤ C.|α − xn |p

ˆ Si p = 1 et C < 1, la convergence est dite linéaire.

ˆ Si p = 2, la convergence est dite convergence quadratique.

ˆ Si p = 3, la convergence est dite convergence cubique.

ˆ Si p = 1 et C = Cn , où Cn dépend de n et est tel que lim Cn = 0, la convergence est dite

n→∞
sur-linéaire.

Définition 3.5.2: Convergence de la méthode de Dichotomie

Dans le cas de la méthode de Dichotomie, on peut donner une majoration de l’erreur par:
1
|α − xn+1 | ≤ .|α − xn |
2
1
On a p = 1 et C = < 1. D’où, on peut dire que la convergence de la méthode de Dichotomie est
2
linéaire.
La convergence de la méthode de la bissection n’est pas très rapide, mais elle est sûre à partir du
moment où on a un intervalle avec changement de signe.

4
4 Méthode de Newton-Raphson (ou méthode de la tangente)
4.1 Principe théorique
Cette méthode se base sur les développements de Taylor qui vont nous permettre d’obtenir la formule de
récurrence.
Soit à résoudre l’équation de la forme: f (x) = 0. A partir d’une valeur initiale x0 de la solution, on cherche
une correction ∆x tel que : f (x0 + ∆x) = 0.
Le développement de Taylor au voisinage de x0 est donné par:

f ′′ (x0 ) f ′′′ (x0 )

f (x0 + ∆x) = f (x0 ) + f ′ (x0 ) ∆x + (∆x)2 + (∆x)3 + · · ·
2! 3!
Par la suite, on néglige les termes d’ordre supérieur ou égale à 2 en ∆x pour obtenir:

f (x0 )
f (x0 + ∆x) = 0 ⇐⇒ f (x0 + ∆x) = f (x0 ) + f ′ (x0 ) ∆x = 0 =⇒ ∆x = −
f ′ (x0 )

La correction ∆x est en principe la quantité que l’on doit ajouter à x0 pour annuler la fonction f (x). Puisque
on a négligé les termes d’ordre supérieur ou égale à 2 dans le développement de Taylor, cette correction n’est
pas parfaite. On pose x1 = x0 + ∆x. On recommence la procédure, en cherchant à corriger x1 d’une nouvelle
quantité ∆x. On obtient la formule de récurrence suivante:

f (xn )
xn+1 = xn − , ∀n ∈ N.
f ′ (xn )

4.2 Convergence de la méthode de Newton-Raphson

Théorème 4.2.1: Convergence de la méthode de Newton-Raphson

Soit f : [a, b] 7−→ R une fonction de classe C 2 vérifiant:

1. f (a).f (b) < 0;

2. f ′ (x) ̸= 0 et garde un signe constant pour x ∈ [a, b];

3. f ′′ (x) ̸= 0 et garde un signe constant pour x ∈ [a, b];

4. f (x0 ).f ′′ (x0 ) > 0 avec x0 ∈ [a, b] l’approximation initiale;

alors la suite récurrente (xn )n∈N définie par


x0 ∈ [a, b],
f (x )
xn+1 = xn − ′ n , ∀n ∈ N.
f (xn )

converge vers l’unique solution α de l’équation f (x) = 0.

4.3 Critère d’arrêt

f (xn )
On arrête le processus xn+1 = xn − , si
f ′ (xn )
ˆ |xn+1 − xn | ≤ ε où ε est la précision recherchée (ce critère est le plus utilisé);
|xn+1 − xn |
ˆ ≤ ε.
|xn+1 |

4.4 Les étapes de la méthode

Étape 1: Choisir l’approximation initiale x0 ∈ [a, b], qui vérifie les conditions du Théorème 4.2.1 et on
pose n = 0.

5
 f (xn )
Étape 2: Calculer la valeur de x1 en utilisant la suite récurrente xn+1 = xn − .
f ′ (xn )

Étape 3: Si le critère d’arrêt est vérifié, alors on arrête les itérations, et la solution est x∗ = x1 . Sinon, on
incrémente la valeur de n par 1 (n = n + 1) et retourner à l’étape 2.

Exemple 4.4.1:
Exemple 4.4.2:

4.5 Interprétation géométrique

La méthode de Newton,

consiste à approcher α par l’abscisse où la tangente

au graphe de f passant par le
point xn , f (xn ) rencontre l’axe des x. La tangente, au point xn , f (xn ) , a pour équation:

y = f ′ (xn )(x − xn ) + f (xn )

Figure 2: Représentation graphique de la méthode de Newton

4.6 Convergence et estimation de l’erreur

Définition 4.6.1: Type de convergence de la méthode

La convergence de la méthode est quadratique (d’ordre 2).

Définition 4.6.2: Estimation de l’erreur

Dans le cas de la méthode de Newton-Raphson, on peut donner une estimation de l’errer par:

|α − xn+1 | ≤ C |α − xn |2 .

Remarque 4.6: Si x0 est choisi assez proche de α, la méthode de Newton converge très rapidement vers α
car la convergence est quadratique.

6
5 Méthode de point fixe (ou méthode des approximations successives)
C’est la méthode la plus ancienne pour trouver la racine réelle d’une équation non linéaire f (x) = 0 et
ressemble beaucoup à la méthode de bissection. Dans cette méthode, également appelée regula-falsi ou
méthode des accords, on choisit deux points a et b tels que f (a) et f (b) soient de signes opposés. Par
conséquent, une racine doit se situer entre ces points. Or, l’équation de la tangente joignant les deux points
[a, f (a)] et [b, f (b)] est donnée par
y − f (a) f (b) − f (a)
= (3)
x−a b−a
La méthode consiste à remplacer la partie de la courbe entre les points [a, f (a)] et [b, f (b)] par la tangente
joignant ces points, et à prendre le point d’intersection de la tangente avec l’axe x comme approximation de
la racine. Le point d’intersection dans le cas présent est obtenu en mettant y = 0 dans l’Eq (3). Ainsi, on
obtient
f (a) af (b) − bf (a)
x1 = a − (b − a) = (4)
f (b) − f (a) f (b) − f (a)
qui est la première approximation de la racine de f (x) = 0. Si maintenant f (x1 ) et f (a) sont de signes opposés,
alors la racine se situe entre a et x1 , et on remplace b par x1 dans l’Eq (4), et obtenir l’approximation suivante.
Sinon, nous remplaçons a par x1 et générons l’approximation suivante. La procédure est répétée jusqu’à ce
que la racine soit obtenue avec la précision souhaitée. La figure 3 donne une représentation graphique de la

Figure 3: Représentation graphique de la méthode du point fixe.

méthode.
Avant d’aborder la méthode du point fixe (appelée aussi méthode des approximations successives), il est
important de définir ce qu’est un point fixe d’une fonction.

7
Définition 5.1: Point fixe d’une fonction
Soit g : I ⊂ R une fonction continue sur I. Un point fixe d’une fonction g est tout point x ∈ I
vérifiant
x = g(x).

D’un point de vue graphique, les points fixes de g correspondent aux points d’intersection de la courbe
représentative de g et de la droite d’équation y = x.
Exemple 5.a:
Exemple 5.b: La fonction g(x) = x2 +1, n’admet aucun point fixe dans R, car l’équation g(x) = x n’admet
pas de solution dans R. En effet
x2 + 1 = x =⇒ x2 − x + 1 = 0 =⇒ ∆ < 0.

5.1 Principe théorique

Le principe de cette méthode consiste à transformer l’équation f (x) = 0 en une équation équivalente (i.e,
admettant les mêmes solutions) de type g(x) = x. La fonction auxiliaire g : [a, b] −→ R a été choisie de
manière à ce que g(α) = α quand f (α) = 0. Si une équation f (x) = 0 est équivalente à une autre équation
de la forme g(x) = x, alors la recherche des zéros de f se ramène à la détermination des points fixes de g.
Ainsi α est une racine de f si et seulement
f (α) = 0 ⇐⇒ g(α) = α ⇐⇒ α est un point fixe de g.
Remarque 5.1: Notons que la transformation en x = g(x) est toujours possible, et elle n’est pas unique.
Pour qu’il y ait convergence, la fonction g choisie doit vérifier certaines propriétés qu’on verra prochainement.
Prenons à titre d’exemple:
Exemple 5.1:

5.2 Convergence de la méthode

Définition 5.2.1: Fonction stable
Soitg : R−→ R une fonction continue. On dit que la fonction g est stable dans l’intervalle [a, b] ⊂ R
si g [a, b] ⊂ [a, b].

Exemple 5.2.1:

Définition 5.2.2: Fonction contractante

On dit qu’une fonction g est contractante sur [a, b], s’il existe une constante k ∈ [0, 1[ (k est le rapport
de contraction) tel que
∀x, y ∈ [a, b], |g(x) − g(y)| ≤ k |x − y|.

Exemple 5.2.2:

Théorème 5.2.1: Condition suffisante de contraction

Une condition suffisante pour que g soit contractante dans [a, b] est que g ′ (x) soit continue et vérifie
l’inégalité
|g ′ (x)| ≤ k < 1, avec k = max |g ′ (x)|.
x∈[a,b]

8
Remarque: le Théorème 5.2.1 a été annoncé grâce au Théorème des accroissements finis.

Théorème 5.2.2: Théorème de point fixe

On considère la fonction g : [a, b] −→ R. Si la fonction g satisfait les conditions suivantes:

1. g est stable dans [a, b];

2. g est contractante sur [a, b].

Alors la fonction g admet un point fixe unique α ∈ [a, b] vérifiant α = g(α), et pour tout point
x0 ∈ [a, b], la suite (xn )n∈N définie par
(
x0 ∈ [a, b];
xn+1 = g(xn )

converge vers α lorsque n tend vers l’infinie, i.e.

lim xn = α.
n→∞

Exemple 5.2.3:

Proposition 5.2.1: Convergence de la fonction g

Soit g une fonction continue sur [a, b] et α un point fixe de g. Alors on a

ˆ Si |g ′ (x)| < 1, la suite xn+1 = g(xn ) converge.

ˆ Si |g ′ (x)| > 1, la suite xn+1 = g(xn ) diverge.

ˆ Si |g ′ (x)| = 1, on ne peut rien conclure.

5.3 Construction de l’algorithme de point fixe (étapes de la méthode)

Supposons que α ∈ R soit un zéro de f , de façons équivalente un point fixe de g. Alors la méthode de point
fixe consiste à

Étape 1: Transformer le problème f (x) = 0 en un problème équivalent de type x = g(x);

Étape 2: Vérifier les conditions de stabilité et de contraction de g(x) :

ˆ Si elles sont satisfaites aller à l’étape 3;

ˆ Sinon aller à l’étape 1,

Étape 3: Choisir un point x0 ∈ [a, b] et poser n = 0, puis aller à l’étape 4;

Étape 4: Calculer successivement xn+1 = g(xn ), n = 0, 1, 2, ...

Étape 5: Si le critère d’arrêt est vérifié, alors l’algorithme s’arrête et la solution est x∗ = xn+1 . Sinon, on
incrémente le n et on retourne à l’étape 4.

5.4 Interprétation géométrique de la méthode

ˆ Chercher α tel que f (α) = 0 revient à chercher l’intersection du graphe de f avec l’axe des abscisses.

ˆ Chercher α tel que g(α) = α revient à chercher l’intersection du graphe de f avec la droite y = x,
c’est à dire à trouver le point fixe de g, d’où le nom de la méthode.

9
5.5 Critère d’arrêt
On arrête les calculs pour la méthode de point fixe lorsque |xn+1 − xn | ≤ ε.

5.6 Estimation de l’erreur de la méthode de Point fixe

Proposition 5.6.1: Erreur absolue commise par la méthode de point fixe

Si α est la solution de l’équation g(x) = x , alors, la majoration de l’erreur de la méthode de point

fixe à l’étape n est donnée par la formule
kn
|xn − α| ≤ |x1 − x0 | , ∀n ∈ N∗ et k = max |g ′ (x)|.
1−k x∈[a,b]

Sachant que
|xn − α| ≤ k n |x0 − α| , ∀n ∈ N∗ .

5.7 Choix de la valeur initiale x0

La convergence de la méthode du point fixe dépend aussi du choix de x0 . Plusieurs types de points fixes
existent, Nous allons ci-dessous présenter la définition de chacun des types.

Définition 5.7.1: Point fixe attractif

On dit que le point fixe α est attractif si |g ′ (α)| < 1.

Propriétés 5.7.1

Soit g : [a, b] −→ R de classe C 1 vérifiant

1. g stable dans [a, b],

2. max |g ′ (x)| < 1

[a,b]

Alors, pour tout x0 ∈ [a, b], la suite xn+1 = g(xn ) converge vers l’unique point fixe α.

Figure 4: Convergence de la méthode de point fixe (point fixe attractif)

10
Définition 5.7.2: Point fixe répulsif

On dit que le point fixe α est répulsif si |g ′ (α)| > 1.

Propriétés 5.7.2

Si α est un point fixe répulsif de g, alors la suite xn+1 = g(xn ) pour x0 ̸= α ne converge pas vers α (en
d’autre terme, diverge).

Figure 5: Divergence de la méthode de point fixe (point fixe répulsif

Définition 5.7.3: Point fixe douteux

On dit que le point fixe α est douteux si |g ′ (α)| = 1.

Remarque 5.7.3
La convergence d’une méthode de point fixe est également assujettie au choix de la valeur initiale x0 . En
effet, un mauvais choix de x0 peut résulter en un algorithme divergent même si la condition |g ′ (x)| < 1 est
respectée. Cela nous amène à définir le bassin d’attraction d’une racine α.

Définition 5.7.4: bassin d’attraction

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

En d’autre termes, le bassin d’attraction de α comprend tous les points x0 pour lesquels la méthode de
point fixe converge vers α. Pour s’assurer de la convergence, il faut choisir x0 dans le bassin d’attraction de
α.
Exemple 5.7:
 
17 31
Considérons l’équation f (x) = x2 − 2x − 3 = 0 sur , . Résoudre cette équation avec la méthode de
10 10
5
point fixe en démarrant de x0 = avec une précision de 10−2 prés.
2
Solution:

11
  
17 31
ˆ Continuité de f : f continue sur , car c’est un polynôme.
10 10
ˆ Existence:
         
17 31 17 31 17 31
On a f = −3.51 et f = 0.41 et comme f .f < 0 alors ∃ α ∈ , tel que
10 10 10 10 10 10
f (α) = 0.
ˆ Unicité:  
17 31
On a f ′ (x) = 2x − 2 = 2(x − 1) > 0 sur , . Comme f est strictement croissante alors α est
10 10
unique.
Les transformations possibles de f (x) = 0 en x = g(x) sont:
1 3
f (x) = 0 ⇐⇒ x = x2 − = g1 (x)
2 2
3
f (x) = 0 ⇐⇒ x = 2 + = g2 (x)
√x
f (x) = 0 ⇐⇒ x = − 2x + 3 = g3 (x)
√
f (x) = 0 ⇐⇒ x = 2x + 3 = g4 (x)
1 2 3
ˆ Pour la fonction g1 = x − :
2 2
Stabilité de g1 :    
17 31
g1 = −0.055 , g1 = 3.305
10 10


17 31
g1′ (x) = x > 0, ∀x ∈ , alors g1 est stritement croissante
10 10
        
17 31 17 31 17 31
g1 , = g1 , g1 = [−0.055; 3.305] ̸⊂ , .
10 10 10 10 10 10
D’où g1 n’est pas stable.
Par conséquent, la suite récurrente xn+1 = g1 (xn ) ne converge pas vers la solution α.
3
ˆ Pour la fonction g2 = 2 + :
x
Stabilité de g2 :    
17 31
g2 = 3.76 , g2 = 2.96
10 10
 
′ 3 17 31
g2 (x) = − 2 < 0, ∀x ∈ , alors g2 est stritement décroissante
x 10 10
        
17 31 31 17 17 31
g2 , = g2 , g2 = [2.96; 3.76] ̸⊂ , .
10 10 10 10 10 10
D’où g2 n’est pas stable.
Par conséquent, la suite récurrente xn+1 = g2 (xn ) ne converge pas vers la solution α.
√
ˆ Pour la fonction g3 = − 2x + 3:

Stabilité de g3 :    
17 31
g3 = −2.52 , g3 = −3.03
10 10
   
−1 17 31
g3′ (x)
=√ < 0, ∀x ∈ , alors g3 est stritement décroissante
2x + 3 10 10
        
17 31 31 17 17 31
g3 , = g3 , g3 = [−3.03; −2.52] ̸⊂ , .
10 10 10 10 10 10
D’où g3 n’est pas stable.
La suite récurrente xn+1 = g3 (xn ) ne converge pas vers la solution α.
√
ˆ Pour la fonction g4 = + 2x + 3:

12
 Stabilité de g4 :    
17 31
g4 = 2.52 , g4 = 3.03
10 10
 
1 17 31
g4′ (x) = √ > 0, ∀x ∈ , alors g4 est stritement croissante
2x + 3 10 10
        
17 31 17 31 17 31
g4 , = g4 , g4 = [2.52; 3.03] ⊂ , .
10 10 10 10 10 10
D’où g4 est stable.

ˆ Contraction de g4 :
 
17 31
g4 est contractante sur , si |g4′ (x)| ≤ k < 1, k = max |g4′ (x)|.
10 10 x∈[ 17 , 31
10 10 ]
1 1
g4′ (x) = √ =⇒ |g4′ (x)| = g4′ (x) = √
2x + 3 2x + 3
 ′  
1 −1 17 31
=⇒ √ = √ < 0, ∀x ∈ ,
2x + 3 (2x + 3) 2x + 3 10 10
 
17 31
Alors g4′ (x) est strictement décroissante ∀x ∈ , .
  10 10
17
max |g4′ (x)| = g4′ = 0.39 < 1. Donc g4 est contractante
10
Les suites xn+1 = g1 (xn ) ; xn+1 = g2 (xn ) et xn+1 = g3 (xn ) sont divergentes, par contre xn+1 = g4 (xn )
converge vers la racine de f (x).
5
Résolution de l’équation avec x0 = et ε = 10−2 :
2
√
xn+1 = g4 (xn ) = 2xn + 3, ∆n = |xn+1 − xn |
√
n xn+1 = 2xn + 3 ∆n ∆n ≤ 10−2
p
0 x1 = 2(2.5) + 3 = 2.82 |2.82 − 2.5| = 0.32 Non
p
1 x2 = 2(2.82) + 3 = 2.93 |2.93 − 2.82| = 0.11 Non
p
2 x3 = 2(2.93) + 3 = 2.97 |2.97 − 2.93| = 0.04 Non
p
3 x4 = 2(2.97) + 3 = 2.98 |2.98 − 2.97| = 0.01 Oui

La solution approchée de la racine à 10−2 près par la méthode de point fixe est x∗ = x4 = 2.98 avec
f (x∗ ) = −0.00796

13