Analyse Numérique

Chapitre 4 : Résolution numérique d’équations non linéaires

Année universitaire : 2022-2023 4GC

Dans ce chapitre, nous nous intéressons à l’approximation des racines d’une fonction réelle d’une
variable réelle. Autrement dit, étant donné un intervalle I de R et une application f : I → R tels
qu’il existe un unique x∗ ∈ I vérifiant f (x∗ ) = 0, on cherche à trouver une valeur approchée de x∗ .
Pour ce faire, nous introduisons deux méthodes itératives qui permettent de résoudre ce problème :
la méthode de dichotomie et la méthode de Newton. Plus précisément, ces deux méthodes consistent
à la construction d’une suite (xn )n∈N telle que lim xn = x∗ .
n→+∞

I Introduction
I.1 Exemple introductif : cycle de vie d’une vague marine
Les vagues fascinent par leur énergie et leur beauté. Elles sont nées aux fonds des mers et des
océans mais elles pourraient être la cause des catastrophes aux niveaux des dégâts et les destructions
qu’elles peuvent produire particulièrement sur les cotes. Pour cela, l’étude du cycle de vie des vagues
était toujours primordiale pour prédire les phénomènes anormaux tels que les tsunamis. Les études
s’intéressent surtout à la détermination des l’amplitudes maximales et les fréquences (en général il
s’agit des phénomènes pseudo-périodiques).

Figure 1 – Vagues vues à l’océan atlantique

I.1.1 Modélisation mathématique du cycle de vie d’une vague

Parmi les modèles mathématiques utilisés pour décrire le cycle de vie des vagues ceux qui se
basent sur la fonction sinus cardinal notée dans la litérature par sinc et elle est définie par :

sinc : R∗ → R
sin(x)
x 7→
x

1
 Figure 2 – Sinus Cardinal

I.1.2 Déterminaton des pics maximaux d’une vague

• Une vague suivant un sinus cardinal atteint ses maximums pour les abcisses x tels que
sin(x) ′
( ) = 0,
x
ce qui implique la résolution de l’équation

x cos x − sin x = 0.

R
• La fonction f définie par f (x) = x cos x − sin x, ∀x ∈ ∗ est une fonction non-linéaire. Il est
difficile de trouver analytiquement l’ensemble des racines de l’équation f (x) = 0.
• Alternative : résolution numérique de l’équation f (x) = 0.

I.2 Etude de l’existence et l’unicité de la racine d’une fonction

Théorème des valeurs intermédiaires (TVI)

Soit f une fonction continue sur un intervalle [a, b] ⊂ R telle que f (a).f (b) < 0 alors il existe
au moins un réel x∗ ∈]a, b[ tel que f (x∗ ) = 0.

Figure 3 – Théorème des valeurs intérmédiaires

2
Question : Soit f une fonction continue sur un intervalle [a, b] ⊂ R telle que f (a).f (b) < 0. Sous
quelle hypothèse la solution de f (x) = 0 est unique ?
Unicité de la solution
Soit f une fonction continue sur un intervalle [a, b] ⊂ R telle que f (a).f (b) < 0. Si de plus
f est strictement monotone sur [a, b] alors il existe une unique solution x∗ de l’équation
f (x) = 0.

Figure 4 – Théorème des valeurs intérmédiaires et unicité

Exercice 1 Soient f la fonction définie sur [2, 6] par f (x) = x3 − 12x et g la fonction définie sur
[2, 6] par g(x) = f (x) − 30.
1. Dresser le tableau de variation de g.
2. Justifier que l’équation f (x) = 30 admet une unique solution dans ]2, 6[.

II Méthode de Dichotomie
Soit f : R → R une fonction continue et soit x∗ ∈ [a, b] une racine de f . La méthode de
dichotomie consiste à construire une suite (xn )n∈N qui converge vers x∗ .

II.1 Présentation et étapes de la méthode de la dichotomie

”Basée sur le théorème des valeurs intermédiaires (TVI), la méthode de dichotomie consiste à
chercher la solution d’une manière itérative”.
Etape 1 : On Considère une fonction f continue sur un intervalle [a, b]. On suppose que f admet
une et une unique racine x∗ ∈]a, b[ et que f (a).f (b) < 0. On note par a0 = a, b0 = b et x0 = a0 +b
2
0

le milieu de l’intervalle [a0 , b0 ].

1. Si f (x0 ) = 0, alors x∗ = x0 et le problème est résolu ! !
2. Si f (x0 ) ̸= 0, on détermine le signe de f (a0 ).f (x0 ).
— Si f (a0 ).f (x0 ) < 0, alors x∗ ∈]a0 , x0 [. Dans ce cas, on considère a1 = a0 et b1 = x0 .
— Si f (x0 ).f (b0 ) < 0, alors x∗ ∈]x0 , b0 [. Dans ce cas, on considère a1 = x0 et b1 = b0 .
3. On détermine x1 le milieu du nouveau intervalle [a1 , b1 ] pour l’utiliser dans l’étape 2 :
x1 = a1 +b
2 .
1

3
 Illustration graphique de l’étape 1
a1 + b1
— On pose a1 = x0 , b1 = b0 et x1 = .
2

Etape 2 : On procède de la même manière mais cette fois-ci sur [a1 , b1 ].

1. Si f (x1 ) = 0, alors x∗ = x1 et le problème est résolu ! !
2. Si f (x1 ) ̸= 0, on détermine le signe de f (a1 ).f (x1 ).
— Si f (a1 ).f (x1 ) < 0, alors x∗ ∈]a1 , x1 [. Dans ce cas, on considère a2 = a1 et b2 = x1 .
— Si f (x1 ).f (b1 ) < 0, alors x∗ ∈]x1 , b1 [. Dans ce cas, on considère a2 = x1 et b2 = b1 .
3. On détermine x2 le milieu du nouveau intervalle [a2 , b2 ] pour l’utiliser dans l’étape 3 :
x2 = a2 +b
2 .
2

Illustration graphique de l’étape 2

a2 + b2
— On pose a2 = a1 , b2 = x1 et x2 = .
2

Etape n :
an +bn
De manière itérative, on construit trois suites (an )n≥0 , (bn )n≥0 , et (xn )n≥0 , telles que xn = 2 .
En effet, à une étape n donnée :

4
 1. Si f (xn ) = 0, alors x∗ = xn et le problème est résolu ! !
2. Si f (xn ) ̸= 0, on détermine le signe de f (an ).f (xn ).
— Si f (an ).f (xn ) < 0, alors x∗ ∈]an , xn [. Dans ce cas, on considère an+1 = an et bn+1 = xn .
— Si f (xn ).f (bn ) < 0, alors x∗ ∈]xn , bn [. Dans ce cas, on considère an+1 = xn et bn+1 = bn .
3. On détermine xn+1 le milieu du nouveau intervalle [an+1 , bn+1 ] pour l’utiliser dans l’étape
n + 1 : xn+1 = an+1 +b
2
n+1
.

II.2 Etude de la convergence.

Convergence de la méthode de dichotomie

Soit f une fonction continue sur [a, b], vérifiant f (a).f (b) < 0 et soit x∗ ∈]a, b[ l’unique solution
de l’équation f (x) = 0. Si (xn )n∈N est la suite générée par l’algorithme de dichotomie, alors
on a :
1. La suite (xn )n∈N converge vers x∗ .
2. On a l’estimation suivante :
b−a
|x∗ − xn | ≤ , n ≥ 0.
2n+1

Idée de la preuve :
1. Pour prouver le premier résultat, on fera appel à la notion suivantes de suites adjacentes :
Suites adjacentes

Deux suites (un )n∈N et (vn )n∈N sont dites adjacentes si :

(a) l’une des deux suites est croissante et l’autre est décroissante.
(b) lim (un − vn ) = 0.
n→∞

Figure 5 – Suites adjacentes

Exemple : Les deux suites (un )n∈N∗ et (vn )n∈N∗ , avec un = 1 − 1

n et vn = 1 + n1 , sont
adjacentes.

5
 Prouvons maintenant le résultat de la convergence de (xn ) (on s’intéresse seulement au cas f
est croissante ; l’autre cas, c-à-d f est décroissante, se traite de la même manière), on montre
que
— les suites (an ) et (bn ) sont adjacentes donc convergent vers une même limite ℓ.
— an ≤ xn ≤ bn donc la suite (xn ) converge vers ℓ. D’autre part
— f (an ) < 0 par construction, la suite (an ) converge vers ℓ et f est continue en ℓ donc
f (ℓ) ≤ 0. De même
— f (bn ) > 0 par construction, la suite (bn ) converge vers ℓ et f est continue en ℓ donc
f (ℓ) ≥ 0.
— Donc nécessairement f (ℓ) = 0, et par unicité ℓ = x∗ .
2. Le deuxième résultat découle du fait que
|bn − an |
|x∗ − xn | ≤ |xn − xn−1 | ≤ |an − bn | = ·
2

Remarque

b−a
Aussi, l’estimation |x∗ − xn | ≤ n+1 nous permet de justifier que la méthode de dichotomie
2
est convergente puisque
1
lim |x∗ − xn | = 0, car 0 < < 1.
n→+∞ 2

II.3 Test d’arrêt.

En pratique, on ne peut pas faire un nombre infini d’itérations( ! !). On se donne alors une
précision (ou tolérance) ϵ et on utilise un critère d’arrêt.

Ce critère d’arrêt consiste à choisir a priori une tolérance ϵ et à arrêter le procédé lorsque

|bn − an | ≤ ϵ.

On montre qu’il suffit que n vérifie :

b − a

n ≥ log2 .
ϵ
b−a
En effet en arrêtant le procédé, la longueur de l’intervalle [an , bn ], |bn −an | = n . Ainsi, |bn −an | ≤
2
b−a
ϵ ⇒ n ≤ ϵ. Ce qui permet de calculer à l’avance le nombre minimal Nϵ ∈ N d’itérations assurant
2
la précision ϵ.
b−a b−a n b − a

≤ ϵ ⇔ ≤ 2 ⇔ n ≥ log 2 .
2n ϵ ϵ
Ici log2 est la fonction logarithme de base 2 définie par
log(x)
log2 (x) = .
log(2)

6
 √
Exercice 2 Soit f (x) = ex + 3 x − 2, I = [0, 1].
1. Montrer que f admet un unique x∗ ∈ [0, 1] tel que f (x∗ ) = 0.
2. Trouver le nombre d’itérations pour estimer x∗ a une tolérance ϵ = 10−10 ?

II.4 Algorithme de la méthode.

— Choisir un intervalle [a0 , b0 ] tel que f (a0 ).f (b0 ) < 0.
— Initialiser ϵ et le nombre d’itérations maximal Nmax que l’on se fixe.
a0 + b0
— x0 = .
2
— n=0
— tant que (f (xn ) ̸= 0 & |bn − an | > ϵ & n < Nmax ) faire
— si f (an ).f (xn ) < 0 alors an+1 = an et bn+1 = xn .
— sinon an+1 = xn et bn+1 = bn .
an+1 + bn+1
— xn+1 = .
2
— n = n + 1.
— fin
— x∗ ≈ xn .

7
III Méthode de Newton
III.1 Rappel sur les suites récurrentes et les points fixes
Suites récurrentes
R
Soit f : I ⊂ R → une application. On appelle une suite récurrente toute suite (un )n définie
par son premier terme u0 ∈ I et la relation suivante :

un+1 = f (un ), ∀n ∈ N.

Exemple :
R
Soit f l’application définie sur par f (x) = x − x2 . On définit une suite récurrente par u0 ∈ R et
un+1 = f (un ) = un − u2n pour tout n ≥ 1.
Remarque

Si I est un intervalle stable par f (f (I) ⊂ I) et qui contient u0 , alors

— Tous les termes de la suite récurrente (un ) existent.
— Tous les termes de la suite récurrente (un ) appartiennent à I.

Exercice 3 Soit f l’application définie sur R par f (x) = x − x2.

1. Verifier que l’intervalle [0, 1] est stable par f .
2. Montrer que la suite défine par u0 ∈ [0, 1] et un+1 = f (un ) = un − u2n est bien définie et que
un ∈ [0, 1] pour tout n ∈ N.

Point fixe d’une fonction

Soient f : I ⊂ R → R une application et x∗ ∈ I. On dit que x∗ est un point fixe de f si
f (x∗ ) = x∗ .

Existence de points fixes

R
Soit f : I ⊂ R → une application continue et I est stable par f . alors f possède au moins
un point fixe x∗ ∈ I.

Exercice 4 Montrer que l’application f définie sur R par f (x) = x − x2 admet au moins un point
fixe dans [0, 1].

8
III.2 illustration graphique de la méthode
On considère l’exemple d’une fonction f continue et strictement décroissante sur [a, b] et ayant
une unique racine x∗ ∈]a, b[ comme illustré ci-dessous :

On commence par un choix de x0 = a. On obtient {(x1 , y1 )} = Tx0 ∩ {y = 0}0.

{(x2 , y2 )} = Tx1 ∩ {y = 0}.

{(x3 , y3 )} = Tx2 ∩ {y = 0}.

9
III.3 Principe de la méthode
Soit f une fonction de classe C 1 ([a, b]), telle que f ′ ̸= 0 sur [a, b], et admet une unique racine
x∗ ∈]a, b[: f (x∗ ) = 0.

Pour trouver une valeur approchée de x∗ , la méthode de Newton, sous certaines conditions sur
f , consiste à générer une suite récurrente (xn )n≥0 convergente vers x∗ : lim xn = x∗ . Basée sur
n→+∞
une approximation de f par son développement de Taylor à l’ordre 1 au voisinage de xn , n ≥ 0,
xn+1 est déterminé par le point d’intersection de Txn , la tangente à Cf , la courbe représentative de
f, au point (xn , f (xn )) et l’axe des abscisses :

{(xn+1 , yn+1 )} = Txn ∩ {y = 0},

avec
Txn : y = f (xn ) + (x − xn )f ′ (xn ), x ∈ R.
La relation de récurrence de la méthode de Newton est ainsi donnée par :

 x0 ∈ [a, b] ,
f (xn )
 xn+1 = xn − ′ .
f (xn )

Cette relation de récurrence peut être exprimée comme suit :


x0 ∈ [a, b] ,
xn+1 = g(xn ) ,

f (x)
avec g(x) = x − et f ′ (x) ̸= 0∀x ∈ [a, b]. La racine x∗ de f correspond à l’unique point fixe de
f ′ (x)
g : g(x∗ ) = x∗ .
En effet,
f (x)
g(x) = x ⇔ x − = x ⇔ f (x) = 0.
f ′ (x)
Remarque

Si la suite récurrente (xn ) est convergente, alors lim xn = x∗ .

n→+∞
En effet, si (xn ) converge vers l, alors l est un point fixe par la fonction g (g(l) = l). Par
conséquent, f (l) = 0. Par unicité de la solution, l = x∗ .

Questions :
1. La suite récurrente (xn ) est-elle toujours convergente ?
2. Est-ce que le choix de x0 intervient dans la convergence de la méthode de Newton ?

10
III.4 Convergence de la méthode de Newton
Théorème de convergence global de la méthode de Newton

Soit f une fonction de classe C 2 ([a, b], R), avec [a, b] ⊂ R, vérifiant :
1. f (a) × f (b) < 0 : existence d’une racine.
2. f ′ (x) ̸= 0, pour tout x ∈]a, b[ f est strictement monotone i.e. unicité de la racine x∗
3. f ′′ (x) ̸= 0, pour tout x ∈]a, b[ : f est concave ou convexe.
Alors la suite (xn )n≥0 définie par :

, tel que f (x0 ) × f ′′ (x0 ) > 0


 x0 ∈ [a, b]
f (xn )
 xn+1 = xn − ′ = g(xn )
f (xn )
est convergente vers l’unique racine x∗ de f (x) = 0.

III.4.1 Justification du choix de x0

La question qui se pose : ”Pourquoi ce choix de x0 ?”
Pour répondre à cette question, on rappellera l’étude de la monotonie des suites récurrentes :
On considère une suite récurrente (un )n≥0 définie par :

u0 ∈ I
un+1 = h(un )

avec h une application de I R

⊂ dans R et I un intervalle stable par h (c’est à dire h(I) ⊂ I). Si
h est strictement croissante sur I alors la suite (un )n≥0 est monotone.
Dans ce cas :
si u0 < u1 alors (un )n≥0 est croissante.
si u0 > u1 alors (un )n≥0 est décroissante.

Dans le cas de la méthode de Newton, la fonction g définissant la suite récurrente (xn )n≥0 , est
définie sur [a, b].
f (x) f (x)f ′′ (x)
∀x ∈ [a, b], g(x) = x − ′ et g ′ (x) = .
f (x) f ′ (x)2
La fonction g est croissante si et seulement si le produit f × f ′′ est strictement positif. En fixant x0
dans [a, x∗ ] ou dans [x∗ , b] qui sont deux intervalles stables par f et en comparant x0 et x1 la suite
(xn )n≥0 sera, selon l’intervalle considéré, ou bien décroissante et minorée par x∗ , ou bien croissante
est majorée par x∗ . Ceci implique que (xn ) est convergente.

11
III.4.2 Illustration graphique du choix de x0 .

Pour souligner davantage l’importance du choix de x0 , quant à la convergence de la méthode

de Newton nous représentons ci-dessous un contre exemple avec un x0 non adéquat.

La méthode de Newton n’est pas convergente car x1 n’appartient pas à l’intervalle [a, b]. Donc
la condition sur x0 est fondamentale pour assurer la convergence de la suite récurrente (xn ).

III.5 Test d’arrêt :

Supposons que la suite (xn ) est convergente vers x∗ . ”” Comment trouver une valeur approchée
de x∗ à une tolérance ϵ près ? ””
Pour un ϵ > 0 donné, on peut arrêter le procédé lorsque la condition suivante est vérifiée :

|f (xn )| < ϵ.

Remarque

On peut imposer un nombre maximal Nmax d’itérations pour arrêter le procédé.

12
III.6 Algorithme de la méthode de Newton
Soit f une fonction vérifiant les hypothèse du TVI sur [a, b] avec f ′ (x) ̸= 0, pour tout x ∈]a, b[.

— Initialiser x0 ∈ [a, b], la précision ϵ et le nombre d’itérations maximal Nmax .

— n=0  
f (xn )
— tant que ≥ ϵ & n < Nmax faire
f ′ (xn )
f (xn )
— xn+1 = xn − ′
f (xn )
— n=n+1
— fin
— x∗ ≈ xn+1 à ϵ près.

IV Comparaison des deux méthodes

IV.1 Ordre de convergence
Soit x∗ la solution de f (x) = 0 et soit (xn )n la suite récurrente qui approche x∗ .
1. On dit qu’une méthode itérative est d’ordre p (p ≥ 1) s’il existe une constante C > 0,
indépendante de k, telle que

|x∗ − xk+1 | ≤ C|x∗ − xk |p .

2. Si p = 1, on parle d’une convergence linéaire

|x∗ − xk | ≤ C|x∗ − xk−1 | ≤ ... ≤ C k |x∗ − x0 |.

Alors on a la convergence de l’alogorithme si C < 1.

3. Si p = 2, on a une convergence quadratique
k −1 k
|x∗ − xk | ≤ C|x∗ − xk−1 |2 ≤ ... ≤ C 2 |x∗ − x0 |2 .

4. Plus l’ordre de convergence p est élevé, plus la méthode est rapide précise.

IV.2 Avantages et inconvénients des méthodes

1. La méthode de Dichotomie :
(a) La convergence est assurée. (+)
(b) Une seule évaluation de la fonction pour chaque itération. (+)
(c) La convergence est linéaire, donc lente. (-)
2. La méthode de Newton :
(a) La convergence est quadratique : rapide. (+)
(b) La convergence n’est pas toujours assurée. (-)
(c) Calcul numérique de la dérivée. (-)
(d) Deux évaluations pour chaque itération : f et f ′ . (-)

13
V Applications
Exercice 5 On se propose de résoudre numériquement l’équation (E) : f (x) = 0 dans [0, 1], où la
fonctions f est donnée par :
f (x) = x3 + x − 1, ∀x ∈ [0, 1].
1. Montrer que l’équation (E) admet une solution unique x∗ ∈ [0, 1].
2. Application de la méthode de dichotomie : estimer le nombre d’itérations nécessaire nϵ pour
déterminer x∗ avec une précision de ϵ = 10−3 .
3. Application de la méthode de Newton : Vérifier les hypothèses de la méthode de Newton pour
la détermination de x∗ et déterminer x0 , une valeur initiale assurant la convergence de cette
méthode. Déterminer x∗ avec une précision de ϵ = 10−3 .

Exercice 6 On considère l’équation (E) : sin(x) − x + 2 = 0.

1. Trouver un intervalle I de longueur inferieur à 1 qui contient une unique solution de (E).
Indication : Considérer l’intervalle [ 3π
4 , π].
2. Appliquer la méthode de Newton en choisissant un premier terme x0 de la suite récurrente
(xn ) relative à cette méthode, qui garantit la convergence de cette suite vers l’unique solution
x∗ de (E).

14