CHAPITRE 2

ÉQUATIONS NON LINÉAIRES

hm@mat.ulaval.ca

TABLE DES MATIÈRES

1 Introduction 2

2 Méthode de la bissection 3
2.1 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3 Méthode du point fixe 5

3.1 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

4 Méthode de Newton 10
4.1 Racines multiples d’ordre m . . . . . . . . . . . . . . . . . . . . . . . 11

5 Méthode de la sécante 12
5.1 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

6 Accélération de la convergence 14
6.1 Procédé d’Aitken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6.2 Méthode de Steffensen . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Mat-2910 A-14 page 1 de 16

1 INTRODUCTION
Dans ce chapitre nous nous intéressons à la recherche de racines d’une fonc-
tion d’une seule variable :

f : R −→ R

f (x) = 0
En général les solutions explicites sont difficiles, voir impossible, à obtenir
analytiquement.

Donc nous devons trouver des méthodes numériques qui conduisent à des
solutions approchées.

Exemple 1.1 — ex − 1 = 0 une solution

— e +1=0
x
pas de solutions
— x 2 − 4 sin(x) = 0 deux solutions
— x + 5x − 1 = 0
3 2
trois solutions
— cos(x) = 0 une infinité de solutions

Mat-2910 A-14 page 2 de 16

2 MÉTHODE DE LA BISSECTION
Théorème 2.1 Soit f : [a, b] −→R une fonction continue.
Si f (a) f (b) < 0, alors il éxiste au moins un x ∗ ∈ [a, b] tel que f (x ∗ ) = 0. Si
de plus f est strictement monotone dans [a, b], alors cette racine est unique.

2.1 ALGORITHME
On pose x 1 = a+b 2 .
Si f (x 1 ) = 0, alors x 1 est un zéro de f et on s’arrête. Sinon, on construira
x 2 à partir de x 1 de la manière suivante :
— Si f (x 1 ) f (a) > 0 alors f change de signe entre x 1 et b et on change a
par a := x 1 . On pose ensuite x 2 = a+b2 .
— Si f (x 1 ) f (a) < 0 alors f change de signe entre x 1 et a et on change b
par b := x 1 . On pose ensuite x 2 = a+b2 .
En répétant indéfiniment cette procédure, on construit ainsi une suite (x n )∞
n=1
qui converge vers x ∗ telle que f (x ∗ ) = 0.
2.2 CONVERGENCE
Soit [a0 , b0 ] = [a, b] avec f (a) f (b) < 0.
1
Soit x n = (bn−1 + an−1 ), n = 0, 1, · · · .
2 ∗
— Il exite x ∈ [a, b] tel que :

b−a
| x ∗ − x n |≤
2n
De plus, pour atteindre la précision | x ∗ − x n |≤ ε il suffit de choisir

ln(b − a) − ln(ε)
n≥
ln(2)
— Le dernier résultat permet de fixer a priori le nombre d’itérations n en
le reliant à la précision désirée ε .

Exemple 2.1 On cherche une racine de la fonction f (x) = x 2 + x − 6 = 0 sur

[1, 2]

Intervalle initial : [a,b] = [1, 2]

k x f(x)
1 1.7500e+000 -1.1875e+000
2 1.8750e+000 -6.0938e-001
3 1.9375e+000 -3.0859e-001
4 1.9688e+000 -1.5527e-001
5 1.9844e+000 -7.7881e-002
9 1.9990e+000 -4.8819e-003

Mat-2910 A-14 page 3 de 16

 10 1.9995e+000 -2.4412e-003
11 1.9998e+000 -1.2206e-003
12 1.9999e+000 -6.1034e-004
13 1.9999e+000 -3.0517e-004
14 2.0000e+000 -1.5259e-004
17 2.0000e+000 -1.9073e-005
18 2.0000e+000 -9.5367e-006
19 2.0000e+000 -4.7684e-006
20 2.0000e+000 -2.3842e-006

Mat-2910 A-14 page 4 de 16

3 MÉTHODE DU POINT FIXE
Définition 3.1 Soit g une fonction continue sur [a, b]. On appelle point fixe de
la fonction g tout point x ∈ [a, b] vérifiant g(x) = x.

— Soit g : [a, b] −→ [a, b] une fonction continue. Alors la fonction g(x)

admet au moins un point fixe dans [a, b].
— Pour approcher les racines de f (x) = 0 par la méthode du point fixe on
cherche donc une fonction g telle que

f (x) = 0 ⇐⇒ g(x) = x

Exemple 3.1
f (x) = x 2 − x − 2
p 2
g(x) = x 2 − 2, g(x) = x + 2, g(x) = 1 +
x

x2 + 2
g(x) =
2x − 1

3.1 ALGORITHME
La méthode du point fixe consiste à construire à partir d’une approximation
initiale x 0 la suite des nombres x n tel que :

x n+1 = g(x n ), n = 0, 1, · · ·
x 0 ∈ [a, b]

— Choix de la fonction g ?
— La suite (x n ) converge-t-elle ?
— Si la suite converge, sa limite x ∗ vérifie-t-elle x ∗ = g(x ∗ ) ?
— Comment estimer l’évolution de l’erreur en = x n − x ∗ au cours des
itérations ?
3.2 CONVERGENCE
— Si dans [a, b], g vérifie
(i) x ∈ [a, b] =⇒ g(x) ∈ [a, b]
(ii) g une fonction continue,
alors
1. g possède au moins un point fixe x ∗ ∈ [a, b].
2. Si g est strictement contractante, c’est à dire qu’il éxiste k, 0 ≤ k < 1
tel que

∀x ∈ [a, b], ∀ y ∈ [a, b] | g(x) − g( y) |≤ k | x − y |

alors :

Mat-2910 A-14 page 5 de 16

 (a) x ∗ est unique.
(b) ∀x 0 ∈ [a, b], la suite (x n ) définie par x n+1 = g(x n ) converge x ∗
Si g est dérivable, il est souvent plus commode d’exprimer une condition
suffisante sur la dérivée g 0 que de vérifier directement que g est une application
contractante.
— Soit g une fonction dérivable sur [a, b]. Si g 0 vérifie | g 0 (x) |< 1, ∀x ∈
[a, b], alors g est strictement contractante dans [a, b].
— Soit g : [a, b] −→ R une fonction donnée tels que :
a) g est une contraction stricte sur [a, b].
b) g([a, b]) ⊂ [a, b], c’est à dire ∀x ∈ [a, b], g(x) ∈ [a, b].
Alors
1. La fonction g(x) admet un unique point fixe x ∗ dans [a, b].
2. Pour tout x 0 ∈ [a, b], la suite (x n )n∈N définie par : x n+1 = g(x n ), (n ≥
0) converge vers x ∗ lorsque n −→ ∞.
Vitesse de convergence
On cherche à quantifier la vitesse de convergence de la suite x n en compa-
rant la valeur absolue de l’erreur en = x n − x ∗ entre deux itérations successives.
| en+1 |
— La méthode du point fixe x n+1 = g(x n ) est dite d’ordre r si a une
| en | r
limite finie quand n tend vers +∞.
— On dit que la suite (en ) converge avec un ordre de convergence égal à
r s’il existe une constante C > 0 telle que :

| en+1 |
≈ C, pour n assez grand
| en | r
• r = 1 l’ ordre de convergence est dit linéaire ou géométrique
• r > 1 superlinéaire
• r = 2 quadratique
Il est souvent délicat de déterminer un intervalle [a, b] dans lequel les hy-
pothèses (a) et (b) du théorème du point fixe sont vérifiées.
— Soit g : R −→ R une fonction de classe C 1 et soit x ∗ un point fixe de g
tel que | g 0 (x ∗ ) |< 1. Alors, il existe un voisinage I de x ∗ tel que la suite
(x n )n∈N définie par x n+1 = g(x n ) avec x 0 ∈ I, converge vers x ∗ .
De plus
1. Si g 0 (x ∗ ) 6= 0, la convergence est géométrique
2. S’il existe un entier r ≥ 2 tel que g soit de classe C r au voisinage de x ∗
et si
g 0 (x ∗ ) = · · · = g (r−1) (x ∗ ) = 0, g (r) (x ∗ ) 6= 0

alors, la convergence est d’ordre r.

Mat-2910 A-14 page 6 de 16

 Interprétation géométrique

Exemple 3.2 :

f (x) = x 2 + x − 6 = 0

1.
6
x = g(x) = ; x0 = 5
x +1
2. p
x = g(x) = 6− x ; x0 = 5

3.
x = g(x) = 6 − x 2 ; x0 = 5

Exemple:
----------
y= 6/(x+1);

x_0 =5.000000E+00

>>
k x eabsolue erelative
0 5.0000e+000 1.0000e+000 1.0000e+000
1 1.0000e+000 4.0000e+000 4.0000e+000
2 3.0000e+000 2.0000e+000 6.6667e-001
3 1.5000e+000 1.5000e+000 1.0000e+000
4 2.4000e+000 9.0000e-001 3.7500e-001
5 1.7647e+000 6.3529e-001 3.6000e-001
6 2.1702e+000 4.0551e-001 1.8685e-001
7 1.8926e+000 2.7760e-001 1.4667e-001
8 2.0742e+000 1.8163e-001 8.7564e-002
9 1.9517e+000 1.2255e-001 6.2790e-002
10 2.0327e+000 8.1030e-002 3.9863e-002
11 1.9784e+000 5.4312e-002 2.7452e-002
12 2.0145e+000 3.6077e-002 1.7908e-002
13 1.9904e+000 2.4109e-002 1.2113e-002
14 2.0064e+000 1.6047e-002 7.9976e-003
15 1.9957e+000 1.0709e-002 5.3661e-003
16 2.0029e+000 7.1344e-003 3.5621e-003
17 1.9981e+000 4.7585e-003 2.3815e-003
18 2.0013e+000 3.1713e-003 1.5847e-003
19 1.9992e+000 2.1147e-003 1.0578e-003

Mat-2910 A-14 page 7 de 16

 20 2.0006e+000 1.4096e-003 7.0459e-004
21 1.9996e+000 9.3981e-004 4.6999e-004
22 2.0003e+000 6.2650e-004 3.1321e-004
23 1.9998e+000 4.1769e-004 2.0886e-004
24 2.0001e+000 2.7845e-004 1.3922e-004
25 1.9999e+000 1.8564e-004 9.2822e-005
29 2.0000e+000 3.6669e-005 1.8334e-005
30 2.0000e+000 2.4446e-005 1.2223e-005

Fonction :
--------
y= sqrt(6-x);

x_0 =5.000000E+00

>>
k x eabsolue erelative
0 5.0000e+000 1.0000e+000 1.0000e+000
1 1.0000e+000 4.0000e+000 4.0000e+000
2 2.2361e+000 1.2361e+000 5.5279e-001
3 1.9401e+000 2.9598e-001 1.5256e-001
4 2.0149e+000 7.4837e-002 3.7142e-002
5 1.9963e+000 1.8657e-002 9.3460e-003
6 2.0009e+000 4.6676e-003 2.3327e-003
7 1.9998e+000 1.1667e-003 5.8341e-004
8 2.0001e+000 2.9168e-004 1.4584e-004
9 2.0000e+000 7.2920e-005 3.6460e-005

Fonction :
--------
y= 6-x^2;

x_0 =5.000000E+00

>>
k x eabsolue erelative
0 5.0000e+000 1.0000e+000 1.0000e+000

Mat-2910 A-14 page 8 de 16

 1 -1.9000e+001 2.4000e+001 1.2632e+000
2 -3.5500e+002 3.3600e+002 9.4648e-001
3 -1.2602e+005 1.2566e+005 9.9718e-001
4 -1.5881e+010 1.5881e+010 9.9999e-001
5 -2.5220e+020 2.5220e+020 1.0000e+000
6 -6.3605e+040 6.3605e+040 1.0000e+000
7 -4.0455e+081 4.0455e+081 1.0000e+000
8 -1.6366e+163 1.6366e+163 1.0000e+000
9 -Inf Inf NaN
10 -Inf NaN NaN
11 -Inf NaN NaN
12 -Inf NaN NaN
13 -Inf NaN NaN

Mat-2910 A-14 page 9 de 16

4 MÉTHODE DE NEWTON
Soit
f : [a, b] −→R continue et dérivable
On cherche toujours à résoudre f (x) = 0.
Il est évident que si h(x) est une fonction non nulle, alors x est une solution
de f (x) = 0 si et seulement si x est un point fixe de

g(x) = x + h(x) f (x)

La méthode de Newton consiste alors à choisir la fonction h(x) de telle sorte

que la méthode des approximations successives appliquée à la fonction g(x) soit
d’ordre deux. C’est à dire tel que g 0 (x ∗ ) = 0.
Ceci serait le cas si on choisit par exemple h(x) = − f 01(x)
On a alors l’ algorithme de Newton suivant :
x0 donné
f (x n )
x n+1 = x n − f 0 (x n )

Exemple 4.1 f (x) = x 2 − a = 0

1 a
x n+1 = (x n + )
2 xn

Convergence

On a le résultat de convergence suivant :

Théorème 4.1 Soit f : [a, b] −→ R une fonction de classe C 3 et soit x ∗ ∈]a, b[

un zéro de f (x).
a) Si f 0 (x ∗ ) 6= 0, alors il existe un voisinage I de x ∗ telle que la suite (x n )n∈N
définie par :

f (x n )
x 0 ∈ I, ∀n ∈ N , x n+1 = x n −
f 0 (x n )

existe et converge vers x ∗ de manière quadratique avec un taux de conver-

f 00 (x ∗ )
gence égal à | 2 f 0 (x ∗ ) | lorsque f 0 (x ∗ ) 6= 0.
b) Si f 0 (x ∗ ) = 0 et f 00 (x ∗ ) 6= 0, la suite (x n )n∈N peut encore être définie dans
un voisinage de x ∗ : si elle prend la valeur x ∗ , alors la construction s’arrête,
sinon elle converge vers x ∗ géomètriquement.

Mat-2910 A-14 page 10 de 16

4.1 RACINES MULTIPLES D ’ ORDRE M

Si x ∗ est une racine de multiplicité m de f (x) = 0, c’est à dire si

f (x ∗ ) = 0, · · · , f (m−1) (x ∗ ) = 0, f (m) (x ∗ ) 6= 0
alors on a :

Théorème 4.2 Soit x ∗ une racine de multiplicité m. Alors :

1. La convergence de la méthode de Newton classique appliquée à f (x)
f (x n )
x n+1 = x n −
f 0 (x n )
est d’ ordre 1.
2. La méthode de Newton modifiée
f (x n )
x n+1 = x n − m
f 0 (x n )
converge quadratiquement.

Methode de Newton
-----------------

Fonctions :
---------
y= x^2 +x -6;

y= 2*x +1;

Estimation initiale : x_0 = 5.000000E+00

Iter. x_i f(x_i)

0 5.0000000000E+00 2.400000E+01
1 2.8181818182E+00 4.760331E+00
2 2.1008717310E+00 5.145338E-01
3 2.0019560953E+00 9.784303E-03
4 2.0000007647E+00 3.823318E-06
5 2.0000000000E+00 5.844214E-13
6 2.0000000000E+00 0.000000E+00
• Interprétation géométrique :

f (x) = x 2 + x − 6 = 0 ; x0 = 5
Convergence atteinte en n = 5 : x 5 = 2.000000000, ε = 5.844214E − 13.

Mat-2910 A-14 page 11 de 16

5 MÉTHODE DE LA SÉCANTE

f : [a, b] −→ R, continue
La méthode de la sécante est une variante de la méthode de Newton.
En effet, la dérivée f 0 (x n ) est remplacée par la pente

f (x n ) − f (x n−1 )
x n − x n−1

On obtient la méthode itérative suivante :

x 0 , x 1 ∈ [a, b], x 1 6= x 0 donnés

f (x n )(x n −x n−1 )
x n+1 = x n − f (x n )− f (x n−1 ) , n = 1, 2, · · ·

5.1 CONVERGENCE
Théorème 5.1 Soit f : R −→ R une fonction de classe C 2 et x ∗ un zéro de f (x)
tel que f 0 (x ∗ ) 6= 0. Alors il existe un voisinage I de x ∗ tel que la suite (x n )n∈N
définie par
x 0 , x 1 ∈ I, x 1 6= x 0 ∀n ≥ 1
f (x n )(x n − x n−1 )
x n+1 = x n −
f (x n ) − f (x n−1 )
existe et converge vers x ∗ .
De plus, si f 00 (x ∗ ) 6= 0, alors
‹ p−1
x ∗ − x n+1 1 f 00 (x ∗ )

lim =
n−→∞ (x ∗ − x n ) p 2 f 0 (x ∗ )
p
où p = 12 (1 + 5).

Methode de la secante
---------------------

Fonction :
--------
y= x^2 +x -6;

Mat-2910 A-14 page 12 de 16

Estimations initiales : x_0 = 1.000000E+00
x_1 = 5.000000E+00

Iter. x_i f(x_i)

0 1.0000000000E+00 -4.000000E+00
1 5.0000000000E+00 2.400000E+01
2 1.5714285714E+00 -1.959184E+00
3 1.8301886792E+00 -8.202207E-01
4 2.0165339865E+00 8.294331E-02
5 1.9994207100E+00 -2.896115E-03
6 1.9999980905E+00 -9.547504E-06
7 2.0000000002E+00 1.106284E-09
8 2.0000000000E+00 0.000000E+00
9 2.0000000000E+00 0.000000E+00

Interprétation géométrique :

f (x) = x 2 + x − 6 = 0 ; x 0 = 1, x 1 = 5
Convergence atteinte en n = 7 : x 7 = 2.0000000002E+00, ε = 1.106284E−
09.

Mat-2910 A-14 page 13 de 16

6 ACCÉLÉRATION DE LA CONVERGENCE
Il y a deux façons pour accélélerer la convergence :
— (Procédé d’Aitken).
On peut transformer la suite (x n ) en une suite ( yn ) qui converge vers la
même limite et cela plus vite que la suite (x n ).

— (Méthode de Steffenson).
On transforme la fonction g(x) de façon à obtenir une méthode d’ ordre
plus élevée.
6.1 PROCÉDÉ D’AITKEN

∆x n = x n+1 − x n , n = 0, 1, · · ·

Théorème 6.1 Soit x ∗ ∈ R et (x n )n∈N une suite réelle dont les termes ne sont
jamais égaux à x ∗ .
Alors la suite (( yn )n∈N telle que

(∆x n )2
2
x n+1 − 2x n+1 x n + x n2
yn = x n − = x n −
∆2 x n x n+2 − 2x n+1 + x n

est bien définie pour n assez grand et vérifie

yn − x ∗
lim =0
n−→∞ xn − x ∗

Il faut remarquer içi que si la suite ( yn ) converge bien plus vite que la suite
(x n ), elle demande un calcul plus avancé puisque yn nécessite la connaissance
de x n+2 .

Exemple 6.1 f (x) = x 2 + x − 6 = 0

6
−→ (1). x = g(x) = x+1 ; x0 = 5

Convergence atteinte en n = 5 : x 5 = 2.000000000, ε = 1.905675617e − 10.

p
−→ (2). x = g(x) = 6− x ; x0 = 5

Convergence atteinte en n = 4 : x 4 = 2.000000000, ε = 4.141911258e − 10

g1(x) = 6/(x+1)

i y_i e/e0

Mat-2910 A-14 page 14 de 16

 0 5.00000000000000 1.00000000000000
1 1.00000000000000 0.50000000000000
2 2.33333333333333 0.13333333333333
3 2.14285714285714 0.05844155844156
4 2.06250000000000 0.02582908163265
5 2.02758620689655 0.01145236038017
6 2.01222307104660 0.00508467975759
7 2.00542510807833 0.00225882955096
8 2.00240970659940 0.00100372208166
9 2.00107069403768 0.00044605885033
10 2.00047580741184 0.00019824051289
20 2.00000014307531 0.00000005961471
21 2.00000006358903 0.00000002649543
22 2.00000002826179 0.00000001177575
23 2.00000001256080 0.00000000523366
24 2.00000000558258 0.00000000232607
32 2.00000000000850 0.00000000000354
33 2.00000000000378 0.00000000000157

g2(x) = sqrt(6-x)

i y_i e/e0
0 5.00000000000000 1.00000000000000
1 1.00000000000000 0.30901699437495
2 1.94427190999916 0.01740298057530
3 1.99726749255733 0.00085387941940
4 1.99981955650392 0.00005638846534
5 1.99998887978199 0.00000347506764
6 1.99999930255217 0.00000021795244
7 1.99999995644765 0.00000001361011
8 1.99999999727738 0.00000000085082
9 1.99999999982985 0.00000000005317
10 1.99999999998937 0.00000000000332
11 1.99999999999934 0.00000000000021

6.2 MÉTHODE DE STEFFENSEN

Le procédé d’Aitken peut être appliqué à la méthode du point fixe. On ob-
tient alors l’algorithme suivant

(g(x n )−x n )2
x n+1 = x n − (g◦g)(x n )−2g(x n )+x n
x n (g◦g)(x n )−g(x n )2
= (g◦g)(x n )−2g(x n )+x n

C’est la Méthode de Steffensen.

Mat-2910 A-14 page 15 de 16

>>
i x_i e/e0

0 5.00000000000000 1.00000000000000
1 4.31428571428571 0.70530612244898
2 3.67686294830865 0.46650767037307
3 3.10416547311735 0.28083369823380
4 2.62095321268231 0.14543120648967
5 2.26231599868931 0.05751623652562
6 2.06240501480147 0.01316331082832
7 2.00433937112438 0.00090482024015
8 2.00002247588397 0.00000468249688
9 2.00000000060618 0.00000000012629
10 2.00000000000000 0

Mat-2910 A-14 page 16 de 16