CHAPITRE 6:

RÉSOLUTION DES
ÉQUATIONS NON
LINÉAIRES
I- Introduction :

Soit une fonction numérique f : x  y = f(x)

On se propose de résoudre dans l’équation : f(x) = 0
Résoudre cette équation revient à déterminer toutes les valeurs de x qui vérifient
f(x) = 0,
Si on peut tracer la courbe représentative de la fonction f, ces racines sont les
points d’intersection de la courbe avec l’axe des x.
La résolution analytique de l’équation, quand cela est possible, donne des racines
exactes, Malheureusement, la résolution analytique n’est pas toujours possible,

Exemples : e x.tg ( x )  4  0 x  0.2. cos( x)  0.5  0

x.e x  1  0 cos( x)  e  x  0

Dans ce cas, on fait appel aux méthodes numériques dont le but est de déterminer
une valeur approchée pour chaque racine,
  Existence et Localisation des racines :

Soit donc à résoudre l’équation f(x) = 0

Avant de commencer l’étude, il faut d’abord s’assurer de l’existence de la (ou

des) solution (s) de cette équation,
La méthode la plus pratique est la représentation graphique,
Il existe deux manières graphiques de localiser les racines. Le principe de la
méthode consiste :
 à tracer la courbe représentant f(x) si cela est possible; dans ce cas les
racines sont les points d’intersection de la courbe avec l’axe des x,
 à transformer l’équation f(x) = 0 en une équation équivalente de la forme
h(x) = g(x) ; on trace ensuite les courbes représentant les fonction h et g, Les
abscisses des points d’intersection des deux courbes représenteront les racines
de l’équation initiale, C h

Cg

a1 b1 a2 b2 a3 b3
[ ] [ ] [ ]
1 2 3

Après avoir localiser les racines de cette équation, on essayera de mettre chaque
racine dans un intervalle de la forme [ai ; bi ] (voir figure).
En effet, chaque racine va être calculée indépendamment.
 Principe de la résolution numérique :

On supposera que l’étude de la fonction f a permis de déterminer un intervalle

[a ; b] sur lequel la fonction f est strictement monotone et change de signe.
Moyennant ces hypothèses, l’équation n’a qu’une seule solution, notée , sur
l’intervalle [a ; b].
En isolant un intervalle [a ; b] sur Cf
lequel il n’existe qu’une seule solution
à l’équation. on dit que l’on a
procédé à la séparation des racines. [ ]
Sur [a ; b], la fonction f vérifie : a b
- f continue sur [a ; b]
- f strictement monotone sur [a ; b]
- f(a) . f(b) <0
Maintenant que nous avons séparer les racines, on procèdera à leur évaluation
séparément en utilisant la méthode numérique qui convient,
L’idée de la plupart des méthodes numériques est de construire une suite,
x0 , x1 , x2 .....xn au moyen de diverses méthodes que nous allons étudier…
suite convergeant, de préférence rapidement, vers la solution cherchée.
 Critère d’arrêt :

Comme la suite x0 , x1 , x2 .....xn est convergente et converge vers ,

pour calculer une valeur approchée de cette racine , il faut faire des itérations,
On ne sait pas à priori combien d’itérations faudrait-il faire pour obtenir une
précision ,
Il existe deux manières d’arrêter les itérations :
 Soit en utilisant l’erreur absolue :

 Soit en utilisant l’erreur relative :

Quand cette condition est vérifiée, la valeur de xn est une approximation de

avec une précision .
I- Méthode itérative du point fixe :

Hypothèses : - f continue sur [a ; b]

- f strictement monotone sur [a ; b]

- f(a) . f(b) < 0 (  [a; b])

  Principe de la méthode du point fixe :

Soit à résoudre l’équation f(x) = 0 sachant qu’elle ne possède qu’une seule solution
sur l’intervalle [a ; b] .

 On transforme l’équation f(x) = 0 en une équation équivalente de la forme x = (x)

 On définit alors une suite xn de la manière suivante :

n  N , x n 1   ( x n ) avec x0  [a, b]

La convergence de cette suite dépend du choix de la fonction .

Définition : soit la fonction :x (x) continue sur [a : b], On dit que est un
point fixe de lorsque ( )= ,

Remarque : L’équation f(x) = 0 peut être transformée sous la forme x = (x)

d’une infinité de possibilités, Seulement, les fonctions ne conviennent pas toutes,
 Interprétation graphique :
y0   ( x0 )  x1 y=x
y1   ( x1 )  x 2
y 2   ( x 2 )  x3
y= (x)
x1

x2
x3

x3 x2 x1 x0

CONVERGENCE DE TYPE MARCHE D’ESCALIER

 y=x

x2
x4
x3
y= (x)
x1

x1 x3 x4 x2 x0

CONVERGENCE DE TYPE SPIRALE

 y= (x)
y=x
x4

x3

x2

x1

x0 x1 x2 x3 x4

DIVERGENCE DE TYPE MARCHE D’ESCALIER

 y= (x)
y=x
x4

x2

x1
x3

x3 x1 x0 x2 x4

DIVERGENCE DE TYPE SPIRALE

 Ordre d’un processus itératif :

Soit la suite convergente x0 , x1 , x2 .....xn définie par n  N , xn 1   ( xn )

et convergeant vers a c-a-d :
lim n xn  
Posons : en  xn   et calculons en 1

en 1  xn 1     ( xn )     (en   )  

Dans la mesure où la fonction f admet un développement limité au voisinage de a ,

On peut écrire :

enp ( p )
en 1   ( )  en . ' ( )  ...   (   .en )  
p!

enp ( p )
Ou encore : en 1  en . ' ( )  ...   (   .en )
p!
Définition : On dit qu’un processus itératif est d’ordre p, si toutes les dérivées
jusqu’à l’ordre (p-1) s’annulent en c-a-d :
 ' ( )  ...   ( p 1) ( )  0
et  ( p ) ( )  0

Lorsque le processus est d’ordre p, l’expression de en 1 devient :

enp ( p )
en 1   (   .en )
p!
- Signification de l’ordre d’un processus :

Ordre 1 :
en 1  en . ' (   .en )  en . ' ( )
Si :  ' ( )  0.5
Alors : e0  1
e1  1 / 2  0.5
e2  1 / 4  0.25
e3  1 / 8  0.125
e4  1 / 16  0.0625
x4 x3 x2 x1 x0
+ + + + + +

e4
e3
e2
e1
e0
 - Signification de l’ordre d’un processus :

Ordre 2 : 2 2
en en
en 1  . ' ' (   .en )  . ' ' ( )
2 2
Si :  ' ' ( )  0.5
Alors : e0  1
e1  1 / 4  0.25
e2  1 / 64  0.015624
e3  1 /(64 * 64 * 2 * 2)  0.000061035
x3
x2 x1 x0
++ + + + +
e2
e1
e0

Conclusion : L’ordre d’un processus est en rapport avec la vitesse de convergence,

Plus l’ordre est grand et plus la convergence est rapide
Théorème : Soit l’équation f(x) = 0 équivalente à l’équation (x) = x et possédant
une racine unique sur l’intervalle [a ; b] , Alors si :
‐ est continue et dérivable sur [a ; b];

‐ ∀ ∈ ; , ∈ ;
‐ ∃ ∈ 0; 1 , ∀ ∈ ; ,  ' ( x)  q  1

Alors le processus itératif défini par n  N , xn 1   ( xn ) converge

indépendamment de la valeur initiale x0 prise dans [a ; b] et la limite est
l’unique racine de l’équation x = (x) dans l’intervalle [a ; b],
Démonstration : Comme on a : n  N , xn 1   ( xn )
D’après le théorème des accroissements finis , on a :

c ]a; b[, xn 1  xn   ( xn )   ( xn 1 )   ' (c).( xn  xn 1 )

D’où : xn 1  xn   ' (c) . ( xn  xn 1 )

Or : c ]a; b[ D’où :  ' ( x)  q  1

D’où : xn 1  xn  q. ( xn  xn 1 )  q 2 . ( xn 1  xn  2 )  ...  q n . ( x1  x0 )
Comme q < 1 , alors : lim n xn 1  xn  0 donc lim n xn  
Comme la fonction f est continue sur [ a ; b], il vient :
  lim n xn 1  lim n  ( xn )   (lim n xn )   ( )
Pour montrer l’unicité de la racine a , supposons qu’il existe deux racine a1 et a2
1   (1 ) et  2   ( 2 )
D’où 1   2   (1 )   ( 2 )
Comme la fonction f est continue sur [ a ; b], il vient :
c ]a; b[, 1   2   (1 )   ( 2 )   ' (c).(1   2 )  (1   2 ).(1   ' (c))  0
Comme 0   ' (c))  1 donc  ' (c))  1 il vient (1   2 )  0 donc 1   2
La racine est donc unique
 Exemple d’application :
Soit à résoudre l’équation suivante : ( x  1).e x  1  0
On a alors : ( x  1).e x  1  0  x  1  e  x
Posons :  ( x)  1  e  x
L’étude de la fonction a conduit au graphe suivant :
On voit que :   [1;2]
 ' ( x)  e  x  1 Sur [1 ; 2]
y = (x)
La suite définie par :
y=x
xn 1  1  e  xn +
+
Converge pour tout x0  [1,2] +

+
+ +
+

+ + +
1 2
2,0000000000000000
1.2784645427653447
1.2784645427598844
1.278464542761405
1.2784645427609815
1.2784645427610994
1.2784645427610666
1.2784645427610757
1.2784645427610732
1.278464542761074
1.2784645427610737
1.278464542761074
1.2784645427610737
1.278464542761074
1.2784645427610737

1.278464542761073    1.278464542761074

  1.278464542761074  0.000000000000001
II- Méthode de dichotomie :
Soit à résoudre l’équation f(x) = 0 possédant une seule racine sur [a ; b] ,

Hypothèses : - f continue sur [a ; b]

- f strictement monotone sur [a ; b]

- f(a) . f(b) < 0 (  [a; b])

  Principe de la méthode de dichotomie :

On part de l’intervalle [a ; b] contenant

L’unique racine .

- On divise l’intervalle [a ; b] en deux

en calculant le milieu:
ab
c
2
- On regarde dans quel intervalle se
trouve la racine ?  + + + + +c +
a b

- Si f(a),f(c) < 0    [ a; c ]  b  c
- Si f(a),f(c) > 0    [c; b]  a  c a3 b3
a2 b2
- On recommence la même opération a1 b1
avec ce nouvel intervalle [a ; b] ainsi a0 b0
obtenu,
Le principe de la méthode consiste donc à déterminer une suite d’intervalles

[a0 ; b0 ] [a1 ; b1 ] [a2 ; b2 ] ……… [an ; bn ] contenant la racine mais de longueur

de plus en plus petite. A l’étape n, la longueur de l’intervalle est :

2
 Condition d’arrêt des itérations :

Plusieurs conditions peuvent justifier l’arrêt des itérations décrites précédemment :

 lorsque la taille de notre intervalle[an ; bn ] devient « suffisamment petite » ;

l’écart entre le milieu de cet intervalle et a  est encore plus petit
bn  an   e
+ + +
an c bn
Dans ce cas , il suffit de prendre le dernier milieu comme approximation de .

 lorsque f(c) devient très petit

f (c)  
 Organigramme :

S/P Dicho (a , b , f , eps) S/P FONC ( X )

i0
F = ,,,,,

Non
b  a  eps Retour F

Oui
ab ab
c c
2 2

Non Oui
f (a ). f (c)  0 Ecrire i

ac bc Retour c

i  i 1
 Conclusion :

- L’avantage de la méthode de dichotomie est sa

convergence systématique;

- L’inconvénient de cette méthode est sa convergence

linéaire donc lente.
II- Méthode de Raphson-Newton :
Soit à résoudre l’équation f(x) = 0 possédant une seule racine sur [a ; b] ,

Hypothèses : - f continue sur [a ; b]

- f strictement monotone sur [a ; b]

- f(a) . f(b) < 0 (  [a; b])

- f’ et f’’ doivent garder un signe constant

sans s’annuler sur [a ; b]
  Principe de la méthode de Raphson-Newton:

Soit à résoudre l’équation f(x) = 0 sachant qu’elle ne possède qu’une seule solution
sur l’intervalle [a ; b] .
Cf

- Soit un réel quelconque de

l’intervalle [a ; b],
- Soit la tangente à la courbe au
point , Cette courbe coupe l’axe
des x en ,
- On répète la même opération avec
: on mène la tangente à la
courbe au point , Cette tangente
coupe l’axe des x en et ainsi de
suite,
a b
- Graphiquement , on voit que la suite
…. ainsi construite [ ++ + + + ]
converge vers solution de
l’équation f(x) = 0,
  Relation entre et :
Cf

La tangente à la courbe au
point , a pour équation :

∶ ,

Cette tangente coupe l’axe des x

en . Comme ce point ,0 ∈ ,
Les coordonnées vérifient l’équation.
D’où :

0 ,
a b
D’où : [ ++ + + ]

′
 Les différents cas de figures :

′ 0 ′ 0

0 a
0 0
0
a

0 0

a
0 0
0
0

a
Théorème :

Si f(a) . f(b) < 0 et si f’ et f’’ gardent un signe constant sans s’annuler sur [a ; b],

la racine , unique de l’équation f(x) = 0 peut être calculée par la méthode de

RAPHSON-NEWTON :

avec la précision qu’on veut en partant d’un vérifiant , 0

Démonstration :

Soit par exemple : f(a) > 0 et f(b) < 0

f’(x) > 0 et f’’(x) > 0 sur [ a ; b ]
(la discussion des autres cas est analogue)
D’après l’inégalité f( , 0 , on en déduit que : f( ) > 0,
On pose par exemple : = b d’où >a

Montrons que la suite converge vers a . 

Pour cela, montrons  par récurrence que  ∀ ∈ , .

- donc c’est vrai au rang zéro .
‐ Supposons que c’est vrai au rang n  donc 
appliquons donc la formule de Taylor pour la fonction f sur l’intervalle [a , 
1
0 f f f , , ,
2
avec :
On sait que : ∀ ∈ ; , 0
D’où , , 0

Comme la somme est nulle , il vient que : f f , 0

Ce qui conduit à : donc

Donc c’est vrai au rang n+1

D’autre part, on sait que : ∀ ∈ ; , 0 donc la fonction est croissante,

Et ∀ ∈ , , ⟹

Et comme < car f( ) > 0 et f’( )>0

Donc >

La suite est donc une suite décroissante et minorée par ; donc converge .
 Ordre de convergence du processus de NEWTON:

La méthode de RAPHSON-NEWTON est une méthode du point fixe associée à la

fonction :

′
Calculons sa dérivée :
, ′′
′ 1

Si est racine de l’équation f(x) = 0 alors 0,

Le processus de NEWTON est donc un processus du second ordre.

 Cas où les hypothèses ne sont pas vérifiées :
 Conclusion :

- L’avantage de la méthode de NEWTON est sa

convergence rapide car elle est du second ordre;

- L’inconvénient de cette méthode c’est qu’elle nécessite

la continuité et la dérivabilité de la fonction f . D’autre
part pour effectuer les itérations, il faut calculer la
dérivée de f. L’inconvénient majeur c’est que la suite
ne converge pas toujours.
 Organigramme :

NEWTON(X,EPS,F1,F2) F1(X)

I=0 T = ,,,,

Y = X - F1(X)/F2(X) Retour T

non
Y  X  EPS
F2(X)
oui

X=Y
Ecrire I
W = ,,,,

Y = X-F1(X)/F2(X) Retour Y
Retour W
I = I+1
 Exemple d’application :
Exemple 1 :

Soit à résoudre l’équation suivante : x.Log ( x)  1  0

- Localisation de la racine : Cela nécessite l’étude la la fonction f(x) = x.Log(x) – 1
- D f ]0; [
- lim f ( x)  1 lim f ( x)  
x 0 x 

- f’(x)= Log(x) + 1 donc f’(x) s’annule en 1/e.

x 0 1/e 1 2 
f’(x) - 0 + + +


-1
f(x)

2Log(2)-1
-1

-1-1/e
 F(1) = -1 et f(2) = 2Log(2) – 1 = +0.38 donc   [1; 2]
Le processus de NEWTON est donné par :
xn .Log ( xn )  1
xn 1  xn 
Log ( xn )  1
+
Les hypothèses sont vérifiées sur [1; ]
donc sur [1; 2] + + + + +
1 2 a
x0  2 x0  3
x1  1.77184833 x1  1.90602143 +
x2  1.76323621 x2  1.766559
x3  1.76322284 x3  1.76322484 -1
+ +
x4  1.76322284 x4  1.76322284
+

x0  20
x1  5.25
x2  2.35
x3  1.80
x4  1.76346109
x5  1.76322284

Donc :   1.76322284  0.00000001

Exemple 2 :
III- Nombre de racines réelles d’un polynôme :
Définition :
La suite de STURM relative à un polynôme P(x) est la suite des polynômes
P ( x), P1 ( x), P2 ( x),...., Pm ( x) Définis par :
P1 ( x)  P '( x)
P2 ( x) est le reste de la division de P ( x) par P1 ( x) pris avec un signe opposé .
P3 ( x) est le reste de la division de P1 ( x) par P2 ( x) pris avec un signe opposé .
……

Exemple :
4. 1
1
3. 1
1
Remarques :

- Les éléments de la suite de STURM sont définis à une constante multiplicative et

positive près.
- Si P ( x) n’a pas de racines multiples, le dernier polynôme Pm ( x) est une constante
non nulle.
Théorème :
Si P(x) n’a pas de racines multiples et P(a) ≠ 0 et P(b) ≠ 0 , le nombre de racines
réelles N(a,b) contenues dans l’intervalle s[a ; b] est égal au nombre de
changements de signe dans la suite de STURM du polynôme P(x) lors du passage
de x = a à x=b , soit :
N (a, b)  N (a )  N (b)

Corollaire :
Le nombre de racines réelles du polynôme P(x) est :

N (,)  N ()  N ()

  Exemple d’application :

On sait que : 4. 1
1
3. 1
1
 0 0,5 2 
P(x) + + - + +
P1 ( x) - - - + +
P2 ( x) - - + + +
P3 ( x) + + + + +

N ()  2 N ()  0 D’où : N (,)  2  0  2

Le polynôme P(x) possède donc deux racines réelles (et deux complexes), Il
reste à les séparer,
N ( 0)  2 D’où : N (0,)  2  0  2 les racines sont donc positives,
N (2)  0 D’où : N (0,2)  2  0  2 les racines sont dans [0 ; 2],
N (0.5)  1 D’où : N (0;0.5)  2  1  1 Donc : 1  [0;0.5) et  2  [0.5;2)