SOMMAIRE

- INTRODUCTION …………………………………………………………………………….5

I – EXERCICE1 - ANALYSE NUMERIQUE DE LA FONCTION ………………………..6

1. Fondements mathématiques et analyse de la fonction .....………………............................. 6
1.1 Définition et domaine d’étude ..............…................................................................... 6
1.2 Justification de l’existence des racines (théorème de Bolzano) ....................................6
1.3 Localisation graphique précise ..................….............................................................. 7
2. Conception algorithmique et justification géométrique ....………………........................... 8
2.1 Méthode de la bissection (dichotomie) ........................................................................ 8
2.2 Méthode de la fausse position (Regula Falsi) .............................................................. 9
3. Étude prédictive et limites numériques .............……………................................................. 9
3.1 Prédictibilité de la bissection (analyse a priori) ......................................................…10
3.2 Imprévisibilité de la fausse position ......…….............................................................11
3.3 Analyse de la précision machine (IEEE 754) ...................…......................................12
4. Protocole expérimental Global .................…………….........................................................12
4.1 Double critère d’arrêt & Sécurité informatique ..........................................................12
5. Synthèse et analyse critique des résultats ...........……………..............................................13
5.1 Tableaux de convergence comparatifs ....................................................................... 13
5.2 Interprétation et limites fondamentales .......................................................................13
5.3 Conclusion sur le compromis ......................................................................................13

II – EXERCICE2 - ANALYSE NUMERIQUE DE LA FONCTION …………………...…16

1. Localisation Mathématique des Racines .............………………..........................................16
1.1 Étude de la fonction ...............................…….............................................................16
1.2 Justification de l’existence et de l’unicité de la racine (TVI) ..…...............................16
2. Forme Generale et Convergence de la methode de la bissection .....………………...........17
 2.1 Forme Generale de la Méthode de la Bissection (Dichotomie) .....….........................17
2.2 Convergence de la Bissection Demonstration avec bornes d’erreurs ....…….............18
3. Forme Generale et Convergence de la Méthode de la Fausse Position ……………..........19
3.1 Forme Generale de la Méthode de la Fausse Position ...........…….............................19
3.2 Convergence de la Fausse Position ..............................................…….......................20
4. Protocole Expérimental (Passage au Code) .........…………….............................................21
4.1 Structure du Programme ..............................................…….......................................21
4.2 Iteration atteinte avec une tolerance de 1e-8 ....................……...................................22
5. Application de la methode d’Aiken .................................……………..................................22
5.1 Accélération d’Aitken (aitken_accel.m) ..................................…...............................22
5.2 Execution du code .......................................................................……........................23
5.3 Résultats Expérimentaux ..................................................................…......................24
5.4 Visualisation Graphique Complète .......................................................…..................25

III – EXERCICE3 - ANALYSE NUMERIQUE DE LA FONCTION …………………….26

1. Analyse Analytique de la Fonction .....................................................……………...............26
1.1 Étude de la fonction et de ses racines ......................................……...........................26
1.2 Dérivées et convexité ....................................................................…..........................26
1.3 Sensibilité de la pente .......................................................................…......................27
2. Méthode de Newton-Raphson ................................……………............................................28
2.1 Forme générale de l’itération .........................................….........................................28
2.2 Convergence théorique ......................................................….....................................29
2.3 Sensibilité à l’initialisation ....................................................….................................31
3. Méthode de la Sécante .........................................................................……………...............32
3.1 Forme générale de l’itération ......................................................................…............32
3.2 Comparaison théorique ...................................................................................…........33
4. Protocole Expérimental et Précision Extrême .....................................…………................35
4.1 Structure du Programme (Logique de Test) ...............................................…….........35
 4.2 Implémentation robuste .........................................................….................................36
5. Analyse Comparative des Résultats ....................……………..............................................37
5.1 Tableau récapitulatif des performances .....................….............................................37
5.2 Interprétation des résultats .............................................….........................................38
5.3 Conclusions et recommandations ......................................….....................................38

- CONCLUSION ……………………………………………………………………………….39
 INTRODUCTION
Le présent rapport expose une étude comparative et approfondie des méthodes itératives
de résolution d'équations non linéaires du type f(x)=0. La recherche de racines est l'un des piliers
de l'analyse numérique, trouvant des applications cruciales dans la modélisation physique,
l'ingénierie et l'optimisation mathématique.
L'objectif de ces travaux est de confronter les approches classiques selon trois axes
fondamentaux :
 La Robustesse : Analyse des méthodes à intervalles (Bissection, Fausse Position) qui
garantissent la convergence sous condition de changement de signe (Théorème de
Bolzano).
 La Rapidité : Étude des méthodes basées sur la dérivation et l'interpolation (Newton-
Raphson, Sécante) pour observer la transition entre convergence linéaire, super-linéaire et
quadratique.
 L'Efficience : Mise en œuvre de techniques d'accélération de convergence, notamment le
procédé d'Aitken, afin d'optimiser le coût computationnel sans compromettre la précision.
À travers trois exercices distincts, nous analyserons le comportement de ces algorithmes
face à des fonctions aux propriétés variées (oscillations, décroissance exponentielle, courbures
locales). Cette étude permettra de dégager les critères de sélection d'une méthode en fonction du
compromis souhaité entre stabilité numérique et vitesse d'exécution.
 I – EXERCICE 1 — ANALYSE NUMERIQUE DE LA FONCTION
1
f ( x )= − cos ( x )
cosh ( x )

1. Fondements mathématiques et analyse de la fonction

1.1 Définition et domaine d’étude
1
Définition de la fonction : La fonction étudiée est f ( x ) = − cos ( x ). Elle
cosh ( x )
1
représente la différence entre la sécante hyperbolique sech ( x ) = et la fonction cosinus
cosh ( x )
trigonométrique cos ( x ).
Domaine de définition : La fonction cosh ( x ) est définie sur R et ne s’annule jamais (
cosh ( x ) ≥ 1>0 pour tout x ∈ R). La fonction cos ( x ) est également définie sur R. Par conséquent,
le domaine de définition de f est D f =R .

Intervalle d’étude : L’énoncé restreint l’étude à l’intervalle I = [ 0 ,10 ), ce qui permet

d’analyser les premières racines non triviales tout en couvrant suffisamment de périodes de la
fonction cosinus pour observer le comportement asymptotique.
1.2 Justification de l’existence des racines (théorème de Bolzano)
Continuité de f : La fonction f est continue sur [ 0 ,10 ) car elle est la différence de deux
1
fonctions continues : - : composition de la fonction inverse et du cosinus hyperbolique
cosh ( x )
qui ne s’annule pas - cos ( x ) : fonction trigonométrique élémentaire
Application du théorème de Bolzano : Le théorème des valeurs intermédiaires
(Bolzano) stipule que si une fonction f est continue sur [ a , b ) et que f ( a ) ⋅ f ( b ) <0, alors il existe
au moins une racine c ϵ ]a,b[ telle que f ( c ) =0.
Étude des signes aux bornes :
1
 Point initial : f ( 0 ) = − cos ( 0 ) =1 − 1=0. On identifie ici une racine triviale à
cosh ( 0 )
l’origine.
 Recherche de racines secondaires : Pour trouver d’autres racines dans ]0,10[, nous
devons chercher des changements de signe. Par exemple :
 Première racine non triviale :

 En x=
3π
2
≈ 4.7124 : f
3π
2
= ( ) 1
cosh ( 4.7124 )
− cos
3π
2 ( )
≈ 0.0180 − 0=0.0180>0
 1
 En x=4.8 : f ( 4.8 ) = − cos ( 4.8 ) ≈ 0.0158 − 0.0875=− 0.0717<0
cosh ( 4.8 )
Le changement de signe entre f ( 4.7124 ) (positif) et f ( 4.8 ) (négatif) garantit
l’existence d’une racine dans l’intervalle ]4.7,4.8[.
 Deuxième racine non triviale :

 En x=
5π
2
≈ 7.8540 : f ( )
5π
2
≈ 0.0004 − 0=0.0004>0

 En x=8.2 : f ( 8.2 ) ≈ 0.0002− 0.0593=− 0.0591<0

 Un deuxième changement de signe se produit dans ]7.8, 8.2[.
1.3 Localisation graphique précise
1
Comportement de sech ( x ) : La fonction sech ( x ) = décroît de manière
cosh ( x )
extrêmement rapide vers 0. À mesure que x augmente, elle devient presque négligeable. Par
exemple : - sech ( 5 ) ≈ 0.0135 - sech ( 8 ) ≈ 0.0007 - sech ( 10 ) ≈ 0.00009
Oscillations de cos ( x ) : La fonction cos ( x ) oscille entre − 1 et 1 avec une période de
2 π ≈ 6.2832, indépendamment de la valeur de x .
Analyse de l’intersection : Chercher f ( x ) =0 revient à résoudre sech ( x ) =cos ( x ). Comme
sech ( x ) est très proche de 0 pour x >5, les racines de f pour x suffisamment grand seront situées
π π 3π 5π 7π
très près des points où cos ( x ) =0, c’est-à-dire près des multiples impairs de : , , , ,
2 2 2 2 2
etc.
Encadrement précis des solutions dans [ 0 ,10 ) :
 Racine 0 (triviale) : x 0 =0 exactement.

3π
2. Racine 1 : Proche de x= ≈ 4.7124 . En vérifiant avec plus de
2
précision :
 f ( 4.72 ) ≈ 0.0163 − 0.0086=0.0077>0
 f ( 4.73 ) ≈ 0.0147 − 0.0188=− 0.0041<0 Donc x1 ϵ ]4.72,4.73[.
5π
3. Racine 2 : Proche de x= ≈ 7.8540. En vérifiant avec plus de précision :
2
 f ( 8.10 ) ≈ 0.00070 − ( − 0.0020 ) =0.0027>0
 f ( 8.11 ) ≈ 0.00067 − 0.0068=− 0.0061<0 Donc x2 ϵ ]8.10 ,8.11[
Visualisation conceptuelle : Graphiquement, pour x >0 , la courbe exponentiellement
décroissante sech ( x ) coupe la courbe oscillante cos ( x ) successivement à chaque fois que cos ( x )
devient suffisamment petit et positif après avoir été négatif. Ces intersections se produisent
légèrement après les multiples impairs de π /2 où cos ( x ) passe de négatif à positif en traversant
zéro.

2. Conception algorithmique et justification géométrique

2.1 Méthode de la bissection (dichotomie)
Principe théorique : La méthode de la bissection repose sur le théorème de Bolzano. Si
f est continue sur [ a , b ) et si f ( a ) f ( b ) <0, alors il existe au moins une racine dans [ a , b ). La
méthode consiste à réduire progressivement cet intervalle par dichotomie.
Formule du point milieu : À chaque itération k , on calcule le milieu de l’intervalle
a +b
courant [ ak , b k ) : mk = k k
2

Logique de décision : 1. Si f ( ak ) f ( mk ) <0, alors la racine se trouve dans [ ak , mk ), donc on

pose b k +1=mk 2. Sinon, la racine se trouve dans [ mk , b k ), donc on pose ak +1=mk

Algorithme MATLAB :
 Justification géométrique : Géométriquement, à chaque itération, on divise l’intervalle
en deux parties égales. La méthode garantit la convergence car la longueur de l’intervalle est
divisée par 2 à chaque étape :
1
|bk +1 − ak +1 )= 2 |bk − ak )

2.2 Méthode de la fausse position (Regula Falsi)

Justification géométrique : Au lieu de simplement prendre le milieu de l’intervalle, on
utilise une interpolation linéaire. On trace la droite sécante passant par les points ( a , f ( a ) ) et
( b , f ( b ) ), et on prend son intersection avec l’axe des abscisses comme nouvelle approximation.
Formule itérative : L’intersection de la sécante avec l’axe des x est donnée par :
f (a) (b − a)
x k =a − Cette formule peut également s’écrire de manière symétrique :
f (b) − f (a)
a f (b) − b f (a)
xk=
f (b) − f (a)
Philosophie de la méthode : En utilisant l’information sur la pente de la sécante, on
obtient généralement une approximation plus précise de la racine que le simple point milieu.
Cette méthode tient compte de la “forme” de la fonction, pas seulement du signe.
Logique de décision : 1. Calculer x k par la formule de la fausse position 2. Si
f ( a ) f ( x k ) <0, alors la racine est dans [ a , x k ) → b=x k 3. Sinon, la racine est dans [ x k , b ) → a=x k

Algorithme MATLAB :
 Différences clés avec la bissection :
1. Formule de calcul :
ak +b k
 Bissection : mk = (moyenne arithmétique)
2
ak f ( b k ) − b k f ( ak )
 Fausse position : x k = (moyenne pondérée)
f ( b k ) − f ( ak )
1. Vitesse de convergence :
 Bissection : convergence linéaire avec facteur 1/2
 Fausse position : convergence généralement superlinéaire (plus rapide)
1. Robustesse :
 Bissection : toujours convergente (sous les hypothèses)
 Fausse position : peut connaître des problèmes de stagnation si la fonction
a une forte courbure

3. Étude prédictive et limites numériques

3.1 Prédictibilité de la bissection (analyse a priori)
Borne théorique de l’erreur : Pour la méthode de la bissection, après n itérations,
l’erreur absolue maximale est bornée par :
b−a
|r − x n ) ≤
2n
où [ a , b ) est l’intervalle initial et x n est l’approximation de la racine après n itérations.
Calcul du nombre d’itérations nécessaires : Pour atteindre une tolérance ε , le nombre
minimal d’itérations n doit satisfaire :

b−a
≤ε ⇒ n≥
ln ( b −ε a )
2n ln ( 2 )

Application à notre problème (Itération a laquelle la tolérance est atteinte) :

Recapitulatif
Tolérance ε Bisection (racine) Bisection Fausse Position Fausse Position
(itérations) (racine) (itérations)

le-2 7.8564453125000000 10 5.0000000000000000 1

1e-4 7.8532028198242188 17 5.0000000000000000 1

1e-8 7.8532046219334006 30 5.0000000000000000 1

1e-16 ~7.853204624 ~47 (estimé) 5.0000000000000000 1(probable)

(estimé)

3.2 Imprévisibilité de la fausse position

Analyse de la vitesse de convergence : Contrairement à la bissection, la méthode de la
fausse position ne possède pas de borne d’erreur prédictive simple. Son ordre de convergence
dépend de la fonction :
 Ordre de convergence : Généralement superlinéaire, avec un ordre p tel que 1< p<2
 Pour les fonctions convexes/concaves, la convergence peut être plus rapide que la
bissection
1+ √ 5
 L’ordre exact est donné par p= ≈ 1.618 (nombre d’or) dans certains cas
2

Formule de l’erreur asymptotique : Pour une racine simple r , l’erreur e n =|x n − r )

satisfait asymptotiquement :

e n+1 ≈ C ⋅ e np

où C est une constante et p l’ordre de convergence.

Phénomène de stagnation : La fausse position peut connaître un problème majeur :
lorsqu’une des bornes reste fixe pendant plusieurs itérations. Ce phénomène se produit
typiquement lorsque f ″ ( x ) garde un signe constant sur l’intervalle.

1 sinh ( x )
Analyse pour notre fonction : - f ( x ) = − cos ( x ) - f ′ ( x ) =− +sin ( x ) -
cosh ( x ) cosh 2 ( x )
cosh ( x ) sinh 2 ( x )
f ″ ( x ) =− +2 +cos ( x )
cosh 2 ( x ) cosh 3 ( x )

Sur [ 4.72 , 4.73 ) : - f ( 4.72 ) ≈ 0.0077>0 - f ( 4.73 ) ≈ − 0.0041<0 - f ″ ( x ) est principalement

déterminée par cos ( x ) qui est positif sur cet intervalle
Risque de stagnation : Modéré, car la fonction n’est pas fortement convexe ou concave
sur cet intervalle.
 3.3 Analyse de la précision machine (IEEE 754)
Limite pratique de la double précision : En MATLAB, comme dans la plupart des
langages scientifiques, les nombres à virgule flottante utilisent le standard IEEE 754 double
précision (64 bits) :
−16
- Précision machine : ε mach ≈ 2.22 × 10

- Plus petit nombre normalisé : 2−1022 ≈ 2.23 × 10−308

- Plus grand nombre normalisé : ( 2− 2−52 ) × 21023 ≈ 1.80 × 10308

Conséquences numériques pour nos méthodes :

1. Oscillations autour de la racine : Pour ε=10−16, proche de la précision machine, les
approximations peuvent osciller sans jamais converger exactement.

a f (b) − b f (a)
1. Perte de précision : Dans la formule de la fausse position x= , si
f (b) − f (a)
f ( b ) ≈ f ( a ), le dénominateur peut entraîner une perte de précision catastrophique.

1. Instabilité du critère d’arrêt : Le critère |f ( x ) ) <ε peut ne jamais être satisfait si ε est
inférieur à la précision avec laquelle f ( x ) peut être calculé.

Résumé des limites pratiques :

Tolérance ε Faisabilité Risques principaux Recommandations

10− 2 Très facile Aucun Méthode standard
10− 4 Facile Négligeable Méthode standard
−8
10 Modérée Perte de précision modérée Vérifier la stabilité
10−16 Difficile Oscillations, stagnation Double critère d’arrêt, précision
étendue

Conclusion de l’étude prédictive :

1. Bissection : Parfaitement prédictible, robuste mais lente. Convergence garantie.
2. Fausse position : Plus rapide mais imprévisible. Risque de stagnation
nécessitant des mécanismes de correction.
3. Précision machine : Limite fondamentale à ∼ 10−16. Les tolérances inférieures à 10−12
peuvent poser des problèmes de convergence numérique.
 4. Protocole expérimental Global
4.1 Double critère d’arrêt & Sécurité informatique
Implémentation du double critère d’arrêt : Pour garantir à la fois la précision sur la
position de la racine et sur la valeur de la fonction.
Critères utilisés : 1. Précision sur l’abscisse : |b − a ) <ε (pour la bissection) ou
|x k +1 − x k ) <ε (pour la fausse position) 2. Précision sur le résidu : |f ( x k ) ) <ε
Garde-fou contre les boucles infinies : Implémentation de mécanismes de sécurité pour
garantir la terminaison du programme.
Résumé des mesures de sécurité :

Mesure de sécurité Objectif Implémentation

MaxIter Prévenir les boucles infinies Limite fixe (1000-5000)
Validation des paramètres Détecter les entrées invalides Vérifications complètes
Double critère d’arrêt Convergence robuste Critère sur x et f(x)
Détection de stagnation Éviter le blocage Compteur de stagnation
Fallback bissection Garantir un résultat Méthode de secours
Journalisation Débogage et traçabilité Fichier log détaillé
Gestion d’erreurs Robustesse aux exceptions Blocs try-catch

5. Synthèse et analyse critique des résultats

5.1 Tableaux de convergence comparatifs

Tolérance Méthode Racine approximée Itérations

|f ( x ) ) Erreur
estimée

10−2 - 4.7282282185 -3 - 3.047e-07 - 7.91e-08

-Fausse
Position - 4.7285156250 -7 - 8.143e-04 - 8.143e-04
- Bissection

10− 4 - 4.7282282185 -4 - 3.047e-07 - 4.91e-11

-Fausse
Position - 4.7282287598 - 14 - 1.395e-07 - 7.63e-05
- Bissection
 −8
10 - 4.7282282185 -6 - 2.22e-16
-Fausse -3.047e-07
Position - 4.7282282185 - 27 - 7.45e-09
- 3.047e-07
- Bissection

−16
10 - 15
-Fausse - 4.7282282185 -3.047e-07 -1.11e-16
Position - 47
- 4.7282282185 - 3.047e-07 -7.11e-17
- Bissection

Observations :
1. Conformité parfaite pour la bissection : les itérations réelles correspondent exactement aux
prédictions théoriques.
2. La fausse position est systématiquement plus rapide : réduit le nombre d’itérations de
57% à 68%.
3. Stabilité remarquable : les deux méthodes convergent vers la même valeur à la précision
machine près.
Interprétation :
1. Stabilité numérique excellente : Les deux méthodes donnent exactement la même
solution à la précision machine.
Résidu légèrement élevé : |f ( x ) ) ≈ 3 × 10 est supérieur à la tolérance demandée, ce qui
−7
1.
indique que :
 La racine n’est pas exactement zéro de la fonction
 La précision sur x est meilleure que celle sur f ( x )
 Le problème est bien conditionné (conditionnement ≈ 0.74)
1. Limite fondamentale atteinte : L’erreur sur x est de l’ordre de 10−16, soit la précision
machine.
TABLEAU RÉCAPITULATIF - COMPARAISON DES MÉTHODES

Tolérance Méthode Racine Itérations |f(racine)| Gain

−2
10 - 4.7282282185 - 3 - 3.047e-07 57.1 %
-Fausse
Position - 4.7285156250 - 7 - 8.143e-04 --
- Bissection

10− 4 - 4.7282282185 - 4 - 3.047e-07 71.4%

-Fausse
Position - 4.7282287598 - 14 - 1.395e-07 --
- Bissection

10− 8 - 4.7282282185 - 6 77.8%

-Fausse -3.047e-07
Position - 4.7282282185 - 27 --
- 3.047e-07
- Bissection

10−16 - 15 --
-Fausse -4.7282282185 -3.047e-07
Position - 47 68.1%
- 4.7282282185 - 3.047e-07
- Bissection

Conclusion sur le compromis :

 La bissection est l’algorithme du mathématicien : garanti, prédictible, robuste.
 La fausse position est l’algorithme de l’ingénieur : rapide, efficace, pragmatique.
1
Pour notre problème spécifique f ( x ) = − cos ( x ) :
cosh ( x )
1. Les deux méthodes convergent parfaitement
2. La fausse position est 3 fois plus rapide en moyenne
3. La précision machine est atteinte par les deux méthodes
4. Recommandation : Utiliser la fausse position avec un mécanisme de détection
de stagnation, basculant vers la bissection si nécessaire.

STATISTIQUES :
Gain moyen : 68.6%
Gain minimum : 57.1% (à ε = 1e-02)
Gain maximum : 77.8% (à ε = 1e-08)
 II- EXERCICE 2 — ANALYSE NUMERIQUE DE LA FONCTION
1. Localisation Mathématique des Racines
1.1 Étude de la fonction
On considère la fonction polynomiale cubique définie par : f ( x ) =x 3 − 2 x − 5
Cette fonction est un polynôme de degré 3, donc définie et continue sur tout R . Elle est
dérivable autant de fois que l’on souhaite.
Dérivée première : f ′ ( x ) =3 x 2 − 2. Les points critiques sont obtenus en résolvant
2
f ′ ( x ) =0 : 3 x 2 − 2=0 ⇒ x 2= ⇒ x=±
3 √ 2
3
≈ ± 0.8165

Analyse du signe de la dérivée :

 (
f ′ ( x ) =3 x 2 −
2
3 )
 f ′ ( x ) <0 pour |x ) < √ 2/3 → f est strictement décroissante sur ] -√2/3 , +√2/3[
 f ′ ( x ) >0 pour |x ) > √ 2/3 → f est strictement croissante sur ] -∞ , -√2/3[ et sur ] √2/3 , +∞[
Limites aux bornes :
lim f ( x ) =− ∞ , lim f ( x ) =+∞
x →− ∞ x →+∞

Ces limites, combinées à la continuité et à la stricte croissance sur [√2/3 , +∞[, indiquent
que f passe d’une valeur négative à une valeur positive exactement une fois dans cet intervalle.
Valeurs remarquables (calculées pour guider la recherche) :
 f ( − 2 ) =− 8+4 − 5=− 9<0
 f ( − 1 ) =− 1+2− 5=− 4<0
 f ( 0 ) =− 5<0
 f ( 1 ) =1− 2− 5=− 6<0
 f ( 2 ) =8 − 4 − 5=− 1<0
 f ( 3 ) =27 − 6 − 5=16>0

1.2 Justification de l’existence et de l’unicité de la racine (Théorème des Valeurs

Intermédiaires)
Continuité :f est un polynôme donc continue sur R, et en particulier sur tout intervalle
fermé [ a , b ).
Application du théorème des valeurs intermédiaires (TVI / Bolzano) : Soit
l’intervalle [ 2 , 3 ). On a : f ( 2 ) =8 − 4 − 5=− 1<0 , f ( 3 ) =27 − 6 − 5=16>0 . Donc f ( 2 ) ⋅ f ( 3 ) <0.
Par le théorème des valeurs intermédiaires, il existe au moins une racine r ϵ ] 2, 3 [ telle que
f ( r ) =0.
 Preuve d’unicité : Sur l’intervalle [ 2 , 3 ), calculons la dérivée :
2
f ′ ( x ) =3 x 2 − 2 ≥ 3 ( 2 ) − 2=12− 2=10>0 ∀ x ∈ [ 2 , 3 )

Ainsi, f ′ ( x ) ≥ 10>0 sur [ 2 , 3 ) → f est strictement croissante sur cet intervalle.

Une fonction strictement croissante ne peut franchir zéro qu’une seule fois.
Par conséquent, il existe exactement une racine réelle dans l’intervalle [ 2 , 3 ).
Absence d’autres racines réelles :
- Sur ] -∞ , -√2/3[, f est strictement décroissante et passe de − ∞ à un minimum local.
Or f ( − √ 2/3 ) =f ( − √ 2/3 ) ≈ − 5.08<0 → pas de racine à gauche du minimum.

- Sur [ − √ 2/3 , √ 2/3 ), f est strictement décroissante de f ( − √ 2/3 ) ≈ − 5.08 à

f ( √ 2/3 ) ≈ − 5.08 (symétrie cubique autour du minimum/maximum local) → toujours négative.

- Sur [ √2/3 , +∞[ , f strictement croissante de f ( √ 2/3 ) ≈ − 5.08<0 à +∞ → une seule

traversée de zéro.
Conclusion : f admet exactement une racine réelle, située dans l’intervalle [ 2 , 3 ). Donc
pour que f ′ ( x ) =0 , nous devons rechercher les valeurs de x dans l’intervalle [ 2 , 3 )

2. Forme Generale et Convergence de la methode de la bissection

2.1 Forme Generale de la Méthode de la Bissection (Dichotomie)
Principe théorique
La méthode de la bissection, aussi appelée dichotomie, repose sur le théorème des valeurs
intermédiaires (Bolzano). Soit [ a0 , b 0 ) un intervalle initial tel que f est continue sur [ a0 , b 0 ) et
f ( a0 ) ⋅ f ( b 0 ) <0. Il existe alors au moins une racine r ϵ ] ao, bo [. La méthode réduit
progressivement cet intervalle en divisant systématiquement par 2, en conservant toujours le
sous-intervalle où le changement de signe se produit.
an +b n
Formule du point milieu : À chaque itération n ≥ 0 : c n =
2

Logique de décision : On évalue le signe de f ( c n ) pour choisir le nouveau intervalle :

 Si f ( an ) ⋅ f ( c n ) <0 → la racine est dans [ an , c n ) → on pose : an+1=an et

b n+1=c n

 Sinon ( f ( an ) ⋅ f ( c n ) >0 ou f ( c n ) =0) → la racine est dans [ c n , b n ) → on

pose : an+1=c n et b n+1=b n

Cas particulier : si f ( c n ) =0 , alors c n est exactement la racine → arrêt immédiat.

 Propriétés fondamentales
- La méthode est robuste : elle converge dès que le changement de signe initial
est vérifié, même pour des fonctions non dérivables ou très irrégulières.
- Elle est prédictive : la longueur de l’intervalle est exactement divisée par 2 à chaque étape →
erreur maximale bornée (voir section 3.1).

2.2 Convergence de la Bissection

 Demonstration avec bornes d’erreurs
Définition de l'erreur absolue : Soit r la racine exacte recherchée dans l'intervalle

(a +b
[ an , bn ). Par définition de la méthode, l'approximation à l'étape n est le milieu c n= n 2 n )
Puisque la racine r appartient à cet intervalle, la distance maximale entre l'approximation et la
b −a
racine est égale à la moitié de la longueur de l'intervalle : e n =|r − c n ) ≤ n n
2

Relation de récurrence sur l'intervalle: À chaque itération n+1, l'algorithme

sélectionne la moitié de l'intervalle précédent [ an , b n ) selon le signe de la fonction. La longueur
b −a
de l'intervalle à l'étape n+1 est donc : b n+1 − an+1= n n La racine r appartient toujours à [ an , b n )
2
b n − an b 0 − a0
, donc l’erreur maximale est :|r − c n ) ≤ = n+1
2 2

Expression de l'erreur en fonction de n : En appliquant cette division de manière

récursive depuis l'intervalle initial [a0,b0] :

 Étape 0 : L0 =b 0 − a0
b 0 − a0
 Étape 1 : e 1 ≤
21
b 0 − a0
 Étape n : e n ≤
2n
 Preuve de la convergence linéaire : Une suite en converge linéairement vers 0 s'il existe

une constante C∈]0,1[ telle que : L= lim

n→∞
e n+1
en
=c
| )
b 0 − a0

Dans le cas de la bissection, nous avons :

e n+1
=
2n+1
b 0 − a0
=
2n
=
1
= L= lim
n→∞ | )
e n+1 1
en
=
2
2n n+1
en 2 2

Conclusion : La limite du rapport est C=0.5. Comme cette constante est strictement
inférieure à 1, la méthode converge linéairement. L'erreur est divisée par 2 à chaque étape, ce qui
garantit mathématiquement l'aboutissement de l'algorithme.
Prédiction du nombre d’itérations : Pour atteindre une tolérance ε sur l’erreur :
b 0 − a0
2n+1 ( )
≤ ε ⇒ n+1 ≥ log 2
b 0 − a0
ε

n ≥ ⌈ log (
ε )
b −a 0 0
2 ⌉

Exemple sur [ 2 , 3 ) (longueur b 0 − a0 =1) :

 ε=10
−8
→ n ≥ ⌈ log 2 ( 108 ) ⌉ ≈ ⌈ 26.575 ⌉=27 itérations

3. Forme Generale et Convergence de la Méthode de la Fausse Position

(Regula Falsi)
3.1 Forme Generale de la Méthode de la Fausse Position
Justification géométrique: La méthode de la fausse position (ou regula falsi) est une
méthode d’interpolation linéaire. Au lieu de choisir le milieu arithmétique de l’intervalle, on
trace la droite sécante passant par les points ( an , f ( an ) ) et ( b n , f ( b n ) ), puis on prend son
intersection avec l’axe des abscisses comme nouvelle approximation de la racine.
Cette droite est donnée par l’équation :
f ( b n ) − f ( an )
y − f ( an ) = ( x − an )
b n − an

En posant y=0 (intersection avec Ox), on obtient la valeur c n.

Formule itérative : En résolvant l’équation précédente, on trouve :
 f ( an )( b n − an )
c n =an −
f ( b n ) − f ( an )

Forme équivalente (plus symétrique) :

an f ( b n ) − b n f ( an )
c n=
f ( b n ) − f ( an )

Logique de décision : Identique à la bissection :

 Si f ( an ) ⋅ f ( c n ) <0 → b n+1=c n, an+1=an

 Sinon → an+1=c n, b n+1=b n
Avantage conceptuel: Contrairement à la bissection qui est « aveugle » (choix purement
géométrique sans utiliser la valeur de f ), la fausse position exploite l’information sur la pente de
la fonction entre an et b n. Cela conduit généralement à une approximation plus proche de la vraie
racine dès les premières itérations, surtout lorsque f est monotone et relativement lisse.
Inconvénient potentiel : Risque de stagnation : si f ″ ( x ) garde le même signe sur
l’intervalle, une des bornes peut rester fixe pendant plusieurs itérations → réduction lente d’un
côté.

3.2 Convergence de la Fausse Position

an f ( b n ) − b n f ( an )
Forme générale : À chaque itération : c n =
f ( b n ) − f ( an )

Vitesse de convergence : Contrairement à la bissection, la fausse position n’a pas de

borne d’erreur simple et prédictive. Elle est une méthode d'interpolation. Elle utilise la valeur de
f(a) et f(b) pour "deviner" où se trouve la racine. L'erreur est réduite par un facteur
f '' (r )
c= ' . e fixe . Sur les fonctions lisses, ce facteur est souvent beaucoup plus petit que 0,5, ce qui
2 f (r )
signifie qu'on gagne plus de décimales par itération. Cependant, pour une racine simple et sous
des conditions de régularité (f dérivable, f ′ ( r ) ≠ 0), la méthode converge superlinéairement.
Ordre de convergence : Bien que la Fausse Position puisse être d'ordre 1 (linéaire)
lorsque l'une des bornes stagne, elle surpasse la bissection car elle n'est pas limitée par un facteur
de réduction fixe de 0,5. Elle se rapproche du comportement de la méthode de la Sécante
(p≈1,618) tant que l'intervalle se réduit des deux côtés. Dans de nombreux cas pratiques
(fonctions convexes ou concaves d’un côté), l’ordre asymptotique est :
1+ √ 5
1< p ≤ ≈ 1.618
2
(niveau du nombre d’or dans le cas le plus défavorable).
Dans certains cas optimaux, on observe p ≈ 1.442 (racine de l’équation p=1+1/ p ).
 Comparaison avec la bissection
- Bissection : convergence linéaire lente ( L=0.5), nombre d’itérations
proportionnel à log 2 ( 1/ ε )
- Fausse position : convergence superlinéaire → nombre d’itérations beaucoup
plus faible (souvent 5 à 15 itérations contre 25–50 pour la bissection à précision équivalente)
- Avantage clé : utilisation de l’information sur la pente → chaque itération
apporte plus d’information que la simple division par 2
Limite potentielle : En cas de stagnation (une borne fixe), la réduction de l’intervalle
peut devenir très lente d’un côté. Cependant, pour f ( x ) =x 3 − 2 x − 5 (cubique, convexe sur [ 2 , 3 )),
ce phénomène est faible.

4. Protocole Expérimental (Passage au Code)

4.1 Structure du Programme
4.1.1 definition de la fonction

4.1.2. L'essence de la Bissection

4.1.3. L'essence de la Fausse position

4.2 Iteration atteinte avec une tolerance de 1e-8

Racine
Méthode Itérations approximée |f ( x ) ) Critère atteint à
Bissection 27 2.0945514815429 2.63e-09 Itération 27
69
Fausse Position 19 2.0945514815423 46.32e-09 Itération 19
26

5. Application de la methode d’Aiken

5.1. Accélération d’Aitken (aitken_accel.m) :
5.2 Execution du code
5.3 Résultats Expérimentaux

Méthode Itérations Racine approximée Critère atteint à

Bissection 27 2.0945514813065529
2.63×10−9

Fausse Position 19 2.0945514809764747

6.32×10−9

Bissection + 2 2.000000000000000 1.00×100

Aitken
Fausse Position 7 2.094551481148641 5.27×10−9
+ Aitken

Interprétation des résultats :

1. Bissection vs Fausse Position :
• La méthode de la fausse position converge en 19 itérations contre 27 pour la bissection,
donc elle est plus rapide pour cette fonction, avec une précision similaire (de l’ordre
de 10^(−9)).
• Les deux racines approchées sont très proches de 2.09455148.

2. Accélération d'Aitken :
• Bissection + Aitken : La racine obtenue est 2.000000, ce qui est faux (erreur évidente),
et ∣f(x)∣=1.00 indique que ce n’est pas du tout une racine. Cela suggère que
l’accélération d’Aitken, appliquée directement à la bissection sans assez d’itérations
initiales, a donné une extrapolation erronée (seulement 2 itérations utiles sont
insuffisantes).
• Fausse Position + Aitken : En revanche, celle-ci fonctionne bien : convergence en 7
itérations avec ∣f(x)∣≈5.27×10^(−9), donc elle est plus rapide que la fausse position
seule (19 itérations) tout en gardant une bonne précision.

3. Conclusion :
•L’accélération d’Aitken peut améliorer la vitesse de convergence si la méthode initiale produit
une suite convergente à convergence linéaire, mais elle nécessite un nombre minimal d’itérations
fiables avant application (sinon risque d’erreur).
•Ici, la fausse position répond bien à l’accélération, tandis que la bissection échoue
(probablement à cause d’un mauvais choix des points initiaux ou de trop peu d’itérations avant
Aitken).
5.4 Visualisation Graphique Complète
 III – EXERCICE 3 — ANALYSE NUMERIQUE DE LA FONCTION
1. Analyse Analytique de la Fonction
1.1 Étude de la fonction et de ses racines
2

Définition de la fonction : f ( x ) =x e − x Cette fonction représente le produit d’une

2
fonction linéaire x et d’une gaussienne e − x . C’est une fonction impaire : f ( − x ) =− f ( x ).
2

Analyse des racines : Pour trouver les racines de f ( x ), on résout : f ( x ) =0 ⇒ x e − x =0

2
Comme e − x >0 pour tout x ∈ R , l’équation se réduit à : x=0. Ainsi, x=0 est l’unique racine
réelle de f .

Nature de cette racine : Calculons la dérivée en x=0 : f ′ ( x ) =e − x ( 1 − 2 x 2 ) ⇒ f ′ ( 0 ) =1

2

Comme f ′ ( 0 ) ≠ 0, il s’agit d’une racine simple puisque la dérivée ne s’annule pas en

x=0.
Comportement asymptotique :
2

- Quand x →+∞ : f ( x ) ∼ x e − x → 0 (converge vers 0)

2

- Quand x → − ∞ : f ( x ) ∼ x e − x → 0 (converge vers 0)

- Limites : lim ❑x → ± ∞ f ( x ) =0
❑

Forme de la fonction : La fonction présente une forme de “cloche dissymétrique” : -

Pour x >0 : f ( x ) >0, avec un maximum - Pour x <0 : f ( x ) <0, avec un minimum - Elle est bornée :
|f ( x ) ) ≤ 1 ≈ 0.429
√2 e
1.2 Dérivées et convexité

Dérivée première : f ′ ( x ) =e − x ( 1− 2 x 2 )
2

Analyse de f ′ ( x ) :
2 1
1. Zéros de la dérivée : f ′ ( x ) =0 ⇔1− 2 x =0 ⇔ x=± ≈ ± 0.7071
√2
1
Signe de la dérivée : Pour |x ) < : f ′ ( x ) >0 → f croissante
√2
1
 Pour |x ) > : f ′ ( x ) <0 → f décroissante
√2
Extrema :

 Maximum local en x=
1
√2
:f ( √12 )= √12 e ≈ 0.429
  Minimum local en x=−
1
√2
:f −( )
1
√2
=−
1
√2 e
≈ − 0.429

Dérivée seconde : f ″ ( x ) =e − x ( 4 x 3 − 6 x ) =2 x e − x ( 2 x 2 − 3 )
2 2

Analyse de f ″ ( x ) :

1. Zéros de la dérivée seconde f ″ ( x ) =0 ⇔ 2 x ( 2 x 2 − 3 ) =0 ⇔ x=0 ou x=±

√ 3
2
≈ ± 1.2247

2. Points d’inflexion :
 x=0 : point d’inflexion (changement de concavité)

 x=±
3. Concavité :
3
2 √
≈ ± 1.2247 : points d’inflexion

 x <−
3:
2 √
f ″ ( x ) >0 → convexe

 3
√
− < x <0 : f ″ ( x ) <0 → concave
2
 0< x <
3:
2 √ f ″ ( x ) >0 → convexe

 x>
√
3:
2
f ″ ( x ) <0 → concave

Tableau de variation complet :

x −∞ − √ 3/2 − 1/ √ 2 0 1/ √ 2 √ 3/2 +∞
f ′ (x)- - 0 + 0 - -
f ″ ( x )+ 0 - 0 + 0 -
f (x) 0 ↘ -0.524 ↘ -0.429 ↗ ↗
0 0.429 ↘ 0.524 ↘ 0

1.3 Sensibilité de la pente

Analyse de la pente f ′ ( x ) : La pente de la fonction, donnée par f ′ ( x ) =e − x ( 1 − 2 x 2 ),

2

présente des caractéristiques importantes pour les méthodes numériques :

 Pente aux extrêmes :
 En x=0 : f ′ ( 0 ) =1 (pente modérée)
 En x=± 0.5 : f ′ ( ± 0.5 ) =e − 0.25 ( 1− 0.5 ) ≈ 0.389 (pente réduite de moitié)
 En x=± 0.7 : f ′ ( ± 0.7071 ) =0 (pente nulle - point critique)
 Décroissance rapide de la pente : Pour |x ) >1, la pente décroît extrêmement vite :
  f ′ ( 1 ) =e −1 ( 1− 2 ) =− e −1 ≈ − 0.368
 f ′ ( 1.5 ) =e − 2.25 ( 1 − 4.5 ) ≈ − 3.5 × 0.105=− 0.368 (corrigé : f ′ ( 1.5 ) ≈ − 0.123)
 f ′ ( 2 ) =e − 4 ( 1 − 8 ) ≈ − 7 × 0.0183=− 0.128
 Risque numérique majeur pour la méthode de Newton : La formule de Newton
f ( xn )
x n+1=x n − devient problématique quand f ′ ( x n ) ≈ 0 :
f ′ ( xn )
 Division par un nombre très petit : amplification des erreurs d’arrondi
 Comportement erratique : si f ′ ( x n ) → 0, x n+1 peut devenir très grand
 Instabilité numérique : perte de précision significative
 Régions critiques :
 Zone rouge : 0.6<|x ) <0.8 où |f ′ ( x ) ) <0.1
 Zone orange : 0.8<|x ) <1.2 où |f ′ ( x ) ) <0.3
 Zone verte : |x ) <0.5 où |f ′ ( x ) ) >0.4 (convergence stable)

Impact sur le choix de x 0 : - x 0 =0.3 , 0.4 , 0.5 : Pente raisonnable ( f ′ >0.3 ), convergence
attendue rapide - x 0 =0.6 : Pente réduite (f ′ ≈ 0.17), convergence plus lente - x 0 =0.7 : Point
critique (f ′ ≈ 0), risque de divergence ou oscillations
Interprétation mathématique : Le comportement problématique près de x=± 0.7071
s’explique par le fait que :
lim f ( x ) lim x
x → ± 1/ √ 2
= x → ± 1/ √ 2 2 =∞
f ′ (x) 1− 2 x
car le dénominateur tend vers 0 tandis que le numérateur tend vers ± 1/ √ 2≠ 0.
Cette analyse montre pourquoi l’initialisation à x 0 =0.7 est particulièrement délicate pour la
méthode de Newton, nécessitant des précautions algorithmiques spécifiques.

2. Méthode de Newton-Raphson
2.1 Forme générale de l’itération
Formulation standard de Newton : Pour une fonction f ( x ), l’itération de Newton-
Raphson est donnée par :
f ( xn )
x n+1=x n −
f ′ ( xn )
2

Application à notre fonction f ( x ) =x e − x : Calculons explicitement l’itération :

Fonction et sa dérivée : f ( x ) =x e − x , f ′ ( x ) =e − x ( 1 − 2 x 2 )
2 2


 2

f (x) x e− x x
 Ratio f ( x ) / f ′ ( x ) : = −x =
f ′ ( x ) e ( 1− 2 x ) 1 − 2 x 2
2
2

2
 Note : Les termes e − x se simplifient, ce qui est avantageux numériquement.

xn
 Formule d’itération simplifiée : x n+1=x n −
1− 2 x 2n

2 x 3n
 Ce qui peut se réécrire comme : x n+1=
2 x 2n −1

Validation de la simplification :

xn x n ( 1− 2 x 2n ) − x n x n − 2 x 3n − x n − 2 x 3n 2 x 3n
x n+1=x n − = = = =
1− 2 x 2n 1− 2 x 2n 1− 2 x 2n 1− 2 x 2n 2 x 2n − 1

2.2 Convergence théorique

Théorie générale de la convergence de Newton : Soit r une racine de f avec f ′ ( r ) ≠ 0.
Si x n est suffisamment proche de r, alors :
f ″ (r ) 2
e n+1=x n+1 − r ≈ en
2 f ′ (r )

où e n =x n − r .

Pour notre fonction en x=0 : - f ( 0 ) =0 (racine) - f ′ ( 0 ) =1≠ 0 - f ″ ( 0 ) =0

0 2
Ainsi : e n+1 ≈ e n =0 ⋅ e 2n En réalité, il faut développer à l’ordre supérieur. Le développement
2×1
de Taylor donne :

x5
f ( x ) =x − x 3 + −⋯
2

5 x4
f ′ ( x ) =1− 3 x + 2
−⋯
2
Donc :

f (x) x − x 3 +O ( x 5 )
= =x ( 1− x 2 +O ( x 4 ) )( 1+3 x 2 +O ( x 4 ) ) =x +2 x 3 +O ( x 5 )
f ′ ( x ) 1 − 3 x +O ( x )
2 4

Ainsi :

x n+1=x n − ( x n +2 x 3n +O ( x 5n ) )=− 2 x 3n +O ( x 5n )
 Ordre de convergence : Si e n =x n − 0=x n, alors :

e n+1=− 2 e 3n +O ( e 5n )

Ceci montre une convergence cubique ( p=3) et non quadratique, ce qui est
exceptionnellement rapide ! Cette convergence cubique est due au fait que f ″ ( 0 ) =0.
Démonstration formelle de l’ordre cubique :
f (x)
Définissons g ( x ) =x − . Alors :
f ′ (x)

1. g ( 0 ) =0
2
f ′ (0) − f (0) f ″ (0)
2. g ′ ( 0 ) =1− 2
=0
f ′ (0)
f ″ (0)
3. g ″ ( 0 ) =− =0
f ′ (0)
2
f ‴ (0) f ′ (0) −3 f ″ (0)
4. g ‴ ( 0 ) =− 2
=− 6 ≠ 0
f ′ (0)

Donc g ( x ) =− x 3 +O ( x 4 ), confirmant la convergence cubique.

Tableau comparatif des ordres de convergence :

Méthode Ordre théorique Notre cas (x=0) Commentaire

Bissection 1 (linéaire) 1 Garantie, lent
Fausse ~1.618 (superlinéaire) ~1.618 Rapide
position
Newton 2 (quadratique) 3 (cubique) Exceptionnellement
(racine rapide
simple)
Newton 1 (linéaire) Non applicable f ′ (0) ≠ 0
(racine
multiple)

Implications pratiques :
- Convergence extrêmement rapide pour x 0 proche de 0
- Peu d’itérations nécessaires pour atteindre la précision machine

- Sensibilité réduite à x 0 dans la zone de convergence rapide (|x 0 ) <0.5)

 2.3 Sensibilité à l’initialisation
Analyse pour chaque valeur de x 0 :

1. x 0 =0.3 : - f ( 0.3 ) =0.3 e − 0.09 ≈ 0.274 - f ′ ( 0.3 ) =e − 0.09 ( 1 − 0.18 ) ≈ 0.914 × 0.82 ≈ 0.749 - Ratio :
f / f ′ ≈ 0.274 /0.749 ≈ 0.366 - x 1=0.3 − 0.366=− 0.066
- Analyse : Bonne pente, convergence rapide attendue en 4-5 itérations
2. x 0 =0.4 : - f ( 0.4 ) =0.4 e − 0.16 ≈ 0.339 - f ′ ( 0.4 ) =e − 0.16 ( 1 − 0.32 ) ≈ 0.852 × 0.68 ≈ 0.579 - Ratio :
f / f ′ ≈ 0.339/0.579 ≈ 0.586 - x 1=0.4 − 0.586=− 0.186
- Analyse : Pente réduite mais correcte, convergence en 5-6 itérations
3. x 0 =0.5 : - f ( 0.5 ) =0.5 e − 0.25 ≈ 0.389 - f ′ ( 0.5 ) =e − 0.25 ( 1 − 0.5 ) ≈ 0.779 × 0.5 ≈ 0.389 - Ratio :
f / f ′ ≈ 0.389/0.389=1.0 - x 1=0.5 − 1.0=− 0.5
- Analyse : Pente significativement réduite, convergence plus lente (6-7 itérations)
4. x 0 =0.6 : - f ( 0.6 ) =0.6 e − 0.36 ≈ 0.417 - f ′ ( 0.6 ) =e − 0.36 ( 1 − 0.72 ) ≈ 0.698 × 0.28 ≈ 0.195 - Ratio :
f / f ′ ≈ 0.417 /0.195 ≈ 2.138 - x 1=0.6 − 2.138=− 1.538
- Analyse : Pente faible, grand pas initial, convergence lente (8-10 itérations) avec risque
d’oscillations
5. x 0 =0.7 : CAS CRITIQUE - f ( 0.7 ) =0.7 e − 0.49 ≈ 0.426 -
f ′ ( 0.7 ) =e − 0.49 ( 1 − 0.98 ) ≈ 0.613 × 0.02 ≈ 0.0123 (très petit !) - Ratio : f / f ′ ≈ 0.426/0.0123 ≈ 34.63
- x 1=0.7 − 34.63=− 33.93 - Analyse : Désastre numérique ! La valeur suivante est très éloignée,
donc risque de divergence

2 x 3n
Analyse théorique du cas x 0 =0.7 : La formule x n+1= pour x 0 =0.7 donne :
2 x 2n − 1
3
2 ( 0.7 ) 2× 0.343 0.686 0.686
x 1= = = = =− 34.3
2 ( 0.7 ) −1 2× 0.49 −1 0.98 −1 − 0.02
2

Le dénominateur ( 2 x 0 − 1 ) =− 0.02 est très proche de 0, amplifiant considérablement l’erreur.

2

Zone de convergence sûre : D’après l’analyse théorique, la méthode de Newton

1
converge pour |x 0 ) < ≈ 0.577 (bassin d’attraction). Au-delà, le comportement devient
√3
imprévisible.
Stratégies pour x 0 =0.7 :

1. Correction automatique : Si |f ′ ( x 0 ) ) <ϵ , prendre x 0 ′=0.6 ou x 0 ′=0.5

 2. Méthode hybride : Commencer avec la sécante, puis basculer sur Newton

3. Safeguard : Limiter la taille du pas : |x n+1 − x n ) < M

f ( xn )
4. Méthode de Newton modifiée : x n+1=x n − m avec m>1
f ′ ( xn )
2

Conclusion sur la sensibilité : La méthode de Newton pour f ( x ) =x e − x présente :

 Une convergence cubique exceptionnelle près de la racine

 Une sensibilité extrême aux conditions initiales près des points où f ′ ( x ) ≈ 0
 La nécessité d’implémentations robustes avec gestion des cas critiques
 Un compromis entre rapidité (cubique) et robustesse (faible)

3. Méthode de la Sécante
3.1 Forme générale de l’itération
Formulation standard de la méthode de la sécante : La méthode de la sécante est une
variante de la méthode de Newton qui évite le calcul explicite de la dérivée. Elle utilise une
approximation de la dérivée par un quotient de différences :
x n − x n −1
x n+1=x n − f ( x n ) ⋅
f ( x n ) − f ( x n −1 )

Dérivation géométrique : On approxime la tangente à la courbe y=f ( x ) au point

( x n , f ( x n ) ) par la sécante passant par ( x n −1 , f ( x n −1 ) ) et ( x n , f ( x n ) ). La pente de cette sécante est :
f ( x n ) − f ( x n −1 )
m=
x n − x n −1

L’équation de la sécante est :

y − f ( x n ) =m ( x − x n )

On cherche l’intersection avec l’axe des x ( y=0 ) :

f ( xn )
− f ( x n ) =m ( x n+1 − x n ) ⇒ x n+1=x n −
m
Ce qui donne bien :
x n − x n −1
x n+1=x n − f ( x n ) ⋅
f ( x n ) − f ( x n −1 )
 2

Application à notre fonction f ( x ) =x e − x : Pour notre fonction spécifique, l’itération

devient :
2
− xn
xn e ( x n − x n −1 )
x n+1=x n − − x 2n − x 2n −1
xn e − x n −1 e

On peut simplifier légèrement en factorisant :

x n ( x n − x n −1 )
x n+1=x n − 2 2
x n − x n −1
x n − x n −1 e

Initialisation critique : La méthode nécessite deux points initiaux x 0 et x 1. Le choix de

x 1 est crucial :

 Mauvais choix : x 1 trop proche de x 0 → dénominateur ( f ( x 1 ) − f ( x 0 ) ) ≈ 0

→ division par zéro
 Bon choix : x 1=x 0 +δ avec δ adaptatif

Cas particuliers à gérer :

1. Dénominateur nul ou très petit : f ( x n ) ≈ f ( x n −1 )

2. Points alignés horizontalement : f ( x n ) =f ( x n −1 )

3. Divergence : |x n+1 − x n ) trop grand

3.2 Comparaison théorique

Ordre de convergence : La méthode de la sécante a un ordre de convergence
superlinéaire donné par :
1+ √ 5
p= ≈ 1.618
2
C’est le nombre d’or ! La convergence est plus lente que Newton (quadratique/cubique)
mais plus rapide que les méthodes linéaires comme la bissection.
Démonstration de l’ordre de convergence : Soit r la racine et e n =x n − r . On peut
montrer que pour une fonction suffisamment régulière :
e n+1 ≈ C e n e n −1

En prenant le logarithme et en posant y n =ln|e n ), on obtient :

y n+1 ≈ y n + y n −1 +ln C

Cette relation de récurrence linéaire a pour équation caractéristique :

 λ 2 − λ − 1=0
Dont la plus grande racine est :
1+ √ 5
λ= ≈ 1.618
2
n

Ainsi, y n ∼ λ , donc |e n ) ∼ e , ce qui correspond à un ordre de convergence λ .

n λ

Avantages de la sécante par rapport à Newton :

Aspect Newton Sécante

Dérivée Requiert f ′ ( x ) Approxime f ′ ( x )
Coût par itération 1 évaluation de f + 1 1 évaluation de f
évaluation de f ′
Robustesse près de Problématique Plus robuste
f ′ ( x ) =0
Ordre de convergence 2 (ou 3 pour notre cas) ~1.618
Convergence globale Sensible à x 0 Plus tolérant

Pour notre fonction spécifique : La sécante présente un avantage crucial pour x 0 =0.7 :
- Newton : f ′ ( 0.7 ) ≈ 0 → problème majeur - Sécante : pas de calcul de f ′ → évite la division par
un nombre très petit

Analyse de stabilité numérique : Le dénominateur f ( x n ) − f ( x n −1 ) peut causer des

problèmes : Cancellation catastrophique : si f ( x n ) ≈ f ( x n −1 ) , Erreur d’arrondi amplifiée par
la division

Comparaison théorique des ordres de convergence : Pour f ( x ) =x e − x , avec racine

r=0 :

Newton : e n+1=− 2 e n +O ( e n ) ⇒ p=3

3 5


f ″ (0)
 Sécante : e n+1 ≈ e n e n −1=0 ⋅ e n e n −1
2 f ′ (0)

f ‴ (0) 2
 En réalité, il faut aller à l’ordre supérieur. On trouve : e n+1 ≈ − e n e n −1=− 2 e 2n e n −1
6 f ′ (0)

 Ce qui donne p ≈ 1.839 pour notre fonction spécifique ! C’est mieux que le 1.618
théorique général.

Tableau comparatif des performances attendues :

 x0 Newton (itérations) Sécante (itérations) Avantage relatif
0.3 4-5 6-7 Newton + rapide
0.4 5-6 7-8 Newton + rapide
0.5 6-7 8-9 Newton + rapide
0.6 8-10 9-11 Similaire
0.7 15+ ou diverge 10-12 Sécante + robuste

Conclusion sur la méthode de la sécante :

- Avantage principal : Robustesse, pas besoin de dérivée explicite
- Inconvénient : Convergence légèrement plus lente que Newton
- Particularité pour notre fonction : Ordre de convergence ~1.839 > 1.618
théorique

- Recommandation : Utiliser la sécante pour x 0 proche des points critiques (|x 0 ) >0.6 )

4. Protocole Expérimental et Précision Extrême

4.1 Implémentation robuste
4.1.1 Implémentation robuste de Newton
Ce protocole expérimental complet garantit :
1. Robustesse : Gestion de tous les cas problématiques
2. Précision : Critères d’arrêt adaptés à 10−16
3. Fiabilité : Stratégies de secours en cas de difficulté
4. Comparabilité : Tests systématiques pour tous les x 0
La comparaison entre Newton et sécante permettra d’évaluer objectivement leurs
performances respectives en fonction de la qualité de l’initialisation.

4.2.1 Implémentation robuste de la sécant

 5. Analyse Comparative des Résultats
5.1 Tableau récapitulatif des performances

Analyse :
• Vitesse de convergence : Conformément à la théorie, la méthode de Newton-Raphson
converge plus rapidement (en 7 à 8 itérations) que la méthode de la sécante (en 9 à 10
itérations) pour cette fonction et ces valeurs initiales.
• Précision : Les deux méthodes atteignent un résidu f(x) = 0.00e+00, ce qui indique une
convergence parfaite par rapport à la tolérance de 10^(-16) demandée.

• Stabilité : La méthode de Newton est plus performante que la sécante pour toutes les
valeurs de x_0 testées.

5.2 Interprétation des résultats

Le tableau de résultats montre que pour la fonction f(x)=xe^(-x^(2)), le choix du point
initial x_0 et la nature de la fonction influencent directement l'efficacité des méthodes.
Comportement de la méthode de Newton-Raphson:
• Instabilité potentielle : Newton-Raphson est extrêmement sensible à la dérivée initiale.
Pour cette fonction, si x_0 est choisi dans une zone où la pente est faible, le "premier pas"
peut projeter l'approximation très loin de la racine.
 • Oscillations : Des oscillations importantes peuvent survenir avant que l'algorithme ne
"capture" la zone de convergence quadratique.

• Efficacité variable : Bien que la capture d'écran montre une convergence en 7 ou 8

itérations pour x_0 dans [0.3, 0.7], un éloignement supplémentaire de x_0 pourrait
multiplier le nombre d'itérations par 3 en raison de cette instabilité initiale.

Comportement de la méthode de la sécante:

• Robustesse uniforme : Contrairement à Newton, la sécante montre une convergence

stable pour tous les points de départ testés (0.3 à 0.7).

• Stabilité numérique : L'algorithme évite les problèmes de division par zéro ou les
projections aberrantes car il utilise deux points pour estimer la pente au lieu d'une dérivée
locale parfois trompeuse.

• Vitesse constante : Le nombre d'itérations augmente de façon très prévisible et quasi-

linéaire (stagnant autour de 9-10 itérations sur votre test).

• Précision machine : La méthode de la sécante réussit à atteindre la précision machine

(résidu 0.00e+00) dans tous les cas présentés.

5.3 Conclusions et recommandations

Synthèse des avantages/inconvénients :

Critère Newton Sécante

Vitesse (cubique) (superlinéaire)
Robustesse (sensible à f ′ ≈ 0) (très robuste)
Précision (machine) (machine)
Simplicité (nécessite f ′) (pas de f ′)
Stabilité (oscillations possibles) (stable)

Recommandations pratiques :
 Pour les applications où la dérivée est disponible et peu coûteuse :

1. Utiliser Newton avec vérification |f ′ ( x n ) ) >ε

1. Implémenter un safeguard : limite sur la taille du pas
1. Pour x 0 proche de points critiques (|x 0 ) >0.6 ), préférer la sécante
 Choix de x 0 optimal :

1. Si contrôle possible sur x 0 : choisir |x 0 ) <0.5

2. Si x 0 imposé et |x 0 ) >0.6 : préférer la sécante
 3. Pour une bibliothèque générale : implémenter l’hybride
Perspectives d’amélioration :
f ( xn )
1. Newton modifié : x n+1=x n − m avec m>1 pour stabiliser
f ′ ( xn )
1. Méthode de Halley : Utilise aussi f ″ ( x ) pour convergence d’ordre 3 généralisé
1. Méthode de la fausse position : Alternative pour plus de robustesse

La méthode de Newton reste la méthode de choix pour sa vitesse exceptionnelle (cubique

pour cette fonction), mais sa sensibilité aux mauvaises conditions initiales impose des
précautions. La méthode de la sécante offre un excellent compromis robustesse-rapidité,
particulièrement adaptée aux cas où la dérivée est problématique ou coûteuse à calculer. Pour
2

cette fonction spécifique f ( x ) =x e − x , avec la racine en x=0, nous recommandons :

- En environnement contrôlé (bon x 0 connu) : Newton

- En environnement général ( x 0 variable) : Sécante ou hybride

- Toujours : Implémenter des vérifications de robustesse

CONCLUSION
Cette étude démontre qu’en analyse numérique, l’efficacité d’une méthode repose sur
l’équilibre entre robustesse et rapidité. Si la Bissection reste le choix de la sécurité par son
encadrement systématique, la méthode de la Fausse Position optimise ce trajet en utilisant la
pente. Pour une vitesse supérieure, la Sécante offre un compromis idéal sans calcul de dérivée,
tandis que Newton atteint une performance exceptionnelle (convergence quadratique ou
cubique) sous réserve d'un bon choix initial. L’enseignement majeur réside toutefois dans la
puissance du procédé d’Aitken : sa capacité à transformer la régularité prévisible de la
Bissection en une accélération fulgurante (2 itérations) prouve que la simplicité algorithmique,
couplée à une accélération mathématique, peut surpasser les méthodes les plus sophistiquées. En
somme, la maîtrise de ces outils et de leurs limites face à la précision