Documente Academic
Documente Profesional
Documente Cultură
Pour les différentes méthodes nous supposerons que F est une fonction continue et
qu’il existe un intervalle [a, b] où l’équation a une et une seule racine que l’on notera α .
Définition:
F (x ) admet une racine séparée dans ]a, b[ si et seulement si α est unique.
Aussi séparer les racines de " F ( x ) = 0 " revient à déterminer les intervalles ]a, b[ dans
lesquels chaque racine est unique.
Pour ceci on peut utiliser le théorème des valeurs intermédiaires:
Page 1/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemples :
a- F ( x ) = x − e −2 x = 0
F(x)=x-exp(-2x)
0
-2
-4
-1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
b- F (x ) = x 2 − e x = 0
2
F(x)=x -exp(-x)
0
2
-2
-4
c- F ( x ) = x − cos( x) = 0
2
F(x)=x-cos(x)
-2
-4
-5 -5 -4 -4 -3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3 4 4 5 5
x
Page 2/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
♦ F (− 3) = −17 < 0 , F (3) = 19 > 0 donc F (− 3).F (3) < 0 aussi, d’après le théorème des
valeurs intermédiaires, il existe au moins une racine α de F ( x ) = 0 dans [− 3, 3] .
F (x ) = x 3 − 3x + 1 ;
F ' (x ) = 3x 2 − 3 = 3( x − 1)( x + 1)
x -3 -1 +1
3
F (x )
' + 0 - 0 +
F (x ) 3
19
-17 -1
2
F(x)=x _3x+1
α2 α3
α1
3
-2
-4
-3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3
x
Page 3/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Dans le cas où ‘ F ( x ) ’ est compliquée, il faut transformer l’équation F ( x ) = 0 par une
équation équivalente g ( x ) = h( x ) avec ‘ g ( x ) ’ et ‘ h( x ) ’ deux fonctions plus simples. Les
points d’intersections des graphes de ‘ g ( x ) ’ et de ‘ h( x ) ’ sont alors recherchés.
Pour notre exemple on aurait pu transformer F ( x ) = 0 en deux fonctions plus simples.
En effet x 3 − 3 x + 1 = 0 ⇒ x 3 = 3x − 1 ⇒ g ( x ) = x 3 et h( x ) = 3 x − 1 d’où le graphe et les
solutions qui correspondent aux intersections des deux courbes
6
4
α3
2
g(x)=x et h(x)=3x-1
0
α2
-2
3
-4
-6 α1
-8
-3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3
x
Nous avons 3 intersections ⇒ 3 solutions et 3 intervalles
F(b)
a α
0
b
F(a)
-2
-4
-5 -5 -4 -4 -3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3 4 4 5 5
x
Page 4/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Problème : Nous ne connaissons pas la valeur exacte de α .
Pour cela, nous faisons appel à la méthode de la Dichotomie.
Principe de la méthode :
¾ Nous construisons les suites (a n )n∈N , (bn )n∈N de la manière suivante sur l’intervalle
I = [a, b ] .
a+b
¾ Nous posons a 0 = a , b0 = b , x0 =
2
¾ étape1- Si F (x0 ) = 0 ⇒ α = x0
¾ étape2- Si F (x0 ) ≠ 0 , nous vérifions le théorème des valeurs intermédiaires sur le
domaine [a, x0 ]
Si F (a ).F ( x0 ) < 0 ⇒ α ∈ ]a, x0 [
a1 + b1
Nous posons alors a1 = a 0 = a , b1 = x0 , x1 = , on revient à l’étape 1.
2
Sinon F (a ).F ( x0 ) > 0 ⇒ α ∈ ] x0 , b[
a1 + b1
Nous posons alors a1 = x0 , b1 = b0 , x1 =
2
De proche en proche, nous construisons les suites ( (a n )n∈N , (bn )n∈N et ( x n )n∈N ) .
A n-1, nous faisons les testes :
¾ étape1- Si F ( x n −1 ) = 0 ⇒ α = xn -1
¾ étape 2-Si F ( x n −1 ) ≠ 0 , nous vérifions le théorème des valeurs intermédiaires sur le
domaine [a n −1 , xn-1 ]
Si F (a n −1 ).F ( x n −1 ) < 0 ⇒ α ∈ ]a n −1 , xn -1 [
a n + bn
Nous posons alors a n = a n −1 , bn = x n −1 , x n = , on revient à l’étape 1.
2
Sinon F (a n −1 ).F ( x n −1 ) > 0 ⇒ α ∈ ] xn -1 , bn −1 [
a n + bn
Nous posons alors a n = x n −1 , bn = bn −1 , x n =
2
Et lim x n = α . Nous disons alors que ( x n )n∈N est la suite des solutions approchées et α la
n →∞
racine exacte de F ( x ) = 0
Proposition :
Les suites (a n )n∈N , (bn )n∈N et ( x n )n∈N convergent toutes vers α . De plus, nous avons
l’estimation suivante :
bn − a n bn −1 − a n −1 b0 − a 0
xn − α ≤ = = ... =
2 2 2
2 n +1
1
D’où x n − α ≤ n +1 b0 − a 0
2
Précision de l’approximation :
Pour approcher la racine α avec une précision inférieure à ε en utilisant la méthode
de la bissection, il faut que :
Page 5/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
1 b0 − a 0
xn − α ≤ b0 − a 0 < ε ⇒ < 2 n +1
2 n +1
ε
⎛ b0 − a 0 ⎞
ln⎜⎜ ⎟
⎟
ε ⎠ − 1 si nous commençons les itérations à partir de x = a + b
D’où n > ⎝
ln (2 )
0
2
Exemple :
On considère la fonction F (x ) = x 2 e x − 1 = 0
1- Trouver un intervalle I = [a, b] de longueur 1 contenant la racine α de F ( x )
2- Après avoir vérifié l’applicabilité de la méthode de Dichotomie sur cet intervalle,
calculer les cinq premiers itérés.
3- Calculer le nombre d’itération qu’il faut pour avoir la solution avec une précision
ε = 10 −4
Solution :
1- Domaine de définition de F ( x ) = x 2 e x − 1 est R = ]− ∞,+∞[
La première dérivée de F ( x ) = x 2 e x − 1 est F ' (x ) = 2 xe x + x 2 e x = xe x ( x + 2)
F ' (x ) = 0 ⇒ x → −∞ ou x = −2 ou x = 0
lim F (x ) = −1 , F (− 2) = 4e − 1 = −0.4587 , F (0) = −1 , lim F (x ) = +∞
−2
x → −∞ x → +∞
x −∞ -2 0 +∞
F ' (x ) 0 0 0
-0.4587 +∞
F (x )
-1 -1
Tracé de la fonction F ( x ) = x 2 e x − 1
5
1
F(x)=x e -1
2 x
-1
-2
-3
-4
-5
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
D’après le graphe de F (x ) = x e − 1 , nous remarquons que cette fonction passe par l’axe des
2 x
Page 6/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
2- Sur l’intervalle I = [0,1] , la fonction F ( x ) = x 2 e x − 1 est définie, continue et monotone. De
plus F (0 ) = −1 et F (1) = 1.7183 . Nous pouvons appliquer la méthode de la dichotomie sur
cette intervalle.
Page 7/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
3-Pour calculer le nombre d’itérations nécessaire pour avoir la solution avec une précision ε
Donnée, nous utilisons la formule :
⎛ b0 − a 0 ⎞
ln⎜⎜ ⎟
⎟
ε
n> ⎝ ⎠ −1
ln (2 )
Dans le cas de cet exemple. Si nous fixons ε = 10 −4 , nous obtenons
⎛ 1 ⎞
ln⎜ − 4 ⎟
n> ⎝
10 ⎠ 4 ln(10)
−1, n > − 1 , n > 12.2877 , n = 13
ln(2) ln(2)
Il faut effectuer 13 itérations en utilisant la méthode de Dichotomie pour avoir la racine avec
une précision ε = 10 −4
Question : Quelles conditions doit vérifier g ( x ) pour que ce point fixe existe et qu’il soit
unique ?
Page 8/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Démonstration :
x0 étant donné tel que x0 ∈ [a, b] . On construit la suite (u n )n∈N tel que :
• u 0 = x0
• u1 = x1 − x0
• u 2 = x 2 − x1
• …
• …
• u n −1 = x n −1 − x n − 2
• u n = x n − x n −1
Nous faisons la somme des termes de la suite jusqu’à l’ordre n
n ∞
∑ u n = xn
i =0
d’où lim xn = α = ∑ u n
n →∞ i =0
Soit g ( x ) ≤ k < 1
'
Nous avons
u n = x n − x n −1 = g (x n −1 ) − g ( x n − 2 ) = ( x n −1 − x n −2 )g ' (ξ ) où ξ ∈ [a, b]
D’où u n = u n −1 g ' (ξ ) ≤ k u n −1
Nous avons aussi :
n ∞ ∞ ∞
xn − α = ∑ ui − ∑ ui = ∑ ui ≤ ∑u 0 ki
i =0 i =0 i = n +1 i = n +1
∞ ∞ n
k kn
Et ∑ u 0 k i = u 0 k n+1 ∑ k i = u1
i = n +1 i =0 1− k
= x1 − x0
1− k
D’où
kn
x n − α ≤ x1 − x 0 .
1− k
Estimation de l’erreur :
Le nombre minimum d’itérations pour que la solution soit approchée avec une précision ε
est : x n − α < ε
kn
Sachant que x n − α ≤ x1 − x0
1− k
Donc
⎡ (1 − k )ε ⎤
ln ⎢ ⎥
⎢ x1 − x0 ⎦⎥
⎣
n> , k = max g ' ( x )
ln(k ) I
Page 9/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ x0 ∈ I δ = [α − δ , α + δ ]
⎨ converge vers le point fixe α sur I δ
⎩ x n +1 = g ( x n ), n ∈ N
De plus, nous avons :
kn
xn − α ≤ x1 − x0 , k = max g ' ( x )
1− k Iδ
Exemple : Ecrire un processus itératif ( x n )n∈N du point fixe définie par la fonction d’itération
suivante :
(
g (x ) = x + e − x − x 2
1
4
)
a- Montrer que la méthode du point fixe converge vers la solution α dans
l’intervalle I = [0,1] .
b- Déterminer le nombre d’itérations nécessaires pour calculer une solution approché
avec une précision ε = 10 −10
c- Calculer les cinq premières itérations.
Solution :
Soit x n la nième itération de la méthode du point fixe définie par :
⎧ x0 donné
⎪
n n
4
(
⎨ x = g ( x ) = x + 1 e − xn − x 2
⎪⎩ n +1 n )
a- La convergence de la méthode du point fixe :
Il faut prouver les deux points suivants :
I-Stabilité : g (I ) ⊂ I ,
On a g ' ( x ) > 0 ∀x ∈ I et 0 < g (0 ) = < g ( x ) < g (1) = 1
1
4
II- on a g ( x ) < 1 ∀x ∈ I
'
e−x − 2
Comme g '' ( x ) = < 0 ∀x ∈ I ⇒ max g ' ( x ) = g ' (0 ) =
3
4 x∈I 4
D’où k = max g ' (x ) = < 1
3
x∈I 4
D’après I. et II. La méthode du point fixe converge vers la solution sur l’intervalle
I = [0,1]
b- Nombre d’itération du point fixe pour calculer la solution approchée avec une précision
ε = 10 −10
kn
, k = max g ' (x ) = < 1
3
En utilisant l’estimation suivante : x n − α ≤ x1 − x0
1− k x∈I 4
4
( )1
4
( 1
4
)
Si on prend x0 = 0 x1 = g ( x0 ) = x 0 + e − x0 − x02 = 0 + e −0 − 0 = ⇒ x1 − x0 =
1 1
4
Page 10/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎛ ε (1 − k ) ⎞
n ln⎜⎜ ⎟
k x − x ⎟
Sachant que x n − α < ε d’où x1 − x0 ≤ε ⇒ n≥ ⎝
1 0 ⎠
1− k ln (k )
⎛ 10 −10 (1 − 3 4) ⎞
ln⎜⎜ ⎟⎟
A.N : n ≥ ⎝ 14 ⎠ = 80.22 n = 81 itérations
ln(3 4)
I.4-Méthode de Newton :
I.4.1-Interprétation géométrique :
L’idée est de remplacer l’arc de la courbe représentatif de la fonction F ( x ) par sa
tangente au point x0 .
y=F(x)
F(b) B0(b,F(b))
B1(x1,F(x1))
B2(x2,F(x2))
0 a α x
x2 x1 b=x0
F(a)
Nous pouvons dire alors que la méthode de Newton n’est autre qu’une méthode de point fixe
de la forme :
x = g (x )
avec
F (x )
g (x ) = x − '
F (x )
Page 11/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Nous voyons bien que chercher α solution séparée de F ( x ) = 0 est équivalent à la recherche
du point fixe α tel que α = g (α ) :
Nous avons
F (α )
g (α ) = α − ' = α car ( F (α ) = 0 et F ' (α ) ≠ 0 )
F (α )
Convergence de la méthode :
Nous utilisons le théorème du point fixe local. Nous calculons g' ( x ) et
particulièrement g ' (α ) , ce calcul est possible pour une fonction F ( x ) deux fois dérivable (de
classe C 2 [I ] ).
F ' ( x )F ' ( x ) − F '' ( x )F ( x ) F ' ( x )F ' ( x ) F '' ( x )F ( x ) F '' ( x )F ( x )
g ' (x ) = 1 − = 1− + =
[F (x )]
' 2
[F (x )]
' 2
[F (x )]
' 2
[F (x )]
' 2
Théorème de Newton :
Soit F ( x ) une fonction de classe C 2 sur l’intervalle [a, b] , telle que :
1− F (a ).F (b ) < 0 ⎫
⎬ ⇒ Il éxiste α ∈ ]a, b[ tel que F (α ) = 0
2 − F ( x ) ≠ 0 (monotone sur [a, b]⎭
'
3- F '' ( x ) garde un signe constant sur l’intervalle [a, b] ( F '' ( x ) < 0 où F '' (x ) > 0 )
4-Partant d’un point x0 qui satisfait l’inégalité
F ( x0 ).F '' (x0 ) > 0 (vérifié par un certain choix de x0 ∈ [a, b] )
Si les conditions annoncées, ci-dessus, sont satisfaites, alors le processus de Newton:
⎧ x0 choisi
⎪
⎨ x = g (x ) = x − F (xn )
⎪⎩ n +1 F ' (xn )
n n
2m
Avec M = Max F ( x ) , m = Min F ( x )
'' ''
x∈[a ,b ] x∈[a ,b ]
Page 12/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple :
Soit la fonction : F ( x ) = e x − 4 cos( x ) = 0
1- Séparer graphiquement les racines de F ( x ) et déduire le nombre de racines.
2- Chercher à une précision ε = 10 −5 près, une racine de F (x ) par la méthode de newton
⎡π π ⎤ π
dans l’intervalle I = ⎢ , ⎥ , en prenant x0 = et tester x n +1 − x n < 10 −5
⎣4 2⎦ 2
Solution :
1- La fonction F (x ) = e x − 4 cos( x ) est donnée dans le graphe suivant :
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
F(x)=e -4*cos(x)
1.0
0.5
0.0
-0.5
x
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
-4.5
-5.0
-100 -80 -60 -40 -20 0
x
1.0
0.5
0.0
-0.5
x
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
-4.5
-5.0
-1.55 -1.24 -0.93 -0.62 -0.31 0.00 0.31 0.62 0.93 1.24 1.55
x
⎡ π π⎤
Figure 2 : F (x ) = e x − 4 cos( x ) en fonction de x pour x variant entre ⎢− , ⎥
⎣ 2 2⎦
2- Résolution par la méthode de Newton :
⎡π π ⎤ ⎡π π ⎤
Nous avons I = ⎢ , ⎥ et α ∈ ⎢ , ⎥
⎣4 2⎦ ⎣4 2⎦
⎡π π ⎤
Vérification du théorème de Newton sur l’intervalle I = ⎢ , ⎥
⎣4 2⎦
Page 13/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡π π ⎤
a- F ( x ) = e x − 4 cos(x ) est de classe C ∞ sur I = ⎢ , ⎥
⎣4 2⎦
π
⎛π ⎞ ⎛π ⎞ ⎫
F ⎜ ⎟ = e 4 − 4 cos⎜ ⎟ = −0.63514 < 0⎪
⎪ ⎛π ⎞ ⎛π ⎞ ⎡π π ⎤
b- ⎝ ⎠ ⎝4⎠
4
π ⎬ ⇒ F ⎜ ⎟.F ⎜ ⎟ < 0 ⇒ α ∈ ⎢ , ⎥
⎛π ⎞ ⎛π ⎞ ⎝4⎠ ⎝2⎠ ⎣4 2⎦
F ⎜ ⎟ = e 2 − 4 cos⎜ ⎟ = 4.8104 > 0 ⎪
⎝2⎠ ⎝2⎠ ⎪⎭
⎤π π ⎡
c- ∀x ∈ ⎥ , ⎢ , F ' ( x ) = e x + 4 sin ( x ) > 0
⎦4 2⎣
⎤π π ⎡
d- ∀x ∈ ⎥ , ⎢ , F ' ' ( x ) = e x + 4 cos( x ) > 0
⎦4 2⎣
π
Le théorème de Newton est vérifié. En partant de x0 = , le processus de Newton donnée par
2
⎧ π
⎪⎪ x0 =
2
⎨ F (x )
⎪ x n +1 = g ( x n ) = x n − ' n
⎪⎩ F (xn )
⎡π π ⎤
Converge vers l’unique solution positive α de F ( x ) = e x − 4 cos( x ) sur I = ⎢ , ⎥
⎣4 2⎦
π
Partant de x0 =
2
π
⎛π ⎞ ⎛π ⎞ ⎫
F ⎜ ⎟ = e 2 − 4 cos⎜ ⎟ = 4.8104 > 0 ⎪
⎝2⎠ ⎝2⎠ ⎪ ⎛π ⎞ ⎛π ⎞
π ⎬ ⇒ F ⎜ ⎟.F ' ' ⎜ ⎟ > 0
⎛π ⎞ ⎛π ⎞ ⎝2⎠ ⎝2⎠
F ' ' ⎜ ⎟ = e 2 + 4 cos⎜ ⎟ = 4.8104 > 0⎪
⎝2⎠ ⎝2⎠ ⎪⎭
Alors le processus de Newton :
⎧ π
⎪⎪ x0 =
2
⎨ e xn − 4 cos( x n )
⎪ x n +1 = g (x n ) = x n − x
⎪⎩ e n + 4 sin ( x n )
Converge vers la solution α
Calculons les itérés et testons l’inégalité x n +1 − x n < 10 −5
π
x0 =
2
e x0 − 4 cos(x 0 )
1ère Itération : x1 = x0 − = 1.02480 , x1 − x0 = 0.54599 > 10 −5 ;
e + 4 sin ( x0 )
x0
e x1 − 4 cos( x1 )
2ème itération : x 2 = x1 − = 0.91046 , x 2 − x1 = 0.11434 > 10 −5
e + 4 sin ( x1 )
x1
e x2 − 4 cos( x 2 )
3ème itération : x3 = x 2 − = 0.90480 , x3 − x 2 = 0.00566 > 10 −5
e + 4 sin ( x 2 )
x2
Page 14/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
e x3 − 4 cos( x3 )
4ème itération : x 4 = x3 − = 0.90479 , x 4 − x3 = 0.00001 = 10 −5
e + 4 sin ( x3 )
x3
e x4 − 4 cos( x 4 )
5ème itération : x5 = x 4 − = 0.90479 , x5 − x 4 ≈ 0.0000 < 10 −5
(
e + 4 sin x 4
x4
)
Nous déduisons que la solution approchée, obtenue par la méthode de Newton, est
α = 0.90479
Page 15/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
CHAPITRE II
Résolution des Systèmes d’Equations Linéaires
II.1.1-Définitions et Notations :
On appelle matrice de type (de dimension) (n, m ) un tableau de nombres à n lignes,
m colonnes. L’ensemble de matrices de types (n, m ) est notée M n,m (IK ) , (K = R ou C ) ,
(K : Ensemble des scalaires ) . On adopte la notation suivante :
Une matrice A de dimension (n, m) sera notée An ,m = (ai , j ) 1≤i ≤ n
1≤ j ≤ m
Une matrice carrée An ,m est une matrice dont le nombre de lignes est égal au nombre
de colonnes.
II.1.2-Résolution des Systèmes Linéaires :
Tout système d’équations linéaires peut s’écrire sous forme matricielle
AX = b , A : une matrice carrée
Si det ( A) ≠ 0 ( A est inversible ou régulière), l’unique solution du système est donnée par :
AX = b ⇔ A −1 AX = A −1b ⇔ X = A −1b
Avec
A −1 =
1
( A *)t
det ( A)
A * : est la comatrice donnée par :
A* = (C i , j ), 1 ≤ i, j ≤ n
C ij = (− 1) det ( Aij )
i+ j
ème ème
Aij : C’est la matrice A sans la i ligne et la j colonne.
j =1
Page 1
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
det ( Ai )
Xi =
det ( A)
ème
Ai est la matrice A où l’on a remplacé le i colonne par le vecteur second membre « b ».
Cette méthode de Cramer est inadaptée pour résoudre les systèmes de grandes tailles
car il y a trop de déterminants à calculer. Pour cela, on a recours à d’autres méthodes de
résolution des systèmes d’équations AX = b . Ces méthodes sont classées dans deux groupes.
Les premières méthodes, intitulées Méthodes directes, sont basées sur la
transformation du système initial AX = b , en passant par un nombre d’étapes finies, pour
avoir la solution X . Parmi ces méthodes, on a la méthode de Gauss, La décomposition LU et
la méthode de Cholesky.
Les méthodes du deuxième groupe, intitulées méthodes itératives, sont basées sur des
procédures itératives qui permettent d’approcher la solution du système, en amorçant le calcul
à partir d’une solution initiale X (0 ) . Parmi ces méthodes, on a la méthode de Jacobi et la
méthode de Gauss-Seidel.
II.2-Méthodes Directes :
II.2.1-Méthode d’élimination de Gauss :
Soit à résoudre le système linéaire : AX = b
La méthode d’élimination de Gauss consiste à réaliser un nombre fini de
transformations sur la matrice A de telle sorte à obtenir un système équivalent pour la
recherche du même vecteur solution, mais avec une matrice triangulaire supérieure.
~ ~
AX = b ⇔ A X = b
Donnons la méthode à travers un exemple.
Soit à résoudre le système :
⎧ 2 x1 − 5 x 2 + x3 = 12
⎪
( I ) ⎨ − x1 + 3 x 2 − x3 = −8 ⇔ AX = b
⎪3 x − 4 x + 2 x = 16
⎩ 1 2 3
Où
⎡ 2 −5 1 ⎤ ⎛ x1 ⎞ ⎛ 12 ⎞
⎢ ⎥ ⎜ ⎟ ⎜ ⎟
A = ⎢− 1 3 − 1⎥ , X = ⎜ x 2 ⎟ et b = ⎜ − 8 ⎟
⎢⎣ 3 − 4 2 ⎥⎦ ⎜x ⎟ ⎜ 16 ⎟
⎝ 3⎠ ⎝ ⎠
On adopte l’écriture suivante
⎡ . ⎤
L1(0 ) ⎢ 2 − 5 1 12 ⎥
⎢ . ⎥
(0 ) ⎢
− 8⎥
.
L2 − 1 3 − 1
⎢ . ⎥
⎢ . ⎥
(0 ) ⎢ 3 −4 2 16 ⎥
L3
⎢⎣ . ⎥⎦
~
Le but est d’obtenir une matrice A triangulaire supérieure avec « 1 » sur la diagonale.
Etape N°1 :
Puisque le pivot a11(0 ) = 2 ≠ 0 , on divise la première linge de A par a11(0 ) et essayer d’avoir des
zéros sous le nouveau pivot a11(1)
On obtient :
Page 2
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
L1(0 )
L1(1) = ⎡ . ⎤
2 ⎢1 − 5 2 1 2 .
6⎥
⎢ ⎥
(1) ⎢
− 2⎥ ⇔ A (1) X = b (1)
(1) (0 ) .
L2 = L2 + L1 0 1 2 − 1 2
⎢ . ⎥
⎢ . ⎥
(1) (0 ) (1) ⎢0 − 2⎥
L3 = L3 − 3L1 72 12
⎢⎣ . ⎥⎦
Etape N°2 :
(1)
Comme a 22 = 1 2 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième colonne. On obtient :
⎡ . ⎤
L1(2 ) = L1(1) ⎢1 − 5 2 1 2 . 6 ⎥
⎢ ⎥
(2 )
L2 = 2 L2 (1) ⎢ 0 1 −1
.
− 4⎥ ⇔ A ( 2 ) X = b ( 2 )
⎢ . ⎥
⎢ . ⎥
7 ⎢ 0 0 4 12 ⎥
L(32 ) = L(31) − L(22 ) ⎢⎣ . ⎥⎦
2
Etape N°3 et dernière :
(2 )
Comme a33 = 4 ≠ 0 , on refait la même opération qu’à l’étape n°2 mais appliquée à la
troisième colonne. On obtient :
⎡ . ⎤
L1(3) = L1(2 ) ⎢1 − 5 2 1 2 6⎥
⎢ . ⎥
(2 ) ⎢
− 4 ⎥ ⇔ A (3 ) X = b (3 ) ⇔ A X = b
(3 ) . ~ ~
L2 = L 2 0 1 −1
⎢ . ⎥
⎢ . ⎥
(3 )
L3 = L3 4 0 (2 ) ⎢ 0 1 3⎥
⎢⎣ . ⎥⎦
~
⎧ x3 = b3 ⎧ x3 = 3
~ ~ ⎪ ~ (3 ) ⎪
AX = b ⇔ A X = b ⇔ ⎨ x 2 = b2 − a 23 x3 ⇔ ⎨ x 2 = −1
⎪ x = b~ − a (3) x − a (3) x ⎪ x =2
⎩ 1 1 12 2 13 3 ⎩ 1
Et le déterminant de A est donné par :
3
det ( A) = ∏ aii(i −1) = 2. .4 = 4
1
i =1 2
~ ~
On note le nouveau système A X = b
n
~
xi = bi − ∑ a~ik x k
k =i +1
~
Où a~ij sont les éléments de la matrice A
Page 3
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.2.1.1-Calcul de A −1 par la méthode d’élimination de Gauss :
Soit une matrice Ann tel que det ( A) ≠ 0 . On a A. A −1 = I n
On écrit : Ann−1 = [V1 ,V2 ,...,Vn ] et I n = [e1 , e2 ,..., en ]
D’où A. A −1 = I n ⇔ A.[V1 ,V2 ,...,Vn ] = [e1 , e2 ,..., en ] ⇔ [AV1 , AV2 ,..., AVn ] = [e1 , e2 ,..., en ]
⎧ AV1 = e1
⎪ AV = e
⎪ 2 2
⎪ .
⇒⎨ (1)
⎪ .
⎪ .
⎪ AV = e
⎩ n n
Page 4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Etape N°1 :
Puisque le pivot a11(0 ) = 1 ≠ 0 , on divise la première ligne de A par a11(0 ) et essayer d’avoir des
zéros sous le nouveau pivot a11(1)
On obtient :
⎡ . ⎤
L1(1) = L1(0 ) ⎢1 2 1 . 3 ⎥
⎢ ⎥
(0 ) ⎢
− 4⎥ ⇔ A (1) X = b (1)
(1) (1) .
L2 = 2 L1 − L2 0 8 0
⎢ . ⎥
⎢ . ⎥
(1) (1) ( 0 ) ⎢0 − 4 1 5⎥
L3 = L1 − L3
⎢⎣ . ⎥⎦
Etape N°2 :
(1)
Comme a 22 = 8 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième colonne. On obtient :
⎡ . ⎤
L1(2 ) = L1(1) ⎢1 2 1 3 ⎥
⎢ . ⎥
L2 = L2 8 ⎢0 − 1 2⎥ ⇔ A ( 2 ) X = b ( 2 )
(2 ) (1) .
1 0
⎢ . ⎥
⎢ . ⎥
(2 ) (2 ) (1) ⎢0 3 ⎥
L3 = 4 L2 + L3 0 1
⎢⎣ . ⎥⎦
Etape N°3 et dernière :
(2 )
Comme a33 = 1 ≠ 0 , on refait la même opération qu’à l’étape n°2 mais appliquée à la
troisième colonne. On obtient :
⎡ ⎤
.
L1(3) = L1(2 ) ⎢1 2 1 3 ⎥
⎢ .
⎥
L(23) = L(22 ) ⎢0 1 0 − 1 2 ⎥ ⇔ A (3 ) X = b (3 ) ⇔ A X = b
. ~ ~
⎢ ⎥
.
⎢ ⎥
.
L(33) = L(32 ) ⎢0 0 1 3 ⎥
⎣⎢ ⎦⎥
.
~
⎧ x3 = b3 ⎧ x3 = 3
~ ~ ⎪ ~ (3 ) ⎪
AX = b ⇔ A X = b ⇔ ⎨ x 2 = b2 − a 23 x3 ⇔ ⎨ x2 = −1 2
⎪ x = b~ − a (3) x − a (3) x ⎪ x =1
⎩ 1 1 12 2 13 3 ⎩ 1
Et le déterminant de A est donné par :
3
det ( A) = ∏ aii(i −1) = 1.8.1 = 8
i =1
Calcul de l’inverse de A .
⎡1 2 1 ⎤ ⎡V11 V12 V13 ⎤ ⎡1 0 0⎤
On a : A. A = I 3 ⇒ ⎢⎢2 − 4 2⎥⎥ ⎢⎢V21 V22 V23 ⎥⎥ = ⎢⎢0 1 0⎥⎥
−1
Page 5
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ ⎡1 2 1⎤ ⎧V11 ⎫ ⎧1⎫
⎪⎢ ⎪ ⎪ ⎪ ⎪
⎪ ⎢2 −4 2⎥⎥ ⎨V21 ⎬ = ⎨0⎬ (I)
⎪ ⎢⎣1 6 0⎥⎦ ⎪⎩V31 ⎪⎭ ⎪⎩0⎪⎭
⎪
⎪⎪ ⎡1 2 1⎤ ⎧V12 ⎫ ⎧0⎫
⎪ ⎪ ⎪ ⎪
⎢ −4 2⎥⎥ ⎨V22 ⎬ = ⎨1⎬ (II)
⎨ ⎢2
⎪ ⎢1 0⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩0⎪⎭
⎪⎣
6
⎪ ⎡1 2 1⎤ ⎧V13 ⎫ ⎧0⎫
⎪⎢2 ⎪ ⎪ ⎪ ⎪
−4 2⎥⎥ ⎨V23 ⎬ = ⎨0⎬ (III)
⎪⎢
⎩⎪⎢⎣1 6 0⎥⎦ ⎪⎩V33 ⎪⎭ ⎪⎩1⎪⎭
On applique la méthode d’élimination de gausse aux système (I), (II) et (III).
a- Système (I), (II) et (II) :
On adopte l’écriture suivante:
L1(0 ) ⎡1 2 1 . 1 0 0⎤
⎢ . ⎥
(0 ) ⎢ ⎥
L2 ⎢ 2 − 4 2 . 0 1 0 ⎥
⎢ . ⎥
(0 ) ⎢1 6 0 . 0 0 1 ⎥⎦
L ⎣ 3
Etape N°1 :
Puisque le pivot a11(0 ) = 1 ≠ 0 , on divise la première ligne de A par a11(0 ) et essayer d’avoir des
zéros sous le nouveau pivot a11(1)
L1(1) = L1(0 ) ⎡1 2 1 . 1 0 0⎤
⎢ . ⎥
(1) (1) (0 ) ⎢ ⎥
L2 = 2 L1 − L2 ⎢0 8 0 . 2 − 1 0 ⎥
⎢ . ⎥
(1) (1) ⎢
(0 ) 0 − 4 1 . 1 0 − 1⎥
L3 = L1 − L3 ⎣ ⎦
Etape N°2 :
(1)
Comme a 22 = 8 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième colonne. On obtient :
L1(2 ) = L1(1) ⎡1 2 1 . 1 0 0⎤
⎢ . ⎥
⎢ ⎥
L(22 ) = L(21) 8 ⎢0 1 0 . 1/ 4 − 1/ 8 0 ⎥
⎢ . ⎥
(2 ) (2 ) (1) ⎢0 0 1 . 2 − 1 / 2 − 1⎥⎦
L = 4L + L ⎣
3 2 3
Page 6
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
L1(3) = L1(2 ) ⎡1 2 1 . 1 0 0⎤
⎢ . ⎥
(3 ) (2 ) ⎢ ⎥
L2 = L2 ⎢ 0 1 0 . 1 / 4 − 1 / 8 0 ⎥
⎢ . ⎥
⎢ ⎥
L(33) = L(32 ) ⎣0 0 1 . 2 − 1 / 2 − 1⎦
Finalement, on obtient :
⎧ V31 = e~13 ⎧ V31 = 2 ⎧V11 = −3 / 2
~ ~ ⎪ ~ (3 ) ⎪ ⎪
AV1 = e1 ⇔ A V1 = e1 ⇔ ⎨ V21 = e12 − a 23 V31 ⇔ ⎨ V21 = 1 4 ⇔ ⎨ V21 = 1 4
⎪V = e~ − a (3 )V − a (3 )V ⎪V = −3 / 2 ⎪ V =2
⎩ 11 11 12 21 13 31 ⎩ 11 ⎩ 31
⎧ V32 = e23~ ⎧V32 = −1 / 2 ⎧ V12 = 3 / 4
~ ~ ⎪ ~ (3 ) ⎪ ⎪
AV2 = e2 ⇔ A V2 = e2 ⇔ ⎨ V22 = e22 − a 23 V32 ⇔ ⎨V22 = − 1 8 ⇔ ⎨V22 = − 1 8
⎪V = ~ (3 ) (3 ) ⎪ V = 3/ 4 ⎪V = −1 / 2
⎩ 12 e21 − a12 V22 − a13 V32 ⎩ 12 ⎩ 32
II.2.2-Méthode de décomposition LU :
Définition :
On dit que A[k ] est la sous matrice principale d’ordre k de A si A[k ] est la matrice
d’ordre (k, k ) de coefficients aij , 1 ≤ i, j ≤ k , 1 ≤ k ≤ n
Théorème :
Si A est une matrice carrée d’ordre n dont toutes les sous matrices principales
sont régulières, alors il existe une décomposition unique de A sous la forme A = LU .
Où L est une matrice triangulaire inférieure avec une diagonale unitaire. U est une
matrice triangulaire supérieure.
La résolution du système AX = b devient
⎧ LY = b
AX = b ⇔ LUX = b ⇔ ⎨
⎩UX = Y
La résolution du système AX = b revient à la résolution des deux systèmes LY = b par un
algorithme descendant (↓ ) et UX = Y par un algorithme ascendant (↑ ) . La résolution de ces
deux systèmes est immédiate puisque les matrices L et U sont triangulaires.
Remarque : U est la matrice obtenue par la méthode d’élimination de Gauss.
La méthode :
Soit A une matrice dont toutes les sous matrices sont régulières.
Exemple : A(3,3)
Page 7
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡1 2 1 ⎤
A = ⎢⎢2 − 4 2⎥⎥
⎢⎣1 6 0⎥⎦
On a :
A[1] = [1] , det (A[1] ) = 1
⎡1 2 ⎤
A[2 ] = ⎢ ⎥ , det (A[2 ] ) = −8
⎣ 2 − 4⎦
A[3] = A , det (A[3] ) = 8
Toutes les sous matrice de A sont régulières, A admet une décomposition unique A = LU .
On pose :
⎡1 0 0⎤ ⎡U 11 U 12 U 13 ⎤
L = ⎢ L21 1 0⎥ , U = ⎢⎢ 0 U 22 U 23 ⎥⎥
⎢ ⎥
⎢⎣ L31 L32 1⎥⎦ ⎢⎣ 0 0 U 33 ⎥⎦
⎡1 2 1 ⎤ ⎡ 1 0 0⎤ ⎡U 11 U 12 U 13 ⎤
A = LU ⇔ ⎢2 − 4 2⎥ = ⎢ L21 1 0⎥⎥ ⎢⎢ 0 U 22 U 23 ⎥⎥
⎢ ⎥ ⎢
⎢⎣1 6 0⎥⎦ ⎢⎣ L31 L32 1⎥⎦ ⎢⎣ 0 0 U 33 ⎥⎦
Par identification, on arrive à déterminer les éléments des deux matrices L et U .
⎧ U 11 = 1 ⎧ L21U 11 = 2 ⎧ L21 = 2 ⎧ L31U 11 = 1 ⎧ L31 = 1
⎪ ⎪ ⎪ ⎪ ⎪
⎨U 12 = 2 , ⎨ L21U 12 + U 22 = −4 ⇒ ⎨U 22 = −8 , ⎨ L31U 12 + L32U 22 = 6 ⇒ ⎨ L32 = −1 2
⎪U = 1 ⎪ L U +U = 2 ⎪ U = 0 ⎪L U + L U + U = 0 ⎪ U = −1
⎩ 13 ⎩ 21 13 23 ⎩ 23 ⎩ 31 13 32 23 33 ⎩ 33
D’où
⎡1 0 0⎤ ⎡1 2 1⎤
L = ⎢⎢2 1 0⎥⎥ , U = ⎢⎢0 − 8 0 ⎥⎥
⎢⎣1 − 1 2 1⎥⎦ ⎢⎣0 0 − 1⎥⎦
Finalement, l’algorithme de la décomposition LU est donné par :
n −1
U nj = a nj − ∑ Lnk U kj , j = n,
k =1
Lnn = 1 , ∀n
⎛ m −1
⎞
⎜ aim − ∑ Lik U km ⎟
Lim = ⎝ k =1 ⎠
U mm
Remarque :
L est une matrice triangulaire inférieure ⇒ Lik = 0 pour k > i
U est une matrice triangulaire supérieure ⇒ U kj = 0 pour k > j
min (i , j )
Donc Lik U kj = 0 pour k > min (i, j ) d’où aij = ∑L ik U kj
k =1
La résolution :
Page 8
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ LY = b (1)
AX = b ⇔ LUX = b ⇔ ⎨
⎩UX = Y (2)
⎡1 0 0⎤ ⎧ y1 ⎫ ⎧1 ⎫ ⎧ y1 = 1
(1) ⇒ ⎢⎢2 1 ⎥ ⎪ ⎪ ⎪ ⎪
()
⎪
0 ⎥ ⎨ y 2 ⎬ = ⎨2 ⎬ ↓ ⇒ ⎨ y 2 = 0
⎢⎣1 − 1 2 1⎥⎦ ⎪⎩ y 3 ⎪⎭ ⎪⎩1 ⎪⎭ ⎪y = 0
⎩ 3
⎡1 2 1 ⎤ ⎧ x1 ⎫ ⎧1⎫ ⎧ x3 = 0 ⎧1⎫
(2) ⇒ ⎢⎢0 ⎥ ⎪ ⎪ ⎪ ⎪
()
⎪ ⎪ ⎪
− 8 0 ⎥ ⎨ x 2 ⎬ = ⎨0⎬ ↑ ⇒ ⎨ x 2 = 0 d’où X = ⎨0⎬
⎢⎣0 0 − 1⎥⎦ ⎪⎩ x3 ⎪⎭ ⎪⎩0⎪⎭ ⎪x =1
⎩ 1
⎪0⎪
⎩ ⎭
n
det ( A) = det (LU ) = det (L ) det (U ) = 1. det (U ) = ∏ U ii ,
i =1
n
det ( A) = det (U ) = ∏ U ii = 1. − 8. − 1 = 8
i =1
Page 9
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡ 2 −5 1 ⎤
A[3] = ⎢⎢− 1 3 − 1⎥⎥ , det (A[3] ) = 4 ≠ 0
⎢⎣ 3 − 4 2 ⎥⎦
Les sous matrices de A sont régulière, la matrice A admet une décomposition LU unique.
On pose
⎡1 0 0⎤ ⎡U 11 U 12 U 13 ⎤
L = ⎢ L21 1 0⎥ , U = ⎢⎢ 0 U 22 U 23 ⎥⎥
⎢ ⎥
⎢⎣ L31 L32 1⎥⎦ ⎢⎣ 0 0 U 33 ⎥⎦
⎡ 2 −5 1 ⎤ ⎡ 1 0 0⎤ ⎡U 11 U 12 U 13 ⎤
⎢ ⎥
A = LU ⇔ ⎢− 1 3 − 1⎥ = ⎢ L21 1 0⎥⎥ ⎢⎢ 0 U 22 U 23 ⎥⎥
⎢
⎢⎣ 3 − 4 2 ⎥⎦ ⎢⎣ L31 L32 1⎥⎦ ⎢⎣ 0 0 U 33 ⎥⎦
Par identification, on arrive à déterminer les éléments des deux matrices L et U .
⎧ U 11 = 2 ⎧ L21U 11 = −1 ⎧ L21 = − 1 2 ⎧ L31U 11 = 3 ⎧ L31 = 3 2
⎪ ⎪ ⎪ ⎪ ⎪
⎨U 12 = −5 , ⎨ L21U 12 + U 22 = 3 ⇒ ⎨ U 22 = 1 2 , ⎨ L31U 12 + L32U 22 = −4 ⇒ ⎨ L32 = 7
⎪ U = 1 ⎪ L U + U = −1 ⎪U = − 1 2 ⎪ L U + L U + U = 2 ⎪U =4
⎩ 13 ⎩ 21 13 23 ⎩ 23 ⎩ 31 13 32 23 33 ⎩ 33
Finalement :
⎡ 1 0 0⎤ ⎡2 − 5 1 ⎤
L = ⎢− 1 2 1 0⎥ , U = ⎢0 1 2 − 1 2⎥⎥
⎢ ⎥ ⎢
⎢⎣ 3 2 7 1⎥⎦ ⎢⎣0 0 4 ⎥⎦
2-Résoudre le système : AX = b où
⎡ 2 −5 1 ⎤ ⎛ x1 ⎞ ⎛ 12 ⎞
⎢ ⎥ ⎜ ⎟ ⎜ ⎟
A = ⎢− 1 3 − 1⎥ , X = ⎜ x 2 ⎟ et b = ⎜ − 8 ⎟
⎢⎣ 3 − 4 2 ⎥⎦ ⎜x ⎟ ⎜ 16 ⎟
⎝ 3⎠ ⎝ ⎠
⎧ LY = b
On a AX = b ⇔ LUX = b ⇔ ⎨
⎩UX = Y
On a LY = b
⎡ 1 0 0⎤ ⎧Y1 ⎫ ⎧ 12 ⎫ ⎧ Y1 = 12
⎢− 1 2 1 0⎥ ⎪Y ⎪ = ⎪− 8⎪ ⇒ ⎪Y = −2
⎢ ⎥⎨ 2 ⎬ ⎨ ⎬ ⎨ 2
⎢⎣ 3 2 7 1⎥⎦ ⎪⎩Y3 ⎪⎭ ⎪⎩ 16 ⎪⎭ ⎪⎩ Y3 = 12
Et UX = Y
⎡2 − 5 1 ⎤ ⎧ X 1 ⎫ ⎧ 12 ⎫ ⎧ X 3 = 3 ⎧ X1 = 2
⎢0 1 2 − 1 2⎥ ⎪ X ⎪ = ⎪− 2⎪ ⇒ ⎪ X = −1 ⇒ ⎪ X = −1
⎢ ⎥⎨ 2 ⎬ ⎨ ⎬ ⎨ 2 ⎨ 2
⎢⎣0 0 ⎥ ⎪ ⎪ ⎪ ⎪ ⎪
4 ⎦ ⎩ X 3 ⎭ ⎩ 12 ⎭ ⎩ X 1 = 2 ⎪ X =3
⎩ 3
On pose A. A −1 = I 3 ⇒ LUA −1 = I 3
Page 10
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡ 1 0 0⎤ ⎡ 2 − 5 1 ⎤ ⎡V11 V12 V13 ⎤ ⎡1 0 0⎤
⎢− 1 2 1 0⎥ ⎢0 1 2 − 1 2⎥ ⎢V ⎥ ⎢ ⎥
⎢ ⎥⎢ ⎥ ⎢ 21 V22 V23 ⎥ = ⎢0 1 0⎥
⎢⎣ 3 2 7 1⎥⎦ ⎢⎣0 0 4 ⎥⎦ ⎢⎣V31 V32 V33 ⎥⎦ ⎢⎣0 0 1⎥⎦
⎧⎡ 1 0 0⎤ ⎡ 2 −5 1 ⎤ ⎧V11 ⎫ ⎧1⎫
⎪⎢ ⎪ ⎪ ⎪ ⎪
⎪ ⎢− 1 2 1 0⎥⎥ ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V21 ⎬ = ⎨0⎬
⎪ ⎢⎣ 3 2 7 1⎥⎦ ⎢⎣0 0 4 ⎥⎦ ⎪⎩V31 ⎪⎭ ⎪⎩0⎪⎭
⎪
⎪⎪⎡ 1 0 0⎤ ⎡ 2 −5 1 ⎤ ⎧V12 ⎫ ⎧0⎫
⎪ ⎪ ⎪ ⎪
⇒ ⎨⎢⎢− 1 2 1 0⎥⎥ ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V22 ⎬ = ⎨1⎬
⎪⎢ 3 2 1⎥⎦ ⎢⎣0 4 ⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩0⎪⎭
⎪⎣
7 0
⎪⎡ 1 0 0⎤ ⎡ 2 −5 1 ⎤ ⎧V13 ⎫ ⎧0⎫
⎪ ⎢− 1 2 ⎪ ⎪ ⎪ ⎪
1 0⎥⎥ ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V23 ⎬ = ⎨0⎬
⎪⎢
⎪⎩⎢⎣ 3 2 7 1⎥⎦ ⎢⎣0 0 4 ⎥⎦ ⎪⎩V33 ⎪⎭ ⎪⎩1⎪⎭
⎧⎡ 1 0 0⎤ ⎧Y11 ⎫ ⎧1⎫ ⎡2 −5 1 ⎤ ⎧V11 ⎫ ⎧Y11 ⎫
⎪⎢ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪
⎪ ⎢− 1 2 1 0⎥⎥ ⎨Y21 ⎬ = ⎨0⎬ et ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V21 ⎬ = ⎨Y21 ⎬
⎪ ⎢⎣ 3 2 7 1⎥⎦ ⎪⎩Y31 ⎪⎭ ⎪⎩0⎪⎭ ⎢⎣0 0 4 ⎥⎦ ⎪⎩V31 ⎪⎭ ⎪⎩Y31 ⎪⎭
⎪
⎪⎪⎡ 1 0 0⎤ ⎧Y12 ⎫ ⎧0⎫ ⎡2 −5 1 ⎤ ⎧V12 ⎫ ⎧Y12 ⎫
⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪
⇒ ⎨⎢⎢− 1 2 1 0⎥⎥ ⎨Y22 ⎬ = ⎨1⎬ et ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V22 ⎬ = ⎨Y22 ⎬
⎪⎢ 3 2 1⎥⎦ ⎪⎩Y32 ⎪⎭ ⎪⎩0⎪⎭ ⎢⎣0 4 ⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩Y32 ⎪⎭
⎪⎣
7 0
⎪⎡ 1 0 0⎤ ⎧Y13 ⎫ ⎧0⎫ ⎡2 −5 1 ⎤ ⎧V13 ⎫ ⎧Y13 ⎫
⎪ ⎢− 1 2 ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪
1 0⎥⎥ ⎨Y23 ⎬ = ⎨0⎬ et ⎢⎢0 1 2 − 1 2⎥⎥ ⎨V23 ⎬ = ⎨Y23 ⎬
⎪⎢
⎩⎪ ⎢⎣ 3 2 7 1⎥⎦ ⎪⎩Y33 ⎪⎭ ⎪⎩1⎪⎭ ⎢⎣0 0 4 ⎥⎦ ⎪⎩V33 ⎪⎭ ⎪⎩Y33 ⎪⎭
⎧ ⎧Y11 ⎫ ⎧1⎫ ⎧V11 ⎫ ⎧ 1 2 ⎫
⎪⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪
⎪ ⎨Y21 ⎬ = ⎨0⎬ et ⎨V21 ⎬ = ⎨ − 1 4 ⎬
⎪ ⎪⎩Y31 ⎪⎭ ⎪⎩0⎪⎭ ⎪V ⎪ ⎪− 5 4⎪
⎩ 31 ⎭ ⎩ ⎭
⎪
⎪⎪⎧⎪Y12 ⎫⎪ ⎧⎪0⎫⎪ ⎧V12 ⎫ ⎧ 3 2 ⎫
⎪ ⎪ ⎪ ⎪
⇒ ⎨⎨Y22 ⎬ = ⎨1⎬ et ⎨V22 ⎬ = ⎨ 1 4 ⎬
⎪⎪Y ⎪ ⎪0⎪ ⎪V ⎪ ⎪− 7 4⎪
⎪⎩ 32 ⎭ ⎩ ⎭ ⎩ 32 ⎭ ⎩ ⎭
⎪ ⎧Y13 ⎫ ⎧0⎫ ⎧V13 ⎫ ⎧1 2⎫
⎪ ⎪Y ⎪ = ⎪0⎪ ⎪ ⎪ ⎪ ⎪
⎪ ⎨ 23 ⎬ ⎨ ⎬
et ⎨V23 ⎬ = ⎨1 4⎬
⎪⎩ ⎪⎩Y33 ⎪⎭ ⎪⎩1⎪⎭ ⎪V ⎪ ⎪1 4⎪
⎩ 33 ⎭ ⎩ ⎭
⎡ 1/ 2 3 / 2 1 / 2⎤
Finalement : A = ⎢ − 1 / 4 1 / 4 1 / 4⎥⎥
⎢
−1
⎢⎣− 5 / 4 − 7 / 4 1 / 4⎥⎦
Page 11
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.2.3-Méthode de Cholesky :
Soit A une matrice carrée d’ordre n tel que A = (aij )1≤i , j ≤ n
Définition :
1- La matrice A est dite symétrique si elle coïncide avec sa transposée.
A = A t ⇔ aij = a ji , i, j = 1, n
2- La matrice A est dite définie positive si
i- V t AV ≥ 0 , ∀V ∈ R n
ii- V t AV = 0 ⇔ V = 0 R n
Si les deux conditions (1) et (2) sont vérifiées, alors A est appelée Matrice Symétrique
Définie Positive. (S.D.P)
Théorème :
La matrice A est définie positive si et seulement si tous ses mineurs :
⎡a a12 ⎤
∆ 1 = a11 , ∆ 2 = det ⎢ 11 ⎥ ; … ;, ∆ n −1 = det (A[n −1] ) ; ∆ n = det ( A) sont strictement
⎣a 21 a 22 ⎦
positifs.
Théorème de Cholesky :
Soit A une matrice carrée d’ordre n , non singulière et symétrique. Pour qu’il existe
une matrice triangulaire inférieure L , de même dimension que A , telle que A = L.Lt , il faut
et il suffit que A soit une matrice définie positive.
Remarque : La matrice L n’est pas unique. La décomposition devient unique si l’on fixe à
l’avance les éléments diagonaux Lii avec Lii > 0
Algorithme de décomposition :
Afin d’obtenir les éléments Lij de la matrice L , on multiplie les matrices L et Lt , puis
on identifie les coefficients respectifs dans l’égalité A = L.Lt pour obtenir les équations :
⎧ L11 = a11
⎪ i −1
⎪ L = a − L2 , i = 2, n
⎪ ii ii ∑
k =1
ik
⎨
⎪ L = 1 ⎡a − L L ⎤ , i > j
j −1
⎪ ij L jj ⎢⎣ ij ∑ k =1
ik jk ⎥
⎦
⎪
⎩ Lij = 0 , i < j
Résolution du système AX = b
La résolution du système AX = b revient à résoudre :
⎧ LY = b
AX = b ⇔ LLt X = b ⇔ ⎨ t
⎩L X = Y
D’où on obtient
Page 12
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ b1
⎪⎪ Y1 =
L11
⎨
⎪Yi = 1 ⎡ i −1
⎤
⎢ i ∑ Lik Yk ⎥ ; i = 2, n
b −
⎩⎪ Lii ⎣ k =1 ⎦
Et
⎧ Yn
⎪⎪ Xn =
Lnn
⎨
⎪X i = 1 ⎡ n
⎤
⎢ i ∑ Lki X k ⎥ ; i = 1, n − 1
Y −
⎩⎪ Lii ⎣ k =i +1 ⎦
Calcul du déterminant de A
2
⎡ n ⎤
t
( t
) ( )
A = L.L ⇒ det ( A) = det L.L = det (L ). det L = [det (L )] t 2
= ⎢∏ Lii ⎥
⎣ i =1 ⎦
Exemple :
On considère la matrice :
⎡1 −3 5 1⎤
⎢− 3 13 − 19 − 3⎥
A=⎢ ⎥
⎢ 5 − 19 38 2⎥
⎢ ⎥
⎣1 −3 2 18 ⎦
La matrice A est symétrique : A = A t
La matrice A est définie positive :
On a les déterminants des mineurs de A qui sont tous positifs :
A[1] = [1] , det (A[1] ) = 1 > 0
⎡ 1 − 3⎤
A[2 ] = ⎢ ⎥ , det (A[2 ] ) = 4 > 0
⎣− 3 13 ⎦
⎡1 −3 5 ⎤
A[3] = ⎢− 3 13 − 19⎥⎥ , det (A[3] ) = 36 > 0
⎢
⎢⎣ 5 − 19 38 ⎥⎦
⎡1 −3 5 1⎤
⎢− 3 13 − 19 − 3⎥⎥
A[4 ] = ⎢ , det ( A4 ) = 30 > 0
⎢5 − 19 38 2⎥
⎢ ⎥
⎣1 −3 2 18 ⎦
La matrice A est une matrice symétrique définie positive, elle admet une décomposition
A = L.Lt
⎡ L11 0 0 0 ⎤
⎢L L22 0 0 ⎥⎥
On pose : L = ⎢ 21 tel que : Lii > 0, i = 1, 4
⎢ L31 L32 L33 0 ⎥
⎢ ⎥
⎣ L41 L42 L43 L44 ⎦
Page 13
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Calcul des Lij
On a
⎡ L11 0 0 0 ⎤ ⎡ L11 L21 L31 L41 ⎤ ⎡ 1 −3 5 1⎤
⎢L L22 0 0 ⎥⎥ ⎢⎢ 0 L22 L32 ⎥
L42 ⎥ ⎢− 3 13 − 19 − 3⎥⎥
⎢
L.L = A ⇔ ⎢ 21
t
=
⎢ L31 L32 L33 0 ⎥⎢ 0 0 L33 L43 ⎥ ⎢ 5 − 19 38 2⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ L41 L42 L43 L44 ⎦ ⎣ 0 0 0 L44 ⎦ ⎣ 1 −3 2 18 ⎦
D’où
L11 = a11 = 1 = 1
a12
L11 .L21 = a12 = −3 ⇔ L21 = = −3
L11
a
L11 .L31 = a13 = 5 ⇔ L31 = 13 = 5
L11
a
L11 .L41 = a14 = 1 ⇔ L41 = 14 = 1
L11
L221 + L222 = a 22 = 13 ⇔ L22 = a 22 − L221 = 13 − 9 = 2
(a − L21 L31 ) − 19 + 15
L21 L31 + L22 L32 = a 23 = −19 ⇔ L32 = 23 = = −2
L22 2
(a − L21 L41 ) − 3 + 3
L21 L41 + L22 L42 = a 24 = −3 ⇔ L42 = 24 = =0
L22 2
L231 + L232 + L233 = a33 = 38 ⇔ L33 = a33 − L231 − L232 = 38 − 25 − 4 = 3
a34 − L41 L31 − L42 L32 2 − 5
L41 L31 + L42 L32 + L43 L33 = a34 = 2 ⇔ L43 = = = −1
L33 3
L241 + L242 + L243 + L244 = a 44 = 18 ⇔ L44 = a 44 − L241 − L242 − L243 = 18 − 1 − 0 − 1 = 4
Finalement :
⎡1 0 0 0⎤ ⎡1 − 3 5 1⎤
⎢− 3 2 0 0⎥⎥ ⎢0 2 − 2 0 ⎥
L=⎢ et Lt = ⎢ ⎥
⎢ 5 −2 3 0⎥ ⎢0 0 3 − 1⎥
⎢ ⎥ ⎢ ⎥
⎣1 0 −1 4⎦ ⎣0 0 0 4⎦
Page 14
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.3-Méthodes Itératives :
Définitions :
- Soit A une matrice carrée d’ordre n . An ,n .
n
• On appelle trace de A le scalaire noté : tra ( A) = ∑ aii
i =1
Propositions :
1- Si A est symétrique, alors toutes les valeurs propres de A sont réelles, de plus si A
est définie positive, alors les valeurs propres de A sont toutes positives.
2- On suppose que A est une matrice à diagonale strictement dominante (D.D.S), alors
les valeurs propres de A sont non nulles.
Conséquences : A est une matrices à diagonale strictement dominante ⇒ det ( A) ≠ 0 ,
l’inverse de A existe.
Normes Matricielles :
On appelle norme matricielle toute application de M m (R ) dans R + qui satisfait les
axiomes suivants :
• M m (R ) → R +
A→ A
norme de A
I. A ≥ 0 de plus A = 0 si et seulement si A = 0 .
II. λA = λ A ∀λ ∈ R , ∀A
III. A + B ≤ A + B , ∀A et ∀B
IV. A.B ≤ A . B , ∀A et ∀B
Page 15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Application :
⎡− 1 1 0 ⎤
A = ⎢ 0 − 3 − 2⎥⎥
⎢
⎢⎣ 2 − 1 − 2⎥⎦
A3= A ∞
= max ( ai1 + ai 2 + ai 3 )
1≤i ≤3
A3= A ∞
= max ( a11 + a12 + a13 ; a 21 + a 22 + a 23 ; a31 + a 32 + a33 )
A3= A ∞
= max(1 + 1; 3 + 2; 2 + 1 + 2 ) = max(2; 5; 5) = 5
Proposition :
Soit A une matrice carrée d’ordre n , alors ρ ( A) ≤ A
Lorsque l’ordre n d’un système algébrique linéaire est très grand, la résolution du
système par les méthodes directes (Gauss, LU, Cholesky, ….) devient assez compliqué. On
fait appel aux méthodes dites itératives ou indirectes, sous réserve de convergence. Le
( )
principe de ces méthodes consiste à définir une suite de valeurs X (k ) convergentes vers la
solution exacte ( X ) du système AX = b .
Définition :
Une méthode itérative de résolution du système AX = b consiste d’abord à passer au
système X = αX + β (que l’on déterminera) et sa solution est alors la limite de la suite définie
par : X k +1 = αX k + β , X 0 étant une approximation initiale.
Remarque : Les méthodes itératives sont généralement utilisées lorsque l’ordre du système
est supérieur à 100 (n ≥ 100 ) et si la matrice A contient beaucoup d’éléments nuls.
Les méthodes itératives sont :
1- La méthode de Jacobi ;
2- La méthode de Gauss-Seidel.
(aij )
II.3.1-Méthode de Jacobi :
On suppose que les aii ≠ 0 , ∀ i = 1, n où A =
1≤ i , j ≤ n
Page 16
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ x1 = β 1 + 0 x1 + α 12 x 2 + α 13 x3 + • • • +α 1n −1 x n −1 + α 1n x n
⎪ x = β + α x + 0 x + α x + • • • +α x + α x
⎪ 2 2 21 1 2 23 3 2 n −1 n −1 2n n
⎪ x3 = β 3 + α 31 x1 + α 32 x 2 + 0 x3 + • • • +α 3n −1 x n −1 + α 3n x n
⎪
⎪ •
⎨
⎪ •
⎪ •
⎪
⎪
⎪ x = β + α x + α x + α x + • • • +α x + 0 x
⎩ n n n1 1 n2 2 n3 3 nn −1 n −1 n
Où
⎧ aij
b ⎪α ij = − , i ≠ j , i, j = 1, n
β i = i , i = 1, n et ⎨ aii
aii ⎪α = 0,
⎩ ii i = 1, n
Le système réduit ainsi obtenu s’écrit sous forme matricielle comme suit :
X = αX + β
Où
α = (α ij ), β = (β i )
⎡ 0 α 12 α 13 • • • α 1n −1 α 1n ⎤ ⎧ β1 ⎫
⎢α 0 α 23 • • • α 2 n −1 α 2 n ⎥⎥ ⎪β ⎪
⎢ 21 ⎪ 2⎪
⎢α α 32 0 • • • α 3n −1 α 3n ⎥ ⎪⎪ β ⎪⎪
α = ⎢ 31 ⎥, β = ⎨ 3⎬
⎢ • • • • • ⎥ ⎪•⎪
⎢ • • • • • ⎥ ⎪•⎪
⎢ ⎥ ⎪ ⎪
⎣⎢α n1 α n 2 α n 3 • • • α n −1n 0 ⎦⎥ ⎩⎪β n ⎭⎪
α = (α ij ) est la matrice de Jacobi.
Conclusion : Le système AX = b devient équivalent au système réduit X = αX + β
AX = b ⇔ X = αX + β (Forme récursive)
A partir du système X = αX + β , en partant d’une approximation initiale arbitraire X (0 ) , on
résout le système :
X (k +1) = αX (k ) + β ; k ∈ N
Si la suite des approximations X (0 ) , X (1) ,…, X (k ) ,…possède une limite X = lim X (k ) ,
k →∞
cette limite est solution du système X = αX + β et donc du système AX = b .
En effet, il suffit de passer à la limite dans le système X (k +1) = αX (k ) + β pour obtenir :
( k +1) (k )
lim X = α lim X + β ⇔ X = αX + β ⇔ AX = b
k →∞ k →∞
Page 17
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Algorithme de la méthode :
Ecrivons le système X (k +1) = αX (k ) + β sous forme développée :
n
⎡ n
⎤
1 ⎢ (k ) ⎥
X ( k +1)
= αX (k )
+ β ⇔ xi ( k +1)
= ∑ α ij x j + β i , i = 1, n ⇔ xi
(k ) ( k +1)
= bi − ∑ aij x j , i = 1, n
j =1 aii ⎢ j =1
⎥
j ≠i ⎣⎢ j ≠i ⎦⎥
D’où l’algorithme de Jacobi :
⎧
⎪
⎪ (0 )
⎪ X donné
⎪
⎨
⎪ ⎡ ⎤
⎪ (k +1) 1 ⎢ n
(k ) ⎥
⎪ xi = bi − ∑ aij x j , i = 1, n
aii ⎢ ⎥
⎪⎩ ⎣⎢
j =1
j ≠i ⎦⎥
Critère d’arrêt :
En pratique, les itérations vont jusqu’à atteindre la précision ε donnée au préalable,
qui se traduit par :
xi(k +1) − xi(k ) ≤ ε , i = 1, n
Convergence de la méthode de Jacobi :
Théorème :
Une condition nécessaire et suffisante pour que l’algorithme de Jacobi converge,
indépendamment de la condition initiale X (0 ) , est que ρ (α ) < 1 où ρ (α ) = max λi ,
1≤i ≤ n
λi : valeur propre de α
Remarque :
1- Le calcul de ρ (α ) est très compliqué, il suffit alors de vérifier si α < 1 , puisque
ρ (α ) ≤ α
2- La méthode de Jacobi converge si l’une des conditions suivantes est vérifiée :
α 1 <1
α 2
<1
α 3
= α ∞
<1
3- Si A est une matrice à diagonale dominante stricte (DDS) alors la méthode de Jacobi
converge.
Page 18
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.3.2-Méthode de Gauss-Seidel :
Soit le système AX = b où
1- Algorithme de Jacobi :
On a A = D − E − F d’où
AX = b ⇔ (D − E − F )X = b ⇔ DX = (E + F )X + b
Et de là on obtient :
Dx (k +1) = (E + F )x (k ) + b
ou encore
x (k +1) = D −1 (E + F )x (k ) + D −1b Formule de Jacobi
x ( k +1)
= αx + β où α = D (E + F ) et β = D −1b
(k ) −1
Page 19
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡ 0 − a12 a11 − a13 a11 ••• − a1n −1 a11 − a1n a11 ⎤
⎢− a a 0 − a 23 a 22 ••• − a 2 n −1 a 22 − a 2 n a 22 ⎥⎥
⎢ 21 22
⎢ − a31 a33 − a32 a33 0 ••• − a3n −1 a33 − a3n a33 ⎥
D −1 (E + F ) = ⎢ ⎥ =α
⎢ • • • • • ⎥
⎢ • • • • • ⎥
⎢ ⎥
⎢⎣− a n1 a nn − a n 2 a nn − a n 3 a nn • • • − a n _ 1n a nn 0 ⎥⎦
Ainsi, on aboutit à l’algorithme de Jacobi.
Remarque : On peut noter α par J d’où
x (k +1) = Jx (k ) + β
2- Algorithme de Gauss-Seidel :
Une autre décomposition de A , autre que celle développée ci-dessus, permet d’aboutir
à la méthode de Gauss-Seidel :
On a :
AX = b ⇔ (D − E − F )X = b ⇔ (D − E )X = FX + b
D’où
(D − E )x (k +1) = Fx (k ) + b
ou encore
x (k +1) = (D − E ) Fx (k ) + (D − E ) b Formule de Gauss-Seidel
−1 −1
Algorithme de Gauss-Seidel :
⎧
⎪ X (0 ) donné
⎪⎪
⎨
⎪ (k +1) 1 ⎡ i −1 n ⎤
⎢ i ∑ aij x j − ∑a
( k +1)
⎪ xi = b − ij x (jk ) ⎥ , i = 1, n
⎩⎪ a ii ⎣ j =1 j =i +1 ⎦
Remarque :
1- La matrice de Gauss-Seidel, notée G s est donnée par : G s = (D − E ) F
−1
Page 20
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple 1 :
On considère le système AX = b
⎡ 3 1⎤ ⎧x ⎫ ⎧5⎫
Où A=⎢ ⎥ ; X = ⎨ 1⎬ ; b = ⎨ ⎬
⎣− 1 4⎦ ⎩ 2⎭
x ⎩- 6⎭
1-Calculer la matrice G de Gauss-Seidel associée au système.
2- En partant de la relation AX = b , montrer que (D − E )−1 b = X − GX .
Solution 1:
1-Calcul de la matrice de Gauss-Seidel G associée au système :
On pose A = D − E − F
⎡3 0 ⎤ ⎡0 0 ⎤ ⎡0 − 1⎤
D=⎢ ⎥ , E=⎢ ⎥ et F = ⎢ ⎥
⎣0 4 ⎦ ⎣1 0 ⎦ ⎣0 0 ⎦
On a G = (D − E ) F
−1
⎡1 ⎤
⎡ 3 0⎤ ⎢ 0⎥
, (D − E ) = ⎢ 3
−1
D−E = ⎢ ⎥
⎣ − 1 4⎦ 1 1⎥
⎢ ⎥
⎣12 4 ⎦
⎡1 ⎤ ⎡ 1⎤
⎢ 3 0 ⎥ ⎡0 − 1⎤ ⎢0 − 3 ⎥
G = (D − E ) F = ⎢
−1
G=⎢
1 1 ⎥ ⎢⎣0 0 ⎥⎦ 1⎥
,
⎢ ⎥ ⎢0 − ⎥
⎣12 4 ⎦ ⎣ 12 ⎦
2-On pose A = D − E − F
Où
⎡3 0 ⎤ ⎡0 0 ⎤ ⎡0 − 1⎤
D=⎢ ⎥ , E=⎢ ⎥ ; A=⎢ ⎥
⎣0 4 ⎦ ⎣1 0⎦ ⎣0 0 ⎦
=> (D − E )−1 b = X − GX
On écrit le processus itératif :
X ( K +1) − GX ( K ) = (D − E ) b => X ( K +1) − X ( K ) − GX ( K ) = (D − E ) b − X ( K )
−1 −1
(a)
X − GX = (D − E ) b => X − X − GX = (D − E ) b − X
(K ) (K )
−1 −1
(b)
‘a)=(b) => X ( K +1) − X ( K ) = X ( K ) − X − GX + GX ( K )
( )
X ( K +1) − X ( K ) = −( I − G ) X ( K ) − X
Page 21
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple 2:
On considère le système AX = b , où la matrice A est définie de la façon suivante :
⎡1 2(1 − β ) 0⎤
A = ⎢⎢1 2 0⎥⎥
⎢⎣0 0 1⎥⎦
et β est un paramètre réel.
1-Sans calculer les matrices d’itération, donner une condition suffisante sur le paramètre β
pour que les méthodes de Gauss-Seidel et de Jacobi soient convergentes.
2-Calculer les matrices d’itération J pour la méthode de Jacobi et G pour la méthode de
Gauss-Seidel.
3- Etablir pour quelles valeurs de β les méthodes sont convergentes. Quelle est la méthode
qui converge le plus rapidement.
Solution 2:
1- On sait que si la matrice A est une matrice à diagonale dominante stricte par ligne, alors
les méthodes de Gauss-Seidel et de Jacobi sont convergentes. Pour satisfaire cette condition, il
faut imposer :
1 > 2(1 − β ) ==> < β <
1 3
2 2
⎢⎣0 0 0⎥⎦
Page 22
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
La méthode qui converge le plus rapidement.
On voit que ρ (G ) = ρ 2 ( J ) ==> La méthode de Gauss-Seidel converge plus vite que celle de
Jacobi.
2-Calculer le rayon spectral des deux matrices d’itération et établir si les deux méthodes sont
convergentes. De quelles méthodes s’agit-il ? Au vu des rayons spectraux calculés, quelle est
la méthode la plus rapide ?
3-Résoudre le système linéaire AX = b avec une précision ε = 10 −6 , en utilisant les deux
⎧0⎫
⎪0⎪
(0 ) ⎪ ⎪
méthodes et le vecteur initial X = ⎨ ⎬
⎪0⎪
⎪⎩0⎪⎭
Exemple 4 :
Soit la matrice
⎡1 a a ⎤
A = ⎢⎢a 1 a ⎥⎥
⎢⎣a a 1 ⎥⎦
1- Pour quelles valeurs de a la matrice A est-elle définie positive ?
2- Ecrire la matrice J de l’itération de Jacobi
3- Pour quelles valeurs de a la méthode de Jacobi converge-t-elle ?
4- Ecrire la matrice G de l’itération de Gauss-Seidel.
5- Calculer ρ (G ) . Pour quelles valeurs de a la méthode de Jacobi converge-t-elle plus
vite que celle de Jacobi ?
Page 23
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple : Soit le système AX = b où :
⎡1 2 3 4⎤
⎢5 6 7 8⎥
A=⎢ ⎥
⎢ 9 10 11 12⎥
⎢ ⎥
⎣13 14 15 16⎦
1- Ecrire la matrice J de l’itération de Jacobi
2- Ecrire la matrice G s de l’itération de Gauss-Seidel
Solution :
On écrit la matrice A sous la forme A = D − E − F où
⎡1 0 0 0⎤ ⎡ 0 0 0 0⎤ ⎡0 − 2 − 3 − 4 ⎤
⎢0 6 0 0⎥ ⎥ ⎢ −5 0 0 ⎥
0⎥ ⎢0 0 − 7 − 8 ⎥
D=⎢ , E=⎢ , F=⎢ ⎥
⎢0 0 11 0 ⎥ ⎢ − 9 − 10 0 0⎥ ⎢0 0 0 − 12⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 0 16⎦ ⎣− 13 − 14 − 15 0⎦ ⎣0 0 0 0 ⎦
Où
G s = (D - E ) F et β 1 = (D - E ) b
-1 -1
On écrit : G s = (D - E ) F = (D - E ) (D - E - A ) = (D - E ) (D - E ) − (D - E ) A
-1 -1 -1 -1
G s = I − (D - E ) A
-1
Page 24
Université Paris Dauphine
Département MIDO DU MI2E 2ème année
– Exercice Td2-1
Mk N k = −− −− −− −−
On−k−1 | Mk+1 On−k−1 | Nk+1
= −− −−
On−k−1 | Mk+1 Nk+1
p. 1
Université Paris Dauphine
Département MIDO DU MI2E 2ème année
et le produit Mn−1 Nn−1 = [mn,n nn,n ] est bien une matrice triangulaire supérieure. Ceci
montre bien que le produit de deux matrices triangulaires supérieures est triangulaire
supérieure.
3. Supposons que t11 6= 0 et que T1 est inversible. On va montrer qu’il est alors possible de
construire une matrice M telle que T M = In ou :
m1,1 | m01 0
t1,1 | t1 1 | On−1
−− −− −− −− −− −−
0 0 0
=
.. .. ..
| T1 . | M1 . | In−1
.
0 0 0
−1
t1,1 m11 = 1 d’où m,11 = t11
On doit avoir : t1,1 m01 + t01 M1 = 00n−1
T1 M1 = In−1 d’où M1 = T1−1
On reporte les valeurs trouvées dans la seconde équation pour obtenir m01 = t−1 t0 T −1 .
11 1 1
Une matrice triangulaire sup. T telle que t11 6= 0 et que T1 est inversible et son inverse T −1
a la forme suivante :
1/t1,1 | t−1 t0 T −1
1,1 1 1
T−1 = −− −−
−1
On−1 | T1
4. La démonstration de la question précédente ne suffit pas pour affirmer que que t1,1 6= 0 et
T1 inversible est une condition nécessaire et suffisante d’inversibilité.
Cependant, supposons T inversible, alors il existe une matrice M carrée d’ordre n telle que
T M = M T = In . Décomposons M en quatre blocs compatibles avec la décomposition de
T :
m1,1 | m01 t1,1 | t01 m1,1 t11 | m1,1 t01 + m01 T1 0
1 | On−1
−− −− −− −− = −− −− = −− −−
m1 | M1 On−1 | T1 0
m1 t1,1 | m1 t1 + M1 T1 On−1 | In−1
On en déduit que :
– On décompose T = −− −−
On−1 | T1
T est inversible si et seulement si t11 6= 0 et T1 inversible.
Université Paris Dauphine
Département MIDO DU MI2E 2ème année
t2,2 | t2
– On décompose T1 = −− −−
On−2 | T2
T1 est inversible si et seulement si t22 6= 0 et T2 inversible. Donc T est inversible si et
seulement si t1,1 6= 0, t22 6= 0 et T2 inversible.
– On décompose T2 à son tour. Un raisonnement semblable à celui de l’alinea précédent
montre que T est inversible si et seulement si t1,1 6= 0, t,22 6= 0, t3,3 6= 0 et T3 inversible.
– Au bout de n − 1 étapes le bloc Tn−1 ne comporte qu’un seul élément tn,n . Tn−1 est
inversible si tn,n 6= 0. On en déduit donc que T est inversible si et seulement si t1,1 6=
0, t2,2 6= 0, · · · , tn,n 6= 0.
Supposons que tous les termes diagonaux sont différents de zéro et montrons que la ma-
trice inverse de T est également triangulaire supérieure. Pour cela on va “remonter” le
raisonnement précédent.
– Tn−1 = tnn est un nombre et son inverse est 1/tnn .
tn−1,n−1 tn−1n
– Tn−2 est la matrice d’ordre deux .
0 tnn
On peut calculer son inverse par les formules trouvées à la question 4 :
−1 1/tn−1,n−1 −tn−1,n /(tn−1,n−1 tn,n )
Tn−2 =
0 1/tn,n
0 0 0 1
1 1 1 −1
T3 = 1 T3−1 = 1 T2 = T2−1 =
0 1 0 1
1 −1 1 −1
1 1 0 1 −1 1 0 1 −1 1
T1 = 0 1 1 T1−1 = 0 1 −1 d’où T −1 =
0 0 1 −1
0 0 1 0 0 1
0 0 0 1
– Exercice Td2-2
AX1 − AX3 = 0
X2 = AX1 − b
(e01 )
X1 = X3
X2 = AX1 − b (e02 )
(A − 2I3 )X1 = Ab + b (e03 )
2
l1000
1 1 1 0 1 1 = l”1 1 1 1 0 1 1
0 −1 3 2 0 −2 l2000 = l”2 0 −1 3 2 0 −2
l3000
0 0 −3 −1 −1 2 = l”3 0 0 −3 −1 −1 2
0 0 −3 −1 −1 4 l4000 = l”4 − l”3 0 0 0 0 0 2
Le seul terme modifié est en fait ak+1 (car il y a un 0 “au dessus” de ck+1 ) :
bk+1
akk+1 = ak−1
k+1 − ck
ak−1
k
a1 c1 0 0 ··· 0
0 a12 c2 0 0
a23
0 0 c3 0
.. ..
.. ..
. . . .
k
0 akk−1
A =
0 ··· ck ··· 0
0 ··· 0 0 k
ak+1 ck+1 ··· 0
.. .. .. ..
. 0 0 . . .
0 0 0 ··· 0 bn−1 an−1 cn−1
0 0 0 ··· 0 0 bn an
La matrice Ak est encore tridiagonale. l’existence de la décomposition assure que akk+1 est
différent de zéro. Seule la ligne lk+1 a été modifiée, la k ieme colonne de la matrice L est donc
de la forme :
0
..
.
0
1
bk+1
ak−1
k
0
..
.
0
– Q4 - Algorithme et décompte du nombre d’opérations La matrice An−1 est la
matrice U cherchée. Si on note ui et vi les termes diagonaux et sur-diagonaux de U et li les
termes sous-diagonaux de L, on a l’algorithme de calcul suivant :
u1 = a1 ; v1 = c1
for (k = 2 : (n − 1))
bk
lk = ak−1
uk = ak − lk ∗ ck−1
vk = ck
end
ln = abn−1
nk
; vn = an − ln ∗ cn−1
Les étapes 2 à n conduisent à une division, une soustraction et une multiplication, d’où un
coût total de 3n − 3 opérations.
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
RAPPELS
NORMES VECTORIELLES, NORMES MATRICIELLES
et CONDITIONNEMENT
I-NORMES
I.1-NORMES VECTORIELLES
Propriétés : pour tous u , v et α ∈ ℜ
a- v = 0 <=> v = 0
b- α v = α v
c- u + v ≤ u + v
= ∑v = v.v
2
v i
2 i
1 p
⎛ 2⎞
v = ⎜ ∑ vi ⎟
p ⎝ i ⎠
v = max v i
∞ i
Deux normes et ' sont équivalentes s’il existe deux constantes c et c' telles que :
v ' ≤ c v et v ≤ c' v '
I.2-NORMES MATRICIELLES
Remarque : A est bien défini car sup Av est borné en raison de la continuité de
v =1
Page 1/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
-La norme subordonnée A est bien une norme matricielle.
- Pour tout vecteur v , on a Av ≤ A v .
- I =1
Av 1
- A 1 = sup = max ∑ a ij
v≠0 v1 j i
Av
- A ∞
= sup ∞
= max ∑ a ij
v≠0 v ∞ i j
Av
- A 2
= sup 2
= ρ (A * A ) = ρ (AA *) = A * 2
v≠0 v 2
Théorème :
1
Si A est inversible et M est telle que M − A < alors M est inversible.
A −1
I.3- CONDITIONNEMENT :
Sources d’erreurs dans la résolution des problèmes numériques :
Erreurs d’arrondis
Erreurs de troncature dans les méthodes itératives.
Erreurs de mesures dans les données expérimentales.
I.3.1-Conditionnement Matrice :
Soit AX = B et A( X + δX ) = B + δB
D’où AδX = δB , A −1 B = X et A −1δB = δX
On a B = AX ≤ A X d’où X = A −1 B ≤ A −1 B
De même δB ≤ A δX d’où δX ≤ A −1 δB
Finalement
1 δB δX δB
≤ ≤ A A −1
−1 B X B
A A
Page 2/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
On fait maintenant varier A
Soit AX = B et ( A + δA)( X + δX ) = B d’où AδX + δA( X + δX ) = 0
Théorème
1. Soient A une matrice inversible, B un vecteur non nul, et soient X et X + δX les
solutions des systèmes linéaires AX = B et A( X + δX ) = B + δB , alors on a l’inégalité
1 δB δX δB
≤ ≤ cond ( A)
cond ( A) B X B
−1
Supposons maintenant que δA < A −1 alors A −1δA < A −1 δA < 1
On a δX = − A −1δA( X + δX ) et X + δX = I + A −1δA ( ) −1
X
En posant A −1δA = t et A −1 δA = t '
δX ≤ t X + δX ≤ t (I + A −1δA)
−1 t t'
X ≤ X ≤ X
1− t 1 − t'
t
Car la fonction t → est une fonction croissante
1− t
D’où
Théorème
⎛ ⎞
−1 −1
δX δA ⎜ 1 ⎟
Si δA < A alors ≤ cond ( A) ⎜ ⎟
A ⎜
δA ⎟⎠
X −1
⎝1− A
Page 3/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
Propriétés
Pour toute matrice A inversible
1. cond ( A) ≥ 1
cond ( A) = cond ( A −1 )
cond (αA) = cond ( A) pour tout α ≥ 0
⎛ ⎞
2. Si A est une matrice normale ⎜ A A* = A * A ⎟ , en particulier réelle
⎝ ⎠
⎛ ⎞
symétrique ⎜ A t A= t A A ⎟ , alors cond 2 ( A) est égal au rapport de la plus grande à la
⎝ ⎠
plus petite valeur propre de A en valeurs absolues.
⎛ ⎞
3. Si A est une matrice unitaire ⎜ A A* = A * A = I ⎟ ou orthogonale
⎝ ⎠
⎛ ⎞
⎜ réelle et A A= A A = I ⎟ alors cond 2 ( A) = 1
t t
⎝ ⎠
Les systèmes linéaires à matrices orthogonale ou unitaire sont bien conditionnés.
Page 4/4
Université A/MIRA de Béjaia février 2010
Maths 06 Faculté de la Technologie
Département de Tronc commun-ST
Année : 2ème ST
Exercice 1 :
On définit une fonction f par :
e 1
f (x) = ln (x + ) ,
2 x
où la fonction ln représente le logarithme nepérien. On appelle ϕ la courbe
représentative de f dans un repère orthonormé.
1. Donner le domaine de définition de f . Étudier les variations de f sur son domaine
de définition. Étudier sa branche infinie.
2. Séparer graphiquement et algébriquement les racines de f .
3. On pose g(x) = f (x) − x. Étudier le signe de g(x). Déterminer le(s) point(s)
fixe(s) de f .
4. Tracer sur un même graphe la courbe ϕ et la droite y = x.
5. Étudier le comportement et la convergence éventuelle de la suite définie par
U0 ,
Un+1 = f (Un ), n ∈ N.
Exercice 2 :
Soit la matrice suivante
1 1 0 2 1 1
A = 2 1 2 , B = 1 2 1 , et le vecteur b = (4, 4, 4)t
0 1 1 1 1 2
Mr MEZIANI
Université A/MIRA de Béjaia Mars 2010
Maths 06 Faculté de la Technologie
Département de Tronc commun-ST
Année : 2ème ST
Mr MEZIANI
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique
Soit y x 2 3x 5 .
Ecrire un programme Matlab qui dessine y, en pointillées, en fonction de x dans l’intervalle
[-5, 5] avec un pas de x de 0.1.
En utilisant la commande subplot, dessiner sur la même figure, en couleur rouge, z en
fonction de y tel que z y 8 avec y variant d’un pas de 0.2 et z appartenant à l’intervalle
[0, 10].
theta= linspace(-4*pi,4*pi,100) ;
sinc=sin(theta)./theta;
sinus_2=sin(theta).^2;
plot(theta,sin(theta)), hold on
plot(theta,sinus_2)
plot(theta,sinc), hold off
5- La dérivée de la fonction g ( x ) =
(2 − e ) x 2
est g ' ( x ) = 2(e x − 2 )e x 9 . Tracer le graphe de
9
g' (x ) en fonction de x pour 0 ≤ x ≤ 1 et déduire de ce graphe k = max g ' ( x ) .
0≤ x ≤1
n +1
k
6- En utilisant la formule x n +1 − α ≤ x1 − x0 , calculer le nombre d’itérations pour avoir la
1− k
solution approchée x n +1 avec une précision ε = 10 −6 . On donne x0 = 0 ,
(
x1 = g ( x 0 ) = 2 − e x0 )
2
9 . Il faut poser [k n+1 (1 − k )] x1 − x0 ≤ ε .
7- Ecrire un programme scripte qui calcule la solution approchée de F(x)=0 en utilisant
l’algorithme du point fixe suivant :
⎧ x0 = 0
⎪
⎨ (
2 − e xi −1
2
)
i = 1,2,.....
⎪⎩ xi = g ( xi −1 ) = 9
Introduire un teste d’arrêt pour tenir compte de la précision donnée à la question 6.
Page 1
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique
En se basant sur les deux exercices précédents (traités en séances de travaux pratiques),
l’étudiant doit faire un compte rendu sur la méthode de Newton. Ce compte rendu doit être
remis avant la prochaine série de T.P. et sera corrigé par le chargé de T.P.
Enoncé :
π
Soit la fonction F ( x ) = − sin ( x ) + −
x 3
dont on veut calculer les racines par la méthode
2 6 2
de Newton.
⎧ x0 donnée
⎪
⎨ x = x − F ( x k ) k = 1,2,....
⎪⎩ k +1 F ' (xk )
k
Page 2