Académique Documents
Professionnel Documents
Culture Documents
Méthodes numériques
pour l’ingénieur
Introduction :
vecteurs, matrices
et applications linéaires
Opérations sur les vecteurs
x1 0
n
Vecteur x
x = xi = ∑ xi bi bi = 1 x ∈ Rn
base (canonique) i =1
bi , i=1,n x 0
n
espace vectoriel V
sur le corps des réels ∀x, y ∈ V , ∀λ , µ ∈ R λx + µy ∈ V
k
combinaison linéaire soient ( xi ∈ V )i = 1, k ∑ i i αi ∈ R
α x
i =1
k
sous espace vectoriel W = y ∈ V ∃α i ∈ R, y = ∑ α i xi s.e.v. de V
i =1
k
base, dimension noyau de W : ker(W ) = y ∈ W ∑ α i xi = 0
i =1
Opérations sur les vecteurs
Somme z = x+ y zi = xi + yi
multiplication ?
vecteurs orthogonaux {y ∈ R n ( x, y) = 0}
Normes et produit scalaire
n( x) ≥ 0 positivité
n : E → R+ n( x ) = 0 ⇔ x = 0
norme : vérifiant
x n( x ) n(λx) = λ n( x)
n( x + y ) ≤ n( x) + n( y )
exemples E = R n ;
n n n
x =∑ = ∑ xi ( p ≥ 1) ; x 1 = ∑ xi ; x ∞ = sup xi
2 p p
2
xi2 ; x p
i =1 i =1 i =1 i =1, n
p ( x, y ) = p ( y , x )
produit p : E × E → R p (λx, y ) = λp ( x, y )
vérifiant
scalaire x, y p ( x, y ) p ( x + y , z ) = p ( x, z ) + p ( y , z )
p ( x, x ) = n ( x )
exemple E = R ; n
n n
p ( x, y ) = ( x, y ) = ∑ xi yi ; ( x, x) = x = ∑ xi2 euclidienne
2
2
i =1 i =1
propriété : inégalité de Schwartz : ( x, y ) ≤ x 2 y 2
Matrices
Tableau de n lignes et k colonnes
a11 a1 j a1k
A = ai1 aij aik
a anj ank
n1
Remarque fondamentale :
on ne peu rien démontrer sans faire référence
à l’application linéaire que la matrice représente
A : Rk → Rn
x y = Ax
linéaire : A(λx + µy ) = λAx + µAy
Applications linéaires
Soient E et F deux espaces vectoriels
Définition : u : E → F
x y = u ( x)
u est linéaire ssi : u (λx + µy ) = λu ( x) + µu ( y )
Propriétés : Noyau : ker(u ) = {x ∈ E u ( x) = 0}
image : Im(u ) = {y ∈ F ∃x ∈ E tel que u ( x) = y}
Noyau et image sont des s.e.v. resp. de E et de F
image : s.e.v engendré par u(ei)
rang = dim(Im(u))
u injective (ker(u) = 0)
u surjective Im(u) = F
soit (ei ∈ E )i = 1, k une base de E , et ( f i ∈ F )i = 1, n une base de F
n
définissons a ji tels que u (ei ) = ∑ a ji f j alors u ( x)
j =1
yi a11 a1 j a1k
y = x a + ... + x aij + ... + x a
i 1 i1 j
k
ik
y a a a
i n1 nj nk
Propriétés des matrices
Im( A) = {y ∈ R ∃x ∈ R tel que Ax = y}
n k
u, A Img(A)
Ker(A) •0
Rn
Rk
Propriété des matrices
– Soit A une matrice associée à une application linéaire u de E dans F
– soit k = dim(E) et n=dim(F)
Théorème
Rg ( A) + dim(ker( A) ) = k
Corolaire
pour A donné, ∀b
l' équation Ax = b admet une solution unique
ssi k = n et (Rg ( A) = n ⇔ dim(ker( A) ) = 0)
Noyau
Rang (nombre de colonnes linéairement indépendantes)
variables équivalentes
équations équivalentes
systèmes liés - systèmes libres (matrices blocs)
vecteurs propres
Question fondamentale
A quelles conditions l’équation Ax = b admet-elle une solution unique ?
Théorème
Dim(Im u)+dim(ker u) = dim(F)
rang(u)+dim(ker u) = dim(F)
corollaire
Opérations sur les matrices
Somme : soient A et B deux matrices de même taille
C = A + B; cij = aij + bij
remarque : l' ensemble des matrices de même taille est un e.v.
somme des applications linéaires
produit : soient A et B deux matrices avec
nombre de colonnes de A = nombre de lignes de B = n
n
C = AB; cij = ∑ aik bkj
k =1
C a autant de lignes que A et autent de colonnes que B
composition
des n B
applications E = R q
→
v,B
F = R n
→
u, A
G = R p
n
linéaires E = R w
q
→ G = R p q
=u v ,C = AB
A p
AB n’est pas BA (non commutatif)
Complexité algorithmique
Quel est l’algorithme qui calcule C=AB le plus vite ?
Définitions
– grand O f ( x) = O ( g ( x) ) lorsque x → ∞ ≡ f ( x) = g ( x) H ( x), H ( x) étant borné à l' infini
f ( x)
– petit o f ( x) = o( g ( x) ) lorsque x → ∞ ≡ lim =0
x →∞ g ( x )
f ( x)
– équivalence f ( x) = Ω( g ( x) )lorsque x → ∞ ≡ xlim →∞ g ( x )
=1
asymptotique
A, B et C sont des matrices carrées de taille n
O(n2) < Algorithme < O(n3)
a11 a21 b11 b21 c11 c21
Exemple, n=2
=
a21 a22 b21 b22 c21 c22
c11 = a11 × b11 + a12 × b21
23 = 8 multiplications
c12 = a11 × b12 + a12 × b22
Comme Strassen, 1969
c21 = a21 × b11 + a22 × b21 sauriez vous faire mieux ?
c22 = a21 × b12 + a22 × b22
Complexité algorithmique
Quel est l’algorithme qui calcule C=AB le plus vite ?
a11 a21 b11 b21 c11 c21
Exemple, n=2
=
a21 a22 b21 b22 c21 c22
Q1 = (a11 + a22 ) × (b11 + b22 )
Q2 = (a21 + a22 ) × b11 c11 = Q1 + Q4 − Q5 + Q7
Q3 = a11 × (b12 − b22 ) c12 = Q2 + Q4
Q4 = a22 × (− b11 + b21 ) c21 = Q3 + Q5 log10(n)
1
n3/n(log2(7))
1.5
Q5 = (a11 + a12 ) × b22 c22 = Q1 + Q3 − Q2 + Q6 2 2.4
3 3.7
Q6 = (a21 − a11 ) × (b11 + b12 ) 4 5.8
Q7 = (a12 − a22 ) × (b21 + b22 ) 5
6
9.1
14.3
7 22.3
Strassen, 1969
8 34.7
9 54.1
o(n2) < Algorithme < O(n2,807
log27) 10 84.4
1 0 0
Opérations sur les matrices
0 1
Inverse A−1 A = AA−1 = I In =
(a.l. bijective <=> matrice carrée)
1 0
matrice identité I 0 0 1
Transposée (adjointe pour les complexes)
Définition A': a 'ij = a ji
Propriétés ( A')' = A; ( A + B)' = A'+ B' ; ( AB)' = B' A' ; (kA)' = kA' ;
( )
si A est carrée : A = ( A')−1
−1 '
2. permute 2 colonnes
3. divise par un même terme non nul les éléments d’une ligne