Vous êtes sur la page 1sur 152

Mthode de la Puissance itre

PolytechParis-UPMC

- p. 1/36

Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre

Introduction

Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

Introduction

- p. 2/36

Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k1 m1 l1 l2 k2 m2 l3 k3

- p. 3/36

Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k2 m1 l1 Position Force F1 l2 x1 (t) F2 F2 k1 m2 l3 x2 (t) F3 k3

Le systme doit osciller, mais quelle frquence et quelle amplitude ?

- p. 3/36

Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k2 m1 l1 Position Force F1 l2 x1 (t) F2 F2 k1 m2 l3 x2 (t) F3 k3

Le systme doit osciller, mais quelle frquence et quelle amplitude ? Daprs les lois de N EWTON F1 (t) = k1 x1 (t) m1 x1 (t) = F1 (t) + F2 (t) m2 x (t) = F2 (t) + F3 (t) F2 (t) = k2 (x2 (t) x1 (t)) 2 F (t) = k x (t) 3 3 2
- p. 3/36

k +k x (t) = k1m1 2 x1 (t) + m2 x2 (t) Sous forme 1 1 k2 k2 +k3 x (t) = m2 x1 (t) m2 F3 (t) 2 matricielle :

Donc,

Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre

(t) = x

A (t) x

avec

A =

k1 +k2 m1 k m22

k2 +k3 m2

k m21

Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

En cherchant les positions sous la forme x1 (t) = C1 cos(t) et x2 (t) = C2 cos(t) on obtient : A C1 C2 =
2

C1 C2

Le problme revient donc chercher C1 = 0, C2 = 0 et tels que les deux quations ci-dessus soient satisfaites. Cela revient chercher les valeurs propres de la matrice A.

- p. 4/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A.
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives Les mthodes itratives sont bases sur une suite de vecteurs (xk )kIN qui tendent vers un vecteur propre.
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 5/36

Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives Les mthodes itratives sont bases sur une suite de vecteurs (xk )kIN qui tendent vers un vecteur propre. Comment construire cette suite ?
- p. 5/36
Introduction

Un problme de Physiq Le problme

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

Introduction

Algorithme de la puissa itre Principe Principe (suite)

Algorithme de la puissance itre

Algorithme

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

Algorithme de la puissance itre

- p. 6/36

1 1

matrice A =

1, 36 0, 56 0.14 0.94

- p. 7/36

1 1

matrice A =

1, 36 0, 56 0.14 0.94

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

de valeur propre 1, 5 de valeur propre 0, 8

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

de valeur propre 1, 5 de valeur propre 0, 8

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

de valeur propre 1, 5 de valeur propre 0, 8

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

de valeur propre 1, 5 de valeur propre 0, 8

- p. 7/36

1 1

matrice A = 4 1 1 1

1, 36 0, 56 0.14 0.94

dont les vecteurs propres sont :

de valeur propre 1, 5 de valeur propre 0, 8

- p. 7/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0,

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite x k+1 cest dire

A xk

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite x k+1 cest dire = Ak xk x0

A xk

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite = A x xk k+1 cest dire = Ak xk x0 = k a + k a + + k a xk 1 1 u1 2 2 u2 n n un

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite = A x xk k+1 cest dire = Ak xk x0 = k a + k a + + k a xk 1 1 u1 2 2 u2 n n un k + + n1 k a = k 1 a1 u1 xk n1 un1 + an un n n n

- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite = A x xk k+1 cest dire = Ak xk x0 = k a + k a + + k a xk 1 1 u1 2 2 u2 n n un k + + n1 k a = k 1 a1 u1 xk n1 un1 + n n n Or si i = n,


i n k

an un

0 donc le terme prpondrant devient k an un n


- p. 8/36

Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |

et soient , , . . . , les vecteurs propres associs u1 u2 un Alors, si est un vecteur quelconque, x0 = a + a + + a x u u u


0 1 1 2 2 n n

Supposons que an = 0, on calcule la suite = A x xk k+1 cest dire = Ak xk x0 = k a + k a + + k a xk 1 1 u1 2 2 u2 n n un k + + n1 k a = k 1 a1 u1 xk n1 un1 + an un n n n Or si i = n,


i n k

0 donc le terme prpondrant devient k an un n


- p. 8/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 9/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est un xk
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 9/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

un xk

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 9/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

un xk

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

En pratique : Si n est grand, il peut y avoir dpassement de capacit

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 9/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

un xk

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

En pratique : Si n est grand, il peut y avoir dpassement de capacit On normalise la suite xk et = A bk x bk = k+1 x
k

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 9/36

Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

un xk

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

En pratique : Si n est grand, il peut y avoir dpassement de capacit On normalise la suite xk et = A bk x bk = k+1 x
k

Mthode de la puissanc inverse

Conditions de converge Conclusion

On cherche obtenir n , pour cela on utilise le produit scalaire : t bk xk+1 = tbk A bk n tbk bk n si les bk sont normaliss
- p. 9/36

Algorithme
Donnees debut

: A, et x0

Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

x x0 anc 1 ; 0 tant que | anc | > faire anc x b x A x b tb x


retourner

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

, b

- p. 10/36

Algorithme
Donnees debut

: A, et x0

Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

x x0 anc 1 ; 0 tant que | anc | > faire anc x b x A x b tb x


retourner

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

, b

On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre.

- p. 10/36

Algorithme
Donnees debut

: A, et x0

Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

x x0 anc 1 ; 0 tant que | anc | > faire anc x b x A x b tb x


retourner

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

, b

On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre. = t pour utiliser Ici, on utilise la norme euclidienne x x x une autre norme, il faut changer le calcul de :
- p. 10/36

Algorithme
Donnees debut

: A, et x0

Introduction

Algorithme de la puissa itre Principe Principe (suite) Algorithme

x x0 anc 1 ; 0 tant que | anc | > faire anc x b x A x b tb x


retourner

Vitesse de Convergenc

Vitesse de convergence Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion

, b

On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre. = t pour utiliser Ici, on utilise la norme euclidienne x x x t b x une autre norme, il faut changer le calcul de : tb b
- p. 10/36

Vitesse de Convergence
supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n = x0 En normalisant, bk = = k n Ak x0 k k 1 a1 u1 + + n1 an1 + an un1 un k k n n
k k 1 + + n1 a a1 u1 n1 un1 k k n n n1 n k

telles que

et soient , , . . . , les vecteurs propres associs u1 u2 un

|1 | < |2 | < < |n |

a1 + a2 + + an u1 u2 un

k k + n n an un k A x0 Ak x0

Le terme derreur le plus important est

an un1

- p. 11/36

Vitesse de convergence
Par dnition, que : bk k n an un Ak x0
k k + + n1 a 1 C k a1 u1 n1 un1 n k n |n |k Ak x0

est born car bk est de norme 1. Donc il existe C tel

|n1 | |n |k

( a1 + a2 + an1 ) u1 u2 un1

La convergence dpend donc du rapport entre la plus grande et la deuxime plus grande valeur propre : |n1 | |n | Si les valeurs propres sont trs proches, la convergence sera lente

- p. 12/36

Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

Mthode de dation

- p. 13/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ?

- p. 14/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0

- p. 14/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 t vi uj = ij

- p. 14/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn t vi uj = ij

- p. 14/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn i {1, 2, . . . , n} u B(i ) = Ai n (t i ) u u un vn = i i n in u un 0 si i = n = i i si i = n u t vi uj = ij

- p. 14/36

Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn i {1, 2, . . . , n} u B(i ) = Ai n (t i ) u u un vn = i i n in u un 0 si i = n = i i si i = n u t vi uj = ij

Donc B a pour valeurs propres 1 , . . . , n1 et 0 et les mmes vecteurs propres que A.


- p. 14/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ?
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique,
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A.
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u =
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = (t A) i v u
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = (t A) i = v u vu n t i
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = = (t A) i = v u (A ) t v ui vu n t i
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = = (t A) i = v u (A ) = t v ui vu n t i vu i t i
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = = (t A) i = v u (A ) = t v ui vu n t i vu i t i
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

Donc si i = n, t i = 0, la base duale est celle des vecteurs vu propres de tA.

- p. 15/36

Mthode de dation (suite)


En appliquant la mthode de la puissance itre B, on obtient n1 et un1 Connaissant n et et A, comment trouver le vecteur de la base un vn duale ? Si A est symtrique, les vecteur propres sont orthogonaux donc = n . u vn t un un Sinon, considrons tA, Elle a les mmes valeurs propres que A. Soit le vecteur propre associ n , v t v Ai u = = (t A) i = v u (A ) = t v ui vu n t i vu i t i
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

Donc si i = n, t i = 0, la base duale est celle des vecteurs vu propres de tA. Pour construire la matrice de dation, il suft donc de trouver un vecteur propre associ la plus grande valeur propre de t A.
- p. 15/36

Utilisation de la mthode
La mthode de dation permet de trouver toutes les valeurs propres de la matrice Sans les connatre En obtenant des vecteurs propres Il y a accumulation de lerreur La mthode de la puissance donne une approximation de la plus grande valeur propre et du vecteur propre. La matrice B utilise nest pas exactement la bonne. Il y a dgradation du rsultat.
Introduction

Algorithme de la puissa itre Mthode de dation Mthode de dation

Mthode de dation (s

Utilisation de la mthod

Mthode de la puissanc inverse

Conditions de converge Conclusion

- p. 16/36

Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissance inverse

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

Mthode de la puissance inverse

- p. 17/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ?

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 :

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k :

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k On pose : bk = et k =

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k On pose : xk bk = et k = x
k

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k On pose : xk 1 bk = et k = t xk x k+1 b k

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k On pose : xk 1 bk = et k = t xk x k+1 b k On sarrte quand |k+1 k | <

- p. 18/36

Algorithme de la puissance inverse


Que faire si on recherche la valeur propre de plus petit module ? Rq : Les valeurs propres de A1 sont les inverses des valeurs propres de A Si A est inversible, on applique lalgorithme de la puissance itre A1 : On effectue la dcomposition P LU de A : P A = LU soit b 0 le vecteur de dpart, On construit les suites b k et k : On rsout le systme LU x k+1 = P b k On pose : xk 1 bk = et k = t xk x k+1 b k La suite k converge vers linverse de la plus grande valeur propre de A1 donc vers la valeur propre de A de plus petit module.
- p. 18/36

On sarrte quand |k+1 k | <

Algorithme
Donnees debut

: A, P, L, U tels que P A = LU , 0 et x

Introduction

Algorithme de la puissa itre Mthode de dation

x x0 anc 1 0 tant que | anc | > faire anc x b x = P rsoudre LU x b 1 t x b retourner et b

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 19/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ?
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction

Algorithme de la puissa itre Mthode de dation

= i i i u u = (i ) i u

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction

Algorithme de la puissa itre Mthode de dation

= i i i u u = (i ) i u

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ?

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction

Algorithme de la puissa itre Mthode de dation

= i i i u u = (i ) i u

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre.

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction

Algorithme de la puissa itre Mthode de dation

= i i i u u = (i ) i u

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre. la mthode de la puissance inverse ?

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction

Algorithme de la puissa itre Mthode de dation

= i i i u u = (i ) i u

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre. la mthode de la puissance inverse ? Cela permet dobtenir la valeur propre k de module minimum Cest la valeur propre la plus proche de Cest un moyen damliorer le calcul dune valeur propre et dobtenir un vecteur propre correspondant cette valeur

Mthode de dcalage (

Conditions de converge Conclusion

- p. 20/36

Exemple dutilisation
Supposons quun premier calcul est fourni une approximation dune valeur propre : .
Donnees debut
Introduction

Algorithme de la puissa itre Mthode de dation

: A, , 0 et x

Mthode de la puissanc

x x0 anc 0 tant que | anc | > faire anc x b x

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

= rsoudre (A I) x b 1 t x b retourner et b
n

Cet algorithme amliore lapproximation et permet de calculer un vecteur propre associ la valeur propre.
- p. 21/36

Mthode de dcalage (n)


Cette mthode permet
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 22/36

Mthode de dcalage (n)


Cette mthode permet de calculer un vecteur propre correspondant une valeur propre connue approximativement damliorer la prcision de la valeur propre.
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 22/36

Mthode de dcalage (n)


Cette mthode permet de calculer un vecteur propre correspondant une valeur propre connue approximativement damliorer la prcision de la valeur propre. Avantages : Convergence plus rapide Permet de sapprocher indniment dune valeur et dun vecteur propre
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 22/36

Mthode de dcalage (n)


Cette mthode permet de calculer un vecteur propre correspondant une valeur propre connue approximativement damliorer la prcision de la valeur propre. Avantages : Convergence plus rapide Permet de sapprocher indniment dune valeur et dun vecteur propre Inconvnients : Utilisation dun systme linaire presque singulier Peut converger vers une autre valeur propre.
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc

inverse Algorithme de la puissa inverse Algorithme Mthode de dcalage Exemple dutilisation

Mthode de dcalage (

Conditions de converge Conclusion

- p. 22/36

Introduction

Algorithme de la puissa itre Mthode de dation

Conditions de convergence

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

Conditions de convergence

- p. 23/36

Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne :
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 24/36

Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne : A est une matrice de dimension n possdant n valeurs propres de modules diffrents |1 | < |2 | < < |n | = A est diagonalisable
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 24/36

Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne : A est une matrice de dimension n possdant n valeurs propres de modules diffrents |1 | < |2 | < < |n | = A est diagonalisable Soient 1 , 2 , . . . , n les vecteurs propres associs aux u u u valeurs propres de A. On doit partir dun vecteur 0 x = a + + a x u u
0 1 1 n n
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

o an = 0 Que se passe-t-il si an = 0 ?

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 24/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

1 1

matrice A = 4 1 1 1

2, 72 1, 12 0, 28 1, 88

dont les vecteurs propres sont :

de valeur propre 3 de valeur propre 1.6

- p. 25/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme x1 = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait x1

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u
1 1 1 1 n1 n1 n1

Mthode de la puissanc inverse

x1

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n

Mthode de la puissanc inverse

x1

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n

Mthode de la puissanc inverse

x1

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

Si n est beaucoup plus grande que les autres valeurs propres, les calculs suivants font ressortir le coefcient associ n u alors quils annulent les autres.

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction

n1 u n1 + 0 u n

Algorithme de la puissa itre Mthode de dation

Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n

Mthode de la puissanc inverse

x1

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

Si n est beaucoup plus grande que les autres valeurs propres, les calculs suivants font ressortir le coefcient associ n u alors quils annulent les autres. Donc lalgorithme nous donne toujours n et n grce aux u erreurs de calcul.

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 26/36

si an = 0 (suite)
Introduction

Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre,

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 27/36

si an = 0 (suite)
Introduction

Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre, lalgorithme peut sarrter en obtenant n1 n et n . u et n1 au lieu de u

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 27/36

si an = 0 (suite)
Introduction

Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre, lalgorithme peut sarrter en obtenant n1 n et n . u et n1 au lieu de u

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Si on gnralise le phnomne en utilisant la mthode de dation, cela signie que les valeurs propres qui sont proches les unes des autres ne sont pas forcment obtenues dans le bon ordre.

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 27/36

Autres conditions de convergences


Jusqu prsent on a considr que les valeurs propres de la matrice A ont des modules diffrents. Mais que se passe-t-il si : A possde une valeur propre dgnre Un espace propre de dimension > 1 A nest pas diagonalisable A possde des valeurs propres diffrentes mais de module identique Valeurs propres relles de signes diffrents Valeurs propres complexes conjugues Plusieurs valeurs propres complexes de mme module
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 28/36

Sous espace propre de dimension > 1


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues

Valeurs propres comple

3 0 Matrice A = 0 3 0 0

0 Ax 0 on trace Ax 1

Valeurs de mme modu Rsum Conclusion

- p. 29/36

Sous espace propre de dimension > 1


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues

Valeurs propres comple

3 0 Matrice A = 0 3 0 0

0 Ax 0 on trace Ax 1

Valeurs de mme modu Rsum Conclusion

- p. 29/36

Sous espace propre de dimension > 1


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues

Valeurs propres comple

3 0 Matrice A = 0 3 0 0

0 Ax 0 on trace Ax 1

Valeurs de mme modu Rsum Conclusion

- p. 29/36

Sous espace propre de dimension > 1


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues

Valeurs propres comple

3 0 Matrice A = 0 3 0 0

0 Ax 0 on trace Ax 1

Valeurs de mme modu Rsum Conclusion

- p. 29/36

Sous espace propre de dimension > 1


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues

Valeurs propres comple

3 0 Matrice A = 0 3 0 0

0 Ax 0 on trace Ax 1

Valeurs de mme modu Rsum Conclusion

- p. 29/36

Sous espace propre de dimension > 1


La suite k tend vers x
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x Soit la valeur propre de plus grand module et d la dimension de son sous espace propre. Soit 1 , 2 , . . . , nd les autres valeurs propres et , ,..., u1 u2 u nd les vecteurs propres associs En reprenant le raisonnement prcdant x0 o est un vecteur propre de valeur propre u = a1 1 + + and nd + u u u
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x Soit la valeur propre de plus grand module et d la dimension de son sous espace propre. Soit 1 , 2 , . . . , nd les autres valeurs propres et , ,..., u1 u2 u nd les vecteurs propres associs En reprenant le raisonnement prcdant x0 o est un vecteur propre de valeur propre u On calcule la suite k+1 = A k x x cest dire = a1 1 + + and nd + u u u
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x Soit la valeur propre de plus grand module et d la dimension de son sous espace propre. Soit 1 , 2 , . . . , nd les autres valeurs propres et , ,..., u1 u2 u nd les vecteurs propres associs En reprenant le raisonnement prcdant x0 o est un vecteur propre de valeur propre u On calcule la suite k+1 = A k x x cest dire = Ak xk u0 = a1 1 + + and nd + u u u
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x Soit la valeur propre de plus grand module et d la dimension de son sous espace propre. Soit 1 , 2 , . . . , nd les autres valeurs propres et , ,..., u1 u2 u nd les vecteurs propres associs En reprenant le raisonnement prcdant x0 o est un vecteur propre de valeur propre u On calcule la suite k+1 = A k x x cest dire = Ak xk u0 = k a + + k a k xk nd u nd + u 1u1 1 nd = a1 1 + + and nd + u u u
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Sous espace propre de dimension > 1


La suite k tend vers un vecteur du sous espace propre x Soit la valeur propre de plus grand module et d la dimension de son sous espace propre. Soit 1 , 2 , . . . , nd les autres valeurs propres et , ,..., u1 u2 u nd les vecteurs propres associs En reprenant le raisonnement prcdant x0 o est un vecteur propre de valeur propre u On calcule la suite k+1 = A k x x cest dire = Ak xk u0 = k a + + k a k xk nd u nd + u 1u1 1 nd k = k 1 a + + k a nd u u + u x
k n k 1 n 1 k n nd nd
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= a1 1 + + and nd + u u u

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 30/36

Le terme prpondrant devient k nu x Donc la suite normalise k tend vers un vecteur du sous x
n

Introduction

Algorithme de la puissa itre Mthode de dation

espace propre Selon la valeur de 0 la suite x

xk x
k

tend vers diffrents vecteurs

Mthode de la puissanc inverse

du sous espace vectoriel. Ce cas ne peut tre dtect que si on calcule plusieurs fois la suite partir de points de dpart diffrents

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 31/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A =

1 1 0 1

on trace A x

- p. 32/36

A non diagonalisable

1 1

Matrice A = La suite
xk x
k

1 1 0 1

on trace A x

converge vers un vecteur propre associ la plus grande valeur

propre. La preuve utilise la dcomposition de Jordan.

- p. 32/36

Valeurs propres complexes conjugues


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable Valeurs propres comple


conjugues

0 3 Matrice A = 3 0 0 0

0 A x 0 on trace A x 1

Valeurs de mme modu Rsum Conclusion

- p. 33/36

Valeurs propres complexes conjugues


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable Valeurs propres comple


conjugues

0 3 Matrice A = 3 0 0 0

0 A x 0 on trace A x 1

Valeurs de mme modu Rsum Conclusion

- p. 33/36

Valeurs propres complexes conjugues


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable Valeurs propres comple


conjugues

0 3 Matrice A = 3 0 0 0

0 A x 0 on trace A x 1

Valeurs de mme modu Rsum Conclusion

- p. 33/36

Valeurs propres complexes conjugues


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable Valeurs propres comple


conjugues

0 3 Matrice A = 3 0 0 0

0 A x 0 on trace A x 1

Valeurs de mme modu Rsum Conclusion

- p. 33/36

Valeurs propres complexes conjugues


z
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable Valeurs propres comple


conjugues

0 3 Matrice A = 3 0 0 0

0 A x 0 on trace A x 1

Valeurs de mme modu Rsum Conclusion

- p. 33/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ?
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ? Si A possde des valeurs propres diffrentes mais de module identique Soit n , . . . nk Ck+1 ces valeurs propres. Et soit En , . . . , En1 les sous-espaces propres associs ces valeurs.
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ? Si A possde des valeurs propres diffrentes mais de module identique Soit n , . . . nk Ck+1 ces valeurs propres. Et soit En , . . . , En1 les sous-espaces propres associs ces valeurs. x La suite k tend vers le sous-espace engendr par les x
k
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

sous-espaces propres E = En En1 Enk

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ? Si A possde des valeurs propres diffrentes mais de module identique Soit n , . . . nk Ck+1 ces valeurs propres. Et soit En , . . . , En1 les sous-espaces propres associs ces valeurs. x La suite k tend vers le sous-espace engendr par les x
k
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

sous-espaces propres E = En En1 Enk

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

Mais contrairement au cas prcdent, E nest pas un espace propre.

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ? Si A possde des valeurs propres diffrentes mais de module identique Soit n , . . . nk Ck+1 ces valeurs propres. Et soit En , . . . , En1 les sous-espaces propres associs ces valeurs. x La suite k tend vers le sous-espace engendr par les x
k
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

sous-espaces propres E = En En1 Enk

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

Mais contrairement au cas prcdent, E nest pas un espace propre. Il ny a pas de convergence

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Valeurs de mme module


La situation est-elle la mme que pour les valeurs propres relles dordre > 1 ? Si A possde des valeurs propres diffrentes mais de module identique Soit n , . . . nk Ck+1 ces valeurs propres. Et soit En , . . . , En1 les sous-espaces propres associs ces valeurs. x La suite k tend vers le sous-espace engendr par les x
k
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

sous-espaces propres E = En En1 Enk

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

Mais contrairement au cas prcdent, E nest pas un espace propre. Il ny a pas de convergence Dans le cas de deux valeurs propres seulement, il est possible de modier lalgorithme pour assurer la convergence en faisant 2 itrations successives.

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

- p. 34/36

Rsum
Lalgorithme de la puissance itre fonctionne si la matrice A a des valeurs propres toutes diffrentes est diagonalisable est symtrique ses valeurs propres sont alors relles le seul cas gnant est celui des valeurs propres de signes diffrents Il ne fonctionne pas sil existe plusieurs valeurs propres complexes de mme module Par exemple 0 0 1 A = 1 0 0 0 1 0
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conditions si an

= 0 si an = 0 (suite)

Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1

A non diagonalisable
conjugues Rsum Conclusion

Valeurs propres comple

Valeurs de mme modu

Lalgorithme converge dautant mieux si les valeurs propres sont de modules trs diffrents. Si ce nest pas le cas, on peut les obtenir dans le dsordre.

- p. 35/36

Conclusion
Puissance itre
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages :
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients :
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients : La convergence peut tre lente
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36

Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients : La convergence peut tre lente On obtient une approximation ce qui donne de mauvais rsultats avec la mthode de dation
Introduction

Algorithme de la puissa itre Mthode de dation

Mthode de la puissanc inverse

Conditions de converge Conclusion Conclusion

- p. 36/36