Vous êtes sur la page 1sur 42

Transformation de Householder

R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Transformation de Householder, decomposition de


Schur, SVD et applications

Master MOCASIM 1`
ere ann
ee
Facult
e des Sciences et Technique
MARRAKECH

Annee Universitaire 2015/2016

1/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Plan

2/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

3/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Alston Scott Householder (Rockford, Illinois, USA, 5 May 1904 Malibu,


California, USA, 4 July 1993) was an American mathematician who
specialized in mathematical biology and numerical analysis, inventor of
the Householder transformation and of Householders method.
After receiving his doctorate, Householder concentrated on the field of
mathematical biology at the University of Chicago.
In 1946, Householder joined the Mathematics Division of the Oak Ridge
National Laboratory, it is during this period that his interests shift toward
numerical analysis.

4/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

D
efinition : Soit v un vecteur non nul de Rn , on appelle matrice de
Houdeholder associee `a v la matrice symetrique, orthogonale
H(v ) Rnn definit par:
H(v ) = In 2.

v .v t
v t .v

Th
eor`
eme :
Soit u Rn un vecteur non nul verifiant u vect{e
/
u
1 } o`
t
e1 = (1, 0, ..., 0) . Il existe un vecteur v non nul de Rn telque
H(v ).u = .e1 , R . Le vecteur v est donne par v = u kuk .e1 et
on a H(v ).u = kuk .e1 .
Remarque : Pour des raisons de stabilite numerique, on prend
v = u+signe(u1 ) kuk .e1 et on a alors H(v ).u = signe(u1 ) kuk .e1 .

5/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

6/35

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

1) H(v ) est symetrique, orthogonale.


2)
w vect {v }
, H(v ).w = w

w vect {v }
, H(v ).w = w

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

7/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Issai Schur
Issai Schur (1875 1941), est un
mathematicien dorigine russe qui a surtout
travaille en Allemagne. Il a etudie `a Berlin
sous Frobenius, a obtenu son doctorat en
1901 et est devenu charge denseignement
en 1903. Il a donne son nom `a plusieurs
concepts et theor`emes mathematiques :
Decomposition de Schur
Complement de Schur
Inegalite de Schur
Lemme de Schur
Multiplicateur de Schur
Polyn
ome de Schur
etc..
8/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Enonce de la decomposition
Theorem (version Complexe)
Soit A Cnn , alors il existe une matrice orthogonale Q Cnn tel que
la matrice T = Q > A Q est triangulaire superieur.
Theorem (version reelle)
Soit A Rnn , alors il existe une matrice orthogonale Q Rnn tel que
Q > A Q est quasi-triangulaire cest-`a-dire :

R11 R1m

..
..
0
.
.

Q> A Q =
..
..
..
..
.
.
.
.
0
0 Rmm
o`
u les Rii sont des blocs de taille (1 1) ou (2 2).
9/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Enonce de la decomposition
Theorem (version Complexe)
Soit A Cnn , alors il existe une matrice orthogonale Q Cnn tel que
la matrice T = Q > A Q est triangulaire superieur.
Theorem (version reelle)
Soit A Rnn , alors il existe une matrice orthogonale Q Rnn tel que
Q > A Q est quasi-triangulaire cest-`a-dire :

R11 R1m

..
..
0
.
.

Q> A Q =
..
..
..
..
.
.
.
.
0
0 Rmm
o`
u les Rii sont des blocs de taille (1 1) ou (2 2).
9/35

Transformation de Householder, d
ecomposition de Schur, SVD et appli

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve

10/35

On effectue une demonstration par recurrence sur le nombre de paire


de valeurs propres conjuguees note k.
Pour k = 0, le theor`eme est vrai cest une consequence direct de la
decomposition de Schur standard.
On suppose que le theor`eme est vrai pour toutes matrices ayant un
nombre de pair complexe < k.
Soit = + i, 6= 0 et x = u + iv valeur et vecteur propre de A.
On a
A u = u v et A v = v + u
on en deduit alors le resultat suivant :


A [u, v ] = [u, v ]

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve

10/35

On effectue une demonstration par recurrence sur le nombre de paire


de valeurs propres conjuguees note k.
Pour k = 0, le theor`eme est vrai cest une consequence direct de la
decomposition de Schur standard.
On suppose que le theor`eme est vrai pour toutes matrices ayant un
nombre de pair complexe < k.
Soit = + i, 6= 0 et x = u + iv valeur et vecteur propre de A.
On a
A u = u v et A v = v + u
on en deduit alors le resultat suivant :


A [u, v ] = [u, v ]

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve

10/35

On effectue une demonstration par recurrence sur le nombre de paire


de valeurs propres conjuguees note k.
Pour k = 0, le theor`eme est vrai cest une consequence direct de la
decomposition de Schur standard.
On suppose que le theor`eme est vrai pour toutes matrices ayant un
nombre de pair complexe < k.
Soit = + i, 6= 0 et x = u + iv valeur et vecteur propre de A.
On a
A u = u v et A v = v + u
on en deduit alors le resultat suivant :


A [u, v ] = [u, v ]

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve
On introduit {x1 , x2 } une base orthonormale de lespace vect{u, v },
[x1 , x2 ] = [u, v ] C
do`
u



A [x1 , x2 ] = [x1 , x2 ] C 1
C

{z
}
|
S

On compl`ete la base {x1 , x2 } pour avoir une base orthonormale de


Rn on obtient alors {x1 , x2 , W } une base de Rn , W = {x3 , , xn }.
On a


>
S [x1 , x2 ] A W
>
[[x1 , x2 ] , W ] A [[x1 , x2 ] , W ] =
0
W> A W
Finalement, on applique lhypoth`ese de recurrence `a W > A W .
11/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve
On introduit {x1 , x2 } une base orthonormale de lespace vect{u, v },
[x1 , x2 ] = [u, v ] C
do`
u



A [x1 , x2 ] = [x1 , x2 ] C 1
C

{z
}
|
S

On compl`ete la base {x1 , x2 } pour avoir une base orthonormale de


Rn on obtient alors {x1 , x2 , W } une base de Rn , W = {x3 , , xn }.
On a


>
S [x1 , x2 ] A W
>
[[x1 , x2 ] , W ] A [[x1 , x2 ] , W ] =
0
W> A W
Finalement, on applique lhypoth`ese de recurrence `a W > A W .
11/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve

11/35

On introduit {x1 , x2 } une base orthonormale de lespace vect{u, v },


[x1 , x2 ] = [u, v ] C
do`
u



A [x1 , x2 ] = [x1 , x2 ] C 1
C

{z
}
|
S

On compl`ete la base {x1 , x2 } pour avoir une base orthonormale de


Rn on obtient alors {x1 , x2 , W } une base de Rn , W = {x3 , , xn }.
On a


>
S [x1 , x2 ] A W
>
[[x1 , x2 ] , W ] A [[x1 , x2 ] , W ] =
0
W> A W
Finalement, on applique lhypoth`ese de recurrence `a W > A W .

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve
On introduit {x1 , x2 } une base orthonormale de lespace vect{u, v },
[x1 , x2 ] = [u, v ] C
do`
u



A [x1 , x2 ] = [x1 , x2 ] C 1
C

{z
}
|
S

On compl`ete la base {x1 , x2 } pour avoir une base orthonormale de


Rn on obtient alors {x1 , x2 , W } une base de Rn , W = {x3 , , xn }.
On a


>
S [x1 , x2 ] A W
>
[[x1 , x2 ] , W ] A [[x1 , x2 ] , W ] =
0
W> A W
Finalement, on applique lhypoth`ese de recurrence `a W > A W .
11/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve
On introduit {x1 , x2 } une base orthonormale de lespace vect{u, v },
[x1 , x2 ] = [u, v ] C
do`
u



A [x1 , x2 ] = [x1 , x2 ] C 1
C

{z
}
|
S

On compl`ete la base {x1 , x2 } pour avoir une base orthonormale de


Rn on obtient alors {x1 , x2 , W } une base de Rn , W = {x3 , , xn }.
On a


>
S [x1 , x2 ] A W
>
[[x1 , x2 ] , W ] A [[x1 , x2 ] , W ] =
0
W> A W
Finalement, on applique lhypoth`ese de recurrence `a W > A W .
11/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

12/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Karl Adolf Hessenberg

Karl Adolf Hessenberg


(1904 1959), est un mathematicien
et ingenieur allemand. La matrice de
Hessenberg etait introduite par lui en 1940
par le biais de son rapport: Traitement
des probl`emes de valeurs propres linaires en
utilisant le theor`eme de Cayley-Hamilton.

13/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Enonce de la Reduction
Theorem
A Rnn , Q Rnn , tel que Q > A Q = H o`
u H est de Hessenberg.
En effet, Q est le produit de (n 2) matrice de Householder
Preuve
On demontre le resultat par recurrence sur la dimension. Pour n = 2
on a toute matrice est de Hessenberg sans multiplier par une matrice
de Householder.
On suppose que k n 1 pour A Rkk , Q Rkk , tel que
Q > A Q est de Hessenberg. Q est le produit de (k 2) matrice de
Householder. Montrons le theor`eme pour A Rnn .

14/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve

a1n

a21

..
a21

Soit A =
, on note a1 = ...
..

.
.
..
..
.
an1
a1n ann
On sait quil existe Hu matrice de Householder tel que Hu a1 = e1 ,
dapr`es la transformation
 u = a1 ka1 ke1 . on prend
1 O>
H(n2) =
. Alors
O Hu
a11

a12
..
.


H(n2) A H(n2) =

15/35

a11
e1

[a12 , , a1n ] Hu
Hu A(1) Hu

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Reduction de Hessenberg

Preuve
On applique lhypoth`ese de recurrence `a la matrice B = Hu A(1) Hu
!
!>
n3
n3
Y
Y
donc on a
Hi B
Hi
est de Hessenberg
i=1

i=1

le resultat est clair en prenant


Q=

n3
Y
i=1

16/35

1
O

O>
Hi

!
Hn2

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Algorithme: Reduction de Hessenberg

Initialisation: Q = I et H = A
Pour j = 1 : n 2
On pose u = H(:, j); puis on annule les composantes u(i = 1 : j)
Calcul du vecteur de Householder
v = u + sign(u(j + 1)) kuk ej+1 puis on normalise v = u/ kuk.
Calcul de la matrice de Householder P = In 2 (v v T )
Mise `a jours des matrice H P H P T et Q Q P;
Fin(j)

17/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

18/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

John FRANCIS
John FRANCIS ne en 1934,
est un Anglais chercheur en informatique,
qui en 1961 `a publie lalgorithme
QR pour le calcul des valeurs propres de
matrices, qui `a ete nomme comme lun des
dix importants algorithmes du XXe si`ecle.
En 1961, Francis
a quitte le domaine de lanalyse numerique,
et navait
aucune idee de limpact que son travail sur
lalgorithme QR avait,
jusqu`a re-contacte par Gene Golub en 2007.

19/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

20/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Si A = QR avec Q matrice orthogonale et R matrice triangulaire


superieur, alors la matrice A0 = RQ est semblable `a A car :
Q t AQ = Q t QRQ = RQ = A0

21/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

22/35

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

thode :
Principe de la me
Posons A1 = A.
On ecrit la factorisation QR de A1 :
A1 = Q1 R1
et on forme
A2 = R1 Q1 = Q1t A1 Q1
` letape k,
A
Ak = Qk Rk
On pose
Ak+1 = Rk Qk = Qkt Ak Qk
On obtient
Ak+1 = (Q1 Q2 ...Qk )t A(Q1 Q2 ...Qk )
Ce qui montre que Ak+1 est semblable `a A donc admet les memes
valeurs propres.

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Theor`eme
Soit A Mn (R) inversible et ayant des valeurs propres differentes en
module. Cest-`a-dire quil existe une matrice P inversible verifiant:

..
P 1 AP =

.
n
et |1 | > ... > |n |.
Alors la suite Ak verifie:
lim (Ak )ii

= i

lim (Ak )ij

k
k

23/35

i = 1, 2, ..., n
j < i

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Remarque
On ne peut rien dire sur la convergence de la partie superieure i < j.
Si A est une matrice reelle et que les valeurs propres sont differentes en
module, ceci entrane que les valeurs propres sont toutes reelles car sinon
les valeurs propres complexes apparaissent par paires de racines
cojuguees, donc de meme module ce qui est exclu par lhypoth`ese du
theor`eme.
Si A est symetrique alors la suite Ak converge vers une matrice
diagonale formee par les valeurs propres de A.

24/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

25/35

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Preuve:
On pose
k = Q1 ...Qk et <k = Rk ...R1
On a
Ak+1 = tk Ak
Lidee est detudier le comportement de la suite k .
On va utiliser le fait quon a une factorisation QR de la matrice Ak avec
Ak = Q1 ...Qk Rk ...R1 .
On va chercher maintenant une factorisation QR avec Rii > 0 pour
pouvoir utiliser lunicite et par
suite deduire leresultat final.
1

..
1
P = LU, P = QR et =
.
.
On a alors

n
Ak = Pk P 1
= QRk LU
= QR(k Lk )k U

Or lim k Lk = I
k

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Ce qui est equivalent `a dire que


k Lk = I + Fk

avec

lim Fk = 0

Donc
R(k Lk ) = (I + RFk R 1 )R
La matrice I + RFk R 1 admet une factorisation QR avec Rii > 0, quon
note
I + RFk R 1 = Qk Rk
et
lim Qk = Q

lim Rk = R

avec Rii > 0

R
= I , et par unicite de la factorisation QR, on a Q
=R
= I.
Donc Q
En reprenons lexpression de Ak et en remplacant, on obtient
Ak = (Q Qk )(Rk Rk U)

26/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

27/35

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

qui est une autre factorisation QR de Ak , mais rien ne garantie que


Rii > 0.
En intercalons une matrice diagonale Dk avec |(Dk )ii | = 1 de sorte `a
avoir (Dk Rk Rk U)ii > 0, et par unicite on conclut
Q Qk Dk = k
Passons `a letape finale

Ak+1 = tk Ak
t RR 1 Q
k Dk Or
= Dkt Q
k

lim Nk = RR 1

kt RR 1 Q
k
avec Nk Q

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

avec

RR 1 =

1
0
..
.

2
..
.

..
.

..
.

Donc finalement,
lim Ak+1 = RR 1

28/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

29/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Avantages et inconvenients de la methode QR

Avantage:
Calcul de toutes les valeurs propres.
Inconv
enients:
Convergence lente,
Chaque iteration demande une decomposition QR.
La methode QR ne calcul pas directement les vecteurs propres.

30/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Remarque
La convergence comme on avait dit est lente mais peut etre acceleree,
en reduisant la matrice A en une matrice plus simple (Quasi triangulaire)
dite de Hessenberg:

..
..

. .
A= 0

.. . .
.
..
..
.
.
.
. ..
0
0

Lavantage provient du fait que la suite Ak reste sous la forme de
Hessenberg.

31/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

On peut egalement accelerer la convergence lorsquil sagit dune


matrice symetrique, en reduisant cette derni`ere en une forme tridiagonale
`a laide des matrices de Householder.

32/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

33/35

Transformation de Householder

Reduction de Schur

Reduction de Hessenberg

Methode QR de Francis

Methode QR pour la determination des valeurs propres

Avantages et inconvenients de la methode QR

Algorithme et application

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Algorithme

Poser A(0) = A et k = 0
(k)
Tant que max |aij |
i>j

-Calculer R (k) et Q (k) telles que


A(k) = Q (k) R (k)
-Calculer A(k+1) par
A(k+1) = R (k) Q (k)
-iter
k k +1
Fin de tant que

34/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Transformation de Householder
R
eduction de Schur
R
eduction de Hessenberg
M
ethode QR de Francis
M
ethode QR pour la d
etermination des valeurs propres
Avantages et inconv
enients de la m
ethode QR
Algorithme et application

Application

On prend par exemple la matrice

1
5
A=
0
3

5 3 2
12 0 1

8 1 4
2 9 1

Le spectre de A:
(A)={ 15.6590, -4.5723, 4.3265, -0.4132}.

35/35

Transformation de Householder, d
ecomposition de Schur, SVD et app

Vous aimerez peut-être aussi