CHAP2 Resolution Systemes Lineaires

Universit A.
Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
CHAPITRE II
Rsolution des Systmes dEquations Linaires
II.1.1-Dfinitions et Notations :
On appelle matrice de type (de dimension) (n, m ) un tableau de nombres n lignes,
m colonnes. Lensemble de matrices de types (n, m ) est note M n,m (IK ) , (K = R ou C ) ,
(K : Ensemble des scalaires ) . On adopte la notation suivante :
Une matrice A de dimension (n, m) sera note An, m = (a i , j ) 1i n
1 j m
a11 a12 . . a1m

a 21 a 22 . . a 2m
A= . . . . .

. . . . .
a an2 . . a nm
n1
La transpose de A, note A t sera alors
a11 a 21 . . a n1

a12 a 22 . . an2
A = .
t
. . . .

. . . . .
a a2m . . a nm
1m
A est symtrique si A= A ; on a aussi la proprit : A.B = B .A
t
( )t t t
Une matrice carre An ,m est une matrice dont le nombre de lignes est gal au nombre
de colonnes.
II.1.2-Rsolution des Systmes Linaires :
Tout systme dquations linaires peut scrire sous forme matricielle
AX = b , A : une matrice carre
Si det ( A) 0 ( A est inversible ou rgulire), lunique solution du systme est donne par :
AX = b A 1 AX = A 1b X = A 1b
Avec
A 1 =
1
( A *)t
det ( A)
A * : est la comatrice donne par :
A* = (C i , j ), 1 i, j n
C ij = ( 1) det ( Aij )
i+ j
me me
Aij : Cest la matrice A sans la i ligne et la j colonne.
Formule gnrale pour le calcul de det ( A) selon les lignes :

n
det ( A) = ( 1) aij det ( Aij )
i+ j
j =1
II.1.3- Mthode de Cramer :

Lunique solution du systme AX = b ( det ( A) 0 ) est donne selon Cramer par :
Page 1
Universit A. Mira de Bjaia
det ( Ai )
Xi =
det ( A)
me
Ai est la matrice A o lon a remplac le i colonne par le vecteur second membre b .
Cette mthode de Cramer est inadapte pour rsoudre les systmes de grandes tailles
car il y a trop de dterminants calculer. Pour cela, on a recours dautres mthodes de
rsolution des systmes dquations AX = b . Ces mthodes sont classes dans deux groupes.
Les premires mthodes, intitules Mthodes directes, sont bases sur la
transformation du systme initial AX = b , en passant par un nombre dtapes finies, pour
avoir la solution X . Parmi ces mthodes, on a la mthode de Gauss, La dcomposition LU et
la mthode de Cholesky.
Les mthodes du deuxime groupe, intitules mthodes itratives, sont bases sur des
procdures itratives qui permettent dapprocher la solution du systme, en amorant le calcul
partir dune solution initiale X (0 ) . Parmi ces mthodes, on a la mthode de Jacobi et la
mthode de Gauss-Seidel.
II.2-Mthodes Directes :
II.2.1-Mthode dlimination de Gauss :
Soit rsoudre le systme linaire : AX = b
La mthode dlimination de Gauss consiste raliser un nombre fini de
transformations sur la matrice A de telle sorte obtenir un systme quivalent pour la
recherche du mme vecteur solution, mais avec une matrice triangulaire suprieure.
~ ~
AX = b A X = b
Donnons la mthode travers un exemple.
Soit rsoudre le systme :
2 x1 5 x 2 + x3 = 12

( I ) x1 + 3x 2 x3 = 8 AX = b
3x 4 x + 2 x = 16
1 2 3
O
2 5 1 x1 12

A = 1 3 1 , X = x 2 et b = 8
3 4 2 x 16
3
On adopte lcriture suivante
.
L1(0 ) 2 5 1 12
.
(0 ) .
L2 1 3 1 8
.
.
(0 ) 3 4 2 16
L3
.
~
Le but est dobtenir une matrice A triangulaire suprieure avec 1 sur la diagonale.
Etape N1 :
Puisque le pivot a11(0 ) = 2 0 , on divise la premire linge de A par a11(0 ) et essayer davoir des
zros sous le nouveau pivot a11(1)
On obtient :
Page 2
L1(0 )
L1(1) = .
2 1 5 2 1 2 .
6

(1) .
(1) (0 )
L2 = L2 + L1 0 1 2 1 2 2 A (1) X = b (1)
.
.
L(31) = L(30 ) 3L1(1) 0 7 2 12 2
.
Etape N2 :
(1)
Comme a 22 = 1 2 0 , on refait la mme opration qu ltape n1 mais applique la
deuxime colonne. On obtient :
.
L1(2 ) = L1(1) 1 5 2 1 2 . 6

.
(2 )
L2 = 2 L2 (1)
0 1 1 4 A ( 2 ) X = b (2 )
.
.
7 0 0 4 12
L(32 ) = L(31) L(22 ) .
2
Etape N3 et dernire :
(2 )
Comme a 33 = 4 0 , on refait la mme opration qu ltape n2 mais applique la
troisime colonne. On obtient :
.
L1(3 ) = L1(2 ) 1 5 2 1 2 6
.
(2 ) .
4 A (3 ) X = b (3 ) A X = b
(3 ) ~ ~
L 2 = L2 0 1 1
.
.
(3 )
L3 = L3 4 0 (2 ) 0 1 3
.
~
x3 = b3 x3 = 3
~ ~ ~ (3 )
AX = b A X = b x 2 = b2 a 23 x3 x 2 = 1
x = b~ a (3 ) x a (3) x x =2
1 1 12 2 13 3 1
Et le dterminant de A est donn par :
3
det ( A) = a ii(i 1) = 2. .4 = 4
1
i =1 2
~ ~
On note le nouveau systme A X = b
n
~
xi = bi a~ik x k
k = i +1
~
O a~ij sont les lments de la matrice A
Page 3
II.2.1.1-Calcul de A 1 par la mthode dlimination de Gauss :
Soit une matrice Ann tel que det ( A) 0 . On a A. A 1 = I n
1
On crit : Ann = [V1 , V2 ,..., Vn ] et I n = [e1 , e2 ,..., en ]
Do A. A 1 = I n A.[V1 , V2 ,..., Vn ] = [e1 , e2 ,..., en ] [ AV1 , AV2 ,..., AVn ] = [e1 , e2 ,..., en ]
AV1 = e1
AV = e
2 2
.
(1)
.
.
AV = e
n n
Vi est le vecteur colonne i de la matrice A 1

1

0
.
ei est le vecteur i de la base canonique. (exemple : e1 = . )

.
.
0

En appliquant la mthode dlimination de Gauss au systme (1), on obtient
~
AV1 = e1 A V1 = ~ e1 V1
AV = e ~ ~ V
2 2 A V 2 = e2 2
. . .

. . .
. . .
AV = e ~ ~ V
n n A V n = en n
Exemple : Soit le systme linaire AX = b
O
1 2 1 x1 3

A = 2 4 2 , X = x 2 et b = 10
1 6 0 x 2
3
~ ~
Mthode dlimination de Gauss : AX = b A X = b
On adopte lcriture suivante

.
L1(0 ) 1 2 1 3
.
(0 ) .
L2 2 4 2 10
.
.
( 0 ) 1 6 0 2
L3
.
Page 4
Etape N1 :
Puisque le pivot a11(0 ) = 1 0 , on divise la premire ligne de A par a11(0 ) et essayer davoir des
On obtient :
.
L1(1) = L1(0 ) 1 2 1 . 3

(0 ) .
(1) (1)
L2 = 2 L1 L2 0 8 0 4 A (1) X = b (1)
.
.
(1) (1) ( 0 ) 0 4 1 5
L3 = L1 L3
.
Etape N2 :
(1)
.
L1(2 ) = L1(1) 1 2 1 3
.
.
L2 = L2 8 0
(2 ) (1)
1 0 1 2 A ( 2 ) X = b ( 2 )
.
.
(2 ) (2 ) (1) 0 3
L3 = 4 L2 + L3 0 1
.
(2 )

.
L1(3 ) = L1(2 ) 1 2 1 3
.

.
L(23 ) = L(22 ) 0 1 0 1 2 A (3 ) X = b (3 ) A X = b
~ ~

.

.
L(33 ) = L(32 ) 0 0 1 3

.
~
x3 = b3 x3 = 3
~ ~ ~ (3 )
AX = b A X = b x 2 = b2 a 23 x3 x2 = 1 2
x = b~ a (3 ) x a (3) x x =1
1 1 12 2 13 3 1
Et le dterminant de A est donn par :
3
det ( A) = a ii(i 1) = 1.8.1 = 8
i =1
Calcul de linverse de A .
1 2 1 V11 V12 V13 1 0 0
On a : A. A = I 3 2 4 2 V21 V22 V23 = 0 1 0
1
1 6 0 V31 V32 V33 0 6 1
Page 5
1 2 1 V11 1

2 4 2 V21 = 0 (I)
1 6 0 V31 0

1 2 1 V12 0

4 2 V22 = 1 (II)
2
1 6 0 V32 0

1 2 1 V13 0
2
4 2 V23 = 0 (III)

1 6 0 V33 1
On applique la mthode dlimination de gausse aux systme (I), (II) et (III).
a- Systme (I), (II) et (II) :
On adopte lcriture suivante:
L1(0 ) 1 2 1 . 1 0 0
.
(0 )
L 2 2 4 2 . 0 1 0
.
(0 ) 1 6 0 . 0 0 1
L 3
Etape N1 :
Puisque le pivot a11(0 ) = 1 0 , on divise la premire ligne de A par a11(0 ) et essayer davoir des
L1(1) = L1(0 )1 2 1 . 1 0 0
.
(1) (1) (0 )
L2 = 2 L1 L2 0 8 0 . 2 1 0
.
(1) (1)
(0 ) 0 4 1 . 1 0 1
L3 = L1 L3
Etape N2 :
(1)
L1(2 ) = L1(1) 1 2 1 . 1 0 0
.

L(22 ) = L(21) 8 0 1 0 . 1/ 4 1/ 8 0
.
(2 ) (2 ) (1) 0 0 1 . 2 1 / 2 1
L = 4L + L
3 2 3
(2 )
Page 6
L1(3) = L1(2 ) 1 2 1 . 1 0 0
.
(3 ) (2 )
L2 = L2 0 1 0 . 1 / 4 1 / 8 0
.

L(33) = L(32 ) 0 0 1 . 2 1 / 2 1
Finalement, on obtient :
V31 = e~13 V31 = 2 V11 = 3 / 2
~ ~ ~ (3 )
AV1 = e1 A V1 = e1 V21 = e12 a 23 V31 V21 = 1 4 V21 = 1 4
V = ~ (3 ) (3 ) V = 3 / 2 V =2
11 e11 a12 V21 a13 V31 11 31
~
V32 = e23 V32 = 1 / 2 V12 = 3 / 4
~ ~ ~ (3 )
AV2 = e2 A V2 = e2 V22 = e22 a 23 V32 V22 = 1 8 V22 = 1 8
V = e~ a (3 )V a (3 )V V = 3/ 4 V = 1 / 2
12 21 12 22 13 32 12 32
V33 = e~33 V33 = 1 V13 = 1

~ (3 )
AV3 = e3 A V3 = ~
e3 V23 = ~
e32 a 23 V33 V23 = 0 V23 = 0
V = ~ (3 ) (3 ) V =1 V = 1
13 e31 a12 V23 a13 V33 13 33
Finalement :
V11 V12 V13 3 / 2 3 / 4 1
A = V21 V22 V23 = 1 / 4 1 / 8 0
1
V31 V32 V33 2 1 / 2 1
II.2.2-Mthode de dcomposition LU :
Dfinition :
On dit que A[k ] est la sous matrice principale dordre k de A si A[k ] est la matrice
dordre (k , k ) de coefficients a ij , 1 i, j k , 1 k n
Thorme :
Si A est une matrice carre dordre n dont toutes les sous matrices principales
sont rgulires, alors il existe une dcomposition unique de A sous la forme A = LU .
O L est une matrice triangulaire infrieure avec une diagonale unitaire. U est une
matrice triangulaire suprieure.
La rsolution du systme AX = b devient
LY = b
AX = b LUX = b
UX = Y
La rsolution du systme AX = b revient la rsolution des deux systmes LY = b par un
algorithme descendant ( ) et UX = Y par un algorithme ascendant ( ) . La rsolution de ces
deux systmes est immdiate puisque les matrices L et U sont triangulaires.
Remarque : U est la matrice obtenue par la mthode dlimination de Gauss.
La mthode :
Soit A une matrice dont toutes les sous matrices sont rgulires.
Exemple : A(3,3)
Page 7
1 2 1
A = 2 4 2
1 6 0
On a :
A[1] = [1] , det ( A[1] ) = 1
1 2
A[2 ] = , det ( A[2] ) = 8
2 4
A[3] = A , det ( A[3] ) = 8
Toutes les sous matrice de A sont rgulires, A admet une dcomposition unique A = LU .
On pose :
1 0 0 U 11 U 12 U 13
L = L21 1 0 , U = 0 U 22 U 23

L31 L32 1 0 0 U 33
1 2 1 1 0 0 U 11 U 12 U 13
A = LU 2 4 2 = L21 1 0 0 U 22 U 23

1 6 0 L31 L32 1 0 0 U 33
Par identification, on arrive dterminer les lments des deux matrices L et U .
U 11 = 1 L21U 11 = 2 L21 = 2 L31U 11 = 1 L31 = 1

U 12 = 2 , L21U 12 + U 22 = 4 U 22 = 8 , L31U 12 + L32U 22 = 6 L32 = 1 2
U = 1 L U +U = 2 U = 0 L U + L U + U = 0 U = 1
13 21 13 23 23 31 13 32 23 33 33
Do
1 0 0 1 2 1
L = 2 1 0 , U = 0 8 0
1 1 2 1 0 0 1
Finalement, lalgorithme de la dcomposition LU est donn par :
n 1
U nj = a nj Lnk U kj , j = n,
k =1
Lnn = 1 , n
m 1

aim Lik U km
Lim = k =1
U mm
Remarque :
L est une matrice triangulaire infrieure Lik = 0 pour k > i
U est une matrice triangulaire suprieure U kj = 0 pour k > j
min (i , j )
Donc Lik U kj = 0 pour k > min (i, j ) do aij = L ik U kj
k =1
La rsolution :
Page 8
LY = b (1)
AX = b LUX = b
UX = Y ( 2)
1 0 0 y1 1 y1 = 1
(1) 2 1
()
0 y 2 = 2 y 2 = 0
1 1 2 1 y 3 1 y = 0
3
1 2 1 x1 1 x3 = 0 1
(2) 0
()
8 0 x 2 = 0 x 2 = 0 do X = 0
0 0 1 x3 0 x =1
1
0

n
det ( A) = det (LU ) = det (L ) det (U ) = 1. det (U ) = U ii ,
i =1
n
det ( A) = det (U ) = U ii = 1. 8. 1 = 8
i =1
II.2.3- Calcul de A 1 par la mthode de dcomposition LU :

Soit une matrice Ann tel que toutes les sous matrices A[k ] soient rgulires.
On a A. A 1 = I n
1
On crit : Ann = [V1 , V2 ,..., Vn ] et I n = [e1 , e2 ,..., en ]
Do A. A 1 = I n A.[V1 , V2 ,..., Vn ] = [e1 , e2 ,..., en ] [ AV1 , AV2 ,..., AVn ] = [e1 , e2 ,..., en ]
LY1 = e1
AV1 = e1 LUV1 = e1
UV1 = Y1
LY2 = e2
AV2 = e2 LUV2 = e2
UV2 = Y2
. (1)
.

.
LYn = en
AVn = en LUVn = en
UVn = Yn
Exemple :
Soit la matrice A(3,3) tel que :
2 5 1
A = 1 3 1
3 4 2
1-Trouver les matrices L et U tel que A = LU ?
Il faut dabord sassurer que la matrice A admet une dcomposition LU . On calcule les
dterminant des sous matrices de A .
A[1] = [2] , det ( A[1] ) = 2 0

2 5
A[2 ] = , det ( A[2 ] ) = 1 0
1 3
Page 9
2 5 1
A[3] = 1 3 1 , det ( A[3] ) = 4 0
3 4 2
Les sous matrices de A sont rgulire, la matrice A admet une dcomposition LU unique.
On pose
1 0 0 U 11 U 12 U 13
L = L21 1 0 , U = 0 U 22 U 23

L31 L32 1 0 0 U 33
2 5 1 1 0 0 U 11 U 12 U 13
A = LU 1 3 1 = L21 1 0 0 U 22 U 23

3 4 2 L31 L32 1 0 0 U 33
Par identification, on arrive dterminer les lments des deux matrices L et U .
U 11 = 2 L21U 11 = 1 L21 = 1 2 L31U 11 = 3 L31 = 3 2

U 12 = 5 , L21U 12 + U 22 = 3 U 22 = 1 2 , L31U 12 + L32U 22 = 4 L32 = 7
U = 1 L U + U = 1 U = 1 2 L U + L U + U = 2 U =4
13 21 13 23 23 31 13 32 23 33 33
Finalement :
1 0 0 2 5 1
L = 1 2 1 0 , U = 0 1 2 1 2

3 2 7 1 0 0 4
2-Rsoudre le systme : AX = b o
2 5 1 x1 12

A = 1 3 1 , X = x 2 et b = 8
3 4 2 x 16
3
LY = b
On a AX = b LUX = b
UX = Y
On a LY = b
1 0 0 Y1 12 Y1 = 12
1 2 1 0 Y = 8 Y = 2
2 2
3 2 7 1 Y3 16 Y3 = 12
Et UX = Y
2 5 1 X 1 12 X 3 = 3 X1 = 2
0 1 2 1 2 X = 2 X = 1 X = 1
2 2 2
0 0
4 X 3 12 X 1 = 2
X =3
3
3-Calculer linverse de la matrice A .
On pose A. A 1 = I 3 LUA 1 = I 3
Page 10
1 0 0 2 5 1 V11 V12 V13 1 0 0
1 2 1 0 0 1 2 1 2 V
21 V22 V23 = 0 1 0
3 2 7 1 0 0 4 V31 V32 V33 0 0 1
1 0 0 2 5 1 V11 1

1 2 1 0 0 1 2 1 2 V21 = 0
3 2 7 1 0 0 4 V31 0

1 0 0 2 5 1 V12 0

1 2 1 0 0 1 2 1 2 V22 = 1
3 2 7 1 0 0 4 V32 0

1 0 0 2 5 1 V13 0
1 2
1 0 0 1 2 1 2 V23 = 0

3 2 7 1 0 0 4 V33 1
1 0 0 Y11 1 2 5 1 V11 Y11

1 2 1 0 Y21 = 0 et 0 1 2 1 2 V21 = Y21
3 2 7 1 Y31 0 0 0 4 V31 Y31

1 0 0 Y12 0 2 5 1 V12 Y12

1 2 1 0 Y22 = 1 et 0 1 2 1 2 V22 = Y22
3 2 7 1 Y32 0 0 0 4 V32 Y32

1 0 0 Y13 0 2 5 1 V13 Y13
1 2
1 0 Y23 = 0 et 0 1 2 1 2 V23 = Y23

3 2 7 1 Y33 1 0 0 4 V33 Y33
Y11 1 V11 1 2

Y21 = 0 et V21 = 1 4
Y31 0 V 5 4
31

Y12 0 V12 3 2

Y22 = 1 et V22 = 1 4
Y 0 V 7 4
32 32
Y13 0 V13 1 2
Y = 0
23
et V23 = 1 4
Y33 1 V 1 4
33
1/ 2 3 / 2 1 / 2
Finalement : A = 1 / 4 1 / 4 1 / 4

1
5 / 4 7 / 4 1 / 4
Page 11
II.2.3-Mthode de Cholesky :
Soit A une matrice carre dordre n tel que A = (a ij )1i , j n
Dfinition :
1- La matrice A est dite symtrique si elle concide avec sa transpose.
A = A t a ij = a ji , i, j = 1, n
2- La matrice A est dite dfinie positive si
i- V t AV 0 , V R n
ii- V t AV = 0 V = 0 R n
Si les deux conditions (1) et (2) sont vrifies, alors A est appele Matrice Symtrique
Dfinie Positive. (S.D.P)
Thorme :
La matrice A est dfinie positive si et seulement si tous ses mineurs :
a a12
1 = a11 , 2 = det 11 ; ;, n 1 = det (A[n 1] ) ; n = det ( A) sont strictement
a 21 a 22
positifs.
Thorme de Cholesky :
Soit A une matrice carre dordre n , non singulire et symtrique. Pour quil existe
une matrice triangulaire infrieure L , de mme dimension que A , telle que A = L.Lt , il faut
et il suffit que A soit une matrice dfinie positive.
Remarque : La matrice L nest pas unique. La dcomposition devient unique si lon fixe
lavance les lments diagonaux Lii avec Lii > 0
Algorithme de dcomposition :
Afin dobtenir les lments Lij de la matrice L , on multiplie les matrices L et Lt , puis
on identifie les coefficients respectifs dans lgalit A = L.Lt pour obtenir les quations :
L11 = a11
i 1
L = a L2 , i = 2, n
ii ii
k =1
ik
j 1
L = 1 a L L , i > j
ij L jj ij k =1
ik jk

Lij = 0 , i < j
Rsolution du systme AX = b
La rsolution du systme AX = b revient rsoudre :
LY = b
AX = b LLt X = b t
L X = Y
Do on obtient
Page 12
b1
Y1 =
L11
i 1
Yi = 1
i Lik Yk ; i = 2, n
b
Lii k =1
Et
Yn
Xn =
Lnn

X i = 1 n

i Lki X k ; i = 1, n 1
Y
Lii k =i +1
Calcul du dterminant de A
2
( )
A = L.L det ( A) = det L.L = det (L ). det L = [det (L )]
t t
( )
t 2 n
= Lii
i =1
Exemple :
On considre la matrice :
1 3 5 1
3 13 19 3
A=
5 19 38 2

1 3 2 18
La matrice A est symtrique : A = A t
La matrice A est dfinie positive :
On a les dterminants des mineurs de A qui sont tous positifs :
A[1] = [1] , det ( A[1] ) = 1 > 0
1 3
A[2 ] = , det ( A[2 ] ) = 4 > 0
3 13
1 3 5
A[3] = 3 13 19 , det ( A[3] ) = 36 > 0

5 19 38
1 3 5 1
3 13 19 3
A[4 ] = , det ( A4 ) = 30 > 0
5 19 38 2

1 3 2 18
La matrice A est une matrice symtrique dfinie positive, elle admet une dcomposition
A = L.Lt
L11 0 0 0
L L22 0 0
On pose : L = tel que : Lii > 0, i = 1, 4
21
L31 L32 L33 0

L41 L42 L43 L44
Page 13
Calcul des Lij
On a
L11 0 0 0 L11 L21 L31 L41 1 3 5 1
L L22 0 0 0 L22 L32
L42 3 13 19 3

L.L = A =
t 21
L31 L32 L33 0 0 0 L33 L43 5 19 38 2

L41 L42 L43 L44 0 0 0 L44 1 3 2 18
Do
L11 = a11 = 1 = 1
a12
L11 .L21 = a12 = 3 L21 = = 3
L11
a
L11 .L31 = a13 = 5 L31 = 13 = 5
L11
a
L11 .L41 = a14 = 1 L41 = 14 = 1
L11
L221 + L222 = a 22 = 13 L22 = a 22 L221 = 13 9 = 2
(a L21 L31 ) 19 + 15
L21 L31 + L22 L32 = a 23 = 19 L32 = 23 = = 2
L22 2
(a L21 L41 ) = 3 + 3 = 0
L21 L41 + L22 L42 = a 24 = 3 L42 = 24
L22 2
L231 + L232 + L233 = a33 = 38 L33 = a33 L231 L232 = 38 25 4 = 3
a34 L41 L31 L42 L32 2 5
L41 L31 + L42 L32 + L43 L33 = a34 = 2 L43 = = = 1
L33 3
L241 + L242 + L243 + L244 = a 44 = 18 L44 = a 44 L241 L242 L243 = 18 1 0 1 = 4
Finalement :
1 0 0 0 1 3 5 1
3 2 0 0 0 2 2 0
L= et Lt =
5 2 3 0 0 0 3 1

1 0 1 4 0 0 0 4
Page 14
II.3-Mthodes Itratives :
Dfinitions :
- Soit A une matrice carre dordre n . An,n .
n
On appelle trace de A le scalaire not : tra ( A) = a ii
i =1
On dit que C est une valeur propre de A si et seulement si il existe une

r r r r r
vecteur V C n tel que : V 0 C n et AV = V
Les valeurs propres de la matrice A sont les racines relles ou complexes du
polynme caractristique de A not : PA ( ) = det ( A I ) = 0
n n
tra ( A) = i ( A) , det ( A) = i ( A)
i =1 i =1
Le spectre de la matrice A , not S p ( A) = {i ( A)}

Le rayon spectral de la matrice A , not ( A) = max (i (A))
1 i n
La matrice A est diagonale dominante stricte (D.D.S) si et seulement si
n n
a ii > aij , i fix ou a jj > aij , j fix
j =1 i =1
j i i j
Propositions :
1- Si A est symtrique, alors toutes les valeurs propres de A sont relles, de plus si A
est dfinie positive, alors les valeurs propres de A sont toutes positives.
2- On suppose que A est une matrice diagonale strictement dominante (D.D.S), alors
les valeurs propres de A sont non nulles.
Consquences : A est une matrices diagonale strictement dominante det ( A) 0 ,
linverse de A existe.
Normes Matricielles :
On appelle norme matricielle toute application de M m (R ) dans R + qui satisfait les
axiomes suivants :
M m (R ) R +
A A
norme de A
I. A 0 de plus A = 0 si et seulement si A = 0 .
II. A = A R , A
III. A + B A + B , A et B
IV. A.B A . B , A et B
Exemple de normes Matricielles

1/ 2
n n 2 n
A 1 = max aij ,
n
A 2 = aij , A3= A
= max a ij
1 j n i =1 i =1 j =1 1i n j =1
Page 15
Application :
1 1 0
A = 0 3 2

2 1 2
A3= A
= max ( ai1 + ai 2 + a i 3 )
1 i 3
A3= A
= max( a11 + a12 + a13 ; a 21 + a 22 + a 23 ; a31 + a32 + a33 )
A3= A
= max(1 + 1; 3 + 2; 2 + 1 + 2 ) = max(2; 5; 5) = 5
Proposition :
Soit A une matrice carre dordre n , alors ( A) A
Lorsque lordre n dun systme algbrique linaire est trs grand, la rsolution du
systme par les mthodes directes (Gauss, LU, Cholesky, .) devient assez compliqu. On
fait appel aux mthodes dites itratives ou indirectes, sous rserve de convergence. Le
( )
principe de ces mthodes consiste dfinir une suite de valeurs X (k ) convergentes vers la
solution exacte ( X ) du systme AX = b .
Dfinition :
Une mthode itrative de rsolution du systme AX = b consiste dabord passer au
systme X = X + (que lon dterminera) et sa solution est alors la limite de la suite dfinie
par : X k +1 = X k + , X 0 tant une approximation initiale.
Remarque : Les mthodes itratives sont gnralement utilises lorsque lordre du systme
est suprieur 100 (n 100) et si la matrice A contient beaucoup dlments nuls.
Les mthodes itratives sont :
1- La mthode de Jacobi ;
2- La mthode de Gauss-Seidel.
(aij )
II.3.1-Mthode de Jacobi :
On suppose que les aii 0 , i = 1, n o A =
1 i , j n
Le systme AX = b scrit encore :

a11 x1 + a12 x 2 + a13 x3 + + a1n 1 x n 1 + a1n x n = b1
a x + a x + a x + + a x + a x = b
21 1 22 2 23 3 2 n 1 n 1 2n n 2
a 31 x1 + a 32 x 2 + a 33 x3 + + a3n 1 x n 1 + a 3n x n = b1

a x + a x + a x + + a x + a x = b
n1 1 n2 2 n3 3 nn 1 n 1 nn n n
Le principe de la mthode de Jacobi consiste rsoudre la I me quation par rapport

linconnue xi . On obtient alors le systme quivalent, appel systme rduit.
Page 16
x1 = 1 + 0 x1 + 12 x 2 + 13 x3 + + 1n 1 x n 1 + 1n x n
x = + x + 0 x + x + + x + x
2 2 21 1 2 23 3 2 n 1 n 1 2n n
x3 = 3 + 31 x1 + 32 x 2 + 0 x3 + + 3n 1 x n 1 + 3n x n

x = + x + x + x + + x + 0 x
n n n1 1 n2 2 n3 3 nn 1 n 1 n
O
a ij
b ij = , i j , i, j = 1, n
i = i , i = 1, n et a ii
aii = 0,
ii i = 1, n
Le systme rduit ainsi obtenu scrit sous forme matricielle comme suit :
X = X +
O
= ( ij ), = ( i )
0 12 13 1n 1 1n 1
0 23 2 n 1 2 n
21 2
32 0 3n 1 3n
= 31 , = 3

n1 n 2 n3 n 1n 0 n
= ( ij ) est la matrice de Jacobi.
Conclusion : Le systme AX = b devient quivalent au systme rduit X = X +
AX = b X = X + (Forme rcursive)
A partir du systme X = X + , en partant dune approximation initiale arbitraire X (0 ) , on
rsout le systme :
X (k +1) = X (k ) + ; k N
Si la suite des approximations X (0 ) , X (1) ,, X (k ) ,possde une limite X = lim X (k ) ,
k
cette limite est solution du systme X = X + et donc du systme AX = b .
En effet, il suffit de passer la limite dans le systme X (k +1) = X (k ) + pour obtenir :
( k +1)
lim X = lim X (k ) + X = X + AX = b
k k
Page 17
Algorithme de la mthode :
Ecrivons le systme X (k +1) = X (k ) + sous forme dveloppe :
n
n

(k +1) (k ) ( k +1) (k ) ( k +1) 1 (k )
X = X + xi = ij x j + i , i = 1, n xi = bi aij x j , i = 1, n
j =1 aii j =1

j i j i
Do lalgorithme de Jacobi :

(0 )
X donn

(k +1) 1 n
(k )
xi = bi aij x j , i = 1, n
aii j =1

j i
Critre darrt :
En pratique, les itrations vont jusqu atteindre la prcision donne au pralable,
qui se traduit par :
xi(k +1) xi(k ) , i = 1, n
Convergence de la mthode de Jacobi :
Thorme :
Une condition ncessaire et suffisante pour que lalgorithme de Jacobi converge,
indpendamment de la condition initiale X (0 ) , est que ( ) < 1 o ( ) = max i ,
1 i n
i : valeur propre de
Remarque :
1- Le calcul de ( ) est trs compliqu, il suffit alors de vrifier si < 1 , puisque
( )
2- La mthode de Jacobi converge si lune des conditions suivantes est vrifie :
1 <1
2
<1
3 = <1
3- Si A est une matrice diagonale dominante stricte (DDS) alors la mthode de Jacobi
converge.
Page 18
II.3.2-Mthode de Gauss-Seidel :
Soit le systme AX = b o
a11 a12 a13 a1n 1 a1n b1

a a 22 a 23 a 2 n 1 a 2 n b
21 2
a a 32 a 33 a 3n1 a 3n b3
A = (a ij ) = 31 , b=

a n1 a n 2 a n 3 a n1n a nn bn
Soient D , E et F les matrices dfinies par :
a11 0 0 0 0 0 0 0 0 0
0 a 22 0 0 0
0 a 21 0 0 0
0 0 a 33 0 0 a31 a 32 0 0 0
D= , E = ,

0 0 0 0 a nn a n1 a n 2 a n3 a n 1n 0
0 a12 a13 a1n 1 a1n
0 0 a 23 a 2 n1 a 2 n

0 0 0 a3n 1 a 3n
F=

0 0 0 0 0
1- Algorithme de Jacobi :
On a A = D E F do
AX = b (D E F )X = b DX = (E + F )X + b
Et de l on obtient :
Dx (k +1) = (E + F )x (k ) + b
ou encore
x (k +1) = D 1 (E + F )x (k ) + D 1b Formule de Jacobi
x (k +1) = x (k ) + o = D 1 (E + F ) et = D 1b
Qui nest autre que la formule de Jacobi.
En effet :
1 / a11 0 0 0 0 b1 a11
0 1 / a 22 0 0 0 b a
2 22
0 0 1 / a 33 0 0 b3 a 33
D 1 = =
1
, D b=

0 0 0 0 1 / a nn bn a nn
Page 19
0 a12 a11 a13 a11 a1n1 a11 a1n a11
a a 0 a 23 a 22 a 2 n1 a 22 a 2 n a 22
21 22
a31 a 33 a32 a 33 0 a3n1 a33 a 3n a 33
D 1 (E + F ) = =

a n1 a nn a n 2 a nn a n3 a nn a n _ 1n a nn 0
Ainsi, on aboutit lalgorithme de Jacobi.
Remarque : On peut noter par J do
x (k +1) = Jx (k ) +
2- Algorithme de Gauss-Seidel :
Une autre dcomposition de A , autre que celle dveloppe ci-dessus, permet daboutir
la mthode de Gauss-Seidel :
On a :
AX = b (D E F )X = b (D E )X = FX + b
Do
(D E )x (k +1) = Fx (k ) + b
ou encore
x (k +1) = (D E ) Fx (k ) + (D E ) b Formule de Gauss-Seidel
1 1
Et en dveloppant la formule rcursive ci-dessus, on aboutit lalgorithme de Gauss-Seidel.
Algorithme de Gauss-Seidel :

X (0 ) donn

(k +1) 1 i 1
( k +1)
n
xi = i aij x j
b a ij x (jk ) , i = 1, n
a ii j =1 j =i +1
Remarque :
1- La matrice de Gauss-Seidel, note G s est donne par : G s = (D E ) F
1
2- La matrice de Jacobi, note J , est donne par : J = D 1 (E + F )

3- Pour pouvoir appliquer la mthode de Gauss-Seidel, il faut que les aii 0 , i = 1, n .
4- Tous les rsultats de convergence pour la mthode de Jacobi ( J ) restent valables pour
la mthode de Gauss-Seidel ( G s ) (remplacer par J ou par G s ).
Page 20
Exemple 1 :
On considre le systme AX = b
3 1 x 5
O A= ; X = 1 ; b=
1 4 x 2 - 6
1-Calculer la matrice G de Gauss-Seidel associe au systme.
2- En partant de la relation AX = b , montrer que (D E )1 b = X GX .
Solution 1:
1-Calcul de la matrice de Gauss-Seidel G associe au systme :
On pose A = D E F
3 0 0 0 0 1
D= , E= et F =
0 4 1 0 0 0
On a G = (D E ) F
1
1
3 0 0
, (D E ) = 3
1
DE =
1 4 1 1

12 4
1 1
3 0 0 1 0 3
G = (D E ) F =
1
G=
1 1 0 0 1
,
0
12 4 12
2-On pose A = D E F
O
3 0 0 0 0 1
D= , E= ; A=
0 4 1 0 0 0
2-Le systme AX = b scrit alors (D E F )X = b

Do (D E )X = FX + b => X = (D E ) FX + (D E ) b = GX + (D E ) b
1 1 1
=> (D E )1 b = X GX
On crit le processus itratif :
X ( K +1) GX ( K ) = (D E ) b => X ( K +1) X ( K ) GX ( K ) = (D E ) b X ( K )
1 1
(a)
X GX = (D E ) b => X X GX = (D E ) b X
(K ) (K )
1 1
(b)
a)=(b) => X ( K +1) X ( K ) = X ( K ) X GX + GX ( K )
(
X ( K +1) X ( K ) = ( I G ) X ( K ) X )
Page 21
Exemple 2:
On considre le systme AX = b , o la matrice A est dfinie de la faon suivante :
1 2(1 ) 0
A = 1 2 0
0 0 1
et est un paramtre rel.
1-Sans calculer les matrices ditration, donner une condition suffisante sur le paramtre
pour que les mthodes de Gauss-Seidel et de Jacobi soient convergentes.
2-Calculer les matrices ditration J pour la mthode de Jacobi et G pour la mthode de
Gauss-Seidel.
3- Etablir pour quelles valeurs de les mthodes sont convergentes. Quelle est la mthode
qui converge le plus rapidement.
Solution 2:
1- On sait que si la matrice A est une matrice diagonale dominante stricte par ligne, alors
les mthodes de Gauss-Seidel et de Jacobi sont convergentes. Pour satisfaire cette condition, il
faut imposer :
1 > 2(1 ) ==> < <
1 3
2 2
2-Calcul des matrices ditration J pour la mthode de Jacobi et G pour la mthode de

Gauss-Seidel.
On pose A = D E F
1 0 0 0 0 0 0 2(1 ) 0
O D = 0 2 0 , E = 1 0 0 et F = 0
0 0
0 0 1 0 0 0 0 0 0
0 2( 1) 0

J = D ( E + F ) = 1 2
1
0 0
0 0 0
0 2( 1) 0
G = (D E ) F = 0 1 0
1
0 0 0
3- Les valeurs de pour lesquelles les mthodes sont convergentes.

Les mthodes convergent si leurs rayons spectraux sont strictement infrieurs 1.
On a ( A) = max
i (A) o i (A) sont les valeurs propres de la matrice A .
1i n
Pour la matrice de Jacobi J , les valeurs propres sont 1 ( J ) = 0 , 2,3 ( J ) = 1

Donc ( J ) = 1 et ( J ) < 1 si et seulement si 1 < < 2 .
Pour la matrice de Jacobi G , les valeurs propres sont 1, 2 (G ) = 0 , 3 (G ) = 1
Donc (G ) = 1 et (G ) < 1 si et seulement si 0 < < 2 .
Page 22
La mthode qui converge le plus rapidement.
On voit que (G ) = 2 ( J ) ==> La mthode de Gauss-Seidel converge plus vite que celle de
Jacobi.
Exemple 3 : On considre le systme linaire AX = b avec

10 5 0 0 6
5 10 4 0 25

A= , b=
0 4 8 1 11
11
0 0 1 5
La matrice A peut scrire comme A = D E F o les matrices D , E et F sont donnes
par :
a , i = j a , i > j a , i < j
D = (D )ij = ij , E = (E )ij = ij , F = (F )ij = ij
0, i j 0, i j 0, i j
1- On considre les deux mthodes itratives suivantes :
x (k +1) = D 1 (E + F )x (k ) + D 1b = B1 x (k ) + 1
x (k +1) = (D E ) Fx (k ) + (D E ) b = B2 x (k ) + 2
1 1
Calculer les matrices B1 , B2 et les vecteurs 1 et 2 .
2-Calculer le rayon spectral des deux matrices ditration et tablir si les deux mthodes sont
convergentes. De quelles mthodes sagit-il ? Au vu des rayons spectraux calculs, quelle est
la mthode la plus rapide ?
3-Rsoudre le systme linaire AX = b avec une prcision = 10 6 , en utilisant les deux
0
0
(0 )
mthodes et le vecteur initial X =
0
0
Exemple 4 :
Soit la matrice
1 a a
A = a 1 a
a a 1
1- Pour quelles valeurs de a la matrice A est-elle dfinie positive ?
2- Ecrire la matrice J de litration de Jacobi
3- Pour quelles valeurs de a la mthode de Jacobi converge-t-elle ?
4- Ecrire la matrice G de litration de Gauss-Seidel.
5- Calculer (G ) . Pour quelles valeurs de a la mthode de Jacobi converge-t-elle plus
vite que celle de Jacobi ?
Page 23
Exemple : Soit le systme AX = b o :
1 2 3 4
5 6 7 8
A=
9 10 11 12

13 14 15 16
1- Ecrire la matrice J de litration de Jacobi
2- Ecrire la matrice G s de litration de Gauss-Seidel
Solution :
On crit la matrice A sous la forme A = D E F o
1 0 00 0 0 0 0 0 2 3 4
0 6 0 0 5 0 0
0 0 0 7 8
D= , E= , F=
0 0 11 0 9 10 0 0 0 0 0 12

0 0 0 16 13 14 15 0 0 0 0 0
1- La matrice de Jacobi est donne par :
AX = b (D - E - F)X = b DX = (E + F)X + b X = D -1 (E + F)X + D -1b = JX +

O
J = D -1 (E + F) et = D -1b
On crit : J = D -1 (E + F) = D -1 (D A) = I D 1 A
0 2 3 4
5/ 6 0 7/6 4 / 3
J=
9 / 11 10 / 11 0 12 / 11

13 / 11 14 / 11 15 / 11 0
2- La matrice de Gauss-Seidel est donne par :
AX = b (D - E - F)X = b (D - E )X = FX + b X = (D - E ) FX + (D - E ) b = G s X + 1
-1 -1
O
G s = (D - E ) F et 1 = (D - E ) b
-1 -1
On crit : G s = (D - E ) F = (D - E ) (D - E - A ) = (D - E ) (D - E ) (D - E ) A
-1 -1 -1 -1
G s = I (D - E ) A
-1
0 2.0000 3.0000 4.0000

0 0.6667 1.3333 2.0000
Gs =
0 0.1212 0.2424 0.3636

0 0.0530 0.1061 0.1591
Veuillez trouver les cours, TDs, TPs, les exercices corrigs ainsi que les
sujets d'examens sur:
http://rsee-hydraulique.blogspot.com/
Bon courage ! Page 24

CHAP2 Resolution Systemes Lineaires

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CHAP2 Resolution Systemes Lineaires

Transféré par

Droits d'auteur :

Formats disponibles

Universit A.

a11 a12 . . a1m

Formule gnrale pour le calcul de det ( A) selon les lignes :

II.1.3- Mthode de Cramer :

Vi est le vecteur colonne i de la matrice A 1

On adopte lcriture suivante

1 6 0 V31 V32 V33 0 6 1

V33 = e~33 V33 = 1 V13 = 1

II.2.3- Calcul de A 1 par la mthode de dcomposition LU :

A[1] = [2] , det ( A[1] ) = 2 0

3-Calculer linverse de la matrice A .

L31 L32 L33 0

L31 L32 L33 0 0 0 L33 L43 5 19 38 2

On dit que C est une valeur propre de A si et seulement si il existe une

Le spectre de la matrice A , not S p ( A) = {i ( A)}

Exemple de normes Matricielles

Le systme AX = b scrit encore :

Le principe de la mthode de Jacobi consiste rsoudre la I me quation par rapport

a11 a12 a13 a1n 1 a1n b1

Et en dveloppant la formule rcursive ci-dessus, on aboutit lalgorithme de Gauss-Seidel.

2- La matrice de Jacobi, note J , est donne par : J = D 1 (E + F )

2-Le systme AX = b scrit alors (D E F )X = b

2-Calcul des matrices ditration J pour la mthode de Jacobi et G pour la mthode de

3- Les valeurs de pour lesquelles les mthodes sont convergentes.

Pour la matrice de Jacobi J , les valeurs propres sont 1 ( J ) = 0 , 2,3 ( J ) = 1

Exemple 3 : On considre le systme linaire AX = b avec

Calculer les matrices B1 , B2 et les vecteurs 1 et 2 .

1- La matrice de Jacobi est donne par :

AX = b (D - E - F)X = b DX = (E + F)X + b X = D -1 (E + F)X + D -1b = JX +

0 2.0000 3.0000 4.0000

Vous aimerez peut-être aussi