Académique Documents
Professionnel Documents
Culture Documents
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
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.
j =1
Page 1
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Page 4
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
Etape N1 :
Puisque le pivot a11(0 ) = 1 0 , on divise la premire ligne de A par a11(0 ) et essayer davoir des
zros sous le nouveau pivot a11(1)
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)
Comme a 22 = 8 0 , on refait la mme opration qu ltape n1 mais applique la
deuxime colonne. On obtient :
.
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
.
Etape N3 et dernire :
(2 )
Comme a 33 = 1 0 , on refait la mme opration qu ltape n2 mais applique la
troisime colonne. On obtient :
.
L1(3 ) = L1(2 ) 1 2 1 3
.
.
L(23 ) = L(22 ) 0 1 0 1 2 A (3 ) X = b (3 ) A X = b
~ ~
.
.
L(33 ) = L(32 ) 0 0 1 3
.
~
x3 = b3 x3 = 3
~ ~ ~ (3 )
AX = b A X = b x 2 = b2 a 23 x3 x2 = 1 2
x = b~ a (3 ) x a (3) x x =1
1 1 12 2 13 3 1
Et le 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
Page 5
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
1 2 1 V11 1
2 4 2 V21 = 0 (I)
1 6 0 V31 0
1 2 1 V12 0
4 2 V22 = 1 (II)
2
1 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
zros sous le nouveau pivot a11(1)
L1(1) = L1(0 )1 2 1 . 1 0 0
.
(1) (1) (0 )
L2 = 2 L1 L2 0 8 0 . 2 1 0
.
(1) (1)
(0 ) 0 4 1 . 1 0 1
L3 = L1 L3
Etape N2 :
(1)
Comme a 22 = 8 0 , on refait la mme opration qu ltape n1 mais applique la
deuxime colonne. On obtient :
L1(2 ) = L1(1) 1 2 1 . 1 0 0
.
L(22 ) = L(21) 8 0 1 0 . 1/ 4 1/ 8 0
.
(2 ) (2 ) (1) 0 0 1 . 2 1 / 2 1
L = 4L + L
3 2 3
Etape N3 et dernire :
(2 )
Comme a 33 = 1 0 , on refait la mme opration qu ltape n2 mais applique la
troisime colonne. On obtient :
Page 6
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
L1(3) = L1(2 ) 1 2 1 . 1 0 0
.
(3 ) (2 )
L2 = L2 0 1 0 . 1 / 4 1 / 8 0
.
L(33) = L(32 ) 0 0 1 . 2 1 / 2 1
Finalement, on obtient :
V31 = e~13 V31 = 2 V11 = 3 / 2
~ ~ ~ (3 )
AV1 = e1 A V1 = e1 V21 = e12 a 23 V31 V21 = 1 4 V21 = 1 4
V = ~ (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
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
1 2 1
A = 2 4 2
1 6 0
On a :
A[1] = [1] , det ( A[1] ) = 1
1 2
A[2 ] = , det ( A[2] ) = 8
2 4
A[3] = A , det ( A[3] ) = 8
Toutes les sous matrice de A sont 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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
LY = b (1)
AX = b LUX = b
UX = Y ( 2)
1 0 0 y1 1 y1 = 1
(1) 2 1
()
0 y 2 = 2 y 2 = 0
1 1 2 1 y 3 1 y = 0
3
1 2 1 x1 1 x3 = 0 1
(2) 0
()
8 0 x 2 = 0 x 2 = 0 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
Page 9
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
2 5 1
A[3] = 1 3 1 , det ( A[3] ) = 4 0
3 4 2
Les sous matrices de A sont 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
On pose A. A 1 = I 3 LUA 1 = I 3
Page 10
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
1 0 0 2 5 1 V11 V12 V13 1 0 0
1 2 1 0 0 1 2 1 2 V
21 V22 V23 = 0 1 0
3 2 7 1 0 0 4 V31 V32 V33 0 0 1
1 0 0 2 5 1 V11 1
1 2 1 0 0 1 2 1 2 V21 = 0
3 2 7 1 0 0 4 V31 0
1 0 0 2 5 1 V12 0
1 2 1 0 0 1 2 1 2 V22 = 1
3 2 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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Page 13
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
Calcul des Lij
On a
L11 0 0 0 L11 L21 L31 L41 1 3 5 1
L L22 0 0 0 L22 L32
L42 3 13 19 3
L.L = A =
t 21
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
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
Page 15
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
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
Page 16
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
II.3.2-Mthode de Gauss-Seidel :
Soit le systme AX = b o
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
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
Page 20
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
=> (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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
0 0 0
Page 22
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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.
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
Universit A. Mira de Bjaia
Facult de la Technologie 2me Anne LMD/ST
MATH VI : Analyse Numrique Mr : MEZIANI Bachir
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
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
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