Vous êtes sur la page 1sur 24

Chapitre 1

`

INTRODUCTION A L’ANALYSE

´

NUM ERIQUE

Chapitre 1

`

´

INTRODUCTION A L’ANALYSE NUM ERIQUE

1.1 Introduction g´en´erale

La maˆıtrise des m´ethodes num´eriques est une n´ecessit´e pour la r´esolution des probl`emes que l’ing´enieur est amen´e a` rencontrer au cours de sa vie professionnelle. Les exemples ´enum´er´es ci-dessous a` titre d’introduction illustrent cette n´ecessit´e.

Exemple 1 Soit Ω un ouvert de IR n , (n = 2 ou 3) et soit l’´equation aux d´eriv´ees partielles (EDP) suivante :

(1.1)

   (t, x) θ(t, x) = f (t, x),

∂t

θ(t, x) = θ 0 (t, x),

θ(0, x) = θ 1 (x),

x

∂θ

t > 0 , x

t > 0 , x

(conditions aux limites)

(conditions initiales)

appel´ee ´equation de la chaleur, ou` :

Ω est la fronti`ere de Ω ;

f d´esigne une source de chaleur ;

θ(x, t) d´esigne la temp´erature en un point x = (x 1 , ··· , x n ) Ω a` l’instant t ;

θ 0 est une temp´erature donn´ee, impos´ee sur la fronti`ere de Ω ; θ 1 (x), x Ω, est la temp´erature a` l’instant initial t = 0 ;

∆ est l’op´erateur Laplacien ; ∆θ =

n

2 θ ∂x est tr`es

2

i

.

i=1

de Ω

Mis a` part le cas ou` la g´eom´etrie

simple, f , θ 0

et θ 1 ont des expressions

simples, on ne sait pas trouver la solution de l’´equation aux d´eriv´ees partielles ci-dessus.

Exemple 2 Dans le cas stationnaire (∂θ/∂t = 0), l’´equation de la chaleur (1.1) s’´ecrit :

(1.2)

θ(x) = f(x), θ(x) = θ 0 (x),

x x

Dans le cas g´en´eral, on ne sait pas r´esoudre explicitement cette ´equation.

On doit trouver une approximation de la solution de l’´equation (1.1) (ou (1.2)). Pour cela, on peut utiliser par exemple la m´ethode des ´el´ements finis ou celle des diff´erences finies. Toutes ces m´ethodes conduisent a` des syst`emes lin´eaires a` r´esoudre ( si les probl`emes de d´epart sont lin´eaires). La m´ethode des diff´erences finies sera pr´esent´ee dans l’exemple 6 ci- dessous.

Exemple 3 On consid`ere une plaque encastr´ee dans le plan (x 1 , x 2 ), soumise a` une distribution surfacique de forces f . Si on note u le d´eplacement transversal de la plaque, alors u est solution de l’´equation :

∆∆u = f

u = u ∂ν

= 0

dans Ω

sur

ou` ν d´esigne la normale unitaire ext´erieure a` Ω.

6

`

´

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

Sous certaines hypoth`eses, le probl`eme de vibration de la plaque conduit a` ´etudier l’´equation

∆∆u = λu

qu’on ne sait pas r´esoudre dans le cas g´en´eral. La recherche de solutions approch´ees par la m´ethode des ´el´ements finis ou celle des diff´erences finies conduit a` des probl`emes de recherche de valeurs propres de matrices.

Exemple 4 :

(Notion de conditionnement d’un syst`eme lin´eaire)

On consid`ere le syst`eme lin´eaire suivant :

(1.3)

2x 1 + 6x 2 = 8 2x 1 + 6, 00001x 2 = 8, 00001

dont la solution est donn´ee par x 1 = 1 et x 2 = 1. Si par contre on consid`ere le syst`eme lin´eaire (1.4) obtenu en ”perturbant” tr`es l´eg`erement le syst`eme (1.3) :

(1.4)

2x 1 + 6x 2 = 8 2x 1 + 5, 99999x 2 = 8, 00002

on trouve x 1 = 10 et x 2 = 2 ! Si on note par A, b et x la matrice, le second membre et la solution correspondant au syst`eme lin´eaire (1.3), alors on a :

δx = 9 δA + δb = 2 · 10 5 δx = 4, 5 · 10 5 ( δA + δb )

2

ou` δx = max 1i2 |(δx) i | et δA = max 1i2 j=1 |(δA) ij |. D’ou` la n´ecessit´e d’introduire la notion de conditionnement d’une matrice, vis-`a-vis de la r´esolution des syst`emes lin´eaires. Cela fera l’objet de la section 1.5 ci-dessous ; on verra que la matrice A du syst`eme lin´eaire (1.3) est en fait ”mal conditionn´ee”. Pour une matrice A bien conditionn´ee” vis-`a-vis de la r´esolution des syst`emes lin´eaires, une ”petite” perturbation de A ou du second membre b engendre une ”petite perturbation” de la solution du syst`eme lin´eaire Ax = b.

Exemple 5 :

(Notion de conditionnement d’un probl`eme de valeurs propres)

Soient ε un r´eel et A ε la matrice donn´ee par

0

0

0

1

0

0

A ε =

1

0

0

0

0

1

ε

0

0

0

Si ε = 0, alors les valeurs propres de A 0 , not´ees λ 1 , ··· , λ 4 , sont toutes nulles. Si ε = 10 4 , alors les valeurs propres de A ε sont solutions de l’´equation

det(A ε λI) = λ 4 ε = 0

d’ou` |λ i | 4 = 10 4 , 1 i 4. Ainsi |λ i | = 10 1 . On a alors

δA 0 = 10 4 et δ|λ i | = 10 1 = 1000 δA 0

D’ou` la n´ecessit´e d’introduire la notion de conditionnement d’une matrice vis-`a-vis de la recherche de valeurs propres. On verra alors, lorsqu’on ´etudiera les probl`emes de valeurs

vis-`a-vis de la recherche des

propres, que la matrice A 0 ci-dessus est mal conditionn´ee valeurs propres

valeurs vis-`a-vis de la recherche des propres, que la matrice A 0 ci-dessus est mal conditionn´ee

Introduction g´en´erale

7

Exemple 6 : (M´ethode des diff´erences finies) On consid`ere l’´equation de la chaleur dans le cas stationnaire avec conditions aux limites homog`enes :

(1.5)

u = f = 0

u |

dans Ω =]0, a[×]0, b[IR 2

On subdivise l’intervalle ]0, a[ en utilisant N + 2 points et l’intervalle ]0, b[ en utilisant M + 2 points comme suit :

x i =

ih, i = 0, · · · , N + 1

y j = jk, j = 0, ··· , M + 1

;

h = δx =

;

k = δy =

a

N

+ 1

b

M

+ 1

Pour chercher une approximation des quantit´es u(x i , y j ), 1 i N et 1 j M , ou`

u est solution de l’´equation (1.5), on remplace les d´eriv´ees partielles de u par des taux

d’accroissement (rapports de diff´erences finies) en utilisant la formule de Taylor-Lagrange :

(1.6)

u(x + h, y + k)

∂u

∂x

(x, y) + k u ∂y (x, y)+

=

u(x, y) + h

1 h 2 2 u

∂x 2

2

(x, y) + 2hk xy (x, y) + k 2 2 u (x, y) +

2 u

∂y 2

+

+ O(|h 3 | + |k 3 |)

Pour x = x i , y = y j et en choisissant k = 0 dans (1.6), on obtient :

(1.7)

∂u

u(x i+1 , y j ) = u i,j + h x (x i , y j ) +

h 2 2 u

x 2 (x i , y j ) + O(|h|

2

3 )

ou` u i,j = u(x i , y j ). De mˆeme, pour x = x i , y = y j et en choisissant k = 0 dans (1.6), on obtient en rempla¸cant

h par h :

(x i , y j ) +

(1.8)

∂x La somme des deux ´equations (1.7) et (1.8) donne

∂u

h 2 2 u

u(x i1 , y j ) = u i,j h

x 2 (x i , y j ) + O(|h|

3 )

2

u i+1,j + u i1,j = 2u i,j

+ h 2 ∂x ∂ 2 u 2

(x i , y j ) + O(|h| 3 )

et par suite, on a

(1.9)

En suivant la mˆeme d´emarche que ci-dessus, on obtient :

2

u

∂x

2

(x

i

,

y

j

)

u

i+1,j

+

u

i1,j

2u

i,j

=

h

2

+ O(|h|)

(1.10)

2

u

∂y

2

(x

i

,

y

j

)

=

u

i,j+1

+

u

i,j1

2u

i,j

k

2

+ O(|k|)

Utilisant (1.9) et (1.10) et en n´egligeant les termes en |h| et |k|, on obtient :

1

u(x i , y j )

2 u (x i , y j ) + 2 u (x i , y j )

∂x 2

∂y 2

u i+1,j + u i1,j 2u i,j

h

2

+ u i,j+1 + u i,j1 2u i,j

k 2

L’approximation de ∆u ci-dessus dans l’´equation u

i

N

et

1

j

(x i , y j ), pour

M , et les conditions aux limites impos´ees sur Ω conduisent a`

=

f

au point

8

`

´

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

un syst`eme lin´eaire de N × M ´equations et a` N × M inconnues. Si on range ces inconnues dans un vecteur u comme suit :

u

= (u 1,1 , ··· , u 1,M , u 2,1 , ··· , u 2,M , ··· , u N,1 , ··· , u N,M ) T

alors, u est solution du syst`eme lin´eaire Au = b, ou` la matrice A a` N × M lignes et N × M colonnes et le second membre b IR N×M sont donn´es par

ou,`

A =

d

e

c

.

e

d

.

.

.

.

e

.

.

.

.

c ···

.

.

.

.

.

.

.

.

···

.

.

.

.

.

.

.

.

.

.

c

.

.

e

.

.

.

.

.

.

.

.

nous avons not´e :

d = 2

h

2

.

.

d

.

.

.

.

.

.

.

.

.

.

.

e

.

.

c

2 2

k

.

.

.

.

.

···

.

.

.

.

.

.

.

.

.

0 ···

.

.

···

.

.

.

.

.

··· 0

.

.

.

.

.

(M-2) colonnes

;

c =

1 2

h

;

.

.

c

.

.

e

.

.

e =

c

e

d

1

k 2

; b =

f(x 1 , y 1 )

.

.

.

f(x 1 , y M ) f(x 2 , y 1 )

.

.

.

.

.

.

f(x 2 , y M

.

.

.

N

.

.

.

f(x N , y M )

)

f(x

, y 1 )

Dans le cas ou` N × M est un nombre tr`es grand, il est important d’utiliser des m´ethodes de r´esolutions qui sont ”´economiques” du point de vue du nombre d’op´erations ´el´ementaires n´ecessaires et de la place m´emoire utilis´ee pour la r´esolution du syst`eme lin´eaire obtenu au moyen d’un ordinateur.

Remarque : Nombre d’op´erations n´ecessaire par la m´ethode de Cramer. Soit A = (a ij ) 1i,jn une matrice carr´ee d’ordre n, b IR n et x IR n solution du syst`eme lin´eaire Ax = b. Utilisant la m´ethode de Cramer, chaque composante x i , 1 i n, de la solution x est donn´ee par

x i =

1

det A det A i

ou` A i est la matrice obtenue en rempla¸cant la i-`eme colonne de A par le second membre b, et ou` det A est donn´e par

det A =

σS n

ε(σ)

n

i=1

a

σ(i)i

ou` S n est l’ensemble des permutations de {1, 2, · · · , n}, de cardinal card(S n ) = n!. Le calcul de det A n´ecessite

n!(n 1)[multiplication] + (n! 1)[addition]

soit de l’ordre de n.n! op´erations ´el´ementaires, lorsque n est ”assez grand”. Le calcul de la solution x par la m´ethode de Cramer, n´ecessite alors de l’ordre de

(n + 1)(n.n!)[multiplication] + n[division]

Principales notations et d´efinitions

9

soit de l’ordre de n 2 .n! op´erations ´el´ementaires, lorsque n est ”assez grand”. Si on utilise un ordinateur qui effectue 10 6 op´erations ´el´ementaires par seconde, on peut calculer qu’il nous faut de l’ordre de 200 ann´ees pour trouver la solution d’un syst`eme lin´eaire d’ordre n = 18 par la m´ethode de Cramer ! Pour n = 50, il faut 2, 4 · 10 54 ann´ees de calcul ! (pour le mˆeme type d’ordinateurs). D’ou` la n´ecessit´e de d´evelopper des m´ethodes de r´esolution de syst`emes lin´eaires plus ´economiques ; et l’on verra dans la suite que ces mˆemes syst`emes seront r´esolus, avec les m´ethodes qui seront pr´esent´ees, en un temps beaucoup plus r´eduit.

seront pr´esent´ees, en un temps beaucoup plus r´eduit. Remarque : Soit A = ( a i

Remarque :

Soit A = (a ij ) 1i,jn une matrice triangulaire sup´erieure d’ordre n :

A =

  a 22 ··· a 2n
.

a 11

···

···

.

.

a 1n

.

a nn

v´erifiant n

i=1 a ii

= 0 (A est inversible).

Pour r´esoudre le syst`eme lin´eaire Ax = b (triangulaire sup´erieur), on utilise la m´ethode dite m´ethode de remont´ee, qui consiste a` ”remonter les ´equations” comme suit :

x n = b n /a nn

x

i

n

= (b i j=i+1 a ij x j )/a ii ,

i = n 1, n 2, ··· , 1

Cette m´ethode n´ecessite, pour chaque composante x i , 1 i n

1[division] + (n i)[multiplication] + (n i 1)[addition] + 1[addition] = (2(n i) + 1)[op´erations ´el´ementaires]

Ce qui donne, pour toutes les composantes de x :

n

i=1

(2(n i) + 1) =

n1

j=0

2j + n = 2(n 1)n

2

+ n = n 2

op´erations ´el´ementaires. Par exemple, pour n = 50 il faut effectuer de l’ordre de 2500 op´erations ´el´ementaires, soit 0, 0025 secondes sur un ordinateur qui fait 10 6 op´erations ´el´ementaires par seconde.

La majorit´e des m´ethodes directes de r´esolution de syst`emes lin´eaires consistent a` se ramener a` des syst`emes triangulaires (sup´erieurs ou inf´erieurs).

1.2 Principales notations et d´efinitions

On utilise dans toute la suite les notations indiqu´ees dans cette section.

Soit (e i ) 1in complexes).

la base canonique de IR n

ou de

C n

Notations pour les vecteurs :

(C ´etant

le corps des nombres

10

`

´

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

Pour un vecteur x de IR n ou de C n , on utilise les notations suivantes :

x i , 1 i n

x

=


n

;

i=1

x i e i

x =

x 1

x 2

.

.

.

x n

x T = (x 1 , x 2 , ··· , x n )

x¯

=

x¯

x¯

1

2

.

.

.

x¯ n

x = x¯ T = (x¯ 1 , x¯ 2 , ··· , x¯ n )

:

i `eme composante de x

:

transpos´e de x

:

conjugu´e de x

:

transconjugu´e de x

Notations pour les matrices :

Soit A = (a ij ) 1i,jn une matrice a` n lignes et n colonnes, a` coefficients r´eels ou complexes ( i : indice de ligne ; j : indice de colonne). On d´esigne par :

A T = (a t

ij ) 1i,jn = (a ji ) 1i,jn

¯

A

= (a¯ ij

) 1i,jn

A = A T

¯

,

,

,

la transpos´ee deA

la conjugu´ee deA

la transconjugu´ee deA

et par M n,m (K) l’ensemble des matrices a` n lignes et m colonnes et a` coefficients dans K (K = IR ou K = C). Lorsque m = n on utilisera la notation M n (K) au lieu de M n,n (K).

La matrice identit´e de M n (IR) (ou M n (C)) est not´ee I.

Produit scalaire de vecteurs :

Le produit scalaire de IR n est d´efini pour x et y dans IR n par :

et v´erifie

(x, y) =

n

i=1

x i y i = x T · y

λ IR , x IR n , y IR n

:

  (λx, y) = λ(x, y)

(x, λy) = λ(x, y)

Le produit hermitien de C n est d´efini pour x et y dans C n par :

et v´erifie

(x, y) =

n

i=1

x i y¯ i = y · x

λ C , x C n , y C n

:

(λx, y) = λ(x, y)

(x, λy) =

¯

λ(x, y)

Rappels et compl´ements sur les matrices

11

La norme euclidienne de IR n et celle de C n sont d´efinies comme suit :

x 2 = (x, x) 1/2 =

n

i=1

n

i=1

   
 

1/2 x 2
i

x i x¯ i 1/2 =

n

i=1

 

si

x IR n

|x i | 2 1/2

si

x C n

ou` |z| d´esigne le module d’un nombre complexe z.

Rappelons que deux vecteurs x et y de IR n (x, y) = 0.

(ou C n ) sont dit orthogonaux lorsque

1.3 Rappels et compl´ements sur les matrices

Propri´et´es 1.1 1) Soient x IR n , y IR n et A = (a ij ) 1i,jn ∈ M n (IR). Alors, on a :

(Ax, y) = (x, A T y)

2) Soient x C n , y C n et A = (a ij ) 1i,jn ∈ M n (C). Alors, on a :

(Ax, y) = (x, A y)

D´emonstration :

1) On a, pour tout x, y dans IR n :

(Ax, y) =

n

i=1

(Ax) i y i =

t

Utilisant le fait que a ij = a ji on obtient

n

i=1


n

j=1

a ij x j   y i =

n n

j=1

i=1

(Ax, y) =

n

j=1

(A T y) j x j = (A T y, x)

a ij y i x j

le r´esulat d´ecoule alors de la sym´etrie du produit scalaire de IR n . 2) Le r´esultat s’obtient en suivant la mˆeme d´emarche que celle utilis´ee dans 1).

D´efinition 1.1 1) Soit A ∈ M n (IR). La matrice A est dite sym´etrique si A T = A. 2) Soit A ∈ M n (C). La matrice A est dite hermitienne si A = A.

Propri´et´es 1.2

1) Si A ∈ M n (IR) est sym´etrique, alors on a :

(i, j) ∈ {1, · · · , n} 2 et

(x, y) IR n × IR n ,

, a ij = a ji

(Ax, y) =

(x, Ay)

2) Si A ∈ M n (C) est hermitienne, alors on a :

D´emonstration :


(i, j) ∈ {1, · · · , n} 2 , et

(x, y) C n × C n ,

a ij = a¯ ji

(Ax, y) = (x, Ay)

Le r´esultat d´ecoule imm´ediatement de la propri´et´e 1.1.

12

`

´

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

D´efinition 1.2 Une matrice A

B

∈ M n (IR) (ou M n (C)) est dite inversible, s’il existe une matrice

M n (IR) ( ou M n (C)) telle que AB = BA = I.

La matrice B est alors unique et est not´ee A 1 .

matrice B est alors unique et est not´ee A − 1 . Propri´et´es 1.3 Si A

Propri´et´es 1.3 Si A ∈ M n (IR) est inversible, alors A T est inversible et on a :

(A T ) 1 = (A 1 ) T

D´emonstration :

La matrice A ´etant inversible, alors on a AA 1 = A 1 A = I. Et par suite (AA 1 ) T = (A 1 A) T = I T . D’ou` (A 1 ) T A T = A T (A 1 ) T = I. Ce qui prouve que (A T ) 1 = (A 1 ) T .

prouve que ( A T ) − 1 = ( A − 1 ) T .

D´efinition 1.3 1) Une matrice A ∈ M n (IR) est dite orthogonale, si elle v´erifie

AA T = A T A = I.

2) Une matrice A ∈ M n (C) est dite unitaire, si elle v´erifie

AA = A A = I.

si elle v´erifie AA ∗ = A ∗ A = I. Propri´et´es 1.4 1) Si A

Propri´et´es 1.4 1) Si A ∈ M n (IR) est orthogonale, alors A est inversible et A 1 = A T . De plus, on a :

pour tout x IR n ,

Ax 2 = x 2

2) Si U ∈ M n (C) est unitaire, alors U

est inversible et U 1 = U . De plus, on a :

d’ou` U 2 = 1.

pour tout x C n ,

Ux 2 = x 2

D´emonstration :

Nous allons donner la d´emonstration de 2), celle de 1) lui ´etant analogue. Soit U une matrice unitaire. Alors il est clair, d’apr`es la d´efinition 1.3 , que U est inversible et que U 1 = U . Par ailleurs, on a pour tout x C n :

Ux 2

2 = (U x, U x) = (x, U Ux)

et puisque U est unitaire, on obtient

Ux 2 2 = (x, x) = x 2

2

.

Ce qui prouve le r´esultat souhait´e.

et puisque U est unitaire, on obtient Ux 2 2 = ( x, x ) =

Rappels et compl´ements sur les matrices

13

Remarque : Si A ∈ M n (IR) est orthogonale, alors les colonnes de A forment une base orthonorm´ee de IR n . En effet si l’on note C i IR n , 1 i n, la i-`eme colonne de A, alors on obtient pour i et j compris entre 1 et n :

T

i

C

· C j = δ ij =

1

0

si i = j

sinon

 
 

D´efinition 1.4 1) Une matrice A ∈ M n (IR) ( ou M n (C)) est dite triangulaire sup´erieure, si

a ij = 0

pour tout i > j ,

1 i, j n

2) Une matrice A ∈ M n (IR) ( ou M n (C)) est dite triangulaire inf´erieure, si

a ij = 0

pour tout i < j ,

1 i, j n

3) Une matrice A ∈ M n (IR) ( ou M n (C)) est dite diagonale, si

 

a ij = 0

pour tout i

= j ,

1 i, j n

On utilisera alors la notation A = diag(a ii ) 1in .

 
On utilisera alors la notation A = diag ( a i i ) 1 ≤ i

Propri´et´es 1.5 Soit A = (a ij ) 1i,jn ∈ M n (IR) (ou M n (C)). 1) Si A est triangulaire inf´erieure et triangulaire sup´erieure, alors A est diagonale. 2) Si A est triangulaire sup´erieure (respectivement inf´erieure) et inversible, alors A 1 est triangulaire sup´erieure (respectivement inf´erieure). 3) Si A est triangulaire sup´erieure (respectivement inf´erieure), alors A T (ou A ) est triangulaire inf´erieure (respectivement sup´erieure). 4) Si A est triangulaire sup´erieure (ou inf´erieure), alors le d´eterminant de A est le produit des coefficients diagonaux de A :

det A =

n

i=1

a ii

5) Si A est triangulaire sup´erieure (ou inf´erieure), alors on a :

A est inversible

⇐⇒

a ii

= 0 pour tout i ∈ {1, 2, · · · , n}

6) Soit B ∈ M n (IR) (ou M n (C)). Si A et B sont triangulaires inf´erieures (respective- ment sup´erieures), alors la matrice produit AB est triangulaire inf´erieure (respectivement sup´erieure).

D´emonstration :

`

A faire en exercice.

sup´erieure). D´emonstration : ` A faire en exercice. D´efinition 1.5 Soit A ∈ M n (

D´efinition 1.5 Soit A ∈ M n (IR) ( ou M n (C)) une matrice sym´etrique (ou hermitienne). Alors, A est dite d´efinie positive, si elle v´erifie les deux propri´et´es suivantes :

(1.11)

(1.12)

pour x IR

x IR n (ou C n ),

n (ou

C n ),

on a :

(Ax, x) 0

(Ax, x) = 0

⇐⇒ x = 0

Dans le cas ou` A v´erifie uniquement (1.11), on dit qu’elle est semi-d´efinie positive.

x ) = 0 ⇐⇒ x = 0 Dans le cas ou` A v´erifie uniquement (1.11),
 

`

´

14

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

Exemples :

1)

Si A ∈ M n (C), alors la matrice AA est semi-d´efinie positive.

2)

Si A ∈ M n (C) est inversible, alors la matrice AA est d´efinie positive.

alors la matrice AA ∗ est d´efinie positive. D´efinition 1.6 Soient λ ∈ C et A

D´efinition 1.6 Soient λ C et A ∈ M n (IR) (ou M n (C)). Alors, λ est appel´ee valeur propre de A, si elle est racine du polynˆome caract´eristique P A (λ) de A :

P A (λ) det(A λI) = 0

 
 

Propri´et´es 1.6 Soit A ∈ M n (IR) (ou M n (C)) et soit λ une valeur propre de A. Alors, on a i) La matrice A λI est non inversible.

ii)

Il existe un vecteur x IR n (ou C n ) non nul tel que Ax = λx.

Un tel vecteur x est appel´e vecteur propre de A associ´e a` la valeur propre λ.

 

`

D´emonstration :

A

faire en exercice.

D´emonstration : A faire en exercice.

L’existence de valeurs propres d’une matrice sym´etrique (ou hermitienne) est donn´ee par la proposition suivante :

Proposition 1.1

1) Si A ∈ M n (IR) est sym´etrique, alors il existe une matrice orthogonale O ∈ M n (IR)

telle que la matrice D = O T AO soit diagonale r´eelle.

Si de plus A est d´efinie positive, alors la diagonale de D est strictement positive (d ii > 0,

i = 1, 2, · · · , n).

M n (C)

telle que la matrice D = U AU soit diagonale r´eelle.

Si de plus A est d´efinie positive, alors la diagonale de D est strictement positive (d ii > 0,

i = 1, 2, · · · , n).

2) Si A ∈ M n (C) est hermitienne, alors il existe une matrice unitaire U

D´emonstration :

Commentaires :

Soient A ∈ M n (IR) sym´etrique et O la matrice orthogonale d´efinie a` la proposition 1.1 ci-dessus. Notons O i , 1 i n, les n colonnes de O et rappelons que les (O i ) 1in forment une base orthonorm´ee de IR n .

Soit D = O T AO = diag(d ii ) 1in , alors les coefficients d ii de D sont exactement les valeurs propres de A. En effet, on a

`

A

faire en exercice.

propres de A . En effet, on a ` A faire en exercice. OD = OO

OD = OO T AO = AO

puisque O est une matrice orthogonale. Ainsi AO i = d ii O i , 1 i n. Ce qui prouve que d ii est une valeur propre de A. Ainsi les coefficients de la matrice diagonale D sont donn´es par d ii = λ i , ou` les λ i , 1 i n, sont les valeurs propres de A. De plus, les (O i ) 1in forment une base de vecteurs propres associ´es aux valeurs propres

λ

i , 1 i n. La matrice O est appel´ee matrice de passage de la base canonique de IR n a` la base de vecteurs propres de la matrice A.

O est appel´ee matrice de passage de la base canonique de IR n a` la base

Rappels et compl´ements sur les matrices

15

Corollaire 1.1 Soit A ∈ M n (IR) une matrice sym´etrique. Alors, A est d´efinie positive si et seulement si toutes ses valeurs propres sont strictement positives.

D´emonstration :

`

A faire en exercice.

positives. D´emonstration : ` A faire en exercice. D´efinition 1.7 Soient A ∈ M n (

D´efinition 1.7 Soient A ∈ M n (IR) et λ une valeur propre de A. La multiplicit´e de λ est la multiplicit´e de λ comme racine du polynˆome caract´e- ristique P A (λ) de A.

du polynˆome caract´e- ristique P A ( λ ) de A . Remarque : du sous-espace

Remarque :

du sous-espace propre associ´e a` λ, c’est a` dire la dimension de ker(A λI), ou` ker(M ) =

{x IR n tels que M x = 0} pour M ∈ M n (IR). C’est le cas, par exemple, d’une matrice sym´etrique.

Lorsque A est diagonalisable, la multiplicit´e de λ est ´egale a` la dimension

la multiplicit´e de λ est ´egale a` la dimension Propri´et´es 1.7 (Jordanisation) Soit A ∈ M

Propri´et´es 1.7 (Jordanisation) Soit A ∈ M n (IR) ( ou M n (C)) et soit ε un r´eel strictement positif donn´e. Alors, il existe S ∈ M n (C) inversible telle que la matrice B = S 1 AS soit de la forme de Jordan :

(1.13)

B =

  J 1    J 2      .
J
1
J 2
.
.
.
.
.
.
J
p

ou` les blocs de Jordan J i , 1 i p n sont triangulaires sup´erieurs et sont donn´es par

J i =

λ i

ε

λ i

.

.

.

.

.

.

.

.

.

.

.

.

ε

λ

i

ou` les λ i , 1 i p n, sont les valeurs propres de la matrice A.

Dans le

cas ou`

ε

=

1,

jordanisation de A.

on dit

que la

matrice

B

donn´ee par (1.13) est obtenue par

D´emonstration : Admise.

Remarque : Il faut noter qu’une valeur propre λ i apparaissant dans le bloc J i peut

apparaˆıtre dans un autre bloc J j pour j

= i.

apparaˆıtre dans un autre bloc J j pour j = i . D´efinition 1.8 Soient A

D´efinition 1.8 Soient A ∈ M n (IR) ( ou M n (C)) et λ i , 1 i n, les n valeurs propres avec leur ordre de multiplicit´e. On appelle rayon spectral de A, le r´eel positif :

(A) = max

1in |λ i |

de A compt´ees

On appelle rayon spectral de A , le r´eel positif : ( A ) = max

16

`

´

CHAPITRE 1. INTRODUCTION A L’ANALYSE NUM ERIQUE

Lemme 1.1 Soit C ∈ M n (C) une matrice hermitienne. Alors on a

(C) =

sup

vC n \{0}

|(Cv, v)|

(v, v)

D´emonstration :

Soit λ une valeur propre de C telle que |λ| = (C) et v 0 C n \ {0} un vecteur propre qui lui est associ´e. On a :

(1.14)

sup

vC n \{0}

|(Cv, v)| v

2

2

|(Cv

0

, v

0

)|

v

0

2

2

= |λ| = (C)

Par ailleurs, d’apr`es la proposition 1.1, il existe une matrice U unitaire telle que la matrice D = U CU soit diagonale. De plus, la diagonale de D est form´ee des valeurs propres de C. On a alors :