Vous êtes sur la page 1sur 56

Université A.

Mira de Béjaia Année 2009/2010


Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
CHAPITRE I
Résolution Approchées des Equations Non-Linéaires
F (x ) = 0
I.0-Introduction :
Soit F : R → R une fonction donnée.
Nous désirons trouver une ou plusieurs solutions à l’équation F ( x ) = 0 .
Il existe des cas simples pour qui on peut exprimer une solution d’une équation à partir de la
fonction, par exemple le cas d’une équation du second degré:
ax2 + bx + c =0 pour lequel la solution α est:
- b - b2 - 4ac -b + b2 - 4ac
soit, soit,
2a 2a
Dans tous les autres cas, nous ne pouvons pas résoudre, en utilisant une méthode
analytique, un polynôme de degré supérieur à deux (02) ou une équation sous forme
exponentielle, logarithmique ou trigonométrique etc. On rappelle que résoudre une équation
( )
de la forme F ( x ) = 0 revient à trouver x * (ou les « x * ») tel que F x * = 0 . x * est alors
appelé racine unique (ou multiple) de F ( x ) = 0 .
Dans ce chapitre, nous abordons quelques méthodes numériques qui permettent
d’approcher une racine de F ( x ) sur un domaine donné ( car il n’est pas, tout le temps,
possible de trouver exactement la racine de F ( x ) recherchée). Néanmoins, nous pouvons, par
des méthodes algébriques (graphiques) connaitre l’existence et le nombre de racines en les
séparant.

Pour les différentes méthodes nous supposerons que F est une fonction continue et
qu’il existe un intervalle [a, b] où l’équation a une et une seule racine que l’on notera α .

Pour choisir l'intervalle [a, b] on peut:


♦Soit utiliser la méthode graphique (tracer la courbe) et situer la solution d'où le choix
de [a, b] ,
♦Soit utiliser la méthode algébrique : la méthode de la séparation des racines en utilisant le
théorème des valeurs intermédiaires.

Définition:
F (x ) admet une racine séparée dans ]a, b[ si et seulement si α est unique.
Aussi séparer les racines de " F ( x ) = 0 " revient à déterminer les intervalles ]a, b[ dans
lesquels chaque racine est unique.
Pour ceci on peut utiliser le théorème des valeurs intermédiaires:

Théorème des valeurs intermédiaires :


Si f est continue dans [a, b] et F (a ).F (b ) < 0 alors ∃ α ∈ ]a, b[ tel que F (α ) = 0 .
Si de plus F (x ) est monotone dans [a, b] alors α est unique dans [a, b] .

Page 1/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemples :
a- F ( x ) = x − e −2 x = 0

F(x)=x-exp(-2x)
0

-2

-4

-1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

b- F (x ) = x 2 − e x = 0

2
F(x)=x -exp(-x)

0
2

-2

-4

-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0


x

c- F ( x ) = x − cos( x) = 0

2
F(x)=x-cos(x)

-2

-4

-5 -5 -4 -4 -3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3 4 4 5 5
x

I.1.1 Méthode algébrique :


Séparons les racines de l’équation x 3 − 3 x + 1 = 0 dans l’intervalle [− 3, 3] .
♦ F ( x ) = x 3 − 3x + 1 est une fonction polynomiale donc elle est continue dans [− 3, 3] .

Page 2/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
♦ F (− 3) = −17 < 0 , F (3) = 19 > 0 donc F (− 3).F (3) < 0 aussi, d’après le théorème des
valeurs intermédiaires, il existe au moins une racine α de F ( x ) = 0 dans [− 3, 3] .

Pour étudier l’unicité de la racine α étudions la monotonie de celle-ci :

F (x ) = x 3 − 3x + 1 ;
F ' (x ) = 3x 2 − 3 = 3( x − 1)( x + 1)
x -3 -1 +1
3
F (x )
' + 0 - 0 +
F (x ) 3
19

-17 -1

α 1 unique dans [− 3, - 1] car F ( x ) est monotone et F (− 3).F (− 1) < 0


α 2 unique dans [− 1, 1] car F ( x ) est monotone et F (− 1).F (1) < 0
α 3 unique dans [1, 3]car F ( x ) est monotone et F (1).F (3) < 0
d’où la séparation des racines.

I.1.2- Méthode graphique:

2
F(x)=x _3x+1

α2 α3
α1
3

-2

-4

-3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3
x

Dans ce cas les racines F ( x ) = 0 représentent les points d’intersections du graphe de


F (x ) avec l’axe x' ox donc, il suffit de tracer le graphe de F (x ) et de déterminer les points
d’intersections. Ceci fait nous aurons les intervalles d’où la séparation des racines.

Page 3/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Dans le cas où ‘ F ( x ) ’ est compliquée, il faut transformer l’équation F ( x ) = 0 par une
équation équivalente g ( x ) = h( x ) avec ‘ g ( x ) ’ et ‘ h( x ) ’ deux fonctions plus simples. Les
points d’intersections des graphes de ‘ g ( x ) ’ et de ‘ h( x ) ’ sont alors recherchés.
Pour notre exemple on aurait pu transformer F ( x ) = 0 en deux fonctions plus simples.
En effet x 3 − 3 x + 1 = 0 ⇒ x 3 = 3x − 1 ⇒ g ( x ) = x 3 et h( x ) = 3 x − 1 d’où le graphe et les
solutions qui correspondent aux intersections des deux courbes
6

4
α3
2
g(x)=x et h(x)=3x-1

0
α2

-2
3

-4

-6 α1

-8

-3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3
x
Nous avons 3 intersections ⇒ 3 solutions et 3 intervalles

I.2-Méthode de la Dichotomie (Bissection) :


La méthode de la bissection est basée sur le résultat d’analyse mathématique suivant
(Théorème des Valeurs Intermédiaires).
a- F (x ) est continue sur un intervalle [a, b]
b- F (a ).F (b ) < 0
D’après a et b, il existe au moins une valeur α ∈ [a, b] tel que F (α ) = 0
De plus, si F (x ) est monotone sur l’intervalle [a, b] (strictement croissante ou strictement
décroissante sur l’intervalle [a, b] ), alors la racine α est unique sur [a, b] .

F(b)

a α
0
b
F(a)
-2

-4

-5 -5 -4 -4 -3 -3 -2 -2 -1 -1 0 1 1 2 2 3 3 4 4 5 5
x

Page 4/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Problème : Nous ne connaissons pas la valeur exacte de α .
Pour cela, nous faisons appel à la méthode de la Dichotomie.
Principe de la méthode :
¾ Nous construisons les suites (a n )n∈N , (bn )n∈N de la manière suivante sur l’intervalle
I = [a, b ] .
a+b
¾ Nous posons a 0 = a , b0 = b , x0 =
2
¾ étape1- Si F (x0 ) = 0 ⇒ α = x0
¾ étape2- Si F (x0 ) ≠ 0 , nous vérifions le théorème des valeurs intermédiaires sur le
domaine [a, x0 ]
™ Si F (a ).F ( x0 ) < 0 ⇒ α ∈ ]a, x0 [
a1 + b1
™ Nous posons alors a1 = a 0 = a , b1 = x0 , x1 = , on revient à l’étape 1.
2
™ Sinon F (a ).F ( x0 ) > 0 ⇒ α ∈ ] x0 , b[
a1 + b1
™ Nous posons alors a1 = x0 , b1 = b0 , x1 =
2
De proche en proche, nous construisons les suites ( (a n )n∈N , (bn )n∈N et ( x n )n∈N ) .
A n-1, nous faisons les testes :
¾ étape1- Si F ( x n −1 ) = 0 ⇒ α = xn -1
¾ étape 2-Si F ( x n −1 ) ≠ 0 , nous vérifions le théorème des valeurs intermédiaires sur le
domaine [a n −1 , xn-1 ]

™ Si F (a n −1 ).F ( x n −1 ) < 0 ⇒ α ∈ ]a n −1 , xn -1 [
a n + bn
™ Nous posons alors a n = a n −1 , bn = x n −1 , x n = , on revient à l’étape 1.
2
™ Sinon F (a n −1 ).F ( x n −1 ) > 0 ⇒ α ∈ ] xn -1 , bn −1 [
a n + bn
™ Nous posons alors a n = x n −1 , bn = bn −1 , x n =
2
Et lim x n = α . Nous disons alors que ( x n )n∈N est la suite des solutions approchées et α la
n →∞

racine exacte de F ( x ) = 0

Proposition :
Les suites (a n )n∈N , (bn )n∈N et ( x n )n∈N convergent toutes vers α . De plus, nous avons
l’estimation suivante :
bn − a n bn −1 − a n −1 b0 − a 0
xn − α ≤ = = ... =
2 2 2
2 n +1
1
D’où x n − α ≤ n +1 b0 − a 0
2

Précision de l’approximation :
Pour approcher la racine α avec une précision inférieure à ε en utilisant la méthode
de la bissection, il faut que :

Page 5/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
1 b0 − a 0
xn − α ≤ b0 − a 0 < ε ⇒ < 2 n +1
2 n +1
ε
⎛ b0 − a 0 ⎞
ln⎜⎜ ⎟

ε ⎠ − 1 si nous commençons les itérations à partir de x = a + b
D’où n > ⎝
ln (2 )
0
2

Exemple :
On considère la fonction F (x ) = x 2 e x − 1 = 0
1- Trouver un intervalle I = [a, b] de longueur 1 contenant la racine α de F ( x )
2- Après avoir vérifié l’applicabilité de la méthode de Dichotomie sur cet intervalle,
calculer les cinq premiers itérés.
3- Calculer le nombre d’itération qu’il faut pour avoir la solution avec une précision
ε = 10 −4
Solution :
1- Domaine de définition de F ( x ) = x 2 e x − 1 est R = ]− ∞,+∞[
La première dérivée de F ( x ) = x 2 e x − 1 est F ' (x ) = 2 xe x + x 2 e x = xe x ( x + 2)
F ' (x ) = 0 ⇒ x → −∞ ou x = −2 ou x = 0
lim F (x ) = −1 , F (− 2) = 4e − 1 = −0.4587 , F (0) = −1 , lim F (x ) = +∞
−2

x → −∞ x → +∞
x −∞ -2 0 +∞
F ' (x ) 0 0 0
-0.4587 +∞
F (x )
-1 -1

Tracé de la fonction F ( x ) = x 2 e x − 1
5

1
F(x)=x e -1
2 x

-1

-2

-3

-4

-5
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10

D’après le graphe de F (x ) = x e − 1 , nous remarquons que cette fonction passe par l’axe des
2 x

x à un point appartenant à l’intervalle I = [0,1] .

Page 6/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
2- Sur l’intervalle I = [0,1] , la fonction F ( x ) = x 2 e x − 1 est définie, continue et monotone. De
plus F (0 ) = −1 et F (1) = 1.7183 . Nous pouvons appliquer la méthode de la dichotomie sur
cette intervalle.

Application de la méthode de Dichotomie :


Nous allons construire les suites (a n )n∈N , (bn )n∈N et ( x n )n∈N .
a + b0 0 + 1
Etape 0 : a 0 = 0 , b0 = 1 , x0 = 0 = = 0.5 , F (0.5) = −0.5878
2 2
Test : F (a 0 ).F (x0 ) = F (0).F (0.5) > 0 ⇒ On resserre l’intervalle du coté gauche (coté de a )
a1 + b1 0.5 + 1
Etape 1 : a1 = x0 = 0.5 , b1 = b0 = 1 , x1 = = = 0.75 , F (0.75) = 0.1908
2 2
Test : F (a1 ).F ( x1 ) = F (0.5).F (0.75) < 0 ⇒ On resserre l’intervalle du coté droit (coté de b )

Etape 2 : a 2 = a1 = 0.5 , b2 = x1 = 0.75 ,


a 2 + b2 0.5 + 0.75
x2 = = = 0.625 , F (0.625) = −0.2702
2 2

Test : F (a 2 ).F ( x 2 ) = F (0.5).F (0.625) > 0


⇒ On resserre l’intervalle du coté gauche (coté de a )

Etape 3 : a3 = x 2 = 0.625 , b3 = b2 = 0.75 ,


a + b3 0.625 + 0.75
x3 = 3 = = 0.6875 , F (0.6875) = −0.0600
2 2

Test : F (a3 ).F ( x3 ) = F (0.625).F (0.6875) > 0


⇒ On resserre l’intervalle du coté gauche (coté de a )

Etape 4 : a 4 = x3 = 0.6875 , b4 = b3 = 0.75 ,


a 4 + b4 0.6875 + 0.75
x4 = = = 0.71875 , F (0.71875) = 0.0600
2 2
Test : F (a 4 ).F ( x 4 ) = F (0.6875).F (0.71875) < 0
⇒ On resserre l’intervalle du coté droit (coté de b )

Etape 5 : a5 = a 4 = 0.6875 , b5 = x 4 = 0.71875 ,


a + b5 0.6875 + 0.71875
x5 = 5 = = 0.703125 , F (0.703125) = −0.0013
2 2
Test : F (a5 ).F ( x5 ) = F (0.6875).F (0.703125) > 0
⇒ On resserre l’intervalle du coté gauche (coté de a )
Et ainsi de suite jusqu’à ce que nous atteignons la racine avec une précision donnée.

Page 7/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
3-Pour calculer le nombre d’itérations nécessaire pour avoir la solution avec une précision ε
Donnée, nous utilisons la formule :
⎛ b0 − a 0 ⎞
ln⎜⎜ ⎟

ε
n> ⎝ ⎠ −1
ln (2 )
Dans le cas de cet exemple. Si nous fixons ε = 10 −4 , nous obtenons

⎛ 1 ⎞
ln⎜ − 4 ⎟
n> ⎝
10 ⎠ 4 ln(10)
−1, n > − 1 , n > 12.2877 , n = 13
ln(2) ln(2)
Il faut effectuer 13 itérations en utilisant la méthode de Dichotomie pour avoir la racine avec
une précision ε = 10 −4

I.3-Méthode de Point Fixe (ou Approximations Successives) :


Il s’agit toujours de chercher les racines de F ( x ) = 0 . Cette équation est supposée
mise sous la forme x = g ( x ) et ceci est toujours possible en posant g ( x ) = x − F ( x ) .
Soit F ( x ) une fonction réelle définie sur l’intervalle [a, b] et possède une racine
α ∈ [a, b] . La méthode de point fixe permet de passer de la recherche de la racine de F ( x ) = 0
sur [a, b] à la recherche du point fixe de la fonction g ( x ) tel que x = g ( x ) .
En effet, les deux problèmes sont équivalents ( F ( x ) = 0 ⇔ x = g ( x ) ).
™ Si α est solution de x = g ( x ) ⇒ α = g (α ) ⇒ α = α − F (α ) ⇒ − F (α ) = 0
⇒ F (α ) = 0 ⇒ α est solution de F ( x ) = 0
™ Inversement si α est solution de F ( x ) = 0 ⇒ F (α ) = 0 ⇒ − F (α ) = 0
et α = α − F (α ) d’où α = g (α )

Question : Quelles conditions doit vérifier g ( x ) pour que ce point fixe existe et qu’il soit
unique ?

Théorème du Point Fixe :


Soit g ( x ) une fonction réelle, définie et continue sur l’intervalle [a, b] telle que :
I. g ( x ) ∈ [a, b] ∀x ∈ [a, b] (on dit que l’intervalle [a, b] est stable par g ( x ) ). Si on écrit
I = [a, b ] alors g (I ) ⊂ I
II. ∃k ∈ R , 0 < k < 1 tel que g ' ( x ) ≤ k < 1 , k = max g ' ( x ) . On dit que g ( x ) est
[a , b ]
strictement contracte.
Alors g ( x ) admet un point fixe unique dans I = [a, b ] et la suite récurrente :
⎧ x0 ∈ [a, b ]
⎨ converge vers le point fixe α
⎩ x n +1 = g (x n )
k n +1
De plus, nous avons : x n +1 − α ≤ x1 − x0
1− k

Page 8/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Démonstration :
x0 étant donné tel que x0 ∈ [a, b] . On construit la suite (u n )n∈N tel que :
• u 0 = x0
• u1 = x1 − x0
• u 2 = x 2 − x1
• …
• …
• u n −1 = x n −1 − x n − 2
• u n = x n − x n −1
Nous faisons la somme des termes de la suite jusqu’à l’ordre n
n ∞

∑ u n = xn
i =0
d’où lim xn = α = ∑ u n
n →∞ i =0

Soit g ( x ) ≤ k < 1
'

Nous avons
u n = x n − x n −1 = g (x n −1 ) − g ( x n − 2 ) = ( x n −1 − x n −2 )g ' (ξ ) où ξ ∈ [a, b]
D’où u n = u n −1 g ' (ξ ) ≤ k u n −1
Nous avons aussi :
n ∞ ∞ ∞
xn − α = ∑ ui − ∑ ui = ∑ ui ≤ ∑u 0 ki
i =0 i =0 i = n +1 i = n +1
∞ ∞ n
k kn
Et ∑ u 0 k i = u 0 k n+1 ∑ k i = u1
i = n +1 i =0 1− k
= x1 − x0
1− k
D’où
kn
x n − α ≤ x1 − x 0 .
1− k
Estimation de l’erreur :
Le nombre minimum d’itérations pour que la solution soit approchée avec une précision ε
est : x n − α < ε
kn
Sachant que x n − α ≤ x1 − x0
1− k
Donc

⎡ (1 − k )ε ⎤
ln ⎢ ⎥
⎢ x1 − x0 ⎦⎥

n> , k = max g ' ( x )
ln(k ) I

Théorème du point fixe local :


Soit g ( x ) une fonction réelle, définie, continue et dérivable une fois sur l’intervalle
[a, b] (on dit que g ( x ) est de classe C 1 sur l’intervalle [a, b] ). Nous supposons que g ( x )
admet un point fixe α ∈ ]a, b[ , tel que g ' (α ) < 1 alors :

∃δ ∈ R , tel que la suite récurrente :

Page 9/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ x0 ∈ I δ = [α − δ , α + δ ]
⎨ converge vers le point fixe α sur I δ
⎩ x n +1 = g ( x n ), n ∈ N
De plus, nous avons :
kn
xn − α ≤ x1 − x0 , k = max g ' ( x )
1− k Iδ

Exemple : Ecrire un processus itératif ( x n )n∈N du point fixe définie par la fonction d’itération
suivante :
(
g (x ) = x + e − x − x 2
1
4
)
a- Montrer que la méthode du point fixe converge vers la solution α dans
l’intervalle I = [0,1] .
b- Déterminer le nombre d’itérations nécessaires pour calculer une solution approché
avec une précision ε = 10 −10
c- Calculer les cinq premières itérations.

Solution :
Soit x n la nième itération de la méthode du point fixe définie par :
⎧ x0 donné

n n
4
(
⎨ x = g ( x ) = x + 1 e − xn − x 2
⎪⎩ n +1 n )
a- La convergence de la méthode du point fixe :
Il faut prouver les deux points suivants :
I-Stabilité : g (I ) ⊂ I ,
On a g ' ( x ) > 0 ∀x ∈ I et 0 < g (0 ) = < g ( x ) < g (1) = 1
1
4
II- on a g ( x ) < 1 ∀x ∈ I
'

e−x − 2
Comme g '' ( x ) = < 0 ∀x ∈ I ⇒ max g ' ( x ) = g ' (0 ) =
3
4 x∈I 4
D’où k = max g ' (x ) = < 1
3
x∈I 4
D’après I. et II. La méthode du point fixe converge vers la solution sur l’intervalle
I = [0,1]

b- Nombre d’itération du point fixe pour calculer la solution approchée avec une précision
ε = 10 −10
kn
, k = max g ' (x ) = < 1
3
En utilisant l’estimation suivante : x n − α ≤ x1 − x0
1− k x∈I 4

4
( )1
4
( 1
4
)
Si on prend x0 = 0 x1 = g ( x0 ) = x 0 + e − x0 − x02 = 0 + e −0 − 0 = ⇒ x1 − x0 =
1 1
4

Page 10/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎛ ε (1 − k ) ⎞
n ln⎜⎜ ⎟
k x − x ⎟
Sachant que x n − α < ε d’où x1 − x0 ≤ε ⇒ n≥ ⎝
1 0 ⎠

1− k ln (k )
⎛ 10 −10 (1 − 3 4) ⎞
ln⎜⎜ ⎟⎟
A.N : n ≥ ⎝ 14 ⎠ = 80.22 n = 81 itérations
ln(3 4)

I.4-Méthode de Newton :
I.4.1-Interprétation géométrique :
L’idée est de remplacer l’arc de la courbe représentatif de la fonction F ( x ) par sa
tangente au point x0 .

y=F(x)

F(b) B0(b,F(b))

B1(x1,F(x1))

B2(x2,F(x2))

0 a α x
x2 x1 b=x0
F(a)

L’équation de la tangente au point x0 est donnée par : y = F ' ( x0 )( x − x0 ) + F ( x0 ) .


L’abscisse x1 du point d’intersection de cette tangente avec l’axe ox est donnée par :
F (x )
F ' (x0 )( x1 − x0 ) + F ( x0 ) = 0 ⇒ x1 = x0 − ' 0
F (x0 )
x1 est une meilleure approximation de α que x0 .
-De proche en proche, nous construisons une suite ( x n )n∈N de solution approchées en utilisant
la relation de récurrence :
F (x )
x n +1 = x n − ' n
F (x n )
Nous somme alors ramené à un problème de type point fixe qui s’écrit :
⎧ x0 donné

⎨ x = g (x ) = x − F (xn )
⎪⎩ n +1 F ' (xn )
n n

Nous pouvons dire alors que la méthode de Newton n’est autre qu’une méthode de point fixe
de la forme :
x = g (x )
avec
F (x )
g (x ) = x − '
F (x )

Page 11/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Nous voyons bien que chercher α solution séparée de F ( x ) = 0 est équivalent à la recherche
du point fixe α tel que α = g (α ) :
Nous avons
F (α )
g (α ) = α − ' = α car ( F (α ) = 0 et F ' (α ) ≠ 0 )
F (α )
Convergence de la méthode :
Nous utilisons le théorème du point fixe local. Nous calculons g' ( x ) et
particulièrement g ' (α ) , ce calcul est possible pour une fonction F ( x ) deux fois dérivable (de
classe C 2 [I ] ).
F ' ( x )F ' ( x ) − F '' ( x )F ( x ) F ' ( x )F ' ( x ) F '' ( x )F ( x ) F '' ( x )F ( x )
g ' (x ) = 1 − = 1− + =
[F (x )]
' 2
[F (x )]
' 2
[F (x )]
' 2
[F (x )]
' 2

D’où g ' (α ) = 0 car F (α ) = 0


Conclusion : au voisinage de α , nous avons g ' ( x ) < 1
D’après le théorème du point fixe local, nous avons
⎧ x0 ∈ [α - δx, α + δx ]

⎨ x = g (x ) = x − F (xn )
⎪⎩ n +1 F ' (xn )
n n

Converge vers l’unique solution de F (x ) sur l’intervalle I

Nous pouvons énoncer alors le théorème suivant :

Théorème de Newton :
Soit F ( x ) une fonction de classe C 2 sur l’intervalle [a, b] , telle que :
1− F (a ).F (b ) < 0 ⎫
⎬ ⇒ Il éxiste α ∈ ]a, b[ tel que F (α ) = 0
2 − F ( x ) ≠ 0 (monotone sur [a, b]⎭
'

3- F '' ( x ) garde un signe constant sur l’intervalle [a, b] ( F '' ( x ) < 0 où F '' (x ) > 0 )
4-Partant d’un point x0 qui satisfait l’inégalité
F ( x0 ).F '' (x0 ) > 0 (vérifié par un certain choix de x0 ∈ [a, b] )
Si les conditions annoncées, ci-dessus, sont satisfaites, alors le processus de Newton:
⎧ x0 choisi

⎨ x = g (x ) = x − F (xn )
⎪⎩ n +1 F ' (xn )
n n

Converge pour ce choix de x0 vers l’unique solution α de F (x )

De plus, nous avons l’estimation suivante :


M
xn − α ≤ x n −1 − α , ∀n > 0
2

2m
Avec M = Max F ( x ) , m = Min F ( x )
'' ''

x∈[a ,b ] x∈[a ,b ]

Cette inégalité peut s’écrire en fonction de x0


2 n −1
⎛M ⎞ 2n
xn − α ≤ ⎜ ⎟ x0 − α , ∀n ∈ N
⎝ 2m ⎠

Page 12/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple :
Soit la fonction : F ( x ) = e x − 4 cos( x ) = 0
1- Séparer graphiquement les racines de F ( x ) et déduire le nombre de racines.
2- Chercher à une précision ε = 10 −5 près, une racine de F (x ) par la méthode de newton
⎡π π ⎤ π
dans l’intervalle I = ⎢ , ⎥ , en prenant x0 = et tester x n +1 − x n < 10 −5
⎣4 2⎦ 2
Solution :
1- La fonction F (x ) = e x − 4 cos( x ) est donnée dans le graphe suivant :
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
F(x)=e -4*cos(x)

1.0
0.5
0.0
-0.5
x

-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
-4.5
-5.0
-100 -80 -60 -40 -20 0
x

Figure 1 : F ( x ) = e x − 4 cos(x ) en fonction de x pour x variant entre [− 100,10]


Sur la Figure 1, nous remarquerons que F (x ) = e x − 4 cos( x ) admet une infinité de racines et
parmi toutes ces racines, il existe une seule racine positive. Figure 2
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
F(x)=e -4*cos(x)

1.0
0.5
0.0
-0.5
x

-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
-4.5
-5.0
-1.55 -1.24 -0.93 -0.62 -0.31 0.00 0.31 0.62 0.93 1.24 1.55
x

⎡ π π⎤
Figure 2 : F (x ) = e x − 4 cos( x ) en fonction de x pour x variant entre ⎢− , ⎥
⎣ 2 2⎦
2- Résolution par la méthode de Newton :
⎡π π ⎤ ⎡π π ⎤
Nous avons I = ⎢ , ⎥ et α ∈ ⎢ , ⎥
⎣4 2⎦ ⎣4 2⎦
⎡π π ⎤
Vérification du théorème de Newton sur l’intervalle I = ⎢ , ⎥
⎣4 2⎦

Page 13/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡π π ⎤
a- F ( x ) = e x − 4 cos(x ) est de classe C ∞ sur I = ⎢ , ⎥
⎣4 2⎦
π
⎛π ⎞ ⎛π ⎞ ⎫
F ⎜ ⎟ = e 4 − 4 cos⎜ ⎟ = −0.63514 < 0⎪
⎪ ⎛π ⎞ ⎛π ⎞ ⎡π π ⎤
b- ⎝ ⎠ ⎝4⎠
4
π ⎬ ⇒ F ⎜ ⎟.F ⎜ ⎟ < 0 ⇒ α ∈ ⎢ , ⎥
⎛π ⎞ ⎛π ⎞ ⎝4⎠ ⎝2⎠ ⎣4 2⎦
F ⎜ ⎟ = e 2 − 4 cos⎜ ⎟ = 4.8104 > 0 ⎪
⎝2⎠ ⎝2⎠ ⎪⎭
⎤π π ⎡
c- ∀x ∈ ⎥ , ⎢ , F ' ( x ) = e x + 4 sin ( x ) > 0
⎦4 2⎣
⎤π π ⎡
d- ∀x ∈ ⎥ , ⎢ , F ' ' ( x ) = e x + 4 cos( x ) > 0
⎦4 2⎣
π
Le théorème de Newton est vérifié. En partant de x0 = , le processus de Newton donnée par
2
⎧ π
⎪⎪ x0 =
2
⎨ F (x )
⎪ x n +1 = g ( x n ) = x n − ' n
⎪⎩ F (xn )
⎡π π ⎤
Converge vers l’unique solution positive α de F ( x ) = e x − 4 cos( x ) sur I = ⎢ , ⎥
⎣4 2⎦
π
Partant de x0 =
2
π
⎛π ⎞ ⎛π ⎞ ⎫
F ⎜ ⎟ = e 2 − 4 cos⎜ ⎟ = 4.8104 > 0 ⎪
⎝2⎠ ⎝2⎠ ⎪ ⎛π ⎞ ⎛π ⎞
π ⎬ ⇒ F ⎜ ⎟.F ' ' ⎜ ⎟ > 0
⎛π ⎞ ⎛π ⎞ ⎝2⎠ ⎝2⎠
F ' ' ⎜ ⎟ = e 2 + 4 cos⎜ ⎟ = 4.8104 > 0⎪
⎝2⎠ ⎝2⎠ ⎪⎭
Alors le processus de Newton :
⎧ π
⎪⎪ x0 =
2
⎨ e xn − 4 cos( x n )
⎪ x n +1 = g (x n ) = x n − x
⎪⎩ e n + 4 sin ( x n )
Converge vers la solution α
Calculons les itérés et testons l’inégalité x n +1 − x n < 10 −5

π
x0 =
2
e x0 − 4 cos(x 0 )
1ère Itération : x1 = x0 − = 1.02480 , x1 − x0 = 0.54599 > 10 −5 ;
e + 4 sin ( x0 )
x0

e x1 − 4 cos( x1 )
2ème itération : x 2 = x1 − = 0.91046 , x 2 − x1 = 0.11434 > 10 −5
e + 4 sin ( x1 )
x1

e x2 − 4 cos( x 2 )
3ème itération : x3 = x 2 − = 0.90480 , x3 − x 2 = 0.00566 > 10 −5
e + 4 sin ( x 2 )
x2

Page 14/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
e x3 − 4 cos( x3 )
4ème itération : x 4 = x3 − = 0.90479 , x 4 − x3 = 0.00001 = 10 −5
e + 4 sin ( x3 )
x3

e x4 − 4 cos( x 4 )
5ème itération : x5 = x 4 − = 0.90479 , x5 − x 4 ≈ 0.0000 < 10 −5
(
e + 4 sin x 4
x4
)
Nous déduisons que la solution approchée, obtenue par la méthode de Newton, est
α = 0.90479

Page 15/15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
CHAPITRE II
Résolution des Systèmes d’Equations Linéaires
II.1.1-Définitions et Notations :
On appelle matrice de type (de dimension) (n, m ) un tableau de nombres à n lignes,
m colonnes. L’ensemble de matrices de types (n, m ) est notée 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 notée An ,m = (ai , j ) 1≤i ≤ n
1≤ j ≤ m

⎛ a11 a12 . . a1m ⎞


⎜ ⎟
⎜ a 21 a 22 . . a2m ⎟
A=⎜ . . . . . ⎟
⎜ ⎟
⎜ . . . . . ⎟
⎜a . . a nm ⎟⎠
⎝ n1 a n 2
La transposée de A, notée A t sera alors
⎛ a11 a 21 . . a n1 ⎞
⎜ ⎟
⎜ a12 a 22 . . an2 ⎟
A =⎜ .
t
. . . . ⎟
⎜ ⎟
⎜ . . . . . ⎟
⎜a . . a nm ⎟⎠
⎝ 1m a 2 m
A est symétrique si A= A ; on a aussi la propriété : A.B = B .A
t
( )t t t

Une matrice carrée An ,m est une matrice dont le nombre de lignes est égal au nombre
de colonnes.
II.1.2-Résolution des Systèmes Linéaires :
Tout système d’équations linéaires peut s’écrire sous forme matricielle
AX = b , A : une matrice carrée
Si det ( A) ≠ 0 ( A est inversible ou régulière), l’unique solution du système est donnée par :
AX = b ⇔ A −1 AX = A −1b ⇔ X = A −1b
Avec
A −1 =
1
( A *)t
det ( A)
A * : est la comatrice donnée par :
A* = (C i , j ), 1 ≤ i, j ≤ n
C ij = (− 1) det ( Aij )
i+ j

ème ème
Aij : C’est la matrice A sans la i ligne et la j colonne.

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


n
det ( A) = ∑ (− 1) aij det ( Aij )
i+ j

j =1

II.1.3- Méthode de Cramer :


L’unique solution du système AX = b ( det ( A) ≠ 0 ) est donnée selon Cramer par :

Page 1
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
det ( Ai )
Xi =
det ( A)
ème
Ai est la matrice A où l’on a remplacé le i colonne par le vecteur second membre « b ».
Cette méthode de Cramer est inadaptée pour résoudre les systèmes de grandes tailles
car il y a trop de déterminants à calculer. Pour cela, on a recours à d’autres méthodes de
résolution des systèmes d’équations AX = b . Ces méthodes sont classées dans deux groupes.
Les premières méthodes, intitulées Méthodes directes, sont basées sur la
transformation du système initial AX = b , en passant par un nombre d’étapes finies, pour
avoir la solution X . Parmi ces méthodes, on a la méthode de Gauss, La décomposition LU et
la méthode de Cholesky.
Les méthodes du deuxième groupe, intitulées méthodes itératives, sont basées sur des
procédures itératives qui permettent d’approcher la solution du système, en amorçant le calcul
à partir d’une solution initiale X (0 ) . Parmi ces méthodes, on a la méthode de Jacobi et la
méthode de Gauss-Seidel.

II.2-Méthodes Directes :
II.2.1-Méthode d’élimination de Gauss :
Soit à résoudre le système linéaire : AX = b
La méthode d’élimination de Gauss consiste à réaliser un nombre fini de
transformations sur la matrice A de telle sorte à obtenir un système équivalent pour la
recherche du même vecteur solution, mais avec une matrice triangulaire supérieure.
~ ~
AX = b ⇔ A X = b
Donnons la méthode à travers un exemple.
Soit à résoudre le système :
⎧ 2 x1 − 5 x 2 + x3 = 12

( I ) ⎨ − x1 + 3 x 2 − x3 = −8 ⇔ AX = b
⎪3 x − 4 x + 2 x = 16
⎩ 1 2 3


⎡ 2 −5 1 ⎤ ⎛ x1 ⎞ ⎛ 12 ⎞
⎢ ⎥ ⎜ ⎟ ⎜ ⎟
A = ⎢− 1 3 − 1⎥ , X = ⎜ x 2 ⎟ et b = ⎜ − 8 ⎟
⎢⎣ 3 − 4 2 ⎥⎦ ⎜x ⎟ ⎜ 16 ⎟
⎝ 3⎠ ⎝ ⎠
On adopte l’écriture suivante
⎡ . ⎤
L1(0 ) ⎢ 2 − 5 1 12 ⎥
⎢ . ⎥
(0 ) ⎢
− 8⎥
.
L2 − 1 3 − 1
⎢ . ⎥
⎢ . ⎥
(0 ) ⎢ 3 −4 2 16 ⎥
L3
⎢⎣ . ⎥⎦
~
Le but est d’obtenir une matrice A triangulaire supérieure avec « 1 » sur la diagonale.

Etape N°1 :
Puisque le pivot a11(0 ) = 2 ≠ 0 , on divise la première linge de A par a11(0 ) et essayer d’avoir des
zéros sous le nouveau pivot a11(1)
On obtient :

Page 2
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
L1(0 )
L1(1) = ⎡ . ⎤
2 ⎢1 − 5 2 1 2 .
6⎥
⎢ ⎥
(1) ⎢
− 2⎥ ⇔ A (1) X = b (1)
(1) (0 ) .
L2 = L2 + L1 0 1 2 − 1 2
⎢ . ⎥
⎢ . ⎥
(1) (0 ) (1) ⎢0 − 2⎥
L3 = L3 − 3L1 72 12
⎢⎣ . ⎥⎦
Etape N°2 :
(1)
Comme a 22 = 1 2 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième 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 N°3 et dernière :
(2 )
Comme a33 = 4 ≠ 0 , on refait la même opération qu’à l’étape n°2 mais appliquée à la
troisième colonne. On obtient :
⎡ . ⎤
L1(3) = L1(2 ) ⎢1 − 5 2 1 2 6⎥
⎢ . ⎥
(2 ) ⎢
− 4 ⎥ ⇔ A (3 ) X = b (3 ) ⇔ A X = b
(3 ) . ~ ~
L2 = L 2 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 déterminant de A est donné par :
3
det ( A) = ∏ aii(i −1) = 2. .4 = 4
1
i =1 2
~ ~
On note le nouveau système A X = b
n
~
xi = bi − ∑ a~ik x k
k =i +1
~
Où a~ij sont les éléments de la matrice A

Page 3
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.2.1.1-Calcul de A −1 par la méthode d’élimination de Gauss :
Soit une matrice Ann tel que det ( A) ≠ 0 . On a A. A −1 = I n
On écrit : Ann−1 = [V1 ,V2 ,...,Vn ] et I n = [e1 , e2 ,..., en ]
D’où 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 méthode d’élimination de Gauss au système (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 système linéaire AX = b

⎡1 2 1 ⎤ ⎛ x1 ⎞ ⎛ 3 ⎞
⎜ ⎟ ⎜ ⎟
A = ⎢⎢2 − 4 2⎥⎥ , X = ⎜ x 2 ⎟ et b = ⎜ 10 ⎟
⎢⎣1 6 0⎥⎦ ⎜x ⎟ ⎜ − 2⎟
⎝ 3⎠ ⎝ ⎠
~ ~
Méthode d’élimination de Gauss : AX = b ⇔ A X = b

On adopte l’écriture suivante


⎡ . ⎤
L1(0 ) ⎢1 2 1 3⎥
⎢ . ⎥
(0 ) ⎢
10 ⎥
.
L2 2 − 4 2
⎢ . ⎥
⎢ . ⎥
( 0 ) ⎢1 6 0 − 2⎥
L3
⎢⎣ . ⎥⎦

Page 4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Etape N°1 :
Puisque le pivot a11(0 ) = 1 ≠ 0 , on divise la première ligne de A par a11(0 ) et essayer d’avoir des
zéros sous le nouveau pivot a11(1)
On obtient :
⎡ . ⎤
L1(1) = L1(0 ) ⎢1 2 1 . 3 ⎥
⎢ ⎥
(0 ) ⎢
− 4⎥ ⇔ A (1) X = b (1)
(1) (1) .
L2 = 2 L1 − L2 0 8 0
⎢ . ⎥
⎢ . ⎥
(1) (1) ( 0 ) ⎢0 − 4 1 5⎥
L3 = L1 − L3
⎢⎣ . ⎥⎦
Etape N°2 :
(1)
Comme a 22 = 8 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième colonne. On obtient :

⎡ . ⎤
L1(2 ) = L1(1) ⎢1 2 1 3 ⎥
⎢ . ⎥
L2 = L2 8 ⎢0 − 1 2⎥ ⇔ A ( 2 ) X = b ( 2 )
(2 ) (1) .
1 0
⎢ . ⎥
⎢ . ⎥
(2 ) (2 ) (1) ⎢0 3 ⎥
L3 = 4 L2 + L3 0 1
⎢⎣ . ⎥⎦
Etape N°3 et dernière :
(2 )
Comme a33 = 1 ≠ 0 , on refait la même opération qu’à l’étape n°2 mais appliquée à la
troisième 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 déterminant de A est donné par :
3
det ( A) = ∏ aii(i −1) = 1.8.1 = 8
i =1

Calcul de l’inverse 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
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 0⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩0⎪⎭
⎪⎣
6
⎪ ⎡1 2 1⎤ ⎧V13 ⎫ ⎧0⎫
⎪⎢2 ⎪ ⎪ ⎪ ⎪
−4 2⎥⎥ ⎨V23 ⎬ = ⎨0⎬ (III)
⎪⎢
⎩⎪⎢⎣1 6 0⎥⎦ ⎪⎩V33 ⎪⎭ ⎪⎩1⎪⎭
On applique la méthode d’élimination de gausse aux système (I), (II) et (III).
a- Système (I), (II) et (II) :
On adopte l’écriture suivante:
L1(0 ) ⎡1 2 1 . 1 0 0⎤
⎢ . ⎥
(0 ) ⎢ ⎥
L2 ⎢ 2 − 4 2 . 0 1 0 ⎥
⎢ . ⎥
(0 ) ⎢1 6 0 . 0 0 1 ⎥⎦
L ⎣ 3
Etape N°1 :
Puisque le pivot a11(0 ) = 1 ≠ 0 , on divise la première ligne de A par a11(0 ) et essayer d’avoir des
zéros 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 N°2 :
(1)
Comme a 22 = 8 ≠ 0 , on refait la même opération qu’à l’étape n°1 mais appliquée à la
deuxième 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 N°3 et dernière :


(2 )
Comme a33 = 1 ≠ 0 , on refait la même opération qu’à l’étape n°2 mais appliquée à la
troisième colonne. On obtient :

Page 6
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 = e~ − a (3 )V − a (3 )V ⎪V = −3 / 2 ⎪ V =2
⎩ 11 11 12 21 13 31 ⎩ 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 = ~ (3 ) (3 ) ⎪ V = 3/ 4 ⎪V = −1 / 2
⎩ 12 e21 − a12 V22 − a13 V32 ⎩ 12 ⎩ 32

⎧ V33 = e~33 ⎧V33 = −1 ⎧ V13 = 1


~ ⎪ (3 ) ⎪ ⎪
AV3 = e3 ⇔ A V3 = e~3 ⇔ ⎨ V23 = e~32 − a 23 V33 ⇔ ⎨ V23 = 0 ⇔ ⎨ V23 = 0
⎪V = e~ − a (3 )V − a (3 )V ⎪ V =1 ⎪V = −1
⎩ 13 31 12 23 13 33 ⎩ 13 ⎩ 33
Finalement :
⎡V11 V12 V13 ⎤ ⎡− 3 / 2 3 / 4 1⎤
−1 ⎢ ⎥ ⎢
A = ⎢V21 V22 V23 ⎥ = ⎢ 1 / 4 − 1 / 8 0 ⎥⎥
⎢⎣V31 V32 V33 ⎥⎦ ⎢⎣ 2 − 1 / 2 − 1⎥⎦

II.2.2-Méthode de décomposition LU :
Définition :
On dit que A[k ] est la sous matrice principale d’ordre k de A si A[k ] est la matrice
d’ordre (k, k ) de coefficients aij , 1 ≤ i, j ≤ k , 1 ≤ k ≤ n
Théorème :
Si A est une matrice carrée d’ordre n dont toutes les sous matrices principales
sont régulières, alors il existe une décomposition unique de A sous la forme A = LU .
Où L est une matrice triangulaire inférieure avec une diagonale unitaire. U est une
matrice triangulaire supérieure.
La résolution du système AX = b devient
⎧ LY = b
AX = b ⇔ LUX = b ⇔ ⎨
⎩UX = Y
La résolution du système AX = b revient à la résolution des deux systèmes LY = b par un
algorithme descendant (↓ ) et UX = Y par un algorithme ascendant (↑ ) . La résolution de ces
deux systèmes est immédiate puisque les matrices L et U sont triangulaires.
Remarque : U est la matrice obtenue par la méthode d’élimination de Gauss.

La méthode :
Soit A une matrice dont toutes les sous matrices sont régulières.
Exemple : A(3,3)

Page 7
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 régulières, A admet une décomposition 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 à déterminer les éléments 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

D’où
⎡1 0 0⎤ ⎡1 2 1⎤
L = ⎢⎢2 1 0⎥⎥ , U = ⎢⎢0 − 8 0 ⎥⎥
⎢⎣1 − 1 2 1⎥⎦ ⎢⎣0 0 − 1⎥⎦
Finalement, l’algorithme de la décomposition LU est donné 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 inférieure ⇒ Lik = 0 pour k > i
U est une matrice triangulaire supérieure ⇒ U kj = 0 pour k > j
min (i , j )
Donc Lik U kj = 0 pour k > min (i, j ) d’où aij = ∑L ik U kj
k =1
La résolution :

Page 8
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 d’où 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 méthode de décomposition LU :


Soit une matrice Ann tel que toutes les sous matrices A[k ] soient régulières.
On a A. A −1 = I n
On écrit : Ann−1 = [V1 ,V2 ,..., Vn ] et I n = [e1 , e2 ,..., en ]
D’où 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 d’abord s’assurer que la matrice A admet une décomposition LU . On calcule les
déterminant 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
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 régulière, la matrice A admet une décomposition 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 à déterminer les éléments 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-Résoudre le système : AX = b où

⎡ 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 l’inverse de la matrice A .

On pose A. A −1 = I 3 ⇒ LUA −1 = I 3

Page 10
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 1⎥⎦ ⎢⎣0 4 ⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩0⎪⎭
⎪⎣
7 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 1⎥⎦ ⎪⎩Y32 ⎪⎭ ⎪⎩0⎪⎭ ⎢⎣0 4 ⎥⎦ ⎪⎩V32 ⎪⎭ ⎪⎩Y32 ⎪⎭
⎪⎣
7 0
⎪⎡ 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
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.2.3-Méthode de Cholesky :
Soit A une matrice carrée d’ordre n tel que A = (aij )1≤i , j ≤ n
Définition :
1- La matrice A est dite symétrique si elle coïncide avec sa transposée.
A = A t ⇔ aij = a ji , i, j = 1, n
2- La matrice A est dite définie 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 vérifiées, alors A est appelée Matrice Symétrique
Définie Positive. (S.D.P)

Théorème :
La matrice A est définie 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.

Théorème de Cholesky :
Soit A une matrice carrée d’ordre n , non singulière et symétrique. Pour qu’il existe
une matrice triangulaire inférieure L , de même dimension que A , telle que A = L.Lt , il faut
et il suffit que A soit une matrice définie positive.

Remarque : La matrice L n’est pas unique. La décomposition devient unique si l’on fixe à
l’avance les éléments diagonaux Lii avec Lii > 0

Algorithme de décomposition :
Afin d’obtenir les éléments Lij de la matrice L , on multiplie les matrices L et Lt , puis
on identifie les coefficients respectifs dans l’égalité A = L.Lt pour obtenir les équations :
⎧ L11 = a11
⎪ i −1
⎪ L = a − L2 , i = 2, n
⎪ ii ii ∑
k =1
ik


⎪ L = 1 ⎡a − L L ⎤ , i > j
j −1

⎪ ij L jj ⎢⎣ ij ∑ k =1
ik jk ⎥


⎩ Lij = 0 , i < j
Résolution du système AX = b
La résolution du système AX = b revient à résoudre :
⎧ LY = b
AX = b ⇔ LLt X = b ⇔ ⎨ t
⎩L X = Y
D’où on obtient

Page 12
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ b1
⎪⎪ Y1 =
L11

⎪Yi = 1 ⎡ i −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 déterminant de A
2
⎡ n ⎤
t
( t
) ( )
A = L.L ⇒ det ( A) = det L.L = det (L ). det L = [det (L )] t 2
= ⎢∏ Lii ⎥
⎣ i =1 ⎦

Exemple :
On considère la matrice :
⎡1 −3 5 1⎤
⎢− 3 13 − 19 − 3⎥
A=⎢ ⎥
⎢ 5 − 19 38 2⎥
⎢ ⎥
⎣1 −3 2 18 ⎦
La matrice A est symétrique : A = A t
La matrice A est définie positive :
On a les déterminants 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 symétrique définie positive, elle admet une décomposition
A = L.Lt
⎡ L11 0 0 0 ⎤
⎢L L22 0 0 ⎥⎥
On pose : L = ⎢ 21 tel que : Lii > 0, i = 1, 4
⎢ L31 L32 L33 0 ⎥
⎢ ⎥
⎣ L41 L42 L43 L44 ⎦

Page 13
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique 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 ⇔ ⎢ 21
t
=
⎢ L31 L32 L33 0 ⎥⎢ 0 0 L33 L43 ⎥ ⎢ 5 − 19 38 2⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ L41 L42 L43 L44 ⎦ ⎣ 0 0 0 L44 ⎦ ⎣ 1 −3 2 18 ⎦

D’où
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
L21 L41 + L22 L42 = a 24 = −3 ⇔ L42 = 24 = =0
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
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.3-Méthodes Itératives :
Définitions :
- Soit A une matrice carrée d’ordre n . An ,n .
n
• On appelle trace de A le scalaire noté : tra ( A) = ∑ aii
i =1

• On dit que λ ∈ 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 = λV
• Les valeurs propres de la matrice A sont les racines réelles ou complexes du
polynôme caractéristique de A noté : PA (λ ) = det ( A − λI ) = 0
n n
• tra ( A) = ∑ λi ( A) , det ( A) = ∏ λi ( A)
i =1 i =1

• Le spectre de la matrice A , noté S p ( A) = {λi ( A)}


• Le rayon spectral de la matrice A , noté ρ ( A) = max (λi (A))
1≤ i ≤ n

• La matrice A est à diagonale dominante stricte (D.D.S) si et seulement si


n n
a ii > ∑ a ij , ∀i fixé ou a jj > ∑ aij , ∀j fixé
j =1 i =1
j ≠i i≠ j

Propositions :
1- Si A est symétrique, alors toutes les valeurs propres de A sont réelles, de plus si A
est définie positive, alors les valeurs propres de A sont toutes positives.
2- On suppose que A est une matrice à diagonale strictement dominante (D.D.S), alors
les valeurs propres de A sont non nulles.
Conséquences : A est une matrices à diagonale strictement dominante ⇒ det ( A) ≠ 0 ,
l’inverse 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. λA = λ A ∀λ ∈ 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 ⎞⎟ , A 2 = ⎢∑ ⎜ ∑ aij ⎟⎥
n
, A3= A = max ⎜ ∑ aij ⎟
1≤ j ≤ n ⎝ i =1 ⎠ ∞
⎣ i =1 ⎝ j =1 ⎠⎦ 1≤i ≤ n ⎝ j =1 ⎠

Page 15
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Application :
⎡− 1 1 0 ⎤
A = ⎢ 0 − 3 − 2⎥⎥

⎢⎣ 2 − 1 − 2⎥⎦

A3= A ∞
= max ( ai1 + ai 2 + ai 3 )
1≤i ≤3

A3= A ∞
= max ( a11 + a12 + a13 ; a 21 + a 22 + a 23 ; a31 + a 32 + a33 )
A3= A ∞
= max(1 + 1; 3 + 2; 2 + 1 + 2 ) = max(2; 5; 5) = 5

Proposition :
Soit A une matrice carrée d’ordre n , alors ρ ( A) ≤ A
Lorsque l’ordre n d’un système algébrique linéaire est très grand, la résolution du
système par les méthodes directes (Gauss, LU, Cholesky, ….) devient assez compliqué. On
fait appel aux méthodes dites itératives ou indirectes, sous réserve de convergence. Le
( )
principe de ces méthodes consiste à définir une suite de valeurs X (k ) convergentes vers la
solution exacte ( X ) du système AX = b .

Définition :
Une méthode itérative de résolution du système AX = b consiste d’abord à passer au
système X = αX + β (que l’on déterminera) et sa solution est alors la limite de la suite définie
par : X k +1 = αX k + β , X 0 étant une approximation initiale.

Remarque : Les méthodes itératives sont généralement utilisées lorsque l’ordre du système
est supérieur à 100 (n ≥ 100 ) et si la matrice A contient beaucoup d’éléments nuls.
Les méthodes itératives sont :
1- La méthode de Jacobi ;
2- La méthode de Gauss-Seidel.

(aij )
II.3.1-Méthode de Jacobi :
On suppose que les aii ≠ 0 , ∀ i = 1, n où A =
1≤ i , j ≤ n

Le système AX = b s’écrit 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

⎪ a31 x1 + a32 x 2 + a33 x3 + • • • + a3n −1 x n −1 + a3n 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 méthode de Jacobi consiste à résoudre la I ème équation par rapport à


l’inconnue xi . On obtient alors le système équivalent, appelé système réduit.

Page 16
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎧ x1 = β 1 + 0 x1 + α 12 x 2 + α 13 x3 + • • • +α 1n −1 x n −1 + α 1n x n
⎪ x = β + α x + 0 x + α x + • • • +α x + α x
⎪ 2 2 21 1 2 23 3 2 n −1 n −1 2n n

⎪ x3 = β 3 + α 31 x1 + α 32 x 2 + 0 x3 + • • • +α 3n −1 x n −1 + α 3n x n

⎪ •

⎪ •
⎪ •


⎪ x = β + α x + α x + α x + • • • +α x + 0 x
⎩ n n n1 1 n2 2 n3 3 nn −1 n −1 n


⎧ aij
b ⎪α ij = − , i ≠ j , i, j = 1, n
β i = i , i = 1, n et ⎨ aii
aii ⎪α = 0,
⎩ ii i = 1, n
Le système réduit ainsi obtenu s’écrit sous forme matricielle comme suit :
X = αX + β

α = (α ij ), β = (β i )
⎡ 0 α 12 α 13 • • • α 1n −1 α 1n ⎤ ⎧ β1 ⎫
⎢α 0 α 23 • • • α 2 n −1 α 2 n ⎥⎥ ⎪β ⎪
⎢ 21 ⎪ 2⎪
⎢α α 32 0 • • • α 3n −1 α 3n ⎥ ⎪⎪ β ⎪⎪
α = ⎢ 31 ⎥, β = ⎨ 3⎬
⎢ • • • • • ⎥ ⎪•⎪
⎢ • • • • • ⎥ ⎪•⎪
⎢ ⎥ ⎪ ⎪
⎣⎢α n1 α n 2 α n 3 • • • α n −1n 0 ⎦⎥ ⎩⎪β n ⎭⎪
α = (α ij ) est la matrice de Jacobi.
Conclusion : Le système AX = b devient équivalent au système réduit X = αX + β
AX = b ⇔ X = αX + β (Forme récursive)
A partir du système X = αX + β , en partant d’une approximation initiale arbitraire X (0 ) , on
résout le système :
X (k +1) = αX (k ) + β ; k ∈ N
Si la suite des approximations X (0 ) , X (1) ,…, X (k ) ,…possède une limite X = lim X (k ) ,
k →∞
cette limite est solution du système X = αX + β et donc du système AX = b .
En effet, il suffit de passer à la limite dans le système X (k +1) = αX (k ) + β pour obtenir :
( k +1) (k )
lim X = α lim X + β ⇔ X = αX + β ⇔ AX = b
k →∞ k →∞

Page 17
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Algorithme de la méthode :
Ecrivons le système X (k +1) = αX (k ) + β sous forme développée :
n
⎡ n

1 ⎢ (k ) ⎥
X ( k +1)
= αX (k )
+ β ⇔ xi ( k +1)
= ∑ α ij x j + β i , i = 1, n ⇔ xi
(k ) ( k +1)
= bi − ∑ aij x j , i = 1, n
j =1 aii ⎢ j =1

j ≠i ⎣⎢ j ≠i ⎦⎥
D’où l’algorithme de Jacobi :


⎪ (0 )
⎪ X donné


⎪ ⎡ ⎤
⎪ (k +1) 1 ⎢ n
(k ) ⎥
⎪ xi = bi − ∑ aij x j , i = 1, n
aii ⎢ ⎥
⎪⎩ ⎣⎢
j =1
j ≠i ⎦⎥
Critère d’arrêt :
En pratique, les itérations vont jusqu’à atteindre la précision ε donnée au préalable,
qui se traduit par :
xi(k +1) − xi(k ) ≤ ε , i = 1, n
Convergence de la méthode de Jacobi :
Théorème :
Une condition nécessaire et suffisante pour que l’algorithme de Jacobi converge,
indépendamment de la condition initiale X (0 ) , est que ρ (α ) < 1 où ρ (α ) = max λi ,
1≤i ≤ n

λi : valeur propre de α

Remarque :
1- Le calcul de ρ (α ) est très compliqué, il suffit alors de vérifier si α < 1 , puisque
ρ (α ) ≤ α
2- La méthode de Jacobi converge si l’une des conditions suivantes est vérifiée :
™ α 1 <1
™ α 2
<1
™ α 3
= α ∞
<1
3- Si A est une matrice à diagonale dominante stricte (DDS) alors la méthode de Jacobi
converge.

Page 18
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
II.3.2-Méthode de Gauss-Seidel :
Soit le système AX = b où

⎡ a11 a12 a13 • • • a1n −1 a1n ⎤ ⎧ b1 ⎫


⎢a a 22 a 23 • • • a 2 n −1 a2n ⎥ ⎥ ⎪b ⎪
⎢ 21 ⎪ 2⎪
⎢a • • • a3n −1 ⎥ ⎪⎪b3 ⎪⎪
A = (aij ) = ⎢ 31
a32 a33 a3n
⎥, b=⎨ ⎬
⎢• • • • • ⎥ ⎪•⎪
⎢• • • • • ⎥ ⎪•⎪
⎢ ⎥ ⎪ ⎪
⎢⎣a n1 an 2 an3 • • • a n −1n a nn ⎥⎦ ⎪⎩bn ⎪⎭
Soient D , E et F les matrices définies par :
⎡a11 0 0 ••• 0 0 ⎤ ⎡ 0 0 0 ••• 0 0⎤
⎢0 ••• ⎥ ⎢ 0⎥⎥
⎢ a 22 0 0 0 ⎥ ⎢− a 21 0 0 ••• 0
⎢0 0 a33 ••• 0 0 ⎥ ⎢ − a 31 − a32 0 ••• 0 0⎥
D=⎢ ⎥, E = ⎢ ⎥,
⎢• • • • • ⎥ ⎢ • • • • •⎥
⎢• • • • • ⎥ ⎢ • • • • •⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ 0 0 0 ••• 0 a nn ⎥⎦ ⎢⎣ − a n1 − a n 2 − a n 3 • • • − a n −1n 0⎥⎦
⎡0 − a12 − a13 • • • − a1n −1 − a1n ⎤
⎢0 0 − a 23 • • • − a 2 n −1 − a 2 n ⎥⎥

⎢0 0 0 • • • − a3n −1 − a3n ⎥
F=⎢ ⎥
⎢• • • • • ⎥
⎢• • • • • ⎥
⎢ ⎥
⎢⎣0 0 0 ••• 0 0 ⎥⎦

1- Algorithme de Jacobi :
On a A = D − E − F d’où
AX = b ⇔ (D − E − F )X = b ⇔ DX = (E + F )X + b
Et de là 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)
= αx + β où α = D (E + F ) et β = D −1b
(k ) −1

Qui n’est 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 = ⎢ ⎬=β
−1
⎥, D b=⎨
⎢ • • • • • ⎥ ⎪ • ⎪
⎢ • • • • • ⎥ ⎪ • ⎪
⎢ ⎥ ⎪ ⎪
⎣⎢ 0 0 0 • • • 0 1 / a nn ⎦⎥ ⎪⎩bn a nn ⎪⎭

Page 19
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
⎡ 0 − a12 a11 − a13 a11 ••• − a1n −1 a11 − a1n a11 ⎤
⎢− a a 0 − a 23 a 22 ••• − a 2 n −1 a 22 − a 2 n a 22 ⎥⎥
⎢ 21 22
⎢ − a31 a33 − a32 a33 0 ••• − a3n −1 a33 − a3n a33 ⎥
D −1 (E + F ) = ⎢ ⎥ =α
⎢ • • • • • ⎥
⎢ • • • • • ⎥
⎢ ⎥
⎢⎣− a n1 a nn − a n 2 a nn − a n 3 a nn • • • − a n _ 1n a nn 0 ⎥⎦
Ainsi, on aboutit à l’algorithme de Jacobi.
Remarque : On peut noter α par J d’où
x (k +1) = Jx (k ) + β

2- Algorithme de Gauss-Seidel :
Une autre décomposition de A , autre que celle développée ci-dessus, permet d’aboutir
à la méthode de Gauss-Seidel :
On a :
AX = b ⇔ (D − E − F )X = b ⇔ (D − E )X = FX + b
D’où

(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 développant la formule récursive ci-dessus, on aboutit à l’algorithme de Gauss-Seidel.

Algorithme de Gauss-Seidel :


⎪ X (0 ) donné
⎪⎪

⎪ (k +1) 1 ⎡ i −1 n ⎤
⎢ i ∑ aij x j − ∑a
( k +1)
⎪ xi = b − ij x (jk ) ⎥ , i = 1, n
⎩⎪ a ii ⎣ j =1 j =i +1 ⎦
Remarque :
1- La matrice de Gauss-Seidel, notée G s est donnée par : G s = (D − E ) F
−1

2- La matrice de Jacobi, notée J , est donnée par : J = D −1 (E + F )


3- Pour pouvoir appliquer la méthode de Gauss-Seidel, il faut que les aii ≠ 0 , ∀ i = 1, n .
4- Tous les résultats de convergence pour la méthode de Jacobi ( J ) restent valables pour
la méthode de Gauss-Seidel ( G s ) (remplacer α par J ou par G s ).

Page 20
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple 1 :
On considère le système AX = b
⎡ 3 1⎤ ⎧x ⎫ ⎧5⎫
Où A=⎢ ⎥ ; X = ⎨ 1⎬ ; b = ⎨ ⎬
⎣− 1 4⎦ ⎩ 2⎭
x ⎩- 6⎭
1-Calculer la matrice G de Gauss-Seidel associée au système.
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 associée au système :
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
D−E = ⎢ ⎥
⎣ − 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

⎡3 0 ⎤ ⎡0 0 ⎤ ⎡0 − 1⎤
D=⎢ ⎥ , E=⎢ ⎥ ; A=⎢ ⎥
⎣0 4 ⎦ ⎣1 0⎦ ⎣0 0 ⎦

2-Le système AX = b s’écrit alors (D − E − F )X = b


D’où (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 écrit le processus itératif :
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
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple 2:
On considère le système AX = b , où la matrice A est définie de la façon suivante :

⎡1 2(1 − β ) 0⎤
A = ⎢⎢1 2 0⎥⎥
⎢⎣0 0 1⎥⎦
et β est un paramètre réel.
1-Sans calculer les matrices d’itération, donner une condition suffisante sur le paramètre β
pour que les méthodes de Gauss-Seidel et de Jacobi soient convergentes.
2-Calculer les matrices d’itération J pour la méthode de Jacobi et G pour la méthode de
Gauss-Seidel.
3- Etablir pour quelles valeurs de β les méthodes sont convergentes. Quelle est la méthode
qui converge le plus rapidement.

Solution 2:

1- On sait que si la matrice A est une matrice à diagonale dominante stricte par ligne, alors
les méthodes de Gauss-Seidel et de Jacobi sont convergentes. Pour satisfaire cette condition, il
faut imposer :
1 > 2(1 − β ) ==> < β <
1 3
2 2

2-Calcul des matrices d’itération J pour la méthode de Jacobi et G pour la méthode de


Gauss-Seidel.
On pose A = D − E − F
⎡1 0 0 ⎤ ⎡ 0 0 0⎤ ⎡0 − 2(1 − β ) 0⎤
Où D = ⎢0 2 0⎥ , E = ⎢− 1 0 0⎥ et F = ⎢⎢0
⎢ ⎥ ⎢ ⎥ 0 0⎥⎥
⎣⎢0 0 1⎦⎥ ⎢⎣ 0 0 0⎦⎥ ⎣⎢0 0 0⎦⎥
⎡ 0 2(β − 1) 0⎤

J = D (E + F ) = ⎢ − 1 2
−1
0 0⎥⎥
⎣⎢ 0 0 0⎦⎥
⎡0 2(β − 1) 0⎤
G = (D − E ) F = ⎢⎢0 1 − β 0⎥⎥
−1

⎢⎣0 0 0⎥⎦

3- Les valeurs de β pour lesquelles les méthodes sont convergentes.


Les méthodes convergent si leurs rayons spectraux sont strictement inférieurs à 1.
On a ρ ( A) = max λi (A) où λi (A) sont les valeurs propres de la matrice A .
1≤ i ≤ n

Pour la matrice de Jacobi J , les valeurs propres sont λ1 ( J ) = 0 , λ 2,3 ( J ) = ± 1 − β


Donc ρ ( J ) = 1 − β et ρ ( J ) < 1 si et seulement si 1 < β < 2 .
Pour la matrice de Jacobi G , les valeurs propres sont λ1, 2 (G ) = 0 , λ3 (G ) = 1 − β
Donc ρ (G ) = 1 − β et ρ (G ) < 1 si et seulement si 0 < β < 2 .

Page 22
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
La méthode qui converge le plus rapidement.
On voit que ρ (G ) = ρ 2 ( J ) ==> La méthode de Gauss-Seidel converge plus vite que celle de
Jacobi.

Exemple 3 : On considère le système linéaire 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 s’écrire comme A = D − E − F où les matrices D , E et F sont données
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 considère les deux méthodes itératives suivantes :
x (k +1) = D −1 (E + F )x (k ) + D −1b = B1 x (k ) + β1
x (k +1) = (D − E ) Fx (k ) + (D − E ) b = B2 x (k ) + β 2
−1 −1

Calculer les matrices B1 , B2 et les vecteurs β1 et β 2 .

2-Calculer le rayon spectral des deux matrices d’itération et établir si les deux méthodes sont
convergentes. De quelles méthodes s’agit-il ? Au vu des rayons spectraux calculés, quelle est
la méthode la plus rapide ?
3-Résoudre le système linéaire AX = b avec une précision ε = 10 −6 , en utilisant les deux
⎧0⎫
⎪0⎪
(0 ) ⎪ ⎪
méthodes 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 définie positive ?
2- Ecrire la matrice J de l’itération de Jacobi
3- Pour quelles valeurs de a la méthode de Jacobi converge-t-elle ?
4- Ecrire la matrice G de l’itération de Gauss-Seidel.
5- Calculer ρ (G ) . Pour quelles valeurs de a la méthode de Jacobi converge-t-elle plus
vite que celle de Jacobi ?

Page 23
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique Mr : MEZIANI Bachir
Exemple : Soit le système AX = b où :
⎡1 2 3 4⎤
⎢5 6 7 8⎥
A=⎢ ⎥
⎢ 9 10 11 12⎥
⎢ ⎥
⎣13 14 15 16⎦
1- Ecrire la matrice J de l’itération de Jacobi
2- Ecrire la matrice G s de l’itération de Gauss-Seidel
Solution :
On écrit la matrice A sous la forme A = D − E − F où

⎡1 0 0 0⎤ ⎡ 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 donnée par :

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



J = D -1 (E + F) et β = D -1b
On écrit : 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 donnée par :
AX = b ⇔ (D - E - F)X = b ⇔ (D - E )X = FX + b ⇔ X = (D - E ) FX + (D - E ) b = G s X + β 1
-1 -1


G s = (D - E ) F et β 1 = (D - E ) b
-1 -1

On écrit : 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⎦

Page 24
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

Calcul et Analyse Numérique - Exercices Corrigés

– Exercice Td2-1

1. Effectuons le produit P = M N par blocs :


m11 | m01 n11 | n01 p11 | p01
    
 −− −−    −− −− 
  −− −− 
 
 
 0  0   0
P = =

 
 ..   ..   ..
| M1   . | N1   . | P1 

 .
0 0 0

 p11 = m11 n11
avec : p0 = m11 n01 + m01 N1
 1
P1 = M 1 N 1
2. On remarque lorsque T est triangulaire supérieure d’ordre n, T1 est triangulaire sup. d’ordre
n1 et peut donc être scindée en blocs à son tour :

t | t 0 
11 1
| t01
 
t11  −− − − − − −− 
| t02 
 
T =  −− −−  =   t22 
On−1 | T1  On−1 | −− −− 
On−2 | T2
| t01
 
t11
 −− − − − − − − − − − − −− 
0
 

 t 2,2 | t 2


= −− − − − − − − −−  = ···

 On−1 | t3,3 | 0
t3 
 
 On−2 | −− − − −− 
On−3 | T3
où Ok est le vecteur nul de Rk .
Ainsi, pour montrer que si M et N sont triangulaire supérieures, le produit M N est tri-
angulaire sup., il suffit de montrer que le produit M1 N1 est triangulaire sup. A son tour,
M1 N1 le sera si le produit M2 N2 l’est et ainsi de suite.
Supposons cette propriété vraie usqu’à l’étape k, alors :
mk+1,k+1 | m0k+1 nk+1,k+1 | n0k+1
  

Mk N k =  −− −−   −− −− 
On−k−1 | Mk+1 On−k−1 | Nk+1

mk+1,k+1 nk+1,k+1 | mk+1 n0k+1 + m0k+1 Nk+1


 

= −− −− 
On−k−1 | Mk+1 Nk+1

p. 1
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

Mk Nk est triangulaire sup. dès lors que Mk+1 Nk+1 l’est.


A l’étape n − 1 les matrices résultantes Mn−1 et Nn−1 sont des nombres :

Mn−1 = [mn,n ] et Nn−1 = [nn,n ]

et le produit Mn−1 Nn−1 = [mn,n nn,n ] est bien une matrice triangulaire supérieure. Ceci
montre bien que le produit de deux matrices triangulaires supérieures est triangulaire
supérieure.
3. Supposons que t11 6= 0 et que T1 est inversible. On va montrer qu’il est alors possible de
construire une matrice M telle que T M = In ou :

m1,1 | m01 0
    
t1,1 | t1 1 | On−1
 −− −−    −− −−    −− −− 
 
 
 0  0   0
=

    
 ..   ..   ..
| T1   . | M1   . | In−1 

 .
0 0 0
−1

 t1,1 m11 = 1 d’où m,11 = t11
On doit avoir : t1,1 m01 + t01 M1 = 00n−1
T1 M1 = In−1 d’où M1 = T1−1

On reporte les valeurs trouvées dans la seconde équation pour obtenir m01 = t−1 t0 T −1 .
11 1 1
Une matrice triangulaire sup. T telle que t11 6= 0 et que T1 est inversible et son inverse T −1
a la forme suivante :
1/t1,1 | t−1 t0 T −1
 
1,1 1 1
T−1 =  −− −− 
−1
On−1 | T1
4. La démonstration de la question précédente ne suffit pas pour affirmer que que t1,1 6= 0 et
T1 inversible est une condition nécessaire et suffisante d’inversibilité.
Cependant, supposons T inversible, alors il existe une matrice M carrée d’ordre n telle que
T M = M T = In . Décomposons M en quatre blocs compatibles avec la décomposition de
T :
m1,1 | m01 t1,1 | t01 m1,1 t11 | m1,1 t01 + m01 T1 0
      
1 | On−1
 −− −−   −− −−  =  −− −−  =  −− −− 
m1 | M1 On−1 | T1 0
m1 t1,1 | m1 t1 + M1 T1 On−1 | In−1

On en déduit que :

m1,1 t11 = 1 d’où t11 6= 0 et m1,1 = t−1



1,1
m1 t11 = On−1 donc m1 = 0m1 t01 + M1 T1 = M1 T1 = In−1 donc T1 est inversible et M1 = T1−1

La condition t1,1 6= 0 et T1 inversible est bien nécessaire et suffisante.


5. Les questions précédentes suggèrent une méthode pour inverser une matrice triangulaire
supérieure T :
t1,1 | t01
 

– On décompose T =  −− −− 
On−1 | T1
T est inversible si et seulement si t11 6= 0 et T1 inversible.
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

 
t2,2 | t2
– On décompose T1 =  −− −− 
On−2 | T2
T1 est inversible si et seulement si t22 6= 0 et T2 inversible. Donc T est inversible si et
seulement si t1,1 6= 0, t22 6= 0 et T2 inversible.
– On décompose T2 à son tour. Un raisonnement semblable à celui de l’alinea précédent
montre que T est inversible si et seulement si t1,1 6= 0, t,22 6= 0, t3,3 6= 0 et T3 inversible.
– Au bout de n − 1 étapes le bloc Tn−1 ne comporte qu’un seul élément tn,n . Tn−1 est
inversible si tn,n 6= 0. On en déduit donc que T est inversible si et seulement si t1,1 6=
0, t2,2 6= 0, · · · , tn,n 6= 0.
Supposons que tous les termes diagonaux sont différents de zéro et montrons que la ma-
trice inverse de T est également triangulaire supérieure. Pour cela on va “remonter” le
raisonnement précédent.
– Tn−1 = tnn est un nombre et son inverse est 1/tnn . 
tn−1,n−1 tn−1n
– Tn−2 est la matrice d’ordre deux .
0 tnn
On peut calculer son inverse par les formules trouvées à la question 4 :
 
−1 1/tn−1,n−1 −tn−1,n /(tn−1,n−1 tn,n )
Tn−2 =
0 1/tn,n

C’est une matrice triangulaire supérieure.


−1 −1 −1
– On construit de proche en proche les matrices Tn−3 , Tn−4 . . . et à chaque étape, si Tk+1
−1
est triangulaire supérieures alors Tk l’est également (question 4).
– On en déduit que T1−1 est triangulaire supérieure et donc que T −1 l’est aussi.
 
1 1 0 0
 0 1 1 0 
6. Appliquons cette méthode à la matrice   0 0 1 1 

0 0 0 1
   
1 1 1 −1
T3 = 1 T3−1 = 1 T2 = T2−1 =
   
0 1 0 1
 
    1 −1 1 −1
1 1 0 1 −1 1  0 1 −1 1 
T1 =  0 1 1  T1−1 =  0 1 −1  d’où T −1 =  
 0 0 1 −1 
0 0 1 0 0 1
0 0 0 1
– Exercice Td2-2

1. Le produit par blocs


     
A −I3 0 X1 A −I3 0
 −I3 A −I3   X2  =  −1 AX2 X3 
0 −I3 A X3 0 −X2 AX3
   
4 −1 0 0
où A =  −1 4 −1  et b =  0 
0 −1 4 100
conduit bien au système initial.
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

2. Sous forme de blocs, il s’écrit alors :



 AX1 − X2 = b (e1 )
−X1 + AX2 − X3 = b (e2 )
−X2 + AX3 = b (e3 )

On en effectuant (e1 ) − (e3 ) on a :

AX1 − AX3 = 0

On en déduit que X1 = X2 car A est inversible (det(A) = 14).


En remplaçant X3 par sa valeur dans (e3 ), on obtient :

X2 = AX1 − b

Enfin en remplaçant X2 par AX1 − b et X3 par X1 dans (e2 ), on obtient :

(A2 − 2I3 )X1 = Ab + b

Le système initial est donc équivalent à :

(e01 )

 X1 = X3
X2 = AX1 − b (e02 )
(A − 2I3 )X1 = Ab + b (e03 )
2

3. Sous forme développée (e03 ) s’écrit :



 15x1 − 8y1 + z1 = 0
−8x1 + 16y1 − 8z1 = −100
x1 − 8y1 + 15z1 = 300

La solution (Matlab) est X1 = X3 = (x1 = 1.7857, y1 = 6.2500, z1 = 23.2143).


On en déduit X2 = (x2 = 0.8929, y2 = 0, z2 = −13.3929)
– Exercice 3
Soit A la matrice  
1 1 1 0 1 1
 2 1 5 2 2 0 
A=
 2

1 2 1 1 2 
3 2 3 1 2 5
– Déterminez la matrice échelon U associée à A.
l10 = l1 = l10
   
1 1 1 0 1 1 1 1 1 0 1 1 l”1
 2 1 5 2 2 0  l20 = l2 − 2l1  0 −1 3 2 0 −2  l”2 = l20
l30 = l3 − 2l1 = l30 − l20
   
 2 1 2 1 1 2   0 −1 0 1 −1 0  l”3
3 2 3 1 2 5 l40 = l4 − 3l1 0 −1 0 1 −1 2 l”4 = l40 − l20

l1000
   
1 1 1 0 1 1 = l”1 1 1 1 0 1 1
 0 −1 3 2 0 −2  l2000 = l”2  0 −1 3 2 0 −2 
l3000
   
 0 0 −3 −1 −1 2  = l”3  0 0 −3 −1 −1 2 
0 0 −3 −1 −1 4 l4000 = l”4 − l”3 0 0 0 0 0 2

– Base de l’espace image, rang et base du noyau de la matrice U .


On ”lit” directement sur la matrice U les informations suivantes :
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

– rang(U ) = nb de pivots = 4, dim N (U ) = 6 − 4 = 2


– une base de R(U ) est constituée des colonnes-pivot :
{(1, 0, 0, 0), (1, −1, 0, 0), (1, 3, −3, 0), (1, −2, 2, 2)}
– Pour déterminer une base de N (U ), il faut résoudre U x = 0. Les solutions “spéciales” sont :
– pour x4 = 1 et x5 = 0, on trouve x1 = −2/3, x2 = 1, x3 = −1/3, x6 = 0
– pour x4 = 0 et x5 = 1, on trouve x1 = 1/3, x2 = −1, x3 = −1/3, x6 = 0
D’où : {n1 = (−2/3, 1, −1/3, 1, 0, 0), n2 = (1/3, −1, −1/3, 0, 1, 0)}
– Base de l’espace image, rang et base du noyau de la matrice A
– rang(A) = rang(U ) = 4, dim N (A) = dim N (U ) = 2
– Une base de R(U ) est constituée des colonnes de même indice que les colonnes-pivot de U
{(1, 2, 2, 3), (0, 1, 1, 1), (0, 0, 1, 1), (0, 0, 0, 2)}
– N (A) = N (U ) donc la base précédemment trouvée convient.
– Exercice 4
1. Soit A la matrice :  
2 1 0 0 0

 1 2 1 0 0 


 0 1 2 1 0 

 0 0 1 2 1 
0 0 0 1 2
– Déterminez la factorisation LU de A.
2. Plus généralement, on appelle matrice tridiagonale d’ordre n une matrice carrée A telle
que :
|i − j| ≥ 2 ⇒ Aij = 0
et que pour des raisons de commodité, on écrit sous la forme suivante :
 
a1 c1 0 0 ··· 0
 b2 a2 c2 0 0 
 
 0 b3 a3 c3 0 
 
 .. .. .. .. 
 .
 . . . 
 0 bn−1 an−1 cn−1 
0 ··· 0 bn an

– Montrez que A se factorise sous la forme LU sans permutation.


– Calculez explicitement les coefficients de L et U .
– Évaluez le nombre d’opérations nécessaires à la factorisation.
– Donnez l’algorithme de la factorisation.
– Q1
l10 ← l1
 
2 1 0 0 0
 0 3
2 1 0 0  l20 ← l2 − 21 l10
4
l30 ← l3 − 32 l20
 

 0 0 3 1 0 

 0 0 0 5
4 1  l40 ← l4 − 43 l30
0 0 0 0 6
5 l50 ← l5 − 54 l40
– Q2
– On applique l’algorithme de Gauss. Comme dans le cas général, il comporte n − 1 étapes,
permettant de réduire successivement les colonnes 1 à n − 1 de A.
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

– Première étape - réduction de la première colonne


Écrivons les trois premières lignes de A :
 
a1 c1 0 0 ··· 0
 b2 a2 c2 0 0 
0 b3 a3 c3 0
Par construction, seule la ligne l2 contient un élément non nul dans la première colonne. La
première étape se réduit donc à :
b2 0
l21 ← l20 − l avec a1 6= 0
a1 1
Plus précisément, le seul terme modifié est a2 (car il y a un 0 “au dessus” de c2 ) :
b2
a12 = a02 − c1
a1
La nouvelle valeur de a2 est nécessairement différente de zéro car sinon la factorisation LU
sans permutation ne serait pas possible. Les trois premières lignes de A sont devenues :
 
a1 c1 0 0 ··· 0
 0 a12 c2 0 0 
0 b3 a3 c3 0
On remarque que la matrice A1 est encore tridiagonale. Puisque seule la seconde ligne a été
modifiée, la première colonne de la matrice L est de la forme :
 
1
 b2 
 a1 
 0 
 
 . 
 .. 
0
– Étapes suivantes - réduction de la k ieme colonne
Supposons qu’à l’issue de l’étape (k − 1), la matrice ait la forme tridiagonale réduite :
···

a1 c1 0 0 0

 0 a12 c2 0 0 
2
 
 0 0 a3 c3 0 
 
 
 .. .
 
. . . . . 
 . . . . 
k−1 k−1
 
A =  0 ···
 0 ak ck ··· 0  
 0
 · · · 0 bk+1 ak+1 ck+1 ··· 0  
 . .. .. .. 
 .. . . . 
 
 
 
 0 0 ··· 0 bn−1 an−1 cn−1 
0 0 ··· 0 0 bn an
et que akk−1 soit différent de zéro. Montrons que la réduction de la k ieme colonne conduit
à nouveau à une matrice tridiagonale. Par construction, seule la ligne lk+1 comporte un
élément non nul dans la k ieme colonne. La k ieme étape se réduit donc à :
k k−1 bk+1 k−1
lk+1 ← lk+1 − l
akk−1 k
Université Paris Dauphine
Département MIDO DU MI2E 2ème année

Le seul terme modifié est en fait ak+1 (car il y a un 0 “au dessus” de ck+1 ) :

bk+1
akk+1 = ak−1
k+1 − ck
ak−1
k

À l’issue de cette étape la matrice est devenue :

a1 c1 0 0 ··· 0
 
 0 a12 c2 0 0 
a23
 

 0 0 c3 0 

 
.. ..
 
 .. .. 
 . . . . 
k
0 akk−1
 
A =
 0 ··· ck ··· 0 

 0 ··· 0 0 k
ak+1 ck+1 ··· 0 
 
 .. .. .. .. 

 . 0 0 . . . 

 
 
 0 0 0 ··· 0 bn−1 an−1 cn−1 
0 0 0 ··· 0 0 bn an

La matrice Ak est encore tridiagonale. l’existence de la décomposition assure que akk+1 est
différent de zéro. Seule la ligne lk+1 a été modifiée, la k ieme colonne de la matrice L est donc
de la forme :  
0
 .. 
 . 
 
 0 
 
 1 
 
 bk+1 
 ak−1 
 k 
 0 
 
 .. 
 . 
0
– Q4 - Algorithme et décompte du nombre d’opérations La matrice An−1 est la
matrice U cherchée. Si on note ui et vi les termes diagonaux et sur-diagonaux de U et li les
termes sous-diagonaux de L, on a l’algorithme de calcul suivant :
u1 = a1 ; v1 = c1
for (k = 2 : (n − 1))
bk
lk = ak−1
uk = ak − lk ∗ ck−1
vk = ck
end
ln = abn−1
nk
; vn = an − ln ∗ cn−1
Les étapes 2 à n conduisent à une division, une soustraction et une multiplication, d’où un
coût total de 3n − 3 opérations.
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
RAPPELS
NORMES VECTORIELLES, NORMES MATRICIELLES
et CONDITIONNEMENT
I-NORMES
I.1-NORMES VECTORIELLES
Propriétés : pour tous u , v et α ∈ ℜ
a- v = 0 <=> v = 0

b- α v = α v

c- u + v ≤ u + v

Les différentes normes des vecteurs sont :


v = ∑ vi
1 i

= ∑v = v.v
2
v i
2 i
1 p
⎛ 2⎞
v = ⎜ ∑ vi ⎟
p ⎝ i ⎠
v = max v i
∞ i

Deux normes et ' sont équivalentes s’il existe deux constantes c et c' telles que :
v ' ≤ c v et v ≤ c' v '

I.2-NORMES MATRICIELLES

Propriétés : pour tous A, B et α ∈ ℜ


a- A = 0 <=> A = 0
b- αA = α A
c- A + B ≤ A + B
d- AB ≤ A B

Norme matricielle subordonnée à une norme vectorielle.


Av
A = sup = sup Av = sup Av
v≠0
v v ≤1 v =1

Remarque : A est bien défini car sup Av est borné en raison de la continuité de
v =1

l’application v → Av et de la compacité de la sphère unité et il existe au moins un vecteur


v tel que Av = A v

Page 1/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
-La norme subordonnée A est bien une norme matricielle.
- Pour tout vecteur v , on a Av ≤ A v .
- I =1
Av 1
- A 1 = sup = max ∑ a ij
v≠0 v1 j i

Av
- A ∞
= sup ∞
= max ∑ a ij
v≠0 v ∞ i j

Av
- A 2
= sup 2
= ρ (A * A ) = ρ (AA *) = A * 2
v≠0 v 2

Où ρ (A ) désigne le rayon spectral de la matrice A , c'est-à-dire la plus grande valeur propre


de A en valeur absolue.

Théorème :
1
Si A est inversible et M est telle que M − A < alors M est inversible.
A −1

Si A < 1 alors I + A est inversible et (I + A)


−1 1

1− A
Si I + A est singulière alors A ≥ 1
Définitions :
A est dite à diagonale strictement dominante si pour tout i a ii > ∑ aij
j ≠i

Toute matrice à diagonale strictement dominante est inversible.

I.3- CONDITIONNEMENT :
Sources d’erreurs dans la résolution des problèmes numériques :
Erreurs d’arrondis
Erreurs de troncature dans les méthodes itératives.
Erreurs de mesures dans les données expérimentales.
I.3.1-Conditionnement Matrice :
Soit AX = B et A( X + δX ) = B + δB
D’où AδX = δB , A −1 B = X et A −1δB = δX

On a B = AX ≤ A X d’où X = A −1 B ≤ A −1 B

De même δB ≤ A δX d’où δX ≤ A −1 δB
Finalement
1 δB δX δB
≤ ≤ A A −1
−1 B X B
A A

Page 2/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
On fait maintenant varier A
Soit AX = B et ( A + δA)( X + δX ) = B d’où AδX + δA( X + δX ) = 0

=> δX = − A −1δA( X + δX ) = 0 => δX ≤ A −1 δA X + δX


δX δA
Et ≤ A A −1
X + δX A

Définition : Conditionnement d’une matrice


Si A est inversible, cond ( A) = A A −1

Théorème
1. Soient A une matrice inversible, B un vecteur non nul, et soient X et X + δX les
solutions des systèmes linéaires AX = B et A( X + δX ) = B + δB , alors on a l’inégalité

1 δB δX δB
≤ ≤ cond ( A)
cond ( A) B X B

et c’est la meilleure possible.


2. Soient A une matrice inversible, B un vecteur non nul, et soient X et X + δX les
solutions des systèmes linéaires AX = B et ( A + δA)( X + δX ) = B , alors on a
l’inégalité
δX δA
≤ cond ( A)
X + δX A
et c’est la meilleure possible.

−1
Supposons maintenant que δA < A −1 alors A −1δA < A −1 δA < 1

Donc la matrice I + A −1δA est inversible et I + A −1δA ( )


−1

1
1 − A −1δA

On a δX = − A −1δA( X + δX ) et X + δX = I + A −1δA ( ) −1
X
En posant A −1δA = t et A −1 δA = t '

δX ≤ t X + δX ≤ t (I + A −1δA)
−1 t t'
X ≤ X ≤ X
1− t 1 − t'
t
Car la fonction t → est une fonction croissante
1− t
D’où
Théorème
⎛ ⎞
−1 −1
δX δA ⎜ 1 ⎟
Si δA < A alors ≤ cond ( A) ⎜ ⎟
A ⎜
δA ⎟⎠
X −1
⎝1− A

Page 3/4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Analyse Numérique
Propriétés
Pour toute matrice A inversible
1. cond ( A) ≥ 1
cond ( A) = cond ( A −1 )
cond (αA) = cond ( A) pour tout α ≥ 0
⎛ ⎞
2. Si A est une matrice normale ⎜ A A* = A * A ⎟ , en particulier réelle
⎝ ⎠
⎛ ⎞
symétrique ⎜ A t A= t A A ⎟ , alors cond 2 ( A) est égal au rapport de la plus grande à la
⎝ ⎠
plus petite valeur propre de A en valeurs absolues.
⎛ ⎞
3. Si A est une matrice unitaire ⎜ A A* = A * A = I ⎟ ou orthogonale
⎝ ⎠
⎛ ⎞
⎜ réelle et A A= A A = I ⎟ alors cond 2 ( A) = 1
t t

⎝ ⎠
Les systèmes linéaires à matrices orthogonale ou unitaire sont bien conditionnés.

Page 4/4
Université A/MIRA de Béjaia février 2010
Maths 06 Faculté de la Technologie
Département de Tronc commun-ST
Année : 2ème ST

Série N˚01 d’Analyse Numérique

Exercice 1 :
On définit une fonction f par :
 
e 1
f (x) = ln (x + ) ,
2 x
où la fonction ln représente le logarithme nepérien. On appelle ϕ la courbe
représentative de f dans un repère orthonormé.
1. Donner le domaine de définition de f . Étudier les variations de f sur son domaine
de définition. Étudier sa branche infinie.
2. Séparer graphiquement et algébriquement les racines de f .
3. On pose g(x) = f (x) − x. Étudier le signe de g(x). Déterminer le(s) point(s)
fixe(s) de f .
4. Tracer sur un même graphe la courbe ϕ et la droite y = x.
5. Étudier le comportement et la convergence éventuelle de la suite définie par

U0 ,
Un+1 = f (Un ), n ∈ N.

Exercice 2 :
Soit la matrice suivante
   
1 1 0 2 1 1
A =  2 1 2  , B =  1 2 1  , et le vecteur b = (4, 4, 4)t
0 1 1 1 1 2

1. Calculer A + B, A × B, kAk1 , kAk2 et kAk∞ .


2. Trouver les valeurs propres de A.
3. Trouver les vecteurs propres correspondants.
4. Écrire le spectre de A (sp(A)) et le rayon spectral (ρ(A)).
5. Montrer que la matrice B est régulière. Conclure.
6. Résoudre le système BX = b en utilisant la méthode de Cramer.
7. Trouver l’inverse de la matrice B.
8. Déduire la solution X du système BX = b.

Mr MEZIANI
Université A/MIRA de Béjaia Mars 2010
Maths 06 Faculté de la Technologie
Département de Tronc commun-ST
Année : 2ème ST

Série N˚02 d’Analyse Numérique


Résolutions des équations non linéaires F (x) = 0

Exercice 1 : Soit l’équation


4 3 13
F (x) = x3 − x2 − =0
3 2 96
1. Localiser les racines de F dans des intervalles de longueur 1.
2. Peut-on appliquer la méthode de Dichotomie (la Bissection) pour calculer les
racines de F ? Si oui, déterminer le nombre d’itérations nécessaires pour
approcher les racines de F (x) = 0 avec une précision  = 10−2 .
3. Calculer les cinq premiers itérés.

Exercice 2 : On considère l’équation suivante :


3 − x2 1 −x
F (x) = e 2 − 1 = 0, x ∈ [−1, 1].
3
1. Montrer que l’équation F (x) = 0
est équivalente à x = g(x) = ln(3 − x2 ) + 12 − ln 3.
2. Pour x0 ∈ [0, 12 ], montrer que l’algorithme xn+1 = g(xn ) converge vers le zéro α
de F (x).
 n
4
3. Montrer que l’on a |xn − α| ≤ .
11

Exercice 3 : Soit la fonction


g(x) = xex − 2x,
une fonction définie dans R.
1. Montrer que g(x) admet un unique minimum dans [0, 1].
2. Montrer que l’algorithme de Newton permet de déterminer une valeur approchée
de ce minimum.
2
3. Soit H(x) = ln( x+1 ).
i- Montrer que le minimum de g(x) est le point fixe de H(x).
ii- Déterminer un intervalle I tel que le théorème du point fixe soit applicable à
H(x) dans I.

Mr MEZIANI
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique

TP 01 : INTRODUCTION-GRAPHISME SOUS MATLAB


(01h30mn)

EXERCICE N°1 (30 mn)


Soit la tension V(t)  50sin ωt  30  , le courant I(t)  4cosωt  60 et la
fréquence f  50 Hz .
Le temps initiale est 0 s et le temps final 20 ms .
Le pas de temps est 1 ms .
Ecrire un programme Matlab qui dessine V(t) sur un graphe et I(t) sur un autre
graphe à la droite du premier graphe sur la même figure.

EXERCICE N°2 (30 mn)

Soit y  x 2  3x  5 .
Ecrire un programme Matlab qui dessine y, en pointillées, en fonction de x dans l’intervalle
[-5, 5] avec un pas de x de 0.1.
En utilisant la commande subplot, dessiner sur la même figure, en couleur rouge, z en
fonction de y tel que z  y  8 avec y variant d’un pas de 0.2 et z appartenant à l’intervalle
[0, 10].

EXERCICE N°3 (30 mn)

Ecrire et exécuter le programme suivant :

theta= linspace(-4*pi,4*pi,100) ;
sinc=sin(theta)./theta;
sinus_2=sin(theta).^2;
plot(theta,sin(theta)), hold on
plot(theta,sinus_2)
plot(theta,sinc), hold off

Appliquer différents attributs (style de ligne, couleur, titre, xlabel, ylabel)


Université A. Mira de Béjaia Année 2009/2010
ème
Faculté de la Technologie 2 Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique
TP 02 : INTRODUCTION-PROGRAMMES SCRIPTS SOUS MATLAB
(01h30mn)
EXERCICE N°1 (30 mn)
Ecrire un programme scripte qui génère les dix premiers termes de la suite 3 
n

n  1,2,...,10 au moyen des formules récursives suivantes :


1
 r0  0.99996 , rn  rn 1
3
4 1
 r0  0.99996 , r1  0.33332 , rn  rn 1  rn  2
3 3
10
 r0  0.99996 , r1  0.33332 , rn  rn 1  rn  2
3
Tracer sur le même graphe les fonctions rn en fonction de n.
Comparer les résultats des différentes formules. Conclusion.

EXERCICE N°2 (30 mn)


L’équation x  0.2sin(x)  0.5  0 , possède une solution voisine de 0.61.
Tracer le graphe de la fonction y  x  0.2sin(x)  0.5 pour x  0, 1
Ecrire un programme scripte qui calcule la solution de cette équation en utilisant les relations
suivantes :
 x k 1  0.2sin(x k )  0.5
 x k 1  Arcsin(x k - 0.5)/0.2
On prend dans les deux cas x 0  0.5 , k  1,2,....,10

EXERCICE N°3 (30 mn)


Soit le polynôme de degré 03 suivant : P3 ( x)  a 0 .x 3  a1 .x 2  a 2 .x  a 3  0
Ecrire un programme Matlab qui permet de trouver les racines de ce polynôme en se basant sur
l’approximation : P3 ( x)  (a.x  b)( x 2  p.x  q ) . Les étapes de résolution de cette dernière équation
sont :
- On donne : les coefficients a0, a1, a2, a3, l’incertitude  et les valeurs initiales de p et q (p=1, q=1).
- Calcul de p et q :
- b0=a0 - D = c12-c2.c0+b2.c0
- b1=a1-p.b0 b c b c
- p  2 1 3 0
- b2=a2-p.b1-q.b0 D
- b3=a3-p.b2-q.b0 b c  b c  b2
- q  3 1 2 2 2
- c0=b0 D
- c1=b1-p.c0 - p=p+p
- c2=b2-p.c1-q.c0
- q=q+q
- Si |p|>  et |q|>  refaire le calcul de p et q.
- Calculer x3=-b1/b0.
- Calculer x1 et x2 en résolvant l’équation du 2ème degré : x2+p.x+q=0. Pour cela, vous pouvez
utiliser la fonction matlab ‘’roots([α β ])’’ qui renvoie un vecteur contenant les racines du
polynôme de 2ème degré : αx2+βx+=0.
- Afficher x1, x2 et x3.
Application : Trouver les racines du polynôme P3 ( x)  x3  3 x 2  2 x  4
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique
TP3- RESOLUTION F(x ) = 0
EXERCICE N°1- Méthode de Dichotomie : (30 mn)
Soit la fonction F(x) = (5 − x )e x − 5 définie sur R .
1- Ecrire une fonction sous Matlab, qui reçoit comme argument l’abscisse x et qui retourne la
valeur F (x ) .
2- Utiliser la fonction « roots » pour trouver la racine de cette fonction.
3- Ecrire un programme script Matlab permettant de calculer la racine approchée de F(x) = 0
en utilisant la méthode de dichotomie.

On donne l’intervalle initial I 0 = [a 0 , b 0 ] = [1, 6] , le nombre d’itérations maximum nitermax=100 et


la valeur de l’erreur absolue ek = xk − xk −1 , k ≥ 1 où x k est la solution approchée à l’itération k .
¾ Ecrire une programme script, qui fait appel à la fonction (définie en 1), pour construire
les suites (a n )n∈N , (bn )n∈N , ( x n )n∈N et (en )n∈N tel que :
x0 = (a 0 + b0 ) 2 , xi = (ai + bi ) 2
Pour i ≥ 1 ai = xi −1 si F (ai ).F ( xi ) > 0 ou bi = xi −1 si F (a i ).F ( xi ) < 0 et ei = xi − xi −1 .
¾ Pour tenir compte du nombre d’itérations maximum nitermax=100, introduire dans le
programme la commande « while ».

4- Tracer sur un graphe l’erreur ei = xi − xi −1 en fonction de l’itération i . Ajouter sur ce graphe le


titre du graphe et la légende.

EXERCICE N°2-Méthode du point fixe (30 mn)


On considère la fonction F(x) = e x + 3 x − 2 . Cette fonction admet une racine unique sur
l’intervalle I = [a, b] = [0, 1] .
1- Calculer numériquement F(0) et F(1)
2- Tracer le graphe de F(x) en fonction de x pour 0 ≤ x ≤ 1 .
3- On veut calculer la racine de F(x) par une méthode de point fixe convenable. On
transforme F(x) sous forme x = g ( x ) où g ( x ) = 2 − e x ( )
2
9.
4- Tracer sur le même graphe les fonctions Y1 (x ) = x et Y2 (x ) = 2 − e x ( )2
9 pour 0 ≤ x ≤ 1 .

5- La dérivée de la fonction g ( x ) =
(2 − e ) x 2
est g ' ( x ) = 2(e x − 2 )e x 9 . Tracer le graphe de
9
g' (x ) en fonction de x pour 0 ≤ x ≤ 1 et déduire de ce graphe k = max g ' ( x ) .
0≤ x ≤1
n +1
k
6- En utilisant la formule x n +1 − α ≤ x1 − x0 , calculer le nombre d’itérations pour avoir la
1− k
solution approchée x n +1 avec une précision ε = 10 −6 . On donne x0 = 0 ,
(
x1 = g ( x 0 ) = 2 − e x0 )
2
9 . Il faut poser [k n+1 (1 − k )] x1 − x0 ≤ ε .
7- Ecrire un programme scripte qui calcule la solution approchée de F(x)=0 en utilisant
l’algorithme du point fixe suivant :
⎧ x0 = 0

⎨ (
2 − e xi −1
2
)
i = 1,2,.....
⎪⎩ xi = g ( xi −1 ) = 9
Introduire un teste d’arrêt pour tenir compte de la précision donnée à la question 6.

Page 1
Université A. Mira de Béjaia Année 2009/2010
Faculté de la Technologie 2ème Année LMD/ST
MATH VI : Travaux Pratiques -Analyse Numérique

EXERCICE N°3- A faire comme Compte –rendu par l’étudiant

En se basant sur les deux exercices précédents (traités en séances de travaux pratiques),
l’étudiant doit faire un compte rendu sur la méthode de Newton. Ce compte rendu doit être
remis avant la prochaine série de T.P. et sera corrigé par le chargé de T.P.

NB : Le compte rendu comportera les programmes demandés ci-dessous et la conclusion

Enoncé :
π
Soit la fonction F ( x ) = − sin ( x ) + −
x 3
dont on veut calculer les racines par la méthode
2 6 2
de Newton.

1- Ecrire un programme Matlab qui permet de tracer le graphe de la fonction F en fonction de


π π
x pour − ≤ x ≤ π . Utiliser un pas ∆x = . Ajouter à ce graphe la légende appropriée
2 10
(Titre des axes et titre du graphe).
⎡π ⎤
2- On veut utiliser la méthode de Newton pour calculer la racine située entre ⎢ , π ⎥ avec une
⎣2 ⎦
précision ε = 10 . L’algorithme de newton est donné par :
−10

⎧ x0 donnée

⎨ x = x − F ( x k ) k = 1,2,....
⎪⎩ k +1 F ' (xk )
k

Où F ' ( x ) est la dérivée première de F ( x ) par rapport à x . On donne x0 = π . On note


l’erreur absolue entre deux itérations successives ek = xk − xk −1 , k = 1,2,....

Ecrire un programme Matlab qui permet de calculer la racine approchée en utilisant


l’algorithme de Newton donnée ci-dessus. Ce programme doit comporter :

¾ L’introduction des donnée ; x0 et ε


¾ Le calcule de F ( x k ) et F ' (x k ) à l’aide de deux fonctions à définir et à écrire avant
le programme principal.
¾ Un test pour arrêter l’exécution lorsque xk − xk −1 < ε = 10 −10 .
¾ Un vecteur qui récupère les x k successifs.
¾ Un vecteur permettant de récupérer l’erreur absolue ek = xk − xk −1 en fonction de
l’itération k.
¾ Ecrire un Programme qui permet de tracer ek = xk − xk −1 en fonction de l’itération k
avec la légende correspondante (Titre des axes, titre du graphe).

3- Ecrire une conclusion.

Page 2

Vous aimerez peut-être aussi