Systemes Lineaires

Chapitre 4: Résolution approchée des systèmes
linéaires
Chapitre 4: Résolution approchée des systèmes linéaires 1 / 61

Résolution approchée des systèmes linéaires
PLAN
1 Motivation
2 Position du problème
3 Méthodes directes
Méthode de Pivot de Gauss
Factorisation LU
Factorisation de Cholesky
4 Méthodes itératives
Méthode de Jacobi
Méthode de Gauss-Seidel
Méthode de de relaxation
5 Méthodes numériques de calcul des valeurs propres et vecteurs propres
6 Décomposition en valeurs singulières (SVD)
7 Exercices
Motivation
Un rayonnement électromagnétique traversant une solution contenant
P solutés s1 , s2 , s3 , · · · , sn est absorbé selon la loi de Beer suivante :
plusieurs
A = ni=1 ki (λ)ci , où A est appelé absorbance du rayonnment ou de la
solution, λ longueur d’onde du rayonnement, ci concentration molaire du
soluté si , ki est un coefficient dependant de la longueur d’onde. On se
propose de déterminer les concentrations c1 , c2 , c3 , c4 dans une solution
contenant 4 solutés. Pour celà on posséde ainsi :
On détermine expérimentalement les coefficients ki (λ) pour diverses
valeurs de λ en mesurant l’absorbance d’un rayonnement de longueur
d’onde λ par une solution contenant uniquement le soluté si avec une
concentration connue.
On mesure l’absorbance A(λ) de ce même rayonnement par la
solution étudiée.
Motivation
Les résultats de cette mesure sont donnés dans le tableau suivant :
λ(µm) K1 (λ) K2 (λ) K3 (λ) K4 (λ) A(λ)

13,5 2,2530 0.0771 0.000 0.0612 0.1581
13.0 0.0392 1.7274 0.000 1.236 0.1634
13.4 0.0512 0.0533 3,7980 0,4400 0.3823
14.3 0.0510 0.1025 0.000 0.5205 0.0642
On se propose de trouver les concentrations c1 , c2 , c3 et c4 .

Position du problème
Un certain nombre de problèmes scientifique s’exprime sous forme de
systèmes d’équations linéaires à plusieurs inconnues. De même un certain
nombre de méthodes d’analyse numérique se transforme à la résolution des
systèmes d’équations linéaires. Nous pouvons citer :
la méthode d’approximation par les moindres carrés
l’approximation spline
la méthode des différences finies pour les équations différentielles à
valeurs aux limites et pour les équations aux dérivées partielles, la
formulation matricielle de la méthode des éléments finis, les systèmes
différentiels, etc...
Les systèmes d’équations linéaires sont donc présent en physique, en
ingénérie, en mécanique, en sciences biologique et chimique et dans
d’autres domaines de sciences exacte. Ils interviennent également en
sciences sociales (économie, politique, sociologie...).
Position du problème
Dans le cas des systèmes linéaires, les méthodes de résolution peuvent être
classées en deux catégories :
- les méthodes directes qui conduisent à la solution après un certain
nombre d’opérations connu à priori (méthode de déterminant ou
Cramer, élimination successive, inversion des matrices) ;
- les méthodes itératives qui conduisent à la solution par une succession
d’amélioration d’une solution approchée. Le nombre d’itérations étant
difficile à prévoir et dépendant de la forme du système (méthode de
Jacobi, méthode de Gauss-Seidel et méthode de relaxation).

Résolution d’un système triangulaire
Dans tout ce qui suit on considérera une matrice A ∈ Mn (R) qu’on
supposera inversible. On cherche à résoudre le système linéaire :
Ax = b,
où b ∈ Rn est donné. Un cas facile à traiter est le cas où A est une
matrice triangulaire inférieure (pour fixer les idées) : on a alors
aij = 0, pour j > i.
De plus, comme A est inversible on a nécessairement aii 6= 0, ∀i. La
méthode de résolution est immédiate :
b1
x1 = ,
a11
puis
1
a21 x1 + a22 x2 = b2 ⇒ x2 = (b2 − a21 x1 ).
a22
Résolution d’un système triangulaire
On peut donc écrire la formule générale :
 
i−1
1  X
xi = bi − aij xj  , pour i = 1, 2, . . . n.
aii
j=1
On obtient donc les valeurs des inconnues dans l’ordre naturel.

Dans le cas où la matrice A est triangulaire supérieure, le calcul des
inconnues est donné par
 bn
x = ,
 n


 ann 
n
1  X
 xi = aii bi − aij xj  , pour i = n − 1, n − 2, , . . . 2, 1.



j=i+1
On notera que l’on obtient dans ce dernier cas les valeurs des inconnues
dans l’ordre des indices décroissants.
Principe de la méthode de Gauss et première étape

Le principe de la méthode d’élimination de Gauss consiste alors à mettre le
système linéaire Ax = b sous la forme
Âx = b̂, (1)
où la matrice Â est triangulaire supérieure, la résolution de ce nouveau

système étant assez simple comme on vient de le voir précédemment.
Le système (1) est simplement équivalent au système Ax = b d’où nous
sommes partis et la méthode consiste à éliminer successivement des
inconnues entre les équations.

Eliminons dans un premier temps la première inconnue, à savoir x1 : on
part de
   
a11 a12 . . . a1j . . . a1n b1
 a21 a22 . . . a2j . . . a2n   b2 
   
 .. .. .. .. .. ..   .. 
. . . . . .  . 
A(1) = A =  b (1) = 
  
,

 ai1 ai2 . . . aij . . . ain  bi 
   
 .. .. .. .. .. ..   .. 
 . . . . . .   . 
an1 an2 . . . anj . . . ann bn
On peut alors éliminer l’inconnue x1 entre les deux premières équations en
retranchant de la deuxième ligne de A la première pré-multipliée par le
coefficient aa11
21
, à condition que a11 soit non nul, ce que l’on supposera
pour le moment . Ceci conduit donc à remplacer
(1) (2) a21
a2j −→ a2j = a2j − a1j pour j = 1, 2, . . . , n
a11 approchée des systèmes linéaires
Chapitre 4: Résolution 10 / 61
La matrice et le vecteur second membre du système prennent les formes
suivantes :
   
a11 a12 . . . a1j . . . a1n b1
 0 a(2) . . . a(2) . . . a(2)   b (2) 
 22 2j 2n   2 
 . .. .. .. .. ..   .
 ..  ..

 . . . . . 
, (1)
b =


 a  b
 i1 ai2 . . . aij . . . ain
 
  i 
 . .. .. .. .. ..   .
 ..  ..

. . . . .  
an1 an2 . . . anj . . . ann bn
(2)
où on notera que le coefficient a21 est nul (on a fait ce qu’il fallait pour
cela), ce qui signifie que l’inconnue x1 ne figure plus dans la deuxième
équation du système.
On peut recommencer l’opération sur la troisième ligne en retranchant de
celle-ci la première pré-multipliée par le coefficient aa11
31
, et ainsi de suite.

Lorsqu’on a fait l’élimination jusqu’à la dernière ligne on obtient un
système linéaire sous la forme A(2) x = b (2) avec
   
a11 a12 . . . a1j . . . a1n b1
 0 a(2) . . . a(2) . . . a(2)   b (2) 
 22 2j 2n   2 
 . .. .. .. .. ..   .
 ..

. . . . .   .. 
A(2) =  , b (2) =  (2)
   
(2) (2) (2)
 0 ai2 . . . aij . . . ain

  bi 
 .
 .. .. .. .. .. .. 
  
 .
 . . . . . .   .


(2) (2) (2) (2)
0 an2 . . . anj . . . ann bn
On dit qu’on vient de réaliser la première étape de l’élimination de Gauss,

ce qui a consisté à faire apparaı̂tre des 0 sur la première colonne en
dessous de la diagonale.
Deuxième étape
La deuxième étape consiste à éliminer la deuxième inconnue x2 des
équations 3, 4, . . . , n. Pour cela on commence par la troisième ligne, en
(2)
supposant maintenant que a22 est non nul. Ce qui conduit aux formules :

(2)
 (2) (3) (2) a32 (2)
a −→ a = a − a pour j = 2, 3, . . . , n


 3j
 3j 3j (2) 2j
a22
(2)
 (2) (3) (2) a32 (2)
b −→ b = b − b


 3
 3 3 (2) 2
a22
La formule pour la ligne i (i = 3, . . . , n) s’écrit alors

(2)
 (2) (3) (2) ai2 (2)
a −→ a = a − a pour j = 2, 3, . . . , n


 ij
 ij ij (2) 2j
a22
(2)
 (2) (3) (2) ai2 (2)
 bi −→ bi = bi − (2) bi



a22
Deuxième étape
Ce calcul étant fait jusqu’à la ligne n, on obtient un système sous la forme
A(3) x = b (3) avec
a11 a12 a13 . . . a1j . . . a1n
   
b1
 0 a(2) a(2) (2) (2)
. . . a2j . . . a2n   (2)
b2 
 22 23   
(3) (3) (3) (3)  (3)
b (3)
  
A =  0 0 a 33 . . . a3j . . . a3n  , = b3 
 .. .. .. .. .. .. ..  ..
  
.
 
 . . . . . . .   
(3) (3) (3) (3)
0 0 an3 . . . anj . . . ann bn

Etape générale
On peut alors définir l’algorithme général en supposant qu’on a effectué
k − 1 étapes de l’élimination de Gauss, et on a un système qui s’écrit
A(k) x = b (k) , avec A(k) et b (k) donnés par
 
a11 a12 a13 . . . a1j . . . a1n
(2) (2) (2) (2) 
 0 a22 a23 . . . a2j . . . a2n 
  
b1
(3) (3) (3) 
 
 0 0 a . . . a . . . a  b (2) 
 33 3j 3n   2 
 . . . . . . .  (3)
(k) . . . . . . . (k)
 
A =  . . . . . . .  , b =  b3

 (k) ..

(k) (k) 
 0 0 0 . . . akk . . . akn   bk .
 

 . .. .. .. .. .. ..  (k)
 . bn
 . . . . . . . 
(k) (k)
0 0 0 . . . ank . . . ann

Etape générale
- On voit que la ligne i de la matrice A(k) et du vecteur b (k) n’est plus

modifiée par l’algorithme dès que i ≤ k.
- A l’étape k on pratique l’élimination sur une matrice carrée dont la
taille est n − k + 1.
- Les modifications effectuées sur la matrice A au cours des étapes ne
changent pas la valeur du déterminant puisqu’une ligne est toujours
remplacée par elle même plus une combinaison de la ligne ”pivot”. On
a donc
detA = detA(k) , pourk = 1, . . . , n.
- L’algorithme se termine à l’étape k = n. La matrice A(n) ainsi obtenue
est la matrice triangulaire supérieure Â cherchée et b (n) est le vecteur
b̂ du système Ax = b qui est bien équivalent au système Âx = b̂.
Etape générale
L’étape k consiste à faire l’élimination de la variable xk dans les équations
k + 1, k + 2, . . . , n. Ceci conduit aux formules suivantes, définies pour
k + 1, k + 2, . . . , n,
 (k)
 (k) (k+1) (k) aik (k)
 aij −→ aij = aij − (k) akj pour j = k, k + 1, . . . , n



akk
(k)
 (k) (k+1) (k) aik (k)
b −→ b = b − b


 i
 i i (k) k
akk

Algorithme d’élimination de Gauss

En partant de A(1) = A et b (1) = b on construit par récurrence, pour
k = 1, 2, . . . n, des matrices A(k) et des vecteurs b (k) tels que le système
Ax = b soit équivalent à
A(k) x = b (k) ,
de plus la matrice A(n) est triangulaire supérieure.
Définition
(k)
On appelle pivots les nombres akk Comme nous l’avons déjà noté, l’étape
k de l’élimination ne modifie que les lignes et les colonnes k + 1 à n. Cela
veut dire que de façon pratique, on n’a pas besoin de conserver les
différentes versions de A(k) et b (k) . On travaille donc avec la matrice A et
le vecteur b originaux, dans lesquels on écrase au fur et à mesure les
anciens termes.
Factorisation LU
La matrice A peut se factoriser en un produit d’une matrice triangulaire
inférieure L et d’une matrice triangulaire supérieure U à condition que l’on
puisse appliquer l’élimination de Gauss à la matrice A, ce qui est possible
si les pivots sont non nuls.

Unicité de la factorisation LU
Nous avons alors le théorème suivant :
Théorème
Si au cours de l’élimination de Gauss les pivots sont non nuls, alors il
existe une matrice triangulaire inférieure L et une matrice triangulaire
supérieure U, telles que l’on ait
A = LU.
De plus si on impose à L d’avoir ses éléments diagonaux égaux à 1 alors la

factorisation est unique.

Calcul direct de la factorisation A = LU
Motivations de la factorisation LU
- Résolution des systèmes linéaires

Reprenons le système
Ax = b
Si l’on dispose d’une factorisation A = LU, alors on peut récrire
Ax = b sous la forme
LUx = b
La solution de ce système s’obtient en résolvant successivement les
deux systèmes
Ly = b,
Ux = y ,
ce qui correspond à la résolution de deux systèmes triangulaires.

Motivations de la factorisation LU
- Calcul du déterminant
Comme la matrice U n’est pas semblable à A, cependant on a
n
(k)
Y
det(A) = det(LU) = det(L)det(U) = det(U) = akk
k=1
La factorisation LU qui fournit une méthode économique (par rapport au

développement suivant une ligne ou une colonne) de calcul du déterminant
de A. A titre d’exemple dans le cas n = 100, il faut de l’ordre de 106
opérations en utilisant la méthode de Gauss et de l’ordre de n! ≈ 10158
opérations par un calcul direct.

Principe du calcul direct de la factorisation LU

Rappelons la présentation classique de l’algorithme de Doolittle. On oublie
l’algorithme d’élimination de Gauss, pour chercher directement une
décomposition de A de la forme A = LU, où L est triangulaire inférieure et
U triangulaire supérieure. Pour assurer l’unicité de la décomposition, nous
demandons que la diagonale de L soit unitaire (lii = 1, i = 1, . . . , n).
Traitons un exemple, soit la matrice
 
2 1 −2
A =  4 5 −3 
−2 5 3


On cherche
   
1 0 0 x x x
L= x 1 0  et U= 0 x x 
x x 1 0 0 x
telle que A = LU
- On identifie la première ligne de A et la première ligne de LU, cela
permet d’obtenir la première ligne de U :
     
1 0 0 2 1 −2 2 1 −2
LU =  x 1 0   0 x x  =  4 5 −3 
x x 1 0 0 x −2 5 3

- On identifie la première colonne de A avec la première colonne de LU,

cela permet d’obtenir la première colonne de L :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 x x  =  4 5 −3 
−1 x 1 0 0 x −2 5 3
- On identifie la deuxième ligne de A avec la deuxième ligne de LU,

cela permet d’obtenir la deuxième ligne de U :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 x 1 0 0 x −2 5 3

- On identifie la deuxième colonne de A avec la deuxième colonne de

LU, cela permet d’obtenir la deuxième colonne de L :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 2 1 0 0 x −2 5 3
- On identifie la troisième ligne de A avec la troisième ligne de LU, cela

permet d’obtenir la troisième ligne de U :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 2 1 0 0 −1 −2 5 3

Traitement des matrices symétriques
La factorisation LDLT
Lorsqu’une matrice A est symétrique, alors la factorisation A = LU,
lorsque celle-ci est possible, peut prendre une forme particulière tenant
compte de cette symétrie :
Proposition
Si A est symétrique avec toutes ses sous-matrices principales régulières,
alors elle admet une unique factorisation sous la forme
A = LDLT ,
où L est une matrice triangulaire inférieure à diagonale unité et D une

matrice diagonale régulière.

Traitement des matrices symétriques
La factorisation de Cholesky : existence
Nous avons besoin du lemme suivant pour pouvoir faire la démonstration
du théorème principal concernant l’existence et l’unicité de la
factorisation :
Lemme
Une matrice A symétrique définie positive a toutes ses sous-matrices
principales [A]k régulières.
Théorème
Si A est une matrice symétrique définie positive elle admet une unique
factorisation sous la forme
A = BB T ,
où B est une matrice triangulaire inférieure dont tous les éléments
diagonaux sont positifs.
Algorithme de Cholesky
Il s’agit d’une adaptation de la factorisation LU, à un système dont la

matrice A est symétrique définie positive. L’algorithme se décompose en
trois étapes :
• Calcul de la décomposition de la matrice du système,
• Résolution du premier système triangulaire,
• Résolution du deuxième système triangulaire.
Plus précisément, on cherche une décomposition de la matrice A du
système, de la forme A = BB T , où B est une matrice triangulaire
inférieure dont les termes diagonaux sont positifs ( B T désigne sa
transposée).

Méthodes itératives de résolution des systèmes
linéaires
Principes généraux
Les méthodes itératives sont utilisées soit pour la résolution de systèmes
linéaires de très grande taille, soit lorsque l’on dispose d’une estimation de
la solution que l’on veut améliorer.
Une méthode itérative consiste à construire une suite de vecteurs
x (0) , x (1) , . . . , x (k) , . . . , qui, on l’espère, ou mieux on le démontre,
convergera vers la solution du système linéaire à résoudre.

linéaires
Soit A ∈ Mn (R)une matrice régulière et b ∈ Rn donnés. On se propose de
résoudre le problème
f (x) = Ax − b = 0
par une méthode itérative de la forme suivante :
(0)
x donné
Mx (k+1) = Nx (k) + b
où les matrices M, N ∈ Mn (R), M inversible, sont convenablement

choisies.

linéaires
Si cette méthode itérative converge, c’est-à-dire si la suite x (k) converge
vers x ∗ alors on a, à la limite,
(M − N)x ∗ = b,
ce qui correspondra à la résolution de Ax = b si
A=M −N
Il y a une infinité de choix possibles pour M et N vérifiant A = M − N,

nous allons en donner deux à titre d’exemples. L’idée est bien sûr de
choisir une matrice M particulièrement facile à inverser, par exemple
diagonale, ou bien triangulaire inférieure. Ces deux choix correspondent
respectivement à la méthode de Jacobi et à la méthode de Gauss-Seidel.
linéaires
La méthode de Jacobi
Le système linéaire Ax = b s’écrit
 n
P
a1j xj = b1 ,






 j=1


 ...

 P n
aij xj = bi , pour 2 ≤ i ≤ n − 1,

 j=1
...





 Pn
anj xj = bn .




j=1
La méthode de Jacobi consiste, à chaque itération k, à résoudre chaque

équation par rapport à l’une des variables, les autres étant fixées à leurs
valeurs obtenues à l’itération précédente.
linéaires
Soit donc le vecteur x (k) donné, alors on détermine successivement les
composantes de x (k+1) par les formules :
n

 a11 x1(k+1) = b1 − (k)
P


 a1j xj ,

 j=2



 ...
 n
(k+1) (k)
 P
aii xi = bi − aij xj , pour 2 ≤ i ≤ n − 1,

 j=1,j6=i
. . .




 n−1
(k+1) (k)
 P
−



 a nn x n = b n anj xj .
j=1
Les formules précédentes ne définissent effectivement x (k+1) que si les

coefficients diagonaux de A sont tous non nuls.
linéaires
On peut écrire les relations précédentes sous forme matricielle. Pour cela
introduisons la décomposition suivante de A :
A=D −E −E
avec
- D matrice diagonale contenant la diagonale de A,
- E matrice triangulaire inférieure (triangle inférieur de −A),
- F matrice triangulaire supérieure (triangle supérieur de −A),
Avec ces notations on peut écrire le système Ax = b sous la forme
Dx = (E + F )x + b
La méthode de Jacobi s’écrit
(0)
x donné
Dx (k+1) = (E + F )x (k) + b
linéaires
La méthode de Jacobi : Exemple
Soit le système linéaire :

10 1 x1 11
=
2 10 x2 12
dont la solution est x1∗ = 1 et x2∗ = 1.
Ecrire les formules permettant de calculer l’itéré x (k+1) en fonction de
l’itéré x (k) . Que peut-on dire sur la convergence ou la divergence de la
méthode de Jacobi pour ce système ?
Mêmes questions pour le système linéaire :

1 10 x1 11
=
10 2 x2 12
dont la solution est x1∗ = 1 et x2∗ = 1.
linéaires
La méthode de Gauss-Seidel
Il s’agit d’une modification de la méthode de Jacobi qui consiste à utiliser
pour chaque équation les composantes de x (k+1) déjà calculées, ceci
conduit aux formules
 n
(k+1) P (k)


 a11 x1 = b1 − a1j xj ,
j=2



. . .




i−1 n

 (k+1) P (k+1) P (k)
aii xi = bi − aij xj − aij xj , pour 2 ≤ i ≤ n − 1,

 j=1 j=i+1
...




n−1


 (k+1) P (k)+1
 ann xn

 = bn − anj xj .
j=1

linéaires
Sous forme matricielle cela revient à écrire le système Ax = b sous la forme
(D − E )x = Fx + b,
où les matrices D, E et F ont été données dans le paragraphe référencé

sur la méthode de Jacobi.
La méthode de de Gauss-Seidel s’écrit
(0)
x donné
(D − E )x (k+1) = Fx (k) + b
A chaque itération la matrice du système à résoudre est triangulaire

inférieure.
linéaires
On observe que les méthodes de Jacobi et Gauss-Seidel que nous venons
de voir peuvent se mettre sous la forme Mx (k+1) = Nx (k) + b :
- M = D, N = E + F , pour la méthode de Jacobi,
- M = D − E , N = F , pour la méthode de Gauss-Seidel.

linéaires
La méthode de Gauss-Seidel Exemple

Ecrire les formules permettant de calculer l’itéré x (k+1) en fonction de
l’itéré x (k) avec la méthode Gauss-Seidel pour résoudre les systèmes
linéaires de l’exemple précédent. Que peut-on dire sur la convergence ou la
divergence de la méthode de Gauss-Seidel pour ces systèmes ?

linéaires
Etude de la convergence des méthodes itératives
Commençons par étudier la convergence de la méthode itérative
(0)
x donné
(2)
x (k+1) = Cx (k) + d
Proposition
S’il existe une norme matricielle subordonnée telle que
kC k < 1
la méthode (2) est convergente quel que soit le choix de x (0) et elle
converge vers la solution de
(I − C )x ∗ = d.
linéaires
Etude de la convergence des méthodes itératives
Définition
On dit que la matrice A est à diagonale strictement dominante si
X
kaii | > |aij |, ∀i, 1 ≤ i ≤ n.
j6=i
Proposition
Si la matrice A est à diagonale strictement dominante alors les méthodes
de Jacobi et Gauss-Seidel sont convergentes.
Proposition
Si la matrice A est symétrique définie positive, alors la méthode de
Gauss-Seidel est convergente.
Normes matricielles
Normes vectorielles
Les normes matricielles sont aussi un outil indispensable pour le calcul du
conditionnement d’une matrice, indicateur de la ”bonne résolution” d’un
système linéaire.
Définition
Soit E un espace vectoriel sur K (K = R ou C). On appelle norme sur E
une application de E dans R+ notée
x 7−→ kxk
possédant les propriétés suivantes : quel que soit x ∈ E , y ∈ E , λ ∈ K :

1 kxk = 0 ⇔ x = 0
2 kλxk = |λ| kxk
3 kx + y k ≤ kxk + ky k
La notation |λ| représente la valeur

Chapitre absolue
4: Résolution approchéeou le module
des systèmes linéaires de λ suivant que
43 / 61
Normes matricielles
Normes vectorielles
n
E = Rn , kxk1 =
P
|xi |,
i=1
r P
E = Rn , kxk2 = , (norme euclidienne)
i=1n xi2
E = Rn , kxk∞ = max |xi |

i=1,...,n
s
n
E = Cn , kxk2 = |xi |2 avec |xi |2 = xi x̄i
P
i=1

Normes matricielles
Définition de la norme matricielle
Définition
On appelle norme matricielle une application qui à une matrice
quelconque, associe un nombre réel positif. On note cette application de
Mn (R) dans R+ :
A 7−→ kAk
et elle possède les propriétés suivantes :
1 kAk = 0 ⇔ A = 0
2 kλAk = |λ| kAk, ∀A ∈ Mn (R), ∀λ ∈ R
3 kA + Bk ≤ kAk + kBk, ∀A, B ∈ Mn (R)
4 kABk ≤ kAk kBk, ∀A, B ∈ Mn (R)
Les normes matricielles vérifient donc, en plus des propriétés des normes
vectorielles, une relation sur le produit des matrices.
Normes matricielles
Définition de la norme matricielle
Définition
Soit A ∈ Mmn (R). Etant donnée une norme (vectorielle) sur Cn , et une
norme (vectorielle) sur C m on appelle norme matricielle subordonnée, une
norme matricielle définie par
kAxk
kAk = max
x∈Cn , x6=0 kxk

Normes matricielles
Etude de la norme matricielle subordonnée à la norme

euclidienne
Théorème
Si A ∈ Mn (R) )est symétrique alors
x T Ax
max λk = max ,
1≤k≤n x∈R n x6=0 x T x
où (λ)1≤k≤n sont les valeurs propres (réelles) de A.

Normes matricielles
Rayon spectral
Définition
Soit A ∈ Mn (C), on appelle rayon spectral de A et on note ρ(A) le
nombre réel
ρ(A) = max |λi |
1≤i≤n
où (λ)1≤k≤n sont les valeurs propres (complexe) de A.

Normes matricielles
Rayon spectral
Théorème
- Soit A ∈ Mnm (R), alors
kAk22 = ρ(AAT ) = ρ(AT A).
- Si la matrice C est symétrique, alors
kC k2 = ρ(C ).
Soit A ∈ Mnm (R), alors
kAk22 = kAAT k2 = kAT Ak2 .

Conditionnement d’un système linéaire
Introduction au conditionnement d’une matrice

Lorsque l’on a résolu numériquement un système linéaire il est possible que
la solution trouvée soit très différente de la solution exacte. En effet dans
certains cas une petite modification du second membre ou de la matrice
du système entraı̂ne une grande modification de la solution. Par exemple la
résolution de Ax = b avec le choix de A et b suivant
     
10 7 8 7 32 1
 7 5 6 5   23   1 
A=  8 6 10 9  , b =  32  donne pour solution x =  1
    

7 5 9 10 31 1


Le choix d’un nouveau second membre b + δb
   
32.1 9.2
 22.9   −12.6 
b + δb =  33.1  donne pour solution x =  4.5 
  
30.9 1.1
Une faible erreur relative sur la norme de b induit une erreur relative sur la
norme de x beaucoup plus importante, par exemple si on prend la norme
k.k∞ , on a :
kδbk∞ kδxk∞
= 3.103 = 13.6
kbk∞ kxk∞
Une telle situation est due au fait que la matrice A a un conditionnement
grand (on dit également que A est mal conditionnée), au sens de la
définition suivante :
Définition
On appelle conditionnement de A relatif à une norme subordonnée le
nombre
χ(A) = kAk kA−1 k.
Dans l’exemple précédent on a

 
25 −41 10 −6
−41 68 −17 10
A−1 = 
 
,
 10 −17 5 −3 
−6 10 −3 2
et χ∞ = kAk∞ kA−1 k∞ = 4488

Proposition
Si la matrice A est symétrique et si l’on prend la norme subordonnée à la
norme euclidienne, on a
max |λi |
1≤i≤n
χ2 =
min |λi |
1≤i≤n

Lien entre le conditionnement et les erreurs

On va démontrer maintenant des inégalités liant le conditionnement de A
et les erreurs relatives sur b etx :
Théorème
On suppose que l’on a Ax = b et
A(x + δx) = b + δb, on perturbe le second membre
Alors,
kδxk kδbk
≤ χ(A)
kxk kbk

Exercices
Exercice
Soit le système d’équations algébriques suivant :

1 2 x1 3
= .
2 1 x2 3
1 Calculer la solution exacte ~x = (x1 , x2 )T du système linéaire.

2 Faire quelques itérations de la méthode de GAUSS-SEIDEL en
partant de l’approximation initiale ~x 0 = (0, 0)T pour vérifier que
l’algorithme diverge.
3 Proposer une simple modification du système qui conduise à la
convergence de la méthode de GAUSS-SEIDEL en partant de
l’approximation initiale ~x 0 = (0, 0)T . Vérifier en itérant jusqu’à ce que
k~x k − ~x k < 10−1
4 Ecrire un algorithme de résolution de ce nouveau système linéaire par
Exercices
Exercice
On considére le système linéaire Ax = B, avec

3 1 4
A= et B= .
2 5 7
1 Ecrire la méthode de JACOBI pour résoudre le système linéaire

Ax = B.
2 Calculer le vecteur x1 obtenu après la première itération de laméthode
de JACOBI,à partir du vecteur initial x0 = 12 , 21

3 Ecrire la matrice d’itération J de la méthode de JACOBI.

4 Est-ce que la méthode de JACOBI appliquée au système Ax = B
converge ?

Exercices
Exercice
Soit les systèmes linéaires
       
1 2 3 4 x1 1 1 2 3 4 x1
 2 3 4 1   x2   2   2 3 4 1   x2 
 3 4 1 2   x3  =  et
       =
3   3 4 1 2   x3 
4 1 2 3 x4 4 4 1 2 3 x4
1 Résoudre les systèmes linéaires par la méthode du pivot de GAUSS.

2 Factoriser la matrice A (sans utiliser la technique du pivot) et
résoudre les systèmes linéaires.
3 Calculer le déterminant de A.
4 Calculer A−1

Exercices
Exercice
Donner une condition suffisante sur le coefficient α pour avoir convergence
des méthodes de JACOBI et GAUSS-SEIDEL pour la résolution d’un
système linéaire associé à la matrice
 
α 0 1
A= 0 α 0 
1 0 α

Exercices
Exercice
Soit α un paramètre réel et soient les matrices Aα , P et le vecteur b
définis par
     
2 4 1 1 0 0 0
Aα =  α −2 −1  P =  0 0 1 , b =  −3/2 
2 3 2 10 1 0 −1
1 A quelle condition sur α, la matrice Aα est inversible ?

2 A quelle condition sur α, la matrice Aα admet-elle une décomposition
LU (sans pivot) ?
3 Soit α = −1. Calculer, si elle existe, la décomposition LU de la
matrice M = PAα .
4 Soit α = −1. Résoudre le système linéaire Ax = b en résolvant le
système linéaire Mx = Pb.
Exercices
Exercice
On définit p(x) = a + bx + cx 2 le polynôme de degré inf ÃÅerieur ou égal
à 2 interpolant f aux points α, β et γ ( c’est-à-dire satisfaisant
p(α) = f (α), p(β) = f (β) et p(γ) = f (γ)).
1 Ecrire le système linéaire que résolvent a, b,et c. On désigne par M la
matrice de ce système
2 Faites la factorisation LU de cette matrice et en déduire sont
déterminant
3 Quel résultat sur l’interpolation retrouve-t-on ?

Exercices
Exercice
Considérons le système linéaire Ax = b avec
 
α 0 γ
A= 0 α β 
0 δ α
avec α, β, γ et δ des paramètres réels. Donner des conditions suffisantes

sur les coefficients pour avoir
1 convergence de la méthode de JACOBI
2 convergence de la méthode de GAUSS-SEIDEL.

Langue

Systemes Lineaires

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Systemes Lineaires

Titre original :

Transféré par

Droits d'auteur :

Chapitre 4: Résolution approchée des systèmes

Chapitre 4: Résolution approchée des systèmes linéaires 1 / 61

λ(µm) K1 (λ) K2 (λ) K3 (λ) K4 (λ) A(λ)

On se propose de trouver les concentrations c1 , c2 , c3 et c4 .

Chapitre 4: Résolution approchée des systèmes linéaires 4 / 61

Chapitre 4: Résolution approchée des systèmes linéaires 6 / 61

On obtient donc les valeurs des inconnues dans l’ordre naturel.

Principe de la méthode de Gauss et première étape

Âx = b̂, (1)

où la matrice Â est triangulaire supérieure, la résolution de ce nouveau

Chapitre 4: Résolution approchée des systèmes linéaires 9 / 61

Principe de la méthode de Gauss et première étape

On dit qu’on vient de réaliser la première étape de l’élimination de Gauss,

Chapitre 4: Résolution approchée des systèmes linéaires 14 / 61

Chapitre 4: Résolution approchée des systèmes linéaires 15 / 61

- On voit que la ligne i de la matrice A(k) et du vecteur b (k) n’est plus

Chapitre 4: Résolution approchée des systèmes linéaires 17 / 61

Algorithme d’élimination de Gauss

Chapitre 4: Résolution approchée des systèmes linéaires 19 / 61

De plus si on impose à L d’avoir ses éléments diagonaux égaux à 1 alors la

Chapitre 4: Résolution approchée des systèmes linéaires 20 / 61

- Résolution des systèmes linéaires

Chapitre 4: Résolution approchée des systèmes linéaires 21 / 61

La factorisation LU qui fournit une méthode économique (par rapport au

Chapitre 4: Résolution approchée des systèmes linéaires 22 / 61

Principe du calcul direct de la factorisation LU

Chapitre 4: Résolution approchée des systèmes linéaires 23 / 61

Principe du calcul direct de la factorisation LU

Chapitre 4: Résolution approchée des systèmes linéaires 24 / 61

Principe du calcul direct de la factorisation LU

- On identifie la première colonne de A avec la première colonne de LU,

- On identifie la deuxième ligne de A avec la deuxième ligne de LU,

Chapitre 4: Résolution approchée des systèmes linéaires 25 / 61

Principe du calcul direct de la factorisation LU

- On identifie la deuxième colonne de A avec la deuxième colonne de

- On identifie la troisième ligne de A avec la troisième ligne de LU, cela

Chapitre 4: Résolution approchée des systèmes linéaires 26 / 61

où L est une matrice triangulaire inférieure à diagonale unité et D une

Chapitre 4: Résolution approchée des systèmes linéaires 27 / 61

Il s’agit d’une adaptation de la factorisation LU, à un système dont la

Chapitre 4: Résolution approchée des systèmes linéaires 29 / 61

Chapitre 4: Résolution approchée des systèmes linéaires 30 / 61

où les matrices M, N ∈ Mn (R), M inversible, sont convenablement

Chapitre 4: Résolution approchée des systèmes linéaires 31 / 61

ce qui correspondra à la résolution de Ax = b si

Il y a une infinité de choix possibles pour M et N vérifiant A = M − N,

La méthode de Jacobi consiste, à chaque itération k, à résoudre chaque

Les formules précédentes ne définissent effectivement x (k+1) que si les

Chapitre 4: Résolution approchée des systèmes linéaires 37 / 61

où les matrices D, E et F ont été données dans le paragraphe référencé

A chaque itération la matrice du système à résoudre est triangulaire

Chapitre 4: Résolution approchée des systèmes linéaires 39 / 61

La méthode de Gauss-Seidel Exemple

Chapitre 4: Résolution approchée des systèmes linéaires 40 / 61

possédant les propriétés suivantes : quel que soit x ∈ E , y ∈ E , λ ∈ K :

La notation |λ| représente la valeur

E = Rn , kxk∞ = max |xi |

Chapitre 4: Résolution approchée des systèmes linéaires 44 / 61

Définition de la norme matricielle

Chapitre 4: Résolution approchée des systèmes linéaires 46 / 61

Etude de la norme matricielle subordonnée à la norme

où (λ)1≤k≤n sont les valeurs propres (réelles) de A.

Chapitre 4: Résolution approchée des systèmes linéaires 47 / 61

où (λ)1≤k≤n sont les valeurs propres (complexe) de A.