Vous êtes sur la page 1sur 10

ENSTP 2 eme

année CP Module: Analyse Numérique 1. Série: N um 2:

CORRIGE Résolution de systèmes linéaires

Exercice 1: 0 1 0 1
3 2 1 0 1
B 6 5 2 1 C B C
On considère le système AX = b dé…ni par : A=B C; b = B 1 C
@ 0 2 1 0 A @ 1 A
3 5 1 3 1

1. On a le système équivalent et la résolution se fera avec l’échelonnement


de Gauss :
0 18 9 0 18 9
l1 >
> 3x1 + 2x2 + x3 = 1 >
> l1 = l10 >
> 3x1 + 2x2 + x3 = 1 >
>
B l2 C < 6x1 5x2 2x3 x4 = 1 = B l2 + 2l1 = l20 C< x2 x4 = 1
=
B C () B C
@ l3 A > 2x2 + x3 = 1 > @ l3 = l30 A> 2x2 + x3 = 1 >
>
: >
; >
: >
;
l4 3x1 5x2 + x3 + 3x4 = 1 l4 + l1 = l40 3x2 + 2x3 + 3x4 = 2
0 18 9 0 18 9
l10 = l100 >
> 3x1 + 2x2 + x3 = 1 >
> l100 = l1000 >
> 3x1 + 2x2 + x3 = 1 >
>
B l 0
= l 00 C< x2 x4 = 1
= B l 00
= l 000 C< x2 x4 = 1
=
() B 2 2 C
@ l30 2l20 = l300 A > () B
@
2 2 C
A> .
> x3 + 2x4 = 1 >
> l300 = l3000 > x3 + 2x4 = 1 >
>
: ; : ;
l40 3l20 = l400 2x3 + 6x4 = 1 00 00
l4 2l3 = l4 000
2x4 = 1
0 2
1
3
B C 1
Maintenant on peut le résoudre facilement, on trouve la solution : X=B C
@ 0 A.
2

1
2

A partir des calculs précédents on déduit la décomposition A = LU et det A.

0 1 0 10 1
3 2 1 0 1 0 0 0 3 2 1 0
B 6 5 2 1 C B 2 1 0 0 C B 0 1 0 1 C
A=B
@ 0
C=B CB C = LU et det A = det U = 6:
2 1 0 A @ 0 2 1 0 A@ 0 0 1 2 A
3 5 1 3 1 3 2 1 0 0 0 2

0 1 0 1
1 2 0 3 3
B 2 1 3 2 C B 2 C
Exercice 2 : Soit la matrice A=B
@ 3
C et b=B C
1 2 1 A @ 6 A
1 1 1 1 1

1. A est factorisable en un produit A = L:U si tous les déterminants


des sous matrices principales sont 6= 0.
1 2
det 41 = det (1) = 1 6= 0; det 42 = det = 5 6= 0,
2 1
0 1
0 1 1 2 0 3
1 2 0 B 2
B 1 3 2 CC=
det 43 = det @ 2 1 3 A = 25 6= 0, et det 44 = det @ 38 6= 0
3 1 2 1 A
3 1 2
1 1 1 1
0 1 0 10 1
1 2 0 3 1 0 0 0 1 2 0 3
B 2 1 3 2 C B 2 1 0 0 C B 0 5 3 4 C
B C = A = L:U = B CB C
@ 3 1 2 1 A @ 3 1 1 0 A@ 0 0 5 4 A
1 2 38
1 1 1 1 1 5 25 1 0 0 0 25

2. Résoudre le système AX = b par cette décomposition.


Ux = y
On a : Ax = b () LU x = b ()
Ly = b

0 12 3 0 1 0 1
1 0 0 0 y1 3 3
B 2 1 0 0 C 6 7 B C B C
B
Ly = b () @ C 6y2 7 = B 2 C () y = B 8 C
3 1 1 0 A 4y3 5 @ 6 A @ 5 A
1 2
1 5 25 1 y4 1 0
0 12 3 0 1 0 1
1 2 0 3 x1 3 1
B 0 5 3 4 C 6 7 B C B C
Et U x = y () B C 6x2 7 = B 8 C () x = B 1 C ;
@ 0 0 5 4 A 4x3 5 @ 5 A @ 1 A
38
0 0 0 25 x4 0 0

qui est la solution du système Ax = b:

0 1
1 1 1 0
B 1 5 1 2 C
Exercice 3: Soit A 2 M4 (R) ; dé…nie par : A=B
@ 1
C
1 3 2 A
0 2 2 1

1. La décomposition LU de Gauss :
0 1 0 10 1
1 1 1 0 1 0 0 0 1 1 1 0
B 1 5 1 2 C B 1 1 0 0 C B 0 4 0 2 C
B C = LU = B CB C
@ 1 1 3 2 A @ 1 0 1 0 A@ 0 0 4 2 A
1 1
0 2 2 1 0 2 2 1 0 0 0 1

Et celle de Crout LDLt :

0 10 10 1
1 0 0 0 1 0 0 0 1 1 1 0
B 1 1 0 0 C B 0 4 0 0 C B 0 1 0 1 C
=) A = LDL = B
t
@ 1
CB CB 2 C
0 1 0 A@ 0 0 4 0 A@ 0 0 1 1
2
A
1 1
0 2 2 1 0 0 0 1 0 0 0 1

2. A n’est pas symétrique dé…nie positive car il existe un determinant négatif


qui est det 44 = det A = det D = 16:
0 1
0
3 min (i; j) 1 si i 6= j B 0 C
Exercice 4: Soit A 2 Mn (<) ; dé…nie par : aij = et b=B C
@ 0 A
4i2 + i 1 si i=j
1
0 1
4 2 2 2
B 2 17 5 5 C
1. Pour n=4 : B
A=@ C:
2 5 38 8 A
2 5 8 67

0 10 1
2 0 0 0 2 1 1 1
B 1 4 0 0 C B 0 4 1 1 C
La décomposition de A par Cholesky est: A = RR = B
t
@ 1
CB C.
1 6 0 A@ 0 0 6 1 A
1 1 1 8 0 0 0 8

2. Résoudre le système AX = b par cette décomposition.

Rt x = y
Ax = b () RRt x = b ()
Ry = b
0 12 3 0 1 10
2 0 0 0 y1 0 0
B 1 4 0 0 C 6y2 7 B 0 C B 0 C
Ry = b () B C6 7 B
@ 1 1 6 0 A 4y3 5 = @
C, La solution est : y=B C
0 A @ 0 A
1
1 1 1 8 y4 1 8
0 12 3 0 1 0 5
1
2 1 1 1 x1 0 1024
B 1 C 6 7 B C B 5 C
Rt x = y () B
0 4 1 C 6x2 7 = B 0 C, Alors la solution est : x=B 1536 C
@ 0 0 6 1 A 4x3 5 @ 0 A @ 1 A
384
1 1
0 0 0 8 x4 8 64

Exercice 5:
0 1 0 1
0:6 1:52 3:5 0
On considère le système AX = b dé…ni par : A=@ 2 4 1 A; b = @ 1 A
1 2:8 1 0

1. La décomposition P A = L:U par la méthode de Gauss avec pivôt partiel :


Soit la matrice
2 3
0; 6 1; 52 3; 5
A = A(0) =4 2 4 1 5; le maximum dans la première colonne est égal à 2;
1 2; 8 1
2 3 2 3
0 1 0 2 4 1
Soit la matrice de permutation P1 = 41 0 05 =) P1 A(0) = 40; 6 1; 52 3; 55 .
0 0 1 1 2; 8 1

On é¤ectue l’échelonnement de Gauss dans P1 A(0) ;


2 3 2 3
1 0 0 2 4 1
Soit L1 = 4 0; 3 1 05 =) A(1) = L1 P1 A(0) = 40 0; 32 3; 25
0; 5 0 1 0 0; 8 0; 5
2 3
1 0 0
et P1 A(0) = L1 1 A(1) ; L1 1 = 40; 3 1 05
0; 5 0 1

Pour A(1) ; le maximum dans la deuxième colonne est égal à 0; 8


2 3 2 3
1 0 0 2 4 1
soit la matrice de permutation P2 = 40 0 15 =) P2 A(1) = 40 0; 8 0; 55
0 1 0 0 0; 32 3; 2

On é¤ectue l’échelonnement de Gauss dans P2 A(1) ;


2 3 2 3 2 3
1 0 0 2 4 1 1 0 0
Soit L2 = 40 1 05 =) A(2) = L2 P2 A(1) = 40 0; 8 0; 55 et P2 A(1) = L2 1 A(2) ; L2 1 = 40 1 05
0 0; 4 1 0 0 3 0 0; 4 1

En résumé, on a P1 A(0) = L1 1 A(1) =) P1 A(0) = L1 1 P2 P2 A(1) = L1 1 P2 L2 1 A(2) car P2 A(1) = L2 1 A(2)

Donc P1 A(0) = L1 1 P2 L2 1 A(2) =) P2 P1 A(0) = P2 L1 1 P2 L2 1 A(2)

2 3
0 1 0
Ainsi on déduit P A = LU avec P = P2 P1 = 40 0 15 ; A = A(0) ;
1 0 0

2 32 32 32 3 2 3
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
L = P2 L1 1 P2 L2 1 = 40 0 15 40; 3 1 05 40 0 15 40 1 05 = 40; 5 1 05
0 1 0 0; 5 0 1 0 1 0 0 0; 4 1 0; 3 0; 4 1
2 3
2 4 1
et U = A(2) = 40 0; 8 0; 55 On peut véri…er que:
0 0 3

2 32 3 2 3 2 32 3
0 1 0 0; 6 1; 52 3; 5 2 4 1 1 0 0 2 4 1
P A = 40 0 154 2 4 1 5=4 1 2; 8 1 5 = LU = 40; 5 1 05 40 0; 8 0; 55
1 0 0 1 2; 8 1 0; 6 1; 52 3; 5 0; 3 0; 4 1 0 0 3

La résolution du système :
Ly = b0 ;
Ax = b () P Ax = P b = b0 () LU x = b0 ()
U x = y;
2 30 1 2 30 1 0 1
1 0 0 y1 0 1 0 0 1
Donc Ly = b0 () 40; 5 1 05 @y2 A = P b = 40 0 15 @ 1 A = @ 0 A = b0
0; 3 0; 4 1 y3 1 0 0 0 0
2 30 1 0 1 0 1 0 1
1 0 0 y1 1 y1 1
40:5 1 05 @y2 A = @ 0 A =) @y2 A = @ 0:5 A
0:3 0:4 1 y3 0 y3 0:1
2 30 1 0 1
2 4 1 x1 1
Ensuite U x = y () 40 0:8 0:55 @x2 A = @ 0:5 A.
0 0 3 x3 0:1
0 1 0 1
x1 1: 72
On trouve la solution : @x2 A = @ 0:60 A
x3 0; 03
0 1
1 2 2
Exercice 6 : Soit la matrice A=@ 2 1 2 A
2 2 3

1. Calcul des normes kAk1 , kAk1 et kAk2 .


0 1 0 1
1 2 2 1 2 2
@ 2 1 2 A = 7; @ 2 1 2 A = 7;
2 2 3 1
2 2 3 1
0 10 1 0 1
1 2 2 1 2 2 9 0 12
AAt = @ 2 1 2 A@ 2 1 2 A=@ 0 9 0 A,
2 2 3 2 2 3 12 0 17
p p
ses valeurs propres sont : 9; 13 4 10 =0:35 et 4 10 + 13 = 25: 64 = (AAt )
p p
Alors kAk2 = (AAt ) = 25: 64 = 5: 06

0 1
1 1 0
Exercice 7 : Soit la matrice A=@ 1 2 1 A.
0 1 2

1. Montrons par deux méthodes que A est une matrice symétrique dé…nie positive.
Première méthode :

0 1
1 1 0
1 1
det 41 = det (1) = 1 > 0; det 42 = det = 1 > 0, et det 43 = det @ 1 2 1 A=1>0
1 2
0 1 2
Deuxième méthode :

01 0 1 0 10 1
x 0 1 1 0 x
8 X = @ y A 2 R3 @ 0 A; X t AX = x y z @ 1 2 1 A@ y A
z 0 0 1 2 z
= x (x + y) + z (y + 2z) + y (x + 2y + z)

= 2xy + 2yz + x2 + 2y 2 + 2z 2
2 2
= (x + y) + (y + z) + z 2 > 0

Exercice 8:

Soit A 2 Mn (<) telle que aij = 1 pour i 6= j et aii = 0 pour i=j

1. Montrons que A est régulière. (pour ça on montre que AX = 0 , X = 0 )

t
Soit X = (x1 ; x2 ; ::::::; xn )
0 1
x2 + x3 + ::::::xn
B x1 + x3 + ::::::xn C
B C
B C
AX = 0 () B
B
C
C
, on somme les équations on trouve :
@ A
x1 + x2 + ::::::xn 1

Pn Pn
(n 1) i=1 xi = 0 =) i=1 xi = 0 =) xi = 0; 8i 2 f1; 2; :::; ng en utilisant les équations
donc X=0 =) A est inversible.
2) On calcul le carré de A on trouve A2 = (n 1) In + (n 2) A;

A2 = (n 1) In + (n 2) A () A( n 1 1 (A + (2 n) In )) = In () A 1
= ( n 1 1 (A + (2 n) In ))

et on peut l’écrire sous forme matricielle


kAk1 = (n 1)

A 1
1
= j2 nj+(n 1)
(n 1) = (n 2)+(n 1)
(n 1) = 2n 3
n 1 car n 2

1
cond1 (A) = kAk1 : A 1
= 2n 3:

On remarque que si n est grand alors cond1 (A) = 2n 3 est un nombre très grand
donc A est mal conditionnée.

Exercice 9 :

Soit A 2 Mn (<) une matrice orthogonale, c à dire AAt = At A = In :

1. Sachant que X; Y = Y tX , montrons que AX; AY = X; Y , 8X; Y 2 Rn

On a par dé…nition AX; AY


t
= (AY ) (AX) = Y t At AX = Y t X = X; Y car At A = In :

2. Montrons que kAXk2 = kXk2 , 8X 2 Rn ; de 1) on a :


P
n
2 p p
AX; AX = X; X = X tX = x2i = kXk2 =) kXk2 = X; X = AX; AX = kAXk2 :
i=1

3. B est orthogonale =) BB t = B t B = In ; et aussi A orthogonale, on calcul


t t
(AB) (AB) = B t At AB = B t B = In et (AB) (AB) = ABB t At = AAt = In

Alors AB est orthogonale.


4. Montrons que kABk2 = kBk2 , 8B 2 Mn (<) ; kAk2 = 1

r hi p p
kABk2 =
t
(AB) (AB) = [B t At AB] = [B t B] = kBk2 car A orthogonale.
p p
kAk2 = [At A] = (In ) = 1 car les valeurs propres de In sont tous égaux à 1.
5. On a At A = In =) det (At A) = det A: det At = (det A)
2
car det A = det At

donc 2
(det A) = det In = 1 =) det A = 1:
Exercice 10:
8 9
(k+1) (k) (k)
>
< X1 = 2X1 + X2 2 >
=
Soit le processus itératif: >
X2
(k+1)
= 2X2
(k)
1
>
: (k+1) 1 (k) ;
X3 = 3 X3
2. Qu’en est-il pour X (0) = (1; 1; )t ? Conclusion.
1. Le processus itératif est équivalent à :
0 1 0 1
2 1 0 2
X (k+1) = M X (k) + V M =@ 0 2 0 A; V = @ 1 A
1
0 0 3 0

le rayon spéctral (M ) = 2 car les valeurs propres de M sont : 2; 2 et 1


3:
Donc le processus diverge.
2. On a X (0) = (1; 1; )t et X (1) = (1; 1; 1
3 )t et par récurrence on peut
1 n
montrer que X (n) = (1; 1; 3 )t :

limn!1 X (n) = X = (1; 1; 0)t qui est la solution exacte.


Donc le processus converge pour ce X (0) ;

Exercice 11:
0 1 0 1
8 1 1 8
On considère la matrice A et le vecteur B : A=@ 1 7 2 A; B = @ 4 A
2 1 9 12

1. Transformons le système AX = B en X = CX + l

a) Selon Jacobi, X = CX + l = D 1
(E + F ) X + D 1
B

0 1
10 1 0 1 1
1
8 0 0 0 1 1 0 8 8
J =D 1
(E + F ) = @ 0 1
7 0 A@ 1 0 2 A = @ 17 0 2
7
A=C
1 2 1
0 0 9
2 1 0 9 9 0
0 1
10 1 0 1
8 0 0 8 1
l=D 1
B=@ 0 1
7 0 A @ 4 A = @ 47 A
1 4
0 0 9
12 3

b) Selon Gauss Seidel : X = CX + l = (D E)


1
F X + (D E)
1
B
0 1 1 0 1
8 0 0 0 1 1
1
GS = (D E) F =@ 1 7 0 A @ 0 0 2 A
2 1 9 0 0 0
0 1
10 1 0 1 1
1
8 0 0 0 1 1 0 8 8
=@ 1
56
1
7 0 A@ 0 0 2 A=@ 0 1
56
17
56
A=C :
5 1 1 5 31
168 63 9
0 0 0 0 168 504
0 1
10 1 0 1
8 0 0 8 1
1
l = (D E) B=@ 1
56
1
7 0 A @ 4 A = @ 57 A
5 1 1 65
168 63 9
12 63

2. Le système AX = B , converge car c’est clair que la matrice


A est à diagonale dominante stricte.

Exercice 12:
0 1 0 1
3 2 1 0 b1
B 2 4 0 1 C B b2 C
On considère le système AX = b suivant: A=B
@ 1
C;b = B
A @
C
0 4 2 b3 A
0 1 2 3 b4

X (k+1) = BX (k) + C; k 2 N
et la méthode de Gauss Seidel notée: X (0) 2 <4

1. Calculons B et C , en déduire que Gauss Seidel converge 8X (0) 2 R4 :

1 1
X (k+1) = BX (k) + C = (D E) F X (k) + (D E) b
0 1 10 1 0 1
1
3 0 0 0 0 2 1 0 3 0 0 0
B 2 4 0 0 C B 0 0 0 1 C B 1 1
0 0 C
B = (D E) F = B C B C: B C
1 6 4
@ 1 0 4 0 A @ 0 0 0 2 A @ 1
0 1
0 A
12 4
1 1 1
0 1 2 3 0 0 0 0 0 12 6 3
0 1
10 1 0 2 1
1
3 0 0 0 0 2 1 0 0 3 3 0
B 1 1
0 0 C B 0 0 0 1 C B 0 1 1 1 C
=B
@
6 4 CB C=B 3 6 4 C
1
12 0 1
4 0 A@ 0 0 0 2 A @ 0 1
6
1
12
1
2
A
1 1 1 5
0 12 6 3
0 0 0 0 0 0 0 12

Les valeurs propres de la matrice de Gauss Seidel B sont 1;2 =0 et 1;2 = 5


12

donc (B) = 5
12 < 1: Alors cette méthode converge 8X (0) 2 R4 :

2. Estimation de l’erreur kXk X k tel que X est la solution exacte.


La méthode convereg alors il existe une norme matricielle induite k:k

telle que kBk = <1


k
et kXk X k 1 kx1 x0 k:
0 2 1
1 0 2 1
1
0 3 3 0 0 3 3 0
B 0 1 1 1 C B 0 1 1 1 C
B 3 6 4 C = 76 ; B 3 6 4 C =1
@ 0 1 1 1 A @ 0 1 1 1 A
6 12 2 6 12 2
5 5
0 0 0 12 1
0 0 0 12 1

0 2 1
10 1 0 5 5 5
1
0 3 3 0 0 0 0 0 9 18 36 0
B 0 1 1 1 CB 2 1 1
0 C B 5 29 1 5 C
BB t = B
@ 0
3 6 4 CB
A@
3 3 6 C=B 18 144 18 48 C,
1
6
1
12
1
2
1
3
1
6
1
12 0 A @ 5
36
1
18
41
144
5
24
A
5 1 1 5 5 5 25
0 0 0 12 0 4 2 12 0 48 24 144
Les valeurs propres de la matrice BB t sont 1;2 = 35
48 ; 3 = 35
72 et 4 = 0:

p q
(BB t ) = 35
48 et donc kBk2 = (BB t ) = 35
48 = 0:85 < 1:

Alors on peut estimer l’erreur par rapport à la norme 2.

Exercice 13:
0 1 0 1
4 1 0 0 4
B 1 4 1 0 C B 8 C
Soit A=B
@ 0
C; b = B
A @
C.
1 4 1 12 A
0 0 1 4 26
1) La matrice A est à diagonale dominante stricte donc les méthodes de Jacobi,
Gauss-Seidel et Relaxation, pour ! 2]0; 1[; appliquées à AX = b convergent.
Mais ici pour la relaxation, on a ! 2]0; 2[ donc on doit utiliser un résultata
du cours qui dit : Soit A une matrice symétrique dé…nie positive, alors la
méthode de Relaxation de paramètre ! associée au système linéaire Ax = b

converge 8x0 2 Rn si et seulement si ! 2 ]0; 2[ :

A = At donc A est symétrique et on peut calculer les valeurs propres de A

et remarquer qu’elles sont toutes positives :


9 1
p 1
p 9 7 1
p 1
p 7
2 2 5 = 3: 38; 2 5+ 2 = 5: 61; 2 2 5 = 2: 38; 2 5+ 2 = 4: 61:
0 1
1
0 4 0 0
B 1 0 1
0 C
2) On a : J =B 4
@ 0 1
4 C
1 A, ses valeurs propres sont :
4 0 4
1
0 0 4 0

p p p p p
1
8
1
8 5; 18 5 + 18 ; 1
8 5 1 1
8; 8 5 1
8 alors le rayon spéctral (J) = 1
8 5+ 1
8 = 0:40:
0 1
1
0 4 0 0
B 0 1 1
0 C p p
L1 = GS = B
@ 0
16
1
4
1
C
1 A, ses valeurs propres sont : 3
0; 32 1
32
1
5; 32 5+ 3
32
64 16 4
1 1 1
0 256 64 16

p
Alors le rayon spéctral (L1 ) = 1
32 5+ 3
32 = 0:16:

On a : 2 2
(J) = (0:40) = 0:16 = (L1 ) :

Pour L! :
0 4
1 1 0 1
! 0 0 0 4 1 !! 1 0 0
B 1 4
0 0 C B 0 4 1 !! 1 0 C
L! = ( !1 D E) 1
( 1 !! )D + F = B
@ 0
! C B C
1 4
! 0 A @ 0 0 4 1 !! 1 A
4
0 0 1 ! 0 0 0 4 1 !!
0 1
10 1 ! 1
4! 0 0 0 4 ! 1 0 0
B 1 2 1
0 C B 0 4 1 !! C
L! = B 16 ! 4! 0 CB 1 0 C
@ 1 3 1 2 1
0 A@ 0 4 1 !! A
64 ! 16 ! 4! 0 1
1 1 3 1 2 1
256 !
4
64 ! 16 ! 4! 0 0 0 4 1 !!
0 1
1
!+1 4! 0 0
B 1 ! ( ! + 1) ! + 161 2
! +1 1 C
L! = B 4 4! 0 C
@ 1 ! 2 ( ! + 1) 1 3
! + 1 1 2 1 A
16 64 4 ( ! + 1)
! ! + 16 ! +1 4!
1 3 1 4 1 2 1 3 1 1 2
64 ! ( ! + 1) 256 ! + 16 ! ( ! + 1) 64 ! + 4 ( ! + 1)
! ! + 16 ! + 1

3) Pour x0 = (1; 0; 0; 0) ;
t
Par exemple pour Jacobi, xn+1 = Jxn + D 1
b

0 1
10 1 0 1 10 1 0 1
0 4 0 0 1 4 0 0 0 4 1
B 1
0 1
0 C B 0 C B 1
0 C B 8 C B 9 C
=) x1 = Jx0 + D 1
b=B 4 4 CB C+B 0 4 0 CB C=B 4 C
@ 0 1
0 1 A@
0 A @ 0 0 1
0 A @ 12 A @ 3 A
4 4 4
1 1 13
0 0 4 0 0 0 0 0 4
26 2
0 1
10 1 0 1 10 1 0 25
1
0 4 0 0 1 4 0 0 0 4 16
B 1
0 1
0 C B 9 C B 0 1
0 0 C B 8 C B 3 C
=) x2 = Jx1 + D 1
b=B
@
4 4 C
1 A@
B 4 C+B 4 CB C = B 83 C
0 1
4 0 4 3 A @ 0 0 1
4 0 A @ 12 A @ A
16
1 13 1 29
0 0 4 0 2 0 0 0 4
26 4

pour Gauss-Seidel, xn+1 = L1 xn + (D E)


1
b
0 1
10 1 0 1 1 0 1 0 1
0 4 0 0 1 4 0 0 0 4 1
B 0 1 1
0 C B 0 C B 1 4 0 0 C B 8 C B 9 C
E) b = B CB C+B C B C B 4 C
1 16 4
x1 = L1 x0 + (D @ 0 1 A@ @ 12 A = @ 57 A
1
64
1
16 4 0 A @ 0 1 4 0 A 16
1 1 1 473
0 256 64 16
0 0 0 1 4 26 64

0 1 1 0 1
1
4 0 0 0 4 0 0 0
B 1 4 0 0 C B 1 1
0 0 C
Ici =B C =B C:
1 16 4
(D E) @ 0 1 4 0 A @ 1
64
1
16
1
4 0 A
1 1 1 1
0 0 1 4 256 64 16 4
0 1
10 1 0 1
10 1 0 25
1
0 4 0 0 1 4 0 0 0 4 16
B 0 1 1
0 C B 9 C B 1 1
0 0 C B 8 C B 105 C
E) b = B CB 4 C B CB C=B C
1 16 4 16 4 32
x2 = L1 x1 + (D @ 0 1 A @ 57 A + @
1
64
1
16 4 16
1
64
1
16
1
4 0 A @ 12 A @ 1451
256
A
1 1 1 473 1 1 1 1 8107
0 256 64 16 64 256 64 16 4
26 1024

Et ainsi de suite.

4) Calclons la solution exacte X de AX = b ainsi que X k+1


X k
p

pour p = 1; 2; 1 dans les trois méthodes pour k = 3; 2; 1:


0 12 3 0 1 0 1
4 1 0 0 x1 4 2
B 1 4 1 0 C 6x2 7 B 8 C B 4 C
B C6 7 = B C =) X = B C
@ 0 1 4 1 A 4x3 5 @ 12 A @ 6 A
0 0 1 4 x4 26 8

Et on peut calculer après les normes demandées.

Vous aimerez peut-être aussi