Académique Documents
Professionnel Documents
Culture Documents
Serie 04
Serie 04
Série n◦ 4 :
Approximation de valeurs propres et vecteurs propres
Quelques rappels sur les valeurs propres
• Les valeurs propres de A ∈ Mn,n (R) sont les λ tels qu’il existe un vecteur x ∈ R∗ qui vérifie Ax = λx.
x est un vecteur propre associé à la valeur propre λ.
• Les valeurs propres de A sont les racines du polynôme caractéristique de A, P (λ) = det(A − λIn ).
• Une matrice A ∈ Mn,n (R) possède n valeurs propres complexes. Attention : une matrice réelle peut
avoir des valeurs propres complexes.
• Deux matrices A et B sont dites semblables s’il existe une matrice inversible P telle que A = P −1 B P .
Deux matrices semblables ont les mêmes valeurs propres.
• Une matrice A est diagonalisable s’il existe une matrice D diagonale (composée des valeurs propres
de A) et une matrice inversible P telles que A = P −1 D P . Si A ∈ Mn,n (R) possède n valeurs propres
distinctes, alors A est diagonalisable.
• Soit A ∈ Mn,n (R), il existe une matrice unitaire U telle que U −1 AU soit triangulaire.
• Si A est normale (AT A = A AT ), il existe une matrice unitaire U telle que U −1 AU soit diagonale.
• Si A ∈ Mn,n (R) est symétrique (A = AT ), il existe une matrice orthogonale O telle que O−1 A O soit
diagonale et réelle.
• Si A ∈ Mn,n (R) est orthogonale (AT A = A AT = In ), il existe une matrice unitaire U telle que
U −1 A U soit diagonale avec des valeurs propres de module 1.
2 Méthode de la puissance
(i) Calculer les valeurs propres et les vecteurs propres de
10 0
A= .
−9 1
1
(ii) Que donne la méthode de la puissance pour la matrice A en partant de x0 = (2, 1)T
(0)
x = x0 ∈ Rn ,
(k)
= A z (k+1) , k ∈ N.
z
(1)
z (k+1)
x(k+1) = (k+1) , k ∈ N.
kz k
Nous voulons démontrer que: si nous choisissons x0 ∈ Rn tel que
/ Ker(A − λn In )T .
x0 ∈
Alors, la suite récurrente λkn x(k) , définie par la méthode de la puissance inverse, converge vers un vecteur
propre x ∈ Rn associé à la valeur propre λn :
A x = λn x.
(i) Montrer que A−1 est aussi symétrique définie positive; puis diagonalisable.
(iii) Soit (wi )1≤i≤n une base orthonormée formée des vecteurs propres de A−1 . En écrivant x0 dans cette
base, montrer qu’il existe x ∈ Rn tel que
lim x(k) = x 6= 0,
k→∞
avec
A x = λn x.
(iv) Montrer finalement que β (k) = (x(k) )T A x(k) est tel que
lim β (k) = λn .
k→∞
2
4 Classement des pages web par Google
On cherche à calculer l’indice de popularité d’une série de pages web. On rappelle que l’indice de popularité
de A vérifie l’équation suivante :
xB1 xBk
xA = 0.2 + 0.8 + ... + ,
N B1 N Bk
où les Bi , 1 ≤ i ≤ k sont les pages qui ont un lien qui pointe vers A et NBi est le nombre de liens de la page
Bi . On considère le cas de quatre pages A,B,C et D où la page A pointe vers les pages B,C et D, la page
B pointe vers A, C et D, la page C pointe vers A, B et D et la page D pointe vers A, B et C.
(i) Écrire le système linéaire Ax = b de taille 4 × 4 lié au cas ci-dessus où l’inconnue est le vecteur
x = (xA , xB , xC , xD ). On donnera l’expression de la matrice A et du vecteur b;
(ii) Étendre la question précédente à n pages web, c’est-à-dire au cas où, pour tout indice 1 ≤ i ≤ n, la
page Ai pointe vers les n − 1 autres pages web A1 , . . . , Ai−1 , Ai+1 , . . . An ;
de taille n sont égales à (n − 1) a et −a (de multiplicité n − 1). On pourra par exemple calculer son polynôme
caractéristique.
5 La méthode Q R
On a vu dans la série 1 qu’une matrice A inversible admet une factorisation QR avec Q une matrice orthogo-
nale et R une matrice triangulaire supérieure. La méthode QR pour la recherche de valeurs propres consiste
alors à
La matrice A(k) est alors censée converger vers une matrice diagonale ne comprenant que les valeurs
propres de A.
3
Correction des exercices.
Correction de l’Exercice I
(i) Le théorème est le suivant
Théorème 1 (Gershgorine) Soit A ∈ Mn,n (R). Si λ ∈ Sp(A) est une valeur propre de A, alors il existe
un indice i tel que X
|λ − ai,i | ≤ |ai,j |,
j6=i
c’est-à-dire que toutes les valeurs propres de λ ∈ Sp(A) se trouvent dans l’union des disques Di
X
D = ∪ni=1 {λ ∈ R; |λ − ai,i | ≤ |ai,j |}.
j6=i
Correction de l’Exercice II
(i) les valeurs propres sont λ = 1 et λ = 10.
(ii) on calcule les itérés x(1) = (20, −17)/20, x(2) = (200, −197)/200, x(3) = (2000, −1997)/2000, et
remarque que ce vecteur tend vers le vecteur (1, −1) qui est un vecteur propre.
(iii) les valeurs propres sont λ1 = −2 avec v1 = (1, 1) et λ2 = 4 avec v2 = (1, −1).
4
Correction de l’Exercice III
(i) Comme A est symétrique définie positive, A−1 l’est également. En effet, pour y ∈ Rn , nous posons
x = A−1 y et vérifions que
y T A−1 y = (A x)T A−1 (A x) = xT A x > 0.
Ainsi, puisque A−1 est symétrique définie positive en appliquant le corollaire du théorème de Shur (voir
Corollaire du Chapitre I), la matrice A−1 est diagonalisable dans R et il existe une base orthonormée de
vecteurs propres (wi )1≤i≤n .
(ii) Pour 1 ≤ i ≤ n, nous notons par 1/λi la valeur propre associée au vecteur propre wi , c’est-à-dire
A−1 wi = λ−1
i wi . Remarquons que (λi , wi ) est un élément propre de la matrice A. En effet en multipliant
par A, nous avons
A (A−1 wi ) = A (λ−1 i wi )
donc
λi wi = A wi .
Ainsi, λi est valeur propre de A et son vecteur propre associé est wi .
Nous ordonnons ensuite les valeur propres λ1 ≥ λ2 ≥ ... ≥ λn .
(iii) Comme nous l’avons fait pour la démonstration du Théorème de convergence de la méthode de la
puissance, nous écrivons le vecteur x0 ∈ Rn dans la base (wi )1≤i≤n
n
X
x0 = βi wi
i=1
et donc
n n
X X wi
A−1 x0 = βi A−1 wi = βi .
i=1 i=1
λi
En appliquant une première fois l’algorithme de la puissance inverse,
n
X wi
z (1) = A−1 x0 = βi .
i=1
λi
et
z (k)
x(k) = ,
kz (k) k
donc
n k
X λn
λkn z (k)
= βi wi .
i=1
λi
Puisque A est définie positive, nous savons que −λn n’est pas valeur propre, nous en déduisons que
k
λn
lim = 0, pour λi 6= λn .
k→∞ λi
Soient q ∈ {1, .., n} tel que λn = .. = λn−q+1 et les λn−q > λn ; nous avons donc
n
X
lim λkn z (k) = βi wi =: z
k→∞
i=n−q+1
5
et posons
z
x := .
kzk
Par continuité de la norme, nous avons aussi
et donc
z (k)
lim x(k) = lim = x.
k→∞ k→∞ kz (k) k
Puisque (wi )n−q+1≤i≤n sont des vecteurs propres de A−1 associés à la valeur propre 1/λn , nous vérifions que
x est vecteur propre de A associé à la valeur propre λn
A x = λn x.
d) Maintenant, il nous faut prouver que la suite (x(k) )T Ax(k) converge vers la plus petite valeur propre
λn > 0. Pour cela, écrivons
Correction de l’Exercice IV
(i) Nous avons le schéma suivant Nous pouvons alors écrire un système linéaire A x = b de taille 4 × 4 lié
A B
C D
6
au cas décrit dans la Figure 1, où l’inconnue est le vecteur x = (xA , xB , xC , xD )T , tandis que la matrice A
et le vecteur b sont donnés par
1 a a a 1
a 1 a a 1
A= a a 1 a , b = (1 − d) 1 ,
a a a 1 1
avec a = −0.8/3.
(iii) On pose
−λ a ... a a a ... a
.. ..
.. .. ..
a . . . a −λ . .
∆n = . , δn = ..
,
.. .. .. .. ..
. . a
. . . a
a ... a −λ a ... a −λ
et un calcul simple donne
De plus,on a
∆2 = (λ − a) (λ + a), δ2 = −a (λ + a)
et donc par récurrence on montre que
Ainsi
P (λ) = ∆n
ce qui montre le résultat. On en déduit alors que les valeurs propres de la matrice A sont 1 − a de multiplicité
(n − 1) et 1 + (n − 1) a de multiplicité 1. La matice A est donc symétrique et définie positive. On peut donc
résoudre le système linéaire par une méthode de Choleski ou de Gauss-Seidel.
Correction de l’Exercice V
(i) Nous posons
(0) 1 0
A = .
1 −1
une décomposition Q R donne
A(0) = Q(0) R(0) ,
avec 1 1 √ 1
−√ −√ − 2 √
2 2 2
Q(0) = , R(0) = .
1 1 1
−√ √ 0 −√
2 2 2
Puis,
1 3
2 2
A(1) = R(0) Q(0)
= ,
1 1
−
2 2
7
une décomposition Q R donne
A(1) = Q(1) R(1) ,
avec 1 1
1 1
−√ −√
2 2 − √2 −√
2 .
Q(1) = , R(1) =
1 1 √
−√ √ 0 − 2
2 2
Puis,
(2) (1) (1) 1 0
A =R Q = ,
1 −1
une décomposition Q R donne
A(2) = Q(2) R(2) ,
avec √ 1
− √12 − √12
− 2 √
2
Q(1) = , R(1) = .
− √12 √1
1
2 0 −√
2
Puis,
1 3
2 2
A(3) = R(2) Q(2) = = A(1) ,
1 1
−
2 2
(ii) La méthode Q R ne converge pas vers une matrice diagonale dans ce cas.