Université Claude Bernard, Lyon I Licence Sciences & Technologies

43, boulevard 11 novembre 1918 Spécialité Mathématiques

69622 Villeurbanne cedex, France Option: Analyse Numérique 2006-2007

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.

1 Localisation des valeurs propres

(i) Rappeler le Théorème de Gershgorine.

(ii) Localiser les valeurs propres des matrices suivantes :

   
1 2 −1 10 2 3
A= 2 7 0 , B =  −1 2 −1  ,
−1 0 5 0 1 3
puis les matrices    
1 2 −1 2 1 0
C= 0 3 1 , D= 1 3 1 .
1 0 6 0 1 2

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

(iii) Calculer les valeurs propres et les vecteurs propres v1 et v2 de

 
1 −3
A= .
−3 1

(iv) Exprimer x0 = (1, 0)T en fonction de v1 et v2 . En déduire l’expression de Ak x0 , puis de Ak x0 /kAk x0 k

et conclure.

3 Méthode de la puissance inverse

Soit A ∈ Mn,n (R) une matrice symétrique définie positive c’est-à-dire xT A x > 0 pour tout x 6= 0Rn .
L’objectif de ce travail est de démontrer qu’à partir de la méthode de la puissance inverse, nous pouvons
calculer le module de la plus petite valeur propre.
Nous supposons que λn est de multiplicité q, c’est-à-dire,

λ1 ≥ λn−q−1 ≥ λn−q > . . . = λn > 0.

 (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.

(ii) Quel est le lien entre les éléments propres de A et A−1 ?

(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 ;

(iii) Montrer que les valeurs propres de la matrice

 
0 a ... a
 .. .. 

 a 0 . . 

 .. . . .. 
 . . . a 
a ... a 0

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

• On pose A(0) = A pour A une matrice inversible.

• Pour k ≥ 0, on recherche la décomposition Q R de A(k) , on a

A(k) = Q(k) R(k) .

• On calcule alors A(k+1) = R(k) Q(k) .

La matrice A(k) est alors censée converger vers une matrice diagonale ne comprenant que les valeurs
propres de A.

(i) Calculer les itérations succéssives de la méthode QR pour la matrice

 
1 0
A= .
1 −1

(ii) Qu’en conclure?

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

(ii) Il suffit d’appliquer le Théorème de Gershgorine donné en cours

• Sp(A) ⊂ ∪3i=1 Di avec

D1 = {x ∈ R, |x − 1| ≤ 3}, D2 = {x ∈ R, |x − 7| ≤ 2}, D3 = {x ∈ R, |x − 5| ≤ 1},

• Sp(B) ⊂ ∪3i=1 Di avec

D1 = {x ∈ R, |x − 10| ≤ 5}, D2 = {x ∈ R, |x − 2| ≤ 2}, D3 = {x ∈ R, |x − 3| ≤ 1},

• Sp(C) ⊂ ∪3i=1 Di avec

D1 = {x ∈ R, |x − 1| ≤ 3}, D2 = {x ∈ R, |x − 3| ≤ 1}, D3 = {x ∈ R, |x − 6| ≤ 1},

• Sp(D) ⊂ ∪3i=1 Di avec

D1 = {x ∈ R, |x − 2| ≤ 1}, D2 = {x ∈ R, |x − 3| ≤ 2}, D3 = {x ∈ R, |x − 2| ≤ 1},

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).

(iv) Nous avons x0 = (v1 + v2 )/2. Nous avons

1 1
A x0 = (A v1 + Av2 ) = (λ1 v1 + λ2 v2 )
2 2
et donc
1 k
z (k) = Ak x0 = (λ v1 + λk2 v2 ).
2 1
D’où, nous avons
 k
z (k) 1 λ1
k
= ( v1 + v2 ).
λ2 2 λ2
et donc
z (k)
x(k) =
kz (k) k
va converger vers v2 /kv2 k qui est bien un vecteur propre de A.

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

Puis, en appliquant successivement l’algorithme de la puissance inverse, nous avons à l’étape k

n
X wi
z (k) = A−1 z (k−1) = βi
i=1
(λi )k

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

lim kλkn z (k) k = kzk

k→∞

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.

Enfin, nous vérifions bien que x 6= 0Rn puisque

/ Ker(A − λn In )⊥ = vect{w1 , . . . , wn−q }

x0 ∈

et donc il existe n − q ≤ i0 ≤ n tel que βi0 6= 0.

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

lim (x(k) )T A x(k) = xT A x = λn xT x = λn .

k→∞

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

Figure 1: Exemple de liens entre les pages A, B, C et 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.

(ii) On fait exactement la même chose que pour 4 équations.

(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

∆n = −λ ∆n−1 − (n − 1) a δn−1 , δn = a ∆n−1 − (n − 1) a δn−1 .

De plus,on a
∆2 = (λ − a) (λ + a), δ2 = −a (λ + a)
et donc par récurrence on montre que

∆n = (a + λ)n−1 ((n − 1) a − λ), δn = a (a + λ)n−1 .

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.