Académique Documents
Professionnel Documents
Culture Documents
Exercice 1. Soit D = (dij )1≤i,j≤n ∈ Mn (R) une matrice diagonale. Montrer que
kV AU k2 = kAk2 .
Or
kV Ak22 = ρ((V A)T (V A)) = ρ(AT V T A) = ρ(AT A) = kAk22 .
Exercice 2.
1. Soit B une matrice carrée telle que kBk < 1 pour une norme matricielle ||.|| quelconque. Montrer
kIk
que I − B est inversible et que ||(I − B)−1 || ≤ .
1 − ||B||
Soit A = I − B. Montrons que ker(A) = {0}. En effet si x ∈ ker(A), alors Ax = 0, ou
encore x = Bx et par conséquent 1 est une valeur propre de B et par suite 1 ≤ ρ(B).
Or pour toute norme matricielle k.k, on a ρ(B) ≤ kBk. En particulier, par hypothése,
notre norme matricielle vérifie 1 ≤ ρ(B) ≤ kBk < 1, contradiction. ker(A) est réduit
au vecteur nul et par suite la matrice carrée A = I − B est inversible.
kIk
Vérifions que ||(I − B)−1 || ≤ .
1 − ||B||
De l’égalité (I − B) (I − B) = I, on obtient (I − B)−1 = I + (I − B)−1 B. En appliquant
−1
Soit donc
(1 − kBk)k(I − B)−1 k ≤ kBk.
Il suffit de diviser par le terme strictemet positif (1 − kBk) pour conclure.
2. Soit
4 1
1 4 1
.. .. ..
. . .
∈ Mn (R).
A=
.. .. ..
. . .
1 4 1
1 4
En écrivant A sous la forme A = 4(In − N ), où N est à déterminer, montrer que la matrice A est
inversible et que kA−1 k∞ ≤ 21 . Donner un majorant de Cond∞ (A).
Clairement
0 −1
−1 0 −1
. . . . . .
1 . . .
A = 4(In − N ) pour N = .
4 .. .. ..
. . .
−1 0 1
−1 0
On considère le système
Ax = b (S)
n
pour b ∈ C .
1. Montrer que si λ ∈ C est une valeur propre de A, alors il existe i ∈ {1, . . . , n} tel que :
n
X
|aii − λ| ≤ |aij |.
j=1
j6=i
Ou encore
n
X
(λ − aii )xi = aij xj .
j6=i
Par conséquent
n
X
|λ − aii ||xi | ≤ |aij kxj |.
j6=i
2
Comme x 6= 0, alors kxk∞ 6= 0 et il existe i0 ∈ {1, . . . , n} tel que
Ainsi
X |xj | X
|λ − ai0 i0 | ≤ |ai0 j | ≤ |ai0 j |.
|xi0 |
j6=i0 j6=i0
qui vérifie
X |aij |
kJk∞ = max < 1.
1≤i≤n |aii |
j6=i
Comme
ρ(J) < kJk∞ < 1,
donc la méthode de Jacobi converge
4. Soit L1 = (D − E)−1 F la matrice de la méthode itérative de Gauss Seidel pour résoudre le système
(S). Montrer que det(λ(D − E) − F ) = 0 pour toute valeur propre λ ∈ C de L1 .
Si λ une valeur proppe de L1 , elle vérifie alors det(L1 − λIn ) = 0. Comme,
det((D − E)−1 F − λIn ) == det((D − E)−1 )det(F − λ(D − E)) = −(1)n det(λ(D − E) − F ),
donc det(λ(D − E) − F ) = 0
5. Montrer que si µ ∈ C tel que |µ| ≥ 1, alors la matrice µ(D − E) − F est à diagonale strictement
dominante.
Soit B = µ(D − E) − F = (bij )1≤i,j≤n . Alors, pour i ∈ {1, ..., n},
X X X
|bii | − |bij | = |µ|(|aii | − |aij |) − |aij |.
i6=j i>j i<j
P P
Comme |µ| P ≥ 1 et (|aii | − i>j P |aij | ≥ (|aii | − i6=j |aij )| > 0, alors
|µ|(|aii | − i>j |aij |) ≥ (|aii | − i>j |aij |) et par conséquent
X X X X
|bii | − |bij | ≥ (|aii | − |aij |) − |aij | = |aii | − |aij | > 0.
i6=j i>j i<j i6=j
3
Exercice 4.
On considère le système linéaire Ax = b où
1 0 −2
A = −β 2 1 0 , b ∈ R3 et β ∈ R.
0 −4β 1
1. Ecrire les méthodes de Jacobi et de Gauss-Seidel pour résoudre le système donné, en explicitant les
matrices d’itérations J et L1 des deux méthodes.
Avec les notations de cours, on a ici
0 0 0 0 0 2
2
D = I3 = I, E = β 0 0 et F = 0 0 0
0 4β 0 0 0 0
Méthode de Jacobi: Partant d’un x(0) donné, pour k ≥ 0, on calcule x(k+1) , solution
de
Dx(k+1) = (D − A)x(k) + b,
pour D = I3 , la matrice diagonale représentant la diagonale de A et
0 0 2
D − A = β 2 1 0 .
0 4β 1
La matrice d’itération de la méthode de Jacobi pour résoudre (S); Ax = b est donc
0 0 2
−1 2
J = D (D − A) = D − A = β 0 0 .
0 4β 0
2. Déterminer les valeurs du paramètre β qui assurent la convergence de chacune des deux méthodes.
Convegence de la méthode de Jacobi: La méthode de Jacobi converge si et seulement
si ρ(J) < 1. Or λ une valeur propre de J si et seulement si
−λ 0 2
0 = −λ3 + 8β 3 = 0.
2
β
−λ
0 4β −λ
4
Ainsi, si λ une valeur propre de J, alors, elle véifie λ3 = 8β 3 et par conséquent
|λ| = 2|β| et donc ρ(J) = 2|β|. La méthode de Jacobi converge donc si et seulement si
|β| < 21 12.
Convegence de la méthode de Gauss-Seidel Il est clair que la seule valeur propre
de la matrice d’itération L1 qui est triangulaire dans ce cas est 8β 3 |. Par
conséquent ρ(L1 ) = 8|β|3 et la méthode de Gauss-Seidel converge pour résoudre (S) si
et seulement si |β| < 21 12.
3. Quelle est la relation entre ρ(J) et ρ(L1 ) ?
Pour toutes les valeurs de β où les deux méthodes convergent, quelle est alors la méthode la plus
rapide ?
Clairement, ρ(L1 ) = 8|β|3 = ρ(J)3 . Par conséquent, pour |β| < 21 , les deux méthodes de
Jacobi et de Gauss-Seidel convergent toutes les deux pour résoudre le système Ax = b,
de plus, comme ρ(L1 ) = ρ(J)3 < ρ(J), la méthode de Gauss-Seidel est donc plus rapide.
4. On considère la méthode itérative
où I est la matrice unité d’ordre 3, E est la partie triangulaire inférieure de −A (sans la diagonale)
et F est la partie triangulaire supérieure de −A (sans la diagonale), vérifiant donc A = I − E − F .
(a) Montrer que si la méthode (1) converge, elle converge vers la solution unique du système
Ax = b.
Si x = lim x(k) , alors, le passage à la limite donne (I − F )x = Ex + b, où encore
k→+∞
(I − E − F )x = b. x est bien solution de Ax = b, puisque A = I − E − F .
(b) Déterminer pour quelles valeurs du paramètres β, la méthode (1) est convergente.
La matrice d’itération de la méthode (1) est B = (I − F )−1 E. Un calcul
similaire à celui dela méthode de Gauss-Seidel donne d’abord
1 0 2 0 −8β 0
(I − F )−1 = 0 1 0 puis B = −β 2 0 0. Le polyn^ ome caratéristique de
0 0 1 0 −4β 0
B est Pλ (B) = −λ3 − 8λβ 3 . Ainsi, si λ est une valeur propre de B, alors |λ| = 0
√ 3
ou |λ|2 = 8|β|2 . Par suite ρ(B) = 2 2|β| 2 . La méthode (1) converge donc si et
seulement si ρ(J) < 1 ou donc si et seulement si |β| < 12 .
(c) Etudier la convergence de la méthode de relaxation pour résoudre le système Ax = b pour
β = 0 et calculer le paramètre ω ∗ qui donne la convergence la plus rapide.
1 0 −2
Si β = 0, la matrice A = 0 1 0 On rappelle que dans la méthode de
0 0 1
relaxation et pour ω ∈]0, 2[, on prend M = D w
− E et N = 1−ω ω
D + F et la matrice
d’itération est Lω = M −1 N = (D − ωE)−1 ((1 − ω)D + ωF ). Dans ce cas, comme E
est la matrice nulle D − ωE = I donc
1−ω 0 2ω
Lω = 0 1−ω 0
0 0 1−ω
Exercice 6.
Soit à résoudre le système Ax = b, pour b ∈ Rn .
−1
2
−1 2 −1
A=
.. .. .. ∈ Mn (R)
. . .
−1 2 −1
−1 2
5
1. Montrer que la matrice A est symétrique définie positive.
La matice A est symétrique et pour tout vecteur x = (xi )1≤i≤n ∈ Rn ,
(Ax, x) = 2(x21 +x22 +...+x2n )−2(x1 x2 +x2 x3+...xn−1 xn ) = x21 +(x1 −x2 )2 +...+(xn−1 −xn )2 +x2n ≥ 0.
De plus
(Ax, x) = 0 ⇔ x1 = 0, x1 = x2 = ... = xn = 0 ⇔ x = 0.
La matrice A est symétrique définie positive.
2. Etudier la convergence des méthodes de Jacobi et de Gauss-Seidel pour résoudre ce système.
La matrice A est symétrique définie positive, donc la méthode de Gauss-Seildel est
convergente pour résoudre (S), comme A est tridiagonale, donc la méthode de Jacobi
converge aussi pour résoudre (S), de plus la méthode de Gauss-Seidel est plus rapide.
3. Pour résoudre le système équivalent à (S),
ÃX = b̃,
avec ici à = I − E − F .
(a) Mettre la méthode (2) sous la forme
((M T +N )x, x) = ((I−E)(I−F )x, x)+(EF x, x) = ((I−F )x, (I−E)T x)+(F x, E T x) = k(I−F )xk22 +kF xk22 > 0,