E.N.I.T.

Unité Pédagogique de Mathématiques Appliquées

Classes : 1ère année: Tronc commun

Série 2: Corrigé – Analyse Numérique Matricielle AU: 2019-2020

Rédigé par Radhia Bessi

Exercice 1. Soit D = (dij )1≤i,j≤n ∈ Mn (R) une matrice diagonale. Montrer que

kDk1 = kDk∞ = kDk2 = max |dkk |.

1≤k≤n

Soit A ∈ Mn (R) et soient U, V ∈ Mn (R) deux matrices orthogonales. Montrer que

kV AU k2 = kAk2 .

-Soit D = (dij )1≤i,j≤n une matrice diagonale.

n
X
kDk1 = max |dij | = max |djj |.
1≤j≤n 1≤j≤n
i=1

kDk∞ = kDT k1 = kDk1 .

kDk2 = ρ(D), car D est symétrique. Or comme D est diagonale, ses valeurs propres sont
donc ses termes diagonaux et par conséquent

kDk2 = ρ(D) = max |djj | = kDk1 = kDk∞ .

1≤i≤n

- Soit A ∈ Mn (R) et soient U, V ∈ Mn (R) deux matrices orthogonales. On a alors

UUT = V V T = UT U = V T V = I

kV AU k22 = ρ(V AU (V AU )T ) = ρ(V AU U T AT V T ) = ρ(V AAT V T ) = kV Ak22 .

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

la norme matricielle puis l’inégalité traingulaire, on obtient

k(I − B)−1 k ≤ kIk + k(I − B)−1 kkBk.

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

Or kN k∞ = 14 max(1, 2) = 12 < 1, donc I − N est inversible et par conséquent

A = 4(I − N ) est aussi invesible et on a
1 1 kIk∞ 1
kA−1 k∞ = k(I − N )−1 k∞ ≤ ≤ .
4 4 1 − kN k∞ 2
1
Cond∞ (A) = kAk∞ kA−1 k∞ ≤ 6 =3
2
Exercice 3. : Méthode de Jacobi et Gauss-Seidel pour des matrice à diagonale strictement
dominante
Soit A = (aij ) ∈ Mn (C) une matrice à diagonale strictement dominante:
n
X
|aii | > |aij |, i = 1, ..., n.
j=1
j6=i

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

Indication : On pourra choisir x ∈ Cn vecteur propre de A associé à la valeur propre λ et

considérer un indice i tel que |xi | = max |xj |, où xj désigne la j ème composante de x dans la base
1≤j≤n
canonique de Cn .
Soit λ une valeur prope de A et x = (xi )1≤i≤n ∈ Cn , x 6= 0 tel que Ax = λx. Alors,
pour tout i = 1, . . . , n,
Xn
aij xj = λxi .
j=1

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

|xi0 | = max |xi | = kxk∞ .

1≤i≤n

Ainsi
X |xj | X
|λ − ai0 i0 | ≤ |ai0 j | ≤ |ai0 j |.
|xi0 |
j6=i0 j6=i0

2. En déduire que la matrice A est inversible.

Pour montrer que A est inversible, il suffit de montrer que 0 n’est pas une valeur
propre de A (ker(A) = {0}) En effet si 0 est une valeur propore de A, d’après la
question précédente, il existe i ∈ {1, ..., n},
X
|0 − aii | = |aii | ≤ |aij |.
j6=i

Contradiction avec l’hypothèse A est à diagonale strictement dominante.

3. Calculer la matrice de J de la méthode de Jacobi. En déduire que la méthode de Jacobi pour
résoudre (S) est convergente.
Pour la méthode de Jacobi, on a
− aa12 − aa1n
 
0 11
... 11
 − a21 0 ... − aa2n 
 a2 22 
J = . ..

 .

. . 
an1 ann−1
− ann ... − ann 0

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

B = µ(D − E) − F est donc à diagonale strictement doinante.

En déduire que la méthode de Gauss Seidel est convergente.
Soit λ une valeur propre de L1 . Montrons que |λ| < 1. En effet, si |λ| ≥ 1, d’après
ce qui précède, la matrice λ(D − E) − F est à diagonale strictement dominante, donc
inversible, son determinant det(λ(D − E) − F ) 6= 0. Ce qui est impossible d’après la
question (4). Nécessairement, |λ| < 1 pour toute valeur propre de L1 et donc
ρ(L1 ) < 1. La méthode de Gauss-Seidel est convergente pour résoudre le système
Ax = b.

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

Méthode de Gauss -Seidel On se donne x(0) , puis pour k ≥ 0, on calcule x(k+1)

solution de
(I − E)x(k+1) = F x(k) + b
La matrice d’itération de la méthode de Gauss Seidel est
L1 = (I − E)−1 F
Pour calculer la matrice L1 , on commence par calculer (I − E)−1 par la méthode de
Gauss Jordan dont le principe est de faire une suite de transformations élémentaires
sur la matrice à inverser (I − E) pour la ramener à la matrice unité, ces m^
emes
transformations sont faites simultanément dans l’ordre à partir de la matrice unité
   
1 0 0 1 0 0
−β 2 1 0 , 0 1 0
0 −4β  1  0 0 1
1 0 0 1 0 0
L2 ← L2 + β 2 L1 0 1 0 , β 2 1 0
0 −4β 
 1  0 0 1 
1 0 0 1 0 0
L3 ← L3 + 4βL2 0 1 0 ,  β2 1 0
0 0 1 4β 3 4β 1
Ainsi
      
1 0 0 1 0 0 0 0 2 0 0 2
(D−E)−1 =  β2 1 0 et L1 = (D−E)−1 F =  β 2 1 0 0 0 0  = 0 0 2β 2 
4β 3 4β 1 4β 3 4β 1 0 0 0 0 0 8β 3

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

(I − F )x(k+1) = Ex(k) + b, x(0) donné (1)

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 dela 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

La seule valeur propre de la matrice Lω qui est triangulaire ici, est 1 − ω.

Par conséquent ρ(Lω ) = |1 − ω|. La méthode de relaxation converge si et seulement
|1 − ω| < 1 et donc pour ω ∈]0, 2[. Le ω ∗ qui assure la convergence la plus rapide
est tel que ρ(L∗ω ) = minω∈]0,2[ ρ(Lω ) = minω∈]0,2[ |1 − ω| = 0 et ω ∗ = 1.

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,

pour à = 21 A et b̃ = 21 b, on considère la méthode itérative suivante:



 X (0) donné dans Rn
1
(I − E)X (k+ 2 ) = F X (k) + b̃, k ≥ 0 (2)
 (I − F )X (k+1) = EX (k+ 12 ) + b̃, k ≥ 0


avec ici à = I − E − F .
(a) Mettre la méthode (2) sous la forme

X (k+1) = BX (k) + c, k ≥ 0, X (0) donné,

B ∈ Mn (R) et c ∈ Rn sont à déterminer.

La méthode (2) s’écrit sous la forme

X (k+1) = BX (k) + c, k ≥ 0, X (0) donné,

pour la matrice d’itération B = (I − F )−1 E(I − E)−1 F .

(b) Si on pose M = (I − E)(I − F ) et N = EF , montrer que la matrice M T + N est définie
positive. En déduire que la méthode itérative
(2) est convergente.
La matrice M = (I − E)(I − F ) et N = EF M T + N est symétrique et ∀x ∈ Rn ,
x 6= 0,

((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,

car (I − F ) est inversible.

On a M − N = A, avec A symétrique définie positive et M T + N est symétrique
définie positive, donc ρ(M −1 N ) < 1. Or M −1 N = (I − F )−1 (I − E)−1 EF . Comme
(I − E)E = E(I − E) = E − E 2 , donc (I − E)−1 E = E(I − E)−1 . Ainsi
M −1 N = (I − F )−1 E(I − E)−1 F = B. La matrice d’itération de la méthode
itérative B est telle que ρ(B) < 1, la méthode (2) est donc convergente pour
résoudre (S̃).