Académique Documents
Professionnel Documents
Culture Documents
Author
Prof. Safae ELHAJ-BEN-ALI
safae.elhajbenali@usmba.ac.ma
table of contents
Table de matière
Exemple
Calculer l'intégrale I = 01 e x dx .
R 2
R1
0 e dx ' 1.4627.
2
On trouve que I = x
Denition
Un organigramme est une représentation schématique de toute les
possibilités pour résoudre un problème considéré c-à-d une succession de
calcul et de décision traduisant le processus de résolution.
Exemple
Considérant le système linéaire :
a11 x1 + a12 x2 + a13 x3 = b1 a11 a12 a13 x1 b1
a21 x1 + a22 x2 + a23 x3 = b2 ⇐⇒ a21 a22 a23 x2 = b2
a31 x1 + a32 x2 + a33 x3 = b3 a31 a32 a33 x3 b3
⇐⇒ Ax = b
Denition
Un organigramme est une représentation schématique de toute les
possibilités pour résoudre un problème considéré c-à-d une succession de
calcul et de décision traduisant le processus de résolution.
Exemple
Considérant le système linéaire :
a11 x1 + a12 x2 + a13 x3 = b1 a11 a12 a13 x1 b1
a21 x1 + a22 x2 + a23 x3 = b2 ⇐⇒ a21 a22 a23 x2 = b2
a31 x1 + a32 x2 + a33 x3 = b3 a31 a32 a33 x3 b3
⇐⇒ Ax = b
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Remarque
Un organigramme considère toute les possibilités de calcul puis donne
une représentation du résultat (possibilité de visualiser les résultats
sous forme de tableau, graphe, gure).
Un algorithme peut être utile s'il satisfait un certain nombre de
conditions :
- Rapidité : Réduire au maximum le nombre des opérations menant
au résultat.
- Précision : Négliger toutes les erreurs commise au calcul c-à-d
savoir contenir les eets des erreurs (erreurs de
modélisation, de données, de représentation sur
ordinateur ou de troncature).
- Souple : L'algorithme doit être facilement transposable à des
problèmes diérents.
D'où, l'elaboration d'un algorithme nécessite beaucoup d'eort et présente
de nombreuses dicultés.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
12
Généralités sur l'Analyse Numérique Analyse numérique et ordinateur
Capacité de mémoire :
On considérera un réel comme connu numériquement si on connaît un
certain nombre de chires de son développement décimal et la précision
avec laquelle ce développement approchée est donnée.
Exemple
√
2 = 1.414213 ± 10−6 .
π = 3.14159 ± 10−5 .
Capacité de mémoire :
On considérera un réel comme connu numériquement si on connaît un
certain nombre de chires de son développement décimal et la précision
avec laquelle ce développement approchée est donnée.
Exemple
√
2 = 1.414213 ± 10−6 .
π = 3.14159 ± 10−5 .
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Exemple
Associativité : u= (y +x)−x
y ;v= y +(x−x)
y
Calcul algébrique : ∀y 6= 0 on a u = v = 1.
Informatique : si x = 1 et y = 10−17 on aura u = 0 et v = 1 c-à-d
dans la parenthèse y + x l'ordinateur a négligé la valeur de y d'où
l'ordinateur ne prend pas en considération l'inniment petit.
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Mesure de l'erreur :
Soit x une valeur exacte d'une quantité et xb sa valeur approchée.
On peut envisager plusieurs façons pour mesurer l'erreur entre une valeur
approchée xb et une valeur exacte x .
→ L'erreur absolue :
On appelle erreur absolue de x la quantité abs = ∆x = |x − xb|. Autrement,
c'est la mesure de l'écart entre la valeur exacte et la valeur approchée.
Si x − xb ≤ 0 alors xb est une valeur approchée par excès.
→ L'erreur relative
On appelle erreur relative (Exprimé en pourcentage) de x la quantité
rel = |x| = x ..
∆x x−bx
Remarque
Puisque la valeur de x est inconnu donc on peut jamais calculer de façon
exacte ∆x . En pratique, on cherche à majorer l'erreur absolue ∆x en ∆x c et
estimer l'erreur relative en xb , en général, la majoration de l'erreur absolue
∆x
c
Proposition
1 Le déterminant d'une matrice triangulaire est le produit de ses
éléments diagonaux.
2 Soient A et B deux matrices triangulaires inférieures (resp.
triangulaires supérieures). Alors la matrice AB est aussi triangulaire
inférieure (resp. triangulaire supérieure).
3 A une matrice triangulaire inférieure (resp. triangulaire supérieure),
alors, si A est inversible alors son inverse est triangulaire inférieure
(resp. triangulaire supérieure).
Proposition
1 Le déterminant d'une matrice triangulaire est le produit de ses
éléments diagonaux.
2 Soient A et B deux matrices triangulaires inférieures (resp.
triangulaires supérieures). Alors la matrice AB est aussi triangulaire
inférieure (resp. triangulaire supérieure).
3 A une matrice triangulaire inférieure (resp. triangulaire supérieure),
alors, si A est inversible alors son inverse est triangulaire inférieure
(resp. triangulaire supérieure).
Proposition
1 Le déterminant d'une matrice triangulaire est le produit de ses
éléments diagonaux.
2 Soient A et B deux matrices triangulaires inférieures (resp.
triangulaires supérieures). Alors la matrice AB est aussi triangulaire
inférieure (resp. triangulaire supérieure).
3 A une matrice triangulaire inférieure (resp. triangulaire supérieure),
alors, si A est inversible alors son inverse est triangulaire inférieure
(resp. triangulaire supérieure).
• Normes matricielles :
Denition
Étant donné E un espace vectoriel sur R ou C, on appelle norme sur E
notée k · k, toute application de E à valeur dans R+ et qui vérie :
1 kxk = 0 ⇐⇒ x = 0.
2 kλxk = |λ|kxk, ∀x ∈ E , ∀λ ∈ C.
3 kx + y k ≤ kxk + ky k, ∀x, y ∈ E .
Exemple
n
!1
p
p ≥ 1 (norme de Hölder).
X
x ∈ Cn , kxkp = |xk |p ,
k=1
p = 2 Norme euclidienne, elle correspond à la norme habituellement
utilisée pour la distance entre deux points dans le plan ou l'espace.
p = 1 est donnée par la somme des modules (ou valeurs absolues) des
coecients de x .
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
22
Généralités sur l'Analyse Numérique Norme et conditionnement
• Normes matricielles :
Denition
Étant donné E un espace vectoriel sur R ou C, on appelle norme sur E
notée k · k, toute application de E à valeur dans R+ et qui vérie :
1 kxk = 0 ⇐⇒ x = 0.
2 kλxk = |λ|kxk, ∀x ∈ E , ∀λ ∈ C.
3 kx + y k ≤ kxk + ky k, ∀x, y ∈ E .
Exemple
n
!1
p
p ≥ 1 (norme de Hölder).
X
x ∈ Cn , kxkp = |xk |p ,
k=1
p = 2 Norme euclidienne, elle correspond à la norme habituellement
utilisée pour la distance entre deux points dans le plan ou l'espace.
p = 1 est donnée par la somme des modules (ou valeurs absolues) des
coecients de x .
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
22
Généralités sur l'Analyse Numérique Norme et conditionnement
• Normes matricielles :
Denition
Étant donné E un espace vectoriel sur R ou C, on appelle norme sur E
notée k · k, toute application de E à valeur dans R+ et qui vérie :
1 kxk = 0 ⇐⇒ x = 0.
2 kλxk = |λ|kxk, ∀x ∈ E , ∀λ ∈ C.
3 kx + y k ≤ kxk + ky k, ∀x, y ∈ E .
Exemple
n
!1
p
p ≥ 1 (norme de Hölder).
X
x ∈ Cn , kxkp = |xk |p ,
k=1
p = 2 Norme euclidienne, elle correspond à la norme habituellement
utilisée pour la distance entre deux points dans le plan ou l'espace.
p = 1 est donnée par la somme des modules (ou valeurs absolues) des
coecients de x .
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
22
Généralités sur l'Analyse Numérique Norme et conditionnement
Proposition
Soit A = (aij ) une matrice carrée. Alors
kAxk1
|aij |.
X
kAk1 ≡ sup = max
x6=0 kxk1 j
i
kAxk2 p
= ρ(A∗ A) = ρ(AA∗ ) = kA∗ k2 où ρ(A)
p
kAk2 ≡ sup
x6=0 kxk2
désigne le rayon spectral de A c-à-d ρ(A) = max |λi (A)|.
i
kAxk∞
|aij |.
X
kAk∞ ≡ sup = max
x6=0 kxk∞ i
j
Démonstration.
Exercice.
Exemple
1 −1 0
1 Calculer kAk∞ , kAt k∞ , kAk1 et kAt k1 où A = −1 1 −3 .
1 −1 −1
2 Calculer kAk∞ pour la matrice d'Hilbert suivante
1 12 · · · n1
1 1 · · · n+1
2 3 1
.. .
. .
. .
. . ··· .
1 1 · · · 1
n n+1 2n−1
0 −1 1
3 Soit la matrice symétrique A = −1 1 −1 , calculer la kAk2 .
1 −1 0
1 1
Soit la matrice non symétrique
0 1 , comparer %(A) et kAk2 .
4
Proposition
1 Si A est une matrice carrée d'ordre n de norme k · k (quelconque) alors
ρ(A) ≤ kAk on a l'égalité dans le cas où A est symétrique hermitienne.
2 Étant données une matrice A et > 0, il existe au moins une norme
matricielle induite k · kA, telle que
kAkA, ≤ ρ(A) + .
Denition
On note Ak = AA . . . A} = aijk pour A ∈ Mn (C) et k ∈ N∗ , on écrit
| {z
k fois
Theorème
Pour A une matrice carrée d'ordre n et k ∈ N∗ , les propriétés suivantes
sont équivalentes :
1 lim Ak = 0.
k→+∞
2 lim Ak x = 0, ∀x ∈ Cn .
k→+∞
3 ρ(A) < 1.
4 kAkp < 1 pour au moins un p ∈ {1, 2, ..., ∞}.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
27
Généralités sur l'Analyse Numérique Norme et conditionnement
Denition
On note Ak = AA . . . A} = aijk pour A ∈ Mn (C) et k ∈ N∗ , on écrit
| {z
k fois
Theorème
Pour A une matrice carrée d'ordre n et k ∈ N∗ , les propriétés suivantes
sont équivalentes :
1 lim Ak = 0.
k→+∞
2 lim Ak x = 0, ∀x ∈ Cn .
k→+∞
3 ρ(A) < 1.
4 kAkp < 1 pour au moins un p ∈ {1, 2, ..., ∞}.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
27
Généralités sur l'Analyse Numérique Norme et conditionnement
Denition
On note Ak = AA . . . A} = aijk pour A ∈ Mn (C) et k ∈ N∗ , on écrit
| {z
k fois
Theorème
Pour A une matrice carrée d'ordre n et k ∈ N∗ , les propriétés suivantes
sont équivalentes :
1 lim Ak = 0.
k→+∞
2 lim Ak x = 0, ∀x ∈ Cn .
k→+∞
3 ρ(A) < 1.
4 kAkp < 1 pour au moins un p ∈ {1, 2, ..., ∞}.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
27
Généralités sur l'Analyse Numérique Norme et conditionnement
Démonstration.
(1) =⇒ (2) On a kAk xk ≤ kAk kkxk, ∀ la norme et le résultat se déduit.
(2) =⇒ (3) Supposons que ρ(A) ≥ 1, |λ| = ρ(A)
∃x ∈ Cn , x 6= 0 tel que Ax = λx =⇒ Ak x = λk x
Ak x −→ 0 =⇒ λk x −→ 0
k→+∞ k→+∞
absurde car λk ≥ 1.
(3) =⇒ (4) Soit = 1−ρ(A)
2 On sait qu'il existe au moins une norme
matricielle telle que
kAkp ≤ ρ(A) + < 1.
Theorème
Si A ∈ Mn (C) tel que ρ(A) < 1 alors In − A est inversible et
k
(In − A)−1 = lim
X
Ai .
k→+∞
i=0
Démonstration.
On a
ρ(A) < 1, ∀λ ∈ sp(A), alors (1 − λ) ∈ sp(I − A) =⇒ |λ| ≤ ρ(A) <
1 =⇒ 1 − λ 6= 0 =⇒ 0 6∈ sp(I − A) =⇒ (I − A) est inversible.
De plus (I − A)(I + A + . . . Ak ) = I − Ak+1 ,
=⇒ I + A + . . . Ak = (I − A)−1 − (I − A)−1 Ak+1 ,
k
Ai = (I − A)−1 , car Ak x −→ 0.
X
=⇒ lim
k→+∞ k→+∞
i=0
Theorème
Si A ∈ Mn (C) tel que ρ(A) < 1 alors In − A est inversible et
k
(In − A)−1 = lim
X
Ai .
k→+∞
i=0
Démonstration.
On a
ρ(A) < 1, ∀λ ∈ sp(A), alors (1 − λ) ∈ sp(I − A) =⇒ |λ| ≤ ρ(A) <
1 =⇒ 1 − λ 6= 0 =⇒ 0 6∈ sp(I − A) =⇒ (I − A) est inversible.
De plus (I − A)(I + A + . . . Ak ) = I − Ak+1 ,
=⇒ I + A + . . . Ak = (I − A)−1 − (I − A)−1 Ak+1 ,
k
Ai = (I − A)−1 , car Ak x −→ 0.
X
=⇒ lim
k→+∞ k→+∞
i=0
Theorème
Si A ∈ Mn (C) tel que ρ(A) < 1 alors In − A est inversible et
k
(In − A)−1 = lim
X
Ai .
k→+∞
i=0
Démonstration.
On a
ρ(A) < 1, ∀λ ∈ sp(A), alors (1 − λ) ∈ sp(I − A) =⇒ |λ| ≤ ρ(A) <
1 =⇒ 1 − λ 6= 0 =⇒ 0 6∈ sp(I − A) =⇒ (I − A) est inversible.
De plus (I − A)(I + A + . . . Ak ) = I − Ak+1 ,
=⇒ I + A + . . . Ak = (I − A)−1 − (I − A)−1 Ak+1 ,
k
Ai = (I − A)−1 , car Ak x −→ 0.
X
=⇒ lim
k→+∞ k→+∞
i=0
Autrement dit, une erreur relative de l'ordre de 300 1 sur les données (ici les
composantes du second membre) entraîne une erreur relative de 8.1736 sur
le résultat, soit une multiplication de l'erreur relative par 2452.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
31
Généralités sur l'Analyse Numérique Conditionnement de matrices
22
Démonstration.
Laissé en exercice.
Démonstration.
Laissé en exercice.
Démonstration.
Laissé en exercice.
kδxk kδAk
≤ K(A) .
kx + δxk kAk
Démonstration.
Laissé en exercice.
Démonstration.
1 Trivial.
2 On a AA−1 = I =⇒ kI k ≤ kAkkA−1 k, pour la norme induite
kI k = sup kIxk on a kI k = 1 =⇒ K(A) ≥ 1.
kxk=1
K(A) = 1
Safae ELHAJ-BEN-ALI ⇐⇒ µ =µ
Cours
( d'analyse ⇐⇒
numérique
Université ∀i, µ = µ ⇐⇒
Sidi Mohamed Ben Abdellah, Fès A = µUV
safae.elhaj
37
Généralités sur l'Analyse Numérique Conditionnement de matrices
Remarque
1 Une matrice est bien conditionnée si K(A) est très proche de 1.
2 Une matrice unitaire est bien conditionnée.
3 Une matrice qui a un spectre large est mal conditionnée (K(A) >> 1).
Remarque
Si on change de norme matricielle, il existe des constantes K1 et K2
positives telles que
∀A ∈ Mn (R), K1 condk·k (A) ≤ condk·k0 (A) ≤ K2 condk·k (A).
Table de matière
i=1
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
46
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
i=1
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
46
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
i=1
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
46
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
i=1
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
46
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
La méthode de Gauss
La méthode de Gauss
La méthode de Gauss
La méthode de Gauss
. . . . .
. . . . .
. . . . .
L(n1) ← Ln − L1 ∗ aa11n1
an1 x1 + an2 x2 + ···+ ann xn = bn
donne
a11 x1 +a12 x2 + ···+ a1n xn = b1
(1 ) (1 ) (1)
0 ···+
+a22 x2 + a2n xn = b2
... . . . .
. . . .
. . . .
(1 ) (1 ) (1)
0 +ak 2 x2 + ···+ akn xn = bk
. . . . .
. . . . .
. . . . .
(1 ) (1 ) (1)
0 +an2 x2 + ···+ ann xn = bn
(1)
avec ∀j, k = 2, ..., n akj = akj − a1j ∗ ak 1
a11 et bk(1) = bk − b1 ∗ aak111 .
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
49
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
. . . . .
. . . . .
. . . . .
L(n1) ← Ln − L1 ∗ aa11n1
an1 x1 + an2 x2 + ···+ ann xn = bn
donne
a11 x1 +a12 x2 + ···+ a1n xn = b1
(1 ) (1 ) (1)
0 ···+
+a22 x2 + a2n xn = b2
... . . . .
. . . .
. . . .
(1 ) (1 ) (1)
0 +ak 2 x2 + ···+ akn xn = bk
. . . . .
. . . . .
. . . . .
(1 ) (1 ) (1)
0 +an2 x2 + ···+ ann xn = bn
(1)
avec ∀j, k = 2, ..., n akj = akj − a1j ∗ ak 1
a11 et bk(1) = bk − b1 ∗ aak111 .
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
49
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
.
.
.
(k)
Ln ← Ln − Lk ∗ aan(k)1
kk
.
.
.
(k)
Ln ← Ln − Lk ∗ aan(k)1
kk
.
.
.
(k)
Ln ← Ln − Lk ∗ aan(k)1
kk
.
.
.
(k)
Ln ← Ln − Lk ∗ aan(k)1
kk
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
Soit le système linéaire
x + 2x2 + 3x3 + 4x4 =1
1
2x1 + 3x2 + 4x3 + x4 =2
,
3x1 + 4x2 + x3 + 2x4 =3
4x1 + x2 + 2x3 + 3x4 =4
Donc x4 = 0, x3 = 0, x2 = 0, x1 = 1,
Exemple
0 0 1
1 2 3
pour n = 3, i = 1 et j = 3 on a σ =
3 2 1 et Pσ = 0 1 0 .
1 0 0
Exemple
0 0 1
1 2 3
pour n = 3, i = 1 et j = 3 on a σ =
3 2 1 et Pσ = 0 1 0 .
1 0 0
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
. Choix du pivot
Si un pivot est très petit, sans pour autant être nul, le procédé d'élimination
ne s'arrête pas, mais le résultat peut être entaché d'erreurs considérables,
comme on va le voir dans l'exemple ci-dessous. Soit un petit nombre réel
et considérons le système de deux équations à deux inconnues
x + y = 1
x +y =2
Par élimination sans recherche de pivot, nous obtenons le système
équivalent suivant
=1
x + y
1 − y = 2 − 1
1
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
x + y = 1
Le même procédé d'élimination que précédemment conduit au système
équivalent suivant
=2
x +y
(1 − )y = 1 − 2
qui devient,
x +y =2
y =1
La solution, tout à fait acceptable cette fois-ci, est x = 1 et y = 1.
Remarque
Comptant le nombre d'opération nécessaire dans la méthode de Gauss, au
3 2
total l'algorithme nécessite 2n +66n −2n . Ainsi, pour n très grand
l'algorithme devient instable et donne des résultats erronés.
Exemple
pour n = 50 on a 44150 opérations à faire.
Si on utilise le même l'Intel Core i7-3770, il faudrait donc
44150
2×1011 secondes, soit 2.21 × 10−8 secondes.
Remarque
Comptant le nombre d'opération nécessaire dans la méthode de Gauss, au
3 2
total l'algorithme nécessite 2n +66n −2n . Ainsi, pour n très grand
l'algorithme devient instable et donne des résultats erronés.
Exemple
pour n = 50 on a 44150 opérations à faire.
Si on utilise le même l'Intel Core i7-3770, il faudrait donc
44150
2×1011 secondes, soit 2.21 × 10−8 secondes.
La méthode de factorisation LU
La méthode de factorisation LU
La méthode de factorisation LU
Theorème (Décomposition LU de A)
Soit A = (aij ) une matrice carrée d'ordre n telle que les mineurs principaux
dominants soient non nuls. Alors il existe une matrice triangulaire inférieure
L dont les coecients diagonaux sont égaux à 1 et une matrice triangulaire
supérieure U telles que A = LU . De plus, une telle décomposition est
unique.
1 0 0 0
a11 a12 a13 a14 u11 u12 u13 u14
a21
A=
a22 a23 a24
= l21
1 0 0
0
u22 u23 u24
1 0 0 0
a31 a32 a33 a34 l31 l32 u33 u34
a41 a42 a43 a44 l41 l42 l43 1 0 0 0 u44
| {z }| {z }
L U
Theorème (Décomposition LU de A)
Soit A = (aij ) une matrice carrée d'ordre n telle que les mineurs principaux
dominants soient non nuls. Alors il existe une matrice triangulaire inférieure
L dont les coecients diagonaux sont égaux à 1 et une matrice triangulaire
supérieure U telles que A = LU . De plus, une telle décomposition est
unique.
1 0 0 0
a11 a12 a13 a14 u11 u12 u13 u14
a21
A=
a22 a23 a24
= l21
1 0 0
0
u22 u23 u24
1 0 0 0
a31 a32 a33 a34 l31 l32 u33 u34
a41 a42 a43 a44 l41 l42 l43 1 0 0 0 u44
| {z }| {z }
L U
Algorithme
Résolution : Résoudre le système linéaire revient maintenant à résoudre successivement
matrice triangulaire inférieure L sont donné par lij = aij pour i = 1, ..., n
etj = 1, ..., i et lii = 1 pour tout i = 1, ..., n, donc l'algorithme s'écrit
y1 ← b1
for i = 2 to n do
si ← 0
for j = 1 to i − 1 do
si ← si + aij yj
end for
yi ← bi − si
end for
2 le système triangulaire supérieur Ux = y : les éléments non nuls de la
Remarque
Comptant le nombre d'opération nécessaire dans la factorisation LU , au
3 2
total l'algorithme nécessite 2n +36n +n .
Remarque
Une fois que la décomposition est faite, la résolution de Ax = b se fait en
résolvant d'abord Ly = b, puis Ux = y par descente remontée. Cela
permet de traiter facilement les problèmes où plusieurs seconds membres
successifs avec la même matrice A apparaissent. Il faut alors calculer et
1)
stocker L et U . Remarquons que le stockage de U nécessite n(n+ 2 entrées,
n(n−1)
tandis que celui de L en demande 2 car il est inutile de stocker les
éléments diagonaux.
Remarque
Comptant le nombre d'opération nécessaire dans la factorisation LU , au
3 2
total l'algorithme nécessite 2n +36n +n .
Remarque
Une fois que la décomposition est faite, la résolution de Ax = b se fait en
résolvant d'abord Ly = b, puis Ux = y par descente remontée. Cela
permet de traiter facilement les problèmes où plusieurs seconds membres
successifs avec la même matrice A apparaissent. Il faut alors calculer et
1)
stocker L et U . Remarquons que le stockage de U nécessite n(n+ 2 entrées,
n(n−1)
tandis que celui de L en demande 2 car il est inutile de stocker les
éléments diagonaux.
. Décomposition PA = LU
. Décomposition PA = LU
. Décomposition PA = LU
. Décomposition PA = LU
. Décomposition PA = LU
Proposition
n
Y
det(A) = det(L) det(U) = ukk
k=1
Le calcul explicite de l'inverse d'une matrice peut être eectué en
utilisant la factorisation LU comme suit. En notant X l'inverse d'une
matrice régulière A, les vecteurs colonnes de X sont les solutions des
systèmes linéaires
Axi = ei , pour i = 1, ..., n.
Exercice
Soit les systèmes linéaires
1 2 3 4 1 1 2 3 4 10
x1 x1
2 3 4 1
x2 = 2
2 3 4 x2 = 10
1
3 4 1 2 x3 3 et
3 4 1 2 x3 10
4 1 2 3 x4 4 4 1 2 3 x4 10
Méthode de Cholesky
Méthode de Cholesky
Denition
Une matrice A, n × n est dénie positive et on note A 0 si chacun des
mineurs principaux dominants de A est > 0.
Exemple
a11 a12 a13
Soit A = a12 a22 a23 , alors
a13 a23 a33
a11 a12 a13
a11 > 0, 11 12
a a
A0 > 0 et > 0.
⇐⇒ a12 a22 a23
a12 a22
a13 a23 a33
Denition
Une matrice A, n × n est dénie positive et on note A 0 si chacun des
mineurs principaux dominants de A est > 0.
Exemple
a11 a12 a13
Soit A = a12 a22 a23 , alors
a13 a23 a33
a11 a12 a13
a11 > 0, 11 12
a a
A0 > 0 et > 0.
⇐⇒ a12 a22 a23
a12 a22
a13 a23 a33
Theorème
Soit A une matrice réelle symétrique dénie positive. Il existe une unique
matrice réelle B triangulaire inférieure, telle que tous ses éléments
diagonaux soient positifs et qui vérie : A = BB t .
Exemple
Pour comprendre voici un exemple dans le cas n = 2.
le principe
a b
On prend A = , alors puisque A 0 on a a > 0. On eectue la
b c
décomposition LU de A et on obtient
1 0
a b
A = LU = .
a 1
2
b
0 c − ba
En extrayant la diagonale de U , on obtient :
1 0 0 1 ba
a
A = LU = .
a 1 0 1
b2
b
0 c− a
Safae ELHAJ-BEN-ALI √
Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès
! safae.elhaj
69
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
Theorème
Soit A une matrice réelle symétrique dénie positive. Il existe une unique
matrice réelle B triangulaire inférieure, telle que tous ses éléments
diagonaux soient positifs et qui vérie : A = BB t .
Exemple
Pour comprendre voici un exemple dans le cas n = 2.
le principe
a b
On prend A = , alors puisque A 0 on a a > 0. On eectue la
b c
décomposition LU de A et on obtient
1 0
a b
A = LU = .
a 1
2
b
0 c − ba
En extrayant la diagonale de U , on obtient :
1 0 0 1 ba
a
A = LU = .
a 1 0 1
b2
b
0 c− a
Safae ELHAJ-BEN-ALI √
Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès
! safae.elhaj
69
Méthodes de résolution des systèmes Ax = b Méthodes directes de résolution de Ax = b
Algorithme
for j = 1 to n do
for k = 1 to j − 1 do
2
ajj ← ajj − ajk
end for√
ajj ← ajj
for i = j + 1 to n do
for k = 1 to j − 1 do
aij ← aij − aik ajk
end fora
ij
aij ← ajj
end for
end for
Exemple
1 1 1 1
Soit A =
1 5 5 5 , Eectuer la factorisation de Cholesky de la
1 5 14 14
1 5 14 15
matrice A.
Remarque
3
Pour résoudre un système linéaire par cette méthode, il faut environ n6
2
additions et multiplications, n2 divisions et n extractions de racines carrées.
Exemple
pour n = 50 on a 22133 opérations à faire.
Si on utilise le même l'Intel Core i7-3770, il faudrait donc
22133
2×1011 secondes, soit 1.11 × 10−8 secondes.
Remarque
3
Pour résoudre un système linéaire par cette méthode, il faut environ n6
2
additions et multiplications, n2 divisions et n extractions de racines carrées.
Exemple
pour n = 50 on a 22133 opérations à faire.
Si on utilise le même l'Intel Core i7-3770, il faudrait donc
22133
2×1011 secondes, soit 1.11 × 10−8 secondes.
Principe général
x0 donné
xk+1 = Bxk + b.
(1)
Principe général
x0 donné
xk+1 = Bxk + b.
(1)
Principe général
x0 donné
xk+1 = Bxk + b.
(1)
Principe général
x0 donné
xk+1 = Bxk + b.
(1)
Principe général
x0 donné
xk+1 = Bxk + b.
(1)
Denition
Le système itératif (1) est convergent si
lim xk = x, ∀x0 .
k→+∞
Remarque
Posons k = xk − x , pour k = 0, 1, ...
comme x = Bx + b et xk+1 = Bxk + b on a
k = Bxk−1 − Bx = Bk−1 = · · · = B k 0 .
lim xk = x ⇐⇒ lim k = 0 ⇐⇒ lim B k 0 = 0.
k→+∞ k→+∞ k→+∞
Donc le système itératif (1) est convergent si lim B k v = 0, ∀v
k→+∞
ce qui équivaut à lim kB v k = 0, ∀v pour toute norme vectorielle k · k.
k
k→+∞
Denition
Le système itératif (1) est convergent si
lim xk = x, ∀x0 .
k→+∞
Remarque
Posons k = xk − x , pour k = 0, 1, ...
comme x = Bx + b et xk+1 = Bxk + b on a
k = Bxk−1 − Bx = Bk−1 = · · · = B k 0 .
lim xk = x ⇐⇒ lim k = 0 ⇐⇒ lim B k 0 = 0.
k→+∞ k→+∞ k→+∞
Donc le système itératif (1) est convergent si lim B k v = 0, ∀v
k→+∞
ce qui équivaut à lim kB v k = 0, ∀v pour toute norme vectorielle k · k.
k
k→+∞
Theorème
Les trois conditions suivantes sont équivalentes
1 Le système itérative (1) converge.
2 ρ(B) < 1.
3 On peut trouver une norme matricielle k · k telle que kBk < 1.
Démonstration.
La preuve du théorème se déduit du théorème 3 du chapitre 1.
Theorème
Les trois conditions suivantes sont équivalentes
1 Le système itérative (1) converge.
2 ρ(B) < 1.
3 On peut trouver une norme matricielle k · k telle que kBk < 1.
Démonstration.
La preuve du théorème se déduit du théorème 3 du chapitre 1.
Theorème
Les trois conditions suivantes sont équivalentes
1 Le système itérative (1) converge.
2 ρ(B) < 1.
3 On peut trouver une norme matricielle k · k telle que kBk < 1.
Démonstration.
La preuve du théorème se déduit du théorème 3 du chapitre 1.
Theorème
Les trois conditions suivantes sont équivalentes
1 Le système itérative (1) converge.
2 ρ(B) < 1.
3 On peut trouver une norme matricielle k · k telle que kBk < 1.
Démonstration.
La preuve du théorème se déduit du théorème 3 du chapitre 1.
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b.
x0 donné
Mxk+1 = Nxk + b.
(2)
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b.
x0 donné
Mxk+1 = Nxk + b.
(2)
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b.
x0 donné
Mxk+1 = Nxk + b.
(2)
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b.
x0 donné
Mxk+1 = Nxk + b.
(2)
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b.
x0 donné
Mxk+1 = Nxk + b.
(2)
Exemple
Considérons la matrice
2 −1 1
A= 2 2 2 (3)
−1 −1 2
Exemple
Considérons la matrice
2 −1 1
A= 2 2 2 (3)
−1 −1 2
→ La méthode de JACOBI
Dx (k+1) = (E + F )x (k) + b.
(4)
→ La méthode de JACOBI
Dx (k+1) = (E + F )x (k) + b.
(4)
→ La méthode de JACOBI
Dx (k+1) = (E + F )x (k) + b.
(4)
Dans (6) on voit que, pour calculer x (k+1) , on se sert uniquement des
valeurs x (k) calculées à l'itération précédente. Par exemple, pour calculer
(k+1)
xj , on utilise x1(k) , ..., xn(k) . Cependant, si on suppose que le processus
est convergent, lorsque l'on calcule xj(k) , on a déjà à sa disposition des
valeurs approchées plus précises de x̄1 , ..., x̄j−1 , à savoir x1(k) , ..., xj−
(k)
1.
L'idée de la méthode de Gauss-Seidel est donc d'utiliser à l'itération k
toutes les nouvelles valeurs qui ont déjà été calculées à l'itération k .
Dans (6) on voit que, pour calculer x (k+1) , on se sert uniquement des
valeurs x (k) calculées à l'itération précédente. Par exemple, pour calculer
(k+1)
xj , on utilise x1(k) , ..., xn(k) . Cependant, si on suppose que le processus
est convergent, lorsque l'on calcule xj(k) , on a déjà à sa disposition des
valeurs approchées plus précises de x̄1 , ..., x̄j−1 , à savoir x1(k) , ..., xj−
(k)
1.
L'idée de la méthode de Gauss-Seidel est donc d'utiliser à l'itération k
toutes les nouvelles valeurs qui ont déjà été calculées à l'itération k .
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de Gauss-Seidel
La méthode de Gauss-Seidel correspond à la décomposition
M =D −E (triangulaire inférieure) et N = F .
L'algorithme s'écrit alors
x0 donné
(D − E )xk+1 = Fxk + b.
(7)
Gauss-Seidel. Autrement dit, pour k ≥ 1 on calcule les composantes de l'itérée x (k+1) à partir
i−1
(k+1) 1 X (k+1)
n
X (k)
xi = − (aij xj )− (aij xj ) + bi .
aii j=1 j=i+1
la mise en oeuvre de l'algorithme de Gauss-Seidel est en réalité plus simple. A chaque itération,
il n'est, en eet, pas nécessaire de sauvegarder les itérées précédents. Chaque nouvelle valeur
calculée est automatiquement réutilisée pour les calculs suivants.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
85
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ La méthode de relaxation
On peut, dans certains cas, améliorer la convergence de l'algorithme de Gauss-Seidel en
introduisant un paramètre que l'on pourra modier en fonction de la matrice A de départ. Pour
ce faire, on introduit un facteur 0 < ω < 2. La méthode de relaxation est une méthode entre la
méthode de Jacobi et celle de Gauss-Seidel et correspond à la décomposition suivante, Pour
ω 6= 0, en posant
1 1−ω
M= D − E, N= D + F,
ω ω
la matrice de la méthode est
−1
1 1
Lω = D −E F+ −1 D .
ω ω
Il faut encore résoudre à chaque étape un système triangulaire inférieur où la matrice Lω n'est
pas plus compliquée que L1 . Si
ω = 1, on retrouve la méthode de Gauss-Seidel.
ω > 1, la méthode est dite de sur -relaxation.
ω < 1, la méthode est dite de sous -relaxation.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
86
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
→ Résultat général
Theorème
Soit A une matrice symétrique dénie positive. On suppose que
A = M − N, avec M inversible.
→ Résultat général
Theorème
Soit A une matrice symétrique dénie positive. On suppose que
A = M − N, avec M inversible.
→ Résultat général
Theorème
Soit A une matrice symétrique dénie positive. On suppose que
A = M − N, avec M inversible.
Démonstration.
Mt + N est symétrique :
M t + N = At + N t + N = A + N t + N = M + N t .
kv − w k2 = (v − w )t A(v − w ) = 1 − w t M t w − w t Mw + w t Aw
= 1 − w t (M t + M − A)w
= 1 − w t (M t + N)w
Démonstration.
Mt + N est symétrique :
M t + N = At + N t + N = A + N t + N = M + N t .
kv − w k2 = (v − w )t A(v − w ) = 1 − w t M t w − w t Mw + w t Aw
= 1 − w t (M t + M − A)w
= 1 − w t (M t + N)w
Proposition
On considère le système Ax = b. Si A est à diagonale strictement
dominante, c'est-à-dire si X
|aij | < |aii |
i6=j
pour tout i = 1, ..., n, alors la méthode de Jacobi converge pour tout point
de départ x (0) .
Proposition
On considère le système Ax = b. Si A est à diagonale strictement
dominante, c'est-à-dire si X
|aij | < |aii |
i6=j
pour tout i = 1, ..., n, alors la méthode de Jacobi converge pour tout point
de départ x (0) .
Theorème
Soit A une matrice symétrique dénie positive.
0 < ω < 2 =⇒ La méthode de relaxation converge.
Démonstration.
1 1−ω
Mt + N = D − Et + D + Ft
ω ω
1 1−ω
= D+ D
ω ω
2−ω
= D
ω
0 < ω < 2 =⇒ 2−ω > 0. =⇒ 2−ω D est dénie positive. Donc d'après le théorème (18) on
ω ω
a la convergence.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
90
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
Theorème
Soit A une matrice symétrique dénie positive.
0 < ω < 2 =⇒ La méthode de relaxation converge.
Démonstration.
1 1−ω
Mt + N = D − Et + D + Ft
ω ω
1 1−ω
= D+ D
ω ω
2−ω
= D
ω
0 < ω < 2 =⇒ 2−ω > 0. =⇒ 2−ω D est dénie positive. Donc d'après le théorème (18) on
ω ω
a la convergence.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
90
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
Theorème
Soit A une matrice symétrique dénie positive.
0 < ω < 2 =⇒ La méthode de relaxation converge.
Démonstration.
1 1−ω
Mt + N = D − Et + D + Ft
ω ω
1 1−ω
= D+ D
ω ω
2−ω
= D
ω
0 < ω < 2 =⇒ 2−ω > 0. =⇒ 2−ω D est dénie positive. Donc d'après le théorème (18) on
ω ω
a la convergence.
Safae ELHAJ-BEN-ALI Cours
( d'analyse numérique
Université Sidi Mohamed Ben Abdellah, Fès safae.elhaj
90
Méthodes de résolution des systèmes Ax = b Méthodes itératives de résolution de Ax = b
Proposition
Soit A une matrice, alors pour tout ω 6= 0, ρ(Lω ) ≥ |ω − 1|.
Démonstration.
Soient (λi )i les valeurs propres de Lω . Alors,
det 1−ω
n
D + F
1 D − E = (1 − ω) .
Y
ω n
λi = det(Lω ) =
i=1
det ω
1
n n
=⇒ ρ(Lω ) ≥ λi = |1 − ω|.
Y
i=1
Proposition
Soit A une matrice, alors pour tout ω 6= 0, ρ(Lω ) ≥ |ω − 1|.
Démonstration.
Soient (λi )i les valeurs propres de Lω . Alors,
det 1−ω
n
D + F
1 D − E = (1 − ω) .
Y
ω n
λi = det(Lω ) =
i=1
det ω
1
n n
=⇒ ρ(Lω ) ≥ λi = |1 − ω|.
Y
i=1
Proposition
Soit A une matrice, alors pour tout ω 6= 0, ρ(Lω ) ≥ |ω − 1|.
Démonstration.
Soient (λi )i les valeurs propres de Lω . Alors,
det 1−ω
n
D + F
1 D − E = (1 − ω) .
Y
ω n
λi = det(Lω ) =
i=1
det ω
1
n n
=⇒ ρ(Lω ) ≥ λi = |1 − ω|.
Y
i=1
Corollaire
Si A est une matrice symétrique dénie positive, alors
0 < ω < 2 ⇐⇒ La méthode de relaxation converge.
Theorème
Soit A une matrice tridiagonale par blocs. Alors
ρ(L1 ) = ρ(J)2 .
Corollaire
Si A est une matrice symétrique dénie positive, alors
0 < ω < 2 ⇐⇒ La méthode de relaxation converge.
Theorème
Soit A une matrice tridiagonale par blocs. Alors
ρ(L1 ) = ρ(J)2 .
Corollaire
Si A est une matrice symétrique dénie positive, alors
0 < ω < 2 ⇐⇒ La méthode de relaxation converge.
Theorème
Soit A une matrice tridiagonale par blocs. Alors
ρ(L1 ) = ρ(J)2 .