ENSEM 1A-ISN Analyse Numérique

Travaux Dirigés d’Analyse Numérique

TD 07 : Résolution des systèmes linéaires

Généralités
Exercice 1. Normes vectorielles
Sur Rn (n ∈ N∗ ), on définit les normes
n n
! 12
X X
2
kxk1 = |xk | (norme 1), kxk2 = |xk | (norme 2), kxk∞ = max |xk | (norme infinie)
k∈J1,nK
k=1 k=1

De manière générale, étant donné p ∈ N∗ , on définit la norme p d’un vecteur de Rn par

n
! p1
X
kxkp = |xk |p .
k=1
n
Montrer que pour tout vecteur x ∈ R on a :
lim kxkp = kxk∞
p→+∞

ce qui justifie le terme ”norme infinie”.

Exercice 2. Normes matricielles
On se place dans l’espace vectoriel des matrices à coefficients réels (matrices carrées ou rectangulaires)
1. À partir des normes vectorielles 1 et infinie, on définit les normes matricielles subordonnées 1 et infinie par
kAxk1 kAxk∞
kAk1 = sup , kAk∞ = sup .
x ∈ Cn kxk1 x ∈ Cn kxk∞
x 6= 0 x 6= 0

Montrer que X X
kAk1 = max |ai,j |, kAk∞ = max |ai,j |,
j i
i j

2. Application : calculer la norme infinie (et/ou 1 !) de la matrice A suivante ainsi que celle de son inverse
   
10 7 8 7 25 −41 10 −6
 7 5 6 5  −1
 −41 68 −17 10 
A=  8 6 10 9  A =  10 −17
  
5 −3 
7 5 9 10 −6 10 −3 2
Exercice 3. conditionnement d’une matrice
On reprend la matrice A de l’exercice précédent.
1. Résoudre les systèmes linéaires
Ax = b, et A(x + δx) = b + δb
avec    
32 32, 1
 23   22, 9 
b= 
 33  et b + δb =  
 33, 1 
31 30, 9

1
ENSEM 1A-ISN Analyse Numérique

kδxk∞ kδbk∞
2. Comparer les erreurs relatives kxk∞ et kbk∞ .

3. Que peut-on dire du conditionnement de la matrice A ? À l’aide de l’exercice précédent donner le condi-
tionnement en norme infinie de la matrice A.
Exercice 4. Matrice strictement diagonalement dominante
Soit A = (ai,j ) une matrice carrée d’ordre n.
1. Montrer que  
n 
[ X 
sp(A) ⊂ z ∈ C; |z − ai,i | ≤ |ai,j | .
 
i=1 j6=i

2. Montrer que si la matrice A est strictement diagonalement dominante, c’est-à-dire si

X
|aii | > |aij |, ∀ i ∈ J1, nK,
j6=i

alors elle est inversible.

3. Soit A une matrice strictement diagonalement dominante et soit δ > 0 défini par
X
δ = min{|aii | − |aij |}.
i
j6=i

Montrer que kA−1 k∞ ≤ δ −1 .

Méthodes itératives

Exercice 5.
Rappel, on note J la matrice de Jacobi et L1 la matrice de Gauss-Seidel. Pour chacune des deux matrices suivantes
calculer les rayons spectraux ρ(J) et ρ(L1 ) et en déduire s’il y a convergence de la méthode de Jacobi et de la
méthode de Gauss-Seidel :    
1 2 −2 2 −1 1
A =  1 1 1 , B =  2 2 2 .
2 2 1 −1 −1 2
Exercice 6.
On considère le système linéaire Ax = b où A est une matrice triangulaire inférieure inversible.
1. Montrer que le rayon spectral de la matrice de Jacobi J est nul. La méthode de Jacobi est-elle convergente ?
2. Montrer qu’il existe p ∈ N tel que J p = 0.
3. Soit (xk )k∈ N une suite obtenue avec la méthode de Jacobi. Montrer que le vecteur x, unique solution du
système, vérifie :
xk+1 − x = J(xk − x), ∀k ≥ 0.
4. Montrer que dans ce cas la méthode de Jacobi est directe, c’est-à-dire que la solution est atteinte en un
nombre fini d’itérations.
5. Calculer tous les termes de la suite (xk ) pour le système :
    
1 0 0 x 1
 −2 1 0   y  =  1 
0 −2 1 z 1

avec x0 = [0, 0, 0]T .

2
ENSEM 1A-ISN Analyse Numérique

Exercice 7.
Soit A = (aij ) une matrice d’ordre n strictement diagonalement dominante :
X
|aii | > |aij |, ∀ i ∈ J1, nK.
j6=i

Démontrer que les méthodes de Gauss-Seidel et de Jacobi convergent.

Exercice 8.
Considérons le système linéaire :
1 1 1


 x1 − 4 x3 − 4 x4 = 2
1 1 1
x2 − 4 x3 − 4 x4 =

2
− 1 x1 − 1
4 x2 + x3 = 1
 41 2

 1 1
− 4 x1 − 4 x2 + x4 = 2

1. Sans calculer les rayons spectraux, montrer que les méthodes de Jacobi et Gauss-Seidel convergent.
2. En choisissant x0 = (0, 0, 0, 0)T , calculer les quatre premières itérations des méthodes de Jacobi et de
Gauss-Seidel. Faire la comparaison.

Factorisation LU

Exercice 9. Factorisation LU
1. Déterminer la factorisation LU de la matrice
 
1 2 3 4
 2 5 1 10 
A=
 3

1 35 2 
4 10 2 45

2. Résoudre par un algorithme de descente-remontée le système linéaire

 
−2
 −12 
Ax = b où b =   35 


−49

Exercice 10. Algorithme de la factorisation LU

1. Écrire l’algorithme de la factorisation LU d’une matrice A d’ordre n.
2. Déterminer le nombre d’opérations élémentaires nécessaires pour effectuer la factorisation LU d’une matrice
A d’ordre n.
3. Écrire un algorithme de descente-remontée pour résoudre le système linéaire Ax = b lorsque la factorisation
LU de la matrice A est connue.
4. Déterminer le nombre d’opérations élémentaires nécessaires pour effectuer une descente-remontée.
Exercice 11. Unicité de la factorisation A = LU
Soit A une matrice inversible qui admet une factorisation A = LU , c’est à dire L est triangulaire inférieure avec
des éléments diagonaux tous égaux à 1 et U est une matrice triangulaire supérieure. Démontrer l’unicité de la
factorisation.

3
ENSEM 1A-ISN Analyse Numérique

Factorisation de Choleski

Exercice 12. Factorisation de Choleski

Dans cet exercice, on reprend la matrice A de l’exercice 9 qui est une matrice symétrique définie positive.
1. Déduire directement de la factorisation LU obtenue précédemment, la factorisation de Choleski A = BB T .
2. Effectuer maintenant cette même factorisation de Choleski A = BB T à l’aide de l’algorithme ”classique”.
Exercice 13.
Soit A une matrice carrée d’ordre n, symétrique définie positive. On cherche à résoudre le système A2 x = b.
1. On propose la la méthode suivante pour la résolution de ce système :
• On calcule la matrice C = A2 .
• On effectue ensuite la factorisation de Choleski C = BB T .
• On résout enfin le système linéaire par une méthode de descente remontée.
Calculer le nombre d’opérations élémentaires nécessaires pour réaliser cette méthode.
2. Proposer maintenant une autre méthode nécessitant moins d’opérations élémentaires.