SystèmesLinéaires VF

Systèmes d’équations linéaires
A. RADID
Département de Génie Electrique
Année universitaire 2022-2023
ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 1 / 102

Solution de systèmes linéaires
Beaucoup de problèmes se réduisent à la résolution numérique d’un

système d’équations linéaires. Il existe deux grandes classes de méthodes
pour résoudre ce type de systèmes :
les méthodes directes qui déterminent explicitement la solution après
un nombre …ni d’opérations arithmétiques.
les méthodes itératives qui consistent à générer une suite qui converge
vers la solution du système.

Méthodes de résolution des systèmes linéaires
Méthodes de résolution des systèmes linéaires du type Ax=b

. &
Méthodes directes: Méthodes itératives:
Solutions exactes Solutions approchées
(erreurs d’arrondi!!) (erreurs de troncature!!)
Gauss Jacobi
Factorisation LU Gauss-Seidel
Choleski Gradient Préconditionné
Etc Gradient Conjugué
Etc

Exemple : Réseau électrique
Problème réel : étant donné ce circuit, trouver les courants des

branches.
Loi physique : La seconde loi de Kirchho¤ s’énonce :
Exemple
Soit le système électrique ci-dessous. Le problème consiste à calculer les
courants des branches. Si l’on considère que le montage est composé de
trois mailles, les courants peuvent être calculés par la résolution d’un
système à trois équations. Les trois équations découlent directement de la
deuxième loi de Kirchcho¤.

Exemple
La somme algébrique des di¤érences de potentiel le long d’une maille est
nulle :
R6 i1 + R1 (i1 i2 ) + R3 (i1 i3 ) = V1 Maille I
R3 i2 + R4 (i2 i3 ) + R1 (i2 i1 ) = V2 Maille II
R5 i3 + R4 (i3 i2 ) + R2 (i3 i1 ) = V3 Maille III

Exemple
Modèle :
(R1 + R3 + R6 ) i1 R1 i2 R3 i3 = V1
R1 i1 + (R1 + R3 + R4 ) i2 R4 i3 = V2
R2 i1 R4 i2 + (R2 + R4 + R5 ) i3 = V3
Problème mathématique : étant donné les valeurs
0, Ri , i = 1, . . . , 6, trouver les valeurs i1 , i2 et i2 1 0
V 1 0 1
R1 + R3 + R6 R1 R3 i1 V1
@ R1 R1 + R3 + R4 R4 A @ i2 A = @ V2 A
R2 R4 R2 + R4 + R5 i3 V3

Résolution de systèmes linéaires par des méthodes directes
On se propose de résoudre le système linéaire suivant :

8
>
> a11 x1 + a12 x2 + + a1n xn = b1
<
a21 x1 + a22 x2 + + a2n xn = b2
>
>
:
ap1 x1 + ap2 x2 + + apn xn = bp
où x1 , x2 , . . . , xn sont les inconnues et les scalaires aij sont les coe¢ cients
du système.

Un système d’équations linéaires peut aussi s’écrire sous la forme
matricielle Ax = b avec
0 1 0 1 0 1
a11 a12 . . . a1n x1 b1
B a21 a22 C
. . . a2n C B C B C
B B x2 C B b2 C
A=B . .. .. .. C , x = B .. C et b = B .. C
@ .. . . . A @ . A @ . A
ap1 ap2 . . . apn xn bn
Dans la suite on va considérer que n = p dans ce cas la matrice A est
carré d’ordre n.

Les formules de Cramer
Parmi les méthodes directes pour résoudre ce système est l’utilisation des
formules de Cramer avec la condition que la matrice A soit inversible. La
solution donnée par la formule de Cramer est :
det (Ai )
xi = , i = 1, . . . , n
det (A)
où la matrice Ai est la matrice obtenue en remplaçant la i ème colonne de
A par le vecteur b.
Ces formules nécessitent le calcul de plusieurs déterminants or le nombre
d’opérations nécessaires pour le calcul d’un déterminant pour ce système
est d’ordre n! et ces formules sont en pratique inutilisables lorsque n est
assez grand.
Année universitaire 2022-2023 10 /

ENSEM (Département de Génie Electrique) 102
Systèmes triangulaires
A matrice triangulaire inférieure
Considérons à présent un système linéaire dont la matrice A est inversible

et triangulaire inférieure, c’est à dire de la forme :
8
>
> a11 x1 = b1
>
< a21 x1 + a22 x2 = b2
.. ..
>
> . .
>
:
an1 x1 + an2 x2 + + ann xn = bn
La marice A étant inversible, ses termes diagonaux aii , i = 1, . . . , n, sont
tous non nuls et la résolution du système est alors extrêmement simple :
on calcule x1 par une division, que l’on substitue ensuite dans la deuxième
équation pour obtenir x2 , et ainsi de suite...Cette méthode, dite de
"descente", s’écrit :
b1
x1 = a 11 ! a11 6= 0;
i 1
1
xi = a ii bi ∑ aij xj , aii 6= 0, i = 2, . . . , n,
j =1
n (n 1 )
L’algorithme mis en oeuvre pour cette résolution e¤ectue 2 additions
n (n 1 )
et soustractions, multiplications et n divisions pour calculer la
2
solution, soit un nombre d’opérations global de l’ordre de n2 .
Algorithme de la méthode de descente
x1 = b1 /a11
pour i = 2 à n faire
xi = bi
pour j = 1 à i 1 faire
xi = xi aij xj
…n pour
xi = xi /aii
…n pour

A matrice triangulaire supérieure
Si la matrice A est triangulaire supérieure :

0 10 1 0 1
a11 a12 . . . a1n x1 b1
B .. C B . C B . C
B 0 . C .. C B ..
B CB C=B
C
B .. .. .. CB C
@ . . . A@ A @ A
0 . . . 0 ann xn bn
8 bn
>
< xn = ;
a nn! ann 6= 0
n
1
>
: xi = a ii bi ∑ aij xj , aii 6= 0, 1 i n 1
j =i +1

Ce qui donne, par exemple en MATLAB : (avec a(i,n+1) = b(i),
i=1,. . . ,n, c’est à dire le second membre est placé en colonne
supplémentaire de la matrice A )
% Résolution du système triangulaire supérieur
% ATTENTION les aii sont supposés 6= 0
x(n)= a(n,n+1)/a(n,n);
for i=n-1:-1:1
s= a(i,n+1);
for j =i+1:1:n
s=s-a(i,j)*x(j);
end
x(i)=s/a(i,i);
end
x’ % On écrit le vecteur solution

ou bien
x(n,1)= a(n,n+1)/a(n,n);
for
i=n-1:-1:1
x(i)=(a(i,n+1)-a(i,i+1:n)*x(i+1:n,1))/a(i,i);
end

Exemple
Exemple
On considère le système triangulaire inférieur :
8
< 2x1 = 6
x1 + 5x2 = 2
:
7x1 + 9x2 + 8x3 = 5
En résolvant la premième équation, on obtient x1 = 3, et on a le résultat :

8 6
< x1 = 2 =3
1
x2 = 5 (2 x1 ) = 15
: 1 1 9 71
x3 = 8 (5 7x1 9x2 ) = 8 16 + 5 = 40

Exemple
On considère le système triangulaire supérieur
8
< x1 +2x2 +5x3 = 1
5
(S ) 4x2 16x3 = 2
: 17
17x3 = 8
En résolvant la troisième équation, on trouve x3 = 18 . La deuxième

5
2 +16x 3 1
équation donne alors x2 = 4 = 8 et …nalement la première équation
fournit x1 = 1 2x12 5x3 = 81 .

Algorithme de descente et algorithme de remontée
ALGORITHME DE DESCENTE ALGORITHME DE REMONTEE

Données: A,b. Données: A,b.
Résultat :x solution de A x= b Résultat :x solution de A x= b
pour i= 1 à n pour i= n à 1
s=0 s=0
pour j=1 à i-1 pour j=i+1 à n
s=s+A(i,j)*x(j) s=s+A(i,j)*x(j)
…n j …n j
x(i)=(b(i)-s)/A(i,i) x(i)=(b(i)-s)/A(i,i)
…n …n

1 Ecrire une une fonction MATLAB, function [x] = Descente (A, b), qui
resout un système linéaire triangulaire inférieure Ax = b
2 De même Ecrire la fonction MATLAB, function [x] = Remontee (A,
b), qui resout un système linéaire triangulaire supérieure..

Méthode de Gauss pour la résolution de Ax=b
4 principes fondamentaux « On ne change pas la solution lorsque l’on :

1. permute 2 lignes,
2. permute 2 colonnes,
3. divise par un même terme non nul les éléments d’une ligne,
4. ajoute ou retranche à une ligne un certain nombre de fois une autre
ligne.
Stratégie: Transformer le système linéaire en un système équivalent . . .
facile à résoudre

Méthode de Gauss
Soit A 2 Mn (R) une matrice inversible, et b 2 Rn . On cherche à calculer

x 2 Rn . tel que le principe de la méthode de Gauss est de se ramener, par
des opérations simples (combinaisons linéaires), à un système triangulaire
équivalent, qui sera donc facile à résoudre.
(1 ) (1 )
On pose A(1 ) = aij = A et b (1 ) = bi = b. En
1 i ,j n 1 i n
supposant le premier pivot a11 non nul, notons Li la i-ème ligne du
système.
8
>
> a11 x1 + a12 x2 + + a1n xn = b1 (L1 )
<
a21 x1 + a22 x2 + + a2n xn = b2 (L2 )
>
>
:
an1 x1 + an2 x2 + + ann xn = bn (Ln )
soustrayons à chaque Li la première ligne L1 divisée par a11 et multiplié

par ai 1 :
cette opération annule le coe¢ cient de x1 dans les lignes 2 à n.
8
>
> a11 x1 + a12 x2 + + a1n xn = b1 (L1 )
>
> ( 2 ) ( 2 ) ( 2 )
< 0 + a22 x2 + + a2n xn = b2 L2 L2 aa21 L1
11
>
>
>
> (2 ) (2 ) (2 )
: 0 + an2 x2 + + ann xn = bn Ln Ln a n1
a 11 L1

On note mi 1 = aa11
i1
, pour i = 2, . . . , n. La matrice de ce nouveau système
sera notée par A , et le second membre par b (2 ) .
( 2 )
0 1 0 1
a11 a12 . . . a1n b1
B (2 ) (2 ) C B (2 ) C
B 0 a22 . . . a2n C B b2 C
(2 )
A =B . B .. .. C et b = B
C (2 ) C
. ..
. B .. C
@ . . . A @ . A
(2 ) (2 ) (2 )
0 an2 . . . ann bn
avec (
(2 )
aij = aij mi 1 ai 1 , i, j = 2, . . . , n
(2 )
bi = bi mi 1 b1 , i = 2, . . . , n

On introduit la matrice
0 1
1 0 0
B m21 1 0 0 C
B C
B ..C
M (1 ) =B
B m31 0 1 .C
C
B .. .. .. C
@ . . . 0 A
mn1 0 0 1
On véri…e que A(2 ) = M (1 ) A et b (2 ) = M (1 ) b.

La matrice A(2 ) contient maintenant uniquement des zeros sous la
diagonale dans la première colonne. C’est ce processus que nous allons
continuer : à l’étape k nous avons la matrice A(k ) qui a la forme suivante :
0 1
a11 a1k a1n
B (2 )
0 a22
(2 )
a2k a2n C
(2 )
B C
B .. .. .. C
B . . . C
B C
(k ) B (k ) (k ) C
A =B 0 0 akk akn C
B (k ) (k ) C
B 0 0 ak +1k ak +1n C
B C
B .. .. C
@ . . A
(k ) (k )
0 0 ank ann

(k ) (k )
On peut alors se ramener au cas akk 6= 0 et akk est le kième pivot de
l’élimination de Gauss. Par le même principe qu’à l’étape 1 et en utilisant
(k )
a ik
mik = (k ) pour i > k, on obtient alors A(k +1 ) x = b (k +1 ) avec
a kk
0 1
a11 a1k a1n
B (2 )
0 a22
(2 )
a1k
(2 )
a2n C
B C
B .. .. .. .. .. C
B . . . . . C
B C
(k +1 ) B (k ) (k ) C
A =B 0 0 akk ... akn C
B (k +1 ) (k +1 ) C
B 0 ... 0 0 ak +1k +1 ak +1n C
B C
B .. .. .. .. .. C
@ . . . . . A
(k +1 ) (k +1 )
0 0 0 ank +1 ann
et (
(k +1 ) (k ) (k )
aij = aij mik akj , i, j = k + 1, . . . , n
(k +1 ) (k ) (k )
bi = bi mik bk , i = k + 1, . . . , n

et introduisons la matrice
0 1
1 0 0
B 0 1 0 C
B C
B .. .. .. ..C
B . . . .C
B C
B 0 . . . 0 1 0 C
M (k ) = B
B 0
C
C
B 0 mk +1k 1 C
B 0 0 C
B C
B .. C
@ . A
0 0 mnk 0 0 1

On obtient A(k +1 ) = M (k ) A(k ) et b (k +1 ) = M (k ) b (k ) . La matrice
M (k ) b (k ) . La matrice M (k ) est appelée la matrice de transformation de
Gauss et les mij constituent les multiplicateurs de Gauss.
A l’étape n, on obtient une matrice A(n ) qui est triangulaire supérieure, ce
qui donne un système qu’on peut facilement résoudre. Notons bien que la
solution du premier système Ax = b est la même que du dernier,
A(n ) x = b (n ) avec
A(n ) = M (n 1 ) M (1 ) A
et
b (n ) = M (n 1)
M (1 ) b.
En Matlab, on peut appliquer la méthode de Gauss pour résoudre (S) :
Ax = b en tapant x = Anb (attention, le symbole entre la matrice A et le
vecteur colonne b est « backslash » et non un « slash » !).

Exemple
Exemple
Considérons le système suivant :
8
< x1 +2x2 +5x3 = 1 (L1 )
(S ) 3x1 +2x2 x3 = 1 (L2 )
:
5x2 +3x3 = 1 (L3 )
Le premier pivot de l’élimination de Gauss est donc a11 = 1 non nul et on

(1 ) (1 ) (1 )
a : a11 = 1 et on a m21 = 3, m3,1 = 0. La première étape fournit donc
8
< x1 +2x2 +5x3 = 1 (L1 )
S ( 2 ) 4x2 16x3 = 2 (L2 ) (L2 3L1 )
:
5x2 +3x3 = 1 (L3 )
(2 )
Le second pivot de l’élimination de Gauss est donc a22 = 4 et on a :
(2 )
m3,2 = 54
Exemple
On obtient donc le système :

8
< x1 +2x2 +5x3 = 1 (L1 )
S (3 ) 4x2 16x3 = 2 (L2 )
:
17x3 = 23 (L3 ) L3 + 54 L2
On résout alors ce système triangulaire supérieur par l’algorithme de

9 5 3
remontée pour trouver x1 = 34 ; x2 = 34 ; x3 = 34 .

Exemple
Résoudre
8 le système suivant :
< x + 2y 3z = 5
3x y + z = 8
:
x y +z = 0
Calculer le rang de A, son déterminant et son inverse.
Le système
0 s’écrit sous 1 1 Ax = b avec
la forme matricielle:
0
1 2 3 5
A=@ 3 1 1 A et b = @ 8 A
1 1 1 0
Il a une solution unique si rang (A) = 3.

Exemple
8
< x + 2y 3z = 5 L1
3x y + z = 8 L2
:
x y +z = 0 L3
8
< x + 2y 3z = 5 L1
5y 8z = 7 L2 L2 + 3L1
:
3y +4z = 5 L3 L3 L2
8
< x +2y 3z = 5 L1
5y 8z = 7 L2
: 4 4
8 5z = 5 L3 L3 L2
< x = 5 2y + 3z = 2
y = (7 + 8z ) /5 = 15
5 =3
:
z =1

>>A=[1 2 -3 ; -3 -1 1; 1 -1 1 ];
>>r=rank(A)
r =
3
>>b=[5;-8;0];
>>x=Anb;
x =
2.0000
3.0000
1.0000

La stratégie du choix du pivot
La méthode de Gauss repose sur la formule Li = Li aakkik Lk . Le terme

akk est appelé le pivot. Il faut que ce terme soit di¤érent de zéro.
Également, lorsque ce coe¢ cient est très faible, il peut entrainer
l’apparition de très grandes valeurs et donc de grands risques
d’imprécisions et d’erreurs numériques. Pour cela, a…n d’implémenter cette
méthode on doit suivre une stratégie du choix du pivot consistant à
chercher le plus grand pivot en valeur absolue.
Il existe trois possiblités, a…n de rechercher ce maximum :
1 Rechercher le maximum parmi les lignes suivant le pivot actuel et
ensuite permuter les équations sans changer le système ni sa solution.
Le pivot maximum est dé…ni par max jaik j . Cette méthode est
i =k ,n
appelée stratégie du pivot partiel par colonne.

Exemple : Stratégie du pivot partiel par colonne
Exemple
On considère le système suivant :
0 10 1 0 1
2 3 1 x1 5
@ 4 3 2 A @ x2 A = @ 1 A
1 4 3 x3 4
Le pivot actuel a11 = 2, et max jaik j = 4.

1 i 3
On doit donc permuter entre la ligne 2 et la ligne 1; le système devient
donc : 0 10 1 0 1
4 3 2 x1 1
@ 2 3 1 A @ x2 A = @ 5 A
1 4 3 x3 4

Stratégie du pivot partiel par ligne
2. La seconde méthode consiste à rechercher le maximum parmi les

colonnes c.à d., chercher le plus grand pivot sur la ligne du pivot
actuel. Celui-ci est dé…ni par max jakj j .
k j n
Cette méthode est appelée également stratégie par pivot partiel mais
par ligne. L’inconvénient de cette méthode par rapport à la première,
c’est qu’elle ne conserve pas le système initial. Mais il faut
obligatoirement tenir compte d’un réagencement des solutions
puisque le programme doit mémoriser toute la séquence de
réagencements succéssifs a…n de pouvoir remettre la solution dans le
bon ordre. C’est une méthode plus compliquée que la 1ère.

Stratégie du pivot partiel par ligne
Exemple
0 10 1 0 1
2 3 1 x1 5
@ 4 3 2 A @ x2 A = @ 1 A
1 4 3 x3 4
Le pivot actuel a11 = 2.
Le plus grand pivot est donné par max ja1j j = 3.
1 j n
On doit donc permuter entre la colonne 1 et la colonne 2, le système
devient alors :
0 10 1 0 1
3 2 1 x2 5
@ 3 4 2 A @ x1 A = @ 1 A
4 1 3 x3 4

3. La 3ème méthode consiste à mixer entre les deux autres méthodes et
donc rechercher le maximun dé…ni par max jaij j . La recherche se
k i ,j n
fait donc par lignes et colonnes. C’est la stratégie du pivot total,
cette méthode présente les mêmes inconvénients que la précédente.

Stratégie du pivot total
Exemple
0 10 1 0 1
2 3 1 x1 5
@ 4 3 2 A @ x2 A = @ 1 A Le pivot max=6, on doit donc
1 6 3 x3 2
remettre cette valeur à la place de a11 , pour ceci, on doit faire 2
changement :
changement de la ligne 3 avec la ligne 1
0 10 1 0 1
1 6 3 x1 2
@ 4 3 2 A @ x2 A = @ 1 A
2 3 1 x3 5
et ensuite la colonne 2 avec la colonne 1.

0 10 1 0 1
6 1 3 x2 2
@ 3 4 2 A @ x1 A = @ 1 A
3 2 1 x3 5
Exemple 1
On considère les 2 systèmes suivants :
10 kx + x2 = 0.5
1
( S1 )
x1 + x2 = 1
x1 + x2 = 1
( S2 ) k x + x = 0.5
10 1 2
Les deux systèmes sont équivalents, pour le système (S1 ) nous avons un
pivot a11 = 10 k et pour le système (S2 ) nous avons permuté les lignes et
par conséquent le pivot a11 = 1.

Résolvons le système (S1 ) par la méthode de Gauss :
10 kx + x2 = 0.5 10 k x1 + x2 = 0.5
1
( S1 ) ()
x1 + x2 = 1 1 10k x2 = 1 0.5 10k
En fonction la valeur de k, on obtient les solutions suivantes :
Valeur de k 10 12 14 16
Solution x1 = 0.5 x1 = 0.4999 x1 = 0.4996 x1 = 1.1102
Valeur érronée
x2 = 0.5 x2 = 0.5 x2 = 0.5 x2 = 0.5
Résolvons le système (S2 ) par la méthode de Gauss :
x1 + x2 = 1 x1 + x2 = 1
( S2 )
10 k x + x = 0.5 () 1 10 k x = 0.5 10 k
1 2 2
La solution sera donc :

Valeur de k 10 12 14 16
Solution x1 = 0.5 x1 = 0.5 x1 = 0.5 x1 = 0.5
x2 = 0.5 x2 = 0.5 x2 = 0.5 x2 = 0.5
Exemple 2
Exemple
Soit à résoudre le système :
ex + y = 1
x +y = 2
Par élimination sans recherche de pivot, nous obtenons le système

équivalent
ex + y = 1
1 1e y = 2 1e .
On a donc immédiatement la valeur de y :
1 2e
y= ' 1.
1 e
1 y
Par substitution, on obtient : x = e ' 0.
Exemple
Essayons maintenant l’élimination après avoir échangé les lignes dans le
système :
x +y = 2,
ex + y = 1.
Le même procédé d’élimination que précédemment conduit au système

équivalent suivant
x + y = 2,
(1 e) y = 1 2e,
qui devient, en ‡ottants,
x + y = 2,
y = 1.
La solution, tout à fait acceptable cette fois-ci, est
x = 1 et y = 1.
L’erreur qu’on faisait avec la première élimination venait de ce qu’on
divisait un nombre par le petit pivot e, ce qui ampli…e considérablement les
erreurs.
L’algorithme de décomposition de Gauss avec pivotation par lignes
permute deux lignes de la matrice A(k ) à chaque pas de la décomposition
(k )
a…n que l’élément diagonale akk de la matrice permutée soit maximal (en
valeur absolue).
Précisément, au pas k de la décomposition on trouve l’index r , avec
r k, tel que :
(k ) (k )
ark = max ask
s k
et on échange les lignes r et k entre elles. Le logiciel MATLAB

implémente ce dernier algorithme dans la commande LU

Exercice
Résoudre le système suivant avec la méthode de Gauss :
8
< 5x1 2x2 +x3 = 1
3x1 +2x2 = 3
:
x1 +x2 x3 = 0
Corrigé de l’exercice
Voir TD.

Exercice
Avec Matlab, on peut résoudre tout type de système sous forme
matricielle.
1 Le système linéaire, d’inconnues x, y et z suivant :
8
< 6x + y 5z = 10
2x + 2y +3z = 11
:
4x 9y +7z = 12
s’écrit sous forme matricielle AX = b () X = A 1 b, ou encore,

avec Matlab X = Anb.Résoudre le système linéaire précédent.

Décomposition LU
Décomposition A=LU à partir de l’algorithme de Gauss (sans stratégie de pivot) :
Théorème
A 2 Mn (K) une matrice inversible d’ordre n dont les mineurs principaux
(det 4k (A) 6= 0) sont non nuls. Alors il existe une unique matrice L
triangulaire inférieure (Lower) avec des 1 sur la diagonale, et une unique
matrice U triangulaire supérieure (Lower) telle que :
A = LU.

Décomposition LU
Décomposition A=LU à partir de l’algorithme de Gauss (sans stratégie de pivot) :
Supposons que dans l’élimination de Gauss on n’utilise aucune stratégie de

(k )
pivotage et que tous les pivots akk 6= 0.
Dans la méthode de Gauss, on a trouvé que A(n ) = M (n 1 ) M (1 ) A,
alors
1
A = M (n 1 ) M (1 ) A(n )
Les matrices M (k ) sont triangulaires inférieures (k = 1, . . . , n 1), et par

1
suite M (n 1 ) M (1 ) est aussi triangulaire inférieure.
1
Posons maintenant U = A(n ) et L = M (n 1) M (1 ) , alors A = LU.

Exemple
En reprenant l’exemple
8
< x1 +2x2 +5x3 = 1
(S ) 3x1 +2x2 x3 = 1
:
5x2 +3x3 = 1
on trouve : 0 1 0 1
1 2 5 1 2 5
A(1 ) = A, A(2 ) = @ 0 4 16 A et U = A(3 ) = @ 0 4 16 A
0 5 3 0 0 17
0 1 0 1
1 0 0 1 0 0
L = @ m21 1 0 A=@ 3 1 0 A
5
m31 m32 1 0 4 1
Donc
0 la décomposition
1 0 de A en LU est
10 1
1 2 5 1 0 0 1 2 5
@ 3 2 1 A = @ 3 1 0 A@ 0 4 16 A
5
0 5 3 0 1 0 0 17
| {z } | {z4 }| {z }
A L U
Retour à la résolution de Ax = b
Ax = b =) LUx = b
8 résolution : ble système triangulaire inférieur Ly = b
1ère
>
< y1 = l111 !
i 1
1
>
: yi = lii bi ∑ lij yj
j =1
8 résolution : leynsystème triangulaire supérieur Ux = y

2ère
>
< xn = unn !
n
1
>
: xi = u ii yi ∑ uij xj
j =i +1
On véri…e que le coût de cet algorithme de factorisation est O ( 23 n3 ). Les
permutations éventuelles ne nécessitent pas d’opérations arithmétiques.

Exemple
La résolution du système Ax = b est équivalent à la résolution
0 des deux
1
1
Ly = b
systèmes triangulaires . Donc Ly = b =) y = @ 2 A et
Ux = y 3
0 9 1 2
34
Ux = y =) x = @ 5
34
A.
3
34

Application au calcul du déterminant et de l’inverse
-Pour le calcul du déterminant :

une fois obtenue la décomposition A = LU, nous avons
det A = det L det U.
Il est facile de remarquer que detL = 1. Par conséquent,

n
det A = det U = ∏ uii
i =1
Le coût est O 23 n3 , ce qui est donc beaucoup moins que la méthode par
développement récursif du déterminent, méthode infaisable en pratique car
en O (n!) .

-pour l’inverse:
on note :
1
A = (z1 , . . . , zn ) ,
où chacun des vecteurs zi est solution de Azi = ei , avec ei le ième vecteur
de la base canonique (composé de 0 partout sauf la ième composante qui
vaut 1). Nous procédons alors de la façon suivante :
- nous calculons la décomposition LU,
- nous résolvons
Lyi = ei ,
pour tout i = 1, ,n
Uzi = yi ,
8n 3
Au total le nombre d’opérations sera de l’ordre de 3 .

Décomposition LU
Décomposition A=LU à partir de l’algorithme de Gauss (avec stratégie de pivot) :
Théorème
Soit A une matrice inversible, alors il existe des matrices de permutations
P1 et P2 , une matrice L triangulaire inférieure avec des 1 sur la diagonale
et une matrice U triangulaire supérieure inversible, telles que :
P1 AP2 = LU.
En fait une seule matrice de permutation est nécessaire, de plus
1 on peut choisir P2 = I et P1 tel que a11 soit l’élément de valeur
absolue maximale dans la première colonne, c’est l’algorithme
d’élimination de Gauss avec pivot partiel.
2 on peut choisir P1 et P2 de façon à ce que a11 soit l’élément de valeur
absolue maximale dans toute la matrice, c’est l’algorithme
d’élimination de Gauss avec pivot total.

Résolution du système linéaire Ax = b
Algorithme
Résoudre Ax = b par élimination de Gauss avec pivot partiel
Factoriser A en PA = LU ;
Par permutation : LUx = Pb ;
Résoudre un système triangulaire inférieur : Ly = Pb ;
Résoudre un système triangulaire supérieur : Ux = y ;
Par permutation : x = A 1 b = U 1 L 1 Pb .
La résolution du système Ax = b revient donc à la factorisation LU de
coût O ( 32 n3 ) et à la résolution de deux systèmes triangulaires de coût
O (n2 ) . Le coût total de l’élimination de Gauss pour résoudre un système
linéaire est donc O ( 23 n3 ).

On considère la permutation σ : (1, 2, 3, 4, 5) 7 ! (3, 2, 5, 1, 4) et la
0 1
0 0 1 0 0
B 0 1 0 0 0 C
B C
matrice de permutation Pσ = B B 0 0 0 0 1 C
C
@ 1 0 0 0 0 A
0 0 0 1 0
Multiplier une matrice A à gauche (resp. à droite) par une matrice de
permutation revient alors à permuter les lignes (resp. les colonnes) de la
matrice. Par exemple, en multipliant une matrice à gauche par la matrice
Pσ ci-dessus, la troisième ligne devient la première, la seconde ligne reste
inchangée, la cinquième ligne devient la troisième . . . . Les matrices de
permutation sont orthogonales Pσ 1 = Pσt .

Théorème
Soit A 2 Mn (K) une matrice carrée inversible. Il existe une matrice
de permutation P telle que PA admette une factorisation LU.
Notons que dans ce cas, on a :
Ly = Pb
Ax = b () PAx = Pb () LUx = Pb () ;
Ux = y .

Exercice
0 1
0 3 1
Soit A = @ 4 1 1 A
2 2 4
1 Montrer que la décomposition LU de la matrice obtenue en
permutant les lignes 1 et 2 de la matrice A s’écrit :
PA = LU,
où P est une matrice élémentaire (matrice de permutation).

Donner P, L et U.
0 1
1
2 Résoudre Ax = b où b = @ 5 A à l’aide de la décomposition
6
PA = LU.

Solution:
La matrice de permutation qui permute les deux premières lignes est
donnée par : 0 1
0 1 0
P=@ 1 0 0 A
0 0 1
et on a :
0 1 0 1
4 1 1 4 1 1
PA = @ 0 3 1 A ,! @ 0 3 1 A L2 ! L2
2 2 4 0 23 7
2 L3 ! L3 1
2 L1
0 1
4 1 1 L1
,! @ 0 3 1 A L2 ! L2
1
0 0 3 L3 ! L3 2 L2
U
0 0 1 1
4 1 1 1 0 0
Donc U = @ 0 3 1 A et L = @ 0 1 0 A
1 1
0 0 3 2 2 1
0 10 1 0 1
0 1 0 1 5
b) Notons que Pb = @ 1 0 0 A @ 5 A = @ 1 A et observons que :
0 0 1 6 6
Ly = Pb
Ax = b () PAx = Pb () LUx = b ()
Ux = y
8
< y1 = 5
Ly = Pb () y2 = 1 ()
: 1 1
8 2 y1 + 2 y2 + y3 = 0
6
1
< y 1 = 5 5
y2 = 1 Donc y = @ 1 A
: 5 1
y3 = 6 2 2 = 3 3
8 8
< 4x1 + x2 + x3 = 5 < x1 = (5 1) /4 = 1
Ux = y () 3x2 + x3 = 1 () x2 = (1 x3 )/3 = 0
: :
3x3 = 3 x3 = 1
0 1
1
Donc x = @ 0 A
1

Décomposition LU par MATLAB :
En Matlab, on peut calculer la factorisation LU d’une matrice A en

utilisant
[L,U]=lu(A).
% Décomposition par LU de la matrice A
[L,U,P]=lu(A); %Avec PA=LU
% Inversion via une factorisation LU
[L,U,P]=lu(A); % avec pivotage partiel
opts_LT.LT = true;
Y = linsolve(L,P,opts_LT);
opts_UT.UT = true;
InvALUP = linsolve(U,Y,opts_UT);

Exercice
1 0
1 2 0
Peut-on factoriser A = @ 0 3 0 A sous la forme
3 5 2
0 10 1
l1 0 0 1 u1 u2
A = @ l2 l3 0 A @ 0 1 u3 A?
l4 l5 l6 0 0 1
Si oui, e¤ectuer la factorisation, sinon dites pourquoi!
Voir TP.

Exercice
Résoudre par élimination de Gauss, le système linéaire
0 10 1 0 1
1 2 6 x1 23
@ 4 8 1 A @ x2 A = @ 17 A .
2 3 2 x3 10
Pourrait-on le résoudre par factorisation LU ?
Voir TP.

Exercice
On considère la matrice :
0 1
2 1 0
A=@ 4 1 2 A.
6 2 0
1 Calculer le déterminant de A.
2 Résoudre par la factorisation LU le système linéaire
0 1 0 1
x1 2
A @ x2 A = @ 14 A .
x3 12
3 Sans calculer
0 explicitement
1 la matrice A2 , résoudre le système
23
A2 x = @ 17 A .
10
Exercice
Résoudre par la factorisation LU le système linéaire :
0 10 1 0 1
1 1 0 0 x1 0
B 1 1 4 0 C B x2 C B 2 C
B CB C=B C
@ 0 1 3 1 A @ x3 A @ 2 A
0 0 1 3 x4 1
Notes : Vous pouvez véri…er vos calculs à l’aide du logiciel Matlab.
Voir TP.

Pour n02 N, on dé…nit la matrice tridiagonale
1 d’ordre n
2 1
B 1 2 1 C
B C
An = BB
C
C
@ 1 2 1 A
1 2
1 Calculer la factorisation LU de A3
2 Calculer la factorisation LU de A4
3 Calculer la factorisation LU de An .
Voir TP.

Factorisation de Cholesky
Théorème
Soit A une matrice symétrique réelle. Les propriétés suivantes sont
équivalentes:
1 8x 2 Kn (K = R ou C), x t Ax > 0
2 Pour tout k = 1, 2, . . . , n, det (∆k ) > 0.
3 Toutes ses valeurs propres sont réelles et strictement positives.
Dans ce cas on dit que A est dé…nie positive.

Factorisation de Cholesky
Théorème
Cholesky
Si A 2 Mn (K ) est une matrice symétrique réelle dé…nie positive, il existe
au-moins une matrice B triangulaire inférieure telle que
A = BB T
De plus, on peut imposer que les coe¢ cients diagonaux de B soient

strictement positifs et alors la décomposition est unique.

Algorithme de Cholesky
Factorisation de Cholesky d’une matrice symétrique dé…nie positive.
p
b11 = a11
bi 1 = aa11
i1
pour i = 2, ..., n
s
i 1
bii = aii ∑ bik
2 pour i = 2 à N
k =1
i 1
bji = aij ∑ bik bjk /bii pour i = 2, . . . , n 1 et j > i
k =1
Pour résoudre Ax = BB t x = b on doit résoudre deux systèmes
triangulaires.
Complexité : nous calculons B par identi…cation BB t = A. Nous
obtenons alors un ordre en n3 /6 additions, n3 /6 multiplications et n
extractions de racines, ce qui est moins que la méthode LU.

Factorisation de CHOLESKY
On peut retrouver la matrice B à partir des décompositions LU.

p
On note D = diag uii i =1,...,n alors LD = B et D 1 U = B t
Existence. A est dé…nie positive donc véri…e les hypothèses de
factorisation LU : écrivons
p
A = LU et posons D = diag uii i =1,...,n , ce qui est possible puisque
pour tout k, ∏ uii = det ∆ > 0 (chaque uii est donc strictement positif).
k
i k
On pose B = LD et C = D 1 U qui véri…e toujours A = BC . Comme
A = At . On en déduit que C t B t = BC ou encore B 1 C t = C (B t ) 1 ,
qui est une matrice à la fois triangulaire supérieure et inférieure, donc
diagonale. Comme B et C ont même coe¢ cients diagonaux, on en déduit
que c’est en fait l’identité et on a C = B t .

Factorisation de CHOLESKY
Unicité. Si A = B1 B1t = B2 B2t , on déduit

B2 1 B1 = B2t (B1t ) 1 = D = diag (d1 , . . . , dn )
ou encore B1 = B2 D, ce qui implique A = B2 B2t = B2 DD t B2t . Ainsi
D 2 = In puisque B2 est inversible donc di = 1 mais comme les
coe¢ icients diagonaux de la décomposition de CHOLESKY sont positifs,
on a forcément D = In et B1 = B2 .

Résolution du système:
On résout alors Ax = b en résolvant successivement les systèmes
triangulaires B t y = b puis Bx = y .
Décomposition Cholesky par Matlab
En Matlab, on peut calculer la factorisation de Cholesky d’une matrice A
en tapant B=chol(A). On obtient un message d’erreur lorsque A n’est pas
symétrique dé…nie positive.
A=C’*C
>> A=[4 -1 1;-1 4.25 2.75;1 2.75 3.5];
>> chol(A)
ans =
2.0000 -0.5000 0.5000
0 2.0000 1.5000
0 0 1.0000

Voici une fonction Matlab permettant de réaliser la factorisation de
Choleski pour une matrice A symétrique et dé…nie positive.
function L = choleski(A)
N = size(A,1);
L = zeros(N,N);
for i = 1:N
L(i,i) = sqrt(A(i,i)-sum(L(i,:).^2));
for j = i+1:N
L(j,i) = (A(i,j)-sum(L(i,:).*L(j,:)))/L(i,i);
end
end
>> choleski(A)
ans =
2.0000 0 0
-0.5000 2.0000 0
0.5000 1.5000 1.0000

Déterminer la factorisation de Cholesky LLt pour la matrice dé…nie
positive
0 : 1
4 1 1
A = @ 1 4.25 2.75 A
1 2.75 3.5
0 1 0 10 1
a11 a12 a13 l11 0 0 l11 l21 l31
A = @ a21 a22 a23 A = @ l21 l22 0 A @ 0 l22 l32 A
a a a l31 l32 l33 0 0 l33
0 312 32 33 1
l11 l11 l21 l11 l31
A = @ l21 l11 2 + l2
l21 22 l21 31 + l22 l32 A
l
2 + l2 + l2
l11 l31 l21 l31 + l22 l32 l31 32 33

Alors
2 =) l
a11 = 4 = l11 11 = 2; a21 = 1 = l11 l21 =) l21 = 12 = 0.5
1 2 + l 2 =) l
a31 = 1 = l11 l31 =) l31 = 2 = 0.5; a22 = 4.25 = l21 22 22 =
p p
2
4.25 0.5 = 4 = 2.
a32 = 2.75 = l21 l31 + l22 l32 =) l32 = 2.75 + 0.52 /2 = 1.5.
2 + l 2 + l 2 =) l
p
a33 = 3.5 = l31 32 33 33 = 3.5 0.52 1.52 = 1, donc on
obtient :
0 10 1
2 0 0 2 0.5 0.5
A = LLt = @ 0.5 2 0 A @ 0 2 1.5 A
0.5 1.5 1 0 0 1

Factorisation QR
Une autre méthode, connue sous le nom de méthode de Householder,

consiste à multiplier la matrice A par des matrices de symétries
orthogonale pour aboutir à une factorisation de la forme
A = QR.
où R est triangulaire supérieure et Q une matrice orthogonale.
Théorème
(Décomposition QR)
Soit A 2 Mn (K ) une matrice inversible. Il existe un unique couple
(Q, R ) tel que Q est orthogonale et R est une matrice triangulaire
supérieure à diagonale strictement positive telles que A = QR.

Remarque
Résoudre Ax = b est alors équivalent à résoudre le système
Qy = b,
Rx = y .
Sachant que Qy = b s’inverse facilement car Q 1 = Q t et donc y = Q t b.
Exemple
La factorisation QR d’une matrice A 2 Mm n (R) est donnée par A = QR
avec Q 2 Mm m (R) est une matrice orthogonale et R 2 Mm n (R)
matrice triangulaire supérieure. Cette décomposition s’obtient avec la
commande
2 [Q,R]=qr(A)
3
1 2
A = 4 0 1 5,
1 4

Exemple
2 p p p 3 2 p p 3
2 3 6
2 3p 6
p
2 3p 3
6 7
Q=4 3 5 et R = 4 0
2 6 3 5
p0 p3 p6
2 3 6 0 0
0 n
et on véri…e que Q Q = I . Le calcul de R nécessite 3n2 m 3 et le
calcul de Q nécessite 4m2 n.
En Matlab, on peut calculer la factorisation QR d’une matrice A en tapant

[Q,R]=qr(A) A=Q*R

Exercice
Exercice
Décomposition de Cholesky
1 Donner la décomposition de Cholesky BB t des matrices A1 et A2

suivantes :
0 1
0 1 4 0 12 6
1 2 0 B 0 1 2 1 C
A1 = @ 2 8 6 A ; A2 = B @ 12 2 49
C
4 A
0 6 25
6 1 4 51
2 Donner la décomposition en LU des matrices A1 et A2 .

3 Retrouver les matrices B à partir des décompositions LU précédentes
Voir TD
Les méthodes itératives
Pour résoudre le système
Ax = b,
on utilise des méthodes, dites indirectes ou itératives, du type
x (k +1 ) = Bx (k ) + c (1)
où B est une matrice obtenue à partir de A et c un vecteur dépendant de

A et b.
L’idée des méthodes itératives est de construire une suite de vecteurs
x (k ) qui converge vers le vecteur x, solution du système Ax = b,
A 1
b = x = lim x (k ) .
k !∞
L’intérêt des méthodes itératives, comparées aux méthodes directes, est

d’être simples à programmer et de nécessiter moins de place en mémoire.
En revanche le temps de calcul est souvent plus long.
Dé…nition
Une méthode x (k +1 ) = Bx (k ) + c est dite convergente si pour tout
x (0 ) initial on a :
lim x (k ) = x,
k !∞
Si une telle limite existe, alors elle véri…e : x = Bx + c.

Dé…nition
On appelle erreur de la méthode (à la k ème itération ) la quantité :
e (k ) = x (k ) x,
avec e (0 ) = x (0 ) x, on obtient e (k ) = B k e (0 ) .
la méthode est convergente si lim B k = 0.
k !∞
On écrit A sous la forme A = M N. En supposant M inversible,

l’équation Ax = b donne :
1 1
x =M Nx + M b
et ceci suggère le procédé itératif du type (1) avec B = M 1N et

c = M 1 b.

Soient
0la5 matrice et 1
les vecteurs
0 colonnes
1 suivants0 : 1
1 1
8 4 8 1 5
A= @ 1
0 4 1 A
, b= @ 1 A , u1 = @ 2 A
4
1 1 5
8 4 8 1 4
On dé…nit, pour n 1, la suite de vecteurs un +1 = Aun + b.
1. Construire une fonction suite.m calculant les premiers termes de la
suite un . Cette fonction aura comme arguments d’entrée les données
suivantes : la matrice A, le second membre b, le terme initial u1 , et le
nombre de termes voulus nbit.
2. Représenter graphiquement l’évolution de chacune des composantes.
Qu’observe-t-on ?
3-Soient 0 1 0 1
5 6 3 2
A=@ 1 5 1 A , u1b = @ 1 A
1 2 0 0
Observe-t-on le même comportement si on remplace u1 par u1b ? Que se
passe-t-il si on remplace A par Ab (quel que soit le terme initial) ?

% Calcul nbIt fois: u=A*u1+b
function u= suite(A,u1,b,nbIt)
u=zeros(3,nbIt+1);
u(:,1)=u1;
for k = 1:nbIt+1
u(:,k+1) = A*u(:,k)+b;
end

Il y a plusieurs façons d’écrire A sous la forme A = M N. Dans le cadre
de ce cours on se limitera aux cas les plus utilisés à partir de :
A = D L U.
1 Méthode de Jacobi : M = D, N = L + U.
2 Méthode de Gauss-Seidel : M = D L, N = U.
i) D est une matrice diagonale constituée des éléments diagonaux aii de
A,
ii) L est matrice triangulaire inférieure stricte, constituée des éléments
strictement sous-diagonaux de A (aij pour i > j)
iii) U, matrice triangulaire supérieure stricte, constituée des éléments
strictement sur-diagonaux de A (aij pour i < j).

Méthode de Jacobi
Si A = (aij )1 i ,j n la matrice de Jacobi consiste à choisir,
M = D = diag (aii ) supposé inversible (aii 6= 0) et
N = L + U = ( aij )ij N contient les éléments hors diagonale. Le
schéma itératif est comme suit :
Dx (k +1 ) = (L + U ) x (k ) + b.
Ce qui équivalent à
8 (k +1 ) (k ) (k )
>
> a11 x1 = a12 x2 a1n xn +b 1
>
>
>
<
(k +1 ) (k ) (k ) (k ) (k )
aii xi = ai 1 x1 aii 1 xi 1 aii +1 xi +1 ain xn +b i
>
>
>
>
>
: (k +1 ) (k ) (k )
ann xn = an1 x1 ann 1 xn 1 +b n
Et on déduit La matrice BJ = D 1
(L + U ) est dite matrice de Jacobi
associée à A. Année universitaire 2022-2023 86 /
Le schéma itératif de la méthode de Jacobi est
8
>
< x0 ! donnée initiale
(k +1 ) 1 (k )
>
: xi = a ii bi ∑ aij xj , i = 1, . . . , n.
j =1,j 6=i

Exercice
Soit le système d’équations linéaires suivant :

8
>
> 10x1 2x2 + 2x3 = 6
<
x1 + 11x2 x3 + 3x4 = 25
>
> 2x1 x2 + 11x3 x4 = 11
:
3x2 x3 + 8x4 = 15.
Ecrire le problème sous forme matricielle.

Utiliser la méthode itérative de Jacobi pour résoudre ce système en partant
de x 0 = (0; 0; 0; 0) .

Méthode de Gauss-Seidel
Pour cette méthode, les matrices M et N sont données par : M = D L
(supposé inversible) et N = U où D, L et U proviennent de l’écriture
A = D L U avec D matrice diagonale, L matrice triangulaire inférieure
stricte et U triangulaire supérieure stricte. Le schéma itératif est comme
suit :
(D L) x (k +1 ) = Ux (k ) + b
on obtient
8
> (k +1 ) (k ) (k )
>
> a11 x1 = a12 x2 a1n xn +b 1
>
> (k +1 ) (k +1 ) (k ) (k )
>
> a22 x2 = a21 x1 a23 x3 a2n xn +b 2
>
<
> (k +1 ) (k +1 ) (k +1 ) (k ) (k )
>
> aii xi = ai 1 x1 aii 1 xi 1 aii +1 xi +1 ain xn +
>
>
>
>
>
: (k +1 ) (k +1 ) (k +1 )
ann xn = an1 x1 ann 1 xn 1 +b n
1 1
x (k +1 ) = ( D L) Ux (k ) + (D L) b = BGS x (k ) + c.
1
On note BGS = (D L) U. Année universitaire 2022-2023 89 /
Le schéma itératif de la méthode de Gauss-Seidel est
8
>
< x0 ! donnée initiale
i 1 n
(k +1 ) 1 (k +1 ) (k )
>
: xi = a ii bi ∑ aij xj ∑ aij xj , i = 1, . . . , n.
j =1 j =i +1

Convergence des méthodes de Jacobi et de Gauss-Seidel :
On a les résultats suivants :
Une condition su¢ sante pour que la méthode de Jacobi
(respectivement de Gauss-Seidel) converge est que ρ (BJ ) < 1 ou
kBJ k < 1 (resp. ρ (BGS ) < 1).
Si A est une matrice à diagonale strictement dominante, c.-à-d. pour
tout 1 i n : ∑ jaij j < jaii j alors les méthodes de JACOBI et
j =1,j 6=i
de Gauss-Seidel sont convergentes. Dans ce cas on a de plus
kBGS k∞ kRJ k∞ < 1 avec B = M 1 N.
Si A est une matrice symétrique et dé…nie positive, alors la méthode
de Gauss-Seidel converge (la méthode de JACOBI pas forcément).
L’algorithme de Gauss-Seidel est en général plus rapide que
l’algorithme de Jacobi, donc préférable.
Généralement, laquelle des deux méthodes itératives est la plus rapide (qui
converge plus rapidement), la méthode de Jacobi ou de gauss-seidel ?
Exercice
Etudier la convergence des méthodes de Jacobi et gauss-Seidel dans les
deux 0
cas : 1 0 1
1 2 2 2 1 1
A= @ 1 1 1 A ; B= @ 2 2 2 A
2 2 1 1 1 2

Exercice
Soit le système Ax = b avec
0 1 0 1
2 1 0 1
A= @ 1 2 1 A et b = @ 1 A
0 1 2 1
1 Calculer la solution exacte par la méthode de Gauss.

2 E¤ectuer 3 itérations de la méthode de Jacobi en initialisant
x (0 ) = (0, 0, 0)t .
3 E¤ectuer 3 itérations de la méthode de Gauss-Seidel en initialisant
x (0 ) = (0, 0, 0)t .

Considérons la matrice
0 1
α 0 γ
A=@ 0 α β A
0 δ α
avec α, β, γ et δ sont des paramètres réels.

Exercice
0 1
1 α α
Soit α 2 R et soit le système Ax = b avec A = @ α 1 α A
α α 1
1 Pour quelles valeurs de , la matrice A est-elle dé…nie positive.

Exercice
0 1
1 α α
α α 1
2 Ecrire la matrice J de la méthode de Jacobi correspondante. Pour
quelles valeurs de α , la méthode de Jacobi converge-t-elle.

Exercice
0 1
1 α α
α α 1
3 Ecrire la matrice G de la méthode de Gauss-Seildel correspondante.
Calculer ρ(G ).

Exercice
0 1
1 α α
α α 1
3 Ecrire la matrice G de la méthode de Gauss-Seildel correspondante.
Calculer ρ(G ).
4 Pour quelle valeur de α, la méthode de Gauss-Seidel converge-t-elle
plus vite que celle de Jacobi.

(convergence pour les matrices à diagonale strictement dominante).
Soit A = (aij )1 i ,j n une matrice carrée d’ordre n à diagonales strictement
dominante par lignes.
Montrer alors que la matrice A est inversible et que les méthodes de
Jacobi et de Gauss-Seidel utilisées pour la résolution du système Ax = b,
convergent.
Montrons 0que A 1 est inversible 0 1
x1 0
B x2 C B 0 C
B C B C
Soit X = B . C tel que A.x = B . C
@ .. A @ .. A
xn 0
0 1
0
B 0 C
B C
Par l’absurde On suppose que X 6= B .. C,
@ . A
0
Soit i0 tel que jxi0 j = max (jxi j , 1 i n) , alors
8i, jxi j jxin j ,
jxin j 6= 0 Année universitaire 2022-2023 97 /
ENSEM (Département de Génie Electrique) 2 3 102
Méthode de relaxation
La décomposition de A s’écrit A = D L U et
M = ω1 D L, N = ω1 1 D + U.
1
On note Rrel (ω ) = ω1 D L 1
ω 1 D +U .
Algorithme
Une itération de la méthode de relaxation de paramètre ω s’écrit :
pour i = 1 à n
!
ω i 1 n
(k +1 ) (k ) (k +1 ) (k )
xi = (1 ω ) xi + bi ∑ aij xj ∑ aij xj
aii j =1 j =i +1
Théorème
On a ρ Rrel (ω ) > jω 1j , une condition nécessaire de convergence de
la méthode de relaxation est donc que 0 < ω < 2.

Théorème
Soit A une matrice symétrique dé…nie positive, alors ρ Rrel (ω ) < 1 pour
0 < ω < 2.Une condition su¢ sante de convergence de la méthode de
relaxation est alors que 0 < ω < 2.
Pour ω = 1 la méthode de Gauss-Seidel converge aussi.
Exercice
Soit la matrice A=[2, -1, 0, 0; -1, 2,-1,0;0 -1 2 -1;0,0,-1,2 ]
1 On veut résoudre le système AX=[19 , 19, -3, -12]’par les méthodes
itératives de Jacobi, Gauss Sceidel. Dire si ces méthodes convergent.
4
2 Calculer les itérés X k = Xik i =1 , k 10 obtenus par les méthodes
itératives de Jacobi et de Gauss Sceidel.
Voir TD.

Exercice
On considère les matrices suivantes :
0 1
1 2 2
3 1
A= , B=@ 1 1 1 A
1 3
2 2 1
1 Chercher les matrices de Jacobi et de Gauss-Seidel associées aux

matrices A et B.
2 Calculer les rayons spectraux, puis conclure sur la convergence des
méthodes de Jacobi et de Gauss-Seidel.
Voir TD.

Exercice
3 2
On considère un système linéaire Ax = b avec A = . Dire si la
2 6
méthode de Gauss Seidel converge, sans calculer explicitement le rayon
1 1
spectral de la matrice d’itération. Recommencer avec A = .
1 2
Voir TD.

Exemple
En utilisant Matlab, on trouve le résultat suivant :
>> A=[2 0 0;1 5 0; 7 9 8]; b=[6;2;5];
x=Anb
x =
3.0000
-0.2000
-1.7750
ou bien
X=linsolve(A,b)
X =
3.0000
-0.2000
-1.7750


SystèmesLinéaires VF

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

SystèmesLinéaires VF

Transféré par

Droits d'auteur :

Formats disponibles

Systèmes d’équations linéaires

Département de Génie Electrique

Année universitaire 2022-2023

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 1 / 102

Beaucoup de problèmes se réduisent à la résolution numérique d’un

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 2 / 102

Méthodes de résolution des systèmes linéaires du type Ax=b

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 3 / 102

Problème réel : étant donné ce circuit, trouver les courants des

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 5 / 102

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 6 / 102

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 7 / 102

On se propose de résoudre le système linéaire suivant :

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 8 / 102

ENSEM (Département de Génie Electrique) Année universitaire 2022-2023 9 / 102

Année universitaire 2022-2023 10 /

Considérons à présent un système linéaire dont la matrice A est inversible

Année universitaire 2022-2023 12 /

Si la matrice A est triangulaire supérieure :

Année universitaire 2022-2023 13 /

Année universitaire 2022-2023 14 /

Année universitaire 2022-2023 15 /

En résolvant la premième équation, on obtient x1 = 3, et on a le résultat :

Année universitaire 2022-2023 16 /

En résolvant la troisième équation, on trouve x3 = 18 . La deuxième

Année universitaire 2022-2023 17 /

ALGORITHME DE DESCENTE ALGORITHME DE REMONTEE

Année universitaire 2022-2023 18 /

Année universitaire 2022-2023 19 /

4 principes fondamentaux « On ne change pas la solution lorsque l’on :

Année universitaire 2022-2023 20 /

Soit A 2 Mn (R) une matrice inversible, et b 2 Rn . On cherche à calculer

soustrayons à chaque Li la première ligne L1 divisée par a11 et multiplié

Année universitaire 2022-2023 22 /

Année universitaire 2022-2023 23 /

On véri…e que A(2 ) = M (1 ) A et b (2 ) = M (1 ) b.

Année universitaire 2022-2023 24 /

Année universitaire 2022-2023 25 /

Année universitaire 2022-2023 26 /

Année universitaire 2022-2023 27 /

Année universitaire 2022-2023 28 /

Le premier pivot de l’élimination de Gauss est donc a11 = 1 non nul et on

On obtient donc le système :

On résout alors ce système triangulaire supérieur par l’algorithme de

Année universitaire 2022-2023 30 /

Année universitaire 2022-2023 31 /

Année universitaire 2022-2023 32 /

Année universitaire 2022-2023 33 /

La méthode de Gauss repose sur la formule Li = Li aakkik Lk . Le terme

Année universitaire 2022-2023 34 /

Le pivot actuel a11 = 2, et max jaik j = 4.

Année universitaire 2022-2023 35 /

2. La seconde méthode consiste à rechercher le maximum parmi les

Année universitaire 2022-2023 36 /

Année universitaire 2022-2023 37 /

Année universitaire 2022-2023 38 /

et ensuite la colonne 2 avec la colonne 1.

On considère les 2 systèmes suivants :

Année universitaire 2022-2023 40 /

La solution sera donc :

Par élimination sans recherche de pivot, nous obtenons le système

Le même procédé d’élimination que précédemment conduit au système

et on échange les lignes r et k entre elles. Le logiciel MATLAB

Année universitaire 2022-2023 44 /