Algorithmique numérique

1ere année ingénieur

I.DAMERGI FAIZ

1 / 27
Motivation
• des sciences physiques
• Mécaniques
• la chimie
• l’économie
Simulation • des sciences de l’ing ….
phénomènes
complexes

• plus rapide
des ordinateurs • plus économique
• problématique virtuelle
(pas d’approche expérimentale)

3 / 27
 • Système linéaire
• Equations différentielles
modéliser problèmes ordinaires
mathématiques • Intégrales
• Equations non-linéaires
• Equations différentielles…

résoudre
numériquement

L’analyse numérique est une discipline des mathématiques

appliquées
Elle conçoit et analyse mathématiquement des algorithmes pour
résoudre des pbs dont la solution est inimaginable et/ou difficile à
calculer par les méthodes analytiques classiques
4 / 27
Exemple illustratif

La déformation x d’une corde

élastique, fixée aux bords et
soumise à un champ de force f,
peut se traduire par l’ équation
différentielle suivante

pour f une fonction continue sur [0, 1].

• impossible d’expliciter la solution exacte de ce problème.

 On a recours à l’analyse numérique : chercher une solution
approchée de x
5 / 27
En subdivisant l’intervalle [0,1]

et en utilisant le développement de taylor, le problème discrétisé pour

résoudre notre équation est équivalent au système linéaire Ah x=bh
où

La solution approchée est d’autant plus proche de la solution exacte

x lorsque n est grand.
6 / 27
Objectif

Ce cours est consacré à la résolution numérique des systèmes

linéaires:

 présenter des méthodes de résolution des systèmes d’équations

linéaires

 évaluer la pertinence de différentes méthodes numériques

(complexité de la méthode et facilité de la mise en œuvre, contrôle
les différentes sources d’erreurs…)

7 / 27
Plan

Chapitre 1 :Rappels et compléments d’analyse matricielle

Chapitre 2 : fondements du calcul scientifique

Chapitre 3 : Méthodes directes de résolution des systèmes linéaires

Chapitre 4 : Méthodes itératives de résolution des systèmes linéaires

8 / 27
Plan

Chapitre 1 :Rappels et compléments d’analyse matricielle

Chapitre 2 : fondements du calcul scientifique

Chapitre 3 : Méthodes directes de résolution des systèmes linéaires

Chapitre 4 : Méthodes itératives de résolution des systèmes linéaires

9 / 27
Chapitre 1 :Rappels et compléments d’analyse matricielle

1.1 Espaces vectoriels

1.2 Matrices
1.3 Opérations sur les matrices
1.4 Matrice d’une application linéaire
1.5 Trace et déterminant d’une matrice
1.6 Matrices particulières
1.7 Valeurs propres et vecteurs propres
1.8 Matrices semblables
1.9 Normes vectorielles et Normes matricielles
1.10 Matrices définies positives, matrices à diagonale
dominante

10 /
1.1 Espaces vectoriels

 Un e.v. sur 𝐾 = ℝ ou ℂ est un ensemble E muni

d’une loi interne +: 𝐸 × 𝐸 → 𝐸 et d’une loi externe . : 𝐾 × 𝐸 → 𝐸
𝛼, 𝑥 → 𝛼. 𝑥
et qui vérifient
1. (E,+) est un groupe commutatif

2. 1.x = x

3. α.(x + y) = α.x + α.y;

(α + β).x = α.x + β.x (distributivité)

4. (α.β).v = α.(β.v) (associativité)

 Les éléments de E sont appelés vecteurs, ceux de K sont les

scalaires
11 /
 Une famille de vecteurs (𝑒1 ; ; 𝑒𝑛 ) de E est génératrice
ssi ∀ 𝑥 ∈ E est une combinaison linéaire des vecteurs de cette
famille: il existe (𝑥1 ; ; 𝑥𝑛 ) ∈ IK𝑛 tels que
𝑛

𝑥 = ෍ 𝑥𝑖 𝑒𝑖
𝑖=1
Exemple
𝐸 = {𝑣 ∈ ℝ3 \𝑥 + 𝑦 = 0}
𝑥
= { −𝑥 , ∀ 𝑥, 𝑧 ∈ ℝ }
𝑧
1 0
= {𝑥 −1 + 𝑧 0 , ∀ 𝑥, 𝑧 ∈ ℝ }
0 1
1 0
=< −1 , 0 >
0 1

12 /
 Une famille de vecteurs (𝑒1 ; ; 𝑒𝑛 ) de E est libre (linéairement
indépendante) ssi
𝑛

෍ λ𝑖 𝑒𝑖 = 0 ⇒ λ1 = …. =λ𝑛 =0
𝑖=1
Exemple
1 0
−1 𝑒𝑡 0 𝑠𝑜𝑛𝑡 𝑙𝑖𝑏𝑟𝑒𝑠?
0 1
1 0 λ1 = 0
λ1 −1 + λ2 0 =0 => ቐ−λ1 = 0
0 1 λ2 = 0

 Une famille (𝑒1 ; ; 𝑒𝑛 ) de E est une base ssi elle est libre et
génératrice
1 0
< −1 , 0 > est une base de 𝐸 = {𝑣 ∈ ℝ3 \𝑥 + 𝑦 = 0}
0 1 13 /
Dans ce cas (base):
 ∀𝑥 ∈ E, il existe un unique n-uplet(𝑥1 ; ; 𝑥𝑛 ) ∈ IK𝑛 tels que
𝑛

𝑥 = ෍ 𝑥𝑖 𝑒𝑖
𝑖=1
Les 𝑥𝑖 sont les coordonnées de 𝑥 dans la base (𝑒1 ; ; 𝑒𝑛 ) .
𝑥1
 ∀𝑥 ∈ E sera noté aussi 𝑥 = (𝑥𝑖 )𝑖=1,..,𝑛 = ⋮
𝑥𝑛

 On désigne les vecteurs lignes suivants:

𝑥 𝑇 =(𝑥1 , …,𝑥𝑛 ) le transposé de 𝑥

𝑥ҧ1
𝑥ҧ = ⋮ le conjuguée de x
𝑥ҧ𝑛
𝑥 ∗ = 𝑥ҧ 𝑇 =(𝑥ҧ1 , …,𝑥ҧ𝑛 ) l’adjoint de 𝑥
14 /
Exemple
 les espaces ℝ𝑛 ou ℂ𝑛 sont des espaces vectoriels de
dimension n sur ℝ et ℂrespectivement.

 La base canonique pour ces espaces est (𝑒1 ; ; 𝑒𝑛 ) où 𝑒𝑖

est le vecteur (0; ; 0; 1; 0; ; 0)Tavec 1 en i-ème position.

3 1 0 0
V= −2 = 3 0 -2 1 +5 0 = 3𝑒1 -2𝑒2 + 5𝑒3
5 0 0 1

15 /
 𝑛
 Produit scalaire euclidien:∀𝑥, 𝑦 ∈ ℝn, <𝑥, 𝑦>= σ𝑖=1 𝑥𝑖 𝑦𝑖

Vérifiant ∀𝜆 ∈ℝ , <𝜆 𝑥, 𝑦>= 𝜆<𝑥, 𝑦>

<𝑥, 𝜆𝑦>= 𝜆<𝑥, 𝑦>

 Produit scalaire hermitien. ∀𝑥, 𝑦 ∈ ℂn, <𝑥, 𝑦>=σ𝑛𝑖=1 𝑥𝑖 𝑦ഥ𝑖

Vérifiant ∀𝜆 ∈ℂ , <𝜆 𝑥, 𝑦>= 𝜆 <𝑥, 𝑦>

ҧ 𝑦>
<𝑥, 𝜆𝑦>= 𝜆<𝑥,

Rq: deux vecteurs sont orthogonaux si leur produit scalaire est nul:
∀𝑥, 𝑦 ∈ Kn, <𝑥, 𝑦>= 0
16 /
1.2. Matrices

 Une matrice (m,n) , ou matrice m× n, à coefficients dans 𝕂, est

un tableau à m lignes et n colonnes, notée A=(aij)
1≤i≤𝑚
1≤j≤n

 On note Mm,n (𝕂) l’ensemble des matrices de taille m⨯n à

coefficient dans 𝕂= ℝ ouℂ (𝐴 ∈ ℝ𝑚×𝑛 ou 𝐴 ∈ 𝐴 ∈ ℂ𝑚×𝑛 )

 Si n = m, la matrice est carréeou d’ordre n. On note Mn (𝕂)

l’ensemble de ces matrices

 La matrice nulle et Ie vecteur nul sont désignés par la même lettre

O. 17 /
1.3 Opérations sur les matrices
Soient A=(aij ) et B=(bij ) deux matrices 𝑚 × 𝑛 sur 𝕂

 somme de matrices : C=(cij ) la matrice somme de A et B d’ordre

m × n dont les coefficients sont 𝑐𝑖𝑗 = aij + 𝑏ij , i=1,…,m j=1,…,n

Exemple
2 6 0 1 2 7
ቂ ቃ +ቂ ቃ =ቂ ቃ
−1 3 𝑖 2 −1 + 𝑖 5

Exemple
2 6
𝑖ቂ ቃ =ቂ 2𝑖 6𝑖
ቃ
−1 3 −𝑖 3𝑖
18 /
 produit de deux matrices : le produit d’une matrices A de taille (m, p)
par une matrice B de taille (p, n) est la matrice C(m, n), dont les
coefficients sont donnés par
𝑝
𝑐𝑖𝑗 = σ𝑘=1 ai𝑘 b𝑘j , i = 1, . . .,m, j = 1, . . ., n.

Exemple
2 1
3 1 0 × ൥0 −1൩ = ቂ 6 2
ቃ
ቂ ቃ 2𝑖 + 3 𝑖+5
𝑖 0 1 3 5

Rq : Le produit matriciel est associatif et distributif par rapport à la

somme matricielle, mais il n’est pas commutatif en général
On dira que deux matrices carrées commutent si AB = BA.

19 /
 matrice identité (unité): élément neutre pour le produit matriciel,
matrice carrée d’ordre n,
1 𝑠𝑖 𝑖 = 𝑗
𝑰𝒏= (δij )= ቊ
0 𝑠𝑖𝑛𝑜𝑛

 matrice diagonale : une matrice ayant tous ses termes nuls exceptés
ceux de la diagonale qui valent dii, notée D = (dii) =diag(d11, d22, . . ., dnn).

 Inverse d’une matrice: A (n× n) est inversible ( régulière ou non

singulière) s’il existe B(n× n) telle que A B = B A = I.
On dit que B est la matrice inverse de A et on la note A−1. Et on a
 Si A est inversible, son inverse est aussi inversible et
(A−1)−1 = A
 si A et B sont deux matrices inversibles d’ordre n, leur
produit AB est aussi inversible et (A B)−1 = B−1 A−1.
20 /
 Matrice transposée: 𝐴𝑇 (𝑛 × 𝑚), obtenue en échangeant les
lignes et les colonnes de 𝐴(𝑚 × 𝑛). Et on a
(𝐴𝑇 )𝑇 = A
(𝐴 + 𝐵)𝑇 = 𝐴𝑇 + 𝐵 𝑇
(𝐴𝐵)𝑇 = 𝐵 𝑇 𝐴𝑇
(α𝐴)𝑇 = α𝐴𝑇 ∀α ∈ ℝ.
Si A est inversible, on a aussi (𝐴𝑇 )−1=(𝐴−1 )𝑇

 Matrice transposée conjuguée (adjointe):A* =( 𝐴ҧ )T matrice m × 𝑛

l’adjointe de A 𝑛 × 𝑚 . Et on a
(A + B)∗ = A∗+ B∗,
(AB)∗ = B∗A∗
(αA)∗ = 𝛼A
ത ∗, ∀α ∈ ℂ
21 /
 Une matrice A ∈ℝ𝑛×𝑛 est dite:

symétrique si AT= A 01 −1
−1 12
൥൥−1
1 3൩ ൩
02 −3
antisymétrique si AT =-A −21 33 0
orthogonale si AT A = In

 Une matrice 𝐴 ∈ ℂ𝑛×𝑛 est dite

hermitienne si AT=𝐴ҧ (A∗ = A)
unitaire si A∗A = AA∗ = I (A−1 = A∗)
normale si A∗A = AA∗

22 /
1.4. Matrice d’une application linéaire

Soient E et F deux espaces vectoriels sur

 une application linéaire de E dans F est une application

f: EF telle que :

Exemple

23 /
  Soient E et F deux sous espaces vectoriels, dim(E)=n et dim(F)=p ,
de bases respectives BE={e1,e2,…..,en} et B F={e’1,e’2,…..,e’p}

La matrice de l’application linéaire f:E → F relativement aux bases BE

et BF est

f(e1) f(e2) f(en)

a11 a12 … a1n e’1

𝑚𝑎𝑡𝐵𝐵′ f=Mf = ⁞ ⁞ ⁞ ⁞

ap1 ap2 … apn e’p

où la jième colonne de la matrice Mf est constituée des coordonnées

de f(ej) dans la base {e’i}i=1,p.
24 /
 Exemple

Soient B , B’ sont respectivement les bases canoniques de R2 et R3

25 /
1.5 . Trace et déterminant
 Le déterminant de A matrice carrée, le scalaire défini par

- Règle de Sarrus (utilisable pour au plus n=3)

 Matrice 2×2
+
a11 a12
det(A) = a11 a22 - a21 a12
a21 a22
-

 Matrice 3×3 : det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
- a31 a22 a13 - a32 a23 a11 - a33 a21 a12
+ + +
a11 a12 a13 a11 a12
a21 a22 a23 a21 a22
a31 a32 a33 a31 a32
- - -
26 /
- Formule des cofacteurs n>3

det(A)= σ𝒏𝒋=𝟏 aij Cij % à la ième ligne

Où Cij cofacteur de aij la quantité Cij= (-1)i+jMij

Et Mij mineur de aij est le déterminant de la sous matrice obtenue

en éliminant la ième ligne et la jème colonne de A
a11 a12 … a1j … a1n
⁞
a21 a22 … a2j … a2n
Mij = ⁞ ⁞ ⁞ ⁞ ⁞ ⁞
ai1 ai2 … aij … ain
⁞ ⁞ ⁞ ⁞ ⁞ ⁞

an1 an2 … anj … ann

Rq: det(A)= σ𝑛𝑖=1 aij Cij % à la jème colonne

27 /
Exemple
1 −3 5
A= 0 2 1
−4 2 −1

1 −3 5
dét(A)= 0 2 1
−4 2 −1

2 1 −0 × −3 5 +(−4) × −3 5
= +1 ×
2 −1 2 −1 2 1
−3 5 1 5 1 −3
= −0 × +2 × −1 ×
2 −1 −4 −1 −4 2

= 48
28 /
 Pour des matrices carrées d’ordre n, on a les propriétés suivantes :
• dét(A) = dét(AT ),
• dét(AB) = dét(A) dét(B),
• dét(A−1) = 1/dét(A),
• dét(A∗) =dét(A),
• dét(αA) = αndét(A), ∀α ∈ K.
• si deux lignes ou deux colonnes d’une matrice coïncident,
le déterminant de cette matrice est nul.
• Quand on échange deux lignes (ou deux colonnes), on
change le signe du déterminant.
• le déterminant d’une matrice diagonale est le produit des
éléments diagonaux.

29 /
  Si A est une matrice inversible d’ordre n, alors
𝟏
𝑨−𝟏 = (𝒄𝒐𝒎(𝑨))𝑻
𝒅é𝒕(𝑨)
où com(A) est la matrice des cofacteurs Cij de aij i = 1, . . ., n, j = 1, . . ., n.

Exemple 1 −3 5
A= 0 2 1
−4 2 −1
2 1 0 1 0 2 T
+ − +
2 −1 −4 −1 −4 2
1 −3 5 1 5 1 −3
𝐴−1 = − + −
48 2 −1 −4 −1 −4 2
−3 5 1 5 1 −3
+ − +
2 1 0 1 0 2

30 /
 une matrice A carrée est inversible ssi dét(A)≠0
 une matrice diagonale inversible, l’inverse est encore une
matrice diagonale ayant pour éléments les inverses des éléments
de la matrice.
1
0
2 0 𝐴−1 = 2
A= 1
0 3 0
3

31 /
1.6 . Matrices particulières
 Matrices diagonales par blocs: matrices de la forme A=diag(𝐴1 , …,𝐴𝑛 )
où 𝐴𝑖 , i = 1, . . ., n, sont des matrices carrées

dét(A)=ς𝑛𝑖=1 𝑑é𝑡(𝐴𝑖 )

 Matrices bandes: elle n’admet des éléments non nuls que sur un
“certain nombre” de diagonales autour de la diagonale principale.

Matrice tridiagonale Matrice bidiagonale sup 32 /

 Matrices triangulaires
matrice triangulaire supérieure matrice triangulaire inférieure

matrices carrées, 𝑎𝑖𝑗 = 0 i>j matrices carrées, 𝑎𝑖𝑗 = 0 i<j

 Le déterminant d’une matrice triang est le produit des termes

diagonaux
 l’inverse d’une matrice trianginf (resp sup) est une matrice
trianginf (resp sup)
1
 A triang inversible ssi 𝑎𝑖𝑖 ≠0 . De plus(𝐴−1 )𝑖𝑖 = 𝑎 , i=1,…,n
𝑖𝑖
 le produit de deux matrices triang inférieures (resp sup) est une
matrice triang inférieure (resp sup)
33 /
1. 7. Vecteurs propres- valeurs propres

 Soit A∈ Mn(𝕂), λ∈ 𝕂 est une valeur propre de A s’∃𝑣 ∈ 𝕂nnon nul

tel que A𝒗= λ𝒗.
On dit que 𝑣 est le vecteur propre de A pour la valeur propre de λ

 Les valeurs propres de A sont les racines du polynôme caractéristique

PA(λ)= dét(A- λ I)=0

Exemple
1 1
A=
3 −1
1−λ 1
 dét(A-λI) =
3 −1 − λ
=(1-λ)(-1-λ) - 3
= λ2 − 4 = 𝟎 ⇒ λ1 = 2, λ2 =-2
34 /
  Soit 𝑣 ≠ 0 vecteur propre deλ alors
A𝑣= λ𝑣  A 𝑣 −λ𝑣 = 0
 (A−λI)𝑣 = 0
 pour λ = 2
−1 1 𝑥 ⇒ −𝑥 + 𝑦 = 0
(A−2I)𝑣 = 𝑦 =0
3 −3 ⇒ 𝑥 =y
1
On peut prendre comme vecteur
1
 pour λ = −2
3 1 𝑥
(A+2I)𝑣 = ⇒ 3𝑥 + 𝑦 = 0
3 1 𝑦 =0
1
⇒ 𝑥 = −3 y
1
−3
On peut prendre comme vecteur
1 35 /
 Sp(A)={λi , λi valeur propre de A } = spectre de A

 ρ(A) = max |λi| = rayon spectral de A.

𝑖=1,..,𝑛
Et on a : ρ(A) = ρ(A∗)
ρ(αA) = |α|ρ(A) ∀α ∈ ℂ
ρ(Ak) = [ρ(A)]k, ∀k ∈ 𝑁.

 dét(A)= ς𝑛𝑖=1 λi ,Tr(A)= σ𝑛𝑖=1 λi

 A est inversible ssi 0 n’est pas une vp de A

Rq: une matrice A réelle peut avoir des valeurs propres et des
vecteurs propres complexes
0 −1 −λ −1
A= 𝑃𝐴 (λ)= = λ2 + 1 = 0
1 0 1 −λ
=>λ2 = −1 = λ = ± 𝑖 36 /
1.8 . Matrices semblables

 A ∈ 𝑀𝑛 (𝐾) est semblable à D∈ 𝑀𝑛 (𝐾) s’il ∃P∈

𝑀𝑛 (𝐾)inversible telle que D=𝑃 −1 𝐴 𝑃

Exemple:
−2 −2 0 −2
Soient A= , B=
5 4 1 2
1 1 0 1
On pose P= , 𝑃−1 =
On a 1 0 1 −1
𝑃 −1 AP=B => A et B sont semblables

 deux matrices semblables ont même déterminant, même valeurs

propres et même polynôme caractéristique

 A est diagonalisable si elle est semblable à une matrice diagonale

37 /
 𝐴 ∈ 𝑀𝑛 (𝑅) symétrique alors ∃ 𝑂 ∈ 𝑀𝑛 𝑅 orthogonale telle que
𝑂−1 AO=D soit diagonale réelle

 𝐴 ∈ 𝑀𝑛 (𝐶) hermitienne alors ∃ 𝑈 ∈ 𝑀𝑛 𝑅 unitaire telle que

𝑈 ∗ AU=D soit diagonale

Rq:
• Si 𝐴symétrique et 𝑂 orthogonalealors les coefficients
D= 𝑂−1 AO sont donnés par 𝑑𝑖𝑖 =λioù les λisont les valeurs
propres de A associées aux colonnes fi de O, i=1,…,n.

• Les vecteurs (fi)i forment une base orthonormée de vecteurs

propres associés aux valeurs propres λi

• La matrice O est appelée matrice de passage de la base canonique

de 𝑅 𝑛 à la base (fi)i
38 /
1.8. Normes vectorielles-Normes matricielles
 Soit E un e. v sur Rn ou Cn. Une norme est application 𝑥→ ‖𝑥‖ de
E dans ℝ+, qui vérifie les 3 propriétés suivantes :
1) ‖𝑥‖=0 ssi 𝑥 =0, ∀𝑥 ∈ 𝐸
2) ‖λ 𝑥 ‖= |λ| 𝑥 , ∀ λ ∈ 𝕂
3) ‖𝑥 + 𝑦‖ ≤ ‖𝑥‖+‖𝑦‖, ∀𝑥,y∈ E

 (E, ‖. ‖) est appelé espace vectoriel normé

 Doit E un e.v de dimension finie. Une Norme de Hölderd’indice p:

1Τ𝑝
‖𝑥‖p=(σ𝑛𝑖=1 |𝑥𝑖|𝑝) ,1 ≤ 𝑝 < ∞
où |.| désigne le module d’un nbr complexe

Rappel: z=a+ib, 𝑧=a-ib,

ҧ |z|= 𝑎2 + 𝑏 2
39 /
cas particulier 𝑥 ∞= max | 𝑥𝑖 | norme infinie
𝑖=1,..,𝑛

𝑥 1 = σ𝑛𝑖=1 |𝑥𝑖|
1Τ2
𝑥 2 = < 𝑥, 𝑥 >1/2 =(σ𝑛𝑖=1 |𝑥𝑖|2) norme euclidienne
Exemple 1
Trouver les normes 1,2,∞ de x= −3
1+𝑖

 inégalité de Cauchy-Schwarz
< 𝒙, 𝒚 > ≤ 𝒙 𝟐 𝒚 𝟐

 inégalité de Hölder
1 1
< 𝒙, 𝒚 > ≤ 𝒙 𝒑 𝒚 𝒒 avec +𝑞 =1
𝑝

40 /
 Soit ‖. ‖ une norme sur un e.v. E de dimension finie.
Une suite de vecteurs 𝑥 (𝑘) converge vers un vecteur x ∈ E si
𝐥𝐢𝐦 𝒙(𝒌) = 𝒙 ⇔ 𝒍𝒊𝒎 𝒙 − 𝒙(𝒌) = 0
𝒌→∞ 𝒌→∞

 On appelle norme matricielle sur Mn (𝕂) , toute application

de Mn (𝕂) dans ℝ+, qui à toute A ∈ Mn(𝕂) associe ‖A‖, possédant les
propriétés suivantes :
1) ‖A ‖=0 ssi A=0
2) ‖λA ‖= |λ| ‖A ‖ , ∀ λ ∈ 𝕂,∀A ∈ Mn(𝕂)
3) ‖A +B‖ ≤ ‖A ‖+ B ,∀A, B ∈ Mn(𝕂)
4) 𝐴𝐵 ≤ 𝐴 𝐵 , ∀A, B ∈ Mn(𝕂)

41 /
 Soit . une norme vectorielle sur 𝕂n, l’application de Mn(𝕂) dans
ℝ+encore notée . définie par :
𝑨𝒙
𝑨 = 𝒔𝒖𝒑 𝒙≠𝟎
𝒙∈Kn 𝒙
est une norme matricielle, dite subordonnée à la norme vectorielle
. donnée.

 𝐴𝑥 ≤ 𝐴 𝑥 , ∀A ∈ Mn(𝕂),∀x ∈ 𝕂n

42 /
 Les normes subordonnées aux normes vectorielles . 1, . 2 et
. ∞ s′expriment comme suit:
𝑨𝒙 𝟏
‖A‖1=𝒔𝒖𝒑 𝒙≠𝟎 = max σ𝑛𝑖=1 |𝑎𝑖𝑗|
𝒙 𝟏 𝑗=1,..,𝑛
𝒙∈Kn

𝑨𝒙 ∞
A ∞=𝒔𝒖𝒑 𝒙≠𝟎 = max σ𝑛𝑗=1 |𝐴𝑗𝑖|
𝒙 ∞ 𝑖=1,..,𝑛
𝒙∈Kn

𝑨𝒙 𝟐
‖A‖2=𝒔𝒖𝒑 𝒙≠𝟎 𝒙 𝟐
= ρ 𝐴∗ 𝐴 , ρ(A∗ A) rayon spectral de (A* A
𝒙∈Kn

 ρ 𝐴 ≤ ‖A‖ ∀ la norme matricielle sur Mn

43 /
1.9. Matrices définies positives, matrices à diagonale dominante

 A ∈ Mn (𝕂)est dite définie positive si

<A𝒙; 𝒙>> 0, ∀x ∈𝕂 n , x≠0

 A ∈ Mn (𝕂)est dite semi-définie positive si

<A𝒙; 𝒙> ≥ 0 , ∀x ∈𝕂 n

Exemple

44 /
 Soit A ∈ 𝑹𝒏×𝒏 symétrique est définie positive ssi une des propriétés
suivantes est satisfaite :
1) (Ax, x) > 0 ∀x ≠ 0 avec x∈𝑅 𝑛 ;
2) toutes les valeurs propres de A sont >0
3) les mineurs principaux diagonaux de A sont >0

45 /
Exemple
2 1 1
A= 1 2 1
1 1 2

1. 𝐴𝑥, 𝑥 = (𝑥1 + 𝑥2 )2 +(𝑥1 + 𝑥3 )2 + (𝑥2 + 𝑥3 )2

2−λ 1 1
2. 𝑑é𝑡 𝐴 − λ 𝐼 = 1 2−λ 1 =(1-λ)(λ 2 − 5λ+4)=0
1 1 2−λ

=>Sp(A)={1, 4}

2 1
3. 𝐴1 = 2, 𝐴1 = = 3, 𝑑é𝑡 𝐴 =4
1 2

46 /
 A∈ 𝑅 𝑛×𝑛 est à diagonale dominante par ligne si

 A∈ 𝑅 𝑛×𝑛 est à diagonale dominante par colonne si

 Si les inégalités ci-dessus sont strictes, A est dite à diagonale

strictement dominante

 Une matrice à diagonale strictement dominante symétrique

avec des termes diagonaux strictement positifs est également
définie positive.
47 /