Académique Documents
Professionnel Documents
Culture Documents
On donne :
Exemple 2 :
On considère la grille en tiges métalliques donnée par la figure suivante :
Exemple 3 :
On considère le phénomène mécanique d’une corde élastique, fixée aux bords (0 et 1) et soumise à
un champ de force f . La déformation u en un point x ∈ [0, 1], s’écrit sous la forme de l’équation
différentielle suivante:
(
−u′′ (x) = f (x),
(2.1)
u(0) = u(1) = 0
Une solution explicite analytique de ce problème est en général difficile à trouver. On opte donc
pour la procédure numérique suivante : On cherche la solution u aux points xi = i.h où h = 1/(n+1).
Soit ui = u(xi ). On utilise un DL de Taylor à l’ordre 2 à droite et à gauche de chaque xi . On obtient
(
− ui+1 −2u
h2
i +ui−1
= f (xi ), i = 1, . . . , n
(2.2)
u0 = un+1 = 0 .
−2 −1 0 . . . 0
−1 2 −1 . . . 0
1
0 −1 2 . . . 0
Ceci peut être réécrit sous la forme Ah .u = bh avec Ah = h2
.
,
. . . . . 0
. . . . −1 2 −1
0 . . . 0 −1 2
u = (u0 , . . . , un )t et bh = ( f (x1 ), . . . , f (xn ))t .
2.2 Rappels et compléments sur les matrices 11
Résolution numérique de Ax = b
Dans toute la suite, on prendra A ∈ Mn (K) carrée (m = n) et inversible. On rappelle que la matrice
A est inversible ssi det(A) ̸= 0. Dans ce cas, la solution du système existe et est unique.
But : Résoudre numériquement Ax = b. La résolution numérique peut par exemple être faite en
implémentant la formule x = A−1 b = det(A)1
[com(A)]t ou la méthode de Cramer pour laquelle
Soit A ∈ Mn (C).
t
La matrice adjointe (ou transconjuguée) de A, notée A∗ est définie par (A∗ = A ), ç-à-d.,
A∗ (i, j) = A( j, i), ∀ 1 ≤ i, j ≤ n ou de manière équivalente < Ax, y >=< x, A∗ y >, ∀x, y ∈ Cn
La matrice A est dite auto-adjointe ou Hermitienne ssi A∗ = A,
La matrice A est dite unitaire ssi elle est inversible avec A∗ = A−1 .
La matrice A est dite normale ssi A.A∗ = A∗ A.
Definition 2.2.2
Soit A ∈ Mn (K).
1. On dit que A est semi-définie positive ssi < Ax, x >≥ 0, ∀ x ∈ Kn .
2. On dit que A est définie positive ssi < Ax, x >> 0, ∀ x ̸= 0Kn .
3. On dit que A est à diagonale strictement dominante ssi pour tout i ∈ {1, . . . , n}, on a :
De plus, dans ce cas A−1 est triangulaire inférieure (resp. supérieure) et A−1 (i, i) = 1
A(i,i) .
A = PDP−1 . (2.3)
Theorem 2.3.1
Une matrice A ∈ Mn (C) est diagonalisable dans une base orthonormée ssi elle est normale.
Dans ce cas, on a A = Udiag(λ1 , ..., λn )U −1 où U est unitaire et les λi sont les v.p. de A.
R Il existe des matrices non normales et diagonalisables dans une base non orthonormée. Dans
ce cas, la matrice P de l’équation (2.3) n’est pas unitaire.
R Si la matrice A n’est pas symétrique, le fait que toutes ses v.p. soient positives (resp.
strictement positives) n’implique pas nécessairement que cette matrice soit semi-définie
positive (resp. définie positive).
Proof
Point 1 : Soit λ une valeur propre de A et x le vecteur propre associé. On a :
Ainsi : λ = λ .
Corollary 2.3.3 Si la matrice A ∈ Mn (R) est symétrique (resp. A ∈ Mn (C) est Hermitienne)
alors elle est diagonalisable dans une base orthonormée avec des v.p. réelles et il existe
O ∈ Mn (R) orthogonale telle que A = O.diag(λ1 , . . . , λn ).Ot (resp. U ∈ Mn (C) unitaire telle
que A = U.diag(λ1 , . . . , λn ).U ∗ )
2.4 Normes matricielles et normes matricielles subordonnées 13
Definition 2.4.1
Une norme matricielle sur Mn (K) est une norme "vectorielle" vérifiant en plus
Exercise 2.1
1. Montrer que ||A|| = max1≤i, j≤n |A(i, j)| n’est pas une norme matricielle pour n > 1.
2. Montrer que la norme de Frobenius est une norme matricielle (Indication : On pourra utiliser
l’inégalité de Cauchy-Schwartz). ■
Definition 2.4.2
Soient A ∈ Mn (K) et λi , 1 ≤ i ≤ n les valeurs propres de A comptées avec leur ordre de
multiplicité.
1. On appelle spectre de A, l’ensemble des valeurs propres de A :
Sp(A) = {λi , 1 ≤ i ≤ n} .
ρ(A) := max{|λi |, i = 1, . . . , n} .
Proposition 2.4.1
Soit A ∈ Mn (C) de rayon spectral ρ(A). Alors pour toute norme matricielle notée |||.|||, on a :
ρ(A) ≤ |||A||| .
Definition 2.4.3
On considère une norme vectorielle sur Kn notée ||.||. Cette norme induit la norme matricielle
définie par : ∀ A ∈ M( K),
||Ax||
|||A||| = sup .
x̸=0Kn ||x||
Proposition 2.4.2
Soit A ∈ Mn (K). Pour tout ε > 0, il existe au moins une nome matricielle subordonnée telle que
|||A||| < ρ(A) + ε.
Proposition 2.4.3
Soit |||.||| une norme matricielle subordonnée. Pour tout A ∈ Mn (K), on a :
1. |||A||| = sup||x||=1 ||Ax|| = sup||x||≤1 ||Ax||.
2. ∃ xA ̸= 0 tel que |||A||| = ||AxA ||/||xA ||.
3. |||In ||| = 1.
4. |||A.x||| ≤ |||A|||.||x|| , ∀ x ∈ Kn .
14 Chapter 2. Rappels et compléments sur les systèmes linéaires et les matrices
Exercise 2.2
En utilisant la proposition précédente, montrer que la norme de Frobenius est une norme
matricielle non subordonnée pour n > 1. ■
Proposition 2.4.4
Pour tout A ∈ Mn (K), on a :
1. |||A|||1 := sup ||Ax||
||x||1 = max j (∑i |A(i, j)|).
1
Definition 2.4.4
On dit qu’une suite (A p ) de Mn (K) converge vers une limite A pour une norme matricielle notée
|||.||| ssi lim p→∞ |||A p − A||| = 0.
Proposition 2.4.5
Soit A ∈ Mn (K). Les assertions suivantes sont équivalentes :
• lim p→∞ A p = 0.
• lim p→∞ A p x = 0, ∀ x ∈ Kn .
• ρ(A) < 1.
• ∃ une norme matricielle subordonnée telle que |||A||| < 1.
Theorem 2.4.6
1) On considère une norme matricielle quelconque qu’on note |||.|||. Soit B ∈ Mn (K) telle que
|||B||| < 1 alors la matrice I − B est inversible et vérifie (I − B)−1 = ∑+∞ k
k=0 B .
2) Si une matrice de la forme (I − B) est non inversible, alors pour toute norme matricielle on a
|||B||| ≥ 1.
Proposition 2.4.7
Si la matrice A ∈ Mn (K) est à diagonale strictement dominante alors est inversible.
Proof
La preuve du 1er point sera faite en TD.
Proposition 2.5.2 Propriétés
Soit A une matrice dans Mn (C) inversible. On a :
1. cond(A) ≥ 1.
2. Soit U une matrice unitaire, cond2 (UA) = cond2 (AU) = cond2 (A).
|λi |
3. Si A est hermitienne, alors cond2 (A) = max
min |λi | .
Proof
Les preuves des points (1) et (3) de cette proposition seront traités en TD.