Cours 1

Normes et conditionnement Systèmes triangulaires Méthode de Gauss
Outils numériques pour la modélisation
P. Sochala (SQ)
A. El Kaabouchi (Laval)
Formation ingénieur 3ème année
1/35
Méthodes Numériques
Intérêt du calcul scientifique
Calcul scientifique : tout calcul à l’usage de la science

Simulation numérique : reproduction d’un phénomène avec un
ordinateur
Discipline pluridisciplinaire :
1. Modélisation physique
→ écriture d’un modèle sous forme d’EDO, d’EDP, d’EDA
2. Analyse mathématique
→ existence et unicité de la solution (théorie)
→ construction de schémas numériques : discrétisation (pratique)
3. Programmation informatique
→ implémentation, algorithmique
2/35
Domaines d’applications
◮ mécanique des solides et des fluides

◮ automobile et aviation
◮ prévisions météorologiques
◮ géosciences
◮ mécanique quantique
◮ physique des plasmas
◮ chimie moléculaire
◮ biologie
◮ médecine
◮ finance
◮ ...
3/35
Explosions nucléaires
◮ Elaboration de la force nucléaire française
◮ 210 essais au total
◮ Problèmes sanitaires et écologiques
◮ Interdiction en 1996
Figure – Propragation d’infrasons
⇒ Intérêt de la simulation : substitution aux expériences

4/35
Prospection pétrolière
◮ Prix d’un forage d’exploration en mer : 60-80 M euros
◮ 1990 → probabilité de trouver du pétrole : 15 − 20 %
◮ 2009 → probabilité de trouver du pétrole : 30 − 40 %
Figure – Echographie sismique
⇒ Intérêt de la simulation : ↑ de la rentabilité lors de la prospection

5/35
Aérodynamique
Simulation directe des équations de Navier-Stokes :
◮ Nb points d’espace ≥ Re 9/4
◮ Nb pas de temps ≥ Re 3/4
◮ . . . et 2.106 < Re < 2.107
Figure – Ecoulement transsonique en phase de vol autour d’un avion
⇒ Défis de la simulation : traiter des problèmes plus réalistes

6/35
Organisation de l’enseignement
Séances :
◮ CMA : 6×2h
◮ TP : 3×4h
◮ Examen : 2h
Notation : TP et examen
7/35
Contenu
Prérequis indispensables : bases (L2) en mathématiques et physique

◮ Systèmes matriciels
Conditionnement et méthode de Gauss
◮ Approximation
Méthode des moindres carrés (droite de régression)
◮ Interpolation et intégration numérique
Interpolation de Lagrange et formules de Newton–Cotes
◮ Méthode des différences finies (×2)
Laplacien 1D (avec analyse) et 2D
◮ Résolution des EDO
Méthodes explicites et implicites, équation de la chaleur
8/35
Outils numériques pour la modélisation

Cours 1 : Résolution de systèmes matriciels
9/35
Motivations
Résolution de systèmes matriciels
Ax = b
◮ Discrétisation des EDP (e.g. différences finies) → cours 4 et 5

◮ Résolution des EDO → cours 6
◮ Méthodes des moindres carrés → cours 2
◮ Interpolation → cours 3
10/35
Plan
Normes et conditionnement
Systèmes triangulaires
Méthode de Gauss
11/35
Norme matricielle
Définition
Une norme matricielle est une application || · || : Rm×n → R vérifiant
pour tout A, B ∈ Rm×n
1. ||A|| ≥ 0 et ||A|| = 0 ⇔ A = 0
2. ∀α ∈ R, ||αA|| = |α| ||A|| (homogénéité)
3. ||A + B|| ≤ ||A|| + ||B|| (inégalité triangulaire)
Cette norme est sous-multiplicative si ∀A ∈ Rm×n et ∀B ∈ Rn×q
4. ||AB|| ≤ ||A|| ||B||
Norme p d’une matrice → norme p vectorielle
def ||Ax ||p

||A||p = max = max ||Ax ||p
||x||p 6=0 ||x ||p ||x||p =1
11/35
Normes matricielles usuelles
Equivalences suivantes
◮ norme 1
n
X
||A||1 = max |aij |
1≤j≤n
i=1
◮ norme euclidienne (norme 2)

p
||A||2 = ρ(At A)
◮ norme infinie
n
X
||A||∞ = max |aij |
1≤i≤n
j=1
12/35
Conditionnement : exemple
◮ système matriciel Ax = b
      
10 7 8 7 x1 32 1
 7 5 6 5  x2  23 1
     x = 
 8 6 10 9  x3  = 33 ⇒ 1
7 5 9 10 x4 31 1
◮ faibles pertubations dans la matrice (A + δA)(x + δx ) = b

      
10 7 8.1 7.2 x1 + δx1 32 −81
7.08 5.04 6 5       
  x2 + δx2  = 23 ⇒ x +δx =  137 
 8 5.98 9.89 9   x3 + δx3  33 −34
6.99 4.99 9 9.98 x4 + δx4 31 22
13/35
Conditionnement : exemple
◮ système matriciel Ax = b
      
10 7 8 7 x1 32 1
 7 5 6 5  x2  23 1
     x = 
 8 6 10 9  x3  = 33 ⇒ 1
7 5 9 10 x4 31 1
◮ faibles pertubations dans le second membre A(x + δx ′ ) = (b + δb)

      
10 7 8 7 x1 + δx1′ 32.1 9.2
 7 5 6 5  x2 + δx2′  22.9 −12.6
     ′  
 8 6 10 9  x3 + δx3′  = 33.1 ⇒ x +δx =  4.5 
7 5 9 10 x4 + δx4′ 30.9 −1.1
14/35
Conditionnement
Définition
Soit une norme matricielle subordonnée notée || · ||
Le conditionnement relatif à cette norme d’une matrice inversible A est
def
K (A) = ||A|| ||A−1 ||
◮ Mesure la sensibilité du système aux variations des données δA et δb

◮ Plus K (A) est grand, plus x est sensible aux données
Propriétés
◮ K (A) = K (A−1 )
◮ K (A) ≥ 1
◮ ∀α 6= 0, K (αA) = K (A)
15/35
Conditionnement
Théorème
Soit A une matrice inversible et b un vecteur non nul
1. Soient x et x + δx les solutions respectives des systèmes
Ax = b et A(x + δx ) = b + δb
Alors
||δx || ||δb||
≤ K (A)
||x || ||b||
2. Soient x et x + δx les solutions respectives des systèmes
Ax = b et (A + δA)(x + δx ) = b
Alors
||δx || ||δA||
≤ K (A)
||x + δx || ||A||
16/35
Exemple
   
10 7 8 7 32
7 5 6 5 23
A=8
, b= 
6 10 9  33
7 5 9 10 31
   
25 −41 10 −6 1
−41 68 −17 10  1
A =
−1
 10
, x =  
−17 5 −3 1
−6 10 −3 2 1
◮ normes infinies
||x ||∞ = 1, ||b||∞ = 33, ||A||∞ = 33, ||A−1 ||∞ = 136
◮ Conditionnement
K (A) = 4488
17/35
Exemple
Modification de la matrice
   
0 0 0.1 0.2 −81
 0.08 0.04 0 0   137 
δA =  0
, x + δx =  
−0.02 −0.11 0  −34
−0.01 −0.01 0 −0.02 22
◮ normes infinies
||A||∞ = 33, ||δA||∞ = 0.3, ||x + δx ||∞ = 137, ||δx ||∞ = 136
◮ taux d’amplification de l’erreur
||δx ||∞ ||A||∞

= 109.2
||x + δx ||∞ ||δA||∞
18/35
Exemple
Modification du second membre
   
0.1 8.2
−0.1 −13.6
δb =  
 0.1  , δx ′ = 
 3.5 

−0.1 −2.1
◮ normes infinies
||x ||∞ = 1, ||b||∞ = 33, ||δb||∞ = 0.1, ||δx ′ ||∞ = 13.6
◮ taux d’amplification de l’erreur
||δx ′ ||∞ ||b||∞

= 4488
||x ||∞ ||δb||∞
19/35
Plan
Méthode de Gauss
20/35
Motivations
◮ Résolution du système Ax = b
◮ Formule de Cramer (A matrice quelconque)
◮ Composante i de x
det(a1 , . . . , ai −1 , b, ai +1 , . . . , an )
xi =
det(A)
avec ai colonne i de A
20/35
Motivations
◮ Résolution du système Ax = b
◮ Formule de Cramer (A matrice quelconque)
◮ Composante i de x
det(a1 , . . . , ai −1 , b, ai +1 , . . . , an )
xi =
det(A)
avec ai colonne i de A
◮ Complexité
• n + 1 déterminants et n divisions
→ (n + 1)! + n ≃ (n + 1)! multiplications
• Exemple : n = 10
→ 4 107 multiplications
◮ Autres méthodes de résolution
20/35
Matrice triangulaire inférieure L

◮ Soit le système suivant
    
l11 x1 b1
l21 l22  x2  b2 
    
l31 l32 l33  x3  b3 
   =  
 .. ..   ..   .. 
. .  .   . 
ln1 ... ... ... lnn xn bn
◮ Ligne 1 → inconnue x1
b1
l11 x1 = b1 ⇒ x1 =
l11
21/35

    
l11 x1 b1
l21 l22  x2  b2 
    
l31 l32 l33  x3  b3 
   =  
 .. ..   ..   .. 
. .  .   . 
ln1 ... ... ... lnn xn bn
◮ Ligne 2 → inconnue x2 car x1 connue
1
l21 x1 + l22 x2 = b2 ⇒ x2 = b2 − l21 x1
l22
21/35

    
l11 x1 b1
l21 l22  x2  b2 
    
l31 l32 l33  x3  b3 
   =  
 .. ..   ..   .. 
. .  .   . 
ln1 ... ... ... lnn xn bn
◮ Ligne 3 → inconnue x3 car x1 et x2 connues
1
l31 x1 + l32 x2 + l33 x3 = b3 ⇒ x3 = b3 − l31 x1 − l32 x2
l33
21/35

    
l11 x1 b1
l21 l22  x2  b2 
    
l31 l32 l33  x3  b3 
   =  
 .. ..   ..   .. 
. .  .   . 
ln1 ... ... ... lnn xn bn
◮ Ligne n → inconnue xn car x1 , . . . , xn−1 connues
1
n−1
X n−1
X
lnj xj + lnn xn = bn ⇒ xn = bn − lnj xj
j=1
lnn j=1
21/35

◮ Substitution directe → formules de descente
i−1
X
b1 1
x1 = et xi = bi − lij xj , 2≤i ≤n
l11 lii j=1
◮ complexité
étape 1 : 1 division
étape 2 : 1 multiplication et 1 division
.. ..
. .
étape n : n − 1 multiplications et 1 division
X n(n + 1) n2
= ≃
2 2
22/35
Matrice triangulaire supérieure U

◮ Substitution indirecte → formules de remontée
Xn
bn 1
xn = et xi = bi − uij xj , n−1≤i ≤1
unn uii j=i+1
◮ complexité
étape 1 : 1 division
étape 2 : 1 multiplication et 1 division
.. ..
. .
étape n : n − 1 multiplications et 1 division
X n(n + 1) n2
= ≃
2 2
23/35
Plan
Méthode de Gauss
24/35
Principe de la méthode
◮ Transformation de Ax = b en un système triangulaire supérieur
Ux = b̂
◮ Combinaison linéaire des équations pour éliminer certains termes
24/35
Ux = b̂

◮ Construction d’une suite de matrices A(k) et de second membre b (k)
vérifiant
A(1) = A, b (1) = b
A(n) = U, b (n) = b
b
avec U triangulaire supérieure
24/35
Ux = b̂

◮ Construction d’une suite de matrices A(k) et de second membre b (k)
vérifiant
A(1) = A, b (1) = b
A(n) = U, b (n) = b
b
avec U triangulaire supérieure
◮ complexité
n3
3
vs (n+1) ! pour les formules de Cramer
24/35
Méthode de Gauss - exemple
◮ Considérons le système suivant


 5x + 2x2 + x3 = 12
 1
5x1 − 6x2 + 2x3 = −1


−4x1 + 2x2 + x3 = 3
25/35
Méthode de Gauss - exemple
◮ Considérons le système suivant


 5x + 2x2 + x3 = 12
 1
5x1 − 6x2 + 2x3 = −1


−4x1 + 2x2 + x3 = 3
◮ écriture matricielle Ax = b
    
5 2 1 x1 12
 5 −6 2 x2  = −1
−4 2 1 x3 3
25/35
Méthode de Gauss - exemple - étape 1
1 - Elimination de l’inconnue x1 des équations 2 et 3
• Matrice et second membre initiaux

 
5 2 1
A(1) =  5 −6 2
−4 2 1
 
12
b (1) = −1
3
26/35

(1)
ai1
• Retranche (1)
fois l’équation 1 aux équations 2 et 3
a11
 
5 2 1
A(2) =  5 − 55 5 −6 − 55 2 2 − 55 1
−4 + 54 5 2 + 54 2 1 + 54 1
 
12
b (2) = −1 − 55 12
3 + 45 12
26/35
• Nouveaux coefficients
 
5 2 1
A(2) = 0 −8 1
18 9
0 5 5
 
12
b (2) = −13
63
5
26/35
1 - Elimination de l’inconnue x2 de l’équation 3
• Matrice et second membre

 
5 2 1
A(2) = 0 −8 1
18 9
0 5 5
 
12
b (2) = −13
63
5
27/35

(2)
a32 9
• Retranche (2)
=− fois l’équation 2 à l’équation 3
a22 20
 
5 2 1
A(3) = 0 −8 1 
18 9 9 9
0 5 − 20 8 5 + 20 1
 
12
b (3) =  −13 
63 9
5 − 20 13
27/35
• Nouveaux coefficients
 
5 2 1
A(3) = 0 −8 1
9
0 0 4
 
12
b (3) = −13
27
4
27/35
Méthode de Gauss - exemple - résolution
◮ Triangulation de la matrice
    
5 2 1 x1 12
0 −8 1  x2  = −13
9 27
0 0 4 x3 4
◮ Résolution par remontée

 
1
x = 2
3
28/35
Méthode de Gauss - étape 1
1 - Elimination de l’inconnue x1 des équations 2 à n
• Matrice initiale
 (1) (1) (1)

a11 a12 ... a1n
 (1) (1) (1) 
a21 a22 ... an 
A(1) =
 .. .. .. 
 . . . 
(1) (1) (1)
an1 an2 ... ann
29/35

(1)
ai1
• Retranche (1)
fois la première équation à l’équation i (2 ≤ i ≤ n)
a11
 (1) (1) (1)

a11 a12 ... a1n
 (1) a21 (1)
(1) (1) a21
(1)
(1) (1)
(1)
a21 (1) 
a21 − (1) a11 a22 − a12 ... an − a1n 
 a11
(1)
a11
(1)
a11 
A(2) =
 .. .. .. 

 . . . 
 (1) (1) (1) 
(1) a (1) (1) an1 (1) (1) an1 (1)
an1 − n1 (1) a11 an2 − (1) a12 ... ann − (1) a1n
a11 a11 a11
29/35
• Coefficients de la nouvelle sous-matrice de taille n − 1

(1)
(2) (1) ai1 (1)
∀ 2 ≤ i, j ≤ n, aij = aij − a
(1) 1j
a11
29/35
• Expression de la matrice A(2)

 (1) (1) (1)

a11 a12 ... a1n
 (2) (2) 
 a22 ... a2n 
A(2) =  .. .. 
 . . 
(2) (2)
an2 ... ann
29/35
2 - Mise à jour du second membre
• Second membre initial  (1) 

b1
 (1) 
b2 
b (1) =
 .. 

 . 
(1)
bn
30/35

(1)
ai1
• Retranche (1)
fois la ligne 1 aux lignes i (2 ≤ i ≤ n)
a11
 (1)

b1
 (1) a21(1) 
b2 − (1) b1(1) 
 a11 
b (2) =
 .. 

 . 
 (1) 
(1) an1 (1)
bn − (1) b1
a11
30/35
• Coefficients du nouveau sous-vecteur de taille n − 1

(1)
(2) (1) ai1 (1)
∀ 2 ≤ i ≤ n, bi = bi − b
(1) 1
a11
30/35
• Expression du vecteur b (2)

 (1) 
b1
 (2) 
b2 
b (2) =
 .. 

 . 
(2)
bn
30/35
Méthode de Gauss - étape k
1 - Elimination de l’inconnue xk des équations k + 1 à n
 (1) (1)

a11 ... ... a1n
 .. .. 
 . . 
 (k) (k) (k) 
 akk akk+1 ... akn 
A(k) = (k) (k) (k) 
 ak+1k ak+1k+1 ... ak+1n 
 .. .. 
 
. .
(k) (k) (k)
ank ank+1 ... ann
31/35

(k)
aik
• Retranche (k)
fois l’équation k à l’équation i (k + 1 ≤ i ≤ n)
akk
 a(1) ... ...
(1)
a1n

11
 .. .. 
 . . 
 (k)
akk
(k)
akk+1 ...
(k)
akn 
 
 (k) (k) (k) 
= (k) 
(k+1) a a a
(k) (k) (k) (k) (k)
A  ak+1k − k+1k(k)
akk ak+1k+1 − k+1k(k)
akk+1 ... ak+1n − k+1k(k)
akn

a a a
 kk kk kk 
 .. .. 
 . . 
 (k) (k) (k) 
(k) a (k) (k) a (k) (k) a (k)
ank − nk akk ank+1 − nk akk+1 ... ann − nk akn
(k) (k) (k)
a a a
kk kk kk
31/35
• Coefficients de la nouvelle sous-matrice de taille n − k

(k)
(k+1) (k) aik (k)
∀ k + 1 ≤ i, j ≤ n, aij = aij − a
(k) kj
akk
31/35
• Expression de la matrice A(k+1)

 (1) (1)

a11 . . . ... a1n
 .. .. 
 . . 
 
(k+1)  (k+1) (k+1) 
A = ak+1k+1 ... ak+1n 
 .. .. 
 
 . . 
(k+1) (k+1)
ank+1 ... ann
31/35

• Second membre initial  

(1)
b1
 . 
 .. 
 
 
b (k) = bk(k) 
 . 
 . 
 . 
(k)
bn
32/35

(k)
aik
• Retranche (k)
fois la ligne k aux lignes i (k + 1 ≤ i ≤ n)
akk
 (1)

b1
 .. 
 . 
 
 (k) 
 b 
 k 
= ak+1k (k) 
(1)
b (k+1) (k)
bk+1 − (1) b1 
 a11 
 .. 
 
 . 
 (k) a(1) (k) 
bn − (1) b1
nk
a11
32/35

• Coefficients du nouveau sous-vecteur de taille n − k

(k)
(k+1) (k) aik (k)
∀ k + 1 ≤ i ≤ n, bi = bi − b
(k) k
akk
32/35

• Expression du vecteur b (k+1)

 (1) 
b1
 . 
 .. 
 
 (k) 
 bk 
b (k+1) =  (k+1) 
bk+1 
 
 .. 
 . 
(k+1)
bn
32/35
Méthode de Gauss - étape n − 1
1 - Elimination de l’inconnue xn−1 de l’équation n
 (1) (1)

a11 ... a1n
 .. .. 
 . . 
A(n−1) =


(n−1) (n−1) 
 an−1n−1 an−1n 
(n−1) (n−1)
ann−1 ann
33/35

(n−1)
ann−1
• Retranche (n−1)
fois la première équation à l’équation n
an−1n−1
 (1) (1) 
a11 ... a1n
 .. .. 
 . . 
(n)  
A = (n−1) (n−1) 
 an−1n−1 an−1n 
 (n−1)
ann−1
(n−1)
ann−1

(n−1) (n−1) (n−1) (n−1)
ann−1 − (n−1) an−1n−1 ann − (n−1) an−1n
an−1n−1 an−1n−1
33/35
• Coefficients de la nouvelle sous-matrice de taille 1

(n−1)
(n) (n−1) ann−1 (n−1)
ann = ann − (n−1)
an−1n
an−1n−1
33/35
• Expression de la matrice A(n)

 (1) (1) (1)

a11 a12 ... a1n
 (2) (2) 
 a22 ... a2n 
A(n) =  .. .. 
 . . 
(n)
ann
33/35
• Second membre initial

 (1)

b1
 . 
 .. 
b (n−1) = 
 (n−1) 
bn−1 
(n−1)
bn
34/35

(n−1)
ann−1
• Retranche (n−1)
fois la ligne n − 1 à la ligne n
an−1n−1
 (1) 
b1
 .. 
 . 
(n−1)  
b = (n−1) 
 bn−1 
 (n−1)
ann−1

(n−1) (n−1)
bn − (n−1) bn−1
an−1n−1
34/35
• Coefficient du nouveau sous-vecteur de taille 1

ann−1 (n−1) (n−1)
bn(n) = bn(n−1) − (n−1)
b(n−1)
an−1n−1
34/35
• Expression du vecteur b (n)

 (1)

b1
 (2) 
 b2 
b (n) =
 .. 

 . 
(n)
bn
34/35
Méthode de Gauss avec pivotage

k
◮ coefficient multiplicatif non défini si pivot akk nul → divison par 0
◮ recherche du plus grand pivot en valeur absolue à chaque étape
◮ pivotage partiel : recherche pivot dans la colonne sous la diagonale
⇒ permutations de 2 lignes
◮ pivotage total : recherche pivot dans la sous-matrice non triangulée
⇒ permutations de 2 lignes et de 2 colonnes
   
× ... × × ... ×
 .. ..   .. .. 
 . .  . .
   
 × . . . ×   × . . . × 
   
 .. ..   .. .. 
 . .   . .
× ... × × ... ×
35/35

Cours 1

Transféré par

Informations du document

Titre original

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

Cours 1

Transféré par

Droits d'auteur :

Formats disponibles

Normes et conditionnement Systèmes triangulaires Méthode de Gauss

Outils numériques pour la modélisation

Formation ingénieur 3ème année

Intérêt du calcul scientifique

Calcul scientifique : tout calcul à l’usage de la science

◮ mécanique des solides et des fluides

Figure – Propragation d’infrasons

⇒ Intérêt de la simulation : substitution aux expériences

Figure – Echographie sismique

⇒ Intérêt de la simulation : ↑ de la rentabilité lors de la prospection

Figure – Ecoulement transsonique en phase de vol autour d’un avion

⇒ Défis de la simulation : traiter des problèmes plus réalistes

Prérequis indispensables : bases (L2) en mathématiques et physique

Outils numériques pour la modélisation

Résolution de systèmes matriciels

◮ Discrétisation des EDP (e.g. différences finies) → cours 4 et 5

def ||Ax ||p

Normes matricielles usuelles

◮ norme euclidienne (norme 2)

◮ faibles pertubations dans la matrice (A + δA)(x + δx ) = b

◮ faibles pertubations dans le second membre A(x + δx ′ ) = (b + δb)

◮ Mesure la sensibilité du système aux variations des données δA et δb

||x ||∞ = 1, ||b||∞ = 33, ||A||∞ = 33, ||A−1 ||∞ = 136

◮ taux d’amplification de l’erreur

||δx ||∞ ||A||∞

||x ||∞ = 1, ||b||∞ = 33, ||δb||∞ = 0.1, ||δx ′ ||∞ = 13.6

◮ taux d’amplification de l’erreur

||δx ′ ||∞ ||b||∞

◮ Autres méthodes de résolution

Matrice triangulaire inférieure L

Matrice triangulaire inférieure L

◮ Ligne 2 → inconnue x2 car x1 connue

Matrice triangulaire inférieure L

◮ Ligne 3 → inconnue x3 car x1 et x2 connues

Matrice triangulaire inférieure L

◮ Ligne n → inconnue xn car x1 , . . . , xn−1 connues

Matrice triangulaire inférieure L

Matrice triangulaire supérieure U

◮ Combinaison linéaire des équations pour éliminer certains termes

◮ Combinaison linéaire des équations pour éliminer certains termes

◮ Combinaison linéaire des équations pour éliminer certains termes

Méthode de Gauss - exemple

◮ Considérons le système suivant

Méthode de Gauss - exemple

◮ Considérons le système suivant

Méthode de Gauss - exemple - étape 1

1 - Elimination de l’inconnue x1 des équations 2 et 3

• Matrice et second membre initiaux

Méthode de Gauss - exemple - étape 1

1 - Elimination de l’inconnue x1 des équations 2 et 3

Méthode de Gauss - exemple - étape 1

1 - Elimination de l’inconnue x1 des équations 2 et 3

Méthode de Gauss - exemple - étape 2

1 - Elimination de l’inconnue x2 de l’équation 3

• Matrice et second membre

Méthode de Gauss - exemple - étape 2

1 - Elimination de l’inconnue x2 de l’équation 3

Méthode de Gauss - exemple - étape 2

1 - Elimination de l’inconnue x2 de l’équation 3

Méthode de Gauss - exemple - résolution

◮ Résolution par remontée

Méthode de Gauss - étape 1

1 - Elimination de l’inconnue x1 des équations 2 à n