Université Abdelmalek Essaadi,

ENSA D’AL-Hoceima
Années Préparatoires, deuxième année
Année universitaire 2021/2022

Solution de l’Épreuve d’Analyse Numérique

Contrôle Continu

Exercice 1
Soit !
4 11 14
A=
8 7 −2
une matrice à coefficients réels. On propose de décomposer cette matrice sous forme SVD.
1. Quelle est la taille de A ? Calculer les matrices B = AT A et C = A AT , puis donner
leurs tailles respectives. Calculer la norme de Frobenius kAkF de la matrice A.
2. Vérifier que la matrice B n’est pas inversible ; puis en utilisant la propriété de la trace
tr(B) et celle du déterminant det(B), déterminer le spectre Sp(B) de la matrice B.
En déduire le polynôme caractéristique de B.
3. Calculer les valeurs propres de C ; et en déduire que Sp(C) ⊂ Sp(B).
4. Calculer les valeurs singulière de la matrice A ; calculer les normes kAk1 et kAk∞ ;
puis en déduire kAk2 .
5. Déterminer les vecteurs propres normés de AT A, les vecteurs propres normés de A AT
et en déduire les matrices U et V .
6. Vérifier que les matrices U et V sont orthogonales ; déterminer la matrice Σ formée
de valeurs singulières de A vérifiant A = U Σ V T .
7. Donner la matrice Σ† , puis déterminer le pseudo-inverse de Moore-Penrose A† de la
matrice A. ♥
On rappelle le théorème de la décomposition en valeurs singulières SVD d’une matrice
A:

Théorème 0.1 (La décomposition SVD d’une matrice)

Soit A ∈ Rm×n une matrice. Il existe deux matrices orthogonales U ∈ Rm×m et V ∈ Rn×n
telles que A = UΣV T où Σ = diag(σ1 , σ2 , . . . , σp ) ∈ Rm×n avec σ1 > σ2 > . . . > σp sont les
valeurs singulières de A et p = min(n, m).
Les matrices U et V sont obtenues par :
1) U est la matrice des vecteurs propres orthonormés de A AT .
2) V est la matrice des vecteurs propres orthonormés de AT A.

1
Solution : Soit !
4 11 14
A=
8 7 −2
une matrice à coefficients réels. On propose de décomposer cette matrice sous forme SVD.
1. La taille de la matrice est 2 × 3, c’est à dire que A est une matrice à 2 lignes et 3
colonnes.
Calculons les matrices B = AT A et C = A AT : en effet, on a
 
4 8
T
A =  11

7 

14 −2
 
80 100 40 !
T T 333 81
alors B = A A =  100 170 140  et C = A A =
 
81 117
40 140 200
la taille de la matrice B est de 3 × 3 et celle de C est 2 × 2. La norme de Frobenius
kAkF de la matrice A est par définition :
q √ √ √
kAkF = tr(AT A) = 80 + 170 + 200 = 450 = 15 2.
2. La matrice B n’est pas inversible puisque son déterminant est
80 100 40
170 140 100 140 100 170
det(B) = 100 170 140 = 80 − 100 + 40
140 200 40 200 40 140
40 140 200
= 80(34000 − 19600) − 100(20000 − 5600) + 40(14000 − 6800)
= 80 ∗ 14400 − 100 ∗ 14400 + 40 ∗ 7200
= 1440000 − 1440000
soit det(B) = 0.
La matrice B n’est pas inversible et elle de taille 3 × 3, alors elle admet 3 valeurs
propres dont une est nulle ; soit λ1 , λ2 et λ3 les valeurs propres de B avec λ3 = 0,
donc la trace tr(B) de B est
tr(B) = λ1 + λ2 + λ3 = λ1 + λ2 = 450
et le déterminant det(C) est
333 81
λ1 ∗ λ2 = det(C) = = 333 ∗ 117 − 812 = 32400
81 117
d’où λ1 = 360, λ2 = 90 et λ3 = 0 ; soit le spectre Sp(B) = {0; 90; 360} de la matrice
B.
Comme λ1 = 360, λ2 = 90 et λ3 = 0 sont les valeurs propres de B alors on en déduit
que le polynôme caractéristique de B est
PB (λ) = λ(360 − λ)(λ − 90).

2
3. Les valeurs propres de C : en effet, la matrice C est de taille 2 × 2 alors elle admet
deux valeurs propres, notées α1 et α2 , vérifiant
α1 + α2 = tr(C) = 333 + 117 = 450 et α1 α2 = det(C) = 333 ∗ 117 − 812 = 32400
donc Sp(C) = {90; 360} ;
d’où on déduit que Sp(C) = {90; 360} ⊂ {0; 90; 360} = Sp(B).
4. Les valeurs singulière de la matrice A sont les racines carrées positives des valeurs
propres de la matrice B = AT A, soit
√ √ √ √ √
σ1 = 360 = 6 10 ; σ2 = 90 = 3 10 et σ3 = 0 = 0.
Par définition, Les normes kAk1 et kAk∞ , sont données par
 
m n
!
X X
kAk1 = max |aij | et kAk∞ = max  |aij |
1≤j≤n 1≤i≤m
i=1 j=1

où m = 2 et n = 3, alors
2
!
X
kAk1 = max |aij | = max{12; 18; 16} = 18,
1≤j≤3
i=1
 
3
X
kAk∞ = max  |aij | = max{17; 29} = 29
1≤i≤2
j=1
√
la valeur singulière la plus grande de A est σ1 = 6 10, alors on déduit que
√
kAk2 = σ1 = 6 10.
5. Les vecteurs propres normés de AT A : en effet,
– soit v1 = (x, y, z)T un vecteur propre de B = AT A associé à la valeur propre 360,
alors B v1 = 360 v1, donc
    
80 100 40 x 360 x
 100 170 140   y  =  360 y 
    

40 140 200 z 360 z

 
1/3
on cherche le vecteur v1 tel que kv1 k = 1, alors v1 =  2/3 .
 

2/3
– soit v2 = (x, y, z) un vecteur propre de B = A A associé à la valeur propre 90,
T T

alors B v2 = 90 v2, donc

    
80 100 40 x 90 x
 100 170 140   y  =  90 y 
    

40 140 200 z 90 z
 
−2/3
on cherche le vecteur v2 tel que kv2 k = 1, alors v2 =  −1/3 .
 

2/3

3
 – soit v3 = (x, y, z)T un vecteur propre de B = AT A associé à la valeur propre 0,
alors B v3 = 0 v3 , donc
    
80 100 40 x 0
 100 170 140   y  =  0 
    

40 140 200 z 0
 
2/3
on cherche le vecteur v3 tel que kv3 k = 1, alors v3 =  −2/3 .
 

1/3
d’où on en déduit que la matrice V est donnée par
 
1/3 −2/3 2/3
V = [v1 |v2 |v3 ] =  2/3 −1/3 −2/3  .
 

2/3 2/3 1/3

Les vecteurs propres normés de C = A AT : en effet,
– soit u1 = (x, y)T un vecteur propre de C = A AT associé à la valeur propre 360,
alors C u1 = 360 u1 , donc
! ! !
333 81 x 360 x
=
81 117 y 360 y
√ !
3√10/10
on cherche le vecteur u1 tel que ku1 k = 1, alors u1 = .
10/10
– soit u2 = (x, y)T un vecteur propre de C = A AT associé à la valeur propre 90,
alors C u2 = 90 u2 , donc
! ! !
333 81 x 90 x
=
81 117 y 90 y
√ !
√ 10/10
on cherche le vecteur u2 tel que ku2 k = 1, alors u2 = .
−3 10/10
d’où on en déduit que la matrice U est donnée par
√ √ !
3√10/10 √ 10/10
U = [u1 |u2 ] = .
10/10 −3 10/10
6. Les matrices U et V sont orthogonales, en effet on a
    
1/3 −2/3 2/3 1/3 2/3 2/3 1 0 0
V VT =  2/3 −1/3 −2/3   −2/3 −1/3 2/3  =  0 1 0 
    

2/3 2/3 1/3 2/3 −2/3 1/3 0 0 1

    
1/3 2/3 2/3 1/3 −2/3 2/3 1 0 0
VT V =  −2/3 −1/3 2/3   2/3 −1/3 −2/3  =  0 1 0 
   

2/3 −2/3 1/3 2/3 2/3 1/3 0 0 1
√ √ ! √ √ ! !
T 3√10/10 √10/10 3√10/10 √10/10 = 1 0
UU =
10/10 −3 10/10 10/10 −3 10/10 0 1

4
 la matrice Σ formée de valeurs singulières de A est
√ !
6 10 √0 0
Σ=
0 3 10 0
et enfin il vient la décomposition SVD de la matrice A
1 2 2
 
   √
3 10
√
10
  √   3 3 3
4 11 14 6 10 0 0

10 10
 
− 23 − 13 2
     



 = 
 √ √
 
 √  
 3
.

8 7 −2 10
− 3 1010 0 3 10 0




10 2
3
− 23 1
3

7. La matrice Σ† est  √ 
10
60
0 0 
Σ† = 


 √ 
10
0 30
0
le pseudo-inverse de Moore-Penrose A† de la matrice A est donnée par
1 2 2
 
 √ √   √  3 3 3
3 10 10 10
0 0 
 
10 10 60

A† =   −2 −1 2
    
   
 √ √   √   3 3 3 
10
− 3 1010 0 10
0 
 

10 30 2
3
− 23 1
3

d’où le pseudo-inverse de Moore-Penrose A† de la matrice A

1 1 1
 
− 180 45 18
A† = 



13 2 1
180 45
− 18

On vérifie que A ∗ (A† )T = I2 et A† ∗ AT = I2 .