Analnum 1

Méthodes numériques
en
Ingénierie
Présenté par:
Dr. J. Ferahtia
Introduction générale
I. Introduction générale
Un grand nombre de problèmes tels que les équations du second degré, les
intégrales admettant une primitive facile à calculer, les équations différentielles
possède une solution exacte ou analytique.
Cependant
Des problèmes tels que les équations polynomiales de degrés >5 , la majorité
des équations différentielles, les problèmes dont on ne connaît pas la solution
analytiques, problèmes dont la solution analytique est Inconnue ou inexploitable
exemple:équations transcendantes telles:
a.cos2x+b.ex+c=0
y’’ cos2x+x3y’+cy=0
ne peuvent être résolus de manière exacte.
d’où
Le seul moyen de calculer la solution, lorsqu’elle existe, est de l’approximer
numériquement. C’est le domaine de l’analyse numérique.
Le chapitre des mathématique qui a pour but d’arriver aux valeurs numériques
s’appelle analyse numérique.
La grande partie des calculs numériques se fait sur ordinateur. Mais pour que
les machines soient capable de faire des calculs, il faut les programmer, donc
…….écrire des programmes, qui est l’objet principale de l’analyse numérique.
Cours d’analyse numérique
Définition algorithmique
mathématique :: la
générale : l’analyse la résolution algorithmique
mathématique
numérique estde d’unnumérique
le l’analyse
domaine problème
des comporteoù
mathématiques
s’intéresse:
-à L’approximation
l’on
l’étude
étudiedes d’un problème
desconditions d’existence
algorithmes permettant et d’unicité
de résoudre
mathématique décrit
de enproblèmes
lades termes
solution d’opérateurs
ainsi qu’aux de
de l’analyse
l’analyse
performances(i.e. dérivées,
mathématiques intégrales,..)
duauprocédé
moyen de
de résolutionpar (convergence,
un problème numérique
calcul arithmétique. défini au moyen
stabilité, précision…).
des seuls opérateurs arithmétiques.
- L’élaboration d’un procédé de résolution de ces problèmes numériques associé.
Analyse numérique
Sciences de
l’ingénieur
Informatique
Mathématiques
Simulations numériques de phénomènes complexes
"Scientific Computing / Computational Sciences"
Modélisation Analyse mathématique Résolution numérique

et programmation
objectif : objectif :
• étude
• décrire le comportement des équations
de systèmes précédentes
physiques pour
beaucoup de problèmes n’ont pas de solutions analytiques :
• existence,
prédire, optimiser, contrôler unicité de solutions
le comportement de ces systèmes
recours aux ordinateurs pour la résolution
• mise en équation des•• choix
nature des solutions : stables,
phénomènes
(et étude) physiques
de la méthodeobservésinstables, régulières,
de résolution
• sous-entendu : hypothèses,
•singulières,
des ...
écrituredomaine de validité
algorithmes limité,
de résolution
description partielle parfois erronée
• analyse de la réalité, ...
de la solution
Objectifs du calcul numérique
 proposer des algorithmes pour calculer une solution approchée
 contrôler les différentes sources d’erreurs propres à l’approximation numérique
 tenir compte du fait que plusieurs algorithmes peuvent être utilisés pour
résoudre le même problème.
 fournir des valeurs numériques, c-à-d en fin du compte des nombres réels.
Domaines d’application
physique, mécanique, géophysique, aéronautique, génie civil,

électromagnétisme, météorologie, sciences de l’environnement
(pollution, nappes phréatiques, inondations, ...), biologie,
chimie, finance, ...
Les Méthodes numériques élémentaires couvre plus particulièrement

les sujets suivants :
– Analyse d’erreurs ;
– Racines d’une équation algébrique ;
– Systèmes d’équations linéaires et non linéaires ;
– Méthodes itératives et systèmes dynamiques ;
– Interpolation ;
– Différentiation et intégration numériques ;
– Equations différentielles ordinaires.

Calculs numériques approchés
Chapitre I: Calculs numériques approchés
Il fait combien le calcul de :
2 * 2  2?
Réponse :
Il fait combien le calcul de :
1-3*(4/3-1)?
Réponse :
Autre exemple :
Si on demande à un ordinateur d’effectuer les sommations suivantes

En utilisant les quantités :
a=1020, b=-1020, c=1
1ère opération :
(a+b)+c= 1
2ème opération
a+(b+c)= 0
Pourquoi l’ordinateur fait-il tant d’erreurs?
Réponse :
Parce qu’il ne connaît qu’un nombre finit de nombre !

À chaque fois qu’on effectue un calcul numérique, l’on est confronté aux erreurs
Qu’est ce qu’une erreur?
D’où viennent les erreurs?
Quelles conséquences ont-elles?
Comment analyser leurs effets?

I-1 Nombre approché
Un nombre approché x̂ est un nombre légèrement différent du nombre exact x

et qui dans le calcul remplace ce dernier.
I-2 Erreur absolue
On appel erreur absolue dx d’un nombre approché x̂la valeur absolue de la

Différence entre le nombre exacte x et le nombre approché
d x  x  xˆ
L’écart relatif est le rapport :
xˆ  x
x  ou xˆ  x 1   x 
x
I-3 Erreur relative

L’erreur relative ex d’un nombre approché est la valeur absolue de l’écart relatif
xˆ  x d x
e x  x   si x0
x x
L’erreur relative fournit une information plus pertinente sur la grandeur réelle
de l’erreur.
I-4 Sources d’erreurs
Les quatre principales sources d’erreurs :
 erreurs de modélisation
 erreurs sur les données
 erreurs dues à la représentation des nombres sur ordinateurs
 erreurs de troncatures ou de discrétisation

• les erreurs de modélisations proviennent de l’étape de mise d’un problème

sous forme mathématique (la mise en équation)
• pour réduire le degré de complexité d’un phénomène physique,

erreur de modélisation
• l’erreur de modélisation peut être contrôlée par un choix convenable du

modèle mathématique.
I-5 Erreurs sur les données
 elles sont liées à l’imprécision des mesures physiques
 elles peuvent être réduites en améliorant la précision des mesures

I-6 Représentation décimale approchée des nombres réelles
La notation la plus utilisée est la représentation en virgule flottante:
x   m.b p
où :
x: nombre réel
b: base de numération
m: la mantisse
p: exposant
Sur ordinateur les calculs sont généralement en base 2 et les résultats affichés en
base 10.
La mantisse m est écrite en virgule fixe possédant un nombre maximum N de
chiffre imposé par la mémoire de l’ordinateur:
N
m  0, a0a1...............an   ak b  k , b 1  m  1
k 1
La précision relative d’un chiffre réel est donnée par:
x m b  N
  1  b1 N
x m b
Puisque l’exposant p est compris entre deux nombres entiers, L  p U
Alors, les nombres réels pouvant être représentés sur machine sont compris
Entre deux valeurs xmin et xmax:
L1
xmin  b  x  b  xmax
U
Exemple :
Considérant une notation binaire b=2 à virgule flottante qui utilise 1 bit pour le signe
m=23 bits pour la mantisse et 8 bits (signe inclus) pour l’exposant p.
xmax 2 2 2 1
U 7
Si un nombre réel quelconque xIR n’appartient pas au sous ensemble

IF(b,m,L,U)IR, des nombres réels qui peuvent être représentés et manipulés sur
ordinateur, l’approche typique est d’arrondir x de façon à ce que le nombre arrondi
Appartienne à IF.
Résolution d’équation à une variable
de type f (x)=0
Zéros de fonctions non- linéaires

Chapitre II: Résolution d’équations à une variable
II-1 Principe
Les méthodes de résolution de f (x)=0 sont des méthodes itératives. Elles
consistent à construire une suite xn convergente, le plus rapidement possible,
vers x*.
II-2 Rappels
Objectif
y=f(x)
Résoudre l’équation :
f(x)=0
x
r1 r2 r3 r4
Points d’intersections de f(x)

Trouver les racines ri
avec l’axe des x
Objectif
y=f(x)
1- Séparation des racines:
On cherche pour la (m+1)ième racine,

un intervalle [a,b] tq:
x
f(a).f(b)<0 r1 r2 r3 r4
a b
2- Méthodes de séparation des racines:
Si f(x) est continue sur [a,b] et N le nombre de racines de f(x)=0, alors:
f(a).f(b)>0 N est nul ou pair

f(a).f(b)<0 N est impair
3- Si f(x) est strictement monotone dans [a,b] alors l’existence d’une racine implique
son unicité.
II-2 Récurrence
II-2-1 Formules de récurrence
Terme au Terme actuel

stade précèdent Récurrence simple xn
Xn-1
S1=a1
S2=a1+a2=S1+a2
Plusieurs termes Récurrence multiple Terme actuel
S3=a1+a2+a3=S2+a3
précédents xn
…..
xn-1,xn-2,…,xn-k
Sk=a1+a2+…+a k=Sk-1+ak
… Suite de Fibonacci Suite de Chebychev
Sn=a1+a2t0+…….+a
=1 n=Sn-1+an T0(x)=1
t1=1 T1(x)=x
t2=2 T2(x)=2x2-1
t3=3 T3(x)=4x3-3x
t4=5 …..
……..
Tk+1(x)=2xTk(x)-Tk-1(x)
tk=tk-1+tk-2
II-2-2 Principe d’itérations
Autre approximation plus

Approximation de
n- itérations Proche de la solution vraie
la solution vraie
(convergence pas toujours assurée)
Début Estimation initiale de la solution : x0
x1=F(x0)
x2=F(x1)
….
xk=F(xk-1) Converge X* solution du problème
….
xn=F(xn-1)
Ne converge pas tout le temps.
Inconvénient
Méthode I:
méthode des substitutions successives
(point fixe)
II-3 Principe de la méthode des substitution successives ou méthode du point fixe
Le principe est de remplacer f (x)=0 par une équation équivalente x=F(x) et

Construire une suite récurrente définie par
 x0 fixé dans l' intervalle a, b


 xn1  F(x n )
Cette méthode est dite itérative.

Méthodes de substitutions successives ou méthode du point fixe.
II-3-1 Principe
Ecrire f(x)=0 sous forme de x=F(x)

Avec F: nouvelle fonction de f.
Exemple :
f(x) =x2 + 3 ex – 12 = 0
x=F1(x)= x2 + 3 ex – 12 + x
Problème:
Non
x =F2(x)= 12- 3 ex unique
x= F3(x)=ln(12-x2)/3
Méthodes de substitutions successives
II-3-2 Principe
Soit
x* : solution vérifiant f(x*)=0 donc x*=F(x*)
et x0 estimé de x*.
x0 x=F(x) x1=F(x0)
Substitution x2=F(x1)
x3=F(x2)
……
Problème
xn=F(xn-1)
Suite {x0,x1,x2,……,xn,…} converge-t-elle vers x*?

II-3-3 Théorème
Si F(x) de l’équation x=F(x) possède une dérivée qui vérifie :
| F’(x) |  m < 1  x  IR
Alors  x0  IR la suite
{x0,x1,x2,…..xn,....} générée par xi=F(xi-1)(i=1,2,3,….,n) converge vers x*
solution de x=F(x) donc f(x)=0
la racine x* est unique
Comportement de l’erreur d’estimation:

Si l’on note en=xn-x* l’erreur d’estimation de la nième itération, alors
lim en+1/en=F’(x*)
n
II-3-4 Ordre d’une méthode:
Comment savoir si la suite xn+1=f(xn) converge rapidement vers la racine x*?

C-à-d, comment diminue l’erreur d’une itération à la suivante.
Définition:
Une méthode de résolution de f(x)=0 est dite d’ordre p si:
lim en+1/(en)p=k=Cste k≠0

n
Exemple : la méthode des substitutions successives est du premier ordre (p=1)

Exemple:
soit f(x) = 2 tg x – x – 1 = 0
- Réécrivez cette équation sous forme x=F(x)?

- Laquelle des écritures préfériez vous? Pourquoi ?
Solution
x=F1(x)=2tgx-1
x=F2(x)=arctg((x+1)/2)
Calculons la dérivée
1 1
F’1 (x)=2/cos2(x) F2' ( x) 
2
1
 x  1
2
Il est clair que F’1(x) >1 et F’2(x)<1 donc on choisit F’2(x)

Méthode II
méthode de Dichotomie
(bissection)
II-4 Méthode de dichotomie (Dichotomie de Bolzano)
L’estimé xk de la kième itération est évalué par:
xk=(xd+xg)/2
II-4-1 Exemples
Soit la suite définit par le terme ordre n+1:
Xn+1=(xn+a/xn)/2
Sachant que le calcul s’arrête quand xk+1-xk<e
1- Trouvez le terme de convergence (solution)

2- Que représente le terme de convergence?
Méthode III:
méthode Regula - Falsi
II-5 Méthode d’interpolation régulière Regula- Falsi
Domaine borné [xg, xd] où x* [xg, xd]

y=f(x) La corde coupe x l’axe en x1 et définit
deux triangle semblables:
yd (x1-xg/0-yg)=(xd-x1/yd-0) d’où
x1=(ydxg/yd-yg)-(ygxd/(yd-yg)  première
estimée
Alors on continu à calculer les estimés
x1,x2,… à quel interval appartient x*?
xg x x [xg,x1] ou [x1,xd] ?
1 2 x
x* xd
yg
Méthode d’interpolation régulière Regula- Falsi
On définit P=yd.y1 P<0 la racine est dans [x1,xd]
Soit
P=f(xd).f(x1) P>0 la racine est dans [xg,x1]
On procède par itération
Si P<0 xg=x1
yg=y1 Réitérer | xg - xd | <e
Si P>0 xd=x1
yd=y1
Méthode III
méthode de Newton Raphson
II-6 Méthode de Newton- Raphson

Soit la fonction f(x) continue et continuellement
f(x) dérivable au voisinage de x*.
f(x) Tracer la tangente à chaque

point (xn,f(xn))
Le
Ondéveloppement
considère ainsi en quesérie
le meilleur
de Taylor
au
estimé
voisinage
est: de x* autour de xn:
xn+1=xn+en
n)+f’(xnainsi n)+(x*-xn) /2!f’’(x
2
x On obtient
f(x*)=f(x )(x*-xl’algorithme de n)
+…..Newton- Raphson:
x2 x1 x0
n-f(xn)/f’(xn)
Sachantxn+1que
=xf(x*)=0:
f(xn)+f’(xn)(x*-xn)=0
L’approximation de l’erreur
(n=0,1,2….n max)
e:
en= - f(xn)/f’(xn)
Méthode de Newton- Raphson
II-6-1 Convergence
Théorème
Soit (a,b) un intervalle telle que:
f (a) . f (b) < 0
 x[a,b] f ’(x) ≠ 0
 x[a,b] f ’’(x) ≠ 0
Alors f (x)=0 possède une seule racine dans [a,b] et  x0 [a,b] alors:
la suite xn+1= xn- f (xn) / f ’(xn) converge quadratiquement

Méthode de Newton- Raphson
Convergence
Pour assurer la convergence on choisira un x0 telle que la condition de Fourier

Soit vérifier:
f ’’(x0) . f (x0) > 0

Résolution des systèmes d’équations linéaires
Chapitre III. Résolution des systèmes d’équations linéaires
III-1 Rappel sur les matrices
III-1-1 Définition
Une matrice est un tableau rectangulaire d’éléments, généralement

des nombres ou des fonctions. Ces grandeurs sont généralement des
réelles ou des complexes.
III-1-2 Notation
Une matrice A de dimension m*n est notée A  IR m*n.

Cette matrice est une matrice de m lignes et n colonnes.
a11 a12 ……..a1n

a21 a22 ……..a2n
A=[aij]= . .
. aij. .
.
am1 am2……….amn
Une matrice V qui ne comporte q’une seule colonne, V IRm*1 est

Vecteur colonne
v1
v2
.
V= .
.
vm
 Addition
Soient AIR m*n et B  IRm*n , l’addition de ces deux matrices est donnée :
C = [cij] = [aij+bij]
Note: A et B de même dimension, ainsi que C
Il en va de même pour la soustraction
 Produit
Étant donné AIR m*n une matrice, es b un scalaire, alors les éléments de la matrice
C est donnée par
cij = b aik
La matrice C=bA est de même dimension que A, C  IR m*n

III-1-3 Multiplication matricielle
Règle
La multiplication entre deux matrices n’est définie que lorsque leurs dimensions
son compatibles: le nombre de colonne de la matrice gauche de l’opérateur doit
correspondre au nombre de lignes de la matrice à droite de l’opérateur.
Si A  IR m*n, et si B  IR n*p , la multiplication entre les matrices A et B donne une

Matrice C de dimension m*p:
n
cij   aik bkj
k 1
III-1-4 Opérateur de transposition
La transposée d’une matrice A est la matrice AT (notée aussi A’)
Définie par A  IR m*n, AT  IR n*m
A=[aij]m*n , AT=[aji]n*m
Propriétés
(AT)T=A
(A+B)T=AT+BT
(AB)T=BTAT
III-2 Matrices particulières
III-2-1 Matrice nulle
Une matrice dont tous les termes son nuls.
Notée A=0, aij=0,  i,  j

III-2-2 Matrice diagonale
Une matrice diagonale A  IR n*n est une matrice carrée dont tous les
éléments non diagonaux sont nuls: aij=0,  i ≠ j
a11 0 0 ………..0
0 a22 0 …..…...0
.
A=[aij]= . aij 0
.
0 0 ……………ann
III-2-3 Matrice identité
Une matrice identité est une matrice diagonale A  IR n*n (carrée) dont tous les
éléments diagonaux qui sont unitaires et les éléments non diagonaux nuls:
aij=0,  i ≠ j
A=I
aii=1 , i=1,2,..n
III-2-4 Matrice triangulaire
Une matrice triangulaire supérieure (respectivement inférieurs) est une matrice carrée
A  IR n*n dont les éléments qui se trouvent au-dessous (respectivement au-dessus)
de la diagonale principale sont nuls:
aij=0,  i > j ( i < j )

a11 0 ……...0
a11 a12 ………..a1n a21 a22 ….....0
0 a22 …..…...a2n .
. (respectivement A=[aij]= .
A=[aij]= . ain . 0
. an1 an2 ………ann
0 0 ……… 0 ann
III-2-5 Matrice symétrique et antisymétrique
A  IR n*n une matrice carrée
Si A=AT , alors A est dite matrice symétrique
Si AT=-A , alors A est dite matrice antisymétrique

Propriétés
A.0 =0.A =0
A+0 =0+A =A
A.I =I.A =A
III-3 Déterminant d’une matrice
On appel déterminant d’une matrice A carrée, A  IR n*n le nombre notée det(A)

ou |A|:
n
det( A)   (1) i 1 ai1 det( Ai ) Où Ai est la matrice obtenue
i 1
en rayant la 1ére colonne et
la i-ème ligne.
III-3-1 Propriétés des déterminants
det(AB)=det(A).det(B)
det(A-1)=1/det(A)
D E 
det(A)= det( F G ) =det(G)det(D-EG-1F)=det(D)det(G-FD-1E)
 
D E  IRn*n , D  IRm*m et les matrices E,F et G sont en
Où A  accord avec celle de A et D, D-1 doit exister.
 F G 
III-3-2 Théorèmes:
1. Si tous les éléments d’une ligne (colonne) d’une matrice A  IR n*n sont nuls
alors det(A)=0
2. Si tous les éléments d’une ligne (colonne) du déterminant d’une matrice A  IR n*n
Sont multiplier par un scalaire k, alors le déterminant est multiplier par k.
3. Si B est obtenue à partir de A  IR n*n en échangeant deux de ces lignes (colonnes)

Alors det(B)=-det(A).
4. Si B est obtenu à partir de A  IR n*n en faisant passer la ième ligne (colonne)par

dessus p lignes (colonnes), alors det(B)=(-1)pdet(A)
5. Si deux lignes (colonnes) de A  IR n*n sont identiques, alors det(A)=0
6. Si, aux éléments d’une ligne (colonne) on ajoute k fois les éléments correspondants
D’une autre ligne (colonne), la valeur du déterminant reste inchangée.

III-4 Mineurs et cofacteurs
Les mineurs mij des éléments aij d’une matrice A carrée, A  IR n*n , sont les
déterminants de la partie restante de A lorsqu’on ne tient pas compte de la
Ligne i et la colonne j.
III-4-1 Les
III-4-2 Mineurs
cofacteurs
directeurs (leading minors)
m1=a
Les cofacteurs cij11(∆ij) des éléments aij d’une matrice carrée A, A  IR n*n, sont donnés :
 a11 a12   mn=det(A)
m2  det   


 a 21 a
cij=(-1)i+jmij
22
 a11 ..  
m3  det   

 .. a33  
……
III-4-3 Matrice adjointe
La matrice des cofacteurs cij des éléments aij de la matrice A, A  IR n*n , lorsqu’elle
est transposée, est appelée la matrice adjointe de A.
T
c11...........c1n 
 Propriétés . 
 
. 
~ T
 
A  adj ( A)  cij  
. c

Ã.A=A.Ã=|A|.I  ij
où |A| = det(A)
. 

adj(AB) = adj(A).adj(B) 
cn1...........cnn 
adj(A)=CT, avec C=[cij]

III-5 Matrice inverse
La matrice inverse A-1 d’une matrice A carrée, A  IR n*n , est donnée par:
1adj ( A)
A 
det( A)
Pour qu’une matrice soit inversible, il faut que son déterminant soit ≠ 0
On dit alors que la matrice est régulière ou non singulière.

Matrice inverse
Exemple 1 2 1
- Calculez la matrice inverse A-1de A 2 1 1
1 3 2
- Calculez le produit A-1.A, Que remarquez-vous?

Matrice inverse
Solution
1- Calcul du déterminant
det(A)=a12c12+a22c22+a32c32
a12 a23  a11 a13  a11 a13 

 a12    a22    a32  
 31 33 
a a  31 33 
a a  21 23 
a a
Remarque: en choisissant judicieusement la ligne (colonne) par laquelle on effectue le développement, on peut très largement
Simplifier les calculs (ex. ligne (colonne) comportant des zéros)).
Matrice inverse
Solution
1- Calcul du déterminant
det(A)=a12c12+a22c22+a32c32
a21 a23  a11 a13  a11 a13 

 a12    a22    a32  
 31 33 
a a  31 33 
a a  21 23 
a a
2 1 1 1 1 1
 2   1   3   2
1 2 1 2 2 1
Remarque: en choisissant judicieusement la ligne (colonne) par laquelle on effectue le développement, on peut très largement
Simplifier les calculs (ex. ligne (colonne) comportant des zéros)).
Matrice inverse
Solution
2- Calcul de la matrice des cofacteurs
C  [cij ]   1 mij
i j
-1 -3 5
1 -3 5 ~
Matrice A  CT  - 1 1 - 1
 -1 1 1 adjointe Ã
5 -1 -3
1 1 -3
Matrice inverse
Solution
3- Calcul de la matrice inverse
1 1 1
-
2 2 2
~
1 A 3 1 1
A   - -
det( A) 2 2 2
5 1 3

2 2 2
Matrice inverse
Solution
4- Calcul du produit
1 0 0
A1. A  0 1 0  I
0 0 1
III-5-1 Propriétés de la matrice inverse
•(A-1)-1=A
•(A-1)T=(AT)-1
•(AB)-1=B-1.A-1 (par extension (ABC)-1=C-1.B-1.A-1,
si C est inversible)
•det(A-1)=1/det(A)
•A(In+A)-1=(In+A)-1A si (In+A)-1 existe
•A(In+A)-1+(In+A)-1A=In si (In+A)-1 existe
•A(In+BA)-1=(Im+AB)-1A si AIR m*n,BIR n*m,et si (In+BA)-1
existe
•A(In+AB)-1+A(In+BA)-1B=Im si AIR m*n,BIR n*m,et si (In+BA)-1

existe
III-6 Matrice augmentée
Considérant le système linéaire suivant:
Sa matrice augmentée est la matrice de taille m*(n+1)

a11 a12 a13 ….a1n x1 b1
a21 a22 a23 ….a2n x2 b2
. a
. 11 12 a . a13 …...a1n b1
A, b
………………….. . a23 …...a2n b2
. . a21 = a22
. .. . .
. . …………………....
. .
am1 am2 am3 ….amn x.n bm .
. .
am1 am2 am3 ….amn bm.
III-7 Indépendance linéaire des vecteurs
Soit un ensemble a1,a2,…..an de vecteurs de dimension m, et a1,a2,..,an un ensemble

de scalaire:
Soit A une matrice, AIRn m*n :
Le vecteur définit par c   a i ai forme une combinaison linéaire noté {aTi}
- Les colonnes de A soni linéairement
1 indépendantes si et seulement si A A est
une matrice non singulière de rang plein
L’ensemble {ai} est

- Les lignes de Alinéairement indépendant
son linéairement si :
indépendantes si et seulement si ATA est
non singulière
c=0  a1=a2=….=an=0
Une matrice carrée AIR n*n , est dite non singulière (ou inversible) si  B IR n*n tq:
A.B=B.A=I  det (A) ≠0
III-9 Rang
III-8 Trace d’une
d’une matrice
matrice
Le rang d’une matrice correspond au nombre maximum de colonnes ou de lignes

La trace d’uneindépendantes.
Linéairement matrice A, AIR n*n ,
C’est est égale
aussi à ladu
l’ordre somme des éléments
plus grand de lanon nul.
déterminant
diagonale de cette matrice:
Une matrice A, AIR n*n est dite de rang plein si: rang(A)=min(m, n).
 Propriétés: trace(A)=(aii)
rang(A)=rang(AT)=rang(AAT)=rang(ATA)
III-10 Norme d’une matrice
On appel p-norme d’une matrice A, AIR n*n , la norme:
1
 m n  p
A p    aij 
p

 i 1 j 1 
La norme matricielle (équivalente à la norme Euclidienne chez les vecteurs), on

L’appelle la norme de Frobenius:
A  A E  trace( AT A)
III-11 Valeurs et vecteurs propres
Soit A une matrice, AIR n*n, les valeurs propres li de cette matrice, sont les
racines de l’équation polynomiale:
det(A-liI)=0
L’ensemble des li de cette matrice constituent son spectre.
Les vecteurs propres Vi de cette matrice se déduisent :
AVi=liVi
det(A-liI)=0 est appelé polynôme caractéristique de A
liI-A est appelé matrice caractéristique de A
Deux matrices sont semblables si elles ont le même polynôme caractéristique
Méthodes directes de résolution

des
systèmes linéaires
En analyse numérique, résoudre un système linéaires, c’est résoudre
Ax = b
Où A est une matrice (à priori) inversible , b est un vecteur, et X est le vecteur
inconnu.
Les questions attenantes à ce problème sont :
Calculer A-1, Det(A), valeurs propres de A, vecteurs propres de A

Une dizaine de méthodes existent, mais certains outils sont commun à
de nombreuses méthodes… (Pivot de Gauss, Décomposition en matrice
triangulaire,Méthode de substitution )
Exercice
Calculer det(Ai) pour les cas suivants:
2 1 -1 3
1 2 3
1 2 0 1 2 1
A1  A2  2 1 - 1 A3 
1 1 3 3 2 0
0 2 4
1 1 2 3
- Quel est le nombre d’opérations arithmétiques effectuées pour chaque cas?
- Lorsque la matrice est de dimension n*n, quel est le nombre maximum

d’opérations à effectuer?
-Donnez la formule de récurrence?

Solution 2 1 -1 3
1 2 3
1 2 0 1 2 1
det(AA 1 
1)=(1.1-2.1)=-1 A2  2 1 - 1 A3 
1 1
det(A2)=1.det(2)-2.det(2)+ 3 3 2 0
3.det(2)=1.(1.4+1.2)-2.(2.4+1.0)+3.(2.2-1.0)=10
0 2 4
det(A3)=2.det(3)-1.det(3)-1.det(3)-3.det(3)=2.[1.det(2)-2.det(2)+1.det(2)]-1.[
1 1 2 3
0.det(2)-2det(2)+1det2)]-1.[0.det(2)-1.det(2)+1.det(2)]-3.[0.det(2)-1.det(2)+2.det(2)]=
Si Nk est le nombre totale d’opérations à effectuer pour calculer un det d’ordre k:
NExemple:
1=0
NPour
2=3 calculer un déterminant d’ordre 50 il faudra effectuer:
N3=3.N2+5
1064 opérations
……..
Si l’on considère qu’unpour
Nombre ordinateur effectue
d’un chaque opération en 1 microseconde
NK=kNK-1d’opérations
+2.K-1 (formule de le récurrence)
calcul déterminant
Il faudrait donc:
1050 ansAinsi!! pour

le calcul
N=4
N=3
d’unledéterminant
calculer
N=2 2 3
déterminantd’ordre
4 déterminants
d’ordren 50.
multiplicationsd’ordre 2
requiert:
-Le calcul de n déterminants d’ordre (n-1)
41 multiplications
3 addition (soustraction)
- n multiplications
3 additions (soustractions)
2
- n additions (soustractions)
a11x1+a12x2+…..+a1nxn=b1 a11 a12 a13 ….a1n x1 b1

a21x1+a22x2+…..+a2nxn=b2 a21 a22 a23 ….a2n x2 b2
a31x1+a32x2+…..+a3nxn=b3 Forme . . .
. matricielle ………………….. . . = .
……………………… . . .
. . . .
an1x1+an2x2+…..+annxn=bn an1 an2 an3 ….ann xn bn
n
noté Ax=b ou a x
j 1
ij j  bi (i=1,2,…..n)
n équations
n inconnues
Pour résoudre des systèmes linéaires :
- Méthodes directes
- Méthodes itératives
Étude des solutions
Si det(A)≠0 (A régulière) solution unique
Exemple: x+y=3
x+2y=5
Si det(A)=0 (A singulière) système dégénéré (impossible ou indéterminé)
Exemple: 2x+3y=4 2x+3y=4

4x+6y=5 4x+6y=8
(0,8/6),(2,0),(1/2,1),(3/2,1/3)…..
Systèmes linéaires à matrices particulières
Systèmes linéaires à matrice triangulaire inférieur
Ax=b où A: matrice triangulaire inférieur
La solution est donnée par :
i i 1
bi   aij x j   aij x j  aii xi i  1, n
j 1 j 1
Donc, si l’on connaît les (i-1) premiers éléments de x, le ième s’écrit:
1  i 1 
xi  bi   aij x j  i  1, n
aii  j 1 
Systèmes linéaires à matrice triangulaire supérieure
Ax=b où A: matrice triangulaire supérieure
La solution est donnée par :
n n
bi   aij x j  a x ij j  aii xi i  1, n
j i j i 1
Donc, si l’on connaît les (i-1) premiers éléments de x, le ième s’écrit:
1  n 
xi  bi   aij x j  i  n, n  1,....1
aii  j i 1 
Résolution par la règle de Cramer: Ax=b

La méthode la plus connue de résolution des systèmes linéaires. Néanmoins, c’est
la moins recommandable !
det k  A
xk  avec
det( A) x=A-1.b
a11......a1,k 1 b1 a1,k 1........a1n
a21......a2,k 1 b 2 a2,k 1........a2 n
La méthode de Cramer )  impraticable en temps de calcul en plus de l’accumulation
det k ( Aest
.......lui post-multiplier le vecteur b.
Elle consiste à calculer A-1, puis
de l’erreur d’arrondi.
an1......an ,k 1 b n an ,k 1........ann
Exemple: pour un système n=50, le nombre d’opération =7.1067
Méthode de Gauss
Question:
Comment résoudre le système Ax=b ?
Réponse :
Transformer le système Ax=B en A’x=b’ où A’ est une
matrice triangulaire supérieure

Méthode de Gauss
On transforme donc [A, b] en une matrice triangulaire supérieur (U) :
a21(1)=a31(1)=…..an1(1)=0
Étape 1
1. Pré multpliez [A,b] par E21(-a21/a11) (a11 est le pivot)
(annuler les termes sub- diagonaux de la première colonne)
Les termes de la deuxième ligne deviennent
a21(1) = a21 - (a21 / a11). a11 = 0

a22(1) =a22 - (a21 /a11). a12
……..
a2,n+1(1) = a2,n+1- (a21 /a11) . a1,n+1 (n+1: colonne du vecteur b)
Ou plus généralement :
a2j(1) = a2j - (a21 /a11). a1j (j=2,…..,n+1)
Méthode de Gauss
Le système ainsi résultant, après cette première étape, s’écrit
a11 a12 a13 …. a1n x1 a1,n+1

0 a22(1) a23(1) …. a2n(1) x2 a2,n+1(1)
. . .
………………….. . . = .
. . .
. . .
0 an2(1) an3(1) …. ann(1) xn an,n+1(1)
Chap2. Systèmes linéaires
Méthode de Gauss
Étape 2 • Pré multipliez [A,b] par E32(-a32(1)/a22(1)) (a22(1) est le pivot)

(annuler les termes sub- diagonaux de la deuxième colonne)
Les termes de la troisième ligne deviennent
a32(2) = a32(1) - (a32(1) / a22(1)). a22(1) = 0

a33(2) = a32 (1)- (a32 (1)/ a22(1)). a23(1)
……..
a3,n+1(2) = a3,n+1(1)- (a32(1) /a22(1)) . a2,n+1(1)
a3j(2) = a3j(1) - (a32(1) /a22(1)). A2j(1) (j=3,…..,n+1)
Méthode de Gauss
Le système ainsi résultant, après cette deuxième étape, s’écrit
a11 a12 a13 …. a1n x1 a1,n+1

0 a22(1) a23(1) …. a2n(1) x2 a2,n+1(1)
0 0 a33(2) ….…a3n(2) . a3,n+1(2)
. . = .
. .
. . .
0 0 an3(2)….. ann(2) xn an,n+1(2)
Méthode de Gauss
Etape k:
On annule les termes sous- diagonaux de la kième colonne :
ak+1,k(k)=ak+2(k)=…….=an,k(k)=0
Prémultipliez [A,b](k-1) par Ek+1k(-ak+1,k(k-1)/akk(k-1))
Ainsi la kième ligne de [A,b](k-1) :
ak+1,k(k) = ak+1,k(k-1) - (ak+1,k(k-1)/ak,k(k-1)).ak,k(k-1) =0

ak+1,k+1(k) = ak+1,k(k-1) - (ak+1,k(k-1)/ak,k(k-1)).ak,k+1(k-1) =0
……………………
ak+1,n+1(k) = ak+1,n+1(k-1) - (ak+1,k(k-1)/ak,k(k-1)).ak,n+1(k-1) =0
Méthode de Gauss
• Pré multipliez [A,b] par (-a31/a11)
Les termes de la troisième ligne deviennent
a31(1) = a31 - (a31 / a11). a11 = 0

a32(1) =a32 - (a31 /a11). a12
……..
a3,n+1(1) = a3,n+1- (a31 /a11) . a1,n+1
a3j(1) = a3j - (a31 /a11). a1j (j=2,…..,n+1)
Méthode de Gauss
• Pour annuler les termes ai1
ai1(1) = ai1 - (ai1 / a11). a11 = 0

ai2(1) =ai2 - (ai1 /a11). a12
……..
ai,n+1(1) = ai,n+1- (ai1 /a11) . a1,n+1
D’où la forme générale:
aij(1) = aij - (aij /a11). a1j (i=2,…..,n+1)

(j=2,…..,n+1)
Méthode de Gauss
Exemple:
2x+y-4z=8 Notation : 2 1 -4 8
3x+3y-5z=14 A= 3 3 -5 14
4x+5y-2z=16 4 5 -2 16
1er pivot 2
2ème ligne – 1ére ligne * 3/2 2 1 -4 8
0 3/2 1 2
3ème ligne – 1ère ligne*4/2 4
0 53 -2
6 16
0
2ème pivot: 3/2

2 1 -4 8
3ème ligne-2ème ligne*3/(3/2) 0 3/2 1 2
04 05 4-2 16
-4
Méthode de Gauss
Notation : 2 1 -4 8
A= 3 3 -5 14
4 5 -2 16
1er pivot 2
2ème ligne – 1ére ligne * 3/2 2 1 -4 8
0 3/2 1 2
3ème ligne – 1ère ligne*4/2 4
0 53 -2
6 16
0
2ème pivot: 3/2

2 1 -4 8
3ème ligne-2ème ligne*3/(3/2) 0 3/2 1 2
04 05 4-2 16
-4
3ème pivot 4
D’où : 4z=-4 z=-1 Question
3/2y-1=2 y=2 Calculez le det des matrices intermédiaires
2x+2+4=8 x=1 Qu’est ce que vous remarquez?
Méthode de Gauss
Nombre d’opérations:
Pour passer de [A,b](k-1) à [A,b](k), il faut:
(n-k).(n-k+1) multiplications : nm
(n-k).(n-k+1) additions : na
(n-k) divisions : nd
1- Donc pour passer de [A,b] à [A,b](n-1) le nombre d’opérations sera:
n 1
n(n 2  1)
nm  na   (n  k ).( n  k  1) 
k 1 3
n 1
n(n  1)
nd   (n  k ) 
k 1 2
Méthode de Gauss
2- Pour résoudre le système triangularisé, on doit effectuer :
n 1
n(n  1)
nm  na   (n  k ) 
k 1 2
nd  n
Méthode de Gauss
Donc, la résolution d’un système linéaire par l’algorithme de Gauss demande :
n(n  1)( 2n  5)
nm 
6
na  nm
n(n  1)
nd 
2
Méthode de Gauss avec pivot
Remarque
Jusqu’ici nous avons supposé qu’à chaque étape de la méthode

d’élimination de Gauss, le pivot a(k)k,k ≠ 0, l’inconvénient est que cette condition
n’est pas assurée pour une matrice inversible quelconque.
D’autre part, même lorsque cette condition est satisfaite, le pivot peut prendre des
valeurs |a(k)k,k| proches de 0, ce qui conduit à des instabilités numériques. C’est
pourquoi en général, nous avons recours à une étape supplémentaire de permutation
de lignes pour remplacer un pivot éventuellement nul par un autre pivot qui lui sera
non nul à coup sûr. Cette étape permet également de stabiliser l’algorithme
par rapport aux erreurs d’arrondi.
Méthode de Jordan (Gauss- Jordan)
Consiste à transformer le système Cramérien :
Ax=b
en un système :
A’x=b’
Où A’ est la matrice identité d’ordre n.

A la kième étape, on combine toutes les lignes (sauf la ligne k) avec la ligne k
(au lieu de ne le faire que pour les lignes d’indice supérieur à k).
On fait ainsi apparaître des 0 sur toutes la colonne sauf au niveau du pivot akk(k).

Soit le système de Cramer :
a11 a12 a13 ….a1n x1 a1,n+1

a21 a22 a23 ….a2n x2 a2,n+1
. . .
………………….. . . = .
. . .
. . .
an1 an2 an3 ….ann xn an,,n+1
Etape 1: a) Normalisation
Remplacer a11 (pivot) par 1 résultant de la multiplication de la première ligne de [A,b]
par E1(1/a11), d’où:
a(1)1j=a1j/a11 (j=1,2,….,n+1)
b) Réduction
Les coefficients extra diagonaux de A son remplacés par :
a(1)21=a(1)31=……..=a(1)n1=0
Ceci s’obtient par la multiplication avec :
E21(-a21).E31(-a31)…..En1(-an1)
Soit :
a(1)1j = aij- ai1 .

a(1)1j
(i=2,3,….,n)
(J=1,2,….n+1)
d’où le système:
1 a12(1) a13(1) ….a1n(1) x1 a1,n+1(1)

0 a22(1) a23(1) ….a2n(1) x2 a2,n+1(1)
. . .
………………….. . . = .
. . .
. . .
0 an2 (1) an3 ….ann
(1) (1)
xn an,,n+1(1)
Etape 2 : a) Normalisation
Remplacer le pivot (a22(1)) par 1, en multipliant E2(1/a22(1)). La deuxième ligne devient :
a2j(2)=a2j(1)/a22(1) (j=2,……,n+1)
b) Réduction
Annuler les termes extra diagonaux de [A,b](1) en le multipliant E12(-a12(1)). D’où

La première rangée:
a12(2) = a12(1) - a12(1) = 0

a13(2) =a13(1) – a12(1) . a23(2)
……..
a1,n+1(2) = a1,n+1(1)- a12(1) . a2,n+1(2)
Soit en général:
a1j(2)=a1j(1)-a12(1).a2j(2) (j=3,….,n+1)
b) Réduction
Annuler les termes extra diagonaux de [A,b](1) en le multipliant Ei2(-ai2(1)). D’où

Les termes de la ième rangée:
ai2(2) = ai2(1) - ai2(1) = 0

ai3(2) =ai3(1) – ai2(1) . a23(2)
……..
ai,n+1(2) = ai,n+1(1)- ai2(1) . a2,n+1(2)
Soit en général:
aij(2)=aij(1)-ai2(1).a2j(2) (i≠2)
(j=3,….,n+1)
Nous avons donc le système suivant :
1 0 a13(2) ….a1n(2) x1 a1,n+1(2)

0 1 a23(2) ….a2n(2) x2 a2,n+1(2)
0 0 . .
………………….. . . = .
. . .
. . .
0 0 an3 ….ann
(2) (2)
xn an,,n+1(2)
Kième étape:
Normalisation :
Le terme pivot akk(k-1) est remplacé par 1, en multipliant [A,b](k-1) par Ek(1/akk(k-1))
La kième ligne devient ainsi:
akj(k-1)=akj(k-1)/akk(k-1) j=k,…..,n+1
Réduction
Les termes extradiagonaux de la kième colonne sont annulés en multipliant
[A,b](k-1) par Eik(-aik(k-1)) d’où:
j=k+1,…,n+1
i≠k
aij(k)=aij(k-1)-aik(k-1)*akj(k) i=1,2,….,n
Nombre d’opérations :
Pour passer de [A,b](k-1) à [A,b]k nous avons besoin de :
na=nm=(n-1)(n-k-1)
nd=(n-k-1)
Donc pour passer de [A,b] à [A,b]n nous avons besoin de :

n
na  nm   (n  1)( n  k  1)  n(n 2  1) / 2
k 1
n
nd   (n  k  1)  n(n  1) / 2
k 1
Exemple :
Soit le système linéaire suivant:
2 1 - 4  8 
A  3 3 - 5  B  14
4 5 - 2 16
Trouvez les racines de ce système par la méthode de Gauss- Jordan

Solution :
1 1/2 - 2 4  Ligne 1/2
A(1)  0 3/2 1 2  Ligne 2-3*ligne 1
0 3 6 0  Ligne 3-4*ligne1
1 0 - 7/3 10/3  Ligne 1-1/2*ligne2

A( 2)  0 1 2/3 4/3  Ligne 2/(3/2)
0 0 4 - 4  Ligne 3-3*ligne2
1 0 0 1  Ligne 1+7/3*ligne3
A( 3 )  0 1 0 2  Ligne 2-2/3*ligne3 Ligne 3/4
0 0 1 - 1
On a directement les racines dans la 4e colonne

Calcul de la matrice inverse A-1
L’algorithme de Jordan opère le passage de la matrice C=[A,b] à la matrice [I,x]
X est la solution du système linéaire Ax=b d’où x=A-1b
Donc l’algorithme de Jordan fait la transformation:
C=[A,b]  D=[I,A-1b]
Exemple :
Calculez l’inverse de la matrice A:
1 3 3
A  2 2 0 
3 2 6 
Solution:
1 3 3 1 0 0 1 3 3 1 0 0
N : 2 2 0 0 1 0  R : 0 - 4 - 6 - 2 1 0 
3 2 6 0 0 1  0 - 7 - 3 - 3 0 1 
1 3 3 1 0 0 1 0 - 3/2 - 1/2 3/4 0 

N : 0 1 3/2 1/2 - 1/4 0  R : 0 1 3/2 1/2 - 1/4 0 
0 - 7 - 3 - 3 0 1  0 0 15/2 1/2 - 7/4 0 
1 0 - 3/2 - 1/2 3/4 0  1 0 0 - 2/5 2/5 1/5 

N : 0 1 3/2 1/2 - 1/4 0  R : 0 1 0 2/5 1/10 - 1/5 
0 0 1 1/15 - 7/30 2/15  0 0 1 1/15 - 7/30 2/15 
Vérifiez que A-1.A=I

Factorisation LU
Soit une matrice A inversible. Cette matrice peut être décomposée en:
P-1A=LU
d’où A=PLU
Avec:
P: est une matrice de permutation
L : matrice triangulaire inférieure avec des 1 sur la diagonale principale
U : matrice triangulaire supérieure.
Lorsque P est choisit matrice identité:
A=LU
Factorisation LU
Théorème (Existence et unicité de la décomposition LU):
Soit A  IR n*n une matrice inversible. Supposons que toutes les sous- matrices
principales d’ordre 1 à n-1 de A soient inversibles. Alors il existe une unique
matrice L triangulaire inférieure à diagonale unité (ne comportant que des 1 sur
la diagonale) et une matrice U triangulaire supérieure inversibles, telle que:
A=LU
Factorisation LU
1 0............ 0  u11 u12 ..........u1n 

l
 21 1..............0  0 u22 ..........u 2n 
l31 l32 1.........0  0 0 u33 ......u3n 
A . 
.  . 
. 1 0  . 
   
ln1 ln 2 ....lnn1 1  0 0 0.......0 unn 
U est obtenue par la méthode du pivot de Gauss

Factorisation LU
Détermination des éléments lij
n
A=LU d’où aij   lik ukj
k 1
Le déterminant :
det(A)=det(L)*det(U)=u11*u22*….*unn
Factorisation LU
Exemple :
Déterminer la factorisation LU de A, telle que L n’ait que des 1 sur sa diagonale
principale :
2 1 - 4 

A  3 3 - 5 
4 5 - 2 
Factorisation LU
Solution
On se sert de la méthode du pivot de Gauss:
Etape 1:
2 1 - 4 
A (1)  0 3/2 1  Ligne2ligne2-3/2*ligne1
0 3 6  Ligne 3ligne 3-4/2*ligne1
Idée géniale: au lieu de garder le 0, on conserve dans cette case le coefficient
Par lequel on a multiplié L1
2 1 - 4 
A(1)  3 3/2 1 
4 3 6 
Factorisation LU
Etape 2:
2 1 - 4 
A (1)  0 3/2 1 
0 3 6  Ligne 3ligne 3-3/(3/2)*ligne2
au lieu de garder le 0, on conserve dans cette case le coefficient
Par lequel on a multiplié L2 (c-à-d 3)
2 1 - 4 
A( 2)  3 3/2 1 
4 3 4 
Factorisation LU
U
2 1 - 4 
A ( 2)  
 3 3/2 1 
4 3 4 
~L
Plus précisément, on divise chaque colonne par l’élément diagonal pour
mettre des 1 sur la diagonale de L
Factorisation LU
1 0 0  2 1 -4 
L  3/2 1 0  U  0 3/2 1 

2 2 1  0 0 4 
Vérifiez que LU=A !!

Factorisation LU
Exemple :
Déterminer la factorisation LU de A, telle que L n’ait que des 1 sur sa diagonale
principale :
1 5 8 0
0 2 6 9 
A
1 5 11 7
 
0 2 6 13
Factorisation LU
Résolution du système Ax=b
Résoudre Ax=b peut aussi s’écrire
Ax=(L U) x = L (U x) = b
Que l’on peut décomposer en deux étapes, avec une variable

intermédiaire : y
Ax=b  (LU)x=b  L (Ux) = b  L y=b avec y=Ux
1. Résoudre L y =b
2. Résoudre U x =y
Factorisation LU
Exemple :
Résoudre le système Ax=b suivant:
2 1 - 4  8 

A  3 3 - 5  
b  14
4 5 - 2  16
Factorisation LU
Remarques sur le déterminant:

n
1. Le déterminant d’une matrice triangulaire= u
i 1
ii
2. Après application de l’algorithme de Gauss le déterminant :
n
det( A)  det(U )   uii
i 1
3. Plus généralement, le déterminant d’une matrice=produit des pivots successifs
pour la décomposer.
n
det( A)   pi
i 1
Rappel
Définition: Matrice symétrique
Soit A une matrice carrée d'ordre n. On dit que A est symétrique si A = AT.
Définition Matrice définie positive
Soit A une matrice carrée d'ordre n. On dit que A est définie positive si elle vérifie la condition
suivante :
 x  IRn et x ≠ 0; xTAx > 0
Propriété si une matrice carrée A d'ordre n est symétrique définie positive alors :
aii > 0
aij2 < aiiajj i ≠ j
maxj;k |ajk| maxi |aii|
Théorème si une matrice carrée A d'ordre n est définie positive alors elle est inversible.
Corollaire si une matrice carrée A d'ordre n est définie positive, alors le système linéaire Ax = b
ou x et b appartiennent a IRn admet une solution unique.
Théorème Soit M une matrice carrée réelle d'ordre n et non- singulière, alors la matrice A =
MTM est symétrique définie positive.
Factorisation de Cholesky
La factorisation de Cholesky consiste pour une matrice hermitienne

définie positive A à déterminer une matrice triangulaire supérieure
R telle que :
A = RT R
La matrice R est en quelque sorte la racine carrée de A.
Cette décomposition permet notamment de résoudre des systèmes linéaires
du type Ax=b ou de calculer le déterminant de A qui n’est rien d’autre
que le carré du produit des éléments diagonaux de R
Théorème (Factorisation de Cholesky d’une matrice)

Soit A  IRn*n une matrice définie positive. Alors il existe au moins une
matrice triangulaire supérieure R telle que :
A = RT R.
Si de plus les éléments diagonaux de la matrice R sont tous positifs alors la

factorisation correspondante est unique.
La décomposition de Choleski peut être assimilée a une décomposition

LU et ressemble a une méthode de Gauss.
r11 0............ 0  r11 r21 ..............rn1 

r r .............0  0 r22 ..............r n2 
 21 22  
r31 r32 r33.........0  0 0 r33 ..........rn 3 
A . 
.  . 
. 0  . 
   
rn1 rn 2 ....rnn1 rnn  0 0 0.......0 rnn 
n
aij   rik r jk
k 1
1 1/2 1/2 
A  1/2 1 1/2 
1/2 1/2 1 
1. Vérifiez que A est symétrique définie positive

2. Utilisez la factorisation de Cholesky pour trouver R
3. Résoudre le système Ax=b, avec b=[2 1 3]T
Solution
1 0.5 0.5 

R  0 0.866 
0.2887 
0 0 0.8165 
X=[1 -1 3 ]T
Donc pour la pième ligne de la matrice triangulaire supérieure :

p
a pj   rik r jk
k 1
p 1
  rik r jk rpp rjp
k 1
D’où l’algorithme suivant:
1/ 2
 p 1
2
rpp  a pp   rpk 
 k 1  p=1,n
 p 1

 rp  pk jk 
a  r r
rjp   
k 1
j  p  1, n
rpp
Conditionnement d’une matrice
Exemple : Donnez la solution du système suivant
10 7 8 7   x1  32
7 5 6 5  x  23
 . 2     X=[1 1 1 1]T
8 6 10 9   x3  33
    
7 5 9 10   x4  31
Perturbons quelques éléments du système de 1%, quelle sera la nouvelle solution?
10 7 8.1 7.2   x1  32

7.08 5.04 6 5   x  23
 . 2     X=[-81 137 -34 22]T
8 5.98 9.89 9   x3  33
    
6.99 4.99 9 9.98   x4  31
Conditionnement d’une matrice
Ainsi, l’exemple précédent montre qu’une faible perturbation (0.01) peut

entraîner de grands écarts sur la solution du système.
Ceci est typique des matrices mal conditionnées.
Le conditionnement d’une matrice A se calcul par :
Cond2 (A)=max(li)/min(li)
Le système le mieux conditionné est celui où cond2(I)=1

Plus Cond(A) est proche de 1, mieux est le conditionnement du système.
Méthodes itératives
Pour les très grosses matrices on préférera les méthodes itératives :

elle convergent vers la solution progressivement:
L’objectif est de résoudre un système Cramérien de type:
Ax=b
Idée : Résoudre une équation du type : X=F(x)
avec une suite du type : Xk+1=F(Xk)
Xk convergera vers la bonne valeur de X.
Question : Comment transformer : AX=B en un équation du type

X=F(X) ? Où F est une opération linéaire ??
Réponse :
Transformer A =M-N
D’où : Ax=b  (M-N)x=b
et Mx=b+Nx
ainsi x=M-1b+M-1Nx=Px+c
Nous cherchons par récurrence une suite de vecteur x(i) obtenu à partir d’un
Vecteur x(0) et de la relation :
Xk+1=M-1Nxk+M-1b
La convergence de la suite xk vers la solution x* est donnée par le théorème suivant :

Le choix de la décomposition de A devra respecter les directives suivantes:
 (M-1N)<1
La résolution de Xk+1=M-1Nxk+M-1b doit être simple et nécessiter le moins
d’opérations possibles
Pour obtenir la meilleure convergence, (M-1N) doit être le plus petit possible.
Principales décompositions
Décomposition DEF :
A=D+E+F
 a11 0........0   0 0......... .........0   0 a 12 ........a 1n 
     
 0 a 22 ....... 0   21
a 0.......... ........ 0   0 0 .......... .a 2n 
D  .  E  .  F  . 
     
.  .   . .......... ... a n -1n 
     
 0 0. ........ a nn   n1 n 2
a a ..... a nn 1 0   0 0. .......... 0 
Nous obtiendrons donc la décomposition M-N à partir des différents types de

regroupement des ces matrices D,E,F
Méthode de Jacobi
On pose M = D , N = -(E+F)
M-1N=D-1(-E-F) ce qui implique
Xk+1=D-1(-E-F)xk+D-1b
Ainsi, si on exprime cette relation en fonction des éléments de A:
n aij bi
   , i  1,...n
(i ) (k )
x k 1 xj
j 1, j  i aii aii
Méthode de Gauss- Seidel

On pose : M=D+E , N=-F
On a : xk+1=-(D+E)-1Fxk+(D+E)-1b
Le calcul de l’inverse (D+E) peut être évité, si on écrit (D+E)xk+1=-Fxk+b
D’où
i 1 n
1 1 bi
  aij xk 1  a x 
(i ) ( j) ( j)
x
k 1 ij k
aii j 1 aii j i 1 aii
Méthode de relaxation
On se pose un paramètre w]0,2[ appelé facteur de relaxation :
D 1 w 
M  E N  D  F
w  w 
Et par conséquent :
D  1 w 
  E  xk 1   D  F  xk  b
w   w 
D’où
w i 1 n
 (1  w) xk  ( aij xk 1   aij xk  bi )
(i ) ( j) (i )
xk 1
aii j 1 j i 1
Convergence des méthodes itératives
Les méthodes itératives convergent si le rayon spectral (C)<1,mais comme le

calcul du rayon spectral est souvent difficile, on préfère utiliser un autre critère.
Cas des matrices à diagonale strictement dominante
Définition: une matrice est dite à diagonale dominante si :

n
i,1  i  n, aii  a
j 1, j i
ij
Elle est dite à diagonale strictement dominante si

n
i,1  i  n, aii  a
j 1, j i
ij
Convergence des méthodes itératives
Théorème
Si A est une matrice à diagonale strictement dominante, alors A est inversible

et en outre, les méthodes de Jacobi et de Gauss- Seidel convergent.
Cas des matrices symétriques définies positives

Théorème
Si A une matrice symétrique définie positive, alors la méthode de Gauss- Seidel

et de relaxation (pour w]0,2[) convergent.

Analnum 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

Analnum 1

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes numériques

Modélisation Analyse mathématique Résolution numérique

Objectifs du calcul numérique

 proposer des algorithmes pour calculer une solution approchée

 contrôler les différentes sources d’erreurs propres à l’approximation numérique

physique, mécanique, géophysique, aéronautique, génie civil,

Les Méthodes numériques élémentaires couvre plus particulièrement

– Racines d’une équation algébrique ;

– Systèmes d’équations linéaires et non linéaires ;

– Méthodes itératives et systèmes dynamiques ;

– Différentiation et intégration numériques ;

– Equations différentielles ordinaires.

Il fait combien le calcul de :

Il fait combien le calcul de :

Si on demande à un ordinateur d’effectuer les sommations suivantes

Pourquoi l’ordinateur fait-il tant d’erreurs?

Parce qu’il ne connaît qu’un nombre finit de nombre !

Qu’est ce qu’une erreur?

D’où viennent les erreurs?

Quelles conséquences ont-elles?

Comment analyser leurs effets?

Un nombre approché x̂ est un nombre légèrement différent du nombre exact x

I-2 Erreur absolue

On appel erreur absolue dx d’un nombre approché x̂la valeur absolue de la

I-3 Erreur relative

I-4 Sources d’erreurs

Les quatre principales sources d’erreurs :

 erreurs sur les données

 erreurs dues à la représentation des nombres sur ordinateurs

 erreurs de troncatures ou de discrétisation

• les erreurs de modélisations proviennent de l’étape de mise d’un problème

• pour réduire le degré de complexité d’un phénomène physique,

• l’erreur de modélisation peut être contrôlée par un choix convenable du

 elles sont liées à l’imprécision des mesures physiques

 elles peuvent être réduites en améliorant la précision des mesures

La notation la plus utilisée est la représentation en virgule flottante:

La précision relative d’un chiffre réel est donnée par:

Si un nombre réel quelconque xIR n’appartient pas au sous ensemble

Zéros de fonctions non- linéaires

Les méthodes de résolution de f (x)=0 sont des méthodes itératives. Elles

consistent à construire une suite xn convergente, le plus rapidement possible,

Chapitre II: Résolution d’équations à une variable

Points d’intersections de f(x)

Chapitre II: Résolution d’équations à une variable

1- Séparation des racines:

On cherche pour la (m+1)ième racine,

f(a).f(b)>0 N est nul ou pair

Chapitre II: Résolution d’équations à une variable

Terme au Terme actuel

Chapitre II: Résolution d’équations à une variable

II-2-2 Principe d’itérations

Autre approximation plus

Début Estimation initiale de la solution : x0

II-3 Principe de la méthode des substitution successives ou méthode du point fixe

Le principe est de remplacer f (x)=0 par une équation équivalente x=F(x) et

 x0 fixé dans l' intervalle a, b

Cette méthode est dite itérative.

Chapitre II: Résolution d’équations à une variable

Méthodes de substitutions successives ou méthode du point fixe.

Ecrire f(x)=0 sous forme de x=F(x)

Chapitre II: Résolution d’équations à une variable

Méthodes de substitutions successives

Chapitre II: Résolution d’équations à une variable

Une matrice A de dimension mn est notée A  IR mn.

Si A  IR mn, et si B  IR np , la multiplication entre les matrices A et B donne une

Définie par A  IR mn, AT  IR nm