Escolar Documentos
Profissional Documentos
Cultura Documentos
Notations et Rappels
Normes vectorielles
Dnition 5 On rappelle qu'une norme dans IKn est une application de IKn
dans IR+ qui v associe ||v|| avec les proprits suivantes :
||v|| = 0 si et seulement si v = 0,
||v|| = ||||v||,
||v + w|| ||v|| + ||w||.
2.1
Une famille de normes trs utiles est celle des normes || ||p o p est un rel
plus grand ou gal 1 :
||v||p =
n
X
|vi |p
1
p
i=1
Lemme 1 Si p est un rel tel que 1 < p < , et si x et y sont des rels
1
1 1
1
non ngatifs, alors xy xp + y q o q est le rel dni par + = 1.
p
Lemme 2 (ingalit de Holder) Si p est un rel tel que 1 < p < , alors
pour tous vecteurs x IKn , y IKn ,
|x y| ||x||p ||y||q
1 1
+ =1
p q
1
1
x et y =
y . On applique le lemme
||x||p
||y||p
n
n
1X
1X
1 1
1
1
p
q
prcdent. On a |xy|
+ = 1. On en
p |xi | +
q |yi | =
p i=1 ||x||p
q i=1 ||y||q
p q
dduit immdiatement |x y| ||x||p ||y||q .
Dmonstration : Posons x =
Dmonstration : La seule proprit non compltement immdiate est l'ingalit triangulaire : pour cela on crit
||x + y||p =
n
X
i=1
n
X
i=1
n
X
i=1
i=1
n
X
i=1
En dimension nie, toutes les normes sont quivalentes, mais les constantes
d'quivalence dpendent en gnral de la dimension n :
Proposition 3 Soit u un vecteur de IKn : on a
1
(1)
(2)
n
X
Mais
i=1
i=1
n
X
(|ui |q ) q ) p .
(|ui |p ) p = (
||u||p = (
p
q
(|ui |q ) (
i=1
n
X
|ui |q ) q
car q < p.
i=1
n
X
i=1
car
n
X
i=1
xi
(
n
X
xj )
n
X
i=1
j=1
On en dduit que (
xi
n
X
xi
car
n
X
xj
j=1
n
X
xi ) ,
i=1
1.
xj
j=1
p
n
X
(|ui |q ) q ) p (
i=1
n
X
xi (
i=1
n
X
i=1
|ui |q =
n
X
n
X
1.|ui |q n1 p (
|ui |p ) q .
i=1
i=1
p .
C'est l'ingalit de Holder avec les normes || || pq et || || pq
1
1
Donc ||u||q n p q ||u||p .
Dmonstration de (2) : voir TD.
Normes matricielles
pour A =
1 1
1 1
on a ||A2 || = 2 ||A||2 = 1
||Ax||
||Ax||
= max n
=
max ||Ax||
06=xIK
xIKn ,||x||=1
||x||
||x||
(3)
||u||=1
Vrions ensuite que la norme subordonne est bien une norme sur Mn (IK).
||Ax||
= 0 ||Ax|| = 0 x 6= 0, et Ax = 0 x =
6 0 si et
||x||
seulement si A = 0. Donc ||A|| = 0 si et seulement si A = 0.
Soit un scalaire,
||A|| =
sup
06=xIKn
||A|| =
max
xIKn ,||x||=1
||Ax|| =
max
xIRn ,||x||=1
||||Ax|| = ||||A||
||Ax||
||A||, ||Ax|| ||A||||x||,
||x||
max
xIRn ,||x||=1
prenant le sup.
Lemme 3 Soit || || une norme subordonne sur Mn (IK). On a ||I|| = 1.
Dmonstration ||I|| =
max
xIKn ,||x||=1
||Ix|| =
max
xIKn ,||x||=1
||x|| = 1
n
X
1in
||A||1 = max
n
X
1jn
||A||2 =
|ai,j |.
j=1
|ai,j | = ||A || .
i=1
(A A) =
Dmonstration
On a pour tout x IKn ,
||Ax|| = max
1in
n
X
|ai,j xj | max
j=1
1in
i0
1in
n
X
n
X
|ai,j | ||x|| ,
j=1
j=1
n
X
j=1
|ai0 ,j | = max
1in
n
X
j=1
|ai,j |. On choisit
ai0 ,j
|ai0 ,j |
si ai0 ,j 6= 0 et xj = 0
n
X
j=1
||Ax||
n
X
|ai0 ,j | = max
1in
j=1
la proposition.
n
X
j=1
n X
n
X
|ai,j xj |
i=1 j=1
1jn
n
X
n
X
max
1jn
|ai,j |
i=1
|xj |,
j=1
i=1
! n
X
n
X
|ai,j0 | = max
1jn
i=1
n
X
i=1
de la manire suivante : xj = j,j0 .Il est clair que ||x||1 = 1 et on voit que
||Ax||1 =
n
X
|ai,j0 | = max
1jn
i=1
n
X
1jn
i=1
06=xIKn
n
X
|ai,j |. On a
i=1
x A Ax
||Ax||22
=
sup
2
||x||22
06=xIKn ||x||2
Pour une matrice diagonalisable dans une base orthonorme, il existe donc
des scalaires {1 , , n } et une base orthonorme (e1 , , en ) de ICn tel
que Aek = k ek k {1, , n}.
Pour tout x =
n
X
k=1
||Ax||22
n
X
|xk |2 = 1, on a alors :
k=1
n
X
|xk | |k | (A)
k=1
n
X
|xk |2 = (A)2
k=1
ce qui entrane
||A||22 ||A A||2 ||A ||2 ||A||2
Nombre de conditionnement
10
(A)
On veut tudier la sensibilit de la solution du systme Ax = b (A inversible) une variation du second membre b : on a A(x + x) = b + b,
ce qui implique que x = A1 b, donc ||x|| ||A1 ||||b||. D'autre part
||b|| ||A||||x||, par suite
rsultat
||x||
||b||
||b||
||A||||A1 ||
= cond|| ||
. On a le
||x||
||b||
||b||
Proposition 6 Si Ax = b et A(x + x) = b + b on a
||x||
||b||
cond|| ||
,
||x||
||b||
11
||b||
||x||
= ||A|| et
= ||A1 ||,
||x||
||b||
||b||
||x||
= ||A||||A1 ||
. L'ingalit est donc optimale.
d'o
||x||
||b||
||x||
||A||
||A||||A|| = cond|| || (A)
.
||x + x||
||A||
Proposition 7 Si Ax = b et (A + A)(x + x) = b on a
||A||
||x||
cond|| || (A)
||x + x||
||A||
||x + x||
||y||
or b = Ay + y = y = A(y x) = A1 y = y x
donc
||A1 y||
||A||
||x||
=
= ||A1 || = ||A1 ||||A|| = cond|| || (A)
.
||x + x||
||y||
||A||
note sp(A) l'ensemble form de ses n valeurs propres (comptes avec leur
multiplicit). On appelle rayon spectral de A et on note (A) le rel positif
ou nul dni par
(A) = max ||.
sp(A)
13
1
.
1 ||A||
D'emonstration
1. Si I + A n'est pas inversible, il existe u 6= 0 tel que Au = u, et ||A||
(A) 1.
Donc, si ||A|| < 1 alors I + A est inversible.
2. Si || || est une norme subordonne, on a ||I|| = 1 et (I + A)1 =
I A(I+ A)1 , et donc ||(I + A)1 || 1 + ||A||||(I + A)1 || ce qui implique
1
||(I + A)1 ||
.
1 ||A||
On dit qu'une suite de matrices (An )nIN dans Md,d0 (IC) tend vers 0, si pour
une norme || || dnie sur Md,d0 (IC), la suite (||An ||)nIN tend vers 0 quand
n .
Comme toutes les normes sont quivalentes, cette convergence a alors lieu
pour toutes les normes.
Si d = d0 , en prenant les normes subordonnes aux normes vectorielles, on
voit que
An 0 v ICd , An v 0.
51!
4.91049
60 60 24 365
Les mthodes directes : On obtient la solution en un nombre ni d'oprations. Si elle est numriquement "mauvaise", cause des erreurs d'arrondis par exemple, on ne peut en gnral plus rien faire pour l'amliorer. Par contre on a l'assurance de terminer.
Les mthodes itratives : On construit une suite qui tend vers la solution. Si on n'est pas satisfait du rsultat, on peut continuer. Cette fois
la qualit de la solution est primordiale.
Exemple :
a11
0
0
0
a1,2
a2,2
0
0
a1,3
a2,3
a3,3
0
a1,4
a2,4
a3,4
a4,4
x1
x2
x3
x4
b1
b2
b3
b4
On a alors :
b4
a4,4
b3 a3,4 x4
x3 =
a3,3
b2 a2,3 x3 a2,4 x4
x2 =
a2,2
b1 a1,2 x2 a1,3 x3 a1,4 x4
x1 =
a1,1
x4 =
bn
an,n
xn =
bi
n
X
ai,j xj
pour i = n 1, , 1
j=i+1
xi =
ai,i
8.1.2
Exemple :
a1,1
a2,1
a3,1
a4,1
0
a2,2
a3,2
a4,2
0
0
a3,3
a4,3
0
0
0
a4,4
x1
x2
x3
x4
b1
b2
b3
b4
On a alors :
b1
a1,1
b2 a2,1 x1
x2 =
a2,2
b3 a3,1 x1 a3,2 x2
x3 =
a3,3
b4 a4,1 x1 a4,2 x2 a4,3 x3
x4 =
a4,4
x1 =
D'une manire gnrale, on peut trouver toutes les valeurs de xi par la mthode itrative suivante (substitution avant) :
x1 =
b1
a1,1
bi
xi =
i1
X
ai,j xj
j=1
ai,i
pour i = 2, , n
18
8.1.3
La mthode de Gauss
x1 + 2x2 + 2x3 = 2
L1
x1 + 3x2 2x3 = 1 L2
x1 + 2x2 + 2x3 = 2
L1
x2 4x3 = 3 L2 L2 L1
x2 + 2x3 = 2
L3 L3 3L1
x1 + 2x2 + 2x3 = 2
L1
x2 4x3 = 3 L2
2x3 = 1 L3 L3 + L2
1
2
19
x2 = 3 + 4x3 = 3 + 2 = 1
x1 = 2 2x2 2x3 = 2 + 2 1 = 3
x1 + 2x2 + 2x3 = 2
L1
x1 + 3x2 2x3 = 1 L2
1 2 2
2
x1
1 3 2 x2
1
3 5 8
8
x3
2
x1
1 2
2
x1 + 2x2 + 2x3 = 2
L1
x2 4x3 = 3 L2 L2 L1 0 1 4 x2
3
2
x3
0 1 2
x2 + 2x3 = 2
L3 L3 3L1
2
x1
1 2 2
x1 + 2x2 + 2x3 = 2
L1
x2 4x3 = 3 L2
0 1 4 x2 3
1
x3
2x3 = 1 L3 L3 + L2
0 0 2
L2 L2
a2,1
a1,1
L1
ak,1
a1,1
L1
an,1
an,1
L1
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
20
..
.
..
.
done
(1)
(1)
..
.
..
.
(1)
(1)
..
.
..
.
(1)
(1)
..
.
..
.
..
.
(1)
ak,2 ak,n bk
(1)
an,2 a(1)
n,n bn
..
.
..
.
..
.
(1)
avec
j = 1, , n a1,j = a1,j et b1 = b1
ak,1
ak,1
(1)
(1)
a1,j et bk = bk
b1
k, j = 2, , n ak,j = ak,j
a1,1
a1,1
(1)
(1)
(k)
(k)
..
.
..
.
..
.
(k)
an,k an,n
b(k)
n
a1,1 a1,2
(k)
0 a2,2
(k)
0
0 a3,3
..
.
..
.
..
.
..
.
..
.
..
.
...
(k)
(k)
..
.
..
.
(k)
(k)
..
.
..
.
..
.
..
.
a1,n b1
(k)
(k)
a2,n b2
(k)
(k)
a2,n b2
..
.
(k)
ak,k ak,n bk
..
.
..
.
..
.
..
.
Ligne pivot k : Lk
(k)
Lk+i Lk+i
ak+i,k
(k)
ak,k
Lk
21
i = 1, , n k
(k)
(k)
..
.
..
.
0
0
0
0
a1,1 a1,2
(k)
0 a2,2
(k)
0
0 a3,3
..
.
..
.
...
(k)
(k)
a1,n
(k)
a2,n
(k)
a2,n
b1
(k)
b2
(k)
b2
..
.
..
.
..
..
..
..
(k)
(k)
(k)
ak,k
ak,n
bk
(k+1)
(k+1)
(k+1)
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
ak+1,n
(k+1)
..
.
..
a(k+1)
b(k+1)
n,n
n
(n1)
a1,1
0
..
.
..
.
(n1)
(n1)
(n1)
a1,n
a1,2
b1
(n1)
(n1)
(n1)
a2,2
a2,n
b2
..
.
..
.
..
.
..
.
..
.
...
... ...
a(n1)
b(n1)
n,n
n
Une fois que le systme matrice a t mis sous forme triangulaire suprieur
on n'a plus qu' rsoudre un systme triangulaire par la mthode de susbstitution arrire.
L'algorithme de la mthode de Gauss :
P our k = 1 jusqu0 n 1
pivot ak,k (* stratgie de pivot *)
Si pivot = 0 alors
Si pour m = k + 1 jusqu0 n tous les am,k = 0 FIN (pas de solution)
Sinon
P ermuter la ligne k avec la ligne m
22
P ermuter bk avec bm
F in Si
Sinon
P our i = k + 1 jusqu0 n
P our j = k + 1 jusqu0 n
ai,k
ai,j = ai,j
ak,j
pivot
F in P our
ai,k
bi = bi
bk
pivot
F in P our
F in Si
F in P our
Si an,n 6= 0 alors
bn
xn =
an,n
P our i = N n 1 jusqu0 1
bi
xi =
n
X
ai,j xj
j=i+1
ai,i
F in P our
Sinon FIN ( pas de solution)
F in Si
Remarque 4 Dans l'limination de Gauss, il faut au dbut choisir une quation avec a11 6= 0, l'aide de laquelle on limine x1 dans les autres quations.
Le choix de cette quation (choix du pivot) peut-il inuencer la prcision du
rsultat numrique, si l'on fait le calcul sur ordinateur en virgule ottante ?
23
104 x1 + x2 = 1
x1 + x2 = 2
104 x1 +
par consquent x2 =
x1 =
11
=0.
104
x2 =
1
(1 104 )x2 = 2 104
2 104
= 1 ( exacte !), mais pour x1 nous obtenons
1 104
x1 + x2 = 2
104 x1 + x2 = 1
x1 +
x2 = 2
(1 104 )x2 = 1 104
2 1.000
8.1.4
L'ide est de ne pas se contenter d'un pivot qui soit dirent de zro (
a11 6= 0), mais d'changer les quations du systme an que a11 soit le
plus grand lment en valeur absolue de la premire colonne de A. La mme
stratgie est rpte pour les sous-systmes apparaissant dans l'limination
de Gauss.
l'algorithme de Gauss pivot partiel :
P our k = 1 jusqu' n 1
Chercher l'lment am,k telle que|am,k | = max |ai,k |
i=k,,n
25
P our i = n 1 jusqu0 1
bi
xi =
n
X
ai,j xj
j=i+1
ai,i
Sinon F IN ( matrice pas inversible )
8.1.5
26
max
i=k,,n j=k,,n
|ai,j |
P our j = k + 1 jusqu0 n
ai,k
ai,j ai,j
ak,j
pivot
F in P our
ai,k
bi bi
bk
pivot
F in P our
F in Si
F in P our
Si an,n 6= 0 alors
bi
xi =
n
X
ai,j xj
j=i+1
ai,i
F in P our
Sinon F IN ( matrice pas inversible )
F in Si
8.1.6
Mthode de Gauss-Jordan
(A|In ) =
a1,1 a1,n 1 0
..
.
...
an,1
..
.
an,n
.. . . ..
. .
.
0 1
Soit la matrice
3 2 1
A = 1 1 1
2 4 5
3
2 1 1 0 0
L1
1
1
1
0
1
0
L2
2 4
5 0 0 1
L3
2 1
1 0 0
L1
5
4
1
1 0 L2 L2
0
3
3
3
16 17
2
0
0 1
L3 L3
3
3
3
28
1
L1
3
2
L1
3
1
0 0
2 1
L1
1
5
4
1 0
0
L2
3
3
3
16 3
7
2
16
L3 L3 +
L2
0
0
1
3 5
5
5
5
3
3
0
5
5 4
0
3 3
7
0
0
5
3
6
0
3
5
5
L1 L1 + 2 L2
1
5
1 0
L2
3
L
2
16
3
1
5
5
3
18
3
0 0
3
7
7
7 L1 L1 L3
5 4
7
1
0
1
0
L2
3
3
7
L
2
16
0
0
3
1
5
5
5
3
3
18
0 0
L1
7
7
7
20
85
0 5
L L 20 L
0
2
3
2
3
7
21
21
21
2
16
L3
0
0
1
5
5
5
1
6
1
1
L1 L1
7
7
7
3
3
17
4
3
L2 L2
7
7
7
5
2
16
5
5
L3 L3
7
7
7
7
1 0 0
0 1 0
0 0 1
29
P our j = 1 jusqu' n
Si i = j P oser ci,j = 1
Sinon P oser ci,j = 0
F in Si
F in P our
F in P our
P our i = 1 jusqu' n
Si ai,i = 0 alors
Si P our m = i + 1 jusqu' n tous les am,i = 0 Fin (matrice pas
inversible)
Sinon
P ermuter am,k et ai,k pour k = i jusqu' n
P ermuter entre cm,k et ci,k pour k = 1 jusqu' n
F in Si
F in Si
P our j = 1 jusqu' n
Si i 6= j alors
aj,i
T
ai,i
P our k = 1 jusqu' n
aj,k aj,k T ai,k
cj,k cj,k T ci,k
F in P our
F in Si
F in P our
F in P our
ci,j
P our i = 1 jusqu' n et j = 1 jusqu' n (lments de la matrice
ci,j
ai,i
inverse)
30
8.1.7
Dcomposition L U
l11
l21
l31
l41
0
l22
l32
l42
0
0
l33
l43
0
0
0
l44
u11
0
0
0
u12
u22
0
0
u13
u23
u33
0
u14
u24
u34
u44
Que l'on peut dcomposer en deux tapes, avec une variable intermdiaire :y
Ax = b (L U )x = b L(U x) = b Ly = b avec y = U x
1. Rsoudre Ly = b.
2. Rsoudre U x = y .
Intrt de la mthode : Si on connat L et U , les tapes (1) et (2) se
rsolvent simplement :
- en appliquant pour (1) une substitution avant (L est triangulaire inf.)
- en appliquant pour (2) une susbstitution arrire (U est triangulaire sup.)
Thorme 1 Soit A une matrice de Mn (IR). Pour 1 p = n, on note
Ap le bloc
31
a1,1 a1,p
a
2,1 a1,p
..
.
..
.
ap,1 ap,p
La matrice A admet une factorisation A = LU o L est triangulaire infrieure avec des 1 sur la diagonale et U est triangulaire suprieure et inversible si et seulement si tous les blocs Ap , 1 p n, sont inversibles. De plus,
cette factorisation est unique.
A = LU =
Ak A0k
A00k A000
k
Lk 0
L00k L000
k
Uk Uk0
0 Uk000
Lk U k
Lk Uk0
000
L00k Uk L00k Uk0 + L000
k Uk
= Ak = Lk Uk
L et U sont inversibles , donc Lk et Uk le sont aussi, ce qui implique que
Ak est inversible.
Existence : La dmonstration se fait par rcurrence : la proprit est clairement vraie si n = 1. Supposons la proprit vraie pour p n 1, et soit
une matrice A Mn (IR) dont tous les blocs Ap sont inversibles. L'hypothse de rcurrence implique l'existence d'une factorisation LU pour le bloc
An1 : An1 = L0 U 0 . On va chercher une factorisation LU de A sous la forme
A=
L0 0
xt 1
32
U0 y
0 z
U 0 x = (an,1 , , an,n1 )t
xt y + z = an,n
L0 L = U 0 U 1
L0 L = U 0 U 1 = I
ce qui implique L = L0 et U = U 0 .
33
1 2 1
A= 4 3 1
2 2 3
1 2 1
4 3 1
2 2 3
premire tape :
1 2
1
L1
0 5 3 L2 L2 4L1
0 2 1
L3 L3 2L1
1 2
1
L1
4 5 3 L2 L2 4L1
2 2 1
L3 L3 2L1
deuxime tape :
L1
1 2
1
4 5 3 L2 L2
2
11
L3 L3 L2
2 0
5
5
34
1 2
1
L1
4 5 3 L2 L2
2 11
2
2
L3 L3 L2
5
5
5
On en dduit L et U
1 0 0
L= 4 1 0
2
2
1
5
1 2
1
0 5 3
U =
11
0 0
5
35
P our i = k + 1, , n
P our j = 1, , k
ai,j = 0
F in P our
F in P our
P our i = k + 1, , n
P our j = k + 1, , n
aij = ai,j ai,k ak,j
F in P our
F in P our
F in P our
P our i = 1, , n 1
li,n = 0
F in P our
ln,n = 1
Une fois qu'on possde la dcomposition LU , on obtient facilement le dterminant de A : det(A) = det(L)det(U ) = det(U )
Avantage de la mthode LU : on calcule L et U une seule fois.
8.1.8
Mthode de Cholesky
Nous allons donner une variante de la mthode de Gauss dans le cas o A est
une matrice symtrique relle dnie positive. Nous allons bien sr exploiter
la structure particulire de A. Dans ce cas l la dcomposition LU de A
donne : A = LU . Soit D la diagonale de U de sorte que A = LDV o
V = D1 U et les coecients diagonaux de L et V sont gaux 1. Comme
A est symtrique A = At = V t DLt . L'unicit de la dcomposition LU
implique que V t = L et DLt = U . Finalement , on obtient A = LDLt .
36
Nous avons dmontr le rsultat d'existence. L'unicit est immdiate. Dtaillons l'algorithme : on va chercher L sous forme triangulaire infrieure :
l1,1 0
l2,1 l2,2
0
L=
..
.
l
k,1
.
.
.
..
.
..
.
...
...
... ...
lk,2 lk,k
..
.
..
.
..
.
..
.
..
.
ai,j =
n
X
li,k lj,k
k=1
i, j
ai,j =
li,k lj,k
k=1
= l1,1 = a1,1
a1,2
= l2,1 =
l1,1
2
j = 1 : a1,1 = l1,1
j = 2 : a1,2 = l1,1 l2,1
..
.
a1,n
l1,1
ai,i =
i
X
i1
X
2
2
li,k
= li,i
+
k=1
2
li,k
k=1
connu
| {z }
d'o
li,i =
v
u
u
ta
i,i
i1
X
2
li,k
k=1
i1
X
ai,i+1
j =i+1:
li,k li+1,k
k=1
li+1,i =
li,i
..
.
ai,n
j=n:
ln,i =
L'algorithme de Cholesky
l1,1 =
a1,1
P our i = 2, , n
ai,1
li,1 =
l1,1
F in P our
P our k = 2, , n
38
i1
X
k=1
li,i
li,k ln,k
lk,k =
v
u
u
u
tak,k
k1
X
2
lk,j
j=1
P our i = k + 1, , n
ai,k
k1
X
li,j lk,j
j=1
li,k =
lk,k
F in P our
F in P our
Exemple :
La matrice
A=
1
1
1
1
1 1 1
5 5 5
5 14 14
5 14 15
A=
1
1
1
1
1 1 1
5 5 5
5 14 14
5 14 15
1
1
1
1
0
2
2
2
0
0
3
3
0
0
0
1
0
2
2
2
0
0
3
3
0
0
0
1
1
0
0
0
1
2
0
0
1
2
3
0
1
2
3
1
Avec
L=
1
1
1
1
LL x = b
Ly = b (1)
Lt x = y (2)
On rsout le systme (1) pour trouver le vecteur y , puis le systme (2) pour
trouver le vecteur x. La rsolution est facilite par la forme triangulaire des
39
matrices.
La mthode de Cholesky permet aussi de calculer le dterminant de A, qui
est gale au carr du produit des lments diagonaux de la matrice L, puisque
det(A) = det(L).det(Lt ) = det(L)2 .
Principe gnral
Pour des systmes de grande taille, les mthodes directes ( du type limination de Gauss ou Cholesky), peuvent s'avrer trop coteuses en temps de
calcul ou en place mmoire. L'ide est alors de ne plus chercher rsoudre
exactement le systme linaire mais d'approcher sa solution par une suite de
vecteurs construite l'aide d'une formule de rcurrence simple.
Soit un systme linaire
Ax = b
(S)
o
A est une matrice carre inversible, x et b IRN . Le principe des mthodes
o
1) M est inversible
2) le systme linaire M y = c peut tre rsolu simplement, avec un cot de
calcul faible : typiquement M sera diagonale ou tridiagonale.
On va alors approcher la solution de (S) par la suite (x(k) ) dnie par
rcurrence partir de x(0) qu'on choisit, et de la formule
x(k+1) = M 1 (b + N x(k) )
40
Remarque 6 On n'a pas besoin de calculer M 1 , mais juste de savoir calculer la solution de
M x(k+1) = (b + N x(k) )
(4)
Il en dcoule que e(k) = (M 1 N )k (x(0) x). Alors lim e(k) = 0 ssi il existe
k
|| || norme matricielle telle que lim ||M 1 N ||k = 0, c.a.d ssi (M 1 N ) < 1.
k
Dmonstration : voir TD
8.2.2
La mthode de Jacobi
xi
n
X
(k)
ai,j xj
j=1j6=i
ai,i
i = 1, , n
42
Dnition 10 une matrice carre A est dite diagonale strictement dominante si et seulement si :
|ai,i | >
n
X
|ai,j | pour i = 1, , n
j=1,j6=i
Exemple :
5
3 1
A = 4 9 3
3 1 10
Proposition 11 Si A est diagonale strictement dominante alors la mthode de Jacobi converge pour tout choix de x(0) .
Dmonstration : Si A
La mthode de Gauss-Seidel
xi
i1
X
(k+1)
ai,j xj
j=1
n
X
(k)
ai,j xj
j=i+1
i = 1, , n
ai,i
Proposition 13 Si A est diagonale strictement dominante alors la mthode de Gauss-Seidel converge pour tout choix de x(0) .
Dmonstration : On s'intresse la solution de M y = N x pour x donn :
on a
X
ai,i yi =
ai,j yj +
ai,j xj .
j>i
j<i
|ai0 ,j |||y|| +
j<i0
|ai0 ,j ||x|| .
j>i0
|ai0 ,j | >
j<i0
donc
sup
x6=0
|ai0 ,j |,
j>i0
||y||
||x||
44
8.2.4
1
et N = U (1 )D.
(k+1)
xi
= (1
(k)
)xi
bi
i1
X
(k+1)
ai,j xj
n
X
j=i+1
j=1
ai,i
(k)
ai,j xj
i = 1, , n
Proposition 15 Si A est diagonale strictement dominante alors la mthode SOR converge pour tout choix de x(0) si 0 < 1.
Dmonstration voir TD.
Proposition 16 Si A est symtrique dnie positive alors la mthode SOR
converge pour tout choix de x(0) si 0 < < 2.
45
46