cmn
DESCRIPTION
methodes numériquesTRANSCRIPT
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Cours Calcul et Méthodes NumériquesRésolution des systèmes linéaires
Mohamed Berrada
Ecole Nationale Supérieure des Arts et Métiers de MeknèsUniversité Moulay Ismail
Décembre 2014
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Quesqu’un système linéaire ?
DéfinitionUn système linéaire est un ensemble d’équations portant sur lesmêmes inconnues
Un système linéaire de m équations à n inconnues s’écrita1,1x1 + a1,2x2 + · · ·+ a1,nxn = b1a2,1x1 + a2,2x2 + · · ·+ a2,nxn = b2
...am,1x1 + am,2x2 + · · ·+ am,nxn = bm
où les xi , i = 1, · · · , n sont les inconnues.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Quesqu’un système linéaire ?Forme matricielle
Le système linéaire peut s’écire sous la forme matricielle
AX = b
où
A =
a1,1 a1,2 · · · a1,na2,1 a2,2 · · · a2,n...
......
am,1 am,2 · · · am,n
, X =
x1x2...
xn
, et b =
b1b2...
bm
A ∈Mm,n(R) est une matrice à m lignes et n colonnesSi m = n, on noteMn(R) =Mn,n(R) et on dit que lamatrice A est une matrice carrée
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Existence et unicité de la solution
Si m > n, il y a plus d’équations que d’inconnues. Lesystème est dit sur-déterminé. En général, le systèmen’aura pas de solutionSi m < n, il y a moins d’équations que d’inconnues. Lesystème est dit sous-déterminé. Le système aura uneinfinité de solutions.Si m = n, il y a autant d’équations que d’inconnues. Lamatrice A, dans ce cas, est une matrice carrée A ∈Mn.L’existence et l’unicité de la solution dépend de la valeurdu déterminant D de A.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Existence et unicité de la solution
Quelles que soient les dimensions, il y aura trois situations1 si b 6∈ Im(A), le système n’a pas de solution2 si b ∈ Im(A), et si le noyau est réduit à {0}, le système a
une solution unique.3 si b ∈ Im(A), et si le noyau n’est pas réduit à {0}, le
système a une infinité de solutionPour A ∈Mn, on calcul le déterminant D de la matrice A
1 Si D 6= 0, le système admet une solution unique2 Si D = 0, alors le noyau n’est pas réduit à {0} et on aura
1 si b 6∈ Im(A), le système n’a pas de solution2 si b ∈ Im(A), le système a une infinité de solution
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Existence et unicité de la solutionExemples
1 Exemple 1 : une infinité de solutions{2x1 + 6x2 = 4−4x1 − 12x2 = −8 , A =
(2 6−4 −12
)
2 Exemple 2 : une solution unique{x1 + 3x2 = 72x1 − x2 = 0 , A =
(1 32 −1
)
3 Exemple 3 : pas de solution{4x1 − 3x2 = 1416x1 − 12x2 = 2 , A =
(4 −316 −12
)
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes directes
On se limite ici au cas des systèmes carrés (A ∈Mn)Pour les méthodes directes : la solution est obtenue defaçon exacte, aux erreurs d’arrondis machine près, en unnombre fini d’opérations
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes directesMatrices particulières
DéfinitionSoit A ∈Mn(R) (une matrice carrée)
1 A est dite triangulaire supérieure ssi ai,j = 0, ∀i > j2 A est dite triangulaire inférieure ssi ai,j = 0, ∀i < j3 A est dite diagonale ssi ai,j = 0, ∀i 6= j
triangulaire supérieure triangulaire inférieurea1,1 a1,2 · · · a1,n
0 a2,2 · · · a2,n...
.... . .
...0 0 · · · an,n
a1,1 0 · · · 0a2,1 a2,2 · · · 0
......
. . ....
an,1 an,2 · · · an,n
a1,1 0 · · · 00 a2,2 · · · 0...
.... . .
...0 0 · · · an,n
diagonale
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes directesMatrices particulières
RemarqueLes systèmes linéaires à matrice diagonale, triangulaire supérieure outriangulaire inférieure, sont facile à résoudre
Pour un système linéaire à matrice diagonale telle que ai,i 6= 0,i = 1, · · · , n, la solution est xi = bi
ai,i, i = 1, · · · , n
Pour un système linéaire à matrice triangulaire supérieure telleque ai,i 6= 0, i = 1, · · · , n, la solution est xn = bn
an,n
xi =bi−∑n
j=i+1ai,j xj
ai,i
Pour un système linéaire à matrice triangulaire inférieure telleque ai,i 6= 0, i = 1, · · · , n, la solution est x1 = b1
a1,1
xi =bi−∑i−1
j=1ai,j xj
ai,i
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes directesAlgorithme de remontée
Algorithme de remontéeSoit A une matrice triangulaire supérieure. La solution deAx = b est donnée par l’algorithme, dit de remontée, suivant :|x = b|pour i = n : −1 : 1 faire| pour j = i + 1 : n faire| xi = xi − ai ,j × xj| fin pour j| xi = xi
ai,i|fin pour i
Nombre d’opérations :∑n
i=1(n − i) = n2−n2 (−,×)
Exemple : 2x1 + x2 − x3 = 3
5x2 + x3 = 82x3 = 5
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes directesAlgorithme de descente
Algorithme de descenteSoit A une matrice triangulaire inférieure. La solution deAx = b est donnée par l’algorithme, dit de descente, suivant :|x = b|pour i = 1 : n faire| pour j = 1 : i − 1 faire| xi = xi − ai ,j × xj| fin pour j| xi = xi
ai,i|fin pour i
Nombre d’opérations :∑n
i=1(i − 1) = n2−n2 (−,×)
Exemple : 2x1 = 1x1 − 5x2 = 2x1 + x2 + 2x3 = 4
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussPrincipe générale
La méthode de Gauss dite aussi d’élimination de Gauss estune méthode de résolution de systèmes linéairesL’idée de cette méthode est de se ramener à un systèmelinéaire dont la matrice est triangulaire supérieure, onobtient ensuite la solution par l’algorithme de remontée.Elle se base sur les principes fondamentales suivantes : Onne change pas la solution lorsqu’on :
permute deux lignespermute deux colonnesmultiplie une ligne par une constante 6= 0ajoute à une ligne une autre ligne multipliée par uneconstante
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple
On cherche à résoudre le système suivant :2x1 + 3x2 + 3x3 + x4 = 15−4x1 − 6x2 + 3x3 + 2x4 = 3−x1 + x2 + x3 + x4 = 5−2x1 − x2 + x3 + x4 = 1
La méthode de Gauss, consiste à éliminer x1 des lignes 2, 3 et4, puis x2 des lignes 3 et 4, puis x3 de la ligne 4. La formematricielle
2 3 3 1−4 −6 3 2−1 1 1 1−2 −1 1 1
x1x2x3x4
=
15351
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : Matrice augmentée
On note par
A =
2 3 3 1−4 −6 3 2−1 1 1 1−2 −1 1 1
et b =
15351
On nomme B1 la matrice A augmentée de b. Ainsi on auraB1 =
(b1
i ,j
), 1 ≤ i ≤ n, 1 ≤ j ≤ n + 1
B1 =
2 3 3 1−4 −6 3 2−1 1 1 1−2 −1 1 1
∣∣∣∣∣∣∣∣∣15351
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : Etape 1
On a b11,1 6= 0, on le nomme pivot de la 1ere étape
On pose mi,1 =b1
i,1b0
1,1et on effectue pour toute ligne
li , i = 2, 3, 4 :li ← li −mi,1l1
On obtient
B2 =
2 3 3 10 0 9 40 5
252
32
0 2 4 2
∣∣∣∣∣∣∣∣153325216
On peut montrer que B2 = E1B1 avec
E1 =
1 0 0 0
−m2,1 1 0 0−m3,1 0 1 0−m4,1 0 0 1
Pour obtenir E−1
1 , il suffit de remplacer −mi,1 dans E1 par mi,1
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : Etape 2
Le pivot b22,2 est nul. On échange la deuxième et la
troisième ligne. On obtient une nouvelle matrice B′2La matrice B′2 est la multiplication de B2 par une matricede permutation P2
B′2 =
1 0 0 00 0 1 00 1 0 00 0 0 1
2 3 3 10 0 9 40 5
252
32
0 2 4 2
∣∣∣∣∣∣∣∣∣153325216
=
2 3 3 10 5
252
32
0 0 9 40 2 4 2
∣∣∣∣∣∣∣∣∣152523316
Le pivot devient b2
2,2 = 52 ,
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : Etape 2
On note m3,2 =b2
3,2b2
2,2= 0 et m4,2 =
b24,2
b22,2
= 45
La ligne l3 ne sera pas changée et on effectue pour la lignel4 :
l4 ← l4 −m4,2l2On obtient
B3 =
2 3 3 10 5
252
32
0 0 9 40 0 2 4
5
∣∣∣∣∣∣∣∣∣15252336
On aura l’écriture matricielle B3 = E2B′2 = E2P2B2 avec
E2 =
1 0 0 00 1 0 00 −m3,2 1 00 −m4,2 0 1
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : Etape 3
Le pivot b33,3 = 9. On note m4,3 =
b34,3
b33,3
= 29 , et on effectue pour
la ligne l4 : l4 ← l4 −m4,3l3On obtient, au finale
B4 =
2 3 3 10 5
252
32
0 0 9 40 0 0 − 4
45
∣∣∣∣∣∣∣∣1525233− 4
3
On aura B4 = E3B3 = E3E2P2E1B1 avec
E3 =
1 0 0 00 1 0 00 0 1 00 0 −m4,3 1
Dans le cas général, on aura Bk+1 = EkPkBk et doncBn = En−1Pn−1 · · ·E1P1B1
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussExemple : résolution par remontée
Le système linéaire obtenu est à matrice triangulairesupérieure ( résolution par remontée)
2 3 3 10 5
252
32
0 0 9 40 0 0 − 4
45
x1x2x3x4
=
1525233−4
3
On obtient la solution suivante
x1x2x3x4
=
6−1−315
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussAlgorithme
|For k = 1 : n − 1 do| LE PIVOT← bkk si 6= 0| "STRATEGIE DU CHOIX?"| "PIVOT PARTIEL ou TOTAL?"| For i = k + 1 : n do
| mi,k =bi,kbk,k
| For j = k : n + 1 do| bi,j = bi,j −mi,kbk,j| End for| End for|End for
|xn =bn,n+1
bn,n|For i = n − 1 : −1 : 1 do| xi = bi,n+1| For k = i + 1 : n do| xi = xi − bi,k × xk| End for|End for
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussNombre d’opérations
Pour comparer l’efficacité de deux algorithmes, oncompare leur nombre d’opérationsLes opérations multiplication et division demandent le plusgrand temps de cacul à l’ordinateur en comparaison del’addition et soustractionPour l’algorithme de Gauss, il faut
2n3+3n2−5n6 (×,÷) pour la première étape
n2+n2 (×,÷) pour la remontée
Au total, il faut 2n3+6n2−2n6 opérations (×,÷)
Pour n assez grand, on a 2n3+6n2−2n6 ≈ n3
3
On dit que le nombre d’opérations pour l’algorithme deGauss est de l’ordre 3
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de GaussStratégie du choix du pivot : Pivot partiel et Pivot total
Le choix du pivot est très important pour éviter les erreursd’arrondisSi un pivot est nul, on permute deux lignes ou deuxcolonnesSi tous les pivots restant sont nuls alors la matrice estsingulière (n’admet pas de solution unique)Pour minimiser les erreurs d’arrondis, on choisi le plusgrand pivot possible (en valeur absolue)
on permute uniquement les lignes (Pivot partiel)on permute les lignes et les colonnes (Pivot total)
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-Jordan
On considère le système suivant4x1 − 2x2 + x3 = 10x1 + x2 + x3 = −8
9x1 + 3x2 + x3 = 0
Nous écrivons la matrice augmentée par b 4 −2 11 1 19 3 1
∣∣∣∣∣∣∣10−80
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-JordanEtape 1
B0 =
4 −2 11 1 19 3 1
∣∣∣∣∣∣∣10−80
L1 ←14L1 : B1 =
1 −12
14
1 1 19 3 1
∣∣∣∣∣∣∣52−80
L2 ← L2 − L1 etL3 ← L3 − 9L1
: B2 =
1 −12
14
0 32
34
0 152
−54
∣∣∣∣∣∣∣52−21
2−45
2
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-JordanEtape 1
L2 ←23L2 : B3 =
1 −12
14
0 1 12
0 152
−54
∣∣∣∣∣∣∣52−7−45
2
L3 ← L3 −152 L2 : B4 =
1 −12
14
0 1 12
0 0 −5
∣∣∣∣∣∣∣52−730
L3 ←−15 L3 : B5 =
1 −12
14
0 1 12
0 0 1
∣∣∣∣∣∣∣52−7−6
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-JordanEtape 2
L2 ← L2 − 12L3 et
L1 ← L1 − 14L3
: B6 =
1 −12 0
0 1 00 0 1
∣∣∣∣∣∣∣4−4−6
L1 ← L1 +12L3 : B7 =
1 0 00 1 00 0 1
∣∣∣∣∣∣∣2−4−6
La solution est alors x1
x2x3
=
2−4−6
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-JordanAlgorithme
|For k = 1 : n do| LE PIVOT← bkk si 6= 0| "STRATEGIE DU CHOIX?"| "PIVOT PARTIEL ou TOTAL?"| For j = k : n + 1 do
| bj,k =bj,kbk,k
| End for| For i = k + 1 : n do| For j = k : n + 1 do| bi,j = bi,j − bi,kbk,j| End for| End for|End for
|For k = n : −1 : 1 do| xk = bk,n+1| For i = k − 1 : −1 : 1 do| bi,n+1 = bi,n+1−bi,k ×bk,n+1| End for|End for
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LU
La factorisaion LU consiste à décomposer la matrice sousla forme
A = LU
où L est une matrice triangulaire inférieure à digonaleunité et U est une matrice triangulaire supérieure
L =
1 0 · · · 0
l2,1 1 · · · 0...
.... . .
...ln,1 ln,2 · · · 1
, et U =
u1,1 u1,2 · · · u1,n0 u2,2 · · · u2,n...
.... . .
...0 0 · · · un,n
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUAlgorithme de factorisation LU
On aa1,1 a1,2 · · · a1,na2,1 a2,2 · · · a2,n...
.... . .
...an,1 an,2 · · · an,n
=
1 0 · · · 0
l2,1 1 · · · 0...
.... . .
...ln,1 ln,2 · · · 1
×
u1,1 u1,2 · · · u1,n0 u2,2 · · · u2,n...
.... . .
...0 0 · · · un,n
Par identification, on peut déduire l’algorithme
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUAlgorithme de factorisation LU
|u1,1 = a1,1|For j = 2 : n do| u1,j = a1,j| lj,1 =
aj,1a1,1
|End for|For i = 2 : n − 1 do| ui ,i = ai ,i −
∑i−1k=1 li ,kuk,i
| For j = i + 1 : n do| ui ,j = ai ,j −
∑i−1k=1 li ,kuk,j
| lj,i = 1ui,i
[aj,i −
∑i−1k=1 lj,kuk,i
]| End for|End for|un,n = an,n −
∑i−1k=1 ln,kuk,n
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Pour faire la factorisation A = LU en stockant le résultat dansla matrice A, on suit les étapes suivantes :
1 La première ligne reste inchanger2 La première colonne est divisée par a1,1, aj,1 =
aj,1a1,1
, j ≥ 23 Les éléments du block restant sont remplacés par la
formule aj,k = aj,k − aj,1 × a1,k , j , k ≥ 2Le block restant obtenu est une matrice (n− 1)× (n− 1).
4 On refait les mêmes opérations sur la matrice(n − 1)× (n − 1) obtenue...
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Pour faire la factorisation A = LU en stockant le résultat dansla matrice A, on suit les étapes suivantes :
1 La première ligne reste inchanger
2 La première colonne est divisée par a1,1, aj,1 =aj,1a1,1
, j ≥ 23 Les éléments du block restant sont remplacés par la
formule aj,k = aj,k − aj,1 × a1,k , j , k ≥ 2Le block restant obtenu est une matrice (n− 1)× (n− 1).
4 On refait les mêmes opérations sur la matrice(n − 1)× (n − 1) obtenue...
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Pour faire la factorisation A = LU en stockant le résultat dansla matrice A, on suit les étapes suivantes :
1 La première ligne reste inchanger2 La première colonne est divisée par a1,1, aj,1 =
aj,1a1,1
, j ≥ 2
3 Les éléments du block restant sont remplacés par laformule aj,k = aj,k − aj,1 × a1,k , j , k ≥ 2Le block restant obtenu est une matrice (n− 1)× (n− 1).
4 On refait les mêmes opérations sur la matrice(n − 1)× (n − 1) obtenue...
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Pour faire la factorisation A = LU en stockant le résultat dansla matrice A, on suit les étapes suivantes :
1 La première ligne reste inchanger2 La première colonne est divisée par a1,1, aj,1 =
aj,1a1,1
, j ≥ 23 Les éléments du block restant sont remplacés par la
formule aj,k = aj,k − aj,1 × a1,k , j , k ≥ 2Le block restant obtenu est une matrice (n− 1)× (n− 1).
4 On refait les mêmes opérations sur la matrice(n − 1)× (n − 1) obtenue...
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Pour faire la factorisation A = LU en stockant le résultat dansla matrice A, on suit les étapes suivantes :
1 La première ligne reste inchanger2 La première colonne est divisée par a1,1, aj,1 =
aj,1a1,1
, j ≥ 23 Les éléments du block restant sont remplacés par la
formule aj,k = aj,k − aj,1 × a1,k , j , k ≥ 2Le block restant obtenu est une matrice (n− 1)× (n− 1).
4 On refait les mêmes opérations sur la matrice(n − 1)× (n − 1) obtenue...
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice
Au final, on récupère la factorisation LU dans la matriceelle-même :
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUStockage dans la matrice : Algorithme
|For i = 1 : n − 1 do| For j = i + 1 : n do| aj,i =
aj,iai,i
(mettre à jours la colonne i)| End for| For k = i + 1 : n do| For j = i + 1 : n do| aj,i = aj,i − aj,k × ak,i (mettre à jours leblock restant)| End for| End for|End for
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LURésolution
Après factorisation de la matrice A, le système est résoluen deux étapes
1 Une descente : Trouver y solution de Ly = b2 Une remontée : Trouver x solution de Ux = y
La solution x trouvée à la deuxième étape sera la solutiondu système Ax = b
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUMatrice de permutation
RemarqueL’existence de la factoristation LU d’une matrice carrée n’est pasforcément assurée même si la matrice est inversible
Exemple :(0 1−1 2
)=
(1 0
l2,1 1
)×(
u1,1 u1,20 u2,2
)=
(u1,1 u1,2
l2,1u1,1 u2,2 + l2,1u1,2
)On aura l2,1u1,1 = −1 et u1,1 = 0.Par contre, si on permute les deux lignes de la matrice, on obtient(
0 11 0
)(0 1−1 2
)=
(−1 20 1
)qui est une matrice factorisable.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUMatrice de permutation
PropositionSi A est une matrice inversible alors il existe une matrice depermutation P, telle que PA = LU
Le système Ax = b est équivalent à PAx = Pb et donc LUx = PbLa démonstration se base sur le résultat de l’algorithme de Gauss :
Bn = En−1Pn−1 · · ·E1P1B1.
On note U la première partie de Bn, qui est une matrice triangulairesupérieure, et on a P−1
k = Pk donc Pk+1Ek = Pk+1Ek︸ ︷︷ ︸E ′k
Pk+1Pk+1.
On aura alors
U = En−1E ′n−2 · · ·E ′1︸ ︷︷ ︸M
Pn−1Pn−2 · · ·P1︸ ︷︷ ︸P
A
La matrice M est inversible et triangulaire inférieure à diagonaleunité. En posant L = M−1, on aura PA = LU
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUMatrice tridiagonale
Une matrice tridiagonale est une matrice sous la forme
A =
e1 c1 · · · 0a1 e2 · · ·
......
... . . . cn−10 · · · an−1 en
La factorisation LU de A est donnée par les deux matrices :
L =
1 0 · · · 0l1 1 · · · 0...
.... . .
...0 · · · ln−1 1
, et U =
d1 u1 · · · 0
0 d2 · · ·...
......
. . . un−10 0 · · · dn
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition LUMatrice tridiagonale : Algorithme
|d1 = e1|For i = 2 : n do| ui = ci| li−1 = ai−1
di−1| di = ei − li−1ui|End for
Factorisation
Descente Remontée|y1 = b1|For i = 2 : n do| yi = bi − li−1yi−1|End for
|xn = yndn
|For i = n − 1 : 1 do| xi = yi−ci+1xi+1
di|End for
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition de CholeskyPrincipe général
Supposons que la matrice A est sysmétrique et définiepositive,La méthode de Cholesky conduit à une factorisation detype
A = LLT
ThéorèmeSi A est une matrice symétrique définie positive, il existe unematrice réelle triangulaire inférieure L telle que : A = LLT .
La matrice L est triangulaire inférieure, mais n’est plus àdiagonale unité
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition de CholeskyAlgorithme
On cherche la matrice L vérifiant l’égalité A = LLT telle que
L =
l1,1l2,1 l2,2...
... . . .ln,1 ln,2 · · · ln,n
Par identification, on obtient
ai ,j =(LLT
)i ,j
=n∑
k=1li ,k lj,k =
min{i ,j}∑k=1
li ,k lj,k , 1 ≤ i , j ≤ n
Puisque A est symétrique, il suffit de considérer ai ,j pour i ≤ j
ai ,j =i∑
k=1lik ljk , 1 ≤ i , j ≤ n
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition de CholeskyAlgorithme
Pour i = 1, on détermine la première colonne de L :
a1,1 = l1,1l1,1 d’où l1,1 =√a1,1
a1,j = l1,1lj,1 d’où lj,1 =a1,jl1,1, 2 ≤ j ≤ n
Pour i = 2 · · · n :
ai ,i =∑i
k=1 li ,k li ,k d’où li ,i =√
ai ,i −∑i−1
k=1 l2i ,k
ai ,j =∑i
k=1 lik ljk d’où lj,i =ai,j−
∑i−1k=1 li,k lj,kli,i , i + 1 ≤ j ≤ n
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Décomposition de CholeskyAlgorithme
|l1,1 =√a1,1
|For i = 2 : n do| li ,1 =
ai,1l1,1
|End for|For i = 2 : n do
| li ,i =√
ai ,i −∑i−1
k=1 li ,k l2li ,k| For j = i + 1 : n do
| lj,i =aj,i−
∑i−1k=1 lj,k lj,kli,i
| End for|End for
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conclusion
Les méthodes directes fournient la solution exacte auxerreurs d’arrondis machine prèsElles nécessitent un nombre fini d’opérations (de l’ordre den3
3 pour Gauss)La méthode de Gauss s’applique à tout système linéiareinversible
Les méthodes directes ont un coût important en stockagemémoire (des techniques d’optimisation de stockageexistent)
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes itérativesPrincipe général
La solution du système est la limite d’une suite itérative devecteursOn décompose A sous la forme A = M − N où M est unematrice inversible facilement (M diagonale, triangulaire,...)
AX = b ⇔ MX = NX + b ⇔ X = M−1N︸ ︷︷ ︸C
X + M−1b︸ ︷︷ ︸d
La solution du système est la limite de la suite{X 0 donnéX k+1 = CX k + d
où C ∈Mn(R) dite matrice d’itération et d ∈ Rn
Si la méthode converge on aura (équation de type point-fixe)
X = MX + C
Nécessite la convergenceLa convergence ne doit pas être lente
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthodes itérativesPrincipe général
La solution du système est la limite d’une suite itérative devecteursOn décompose A sous la forme A = M − N où M est unematrice inversible facilement (M diagonale, triangulaire,...)
AX = b ⇔ MX = NX + b ⇔ X = M−1N︸ ︷︷ ︸C
X + M−1b︸ ︷︷ ︸d
La solution du système est la limite de la suite{X 0 donnéX k+1 = CX k + d
où C ∈Mn(R) dite matrice d’itération et d ∈ Rn
Si la méthode converge on aura (équation de type point-fixe)
X = MX + C
Nécessite la convergenceLa convergence ne doit pas être lente
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceNorme matricielle
DéfinitionOn appel norme matricielle une norme définie surMn(R) par :
‖.‖ : Mn(R) → R+
A 7→ ‖A‖
telle que ∀A,B ∈Mn(R) et ∀λ ∈ R :Séparation : ‖A‖ = 0⇔ A = (0),Homogénéité : ‖λA‖ = |λ|.‖A‖,Inégalité triangulaire : ‖A + B‖ ≤ ‖A‖+ ‖B‖,‖A.B‖ ≤ ‖A‖.‖B‖.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceNorme subordonnée
Proposition (Norme subordonnée)Soit ‖.‖V une norme vectorielle définie sur Rn. La fonction quià A ∈Mn(R) associe
‖A‖ = maxx∈Rn,x 6=0
‖Ax‖V‖x‖V
est une norme matricielle dite norme subordonnée ou induite.
Exemple :Soit la norme vectorielle ‖.‖∞ :
‖x‖∞ = max1≤i≤n
|xi |.
Cette norme induit la norme matricielle ‖.‖ surMn(R)
‖A‖∞ = max1≤i≤n
n∑j=1|ai ,j |.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceRayon spectral
DéfinitionSoit A ∈Mn(R), on appel rayon spectral de la matrice A lenombre réel :
ρ(A) = max1≤i≤n
|λi |
où λi sont les valeurs propres de A.
ρ(.) n’est pas une norme matriciellePour toute norme matricielle ‖.‖ et toute matrice A :
ρ(A) ≤ ‖A‖
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Convergence
Théorème∀C ∈Mn(R), s’il existe une norme matricielle subordonnée ‖.‖telle que ‖C‖ < 1, alors :
1 L’équation x = Cx + d admet une solution unique x̄2 La suite xk converge vers x̄ quelle que soit x0.
1 On a ρ(C) ≤ ‖C‖ < 1, donc les |λi | < 1.Ceci implique que I − C est inversible. Donc il existe unesolution unique à l’équation x = Cx + d qu’on note x̄ .
2 On note ek = xk − x̄ . On peut montrer que ek = Cek−1
et donc ek = Cke0, on aura alors
‖ek‖V ≤ ‖C‖k‖e0‖V
Donc ek → 0 et xk → x̄
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Convergence
ThéorèmeOn a équivalence entre les trois conditions suivantes :
1 ρ(C) < 12 il existe une norme matricielle subordonnée ‖.‖ telle que‖C‖ < 1
3 Cke0 tend vers 0 pour tout vecteur e0 ∈ Rn
4 la suite xk converge vers la solution du système Ax = b
On note ek = xk − x ,On a xk+1 = Cxk + d et x = Cx + d , donc ek+1 = Cek , puisek = Cke0
ThéorèmeSoit A sysmétrique définie positive telle que A = M − N SiMt + N est définie positive, Alors la suite xk converge.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceVitesse de convergence
Le rayon spectral ρ(C) donne une estimation de vitesse deconvergenceSi ρ(C) ≤ ρ(C̃) < 1 alors le processus itératif à matriced’itération C converge plus viteOn suppose que ρ(C) < 1 donc pour un x0 donné, la suitexk → x quand k → +∞, alors on a l’estimation suivante
‖xk+1 − x‖‖xk − x‖ → ρ(C)
Si on ne connait pas la solution x , on utilise l’estimation
‖xk+1 − xk‖‖xk − xk−1‖
→ ρ(C)
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceConclusion
Pour résoudre le système Ax = b, il faut que :A soit décomposable sous la forme A = M − NM soit inversible facilementl’une des deux conditions suivantes soit vérifiée
Le rayon spectral de C = M−1N est <1 (ρ(C) < 1)Pour A symétrique définie positive, il faut que Mt + N soitdéfinie positive.
Comment choisir les matrices M et N qui assurent laconvergence
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
ConvergenceConclusion
Pour résoudre le système Ax = b, il faut que :A soit décomposable sous la forme A = M − NM soit inversible facilementl’une des deux conditions suivantes soit vérifiée
Le rayon spectral de C = M−1N est <1 (ρ(C) < 1)Pour A symétrique définie positive, il faut que Mt + N soitdéfinie positive.
Comment choisir les matrices M et N qui assurent laconvergence
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiExemple
On note x̄ = (x̄1, x̄2, x̄3) la solution exacte du système linéaire 2 1 0−1 −3 10 1 4
× x1
x2x3
=
567
On aura
1 2× x̄1 + 1× x̄2 + 0× x̄3 = 5,2 −1× x̄1 − 3× x̄2 + 1× x̄3 = 6,3 0× x̄1 + 1× x̄2 + 1× x̄3 = 7,
Solution exacte1 x̄1 = 5−1×x̄2−0×x̄3
22 x̄2 = 6+1×x̄1−1×x̄3
−33 x̄3 = 7−0×x̄1−1×x̄2
4
Itération Jacobi1 xk+1
1 =5−1×xk
2−0×xk3
2
2 xk+12 =
6+1×xk1−1×xk
3−3
3 xk+13 =
7−0×xk1−1×xk
24
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiExemple
On note x̄ = (x̄1, x̄2, x̄3) la solution exacte du système linéaire 2 1 0−1 −3 10 1 4
× x1
x2x3
=
567
On aura
1 2× x̄1 + 1× x̄2 + 0× x̄3 = 5,2 −1× x̄1 − 3× x̄2 + 1× x̄3 = 6,3 0× x̄1 + 1× x̄2 + 1× x̄3 = 7,
Solution exacte1 x̄1 = 5−1×x̄2−0×x̄3
22 x̄2 = 6+1×x̄1−1×x̄3
−33 x̄3 = 7−0×x̄1−1×x̄2
4
Itération Jacobi1 xk+1
1 =5−1×xk
2−0×xk3
2
2 xk+12 =
6+1×xk1−1×xk
3−3
3 xk+13 =
7−0×xk1−1×xk
24
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiExemple
On note x̄ = (x̄1, x̄2, x̄3) la solution exacte du système linéaire 2 1 0−1 −3 10 1 4
× x1
x2x3
=
567
On aura
1 2× x̄1 + 1× x̄2 + 0× x̄3 = 5,2 −1× x̄1 − 3× x̄2 + 1× x̄3 = 6,3 0× x̄1 + 1× x̄2 + 1× x̄3 = 7,
Solution exacte1 x̄1 = 5−1×x̄2−0×x̄3
22 x̄2 = 6+1×x̄1−1×x̄3
−33 x̄3 = 7−0×x̄1−1×x̄2
4
Itération Jacobi1 xk+1
1 =5−1×xk
2−0×xk3
2
2 xk+12 =
6+1×xk1−1×xk
3−3
3 xk+13 =
7−0×xk1−1×xk
24
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiAlgorithme
Le test d’arrêt de l’algorithme est que :1 le résidu ‖Axk − b‖ ≤ ε ou2 le nombre d’itération nb ≥ iter_max|For i = 1 : n do| xnew
i = x0i donné
|End for|While ‖Axnew − b‖ > ε or nb < iter_max do| nb = nb + 1| For i = 1 : n do| xold
i = xnewi
| End for| For i = 1 : n do
| xnewi =
bi−∑n
j=1,j 6=i ai,j xoldj
ai,i| End for|End while
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiForme matricielle
Soit A ∈Mn(R), on note par :D la matrice des éléments diagonaux de AE la matrice des éléments sous-diagonaux de AF la matrice des éléments sur-diagonaux de A
On peut écrire alors
A = D + E + F = D − (−E − F )
On considère alors la décomposition A = M − N avec{M = DN = −E − F
DéfinitionOn appel matrice de Jacobi la matrice
J = M−1N = D−1(−E − F )
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de JacobiConditions de convergence
La méthode de Jacobi est convergente ssi1 Les éléments diagonaux de A sont tous non nuls2 ρ(J) < 1
ThéorèmeSi A est à diagonale strictement dominante (c-à-d|ai ,i | >
∑nj=1,j 6=i |ai ,j |) alors la méthode de Jacobi converge
pour tout vecteur initial x0.
ThéorèmeSupposons A symétrique définie positive. Si 2D − A estsymétrique définie positive alors la méthode de Jacobi converge.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-SeidelExemple
Dans l’algorithme de Gauss-Seidel, on utilise les éléments del’itéré qui sont déjà calculésOn revient à l’exemple précédent.Solution exacte
1 x̄1 = 5−1×x̄2−0×x̄32
2 x̄2 = 6+1×x̄1−1×x̄3−3
3 x̄3 = 7−0×x̄1−1×x̄24
Itération Gauss-Seidel1 xk+1
1 =5−1×xk
2−0×xk3
2
2 xk+12 =
6+1×xk+11 −1×xk
3−3
3 xk+13 =
7−0×xk+11 −1×xk+1
24
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-SeidelExemple
Dans l’algorithme de Gauss-Seidel, on utilise les éléments del’itéré qui sont déjà calculésOn revient à l’exemple précédent.Solution exacte
1 x̄1 = 5−1×x̄2−0×x̄32
2 x̄2 = 6+1×x̄1−1×x̄3−3
3 x̄3 = 7−0×x̄1−1×x̄24
Itération Gauss-Seidel1 xk+1
1 =5−1×xk
2−0×xk3
2
2 xk+12 =
6+1×xk+11 −1×xk
3−3
3 xk+13 =
7−0×xk+11 −1×xk+1
24
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-SeidelAlgorithme
|For i = 1 : n do| xnew
i = x0i
|End for|While ‖Axnew − b‖ > ε or nb < iter_max do| nb = nb + 1| For i = 1 : n do| xold
i = xnewi
| End for| For i = 1 : n do| xnew
i = 1ai,i
(bi −
∑i−1j=1 ai ,jxnew
j −∑n
j=i+1 ai ,jxoldj
)| End for|End while
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-SeidelForme matricielle
L’algorithme de Gauss-Seidel consiste à décomposer la matriceA = M − N telle que {
M = D + EN = −F
On aura alors
A = M − N = D + E − (−F )
et la suitexk+1 = M−1Nxk + M−1b
DéfinitionOn appel matrice de Gauss-Seidel la matrice
GS = M−1N = (D + E )−1(−F )
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de Gauss-SeidelConditions de convergence
La méthode de Gauss-Seidel est convergente ssi1 Les éléments diagonaux de A sont tous non nuls (D + E
inversible)2 ρ(GS) < 1
ThéorèmeSi A est à diagonale strictement dominante alors la méthode deGauss-Seidel converge pour tout vecteur initial x0.
ThéorèmeSi A est symétrique définie positive alors la méthode deGauss-Seidel converge pour tout vecteur initial x0.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de RelaxationForme matricielle
La méthode de relaxation est une amélioration de G-SDiminuer ρ(C) pour améliorer la vitesse de convergenceSoit ω ∈ R, on décompose A = Mω − Nω telle que{
Mω = Dω + E
N = 1−ωω D − F
On aura le processus itératif :
xk+1 = (Dω
+ E )−1(1− ωω
D − F )xk + (Dω
+ E )−1b
DéfinitionOn appel matrice de relaxation la matrice
Rω = M−1ω Nω = (
Dω
+ E )−1(1− ωω
D − F )
Si ω = 1 on retrouve G-S
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de relaxationConditions de convergence
La méthode de relaxation est convergente ssi1 Les éléments diagonaux de A sont tous non nuls (D
ω + Einversible)
2 ρ(Rω) < 1
ThéorèmeSoit Rω la matrice de relaxation associé à A. Alors :
ρ(Rω) ≥ |ω − 1|.
En particulier, si la méthode converge, alors nécessairement0 < ω < 2
ThéorèmeSoit A une matrice symétrique définie positive.Alors la méthode de relaxation converge ssi 0 < ω < 2.En particulier, pour ω = 1, la méthode de G-S converge.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de relaxationAlgorithme
Algorithme de la méthoe de relaxation|For i = 1 : n do| xnew
i = x0i
|End for|While ‖Axnew − b‖ > ε or nb < iter_max do| nb = nb + 1| For i = 1 : n do| xold
i = xnewi | End for
| For i = 1 : n do| xnew
i = ωai,i
(bi −
∑i−1j=1 ai ,jxnew
j −∑n
j=i+1 ai ,jxoldj
)+
(1− ω)xoldi
| End for|End while
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Méthode de relaxationComparaison Jacobi et G-S pour une matrice tridiagonale
ThéorèmeSi A est une matrice tridiagonale. Alors on a ρ(GS) = [ρ(J)]2
Si de plus A est symétrique définie positive alors on a un choixoptimal de ω
ω∗ =2
1 +√1− ρ(J)2
et ρ(Rω∗) = ω∗ − 1
On peut en déduire que dans ce cas :G-S converge ⇔ Jacobi convergeEn cas de convergence, la méthode de G-S converge plus viteque la méthode de Jacobi
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Sommaire
1 Quesqu’un système linéaire ?2 Existence et unicité de la solution3 Méthodes directes
Matrices particulièresMéthode de GaussMéthode de Gauss-JordanDécomposition LUDécomposition de Cholesky
4 Méthodes itérativesPrincipe généralConvergenceMéthode de JacobiMéthode de Gauss-SeidelMéthode de Relaxation
5 Conditionnement d’un système linéiare
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
DéfinitionLe conditionnement d’une matrice inversible A relativement àune norme subordonnée, notée || · || est donné
κ(A) = ‖A−1‖ ‖A‖.
Et on a κ(A) > 1.
Le conditionnement d’une matrice donne une borne del’erreur relative commise sur la solution x lorsque lesdonnées A ou b sont perturbées.Si cette borne est très grande, l’erreur qui pourrait endécouler rende la solution numérique inexploitable
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
Soient x , y et z solutions respectivement des trois systèmes :Ax = bAy = (b + ∆b)
(A + ∆A)z = bExemple :
A =
10 7 8 77 5 6 58 6 10 97 5 9 10
b =
32233331
A + ∆A =
10 7 8.1 7.27.08 5.04 6 58 5.98 9.89 9
6.99 4.99 9 9.98
b + ∆b =
32.0122.9933.0130.99
Les solutions : x =
1111
y =
1.82−0.361.350.79
z =
−81137−3422
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
Théorème (second membre perturbé)Soit A une matrice inversible et b 6= 0 un vecteur de Rn. Soientx et x + ∆x les solutions respectives de Ax = b etA(x + ∆x) = b + ∆b, alors l’erreur relative théorique x estmajorée par
‖∆x‖‖x‖ 6 κ(A)
‖∆b‖‖b‖
Théorème (matrice perturbée)Soit A inversible. Soient x et x + ∆x les solutions respectivesde Ax = b et (A + ∆A)(x + ∆x) = b, alors l’erreur relativethéorique x est majorée par
‖∆x‖‖x + ∆x‖ 6 κ(A)
‖∆A‖‖A‖
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
Lorsque l’on veut résoudre un système linéaire Ax = b avec unematrice mal conditionnée, il peut être intéressant de demultiplier à gauche par une matrice K telle KA soit mieuxconditionnée.K est une approximation de A−1
L’exemple le plus simple est le préconditionnement diagonal, oùla matrice K est la matrice diagonale constituée des inversesdes éléments diagonaux de A
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
Pour avoir une rapidité de convergence, il faut que κ(A)soit petitPréconditionner un système linéaire revient à le remplcerpar un système équivalent avec une matrice deconditionnement plus petitLe principe est de remplacer le système par
KAx = Kb (préconditionnement à gauche)
ou par
AKy = b (préconditionnement à droite)
avec K une matrice inversible "préconditionneur" ety = K−1x et .Mais aussi, on peut faire KgAKdy = Kgb (cas général)
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Conditionnement d’un système linéiare
Si A est symétrique définie positive, K doit l’être aussi.Mais KA n’est plus symètriqueSi K admet une factorisation K = LLt alors les valeurspropores de KA et LtAL sont les mêmes. On peut alorsécrire le système équivalent suivant
LtALx̃ = Ltb
où x = Lx̃On cherche une solution approchée x̃k du systèmeprécédent.
Cours Calculet MéthodesNumériques
M. Berrada
Introduction
Existence etunicité
MéthodesdirectesMatrices particulières
Gauss
Gauss-Jordan
Décomposition LU
Cholesky
MéthodesitérativesGénéralités
Convergence
Jacobi
Gauss-Seidel
Relaxation
Conditionnement
Fin Chapitre Système linéaire