Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51"

Transcription

1 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5

2 Rappels mathématiques s Propriétés - p. 2/5

3 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques s Propriétés A M n (IR) : matrice carrée de dimension n n x, b IR n : vecteurs de dimension n. - p. 3/5

4 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques s Propriétés A M n (IR) : matrice carrée de dimension n n x, b IR n : vecteurs de dimension n. CNS d existence de la solution : Le système Ax = b a une solution unique si et seulement si son déterminant est non nul. - p. 3/5

5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques s Propriétés A M n (IR) : matrice carrée de dimension n n x, b IR n : vecteurs de dimension n. CNS d existence de la solution : Le système Ax = b a une solution unique si et seulement si son déterminant est non nul. Si le déterminant est nul : Si b Im(A) le système a une infinité de solutions Si b IR n Im(A) le système n a pas de solution - p. 3/5

6 s : 2x + 3x 2 = 5 4x 3x 2 = Rappels mathématiques s Propriétés - p. 4/5

7 s : 2x + 3x 2 = 5 4x 3x 2 = Le déterminant vaut D = 8, le système a une solution unique x =, x 2 = Rappels mathématiques s Propriétés - p. 4/5

8 s : 2x + 3x 2 = 5 4x 3x 2 = Le déterminant vaut D = 8, le système a une solution unique x =, x 2 = 2 : 2x + 3x 2 = 5 4x + 6x 2 = 0 Rappels mathématiques s Propriétés - p. 4/5

9 s : 2x + 3x 2 = 5 4x 3x 2 = Le déterminant vaut D = 8, le système a une solution unique x =, x 2 = 2 : 2x + 3x 2 = 5 4x + 6x 2 = 0 Rappels mathématiques s Propriétés Le déterminant vaut D = 0, le système a une infinité de solutions : (, ) + λ (3, 2), (λ IR). - p. 4/5

10 s : 2x + 3x 2 = 5 4x 3x 2 = Le déterminant vaut D = 8, le système a une solution unique x =, x 2 = 2 : 2x + 3x 2 = 5 4x + 6x 2 = 0 Rappels mathématiques s Propriétés Le déterminant vaut D = 0, le système a une infinité de solutions : (, ) + λ (3, 2), (λ IR). 3 : 2x + 3x 2 = 5 4x + 6x 2 = 9 - p. 4/5

11 s : 2x + 3x 2 = 5 4x 3x 2 = Le déterminant vaut D = 8, le système a une solution unique x =, x 2 = 2 : 2x + 3x 2 = 5 4x + 6x 2 = 0 Rappels mathématiques s Propriétés Le déterminant vaut D = 0, le système a une infinité de solutions : (, ) + λ (3, 2), (λ IR). 3 : 2x + 3x 2 = 5 4x + 6x 2 = 9 Le déterminant vaut D = 0, le système n a pas de solution. - p. 4/5

12 Propriétés On ne change pas la solution d un système linéaire lorsque : Rappels mathématiques s Propriétés - p. 5/5

13 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, Rappels mathématiques s Propriétés - p. 5/5

14 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, on permute deux colonnes, Rappels mathématiques s Propriétés - p. 5/5

15 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, on permute deux colonnes, on multiplie une ligne par un réel non nul, Rappels mathématiques s Propriétés - p. 5/5

16 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, on permute deux colonnes, on multiplie une ligne par un réel non nul, on ajoute une ligne à une autre. Rappels mathématiques s Propriétés - p. 5/5

17 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, on permute deux colonnes, on multiplie une ligne par un réel non nul, on ajoute une ligne à une autre. Rappels mathématiques s Propriétés Nous allons donc utiliser ces transformations pour se ramener à un cas simple. - p. 5/5

18 Propriétés On ne change pas la solution d un système linéaire lorsque : on permute deux lignes, on permute deux colonnes, on multiplie une ligne par un réel non nul, on ajoute une ligne à une autre. Rappels mathématiques s Propriétés Nous allons donc utiliser ces transformations pour se ramener à un cas simple.! Ces propriétés sont vraies dans IR pas dans IF - p. 5/5

19 Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 6/5

20 Les matrices triangulaires Pour certaines matrices, il est simple de calculer une solution. Définition Une matrice A = (a ij ) i,j n est triangulaire supérieure (respectivement inférieure) si i, j t.q. j > i (resp. j > i) a ij = 0 Si A est une matrice triangulaire supérieure, et si aucun élément diagonal n est nul, la solution du système Ax = b est : x n = b n a nn x i = b i n j=i+ a ijx j a ii Si A est une matrice triangulaire inférieure, et si aucun élément diagonal n est nul, la solution du système Ax = b est : x = b a x i = b i i j= a ijx j a ii Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 7/5

21 Algorithme de remontée Dans le cas des matrices triangulaires supérieures, l algorithme est donc le suivant. Données : A = (A[i, j]) i,j n, b = (b[i]) i n début x[n] b[n] A[n,n] pour i = n... faire sum 0 pour k = i +...n faire sum sum + A[i, k] x[k] x[i] b[i] sum A[i,i] Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire fin - p. 8/5

22 Algorithme de remontée Dans le cas des matrices triangulaires supérieures, l algorithme est donc le suivant. Données : A = (A[i, j]) i,j n, b = (b[i]) i n début x[n] b[n] A[n,n] pour i = n... faire sum 0 pour k = i +...n faire sum sum + A[i, k] x[k] x[i] b[i] sum A[i,i] Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire fin À partir d un système d équations linéaires quelconques, - p. 8/5

23 Algorithme de remontée Dans le cas des matrices triangulaires supérieures, l algorithme est donc le suivant. Données : A = (A[i, j]) i,j n, b = (b[i]) i n début x[n] b[n] A[n,n] pour i = n... faire sum 0 pour k = i +...n faire sum sum + A[i, k] x[k] x[i] b[i] sum A[i,i] Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire fin À partir d un système d équations linéaires quelconques, on triangularise le système, - p. 8/5

24 Algorithme de remontée Dans le cas des matrices triangulaires supérieures, l algorithme est donc le suivant. Données : A = (A[i, j]) i,j n, b = (b[i]) i n début x[n] b[n] A[n,n] pour i = n... faire sum 0 pour k = i +...n faire sum sum + A[i, k] x[k] x[i] b[i] sum A[i,i] Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire fin À partir d un système d équations linéaires quelconques, on triangularise le système, on résout le système triangulaire, - p. 8/5

25 Algorithme de remontée Dans le cas des matrices triangulaires supérieures, l algorithme est donc le suivant. Données : A = (A[i, j]) i,j n, b = (b[i]) i n début x[n] b[n] A[n,n] pour i = n... faire sum 0 pour k = i +...n faire sum sum + A[i, k] x[k] x[i] b[i] sum A[i,i] Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire fin À partir d un système d équations linéaires quelconques, on triangularise le système, on résout le système triangulaire, pour cela on utilise des permutations de lignes et de colonnes et des combinaisons linéaires de lignes. - p. 8/5

26 Méthodes Pour résoudre le système Ax = b, il faut appliquer les modifications à la fois à la matrice A et au vecteur b. Il y a deux cas possibles : Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 9/5

27 Méthodes Pour résoudre le système Ax = b, il faut appliquer les modifications à la fois à la matrice A et au vecteur b. Il y a deux cas possibles : On souhaite résoudre une seule équation Ax = b. Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 9/5

28 Méthodes Pour résoudre le système Ax = b, il faut appliquer les modifications à la fois à la matrice A et au vecteur b. Il y a deux cas possibles : On souhaite résoudre une seule équation Ax = b. On travaille sur la matrice [A b] qui a n lignes et n + colonnes C est l élimination de GAUSS Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 9/5

29 Méthodes Pour résoudre le système Ax = b, il faut appliquer les modifications à la fois à la matrice A et au vecteur b. Il y a deux cas possibles : On souhaite résoudre une seule équation Ax = b. On travaille sur la matrice [A b] qui a n lignes et n + colonnes C est l élimination de GAUSS Pour résoudre le système, il faut Une, Une remontée (solution d un système triangulaire). Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 9/5

30 Méthodes (suite) On doit résoudre plusieurs systèmes avec la même matrice Ax = b... Ax = b k. Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 0/5

31 Méthodes (suite) On doit résoudre plusieurs systèmes avec la même matrice Ax = b... Ax = b k. On décompose A en produit de deux matrices triangulaires (U est supérieure et L inférieure) : A = L U Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. 0/5

32 Méthodes (suite) On doit résoudre plusieurs systèmes avec la même matrice Ax = b... Ax = b k. On décompose A en produit de deux matrices triangulaires (U est supérieure et L inférieure) : A = L U Une résolution se fait grâce à deux systèmes triangulaires { Ly k = b k Ax k = b k Ux k = y k Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire C est la décomposition LU - p. 0/5

33 Méthodes (suite) On doit résoudre plusieurs systèmes avec la même matrice Ax = b... Ax = b k. On décompose A en produit de deux matrices triangulaires (U est supérieure et L inférieure) : A = L U Une résolution se fait grâce à deux systèmes triangulaires { Ly k = b k Ax k = b k Ux k = y k Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire C est la décomposition LU Il faut une pour «préparer» la matrice et deux remontées par vecteur b k. - p. 0/5

34 Ce qu il reste à faire Comment triangulariser? Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. /5

35 Ce qu il reste à faire Comment triangulariser? Quelles conditions? Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. /5

36 Ce qu il reste à faire Comment triangulariser? Quelles conditions? Que faire pour les matrices singulières? Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. /5

37 Ce qu il reste à faire Comment triangulariser? Quelles conditions? Que faire pour les matrices singulières? Que faire pour les matrices rectangulaires? Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. /5

38 Ce qu il reste à faire Comment triangulariser? Quelles conditions? Que faire pour les matrices singulières? Que faire pour les matrices rectangulaires? du problème? Les matrices triangulaires Algorithme de remontée Méthodes Méthodes (suite) Ce qu il reste à faire - p. /5

39 simple Algorithme de Élimination de GAUSS - p. 2/5

40 simple Contrairement à ce qu on dit parfois, cette méthode a été rapportée pour la première fois par CHANG TS ANG au 2 e siècle avant JC. On l appelle aussi méthode fang-cheng. La méthode utilise : la multiplication par un scalaire la somme de deux lignes. Le but de la méthode est d annuler progressivement les coefficients qui se trouvent sous la diagonale. simple Algorithme de Élimination de GAUSS - p. 3/5

41 On commence avec A une matrice n lignes et m colonnes simple Algorithme de Élimination de GAUSS - p. 4/5

42 On commence avec A une matrice n lignes et m colonnes Il y a n étapes : simple Algorithme de Élimination de GAUSS - p. 4/5

43 On commence avec A une matrice n lignes et m colonnes Il y a n étapes : À l étape k, on annule sous la diagonale les coefficients de la colonne k : simple Algorithme de Élimination de GAUSS - p. 4/5

44 On commence avec A une matrice n lignes et m colonnes Il y a n étapes : À l étape k, on annule sous la diagonale les coefficients de la colonne k : On appelle k e pivot (p (k) ) le coefficient de la diagonale p (k) = a k,k À chaque ligne i > k on soustrait la ligne k multipliée par a i,k p (k) : j, k j m q = a i,k on fait a i,j = a i,j a k,j. q p (k) simple Algorithme de Élimination de GAUSS - p. 4/5

45 On commence avec A une matrice n lignes et m colonnes Il y a n étapes : À l étape k, on annule sous la diagonale les coefficients de la colonne k : On appelle k e pivot (p (k) ) le coefficient de la diagonale p (k) = a k,k À chaque ligne i > k on soustrait la ligne k multipliée par a i,k p (k) : j, k j m q = a i,k on fait a i,j = a i,j a k,j. q p (k) Par définition i > k lorsque j = k on fait l opération : a i,k = a i,k a i,k = 0 en pratique il ne faut pas calculer ces coefficients pour éviter les erreurs de calcul. simple Algorithme de Élimination de GAUSS - p. 4/5

46 On commence avec A une matrice n lignes et m colonnes Il y a n étapes : À l étape k, on annule sous la diagonale les coefficients de la colonne k : On appelle k e pivot (p (k) ) le coefficient de la diagonale p (k) = a k,k À chaque ligne i > k on soustrait la ligne k multipliée par a i,k p (k) : j, k j m q = a i,k on fait a i,j = a i,j a k,j. q p (k) Par définition i > k lorsque j = k on fait l opération : a i,k = a i,k a i,k = 0 en pratique il ne faut pas calculer ces coefficients pour éviter les erreurs de calcul. L algorithme ne fonctionne pas si l un des pivots est nul. simple Algorithme de Élimination de GAUSS - p. 4/5

47 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p fin retourner A la matrice triangulaire - p. 5/5

48 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 A pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p fin retourner A la matrice triangulaire - p. 5/5

49 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 0 A (k ) pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p fin retourner A la matrice triangulaire - p. 5/5

50 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) a kk a kk+ a km a k+k a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

51 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) a kk a kk+ a km a k+k a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

52 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p a kk+ a km a k+k a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

53 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p a kk+ a km a k+k a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

54 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p q. a kk+ a km a k+k+. a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

55 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p 0. a kk+ a km a k+k+. a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

56 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p a kk+ a km 0 a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

57 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p a kk+ a km 0 a k+k+ a k+m a nk a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

58 Algorithme de Données : A = (A[i, j]), n le nb de lignes, m le nb de colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 p () pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p 0 a 2... a k... a m p (k ) p a kk+ a km 0 a k+k+ a k+m a nk+ a nm fin retourner A la matrice triangulaire - p. 5/5

59 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). simple Algorithme de Élimination de GAUSS - p. 6/5

60 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). Construire la matrice [Ab] (n colonnes n + lignes). simple Algorithme de Élimination de GAUSS - p. 6/5

61 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). Construire la matrice [Ab] (n colonnes n + lignes). Triangulariser la matrice. simple Algorithme de Élimination de GAUSS - p. 6/5

62 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). Construire la matrice [Ab] (n colonnes n + lignes). Triangulariser la matrice. Appliquer l algorithme de remontée simple Algorithme de Élimination de GAUSS - p. 6/5

63 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). Construire la matrice [Ab] (n colonnes n + lignes). Triangulariser la matrice. Appliquer l algorithme de remontée 2 n3 3 opérations pour la, n2 pour la remontée. simple Algorithme de Élimination de GAUSS - p. 6/5

64 Élimination de GAUSS Pour résoudre l équation Ax = b (n équations, n inconnues). Construire la matrice [Ab] (n colonnes n + lignes). Triangulariser la matrice. Appliquer l algorithme de remontée 2 n3 3 opérations pour la, n2 pour la remontée. Par exemple : x = simple Algorithme de Élimination de GAUSS - p. 6/5

65 2 3 2 simple Algorithme de Élimination de GAUSS - p. 7/5

66 simple Algorithme de Élimination de GAUSS - p. 7/5

67 simple Algorithme de Élimination de GAUSS - p. 7/5

68 simple Algorithme de Élimination de GAUSS p. 7/5

69 remontée simple Algorithme de Élimination de GAUSS p. 7/5

70 remontée x 3 = = simple Algorithme de Élimination de GAUSS p. 7/5

71 remontée x 3 = = x 2 = ( ( )) = 0 simple Algorithme de Élimination de GAUSS - p. 7/5

72 remontée x 3 = = x 2 = ( ( )) = 0 x = 4 (3 ( ) + 2 0) = 7 simple Algorithme de Élimination de GAUSS - p. 7/5

73 remontée Donc x 3 = = x 2 = ( ( )) = 0 x = 4 (3 ( ) + 2 0) = 7 x = 7 0 simple Algorithme de Élimination de GAUSS - p. 7/5

74 Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 8/5

75 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 9/5

76 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. En effet à la fin de la, on obtient U : 0 A C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 9/5

77 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. En effet à la fin de la, on obtient U : 0 p A C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 9/5

78 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. En effet à la fin de la, on obtient U : 0 p p 2 A C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 9/5

79 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. En effet à la fin de la, on obtient U : 0 p p 2 U... p n C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 9/5

80 Décomposition LU Pour «préparer la matrice» on souhaite la factoriser en deux matrices triangulaires : p U p A = p L 3 Pour construire L et U on utilise l élimination de GAUSS en «se souvenant» des opérations faites. En effet à la fin de la, on obtient U : 0 p p 2 U... p n C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme Une étape de l élimination revient à multiplier A par une matrice M (k) quelle est la forme de cette matrice? - p. 9/5

81 Soient m k i = a ik a kk et M (k) = k e colonne... m k k+. m k n... Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 20/5

82 Soient m k i = a ik a kk et M (k) = Alors : k e colonne... m k k+. m k n 0 A = A C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 20/5

83 Soient m k i = a ik a kk et M (k) = Alors : k e colonne... m k k+. m k n 0. B M () A =. A 0 p A () C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 20/5

84 Soient m k i = a ik a kk et M (k) = Alors : 0 M (2). C A k e colonne... m k k+. m k n 0. B M () A =. A 0 p p 2 A (2) C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 20/5

85 Soient m k i = a ik a kk et M (k) = Alors : 0 M (n ) 0 C B M (2). C A k e colonne... m k k+. m k n 0. B M () A =. A 0 p p 2 U... p n C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 20/5

86 Soient m k i = a ik a kk et M (k) = Alors : 0 M (n ) 0 C B M (2). C A k e colonne... m k k+. m k n 0. B M () A =. A 0 p p 2 U... p n C A Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme Nous avons donc M A = U - p. 20/5

87 Calcul de la matrice L A-t-on obtenu les matrices U et L de la décomposition? Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 2/5

88 Calcul de la matrice L A-t-on obtenu les matrices U et L de la décomposition? le produit de deux matrices triangulaires inférieures est triangulaire inférieure, L inverse d une matrice triangulaire inférieure est une matrice triangulaire inférieure. Lorsqu elle existe la décomposition est unique. Cela nous prouve que la matrice U obtenue est celle de la décomposition LU et que la matrice M est l inverse de la matrice L recherchée. Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 2/5

89 Calcul de la matrice L A-t-on obtenu les matrices U et L de la décomposition? le produit de deux matrices triangulaires inférieures est triangulaire inférieure, L inverse d une matrice triangulaire inférieure est une matrice triangulaire inférieure. Lorsqu elle existe la décomposition est unique. Cela nous prouve que la matrice U obtenue est celle de la décomposition LU et que la matrice M est l inverse de la matrice L recherchée. Pour calculer la matrice L il faut : Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 2/5

90 Calcul de la matrice L A-t-on obtenu les matrices U et L de la décomposition? le produit de deux matrices triangulaires inférieures est triangulaire inférieure, L inverse d une matrice triangulaire inférieure est une matrice triangulaire inférieure. Lorsqu elle existe la décomposition est unique. Cela nous prouve que la matrice U obtenue est celle de la décomposition LU et que la matrice M est l inverse de la matrice L recherchée. Pour calculer la matrice L il faut : Inverser les M (i), Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme Calculer le produit : L = M () M (2) M (3) M (n ) - p. 2/5

91 Inverse de la matrice M (i) On peut montrer que : i e colonne i e colonne X j e colonne Y =... X + Y X... Y si i = j si i < j i e colonne j e colonne - p. 22/5

92 Calcul de L Donc M (k) est inversible d inverse L (k) avec :... M (k) = m k k+... m k n Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 23/5

93 Calcul de L Donc M (k) est inversible d inverse L (k) avec : M (k) =... m k k+... m k n L (k) =... m k k+... Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme m k n - p. 23/5

94 Calcul de L (suite) La matrice L de la décomposition est : L = L () L (2) L (n ) Décomposition LU = Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 24/5

95 Calcul de L (suite) La matrice L de la décomposition est : L = = L () L (2) L (n ) m 2... m k k+.... m n... m k n... m n n Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme Rappel : les m k i sont les coefficients de l élimination de GAUSS m k i = a ik a kk - p. 24/5

96 Algorithme Données : A = (A[i, j]), n le nombre de lignes et colonnes début pour k =...n faire p A[k, k] pour i = k +...n faire q A[i, k] A[i, k] 0 Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme pour j = k +...n faire A[i, j] = A[i, j] A[k, j]. q p fin retourner - p. 25/5

97 Algorithme Données : A = (A[i, j]), n le nombre de lignes et colonnes début U A pour k =...n faire p U[k, k] pour i = k +...n faire q U[i, k] U[i, k] 0 Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p fin retourner U la matrice triangulaire supérieure, - p. 25/5

98 Algorithme Données : A = (A[i, j]), n le nombre de lignes et colonnes début U A L I pour k =...n faire p U[k, k] pour i = k +...n faire q U[i, k] U[i, k] 0 L[i, k] q p pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme fin retourner U la matrice triangulaire supérieure, L la matrice triangulaire inférieure - p. 25/5

99 Décomposition de la matrice Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 26/5

100 Décomposition de la matrice U (0) = L (0) = Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 26/5

101 Décomposition de la matrice U (0) = U () = L (0) = L () = Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 26/5

102 Décomposition de la matrice U (0) = U () = U (2) = L (0) = L () = L (2) = Décomposition LU Calcul de la matrice L Inverse de la matrice M (i) Calcul de L Calcul de L (suite) Algorithme - p. 26/5

103 Pivots nuls (suite) - p. 27/5

104 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? - p. 28/5

105 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n a 2 a 22 a a 2n a 3 a 32 a a 3n a n a n2 a n3... a nn - p. 28/5

106 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles Aa a 2 a 3... a n a 2 a 22 a a 2n a 3 a 32 a a 3n a n a n2 a n3... a nn - p. 28/5

107 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n A a 2 2 a 22 a a 2n a 3 a 32 a a 3n a n a n2 a n3... a nn - p. 28/5

108 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n a 2 Aa 22 a a 2n a 3 a 32 a a 3n a n a n2 a n3... a nn - p. 28/5

109 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n a 2 a 22 a a 2n A a 3 a 4 32 a a 3n a n a n2 a n3... a nn - p. 28/5

110 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n a 2 a 22 a a 2n a 3 aa 32 a n = A a 3n a n a n2 a n3... a nn - p. 28/5

111 Cet algorithme est applicable sur A ssi tous les pivots p (k) sont non nuls. Comment être sur que ces pivots ne seront pas nuls? Théorème L élimination de GAUSS fonctionne sur une matrice A = (a ij ) i,j n si et seulement si toutes ses matrices principales («en coin») A k = (a ij ) i,j k sont inversibles a a 2 a 3... a n a 2 a 22 a a 2n a 3 a 32 a a 3n a n a n2 a n3... a nn Cela ne donne pas de moyen à priori pour savoir si la méthode fonctionne. - p. 28/5

112 Pivots nuls Le fait qu une matrice principale A k ne soit pas inversible ne signifie pas que la matrice A n est pas inversible. Pivots nuls (suite) - p. 29/5

113 Pivots nuls Le fait qu une matrice principale A k ne soit pas inversible ne signifie pas que la matrice A n est pas inversible. Par exemple : ( 0 ) 0 0 Pivots nuls (suite) ces matrices sont inversibles et peuvent être triangularisées par une méthode un peu plus complexe. - p. 29/5

114 Pivots nuls Le fait qu une matrice principale A k ne soit pas inversible ne signifie pas que la matrice A n est pas inversible. Par exemple : ( 0 ) 0 0 Pivots nuls (suite) ces matrices sont inversibles et peuvent être triangularisées par une méthode un peu plus complexe. L avis du mathématicien : «si un pivot est nul, alors on permute deux lignes» - p. 29/5

115 Pivots nuls Le fait qu une matrice principale A k ne soit pas inversible ne signifie pas que la matrice A n est pas inversible. Par exemple : ( 0 ) 0 0 Pivots nuls (suite) ces matrices sont inversibles et peuvent être triangularisées par une méthode un peu plus complexe. L avis du mathématicien : «si un pivot est nul, alors on permute deux lignes» car : Théorème Si tous les pivots possibles sont nuls alors la matrice est singulière - p. 29/5

116 Pivots nuls Le fait qu une matrice principale A k ne soit pas inversible ne signifie pas que la matrice A n est pas inversible. Par exemple : ( 0 ) 0 0 Pivots nuls (suite) ces matrices sont inversibles et peuvent être triangularisées par une méthode un peu plus complexe. L avis du mathématicien : «si un pivot est nul, alors on permute deux lignes» car : Théorème Si tous les pivots possibles sont nuls alors la matrice est singulière Pourquoi cela n est-il pas satisfaisant? - p. 29/5

117 En modifiant légèrement la matrice précédente : 0 0 x = 0 2 La solution est (,, ). Appliquons la méthode de avec 4 chiffres décimaux de précision en arrondi au plus près. Pivots nuls (suite) - p. 30/5

118 En modifiant légèrement la matrice précédente : x = 0 2 La solution est (,, ). Appliquons la méthode de avec 4 chiffres décimaux de précision en arrondi au plus près. Pivots nuls (suite) - p. 30/5

119 En modifiant légèrement la matrice précédente : x = 0 2 La solution est (,, ). Appliquons la méthode de avec 4 chiffres décimaux de précision en arrondi au plus près. La matrice A devient : A = Pivots nuls (suite) - p. 30/5

120 En modifiant légèrement la matrice précédente : x = 0 2 La solution est (,, ). Appliquons la méthode de avec 4 chiffres décimaux de précision en arrondi au plus près. La matrice A devient : A = Pivots nuls (suite) - p. 30/5

121 (suite) x = p. 3/5

122 (suite) x = p. 3/5

123 (suite) E 4 0 x = p. 3/5

124 (suite) E E 4 0 x = x = p. 3/5

125 (suite) E E x = x = p. 3/5

126 (suite) E E E4 x = x = E4 - p. 3/5

127 (suite) Donc E E E4 x 3 x 2 x = = E4 x = E4 = = E 4 = 0 x = = E4 - p. 3/5

128 (suite) Donc E E E4 x 3 x 2 x = = E4 x = E4 = = E 4 = 0 x = = Suite aux erreurs d arrondis, la solution fournie est E4 au lieu de - p. 3/5

129 (suite) Donc E E E4 x 3 x 2 x = = E4 x = E4 = = E 4 = 0 x = = Suite aux erreurs d arrondis, la solution fournie est E4 au lieu de Pour résoudre ce problème on recherche les pivots maximaux. - p. 3/5

130 Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 32/5

131 Nous n avons pas utilisé les deux propriétés suivantes : On ne change pas la solution du système lorsque on permute deux lignes, On ne change pas la solution du système lorsque on permute deux colonnes. - p. 33/5

132 Nous n avons pas utilisé les deux propriétés suivantes : On ne change pas la solution du système lorsque on permute deux lignes, On ne change pas la solution du système lorsque on permute deux colonnes. Or la permutation est une opération qui ne cause aucune erreur de calcul. - p. 33/5

133 Nous n avons pas utilisé les deux propriétés suivantes : On ne change pas la solution du système lorsque on permute deux lignes, On ne change pas la solution du système lorsque on permute deux colonnes. Or la permutation est une opération qui ne cause aucune erreur de calcul. On peut utiliser cette propriété pour choisir le pivot le plus grand (en valeur absolue). En ne permutant que les lignes, c est l algorithme de GAUSS avec pivot partiel. simple - p. 33/5

134 Nous n avons pas utilisé les deux propriétés suivantes : On ne change pas la solution du système lorsque on permute deux lignes, On ne change pas la solution du système lorsque on permute deux colonnes. Or la permutation est une opération qui ne cause aucune erreur de calcul. On peut utiliser cette propriété pour choisir le pivot le plus grand (en valeur absolue). En ne permutant que les lignes, c est l algorithme de GAUSS avec pivot partiel. simple En permutant les lignes et les colonnes, c est l algorithme de GAUSS avec pivot total. stable - p. 33/5

135 Pivot partiel rechercher le pivot maximal parmi les éléments de la colonne k situés sous la diagonale. p k = a s,k avec a s,k = max i=k...n a i,k permuter les lignes s et k de la matrice A (k ), ce qui revient uniquement à changer l ordre des équations. Si tous les pivots de cette colonne sont nuls, la matrice est singulière. «Si tous les pivots de cette colonne sont proches de 0, la matrice est soit singulière mais mal calculée, soit proche d une matrice singulière donc instable». 0 p 0 a 2... a k a m pk a kk. a nk a kk+. a nk a km.. a nm C A Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 34/5

136 Élimination avec pivot partiel début pour k =...n faire p A[k, k] ; pour i = k +...n faire q A[i, k] ; A[i, k] 0 pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) fin retourner A la matrice triangulaire - p. 35/5

137 Élimination avec pivot partiel début pour k =...n faire p A[k, k] ; l k pour i = k...n faire si A[i, k] > p alors p A[i, k] ; l i pour i = k +...n faire q A[i, k] ; A[i, k] 0 pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) fin retourner A la matrice triangulaire - p. 35/5

138 Élimination avec pivot partiel début pour k =...n faire p A[k, k] ; l k pour i = k...n faire si A[i, k] > p alors p A[i, k] ; l i si l k alors pour j = k...m faire temp A[k, j] ; A[k, j] A[l, j] ; A[l, j] temp pour i = k +...n faire q A[i, k] ; A[i, k] 0 pour j = k +...m faire A[i, j] = A[i, j] A[k, j]. q p Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) fin retourner A la matrice triangulaire - p. 35/5

139 Pivot total rechercher le pivot maximal parmi les éléments de la sous-matrice [a i,j ] (i k, j k). p k = a s,t avec a s,t = max i=k...n, j=k...n a i,j permuter les lignes s et k permuter les colonnes t et k, ce qui modifie l ordre des inconnues 0 p 0 a 2... a k a m pk a kk. a nk a kk+. a nk a km.. a nm C A Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 36/5

140 Résumé Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 37/5

141 Effet sur la décomposition LU Est ce que l inversion de lignes ou de colonnes est possible lorsqu on veut la décomposition LU? Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 38/5

142 Effet sur la décomposition LU Est ce que l inversion de lignes ou de colonnes est possible lorsqu on veut la décomposition LU? Matriciellement, à quoi correspond ces permutations? Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 38/5

143 Effet sur la décomposition LU Est ce que l inversion de lignes ou de colonnes est possible lorsqu on veut la décomposition LU? Matriciellement, à quoi correspond ces permutations? Peut-on appliquer les deux formes de recherche de pivot maximaux à l algorithme de décomposition LU? Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 38/5

144 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne p. 39/5

145 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : A = A - p. 39/5

146 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M () P,l A = A - p. 39/5

147 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M (2) P 2,l2 M () P,l A = A 2 - p. 39/5

148 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M (n 2) P n 2,ln 2 M (2) P 2,l2 M () P,l A = A n 2 - p. 39/5

149 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M (n ) P n,ln M (n 2) P n 2,ln 2 M (2) P 2,l2 M () P,l A = U - p. 39/5

150 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M (n ) P n,ln M (n 2) P n 2,ln 2 M (2) P 2,l2 M () P,l A = U La matrice M obtenue n est plus triangulaire inférieure - p. 39/5

151 Matrice de permutation Permuter deux lignes d une matrice correspond la multiplier à gauche par une matrice de la forme : i e colonne... 0 P ij =... j e colonne 0... Alors, l élimination de GAUSS avec permutation revient à obtenir : M (n ) P n,ln M (n 2) P n 2,ln 2 M (2) P 2,l2 M () P,l A = U La matrice M obtenue n est plus triangulaire inférieure - p. 39/5

152 Propriétés des matrices de permutation Par contre, il est possible de commuter les matrices de permutation et les matrices M (k). Si k < i < j : P ij M (k) = M (k) P ij où M (k) est la matrice M (k) dont les coefficients i et j ont été échangés. Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 40/5

153 Propriétés des matrices de permutation Par contre, il est possible de commuter les matrices de permutation et les matrices M (k). Si k < i < j : P ij M (k) = M (k) P ij où M (k) est la matrice M (k) dont les coefficients i et j ont été échangés. M (k) est de la même forme que M (k) donc elle est triangulaire inférieure et elle est inversée de la même façon Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 40/5

154 Propriétés des matrices de permutation Par contre, il est possible de commuter les matrices de permutation et les matrices M (k). Si k < i < j : P ij M (k) = M (k) P ij où M (k) est la matrice M (k) dont les coefficients i et j ont été échangés. M (k) est de la même forme que M (k) donc elle est triangulaire inférieure et elle est inversée de la même façon Finalement, ˆM (n ) ˆM (2) ˆM() P n,ln P 2l2 P l A = U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 40/5

155 Propriétés des matrices de permutation Par contre, il est possible de commuter les matrices de permutation et les matrices M (k). Si k < i < j : P ij M (k) = M (k) P ij où M (k) est la matrice M (k) dont les coefficients i et j ont été échangés. M (k) est de la même forme que M (k) donc elle est triangulaire inférieure et elle est inversée de la même façon Finalement, ˆM (n ) ˆM (2) ˆM() P n,ln P 2l2 P l A = U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) M P A = U - p. 40/5

156 Propriétés des matrices de permutation Par contre, il est possible de commuter les matrices de permutation et les matrices M (k). Si k < i < j : P ij M (k) = M (k) P ij où M (k) est la matrice M (k) dont les coefficients i et j ont été échangés. M (k) est de la même forme que M (k) donc elle est triangulaire inférieure et elle est inversée de la même façon Finalement, ˆM (n ) ˆM (2) ˆM() P n,ln P 2l2 P l A = U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) M P A = U P A = L U - p. 40/5

157 Décomposition PLU on applique l algorithme avec recherche de pivot partiel, en calculant U et L A chaque fois qu on permute une ligne de U, on permute aussi les lignes de L en dessous de la diagonale. On conserve la permutation P (l ordre des lignes) car P A = L U Pour résoudre Ax = b, il suffit de résoudre LUx = Pb! on ne peut pas utiliser l algorithme avec recherche du pivot total Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 4/5

158 Algorithme Données : A = (A[i, j]), n début U A ; ; pour k =...n faire // Recherche partiel du pivot p U[k, k] ; l k fin retourner pour i = k...n faire si U[i, k] > p alors p U[i, k] ; l i si l k alors //Permutation de lignes pour j =...n faire temp U[k, j] ; U[k, j] U[l, j] U[l, j] temp pour i = k +...n faire q U[i, k] ; U[i, k] 0 pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p U - p. 42/5

159 Algorithme Données : A = (A[i, j]), n début U A ; L I ; pour k =...n faire // Recherche partiel du pivot p U[k, k] ; l k fin retourner pour i = k...n faire si U[i, k] > p alors p U[i, k] ; l i si l k alors //Permutation de lignes pour j =...n faire temp U[k, j] ; U[k, j] U[l, j] U[l, j] temp pour i = k +...n faire q U[i, k] ; U[i, k] 0 L[i, k] q p pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p L et U - p. 42/5

160 Algorithme Données : A = (A[i, j]), n début U A ; L I ; pour k =...n faire // Recherche partiel du pivot p U[k, k] ; l k fin retourner pour i = k...n faire si U[i, k] > p alors p U[i, k] ; l i si l k alors //Permutation de lignes pour j =...n faire temp U[k, j] ; U[k, j] U[l, j] U[l, j] temp si j < k alors //Uniquement sous la diagonale temp L[k, j] ; L[k, j] L[l, j] L[l, j] temp pour i = k +...n faire q U[i, k] ; U[i, k] 0 L[i, k] q p pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p L et U - p. 42/5

161 Algorithme Données : A = (A[i, j]), n début U A ; L I ; P I pour k =...n faire // Recherche partiel du pivot p U[k, k] ; l k pour i = k...n faire si U[i, k] > p alors p U[i, k] ; l i si l k alors //Permutation de lignes pour j =...n faire temp U[k, j] ; U[k, j] U[l, j] U[l, j] temp si j < k alors //Uniquement sous la diagonale temp L[k, j] ; L[k, j] L[l, j] L[l, j] temp temp P[k, j] ; P[k, j] P[l, j] P[l, j] temp pour i = k +...n faire q U[i, k] ; U[i, k] 0 L[i, k] q p pour j = k +...n faire U[i, j] = U[i, j] U[k, j]. q p fin retourner P, L et U - p. 42/5

162 2 Calcul de la décomposition PLU de k P L U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 43/5

163 Calcul de la décomposition PLU de k P L U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 43/5

164 Calcul de la décomposition PLU de k P L U Pivot partiel Élimination avec pivot partiel Pivot total Résumé Effet sur la décomposition LU Matrice de permutation Propriétés des matrices de permutation Décomposition PLU Algorithme (suite) - p. 43/5

A. 1. Définitions 96/154. Cas particuliers

A. 1. Définitions 96/154. Cas particuliers I II III IV V VI VII VIII Cours de Mathématiques IUT Orsay DUT INFORMATIQUE A - Semestre 0-0 Introduction Wims Calcul ensembliste Relations binaires, applications Logique Raisonnements par récurrence,

Plus en détail

Rappels d Algèbre Linéaire de P.C.S.I

Rappels d Algèbre Linéaire de P.C.S.I Rappels d Algèbre Linéaire de PCSI Table des matières 1 Structure d espace vectoriel sur IK 3 11 Définition et règles de calcul 3 12 Exemples de référence 3 13 Espace vectoriel produit 4 14 Sous-espaces

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

Les matrices. 1 Définitions. 1.1 Matrice Les matrices 2012-2013 1 Définitions 11 Matrice Définition 1 Une matrice m n est un tableau de nombres à m lignes et n colonnes Les nombres qui composent la matrice sont appelés les éléments de la matrice

Plus en détail

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail

Matrices et déterminants

Matrices et déterminants Matrices et déterminants Matrices Définition.. Une matrice réelle (ou complexe) M = (m i,j ) (m, n) à m lignes et n colonnes est un tableau à m lignes et n colonnes de réels (ou de complexes). Le coefficient

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition.

Algèbre linéaire. 1 Espaces vectoriels R n. Jean-Paul Davalan. 1.1 Les ensembles R n. 1.2 Addition dans R n. (R n, +) désigne R n muni de l addition. Algèbre linéaire. Jean-Paul Davalan 2001 1 Espaces vectoriels R n. 1.1 Les ensembles R n. Définition 1.1 R 2 est l ensemble des couples (x, y) de deux nombres réels x et y. D une manière générale, un entier

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

Résolution de systèmes linéaires creux par des méthodes directes

Résolution de systèmes linéaires creux par des méthodes directes Résolution de systèmes linéaires creux par des méthodes directes J. Erhel Janvier 2014 1 Stockage des matrices creuses Dans de nombreuses simulations numériques, la discrétisation du problème aboutit à

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe)

UNIVERSITE PAUL SABATIER 2008/2009. Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le nombre réel (ou complexe) UNIVERSITE PAUL SABATIER 2008/2009 YjY L1 - PCP - DETERMINANTS (COURS-EXERCICES) YjY 1 Déterminant, définition, propriètés Le déterminant d une matrice carrée à deux lignes et colonnes A = définition le

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

MATHÉMATIQUES - SPÉCIALITÉ. Table des matières

MATHÉMATIQUES - SPÉCIALITÉ. Table des matières MATHÉMATIQUES - SPÉCIALITÉ F.HUMBERT Table des matières Chapitre A - Congruences 2 Chapitre B - PGCD 5 Chapitre C - Nombres premiers 11 Chapitre D - Matrices et évolution de processus 14 Chapitre E - Matrices

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Programmation Linéaire - Cours 2

Programmation Linéaire - Cours 2 Programmation Linéaire - Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 Retournons dans le yaourt! Reprenons l exemple du 1er cours Forme normale

Plus en détail

Université de Nice Sophia-Antipolis Licence L3 Mathématiques Année 2008/2009. Analyse Numérique. Corrigé du TD 6

Université de Nice Sophia-Antipolis Licence L3 Mathématiques Année 2008/2009. Analyse Numérique. Corrigé du TD 6 Analyse Numérique Corrigé du TD 6 EXERCICE 1 Matrices diagonales, triangulaires 11 Matrices diagonales Soit D = (d ii ),,n une matrice diagonale d ordre n > 0 Donner une condition nécessaire et suffisante

Plus en détail

Matrices. 3 Théorie du rang 11 3.1 Opérations élémentaires... 11 3.2 Rang d une matrice, pivot de Gauss... 11 3.3 Inversion des matrices...

Matrices. 3 Théorie du rang 11 3.1 Opérations élémentaires... 11 3.2 Rang d une matrice, pivot de Gauss... 11 3.3 Inversion des matrices... Maths PCSI Cours Matrices Table des matières Présentation de M n,p (K) 2 Espace des matrices (n, p) 2 2 Lien avec les applications linéaires 3 3 L algèbre M n (K) 5 4 Transposition 6 2 Représentation des

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé

Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé n o 1 *I : 1 Soit P E. Si on pose P = + a k X k, il existe n N tel que k > n, a k =. Donc P = { k= P k } Sup k!, k N = Max{

Plus en détail

Chapitre 1 : Programmation linéaire

Chapitre 1 : Programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 1 : Programmation linéaire J.-F. Scheid 1 I. Introduction 1) Modélisation En Recherche Opérationnelle (RO), modéliser un problème consiste à identifier: les variables

Plus en détail

Ax = b iff (B + N) x N

Ax = b iff (B + N) x N Chapitre 3 Algorithme du simplexe 3.1 Solution de base admissible P en forme standard. A = (a 1,...,a n ) Hypothèse : n m (plus de variables que d équations) et rg(a)=m (pas d équation inutile). Donc après

Plus en détail

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER

Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2. Guillaume CARLIER Université Paris IX Dauphine UFR Mathématiques de la décision Notes de cours ALGEBRE 2 Guillaume CARLIER L1, année 2006-2007 2 Ce support de cours est basé sur le poly de Tristan Tomala des années précédentes.

Plus en détail

Suites et Convergence

Suites et Convergence Suites et Convergence Une suite c est se donner une valeur (sans ambigüité) pour chaque N sauf peutêtre les premiers n. Donc une suite est une fonction : I R où I = N: = N. Notation : On note ( ) I R pour

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Agrégation interne de Sciences économiques et sociales - Session 2008 Épreuve de Mathématiques - sujet A

Agrégation interne de Sciences économiques et sociales - Session 2008 Épreuve de Mathématiques - sujet A Épreuve de Mathématiques - sujet A Exercice Une société de location de voitures possède trois agences, une à Rennes, une à Lyon, une à Marseille. Lorsqu un client loue une voiture, un jour donné, dans

Plus en détail

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs Ch01 : Matrice Les matrices ont été introduites récemment au programme des lycées. Il s agit d outils puissants au service de la résolution de problèmes spécifiques à nos classes, en particulier les problèmes

Plus en détail

Filtre de Wiener. Analyse en Composantes Principales

Filtre de Wiener. Analyse en Composantes Principales Filtre de Wiener Analyse en Composantes Principales Guillaume Obozinski LIGM/Ecole des Ponts - ParisTech Traitement de l information et vision artificielle Ecole des Ponts Filtre de Wiener Norbert Wiener

Plus en détail

Le théorème du point xe. Applications

Le théorème du point xe. Applications 49 Le théorème du point xe. Applications 1 Comme dans le titre de cette leçon, le mot théorème est au singulier, on va s'occuper du théorème du point xe de Picard qui a de nombreuses applications. Le cas

Plus en détail

Algorithme du simplexe

Algorithme du simplexe Algorithme du simplexe Une solution à la programmation linéaire Hugues Talbot Laboratoire A2SI 18 mars 2008 Plan Algèbre linéaire Algorithme du simplexe Formulation et forme standard Notations Recherche

Plus en détail

Le second degré. Table des matières

Le second degré. Table des matières Le second degré Table des matières 1 La forme canonique du trinôme 1.1 Le trinôme du second degré......................... 1. Quelques exemples de formes canoniques................. 1.3 Forme canonique

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume.

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume. Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f.

1. a) question de cours b) P(f) est un polynôme de l endomorphisme f donc commute avec f. escp-eap 2(Ecole de commerce) OPTION SCIENTIFIQUEMATHEMATIQUES I adapté en retirant certaines question qui sont du cours de PC et en ajoutant le dernier exemple.. a) question de cours b) P(f) est un polynôme

Plus en détail

Maîtrise de Mathématiques Travaux Pratiques

Maîtrise de Mathématiques Travaux Pratiques Maîtrise de Mathématiques Travaux Pratiques Pedro Ferreira 4 mai 2 Le but des travaux pratiques d Analyse Numérique est de créer un premier programme de mise en œuvre de la méthode des éléments finis.

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Réduction des endomorphismes et des matrices carrées

Réduction des endomorphismes et des matrices carrées 48 Chapitre 4 Réduction des endomorphismes et des matrices carrées La motivation de ce chapitre est la suivante. Étant donné un endomorphisme f d un espace E de dimension finie, déterminé par sa matrice

Plus en détail

Agrégation de Mathématiques Exercices d algèbre linéaire

Agrégation de Mathématiques Exercices d algèbre linéaire Agrégation de Mathématiques Exercices d algèbre linéaire P. HUBERT La plupart des exercices ci-dessous se trouvent dans les livres suivants : - E. Leichtnam, X. Schaeur, Exercices corrigés de mathématiques

Plus en détail

1 Séancs du 14/21.11.08

1 Séancs du 14/21.11.08 1 1 Séancs du 14/21.11.08 1.1 Le rayon spectral Le spectre d un opérateur (ici, élément d une algèbre stellaire) est un compact non vide. La compacité est immédiate, car, pour z > u, u zi peut être inversé

Plus en détail

Quelques méthodes numériques en mathématique

Quelques méthodes numériques en mathématique Quelques méthodes numériques en mathématique programmées sous SCILAB. K.Barty 29 avril 2004 Table des matières 1 Résolution de systèmes linéaires 1 1.1 Élimination de Gauss..............................

Plus en détail

Matrices. 1. Définition. Exo7. 1.1. Définition

Matrices. 1. Définition. Exo7. 1.1. Définition Exo7 Matrices Vidéo partie 1 Définition Vidéo partie 2 Multiplication de matrices Vidéo partie 3 Inverse d'une matrice : définition Vidéo partie 4 Inverse d'une matrice : calcul Vidéo partie 5 Inverse

Plus en détail

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien TRAVAUX DIRIGÉS DE l UE MNBif Informatique 3A MÉTHODES NUMÉRIQUES DE BASE 2015-2016, Automne N. Débit & J. Bastien Document compilé le 13 novembre 2015 Liste des Travaux Dirigés Avant-propos iii Travaux

Plus en détail

Lycée Dominique Villars ECE 1 CALCUL MATRICIEL

Lycée Dominique Villars ECE 1 CALCUL MATRICIEL Lycée Dominique Villars ECE 1 COURS CALCUL MATRICIEL 1 Définitions et Notations Soit n N et m N On appelle matrice à n lignes et m colonnes tout tableau de la forme suivant : a 1,1 a 1,2 a 1,m a 2,1 a

Plus en détail

Feuille 5 : Exercices sur les déterminants, quelques corrections

Feuille 5 : Exercices sur les déterminants, quelques corrections Université de Poitiers Mathématiques L SPIC, Module 2L2 2/2 Feuille 5 : Exercices sur les déterminants, quelques corrections Exercice 3 : Dans cet exercice, pour obtenir directement les polnômes sous forme

Plus en détail

Chapitre III - Résolution des systèmes linéaires - Méthodes directes

Chapitre III - Résolution des systèmes linéaires - Méthodes directes Chapitre III - Résolution des systèmes linéaires - Méthodes directes I) Introduction Dans la pratique de l A.N. on est souvent confronté à la résolution de systèmes linéaire Ax = B, A, matrice (m,n) x

Plus en détail

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (R)

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (R) Matrices Matrices rectangulaires Soient n, p deux nombres entiers non-nuls On appelle matrice à n lignes et p colonnes un tableau rectangulaire de nombres réels comportant n lignes et p colonnes } }{{}

Plus en détail

1.1.1 Composantes contravariantes, covariantes d un vecteur

1.1.1 Composantes contravariantes, covariantes d un vecteur Chapitre 1 Prérequis Ce chapitre regroupe les définitions et les résultats sur les tenseurs qui sont utilisés dans la théorie des coques et des membranes. Il comprend deux parties : 1. L algèbre tensorielle,

Plus en détail

Résumé du Cours de Modèles de Régression. Yves Tillé

Résumé du Cours de Modèles de Régression. Yves Tillé Résumé du Cours de Modèles de Régression Yves Tillé 0 janvier 20 Chapitre Régression bivariée Série statistique bivariée On s intéresse à deux variables x et y Ces deux variables sont mesurées sur les

Plus en détail

PC* Espaces préhilbertiens réels

PC* Espaces préhilbertiens réels I. Espace préhilbertien réel................................... 3 I.1 Produit scalaire dans un espace vectoriel réel................... 3 I.2 Inégalités de Cauchy-Schwarz et de Minkowski..................

Plus en détail

Calcul matriciel ... Il est impossible de faire la somme de 2 matrices de tailles différentes.

Calcul matriciel ... Il est impossible de faire la somme de 2 matrices de tailles différentes. Chapitre : Calcul matriciel Spé Maths - Matrices carrées, matrices-colonnes : opérations. - Matrice inverse d une matrice carrée. - Exemples de calcul de la puissance n-ième d une matrice carrée d ordre

Plus en détail

Chapitre 13. Calcul matriciel. Mathématiques PTSI. Mathématiques PTSI (Lycée Déodat de Séverac) Calcul matriciel 1 / 44

Chapitre 13. Calcul matriciel. Mathématiques PTSI. Mathématiques PTSI (Lycée Déodat de Séverac) Calcul matriciel 1 / 44 Chapitre 13 Calcul matriciel Mathématiques PTSI Lycée Déodat de Séverac Mathématiques PTSI (Lycée Déodat de Séverac) Calcul matriciel 1 / 44 On note K = R ou C Mathématiques PTSI (Lycée Déodat de Séverac)

Plus en détail

Introduction à l optimisation

Introduction à l optimisation Université du Québec à Montréal Introduction à l optimisation Donnée dans le cadre du cours Microéconomie II ECO2012 Baccalauréat en économique Par Dominique Duchesneau 21 janvier septembre 2008 Ce document

Plus en détail

Algèbre 2 - L1 MIASHS/Lettres-Maths. UFR MIME, Université Lille 3.

Algèbre 2 - L1 MIASHS/Lettres-Maths. UFR MIME, Université Lille 3. Algèbre 2 - L1 MIASHS/Lettres-Maths AMIRI Aboubacar UFR MIME, Université Lille 3. 10 avril 2015. Université Lille 3 1 Définitions et notations Quelques matrices particulières Matrice d une famille sur

Plus en détail

Chapitre 6 : Estimation d erreurs numériques

Chapitre 6 : Estimation d erreurs numériques Chapitre 6 : Estimation d erreurs numériques Puisque les réels ne sont représentés en machine que sous la forme de flottants, ils ne sont connus que de manière approchée. De plus, la somme ou le produit

Plus en détail

( ) nouvelles variables et ( ) nouvelles contraintes, en gardant toutefois le caractère 0-1 des variables x.

( ) nouvelles variables et ( ) nouvelles contraintes, en gardant toutefois le caractère 0-1 des variables x. EXERCICES Exercices Dimension et faces élémentaires du Quadric Polytope On considère le problème quadratique en variables 0- suivant: min c i x i n i + c ij x i x i, j n j s.c. x i { 0,} i n où n est un

Plus en détail

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016 Exos corrigés darithmétique...classe : TS-Spé Prof. MOWGLI Ahmed Année scolaire 2015-2016 1 Pour des cours particuliers par petits groupes de 3 ou 4 élèves en maths et/ou physique-chimie, veuillez me contacter.

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

Cours de mathématiques M22 Algèbre linéaire

Cours de mathématiques M22 Algèbre linéaire Cours de mathématiques M22 Algèbre linéaire λ u u + v u v u Exo7 Sommaire Systèmes linéaires 3 Introduction aux systèmes d équations linéaires 3 2 Théorie des systèmes linéaires 7 3 Résolution par la méthode

Plus en détail

Méthode de Gauss. Résolution des systèmes linéaires. Université René Descartes UFR de mathématiques et informatique. Notations

Méthode de Gauss. Résolution des systèmes linéaires. Université René Descartes UFR de mathématiques et informatique. Notations Résolution des systèmes linéaires Université René Descartes UFR de mathématiques et informatique chapitre 1 Résolution des systèmes linéaires Méthode de Gauss Notations a 11 x 1 + a 12 x 2 + + a 1n x n

Plus en détail

Mathématiques pour. l informatique

Mathématiques pour. l informatique Xavier Chanet Patrick Vert Mathématiques pour l informatique Pour le BTS SIO Toutes les marques citées dans cet ouvrage sont des marques déposées par leurs propriétaires respectifs. Illustration de couverture

Plus en détail

1.3 Produit matriciel

1.3 Produit matriciel MATRICES Dans tout ce chapitre, K désigne les corps R ou C, p et n des entiers naturels non nuls 1 Matrices à coefficients dans K 11 Définition Définition 11 Matrice On appelle matrice à coefficients dans

Plus en détail

Algèbre linéaire avancée I Jeudi 8 Octobre 2015 Prof. A. Abdulle J =

Algèbre linéaire avancée I Jeudi 8 Octobre 2015 Prof. A. Abdulle J = Algèbre linéaire avancée I Jeudi 8 Octobre 205 Prof. A. Abdulle EPFL Série 4 (Corrigé) Exercice Soit J M 2n 2n (R) la matrice définie par J 0 In, I n 0 où I n est la matrice identité de M n n (R) et 0

Plus en détail

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour L / Recueil d exercices corrigés et aide-mémoire USTV M Analyse numérique G FACCANONI Dernière mise-à-jour Jeudi mai Avertissement : ces notes sont régulièrement mises à jour et corrigées, ne vous étonnez

Plus en détail

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM TD TECHNIQUES DE CODAGE ET DE COMPRESSION. LANGAGE / CODAGE / VALENCE.. Rappels Toute fraction intelligible d un message est constituée de symboles. Le langage est l ensemble de ces symboles. Un codage

Plus en détail

APPLICATIONS LINÉAIRES ET MATRICES. Résumé de cours d algèbre linéaire L1 de B. Calmès, Université d Artois (version du 1 er février 2016)

APPLICATIONS LINÉAIRES ET MATRICES. Résumé de cours d algèbre linéaire L1 de B. Calmès, Université d Artois (version du 1 er février 2016) APPLICATIONS LINÉAIRES ET MATRICES Résumé de cours d algèbre linéaire L de B. Calmès, Université d Artois (version du er février 206). Applications linéaires Soient E et F des espaces vectoriels sur K...

Plus en détail

Algèbre linéaire pour GM Jeudi 01 novembre 2012 Prof. A. Abdulle

Algèbre linéaire pour GM Jeudi 01 novembre 2012 Prof. A. Abdulle Algèbre linéaire pour GM Jeudi novembre Prof A Abdulle EPFL Série 6 Corrigé Exercice a Calculer la décomposition LU de la matrice A = 9 6 6 On effectue la réduction de la matrice A jusqu à obtenir une

Plus en détail

Correction. Mathématique Élémentaire. Test n 2 (26 septembre 2011) Question 1. Calculez. (a) (1 + i)(3 i) = 1 3 i 2 + 3i i = 4 + 2i.

Correction. Mathématique Élémentaire. Test n 2 (26 septembre 2011) Question 1. Calculez. (a) (1 + i)(3 i) = 1 3 i 2 + 3i i = 4 + 2i. Question 1. Calculez (a) (1 + i)(3 i) = 1 3 i + 3i i = 4 + i. (b) l inverse dans C de i : i 1 = i car ( i) i = i = 1. (c) l inverse dans C de ( i) : par une formule du cours, ( i) 1 = (d) 1 + 7i = 1 +

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Université Joseph Fourier, Grenoble. Déterminants. Luc Rozoy, Bernard Ycart

Université Joseph Fourier, Grenoble. Déterminants. Luc Rozoy, Bernard Ycart Université Joseph Fourier, Grenoble Maths en Ligne Déterminants Luc Rozoy, Bernard Ycart Les déterminants sont un outil indispensable de l algèbre linéaire, que vous avez déjà rencontré en dimensions 2

Plus en détail

Algèbre linéaire pour GM Jeudi 03 novembre 2011 Prof. A. Abdulle. Série 6 (Corrigé)

Algèbre linéaire pour GM Jeudi 03 novembre 2011 Prof. A. Abdulle. Série 6 (Corrigé) Algèbre linéaire pour GM Jeudi novembre Prof A Abdulle EPFL Série 6 (Corrigé Exercice a Calculer la décomposition LU de la matrice A = 9 6 6 Sol: On effectue la réduction de la matrice A jusqu à obtenir

Plus en détail

Chapitre 2. 1 2.3. Réciproque d une application linéaire

Chapitre 2. 1 2.3. Réciproque d une application linéaire Chapitre 2 2 Réciproque d une application linéaire On commence par rappeler le concept d application inversible Fonctions inversibles Une application T : X Y est dite inversible si, pour tout y Y, l équation

Plus en détail

Autour de la diagonalisation

Autour de la diagonalisation Autour de la diagonalisation Cédric Gérot, Pierre Granjon, Nicolas Le Bihan Laboratoire des Images et des Signaux Grenoble January 22, 2003 Contents 1 Eléments d algèbre 2 11 Espace vectoriel 2 111 Définition

Plus en détail

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2

Espaces euclidiens. 1 Définitions et exemples. 2 Orthogonalité, norme euclidienne 2. 3 Espaces euclidiens, bases orthonormées 2 Espaces euclidiens Table des matières 1 Définitions et exemples 1 Orthogonalité, norme euclidienne 3 Espaces euclidiens, bases orthonormées 4 Orthogonalisation de Schmidt 3 5 Sous-espaces orthogonaux 3

Plus en détail

VII- Enumérations dans l ordre alphabétique

VII- Enumérations dans l ordre alphabétique VII- Enumérations dans l ordre alphabétique Prenons un dictionnaire. Comment savoir si un mot se trouve avant ou après un autre? On commence par comparer la première lettre de ces deux mots. Si elles sont

Plus en détail

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale Devoir maison n 5 MP Lycée Clemenceau A rendre le 7 janvier 214 Centrale - Dans le problème, λ désigne toujours une application continue de IR + dans IR +, croissante et non majorée. - Dans le problème,

Plus en détail

LISTE DE QUESTIONS DE COURS

LISTE DE QUESTIONS DE COURS LISTE DE QUESTIONS DE COURS sur le polycopié d Algèbre de 2008/2009 Chapitre 1 1. Définition 1.1 : Espace vectoriel. 2. Proposition 1.3 : Espace vectoriel produit. 3. Définition 1.2 : Sous-espaces vectoriels.

Plus en détail

Méthodes directes de résolution du système linéaire Ax = b

Méthodes directes de résolution du système linéaire Ax = b Chapitre 3 Méthodes directes de résolution du système linéaire Ax = b 3.1 Introduction Dans ce chapitre, on étudie quelques méthodes directes permettant de résoudre le système Ax = b (3.1) où A M n (R),

Plus en détail

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (K) Dans tout ce chapitre, K désigne R ou C.

Matrices. 1 Matrices rectangulaires. 1.2 L espace vectoriel M n,p (K) Dans tout ce chapitre, K désigne R ou C. Matrices Dans tout ce chapitre, K désigne R ou C Matrices rectangulaires Soient n, p deux nombres entiers non-nuls On appelle matrice à n lignes et p colonnes à coefficients dans K tout tableau rectangulaire

Plus en détail

RAPPELS ET COMPLÉMENTS CALCULATOIRES

RAPPELS ET COMPLÉMENTS CALCULATOIRES RAPPELS ET COMPLÉMENTS CALCULATOIRES ENSEMBLES DE NOMBRES ENSEMBLES,,,ET: On rappelle que : désigne l ensembleprivé de 0 idem pour, et, + désigne l ensemble des réels positifs ou nuls et l ensemble des

Plus en détail

Corrigé du contrôle Continu du Lundi 2 Mars Durée : 1h30

Corrigé du contrôle Continu du Lundi 2 Mars Durée : 1h30 UNIVERSITÉ de NICE - SOPHIA ANTIPOLIS UFR SCIENCES - LM/MI Méthodes numériques et formelles 4-5 Corrigé du contrôle Continu du Lundi Mars 5 - Durée : h3 Les documents, calculatrices, téléphones ne sont

Plus en détail

Série n 5 : Optimisation non linéaire

Série n 5 : Optimisation non linéaire Université Claude Bernard, Lyon I Licence Sciences & Technologies 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France Option: M2AO 2007-2008 Série n 5 : Optimisation

Plus en détail

Cours Diagonalisation

Cours Diagonalisation Cours Diagonalisation par Pierre Veuillez 1 Objectif Pour une matrice A donnée, déterminer une matrice D diagonale et une matrice P inversible telle que A = P D P 1. Interprètation : Quelle relation reconnaît-on?

Plus en détail

le triangle de Pascal - le binôme de Newton

le triangle de Pascal - le binôme de Newton 1 / 51 le triangle de Pascal - le binôme de Newton une introduction J-P SPRIET 2015 2 / 51 Plan Voici un exposé présentant le triangle de Pascal et une application au binôme de Newton. 1 2 3 / 51 Plan

Plus en détail

, b = qui donne. qui donne. qui donne. x = Puis A (3) = E 2 P 2 A (2) avec

, b = qui donne. qui donne. qui donne. x = Puis A (3) = E 2 P 2 A (2) avec Université de Rouen L2 Math - L2 Info Année 27-28 Analyse Numérique Gauss et Cholesky 1 Pivot de Gauss 11 Un exemple Soit à résoudre le système linéaire Ax = b avec Procédons à l élimination de Gauss ;

Plus en détail

Placements de tours sur les diagrammes de permutations

Placements de tours sur les diagrammes de permutations Placements de tours sur les diagrammes de permutations 5 août 0 Résumé Le problème des placements de tours consiste à compter le nombre de manières de placer k tours sur un échiquier sans que les tours

Plus en détail

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure.

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure. Université d Artois Faculté des Sciences Jean Perrin Analyse Fonctionnelle (Licence 3 Mathématiques-Informatique Daniel Li Construction de la mesure de Lebesgue 28 janvier 2008 Dans ce chapitre, nous allons

Plus en détail

MOTEURS DE JEU RAPPELS MATHÉMATIQUES. Rémi Ronfard, Septembre 2014

MOTEURS DE JEU RAPPELS MATHÉMATIQUES. Rémi Ronfard, Septembre 2014 MOTEURS DE JEU RAPPELS MATHÉMATIQUES Rémi Ronfard, Septembre 2014 1 Cette présentation récapitule les concepts mathématiques nécessaires à la mise en place d un pipeline d affichage 3D. Son but n est pas

Plus en détail

Chapitre 3 : Matrices

Chapitre 3 : Matrices Chapitre 3 : Matrices Sommaire I Notion de matrice et vocabulaire II Opérations de base sur les matrices 3 1 Addition de matrices et multiplication d un réel par une matrice 3 Multiplication matricielle

Plus en détail

11. Espaces vectoriels, homomorphismes, bases

11. Espaces vectoriels, homomorphismes, bases 11. Espaces vectoriels, homomorphismes, bases 11.1. Espaces vectoriels, algèbres 11.1.1. Structure d espace vectoriel et d algèbre 11.1.2. Combinaisons linéaires 11.1.3. Espaces vectoriels et algèbres

Plus en détail

Le second degré. Déterminer et utiliser la forme la plus adéquate d une fonction polynôme de degré deux en vue de la résolution d un problème :

Le second degré. Déterminer et utiliser la forme la plus adéquate d une fonction polynôme de degré deux en vue de la résolution d un problème : Chapitre 1 Ce que dit le programme Le second degré CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Second degré Forme canonique d une fonction polynôme de degré deux. Équation du second degré, discriminant.

Plus en détail

en dimension finie Table des matières

en dimension finie Table des matières Maths PCSI Cours Algèbre linéaire en dimension finie Table des matières 1 Rappels d algèbre linéaire 2 1.1 Applications linéaires......................................... 2 1.2 Familles libres, génératrices

Plus en détail