Cours d analyse numérique SMI-S4

Dimension: px
Commencer à balayer dès la page:

Download "Cours d analyse numérique SMI-S4"

Transcription

1 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, et dont on cherche à calculer la solution à l aide d un ordinateur Exemples de problèmes à résoudre: - Systèmes linéaires ou non linéaires - Optimisation - Equations di érentielles ou aux dérivées partielles etc Références pour le cours: () P G iarlet Introduction à l analyse numérique matricielle et à l optimisation () A Quarteroni Méthodes numériques pour le calcul scienti que () M Sibony & J l Mardon Analyse numérique : Systèmes linéaires et non linéaires Analyse numérique : Approximations et équations di érentielles

2 Résolution de systèmes linéaires Objectifs: On note par M N (R) l ensemble des matrices carrées d ordre N Soit A M N (R) une matrice inversible et b R N On cherche à résoudre le système linéaire: trouver x R N, tel que Ax = b Nous allons voir deux types de méthodes: - Méthodes directes, - Méthodes itératives Selon le type et la taille d une matrice, on utilise une méthode directe ou une méthode itérative Quelques rappels d algèbre linéaire Matrices - La transposee, d une matrice A = (a i;j ) i;jn ;est une matrice A T = (a i;j ) i;jn, avec a i;j = a j;i pour i; j N: On a evidemment les propriétés suivantes: (A T ) T = A; (A + ) T = A T + T ; (A) T = T A T ; (A) T = A T ; 8 R; det(a T ) = det(a): Si A est inversible (A T ) = (A ) T : - La matrice adjointe de A est A = A T :on a alors les propriétés: (A ) = A; (A + ) = A + ; (A) = A ; (A) = A ; 8 ; det(a ) = det(a); Si A est inversible (A ) = (A ) : - Une matrice A M N (R) est symetrique si A T = A: - Une matrice A M N () est hermitienne si A = A: - Une matrice A M N (R) est orthogonale si A T A = AA T = I N : (c est à dire A T = A ) - Une matrice A M N () est unitaire si A A = AA = I N : (c est à dire A = A ) On dit que A est normale si A A = AA : P - Si A = (a i;j ) i;jn la trace de A est dé nie par tr(a) = N a i;i : i=

3 Normes matricielles Soit E un espace vectoriel sur R On dé nit jjjj une norme vectorielle sur E, c est-à-dire une application: E! R + qui véri e les propriétés suivantes: (i) 8x E; jjxjj = () x = : (ii) 8 R; 8x E; jjxjj = jj:jjxjj (iii) 8x; y E; jjx + yjj jjxjj + jjyjj: Exemples de normes vectorielles sur R N : Soit x = (x ; x ; : : : ; x N ) R N ) x! jjxjj = jx j + jx j + : : : + jx N j ) x! jjxjj = p jx j + jx j + : : : + jx N j ) x! jjxjj = max(jx j; jx j; : : : ; jx N j) sont trois normes vectorielles sur R N Dé nition : Soit jj:jj une norme vectorielle sur E = R N On appelle une norme matricielle induite, par cette norme vectorielle, sur M N (R); qu on note encore par jj:jj: A! jjajj = supfjjaxjj; x R N ; jjxjj = g: Remarque: on dit aussi que c est une norme matricielle subordonnee ou associée à la norme vectorielle Proposition Si jj:jj est une norme matricielle induite (par une norme vectorielle jj:jj sur E = R N ) sur M N (R), alors on a les propriétés suivantes: () 8x R N et 8A M N (R), jjaxjj jjajj:jjxjj: () jjajj = maxfjjaxjj; x R N ; jjxjj = g: () jjajj = maxf jjaxjj jjxjj ; x RN ; x = g: Démonstration ()Soit x R N non nul, y = jjxjjx =) jjyjj = =) jjayjj jjajj (par dé nition) () jja jjxjjxjj jjajj () jjaxjj jjxjj jjajj () jjaxjj jjajj:jjxjj: Si x = alors Ax = et l inégalité jjaxjj jjajj:jjxjj est encore véri ée () jjajj = supfjjaxjj; x R N ; jjxjj = g omme l application x! jjxjj est continue sur fx R N ; jjxjj = g qui est un compact de R N, 9x fx R N ; jjxjj = g tel que: jjajj = jjax jj = maxfjjaxjj; x R N ; jjxjj = g: () Si x est non nul, jjaxjj jjxjj = jja( x jjxjj )jj

4 x et jjxjj fx RN ; jjxjj = g: Proposition Pour toute matrice A = (a i;j ) i;jn ; on a jjaxjj ) jjajj = sup NP jjxjj = max ja i;j j: jjxjj = jn i= jjaxjj ) jjajj = sup NP jjxjj = max ja i;j j: jjxjj = in j= Exemple Si A = ; jjajj = max(4; ) = 4 et jjajj = : Rayon spectral Dé nition: Soit A M N (R) et On dit que est une valeur propre de A; s il existe un vecteur u R N ; u = et tel que: Au = u: On dit alors que u est un vecteur propre de A associé à : Proposition On a l équivalence suivante: est une valeur propre de A () det(a I) = : Les valeurs propres de A sont donc les racines du polynôme P A (x) = det(a xi); appelé le polyn^ome caracteristique de A: est un polynôme de degré N; il a donc N racines dans (non nécessairement distinctes) La matrice A a donc N valeurs propres dans (non nécessairement distinctes): ; ;,, N : On montre qu on a : det(a) = Q N P i et tr(a) = N i i= i= Propriété: Si A M N (R) est une matrice symetrique alors toutes ses valeurs propres sont reelles et il existe une matrice orthogonale P (P = P T ) telle que: :: P AP = A = D N où les i sont les valeurs propres de A A est donc semblable à la matrice diagonale D Dé nition: On dit que deux matrices A et sont semblables s il existe une matrice inversible P telle que A = P P Exemple: 4

5 A = A x x = (x )(x + ), Les valeurs propres de A sont: ; ; : Les vecteurs propres sont: Pour = : A + avec ; R; (; ) = (; ): A ; Pour = : A ;avec R : Si P = A ;on a P = P AP = A = A Remarque: Si on prend P = son inverse: P = P T et on a: P T AP = = p p p p p p p p A : A A p p p p p p p p A A A, p p p A p p p p p Dé nition Le rayon spectral de A est (A) = maxfjj; ; valeur propre de Ag: Proposition Soit A M N (R), alors pour toute norme matricielle, (induite ou non) on a: (A) jjajj Démonstration Soit une valeur propre de A telle que : (A) = jj 9p R N non nul, tel que Ap = p: A

6 p vecteur non nul =) 9q R N tel que pq T = : =) (A)jjpq T jj = jj:jjpq T jj = jj(p)q T jj = jj(ap)q T jj = jja(pq T )jj jjajj:jjpq T jj =) (A) jjajj: On montre aussi le résultat suivant: Proposition 4 8 > et A M N (R), il existe au moins une norme matricielle subordonnée telle que: jjajj (A) + : On montre aussi la proposition suivante: Proposition Soit A = (a i;j ) i;jn M N (R); alors on a jjaxjj jjajj = jjxjj = p (A T A) = p (AA T ): sup jjxjj = Théorème On désigne par I N la matrice identité de M N (R) ) Soit jj:jj une norme matricielle induite sur M N (R) Si A M N (R) est telle que jjajj <, alors la matrice I N + A est inversible et jj(i N + A) jj jjajj : ) Si I N + A est singulière, alors jjajj, pour toute norme matricielle sur M N (R) Démonstration: )(I N + A)x = =) jjxjj = jjaxjj jjajj:jjxjj omme jjajj < ; on a x = =) I N + A est inversible et on a omme (I N + A) = I N A(I N + A) on a jj(i N + A) jj + jjajj:jj(i N + A) jj =) ( jjajj):jj(i N + A) jj =) jj(i N + A) jj jjajj : ) I N + A singulière() det(i N + A) = () = est une valeur propre de A =) (A) jjajj: 4 Produit scalaire et matrices dé nies positives Dé nition Si E est un espace vectoriel sur K = R ou, un produit scalaire sur E est une application de E E! K (x; y)!< x; y > qui véri e les propriétés suivantes: (i) < x; x > ; ; 8x E et < x; x >= =) x = : (ii)< (x + y); z >= < x; z > + < y; z >; 8 K; 8x; y; z E

7 (iii)< y; x >= < x; y >; 8x; y E: Exemple: K = R; E = R N ;pour x; y E; x T = (x ; :::; x N ) et y T = (y ; :::; y N ); L application (x; y)!< x; y >= y T P x = N x i y i dé nit un produit scalaire sur R N Dé nition Une matrice A M N (R) est dé nie positive si (Ax; x) > ; 8x R N : Si l inégalité stricte est remplacée par une inégalité au sens large ( ), on dit que la matrice est semi-dé nie positive Dé nition: les mineurs principaux dominants de A = (a ij ) i;jn sont les N déterminants des sous-matrices de A: (a ij ) i;jk ; ( k N): i= Proposition Soit A M N (R) une matrice symétrique A est definie positive si et seulement si l une des propriétés suivantes est satifaite: () (Ax; x) > ; 8x R N ; x = : () Les valeurs propres de A sont > : () Les mineurs principaux dominants de A sont tous > : Méthodes directes Une méthode directe de résolution d un système linéaire est une méthode qui calcule x, la solution exacte du système, après un nombre ni d opérations élémentaires (+; ; x; =) Méthode de Gauss et factorisation LU Méthode de Gauss Soit A M N (R) une matrice inversible et b R N : pb: trouver x R N ; Ax = b: Méthode de Gauss: On pose A () = A et b () = b: On construit une suite de matrices et de vecteurs: A ()! A ()! ::! A (k)! :::! A (N) : b ()! b ()! ::::! b (k)! ::! b (N) : Les systèmes linéaires obtenus sont équivalents: Ax = b () A (k) x = b (k) () A (N) x = b (N) ; La matrice A (N) est triangulaire supérieure Si aucun pivot n est nul: Passage de A (k) à A (k+) ; si a (k) k;k = : - Pour i k et pour j = ; ; :::; N a (k+) i;j = a (k) i;j et b(k+) i = b (k) i : 7

8 - Pour i > k: a (k+) i;j = a (k) i;j b (k+) i pour i = j; :::; N: A (k) = = b (k) i a (k) i;k a (k) k;k a (k) i;k a (k) k;k a (k) k;j ; b (k) k ; a () a () a () ; ; ;N a () a () a () ; ; ;N a (k) a (k) k;k k;n a (k) k+;k a (k) a (k) N;k N;N La matrice A (N) est alors sous la forme: A (N) = a () ; a () ; a () ;N a () a () a () ; ; ;N : a (k) a (k) k;k k;n a (N) N;N ; k N: A La résolution du système linéaire A (N) x = b (N) se fait en remontant et on calcule successivement: x N ; x N ; : : : : : : :et x : 8 >< >: x i = (b (N) a (N) i i;i x N = b(n) N NP j=i+ a (N) N;N ; a (N) i;j x j); i = N ; :::; : Remarques: det(a) = det(a (k) ) = det(a (N) ): as d un pivot nul: Si à l étape k, le pivot a k;k = ; on peut permuter la ligne k avec une ligne i ; telle que i > k et a i;k = et on continue la méthode de Gauss oût de la méthode de Gauss pour résoudre le système linéaire Ax = b ) Pour l élimination: A! A (N) Nombre d additions: (N ) + (N ) + :::: + N(N )(N ) = Nombre de multiplications: N(N )(N ) ; ; Nombre de divisions: (N ) + (N ) + :::: + = ) Pour passer de b! b (N) : A N(N ) : 8

9 N(N ) (N ) + (N ) + :::: + = N(N ) multiplications: et ) Pour la remontée: N(N ) additions et additions N(N ) multiplications et N divisions Au total, l ordre du nombre d opérations élémentaires nécessaires à la méthode de Gauss est: N additions, N multiplications et N divisions omme le calcul direct d un déterminant nécessite: N! additions et (N )N! multplications, la méthode de cramer va nécessiter (N + )! additions, (N + )! multiplications et N divisions Par exemple pour N = : La méthode de Gauss nécessite : 7 opérations, et la méthode de ramer: opérations! (! +! = = :89 8 ): Stratégies de pivot Plusieurs stratégies de choix de i sont possibles: - Stratégie du pivot partiel: On peut choisir i tel que: ja i;kj = maxfja i;k j; i = k; : : : Ng: - Stratégie du pivot total: On choisit i ; j tels que: ja i ; j j = maxfja i;j j; i; j = k; : : : Ng; et on8 permute < la ligne k avec la ligne i et : la colonne k avec la colonne j Factorisation LU Supposons que dans l élimination de Gauss on n utilise aucune stratégie de pivotage et que tous les pivots a (k) k;k = : Dans ce cas le passage de A (k)! A (k+) ( k N ) revient à multiplier à gauche la matrice A (k) par la matrice N N : E (k) = l k+;k A l N;k avec l i;k = a(k) i;k a (k) k;k ; pour k + i N: La matrice A (N), qui est triangulaire supérieure, est alors égale à 9

10 A (N) = MA avec M = E (N ) E (N ) :::E () M est le produit de matrices triangulaires inférieures, donc M est aussi triangulaire inférieure, on a det(m) = N Q det(e (i) ) = et l inverse de M est aussi triangulaire inférieure En posant U = A (N) et L = M ; on a A = LU: (E (k) ) = l k+;k A l N;k :: L = M = (E () ) (E () ) :::::(E (N ) ) l ; L = l k+;k A l N; l N;k l N;N Exemple: A = A = A () 4 E () = A ; A () = 8 A E () = A ; A () = 8 A = U L = A et A = LU 4 9 Théorème Soit A = (a i;j ) i;jn une matrice carrée d ordre N telle que les N sousmatrices de A: i=

11 a a k A ; k N a k a kk soient inversibles, alors il existe une matrice triangulaire inférieure L = (l ii ) in ; avec l ii = ( i N), et une matrice triangulaire supérieure U telles que A = LU: De plus cette factorisation est unique Démonstration Il su t de montrer qu aucun pivot n est nul Matrice symétrique dé nie positive: Méthode de holesky Dans le cas où la matrice A est symétrique dé nie positive, la condition du théorème précédent est satisfaite et elle admet une factorisation A = LU, avec u ; u ;N l ; L = A et U = A l N; l N;N u N;N omme la matrice A est dé nie positive, on a kq u i;i = k > ; k = ; ; :::; N; i= (les k sont les mineurs principaux dominants de A) et u i;i > ; pour i = ; ; :::; N: p u; Si on pose D = A p un;n ette matrice est inversible et son inverseest p u; D = A p un;n A = LU = (LD)(D U) = R T La matrice R = LD est triangulaire inférieure et T = D U est triangulaire supérieure et elles sont toutes les deux inversibles omme A est symétrique, on a A T = A =) R T = R T =) R = R T ( T ) De plus R est une matrice triangulaire inférieure et R T ( T ) est une matrice triangulaire supérieure, ce qui implique que

12 R = R T ( T ) = matrice diagonale Or les éléments diagonaux: ( R) i;i = =) R = R T ( T ) = I N =) = R et A = RR T omme R = LD = (r i;j ) =) r i;i = p u i;i > ; pour i N: Unicité de R: Supposons que A = RR T = T ; avec R = (r i;j ) et = (b i;j ) des matrices triangulaires inférieures avec des éléments diagonaux r ii > et b i;i >, pour i N: RR T = T =) R T ( T ) = R =) R T ( T ) = R = D matrice diagonale, et ri;i b i;i = bi;i r i;i =) r i;i = b i;i ; i N =) r i;i = b i;i, i N: et alors d ii = bi;i r i;i = ; i N et R = : On a donc montré le théorème suivant: Théorème Une matrice A est symétrique dé nie positive si et seulement si il existe une matrice triangulaire inférieure inversible R telle que: A = RR T : Si on impose que les éléments diagonaux de R, r ii > ; i N; cette décomposition est unique alcul e ectif de la matrice R: A = RR T ; R = (r i;j ) =) a i;j = i P k= i= on détermine la ere colonne de R:! j = : a ; = r ; =) r ; = p a ; ;! j = : a ; = r ; r ; =) r ; = a; r ; ; r i;k r j;k pour i; j N! j = N : a ;N = r ; r N; =) r N; = a ;N r ; ; De proche en proche, on détermine la i eme colonne de R (i=,,n): i! j = i : a i;i = ri; q + ::: + r i;i =) r i;i = a i;i (ri; + ::: + r i;i );! j = i + : a i;i+ = r i; r i+; + :: + r i;i r i+;i =) r i+;i =! j = N : a i;n = r i; r i;n + :: + r i;i r N;i =) r N;i = a i;n (r i;r N; +::+r i;i r i;i r N;i ) : ai;i+ (ri;ri+;+::+ri;i ri+;i ) r i;i ; Applications de la factorisation de holesky: ) Résoudre le système linéaire Ax = b se ramène à résoudre successivement les systèmes linéaires à matrices triangulaires: Ry = b Ax = b () R T x = y

13 Q ) alcul du déterminant de A: det(a) = ( N r i;i ) : L ordre du nombre d opérations pour résoudre un système linéaire, par la méthode de holesky: N additions; N multiplications; N divisions; N extractions de racines carrées Exemple: A = A = 4 4 p p p ) det(a) = ( p i= A ; la factorisation de holesky de A: p A p ) = : p p A = RR T : ) Pour résoudre Ax = b; avec b = Ry = b =) y = ; y = p et y = p A ; R T x = y =) x = 4 A : onditionnement d un système linéaire Soit kkune norme matricielle subordonnée à une norme vectorielle Dé nition Soit A M n (K) une matrice inversible On dé nit le nombre cond(a) = kak A appelé le conditionnement de la matrice A, relativement à la norme matricielle considérée Théorème: Soit A M n (K) une matrice inversible et x un vecteur tel que: Ax = b; ) Soit x + x la solution de A(x + x) = b + b On suppose b = ;alors on a : kxk kbk kxk cond(a) kbk () et c est la meilleure possible (c est à dire: 9b = et 9b = tels que () devienne égalité) ) Soit x + x solution de

14 ( A + A)(x + x) = b On suppose b = ;alors on a : kxk kak kx+xk cond(a) kak () et c est la meilleure possible (c est à dire: 9b = et 9b = tels que () devienne égalité) Démonstration: )! Ax = b =) kbk = kaxk kak : kxk =) kxk kbk kak et A(x + x) = b + b =) A(x) = b Donc kxk kxk = ka bk kxk ka k:kbk kxk A : kbk : kak kbk kbk cond(a) =) kxk kxk kbk :! Si on choisit un vecteur y tel que: kayk = kak : kyk et b tel que: A b = A : kbk ; on a l égalité dans () )! (A + A)(x + x) = b =) x = A A(x + x) =) kxk A : kak : kx + xk =) kxk kx+xk = ka A(x+x)k kx+xk A : kak = cond(a) kak kak :! Si on choisit; un vecteur y = ; tel que: A y = A : kyk et un scalaire = ; et on prend alors: b = (A + I)y; A = I et x = A y; =) x + x = y; Ax = b et (A + A)(x + x) = (A + I)y = b: =) kxk jj: A y = jj: A : kyk = kak : A : kx + xk : De plus si n est pas une valeur propre de A, alors b = : Propriétés Soit A M N (R) ) Si A M N (R); alors kak < ka k kak cond(a): =) kxk kxk kak : ka k:kak : ) (i) cond(a) ; (ii) cond(a) = cond(a ); (iii) cond(a) = cond(a); 8 scalaire = : ) On désigne par cond (A) le conditionnement de la matrice A,relatif à la norme euclidienne (i) cond (A) = q N (A) (A) ; ou (A) et N (A) sont respectivement la plus petite et la plus grande des valeurs propres de la matrice A T A: (on rappelle que A inversible=) A T A symétrique dé nie positive) (ii) Si A est une matrice normale (AA T = A T A), 4

15 cond (A) = max j i i(a)j min j ; i i(a)j où les i (A) sont les valeurs propres de la matrice A: (iii) Si A est unitaire ou orthogonale, cond (A) = : (iv) U orthogonale (U T U = UU T = I N ) =) cond (A) = cond (AU) = cond (UA) = cond (U T AU): 4 Méthodes itératives On va voir un type de méthodes itératives de résolution du système linéaire Ax = b sous la forme: x () () vecteur arbitraire, x (k+) = x (k) + c; k lorsque Ax = b () x = x + c; la matrice et le vecteur c sont en fonction de A et b: Dé nition La méthode itérative () est convergente si lim k!+ x(k) = x; 8x () : Remarque: Si on Pose e (k) = x (k) x, pour k = ; ; ::: omme x = x + c et x (k+) = x (k) + c,on a e (k) = x (k ) x = e (k ) = ::: = k e () lim k!+ x(k) = x () lim k!+ e(k) = () Donc La méthode itérative () est convergente si lim k!+ k v = ; 8v ce qui équivaut à lim k!+ jjk vjj = ; 8v pour toute norme vectorielle jj:jj: 4 onvergence des méthodes itératives lim k!+ k e () = Théorème Les propositions suivantes sont équivalentes: ()la méthode itérative () est convergente; ()() < ; ()jjjj < pour au moins une norme matricielle subordonnée jj:jj: Démonstration () =) () Supposons () ; () = jj; donc 9 un vecteur p : p = ; p = p et jj =) 8k ; jj k pjj = jj k pjj = j k j:jjpjj = jj k :jjpjj jjpjj

16 ce qui contredit lim k!+ k p = : () =) () On utilise la proposition 4:8 >, il existe au moins une norme matricielle subordonnée telle que: jjjj () + : () =) () Soit jj:jj une norme matricielle subordonnée On utilise alors la propriété: 8k ; 8v; jjjj < =) jj k vjj jj k jj:jjvjj jjjj k :jjvjj lim k!+ jjk vjj = : lim k!+ jjjjk = =) 4 Méthode de Jacobi, de Gauss-Seidel et de relaxation es méthodes sont des cas particuliers de la méthode suivante: A = M N avec M inversible et assez simple: On aurait alors: Ax = b () Mx = Nx + b () x = M Nx + M b () x = x + c; avec = M N et c = M b: Méthode de Jacobi: En posant A = D (E + F ); M = D est la diagonale de A et N = E + F Ax = b () Dx = (E + F )x + b: On suppose que D est inversible, c est à dire a ii = ; i N: La matrice J = D (E + F ) = I N D A est appelée la matrice de Jacobi x () donné, Dx (k+) = (E + F )x (k) + b; k A chaque étape, on calcule les N composantes x (k+) ; ::; x (k+) N du vecteur 8 x (k+) : >< >: a ; x (k+) = a ; x (k) ::: a ;N x (k) N + b a ; x (k+) = a x (k) a ; x (k) ::: a ;N x (k) N + b a N;N x (k+) N = a (k) N; x(k) ::: a (k) N;N x(k) N + b N Méthode de Gauss-Seidel M est la partie triangulaire inférieure de A: M = D E et N = F: On pourrait améliorer la méthode précédente en utilisant les quantités déjà calculées, on calcule successivent les N composantes x (k+) ; ::; x (k+) N du vecteur x (k+) :

17 8 >< a ; x (k+) = a ; x (k) ::: a ;N x (k) N + b a ; x (k+) = a x (k+) a ; x (k) ::: a ;N x (k) N + b >: a N;N x (k+) N = a N; x (k+) : :: a N;N x (k+) N + b N ce qui revient à écrire: Dx (k+) = Ex (k+) + F x (k) + b ou encore (D E)x (k+) = F x (k) + b m x (k+) = (D E) F x (k) + (D E) b L = (D E) F est la matrice de Gauss-Seidel Elle est inversible si a ii = ; i N: Méthode de relaxation Pour! = ; en posant M =! D E; N = (!! )D + F; on a A = M N = f! 8! D Eg f(! )D + F g a ; :x (k+) = a ; x (k)!fa ; x (k) + a ; x (k) + ::: + a ;N x (k) N >< + b g a ; :x (k+) = a x (k)!fa ; x (k+) + a ; x (k) ::: + a ;N x (k) N + b g >: a N;N :x (k+) N = a N;N x (k) N ce qui revient à écrire: f! D Egx(k+) = f(!! )D + F gx(k) + b La matrice de relaxation est!fa N; x (k+) + :: + a N;N x (k+) N + a N;Nx (k) N + b Ng L! = f! D Eg f(!! )D + F g = (D!E) f(!)d +!F g Exemples: Etude de la convergence des méthodes de Jacobi et de Gauss- Seidel dans le cas où la matrice du système linéaire est: ) A = A ; Les deuxméthodes convergent ) A = A ; la méthode de Jacobi diverge et La méthode de Gauss-Seidel converge ) A = A : la méthode de Jacobi converge et la méthode de Gauss-Seidel diverge 4 onvergence des méthodes de Jacobi, de Gauss-Seidel et relaxation Théorème Soit A une matrice symétrique dé nie positve 7

18 On suppose que A = M N; avec M inversible Si la matrice symétrique M T + N est dé nie positive, alors (M N) < : Démonstration ) M T + N est symétrique: A = M N =) M T + N = A T + N T + N = A + N T + N = M + N T : ) omme A est symétrique dé nie positive, l application v R N! jjvjj = (v T Av) dé nit une norme sur R N On considère alors la norme matricielle jj:jj induite par cette norme vectorielle jjm Njj = jji N M Ajj = sup jjv jjvjj= M Avjj Soit v un vecteur tel que jjvjj = :On pose w = M Av; jjv wjj = (v w) T A(v w) = v T Aw w T Av + w T Aw = w T M T w w T Mw + w T Aw = w T (M T + N)w: v = =) w = M Av = =) w T (M T + N)w > Donc si la matrice symétrique M T + N est dé nie positive, on a jjv wjj = w T (M T + N)w < Exemple: A = A ) Pour tout u R N ; u T Au = u + u N + P N (u i u i ) i= =) la matrice symétrique A est definie positive : ) Pour la méthode de Jacobi: M = D et N = E + F : A = M N est symétrique dé nie positive, car u T (M T + N)u = u + u N + P N (u i + u i ) i= > ; si u = : M T + N est dé nie positive=) (M N) < : Proposition 7 (S) Soit A une matrice symétrique dé nie positive 8

19 <! < =)la méthode de relaxation converge Démonstration On applique le résultat précédent On a A = M N avec M =! D E et N = (!! )D + F M T + N =! D ET + (!! )D + F =! D + (!! )D = (!! )D <! < =)!! > =) (!! )D est dé nie positive Proposition 8 Soit A une matrice, alors pour tout! = ; (L! ) j! j: Démonstration NQ i (L! ) = det(l! ) = det(!! D+F ) = (!) N det(! D E) i= Q =) (L! ) j N i (L! )j N = j!j: i= orollaire Si A est une matrice symétrique dé nie positive, alors <! < ()la méthode de relaxation converge 44 Autres méthodes itératives: x Méthode du gradient arbitraire x (k+) = x (k) (Ax (k) b); k où est une constante xée Si on pose r (k) = Ax (k) b; k on a x (k+) = x (k) (Ax (k) b) = x (k) Ar (k) =) r (k+) = r (k) Ar (k) = (I A)r (k) : Une condition nécessaire et su sante de convergence est: (I A) < : Proposition 9 Si la matrice A est symétrique dé nie positive alors la méthode du gradient à pas xe converge si et seulement si < < n Avec n la plus grande valeur propre de A De plus = + n est une valeur optimale (I A a le plus petit rayon spectral) 9

20 x Méthode du gradient à pas optimal () arbitraire x (k+) = x (k) k (Ax (k) b); k où k est choisi tel que: r (k+)? r (k) avec r (k) = Ax (k) b; k : Donc r (k+) = r (k) k :r (k) : r (k+)? r (k) ()< r (k) ; r (k) k :Ar (k) >= () k = jjr(k) jj <r (k) ;Ar (k) > : L algorithme est: () k = x () arbitraire () calcul de r (k) = Ax (k) b () Si r (k) = ; c est terminé () Si r (k) = ;on calcule: k = jjr(k) jj <r (k) ;Ar (k) > et x (k+) = x (k) k :r (k) : () k := k + et aller à () On montre le résultat suivant: Proposition Si A est une matrice symétrique dé nie positive, alors la méthode du gradient à pas optimal converge Exemples: A = et b = La solution de Ax = b est x = Les valeurs propres de A = sont = p = : 8 et = p + = :8 Donc A est symétrique dé nie positive On choisit x () = et on calcule le premier itéré pour: ) la méthode de Jacobi: x () = 4 ) la méthode de Gauss-Seidel: x () = 4 ) la méthode du gradient à pas xe

21 r () = = Si on choisit tel que < < = :8 = : 79; = + = la méthode converge Si on prend = : x () = = 4 4 Si on prend = x () = = 4) la méthode du gradient à pas optimal: r () = jjr () jj = = = 7 x () 7 = 7 = 4 4 = 7 = 4

Master de mathématiques Analyse numérique matricielle

Master de mathématiques Analyse numérique matricielle Master de mathématiques Analyse numérique matricielle 2009 2010 CHAPITRE 1 Méthodes itératives de résolution de systèmes linéaires On veut résoudre un système linéaire Ax = b, où A est une matrice inversible

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

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

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de 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

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

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

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

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

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

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

Chapitre 2. Matrices

Chapitre 2. Matrices Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

Université Joseph Fourier MAT231 2008-2009

Université Joseph Fourier MAT231 2008-2009 Université Joseph Fourier MAT231 2008-2009 mat231-exo-03.tex (29 septembre 2008) Feuille d exercices n o 3 Exercice 3.1 Soit K un corps commutatif et soit {P 0, P 1,... P n } une famille de polynômes de

Plus en détail

Mathématiques assistées par ordinateur

Mathématiques assistées par ordinateur Mathématiques assistées par ordinateur Chapitre 4 : Racines des polynômes réels et complexes Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourier.ujf-grenoble.fr/ eiserm/cours # mao Document

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

Plus en détail

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5 Université de Nantes Année 009-010 Faculté des Sciences et des Techniques Département de Mathématiques Topologie et calculs différentiel Liste n 5 Applications Différentiables Exercice 1. Soit f : R n

Plus en détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Sommaire. Mathématiques assistées par ordinateur

Sommaire. Mathématiques assistées par ordinateur Sommaire Mathématiques assistées par ordinateur Chapitre 9 : Calcul matriciel et algèbre linéaire Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourierujf-grenoblefr/ eiserm/cours # mao Document

Plus en détail

Anneaux, algèbres. Chapitre 2. 2.1 Structures

Anneaux, algèbres. Chapitre 2. 2.1 Structures Chapitre 2 Anneaux, algèbres 2.1 Structures Un anneau est un ensemble A muni de deux opérations internes + et et d éléments 0 A et 1 A qui vérifient : associativité de l addition : commutativité de l addition

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Rapport sur l oral de mathématiques 2009

Rapport sur l oral de mathématiques 2009 Rapport sur l oral de mathématiques 2009 Oral spécifique E.N.S. Paris : Thomas Duquesne Oral commun Paris-Lyon-Cachan : Romain Abraham, Sorin Dumitrescu, Philippe Gille. 1 Remarques générales sur la session

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

Plus en détail

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques : MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE

Plus en détail

Différentiabilité ; Fonctions de plusieurs variables réelles

Différentiabilité ; Fonctions de plusieurs variables réelles Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Mathématiques appliquées à l'économie et à la Gestion

Mathématiques appliquées à l'économie et à la Gestion Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Première partie. Introduction à la méthodes des différences finies

Première partie. Introduction à la méthodes des différences finies Première partie Introduction à la méthodes des différences finies 5 7 Introduction Nous allons présenter dans cettte partie les idées de base de la méthode des différences finies qui est sans doute la

Plus en détail

IV- Equations, inéquations dans R, Systèmes d équations

IV- Equations, inéquations dans R, Systèmes d équations IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation

Plus en détail

2 Opérateurs non bornés dans un espace de Hilbert

2 Opérateurs non bornés dans un espace de Hilbert 2 Opérateurs non bornés dans un espace de Hilbert 2. Opérateurs non bornés: définitions et propriétés élémentaires Soit H un espace de Hilbert et A un opérateur dans H, c est-à-dire, une application linéaire

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Équations d amorçage d intégrales premières formelles

Équations d amorçage d intégrales premières formelles Équations d amorçage d intégrales premières formelles D Boularas, A Chouikrat 30 novembre 2005 Résumé Grâce à une analyse matricielle et combinatoire des conditions d intégrabilité, on établit des équations

Plus en détail

Analyse Numérique : SMA-SMI S4 Cours, exercices et examens

Analyse Numérique : SMA-SMI S4 Cours, exercices et examens Analyse Numérique : SMA-SMI S4 Cours, exercices et examens Boutayeb A, Derouich M, Lamlili M et Boutayeb W. Table des matières Résolution numérique de systèmes linéaires AX = B 5. Méthodes directes de

Plus en détail

Déterminants. Marc SAGE 9 août 2008. 2 Inverses et polynômes 3

Déterminants. Marc SAGE 9 août 2008. 2 Inverses et polynômes 3 Déterminants Marc SAGE 9 août 28 Table des matières Quid des formes n-linéaires alternées? 2 2 Inverses et polynômes 3 3 Formule de Miller pour calculer un déterminant (ou comment illustrer une idée géniale)

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Capes 2002 - Première épreuve

Capes 2002 - Première épreuve Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série

Plus en détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

I. Ensemble de définition d'une fonction

I. Ensemble de définition d'une fonction Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux

Plus en détail

Les relations de Plücker

Les relations de Plücker Université Claude Bernard LYON 1 Préparation à l'agrégation de Mathématiques Les relations de Plücker Michel CRETIN On montre que l'ensemble des sous-espaces vectoriels de dimension r de K n est la sous-variété

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Mathématiques autour de la cryptographie.

Mathématiques autour de la cryptographie. Mathématiques autour de la cryptographie. Index Codage par division Codage série Code cyclique Code dual Code linéaire Corps de Galois Elément primitif m séquence Matrice génératrice Matrice de contrôle

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES. CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Optimisation Discrète

Optimisation Discrète Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Chaînes de Markov. Mireille de Granrut

Chaînes de Markov. Mireille de Granrut Chaînes de Markov Mireille de Granrut Quelques précisions à propos de ce cours : Préambule 1. Tel que je l ai conçu, le cours sur les chaînes de Markov interviendra dès la rentrée, pour faire un peu de

Plus en détail

Algorithmes pour la planification de mouvements en robotique non-holonome

Algorithmes pour la planification de mouvements en robotique non-holonome Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot

Plus en détail

Extrait du poly de Stage de Grésillon 1, août 2010

Extrait du poly de Stage de Grésillon 1, août 2010 MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne

Plus en détail

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation des fonctions de plusieurs variables Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables

Plus en détail

Comment démontrer des formules sans effort? exposé de maîtrise

Comment démontrer des formules sans effort? exposé de maîtrise Comment démontrer des formules sans effort? exposé de maîtrise Marc Mezzarobba Sam Zoghaib Sujet proposé par François Loeser Résumé Nous exposons un ensemble de méthodes qui permettent d évaluer «en forme

Plus en détail

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique?

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique? Objectifs Calcul scientifique Alexandre Ern ern@cermics.enpc.fr (CERMICS, Ecole des Ponts ParisTech) Le Calcul scientifique permet par la simulation numérique de prédire, optimiser, contrôler... le comportement

Plus en détail

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q 1 Codes linéaires Un code de longueur n est une partie de F n q. Un code linéaire C de longueur n sur le corps ni F q est un sous-espace vectoriel de F n q. Par défaut, un code sera supposé linéaire. La

Plus en détail

Manipulateurs Pleinement Parallèles

Manipulateurs Pleinement Parallèles Séparation des Solutions aux Modèles Géométriques Direct et Inverse pour les Manipulateurs Pleinement Parallèles Chablat Damien, Wenger Philippe Institut de Recherche en Communications et Cybernétique

Plus en détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Opérateurs non-bornés

Opérateurs non-bornés Master Mathématiques Analyse spectrale Chapitre 4. Opérateurs non-bornés 1 Domaine, graphe et fermeture Soit H un espace de Hilbert. On rappelle que H H est l espace de Hilbert H H muni du produit scalaire

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

MATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.

MATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

III- Raisonnement par récurrence

III- Raisonnement par récurrence III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail