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

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

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5 Rappels mathématiques s Propriétés - p. 2/5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques

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

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

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 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

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

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

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

Espaces vectoriel normés

Espaces vectoriel normés Espaces vectoriel normés 1) Normes a) Dé nition : K R ou C. Une norme sur un K-ev E est une application E! R x 7! kxk véri ant : i) 8 x 2 E; kxk 0 et kxk 0, x 0 (vecteur nul). ii) 8 x 2 E; 8 2 K kxk jj

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

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

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

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

Introduction générale

Introduction générale Chapitre 1 Introduction générale Ce chapitre est consacré à une présentation rapide des méthodes numériques qui sont étudiées en détail dans ce cours Nous y donnons une approche très simplifiée des quatre

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

2. MATRICES ET APPLICATIONS LINÉAIRES

2. MATRICES ET APPLICATIONS LINÉAIRES 2. MATRICES ET APPLICATIONS LINÉAIRES 2.1 Définition Une matrice n m est un tableau rectangulaire de nombres (réels en général) à n lignes et m colonnes ; n et m sont les dimensions de la matrice. Notation.

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Direction des Admissions et concours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Algèbre 2, Cours de deuxième année de l Université de Bordeaux. Jean-Jacques Ruch 1

Algèbre 2, Cours de deuxième année de l Université de Bordeaux. Jean-Jacques Ruch 1 Algèbre 2, Cours de deuxième année de l Université de Bordeaux 1 1 Institut de Mathématiques Bordeaux, UMR 5251 du CNRS, Université de Bordeaux, 351 cours de la Libération, F33405 Talence Cedex, France

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

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

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

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

ANALYSE NUMERIQUE. Mazen SAAD

ANALYSE NUMERIQUE. Mazen SAAD Ecole Centrale de Nantes Dépt. Info/Math Année universitaire 2011-2012 EI 1 ANALYSE NUMERIQUE Mazen SAAD Mazen.Saad@ec-nantes.fr i ii TABLE DES MATIÈRES Introduction... 1 1. Algèbre linéaire.... 3 1.1.

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

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

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Algèbre Linéaire. Bachelor 1ère année 2008-2009. Sections : Matériaux et Microtechnique

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Algèbre Linéaire. Bachelor 1ère année 2008-2009. Sections : Matériaux et Microtechnique ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Algèbre Linéaire Bachelor ère année 28-29 Sections : Matériaux et Microtechnique Support du cours de Dr Lara Thomas Polycopié élaboré par : Prof Eva Bayer Fluckiger

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

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

Plus en détail

Algorithmique et Programmation TD n 9 : Fast Fourier Transform

Algorithmique et Programmation TD n 9 : Fast Fourier Transform Algorithmique et Programmation TD n 9 : Fast Fourier Transform Ecole normale supérieure Département d informatique td-algo@di.ens.fr 2011-2012 1 Petits Rappels Convolution La convolution de deux vecteurs

Plus en détail

Espaces vectoriels euclidiens. Groupe orthogonal

Espaces vectoriels euclidiens. Groupe orthogonal 19 Espaces vectoriels euclidiens. Groupe orthogonal Dans un premier temps, E est un espace vectoriel réel de dimension n 1. 19.1 Espaces vectoriels euclidiens Dénition 19.1 On dit qu'une forme bilinéaire

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

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques 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

Outils mathématiques pour la physique et la chimie. Introduction. 1.1 Espaces vectoriels. Nicolas Chéron : nicolas.cheron@ens-lyon.

Outils mathématiques pour la physique et la chimie. Introduction. 1.1 Espaces vectoriels. Nicolas Chéron : nicolas.cheron@ens-lyon. Nicolas Chéron : nicolas.cheron@ens-lyon.fr Tél : 87 14 Outils mathématiques pour la physique et la chimie Introduction Ce document est un rappel de notions de mathématiques de base (i.e. niveau L1/L).

Plus en détail

Formulaire de maths Algèbre linéaire et multilinéaire

Formulaire de maths Algèbre linéaire et multilinéaire Formulaire de maths Algèbre linéaire et multilinéaire Nom Formule Espaces vectoriels Famille libre On dit que la famille est libre si Famille liée On dit que la famille est liée si Théorème de la base

Plus en détail

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence Sommaire 1. Arithmétique 2 1.1. Division euclidienne......................... 2 1.2. Congruences.............................

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

COURS OPTIMISATION. Cours à l ISFA, en M1SAF. Ionel Sorin CIUPERCA

COURS OPTIMISATION. Cours à l ISFA, en M1SAF. Ionel Sorin CIUPERCA COURS OPTIMISATION Cours à l ISFA, en M1SAF Ionel Sorin CIUPERCA 1 Table des matières 1 Introduction 4 1.1 Motivation.................................... 4 1.2 Le problème général d optimisation......................

Plus en détail

UNIVERSITÉ DE POITIERS

UNIVERSITÉ DE POITIERS UNIVERSITÉ DE POITIERS Faculté des Sciences Fondamentales et Appliquées Mathématiques PREMIÈRE ANNEE DE LA LICENCE DE SCIENCES ET TECHNOLOGIES UE L «algèbre linéaire» Plan du cours Exercices Enoncés des

Plus en détail

Résumé du cours d algèbre de Maths Spé MP

Résumé du cours d algèbre de Maths Spé MP 1 POLYNÔMES Résumé du cours d algèbre de Maths Spé MP 1 Polynômes 1) Formule de Taylor pour les polynômes. Soit P un polynôme non nul de degré n N. a K, P(X) = k=0 P (k) (a) (X a) k et en particulier P(X)

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

Rappels sur les applications linéaires

Rappels sur les applications linéaires Rappels sur les applications linéaires 1 Définition d une application linéaire Définition 1 Soient E et F deux espaces vectoriels sur un même corps K et f une application de E dans F Dire que f est linéaire

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

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

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre

Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Document créé le 27 novembre 2013 Lien vers la dernière mise à jour de ce document Lien vers les exercices de ce chapitre Chapitre 17 Matrices et applications linéaires Sommaire 171 Matrices et applications

Plus en détail

Cahier de vacances - Préparation à la Première S

Cahier de vacances - Préparation à la Première S Cahier de vacances - Préparation à la Première S Ce cahier est destiné à vous permettre d aborder le plus sereinement possible la classe de Première S. Je vous conseille de le travailler pendant les 0

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

Chapitre 4. Adjoints Opérateurs auto-adjoints et isométries

Chapitre 4. Adjoints Opérateurs auto-adjoints et isométries Chapitre 4 Adjoints Opérateurs auto-adjoints et isométries I. Adjoint : Cas général d une forme { bilinéaire symétrique sesquilinéaire hermitienne On suppose dans tout I que E est un espace vectoriel de

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 ... 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

Examen - septembre 2012. Question de cours Enoncer et démontrer l inégalité de Cauchy-Schwarz dans un espace euclidien. Quel est le cas d égalité?

Examen - septembre 2012. Question de cours Enoncer et démontrer l inégalité de Cauchy-Schwarz dans un espace euclidien. Quel est le cas d égalité? Université Paris Dauphine DEMIE e année Algèbre linéaire 3 Examen - septembre 01 Le sujet comporte pages. L épreuve dure heures. Les documents, calculatrices et téléphones portables sont interdits. Question

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

Polynômes. Motivation. 1. Définitions. Exo7. 1.1. Définitions

Polynômes. Motivation. 1. Définitions. Exo7. 1.1. Définitions Exo7 Polynômes Vidéo partie 1. Définitions Vidéo partie 2. Arithmétique des polynômes Vidéo partie 3. Racine d'un polynôme, factorisation Vidéo partie 4. Fractions rationnelles Exercices Polynômes Exercices

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

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

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr Exo Formes quadratiques Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Plus en détail

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT Table analytique des matières 1. La structure d'espace vectoriel 1. Espaces

Plus en détail

133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie

133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie 133: endomorphismes remarquables d'un espace vectoriel euclidien de dimension nie Pierre Lissy March 8, 2010 On considère un espace vectoriel euclidien de dimension nie n, le produit scalaire sera noté

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

Autour du cardinal d un ensemble de matrices binaires

Autour du cardinal d un ensemble de matrices binaires Autour du cardinal d un ensemble de matrices binaires Adrien REISNER 1 Abstract. We here study a couple of algebraic and analytic properties of certain binary matrices in the spaces M n(r). In particular,

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

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

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

Feuilles de TD du cours d Algèbre S4

Feuilles de TD du cours d Algèbre S4 Université Paris I, Panthéon - Sorbonne Licence M.A.S.S. 203-204 Feuilles de TD du cours d Algèbre S4 Jean-Marc Bardet (Université Paris, SAMM) Email: bardet@univ-paris.fr Page oueb: http://samm.univ-paris.fr/-jean-marc-bardet-

Plus en détail

Définition d une norme

Définition d une norme Définition d une norme Définition E est un K-ev. L application N : E R + est une norme sur E ssi 1. x E, N(x) = 0 x = 0. 2. k K, x E, N(k.x) = k N(x). 3. x, y E, N(x + y) N(x) + N(y) Notation N,. Propriété

Plus en détail

MULTIPLICATION RAPIDE : KARATSUBA ET FFT

MULTIPLICATION RAPIDE : KARATSUBA ET FFT MULTIPLICATION RAPIDE : KARATSUBA ET FFT 1. Introduction La multiplication est une opération élémentaire qu on utilise évidemment très souvent, et la rapidité des nombreux algorithmes qui l utilisent dépend

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Actions de groupes. Exemples et applications

Actions de groupes. Exemples et applications 4 Actions de groupes. Exemples et applications G, ) est un groupe multiplicatif et on note ou G si nécessaire) l élément neutre. E est un ensemble non vide et S E) est le groupe des permutations de E.

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

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

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

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

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

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

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

Fiche Méthode 11 : Noyaux et images.

Fiche Méthode 11 : Noyaux et images. Fiche Méthode 11 : Noyaux et images. On se place dans un espace vectoriel E de dimension finie n, muni d une base B = ( e 1,..., e n ). f désignera un endomorphisme de E 1 et A la matrice de f dans la

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Les astuces de Maths. par Isabelle Blejean C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 9

Les astuces de Maths. par Isabelle Blejean C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 9 C OLLECTION LES MÉMENTOS DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Les astuces de Maths par Isabelle Blejean MÉMENTO N 9 Les Mémentos de l INSEEC

Plus en détail

INTÉGRATION SUR LES SURFACES. Le but de ce texte est d expliquer comment définir et calculer des expressions du type

INTÉGRATION SUR LES SURFACES. Le but de ce texte est d expliquer comment définir et calculer des expressions du type INTÉGRATION SUR LES SURFACES Le but de ce texte est d expliquer comment définir et calculer des expressions du type φ(x)dσ(x) Σ où Σ est une surface de classe C 1 de R 3 ou plus généralement une hypersurface

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

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES VINCENT GUEDJ 1. Notions fondamentales 1.1. Noyau, Image. On se donne E un K-espace vectoriel de dimension finie (K = R, C principalement) et f L(E) un

Plus en détail

LES ROTATIONS DE R 3 : VERSION MATRICIELLE

LES ROTATIONS DE R 3 : VERSION MATRICIELLE LES ROTATIONS DE R : VERSION MATRICIELLE. L espace R n Les structures dont R n est muni appartiennent à quatre niveaux : Structure vectorielle: Vecteur. Combinaison linéaire. Familles libres et liées.

Plus en détail

Solveur linéaire sur GPU

Solveur linéaire sur GPU Thomas JOST 1 Sylvain CONTASSOT-VIVIER 1,2 Stéphane VIALLE 1,3 1 Équipe AlGorille, LORIA 2 Université Henri Poincaré Nancy 1 3 Équipe IMS Supélec (Metz) 1 Introduction 2 Contraintes et algorithmes Structure

Plus en détail

Calcul Scientifique L2 Maths Notes de Cours

Calcul Scientifique L2 Maths Notes de Cours Calcul Scientifique L2 Maths Notes de Cours Le but de ce cours est d aborder le Calcul Scientifique, discipline arrivant en bout d une d une chaîne regroupant divers concepts tels que la modélisation et

Plus en détail

Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction

Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction Zoltán Szigeti Ensimag April 4, 2015 Z. Szigeti (Ensimag) RO 1A April 4, 2015 1 / 16 Forme Générale Définition

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

L essentiel du cours

L essentiel du cours Terminale S et concours L essentiel du cours mathématiques Arithmétique - matrices Jean-Marc FITOUSSI Progress Editions Table des matières Arithmétique 01 LA DIVISIBILITÉ page 6 02 LA DIVISION EUCLIDIENNE

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

Equations différentielles

Equations différentielles Maths PCSI Cours Table des matières Equations différentielles 1 Généralités 2 1.1 Solution d une équation différentielle................................ 2 1.2 Problème de Cauchy.........................................

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

Partie I - Valeurs propres de AB et BA

Partie I - Valeurs propres de AB et BA SESSION 9 Concours commun Centrale MATHÉMATIQUES. FILIERE PSI Partie I - Valeurs propres de AB et BA I.A - Cas de la valeur propre. I.A.) Sp(AB) Ker(AB) {} AB / G L n (R) det(ab) =. I.A.) Sp(AB) det(ab)

Plus en détail