Cours d analyse numérique SMI-S4
|
|
- Angélique André
- il y a 8 ans
- Total affichages :
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
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 détailRésolution 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 détailCours 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 détailCalcul 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 détailCours 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 détailChapitre 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 détailExo7. 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 détailDe 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 détailRésolution 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 détailDéveloppement 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 détailCorrection 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 détailOptimisation 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 détailExercices - 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 détailSouad 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 détailFonctions 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 détailCalcul 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 détailLa 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 détailI. 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 détailPremière 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 détailEteindre. 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 détailProgrammation 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 détailAnalyse 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 détailFormes 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 détailCCP 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 détailPremière 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 détailMathématiques 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 détailSujet 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 détailDifférentiabilité ; 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 détailProgrammes 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 détail3. 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 détailAnalyse 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 détailÉquations 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 détailIV- 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 détailProgrammation 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 détailDualité 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 détailCapes 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 détailBaccalauréat 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 détailChapitre 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 détailDéterminants. 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 détailI. 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 détailaux 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 détailLe 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 détailThéorème 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 détailLa 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 détailProgrammation 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 détailExamen 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 détailFonctions 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 détailOptimisation 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 détailExtrait 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 détailÉquations 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 détailFiltrage 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 détailCHAPITRE 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 détailLimites 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 détailCalcul 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 détailSimulation 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 détailLa 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 détailComment 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 détailOptimisation 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 détailManipulateurs 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 détailSuites 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 détailAlgorithmes 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 détailExercices - 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 détailContinuité 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailProbabilités 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 détailMATLAB : 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 détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailENSAE - DAKAR BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA
ENSEA - ABIDJAN ENSAE - DAKAR ISSEA - YAOUNDÉ BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA CENTRE D APPUI AUX
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailProgramme de la classe de première année MPSI
Objectifs Programme de la classe de première année MPSI I - Introduction à l analyse L objectif de cette partie est d amener les étudiants vers des problèmes effectifs d analyse élémentaire, d introduire
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailIII- 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 détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailPolynômes 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 détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailMATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME
Notre cadre de réflexion MATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME La proposition de programme qui suit est bien sûr issue d une demande du Premier Cycle : demande de rénovation des contenus
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailPEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS?
PEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS? Pierre Baumann, Michel Émery Résumé : Comment une propriété évidente visuellement en dimensions deux et trois s étend-elle aux autres dimensions? Voici une
Plus en détail