U. A. B.

Tlemcen 2015/2016
Département de Mathématiques

Corrigé du contrôle continu d’analyse numérique 2

Exercice 1

1
1. Trouver la décomposition de Cholesky de la matrice A = et déterminer pour
2
quelles valeurs de cette décomposition est possible.
0 1
0 0 1
2. On considère la matrice suivante: A = @ 0 1 0 A : Utiliser la méthode de Jacobi
1 0 0
pour calculer les valeurs propres ainsi que les vecteurs propres de A:

Solution

1. A = BB t ; avec B matrice triangulaire inférieure à diagonale positive.

8
< b11 = a111 = 1
1 p 0
b21 = ab11
21
= : D’où B = :
: p
2
p 2 2
b22 = a22 b21 = 2 2

Cette décomposition est possible si la matrice est dé…nie positive, en d’autres termes si
det(A) > 0
2
p p
ce qui equivaut à 2 >0, 2<2, 2 2; 2 :
0 p2 p 1
2
0 1
2
0 2
1 0 0
2. = 4 ; R = @ 0p 1 p0 A ; D = R t AR = @ 0 1 0 A :
2
0 2 0 0 1
2 2
Les valeurs propres de A 0 =
sontp 1 1 1; 2 = 1;0 3 =11; les vecteurs
0 ppropres
1 associés
2 2
2
0 2
sont respectivement, v1 = @ 0p A ; v2 = @ 1 A ; v3 = @ p0 A :
2 0 2
2 2

Exercice 2
Pour chacune des propositions, décider si elle est vraie ou fausse et surtout jus-
ti…er avec précision votre réponse par une démonstration ou un contre exemple.
Attention aucune réponse ne sera prise en compte sans justi…cation.
1. En résolvant un système linéaire Ax = b par une méthode numérique, si la norme du
résidu est petite alors l’erreur relative sur la solution est aussi petite.
Faux. Soit x~ la solution obtenue numériquemet du système Ax = b alors r = A~ x b =
A(~x x); ce qui implique x~ x = A 1 r d’où k~ x xk kA 1 k krk ( )
1 1
d’autre part Au = b implique kbk kAk kuk de là kAk ( )
kuk kbk

1
 k~
x xk krk
…nalement ( ) et ( ) donnent cond(A)
kxk kbk
(k+1) (k)
2. On considère la méthode itérative x = Bx +c pour la résolution du système linéaire
Ax = b; si la méthode converge pour toute valeur initiale x(0) alors kBk1 < 1:
Faux. kBk1 < 1 est une condition su¢sante de convergence mais pas nécessaire. Si kBk1 <
0 2
1 alors la méthode converge pour toute valeur initiale x(0) : En e¤et, Si B = 1 , alors
0
p 4
(B) = 21 2 < 1 la méthode itérative est convergente mais kBk1 = 2 > 1:
3. Le rayon spectral satisfait les conditions requise pour être une norme matricielle.
0 1
Faux. Pour A = (A) = 0 mais A 6= 0:
0 0
4. 8B 2 Mn n (R); kBk1 (B):
Faux. Soit une valeur propre de B et x un vecteur propre associé. Bx = x ) j j kxk1
kBk1 kxk1 ) j j kBk1 ) (B) kBk1 :
5. Les valeurs propres de la matrice A tridiagonale symétrique n n avec a11 = 1;
aii = 2; 8i 2 et ai;i+1 = ai+1;i = 1; 8i 1 appartiennent à l’intervalle [0; 4] :
Vrai. La matrice A étant réelle symétrique, ses valeurs propres sont réelles. De plus les
disques de Gershgorin de la matrice A sont:
D1 = fz 2 C= jz 1j 1g
Di = fz 2 C= jz 2j 2g 2 i n 1
Dn = fz 2 C= jz 2j 1g
n
Les valeurs propres de A appartiennent à l’intersection de [ Di = fz 2 C= jz 2j 2g avec
i=1
l’axe réel. Elles appartiennent à l’intervalle [0; 4] :
Exercice 3
Pour " 2 R; on considère le système linéaire

A" x = b " (1)

0 1 0 1
1 1 " 0 3 "
avec, A" = @ 12 1 0 A ; b" = @ 2 A
0 0 1 2
Pour " 6= 1; le système admet l’unique solution x = (2; 1; 2)t :

1. Déterminer les conditions nécessaires et su¢santes sur "; pour que la méthode de
Gauss-Seidel appliquée au système (1) converge.

2. Déterminer la valeur " de " pour que la matrice soit symétrique dé…nie positive.

3. pour " = "

a. Est-ce que la méthode de Jacobi appliquée au système (1) converge?

b. Combien d’itérations de la méthode de Jacobi sont nécessaires pour que
x(k) x 2 < 2 20 ;si x(0) = (0; 0; 0)t :
p
On donne log2 ( 57) = 2: 916 4:
Solution

2
 0 1 0 1
0 0 0 0 " 1 0
1
1. On pose A" = D L U avec D = I; L=@ 2
0 0 A et U = @ 0 0 0 A
0 0 0 0 0 0
La matrice d’itération de Gauss-Seidel s’écrit:
0 1 10 1 0 1
1 0 0 0 " 1 0 0 " 1 0
BGS = (D L) 1 U = @ 12 1 0 A @ 0 0 0 A=@ 0 1
2
(" 1) 0 A
0 0 1 0 0 0 0 0 0
1
Les valeurs propres de BGS sont 1 = 2 = 0 et 3 = 2
(" 1) :
Il en découle que (BGS ) = 21 j" 1j :
La méthode de Gauss-Seidel converge si et seulement si (BGS ) < 1; ce qui équivaut à
" 2 ( 1; 3) :

2. A" est symétrique si et seulement si " = 21 : véri…ons que A 1 est dé…nie positive.
2
0 1
1
1 2 0
A 1 = @ 21 1 0 A ; 1 = 1 > 0; 2 =
3
3 = 4 > 0:
2
0 0 1
…nalement " = 21 :

a. La matrice A" est à diagonale strictement dominante alors la méthode de Jacobi

converge.
kBJ kn2
b. Nous savons que x(n) x 2 x(1) x(0) 2
1 kBJ k2
0 1
0 12 0
où BJ = D 1 (L + U ) = @ 21 0 0 A :
0 0 0
Comme BJ est symétrique kBJ k2 = (BJ ):
Les valeurs propres de BJ sont 21 ; 0; 12 ; donc (BJ ) = 21 :
0 5 1
2 p
x(1) = b" = @ 2 A et x(1) x(0) 2 = 12 57
2
n
kBJ k2
x(1) x(0) 2 < 2 20
1 kBJ k2
n 20 p p
) 12 < 2p57 ) 2 n > 2 20 57) n > 20 + log2 ( 57)
Le nombre d’itérations nécessaires pour avoir la précision désirée est n = 23:

Exercice04 1 0 1
2 2 4 0
Soit A = @ 1 3 1 A et soit b = @ 5 A :
3 7 5 7

1. E¤ectuer la décomposition LU de la matrice A. En déduire det(A):

2. Utiliser la décomposition LU pour résoudre le système d’équations linéaires Ax = b:

3
 3. Utiliser la décomposition LU pour calculer A 1 : Puis trouver x = A 1 b:

4. Comparer les résultats trouvés en 2. et 3. Quelle méthode choisissez vous? Justi…er.

Solution
0 1 0 1 0 1
2 2 4 2 2 4 2 2 4
1. @ 1 3 1 A m21 = 21 ; m 31 = 32 ; ! @ 0 2 1 A m32 = 5 !@ 0 2 1 A
3 7 5 0 10 1 0 0 6
Donc A = LU avec
0 1 0 1
1 0 0 2 2 4
1
L =@ 2
1 0 A; @
U = 0 2 1 A
3
2
5 1 0 0 6

det (A) = det (LU ) = det (L) det (U ) = det (U ) = 2 ( 2) ( 6 ) = 24 :

Ly = b
2. Ax = b , LUx = b ,
Ux = y
0 1
0
La résolution de Ly = b donne y = @ 5 A ;ensuite U x = y a pour solution x =
0 1 18
5
@ 1 A
3
3. On résoud AXi = ei ; i = 1; 2; 3 où ei est ieme vecteur de la base canonique.
0 11 1 0 19 1 0 5 1
12 12 12
1 A @ 1 A ; X3 = 1
On trouve X1 = @ 12
; X 2 = 12
@
12
A;
2 5 1
3 6 6
0 11 19 5
1
12 12 12
1 1 1 1 A
ainsi A =@ 12 12 12
2 5 1
3 6 6
0 11 19 5
10 1 0 1
12 12 12
0 5
1 1 1 A@
A 1b = @ 12 12 12
5 A=@ 1 A:
2 5 1
3 6 6
7 3

4. IL est clair que la solution obtenue en 3. par x = A 1 b est 3 fois plus couteuse
que l’application directe de l’algorithme en 2. De ce fait, il est judicieux de choisir
l’application de la décomposition LU en 2.