Professional Documents
Culture Documents
` LANALYSE
INTRODUCTION A
NUMERIQUE
Chapitre 1
` LANALYSE NUMERIQUE
INTRODUCTION A
1.1 Introduction g
en
erale
La matrise des methodes numeriques est une necessite pour la resolution des probl`emes
que lingenieur est amene a` rencontrer au cours de sa vie professionnelle.
Les exemples enumeres ci-dessous a` titre dintroduction illustrent cette necessite.
Exemple 1
Soit un ouvert de IRn , (n = 2 ou 3) et soit lequation aux derivees partielles (EDP)
suivante :
(t, x) (t, x) = f (t, x), t > 0 , x
(1.1) t
(t, x) = 0 (t, x), t > 0 , x (conditions aux limites)
(0, x) = 1 (x), x (conditions initiales)
Exemple 2
Dans le cas stationnaire (/t = 0), lequation de la chaleur (1.1) secrit :
(x) = f (x), x
(1.2)
(x) = 0 (x), x
Exemple 3
On consid`ere une plaque encastree dans le plan (x 1 , x2 ), soumise a` une distribution
surfacique de forces f . Si on note u le deplacement transversal de la plaque, alors u est
solution de lequation :
(
u = f dans
u
u= = 0 sur
o`
u designe la normale unitaire exterieure a` .
6 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
b
yj = jk, j = 0, , M + 1 ; k = y =
M +1
Pour chercher une approximation des quantites u(x i , yj ), 1 i N et 1 j M , o` u
u est solution de lequation (1.5), on remplace les derivees partielles de u par des taux
daccroissement (rapports de differences finies) en utilisant la formule de Taylor-Lagrange :
u u
u(x + h, y + k) = u(x, y) + h (x, y) + k (x, y)+
x y
1 2u 2u 2
(1.6) 2 2 u
+ h (x, y) + 2hk (x, y) + k (x, y) +
2 x2 xy y 2
+ O(|h3 | + |k 3 |)
u h2 2 u
(1.7) u(xi+1 , yj ) = ui,j + h (xi , yj ) + (xi , yj ) + O(|h|3 )
x 2 x2
o`
u ui,j = u(xi , yj ).
De meme, pour x = xi , y = yj et en choisissant k = 0 dans (1.6), on obtient en remplacant
h par h :
u h2 2 u
(1.8) u(xi1 , yj ) = ui,j h (xi , yj ) + (xi , yj ) + O(|h|3 )
x 2 x2
La somme des deux equations (1.7) et (1.8) donne
2u
ui+1,j + ui1,j = 2ui,j + h2 (xi , yj ) + O(|h|3 )
x2
et par suite, on a
2u ui+1,j + ui1,j 2ui,j
(1.9) 2
(xi , yj ) = + O(|h|)
x h2
En suivant la meme demarche que ci-dessus, on obtient :
2u 2u
u(xi , yj ) (x i , y j ) + (xi , yj )
x2 y 2
ui+1,j + ui1,j 2ui,j ui,j+1 + ui,j1 2ui,j
' +
h2 k2
Lapproximation de u ci-dessus dans lequation u = f au point (x i , yj ), pour
1 i N et 1 j M , et les conditions aux limites imposees sur conduisent a`
8 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
o`
u, nous avons note :
2 2 1 1
d= 2 ; c= 2 ; e= 2
h2 k h k
Dans le cas o` u N M est un nombre tr`es grand, il est important dutiliser des methodes
de resolutions qui sont economiques du point de vue du nombre doperations elementaires
necessaires et de la place memoire utilisee pour la resolution du syst`eme lineaire obtenu au
moyen dun ordinateur.
o`
u Sn est lensemble des permutations de {1, 2, , n}, de cardinal card(S n ) = n!.
Le calcul de det A necessite
(n + 1)(n.n!)[multiplication] + n[division]
Principales notations et definitions 9
xn = bn /ann
Pn
xi = (bi j=i+1 aij xj )/aii , i = n 1, n 2, , 1
n
X n1
X 2(n 1)n
(2(n i) + 1) = 2j + n = + n = n2
2
i=1 j=0
xi , 1 i n : i `eme composante de x
x1
n
X x2
x= xi ei ; x= ..
.
i=1
xn
xT = (x1 , x2 , , xn ) : transpose de x
x
1
x
2
x
= .. : conjugue de x
.
x
n
x = x
T = (
x1 , x2 , , x
n ) : transconjugue de x
A = (
aij )1i,jn , la conjuguee deA
A = AT , la transconjuguee deA
et par Mn,m (K) lensemble des matrices a` n lignes et m colonnes et a` coefficients dans K
(K = IR ou K = C). Lorsque m = n on utilisera la notation M n (K) au lieu de Mn,n (K).
La matrice identite de Mn (IR) (ou Mn (C)) est notee I.
et verifie
(x, y) = (x, y)
IR , x IRn , y IRn :
(x, y) = (x, y)
Le produit hermitien de Cn est defini pour x et y dans Cn par :
n
X
(x, y) = xi yi = y x
i=1
et verifie
(x, y) = (x, y)
C , x C n , y Cn :
y)
(x, y) = (x,
Rappels et complements sur les matrices 11
o`
u |z| designe le module dun nombre complexe z.
Rappelons que deux vecteurs x et y de IR n (ou Cn ) sont dit orthogonaux lorsque
(x, y) = 0.
D
emonstration :
1) On a, pour tout x, y dans IR n :
n
X n
X n
X n X
X n
(Ax, y) = (Ax)i yi = aij xj yi = aij yi xj
i=1 i=1 j=1 j=1 i=1
D
efinition 1.1
1) Soit A Mn (IR). La matrice A est dite symetrique si A T = A.
2) Soit A Mn (C). La matrice A est dite hermitienne si A = A.
Propriet
es 1.2
1) Si A Mn (IR) est symetrique, alors on a :
(i, j) {1, , n}2 , aij = aji
et
(x, y) IRn IRn , (Ax, y) = (x, Ay)
2) Si A Mn (C) est hermitienne, alors on a :
(i, j) {1, , n}2 , aij = a
ji
et
(x, y) Cn Cn , (Ax, y) = (x, Ay)
D
emonstration : Le resultat decoule immediatement de la propriete 1.1.
12 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
D
efinition 1.2
Une matrice A Mn (IR) (ou Mn (C)) est dite inversible, sil existe une matrice
B Mn (IR) ( ou Mn (C)) telle que AB = BA = I.
La matrice B est alors unique et est notee A 1 .
Propriet
es 1.3
Si A Mn (IR) est inversible, alors AT est inversible et on a :
(AT )1 = (A1 )T
Demonstration :
La matrice A etant inversible, alors on a AA 1 = A1 A = I. Et par suite (AA1 )T =
(A1 A)T = I T . Do`
u (A1 )T AT = AT (A1 )T = I. Ce qui prouve que (AT )1 = (A1 )T .
D
efinition 1.3
1) Une matrice A Mn (IR) est dite orthogonale, si elle verifie
AAT = AT A = I.
AA = A A = I.
Propriet
es 1.4
1) Si A Mn (IR) est orthogonale, alors A est inversible et A 1 = AT . De plus, on a :
do`
u kU k2 = 1.
Demonstration :
Nous allons donner la demonstration de 2), celle de 1) lui etant analogue.
Soit U une matrice unitaire. Alors il est clair, dapr`es la definition 1.3 , que U est inversible
et que U 1 = U .
Par ailleurs, on a pour tout x Cn :
kU xk22 = (U x, U x) = (x, U U x)
Remarque : Si A Mn (IR) est orthogonale, alors les colonnes de A forment une base
orthonormee de IRn . En effet si lon note Ci IRn , 1 i n, la i-`eme colonne de A, alors
on obtient pour i et j compris entre 1 et n :
1 si i = j
CiT Cj = ij =
0 sinon
D
efinition 1.4
1) Une matrice A Mn (IR) ( ou Mn (C)) est dite triangulaire superieure, si
D ` faire en exercice.
emonstration : A
Definition 1.5
Soit A Mn (IR) ( ou Mn (C)) une matrice symetrique (ou hermitienne). Alors, A est
dite definie positive, si elle verifie les deux proprietes suivantes :
Dans le cas o`
u A verifie uniquement (1.11), on dit quelle est semi-definie positive.
14 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
Exemples :
1) Si A Mn (C), alors la matrice AA est semi-definie positive.
2) Si A Mn (C) est inversible, alors la matrice AA est definie positive.
Definition 1.6
Soient C et A Mn (IR) (ou Mn (C)). Alors, est appelee valeur propre de A, si
elle est racine du polyn
ome caracteristique P A () de A :
PA () det(A I) = 0
D ` faire en exercice.
emonstration : A
Lexistence de valeurs propres dune matrice symetrique (ou hermitienne) est donnee par
la proposition suivante :
Proposition 1.1
1) Si A Mn (IR) est symetrique, alors il existe une matrice orthogonale O M n (IR)
telle que la matrice D = O T AO soit diagonale reelle.
Si de plus A est definie positive, alors la diagonale de D est strictement positive (d ii > 0,
i = 1, 2, , n).
2) Si A Mn (C) est hermitienne, alors il existe une matrice unitaire U M n (C)
telle que la matrice D = U AU soit diagonale reelle.
Si de plus A est definie positive, alors la diagonale de D est strictement positive (d ii > 0,
i = 1, 2, , n).
D ` faire en exercice.
emonstration : A
Commentaires :
Soient A Mn (IR) symetrique et O la matrice orthogonale definie a` la proposition 1.1
ci-dessus. Notons Oi , 1 i n, les n colonnes de O et rappelons que les (O i )1in forment
une base orthonormee de IRn .
Soit D = O T AO = diag(dii )1in , alors les coefficients dii de D sont exactement les
valeurs propres de A. En effet, on a
OD = OO T AO = AO
puisque O est une matrice orthogonale. Ainsi AO i = dii Oi , 1 i n. Ce qui prouve que dii
est une valeur propre de A.
Ainsi les coefficients de la matrice diagonale D sont donnes par d ii = i , o` u les i ,
1 i n, sont les valeurs propres de A.
De plus, les (Oi )1in forment une base de vecteurs propres associes aux valeurs propres
i , 1 i n.
La matrice O est appelee matrice de passage de la base canonique de IR n a` la base de
vecteurs propres de la matrice A.
Rappels et complements sur les matrices 15
Corollaire 1.1
Soit A Mn (IR) une matrice symetrique. Alors, A est definie positive si et seulement si
toutes ses valeurs propres sont strictement positives.
D ` faire en exercice.
emonstration : A
Definition 1.7
Soient A Mn (IR) et une valeur propre de A.
La multiplicite de est la multiplicite de comme racine du polyn
ome caracte-
ristique PA () de A.
Propri et
es 1.7 (Jordanisation)
Soit A Mn (IR) ( ou Mn (C)) et soit un reel strictement positif donne. Alors, il existe
S Mn (C) inversible telle que la matrice B = S 1 AS soit de la forme de Jordan :
J1
J2
.
(1.13) B= . .
. ..
Jp
o`
u les blocs de Jordan Ji , 1 i p n sont triangulaires superieurs et sont donnes par
i
.
i . .
.. ..
Ji = . .
..
.
i
o`
u les i , 1 i p n, sont les valeurs propres de la matrice A.
Dans le cas o` u = 1, on dit que la matrice B donnee par (1.13) est obtenue par
jordanisation de A.
Demonstration : Admise.
Remarque : Il faut noter quune valeur propre i apparaissant dans le bloc Ji peut
apparatre dans un autre bloc Jj pour j 6= i.
Definition 1.8
Soient A Mn (IR) ( ou Mn (C)) et i , 1 i n, les n valeurs propres de A comptees
avec leur ordre de multiplicite.
On appelle rayon spectral de A, le reel positif :
%(A) = max |i |
1in
16 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
Lemme 1.1
Soit C Mn (C) une matrice hermitienne. Alors on a
|(Cv, v)|
%(C) = sup
vCn \{0} (v, v)
Demonstration :
Soit une valeur propre de C telle que || = %(C) et v 0 Cn \ {0} un vecteur propre
qui lui est associe. On a :
Par ailleurs, dapr`es la proposition 1.1, il existe une matrice U unitaire telle que la matrice
D = U CU soit diagonale. De plus, la diagonale de D est formee des valeurs propres de C.
On a alors :
|(Cv, v)| |(CU w, U w)|
sup = sup (o`
u v = U w ; kU wk2 = kwk2 )
vCn \{0} kvk22 wCn \{0} kwk22
|(U CU w, w)|
= sup
wCn \{0} kwk22
= (puisque D = U CU = diag(i ))
Pn
i |wi |2
i=1
= sup
wCn \{0} kwk22
o`
u les i , 1 i n, sont les valeurs propres de C. Il sen suit que
n
X
|i ||wi |2
|(Cv, v)| i=1
sup sup %(C)
vCn \{0} kvk22 wCn \{0} kwk22
Dans le cas o` u lapplication k k ne verifie que les deux derni`eres proprietes ci-dessus,
on lappelle semi-norme.
Normes vectorielles et normes matricielles 17
n
!1/2
X
kxk2 = |xi |2 (norme euclidienne)
i=1
Il est facile de verifier que ces applications sont effectivement des normes. Plus
generalement, pour tout reel p 1, lapplication k k p definie, pour x IRn (ou Cn ),
par
n
!1/p
X
kxkp = |xi |p
i=1
n
definit une norme sur IR (ou Cn ) (`a verifier en exercice).
Propriet
es 1.8
Soit p [1, +]. Alors les normes k k p sont equivalentes, cest a
` dire :
(p, q) [1, +]2 , > 0, > 0 tels que
D ` faire en exercice.
emonstration : A
k Av k
(1.15) kAk = sup
vCn \{0} k v k
Remarque : On peut verifier que lapplication k k definie par (1.15) definit effectivement
une norme matricielle.
Remarque : Toute norme matricielle subordonnee k k verifie
et kIk = 1.
Exemples :
1) Cas dune norme matricielle non subordonnee :
La norme matricielle k k definie, pour A = (a ij )1i,jn Mn (IR) ( n 2), par
1/2
n
X
kAk = |aij |2
i,j=1
nest pas une norme matricielle subordonnee, puisque k Ik = n (6= 1).
2) Normes matricielles subordonnees indice p :
k Av kp
k A kp = sup , 1p
vCn \{0} k v kp
Les normes matricielles subordonnees les plus couramment utilisees dans la pratique, sont
celles qui correspondent a` p = 1, p = 2 et p = .
Proposition 1.2
Soit A Mn (C). Alors on a :
n
X
(1.16) kAk1 = max |aij |
1jn
i=1
n
X
(1.17) kAk = max |aij | = kA k1
1in
j=1
p p
(1.18) kAk2 = %(A A) = kA k2 = %(AA )
D
emonstration :
i) Prouvons (1.16). On a, pour A Mn (C) :
kAvk1
kAk1 sup
vCn \{0} kvk1
Normes vectorielles et normes matricielles 19
Pn
avec kvk1 = i=1 |vi |, et
n
n X
n
X X
kAvk1 |(Av)i | = a v
ik k
i=1 i=1 k=1
n X
X n
|aik | |vk |
i=1 k=1
n
" n
! #
X X
|aik | |vk |
k=1 i=1
on obtient !
n
X n
X
kAvk1 max |aij | |vk |
1jn
i=1 k=1
| {z }
=kvk1
Ainsi, on a
X n
kAvk1
v Cn \ {0}, max |aij |
kvk1 1jn
i=1
do`
u
n
X
(1.19) kAk1 max |aij |
1jn
i=1
kAvk1 kAejo k1
(1.21) kAk1 sup
vCn \{0} kvk1 kejo k1
Pn
Or, kAejo k1 = i=1 |aijo |. Il sen suit, dapr`es (1.20) et (1.21), que
n
X
kAk1 max |aij |
1jn
i=1
et par suite
n
X
v Cn , kAvk max |aij | kvk
1in
j=1
Il en decoule que
X n
kAvk
(1.22) kAk sup max |aij |
vCn \{0} kvk 1in
j=1
et kAk = 0. Legalite (1.17) est alors evidente. Dans la suite on supposera quil existe au
moins un indice j tel que aio j 6= 0.
Soit v Cn le vecteur dont chaque composante vj , 1 j n, est donnee par :
a io j
si aio j 6= 0
vj = |aio j |
0 si a = 0 io j
On a alors k
v k = 1 et pour 1 k n, on a
n
X n
X a
io j
(A
v )k = akj vj = akj
|aio j |
j=1 j=1
et par suite
kA
v k max |(A
v )k | |(Av ) io |
1kn
X X X
n a
io j n
n
a io j = |a |
io j
= |aio j |
j=1 |aio j | j=1
j=1
do`
u
X n
kAv k
kAk max |aij |
k
v k 1in
j=1
p
iii) Prouvons (1.18). Commencons par demontrer legalite kAk 2 = %(A A). On a
kAvk22 (Av, Av)
(1.23) kAk22 = sup 2 = sup
vCn \{0} kvk2 vCn \{0} (v, v)
(v, A Av)
= sup
vCn \{0} (v, v)
Utilisant le lemme 1.1 et le fait que la matrice A A est hermitienne et semi-definie positive,
on obtient, grace a` (1.23), que
kAk22 = %(A A).
Ce qui prouve la premi`ere egalite de (1.18). p
Montrons que kAk2 = kA k2 . On a, dapr`es ce qui prec`ede, kA k2 = %(AA ). Il suffit
alors de prouver que %(A A) = %(AA ).
1er cas : %(A A) 6= 0.
Soit 6= 0 une valeur propre de A A. On a alors
(1.24) v Cn \ {0}; A Av = v
ou encore AA (Av) = (Av). Il sen suit, puisque Av est non nul 1 , que est une valeur
propre de AA . Ainsi, toute valeur propre non nulle de A A est une valeur propre de A A.
Reciproquement, en utilisant la meme demarche, on montre que toute valeur propre non
nulle de AA est une valeur propre de AA . Ce qui prouve que %(A A) = %(AA ).
2`eme cas : %(A A) = 0.
Dans ce cas, toutes les valeurs propres de A A sont nulles. Et par suite, comme A A est
hermitienne2 alors A A = On . On a alors :
v Cn \ {0}, (A Av, v) = 0.
do`u kAvk22 = (Av, Av) = (A Av, v) = 0. Ainsi, pour tout v Cn \ {0}, Av = 0. Do`
u
necessairement A = On et donc A = On . Il sen suit que %(A A) = %(AA ).
Proposition 1.3
Soit A Mn (C) une matrice hermitienne. Alors, on a
kAk2 = %(A)
Demonstration :
Il suffit dutiliser (1.18) et la proposition 1.1 qui permet de voir que les valeurs propres
de A2 sont les carres des valeurs propres de A, lorsque A est hermitienne.
Th
eor`
eme 1.1
1) Soit ||| ||| une norme matricielle, subordonnee ou non, quelconque. Alors on a :
A Mn (C), %(A) |||A|||.
2) Soit > 0 et soit A Mn (C). Alors, il existe une norme matricielle subordonnee
notee k kA, telle que
kAkA, %(A) +
1
Si Av = 0, alors, dapr`es (1.24), v = 0. Ce qui contredit le fait que 6= 0 et v 6= 0.
2
Si une matrice M est telle que toutes ses valeurs propres sont nulles,
alors M nest pas necessairement
0 0
nulle sauf si elle est hermitienne. Prendre par exemple M =
106 0
22 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
Demonstration :
1) Soit une valeur propre de A telle que || = %(A) et u C n \ {0} un vecteur propre
qui lui est associe. Soit v Cn un vecteur tel que la matrice uv t ne soit pas nulle 3 . On a
alors :
%(A)|||uv t ||| = |||uv t ||| = |||Auv t ||| |||A||| |||uv t |||,
dapr`es la propriete iv) des normes matricielles. Ainsi, on a %(A) |||A|||.
2) Soit > 0 et soit A Mn (C). Il existe alors, grace a` la propriete 1.7, une matrice
inversible S Mn (C) telle que la matrice B = S 1 AS soit de la forme de Jordan :
J1
J2
..
B=
.
..
.
Jp
o`
u les blocs de Jordan Ji , 1 i p, sont donnes par
i
..
i .
.. ..
Ji = . .
..
.
i
o`
u les i , 1 i p n, sont les valeurs propres de la matrice A.
Il sen suit que
Xn
(1.25) kBk1 = max |Bij | max |i | + %(A) +
1jn 1in
i=1
Posons, pour tout C Mn (C), kCkA, = kS 1 CSk1 . Alors, il est clair que k kA, definit
une norme matricielle sur Mn (C), et verifie
kAkA, %(A) +
Montrons que cest une norme matricielle subordonnee. Pour cela, soit C M n (C), alors on
a
kS 1 CSvk1
kCkA, = sup
v6=0 kvk1
kS 1 Cwk1
= sup 1 wk
w6=0 kS 1
3
Car sinon, si pour tout v Cn on a uv t = O, alors en choisissant v = (1, 0, . . . , 0)t on obtient
0 1
u1 0 0
B u2 C
uv t = B
@
C=O
A
un 0 0
Ce qui prouve que k kA, definit une norme matricielle subordonnee a` la norme vectorielle
N ().
Th eor`eme 1.2
1) Soit k k une norme matricielle quelconque, subordonnee ou non, et soit B M n (C)
telle que kBk < 1. Alors la matrice I B est inversible et verifie
1
(1.26) k(I B)1 k
1 kBk
+
X
(1.27) (I B)1 = Bk
k=0
2) Si une matrice de la forme (I B) est non inversible, alors pour toute norme matricielle
||| |||, subordonnee ou non, on a |||B||| 1.
D
emonstration : P
1) Posons SN = N k
k=0 B . Alors on a :
N
X N
X
(1.28) SN (I B) = Bk B k+1 = I B N +1
k=0 k=0
De meme, on a
(1.29) (I B)SN = I B N +1
La suite SN est convergente dans (Mn (C), k k)4 , puisque lon a
X N
N
X
k
N, M, N > M, kSN SM k =
B
kBkk
k=M +1 k=M +1
et que kBk < 1 (une suite geometrique de raison strictement inferieure a` 1 est convergente
et donc de Cauchy).
Notons S la limite de SN . Il sen suit, grace a` (1.28) et (1.29), que
S(I B) = (I B)S = I
Ainsi, I B est inversible et
+
X
1
(I B) =S= Bk
k=0
Par ailleurs, on a
N
X 1 kBkN +1
kSN k kBkk =
1 kBk
k=0
En passant a` la limite, lorsque N +, on obtient
1
kSk = k(I B)1 k
1 kBk
Ce qui prouve (1.26) et ach`eve la demonstration.
2) Si I B est non inversible, alors 1 est une valeur propre de B, et par suite on a
|||B||| 1, puisque %(B) 1 et dapr`es le theoreme 1.1 on a |||B||| %(B).
4
(Mn (C), k k) est un espace vectoriel norme.
24 ` LANALYSE NUMERIQUE
CHAPITRE 1. INTRODUCTION A
Commentaires :
Soit k k une norme matricielle subordonnee et soit A M n (C) inversible. Alors, la
boule ouverte B(A, kA11 k ) de Mn (C), de centre A et de rayon kA11 k :
1 1
B(A, ) = M Mn (C) ; kM Ak <
kA1 k kA1 k
est contenue dans lensemble des matrices inversibles.
En effet, Soit C B(A, kA11 k ), alors on a
Th eor`
eme 1.3
Soient A une matrice inversible dans M n (C), b et b deux elements de Cn avec b 6= 0,
et soient x et x + x les solutions des syst`emes lineaires :
Ax = b , A(x + x) = b + b.
On a alors :
kxk kbk
cond(A)
kxk kbk
Conditionnement dun syst`eme lineaire 25
D
emonstration :
Utilisant le fait que x et x + x sont solutions des syst`emes lineaires Ax = b et
A(x + x) = b + b, on obtient :
Do`
u finalement :
kxk kbk
cond(A)
kxk kbk
Th eor`eme 1.4
Soient A et A deux matrices de Mn (C) avec A inversible et b Cn . Soient x et x + x
les solutions des syst`emes lineaires :
Ax = b , (A + A)(x + x) = b.
On a alors :
kxk kAk
cond(A)
kx + xk kAk
D
emonstration :
On a x = A1 A(x + x). Do`
u:
D
emonstration :
Soient x la solution de (1.30) et (x + x) la solution de (1.31). On a alors :
1
Or kA1 Ak < 1, puisque par hypoth`ese kAk < kA1 k , et par suite, grace au theor`eme 1.2,
la matrice I + A1 A est inversible et
1
k(I + A1 A)1 k
1 kA1 Ak
x = (I + A1 A)1 A1 (b (A)x)
et que :
kxk 1 kbk
kA1 k + kAk
kxk 1 kA1 Ak kxk
1 kbk kAk
kA1 k kAk +
1 kA1 k kAk kAk kxk kAk
Propriet
es 1.9
Soit A Mn (C) inversible. On a
1) cond(A) 1.
2) Pour tout C \ {0}, cond(A) = cond(A).
3) cond(A) = cond(A1 ).
4) Soit U Mn (C) une matrice unitaire. Alors, cond 2 (U ) = 1, et cond2 (U A) =
cond2 (AU ) = cond2 (A)
Demonstration :
1) Il suffit dutiliser le fait que pour toute norme matricielle subordonnee k k, on a
kIk = 1.
2) La preuve de cette propriete est immediate.
3) La preuve de cette propriete est immediate.
4) Soit U une matrice unitaire. Alors, dapr`es la propriete 1.4, on a kU k 2 = kU 1 k2 = 1,
et par suite cond2 (U ) = 1.
Par ailleurs, utilisant le fait que U 1 = U , on obtient
k(AU )1 k2 = kA1 k2
Th
eor`
eme 1.6
Soit A Mn (C) une matrice hermitienne et inversible. Alors on a
|n |
cond2 (A) =
|1 |
o`
u |n | = max |i | et |1 | = min |i | ; les i etant les valeurs propres de A.
1in 1in
Demonstration :
Soit A une matrice hermitienne. Alors, dapr`es la proposition 1.3, on a kAk 2 = %(A) =
1 |n |
|n | et kA1 k2 = %(A1 ) = . Ce qui prouve que cond2 (A) = .
|1 | |1 |
est optimale.
En effet, soit A une matrice symetrique et inversible et soient 1 , , n ses valeurs
propres, avec |n | = sup |i | et |1 | = inf |i |. Soient vn un vecteur propre norme associe a`
n et v1 un vecteur propre norme associe a` 1 .
On consid`ere le syst`eme lineaire Ax = b, o` u b = n vn , dont la solution est trivialement
x = vn , et le syst`eme lineaire (A + A)(x + x) = b + b, avec A = O n et b = tv1 , o` u t 6= 0.
t
Ainsi, on obtient Ax = tv1 , puisque Ax = b. Il sen suit que x = v1 . Do`
u
1
kxk |t| kv1 k |t|
= =
kxk |1 | kvn k |1 |
|n |
car cond2 (A) = .
|1 |
Ce qui prouve que linegalite (1.34) est une egalite dans ce cas.
On deduit de ce qui prec`ede que linegalite (1.34) est une inegalite optimale (on ne peut
pas lameliorer puisque legalite est realisee dans certains cas).