TDS4 Serie5 Presentation - C.

Exercice N°7 Exercice N°8 (Facultatif ) Exercice N°8 (suite) (Facultatif ) Exercice N°9 Exercice N°9 (suite)
TD. d’Analyse Numérique I

Série N°5 partie : C
Université CADI AYYAD

Faculté des Sciences Semlalia-Marrakech
Département de Mathématiques
Filières SMA-S4 & SMI-S4
du 25/04/2023 au 29/04/2023
lo
FSSM SMIA-S4 2022 Page : 1/21

Sommaire
1 Exercice N°7
2 Exercice N°8 (Facultatif)
3 Exercice N°8 (suite) (Facultatif)
4 Exercice N°9
5 Exercice N°9 (suite)
lo

Exercice N°7
Exercice N°7
 
α 0 γ
Soit le système linéaire Ax = b avec A =  0 α β , avec α, β, γ
0 δ α
et δ des paramètres réels.
1 Donner une condition suffisante sur α, β, γ, et δ pour que la
méthode de Jacobi converge.
2 Donner 2 conditions suffisantes pour que la méthode de
Gauss-Seidel converge.
lo

Exercice N°7
1 On suppose d’abord que α 6= 0.
Une condition suffisante pour la convergence de Jacobi est que A

soit à diagonale strictement dominante.
Ce qui revient à imposer |α| > |γ|, |α| > |β|, |α| > |δ|, soit
|α| > max(|β|, |γ|, |δ|).
lo

Exercice N°7
Exercice N°7
 
α 0 γ
Soit le système linéaire Ax = b avec A =  0 α β , avec α, β, γ
0 δ α
et δ des paramètres réels.
1 Donner une condition suffisante sur α, β, γ, et δ pour que la
méthode de Jacobi converge.
2 Donner 2 conditions suffisantes pour que la méthode de
Gauss-Seidel converge.
lo

Exercice N°7
2 La condition précédente est aussi suffisante pour la convergence

de GS.
Une autre condition suffisante est que A soit symétrique définie

positive. Pour
 cela, il fautque γ = 0 et β = δ.
α 0 0
Alors A =  0 α β  est définie > 0 si les valeurs propres
0 β α
sont positives. Le calcul des valeurs propres donne
λ1 = α, λ2 = α − β, λ3 = α + β.
Donc si on a α > 0, α > β et α > −β. Autrement dit α > |β|.
Remarque : notons dans ce cas lorsque A est symétrique définie

positive alors elle est aussi à diagonale strictement dominante.
lo

Exercice N°8 (Facultatif)
Exercice N°8 (Facultatif )

Soit A = (aij ) une matrice d’ordre n à diagonale strictement domi-
nante : X
|aii | > |aij | ; 1 ≤ i ≤ n.
i=j
1 Montrer que A est inversible.
(a) Montrer que l’itération de Jacobi est bien définie pour la

matrice A (on ne calculera pas la matrice de Jacobi).
Pn |a |
(b) On note : d(A) = sup1≤i≤n j=1,j6=i |aij
ii |
. Soit b ∈ Rn et x la
solution de Ax = b. On note J la matrice de Jacobi. Montrer que
kJk∞ = d(A).
lo

1 Il suffit de montrer que 0 n’est pas une v.p. de A.
En effet, supposons que 0 ∈ Sp(A), alors d’après le th. de

Gelsgorin du cours, il existe au moins un i tel que
X
|0 − ai,i | ≤ |ai,j |
j6=i
ce qui est absurde ( A à diagonale strictement dominante), donc

A n’a pas 0 comme valeur propre ⇒ A est inversible.
lo

a) Puisque A est à diagonale strictement dominante, il est clair que

tous les ai,i sont non nuls (sinon A contiendrait une ligne nulle).
lo

b)  
a1,1 0
Soit D =  .. ,A = D − E − F.
.
 
0 0
0 an,n
Donc la méthode de Jacobi est bien définie par :
x(k+1) = D−1 (E + F )x(k) + D−1 b = BJ x(k) + c
où BJ = D−1 (E + F ), c = D−1 b.
lo


b) La matrice de l’itération de Jacobi est
J = D−1 (E + F )
 
0 −a1,2 ··· −a1,n
..
 
1/a1,1
.
 
..  −a2,1 0 
= .

 .. .. ..

. . .
 
1/an,n
 −an−1,n 
−an,1 −an,n−1 0
 
0 −a1,2 /a1,1 ··· −a1,n /a1,1
..
.
 
 −a2,1 /a2,2 0 
= .. .. ..

. . .
 
 −an−1,n /an−1,n−1 
−an,1 /an,n −an,n−1 /an,n 0
Calculons la norme kJk∞ : On a

Pn Pn ai,j
kJk∞ = max1≤i≤n j=1 |J(i, j)| = max1≤i≤n j=1,j6=i ai,i = d(A). lo

Exercice N°8 (suite) (Facultatif)

Exercice N°8 (suite) (Facultatif )
(c) En déduire que la méthode de Jacobi converge et que :
d(A)k
xk − x ∞
≤ x1 − x0 ∞
1 − d(A)
(d) On note L1 la matrice de Gauss-Seidel. Montrer que kL1 k ≤ d(A).

En déduire que la méthode de Gauss-Seidel converge.
   
7 −1 1 2 1
 0 5 −1 1  ,b =  1 
(e) Exemple : Soit A = 
 
 1 2 6 −1   1 
−1 1 2 8 1
On résoud Ax = b par la méthode de Jacobi avec x0 = 0. Au bout
de combien d’itérations nous aurons une valeur approchée à 10−5 de la
solution exacte en négligeant les erreurs d’arrondis ? lo

c) Puisque d’après le cours ρ(J) ≤ kJk∞ = d(A) < 1 (car A est à

diagonale strictement dominante), alors ρ (BJ ) < 1.
Donc d’après le th. , l’itération x(k) est convergente vers x tel que

x = Jx + c ⇔ x = A−1 b.
Ce résultat est immédiat du cours qui énonce que
kJkk
x(k) − x(0) ≤ x(1) − x(0)
1 − kJkk
pour toute norme matricielle subordonnée.
lo


d) Soit x un vecteur non nul,
L1 x = (D − E)−1 F x
(D − E)L1 x = F x
On pose y = L1 x → (D − E)y = F x, donc pour chaque i :

X X
ai,j yj = − ai,j xj
i≥j i<j
 
1 X X
yi = − ai,j yj + ai,j xj 
ai,i j<i j>i
kL1x k∞ kyk∞
On a kL1 k∞ = sup = sup
x6=0 kxk∞ x6=0 kxk∞
On pose pour
P ai,j P ai,j
2 ≤ i ≤ n − 1, αi = j<i ai,i , βi = j>i ai,i , α1 = βn = 0. lo


d) On a d(A) = max1≤i≤n (αi + βi ) Soit k tel que yk = kyk∞ , on a :
kyk∞ ≤ αk kyk∞ + βk kxk∞
En posant η = maxi 1−αi ,
βi
on obtient :
βk
kyk∞ ≤ kxk∞ ≤ ηkxk∞ (αi < 1, ∀i)
1 − αk
kyk∞
Donc kxk∞ ≤ η, soit kL1 k∞ ≤ η.
Il nous reste à montrer que η ≤ d(A).
En effet, ∃j, tel que

βj αj (1 − αj − βj ) αj
η= , αj + βj − η = ≥ (1 − d(A)) ≥ 0.
1 − αj 1 − αj 1 − αj
Finalement kLk∞ < 1( car d(A) < 1). D’où la convergence. lo

e)  
  1/7
(n+1) 1  X (n)  1/5 
xi = bi − ai,j xj  → x(1) =
 1/6  .

ai,i
i6=j
1/8
On calcule d(A) = max(4/7, 2/5, 2/3, 1/2) = 2
3 :
Pour approcher la solution exacte à 10−5 près, il suffit d’avoir

k
d(A)k (1) −5 ( 23 ) 1 −5
1−d(A) x ≤ 10 → 1/3 · 5 ≤ 10
ln( 53 10−5 )
Soit Donc k ≥ ln( 23 )
= 27.13 : le nombre d’itérations suffisant est
28
lo

Exercice N°9
Exercice N°9
 
1 1 0
1 Soient 0 < < 1 et la matrice A =  1 + 1 0  Calculer le
1 1 1
conditionnement de A pour la norme k.k∞ . Que peut-on dire à
propos de la précision de la solution de Ax = b quand est trop
petit ? Justifier.
lo

Exercice N°9
1 On a cond(A) = kAk∞ · A−1 ∞
kAk∞ = max(2, 2 + , 3) = 3(0 < < 1)

 
−1/ 1/ 0
A−1 =  1 + 1/ −1/ 0  ⇒ A−1 ∞
−1 0 1
= max(2/, 1 + 2/, 2) = 1 + 2/( < 1 < 2).
Donc cond(A) = 3(1 + 2/).
Si trop petit, cond(A) trop grand. La matrice A est alors mal

conditionnée et donc la solution d’un système Ax = b est peu précise.
lo

Exercice N°9 (suite)

2 (Facultatif) Soit maintenant A une matrice réelle inversible
d’ordre n et b 6= 0 un vecteur de Rn . On considère le système
linéaire Ax = b et δA et δb sont des perturbations respectives de
A et b telles que :
(A + δA)(x + δx) = b + δb
On note k · k une norme matricielle subordonnée à une norme

vectorielle. Montrer que si A−1 δA < 1 alors le système
perturbé admet une solution et on a :

kδxk cond(A) kδbk kδAk
≤ +
kxk 1 − kA−1 δAk kbk kAk
N.B. On a admet que si une matrice M telle que kM k < 1 alors

I + M est inversible et que (I + M )−1 ≤ 1−kM
1
k. lo

2 On a :
Ax = b
(A + δA)(x + δx) = b + δb
⇒ A I + A−1 δA δx = δb − δAx

Par hypothèse A−1 δA < 1.
Il vient du résultat admit : si une matrice M telle que kM k < 1

alors I + M est inversible et que (I + M )−1 ≤ 1−kM 1
k que
I + A δA est inversible et comme A est inversible,
−1
A I + A−1 δA l’est aussi.
lo

2 Donc :
−1 −1
⇒ δx = I + A−1 δA A (δb − δAx)
−1
−1
⇒ kδxk ≤ I + A δA . A−1 (kδbk + kδA|k. | xk)

kδxk 1 −1 kδbk kδAk
⇒ ≤ · A · kAk +
kxk 1 − kA−1 δAk kAk · kxk kAk
et comme kbk ≤ kAk · kxk, on a le résultat.
lo

TDS4 Serie5 Presentation - C.

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

TDS4 Serie5 Presentation - C.

Uploaded by

Copyright:

Available Formats

Exercice N°7 Exercice N°8 (Facultatif ) Exercice N°8 (suite) (Facultatif ) Exercice N°9 Exercice N°9 (suite)

TD. d’Analyse Numérique I

Université CADI AYYAD

FSSM SMIA-S4 2022 Page : 1/21

2 Exercice N°8 (Facultatif)

3 Exercice N°8 (suite) (Facultatif)

5 Exercice N°9 (suite)

FSSM SMIA-S4 2022 Page : 2/21

FSSM SMIA-S4 2022 Page : 3/21

1 On suppose d’abord que α 6= 0.

Une condition suffisante pour la convergence de Jacobi est que A

FSSM SMIA-S4 2022 Page : 4/21

FSSM SMIA-S4 2022 Page : 5/21

2 La condition précédente est aussi suffisante pour la convergence

Une autre condition suffisante est que A soit symétrique définie

Remarque : notons dans ce cas lorsque A est symétrique définie

FSSM SMIA-S4 2022 Page : 6/21

Exercice N°8 (Facultatif)

Exercice N°8 (Facultatif )

1 Montrer que A est inversible.

(a) Montrer que l’itération de Jacobi est bien définie pour la

FSSM SMIA-S4 2022 Page : 7/21

Exercice N°8 (Facultatif)

1 Il suffit de montrer que 0 n’est pas une v.p. de A.

En effet, supposons que 0 ∈ Sp(A), alors d’après le th. de

ce qui est absurde ( A à diagonale strictement dominante), donc

FSSM SMIA-S4 2022 Page : 8/21

Exercice N°8 (Facultatif)

a) Puisque A est à diagonale strictement dominante, il est clair que

FSSM SMIA-S4 2022 Page : 9/21

Exercice N°8 (Facultatif)

Donc la méthode de Jacobi est bien définie par :

x(k+1) = D−1 (E + F )x(k) + D−1 b = BJ x(k) + c

FSSM SMIA-S4 2022 Page : 10/21

Exercice N°8 (Facultatif)

Calculons la norme kJk∞ : On a

FSSM SMIA-S4 2022 Page : 11/21

Exercice N°8 (suite) (Facultatif)

(d) On note L1 la matrice de Gauss-Seidel. Montrer que kL1 k ≤ d(A).

FSSM SMIA-S4 2022 Page : 12/21

Exercice N°8 (suite) (Facultatif)

c) Puisque d’après le cours ρ(J) ≤ kJk∞ = d(A) < 1 (car A est à

Ce résultat est immédiat du cours qui énonce que

pour toute norme matricielle subordonnée.

FSSM SMIA-S4 2022 Page : 13/21

Exercice N°8 (suite) (Facultatif)

On pose y = L1 x → (D − E)y = F x, donc pour chaque i :

FSSM SMIA-S4 2022 Page : 14/21

Exercice N°8 (suite) (Facultatif)

Il nous reste à montrer que η ≤ d(A).

En effet, ∃j, tel que

Finalement kLk∞ < 1( car d(A) < 1). D’où la convergence. lo

FSSM SMIA-S4 2022 Page : 15/21

Exercice N°8 (suite) (Facultatif)

Pour approcher la solution exacte à 10−5 près, il suffit d’avoir

FSSM SMIA-S4 2022 Page : 16/21

FSSM SMIA-S4 2022 Page : 17/21

1 On a cond(A) = kAk∞ · A−1 ∞

kAk∞ = max(2, 2 + , 3) = 3(0 <  < 1)

Si  trop petit, cond(A) trop grand. La matrice A est alors mal

FSSM SMIA-S4 2022 Page : 18/21

Exercice N°9 (suite)

On note k · k une norme matricielle subordonnée à une norme

kAk∞ = max(2, 2 + , 3) = 3(0 < < 1)

Si trop petit, cond(A) trop grand. La matrice A est alors mal