Sorbonne Université Année universitaire 2021–2022

Faculté des Sciences et Ingénierie LU3MA232

Licence de Mathématiques Analyse numérique

Travaux dirigés No 2
Analyse numérique matricielle

Exercice 1 – Pivot de Gauss

Inverser les matrices suivantes par la méthode du pivot de Gauss
   
4 0 0 4 2 1
A1 = 2 4 0 , A2 = 2 4 2 .
1 2 4 1 2 4

Exercice 2 – Matrice à diagonale strictement dominante

Soient n ≥ 1 et A ∈ Mn,n (R) représentée
P par ses coefficients (ai,j )1≤i,j≤n . On suppose que
pour tout i ∈ {1, ..., n}, |ai,i | > j6=i |ai,j |. Montrer que A est inversible.

Exercice 3 – Approximation numérique d’une EDO

On considère une EDO linéaire d’ordre 2 avec conditions initiale et finale sur I =]0, 1[
 00
y (t) = y(t) pour tout t ∈ I,
(1)
y(0) = 0, y(1) = 1.

1. Montrer que ce problème a au plus une solution. La déterminer.

2. On approche cette solution par la méthode d’Euler (explicite). Soit N ≥ 1, on décompose
[0, 1] en N intervalles et on pose tn = Nn pour n entre 0 et N . On pose h = N1 la longueur
d’un intervalle. Le schéma d’Euler s’écrit alors

y0 = 0, yN = 1, ∀n = 1, ..., N − 1, yn+1 − (2 + h2 )yn + yn−1 = 0.

2.1 Ecrire ce système sous la forme matricielle AY = B où Y = (y1 , ..., yN −1 )T .

2.2 Vérifier que A est inversible. (On pourra utiliser l’exercice 2.)
2.3 Chercher L et U tels que A = LU sous la forme
   
1 0 0 ... 0 a1 b 1 0 ... 0
l1 1 0 ... 0  0 a2 b2 ... 0 
 
 
L= 0 l2 1 ... 0
 et U =  ...
 .

 ...  0 0 ... aN −2 bN −2 
0 0 ... lN −2 1 0 0 ... 0 aN −1

2.4 En déduire la solution de AY = B. Quel est la complexité de ce calcul ?

1
3. Conditionnement : propriétés générales. Soit M une matrice carrée inversible d’ordre
kM xk
n > 0. On rappelle que kM kp = supkxkp =1 kM xkp = supx6=0 kxk p .
p

Pour 1 ≤ p ≤ +∞, on note par condp (M ) le nombre de conditionnement de M calculé

avec la norme matricielle k·kp (i.e. subordonnée à la norme p sur Rn ). Plus précisement,
condp (M ) = kM kp kM −1 kp .
3.1 Montrez que condp (M ) ≥ 1 et que ∀α 6= 0, condp (αM ) = condp (M ).
3.2 Soient x et x + δx les solutions des systèmes linéaires
M x = b,
M (x + δx) = b + δb.
Montrez que
kδxkp kδbkp
≤ condp (M ) .
kxkp kbkp
3.3 Soient x et x + δx solutions de
M x = b,
(M + δM ) (x + δx) = b.
Montrez que
kδxkp kδM kp
≤ condp (M ) .
kx + δxkp kM kp
4. Conditionnement : exemple de l’EDO. On se replace dans le cadre du problème de
Cauchy (1).
4.1 Vérifier que les vecteurs propres de A sont les vecteurs V k avec Vik = sin(kπ Ni )
associés respectivement aux valeurs propres λk = −h2 − 4 sin2 ( 2N kπ
) pour k =
1, ..., N − 1.
i |λi (M )|
4.2 Montrer que pour une matrice M symétrique et réelle cond2 (B) = max mini |λi (M )|
où
λi (M ) désignent les valeurs propres de M .
Calculer cond2 (A) et donner son équivalent quand N est grand.
4.3 Entre la méthode directe décrite en question 2, et une méthode itérative de type
gradient (à pas fixe ou conjugué), quelle méthode choisiriez-vous pour résoudre
AY = B ?
Exercice 4 – Application décomposition LU
Soit A la matrice définie par
 
2 −1 4 0
 4 −1 5 1
A= −2 2 −2 3 .


0 3 −9 4
1. Faire la décomposition A = LU , où L a ses éléments diagonaux égaux à 1.

2. Résoudre les systèmes linéaires Axi = ei , (1 ≤ i ≤ 4) où ei est le ième vecteur de la base

canonique de R4 .

2
Sorbonne Université Année universitaire 2021–2022
Faculté des Sciences et Ingénierie LU3MA232
Licence de Mathématiques Analyse numérique

Corrigé des travaux dirigés No 2

Corrigé 1 [Pivot de Gauss]

(1) On a
   
1
4 0 0 1 0 0 1 0 0 4
0 0  
    L1 L2 ← L2 − 2L1
2 4 0 0 1 0 ↔ 0 4 0 − 12 1 0 par L1 ← puis
   
    4 L3 ← L3 − L1
1 2 4 0 0 1 0 2 4 − 14 0 1
 
1
1 0 0 4
0 0
  L2 L3 L2
↔ 0 1 0 − 18 1
0  par L2 ← puis L3 ← −
 
4
  4 4 2
0 0 1 0 − 18 14

(2) On a
   
1 1 1
4 2 1 1 0 0 1 2 4 4
0 0  
  
3
 L1 L2 ← L2 − 2L1
2 4 2 0 1 0 ↔ 0 3 − 12 1 0 par L1 ← puis
   
   2
 4 L3 ← L3 − L1
3 15 1
1 2 4 0 0 1 0 2 4
−4 0 1
 
1 1 1
1 2 4 4
0 0

1 1 1
 L2 1 1
↔ 0 1 − 6 3 0  par L2 ← puis L3 ← L3 − L2
 
2
  3 3 2
0 0 1 0 − 16 13
 
1 1 1 1
1 2
0 4 24
− 12 
L1 ← L1 − L43
  
1 5 1 
↔ 0 1 0 − 6 12 − 6  par

  L2 ← L2 − L23
0 0 1 0 − 16 1
3
 
1 1
1 0 0 3
− 6
0

1 5 1
 L2
↔ 0 1 0 − 6 12 − 6  par L1 ← L1 −

  2
0 0 1 0 − 16 13

Corrigé 2 [Matrice à diagonale dominante] Il suffit de montrer que l’endomorphisme ca-

noniquement associé à A est injectif, i.e pour tout vecteur colonne X ∈ Mn,1 (R)

AX = 0 =⇒ X = 0.

3
Soit donc X = (x1 , ..., xn )T , que l’on suppose par l’absurde non nul, tel que AX = 0. Ainsi

 a1,1 x1 + ... + a1,n xn = 0
...
an,1 x1 + ... + an,n xn = 0


Soit i l’indice tel que |xi | est maximal i.e (et en particulier |xi | > 0 car X 6= 0). La i-ème
équation du système s’écrit X
ai,j xj = −ai,i xi
j6=i

Alors

X
|ai,i xi | = ai,j xj
j6=i
X
≤ |ai,j xj | par inégalité triangulaire
j6=i
X
≤ |xi | |ai,j | car |xi | > |xj | ∀i 6= j.
j6=i
P
Or par hypothèse, |ai,i | > j6=i |ai,j | donc on obtient |ai,i xi | < |xi ||ai,i |. On obtient ainsi une
contradiction. X est donc nécessairement nul, puis A est inversible.
Corrigé 3 [Approximation numérique d’une EDO]
1 Il s’agit d’une EDO linéaire d’ordre 2 dont le polynôme caractéristique est X 2 − 1 = 0.
Ce polynôme a deux racines distinctes : 1 et −1.
La solution générale est donc de la forme y(t) = λet + µe−t pour λ et µ deux réels.
Les conditions initiales et finales nous donnent alors

λ+µ=0
λe1 + µe−1 = 1
1 1
c’est-à-dire λ = e1 −e−1
et µ = − e1 −e −1 . D’où l’unique solution du problème y(t) =
et −e−t
e1 −e−1
2.1 Le schéma s’écrit sous forme matricielle
   
y1 0

−(2 + h2 ) 1 0 ... 0
 1 2
−(2 + h ) 1 ... 0   y2   0 
  
  .   . 
 ...   ..  =  .. 
 2

0 ... 1 −(2 + h ) 1
  
  yN −2   0 
0 ... 0 1 −(2 + h2 ) yN −1 −1
2.2 On voit que A est à diagonale dominante donc, par l’exercice 2, A est inversible
2.3 On cherche L et U sous la forme
   
1 0 0 ... 0 a1 b 1 0 ... 0
l1 1 0 ... 0  0 a2 b 2 ... 0 
   
L=  0 l2 1 ... 0 et U = 
  ... .

 ...   0 0 ... aN −2 bN −2 
0 0 ... lN −2 1 0 0 ... 0 aN −1

4
 En développant A = LU on obtient
 
a1 b1 0 ... 0
a1 l1 b1 l1 + a2 b2 ... 0 
 
A=  0 a 2 l2 b 2 l2 + a 3 ... 0 .

 ... 
0 ... 0 aN −2 lN −2 bN −2 lN −2 + aN −1 .

Plus précisément
1
a1 = −(2 + h2 ), b1 = 1, et pour tout i, li = , bi = 1, et ai+1 = −(2 + h2 ) − bi li ,
ai
ou encore
1 1
Pour tout i, li = , bi = 1, et ai+1 = −(2 + h2 ) − avec a1 = −(2 + h2 ).
ai ai

2.4 On cherche à résoudre LU Y = B.

On commence donc par résoudre LX = B
   
x1 0

1 0 0 ... 0
l1  x2   0 
1 0 ... 0 
   

0  ..   .. 
 l2 1 ... 0  .  =  .  .

...    
 xN −2   0 
0 0 ... lN −2 1 xN −1 −1

On obtient directement    
x1 0

 x2   
   0
.. ..
 =  .
   

 .    .
xN −2   0 
xN −1 −1
Puis on résout U Y = X
   
y1 0

a1 1 0 ... 0
0 a2 1 ... 0 
 y2   0 
 
  
..  =  ..  .

 ... 
 .   . 
  
0 0 ... aN −2 1  yN −2   0 

0 0 ... 0 aN −1 yN −1 −1

On obtient
(−1)N −1
 
  QN −1
y1 i=1 ai
(−1)N −2
 
 y2   
QN −1
i=2 ai
   
 ..   ..
 . = .

   . 
yN −2   1 
 aN −1 aN −2 
yN −1
− aN1−1

5
 Ainsi, pour résoudre le schéma, il faut d’abord calculer les ai (ce qui prend O(N )
opérations), puis calculer les N − 1 coefficients de Y . Ceux-ci se calculent de proche
en proche par la formule yn−k = − yn−k+1
an−k
. Cela se fait aussi en O(N ) opérations. Ainsi,
la complexité de l’algorithme est d’orde O(N )
3.1 On a I = AA−1 =⇒ 1 = kIkp = kAA−1 kp ≤ kAkp kA−1 kp = condp (A). De plus
condp (αA) = kαAkp kα−1 A−1 kp = |α||α−1 | kAkp kA−1 kp = condp (A).
3.2 On a Aδx = b + δb − Ax = δb. Ainsi, kδxkp = kA−1 δbkp ≤ |||A−1 ||| kδbkp . D’autre part,
kbk = kAxk ≤ |||A||| kxkp . Finalement, kδxkp kbkp ≤ |||A−1 ||| |||A||| kxkp kδbkp . On en
kδxkp kδbk
déduit que kxkp
≤ condp (A) kbk p .
p

3.3 On a Ax = b = (A+δA)(x+δx) ⇐⇒ Aδx = −δA(x+δx) ⇐⇒ δx = −A−1 δA(x+δx).

On en déduit
kδxkp ≤ A−1 δA p
kx + δxkp ≤ A−1 kδAkp kx + δxkp
kδAkp
= A−1 p
kAkp kx + δxkp
kAkp
kδxkp kδAk
et finalement, kx+δxkp
≤ condp (A) kAk p .
p

4.1 On vérifie
 
sin(kπ N1 )

−(2 + h2 ) 1 0 ... 0
 1 −(2 + h2 ) 1 ... 0  sin(kπ N2 ) 
  ..

AVk =  ...  
   . 
0 ... 1 −(2 + h2 ) 1  sin(kπ N −2 )
 
N

2
0 ... 0 1 −(2 + h ) N
sin(kπ N )−1
 
−(2 + h2 ) sin(kπ N1 ) + sin(kπ N2 )
 sin(kπ 1 ) − (2 + h2 ) sin(kπ 2 ) + sin(kπ 3 ) 
 N N N 
=
 .. 
. 
N −3 2 N −2 N −1
 
sin(kπ N ) − (2 + h ) sin(kπ N ) + sin(kπ N )
sin(kπ NN−2 ) − (2 + h2 ) sin(kπ NN−1 )

En remarquant que sin(kπ N0 ) = sin(kπ N

N
) = 0, on calcule pour tout j = 1, ..., N − 1

j−1 j j+1  j−1 j j+1


sin(kπ ) − 2 sin(kπ ) + sin(kπ ) = Im eikπ N − 2eikπ N + eikπ N
N N N   
ikπ j−1 ikπ N 1
ikπ N2
= Im e N 1 − 2e +e
   2
ikπ j−1 ikπ N 1
= Im e N 1−e
 j−1 1
 1 1
2 
= Im eikπ N eikπ N e−ikπ 2N − eikπ 2N
 j kπ 
= Im − eikπ N 4 sin2 ( )
2N
kπ j
= −4 sin2 ( ) sin(kπ ).
2N N

6
 Ainsi
 
sin(kπ N1 )
 sin(kπ N2 )
 kπ 
..

AVk = − h2 − 4 sin2 ( )  .
 
2N  .
N −2

sin(kπ N )
sin(kπ NN−1 )

i |λi (A)|
4.2 On calcule cond2 (A) par cond2 (A) = max
mini |λi (A)|
. Les valeurs propres de A sont les λk =
2 2 kπ kπ
−h −4 sin ( 2N ), qui est maximal, en valeur absolue, lorsque sin( 2N ) est maximal, c’est-
(N −1)π
h2 +4 sin2 ( 2N )
à-dire pour k = N − 1, et minimal lorsque k = 1. D’où cond2 (A) = π
h2 +4 sin2 ( 2N )
=
1 (N −1)π
+4 sin2 ( 2N ) −1)π π2
N2
1 2 π
+4 sin ( 2N )
. On remarque alors que, puisque sin2 ( (N2N ) ∼ 1 et sin2 ( 2N
π
)∼ 4N 2
N2
lorsque N tend vers l’infini, cond2 (A) ∼N →∞ N 2 π24+1 .
4.3 La question 2 montre que la méthode directe nécessite de l’ordre de N calculs pour
obtenir la solution exacte, tandis que la question précédente montre que le condition-
nement se dégrade en N 2 (et donc le nombre d’itérations, qui coûtent chacune aussi
N , augmente). La méthode directe est donc à privilégier par rapport à une méthode
itérative dans cet exemple.

Corrigé 4 [Application décomposition LU] On pose

   
1 0 0 0 U11 U12 U13 U14
l21 1 0 0  0 U22 U23 U24 
L= l31 l32 1 0 U =  0
  
0 U33 U34 
l41 l42 l43 1 0 0 0 U44

En développant le produit matriciel LU on obtient

 
U11 U12 U13 U14
U11 l21 U12 l21 + U22 U13 l21 + U23 l21 U14 + U24 
LU = l31 U11 l31 U12 + l32 U22 l31 U13 + l32 U23 + U33

l31 U14 + l32 U24 + U34 
l41 U11 l41 U12 + l42 U22 l41 U13 + l42 U24 + l43 U34 l41 U14 + l42 U24 + l43 U34 + U44

étape 1 : U11 = 2 U12 = −1 U13 = 4 U14 = 0.

étape 2 : l21 = a411 = 2, l31 = a−2
11
= −1, l41 = 0.
étape 3 : U22 = 1, U23 = −3, U24 = 1.
étape 4 : l32 = 1, l42 = 3.
étape 5 : U33 = 5, U34 = 2.
étape 6 : l43 = 0.
étape 7 : U44 = 1.
Ainsi, on trouve    
1 0 0 0 2 −1 4 0
 U = 0 1 −3 1
 2 1 0 0  
L= −1 1 1 0 0 0 5 2
0 3 0 1 0 0 0 1

7
Soit        
1 0 0 0
0 1 0 0
e1 = 
0 e2 = 0 e3 = 1 e4 = 0
      

0 0 0 1
Résolvons l’équation Ax1 = e1 . Grâce à la décomposition LU on résout l’équation LU x1 =
e1 . Posons y1 = U x1 .
étape de descente : La résolution de l’équation Ly1 = e1 fournit
 
1
−2
y1 = 
3


étape de remontée : Résolvons l’équation U x1 = y1 On trouve

13
 
−
 5
 67 
− 
x=  59 

− 
 
5
6

La résolution des équations Ax2 = e2 , Ax3 = e3 , Ax4 = e4 fournit

   3     1    3
0 2
0 − 10
0 − 10
1 7 0  3  0 − 11 
y2 =   5   5
−1 x2 =  1  y3 = 1 x3 =  1  y4 = 0 x3 =  − 2  .
      
5 5
−3 −3 0 0 1 1