E.N.I.T.

Unité Pédagogique de Mathématiques Appliquées

Examen : Corrigé – Analyse Numérique Matricielle Session Principale 2022-2023
Classes : 1ère année Durée : 2h
Documents non autorisés

Notations : On munit IR3 de

p la norme euclidienne et M3 (IR) de la norme induite qu’on notera aussi
k.k2 . On rappelle que kAk2 = ρ(AT A) pour toute matrice réelle A.
On notera par AT la transposée d’une matrice quelconque A.

Exercice 1. Pour β et γ deux réels donnés, on considère le système linéaire (S) : Ax = b, pour b un
vecteur de R3 et A est la matrice de taille 3 suivante :
4 3γ β
 

A = 3 4 β ,
 
β β 5
 

Soit la décomposition de A = M − N, pour

   
4 3γ 0  0 0 −β
M = 3 4 0 et N = M − A =  0 0 −β .
   
0 0 5 −β −β 0
   

1. Déterminer une condition sur les paramètres β et γ pour que le système (S) admette une
solution unique.
A est inversible ssi det(A) , 0 ssi 4(20 − β2 ) − 3(15γ − β2 ) + β(3γβ − 4β) , 0 ssi 80 − 5β2 + 3γβ2 , 0.
2. Déterminer une condition sur le paramètre γ pour que M soit inversible.
M est inversible ssi det(M) = 5(16 − 9γ) , 0 ssi γ , 16
9 .
On suppose dans toute la suite que les deux matrices A et M sont inversibles.
Afin de résoudre numériquement le système (S), on considère la méthode itérative

•x(0) donné
• Pour k ≥ 0 on pose : (1)
x(k+1) = M−1 Nx(k) + M−1 b

3. Pour β = γ = 0, à quoi correspond la méthode (1). Vérifier dans ce cas qu’elle converge en
une seule itération.  
4 0 0
Soit x̄ = A−1 b la solution exacte de (S). Si β = γ = 0, alors A = M = 3 4 0 est triangulaire
 
0 0 5
 
inférieure. Ca correspond à la méthode de Gauss-Seidel et comme N dans ce cas est la matrice nulle,
x(1) = M−1 Nx(0) + M−1 b = A−1 b = x̄, pour tout choix de x(0) . La méthode (1) donne ainsi la solution
exacte en une seule itération.
4. On suppose dans cette partie que γ = −1 et β = 1/2.
(a) Les deux méthodes de Jacobi et de Gauss-Seidel sont-elles convergentes pour résoudre
(S) ? Justifier votre réponse.
 4 −3 12 
 

La matrice A =  3 4 12  est à diagonale dominante stricte puisque 4 > | − 3| + 12 , 4 > 3 + 12
 
1 1
5

2 2
et 5 > 12 + 12 . Ainsi les deux méthodes des Jacobi et de Gauss-Seidel sont donc convergentes.
 (b) Montrer que la matrice O = 15 M est une matrice orthogonale. Un produit matriciel simple
donne O.OT = OT O = I3 , donc O est orthogonale.
(c) En déduire que kM−1 k2 = 15 .
Comme O est orthogonale, donc O−1 = OT = ( 15 M)−1 = 5M−1 = 15 MT = OT . Par suite
M−1 = 15 OT . D’autre coté, comme O = 51 M est orthogonale,

1
q p
kOk2 = ρ(OT O) = ρ(I3 ) = 1 = kOT k2 = k MT k2 .
5

Il en résulte kM−1 k2 = 15 kOT k2 = 51 .

 0 0 12 
 

(d) Calculer kNk2 . N =  0 0 12  est une matrice symétrique, donc kNk2 = ρ(N). Le polynome
 
1 1
2 0

2
1
−λ 0 2
caactéristique de N est PN (λ) = 0 −λ 2 = −λ(λ2 − 14 ) + λ 14 = λ( 14 − λ2 ). Ainsi,
1
1 1
2 2 −λ
√ √
2 2
Sp(N) = {0, ± 2 } et kNk2 = ρ(N) = 2 .
√ √ √
2 1 2 2
(e) En déduire que kM−1 Nk2 ≤ 10 . On a kM−1 Nk2 ≤ kM−1 k2 kNk2 = 5 2 = 10 .
√
(f) Conclure. La matrice d’itération de la méthode (1) est B = M−1 N est telle que kBk2 ≤ 102 < 1.
Par conséquent ρ(B) ≤ kBk2 < 1, la méthode itérative (1) est donc convergente pour résoudre (S).
5. On suppose que γ = 1 et on notera la matrice A, qui dépend seulement de paramètre β, par
Aβ .
   
x1  −x1 
(a) Vérifier que pour tout vecteur de IR3 , x = x2 , et pour x̃ = −x2 , on a
   
x3 x3
   

(A−β x, x) = (Aβ x̃, x̃).

4 3 β
 

A = Aβ = 3 4 β est symétrique. De plus

 
β β 5
 

(A−β x, x) = 4x21 +4x22 +5x23 −6x1 x2 −2βx1 x3 −2βx2 x3 = 4x21 +4x22 +5x23 −6(−x1 )(−x2 )+2β(−x1 )x3 +2β(−x2 )x3 = (A
 
 4 3 −β
(b) Vérifier que MT + N = A−β . Un calcul simple donne MT + N =  3 4 −β = A−β .
 
−β −β 5
 

(c) En déduire que si Aβ est définie positive, alors la méthode (1) est convergente pour
résoudre le système (S).
   
x1  −x1 
x = x2  , 0RI 3 , alors x̃ = −x2  , 0RI 3 . Ainsi si Aβ est définie positive, alors
 
x3 x3
   
(A−β x, x) = (Aβ x̃, x̃) > 0. La matrice A−β est donc aussi définie positive. Dans ce cas, la matrice
symétrique définie positive Aβ est telle que Aβ = M − N avec M inversible et MT + N est défine
positive. Par conséquent ρ(M−1 N) < 1. La méthode itérative (1) est donc convergente pour
résoudre (S).
6. Pour la suite on prendra γ = 4
3 et β = 4.

2
  
4 4 4
(a) Montrer que A admet une factorisation LU. La matrice A = 3 4 4 vérifie
 
4 4 5
 

4 4
det(A(1) ) = det(4) , 0, det(A(2) ) = | | = 3 , 0 et det(A(3) ) = det(A) , 0.
3 4

A admet donc une factorisation LU.

(b) Calculer cette factorisation LU de A. On pose L = (`i j )1≤,i, j≤3 triangulaire inférieure vérifiant
`ii = 1,, i = 1, ..., 3 et U = (ui j )1≤i, j≤3 la matrice triangulaire supérieure vérifiant A = LU. Pour
calculer L et U on utilise l’égalité
min(i,j)
X
ai j = lik uk j (2)
k=1

-Première ligne de U

u1j = a1j , j = 1, ..., 3.

Soit donc
u11 = 4, u12 = 4, u13 = 4.
- Première colonne de L
ai1 = u11 `i1 , i = 2, 3. Comme u11 = 1, on déduit

`i1 = ai1 , i = 2, 3.

Soit donc
`21 = 3/4, `31 = 1.
-Deuxième ligne de U

u2j = a2j − `21 u1j , j = 2, 3.

Donc
u22 = 4 − 3 = 1, u23 = 4 − 3 = 1 et.
-Deuxième colonne de L

`32 = (a32 − `31 u12 )/u22 = 0.

-Troisième ligne de U

u33 = a33 − (`31 u13 + `32 u23 ) = 1.

Par suite :    
 1 0 0 4 4 4
L = 3/4 1 0 et U = 0 1 1
   
1 0 1 0 0 1
   
 
 12 
(c) Utiliser cette factorisation pour résoudre le système (S) pour b =  11 .
 
13
 
Le système Ax = b est équivalent à LUx = b.
En posant y = Ux, (S) est équivalent à Ly = b puis Lx = y.

3
  
 y1 
Si y =  y2 , alors le système Ly = b donne
 
y3
 

= 12 = 12
 

 y1 
 y1
+y = 11 qui est équivalent à =2
3
 
y y2

 4 1 2 
+y3 = 13 =1
 
 y1 y3
 


Le système Ux = y s’écrit

4x1 +4x2 4x3 = 12 =1

 

 
x1
+x3 = 2 qui est équivalent à =1
 
x2 x
 
  2
=1 x3 = 1
 
x3

 

 
1
Par conséquent x = 0 est la solution du système (S).
 
1
 

Exercice 2.
Soient O ∈ M3 (IR) une matrice orthogonale,
! a un vecteur colonne de IR3 et B la matrice à deux lignes
1 −1 0
et 3 colonnes suivante : B = ∈ M23 (IR).
0 2 1
On considère le problème de minimisation (P) : min J(x), pour J : R3 −→ R définie pour
x∈IR3
x = (x1 , x2 , x3 )T dans IR3 par :
1 1
J(x) = kBxk22 + kOx − ak22 .
2 2
1. Ecrire J sous la forme J(x) = 21 (Ax, x) − (b, x) + c où A = BT B + I et le vecteur b et la constante c
sont à déterminer. Pour tout x ∈ IR3 ,
1 1 1 1 1
J(x) = (Bx, Bx) + (Ox − a, Ox − a) = (BT Bx, x) + (Ox, Ox) − (a, Ox) + (a, a).
2 2 2 2 2
Or (Ox, Ox) = (OT Ox, x) = (I3 x, x) puisque O est orthogonale et (a, Ox) = (OT a, x). Ce qui donne
1 1 1
J(x) = ((BT B + I3 )x, x) − (OT a, x) + kak22 = (Ax, x) − (b, x) + c,
2 2 2
où A = BT B + I3 , b = OT a et c = 21 kak22 .
2. Vérifier que la fonction J est strictement convexe.
La fonction quadratique J est strictement convexe si et seulement si A est symétrique définie positive.
Or A = BT B + I3 est clairement symétrique et son spectre Sp(A) = Sp(BT B) + 1). La matrice BT B est
symétrique semi df́inie positive (car (BT Bx, x) = (Bx, Bx) = kBxk22 ≥ 0 ∀x), vérifiant donc
Sp(BT B) ⊂ IR+ . Par conséquent Sp(A) ⊂ IR∗+ . La matrice symétrique A est donc définie positive. D’où
la stricte convexité de J.
3. Montrer que x̄ est solution de (P) si et seulement si x̄ est solution de système (S) ; Ax = b.
Comme J est différentible et elle est convexe, donc x̄ solution de (P) si et seulement si
∇J(x̄) = Ax̄ − b = 0 si et seulement si Ax̄ = b. Comme A est définie positive, elle est donc inversible et
le système (S), Ax = b admet une et une seule solution. (P) admet donc une solution unique x̄.
4. Calculer la matrice A. 
 2 −1 0
A = BT B + I3 = −1 6 2.
 
0 2 5
 

4
5. La méthode de Gauss-Seidel est-elle convergente pour résoudre (S) ? Justifier votre réponse.
Comme A est symétrique définie positive, donc la méthode de Gauss-Seidel est convergente pour
résoudre (S).
6. Etudier la convergence de la méthode de Jacobi pour résoudre (S) ?
La matrice A est tridiagonale (a13 = a31 = 0), donc ρ(L) = [ρ(J)]2 et les deux méthodes de Jacobi et de
Gauss Seidel convergent ou divergent simultanément. Comme Gauss-Seidel converge, donc Jacobi
converge aussi.
7. En cas de convergence de deux méthodes de Jacobi et de Gauss-Seidel, qu’elle est la méthode
la plus rapide ?
De la relation ρ(L) = [ρ(J)]2 , on déduit que ρ(L) = [ρ(J)]2 < ρ(J) et que la méthode de Gauss-Seidel
est plus rapide.
8. Rappeler l’algorithme du gradient à pas fixe α. Cet algorithme converge est -t-il pour
α = ρ(A)
1
?
L’algorithme du gradient à pas fixe α est

•x(0) donné
• Pour k ≥ 0 on pose : (3)
x(k+1) = x(k) − α(Ax(k) − b)

Cet algorithme converge si et seulement si α ∈]0, ρ(A)

2
[. En particulier, α = 1
ρ(A) < 2
ρ(A) , donc
l’algorithme (3) converge.
Rédigé par Radhia Bessi