Licence 3 Math´ematiques - ULCO, La Mi-Voix, 2011/2012
Analyse Num´erique
Fiche 7- Calculs matriciels.
Exercice 1 Matrices triangulaires ´el´ementaires
Soitn∈Net on d´efinit les matrices suivantes dansRn×n :
• Eij matrice avec un 1 dans la position (i, j) et 0 partout ailleurs ;
• Vij(λ) =I+λEij ,λ∈R, i > j;
• L(li) =I+lieTi,li∈Rn tel que ses premi`eresicomposantes sont nulles.
1. Quels sont les r´esultats des op´erations suivantes sur la matriceA: B=Vij(λ)A, C=AVij(λ)?
2. Quelle est la forme de la matrice
Vij(λ)Vkj(λ′), k > i?
3. Repr´esenterL(li) et montrer queL(li)−1=L(−li).
4. D´ecomposerL(li) comme produit de matrices de la formeVkm(λ).
5. CalculerL=
n∏−1 i=1
L(li) et son inverseL−1
6. On suppose leslistock´es dans un tableau bidimensionnelZ etb∈Rn stock´e dans un tableau unidimensionnel B. Donner un algorithme permettant de calculer dans B la solution deLx=b :
(a) en utilisant l’expression deL−1; (b) en r´esolvant le syst`eme triangulaire.
Quelle est la conclusion ?
Exercice 2 Quelques identit´es pour le calcul d’inverses D´emontrer l’identit´e
(A+U BV)−1=A−1−A−1U(I+BV A−1U)−1BV A−1 en pr´ecisant :
– son domaine de validit´e ;
– les types des matricesA, U, B, V. Quelques cas particuliers :
1. SupposonsB =β scalaire,U =u∈Rn, V =vT, v ∈Rn. Retrouver la formule de Shermann–Morrison qui permet le calcul de l’inverse d’une matrice qui apparaˆıt comme perturbation de rang 1 d’une matrice dont on connait l’inverse.
2. Soient A∈Rn×n r´eguli`ere etu, v∈Rn tels que 1 +vTA−1u= 0. Montrer que B =
( A+uvT u vT 0
)
est r´eguli`ere.
CalculerB−1en remarquant que B=
[ A 0 0 −1
] +
[ u 1
] [ vT 1 ]
3. Soit
D=
[ P Q R S
]
matrice inversible avecP ∈Rp×p, Q∈Rp×q, R∈Rq×p, S∈Rq×q CalculerD−1 en remarquant que
D=
[ P 0 R I
] +
[ Q S−I
] [ 0 I ]
4. Calcul r´ecursif de l’inverse: on pose An=
[ An−1 v uT s
]
avecAn−1∈R(n−1)×(n−1)u, v∈Rn−1, s∈R
Utiliser la formule pr´ec´edente pour calculerA−n1en fonction deA−n−11. En d´eduire un algorithme r´ecursif pour le calcul de l’inverse d’une matrice carr´ee de taillen.
Exercice 3 Quelques propri´et´es des normes matricielles
1. Soit A une matrice d’ordre (m, n). D´emontrer les in´egalit´es suivantes pour les normes p, p= 1,2,∞ et la norme de Frobenius :
(a) ∥A∥2≤ ∥A∥F ≤√ n∥A∥2
(b) max|aij| ≤ ∥A∥2≤√
mnmax|aij| (c) 1
√n∥A∥∞≤ ∥A∥2≤√
m∥A∥∞ (d) 1
√m∥A∥1≤ ∥A∥2≤√ n∥A∥1
2. Soient u∈Rm, v∈Rn etE=uvT. Montrer que
∥E∥F =∥E∥2=∥u∥2∥v∥2
∥E∥∞=∥u∥∞∥v∥1
Exercice 4 Montrer que siρ(A)<1 alors
• I−Aest r´eguli`ere ;
• (I−A)−1= lim
k→∞Ck avecCk =I+A+· · ·+Ak.
Exercice 5 Estimation de l’erreur dans le calcul de l’inverse
SoitAune matrice carr´ee d’ordreninversible etBune approximation deA−1 On poseX =I−ABet on suppose que∥X∥<1. Montrer que
∥A−1−B∥ ≤ ∥BX∥ 1− ∥X∥.
Exercice 6 Projection orthogonale sur un sous-espace vectoriel de Rn Soient
• H =span{v1,· · ·, vr}le sous–espace vectoriel deRn engendr´e par les vecteurs{vi} suppos´es ind´ependants ;
• V =[
v1 v2 · · · vr ]
la matrice de typen×rdont les colonnes sont les composantes desvi dans la base canoniqueϵ= (e1,· · ·, en).
Pour tout x ∈ Rn on d´esigne par y sa projection orthogonale sur H et par X et Y les matrices colonnnes des composantes dexety dans la baseϵ. On pose
y=
∑r i=1
αivi.
1. Montrer que la matriceG=G(v1,· · ·, vr) =VTV est inversible.
2. Montrer que lesαiv´erifient le syst`eme G
α1
... αr
=VTX
3. En d´eduire queY =V G−1VTX =P XavecP =V G−1VT (Pest donc la matrice de la projection orthogonale deRn surH).
4. Application : on consid`eren= 3, v1 =e1, v2 =e1+e2+e3. D´eterminer la projection orthogonale sur H = span{v1, v2} dex= 2e1−e2+e3.
5. Quelle est la matrice de la projection orthogonale surH=span{v}? 6. Montrer que, pourx∈Rn
d2(x, H) = detG(x, v1,· · ·, vr) detG(v1,· · · , vr)
Exercice 7 SoitA∈Rm×n de rangr≤p= min(m, n). On consid`ere la d´ecomposition en valeurs singuli`eres de A
UTAV = diag(σ1,· · ·, σp) o`u lesσi sont les valeurs singuli`eres deA
1. Montrer que Im(A) = span{u1, u2,· · ·, ur} et Ker(A) = span{vr+1,· · · , vn}. 2. Montrer que Im(TA) = span{v1, u2,· · ·, vr} et Ker(AT) = span{ur+1,· · · , um}.
3. D´eterminer les matrices des projections orthogonales sur Im(A), Ker(A), Im(AT), Ker(AT) `a l’aide deU et V.
4. Application : calculer la d´ecomposition en valeurs singuli`eres de la matrice
A=
1 1
2 1
−1 1
et les matrices correspondant aux projections orthogonales de la question pr´ec´edente.
Exercice 8 Pseudo–inverse d’une matrice
D´efinition 1.1 SoitΣune matrice diagonale de type(m×n):
Σ =
µ1
. .. µr
0 . ..
0
⃝
On appelle pseudo–inverse de Σla matriceΣ† de type(n×m)d´efinie par
Σ† =
µ−11 0
. .. ⃝
0 µ−r1
D´efinition 1.2 SoitAune matrice de type(m×n)dont la d´ecomposition en valeurs singuli`eres estA=UΣV∗. On appelle pseudo-inverse de la matriceA la matriceA† de type(n×m)d´efinie par
A†=VΣ†U∗.
1. Quelle application repr´esente la restriction de Σ†Σ au sous-espace span{e1,· · ·, er}? 2. Montrer que siAest carr´ee r´eguli`ere alorsA†=A−1.
3. Montrer que
A† =
∑r i=1
1 µi
viu∗i.
4. Montrer que
• AA† est la matrice de la projection orthogonale sur Im(A) ;
• A†Aest la matrice de la projection orthogonale sur Im(A∗)
5. Montrer que la restriction `a Im(A∗) =Ker(A)⊥ deA∗Aest une matrice inversible et (A∗A)−1=
∑r i=1
µ−i2viv∗i.
Exercice 9 Montrer que, pourA∈Cn×m
1. ∥A∥2=σ1, la plus grande valeur singuli`ere deA 2. ∥A∥F =√
σ21+σ22+· · ·+σ2r o`u lesσi sont les valeurs singuli`eres deA.
3. Les valeurs singuli`eres non nulles deAsont les racines carr´es des valeurs propres non nulles deA∗Aet AA∗.
4. pour A∈Cm×m,|det(A)|=
∏m i=1
σi.
5. SiA=A∗ alors les valeurs singuli`eres deAsont les valeurs absolues des valeurs propres deA
Exercice 10 Montrer que
1. cond2(A) =µn(A)/µ1(A) avecµn(A) etµ1(A) respectivement la plus grande et la plus petite valeur singuli`ere deA;
2. siAest normale alors
cond2(A) = maxi|λi(A)| mini|λi(A)|; 3. siA∈Rn×n est inversible,Q∈Rn×n orthogonale alors
cond2(A) = cond2(AQ) = cond2(QA)
Exercice 11 SoitA=
( 1 0 0 10−6
)
1. Calculer cond2(A), cond1(A) et cond∞(A) ; 2. R´esoudre :
• Ax=bpour b= ( 1
10−6 )
• Ay=b+δbpour δb=
( 10−6 0
)
et Az=b+ ∆bpour ∆b= ( 0
10−6 )
3. Pour chacune des trois normes consid´er´ees, trouver une majoration th´eorique de
∥y−x∥
∥x∥ et ∥z−x∥
∥x∥ et comparer avec les valeurs exactes. Quelle conclusion ?
Exercice 12 Conditionnement du probl`eme de l’inversion d’une matrice SoitAune matrice inversible donn´ee.
1. Si (A+δA) est une matrice inversible, d´emontrer
∥(A+δA)−1−A−1∥
∥(A+δA)−1∥ ≤cond(A)∥δA∥
∥A∥ 2. D´emontrer que
∥(A+δA)−1−A−1∥
∥A−1∥ ≤cond(A)∥δA∥
∥A∥ (1 +O(∥A∥))
Exercice 13 Taille des ´el´ements dans l’´elimination de Gauss
Notons ˜Ak la matrice carr´ee d’ordre (n−k+ 1) form´ee des ´el´ements akij, k ≤i, j ≤n de la matrice Ak = (akij) obtenue come r´esultat de la (k−1)–`eme ´etape de l’´elimination de Gauss. On supposeA=A1 sym´etrique d´efinie positive.
1. Notant (., .) le produit scalaire euclidien etv′∈Rn−k le vecteur form´e par les (n−k) derni`eres composantes d’un vecteur v= (vi)ni=k∈Rn−k+1 quelconque, ´etablir l’identit´e
( ˜Akv, v) = ( ˜Ak+1v′, v′) + 1 akkk
akkkvk+
∑n i=k+1
akikvi
2
.
2. Montrer que chaque matrice ˜Ak est sym´etrique d´efinie positive.
3. ´Etablir les in´egalit´es suivantes :
0< ak+1ii ≤akii, k+ 1≤i≤n max
k+1≤i≤nak+1ii = max
k+1≤i,j≤n
ak+1ij ≤ max
k≤i,j≤n
akij= max
k≤i≤nakii
Exercice 14 Strat´egie de pivotage
1. Montrer que pour une matrice quelconqueA= (aij) de type (2×2) on a cond2(A) =σ+ (σ2−1)1/2 avecσ=
∑2
i,j=1|aij|2 2|det(A)|
2. Calculer les conditionnements condp(.) pour p= 1,2,∞des matrices exactes obtenues `a la premi`ere ´etape de la proc´edure d’´elimination de Gauss pour r´esoudre le syst`eme lin´eaire
{ 10−4u1+u2= 1 u1+u2= 2
selon que l’on commence, ou non, par ´echanger les deux ´equations. Conclusion ?
Exercice 15 Factorisation LU d’une matrice bande
Montrer que la factorisation LU pr´eserve la structure des matrices bande au sens suivant : aij = 0 pour|i−j| ≥p⇒
{ lij = 0 pouri−j≥p uij = 0 pourj−i≥p
Exercice 16 Factorisation d’une matrice sym´etrique
SoitAune matrice sym´etrique inversible admettant une factorisation LU. Montrer que l’on peut ´ecrireA sous la forme
A=BB˜T o`u
• B est une matrice triangulaire inf´erieure ;
• B˜ est une matrice o`u chaque colonne est soit ´egale `a la colonne correspondante deB, soit ´egale `a la colonne correspondante deB chang´ee de signe.
Application num´erique
A=
1 2 1 1
2 3 4 3
1 4 −4 0
1 3 0 0
.
Exercice 17 Quelques factorisations LU
1. SoitA=LU la d´ecomposition LU d’une matriceA∈Rn×n avec|lij| ≤1. SoientaTi et uTi les lignesideA et U respectivement. Montrer que
uTi =aTi −
i−1
∑
j=1
lijuTj et que
∥U∥∞≤2n−1∥A∥∞
2. SoitA∈Rn×n d´efinie par
aij =
1 sii=j ouj=n
−1 sii > j 0 sinon
Montrer queAa une d´ecomposition LU avec|lij| ≤1 etunn= 2n−1.
Exercice 18 On suppose A ∈ Rn×n inversible. Montrer que si P AΠ = LU est obtenue par la m´ethode de Gauss avec pivotage total, alors
∀i, j= 1,· · ·, n |lij| ≤1
∀i= 1,· · · , n,∀j=i,· · ·, n, |uij| ≤ |uii|
Exercice 19 Soit A ∈ Rn×n telle que AT soit `a diagonale strictement dominante. Montrer queA admet une d´ecomposition LU avecLT `a diagonale strictement dominante.
Exercice 20 Matrices de Householder
1. Soitv un vecteur r´eel v´erifiantvTv= 1. Montrer que la matrice de Householder H(v) =I−2vvT
repr´esente une sym´etrie par rapport au sous–espace vectoriel form´e par les vecteurs orthogonaux aux vecgteurs v. En d´eduire que det(H(v)) =−1.
2. D´emontrer que toute matrice orthogonale est le produit de au plusn matrices de Householder. En d´eduire une interpr´etation g´eom´etrique des matrices orthogonales.
Exercice 21 Algorithme de Gram–Schmidt et Gram–Schmidt modifi´e
Etant donn´´ esnvecteurs lin´eairement ind´ependants deRm,{a1,· · ·, an}, on veut calculer une base orthonormale pour span{a1,· · ·, an}.
On poseA= [a1, a2,· · · , an]∈Rm×n et on consid`ere la factorisation QR deA,
A=QR, Q= [q1,· · ·, qn], rTi , i= 1,· · ·, nles lignes deR 1. Montrer que
ImA= span{q1,· · · , qn}. 2. Montrer que
qk = 1 rkk
( ak−
k−1
∑
i=1
rikqi )
k= 1,· · ·, n
3. En d´eduire un algorithme pour le calcul r´ecursif desqi (algorithme de Gram–Schmidt).
4. Algorithme de Gram–Schmidt modifi´e
L’algorithme pr´ec´edent est instable num´eriquement dˆu `a la perte d’orthogonalit´e dans le calcul desqi. On va reformuler l’algorithme pour le rendre stable.
Pour k= 1,· · ·, n−1, on d´efinitA(k)∈Rm×(n−k+1)de la fa¸con suivante : [0, A(k)] =A−
k−1
∑
i=1
qirTi =
∑n i=k
qirTi
et on va d´ecrire l’´etape kde l’algorithme.
(a) Montrer que si on pose
A(k)= [z, B], z∈Rm, B∈Rm×(n−k) alors
rkk=∥z∥2, qk=z/rkk. (b) Comment peut–on calculer la lignek deR`a partir deA(k)? (c) CalculerA(k+1).
(d) `A partir des questions pr´ec´edentes, d´ecrire l’algorithme qui permet le calcul de la factorisationA=Q1R1, Q1∈Rm×northonormale,R1∈Rn×ntriangulaire sup´erieure (Gram–Schmidt modifi´e). Le calcul deQ1
doit se faire sur place.
(e) Quelle est la complexit´e de l’algorithme pr´ec´edent ?
Exercice 22 Rotation de Givens
Soientp, q: 1≤p < q≤n,c, s∈R:c2+s2= 1.
On consid`ere les matrices
G=Gp,q(c, s) =
1
. .. 1
c · · · −s . .. s · · · c
1 . ..
1
1. ´Ecrire Gcomme perturb´ee de Ipar des matrices de rang 1.
2. Montrer queGest inversible, calculerG−1, montrer queGest orthogonale.
3. Quelle est l’action deGsurA∈Rn×n?
4. SoitA∈Rn×n avecapj=α, aqj =β. Peut–on trouverGtelle queA′=GAv´erifie : a′pj = 0 =α′, a′qj= 0 =β′?
Est–ce que la solution est unique ?
Exercice 23 SoitZ =
( c s
−s c )
avecc2+s2= 1. On d´efinitρpar
ρ=
1 si c= 0
1/2sign(c)s si |s|<|c| 2sign(s)/c si |c| ≤ |s| 1. Comment reconstruire±Z `a partir deρ?
2. SoitQune matrice orthogonale produit denrotations de Givens :Q=J1· · ·Jn. Comment peut–on stocker de la fa¸con la plus ´economiqueQsous forme factoris´ee ?
3. Modifier l’algorithme de Givens pour r´eduireA`a la forme triangulaire sup´erieure (QA=R,Qmatrice produit de rotations de Givens) en stockant sur place ( donc dansA) toute l’information n´ecessaire `a reconstruireQ.
4. ´Ecrire l’algorithme qui, `a partir des r´esultats de l’algorithme pr´ec´edent permet de reconstruireQ.
Exercice 24 Soient x et y deux vecteurs unitaires. Donner un algorithme qui utilise les transformations de Givens pour calculer une matriceQtelle queQx=y.
Exercice 25 M´ethode de Givens Rapide
SoitA∈Rm×n. On veut construire une matriceM ∈Rm×m telle que
• M A=S triangulaire sup´erieure ;
• M MT =D=diag(d1,· · ·, dm) ,di>0
et appliquer cette factorisation deAdans la r´esolution de syst`emes au sens des moindres carr´es.
1. Donner la factorisationQRdeAen termes deM, D et S.
2. On consid`ere maintenantm= 2. Soientx= (x1, x2)T et D=diag(d1, d2) (di>0) donn´es.
(a) On d´efinit
M1=
( β1 1 1 α1
) . Supposonsx2̸= 0. Calculer M1xet M1DM1T.
Comment choisirα1etβ1 de fa¸con `a ce que la deuxi`eme composante deM1xsoit nulle et queM1DM1T soit diagonale ?
Pour le choix pr´ec´edent d´eterminer γ1 tel que M1x=
( x2(1 +γ1) 0
)
etM1DM1T =
( d2(1 +γ1) 0 0 d1(1 +γ1)
)
(b) Supposonsx1̸= 0. On d´efinit
M2=
( 1 α2
β2 1 )
.
Choisirα2 etβ2 de fa¸con `a ce que M2x=
( x1(1 +γ2) 0
)
etM2DM2T =
( d1(1 +γ2) 0 0 d2(1 +γ2)
)
et d´eterminerγ2
(c) Montrer que l’on peut toujours choisirMi(i= 1,2) de fa¸con `a ce que le “facteur de croissance” (1 +γi) soit inf´erieur `a 2.
3. Soit maintenantm∈Nquelconque. D´efinir les matricesM1(p, q) etM2(p, q) telles que ( mpp mpq
mqp mqq
)
=
( β1 1 1 α1
) ou =
( 1 α2
β2 1 )
• eTqMi(p, q)x= 0 ;
• MiDMiT matrice diagonale, avecD=diag(d1,· · · , dn), di >0 Ces matricesMi sont appel´eesmatrice de Givens rapide.
4. D´ecrire l’algorithme qui utilise les transformations de Givens rapides pour r´eduire A ∈ Rm×n `a la forme triangulaire sup´erieure (m´ethode de Givens rapide) :
M A=R, M MT = diag(d1,· · · , dm).
Les calculs doivent ˆetre faits sur place.
Quel est le coˆut de cet algorithme ? Comparer avec le coˆut de la m´ethode de Householder pour r´eduireA `a la forme triangulaire sup´erieure.
5. Application `a la r´esolution d’un syst`eme lin´eaire au sens des moindres carr´es.
(a) Comment profiter des r´esultats fournis par l’algorithme pr´ec´edent pour r´esoudre min
x∈Rn∥Ax−b∥2 avecA∈Rm×n (m > n), b∈Rm?
(b) Quelles modifications introduire dans l’algorithme de la m´ethode de Givens rapide pour qu’il r´esolve le probl`eme de moindres carr´es de la question pr´ec´edente ?
6. Application num´erique: r´esoudre au sens des moindres carr´es par la m´ethode de Givens rapide le syst`eme
Ax=b, A=
1 4 2 5 3 6
, b=
7 8 9
7. Consid´erons maintenant le probl`eme de moindres carr´es min
x∈Rn∥D(Ax−b)∥2 (1)
avec A ∈ Rm×n, b ∈ Rm , D =diag(di) (di > 0). Cela correspond `a donner un poids diff´erent `a chaque
´
equation du syst`eme.
SoitM une matrice produit de matrices de Givens rapide v´erifiant { M A=R triangulaire sup´erieure
M D−2MT = ˜D= diag( ˜di), d˜i>0 Comment peut–on r´esoudre le probl`eme (1) ?
Quelles adaptations faire `a l’algorithme pr´ec´edent ?