ASI 3
Méthodes numériques pour l’ingénieur
Calcul des valeurs propres
Illustration : un système mécanique à deux degrés de liberté
( )
+
−
=
+ +
−
=
)
2 (
2 1
2 2 2 2 2
2 2 1
2 2 1
1 2 1
t f u
k u
dt k u m d
u k u
k dt k
u
m d
( ) ( )
( )
2( )
2 21 1
1
L t
x t
u
L t
x t
u
−
=
−
=
( ) ( )
masse
seconde la
sur uniquement
agissant force
: ) (
ressort du
raideur de
constante :
ressort du
bout au
masse :
repos au
ressort du
position :
ressort du
position :
état d'
variable :
1 1 1 1 1
t f k m L
t x
t u
=
−
− +
=
= +
−
=
2 2 2 2
2
1 2 1
2 1
2 1 2
2
) ( 0
,
, ) (
) (
,
m t b f
m k m
k
m k m
k k
K t
u t u u
b u
dt K u
d
m1 m2 f(t)
k1 k2
x1(t)
x2(t)
Seconde loi de Newton
Écriture matricielle
Fréquences de résonance
,
pose on
0 ,
: 0 que telle
matrice une
on trouve si
,
2
2 2
1 1 2
2
b P dt Dv
v Pu d
v
D PKP
P b u
dt K u d
&
*
&
&
&
+
−
⇒ =
=
=
= +
−
=
− λ
λ
+
−
=
+
−
=
) (
) (
2 2
2 2 2 2
1 1
2 1 1 2
t g dt v
v d
t g dt v
v d
λ λ
Le comportement des deux ressorts est découplé - si l’on admet
que les deux valeurs propres sont positives, il existe deux pulsations propres caractérisant le système
Résonances
(T. Von Karman, the wind and beyond,1963)
• 1831, près de Manchester, des miltaires passent un pont au pas
• les avions qui vibrent et s’écrasent
• immeubles et tremblements de terre
• Ariane : moteur et structure
• pont de Tacoma
– 1,6 km, pointe de la technologie
– 7 novembre 1940 : vents de 67 km/h, il se désagrège
0 0.5 1 1.5 2 2.5 0
2 4 6 8 10
fré que nc e e xc ita tric e α Mmoduele d l'a
plit ud e d e l a r é po ns e
Amplitude de la réponse d ’un système oscillant
(
2 2)
2 2 22 2
2
1 1 avec
)
( : solution
α ε α
ω
εα α
ω ω
ε
α α
+
= −
+
== −
= +
+
k
k i
ke t
x
e x
x x
t i t
i
-2 -1 0 1 2 -1.5
-1 -0.5 0 0.5 1 1.5
-4 -2 0 2 4
-2 -1 0 1 2
-10 -5 0 5 10
-4 -2 0 2 4
-20 -10 0 10 20
-10 -5 0 5 10
Définition illustration
Définition : λi est une valeur propre de A, vi est un vecteur propre de A.
i i
i v
v
A = λ
x A x, et
( )
Ax A xA x
A
x, et = 2 x
A x
A x A
x, , 2 et 3
x A x
A x A x A
x, , 2 , 3 et 4 Direction
propre
=
2 1 1
2 1 3 A
λn
λ
λ1 ≥ 2 ≥ ...
0 2 4 6 8 10 12 -2
-1 0 1 2
pa rtie ré e lle mginaaeiir
Cercles de Gerschogrin
Théorème (cercle de Gerschogorin): Soit A une matrice carrée, soit R le cercle du plan complexe :
Alors toutes les valeurs propres de A sont dans un des cercles R
∈ − ≤
=
∑
≠
= n
i j j
ij ii
i z C z a a
R
, 1
−
=
9 0
2
1 2 0
1 1
4 A
Démonstration
( )
∑
∑
∑
∑
∑
≠
=
≠
=
≠
=
≠
=
=
≤
⇒ −
≠
=
≥
≤
⇒ −
≤
−
−
=
−
=
⇔
=
=
⇔
=
n i j j
ij ii
j i
n i j
j i
j ij ii
n i j j
j ij ii
i
i ii i
ii i
n i j j
j ij
i n
j
j ij
a a
n j
n j
x x
i
x a x
a x
a a
x
x a x
a x
x a
n i
x x
a x
Ax
, 1
, 1 ,
1 , 1
1
, : 1 pour
que
tel t
choisissan en
donc et
, 1
λ λ λ
λ λ
λ λ
Toute valeur propre appartient à un cercle, donc à l’intersection de tous les cercles
Supposons que l’on connaisse une valeur propre
(
A−= I)
v = 0 méthode LUv Av
λ λ
Idée : approximation successives sur la valeur propre Méthode de la séquence.
( )
[ ]
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
∃
∈
∀ ∈
v v
v v
v v
v v
x A
v v
v v
x A
v v
v v
x A
v A v
A v
A v
A x
A
v v
v v
x
R x
k k n k n
k k
k k
k n n k
k k k
n n
n n n
n n
n n n
i i n
1 3
1 3 3 2
1 2 2 1
1 1
3 3 3 2
2 2 1
1 1
2 3
2 3 3 2
2 2 2 1
2 1 1 2
3 3 3 2
2 2 1
1 1
3 3
2 2
1 1
3 3 2
2 1
1
, 1
...
...
... ...
...
...
...
que tels
,
λ α λ λ
α λ λ
α λ α
λ
λ α λ
α λ
α λ
α
λ α λ
α λ
α λ
α
λ α λ
α λ
α λ
α
α α
α α
α α
α α
α
intuition
la matrice A admet n vecteurs propres vi linéairement indépendants Hypothèse
intuition
la matrice A admet n vecteurs propres vi linéairement indépendants Hypothèse
( )
[ ]
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
+ +
+ +
=
∃
∈
∀ ∈
v v
v v
v v
v v
x A
v v
v v
x A
v v
v v
x A
v A v
A v
A v
A x
A
v v
v v
x
R x
k k n k n
k k
k k
k n n k
k k k
n n
n n n
n n
n n n
i i n
1 3
1 3 3 2
1 2 2 1
1 1
3 3 3 2
2 2 1
1 1
2 3
2 3 3 2
2 2 2 1
2 1 1 2
3 3 3 2
2 2 1
1 1
3 3
2 2
1 1
3 3 2
2 1
1
, 1
...
...
... ...
...
...
...
que tels
,
λ α λ λ
α λ λ
α λ α
λ
λ α λ
α λ
α λ
α
λ α λ
α λ
α λ
α
λ α λ
α λ
α λ
α
α α
α α
α α
α α
α
Puissance itérée
( ) ( )
( )
= oldold
new init
Ax x Ax
x :quelquonque
Théorème : Si A est une matrice carrée, non singulière (régulière)
( )
{ }
( )
( )( )
1) ( 1
1 )
( 3
2 init
) ( lim
lim
suivantes propriétés
les possède
dessus -
ci algorithme l'
par générée
suite la
Alors,
de propres vecteur
les ,...
, par
engendré vectoriel
espace sous
au pas appartient
n' si
v x
sign Ax
x
A v
v v x
k k k
k k
N k k n
∝
=
∞
→
∞
→
∈
λ λ
Comment calculer la plus petite valeur propre ?
Exemple de question à l’examen
Comment calculer la plus petite valeur propre ?
Exemple de question à l’examen
( ) ( )
( )
= −− oldold
new init
x A
x x A
x
1 1
e quelquonqu
: ( )
( )
=
=
u x u
x Au
x
new
old init
e quelquonqu :
Comment calculer la plus petite valeur propre ?
Exemple de question à l’examen
( ) ( )
( )
= −− oldold
new init
x A
x x A
x
1 1
e quelquonqu
: ( )
( )
=
=
u x u
x Au
x
new
old init
e quelquonqu :
Et si on remplace A par B=A-αI ou α est un réel ?
Calcul de toutes les valeurs propres : la méthode de déflation
T T
1 1 1 1
*
1 donc
et
e orthogonal base
une forment propres
vecteurs les
v v A
B v
v = = −λ
( )
ouver comment tr
de place la
à 0 et
que propres
s et vecteur valeurs
mêmes les
admet alors
ou
* 1
* 1 1 1
* 1 1 1
1
1
* 1
* 1 1 1
v
v v
v v v
A v
v v A
v B
A B
v v v
v A
B
i i i
i i
i
i i
λ λ
λ
λ
δ λ
= +
=
−
=
=
−
=
Cas simple : A est symétrique
?
Cas général : A est quelconque, la méthode de Duncan et Collard
Théorème (Shur) : Soit A une matrice carrée,
Alors il existe une matrice U non singulière telle que :
avec T une matrice triangulaire supérieure dont la diagonale est composée des valeurs propres de A.
Démonstration : voir Théodore et Lascaux
Propriétés des valeurs propres
Définition : deux matrices A et B sont similaires
s’il existe une matrice Q non singulière telle que : BQ
Q A = −1
Théorème : Si A et B sont des matrices similaires et λ est une valeur propre de A associée au vecteur propre x (non nul),
Alors λ est aussi une valeur propre de B avec le vecteur Qx Démonstration
, ,
v v
Qx Qx
B
x BQx
Q x
Ax λ λ λ
=
⇔ =
⇔
= −
1
AU U
T = −1
Théorème : Soit A une matrice carrée symétrique,
Alors il existe une matrice Q orthogonale telle que :
avec D une matrice diagonale composée des valeurs propres de A;
et Q composée des vecteurs propres de A qui sont orthogonaux.
Démonstration :
Matrices équivalentes
DQ Q
AQ Q
D = −1 = T
) ( )
( 1
: colonnes les
s
pour toute Aq i diiq i
QD AQ
AQ Q
D
=
=
⇔
= −
Principe de la méthode QR
• les valeurs propres d’une matrice triangulaire sont sur sa diagonale
• il existe un transformation orthogonale telle que T=Q’AQ
alors T et A sont équivalentes (elles ont les même valeurs propres) et T est une matrice triangulaire
Comment construire Q ?
La méthode QR
Il est si facile le résoudre un système « triangulaire » !
1b Q Rx
b Ax
QR
A == ⇔ = −
Q « facilement » inversible et R triangulaire
Définition : on appelle matrice de Householder du vecteur normé u une matrice H de la forme suivante
2uuT I
H = −
Propriété : une matrice de Householder est symétrique et orthogonale HTH=I
x Hx =
Les transformations orthogonales « conservent » la norme
QR et valeurs propres
=
=
=
= =
+1) ( ) ( ) (
) ( )
( ) ( ) 1 ( ) 1 ( )
2 (
) 1 ( )
1 ( ) 1 (
) 1 (
itération
k k
k
k k
k
Q R
A
A R
k Q Q R
A
A R
Q
A A
Théorème : si A est une matrice inversible,
de valeurs propres réelles différentes
la suite converge vers une matrice triangulaire supérieure dont la diagonale est constituée
des valeurs propres de A
Démonstration :toutes les matrices de la suite ont les mêmes vp
( )
A(k) k∈Ninitialisation
Une fois qu’on a les valeurs propres, les vecteurs propres se trouvent facilement.
( )
A(k) k∈NMéthode de Householder
( )
, ,matrice la
de propres valeurs
les recherche
on A∈L n n
1. On utilise l’algorithme de Householder pour construire
une matrice T tris diagonale ayant les mêmes valeur propres que A
2. On pose T(0) = T
On décompose T(0) = QR et on construit T(1) = RQ
et on itère : (Q,R) = decomposeQR(T(k)) T(k+1) = R*Q
Alors la suite diag(T(k)) converge vers les valeurs propres de A.
Matrices semblables
(qui ont les mêmes valeurs propres)
w k w
k k
k k
T k k
k k
T k
k k
k T
k
k k
k
k k
k
v Q
v Q
A
v v
Q A
Q v
v A
Q A
Q
Q R
Q Q
Q R
A
A R
Q
) ( )
( ) (
) ( ) ( )
( )
1 (
) ( )
( )
(
) ( ) ( ) ( )
(
) ( ) ( )
1 (
) ( )
( ) (
λ
λ λ
=
=
⇔
=
=
=
=
=
+ +
n i
d d
d
0 0
0 0
0
1 0
SVD : décomposition en valeurs singulières
Matlab : deux programmes équivalents : svd(A).^2 eig(A'*A)
A'A d
D
I V
V U
U
V U
DV U
A
ii racine carrée des valeurspropres de diagonale marice
avec
' '
es orthogonal marices
et avec
' = =
=
A