2018

LICENCE 3

Analyse numérique matricielle

Exercices
Chapitre 1

Rappels et compléments sur les

matrices.

Exercice 1.1 1) Montrer que la multiplication des matrices est une opéra-
tion interne sur les sous-ensembles de matrices suivants :
— Matrices triangulaires supérieures (resp. inf.)
— Matrices unitaires
— Matrices de permutation.
2) Même question pour l’inversion des matrices sur les sous-ensembles
suivants :
— Matrices hermitiennes définies positives
— Matrices unitaires.
— Matrices triangulaires non singulières
3) Montrer qu’une matrice triangulaire orthogonale est diagonale.
4) Soit une matrice A ∈ Mn (C).
— Montrer que A est hermitienne alors ses valeurs propres sont réelles
— si A est unitaire, alors le module des valeurs propres est égal à un
(|λ| = 1)
5) a) Montrer que si λ est valeur propre de A, alors λk est valeur propre
de Ak , k ∈ N∗ .
b) Montrer que si A est inversible et λ est valeur propre de A, alors λ1 est
valeur propre de A−1 .
6) On suppose que p est le polynôme caractéristique de A ∈ Mn (C) et que
p(0) n’est pas nul. Montrer que A admet un inverse A−1 et que le polynôme
caractéristique R de A−1 est défini par :
λn 1
R(λ) = (−1)n p( ).
p(0) λ

1
Exercice 1.2 Soient A et B ∈ Mn (C), on suppose que A et B sont hermi-
tiennes. Montrer que les propriétés suivantes sont équivalentes :
1) La matrice A × B est hermitienne
2) A × B = B × A
3) Il existe une matrice unitaire U telle que les matrices U −1 AU et
U −1 BU sont diagonales.

Exercice 1.3 1) Soient a et b deux scalaires et A une matrice carrée. Mon-

trer que, si λ est valeur propre de A, alors aλ+b est valeur propre de aA+bI.
2) Soit A une matrice tridiagonale d’ordre n telle que la diagonale est
nulle et ai,i+1 = ai+1,i = 1, pour i = 1, . . . , n − 1. Pour tout j = 1, . . . , n, on
(j) (j)
considère le vecteur x(j) = (x1 , · · · , xn )t tel que
 
(j) ijπ
xi = sin , pour i = 1, . . . , n
(n + 1)

Montrer que
 
(j) jπ
Ax = 2 cos x(j) pour j = 1, . . . , n
(n + 1)

En déduire les valeurs propres de A.

3) Déterminer les valeurs propres de la matrice tridiagonale B définie
par :
bi,i = d; bi,i+1 = bi+1,i = e pour i = 1, . . . , n − 1

Exercice 1.4 Soit la matrice définie par :

 
4 −1 −1 −1
 −1 4 −1 −1 
A=  −1 −1

4 −1 
−1 −1 −1 4

1) Déterminer le polynôme caractéristique de A, ainsi que ses valeurs

propres.
2) Pour toute valeur propre λ de A, déterminer le sous-espace Eλ associé.
3) La matrice est-elle diagonalisable ? Trouver une matrice triangulaire
T semblable à A.

2
Exercice 1.5 1) Déterminer les valeurs propres de la matrice
 
8 −1 −5
A =  −1 3 1 
4 −1 −1

2) Déterminer une matrice de Jordan J semblable à A.

4) Calculer J n , n ∈ N∗ , et indiquer, sans faire les calculs, comment on
pourrait obtenir An .

Exercice 1.6 Soit A = (aij ) une matrice carrée d’ordre n.

On dit que A est stochastique si A vérifie les conditions suivantes :
n
X
∀i, ∀j, aij ≥ 0, ∀i, aij = 1
j=1

1) Vérifier que le vecteur V de coordonnées toutes égales à 1 est un vecteur

propre.
2) Montrer que les valeurs propres de A sont telles que |λ| ≤ 1.
3) Montrer que si λ est valeur propre de module 1 et x1 , x2 , · · · , xn les
coordonnées d’un vecteur propre x associé et xk la coordonnées de plus grand
module, qu’il existe k1 tel que xk1 = λ xk .
En déduire que λ est une racine nième de l’unité.

Exercice 1.7 On dit qu’une matrice A = (aij ) ∈ Mn (C) est à strictement

diagonale dominante si :
n
X
|aii | > |aij |
j=1
j6=i

a) Montrer qu’une telle matrice est inversible et que

n n
!
Y X
| det A| ≥ |aii | − |aij |
i=1 j6=i

b) On suppose toujours que A est à diagonale strictement dominante mais

en plus que A est à coefficients réels, symétrique et que aii > 0, ∀i = 1, · · · , n.
Montrer que A est définie positive.

3
Exercice 1.8 On se place dans Rn .
1) Soit T une matrice inversible, k.k une norme vectorielle et la norme
matricielle qui lui est subordonnée. Montrer que la fonction N (x) = kT xk
est une norme vectorielle de x.
2) Quelle norme matricielle est subordonnée à N (x)?
3) Soit G une matrice réelle symétrique, définie positive. Montrer que
< x, y >= xt Gy défini un produit scalaire des vecteurs x et y.

Exercice 1.9 Les normes vectorielles et les normes matricielles subordon-

nées sont notées de la même façon.
Vérifier les relations suivantes :
1) |kxk − kyk| ≤ kx − yk, ∀x, y ∈ Cn .
kAxk
2) kAk = sup = sup kAxk = sup kAxk
x∈Cn ,x6=0 kxk kxk≤1 kxk=1
3) Montrer que si λ est valeur propre d’une matrice inversible A, on a
1
≤ |λ| ≤ kAk
kA−1 k
1 kAxk 1
4) Montrer que si A est inversible, on a kA−1 k
= inf kxk6=0 kxk
et kA−1 k
≤
kAxk
kxk
≤ kAk
5) Montrer que A est inversible si et seulement si
kAxk
∃α > 0, tel que ∀x 6= 0, ≥α
kxk

Exercice 1.10 On note K(n,n) l’ensemble des matrices carrées n × n à co-

efficients dans K = (R ou C). pour A ∈ K(n,n) , on définit les normes matri-
cielles, subordonnées à des normes vectorielles, comme étant
kAk
kAk = sup .
x6=0 kxk
On rappelle que les 3 normes vectorielles usuelles sont
v
u n n
uX X
kxk∞ = max |xi |, kxk2 = t 2
|xi | , kxk1 = |xi |.
1≤i≤n
i=1 i=1

Par ailleurs, le rayon spectral ρ(A) d’une matrice A ∈ K(n,n) est par
définition
ρ(A) = max{|λi |; λi valeurs propres de A, i = 1, . . . , n}.

4
 1) Montrer que
n
X
kAk1 = max |aij |.
1≤j≤n
i=1
2) Montrer que
n
X
kAk∞ = max |aij |.
1≤i≤n
j=1

3) Montrer que p
kAk2 = ρ(AA∗ ),
avec A∗ l’adjoint de A, i.e. A∗ = ĀT .
Exercice 1.11 Soient A ∈ M(n, n) et σ(A) son spectre (ensemble des va-
leurs propres de A). Notons ρ(A) = sup |λ| le rayon spectral de A et ϕ une
λ∈σ(A)
norme vectorielle définie sur Cn . On définit le nombre
ϕ(Ax)
Sϕϕ (A) = sup , notée kAk.
x6=0 ϕ(x)

(On admettra que la borne supérieure de ϕ(Ax)

ϕ(x)
est bien finie).
1) Montrer que Sϕϕ définit une norme vectorielle sur M(n, n) et ∀A, B ∈
M(n, n),
Sϕϕ (A B) ≤ Sϕϕ (A)Sϕϕ (B).
2) Montrer que ρ(A) ≤ kAk.
1
3) Montrer que ρ(A) = lim kAn k n .
n→+∞
4) Montrer que quel que soit λ ∈ σ(A)
ϕ(Ax) ϕ(Ax)
inf ≤ |λ| ≤ sup .
x6=0 ϕ(x) x6=0 ϕ(x)

Soit A une matrice symétrique. Montrer que

ρ(A) = Sϕ2 ϕ2 (A)
où ϕ2 désigne la norme euclidienne.
5) Montrer que
n
[
σ(A) ⊂ Di (domaine de Gershgorin)
i=1

où les Di sont les domaines du plan complexe définis par

( n
)
X
Di = z/|z − aii | ≤ |aij | .
j=1,j6=i

5
Exercice 1.12 1) Soit A une matrice inversible et B une matrice singulière
quelconque. Montrer que
1
≤ A−1
kA − Bk

2) Si A est une matrice inversible et B une matrice telle que

1
> A−1
kA − Bk

Montrer que B est inversible.

3) Soit C une matrice carrée, et une norme matricielle k.k telle que kIk =
1.
3.1) On suppose que kI − Ck ≤ 1. Montrer que C est inversible.
3.2) On suppose que kCk < 1 . Montrer que I − C est inversible.
4) Si A est à diagonale dominante i.e.,
X
|aij | < |aii | , i = 1, . . . , n
j=1
j 6= i

4.1) Montrer que aii 6= 0, pour i = 1, . . . , n

4.2) Posons A = D × B, avec D =diag(aii ). Montrer que B s’écrit sous
la forme B = I − C avec kCk∞ < 1. En déduire que B est inversible, ainsi
que A.

Exercice 1.13 Soit A une matrice carrée, on note ρ(A) le rayon spectral de
A.
1) On suppose que A est définie positive. Montrer que

x∗ Ax 1 x∗ Ax
ρ(A) = max∗ et = min
x∈K x∗ x ρ(A−1 ) x∈K∗ x∗ x

où K = R ou C.
2) Si A est inversible. Montrer que
1
t −1
≤ |λi |2 ≤ ρ(At A)
ρ((A A) )

où λi est une valeur propre quelconque de A.

3) Montrer que ρ(A) ≤ kAk, pour cette norme matricielle.

6
Exercice 1.14 Soit A une matrice carrée d’ordre n dont toutes les valeurs
propres sont λi , i = 1, . . . , n.
1) Montrer que si limp−→+∞ Ap = 0, alors |λi | < 1, i = 1, . . . , n
2) Montrer que si limp−→+∞ Ap = 0, alors
p−1
X
lim Ak = (I − A)−1
p−→+∞
k=0

3) Montrer que si kAk < 1, alors la suite (Bk )k≥1 où

Bk = I + A + A2 + ... + Ak

est convergente et que limk−→+∞ Bk = (I − A)−1 .

4) On pose

A A2 Ak
Ck = I + + + ... + , k≥1
1! 2! k!
4.1) Montrer que la suite (Ck ) est convergente. On notera eA sa limite.
4.2) Montrer que eA est toujours inversible. (Indication : on montrera
que det eA = etr(A) ).

7
Chapitre 2

Résolution de systèmes linéaires :

méthodes directes

Exercice 2.1 On considère la système linéaire Ax = b, avec Aune matrice

carrée inversible qu’on suppose connue avec exactitude.
Le vecteur b est connu avec une certaine incertitude et on note δb et δx
l’erreur sur les vecteurs b et x.
Montrer que
kδxk kδbk
≤ K(A)
kxk kbk
où K(A) désigne le conditionnement de A.

Exercice 2.2 On considère A une matrice carrée inversible, et K(A) le

conditionnement de cette matrice.
1) Montrer que |λ n|
|λ1 |
≤ K(A)
où λn (resp. λ1 ) est la plus grande (resp. petite) valeur propre de A en
module.
2) Montrer que si A est normale alors K2 (A) = |λ n|
|λ1 |
où K2 (A) est le conditionnement de A associé à la norme euclidenne.
3) Calculer les conditionnements associés aux normes 1, 2 et ∞ de la
matrice de rotation dans R3 puis les comparer.

Exercice 2.3 Soit A ∈ M2 (R) inversible et µ21 et µ22 respectivement la plus

petite et la plus grande valeur propre de At A.
1) Mise en évidence de l’importance du produit kA−1 k2 kAk2 à travers
1
A(x + δx) = (b + δb) et (A + δA)(x + δx) = b où kδAk2 < kA−1 k2
2) Si cond2 (A) = kA−1 k2 kAk2 , montrer que cond2 A = | µµ12 |

8
 3) Montrer que µ21 et µ22 sont deux solutions du trinôme

α2 − tr(At A)α + |det(A)|2 = 0

4) En déduire que
P2
2 1/2 i,j=1 |aij |2
cond2 (A) = σ + (σ − 1) avec σ =
2| det A|

5) Application
 numérique

100 99
Soit A =
99 98
5.1) Calculer det A et σ.
5.2) En déduire la valeur de cond2 (A)
5.3) Comme application, résoudre le système Ax = b et A(x + δx) =
b + δb avec    
199 −0, 0097
b= et δb =
197 0, 0106

Exercice 2.4 Soit A ∈ M4 (R) telle que

 
2 1 −4 1
 −4 3 5 −2 
A=  1 −1

1 −1 
1 3 −3 2

1) En appliquant la méthode de Gauss avec stratégie de pivot partiel,

déterminer une matrice triangulaire inférieure L vérifiant Lii = 1, 1 ≤ i ≤ 4
et une matrice triangulaire supérieure U telle que P A = LU où P est une
matrice de permutation à préciser.
2) Calculer le déterminant de A.
3) Déduire de 1) la solution du système linéaire Ax = b avec b = (1, 2, 1, 4)t .

Exercice 2.5 Soit A ∈ M(n, n) et x ∈ Rn . On suppose que n est grand, et

on considère le système
Ax = b (2.1)
1) On partitionne A en quatre matrices, où A1 ∈ M(p, p), p < n.
 
A1 A2
A=
A3 A4

9
 Montrer que la résolution de (2.1) revient à l’inversion d’une matrice
suivie de la résolution d’un système linéaire d’ordre n − p.
2) Lorsque A est partitionnée comme en 1) indiquer une méthode permet-
tant de calculer A−1 .
3) Application numérique : résoudre le système Ax = b avec
   
1 0 0 2 −1 1
 0 1 0 −1 3   0 
   
A=  0 0 1 3 −2 
 b =  0 
 
 1 0 0 −1 2   0 
1 2 1 4 1 0

Exercice 2.6 Soit a etp v des vecteurs colonnes, tels que a 6= 0 et v unitaire.
On pose α = kak , γ = 2α(α − v t a) où v t a est le produit scalaire < a, v >
(v t = transposée de v) et u = φ(a, v) = γ1 (a − αv).
1) Montrer que u est unitaire et que (I − 2uut )a = αv.
2) Soient v1 et v2 deux vecteurs colonnes, et σ une constante. Montrer
que
det(I − σv1 v2t ) = 1 − σv1t v2
en déduire que det(I − 2uut ) = −1.
3) Soit A une matrice quelconque et soit a = A1 le premier vecteur colonne
de A et v = e1 la première colonne de la matrice identité I. On pose

u1 = φ(a, v) et U1 = I − 2u1 ut1

Montrer que la première colonne de U1 A1 est égale à αe1 .

4) Montrer qu’on peut continuer cet algorithme et définir U1 , ..., Un−1
telles que
Un−1 Un−2 × · · · × U1 A = V
où V est une matrice triangulaire supérieure.
5) En déduire une méthode pour résoudre les systèmes linéaires, pour
inverser une matrice, pour calculer un déterminant.

Exercice 2.7 Soient u et v deux vecteurs colonnes et A une matrice carrée

inversible.
1) Vérifier que

(A−1 u)(v t A−1 )

(A + uv t )−1 = A−1 −
1 + v t A−1 u

10
 2) Soit B = D + m t
P
i=1 ui vi où D est
Pk
une matrice regulière, ui et vi des
vecteurs colonnes. On pose Ck = (D + i=1 ui vit )−1
Montrer que
t
(Ck uk+1 )(vk+1 Ck )
Ck+1 = Ck − t
1 + vk+1 Ck uk+1
3) En déduire un algorithme de calcul de B −1 .
4) Soit M une matrice n × n telle que M11 6= 1.
On pose A = M − I et on définit une suite de matrices A(k) , k = 1, .., n
par A(1) = A
(k) (k)
(k+1) (k) aik akj
aij = aij − (k)
k = 1, ..., n
akk
(k)
a) Montrer que ∀k, aij = 0 si i < k ou j < k
b) En déduire que A(n+1) = 0.
Montrer que M peut s’écrire sous la forme M = D + ni=1 ui vit
P
5)
6) En déduire une méthode pour inverser M .

Exercice 2.8 Soit E la matrice carrée d’ordre n dont les seuls coefficients
non nuls sont ei,i−1 et ei,i+1 pour 1 ≤ i ≤ n, qui valent 1 c.à.d.,
 
0 1 0 ··· 0
. . . . .. 
 1 0 . . . 


E=
 ... ... ... 
 0 0 

 . .. .. ..
 ..

. . . 1 
0 ··· 0 1 0

Soit A = I + βE avec 0 < |β| ≤ 12

1) Prouver que A admet une factorisation sous la forme A = LDLt où L
est triangulaire inférieure à diagonale unité et D diagonale.
2) Ecrire les formules permettant de calculer les di , où D =diag(di ).
3) Montrer par récurrence que
p
1 + 1 − 4β 2
< di < di−1 < 1
2
4) Indiquer une méthode possible, de résolution du système linéaire Ax =
b, utilisant la factorisation ci-dessus.

11
Exercice 2.9 Résoudre par la méthode de Cholesky le système Ax = b où
   
1 2 3 4 0
 2 5 1 10   1 
  
A=  3 et b =
1 35 5   0 
4 10 5 45 0

Exercice 2.10 On considère le système linéaire Ax = b où

 
ε 1 2
A= 1 3 1 
2 1 3

1) Déterminer pour quelles valeurs du paramètre réel ε, la matrice A est

symétrique définie positive.
2) Soit maintenant ε = 0. On veut résoudre le système Ax = b par
une méthode directe ; quelle factorisation de la matrice A envisagerez-vous ?
Justifiez votre réponse.
3) En considérant ε = 2, vérifier que dans ce cas la matrice A est définie
positive et en calculer la factorisation de Cholesky A = HH T .
4) En supposant que b = (1, 1, 1)T , résoudre le système linéaire Ax = b
en utilisant la factorisation de Cholesky calculée au point 3).

12
Chapitre 3

Résolution de systèmes linéaires :

méthodes itératives

Exercice 3.1 Soit A une matrice d’ordre n > 1 à éléments dans C définie
par : aij = 1 si i 6= j et aii = 0.
1) Prouver que A est inversible et déterminer A−1 .
2) On veut résoudre le système linéaire (mI + A)x = b, m étant un
paramètre réel, par la méthode de Jacobi.
Donner une condition suffisante à laquelle doit satisfaire m afin que cette
itération converge quelque soit x0 .

Exercice 3.2 Soit A une matrice carrée d’ordre n à éléments dans C, définie
par
aij = n + j − i + 1 si j < i
aij = 1 + j − i si j ≥ i
k
1) Si l’on pose qk = e2iπ n , (k = 0, ..., n − 1).Vérifier que les vecteurs
propres de A sont :

Vk = (1, qk , ..., qkn−1 ), k = 0, ..., n − 1

Donner la valeur propre λk associé à Vk

2) On veut résoudre le système (mI + A)x = b, m étant un paramètre
réel. Discuter par rapport à m la convergence de la méthode de Jacobi.

13
  
1 a a
Exercice 3.3 Soit a ∈ R et A =  a 1 a 
a a 1
1) Pour quelles valeurs de a, A est-elle définie positive ?
2) Pour quelles valeurs de a, la méthode de Gauss-Seidel est-elle conver-
gente ?
3) Ecrire la matrice J de l’itération de Jacobi.
4) Pour quelles valeurs de a, la méthode de Jacobi converge-t-elle ?
5) Ecrire la matrice L1 de l’itération de Gauss-seidel. Calculer ρ(L1 ).
6) Pour quelles valeurs de a, la méthode de Gauss-Seidel converge-t-elle
plus vite que celle de Jacobi ?

Exercice 3.4 Soit A une matrice carrée d’ordre n à éléments dans C à dia-
gonale strictement dominante. Montrer que que les méthodes de Jacobi et
Gauss-seidel appliquées à la résolution de l’équation

Ax = b, x et b ∈ Cn

convergent quelque soit la valeur de x0 .

Exercice 3.5 On considère la matrice carrée d’ordre 3 suivante :

 
4 −1 0
 −1 4 −1 
0 −1 4
1) Etudier la convergence des méthodes de Jacobi et de Gauss-Seidel pour
cette matrice.
2) Vérifier que ρ(BGS ) = ρ2 (BJ ), où BGS et BJ sont respectivement les
matrices d’itération associées à la méthode de Gauss-Seidel et de Jacobi.
Quelle est la méthode avec la vitesse de convergence la plus rapide ?

14