Beruflich Dokumente
Kultur Dokumente
PolytechParis-UPMC
- p. 1/36
Introduction
Introduction
Mthode de dation
Introduction
- p. 2/36
Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k1 m1 l1 l2 k2 m2 l3 k3
- p. 3/36
Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k2 m1 l1 Position Force F1 l2 x1 (t) F2 F2 k1 m2 l3 x2 (t) F3 k3
- p. 3/36
Un problme de Physique
Considrons un systme de deux billes relies par 3 ressorts k2 m1 l1 Position Force F1 l2 x1 (t) F2 F2 k1 m2 l3 x2 (t) F3 k3
Le systme doit osciller, mais quelle frquence et quelle amplitude ? Daprs les lois de N EWTON F1 (t) = k1 x1 (t) m1 x1 (t) = F1 (t) + F2 (t) m2 x (t) = F2 (t) + F3 (t) F2 (t) = k2 (x2 (t) x1 (t)) 2 F (t) = k x (t) 3 3 2
- p. 3/36
k +k x (t) = k1m1 2 x1 (t) + m2 x2 (t) Sous forme 1 1 k2 k2 +k3 x (t) = m2 x1 (t) m2 F3 (t) 2 matricielle :
Donc,
Introduction
(t) = x
A (t) x
avec
A =
k1 +k2 m1 k m22
k2 +k3 m2
k m21
Mthode de dation
En cherchant les positions sous la forme x1 (t) = C1 cos(t) et x2 (t) = C2 cos(t) on obtient : A C1 C2 =
2
C1 C2
Le problme revient donc chercher C1 = 0, C2 = 0 et tels que les deux quations ci-dessus soient satisfaites. Cela revient chercher les valeurs propres de la matrice A.
- p. 4/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A.
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives Les mthodes itratives sont bases sur une suite de vecteurs (xk )kIN qui tendent vers un vecteur propre.
Introduction
- p. 5/36
Le problme
Soit une matrice A, rpondant certaines conditions par exemple : A est symtrique, hermitienne A est diagonalisable Les valeurs propres de A sont toutes diffrentes On cherche obtenir les valeurs propres et les vecteurs propres de A. Mthodes bases sur le polynme caractristique Mthodes bases sur les matrices semblables Mthodes itratives Les mthodes itratives sont bases sur une suite de vecteurs (xk )kIN qui tendent vers un vecteur propre. Comment construire cette suite ?
- p. 5/36
Introduction
Introduction
Algorithme
Vitesse de Convergenc
- p. 6/36
1 1
matrice A =
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A =
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
1 1
matrice A = 4 1 1 1
1, 36 0, 56 0.14 0.94
- p. 7/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
Supposons que an = 0,
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
A xk
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
A xk
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
- p. 8/36
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
an un
Principe
Soit la matrice A Mn,n (IR) dont on cherche les valeurs propres, supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n telles que |1 | < |2 | < < |n |
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est
Introduction
Vitesse de Convergenc
- p. 9/36
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est un xk
Introduction
Vitesse de Convergenc
- p. 9/36
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction
un xk
Vitesse de Convergenc
- p. 9/36
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction
un xk
Vitesse de Convergenc
- p. 9/36
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction
un xk
Vitesse de Convergenc
En pratique : Si n est grand, il peut y avoir dpassement de capacit On normalise la suite xk et = A bk x bk = k+1 x
k
- p. 9/36
Principe (suite)
Au bout dun certain nombre ditrations : La plus grande valeur propre est Le vecteur propre associ est |n |
xk+1 x
k
Introduction
un xk
Vitesse de Convergenc
En pratique : Si n est grand, il peut y avoir dpassement de capacit On normalise la suite xk et = A bk x bk = k+1 x
k
On cherche obtenir n , pour cela on utilise le produit scalaire : t bk xk+1 = tbk A bk n tbk bk n si les bk sont normaliss
- p. 9/36
Algorithme
Donnees debut
: A, et x0
Introduction
Vitesse de Convergenc
, b
- p. 10/36
Algorithme
Donnees debut
: A, et x0
Introduction
Vitesse de Convergenc
, b
On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre.
- p. 10/36
Algorithme
Donnees debut
: A, et x0
Introduction
Vitesse de Convergenc
, b
On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre. = t pour utiliser Ici, on utilise la norme euclidienne x x x une autre norme, il faut changer le calcul de :
- p. 10/36
Algorithme
Donnees debut
: A, et x0
Introduction
Vitesse de Convergenc
, b
On peut ajouter un test de convergence sur le vecteur pour obtenir un vecteur propre. = t pour utiliser Ici, on utilise la norme euclidienne x x x t b x une autre norme, il faut changer le calcul de : tb b
- p. 10/36
Vitesse de Convergence
supposons que A possde n valeurs propres de modules diffrents 1 , 2 , . . . , n = x0 En normalisant, bk = = k n Ak x0 k k 1 a1 u1 + + n1 an1 + an un1 un k k n n
k k 1 + + n1 a a1 u1 n1 un1 k k n n n1 n k
telles que
a1 + a2 + + an u1 u2 un
k k + n n an un k A x0 Ak x0
an un1
- p. 11/36
Vitesse de convergence
Par dnition, que : bk k n an un Ak x0
k k + + n1 a 1 C k a1 u1 n1 un1 n k n |n |k Ak x0
|n1 | |n |k
( a1 + a2 + an1 ) u1 u2 un1
La convergence dpend donc du rapport entre la plus grande et la deuxime plus grande valeur propre : |n1 | |n | Si les valeurs propres sont trs proches, la convergence sera lente
- p. 12/36
Introduction
Mthode de dation
Mthode de dation (s
Utilisation de la mthod
Mthode de dation
- p. 13/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ?
- p. 14/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0
- p. 14/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 t vi uj = ij
- p. 14/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn t vi uj = ij
- p. 14/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn i {1, 2, . . . , n} u B(i ) = Ai n (t i ) u u un vn = i i n in u un 0 si i = n = i i si i = n u t vi uj = ij
- p. 14/36
Mthode de dation
Comment faire pour trouver la deuxime plus grande valeur propre ? Ide : trouver une matrice qui a pour valeurs propres 1 , . . . , n1 et 0 Soient , . . . , les vecteurs propres de A, ils forment une base de IRn . Il u1 un v1 vn existe alors une base duale , , telle que i, j Rappel : ij = 0 si i = j, ii = 1 Alors soit B = A n t un vn i {1, 2, . . . , n} u B(i ) = Ai n (t i ) u u un vn = i i n in u un 0 si i = n = i i si i = n u t vi uj = ij
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
- p. 15/36
Mthode de dation (s
Utilisation de la mthod
Donc si i = n, t i = 0, la base duale est celle des vecteurs vu propres de tA. Pour construire la matrice de dation, il suft donc de trouver un vecteur propre associ la plus grande valeur propre de t A.
- p. 15/36
Utilisation de la mthode
La mthode de dation permet de trouver toutes les valeurs propres de la matrice Sans les connatre En obtenant des vecteurs propres Il y a accumulation de lerreur La mthode de la puissance donne une approximation de la plus grande valeur propre et du vecteur propre. La matrice B utilise nest pas exactement la bonne. Il y a dgradation du rsultat.
Introduction
Mthode de dation (s
Utilisation de la mthod
- p. 16/36
Introduction
Mthode de la puissanc
Mthode de dcalage (
- p. 17/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
- p. 18/36
Algorithme
Donnees debut
: A, P, L, U tels que P A = LU , 0 et x
Introduction
Mthode de la puissanc
Mthode de dcalage (
- p. 19/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ?
Introduction
Mthode de la puissanc
Mthode de dcalage (
- p. 20/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction
= i i i u u = (i ) i u
Mthode de la puissanc
Mthode de dcalage (
- p. 20/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction
= i i i u u = (i ) i u
Mthode de la puissanc
Mthode de dcalage (
- p. 20/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction
= i i i u u = (i ) i u
Mthode de la puissanc
Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre.
Mthode de dcalage (
- p. 20/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction
= i i i u u = (i ) i u
Mthode de la puissanc
Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre. la mthode de la puissance inverse ?
Mthode de dcalage (
- p. 20/36
Mthode de dcalage
Quelles sont les valeurs propres de la matrice A I ? Si i est valeur propre de A de vecteur propre i , u = A (A I) u u u
i i i
Introduction
= i i i u u = (i ) i u
Mthode de la puissanc
Que se passe-t-il si on applique la matrice A I la mthode de la puissance itre ? On obtient la valeur propre k de module maximum. Cela permet dacclrer le calcul dune valeur propre. la mthode de la puissance inverse ? Cela permet dobtenir la valeur propre k de module minimum Cest la valeur propre la plus proche de Cest un moyen damliorer le calcul dune valeur propre et dobtenir un vecteur propre correspondant cette valeur
Mthode de dcalage (
- p. 20/36
Exemple dutilisation
Supposons quun premier calcul est fourni une approximation dune valeur propre : .
Donnees debut
Introduction
: A, , 0 et x
Mthode de la puissanc
Mthode de dcalage (
= rsoudre (A I) x b 1 t x b retourner et b
n
Cet algorithme amliore lapproximation et permet de calculer un vecteur propre associ la valeur propre.
- p. 21/36
Mthode de la puissanc
Mthode de dcalage (
- p. 22/36
Mthode de la puissanc
Mthode de dcalage (
- p. 22/36
Mthode de la puissanc
Mthode de dcalage (
- p. 22/36
Mthode de la puissanc
Mthode de dcalage (
- p. 22/36
Introduction
Conditions de convergence
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
Conditions de convergence
- p. 23/36
Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne :
Introduction
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 24/36
Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne : A est une matrice de dimension n possdant n valeurs propres de modules diffrents |1 | < |2 | < < |n | = A est diagonalisable
Introduction
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 24/36
Conditions
Plusieurs conditions sont ncessaires pour que la mthode fonctionne : A est une matrice de dimension n possdant n valeurs propres de modules diffrents |1 | < |2 | < < |n | = A est diagonalisable Soient 1 , 2 , . . . , n les vecteurs propres associs aux u u u valeurs propres de A. On doit partir dun vecteur 0 x = a + + a x u u
0 1 1 n n
Introduction
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
o an = 0 Que se passe-t-il si an = 0 ?
A non diagonalisable
conjugues Rsum Conclusion
- p. 24/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
1 1
matrice A = 4 1 1 1
2, 72 1, 12 0, 28 1, 88
- p. 25/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait x1
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u
1 1 1 1 n1 n1 n1
x1
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n
x1
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n
x1
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
Si n est beaucoup plus grande que les autres valeurs propres, les calculs suivants font ressortir le coefcient associ n u alors quils annulent les autres.
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0
Si on part du point de dpart = a + + a x u
0 1 1
Introduction
n1 u n1 + 0 u n
Lorsquon calcule le premier terme = A 0 x = 1 a1 1 + + n1 an1 n1 + 0 n u u u cause des erreurs de calcul, on obtient en fait = a + + x u a u + u
1 1 1 1 n1 n1 n1 n
x1
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
Si n est beaucoup plus grande que les autres valeurs propres, les calculs suivants font ressortir le coefcient associ n u alors quils annulent les autres. Donc lalgorithme nous donne toujours n et n grce aux u erreurs de calcul.
A non diagonalisable
conjugues Rsum Conclusion
- p. 26/36
si an = 0 (suite)
Introduction
Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre,
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 27/36
si an = 0 (suite)
Introduction
Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre, lalgorithme peut sarrter en obtenant n1 n et n . u et n1 au lieu de u
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 27/36
si an = 0 (suite)
Introduction
Si les deux plus grandes valeurs propres n et n1 sont proches lune de lautre, lalgorithme peut sarrter en obtenant n1 n et n . u et n1 au lieu de u
= 0 si an = 0 (suite)
Si on gnralise le phnomne en utilisant la mthode de dation, cela signie que les valeurs propres qui sont proches les unes des autres ne sont pas forcment obtenues dans le bon ordre.
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 27/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 28/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues
3 0 Matrice A = 0 3 0 0
0 Ax 0 on trace Ax 1
- p. 29/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues
3 0 Matrice A = 0 3 0 0
0 Ax 0 on trace Ax 1
- p. 29/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues
3 0 Matrice A = 0 3 0 0
0 Ax 0 on trace Ax 1
- p. 29/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues
3 0 Matrice A = 0 3 0 0
0 Ax 0 on trace Ax 1
- p. 29/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues
3 0 Matrice A = 0 3 0 0
0 Ax 0 on trace Ax 1
- p. 29/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
= a1 1 + + and nd + u u u
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 30/36
Le terme prpondrant devient k nu x Donc la suite normalise k tend vers un vecteur du sous x
n
Introduction
xk x
k
du sous espace vectoriel. Ce cas ne peut tre dtect que si on calcule plusieurs fois la suite partir de points de dpart diffrents
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 31/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A =
1 1 0 1
on trace A x
- p. 32/36
A non diagonalisable
1 1
Matrice A = La suite
xk x
k
1 1 0 1
on trace A x
- p. 32/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
0 3 Matrice A = 3 0 0 0
0 A x 0 on trace A x 1
- p. 33/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
0 3 Matrice A = 3 0 0 0
0 A x 0 on trace A x 1
- p. 33/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
0 3 Matrice A = 3 0 0 0
0 A x 0 on trace A x 1
- p. 33/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
0 3 Matrice A = 3 0 0 0
0 A x 0 on trace A x 1
- p. 33/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
0 3 Matrice A = 3 0 0 0
0 A x 0 on trace A x 1
- p. 33/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
Mais contrairement au cas prcdent, E nest pas un espace propre. Il ny a pas de convergence
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
Mais contrairement au cas prcdent, E nest pas un espace propre. Il ny a pas de convergence Dans le cas de deux valeurs propres seulement, il est possible de modier lalgorithme pour assurer la convergence en faisant 2 itrations successives.
A non diagonalisable
conjugues Rsum Conclusion
- p. 34/36
Rsum
Lalgorithme de la puissance itre fonctionne si la matrice A a des valeurs propres toutes diffrentes est diagonalisable est symtrique ses valeurs propres sont alors relles le seul cas gnant est celui des valeurs propres de signes diffrents Il ne fonctionne pas sil existe plusieurs valeurs propres complexes de mme module Par exemple 0 0 1 A = 1 0 0 0 1 0
Introduction
= 0 si an = 0 (suite)
Autres conditions de convergences Sous espace propre de dimension > 1 Sous espace propre de dimension > 1
A non diagonalisable
conjugues Rsum Conclusion
Lalgorithme converge dautant mieux si les valeurs propres sont de modules trs diffrents. Si ce nest pas le cas, on peut les obtenir dans le dsordre.
- p. 35/36
Conclusion
Puissance itre
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages :
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients :
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients : La convergence peut tre lente
Introduction
- p. 36/36
Conclusion
Puissance itre Avantages : Il nutilise que des produits de matrices par des vecteurs La convergence peut tre acclre Inconvnients : La convergence peut tre lente On obtient une approximation ce qui donne de mauvais rsultats avec la mthode de dation
Introduction
- p. 36/36