13
4 Combinaisons lineaires
17
5 Bases - Dimension
21
25
7 Projections
29
8 Formes lineaires
31
37
41
11 Determinants
45
51
13 Systemes lineaires
55
63
63
64
64
65
66
67
71
71
72
75
Espaces vectoriels
Chapitre 1
Espace vectoriel
Introduction
En geometrie plane, il est d'usage d'introduire la notion de vecteur. L'ensemble de ces
vecteurs du plan est muni de deux operations de base: l'addition des vecteurs, et la multiplication d'un vecteur par un nombre reel. Bien d'autres ensembles sont munis de deux
operations possedant des proprietes analogues a celles-ci (des ensembles de fonctions, de
polyn^omes, etc..). C'est cette structure commune, appelee structure d'espace vectoriel, que
nous allons etudier. Compte tenu de l'origine concrete que nous avons indiquee, il ne faudra
pas s'etonner du langage geometrique employe. De plus il est conseille de s'appuyer dans
une certaine mesure sur cette analogie pour nourrir son intuition concernant les structures
introduites.
pele corps des scalaires) est un ensemble non vide muni d'une operation interne (addition qu'on notera +) telle que
EV-1) E est un groupe abelien pour l'addition.
et d'une operation externe, application de K E dans E , qui a un couple
( x) associe l'element :x (qu'on notera aussi quand aucune confusion n'en
resulte x) telle que
EV-2) (x + y ) = x + y.
Chapitre 1
EV-3) (x) = ( )x.
EV-4) ( + )x = x + x.
EV-5) 1x = x.
Espaces vectoriels
les degr es partiels par rapport a certaines des variables sont born es, est un
espace vectoriel sur K .
Ex-13 Si K est un sous corps d'un corps commutatif K1, alors K1 est un
espace vectoriel sur K .
Ex-14 Soit A un ensemble non vide, et F (A E ) l'ensemble des fonctions de
A dans un espace vectoriel E sur le corps K . Alors F (A E ) est un espace
vectoriel sur K .
Ex-15 (Espace produit) Si E et F sont deux espaces vectoriels sur K , le
produit E F est un espace vectoriel sur K .
Ex-16 (Suites) Montrer que les suites d' el ements de K forment un espace
vectoriel sur K .
Ex-17 Que dire des suites r eelles? Des suites r eelles qui convergent vers 0?
Des suites r eelles qui divergent vers +1? Des suites r eelles croissantes? Des
suites r eelles convergentes?
Ex-18 (Algebre de Boole) Soit A un ensemble non vide et P (A) l'ensemble
des parties de A. On d enit sur P (A) la somme de deux parties comme etant
leur di erence sym etrique (U + V = U V = (U ; V ) (V ; U )). De plus
on d enit le produit d'un el ement de P (A) par un el ement du corps a deux
el ements f0 1g par 0:U = et 1:U = U . Montrer que dans ces conditions
P (A) est un espace vectoriel sur le corps a deux el ements.
Remarque: Si de plus on tient compte de l'op eration multiplication d enie
comme etant l'intersection de deux parties, on a une structure d'algebre de
Boole .
10
Chapitre 1
Sous espaces
11
Chapitre 2
Sous espaces vectoriels
Introduction
Comme toujours, lorsqu'on de
nit une structure, on introduit la notion de sous structure.
Ainsi nous etudions maintenant la notion de sous espace vectoriel. Beaucoup d'ensembles
interessants sont des sous espaces vectoriels d'espaces plus gros. Dans ce cas pour montrer
que ce sont des espaces vectoriels il n'est pas necessaire de veri
er toutes les proprietes de
l'addition et de la multiplication externe. La stabilite par rapport a ces operations sut.
Ex-1 Montrer qu'un sous ensemble non vide F d'un espace vectoriel E sur
un corps commutatif K est un sous espace vectoriel de E si et seulement si
8x y 2 F x + y 2 F
8 2 K 8x 2 F x 2 F:
(on dit alors que F est stable par rapport a ces op erations).
Ceci donne un moyen commode de montrer que des ensembles sont munis
d'une structure d'espace vectoriel.
12
Chapitre 2
Ex-2 Montrer que l'intersection d'une famille non vide de sous espaces
rons la famille de tous les sous espaces de E qui contiennent A. Cette famille
est non vide puisque E en fait partie. L'intersection des sous espaces de cette
famille est appelee le sous espace engendre par A. On note A] ce sous
espace.
Ex-4 Le sous espace engendr e par A est le plus petit sous espace de E (au
sens de l'inclusion des ensembles) contenant A.
Ex-5 Montrer que l'ensemble C (R) des fonctions continues sur R a valeurs
dans R est un sous espace vectoriel de l'espace de toutes les fonctions d enies
sur R a valeurs dans R.
Ex-6 Montrer que l'ensemble des fonctions d erivables sur R a valeurs dans
R est un sous espace vectoriel de l'espace de toutes les fonctions d enies sur
R a valeurs dans R. Que peut-on en dire par rapport a C (R)?
Ex-7 Montrer que l'ensemble Fa(A E ) des fonctions d enies sur un ensemble non vide A, a valeurs dans un espace vectoriel E , et qui s'annulent
en un point x e a 2 A, est un sous espace de l'espace F (A E ) des fonctions
de A dans E .
Ex-8 Montrer que l'ensemble des fonctions P (R) de R dans R, qui sont
paires est un sous espace vectoriel de l'espace F (R R) de toutes les fonctions
de R dans R. Est-ce aussi vrai pour les fonctions impaires?
Ex-9 Soit a b] un intervalle x e de R. Une fonction f de a b] dans R est
dite en escalier s'il existe un partage a = x0 < x1 < < xn = b de a b] tel
que f soit constante sur chaque intervalle ]xixi+1. Montrer que l'ensemble
des fonctions en escalier est un sous espace vectoriel de l'espace F (a b] R)
de toutes les fonctions de a b] dans R.
Sous espaces
13
Ex-10 Montrer que les suites de nombres complexes qui convergent vers 0
14
Chapitre 2
Homomorphismes
15
Chapitre 3
Homomorphismes d'espaces
vectoriels
Introduction
Nous etudions maintenant les applications d'un espace vectoriel dans un autre (sur un
m^eme corps) qui conservent la structure. Ces applications, dites applications lineaires,
sont centrales dans la theorie. Nous reviendrons dans la plupart des chapitres qui suivent
a leur etude approfondie.
De
nition 3.1.1 E et F etant deux espace vectoriels sur le m^eme corps K ,
un homomorphisme de E dans F (ou encore une application lineaire
de E dans F ) est une application f de E dans F telle que
Hom-1) f (x + y ) = f (x) + f (y).
Hom-2) f ( x) = f (x).
Dans le cas ou F = E on dit que f est un endomorphisme de E , ou encore
un operateur de E .
Ex-1 Montrer que si f est une application lin eaire f (0) = 0.
Ex-2 Montrer que l'ensemble des el ements de E dont l'image est 0 est un
sous espace vectoriel de E .
16
Chapitre 3
Ex-2 Montrer que si f est injective alors 0 est le seul el ement de E dont
l'image soit 0.
Ex-3 R eciproquement, montrer que si 0 est le seul el ement de E dont l'image
soit 0 alors f est injective.
Ex-4 Montrer que l'image de f (c'est-a-dire f (E )), est un sous espace vectoriel de F . On note Im(f ) cette image.
Homomorphismes
17
cients dans K . Soit T l'application de K X ] dans lui m^eme qui a un polyn^ome P (X ) fait correspondre le polyn^ome P (X + 1). Montrer que T est un
endomorphisme. Quels sont le noyau de T et son image?
Ex-9 Soit Kn X ] l'espace vectoriel des polyn^omes a une variable a coecients dans K et de deg e n. Soit D l'application de Kn X ] dans lui m^eme
qui a un polyn^ome associe son polyn^ome d eriv e. Montrer que D est un endomorphisme. Quels sont son noyau et son image?
Ex-10 Soit K X ] l'espace vectoriel des polyn^omes a une variable a coecients dans K . Soit F (K ) l'espace des fonctions de K dans lui m^eme. Montrer
que l'application qui a un polyn^ome P (X ) fait correspondre la fonction polyn^omiale x 7! P (x) est un homomorphisme. On suppose le corps K inni,
quel est le noyau de ?
Supposons maintenant que K soit le corps a deux el ements, quel est le noyau
de ?
Ex-11 Soit K X ] l'espace vectoriel des polyn^omes a une variable a coecients dans K et soit D(X ) un polyn^ome non nul. On considere l'application
de K X ] dans lui m^eme qui a tout polyn^ome P (X ) associe le reste de la
division euclidienne de P (X ) par D(X ). Montrer que cette application est
un endomorphisme. Quels sont son noyau et son image?
Ex-12 Soit KnX ] l'espace vectoriel des polyn^omes a une variable a coefcients dans K et de deg e n. On xe un point a 2 K et on considere
l'application de Kn X ] dans K qui a tout polyn^ome P (X ) associe sa valeur
P (a). Montrer que cette application est un homomorphisme. Quels sont son
noyau et son image?
Ex-13 Soit C (R) l'espace des fonctions continues sur R a valeurs dans R.
Fixons deux points a et b dans R. Soit I l'application de C (R) dans R d enie
par
Zb
I (f ) = f (t)dt:
a
Montrer que cette application est un homomorphisme. Quelle est son image?
Ex-14 Fixons a dans R. Soit f l'application de R dans R2 qui a x associe
(x ax). Montrer que f est une application lin eaire. Quels sont son noyau et
son image?
18
Chapitre 3
(x y) associe (ax + by cx + dy). Montrer que f est un endomorphisme. Quels
sont son noyau et son image?
Le cas ou f est une application lin eaire de E dans le corps de base K est
particulier. On dit que f est une forme lineaire. Ce cas, par son importance,
motive une etude sp ecique ult erieure.
Combinaisons lineaires
19
Chapitre 4
Combinaisons lineaires
Introduction
Comme dans le cas du plan geometrique ou de l'espace, il est important de savoir dans
quelles conditions on peut decomposer un vecteur sur d'autres vecteurs et dans quels cas
cette decomposition est unique. Ces questions conduisent aux notions de familles libres,
de familles generatrices et en
n a la notion de base. En examinant les exemples donnes,
le lecteur pourra faire un inventaire (non exhaustif) des methodes utilisees pour montrer
que des familles sont libres, que des familles sont generatrices, que des familles sont des
bases.
De
nition 4.1.1 Soit E un espace vectoriel sur un corps K . Soit S = (xi)i2I
une famille non vide de E . On appelle combinaison lineaire d'elements
de S toute somme de la forme
X
i2I
i xi
20
Chapitre 4
Ex-1 Montrer que l'ensemble des combinaisons lin eaires d' el ements de S
est un sous espace vectoriel de E , et que ce sous espace est le sous espace
engendr e par S . On notera S ] ce sous espace.
Ex-3 Montrer que la famille S est li ee, si et seulement s'il existe un vecteur
Combinaisons lineaires
21
Ex-5 Donner des exemples de la g eom etrie plane et de la g eom etrie dans
D eterminer S ].
D eterminer S f1g].
Ex-8 Soit ( i)i1 une suite de nombres r eels dont les termes sont tous
distincts. Montrer que la famille de fonctions
(e ix)i1
est libre.
22
Chapitre 4
Bases - Dimension
23
Chapitre 5
Bases - Dimension
Introduction
La notion de base est centrale pour l'etude des espaces vectoriels de dimension
nie. Tout
espace vectoriel admet une base, mais en dimension in
nie, dans la plupart des cas il est
impossible d'en construire une explicitement. Comme nous le verrons dans la suite, on est
souvent amene a considerer plusieurs bases sur un m^eme espace, et regarder alors quels
sont les liens entre les composantes des vecteurs dans les diverses decompositions.
De
nition 5.1.1 Une base d'un espace vectoriel E est une famille (ei)i2I
d'elements de E qui est a la fois libre et generatrice.
De
nition 5.1.2 Un espace E est dit de dimension
nie s'il possede une
famille generatrice nie.
Ex-1 Montrer que tout espace vectoriel de dimension nie non r eduit a
f0g admet une base ayant un nombre ni d' el ements. (En fait tout espace
vectoriel non r eduit a f0g admet une base, mais la d emonstration quand on
24
Chapitre 5
Remarques:
1) Sur les methodes utilisees en dimension
nie. En dimension nie,
Bases - Dimension
25
+ anX n;1. Ces trois repr esentations d'un m^eme objet peuvent ^etre utiles.
De plus se donner une base d'un espace de dimension n, revient a repr esenter
tout el ement de cet espace par ses composantes, c'est-a-dire par un n-uple,
ce qui donne aux trois repr esentations pr ec edentes une grande importance.
3) Droites et hyperplans. Dans un espace vectoriel E de dimension n,
un sous espace vectoriel de dimension 1 est appel e droite vectorielle (ou
plus brievement droite), un sous espace vectoriel de dimension n ; 1 est
appel e hyperplan vectoriel (ou plus brievement hyperplan).
fj =
1ij
aij ei
avec ajj 6= 0. Montrer que la famille (fj )1jn est une base de E .
Ex-11 Soit E un espace vectoriel de dimension n sur le corps ni F q a q
el ements. Quel est le nombre d' el ements de E ? Quel est le nombre de familles
libres de E ayant k el ements? Quel est le nombre de bases de E ? Combien y
26
Chapitre 5
1in
(1 + xi + ai):
Montrer que la famille (ea)a2f01gn est une base de Bn (Comparer avec l'exercice 8).
Quelles sont les composantes d'une fonction f sur cette base?
Montrer que toutes les fonctions de Bn sont des fonctions polynomiales en n
variables de degr e total au plus n et de degr e partiel par rapport a chaque
variable au plus 1.
Trouver une base de Bn constitu ee de fonctions monomiales.
Traiter en d etail l'exemple n = 3.
Ex-13 Soient E et F deux espaces vectoriels de dimension nie. Construire
une base de l'espace L(E F ) des applications lin eaires de E dans F . Quel
est la dimension de cet espace?
Somme directe
27
Chapitre 6
Somme directe de sous espaces
Introduction
La notion de somme de sous espaces, permet une decomposition plus grossiere des vecteurs
que la notion de base. On obtient par exemple des decompositions du type: toute fonction
reelle est de maniere unique somme d'une fonction paire et d'une fonction impaire.
De
nition 6.1.1 Soient E1 et E2 deux sous espaces vectoriels d'un espace
E . La somme de ces deux sous espaces, notee E1 + E2, est l'ensemble des
x1 + x2 ou x1 2 E1 et x2 2 E2.
Ex-1 Montrer que la somme E1 + E2 est un sous espace vectoriel de E .
Ex-2 Soit F = E1 + E2. Montrer que pour que tout el ement de F s' ecrive
de maniere unique sous la forme x1 + x2 avec x1 2 E1 et x2 2 E2, il faut et
il sut que E1 \ E2 = f0g.
De
nition 6.1.2 Si E1 et E2 verient E1 \ E2 = f0g, on dit que la somme
E1 + E2 est une somme directe et on la note E1 E2.
Ex-3 Soient E1 et E2 deux sous espaces de dimension nie d'un espace E
tels que E1 \ E2 = f0g. Soit (u1 up) une base de E1 et (v1 vq) une
base de E2. Montrer que (u1 up v1 vq) est une base de E1 E2.
28
Chapitre 6
Somme directe
29
Ex-9 Montrer que la projection p ainsi d enie est une application lin eaire
K X ] = Kn;1 X ] E
ou Kn;1 X ] est le sous espace constitu e des polyn^omes de degr e n ; 1.
Ex-17 Soit E un espace vectoriel de dimension n, H un hyperplan vectoriel
de E , D une droite vectorielle qui n'est pas contenue dans H . Montrer que
E = H D.
30
Chapitre 6
Ex-21 Soit
E1 ( E2 ( ( En
une suite de sous espaces vectoriels de dimension nie d'un espace vectoriel
E. Montrer qu'il existe une suite (Fi)1in de sous espaces vectoriels de E
telle que pour tout 1 j n
M
Ej =
Fi:
1ij
Projections
31
Chapitre 7
Projections
Introduction
La notion de projection est une notion tres importante liee a la decomposition en somme
directe. On peut intuitivement se faire une idee de ce que represente une projection en se
placant en geometrie a 3 dimensions sur R et en pensant par exemple a la projection sur
un plan parallelement a une droite.
E = E 1 E2 :
La projection p sur E1 parallelement a E2 est l'application de E dans E
qui a tout x de E fait correspondre sa composante x1 sur E1 dans la decomposition x = x1 + x2 ou x1 2 E1 et x2 2 E2 .
Ex-1 Montrer que la projection p ainsi d enie est une application lin eaire
v eriant p2 = p. Quel est le noyau de p? Quelle est l'image de p.
Ex-2 Soit E un espace vectoriel de dimension nie et f un endomorphisme
de E tel que f 2 = f . Montrer que f est une projection.
32
Chapitre 7
Formes lineaires
33
Chapitre 8
Formes lineaires
Introduction
Les formes lineaires sont des applications lineaires particulieres: l'espace d'arrivee est de
dimension 1, c'est le corps de base K. Ceci motive une etude speci
que. En eet, il est
clair par exemple que l'etude d'une fonction de Rn dans Rm se ramene a l'etude de m
fonctions de Rn dans R (quand on veut etudier un signal ou il y a n entrees et m sorties,
on peut etudier chaque sortie en fonction des n entrees) en particulier on peut considerer
que l'etude d'une application lineaire de Rn dans Rm peut passer par l'etude de m formes
lineaires sur Rn. Cette facon de voir, m^eme si elle ne constitue pas le seul angle d'attaque,
motive une etude particuliere du cas des formes lineaires. De plus, du fait que m = 1, les
resultats s'expriment souvent de maniere plus agreable et plus instructive.
De
nition 8.1.1 Soit E un espace vectoriel sur un corps K . Une forme
lineaire sur E est une application lineaire de E dans K .
Ex-1 Montrer que si f est une forme lin eaire non nulle alors Im(f ) = K
(en particulier la dimension de l'image de f est 1).
De
nition 8.1.2 Le dual de E , que nous noterons E , est l'ensemble des
formes lineaires sur E .
34
Chapitre 8
De
nition 8.1.3 La base (ej )1jn de E est appelee la base duale de la
base (ei )1jn .
q(x)(f ) = f (x)
(ou x 2 E et f 2 E ).
Montrer que q est un isomorphisme de E sur E . (Attention, ici le fait que
E soit de dimension nie est primordial. En dimension innie, q(E ) n'est pas
egal a E ).
Ex-7 Montrer que si (fj )1jn est une base de E , il existe une unique base
(ei)1in dont (fj )1jn est la base duale. Ainsi on peut parler de couples de
bases duales.
Ex-8 Soit E un espace vectoriel de dimension n. Supposons qu'il existe une
famille (ei)1in de E et une famille (fj )1jn de E telles que fj (ei) = ij .
Montrer qu'alors (ei)1in est une base de E et que donc (fj )1jn est sa
base duale.
Formes lineaires
35
considere les 3 formes lin eaires 1 ;1 . Montrer qu'il existe 3 polyn^omes
P1 P;1 P qu'on calculera, v eriant i(Pj ) = ij (0 si i 6= j , 1 sinon) pour
tout i et tout j dans f1 ;1 g.
En conclure que (1 ;1 ) est une base de R2X ] et que (P1 P;1 P ) est
une base de R2X ].
Notons I la forme lin eaire sur R2X ] d enie par
I (P ) =
Z1
;1
P (t)dt:
I = 1 + ;1 +
et donc que pour tout polyn^ome P de degr e 2 on a
Z1
;1
36
Chapitre 8
J (P ) =
Z1
;1
P (t)dt:
Montrer que si on pose P4(X ) = (X ;1)(X +1)(X ; ), la famille (P1 P;1 P P4)
est une base de R3X ].
Calculer a(P4) pour a 2 f1 ;1 g.
Montrer qu'il existe une valeur et une seule 0 de telle que J (P4) = 0. On
calculera explicitement cette valeur.
Montrer que pour = 0, J est dans le sous espace engendr e par 1 ;1 0 .
En conclure qu'il existe des constantes 0 0 0 qu'on calculera explicitement, telles que pour tout polyn^ome P de degr e 3 on ait
Z1
;1
I = +
Formes lineaires
37
I (P ) =
Z1
;1
P (t)dt
38
Chapitre 8
(x y) =
n
X
i=1
xiyi
C ? = fy 2 F y(x) = 0 8x 2 C g:
Montrer que C C ??.
Montrer que si C1 C2 alors C2? C1?.
Montrer que C ? = C ??? .
Montrer enn que C = C ?? .
Matrices
39
Chapitre 9
Matrices et applications
lineaires
Introduction
Nous nous placons dans cette partie dans des espaces vectoriels de dimension
nie. Nous
allons voir qu'une application lineaire peut ^etre lorsque des bases sont choisies dans l'espace
de depart et celui d'arrivee representee par un tableau de coecients qu'on appelle une
matrice. En consequence on peut operer sur ces tableaux de nombres en pensant aux operations correspondantes sur les applications lineaires et reciproquement. Nous exposerons
cette notion en nous referant en permanence a cette double interpretation.
x=
et donc
m
X
j =1
xj ej
40
Chapitre 9
f (x) =
m
X
j =1
xj f (ej ):
Par cons equent l'application f est connue des que les images f (ej ) sont
connues. R eciproquement si on xe les f (ej ) la formule pr ec edente d enit
bien une application lin eaire. Se donner une application lin eaire est donc
equivalent a se donner les images des vecteurs de la base choisie. Il est commode de stocker dans un tableau rectangulaire appel e matrice les composantes des vecteurs f (ej ) dans la base (f1 f2 fm). Plus pr ecis ement on
met a la colonne j et a la ligne i la composante aij du vecteur f (ej ) sur
le vecteur de base fi. Ainsi la colonne j du tableau contient bien le vecteur
(sous forme de composantes) f (ej ).
1in
1j m
0 a a a 1
11
12
1m
B
a21 a22 a2m C
A=B
@ : : : C
A
Matrices
41
42
Chapitre 9
4)
43
Chapitre 10
Operations elementaires sur les
matrices
Introduction
Il existe de nombreuses operations interessantes sur les tableaux matriciels. Nous presentons ici les operations simples qui decoulent des operations de base sur les applications
lineaires: l'addition, la multiplication par un scalaire, la composition, la transposition.
De nition 10.1.1 La somme de deux matrices A = (aij )ij et B = (bij )ij
de m^eme taille est la matrice C = (cij )ij de m^eme taille ou cij = aij + bij .
On note C = A + B .
Ex-2 Montrer que si a est une application lin eaire de E dans F de matrice
(aij )ij et si 2 K , alors a a pour matrice ( aij )ij .
De
nition 10.1.2 Le produit d'une matrice A = (aij )ij par un scalaire
est la matrice C = (cij )ij de m^eme taille ou cij = aij . On note C = A.
44
Chapitre 10
De nition 10.1.3 Le produit de deux matrices A = (aij )ij de taille (p n)
et B =P(bij )ij de taille (n m) est la matrice C = (cij )ij de taille (p m) ou
cij = nk=1 aik bkj . On note C = AB .
Ex-4 Soit a 2 L(E F ) dont la matrice est A = (aij )ij de taille (n m).
Consid erons l'application transpos ee a de F dans E d enie par a()(x) =
(a(x)). Montrer que la matrice (aij )ij de a quand F est muni de la base
duale de la base f et E muni de la base duale de la base e est de taille (m n)
et v erie aij = aji.
De
nition 10.1.4 La transposee de la matrice A = (aij ) de taille (n m),
est la matrice At = (aji) de taille (m n).
45
46
Chapitre 10
Determinants
47
Chapitre 11
Determinants
Introduction
A une famille de n vecteurs dans un espace de dimension n, ou encore a une matrice carree
de taille (n n) (qui peut ^etre consideree aussi comme la famille formee par ses n vecteurs
colonnes), on associe un element du corps de base appele le determinant du systeme, qu'on
peut concevoir de maniere intuitive comme le "volume algebrique" du "parallelepipede"
(en dimension n) construit sur les vecteurs de la famille. Ainsi ce determinant sera 0 si et
seulement si la famille de vecteurs est liee.
48
Chapitre 11
xi =
Soit 2 An (E ).
Montrer que
(x1 xn) =
X
2Sn
n
X
j =1
(;1)()x
xij ej :
1(1)
2Sn
De
nition 11.1.2 On appelle determinant dans la base e = (e1 en),
la forme n-multilineaire alternee qui vaut 1 sur (e1 en ).
Ainsi
X
det(x1 xn) = (;1)()x1(1) xn(n) :
2Sn
a
11
det a
21
a12
a22
Determinants
49
Ex-4
Ex-5
Ex-6
Ex-7
det(A) =
puis
det(A) =
n
X
i=1
n
X
j =1
La premiere formule donne le d eveloppement du d eterminant suivant la colonne j , la deuxieme formule donne son d eveloppement suivant la ligne i.
Ex-9 Soit A une matrice diagonale dont les coecients diagonaux seront
not es i. Quel est le d eterminant de A? En particulier quel est le d eterminant
de la matrice unit e?
Ex-10 Montrer que det(AB ) = det(A)det(B ).
En conclure que si A est inversible det(A) 6= 0 et que det(A;1) = 1=det(A).
Ex-11 Montrer que det(A) 6= 0 est equivalent a A inversible.
Ex-12 Soit E un espace vectoriel de dimension n muni d'une base e. Soit
(fj )1jm une famille nie de vecteurs de E . On appelle A la matrice de
taille (n m) dont les vecteurs colonnes sont les vecteurs fj d ecompos es dans
la base e. Montrer que le rang du systeme de vecteurs (fj )1jm est r si et
seulement s'il existe une matrice carr ee B extraite de A de taille (r r) de
d eterminant non nul, et toute matrice carr ee de taille (r + 1 r + 1) extraite
de A est de d eterminant nul.
50
Chapitre 11
x
y x + y
y x + y x :
x + y x
y
metres a,b,c
Determinants
51
a b 0 0 : : : 0 0
c a b 0 : : : 0 0
0 c a b : : : 0 0
:
Dn =
: :
:
a b
c a
k = e 2ikn :
52
Chapitre 11
...
...
...
... :
...
1 cos(x2n) sin(x2n) cos(nx2n ) sin(nx2n)
a +b
...
lim
a
D
=
n
n
1
an !1
an;1+b
1
a +. b
..
lim
lim
a
D
=
n
n
bn !1 an !1
an;1+b
1
1
puis que
a1 +bn
...
En conclure que
an;1+bn
1
1
a1 +bn;1
an;1 +bn;1
...
anDn = 1
lim
lim
b !1 an !1 D
n
n;1
0
...
:
0
1
Applications lineaires
53
Chapitre 12
Applications lineaires en
dimension nie
Introduction
Nous reprenons ici l'etude des applications lineaires d'un espace de dimension
nie dans
un autre espace de dimension
nie. Nous regarderons alors ce qu'apporte la notion de base
a cette etude.
de son image.
Ex-2 Soit G un sous espace vectoriel de E . Montrer qu'il existe une appli-
54
Chapitre 12
Montrer que sur l'ensemble quotient on d enit une structure d'espace vectoriel en posant
De
nition 12.1.2 L'espace vectoriel denit precedemment est appele espace quotient de E par G, on le note E=G.
Ex-4 Soit D un suppl ementaire de G dans E .
E = G D:
De nition 12.1.3 Soit e0 = (e01 e0m) une autre base de E . La matrice P
Applications lineaires
55
12.2 Exemples
56
Chapitre 12
dans la base (e1 e2). Quelle est la matrice de cette application lin eaire dans
la base (f1 f2)?
57
Chapitre 13
Systemes lineaires
Introduction
La resolution d'un systeme lineaire de m equations a n inconnues (pouvant prendre leurs
valeurs dans un corps donne) s'interpr^ete en terme d'algebre lineaire comme la recherche
d'un vecteur dans un espace de dimension n dont l'image par une application lineaire
donnee est un vecteur donne dans un espace de dimension m. Nous verrons a ce propos
plusieurs problemes distincts: existence d'une solution, unicite, determination de la ou des
solutions, algorithmes eectifs de calcul.
8 a11x1 + + a1nxn
>
< a21x1 + + a2nxn
.
>
: a x + .. + a x
= b1
= b2
... ...
m1 1
mn n = bm
ou les inconnues xi sont a chercher dans un corps K , les coecients aij du
systeme sont dans K , et les donn ees bi des seconds membres sont aussi dans
K.
Pour un tel systeme les problemes pos es sont les suivants:
a) Le systeme possede-t-il au moins une solution?
b) S'il existe une solution est elle unique?
58
Chapitre 13
c) S'il existe des solutions peut on les ecrire suivant une formule en
fonction des coecients et des seconds membres?
d) Comment calculer numeriquement une solution lorsqu' on se donne
des valeurs num eriques explicites pour les coecients et les seconds membres?
En particulier ce calcul peut il ^etre r ealis e pratiquement a partir de formules
closes?
La premiere chose que nous allons faire est d'interpr eter de diverses manieres
en termes d'algebre lin eaire le probleme pos e. Nous verrons que ces diverses
facons de voir sont toutes int eressantes par les divers eclairages qu'elles
apportent au probleme.
La premiere pr esentation est celle sous forme de systeme que nous avons
donn ee. Partant de la, consid erons l'application lin eaire L de K n dans K m
qui
= (x1 x2 xn) fait correspondre y = (y1 y2 ym) ou yi =
Pn a atoutx x. Notons
b = (b1 b2 bm) le vecteur de K m constitu e par les
j =1 ij j
seconds membres du systeme. Dans ces conditions on cherche les solutions de
L(x) = b, c'est-a-dire les vecteurs x de K n dont l'image par L est un vecteur
donn e b de K m. Sous cette forme il est clair que la r esolution du systeme
lin eaire passe par l' etude de l'application lin eaire L. D'ailleurs, si on munit
K n et K m de leurs bases naturelles, on peut ecrire le systeme sous forme
matricielle
Ax = b
ou encore
0 a11 a12 a1n 1 0 x1 1 0 b1 1
B
B
B
a21 a22 a2n C
x2 C
b2 C
B
C
B
C
B
C
=
.
.
.
.
@ .. ..
.. A @ .. A @ ... A :
xn
bm
am1 am2 amn
Ainsi que nous l'avons d eja remarqu e dans le chapitre sur les formes lin eaires,
on peut consid erer que l' etude d'une application lin eaire de K n dans K m peut
se faire par l' etude de m formes lin eaires sur K n. Plus pr ecis ement, notons
Li (1 i m) la forme lin eaire sur K n d enie par
L# i(x) =
n
X
j =1
aij xi:
Dans cette optique la recherche des solutions du systeme se ramene a la
recherche des solutions communes aux m equations
Li (x) = bi:
59
Enn compte tenu de l'interpr etation du probleme en terme d'algebre lin eaire
on peut penser a l'exprimer de maniere qui semble plus g en erale:
Soient E et F deux espaces vectoriels de dimensions nies respectives n et
m sur un corps K , et L une application lin eaire de E dans F . Etant donn e
b 2 F existe-t-il x 2 E tel que L(x) = b?
En fait en xant une base dans E et une base dans F , on se ramene a
un systeme du type d eni pr ec edemment, si bien que cette facon de poser le probleme n'est pas r eellement plus g en erale. Cependant elle est int eressante car elle permet de s'aranchir de l'aspect analytique qu'imposent
des bases x ees pour une expression plus intrinseque. A titre d'exemple citons le probleme d'interpolation suivant: consid erons u0 um;1 des points
distincts de R. Soit L l'application lin eaire de Rn;1X ] (espace des polyn^omes sur R de degr e n ; 1) dans Rm qui a tout P 2 Rn;1X ] fait
correspondre (P (u0) P (um;1)). Etant donn e b = (b0 bm;1) un el ement de Rm, trouver P tel que L(P ) = b (ou encore tel que pour tout
0 i m ; 1 P (ui) = bi).
Remarquons encore que le probleme sous sa forme intrinseque peut se pr esenter a l'aide de formes lin eaires sous la forme suivante: soit E un espace
vectoriel de dimension n sur K soient L1 Lm des formes lin eaires sur E
et b1 bm des el ements de K trouver les vecteurs x de E tels que pour tout
1 i m on ait Li(x) = bi. A titre d'exemple le probleme d'interpolation
cit e au dessus s'exprime facilement sous cette forme.
En conclusion disons que nous utiliserons pour chaque probleme lin eaire a
r esoudre l'une ou l'autre de ces formes, en choisissant bien entendu la plus
60
Chapitre 13
De
nition 13.1.1 Lorsque, dans le cas ou m = n, les conditions equivalentes precedentes sont realisees, on dit que le systeme lineaire considere est
un systeme de Cramer. Remarquons que le fait d'^etre un systeme de Cramer ne depend pas du second membre du systeme.
Ex-2 Montrer que si m 6= n il n'est pas possible que le systeme ait une
solution et une seule ( c'est-a-dire que soit il n'a pas de solution, soit il a
plusieurs solutions). Donner des exemples de chaque cas.
Dans le cas g en eral l'analyse du probleme n'est pas tres dicile a faire en
regardant le noyau et l'image de l'application lin eaire L.
Ex-3 Si le systeme a une solution x = (x1 xn) l'ensemble de toutes les
solutions est x + Ker(L).
Le systeme a une solution si b 2 Im(L). En particulier le systeme homogene
associ e (L(x) = 0) a toujours une solution ( 0 est toujours solution).
Si le rang de L est m (dimension de l'espace d'arriv ee F ) le systeme a
toujours une solution, sinon il existe des cas ou il n'en a pas.
Si le noyau de L est r eduit au vecteur nul il y a au plus une solution.
Les divers cas pr ec edents peuvent eventuellement ^etre d etect es par des valeurs
de d eterminants.
Ex-4 Nous cherchons a r esoudre L(x) = b ou L est une application lin eaire de
l'espace vectoriel E de dimension n dans l'espace vectoriel F de dimension m
(espaces dans lesquels on suppose que des bases ont et e x ees). Nous notons
A = (aij ) 1in la matrice de L dans les bases x ees. Soit r le rang de L
1j m
61
A = (aij )1ijn
On cherche deux matrices carr ees d'ordre n
L = (
ij )1ijn avec
ij = 0 si j > i
U = (ij )1ijn avec ij = 0 si j < i
62
Chapitre 13
telles que A = LU .
Combien y a-t-il de coecients a d eterminer?
Combien y a-t-il d' equations qui permettent de les d eterminer?
Ceci explique qu'on puisse en outre imposer
ii = 1 1 i n:
Puisqu'on sait que les coecients ii valent 1 , on ne les stocke pas. On
va donc pouvoir mettre les deux matrices L et U dans le m^eme tableau T
carr e d'ordre n (L matrice triangulaire inf erieure et U matrice triangulaire
sup erieure).
Pour chaque couple (i j ) v eriant 1 i j n on dispose donc de la relation
inf (ij )
k=1
etape 1
1) Calculer les
i1 en fonction des ai1.
2) Permutation des lignes an que parmi tous les
i1 ainsi calcul es, celui de
plus grande valeur absolue se trouve en position (1 1). Par abus de notation
nous appellerons toujours ces nombres
i1. Montrer qu'apres permutation
11 6= 0.
3) Calculer les 1j pour j > 1 en fonction des a1j et de
11.
On peut it erer ce calcul: supposons calcul ees les p ; 1 premieres lignes et les
p ; 1 premieres colonnes.
etape p
Remarque
63
8 2x ;x ;x
< 1 2
3
3
x
1 +4x2 ;2x3
: 3x1 ;2x2 +4x3
= 4
= 11
= 11
Ex-9 Quand le systeme suivant possede-t-il une solution unique?
8 ax +bx +cx +dx = 0
>
< bx11 ;ax22 +dx33 ;cx44 = 0
cx1 ;dx2 ;ax3 +bx4 = 0
>
: dx
;bx3 ;ax4 = 0
1 +cx2
Ex-10 R esoudre le systeme
8 x ;2x +x +x = 1
< 1
2
3
4
x
;
2
x
+
x
;
x
: x11 ;2x22 +x33 +5x44 == ;51
Ex-11 R esoudre le systeme
8 x +x ;3x = ;1
>
< 2x11 +x22 ;2x33 = 1
+x2 +x3 = 3
>
: xx11 +2
x2 ;3x3 = 1
Ex-12 Soit a r esoudre un systeme de Cramer du type
8 a11x1 + + a1nxn = b1
<
.
. .
: a x + .. + a x =.. b..
n1 1
nn n
n
64
Chapitre 13
Notons pour 1 k n
0 sk1 1
Sk = @ ... A
skn
=
...
=
=
=
...
=
0
...
0
1
0
...
0
65
Chapitre 14
Valeurs propres, vecteurs
propres
Introduction
Nous etudions ici les notions tres importantes de vecteurs propres et valeurs propres.
Nous traiterons d'abord le cas simple de la diagonalisation des applications lineaires. Nous
reprendrons ensuite l'etude de la decomposition spectrale de maniere plus complete, en se
placant toutefois dans le cas ou le corps de base est algebriquement clos.
66
Chapitre 14
Il est facile de voir que l'algebre A(T ) est constitu ee par les op erateurs P (T )
ou les el ements P sont les polyn^omes de l'espace CX ]. On remarquera que
A(T ) est une algebre commutative.
67
Soit " l'application de CX ] dans A(T ) qui a un polyn^ome P fait correspondre l'op erateur P (T ). Cette application " est visiblement surjective. Elle
ne peut pas ^etre injective car A(T ) est de dimension nie alors que CX ]
est de dimension innie. Le noyau Ker(") de " n'est donc pas r eduit a f0g.
Ce noyau est un id eal de CX ]. On en d eduit que Ker(") est engendr e par
un polyn^ome M normalis e de degr e minimal unique (en eet CX ] est un
anneau principal). Remarquons que ce polyn^ome n'est pas nul (le noyau n'est
pas f0g) et n'est pas 1. Donc le degr e de M est sup erieur ou egal a 1. On
peut donc enoncer le th eoreme suivant:
De nition 14.2.1 Le polyn^ome M du theoreme precedent est appele polyn^ome minimal de l'operateur T .
Puisque le corps de base est alg ebriquement clos il est clair que le polyn^ome
minimal se d ecompose en produit de facteurs de la forme (X ; )k . Ceci nous
incite a etudier les op erateurs de la forme (T ; I )k .
T ; I )k .
Pour tout k 0 et tout 2 C d enissons
(
N k = Ker(T ; I )k
Il est clair que la suite de sous espaces (N k )k0 est croissante (pour l'inclusion). Comme X est de dimension nie, cette suite ne peut ^etre strictement
croissante, il existe donc un plus petit entier ( ) appel e index de tel que
N ( ) = N ( )+1
Theoreme 14.2.2 Si ( ) est l'index du nombre complexe alors pour tout
entier p 0
N ( ) = N ( )+p
68
Chapitre 14
De
nition 14.2.2 Le spectre de l'operateur T , note (T ), est l'ensemble des
nombres complexes tels que T ; I ne soit pas inversible.
Remarque:
{ Nous sommes ici en dimension nie, donc il est equivalent dans ce cas
de dire que le spectre est constitu e des tels que T ; I ne soit pas
injectif, c'est a dire tels que N 1 6= f0g.
{ Si n'est pas dans le spectre de T alors l'index ( ) est nul. Par contre
s'il est dans le spectre, son index est sup erieur ou egal a 1.
De
nition 14.2.3 Lorsque est une valeur propre (i.e. ( ) 1), le sous
espace N 1 est appele sous espace propre de T et ses elements non nuls sont
les vecteurs propres de T .
Le sous espace N ( ) est appele sous espace spectral associe a .
M (X ) =
(X ; ) ( )
2(T )
69
2 ( T )
A Q =1
70
Chapitre 14
S (X ) = A (X )Q (X ):
Les polyn^omes S v erient les propri et es suivantes:
Theoreme 14.2.5
1. La somme des S vaut 1.
2. Le produit S S
lorsque
M.
Theoreme 14.2.6
1.
2(T ) I
= I.
2. Si 6= alors I I
= 0.
3. I I = I
4. (T ; I ) ( )I = 0.
5. TI = I T
71
Decomposition de l'espace.
Notons X = I (X ).
Theoreme 14.2.7 L'operateur T laisse stable X .
Demonstration Ceci provient de TI = I T .
Theoreme 14.2.8 On a pour tous les elements et distincts, dans le
spectre les relations suivantes:
I (X
) = f0g
et pour tout x 2 X
I (x) = x
Demonstration Ceci est une cons equence imm ediate du fait que les op erateurs I sont des projecteurs qui v erient I I
= 0.
DeP
monstration Du fait que P 2(T ) I = I il est clair que X = P 2(T ) X .
Si P 2(T ) x = 0 avec x 2 X . Pour tout dans le spectre on peut ecrire
I
(
2(T ) x
) = x
. D'ou x
= 0 et ceci pour tout .
Theoreme 14.2.10
X = N ( )
Donc
0 = (T ; I ) ( )(x) =
(T ; I ) ( )(x
):
2(T )
72
Chapitre 14
Remarque:
73
( ; X )n
2(T )
nule par T .
f (T ) = P (T ):
74
Chapitre 14
Il est clair que la d enition est ind ependante du polyn^ome d' interpolation
P (cf. th eoreme 4.1).
Les r esultats suivants d ecoulent imm ediatement des propri et es des polyn^omes.
3. si f (z) = mk=0
k z k alors f (T ) = mk=0
k T k.
4. f (T ) = 0 si et seulement si f (m)( ) = 0 pour tout
0 m ( ) ; 1
2 (T ) et tout
14.3 Exemples
Ex-1 Trouver le polyn^ome caract eristique, les valeurs propres, les vecteurs
propres et diagonaliser (si possible) les matrices suivantes
00 1 11
A=@ 1 0 1 A
1 1 0
75
0 7 4 0 0 1
B ;12 ;7 0 0 C
B =B
@ 20 11 ;6 ;12 C
A
;12 ;6 6
2 1
11
C= 1 2
Ex-2 Trouver le polyn^ome caract eristique, les valeurs propres, les sous espaces propres des matrices suivantes. Sont elles diagonalisables? Quels sont
les polyn^omes minimaux des endomorphismes correspondants?
01 1 1 1 1
B 1 1 ;1 ;1 C
A=B
@ 1 ;1 1 ;1 C
A
1 ;1 ;1 1
0 5
B = @ ;1
6 ;3
0 1 A
1 2 ;1
Ex-3 On appelle bloc de Jordan toute matrice de la forme
0 1
1
0
1
B
C
B
C
...
B
C
@
1A
0
ou eventuellement une matrice ( ) de taille 1.
Montrer que tout op erateur lin eaire d'un espace vectoriel complexe E de
dimension nie admet une matrice constitu ee de blocs diagonaux de Jordan
et de 0 ailleurs.
Quelle forme simple peut on avoir si E est un espace vectoriel sur R?
Ex-4 Mettre sous forme de Jordan la matrice B de l'exercice 2.
Ex-5 Soit T un op erateur lin eaire d'un espace vectoriel complexe E de
dimension nie. Soit une valeur propre de T et supposons que le sous
espace propre (ker(T ; I )) associ e a soit de dimension 1. Montrer que
l'index ( ) est egal a la dimension n du sous espace spectral N ( ).
76
Chapitre 14
Interventions
77
Chapitre 15
Interventions de l'algebre
lineaire
Introduction
Nous donnons dans ce chapitre, quelques exemples d'utilisation de l'algebre lineaire dans
divers domaines. Nous avons choisi comme illustration la theorie des signaux discrets
nis
et une partie de l'analyse numerique elementaire.
15.1.1 L'espace F
1 si x = a
ea(x) =
0 si x 6= a:
1) Montrer que la famille (ea)0an;1 est une base de F . Ainsi F est un
espace vectoriel sur C , de dimension n.
2) Soit f 2 F . Quelles sont les composantes de f sur la base (ea)0an;1 .
3) D ecrire la base duale de la base (ea)0an;1.
78
Chapitre 15
u(v) = e 2i nuv :
1) Montrer que les fonctions u v erient
u(x + y) = u(x)u(y)
(15.1)
u(0) = 1:
(15.2)
2) Montrer qu'on obtient ainsi toutes les fonctions complexes d enies sur
G v eriant (1) et (2).
u2G
f (u)g(u):
est orthogonale.
4) Calculer en fonction des valeurs prises par f , les composantes de f dans
la base (u)0un;1 .
fb(v) =
1) Montrer que
En conclure que
u2G
f (u)e; 2i nuv :
X
f (u) = n1 fb(v)e 2i nuv :
v2G
Interventions
fb.
79
fb(u) = nf (;u):
2) Comparer < f g > et < fb bg >. Comparer la norme de f avec celle de
l'op erateur F .
4) Calculer fb lorsque f = eu et lorsque f = u .
et que
80
Chapitre 15
f1 f2(x) =
1) Montrer que
X
y 2G
f1(x + y)f2(;y):
f1 f2(x) = f2 f1(x) =
.
X
u+v=x
f1(u)f2(v)
2) Calculer f\
1 f2 et fd
1 f2 .
3) Etudier Pf f en fonction de Pf et Pf .
4) Pour tout t 2 G soit Tt l'op erateur de translation qui a la fonction f
1
fait correspondre la fonction Tt(f ) telle que Tt(f )(x) = f (x + t). Soit H un
op erateur qui commute avec Tt pour tout t. Montrer que les u forment une
base de vecteurs propres de H . Quelles sont les valeurs propres associ ees?.
Montrer qu'il existe une fonction h 2 F telle que pour tout f 2 F , on ait
H (f ) = h f .
Interventions
81
Soient x0 x1 ::: xn des nombres complexes distincts et y0 y1 ::: yn des nombres
complexes. Il s'agit de trouver un polyn^ome P (X ) v eriant P (xk ) = yk pour
toutes les valeurs de k comprises entre 0 et n.
L'aspect algebrique
Existence de solutions Notons C X ] l'espace des polyn^omes a coecients complexes et C nX ] le sous espace des polyn^omes a coecients complexes de degr e inf erieur ou egal a n. Consid erons alors l'application lin eaire T de C X ] dans C n+1 qui a un polyn^ome P (X ) fait correspondre
C X ] = C n X ]
Ker(T ):
Ceci nous montre que la restriction de T a C nX ] est une bijection de C nX ]
sur C n+1 .
Le r esultat obtenu est donc le suivant
Theoreme 15.2.1 Pour tout element (y0 y1 ::: yn) de C n+1 il existe un polyn^ome P (X ) de degre n et un seul (polyn^ome d'interpolation de Lagrange)
tel que P (xk ) = yk (0 k n). Tout polyn^ome Q(X ) (de degre quelconque)
veriant aussi Q(xk ) = yk (0 k n) s'ecrit sous la forme
Q(X ) = P (X ) + K (X )N (X ):
8 a + a x + ::: + a xn = y
>
< a00 + a11x01 + ::: + annx0n1 = y01
>
:
n
a0 + a1xn + ::: + anxn = yn
82
Chapitre 15
Ce systeme est un systeme de Vandermonde dont on sait bien s^ur qu'il admet une solution unique. Nous fournirons ult erieurement un algorithme pour
r esoudre ce systeme plus rapidement que ne le ferait une m ethode classique
comme la m ethode du pivot par exemple.
L (x )
= 1
= 0 (j 6= k)
D'apres l' etude qui pr ecede le polyn^ome Lk (X ) existe et est unique. On v erie
ais ement que Lk (X ) s' ecrit explicitement sous la forme
:::(X ; xk;1)(X ; xk+1):::(X ; xn) :
Lk (X ) = ((xX ;; xx0)):::
(xk ; xk;1)(xk ; xk+1):::(xk ; xn)
k
0
Ces polyn^omes forment une base de C n X ] et le polyn^ome d'interpolation
s'exprime dans cette base
k k
Lk (xj )
P (X ) =
n
X
k=0
yk Lk (X ):
est que chacun d'eux fait intervenir tous les points d'interpolation et donc si
on rajoute un nouveau point tout calcul fait a partir des polyn^omes Lk (X )
doit ^etre entierement refait.
Prenons alors les polyn^omes Nk (X ) = (X ; x0)(X ; x1):::(X ; xk;1) ou
0 k n (avec N0 = 1). Ces polyn^omes forment aussi une base de C nX ] et
Interventions
83
Newton
P (X ) =
n
X
k=0
bk Nk (X ):
Le probleme est alors de calculer les coecients bk . Pour ce faire d enissons
les di erences divis ees successives des valeurs yi par rapport aux points xi
y0] = y0
y0 y1 ::: yk] = y1 ::: ykx] ;;yx0 ::: yk;1]
k
0
Theoreme 15.2.2 Les coecients de la decomposition du polyn^ome d' interpolation de Lagrange de degre n dans la base de Newton sont donnes par
0 k n:
Preuve. La formule a d emontrer est clairement vraie si on a n = 0. Supposons la formule vraie pour les polyn^omes de degr e n ; 1 interpolant en n
Pn;1 (X ) =
n;1
X
k=0
bk Nk (X )
84
Chapitre 15
(X ; xn)Pn;1 (X ) :
P~n (X ) = (X ; x0)Qn;1(Xx ) ;
;x
n
On v erie que
P~n (xi) = yi
pour 0 i n. Donc
P~n (X ) = P (X ):
En egalant les coecients du terme de degr e n dans l'expression des polyn^omes Pn et P~n on obtient la relation cherch ee.
En comparant l'expression de Newton du polyn^ome Pk d'interpolation en
k +1 points avec celle de Lagrange on trouve en regardant les coecients des
termes de degr e k
k
X
y0 y1 ::: yk] = N 0 yj(x ) :
j
j =0
k+1
Il est clair dans cette repr esentation que le rajout d'un nouveau point ne
fait que rajouter un nouveau terme au polyn^ome, les autres termes restant
identiques.
L'aspect approximation
Le theoreme de division des fonctions dierentiables Soit f une
fonction r eelle d enie sur R de classe C p+1, ou p est un entier naturel. On
suppose que f s'annule en un point a de R. Posons
g(x) =
Z1
0
f 0(a + (x ; a)u)du
f (x) = (x ; a)g(x):
De plus d'apres le th eoreme de d erivation sous le signe int egrale on voit que
la fonction g(x) est de classe C p et que pour tout 0 q p
(q)
g (x) =
Z1
0
uq f (q+1)(a + (x ; a)u)du
Interventions
85
et par suite
g0(x) = (x ; x1)g1(x)
86
Chapitre 15
H
HH
HH
j
H
y0 y1] H
HH
H
y1]
HH
H
HH
j
H
y1 y2] H
H
HH
HH
j
H
HH
H
HH
j
HH
HH
j
H
y2]
H
j
H
y2 y3]
y3]
Fig.
Interventions
87
BW = Q
ou Q est la matrice colonne constitu ee des seconds membres q1 q2 qN du
systeme et ou W est la matrice colonne constitu ee des inconnues w1 w2 wN
du systeme.
Pour tout entier j v eriant 1 j N on pose
Pj (x) =
N
Y
x ; xn
n=1
n6=j
xj ; xn
N
X
k=1
Ajk xk;1
wj =
N
X
k=1
Ajk qk :
Nous allons dans la suite mettre en place une m ethode de r esolution qui
calcule les coecients des polyn^omes Pj , donc qui calcule l'inverse de la
88
Chapitre 15
Nj (x) =
N
Y
n=1
n6=j
(x ; xn)
Interventions
89
Qk (x) = xk +
kk xk;1 +
kk;1 xk;2 + ::: +
k1
Il est facile de voir sur l'expression de Q1(x) = x ; x1 que
11 = ;x1.
De la formule
Qk(x) = Qk;1(x)(x ; xk ):
d ecoulent pour k = 2 3 ::: N les formules
kk =
k;1k;1 ; xk
kj =
k;1j;1 ; xk
k;1j j = k ; 1 ::: 2
ce qui acheve l'algorithme.
On peut voir que le nombre d'op erations a faire dans cet algorithme est en
O(N 2), la partie la plus co^uteuse etant le calcul des coecients ck .
trouvera dans 5] des pr ecisions sur la transformation de Fourier discrete.
Rappelons que si a = (a0 a1 ::: an;1) est une suite nie de n nombres complexes on d enit la transform ee de Fourier ba de la suite a comme etant la
suite ba = (ba0 ba1 ::: ban;1) ou
n;1
X
1
bav = n aue; 2i nuv :
u=0
au =
n;1
X
v=0
bav e i nuv :
2
90
On remarque que
Chapitre 15
bau = 1 an;u :
n
facons proches les une des autres de calculer une transform ee de Fourier
discrete. Toutes ces variantes sont des algorithmes de transform ee de Fourier
rapides (FFT). Nous nous placerons ici dans le cas ou le nombre d' el ements
de la suite a transformer est n = 2m. Pour tout r > 0 et tout 0 k 2r ; 1
posons
W2kr = e; 22ikr :
Remarquons que
r 2
W2kr = (W2kr+1 )2 = (W2kr+2
+1 )
r
W2kr+1 = ;W2kr+2
+1
par exemple
(W83)2 = (W87)2 = W43
W83 = ;W87:
On rappelle que si
a = (a0 a1 ::: a2m;1)
et si
Pa(X ) = 21m a0 + a1X + ::: + a2m;1X 2m ;1
Interventions
91
alors
bau = Pa (W2um ):
W80
W40
W20
W81
W82
W41
W83
W84
;W80
W42
;W40
W21
;W20
W85
;W81
W86
;W82
W43
;W41
W87
;W83
92
a0
a4
A
A
A
A
W 0 A ;W20
2 A
AU
?
?
a2
a6
A
A
A
A
A
W 0 A ;W20
2 A
U
A
?
?
a1
a5
A
A
A
A
W 0 A ;W20
2 A
U
A
?
?
Chapitre 15
a3
a7
A
A
A
A
A
W 0 A ;W20
2 A
U
A
?
?
@
@
;
;
@
@
;
;
@
@;
;
@
@;
;
@
;@
;
@
;@
;
@ ;
@ ;
@ ;
@ ;
@
;
@
;
@
;
@
;
; @
; @
; @
; @
@;W41 ;W40@
;W41
@;W41 ;W40@
;W40
;W40
;
;@
@
;
;@
@
?;
?
;
R ?
@
R ?
@
?;
?;
R ?
@
R
@
c
c
c
c
c
c
c
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
HH
;W80HH ;W81
;W82
HH
HH
HH
HH
W80 HHHW81 HHHW82 HHHW83 HHH
HH
HH
HH
HH
HH
HH
HH
HH
H
H
H
HH
?
?
?
?
?
?
?
j c
H
j c
H
j c
H
j
c
c
c
c
ab0
ab1
ab2
Fig.
ab3
ab4
ab5
ab6
;W41
?
;W83
ab7
Interventions
93
0
B
B
B
B
B
1
M8 = B
B
B
B
B
@
0
B
B
B
B
B
2
M8 = B
B
B
B
B
@
0
B
B
B
B
B
3
M8 = B
B
B
B
B
@
1 1
1 ;1
0 0
0 0
0 0
0 0
0 0
0 0
1
0
1
0
0
0
0
0
0 0
0 0
1 1
1 ;1
0 0
0 0
0 0
0 0
0 1 0
1 0 1
0 ;1 0
1 0 ;1
0 0 0
0 0 0
0 0 0
0 0 0
0 0
0 0
0 0
0 0
1 1
1 ;1
0 0
0 0
0
0
0
0
1
0
1
0
0 0
0 0
0 0
0 0
0 0
0 0
1 1
1 ;1
0 0 0
0 0 0
0 0 0
0 0 0
0 1 0
1 0 1
0 ;1 0
1 0 ;1
1 0 0 0 1 0
0 1 0 0 0 1
0 0 1 0 0 0
0 0 0 1 0 0
1 0 0 0 ;1 0
0 1 0 0 0 ;1
0 0 1 0 0 0
0 0 0 1 0 0
S1, S2, S3 les matrices diagonales d enies par
0
0
1
0
0
0
;1
0
0
0
0
1
0
0
0
;1
1
C
C
C
C
C
C
C
C
C
C
A
1
C
C
C
C
C
C
C
C
C
C
A
1
CC
C
C
C
C
C
C
C
C
A
94
Chapitre 15
Interpr etons de maniere un peu plus alg ebrique le probleme d'interpolation
de Lagrange. En particulier notons gi la forme lin eaire sur C nX ] qui a tout
polyn^ome Q(X ) fait correspondre Q(xi). On cherche alors un el ement P (X )
de C n X ] qui r ealise gi(P ) = yi pour tout i. Remarquons que les gi forment
une base du dual de C n X ] et que cette base est la base duale de la base
constitu ee par les Li .
Nous poserons le probleme g en eral de l'interpolation en ces termes:
Soit E un espace vectoriel de dimension n, E le dual de E , (gi)i une base
de E et (yi)i des nombres. Trouver un el ement P de E tel que gi(P ) = yi
pour tout 1 i n.
Il est clair que si (ei)i est la base de E dont (gi)i est la base duale, alors
P=
n
X
i=1
yiei:
Nous allons voir par la suite quelques exemples qui entrent dans ce cadre
g en eral.
Soient x0 < x1 et y0 y1 y00 y10 des nombres r eels. On cherche un polyn^ome P
de degr e 3 tel que
8 P (x ) = y
>
< P (x01) = y01
0
0
>
: PP 0((xx01)) == yy010
Interventions
95
Si on arrive a trouver ces polyn^omes cela prouvera a la fois que ces polyn^omes
forment une base de E , que les formes lin eaires introduites forment une base
de E , qui est la base duale de la base polyn^omiale trouv ee.
Un simple calcul nous permet de trouver eectivement ces polyn^omes (ce
sont en fait des solutions dans des cas particuliers bien choisis du probleme
pos e)
2
H0x0 (x) = (x ; x1)(x(3;x0x;)x3 1 ; 2x)
0
) (x ; x1) :
H1x1 (x) = (x ;(xx0;
x )2
2
Il ressort de toutes ces consid erations que le probleme a une solution unique
(polyn^ome d'interpolation de Hermite) donn ee par
96
Chapitre 15
P (x) = y0H0x0 (x) + y1H0x1 (x) + y00 H1x0 (x) + y10 H1x1 (x):
Si nous sommes partis d'une fonction f de classe C 4 sur un intervalle compact
I contenant les points x0 x1, et si nous appelons P le polyn^ome d'interpolation de Hermite associ e aux points x0 x1 et aux valeurs f (x0) f (x1) f 0(x0) f 0(x1),
alors comme dans l'exemple de l'interpolation de Lagrange, l'application
r ep et ee du th eoreme de division des fonctions di erentiables nous donne
l'approximation
jf (x) ; P (x)j 4!1 (x ; x0)2(x ; x1)2 sup jf (4)(t)j:
t2I
De nition 15.2.1 Une fonction f denie sur a b] est une fonction spline
j +1
Interventions
97
ou Q(x) est un polyn^ome de degr e 1 que l'on peut pr esenter sous la forme
Q(x) =
(xj+1 ; x) + (x ; xj ):
Evaluons
et en utilisant f (xj ) = yj et f (xj+1 ) = yj+1. On trouve
1
(
x
j +1 ; xj )2
= yj ; Mj
6
(xj+1 ; xj )
1
(
x
j +1 ; xj )2
= yj+1 ; Mj+1
6
(xj+1 ; xj )
si bien que si on pose
hj+1 = xj+1 ; xj
on obtient pour x 2 xj xj+1],
3
3
f (x) = M6 j (xj+1h ; x) + M6j+1 (x h; xj ) +
j +1
j +1
h2j+1 (x ; xj )
h2j+1 (xj+1 ; x)
yj ; Mj 6
hj+1 + yj+1 ; Mj+1 6
hj+1 :
Nous allons exploiter maintenant les conditions sur la d eriv ee premiere. Pour
2 j n ; 1 on a
; yj
f 0(x+j ) = ;Mj hj3+1 ; Mj+1 hj6+1 + yj+1
hj+1
f 0(x;j ) = Mj;1 h6j + Mj h3j + yj ;h yj;1
j
si bien que
hj M + hj + hj+1 M + hj+1 M = yj+1 ; yj ; yj ; yj;1 :
j
6 j ;1
3
6 j+1
hj+1
hj
On dispose donc de n ; 2 equations lin eaires pour d eterminer les n inconnues
M1 M2 Mn . Il convient donc si on espere avoir une solution unique de
donner deux conditions suppl ementaires. Pour la suite du calcul nous imposerons donc les valeurs de la d eriv ee de f en x1 et en xn, c'est-a-dire
f 0(x1) = y10
98
Chapitre 15
On a alors
f 0(xn) = yn0 :
2M1 + M2 = h6 y2 h; y1 ; y10
2
2
et
Si on pose
8 1 = 1
>
< n = 0
hj
>
j = hj +hj
: j = 1 ; j 21 jj nn ; 1
8
>
y
;
y
6
0
b1 = h h ; y1
>
>
<
y
;
y
6
n
0
n
;
bn = hn yn ; hn
>
>
>
y
;yj
y
;yj;
j
j
6
2 j n;1
: bj = hj +hj hj ; hj
+1
+1
et
+1
+1
+1
Interventions
99
Zb
a
00 2
g (t) dt
0 25=2
1 + g (t)
et donc si la d eriv ee de g(x) est petite on peut approcher cette energie de
)exion par
Z b
2
g00(t) dt:
Nous allons voir que les fonctions splines cubiques minimisent cette derniere
expression. Sur C 2a b] on d enit un semi-produit scalaire par
< f g >=
qui donne la semi-norme
jf j =
Zb
Z b
a
f 00(t)g00(t)dt
1=2
f 00(t) 2dt
Soit N le sous espace de C 2a b] constitu e des fonctions nulles aux points
xj et telles que f 0(a) = f 0(b) = 0.
reduite a f0g.
Lemme 15.2.2 Toute fonction f 2 C 2a b] s'ecrit d'une facon unique sous
la forme f = s + h ou s 2 SY et h 2 N .
Theoreme 15.2.3 Parmi toutes les fonctions f 2 C 2a b] qui verient f (xj ) =
yj et les conditions f 0(a) = y10 et f 0(b) = yn0 la fonction qui minimise l'ener-
gie de exion est la spline cubique (l'element de SY ) qui verie en outre
f 0(a) = y10 et f 0(b) = yn0 .
Theoreme 15.2.4 Parmi toutes les fonctions f 2 C 2a b] qui verient f (xj ) =
yj la fonction qui minimise l'energie de exion est la spline cubique (l'element
de SY ) qui verie en outre f 00(a) = f 00 (b) = 0.
100
Chapitre 15
m etrique
P (x) =
n
X
p=0
apcos(px) + bpsin(px)
et aussi
einxP (x) =
En posant X = eix on obtient
einxP (x) =
2n
X
k=0
2n
X
k=0
ck;n eikx:
ck;n X k
ce qui ramene notre probleme a un probleme d'interpolation de Lagrange.
Remarquons que des que les ck sont connus, on calcule facilement les ap et
les bp gr^ace aux formules
ap = cp + c;p
bp = i(cp ; c;p):
Interventions
101
Zb
a
f (x)dx
ou f est une fonction susamment r eguliere pour assurer l'existence des
d eriv ees et des bornes sup erieures dont nous aurons besoin.
Les m ethodes que nous d ecrivons dans un premier temps s'appuient sur
la d emarche suivante:
{ On d ecoupe l'intervalle d'int egration en N morceaux de m^eme longueur
Z xi
+1
xi
f (x)dx
102
Chapitre 15
m(ip)(f ) = sup
t2xixi+1 ]
f (p)(t)
Interventions
103
rectangles a gauche). Remarquons qu'il s'agit bien d'une m ethode d'interpolation de Lagrange en un point par un polyn^ome de degr e z ero. Ainsi
Z1
;1
f (t)dt =
En ecrivant
on obtient
ou encore
Z1
;1
f (;1)dt + e = 2f (;1) + e:
f (u) = f (;1) +
Zu
;1
f 0(t)dt
Z 1
Z1
(1)
f (u)du ; 2f (;1) m (f ) (u + 1)du
;1
;1
jej 2m(1)(f ):
Z xi
+1
xi
avec
Zb
avec
; a) f (x ) + + f (x )] + E
f (u)du = (b N
0
N ;1
Methode du milieu
2
(
b
;
a
)
jE j N M (1)(f ):
La m etode des rectangles utilise la valeur de la fonction f en un point d etermin e de l'intervalle. Il faudrait voir si un bon choix de ce point ne conduirait
pas a une optimisation de la "qualit e de la m ethode". Encore faudrait il donner un sens a cette expression, ce que nous ferons par la suite. En attendant
104
Chapitre 15
;1
En ecrivant
f (u) = f (0) +
Z1
on obtient
;1
f (u)du = 2f (0) +
Zu
0
f 0(t)dt
Z 1 Z u
;1
f 0(t)dt
du:
Zu
0
Donc
Z 1 Z u
;1
On en conclut que
f 0(t)dt = uf 0(0)
f 0(t)dt
du = ;
Zu
0
(t ; u)f (2)(t)dt:
Z 1 Z u
;1
Z 1
jej = f (u)du ; 2f (0) 1=3m(2)(f ):
;1
Zb
a
Interventions
105
ou
x0i = xi +2xi+1
et ou
jE j (b24;Na2) M (2)(f ):
3
Z1
;1
f (u) ; (u + 1)f (1) + (u ; 1)f (;1) 1 j(u ; 1)(u + 1)jm(2)(f ):
2
2
106
Chapitre 15
Z xi
xi
avec
+1
Zb
avec
jE j (b12;Na2) M (2)(f ):
3
Methode de Gauss
Comme dans le cas de l'interpolation de Lagrange de degr e 0, nous allons essayer dans le cas de l'interpolation de Lagrange de degr e 1, de choisir au mieux
les deux points d'interpolation de maniere a am eliorer la m ethode. Ainsi pour
la m ethode des trapezes les point d'interpolation etaient aux bornes de l'intervalle, pour la m ethode de Gauss les points d'interpolation seront des points
bien choisis de l'intervalle.
Interventions
107
et tels que ;1
< 1. On note et les formes lin eaires sur
R1X ] d enies par u (P ) = P (u). Si on note
P(X ) = X
;;
et
P (X ) = X ;;
I (P ) =
se d ecompose sous la forme
Z1
;1
f (u)du
I = + :
Cette formule appliqu ee aux polyn^omes P et P donne les valeurs explicites
des constantes et , ce qui permet d' ecrire
I = 2;
+
2;
:
Ceci veut dire que pour tout polyn^ome P 2 R1X ] on a
Z1
P (u)du = 2;
P (
) +
2;
P ( ):
;1
Pour une fonction f on va donc avec cette m ethode ecrire
Z1
f (u)du = 2;
f (
) +
2;
f ( ) + e
;1
et l'erreur e est nulle pour les polyn^omes de degr e 1. Peut-on choisir
les points
et pour que la formule reste exacte (e = 0) pour un degr e
sup erieur? La r eponse est donn ee par:
Proposition 15.3.1 Il existe un couple et un seul de points
et tels que
pour tout polyn^ome P de degre 3 on ait
Z1
P (u)du = 2;
P (
) +
2;
P ( )
;1
108
Chapitre 15
;1 = p1 :
= p
3
3
De plus, quels que soient les points
et il existe un polyn^ome de degre 4
qui ne verie pas la formule precedente.
Z1
P (u)du = P (; p1 ) + P ( p1 ):
3
3
;1
La methode de Gauss consiste donc a utiliser cette formule pour approcher
l'int egrale:
Z1
f (u)du = f (; p1 ) + f ( p1 ) + e:
3
3
;1
La majoration de l'erreur e se fait maintenant en utilisant un polyn^ome
de degr e 3 qui interpole f . Plus pr ecis ement on considere le polyn^ome
d'Hermite H de degr e 3 tel que
H (; p1 ) = f (; p1 ) H ( p1 ) = f ( p1 )
3
3
3
3
H 0(; p1 ) = f 0(; p1 ) H 0( p1 ) = f 0( p1 ):
3
3
3
3
Dans ces conditions
Z1
H (u)du = f (; p1 ) + f ( p1 )
3
3
;1
donc
Z 1
Z 1
Z1
jej = f (u)du ; H (u)du jf (u) ; H (u)jdu:
;1
;1
;1
Interventions
109
2
1
1
2
jf (u) ; H (u)j 24 u ; 3 m(4)(f )
d'ou on tire par int egration
jej m135(f ) :
(4)
Zb
a
f (u)du =
avec
X Z xi
N ;1
i=0 xi
+1
f (u)du + E
5 M (4)(f )
(
b
;
a
)
jE j N 4 4320 :
Remarque: En fait bien qu'au d epart on ait travaill e sur une interpolation
de Lagrange de degr e 1, tout se passe ensuite de la m^eme facon que pour
une interpolation d'Hermite de degr e 3. C'est ce qui fait la performance de
la m ethode.
Methode de Simpson
u(P ) = P (u):
110
Chapitre 15
Les polyn^omes
P;1 (X ) = (X ;2(11)(+X ); )
; 1)(X + 1)
P (X ) = ((X ;
1)( + 1)
P1(X ) = (X +2(11)(;X ); )
v erient u(Pv ) = uv . On en d eduit que (;1 1) est une base du dual de
R2X ] et donc que la forme lin eaire I d enie par
I (P ) =
Z1
;1
P (t)dt
Z1
;1
P (t)dt =
;1) + P ( ) + 1 P (1):
;1 P (
Par un bon choix du point on va voir que cette formule persiste pour les
polyn^omes de degr e 3. On laisse au lecteur d' etablir la proposition suivante
Proposition 15.3.3 Il existe un point et un seul tel que pour tout polyn^ome de degre 3 on ait
Z1
;1
P (t)dt =
;1) + P ( ) + 1 P (1):
;1 P (
Z1
;1
Interventions
111
La methode de Simpson consiste donc a utiliser cette formule pour approcher l'int egrale:
Z1
;1
Z 1
Z 1
Z1
jej = f (u)du ; H (u)du jf (u) ; H (u)j du:
;1
;1
;1
Z xi
+1
avec
xi
jeij
xi+1 ; xi 5 m(4)(f )
i
2
90 :
Sur l'intervalle a b] tout entier on peut ecrire
Zb
a
"
avec
+ ei
N ;1
i=1
X xi + xi+1 #
f (xi) + 4 f
+E
5
(4)
jE j (b N; 4a) M2880(f ) :
N ;1
i=0
112
Chapitre 15
L'erreur est la aussi comme pour la m ethode de Gauss en 1=N 4 , mais avec des
coecients un peu moins bons. Cependant la formule nepfait pas intervenir
comme dans celle de Gauss des nombres "compliqu es" ( 3) ce qui explique
qu'elle ait et e plus pris ee avant l'apparition des ordinateurs.
Peut on la aussi optimiser mieux la m ethode en choisissant de maniere astucieuse les trois points d'interpolation? Ceci est en partie l'objet de l' etude
plus g en erale du paragraphe suivant.
que les polyn^omes de Legendre forment l'unique suite de polyn^omes telle que
a) deg
(Pi) = i
R
1
b) ;1 Pi (u)Pj (u)du = 0 (i 6= j )
c) Pi (1) = 1.
Appelons a1 an les racines de Pn elles sont distinctes et appartiennent
a l'intervalle ;1 1]. Les formes lin eaires (ai an ) d enies par ai (P ) =
P (ai) forment une base du dual de l'espace Rn;1X ] des polyn^omes de degr e
n ; 1 (espace de dimension n). On en conclut que la forme lin eaire I d enie
sur Rn;1X ] par
Z1
I (P ) = P (u)du
;1
I=
Z1
;1
P (u)du =
Z1
;1
P (u)du =
Interventions
113
Preuve : Il sut de montrer que la formule est vraie pour les polyn^omes
d'une base de l'espace R2n;1X ] des polyn^omes de degr e 2n ; 1. La famille
(P0 Pn;1 P0Pn Pn;1 Pn ) est une base de R2n;1X ] (tous les degr es
sont repr esent es une fois et une seule). Il est clair que P0 Pn;1 v erient
la formule puisque ces polyn^omes sont de degr e n ; 1. Quand aux Pi Pn
(0 i n;1) il estR clair en utilisant l'orthogonalit e de la suite des polyn^omes
1
de Legendre que ;1 Pi(u)Pn (u)du = 0 et que sachant que les ai sont les
racines de Pn , i(Pj Pn ) = Pj (ai)Pn (ai) = 0. Ils v erient donc eux ausi la
formule.
Toute autre famille de points est moins bonne que la famille (ai).
Proposition 15.3.6 Soient
1
n des points distincts de l'intervalle
;1 1] dont l'un au moins n'est pas racine du polyn^ome de Legendre de degre
n. Alors il existe un polyn^ome Q de degre 2n ; 1 tel que
Z1
;1
Q(u)du 6=
1 Q(
1) + + n Q(
n ):
Preuve : Posons Qn (X ) = (X ;
1) (X ;
n ).Par hypothese, Qn n'est
114
Chapitre 15
p
p
3
a1 = ; p a2 = 0 a3 = p3 :
5
5
Un calcul simple donne alors pour tout polyn^ome P de degr e 5
" p!
p !#
Z1
P (u)du = 91 5P ; p3 + 8P (0) + 5P p3 :
5
5
;1
Ainsi pour toute fonction f de classe C 5 on a
p !#
" p!
Z1
1
3
f (u)du = 9 5P ; p + 8P (0) + 5P p3 + e
5
5
;1
ou jej se majore en utilisant l'in egalit e
jf (u) ; P (u)j 6!1 u2(u2 ; 3=5)2 m(6)(f )
ce qui par int egration fournit
1 m(6)(f ):
jej 15750
Sur chaque intervalle xi xi+1] on a une erreur
xi+1 ; xi 7 m(6)(f )
i
ei
2
15750
et sur a b] une erreur
7
M (6)(f ) :
jE j (b ;N 6a) 15750
128
Toutes les m ethodes vues jusqu'a pr esent entrent dans le cadre g en eral suivant (methodes de quadrature elementaires). On a sur l'intervalle xi xi+1]
une formule du type
Z xi
xi
+1
li
X
j =0
Interventions
ou
115
li
X
j =0
!ij = 1:
On essaie d'adapter les parametres pour que la m ethode soit la meilleure
possible.
Remarquons que puisque lji=0 !ij = 1, une m ethode de quadrature el ementaire est toujours au moins d'ordre 0.
Le lecteur est invit e a pr eciser les parametres qui correspondent aux diverses
m ethodes d ecrites pr ec edemment.
La m ethode que nous allons d ecrire maintenant part d'une m ethode d'acc el eration de convergence sur les suites.
Formule de Richardson
un ; a = kn + O(k0n )
ou k et k0 sont des r eels tels que 0 < jk0j < jkj < 1 et ou est un r eel non
nul.
Alors
un+1 ; a = kn+1 + O(k0n )
kun ; ka = kn+1 + O(k0n )
et par suite
un+1 ; kun ; a = O(k0n):
1;k
116
Chapitre 15
Interventions
117
n;1
n ; k = O ((k0=k)n )
donc
vn ; a = O(k0n):
Remarque 2: On peut donner une version continue de la formule de Richardson.
Soit f (y) telle que limy!0 f (y) =
0. On suppose que
f (y) =
0 +
1y + +
pyp + O(yp+1):
Soit alors 0 < r < 1 et y0 > 0.
Formons la suite
Am0 = f (rm y0)
et remarquons que
lim A =
0
m!1 m0
Am0 =
0 +
1y0rm + +
py0p(rp )m + O (rp+1)m :
Donc en posant k1 = r kp = rp on se ramene a la formule de Richardson
pr ec edente. Plus pr ecis ement, pour 0 n p ; 1 on d enit
rn+1 Am;1n :
Amn+1 = Amn ;
1 ; rn+1
Dans ces conditions
Amp ;
0 = O (rp+1)m :
118
Chapitre 15
Methode de Romberg
2n ;1
i=1
f (xi)]
la valeur approch ee de l'int egrale donn ee par la m ethode des trapezes.
La formule d'Euler-Maclaurin nous donne
Zb
a
f (u)du ; I2n =
(1=4)n + O ((1=8)n ) :
119
Bibliographie
1] J.P. Demailly Analyse numerique et equations dierentielles
Presses Universitaires de Grenoble 1991
2] I. Glazman, Y. Liubitch Analyse Lineaire dans les Espaces de
Dimensions Finies Mir-Moscou 1972
3] M.W. Hirsh, S. Smale Dierential Equations, Dynamical Systems, and Linear Algebra Academic Press 1974
4] J.L. Ovaert, J.L. Verley Algebre Vol.1 Cedic Nathan (Coll. Epistemon) 1981
5] R. Rolland Groupes nis commutatifs et transformations de
Fourier discretes Cours de L'ES2I 1992 (disponible par ftp sur
iml.univ-mrs.fr)
Index
acc el eration, 117
algebre de Boole, 9
algorithme de Crout, 63
application lin eaire, 15, 18, 55
121
incomplete (base), 24
ind ependant, 20
index, 69
interpolation, 82
interpolation d'Hermite, 96
interpolation de Lagrange, 83, 91
inverse (matrice), 57
Jordan (bloc de), 77
Lagrange (interpolation de), 83, 91
Lagrange (polyn^ome de), 84
Legendre (polyn^omes de), 114
li ee, 20
libre, 20, 23
lin eaire (application), 15, 18
lin eaire (combinaison), 19
lin eaire (forme), 18, 33
lin eaire (systeme), 59
lin eairement d ependant, 20
lin eairement ind ependant, 20
m ethode de Gauss, 108
m ethode de Richardson, 117
m ethode de Romberg, 117
m ethode de Simpson, 111
m ethode des rectangles, 104
m ethode des tangentes, 108
m ethode des trapezes, 107
m ethode du milieu, 105
matrice, 40, 45
matrice circulante, 43
matrice de passage, 56
matrice inverse, 57
matrice transpos ee, 46
milieu (m ethode du), 105
minimal (polyn^ome), 69
multilin eaire (forme), 49
122
spectral (sous espace), 70
spectre, 70
splines, 98
stationnaire (ltre), 81
suppl ementaire, 28, 56
systeme de Cramer, 62
systeme de Vandermonde, 84, 88
systeme lin eaire, 59
tangentes (m ethode des), 108
th eoreme de division, 86
transform ee de Fourier, 91
transpos e, 38, 46
trapezes (m ethode des), 107
valeur propre, 67, 70
Vandermonde (d eterminant de), 53
Vandermonde (systeme de), 84, 88
vecteur propre, 67
vectoriel (espace), 7
vectoriel (sous espace), 11