CONVERGENCE DES

MÉTHODES ITÉRATIVES
DR. REDOUANE TLEMSANI
Une matrice carrée A est à diagonale dominante si

C'est donc une matrice à

diagonale dominante.
Ce n'est donc pas une matrice à
diagonale dominante.
 SYMÉTRIQUE
DÉFINIE POSITIVE
Une matrice A est symétrique si AT = A
 SYMÉTRIQUE
DÉFINIE POSITIVE
Mineur principal d’une matrice carrée :
Soit A ϵ Rnxn est une matrice. Les mineurs
principaux d’ordre k de cette matrice sont les
déterminants des matrices tronquées (aij)1<i<j<k
pour k allant de 1 à n .
Exemple

Les mineurs principaux de la matrice A sont

i, i = 1; 2; 3 , tels que :
1 = 2
2 0
2= = (2) ∗ (−1)− (0) ∗ (0) = −2
0 −1
2 0 1
−1 1 0 −1
3= 0 −1 1 =2 +1 =4+1=5
0 −2 1 0
1 0 −2
 SYMÉTRIQUE
DÉFINIE POSITIVE
La matrice symétrique A ϵ Mnxn est définie
positive si et seulement si tous ses mineurs
principaux sont strictement positifs ( i=1,n
i>0)

1) 1 = 20>0:
20 12
2) 2= = (20) ∗ (15) − (12) ∗ (12) = 156 > 0
12 15
20 12 5
15 2 12 2 12 15
3) 3= 12 15 2 = 20 − 12 +5
2 25 5 25 5 2
5 2 25
=7420-3480-255=3685>0
Les normes matricielles de ||A|| en termes des éléments de A
que l’on note aij

20 12 5 2 0 1
𝐴 = 12 15 2 𝐵= 0 −1 1
5 2 25 1 0 −2
𝑛
𝑚𝑎𝑥 𝑎𝑖𝑗 = 𝑚𝑎𝑥 20 + 12 + 5 , 12 + 15 + 2 , 5 + 2 + 25
𝐴 1 = 𝑗=1…𝑛 ෍
𝑖=1
= 𝑚𝑎𝑥 37,29,32 = 37
𝑛
𝑚𝑎𝑥 𝑎𝑖𝑗 = 𝑚𝑎𝑥 2 + 0 + 1 , 0 + −1 + 1 , 1 + 0 + −2
𝐵 = 𝑖=1…𝑛 ෍
𝑗=1
= 𝑚𝑎𝑥 3,2,3 = 3
Le rayon spectral d'une matrice est le maximum des modules
des valeurs propres
 A = max li
Pour le calcul des valeurs propres li, on calcule le déterminant de
A-lI
Exemple
0 −1 1 1 0 0 𝜆 0 0
𝐴 = −1 1 −1 𝐼= 0 1 0 𝜆𝐼 = 0 𝜆 0
1 −1 0 0 0 1 0 0 𝜆
 Convergence des méthodes itératives

Le rayon spectrale

0 −1 1 𝜆 0 0 −𝜆 −1 1
A-lI= 𝐴 = −1 1 −1 𝜆𝐼 = 0 𝜆 0 = 𝜆𝐼 = −1 1 − 𝜆 −1
-
1 −1 0 0 0 𝜆 1 −1 −𝜆

−l −1 1
1−l −1 −1 −1 −1 1 − l
𝑑𝑒𝑡 𝐴 − 𝐼 = −1 1 − l −1 =-l − (−1) +1
−1 −l 1 −l 1 −1
1 −1 −l
= −l −l 1 − l − 1 + l + 1 + 1 − 1 + l
= −l −l + l2 − 1 + 2l + 1

= l2 − l3 + l + 2l + 1 = −l + l + 3l + 1
3 2

= −l3 + l2 + 3l + 1

= − l+1 l2 − 2l − 1
 Convergence des méthodes itératives

Le rayon spectrale

𝑑𝑒𝑡 𝐴 − l𝐼 = − l+1 l− 1+ 2 l− 1− 2

Les valeurs propres de A sont :

l1 =−1 , l2 = 1 + 2, l3 =1− 2

 A = max li =1 + 2
Conditions Suffisantes
1. Si A est à diagonale dominante alors les méthodes de
Jacobi et de Gauss-Seidel convergent
2. Si A est strictement symétrique définie positive alors la
méthode de Gauss-Seidel converge et la méthode de la
relaxation converge pour 0 <  < 2.

3. G

4. gh
 Convergence des
méthodes itératives
Condition nécessaire & Suffisantes
La méthode itérative de forme
x(k+1)=Bx(k)+C, converge si et seulement si
 Etude de Convergence
Exemple 1
Calculer les approximations successives de la solution du système par les
méthodes de Jacobi et de Gauss-Seidel. Dans quels cas ces méthodes
convergent-elles vers la solution du problème ?

𝑎 𝑏 𝑥 1
A= 𝑦 =
𝑏 𝑎 1
(𝑘+1) 1 𝑘
𝑥 = (1 − 𝑏𝑦 )
𝑎𝑥 + 𝑏𝑦 = 1 𝑎
ቊ 1
𝑏𝑥 + 𝑎𝑦 = 1 𝑦
(𝑘+1)
= (1 − 𝑎𝑥
𝑘
)
𝑏
Commençons par les conditions suffisantes,
A est à diagonale dominante si

A est à diagonale si

alors les méthodes de Jacobi et de Gauss Seidel convergent si

A est strictement symétrique définie positive
𝑎 𝑏 T 𝑎 𝑏
A= A =
𝑏 𝑎 𝑏 𝑎
Donc A=AT ce qui veut dire que A est Symétrique
Donc A=AT ce qui veut dire que A est Symétrique
A ϵ Mnxn est définie positive si et seulement si tous ses mineurs principaux
Sont strictement positifs ( i=1,n i>0)
𝑎 𝑏 2
Det(A)= =a − b2 Det(A)>0 si a2 > b2 →
𝑏 𝑎

La méthode de Gauss Seidel converge si

Condition nécessaire & Suffisantes (Méthode de Jacobi)
Matrice de Jacobi: J=D-1(E+F)
𝑎 0 0 0 0 𝑏
D= -E= -F=
0 𝑎 𝑏 0 0 0
-1
1/𝑎 0
D =
0 1/𝑎
0 −𝑏
E+F=
−𝑏 0
1/𝑎 0 0 −𝑏 0 −𝑏/𝑎
Donc D-1(E+F) = * =
0 1/𝑎 −𝑏 0 −𝑏/𝑎 0
0 −𝑏/𝑎
=AT ce qui veut J= ire que A est Symétrique
−𝑏/𝑎 0
Condition nécessaire & Suffisantes (Méthode de Jacobi)
0 −𝑏/𝑎
=AT J= i
−𝑏/𝑎 0
Pour que la méthode de Jacobi converge si et seulement si (j)<1
Calculons det(j-lI) ⇒ l = ou l = −
𝑏 𝑏
𝑎 𝑎
|𝑏|
(j)= max{|l𝑖|}=
|𝑎|

La méthode de Jacobi converge si (j)<1⇒ |𝑏| ≺ |𝑎|

La solution successive par la méthode de Gauss Seidel du
système
(𝑘+1) 1 𝑘
𝑎 𝑏 𝑥 1 𝑥 = (1 − 𝑏𝑦 )
𝑎
A= 𝑦 = ൞ (𝑘+1) 1 𝑘+1
𝑏 𝑎 1 𝑦 = (1 − 𝑎𝑥 )
𝑏

Pour que la méthode de Gauss Seidel converge si et

seulement si (G)<1
G: est la matrice de Gauss-Seidel, G=(D-E)-1F
G: est la matrice de Gauss-Seidel, G=(D-E)-1F
 Convergence des méthodes itératives
Etude de Convergence

Exemple 2
1 0 0
1. On considère le système Ax = b, où: 𝐴 = −1 1 1
0 0 1

La matrice de relaxation est donnée par :

𝐷 1−𝑤
ℒ𝑤 =( − 𝐸) -1 𝐷 +𝐹
𝑤 𝑤

Où D, -E et -F sont respectivement les matrices Diagonale, Triangulaire inférieure

et Triangulaire supérieure avec A = D - E - F.
1- Ecrire la matrice Lw de la méthode de relaxation.
2- déterminer une condition nécessaire et suffisante sur le paramètre ω pour la
convergence de la méthode de relaxation.
 Convergence des méthodes itératives
Etude de Convergence

a) Ecrire la matrice Lw de la méthode de relaxation.

1 0 0 0 0 0 0 0 0
D= 0 1 0 -E= 1 0 0 -F= 0 0 1
0 0 1 0 0 0 0 0 0

La matrice de relaxation est donnée par : 𝐷 1−𝑤

ℒ 𝑤 =(𝑤 − 𝐸) -1 𝐷 +𝐹
𝑤
1/𝜔 0 0
D/w= 0 1/𝜔 0
0 0 1/𝜔
1/𝜔 0 0 0 0 0 1/𝜔 0 0
(D/w)-E= 0 1/𝜔 0 − −1 0 0 = 1 1/𝜔 0
0 0 1/𝜔 0 1 0 0 0 1/𝜔
 Convergence des méthodes itératives
Etude de Convergence

−1
−1 1/𝜔 0 0
𝐷 𝐷
−E = 1 1/𝜔 0 Qui est l’inverse de la matrice +𝐸
𝑤 𝑤
0 0 1/𝜔

En utilisant le principe de la méthode d’élimination de Gauss, on calcule

l’inverse de la matrice de la manière suivante [A|Id] [Id|A]

1/𝜔 0 0 1 0 0 1/𝜔 0 0 1 0 0
1 1/𝜔 0 ቮ0 1 0 L2=L2-()L1 0 1/𝜔 0 ቮ−𝜔 1 0
0 0 1/𝜔 0 0 1 0 0 1/𝜔 0 0 1
 Convergence des méthodes itératives
Etude de Convergence

1 0 0 𝜔 0 0 𝐷
−1 𝜔 0 0
0 1 0 ቮ−𝜔2 𝜔 0 −E = −𝜔2 𝜔 0
0 0 1 0 0 𝜔 𝑤
0 0 𝜔

1 − 𝜔 /𝜔 0 0 0 0 0
1−𝑤
𝐷 +𝐹 = 0 1 − 𝜔 /𝜔 0 +0 0 −1
𝑤
0 0 1 − 𝜔 /𝜔 0 0 0

1 − 𝜔 /𝜔 0 0
= 0 1 − 𝜔 /𝜔 −1
0 0 1 − 𝜔 /𝜔
 Convergence des méthodes itératives
Etude de Convergence

𝜔 0 0 1 − 𝜔 /𝜔 0 0
𝐷 1−𝑤 2
ℒ𝑤 =(𝑤 − 𝐸) -1 𝐷 + 𝐹 = −𝜔 𝜔 0 * 0 1 − 𝜔 /𝜔 −1
𝑤
0 0 𝜔 0 0 1 − 𝜔 /𝜔

1−𝜔 0 0
= −𝜔 1 − 𝜔 1−𝜔 −𝜔
0 0 1−𝜔
 Convergence des méthodes itératives
Etude de Convergence

b) déterminer une condition nécessaire et suffisante sur le paramètre ω pour la

convergence de la méthode de relaxation.

1−𝜔 0 0 𝜆 0 0
𝑑𝑒𝑡 ℒ 𝑤 − 𝜆𝐼 =det −𝜔 1 − 𝜔 1−𝜔 −𝜔 − 0 𝜆 0
0 0 1−𝜔 0 0 𝜆

1−𝜔 −𝜆 0 0
=det −𝜔 1 − 𝜔 1−𝜔 −𝜆 −𝜔
0 0 1−𝜔 −𝜆
1−𝜔 −𝜆 0
=( 1 − 𝜔 − 𝜆)*det
0 1−𝜔 −𝜆
 Convergence des méthodes itératives
Etude de Convergence

2 3
𝑑𝑒𝑡 ℒ𝑤 − 𝜆𝐼 =( 1 − 𝜔 − 𝜆)* 1 − 𝜔 − 𝜆 = 1 − 𝜔 − 𝜆

3
𝑑𝑒𝑡 ℒ 𝑤 − 𝜆𝐼 =0 ⇒ 1 − 𝜔 − 𝜆 =0

Les valeurs propres de Lw sont 𝜆1 = 𝜆2 = 𝜆3 = 1 − 𝜔

donc  ℒ𝑤 = 1 − 𝜔
 Convergence des méthodes itératives
Etude de Convergence

on a alors les équivalences suivantes :

La procédure de relaxation est convergente :

 ℒ𝑤 <1⇔ 1 − 𝜔 < 1
⇔ 0 < 𝜔<2