Leçon 233 : Analyse numérique matricielle : résolution approchée de systèmes linéaires, recherche de vecteurs propres, exemples.

(2015) 233

Dernier rapport du Jury :

(2014 : 233 - Analyse numérique matricielle : résolution approchée de systèmes linéaires, recherche de vecteurs propres, exemples.) Cette leçon puise une bonne part de son contenu dans le programme complémentaire de l'oral, commun aux différentes options. Les notions de norme matricielle et de rayon spectral sont bien sûr centrales pour ce sujet où le rôle du conditionnement dans l'étude de sensibilité des solutions de systèmes linéaires doit être bien identifié. L'analyse de convergence des méthodes itératives de résolution de systèmes linéaires, en identifiant leurs avantages par rapport aux méthodes directes, trouve naturellement sa place dans cette leçon, tout comme l'étude d'algorithmes de recherche déléments propres, avec la méthode de la puissance (ou la méthode $QR$) et des applications à des matrices vérifiant les hypothèses des théorèmes de Perron-Frobenius. Le cas particulier des matrices symétriques définies positives doit amener à faire le lien avec les problèmes de minimisation et les méthodes de gradient. On notera d'ailleurs que de tels développements peuvent aussi être exploités avec bonheur dans la leçon 226. Les techniques d'analyse permettent aussi l'investigation des propriétés spectrales de matrices et la localisation de valeurs propres de matrices (théorème de Gershgörin, suites de Sturm). Le jury encourage les candidats à illustrer leur propos d'exemples pertinents issus de la théorie de l'interpolation ou de la résolution approchée de problèmes aux limites, incluant l'analyse de stabilité de méthodes numériques.

Plans/remarques :

Pas de plans pour cette leçon.

Retours d'oraux :

Pas de retours pour cette leçon.