Méthode QR

Soit $A\in GL_n(\mathbb{C})$ diagonalisable, on suppose que ses valeurs propres sont de module distincts et on les classe par module décroissant; $|\lambda_1|>..>|\lambda_n|$. On construit la suite\r\[\begin{cases}\rA_0=A\\\rA_{k+1}=R_k Q_k\text{ où }A_k=Q_k R_k\text{ est la décomposition QR de }A_k\r\end{cases}\]\rOn suppose qu'il existe $P\in GL_n(\mathbb{C})$ tel que $A=PDP^{-1}$ où $D=diag(\lambda_1,..,\lambda_n)$ et $P^{-1}$ admet une décomposition $LU$.\rAlors la diagonale de $A_k$ converge vers $(\lambda_1,..,\lambda_n)$, et les coefficients sous la diagonale tendent vers 0.
Qualité Numéro Titre
5 233 Analyse numérique matricielle. Résolution approchée de systèmes linéaires, recherche d’éléments propres, exemples.2021
5 156 Endomorphismes trigonalisables. Endomorphismes nilpotents.2025
5 162 Systèmes d’équations linéaires ; opérations élémentaires, aspects algorithmiques et conséquences théoriques.2025
4 153 Valeurs propres, vecteurs propres. Calculs exacts ou approchés d'éléments propres. Applications.2025
2 154 Exemples de décompositions de matrices. Applications. 2024
Rajouter une version
Utilisateur : Chloé
Références :
Introduction à l'analyse numérique matricielle et à l'optimisation - Ciarlet
Utilisateur : JULIEN L
Références :
Introduction à l'analyse numérique matricielle et à l'optimisation - Ciarlet
Utilisateur : Malartre
Ce développement est assez technique, il faut s'accrocher. Je l'ai proposé lors de mon oral d'analyse (leçon 226), mais le jury a choisi le gradient à pas optimal. Aucune question ne m'a été posée sur la méthode QR. Selon moi : leçons 148, 149 et 226 (2023). Je pense que ce développement ne rentre absolument pas dans les leçons 157 et 162, contrairement à ce qui est indiqué. N'hésitez pas à m'écrire si vous repérez des coquilles.
Références :
Introduction à l'analyse numérique matricielle et à l'optimisation - Ciarlet
Utilisateur : RMaurice
Si ma version peut aider des gens, avec plaisir ! Référence sur le document. Attention aux éventuels coquilles.
Références :
Je ne garantis pas que les choix de notations du livre (que j'ai reprises à quelques détails près) soient les plus indiqués pour réussir à bien voir le chemin de la démonstration et éviter les confusions.
Références :
Introduction à l'analyse numérique matricielle et à l'optimisation - Ciarlet
Utilisateur : mickael
Références :
Matrices (2ème édition anglaise) - Serre
Introduction à l'analyse numérique matricielle et à l'optimisation - Ciarlet