Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Richardson Convergence

Dans cours (2)

MATH-250: Advanced numerical analysis I

Construction and analysis of numerical methods for the solution of problems from linear algebra, integration, approximation, and differentiation. ...

MATH-251(c): Analyse numérique

Le cours présente des méthodes numériques pour la résolution de problèmes mathématiques comme des systèmes d'équations linéaires ou non linéaires, l'approximation de fonctions, l'intégration et la dérivation, et les équations différentielles. ...

Description

Cette séance de cours couvre les critères de convergence et les choix pour alpha dans le cas de matrices A et P définies positives symétriques, ainsi qu'un critère de cas stationnaire. Il explique que la méthode d'itération de Richardson est convergente lorsqu'une constante alpha est choisie entre 0 et 2 sur lambda 1, avec des choix optimaux supplémentaires pour l'alpha dans les cas dynamiques et stationnaires. La séance de cours traite également de l'estimation des erreurs à l'étape K, du concept de conditionnement matriciel et de la simplification du conditionnement pour les matrices définies positives symétriques.

Enseignant·e·s (3)

Simone Deparis

Daniel Kressner

Annalisa Buffa

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (14)

Definite matrix

In mathematics, a symmetric matrix with real entries is positive-definite if the real number is positive for every nonzero real column vector where is the transpose of . More generally, a Hermitian matrix (that is, a complex matrix equal to its conjugate transpose) is positive-definite if the real number is positive for every nonzero complex column vector where denotes the conjugate transpose of Positive semi-definite matrices are defined similarly, except that the scalars and are required to be positive or zero (that is, nonnegative).

Matrice antisymétrique

En mathématiques, et plus précisément en algèbre linéaire, une matrice antisymétrique est une matrice carrée opposée à sa transposée. Une matrice carrée A à coefficients dans un anneau quelconque est dite antisymétrique si sa transposée est égale à son opposée, c'est-à-dire si elle satisfait à l'équation : A = –A ou encore, en l'écrivant avec des coefficients sous la forme A = (ai,j), si : pour tout i et j, aj,i = –ai,j Les matrices suivantes sont antisymétriques : Le cas où la matrice est à coefficients dans un anneau de caractéristique 2 est très particulier.

Matrice symétrique

vignette|Matrice 5x5 symétrique. Les coefficients égaux sont représentés par la même couleur. En algèbre linéaire et multilinéaire, une matrice symétrique est une matrice carrée qui est égale à sa propre transposée, c'est-à-dire telle que a = a pour tous i et j compris entre 1 et n, où les a sont les coefficients de la matrice et n est son ordre. Les coefficients d'une matrice symétrique sont symétriques par rapport à la diagonale principale (du coin en haut à gauche jusqu'à celui en bas à droite).

Matrice inversible

En mathématiques et plus particulièrement en algèbre linéaire, une matrice inversible (ou régulière ou encore non singulière) est une matrice carrée A pour laquelle il existe une matrice B de même taille n avec laquelle les produits AB et BA sont égaux à la matrice identité. Dans ce cas la matrice B est unique, appelée matrice inverse de A et notée B = A. Cette définition correspond à celle d’élément inversible pour la multiplication dans l’anneau des matrices carrées associé.

Matrix decomposition

In the mathematical discipline of linear algebra, a matrix decomposition or matrix factorization is a factorization of a matrix into a product of matrices. There are many different matrix decompositions; each finds use among a particular class of problems. In numerical analysis, different decompositions are used to implement efficient matrix algorithms. For instance, when solving a system of linear equations , the matrix A can be decomposed via the LU decomposition.

Afficher plus

Séances de cours associées (43)

Algèbre linéaire

Couvre les bases de l'algèbre linéaire, y compris les opérations matricielles et la décomposition des valeurs singulières.

Récapitulation du théorème spectral

Revisite le théorème spectral pour les matrices symétriques, mettant l'accent sur les propriétés orthogonales diagonales et son équivalence avec les formes symétriques bilinéaires.

Décomposition LLT: Cholesky MOOC: Analyse Numérique pour Ingénieurs

Couvre la décomposition Cholesky d'une matrice symétrique positive définie et de ses applications.

Formes quadratiques en IR3 MOOC: Algèbre Linéaire (Partie 3)

Explore les formes quadratiques dans l'IR3, les propriétés matricielles, la diagonalisation et les matrices positives définies.

Valeurs propres et optimisation : techniques d'analyse numérique

Discute des valeurs propres, de leurs méthodes de calcul et de leurs applications en optimisation et en analyse numérique.

Afficher plus

Concepts associés (14)

Definite matrix

Matrice antisymétrique