Calcul d’un résidu système linéaire
Calculez instantanément le résidu d’un système linéaire sous la forme r = b – Ax à partir d’une matrice A, d’un vecteur solution estimé x et du second membre b. Cet outil affiche aussi les normes du résidu pour évaluer la qualité de l’approximation numérique.
Matrice A
Vecteur estimé x
Second membre b
Comprendre le calcul d’un résidu de système linéaire
Le calcul d’un résidu de système linéaire est une opération fondamentale en algèbre linéaire numérique. Lorsqu’on cherche à résoudre un système de la forme Ax = b, on obtient rarement, en pratique, une solution parfaitement exacte, surtout lorsque les calculs sont effectués avec des nombres à virgule flottante. On travaille alors avec une solution approchée, notée souvent x̂ ou simplement x si le contexte est clair. Le résidu mesure l’écart entre ce que le système demande et ce que la solution approchée produit réellement. Il se définit par la relation r = b – Ax.
Dit autrement, on prend la matrice A, on la multiplie par le vecteur de solution estimé x, puis on compare le résultat obtenu au second membre b. Si le calcul donne un vecteur nul ou presque nul, cela signifie que la solution est cohérente avec le système. À l’inverse, un résidu élevé indique que la solution est loin de satisfaire les équations. Ce diagnostic est indispensable en calcul scientifique, en simulation, en optimisation, en estimation statistique et dans toutes les disciplines où les systèmes linéaires sont omniprésents.
Pourquoi le résidu est-il si important ?
Beaucoup de personnes confondent l’erreur sur la solution et le résidu. Pourtant, ce sont deux notions distinctes. Le résidu mesure la qualité de l’ajustement de la solution au système, tandis que l’erreur mesure la distance entre la solution approchée et la vraie solution, qui est souvent inconnue. Dans de nombreux cas pratiques, on ne peut pas mesurer directement l’erreur, mais on peut toujours calculer le résidu. C’est pour cette raison que le résidu est un indicateur central en analyse numérique.
- Il permet de vérifier qu’une solution calculée satisfait bien le système.
- Il sert de critère d’arrêt pour de nombreux algorithmes itératifs.
- Il aide à comparer plusieurs méthodes de résolution.
- Il offre un test rapide de cohérence après arrondis numériques.
- Il permet de détecter des problèmes de conditionnement ou d’instabilité.
Définition formelle du résidu pour un système linéaire
Considérons un système linéaire carré comportant n équations :
Ax = b, où A est une matrice de taille n x n, x un vecteur inconnu et b le vecteur des constantes.
Si l’on dispose d’une approximation x, on définit le résidu par : r = b – Ax. Chaque composante ri représente l’écart observé sur l’équation i. Si ri = 0, l’équation est satisfaite exactement par la solution approchée. Si cette composante est grande, l’équation est mal satisfaite.
En pratique, on ne s’arrête pas toujours à l’inspection du vecteur résidu composante par composante. On calcule souvent une norme pour obtenir une mesure synthétique. Les plus courantes sont :
- Norme 1 : somme des valeurs absolues des composantes du résidu.
- Norme 2 : racine carrée de la somme des carrés, aussi appelée norme euclidienne.
- Norme infinie : plus grande valeur absolue parmi les composantes du résidu.
Exemple simple
Supposons le système :
2x + y = 5
x + 3y = 6
Prenons une solution estimée x = [2, 1]. On calcule :
Ax = [2×2 + 1×1, 1×2 + 3×1] = [5, 5]
Comme b = [5, 6], on obtient : r = b – Ax = [0, 1]. Le résidu n’est pas nul, donc la solution estimée ne satisfait pas parfaitement le système.
Résidu absolu et résidu relatif
Le résidu absolu est directement le vecteur r = b – Ax ou l’une de ses normes. Cependant, pour interpréter correctement sa taille, il est souvent utile de calculer aussi un résidu relatif. Une valeur absolue de 0,01 peut être très petite si les données sont proches de 1000, mais importante si les données sont proches de 0,02. Une forme fréquente est :
||r|| / ||b||
ou encore une version tenant compte de la taille de A et de x. Le résidu relatif donne une mesure normalisée qui facilite la comparaison entre différents systèmes. C’est particulièrement utile dans les logiciels de calcul scientifique ou lors de la validation d’algorithmes.
Étapes détaillées du calcul d’un résidu système linéaire
- Écrire la matrice A et le vecteur b.
- Choisir ou obtenir une solution estimée x.
- Calculer le produit matrice-vecteur Ax.
- Soustraire ce résultat au vecteur b.
- Analyser les composantes du résidu et, si nécessaire, ses normes.
Cette procédure est universelle. Elle s’applique aux systèmes petits ou très grands, aux matrices creuses ou denses, et à des contextes aussi variés que la mécanique, le traitement du signal, l’analyse de réseaux ou l’apprentissage statistique.
Comment interpréter la taille du résidu ?
Un petit résidu est généralement bon signe, mais il ne garantit pas toujours une petite erreur sur la solution. Si la matrice A est mal conditionnée, il est possible d’avoir un résidu faible et une erreur sur x pourtant significative. C’est un point classique d’analyse numérique. En revanche, un résidu élevé est presque toujours révélateur d’une solution peu satisfaisante ou d’un problème dans les données d’entrée.
Comparaison des normes du résidu
| Norme | Définition | Avantage principal | Usage typique |
|---|---|---|---|
| Norme 1 | Somme des valeurs absolues des composantes | Mesure globale simple et robuste | Contrôle agrégé de l’écart total |
| Norme 2 | Racine de la somme des carrés | Très utilisée en optimisation et en moindres carrés | Analyse euclidienne, convergence itérative |
| Norme infinie | Maximum des valeurs absolues | Repère immédiatement la pire équation | Contrôle qualité et seuils de tolérance |
Statistiques numériques utiles pour interpréter les résidus
L’analyse du résidu ne peut pas être dissociée de la précision machine. En calcul scientifique, les flottants limitent la précision des opérations. Les données suivantes sont des références classiques en informatique scientifique et expliquent pourquoi, même sur un système théoriquement exact, le résidu n’est pas toujours strictement nul.
| Format numérique | Précision significative typique | Epsilon machine approximatif | Conséquence pratique sur les résidus |
|---|---|---|---|
| Float32 | Environ 7 chiffres décimaux | 1,19 x 10^-7 | Des résidus très petits peuvent déjà être au niveau de la précision limite |
| Float64 | Environ 15 à 16 chiffres décimaux | 2,22 x 10^-16 | Permet une évaluation beaucoup plus fine de la qualité d’une solution |
Coût de calcul sur des systèmes denses
Pour de grands systèmes, il est utile de distinguer le coût de la résolution du coût du contrôle par résidu. Résoudre un système dense par élimination de Gauss coûte approximativement 2/3 n^3 opérations flottantes, alors que calculer Ax coûte environ n^2 multiplications et additions. Cela signifie que le contrôle par résidu reste relativement peu coûteux comparé à la résolution elle-même.
| Taille n | Coût approx. résolution dense | Coût approx. calcul de Ax | Mémoire brute de A en Float64 |
|---|---|---|---|
| 100 | Environ 666 667 flops | Environ 10 000 produits principaux | 80 000 octets |
| 500 | Environ 83 333 333 flops | Environ 250 000 produits principaux | 2 000 000 octets |
| 1000 | Environ 666 666 667 flops | Environ 1 000 000 produits principaux | 8 000 000 octets |
Résidu, stabilité et conditionnement
Lorsqu’une matrice est bien conditionnée, un petit résidu correspond souvent à une solution correcte. Lorsqu’elle est mal conditionnée, la situation devient plus délicate. Une petite perturbation dans les coefficients de A ou dans les composantes de b peut provoquer une grande variation de la solution. Le résidu reste alors utile, mais il doit être interprété en même temps que le conditionnement de la matrice. En pratique, les solveurs professionnels suivent souvent à la fois :
- la taille du résidu absolu,
- la taille du résidu relatif,
- une estimation du nombre de condition de la matrice,
- l’évolution du résidu au fil des itérations.
Cas des méthodes itératives
Dans les méthodes comme Jacobi, Gauss-Seidel, gradient conjugué ou GMRES, le résidu joue souvent le rôle de tableau de bord. À chaque itération, on calcule une nouvelle approximation de la solution, puis on mesure le résidu. Si sa norme passe sous un seuil prédéfini, l’algorithme s’arrête. Ce mécanisme est très répandu dans les grands systèmes issus des équations différentielles, des simulations physiques ou de la modélisation industrielle.
Bonnes pratiques pour un calcul fiable
- Vérifier la cohérence des dimensions entre la matrice et les vecteurs.
- Utiliser une précision numérique suffisante pour le contexte.
- Comparer plusieurs normes du résidu si nécessaire.
- Contrôler aussi le résidu relatif, pas seulement le résidu absolu.
- Se méfier des matrices presque singulières ou mal conditionnées.
- Conserver les unités et l’échelle des données pour une interprétation correcte.
Applications concrètes du résidu dans les sciences et l’ingénierie
Le calcul d’un résidu système linéaire n’est pas seulement un exercice académique. Il intervient partout où des modèles linéaires sont employés. En ingénierie des structures, il sert à vérifier si les déplacements calculés respectent les efforts imposés. En économie, il aide à valider certaines résolutions matricielles de modèles input-output. En traitement d’image, il peut intervenir dans des problèmes de reconstruction. En apprentissage automatique, il apparaît dans les équations normales et dans la résolution des moindres carrés. Dans tous ces domaines, un résidu bien contrôlé renforce la fiabilité du résultat.
Différence entre résidu de système linéaire et résidu statistique
Le mot résidu est aussi utilisé en statistique, notamment en régression, où il représente l’écart entre une valeur observée et une valeur prédite. La logique est proche, mais le contexte diffère. Dans un système linéaire, le résidu est un défaut d’ajustement algébrique vis-à-vis de l’équation matricielle. En régression, il est lié aux données observées. Les deux notions partagent toutefois une idée commune : mesurer ce qui reste inexpliqué ou non satisfait.
Comment utiliser le calculateur ci-dessus efficacement
Le calculateur présent sur cette page simplifie l’évaluation du résidu. Commencez par choisir la dimension du système, puis saisissez les coefficients de la matrice A. Renseignez ensuite le vecteur x censé être la solution estimée, puis le vecteur b. Au clic sur le bouton de calcul, l’outil :
- calcule le produit Ax,
- détermine le vecteur résidu r = b – Ax,
- affiche les normes principales du résidu,
- génère un graphique pour comparer visuellement les composantes.
Cette représentation graphique est particulièrement utile pour repérer quelle équation contribue le plus à l’écart global. Dans un contexte pédagogique, cela facilite la compréhension. Dans un contexte professionnel, cela accélère le diagnostic.
Ressources académiques et institutionnelles recommandées
Pour approfondir le sujet, vous pouvez consulter des sources reconnues sur l’algèbre linéaire numérique, la stabilité et les méthodes de résolution :
- MIT – Linear Algebra Resources
- Wolfram MathWorld – Condition Number
- NIST – National Institute of Standards and Technology
- UC Berkeley – Numerical Linear Algebra Notes
Conclusion
Le calcul d’un résidu système linéaire est un réflexe essentiel dès que l’on manipule des solutions numériques. Il fournit une mesure concrète de la satisfaction des équations, permet de surveiller la convergence d’un algorithme et joue un rôle central dans l’évaluation de la qualité d’un calcul matriciel. La formule r = b – Ax est simple, mais son interprétation peut être très riche, surtout lorsqu’on la relie à la norme choisie, à la précision machine et au conditionnement de la matrice. En pratique, vérifier le résidu doit faire partie de toute démarche sérieuse de résolution numérique.