Chapitre II

Normes,
conditionnement et
sensibilité des systèmes
linéaires
2
1 1
1
2
1
1
:
:
0 positivité
0 0
Norme
vérifiant
Exemple ;
; ( ) ;
s
1 ;
n n n
i i i
i i i
n
p
p
p
E
E R
x x
x
x x
x x
x y x y
x x x x x
R
x x p
 
+
= = =
¦ - ÷
¦
´
¦
¹
¦ >
¦
= · =
¦
´
=
¦
¦
+ < +
¹
| |
= = =

\
=
.
>
¿ ¿ ¿
÷
¦ ;
1,...,
sup
i
i n
x
·
=
=
Normes vectorielles
On a les inégalités importantes suivantes :
En particulier l’inégalité de Cauchy-Schwarz
Produit scalaire usuel
Produit scalaire usuel :
On a le r
On a le r
é
é
sultat suivant
sultat suivant :
Normes matricielles
Exemple
Soit A une matrice nxm, étant donnée une norme
vectorielle, on appelle norme matricielle
subordonnée, la norme matricielle définie par :
¦ ;
, 1
m a x
n
x R x
A A x
~ =
=
Une norme matricielle est une norme sur l’espace
des matrices qui vérifie de plus :
O n p a r l e d e n o r m e m u l t i p l i c a t i v e
A B A B < ·
Exemples
¦ ;
¦ ;
¦ ;
2
1
2 2
, 1
1 1
1
, 1
1
1
, 1
1
1
m a x
m a x m a x ;
m a x m a x ;
O n a :
n
n
n
x R x
n
i j
j m
x R x
i
m
i j
i n
x R x
j
T
A A x
A A x a
A A x a
A A
·
~ =
< <
~ =
=
· ·
< <
~ =
=
·
=
= = =
= =
=
¿
¿
Définition : on appelle rayon spectrale d’une matrice carrée A,
le nombre réel (A) tel que :
, )
¦ ;
1,...,
max , valeur propre d e A
i i
i n
A   
=
=
, )
2
T
A A A  =
Exercice : si A est une matrice carrée symétrique nxn, alors
:
, )
2
A A  =
Décomposition en Valeurs Singulières
La SVD
1 2
2
, orthogonales (l'inverse = le transposé)
( ) où 0
avec
est valeur pro
, , ,
pre d e
n i
T
i
T
diag
A
A A
U
U
V
V
   

÷
¦
¦
= >
=
X
´
¦
X
¹

La norme 2 d’une matrice A quelconque est égale à sa plus grande
Valeur singulière
:
m a x
2
A  =
2 2 2
1 2 n
F
A    + + + =
La norme de Frobénius d’une matrice A quelconque
:
La stabilit
La stabilit
é
é
num
num
é
é
rique
rique
:
:
 Une méthode est numériquement stable
si une petite variation (erreur) générée
sur les données, ne croît pas trop durant
le calcul et n’influence pas trop sur le
résultat. Cela n’est possible que si le
problème est bien conditionné. Ainsi, si
un problème est mal conditionné, alors la
moindre erreur dans les données
provoquera une erreur très importante sur
la solution calculée.
Exemple : Sensibilité d’un système linéaire
Un autre exemple où on ne perturbe que le
second membre b.
, )
A u b
A u u b b  
=
+ = +
1
u A b b A u  
÷
< <
¦ ;
1
( ) Cond A
u b
A A
u b
 
÷
<
¸¸_¸¸


, ) , )
A u b
A A u u b 
=
+ A + =
1
u A A u u
÷
A < A + A
¦ ;
1
( ) Cond A
u A
A A
u u A
÷
A A
<
+ A
¸¸_¸¸


Cond itionnement d ’un système linéaire
¦ ;
1
u b
A A
u b
 
÷
< ¦ ;
1
u A
A A
u u A
÷
A A
<
+ A
, ) , )
1
cond
κ
A A A A
÷
= = ·
, )
, )
, )
Soit une matrice inversible et soit et les solutions de
On suppose 0. Alors l'inégalité
est satisfaite et c'est la meilleure possible. Pour une matrice donnée, on peu
A u b
A u u b b
u b
A
u b
A u u u
b
A
 
 


=
+ = +
<
+
=
t
trouver des vecteurs 0 et 0 tels qu'elle devienne une égalité. b b  = =
Un système linéaire Ax = b est
autant mieux conditionné que le
nombre cond (A) est voisin de 1.
, ) , )
, ) , )
1 1 1
1
r
x x A b A b r A r cond A
A
x x r
cond A r cond A
x A x b
r 
÷ ÷ ÷
÷ = ÷ ÷ = <
÷
< <
< ¬ x x  ÷ <
r b A x = ÷
Un petit r
Un petit r
é
é
sid u peut c orrespond re
sid u peut c orrespond re
à
à
une grand e erreur
une grand e erreur
sur la solution
sur la solution
1.2969 0.8648 0.8642 2
0.2161 0.1441 0.1440 2
A b x
| | | | | |
= = =

÷
\ . \ . \ .
8
8
0.9911
10
0.4870
10
x r b A x
÷
÷
| |
÷ | |
= ÷ = ÷ =


÷
\ .
\ .
, )
1 8
1 8
0.1441 0.8648
10
0.2161 1.2969
3.3 10
A
A A A 
÷
÷
·
·
·
÷
| |
=

÷
\ .
= · =
Pour les matrices symétriques
O n note le produit scalaire usuel produit scalaire usuel sur
i
i i
n
1
x,y xy
=
=
¿
n
IR
Définition
Soit A une matric e réelle symétrique (
n,n
).
O n appelle quotient d e Rayleigh d e la
matric e A, l'applic ation
¦ ;
n
A
r : IR 0 ÷
d éfinie par
x x
x x
=
A
Ax, x
r (x) = A ,
x, x
.
IR
Elles sont solutions d u polynôme c arac téristique
A
(X) d et(A XI) = ÷
_
mais elles peuvent aussi s’estimer à partir d u quotient
de Rayleigh. Pour A symétriques,
Les valeurs propres d ’une matric e réelle
symétrique sont réelles
¦ ;
n
IR- 0 tels que v A v v= ¬ ~ ì
ì
min A max
r ( ) x   < <
 Théorème (matrice carrée quelconque)
Soit A une matrice carrée d'ordre n et le cercle du
plan complexe
Alors toutes les valeurs propres de A
appartiennent à un des cercles
i
R
ii i ij
i j
={z C/ |z-a | R |a | }
n
i
r
=
~ < =
¿
i
R
i

i i i i
a r  < +
 Théorème
Soit A une matrice carrée d'ordre n diagonalisable, P
une matrice telle que :
Alors, pour toute matrice de perturbation ,
, )
, )
¦ ;
1
sp
;
n
i
i
i i
A A D
D z z cond P A 
=
+A c
= ~ ÷ < A '
¸
, )
1
diag
i
P A P 
÷
=
A A
C’est le conditionnement de la matrice de passage
P qui intervient.

Sign up to vote on this title
UsefulNot useful