Chapitre 1 : Normes matricielles et

conditionnement

Emmanuel Creusé
Version du 02 janvier 2024

Université Polytechnique Hauts-de-France

Analyse Numérique - Licence 3 Mathématiques

2023-2024

Emmanuel Creusé Analyse Numérique 1/2

Introduction

Avertissement :
Les diapositives qui suivent constituent un support de
cours, mais ne ne suffisent pas à elles-mêmes.
De nombreux éléments (exemples, démonstrations des
Théorèmes énoncés, remarques additionnelles...) seront
donnés.

Emmanuel Creusé Analyse Numérique 2/2

Plan

1 Quelques éléments d’algèbre matricielle

2 Normes matricielles

3 Conditionnement

Emmanuel Creusé Analyse Numérique 3/2

Sommaire

1 Quelques éléments d’algèbre matricielle

2 Normes matricielles

3 Conditionnement

Emmanuel Creusé Analyse Numérique 4/2

Quelques éléments d’algèbre matricielle
Définitions
On choisit K = R ou K = C.
Soient m 2 N⇤ et n 2 N⇤ .
Soit A 2 Mm,n (K).
On note (aij )1im, 1jn les coefficients de A.
On appelle matrice transposée de A et on note
AT 2 Mn,m (K) la matrice
AT = (aji )1jn, 1im

On appelle matrice adjointe de A et on note

A⇤ 2 Mn,m (K) la matrice
A⇤ = (aji )1jn, 1im
Notation
On note Mn (K) = Mn,n (K).
Emmanuel Creusé Analyse Numérique 5/2
Exemple :

# = Ra =
(2) at
=
(2)
*

= (2)

k= (a = (1)a() (i)
Quelques éléments d’algèbre matricielle
Propriétés
(AB)T = B T AT et (AB)⇤ = B ⇤ A⇤ .
Si A 2 Mn (K) est inversible, alors
(AT ) 1
= (A ) et (A⇤ )
1 T 1
= (A 1 ⇤
) .
Si A 2 Mn (K) et B 2 Mn (K) sont toutes deux inversibles, alors
1 1 1
(AB) =B A .

Définitions
Soit A 2 Mn (K). On dit que A est :
normale si A⇤ A = AA⇤ normale
Id D mat par un vecteur
prune ,

unitaire si A⇤ A = AA⇤ = I. Dans le cas K = R, la matrice est

dite orthogonale et on a AT A = AAT = I, c’est à dire AT = A 1 .
hermitienne si A⇤ = A. Dans le cas K = R, la matrice est dite
symétrique et on a AT = A.
Emmanuel Creusé Analyse Numérique 6/2
Quelques éléments d’algèbre matricielle
Eléments propres et spectre
Soit A 2 Mn (K).
On appelle valeur propre de A tout élément 2 C tel
qu’il existe x 2 Cn \{0} vérifiant
Avecteur propre Ax = x .
ne peut pas ê vecteur nul

Le vecteur x est appelé vecteur propre associé à la

valeur propre . Le coupe ( , x ) est appelé élément
propre de A.
On appelle spectre de A et on note Sp(A) l’ensemble des
valeurs propres de A.
Sp(A) admet au moins une valeur propre complexe, et au
plus n valeurs propres complexes.
On appelle rayon spectral de A, et on note ⇢(A), le
nombre :
⇢(A) = max | |
2Sp(A)
Emmanuel Creusé Analyse Numérique 7/2
Quelques éléments d’algèbre matricielle

Théorème 1 (de Schur)

Soit A 2 Mn (C) une matrice quelconque. Alors il existe une
matrice unitaire U 2 Mn (C) et une matrice
triangulaire supérieure T 2 Mn (C), dont la diagonale est
composée par l’ensemble des valeurs propres de A, telles que :
T = U ⇤ AU.

Corollaire 2
Soit A 2 Mn (C) une matrice hermitienne. Alors il existe une
matrice unitaire U 2 Mn (C) et une matrice diagonale
D 2 Mn (R), dont la diagonale est composée par l’ensemble des
valeurs propres de A, telles que :

D = U ⇤ AU.

Emmanuel Creusé Analyse Numérique 8/2

Démonstration Th : de Schua
Par récurrence surn

Initialisation : n =
1 normal

I de T
suffit
*
prendre : =
a11 ,
V = 1 =
u

Hérédité :

En proposide la vraie au
Rang (n-1) et en va l'établie au
mangn
suppose
SoitAE Mon (K) En sait Aadmet mains élément (X M) elle admet a r 1 v.p complexe de
.

que au un
propre , car moins au mans
1 élément propre

En normalise ne Cel
que Ilul = u = Mini = 1

Remarque :
en u
*
[M ,
Mz ,...,
Mn] (a ib)(a
+ -

xb) = a2 + b2

En complète u
pour obtenir une base arthe que normedelabareen c 2 , sy , xn] (Par ex .
Cram-Schmidt)
on note P =
[ux2x . . .

xn]E
recteur
On(4)
colonne
A
P une matrice unitaire (Mex-- xn) -

=I [1 OI
En effet
*
p ·
p (ux( .... p]
= caso prend une bee outhonore e
on définit B = p
*
Ap An =
XiPropre de A
,
A admet élémat propre (X u) ,

L
=
Sxu Axe -
A
X(uu) Xx
*
Xn
x
u
* Xm
·
=

= O car
=

base outhonormale * de on ne
pet bien die

Ligne de m pour u
*
Ax

=
1
bE (n
-

b et u n vecteur
*

ligne
BrzEM - ()

Hypothèse de récurrence : Il existe Mr 2 cons (4)

.
,
unitaire et Th-s Econ-s (K) Arcangution
supérieure tel que Mn .
1 Bn-1 Mn-1 Tr 1
=

En
Un Un est unitaire

mi])
*
conséquence ,
-
*
Xx1 b
*

Mn
*
+ x0 =
xjxx0 + b xMn - 1 =
b
-
1

1xXx0x0 = X
; 0x0 + Ba.zxUn e = Ba 2Mn
= - 1

* *
1x + 0xBn 0 1xb Mn + OxBne b Un
;
= =
-

2 -
1
-
1

toh] B
hyp de récurrence.
 En vent montrer
que B = MnTMn
*
,
on note B = P
*
AP (1)
Un unikano
*
on a M BMn = T avec et T TS

= Un Un *
BUn =n T

* *
In Un BAMm*= UnT Un * c = B = Un Th (2)
-
I I
*

(PMn) A(PMn)
* * *
(1) e(2) = UnTMn
*
= P APc = T= le p APMn =

Je note M = PMn ,
montrons que PUn est unitake sachat
que Pet Un sont unitaire

Munitaire
*
MM = M
*
M =
I

N unitaireNN * = N * N = I
*
(Mr)(M) = mNN
*
m
*

*
= MM

= I

Donc M Plan = et unitaire comme produit de dux matrices unitaires

Démonstration : Corrollaire 2
Ac Mon(k)
*
Th1 = > T = V Al
*
C > A = U Tu
*
(VT( * )
*
donc A *
= = VT *
V
- *
Je sus
que
A = A
*
donc UTV * = UT *
(xM
*
>
- MM id
=

*
*

c >Tu
=

*
-T = T = >T = DE vbn(R)
Quelques éléments d’algèbre matricielle
Produit scalaire
On définit sur Cn le produit scalaire hermitien par :
n
X
8 x 2 Cn , 8 y 2 Cn , (x, y) = y ⇤ · x = x i yi .
i=1

Deux vecteurs x 2 Cn et y 2 Cn sont dits orthogonaux si

(x, y) = 0.

8 A 2 Mn (C), 8 x 2 Cn , 8 y 2 Cn ,

(A x, y) = (x, A⇤ y).

Cas particulier : si x 2 Rn , y 2 Rn et A 2 Mn (R), on est

dans le cadre euclidien :
Xn
(x, y) = y · x = xi yi et (A x, y) = (x, AT y).
i=1
Emmanuel Creusé Analyse Numérique 9/2
Sommaire

1 Quelques éléments d’algèbre matricielle

2 Normes matricielles

3 Conditionnement

Emmanuel Creusé Analyse Numérique 10/

Normes vectorielles
Définition 3
Soit E un espace vectoriel sur K. Une norme sur E est une
application de E dans R+ , qui à tout élément x de E, fait
correspondre un nombre réel positif ou nul noté ||x||, appelé norme de
x et possédant les trois propriétés suivantes :
8 x 2 E, ||x|| = 0 , x = 0, (Séparation)
8 2 K, 8 x 2 E, || x|| = | | ||x||, (Homogénéité)
8 x 2 E, 8 y 2 E, ||x + y||  ||x|| + ||y||. (Inégalité triangulaire)

Exemples sur Cn
n
!1/2
p X
2
x ! ||x||2 = (x, x) = |xi | ,
n i=1
X
x ! ||x||1 = |xi |,
i=1
x ! ||x||1 = max |xi |.
1in

Emmanuel Creusé Analyse Numérique 11/

Normes matricielles
Définition 4
Soit (m, n, p) 2 {N⇤ }3 , et || · || une norme définie sur
Mm,p (K), Mp,n (K) et Mm,n (K) au sens de la Définition 3. On dit
que || · || est une norme matricielle si elle vérifie de plus :

8A 2 Mm,p (K), 8B 2 Mp,n (K), ||AB||  ||A|| ||B||.

Remarque
On déduit facilement de cette définition que si || · || est une norme
matricielle, alors ||I|| 1.
Exemple
La norme de Schur (ou norme de Frobenius) définie pour tout
A 2 Mm,n (K) par :
0 1 12
Xm X
n
||A||S = @ |aij |2 A
i=1 j=1

est une norme matricielle.

Emmanuel Creusé Analyse Numérique 12/
Remarque :

Soit I matrice identité E Mon (IR)

IIIl =
111 Ill & IIIII IIII
or 11 III = 0 axcome de
séparation .

donc 11 11 Il

Exemple :

⑧ Séparation : => trivide

= E = 0 donc chracaff = 0 donc l = 0 donc x = 0

② Homogénéité :
simple
③ Inégalité triangulaire :

El fandait ma lagbijk) lajk) ( bij2)

Preuve
1lA + B/1supposePM,
Elaijk +
Elbijk + ElaijIIbijk
2

2/2laijk)1 (Elaj)2)12
*
= Elaijk +
Elbijl2 +

= [(2(aij(2)" + (Elbij(2(112]2 = (1) Als 1B/s) +

④AEMmp(() , BECpn(1)

IlaBibljab
lai) (bajk)(CS)
= libj(2)
=
/Alls lIBI15
Normes matricielles
Définition 5
Soit A 2 Mm,n (K). On considère une norme vectorielle notée || · ||,
définie sur Km et sur Kn . On appelle norme matricielle
subordonnée (ou induite) de A, que l’on note ||A||, le nombre réel
positif ou nul défini par :

||A|| = max ||Ax||.

x2Kn ,||x||=1

Lemme 6
Soit A 2 Mm,n (K). Pour toute norme matricielle subordonnée || · ||,
on a :
8x 2 Kn , ||Ax||  ||A|| ||x||.

Remarque
Pour toute norme matricielle subordonnée, on a

||I|| = 1.
"Il Islille =
1
Emmanuel Creusé Analyse Numérique 13/
Démonstration : Zemme 6
100ca : x = 0

IlAoll /IAIIIlo/l oc or
2ene( : x = 0
"
Alors il est un vecteur de de norme 1cad unitaire Ilill = ille1 = 1 de unitaire

donc Ila i Il MAI

et de IAx _
metul Hell on peut sortir lol ca c'ecun saieon
-
11
= All

Il As IIIIIA Il Il ball

Exemple défs : Je choisis 11 Il

. =
11 Il2
.

&

xEIR2, llock = 1

o (2) ,
ece =
1

AECE(IR) ,
A
(

Aes (en) Hall =

anexal
rece(aznxy 222x)
+ + +

Ilallmac a
des (ayn32 222x) + + +
Normes matricielles

Remarque
La norme de Schur n’est pas une norme matricielle subordonnée.

Théorème 7
Toute norme matricielle subordonnée vérifie les propriétés suivantes :
1 8A 2 Mm,n (K), ||A|| = 0 , A = 0,
2 8 2 K, 8A 2 Mm,n (K), || A|| = | | ||A||,
3 8A 2 Mm,n (K), 8B 2 Mm,n (K), ||A + B||  ||A|| + ||B||,
4 8p 2 N⇤ , 8A 2 Mm,p (K), 8B 2 Mp,n (K), ||AB||  ||A|| ||B||.

Emmanuel Creusé Analyse Numérique 14/

 Remarque :

IE Mon (IR)
11 Ill = x

IIIIIs =x
# 1

Démonstration : Théorème 7
A = 0 = alk" As ,
= 0 = l'All = Ital = 0

)
= l'All-max IlAall = 0 = >VxEk" llAx ,
= 0 = A = 0
I l Il = 1

② IIXAll =1IX All = (x) m1Axl

,
= 1x/11 All

③ Il (A + B) xl) = 11Ax + Ball [IlAx() + 1Ball

donc Il(A +
max
Ilxll= 1 Belmatel + maxllBo = All
il x Il = 1

IlA+ BI/ III + 11B/

④ Il aba Il = Ila (Bad Il [IIAIIIIBoII par

le lemme 6
donc mas /la Ball IlAIIe Il Ball = All IIBI
IlxI = 1
Normes matricielles

Propriétés
p
1 Soit A 2 Mm,n (K). Alors ||A||2 = ⇢(A⇤ A).
2 Soit A 2 Mm,n (K). Alors ||A||2 = ||A⇤ ||2 .
3 Soit A 2 Mn (K) une matrice hermitienne. Alors
||A||2 = ⇢(A).
4 Soit A 2 Mm,n (K), U 2 Mn (K) une matrice unitaire et
V 2 Mm (K) une matrice unitaire. Alors

||V AU ||2 = ||A||2 .

m
X may
5 Soit A 2 Mm,n (K). Alors ||A||1 = max |aij |. somme des
1jn colonnes
i=1
Xn
6 Soit A 2 Mm,n (K). Alors ||A||1 = max |aij |.
1im
j=1

Emmanuel Creusé Analyse Numérique 15/

Démonstration propriété : *
(A )
* *

* = (A A) =
*
A
*
- ** A
1 A A est hermitienne
Il existe
"

corollaire 2 une base orthonormée de notée Leilie de vecteur *

propre A A associés
=>
aux valerm réelles Ni 2 cad V1(i(n ,* Aci =
Ni2ei
-
- carpositif
(A *
Aei ,
si) = (Aei Aei) ,
= IlAeilk
(A (Xiei ei)
Xix10
ei)
*
A ,
= =
,

= Xi= Ni
Ni Voi =

* valeur propre de A
*
A associé à ei

Et donc Ver EKV

= ei et III l
composant du vecteur ei

donc Ap = (Ass ,
Ax) = * ieiej)
( *Ax ,
) = / ~

(A Asi jjej)
*
=
,

= Nei , ej) = Ni(ei , ej) =

 Nm =
Rayon spectral
En vent démontrer que Il accle = Ni lak
on
suppose que N =
Espa * a) Ni2 donc
IleNm2 12

= -IlAxIlz2[Nm2 Il cl?
donc in Il a salle Nm2

IlAlle(A *
A)

> /AlleA) *

Soit en le vecteur propre de A * A associé à la valeur propre un?

IItem/l (Aem
=
,
Aem) (* A
=
*
em ,
em) =
(Nm emien) =
Nlem ,
em) =
Ni
donc max Il Aedle =
Nm2 =
pla A)
*

Il xll = 1
② Gu va
ma
les valeurs propres non nuls de * A et de At* sont les mêmes

En effet ,
soit XX0 valeurs
propre
de* A
7xf(k"
*
=
,
x
+
0 (qA Ax =
Xx
Il est clair que Ax = 0 (schon on aurait x = 0)
*
on a AA Ax =
XAx
m m

donc X est valer de AA *

propre
Delm façon peut les valeurs propres
nolles de At
*
sont valeurs propres de A
*
A
en
ma non .

= Le v .

p . non nulles de A *
A et de AA *
sont les mêmes

Conclusion :
f(AA *
) =
((A * A) = 11 Allz = 11 A* Il2

A* = At hermitienne

③ Ilalz eas = Entay = Near = p(a)

f(A) max/X/ =

TESpA)

⑭ IIVAUI
= IvAvalla je pose
y
=
Ve

remarque Ilylle (y y) (Mec Mx) (x x) (xx) Ilx))z

je que : = = = = =
, , ,

donc II VAUIIz =

Il
mas

IlVayllam IlAyllll en
y = 1
 (Ax) = matrice A x receux

⑤ Soit e EK" , to Ilcly = .

1

IlAx/le
= (Ax):

= Ijj
laij big

=j
= jkj/ma
Ilaxlly
Hellma kij
Je veux
ma

J'en déduit
que All
Je vias de ma IlA11
mai
Pour montrer l'égalité ,
il suffit de trouver un recteur ac EN
,
Ilockya l'égalité ait lieu
on note RE 1 , n D to

maij = laik mux atteint é la bième conet

Et maintenant
je
choisis a R donné par
j =
[
bien llally
An
on a
que = 2

#mij car lair atle malais

donc IIAIl1 = ij
⑧ Soit EIKV , Ibllo
un
=
1

A L

maij
Il reste à trouver un vectar ade IK" , Ilaely =
1 tel que l'égalité ait lieu.

Soit k to
, malijkj (

on définit par j =

[hi et
on a bien que lleclo =
1

. ht labj/

Et
donc dijjj
Normes matricielles

Définition 8
Une norme matricielle || · ||M sur Mm,n (K) et une norme
vectorielle || · ||V sur Km et Kn sont dites compatibles si on a :

8A 2 Mm,n (K), 8x 2 Kn , ||Ax||V  ||A||M ||x||V .

Exemples
Une norme vectorielle et la norme matricielle qui lui est
subordonnée sont compatibles.
② La norme de Schur est compatible avec la norme
euclidienne.

Lemme 9
Soit n 2 N⇤ . A toute norme matricielle définie sur Mn (K), on
peut associer une norme vectorielle qui lui soit compatible.

Emmanuel Creusé Analyse Numérique 16/

Exemple ② :

IlA15 tr(*) = Ni ,
Ni valeves propre
de A

exo(**)

grande valeur propre

*
comme llAlle nun2 =
où Num plus de A A
.

donc En IlAll exo

All
on déduit
que
llAalla /Allalala . Alls Il alla #

(**)
Il fant ma si AECom n(KI , ,
alors
Ni sont les valeurs
*
IIAIEs = tr(A * A) =1 Ni où le propres
de A A

Térident

effet (T)
laij)
En A =
=
,

donc A
*
A E 0G n ,
m((k)
(A A)ii
= (A )ij (A)ji
* *
,
12in

=i Aj = Ajik
Dons tra* a) =* Ali
= Aj
Démonstration lemme 9 :

Soit II Il la norme
.
matricielle en question définie
,
sur Mon (1)
SoitEn À .
x
,
on assoie la maleice XE Mon (1) définie par
,

X = [x00 Olaxn
. . . .

Par définition, Ilel 11 XII.

on
pose =

En montre facilement que

Ik -R + at bien une norme vectorielle (exo)
x -

(b)
De plus ,
on a

IlAe Il[Ax00= ....

0]Il
IlA XII=

Il all II XII par propriété de la norme motricielle

= IA/l Ilol) I
Normes matricielles
Théorème 10
Soit || · || une norme matricielle définie sur Mn (K) . Alors on a :

8A 2 Mn (K), ⇢(A)  ||A||.

Contre-exemple
La norme || · || définie par :

Mn (K) ! R+
A ! max |aij |
1i,jn

n’est pas une norme matricielle. En e↵et, il suffit de considérer :

✓ ◆
cos ✓ sin ✓ ⇡
A= , avec 0 < ✓ < ,
sin ✓ cos ✓ 2

et de remarquer que ||A|| < 1 = ⇢(A).

Emmanuel Creusé Analyse Numérique 17/
Démonstration théorème 10 .

Soit II Il
.
la norme matricielle en question
D'après le lemme rectorielle qui lui compatible notée
9 ,
on
peut assaien à cette norme matricielle une norme est
, également 11 Il
.

Soit (X u) élément propre de A (An Xu

,
un .
=
,
n = d
IXIII m 11 Xull 1 Aull IIAll Hull
= =

et donc /X/1 Il All

Je viens de monter
que VXESpla) ,
/X1 IIA
Donc
pla)All I

Contre exemple :

A = (si
der (A-XI) =
10 enx) = (00 x) -

+ 120

= cas20 -
2x cas0 + X2 + sen20
= 12 - 2x0 + 1

A =
450-4 =
4 (c'0 1) -

= -
4 sin "O
 X1 =
20 + i2 sirO Xz = 20-i2 sino
2
2

= cosO + isinO = cosO-isinO

| el = (2) = 1 =
>p(t) = 1

Par a ailleras llAll = max (IcsO lano) o SOC Te

, , ,

donc IIAII/1
donc IIAIICM(A) => Il Il
.
n'est
pas une norme matricielle. IIII)
Normes matricielles

Théorème 11
Soit A 2 Mn (K) et " > 0. Alors il existe au moins une norme
matricielle subordonnée || · || telle que ||A||  ⇢(A) + ".

Théorème 12
Soit A 2 Mn (K). Les propriétés suivantes sont équivalentes :
1 lim Ak = 0,
k!+1
2 8v 2 Kn , lim Ak v = 0,
k!+1
3 ⇢(A) < 1,
4 ||A|| < 1 pour au moins une norme matricielle subordonnée
|| · ||.

Emmanuel Creusé Analyse Numérique 18/

Démonstration Théorème 11 :

Théorème 1/de Schur)

VEGOn(K) telle
*
=> Il existe une matrice unitaire que T = U AU
, Ttriangulaire supérieure

+ Tin In
O Eti 3111n valeurs propres
de A
In

Maintenant ,
pour
tout scalaire 670 on
définit la matrice DJE Gon (IR)
diagonale :

115115
*

DS 5.20
Dj1
8
1/81
S'enxn
1
Gna(VD) A(UDS) D52v-2 AUDS
-

*
=
DS-1 AUDS cart unitaire

=
Dj2 TDS
↓e
Ste S SE
=

Stez
O
Sten
 Soit On 530
>0 .

fixe to
51/852tij 1 ,
V1112n - 1

L'application II Il
.
: BECon (4) - > IIBII = 11 (UDS) B(UDS) 16
répond à la question
Il All = 11/UDa)-2 A (VDf)lla [ f(a) +
Il reste à vérifica que
c'est une norme matricielle subordonnée
. C'est le cas car c'est une norme subordonné

par la norme vectorielle qui à Et vEK assovice

IlUDs) 1
vIla I)
-

->
Démonstration Théorème 12 :

①=
En effet, soit 11 Il
.
une norme vectorielle et 11 11 la
. norme matricielle subordonnée correspondente.
Ven

Il ARvIIIIIAB/ IIVII donc sé limak=o dans lin ABv

,
= 0

k = +o k- +a

②
Par l'absurde
En suppose que pla) >1 . On peut donc trouver me C
,
m = 0 telque Am = Xu avec (1) 1 .
,

il est impossible
En suitqpe Aku = Xku .
et donc
que lin A =0.

③=
Voir th11 .
Il suffit de choisir o assez petit.

④ =
O
En l'inégalité *,
applique simplement IIABIIIIIAI pour la norme en question
et
donc linA =
0 lin la

=>linAk =
Normes matricielles

Théorème 13
1 Soit A 2 M (K) et || · || une norme matricielle. Alors :
n

1
lim ||Ak || k = ⇢(A).
k!+1
X
2 Soit A 2 Mn (K). La série Ak converge si et seulement
k 0
si ⇢(A) < 1, et on a alors :
X
Ak = (I A) 1
.
k 0

Emmanuel Creusé Analyse Numérique 19/

Démonstration théorème 13 :

1
D'après le th 1 on sait que flA)[IIAI) .
)
(*
En p(a)? (f(A)) R
sait
que 2 1k
=

c=s
f(a) )f(ak))1(k( ** )
=

( *) p(Ak)IAk/)
= (e(ar))1k(lak))1/k
(** )
C = > Pla) IlAR/1/1
En va donc montrer que : Vo 7 la ,
tel Rale
que
= /ARIR [P(A) + 2
.

Soit 20 .
En définit
A
As =

f(A) + 2

En suit
que plas)[1 .
En effet +E
Spla) pa ESplta)

Ge
et
théorème A Eta V A
=>lin
12 = 0 donc
,
 11 Ak/
= -
((A) + 2(k

L=> Ilak/m[1 ** = 1
(f(7)+ 2)

= > IlAk((1/k(p(A) + c

En vient de montrer que : VESO 51s ,

ta FR 12 pla) <Ilak/1/1 (y(A) +
, ,
2

Conclusion him 11AM//1/k p(A) =

k- +
1

②_) pla) <1 = 1 Spla) donc 0 SpCI-A) donc I-A inversible

Ce dett
3-
l
Je définis

on a donc ACk =
Al -

1 = 1

k- Ack =A AAA

(=> (I A)(k
-
= I - Ak + 1

donc Cr = (I a)-
-
1
(I
-
Ak +
1)
/l 1
(I Ak 1) (I A) 21
1 +
donc 11Ck 11 (I A)
-

(I-A)
- -
-
-

=
-
- -
 Il (I A) 1(I Ak + 1
1)I
-

-
- -

=
Il (I-A) 1 Ab 1/1
- +

[Il (I-a) 11) -

11 Ak 11) +

m
~
>
-
0 car
f(a)(1(Th12)

Zuto
>
- 0
k - 3 x
+

danslis (I-Al-1 plin Al (I-a) 2 - A (E 1)

2
-

Ch
-

= =
= -

Prevrede
alo A
Silim Cr existe, p
donc (Th12) =
pla)c1
Pour le reste ,
i démonstration III
Sommaire

1 Quelques éléments d’algèbre matricielle

2 Normes matricielles

3 Conditionnement

Emmanuel Creusé Analyse Numérique 20/

Conditionnement

Un exemple éclairant...
On veut résoudre le système Ax = b, avec :
0 1 0 1 01
10 7 8 7 32 1
B 7 5 6 5 C B 23 C B C
A=B C et b = B C)x=B 1 C
@ 8 6 10 9 A @ 33 A @ 1 A
7 5 9 10 31 1

On veut résoudre le système Ax̃ = b̃, avec :

0 1 0 1 0 1
10 7 8 7 32.1 9.2
B 7 5 6 5 C B 22.9 C B 12.6 C
A=@ B C et b̃ = @B C ) x̃ = B C
8 6 10 9 A 33.1 A @ 4.5 A
7 5 9 10 30.9 1.1

Emmanuel Creusé Analyse Numérique 21/

Conditionnement

Un exemple éclairant...
On veut résoudre le système Ax = b, avec :
0 1 0 1 0
1
10 7 8 7 32 1
B 7 5 6 5 C B 23 C B C
A=B C et b = B C)x=B 1 C
@ 8 6 10 9 A @ 33 A @ 1 A
7 5 9 10 31 1

On veut résoudre le système Ãx̃ = b, avec :

0 1 0 1 0 1
10 7 8.1 7.2 32 81
B 7.08 5.04 6 5 C B 23 C B C
à = B C et b = B C ) x̃ = B 137 C
@ 8 5.98 9.89 9 A @ 33 A @ 34 A
6.99 4.99 9 9.98 31 22

Emmanuel Creusé Analyse Numérique 22/

Conditionnement

Théorème 14
Soit A 2 Mn (K) une matrice inversible. Soient x et x + x les
solutions des systèmes linéaires suivants :
⇢
S
Ax = b
A(x + x) = b + b,

où l’on suppose b 6= 0. Alors on a :

|| x|| 1 || b||
 ||A|| ||A || ,
||x|| ||b||

où || · || est la norme subordonnée par la norme vectorielle

correspondante.

Emmanuel Creusé Analyse Numérique 23/

Démonstration théorème 14 :

Alx Ax) b+ Ab mais sait Ax b donc A

-

1b
+ = on
que = x =

donc A(A -1b + 1x) =

b + Ab

c= > b+ ADx = b + Ab

c = >x = A
-

1Ab .

Si "
b Ax
(Dx =
=

= A -

11b 11961

= IIbII II Bo IIIAIl IIA-111 Holl IlDbI

All IA-111
Conditionnement

Théorème 15
Soit A 2 Mn (K) une matrice inversible. Soient x et x + x les
solutions des systèmes linéaires :
⇢
S
Ax = b
(A + A)(x + x) = b,

où l’on suppose que le second système linéaire possède au moins

une solution non nulle (ce qui est par exemple le cas si A + A
est inversible, et b 6= 0). Alors on a :

|| x|| 1 || A||
 ||A|| ||A || ,
||x + x|| ||A||

où || · || est la norme subordonnée par la norme vectorielle

correspondante.

Emmanuel Creusé Analyse Numérique 24/

Démonstration théorème15 :

on sait que (A + DA)(x + Dx) = b

( >Ax
= + ADx + 1Ax + DADx =
b
"
> ADx = -
DAx-DADx = -
DA(x + Ax)

(= > Ax A 1 DA(x + Ax)

-

= -

=> IIDaIIIIA-111 IIDAII Ilx + Dall

la
Conditionnement

Définition 16
Soit || · || une norme matricielle définie sur Mn (K) et soit
A 2 Mn (K) une matrice inversible.

On appelle conditionnement de A par rapport à la

norme || · || le nombre :
1
cond(A) = ||A|| ||A ||.

Si || · || = || · ||p avec p = 1, 2 ou 1, on note

1
condp (A) = ||A||p ||A ||p .

Emmanuel Creusé Analyse Numérique 25/

Conditionnement

Exemple
Revenons à l’exemple éclairant... la matrice A est en fait de la
matrice dite ”de Wilson”. Comme elle est symétrique,

||A||2 = max | | ⇡ 30.

2Sp(A)

1 1 1
||A ||2 = max | | = ⇡ 100.
2Sp(A) min | |
2Sp(A)

En conséquence,

cond2 (A) ⇡ 30 ⇥ 100 = 3000.

Emmanuel Creusé Analyse Numérique 26/

Conditionnement

Interprétation géométrique en dimension 2

La solution (x1 , x2 )T du système linéaire :
⇢
4.218613x1 + 6.327917x2 = 10.546530
3.141592x·2 + 4.712390x2 = 7.853982

est donnée par (x1 , x2 )T = (1, 1)T .

La solution (x1 , x2 )T du système linéaire :
⇢
4.218611x1 + 6.327917x2 = 10.546530
3.141594x⑳2 + 4.712390x2 = 7.853980

est donnée par (2 c)T

, ( - 5 5)T
=
,

Explication : les deux droites sont presque parallèles... en

conséquence, on pourrait vérifier que le conditionnement
du système linéaire est exécrable.

Emmanuel Creusé Analyse Numérique 27/

Conditionnement

Propriétés
Soit A 2 Mn (K) une matrice inversible et soit || · || une norme matricielle
subordonnée. On rappelle que cond(A) = ||A|| ||A 1 ||.
1 8↵ 2 K⇤ , cond(↵A) = cond(A).
1
2 cond(A) = cond(A ).
3 cond(A) 1.
µn (A)
4 cond2 (A) = , où µ1 (A) > 0 et µn (A) > 0 désignent
µ1 (A)
respectivement la plus petite et la plus grande valeur singulière de A,
définies respectivement comme les racines carrées de la plus petite et
de la plus grande valeur propre de A⇤ A.
5 Si A est hermitienne, alors en notant i les valeurs propres de A,
maxi | i |
cond2 (A) = .
mini | i |
6 Si U est une matrice unitaire, alors

cond2 (A) = cond2 (U A) = cond2 (A U ).

Emmanuel Creusé Analyse Numérique 28/

① cond(cal = Il call Il (da)- 21
=
Il call Ila-11
= lal Ilall le 1111-11)
Il a Il
=
llA-111
= cond(A)

② évident
③ I = AA-1 donc VIII = IIAA-11
I

Tt norme subordonné ent matriciel : 1111 All 11A-21) = cond(A)

Conde(A)
4
= Il Alla IIA-1112
=
nmax max avec pmax plus gra valevas singulière de A (=A) *

Nmax A
-

1) F)
= Am *

ormax=nt avec Nmin ⑦ pl valeurs singuliere de A

donc condy (1)

= Mme
⑤ A hermitienne :
Mmax =as =ar
= p(A) =i
M
minil
⑧ condlau) = Il aulla Il/AU)
-1
Il 2

llAUlla = max la Uselle

IkcI 2
= 1

je pose y
Ux> x = v
*
y
=

Aya maclu
*

yll =y) My)

*

Fiy) 1 yll
=
= =
=

= max /AyIIIz
Il
y le = 1

② la-1 Ila-111 Il(A-1) 111 11A-111 Il All Il All /IA-111 cond(A).

-

cond = =
=
=
Conditionnement

Quelques remarques
On dit qu’une matrice A est ”bien conditionnée” si son
conditionnement n’est ”pas beaucoup plus grand” que 1.

Les matrices unitaires sont les mieux conditionnées,

puisque leur conditionnement est égal à... 1 ! On verra plus
tard qu’elles sont, en partie pour cette raison, fréquemment
utilisées en analyse numérique.

Le déterminant n’est pas un bon indicateur du

conditionnement d’un système linéaire... on verra à ce sujet
un exemple en travaux dirigés.

Emmanuel Creusé Analyse Numérique 29/