Scribd
Importer
2 vues2 pages

Chapitre 3: Conditionnement D'une Matrice Pour La Résolution D'un Système Linéaire

Le chapitre traite du conditionnement des matrices pour résoudre des systèmes linéaires, en introduisant des normes vectorielles et matricielles. Il définit le conditionnement d'une matrice inversible et les critères de bonne ou mauvaise condition. Enfin, il aborde les estimations d'erreurs liées à la sensibilité des solutions par rapport aux perturbations dans le système.

Transféré par

bakolieutenant
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
2 vues2 pages

Chapitre 3: Conditionnement D'une Matrice Pour La Résolution D'un Système Linéaire

Le chapitre traite du conditionnement des matrices pour résoudre des systèmes linéaires, en introduisant des normes vectorielles et matricielles. Il définit le conditionnement d'une matrice inversible et les critères de bonne ou mauvaise condition. Enfin, il aborde les estimations d'erreurs liées à la sensibilité des solutions par rapport aux perturbations dans le système.

Transféré par

bakolieutenant
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Chapitre 3 : Conditionnement d’une matrice pour la

résolution d’un système linéaire


Thomas Cluzeau (Univ. de Limoges - ENSIL)
Analyse Numérique

1 Normes vectorielles
Soit E un espace vectoriel sur K = R ou C. On appelle norme sur E une application
∥ · ∥ : E → R+ telle que :
— ∀x ∈ E, (∥x∥ = 0 ⇒ x = 0) ;
— ∀λ ∈ K, ∀x ∈ E, ∥λx∥ = |λ|∥x∥ ;
— ∀(x, y) ∈ E 2 , ∥x + y∥ ≤ ∥x∥ + ∥y∥.

Normes classiques sur Rn


— ∥x∥1 = ni=1 |xi |
P
1/2
— ∥x∥2 = ( ni=1 |xi |2 ) = ⟨x, x⟩1/2
P
— ∥x∥∞ = max1≤i≤n |xi |

2 Normes matricielles et subordonnées


Une norme ∥ · ∥ sur Mn×n (K) est une norme matricielle si elle vérifie :

∀(A, B) ∈ Mn×n (K)2 , ∥AB∥ ≤ ∥A∥∥B∥

Normes subordonnées
Soit ∥ · ∥ une norme vectorielle sur Kn . Pour toute matrice A ∈ Mn×n (K), on définit :

∥Ax∥
∥A∥M = sup
x∈Kn \{0} ∥x∥

Cette norme est dite subordonnée à la norme vectorielle.

Normes subordonnées classiques


— ∥A∥1 = max1≤j≤n Pni=1 |ai,j | (maximum des sommes par colonnes)
P
— ∥A∥∞ = max1≤i≤n nj=1 |ai,j | (maximum des sommes par lignes)
p
— ∥A∥2 = ρ(A∗ A) où ρ(M ) est le rayon spectral.

1
3 Définition du Conditionnement
Soit ∥ · ∥ une norme matricielle subordonnée et A une matrice inversible. Le nombre
Cond(A) est défini par :
Cond(A) = ∥A∥ · ∥A−1 ∥
— Bien conditionnée si Cond(A) ≈ 1.
— Mal conditionnée si Cond(A) ≫ 1.

4 Estimations d’erreurs (A priori et A posteriori)


Sensibilité au second membre b
Si Ax = b et A(x + δx) = b + δb, alors :

∥δx∥ ∥δb∥
≤ Cond(A)
∥x∥ ∥b∥

Sensibilité à la matrice A
Si (A + ∆A)(x + δx) = b, alors :

∥δx∥ ∥∆A∥
≤ Cond(A)
∥x + δx∥ ∥A∥

Estimation a posteriori (Résidu)


Soit y la solution calculée et r = Ay − b le résidu :

∥r∥
∥y − x∥ ≤ Cond(A) ∥x∥
∥b∥

Vous aimerez peut-être aussi