Norme Matricielle- Sensibilité des Systèmes
Linéaire
October 9, 2015
Norme Matricielle- Sensibilité des Systèmes
Linéaire
October 9, 2015
Norme October 9, 2015 2 / 15
Table des Matières
1 Normes matricielles
Applications des normes matricielles
Norme October 9, 2015 3 / 15
————————————————————————-
Normes matricielles de type vectorielle
Norme de Frobenius XX
kAk2F = aij2
i j
norme vectorielles ne sont pas sous multiplicatives
Norme October 9, 2015 4 / 15
Normes matricielles d’opérateur
Pour conserver cette propriété, il faut utiliser une Norme d’opérateur
définie par :
kAxkp
kAkp = sup
x6=0 kxkp
Par construction on a bien :
kABxk ≤ kAkkBxk ≤ kAkkBkkxk ⇒ kABk ≤ kAkkBk
Exemples (théorèmes) :
X
kAk1 = max |aij |
j
i
X
kAk∞ = max |aij |
i
j
Illustration
kAxk
kAk = sup = sup kAxk
x6=0 kxk kxk=1
Definition
rayon spectral
ρ(A) = max |λi |
1≤i≤n
Propriétés des normes (Op) Propriétés des normes
P
kAk1 = maxj i |Aij |
kAk > 0 si A 6= 0 P
kAk∞ = maxi j |Aij |
kAk = 0 ⇔ A = 0
A symétrique :
kkAk = |k|kAk
kAk2 = ρ(A)
kA + Bk ≤ kAk + kBk
A quelconque
kABk ≤ kAkkBk p
:kAk2 = ρ(AT A)
Résumons nous (normes matricielles ?)
X
kC k1 = max |Cij |
j
i
X
kC k∞ = max |Cij |
i
j
√
kC k2 = max µi
i
Étude des perturbations (où des erreurs)
10 7 8 7 32 1
7 5 6 5 23 1
A= ; b = admet comme solution x =
8 6 10 9 33 1
7 5 9 10 31 1
32, 1 9, 2
22, 9 −12, 6
b + δb =
33, 1
admet comme solution x + δx =
4, 5
30, 9 1, 1
Pour la norme infinie :
kδb k∞ kδx k∞
= 0, 003 = 13, 6
kbk∞ kxk∞
C’est la nature de la matrice A qui est en cause :
comment mesurer cet effet ?
Étude des perturbations (où des erreurs)
10 7 8 7 32 1
7 5 6 5 23 1
A= ; b = admet comme solution x =
8 6 10 9 33 1
7 5 9 10 31 1
32, 1 9, 2
22, 9 −12, 6
b + δb =
33, 1
admet comme solution x + δx =
4, 5
30, 9 1, 1
Pour la norme infinie :
kδb k∞ kδx k∞
= 0, 003 = 13, 6
kbk∞ kxk∞
C’est la nature de la matrice A qui est en cause :
comment mesurer cet effet ?
Une méthode est numériquement stable si une petite variation (erreur) sur
les données n’influence pas trop sur le résultat. On parle d’un problème est
bien conditionné.
Conditionnement d’un système linéaire
Ax = b A(x + δx ) = b + δb
1 kAk
kbk = kAxk ≤ kAk kxk ⇒ ≤
kxk kbk
kδx k = kA−1 δb k ≤ kA−1 k kδb k ⇒ kδx k ≤ kA−1 k kδb k
kδx k kδb k
≤ kA−1 kkAk
kxk kbk
cond(A) : conditionnement de A
|λ1 |
cond(A) = kA−1 kkAk =
|λn |
cond(A) proche de 1 : stable
cond(A) grand devant 1 : instable
Illustration en 2 d
a11 x1 + a12 x2 = b1
Ax = b
a21 x1 + a22 x2 = b2
cond(A) proche de 1 : stable cond(A) grand devant 1 : instable
Théorème
Propriétés
Pour toute matrice A on a :
1 cond(A) ≥ 1
2 cond(A) = cond(A−1 )
3 Si UU ∗ = In (matrice unitatire ou orthogonale) alors cond2 (U) = 1.
4 Si U est unitaire ou orthogonale alors
cond2 (UA) = cond2 (AU) = cond2 (A)
5 Si Ax = b et A(x + δx) = b + δb alors
kδxk kδbk
≤ cond(A)
kxk kbk
6 Si Ax = b et (A + δA)(x + δx) = b alors
kδxk kδAk
≤ cond(A)
kx + δxk kAk
Norme October 9, 2015 12 / 15
Un petit ⎛1.2969 0.8648
résidu peut ⎛ 0.8642à⎞ une ⎛grande
correspondre
⎞ 2 ⎞ erreur
A = ⎜ ⎟ b = ⎜ ⎟ x = ⎜ ⎟
sur la solution
⎝ 0.2161 0.1441
r= 0.1440 ⎠
⎠ b − ⎝Ax ⎝ −2 ⎠
⎛ 0.9911 ⎞ ⎛ −10−8 ⎞
x = ⎜ ⎟ → r = b − Ax = ⎜ −8 ⎟
⎝ −0.4870 ⎠ ⎝ 10 ⎠
r
x − x = A−1b − A−1 ( b − r ) = A−1r ≤ cond ( A )
A
xA−−x1 = 108
⎛ 0.1441 1
−0.8648 ⎞
r
≤ cond ⎜( A ) r ≤ cond ( A ) ⎟
x ⎝ −0.2161A x 1.2969b ⎠
r <ε x − x < ε−1
κ ∞ ( A )⇒= A ∞
A
∞
; 3.3 ⋅108
Norme October 9, 2015 14 / 15