14

2. Analyse matricielle, Normes

2.1. Normes vectorielles, matricielles. Une semi-norme sur un espace vectoriel E est la donnee
dune application N : E R veriant deux axiomes (X, Y vecteurs de E, scalaire) :

1
N(X) = ||N(X).

2
N(X +Y ) N(X) +N(Y ).
O` u pour le scalaire , sa valeur absolue || est la valeur absolue de R ou le module de C selon que
corps des scalaires est R ou C.
Nous dirons quil sagit dune norme si N(X) > 0 pour tout X = 0. Dans ce cas on notera
N(X) = || ||

avec des indices lorsque lon `a faire `a plusieurs normes dans le meme texte.
Une norme determine une structure despace metrique, en posant comme distance entre les vecteurs
X, et Y la quantite N(XY ). La topologie est celle que vous avez dej`a etudie. Dans le cas qui nous
interesse, le cas de dimension nie, cette distance fais de E un espace norme complet (de Banach).
Pour un espace de Hilbert, (E, < ., >) la quantite

< X, X > determine la norme.

Pour travailler avec des matrices, nous nous interessons tout particuli`erement aux espaces K
n
sur
lesquels certaines normes sont standard : Si X = (x
1
, x
2
, . . . , x
n
)
T
posons
||X||
p
=

i=1
|x
i
|
p
1
p
, ||X||

= max
j
|x
j
|.
Ces quantites sont visiblement des nombres reels bien denis, qui de plus verient les axiomes de
norme, sauf eventuellemnt linegalite triangulaire, que lon proc`ede `a demontrer.
Lemme 3. Pour 1 p , lapplication X ||X||
p
est une norme sur le K-espace vectoriel K
n
.
(Pour K, R ou C). Et nous remarquons les inegalites :
Inegalite de Minkowski : ||X +Y ||
p
||X||
p
+||Y ||
p
.
Inegalite de Holder : si 1 p , |Y

X| ||X||
p
||Y ||
q
si lon prend q tel que
1
p
+
1
q
= 1, lorsque 1 < p < , puis q = 1 si p = et enn, q = si
p = 1. (Cest-`a- dire, ici,
1
1
+
1

= 1).
Convexite de lexponentielle : si a, b 0 sont deux nombres reels, et 1 < p < ,
1
p
+
1
q
= 1 ab
1
p
a
p
+
1
q
b
q
.
Demonstration.Les enonces sont fait dans lordre inverse de lordre de demonstration. Pour le
dernier, qui est evident si ab = 0, on suppose que ni a ni b est nul. Nous savons que lexponentielle
reelle t e
t
est une fonction convexe, cest-`a-dire que si
1
t
1
+
2
t
2
est un point qui se trouve entre
t
1
et t
2
alors, e

1
t
1
+
2
t
2
est plus bas que
1
e
t
1
+
2
e
t
2
. Cest-`a-dire que si 0
1
,
2
, et
1
+
2
= 1,
alors
e

1
t
1
+
2
t
2

1
e
t
1
+
2
e
t
2
.
De plus, par stricte convexite, lon sait quil ne peut y avoir egalite que dans le cas o` u lun des est
nul. On lapplique `a : t
1
= log(a
p
), t
2
= log(b
q
),
1
=
1
p
,
2
=
1
q
, ce qui donne :
e
1
p
log(a
p
)+
1
q
log(b
q
)

1
p
e
log(a
p
)
+
1
q
e
log(b
q
)
.
qui evidement est linegalite annonce.
Linegalite dHolder se deduit facilement, dans le cas 1 < p < . Puisquelle est evidente lorsque
lun des vecteurs est nul, supposons le contraire et posons :

X =
1
||X||p
X et

Y =
1
||Y ||q
Y, ces vecteurs
sont de norme 1 et verient :
|

X| =
|Y

X|
||X||
p
||Y ||
q
.
15
En eet, notant

X = (a
i
)
T
et

Y = (b
i
)
T
nous avons
|

X| = |
n

i=1

b
i
a
i
|
n

i=1
|b
i
||a
i
|.
Somme de produits de nombres reels positifs o` u nuls auxquels on applique linegalite de convexite de
lexponnentielle. Ainsi, pour chaque i nous avons : |b
i
||a
i
|
1
p
|a
i
|
p
+
1
q
|b
i
|
q
. En additionnant,
n

i=1
|b
i
||a
i
|
1
p
n

i=1
|a
i
|
p
+
1
q
n

i=1
|b
i
|
q
=
1
p
||

X||
p
p
+
1
q
||

Y ||
q
q
=
1
p
+
1
q
= 1.
Ainsi,
|Y

X|
||X||p||Y ||q
1, comme il fallait demontrer.
Il faut traiter le cas de la norme inni separement. Or |Y

X| = |

y
i
x
i
|

|y
i
||x
i
| |y
i
0
|

|x
i
| =
|y
i
0
|||X||
1
, pour |y
i
0
| le plus grand des |y
i
|. Or celui-ci vaut ||Y ||

, et le lemme est demontre (en re-

marquand le symetrie).
Enn, pour linegalite triangulaire, on proc`ede `a laide dune astuce de Minkowsky. Pour 1 < p <
nous observons que ||X+Y ||
p
p
=

|x
i
+y
i
||x
i
+y
i
|
p1

|x
i
||x
i
+y
i
|
p1
+

|y
i
||x
i
+y
i
|
p1
. On utilise
Holder pour les couples de vecteurs x = (|x
i
|)
i
et z = (|x
i
+y
i
|
p1
)
i
et y = (|y
i
|)
i
et z = (|x
i
+y
i
|
p1
)
i
ce qui nous donne les inegalites suivantes :

|x
i
||x
i
+y
i
|
p1
||X||
p
||z||
q
;

|y
i
||x
i
+y
i
|
p1
||Y ||
p
||z||
q
.
Il reste `a constater que ||z||
q
= ||X +Y ||
p1
p
parce que q(p 1) = p. Ainsi, nous avons etablit,
||X +Y ||
p
p
||X||
p
||X +Y ||
p1
p
+||Y ||
p
||X +Y ||
p1
p
.
En factorisant ||X + Y ||
p1
p
sur le membre de droite et divisant, nous avons linegalite triangulaire
cherchee.
Evidement que lon peut identier M
n,m
(K) avec K
mn
et utiliser une quelconque des normes ci-
dessus, pour parler de la norme dune matrice, mais cette demarche nest pas tr`es utile (sauf pour
penser `a la topologie). En eet, la propriete interessante serait ||AB|| ||A|| ||B||. Par exemple, pour
la norme du maximum, qui donnerait `a une matrice le maximum des modules de ses elements,
nous avons que la matrice pleine de 1 (tout element est le nombre 1) en taille n, `a norme 1 mais
evidement la norme de son carre est n et n 1 en general !
Denition 3. Norme matricielle Une norme matricielle sur M
n
(K) est une application || || :
M
n
(K) R
+
telle que
||A|| = 0 A = 0,
||A|| = || ||A||,
||A+B|| ||A|| +||B||,
||AB|| ||A|| ||B||.
Cest donc juste une norme pour les matrices considerees comme vecteurs, qui verie en plus
||AB|| ||A|| ||B||. En particulier, nous remarquons que la norme de la matrice identite verie,
||I|| 1. (Car nous pouvons diviser par ||I|| dans ||I|| = ||I
2
|| ||I||
2
.
Proposition 1. Soit || || une norme matricielle sur M
n
(K), alors
||I|| 1, ||A
n
|| ||A||
n
(n > 0), 1 ||A
1
||||A||.
||A|| < 1, =I A GL
n
(K).
Si U GL
n
(K), la boule ouverte de centre U et rayon ||U
1
||
1
est contenue dans GL
n
(K) qui est
donc ouvert.
16
Demonstration. Evident , ||I|| = ||U
1
U|| ||U
1
||||U||. Puis, remarquons que
1
1 x
=
+

n=0
x
n
, (1 x)(
N

n=0
x
n
) = 1 x
N+1
.
Ainsi si 1 < p < q nous avons
||
q

n=0
A
n

n=0
A
n
||
q

n=p+1
||A
n
||
q

n=p+1
||A||
n
,
qui, lorsque ||A|| < < 1 est majore par
||A||
p
+

n=1

n
= ||A||
p

1
.
Ainsi, si > 0, il existe p tel que ||A||
p
<
1

ce qui prouve que la serie converge. Puisque

(1 A)(

N
n=0
A
n
) = I A
N+1
I (n +) La matrice I A est inversible, et son inverse est la
serie de Von Newman
1
I A
=
+

n=0
A
n
.
Enn posons C = U U +B = U(I (I U
1
B)) qui est inversible si et seulement si, I C lest
pour C = I U
1
B lest. Or il sut pour cela, que ||C|| = ||U
1
(U B)|| ||U
1
||||U B|| < 1 et
pour cela il sut que ||AU|| < ||U
1
||
1
.
Denition 4. Norme matricielle subordonnee (doperateur) Une norme matricielle sur M
n
(K), ||
||, est dite subordonnee, sil existe une norme N sur K
n
(et lon dira que || || est subordonnee `a N
ou que || || est la norme doperateur de lespace norme (K
n
, N)). si pour toute matrice A :
||A|| = max
XK
n
N(X)=1
N(AX).
On remarque que dans K
n
toutes les normes sont equivalentes, et ainsi X AX est continu en
norme N et comme N(X) = 1 determine un compact, le sup est un maximum et il est atteint en un
vecteur de norme 1.
Lemme 4. Si || || est une norme sur K
n
, il existe une norme (unique, que lon notera aussi || ||
?
)
sur M
n
(K) qui lui soit subordonnee. De plus nous avons
||A|| = max
X=0
||AX||
||X||
et toujours ||I|| = 1 puis ||AX|| ||A||||X||.
Demonstration. La formule pour ||A|| doit etre
||A|| = max
XK
n
||X||=1
||AX||
si lon veut quelle soit subordonnee `a || ||, do` u lunicite. Il ne reste `a demontrer que cette identite
denit bien une norme matricielle !
Dune part (A + B)X = AX + BX et ||(A + B)X|| ||AX|| + ||BX||do` u, pour X parcourant
la sph`ere unite en norme || || de K, max ||(A + B)X|| max(||AX|| + ||BX||) max ||AX|| +
max ||BX||. Qui est linegalite triangulaire.
Lhomogeneite est evidente. De plus, si ||A|| = 0, pour tout X de norme 1, AX est de norme 0
cest-`a-dire nul. La matrice A est donc nulle, tout vecteur de K est, `a une dilatation pr`es, de norme
1.
17
Avant de montrer quil sagit dune norme matricielle, montrons la formule alternative pour la
norme doperateur. Ce qui est clair est que
max
XK
n
||X||=1
||AX|| sup
X=0
||AX||
||X||
.
Soit X = 0 et Y =
X
||X||
, ||Y || = 1 nous avons ||AY || =
||AX||
||X||
. Ainsi sup
X=0
||AX||
||X||
= max
X=0
||AX||
||X||

max
XK
n
||X||=1
||AX||. En plus, si X = 0,
||AX||
||X||
||A||, do` u ||AX|| ||A||||X|| le cas du vecteur
nul etant evident. Puisque IX = X, ||I|| = 1 lorsque || || est subordonnee.
Avec cette formule, il est aise de prouver que ||AB|| ||A||||B||. En eet, soit X un vecteur
de norme 1, alors ||ABX|| ||A||||BX|| ||A||||B||||X|| = ||A||||B|| ainsi max
||X||=1
||ABX||
||A||||B||.
Proposition 2 (calcul des normes subordonnees aux normes de Holder). Soit A = ((a
ij
)) une
matrice carree. Pour la norme sup :
||A||

= max
1in
n

j=1
|a
ij
|, max des norme-1 des lignes.
Pour la norme || ||
1
de C (ou R) :
||A||
1
= max
1jn
n

i=1
|a
ij
| = ||A

||

, max des norme-1 des colonnes.

Pour la norme euclidienne de C :
||A||
2
=

(A

A) = ||A

||
2
, racine du rayon spectral de AA

.
Denition 5. Norme de Frobenius Soit A M
mn
(K) nous apellerons norme de Frobenius la
quantite
||A||
F
:=

m,n

i=1,j=1
|a
ij
|
1
2
.
Proposition 3 (Proprietes de la norme de Frobenius). Soient A, B M
mn
(K), C M
nt
(K), X K
n
.
1- La forme (A/B)
F
= trace(B

A) donne une structure hilbertienne `a M

mn
(K) de norme associee
la norme de Frobenius.
2- Nous avons ||AC||
F
||A||
2
||C||
F
, ||AC||
F
||A||
F
||C||
2
, ||AX||
F
||A||
F
||X||
2
.
3- Puis ||A||
2
||A||
F

n||A||
2
, ||AC||
F
||A||
F
||C||
F
.
4- Si U, V sont unitaires, ||UA||
F
= ||A||
F
= ||AV ||
F
.
Proposition 4 (Theor`eme de Householder). Soit A M
n
(C) et > 0, il existe alors une norme
vectorielle sur C
n
telle que pour la norme matricielle subordonnee, lon ait
||A|| (A) +.
O` u (.) est le rayon spectral.
On en deduit (A) = inf{||A|| / || || est une norme matricielle de M
n
(C)}.
Demonstration.Fixons et A..La matrice A se triangularise, soit P GL
n
(C), T = P
1
AP
triangulaire superieure, (A) = (T). Soit Q() = diag(1, ,
2
, . . . ,
n1
) GL
n
(C) si > 0.
Considerons la norme de C
n
||X||

:= ||Q()PX||
2
. La norme doperateur induite par cette norme
est ||B||

= ||Q()PBP
1
Q(
1

)||
2
si B M
n
(C). On trouvera de sorte que cette norme doperateur
soit celle que nous cherchons. La matrice Q()PAP
1
Q(
1

) = Q()TQ(
1

) est triangulaire superieure

et elle `a comme diagonale principale la meme matrice diagonale D que celle de T. Lelement en
18
ligne i colonne j de cette matrice est
ij
t
ij
. Nous avons donc lim
+
Q()TQ(
1

) = D do` u
lim
+
||A||

= ||D||
2
Fixons assez grand pour que ||A||

< ||D||
2
+,
||A||

< ||D||
2
+ =

(D

D) + = max |t
ii
| + = (A) +.
2.2. Localisation des valeurs propres.
Theor`eme 7 (Theor`eme de Gerschgorin-Hadamard). Soit A = (a
ij
) M
n
(C). Nous avons toujours
sp(A)
n

i=1
D
i
pour les disques de Gerschgorin : D
i
= {z C / |z a
ii
|
n

j=1, j=i
|a
ij
|}
Demonstration. Soit sp(A), et X un vecteur propre associe. Posons Y =
X
||X||
qui est aussi
une vecteur propre associee, ||Y ||

= 1. Nous avons, donc, quil existe un indice, note l [1 : n] telle

qie |y
l
| = 1 et evidement (AY )
l
= y
l
do` u lon tire que
n

j=1
a
lj
y
j
= y
l
,
o` u precisement,

n
j=1,j=l
a
lj
y
j
+ a
ll
y
l
= y
l
qui donne y
l
( a
ll
) =

n
j=1,j=l
a
lj
y
j
. Or |y
j
| |y
l
| 1
qui par triangulaire donne
| a
ll
| |y
l
( a
ll
)|
n

j=1,j=l
|a
lj
|.
Cest-`a-dire que est dans le disque D
l
. m`eD
Corollaire 1. Pour une matrice A = (a
ij
) nous avons la borne du rayon spectral suivante
(A) sup
1in
(
n

j=1
|a
ij
|).
Demonstration. Si sp(A) il existe 1 i n tel que D
i
cest-`a-dire | a
ii
|

n
j=1,j=i
|a
ij
|. Ainsi, puisque || |a
ii
| | a
ii
| nous avons || |a
ii
|

n
j=1,j=i
|a
ij
| et en passant
|a
ii
| au deuxi`eme membre,
||
n

j=1
|a
ij
|
le maximum en i est donc un majorant. m`eD
Denition 6. Une matrice A = (a
ij
) M
n
(C) est dite `a diagonale dominante si pour chaque
i [1 : n] nous avons
n

j=1,j=i
|a
ij
| |a
ii
|.
Elle sera dite `a diagonale dominante stricte si toutes ces egalites sont strictes.
Si la matrice A est `a diagonale dominante stricte, il sen suit quaucun des n disques de Gerschgorin
ne peut contenir 0 do` u 0 / sp(A).
Corollaire 2. Une matrice `a diagonale dominante stricte est inversible.
On remarquera que lorsque lon note A
p
la matrice tiree de la matrice A en ne retennant que
les elements dont les deux indices sont inferieurs ou egaux `a p : A
p
= A
[1:p][1:p]
; si la matrice A est `a
diagonale dominante (resp. stricte) il en va de meme pour A
p
. Ainsi pour une matrice `a diagonale
dominante stricte A, chaque A
p
est inversible.
19
2.3. Conditonnement dune matrice. Quand on veut resoudre numeriquement AX = B avec
A M
n
(C), 1 << n, divers facteurs inuent sur la precision du resultat :
Incertitudes sur les donnees (experimentales) de A et/ou B.
Erreur dans la representation des coecients de A et B avec un nombre ni de decimales
(ordinateur).
Erreurs darrondi lors des calculs.
Erreurs previsibles de lalgorithme, notamment los des calculs approches par des methodes
iteratives.
Supposons dabord une methode donnee, de calcul de X pour le probl`eme AX = B. Par des
erreurs de representation, nous resolvons en fait (A + A)Y = B +B avec A et B des quantites
(matricielles) inconnues. On supposera posseder une borne du type ||A|| 2
N
tennant compte de
la precision acquise dans lobtention des donnees et leur codage. Evidement nous pouvons considerer
que le resultat du calcul Y est lie avec le veritable resultat cherche X par Y = X + X et il sagit
de discuter des informations `a priori sur lerreur absolue X commise. Nous nous interessons `a sa
norme, ou tout du moins `a lerreur relative en norme
||X||
||X||
.
Exemple extreme. Supposons les donnees fournies par lexperimentation suivantes :
A =

10 7 8 7
7 5 6 5
8 6 10 9
7 5 9 10

B =

32
23
33
21

X =

1
1
1
1

ce qui se verie sans peine. Lexperimentateur nous avertit quil y a des incertitudes, qui ajoutees `a la
qualite de notre methode (de codage et calcul) se resument `a dire que lon resout (A+A)Y = B+B
avec
A =

0 0 0, 1 0, 2
0, 08 0, 4 0 0
0 0, 2 0, 11 0
0, 01 0, 01 0 0, 08

B =

0, 01
0, 01
0, 01
0, 01

les calculs donnent pour solution de (A +A)Y = B +B un

Y =

81
137
34
22

qui est vraiement trop trop eloigne de la valeur de X. Il sagit de comprendre ce phenom`ene.
Proposition 5 (Perturbation du deuxi`eme membre). Soit X C
n
la solution de AX = B pour
A M
n
(C) inversible et 0 = B C
n
donnes. Notons X + X la solution Y de AY = B + B pour
chaque B C
n
. Si || || est une norme matricielle subordonnee, alors :
||X||
||X||
||A|| ||A
1
||
||B||
||B||
.
De plus, pour A matrice inversible, R, > 0 donnes, il existe B de norme egale `a R et un B de
norme inferieure `a pour lesquels il y a egalite.
La quantite ||A|| ||A
1
|| est dite le nombre de conditionement de la matrice A dans la norme
|| || et sera note c
||||
(A) ou c(A) lorsque aucune ambiguite nest `a craindre. Nous avons donc
||X||
||X||
c(A)
||B||
||B||
.
20
Demonstration. Puisque AX +AX = A(X +X) = B +B = AX +B, X = A
1
B et
||X|| ||A
1
|| ||B||.
Mais B = AX, do` u ||B|| ||A|| ||X|| et 0 <
||B||
||A||
||X||. Ainsi
1
||X||

||A||
||B||
et
||X||
||X||

||A
1
|| ||B||
||X||
||A
1
|| ||B||
||A||
||B||
.
Pour loptimalite, considerons X
0
tel que ||AX
0
|| = ||A|| ||X
0
||, B := AX
0
. On pourra prendre B
de la norme que lon veut. Considerons ensuite Z
0
tel que ||A
1
Z
0
|| = ||Z
0
|| et quitte `a le multiplier
B := 10
N
Z
0
nous avons un B de norme aussi petite que lon veut, et cest facile de verier que
pour ces donnees, lerreur relative de la solution calculee est exactement le produit du nombre de
conditonnement par lerreur relative du deuxi`eme membre. Linegalite est optimale
On remarquera que lon peut dire que lerreur relative dans la solution dun syst`eme lineaire
nest pas pire que celle du deuxi`eme membre seulement lorsque le conditionnement vaut 1. Le
nombre de conditionement est donc un facteur damplication des erreurs.
Une matrice est dautant mieux conditionnee, que son nombre de conditionnement
approche 1. Toujours 1 c(A).
Une matrice A est bien conditionnee si c(A) = 1. Les matrices unitaires sont bien
conditionnees en norme spectrale, ou de Frobenius.
Proposition 6 (Perturbation de la matrice). Soit X C
n
la solution de AX = B pour A M
n
(C)
inversible et 0 = B C
n
. Notons X +X la solution Y de (A+A)Y = B alors
||X||
||X +X||
c(A)
||A||
||A||
.
Demonstration. Nous avons AX +AX +A(X +X) = B = AX do` u AX = A(X +X).
Ainsi X = A
1
A(X + X) et ||X|| = ||A
1
A(X + X)|| ||A
1
|| ||A|| ||(X + X)|| En
divisant par ||X + X|| et exprimant ||A
1
|| =
c(A)
||A||
on a conclu. Evidement, lorsque B est non nul,
la solution Y ne peut etre nulle.