Vous êtes sur la page 1sur 12

Norme matricielle

par Eric Brunelle

Introduction
La norme d’un vecteur fait souvent référence sa distance par rapport à
l’origine. C’est ce que l’on nomme la norme euclidienne. Par contre, il
existe d’autres normes vectorielles. De manière similaire, on peut définir des
normes sur des applications. Ici, nous nous attarderons sur des applications
dites linéaires. Ces dernières se représentent par des matrices agissant sur
des vecteurs. Nous discuterons donc des normes matricielles et de quelques-
unes des leurs applications. Mais avant, revenons sur la notion de norme
vectorielle.

1 Norme vectorielle
Il existe plusieurs manières de définir la norme pour un vecteur. La plus
connue de toutes est certainement la norme euclidienne:
v
u n
uX
k(x1 , x2 , ..., xn )k = t x2i , xi ∈ R.
i=1

Cette norme représente géométriquement la longueur du vecteur. La défini-


tion d’une norme est toutefois plus générale.

Définition 1.1. Une application k·k : V −→ R (ici, V est un espace vectoriel


réel) est dite une norme vectorielle si elle respecte les propriétés suivantes:
1. kvk ≥ 0, ∀ v ∈ V et kvk = 0 ⇔ v = 0.

2. kavk = | a|kvk, ∀ a ∈ R, v ∈ V.

1
3. kv + uk ≤ kvk + kuk, ∀ v, u ∈ V .
On peut facilement vérifier que la définition de la norme euclidienne satis-
fait les propriétés ci-haut. Comme nous l’avons mentionné, il existe plusieurs
normes pour un même espace vectoriel. Si on se limite aux normes définies
sur Rn , on trouve les normes p, dites naturelles, d’un vecteur x. Celles-ci se
calculent de la manière suivante:
n
!1/p
X
kxkp = |xpi | .
i=1

Lorsque p = 2, on retrouve bien sûr la définition de la norme euclidienne. Il


y a également la norme dite infinie qui se définit comme suit:

kxk∞ = max |xi |


1≤i≤n

Cette dernière norme est l’une des plus utilisée avec la norme 2 et la norme 1.
Il existe également des normes un peu plus exotiques (ex. norme elliptique
etc..), mais nous nous en tiendrons aux normes que nous venons de donner.

Exemple 1. Trouvons les normes 1, 2 et ∞ du vecteur x = (1, 0, −1, −4).


On obtient
4
X
kxk1 = |xi | = 1 + 0 + 1 + 4 = 6;
i=1
v
u 4
uX p √
kxk2 = t xi = 1 + 0 + (−1)2 + (−4)2 = 18;
i=1

kxk∞ = max |xi | = 4.


1≤i≤n

Comme on peut le constater, les différentes normes ne donnent pas des


réponses identiques.

2 Norme matricielle
Un peu comme pour les vecteurs de Rn , les matrices possèdent une norme.
En voici la définition.

2
Définition 2.1. Soient A, B ∈ Mn×n , ensemble des matrices réelles de
format n×n. Alors, l’application k·k : Mn×n −→ R est une norme matricielle
si elle satisfait les propriétés suivantes:
1. kAk ≥ 0, ∀A ∈ Mn×n et kAk = 0 ⇔ A = 0.
2. kβAk = |β|kAk et ce, pour tout scalaire β et tout A dans Mn×n .
3. kA + Bk ≤ kAk + kBk et ce, pour tout A et B dans Mn×n .
4. kABk ≤ kAkkBk et ce, pour tout A et B dans Mn×n .
Regardons maintenant quelques normes matricielles. Celles qui sont les
plus utilisées, encore une fois nommées naturelles, découlent des normes vec-
torielles décrites plus haut. Ainsi à chaque norme vectorielle p, on peut lui
faire correspondre une norme matricielle p de la façon suivante:
kAxkp
kAkp = max = max kAxkp , x ∈ Rn .
kxkp 6=0 kxkp kxkp =1

En réalité, cette relation signifie que la norme d’une matrice correspond au


maximum de la norme du vecteur résultant de la multiplication de la matrice
A par tous les vecteurs de norme égale à 1. Sous cette forme, il est difficile
Ax

1
||A||
x

Figure 1: Visualisation de la norme matricielle (norme 2) en 2 dimensions

de calculer la norme d’une matrice A. Nous allons énoncer quelques résultats


qui vont rendre la tâche plus facile.

3
Théorème 2.1. Si A = {aij } ∈ Mn×n , la norme infinie satisfait la formule
n
X
kAk∞ = max |aij |.
1≤i≤n
j=1

Preuve

Premièrement, nous considérons x ∈ Rn tels que kxk∞ = 1 et posons


b = Ax. La norme de A correspondra au maximum des bi . Nous avons
également:
Xn X n

|bi | = aij xj ≤ |aij ||xj |.

j=1 j=1

Puisque nous travaillons avec des vecteurs x tels que kxk∞ = 1, nous obtenons
n
X
|bi | ≤ |aij |.
j=1

Ainsi,
n
X
kAxk∞ ≤ max |aij |.
1≤i≤n
j=1

Cela nous amène à l’inégalité suivante:


n
X
kAk∞ = max kAxk∞ ≤ max |aij |.
kxk∞ =1 1≤i≤n
j=1

Montrons maintenant l’inégalité dans l’autre sens. Soit i∗ , l’indice qui corre-
spond à l’égalité suivante:
n
X n
X
|ai∗ j | = max |aij |
1≤i≤n
j=1 j=1

Créons également le vecteur x∗ dont la norme infinie est égale à 1.



∗ 1, si ai∗ j ≥ 0;
xj =
−1, si ai∗ j < 0.

4
Nous obtenons donc
n n n
X X X n
X
∗ ∗ ∗
kAx k∞ = max aij xj ≥ a i ∗ j xj = |ai∗ j | = max |aij |.
1≤i≤n 1≤i≤n
j=1 j=1 j=1 j=1

Cela implique
n
X
kAk∞ = max kAxk∞ ≥ max |aij |,
kxk∞ =1 1≤i≤n
j=1

d’où
n
X
kAk∞ = max |aij |.
1≤i≤n
j=1

Nous avons ainsi obtenu une formule pour trouver la norme infinie d’une
matrice. 

On a un résultat similaire pour la norme 1.


Théorème 2.2. Si A = {ai j} ∈ Mn×n , la norme 1 satisfait la formule
n
X
kAk1 = max |aij |.
1≤j≤n
i=1

Noter la différence entre les normes infinie et 1.


Preuve

La preuve se fait de manière similaire à celle de la norme infinie.

Il est cependant plus difficile d’arriver à une formule pour la norme 2.


Nous accepterons cette dernière sans démonstration. Mais avant de regarder
cette formule, définissons ce qu’est le rayon spectral d’une matrice.
Définition 2.2. Le rayon spectral d’une matrice A carrée, noté ρ(A), est
défini de la manière suivante:
ρ(A) = max |λi |
où les λi sont les valeurs propres de A. Il est à noter que les valeurs propres
peuvent être complexes et |λi | représente la norme d’un nombre complexe, en
général (qui est un nombre réel positif ou nul).

5
Théorème 2.3. La norme 2 d’une matrice peut se calculer de la manière
suivante:
p
kAk2 = ρ(At A).

Exemple 2. Trouvons les normes matricielles 1, 2 et ∞ de la matrice


 
2 1 1
A =  2 3 2 .
1 1 2

Commençons par les normes infinie et 1.


n
X
kAk∞ = max |aij | = max {4, 7, 4} = 7.
1≤i≤n
j=1

n
X
kAk1 = max |aij | = max {5, 5, 5} = 5.
1≤j≤n
i=1

Pour ce qui est de la norme 2, nous devons tout d’abord calculer les valeurs
propres de At A. On a

0 = det(At A − λI)
 
9−λ 9 8
= det  9 11 − λ 9 
8 9 9−λ
= 25 − 53λ + 29λ2 − λ3 .

En résolvant cette équation, on obtient les trois valeurs propres de A t A:


n √ √ o
1, 14 + 3 19, 14 − 3 19 .

Ainsi,
r n q
p √ √ o √
kAk2 = ρ(At A) = max 1, 14 + 3 19, 14 − 3 19 = 4 + 3 19 ≈ 5.2035

Tout comme pour les vecteurs, il existe plusieurs autres types de normes
matricielles (voir exercices).

6
3 Applications
Les normes matricielles sont très utiles dans plusieurs domaines de mathé-
matiques et des sciences. On les retrouve notamment dans la résolution de
systèmes d’équations différentielles et en analyse numérique.

Équations différentielles

Dans le domaine des équations différentielles, par exemple, la norme ma-


tricielle sert essentiellement à vérifier la convergence d’une suite ou d’une
séries de matrices vers une certaine matrice, c’est-à-dire que la norme sert de
mesure de distance. On peut dire qu’une suite de matrices Ak converge en
norme vers A si kAk −Ak converge vers 0. On peut montrer que si cela est vrai
pour une certaine norme, alors c’est aussi vrai pour toutes les normes possi-
bles. Regardons la résolution du système d’équations différentielles linéaires:
 dy

 dt
1
= a11 y1 + a12 y2 + .. + a1n yn

 dy2 = a y + a y + .. + a y
dt 21 1 22 2 2n n
 .
..


 dyn
dt
= an1 y1 + an2 y2 + .. + ann yn

ou écrit sous la forme vectorielle


dy
= Ay.
dt
On sait qu’une solution fondamentale de ce système est y(t) = eAt (voir
texte sur les équations différentielles). L’exponentielle de matrice est définie
comme celle sur les nombres réels. Ainsi pour B ∈ Mn × n, on a

X
B (B)k B2
e := =I +B+ + ... (1)
k=0
k! 2!

Par contre, pour que cette définition ait du sens, il faut que la série converge
et on dira donc qu’elle converge vers la matrice eB . Avant de montrer la
convergence, donnons quelques outils utiles.
Définition 3.1. On dit qu’une suite de matrice {Bk }k∈N converge vers une
matrice B si et seulement si pour tout ε > 0, il existe N ∈ N tel que si
k > N , alors kBk − Bk < ε.

7
C’est la définition rigoureuse de la convergence d’une suite de matrices.
Elle ressemble à celle que l’on retrouve pour une suite de nombres réels. Elle
revient cependant à ce que nous disions plus haut. Cette définion ne sera
pas vraiment utile ici et nous considérerons plutôt le critère de Cauchy qui
découle de la définition.

Théorème 3.1. Une suite de matrice {Bk }k∈N converge vers une matrice B
si et seulement si pour tout ε > 0, il existe N ∈ N tel que si k > N et l > N ,
alors kBk − Bl k < ε.

Nous accepterons ce théorème sans la preuve.


Nous sommes maintenant en mesure de montrer que la série 1 converge.
Posons
l
X k
X
Bi Bi
Sl = , Sk = .
i=0
i! i=0
i!

Sans perdre de généralité, supposons que l > k. Regardons la norme de la


différence entre ces deux sommes partielles.
k+1
B B l
kSl − Sk k = (k + 1)! + ... + l!

k+1 l
B B
≤ + ... +
(k + 1)! l!
X l
kBkk+1 kBkl kBki
≤ + ... + = .
(k + 1)! l! (i)!
i=k+1

D’autre part, on a que



X kBki
ekBk :=
i=0
i!

converge, car kBk est un nombre réel. Cela implique qu’il existe un N tel si
l et k sont plus grands que ce N , alors

Xl
kBki
kSl − Sk k ≤ ! < ε.
i=k+1
(i)

8
Cela complète la preuve de la convergence de la série. Par contre, elle ne
nous permet pas de calculer ce que vaut eB . Cela demande d’autres outils
(voir texte sur les équations différentielles).

La norme matricielle a d’autres utilités dans le domaine des équations dif-


férentielles. On n’a qu’à penser à la démonstration d’existence et d’unicité
d’une solution.

Analyse numérique

Dans un autre ordre d’idée, la norme matricielle est utile en analyse numérique
afin de quantifier des erreurs commises lors d’approximations. Elle sert égale-
ment à voir si la résolution d’un système linéaire de manière itérative est
efficace ou non.

Supposons que nous avons un système d’équations linéaires que l’on écrit
sous la forme Ax = b. Nous voulons résoudre numériquement ce système. Il
existe deux types de façons de faire: la méthode directe et la méthode itéra-
tive. La première nous donne la solution exacte, mais demande beaucoup de
temps de calcul lorsque le système est grand. La deuxième est plus rapide
et nous donne une approximation de la réponse, avec une tolérance désirée.
Concentrons-nous donc sur la méthode itérative que nous survolerons ici.

Nous considérons la méthode de Jacobi qui consiste à calculer x(k) (la so-
lution approximative après k itérations) en connaissant x(k−1) ,

x(k) = D −1 (L + U )x(k−1) + D −1 b,

où D est la matrice diagonale formée des éléments diagonaux de A (ltous


les autres éléments sont donc 0), −L est formée des éléments de A sous
sa diagonale et −U de ceux au-dessus de sa diagonale. Pour calculer la
solution, il faut se donner un certain x(0) . On arrête les itérations après
qu’une certaine tolérance soit respectée que l’on dit, critère d’arrêt. Un de
ces critères pourrait être d’avoir un petit résidu.
Définition 3.2. Soit x e une solution approximative du système Ax = b. On
défini le vecteur résidu r de la manière suivante:

r = b − Ae
x.

9
Ainsi, il serait naturel de penser que si krk est petit, alors x
e est près de
x. Cela est généralement vrai, mais ne constitue pas un bon critère dans
certains cas. Passons à un exemple pour illustrer cela.

Exemple 3. Soit le système suivant à résoudre:


    
1 2 x1 3
= .
1.0001 2 x2 3.0001

La solution est assez simple à trouver analytiquement et elle vaut x = (1, 1) t .

Par contre, si nous voulons utiliser la méthode de Jacobi avec un critère


d’arrêt de petit résidu, nous avons un problème. En effet, supposons que
e(0) = (3, 0)t et calculons le résidu.
x
 
0
r = b − Ae x= .
−0.0002

À ce moment, krk∞ = 0.0002, ce qui est très petit, mais on peut remarquer
que la solution approximée est loin d’être la véritable solution. Cela provient
du fait que le système est mal conditionné. Les deux droites décrites par le
système d’équations sont très proches l’une de l’autre et la zone acceptable
selon notre condition d’arrêt (par exemple, que la norme du résidu soit in-
férieure à 10−3 ) est très grande. C’est pour cette raison qu’avant d’utiliser une
méthode itérative, nous devons vérifier si le problème est bien conditionné.

Définition 3.3. Le nombre de conditionnement d’une matrice non-singulière


A relatif à une certaine norme est

K(A) = kAkkA−1 k.

Si le problème est bien conditionné, le nombre de conditionnement sera


proche de 1. On peut constater cela en calculant le nombre de condition-
nement de la matrice identité, qui est très bien conditionnée. Par contre, plus
K(A) est grand, moins le système est bien conditionné et on doit utiliser des
méthodes exactes au lieu de méthodes itératives qui sont plus rapides. C’est
le problème qui nous arrive ici avec notre exemple: K(A) = 60002 en norme
infinie.

Ce ne sont ici que quelques exemples de l’utilité des normes matricielles.

10
4 Exercices
1. Trouver les normes 1, 2 et infinie du vecteur x = (2, 1, −9, 3, 8).
 
1 0 2
2. Calculer les normes 1, 2 et infinie de la matrice  0 1 −1 .
−1 1 1
3. Montrer que la norme 1 d’une matrice peut se trouver grâce à la formule
n
X
kAk1 = max |aij |.
1≤j≤n
i=1

4. Démontrer que

ρ(A) ≤ kAk.

 
1/2 0
5. Soit A = . Montrer que Ak converge vers 0 lorsque k tend
1/4 1/2
vers l’infini.

6. Montrer que f (A) est une norme matricielle si


n X
X n
f (A) = |aij |.
i=1 j=1

7. Trouver le nombre de conditionnement de la matrice de l’exercice 2.

  
4 2 1.001
8. Soit le système Ax = b où A = et b = . Soit une
1 1 1
solution approximative x
e = (1, 0.6)t . Trouver le résidu r et vérifier l’inégalité
suivante:
kx − x
ek krk
≤ K(A) .
kxk kbk

Est-ce que la matrice est bien conditionnée?

11
Références
[1] Burden, R.L., Faires, J.D. Numerical Analysis, (Brooks/Cole, 2001): 7e
edition.

12