Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
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
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
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.
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
1
||A||
x
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
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
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
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.
5
Théorème 2.3. La norme 2 d’une matrice peut se calculer de la manière
suivante:
p
kAk2 = ρ(At A).
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 .
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
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.
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).
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,
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.
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.
K(A) = kAkkA−1 k.
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.
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
11
Références
[1] Burden, R.L., Faires, J.D. Numerical Analysis, (Brooks/Cole, 2001): 7e
edition.
12