Produit Scalaire

Un Produit Scalaire sur un K-espace vectoriel est une application f de E X E dans K, qui vérifie
les propriétés suivantes:

i. f(x + x’, y) = f(x , y) + f(x’, y) pour tout x, x’, y  E

ii. f(x , y) = f(x , y) pour tout x  E,   K

iii. f( y , x )  f( x , y) pour tout x, y  E

 Si f(x , x) ≥ 0 pour tout x  E, on dit que f est une Forme Hermitienne Positive,
 Si de plus l’équation "f(x , x) = 0" admet comme unique solution x = 0, on dit que f est
une forme hermitienne définie positive (f.h.d.p).

Une Forme Hermitienne Positive, non dégénérée sur E s’appelle un produit scalaire

Notation : (x , y),  x, y  , (x / y)

l’Inégalité de Schwartz s’écrit: ( x, y)  x y

1
S2_Matrices
 Normes Vectorielles

Rappels : Norme Vectorielle

E un espace vectoriel sur IR ou C, on appelle une norme une application   : E → IR+
possédant les propriétés suivantes :
i.  x   0 pour tout x E
ii.  x  = 0  x = 0
iii.  x  =     x  pour tout x  E et   K
iv.  x + y  ≤  x  +  y  pour tout x , y  E (Inégalité triangulaire)

k n k n in
IR : (x , y) 
n
x
k 0
k yk C : (x , y) 
n
x
k 0
k yk X
1
  xi
i 1

in
  xi 
2
X x12  x 22  ...  x n2
2 i 1

x 
 Max ( x i )
1in
2

S2_Matrices
 Normes Vectorielles

Les Normes des vecteurs les plus utilisées dans l’algèbre linéaire sont

1
 n
 p
   x k
p
x p

 1 

Pour p  1 x 1  x 1  x 2  ...  x n : Norme 1

 
1
1
 n
 2
   x k
2 2 2 2 2
Pour p  2 x 2
 x1  x2  ...  x n  Norme Euc lidienne
 1 
Pour p   x 
 Max
i  1 , ... ,n
x 
i Norme 

Inégalité de Cauchy-Schwartz
in in i n

( x, y )  x 2
y 2
 xi yi 
i 1
 i
x 2

i 1
 i
y 2

i 1

S2_Matrices 3
 Normes Matricielles

Les problèmes concrets de l’analyse numérique font intervenir des matrices de

grande taille, pour lesquelles on ne peut espérer obtenir que des solutions
approchées.

Ceci soulève trois sortes de problèmes :

 Précision du résultat obtenu,

 Temps de calcul nécessaire,

 Stabilité de la solution obtenue par rapport à des perturbations des

données.

Il existe des systèmes dits mal conditionnés pour lesquels d’infimes

perturbations (dues à des incertitudes de mesures par exemple) provoquent des
grands changements dans la solution.

4
 Normes Matricielles

Définition :
On dit que l’application ‖.‖ est une norme dans l’ensemble Mn(K) est une norme si
elle vérifie les trois propriétés de la norme et

AB  A . B , pour tout A, B  M n(K)

La Norme induite à la norme vectorielle est l’application appliquée à la matrice (considéré comme
un vecteur constitué de n colonnes placée dans un vecteur de taille n) et on a si A Mn(K) :
 Av 
A  sup 
  A 0
v 0
 v   A 0A0
Ces Normes vérifient les habituelles des Normes:
 A   A
 AB  A  B
AB  A . B , pour tout A, B  M n (K )
Ax  A x
In  1

On notera indifféremment une nome vectorielle ou Matricielle comme ‖.‖

5
 Normes Matricielles

Les Normes usuelles et leurs normes induites

im
1) A 1
 max
j  1 , ..., m
a
i1
ij Somme des VA des coeff d’une colonne

im
2) A 
 max
i  1 , ..., m
a
j1
ij
Somme des VA des coeff d’une ligne

3) A 2  ρ(AA*)  ρ(A*A)  A* 2
Norme Rayon Spectral

T
où A*  A désigne la matrice adjo int e de A et ρ(M) dé(M)ne le rayon spectral de la Matrice M
ρ(M)  Max λi , où les λi sont les valeurs propres de M.
i  1 , ..., n

1
 jm n
 2
    a ij
2
4) A   A F  tr ( AA* )  tr ( A * A ) Norme de Frobenius
F 
 j 1 i 1 

6
 Normes Matricielles

Notons que ces trois Normes Matricielles sont équivalentes. Pour A Mnxn(K), on a :

1
A 2
 A 1
 n A 2
n
1
A 
 A 2
 n A 
n
1
A  A  n A
n 2  1

ABx A Bx A B x
   A . B
x x x

7
Normes Matricielles

S2_Matrices 8
 Conditionnement d’une Matrice

 L’objectif du conditionnement matricielle est de répondre à la question suivante :

 Peut-on dire a priori qu’une matrice (ou un système linéaire) est sensible aux
erreurs et à des petites perturbations en général ?

 On mesurera cette sensibilité par un nombre appelé Cond(A)

 Soit « Ax = b » de taille nxn, on perturbe b et A et on regarde l’effet sur le SL. On

se propose donc de comparer les Solutions des SL:
 Ax = b, A(x + x) = b+b
 Ax = b, (A+A)(x +x) = b

 Le Problème posé est de savoir quel est le taux d’erreur mesuré par:

x  x
x
 Conditionnement d’une Matrice

Position du Problème On considère :

Ax = b, A(x + x) = b+b
On a donc : Ax = b  x =A-1b, x dépend de A-1
On obtient la majoration suivante de l’erreur absolue sur la solution

 x  A 1 .  b
comme Ax  b, b  A x x 1
b
  A .A.
1 A x b

x b

x b
 Cond(A)
Cond (A ) . Cond(A)  A 1 . A
x b

S2_Matrices 10
 Conditionnement d’une Matrice

Définition:
Soit IRn muni d’une norme ‖ . ‖ et Mn(IR) muni de la norme induite.
Soit A  Mn(IR) une matrice inversible. On appelle conditionnement de A par
rapport à la norme ‖ . ‖, le nombre réel positif Cond(A) défini par :

1
Cond ( A )  A . A

Proposition:

Soit IRn muni d’une norme ‖ . ‖ et Mn(IR) muni de la norme induite.

 Cond(A) ≥ 1
 Cond(A) = Cond(A),   IR*
 Cond(AB)  Cond(A).Cond(B)
 Conditionnement d’une Matrice

Remarques:
1. Le Conditionnement dépend de la norme choisie (Norme 1, norme infinie,
norme de Frobenieus, ect …).
2. Il est préférable que le conditionnement de A soit petit (bon conditionnement).
Si Cond(A) est très grand (mauvais conditionnement) : cela indique que l’erreur
sur le résultat est importante
2. La Borne peut etre est atteinte : Exemple

1 0  1  1 
A 1  , b    et δe   
0  0  0 .5 
 2
 1 0
La solution de Ax  b est: x    , La solution de Aδe  δb est: δx   
0  1
On trouve pour cet exemple que la borne est atteinte
δx δb 1
 1 , A  1 . A  2 et 
x b 2
 Conditionnement d’une Matrice

Exemple:  10 7 87  32 
   
7 5 6 5  23 
A
8 6 10 9  ,b   
33
Cond(A)= 2984. 1
   
7 
5 9 10   
  31   1
 
 1
A est Symétrique, det(A) = 1 et la Solution de AX=b est x   
1
 
 32 ,1   1
   
 22 ,9 
Premier Cas : On perturbe b’ : b +b b'  
33 ,1 
 
 30 ,9 
 
1  9.2 
10 7 8 7 32. 1 9. 2  
7 5 6 5 22. 9 12. 6  - 12.6 
Si On résoud le SL AX=b’, la solution est : x'  
4.5 

8 6 10 9 33. 1 4. 5
 
7 5 9 10 30. 9 1. 1   1. 1 
 

La « petite » perturbation sur le second membre b entraine donc une « Forte »

perturbation sur la solution du SL
 Conditionnement d’une Matrice

Deuxième Cas : On perturbe la matrice A

 10 7 8.1 7.2   - 81 
   
 7. 08 5. 04 6 5   107 
A"   La Solution du SL A" x  b est x  
8 5.98 9.89 9  - 34 
   
 6.99 4.99 9 9 .98   22 
   

D’une manière Générale, on considère les deux Systèmes Linèaires:

Ax = b, (A+A)(x +x) = b

On obtient : x =A-1 A (x+x),

On obtient la majoration suivante de l’erreur absolue sur la solution

x A x A
 A 1
.A .  Cond( A ) .
x  x A x  x A
 Conditionnement d’une Matrice

RECAP

1
Cond (A )  A . A
x b
 Cond (A )
x b
x 1
A
 A . A .
x  x A
 Conditionnement d’une Matrice

 10 7 87  32   1  32,1  0.1  9.2  8. 2

         
7 5 6 5  23   1  22,9  0.1  - 12.6  13. 6
A b  x  b'   x'   x 
4.5 
b 
8 6 10 9   33  1 33,1  0.1 3. 5
         
7  1  30,9    1.1 
 5 9 10   31 
      0.1   2. 1

Pour Simplifier on choisit ici la norme Sup ‖.‖. On peut également choisir la norme euclidienne

 ‖ b ‖= 0.1 , ‖ b ‖= 33 , ‖ x ‖= 1,
 Mais ‖ x ‖= ‖ x – x’‖= 13.6
 Donc : ‖ b ‖/‖ b ‖ = 0.1/33  0.00303
 et ‖ x ‖/‖ x ‖ = 13.6
 Le taux d’amplification de l’erreur est donc de l’ordre de 13.6/0.00303,
supérieur à 4000.
 On dit que la matrice est mal conditionnée (Cond(A)= 2984. 1)
 Il arrive que certains systèmes linéaires soient très sensibles aux erreurs,
c’est à dire mal conditionnés, indépendamment de la méthode de résolution
utilisée.