E.P.

U de Nice Sophia-Antipolis
Analyse Numérique 2 - Année 2009/2010

TD 1 :Normes matricielles et Conditionnement

Exercice 1.
Soit A = (ai,j )i,j=1,...,n ∈ Mn (R).
1. On munit Rn de la norme k.k∞ et Mn (R) de la norme induite correspondante, notée
aussi k.k∞ . Montrer que
Xn
kAk∞ = max |ai,j |.
i∈{1,...,n}
j=1

2. On munit Rn de la norme k.k1 et Mn (R) de la norme induite correspondante, notée

aussi k.k1 . Montrer que
Xn
kAk1 = max |ai,j |.
j∈{1,...,n}
i=1

3. On munit Rn de la norme k.k2 et Mn (R) de la norme induite correspondante, notée

aussi k.k2 . Montrer que
kAk2 = (ρ(AT A))1/2

Exercice 2.
On considère la matrice tridiagonale suivante Ah = (aij )1≤i,j≤n donnée par aii = 2, i =
1, ..., n, ai,i−1 = −1, i = 2, ..., n, ai,i+1 = −1, i = 1, ..., n − 1, les autres éléments étant nuls.
Vérifier que les valeurs propres de A sont :
 
2 kπ
λk = 4 sin , 1 ≤ k ≤ n,
2(n + 1)

pour les vecteurs propres uk donnés par leurs composantes

 
k jkπ
uj = sin , 1 ≤ j, k ≤ n.
n+1

Calculer le rapport entre la plus grande et la plus petite valeur propre de A.

Donner un équivalent de cond2 (A) → ∞. Conclusion ?

Exercice 3. 1. Soit p ≥ 1, ∀v = (vi )1≤i≤n ∈ Cn , on pose

Xn
kvkp = ( |vi |p )1/p ; kvk∞ = max |vi |.
i=1,..,n
i=1

(a) Soit p ≥ 1, montrer que

∀v ∈ Cn , kvk∞ ≤ kvkp ≤ n1/p kvk∞ .

(b) En déduire que

lim kvkp = kvk∞ .
p→+∞

(c) Soient p, q ∈ R∗+ tels que 1 ≤ p < q < +∞. Montrer que

∀v ∈ Cn , kvkp ≤ n1/p−1/q kvkq .

 2. Soit A ∈ Cn,n inversible. Montrer les inégalités suivantes :
1
(a) Cond2 (A) ≤ Cond1 (A) ≤ nCond2 (A)
n
1
(b) Cond∞ (A) ≤ Cond2 (A) ≤ nCond∞ (A)
n
1
(c) 2 Cond1 (A) ≤ Cond∞ (A) ≤ n2 Cond1 (A)
n
Exercice 4.
Calculer le nombre de conditionnement des matrices suivantes en utilisant la norme k.k1 , k.k2 ,
et k.k∞      
a+1 a 0 1 α 1
, , .
a a−1 −1 0 1 1
Exercice 5.
Soient ε > 0 un petit paramètre et Aε la matrice
 
1 1
Aε .
1 1+ε
1. Calculer Condp (Aε ) pour p = 1, 2, ∞.
2. Résoudre les systèmes Aε xε = bε et Aε x0 = b avec b = (2, 2 + ε)T et b = (2, 2)T .
Conclusion ?

Exercice 6.
Soit A une matrice mal conditionnée. On sait que le mauvais conditionnement d’une matrice
est source d’accumulation d’erreurs d’arrondis. On veut donc essayer de reconditionner le
système linéaire à résoudre.
1. Equilibrage des lignes i : on divise chaque ligne i par maxj |ai,j |. Montrer que cela revient
à résoudre le système linéaire
(RA)x = Rb
où R est à déterminer.
2. Equilibrage des colonnes j : on divise chaque colonne j par maxi |ai,j |. Montrer que cela
revient à résoudre un système linéaire
(AC)C −1 x = b
où C est à déterminer.
3. Montrer qu’un équilibrage ligne puis colonne donne
((RA)B)B −1 x = Rb
où R et B sont à déterminer.
4. Montrer qu’un équilibrage colonne puis ligne donne
(S(AC))C −1 x = Sb
où S et C sont à déterminer.
5. Appliquer ces résultats systèmes
    
10 100 x1 10
=
0.1 0.2 x2 1
et
1 108
    
x1 1
=
2 0 x2 1
Calculer le conditionnement des différents systèmes linéaires obtenus.