Une ressource Excellence Maths. Découvrir le professeur

Quand tu multiplies un vecteur par une matrice, tu l’allonges, tu le raccourcis, tu le fais tourner. La question naturelle est : de combien, au maximum, une matrice peut-elle agrandir un vecteur ? La réponse porte un nom précis — la norme subordonnée — et c’est l’outil qui transforme la matrice d’« un tableau de nombres » en une véritable application linéaire continue, que l’on sait majorer, composer et étudier topologiquement. C’est un classique des écrits comme des oraux de MP, et tu vas voir qu’une fois la définition posée, tout s’enchaîne : calculs explicites pour les normes 1, 2 et ∞, lien avec le rayon spectral, comportement des puissances de matrices.

Au programme (BO MP-MPI, applicable depuis 2022)

  • Avant : produit matriciel, valeurs propres, norme d’un vecteur (MPSI).
  • Ici — MP, MPI 🟠 : applications linéaires continues et norme subordonnée. Le rayon spectral et la formule de Gelfand sont des prolongements classiques d’écrit et d’oral, non exigibles par défaut.
  • Après : analyse numérique (conditionnement d’un système, convergence des méthodes itératives).

I. Applications linéaires continues et norme d’opérateur

En dimension finie, toute application linéaire est continue — c’est un résultat que tu dois connaître. Mais la continuité se traduit par une inégalité très concrète, et c’est elle qui ouvre la porte à la norme subordonnée.

Propriété — Continuité et constante de Lipschitz

Soient \((E, \Vert \cdot \Vert_E)\) et \((F, \Vert \cdot \Vert_F)\) deux espaces vectoriels normés et \(u : E \to F\) une application linéaire. Alors \(u\) est continue si et seulement s’il existe une constante \(C \geq 0\) telle que, pour tout \(x \in E\),

\(\Vert u(x) \Vert_F \leq C \, \Vert x \Vert_E.\)

Autrement dit, une application linéaire continue ne peut pas « agrandir sans limite » : il existe un facteur d’amplification maximal. La norme subordonnée est précisément la plus petite constante \(C\) qui convient. Dès que ta matrice représente une application entre deux espaces de normes fixées, cette quantité existe. Pour approfondir le cadre, consulte le cours sur l’espace vectoriel normé.


II. Norme subordonnée : définition et sous-multiplicativité

Voici le cœur du chapitre. La norme subordonnée mesure, pour les normes vectorielles que tu as choisies au départ et à l’arrivée, le plus grand facteur d’agrandissement de la matrice.

Définition — Norme subordonnée

Pour \(\mathbb K=\mathbb R\) ou \(\mathbb C\) et \(n,p\ge1\), soit \(A\in\mathcal M_{n,p}(\mathbb K)\), vue comme application linéaire de \((\mathbb{K}^p, \Vert \cdot \Vert_p)\) dans \((\mathbb{K}^n, \Vert \cdot \Vert_n)\). La norme subordonnée de \(A\) est

\(\vert\!\vert\!\vert A \vert\!\vert\!\vert = \displaystyle\sup_{x \neq 0} \displaystyle\frac{\Vert Ax \Vert_n}{\Vert x \Vert_p} = \sup_{\Vert x \Vert_p = 1} \Vert Ax \Vert_n.\)

On la note aussi norme d’opérateur ou norme triple. Le sup est atteint : la sphère unité est compacte en dimension finie et \(x \mapsto \Vert Ax \Vert\) est continue.

Deux conséquences immédiates, à avoir en réflexe :

Deux inégalités à connaître par cœur

  • Majoration fondamentale : \(\Vert Ax \Vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert \cdot \Vert x \Vert\) pour tout \(x\).
  • Sous-multiplicativité : \(\vert\!\vert\!\vert AB \vert\!\vert\!\vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert \cdot \vert\!\vert\!\vert B \vert\!\vert\!\vert\) (pour des tailles compatibles, en utilisant la même norme sur l’espace intermédiaire).

Pour un endomorphisme, si l’on utilise la même norme vectorielle au départ et à l’arrivée, \(\Vert I_n\Vert=1\). Avec deux normes différentes, cette égalité n’est plus garantie : l’identité de \((\mathbb R,|\cdot|)\) vers \((\mathbb R,2|\cdot|)\) a une norme d’opérateur égale à 2.

La sous-multiplicativité se démontre en une ligne à partir de la majoration fondamentale : \(\Vert ABx \Vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert \, \Vert Bx \Vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert \, \vert\!\vert\!\vert B \vert\!\vert\!\vert \, \Vert x \Vert\). C’est elle qui rend ces normes si utiles pour contrôler les puissances de matrices et les produits — bien plus que le simple produit matriciel brut.

La fiche PDF à imprimer

2 pages.

Reçois gratuitement le PDF par e-mail.

Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.


Dans la suite, sauf mention contraire, \(A\in\mathcal M_n(\mathbb K)\), \(n\ge1\), est carrée ; les normes subordonnées utilisent la même norme vectorielle au départ et à l’arrivée. Dans ces formules, \(A^*=\overline A^{\mathsf T}\) désigne la transposée conjuguée. Pour une matrice réelle, \(A^*=A^{\mathsf T}\). Les normes 1, 2 et infinie utilisent la même norme usuelle au départ et à l’arrivée.

III. Calculer les normes subordonnées usuelles

La définition est un sup : en apparence, elle ne se calcule pas « à la main ». Pourtant, pour les trois normes vectorielles classiques, la norme subordonnée admet une formule explicite. Voici le tableau de référence, puis le détail de chaque cas.

Formules des trois normes subordonnées usuelles sur une matrice carrée
Norme vectorielle Norme subordonnée de \(A = (a_{ij})\) Lecture concrète
\(\Vert \cdot \Vert_1\) \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1 = \displaystyle\max_{1 \leq j \leq n} \sum_{i=1}^{n} |a_{ij}|\) Maximum des sommes de colonnes
\(\Vert \cdot \Vert_\infty\) \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = \displaystyle\max_{1 \leq i \leq n} \sum_{j=1}^{n} |a_{ij}|\) Maximum des sommes de lignes
\(\Vert \cdot \Vert_2\) \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = \sqrt{\rho(A^*A)}\) Plus grande valeur singulière

A. Norme 1 : le maximum des sommes de colonnes

Repère : pour la norme 1, examine les colonnes une à une ; pour la norme infinie, examine les lignes.

B. Norme infinie : le maximum des sommes de lignes

Pour tout vecteur \(x\), \(|(Ax)_i|\le\sum_j|a_{ij}|\,|x_j|\le(\sum_j|a_{ij}|)\Vert x\Vert_\infty\). On obtient le maximum des sommes de lignes comme majorant. Pour l’atteindre, choisissons une ligne \(i_0\) de somme maximale et \(x_j=\overline{a_{i_0j}}/|a_{i_0j}|\) si \(a_{i_0j}\ne0\), et \(x_j=1\) sinon. Alors \(\Vert x\Vert_\infty=1\) et \((Ax)_{i_0}=\sum_j|a_{i_0j}|\). Cela traite les matrices réelles ou complexes, y compris la matrice nulle.

Exemple : pour \(A = \begin{pmatrix} 1 & -2 \\ 3 & 1 \end{pmatrix}\).

Sommes de colonnes : \(|1| + |3| = 4\) et \(|-2| + |1| = 3\), donc \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1 = 4\).

Sommes de lignes : \(|1| + |-2| = 3\) et \(|3| + |1| = 4\), donc \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = 4\).

C. Norme 2 : la racine du rayon spectral de A* A

Comment trouver la norme 2 d’une matrice ? On passe par \(A^*A\), qui est hermitienne positive (symétrique positive dans le cas réel). Le théorème spectral la diagonalise en base orthonormée : ses valeurs propres \(\mu_k \geq 0\) sont les carrés des valeurs singulières de \(A\). On montre alors que

\(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = \sqrt{\displaystyle\max_k \mu_k} = \sqrt{\rho(A^*A)}.\)

Cas particulier à connaître : si \(A\) est symétrique réelle, alors \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = \rho(A) = \max_k |\lambda_k|\), le maximum des valeurs absolues de ses valeurs propres.

Image du cercle unité du plan par la matrice A : un cercle gris se transforme en ellipse bleue dont le demi-grand axe, en or, mesure la norme subordonnée 2 de A
Ici, \(A=\begin{pmatrix}2&1\\1&3\end{pmatrix}\). Le demi-grand axe de l’ellipse image vaut \((5+\sqrt5)/2\simeq3{,}62\), sa norme subordonnée 2.

D. 🔴 Méthode en deux temps (rédaction attendue au concours)

Pour une matrice sans formule immédiate, l’oral attend une démarche en deux temps, que le correcteur vérifie systématiquement.

Méthode — calculer une norme subordonnée

  1. Majorer : établir \(\Vert Ax \Vert \leq M \, \Vert x \Vert\) pour tout \(x\). On obtient \(\vert\!\vert\!\vert A \vert\!\vert\!\vert \leq M\).
  2. Exhiber un vecteur qui atteint la borne : trouver un \(x_0 \neq 0\) tel que \(\Vert A x_0 \Vert = M \, \Vert x_0 \Vert\). On conclut \(\vert\!\vert\!\vert A \vert\!\vert\!\vert = M\).

Ce que vérifie le correcteur : la majoration vaut pour tout \(x\) (sans oubli de cas), et le vecteur extrémal est explicité — sinon tu n’as prouvé qu’une inégalité, pas l’égalité.

Logo-excellence-maths
Vise le haut du classement en maths spé
Avec un professeur diplômé de Polytechnique, exigeant et bienveillant, tu transformes les chapitres de topologie et d'algèbre linéaire en points gagnés aux concours. Suivi sur-mesure, progrès mesurables en 4 semaines.

IV. Norme de Frobenius : une norme matricielle qui n’est pas subordonnée

À côté des normes subordonnées, il existe une autre norme matricielle très utilisée, et c’est l’occasion d’un piège classique d’oral.

Définition — Norme de Frobenius

\(\Vert A \Vert_F = \sqrt{\displaystyle\sum_{i,j} |a_{ij}|^2} = \sqrt{\mathrm{tr}(A^*A)}.\)

C’est tout simplement la norme euclidienne de \(A\) vue comme un vecteur de \(\mathbb{K}^{n^2}\). Elle est sous-multiplicative, mais elle n’est, pour \(n\ge2\), subordonnée à aucune norme vectorielle commune au départ et à l’arrivée.

La preuve tient en un argument : pour toute norme subordonnée, \(\vert\!\vert\!\vert I_n \vert\!\vert\!\vert = 1\). Or \(\Vert I_n \Vert_F = \sqrt{n}\), qui vaut \(1\) seulement si \(n = 1\). Dès que \(n \geq 2\), Frobenius ne peut donc pas être une norme subordonnée. La trace est au cœur de son calcul. Notons au passage le lien utile : \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 \leq \Vert A \Vert_F \leq \sqrt{n}\,\vert\!\vert\!\vert A \vert\!\vert\!\vert_2\).

Erreur classique : affirmer « la norme de Frobenius est la norme subordonnée 2 ». Faux. Elles coïncident exactement pour les matrices de rang au plus 1, y compris la matrice nulle. En général, Frobenius agrège toutes les valeurs singulières (\(\Vert A \Vert_F = \sqrt{\sum_k \sigma_k^2}\)) alors que \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2\) ne retient que la plus grande.


V. Approfondissement — Rayon spectral et normes

Le rayon spectral est l’invariant qui relie la norme subordonnée au spectre de la matrice. Les résultats spectraux de cette section sont des approfondissements guidés.

Définition — Rayon spectral

Le rayon spectral de \(A \in \mathcal{M}_n(\mathbb{C})\) est \(\rho(A) = \displaystyle\max_{\lambda \in \mathrm{Sp}(A)} |\lambda|\), le maximum des modules de ses valeurs propres.

A. ρ(A) ≤ |||A||| pour toute norme subordonnée

C’est l’inégalité centrale. Soit \(\lambda\) une valeur propre de module maximal et \(x \neq 0\) un vecteur propre associé. Alors \(Ax = \lambda x\), donc

\(|\lambda| \, \Vert x \Vert = \Vert \lambda x \Vert = \Vert Ax \Vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert \, \Vert x \Vert.\)

En divisant par \(\Vert x \Vert \neq 0\), on obtient \(\rho(A) \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert\). Autrement dit, le rayon spectral minore toute norme subordonnée. Cette borne est particulièrement nette pour une matrice stochastique, dont le rayon spectral vaut exactement 1.

Erreur classique : croire que \(\rho\) est une norme. C’est faux : \(\rho\!\begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix} = 0\) alors que la matrice est non nulle. Le rayon spectral n’est pas séparé : ce n’est pas une norme (seulement une borne inférieure des normes subordonnées).

B. 🔴 La formule de Gelfand (prolongement)

Pour aller plus loin — prolongement non exigible par défaut, énoncé ici sans démonstration — le rayon spectral est aussi une limite de normes :

\(\rho(A) = \displaystyle\lim_{k \to +\infty} \vert\!\vert\!\vert A^k \vert\!\vert\!\vert^{1/k}.\)

La formule de Gelfand fait le pont entre une quantité algébrique (le spectre) et une quantité analytique (le comportement asymptotique des puissances). Elle éclaire directement le résultat de la section suivante.


VI. Approfondissement — Puissances et rayon spectral

Voici l’application la plus féconde : le rayon spectral décide si les puissances d’une matrice tendent vers zéro.

Théorème — Convergence des puissances

Pour \(A \in \mathcal{M}_n(\mathbb{C})\) :

\(A^k \stackrel{k \to +\infty}{\longrightarrow} 0\)  ⟺  \(\rho(A)\) < \(1\).

Note bien l’inégalité : on écrit \(\rho(A)\) < \(1\) (strictement). Esquisse des deux sens :

  • Si \(\rho(A)\lt 1\) : choisissons \(q\) avec \(\rho(A)\lt q\lt 1\). Par la formule de Gelfand énoncée ci-dessus, pour tout \(k\) assez grand, \(\Vert A^k\Vert^{1/k}\le q\), donc \(\Vert A^k\Vert\le q^k\to0\). Cette preuve utilise le prolongement de Gelfand ; elle ne suppose pas une norme inférieure au rayon spectral.
  • Réciproque : si une valeur propre \(\lambda\) vérifie \(|\lambda| \geq 1\), alors \(A^k x = \lambda^k x\) ne tend pas vers \(0\) sur le vecteur propre \(x\).

Ce résultat gouverne la convergence des méthodes itératives en analyse numérique et l’étude des systèmes dynamiques discrets.


VII. Topologie de Mₙ(K) : GLₙ ouvert et dense

La norme (n’importe laquelle, puisqu’elles sont toutes équivalentes en dimension finie) fait de \(\mathcal{M}_n(\mathbb{K})\) un espace vectoriel normé, donc un espace topologique. Deux faits structurants méritent d’être retenus.

Deux propriétés topologiques de référence

  • \(GL_n(\mathbb{K})\) est ouvert dans \(\mathcal{M}_n(\mathbb{K})\) : c’est l’image réciproque de \(\mathbb{K} \setminus \{0\}\) par le déterminant, qui est continu.
  • \(GL_n(\mathbb{K})\) est dense : toute matrice est limite d’une suite de matrices inversibles (par exemple \(A + \displaystyle\frac{1}{k} I_n\) pour \(k\) assez grand).

La densité est un outil de preuve redoutable : pour établir une identité polynomiale en les coefficients (par exemple \(\chi_{AB} = \chi_{BA}\) ou \(\mathrm{com}(AB) = \mathrm{com}(A)\,\mathrm{com}(B)\)), on la démontre d’abord sur \(GL_n\), puis on passe à la limite par continuité. Pour le cadre général, vois le pilier topologie.

On peut maintenant mettre tout cela en pratique.


VIII. Erreurs fréquentes

1. Traiter Frobenius comme une norme subordonnée. Elle ne l’est pas (\(\Vert I_n \Vert_F = \sqrt{n} \neq 1\) pour \(n \geq 2\)). Ne jamais écrire \(\vert\!\vert\!\vert AB \vert\!\vert\!\vert_F = \ldots\) en invoquant \(\vert\!\vert\!\vert I \vert\!\vert\!\vert = 1\).

2. Confondre colonnes et lignes. \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1\) = max des sommes de colonnes ; \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty\) = max des sommes de lignes. Le piège : l’indice 1 ne « va » pas avec les lignes.

3. Croire que le supremum sur la boule serait incorrect. Les expressions \(\sup_{\Vert x\Vert\le1}\Vert Ax\Vert\) et \(\sup_{\Vert x\Vert=1}\Vert Ax\Vert\) sont toutes deux valables : elles sont égales par homogénéité. En dimension finie non nulle, on peut choisir un vecteur extrémal sur la sphère.

4. Majorer sans montrer que la borne est atteinte. Une majoration \(\vert\!\vert\!\vert A \vert\!\vert\!\vert \leq M\) ne donne pas la valeur de la norme. Il faut exhiber \(x_0\) réalisant l’égalité (méthode en deux temps).


IX. Exercices corrigés

Six exercices classés par difficulté, du calcul direct au raisonnement de type concours. Essaie-les avant de déplier la correction.

Exercice 1 — Normes 1 et ∞ d’une matrice ★

Calculer \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1\) et \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty\) pour \(A = \begin{pmatrix} 2 & -1 & 0 \\ 3 & 1 & -2 \\ -1 & 4 & 1 \end{pmatrix}\).

Voir la correction de l’exercice 1

Sommes de colonnes (pour \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1\)) : \(|2|+|3|+|-1| = 6\), \(|-1|+|1|+|4| = 6\), \(|0|+|-2|+|1| = 3\).

\(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1 = \max(6, 6, 3) = 6.\)

Sommes de lignes (pour \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty\)) : \(|2|+|-1|+|0| = 3\), \(|3|+|1|+|-2| = 6\), \(|-1|+|4|+|1| = 6\).

\(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = \max(3, 6, 6) = \mathbf{6}.\)

Conclusion : \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_1 = \vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = 6\) (les maxima des lignes et des colonnes coïncident pour cet exemple, ce qui n’est pas une identité générale).


Exercice 2 — Frobenius n’est pas subordonnée ★

Montrer que la norme de Frobenius n’est, pour \(n\ge2\), subordonnée à aucune norme vectorielle commune au départ et à l’arrivée.

Voir la correction de l’exercice 2

Toute norme subordonnée vérifie \(\vert\!\vert\!\vert I_n \vert\!\vert\!\vert = \sup_{\Vert x \Vert = 1} \Vert I_n x \Vert = \sup_{\Vert x \Vert = 1} \Vert x \Vert = 1\).

Or \(\Vert I_n \Vert_F = \sqrt{\sum_{i,j} \delta_{ij}^2} = \sqrt{n}\).

Pour \(n \geq 2\), \(\sqrt{n} \neq 1\), donc \(\Vert \cdot \Vert_F\) ne peut égaler aucune norme subordonnée : elle n’est, pour \(n\ge2\), subordonnée à aucune norme vectorielle commune au départ et à l’arrivée. ∎


Exercice 3 — Norme 2 d’une matrice symétrique ★★

Calculer \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2\) pour \(A = \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix}\).

Voir la correction de l’exercice 3

\(A\) est symétrique réelle, donc \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = \rho(A)\).

Polynôme caractéristique : \(\det(A- \lambda I) = (3-\lambda)^2- 1 = \lambda^2- 6\lambda + 8\).

Racines : \(\lambda = 2\) et \(\lambda = 4\). Toutes positives, donc \(\rho(A) = 4\).

Conclusion : \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = 4\). (Vérification : \(\Vert A \Vert_F = \sqrt{20} \approx 4{,}47 \geq 4\), cohérent avec \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 \leq \Vert A \Vert_F\).)


Exercice 4 — ρ(A) ≤ |||A||| ★★

Démontrer que pour toute matrice \(A \in \mathcal{M}_n(\mathbb{C})\) et toute norme subordonnée, \(\rho(A) \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert\). En déduire que si \(\vert\!\vert\!\vert A \vert\!\vert\!\vert\) < \(1\), alors \(I- A\) est inversible.

Voir la correction de l’exercice 4

Inégalité. Soit \(\lambda\) une valeur propre de module \(\rho(A)\), \(x \neq 0\) un vecteur propre. De \(Ax = \lambda x\) on tire \(|\lambda|\,\Vert x \Vert = \Vert Ax \Vert \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert\,\Vert x \Vert\), d’où \(\rho(A) = |\lambda| \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert\).

Conséquence. Si \(\vert\!\vert\!\vert A \vert\!\vert\!\vert\) < \(1\), alors \(\rho(A)\) < \(1\), donc \(1\) n’est pas valeur propre de \(A\). Ainsi \(\det(A- I) \neq 0\), c’est-à-dire \(I- A\) est inversible (et même \((I-A)^{-1} = \sum_{k \geq 0} A^k\), série convergente).


Exercice 5 — Méthode en deux temps ★★

Soit \(A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}\). Calculer \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty\) en rédigeant la méthode en deux temps.

Voir la correction de l’exercice 5

Temps 1 — majorer. Pour \(x = (x_1, x_2)\), \(Ax = (x_1 + x_2,\ x_2)\). Donc \(\Vert Ax \Vert_\infty = \max(|x_1 + x_2|,\ |x_2|) \leq \max(|x_1| + |x_2|,\ |x_2|) \leq 2\,\Vert x \Vert_\infty\). Ainsi \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty \leq 2\).

Temps 2 — atteindre la borne. Prenons \(x_0 = (1, 1)\), donc \(\Vert x_0 \Vert_\infty = 1\). Alors \(A x_0 = (2, 1)\) et \(\Vert A x_0 \Vert_\infty = 2 = 2\,\Vert x_0 \Vert_\infty\).

Conclusion : \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = 2\), ce qui coïncide bien avec le max des sommes de lignes (\(1+1=2\) et \(0+1=1\)).


Exercice 6 — Convergence des puissances ★★★

Soit \(A = \begin{pmatrix} 0 & \displaystyle\frac{1}{2} \\ \displaystyle\frac{1}{3} & 0 \end{pmatrix}\). La suite \((A^k)\) converge-t-elle vers \(0\) ? Justifier rigoureusement.

Voir la correction de l’exercice 6

Méthode 1 — rayon spectral. \(\det(A- \lambda I) = \lambda^2- \displaystyle\frac{1}{6}\), donc \(\lambda = \pm \displaystyle\frac{1}{\sqrt{6}}\). Ainsi \(\rho(A) = \displaystyle\frac{1}{\sqrt{6}} \approx 0{,}41\) < \(1\). D’après le théorème, \(A^k \to 0\).

Méthode 2 — norme subordonnée (confirmation directe). \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_\infty = \max(\displaystyle\frac{1}{2}, \displaystyle\frac{1}{3}) = \displaystyle\frac{1}{2}\) < \(1\). Par sous-multiplicativité, \(\vert\!\vert\!\vert A^k \vert\!\vert\!\vert_\infty \leq (\displaystyle\frac{1}{2})^k \to 0\), donc \(A^k \to 0\).

Les deux approches concordent. On remarque qu’ici une seule norme suffisait à conclure, mais le rayon spectral donne le critère optimal.

Pour t’entraîner davantage, retrouve la série dédiée dans les exercices corrigés d’EVN et de topologie.


X. Questions fréquentes

Qu’est-ce qu’une norme subordonnée ?

La norme subordonnée d’une matrice \(A\) est le plus grand facteur d’agrandissement qu’elle applique à un vecteur : \(\vert\!\vert\!\vert A \vert\!\vert\!\vert = \sup_{\Vert x \Vert = 1} \Vert Ax \Vert\). On l’appelle aussi norme d’opérateur ou norme triple. Elle dépend des normes vectorielles choisies au départ et à l’arrivée, et vérifie \(\Vert I_n\Vert=1\) lorsqu’on emploie la même norme vectorielle au départ et à l’arrivée.

Comment trouver la norme 2 d’une matrice ?

On calcule \(A^*A\), qui est hermitienne positive (symétrique positive dans le cas réel), puis son rayon spectral (sa plus grande valeur propre). La norme 2 est \(\vert\!\vert\!\vert A \vert\!\vert\!\vert_2 = \sqrt{\rho(A^*A)}\), soit la plus grande valeur singulière de \(A\). Si \(A\) est symétrique réelle, c’est simplement \(\rho(A)\), le maximum des modules de ses valeurs propres.

Quelle différence entre norme subordonnée et norme de Frobenius ?

Les deux sont des normes matricielles sous-multiplicatives, mais la norme de Frobenius \(\Vert A \Vert_F = \sqrt{\mathrm{tr}(A^*A)}\) n’est, pour \(n\ge2\), subordonnée à aucune norme vectorielle commune au départ et à l’arrivée (car \(\Vert I_n \Vert_F = \sqrt{n} \neq 1\) pour \(n \geq 2\)). Frobenius agrège toutes les valeurs singulières ; la norme subordonnée 2 n’en retient que la plus grande.

Le rayon spectral est-il une norme ?

Non. Le rayon spectral n’est pas séparé : la matrice nilpotente \(\begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}\) est non nulle mais de rayon spectral nul. C’est seulement une borne inférieure de toute norme subordonnée : \(\rho(A) \leq \vert\!\vert\!\vert A \vert\!\vert\!\vert\).


Pour aller plus loin

Tu maîtrises maintenant la norme subordonnée, son calcul explicite et son lien avec le rayon spectral. Pour consolider et élargir :

La fiche PDF à imprimer

2 pages.

Reçois gratuitement le PDF par e-mail.

Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.