P5 : Algèbre linéaire numérique et Conditionnement (matrice carrée : système de N équations à N inconnues) ● ● ● ● ● ● la plupart des problèmes numériques aboutissent à des résolutions de systèmes linéaires → un grand soin doit y être apporté le conditionnement d'un système linéaire A.x = b traduit la difficulté à le résoudre : 1 ≤ cond(A) ≤ + ∞ cond(A) ~ 1 ⇒ système bien conditionné (solution stable par rapport à une erreur des données) cond(A) ≫ 1 ⇒ système mal conditionné (solution très sensible par rapport à une erreur des données) cond(A) = + ∞ ⇒ système singulier (matrice non inversible, det=0) le conditionnement réciproque (reciprocal condition number : rcond) est l'inverse. rcond = 1/cond rcond traduit en quelque sorte la proximité avec la singularité (lien avec le cas scalaire) ● la stabilité se traduit par : ‖ Δx Δb ‖ ≃ cond ( A) ‖ ‖ x b ● ● ● toute matrice A est associée à une application linéaire – l'image est formée par les colonnes de la matrice A – le noyau est formé des vecteurs x tels que A.x = 0 – dim(noyau) + dim(image) = N, où N est la dimension de A le rang : dim(image) (= nombre de colonnes indépendantes) une matrice de plein rang est non singulière [ scilab → rank(A) ] le noyau s'interprète comme les relations entre les colonnes dépendantes de la matrice : très utile pour détecter des erreurs dans l'écriture d'un système d'équation, ou dans un calcul de jacobienne ! [ scilab → kernel(A) ]