Calculateur de norme de Frobenius

Calculateur de norme de Frobenius

Populaire AI Skill PRO

Entrez le calcul

Résultats

Norme de Frobenius
16,8819

Matrice saisie :

1,2,3|4,5,6|7,8,9

Dimensions de la matrice :

3 x 3

Matrice :

1
2
3
4
5
6
7
8
9

Formule

‖A‖F=∑i=1m∑j=1naij2A=Matrice\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrice}
Statistiques d'utilisation

Publicité

Signaler une erreur sur cette page

Calculateur de norme de Frobenius

La norme de Frobenius est une norme matricielle qui mesure la « taille » d'une matrice. Elle correspond à la racine carrée de la somme des carrés des valeurs absolues de tous les éléments de la matrice. Ce calculateur vous permet d'obtenir la norme de Frobenius de n'importe quelle matrice rapidement et avec précision.

Qu'est-ce que la norme de Frobenius ?

La norme de Frobenius (aussi appelée norme euclidienne matricielle) est une norme définie comme la racine carrée de la somme des carrés de tous les éléments d'une matrice. Pour une matrice A dont les éléments sont notés \(a_{ij}\), la norme de Frobenius s'écrit \(\lVert A \rVert_F\).

Cette norme donne une mesure de la « grandeur » d'une matrice, de la même façon que la norme euclidienne mesure la longueur d'un vecteur. On la retrouve très souvent en algèbre linéaire, en analyse matricielle et dans les calculs numériques.

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$
Grille de matrice dont chaque élément est mis au carré, additionné et passé à la racine carrée pour donner la norme de Frobenius
La norme de Frobenius élève au carré chaque élément de la matrice, les additionne, puis prend la racine carrée.

Quand utiliser la norme de Frobenius

La norme de Frobenius s'avère particulièrement utile dans de nombreuses situations :

  • Approximation de matrices : pour mesurer à quel point une matrice est proche d'une autre, par exemple dans les approximations de rang faible ou l'acquisition comprimée (compressed sensing).
  • Analyse numérique : pour évaluer l'erreur ou l'écart entre deux matrices dans les méthodes itératives et les algorithmes numériques.
  • Traitement du signal : pour analyser l'énergie de signaux représentés sous forme matricielle.
Matrice aplatie en un seul long vecteur dont la longueur euclidienne égale la norme de Frobenius
De façon équivalente, la norme de Frobenius est la longueur euclidienne de la matrice aplatie en un seul vecteur.

Exemples

Exemple 1 : matrice 2×2

Calculons la norme de Frobenius de la matrice A = [1, 2 ; 3, 4]

Matrice Calcul Résultat
[1, 2 ;
3, 4]
\(\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}\) 5,4772

Exemple 2 : matrice 3×3

Calculons la norme de Frobenius de la matrice B = [2, 0, 1 ; -1, 3, 5 ; 4, 2, 1]

Matrice Calcul Résultat
[2, 0, 1 ;
-1, 3, 5 ;
4, 2, 1]
\(\sqrt{2^2 + 0^2 + 1^2 + (-1)^2 + 3^2 + 5^2 + 4^2 + 2^2 + 1^2} = \sqrt{4 + 0 + 1 + 1 + 9 + 25 + 16 + 4 + 1} = \sqrt{61}\) 7,8102

Exemple 3 : matrice non carrée

Calculons la norme de Frobenius de la matrice 2×3 C = [5, 2, 1 ; 3, 4, 0]

Matrice Calcul Résultat
[5, 2, 1 ;
3, 4, 0]
\(\sqrt{5^2 + 2^2 + 1^2 + 3^2 + 4^2 + 0^2} = \sqrt{25 + 4 + 1 + 9 + 16 + 0} = \sqrt{55}\) 7,4162
Publicité

Comment calculer la norme de Frobenius étape par étape

La norme de Frobenius (aussi appelée norme de Hilbert–Schmidt ou norme matricielle euclidienne) est définie entrée par entrée par la formule que ce calculateur affiche :

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$
  1. Écrivez la matrice et notez ses dimensions. Enregistrez \(A\) avec \(m\) lignes et \(n\) colonnes, donc elle a \(m \times n\) entrées au total. Dans la boîte de saisie ci-dessus, les valeurs d'une ligne sont séparées par des virgules et les lignes sont séparées par |. Les limites \(i = 1 \ldots m\) et \(j = 1 \ldots n\) dans la double somme sont exactement ces dimensions.
  2. Mettez au carré chaque entrée. Remplacez chaque \(a_{ij}\) par \(a_{ij}^{2}\) — c'est le terme à l'intérieur de la double somme. Mettre au carré supprime les signes, donc \(-4\) et \(+4\) contribuent tous deux à \(16\); la norme ne dépend jamais du motif de signe de la matrice. Pour une matrice complexe, le terme correct est le module au carré \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\), qui est réel et non-négatif (par exemple \(|3 + 4i|^2 = 9 + 16 = 25\)).
  3. Additionnez tous les \(m \times n\) valeurs au carré. Travaillez ligne par ligne : totalisez les carrés dans la ligne 1, puis la ligne 2, et ainsi de suite, puis additionnez les totaux des lignes. Cette accumulation est la double somme \(\sum_{i}\sum_{j} a_{ij}^{2}\).
  4. Prenez la racine carrée non-négative. Appliquez \(\sqrt{\;\cdot\;}\) à la somme. Parce que chaque terme était un carré, la somme est \(\ge 0\) et la racine principale (non-négative) est toujours définie ; \(\lVert A \rVert_F \ge 0\) par construction.
  5. Arrondissez à la précision souhaitée. La racine carrée est généralement irrationnelle, donc rapportez autant de décimales que votre application en a besoin — et conservez la précision totale dans les étapes intermédiaires si la norme alimente un calcul ultérieur.

Exemple travaillé

Prenez la matrice \(2 \times 3\)

$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$

Étapes 2 et 3, en substituant chaque entrée :

$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$

Étapes 4 et 5 :

$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$

Donc la norme de Frobenius est 7.416198 (arrondie à six décimales).

Deux propriétés qui simplifient le travail

  • L'ordre n'a pas d'importance. L'addition est commutative et associative, donc les entrées au carré peuvent être sommées dans n'importe quel ordre — ligne par ligne, colonne par colonne, ou tout à la fois. La valeur de \(\lVert A \rVert_F\) est identique de toute façon, c'est pourquoi la norme est souvent décrite comme « aplatissant » la matrice en une seule liste de nombres.
  • La transposition ne change rien. La transposition échange \(a_{ij}\) avec \(a_{ji}\) mais réutilise exactement le même ensemble d'entrées, donc \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\). Dans l'exemple ci-dessus, la transposée \(3 \times 2\) donne également \(\sqrt{55}\).

Une vérification rapide de bon sens : la norme doit être au moins aussi grande que la plus grande entrée absolue, puisque le carré de cette entrée est l'un des termes de la somme. Dans l'exemple, \(\sqrt{55} \approx 7.42 \ge 5\), comme prévu.

Publicité

Termes clés et notation

Terme Symbole Définition
Matrice \(A\) Un tableau rectangulaire de nombres disposés en lignes et en colonnes. Ses dimensions s'écrivent \(m \times n\), signifiant \(m\) lignes et \(n\) colonnes, pour \(m \cdot n\) entrées au total.
Élément (entrée) \(a_{ij}\) Le nombre unique situé dans la ligne \(i\) et la colonne \(j\) de \(A\). Le premier indice fait toujours référence à la ligne.
Norme de Frobenius \(\lVert A \rVert_F\) La racine carrée de la somme des carrés de tous les éléments, \(\sqrt{\sum_i \sum_j a_{ij}^2}\). Aussi appelée norme de Hilbert–Schmidt ou (dans les textes plus anciens) norme matricielle euclidienne.
Norme 2 euclidienne / vectorielle \(\lVert x \rVert_2\) Pour un vecteur \(x\), \(\sqrt{\sum_k x_k^2}\) — sa longueur ordinaire. Si vous aplatissez \(A\) en un seul vecteur \(\mathrm{vec}(A)\) de longueur \(mn\), alors \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\); la norme de Frobenius est littéralement la norme 2 vectorielle de la matrice déroulée.
Norme entrée par entrée — Une norme calculée directement à partir des entrées individuelles, en traitant la matrice comme une liste de nombres. La norme de Frobenius est la norme 2 entrée par entrée.
Norme induite (opérateur) \(\lVert A \rVert_p\) Une norme définie par le degré d'étirement d'un vecteur par \(A\) : \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\). Les normes induites décrivent \(A\) comme une carte, pas comme un tableau de données ; la norme de Frobenius n'est pas une norme induite.
Norme spectrale \(\lVert A \rVert_2\) La norme induite par la norme 2 vectorielle, égale à la plus grande valeur singulière \(\sigma_{\max}(A)\). Notez le conflit de notation : \(\lVert A \rVert_2\) pour une matrice signifie la norme spectrale, pas la norme 2 entrée par entrée.
Trace \(\operatorname{trace}(A)\) La somme des entrées diagonales d'une matrice carrée, \(\sum_i a_{ii}\). Elle donne l'identité \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) (utilisez la transposée conjuguée \(A^{*}\) pour les matrices complexes), car la diagonale de \(A^{\mathsf{T}}A\) contient les longueurs des colonnes au carré.
Valeurs singulières \(\sigma_i\) Les nombres non-négatifs sur la diagonale de \(\Sigma\) dans la décomposition en valeurs singulières \(A = U\Sigma V^{\mathsf{T}}\). Ils satisfont \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\), donc la norme de Frobenius est la norme 2 du vecteur de valeurs singulières.
Carré vs non-carré \(m = n\) vs \(m \ne n\) Une matrice carrée a autant de lignes que de colonnes ; une matrice non-carrée (rectangulaire) ne l'est pas. La norme de Frobenius est définie pour les deux, contrairement aux déterminants ou valeurs propres, qui nécessitent \(m = n\).
Invariance orthogonale / unitaire \(Q^{\mathsf{T}}Q = I\) Une matrice orthogonale \(Q\) (réelle) ou matrice unitaire \(U\) (complexe) préserve les longueurs et les angles. La norme de Frobenius est invariante par cette multiplication : \(\lVert QAZ \rVert_F = \lVert A \rVert_F\) pour \(Q\) et \(Z\) orthogonales de taille compatible.
Rang \(\operatorname{rank}(A)\) Le nombre de lignes (ou colonnes) linéairement indépendantes de \(A\), qui équivaut au nombre de valeurs singulières non-nulles.

Interprétation de votre résultat de norme de Frobenius

Le nombre retourné est une magnitude unique non-négative résumant toute la matrice. Ce qui suit sont les propriétés établies de cette quantité.

Plage et unités

  • \(\lVert A \rVert_F \ge 0\) toujours, et \(\lVert A \rVert_F = 0\) si et seulement si chaque entrée est zéro — c'est-à-dire, seulement pour la matrice nulle.
  • Ce n'est pas une probabilité, un pourcentage, ou un score limité à 1. Il n'y a pas de limite supérieure : la norme croît sans limite à mesure que les entrées ou les dimensions augmentent.
  • Le résultat porte les unités des entrées de la matrice, car mettre au carré puis prendre la racine carrée revient à l'échelle d'origine. Si les entrées sont en mètres, la norme est en mètres. Mélanger des entrées d'unités physiques différentes dans une matrice rend la norme physiquement dénuée de sens, même si l'arithmétique fonctionne toujours.
  • La norme est au moins aussi grande que la plus grande entrée absolue, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\), et au plus \(\sqrt{mn}\) fois plus grande.

Comment elle répond aux transformations

  • Mise à l'échelle : \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) pour tout scalaire \(c\). Doubler chaque entrée double la norme ; nier la matrice la laisse inchangée.
  • Transposition : \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\), puisque les mêmes entrées sont sommées.
  • Invariance orthogonale/unitaire : \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\) chaque fois que \(Q\) et \(Z\) sont orthogonales (ou unitaires). Les rotations, réflexions et permutations de lignes ou colonnes ne changent donc pas la valeur.
  • Inégalité triangulaire et sous-multiplicativité : \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\), et \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) pour \(A\) et \(B\) conformes.

Relation à la norme spectrale

Parce que \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) tandis que \(\lVert A \rVert_2 = \sigma_{\max}\), les deux normes sont liées par

$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$

La limite inférieure est atteinte quand \(A\) a un rang 1 (une seule valeur singulière non-nulle), et la limite supérieure quand toutes les valeurs singulières non-nulles sont égales. Pour une matrice identité \(n \times n\), par exemple, \(\lVert I_n \rVert_2 = 1\) tandis que \(\lVert I_n \rVert_F = \sqrt{n}\); avec \(n = 4\) la norme de Frobenius est 2.

Comme erreur d'approximation

  • \(\lVert A - B \rVert_F\) est la mesure standard de la distance entre deux matrices ; c'est la distance induite par le produit scalaire de Frobenius \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\), et la minimiser c'est exactement l'ajustement des moindres carrés sur toutes les entrées.
  • Le théorème d'Eckart–Young–Mirsky énonce que parmi toutes les matrices \(B\) de rang au plus \(k\), la décomposition en valeurs singulières tronquée \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) minimise \(\lVert A - B \rVert_F\), avec la valeur minimale \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\). (La même troncature est aussi optimale dans la norme spectrale, où l'erreur est \(\sigma_{k+1}\).)

Taille absolue versus relative

Une grande valeur n'indique pas par elle-même de grandes entrées — elle peut simplement refléter une grande matrice, puisque chacune des \(mn\) entrées contribue. Une matrice de 10 000 entrées chacune égale à 0.1 a \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\), malgré le fait que chaque entrée soit petite. Pour cette raison, l'erreur relative

$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$

est normalement la quantité significative lors de la comparaison d'une approximation \(B\) à une référence \(A\); elle est sans dimension et indépendante de l'échelle générale de \(A\). Elle est indéfinie quand \(A\) est la matrice nulle.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques