Normas de Vectores y Matrices

Las p-Normas de Vectores

Consideremos el espacio vectorial Cm . Para x = [x1 , . . . , xm ]T ∈ Cm y

1 ≤ p ∈ R ∪ {∞} se define:
 m
p 1/p
Normas de Vectores y Matrices  ( ∑ |xk | ) si 1 ≤ p ≤ ∞


k=1
||x||p :=

max |xk |, si p = ∞


Claudio Lobos 1≤k≤m

Universidad Técnica Federico Santa Marı́a Evidentemente, ||xp || ≤ 0 y ||λ x||p = |λ |||x||p para todo λ ∈ C, todo
Computación Cientı́fica I – ILI 285
x ∈ Cm y todo 1 ≤ p ∈ R ∪ {∞}.
Sean x, y ∈ Cm . Para p = 1, por la desigualdad triangular en C, se
tiene:
m m m
||x + y||1 = ∑ (|xk + yk |) ≤ ∑ |xk | + ∑ |yk | = ||x||1 + ||y||1
k=1 k=1 k=1
Computación Cientı́fica I

Normas de Vectores y Matrices Normas de Vectores y Matrices

Las p-Normas de Vectores La desigualdad de Hölder

Por otra parte, para p = ∞ se tiene:

||x + y||∞ = max |xk + yk | ≤ max |xk | + max |yk | = ||x||∞ + ||y||∞ Sean p, q ∈ [1, ∞] mutuamente conjugados. Entonces se tiene:
1≤k≤m 1≤k≤m 1≤k≤m
m m
Luego, || · ||1 y || · ||∞ satisfacen la desigualdad triangular, y por lo |x∗ y| = | ∑ xk yk | ≤ ∑ |xk yk | ≤ ||x||p ||y||p , para todo x, y ∈ Cm
tanto, son normas en Cm . En general, || · ||p satisface la desigualdad k=1 k=1
triangular para todo p ∈ R con p > 1. Note que para p = 2 la desigualdad de Hölder se reduce a la conocida
Se dice que p, q ∈ [1, ∞] son mutuamente conjugados ssi desigualdad de Cauchy-Schwartz.
1
p + 1q = 1

Note que p = 1 y q = ∞ son mutuamente conjugados.

 Normas de Vectores y Matrices Normas de Vectores y Matrices
Normas Matriciales Normas Matriciales Populares

Sea A = (aij ) ∈ M(m × n, C):

Se dice que una función |||·||| : Mat(m × n, C) → R es una norma
matricial si y sólo si para todo A, B ∈ M(m × n, C) se cumplen los La l1 de la matriz A es considerada como un vector en Cmn :
m n n
siguientes axiomas: ||A||l1 = ∑ ∑ |aij | = ∑ ||Aj ||1
i=1 j=1 j=1
|||A||| ≤ 0 y |||A||| = 0 si y sólo si A = 0,
donde Aj denota la j−ésima columna de la matriz A.
|||λ A||| = |λ ||||A| para todo λ ∈ C,
La norma de Frobenius o norma l2 de la matriz A considerada
|||A + B||| ≤ |||A||| + |||B|||,
como un vector en Cmn :
|||AB||| ≤ |||A||||||B|||. m n n
||A||F ≡ ||A||2 = ( ∑ ∑ |aij |2 )1/2 = ( ∑ ||Aj ||22 )1/2 =
Los primeros tres axiomas expresan que las normas matriciales i=1 j=1 j=1

deben ser, en particular, normas vectoriales sobre M(m × n, C) (tr(A∗ A))1/2

considerado como espacio vectorial. También se conoce como norma de Schur o norma de
Hilbert-Schmidt.

Normas de Vectores y Matrices Normas de Vectores y Matrices

Normas Matriciales Populares Norma de Frobenius

La norma-1 de la matriz A de define como el máximo de las

normas l1 de las columnas:
 
a b
n La norma de Frobenius de una matriz A = con a, b, c, d ∈ C
|||A|||1 = max ||Aj ||1 = max ∑ |aij | c d
1≤j≤n 1≤j≤n i=1
p
se define como ||A||F = |a2 | + |b2 | + |c2 | + |d2 |.
donde Aj denota la i−ésima fila de A.
Se puede verificar que esta norma matricial posee la propiedad de la
La norma−∞ de la matriz A se define como el máximo de ls
submultiplicatividad, i.e.,
normas l1 de filas:
n ||AB||F ≤ ||A||F ||B||F , ∀A, B ∈ Mat(2 × 2, C).
|||A|||∞ = max ||Ai ||1 = max ∑ |aij |,
1≤i≤m 1≤i≤n j=1

donde Ai denota la i−ésima fila de A.

 Normas de Vectores y Matrices Normas de Vectores y Matrices
Norma Natural Norma Espectral de una Matriz

Una matriz A ∈ M(m × n, C) puede ser considerada como la La norma espectral ||A||σ de la matriz cuadrada A se define como:
representación de un operador lineal A : Cn → Cm . Para cualquier √
ρ(A∗ A) = max{ λ : λ es un valor propio de A∗ A}
p
par de normas en Cn y Cm respectivamente, ambas denotadas por
||A||σ =
|| · ||, entonces la norma de la matriz A en cuanto operador lineal, o la Nótese que A∗ A es un matriz Hermitiana semi-positiva definida. En
norma matricial inducida por las normas de Cn y Cm ,o la norma efecto, (A∗ A)∗ = A∗ A∗∗ = A∗ A y para todo x ∈ Cn se tiene
natural de A se define como: x∗ (A∗ A)x = (Ax)∗ (Ax) = ||Ax||2 ≤ 0 Los valores propios de las
||A.x||m matrices Hermitianas semi-positivas definidas son reales √
|||A||| = sup ||x||n = max ||A.||m .
06=x∈Cn ||x||n =1 no-negativos. Luego σ (A∗ A) ⊂ R+ ∪ {0}, de modo que λ es un
número real no-negativo bien definido para todo λ ∈ σ (A∗ A).

Normas de Vectores y Matrices Normas de Vectores y Matrices

Ejemplo Ejemplo

Respuestas:
m n n
||A||l1 = ∑ ∑ |aij | = ∑ ||Aj ||1 = 3 + 3 = 6
Para la matriz A (definida a continuación) determine: la norma l1 , la i=1 j=1 j=1
norma de Frobenius, norma–1 y norma–∞:
! 21 !1/2
m n n √
∑ ∑ |aij |2 ∑ ||Aj ||22
 
1 −1 ||A||F = ||A||l2 = = = 6
A = 1 1  i=1 j=1 j=1
1 1 m
|||A|||1 = max ||Aj ||1 = max ∑ |aij | = 3
1≤j≤n 1≤j≤n i=1

n
|||A|||∞ = max ||Ai ||1 = max ∑ |aij | = 2
1≤i≤m 1≤i≤m j=1