Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Martı́n D. Safe
es un R-espacio vectorial.
I El conjunto V = Rm×n (m, n ∈ N) de matrices m × n con la
suma y con el producto por escalar habituales:
es un R-espacio vectorial.
Normas (4)
x+y y
x
Norma de la diferencia (6)
Lema
Si V es un R-espacio vectorial y k · k es una norma de V entonces
kxk − kyk 6 kx − yk, para todos x, y ∈ V.
Demostración.
Como x = y + (x − y) entonces, por la desigualdad triangular,
kxk 6 kyk + kx − yk. Luego,
Por ejemplo:
Si x = (−6, 0, 5) entonces
Ejercicio:
Verificar que k · k1 y k · k∞ cumplen la desigualdad triangular.
Producto interno canónico (8)
q
I La norma euclı́dea del Plano kxk2 = x21 + x22 está asociada
con el producto interno hx, yi = x1 y1 + x2 y2 .
I Recordemos que si x, y ∈ R2 son no nulos entonces
hx, yi = kxk2 kyk2 cos θ donde θ es el ángulo entre x e y.
I De aquı́ que x e y son ortogonales si y sólo si hx, yi = 0.
I En general, la norma euclı́dea de Rn está asociada al producto
interno canónico de Rn definido de la siguiente forma.
hx, yi = x1 y1 + x2 y2 + · · · + xn yn .
Por lo tanto:
p
kxk2 = hx, xi.
Desigualdad de Cauchy-Schwarz (11)
Teorema (Desigualdad de Cauchy-Schwarz)
Si x, y ∈ Rn entonces
hx, yi
cos θ = ,
kxk2 kyk2
kx + yk22 = hx + y, x + yi
= hx, xi + hx, yi + hy, xi + hy, yi
= kxk22 + 2hx, yi + kyk22
6 kxk22 + 2kxk2 kyk2 + kyk22 = (kxk2 + kyk2 )2 .
kxk1 6 1 kxk2 6 1
kxk4 6 1 kxk∞ 6 1
Normas p (17)
I Si 0 < p < 1 entonces kxkp no es una norma.
I En efecto, podemos ver con un ejemplo que si 0 < p < 1 no
se verifica la desigualdad triangular.
Si x = (1, 0, 0 . . . , 0) e y = (0, 1, 0 . . . , 0) entonces
kx + ykp = (1p + 1p )1/p = 21/p > 2 = kxkp + kykp .
I Otra razón es que la bola unitaria de toda norma es siempre
un conjunto convexo: si dos puntos pertenecen entonces todos
los puntos en el segmento que los une también.
Y esto no se verifica cuando 0 < p < 1. Por ejemplo:
p = 2/3 p = 1/2
Error relativo y error relativo (18)
kx̂ − xk
I Error relativo:
kx̂ − xk
(si x 6= 0)
kxk
Error relativo y error absoluto (19)
I Supongamos que queremos medir el error cometido en un
valor computado x̂ = (111, −2, 15) como aproximación de un
valor exacto x = (83, −5, 12).
I El error absoluto dependerá de la norma:
Ejemplos:
I En R3 ,
1
√ kxk1 6 kxk2 6 kxk1
3
y
√
kxk∞ 6 kxk2 6 3kxk∞ .
Equivalencia entre normas (22)
I En general, en Rn ,
1
√ kxk1 6 kxk2 6 kxk1
n
y
√
kxk∞ 6 kxk2 6 nkxk∞ .
1
kxk1 6 kxk∞ 6 kxk1 6 nkxk∞ .
n
(Ejercicio: Demostrar estas desigualdades.)
Equivalencia de normas (23)
I Sean k · k y k · k 0 son dos normas cualesquiera de Rn .
I Por la equivalencia de normas existen constantes positivas Cm
y CM tales que
lı́m kx(k) − xk = 0
k→∞
1 11
8
kxk1 = 1 Ax : kxk1 = 1
Norma inducida por una norma vectorial (30)
I Con norma vectorial infinito: kAk∞ = 9/8 = 1,125.
9
1 8
kxk∞ = 1 Ax : kxk∞ = 1
√
I Con la norma vectorial euclı́dea: kAk2 = 5/2 ≈ 1,11803.
√
1 5
2
kxk2 = 1 Ax : kxk2 = 1
Norma inducida por una norma vectorial (31)
El siguiente teorema afirma que la definición de norma inducida es
siempre correcta.
Teorema
Toda norma inducida por una norma de Rn es efectivamente una
norma de Rn×n .
= kAk + kBk.
Norma inducida por una norma vectorial (32)
La siguiente proposición da otra expresión para la norma inducida.
Proposición
La norma de k · k de Rn×n inducida por una norma vectorial k · k
de Rn satisface
kAxk
kAk = máx .
x6=0 kxk
Proposición
Toda norma de Rn×n inducida por una norma vectorial de Rn es
consistente.
Proposición
Si k · k1 es la norma de Rn×n inducida por la norma uno de Rn :
Xn
kAk1 = máx |aij |.
16j6n
i=1
1 11
8
kxk1 = 1 Ax : kxk1 = 1
X
n
1 1 7 1
kAk1 = máx |aij | = máx + , +
16j6n 4 2 8 2
i=1
3 11 11
= máx , = .
4 8 8
Norma inducida por una norma vectorial (35)
Proposición
Si k · k∞ es la norma de Rn×n inducida por la norma infinito de
Rn :
Xn
kAk∞ = máx |aij |.
16i6n
j=1
9
1 8
kxk∞ = 1 Ax : kxk∞ = 1
X
n
1 7 1 1
kAk∞ = máx |aij | = máx + , +
16i6n 4 8 2 2
j=1
9 9
= máx ,1 = .
8 8
Norma inducida por una norma vectorial (37)
Por ejemplo, si
3 5 0
A = −1 3 0
4 0 2
√ √
entonces sus autovalores son 3 + 5i, 3 − 5i y 2. Luego
√ √
ρ(A) = máx{|3 + 5i|, |3 − 5i|, |2|}
√ √
= máx{ 14, 14, 2}
√
= 14 ≈ 3,74.
Norma inducida por una norma vectorial (38)
Teorema
Si A ∈ Rn×n y k · k2 es la norma de Rn×n inducida por la norma
euclı́dea de Rn entonces
q
kAk2 = ρ(AT A).
Más aún,
kAvk2
kAk2 =
kvk2
√
5
2
kxk2 = 1 Ax : kxk2 = 1
Los autovalores de
T 5/16 15/32
A A=
15/32 65/64
son 5/4 y 5/64. Luego, ρ(AT A) = 5/4. Por lo tanto,
√
5
q
T
kAk2 = ρ(A A) = .
2
Norma inducida por una norma vectorial (40)
Además el teorema nos dice que el máximo
kAvk2
kAk2 =
kvk2
se alcanza en los autovectores v asociados al autovalor 5/4.
Los autovectores asociados a 5/4 son los múltiplos no nulos de
v = (1, 2).
Y efectivamente:
1/4 7/8 1
2
kAvk2
−1/2 −1/2 2
2
−3
=
=
2
2
kvk2
1
1
2
2
2 2
√
q
2
22 + − 23
5/2 5
= √ = √ = = kAk2 .
2
1 +2 2 5 2
Norma inducida por una norma vectorial (41)
kAk2 = ρ(A).
Más aún,
kAvk2
kAk2 =
kvk2
Por ejemplo, si
1/4 7/8
A=
−1/2 −1/2
entonces
√
85
q
kAkF = (1/4)2 + (7/8)2 + (−1/2)2 + (−1/2)2 = ≈ 1,1524.
8
Notar que coincide con el resultado de aplicar la norma euclı́dea de
R4 al vector (1/4, 7/8, −1/2, −1/2).
Norma Frobenius (43)
La desigualdad de Cauchy-Schwarz implica lo siguiente.
Teorema
La norma Frobenius de Rn×n es una norma consistente. Es decir,
si A, B ∈ Rn×n entonces kABkF 6 kAkF kBkF .
√ √
Pero como kIkF = 12 + · · · + 12 = n, la norma Frobenius no
es una norma inducida por ninguna norma vectorial si n > 2.
p
Se puede comprobar que kAkF = tr(AT A) donde la tr(·) denota
la traza, es decir, la suma de las entradas en la diagonal principal.
Norma no consistente (44)
I La función
2+ (2 + )2
κ∞ (A) = kA−1 k∞ kAk∞ = (2 + ) = .
I Observamos que κ∞ (A) → ∞ cuando → 0+ .
I En el caso del ejemplo, = 0,00001 y tenemos que
(2 + 0,00001)2
κ∞ (A) = ≈ 4 × 105 .
0,00001
Número de condición de una matriz (58)
I Una perturbación en el lado derecho del sistema lineal podrı́a
ser consecuencia de aplicar redondeo.
I Luego
k∆xk∞ k∆bk∞
6 κ∞ (A) 6 κ∞ (A)u.
kxk∞ kbk∞
I De manera que si la perturbación en b y el número de
condición κ(A) es pequeño (cercano a 1), tendremos un error
relativo en x (en norma ∞) pequeño. De hecho, si κ∞ (A) = 1,
será comparable con el error de la aproximación por redondeo.
Número de condición de una matriz (60)
I Notemos de todas formas que en el proceso de pasar de un
vector a su norma se pierde información.
I Consideremos por ejemplo
1,0000 1,0001 1,0001
x = 0,0050 , y = 0,0051 , z = 0,0050001 .
0,0001 0,0002 0,00010001
I Notemos que ambas matrices y y z tienen el mismo error
relativo como aproximaciones de x en norma infinito:
ky − xk∞ 0,0001 kz − xk∞ 0,0001
= = 10−4 y = = 10−4 .
kxk∞ 1 kxk∞ 1
I Sin embargo, la tercera componente de y aproxima la tercera
componente de x con un error relativo de 1.
I Si uno quisiera que este error relativo diera información más
equilibrada sobre todas las componentes, podrı́a intentar
hacer un cambio de variables para reescalarlas de manera que
todas ellas tengan aproximadamente la misma magnitud.
Número de condición de una matriz (61)
El siguiente teorema muestra que para cada matriz A hay un
vector b y una perturbación ∆b tal que el cambio relativo en b se
traduce en un cambio relativo de x magnificado por κ(A).
Teorema
Sea A ∈ Rn×n inversible y sean b, ∆b ∈ Rn . Sean x, ∆x ∈ Rn
tales que Ax = b y A(x + ∆x) = b + ∆b. Si k · k es una norma de
Rn y b 6= 0 entonces
k∆xk k∆bk
6 κ(A) ,
kxk kbk
Demostración.
Ya vimos que vale la desigualdad. Solo resta probar que se pueden
elegir ∆b y b de forma tal que valga con igualdad. (. . .)
Número de condición de una matriz (62)
Demostración (cont.)
Como estamos utilizando una norma inducida
kAxk
kAk = máx .
x6=0 kxk
kAxk
kAk = .
kxk
Entonces
kAxk = kAkkxk.
Sean
∆x = A−1 ∆b y b = Ax.
Concluimos que
I Consideremos nuevamente
1 1+
A=
1 1
I Y tenemos que
cualquiera sea δ 6= 0.
Demostración.
Como A−1 b = x y A−1 (b + ∆b) = x + ∆x, por el teorema anterior:
1
κ2 (A) 6 κ1 (A) 6 nκ2 (A)
n
1
κ∞ (A) 6 κ2 (A) 6 nκ∞ (A)
n
1
κ1 (A) 6 κ∞ (A) 6 n2 κ1 (A).
n2
Número de condición de una matriz (71)
I Notar que un determinante cercano a 0 no implica que una
matriz esté mal condicionada. Por ejemplo, para cualquier
> 0,
0 ··· 0
0 · · · 0
n×n
An = I = .. .. . . . ∈ R
. . . ..
0 0 ···
tiene det(An ) = n pero κ(An ) = 1.
I Asimismo, un número de condición muy grande no implica
que el determinante sea cercano a 0. Por ejemplo,
1 −1 · · · −1
0 1 · · · −1
n×n
Bn = .. .. ∈ R
.. ..
. . . .
0 0 ··· 1
satisface κ∞ (Bn ) = n2n−1 pero det(Bn ) = 1.
Número de condición de una matriz (72)
Teorema
Si A ∈ Rn×n es inversible y k · k es una norma de Rn entonces
1 kB − Ak
= mı́n
κ(A) B∈Rn×n singular kAk
donde κ y los cocientes de la derecha se calculan con la norma
inducida.
Teorema
Sean A ∈ Rn×n inversible, b ∈ Rn y x ∈ Rn tal que Ax = b.
Sean E ∈ Rn×n y ∆x ∈ Rn tales que (A + E)(x + ∆x) = b. Si
kEk
x 6= 0 y kEk < kA1−1 k (es decir, κ(A) kAk < 1) entonces
kEk !
κ(A) kAk kEk 2
k∆xk kEk
6 kEk
= κ(A) +O ,
kxk 1 − κ(A) kAk kAk kAk
1 kEk
Si x 6= 0 y kEk < kA−1 k
(es decir, κ(A) kAk < 1) entonces
k∆xk κ(A) k∆bk kEk
6 kEk
+
kxk 1 − κ(A) kAk kbk kAk
k∆bk kEk kEk
= κ(A) + 1+O ,
kbk kAk kAk