P.

Castillo Capı́tulo 2 13

2.2 Normas matriciales

En el caso de las matrices cuadradas de orden n la estructura algebraica es mucho más rica que la
de un espacio vectorial Kn ; además de tener operaciones que definen un espacio vectorial, se tiene
una operación de producto entre matrices, (la multiplicación usual de matrices). A continuación
presentamos la definición de norma para matrices. Esta requiere una condición extra, la cual
relaciona la norma del producto de dos matrices con el productode las normas.

Definición 2.2.1. Diremos que la función ||| · ||| : K n×n −→ lR+ define una norma matricial en Kn×n
si y sólo si satisface las siguientes propiedades:

• Positiva: |||A||| = 0 ⇐⇒ A = 0.

• Homogeneidad: ∀α ∈ K, ∀x ∈ E, |||αA||| = |α||||A|||.

• Desigualdad triangular: ∀A, B ∈ K n×n , |||A + B||| ≤ |||A||| + |||B|||.

• Consistencia: ∀A, B ∈ Kn×n , |||AB||| ≤ |||A||||||B|||.

A continuación daremos un ejemplo que nos permite obtener normas matriciales a partir de
normas vectoriales en el espacio K n .

Ejemplo 2.2.2. Sea � · � una norma en el espacio K n , la función definida por

||| ||| : Kn×n −→ lR+

�
A �−→ max � Ax � (2.2.1)
x∈B̄(0,1)

es una norma matricial en Kn×n . Diremos que la norma matricial ||| · ||| es inducida por la norma
vectorial � · �.
Demostración. Note que por la compacidad en K n de la bola cerrada unitaria y la continuidad de
la función x �→ � Ax � se tiene que la función ||| · ||| está bien definida, es decir, |||A||| < ∞. Ahora
probaremos que la función ||| · ||| satisface todas las propiedades de norma matricial:

1. Si |||A||| = 0, entonces por definición de ||| · ||| se tiene para todo x ∈ B̄(0,1) , Ax = 0. Sea
u u
u ∈ K \ {0}; note que �u� ∈ B̄(0,1) , luego A( �u� ) = 0, por lo que para todo u ∈ Kn , Au = 0 y
por lo tanto A = 0.

2. Para todo x ∈ B̄(0,1) y para todo α ∈ K, se tiene � (αA)(x) �= |α| � Ax �. Luego |||αA||| =
max � (αA)x �= |α| max � Ax �= |α||||A|||.
x∈B̄(0,1) x∈B̄(0,1)

3. Sean A y B dos matrices de Kn×n , entonces para todo x ∈ B̄(0,1) tenemos

� (A + B)(x) � ≤ � Ax � + � Bx �
≤ |||A||| + |||B|||

Luego
|||A + B||| = max � (A + B)(x) � ≤ |||A||| + |||B|||
x∈B̄(0,1)
P. Castillo Capı́tulo 2 14

4. Para probar la propiedad de consistencia observe que para todo x ∈ K n

� Ax � ≤ |||A||| � x � .

Sean A y B dos matrices de Kn×n , entonces para todo x ∈ B̄(0,1) tenemos

� ABx � ≤ |||A||| � Bx �
≤ |||A||||||B||| � x �

luego |||AB||| ≤ |||A||||||B|||.

�
Observe que toda norma matricial inducida por una norma vectorial satisface

|||In ||| = 1

Algunos ejemplos concretos de normas matriciales inducidas por normas vectoriales:

� �
n
�
• Para la norma vectorial � · �∞ , se tiene |||A|||∞ = max |aij |
i=1,···n j=1

n
� �
�
• Para la norma vectorial � · �1 , se tiene |||A|||1 = max |aij |
j=1,···n i=1
� �
• Para la norma vectorial � · �2 , se tiene |||A|||2 = ρ(A∗ A) = ρ(AA∗ )

En la sección 2.4 se dará la definición formal de A ∗ , por ahora se puede considerar como la matriz
transpuesta compleja.

Ejemplo 2.2.3. La función definida por:

 ||| |||F : Kn×n −→ lR


�+�
A �−→ |aij |2 (2.2.2)
 i,j

define una norma matricial que no es inducida por una norma vectorial. Esta norma recibe el
nombre de norma de Frobenius.

Problema 2.2.4. Sea ||| · ||| una norma matricial en K n×n y A una matriz de orden n × n tal que
∞
Ak converge.
�
|||A||| < 1, entonces la serie
k=0

Solución:
Como el espacio normado Kn×n es completo para la norma matricial ||| · ||| (estamos en un
espacio de dimensión finita luego todas las normas son equivalentes). Es suficiente con probar
n
Ak es de Cauchy. Para ello considere la sucesión de números reales
�
que la sucesión Sn =
k=0
P. Castillo Capı́tulo 2 15

n
|||A|||k . Como |||A||| < 1, la sucesión (s n ) converge en lR y por lo tanto es de Cauchy, luego
�
sn =
k=0
para todo � > 0 existe N� ∈ lN tal que n ≥ m ≥ N� entonces |sn − sm | < �. Note que
n
�
|||Sn − Sm ||| = ||| Ak |||
k=m+1
�n
≤ |||Ak |||, por la desigualdad triangular
k=m+1
�n
≤ |||A|||k , por la propiedad de consistencia
k=m+1
≤ |sn − sm |
≤ �,
luego la sucesión Sn es de Cauchy por lo tanto converge.
El lı́mite puede ser obtenido de la siguiente manera. Sea L la matriz lı́mite de la sucesión S n .
Observe que para todo k se tiene
(I − A)Sk = Sk (I − A) = In − Ak+1 ,
luego
(I − A)L = L(I − A) = I − lim Ak+1 = I,
k→∞
−1
en conclusión L = (I − A) . �

2.3 Valores propios

Lema 2.3.1. Sea A una matriz cuadrada; entonces se tiene
ρ(A) < 1 ⇐⇒ lim Ak = 0
k→∞

Demostración. Como todas las normas matriciales son equivalentes, sea |||·||| una norma matricial
inducida por la norma vectorial � · �.
• lim Ak = 0 =⇒ ρ(A) < 1. Sea λ un auto-valor de A y x ∈ Cl n , x �= 0 un auto-vector
k→∞
asociado a λ, luego Ak x = λk x, por lo que
� λk x � = � Ak x �,
|λk | � x � = � Ak x �,
|λk | � x � ≤ |||Ak ||| � x �,
|λk | ≤ |||Ak |||,
luego de acuerdo a nuestra hipótesis tenemos
lim |λk | = 0,
k→∞

por lo tanto |λ| < 1.

P. Castillo Capı́tulo 2 16

• ρ(A) < 1 =⇒ lim Ak = 0. Para ello utilizaremos la descomposición canónica de Jordan,

k→∞
Teorema 1.3.8. Luego existe una matriz S no singular y una matriz de Jordan J tales que
 
Jk1 (λ1 ) 0 ... 0
 .. .. 
0 Jk1 (λ1 ) . .  −1
= SJS −1 , k1 + . . . + kp = n.

A = S  .. .. ..
S

 . . . 0 
0 ... 0 Jkp (λp )

y por lo tanto se tiene

Jkn1 (λ1 )
 
0 ... 0
. ..
Jkn1 (λ1 ) . .
 
� −1 �n −1 n
 0 . 
S AS = S A S =  .. .. ..

. .
 
 . 0 
0 ... 0 Jknp (λp )

Podemos asumir, sin pérdida de generalidad, que λ 1 es el valor propio más grande en valor
absoluto y que es único. Probaremos que Jkn1 (λ1 ) → 0. Note que el bloque de Jordan,
Jk1 (λ1 ), se puede descomponer de la siguiente manera: J k1 (λ1 ) = λ1 Ik1 + Nk1 , donde la
matriz Nk1 es de la forma:  
0 1 0
 0 ... ...
 

Nk 1 =   .. . . . .
.

 . . . 1 
0 ... 0 0

Observe que Nkk11 = 0 y por lo tanto para todo n ≥ k1 se tiene Nkn1 = 0. Por lo que para
todo n ≥ k1 tenemos

Jkn1 (λ1 ) = (λ1 Ik1 + Nk1 )n ,

n
�
= Cnk (λ1 Ik1 )n−k Nkk1 ,
k=0

1 −1
k�
= Cnk (λ1 Ik1 )n−k Nkk1 ,
k=0

por lo que
1 −1
k�
|||Jkn1 (λ1 ) ||| ≤ Cnk |λ1 |n−k |||Nk1 |||k
k=0

como ρ (A) < 1, |λ| < 1 por lo que |||Jkn1 (λ1 ) ||| → 0.

�
P. Castillo Capı́tulo 2 17

2.4 Estimados de error para sistemas lineales

En esta sección consideramos el problema de resolver numéricamente el sistema lineal de la forma
Ax = b, donde A es una matriz cuadrada de orden n × n. Nos interesamos en particular en estudiar
cuantitativamente el efecto de introducir pequeñas perturbaciones en la data ya sea en el vector b
o en los coeficientes de la matriz A.
Definición 2.4.1. Sea ||| · ||| una norma matricial inducida por la norma � · � y A una matriz no
singular de orden n × n; llamaremos condicionamiento de A, con respecto a la norma matricial
||| · ||| al número real definido por
κ(A) = |||A−1 ||||||A|||. (2.4.1)
Teorema 2.4.2. Sea A una matriz no singular de orden n × n; b ∈ K n , b �= 0; y sea x + δx la
solución del sistema perturbado:
A(x + δx) = b + δb
Sea ||| · ||| una norma matricial inducida por la norma � · � entonces
� δx � � δb �
≤ κ(A) . (2.4.2)
�x� �b�
Demostración. Como |||·||| una norma matricial inducida por la norma � · � tenemos las siguientes
desigualdades:
Ax = b =⇒ � b � ≤ |||A||| � x �
δx = A−1 δb =⇒ � δx � ≤ |||A−1 ||| � δb �
como b �= 0, combinando las desigualdades anteriores obtenemos el resultado. �
Una forma de ver si el cálculo de la solución es correcta es substituir la aproximación obtenida,
x̂, en la ecuación original y calcular el residuo : r = b − Ax̂. Si r = 0 entonces x̂ es la solución
exacta, si r es pequeño entonces esperamos que x̂ este cerca de la solución exacta x. A continuación
presentamos un estimado de error en términos del residuo. Este es un estimado a posteriori.
Teorema 2.4.3. Sea A una matriz no singular de orden n × n; b ∈ K n , b �= 0, y sea x + δx la
solución del sistema perturbado:
A(x + δx) = b + δb
Sea ||| · ||| una norma matricial inducida por la norma � · � entonces
� δx � �r�
≤ κ(A) . (2.4.3)
�x� �b�
Demostración. Note que

� δx � ≤ � A−1 r � ≤ |||A−1 ||| � r �

y como
� b � ≤ |||A||| � x �,
combinando otra vez estas desigualdades obtenemos el resultado. �
Ahora nos concentramos en perturbaciones en los coeficientes de la matriz A. Primero pre-
sentaremos algunos resultados básicos que nos ayudarán en el desarrollo de los estimados de error.
P. Castillo Capı́tulo 2 18

Lema 2.4.4. Sea ||| · ||| una norma matricial inducida por la norma � · � y H una matriz de orden
n × n tal que |||H||| < 1, entonces tenemos los siguientes resultados:

1. La matriz In − H es no singular.

2. ||| (In − H)−1 ||| ≤ (1 − |||H|||)−1

3. |||In − (In − H)−1 ||| ≤ |||H||| (1 − |||H|||)−1

Demostración.

1. Si In −H es singular entonces existe x ∈ K n , x �= 0 tal que (In −H)x = 0, lo cual es equivalente

a tener Hx = x por lo que 1 es un valor propio de H. Note que podemos asumir que x es
unitario. Como la norma ||| · ||| es inducida por la norma � · �, entonces para todo x ∈ S (0,1)
se tiene |||H||| ≥ � Hx �=� x �= 1, lo cual es contradictorio.
n
H k es convergente y lim Sn = (In − H)−1 (ver
�
2. En primer lugar note que la sucesión S n =
k=0 n→∞
∞
la solución del Problema 2.2.4). Luego se tiene ||| (I n − H)−1 ||| ≤ |||H k |||, como |||In ||| = 1
�
k=0
por ser norma matricial inducida y como |||H k ||| ≤ |||H|||k por la propiedad de consistencia
∞
entonces ||| (In − H)−1 ||| ≤ |||H|||k ≤ (1 − |||H|||)−1 .
�
k=0

3. Note que (In − H)−1 − In = H(In − H)−1 , luego por la propiedad de consistencia se tiene
|||In − (In − H)−1 ||| ≤ |||H|||||| (In − H)−1 |||. La cota superior se obtiene utilizando el resultado
del inciso anterior.

Lema 2.4.5. Sea ||| · ||| una norma matricial inducida por la norma � · �; A una matriz de orden
n × n no singular y E una matriz de orden n × n tal que |||A −1 E||| < 1, entonces la matriz A + E
es no singular y su inversa se puede escribir de la siguiente forma:
�−1
(A + E)−1 = (In + F ) A−1 , |||F ||| ≤ |||A−1 E||| 1 − |||A−1 E|||
�
donde .

Demostración. Como A es no singular entonces podemos escribir A+E = A In + A−1 E . Sea

� �

H = −A−1 E, |||H||| = |||A−1 E||| < 1 y por el Lema 2.4.4 se tiene que la matriz I n − H = In + A−1 E
es no singular, por lo que A + E es también no singular y se tiene
�−1
(A + E)−1 = In + A−1 E A−1
�

�−1
De la ecuación anterior, haga F = In + A−1 E
�
− In , es claro que

(A + E)−1 = (In + F ) A−1 .

Podemos aplicar el Lema 2.4.4, inciso 3, con H = −A −1 E, luego

�−1
|||F ||| ≤ |||A−1 E||| 1 − |||A−1 E|||
�
.
P. Castillo Capı́tulo 2 19

�
Observe que del Lema 2.4.5 podemos estimar el error relativo del cálculo de la inversa de la
matriz, A−1 , si consideramos (A + E)−1 como una aproximación de A−1 , entonces de acuerdo al
lema, si |||A−1 E||| < 1 tenemos
(A + E)−1 − A−1 = F A−1 ,
luego, por la propiedad de consistencia,
�−1
||| (A + E)−1 − A−1 ||| ≤ |||F ||||||A−1 ||| ≤ |||A−1 ||||||A−1 E||| 1 − |||A−1 E|||
�
,

de donde
||| (A + E)−1 − A−1 ||| |||A−1 E|||
≤ .
|||A−1 ||| 1 − |||A−1 E|||

Lema 2.4.6. Sea ||| · ||| una norma matricial inducida por la norma � · �; A una matriz de orden
n × n no singular y E una matriz de orden n × n tal que |||A −1 ||||||E||| < 1, entonces la matriz A + E
es no singular y la inversa se puede escribir de la siguiente forma:

−1
κ(A) |||E|||
|||A|||
−1
(A + E) = (In + F ) A , donde |||F ||| ≤ .
1 − κ(A) |||E|||
|||A|||

Demostración. Análoga a la demostración del Lema 2.4.5 �

Teorema 2.4.7. Sea A una matriz no singular de orden n × n; b ∈ K n , b �= 0, y sea x + δx la

solución del sistema perturbado:
(A + δA)(x + δx) = b
Sea ||| · ||| una norma matricial inducida por la norma � · �.

1. Si |||A−1 δA||| < 1, entonces

� δx � |||A−1 δA|||
≤ (2.4.4)
�x� 1 − |||A−1 δA|||

2. Si |||A−1 ||||||δA||| < 1, entonces

� δx � κ(A) |||δA|||
|||A|||
≤ . (2.4.5)
�x� 1 − κ(A) |||δA|||
|||A|||

Demostración. Probaremos únicamente el primer inciso, el segundo inciso se prueba de manera

análoga. De acuerdo al Lema 2.4.5, con E = δA, sabemos que la matriz A + δA es no singular y
(A + δA)−1 = (I + F ) A−1 luego

x + δx = (A + δA)−1 b,
= (I + F ) A−1 b,
= (I + F ) x,
P. Castillo Capı́tulo 2 20

luego
δx = F x
por lo que
� δx � |||A−1 δA|||
≤ |||F ||| ≤
�x� 1 − |||A−1 δA|||
�