Norma matricial: diferenças entre revisões

← Ver a alteração anterior Ver a alteração posterior →

Conteúdo apagado Conteúdo adicionado

Em linha

Revisão das 17h42min de 7 de abril de 2016

Em matemática, uma norma matricial é uma norma definida para matrizes.

Definição de norma

Seja $M^{n\times m}\,$ o espaço vetorial das matrizes $n\times m\,$ reais ou complexas. Uma norma $\|.\|\,$ é uma função que associa a cada matriz um número real não negativo e satisfaz as propriedades

^[1]

$\|A\|=0\Leftrightarrow A=0\,$
$\|\lambda A\|=|\lambda |\|A\|\,$
$\|A+B\|\leq \|A\|+\|B\|\,$

Norma operacional euclidiana

Quando uma matriz $A\in M^{n\times m}\,$ é vista como um operador entre os espaços euclidianos $\mathbb {R} ^{n}\,$ e $\mathbb {R} ^{m}\,$ , a norma natural é dada pela norma operacional:

\|A\|=\sup _{x\in \mathbb {R} ^{n},x\neq 0}{\frac {\|Ax\|}{\|x\|}}

A definição é análoga para o caso complexo.

Esta norma tem seguintes propriedades adicionais:

$\|AB\|\leq \|A\|\|B\|\,$ , sempre que o produto está bem definido
$\|I\|=1\,$ onde $I\,$ é a matriz identidade.

Norma infinito ou norma do máximo

Seja $A=\left[a_{ij}\right]_{r\times s}\,$ uma matriz $r\times s$ . A norma infinito ou norma do máximo da matriz $A\,$ , denotada por $\|A\|_{\infty }\,$ , é o número não negativo

\|A\|_{\infty }=\max _{1\leq i\leq r}\sum _{j=1}^{s}|a_{ij}|\,

(a maior soma absoluta das linhas)^[2]

Norma 1

Seja $A=\left[a_{ij}\right]_{r\times s}\,$ uma matriz $r\times s$ . A norma 1 da matriz $A\,$ , denotada por $\|A\|_{1}\,$ , é o número não negativo

\|A\|_{1}=\max _{1\leq j\leq s}\sum _{i=1}^{r}|a_{ij}|\,

A norma da matriz $A={\begin{vmatrix}1&3\\2&-1\end{vmatrix}}\,$ , por exemplo, é $\|A\|_{1}=max\left\{|1|+|2|,|3|+|-1|\right\}=max\left\{3,4\right\}=4\,$ ^[3]

Normas baseadas nas entradas

Estas normas vetoriais tratam uma matriz $m\times n$ como um vetor de tamanho $mn$ e utilizam uma das normas vetoriais usuais.

Por exemplo, usando-se a p-norma para vetores, temos:

\Vert A\Vert _{p}=\left(\sum _{i=1}^{m}\sum _{j=1}^{n}|a_{ij}|^{p}\right)^{1/p}.\,

Esta é uma norma diferente das demais normas de matrizes, porém a notação é a mesma.

O caso especial p = 2 é a norma de Frobenius, e p = ∞ dá a nórma do máximo.

A norma de Frobenius é sub-multiplicativa e é muito útil em álgebra linear numérica. Esta norma costuma ser mais simples de calcular que as demais normas.

Norma Induzida

Se a norma vetorial de $R^{n}$ é dada, então se define a correspondente norma matricial induzida como os seguintes máximos:

{\begin{aligned}\|A\|&=\max\{\|Ax\|:x\in R^{n}{\mbox{ with }}\|x\|=1\}\\&=\max \left\{{\frac {\|Ax\|}{\|x\|}}:x\in R^{n}{\mbox{ with }}x\neq 0\right\}.\end{aligned}}

A norma do operador correspondente à p-norma vetorial é:

\left\|A\right\|_{p}=\max \limits _{x\neq 0}{\frac {\left\|Ax\right\|_{p}}{\left\|x\right\|_{p}}}.

No caso de $p=1$ e $p=\infty$ , as normas podem ser calculado como:

\left\|A\right\|_{1}=\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}|,

que é simplesmente a máximo soma das coluna em absoluto.

\left\|A\right\|_{\infty }=\max \limits _{1\leq i\leq m}\sum _{j=1}^{n}|a_{ij}|,

que é simplesmente a máxima soma das linhas em absoluto da matriz.

Demonstração para o caso p=1

Por um lado, considere

{\frac {\left\|Ax\right\|}{\left\|x\right\|}}={\frac {\sum _{j=1}^{n}|\sum _{i=1}^{n}a_{ij}x_{j}|}{\sum _{i=1}^{n}|x_{i}|}}\leq {\frac {\sum _{j=1}^{n}\sum _{i=1}^{n}|a_{ij}||x_{j}|}{\sum _{i=1}^{n}|x_{i}|}}\leq {\frac {\sum _{j=1}^{n}\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}||x_{j}|}{\sum _{i=1}^{n}|x_{i}|}}=\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}|.

Por outro lado, seja o vetor $x$ , com zero em todas as entradas exceto para a j-ésima entrada onde $\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}|$ ocorre. Tem-se

|Ax|=\sum _{i=1}^{n}{|a_{ij}x_{j}|}=\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}|.

Assim, pelo definição da norma e pelo Teorema do confronto, temos

\left\|A\right\|_{1}=\max \limits _{1\leq j\leq n}\sum _{i=1}^{n}|a_{ij}|.

Cqd

Equivalência entre as normas

Dado que as matrizes formam um espaço de dimensão finita real ou complexo, todas as normas são equivalentes. Ou seja se $\|.\|_{1}\,$ e $\|.\|_{2}\,$ são normas em $M^{n\times m}\,$ então existem constantes $C_{1}\,$ e $C_{2}\,$ tais que:

C_{1}\|A\|_{1}\leq \|A\|_{2}\leq C_{2}\|A\|_{1},~~\forall A\in M^{n\times m}\,

Referências

↑ Robert Plato. Concise numerical mathematics (em inglês). [S.l.]: American Mathemcatical Society. ISBN 0-8218-2953-X
↑ pág.22
↑ pag.22

[1] Robert Plato. Concise numerical mathematics (em inglês). [S.l.]: American Mathemcatical Society. ISBN 0-8218-2953-X

[2] ág.22

[3] .22

[1]

[2]

[3]

@@ Linha 65: / Linha 65: @@
 Por um lado, considere
-:<math> \frac{\left \| A x\right \|}{\left \| x\right \|} = \frac{ \sum _{j=1} ^n | \sum _{i=1} ^n  a_{ij} x_j|}{  \sum _{i=1} ^n |  x_j  |} \leq \frac{ \sum _{j=1} ^n \sum _{i=1} ^n | a_{ij} | | x_j|}{  \sum _{i=1} ^n |  x_j  |} \leq   \frac{ \sum _{j=1} ^n \max \limits _{1 \leq j \leq n} \sum _{i=1} ^n | a_{ij} | | x_j|}{    \sum _{i=1} ^n |  x_j  |}=\max \limits _{1 \leq j \leq n} \sum _{i=1} ^n | a_{ij} | .</math>
+:<math> \frac{\left \| A x\right \|}{\left \| x\right \|} = \frac{ \sum _{j=1} ^n | \sum _{i=1} ^n  a_{ij} x_j|}{  \sum _{i=1} ^n |  x_i  |} \leq \frac{ \sum _{j=1} ^n \sum _{i=1} ^n | a_{ij} | | x_j|}{  \sum _{i=1} ^n |  x_i  |} \leq   \frac{ \sum _{j=1} ^n \max \limits _{1 \leq j \leq n} \sum _{i=1} ^n | a_{ij} | | x_j|}{    \sum _{i=1} ^n |  x_i  |}=\max \limits _{1 \leq j \leq n} \sum _{i=1} ^n | a_{ij} | .</math>
 Por outro lado, seja o vetor <math>x</math>, com zero em todas as entradas exceto para a j-ésima entrada onde <math> \max \limits _{1 \leq j \leq n} \sum _{i=1} ^n | a_{ij} | </math> ocorre.