Norme di vettori e matrici

Def. Una norma su R

n
`e una funzione
: R
n
R
+
che ad ogni vettore x R
n
associa un numero reale 0:
i) x > 0 per ogni x R
n
, x = 0, x = 0 solo se x = 0;
ii) ax = |a|x, per ogni scalare a R
n
;
iii) x + y x +y.
Le norme pi` u usate sono le cosiddette norme l
p
x
p
:= (|x
1
|
p
+|x
2
|
p
+ ... +|x
n
|
p
)
1/p
In particolare,
x
1
:=

n
i =1
|x
i
|, norma massima per colonne (p = 1)
x
2
:=
_

n
i =1
|x
i
|
2
, norma euclidea (p = 2)
|x

:= max
i
|x
i
|, norma massima per righe
Una matrice quadrata di ordine n si pu`o considerare come un
vettore in uno spazio di dimensione n
2
e quindi potremmo denire
una norma di matrice usando una norma vettoriale, ad esempio
||A||
F
:=

_
n

i ,j =1
|a
ij
|
2
norma Euclidea o di Frobenious
Sono pi` u utili le norme per matrici che soddisfano anche alla
seguente propriet`a:
iv) AB A B
Ad ogni norma vettoriale si pu`o associare una norma matriciale
detta norma naturale o norma indotta nel modo seguente.
A := sup
x=0
Ax
x
Ogni norma naturale soddifa la propriet`a AB A B e, se
I `e la matrice identit`a e `e una norma naturale, si ha I = 1.
Le norme naturali indotte, rispettivamente, dalle norme vettoriali
p = 1 e p = sono:
A
1
:= max
j

n
i =1
|a
ij
| norma massima per colonne (p=1)
A

:= max
i

n
i =j
|a
ij
| norma massima per righe (p = )
Raggio spettrale
Il raggio spettrale di una matrice A, (A) , `e denito come
(A) := max
i =1,..,k
|
i
(A)|,
dove
1
,
2
, . . . ,
k
sono gli autovalori di A.
Teorema La norma naturale indotta dalla norma Euclidea per
vettori `e
A
2
:=
_
(A
+
A) norma spettrale
dove A
+
`e la coniugata trasposta della matrice A.
Se A `e a coecienti reali, si ha A
2
=
_
(A
t
A),
se A `e reale e simmetrica, si ha A
2
= (A).
Per ogni norma naturale si ha
(A) A.
La norma di Frobenius non `e una norma indotta da una norma di vettore,
infatti I
F
=

n.
Condizionamento di una matrice
Nel risolvere un sistema lineare Ax = b con metodi diretti si
ottiene solo unapprossimazione x della soluzione esatta x.
Si pu`o usare come misura dellaccuratezza della soluzione la norma
dellerrore x = |x x|.
Usando per i vettori || || una norma e per le matrici la norma
indotta, ad es. la norma euclidea per i vettori e la norma spettrale
per le matrici, oppure la norma massima per i vettori e la norma
della somma per righe per le matrici, si ha
||Ax|| ||A|| ||x||.
La norma di una matrice rappresenta dunque lingrandimento
massimo che pu`o ottenere un vettore sotto lazione della mappa
determinata da A.
Per studiare come gli errori nei coecienti del sistema inuenzino
la soluzione supponendo che solo il termine noto sia aetto da un
errore b e di conseguenza la soluzione vari di una quantit`a x si
dimostra che
||x||
||x||
||AA
1

b||
||b||
.
Supponendo che i coecienti del sistema siano cambiati di una
quantit`a A e di conseguenza (A + A)(x + x) = b. Si dimostra
che
x||
x + x||
||A A
1

A||
A||
.
La quantit`a k(A) := ||A|| A
1
|| `e detta indice di
condizionamento della matrice A.
indice di condizionamento della matrice A
Si pu`o scrivere
||x||
||x||
k(A)
b||
||b||
e
x||
x + x||
k(A)
A||
A||
Lindice di condizionamento di una matrice misura la sensitivit`a
dellerrore relativo nella soluzione del sistema lineare a
cambiamenti nei coecienti o nel termine noto.
Il condizionamento di A `e tanto migliore quanto pi` u k(A) `e vicino
ad 1.
E facile capire che se lindice di condizionamento `e grande, a
perturbazioni anche piccole nei dati (cio`e negli elementi di A e di b)
possono corrispondere grandi variazioni nella soluzione, in tal caso
il problema (risolvere il sistema lineare) risulta mal condizionato.
Stima dellindice di condizionamento
Quando si risolve numericamente un sistema lineare, `e bene avere
una stima del valore di k(A), senza dover calcolare A
1
.
Con una qualunque delle norme viste (la meno onerosa `e la
norma della somma per righe) si calcola A.
Una stima di A
1
si ottiene come segue.
Siano y
1
, y
2
, .., y
k
vettori arbitrari e z
i
:= Ay
i
, i = 1, .., k. Per
denizione
A
1
= sup
x
_
A
1
x
x
_
.
Dato che y
i
= A
1
z
i
,
= max
i =1,...,k
_
y
i

z
i

_
fornisce una stima per difetto di A
1
.
Infatti, per ogni i si ha y
i
= A
1
z
i
, quindi y
i
A
1
z
i
e
y
i

z
i

A
1
.
Al crescere del numero dei vettori y
i
il valore stimato si avvicina
sempre di pi` u a A
1
, permettendoci di ottener una stima sempre
pi` u accurata di k(A).
Esempio 1
Data la matrice
A =
_
_
1 1 0.7
2 3 18
1 2 1
_
_
si ha, ad esempio, ||A||

= max{2.7, 23, 14} = 23.

Scegliamo come vettori y
i
le colonne della matrice identit`a, y
i
= e
i
per i = 1, . . . , 3. Sono tutti vettori di norma innito 1.
I corrispondenti vettori z
i
sono le colonne di A.
Si ha = max
_
1
2
,
1
3
,
1
18
_
= 0.5, quindi A

23.
k(A) = A A

23 0.5 11.5.
Esempio 2
Sia
A =
_
1.2969 0.8648
0.2161 0.1441
_
.
||A

|| = max{2.1617, 0.3602} = 2.1617. Scegliamo y

1
=
_
1
0.5
_
,
y
2
=
_
1
1
_
, y
3
=
_
2
3
_
e calcoliamo z
i
= Ay
i
, ottenendo
z
1
=
_
1.7293
0.28815
_
, z
2
=
_
2.1617
0.3602
_
, z
3
=
_
0.610
3
0.110
3
_
.
Si ha = max {0.58, 0.46, 5000} = 5000
||A
1
||

5.000 k(A) 10
.
809.
Il valore non e esatto, ma indubbiamente suggerisce un mal
condizionamento.
Anche se gli elementi di A e di b sono noti esattamente, essi
vengono rappresentati nel calcolatore in virgola mobile con un
numero nito di cifre decimali e possono quindi essere aetti da un
errore relativo dellordine di eps, la precisione di macchina. Da ci`o
segue che, indicando con

A e

b rispettivamente la matrice A ed il
vettore b arrotondati, si ha
||

A A||

||A||

eps
||

b b||

||b||

eps.
Questi errori di arrotondamento produrranno una perturbazione x
sulla soluzione del sistema
||x||

||x||

2eps k(A).
Data una soluzione approssimata x, viene detto residuo il vettore
r = b A x.
Se x `e la soluzione esatta, il residuo `e nullo e, intuitivamente, pi` u
una soluzione `e accurata pi` u questo residuo `e piccolo.
Nel caso di cattivo condizionamento della matrice A, per`o, questo
non `e necessariamente vero. Infatti, se x `e una soluzione
approssimata di Ax = b con residuo r , allora x `e la soluzione vera
del sistema A x = b r e si ha
x
x
k(A)
r
b
Se la matrice `e mal condizionata, ad un residuo piccolo pu`o
corrispondere una soluzione poco accurata.
Il cattivo condizionamento di una matrice `e spesso legato al fatto
che la matrice `e quasi singolare, il che, di solito, vuol dire che il
determinante `e molto piccolo.
Esistono matrici molto ben condizionate con determinante piccolo
ed altre con determinante pi` u grande che sono mal condizionate.
Esempio 3
Dato il sistema Ax = b, con
A =
_
1.2969 0.8648
0.2161 0.1441
_
e b =
_
0.8642
0.1440
_
.
Soluzione x =
_
0.9911
0.4870
_
residuo r =
_
10
8
10
8
_
il che fa pensare che essa sia molto accurata , ma la soluzione
esatta `e x =
_
2
2
_
!
Risolvendo il sistema con il metodo di Gauss si ha
a
22
(2) = 0.1441
0.2161
1.2969
0.8648 = 0.1441 0.14409999 10
8
,
quindi un pivot molto piccolo! A `e molto mal condizionata, infatti
k(A) 3 10
8
,
essendo ||A||

= 2.1617 e A
1
||

= 1.5310 10
8
.
Esempio 4
Siano x
1
=
_
0.999
1.001
_
e x
2
=
_
0.341
0.087
_
due soluzioni del
sistema Ax = b , con
A =
_
0.780 0.563
0.913 0.659
_
e b =
_
0.217
0.254
_
.
I residui sono r
1
=
_
0.1343 10
4
0.1572 10
4
_
ed r
2
=
_
10
7
0
_
si pu`o pensare che x
2
sia pi` u accurata di x
1
e che, probabilmente,
la soluzione vera sia nulla, ma questo `e assurdo (perche ?..) e la
soluzione vera `e x =
_
1
1
_
.
Anche qui si tratta di cattivo condizionamento, infatti
||A||

= 1.572, A
1
||

= 1.6936 10
6
e di conseguenza
k(A) 2.5 10
6
.