Captulo 4

Condicionamiento

4.1.

Introducci
on

El hecho de que los ordenadores pueden representar solo un n

umero finito de
n
umeros reales y de forma aproximada tiene una consecuencia inmediata en el calculo
numerico: a
un cuando un algoritmo haya sido dise
nado teoricamente para producir
la respuesta exacta a un problema, su implementacion en un ordenador rara vez producira tal respuesta. La cuestion entonces radica en saber cuando se puede confiar
en la respuesta obtenida. Los algoritmos en los que se puede confiar son los algoritmos estables; es decir, son aquellos que produce una respuesta casi exacta cuando
se aplican a datos que son casi exactos. Este es un concepto difuso, por ahora, pero
debemos observar desde un principio que en el calculo numerico los errores estan
siempre presentes. Hay errores de muy diversa procedencia, principalmente:
errores en las mediciones o en la estimaciones previas (posiblemente grandes:
a menudo los datos en ingeniera o economa son concidos exactamente con
pocos dgitos [18]).
79

80

Condicionamiento

errores en la forma en la que los ordenadores almacenan los n

umeros: palabras
de 32 o 64 bits, seg
un sea en simple o doble precision. Es decir, errores de
redondeo (peque
nos, comparados con los anteriores).
errores como resultado de calculos anteriores si, por ejemplo, los datos proceden
de soluciones numericas a problemas previos.
Hay problemas que son especialmente sensibles a estos tipos de errores. El estudio de como estos afectan a las respuestas calculadas pertenece a una disciplina
denominada Teora de la perturbacion. En ella se pretende estimar cuanto puede
cambiar la solucion de un problema cuando los datos de partida son modificados
ligeramente. Pero el analisis numerico pretende mas: su objetivo es dise
nar algoritmos que sean lo mas insensibles posible a los errores. Los algoritmos que poseen
esta propiedad se dice que son estables. No es una tarea facil saber si un algoritmo
es estable o no. Lo primero que se necesita para ello es una buena definicion de
estabilidad. Iremos abordando estas cuestiones a lo largo de este tema y el siguiente
aplicandolos, a modo de ejemplo, al problema de la resolucion de sistemas lineales.

Hay un tercer aspecto importante en Algebra

Lineal Numerica que solo abor
daremos tangencialmente en este curso: la velocidad de los algoritmos. Esta
suele
ser medida, en la disciplina que nos ocupa, en flops (n
umero de operaciones en
punto flotante), pero su analisis, aunque importante porque en determinadas circunstancias la velocidad de los algoritmos puede ser decisivo para decantarse por
la utilizacion de uno u otro, suele ser tedioso y con escaso contenido matematico.
Quienes esten interesados el analisis de la velocidad de los principales algoritmos,
pueden consultar los libros recomendados en la bibliografa.

4.2.

Condicionamiento de un problema

En abstracto podemos ver un problema como una funcion f : X Y de un

espacio vectorial normado de datos en un espacio vectorial normado de resultados.
Por ejemplo, el problema de calcular la mitad de un n
umero real se puede ver como
la funcion
f : R R
x ; x2
Y el problema de calcular las races de un polinomio tambien se puede interpretar de
esta forma aunque los espacios X e Y que intervienen son un poco mas complicados.

4.2 Condicionamiento de un problema

81

Esta funcion es casi siempre no lineal (incluso en Algebra

Lineal) pero s continua. Y lo que se pretende es saber como act
ua f sobre un punto concreto x P X.
Intuitivamente, para un valor x P X, se dice que un problema esta bien condicionado (en realidad debera decirse bien condicionado para el valor dado x, pero se
sobreentendera lo de que es para un valor concreto que siempre se dara previamente)
si cualquier peque
na modificacion en x produce una peque
na modificacion en f pxq.
Un problema mal condicionado es aquel para el que hay peque
nas modificaciones de
x que producen grandes modificaciones de f pxq.
Para hacer preciso este concepto supongamos, de momento, que X  Fn , Y 
Fm y f es diferenciable en x. Podemos aproximar el valor de f px xq por f pxq
utilizando el primer termino del desarrollo de f en serie de Taylor alrededor de x:
f px

xq  f pxq

f 1 pxqx

donde f 1 pxq es la diferencial de f en x (i. e. la aplicacion lineal de Fn a Fm representada por la matriz jacobiana de f en las bases canonicas). As
f px

xq
f pxq  f 1 pxqx

Eligiendo normas en Fn y Fm y usando para f 1 pxq la correspondiente norma inducida

}f px

xq
f pxq}
}x}

 }f 1pxq},

de modo que }f 1 pxq} nos da una idea aproximada de la razon de los errores absolutos
de las soluciones del problema y los datos del mismo. Si este n
umero es muy grande
es porque peque
nas modificaciones en el dato del problema produce una modificacion
muy grande en la solucion. Al n
umero }f 1 pxq}, que es la norma de la matriz de las
derivadas parciales de f en x, se le llama n
umero de condici
on (absoluto) del
problema f en x respecto de la norma }  }; y se representa por
pxq.
Si lo que se quiere es una idea de la relacion entre los errores relativos podemos
observar que
}f px xq
f pxq}  }x}  }f 1pxq}}x} ,
}f pxq}
}x} }f pxq}
de modo que


}f px

xq
f pxq}
}f pxq}

N

}x}
 }f 1pxq}}x} .
}x}
}f pxq}

82

Condicionamiento

Y al n
umero

}f 1pxq}}x}
}f pxq}

se le llama n
umero de condici
on (relativo) o simple-

mente n
umero de condici
on del problema f en x respecto de la norma }  }; y
se representa por pxq. Este n
umero mide la sensibilidad del problema f a las peque
nas perturbaciones de x. As, si pxq es peque
no, errores relativos peque
nos en
el dato producen errores relativos peque
nos en la solucion; mientras que si pxq es
grande errores relativos peque
nos en los datos producen errores relativos grandes
en la solucion. En este caso, el problema esta mal condicionado; y en el anterior el
problema esta bien condicionado.
Cuando f no es diferenciable se requiere otra caracterizacion de n
umero de
condicion que se reduzca a la ya dada si f es diferenciable. La definicion precisa es
la siguiente:
N
umero de condici
on absoluto:

pxq : lm sup

0 }x}

}f px

xq
f pxq}
.
}x}

(4.1)

N
umero de condici
on relativo:
pxq : lm sup

0 }x}

}f px

xq
f pxq}
}f pxq}

N

}x}

}x}

(4.2)

Cuando nos refiramos al n

umero de condicion de un problema, se debera entender
que es el n
umero de condicion relativo. Debe observarse en cualquier caso que
pxq 

}x} pxq
}f pxq}

(4.3)

Observaciones 4.1 Deberamos demostrar que las definiciones (4.1) y (4.2) son
consistentes. Es decir, que el lmite existe y coincide con la norma de la diferencial
de f cuando esta es diferenciable. Lo primero no es difcil. Vamos a hacerlo para
el n
umero de condicion absoluto. El correspondiente resultado para el n
umero de
n
condicion relativo se sigue de (4.3). Para x P F dado, pongamos
p q  sup

}x}

}f px

xq
f pxq}
}x}

4.2 Condicionamiento de un problema

y observemos que si 0 1
lo tanto
p1 q  sup

}x}1

}f px

83

2 entonces tx : |x} 1u tx : }x} 2u. Por

xq
f pxq}
}x}

sup

}x}2

}f px

xq
f pxq}
}x}

 p2q,

de modo que es monotona creciente y acotada inferiormente por 0. Por consiguiente, existe el lm p q. Notemos que 0, y por lo tanto la convergencia a 0

es siempre por la derecha aunque no se haya hecho explcito en la definicion.

Probamos ahora que cuando f es diferenciable
pxq  }f 1 pxq}. Recordamos que
la diferenciabilidad de f significa que
f px

xq
f pxq  f 1 pxqx

}x}rpxq,

donde f 1 pxq es una aplicacion lineal de Rn en Rm cuya matriz en las bases canonicas
es la matriz jacobiana de f , y lm rpxq  0. Pongamos, para facilitar la compresion
f 1 pxq  J pxq. Entonces para

0

 J pxqx
xq
f pxq}

sup 
}x}
}x} }x}
x

sup

}x}

}f px



r x  .

p q

El objetivo es demostrar que


 J x x
lm sup 
0
x

pq
} }

}x}



r x 

p q  }J pxq},

donde }J pxq} es la norma de matriz inducida por la norma de vector que estemos
considerando. Es decir
}J pxq}  sup }J}phx}qh} .
h0
(Notese que las normas en el numerador y denominador en esta expresion son normas
de vector en espacios de, posiblemente, dimensiones diferentes). Se puede demostrar,
como se hizo en la Seccion 2.3.2 de la Leccion 2, que para cualquier 0

}J pxq}  sup }J}phx}qh} 



h 0

de modo que

}J pxqh} ,
}h} }h}
sup

}J pxqh}  }J pxq},
0 }h}
}h}
lm sup

84

Condicionamiento

porque estamos calculando el lmite cuando

0 de una cantidad constante: }J pxq}.

Por lo tanto, lo que queremos demostrar es que



lm


 J x x
sup 
x

0 }x}



r x 

pq
} }

xqx}
p q
sup }J}px
}  0.
}x}

(4.4)

Ahora bien, sabemos que lm rpxq  0, lo que implica que lm sup }rpxq} 

0 }x}

0. Para probar (4.4) utilizaremos la definicion de lmite: Sea 0 un n

umero real.
Por una parte


r x 


 J x x
sup 
x

pq
} }

}x}

p q



 J x x 


sup 
x 

pq
} }

}x}

}rpxq}



 J x x 


sup 
x 

}x}

pq
} }

sup }rpxq} ,

}x}

de modo que



 J x x

 sup 
}x}
x

pq
} }



r x 

p q


J x x 

x 

} p q } sup }rpxq} .
}x} } }
}x}
sup

Como lm sup }rpxq}

 0, para el dado existe un 0 tal que si 0

}rpxq} . As pues, con este mismo ,

0 }x}

entonces sup

}x}




 J x x

 sup 
}x}
x

pq
} }



r x 

p q


J x x 

x 

} p q } ,
}x} } }
sup

lo que demuestra (4.4).

Ejemplo 4.2

1. Para x P R calcular

En este caso f pxq 

x
.
2

x
1
es una funcion diferenciable y f 1 pxq  . As
2
2

|
f 1 pxq||x|
1{2


|f pxq| 1{2  1.
El problema esta bien condicionado en cada x P C.

4.3 El n
umero de condicion para el producto de matrices y vectores

2. Para x P R calcular
Ahora f pxq 

85

?x.

?x y f es diferenciable para x 0. f 1pxq  ?1 . As

2 x


x
?x  12 .

1
2 x

El problema esta bien condicionado para todo x 0.

3. Para x1 , x2

P R calcular x1  x2.

f pxq  x1 x2 es una funcion de dos variables. f 1 pxq 

Para la norma `8 tenemos que


Bf Bf   x
2
B x1 B x2

x1 .

p|x1| |x2|q  maxt|x1|, |x2|u  |x1| |x2|

| x1 x2 |
mnt|x1 |, |x2 |u

Este problema esta bien condicionado para valores de x1 y x2 proximos en

valor absoluto, y mal condicionado para valores que difieren mucho en valor
absoluto.

4.3.

El n
umero de condici
on para el producto de
matrices y vectores

Como viene siendo habitual F representa el cuerpo de los n

umeros reales o
complejos.
Analizamos con un poco de detalle el n
umero de condicion del siguiente problema: Dada una matriz A P Fmn , calcular el producto de Ax para x P Fn1 . La
funcion asociada al problema es
f : Fn
Fm
x ; b  Ax
Esta funcion es diferenciable:
f pxq  Ax 

j 1

m

aij xj

i 1

86

Condicionamiento

Es decir, para i  1, . . . , m

fi pxq 

aij xj ,

j 1

de modo que

B fi  a .
Bxj ij

Por lo tanto,

f 1 pxq  A.

Y el n
umero de condicion relativo para este problema es


}f 1pxq}  }A} }x} ,

}f pxq}{}x} }Ax}

(4.5)

donde tomamos como norma de A la norma inducida por las normas de x y Ax.
Debemos tener en cuenta que estos vectores pueden estar en espacios vectoriales de
dimensiones diferentes. Por ser una norma inducida por una norma de vector, es
compatible con ella. Es decir, }Ax} }A} }x} y, en consecuencia
1.

El problema estara bien condicionado para aquellos x P Fn para los que es proximo
a 1; y mal condicionado para aquellos para los que es mucho mayor que 1.
Ademas cuando A es cuadrada y no singular tenemos que x  A
1 Ax y

}x}  }A
1Ax} }A
1} }Ax}.

Sustituyendo en (8.10) tenemos que

}A} }A
1 }.

As que el n
umero de condicion de calcular b  Ax con A dada e invertible esta acotado por la cantidad }A} }A
1 }. Que n
umero de condicion tiene el problema de
resolver el sistema Ax  b con A una matriz dada cuadrada e invertible? Nos
preguntamos por el problema
f : Fn
Fm
b ; x  A
1 b

Es el mismo que acabamos de estudiar pero aplicado a la matriz A
1 :

}A
1 } }A}.
En definitiva tenemos el siguiente resultado

4.3 El n
umero de condicion para el producto de matrices y vectores

87

Teorema 4.3 Sea A P Fnn no singular y consideremos el problema de la resoluci

on
del sistema lineal Ax  b respecto de b. El n
umero de condicion de este problema es
 }A
1 }

}b} }A
1} }A}  }A} }A
1}.

}A
1b}

Definici
on 4.4 El n
umero }A} }A
1 } recibe el nombre de n
umero de condici
on
de la matriz A, si A es cuadrada y no singular, y se denota por pAq. Cumple que
pAq 1, y si pAq es un n
umero proximo a 1 se dice que A es una matriz bien
condicionada; y si es mucho mayor que 1, que es mal condicionada.
Debe notarse que a normas diferentes, para una misma matriz, los n
umeros de
condicion pueden ser diferentes, pero la equivalencia de normas garantiza que no
son muy diferentes. Particularmente notable es el n
umero de condicion respecto de
la norma espectral o de operador:
2 pAq  }A}2 }A
1 }2 .
Recordemos que }A}2

 1 es el mayor valor singular de A y que el mayor valor

1
, y as
singular de A
1 es 1{n . Es decir, }A
1 }2 
n

2 pAq 

1
.
n

Es muy importante notar que el condicionamiento de una matriz depende de

la relacion entre su primer y u
ltimo valor singular. Desde luego, si A es singular,
entonces 2 pAq  8, y A esta muy mal condicionada, pero A puede estar cerca
de ser singular y estar muy bien condicionada. Por ejemplo, para
A

es una matriz casi singular porque n

10
7 10
10
10
10 10
7

 0,0999  10
6, pero

2 pAq  1,00200200200200,
de forma que esta muy bien condicionada: sus columnas (y filas) son muy linealmente independientes: la primera componente de la primera columna es 103 veces

88

Condicionamiento

mas grande que la de la segunda columnas; y lo mismo pasa con las segundas componentes pero al reves. El n
umero de condicion no solo depende del u
ltimo valor
singular, que nos mide la distancia al conjunto de las matrices singulares, sino de su
relacion con el primero. En este ejemplo, 1  0,1001  10
6 y 1 {2 es casi 1.
En conclusion, una matriz no singular A puede estar cerca del conjunto de matrices singulares pero estar muy bien condicionada. As, si los elementos de A son
muy peque
nos en valor absoluto (como en el ejemplo de mas arriba), su determinante sera muy peque
no (en valor absoluto) y su u
ltimo valor singular sera muy
peque
no porque el producto de los valores singulares es el valor absoluto del determinante de la matriz. Consecuentemente, A esta cerca de alguna matriz singular.
Sin embargo, A puede ser una matriz bien condicionada porque puede suceder que
1 sea tambien muy peque
no y muy parecido a n . Su n
umero de condicion nos da
una idea de si sus columnas son muy linealmente independientes o no. Un sistema
de vectores tv1 , . . . , vn u son casi linealmente dependientes si se pueden encontrar
escalares 1 , . . . , n , no todos peque
nos de forma que 1 v1    n vn es casi
cero. Observense las comillas. Son conceptos imprecisos, pero que nos hacen intuir
que cuanto mas cerca esten las columnas de una matriz de ser ortogonales, mejor
condicionada estara dicha matriz. Lo que s se puede probar rigurosamente es que
no hay matrices mejor condicionadas (en la norma espectral) que las unitarias. En
efecto, si U es unitaria entonces todos sus valores singulares son iguales a 1 y en
consecuencia 2 pU q  1.
Terminamos esta seccion con un resultado que nos ofrece otra interpretacion
interesante del n
umero de condicion de una matriz.
Corolario 4.5 Sea A P Fnn una matriz no singular. Entonces
1
2 pAq

 mn

"

}A}2 : A
}A}2

A singular

1
es la distancia relativa de A al conjunto de las matrices singulares.
2 pAq
Cualquier error relativo en A menor que esta cantidad nos asegura que la corres1
pondiente matriz es no-singular. Pero si el error relativo en A es mayor que
2 pAq
1
la matriz obtenida podra ser singular. Es decir,
es el menor error relativo
2 pAq
posible para que la perturbacion en A produzca una matriz singular.
Es decir,

4.4 La condicion de los sistemas de ecuaciones lineales

89

Demostraci
on.- Por una parte
1
2 pAq
Y por otra parte,
n

 }A1} }A
11}  }An} .

2
2

 rangpm
n
}A
A Aqn

A
A}2 .

Por lo tanto,
1
2 pAq

"
}
A}2
}A}2 : A
 rangpm
n

mn
A Aqn }A}2
}A}2

A singular

Podemos extender el concepto de n

umero de condicion a las matrices rectangulares de rango completo usando A: en lugar de A
1 . Es decir,
pAq  }A} }A: }.
Y si A P Fmn con m n y rang A  n seguiramos teniendo
2 pAq 

4.4.

1
.
n

La condici
on de los sistemas de ecuaciones
lineales

En la seccion anterior hemos considerado los problemas de calcular Ax y A
1 b

para x y b, respectivamente, y suponiendo que A es una matriz fija. En ambos casos
hemos visto que el n
umero de condicion de estos problemas esta acotado inferiormente por 1 y superiormente por pAq. Hemos visto tambien que este n
umero es
importante para analizar la independencia lineal de las columnas de la matriz A. Se
trata ahora de mostrar que pAq es, en efecto, el n
umero de condicion de un problema. Es logico pensar que dicho problema debe tener relacion con la ecuacion Ax  b
porque en el caso particular en que b  0 la solucion del sistema es, en aritmetica
exacta, x  0. Si el problema esta mal condicionado entonces el error absoluto en el
resultado puede ser grande en comparacion con el error absoluto en la perturbacion
en A. Es decir, si una ligera perturbacion en A produce una solucion x, de Ax  0,
con alguna componente muy grande respecto de dicha perturbacion debe ser debido

90

Condicionamiento

a que las columnas de A estan cerca de ser linealmente independientes. Esto justifica
nuestra intuicion sobre el significado de pAq en relacion a la dependencia lineal de
las columnas de A expuesta en la seccion anterior.
Se trata de estudiar el sistema Ax  b cuando b es un vector dado y A solo se
conoce aproximadamente. Es decir, el problema
f : Gln pFq Fn
A
; A
1 b

(4.6)

con b P Fn un vector dado fijo y A invertible. Recordemos que Gln pFq es un subconjunto abierto de Fnn .
Nuestro objetivo es demostrar el siguiente resultado
Teorema 4.6 (a) Sea b P Fn un vector no nulo y consideremos el problema de
hallar la solucion del sistema Ax  b a partir de A P Fnn , invertible. El n
umero de
condicion de este problema es
 }A} }A
1 }  pAq.
cualquiera que sea la norma de vector en Fn y siendo la norma en Fnn la norma
de operador inducida por la norma de Fn .
(b) En las mismas condiciones de (a), pAq tambien es el n
umero de condicion
del problema:
fr : Gln pFq Fnn
(4.7)
A
; A
1
que consiste en calcular la inversa de A para matrices invertibles de orden n.
Demostraci
on.- Las demostraciones de ambos resultados son parecidas. Las
iremos haciendo en paralelo.
En primer lugar probaremos que las funciones f y fr, (4.6) y(4.7), que definen
r son los n
los dos problemas son diferenciables. En consecuencia, si y
umeros de
condicion de los problemas definidos por f y fr, entonces


}f 1pAq}}A}
}f pAq}

r
y

}fr1pAq}}A} .
}frpAq}

4.4 La condicion de los sistemas de ecuaciones lineales

91

Teniendo en cuenta que la diferencial f 1 pAq : Fnn Fn es una aplicacion lineal, la

norma para f 1 pAq es la norma de operador inducida por las normas que se hayan
considerado en Fnn y Fn ; i.e.,

}f 1pAq}  }m
ax }f 1 pAqpX q}.
X }1

(Recuerdese que, a su vez, la norma en Fnn es la inducida por la de Fn ). Y de la

misma forma, fr1 pAq : Fnn Fnn es una aplicacion lineal de modo que la norma
para f 1 pAq es la norma de operador inducida por las norma de Fnn :

}fr1pAq}  }m
ax }fr1 pAqpX q}.
X }1

r  pAq 
Un calculo elemental muestra que es equivalente demostrar que 


1
}A}}A } y que

}f 1pAq}  }A
1}}A
1b}

}fr1pAq}  }A
1}2

As pues, el objetivo es probar que }A
1 }}A
1 b} es una cota superior alcanzable
del conjunto t}f pAq1 pX q} : }X }  1u. Y que }A
1 }2 es una cota superior alcanzable
del conjunto t}frpAq1 pX q} : }X }  1u.
Veamos que, en efecto, f y fr son diferenciables. Podemos escribir fr a partir de
las siguientes funciones:
g1 : Gln pFq
X

g2 : Gln pFq
X

det X

Sn

p
1q x1p1q  . . .  xn

Fnn
AdjpX q  rp
1qi j det X rj |iss

Como g1 no se anula en Gln pFq y g1 y g2 son funciones diferenciables en los elementos

de la matriz X, tambien fr  g2 {g1 es diferenciable. Ahora bien, para b fijo f pX q 
frpX qb, de modo que f es diferenciable.
Veamos ahora que }f 1 pAqpX q} }A
1 }}A
1 b} para toda matriz X P Fn . Recordemos que f 1 pAqpX q es la derivada direccional de f en la direccion de X:
f 1 pAqpX q




pA
t0
rpIn
lm
lm

tX q
1 b
A
1 b
rpIn tA
1X q
1A
1
A
1sb 

lm
t0
t
t


tA
1 X q
1
In sA
1 b

p
In tA
1 X q
1
In
 ltm
A
1 b
0
t
t

92

Condicionamiento

Pero para t suficientemente peque

no se tiene que }tA
1 X } 1 de modo que, por la
Proposicion 2.15 del Captulo 2, conclumos que In tA
1 X es invertible y

pIn

tA
1 X q
1

 In
tA
1X

t2 pA
1 X q2
t3 pA
1 X q3

 .

En consecuencia

pIn

tA
1 X q
1
In
t

Por lo tanto


A
1X tpA
1X q2
t2pA
1X q3    
A
1X pIn

f 1 pAqpX q  lmp
A
1 X qpIn

t0

tA
1 X q
1

tA
1 X q
1 A
1 b 
A
1 XA
1 b.

Exactamente igual se demuestra que fr1 pAqpX q 
A
1 XA
1 .

Probamos ahora que }A}
1 }A
1 b} es una cota superior de t}f 1 pAqpX q} : }X } 
1u. Sea X P Fnn una matriz de norma 1. Entonces, por la compatibilidad de las
normas

}f 1pAqpX q}  }A
1XA
1b} }A
1}}X }}A
1b}  }A
1}}A
1b}

porque }X }  1. De la misma forma
}fr1pAqpX q}  }A
1XA
1} }A
1}}X }}A
1}  }A
1}2,
de modo que }A
1 }2 es una cota superior del conjunto t}fr1 pAqpX q} : }X }  1u. Por
lo tanto

}fr1pAq}  }m
ax }A
1 XA
1 } }A
1 }2 .
X }1

(4.8)

Debemos encontrar ahora una matriz B de norma 1 tal que }f 1 pAqpB q} 

}A
1BA
1b}  }A
1}}A
1b}. Si esta matriz B, ademas de tener norma 1, cumpliera
que BA
1 b  y siendo y un vector tal que }A
1 y }  }A
1 }}y } y }y }  }A
1 b},
entonces tendramos asegurada la igualdad, porque en tal caso

}A
1BA
1b}  }A
1y}  }A
1}}y}  }A
1}}A
1b}

(4.9)

Parece que los requerimientos son excesivos, pero en realidad no lo son porque
tenemos todos los elementos necesarios para poder decir exactamente que matriz
B y que vector y debemos escoger. En primer lugar, como la norma en Fnn es la

4.4 La condicion de los sistemas de ecuaciones lineales

93

norma inducida por la norma de Fn , existe un vector no nulo y1 tal que }A
1 y1 } 
}A
1}}y1}. Notese que cualquiera que sea el numero , tambien y1 cumple la misma
propiedad:

}A
1py1q}  ||}A
1y}  ||}A
1}}y1}  }A
1}}y1}

En particular, si
y

 }A}y }b} y1

1
1

Tenemos que }y }  }A
1 b} y }A
1 y }  }A
1 }}y }.

Con este vector y formamos el vector y0  }y1} y de modo que }y0 }  1. Pongamos
x  A
1 b y x0  }x1} x. Estos vectores cumplen que }y0 }  }x0 }  1. Por el Ejercicio
2.8 de la Leccion 2, existe un vector z0 tal que si B  y0 z0 entonces Bx0  y0 y
}B }  1. Tal vector z0 es
z1
z0  
x0 z1

siendo z1 un vector para el que |z1 x0 |  }z1 }1 }x0 } (}  }1 la norma dual de

siempre existe (ver Ejercicio 2.8 de la Leccion 2). As pues, }B }  1 y

}  }), que

BA
1 b  Bx  }x}Bx0

 }x}y0  }A
1b}y0  }y}y0  y.

En definitiva, existe un vector y tal que }y }  }A
1 b} y }A
1 y }  }A
1 }}y }. Y para
este vector y existe una matriz B tal que }B }  1 y BA
1 b  y. Por lo tanto,
se cumple (4.9) y }f 1 pAqpB q}  }A
1 }}A
1 b}. Esto es, }f 1 pAq}  }A
1 }}A
1 b} y
 pAq tal y como se deseaba demostrar.
Para concluir, debemos demostrar que }fr1 pAq}  }A
1 }2 . Para ello observamos
que, debido a que la norma en Fnn es la inducida por la de Fn , existe un vector b de
norma 1 tal que }A
1 b}  }A
1 }. Para este vector b, y de acuerdo con lo que hemos
demostrado mas arriba, existe una matriz B de norma 1 tal que }A
1 BA
1 b} 
}A
1}}A
1b}  }A
1}2. En consecuencia,

}A
1}2  }A
1BA
1b} }A
1BA
1}}b}  }A
1BA
1} }fr1pAq}

porque }fr1 pAq}  max }A
1 XA
1 }. Teniendo en cuenta (4.8) conclumos que }fr1 pAq} 

}X }1

}A
1}2 y consecuentemente r  pAq.

94

Condicionamiento