Capı́tulo 2

Normas de Vectores y Matrices

2.1. Introducción

En este capı́tulo repasaremos brevemente el concepto de norma de un vector para

centrarnos en el estudio de las normas de matrices o, si se quiere, en las normas de
los operadores lineales. El estudio de las normas de matrices es importante por
varias razones. Es necesario, por ejemplo, para definir de forma precisa conceptos
tales como series de potencias de matrices; y desde luego es básico para precisar lo
que se entiende por proximidad o lejanı́a entre matrices, aspectos fundamentales en
el análisis de algoritmos en la computación numérica. Un par de ejemplos pueden
servir para ilustrar estas ideas.

Es conocido que si x es un número complejo de módulo menor que 1 entonces

p1
xq
1  1 x x2 x3 ...
Esto sugiere la fórmula
pI
Aq
1  I A A2 A3 ...

25
26 Normas de Vectores y Matrices

para calcular la inversa de la matriz I
A. Pero ¿cuándo es tal fórmula válida?.

Resulta que es suficiente que una norma de la matriz A sea menor que 1, y además
cualquier norma sirve. De forma parecida se puede ver que bajo ciertas condiciones
relativas a la norma de A la serie
8̧ 1
Ak
i0
k

es convergente y sirve para definir la función matricial eA .

Por otra parte, el cálculo numérico con matrices que proceden de datos experi-
mentales, no es exacto; por lo general matrices están sometidas, bien sea por errores
de redondeo o por imprecisión en las mediciones,a pequeñas perturbaciones. Cuán
pequeñas son estas perturbaciones, o lo que es lo mismo, cuán lejos está la matriz
verdadera de la calculada son conceptos que se pueden hacer precisos utilizando
normas.

En todo este xapı́tulo supondremos que F es el cuerpo R de los nmeros reales o

el cuerpo C de los nmeros complejos.

2.2. Normas de Vectores

2.2.1. Definición y Ejemplos

Como es bien sabido, el concepto de norma de un vector es una generalización

del concepto de valor absoluto o módulo de un número complejo.

Definición 2.1 .-Sea V un espacio vectorial sobre F (R o C). Una función ν :

V ÝÑ R es una norma en V si ν satiface las siguientes propiedades:

(i) x  0 ñ ν pxq ¡ 0.

(ii) ν pαxq  |α|ν pxq, @α P F.

(iii) ν px y q ¤ ν pxq ν py q, @x P V (desigualdad triangular)
2.2 Normas de Vectores 27

Tres importante propiedades se siguen de forma inmediata de la Definición 2.2.

Para cualquier norma ν

1. ν p0q  0 porque ν p0q  ν p0xq  0ν pxq  0.

2. ν p
xq  ν pxq porque ν p
xq  |
1|ν pxq  ν pxq
3. |ν pxq
ν py q| ¤ ν px
y q. En efecto, hay dos posibilidades:
a) ν pxq ¥ ν py q. En este caso |ν pxq
ν py q|  ν pxq
ν py q y por la desigualdad
triangular ν pxq  ν ppx
y q y q ¤ ν px
y q ν py q.
b) ν pxq   ν py q. Entonces |ν pxq
ν py q|  ν py q
ν pxq y de nuevo por la
desigualdad triangular ν py q ¤ ν py
xq ν pxq  ν px
y q ν pxq.

Ejemplo 2.2 Se puede definir una infinidad de normas en Fn , sin embargo las
más utilizadas son las llamadas normas de Hölder o normas `p . En lo que sigue
supondremos que x  px1 , x2 , . . . , xn q P Fn es un vector de Fn .

Para cada una de las normas dibujamos, a modo de ilustración la correspondiente

bola unidad en R2 ; i.e., el conjunto B p0, 1q  tx P R2 | k x k¤ 1u.

(a) La norma `1 :
ņ
k x k1  | xi | .

i 1

(b) La norma `2 o norma euclı́dea:

d ņ
k x k2  | xi | 2 .

i 1
28 Normas de Vectores y Matrices

(c) La norma `8 :

k x k8  máx |xi |.
¤¤
1 i n

(d) La norma `p general (p ¥ 1):

 ņ
1{p
k x kp  | xi | p .

i 1

Demostrar que las normas `p son, en efecto, normas es fácil salvo la desigualdad
triangular que, en el caso general, se conoce como desigualdad de Minkowsky. ésta
a su vez, es consecuencia de otra desigualdad importante; la desigualdad de Hölder:
Si p y q son números reales tales que p1 1q  1 entonces

|xy| ¤k x kpk y kq .
En el caso particular en que p  2 (y entonces también q  2) la desigualdad de
Hölder se convierte en una desigualdad bien conocida:

|xy| ¤k x k2k y k2,

la desigualdad de Cauchy-Schwartz.

Aparentemente la norma `8 no es una norma `p . Sin embargo se la puede con-

siderar como tal porque para cualquier x P Fn se tiene que

k x k8  lı́m k x kp .
Ñ8
p
2.2 Normas de Vectores 29

Algo de esto ya se intuye en la forma que tienen las bolas unidad en R2 para las
normas `p . También admite, claro está, una demostración rigurosa: Sea

k x kp  p|x1 |p  xn |p q1{p ,

y supongamos que

k x k8  máx |xi |  |xi1 |      |xiq |  m.

¤¤
1 i n

Es decir, que las componentes i1 , . . . , iq son, en módulo, mayores que todas las
demás, y que en todas ellas el valor de dicho módulo es el mismo e igual a m. Ası́,
si tj1 , . . . , jn
q u  t1, . . . , nuzti1 , . . . , iq u tenemos que

k x kp  pqm
p |xj |p    |xj
|pq1 {p 

1 n q
p 1{p
 m q  xmj      xjm
 .
p
1 n q

x   p
Como 
 jk    1 concluı́mos que plı́m  xj   0 y lı́m k x k  m k x k , tal y
 Ñ8  m 
k

pÑ8
p 8
m
como se deseaba demostrar.

2.2.2. Equivalencia de normas

Las normas son erramientas básicas para definir y analizar la convergencia de su-
cesión de vectores en espacios vectoriales. Como es habitual, una sucesión txk u € V
se dice que converge a x (y se escribe xk Ñ x) si la sucesión de números reales
tν pxk
xqu converge a cero, ν pxk
xq Ñ 0, siendo ν una norma definida en V .
Esta definición depende de la norma ν. En principio podrı́a suceder que una suce-
sión de vectores convergiera para una norma pero no para otra. De hecho, esto es
perfectamente posible en espacios de dimensión infinita, pero no en espacios de di-
mensión finita. Ello es consecuencia de que todas las normas en un espacio vectorial
de dimensión finita son equivalentes en el siguiente sentido:

Definición 2.3 Sean µ y ν normas definidas en V , espacio vectorial sobre F. Se

dice que µ y ν son equivalentes si existen números reales positivos c1 y c2 tales que

c1 ¤ µν ppxxqq ¤ c2, @x P V.
30 Normas de Vectores y Matrices

Debe notarse que ası́ se define, en efecto, una relación de equivalencia en el

conjunto de todas las normas definibles en un espacio vectorial. (Se verá en los
ejercicios que hay una infinidad de normas definibles en cualquier espacio vectorial).

Nuestro objetivo es demostrar que todas las normas en un espacio de dimensión

finita son equivalentes. Para ello debemos recordar algunos resultados básicos de
topologı́a. En todo espacio normado, pM, k . kq podemos definir una distancia:

dpx, y q k x
y k,

que hace de pM, dq un espacio métrico, y por lo tanto topológico con una base de
abiertos dada por las bolas abiertas centradas en cada punto de M . Por consiguiente,
si V es un espacio vectorial en el que tenemos definida una norma, automáticamente
tenemos en V estructuras de espacio métrico y topológico. Como, por otra parte,
cada norma es una aplicación de V en R, tiene sentido preguntarse si dicha aplicación
es continua:

Lema 2.4 (a) Todas las normas definidas en V , espacio vectorial sobre F, son
funciones continuas.

(b) Si V es un espacio vectorial de dimensión finita entonces la esfera unidad en

V , respecto de cualquier norma, es un conjunto compacto.

Demostración.-

(a) Sea ν una norma definida en V y consideremos en V la topologı́a inducida

por esta norma. Sea ε ¡ 0 un número real arbitrario. Escogemos 0   δ   ε.
Entonces, como para todo x, y P V

|ν pxq
ν pyq| ¤ ν px
yq
resulta que si ν px
y q   δ entonces |ν pxq
ν py q|   ε. Esto demuestra que ν
es continua.

(b) Supongamos que dim V  n y sea tv1, . . . , vnu una base de V . Definimos la
siguiente función:

g : Fn Ñ V
a  pa1 , . . . , an q Ñ v  a1 v 1    an v n
2.2 Normas de Vectores 31

Esta aplicación es un isomorfismo de espacios vectoriales; es decir, es una

aplicación lineal y biyectiva. Y desde el punto de vista topológico es también
un homeomorfismo cuando en V y Fn se consideran las topologı́as derivadas de
las normas ν y `1 . Es decir, g es una aplicación continua con inversa continua.
No obstante, para llegar al resultado deseado sólo necesitamos que g es conti-
nua. Aunque, tal y como se acaba de decir, éste es un hecho conocido, lo demos-
tramos porque la demostración es muy sencilla y esta propiedad se usará con
frecuencia en este curso. Que la inversa de g también es continua se demuestra
de forma similar. Sea ε ¡ 0 un número real dado. Tenemos que encontrar un
número real δ ¡ 0 tal que si k a
b k1   δ entonces ν pg paq
g pbqq   ε. Ahora
bien 

°
n
ν pg paq
g pbqq  ν paivi
biviq ¤

i 1
°
n
¤ |ai
bi|ν pviq

i 1
¤ M k a
b k1 ,
donde M  máxtν pv1 q, . . . , ν pvn qu. Observamos que M ¡ 0 porque vi  0 para
todo i  1, . . . , n por ser vectores de una base de V . Basta escoger 0   δ   Mε
para obtener el resultado deseado.
Sea S € V la esfera unidad respecto de la norma ν: S  tx P V |ν pxq  1u.
Es fácil ver que este conjunto es cerrado (su complementario es claramente
abierto) y acotado. Como g es continua, g
1 pS q es cerrado (la anteimagen de
una cerrado por una aplicación continua es cerrado), y también es acotado.
Esto último es, en realidad, una consecuencia inmediata de un resultado que
veremos en la próxima lección, pero sin dicho resultado, necesitamos una de-
mostración. Ya hemos visto que g : Fn Ñ V y ν : V Ñ R son funciones
continuas. Entonces, la composición de ambas

f : Fn ÝÑ R
p a1 , . . . , a n q ; ν pa1 v1  an v n q

también lo es. Sea S n
1  tx P Fn |}x}1  1u la esfera unidad de Fn respecto de

la norma `1 . Como S n
1 es cerrado y acotado en Fn , y por lo tanto compacto,
f restringida a S n
1 alcanza su mı́nimo. Sea m  mı́nyP§n
1 f py q. Notemos que
m ¡ 0 porque si y P S n
1 entonces y  0, por lo que vy  y1 v1    yn vn  0
y f py q  ν pvy q ¡ 0.
Sea ahora a  pa1 , . . . , an q P g
1 pS q. Esto significa que x  a1 v1    anvn P S
32 Normas de Vectores y Matrices

y ası́ n

°
1  ν pxq  ν ai vi 
i1

°
n ai
 }a}1ν vi
 }a}1
i 1


Pero como a1
}}
a 1
, . . . aan1
}} P S n
1 resulta que
 ņ  

ai a1 an
ν
}a}1 vi f ,...
}a}1 }a}1 ¥ m.
i1

Por lo tanto
1  ν pxq ¥ }a}1 m,

y como m ¡ 0 obtenemos }a}1 ¤ m1 . Ası́ pues, g
1pS q está acotado. Y como

también es cerrado y F  R o C, g
1 pS q es compacto. Finalmente, por ser
g biyectiva, g pg
1 pS qq  S. Ahora bien, la imagen de un compacto por una
aplicación contiua es compacto. Concluı́mos entonces que S es compacto, tal
y como se deseaba demostrar.

El recı́proco del apartado (b) del lema anterior también es verdadero. Es una
consecuencia de un resultado conocido como Teorema de Riesz, que no vamos a
utilizar.

Ahora podemos demostrar el resultado que buscábamos

Teorema 2.5 Todas las normas definidas en un espacio vectorial de dimensión

finita son equivalentes.

Demostración.- Sea V un espacio vectorial de dimensión finita sobre F, y sean ν

y µ dos normas definidas en V . Sea Sµ  tx P V |µpxq  1u. Como ν es una función
continua y Sµ es compacto, ν alcanza en Sµ su máximo y su mı́nimo. Pongamos
x
c1  mı́n ν py q y c2  máx ν py q. Entonces, para x P V , tenemos que P Sµ y
y PSµ y PSµ µpxq


x
ν pxq  µpxqν ¥ µpxq mı́n ν py q  c2 µpxq.
µpxq y PSµ
2.3 Normas de Matrices 33

Y de la misma forma


x
ν pxq  µpxqν ¤ µpxq máx ν py q  c1 µpxq.
µpxq y PSµ

Normas equivalentes sobre V definen sobre V la misma topologı́a. Recordemos

que si ν es una norma sobre V , un conjunto A „ V es una abierto si para cada x P A
existe un número real ρ ¡ 0 tal que B px, ρq  ty P V |ν px
y q   ρu está contenido en
A. Cuando decimos que dos normas ν y µ definen la misma topologı́a en V queremos
decir que todos los abiertos de la topologı́a determinada por ν son abiertos de la
topologı́a determinada por µ y viceversa.

Esta propiedad tiene un interés sobre todo teórico, pero nos ahorra tener que
estar prestando atención continuamente a las normas empleadas cuando se prueban
resultados topológicos. En cualquier caso, una primera consecuencia es que la conver-
gencia de suscesiones de vectores en espacios de dimensión finita es independientes
de la norma elegida.

2.3. Normas de Matrices

2.3.1. Definiciones, Ejemplos y Primeras Propiedades

Dado que Fmn es un espacio vectorial todo lo dicho en la sección anterior es

de aplicación a las matrices de tamaño m  n con elementos en el cuerpo de los
números reales o complejos. En particular, todas las normas definidas en Fmn son
equivalentes; i.e. generan la misma topologı́a,y son funciones continuas.

Debemos observar que las propiedades que definen una norma tienen en cuenta
las operaciones propias de la estructura de espacio vectorial sobre el que se definen:
el producto por escalares y la suma de vectores (desigualdad triangular). Sin em-
bargo las matrices, en algunos casos, se pueden multiplicar. Una norma sobre Fnn
se dirá que es una norma de matriz cuando respecto al producto se verifica una
propiedad similar a la desigualdad triangular para la suma. Tomar en consideración
esta propiedad de las matrices nos conduce a la siguiente definición:
34 Normas de Vectores y Matrices

Definición 2.6 .- Sean µ, ν y ρ normas definidas en Fmn , Fnp y Fmp , respecti-

vamente. Diremos que µ, ν y ρ son consistentes si para todas matrices A P Fmn
y B P Fnp se verifica
ρpAB q ¤ µpAqν pB q.
En particular una norma ν definida en Fnn se dice que es consistente si ν pAB q ¤
ν pAqν pB q para todas A, B P Fnn .

Una norma ν definida en Fnn consistente también se dice que es multiplica-

tiva o submultiplicativa.

Una norma definida en Fnn se dice que es una norma de matriz si es con-
sistente.

Un caso particular importante es el de las normas consistentes (también llamadas

en este caso compatibles) con las normas de vector: Si µ es una norma definida en
Fnn y ν es una norma definida en Fn entonces se dice que µ es consistente o
compatible con la norma de vector ν si para toda matriz A P Fnn y todo vector
x P Fn se tiene que
ν pAxq ¤ µpAqν pxq

Ejemplo 2.7 1. - La norma euclı́dea en Fmn será

 m̧ ņ
 12
k A k | aij |2
 
i 1j 1

A esta norma se le llama también norma de Frobenius y se suele representar

por k A kF . En algunos sitios se le llama también norma de Schur o de Hilbert-
Schmidt. Nosotros utilizaremos el nombre de norma euclı́dea o de Frobenius.

La norma de Frobenius en Fnn es una norma de matriz. En efecto, teniendo

en cuenta que la desigualdad de Cauchy-Schwartz y que
ņ
aik bkj

k 1
2.3 Normas de Matrices 35

es el producto escalar de la i-ésima fila de A por la j-ésima columna de B,

n °
n 2  n
 n

°  °n ° °
k AB k2F k1 aik bkj  ¤ i,j 1 k1 | aik |
  2
| bkj | 
2

 i,j 1    k 1
°
n °n
 | aik |
2 2
| bkj | k A kF k B kF .
2 2

i,k 1 
j,k 1

2. - La norma `8 en Fmn será:

k A k máx |ai,j |
¤¤
1 i m
¤¤
1 j n

Esta norma en Fnn no es una norma de matriz como lo demuestra el siguiente

ejemplo:    
1 1 2 2
A A  AA 
2
1 1 2 2
y
k AA k 2 ¡ 1 k A kk A k

3. - En general la norma `p en Fmn se definirá como:

 m̧ ņ
 p1
k A k |aij |2
 
i 1j 1

Utilizando la desigualdad de Hölder se puede demostrar que en Fnn esta

norma es una norma de matriz si y sólo si 1 ¤ p ¤ 2.

4. - Una pequeña modificación en la definición de la norma `8 nos permite obtener

una norma de matriz en Fnn :

k A k n máx |ai,j |
¤ ¤
1 i,j n

En efecto, si a  máx |aij | y b  máx |bij | entonces

¤ ¤
1 i,j n ¤ ¤
1 i,j n

n 
°  °n
k AB k n máx  aik bkj  ¤ n máx
 |aik bkj | ¤
1¤i,j ¤n 1¤i,j ¤n
k 1 k 1
°n
¤n máx
¤ ¤
ab  na nb k A kk B k
1 i,j n

k 1
36 Normas de Vectores y Matrices

La norma de Frobenius se puede escribir alternativamente de cualquiera de las

dos formas siguientes:

a
a) k A kF  trpA Aq

b) k A k2F k a1 k22 k a2 k22 . . . k an k22 , donde A  r a1 a2    an s P Fnn

está escrita en términos de sus vectores columna.

2.3.2. Normas de Matriz Inducidas

Una técnica general para obtener normas de matriz a partir de normas vectoriales
es la siguiente: Sea A P Fmn y pensemos en A como una transformación lineal:

Ñ Fm
A : Fn
xÑ Ax
Consideremos en Fn y Fm normas }  }n y }  }m , respectivamente. Relativamente a
estas normas podemos definir una función:

f : Fmn Ñ R
A Ñ f pAq
donde f pAq se define de la siguiente forma:

k Ax km
f pAq  sup n
P
0 x F k x kn

Es claro que el cociente

k Ax km
k x kn
es no negativo. Probaremos que este sup es un número no negativo bien definido y
que la correspondiente función es una norma consistente con las normas de vector
que sirven para definirla. Comenzaremos observando que el sup se alcanza y que,
por lo tanto, podemos sustituir sup por max. Para ello probamos, en primer lugar,
que (supondremos siempre x P Fn ):

f pAq  sup k Ax km .

kxkn 1
2.3 Normas de Matrices 37

En efecto si M  sup

0 x
kAxkm
kxkn
entonces M ¥ kAxkm
kxkn
, @x  0. En particular M ¥k
Ax km , @x P F tal que k x kn  1, con lo que M
n
¥ sup k Ax km . Recı́procamen-

kxkn 1
te, si M  sup
kxkn 1 
k Ax km , entonces M ¥k Ax km, @x P Fn tal que k x kn 1. Sea
x P Fn un vector no nulo arbitrario; entonces kxkx es un vector unitario, de modo
n

que M ¥k A kxkx
km  kxk
1
k Ax km . Por lo tanto M ¥ sup kAxk . En conclusión m
n n 0xPF kxk n n

f pAq  sup k Ax kn .
kxk 1 n

Ahora bien, k  km es una función continua respecto de cualquier norma de Fn

y también Ax es una función continua (por ser una función lineal de x). Por otra
parte, la esfera unidad es un conjunto compacto (respecto de cualquier norma) de
Fn , y cualquier función continua alcanza sus valores máximo y su mı́nimo en ella.
Ası́ pues
k Ax km
f pAq  máx k Ax km  máxn .
kxkn 1 0xPF k x kn

Demostraremos ahora que f pAq es una norma vectorial consistente con las nor-
mas }  }m y }  }n .

Teorema 2.8 .- Sea k  kn y k  km normas definidas en Fn y Fm , respectivamente.

a) La función real f definida en Fmn por

k Ax km
f pAq  máx k Ax km  máxn

kxkn 1 P
0 x F k x kn
es una norma que denotaremos con k  km,n .

b) Si A P Fmn y B P Fnp entonces

}AB }m,p ¤ }A}m,n}B }n,p.
En particular, si m  n entonces la norma }  }n,n es una norma de matriz.

c) Las normas k  km,n , k  km y k  kn son consistentes.

d) Si µ es cualquier otra norma de matriz consistente con k  km y k  kn , entonces

k A km,n ¤ µpAq, @A P Fmn .
38 Normas de Vectores y Matrices

En lo sucesivo, y para evitar una notación excesivamente pesada, no escribi-

remos los subı́ndices que asocian cada norma al espacio en el que está definida y
representaremos todas las normas con el sı́mbolo }  }. La razón es que en todo mo-
mento es claro en qué espacio está el vector o la matriz sobre el que actúa la norma.
Ası́, escribiremos }x} y }A} en vez de }x}n o }A}m,n porque si A P Fmn entonces la
norma en Fmn es }}m,n y no se necesita precisar los subı́ndices; y, además, Ax sólo
tiene sentido si x P Fn y no se precisa especificar el subı́ndice en el correspondiente
sı́mbolo de la norma.

Demostración.- a) Debemos verificar todos los axiomas que definen las normas
de matriz

(i) Si A  0 existe x P Fn tal que Ax  0. Por lo tanto k Ax k¡ 0 y k A k

máx k Ax k¡ 0.

kxk 1

(ii) Para todo λ P F

k λA k máx k λAx kv  máx |λ| k Ax k

kxk 1 
kxk 1
 |λ| kxk
máx
1
k Ax k |λ| k A k .

(iii) Probamos ahora que si A, B P Fmn entonces k A B k¤k A k k B k. En

efecto
kA B k máx k pA B qx k máx k Ax Bx k¤

kxk 1 
kxk 1

¤ máx pk Ax k

kxk 1
k Bx kq ¤ máx k Ax k

kxk 1
máx k Bx k

kxk 1

k A k kBk.

b) Sean A P Fmn y B P Fnp. Por definición

k AB k máx k ABx k .
}x}1
Sea x0 P Fn un vector con k x0 k 1 donde se alcanza el máximo: k AB kk ABx0 k.
Ahora bien, para cada matriz X
k Xy k
k X k máx

y 0 kyk
2.3 Normas de Matrices 39

de donde resulta que k Xy k¤k X k k y k, @y  0. Ası́

k AB kk ApBx0 q k¤k A k k Bx0 k¤
¤k A k k B k k x0 kk A k k B k,
porque k x0 k 1; que es lo que se querı́a demostrar.

En particular si m  n  p y A, B P Fnn entonces

}AB }n,n ¤ }A}n,n }B }n,n.
Es decir, }  }n,n es una norma de matriz.
c) Ya hemos visto que @A P Fnn y @x P Fn , x  0, se tiene que

k Ax km ¤k A km,n k x kn .

Y para x  0 se obtiene la igualdad de forma evidente. Por consiguiente, las normas

k  km,n , k  km y k  kn son consistentes.

d) También hemos visto más arriba que existe x0 P Fn con k x0 k 1 tal que
k A kk Ax0 k .

Como µ es consistente con k  km y k  kn resulta que

k A kk Ax0 km ¤ µpAq k x0 kn  µpAq,

tal y como se deseaba demostrar.

Ejemplo 2.9 .- Vamos a ver cómo se definen explı́citamente las normas de matriz
`p para p  1, 2, 8.

1. - La norma de matriz `1 : Sea A P Fnn y escribamos esta matriz en función

de sus columnas A  ra1 a2    an s. Vamos a probar que la norma de matriz
inducida por la norma `1 es :
ņ
k A k1  máx |aij |
¤¤
1 j n

i 1
40 Normas de Vectores y Matrices

o, equivalentemente,
k A k1  máx k aj k1
¤¤
1 j n

En efecto, pongamos M  máx k aj k1 . Entonces

¤¤
1 j n

}A}1  máx }Ax}1

}x}1 1
 }máx
x}  11
}x1a1    xnan}1 ¤
¤ máx p|x |}a }
} x}  1 1 1 1
1
   |xn|}an}1q ¤
¤ máx p|x |    |xn |qM  M máx }x}1  M
} x}  1 1
1 } x}  1 1

Por lo tanto
}A}kxk
1  máx
1
k Ax k1 ¤ M. (2.1)
1

j
Ó
Pero por otra parte, teniendo en cuenta que si ej  p0, . . . , 0, 1, 0, . . . , 0q P Fn ,
entonces para j  1, 2, . . . , n tenemos que }ej }1  1, se tiene que

M  máx }aj }1
¤¤ 
 1máx
¤j ¤n
}Aej }1 ¤
1 j n

¤ máx
¤¤
1 j n
máx }Ax}1
}x}1 1
 1máx
¤j ¤n
}Ax}1  }A}1.
De aquı́ y (2.1) obtenemos la deseada caracterización de la norma de matriz
inducida por la norma `1 .

2. - La norma de matriz `8 : De forma similar a lo que hemos visto más arriba,

vamos a demostrar que la norma de matriz inducida por la norma `8 es
ņ
k A k8  máx |aij |.
¤¤
1 i n

j 1

° n
Pongamos M  1máx
¤i¤n
|aij |. Por una parte

j 1
 
°  °
 n

k Ax k8  máx  aij xj  ¤ máx
n
|a x | ¤
1¤i¤n j 1  1¤i¤n j 1 ij j
 
°
n °
n
¤ 1máx |a
¤i¤n j 1 ij
máx |xk |
¤¤
 máx
¤¤
|aij | k x k8 
1 k n 1 i n j 1 
 M }x}8.
2.3 Normas de Matrices 41

Ası́ pues
}A}1  máx
kxk8 1 
k Ax k8 ¤ M. (2.2)

Para demostrar la desigualdad en sentido contrario vamos a probar que para

cada i  1, . . . , n existe un vector xi con }xi }8  1 tal que
 ņ 
ņ  
|aij |   aij xij  .
 (2.3)
j 1 j 1

Supuesto esto demostrado es fácil ver que }A}8 ¥ M . En efecto, para cada
i  1, . . . , n

}A}8  }xmáx
} 8 1
}Ax}8 ¥ }Axi} 
 
° 
  n

máx  aij xij  
1¤i¤n j 1 
°n
 máx
¤¤ 
1 i nj 1
|aij |  M

Ası́ pues, debemos demostrar (2.3). Basta encontrar xi tal que aij xij  |aij |.
Pero esta misma identidad nos sirve de definición:

xij  |āaij |
ij

siempre que aij  0 y xij  1 si aij  0. Con esta definición de xi tenemos que
}xi}8  1 y se verifica (2.3) porque cada sumando aij xij  |aij | es positivo.
En conclusión
ņ
}A1}8  }xmáx
}8 1
}Ax}8  M  1máx
¤i¤n
|aij |

j 1

tal y como se deseaba demostrar.

3. - La norma de matriz `2 : A la norma de matriz inducida por la norma `2 se

le llama también Norma Espectral o Norma de Operador. Veremos en
un tema posterior que tiene un significado muy importante que todavı́a no
estamos en condiciones de comprender bien.
42 Normas de Vectores y Matrices

2.4. Sucesiones y Series de Matrices

Tal y como hemos dicho en la sección anterior, el uso de normas nos permite
hablar de convergencia de sucesiones de vectores y, por lo tanto, de matrices. El
objetivo de esta sección es introducir las serie de matrices y demostrar un resultado
que necesitaremos en un tema posterior.

Sea tAk u8
k0 una sucesión infinita de matrices con elementos en F
nm
, recordemos
que F  R o C. Con esta sucesión formamos otra, la de las sumas parciales
ķ
Sk  Aj , k ¥ 0.

j 0

8
°
Definición 2.10 La serie Aj converge si la sucesión tSk u es convergente; i.e. si

j 0
existe el lı́m Sk . Además, si S
k Ñ8
 klı́m
Ñ8 k
S entonces escribiremos

8̧
Aj  S.

j 0

8
°
La convergencia de la serie Aj se puede reducir a la de la serie numérica
j 0 
8
°
}Aj } de la siguiente forma:

j 0

8
°
Proposición 2.11 Si la serie numérica }Aj } converge para alguna norma de

j 0
8
°
matriz, también converge la serie matricial Aj .

j 0

Demostración.- Sea ε ¡ 0 un número real dado. Veremos que existe un entero

N ¡ 0 tal que si p, q ¥ N entonces k Sp
Sq k  ε. Esto demuestra que la sucesión
tSnu de sumas parciales es una sucesión de Cauchy. Como Fmn es completo, tSnu
converge.
2.4 Sucesiones y Series de Matrices 43

En efecto
 q̧   p̧ 
  q̧  q̧ 

k S p
S q k 

A ¤ }Aj }   }Aj }
}Aj } .

j p 1 j  j p 1 j 0 j 0

8
°
Ahora bien, si }Aj } converge, existe N ¡ 0 tal que si p, q ¥ N entonces

j 0
 p̧ 
 q̧ 
 }A }
}A }   ε,
 j 
j 0 j
j 0

que es lo que se querı́a demostrar.

8
°
En particular, para matrices cuadradas la serie de potencias aj Aj es conver-

j 0
8
°
gente si lo es la serie numérica |aj | }A}j . En realidad, este resultado no es un caso

j 0
particular de la Proposición 2.11 pero se demuestra igual teniendo en cuenta que la
norma elegida es una norma de matriz. En efecto, basta observar que si Bj  aj Aj
entonces
}Bj } ¤ |aj | }Aj } ¤ |aj | }A}j ,
donde la última desigualdad se debe a que las normas de matriz tienen la propiedad
submultiplicativa.

Como muchas funciones escalares se pueden definir como series de potencias

convergentes en ciertas regiones del plano complejo, la posibilidad de reducir la con-
vergencia de una serie de potencias matriciales a la de sus correspondientes normas
permite definir de forma sencilla algunas funciones matriciales.
8
°
Concretamente, sea f pz q  aj z j en un entorno de z  0 con un radio de

j 0
8
°
convergencia R y consideremos la serie matricial aj Aj con A P Fnn . Si hay

j 0
8
°
alguna norma de matriz para la que }A}   R, la serie |aj | }A}j converge y

j 0
podemos definir
8̧
f pAq  aj Aj .

j 0
44 Normas de Vectores y Matrices

En particular, cada una de las siguientes funciones está perfectamente definidas:

8
eA  ° j!1 Aj , @A P Fnn.
j 0
8 p
1qj
°
senpAq  A2j 1 , @A P Fnn .
j 0 p 2j 1q !
°8 p
1qj
cospAq 
p2j q! A , @A P F .
2j nn

j 0

De la misma forma se podrı́an definir otras funciones matriciales como ln A, tanpAq,

8
°
etc. Nos interesa especialmente la serie geométrica z j que sabemos que converge

j 0
1
a
1
z
 p1
zq
1 si |z|   1:

Proposición 2.12 Si A P Fnn y }A}   1 para alguna norma

8
de matriz, entonces
°
In
A es invertible. Además, en tal caso pIn
Aq
1  Aj y }pIn
Aq
1 } ¤

j 0
1
.
1
}A}

8
°
Demostración.- Si }A}   1 entonces la serie geométrica }A}j es convergen-

j 0
8
° 8
°
te, y por la Proposición 2.11 la serie matricial Aj converge. Sea B  Aj y

j 0 
j 0
pongamos
ķ
Sk  Aj .

j 0

Entonces
pI
AqSk  pIn
AqpIn A  Ak q  In
Ak 1 .
Como lı́m Sk  B resulta que
kÑ8

lı́m pIn
AqSk  pIn
AqB,

k Ñ8
y también
lı́m pIn
AqSk  klı́m pI
Ak 1q.
k Ñ8 Ñ8 n
2.4 Sucesiones y Series de Matrices 45

Ahora bien, lı́m pIn
Ak q  In porque }In
Ak 1
In} ¤ }A}k

1 1
y la sucesión
k Ñ8
numérica t}A}k u converge a cero por ser }A}   1.

En consecuencia pIn
AqB  In y

8̧
pIn
Aq
1  B  Aj .

j 0

Finalmente
 8̧  8̧
 
}pIn
Aq
1}   Aj  ¤ }A}j  1
1}A} .
j 0 j 0
46 Normas de Vectores y Matrices