Análisis Numérico Matricial

Tema 2- Errores en la aproximación de matrices. Número de condición.

Carlos Fdez. García
Curso 2023-24

Índice
1. Errores en la aproximación a la solución de un sistema lineal. 1

2. Condición de una matriz 1

3. Cotas para el error en un sistema de ecuaciones lineales 3

4. Cotas para el error en un sistema de ecuaciones lineales en el que ∆A = 0 5

1. Errores en la aproximación a la solución de un sistema lineal.

Supongamos que tenemos un sistema de ecuaciones AX = B donde, A ∈ Mn (K) es la matriz de coeficientes y B ∈
Mn,1 (K) el vector de términos independientes.
Es común que tengamos errores tanto en la matriz A de coeficientes, como en el vector de términos independientes B
(debidos a la toma de datos o, simplemente, al redondeo debido al límite de almacenamiento de nuestro ordenador). Así
pues, nos proponemos resolver el sistema aproximado AX
e = B.e
Supongamos también que hemos encontrado, de alguna manera, una solución de dicho sistema aproximado Xe ∈ Mn,1 (K).
Evidentemente, no se cumplirá la igualdad, AX ̸= B, sino que
e

A
eXe =B
e

.
e − A, en la de términos
En este caso tendremos distintas desviaciones en todas las matrices: en la de coeficientes, ∆A = A
independientes, ∆B = Be − B y, finalmente, en la solución ∆X = X e − X.

Definición: error y resíduo

Dada una norma vectorial ∥·∥v , llamaremos:

Error en la solución al valor
X −X
e
v

Error relativo en la solución al valor

X −X
e
v
∥X∥v

Resíduo al valor
B−B
e
v

Resíduo relativo en la solución al valor

B−B
e
v
∥B∥v

2. Condición de una matriz

Definición: número de condición de una matriz

1
Para toda matriz A ∈ Mn (K), no singular, definimos el número de condición asociado a la norma matricial
∥·∥ de la misma como
K (A) = ∥A∥ A−1

Se cumple, de modo evidente, que

El número de condición de una matriz esta ligado a la norma matricial que utilicemos.
K(A) = K(A−1 ).

Teorema: cota inferior del número de condición de una matriz

Para toda A ∈ Mn (K) tenemos que

K (A) ⩾ 1

Demostración

Sabemos que, para cualquier norma matricial ∥A∥ > ρ(A) ∀A ∈ Mn (K), entonces

K (A) = ∥A∥ A−1 ⩾ AA−1 = ∥I∥ ⩾ ρ (I) = 1

Definición: distancia relativa de una matriz el conjunto de matrices singulares

Dada una norma matricial sobre Mn (K), ∥·∥, y una matriz A ∈ Mn (K), definimos la distancia relativa de A al
conjunto de matrices singulares de Mn (K) como
 
∥A − S∥
dist(A) = mı́n : S ∈ Mn (K), det(S) = 0
∥A∥

Teorema: cota para la distancia relativa de una matriz al conjunto de matrices singulares

Sea A ∈ Mn (K) no singular, entonces

1
dist(A) ⩾
K(A)

Demostración

Procedemos por pasos:

1. En primer lugar, probemos que, si S es singular, se cumple que ∥I − S∥ ⩾ 1. Para ello, supongamos que existe
S tal que

1 > ∥I − S∥ =⇒ 1 > ∥I − S∥ > ρ (I − S) =⇒ (|I − S − λI| = 0 ⇐⇒ |λ| < 1) =⇒

=⇒ (|(1 − λ) I − S| = 0 ⇐⇒ |λ| < 1)

lo cual implica que S no tiene ningún autovalor nulo ya que |λ| < 1 =⇒ 1−λ ̸= 0. Pero esto entra en contradicción
con que S sea singular.

2. Sea S singular y A no singular, ambas matrices cuadradas de las mismas dimensiones

A−1 ∥A − S∥ ⩾ A−1 (A − S) = ∥I − AS∥ ⩾ 1 ⇐⇒

∥A − S∥ 1 1
⇐⇒ ⩾ =
∥A∥ ∥A∥ ∥A−1 ∥ K (A)

2
 por lo tanto
∥A − S∥ 1
dist (A) = mı́n ⩾
|S|=0 ∥A∥ K (A)

Corolario: relación de la distancia relativa de una matriz al conjunto de matrices singulares son su
norma 2

Si la norma matricial es ∥·∥2 , entonces

1
dist2 (A) =
K2 (A)

Demostración

Sabemos que, si los valores singulares de A son µ1 ⩾ µ2 ⩾ ... ⩾ µn > 0, la mejor aproximación a A en norma 2 por
una matriz singular será ∥A − An−1 ∥2 = µn y, por otro lado, ∥A∥2 = µ1 y A−1 2 = µ−1 n , entonces

∥A − An−1 ∥2 1
dist2 (A) = =
∥A∥2 K2 (A)

Ejemplo

Consideramos el sistema     
1,01 0,99 x 2
=
0,99 1,01 y 2
Si calculamos los autovalores de A∗ A obtenemos µ1 = 4 y µ2 = 0,0004, por lo tanto, tendremos ∥A∥2 = 2 y
−1 1
A 2
= 0,02 = 50. Entonces
K (A) = ∥A∥1 A−1 1 = 100
Por lo tanto, dist(A) = 0,01 y la matriz está relativamente próxima a ser singular.

3. Cotas para el error en un sistema de ecuaciones lineales

Teorema: cotas para el error de aproximación a la solución de un sistema lineal

Supongamos que tenemos una norma vectorial ∥·∥v sobre Kn y su norma matricial inducida ∥·∥M . Sea X
e = X + ∆X
una solución al sitema Ax = B, es decir
e e

(A + ∆A )(X + ∆X ) = (B + ∆B )

que satisfaciéndose que A−1 M

∥∆A ∥M < 1 y B ̸= 0, entonces
 
∥∆X ∥v K(A) ∥∆B ∥v ∥∆A ∥M
⩽ ∥∆A ∥M
+ (1)
∥X∥v 1 − K(A) ∥A∥ ∥B∥v ∥A∥M
M

Demostración

Despejando ∆X en la ecuación (A + ∆A )(X + ∆X ) = (B + ∆B ), tenemos

(A + ∆A )(X + ∆X ) = B + ∆B ⇒ AX + ∆A X + (A + ∆A )∆X = B + ∆B ⇒
⇒ ∆A X + (A + ∆A )∆X = ∆B ⇒ (A + ∆A )∆X = ∆B − ∆A X

3
aprovechando en el penúltimo paso que AX = B.
Desde el principio, nuestro plan ha sido aislar ∆X en la parte izquierda de la igualdad y para ello, tendremos
que invertir la matriz (A + ∆A ). Éste último asunto resulta un poco aventurado y para evitar todas las posibles
dificultades, vamos a multiplicar toda la expresión por A−1 . Así, tendríamos

A−1 (A + ∆A ) ∆X = A−1 (∆B − ∆A X) ⇒ I + A−1 ∆A ∆X = A−1 (∆B − ∆A X)

−1
Ahora bien, sabemos que, para toda matriz B, si ρ (B) < 1 existe (I − B) y, además

−1 1
(I − B) ⩽
1 − ∥B∥

Así, como
ρ A−1 ∆A ⩽ A−1 ∆A ⩽ A−1


M M
∥∆A ∥M
si exigimos, como en el enunciado, que
A−1 M
∥∆A ∥M < 1

−1
tenemos que existe I + A−1 ∆A y, entonces

−1
∆X = I + A−1 ∆A A−1 (∆B − ∆A X)

Ahora, usando las propiedades básicas de las normas y que las normas matricial y vectorial que usamos son
equivalentes, tenemos

−1
−1
∥∆X ∥v = I − A−1 ∆A A−1 (∆B − ∆A X) ⩽ I − A−1 ∆A A−1 M ∥∆B − ∆A X∥v ⩽
v M

−1
⩽ I − A−1 ∆A A−1 M (∥∆B ∥v + ∥∆A X∥v ) ⩽
M

−1
⩽ I − A−1 ∆A A−1 M (∥∆B ∥v + ∥∆A ∥M ∥X∥v ) ⩽
M
1 A−1
⩽ A−1 (∥∆B ∥v + ∥∆A ∥M ∥X∥v ) ⩽ M
(∥∆B ∥v + ∥∆A ∥M ∥X∥v )
1− ∥A−1 ∆ A ∥M
M 1− ∥A−1 ∥M ∥∆A ∥M

Dividiendo entre la norma de X

A−1 M
 
∥∆X ∥v ∥∆B ∥v
⩽ + ∥∆A ∥M
∥X∥v 1 − ∥A−1 ∥M ∥∆A ∥M ∥X∥v

A continuación, manipulamos para dejar la expresión en función de la condición de A y los errores relativos en
AyB

A−1 M ∥A∥M
 
∥∆X ∥v ∥∆B ∥v ∥∆A ∥M
⩽ + =⇒
∥X∥v 1 − ∥A−1 ∥M ∥∆A ∥M ∥A∥M ∥X∥v ∥A∥M
 
∥∆X ∥v KM (A) ∥∆B ∥v ∥∆A ∥M
=⇒ ⩽ + =⇒
∥X∥v 1 − ∥A−1 ∥M ∥∆A ∥M ∥A∥M ∥X∥v ∥A∥M
 
∥∆X ∥v KM (A) ∥∆B ∥v ∥∆A ∥M
=⇒ ⩽ ∥∆A ∥M
+ =⇒
∥X∥v 1 − ∥A−1 ∥M ∥A∥M ∥A∥ ∥A∥M ∥X∥v ∥A∥M
M
 
∥∆X ∥v KM (A) ∥∆B ∥v ∥∆A ∥M
=⇒ ⩽ ∥∆A ∥M
+
∥X∥v 1 − KM (A) ∥A∥ ∥A∥M ∥X∥v ∥A∥M
M

Para terminar, tenemos en cuenta que AX = B y, por lo tanto, ∥B∥v = ∥AX∥v ⩽ ∥A∥M ∥X∥v y, usando
ésto,llegamos a la expresión buscada
 
∥∆X ∥v KM (A) ∥∆B ∥v ∥∆A ∥M
⩽ ∥∆ ∥
+
∥X∥v 1 − KM (A) A M ∥B∥v ∥A∥M
∥A∥M

4
4. Cotas para el error en un sistema de ecuaciones lineales en el que ∆A = 0
Esta situación se da cuando cometemos el error en la aproximación de la solución, es decir, al solucionar el sistema, no
encontramos la solución real, X, sino una aproximada X.
e

Teorema: cotas para un sistema con error sólo en el término independiente

Supongamos que tenemos una norma vectorial ∥·∥v sobre Kn y su norma matricial inducida ∥·∥M . Sea A ∈ Mn (K)
una matriz no singular y AX = B un sistema lineal de ecuaciones. Entonces

1 B − AXe X −X
e B − AX
e
v v v
⩽ ⩽ K (A)
K (A) ∥B∥v ∥X∥v ∥B∥v

Demostración

La segunda desigualdad no es más que un corolario del teorema anterior.

En cuanto a la primera, tengamos en cuenta que A∆X = ∆B lo cual y que AX = B, así

∥X∥v ⩽ A−1 M ∥B∥v


⇒ ∥X∥v ∥∆B ∥v ⩽ A−1 ∥B∥v ∥A∥M ∥∆X ∥v ⇒
∥∆B ∥v ⩽ ∥A∥M ∥∆X ∥v M

1 ∥∆B ∥M ∥∆X ∥v
⇒ ∥X∥v ∥∆B ∥v ⩽ K(A) ∥B∥v ∥∆X ∥v ⇒ ⩽
K(A) ∥B∥M ∥X∥v

Si K (A) ⪆ 1, el resíduo relativo es una buena aproximación del error relativo, ya que K (A) y 1/K (A) serán valores
próximos. En este caso se suele decir que el sistema, o la matriz, está bien condicionado.
Por el contrario si K (A) ≫ 1, K (A) y 1/K (A) tendrán valores muy diferentes. En este caso no podemos asegurar que
el residuo relativo sea una buena estimación del error relativo. Se suele decir, entonces, que el sistema, o matriz, está mal
condicionado.

Ejemplo

 
1
Consideramos el sistema anterior, cuya solución es, como sabemos X = . Tendremos entonces que
1
   
1,01 0,99 2
X=
0,99 1,01 2

Supongamos que hemos aproximado la solución, por algún método, mediante

 
2
X
e=
0
.
Si no supiésemos la solución real y confíasemos en el valor del resíduo y el resíduo relativo, tendriamos
√
      
2 1,01 0,99 2 −0,02
∥∆B ∥2 = B − AX = e − = = 0,02 2
2 2 0,99 1,01 0 2
0,02 2
√
y, como, ∥B∥2 = 2 2, tendriamos
∥∆B ∥2
= 0,01
∥B∥2
Lo cual parece una buena aproximación. Ahora bien, si calculamos el error relativo, tendremos
 
−1
∥∆X ∥2 1
=   2 =1
∥X∥2 1
1 2

5
que es una aproximación bastante mala, como sabíamos.
El fenómeno se debe a que nuestra matriz no está bien condicionada y, entonces

1 ∥∆B ∥2 ∥∆X ∥2 ∥∆B ∥2 ∥∆X ∥2

⩽ ⩽ K(A) ⇔ 10−4 ⩽ ⩽1
K(A) ∥B∥2 ∥X∥2 ∥B∥2 ∥X∥2

es decir, una buena aproximación en el resíduo, no nos garantiza una buena aproximación de la solución.