In matematica, una norma matriciale è la naturale estensione alle matrici del concetto di norma definito per i vettori.
Una norma sullo spazio vettoriale
delle matrici a elementi nel campo
è una funzione
tale che per ogni coppia di matrici
e
e per ogni scalare
si verifica:
se e solo se
(matrice nulla)
![{\displaystyle \|\lambda A\|=|\lambda |\|A\|}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ac973b87ff8d84799f626de114bf620aa087c94e)
![{\displaystyle \|A+B\|\leq \|A\|+\|B\|}](https://wikimedia.org/api/rest_v1/media/math/render/svg/40903c28d5a238fac07dab341f5c936b4c9828ef)
Si riconoscono quindi esattamente le stesse proprietà delle norme vettoriali; ciò riflette il fatto che lo spazio delle matrici è isomorfo allo spazio di vettori
(per esempio tramite l'applicazione che manda una matrice nel vettore che contiene una dopo l'altra le sue righe) e quindi una norma matriciale deve avere perlomeno le stesse proprietà di una norma vettoriale.
In più, se
, cioè le matrici sono quadrate, generalmente si chiede che venga soddisfatta anche la proprietà di sub-moltiplicatività:
![{\displaystyle \|AB\|\leq \|A\|\|B\|}](https://wikimedia.org/api/rest_v1/media/math/render/svg/52b020c8f0dd0ad497583706d7c425966fe2aabd)
Se è vera la sub-moltiplicatività si ricava subito che per la matrice identità vale
.
Lo spazio
munito di una norma sub-moltiplicativa è un esempio di algebra di Banach.
Se è data una norma su
(
saranno i numeri reali o i numeri complessi), che per distinguere si indicherà con
, allora è definita una norma su
, detta norma indotta, in questo modo:
![{\displaystyle \|A\|=\sup _{|x|=1}|Ax|=\sup _{x\neq 0}{\frac {|Ax|}{|x|))}](https://wikimedia.org/api/rest_v1/media/math/render/svg/270a86982f1b49a980769b43625b6e90411443f8)
Essa coincide con la norma della trasformazione lineare
associata alla matrice, vista come operatore lineare continuo tra spazi di Banach, che si dà in analisi funzionale.
Nel caso quadrato, questa norma risulta sub-moltiplicativa se viene usato lo stesso tipo di norma sia nel dominio sia nel codominio. Per esempio, se per i vettori utilizziamo una delle norme p otteniamo delle norme, che si chiameranno sempre norme p, così definite:
![{\displaystyle \|A\|_{p}=\sup _{|x|_{p}=1}|Ax|_{p))](https://wikimedia.org/api/rest_v1/media/math/render/svg/3ad4bb69c3bc7362086cdeae3e1a3031cda8a692)
Nel caso
, la norma si dice anche norma operatoriale.
Per una norma indotta è sempre vero che
e che
. Per una norma qualsiasi, se ciò accade allora si dice che la norma è compatibile rispetto alla norma
.
Per alcuni valori particolari di
si dimostra che valgono alcune identità che facilitano il calcolo:
![{\displaystyle \|A\|_{1}=\max _{j=1,\ldots ,n}\sum _{i=1}^{m}|a_{ij}|}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1ad9735e381b38b9b05a25c41cd7741d7ffef860)
![{\displaystyle \|A\|_{\infty }=\max _{i=1,\ldots ,m}\sum _{j=1}^{n}|a_{ij}|}](https://wikimedia.org/api/rest_v1/media/math/render/svg/07a3286b0b1ee18ed643f9c6ec2c354b9ca5c569)
Ne segue immediatamente che
; dunque se
è simmetrica
. In più, se
vale:
![{\displaystyle \|A\|_{2}={\sqrt {\rho (A^{*}A)))}](https://wikimedia.org/api/rest_v1/media/math/render/svg/43fd02f46bc23af2d2dc181b7a4d7b44b9f33f0c)
dove
è la trasposta coniugata di
(la trasposta nel caso reale) e
è il raggio spettrale di
, cioè il massimo tra i suoi autovalori in valore assoluto. Il caso
è detto anche norma spettrale. Se
è simmetrica allora l'uguaglianza si riduce a:
![{\displaystyle \|A\|_{2}=\rho (A)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/b780d59f555fbfdf22c1d6b43484147a7b69d37d)
Vale anche sempre che:
![{\displaystyle \|A\|_{2}\leq {\sqrt {\|A\|_{1}\|A\|_{\infty ))))](https://wikimedia.org/api/rest_v1/media/math/render/svg/957b508d0c97031769c2251a3ac6004422571ae3)
Qualsiasi norma indotta soddisfa la disuguaglianza:
![{\displaystyle \|A\|\geq \rho (A)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d1f53f6b29976d897adaa66d0c14aa74c82b116f)
e inoltre vale che:
![{\displaystyle \lim _{r\to \infty }\|A^{r}\|^{1/r}=\rho (A)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ca3bce7a34387bd85b64bb126e0b5634ea53a092)
Una norma matriciale
su
è detta compatibile con una norma vettoriale
su
e una norma vettoriale
su
se:
![{\displaystyle \|Ax\|_{b}\leq \|A\|_{ab}\|x\|_{a))](https://wikimedia.org/api/rest_v1/media/math/render/svg/210c8fe24f203bd2d29730b7bcc73e63f751585e)
per ogni
e per ogni
. Tutte le norme indotte sono compatibili per definizione.
Diffuse sono anche le norme che valutano la matrice "componente per componente", cioè equiparandola al vettore avente come componenti le entrate della matrice. Per esempio, i corrispettivi delle norme p vettoriali per le matrici, che si chiameranno sempre norme p (ma che sono distinte dalle norme p indotte), sono:
![{\displaystyle \|A\|_{p}=\left(\sum _{i=1}^{m}\sum _{j=1}^{n}|a_{ij}|^{p}\right)^{1/p))](https://wikimedia.org/api/rest_v1/media/math/render/svg/775c64d1038e075a4acf637014867ef57690d716)
In quanto sostanzialmente sono norme vettoriali, queste norme p sono sub-moltiplicative.
Come prima, il caso
assume una certa importanza: esso viene detto anche norma di Frobenius ed è definibile anche come:
![{\displaystyle \|A\|_{2}=\|A\|_{F}={\sqrt {\sum _{i=1}^{m}\sum _{j=1}^{n}|a_{ij}|^{2))}={\sqrt ((\mbox{tr))(A*A^{T})))={\sqrt {\sum _{i=1}^{\min\{m,n\))\sigma _{i}^{2))))](https://wikimedia.org/api/rest_v1/media/math/render/svg/f52e0f4721cbb91059c6964022129c0e59856403)
dove
è la traccia di
e
sono i valori singolari di
.
Una proprietà singolare della norma di Frobenius è che se con
indichiamo le colonne di
, allora vale la seguente uguaglianza:
![{\displaystyle \|A\|_{F}^{2}=\|A_{1}\|_{2}^{2}+\|A_{2}\|_{2}^{2}+\ldots +\|A_{n}\|_{2}^{2))](https://wikimedia.org/api/rest_v1/media/math/render/svg/3b486affb6708d71531d148fb32c984a4c756139)
Per ogni coppia di norme matriciali
e
valgono le disuguaglianze:
![{\displaystyle c_{1}\|A\|_{p}\leq \|A\|_{q}\leq c_{2}\|A\|_{p}\qquad c_{1},c_{2}>0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/0636ce94e93744eb39ed27f299dcf136490829a6)
cioè le due norme sono equivalenti. Esse quindi inducono la stessa topologia su
.
Di seguito sono riportati alcuni esempi di tali costanti
per una matrice reale:
![{\displaystyle \|A\|_{2}\leq \|A\|_{F}\leq {\sqrt {n))\|A\|_{2))](https://wikimedia.org/api/rest_v1/media/math/render/svg/4fc2d581b1d25968fa50a67ef58442763ac2dee7)
![{\displaystyle \|A\|_{max}\leq \|A\|_{2}\leq {\sqrt {mn))\|A\|_{max))](https://wikimedia.org/api/rest_v1/media/math/render/svg/72e37e6c89919eefeace6262191eb0e213401264)
![{\displaystyle {\frac {1}{\sqrt {n))}\|A\|_{\infty }\leq \|A\|_{2}\leq {\sqrt {m))\|A\|_{\infty ))](https://wikimedia.org/api/rest_v1/media/math/render/svg/981f98060717da1bf4bd835caf28dbe58b7efdee)
![{\displaystyle {\frac {1}{\sqrt {m))}\|A\|_{1}\leq \|A\|_{2}\leq {\sqrt {n))\|A\|_{1))](https://wikimedia.org/api/rest_v1/media/math/render/svg/c271a8421a46ffc424f93c5fea76dfa5e58b3742)
dove
rappresenta la norma infinito indotta e
la sua norma uniforme, cioè il massimo dei moduli dei suoi elementi.
- (EN) James W. Demmel, Applied Numerical Linear Algebra, section 1.7, SIAM, 1997.
- (EN) Carl D. Meyer, Matrix Analysis and Applied Linear Algebra, SIAM, 2000. [1]
- (EN) John Watrous, Theory of Quantum Information, 2.3 Norms of operators, lecture notes, University of Waterloo, 2011.
- (EN) Kendall Atkinson, An Introduction to Numerical Analysis, John Wiley & Sons, Inc 1989
- (EN) Higham, N. J. "Matrix Norms." §6.2 in Accuracy and Stability of Numerical Algorithms. Philadelphia: Soc. Industrial and Appl. Math., 1996.
- (EN) Horn, R. A. and Johnson, C. R. "Norms for Vectors and Matrices." Ch. 5 in Matrix Analysis. Cambridge, England: Cambridge University Press, 1990.