Los valores son:
- 1x2+2x5+3x11= 45
- 1x3+2x7+3x13=56
- 4x2+5x5+6x11=99
- 4x3+5x7+9x11=125
- 7x2+8x5+9x11=153
- 7x3+8x7+9x13=194
- 10x2+11x5+12x11=207
- 10x3+11x7+12x13=263
[[ 45 56]
[ 99 125]
[153 194]
[207 263]]
¿Cómo se define el producto interno entre matrices?
El producto interno entre matrices es uno de los conceptos más útiles y fascinantes de la álgebra lineal. Nos permite combinar matrices de manera que se puedan aprovechar sus propiedades para cálculos más complejos. En particular, el producto interno entre dos matrices está definido cuando el número de columnas de la primera matriz es idéntico al número de filas de la segunda. Esto se traduce en que las dimensiones de las matrices involucradas deben estar alineadas adecuadamente.
Esta operación es esencial en campos como la computación, donde se utilizan matrices para representar datos y para realizar cálculos avanzados de manera eficiente. Veamos cómo se aplica este concepto a través de un ejemplo práctico.
¿Cómo aplicamos el producto interno a dos matrices?
Para ilustrar el producto interno, consideremos las matrices A y B. La matriz A es de dimensiones 4x3 y la matriz B es de dimensiones 3x2. En este caso, el producto interno (A \cdot B) es posible, pero el producto (B \cdot A) no lo es.
Paso a paso del producto (A \cdot B)
La operación (A \cdot B) es posible porque el número de columnas de A coincide con el número de filas de B, es decir, 3. Esta coincidencia nos permite realizar el producto interno. Echemos un vistazo al proceso:
Multi-step Calculation: Se multiplica cada elemento de la fila de A por el elemento correspondiente de la columna de B, y luego se suman estos productos.
Iteración por filas y columnas: Se repite el proceso para cada fila de A y cada columna de B hasta llenar una nueva matriz resultante. La matriz resultante tendrá las dimensiones ((4x2)), derivadas del número de filas de A y el número de columnas de B.
El resultado nos da una nueva matriz cuya dimensión es 4x2, que resulta de esta multiplicación de matrices individuales.
# Ejemplo de matrices A y B import numpy as np A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]) B = np.array([[2, 3], [5, 7], [11, 13]]) # Realizando el producto interno C = np.dot(A, B) print(C)
Este código en Python ilustra cómo se calcula el producto interno usando la biblioteca NumPy, que simplifica el manejo de operaciones matriciales. Este ejemplo resulta en una matriz resultante de 4x2, conforme a nuestras expectativas.
¿Qué sucede cuando el producto interno no está definido?
Intentar calcular el producto interno de (B \cdot A) nos lleva a un error porque las dimensiones correspondientes no coinciden. En lugar de corregir el cálculo, detengamos un momento para entender la razón detrás del error.
El problema radica en que el número de columnas de B (que es 2) no coincide con el número de filas de A (que es 4). Esto implica que el producto no está definido bajo las reglas del álgebra lineal, lo cual suele conducir a errores en los sistemas de programación, indicándonos que las dimensiones no son compatibles.
Consejos prácticos para evitar errores
NumPy, ya que proporcionan funciones para realizar estas comprobaciones automáticamente y manejar matrices grandes de manera eficiente.Te animo a que pongas en práctica este conocimiento calculando el resultado del producto interno de las matrices proporcionadas y completando los valores faltantes en el ejercicio propuesto. ¡Continúa explorando y desarrollando tus habilidades de álgebra lineal!
El producto interno entre matrices es uno de los conceptos más útiles y fascinantes de la álgebra lineal. Nos permite combinar matrices de manera que se puedan aprovechar sus propiedades para cálculos más complejos. En particular, el producto interno entre dos matrices está definido cuando el número de columnas de la primera matriz es idéntico al número de filas de la segunda. Esto se traduce en que las dimensiones de las matrices involucradas deben estar alineadas adecuadamente.
Esta operación es esencial en campos como la computación, donde se utilizan matrices para representar datos y para realizar cálculos avanzados de manera eficiente. Veamos cómo se aplica este concepto a través de un ejemplo práctico.
Para ilustrar el producto interno, consideremos las matrices A y B. La matriz A es de dimensiones 4x3 y la matriz B es de dimensiones 3x2. En este caso, el producto interno (A \cdot B) es posible, pero el producto (B \cdot A) no lo es.
La operación (A \cdot B) es posible porque el número de columnas de A coincide con el número de filas de B, es decir, 3. Esta coincidencia nos permite realizar el producto interno. Echemos un vistazo al proceso:
Multi-step Calculation: Se multiplica cada elemento de la fila de A por el elemento correspondiente de la columna de B, y luego se suman estos productos.
Iteración por filas y columnas: Se repite el proceso para cada fila de A y cada columna de B hasta llenar una nueva matriz resultante. La matriz resultante tendrá las dimensiones ((4x2)), derivadas del número de filas de A y el número de columnas de B.
El resultado nos da una nueva matriz cuya dimensión es 4x2, que resulta de esta multiplicación de matrices individuales.
# Ejemplo de matrices A y B
import numpy as np
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
B = np.array([[2, 3], [5, 7], [11, 13]])
# Realizando el producto interno
C = np.dot(A, B)
print(C)
Este código en Python ilustra cómo se calcula el producto interno usando la biblioteca NumPy, que simplifica el manejo de operaciones matriciales. Este ejemplo resulta en una matriz resultante de 4x2, conforme a nuestras expectativas.
Intentar calcular el producto interno de (B \cdot A) nos lleva a un error porque las dimensiones correspondientes no coinciden. En lugar de corregir el cálculo, detengamos un momento para entender la razón detrás del error.
El problema radica en que el número de columnas de B (que es 2) no coincide con el número de filas de A (que es 4). Esto implica que el producto no está definido bajo las reglas del álgebra lineal, lo cual suele conducir a errores en los sistemas de programación, indicándonos que las dimensiones no son compatibles.
NumPy, ya que proporcionan funciones para realizar estas comprobaciones automáticamente y manejar matrices grandes de manera eficiente.Te animo a que pongas en práctica este conocimiento calculando el resultado del producto interno de las matrices proporcionadas y completando los valores faltantes en el ejercicio propuesto. ¡Continúa explorando y desarrollando tus habilidades de álgebra lineal!
Los valores son:
[[ 45 56]
[ 99 125]
[153 194]
[207 263]]
Producto interno entre dos matrices Para que dos matrices puedan ser tener un producto interno el número de columnas del primero debe ser igual al número de filas del segundo. Posteriormente realiza un producto interno entre los vectores fila de la primera matriz con los vectores columna de la segunda matriz generando un nueva matriz que tendrá las dimensiones del número de filas de la primera matriz y el número de columnas de la segunda matriz
Si quieren entender el porqué del producto interno, hay una serie de videos de álgebra lineal de 3Blue1Brown Español que explica muy bien su relacion con las transformaciones lineales. Dejo el link de la playlist y del video de producto de matrices en particular (que es sobre lo que trata esta clase). Espero les sirva :D Playlist "Esencia del Álgebra Lineal": https://www.youtube.com/watch?v=0Ndnzx6AyaA&list=PLIb_io8a5NB2DddFf-PwvZDCOUNT1GZoA "Transformaciones lineales y matrices": https://www.youtube.com/watch?v=YJfS4_m_0Z8&list=PLIb_io8a5NB2DddFf-PwvZDCOUNT1GZoA&index=4
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a)
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
b = np.array([[1, 2], [3, 4], [5, 6]])
print(b)
[[1 2]
[3 4]
[5 6]]
print(a.dot(b))
[[ 22 28]
[ 49 64]
[ 76 100]
[103 136]]
res = np.array([
[(1 * 1) + (2 * 3) + (3 * 5), (1 * 2) + (2 * 4) + (3 * 6)],
[(4 * 1) + (5 * 3) + (6 * 5), (4 * 2) + (5 * 4) + (6 * 6)],
[(7 * 1) + (8 * 3) + (9 * 5), (7 * 2) + (8 * 4) + (9 * 6)],
[(10 * 1) + (11 * 3) + (12 * 5), (10 * 2) + (11 * 4) + (12 * 6)]
])
print(res)
[[ 22 28]
[ 49 64]
[ 76 100]
[103 136]]
Genial, empiezo a recordar mis clases de algebra en la universidad!
¿Se puede mejorar el algoritmo de multiplicación de matrices?
Respuesta Corta: Si
Respuesta Larga: La AI de DeepMind lo logra y es tema de portada Octubre 2022 revista Nature
Dejo enlace del artículo aquí

Para los que no quieren escribir las matrices, les dejo mi aporte.
A = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]) B = np.array([[2,3], [5,7], [11,13]])
Solo dire que... aqui el orden los factores si altera el producto. ó da error XD
Razones para usar pycharm: Visualización de matrices (:

Atentos, las columnas de el primer elemento en este caso A debe ser igual que las filas del segundo elemento en este caso B