muy importante observen que:
- “producto interno” toma dos vectores y regresa un escalar.
- “producto externo” toma dos vectores y devuelve una matriz.(este no se menciono pero vale la pena lo revisen)
¿Qué es el producto interno y cómo se diferencia de la multiplicación de matrices?
El producto interno es fundamental en álgebra lineal y se distingue de la simple multiplicación de una matriz por un vector, ya que implica no solo una operación matemática sino también una comprensión más profunda de cómo interactúan los vectores en el espacio. Mientras que la multiplicación estándar de matrices y vectores proporciona una nueva matriz, el producto interno resulta en un vector de una dimensión específica. ¿Quieres conocer más a fondo estas operaciones y entender cómo utilizarlas en tus proyectos? ¡Acompáñame mientras desglosamos el proceso!
Multiplicación de matriz por vector
Cuando multiplicamos una matriz por un vector, el resultado es otra matriz si se cumplen las condiciones de tamaño. Por ejemplo, considere una matriz de tamaño 3x2 y un vector de dimensión 2. Al multiplicarlos, obtienes una nueva matriz que mantiene ciertas propiedades originales mientras multiplica cada componente del vector con las columnas correspondientes de la matriz.
# Ejemplo código para multiplicación de matriz por vector import numpy as np # Definiendo la matriz y el vector matriz = np.array([[1, 2], [3, 4], [5, 6]]) vector = np.array([2, 3]) # Multiplicación de matriz por vector resultado_matriz = np.dot(matriz, vector) print(resultado_matriz)
En este ejemplo, el proceso de "broadcasting" toma lugar al multiplicar la primera columna por 2 y la segunda columna por 3, obteniendo resultados individuales que se suman.
¿Cómo se realiza el producto interno de una matriz y un vector?
El producto interno, también conocido como "dot product" o "producto escalar", implica multiplicar las correspondientes entradas de matriz y vector y luego sumar estos productos. A diferencia de la multiplicación de matriz, el resultado es un vector donde cada elemento es una suma de productos diferentes.
# Ejemplo código para producto interno resultado_producto_interno = np.inner(matriz, vector) print(resultado_producto_interno)
Aquí, cada elemento del resultado es calculado multiplicando los elementos correspondientes del vector y la matriz, luego sumándolos. Esto da un resultado específico basado en las dimensiones del vector y del número de filas en la matriz.
Consideraciones y ejercicios para profundizar
numpy que ofrecen funciones definidas como np.dot().Este conocimiento no solo es esencial para quienes quieren adentrarse en campos como el machine learning o data science, sino que también es una habilidad clave en la programación y la resolución de problemas matemáticos complejos. ¡Sigue explorando y no dudes en preguntar lo que necesites! Nos vemos en la próxima clase.
El producto interno es fundamental en álgebra lineal y se distingue de la simple multiplicación de una matriz por un vector, ya que implica no solo una operación matemática sino también una comprensión más profunda de cómo interactúan los vectores en el espacio. Mientras que la multiplicación estándar de matrices y vectores proporciona una nueva matriz, el producto interno resulta en un vector de una dimensión específica. ¿Quieres conocer más a fondo estas operaciones y entender cómo utilizarlas en tus proyectos? ¡Acompáñame mientras desglosamos el proceso!
Cuando multiplicamos una matriz por un vector, el resultado es otra matriz si se cumplen las condiciones de tamaño. Por ejemplo, considere una matriz de tamaño 3x2 y un vector de dimensión 2. Al multiplicarlos, obtienes una nueva matriz que mantiene ciertas propiedades originales mientras multiplica cada componente del vector con las columnas correspondientes de la matriz.
# Ejemplo código para multiplicación de matriz por vector
import numpy as np
# Definiendo la matriz y el vector
matriz = np.array([[1, 2], [3, 4], [5, 6]])
vector = np.array([2, 3])
# Multiplicación de matriz por vector
resultado_matriz = np.dot(matriz, vector)
print(resultado_matriz)
En este ejemplo, el proceso de "broadcasting" toma lugar al multiplicar la primera columna por 2 y la segunda columna por 3, obteniendo resultados individuales que se suman.
El producto interno, también conocido como "dot product" o "producto escalar", implica multiplicar las correspondientes entradas de matriz y vector y luego sumar estos productos. A diferencia de la multiplicación de matriz, el resultado es un vector donde cada elemento es una suma de productos diferentes.
# Ejemplo código para producto interno
resultado_producto_interno = np.inner(matriz, vector)
print(resultado_producto_interno)
Aquí, cada elemento del resultado es calculado multiplicando los elementos correspondientes del vector y la matriz, luego sumándolos. Esto da un resultado específico basado en las dimensiones del vector y del número de filas en la matriz.
numpy que ofrecen funciones definidas como np.dot().Este conocimiento no solo es esencial para quienes quieren adentrarse en campos como el machine learning o data science, sino que también es una habilidad clave en la programación y la resolución de problemas matemáticos complejos. ¡Sigue explorando y no dudes en preguntar lo que necesites! Nos vemos en la próxima clase.
muy importante observen que:
Existe otra manera de hacer producto punto, con la letra "@"m por ejemplo : Matriz_A @ Matriz_B ;)
El profesor está multiplicando una matriz de 3x2, con un vector (matriz de 1x2). Eso no es válido. Python lo que hace es interpretar ese vector de 1x2 como una matriz columna de 2x1 (2 filas y una columna) y luego hace la multiplicación de la manera como lo hace el profesor.
(3x2) * (1x2) no está definida la multiplicación (3x2) * (2x1) Es posible multiplicar. El resultado es una matriz de 3 filas y 1 columna.
Aclaro como funciona porque la representación gráfica que hace el profesor al multiplicar puede llevar a confusión.
Producto de matrices y vectores Podemos usar el producto simple * que en python hace una multiplicación elemento a elemento y lo coloca en su posición respectiva (hace un broadcasting al igual que la suma) Producto punto de matrices y vectores Usa la definición del producto punto, es decir suma la multiplicación de elementos dos a dos, generando un producto punto por cada vector de la matriz
Me dio curiosidad y realice un producto interno entre tensores y matrices. Descubrí que se puede hacer producto interno de ambos lados mientras las dimensiones sean correctas. Por lo tanto también se pueden hacer producto interno entre matrices. Este es mi código de mis pruebas:
matriz1 = np.array([[1,2,3],[3,4,5]])
tensor = np.array([
[[1,2],[3,4],[5,6]],
[[1,2],[3,4],[5,6]],
[[1,2],[3,4],[5,6]]
])
D = np.dot(matriz1 , tensor)
E = np.dot(tensor , matriz1)
F = np.dot(matriz1 , matriz1.T)
G = np.dot(matriz1.T, matriz1)
print('D:')
print(D)
print('E:')
print(E)
print('F:')
print(F)
print('G:')
print(G)
Y los resultados que obtuve son:
D:
[[[22 28]
[22 28]
[22 28]]
[[40 52]
[40 52]
[40 52]]]
E:
[[[ 7 10 13]
[15 22 29]
[23 34 45]]
[[ 7 10 13]
[15 22 29]
[23 34 45]]
[[ 7 10 13]
[15 22 29]
[23 34 45]]]
F:
[[14 26]
[26 50]]
G:
[[10 14 18]
[14 20 26]
[18 26 34]]
Los invito a probar y a averiguar cuales es el orden de las operaciones para obtener estos resultados.
Hola..!! :) Este es el código que utilicé para crear el producto interno:
import numpy as np
vector = np.array([2,3,5])
print("\nVector: ",vector)
matriz = np.array([[1,2,3], [4, 5, 6], [7, 8, 9]])
print("\nMatriz: ",matriz)
A = matriz.dot(vector)
print("\nmatrizXvector: ",A)
B = vector.dot(matriz)
print("\nvectorXmatriz: ",B)
Los resultados fueron los siguientes:
Vector: [2 3 5]
Matriz: [[1 2 3]
[4 5 6]
[7 8 9]]
matrizXvector: [23 53 83]
vectorXmatriz: [49 59 69]
Y cómo se puede apreciar.. los resultados no son iguales..
En python, Las operaciones A = matriz * vector y A = vector * matriz dan el mismo resultado, pero las operaciones A = matriz.dot(vector) y A = vector.dot(matriz) no. La primera es la forma correcta, la segunda arroja un error, tal como indican las reglas de algebra lineal.
Producto punto (escalar o interno) En algebra lineal el producto punto es una de las formas de multiplicación de matrices; consiste en que por cada elemento del vector A lo multiplicaremos por el elemento correspondiente en e vector B y su producto será sumado con los siguientes componentes en el mismo orden, mejor vean la imagen >-<
[a,b].[d,e] = ((a.c)+(b.c))
Estaba confundido ya que por lo general el producto punto nos devuelve un escalar, pero buscando informacion eso depende de las dimensiones del array;
Producto punto en una dimensión (vectores)
a = np.array([2, 1, 5, 4])
b = np.array([3, 4, 7, 8])
pp = np.dot(a, b)
>>77
En ese caso obtenemos un escalar, ya que estamos trabajando en una dimensión
Producto punto en dos dimensiones (matrices) Se resuelve en la siguiente clase jajaja, pero basicamente debemos multiplicar la primer fila por la primer columna, y nos dara el elemento (0,0); despues por la siguiente columna, nos dara el ((0,1). Bajamos a la fila 2 y seguimos sucesivamente
Agradezco a Valentina Hurtado y a Patricio Requena del grupo de DS de telegram que me ayudaron cuando tuve el problema
¿Como puedo diferenciar un vector columna vs un vector fila?
- Cabe destacar que para poder realizar el producto interno entre una matriz y un vector, la segunda dimensión de la matriz debe ser igual a la primera dimensión del vector. En este ejemplo, la segunda dimensión de la matriz A es igual a la primera dimensión del vector v, por lo que la operación de multiplicación es posible.
import numpy as np
# Creamos una matriz de 2x3
A = np.array([[1, 2, 3], [4, 5, 6]])
# Creamos un vector de 3 elementos
v = np.array([7, 8, 9])
# Calculamos el producto interno entre A y v
u = np.dot(A, v)
print(u)
# resultado: [ 50 122]