Propiedades y Cálculo de la Norma de un Vector

Clase 21 de 28Curso de Fundamentos de Álgebra Lineal con Python

Resumen

¿Qué es la Norma de un vector y por qué es importante?

La Norma de un vector es una herramienta matemática clave para medir el tamaño de un vector. Esta medida se representa mediante un número que siempre es cero o positivo. La Norma ayuda a determinar aspectos críticos, como el error en aproximaciones o la efectividad en clasificaciones. En este contexto, es vital conocer las propiedades de la Norma para aplicarlas correctamente.

¿Cuáles son las propiedades de la Norma?

  1. Nunca negativa: La Norma de cualquier vector nunca es negativa. Puede ser cero si el vector se encuentra exactamente en el origen, y este es el único caso en que la Norma será cero.

  2. Desigualdad triangular: La suma de los vectores tiene una Norma que es siempre menor o igual a la suma de sus Normas individuales. Esto refleja el principio de que la distancia más corta entre dos puntos es una línea recta.

  3. Escalar por un vector: Cuando multiplicamos un vector por un escalar, la Norma del resultado es igual al valor absoluto del escalar multiplicado por la Norma del vector original.

¿Cómo calcular la Norma en Python?

Calcular la Norma de un vector en Python es sencillo con la librería numpy. A continuación, mostramos cómo realizar este cálculo utilizando un ejemplo práctico.

import numpy as np

# Definimos los vectores
B1 = np.array([2, 7])
B2 = np.array([3, 5])

# Calculamos la suma de los vectores
B1_B2 = B1 + B2  # Resultado: array([5, 12])

# Calculamos la Norma de cada vector usando la función `np.linalg.norm`
norma_B1 = np.linalg.norm(B1)
norma_B2 = np.linalg.norm(B2)
norma_B1_B2 = np.linalg.norm(B1_B2)

# Verificamos la desigualdad triangular
assert norma_B1_B2 <= norma_B1 + norma_B2

Este código ayuda a visualizar la aplicación de la desigualdad triangular y la medida de Normas individuales y conjuntas.

¿Cómo graficar vectores y su Norma en un plano?

Podemos visualizar la Norma y sus propiedades geométricas en Python utilizando matplotlib para gráficos y seaborn para opciones de color. Aquí se presenta una guía básica para graficar vectores y comprender la desigualdad triangular visualmente.

import matplotlib.pyplot as plt
import seaborn as sns

# Configuración básica para gráficos
plt.figure(figsize=(8, 8))
sns.set(style="whitegrid")

# Definición de vectores y su origen
origen_B1 = np.array([0, 0]), B1
origen_B2 = np.array([0, 0]), B2
origen_suma = np.array([0, 0]), B1_B2

# Graficar vectores
plt.quiver(*origen_B1, angles='xy', scale_units='xy', scale=1, color=sns.color_palette("husl", 8)[1])
plt.quiver(*origen_B2, angles='xy', scale_units='xy', scale=1, color=sns.color_palette("husl", 8)[2])
plt.quiver(*origen_suma, angles='xy', scale_units='xy', scale=1, color=sns.color_palette("husl", 8)[0])

# Ajustar límites de los gráficos
plt.xlim(-0.5, 6)
plt.ylim(-0.5, 15)

# Mostrar gráfico
plt.show()

Visualizar los vectores y su Norma permite una comprensión más intuitiva de cómo operan estas matemáticas en el espacio bidimensional. Cada vector y su suma se hacen evidentes, destacando la aplicación de la desigualdad triangular.

¡Continúa explorando y experimentando con más ejemplos para dominar estos conceptos fundamentales!