Curso de Fundamentos de Álgebra Lineal con Python

Algebra lineal: rama de la matemática encargada de estudiar las operaciones entre matrices y vectores

1. COMO USAR JUPITER

2. ESCALARES, VECTORES, MATRICES, TENSORES
3. DIMENSION DE UN ESCALAR, VECTOR, MATRIZ O TENSOR
4. TRANSPOSICION, SUMA DE MATRICES Y ESCALARES
5. SUMA DE MATRICES Y VECTORES (BROADCASTING)
6. PRODUCTO INTERNO ENTRE UNA MATRIZ Y UN VECTOR
7. PRODUCTO INTERNO ENTRE DOS MATRICES
8. PROPIEDADES DE LAS MATRICES
Y el producto interno entre dos matrices NO ES conmutativa

Pero la multiplicación entres dos vectores si es conmutativa

 9. TRANSPOSICION DE UN PRODUCTO DE MATRICES

Propiedad: (A.dot(B)).T == B.T.dot(A.T)

 10. COMPROBAR LA SOLUCION DE UN SISTEMA DE ECUACIOES LINEAL

Las ecuaciones lineales son ecuaciones que están elevados a máximo un grado, cada una de las variables no esta multiplicada con otras variables y no están
elevadas a una potencia

Para graficar una función debemos evaluarla a lo largo de diferentes puntos

Para eso con la función arange vamos a generar números para establecer los límites, adicional con la función ylim (lo que hacemos es definir los limites del
gráficos, es decir hasta que números queremos la línea de la gráfica y evaluación. Y finalmente agregamos las coordenadas con axvlinea y axhline:
Y en la grafica se nota que las sistemas de ecuación lineal se están cruzando, y eso lo que representa que hay un valor de x y un valor de y que hacen verdadera
las ecuaciones al mismo tiempo.
Haciendo el despeje manual, lo cual coincide con la grafica
Y representando todo de manera matricial las ecuaciones:
Ahora en numpy:
 11. TIPOS ESPECIALES DE MATRICEZ: IDENTIDAD, INVERSA, SINGULARES

IDENTIDAD

Tiene la particularidad de no hacer ninguna modificación, es un elemento neutro en las matrices, es como el uno en los números, la matriz identidad no
transforma espacios.
INVERSA

La inversa es en vez de multiplicar las matrices se divide

Aquí la misión principal es que matriz multiplicada con x cosa nos arroje la matriz identidad, es es la gran pregunta
Cuando no existe la identidad, se llama una matriz singular, cuando no existe la inversa la llamamos una matriz singular, si es singular, al aplicar la inversa nos va
a arrojar un error.
Ahora para resumir aprendimos a calcular la inversa cuando la matriz es cuadrada, si la matriz es cuadrada, en el caso de que exista se puede resolver con estas
el sistema de ecuaciones lineales.
 12. APLICACIÓN DE LA INVERSA PARA RESOLVER UN SISTEMA DE ECUACIONES LINEALES

Vamos a encontrar la solución a este problema

Con numpy y la función set_printoptiones(suppress=True) podemos decirle a Python que si tenemos un numero muy pequeño que no lo muestre como un cero
mas bien. Para que sea mas sencilla la identificación de la matriz identidad
Lo que se había plantado para la solución era encontrar la inversa de A:

Con esta inversa calculamos nuestro x

Ahora reemplazando en la ecuación

Ahora la manera de ver que x es la solución de nuestro problema es:

Ahora vamos a solucionar esto:

Nos da [-4, 15] ahora vamos a ver si es verdad:

Con la matriz inversa se puede calcular un sistema lineal de ecuaciones, aunque debemos recurrir a otro tipo de métodos para llegar a la solución correcto, esto
debido a la manera como en que los equipos de computo realizan los cálculos.

13. EJEMPLOS DE SISTEMAS SIN SOLUCION, CON UNA SOLUCION Y CON INFINITAS SOLUCIONES
Este sistema tiene solución:

Graficamos con matplotlib

No hay puntos de x e y que haga ciertas las ecuaciones al mismo tiempo, ya que las tres no se cruzan en un mismo punto, es un sistema sobre determinado,
tenemos más ecuaciones que variables entonces NO TIENE SOLUCION.
Ahora graficando dos funciones:
Este sistema Tiene solucion y es única, y en este caso es el valor en donde se cruzan las dos funciones
Ahora vamos a ver en el caso en donde hay infinitas soluciones:
Este sistema es indeterminado ya que cuenta con infinitas soluciones.
 14. GRAFICAR VECTORES

Ese np.concatenate quiere decir que se va a concatenar el vector con el origen que va a hacer su inicio.
Esta funcion nos conviene guardarla en un módulo separado llamado graficar vectores (otro notebook), para eso creamos una carpeta (no se, funciones
auxiliares). Ahora llamamos este notebook desde nuestro modulo original:
 15. QUE ES UNA COMBINACIÓN LINEAL

Es multiplicar un vector a un escalar y después otro vector por un escalar, sumar los resultados y obtener un nuevo vector (combinación lineal de los dos)

En Python
Definiendo limites
Ahora vamos a definir una función para graficar todas las combinaciones lineales posibles de dos vectores: esa es la importancia de las combinaciones lineales,
con los vectores correctos nos permiten definir un espacio entero.
 16. QUE ES UN ESPACIO Y SUBESPACIO

La combinación lineal de dos elementos solo nos podrán devolver un elemento del mismo donde ellos están viviendo.
Vamos a visualizar un espacio tridimensional:
Un hiperplano es una dimensión menos en la cual estamos trabajando, en este caso estamos trabajando en n espacio tridimensional pero se genero un espacio
en 2d
 17. VECTORES LINEALMENTE INDEPENDIENTES

Se podría por medio de combinaciones lineales averiguar el valor de x1, x2

Vamos a graficar el espacio generado por los siguientes vectores:

Vamos a comprobar lo siguientes, hallar x1 y x2:y esto n

Y esto no es así ya que el vector b no convive en el espacio del subespacio por a y x, por lo tanto, el sistema de ecuación lineal no va a tener solución.

Y esto ocurre porque v1 es linealmente dependiente de v2, no son linealmente independiente (v1 ==-1*v2)
 18. VALIDAR QUE UNA MATRIZ TENGA INVERSA

Para que un sistema de ecuaciones lineales tenga solución, necesitamos que la matriz a que representa este sistema de ecuaciones sea cuadrada y que todos sus
vectores sean linealmente independientes.

Ejemplo:

Para saber que fila es dependiente es mediante los autovalores y auto vectores (eso es una forma de descomponer nuestra matriz)

Lo que nos esta diciendo es que la fila 3 es la que es linealmente dependiente, ya que de la primera y segunda fila se puede sacar obtener esta fila:
En definitiva, para que se pueda resolver un sistema lineal de ecuaciones tenga solución, la matriz que lo representa no debe tener linealmente dependientes, ni
filas ni columnas que puedan ser escritas como combinación de otras filas o columnas.
 19. QUE ES UNA NORMA Y PARA QUE SE USA- DESIGUALDAD TRINGULAR

Para medir el tamaño de un vector usamos la función norma, la norma lo que hace es recibir de entrada un vector y a este vector asociarles un numero no
negativo, puede ser cero o mayor. La norma de v es cero si y solo si v es igual a cero. La desigualdad triangular dice que si tenemos dos vectores v1 y v2 y los
sumamos y calculamos sus normas nos da un v3, el cual debe ser menor o igual a la suma de las normas de los vectores v1 y v2. La norma de un escalar por un
vector es igual al valor absoluta del escalar por la norma del vector.

Ahora con Python vamos a calcular la norma:

Ahora vamos a corroborar la desigualdad triangular
Vamos a graficar los siguientes vectores
20: TIPOS DE NORMAS: NORMA 0, NORMA 2, NORMA INFINITO Y NORMA L2 AL CUADRADO

Los tipos de normas se utilizan en machine learning para medir los errores, esto tiene sentido hacerlo en r2 o en r3

Definimos las siguientes normas:

Ahora en Python calculamos la norma l0, es decir la cantidad de elementos mayores a cero.

Ahora calculamos la norma l1, es la sumatoria de los valores absolutos del vector

Ahora para calcular la norma L2

Ahora se va a definir la norma al cuadrado l2 al cuadrado

Y por último la norma infinita
21 EL PRODUCTO INTERNO COMO UNA FUNCION DE UNA NORMA Y SU VISUALIZACIÓN

Vamos a visualizar que dado dos vectores v1 y v2, la traspuesta de v1 por el producto interno de v2 = norma2(v1)*norma2(v2)*cos(angulo)

Vamos a graficar en python

Ahora verificamos la igualdad
Se aprendió que el producto interno lo podemos expresar con normas y con los ángulos que forman nuestros vectores.
22. LA MATRIZ DIAGONAL Y LA MATRIZ SIMETRICA: SUS PROPIEDADES

Matriz identidad la hacia especial por que es el elemento neutro del producto interno

Y la matriz inversa, si tengo una matriz y la multiplico por su inversa lo que tengo es su identidad

Y la matriz singular tal que no existe su inversa

Las matrices diagonales no solamente pueden ser cuadradas:

Por ejemplo, diagonales que no son cuadradas:

La propiedad de las diagonales cuando las multiplico por un vector es que no esta realizando las combinaciones lineales de las distintas coordenadas

Ahora cual es la matriz inversa

Una matriz es simétrica cuando su transpuesta es igual a la matriz
23. VECTORES ORTOGONALES, MATRICES ORTOGONALES Y SUS PROPIEDADES

Cuando estemos hablando de vectores ortogonales estaremos hablando de mas de un vector. Ser ortogonal es que el Angulo que forman dos vectores es de 90°,
el producto interno nos permite conocer cual es el Angulo entre los vectores.

Definimos dos vectores con origen 0, 0

Y el grafico de esto es:

Vemos que los dos vectores forman un angulo de 90°

Ahora comprobamos con producto interno que esten formando este angulo

Estos dos vectores efectivamente tienen un angulo de 90°

QUE ES ORTONORMAL

Ser ortonormal cuando la norma de los vectores es 1

Estos vectores no son ortonormales, lo que se podría hacer para que sean ortonormales es dividirlos por su norma, probemos con otros dos:

Y estos tienen norma 1 por lo cual son ortonormales.

24. MATRICES ORTOGONOALES Y SUS PROPIEDAES

Una matriz es ortogonal cuando todas sus filas son ortonormales y todas sus columnas son mutuamente ortonormales

Ahora el ejemplo en Python

- Se define una matriz

Y efectivamente con el producto interno nos damos cuenta que son ortogonales

Ahora se hace esto con el resto de filas y columnas para validar que son ortogonales
Ahora para validar si son ortonormales verificamos su norma y si con esto podemos asegurar que son ortonormales

También necesitamos saber si las filas son ortogonales, efectivamente dan cero

Nos queda verificar si son ortonormales mediante su norma, y efectivamente da uno y sus filas ortonormales
Entonces la matriz es ortogonal con vectores ortonormales

Una matriz ortogonal tiene la siguiente propiedad:

Generar matrices ortogonales en Python

Queremos saber si la siguiente matriz es ortogonal

Nos devuelve casi 1

Ahora veamos que el angulo que forman es cero mediante el producto interno
25. EL DETERMINANTE Y LA TRAZA

Vemos que la traza nos devuelve la suma de los elementos de la diagonal, la traza siempre se mantiene de la misma manera
Ahora si estamos trabajando en r2 y el determinante es negativo lo que está haciendo es dándonos el espejo del espacio:
Graficamos un par de vectores

Ahora aplicando una matriz a estos dos vectores (lo que se ve es que se duplique la distancia de los vectores), como se evidencia cada uno de los vectores
cambio su tamaño.
Aca se puede evidenciar que el espacio aumento 4 veces su volumen
AHORA VAMOS A DEFINIR UNA NUEVA MATRIZ CON UN DETERMINANTE NEGATIVO y vamos a calcular el determinante el cual va a ser negativo.

Graficamos nuestros vectores transformados

Lo que le esta ocurriendo a los vectores es que el vector roto.

La información del determinante es importante, pero no permite saber que esta ocurriendo con la rotación en el espacio.