TECNICATURA SUPERIOR EN

Ciencia de Datos e
Inteligencia Artificial

ÁLGEBRA

Módulo

Tema: Vectores
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

2
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

ÍNDICE
Vectores 2
Espacios Vectoriales 4
Subespacios Vectoriales 6
Valeres propios y Vectores propios 8
Actividades 11

Referencias Bibliográficas 112

1
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Vectores
Un vector es un objeto que tiene magnitud y dirección. En matemáticas, un

vector se representa como un arreglo de números, por ejemplo:

en=(𝑣1 , 𝑒𝑛2 ,… 𝑒𝑛𝑛𝑜𝑟𝑡𝑒)

Considere el 2-vector

donde 𝑥1 y 𝑦1 son números reales. Con u asociamos el segmento de recta dirigido

con punto inicial en el origen O (0, 0) y punto terminal en P (𝑥1 ; 𝑦1 ). El segmento

⃗⃗⃗⃗⃗ ; O se denomina su cola y P su

de recta dirigido de O a P se denota mediante 𝑂𝑃

cabeza. Para distinguir entre ambas, colocamos una punta de flecha sobre la

cabeza.

Un segmento de recta dirigido tiene una dirección, que es el ángulo que se forma

entre ella y la parte positiva del eje x, indicado por la flecha en su cabeza. La

magnitud de un segmento de recta dirigido es su longitud.

Operaciones con vectores:

• Suma de vectores: dados dos vectores = (𝑢1 , 𝑢2 ) 𝑦 (𝑣1 , 𝑣2 ) la suma es

2
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

En otras palabras, el vector suma de y es el vector que resulta de

sumar las componentes respectivas de estos vectores: la primera

componente de se suma con la primera componente de , y la segunda

componente de se suma con la segunda componente de .

Gráficamente:

• Producto por un Escalar: La multiplicación de un vector por un

número se escribe o . El número también se conoce como

escalar. Además, la multiplicación por escalar es otro vector que satisface

las siguientes propiedades:

tiene la misma dirección que .

Si es positivo, entonces tiene el mismo sentido que .

Si es negativo, entonces tiene el sentido contrario que .

El módulo de es

Gráficamente:

• Resta de Vectores: La resta de dos vectores y simplemente es la

suma de con (es decir, el opuesto de ). Considerados los

componentes de y , entonces la resta está dada por

3
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Gráficamente:

Gráficamente, la resta de y se obtiene igual que la suma. La única

diferencia es que sumamos el opuesto de . Observa la siguiente figura que

muestra a y nota que en el extremo de se coloca el origen de .

• Producto escalar de dos vectores:

Existen dos maneras equivalentes de obtener el producto escalar de dos

vectores y . Estas se describen a continuación:

1 Si conocemos el módulo de ambos vectores y el ángulo que forman entre

ellos, entonces el producto escalar se obtiene mediante

2 Si conocemos los componentes de los vectores y ,

entonces el producto escalar está dado por

Espacios vectoriales

La idea de vector está tomada de la Física, donde sirven para representar

magnitudes vectoriales como fuerzas, velocidades o aceleraciones. Para ello se

emplean vectores de dos componentes en el plano, de tres componentes en el

espacio... Se supone conocida la representación gráfica y manejo de los vectores

de ℜ2 y de ℜ3. En Matemáticas, tratamos de abstraer las propiedades que

caracterizan a los vectores para extenderlas también a otro tipo de objetos

4
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

diferentes de los vectores de la Física. Esencialmente, el comportamiento que

caracteriza a los vectores es el siguiente:

• Podemos sumar dos vectores y obtenemos otro vector;

• Podemos multiplicar un vector por un número (escalar) y obtenemos otro

vector.

Además estas operaciones cumplen ciertas propiedades, que observamos en los

vectores de ℜ2 y de ℜ3 :

Vamos a utilizar habitualmente la notación: u,v,w (u otras letras latinas) para

vectores, mientras que las letras griegas designarán escalares.

Propiedades de la suma de vectores.

• Asociativa: (u+v)+w = u+(v+w)

• Conmutativa: v+u=u+v.

⃗ , tal que 0
• Existe un elemento neutro, el vector 0 ⃗ + v = v para cualquier vector v.

• Para cada vector v existe un elemento opuesto, –v, que sumado con él da⃗⃗⃗0 .

Propiedades del producto de un vector por un escalar.

• Asociativa: β (α v) = (β α ) v

• Distributivas: Respecto de la suma de escalares: (α+ β ) v = α v + v β. Respecto

de la suma de vectores: α(u + v) = αu +αv

• Existe un elemento unidad: el escalar 1, tal que 1· v = v para cualquier vector v.

Analizadas todas las propiedades volvemos a definir espacio vectorial, como

cualquier conjunto que posea unas operaciones suma y producto por escalares,

cumpliendo todas las propiedades anteriores.

Los elementos de tal conjunto se llamarán vectores.

Diremos que el espacio vectorial es real o complejo, según sean los escalares.

• Otras propiedades de los espacios vectoriales

5
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

⃗.
pueden deducirse de las anteriores propiedades básicas. Por ejemplo: Si α v = 0

⃗.
(α escalar, v vector) entonces α =0 o bien es v = 0

Ejemplo de espacio vectoriales:

El espacio ℜ n, formado por los vectores de n componentes (x1, . . .,xn) es un

espacio vectorial real, en el que se pueden sumar vectores y multiplicar por un

escalar (real) de la forma habitual. Se puede comprobar que se cumplen las

propiedades requeridas para ambas operaciones. El vector cero es (0,. . .,0). No es

un espacio vectorial complejo, porque no podemos multiplicar por escalares

complejos (si lo hacemos, el resultado no se mantendrá dentro de ℜ n ).

De esta manera, la noción de espacio vectorial requiere de dos conjuntos: un

conjunto K (los escalares) y otro conjunto V (los vectores). Estos dos conjuntos

deben satisfacer ciertas propiedades (ya estudiadas), que esencialmente se

refieren a que los elementos de V se puedan sumar entre sí y multiplicar por

elementos de K.

Un espacio vectorial (o espacio lineal) es una colección de vectores que pueden

ser sumados entre sí y multiplicados por escalares, cumpliendo con ciertas

propiedades.

Subespacios vectoriales

Dentro de un K-espacio vectorial V, hay subconjuntos que heredan la estructura de

V, es decir, que son también espacios vectoriales con la misma operación, el mismo

elemento neutro y la misma acción que V.

Entonces definimos subespacio vectorial así: Dado un espacio vectorial V, se dice

que un subconjunto S de V es un subespacio vectorial si contiene al vector, y si al

6
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

efectuar las operaciones de suma y producto por escalar entre vectores de S, el

resultado permanece en S. (Se puede decir que S es “cerrado” para las operaciones

suma y producto por escalar.) Es decir:

⃗ ∈S.
•0

• Si v, w ∈ S entonces v + w ∈ S.

• Si v ∈ S y λ es un escalar, entonces λv ∈ S.

No hace falta comprobar que se cumplen las propiedades asociativa, conmutativa,

etc. por que sabemos que se cumplen en V, y por tanto también en S (se dice que

S “hereda” las propiedades de las operaciones en V). Por supuesto si para V

utilizamos escalares reales, también para S; si para V utilizamos complejos,

también para S.

Ejemplos de subespacios.

1) La recta x=y es un subespacio de ℜ 2 . Está formado por los vectores de la forma

(a,a). Contiene al vector (0,0). Además, es cerrado para la suma y producto por

escalar:

• Suma : (a,a) + (b,b) = (a+b, a+b) que también es un elemento de la recta.

• Producto por un escalar: λ ∈ ℜ, λ(a ,a) = (λa, λa) que también es un elemento de

la recta. 3

2) El plano XY es un subespacio de ℜ. Está formado por los vectores de la forma

(x,y,0). Contiene al vector (0,0,0). Además, es cerrado para la suma y producto por

escalar:

• Suma : (x,y,0) + (x’,y’,0) = (x+x’, y+y’, 0) que también es un elemento del plano.

• Producto por un escalar: λ∈ℜ , λ(x,y,0)=(λx, λy, 0) que también es un elemento

del plano. Podemos decir que este plano “es como ℜ 2 ” pero incluido en ℜ .

7
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Si consideramos un subespacio de un espacio vectorial V es un subconjunto W⊆V

que es en sí mismo un espacio vectorial bajo las mismas operaciones de V;

tomamos en cuenta estos criterios para un Subespacio:

• El vector cero de V debe estar en W.

• W debe ser cerrado bajo la suma.

• W debe ser cerrado bajo la multiplicación escalar.

Valores Propios y Vectores Propios

• Vector Propio: Un vector v≠0 es un vector propio de una matriz A si existe

un escalar Av=λv.

• Valor Propio: El escalar λ asociado con el vector propio v es un valor propio

de la matriz A.

Cálculo de Valores y Vectores Propios:

1. Ecuación Característica: det. (A−λI)=0, donde I es la matriz identidad.

Resolver esta ecuación para λ da los valores propios.

2. Encontrar Vectores Propios: Para cada valor propio λ, resolver (A−λI) v=0

para encontrar los vectores propios correspondientes.

Ejemplo:

8
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Si A es una matriz de orden nxn entonces las siguientes

afirmaciones son equivalentes:

Solución:

La ecuación característica de A es:

9
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Resumiendo, si para una matriz A y un escalar λ dados hay soluciones no triviales

de la ecuación homogénea (A−λI)x=0 entonces λ es un autovalor de A, y el

conjunto de todas las soluciones es el conjunto de auto vectores asociados a λ

10
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

(mas el 0), y se denomina espacio propio de A asociado a λ. O dicho de otro

modo, el espacio propio asociado a λ es el espacio Nulo (A−λI), si este no es nulo.

Actividades

1)Suma de vectores: u=(1,3)y v=(4;6)

2) Resta de vectores u=(7,8) y v=(2,3)

3) Multiplicación de un vector por un escalar: u=(2,−1,3)y k=4

3) Producto punto u=(1,2) y v=(3,4)

4) realiza la representación gráfica de las anteriores operaciones

5) Busca 2 ejemplos de espacios vectoriales y comprueba sus propiedades.

6) Busca 2 ejemplos de subespacios vectoriales y comprueba sus propiedades.

7) Encuentre valores propios de 2 matrices elegidas al azar.

o Calcular valores propios y vectores propios de matrices pequeñas.

o Aplicar estos conceptos a problemas en ciencia de datos, como el

análisis de componentes principales (PCA).

Aplicaciones en Ciencia de Datos e Inteligencia Artificial

Análisis de Componentes Principales (PCA):

o Uso de valores y vectores propios para reducir la dimensionalidad de

datos.

o Interpretación de los componentes principales en términos de

variación explicada.

Modelos de redes neuronales:

o Comprensión de cómo los valores propios pueden afectar la

propagación de señales a través de las capas.

11
ISPC / Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial

Referencias Bibliográficas
● KOLMAN, BERNARD; HILL, DAVID R. Álgebra lineal PEARSON

EDUCACIÓN, México, 2006

● [Link]

12