Computación II.

-
Unidad 2. Minería de Datos
Actividad 2. Características de los Algoritmos

Universidad Abierta y a Distancia de México.

Licenciatura en Matemáticas

Actividad 2. Características de los Algoritmos

A continuación se presenta la segunda actividad correspondiente a la unidad 2 de la asignatura de
computación II en donde se aborda el concepto de análisis exploratorio de datos.

1. Contesta las siguientes preguntas dando una descripción concisa y clara sobre lo que significan.

a. ¿Qué es una base ortonormal?

Desde una perspectiva matemática, una base ortonormal es un conjunto de vectores 𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 }
en ℝ𝑛 si cumple con:

𝑢𝑖 ∙ 𝑢𝑗 = 0 𝑠𝑖 𝑖 ≠ 𝑗

𝑢𝑖 ∙ 𝑢𝑖 = 1

En otras palabras, una base ortonormal es un conjunto de vectores que forman una base ortogonal
(conjunto de vectores que son perpendiculares entre sí) y además la norma de cada uno de ellos es
unitaria.

b. ¿Cómo funciona el proceso de orto normalización de Gram Schmidt?

De algebra lineal, existe un teorema que nos afirma que cualquier base en ℝ𝑛 se puede convertir en una
base ortonormal, al proceso de convertir dicha base a una ortonormal se le conoce como “proceso de
orto normalización de Gram-Schmidt”

Sea 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } una base de 𝐻 (subespacio de dimensión 𝑚 de ℝ𝑛 ).

1. Elección del primer vector unitario. Sea

𝑣1
𝑢1 =
|𝑣1 |

Por lo cual
𝑣1 𝑣1 1
𝑢1 ∙ 𝑢1 = ( )∙( )=( ) (𝑣1 ∙ 𝑣1 ) = 1
|𝑣1 | |𝑣1 | |𝑣1 |2

De esta forma |𝑢1 | = 1

2. Elección de un segundo vector ortogonal a 𝑢1 .

𝑢∙𝑣 𝑢∙𝑣
Dado que un vector de la forma 𝑤 = 𝑢 − |𝑣 2 | 𝑣 es ortogonal a 𝑣. En otras palabras, |𝑣 2 |
𝑣 es la
proyección de 𝑢 sobre 𝑣.
𝑣∙𝑢
Como 𝑢1 es unitario, entonces |𝑢 | 𝑢1 = (𝑣 ∙ 𝑢1 )𝑢1 para cualquier vector 𝑣.
1

Entonces

𝑣2 ´ = 𝑣2 − (𝑣2 ∙ 𝑢1 )𝑢1

2
 Es un vector de la base ortogonal perpendicular a 𝑢1 .

3. Elección del segundo vector unitario.

Sea

𝑣2 ´
𝑢2 =
|𝑣2 ´|

Un vector perpendicular a 𝑢1 y a su ves de norma unitaria.

4. Se repite el proceso con los demás vectores de la base ortogonal.

El k-ésimo vector perpendicular a 𝑢1 , 𝑢2 , … , 𝑢𝑘 es

𝑣´𝑘+1 = 𝑣𝑘+1 − (𝑣𝑘+1 ∙ 𝑢1 ) − (𝑣𝑘+1 ∙ 𝑢2 )𝑢2 − ⋯ − (𝑣𝑘+1 ∙ 𝑢𝑘 )𝑢𝑘

De esta forma {𝑢1 , 𝑢2 , … , 𝑢𝑘 , 𝑣´𝑘+1 } es un conjunto linealmente independiente, ortogonal y 𝑣´𝑘+1 ≠

0

5. Se normaliza el último vector 𝑣´𝑘+1 .

Sea

𝑣´𝑘+1
𝑢𝑘+1 =
|𝑣´𝑘+1 |

Entonces el conjunto {𝑢1 , 𝑢2 , … , 𝑢𝑘 , 𝑢𝑘+1 } es un conjunto ortonormal, de forma que 𝑘 + 1 = 𝑚.

c. ¿Qué es una teselación de Voronoi?

El diagrama o teselación de Voronoi de un conjunto de puntos en el plano es la división de plano en

regiones, de tal forma que a cada punto se le asigna una región del plano formada por lo puntos que son
más cercanos a él que a ningún de los otros puntos. En otras palabras, la teselación de Voronoi divide al
plano en tantas regiones como puntos se tengan de manera que a cada punto se le asigna una región de
formada por todos los puntos más cercanos.

Un ejemplo de lo anterior se puede visualizar en la siguiente imagen

3
 d. Describe brevemente qué es la dimensión VC (Vapnik-Chervonenkis)

Es una medida de la capacidad que poseen los algoritmos de clasificación estadística y se obtienen a partir
de la cardinalidad del mayor conjunto de puntos que el algoritmo puede separar.

2. Imagina los vértices (0,0), (1,1), (0,1) y (1,0) en el cuadrado unitario.

¿De cuántas posibles formas podemos trazar una línea que separe en al menos dos conjuntos
distintos estos puntos?

Al trazar las líneas para forma 2 conjuntos distintos, encontramos que lo podemos realizar de 6 formas
distintas (6 líneas). Es importante destacar que no se presenta ninguna separación que contemple al
conjunto vacío, dado que, a criterio del autor de la presente actividad, la pregunta no es lo
suficientemente específica.

3. ¿Cuántas funciones lógicas se pueden mapear con 2 bits?

𝑛
Con 2 bits, se pueden mapear 16 funciones lógicas según la regla 22 donde 𝑛 es el número de bits o
variables.

4. ¿Qué relación hay entre la pregunta 2 y 3? (Es decir, ¿cómo se explica el faltante entre ambas
respuestas de forma general?)

La cantidad faltante se justifica por las restricciones que se establecen en ambos casos. En la pregunta 2
el problema no es linealmente separable (nótese que no podemos establecer una recta que divida en 2
conjuntos diferentes puntos iguales que se encuentren en vértices opuestos), mientras que las funciones
lógicas si son funciones linealmente separables.

Fuentes

Witten, I. H. (20). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Caballero, Martín & Riesco. (2019). Big Data con Python. Recolección, almacenamiento y proceso. España:
Alfaomega Grupo Editor.

4
Triolla. (2009). Estadística. México: Pearson Educación.

Devore, J.. (2008). Probabilidad y Estadística para Ingeniería y Ciencias. México: Cengage Learning
Editores.