Documentos de Académico
Documentos de Profesional
Documentos de Cultura
III Transformaciones Lineales y Matrices
III Transformaciones Lineales y Matrices
A(a1,a2,a3) a = (a1,a2,a3)
Figura 3.1 Interpretación geométrica de una terna de números: Como punto o como vector.
Dr. Isaias Ochoa Landín Página 2 08/12/2021
Por lo tanto, se concluye que una n-ada ordenada (a1, a2,…, an) puede
concebirse como un “punto generalizado” o como un “vector generalizado.”
DEFINICION 2: Se dice que dos vectores u = (u1, u2,…,un) y v = (v1, v2,…,vn) en
Rn son iguales si:
u1 = v1, u2 = v2,…un=vn
La suma u + v se define por:
u + v = (u1+v1, u2+v2,…,un+vn)
y si k es cualquier escalar, el múltiplo escalar ku se define por:
ku = (ku1, ku2,…,kun)
Las operaciones de adición y multiplicación escalar dadas en esta
definición se denominan operaciones estándar sobre R n.
Se define el vector cero en Rn como el vector
0 = (0, 0,…, 0)
Si u es un vector cualquiera en R n, entonces el negativo (o inverso
aditivo) de u se denota por – u y se define por:
- u = (-u1, -u2,…,-un)
Se define la sustracción de vectores en R n por v – u = v + (−u) o, en
términos de las componentes:
v – u = (v1-u1, v2-u2,…, vn-un)
Las propiedades más importantes de la adición y la multiplicación
escalar de vectores en Rn se listan en el siguiente teorema:
TEOREMA 1: Si u = (u1, u2,…un), v = (v1, v2,…,vn) y w = (w1, w2,…, wn) son
vectores en Rn y k y l son escalares, entonces:
a). u + v = v + u
b). u + (v + w) = (u + v) + w
c). u + 0 = 0 + u = u
d). u + (−u) = 0
e). k(lu) = (kl)u
f). k(u + v) = ku + kv
g). (k + l)u = ku + lu
h). 1 u = u
Con este teorema los vectores en R n pueden manipularse sin
expresarlos en términos de componentes, casi de la misma manera como se
Dr. Isaias Ochoa Landín Página 3 08/12/2021
UV (v1 u1 ) 2 (v 2 u 2 ) 2 (v n u n ) 2
Las cuales producen los mismos resultados que las operaciones vectoriales.
Además, el producto escalar de dos vectores columnas u y v en Rn, expresado
en forma matricial, es:
v1
v
u v u T v u1 u2 u n 2 u1v1 u 2 v 2 u n v n
v3
v 4
Si θ es el ángulo formado por dos vectores u y v en Rn, entonces::
uv
cos
u v
3.1.2 Espacios vectoriales
Para generalizar todavía más el concepto de vector, se definen los
espacios vectoriales bajos ciertas propiedades tales que, si son cumplidas por
los objetos que conforman el espacio vectorial, dichos objetos reciben el
nombre de vectores. Las propiedades son elegidas por medio de la abstracción
de las propiedades más importantes de los vectores en R n; como
consecuencia, los vectores en Rn automáticamente satisfacen estas
propiedades. Por lo tanto, este nuevo concepto de vector incluye tanto a los
que se dieron con anterioridad como a muchas nuevas clases de vectores.
DEFINICION 4: Sea V un conjunto arbitrario de objetos sobre los cuales se
definen dos operaciones, la adición y la multiplicación por escalares. Por
adición se entiende una regla para asociar, con cada pareja de objetos u y v en
V, un elemento u + v llamado suma de u y v; por multiplicación escalar se
entiende una regla para asociar, con cada escalar k y cada objeto u en V, un
elemento ku, llamado múltiplo escalar de u por k. Si los axiomas siguientes
son satisfechos por todos los objetos u, v, w en V y todos los escalares k y l,
entonces V recibe el nombre de espacio vectorial y a los objetos en V se les
denomina vectores.
Propiedades de la suma
1. Si u є V y v є V, entonces u + v є V. Propiedad de cerradura
2. u + v = v + u Propiedad conmutativa
3. u + (v + w) = (u + v) + w Propiedad Asociativa
4. Existe un objeto 0 є V tal que: Existencia del elemento
u + 0 = 0 + u = u para todo u є V. identidad
5. Para cada u є V, existe un objeto –u є V,
tal que u + (-u) = (-u) + u = 0 Existencia del inverso aditivo
Dr. Isaias Ochoa Landín Página 5 08/12/2021
1
Ejemplo 3: Verificar que el conjunto de matrices de 2 × 2 de la forma
1
1 1 2 1 2
1 x 1 x y x y
2 2 0 6 3 1 0 6 3
1
R2 1 1 1 1 2 R2 R3 1 1
0
3 1 x y 2 R2 R1
0 1 x y 0 1 x y
6 3 6 3 6 3
0 2 2x z 0 2 2x z 0 0 5 2
x y z
3 3
Para que este sistema tenga solución, el último renglón debe de
satisfacerse, es decir:
5 2
x yz 0
3 3
O bien:
5x 2 y 3z 0
la cual es la ecuación de un plano que pasa por el origen. Las trazas del plano
se obtienen al hacer cero cada una de las variables una por una. (Las trazas
son curvas en el espacio obtenidas de la intersección de dos superficies y es
por eso que deben especificarse las ecuaciones de ambas superficies. El que
una variable sea cero, representa un plano formado por las dos variables que
no aparecen en la ecuación.)
2
x 0, z y
3
5
y 0, z x
3
5
z 0, y x
2
Dr. Isaias Ochoa Landín Página 11 08/12/2021
a). ¿Puede hacer una mezcla que consiste en 1000 g de cemento, 200 g de
agua, 1000 g de arena, 500 g de grava y 300 g de tobas? ¿Porqué puede o
porqué no? Si puede, ¿cuántas unidades de cada una de las mezclas A, B y C
se necesitan para formular la mezcla especial?
Solución: Llamemos MA, MB y MC a la cantidad de la mezcla A, B y C,
respectivamente, necesaria para la mezcla final. Cada mezcla proporcionará
una determinada cantidad de cada componente, como sigue:
20 18 12
MA MB MC u
60 60 60
10 10 10
MA MB MC v
60 60 60
20 25 15
MA MB MC w
60 60 60
10 5 15
MA MB MC x
60 60 60
2 8
M B MC y
60 60
El vector (u, v, w, x, y) es el vector composición deseado. A pesar de
que sabemos la composición deseada de la mezcla, resolveremos el sistema
en forma general para usar el resultado en la parte (b).
La matriz asociada al sistema NO homogéneo, es:
20 18 12 60u
10 10 10 60v
20 25 15 60 w
10 5 15 60 x
0 2 8 60 y
(3v w x)(60) 0
(u 2v y )(60) 0
Además:
(u 2v y )(60) [1250 2( 2500 / 3) y ](60) 0
independientes.
Solución: Necesitamos encontrar constantes ci diferentes de cero tales que:
2 6 0
1 3 0
c1 c2
0 0 0
3 9 0
1 2 0
v 1 2 , v 2 2 , v 3 1
3 0 7
1 2 0 1 2 0 1 2 0 1 1 2 0
2 2 1 2 1 2 R2 R1
0 2 1 0 2 1
R2
R1 R2 3 R1 R3
0
2
1
2
3 0 7 3 0 7 0 6 7
0 6 7
1 0 1 1 0 1 1 1 0 1 1 0 0 1 0 0
1 6 R2 R3 1 10 R3 1 R3 R1
1
1 2 R3 R2
0 1 0 1
0 1 0 1 0 1 0
2 0 0 2 0 0 2 0 0 2
0 6 7 10 1 1 0 0 1
Esto significa que la inversa existe y que por lo tanto el sistema tiene
solución, pero también implica que la solución del sistema homogéneo es la
solución trivial y por lo tanto los vectores son linealmente independientes.
Dr. Isaias Ochoa Landín Página 19 08/12/2021
Esto implica que la inversa de la matriz no existe y que por lo tanto los
vectores son linealmente dependientes al no cumplir el punto i del Teorema 5.
Ejemplo 15: Los vectores v1 = (-2, -3) y v2 = (1,6) en R2, ¿son linealmente
independientes?
Dr. Isaias Ochoa Landín Página 20 08/12/2021
El determinante de A es:
2 1
det A 9 0
3 6
Desarrollando, tenemos:
c1 c 2 c3 c2 2c1 4c 2 c3 0 0 0
3c 2c c
1 2 3 c1 3c 2 2c3 c1 c3 0 0 0
c1 c 2 c3 0
c2 0
2c1 4c 2 c3 0
3c1 2c 2 c3 0
c1 3c 2 2c3 0
c1 c3 0
El determinante de A es:
0 3 1 9
2 2 2 10
det A 0
2 4 4 28
4 5 29 35
c 2 (6 x) c 3 (24 x) c 4 (6 x) 0
6 c 2 24 c 3 6 c 4 0
Como los menores son cero, se concluye que W = 0 y que las funciones
polinomiales son LI.
c1 c
w (u v) (0) 2 (0) 0
c3 c3
Con lo que queda demostrada la ecuación (3.5) y además que tres vectores
en R3 son linealmente dependientes si y solo si son coplanares.
Ejemplo 20: Determinar si los siguientes vectores son linealmente
independientes o no:
2 4 18 2
3 , 7 , 11 y 7
4 6 4 3
.
Dr. Isaias Ochoa Landín Página 27 08/12/2021
b1 2b2 x
2b1 2b2 b3 y
3b1 7b3 z
y la matriz aumentada y escalonada nos da:
7 7 1
x y z
1 2 0 x 1 0 0 1710 10 10
7 1
2 2 1 y 0 1 0 20 x 20 y 20 z
3 0 7 z 0 0 1 3 3 1
x y z
10 10 10
Así, las constantes vienen dadas por:
7 7 1
b1 x y z
10 10 10
17 7 1
b2 x y z
20 20 20
3 3 1
b3 x y z
10 10 10
Como no hay ninguna condición a ser cumplida (como sucedió en los
ejemplos 9 y 10), los vectores vi generan R3 y cualquier vector en R3 puede
escribirse como una combinación lineal de los vecotres vi. Por ejemplo, para
escribir el vector w = (-5, 2, -1) como combinación lineal de v 1, v2 y v3,
calculamos bi:
7 7 1
b1 (5) (2) (1) 2
10 10 10
17 7 1 7
b2 (5) (2) (1)
20 20 20 2
3 3 1
b3 ( 5) (2) (1) 1
10 10 10
7
w 2v 1 v 2 v 3
2
Una expresión analítica se obtiene de la ecuación (3.6)
Geométricamente lo que esto significa se muestra en la Figura 3.4:
Dr. Isaias Ochoa Landín Página 29 08/12/2021
es decir:
Dr. Isaias Ochoa Landín Página 30 08/12/2021
1 0 0 v1
0 1 0 v
a1 a2 an 2
0 0 1 v n
En forma matricial lo anterior queda expresado como:
1 0 0 a1 v1
0
1 0 a 2 v 2
0 0 1 a n v n
y el vector w = (-5, 2, -1) queda expresado como una combinación lineal de los
vectores unitarios como sigue:
w 5i 2 j k
Ejemplo 22: Encontrar una base para los vectores que están en el plano -5x +
2y + 3z = 0.
Solución: Queremos encontrar los vectores que generen el espacio vectorial
de los vectores contenidos en el plano -5x + 2y + 3z = 0:
x
y 5 x 2 y 3 z 0
z
Dr. Isaias Ochoa Landín Página 31 08/12/2021
Este producto de matrices nos dará los valores de las b’s para expresar w en
términos de los vectores de la base B 2. Está por demás decir que estos valores
de bi son precisamente las componentes escalares del vector w pues esa es la
ventaja de trabajar con una base canónica. Pero ahora, si lo que queremos es
pasar de la base canónica B2 a la base B1, simplemente despejamos el vector
de coeficientes a’s de (3.9):
1
a1 v1x v2 x v3 x wx
a v v2 y v3 y w
2 1y y
a3 v1z v2 z v3 z wz
(3.10)
La matriz de la Ec (3.9) se llama matriz de transición de la base B1 a la base B2
y, como puede verse, los componentes de la matriz de transición son las
componentes escalares de los vectores v’s que conforman la base B1.
Ejemplo 23: Supongamos que deseamos encontrar una base B 2 formada por
u1 = (-4, 2) y u2 = (1, 7) para expresar el vector w = (-3, -5) en términos de B2 a
partir de la base canónica B1.
Solución: Deseamos expresar w como:
w a1u1 a 2u 2
La matriz de transición de B1 a B2 es la inversa de la matriz de transición
de B2 a B1.formada por las componentes de los vectores u 1 y u2:
1
4 1 1 7 1
2 7
30 2 4
Así, los coeficientes ai son de acuerdo a (3.10):
8
a1 1 7 1 3 15
a 30 2 4 5 13
2
15
entonces el vector w en términos de la nueva base B 2 es:
8 13
w u1 u 2
15 15
3 8 4 13 1
5 15 2 15 7
La siguiente figura muestra la representación gráfica de w en términos
de las dos bases B1 y B2:
Dr. Isaias Ochoa Landín Página 34 08/12/2021
Figura 3.5 Representación geométrica del vector w = (-3, -5) en términos de una base B2
formada por los vectores u1 = (-4, 2) y u2 = (1, 7)
1 2 0
v1 2 , v 2 2 y v 3 1
3 0 7
1 1 2 0 0 1 0 2
, , ,
1 0 3 1 1 0 0 4
formada por las matrices .
Dr. Isaias Ochoa Landín Página 37 08/12/2021
0
0
1
1 x 1(1) 1( x ) 0( x ) 0( x ) 1 x x
2 3
2
x 3 1
0
0
0
x x 0(1) 1( x) 1( x ) 0( x ) 1 x x
2 2 3 2
x 3 1
1
0
0
x x 0(1) 0( x) 1( x ) 1( x ) 1 x x
2 3 2 3 2
x 3 0
1
1
Los vectores columnas forman la matriz de transición. Dicha matriz y su inversa
se muestran enseguida:
1
1 1 0 0 1 1 1 1
0 1 1 0 0 1 1 1
0 0 1 1 0 0 1 1
0 0 0 1 0 0 0 1
2. vi · vi = 1
Si sólo se satisface la condición [1], se dice que el conjunto es ortogonal. La
condición [2] solamente asegura que los vectores sean unitarios.
Se ha mencionado anteriormente que dos vectores son linealmente
independientes si ellos no son proporcionales, es decir, uno no se puede
escribir en términos del otro. Esto mismo sucede con los vectores ortogonales
(los que cumplen la propiedad [1] anterior). Como ellos son perpendiculares, no
hay manera de encontrar constantes que nos permitan expresar uno en
términos del otro. Así, los vectores ortogonales son linealmente
independientes.
La base canónica en Rn está formada por vectores ortogonales, o mejor
dicho, ortonormales dado que sus magnitudes son igual a uno. Es posible
encontrar una base ortonormal a partir de una base del espacio vectorial. Este
es el proceso de ortonormalización de Gram-Schmidt que se explica a
continuación con un ejemplo.
Antes de ver el ejemplo, recordaremos algunas expresiones importantes.
La primera de ellas es la de la obtención de un vector unitario n a partir de otro
vector m:
m
n (3.12)
m
a b
ca 2
b
b
a
b a b
proy b a 2
b
b
X
Dr. Isaias Ochoa Landín Página 40 08/12/2021
a b
0
que el término b
2 .
Esto nos dice que el conjunto {b1, b2,…, bk, c/║c║} es linealmente
independiente y ortonormal.
Dr. Isaias Ochoa Landín Página 41 08/12/2021
1 1 1 1
2 1 2 2
por los vectores v1 , v 2 , v 3 , v 4 , , , .
0 2 3 1
1 2 1 4
Solución:
1. Elección del primer vector unitario: Primero escribimos el primer vector
unitario de la siguiente manera:
v1 6
1
v1 1 2
u1
v1 6 0
1
1 1
2
u1 v 2 u1 1
1
1 2
6 6 0 6 0
1 1
1 1 5 / 6
1 2 / 3
1 2
v '2 v 2 (u1 v 2 ) u1
2 6 0 2
2 1 13 / 6
1
2
1 4
v 3 u1 1 2 3 1
6 0 6
1
5
4
1 62
v 3 u2 1 2 3 1
354 12 354
13
1 1 5
2 2
4 1 62 1 4
v '3
3 6 6 0 354 354 12
1 1 13
1 1 5 32
2 2 4
2 31 1 2
v3
'
3 3 0 177 12 59 53
1 1 13 36
32
1 2
u3
5133 53
36
1
2
1 9
v 4 u1 1 2 1 4
6 0 6
1
5
4
1 27
v 4 u2 1 2 1 4
354 12 354
13
32
2
1 161
v 4 u3 1 2 1 4
5133 53 5133
36
1 1 5 32
2 2 4
9 1 27 1
v '4 161 1 2
1 6 6 0 354 354 12 5133 5133 53
4 1 13 36
1 1 5 32 7
2 2 4 2
3
v '4
9
161 11 5
1 2 0 118 12 5133 53 87 2
4 1 13 36 3
1 1 1 1
2 1 2 2
v1 , v 2 , v 3 , v 4 , , ,
0 2 3 1
1 2 1 4
es:
1 5 32 7
2 4 2
1 1 1 1 5
, , ,
6 0 354 12 5133 53 87 2
1 13 36 3
Definición 12: Una matriz Q de n × n se llama matriz ortogonal si Q es
invertible y su inversa es igual a su transpuesta:
Q 1 Q T
es vectores ortonormales:
1 1 1
2
6 3
1 1 1
u1 , u2 , u 3
2 6 3
2 1
0 6 3
Estos vectores son ortonormales pues tienen las siguientes propiedades:
ui u j 0 , i j
ui u i 0
1 1 1
2 6 3
1 1 1
Q
2 6 3
2 1
0
6 3
Es fácil verificar que Q -1 = QT y por lo tanto, Q es una matriz ortogonal:
1 1
0
2 2
1 1 2
Q Q
1 T
6 6 6
1 1 1
3 3 3
Definición 13: Sea H un subespacio de Rn con base ortonormal {u1, u2, ..., uk}
Si v є Rn, entonces la proyección ortogonal de v sobre H, denotada proyH v,
está dada por:
proy H v v u1 u1 v u 2 u 2 v uk uk
Como puede verse, esta expresión es una generalización de la
proyección de un vector sobre otro, sólo que esta vez se está proyectando un
vector sobre una base, es decir, sobre un conjunto de vectores.
x
Ejemplo 29: Dado el plano: y 3 x 3 y z 0
z
por lo que una base del subespacio vectorial es la formada por los vectores:
Dr. Isaias Ochoa Landín Página 46 08/12/2021
1 0
B 0 , 1
3 3
0 1 9
9 1
v' 2 1 0 10
10 10
3
3
3
proy m u1 m u1 u 2 m u 2
3 1 3 9
1 1 1 1
proy m 1 0 3 2 0 9 10 3 2 10
10 190
4
10 190
4 3 3
1 9 24
15 1 1
proy m 0 10 5
10 38 19
3 3 87
3 1 3 3
1 1 1 1
proy m 1 2 3 2 2 11 8 9 2 2
14 14 266 266
4 3 4 4
1 11 24
13 53 8 1 5
proy m 2 266 19
14
3 9 87
De aquí que “la proyección del vector m = (3, -2, 4) є R3 sobre el plano π,
es independiente de la base ortonormal elegida.”
Teorema 11: Sea B = {u1, u2, ..., uk} una base ortonormal para Rn y sea v є Rn.
Entonces v = proyRn v, esto es:
v v u1 u1 v u 2 u 2 v uk uk
Este teorema nos permite expresar un vector en el plano π del ejemplo
anterior en términos de los vectores generadores de la base ortonormal. Por
ejemplo para expresar el vector (1, 1, 0) є π, en términos de la base ortonormal
formada por los vectores
1 9
1 0 , 1 10
u1 u2
10 190
3 3
1 1 9
1 1 0 1 10
10 10
0
3
3
1 1 1 1 11
1 1 1 1
3 1
2
1
11
9 1
1
8
14 2 8
266
14 3 266
0 0 0 9
1 1 11
1 3 2 19 8
14 266
0 3 9
Ejemplo 30: Encuentre una base ortonormal para los vectores en R 3 que están
en el plano XY.
Solución: Cualquier conjunto de dos vectores en R 3 con z = 0 y que sean LI es
una base para R3. Una base vectorial podría ser el conjunto de vectores:
1 2
B1 3 , 5
0 0
a1 1 5 2 x
o bien: a 11 3 1 y
2
De aquí obtenemos las siguientes expresiones para ai:
1 1
a1 5x 2 y , a2 3x y
11 11
Así, el vector w = (-6, 5, 0) se escribirá en términos de B1 como:
6 1 2
20 23
w 5 3 5
11 11
0 0 0
Dr. Isaias Ochoa Landín Página 49 08/12/2021
1 / 2 1 / 2 1 1 / 2 3
1 / 4 1 1 3 1
0 1 / 4 3
1
3 1
1
0 1 / 4 1
10
0
10
0
10 10
0 0 0
1 / 2 1 3
1 / 4 1 3 7 1
40 40
0
0
0
y = b + mx (x1, y1) Y
(x1, b+mx1)
(x2, b+mx2)
Datos reales (x3, y3)
Datos estimados (x2, y2)
(x3, b+mx3)
(x4, b+mx4)
(x4, y4)
Lo que se busca es la recta que pase lo más cerca posible de todos los
puntos, es decir, aquella recta que minimiza la suma de los cuadrados de las
diferencias entre los valores reales y los estimados con la recta
correspondiente:
y1 (b mx1 ) 2 y 2 (b mx2 ) 2 y n (b mxn ) 2
Claro que si los puntos caen sobre la recta, entonces se cumple que:
y1 (b mx1 ) 2 y 2 (b mx2 ) 2 y n (b mx n ) 2 0
o bien:
y1 (b mx1 ) 0
y 2 (b mx 2 ) 0
y n (b mx n ) 0
Y AU 0
y debemos encontrar el valor de U tal que la norma euclidiana Y AU sea
mínima. Gráficamente, en R3, esto significa lo siguiente:
Y − AU
Y
AU
X
Figura 3.8 Diferencia entre vectores de valores reales y valores ajustados.
Si U es el vector que minimiza la norma Euclideana, entonces: AU ┴
Y AU , es decir:
AU (Y AU ) 0
( AU ) T (Y AU ) 0
(U T AT )(Y AU ) 0
U T ( AT Y AT AU ) 0
y su transpuesta es:
1 1 1 1
AT
1 2 3 4
Dr. Isaias Ochoa Landín Página 52 08/12/2021
Figura 3.10 Datos experimentales y recta de ajuste obtenida por mínimos cuadrados.
Así, la recta que mejor ajusta los puntos tiene por ecuación:
25 37
y x
7 42
Ejemplo 32: Estimación de g. Se dejó caer un cuerpo desde una altura de 200
m y se midieron los tiempos en que dicho cuerpo pasó por ciertas posiciones
dadas en seguida:
Dr. Isaias Ochoa Landín Página 53 08/12/2021
Tiempo (s) 0 1 2 4 6
Altura (m) 200 195 180 120 25
1
g 4.79 m / s 2
2
g (2)( 4.79 m / s 2 ) 9.58 m / s 2
Dr. Isaias Ochoa Landín Página 55 08/12/2021
3 1 1
1 0 y1 y 2
1 1 2 y1 2 4 4
1 3 1
A 3 1 4 y2 0 1 y1 y 2 (3.18)
2 4 4
5 1 8 y 3 0 0 0 2 y1 y 2 y 3
Primero trabajaremos con el lado izquierdo de esta matriz equivalente.
Esto es similar a trabajar con el sistema homogéneo. Entonces tendremos:
3
1 2 1 0
2
1 1
A 3 1 4 0 1 (3.19)
2
5 1 8 0 0 0
Después, si c1, c2 y c3 son L.I., encontraríamos las constantes, ai, que nos
permitieran escribir a1c1 + a2c2 + a3c3 = 0. En términos de componentes
quedaría expresado como:
1 1 2 0
a1 3 a 2 1 a3 4 0
3 1
es decir, una base para el espacio nulo, NA, es el vector , , 1
2 2
y1 y1 1 0
Y y 2 2 y1 y 3 y1 2 y 3 1
y 3 y3 0 1
1 0
Así, una base para la imagen de A es: imagen( A) 2, 1
0 1
De aquí que, dado que se requieren dos vectores para formar una base para la
imagen de A, el rango de A es: ρ(A) = dim(imagen(A)) = 2.
6
Y 10 el cual se puede escribir como:
22
6 1 0
10 6 2 22 1
22 0 1
1 1 2
imagen( A) C A 0 , 1 , 4
1 0 6
1 0 1
1 1 0
R A genr1 , r2 , r3 , ,
2 4 6
3 3 5
Dr. Isaias Ochoa Landín Página 61 08/12/2021
5 2v x v y
2
T (v) (3.22)
2v x v y
1
5
Así, para encontrar la proyección de un vector v1 sobre el vector u
aplicamos (3.22) a dicho vector. Por ejemplo, sea el vector v1 = (-3, 1),
Aplicando (3.22) a v1 = (-3, 1), obtenemos:
2
3 5 ( 2)(3) 1 2
T (v 1 ) T
1 1
( 2)(3) 1 1
5
Para otro vector v2 = (3, -2), con (3.22), tenemos:
8 2 (2)( 8 ) 4 8
5 5 5 5 5
T (v 1 ) T
1
4 8 4 4
(2)( )
5 5 5 5 5
La Figura 3.11 muestra la proyección de v1 y v2 sobre u.
Dr. Isaias Ochoa Landín Página 63 08/12/2021
T (v w) T (v) T ( w )
ux u xu y
2 u y 2
0 u u
T 2
1 y u u y
u
2 y 2
u u
Dr. Isaias Ochoa Landín Página 64 08/12/2021
Entonces, AT es:
1 ux uxu y
2
AT 2 (3.23)
u u x u y u y2
3 1 u u x u y v x 1 4 2 3 2
2
T AT v 2 x
1 u u x u y u 2y v y 5 2 1 1 1
1 0 2
0 y 1 , es una base canónica para el espacio vectorial R y que cualquier
uxu y
ux
2
u
y 2
u u
0
T
1 uy 2
u y u y 2
u
2
u
Entonces, AT es:
1 ux uxu y
2
AT 2
u u x u y u 2y
(3.23)
Para el ejemplo particular con v = (-3, 1) y u = (2, 1), aplicando (3.23),
tenemos:
Dr. Isaias Ochoa Landín Página 66 08/12/2021
3 1 ux u x u y v x 1 4 2 3 2
2
T AT v 2
1 u u x u y u 2y v y 5 2 1 1 1
1 2 1 1 2 1 1 2 1 1 2 1
2 4 2
R1 2 4 2
2 R1 R2
0 0 0
3 R1 R3
0 0 0
3 6 3 3 6 3 3 6 3 0 0 0
Así, una base para generar N(AT) son los vectores anteriores. Por lo
tanto, el núcleo de la transformación T, es el espacio nulo de AT:
2 1
nucleo(T) = N(AT) = gen 1 , 0
0 1
Dr. Isaias Ochoa Landín Página 67 08/12/2021
v’ = ( v’x , v’y)
v = (vx , vy)
θ+φ
φ
θ
20
18
16
14
12
10
8
6
4
2
0
-2
-4
-6
-8
-10
-20 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 2 4 6
1 1 0 0 0 0
T 0 0 , T 1 1 , T 0 0
0 0 0 0 1 0
y la matriz de transformación es:
1 0 0
AT
0 1 0
0 0 0
1 1 0 0 1 0
T , T AT
0 0 1 1 0 1
1 1 0 0 1 0
T , T AT
0
0 1
1 0 1
X
X
Y y=x
v
T(v)
Y Y
v =(a, b)
(0, b)
c>1
0<c<1
X X
(a, 0) (ac, 0) (a, 0)
Y Y
c>0
(a+bc, b)
(0, b) (a, b) (0, b) (bc, b)
X X
(0, 0) (a, 0) (0, 0) (a, 0)
x x
T
y cx y
Y Y (a, ac + b)
(a, ac)
X X
(0, 0) (a, 0) (0, 0) (a, 0)
0 3 0 2 3 7 1 10
5. AT 1 2 6. AT 5 7. AT 4 8 8. AT 6
7 2
Transformación
Etapa Resultado de la Transformación
Elemental
Reflexión sobre la recta y = x. Note que esto es
0 1
1 1 0
similar a una permutación hecha sobre la matriz
identidad.
3 0 Debido a que c > 1, la transformación se trata de
2 0 1
una Expansión a lo largo del eje Y.
Esta transformación es, en realidad, una
1 0
3 0 2
combinación de una Expansión a lo largo del eje
Y seguida de una Reflexión respecto al eje X.
1 5 / 3 Esta transformación consiste en un corte a lo
4 0 1
largo de la parte negativa del eje X pues c < 0.
1 0 1 0 t u t u
0
2 0 1 v w v w
Con esto, es fácil ver que la primera parte es una Expansión a lo largo
del eje Y, seguida por una Reflexión sobre el eje X, como se mencionó
anteriormente.