Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A x⃑ = ⃑y
Si ⃑y es conocido, y se requiere encontrar ⃑x , entonces la ecuación previa es un sistema de
ecuaciones que se resuelve por la reducción de Gauss-Jordan. No ahondaremos más en ello.
Interpretación como operación.
Hay otra interpretación: Si x⃑ es conocido, entonces al multiplicarlo por A se puede calcular un
vector de salida ⃑y como una transformación, modificación, función, u operación sobre ⃑x
A x⃑ = ⃑y
A Operación o
x⃑ : Entrada Transformación.
⃑y= A x⃑ : Salida
Una familia de ejemplos particularmente notorios son las transformaciones vectoriales en Rn , que
toman un vector ⃑x y lo transforman geométricamente en otro ⃑x ' por medio de una matriz A :
'
⃑x T () ⃑x =T ( ⃑x ) =A ⃑x
→
Estas transformaciones son casos de un tipo más general de operaciones, que cumplen lo siguiente:
⃑
T ( x⃑ 1 + x⃑ 2 )=T⃑ ( ⃑x1 ) + T⃑ ( ⃑x 2) : Aditividad.
⃑
T ( α ⃑x 1) =α T⃑ ( ⃑x 1) : Homogeneidad.
El lector puede verificar fácilmente que cualquier operación de la forma x⃑ ' =T ( x⃑ )= A x⃑ es lineal y
que la aplicación reiterada de la Aditividad y Homogeneidad permite demostrar que toda operación
lineal transforma combinaciones lineales en combinaciones lineales con los mismos coeficientes:
⃑
T ( α 1 ⃑x1 + α 2 ⃑x 2 +…+ α n ⃑x n )=α 1 T⃑ ( ⃑x 1) + α 2 ⃑
T ( ⃑x 2 ) +…+ α n ⃑
T ( ⃑x n ) .
En el caso que nos ocupa, de transformaciones lineales representables con una matriz, es fácil de
verificar:
⃑
T ( α 1 ⃑x1 + α 2 ⃑x 2 +…+ α n ⃑x n )=¿
A ( α 1 x⃑ 1 +α 2 x⃑ 2 +…+α n ⃑xn ) =¿
A α 1 ⃑x 1 + A α 2 ⃑x 2+ …+ A α n ⃑x n=¿
α 1 A ⃑x 1 +α 2 A ⃑x 2+ …+α n A ⃑x n=¿
α 1 T⃑ ( ⃑x1 ) + α 2 ⃑
T ( ⃑x 2 ) +…+ α n ⃑
T ( ⃑x n ) .
{[ ] [ ] [ ] [ ]}
1 0 0 0
0 1 0 0
la base canónica Bc ={ e^ 1 , e^ 2 , e^ 3 , … , e^ n }= 0 , 0 , 1 , … , 0 en el espacio de partida.
⋮ ⋮ ⋮ ⋮
0 0 0 1
[]
x1
x2
Considere una entrada x
⃑ = x 3 arbitraria en Rn . Como hemos visto previamente,
⋮
xn
[ ] [ ][ ] [ ] [ ]
x1 x1 0 0 0
x2 0 x2 0 0
⃑x = x 3 = 0 0 x 3 +…+ 0 =¿
⋮ ⋮ ⋮ ⋮ ⋮
xn 0 0 0 xn
[] [] [] []
1 0 0 0
0 1 0 0
¿ x 1 0 + x 2 0 + x 3 1 +…+ x n 0 .
⋮ ⋮ ⋮ ⋮
0 0 0 1
¿ x 1 e^ 1 + x 2 e^ 2+ x3 e^ 3 +…+ x n e^ n .
Entonces
A ⃑x = A x 1 e^ 1 + A x 2 e^ 2+ A x 3 e^ 3+ …+ A x n e^ n
¿ x 1 A e^ 1 + x 2 A e^ 2+ x 3 A e^ 3+ …+ x n A e^ 3
¿ x 1 T⃑ ( e^ 1 ) + x 2 ⃑
T ( e^ 2 ) + x 3 T⃑ ( e^ 3 ) + …+ x n T⃑ ( e^ n )
[]
x1
x2
⃑
T ( ⃑x )= A ⃑x = ⃑ [
T ( e^ 1 )|⃑
T ( e^ 2 )|⃑
T ( e^ 3 ) ∨…∨T⃑ ( e^ n ) x
3 ]
⋮
xn
⃑
T ( ⃑x )= A ⃑x = ⃑ [
T ( e^ 1 )|⃑
T ( e^ 2 )|⃑
T ( e^ 3 ) ∨…∨T⃑ ( e^ n ) ⃑x ]
De esto se concluye que
[
T ( e^ 1 )|T⃑ ( e^ 2 )|T⃑ ( e^ 3 ) ∨…∨⃑
A= ⃑ T ( e^ n ) . ]
La matriz asociada a una transformación lineal es la matriz compuesta por la transformación de
cada vector de la base canónica del espacio de entrada, organizada por columnas.
En las imágenes a continuación se muestran algunas de esas transformaciones, que explicaremos
después (el script de Octave/Matlab para generarlas se encuentra en:
https://drive.google.com/file/d/1OoqOBIMi96wFiEQsNVovVxljHT44p8Rr/view?usp=sharing )
Ejemplo 1. Reflexión sobre el eje x.
Es claro que esta transformación mantiene las coordenadas en el eje horizontal e invierte las
coordenadas en el eje vertical. Por tanto, es claro que
x2([ ]) [ ]
T x1 = x1
−x 2
A
[][
x1
x2
a a x
][ ] [ ]
= 11 12 1 = 1 .
x
a21 a 22 x 2 −x 2
Por comparación se encuentra que A= [ 10 −10 ]. Pero note que podríamos haber aplicado la teoría
previa. Para encontrar la matriz asociada a la transformación, basta encontrar cómo se transforman
los vectores de la base canónica bajo ⃑
T.
la transformación,
T ( ⃑x )= A ⃑x =
[ 10 −10 ][ xx ]=[−xx ]= ⃑x ,
1
2
1
2
'
la misma del comienzo.
Ejemplo 2. Reflexión sobre el eje y.
El lector puede aplicar la teoría previa y las sugerencias del ejemplo anterior, para obtener la
transformación y la matriz asociada a una reflexión sobre el eje vertical:
[ ][ ]
' x
'
−x1 x2
⃑x = 1' =
x2 x2 ⃑x =
[]
x1
x2
e^ 2
e^ 1 x1
[ ] [ ][ ]
'
T ( x⃑ )= x'1 = −1 0 x 1 =R y x⃑
x2 0 1 x2
Ejemplo 3. Compresión en y (aplastamiento vertical).
En este caso, la coordenada vertical es multiplicada por un factor entre 0 y 1. En este ejemplo, se
eligió el factor ½. El lector puede aplicar los conceptos vistos y obtener la transformación y la
matriz asociada:
x2
⃑x =
[]
x1
x2
[ ][ ]
'
x⃑ ' = x 1' = x 1
x2 x2 /2
e^ 2
e^ 1 x1
Ejemplo 4: Escalamiento.
En la transformación de escala, todas las dimensiones se multiplican por el mismo factor. En este
ejemplo, tómese como factor el número 2. El lector puede encontrar que la transformación es
[] [ ][ ] [ ]
'
' x x 2 x1 2 0
⃑x = 1' =2 ⃑x =2 1 = , y la matriz asociada es A= .
x2 x 2 2 x 2 0 2
Ejemplo 5. Cizalladura.
En la cizalladura, a una de las coordenadas se le suma un múltiplo de la otra. Por ejemplo, una
cizalladura en el eje x 1 se haría sumándole a dicha coordenada un múltiplo de la otra. Para este
ejemplo, el múltiplo se puede escoger como 1/2. La matriz M asociada se puede encontrar así:
x⃑ =
[]
x1
x2
=x1 e^ 1+ x 2 e^ 2
e^ 2 x2
e^ 1 x⃑ =
[]
x1
x2
[]
'
T ( ⃑x )= ⃑x ' = x1' =¿
[ ][ ]
'
x2 ' x x +0.5 x 2
⃑x = 1' = 1
x2 x2
¿
[ x 1 +0.5 x 2
x2 ][ ][ ] [] [ ]
x
= 1+
0
0.5 x 2
x2
=x 1 1 + x 2 0.5
0 1
x1
[]
'
T ( ⃑x )= x'1 =x 1 e^ 1 + x 2 ( e^ '2 )
x2
[][ ][ ]
'
T ( ⃑x )= x'1 = 1 0.5 x 1 =M ⃑x
x2 0 1 x2
Rotación.
En una rotación plana, se rotan todos los vectores del espacio alrededor del origen en un ángulo θ .
[]
'
' x ' '
⃑x = 1' = e^ 1 x1 + e^ 2 x 2
x2
[ ] [ ]
x2 x2
x⃑ = cos θ x1 + −sinθ x2
'
sin θ cos θ
⃑x =
[]
x1
x2
=^e1 x 1+ e^ 2 x 2
e^ 2 '
e^ 2
x1 ' x1
e^ 1 e^ 1
'
⃑x =[ ] [ ]
cos θ x + −sinθ x
sin θ
1
cos θ
2
2 2
En este enlace puede encontrar un explorador de transformaciones lineales por medio de sliders.
https://www.math3d.org/ABAPeEpwi
Tarea:
Consultar cómo se hacen transformaciones similares en R3. Ilústrelas con el sistema de cómputo
que quiera.
Otros ejemplos:
Cadenas de Markov
Una capa de una red neuronal de Feed Forward (antes de los saturadores).
https://www.math3d.org/5W5zElkXc
https://www.math3d.org/ebSYNNpZt