Operadores Lineales en Rn

Hay dos interpretaciones fundamentales para la interpretación de la multiplicación de un vector por

una matriz A ⃑x = ⃑
y.

Interpretación como sistema de ecuaciones.

La primera interpretación es cuando se considera que las componentes de ⃑x son variables por
determinar en términos de un vector constante conocido ⃑y :

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.

Cuando una transformación es Aditiva y Homogénea, entonces se dice que la transformación u

operación es Lineal.

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 ) .

Un corolario de lo anterior es que, para transformaciones lineales matriciales en Rn , se puede

determinar cómo opera la transformación conociendo únicamente cómo opera sobre los vectores de

{[ ] [ ] [ ] [ ]}
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

Esto se puede demostrar muy fácil.

[]
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 )

Usando notación matricial para la combinación lineal, queda:

[]
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

Para representarlo matricialmente, basta encontrar una matriz tal que:

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.

Si consideramos los vectores de la base canónica e^ 1= [10 ] y e^ 2= [01 ]

, resulta evidente que al aplicar

la transformación,

 e^ 1 no se verá afectado: ⃑ T ( e^ 1 ) =^e1,

 e^ 2 se invertirá: ⃑
T ( e^ 2 ) =−^e 2

Por tanto, la matriz asociada a una reflexión sobre el eje x 1es:

 A=[ ⃑
[
T ( e^ 1 )|T⃑ ( e^ 2 ) ]=[ e^ 1∨^e 2 ] =
1 0
]
0 −1
.

Es la misma matriz obtenida partiendo de la transformación.

Nótese también que conociendo la matriz asociada se puede encontrar la transformación
explícitamente:

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

En este caso, se obtiene:

[ ] [ ][ ]
'
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 .

Aplicando los conceptos previos, y la descomposición con triángulos rectángulos de secundaria, se

encuentra:

[]
'
' 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

[ x ] [ sin θ cos θ ][x ] ⃑

'
' x = cos θ −sin θ x =R x
⃑x = 1
'
1

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