Unidad 4

Espacios Vectoriales
M.C. José Ismael Ojeda Campaña
 Contenido

4.1 Definición de espacio vectorial.

4.2 Definición de sub-espacio vectorial y sus
propiedades.
4.3 Combinación lineal. Independencia lineal.
4.4 Base y dimensión de un espacio vectorial, cambio
de base.
4.5 Espacio vectorial con producto interno y sus
propiedades.
4.6 Base ortonormal, proceso de ortonormalización de
Gram-Schmidt.
EN RESUMEN
 ESPACIO VECTORIAL

• Un espacio vectorial sobre un conjunto de números

K es intuitivamente un conjunto en el que tenemos
definida una suma y una multiplicación por
números con las propiedades habituales.
• La definición rigurosa es más complicada
requiriendo la estructura algebraica de grupo
abeliano con la suma y cuatro propiedades que
ligan la suma y la multiplicación.
• Los elementos de un espacio vectorial se llaman
vectores y los elementos del cuerpo (los números)
escalares.
 ESPACIO VECTORIAL
• Un espacio vectorial es un conjunto de vectores
(𝒗𝟏 , 𝒗𝟐 , … 𝒗𝒏 ) que cumplen con las siguientes
propiedades:

• Si 𝒙 y 𝒘 son dos vectores de un espacio vectorial 𝑽,

entonces existen operaciones 𝒙 + 𝒚 tal que:
a) 𝒙+𝒘=𝒘+𝒙
b) 𝒙+ 𝒘+𝒕 = 𝒙+𝒘 +𝒕
c) Existe un único elemento 𝟎, tal que 𝒙 + 𝟎 = 𝟎 + 𝒙 = 𝒙
d) Para cada 𝒙 existe un 𝒘, tal que 𝒙 + 𝒘 = 𝒘 + 𝒙 = 𝟎
e) Si 𝒌 es cualquier numero real, entonces 𝒌(𝒙 + 𝒘) = 𝒌𝒙 + 𝒌𝒘
f) Si 𝒌 y 𝒅 son dos números reales, entonces (𝒌 + 𝒅)𝒙 = 𝒌𝒙 + 𝒅𝒙
g) Si k y d son números reales, entonces 𝒌(𝒅𝒙) = (𝒌𝒅)𝒙
h) Existe un numero 𝟏, tal que 𝟏 (𝒙) = 𝒙
EJEMPLO: SEAN 𝑥 = (1,2), 𝑤 = (1,1), 𝑡 = (0,1) Y
NÚMEROS REALES k = 2 Y 𝑑 = 3
1. 𝒙 + 𝒘 = 𝒘 + 𝒙
1 1 1+1 1 1 1+1 2
+ = = + = =
2 1 2+1 1 2 2+1 3

2. 𝒙 + 𝒘 + 𝒕 = 𝒙 + 𝒘 + 𝒕

1 1 0 1+1+0
+ + = =
2 1 1 2+1+1
1 1 0 1+1+0
+ + =
2 1 1 2+1+1
EJEMPLO: SEAN 𝑥 = (1,2), 𝑤 = (1,1), 𝑡 = (0,1) Y
NÚMEROS REALES k = 2 Y 𝑑 = 3
3. 𝒙 + 𝟎 = 𝟎 + 𝒙 = 𝒙

4. 𝒙 + 𝒘 = 𝒘 + 𝒙

5. 𝒌 𝒙 + 𝒘 = 𝒌𝒙 + 𝒌𝒘
EJEMPLO: SEAN 𝑥 = (1,2), 𝑤 = (1,1), 𝑡 = (0,1) Y
NÚMEROS REALES k = 2 Y 𝑑 = 3
6. 𝒌 + 𝒅 𝒙 = 𝒌𝒙 + 𝒅𝒙

7. 𝒌 𝒅𝒙 = 𝒌𝒅 𝒙

8. 𝟏 𝒙 = 𝒙
 SUB-ESPACIO

Un sub-espacio vectorial de 𝑽, si 𝑺 es un subconjunto

de 𝑽 y en sí, es un espacio vectorial respecto a la
adición y multiplicación definidas en 𝑽.
A demás, deberá cumplir las siguientes condiciones:

∀ 𝒖, 𝒗 ∈ 𝑺: 𝒖 + 𝒗 ∈ 𝑺

∀ 𝜶 ∈ 𝒌, 𝒗 ∈ 𝑺: 𝜶 𝒗 ∈ 𝑺
 SUB-ESPACIO VECTORIAL

Un sub-espacio vectorial es un espacio vectorial incluido

en otro con las mismas operaciones. Las propiedades de
espacio vectorial se cumplen inmediatamente en un
subconjunto siempre que las operaciones estén bien
definidas, por ello para demostrar que cierto
subconjunto 𝑆 de un espacio vectorial sobre 𝐾, digamos
sobre ℝ para simplificar, es un sub-espacio basta
comprobar que no nos salimos de él al sumar o
multiplicar por números, esto es:

1) 𝒖, 𝒗 𝝐 𝑺 ⇒ 𝒖 + 𝒗 𝝐 𝑺
2) 𝒖 𝝐 𝑺, 𝝀 ∈ ℝ ⇒ 𝝀 𝒖 𝝐 𝑺
 EJEMPLO. SI DEFINIMOS LOS SIGUIENTES
SUBCONJUNTOS DE ℝ3

• 𝑽𝟏 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙𝒚𝒛 = 𝟎
• 𝑽𝟐 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 + 𝒚 + 𝒛 = 𝟎
• 𝑽𝟑 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 + 𝒚 + 𝒛 = 𝟏
• 𝑽𝟒 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 = 𝟎, 𝒚 + 𝟐𝒛 = 𝟎

• Comprobar cual de los siguientes vectores define a

un sub espacio del espacio tridimensional ℝ𝟑
 EJEMPLO. SI DEFINIMOS LOS SIGUIENTES
SUBCONJUNTOS DE ℝ3

𝑽𝟏 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙𝒚𝒛 = 𝟎

El primer vector no es un sub-espacio porque

(𝟎, 𝟏, 𝟏) y (𝟏, 𝟎, 𝟎) están en 𝑽𝟏 pero no su suma;

𝑽𝟐 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 + 𝒚 + 𝒛 = 𝟎

El segundo tampoco lo es porque (𝟏, 𝟎, 𝟎) ∈ 𝑽𝟐 pero

𝟐 ∙ 𝟏, 𝟎, 𝟎 ∉ 𝑽𝟐
 EJEMPLO. SI DEFINIMOS LOS SIGUIENTES
SUBCONJUNTOS DE ℝ3

𝑽𝟑 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 + 𝒚 + 𝒛 = 𝟏

𝑽𝟒 = 𝒙, 𝒚, 𝒛 ∈ ℝ𝟑 : 𝒙 = 𝟎, 𝒚 + 𝟐𝒛 = 𝟎

Finalmente 𝑽𝟑 y 𝑽𝟒 sí son sub-espacios. La razón es

simplemente que podemos separar sumas de cosas
que dan cero con paréntesis o que podemos
multiplicar algo igualado a cero por cualquier
número.
 EJEMPLO. SI DEFINIMOS LOS SIGUIENTES
SUBCONJUNTOS DE ℝ3

• Una conclusión del ejemplo anterior es que un

sistema de ecuaciones lineales igualadas a cero en
ℝ𝑛 siempre definen un sub-espacio vectorial. De
hecho, todos los sub-espacios de ℝ𝑛 se pueden
expresar de esta forma.

E. Hernández, M.J. Vázquez, and M.A. Zurro. Álgebra lineal y Geometría.

Pearson/Addison Wesley, tercera edition, 2012.
 COMBINACION LINEAL

• Dados vectores 𝑣1 , 𝑣2 , … 𝑣𝑛 , una combinación

lineal de ellos es cualquier expresión del tipo:
𝜆1 𝑣1 +𝜆2 𝑣2 + ⋯ 𝜆𝑛 𝑣𝑛 con 𝜆1 , … 𝜆𝑛 𝜖 𝐾.

• Los vectores que se obtienen como combinaciones

lineales de elementos de un conjunto de vectores
C = 𝑣1 , 𝑣2 , … 𝑣𝑘 , forman el sub—espacio
generado por C que se denota con ℒ( 𝑣1 ,
 LINEALMENTE INDEPENDIENTES

• Se dice que los vectores 𝑣1 , 𝑣2 , … 𝑣𝑘 son

linealmente independientes si ninguno es
combinación lineal de los otros. Otra forma de
expresar esto es que 𝜆1 = 𝜆2 = ⋯ = 𝜆𝑛 = 0 es la
única solución de :
𝜆1 𝑣1 +𝜆2 𝑣2 + ⋯ 𝜆𝑛 𝑣𝑛 = 0
• Con ello decidir si ciertos vectores son linealmente
independientes se reduce a estudiar si un sistema
homogéneo (igualado a cero) tiene solución única.
Si utilizamos reducción de Gauss, esto equivale a
que al poner los vectores en columna haya tantos
escalones como columnas en la matriz escalonada.
EJEMPLO. ESTUDIEMOS SI LOS VECTORES 1,2,1 , 2,1,0 ,
4,5,2 DE ℝ3 SON LINEALMENTE INDEPENDIENTES

• Se colocan los vectores en forma de columna y se

aplica la reducción de Gauss.

1 2 4 1 2 4 1 2 4
2 1 5 0 −3 −3 0 1 1
1 0 2 0 −2 −2 0 −2 −2

1 2 4 El sistema tiene infinitas soluciones

0 1 1 (porque el número de escalones, dos, no
coincide con el de columnas, tres), por
0 0 0
tanto son linealmente independientes.
BASE Y DIMENSIÓN DE UN ESPACIO VECTORIAL

Un conjunto de vectores es una base de un espacio

vectorial V si:
• Genera a V
• Es linealmente independiente.

Si 𝑩 = 𝒗𝟏 , 𝒗𝟐 , … 𝒗𝒏 es una base de 𝑽, entonces

cualquier otra base de dicho espacio esta formada
por 𝒏 vectores, es decir, dos bases cualesquiera de 𝑽
tienen igual numero de vectores.
BASE Y DIMENSIÓ DE UN ESPACIO VECTORIAL

Intuitivamente, es un conjunto de vectores que no

tiene información redundante y que sirve para
construir todos los vectores de un sub-espacio. Más
formalmente, dada una base 𝑩 = 𝒃𝟏 , 𝒃𝟐 , … 𝒃𝒏
cada vector 𝒗 se puede escribir de forma única
como una combinación lineal: 𝒗 = 𝝀𝟏 𝒃𝟏 + 𝝀𝟐 𝒃𝟐 +
⋯ + 𝝀𝒏 𝒃𝒏 . Los números 𝝀𝟏 , 𝝀𝟐 , … 𝝀𝒏 se llaman
coordenadas o componentes de 𝑽 en la base 𝑩.

Un espacio vectorial 𝑽 puede tener muchas bases

pero todas ellas tienen el mismo número de
elementos, llamado dimensión que se indica con
𝒅𝒊𝒎 𝑽 .
EJEMPLO DE BASE DE UN ESPACIO VECTORIAL

• Ejemplo más simple de una base en ℝ𝒏 es la

llamada base canónica 𝑩 = 𝒆𝟏 , 𝒆𝟐 , … , 𝒆𝒏 donde
𝒆𝒋 es el vector con todas sus coordenadas cero
excepto la j-ésima que vale 1. Las coordenadas de
un vector con respecto a esta base son las
coordenadas en el sentido habitual. Así en, ℝ𝟑

• 𝒙, 𝒚, 𝒛 = 𝒙 𝟏, 𝟎, 𝟎 + 𝒚 𝟎, 𝟏, 𝟎 + 𝒛(𝟎, 𝟎, 𝟏)
EJEMPLO DE BASE DE UN ESPACIO VECTORIAL

En conclusión…
Si sabemos de antemano la dimensión de un sub-
espacio, no es necesario comprobar la condición de
sistema de generadores, dicho de otra forma, en un
espacio vectorial de dimensión n siempre n vectores
linealmente independientes forman una base.
EJEMPLO DE BASE DE UN ESPACIO VECTORIAL

En conclusión…
Por otro lado, siempre que tengamos un sub-espacio
definido por ecuaciones lineales igualadas a cero, al
resolver el sistema habremos expresado las
soluciones como combinación lineal de vectores
multiplicados por parámetros arbitrarios.

Si hemos utilizado reducción de Gauss (o cualquier

método sin añadir información redundante), estos
vectores siempre serán linealmente independientes y
por tanto formarán una base.
 EJEMPLO HALLAR UNA BASE DEL SUBESPACIO
𝑥, 𝑦, 𝑧 ∈ ℝ3 ∶ 𝑥 + 2𝑦 + 3𝑧 = 0

Lo primero es resolver la ecuación 𝒙 + 𝟐𝒚 + 𝟑𝒛 = 𝟎.

Obviamente podemos escoger las dos últimas variables
como parámetros arbitrarios: 𝒚 = 𝜶, 𝒛 = 𝜷 y
consecuentemente 𝒙 = −𝟐𝜶 − 𝟑𝜷.
Entonces cada vector del sub-espacio es de la forma:
−𝟐𝜶 − 𝟑𝜷, 𝜶, 𝜷 = 𝜶 −𝟐, 𝟏, 𝟎 + 𝜷(−𝟑, 𝟎, 𝟏)

Los vectores (−𝟐, 𝟏, 𝟎) y (−𝟑, 𝟎, 𝟏) forman una base

porque todos los vectores del sub-espacio son
combinación lineal de ellos y porque son linealmente
independientes (por la construcción o porque uno no es
múltiplo de otro).
 RANGO

• El número de columnas pivote, esto es, el número de

vectores linealmente independientes, se llama rango.
Es bien conocido que la discusión de las soluciones de
un sistema lineal se reduce a consideraciones sobre el
rango.

• Aunque hay una definición con determinantes, ésta

suele ser poco deficiente, especialmente para
dimensión mayor que tres.
ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS
PROPIEDADES.

• Producto Interno:
• Un producto interno sobre un espacio vectorial 𝑽 es
una operación que asigna a cada par de vectores 𝒖 y
𝒗 en 𝑽 un número real < 𝒖, 𝒗 >.

• Un producto interior sobre 𝑽 es una función que asocia

un número real < 𝒖, 𝒗 > con cada par de vectores 𝒖 y
𝒗 cumple los siguientes axiomas:
 PROPIEDADES DEL PRODUCTO INTERIOR

i. (𝒗, 𝒗) ≥ 𝟎
ii. 𝒗, 𝒗 = 𝟎 𝒔𝒊 𝒚 𝒔ó𝒍𝒐 𝒔𝒊 𝒗 = 𝟎.
iii. (𝒖, 𝒗 + 𝒘) = (𝒖, 𝒗) + (𝒖, 𝒘)
iv. (𝒖 + 𝒗, 𝒘) = (𝒖, 𝒘) + (𝒗, 𝒘)
v. (𝒖, 𝒗) = (𝒗, 𝒖)
vi. (𝜶𝒖, 𝒗) = 𝜶(𝒖, 𝒗)
vii. (𝒖, 𝜶𝒗) = 𝜶 (𝒖, 𝒗)

La barra en las condiciones v y vii denota el conjugado complejo.

Nota: Si (𝒖, 𝒗) son vectores reales, entonces se puede eliminar la barra en v, es
decir 𝒖, 𝒗 = (𝒖, 𝒗)
EJEMPLO DE PRODUCTO INTERNO DE DOS VECTORES
EN ℂ3

En ℂ3 sean: 𝒙 = (𝟏 + 𝒊, −𝟑, 𝟒 − 𝟑𝒊) y 𝒚 = 𝟐 − 𝒊, −𝒊, 𝟐 + 𝒊

Calcula el producto interno:

𝑥, 𝑦 = 1 + 𝑖 2 − 𝑖 + −3 −𝑖 + 4 − 3𝑖 (2 + 𝑖)
= 1 + 𝑖 (2 + 𝑖) + −3 (𝑖) + 4 − 3𝑖 (2 − 𝑖)
= 1 + 3𝑖 − 3𝑖 + 5 − 10𝑖
= 6 − 10𝑖
 NORMA Y ORTOGONALIDAD

• Sea 𝑽 un espacio con producto interno y suponga que

𝒖 𝒚 𝒗 están en 𝑽. Entonces:
i. 𝐮 𝐲 𝐯 son ortogonales si 𝐮, 𝐯 = 𝟎
ii. La norma de 𝒖, denotada por 𝒖 , esta dada
por: 𝒖 = 𝐮, 𝐯

• Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar confusión
con el valor absoluto. Por ejemplo ǁ𝒔𝒆𝒏 𝒕ǁ denota la norma de 𝒔𝒆𝒏 𝒕 como
un “vector” en 𝑪[𝟎, 𝟐𝝅] mientras que |𝒔𝒆𝒏 𝒕| denota el valor absoluto de la
función 𝒔𝒆𝒏 𝒕.
• Nota 2. La ecuación anterior tiene sentido ya que (𝒖, 𝒖) ≥ 𝟎.
 EJEMPLO: COMPROBAR SI LOS VECTORES (3, −𝑖) y
(2, 6𝑖) SON ORTOGONALES

Se procede a realizar el producto interno.

𝟑, −𝒊 , (𝟐, 𝟔𝒊) = 𝟑 ∙ 𝟐 + −𝒊 𝟔𝒊 = 𝟔 + −𝒊 −𝟔𝒊
= 𝟔 + 𝟔𝒊𝟐 = 𝟔 − 𝟔 = 𝟎
Como el producto interno es cero se dice que son
ortogonales.

ENCUENTRA LA NORMA DE (3, −𝑖)

(3, −𝑖) = 3 ∙ 3 + (−𝑖)(𝑖) = 9 − 𝑖 2 = 10

 BASE ORTONORMAL

• Definición de conjunto ortogonales y conjuntos

ortonormales

• Un conjunto 𝑺 de vectores en un espacio 𝑽 con

producto interior se llama ortogonal si todo par de
vectores en 𝑺 es ortogonal, además cada vector en
este conjunto es unitario, entonces 𝑺 se
denomina ortonormal.
PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT

1. Sea 𝑩 = 𝒗𝟏, 𝒗𝟐, . . . , 𝒗𝒏} una base de un

espacio 𝑽 con producto interno
2. Sea 𝑩´ = 𝒘𝟏, 𝒘𝟐, . . . , 𝒘𝒏} donde 𝒘𝒊 está dado por:
𝒘 𝟏 = 𝒗𝟏
(𝒗𝟐,𝒘𝟏)
𝒘 𝟐 = 𝒗𝟐 − 𝒘𝟏
(𝒘𝟏,𝒘𝟏)
(𝒗𝟑,𝒘𝟏) (𝒗𝟑,𝒘𝟐)
𝒘 𝟑 = 𝒗𝟐 − 𝒘𝟏 − 𝒘𝟐
(𝒘𝟏,𝒘𝟏) (𝒘𝟐,𝒘𝟐)
Entonces 𝑩´ es una base ortogonal de 𝑽.
3. Sea 𝒖𝒊 = 𝒘𝒊 𝒘𝒊 entonces el conjunto
𝑩´´ = 𝒖𝟏, 𝒖𝟐, . . . , 𝒖𝒏} es una base ortonormal de 𝑽.
ACTIVIDADES DE APRENDIZAJE
ACTIVIDADES DE APRENDIZAJE
ACTIVIDADES DE APRENDIZAJE
 UNIDAD 5
TRANSFORMACIONES
LINEALES
 INTRODUCCION

• En la vida actual es muy importante resolver

problemas utilizando las matemáticas.

• Cuando se trabaja con espacios vectoriales surgen

situaciones en las cuales es de utilidad usar las
transformaciones lineales para la solución de problemas,
una parte importante es la representación matricial de una
transformación lineal.
Kolman, (2006) pp. 272 y 521
 APLICACIONES DE LAS TRANSFORMACIONES
LINEALES

• Se aplican en sistemas de ecuaciones lineales, en

matrices y en un sin número de problemas, gracias a
las transformaciones lineales sabemos el dominio e
imagen y teniendo esto saber si es un espacio
vectorial.
• Poole, D (2007), pp.201
 CONTENIDO DE LA UNIDAD

5.1 Definición de transformación lineal.

5.2 Núcleo e imagen de una transformación lineal.
5.3 Representación matricial de una transformación
lineal.
5.4 Aplicación de las transformaciones lineales:
reflexión, dilatación, contracción y rotación.
 DEFINICIÓN DE UNA TRANSFORMACIÓN LINEAL

• es una función entre espacios vectoriales que preserva

las operaciones (suma de vectores y producto por
escalares).

• Desde el punto de vista práctico podemos considerar

que una transformación lineal (o aplicación lineal)
𝒇: ℝ𝒏 → ℝ𝒎 es siempre una función de la forma
𝒇 𝒙 = 𝑨𝒙 con 𝑨 ∈ 𝓜𝒎×𝒏 cuando escribimos 𝒙 y
𝒇 𝒙 como vectores columna. Las filas de 𝑨 están
formadas por los coeficientes que aparecen en las
coordenadas de 𝒇 𝒙
 DEFINICIÓN DE UNA TRANSFORMACIÓN LINEAL

• Geométricamente, una aplicación lineal es una manera

de deformar los objetos, en cierta forma como verlos
en perspectiva. Dicho sea de paso, las aplicaciones
lineales que dan la perspectiva son cruciales en el
software 3D (por ejemplo, los videojuegos) y
curiosamente se representan por matrices 𝓜𝟒×𝟒
 EJEMPLO DE UNA TRANSFORMACIÓN LINEAL

La aplicación 𝒇: ℝ𝟑 → ℝ𝟐 dada por

𝒇(𝒙, 𝒚, 𝒛) = (𝒙 + 𝒚 + 𝟐𝒛, 𝒙 − 𝒚)

𝟏 𝟏 𝟐
es lineal y su matriz es 𝑨 =
𝟏 −𝟏 𝟎

𝒙
𝒙 + 𝒚 + 𝟐𝒛 𝟏 𝟏 𝟐
Por que = 𝒚
𝒙−𝒚 𝟏 −𝟏 𝟎 𝒛
• En realidad la descripción anterior de las aplicaciones
lineales es un poco simplista y con un poco más de
rigor sólo se define la matriz de una aplicación lineal
una vez que se ha fijado una base con respecto a la
cual definir las coordenadas.

• si pensamos en una aplicación lineal de ℝ𝒏 → ℝ𝒏

como una función que a cada 𝒙 ∈ ℝ𝒏 le asigna 𝒚 =
𝑨𝒙, otro “observador” que usase una base distinta
vería 𝒚 = 𝑪 𝒚 y 𝒙 = 𝑪 𝒙 con lo cual 𝒚 = 𝑪 𝑨 𝑪−𝟏 𝒙,
entonces para él la matriz seria 𝑪 𝑨 𝑪−𝟏 . Esta es la
formula de cambio de base.
 NUCLEO E IMAGEN

• Se llama núcleo de una aplicación lineal 𝒇, y se escribe

𝑵𝒖𝒄(𝒇), a las soluciones de 𝒇 𝒙 = 𝟎. Siempre forman
un sub-espacio y, como se ha sugerido antes, todos los
sub-espacios de ℝ𝒏 se pueden conseguir así.

• La imagen de T es simplemente el conjunto de

“imágenes” de los vectores en V bajo la transformación
T. De hecho, si w = Tv, se dice que w es la imagen de v
bajo T
 EJEMPLO DE NUCLEO

• El núcleo de 𝒇(𝒙, 𝒚, 𝒛) = (𝒙 + 𝒚 + 𝒛, 𝒙 + 𝒚, 𝒛) es la
solución de 𝒙 + 𝒚 + 𝒛 = 𝟎, 𝒙 + 𝒚 = 𝟎, 𝒛 = 𝟎. Es fácil
ver que se tiene 𝒙 = 𝝀 , 𝒚 = −𝝀 , 𝒛 = 𝟎, con
𝝀 arbitrario. Así 𝑵𝒖𝒄 𝒇 = 𝝀 𝟏, −𝟏, 𝟎 que también
es 𝓛 (𝟏, −𝟏, 𝟎 .
APLICACIONES DE LAS TRANSFORMACIONES LINEALES

• Una transformación geométrica es una función matemática

que transforma un punto o conjunto de puntos en otro
punto o conjunto de puntos, dentro del sistema de
referencia global de la escena.

• Las tres transformaciones básicas son la traslación, la

rotación y el escalado.

• A partir de estas transformaciones pueden construirse

otras nuevas.

• Las transformaciones 3D son una generalización de las 2D.

 TRANSFORMACIÓN 2D: TRASLACIÓN.

• La operación de traslación consiste en modificar la

posición de un punto en el plano definido por las
coordenadas (x, y), mediante un movimiento en línea
recta desde la posición actual (posición inicial) a la
posición final.

• La traslación no modifica la geometría del objeto, sólo

su posición en el espacio.

• Esta operación consiste en sumar a las coordenadas de

cada punto, los valores de los desplazamientos en las
dos direcciones x e y.
 TRANSFORMACIÓN 2D: TRASLACIÓN.

• A los valores dx y dy se les denomina distancias de

traslación. Estas distancias son números reales positivos
o negativos.

x'  x  dx, y '  y  dy

 x  x'  dx
P    , P'    , T   
 y  y ' dy
P'  P  T
 TRASFORMACIÓN 2D: TRASLACIÓN.

• Trasladar un objeto
complejo requiere
trasladar únicamente
los vértices que lo
componen. En las
nuevas posiciones
vuelven a unirse los
vértices.
 TRASFORMACIÓN 2D: ROTACIÓN

• La operación de rotación o giro desplaza un punto a

través de la circunferencia definida sobre un centro
determinado, es decir, siguiendo un movimiento
circular.

• Igual que en la traslación, esta operación no modifica la

geometría del objeto, sólo su posición.
 TRASFORMACIÓN 2D: ROTACIÓN

• Como en el caso de la traslación, para rotar un objeto

complejo basta aplicar la transformación a sus
vértices y unir los puntos transformados.

• Los ángulos positivos se miden en sentido contrario al

giro de las agujas del reloj, es decir, un giro desde x
hacia y se considera positivo.
 TRASFORMACIÓN 2D: ROTACIÓN

• Las ecuaciones de
rotación se pueden
obtener fácilmente de
la siguiente figura:
 TRASFORMACIÓN 2D: ROTACIÓN

• Expresiones matemáticas:
 TRANSFORMACIONES 2D: ESCALADO

• La operación de escalado modifica la distancia de los

puntos sobre los que se aplica, respecto a un punto de
referencia.

• Para definir esta operación son necesarios dos factores

de escala, Sx y Sy, según las direcciones x e y, y un punto
o eje de referencia.
 TRANSFORMACIÓN 2D: ESCALAMIENTO

• Escalado respecto al punto

origen:
• Si Sx, Sy > 1, la distancia
entre el objeto y el punto
de referencia aumenta.
• Si Sx, Sy < 1, la distancia
entre el objeto y el punto
de referencia disminuye.
• Si Sx, Sy =1, la operación
no tiene ningún efecto.
 TRANSFORMACIÓN 2D: ESCALAMIENTO
• Dos tipos de escalado:

• Escalado uniforme: El factor de escala es el mismo en

las dos coordenadas, es decir Sx=Sy, y por lo tanto varía
el tamaño pero no la forma del objeto.

• Escalado diferencial: El factor de escala es distinto en

cada dirección, es decir Sx es distinto de Sy, y se
produce una distorsión en la forma del objeto.