Aprende Implementación de la Transformación de Matrices en Python

Resolución de un sistema lineal

Definimos un sistema de ecuaciones:

2x + y = 5 \\ x - y = 1

Esto se reescribe como:


              123456789
            
import numpy as np

A = np.array([[2, 1],   # Coefficient matrix
              [1, -1]])

b = np.array([5, 1])    # Constants (RHS)

x_solution = np.linalg.solve(A, b)
print(x_solution)

Esto encuentra los valores de $x$ y $y$ que satisfacen ambas ecuaciones.

Importancia: la resolución de sistemas de ecuaciones es fundamental en ciencia de datos, desde el ajuste de modelos lineales hasta la resolución de restricciones de optimización.

Aplicación de transformaciones lineales

Definimos un vector:

v = np.array([[2], [3]])

Luego aplicamos dos transformaciones:

Escalado

Se estira $x$ por 2 y se comprime $y$ por 0.5:

S = np.array([[2, 0],
              [0, 0.5]])

scaled_v = S @ v

Esto realiza:

S \cdot v = \begin{bmatrix} 2 & 0 \\ 0 & 0.5 \end{bmatrix} \begin{bmatrix} 2 \\ 3 \end{bmatrix} = \begin{bmatrix} 4 \\ 1.5 \end{bmatrix}

Rotación

Se rota el vector $90°$ en sentido antihorario utilizando la matriz de rotación:

theta = np.pi / 2
R = np.array([[np.cos(theta), -np.sin(theta)],
              [np.sin(theta),  np.cos(theta)]])

rotated_v = R @ v

Esto da como resultado:

R \cdot v = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix} \begin{bmatrix} 2 \\ 3 \end{bmatrix} = \begin{bmatrix} -3 \\ 2 \end{bmatrix}

Visualización de las transformaciones

Utilizando matplotlib, se grafica cada vector desde el origen, con sus coordenadas etiquetadas:


              1234567891011121314151617181920212223242526272829303132333435363738394041424344454647
            
import numpy as np
import matplotlib.pyplot as plt

# Define original vector
v = np.array([[2], [3]])

# Scaling
S = np.array([[2, 0],
              [0, 0.5]])
scaled_v = S @ v

# Rotation
theta = np.pi / 2
R = np.array([[np.cos(theta), -np.sin(theta)],
              [np.sin(theta),  np.cos(theta)]])
rotated_v = R @ v

# Vizualization
origin = np.zeros(2)
fig, ax = plt.subplots(figsize=(6, 6))

# Plot original
ax.quiver(*origin, v[0], v[1], angles='xy', scale_units='xy', scale=1, color='blue', label='Original')

# Plot scaled
ax.quiver(*origin, scaled_v[0], scaled_v[1], angles='xy', scale_units='xy', scale=1, color='green', label='Scaled')

# Plot rotated
ax.quiver(*origin, rotated_v[0], rotated_v[1], angles='xy', scale_units='xy', scale=1, color='red', label='Rotated')

# Label vector tips
ax.text(v[0][0]+0.2, v[1][0]+0.2, "(2, 3)", color='blue')
ax.text(scaled_v[0][0]+0.2, scaled_v[1][0]+0.2, "(4, 1.5)", color='green')
ax.text(rotated_v[0][0]-0.6, rotated_v[1][0]+0.2, "(-3, 2)", color='red')

# Draw coordinate axes
ax.annotate("", xy=(5, 0), xytext=(0, 0), arrowprops=dict(arrowstyle="->", linewidth=1.5))
ax.annotate("", xy=(0, 5), xytext=(0, 0), arrowprops=dict(arrowstyle="->", linewidth=1.5))
ax.text(5.2, 0, "X", fontsize=12)
ax.text(0, 5.2, "Y", fontsize=12)

ax.set_xlim(-5, 5)
ax.set_ylim(-5, 5)
ax.set_aspect('equal')
ax.grid(True)
ax.legend()
plt.show()

Por qué es importante: los flujos de trabajo en ciencia de datos suelen incluir transformaciones, por ejemplo:

Análisis de Componentes Principales: rota los datos;
Normalización de características: escala los ejes;
Reducción de dimensionalidad: proyecciones.

Al visualizar vectores y sus transformaciones, se observa cómo las matrices literalmente mueven y remodelan los datos en el espacio.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 6

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Awesome!

Completion rate improved to 1.96

Desliza para mostrar el menú