No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Funciones lineales

12/28
Recursos

Aportes 6

Preguntas 0

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Les dejo la funci贸n que he echo para que tambien pueda usarse con arrays normales (:

import numpy as np


def f(x):
    if type(x) != type(np.array([])):
        x = np.array(x)
    return x.sum()


if __name__ == '__main__':
    print(f([2, 3]))

Las funciones van a tomar vectores y los convertir谩n en escalares

Funciones biyectivas : 1 a 1

import numpy as np

def f(x):
    return np.sum(x) # sumar todas las componentes del vector
    # funci贸n suma
def g(x):
    return x[0] #regresa solamente la primera posici贸n
    #proyecci贸n sobre x0

鈥淓ste elemento del dominio va a dar un elemento de la imagen al cual ning煤n otro elemento de la imagen va a dar鈥.

Eso no es necesariamente cierto. La par谩bola b谩sica por ejemplo. f(x) = x^2. x y su opuesto dan siempre el mismo valor de salida.

Es perfectamente normal que 2 elementos del dominio se relacionen con un mismo elemento del codominio, o siguiente la analog铆a de los c铆rculos y tri谩ngulos, 2 c铆rculos distintos pueden apuntar al mismo tri谩ngulo

Les dejo mi comprobador de linealidad

  • Define una funci贸n lineal utilizando NumPy. Una funci贸n lineal toma un vector de entrada y lo transforma en otro vector de salida aplicando una transformaci贸n lineal. Por ejemplo, consideremos la siguiente funci贸n lineal en R^2:
def funcion_lineal(x):
    A = np.array([[2, 3], [4, 1]])  # Matriz de coeficientes
    b = np.array([1, -1])           # Vector de t茅rminos constantes
    y = np.dot(A, x) + b            # Aplicar la transformaci贸n lineal
    return y

x = np.array([2, 1])    # Vector de entrada
y = funcion_lineal(x)  # Aplicar la funci贸n lineal
print(y)               # Imprimir el resultado

El ejemplo de f(X) por temas de comodidad lo podr铆amos definir como la sumatoria de cada componente del vector, no cambia en nada solo que es mas corto de escribir en el caso de que el vector fuera muy largo.