Bibliografı́a

Capı́tulo 1: Álxebra lineal.

1.1. O espazo vectorial Rn , matrices e determinantes Besada, M.; Garcı́a, F.J.; Mirás, M.A.; Quinteiro, C.; Vázquez, C. Un Mar de
Matemáticas. Servizo de Publicacións da Unversidade de Vigo. 2016. Capı́tulo 1.

Manuel Besada Larson, R.; Edwars, B.H.; Falvo, D.C. Álgebra Lineal. Ed. Pirámide. 2004. Pxs. 175-225
e 270-285 e Capı́tulos 2 e 3.
Universidade de Vigo
http://matematicas.webs.uvigo.gal/; http://mbesada.webs.uvigo.gal/
mbesada@uvigo.gal Gerber, H. Álgebra lineal. Ed. Iberoamericana. 1992. Capı́tulos 2, 3 e 4.

17 de setembro de 2021 Adams, R. A. Cálculo. Pearson Educación. 2009. Pxs. 38-40 e 641-659

Espazo vectorial Rn . Combinación lineal

Rn = {(x1 , x2 , . . . , xn ) : xi 2 R, para todo i = 1, . . . , n}.

Se x = (x1 , x2 , . . . , xn ), y = (y1 , y2 , . . . , yn ), e l 2 R, entón Rn é un espazo vectorial de Definición

dimensión n coas operacións, Chamamos combinación lineal dos vectores v1 , v2 , . . . , vk 2 Rn a todo vector da forma
1. suma: x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn ) l1 v1 + l2 v2 + · · · + lk vk , con l1 , l2 , . . . , lk 2 R.
2. Produto por un escalar: l x = (l x1 , l x2 , . . . , l xn )
Definición
Sendo o Os vectores v1 , · · · , vk son linealmente independentes se dados l1 , · · · , lk 2 R tales
3. vector nulo: 0 = (0, 0, . . . , 0). que l1 · v1 + · · · + lk · vk = 0, se ten que l1 = · · · = lk = 0.
En caso contrario, diremos que os vectores v1 , · · · , vk son linealmente dependentes.
4. vector oposto a x: x = ( x1 , x2 , . . . , xn ).
5. Os elementos x 2 Rn denomı́nanse vectores. Exemplos
y y 2 · (3, 2) I Os vectores (1, 1) e ( 1, 0) son linealmente independentes.
I Como 0(1, 1, 5) + 0( 1, 4, 3) + 4(0, 0, 0) = (0, 0, 0), os vectores (1, 1, 5),
(5, 3) ( 1, 4, 3) e (0, 0, 0) son linealmente dependentes.
(2, 2)
(3, 2) Teorema
Os vectores v1 , · · · , vk son linealmente dependentes se, e só se, polo menos un deles
(3, 1) se pode poñer como combinación lineal dos restantes.

x x
Figura: Exemplo de suma de dous vectores e produto dun vector por un escalar en R2
Base canónica Base canónica

O espazo vectorial Rn ten dimensión n. Exemplo

1. Unha base de Rn é un conxunto de n vectores de Rn linealmente independentes.
2. n é o número máximo de vectores linealmente independentes en e decimos Rn
que a dimensión de Rn é n, e denótase: dim(Rn ) = n. Doutra forma; a dimensión
dun espacio vectorial é o número máximo de vectores linealmente independentes.
3. Se B = {v1 , v2 , . . . , vn } ⇢ Rn é unha base de Rn , entón dado x 2 Rn sempre
existen n números reais únicos , l1 , l2 , . . . , ln 2 R, que verifican
x = l1 v1 + l2 v2 + · · · + ln vn .
4. Os escalares l1 , l2 , . . . , ln 2 R denomı́nanse coordenadas do vector x respecto
da base B e escrı́bese x = (l1 , l2 , . . . , ln ).
Base canónica
C = {e1 , e2 , . . . en }, onde e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, . . . , 0, 1),
I Un vector x = (x1 , x2 , . . . , xn ) 2 Rn pode escribirse de forma única
x = (x1 , x2 , . . . , xn ) = (x1 , 0, . . . , 0) + (0, x2 , 0, . . . , 0) + · · · + (0, 0, . . . , 0, xn )
= x1 e1 + x2 e2 + · · · + xn en .
I Os vectores (1, 1, 0), (0, 1, 1) e (1, 0, 1) constitúen unha base de R3 .
• En R3 o vector x = (2, 1, 5) ten como coordenadas l1 = 2, l2 = 1, l3 = 5
respecto da base canónica, C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, pois
x = (2, 1, 5) = 2(1, 0, 0) 1(0, 1, 0) + 5(0, 0, 1).
Se houbese lugar a confusión, escribirı́amos x = (2, 1, 5)C .
• Se tomamos como base B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} entón
x = (2, 1, 5) = l1 (1, 1, 0) + l2 (0, 1, 1) + l3 (1, 0, 1) = (l1 + l3 , l1 + l2 , l2 + l3 )
de onde l1 + l3 , = 2, l1 + l2 = 1 e l2 + l3 = 5, e resolvendo temos que l1 = 2,
l2 = 1, l3 = 4, polo que x = ( 2, 1, 4)B .
1. Base canónica en R2 : e1 = (1, 0), e2 = (0, 1),
2. Base canónica en R3 : e1 = (1, 0, 0), e2 = (0, 1, 0), e e3 = (0, 0, 1).
3. Outra notación: e1 = i, e2 = j, e3 = k
4. Distintas notación de vectores: a = (x, y, z) = xe1 + ye2 + ze3 = xi + yj + zk.
5. Igualdade de vectores: (x1 , x2 , x3 ) = (y1 , y2 , y3 ) () xi = yi , para todo i = 1, 2, 3.
6. O vector que une os puntos A = (x1 , x2 , x3 ) e B = (y1 , y2 , y3 ) ten como
coordenadas AB = (y1 x1 , y2 x2 , y3 x3 ) , pois A + AB = B.

Base canónica Interpretacións xeométricas

5
2x x q x 2x
3 1
2x 2x
Interpretacións xeométricas
Figura: Múltiplos dun vector
I Cada n-upla x = (x1 , x2 , . . . , xn ) interprétase como o segmento orientado (vector)
que une a orixe (0, 0, . . . , 0) co punto de coordenadas (x1 , x2 , . . . , xn ).
z I A suma de dous vectores responde á regra do paralelogramo.
I Os vectores da base canónica sitúanse nas direccións dos eixes coordenados.
I É útil considerar segmentos orientados coa orixe arbitraria. Ası́, o segmento con
orixe nun punto P = (x1 , x2 , . . . , xn ) e extremo en Q = (y1 , y2 , . . . , yn ),
corresponderá ó vector PQ = (y1 x1 , y2 x2 , . . . , yn xn ).
a = (x, y, z)
I Reciprocamente, cada vector z = (z1 , z2 , . . . , zn ) pode representarse por un
e3 = ~k

segmento coa orixe en calquera punto P = (x1 , x2 , . . . , xn ), tomando

Q = (x1 + z1 , x2 + z2 , . . . , xn + zn ). Obviamente z = PQ.
e2 =~j
~ı I A suma de vectores ten agora unha clara interpretación xeométrica:
= y
PQ + QR = PR.
e1
I A n-upla x = (x1 , x2 , . . . , xn ) será o punto x ou o vector x, segundo conveña en
cada momento.
x

Figura: Base canónica en R3

Produto escalar de dous vectores Produto escalar de dous vectores

Definición
Chamamos módulo, norma ou lonxitude
q dun vector
(x, y)
y x = (x1 , . . . , xn ) ó número real |x| = x12 + x22 + · · · + xn2 .
Produto escalar
O produto escalar de dous vectores x, y 2 Rn defı́nese como a suma Definición
p
x · y = hx, yi = x1 y1 + x2 y2 + · · · + xn yn . |(x, y )| = x2 + y2 Chamamos distancia entre dous vectores x = (x1 , . . . , xn ) e
Exemplo: (1, 2, 1) · (0, 2, 3) = 1 y = (y1 , . . . , yn ) ó np
úmero real
d(x, y) = |x y| = (x1 y1 )2 +(x2 y2 )2 +. . .+(xn yn )2 .
x
Propiedades
Para todo x, y, z2 Rn e l 2 R, verifı́case,
x = (x1 , x2 ) I x · x = |x|2
I x · x = 0 se, e só se, x = 0 x2
I Dous vectores x, y 2 Rn teñen a mesma dirección se
I x ·y = y ·x d(x, y )
x2 y2 existe l 2 R tal que y = l x (son linealmente
I (x + y) · z = x · z + y · z dependentes).
y = (y1 , y2 ) x1 y1
I (l x) · y = l (x · y) = x · (l y) y2 I Un vector x 2 Rn é unitario se |x| = 1.
I x · (y + z) = x · y + x · z I Se x 6= 0, entón o vector x é unitario e ten a mesma
y1 x1 |x|
dirección que x.
Figura: norma e distancia I Se x 6= 0, entón o vector 2x ten o dobre de lonxitude e
a mesma dirección que x.

Ángulo entre dous vectores Vectores ortogonais

Teorema
x·y
O ángulo q que forman dous vectores x, y 2 Rn vén dado por cos q = |x||y| .

Demostración. Fórmula dos cosenos: |y x|2 = |x|2 + |y|2 2|x||y| cos q Corolario
Propiedades do produto escalar: |y x|2 = (y x) · (y x) = |y|2 + |x|2 2x · y 1. x · y = |x||y| cos q
Igualamos os dous segundos membros e simplificamos, 2. Dous vectores non nulos son ortogonais ou perpendiculares se, e só se,
x · y = 0.
2 2 2 2
|y| + |x| 2x · y = |x| + |y| 2|x||y| cos q
2x · y = 2|x||y| cos q Exemplos
x ·y
cos q = . I Os vectores (1, 2, 2) e ( 4, 3, 1) son ortogonais.
|x||y| p p
I Os vectores (2, 2 3) e (2 3, 2) forman un ángulo de p radiáns.
6
p p
I Os vectores ( 3, 1) e ( 3, 1) forman un ángulo de 4p
6 radiáns.
y x I Os vectores (1, 1) e (1, 0) forman un ángulo de p radiáns.
4
I Os vectores da base canónica en R3 son unitarios e ortogonais dous a dous.
q y
x

Figura: Ángulo que forman dous vectores

Vectores con M ATLAB Matrices

1. Os vectores en M ATLABescrı́bense como unha fila de números ordenados e Matrices de orde m ⇥ n

encerrados entre corchetes,
1. Chamamos matriz sobre R de orde m ⇥ n a todo conxunto formado por m ⇥ n
> >x=[1 2 -1], y=[4, 2, -3]
elementos de R, ordenados en m filas e n columnas. O elemento situado na fila
e as operacións habituais de suma e produto por un escalar
i-ésima e na columna k-ésima diremos que ocupa o lugar ik e denótase mediante
> >suma=x+y, produto =3*x
aik .
devolvendo os vectores suma=[5,4,-4] e produto =[3, 6, -3].
2. Mm⇥n denotará o conxunto das matrices sobre R de orde m ⇥ n.
2. O produto escalar dos vectores; x e y calcúlanse coa sentenza
> >prod=x*y’ 3. En xeral, unha matriz A 2 Mm⇥n tamén se denotará por A = (aik ), onde aik 2 R
ou tamén está situada na fila i-ésima e na columna k-ésima de A.
> >prod=dot(x,y)
devolvendo o número; prod=11. Exemplo ✓ ◆
3. para calcular a norma dun vector, a distancia entre dous vectores ou o ángulo, 5 0 1
Ası́, un elemento A 2 M2⇥3 será, por exemplo, A = .
utilizamos as sentenzas 1 2 3
✓ ◆ ✓ ◆
> > normax=norm(x) 3 1 4 1 2
Se B = eC= , entón B 2 M2⇥3 e C 2 M2⇥2 .
> > distxy=norm(x-y) 2 0 1 1 0
> > angulo=acos(x*y’/(norm(x)*norm(y)))
devolvendo o ángulo en radiáns.

Matrices
Producto de matrices
Operacións con matrices n
!
0 1
a11 a12 . . . a1n I Produto de matrices: A · B = (aij ) · (bjk ) = (cik ) = Â aij bjk 2 Mm⇥k onde
B a21 a22 . . . a2n C j=1
B
I En xeral, se A 2 Mm⇥n será do xeito A = B . C A 2 Mm⇥n , B 2 Mn⇥k e o produto A · B 2 Mm⇥k .
.. .. .. C, con aik 2 R.
@ .. . . . A
am1 am2 . . . amn Mm⇥n · Mn⇥k = Mm⇥k
=
En Mm⇥n defı́nense as operacións: 66 66 6
I Por exemplo,
I suma de matrices: A + B = (aik ) + (bik ) = (aik + bik ) 2 Mm⇥n , onde A, B 2 Mm⇥n
0 1 0 1
I produto dun número real por unha matriz: l A = (l aik ) 2 Mm⇥n , onde l 2 R e a11 a12 ✓ ◆ a11 b11 + a12 b21 a11 b12 + a12 b22
b b12
A 2 Mm⇥n A · B = @a21 a22 A 11 = @a21 b11 + a22 b21 a21 b12 + a22 b22 A
b21 b22
a31 a32 a31 b11 + a32 b21 a31 b12 + a32 b22
Teorema onde o elemento ik da matriz produto é o produto escalar da fila i-ésima da matriz
O conxunto de tódalas matrices de orde m ⇥ n, Mm⇥n , coas operación suma e produto A pola columna k-ésima da matriz B. Daquı́ a importancia de que o número de
por un número real é un espazo vectorial de dimensión m · n que ten como base columnas de A sexa igual ó número de filas de B.
canónica B = {Eij = (epq ) : i = 1, . . . m; j = 1; . . . n}, onde eij = 1 e epq = 0 para p 6= i ou
I O esquema anterior sobre a orde no produto de matrices indica, obviamente, que
q 6= j.
Por exemplo, para m◆= n = 2, ✓ o produto de matrices non é conmutativo, xa que incluso é posible que non se
⇢ ✓ ◆ ✓ ◆ ✓ ◆ poidan multiplicar se cambiamos a orde dos factores.
1 0 0 1 0 0 0 0
B = E11 = , E12 = , E21 = , E22 = I Dúas matrices cadradas da mesma orde si que se poden permutar na orde dos
0 0 0 0 1 0 0 1
factores e non é difı́cil atopar dúas matrices que proben a non conmutatividade do
produto.
 Tipos especiais de matrices
Tipos especiais de matrices
Exemplos
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆ 1. A matriz trasposta de A = (aik ) 2 Mm⇥n é a matriz B = (bik ) 2 Mn⇥m definida por
I A= 5 0 1 3 1 4 1 2 2 3
,B= ,C= ,D= bik = aki , para todo i, k. É un intercambio ordenado de filas por columnas.
1 2 3 2 0 1 1 0 4 1
Denótase por At ou tamén por A0 . Verifı́case que (At )t = A.
✓ ◆ ✓ ◆ ✓ ◆
5 0 1 3 1 4 8 1 5 2. Unha matriz A 2 Mn⇥n dise que é simétrica se coincide coa súa trasposta; é
A+B = + = dicir, At = A ou, equivalentemente, aik = aki , para todo i, k.
1 2 3 2 0 1 1 2 4
✓ ◆ ✓ ◆ 3. Unha matriz A = (aik ) 2 Mn⇥n dise diagonal se aik = 0, para todo i 6= k.
I 3A = 3 5 0 1 15 0 3
=
1 2 3 3 6 9 4. Matriz identidade é aquela matriz diagonal na que aii = 1, para todo i.
✓ ◆ ✓ ◆ 5. A matriz inversa de A 2 Mn⇥n é unha matriz, que denotamos A 1 que verifica
I 1 2 2 4
2C = 2
1 0
=
2 0 que A 1 A = AA 1 = I, onde I é a matriz identidade de orde n.

✓ ◆✓ ◆ ✓ ◆ Exemplos
I CA = 1 2 5 0 1 3 4 7 Se A, B e C son as matrices do exemplo anterior,
= 0 1
1 0 1 2 3 5 0 1 5 1 ✓ ◆ ✓ ◆
I At = @ 0 1 1 0 1
2 A 2 M3⇥2 Ct = 2 M2⇥2 C 1= 1 1
✓ ◆ ✓ ◆ 2 0
1 3 2 2
I CD = 6 1
6=
5 4
= DC. 0 1
2 3 5 8 ✓ ◆ 1 0 0
I I2 = 1 0 , I3 = B C
@0 1 0A, son as matrices identidade de orde 2 e 3, respectivamente
0 1
0 0 1

Determinante dunha matriz cadrada Propiedades dos determinantes

Determinante dunha matriz cadrada Exemplos

✓ ◆ 1 2 3
Se A 2 Mn⇥n , definiremos o determinante de A, e denotamos det A, por recorrencia: 5 1
det = 15 + 1 = 16; 1 1 5 =1 20 9+6 15 + 2 = 35;
1. Se n = 1, A = (a) e det A = a. 1 3
✓ ◆ 2 3 1
a11 a12
2. Se n = 2, A = e det A = a11 a22 a12 a21 .
a21 a22 1 2 0 3
0 1 2 1 1 2 1 0 1
0 1 1 0 1 2
a11 a12 · · · a1n = 1 1 1 2 2 1 1 3 2 1 1 = 2( 3) 3( 3) = 15
2 1 1 1
Ba21 a22 · · · a2n C 2 1 0 0 1 0 0 2 1
B
3. En xeral, se A = (aik ) = B .
C 0 2 1 0
.. .. .. C definimos
@ .. . . . A
an1 an2 · · · ann Propiedades dos determinantes
det A = a11 A11 + a12 A12 + · · · + a1n A1n , onde Aik = ( 1)i+k ik , sendo ik o 1. Un determinante pode calcularse por calquera fila (ou columna).
menor complementario de aik ; é dicir, é o determinante da matriz de orde n 1
2. Ó intercambiar dúas filas (ou columnas), o determinante cambia de signo.
que se obtén de A ó suprimir a fila i-ésima e a columna k-ésima. Cada número
real Aik denomı́nanse adxunto do elemento aik . 3. Un determinante con dúas filas (ou columnas) iguais é nulo.
0 1
a11 a12 a13 4. O determinante non varı́a se a unha fila (ou columna) se lle suma unha
4. Por exemplo, se n = 3 , A = @a21 a22 a23 A e combinación lineal das restantes.
a31 a32 a33 5. O determinante dunha matriz coincide co da súa trasposta.
detA = a11 a22 a33 + a12 a23 a31 + a21 a32 a13 a11 a23 a32 a12 a21 a33 a13 a22 a31 6. O determinante do produto de dúas matrices é o produto dos determinantes.
Propiedades dos determinantes Propiedades dos determinantes

Exemplo
0 1 0 1
1 3 3 1 1 1
Propiedades dos determinantes I Para A = @1 t
3A, det A = 1, A = @3 4 3A,
4
7. Se B é unha matriz que se obtén de multiplicar só unha fila ou columna dunha 1 4 3 3 3 4
matriz A por un número l , entón det(B) = l det(A). 0 1 0 1
7 3 3 7 3 3
8. Desta propiedade temos que det(l A) = l n det(A), onde n é a orde da matriz A. I Adx(A ) =
t @ 1 1 A
0 , A = 1 @ 1 1 0A
9. Un determinante é nulo se, e só se, as súas filas (ou columnas) son vectores 1 0 1 1 0 1
0 1
linealmente dependentes. 1 2 3
I Para A = @1 5 4A, det A = 0 porque a terceira fila é sumas das dúas
Teorema 2 3 7
Unha matriz A 2 Mn⇥n ten inversa se, e só se, det A 6= 0. primeiras e, polo tanto, non existe A 1
I
Nesta caso, A 1 = det1 A (Atik ), onde (Atik ) é a matriz formada polos adxuntos da matriz
trasposta de A. 1 2 1 4 1 2 1 4
4 2 5
2 0 4 3 0 4 2 5
Definición 4 2 2 1
=
0 6 2 15
= 6 2 15
O rango dunha matriz A é o máximo número de vectores columna (fila) linealmente 7 6 14
3 1 3 2 0 7 6 14
independentes que posúe. Tamén coincide coa maior orde de tódalas submatrices
cadradas de A con determinante non nulo. 4 2 5
10 20
= 10 0 20 = ( 2) = 180
19 29
19 0 29

Cambio de base Cambio de base

Consideremos dúas bases en R2 ; C = {e1 , e2 } e B = {v1 , v2 } e sexa x 2 R2 . Temos

que x = x1 e1 + x2 e2 = (x1 , x2 )C e tamén x = y1 v1 + y2 v2 = (y1 , y2 )B

Consideremos dúas bases en R2 ; C = {e1 , e2 } e B = {v1 , v2 } e sexa x 2 R2 . Temos x = (3, 2)C = 3e1 + 2e2
que x = x1 e1 + x2 e2 = (x1 , x2 )C e tamén x = y1 v1 + y2 v2 = (y1 , y2 )B

x = (3, 2)C = 3e1 + 2e2

e2
x = (4, 1)B = 4v1 + 1v2

Coordenadas de x en base C
e2 e1

v2
v1
x = (4, 1)B = 4v1 + 1v2
e1

v2
v1
Coordenadas de x en base B
 Matriz de cambio de base
Matriz de cambio de base
1. Dúas bases C = {e1 , e2 , e3 } e B = {v1 , v2 , v3 } en R3 poden ser consideradas
como dúas matrices C = e1 e2 e3 e B = v1 v2 v3 , onde a columna Exemplos
i-ésima de cada matriz contén as coordenadas do vector i-ésimo da base I Consideremos en R3 as base, C = {e1 , e2 , e3 },
correspondente.
B1 = {(1, 1, 1), ( 1, 1, 0), (0, 1, 1)} e B2 = {(1, 1, 1), (1, 0, 1), (1, 1, 0)} .
2. Un vector calquera x 2 R3 que ten como coordenadas X = (x1 , x2 , x3 ) e 0 10 1 0 1
1 1 1 1 1 0 1 2 0
Y = (y1 , y2 , y3 ) nas bases C e B, respectivamente, pode escribirse,
I MB B = B 1 B1 = @ 1 1 0 A@ 1 1 1A=@ 2 2 1 A
1 2 2
x = x1 e1 + x2 e2 + x3 e3 = e1 e2 e3 X t = CX t 1 0 1 1 0 1 0 1 1
0 1 0 1
x = y1 v1 + y2 v2 + y3 v3 = v1 v2 v3 Y t = BY t 1 1 1 1 1 1
I MC B = B = @ 0
1
1 1A e MB2 C = B2 = @1 0 1A.
1 1
3. Como det C 6= 0 6= det B, e tendo en conta que CX t = BY t , por exemplo, se 1 1 0 1 1 0
coñecemos as as coordenadas do vector x na base C , X = (x1 , x2 , x3 ), podemos I Se (1, 3, 2) son as coordenadas de xC en base canónica, en base B1 valen
obter as coordenas deste vector na nova base B, mediante a operación, 0 10 1 0 1
1 1 1 1 0
Y t = B 1 CX t . 1
xB1 = B1 xC = @ 0 1 1A @ 3A = @ 1A.
4. Se C é a base canónica de R3 , entón C é a matriz identidade e a expresión 1 1 0 2 2
anterior simplifı́case a Y t = B 1 X t . Se as coordenadas coñecidas fosen na base I E as coordenadas deste mesmo vector en base B2 ,
B, entón X t = BY t . 0 10 1 0 1
1 1 1 1 2
5. A matriz B 1 C denomı́nase matriz de cambio de base de C a B e denótase por 1
xB2 = B2 xC = @ 1 1 0 A @ 3A = @ 4 A.
MC B = B 1 C. 1 0 1 2 1
6. Estes razonamentos son válidos en calquera espazo Rn .

Cambio de base Cambio de base

Exemplos
I Se queremos rotar no plano os eixes coordenados p radiáns no sentido contrario
4 z
ás agullas do reloxo,
p p
Figura 1, entón o vector e1 da base canónica pasa a ser o
vector unitario ( 22 , 22 ) que se obtén de facer unitario o vector (1, 1) e e2 pasa a (0, sen(q ), cos(q ))
p p
2 2
ser o vector ( 2 , 2 ). Ası́, a matriz de cambio de base será (cos(q ), sen(q ))
p p ! 1 p p ! y
2 2 2 2
MC B = B 1 = p2 p2 = 2p p2 q
2 2 2 2
2 2 2 2
I En xeral, se rotamos q radiáns no mesmo sentido, entón a matriz de cambio de
✓ ◆ 1 ✓ ◆ ( sen(q ), cos(q )) y
cos q sen q cos q sen q x
base será, MC B = B 1 = = . q
sen q cos q sen q cos q
I Se en R3 deixamos fixado o eixe x; ou sexa e1 , e facemos rotar, sobre este eixe,
x (0, cos(q ), sen(q ))
os outros dous q radiáns no sentido das agullas do reloxio, entón o vector e2
pasará ó vector (0, cos q , sen q ) e e3 pasará ó vector (0, sen q , cos q ), Figura 2.
Figura: Rotacións de ángulo q
Neste caso, a matriz de cambio de base é,
0 1 1 0 1
1 0 0 1 0 0
1
M C B = B = @0 cos q sen q A = @0 cos q sen q A.
0 sen q cos q 0 sen q cos q
Matrices con M ATLAB

1. As filas dunha matriz en M ATLABson vectores e as distintas filas van separadas

por un punto e coma. As sentenzas
> >A=[1 4 2; 3 -1 -2; 0 -1 2]
> >B=[1 3 -1; 2 -1 1; 6 4 0]
> >X=[1;2;3] 0 1 0 1 0 1
1 4 2 1 3 1 1
introducen as matrices A = @3 1 2A , B = @2 1 1 A e X = @2A.
0 1 2 6 4 0 3
2. A + B, 3A, det A, AB, AX , A 1, At , I3 , calcúlanse coas sentenzas,
> >SUMA=A+B
> >PROD=3*A
> >DETERM=det(A)
> >AB=A*B
> >AX=A*x
> >INVA=inv(A)
> >TRASPA=A’
> >I3=eye(3)
3. O rango dunha matriz A obtense coa sentenza
> >RANGO=rank(A)
E, se temos n vectores en Rm , n  m, construı́mos unha matriz cos n vectores
(por filas ou columnas) e o rango da matriz indica o número de vectores
linealmente independentes.