PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

ESTUDIOS GENERALES LETRAS

Matemáticas para Economía y Finanzas 2
Semestre 2023-2

1. El espacio Rn
1.1. Espacio euclídeo
Definición 1. Sea V un espacio vectorial. Un producto escalar o producto interno sobre V es
una aplicación de la forma
〈 , 〉 : V × V −→ R

que verifica las siguientes condiciones:

1. 〈u, v〉 = 〈v, u〉

2. 〈au + bv, w〉 = a〈u, w〉 + b〈v, w〉, 〈u, av + bw〉 = a〈u, v〉 + b〈u, w〉

3. 〈u, u〉 ≥ 0 y 〈u, u〉 = 0 si y solo si u = 0.

El espacio vectorial V provisto de un producto escalar es llamado espacio euclídeo.

Ejemplo 1 (Producto escalar canónico en Rn ). Sobre Rn se define el producto escalar ca-

nónico por
〈 , 〉 : Rn × Rn −→ R

〈(x 1 , x 2 , . . . , x n ), ( y1 , y2 , . . . , yn )〉 = x 1 y1 + x 2 y2 + · · · + x n yn

Ejemplo 2. Sobre el espacio vectorial R2 las siguientes aplicaciones son productos internos.

a) 〈u, v〉 = x 1 y1 + 3x 2 y2
   

y1 1 −2
b) 〈u, v〉 = x 1 x 2 A , donde la matriz A =
y2 −2 5

donde u = (x 1 , x 2 ) y v = ( y1 , y2 ).

Definición 2. Sean u, v vectores en un espacio vectorial euclídeo V . Se dice que u y v son

ortogonales si 〈u, v〉 = 0 y se denota por u ⊥ v.

1.2. Espacio normado

Definición 3. Sea V un espacio vectorial. Una norma sobre V es una aplicación k · k : V −→ R
que verifica las siguientes propiedades:

1. kauk = |a| kuk

2. ku + vk ≤ kuk + kvk
Ponticia Universidad Católica del Perú ABC Espacio Rn

3. kuk ≥ 0 y kuk = 0 si y solo si u = 0.

Un espacio vectorial provisto de una norma es llamado espacio normado.

Ejemplo 3. El producto escalar estándar sobre el espacio Rn induce una norma definida por
Æ q
k · k : Rn −→ R, kuk = 〈u, u〉 = x 12 + x 22 + · · · + x n2

donde u = (x 1 , x 2 , . . . , x n ).

Ejemplo 4. Pruebe que si v y w son vectores de R3 tal que 〈v, w〉 = 0, entonces 〈v + w, v + w〉 =

〈v, v〉 + 〈w, w〉.
Solución
De las propiedades del producto escalar se tiene,

〈v + w, v + w〉 = 〈v, v〉 + 〈v, w〉 + 〈w, v〉 + 〈w, w〉

= kvk2 + 2v · w + kwk2 = kvk2 + kwk2
= 〈v, v〉 + 〈w, w〉.

Ejemplo 5. En el espacio vectorial Rn la aplicación k · k : Rn −→ R definida por

kxk = máx{|x 1 | , |x 2 | , . . . , |x n |}

determina una norma sobre el espacio Rn .

Observación 1. Los ejemplos descritos anteriormente muestran que en un mismo espacio

vectorial pueden definirse diferentes normas y productos internos respectivamente.

Proposición 1 (Teorema de Pitágoras). Si V es un espacio vectorial euclídeo V , entonces

para cada u, v ∈ V ortogonales se cumple

ku + vk2 = kuk2 + kvk2

Proposición 2. Para vectores no nulos u, v en un espacio vectorial euclídeo V , el ángulo entre

ellos se define por
〈u, v〉
0 ≤ θ ≤ π, cos(θ ) =
kukkvk
Observación 2. Consecuencia de la proposición (2) se tiene

i) θ = 0 si y solo si u = λv, con λ > 0

ii) θ = π si y solo si u = λu, con λ < 0

π
iii) θ = 2 si y solo si u ⊥ v.

2 ABC
Ponticia Universidad Católica del Perú ABC Espacio Rn

1.3. Subespacios en Rn
En Rn existen dos subespacios importantes como son las rectas e hiperplanos que pasan
por el origen de coordenadas.

Rectas que pasa por el origen de coordenadas en Rn :

Sea v un vector en Rn , el conjunto definido por

L = {P : P = t v, t ∈ R}

es un subespacio llamado recta con dirección v.

Ejemplo 6. El conjunto dado por S = {P = x(1, 2, 3) : x ∈ R} es una recta que pasa por el
origen de coordenadas con dirección v = (1, 2, 3).

Hiperplanos que pasan por el origen de coordenadas en Rn :

Sea n = (A1 , A2 , . . . , An ) un vector no nulo en Rn el conjunto definido por

P = {P = (x 1 , x 2 , . . . , x n ) ∈ Rn : A1 x 1 + A2 x 2 + · · · + An x n = 0}

es un subespacio de Rn llamado hiperplano definido por el vector n.

Observación 3. Teniendo en cuenta que sobre Rn tenemos un producto interno (el canónico)
la ecuación que define al hiperplano puede reescribirse en la forma

〈P, n〉 = 0

Ejemplo 7. El conjunto P = {(x, y, z) ∈ R3 : 3x − y + z = 0} describe el plano definido por

el vector normal n = (3, −1, 1)

Ejemplo 8. Pruebe que el conjunto S = {(x, y, z) ∈ R3 : x + y + z = 0, x − y − z = 0} es un

subespacio vectorial de R3 . Geométricamente, S representa una recta que pasa por el origen
de coordenadas.

3 ABC
Ponticia Universidad Católica del Perú ABC Diagonalización de matrices

2. Diagonalización de matrices
Definición 4. Sea A una matriz de orden n × n. Un vector v no nulo se llama vector propio de
A si existe un escalar, real o complejo, λ tal que

Av = λv (1)

En tal caso, se dice que v es el vector propio asociado al valor propio λ.

 
2 2
Ejemplo 9. v = (2, −5) es el vector propio de la matriz A = asociado al valor propio
5 −1
λ = −3, pues se cumple que
      
2 2 2 −6 2
Av = = = −3 = λv.
5 −1 −5 15 −5

Observación 4. Hacemos notar lo siguiente:

i) La ecuación 1 implica que (A − λI)v = 0, que representa un sistema de ecuaciones

lineales homogéneo, donde I es la matriz identidad del mismo orden que el de A. Buscar
soluciones v no nulas se reduce a exigir la condición det(A − λI) = 0, llamada ecuación
característica asociada a la matriz A.

ii) La expresión det(A − λI) representa un polinomio de grado n en la variable λ, llamado

polinomio característico de A y se le denota por PA(λ). Esto es, P(λ) = det(A − λI).

Proposición 3. Sea A una matriz de orden n × n. Entonces

i) Los valores propios de A son todos los escalares (reales o complejos) que son raíces del
polinomio característico
PA(λ) = det(A − λI)

ii) Para cada valor propio λ, los vectores propios asociados a λ son todos los vectores v no
nulos que satisfacen la ecuación (A − λI)v = 0.

Definición 5. El conjunto de todos los valores propios de A se llama espectro de A y se

denota por σ(A).

Sea λ un autovalor propio de una matriz A de orden n × n. El espacio propio correspon-

diente a λ es el conjunto de todos los vectores propios de A al que se le anãde el vector
nulo. Esto es, el subespacio propio de A, se denota por Eλ (A), y se define por

Eλ (A) = {v ∈ Rn : (A − λI)v = 0}.

Proposición 4. Si v1 , . . . , vm son vectores propios asociados a valores propios λ1 , . . . , λm dis-

tintos de una matriz A = (ai j )n×n , entonces los vectores v1 , . . . , vm son linealmente indepen-
dientes.

4 ABC
Ponticia Universidad Católica del Perú ABC Diagonalización de matrices

Definición 6. Sea A una matriz de orden n × n y λ un valor propio de A. La multiplicidad

algebraica de λ es la multiplicidad de λ como raíz del polinomio característico y se denota por
ma (λ). La multiplicidad geométrica es la dimensión del subespacio propio asociado a λ, y se
denota por m g (λ), esto es m g (λ) = dim Eλ (A).

Proposición 5. Sea A una matriz de orden n × n con entradas reales. Se cumple

a) El número de valores propios de A, contando multiplicidades, es n,

b) Para cada valor propio λ de A, se tiene 1 ≤ m g (λ) ≤ ma (λ) ≤ n.

Corolario 6. Si λ ∈ σ(A) y ma (λ) = 1, entonces m g (λ) = ma (λ) = 1.

Proposición 7. Si A es una matriz cuadrada de orden 2×2, entonces el polinomio característico

es de la forma
PA(λ) = λ2 − λtr(A) + det(A)
 
2 1 −1
Ejemplo 10. Encuentre los valores y vectores propios de la matriz A = 0 1 1 
2 0 −2
Solución
El polinomio característico de A es

2−λ 1 −1
PA(λ) = det(A − λI) == 0 1−λ 1 = −λ3 + λ2 + 2λ = −λ(λ − 2)(λ + 1).
2 0 −2 − λ

Luego, los valores propios asociados a la matriz A son λ1 = 0, λ2 = 2, y λ3 = −1, es decir

σ(A) = {0, −1, 2}.
Procedemos ahora a encontrar los vectores propios asociados a cada valor propio:

a) Cuando λ = 0. En este caso se trata de resolver la ecuación Av = 0. Si suponemos que

v = (x, y, z) entonces el problema es resolver el siguiente sistema de ecuaciones
    
2 1 −1 x 0
0 1 1   y  = 0
2 0 −2 z 0

Llevando la matriz aumentada de este sistema a una de sus formas escalonadas se ob-
tiene  
2 0 −2 0
0 1 1 0
0 0 0 0
cuya solución es x = z, y = −z. Luego, el subespacio propio asociado a λ1 = 0 es

Eλ1 (A) = {v = (x, y, z) : Av = 0} = {v = (z, −z, z) = z(1, −1, 1) : z ∈ R}

Geométricamente este subespacio propio es una recta. Es claro que m g (A) = dim Eλ1 (A) =
1.

5 ABC
Ponticia Universidad Católica del Perú ABC Diagonalización de matrices

b) Cuando λ = 2. En este caso se trata de resolver la ecuación (A− 2I)v = 0. Si suponemos

que v = (x, y, z) entonces el problema se reduce a resolver el siguiente sistema
    
0 1 −1 x 0
0 −1 1   y  = 0
2 0 −4 z 0

Llevando la matriz aumentada de este sistema a una de sus formas escalonadas se ob-
tiene  
2 0 −4 0
0 −1 1 0
0 0 0 0
cuya solución es x = 2z, y = z. Luego, el subespacio propio asociado a λ2 = 2 es

Eλ2 (A) = {v = (x, y, z) : (A − 2I)v = 0} = {v = (2z, z, z) = z(2, 1, 1) : z ∈ R}

De lo anterior se deduce que m g (λ2 ) = dim Eλ2 (A) = 1.

c) Cuando λ = −1. En este caso se trata de resolver la ecuación (A+ I)v = 0. Si suponemos
que v = (x, y, z) entonces el problema es resolver el siguiente sistema
    
3 1 −1 x 0
0 2 1   y  = 0
2 0 −1 z 0

Llevando la matriz aumentada de este sistema a su forma escalonada se obtiene

 
1 1 0 0
0 2 1 0
0 0 0 0

cuya solución es x = − y, z = −2 y. Luego, el subespacio propio asociado a λ3 = −1 es

Eλ1 (A) = {v = (x, y, z) : (A + I)v = 0} = {v = (− y, y, −2 y) = − y(1, −1, 2) : y ∈ R}

Se cumple que m g (λ3 ) = dim Eλ3 (A) = 1.

 
1 −3 3
Ejemplo 11. Si A = 3 −5 3, encuentre los valores y vectores propios de la matriz A.
6 −6 4
Solución
El polinomio característico asociado a la matriz A es dado por

PA(λ) = −λ3 + 12λ + 16 = −(λ + 2)2 (λ − 4)

y los valores propios correspondientes son λ1 = −2, con multiplicidad algebraica ma (λ1 ) = 2, y
λ2 = 4 con multiplicidad algebraica ma (λ2 ) = 1. Para encontrar los vectores propios asociados
a los valores propios resolvemos los siguientes sistemas de ecuaciones:

(A + 2I)v = 0 y (A − 4I)v = 0.

6 ABC
Ponticia Universidad Católica del Perú ABC Diagonalización de matrices

Esto es,          
3 −3 3 x 0 −3 −3 3 x 0
3 −3 3  y  = 0 ,  3 −9 3  y  = 0
6 −6 6 z 0 6 −6 0 z 0
cuyas matrices aumentadas en su forma escalonada respectivamente son,
   
3 −3 3 0 −3 −3 3 0
 0 0 0 0 ,  0 −12 6 0
0 0 0 0 0 0 0 0

En el primer caso el subespacio propio es

Eλ1 (A) = {(x, y, z) = (x, y, x + y) = x(1, 0, 1) + y(0, 1, 1) : x, y ∈ R}

y en el segundo caso es

Eλ2 (A) = {(x, y, z) = ( y, y, 2 y) = y(1, 1, 2) : y ∈ R}.

Por lo tanto, vectores propios asociados a λ1 y λ2 respectivamente son v1 = (1, 0, 1), v2 =

(0, 1, 1), y v3 = (1, 1, 2) respectivamente. Además, m g (λ1 ) = dim Eλ1 = 2 y m g (λ2 ) = dim Eλ2 =
1.

Proposición 8. Si A es una matriz triangular de orden n × n, entonces los valores propios de

A son las entradas de la diagonal principal de A.

Prueba. Supongamos que A = (ai j )n×n es definida por ai j = 0, si i < j, para i, j = 1, 2, . . . , n.

Entonces la matriz (A − λI) es una matriz triangular inferior,
 
a11 − λ 0 ··· 0
 a
 12 a22 − λ · · · 0 
..  ,

 . .. .
 . . . . . . 
an1 an2 ··· ann − λ

por lo tanto,
PA(λ) = det(A − λI) = (a11 − λ)(a22 − λ) · · · (ann − λ).
 
1 0 0
Ejemplo 12. Los valores propios de la matriz A =  3 2 0 son λ1 = 1, λ2 = 2 y λ3 = 0.
−1 2 0
Proposición 9. 0 es valor propio de una matriz A si y solo si A no es invertible.

Prueba. Se sabe que λ es valor propio de A si Av = λv. Luego, si λ = 0, el problema se reduce

analizar la expresión Av = 0. Pero sabemos que A es invertible si y solo si el sistema tiene
únicamente soluciones triviales, v = 0.

Proposición 10. Si v1 , v2 , . . . , vm son vectores propios asociados a distintos valores propios

λ1 , λ2 , . . . , λm de una matriz A entonces los vectores v1 , v2 , . . . , vm son linealmente indepen-
dientes,

7 ABC