Matematicas Basicas para La Economia y La Empresa PDF

Matemticas Bsicas para la Economa y la Empresa
Alberto Vigneron Tenorio

Dpto. de Matemticas
Universidad de Cdiz
http://matematicas.uca.es/ vigneron
Servicio de Publicaciones de la Universidad de Cdiz

Edita: Servicio de Publicaciones de la Universidad de Cdiz
Doctor Maran, 3. 11002 Cdiz
www.uca.es/serv/publicaciones
I.S.B.N.: 84-96274-58-6
Depsito legal: CA-591/04
Diseo y produccin editorial: Cadigrafa
www.cadigrafia.com
A Natalia e Irene.
... se prohibi
o cualquier forma de identidad colectiva y sus manifestaciones externas,
salvo las de certificada estupidez, como el fanatismo deportivo y los estudios universitarios.
... De este modo dio comienzo una etapa tranquila en la Historia de la Tierra.
Eduardo Mendoza. El u
ltimo trayecto de Horario Dos.
Indice general
I
Algebra
Lineal
1. Matrices y determinantes.
1.1. Anillos, grupos, cuerpos y matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Suma de matrices y producto por escalares . . . . . . . . . . . . . . . . . . . . . . .
Traspuesta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Producto e inversa de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

Transformaciones elementales y rango de una matriz . . . . . . . . . . . . . . . . . . 11
1.3. Determinante de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Algunas aplicaciones del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4. Sistemas de ecuaciones. Teorema de Rouche-Frobenius, metodos de Gauss-Jordan y
Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5. Eliminacion de parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2. Espacios vectoriales y sistemas de ecuaciones lineales.
21
2.1. Espacio vectorial sobre un cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.2. Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3. Combinacion lineal, ecuaciones de un subespacio vectorial y dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Espacios vectoriales de tipo finito, sistemas de generadores, base y dimension . . . . 25
2.5. Subespacios filas y columnas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6. Sistemas de ecuaciones homogeneas y espacios vectoriales . . . . . . . . . . . . . . . 28
2.7. Sistemas de ecuaciones no homogeneas . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3. Diagonalizaci
on de matrices.
31
3.1. Diagonalizacion de una matriz real . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
INDICE GENERAL
ii
3.2. Aplicacion de la diagonalizacion al calculo de potencias de matrices . . . . . . . . . . 33

3.3. Diagonalizacion de matrices simetricas . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. Formas cuadr
aticas reales.
39
4.1. Formas cuadraticas reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.2. Criterio de clasificacion mediante autovalores . . . . . . . . . . . . . . . . . . . . . . 40
4.3. Criterio de clasificacion mediante menores principales
. . . . . . . . . . . . . . . . . 41
4.4. Formas cuadraticas restringidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II
Funciones reales en una variable
5. Topologa de la recta real: conceptos b

asicos.
45
47
5.1. Conceptos topologicos de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

6. Sucesiones de n
umeros reales. Lmites.
51
6.1. Sucesiones de n
umeros reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2. Aritmetica de lmites de sucesiones. Indeterminaciones . . . . . . . . . . . . . . . . . 53
6.3. Tecnicas basicas de eliminacion de indeterminaciones . . . . . . . . . . . . . . . . . . 54
7. Series num
ericas.
57
7.1. Series numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

7.2. Aritmetica de series y propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.3. Series geometricas y armonicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.4. Series de terminos positivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.5. Series alternadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.6. Series de terminos cualesquiera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.7. Suma de series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.8. Ejemplos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8. Funciones y lmites de funciones.
65
8.1. Funciones en una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

8.2. Operaciones con funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.3. Lmites puntuales de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
8.4. Lmites de funciones en el infinito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
8.5. Aritmetica de lmites de funciones. Indeterminaciones . . . . . . . . . . . . . . . . . 69
INDICE GENERAL
iii
9. Continuidad de funciones.
71
9.1. Continuidad de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

9.2. Teoremas sobre continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.Derivabilidad de funciones. La diferencial.
75
10.1. Derivabilidad de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

10.2. Aritmetica de la derivacion. Regla de la cadena. Propiedades . . . . . . . . . . . . . 77
10.3. Teoremas sobre derivabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
10.4. La diferencial de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
11.Aproximaciones polin
omicas.
83
11.1. Polinomio de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

12.Representaci
on de funciones en el plano real.
12.1. Dominio, puntos de corte, puntos de discontinuidad, simetra y signo de una funcion
87
87
12.2. Asntotas verticales, horizontales y oblicuas de una funcion . . . . . . . . . . . . . . 88

12.3. Crecimiento/decrecimiento: maximos y mnimos . . . . . . . . . . . . . . . . . . . . . 89
12.4. Concavidad/convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
12.5. Ejemplos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
13.Integraci
on de funciones.
97
13.1. Integral de Riemman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

13.2. Integrales impropias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
13.3. Areas
de figuras planas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
13.4. Metodos de integracion: calculo de primitivas . . . . . . . . . . . . . . . . . . . . . . 103
Integrales inmediatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Integracion por partes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Funciones racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
13.5. Ejemplos
III
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Funciones reales en varias variables
14.Funciones en varias variables.
111
113
14.1. Conceptos topologicos de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
INDICE GENERAL
iv
14.2. Funciones en varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

14.3. Lmites de funciones en varias variables . . . . . . . . . . . . . . . . . . . . . . . . . 116
Lmites direccionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Lmites por sustitucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Lmites reiterados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Coordenadas polares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
15.Continuidad y Diferenciabilidad.
123
15.1. Continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

15.2. Derivadas parciales y direccionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
15.3. Diferenciabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
15.4. El gradiente. Aritmetica de la diferencial. Regla de la cadena . . . . . . . . . . . . . 128
16.Funciones Implcitas. Funciones homog
eneas.
131
16.1. Funciones implcitas. Derivacion de funciones implcitas . . . . . . . . . . . . . . . . 131

16.2. Funciones homogeneas. Teorema de Euler . . . . . . . . . . . . . . . . . . . . . . . . 133
17.Optimizaci
on de funciones en varias variables.
135
17.1. Optimizacion sin restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

17.2. Optimizacion con restricciones de igualdad . . . . . . . . . . . . . . . . . . . . . . . . 138
17.3. Optimizacion con restricciones de desigualdad . . . . . . . . . . . . . . . . . . . . . . 141
IV
Ecuaciones diferenciales
18.Introducci
on a las ecuaciones diferenciales.
143
145
18.1. Ecuaciones diferenciales de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . 145

A. Ejercicios de c
alculo
151
B. Ejercicios de tipo test
183
C. Aplicaciones a la Economa y la Empresa
213
C.1. Algebra
Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
C.1.1. Un modelo de administracion de recursos . . . . . . . . . . . . . . . . . . . . 213
C.1.2. Resolucion del equilibrio parcial de mercado . . . . . . . . . . . . . . . . . . . 213
C.1.3. Resolucion del equilibrio general de mercado . . . . . . . . . . . . . . . . . . 214
INDICE GENERAL
C.1.4. El analisis del umbral de rentabilidad o punto de cobertura . . . . . . . . . . 214

C.1.5. La decision de comprar o fabricar . . . . . . . . . . . . . . . . . . . . . . . . . 215
C.1.6. Un modelo de renta nacional . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
C.1.7. Modelo input-output de Leontief . . . . . . . . . . . . . . . . . . . . . . . . . 217
C.1.8. Teora de grafos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
C.1.9. Contacto directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

C.1.10. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
C.1.11. Un modelo de crecimiento de poblacion . . . . . . . . . . . . . . . . . . . . . 220
C.2. Funciones en una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
C.2.1. Un modelo de creacion de dinero . . . . . . . . . . . . . . . . . . . . . . . . . 221
C.2.2. Interpretacion economica de la derivada . . . . . . . . . . . . . . . . . . . . . 222
C.2.3. Elasticidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
C.2.4. Elasticidad y derivacion logartmica . . . . . . . . . . . . . . . . . . . . . . . 223
C.2.5. Interes compuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
C.2.6. Valor actual de una deuda futura . . . . . . . . . . . . . . . . . . . . . . . . . 224
C.2.7. Valor actual descontado e inversion . . . . . . . . . . . . . . . . . . . . . . . . 224
C.2.8. Proyectos de inversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
C.2.9. Aplicacion de la derivacion al producto . . . . . . . . . . . . . . . . . . . . . 226
C.2.10. Aplicacion de la derivacion del cociente . . . . . . . . . . . . . . . . . . . . . 227
C.2.11. Estudio de crecimiento de una poblacion . . . . . . . . . . . . . . . . . . . . . 227
C.2.12. Optimizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
C.2.13. Un problema de almacenamiento de vino . . . . . . . . . . . . . . . . . . . . 228
C.2.14. Algunas curvas y funciones en la economa
. . . . . . . . . . . . . . . . . . . 229
C.3. Integracion de funciones reales en una variable . . . . . . . . . . . . . . . . . . . . . 232

C.3.1. Obtencion de una funcion total a partir de una marginal . . . . . . . . . . . . 232
C.3.2. El excedente del consumidor
. . . . . . . . . . . . . . . . . . . . . . . . . . . 232
C.3.3. Un problema de formacion de capital . . . . . . . . . . . . . . . . . . . . . . . 233

C.3.4. Extraccion de petroleo en un pozo . . . . . . . . . . . . . . . . . . . . . . . . 233
C.3.5. Reserva de divisas de un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
C.3.6. Distribucion de la renta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
C.3.7. La influencia de la distribucion de la renta en la demanda . . . . . . . . . . . 235
C.3.8. Valor actual descontado de una lnea continua futura de renta . . . . . . . . . 235
INDICE GENERAL
vi
C.4. Funciones en varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236

C.4.1. Un modelo de mercado
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
C.4.2. Funcion de utilidad en varias variables . . . . . . . . . . . . . . . . . . . . . . 237

C.4.3. Equilibrio del consumidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
C.4.4. Ejemplo numerico de optimizacion de funciones de varias variables con restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
C.4.5. Interpretacion economica de los multiplicadores de Lagrange . . . . . . . . . 238
C.4.6. Ejemplo de productividad marginal . . . . . . . . . . . . . . . . . . . . . . . . 239
C.4.7. Elasticidades parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
C.4.8. Ejemplos de funciones homogeneas en economa . . . . . . . . . . . . . . . . . 240
C.5. Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
C.5.1. Ajuste dinamico del precio de un bien en el mercado . . . . . . . . . . . . . . 240
C.5.2. Un modelo de mercado con expectativas sobre los precios . . . . . . . . . . . 241
C.5.3. Interes compuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
C.5.4. Stock de capital
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
C.5.5. Crecimiento de un pas en vas de desarrollo . . . . . . . . . . . . . . . . . . . 243

C.5.6. Modelo de Sollow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
C.5.7. Estudio de poblacion: curva logstica . . . . . . . . . . . . . . . . . . . . . . . 244
Bibliografia
Indice de cuadros
8.1. Cuadro de infinitesimos equivalentes mas usuales. . . . . . . . . . . . . . . . . . . . . 70
9.1. Cuadro de discontinuidades mas usuales. . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.1. Derivadas de funciones elementales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
13.1. Integrales inmediatas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
13.2. Cuadro de integracion por partes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
13.3. Cuadro de integracion por cambio de variable. . . . . . . . . . . . . . . . . . . . . . . 110
18.1. Resolucion de ecuaciones diferenciales basicas. . . . . . . . . . . . . . . . . . . . . . . 147
vii
viii
Indice de figuras
8.1. Lmite infinito de una funcion en un punto. . . . . . . . . . . . . . . . . . . . . . . . 68
8.2. Lmite lateral de una funcion en un punto. . . . . . . . . . . . . . . . . . . . . . . . . 68
10.1. Interpretacion geometrica de la derivada.
10.2. Interpretacion geometrica de la diferencial.
. . . . . . . . . . . . . . . . . . . . . . . . 76
. . . . . . . . . . . . . . . . . . . . . . . 81
11.1. Ejemplo de aproximacion del polinomio de Taylor. . . . . . . . . . . . . . . . . . . . 85

12.1. Ejemplo grafico de asntota vertical. . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
14.1. Ejemplo estudio topologico en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
14.2. Ejemplo estudio topologico en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
14.3. Ejemplos de caminos para lmites en dos variables. . . . . . . . . . . . . . . . . . . . 116
14.4. Planos para lmites direccionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
14.5. Ejemplo de lmites direccionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
14.6. Ejemplo de lmites por sustitucion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
15.1. Ejemplo de funcion no continua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
15.2. Planos para derivadas parciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
15.3. Ejemplo de derivadas parciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
15.4. Ejemplo de derivadas direccionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
15.5. Ejemplo de funcion diferenciable y su plano tangente. . . . . . . . . . . . . . . . . . 128
17.1. Ejemplo de optimizacion de funciones. . . . . . . . . . . . . . . . . . . . . . . . . . . 137
17.2. Ejemplo de funcion restringida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
C.1. Grafica de decision de comprar o fabricar. . . . . . . . . . . . . . . . . . . . . . . . . 216
C.2. Ejemplo de teora de grafos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
C.3. Funcion logstica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
ix
INDICE DE FIGURAS
C.4. Curva de Laffer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Introducci
on
Matem
aticas B
asicas para la Economa y la Empresa ha sido elaborado pensando en facilitar la
labor docente del profesor y la labor del estudiante. Hemos de aclarar que no es un texto tradicional
autocontenido mediante el cual podamos, sin la tutorizacion de un profesor, aprender con facilidad
los conceptos que en el aparecen descritos. Con esta filosofa, y pensando en el trabajo personal que
este texto plantea para quien lo aborde, se dejan, intencionadamente, diversos flecos sin cerrar para
que el lector se vea obligado a completarlos acudiendo a la bibliografa recomendada o a cualquier
otra.
Atendiendo a la filosofa anterior, el objetivo primordial de este libro es servir de material de
trabajo para cualquier estudiante que quiera conocer los resultados matematicos que consideramos
b
asicos para aprovechar al maximo los estudios relacionados con la economa y la empresa. En el
encontramos una completa gua de resultados matematicos, y una completa coleccion de ejercicios
y aplicaciones de las matematicas a la economa que seran muy u
tiles tanto para un alumno como
para un profesor de estas disciplinas. Es tambien un interesante apoyo para la docencia basada en
el concepto de credito europeo.
La parte I de este libro la dedicamos a exponer los resultados basicos del algebra lineal que
necesitaremos. En ella establecemos la notacion que seguiremos a lo largo de este libro. Comenzamos
esta parte haciendo un recorrido por los conceptos relacionados con la utilizacion de matrices y
sus propiedades. Haremos especial hincapie en el estudio de las propiedades de los sistemas de
ecuaciones y las estructuras algebraicas de sus soluciones. Plantearemos los conceptos y propiedades
necesarios para el estudio de los espacios vectoriales y su aplicacion a la diagonalizacion de matrices
reales y a la clasificacion de formas cuadraticas.
En la parte II del texto enunciamos los resultados necesarios para tener un conocimiento profundo
de las propiedades analticas de conjuntos y funciones reales en una variable real. Tras analizar
propiedades topologicas basicas de la recta real, estudiamos las series y sucesiones reales y las
funciones en una variable, profundizando en los conceptos de lmite, continuidad, derivabilidad, etc.
Parte de los resultados y tecnicas de calculo que enunciamos la emplearemos en la representaci
on
de funciones y en la extraccion de propiedades de una funcion a la vista de su representacion.
Completaremos esta parte del libro con el estudio de los conceptos relacionados con las integrales
y diversas tecnicas basicas de integracion.
La parte III se dedica al estudio de los resultados mas relevantes del analisis de funciones reales
en varias variables reales, generalizando en lo posible los resultados enunciados en la segunda parte
de este libro. Hacemos especial hincapie en la idea geometrica de lmite de funciones en varias
variables y de derivadas parciales y direccionales. Una buena comprension e interiorizacion de estos
conceptos ayudara al lector a comprender las diferencias fundamentales entre el analisis funcional
unidimensional y ndimensional.
En la parte IV realizamos una breve introduccion a las ecuaciones diferenciales ordinarias de
primer orden mas basicas, y a tecnicas elementales de resolucion de dichas ecuaciones.
En los apendices A y B proporcionamos una coleccion de ejercicios de calculo y tipo test relacionados con los topicos matematicos tratados con anterioridad y que hemos estado utilizando en
nuestra docencia durante los u
ltimos a
nos.
En el apendice C recopilamos una larga coleccion de aplicaciones clasicas de las matematicas a
la economa y la empresa. Este apendice es la mejor justificacion de los resultados teoricos incluidos
en este texto.
Quiero sinceramente agradecer la inestimable ayuda de don Jes
us Beato Sirvent, quien colaboro en la revision de las versiones preliminares de este texto, y de don Antonio Martnez Casas
que ayudo en la elaboracion de las aplicaciones que presentamos.
A la memoria del Profesor don Manuel Iglesias Cerezal.
Parte I
Algebra
Lineal
Captulo 1
Matrices y determinantes.
Matrices. Operaciones con matrices. Determinante de una matriz. Rango. Matriz inversa. Sistemas de ecuaciones lineales. Teorema de Rouche-Frobenius. Metodo de resoluci
on de sistemas de
ecuaciones de Gauss-Jordan y Cramer.
Lectura recomendada: Heras Martnez, A. y Vilar Zanon, J.L., Problemas de
algebra lineal para
la economa, AC, 1988, paginas 1-22.
Objetivos del captulo
Manipular con soltura las operaciones con matrices.
Utilizar distintos metodos para calcular determinantes, aplicando propiedades que puedan
ayudar a simplificar los calculos.
Calcular el rango de una matriz estudiando menores no nulos y el metodo de Gauss.
Calcular la matriz inversa de una dada, si es posible, mediante la matriz traspuesta de la
adjunta y mediante el metodo de Gauss-Jordan.
Reconocer los sistemas de ecuaciones lineales compatibles determinados e indeterminados,
incompatibles y homogeneos.
Utilizar el teorema de Rouche-Frobenius para averiguar si un sistema es compatible y, en caso
afirmativo, si es determinado.
Resolver un sistema de ecuaciones lineales usando los metodos de Gauss-Jordan y Cramer.
1.1.
Anillos, grupos, cuerpos y matrices
Al plantear problemas relacionados con el analisis economico y empresarial es habitual optar

por modelos de tipo lineal. Como todo modelo, su ajuste a la realidad dependera de la naturaleza
de las relaciones economicas que queramos describir. En cualquier caso, sacrificando cierto grado
de realismo, puede resultar conveniente asumir la hipotesis de linealidad para obtener conclusiones
sobre un modelo que de otra manera sera difcilmente abordable.
La hipotesis de linealidad, aceptada frecuentemente en economa, puede resultar en muchos casos
muy razonable y se halla justificada. Bajo dichas hipotesis, la resolucion de sistemas lineales de
ecuaciones y el algebra matricial se convierten en la herramienta matematica indispensable.
5
CAPITULO 1. MATRICES Y DETERMINANTES.
Conceptualmente, el contenido de este primer captulo es basico y fundamental. Las matrices

constituyen una muy u
til herramienta para efectuar y representar la mayor parte de los calculos
que se realizaran a lo largo de este texto, proporcionando una notacion clara y apropiada a cada
planteamiento.
Un elemento primordial dentro del algebra es la definicion de cuerpo. Son de sobra conocidas
las operaciones elementales con los n
umeros (i.e. 3 + 5 = 8, 2 3 = 1, 12/6 = 2, etc.). Esta idea
se formaliza matematicamente a traves de la definicion de cuerpo.
Definici
on 1.1.1 Dado un conjunto k 6= y una operaci
on sobre el, que denotaremos con el
smbolo , diremos que la operaci
on definida verifica la propiedad:
Asociativa: si (a b) c = a (b c), a, b, c k.
Conmutativa: si a b = b a, a, b k.
Existencia de elemento neutro: si n k tal que a n = n a = a, a k.
Existencia de elemento simetrico: si a k, a0 k tal que a a0 = a0 a = n.
Dada otra operaci
on sobre k, , diremos que es distributiva respecto de si:
a (b c) = (a b) (a c), (b c) a = (b a) (c a), a, b, c k
Definici
on 1.1.2 Fijemos un conjunto k y dos operaciones sobre el, que denotaremos mediante
los smbolos + (suma) y (producto).
Diremos que el par (k, +) es un grupo si la operaci
on verifica las propiedades asociativa,
existencia de elemento neutro y existencia de elemento simetrico1 . Diremos que es un grupo
abeliano o conmutativo si tambien verifica la propiedad conmutativa.
Diremos que la terna (k, +, ) es un anillo si:
(k, +) es un grupo abeliano2 .
es asociativo.
es distributiva respecto de +.
Diremos que el anillo es abeliano si el producto tambien es conmutativo.
Diremos que la terna (k, +, ) es un cuerpo si:
(k, +, ) es un anillo abeliano.
Existe el elemento neutro (que llamaremos elemento unidad) en k respecto a , i.e. existe
un elemento que denotaremos por 1 k, tal que
1 a = a, a k.
El elemento unidad, si existe, es u
nico.
Existe un elemento simetrico respecto a (al que llamaremos inverso) para todos los
elementos de k excepto el neutro para la suma, i.e.
a k \ {0}, a1 k tal que a a1 = 1.
1
2
El elemento simetrico para la suma recibe el nombre de opuesto.

Al elemento neutro respecto de + lo denotaremos por 0.
Ejemplo 1.1.3 Ejemplos cl

asicos:
(Z, +, ) es un anillo conmutativo pero no un cuerpo (con la definici
on est
andar de suma y
producto de n
umeros enteros). Esto es debido a que no existe elemento inverso para cada
n
umero entero (por ejemplo no existe el inverso de 2 Z ya que 21 = 1/2
/ Z).
(Q, +, ) es un cuerpo (con la definici
on est
andar de suma y producto de n
umeros racionales).
(R, +, ) es un cuerpo (con la definici
on est
andar de suma y producto de n
umeros reales).
Estamos ya en condiciones de comenzar a definir distintos aspectos relacionados con las matrices.
Definici
on 1.1.4 Llamaremos matriz de orden m n sobre un cuerpo k, al conjunto de m n
elementos de k dispuestos en m filas y n columnas. Al conjunto de estas matrices lo denotaremos
por Mmn (k). A cada elemento de una matriz lo designaremos por aij , donde ij se
nala la posici
on
(fila-columna) que ocupa este elemento en la matriz. Las formas usuales de denotar una matriz,
que se utilizan en funci
on de lo que necesitemos destacar de ella, son:
A = (aij )
i = 1, . . . , m
j = 1, . . . , n
a11 a12
a21 a22
=
..
..
.
.
am1 am2
a1n
a2n
..
.
amn
A = (A1 |A2 | |An ) , donde Aj denota la jesima columna de la matriz.
A1
A2
A = . , donde Ai denota la iesima fila de la matriz.

..
Am
Para que dos matrices sean iguales tendran que serlo sus ordenes y cada uno de los elementos
ordenados de las mismas.
Definici
on 1.1.5 Sea A = (aij ) Mmn (k),
diremos que A es una matriz cuadrada si m = n. Al conjunto de las matrices cuadradas lo
denotaremos por Mn (k).
diremos que A es una matriz simetrica si es cuadrada y aij = aji , i = 1, . . . , n, j = 1, . . . , n.
diremos que A es una matriz fila si m = 1.
diremos que A es una matriz columna si n = 1.
diremos que A es la matriz nula de orden m n, si aij = 0, i = 1, . . . , m, j = 1, . . . , n. A
la matriz nula de cualquier orden la denotaremos por , entendiendose en cada caso que el
orden que tiene es el adecuado al contexto.
diremos que A Mn (k) es la matriz identidad, o unidad, de orden n si aij = 0, i 6= j,
y aii = 1, i = 1, . . . , n. A la matriz identidad de cualquier orden la denotaremos por I,
entendiendose en cada caso que el orden que tiene es el adecuado al contexto.
llamaremos diagonal principal de la matriz A Mmn (k) al conjunto aii , i = 1, . . . ,

mn{n, m}.
diremos que A es una matriz triangular inferior si aij = 0, i > j.
diremos que A es una matriz triangular superior si aij = 0, i < j.
Ejemplo 1.1.6 Algunos ejemplos de tipos de matrices:

27 91 72 matriz fila.
27
91 matriz columna.
72
89 61 85
61 34 51 matriz simetrica de orden 3.
85 51
0
89 61 85 32
0
34
0 32
matriz triangular inferior de orden 3 4.

0
0
51
0
1.2.
Operaciones con matrices
Una vez planteada la definicion de matriz sobre un cuerpo, vamos a comenzar el estudio de
diversas operaciones con matrices y algunas propiedades de dichas operaciones.
Suma de matrices y producto por escalares

Definici
on 1.2.1 Sean A = (aij ), B = (bij ) Mmn (k) y k,
definimos la matriz suma A + B como la matriz S = (sij ) Mmn (k) tal que sij = aij + bij ,
i = 1, . . . , m, j = 1, . . . , n.
definimos la matriz A (a esta operaci
on se le denomina producto por escalares) como la
matriz P = (pij ) Mmn (k) tal que pij = aij , i = 1, . . . , m, j = 1, . . . , n.
27
Ejemplo 1.2.2 Sean las matrices A =
75
62 30 157
A+B =
91
72
!
yB=
15 78
!
.
2A = 2
75
91
72
15 78
54
182
150
30 156
144
!
.
!
.
84 19 129
27
89 61 85
34
51
Teorema 1.2.3 (Mmn (k), +, ) es un grupo abeliano.

Es claro que, si tomamos como cuerpo k el de los n
umeros reales, y la suma y producto estandar
en R, el elemento neutro del anterior conjunto es la matriz nula, y el elemento opuesto de una
matriz es aquella que resulta de cambiar el signo a cada uno de sus elementos.
El anterior teorema nos permite resolver ecuaciones cuyas incognitas son matrices.
Ejemplo 1.2.4 Hallar las matrices A y B que verifican:
!
87 88 11
3A + 2B =
17 23 24
2A + B =
37
34
69
56
26
Mediante operaciones elementales, llegamos a
!
!
37 7 34
87 88 11
A = 2
69 56 26
17 23 24
B = 3
37
34
69
56
26
87 88
+2
11
13
74 79
=
155
!
17 23 24
63
=
89
155
76
124
241 122 126
Traspuesta de una matriz

Definici
on 1.2.5 Sea A = (aij ) Mmn (k), llamamos matriz traspuesta de A a la matriz At =
(aji ) Mnm (k).
Nota 1.2.6 La operaci
on realizada es la de intercambiar los subndices de los elementos de A.
27
Ejemplo 1.2.7 Sea A =
75
91
72
15 78
, entonces,
27
At =
91
72
75
15
.
78
Propiedades 1.2.8 Sean A, B Mmn (k) y k,

(A + B)t = At + B t .
(A)t = At .
(At )t = A.
A es simetrica A = At .
10
Producto e inversa de matrices

Definici
on 1.2.9 Sean A = (aij ) Mmp (k), y B = (bij ) Mpn (k), definimos el producto A
por B a la matriz producto3 P = (pij ) = AB Mmn (k) con pij = ai1 b1j + ai2 b2j + ai3 b3j + +
aip bpj .
Propiedades 1.2.10 El producto de matrices verifica las siguientes propiedades:
A(BC) = (AB)C, A Mmp (k), B Mpn (k) y C Mnq (k).
(AB) = (A)B, A Mmp (k), B Mpn (k) y k.
A(B + C) = AB + AC, A Mmp (k), B Mpn (k) y C Mpq (k).
(A + B)C = AC + BC, A Mmp (k), B Mnp (k) y C Mpq (k).
(AB)t = B t At , A Mmp (k), B Mpn (k).
AB = ; A =
o B = .
Es un ejercicio interesante, para comprender la no conmutatividad del producto de matrices,
calcular las potencias (A + B)2 , (A B)2 , y el producto (A + B)(A B). Tambien es interesante
construir un ejemplo que verifique la u
ltima propiedad de 1.2.10.
3 1
Ejemplo 1.2.11 Sean A =
3 0 2
AB =
3 0 2 3
, entonces
1
2
2
1
yB=
0 2 3 1
!
10 2 8 10
.
9 4 0 7
Es f
acil apreciar que el producto BA no puede realizarse.
Definici
on 1.2.12 Sea A Mn (k), diremos que A es inversible si C Mn (k) tal que
AC = CA = I.
En este caso, a la matriz C la llamaremos matriz inversa de A y la denotaremos por A1 . Esta
matriz, de existir, es u
nica.
, en este caso, la inversa de A es

3
2
2
Ejemplo 1.2.13 Consideremos la matriz A =
0 1
0
1/2
0
1/2
.
0
0
1
A1 =
3/4 1/2 7/4

3
N
otese la importancia del orden en el producto. Si m 6= n, no podemos realizar el producto BA. Este producto
no es conmutativo.
11
Propiedades 1.2.14 Dados k \ {0}, y A, B Mn (k) inversibles se tienen las siguientes

propiedades:
(A1 )1 = A.
(A)1 = 1 A1 .
(AB)1 = B 1 A1 .
(At )1 = (A1 )t .
Transformaciones elementales y rango de una matriz

Unas de las transformaciones basicas y mas u
tiles que se pueden realizar sobre una matriz son
las llamadas transformaciones elementales (o de Gauss) por filas o columnas.
Definici
on 1.2.15 Llamaremos transformaci
on elemental por fila (resp. columna) sobre una matriz a:
intercambiar dos filas (resp. columnas) entre si.
multiplicar una fila (resp. columna) por un n
umero no nulo.
sumar a una fila (resp. columna) un m
ultiplo de otra.
Una matriz no nula diremos que esta reducida por filas si sus filas nulas estan al final de la
misma y, caso de que dos filas consecutivas tengan elementos no nulos, entonces el primero no nulo
de la segunda fila esta mas a la derecha que el de la primera.
1 2 1 3
, no
0
2
1
0
Ejemplo 1.2.16 La matriz A =
1 1 3 3
1 2 1
B=
0 2 1
0 0 5/2
est
a reducida por filas, pero
si lo est
a.
La matriz B la hemos construido a partir de A mediante transformaciones elementales:
1 2 1 3
1 3
1 2
F3 =F3 F1
3 1/2F2
0 2 1 0 =B
0 2 1 0 F3 =F
0
2
1
0
A=
1 1 3 3
0 1 2 0
0 0 5/2 0
Al proceso seguido se le llama reducir una matriz por filas.
Definici
on 1.2.17 Diremos que dos matrices A, B Mmn (k), son equivalentes por filas (resp.
columnas) si podemos obtener una a partir de la otra a traves de transformaciones elementales por
filas (resp. columnas).
12
Definici
on 1.2.18 Dada una matriz A Mmn (k), llamaremos rango de A, y lo denotaremos por
rang(A), al n
umero de filas (resp. columnas) no nulas de cualquier matriz reducida por filas (resp.
columnas) equivalente por filas (resp. columnas) a la matriz A. Es claro que rang(A) mn{m, n}.
Adem
as, el rango de una matriz es invariante mediante transformaciones elementales.
Teorema 1.2.19 (Metodo de Gauss para el c
alculo de inversas).- Sea A Mn (k), y consideremos
la matriz (A|I) que resulta de adjuntar la matriz identidad de orden n a la matriz A.
Si es posible transformar, mediante transformaciones elementales por filas, la matriz (A|I) en
otra equivalente (I|B), se tiene que A1 = B.
Si no es posible dicha transformaci
on, A no es inversible.
Corolario 1.2.20 A Mn (k) inversible si y s
olo si rang(A) = n.
1 0 2

1 0 1 , calculemos su inversa (si tiene).
3 1 2
1 0 2
A=
1 0 1
3 1 2
1 0 2 1 0 0
F2 = F2 1F1
F3 = F3 3F1
F3 F2
1 0 1 0 1 0
3 1 2 0 0 1
1 0
0 0
0 1 4 3 0 1
0 0 1 1 1 0
Tenemos pues que A1 =

1
1
1.3.
F2 = F2 4F3
F1 = F1 + 2F3
F3 = F3
1 0 0 1
0 1 0
0 0 1
1
1
4 1
1 0
4 1
.
1 0
Determinante de una matriz
Existen multitud de maneras de definir el determinante de una matriz. En este texto nos decantamos por la que nos parece la mas practica posible, al dar un algoritmo claro de calculo en la
propia definicion, que es mediante el desarrollo recursivo y la reduccion por filas y/o columnas.
a11 a12
M2 (k), llamaremos determinante de A, y

a21 a22
lo denotaremos por det(A) o
|A|, a a11 a22 a12 a21 k.
Definici
on 1.3.1 Dada la matriz A =
Definici
on 1.3.2 Dada la matriz A Mn (k), llamaremos menor complementario de aij de A,
y lo denotaremos por Mij , al determinante de la submatriz de A que se obtiene de eliminar la
iesima fila y la jesima columna de A.
13
Definici
on 1.3.3 Dada la matriz A = (aij ) Mn (k), llamaremos adjunto del elemento aij , y lo
denotaremos por Aij , a (1)i+j por Mij .
El determinante de una matriz A es:
|A| = a1j A1j + a2j A2j + + anj Anj
= ai1 Ai1 + ai2 Ai2 + + ain Ain
para cualquier j = 1, . . . , n (desarrollo por columna)

para cualquier i = 1, . . . , n (desarrollo por fila)
Los determinantes de orden tres pueden ser resueltos con facilidad aplicando la llamada regla
de Sarrus. Se deja al lector como ejercicio la b
usqueda de dicho metodo.
3 1
3 1

, veamos su determinante haciendo, por ejemplo,
0 1 1 2
0 2
1
1
el desarrollo por la primera fila,

1
3 3 1
3 1

1+1
1+2
1 1 2 + 3(1)
0 1 2 +
|A| = 2(1)

2

1
1
0 1
1

3 1 1
3 1
3

+3(1)4 0 1 2 + 3(1)5 0 1 1

0 2
0 2
1
1
Ahora hay que calcular cada uno de los 4 determinantes de la igualdad anterior. Este c
alculo lo
ejemplificaremos realizando el primero de ellos:

1
3 1

1 2
1 2
1 1

1 1 2 = 1(1)2
+ 3(1)3
1(1)4

1 1
2 1
2
1

2
1
1
= 3 + 15 1 = 11
Luego |A| = 5.
Es obvio que calcular un determinante de orden superior a cuatro de manera manual, y siguiendo
literalmente el anterior proceso, necesitara una cantidad elevadsima de pasos. Aunque tambien es
obvio que si, en una fila o columna, todos los elementos salvo uno fuesen nulos, solo tendramos
que calcular, en cada paso de la recurrencia, un determinante de orden inferior.
Siguiendo la anterior idea, y mediante transformaciones elementales por filas y/o columnas, vamos a hacer ceros los elementos de una fila o columna antes de aplicar la definicion de determinante.
Propiedades 1.3.5 Sean
A = (A1 |A2 | |Ai | |Aj | |An ), B Mn (k).
Entonces:
14
Si permutamos dos filas o columnas de A, su determinante cambia de signo.

det((A1 |A2 | |Ai | |An )) = det(A), k. (Igual para filas.)
det((A1 |A2 | |Ai + Aj | |Aj | |An )) = det(A), k. (Igual para filas.)
det((A1 |A2 | |Ai1 + Ai2 | |An ))
q
det((A1 |A2 | |Ai1 | |An )) + det((A1 |A2 | |Ai2 | |An )).
(Igual para filas.)
det(AB) = det(A)det(B) = det(BA).
Si dos filas o columnas de A son proporcionales, det(A) = 0.
Si una fila o columna de A es nula, det(A) = 0.
det(At ) = det(A).
Si A inversible, det(A1 ) = det(A)1 .
Algunas aplicaciones del determinante

Teorema 1.3.6 A inversible si y s
olo si det(A) 6= 0.
Definici
on 1.3.7 Llamaremos matriz adjunta de A = (aij ) Mn , a la matriz que se obtiene de
sustituir cada elemento aij por su adjunto Aij . A la matriz adjunta la denotaremos por adj(A).
Teorema 1.3.8 Si A inversible, A1 =
3 3
1
adj(A)t .
det(A)

2
3 3
,
3 2 0
A1 =
1
1
2 3
adj(A)t =
det(A)
22
12 7
13
3
15
13
= 1
22
12
7
.
15
Es f
acil comprobar que A1 A = AA1 = I.
El concepto de determinante nos permite dar un metodo alternativo para calcular el rango de
una matriz.
Definici
on 1.3.10 Llamaremos menor de orden h de una matriz A Mmn (k), al determinante
de cualquier submatriz cuadrada de orden h de A.
Teorema 1.3.11 Dada una matriz A,
rang(A) = orden del mayor menor no nulo.
1 2 3
15
. Los menores de orden 1 son los propios elementos de la

4
5
6
5 7 9
matriz, los menores de orden 2 son

5 6 2 3 2 3 4 6 1 3 1 3 4 5 1 2 1 2

,
,
,
,
,
,
,
,
,
7 9 7 9 5 6 5 9 5 9 4 6 5 7 5 7 4 5
y el u
nico menor de orden 3 es det(A) = 0. Por lo tanto, el orden mayor de los menores no nulos
es 2, luego rang(A) = 2.
Es obvio que calcular a mano el rango de una matriz mediante el uso exclusivo del determinante
es un problema que requiere muchas operaciones. Por ello se impone el uso del metodo del orlado y,
mas practico a
un, mezclarlo con la reduccion por filas y columnas. (Se deja al lector como ejercicio
la b
usqueda de estos metodos.)
1.4.
Sistemas de ecuaciones. Teorema de Rouch

e-Frobenius, m
etodos de Gauss-Jordan y Cramer
Definici
on 1.4.1 Llamaremos sistema de m ecuaciones lineales con n inc
ognitas a toda expresi
on
del tipo:
= b1
a11 x1 + + a1n xn
..
(1.1)
.
am1 x1 + + amn xn = bm
donde aij , bi k. Llamaremos soluci
on del sistema a cualquier nupla (x1 , . . . , xn ) de elementos
de k que verifique todas las ecuaciones.
La notaci
on matricial usual de un sistema de ecuaciones lineales es Ax = b, donde A = (aij )
Mmn (k) se llama matriz de coeficientes del sistema, b = (bi ) Mm1 (k) se llama matriz del
termino independiente, y x = (xi ) Mn1 (k) matriz inc
ognita.
Diremos que el sistema es homogeneo si b = y no homogeneo en caso contrario.
Diremos que el sistema es compatible si tiene alguna soluci
on, e incompatible en caso contrario.
Si el sistema es compatible, diremos que es determinado si posee una u
nica soluci
on, e indeterminado en caso contrario.
Diremos que dos sistemas son equivalentes si tienen las mismas soluciones.
Teorema 1.4.2 (de Rouche-Frobenius).- Sea Ax = b el sistema (1.1), entonces es compatible si y
s
olo si rang(A) = rang(A|b)4 . Adem
as, si el sistema es compatible,
rang(A) = n compatible determinado.
rang(A) < n compatible indeterminado.
Corolario 1.4.3 Todo sistema homogeneo de ecuaciones lineales es compatible.
4
A esta matriz se le llama matriz ampliada del sistema.
16
El anterior teorema nos permite, mediante una sencilla comprobacion, averiguar el caracter de
un sistema de ecuaciones. A continuacion veremos dos metodos que nos permitiran resolver dichos
sistemas.
M
etodo de eliminaci
on de Gauss-Jordan.Sea el sistema compatible Ax = b, con A Mmn (k), y b Mm1 (k). Consideremos la matriz del
sistema (A|b).
El metodo de Gauss-Jordan consiste en transformar, mediante transformaciones elementales por
filas, la matriz (A|b) en otra equivalente (A0 |b0 ), con A0 triangular inferior. Notese que resolver el
nuevo sistema, equivalente al primero, es sumamente sencillo.
Teorema 1.4.4 (Metodo de Cramer)5 .- Sea A = (aij ) Mn (k) con det(A) 6= 0. Entonces, la
u
nica soluci
on del sistema Ax = b, con b = (bi ) Mn1 (k), viene dada por:

a11 a12 a1i1 b1
a1i+1 a1n

a2i+1 a2n
1 a21 a22 a2i1 b2
xi =
, i = 1, . . . , n.

..
..
..

det(A)
.
.
.

an1 an2 ani1 bn
ani+1 ann
Ejemplo 1.4.5 Consideremos el sistema
de ecuaciones lineales en las indeterminadas x1 , . . . , x4 ,
3 3 3 1
1 2 3 3
1 2 3 2
Aplicando el teorema de Rouche-Frobenius es f

acil apreciar que el sistema es compatible indeterminado. Resolvamos dicho sistema utilizando los dos metodos expuestos anteriormente.
Metodo de Gauss-Jordan.- Mediante transformaciones elementales por filas de la matriz del
sistema anterior, encontramos una matriz equivalente a la primera (y por lo tanto un sistema
de ecuaciones equivalente),
1
1 3 3 3
0 5 4 3 1
18
0 0 6/5 5 9/5
A aquellas variables que no forman parte de un menor de orden m
aximo, en nuestro caso
hemos tomado x4 , de la matriz de coeficientes del sistema las renombramos d
andole el valor
de un par
ametro, x4 = , y las pasamos al termino independiente de cada ecuaci
on,
1 3
1 3 3
0 5 4
1 + 3
18
0 0 6/5 9/5 5
Este nuevo sistema, equivalente al primero, tiene una resoluci
on inmediata. De la u
ltima
ecuaci
on obtenemos x3 = 3/23, de la segunda, tras sustituir el valor anterior, despejamos
x2 , etc. Al final de este proceso tenemos:
x1 = 5/2 3
x2 = 1 3
x = 3/2 3
3
x4 =
5
Tambien es conocido por regla de Cramer.
17
Metodo de Cramer.- El metodo de Cramer nos obliga a que la matriz de coeficientes del
sistema que estemos considerando tenga determinante distinto de cero. En nuestro caso la
matriz ni siquiera es cuadrada. Para resolver este sistema mediante el metodo de Cramer hay
que realizar algunos cambios preliminares.
En primer lugar hay que reescribir el sistema para que la matriz de coeficientes del mismo
sea cuadrada y tenga determinante no nulo. Para ello, fijada una submatriz de la matriz de
coeficientes de rango m
aximo, renombramos, y escribimos como par
ametros, las variables que
no esten en dicha submatriz, y las pasamos al termino independiente. En nuestro caso vamos
a realizar esta operaci
on sobre x4 , x4 = ,
1 3 3 1 3
2 1 2 3 3
0 1 2 2 3
Ahora nos encontramos en las condiciones que necesita la regla de Cramer, y por lo tanto,

1 3 3 3
15 + 18
x1 = 6 3 3 1 2 =
2 3 1 2
1 1 3 3
6 + 18
=
x2 = 6 2 3 3 2
6

0
2
3
2
1 3 1 3

9 + 18
x3 = 6 2 1 3 3
=
0 1 2 3
x4 =
Ejemplo 1.4.6 Dado el sistema de ecuaciones
a
b
2
x
1
a 2b 1
,
3 y =
1
a
b
b+3
z
2b 1
vamos a estudiar su compatibilidad en funci
on de los par
ametros a y b.
Para conocer la compatibilidad del sistema podemos aplicar el teorema de Rouche-Frobenius.
Denotemos por A a la matriz de coeficientes del sistema,
a
b
2
a 2b 1
3 ,
a
b
b+3
y por A0 a su ampliada. Por lo tanto, tenemos que ver para que valores de a y b se tiene rang(A) =
rang(A0 ).
Comencemos estudiando las distintas posibilidades

a
b
2

3
0 = a 2b 1
a
b
b+3
para rang(A) :

= a(b2 1)

18
El primer caso que obtenemos es: a 6= 0 y b 6= 1, entonces rang(A) = rang(A0 ) = 3. Luego

el sistema es compatible determinado.
a = 0. En este caso rang(A) 2. C
omo es rang(A0 )?:

b
2
1

= (1 b)(b 5)
3
1
0 = 2b 1

b
b + 3 2b 1
Los subcasos que obtenemos son:
a = 0, b 6= 1, 5 rang(A0 ) = 3 6= rang(A) Sistema incompatible.
a = 0, b = 1 rang(A0 ) = 2 = rang(A) Sistema compatible indeterminado.
a = 0, b = 5 rang(A0 ) = 2 = rang(A) Sistema compatible indeterminado.
a 6= 0.
Los subcasos que obtenemos son:
a 6= 0, b = 1. En este caso, a R, rang(A) = 2 = rang(A0 ) Sistema compatible
indeterminado.
a 6= 0, b = 1. En este caso, a R, rang(A) = 2 6= 3 = rang(A0 ) Sistema
incompatible.
Para resolver un sistema de los anteriores para unos valores concretos de a y b, pueden aplicarse
los metodos de reducci
on (metodo de Gauss) y la regla de Cramer, recordando que para resolver un
sistema utilizando esta regla el sistema debe cumplir ciertas condiciones.
1.5.
Eliminaci
on de par
ametros
Un sistema de ecuaciones como el (1.1) puede ser visto como una forma de expresar un conjunto
de puntos (x1 , . . . , xn ) k n mediante una serie de condiciones que se tienen que verificar. De igual
manera, y como veremos mediante el ejemplo 2.3.4, un conjunto de la naturaleza anterior puede
ser tambien expresado mediante las llamadas ecuaciones parametricas.
Definici
on 1.5.1 Llamaremos ecuaciones parametricas lineales con n inc
ognitas, xi , y m par
ametros, i , a toda expresi
on del tipo:
x1 = 10 + 11 1 + + 1m m
x2 = 20 + 21 1 + + 2m m
(1.2)
..
xn = n0 + n1 1 + + nm m
donde ij k. La expresi
on matricial de una ecuaci
on parametrica es x = T + B, donde x es la
matriz columna de las variables xi , T es la matriz columna de los terminos independientes, B es la
matriz de los coeficientes de los par
ametros, ij , y la matriz columna formado por los par
ametros,
i .
Mientras que en las ecuaciones del sistema (1.1) expresamos los valores de (x1 , . . . , xn ) mediante
las relaciones dadas por las propias ecuaciones, en (1.2) estos mismos puntos estan en funcion de
una serie de parametros que varan pudiendo tomar cualquier valor en k.
Llamaremos eliminacion de parametros al proceso que nos permite expresar, si es posible, un
conjunto dado por unas ecuaciones parametricas mediante unas relaciones lineales del tipo (1.1).
19
Teorema 1.5.2 Dadas las ecuaciones parametricas (1.2), es posible eliminar los par
ametros si y
s
olo si rang(B) < n. El n
umero mnimo de ecuaciones lineales en xi que obtendremos ser
a n
rang(B).
Un proceso que puede ser seguido para eliminar parametros consiste en despejar de la primera
ecuacion uno de ellos y sustituirlo en el resto de las ecuaciones. As obtendremos unas nuevas
ecuaciones con una ecuacion menos y un parametro menos. Continuando este proceso se eliminan
los parametros (si es posible).
Ejemplo 1.5.3 Ejemplos de eliminaci
on de par
ametros.
Sean las ecuaciones parametricas
x1 =
x2 =
x =
3
x4 =
1 + 1 + 22 + 33
2 + 21 + 2 + 33
x = T + B
3 + 21 2 + 3
4 + 1 + 2 + 23
(1.3)
En este caso, es posible eliminar los par

ametros ya que rang(B) = 2 < 4. Adem
as, tras
eliminar los par
ametros, obtendremos 2 ecuaciones lineales en las indeterminadas xi .
Despejando, por ejemplo, 1 de la primera ecuaci
on y sustituyendola en el resto, tenemos:
x2 = 2 + 2 (x1 1 22 33 ) + 2 + 33
x2 = 2x1 32 33
x3 = 3 + 2 (x1 1 22 33 ) 2 + 3
x3 = 1 + 2x1 52 53
x4 = 4 + (x1 1 22 33 ) + 2 + 23
x4 = 3 + x1 2 3
Despejando, por ejemplo, 2 de la primera ecuaci
on y sustituyendola en el resto, tenemos:

2x1 x2 33
5
4
53
x3 = 1 + 2x1 5
x3 = 1 3 x1 + 3 x2
3
(1.4)

1
1
2x
1
2
3
x4 = 3 + x1 + x2
3
x4 = 3 + x1
3
3
3
La ecuaci
on (1.4) es el resultado de eliminar los par
ametros de (1.3).
Sean ahora las ecuaciones parametricas

x1 = 3 + 1 52
x2 = 4 31 + 2 + 73
Es claro que en estas ecuaciones parametricas no es posible eliminar los par
ametros.
Tambien pueden eliminarse los parametros de (1.2) resolviendo el sistema en las variables i y
considerando como terminos independientes las diferencias xi i0 .
20
Captulo 2
Espacios vectoriales y sistemas de

ecuaciones lineales.
Espacio vectorial. Subespacio vectorial. Dependencia e independencia lineal. Sistemas de generadores. Base de un espacio vectorial, dimensi
on y coordenadas. Estructura de las soluciones de un
sistema de ecuaciones lineales. Ecuaciones de un subespacio.
Lectura recomendada: Grossman, S.I. Algebra

lineal con aplicaciones, McGraw-Hill, 1992, paginas 291-384.
Identificar la estructura de espacio vectorial, distinguiendo, mediante ejemplos sencillos, aquellos conjuntos que poseen dicha estructura de los que no.
Distinguir si un subconjunto de un espacio vectorial es un subespacio.
Determinar si un conjunto finito de vectores constituye un sistema linealmente independiente,
si constituye un sistema generador y/o si constituye una base del subespacio que genera.
Calcular la dimension de un espacio vectorial.
Pasar de unas presentaciones de un subespacio vectorial a otras.
Calcular base y dimension de subespacios vectoriales.
Apreciar las relaciones entre los sistemas de ecuaciones, los espacios vectoriales y las matrices.
2.1.
Espacio vectorial sobre un cuerpo
Este tema es eminentemente instrumental y nos presenta la estructura basica del algebra lineal:
el espacio vectorial. El conocimiento de los espacios vectoriales nos facilitara el despliegue de las
herramientas relacionadas con la resolucion de sistemas de ecuaciones lineales.
La estructura de espacio vectorial es compartida por infinidad de conjuntos sobre los que tratamos en este texto. Su conocimiento y manejo facilitara enormemente la compresion de algunas
propiedades de los mismos.
Definici
on 2.1.1 Sea V un conjunto no vaco, k un cuerpo, + una ley de composici
on interna1 ,
1
+ : V V V.
21
CAPITULO 2. ESPACIOS VECTORIALES Y SISTEMAS DE ECUACIONES LINEALES.
22
que llamaremos suma, y una ley de composici

on externa2 , que llamaremos producto por escalares.
Diremos que la terna (V, +, k) tiene estructura de espacio vectorial sobre k (o que es un kespacio
vectorial) si se verifican las siguientes propiedades:
(V, +) es un grupo abeliano.
es distributivo respecto +.
+ es distributivo respecto .
, k, y v V, () v = ( v).
v V, 1 v = v.
A los elementos de V los llamaremos vectores.
Para simplificar la notacion, no utilizaremos ning
un smbolo para referirnos al producto por
escalares. En adelante fijamos el cuerpo k y las operaciones + y , por lo que diremos que V es un
espacio vectorial, en vez de (V, +, k) es un kespacio vectorial (obviando la escritura del cuerpo y
los smbolos de las operaciones).
Ejemplo 2.1.2 Ejemplos cl
asicos de espacios vectoriales:
(R2 , +, R) es un Respacio vectorial con la suma (a1 , a2 ) + (b1 , b2 ) := (a1 + b1 , a2 + b2 ), y el
producto (a1 , a2 ) := (a1 , a2 ), donde R.
(Rn , +, R) es un Respacio vectorial (con la suma y el producto anterior generalizados a
Rn ).
(Mmn (R), +, R) es un Respacio vectorial (con la suma de matrices y el producto de un
n
umero real por una matriz).
(Rn [x], +, R) es un Respacio vectorial (con la suma est
andar de polinomios y el producto de un n
umero real por un polinomio). El conjunto Rn [x] es el de los polinomios en la
indeterminada x con coeficientes reales y grado menor o igual a n.
El conjunto de las soluciones de un sistema de ecuaciones lineales y homogeneas (y reales) es
un Respacio vectorial.
Propiedades 2.1.3 Sea V un espacio vectorial, entonces:
Si multiplicamos el elemento neutro (respecto de la suma) del cuerpo por cualquier vector de
V, obtenemos el elemento neutro de (V, +), i.e. 0v = 0 V, donde el smbolo 0 de la izquierda
representa el elemento neutro de k, y el de la derecha el de V.
Si multiplicamos el elemento neutro de (V, +) por cualquier elemento del cuerpo, obtenemos
el elemento neutro de (V, +), i.e. k, 0 = 0 V, donde tanto el smbolo 0 de la izquierda
como el de la derecha es el elemento neutro de V.
(v) = (v) = ()v, k, v V.
2
: k V V.
2.2.
23
Subespacios Vectoriales
Definici
on 2.2.1 Sea (V, +, k) un espacio vectorial y sea F V no vaco. Diremos que F es un
subespacio vectorial de V si (F, +, k) es un kespacio vectorial.

Ejemplo 2.2.2 F = (x, 0) R2 | x R es un subespacio vectorial de (R2 , +, R).
Para saber si un subconjunto no vaco de un espacio vectorial es un subespacio vectorial, no es
necesario comprobar todas las propiedades de 2.1.1.
Teorema 2.2.3 Sea (V, +, k) un espacio vectorial y sea F V no vaco. Entonces, F es un
subespacio vectorial de V si y s
olo si se verifican:
u, v F u + v F.
k, v F v F.
Adem
as, todo subespacio vectorial contiene al elemento neutro de V.

Ejemplo 2.2.4 Tomemos de nuevo el conjunto F = (x, 0) R2 | x R . Para saber si es un
subespacio vectorial habr
a que comprobar que verifica las condiciones del teorema anterior.
Sean u, v F. Por lo tanto, u se puede expresar como u = (x, 0), y v como v = (x0 , 0). La
pregunta que debemos plantearnos es u + v F ? Realizando la suma, u + v = (x, 0) + (x0 , 0) =
(x + x0 , 0) F, tenemos que, efectivamente, se verifica la primera propiedad del teorema.
Sean u F y R. Por lo tanto u se puede expresar como u = (x, 0). La pregunta ahora es
u F ? Ciertamente u = (x, 0) F, luego se verifica la segunda propiedad del teorema.
Se concluye pues que F es un subespacio vectorial de V.

Ejemplo 2.2.5 El conjunto G = (x, x2 ) R2 | x R no es un subespacio vectorial de R2 aunque
contenga a su elemento neutro.
2.3.
Combinaci
on lineal, ecuaciones de un subespacio vectorial y
dependencia e independencia lineal
Definici
on 2.3.1 Sean V un espacio vectorial, u V y {u1 , . . . , um } V. Diremos que u es
combinaci
on lineal de {u1 , . . . , um } si 1 , . . . , m k tales que
u = 1 u1 + 2 u2 + + m um .
Ejemplo 2.3.2 Ejemplos de combinaciones lineales:
El vector (3, 3) es una combinaci
on lineal del conjunto {(1, 0), (0, 2)}, ya que
(3, 3) = 3(1, 0) + 3/2(0, 2).
24
El vector 2x2 + 5 es una combinaci

on lineal del conjunto {x2 , x + 3, 1}, porque
2x2 + 5 = 2x2 + 0(x + 3) + 5 1.
Teorema 2.3.3 Sean V un espacio vectorial y F V. El conjunto de todas las combinaciones
lineales de los elementos de F forman un subespacio vectorial, al que denotaremos por < F >, y
llamaremos subespacio vectorial generado por F.
Ejemplo 2.3.4 Consideremos F = {(1, 2, 0, 1), (0, 1, 1, 1)} R4 . Hay diversas formas de presentar el espacio vectorial generado por F. Una de las m
as usuales es mediante ecuaciones:
Todos los vectores de < F > son de la forma (x, y, z, t) con
(x, y, z, t) = (1, 2, 0, 1) + (0, 1, 1, 1),
y donde y son n
umeros reales cualesquiera. A esta ecuaci
on la llamaremos ecuaci
on
vectorial de < F > .
Si realizamos los productos anteriores, obtenemos las llamadas ecuaciones parametricas
x =
y = 2 +
z =
t =
Si eliminamos los par
ametros (ver 1.5.2), lo que siempre es posible en estos casos, obtenemos
las llamadas ecuaciones implcitas

2x y + z = 0
3x + y + t = 0
N
otese que las ecuaciones anteriores no son u
nicas.
Definici
on 2.3.5 Diremos que dos conjuntos F, S V son equivalentes si < S >=< F > .
Lema 2.3.6 Dos conjuntos son equivalentes si y s
olo si sus ecuaciones asociadas son equivalentes.
Definici
on 2.3.7 Sea V un espacio vectorial.
Diremos que un conjunto de {u1 , . . . , um } V es linealmente dependiente si existe al menos
un vector que es combinaci
on lineal del resto.
Diremos que un conjunto de {u1 , . . . , um } V es linealmente independiente si no es linealmente dependiente, es decir, alg
un vector es una combinaci
on lineal del resto.
Lema 2.3.8 Dados V un espacio vectorial y F = {u1 , . . . , um } V,
F es linealmente dependiente si y s
olo si 1 , . . . , m k, no todos nulos, tales que
1 u1 + + m um = 0.
25
F es linealmente independiente si y s
olo si
(1 u1 + + m um = 0 1 = = m = 0) .
Ejemplo 2.3.9 Consideremos el espacio vectorial M23 (R),

1 2 3
7 8 9
8
,
,
4 5 6
10 11 12
14

1 0 0
0 1 1
0 0
,
,
0 0 1
0 0 0
1 1
2.4.

10 12
es linealmente dependiente.
16 18

0
es linealmente independiente.
1
Espacios vectoriales de tipo finito, sistemas de generadores,

base y dimensi
on
Definici
on 2.4.1 Sea V un espacio vectorial, diremos que es de tipo finito si existe F V finito
tal que V =< F > . En tal caso diremos que F es un sistema de generadores de V.
Definici
on 2.4.2 Sea V un espacio vectorial y F V un sistema de generadores de V. Diremos
que F es una base de V si es un conjunto linealmente independiente.
Notese que una base de un espacio vectorial es un sistema de generadores con la menor cantidad
posible de vectores, es decir, si de una base extraemos un vector, el conjunto deja de ser un sistema
de generadores.
Teorema 2.4.3 Todo espacio vectorial, V, de tipo finito admite una base. Adem
as, todas las bases
de un espacio vectorial tienen el mismo n
umero de elementos. A dicho n
umero lo llamaremos
dimensi
on de V y lo denotaremos por dim V.
El concepto de base es muy importante dentro del algebra lineal y dentro de la geometra. Fijar
una base es equivalente a fijar un sistema de coordenadas en un espacio.
En lo sucesivo trabajaremos con espacios vectoriales de tipo finito.
Teorema 2.4.4 n vectores linealmente independientes en un espacio vectorial de dimensi
on n
forman una base del mismo.
Teorema 2.4.5 La expresi
on de un vector respecto de una base es u
nica. Es decir, dado un espacio
vectorial V, una base de dicho espacio B = {u1 , . . . , un } V y un vector cualquiera u V, existen
unos u
nicos valores 1 , . . . , n k tales que
u = 1 u1 + + n un .
A la upla formada por los coeficiente anteriores la llamaremos coordenadas de u respecto de la base
B, y la denotaremos por
u = (1 , . . . , n )B .
26
Es claro que un mismo vector puede tener coordenadas distintas en funcion de la base que
estemos considerando. Se deja al lector, como un practico ejercicio, encontrar la relacion existente
entre las coordenadas de un mismo vector respecto de distintas bases.
El concepto de coordenadas nos permite olvidar los objetos del espacio vectorial en el que estamos
trabajando y pasarlo todo a coordenadas en Rn .
Ejemplo 2.4.6 Consideremos el conjunto
F := {ax3 + bx + c R3 [x] | a + b = b c = 0},
y comprobemos que es un subespacio vectorial de R3 [x].
Dado un subconjunto de un espacio vectorial, en nuestro caso, F R3 [x], para ver que es un
subespacio, tenemos que comprobar que

u, v F
u+v F
R, u F u F
Desarrollemos cada uno de los puntos:
Sean u = ax3 + bx + c, v = a0 x3 + b0 x + c0 F (por lo tanto a + b = b c = a0 + b0 = b0 c0 = 0).
Consideremos la suma
u + v = ax3 + bx + c + a0 x3 + b0 x + c0 = (a + a0 )x3 + (b + b0 )x + c + c0 .
La cuesti
on que debemos plantearnos ahora es u + v F ? Para responder a esta pregunta
tenemos que comprobar si (a + a0 ) + (b + b0 ) = (b + b0 ) (c + c0 ) = 0. Esto es cierto porque
a + b = b c = a0 + b0 = b0 c0 = 0.
Sea R, y u = ax3 + bx + c F (por lo tanto a + b = b c = 0). Consideremos el producto
u = (ax3 + bx + c) = ax3 + bx + c.
La cuesti
on que debemos plantearnos es u F ? Para responder a esta pregunta tenemos
que comprobar si a + b = b c = 0. Esto es cierto porque (a + b) = (b c) = 0.
Podramos realizar esta misma comprobaci
on utilizando las coordenadas de los vectores en vez de
su expresi
on polinomial. Consideremos, por ejemplo, la base de R3 [x], B = {x3 , x2 , x, 1}. Fijada
esta base, podemos reescribir el conjunto F como
F = {(a, 0, b, c)B R4 | a + b = b c = 0}.
En tal caso, la comprobaci
on que tendramos que realizar es:
Sean u = (a, 0, b, c), v = (a0 , 0, b0 , c0 ) F (por lo tanto a + b = b c = a0 + b0 = b0 c0 = 0).
Consideremos la suma
u + v = (a + a0 , 0, b + b0 , c + c0 ).
La cuesti
on que debemos plantearnos ahora es u + v F ? Para responder a esta pregunta
tenemos que comprobar si (a + a0 ) + (b + b0 ) = (b + b0 ) (c + c0 ) = 0. Esto es cierto porque
a + b = b c = a0 + b0 = b0 c0 = 0.
Sea R, y u = (a, 0, b, c) F (por lo tanto a + b = b c = 0). Consideremos el producto
u = (a, 0, b, c).
La cuesti
on que debemos plantearnos ahora es u F ? Para responder a esta pregunta
tenemos que comprobar si a+b = bc = 0. Esto es cierto porque (a+b) = (bc) = 0.
27
Ejemplo 2.4.7 Consideremos el espacio vectorial R2 [x] y su subespacio

F =< x + 1, x2 > .
1.
Calcular unas ecuaciones parametricas y unas implcitas de F.
2.
Fijada la base B = {x2 + 1, x + 1, 3} de R2 [x], calcular las coordenadas del vector 2x2 + 1
respecto de B.
Fijemos en primer lugar una base de R2 [x], por ejemplo la can

onica C = {1, x, x2 }. Dada esta
base tenemos que
F =< x + 1, x2 >=< (1, 1, 0)C , (0, 0, 1)C > .
Por lo tanto, unas ecuaciones parametricas de F
x1
x2
x3
vienen determinadas por

=
=
=
y unas ecuaciones implcitas por

x1 = x2 .
Para el segundo apartado usaremos tambien las coordenadas respecto de la base can
onica. En
ese caso, tenemos que
B = {x2 + 1, x + 1, 3} = {(1, 0, 1)C , (1, 1, 0)C , (3, 0, 0)C }, 2x2 + 1 = (1, 0, 2)C ,
luego las coordenadas del vector respecto de B se corresponden con las soluciones del sistema
1 = + + 3
0 =
(1, 0, 2)C = (1, 0, 1)C + (1, 1, 0)C + (3, 0, 0)C

,
2 =
es decir, 2x2 + 1 = (1, 0, 2)C = (2, 0, 1/3)B .
2.5.
Subespacios filas y columnas
Definici
on 2.5.1 Sea la matriz A Mmn (k).
Llamaremos subespacio vectorial fila asociado a la matriz A al subespacio vectorial de k n
generado por las filas de A. A este espacio vectorial lo denotaremos por F (A).
Llamaremos subespacio vectorial columna asociado a la matriz A al subespacio vectorial de
k m generado por las columnas de A. A este espacio vectorial lo denotaremos por C(A).
Teorema 2.5.2 En las condiciones de la definici
on anterior,
dim F (A) = dim C(A) = rang(A).
Ejemplo 2.5.3 En el espacio vectorial R4 , calcular y para que se verifique:
dim (< (3, 2, , 5), (2, 3, 5, ), (0, 13, , 7) >) = 2.
28
Para que se verifique

dim (< (3, 2, , 5), (2, 3, 5, ), (0, 13, , 7) >) = 2,
debe ocurrir que dos vectores sean linealmente independientes, y un tercero linealmente dependiente.
Esto ocurrir
a si:
3 2 5
rang 2 3 5 = 2.
0 13 7

3 2
es no nulo, s

olo tendremos que considerar dos
Para ello, y como, por ejemplo, el menor
2 3
menos iguales a cero (metodo de orlado):

3 2
2 3 5 = 0 12 + 26 195 = 0
0 13

3 2 5

2 3

0 13 7

=0 1=0

Obtenemos pues = 1 y = 13.
2.6.
Sistemas de ecuaciones homog

eneas y espacios vectoriales
En los diversos ejemplos de este captulo es facil apreciar que existe una fuerte relacion entre
los espacios vectoriales y los sistemas de ecuaciones lineales. En esta seccion vamos a tratar de
explicitar estas relaciones.
Teorema 2.6.1 Sea V un kespacio vectorial, F V un conjunto finito de vectores, Ax = 0,
con A Mmn (k), unas ecuaciones implcitas del subespacio generado por F, y x = B unas
ecuaciones parametricas del mismo espacio. Entonces,
dim < F >= dim V rang(A) = rang(B).
N
otese que rang(A) es el n
umero de ecuaciones independientes de unas ecuaciones implcitas
de < F >, y rang(B) es el n
umero de par
ametros independientes de unas parametricas de < F > .
Corolario 2.6.2 Dado un sistema de ecuaciones lineales y homogeneas, Ax = 0, con A Mmn (k),
la dimensi
on del espacio vectorial de las soluciones es n rang(A).
Corolario 2.6.3 Dado un conjunto de vectores F = {u1 , . . . , un } V :
u1
dim < F >= rang(u1 | |un ) = rang ... .

un
El n
umero mnimo de par
ametros de unas parametricas de < F > es dim < F > .
El n
umero de ecuaciones independientes de unas ecuaciones implcitas de < F > es
dim V dim < F > .
29
Ejemplo 2.6.4 Consideremos el subespacio vectorial, V, de R4 dado por las ecuaciones

2x1 x2 3x3
= 0
x1 2x2 + 6x3 6x4 = 0
1.
Calcular la dimensi
on de V.
2.
Calcular una base de V.
3.
Calcular unas ecuaciones parametricas de V.
Por comodidad vamos a expresar el sistema mediante notaci

on matricial

2 1 3 0 0
A=
.
1 2 6 6 0
La dimensi
on del espacio vectorial de las soluciones de este problema corresponde con:
dimensi
on del espacio ambiente (dim R4 ) menos el n
umero de ecuaciones implcitas
independientes (rang(A))
q
dim R4 rang(A) = 4 2 = 2.
Para obtener unas parametricas, y con ellas una base del espacio V, resolvemos el sistema de
ecuaciones, obteniendose:
x1 = 4 2
x2 = 5 4
est
as son unas ecuaciones parametricas.
x =
3
x4 =
Una forma de obtener una base de V a partir de unas parametricas del espacio, consiste en considerar los vectores formados por los coeficientes de los par
ametros:
B = {(4, 5, 1, 0), (2, 4, 0, 1)} esta es una base de V.
2.7.
Sistemas de ecuaciones no homog

eneas
Teorema 2.7.1 Sea Ax = b un sistema de ecuaciones lineales no homogeneas, x0 k n una

soluci
on particular del sistema y F el subespacio vectorial formado por las soluciones de Ax = 0.
Entonces, el conjunto de todas las soluciones del sistema no homogeneo es
x0 + F := {x0 + y|y F } .
Como ejercicio podemos plantearnos ver que realmente se tiene esta estructura en el ejemplo
1.4.5.
30
Captulo 3
Diagonalizaci
on de matrices.
Matrices semejantes. Autovalores, autovectores y polinomio caracterstico. Matrices ortogonales.
Diagonalizaci
on de matrices cuadradas. Diagonalizaci
on de matrices simetricas.
Lectura recomendada: Sydsaeter, K. y Hammond, P.J. Matem
aticas para el an
alisis econ
omico,
Prentice Hall, 1999, paginas 380-389.
Calcular el polinomio caracterstico, los autovalores y los autovectores de una matriz.
Determinar cuando una matriz es diagonalizable, y en caso afirmativo, dar una forma diagonal
asociada y la matriz de paso correspondiente.
Aplicar la diagonalizacion al calculo de la potencia nesima de una matriz.
3.1.
Diagonalizaci
on de una matriz real
La diagonalizacion de una matriz es un proceso por el cual encontramos, si es posible, una

matriz semejante1 a la primera pero con una particularidad, es diagonal. Esta transformacion nos
permite trabajar con una matriz mas simple y con unas propiedades que simplifican los calculos
que debamos realizar.
Definici
on 3.1.1 Dada una matriz real A Mn (R), llamaremos autovalor de A a cualquier
n
umero , tal que Av = v, para alg
un v vector no nulo.
Esta definicion tiene su equivalente en
(A I)v = 0,
donde I es la matriz identidad de orden n. La anterior ecuacion tiene solucion no nula si y solo si
det(A I) = 0.
Esta propiedad da pie a definir el concepto de polinomio caracterstico asociado a una matriz que
es muy u
til a la hora de realizar diferentes calculos.
1
Diremos que A, B Mn (k) son semejantes si P Mn (k) inversible tal que A = P BP 1 .
31
DE MATRICES.
CAPITULO 3. DIAGONALIZACION
32
Definici
on 3.1.2 Llamaremos polinomio caracterstico asociado a la matriz A al polinomio
p() = det(A I).
La relacion entre el polinomio caracterstico y los autovalores la volvemos a explicitar en el
siguiente resultado.
Lema 3.1.3 es un autovalor de A si y s
olo si p() = 0.
Teorema 3.1.4 (de Cayley-Hamilton).- Toda matriz anula su polinomio caracterstico.
En lo sucesivo, denotaremos por
p() = n + a1 n1 + + an
al polinomio caracterstico asociado a la matriz A. Este polinomio lo supondremos monico por
comodidad.
Definici
on 3.1.5 Dado el autovalor , llamaremos autovector asociado a a cualquier vector
que verifique Av = v. Al espacio vectorial formado por todos los autovectores asociados a lo
denotaremos por V () y lo llamaremos espacio propio asociado a .
Propiedades 3.1.6 Dados dos autovalores distintos 1 , 2 , se tiene que V (1 ) V (2 ) = {0}.
Definici
on 3.1.7 Diremos que A es diagonalizable sobre los n
umeros reales si existe una matriz
real y diagonal semejante a ella, es decir, si existe una matriz real y diagonal, D, y otra inversible,
P, tal que
A = P DP 1 .
A una matriz D verificando la definicion anterior la llamaremos matriz diagonal asociada a A,
y a una matriz P, matriz de paso asociada a A y D.
Teorema 3.1.8 A es diagonalizable sobre los n
umeros reales si y s
olo si se verifican:
todos los autovalores son reales;
la multiplicidad2 , mi , de cada autovalor, i , como raz de p(), coincide con la dimensi
on de
3
V (i ), para todos los autovalores (supongamos que hay t distintos). Adem
as, n = m1 + +
mt .
2
Dado un polinomio p(x) k[x], y una raz a k del mismo, la multiplicidad de a es

m
ax{m N|(x a)m divide a p(x)}.
Siempre se tiene que 0 < dim V (i ) mi , i, y es en el caso en que la matriz sea diagonalizable, cuando se
alcanza la igualdad.
DE MATRICES.
Si consideramos la matriz diagonal,
..
D=
33
..
.
t
..
.
t
donde cada autovalor aparece tantas veces en la diagonal como multiplicidad tiene, y la matriz
1
P = w11 | |wm
1
w1t | |wm
t
i } base de V ( ), tenemos que

con {w1i , . . . , wm
i
i
A = P DP 1 .
Corolario 3.1.9 Si todos los autovalores de una matriz son reales y de multiplicidad uno, entonces
la matriz es diagonalizable.
3.2.
Aplicaci
on de la diagonalizaci
on al c
alculo de potencias de
matrices
La aplicacion de la diagonalizacion para el calculo de la potencia mesima de una matriz la

recogemos en las siguientes igualdades:
A2 = (P DP 1 )2 = P DP 1 P DP 1 = P D2 P 1
A3 = (P DP 1 )3 = P D2 P 1 P DP 1 = P D3 P 1
..
.
Am = (P DP 1 )m = P Dm1 P 1 P DP 1 = P Dm P 1
Elevar a una potencia una matriz diagonal es muy sencillo:
m m
b1
b1
..
..
.
=
.
.
bn
bm
n
Esto nos permite elevar con gran facilidad a cualquier potencia una matriz diagonalizable, ya
que, aplicando como preprocesamiento la diagonalizacion, desaparece el problema de calcular la
potencia.
Ejemplo 3.2.1 Sea A la matriz
0 0 4
4 2 8 .
0 0 a
DE MATRICES.
1.
Razonar y calcular los valores de a para los que A es diagonalizable.
2.
Diagonalizar A para a = 2.
1.
En primer lugar calculamos el polinomio caracterstico asociado a la matriz A,

0
4

8 = (a )(2 ),
p() = |A I| = 4 2
0
0
a
34
cuyas races son 0, 2 y a. A la vista de los autovalores de A tenemos distintas posibilidades

para su diagonalizaci
on:
a 6= 0, 2. En este caso, los tres autovalores son distintos, y por lo tanto, por ser p() de
grado 3, las dimensiones de los espacios asociados a cada uno de ellos coinciden con las
respectivas multiplicidades. Esto nos demuestra que A es diagonalizable.
a = 0. En este caso tenemos los autovalores 1 = 0 y 2 = 2, con multiplicidades
m1 = 2 y m2 = 1. Para ver que la matriz es diagonalizable, faltara comprobar que
dim V (i ) = mi , i = 1, 2. Veamos esto, en primer lugar, para V (1 ),
0 0 4
dim V (1 ) = dim R3 rang 4 2 8 = 3 2 = 1 6= 2 = m1 ,
0 0 0
y por lo tanto, A no es diagonalizable.
a = 2. En este caso tenemos los autovalores 1 = 0 y 2 = 2, con multiplicidades
m1 = 1 y m2 = 2. Para ver que la matriz es diagonalizable faltara, comprobar que
dim V (i ) = mi , i = 1, 2. Veamos esto, en primer lugar, para V (2 ),
2 0 4
dim V (2 ) = dim R3 rang 4 0 8 = 3 1 = 2 = m2 .
0 0 0
Como m1 = 1, tenemos que dim V (1 ) tiene tambien que valer 1.
Al coincidir ambas dimensiones con sus respectivas multiplicidades, podemos concluir
que A es diagonalizable
2.
Sea ahora a = 2. En el apartado anterior ya calculamos los autovalores y sus multiplicidades,

por lo que tenemos 1 = 0 y 2 = 2, con multiplicidades m1 = 1 y m2 = 2.
Vamos a considerar en adelante fijada la siguiente matriz simetrica asociada a A,
0 0 0
D = 0 2 0 ,
0 0 2
y calculemos ahora la correspondiente matriz de paso.
En primer lugar necesitamos una base de V (0), la cual se corresponde con una base de las
soluciones del sistema lineal y homogeneo cuya matriz es
0 0 4
A 0I = 4 2 8 .
0 0 2
DE MATRICES.
35
Unas ecuaciones parametricas asociadas a este sistema son
x =
y = 2
z =
0
Por lo tanto una base de V (0) viene dada por {(1, 2, 0)}.
Calculemos de manera an
aloga una base de
2 0
4 0
A 2I =
0 0
V (2).
4
x = 2
y =
z =
Por lo tanto, una base de V (2) viene dada

asociada correspondiente a D es
2
P =
0
por {(0, 1, 0), (2, 0, 1)}. Una matriz de paso
0 2
1 0 .
0 1
Tambien podemos considerar, por ejemplo, como matriz diagonal asociada la matriz
2 0 0
D0 = 0 0 0 ,
0 0 2
y entonces, como matriz de paso, tomar
0 1 2
P 0 = 1 2 0 .
0 0
1
Ejemplo 3.2.2 Sea la matriz
a b 0
A = 0 1 1 .
0 0 1
1.
Estudiar la diagonalizaci
on de A sobre los n
umeros reales en funci
on de los valores de a y b.
2.
Diagonalizar A para a = 3 y b = 5, dando una matriz diagonal asociada y su matriz de paso

correspondiente. Para estos valores calcular explcitamente An .
3.
Estudiar el rango de A en funci

on de los par
ametros.
Veamos en primer lugar para que valores de a y b es A diagonalizable. Comencemos por el
c
alculo de los autovalores:

a
b
0

1
1 = ( a)(2 1) autovalores a, 1, 1.
p() = 0
0
0
1
Distingamos pues distintos subcasos:
1.
a 6= 1, 1. En este caso A es diagonalizable.
DE MATRICES.
2.
a = 1. Tenemos dos autovalores 1 = 1 y

m2 = 1. Veamos, en funci
on del par
ametro
dimensiones de los espacios propios:
11
b
0
1 1
dim V (1 ) = 3 rang
0
0
1+1
b
0
1 + 1
dim V (2 ) = 3 rang
0
0
36
2 = 1, con multiplicidades m1 = 2 y
b, si las multiplicidades coinciden con las

0
3 2 = 1 6= m1 si b 6= 0
1
=
3 1 = 2 = m1 si b = 0
11
0
1 = 3 2 = 1 = m2 , b R
1+1
Luego, para a = 1 y b = 0 A es diagonalizable, y no lo es para a = 1 y b 6= 0.

3.
a = 1. Tenemos dos autovalores 1 = 1 y 2 = 1, con multiplicidades m1 = 1 y

m2 = 2. Veamos, en funci
on del par
ametro b, si las multiplicidades coinciden con las
dimensiones de los espacios propios:
1 1
b
0
0
1 1
1 = 3 2 = 1 = m1 , b R
dim V (1 ) = 3 rang
0
0
11

1 + 1
b
0
3 2 = 1 6= m2 si b 6= 0
0
1 + 1
1 =
dim V (2 ) = 3rang
3 1 = 2 = m2 si b = 0
0
0
1+1
Luego, para a = 1 y b = 0, A es diagonalizable, y no lo es para a = 1 y b 6= 0.
Los elementos asociados a la diagonalizaci

on de A para a = 3 y b = 5 son:
5/4 5/2 1
1 0 0
1
0
D= 0 1 0 yP =
1
0 0 3
0
2
0
A = PD P
5/4 5/2 1
1
1 0 0
0 1 0 0 0
0
0 0 3
0
1 5/4
3n 5/4 (1)n + 5/4 3n 5/8 (1)n 5/4 + 5/8 3n
(1)n
1/2 (1)n + 1/2
1/2
1/2
=
5/8
rang(A) = 3, a 6= 0. Para a = 0, el rango es dos.
3.3.
Diagonalizaci
on de matrices sim
etricas
La diagonalizacion de una matriz simetrica se puede realizar empleando el teorema 3.1.8. La

particularidad por la cual hemos empleado una seccion especfica para este tipo de matrices la
tenemos en el siguiente resultado.
Teorema 3.3.1 Sea A una matriz real y simetrica. Entonces:
A es diagonalizable sobre los reales.
DE MATRICES.
37
La matriz de paso asociada a una diagonalizaci

on de A puede ser construida4 de manera que
1
t
P = P . A una matriz que verifica que su inversa coincide con su traspuesta la llamaremos
matriz ortogonal.
Ejemplo 3.3.2 Sea la matriz
2 1 1
A=
1 2 1 ,
1 1 2
calculando las races de su polinomio caracterstico obtenemos los autovalores:
p() = 3 6 2 + 9 4 = 0 1 = 4, 2 = 3 = 1.
Para calcular el espacio vectorial V (1 ), resolvemos el sistema de ecuaciones dado por
V (4) = {v|(A 4I)v = 0}
2 1
1
v1
= v1 :
1 2 1
v3
1
1 2
v1
v1 = 0
v3
0
=< (1, 1, 1) > .

An
alogamente
V (1) =< (1, 0, 1), (1, 1, 0) > .
Por el teorema 3.1.8 sabemos que
1 1 1
1
Ax =
1 0
1 1
0
1 1 1
1
=
1 0
1 1
0
x
4 +2
x
= 1/3
4 1
4x 1
4 0 0
1 1 1
0 1 0 1 0
0 0 1
1 1
0
x
4
0 0
1/3
1/3
1/3
0 1x 0 1/3 1/3 2/3
x
0 0 1
1/3 2/3 1/3
x
x
4 1 4 1
4x + 2 4x 1
x
x
4 1 4 +2
En este mismo ejemplo, como la matriz es simetrica, podemos construir una matriz de paso
ortogonal,
1/3 3 1/2 2 1/6 6

Q=
1/3
3
1/2
2
1/6
6
1/3 3
0
1/3 6
Es un simple c
alculo comprobar que Q1 = Qt , y que A = QDQt .
Siguiendo, por ejemplo, el denominado metodo de ortogonalizaci

on de Gram-Schmidt.
DE MATRICES.
38
Captulo 4
Formas cuadr
aticas reales.
Forma cuadr
atica en Rn . Expresi
on matricial. Clasificaci
on. Formas cuadr
aticas equivalentes. Criterios de clasificaci
on de formas cuadr
aticas.
Lectura recomendada: Heras Martnez, A. y Vilar Zanon, J.L., Problemas de
algebra lineal para
la economa, AC, 1988, paginas 315-328.
Identificar las formas cuadraticas en Rn .
Pasar de la expresion explcita de una forma cuadratica a la matricial y viceversa.
Dada un forma cuadratica, calcular la forma cuadratica reducida y el cambio de variables que
lo permite.
Clasificar una forma cuadratica.
4.1.
Formas cuadr
aticas reales
En este captulo vamos a aplicar las propiedades de la diagonalizacion de matrices simetricas

a un problema de gran interes dentro de la programacion matematica: la clasificacion de formas
cuadraticas.
Definici
on 4.1.1 Llamaremos forma cuadr
atica en Rn (o en las variables x1 , . . . , xn ) a toda expresi
on polinomial de grado dos del tipo,
Q(x1 , . . . , xn ) =
n
X
aij xi xj con aij R
i,j=1
Por ejemplo, una forma cuadratica real en R3 es

Q(x1 , x2 , x3 ) = x1 x2 + 7x1 x3 5x21 .
Estamos interesados en realizar una clasificacion del signo de las formas cuadraticas con herramientas del algebra lineal, es decir, saber si al valorar una forma cuadratica sobre los n
umeros
reales, siempre obtendremos valores positivos, negativos o de diferentes signos.
39

CAPITULO 4. FORMAS CUADRATICAS
REALES.
40
Definici
on 4.1.2 Sea Q(x) una forma cuadr
atica no nula en Rn .
Diremos que Q(x) es definida positiva si Q(x) > 0, x Rn \ {0}.
Diremos que Q(x) es semidefinida positiva si Q(x) 0, x Rn , y x0 Rn no nulo tal que
Q(x0 ) = 0.
Diremos que Q(x) es definida negativa si Q(x) < 0, x Rn \ {0}.
Diremos que Q(x) es semidefinida negativa si Q(x) 0, x Rn , y x0 Rn no nulo tal
que Q(x0 ) = 0.
Diremos que Q(x) es no definida en signo si x0 , x1 Rn tales que Q(x0 )Q(x1 ) < 0.
4.2.
Criterio de clasificaci
on mediante autovalores
P
una forma cuadr

atica con aij R, enton
x1
Q(x1 , . . . , xn ) = (x1 . . . xn )A ... ,

xn
Teorema 4.2.1 Sea Q(x1 , . . . , xn ) =

ces
donde
1ijn aij xi xj ,
a11
1/2a12
1/2a12
a22
A=
..
.
1/2a1n 1/2a2n
1/2a1n
1/2a2n
ann
es una matriz simetrica cuyos elementos los obtenemos de los coeficientes de Q(x1 , . . . , xn ). A esta
matriz la llamaremos matriz asociada a la forma cuadr
atica. La expresi
on matricial para referirnos
a una forma cuadr
atica es Q(x) = xAxt , con A simetrica.
Ejemplo 4.2.2 La forma cuadr
atica Q(x1 , x2 , x3 ) = x21 + 4x1 x2 + 6x1 x3 + x22 + 4x2 x3 + x23 , puede
expresarse como
1 2 3
x1
Q(x1 , x2 , x3 ) = x1 x2 x3
2 1 2 x2
3 2 1
x3
En la seccion 3.3 vimos que una matriz simetrica puede ser diagonalizada de una manera especial.
Si Q(x) = xAxt es una forma cuadratica, con A un matriz simetrica, tenemos que A = P DP t con
P ortogonal y D diagonal. Por lo tanto, si realizamos la sustitucion anterior en la forma cuadratica
obtenemos
Q(x) = xAxt = xP DP t xt = xP D(xP )t = yDy t = Q(y), con y = xP.
Esta nueva forma cuadratica Q(y) tiene el mismo signo que Q(x), y su expresion sera mas sencilla
al tener solo elementos al cuadrado. A esta expresion de la forma cuadratica Q(x) la llamaremos
forma cuadratica reducida.
Si la forma cuadratica que estamos considerando solo contiene en su expresion variables al
cuadrado (y ese es el caso de las reducida), por ejemplo,
Q(x1 , x2 ) = 1 x21 + 2 x22 ,

REALES.
41
es trivial estudiar su signo, ya que si 1 , 2 > 0, todos los valores de Q(x) seran positivos (definida
positiva), si ambos son negativos, Q(x) sera definida negativa, etc.
El anterior cambio de variables, basado en las particularidades de la diagonalizacion de matrices
simetricas, provoca que aparezcan nuevas formas cuadraticas equivalentes a las primeras donde es
muy facil leer el signo.
Teorema 4.2.3 Sea Q(x) = xAxt una forma cuadr
atica con 1 , . . . , t los autovalores de A. Entonces:
i > 0 i = 1, . . . , t si y s
olo si Q(x) es definida positiva.
i 0 i = 1, . . . , t, y existe un i = 0 si y s
olo si Q(x) es semidefinida positiva.
i < 0 i = 1, . . . , t si y s
olo si Q(x) es definida negativa.
i 0 i = 1, . . . , t, y existe un i = 0 si y s
olo si Q(x) es semidefinida negativa.
Existen i , j tales que i j < 0 si y s
olo si Q(x) es no definida en signo.
Ejemplo 4.2.4 La forma cuadr
atica
Q(x1 , x2 , x3 ) =
x1 x2 x3
1 2 3
x1

2 1 2 x2 = xAxt
3 2 1
x3
puede ser expresada de forma equivalente mediante el uso de la diagonalizaci

on
2
0
0

0
Q(x) = xAxt = yDy t = y1 y2 y3
0 5/2 + 1/2 41
0
0
5/2 1/2 41
y1
y2 ,
y3
y por lo tanto, para saber el signo de Q(x), basta con estudiar el de

Q(y) = 2y12 + 5/2 + 1/2 41 y22 + 5/2 1/2 41 y32 .
Como dos de los coeficientes tienen signos distintos, tenemos que Q(y), y por lo tanto Q(x), es no
definida en signo.
4.3.
Criterio de clasificaci
on mediante menores principales
Definici
on 4.3.1 Dada una matriz A Mmn (k), llamaremos menor principal de orden r, y lo
denotaremos por r , al determinante de la submatriz cuadrada de A formada por las r primeras
filas y las r primeras columnas de A.
Teorema 4.3.2 (Metodo de Jacobi).- Sea Q(x) = xAxt una forma cuadr
atica y sean 1 , . . . , n
los menores principales asociados a A Mn (R). Entonces:
1.
Q(x) es definida positiva si y s

olo si i > 0, i = 1, . . . , n.

REALES.
42
2.
Q(x) es definida negativa si y s

olo si (1)i i > 0, i = 1, . . . , n.
3.
Si i > 0, i = 1, . . . , n 1 y n = 0, Q(x) es semidefinida positiva.
4.
Si (1)i i > 0, i = 1, . . . , n 1 y n = 0, Q(x) es semidefinida negativa.
5.
Si i 6= 0, i = 1, . . . , n y no se tiene (1) ni (2), Q(x) es no definida en signo.
6.
Si i 6= 0, i = 1, . . . , n 1, n = 0, y no se tiene (3) ni (4), Q(x) es no definida en signo.
Ejemplo 4.3.3 Continuando con la forma cuadr

atica
Q(x1 , x2 , x3 ) =
x1 x2 x3
1 2 3
x1

2 1 2 x2 ,
3 2 1
x3

1 2

vemos que tiene por menores principales asociados a su matriz: 1 > 0,
2 1

1 2 3

< 0, 2 1 2

3 2 1

> 0,

por lo tanto, Q(x) es, como ya habamos comprobado, no definida en signo.

Ejemplo 4.3.4 Dada la matriz
1
0 2
B = 0 1 0 ,
2 0
1
la forma cuadr
atica asociada a la matriz B es
q(x, y, z) = (x, y, z)B(x, y, z)t = x2 y 2 + z 2 4xy.
Para clasificar esta forma cuadr
atica, podemos emplear dos metodos:
Si estudiamos el signo de los autovalores, en este caso son dos de signo distinto (-1 y 3), tenemos
que la forma cuadr
atica es no definida en signo por ser un autovalor positivo y otro negativo.
Si estudiamos el signo de los menores principales

1
0 2
1 0

< 0 y 0 1 0 > 0,
1 > 0,

0 1
2 0
1
llegaremos a la misma conclusi
on (como no poda ser de otra forma).
4.4.
Formas cuadr
aticas restringidas
En esta seccion vamos a estudiar el signo de una forma cuadratica, Q(x), en Rn restringida a
un subespacio vectorial F Rn .
Una primera aproximacion para resolver este problema es bien sencilla, si Q(x) es definida
positiva o negativa en todo Rn , tambien lo sera si la valoramos solo sobre F. Tenemos pues que
plantearnos que ocurre si Q(x) es semidefinida o no definida en signo.

REALES.
43
Uno de los metodos mas sencillos consiste en valorar Q(x) solo sobre los valores de F. Para ello,
supongamos que F viene determinado mediante unas ecuaciones implcitas Bx = 0 con rang(B) =
m < n. Esto implica que de las ecuaciones Bx = 0 podemos despejar m incognitas en funcion del
resto.
Si sustituimos ahora estas variables despejadas en Q(x), obtenemos una nueva forma cuadratica,
con n m variables, cuyo signo lo podemos estudiar con los metodos de la seccion anterior.
Ejemplo 4.4.1 Sigamos considerando la forma cuadr
atica
1 2 3
x1
Q(x1 , x2 , x3 ) = x1 x2 x3
2 1 2 x2
3 2 1
x3
y estudiemos su signo restringida al subespacio vectorial, F, dado por una u

nica ecuaci
on
x1 + x2 + x3 = 0.
Ya vimos que Q(x) es no definida en signo.
Para realizar el estudio comenzamos por despejar,
F, x1 = x2 x3 , y la sustituimos en Q(x),
1 2

Q(x2 x3 , x2 , x3 ) = x2 x3 x2 x3
2 1
3 2
por ejemplo, x1 de la ecuaci

on que define a
3
x2 x3
= 2x22 4x23 4x2 x3 .
x2
x3
La nueva forma cuadr

atica
0
Q (x2 , x3 ) =
x2 x3
2 2
2 4
x2
x3
es definida negativa, por lo que Q(x) restringida a F es definida negativa.

REALES.
44
Parte II
Funciones reales en una variable
45
46
Captulo 5
Topologa de la recta real: conceptos

b
asicos.
Propiedades topol
ogicas de R. Intervalos abiertos y cerrados, m
aximos y mnimos. Puntos de acumulaci
on.
Lectura recomendada: Balbas, Gil y Gutierrez, An
alisis Matem
atico para la Economa I, AC,
1989, paginas 9-13.
Formalizar conceptos ya conocidos de la recta real.
Distinguir maximos y mnimos, y cotas superiores e inferiores de un subconjunto de R.
Reconocer los conceptos basicos de la topologa de R.
5.1.
Conceptos topol
ogicos de R
El primer concepto que vamos a necesitar a lo largo de nuestro estudio de objetos en R es el de

distancia eucldea.
La distancia eucldea es utilizada en la vida cotidiana en diversos contextos desde medir el largo
de un pantalon hasta calcular la distancia entre planetas.
En el espacio ndimensional, la forma mas asumida de medicion es, dados dos puntos, tomar
el segmento que los une y medir la distancia que separa los dos puntos sobre dicho segmento. Eso
es precisamente lo que refleja la distancia eucldea.
Definici
on 5.1.1 Dados dos puntos en Rn , x = (x1 , . . . , xn ) e y = (y1 , . . . , yn ), se define la distancia eucldea entre ambos puntos como
p
d(x, y) = + (x1 y1 )2 + (x2 y2 )2 + + (xn yn )2 .
Es claro que, si consideramos los puntos en la recta real R, la definici
on se traduce en
d(x, y) = |x y|
con x, y R.
47

CAPITULO 5. TOPOLOGIA DE LA RECTA REAL: CONCEPTOS BASICOS.
48
Fijada ya una forma de medir distancias en R, vamos a definir una serie de conjuntos basicos
que emplearemos en el estudio de los topicos relacionados con el analisis real en una variable.
Definici
on 5.1.2 Sean a, b, R con a < b y > 0. Entonces:
Llamaremos entorno abierto (o bola abierta) de centro a y radio al conjunto de n
umeros
reales
B(a, ) = {x R | d(a, x) < }.
Llamaremos entorno cerrado (o bola cerrada) de centro a y radio al conjunto de n
umeros
reales
B(a, ) = {x R | d(a, x) }.
Llamaremos intervalo abierto de extremo inferior a y extremo superior b, al conjunto

a+b ba
(a, b) = {x R | a < x < b} = B
.
,
2
2
Llamaremos intervalo cerrado de extremo inferior a y extremo superior b, al conjunto

a+b ba
[a, b] = {x R | a x b} = B
,
.
2
2
Llamaremos intervalo abierto-cerrado (resp. cerrado-abierto) de extremo inferior a y extremo
superior b, al conjunto
(a, b] = {x R | a < x b} (resp. [a, b) = {x R | a x < b}).
Definici
on 5.1.3 Sea A R, entonces:
Diremos que A es un conjunto acotado superiormente (o est
a acotado superiormente) si existe
un valor real M R, tal que x M, x A.
Diremos que A es un conjunto acotado inferiormente si existe un valor real M R, tal que
x M, x A.
Diremos que A es un conjunto acotado si existe un valor real M R+ , tal que |x| M,
x A, es decir, A es un conjunto acotado inferior y superiormente.
Es claro que los conjuntos dados en la definicion 5.1.2 estan acotados. Existen intervalos no
acotados imprescindibles en el analisis real.
Definici
on 5.1.4 Sea a R, entonces:
Llamaremos intervalo abierto de extremo inferior a y no acotado superiormente, al conjunto
(a, ) = {x R | a < x}.
Llamaremos intervalo abierto de extremo superior a y no acotado inferiormente, al conjunto
(, a) = {x R | x < a}.

49
Llamaremos intervalo cerrado de extremo inferior a y no acotado superiormente al conjunto

[a, ) = {x R | a x}.
Llamaremos intervalo cerrado de extremo superior a y no acotado inferiormente al conjunto
(, a] = {x R | x a}.
Asociado a los anteriores conjuntos reales podemos definir mas conceptos. Dado un conjunto
acotado, llamaremos cota superior a cualquier n
umero mayor que todos los del conjunto, y cota
inferior a cualquier n
umero menor que todos los del conjunto. Llamaremos nfimo de un conjunto
a la mayor de las cotas inferiores, y supremo a la menor de las cotas superiores. Un maximo (resp.
mnimo) de un conjunto es, si pertenece al conjunto, el supremo (resp. nfimo) del mismo.
Definici
on 5.1.5 Dado un conjunto no vaco A R, diremos que a R es un punto de acumulaci
on de A si B(a, ) (A \ {a}) 6= > 0.
El concepto anterior de punto de acumulacion es de suma importancia para entender el concepto
de lmite puntual que veremos en captulos posteriores. Por ejemplo, si consideramos la familia de
n
umeros reales de la forma
A = {1/n2 }nN R,
es facil apreciar que el valor cero es un punto de acumulacion del conjunto, lo cual indica que el lmite
tendra que ser un punto de acumulacion. El conjunto A esta acotado (por ejemplo, superiormente
por 2, e inferiormente por 1) y tiene por maximo, y supremo, el 1, y por nfimo (no tiene mnimo)
el cero.

50
Captulo 6
Sucesiones de n
umeros reales. Lmites.
Termino general y recurrencia. Lmite de una sucesi
on. Convergencia y divergencia. Aritmetica de
lmites. Criterio de Stolz. Criterio cociente-raz.
alisis Matem
1989, paginas 14-19.
Reconocer la nocion de sucesion de n
umeros reales, dando su termino general.
Distinguir el caracter convergente o divergente de una sucesion.
Aplicar la aritmetica de lmites para el calculo de estos.
Eliminar indeterminaciones de los tipos habituales.
Calcular lmites aplicando el criterio de Stolz.
Calcular lmites aplicando el criterio cociente-raz.
6.1.
Sucesiones de n
umeros reales
Definici
on 6.1.1 Diremos que un conjunto S R es una sucesi
on de n
umeros reales si es la
imagen de una aplicaci
on f : N R. A una sucesi
on de n
umeros reales la denotaremos por
{an }nN , donde f (1) = a1 R, es el primer termino de la sucesi
on, f (2) = a2 R, es el segundo,
etc. Al termino an (f (n) = an ) lo denominaremos termino general.
Existen diferentes formas de expresar una sucesion. Por ejemplo, la sucesion definida por todas
las potencias de dos podemos darla de manera explcita mediante su termino general
{2n1 }nN ,
o mediante sus primeros terminos
{1, 2, 4, 8, 16, 32, . . .},
o mediante una recurrencia, es decir, dando los primeros terminos y explicitando la manera de
obtener cada uno a partir de los anteriores
a1 = 1, an = 2an1 , n N.
51

CAPITULO 6. SUCESIONES DE NUMEROS
REALES. LIMITES.
52
Definici
on 6.1.2 Dada una sucesi
on de n
umeros reales:
Diremos que es creciente si an an+1 , n N.
Diremos que es estrictamente creciente si an < an+1 , n N.
Diremos que es decreciente si an an+1 , n N.
Diremos que es estrictamente decreciente si an > an+1 , n N.
Nuestro principal interes sobre las sucesiones es estudiar su comportamiento cuando ascendemos
en la sucesion. Es decir, si esta toma valores infinitamente grandes o peque
nos, o cada vez se
aproxima mas a un determinado valor, o si no ocurre ninguna de las posibilidades anteriores.
Definici
on 6.1.3 Diremos que una sucesi
on {an } converge a l R (o su lmite es l cuando n
tiende a m
as infinito), y lo denotaremos por
lm an = l
o {an } l,
n+
si > 0, existe n0 N, tal que

n n0 , |an l| < .
En la definicion anterior podemos apreciar que, de ser l el lmite de {an }, l es un punto de
acumulacion de la sucesion.
Un tpico ejemplo de sucesion convergente, a cero en este caso, es {1/n}. Si consideramos cualquier valor > 0, siempre podemos tomar cualquier n0 mayor que la parte entera de 1/, y tenemos
asegurado que
|1/n 0| = 1/n 1/n0 < , n n0 .
Es facil apreciar que la sucesion {1/n} nunca toma el valor cero, pero podemos aproximarnos tanto
como queramos a ese valor considerando n cada vez mas grande.
Si existe el lmite de una sucesion, este es u
nico.
Otra posibilidad que puede ocurrir cuando tenemos una sucesion de n
umeros reales es que sus
terminos crezcan (o decrezcan) infinitamente a medida que ascendamos por ella.
Definici
on {an } diverge a m
as infinito (o su lmite es + cuando
n tiende a m
as infinito), y lo denotaremos por
lm an = +
o {an } +,
n+
si M > 0, existe n0 N, tal que

n n0 , an > M.
Definici
on {an } diverge a menos infinito (o su lmite es
cuando n tiende a infinito), y lo denotaremos por
lm an =
o {an } ,
n+
si M > 0, existe n0 N, tal que

n n0 , an < M.
Diremos que una sucesi
on es oscilante si no diverge ni converge.

REALES. LIMITES.
53
La sucesion {n2 } es divergente a mas infinito porque para cualquier valor M > 0, podemos
tomar, por ejemplo, n0 = M + 1, de manera que
n2 > n20 > M, n n0 .
La sucesion {(1)n 2n } es oscilante ya que no es convergente ni divergente. En este ejemplo,
tenemos que el valor absoluto de la sucesion si diverge a mas infinito. Las sucesiones que divergen
a mas infinito en valor absoluto son, en algunos textos, denominadas divergentes, aunque nosotros
no las consideraremos como tales.
Para estudiar la convergencia o divergencia de una sucesion podemos aplicar distintos resultados.
Los siguientes teoremas sirven de primera aproximacion a este estudio.
Teorema 6.1.6 Toda sucesi
on creciente y acotada superiormente es convergente.
Teorema 6.1.7 Toda sucesi
on decreciente y acotada inferiormente es convergente.
6.2.
Aritm
etica de lmites de sucesiones. Indeterminaciones
Sean {an } y {bn } dos sucesiones tales que

lm an = l1 , lm bn = l2 , con l1 , l2 R {}.
n+
n+
Entonces1 :
lm (c + an ) = c + l1 , c R.
n+
lm (an bn ) = l1 l2 , salvo si tenemos + . En ese caso diremos que hay una
n+
indeterminacion ya que, dependiendo del calculo concreto que realicemos obtendremos un

valor u otro2 .
lm (c an ) = c l1 , c R.
n+
lm (an bn ) = l1 l2 , salvo si tenemos 0 (). En ese caso diremos que hay una indeter-
n+
minacion.
Si l2 6= 0,
lm (an /bn ) = l1 /l2 , salvo si tenemos 0/0 o /. En estos casos diremos que
n+
hay una indeterminacion.

lm abn
n+ n
= l1l2 , salvo si tenemos 00 , 1 o 0 . En estos casos diremos que hay una indetermi-
nacion.
1
2
Teniendo en cuenta que 1/ 0, 1 .

Un ejemplo sencillo: si consideramos las sucesiones {n} y {n 1} tenemos en primer lugar una indeterminaci
on
lm (n (n 1)) = (+ ) = lm 1 = 1.
Sin embargo, si consideramos {n} y {n 2}, obtenemos un lmite distinto ante el mismo tipo de indeterminaci
on.

REALES. LIMITES.
6.3.
54
T
ecnicas b
asicas de eliminaci
on de indeterminaciones
En primer lugar veremos, sobre ejemplos, algunas tecnicas que usaremos para enfrentarnos a
determinados tipos especficos de lmites. Mas adelante enunciaremos algunos resultados que nos
permitiran abordar casos mas generales.
Indeterminacion (+ ).
lm (n3 n2 + 1) = ( ) = lm n3 (1 1/n + 1/n2 ) = (1 0 + 0) = .
n+
n+1+ n
lm ( n + 1 n) = ( ) = lm ( n + 1 n)
n+
n+
n+1+ n
n+1n
= lm
= 1/ = 0.
n+ n + 1 + n

Indeterminacion
.
n3 n2 + 1
n 1 + 1/n2
1+0
lm
=
=
l
m
=
= .
n+ n2 + 1
n+ 1 + 1/n2
1 + 0
3n 2n + 1
(3/5)n (2/5)n + (1/5)n
00+0
lm
=
=
l
m
=
= 0.
n
n
n+
n+
5 +1
1 + (1/5)
1+0

Indeterminacion 00 , 0 . La tecnica mas habitual para la eliminacion de este tipo de
indeterminaciones es transformarla en otra mas simple de resolver. Para ello se aplica que,
dados dos n
umeros reales a > 0 y b, tenemos
n+
ab = eb ln a ,
transformando una indeterminacion exponencial en una del tipo producto.

lm (n + 1)1/n = 0 = lm e1/n ln(n+1) = e0 . La resolucion de este lmite la
n+
n+
abordaremos mas adelante.

Indeterminacion (1 ). Para intentar eliminar una indeterminacion de este tipo podemos
utilizar la tecnica del apartado anterior (transformandola en una del tipo (0 )), o utilizar
los siguientes teoremas.
Teorema 6.3.1 Si lm an = 1 y lm bn = +, entonces
n+
n+
lm abn
n+ n
= lm ebn ln an = lm ebn (an 1) .

n+
n+
Teorema 6.3.2 Si lm an = +, entonces

n+

lm
n+
1
1+
an
a n
= e.
Ejemplo 6.3.3 Apliquemos en primer lugar el teorema 6.3.1:

lm
n+
n2 + 1
n2 1
n3
n2 +1
= (1 ) = lm e
n+
n3
n2 +1

n2 +1
1
2
n 1
n3
= lm e n2 +1 n2 1 = e0 = 1.
n+

REALES. LIMITES.
55
Si aplicamos el teorema 6.3.2 debemos reescribir el lmite,

n3

2
2n3
n +1
n2 + 1
n + 1 n2 +1
=
l
m
1
+
lm
1
n+
n+ n2 1
n2 1
2 n3
! n2 1 n2 1 n2 +1
2
1
=
lm 1 + n2 1
n+
{z
2n3
=e
lm e n4 1 = e0 = 1
n+
Ademas de las anteriores tecnicas, existen resultados que nos permiten abordar la eliminacion de
indeterminaciones para casos mas generales. A continuacion enunciamos dos de los mas conocidos
teoremas en esta lnea, el primero de ellos nos permite abordar indeterminaciones que aparecen
debido a un cociente y el segundo a una raz nesima.
Teorema 6.3.4 (de Stolz).- Si {an } es una sucesi
on real y {bn } es creciente hacia +, entonces:
lm
n+
an
an+1 an
= lm
.
n+
bn
bn+1 bn
Teorema 6.3.5 (Criterio cociente-raz).- Si {an } R+ es una sucesi

on real, se tiene que
an+1
lm n an = lm
.
n+
n+ an
Ejemplo 6.3.6 Ejemplos del criterio de Stolz y del cociente-raz:
Stolz:
n3 1
n+ 1 + 2 + 3 + + n
lm
(n + 1)3 1 (n3 1)
=
n+ 1 + 2 + 3 + + n + (n + 1) (1 + 2 + 3 + + n)
3n2 + 3n + 1
= +.
n+
n+1
lm
lm
Cociente-raz:
n+2
ln(1 + n)
=
= lm ln (1 + n)1/n = lm ln n 1 + n = lm ln
= 0.
n+
n+
n+
n+
n
n+1
lm
Ejemplo 6.3.7 Estudiemos los siguientes lmites:

2n en
:
n+ 3n + n
lm
2n en
(2/3)n (e/3)n
00
=
l
m
=
=0
n
n
n+ 3 + n
n+
1 + 3n
10
lm

lm
n+
n2 + 1
n!
1/n
:

lm
n+
n2 + 1
n!
1/n
=
(n+1)2 +1
(n+1)!
lm
n2 +1
n+
n!
(n + 1)2 + 1
= 0.
n+ (n + 1)(n2 + 1)
= lm

REALES. LIMITES.
56
Ejemplo 6.3.8 Consideremos el espacio vectorial formado por las sucesiones de n

umeros reales,
R = {{an }nN R}} .
Comprobar que el conjunto de las sucesiones convergentes,
C = {{bn }nN convergente } ,
es un subespacio vectorial de R.
Para comprobar que C es un subespacio vectorial de R, tenemos que ver si se verifican las
siguientes propiedades:
1.
u, v C u + v C.
2.
R, u C u C.
Tomemos dos vectores {an }, {bn } C. La suma de ambos {an } + {bn } = {an + bn } pertenece a C
ya que la suma de dos sucesiones convergentes es una sucesi
on convergente.
De igual forma, si multiplicamos un n
umero real por una sucesi
on convergente, tenemos una
sucesi
on convergente
R, {an } C {an } = {an } C.
Captulo 7
Series num
ericas.
Definici
on de serie. Series de terminos positivos: criterios de convergencia. Series alternadas. Series de terminos cualesquiera: criterios de convergencia. Convergencia absoluta y condicionada.
Lectura recomendada: Larson, R.E. y Hostetler, R.P., C
alculo y geometra analtica, McGrawHill, 1989, teora y ejemplos de las paginas 587-594, 603-624.
Reconocer el concepto de serie de n
umeros reales dando su termino general.
P n P
Manipular las series basicas:
ar , (1/n)t , etc.
Sumar una serie en los casos sencillos.
Distinguir tipos de series: de terminos positivos, alternadas y de terminos cualesquiera.
Distinguir el caracter convergente o divergente de una serie utilizando los criterios apropiados
para cada caso.
7.1.
Series num
ericas
Definici
on 7.1.1 Sea {an }nN una sucesi
on de n
umeros reales. Llamaremos serie de n
umeros
reales (o serie numerica) a la suma formal de los terminos de la sucesi
on anterior
X
an = a1 + a2 + a2 + (
o
an ).
n=1
n1
Como ejemplo de esta definicion podemos considerar la suma de todos los n

umeros pares
2n.
n=1
Es claro que el resultado de la suma anterior no es finita. La pregunta que nos planteamos, e
intentaremos responder en este captulo, es como podemos ver si una serie suma una cantidad
finita?
57

CAPITULO 7. SERIES NUMERICAS.
58
P
Definici
on 7.1.2 Sea
an una serie numerica, definimos la sucesi
on suma parcial de orden t N
asociada a la serie anterior como
St = a1 + a2 + + at =
t
X
an .
n=1
Diremos que la serie
an es convergente a l R si
lm St = l.
En tal caso diremos que
Diremos que la serie
an suma l.
an diverge a + (resp. ) si
lm St = + (resp. ).
Si no existe el lmite de la suma parcial diremos que la serie es oscilante.

Un tpico ejemplo de serie oscilante es
7.2.
sin n.
Aritm
etica de series y propiedades
Definici
on 7.2.1 Sean
anteriores como la serie
an y
bn dos series numericas, se define la suma formal de las series
an +
bn =
(an + bn ),
y el producto formal por un escalar R, como la serie

X
X
an =
an .
Teorema 7.2.2 El conjunto de las series convergentes tiene estructura de Respacio vectorial.
Propiedades 7.2.3 Sea
n1 an
una serie numerica. Entonces:
P
P
m N y R \ {0},
olo si nm an es convergente.
n1 an es convergente si y s
Es decir, eliminar una cantidad finita de elementos en una serie, y/o multiplicarla por un
n
umero no nulo, no altera su car
acter.
La adici
on de una cantidad finita de terminos a una serie no altera su car
acter.
Una primera aproximacion al estudio de la convergencia de una serie es muy basica e intuitiva.
Si estamos sumando los infinitos terminos de una sucesion, como mnimo lo que le debe ocurrir es
que, a partir de uno en adelante, su valor sea tan peque
no que no afecte a la suma total. Esta idea
intuitiva da pie al siguiente teorema.
Teorema 7.2.4 (Condici
on necesaria de convergencia).- Dada una serie
tiene que lm an = 0.
n
an convergente, se

59
Es claro que si una

P serie no verifica el teorema anterior, no puede ser convergente, como por
ejemplo le ocurre a (1/n + 1).
Existen diversos criterios y tecnicas para determinar la convergencia de una serie atendiendo a
su forma, al signo de sus terminos, etc. Para conocer estos criterios debemos dar una clasificaci
on
preliminar de las series.
Definici
on 7.2.5 Diremos que una serie numerica es de terminos positivos si una cantidad infinita
de sus terminos son positivos y tan s
olo una cantidad finita son negativos. De igual forma, diremos
que es de terminos cualesquiera si existen cantidades infinitas de terminos positivos y negativos.
P
Una serie de terminos cualesquiera de la forma (1)n an con an 0, n N, diremos que es
alternada.
7.3.
Series geom
etricas y arm
onicas
Existen dos tipos especiales de series que son muy u

tiles en diversos campos de la ciencia y que los
utilizaremos para resolver algunos ejercicios: las series geometricas y las armonicas generalizadas.
En esta seccion vamos a estudiar algunas propiedades basicas de estos tipos de series.
Definici
on 7.3.1 Diremos que una serie es geometrica de raz
on r si es de la forma
con a, r R.
Teorema 7.3.2
parciales son
n1 ar
n1
arn1 , con a 6= 0, es convergente si y s

olo si 0 |r| < 1. Adem
as, sus sumas
St = a + ar + + art =
aar t
1r
at
a
0
si
si
si
si
r
r
r
r
6= 1
=1
= 1, t impar
= 1, t par
Definici
Diremos que una serie es arm
onica generalizada de orden p R, si es de la
Pon 7.3.3
p
forma n1 1/n .
Teorema 7.3.4
1/np es convergente si y s
olo si p > 1.
Tanto las series geometricas como las armonicas nos seran muy u
tiles a la hora de aplicar criterios
de comparacion.
7.4.
Series de t
erminos positivos
El estudio de criterios especficos de convergencia para series de terminos positivos viene motivado por la sencillez de estas series y que, como veremos mas adelante, el estudio de las series
de terminos cualesquiera se reduce, en muchos casos, al estudio de una serie de terminos positivos
asociada a la primera.
P
P
Teorema 7.4.1 (Criterio de comparaci
on directa).- Sean
an y
bn dos series de terminos
positivos tales que an kbn para todo n mayor que un cierto valor y k R+ \ {0}. Entonces:

60
P
an convergente
bn convergente.
P
P
bn divergente
an divergente.
El teorema anterior nos permite, mediante la acotacion de una serie por otra, determinar el
caracter convergente/divergente de una serie conocido el caracter de aquella con la que acotemos.
Los mismos razonamientos que nos han llevado a enunciar este teorema nos permiten, utilizando
ahora el concepto de lmite, enunciar el siguiente corolario.
Corolario 7.4.2 (Criterio de comparaci
on por paso al lmite).- Sean
an
= l R+ {+}. Entonces:
terminos positivos tales que lm
n bn
an y
bn dos series de
Si l = +,
P
P an convergente
bn divergente
P
P bn convergente.
an divergente.
Si l = 0,
P
P
b
convergente
n
P
P an convergente.
an divergente
bn divergente.
P
P
Si l R \ {0},
an convergente
bn convergente.
Para aplicar los criterios anteriores nos seran especialmente u
tiles las series geometricas y armonicas generalizadas como series candidatas con las que comparar la serie dada.
A continuacion vamos a enunciar unos resultados que nos permitiran determinar el caracter de
una serie sin necesidad de recurrir a la comparacion.
Teorema 7.4.3 (de DAlembert).- Sea
lm
an una serie de terminos positivos tal que
an+1
= l R+ {+}.
an
Entonces:
Si l > 1,
an divergente.
Si l < 1,
an convergente.
Si l = 1, no podemos afirmar nada sobre el car

acter de
Teorema 7.4.4 (de Cauchy).- Sea
lm
an .
an = l R+ {+}.
Entonces:
Si l > 1,
an divergente.
Si l < 1,
an convergente.

acter de
an .

Teorema 7.4.5 (de Raabe).- Sea
61

an+1
= l R+ {+}.
lm n 1
n
an
Entonces:
Si l < 1,
an divergente.
Si l > 1,
an convergente.

acter de
an .
Ejemplo 7.4.6 Apliquemos los criterios anteriores a una colecci

on de ejemplos de series de terminos positivos:
Consideremos la serie
P sin2 n+n2
n4 +1
. Una posible acotaci

on mayorando la serie es:
sin2 n + n2
1 + n2
1 + n2
1
1
= 4 + 2 , n 1.
4
4
4
n +1
n +1
n
n
n
Si tomamos ahora la suma de todos estos terminos tenemos
X sin2 n + n2 X 1
X 1
0
+
,
n4 + 1
n4
n2
al ser las dos series arm
onicas convergentes, tenemos que nuestra serie inicial es convergente.
El criterio empleado es el de comparaci
on.
Apliquemos
el criterio de comparaci
on por paso al lmite a la serie anterior compar
andoP ahora
la con
1/n2 (la cual es convergente),

sin2 n+n2
sin n 2
+1
n4 +1
n
lm
= lm
=1
1
1
n
n
1 + n4
n2
P sin2 n+n2
Luego, como cabra esperar,
es convergente.
n4 +1
P 2n n2
Sea
. Utilizando el criterio de DAlembert,
(n2 +1)5n
2n+1 (n+1)2
((n+1)2 +1)5n+1
lm
2n n2
n
(n2 +1)5n
2 n4 +
= 2/5 < 1,
n 5 n4 +
= lm
luego la serie es convergente.

Apliquemos el metodo de Cauchy a la serie
X n2 + 1 n
n3
por lo cual tenemos que calcular el lmite

s

n2 + 1
n2 + 1 n
n
lm
=
l
m
= 0 < 1,
n
n
n3
n3
luego tenemos que la serie es convergente.
P 242n
Tomemos la serie
emosle el criterio de Raabe,
13(2n+1) , y apliqu
242n2(n+1)

2n
+
2
13(2n+3)
= lm n 1
lm n 1
= 1/2 < 1,
242n
n
n
2n + 3
13(2n+1)
por lo tanto, la serie es divergente.

7.5.
62
Series alternadas
Las series alternadas son, como ya hemos definido, un caso particular de las series de terminos
cualesquiera, aunque poseen algunas propiedades especiales que nos permiten tratarlas en una
seccion especfica.
P
Teorema 7.5.1 (de Leibnitz).Sea
(1)n an una serie alternada donde {an } es una sucesi
on
P
n
decreciente. Entonces (1) an converge si y s
olo si lm an = 0.
n
P
Ejemplo 7.5.2 Un ejemplo cl
asico de serie alternada convergente esP (1)n 1/n, es claro que
{1/n} es una sucesi
on decreciente y que su lmite es cero. Por lo tanto (1)n 1/n es convergente.
7.6.
Series de t
erminos cualesquiera
En esta seccion vamos a tratar, como culminacion del estudio de la convergencia/divergencia de

una serie, las series mas generales: las de terminos cualesquiera.
La primera aproximacion que realizaremos sera estudiar la llamada convergencia absoluta. Mediante la convergencia absoluta podremos utilizar las tecnicas vistas para series de terminos positivos.
P
Definici
on 7.6.1 Sea
an una serie de terminos
P cualesquiera. Diremos que converge absolutamente (o que es absolutamente convergente) si
|an | es convergente.
P
Definici
on P
7.6.2 Sea
an una serie de terminos cualesquiera. Diremos que es condicionalmente
converge si
an es convergente pero no absolutamente convergente.
Teorema 7.6.3 Si
an converge absolutamente entonces
an converge.
P
Ejemplo 7.6.4 Consideremos de nuevo la serie (1)n 1/n. Ya vimos, mediante el criterio de
Leibnitz, que esta serie es convergente. Para estudiar su convergencia absoluta tenemos que considerar la serie de valores absolutos asociada a ella
X
X
|(1)n 1/n| =
1/n,
la cual es divergente. Por lo tanto
7.7.
P
(1)n 1/n es condicionalmente convergente.
Suma de series
Una vez determinada la convergencia de una serie, nos queda el problema de obtener su suma.
Este problema es generalmente complejo, salvo en algunos casos particulares que trataremos como
las series geometricas y aquellas que pueden escribirse en forma telescopica, es decir, que puede
escribirse de manera que los terminos tras el primero se cancelan con el sucesor. Ademas veremos
un resultado que nos permite aproximar la suma de una serie alternada convergente.
Para obtener la suma de una serie geometrica basta tomar lmite en su sucesion de sumas
parciales, la cual es conocida (ver 7.3.2).

Definici
on 7.7.1 Una serie
63
an diremos que es telesc

opica si existe una sucesi
on de manera que
an = bn+1 bn , n N.
Para ver la suma de una serie telescopica explicitamos sus sumas parciales:
St = a1 + + at = (b2 b1 ) + (b3 b2 ) + + (bt+1 bt ) = bt b1 .
Es claro que
X
an = lm St = lm bt b1 .
n
Para las series alternadas convergentes existe un resultado que nos permite aproximar de forma
sencilla la suma de las mismas.
P
Teorema 7.7.2 Sea (1)n an una serie alternada donde {an } es una sucesi
on decreciente y de
lmite cero. Entonces, si S es la suma de dicha serie, se tiene que |S St | at+1 , t N.
7.8.
Ejemplos
Estudiar la convergencia/divergencia de las siguientes series:

1.
2.
3.
n1
n2 +1
2n2 +n1
n
(1)n+1
n0 (2n+1)! .
n1
10n+3
n2n .
A la primera serie, que es de terminos positivos, le aplicamos el criterio de Cauchy:

s
n
n2 + 1
n2 + 1
n
=
l
m
= 1/2 < 1 la serie es convergente.
lm
n 2n2 + n 1
n
2n2 + n 1
La segunda serie es alternada, y por lo tanto de terminos cualesquiera. Estudiando la convergencia de la serie de los valores absolutos asociada a ella,

X (1)n+1

(2n + 1)! ,
n0
y mediante el criterio de DAlembert, obtendremos su convergencia:

1
(2n+3)!
lm
1
n
(2n+1)!
= lm
1
= 0 < 1 convergente
(2n + 2)(2n + 3)
Por lo tanto,
X (1)n+1
X (1)n+1
absolutamente convergente
convergente.
(2n + 1)!
(2n + 1)!
n0
n0
La tercera serie, de terminos positivos, la resolveremos utilizando el criterio de DAlembert,

10n+13
(n+1)2(n+1)
lm
10n+3
n
n2n
= lm
n 10n + 13
1/2 = 1/2 < 1 la serie es convergente.
n + 1 10n + 3

64
Captulo 8
Funciones y lmites de funciones.

Concepto de funci
on de variable real. Aritmetica de funciones. Lmite finito de una funci
on en un
punto. Lmite infinito y en el infinito. Aritmetica de lmites.
Lectura recomendada: Hoffman, L.D. y Bradley, G.L., C
alculo. Para administraci
on, economa
y ciencias sociales, McGraw-Hill, 2001, paginas 61-74.
Reconocer y manipular funciones en una variable.
Conocer e interpretar graficamente el concepto de lmite de una funcion.
Reconocer el concepto de lmite lateral y relacionarlo con el concepto de lmite.
Calcular el lmite de una funcion eliminando las indeterminaciones.
8.1.
Funciones en una variable
Definici
on 8.1.1 Llamaremos funci
on real en una variable real a cualquier aplicaci
on de R en R.
Una funci
on real est
a compuesta por varios objetos
f : DR R
x D 7 y = f (x)
Por f (x) (o y) denotaremos a la imagen de x D. Al conjunto D lo llamaremos dominio de la
funci
on f (x), y es el conjunto sobre el que est
a bien definida la funci
on (en general se denotar
a por
domf ). Llamaremos recorrido de f (x) a la imagen de todo el dominio
Rec(f ) := {y R|x D tal que y = f (x)} = f (D).
Con la notacion anterior, y = f (x), llamaremos a y variable dependiente (ya que depende del
valor de x), y a x la llamaremos variable independiante.
Definici
on 8.1.2 Llamaremos gr
afica de una funci
on al conjunto
{(x, f (x))|x domf }.
65
CAPITULO 8. FUNCIONES Y LIMITES DE FUNCIONES.
66
Es claro que, para funciones reales en una variable, la grafica es un conjunto de puntos de R2 .
Definici
on 8.1.3 Diremos que dos funciones f y g son iguales si se verifican dos condiciones:
domf = dom g.
f (x) = g(x), x domf.
Las funciones f (x) = sin x con x (0, ), y g(x) = sin x con x (2, 3), no son iguales, al no
estar definidas sobre el mismo conjunto.
Definici
on 8.1.4 Una funci
on, f, diremos que est
a acotada superiormente en A domf, si
M > 0 tal que x A, f (x) M,
o equivalentemente, f (A) es un conjunto acotado superiormente.
De igual manera se define el concepto de funci
on acotada inferiormente y de funci
on acotada.
Definici
on 8.1.5 Una funci
on, f, diremos que es estrictamente creciente en A domf, si
x, y A, con x < y, f (x) < f (y).
Dejamos al lector que, de manera an
aloga, defina el concepto de funci
on estrictamente decreciente.
Diremos que es creciente (resp. decreciente) si
x, y A, con x y, f (x) f (y) ( resp. x y, f (x) f (y)).
Por ejemplo, la funcion f (x) = 1/x con x (1, ), es una funcion acotada y estrictamente
decreciente. Notese que, si consideramos como dominio el conjunto R \ {0}, la funcion ya no es ni
acotada ni decreciente.
8.2.
Operaciones con funciones
Definici
on 8.2.1 Sean f : D R R y g : E R R dos funciones. Entonces:
Se define la funci
on suma de f y g a la funci
on
(f + g) : D E R R
x D E 7 (f + g) (x) = f (x) + g(x)
Se define la funci
on producto por un escalar de f y R a la funci
on
( f ) : D R R
x D 7 ( f ) (x) = f (x)
Se define la funci
on producto de f y g a la funci
on
(f g) : D E R R
x D E 7 (f g) (x) = f (x) g(x)
67
Se define la funci
on cociente de f y g a la funci
on
(f /g) : D (E \ {x E|g(x) = 0}) R R
x D (E \ {x E|g(x) = 0}) 7 (f /g) (x) = f (x)/g(x)
Se define la funci
on composici
on de f y g a la funci
on
(f g) : {x E|g(x) domf } R R
x {x E|g(x) domf } 7 (f g) (x) = f (g(x))
Teorema 8.2.2 El conjunto de las funciones definidas sobre un mismo conjunto real (con la suma
de funciones y el producto por escalares anterior) tiene estructura de Respacio vectorial.
Definici
on 8.2.3 Dadas dos funciones f y g diremos que son inversas si
(f g) (x) = (g f ) (x) = x, x domf dom g.
N
otese que para que la definici
on sea coherente debe ocurrir que domf Rec(g), y dom g Rec(f ).
8.3.
Lmites puntuales de funciones
Definici
on 8.3.1 Llamaremos conjunto derivado de D R, y lo denotaremos por D0 , al conjunto
formado por todos los puntos de acumulaci
on de D.
En lo sucesivo, cuando consideremos el lmite de una funcion en un punto, supondremos que
dicho punto pertenece al derivado de su dominio.
Definici
on 8.3.2 Sea f : D R R y consideremos un punto x0 D0 . Diremos que f (x) tiende
a l R cuando x tiende a x0 (
o lm f (x) = l) si
xx0
> 0, > 0 tal que x D, 0 < |x x0 | < |f (x) l| < ,

es decir, si x0 es un punto de acumulaci
on de D, l lo es de Rec(f ).
El lmite de una funcion en un punto es un concepto que depende del comportamiento local de
la funcion en un entorno del punto, y no del valor de la funcion en dicho punto. Es mas, la funci
on
no tiene que estar definida en dicho punto para que exista el lmite.
El concepto de lmite puntual finito nos ayuda a comprender un posible comportamiento de una
funcion en los alrededores de un punto. Otro posible comportamiento es que, conforme tomamos
valores cada vez mas proximos a uno dado, la funcion crezca (y/o decrezca) infinitamente.
Definici
a + (resp. ) cuando x tiende a x0 (
o lm f (x) = +, resp. ) si
xx0
M > 0, > 0 tal que x D, 0 < |x x0 | < f (x) > M (resp. f (x) < M ).
La interpretacion geometrica del concepto de lmite puntual infinito puede apreciarse en la figura
8.1.
En la figura 8.2 puede apreciarse que, debido a que existen dos posibilidades (derecha e izquierda) de aproximarse a un valor sobre la recta real, existen tambien diversas posibilidades de
comportamiento de la funcion seg
un sea el camino escogido para realizar la aproximacion.
68
Figura 8.1: Lmite infinito de una funcion en un punto.
Figura 8.2: Lmite lateral de una funcion en un punto.

Definici
a l R cuando x tiende a x0 por la derecha (
o lm f (x) = l) si
xx+
0
> 0, > 0 tal que x D, 0 < x x0 < |f (x) l| < .

De manera an
aloga se define el lmite lateral finito por la izquierda, lm f (x) = l
xx
0
Definici
on 8.3.5 Sea f : D R R y consideremos un punto x0 D0 . Diremos que f (x)
tiende a + (resp. ) cuando x tiende a x0 por la derecha
o lm f (x) = + (resp.
xx+
0
lm f (x) = ), si
xx+
0
M > 0, > 0 tal que x D, 0 < x x0 < f (x) > M (resp. f (x) < M ).
De manera an
aloga se definen los lmites laterales infinitos por la izquierda, lm f (x) = .
xx
0
Teorema 8.3.6 Dada una funci

on f : D R R y x0 D0 , se tiene
lm f (x) = l R {} lm f (x) = lm f (x) = l.
xx0
8.4.
xx+
0
xx
0
Lmites de funciones en el infinito
En la seccion anterior hemos tratado los lmites puntuales de funciones para conocer el comportamiento de las mismas en las proximidades de los puntos. Ahora vamos a plantearnos el estudio
del comportamiento de una funcion cuando consideramos valores de la variable creciendo, o decreciendo, infinitamente.
Definici
on 8.4.1 Sea f : D R R tal que D (x0 , ) 6= , x0 D con x0 0 (resp.
D (, x0 ) 6= , x0 D con x0 0).
69
Diremos que f (x) tiende a l R cuando x tiende a +

o lm f (x) = l (resp. f (x) tiende
x+
a l R cuando x tiende a
o lm f (x) = l) si
x
> 0, m > 0 tal que x D, x > m (resp. x < m) |f (x) l| < .

Diremos que f (x) tiende a + cuando x tiende a +
o lm f (x) = + (resp. f (x) tiende
x+
a
o lm f (x) = ) si
x+
M > 0, m > 0 tal que x D, x > m f (x) > M (resp. f (x) < M ).
De manera an
aloga se definen lm f (x) = .
x
Es claro que, de existir el lmite de una funcion, este es u

nico.
El siguiente teorema nos permite aplicar tecnicas de calculo de lmites enunciadas sobre sucesiones al calculo de lmites de funciones.
Teorema 8.4.2 Sea f : D R R y sean a, l R {}, entonces:

lm f (x) = l {an } D, con an a lm f (an ) = l .
xa
8.5.
Aritm
etica de lmites de funciones. Indeterminaciones
En esta seccion estudiaremos las tecnicas mas usuales de eliminacion de indeterminaciones.

Teorema 8.5.1 Sean f y g dos funciones tales que
lm f (x) = l1 , lm g(x) = l2 , con x0 , l1 , l2 R {}.
xx0
xx0
Entonces1 :
lm (f (x) g(x)) = l1 l2 , salvo si tenemos + . En ese caso diremos que hay una
xx0
indeterminaci
on.
lm (f (x) g(x)) = l1 l2 , salvo si tenemos 0 (). En ese caso diremos que hay una
xx0
indeterminaci
on.
Si l2 6= 0, lm (f (x)/g(x)) = l1 /l2 , salvo si tenemos 0/0
o /. En estos casos diremos que
xx0
hay una indeterminaci

on.
lm f (x)g(x) = l1l2 , salvo si tenemos 00 , 1
o 0 . En estos casos diremos que hay una inde-
xx0
terminaci
on.
Ejemplo 8.5.2 Cuando tenemos un lmite del tipo
x1
lm
=
x1 x2 1
1
Teniendo en cuenta que 1/ 0, 1 ,

0
,
0

ex 1 x si x 0
ln(1 + x) x si x 0
sin x x si x 0
1 cos x x2 /2 si x 0
70
ax 1 x ln a si a > 1 y x 0
ln x x 1 si x 1
tan x x si x 0
cn xn + cn1 xn1 + + c0 cn xn si x
Cuadro 8.1: Cuadro de infinitesimos equivalentes mas usuales.

podemos eliminar esta indeterminaci
on siguiendo un proceso muy sencillo. Que el lmite anterior
sea del tipo cero partido por cero significa que el 1 es raz tanto del denominador como del numerador, es decir, que (x 1) es un factor de ambos polinomios,
x1
1
= lm
.
x1 (x 1)(x + 1)
x1 x 1
lm
Una vez factorizados los polinomios y simplificada la parte com

un, ya no hay indeterminaci
on en
el lmite. Para resolverlo vamos a calcular los lmites laterales,
lm
x1+
1
1
= + =
6 = lm
.
x1
x1 x 1
Por lo tanto no existe el lmite
x1
.
x1 x2 1
lm
Ademas de lo anterior y lo visto en el captulo que hemos dedicado a las sucesiones, existe un
concepto utilizado para la eliminacion de lmites de funciones: los infinitesimos equivalentes.
Definici
on 8.5.3 Diremos que una funci
on es un infinitesimo en x0 R si
lm f (x) = 0.
xx0
Definici
on 8.5.4 Dados dos infinitesimos en x0 R, f y g, diremos que son equivalentes si
lm
xx0
f (x)
= 1.
g(x)
En el cuadro 8.1 recogemos algunos de los infinitesimos equivalentes m

as utilizados.

En los lmites del tipo 00 o
esimo por otro equivalente si figura
puede sustituirse un infinit
en un producto o cociente (no en suma).
Ejemplo 8.5.5 Calcular el lmite
1
lm (1 + sin x) 1cos x = (1 ) = lm e
x0
ln(1+sin x)
1cos x
x0
= 2 lm e x2 /2 = lm e x .
x0
x0
Ya hemos eliminado la indeterminaci

on. Calculando los lmites laterales comprobamos que el lmite
no existe
2
2
lm e x = =
6 0 = lm e x .
x0+
ln(1 + x) x, sin x x, 1 cos x x2 /2, cuando x 0.
x0
Captulo 9
Continuidad de funciones.
Definici
on de continuidad. Composici
on de funciones continuas. Aritmetica de funciones continuas.
Discontinuidades. Propiedades de funciones continuas. Teoremas cl
asicos sobre continuidad.
aticas para el an
alisis econ
omico,
Conocer e interpretar graficamente el concepto de continuidad de una funcion.
Identificar y clasificar las discontinuidades de una funcion.
Conocer los teoremas clasicos sobre la continuidad de funciones y su aplicacion a la localizaci
on
de ceros de una funcion.
9.1.
Continuidad de funciones
Definici
on 9.1.1 Sea f : D R R y consideremos un punto x0 D. Diremos que f es continua
en x0 si
> 0, > 0 tal que x D, 0 |x x0 | < |f (x) f (x0 )| < .
Una funci
on diremos que es continua si lo es en todos los puntos de su dominio.
De la definicion anterior se deduce la propiedad que caracteriza la continuidad: los valores que
toma la funcion en un entorno del punto anticipan el valor de la funcion en el punto.
Teorema 9.1.2 Sea f : D R R y consideremos un punto x0 D D0 . Entonces:
f continua en x0 lm f (x) = f (x0 ).
xx0
Propiedades 9.1.3 Son continuas:

En su dominio: las funciones polin
omicas, exponenciales, el seno, el coseno y el logaritmo.
La suma, el producto, el cociente (en los puntos en los que no dividimos por cero), y la
potencia de funciones continuas es continua.
71
CAPITULO 9. CONTINUIDAD DE FUNCIONES.
72
La composici
on de funciones continuas (en los puntos apropiados) es continua.
Las propiedades anteriores nos permiten estudiar la continuidad de una funcion atendiendo a
las distintas partes de esta.
Definici
on 9.1.4 Sea f : [a, b] R R.
Diremos que f es continua en a si lm f (x) = f (a).
xa+
Diremos que f es continua en b si lm f (x) = f (b).

xb
f es continua en [a, b] si lo es en todos los puntos del intervalo.

Son muchas las posibilidades geometricas que se pueden dar en un punto de discontinuidad.
Con el simple hecho de que un lmite lateral no coincida con el valor de la funcion en un punto es
suficiente para tener una discontinuidad. En la siguiente definicion damos una clasificacion basica
de los puntos de discontinuidad atendiendo a las opciones mas simples.
Definici
on 9.1.5 Sea f : D R R y x0 D.
Diremos que f presenta una discontinuidad de salto1 en x0 si lm f (x) 6= lm f (x).
xx+
0
xx
0
Diremos que f presenta una discontinuidad evitable en x0 si los lmites laterales son reales y
lm f (x) = lm f (x) 6= f (x0 ).
xx+
0
xx
0
En la tabla 9.1 mostramos ejemplos de discontinuidades.
Ejemplo 9.1.6 Estudiemos la continuidad de algunas funciones sencillas:

x2 1
. Para estudiar su continuidad tenemos, en primer lugar, que
x2 2
conocer su dominio. En este caso domf = R \ { 2}.

Sea la funci
on f (x) =
Tanto el denominador como el numerador son polinomios, luego ambas son continuas
en todo
su dominio. Los u
nicos puntos donde la funci
on puede ser discontinua son x = 2 (ya que
en ambos dividiramos por cero). Como esos puntos
on,
no pertenecen al domino de la funci
deducimos que la funci
on es continua en R \ { 2}.
Consideremos la funci
on definida por ramas
2
x 1
x2 2 si
g(x) =
0
si
x2
si
x2 x
x< 2
2x0
x>0
Cada rama es continua en su dominio por tratarse de cocientes de polinomios en los cuales
no se anula el denominador. Los posibles puntos de discontinuidad tenemos que buscarlos en
los puntos de uni
on de las distintas ramas de la funci
on.
1
Tambien diremos que f tiene una discontinuidad de salto en x0 si se verifica la definici

on anterior aunque x0
/ D.
73
De salto
De salto
De salto
Evitable
Evitable
De salto
Cuadro 9.1: Cuadro de discontinuidades mas usuales.
Comencemos con el punto x = 2 viendo los lmites laterales:

lm
x 2
g(x) =
lm
x 2
x2 1
1
= + = + =
6 0 = lm
+ g(x).
2
x 2
0
x 2
Para x = 0
x2
= lm g(x).
x0
x0+ x2 x
x0+
Por lo tanto la funci

on g(x) es continua en R \ { 2}.
lm g(x) = 0 = lm
9.2.
Teoremas sobre continuidad
En esta seccion mostramos una coleccion de teoremas clasicos sobre la continuidad de funciones.
Teorema 9.2.1 (de Weierstrass).- Si f es continua en [a, b] tenemos que f est
a acotada en dicho
intervalo.
Teorema 9.2.2 (de Weierstrass).- Si f es continua en [a, b] tenemos que existen x1 , x2 [a, b]
tales que f (x1 ) f (x) y f (x2 ) f (x), x [a, b].
Teorema 9.2.3 (de Darboux).- Sea f continua en [a, b] y sean x1 < x2 dos puntos cualesquiera de
[a, b]. Entonces, para cualquier valor y entre f (x1 ) y f (x2 ), existe x (x1 , x2 ) tal que f (x) = y.
Teorema 9.2.4 Si f es continua en x0 con f (x0 ) 6= 0, tenemos que existe > 0 tal que f (x)
mantiene el signo constante en B(x0 , ).
Teorema 9.2.5 (de Bolzano).- Sea f es continua en [a, b] tal que f (a)f (b) < 0, entonces existe
c (a, b) tal que f (c) = 0.
74
Captulo 10
Derivabilidad de funciones. La
diferencial.
Definici
on de derivabilidad. Interpretaci
on geometrica. Funci
on derivada. Derivadas sucesivas.
Aritmetica de derivadas. Derivada de funciones elementales. Derivada de las funciones compuestas.
Teoremas de derivabilidad. La diferencial de una funci
on.
alisis Matem
1989, paginas 127-139.
Comprender el concepto de derivabilidad de una funcion en un punto y la interpretaci
on
geometrica del mismo.
Calcular la derivada de una funcion.
Relacionar los conceptos de derivabilidad y continuidad de una funcion.
Aplicar los teoremas clasicos sobre derivabilidad a la resolucion de problemas.
Conocer la definicion y aplicaciones de la diferencial de una funcion.
10.1.
Derivabilidad de una funci

on
El origen de la idea de derivada proviene de un problema puramente geometrico: hallar la

pendiente de la recta tangente a una curva en un punto. En economa es particularmente importante
el hecho de que la derivada representa la tasa de variacion de una funcion.
Definici
on 10.1.1 Sea f : D R R y consideremos un punto x0 D D0 . Diremos que f es
derivable en x0 si
f (x) f (x0 )
lm
R.
xx0
x x0
El lmite anterior se puede escribir como
lm
xx0
f (x) f (x0 )
f (x + h) f (x0 )
= lm
.
h0
x x0
h
75
(10.1)
CAPITULO 10. DERIVABILIDAD DE FUNCIONES. LA DIFERENCIAL.
76
f(x)
f(x)f(x0)
f(x0)
xx0
x0
Figura 10.1: Interpretacion geometrica de la derivada.

A los lmites (10.1) los llamaremos derivada de f en x0 y los denotaremos por f 0 (x0 ). El cociente
f (x) f (x0 )
, se denomina cociente incremental de f en x0 .
x x0
La interpretacion geometrica de la derivabilidad la podemos encontrar en la figura 10.1. En
f (x) f (x0 )
ella representamos los elementos que aparecen en la definicion anterior. El cociente
,
x x0
representa la tangente del angulo . Es al tomar lmite (x x0 ) cuando se aprecia que la tangente
de dicho angulo (que coincide con la pendiente de la recta tangente a la curva en (x0 , f (x0 ))) es el
lmite del cociente, es decir, es f 0 (x0 ).
Apoyandonos en la idea de los lmites laterales, podemos definir la derivada lateral.
Definici
on 10.1.2 En las condiciones de la definici
on anterior, diremos que f es derivable por la
derecha (resp. izquierda) en x0 si
lm
xx+
0
f (x) f (x0 )
f (x) f (x0 )
R (resp. lm
R).
x x0
x x0
xx0
Al lmite anterior lo llamaremos derivada por la derecha (resp. izquierda) de f en x0 y lo denotaremos por f+0 (x0 ) (resp. f0 (x0 )).
Teorema 10.1.3 Una funci
on continua f es derivable en x0 si y s
olo si lo es por la derecha y por
la izquierda y ambas derivadas coinciden.
Llamaremos derivada segunda de una funcion a la derivada de la derivada, derivada tercera a la
derivada de la derivada segunda, etc. En general llamaremos derivada nesima de f (x) a la funci
on
resultante de derivar sucesivamente f (x) n veces. La derivada nesima de f (x) la denotaremos por
f (n) (x).
La relacion entre la derivabilidad de una funcion en un punto y la existencia de la recta tangente
a la grafica en el punto correspondiente es muy estrecha.
77
Teorema 10.1.4 Una funci

on, f, es derivable en x0 si y s
olo si existe una u
nica recta tangente
no vertical a su gr
afica en el punto (x0 , f (x0 )). Una ecuaci
on de dicha recta tangente es
y f (x0 ) = f 0 (x0 )(x x0 ).
A la vista de la interpretacion geometrica de la derivabilidad, puede apreciarse la relacion existente con el concepto de continuidad.
Teorema 10.1.5 Si una funci
on f es derivable en x0 se tiene que es continua en dicho punto.
x2 si
x
si
bilidad de f (x) en x = 1/2, tenemos que estudiar el lmite

Ejemplo 10.1.6 Consideremos la funci

on f (x) =
lm
x1/2
lm
x1/2
x 1/2
, para estudiar la derivax > 1/2
f (x) f (1/2)
:
x 1/2
x 1/4
x2 1/4
= lm (x + 1/2) = 1 6= lm
= +
+
x 1/2
x1/2
x1/2 x 1/2
por lo tanto la funci

on no es derivable en x = 1/2.
Geometricamente, es f
acil ver que la funci
on anterior no es derivable en x0 = 1/2 porque la
recta tangente que tendramos sobre la gr
afica al aproximarnos a 1/2 por la derecha no es la misma
que si lo hacemos por la izquierda.
Siguiendo un razonamiento geometrico analogo al anterior, podemos deducir que f (x) es derivable en R \ {1/2}.
10.2.
Aritm
etica de la derivaci
on. Regla de la cadena. Propiedades
Las tecnicas de derivacion se basan en conocer las derivadas de las funciones elementales y como
act
ua la derivacion sobre las operaciones de funciones. Si conocemos estas propiedades podremos
derivar cualquier funcion.
Propiedades 10.2.1 Sean f y g dos funciones derivables en x0 , entonces son derivables en el
mismo punto las funciones f g, f g, y f /g, si g(x0 ) 6= 0. Adem
as,
(f g)0 (x0 ) = f 0 (x0 ) g 0 (x0 ).
(f g)0 (x0 ) = f 0 (x0 )g(x0 ) + f (x0 )g 0 (x0 ).
(kf )0 (x0 ) = kf 0 (x0 ), k R.

(f /g)0 (x0 ) =
78
f 0 (x0 )g(x0 ) f (x0 )g 0 (x0 )

.
g 2 (x0 )
Teorema 10.2.2 (Regla de la cadena).- Sea f una funci

on derivable en x0 y sea g derivable en
f (x0 ). Entonces g f es derivable en x0 y
(g f )0 (x0 ) = g 0 (f (x0 ))f 0 (x0 ).
Ademas de los resultados anteriores, existe un metodo que nos permite derivar potencias de
funciones utilizando la funcion logaritmo. Consideremos la funcion
y = f (x)g(x) ,
si le aplicamos logaritmos a la igualdad anterior tenemos que ln y = g ln f. Derivando esta igualdad
respecto de x tenemos (ver la tabla 10.1),
y 0 /y = g 0 ln f + g
f0
.
f
Despejando y de la funcion obtenemos

f0
f0
0
0
g
0
y = y g ln f + g
= f g ln f + g
.
f
f
En la tabla 10.1 podemos encontrar una lista de las derivadas de las funciones mas elementales.
Ejemplo 10.2.3 Derivemos las siguientes funciones:
f (x) =
x2 + 1
x(1+cos(x2 )+sin(x2 )x2 +sin(x2 ))
, f 0 (x) = 2
.
2
(1+cos(x2 ))2
1 + cos(x )
g(x) = ex
10.3.
ln(x) ,
g 0 (x) = ex
ln(x) (2 x ln (x)
+ x) .
Teoremas sobre derivabilidad
En esta seccion vamos a enunciar una coleccion de teoremas clasicos sobre la derivabilidad de
funciones.
Teorema 10.3.1 (de Rolle).- Sea una funci
on f : [a, b] R continua en su dominio, derivable en
(a, b) y tal que f (a) = f (b). Entonces existe c (a, b) tal que f 0 (c) = 0.
Corolario 10.3.2 Entre dos ceros consecutivos de una funci
on derivable existe un cero de la derivada. Por lo tanto, entre dos ceros consecutivos de la derivada s
olo puede existir uno de la funci
on.
Teorema 10.3.3 (de Lagrange).- Sea una funci
on f : [a, b] R continua en su dominio y derivable en (a, b). Entonces existe c (a, b) tal que
f 0 (c) =
f (a) f (b)
.
ab
Funci
on Elemental
Funci
on Compuesta
(k)0 = 0, k cte.
(xn )0 = nxn1
(f n (x))0 = nf n1 (x)f 0 (x)
(ln x)0 = 1/x
(ln [f (x)])0 =
f 0 (x)
f (x)
0
= ef (x) f 0 (x)
0
= af (x) ln af 0 (x)
(ex )0 = ex
ef (x)
(ax )0 = ax ln a
af (x)
(sin x)0 = cos x
(sin f (x))0 = f 0 (x) cos f (x)
(cos x)0 = sin x
(cos f (x))0 = f 0 (x) sin f (x)
(tan x)0 = 1 + tan2 x

(tan f (x))0 = 1 + tan2 f (x) f 0 (x)
(arctan x)0 =
1
2
x +1
(arcsin x)0 =
1
1 x2
(arc cos x)0 =
1
1 x2
(arctan f (x))0 =
f 0 (x)
1 + [f (x)]2
(arcsin f (x))0 = q
f 0 (x)
1 [f (x)]2
f 0 (x)
(arc cos f (x))0 = q
1 [f (x)]2
Cuadro 10.1: Derivadas de funciones elementales.
79
80
Corolario 10.3.4 Sea una funci

on f : [a, b] R continua en su dominio, derivable en (a, b), y tal
que f 0 (x) = 0, x (a, b). Entonces f (x) es constante en (a, b).
Teorema 10.3.5 (Regla de LH
opital).- Sean f y g dos funciones derivables y tales lm f (x) =
xa
lm g(x) = 0 (
o ), y existe lm f 0 (x)/g 0 (x). Entonces:
xa
xa
lm f (x)/g(x) = lm f 0 (x)/g 0 (x),
xa
xa
con a R {}.
Ejemplo 10.3.6 Apliquemos los resultados anteriores.

e1/x
El lmite por la izquierda de la funci
on 2 en x = 0 tiene una indeterminaci
on del tipo 00 .
x
Si aplicamos la regla de LH
opital al lmite anterior tal cual, no eliminamos la indeterminaci
on
(se deja al lector la comprobaci
on de este hecho). Apliquemosla a una funci
on equivalente:
lm
x0
1
x2
e1/x

1
x
=L H lm 2
x0
1
x
=L H lm 2 e x = 0
x0
Cu
antas races reales tiene el polinomio f (x) = x3 2 x2 x + 2? N
otese que la funci
on
f (x) es derivable en R.
En primer lugar calculemos f 0 (x) = 3 x2 4 x 1 cuyas races son 2/3 1/3 7. El corolario
10.3.2 nos asegura que, en cada intervalo comprendido entre dos races consecutivas de la
derivada, tan s
olo puede existir una u
nica raz de f (x). Por lo tanto veamos que ocurre en
cada intervalo:
(, 2/3 1/3 7). El valor de la funci

on en el extremo superior del intervalo es
positivo. Por otro lado, el lmite de f (x) cuando x tiende a menos infinito es , lo
cual implica que existe un valor de x, x0 , lo suficientemente peque
no tal que f (x0 ) <
0.
El teorema de Bolzano (ver 9.2.5) nos garantiza que en el intervalo (x0 , 2/3 1/3 7)
existe una raz de f (x).
(2/31/3 7, 2/3+1/3 7).

f (2/3+1/3 7)
< 0. El teorema de Bolzano nos garantiza
que en el intervalo (2/3 1/3 7, 2/3 + 1/3 7) existe una raz de f (x).
(2/3 + 1/3 7, ). El valor de la funci

on en el extremo inferior del intervalo es negativo. Por otro lado, el lmite de f (x) cuando x tiende a m
as infinito es , lo cual implica
que existe un valor de x, x0 , lo suficientemente grande
tal
que f (x0 ) > 0. El teorema de
Bolzano nos garantiza que en el intervalo (2/3 + 1/3 7, ) existe una raz de f (x).
Por lo tanto, f (x) tiene s
olo tres races reales (existiendo una u
nica en cada intervalo de los
anteriores).
10.4.
La diferencial de una funci

on
Definici
on 10.4.1 Sea y = f (x) una funci
on derivable y denotemos por dx a una variaci
on cual1
quiera de la variable x. Llamaremos diferencial de y = f (x), y la denotaremos por dy
o df (x), a
la expresi
on
f 0 (x)dx.
1
Aunque este concepto es interesante cuando las variaciones son infinitamente peque
nas.
df(x)
81
f(x+dx)f(x)
x+dx
Figura 10.2: Interpretacion geometrica de la diferencial.

Notese que a la vista de la definicion las reglas de la diferenciacion son analogas a las de derivacion.
La diferencial de una funcion podemos considerarla como una aproximacion de la misma mediante su recta tangente. Si consideramos una variacion infinitesima de x, dx, tenemos (ver figura
10.2)
f (x + dx) f (x) df (x).
Es claro que cuanto menor sea el incremento dx, menor sera el error cometido en la aproximacion.
Ejemplo 10.4.2 Aproximemos la funci
on sin x en 30 1 supuesto conocido el seno de . Por lo tanto
0
dx = 3 1
sin 30 1 sin df () = f 0 ()(30 1 ) = (cos )(30 1 ) = 30 1.
82
Captulo 11
Aproximaciones polin
omicas.
Polinomio de Taylor. Error de la aproximaci
on. C
alculo de lmites utilizando el polinomio de Taylor.
on, economa
Calcular el polinomio de Taylor para un orden determinado de una funcion.
Aproximar el valor local de una funcion mediante el polinomio de Taylor.
11.1.
Polinomio de Taylor
Valorar un polinomio sobre un valor concreto es sumamente facil ya que tan solo hay que realizar
operaciones aritmeticas. Esto no ocurre al valorar una funcion cualquiera sobre un punto concreto,
ni siquiera con las funciones conocidas como elementales o basicas sin x, cos x, ex , etc.
Por ello es muy interesante poder obtener formulas para aproximar las funciones por polinomios
con el fin de calcular los valores de aquellas, conociendo tambien aproximadamente el error que
cometemos.
El concepto de aproximacion que utilizaremos en este contexto esta relacionado con la siguiente
definicion.
Definici
on 11.1.1 Dado f (x) un infinitesimo en x0 , diremos que es un infinitesimo de orden n si
lm
xx0
f (x)
= 0.
(x x0 )n
En general, un infinitesimo de orden n lo denotaremos por On (x0 ).

Propiedades 11.1.2 La aritmetica de los infinitesimos es:
On (x0 ) Om (x0 ) = On (x0 ) para n m.
On (x0 ) Om (x0 ) = On+m (x0 ).
83

CAPITULO 11. APROXIMACIONES POLINOMICAS.
84
kOn (x0 ) = On (x0 ) k R \ {0}.

Si la diferencia de dos funciones en x0 es un infinitesimo de orden n, tenemos que una se aproxima
a la otra, para valores cercanos a x0 , en menor cuanta que (x x0 )n . Por lo tanto, el concepto de
infinitesimo de orden n nos permite dar una informacion cualitativa del error cometido.
Pasemos ya a asociar un polinomio a una funcion dada.
Definici
on 11.1.3 Sea f : D R R una funci
on nveces derivable en x0 D. Llamaremos
polinomio de Taylor de grado n de la funci
on f (x) en x0 , al polinomio
Pn,x0 (x) = f (x0 ) + f 0 (x0 )(x x0 ) + +
f (n) (x0 )
(x x0 )n .
n!
Llamaremos resto del polinomio de Taylor de orden n a la diferencia entre la funci

on y el anterior
polinomio,
Rn,x0 (x) = f (x) Pn,x0 (x).
on.
Este resto es una medida del error cometido al valorar Pn,x0 (x) en vez de la funci
Teorema 11.1.4 En las condiciones anteriores,
lm
xx0
Rn,x0 (x)
= 0.
(x x0 )n
Es decir, el resto de Taylor es un infinitesimo de orden n.

Los planteamientos realizados permiten enunciar el siguiente resultado.
Teorema 11.1.5 (de Taylor).- Sea f una funci
on tal que f 0 , f 00 , . . . , f (n) existen en el intervalo
[x0 , x]. Entonces
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) + +
f (n) (x0 )
(x x0 )n + Rn,x0 (x).
n!
Si adem
as existe f (n+1) (x0 ), Rn,x0 (x) puede adoptar distintas expresiones:
Rn,x0 (x) =
Rn,x0 (x) =
f (n+1) ()
(x
n!
)n (x x0 )
f (n+1) ()
(n+1)! (x
x0 )n+1
para alg
un (x0 , x) (resto de Cauchy)
para alg
un (x0 , x) (resto de Lagrange)
Una acotacion para el error cometido al valorar el polinomio de Taylor la obtenemos de acotar
el resto del polinomio.
El polinomio de Taylor de grado 5 en x0 = 0 (incluyendo el resto) de la funcion sin x es
1
sin x = x x3 + O5 (0) .
6
Podemos acotar el error cometido estudiando, por ejemplo, el resto de Lagrange

cos 5 1

.
|R4,0 (x)| =
x
120 120
Si representamos la grafica del polinomio de Taylor anterior y la de la funcion sin x en las proximidades del punto x0 = 0, podemos apreciar el alto grado de aproximacion entre ambas (ver figura
11.1).

85
1.5
1
0.5
x
0.5
1
1.5
Seno
Taylor
Figura 11.1: Ejemplo de aproximacion del polinomio de Taylor.

Ejemplo 11.1.6 Podemos utilizar el concepto de polinomio de Taylor para eliminar indeterminaciones en algunos lmites, por ejemplo,
x + sin x
x0 ex ex
lm
0
0
= lm
x0 (1
+x+
1 2
2x
x + (x + O3 (0))
+ O3 (0)) (1 x + 12 x2 + O3 (0))
2 + O3 (0) /x
2+0
2x + O3 (0)
= lm
=
=1
x0 2 + O3 (0) /x
x0 2x + O3 (0)
2+0
lm

86
Captulo 12
Representaci
on de funciones en el
plano real.
Asntotas de una funci
on. Crecimiento/decrecimiento. M
aximo y mnimos. Concavidad y convexidad. Continuidad, derivabilidad y representaci
on de una funci
on.
alculo y geometra analtica, McGrawHill, 1989, paginas 222-230.
Interpretar propiedades de una funcion a partir de su grafica.
Reconocer y calcular los puntos crticos, maximos, mnimos y puntos de inflexion de una
funcion.
Representar una funcion, una vez estudiadas sus principales caractersticas.
12.1.
Dominio, puntos de corte, puntos de discontinuidad, simetra y signo de una funci

on
Para todo este captulo fijamos la siguiente notacion: sea f : D R R una funcion real en
una variable.
Al tratar de representar la grafica de una funcion de forma manual, suele comenzarse por estudiar
el dominio de la misma para descartar las regiones de la recta real en las cuales no esta definida.
Definici
on 12.1.1 Diremos que la funci
on f es simetrica respecto del eje OY si
f (x) = f (x), x D.
Diremos que la funci
on f es simetrica respecto del origen si
f (x) = f (x), x D.
Notese que conocer la simetra nos permite, caso de que la funcion sea simetrica, restringir el
estudio de la misma solo a una parte del dominio, D (0, +), ya que el comportamiento en
D (, 0) es el simetrico.
87
DE FUNCIONES EN EL PLANO REAL.

CAPITULO 12. REPRESENTACION
88
Figura 12.1: Ejemplo grafico de asntota vertical.

El estudio de la discontinuidad de una funcion nos ayudara a detectar puntos especiales donde
la funcion puede cambiar de signo, de comportamiento respecto al crecimiento, a la concavidad,
etc.
Conocer el signo de la funcion nos permitira eliminar grandes zonas del plano. Notese que para
estudiar el signo de la funcion necesitamos conocer los puntos de discontinuidad, los puntos de corte
con el eje OX y los extremos finitos de los intervalos de definicion en los que se divida el dominio
de f.
12.2.
Asntotas verticales, horizontales y oblicuas de una funci

on
El estudio de la existencia de las asntotas de una funcion nos proporciona una idea clara del
comportamiento de la misma en dos casos distintos:
las asntotas verticales nos muestran como es una funcion para valores proximos a determinados puntos donde la funcion no esta acotada.
las asntotas horizontales y oblicuas nos muestran como es una funcion para valores infinitamente grandes en valor absoluto.
En ambos casos la funcion esta tan proxima a una recta que la diferencia entre la funcion y dicha
recta tiende a cero, es decir, la funcion se comporta como una recta (vertical, horizontal u oblicua).
Vamos a considerar en esta seccion una funcion f : D R R, con x0 D0 y D no acotado.
Definici
on 12.2.1 Diremos que la recta x = x0 es una asntota vertical de la funci
on f en x0 si
tenemos uno de los siguientes casos:
lm f (x) =
o lm f (x) = .
xx+
0
xx
0
Notese que la existencia de una asntota vertical depende del comportamiento a un lado del
punto x0 (lmites laterales), pudiendo, por lo tanto, existir una asntota vertical y a la vez estar
definida la funcion en dicho punto (ver 12.1). Ademas, una funcion puede tener una gran cantidad
de asntotas verticales.
La interpretacion geometrica de una asntota vertical es claro: el comportamiento de la funci
on
para valores proximos a x0 es similar al de la recta vertical x = x0 .
Definici
on 12.2.2 Diremos que la recta y = l es una asntota horizontal de la funci
on f en +
(respecto ) si
lm f (x) = l (respecto lm f (x) = l).
x+

89
Pueden existir dos, una o ninguna asntota horizontal. La interpretacion geometrica de una
asntota horizontal es: el comportamiento de la funcion para valores infinitamente grandes (en
valor absoluto) es similar al de la recta horizontal y = l. Este hecho se puede apreciar en el ejemplo
12.5.1.
Las asntotas oblicuas cubren otro posible comportamiento de una funcion para valores infinitamente grandes (en valor absoluto): aproximarse a una recta no horizontal. Con esta idea, y
centrandonos ahora en x +, si la funcion f (x) se aproximase a la recta y = mx + n para
valores infinitamente grandes de x, tendramos que
f (x) mx + n, x 0.
Por lo tanto, m f (x)/x n/x f (x)/x, y n f (x) mx. Esto da pie a la siguiente definicion.
Definici
on 12.2.3 Diremos que la recta y = mx + n es una asntota oblicua de la funci
on f en
+ (respecto ) si
m = lm f (x)/x R y n = lm (f (x) mx) R
x+
x+
(respecto m = lm f (x)/x, n = lm (f (x) mx)).

x
La existencia de una asntota horizontal para x tendiendo a + es incompatible con la existencia de una oblicua, ya que ambas asntotas se corresponden con comportamientos de la funci
on
incompatibles (una funcion no puede aproximarse a la vez a una recta horizontal y a una oblicua
por el mismo lado). Si puede ocurrir que exista una asntota oblicua en mas infinito y una horizontal
en menos infinito (o viceversa). Ver ejemplo 12.5.1.
12.3.
Crecimiento/decrecimiento: m
aximos y mnimos
Definici
on 12.3.1 Una funci
on diremos que es creciente en un conjunto E si
f (x1 ) f (x2 ), x1 , x2 D E, x1 < x2 ,
y decreciente si
f (x1 ) f (x2 ), x1 , x2 D E, x1 < x2 .
As mismo, diremos que f (x) es creciente (respecto decreciente) en un punto x0 D, si existe
> 0 tal que f (x) es creciente (respecto decreciente) en (x0 , x0 + ). Si las desigualdades ,
anteriores son estrictas, diremos que el decrecimiento, o el crecimiento, es estricto.
Teorema 12.3.2 Sea f (x) una funci
on derivable en x0 D. Entonces:
f 0 (x0 ) 0 f es creciente en x0 .
f 0 (x0 ) 0 f es decreciente en x0 .
Si las desigualdades son estrictas, el crecimiento/decrecimiento tambien lo es.
Definici
on 12.3.3 Sea f (x) una funci
on definida en un entorno de x0 D.

90
Diremos que f (x) alcanza un m

aximo relativo en x0 si
> 0|f (x) f (x0 ), x (x0 , x0 + ).
Diremos que f (x) alcanza un mnimo relativo en x0 si
> 0|f (x) f (x0 ), x (x0 , x0 + ).
En general, si alcanza en x0 un m
aximo o un mnimo relativo, diremos que alcanza un extremo
relativo.
Un maximo relativo es un punto donde la funcion pasa de ser creciente a decreciente, y en un
mnimo relativo de ser decreciente a creciente.
Definici
on definida en un conjunto D.
aximo absoluto en x0 D si
f (x) f (x0 ), x D.
Diremos que f (x) alcanza un mnimo absoluto en x0 D si
f (x) f (x0 ), x D.
En general, si alcanza en x0 un m
aximo o un mnimo absoluto, diremos que alcanza un extremo
absoluto.
Teorema 12.3.5 Sea f (x) derivable en x0 D. Entonces, si f (x) alcanza un extremo relativo en
x0 , se tiene que f 0 (x0 ) = 0.
Definici
on 12.3.6 Llamaremos puntos crticos al conjunto de puntos que anula la derivada de una
funci
on.
on dos veces derivable en x0 D, con x0 un punto crtico.
Entonces:
Si f 00 (x0 ) < 0, f (x) alcanza un m
aximo relativo en x0 .
Si f 00 (x0 ) > 0, f (x) alcanza un mnimo relativo en x0 .
Para estudiar los extremos absolutos de una funcion en un intervalo cerrado, [a, b], estudiamos
los relativos en (a, b) y los valores de la funcion en los extremos a y b. El maximo absoluto se
alcanza en el punto que haga maxima la funcion sobre los valores anteriores, y el mnimo sobre el
que la haga mnima.

12.4.
91
Concavidad/convexidad
Definici
on, f (x), es c
oncava en x0 D si la recta tangente a la
gr
afica de f (x) en dicho punto est
a por debajo de la gr
afica en un entorno de x0 (a este hecho lo
denotaremos mediante el smbolo ).
Diremos que una funci
on, f (x), es convexa en x0 D si la recta tangente a la gr
afica de f (x)
en dicho punto est
a por encima de la gr
afica en un entorno de x0 (a este hecho lo denotaremos
mediante el smbolo ).
Diremos que una funci
on, f (x), tiene un punto de inflexi
on en x0 D, si la funci
on pasa de
c
oncava a convexa, o de convexa a c
oncava, en el.
on dos veces derivable en x0 . Entonces:
f (x) es c
oncava en x0 si f 00 (x0 ) > 0.
f (x) es convexa en x0 si f 00 (x0 ) < 0.
on nveces derivable en x0 con f 0 (x0 ) = f 00 (x0 ) = =
f (n1) (x0 ) = 0 y f (n) (x0 ) 6= 0. Entonces:
Si n es impar, f (x) tiene en x0 un punto de inflexi
on.
Si n es par
y f (n) (x0 ) < 0, f (x) tiene en x0 un m
aximo relativo.
y f (n) (x0 ) > 0, f (x) tiene en x0 un mnimo relativo.
12.5.
Ejemplos
Tras lo visto en este captulo, pasaremos a aplicar lo expuesto a la representacion de funciones

reales. Los pasos que vamos a seguir seran los siguientes:
Estudio del dominio, puntos de corte y discontinuidad, y simetra.
Estudio del signo de la funcion.
Estudio de las asntotas.
Estudio del crecimiento/decrecimiento y maximos/mnimos.
Estudio de la concavidad/convexidad.
on
x3
(x2 1)
f (x) =
20
1 + 15e1,2x
, x<1
, x1
El dominio de esta funci

on es dom(f ) = R \ {1} = (, 1) (1, +).

92
Para calcular los puntos de corte con el eje OY tenemos que sustituir x = 0 en la funci
on,
luego el punto de corte es (0, f (0)) = (0, 0).
Para calcular los puntos de corte con el eje OX resolvemos la ecuaci
on f (x) = 0. En nuestro
caso, f (x) = 0 x = 0, luego el punto de corte es (0, f (0)) = (0, 0).
Puntos de corte (0, 0).
Puntos de discontinuidad. Dentro del dominio de la funci
on, el u
nico punto de discontinuidad existente es el 1, ya que los lmites laterales de la funci
on en dicho punto no coinciden,
lm f (x) = =
6
x1
20
= lm f (x).
1 + 15e1,2 x1+
Signo de la funci
on. Para estudiar el signo tenemos que tomar los puntos donde la funci
on
puede cambiar de signo, es decir, los puntos de discontinuidad, los extremos de los intervalos
de definici
on de la funci
on y los puntos de corte con el eje OX. En nuestro caso, esos puntos
son 1, 0, 1.
funci
on (, 1) (1, 0) (0, 1) (1, +)
f (x)
+
El teorema de Bolzano nos garantiza que dentro de cada intervalo donde la funci
on es continua, y no hay ning
un cero, su signo permanece constante. Por lo tanto, para conocer el signo
de la funci
on en cada intervalo, sustituimos un valor cualquiera del intervalo.
Lo que podemos saber hasta el momento de la representaci
on de la funci
on f (x) est
a en la
siguiente figura. En ella la zona sombreada corresponde a la zona del plano por donde no hay
ning
un trozo de funci
on.
As
ntotas Verticales. Est
as pueden existir en los puntos x0 R, donde lm f (x) = .
xx
0
En nuestro caso, los puntos candidatos a x0 son 1 y 1,

lm f (x) = ,
x1
lm f (x) = +, lm f (x) = .
x1
x1+
Luego la recta x = 1 es una asntota vertical en x0 = 1, y x = 1 en x0 = 1.

As
ntotas horizontales. Para estudiarlas hay que calcula los lmites en los infinitos:
lm f (x) = , lm f (x) = 20.
x+
Por lo tanto, existe una asntota horizontal en m

as infinito que es la recta y = 20.
As
ntotas oblicuas. Esta asntota puede existir en menos infinito. Comprobemoslo:
m = lm f (x)/x = 1, n = lm (f (x) mx) = 0.
x
Por lo tanto, existe un asntota oblicua en menos infinito que es la recta y = x.

En la siguiente figura hemos representado las asntotas de la funci
on.

93
Uniendo las asntotas con el signo de la funci

on podemos hacernos una idea de cual es su
representaci
on.
Crecimiento. Derivemos f (x),
f 0 (x) =
x2 x2 3

, x<1
(x2 1)2
360
e1,2 x
(1 + 15 e1,2 x )2
, x>1
Los ceros de la derivada son: f 0 (x) = 0 x = 3, 0.

Para estudiar el crecimiento/decrecimiento de f (x) estudiamos el signo de su derivada (tomando para ello los puntos de manera an
aloga a como los tomamos para estudiar el signo de
f (x)) obteniendo:
funci
on (, 3) ( 3, 1) (1, 0) (0, 1) (1, +)
f 0 (x)
+
+
Tipo
%
&
&
&
%
De este cuadro se deduce que la funci

on alcanza un m
aximo relativo en x0 = 3.
Concavidad. Derivemos f 0 (x),
f 00 (x) =

x x2 + 3
, x<1
(x2 1)3
15 e2,4 x 1 e1,2 x
432
(1 + 15 e1,2 x )3
, x>1
ln(15)
.
1,2
Para estudiar la concavidad/convexidad de f (x) estudiamos el signo de su segunda derivada,
obteniendo:
Los ceros de la segunda derivada son: f 00 (x) = 0 x = 0,
funci
on (, 1) (1, 0) (0, 1) (1,
f 00 (x)
Tipo
ln(15)
ln(15)
) (
, +)
1,2
1,2
+

on tiene puntos de inflexi
on en 0 y
ln(15)
.
1,2

94
A la vista de los c
alculos que hemos efectuado, podemos representar la funci
on f (x),
Ejemplo 12.5.2 Estudiar y representar la funci

on
f (x) =
x3
.
2x2 8
El dominio de la funci
on es dom(f ) = R \ {2} = (, 2) (2, 2) (2, +).
Para calcular los puntos de corte con el eje OY tenemos que sustituir x = 0 en la funci
on,
luego el punto de corte es (0, f (0)) = (0, 0).
Para calcular los puntos de corte con el eje OX resolvemos la ecuaci
on f (x) = 0. En nuestro
caso, f (x) = 0 x = 0, luego el punto de corte es (0, f (0)) = (0, 0).
Puntos de corte (0, 0).
Puntos de discontinuidad. Dentro del dominio de la funci
on, no hay puntos de discontinuidad, ya que en todos ellos el valor de la funci
on coincide con el lmite.
(x)3
x3
=
= f (x), y por lo tanto,

2(x)2 8
2x2 8
la gr
afica de la funci
on es simetrica respecto del origen.
Simetr
a. Es f
acil ver que f (x) =
Este hecho permite restringir el estudio a los reales no negativos, ya que para los reales
negativos la gr
afica de la funci
on ser
a la simetrica .
En este ejemplo hemos preferido hacer un estudio obviando este hecho para presentar as m
as
ejemplos de c
alculo.
Signo de la funci
on. Para estudiar el signo tenemos que tomar los puntos donde la funci
on
puede cambiar de signo, es decir, los puntos de discontinuidad, los extremos de los intervalos
de definici
on de la funci
on y los puntos de corte con el eje OX. En nuestro caso, esos puntos
son 2, 0, 2.
funci
on (, 2) (2, 0) (0, 2) (2, +)
f (x)
+
Lo que conocemos hasta el momento de la representaci
on de la funci
on f (x) est
a en la siguiente figura (la zona sombreada corresponde a las regiones del plano donde no hay ning
un
trozo de funci
on)

95
As
ntotas Verticales. Est
as pueden existir en los puntos x0 R, donde lmxx0 f (x) =
. En nuestro caso, los puntos candidatos a x0 son 2 y 2,
lm f (x) = ,
x2
lm f (x) = +, lm f (x) = , lm f (x) = +.

x2
x2+
x2+
Luego la recta x = 2 es una asntota vertical en x0 = 2, y x = 2 en x0 = 2.

As
ntotas horizontales. Para estudiarlas hay que calcula los lmites en los infinitos:
lm f (x) = , lm f (x) = +.
x+
Por lo tanto, no existen asntotas horizontales.

As
ntotas oblicuas. Esta asntota puede existir en . Comprobemoslo:
m = lm f (x)/x = 1/2, n = lm (f (x) 1/2x) = 0.
x
m = lm f (x)/x = 1/2, n = lm (f (x) 1/2x) = 0.

x+
Existe un asntota oblicua en menos infinito que es la recta y = 1/2x,

y existe un asntota oblicua en m
as infinito que es la recta y = 1/2x.
En la siguiente figura hemos representado las asntotas de la funci
on.
Crecimiento. Derivemos f (x),

f 0 (x) = 1/2

x2 x2 12
(x2 4)2
Los ceros de la derivada son: f 0 (x) = 0 x = 2 3, 0.

Para estudiar el crecimiento/decrecimiento de f (x) estudiamos el signo de su derivada (tomando para ello los puntos de manera an
aloga a como los tomamos para estudiar el signo de
f (x)) obteniendo:
funci
on (, 2 3) (2 3, 2) (2, 0) (0, 2) (2, 2 3) (2 3, +)
f 0 (x)
+
+
Tipo
%
&
&
&
&
%
La funci
on alcanza un m
aximo relativo en x0 = 2 3, y un mnimo en x0 = 2 3.

96
Concavidad. Derivemos f 0 (x),

00
f (x) = 4

x x2 + 12
(x2 4)3
El u
nico cero de la segunda derivada es f 00 (x) = 0 x = 0.
Para conocer la concavidad/convexidad de f (x) estudiamos el signo de su segunda derivada,
obteniendo:
funci
on (, 2) (2, 0) (0, 2) (2, +)
f 00 (x)
+
Tipo
on en 0.
on tiene un punto de inflexi
A la vista de los c
alculos que hemos efectuado, podemos representar la funci
on f (x),
Captulo 13
Integraci
on de funciones.
Sumas superiores e inferiores. Integral de Riemann. Aritmetica de integrales. Integrabilidad. C
alculo de primitivas. Integrales impropias.
on, economa
Entender el concepto de integral de Riemann.
Distinguir cuando una funcion es integrable.
Calcular primitivas de funciones elementales.
Identificar las integrales impropias.
Detectar si una integral impropia es convergente o divergente.
Calcular el valor de una integral impropia convergente.
13.1.
Integral de Riemman
En la grecia antigua ya exista un metodo para realizar el calculo de areas conocido como metodo
de exhaucion. Este metodo consista en inscribir y circunscribir distintas superficies geometricas
sencillas, cuyas areas eran conocidas, al area que se quera calcular. Si el area de la region inscrita
y la de la circunscrita tienden al mismo lmite cuando se van refinando las regiones, este lmite
es, por definicion, el area de la region. Esta idea, como veremos a continuacion, es la base para la
definicion de integral definida.
Definici
on 13.1.1 Sea el intervalo real I = [a, b], diremos que P = {x0 , . . . , xr } es una partici
on
de I si a = x0 < x1 < < xr = b. Llamaremos norma de la partici
on al siguiente n
umero real
||P|| = max {xi xi1 }.
i=1,...,r
Ejemplo 13.1.2 Dado el intervalo [2, 9], son particiones los conjuntos:
97
DE FUNCIONES.
CAPITULO 13. INTEGRACION
98
P1 = {2, 3, 4, 5, 6, 7, 8, 9}, con ||P1 || = 1.
P2 = {2, 40 4, 5, 6 2, 9}, con ||P2 || = 6 2 5 30 48.

Definici
on 13.1.3 Sea f una funci
on acotada en el intervalo I y sea P = {x0 , . . . , xr } una partici
on de I. Llamaremos suma superior de f respecto de P al n
umero real
Ssup
r
X
Mi (xi xi1 ),
i=1
donde Mi = supx[xi1 ,xi ] f (x).

An
alogamente definimos suma inferior a
Sinf
r
X
mi (xi xi1 ),
i=1
donde mi = inf x[xi1 ,xi ] f (x).

Ejemplo 13.1.4 Veamos que interpretaci
on geometrica tienen las definiciones anteriores. Para
ello consideremos la funci
on f (x) = x4 ln x definida en el intervalo [2, 4]. N
otese que esta funci
on
est
a acotada y es estrictamente creciente en el intervalo de definici
on que hemos dado.
Consideremos ahora la partici
on P1 = {2, 20 5, 3, 30 5, 4}. Entonces
Ssup
P1
4
X
Mi (xi xi1 ) = 00 5(20 5)4 ln(20 5) + 00 5(3)4 ln(3) + 00 5(30 5)4 ln(30 5) + 00 5(4)4 ln(4).
i=1
Es f
acil apreciar que cada uno de los sumandos anteriores es el
area de los rect
angulos de la siguiente
figura
350
300
250
200
150
100
50
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
El primer sumando se corresponde con el

area de la primera columna, que tiene por altura (20 5)4 ln(20 5)
(el m
aximo de la funci
on en [2, 20 5]) y por base 00 5 (amplitud del intervalo [2, 20 5]). De manera
an
aloga, el segundo sumando se corresponde con el
area de la segunda columna, etc.
Si consideramos ahora una partici
on m
as fina, es decir, con m
as puntos (en este caso el doble),
0
0
0
0
0
0
P2 = {2, 2 25, 2 5, 2 75, 3, 3 25, 3 5, 3 75, 4}. Tendremos
P8
Ssup P2 =
i=1 Mi (xi xi1 )
= 00 5(20 25)4 ln(20 25) + 00 5(20 5)4 ln(20 5) + 00 5(20 75)4 ln(20 75) + 00 5(3)4 ln(3) + .
En este caso, la suma anterior representa las sumas de las
areas de los rect
angulos de la figura
DE FUNCIONES.
99
350
300
250
200
150
100
50
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
De continuar este proceso tomando cada vez particiones como en la figura,
350
350
300
300
250
250
200
200
150
150
100
100
50
50
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
2.2
2.4
2.6
2.8
350
300
300
250
250
200
200
150
150
100
100
50
3.2
3.4
3.6
3.8
3.2
3.4
3.6
3.8
350
50
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
2.2
2.4
2.6
2.8
3
x
vemos que nuestras sumas superiores (gr

aficamente la suma de las
areas de las columnas) se aproximan cada vez m
as al
area que encierra la funci
on. Aunque el
area, para este ejemplo, siempre es
inferior.
Si realizamos el mismo proceso para las sumas inferiores,
350
350
300
300
250
250
200
200
150
150
100
100
50
50
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
2.2
2.4
2.6
2.8
3.2
3.4
3.6
3.8
3.2
3.4
3.6
3.8
350
350
300
300
250
250
200
200
150
150
100
100
50
50
2.2
2.4
2.6
2.8
3
x
3.2
3.4
3.6
3.8
2.2
2.4
2.6
2.8
3
x
DE FUNCIONES.
100
vemos que nuestras sumas inferiores (gr

aficamente la suma de las
areas de las columnas) se aproximan cada vez m
as al
on. Aunque el
area, para este ejemplo, siempre es
superior.
Siguiendo esta idea pasamos a continuaci
on a dar una definici
on formal de integral de Cauchy.
Definici
on 13.1.5 Diremos que la funci
on f continua es integrable Cauchy en el intervalo I si
lm Sinf
||P||0
A esta cantidad la denotaremos
Rb
a
= lm Ssup
||P||0
P.
f (t)dt y la llamaremos integral de Cauchy.
Nota 13.1.6 Como se puede apreciar en el siguiente ejemplo, el valor de la integral no coincide,
en general, con el
on. Esto es debido a que las
areas de los rect
angulos
se toman orientadas, es decir, se le asigna un valor positivo o negativo dependiendo del signo de la
propia funci
on (altura del rect
angulo). Si la funci
on es positiva, el
area coincide con la integral, si
es negativa con menos la integral. Si hay distintos signos hay que integrar el valor absoluto de la
funci
on.
Consideremos una funci
on polinomial, f (x) = x2 3 en el intervalo [0, 3]. Podemos apreciar que
en la suma superior para la partici
on P = {0, 00 75, 10 5, 20 25, 3},
P4
Ssup P =
i=1 Mi (xi xi1 )

= 00 75 (00 75)2 3 + 00 75 (10 75)2 3 + 00 75 (20 25)2 3 + 00 75 (3)2 3 ,
algunos sumandos son positivos y otros negativos. En la representaci
on de esta suma superior queda
claro el por que del signo de estos sumandos,
6
0.5
1.5
2.5
El desarrollo anterior requiere que conozcamos el maximo y el mnimo de la funcion en cada

intervalo de la particion. Pero este hecho se puede obviar debido a que mi f (ci ) Mi para todo
ci [xi1 , xi ]. Luego, de coincidir el lmite de las sumas superiores con el de las sumas inferiores,
tendremos que tambien han de coincidir con el lmite que presentamos a continuacion.
Definici
on, f (x), definida en el intervalo I es integrable Riemann
si
r
X
lm
f (ci )(xi xi+1 ) R.
||P||0
i=1
DE FUNCIONES.
101
N
otese que cada ci es un valor cualquiera en el intervalo [xi1 , xi ]. Al lmite anterior lo denotaremos
por
Z b
r
X
f (t)dt = lm
f (ci )(xi xi+1 )
||P||0
i=1
y lo llamaremos integral (de Riemann) de la funci

on.
Una funcion acotada en un intervalo acotado es integrable Riemann.
Propiedades 13.1.8 Sean f, g dos funciones integrables en I = [a, b], entonces:
Z
f (t)dt =
f (t)dt, c [a, b].
f (t)dt +
Z
f (t)dt =
f (t)dt.
b
a
a
f (t)dt = 0.
a
Z
[f (t) kg(t)]dt =
Z
f (t)dt k
g(t)dt.
a
Si f (t) 0, en el intervalo I, entonces

Z
f (t)dt 0.
a
Si f (t) 0, en el intervalo I, entonces

Z
f (t)dt 0.
a
Si f (t) g(t), en el intervalo I, entonces

Z b
Z b
f (t)dt
g(t)dt.
a
Teorema 13.1.9 El conjunto de las funciones que son integrables Riemann en un mismo intervalo,
tiene estructura de Respacio vectorial.
Teorema 13.1.10 (del valor medio).- Dada una funci
on, f, continua en [a, b], existe c (a, b) tal
que
Z b
f (x)dx = f (c)(b a).
a
Teorema 13.1.11 (Primer teorema fundamental del c

alculo).- Consideremos la funci
on continua
en [a, b], f (x), y definamos F : [a, b] R dada por
Z t
F (t) =
f (x)dx.
a
Entonces la funci
on F (t) es una funci
on continua y derivable que verifica F 0 (t) = f (t), t [a, b].
DE FUNCIONES.
102
Definici
on 13.1.12 Llamaremos primitiva de una funci
on f (t) a toda funci
on F (t) con el mismo
dominio y tal que F 0 (t) = f (t).
Lema 13.1.13 (Regla de Barrow).- Sea f una funci
on continua en [a, b], y sea F una primitiva.
Entonces se tiene
Z b
f (t)dt = F (b) F (a).
a
Los anteriores enunciado muestran uno de los resultados mas sorprendentes del analisis: la
integracion y la derivacion se comportan, en cierto modo, como operaciones inversas. Estos dos
conceptos, a priori, no tienen demasiada relacion. La derivacion nace de la idea de la tangencia a
curvas mediante el lmite de un cociente, mientras la integral parte del lmite de unas sumas que
representa el area de una superficie.
13.2.
Integrales impropias
Al definir la integral de Riemann, nos hemos referido a funciones acotadas en sus intervalos de
definicion (que a la vez eran acotados). Si uno o los dos supuestos no se dan, es preciso generalizar
el concepto de integral. As surge la integral impropia. A continuacion pasaremos a ver que ocurre
si no se cumple una de esas dos condiciones.
Definici
on 13.2.1 Llamaremos integrales impropias a aquellas en las que el intervalo de integraci
on no est
a acotado y/o la funci
on no est
a acotada en una cantidad finita de puntos del intervalo
de integraci
on.
Atendiendo a la anterior definicion, clasificamos las integrales impropias en:
Integrales impropias de 1a especie: intervalo de integracion no acotado y funcion acotada.
Integrales impropias de 2a especie: la funcion no esta acotada en alg
un punto del intervalo de
integracion que es acotado.
Integrales impropias de 3a especie: son a la vez de 1a y 2a especie.
Integrales impropias de 1a especie
Consideremos, por ejemplo, que queremos integrar una funcion definida en el intervalo [a, +).
Para evitar el problema de la no acotacion del intervalo nos servimos del lmite. La idea consiste
en, si sabemos integrable la funcion en [a, x] x > a, calcular dicha integral y despues tomar lmite
de x hacia infinito, se tiene que
Z +
Z x
f (t)dt = lm
f (t)dt.
x+ a
A la integral anterior, si existe, se le denomina integral impropia de f (x) en [a, +).

De manera analoga se define la integral en (, a], y como union de ambos casos,
Z +
f (t)dt.
DE FUNCIONES.
103

Consideremos que queremos integrar una funcion definida en el intervalo (a, b), con f (x) no
acotada en b. La idea para definir este tipo de integrales es similar a la anterior, si la funcion no
esta acotada en b, pero si lo esta para valores infinitamente proximos a el, tomamos la integral para
dichos valores y despues consideramos su lmite. Con este planteamiento,
Z x
Z b
f (t)dt.
f (t)dt = lm
xb
De manera analoga se define la integral en el caso de no estar acotada la funcion en el punto a.

Este tipo de integrales puede ser descompuesta en suma de una de primera especie y una de
segunda, por lo cual, su integracion pasa por las anteriores.
Diremos que una integral impropia es convergente si el lmite del cual se obtiene es convergente.
En caso contrario diremos que la integral es divergente.
Gran parte de las propiedades que hemos enunciado para las integrales definidas se verifican
para las impropias, existiendo criterios propios, basados en la relacion entre las integrales y las
series, para estudiar la convergencia sin necesidad de obtener una primitiva.
13.3.
Areas
de figuras planas
Una de las aplicaciones mas interesantes de la integracion es el calculo de areas. De hecho,

y como ya hemos referido anteriormente, el calculo de areas tuvo un importantsimo papel en el
desarrollo de la integracion. En esta seccion daremos los resultados mnimos necesarios para realizar
esta aplicacion.
Propiedades 13.3.1 Las siguientes propiedades nos permiten obtener el
area de una regi
on mediante el uso de la integral:
Sea f es una funci
on continua y positiva en I. El
area que determina la funci
on con el eje de
Z b
abscisa y las rectas x = a, x = b coincide con
f (t)dt.
a
Sea f es una funci

on continua en I. El
area que determina la funci
on con el eje de abscisa y
Z b
las rectas x = a, x = b coincide con
|f (t)|dt.
a
Sean f y g funciones continuas en I. El

area que determinan dichas funciones coincide con
Z b
|f (t) g(t)|dt.
a
13.4.
M
etodos de integraci
on: c
alculo de primitivas
Existen infinidad de criterios y metodos de integracion de diversa naturaleza. A continuaci

on
vamos a enunciar los resultados mas basicos que permiten obtener la primitiva de una funcion en
casos simples.
DE FUNCIONES.
104
Integrales inmediatas
En el cuadro 13.1 se encuentra una lista con la integral de las funciones basicas.
Ademas de las integrales de la tabla, existen una serie de integrales no inmediatas que debido a
su frecuente uso se las trata como tales:
Z
Z

p
p
1
1
2
dx = ln x + x 1 + C,
dx = ln x + x2 + 1 + C.
x2 1
x2 + 1
Integraci
on por partes
Se podra utilizar este metodo en aquellos casos en los cuales podamos descomponer la funci
on
en dos partes u y dv aplicando la siguiente formula:
Z
Z
u dv = u v v du.
En el cuadro 13.2 damos algunos tipos de funciones sobre los que aplicar este metodo.
Cambio de variable
Consiste en sustituir la variable x por una funcion que dependa de otra variable:
x = h(t) dx = h0 (t)dt
obteniendose
f (h(t)) h0 (t)dt
f (x)dx =
Una vez calculada la integral respecto a esta nueva variable, debemos deshacer el cambio sustituyendo t por la inversa de la funcion x = h(t). En el cuadro 13.3 damos algunos tipos de funciones
sobre los que aplicar este metodo.
Al aplicar este metodo para calcular el valor de una integral definida hay que tener en cuenta
que el cambio de variable afecta tambien al intervalo de integracion:
Z
t2
f (x)dx =
a
f (h(t)) h0 (t)dt
t1
Para esto, h(t), h0 (t) y f (h(t)) tienen que ser continuas en el intervalo [t1 = h1 (a), t2 = h1 (b)].
Funciones racionales
Consideremos
P (x)/Q(x) = C(x) +
R(x)
Q(x)
con grad(R(x)) < grad(Q(x)), y con todas las races de Q(x) reales (en este texto no consideramos
el caso en el que exista alguna raz compleja).
Sean a1 , . . . , ar las races (todas reales) de Q(x) y m1 , . . . , mr sus respectivas multiplicidades.
DE FUNCIONES.
105
(j)
Lema 13.4.1 En las condiciones anteriores, existen Ai

R(x)
Q(x)
(1)
(1)
(1)
(1)
A1
A2
A3
xa1 + (xa1 )2 + (xa1 )3
(r)
(r)
A1
A
+ xa
+ + (xamr r)mr .
r
R tales que
+ +
Am1
(xa1 )m1
(2)
(2)
A1
xa2
+ +
Am2
(xa2 )m2
Por lo tanto la resolucion de este tipo de integrales podemos hacerlas mediante:

Z
Z
Z
R(x)
P (x)/Q(x)dx =
C(x)dx +
dx
Q(x)
Z
(1)
(1)
A1
Am1
=
C(x)dx +
dx + +
dx +
x a1
(x a1 )m1
Z
Z
(r)
(r)
A1
Amr
+
dx + +
dx.
x ar
(x ar )mr
Z
13.5.
Ejemplos
Veamos una serie de ejemplos relacionados con este captulo:

Consideremos la funcion f (x) = sin(x) cos(x), y calculemos el area de la region delimitada
por f (x) y las rectas x = 0 y x = 6. Dicha area viene determinada por la integral
Z 6
| sin(x) cos(x)|dx.
(13.1)
0
En primer lugar vamos a calcular una primitiva de f (x) (emplearemos el metodo de integracion por partes):
Z
Z
(!)
2
sin(x) cos(x)dx =
cos (x) sin(x) cos(x)dx
Z
2 sin(x) cos(x)dx = cos2 (x)
sin(x) cos(x)dx = 1/2 cos2 (x).
(!) u = sin(x), dv = cos(x)dx.

Para poder realizar la integral (13.1), tenemos que conocer el signo de la funcion y as eliminar
los valores absolutos. Por lo tanto, hay que resolver
sin(x) cos(x) = 0, con x (0, 6) x = /2, , 3/2.
La funcion f (x) y el area (sombreada en la figura) que tenemos que calcular la encontramos
en la figura siguiente
0.4
0.4
0.2
0.2
3
x
0.2
0.2
0.4
0.4
DE FUNCIONES.
El area es pues
Z
Z 6
| sin(x) cos(x)|dx =
106
/2
sin(x) cos(x)dx
/2
sin(x) cos(x)dx
3/2
Z
+
sin(x) cos(x)dx
sin(x) cos(x)dx
3/2
/2
= 1/2 cos2 (x) ] 0

1/2 cos2 (x) ] /2 1/2 cos2 (x) ] 3/2

1/2 cos2 (x) ] 63/2
= 3/2 + 1/2 (cos (6))2
Z
1+x
dx :
1 + x2
1
dx + 1/2
1 + x2
e2x cos xdx :
Realicemos la integral
Z
1+x
dx =
1 + x2
Z
2x
cos xdx =(!) e2x sin x 2
2x
dx = arctan x + 1/2 ln |1 + x2 | + C
1 + x2
e2x sin xdx

Z
=(!!) e2x sin x 2 e2x cos x + 2 e2x cos xdx
Z
2x
= e (sin x + 2 cos x) 4 e2x cos xdx
Z
Z
2x
2x
5 e cos xdx = e (sin x + 2 cos x) e2x cos xdx = 1/5e2x (sin x + 2 cos x) + C
(!) u = e2x , dv = cos xdx
(!!) u = e2x , dv = sin xdx
Z
x4 2
dx :
x3 5x2 + 8x 4

Z
Z
x4 2
1
18
14
dx =
x+5
+
+
dx
x3 5x2 + 8x 4
x 1 x 2 (x 2)2
14
= 1/2x2 + 5x ln |x 1| + 18 ln |x 2|
+C
x2
Z
Realicemos la integral impropia
x1/2 ln xdx. Para ello vamos a calcular en primer lugar
una primitiva de la funcion:

Z
Z
1/2
(!)
3/2
F (x) = x ln xdx = 2/3x ln x 2/3 x1/2 dx = 2/3x3/2 ln x 4/9x3/2 + C.
(!) u = ln x, dv = x1/2 xdx
Z
0
x1/2 ln xdx = F (2) lm F (x) = 4/3

x0+
2 ln (2)
8
2.
9
DE FUNCIONES.
Z
Calculemos
107
(cos (x) + 1)3 sin (x) dx.
En primer lugar calculemos una primitiva de la funcion mediante un cambio de variable:

Z
Z
3
(!)
u3 du = u4 /4 + C = (cos (x) + 1)4 /4 + C.
F (x) = (cos (x) + 1) sin (x) dx =
(!) u = cos (x) + 1, du = sin (x) dx
Luego,
Z
(cos (x) + 1)3 sin (x) dx = 1/4 (cos ())4 (cos ())3
3/2 (cos ())2 cos () +

= 4
15
4
DE FUNCIONES.
Funci
on Elemental
108
Funci
on Compuesta
Z
kdx = kx + C
xn dx =
xn+1
+C
n+1
1
dx = ln x + C
x
ax
a dx =
+C
ln a
x
ef (x) f 0 (x)dx = ef (x) + C
af (x) f 0 (x)dx =
f 0 (x) sin f (x)dx = cos f (x) + C
f 0 (x) cos f (x)dx = sin f (x) + C
f 0 (x) tan f (x)dx = ln cos f (x) + C
f 0 (x) cot f (x)dx = ln sin f (x) + C
cos xdx = sin x + C
Z
tan xdx = ln cos x + C
+C
f 0 (x)
dx = ln [f (x)] + C
f (x)
sin xdx = cos x + C
[f (x)]
n+1
e dx = e + C
n+1
f (x)n f 0 (x)dx =
cot xdx = ln sin x + C
af (x)
+C
ln a
1
dx = tan x + C
cos2 x
f 0 (x)
dx = tan f (x) + C
cos2 f (x)
1
dx = cot x + C
sin2 x
f 0 (x)
dx = cot f (x) + C
sin2 f (x)
1
dx = arctan x + C
2
x +1
1
dx = arcsin x + C
1 x2
f 0 (x)
2 dx
1 + [f (x)]
f 0 (x)
Z
q
= arctan f (x) + C
dx = arcsin f (x) + C
2
1 [f (x)]
Cuadro 13.1: Integrales inmediatas.
DE FUNCIONES.
Tipo de Funcion
109
dv
P (x)ex dx
u = P (x)
dv = ex dx
P (x) sin xdx
u = P (x)
dv = sin xdx
P (x) cos xdx
u = P (x)
dv = cos xdx
arcsin(kx)dx
u = arcsin(kx)
dv = dx
arc cos(kx)dx
u = arc cos(kx)
dv = dx
arctan(kx)dx
u = arctan(kx)
dv = dx
P (x) ln(kx)dx
u = ln(kx)
dv = P (x)dx
Cuadro 13.2: Cuadro de integracion por partes.
DE FUNCIONES.
Tipo de funcion
Z
f (ex )dx
k
dx
a + bx2
k
dx
a bx2
110
Cambio de variable
t = ex
t=
t=
b/ax
b/ax
Z
f (sin x, cos x)dx
t = tan x
f (sin x) cos xdx
t = sin x
f (cos x) sin xdx
t = cos x
sin x =
t
1+t2
cos x =
1
1+t2
Z
f (tan x)dx
t = tan x
Cuadro 13.3: Cuadro de integracion por cambio de variable.
Parte III
Funciones reales en varias variables
111
112
Captulo 14
Funciones en varias variables.

Conjuntos abiertos y cerrados en Rn . Concepto de funci
on en variables reales. Aritmetica de funciones. Lmite de una funci
on en un punto. Aritmetica de lmites. Lmite direccional, iterado y
polinomial. Coordenadas polares.
alisis Matem
1989, paginas 9-13, 51-62.
Reconocer los conceptos basicos de la topologa de Rn .
Conocer e interpretar gr
aficamente el concepto de lmite de una funcion en varias variables.
Calcular lmites direccionales, iterados y polinomiales de una funcion entendiendo su relaci
on
con la existencia del lmite.
Ser capaces de utilizar las coordenadas polares para calcular el lmite de una funcion en un
punto.
14.1.
Conceptos topol
ogicos de Rn
En esta seccion vamos a extender los resultados topologicos de R a Rn . Para empezar, recordamos
al lector que el primer punto necesario para el estudio local de funciones es el concepto de distancia
que vimos en la definicion 5.1.1.
Para los objetos relacionados con las funciones en una variable nos limitamos a definir distintas
propiedades sobre intervalos reales. En el caso de varias variables nos son necesarios otros conceptos.
Definici
on 14.1.1 Sean a = (a1 , . . . , an ) Rn y R+ . Entonces:
Llamaremos bola abierta de centro a y radio al conjunto
B(a, ) = {x Rn | d(a, x) < }.
Dado un conjunto E Rn con a E, diremos que a es un punto interior de E si > 0 tal
que B(a, ) E.
113
CAPITULO 14. FUNCIONES EN VARIAS VARIABLES.
114
Llamaremos interior de E al conjunto

int(E) = {x Rn |x es punto interior de E}.
Diremos que E es un conjunto abierto si E = int(E).
Diremos que a es un punto frontera de E si > 0, B(a, ) E 6= y B(a, ) (Rn \ E) 6= .
Llamaremos frontera de E al conjunto
f r(E) = {x Rn |x es punto frontera de E}.
Diremos que E es un conjunto cerrado si Rn \ E es un abierto.
Diremos que E es un conjunto acotado si > 0, E B(0, ).
Diremos que E es un compacto si es un conjunto cerrado y acotado.
De manera analoga a como definimos los puntos de acumulacion de un conjunto, podemos definirlos sobre conjuntos ndimensionales conservando identicas propiedades. Una representacion grafica
de los conjuntos definidos con anterioridad pueden aclararnos mucho los conceptos y ayudarnos a
identificarlos con mas facilidad.
Ejemplo 14.1.2 Subconjuntos de Rn :
Consideremos el conjunto
E := {(x, y) R2 |x 0, y > 0, x + y 3}
y estudiemos sus caractersticas.
int(E) = {(x, y) R2 |x > 0, y > 0, x + y < 3}, y por lo tanto E no es un conjunto
abierto.
f r(E) = {tri
angulo de vertices (0, 0), (3, 0), (0, 3)}.
E no es un conjunto cerrado.
Este conjunto est
a acotado ya que, por ejemplo, todos sus puntos pertenecen a B((0, 0), 4).
En la figura 14.1 podemos ver la representaci
on de este conjunto. En esta representaci
on
pueden apreciarse todos los elementos anteriores.
Sea
G := {(x, y) R2 ||x| < 1, |y| < 1}.
int(G) = G, y por lo tanto G es un conjunto abierto.
f r(G) = {cuadrado de vertices (1, 1), (1, 1), (1, 1), (1, 1)}.
G no es un conjunto cerrado.
Este conjunto est

a acotado ya que, por ejemplo, todos sus puntos pertenecen a B((0, 0), 2).
En la figura 14.2 vemos que el conjunto anterior es el interior de un cuadrado (sin el borde)
centrado en el origen y de lado dos.
(0,3)
int(E)
(3,0)
Figura 14.1: Ejemplo estudio topologico en R2 .
(1,1)
(1,1)
(1,1)
(1,1)
Figura 14.2: Ejemplo estudio topologico en R2 .
115
116
x_1
Figura 14.3: Ejemplos de caminos para lmites en dos variables.
14.2.
Funciones en varias variables
Definici
on real en varias variables reales a cualquier aplicaci
on f :
n
D R R tal que a cada x = (x1 , . . . , xn ) D le asocie una u
nica imagen y = f (x), donde D
es el dominio de f (x).
Las graficas de las funciones de la definicion anterior son un subconjunto de Rn+1 , por lo que el
apoyo grafico solo lo podremos utilizar para, a lo mas, n = 2. Por este mismo hecho nos centraremos
mas en funciones de dos y/o tres variables.
De manera analoga a como definimos diversos conceptos, como funcion acotada, funcion suma,
producto por escalares, cociente, composicion, etc., en el captulo 8.1, podemos generalizarlos a
funciones en varias variables.
14.3.
Lmites de funciones en varias variables
Definici
on 14.3.1 Sea f : D Rn R y consideremos un punto x0 D0 . Diremos que f (x)
tiende a l R cuando x tiende a x0 (
o lm f (x) = l) si
xx0
> 0, > 0 tal que x D, x B(x0 , ) \ {x0 } |f (x) l| < .

De existir el lmite en un punto, este es u
nico. A los lmites sobre R2 se les denomina lmites dobles.
Notese la similitud de esta definicion con la dada para funciones en una variable. De hecho, la
u
nica diferencia conceptual entre los lmites en una y en varias variables, es que, en una variable,
tan solo existen dos caminos por los que aproximarse a un punto (derecha e izquierda y ambos en
lnea recta), mientras en varias variables existen infinidad de caminos e infinidad de formas (ver
por ejemplo 14.3 donde hemos representado varios caminos: rectas, parabolas, senos, etc., mediante
los cuales aproximarnos al punto (0, 0)). Los lmites a mas o menos infinito no tienen sentido al
trabajar con mas de una variable. Estas

son las principales diferencias conceptuales entre el espacio
unidimensional y el ndimensional.
En lo sucesivo, nos centraremos en el estudio de funciones de dos o tres variables, aunque los
enunciados que planteemos pueden ser generalizados a varias variables con suma sencillez. Estas
generalizaciones las dejamos al lector como practico ejercicio.
117
1
0.8
0.6
0.4
0.2
z
0
0.2
0.4
0.6
4
2
0.8
0
1
x_1
2
8
4
6
x_2
Figura 14.4: Planos para lmites direccionales.

Debido a la estrecha relacion entre los lmites en una y en varias variables, podemos aplicar la
aritmetica de lmites en una variable a los lmites en varias.
Existen varios caminos especiales de aproximacion a un punto en el espacio real. Estos caminos
dan pie a los lmites direccionales, los lmites reiterados y los lmites polinomiales.
Teorema 14.3.2 Si existe el lmite de una funci
on en un punto y vale l R, existe el lmite de
la misma funci
on en el mismo punto sea cual sea el camino elegido para la aproximaci
on. Adem
as,
todos estos lmites coinciden con l.
Lmites direccionales
Estos lmites son los que obtenemos si nos aproximamos a un punto mediante lneas rectas.
Definici
on 14.3.3 Sea f : D R2 R y sea (a, b) D0 . Consideremos la familia de rectas que
pasan por dicho punto, x2 b = m(x1 a) (n
otese que falta una recta de las infinitas que existen).
Llamaremos lmite direccional en la direcci
on marcada por la recta anterior a
lm f (x1 , m(x1 a) + b).
x1 a
Fijar x2 b = m(x1 a) es equivalente a estudiar la funcion solo sobre los valores (x1 , x2 ) de
la recta anterior. Geometricamente, lo que estamos planteando es un estudio de la funcion en una
variable que se obtiene de cortar la grafica de f por el plano que contiene a la recta dada por la
ecuacion x2 b = m(x1 a), y es perpendicular al plano determinado por los ejes 0x1 , 0x2 . En
la figura 14.4 podemos apreciar dos rectas, de la familia anterior, que pasan por el origen y los
dos planos correspondientes para dos ejemplos de valores concretos. Es evidente que tras intersecar
cualquiera de los dos planos de la figura con la grafica de una funcion, obtenemos la grafica de una
funcion en una variable.
Corolario 14.3.4 Si existen m1 , m2 R tales que
lm f (x1 , m1 (x1 a) + b) 6= lm f (x1 , m2 (x1 a) + b),
x1 a
entonces no existe el lmite de f (x) en (x1 , x2 ).
x1 a
118
800
600
1.02
400
0.602
200
z
0
200
0.6
400
600
800
0.598
0.98
0.01
x_2
0.005
0
0.005
0.01
0.01
x_1
0.01
0.01
Funcion
Seccion con m = 1
0.01
x_1
x_1
Seccion con m = 2
Figura 14.5: Ejemplo de lmites direccionales.

Por comodidad a la hora del calculo, se realiza una traslacion al punto (0, 0), con lo que el lmite
direccional queda algo mas simple:
lm f (x1 , mx1 ).
x1 0
Ejemplo 14.3.5 Estudiemos, mediante el uso de los lmites direccionales, la existencia del lmite
x1 + 2x2
.
(x1 ,x2 )(0,0) 5x1 3x2
2
lm
Para ello, consideremos en primer lugar la familia de rectas que pasan por el origen {(x1 , x2 )|x2 =
mx1 }mR y tomemos lmite sobre este conjunto
lm
(x1 ,x2 )(0,0),x2 =mx1
x1 + 2mx1
1 + 2m
x1 + 2x2
1 + 2m
= lm
= lm
=
.
2
2
2
2
5
5x1 3x2 x1 0 5x1 3m x1 x1 0 5 3m x1
Es claro que este lmite tiene distintos valores en funci

on de m, y por lo tanto no existe el lmite
doble de la funci
on anterior en el origen. En la figura 14.5 podemos apreciar este hecho. En ella
hemos representado la funci
on para valores pr
oximos al cero as como las secciones que obtenemos
al tomar dos lmites direccionales concretos.
Lmites por sustituci

on
Estos lmites son los que obtenemos si nos aproximamos a un punto mediante la curva definida
por una general funcion cualquiera.
Definici
on 14.3.6 Sea f : D R2 R y sea (a, b) D0 . Consideremos una funci
on p(x) tal que
b = p(a). Llamaremos lmite por sustituci
on a
lm f (x1 , p(x1 )).
x1 a
Corolario 14.3.7 Si existen p1 (x), p2 (x) dos funciones verificando las condiciones de la definici
on
anterior y tales que
lm f (x1 , p1 (x1 )) 6= lm f (x1 , p2 (x1 )),
x1 a
x1 a
119
800
0.6
600
400
0.602
200
z
0
200
0.6
0.55
400
600
800
0.598
0.01
x_2
0.005
0
0.005
0.01
0.01
0.01
x_1
0.01
Funcion
Seccion con m = 1
0.01
x_1
x_1
Seccion con m = 1/2
Figura 14.6: Ejemplo de lmites por sustitucion.

Ejemplo 14.3.8 Continuemos con el lmite,
x1 + 2x2
.
(x1 ,x2 )(0,0) 5x1 3x2
2
lm
Para aplicar ahora los lmites por sustituci

on, vamos a fijar una familia de funciones que tienen al
origen como soluci
on {(x1 , x2 )|x2 = xm
}
mite sobre este conjunto
1 mR y tomemos l
lm
(x1 ,x2 )(0,0),x2 =xm

1
x1 + 2xm
1 + 2xm1
1
1
=
l
m
2m1 .
x
0
5x1 3x2m
1
5
3x
1
1
Este lmite tiene distintos valores en funci

on de m. En la figura 14.6 podemos apreciar este hecho.
En ella hemos representado, adem
as de la funci
on, las secciones que obtenemos al tomar dos lmites
concretos.
Al aplicar este metodo para descartar la existencia de un lmite, es de utilidad tomar el conjunto
del ejemplo anterior, o similares, para calcular el lmite sobre el.
Lmites reiterados
Los lmites reiterados se realizan fijando todas las variables excepto una, sobre la cual tomaremos
lmite. Mediante ese proceso se realiza, por cada variable, un lmite en una u
nica variable.
Definici
on 14.3.9 Sea f : D R2 R y sea (a, b) D0 . Llamaremos lmites reiterados a
lm lm f (x1 , x2 )
o lm lm f (x1 , x2 )
x1 a x2 b
x2 b x1 a
Corolario 14.3.10 Si
lm lm f (x1 , x2 ) 6= lm lm f (x1 , x2 )
x1 a x2 b
x2 b x1 a

Ejemplo 14.3.11 Apliquemos los lmites reiterados a
x1 + 2x2
.
(x1 ,x2 )(0,0) 5x1 3x2
2
lm
lm lm
x1 0 x2 0
120
x1 + 2x2
x1
2
x1 + 2x2
= 1/5 6= lm lm
= no existe
= lm
= lm
2
2
x
0
x
0
x
0
x
0
5x1
3x2
5x1 3x2
5x1 3x2
2
1
1
2
De nuevo, concluimos que no existe el lmite doble.
Coordenadas polares
El uso de los lmites que hemos planteado hasta ahora solo nos permiten concluir la no existencia
del lmite de la funcion o el posible valor del lmite (sin asegurarnos la existencia). A continuaci
on
vemos un proceso que nos permitira calcular realmente el lmite de una funcion en dos variables.
Hasta este punto, hemos utilizado las coordenadas cartesianas para determinar una punto en el
espacio real. Ademas de esta forma de expresar puntos podemos utilizar las coordenadas polares.
Los planteamientos los realizaremos en el origen para facilitar su comprension, dejando al lector
como practico ejercicio la generalizacion de los resultados a cualquier punto del plano real.
2
Definici
on 14.3.12 Dado un par x = (x1 , x
p2 ) R , llamaremos coordenada polar de x al par
2
(r, ), donde r es el m
odulo de x, r = ||x|| = x1 + x22 , y es el
angulo que forma el vector x con
el eje OX, tan = x1 /x2 .
Las coordenadas polares determinan de manera u

nica a cada punto del plano real. Dado unas
coordenadas polares, (r, ), podemos obtener las coordenadas cartesianas mediante la operacion

x1 = r cos
x2 = r sin
Teorema 14.3.13 Sea f : D R2 R, existe el lmite doble
lm
(x1 ,x2 )(0,0)
f (x1 , x2 )
y vale l R, si y s
olo si existe el lmite
lm f (r cos , r sin ) = l,
r0
y no depende del valor de (0, 2].

Ejemplo 14.3.14 Ejemplifiquemos el anterior resultado:
on f (x1 , x2 ) =
x1 + 2x2
:
5x1 3x22
r cos + 2r sin
cos + 2 sin
= lm
2
r0 5r cos 3(r sin )
r0 5 cos 3r sin2
lm f (r cos , r sin ) = lm
r0
.
cos + 2 sin
=
5 cos
Como este lmite depende del valor de , no existe el lmite doble.

on g(x1 , x2 ) =
x31 x32
:
x21 + x22
(r cos )3 (r sin )3
cos3 sin3
= lm r 2
2
2
r0 (r cos ) + (r sin )
r0 cos + sin2
lm g(r cos , r sin ) = lm
r0
= lm r
r0
cos3 sin3
= 0,
1
para cualquier valor de . Por lo tanto

lm
(x1 ,x2 )(0,0)
g(x1 , x2 ) = 0.
121
122
Captulo 15
Continuidad y Diferenciabilidad.
Funciones continuas. Derivadas parciales y direccionales. Diferencial de una funci
on. Continuidad
versus diferenciabilidad. Diferenciabilidad versus derivaci
on. Gradiente. Diferencial de la funci
on
compuesta.
alculo y geometra analtica, McGrawHill, 1989, paginas 874-882, 884-897 y 901-909.
Conocer la definicion de funcion continua en un punto.
Calcular el plano tangente a una superficie en un punto.
Conocer las relaciones entre derivadas parciales y direccionales, y la diferencial.
Calcular el gradiente de una funcion y saber su relacion con la diferencial y su interpretaci
on
geometrica.
15.1.
Continuidad
La definicion de continuidad de funciones en varias variables es analoga a lo definido para una

variable.
Definici
on 15.1.1 Sea f : D Rn R y consideremos un punto x0 D. Diremos que f es
continua en x0 si
> 0, > 0 tal que x D, x B(x0 , ) < |f (x) f (x0 )| < .
Una funci
on diremos que es continua si lo es en todos los puntos de su dominio.
Teorema 15.1.2 Sea f : D Rn R y consideremos un punto x0 D D0 . Entonces:
f continua en x0 lm f (x) = f (x0 ).
xx0
De nuevo, las funciones en varias variables cumplen similares propiedades que las funciones
en una variable (todas salvo aquellas que necesitan el concepto de lmite lateral). Las funciones
continuas en varias variables verifican las propiedades de 9.1.3.
123
CAPITULO 15. CONTINUIDAD Y DIFERENCIABILIDAD.
124
1.9
1.8
z
1.7
1.6
1.5
0.01
0.005
x_2
0.005
x_1
0.01
Figura 15.1: Ejemplo de funcion no continua.

on
( 2 2
2x1 +3x2
x21 +2x22
si (x1 , x2 ) 6= (0, 0)
si (x1 , x2 ) = (0, 0)
y estudiemos el lmite en el origen utilizando el lmite direccional

lm
(x1 ,x2 )(0,0),x2 =mx1
2x21 + 3m2 x21

2 + 3m2
2x21 + 3x22
.
=
l
m
=
2 2
x1 0 x2
1 + 2m2
x21 + 2x22
1 + 2m x1
Por lo tanto no existe el lmite doble y la funci

on no es continua en el origen. En el resto de
su dominio si es continua ya que es el cociente de polinomios y nunca se anula el denominador
(salvo en (0, 0)). En la figura 15.1 vemos la representaci
on de la funci
on anterior. En ella se puede
apreciar la existencia de una discontinuidad en el origen.
Teorema 15.1.4 Sea f : D Rn R una funci
on continua con D un conjunto compacto,
entonces f alcanza un m
aximo y un mnimo en D. Es m
as, f (D) es un conjunto compacto.
15.2.
Derivadas parciales y direccionales
En esta seccion vamos extender el concepto de derivada a funciones en varias variables. Aqu el
concepto de tangencia tambien juega un importante papel mediante el plano tangente.
Definici
on 15.2.1 Sea f : D Rn R y a = (a1 , . . . , an ) D D0 , llamaremos derivada parcial
de primer orden de f (x1 , . . . , xn ) en a respecto de xi al lmite1 (si existe)
f
f (a1 , . . . , ai + h, . . . , an ) f (a)
(a) = fx0 i (a) = lm
.
h0
xi
h
La interpretacion geometrica, para dos variables, que podemos inferir de su definicion es: la
derivada parcial de una funcion respecto a xi en un punto (a1 , a2 ) es la pendiente de la recta
tangente a la curva plana que resulta de realizar la interseccion entre la grafica de f y el plano
xi = ai , es decir, con los planos de la figura 15.2 (ejemplo para dos variables en el origen).
1
N
otese que este es el lmite de una funci
on en una variable.
125
z 0
0
0
x_1
x_2
Figura 15.2: Planos para derivadas parciales.

Definici
on 15.2.2 Sea f : D Rn R y a = (a1 , . . . , an ) D, llamaremos derivada parcial de
segundo orden de f (x1 , . . . , xn ) en a respecto de xi e xj a
f
x
2f
j
(a) =
(a).
xj xi
xi
De manera an
aloga se define la derivada tercera, cuarta, ... y nesima.
Teorema 15.2.3 (de Schwartz).- Dada una funci
on continua f : D Rn R en a D, y tal
que admite todas sus derivadas parciales de primer y segundo orden y son continuas en a, se tiene
que
2f
2f
(a) =
(a), i, j = 1, . . . , n.
xj xi
xi xj
Para calcular una derivada parcial mediante el uso de las reglas de derivacion, hay que considerar
que todas las variables, excepto aquella respecto de la cual estamos derivando, son constantes, y a
continuacion derivar respecto a ella.
Las derivadas parciales estan, como hemos visto, estrechamente relacionadas con la recta tangente a una determinada seccion de la grafica de la funcion. La definicion de derivada direccional
generaliza este resultado a otras secciones planas de la figura.
Definici
on 15.2.4 Sean f : D Rn R, a = (a1 , . . . , an ) D, y un vector v = (v1 , . . . , vn ) Rn
de norma uno2 . Llamaremos derivada direccional de f (x1 , . . . , xn ) en a respecto de la direcci
on v
al lmite3 (si existe)
f (a1 + hv1 , . . . , ai + hvi , . . . , an + hvn ) f (a)
.
h0
h
Dv f (a) = lm
Es facil ver que
f
(a) = Dei f (a), i = 1, . . . , n,
xi
donde {e1 , . . . , en } es la base canonica de Rn .
En la figura 15.4 podemos apreciar un ejemplo de la interpretacion geometrica de las derivadas
direccionales.
2
Llamaremos norma de un vector v = (v1 , . . . , vn ) Rn al n

umero
por ||v||.
3
N
otese que este es el lmite de una funci
on en una variable.
p
v12 + + vn2 . A ese valor lo denotaremos
126
3
2
1
0.5
1
0
1
0.5
0
x_2
x_1
0.5
0
0.5
1 1
x_1
Funcion
Seccion x2 = 0
1
x_2
Seccion x1 = 0
Figura 15.3: Ejemplo de derivadas parciales.

Ejemplo 15.2.5 Sea la funci
on f (x1 , x2 ) = x31 + x52 + 1. Calculemos las derivadas parciales y las
direccionales en el origen.
Derivadas parciales.
f
h3 + 1 1
f (0 + h, 0) f (0, 0)
= lm
= 0.
(0, 0) = lm
h0
h0
x1
h
h
f
= 3x21 .
En cualquier punto tenemos
x1
f
f (0, 0 + h) f (0, 0)
h5 + 1 1
(0, 0) = lm
= lm
= 0.
h0
h0
x2
h
h
f
En cualquier punto tenemos
= 5x42 .
x2
En la figura 15.3 vemos la superficie representada por la funci

on anterior y las secciones
correspondientes a las derivadas parciales. Es a las curvas dadas por esas secciones a las que
les calculamos realmente la pendiente de la recta tangente, es decir, la derivada.
Derivadas direccionales.- Consideremos una direcci
on generica v = (v1 , v2 ) de norma
uno,
f (0 + hv1 , 0 + hv2 ) f (0, 0)
h3 v13 + h5 v25 + 1 1
= lm
= lm h2 v13 +h4 v25 = 0.
h0
h0
h0
h
h
Todas las derivadas direccionales valen cero en el origen, siendo su valor generico
Dv f (0, 0) = lm
Dv f (x1 , x2 ) = 3x21 v1 + 5x42 v2 .

En la figura 15.4 podemos ver dos curvas que aparecen al realizar dos secciones concretas que
se corresponden con dos direcciones fijadas para calcular la derivada direccional.
15.3.
Diferenciabilidad
Definici
on 15.3.1 Sea f : D Rn R y a = (a1 , . . . , an ) D D0 , llamaremos diferencial de
f (x1 , . . . , xn ) en a a la aplicaci
on:
df (a)(h1 , . . . , hn ) =
f
f
f
(a)h1 +
(a)h2 + +
(a)hn .
x1
x2
xn
127
1.1
1.1
1
0.5
0.9
1
0
1
0.5
0
x_2
0.9
x_1
0.5
1
0.5
1 1
Funcion
Secci
on
(v1 , v2 ) = ( 2/2, 2/2)
1
h
Secci
on
(v1 , v2 ) = ( 2/2, 2/2)
Figura 15.4: Ejemplo de derivadas direccionales.

Definici
on 15.3.2 Sea f : D Rn R y a = (a1 , . . . , an ) D, diremos que f (x1 , . . . , xn ) es
diferenciable en a si:
f (a1 + h1 , . . . , an + hn ) f (a) df (a)(h1 , . . . , hn )
p
= 0.
(h1 ,...,hn )(0,...,0)
h21 + + h2n
lm
Si una funci
on es diferenciable, su diferencial es u
nica.
Al considerar valores infinitamente peque
nos de hi como incrementos de xi , dxi , podemos reescribir la definicion de diferencial de la siguiente manera
df (a)(dx1 , . . . , dxn ) =
f
f
f
(a)dx1 +
(a)dx2 + +
(a)dxn ,
x1
x2
xn
teniendo que, para dichos incrementos, podemos aproximar la funcion mediante la diferencial
f (a1 + dx1 , . . . , an + dxn ) f (a) df (a)(dx1 , . . . , dxn ).
Notese la similitud con la definicion de diferencial para funciones en una variable.
La relacion entre la diferenciabilidad y el concepto de tangencia lo reflejamos en el siguiente
teorema.
Teorema 15.3.3 f : D Rn R es diferenciable en a = (a1 , . . . , an ) D, si y s
olo si existe el
plano tangente a la superficie dada por la gr
afica de la funci
on en el punto (a, f (a)). Adem
as, el
plano tangente tiene por ecuaci
on
f
f
f
(a)(x1 a1 ) +
(a)(x2 a2 ) + +
(a)(xn an ) = z f (a).
x1
x2
xn
Como hemos planteado con anterioridad, las derivadas direccionales cumplen, en cierto modo, el
papel de las derivadas parciales en una variable. Por ello, el siguiente enunciado es una generalizaci
on
de lo visto para una variable.
Teorema 15.3.4 Dada una funci
on f diferenciable en a, se tiene que existen todas las derivadas
direccionales en el punto a.
4.98
4.98
4.985
4.985
z 4.99
z 4.99
4.995
4.995
5
0.1
x_1
128
5
0.1
x_1
0.1
0.1
0.05
0.05
0.1
x_2
Funcion
0.1
0.1
0.05
0.05
0.1
x_2
Funcion+tangente
Figura 15.5: Ejemplo de funcion diferenciable y su plano tangente.

Teorema 15.3.5 Si f es una funci
on continua en a con derivadas parciales continuas en a, entonces f es diferenciable en a.
La relacion existente entre la diferenciabilidad y la continuidad es similar a relacion entre continuidad y derivabilidad.
Teorema 15.3.6 Si f es diferenciable en a, entonces f es continua en a.
Ejemplo 15.3.7 Consideremos ahora la funci
on f (x1 , x2 ) = x21 x22 5, y estudiemos su diferenciabilidad en el origen. Esta funci
on es continua en el origen y sus parciales tambien lo son. Por
lo tanto, es diferenciable en el origen y existe un plano tangente en ese punto a la gr
afica de la
funci
on.
En las figuras 15.5 podemos apreciar tanto la gr
afica de esta funci
on como su plano tangente en
el (0, 0).
15.4.
El gradiente. Aritm
etica de la diferencial. Regla de la cadena
Definici
on 15.4.1 Dada una funci
on f : D Rn R y un punto a D, llamaremos gradiente
de f en a al vector

f (a) = fx0 1 (a), fx0 2 (a), . . . , fx0 n (a) .
El gradiente es un concepto que se aplica en diversas facetas de la vida diaria y que verifica las
siguientes propiedades.
Propiedades 15.4.2 Sean f : D Rn R, a D y v = (v1 , . . . , vn ) Rn un vector de norma
uno:
Dv f (a) = f (a) v = 4 fx0 1 (a)v1 + fx0 2 (a)v2 + + fx0 n (a)vn .
4
Este producto es conocido como producto escalar de vectores.
129
El valor m
aximo de Dv f (a) se alcanza para un vector v de norma uno con la misma direcci
on
y sentido que f (a). Adem
as, dicho valor m
aximo es ||f (a)||.
Las funciones diferenciables cumplen las mismas propiedades de calculo que las funciones derivables.
Propiedades 15.4.3 Sean f y g dos funciones diferenciables en a, entonces son diferenciables en
el mismo punto las funciones f g, f g, y f /g, si g(a) 6= 0. Adem
as,
d(f g)(a) = df (a) dg(a).
d(f g)(a) = df (a)g(a) + f (a)dg(a).
d(kf )(a) = kdf (a), k R.
d(f /g)(a) =
df (a)g(a) f (a)dg(a)
.
g(a)2
Para funciones en varias variables tambien se verifica una extension de la regla de la cadena. A
continuacion, para simplificar la notacion, vamos a enunciar la regla de la cadena para funciones
en dos variables, dejando al lector como ejercicio su generalizacion.
Teorema 15.4.4 (Regla de la cadena).- Sea
f:
R2
R2
(x1 , x2 ) 7 (u(x1 , x2 ), v(x1 , x2 ))
con u, v dos funciones diferenciables en a = (a1 , a2 ), y sea g(u, v) una funci

on real en dos variables
diferenciable en f (a). Bajo estas condiciones z = g f es diferenciable en a. Adem
as,
z(a) = g(f (a)) f 0 (a),
(15.1)
donde f 0 (a) es la matriz

u0x1 (a1 , a2 ) u0x2 (a1 , a2 )

vx0 1 (a1 , a2 ) vx0 2 (a1 , a2 )

,
conocida como matriz derivada de f. Si se efect

uan los c
alculos anteriores, podemos reescribir la
igualdad (15.1) como
g
u
g
v
z
(a) =
(f (a))
(a) +
(f (a))
(a)
x1
u
x1
v
x1
z (a) =
x2
g
u
g
v
(f (a))
(a) +
(f (a))
(a)
u
x2
v
x2

on5 f (x1 , x2 ) = (x21 +1, sin(x1 +2x2 )) y la funci
on g(u, v) =
2
u + v. Calculemos las parciales de z = g f.
En primer lugar vamos a tomar las distintas parciales que necesitaremos:
g
g
u
u
v
v
= 2u,
= 1,
= 2x1 ,
= 0,
= cos(x1 + 2x2 ),
= 2 cos(x1 + 2x2 ).
u
v
x1
x2
x1
x2
5
Con la notaci
on utilizada tenemos u = x21 + 1 y v = sin(x1 + 2x2 ).
x1
x2
g
u
g
v
(f )
(f )
+
u
x1 v
x1
= 2(x21 + 1)2x1 + cos(x1 + 2x2 ) = 4x31 + 4x1 + cos (x1 + 2x2 )

=
g
u
g
v
(f )
+
(f )
u
x2 v
x2
= 2(x21 + 1)0 + 2 cos(x1 + 2x2 ) = 2 cos(x1 + 2x2 )
130
Captulo 16
Funciones Implcitas. Funciones

homog
eneas.
Definici
on de funci
on implcita. Teorema de la funci
on implcita. Obtenci
on de derivadas parciales
de funciones definidas de manera implcita. Funciones homogeneas. Propiedades de las funciones
homogeneas. Teorema de Euler.
Lectura recomendada: Chiang, A. Metodos fundamentales de economa matem
atica, McGrawHill, 1987, paginas 210-220 y 418-425.
Saber cuando una ecuacion define una funcion implcita en un punto.
Calcular las derivadas parciales de funciones definidas de manera implcita.
Reconocer una funcion homogenea y calcular su grado.
Conocer y aplicar las propiedades basicas de las funciones homogeneas.
16.1.
Funciones implcitas. Derivaci

on de funciones implcitas
En los captulos anteriores hemos estudiado funciones que venan dadas de manera explcita, es
decir, tenamos una expresion que nos relacionaba directamente las variables independientes con
las dependientes. En este captulo vamos a estudiar, en primer lugar, funciones dadas mediante una
relacion entre dichas variables.
Definici
on 16.1.1 Dada una expresi
on del tipo f (x, y) = 0, con f : Rn R R, diremos que
define a y como funci
on implcita de x Rn en el conjunto F G Rn R si para cada x0 F,
se tiene que existe un u
nico y0 G, tal que f (x0 , y0 ) = 0.
Por ejemplo, la ecuacion de una circunferencia de centro el origen y radio uno x2 + y 2 1 = 0,
define a y como una funcion implcita de x en el conjunto
{(x, y) R2 |y 0, x [1, 1]}
y en el conjunto
{(x, y) R2 |y 0, x [1, 1]}.
131

CAPITULO 16. FUNCIONES IMPLICITAS. FUNCIONES HOMOGENEAS.
132
En este ejemplo podemos despejar y de la ecuacion y obtener una funcion explcita. Pero no en
todos los casos esto es posible.
Teorema 16.1.2 (de la funci
on implcita1 ).- Consideremos la funci
on continua de derivadas parf
ciales continuas f : D R2 R con D un abierto, sea (a, b) D tal que f (a, b) = 0 y
(a, b) 6= 0.
y
Entonces existen un entorno abierto de a, F, y un entorno abierto de b, G, tales que para cada
x0 F, !y0 G, verificando f (x0 , y0 ) = 0. Es decir, f (x, y) = 0 define a y como funci
on implcita
de x en un entorno de a.
Una vez conocida una forma de saber cuando una relacion define una funcion implcita, pasamos
a plantear otro problema relacionado con las funciones implcitas: el calculo de sus parciales. Vamos
a mostrar este calculo para funciones en dos y tres variables, dejando al lector su generalizacion.
Dada f (x, y) = 0 definiendo a y como funcion implcita de x, para obtener
relacion:
f
f x f y
y
x
.
0=
+
2
= f
x x y x
x
y
x
derivamos la
Dada f (x1 , x2 , y) = 0 definiendo a y como funcion implcita de x1 y x2 , para obtener

derivamos la relacion:
y
xi
0=
y
f x1
f x2 f y
1
.
+
+
3
= x
f
x1 x1 x2 x1
y x1
x1
y
y
f x1
f x2 f y
2
0=
+
+
4
= x
.
f
x1 x2 x2 x2
y x2
x2
y
Ejemplo 16.1.3 Consideremos la relaci

on f (x1 , x2 , y) 2x31 y + sin(x2 y) + y 2 = 0 que define (ver
que se verifican las condiciones del teorema de la funci
on implcita) a y como funci
on implcita de
5
x1 y x2 en un entorno del punto (0, 0). Calculemos las parciales de y.
y
6x21 y
y
1
= x
=
(0, 0) = 0
3
f
x1
x1
2x1 + cos (x2 y) x2 + 2y
y
y
ycos(x2 y)
y
2
= x
= 3
(0, 0) = 1/2
f
x2
x
2x1 + cos (x2 y) x2 + 2y
2
y
Para simplificar la notaci

on, enunciamos este resultado para dos variables, dejando al lector su generalizaci
on
2 x
= 1.
x
3 x1
= 1,
x1
4 x2
= 1,
x2
5
x1
x2
x2
x1
= 0.
= 0.
Dado el punto (x1 , x2 ) = (0, 0), para calcular y(0, 0) tenemos que resolver f (0, 0, y) = 0, obteniendo dos posibilidades (0, 0, 1) y (0, 0, 1). Para este ejemplo hemos tomado el punto (0, 0, 1).

16.2.
133
Funciones homog
eneas. Teorema de Euler
Las funciones homogeneas constituyen un caso especial de funciones de gran interes dentro de
los estudios economicos.
Definici
on homogenea de grado r a toda funci
on f (x1 , . . . , xn ) defin
nida sobre un abierto A R , tal que
f (x1 , . . . , xn ) = r f (x1 , . . . , xn ), > 0 y (x1 , . . . , xn ) A.
Propiedades 16.2.2 Las funciones homogeneas verifican:
el conjunto de funciones homogeneas de igual grado y dominio tiene estructura de Respacio
vectorial,
el producto y el cociente6 de funciones homogeneas es homogeneo, y la composici
on y sus
derivadas parciales, si existen, tambien lo son.
Una propiedad que caracteriza a las funciones homogeneas es el conocido como teorema de Euler.
Teorema 16.2.3 (de Euler).- Sea f : D Rn R una funci
on diferenciable y con derivadas
parciales continuas verificando que si (x1 , . . . , xn ) D entonces (x1 , . . . , xn ) D para todo
> 0. Entonces:
f es homogenea de grado x1
f
f
+ + xn
= f.
x1
xn
Ejemplo 16.2.4 Estudiemos la homogeneidad de varias funciones:

x3 x2 x23
Sea f (x1 , x2 , x3 ) = p 14
.
x2 + 5x21 x23
x3 x2 x23
(x1 )3 (x2 )(x3 )2
= p 14
= f (x1 , x2 , x3 ).
f (x1 , x2 , x3 ) = p
(x2 )4 + 5(x1 )2 (x3 )2
x2 + 5x21 x23
Por lo tanto, la funci
on es homogenea de grado uno.
Consideremos g(x1 , x2 ) = ex1 x2 /x1 .
2
e x1 x2
g(x1 , x2 ) =
6 r g(x1 , x2 ), > 0, r R.
=
x1
Esta funci
on no es homogenea.
Si no se divide por cero.

134
Captulo 17
Optimizaci
on de funciones en varias
variables.
M
aximos y mnimos relativos y absolutos. Diferencial segunda. C
alculo de m
aximos y mnimos relativos en abiertos. Optimizaci
on de funciones sujetas a restricciones: multiplicadores de Lagrange.
C
alculo de m
aximos y mnimos absolutos.
on, economa
y ciencias sociales, McGraw-Hill, 2001, paginas 533-541 y 551-562.
Conocer que se entiende por maximo y mnimo relativo y absoluto.
Calcular los maximos y mnimos relativos de una funcion en un abierto.
Saber calcular los maximos y mnimos de una funcion sujeta a una restriccion mediante los
multiplicadores de Lagrange.
Calcular los maximos y mnimos absolutos de una funcion en un compacto.
17.1.
Optimizaci
on sin restricciones
En este captulo veremos la generalizacion de los conceptos de extremos absolutos y relativos

dentro de las funciones reales en varias variables,
f : D Rn R.
Definici
on definida en un entorno de x0 D.
aximo relativo en x0 si
> 0|f (x) f (x0 ), x B(x0 , ).
Diremos que f (x) alcanza un mnimo relativo en x0 si
> 0|f (x) f (x0 ), x B(x0 , ).
135
DE FUNCIONES EN VARIAS VARIABLES.

CAPITULO 17. OPTIMIZACION
136
Al igual que para funciones en una variable, si se alcanza en x0 un m

aximo o un mnimo relativo,
diremos que alcanza un extremo relativo.
Definici
on definida en D.
aximo absoluto en x0 D si
f (x) f (x0 ), x D.
Diremos que f (x) alcanza un mnimo absoluto en x0 D si
f (x) f (x0 ), x D.
En general, si se alcanza en x0 un m
aximo o un mnimo absoluto, diremos que alcanza un extremo
absoluto.
El siguiente teorema generaliza el resultado 12.3.5 sobre funciones en una variable.
Teorema 17.1.3 Sea f (x) diferenciable en x0 D. Entonces, si f (x) alcanza un extremo relativo
en x0 , se tiene que
f
f
f
(x0 ) =
(x0 ) = =
(x0 ) = 0.
(17.1)
x1
x2
xn
Al igual que ocurra para funciones en una variable, la idea que nos permite enunciar el anterior
resultado es que, para que un punto (donde la funcion es diferenciable) sea un extremo relativo, el
plano tangente a la funcion en el punto ha de ser paralelo a los ejes coordenados 0x1 , . . . , 0xn y por
lo tanto se debe tener la igualdad (17.1).
Definici
on 17.1.4 Llamaremos puntos crticos de una funci
on al conjunto de puntos que anula
todas sus derivadas parciales. A los puntos crticos que no son extremos relativos los denominaremos
puntos de silla.
Cuando tratamos el caso de funciones en una variable, una vez encontrados los puntos crticos,
los diferenciabamos valorando dichos puntos sobre la segunda derivada de la funcion. Para funciones
en varias variables vamos a necesitar un nuevo concepto: la diferencial segunda.
Definici
on 17.1.5 Sea f : D Rn R una funci
on que admite derivadas parciales de segundo
orden en el punto a = (a1 , . . . , an ) D. Llamaremos diferencial segunda de f en (a1 , . . . , an ) a la
aplicaci
on
2f
2f
2f
(a)
(a)
(a)
2
x1 x2
x1 xn
x2 f1
h1
2f
2f
(a)
x2 xn (a) .
x x (a)
x22
d2 f (a1 , . . . , an )(h1 , . . . , hn ) = (h1 , . . . , hn ) 2 1
..
..
.
hn
2
2
2
f
f
f
(a)
(a)
(a)
xn x1
xn x2
x2
n
Si consideramos que hi es un incremento peque

no de xi , hi = dxi , tenemos otra expresi
on de la
diferencial segunda:
d2 f (a1 , . . . , an )(dx1 , . . . , dxn ) = (dx1 , . . . , dxn )
2f
(a)
x21
2f
x2 x1 (a)
2f
x1 x2 (a)
2f
(a)
x22
2f
xn x1 (a)
2f
xn x2 (a)
..
.
2f
x1 xn (a)
2f
x2 xn (a)
2f
x2n (a)
dx1
..
.
dxn

137
8000
6000
4000
2000
z
0
2000
4000
6000
8000
10
5
10
0
x_2
5
0
5
10
x_1
Figura 17.1: Ejemplo de optimizacion de funciones.

Notese que si se verifican las condiciones del teorema de Schwarz, la diferencial segunda es una
forma cuadratica al ser la matriz simetrica.
Teorema 17.1.6 Si f : D Rn R es una funci
on continua que admite derivadas parciales
continuas de primer y segundo orden en el punto crtico a D se tiene que:
Si d2 f (a) es definida positiva, f (x) alcanza un mnimo relativo en a.
Si d2 f (a) es definida negativa, f (x) alcanza un m
aximo relativo en a.
Si d2 f (a) es no definida en signo, f (x) tiene un punto de silla en a.
Recordamos al lector que para aplicar los resultados de esta seccion a una funcion, su dominio
tiene que ser un conjunto abierto.
on
z = f (x1 , x2 ) = 6x1 2x31 6x1 x22 9,
cuyo dominio es todo el conjunto abierto R2 (ver su gr
afica en la figura 17.1). En primer lugar
vamos a calcular los puntos crticos de dicha funci
on
= 0 6 6x21 6x22 = 0
{x2 = 0, x1 = 1}, {x2 = 0, x1 = 1}
x1
f
{x
1 = 0, x2 = 1}, {x1 = 0, x2 = 1}
= 0 12x1 x2
= 0
x2
Ahora tenemos que valorar la diferencial segunda sobre cada punto para clasificarlo. La diferencial
segunda tiene por matriz:
!
12x
12x
1
2
d2 f (x1 , x2 )
.
12x2 12x1
Punto (1, 0).
2
d f (1, 0)
12
12
!
definida negativa.
Por lo tanto en (1, 0) la funci

on alcanza un m
aximo relativo.

138
Punto (1, 0).

d2 f (1, 0)
12
12
definida positiva.

on alcanza un mnimo relativo.
Punto (0, 1).
2
d f (0, 1)
12
12
!
no definida en signo.

on tiene un punto de silla.
Punto (0, 1).
2
d f (0, 1)
12
12
!

on tiene un punto de silla.
17.2.
Optimizaci
on con restricciones de igualdad
Muchas aplicaciones practicas presentan el problema de maximizar o minimizar una funcion dada
cuyas variables estan relacionadas mediante unas restricciones. En esta seccion vamos a estudiar
un metodo que nos permitira resolver este problema: el metodo de los multiplicadores de Lagrange.
El estudio teorico lo realizaremos sobre funciones de dos variables, dejando al lector como practico
ejercicio su generalizacion a funciones en mas variables.
Definici
on 17.2.1 Sea f : D R2 R y (x1 , x2 ) = 0 una ecuaci
on. Diremos que f alcanza en
a = (a1 , a2 ) D un m
aximo (resp. mnimo) local condicionado a (x1 , x2 ) = 0 si se verifican:
(a1 , a2 ) = 0.
B(a, ) D tal que f (x1 , x2 ) f (a1 , a2 ) (resp. f (x1 , x2 ) f (a1 , a2 )) para todo (x1 , x2 )
B(a, ) {(x1 , x2 )|(x1 , x2 ) = 0}.
Adem
as, llamaremos funci
on lagrangiana asociada a f y a a la funci
on
(x1 , x2 , ) = f (x1 , x2 ) (x1 , x2 ).
Al par
ametro se le denomina multiplicador de Lagrange.
Estudiar los extremos condicionados de una funcion es equivalente a encontrar los extremos de la
funcion no en todo su dominio, sino solo sobre los puntos que verifiquen la condicion. Por ejemplo,
en la figura 17.2 estamos considerando la funcion anterior
f (x1 , x2 ) = 6x1 2x31 6x1 x22 9,
y la condicion (x1 , x2 ) = x21 + x22 1 = 0. En ella podemos apreciar la funcion y como queda esta
tras aplicar la restriccion.
El siguiente teorema nos permitira localizar posibles extremos condicionados.

139
8000
6000
4000
2000
z
0
2000
4000
6000
8000
10
5
10
0
x_2
5
0
5
10
x_2
x_1
Funcion
Funcion con la restriccion
Figura 17.2: Ejemplo de funcion restringida.

Teorema 17.2.2 Si a = (a1 , a2 ) es un
existe R tal que
(a)
x1
(a)
x2
(a)
extremo local condicionado de f respecto a , se tiene que

=
(a)
(a) = 0
x1
x1
(a)
(a) = 0
x2
x2
(a)
=0
Teorema 17.2.3 Si (a1 , a2 , 0 ) es un m

aximo (resp. mnimo) relativo de (x1 , x2 , ), se tiene que
(a1 , a2 ) es un m
aximo (resp. mnimo) local condicionado de f respecto a .
El resultado anterior nos permite estudiar los extremos condicionados a traves de los relativos
de la funcion lagrangiana. Esto lo haremos siguiendo uno de los siguientes criterios:
Si (a1 , a2 , 0 ) es un punto crtico de (x1 , x2 , ), estudiamos el signo de la forma cuadratica:
2
2
(a
,
a
,
)
(a
,
a
,
)
1
2
0
1
2
0
2
x
x
x1
1
2
.
2
2
(a
,
a
,
)
(a
,
a
,
)
1 2 0
x1 x2 1 2 0
x2
1
Si la forma cuadratica es definida positiva, tenemos que (a1 , a2 ) es un mnimo condicionado,

y un maximo si es definida negativa.
Si la forma cuadratica anterior es no definida en signo, podemos estudiar el signo de la misma
forma restringida a la diferencial de la condicion, es decir, a d = 0.
Tambien podemos considerar el determinante

2
2 (a , a , )
x21 1 2 0
x1 x2 (a1 , a2 , 0 )

2
2
= x1 x
(a1 , a2 , 0 )
(a1 , a2 , 0 )
x22
2

2
2

x1 (a1 , a2 , 0 )
x2 (a1 , a2 , 0 )
2
x1 (a1 , a2 , 0 )

2
.
x2 (a1 , a2 , 0 )

0
Si < 0, tenemos un mnimo condicionado en (a1 , a2 ), y un maximo si > 0.

140

on de la figura 17.2,
f (x1 , x2 ) = 6x1 2x31 6x1 x22 9,
y la restricci
on (x1 , x2 ) = x21 + x22 1 = 0. Este problema tiene m
aximo y mnimo ya que los
puntos que verifican la restricci
on forman un conjunto cerrado y acotado (compacto).
En primer lugar vamos a calcular los puntos crticos de la lagrangiana, (x1 , x2 , ) = 6x1
6x1 x22 9 (x21 + x22 1), del problema anterior,
2x31
x1
= 6 6x21 6x22 2x1 = 0
x2
12x1 x2 2x2
x21 + x22 1
=0
{x1 = 1, = 0, x2 = 0}, { = 0, x1 = 1, x2 = 0}
{ = 0, x1 = 0, x2 = 1}, { = 0, x1 = 0, x2 = 1}
=0
Estudiemos ahora cada punto crtico para su clasificaci

on:
Punto (1, 0), = 0. La forma cuadr
atica asociada a la matriz
!
!
2
2

(1,
0,
0)
(1,
0,
0)
12
0
2
x1 x2
x1
=
2
2
(1, 0, 0)
(1,
0,
0)
0
12
x1 x2
x2
1
es definida negativa, por lo que el punto (1, 0) es un m

aximo de f restringido a .
!
!
2

2
(1,
0,
0)
(1,
0,
0)
12
0
2
x1 x2
x1
=
2
2
(1,
0,
0)
(1, 0, 0)
0 12
x1 x2
x2
1
es definida positiva, por lo que el punto (1, 0) es un mnimo de f restringido a .

!
!
2
2
(0,
1,
0)
(0,
1,
0)
0
12
2
x
x
x1
1
2
=
2
2
(0,
1, 0)
(0,
1,
0)
12
0
x1 x2
x2
1
es no definida en signo, por lo que tendremos que continuar nuestro estudio.

Estudiemos ahora el determinante

2
2
x21
x1 x2

2
2
= x1 x
x22
2

2
2

x1
x2
2
x1
2
x2

12x1 2
12x
2x
2
1

=

12x
12x
2
2x
2
1
2

2x
2x
0
1
2

que sobre el punto (0, 1, 0) tiene el valor

2 (0, 1, 0)
x21

2
= x1 x
(0, 1, 0)
2

2

x1 (0, 1, 0)

0 12 0

= 12 0 2 = 0,

0 2 0
2
x1 x2 (0, 1, 0)
2
(0, 1, 0)
x22
2
x2 (0, 1, 0)
2
x1 (0, 1, 0)

2

x2 (0, 1, 0)

0

141
luego no podemos concluir nada.

Vamos a estudiar el signo de la forma cuadr
atica restringida asociada a este problema. La
restricci
on en este caso es d = 2x1 dx1 + 2x2 dx2 = 0 dx2 = x1 /x2 dx1 .
dx1 x1 /x2 dx1
2
(0, 1, 0)
x21
2

x1 x2 (0, 1, 0)
dx1 0
2
x1 x2 (0, 1, 0)
2
(0, 1, 0)
x21
!
dx1
x1 /x2 dx1
!

0
12
dx1
=0
0
12
0
De nuevo no podemos aplicar los criterios anteriores.

Punto (0, 1), = 0. Ocurre lo mismo que para el punto anterior.
A pesar de no haber podido clasificar todos los puntos anteriores mediante los criterios dados,
gracias al teorema1 15.1.4, que nos asegura que se alcanzan un m
aximo y un mnimo de la funci
on
sobre la restricci
on, y a que
f (1, 0) > f (0, 1) = f (0, 1) > f (1, 0),
podemos asegurar que el m
aximo se alcanza en (1, 0) y el mnimo en (1, 0).
17.3.
Optimizaci
on con restricciones de desigualdad
Para calcular los extremos de una funcion definida sobre un conjunto dado por una restriccion de
desigualdad, vamos aplicar un metodo similar al que utilizamos a la hora de calcular los extremos
de una funcion en una variable definida sobre un intervalo cerrado.
Consideremos en esta seccion que el conjunto D sobre el que vamos a optimizar nuestra funci
on
viene definido mediante una desigualdad del tipo 0, y que es un compacto. Este conjunto
lo podemos dividir en dos subconjuntos D = int(D) f r(D), donde int(D) se corresponde con
< 0, y f r(D) con = 0. Como int(D) es un conjunto abierto, podemos aplicar los resultados
de la primera seccion y obtener as los extremos relativos de la funcion en ese conjunto. Por otro
lado, la frontera de D esta expresada mediante restricciones de igualdad, por lo que, utilizando los
multiplicadores de Lagrange, podemos obtener los extremos en ese conjunto.
Por lo tanto, los maximos (resp. mnimos) de la funcion (sobre el conjunto D) se alcanzan sobre
el mayor (resp. menor) valor de la funcion sobre los maximos (resp. mnimos) en int(D) y f r(D).
Ejemplo 17.3.1 Volvamos a la funci
on
f (x1 , x2 ) = 6x1 2x31 6x1 x22 9,
y consideremos la restricci
on (x1 , x2 ) = x21 +x22 1 0. Como ya hemos descrito, debemos estudiar
la funci
on sobre dos subconjuntos:
f r(D) = {(x1 , x2 ) = 0} y int(D) = {(x1 , x2 ) < 0}.
1
Lo que sigue lo hemos podido aplicar s

olo porque el conjunto es cerrado y acotado, es decir, es un conjunto
compacto.

142
Sobre la frontera tenemos que el m

aximo se alcanza en el punto (1, 0), y el mnimo sobre (1, 0).
En el ejemplo 17.1.7 vimos que no se alcanza ning
un m
aximo ni mnimo en el interior del conjunto
D.
Por lo tanto, el m
aximo absoluto se alcanza en el punto (1, 0) y el mnimo en (1, 0).
Parte IV
143
144
Captulo 18
Introducci
on a las ecuaciones
diferenciales.
Ecuaci
on diferencial de primer orden: metodos b
asicos de resoluci
on.
aticas para el an
alisis econ
omico,
Dar a conocer las ecuaciones diferenciales.
Dotar de las herramientas basicas de resolucion de ecuaciones diferenciales de primer orden.
18.1.
Ecuaciones diferenciales de primer orden
Definici
on 18.1.1 Las ecuaciones diferenciales son aquellas ecuaciones funcionales que incluyen
derivadas y expresan ndices de cambio de funciones continuas. Llamaremos ecuaci
on diferencial
ordinaria de primer orden a toda ecuaci
on que relaciona una variable independiente con una funci
on
de la misma y su derivada, es decir, a cualquier expresi
on del tipo
y 0 = f (x, y).
Al ser y 0 =
dy
dx ,
podemos reescribir la ecuaci

on anterior como
dy = f (x, y)dx.
Llamaremos solucion de una ecuacion diferencial a cualquier funcion que la verifique.

Por ejemplo, una ecuacion diferencial es una expresion del tipo
y 0 = 2y,
que tiene por solucion la funcion y = ke2x , donde k es un n
umero real cualquiera. Al ser k un
n
umero arbitrario, llamaremos a la anterior familia de soluciones, soluci
on general de la ecuacion.
Llamaremos soluci
on particular a aquella que obtenemos al fijar un valor de k. Las soluciones
particulares se tienen al considerar unas condiciones iniciales, como por ejemplo y(0) = 2. En este
caso, la solucion particular de la ecuacion anterior es
y = 2e2x .
145
A LAS ECUACIONES DIFERENCIALES.

CAPITULO 18. INTRODUCCION
146
Teorema 18.1.2 Dada una ecuaci

on diferencial y 0 = f (x, y), con f una funci
on real diferenciable
y de diferencial continua en un abierto D, y un punto (a, b) D, existe un entorno del punto a tal
que hay una u
nica soluci
on de la ecuaci
on verificando y(a) = b.
En el cuadro 18.1 podemos encontrar algunos metodos elementales de resolucion de ecuaciones
diferenciales ordinarias. En los siguientes ejemplos desarrollaremos esos metodos, dejando al lector
su profundizacion.
Ejemplo 18.1.3 A continuaci
on vamos a ejemplificar los metodos b
asicos anteriores del cuadro
18.1:
Variables separables.- Consideremos la ecuaci
on
(x3 2)y 0 = x2 y 2 .
Entonces:
x2
y0
(x 2)y = x y 2 = 3
y
x 2
3
2 2
luego
y(x) =
dy
=
y2

x2
1
dx
= ln 3 x3 2 + k,
3
x 2
y
1
.
2) + k
ln 3 (x3
Si queremos calcular la soluci

on particular para y(2) = 1, tenemos que obtener el valor de k,
1 = y(2) =
1
1
=
k = 1 ln 18.
ln 3 (23 2) + k
ln 18 + k
Ecuaciones homog
eneas.- Aplicaremos el cambio de variables u = y/x cuando nos enfrentemos a una ecuaci
on diferencial homogenea y 0 = f (y/x). Mediante este cambio convertimos
la ecuaci
on anterior en una de variables separables.
Tomemos la ecuaci
on
y 2 + x(x + y)y 0 = 0.
Entonces
y 2 + x(x + y)y 0 = 0 y 0 =
(y/x)2
y
1+ x
y=ux
(1 + u)u0 = 1/x
u
u0 x + u = 1+u
Z
Z
(1 + u)du = 1/xdx
ln x = u + u2 /2 + k1
x = keu+u
2 /2
Sustituyendo ahora u = y/x,

x = key/x+y
2 /x2
(18.1)
N
otese que en este caso lo que hemos obtenido como soluci
on de la ecuaci
on diferencial
es una funci
on implcita de y respecto de x. Para conocer la soluci
on particular, mediante
una funci
on implcita, dada la condici
on inicial y(1) = 1, tenemos que extraerla de (18.1),
obteniendo k = e2 , y por lo tanto la soluci
on particular tiene la forma implcita
x = ey/x+y
2 /x2 2

Ecuaciones enZvariables Zseparables:

dy
y 0 = f (x)g(y)
= f (x)dx + k.
g(y)
y0
Ecuaciones
Z homogeneas:Z
dx
du
u=y/x
=
+ k.
= f (y/x) =
f (u) u
x
Ecuaciones reducibles
a homog

eneas:
a
x
+
b
y
+
c
0
0
0
y0 = f
.
a1 x + b1 y + c1
Ecuacion diferencial exacta:

P (x, y)dx + Q(x, y)dy = 0,
(x,y)
(x,y)
y Q(x, y) = f y
f (x, y) = k.
con P (x, y) = fx
Ecuacion diferencial cuasi-exacta:

P (x, y)dx + Q(x, y)dy = 0, no exacta
con (x, y)P (x, y)dx + (x, y)Q(x, y)dy = 0 exacta.
A se le llama factor integrante.
Ecuacion lineal
orden:
Z de primer
R
R
y=uv
f (x)dx
0
y = yf (x) + g(x) = y =
g(x)e
dx + k e f (x)dx .
Ecuacion de Bernoulli:
y 0 = yf (x) + y n g(x)
z=y n+1
z 0 = (1 n)zf (x) + (1 n)g(x).
Cuadro 18.1: Resoluci

on de ecuaciones diferenciales basicas.
147

Ecuaciones reducibles a homog
eneas.- Las ecuaciones diferenciales del tipo

a0 x + b0 y + c0
y0 = f
,
a1 x + b1 y + c1
148
(18.2)
no son homogeneas pero pueden ser reducidas a una homogenea mediante un cambio de variable apropiado.
Consideremos (s, t) la soluci
on del sistema

a0 x + b0 y + c0 = 0
a1 x + b1 y + c1 = 0
Mediante el cambio x = z1 + s, y = z2 + t, la ecuaci
on diferencial anterior se transforma en
una homogenea

a0 z1 + b0 z2
0
z2 = f
.
a1 z1 + b1 z2
Una vez resuelta esta segunda ecuaci
on diferencial, deshacemos el cambio de variables y obtenemos la soluci
on de (18.2).
Consideremos la ecuaci
on diferencial
y0 =
x+y2
,
xy
(18.3)
que es reducible a una homogenea mediante el cambio x = z1 + 1, y = z2 + 1 :

z20 = y 0 =
(z1 + 1) + (z2 + 1) 2
z1 + z2
=
.
(z1 + 1) (z2 + 1)
z1 z2
Ahora resolvamos esta ecuaci

on homogenea mediante el nuevo cambio de variables z2 = uz1 ,
z20 =
z1 + z2
z1 z2
z2 =uz1
u 0 z1 + u =
1+u
1u
1u 0
u = 1/z1
1 + u2
Z
Z
1u
du = 1/z1 dz1
1 + u2

1/2 ln 1 + u2 + arctan (u) + k1 = ln z1

2
1/2
ln
1
+
u
+ arctan (u) + k1
z1 = e

2
1/2
ln
1
+
u
+ arctan (u)
z1 = k2 e
u=z2 /z1

1/2 ln 1 + (z2 /z1 )2 + arctan (z2 /z1 )
z1 = k2 e
Considerando ahora z1 = 1 x, z2 = 1 y tenemos una funci

on implcita que nos resuelve
la ecuaci
on (18.3)

!

1y
1y 2
+ arctan
1/2 ln 1 +
1x
1x
1 x = k2 e
o equivalentemente,

ln (1 x) 1/2ln 1 +
1y
1x
2 !

+ arctan
1y
1x

= k.

149
Ecuaciones exactas.- Las ecuaciones diferenciales exactas son aquellas que pueden expresarse mediante P (x, y)dx + Q(x, y)dy = 0, y existe una funci
on f (x, y) tal que P (x, y) =
f (x,y)
f (x,y)
y Q(x, y) = y , en tal caso la soluci
on general de la ecuaci
on es f (x, y) = k.
x
Lema 18.1.4 Sea una ecuaci
on diferencial P (x, y)dx + Q(x, y)dy = 0, donde P y Q admiten
derivadas parciales continuas en un abierto. Entonces la ecuaci
on es exacta si y s
olo si
P
Q
=
.
y
x
on
(2x 3y)dx + (2y 3x)dy = 0.
Esta ecuaci
on es exacta ya que
(2y 3x)
(2x 3y)
= 3 =
.
y
x
Podemos obtener la soluci
on general integrando
Z
f (x, y) = (2x 3y)dx = x2 3xy + g(y).
En la funci
on anterior hay un sumando que no es conocido, para obtenerlo igualamos la
parcial de f respecto a y con (2y 3x),
Z
2y 3x = fy0 (x, y) = 3x + g 0 (y) g 0 (y) = 2y g(y) = 2ydy = y 2 + k1 .
Por lo tanto, la soluci
on general de la ecuaci
on diferencial exacta anterior es
f (x, y) = x2 3xy + y 2 = k.
Ecuaciones cuasi-exactas.- Si una ecuaci
on diferencial P (x, y)dx + Q(x, y)dy = 0 no es
exacta, cabe la posibilidad de que multiplic
andola por una cierta funci
on (x, y) (llamada
factor integrante), la nueva ecuaci
on (x, y)P (x, y)dx + (x, y)Q(x, y)dy = 0 sea exacta.
Lema 18.1.5 Sea una ecuaci
on diferencial P (x, y)dx + Q(x, y)dy = 0. Entonces:
Si
Py0 Q0x
= g(x)
Q
R
es una funci
on que s
olo depende de x, e
Si
g(x)dx
es un factor integrante.
Q0x Py0
= g(y)
P
R
es una funci
on que s
olo depende de y, e
g(y)dy
es un factor integrante.
on
(x2 y)dx + xdy = 0.
Esta ecuaci
on no es exacta ya que no verifica el lema 18.1.4, pero
Py0 Q0x
1 1
=
= 2/x,
Q
x

150
es una funci
on de x, y por lo tanto = e 2/xdx = e2 ln x = 1/x2 es un factor integrante de
la ecuaci
on anterior:
x2 y
1
dx + dy = 0.
2
x
x
Integrando
Z
f (x, y) =
1/xdy = y/x + g(x),
tenemos la soluci
on general con un sumando desconocido. Para calcular g(x) igualamos
x2 y
y
= fx0 (x, y) = 2 + g 0 (x)
2
x
x
Z
g(x) = 1dx = x + k1 .
La soluci
on general es
f (x, y) = y/x + x = k.
Ecuaciones lineales de primer orden.- Llamaremos ecuaci
on diferencial lineal de primer orden a toda ecuaci
on del tipo
y 0 = yf (x) + g(x).
En este caso, mediante el cambio de variables y = uv, convertimos la ecuaci
on en una cuasiexacta, obteniendo que la soluci
on general viene dada por la expresi
on
Z
R
R
f (x)dx
y=
g(x)e
dx + k e f (x)dx .
Tomemos la ecuaci
on
y 0 = y + sin x,
entonces
Z
R
Z

R
dx
dx
x
y=
sin xe
dx + k e
=
sin xe dx + k ex = 1/2 (cos (x) + sin (x)) + kex .
Ecuaciones de Bernoulli.- Llamaremos ecuaci
on de Bernoulli a toda ecuaci
on del tipo
y 0 = yf (x) + y n g(x).
Mediante el cambio de variables z = y n+1 , se transforma en una ecuaci
on lineal de primer
orden
z 0 = (1 n)zf (x) + (1 n)g(x).
on
y 0 = xy + xy 2 ,
y realicemos el cambio z = y 1 ,
2
z 0 = 1zx 1x z = 1 + ke1/2 x y = 1/z =
1
.
1 + ke1/2 x2
Ap
endice A
Ejercicios de c
alculo
Algebra:
Matrices
1. Dadas las matrices
1
0
A=
0
1
0 5 2
2
3
9
3
1
y B = 1 2
4 5
0
0
4
0 3
8
1 2
Hallar las matrices A + B, A B, 3A, 5B, 2A + 7B, e indicar su orden.

2. Sean las matrices
0
6 2
2
3 1
2 3 2
2
1 ; C = 3 1 4 ;
A = 1 0 3 ; B = 4
2
7 5
5 2
4
4 5
2
Calcular A2 , B 2 , AB, AC, BC y (A C)B.

3. Dadas las matrices
1 0 1
1 1 1
0 0 0
A = 1 0 1 ;B = 0 0 0 ;C = 1 1 1 ;
1 0 1
1 1 1
0 0 1
Hallar las matrices A2 , B 2 , A3 B 3 , An , B n , C 2 , C 3 , C n .

4. Hallar las matrices A y B que verifican:
8 3
5
1
5A 2B = 16 23 ; 4A 3B = 10 17 .
13 4
9 1
5. Hallar las matrices N y M que verifican:

1 8 9
12 28 47
3M 2N =
; 5M + 7N =
.
6 8
7
52 28 22
6. Comprobar que:
2
3
4
1 1 1
0
1
0
0
1
0
0
1
0 = 1 1 1 = 0
0
1 =I
0
0
1
0
0
1
1 1 1
151
APENDICE
A. EJERCICIOS DE CALCULO
152
7. Sea A, B y C tres matrices cuadradas de orden n. Justificar si las siguientes igualdades son
verdaderas o falsas:
a) (A + B)2 = A2 + 2AB + B 2 b) (A + B)(A B) = A2 AB + BA B 2
c) AB + AC = A(B + C)
d) AB + CA = (B + C)A
8. Sean A M21 , B M13 y C M31 . Indicar cual de los siguientes productos es posible,
as como el orden de la matriz resultante:
a) A(BC) b) ACB c) BCA e) B t C t A f ) (BC)t At
9. Demostrar que el producto de dos matrices diagonales es otra diagonal.
10. Justificar si son ciertas o falsas las siguientes afirmaciones:
a) Si A y B son simetricas, entonces AB es simetrica.
b) Si A, P Mn y A es simetrica, entonces P AP t es simetrica.
c) Si A es una matriz cualquiera, entonces A + At es simetrica y A At es antisimetrica.
APENDICE
153
Algebra:
Determinantes
11. Calcular, cuando sea posible, las inversas de las siguientes matrices:
2
1
1
1

2 0 0
0
2 1
2 2 1
0 1 0
A=
, B=
, C = 1 1 0 , D =
2
1
1
0 1 2
1 1 1
1 1 1
0
0 0 1
12. Calcular mediante las reglas

1

A = 1
1
de Sarrus:

5 1 7
1 2 3
3 0

2 1 , B = 6
4 3 , C = 4 5 6
3
7 8 9
2 1
2 1
13. Calcular los determinantes:

7 6 8 5
3

1
1
4

6 7 10 6
1
2
1 2

A=
,
, B = 4
0 2
5
7 8 8 9

8 7 9 6
4 5 1
5

4
2 1
1
3
1
3
3
0

2

6
3 1
2
1
0
1

0
3
4
1
1 , D = 3
2 1
2
C = 1

4
4 1
5
4
2
3
1
0

1 1 3 1
0
2
1
0 2
1 2 3
0 1 2 . Hallar |A3 | y |A|3 .

14. Sea A =
0 0 2

a b c

15. Suponiendo que d e f = 5. Calcular:
g h i

d e f a b c a + d b + e c + f

g h i , 2d 2e 2f ,
d
e
f

a b c g h i
g
h
i

x y z

16. Sabiendo que 5 0 3
1 1 1

= 1.

4
0
1
1
2
Hallar:

3x 3y 3z 5x 5y 5z
5 0 3 , 1 0 3/5
1
1 1 1 1 1
17. Comprobar, sin desarrollar, las siguientes igualdades:

2

a
a+b b+c c+a
a b c
ab
b2

a) e + f f + g g + e = 2 e f g , b) 2a a + b 2b = (a b)3 ,
i j k
1
i+j j+k k+i
1
1

1

a
b
c

1

b
c
a
= 0.
c)

c
a
b
1

1 2a b 2b c 2c a
APENDICE
154
18. Indicar cual de las siguientes afirmaciones es cierta para A M5 :

a) |A + A| = |A| b) |A + A| = 32|A| c) |A + A| = |A|2 d) |A + A| = 2|A|.
19. Sean A, B Mn tales que |A| = 2 y |B| = 3. Calcular:
a) |3A| b) |AB| c) |At B| d) |A1 B| e) |B 1 A|.

20. De dos matrices cuadradas se conocen sus productos, AB =
7 5
5 15

y BA =
a 8
2 6

.
Calcular los posibles valores de a.

21. Resolver las ecuaciones:

x 1 1

a) 1 x 1 = 0, b)
1 1 x

d)

t + 3 1
1

7
t5
1

6
6 t + 2

1+x
1
1
1

1
1
+
x
1
1
= 0, c)

1
1
x
+
1
1

1
1
1
1+x

=0

1
1
1
1
1
x
x
x
= 0.
3 x + 2 2x + 1 3x
3 2x + 1 x2 + 2x 3x

2
0
0

1
4
22. Hallar los valores de que anulan el siguiente determinante: 0
0
1
1
23. Calcular el rango de las siguientes matrices:
1
1 1
1 1 1
2 4 3
4 1
8
4 5
7 2 4 6
2 0 2 1 1
B= 1
A=
2
3
5 8
4 3
1
6 3 6 6
3
3 3
4 1 3 4
2
4 2 4 4
2
C=
0 2
3
1
6 2
0
4 6 2 12 1
1
1 1
0
1 1
1
3 4 1 5 4
0
1 1
0
0 0
D=
1 2 1
0 2
0
1 2 1 1
1
2 0 2 1
2
1 3 3 4
3 2 2 2 5
24. Calcular en rango de las siguientes matrices en funcion de
1 1
1
a 1 1 b2
2a
x 1
0
1 1 2a b
2
a)
b)
c)
1 3 x 1
1 1 2a 2
2
1 2 3 0
a b b b
4 5 6 0
b a b b
d)
7 8 x 0 e) b b a b
0 0 0 1
b b b a
25.
los parametros:
b 1
ab 1
b a
Probar que el determinante de una matriz es nulo si la suma de los elementos de cada
columna es nula.
Como vara el determinante de una matriz de orden tres si a cada fila se le suma la
anterior y a la primera la u
ltima? Y si es de orden cuatro?
APENDICE
155
Algebra:
Sistemas de Ecuaciones Lineales
26. Discutir y resolver, en los casos que sea posible, los siguientes sistemas:
x +2y z +t +u =
0
3x y
+t u =
6
a)
6x
+y
+t
+u
=
1
x 2y +2z 2t
= 5
2x y +z = 0
3x +2y +2z = 0
x 2y +2z = 0
b)
x +y +z = 0
5x 6y 2z = 0
x +2y +z t = 1
2x 3y +z +t = 2
d)
x +9y +2z 4t = 1
x y +z = 2
3x +2y 2z = 1
c)
x +3y z = 2
x +2y z =
1
3x +y 2z =
2
e)
x +5y 4z = 2
x +y +z = 6
x y +z = 2
f)
2x
y +4z = 9
3x 2y +4z = 11
x 2y +3z 2w = 0
3x 7y 2z +4w = 0
g)
4x +3y +5z +2w = 0
x +2y 3z = 0
2x +5y +2z = 0
h)
3x y 4z = 0
2x
i)
x
+2y z = 0
+5y +2z = 0
+4y +7z = 0
+3y
3z = 0
27. Eliminar los parametros que intervienen en los siguientes sistemas:

a)
x1 = 1
x2 = 2 +3
x1
x2
x3
d)
4
x5
=
=
=
=
=
a +b
a +2b
a
0
a b
x1 = 2 +
x2 = 3
b)
x3 = 4 +2
x1 = 1 2 +
x2 = 4 +2 2
c)
x3 = 3
x = 1 +a +b
y =
a +2b
e)
z = 2 +2a +3b
x1
x2
x3
f)
4
x5
= a +b
= a b +c
= a +b +c
= a
c
= 2a
+c
28. Estudiar, en funcion de los parametros, los sistemas siguientes:
ax +y +z = 1
x +ay +z = 1
a)
x +y +az = 1
x +(1 + a)y
ax
+y
c)
+ay
ax
ax
+ay

b)
(3 2a)x +(2 a)y +z = a

x
+(2 a)y
= 1
+(2 a)z +at = 3

+(2 a)z +at = 2
+(2 a)z +at = 2
+(2 a)z t = 2
x +2y =
a
3x y = b
d)
b
x y =
2x +y = a + b
APENDICE
+2z = 2
ax
5x +2y
= 1
e)
x 2y +bz = 3
29. Dado el sistema
156
3x
+y +kz = 0
x
y
z = 0
f)
mx
+y
+z = 0
x +my
z = 0
x + aby z
x + by + z
(a 3)x + by + z
x + by + az
=0
=1
=1
=0
a) Discutir el sistema para los distintos valores de los parametros a y b.

b) Resolverlo para los mayores valores de a y de b que lo hagan compatible e indeterminado.
APENDICE
157
Algebra:
Espacios Vectoriales
30. Consideremos el conjunto R3 con las operaciones:
(x, y, z) + (x0 , y 0 , z 0 ) := (x + x0 , y + y 0 , z + z 0 )
(x, y, z) := (x, y, z), con R
Es R3 un Respacio vectorial con estas operaciones?
31. Consideremos el conjunto R2 con las operaciones:
(x, y) + (x0 , y 0 ) := (x + x0 , y + y 0 )
(x, y) := (2 x, 2 y), con R
32. Sobre R3 se definen las operaciones:
(x1 , y1 , z1 ) + (x2 , y2 , z2 ) := (x1 + x2 + 1, y1 + y2 + 1, z1 + z2 + 1)
(x1 , y1 , z1 ) := (x1 , y1 , z1 ), con R
33. Comprobar que el grupo abeliano (R2 , +) no admite estructura de Respacio vectorial con
las operaciones externas:
a) (x, y) := (x2 , y), b) (x, y) := (3 x, 3 y), c) (x, y) := (y, x), d) (x, y) := (x, 0)
34. Cuales de los siguientes conjuntos son subespacios vectoriales de R4 ?
A
B
C
D
E
F
:=
:=
:=
:=
:=
:=
{(3x2 , x2 , x4 + x2 , x4 )|x2 , x4 R}
{(x1 , x2 , x3 , x4 )|x1 , x2 Z}
{(x1 , x2 , x3 , x4 )|x1 + x2 = 0, x3 x4 = 0}
{(x1 , x2 , x3 , x4 )|x1 = 3, x2 = 2, x3 = x4 = }
{(x1 , x2 , x3 , x4 )|x1 x3 = 0}
{(x1 , x2 , x3 , x4 )|x1 + 2x4 = 7}

35. Calcular a y b para que la matriz

2 1
5 3
y
.
5 3
2 1
11 a
4
b

sea combinacion lineal de las matrices
36. Sea F R2 [x] definido por F := {x2 1, x+1, x2 7x10}. Indicar si el polinomio 3x2 2x+5
pertenece a < F > .
37. Determinar a para que sean equivalentes los conjuntos:
E := {(1, 2, 1), (1, 1, 0)} y F := {(1, a + 3, 2), (2, 1, 1 a)}.
38. Sean A := {(1, 1, 1), (0, 1, 0)} y B := {(2, 3, 2), (1, 0, 1)}. Comprobar que < A >=< B > .
39. Cuales de los siguientes conjuntos genera el espacio vectorial al que acompa
na?
{(2, 1, 1), (1, 2, 1), (1, 1, 2)}, R3 .
{(1, 1, 0), (0, 6, 2), (1, 5, 2)}, R3 .
{x2 x, 3x + 1, 2}, R2 [x].
APENDICE
158
40. Estudiar, seg

un los distintos valores de a R, la dependencia o independencia lineal de los
siguientes conjuntos:
{(2, a, 0), (5, 1, a), (1, 3, 1)} R3 .
{(3, 1, 2, 4), (3, a, 1, 2), (4, 2, 0, 1)} R4 .
{(3, 1, 2, 4), (3, a, 1, 2), (4, 2, 0, 1), (7, a, 5, 7)} R4 .
{(a, 1, 0), (1 a, 1 + a, 2), (5a + 1, 1 2a, a 2)} R3 .
41. Calcular a y b para que el vector (8, 10, a, b) pertenezca al subespacio generado por (1, 1, 1, 1)
y (1, 2, 3, 4).
42. Comprobar que < (1, 2, 1), (1, 3, 2) >=< (1, 1, 0), (3, 8, 5) > .
43. Determinar si u < u1 , . . . , ur > en los casos:
u = (2, 0, 1), u1 = (1, 1, 1), u2 = (2, 1, 0).
u = (2, 0, 0, 2), u1 = (1, 1, 1, 1), u2 = (1, 1, 1, 1), u3 = (3, 1, 1, 3).
44. Obtener los vectores comunes a los subespacios generados por los conjuntos {(1, 1, 0), (0, 1, 1)}
y {(1, 0, 1), (0, 1, 0)}.
45. Dado el espacio vectorial (R3 , +, R) y B := {(2, 0, 1), (0, 1, 0), (1, 1, 0)}.
Comprobar que B es base de R3 .
Determinar el subespacio generado por {(1, 0, 1), (0, 0, 1)}.
46. En R4 [x] se considera el conjunto {1 + a3 x, 1 + 2x2 , 1 ax3 , 2x4 x2 , 2x + x4 }. Calcular el
valor de a para que sea una base.
47. Para que valores de a, b y c es una base de R4 [x] el conjunto {cx2 x4 , abc+x2 bx3 , ax4 , 1
x2 + x4 , 1 + x + x2 + x3 }?
48. Las ecuaciones parametricas de un cierto subespacio de R4 son: x1 = 3, x2 = +, x3 =
2, x4 = 4. Obtener unas ecuaciones implcitas.
49. Obtener unas ecuaciones implcitas del subespacio generado por
{(1, 2, 0, 1), (2, 0, 7, 2), (0, 1, 2, 2)}.
50. Hallar las ecuaciones parametricas e implcitas de los espacios generados por:
{(1, 2, 1), (2, 1, 0)}.
{(3, 1, 2, 0), (2, 1, 0, 1)}.
51. Sea a R, y consideremos la familia de subespacios Fa de ecuaciones implcitas

(a 1)x +ay +(a + 1)z = 0
ax
+ay
+z
= 0
Calcular en funcion de a la dimension y una base de Fa .
52. Sea S el conjunto de vectores
S := {(x1 , x2 , x3 , x4 ) R4 | x1 + 2x2 = 3x3 + 2x2 = x1 3x3 = 0}
a) Comprobar que es un espacio vectorial.
b) Calcular una base de S as como unas ecuaciones parametricas.
APENDICE
159
53. En R4 , se considera el subespacio vectorial:

F := {(x, y, z, t) R4 | x + y t = x + 2y + z = 0}.
a) Hallese una base de F.
b) Escrbanse unas ecuaciones parametricas de F.
54. Sean los vectores p1 (x) = x x2 , p2 (x) = 1 + x, y p3 (x) = x2 1, pertenecientes al espacio
vectorial de los polinomios de grado menor o igual que 2 con coeficientes en R.
a) Comprobar que forman una base de dicho espacio.
b) En caso afirmativo, hallar las coordenadas de q(x) = 5x2 6x + 12 respecto de dicha
base.
55. Sea

F =
a b
c d

| a + b + c = d = 0 M2 (R).
Comprobar que F es un subespacio vectorial de M2 (R).

Calcular la dimension de F.
Calcular una ecuaciones parametricas de F.
56. Sea el conjunto B := {2x, x2 , 4x2 } R2 [x], y el subespacio vectorial F =< B > .
a) Comprobar si B es una base de F.
b) Dar la dimension de F.
c) Dar unas ecuaciones implcitas y unas parametricas de F.
57. Sea el espacio vectorial F R3 dado por las ecuaciones implcitas
= 0
x+y+z
x + y
= 0
x + 3y + ( 1)z = 0
a) Estudiar la dimension de F en funcion del parametro .
b) Para = 0, obtener una base y unas ecuaciones parametricas de F.
58. Sea Ax = 0 un sistema de ecuaciones homogeneas con A M23 (R). Comprobar que
F = {soluciones del sistema Ax = 0}
es un subespacio vectorial de R3 .
APENDICE
160
Algebra:
Diagonalizaci
on de Matrices Reales
59. Hallar los autovalores y autovectores correspondientes a las matrices:

1 0 0
2 1 2
2 4
A=
B = 0 1 3 C = 5 3 3
3 13
0 0 2
1 0 2
60. Diagonalizar las siguientes matrices en los casos que sea posible:

A=
3 4
5 2

B=
3
1
0
0
D = 4 1
4 8 2
1
1
G=
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2 1
1 2
1 2 1
C = 1 1 1
0 3 2
2 5 6
E = 4 6 9
3 6 8
1
1
1
1
1
1 1 1
F =
1 1
1 1
1 1 1
1
5 6 3
H = 1 0 1 .
1 2 1
1 2 3
2 . Se pide:
61. Se considera la matriz G = 1 1
2 2
2
Hallar su polinomio caracterstico as como los autovalores.
Hallar los subespacios de los autovectores.
Estudiar su diagonalizacion.
3 0 0
62. Se considera la matriz A = 3 1 0 . Se pide:
1 0 1
Hallar su polinomio caracterstico as como los autovalores.
Hallar las ecuaciones implcitas de cada subespacio de autovectores.
Estudiar su diagonalizacion.

a b
63. Diagonalizar la matriz
, donde a, b R \ {0}.
b a
a 0 0
64. Estudiar para que valores de a R la matriz 1 1 0 es diagonalizable.
a 1 a
65. Diagonalizar las matrices siguientes:

7 2 1
1 1
0
2 4
A=
B = 2 10 2 C = 1 2 1 .
4 8
1 2 7
0
1 1
3 1 1
66. Diagonalizar, si es posible, la matriz A = 1 0 2 .
1 2 0
APENDICE
161
a 1 1
67. Estudiar para que valores de a R la matriz 1 a 1 es diagonalizable.
1 1 a
1
0
0
1
0 . Hallar una matriz P tal que P 1 F P es
68. Consideremos la matriz F = 0
2 4 1
diagonal y calcular F n , n N.
69. Hallar la potencia nesima de las matrices:

1 7 6
2 0
4
2 2
A=
B = 1 4 0 C = 3 4 12 .
1 1
0 2 2
1 2 5
70. Diagonalizar la matriz
0 0
1
1 0
0
.
0 1 2
0 2 3
1
0
0
1
71. Sea A una matriz de orden tres.Sabiendo que los autovalores de A son 0 simple y 1 doble, y que
sus espacios propios son V (0) = {(x, y, z)|x = 0, y +z = 0} y V (1) = {(x, y, z)|x2y +z = 0}.
Se pide:
Estudiar si A es diagonalizable.
Hallar A.
72. Sea
3
4
A :=
1
7
0 2
0
1 2 2
0
0
0
0 5 1
a) Existe una base respecto de la cual la aplicacion dada por A, es diagonal?. Caso de
existir, determinar dicha base y la forma diagonal asociada.
b) Determinar An .
73. Sea
1 1 1
A = 1 1 1
1 1 1
a) Es A diagonalizable?. Caso de afirmativo, determinar la matriz de paso y la forma

diagonal asociada.
b) Determinar An .
74. Para la matriz
2 0
3
0
A := 0 1
1 0 2
a) Hallar los autovectores y autovalores de A.

b) Es A diagonalizable? En caso afirmativo, hallar la matriz de paso P. Indica como
hallaras An .
APENDICE
75. Sea A la matriz
162
0 0 4
A = 4 2 8 .
0 0 a
Razonar y calcular los valores de a para los que A es diagonalizable.

Diagonalizar A para a = 2.
76. Sea A la matriz
3 2 4
A :=
2 0 2
4 2 3
a) Calcular el polinomio caracterstico y los autovalores de A.
b) Es A diagonalizable sobre los n
umeros reales? En caso afirmativo dar una matriz diagonal semejante a A y la matriz de paso correspondiente.
c) Dar, explcitamente, la forma cuadratica asociada a la matriz A y clasificarla.
77. Sea la matriz
A :=
0
1
0
4
a
Para que valores de a R es A diagonalizable?
a
.
0
APENDICE
163
Algebra:
Formas Cuadr
aticas
78. Dar la expresion matricial y clasificar las siguientes formas cuadraticas:
a) q(x, y) = xy + x2 .
b) q(x, y) = 2xy + y 2 .
c) q(x, y) = 2x2 + 3xy + 6y 2 .
d ) q(x, y) = x2 + ey 2 .
e) q(x, y) = 7xy.
f ) q(x, y, z) = 2x2 + 2xz + 3y 2 + 2z 2 .
g) q(x, y, z) = x2 + 2y 2 + 4yz + 2z 2 .
h) q(x, y, z) = 3x2 + 2xy + 2xz + 4yz.
i ) q(x, y, z) = x2 + y 2 + z 2 + 2xy + 2xz + 2yz.
j ) q(x, y, z) = 7x2 + 10y 2 + 7z 2 4xy + 2xz 4yz.
79. Dar la expresion polinomial y clasificar seg
un los distintos valores de los parametros, de las
siguientes formas cuadraticas:

a b
x
.
a) q(x, y) = x y
y
b a

1 a
0
x
a 0
1
y .
b) q(x, y, z) = x y z
0 1 2
z
80. Clasificar las siguientes formas cuadraticas restringidas a los subespacios que se indican.
a) q(x, y) = 2xy + y 2 . Restriccion x y = 0.
b) q(x, y) = 2x2 + 3xy + 6y 2 . Restriccion 2x y = 0.
c) q(x, y, z) = 2x2 + 2xz + 3y 2 + 2z 2 . Restriccion x + y + z = 0.
d ) q(x, y, z) = x2 + 2y 2 + 4yz + 2z 2 . Restriccion x + 2y = 0.
81. Dada la matriz
2 2 2
A= 2 2 2
2 2 2
a) Es A diagonalizable? En caso de serlo, diagonalcese y calc

ulese las matrices de paso.
b) Clasifquese
Q(x) = xt Ax.
82. Sea la matriz
m 1 1
A := 0 2 1
0 2 3
a) Es A diagonalizable? Discutir casos.

b) Para m = 1 diagonalizar A.
c) Para m = 1 calcular An .
d ) Existe una forma cuadratica cuya matriz asociada sea A? En caso afirmativo, clasificarla.
APENDICE
83. Dada la matriz
164
1
0 2
0
A := 0 1
2
0
1
a) Escrbase una forma cuadratica cuya matriz asociada respecto de la base canonica coincida con A.
b) Diagonalcese la matriz A, calculando una matriz de paso.
c) Determinar An .
84. Dada la forma cuadratica
q(x, y, z) = 3x2 + 3z 2 + 4xy + 8xz + 4yz,
a) Clasifquese.
b) Obtenganse los autovalores y autovectores de la matriz asociada.
85. Sea la matriz
A :=
4
4 4 1
a) Calcular los autovalores de A.

b) Dar una matriz diagonal equivalente a A y la matriz de paso correspondiente.
c) Calcular An .
d ) Dar explcitamente la forma cuadratica asociada a la matriz A, y clasificarla.
APENDICE
165
An
alisis Matem
atico: Sucesiones de N
umeros Reales
86. Calcula los siguientes lmites:
a)
3n2 5n
n 5n2 + 2n 6
c)
lm
s
e)
lm
n+1
(3
i)
lm
m)

n
n)( n + 2)
8n 4
n+1
2n 1
lm
d)
3n + 2
2
n +n1
f)
n2n
n (1 + n2 )n
p)
2n+1 + 3n+1
lm
n
2n + 3n
lm
j)
l)
o)
t)
n
n ln n
lm
lm
v)
x)
ln(n!)
n
n
lm
lm
n2
1
+nn
n+2
n+1
2n+3
lm (2n + 3n )1/n
lm
n2 + 5n + 6
n2 2n 1
2 +5
nn+2
lm (1 + 1/3n)2n
ln(n + 1)
n
lm
lm
ln(n + 2)
ln(n + 1)
n
ln(4n2 + 2n + 1)
n
ln n
u)
lm (2 + 3n4 ) 1+2 ln n
2
2+ln n
nnn1
lm
n
ln n
lm
s)
w)
lm
lm (2 + 3/n3 ) 1ln n
lm
87. Calcula los siguientes lmites:

1
1
1
1
+ + +
b)
a) lm
n
n
n
1
2
c)
3n2 + 4n
n 2n 1

q)
lm
2
n+1
n(n + 2)
n3
2
n+1
n +1

h)
lm ( n + 1 n 1) n n)
n
)
r)
lm
! 3n1

3 n
n n + 3n 5
lm
n n n + 2n 1
r
k)
b)
r
g)
lm
1! + 2! + + n!
n!
d)
12 + 22 + 32 + + n2
n
1 + n + n2 + n3
lm
lm
a1 + 2a2 + 3a3 + + nan

1 + 2 + 3 + + n
APENDICE
166
An
alisis Matem
atico: Series Num
ericas
88. Utilizando criterios de comparacion, determina el caracter de las siguientes series:
a)
X
2 + cos n
n=1
c)
e)
(D)
b)
n=0
X
1
ln n
(D)
d)
n=2
n=1
sin(/2)
(D)
f)
n=1
g)
X
n=1
(D)
h)
+ n
(C)
3n2 + 1
(2n 3)(n2 + 1)
2n
n=1
n
(n + 1)(n + 2)
2n
1
n
(C)
(C)
ln(1 + 2n )
(C)
n=1
89. Utilizando los criterios de DAlambert, Cauchy o Raabe, determinar el caracter de las siguientes series:
a)
X
n2
n=1
c)
X
n=1
g)
2n
b)
(D)
n10 5n
d)
2n
[ln(n + 1)]n
(C)
f)
n=1
n
(n + 1)3
(D)
n!
n2
(n + 1)!
2
1/2n (1 + 1/n)n
h)
X
8n+2
b)
n=1
(C)
1
1
1
1
(C)
ln 2 ln 3 ln 4 ln 5
X
n=1
(D)
(D)
5n
90. Determinar el caracter de las siguientes series:

a)
(C)
n=1
n=1
i)
X
n=1
X
n + 5 n2
) 1/n (D)
(
n+4
X
nn
n=1
X
10n1
n=1
e)
(C)
(1)n+1
1
n!
(C)
APENDICE
167
91. Investiga la convergencia o divergencia absoluta de las siguientes series:

a)
X
sin(n)
n=1
c)
n!
(1)n
n=1
e)
n4
3n
n=1
i)
(C. Abs.)
(1)n
(1)n
5n
2n3 + 4
(C. Abs.)
(Cond. C.)
(1)n
1
n(n + 1)(n + 2)
(C. Abs.)
n=1
f)
(1)n
n=2
n2 + 5
n2 + n
(1)n1
d)
n=1
(n+1)
(1)
b)
n=1
n=1
g)
(C. Abs.)
(D.)
h)
1
ln n
(1)n+1
n=1
n
6n 5
(Cond. C.)
3n
n3
(D.)
(D.)
92. Utiliza diversos criterios para investigar el caracter de:

a)
X
n2 + n + 1
n=1
c)
n4 + n + 1
sin
n=1
n2 + 1
(C.)
b)
X
n=1
(C.)
d)
n4
[ln(n + 1)]4
n
n2 + n(ln n)2
2
n=2
(D.)
(C.)
93. Calc
ulese el lmite cuando n tiende a + de las siguientes sucesiones:
a) an =
1
(ln(n))n
2n
b) bn = (1)n n
52n+1
n
c)an =
rln(n)
n n!
c) cn =
nn
P
P
P
y est
udiese el caracter de
an ,
bn ,
cn .
94. Estudiar el caracter de las series:
(a)
X
sin(n)
n=0
2n
(b)
X
n=1
2n
(ln(n + 1))n
95. Estudiar el caracter de las series:

a)
X cos(n)
n1
3n
b)
X
n1
(1)n 3/n.
(c)
X
n!(2n)!
n=1
(3n)!
APENDICE
168
c)
X
n1
An2 + B
, con A, B, C, D, E, F > 0.
Cn3 + Dn2 + En + F
d)
X
5n n!
n=1
nn
e)
X
3n
.
n2n
n=1
96. Estudiar la convergencia de las series:

n
n1 (1)
a)
b)
c)
n1
n1
1 + 3n
.
2n + 1
1
.
+ en
a(a + 1)(2a + 1) (na + 1)
, con a > b > 0.
b(b + 1)(2b + 1) (nb + 1)
en
APENDICE
169
An
alisis Matem
atico: Funciones Continuas y Derivables en Una Variable
97. Determinar el dominio de las funciones:
a)f (x) =
x3
b)f (x) = ln
d)f (x) = ln(sin x) e)f (x) =
3+x
3x
c)f (x) =
3
p
1
+ x2 + 2x 1
x1
1 ln x
98. Calcular los siguientes lmites:

x2 3x + 2
a) lm 4
x1 x 4x + 3
3
d) lm (1 + sin 3x) x
x0

b) lm
x1
1
3
1 x 1 x3
ex + ex
x ex ex
f ) lm
x0
h) lm
2 x3
c) lm
x7 x2 49
ln sin 3x
ln sin x

x
1
i) lm
x1 x 1
ln x
e) lm
x arcsin x
x0
sin3 x
g) lm x x
(1 + x)n 1
x0
x
j) lm
99. Estudiar la continuidad de la funcion f (x) =
1
1
en x = 1.
1 + e x1
100. Utilizando la definicion de derivada comprueba si son derivables en x = 0 las siguientes
funciones:
2

x sin x1 x =
x sin x1 x 6= 0
6 0
f (x) =
f (x) =
0
x=0
0
x = 0.
Caso de que la funcion sea derivable para x = 0, calcula tambien la ecuacion de la tangente
y la normal a la grafica de la funcion en el punto (0, f (0)).
101. Utilizando derivadas laterales comprueba si las siguientes funciones son derivables en los
puntos que se indican:
f (x) = | sin x| x = 0
g(x) = 3 2 x x = 2
p
1
h(x) = 3 (2 x)2 x = 2
p(x) = x arctan
x=0
x
x 6= 0
1 + e1/x
q(x) =
0
x=0
102. Determina, caso de que sea posible, el valor del parametro a que hace continua y derivable la
funcion f definida en (0, +):

x ln x
0<x1
f (x) =
x
a(1 e ) x > 1.
2
103. La funcion f (x) = e1/x no esta definida en x = 0. Escoger el valor f (0) para que esta
funcion resulte continua. Para este valor, resulta f (x) derivable en x = 0?.
104. Estudiar la continuidad y derivabilidad de las siguientes funciones:
a) f (x) = |x2 1|.
APENDICE
(
b) g(x) =
c) h(x) =
x
x+1
2
x
2
|x|
e|x1|
170
si x 1
si x > 1
105. Derivar y simplificar las funciones:
a)f (x) = ln(x + 1 + x2 ) b)f (x) = arctan x2 1
c)f (x) = ln
1 + sin x
.
1 sin x
106. Calcula la derivada n-esima de :

a) f (x) = sin x
1
b) g(x) =
1+x
c) h(x) = ln(1 + x).
107. Estudia si las siguientes funciones satisfacen las hipotesis del Teorema de Rolle en los intervalos
que se indican y en su caso halla el punto en el que se anula la primera derivada, estableciendo
si son maximos o mnimos relativos:
f (x) = x2 4x + 1
p
g(x) = x(x 1)
h(x) = ln(1 + x)
en [2, 2]
en [0, 1]

5
en
,
.
6 6
108. Demuestra que la ecuacion x3 + 3x 6 = 0 tiene solo una raz real.

109. Cuantas soluciones reales tiene la ecuacion x3 + 6x2 + 15x 25 = 0?
110. Calcula aplicando LHopital:
e)
g)
lm (cos x)cot x
x0
lm xsin x
x0+
f)
h)
lm (1 + sin 2x)1/x j)
x0
tan x
1
k)
lm
l)
x0+ x
i)
lm (cot x)tan x

1
1
2
lm
x0 sin2 x
x
x0+
x2 sin x sin3 x
x0
x5
lm
tan x
lm
tan 5x
x
2
111. La produccion diaria en una fabrica es de 600K 1/2 unidades, donde K representa la inversi
on
de capital medida en unidades de 1,000 dolares. La inversion actual de capital es de 900,000
dolares. Mediante la diferencial estime el efecto que una inversion adicional de capital de
1,000 dolares tendra en la produccion diaria.
112. Usando la diferencial, estimar 20 0023 y ln(3). (e = 20 718128).
113. Demuestra que f (x) = arctan x x es decreciente en cualquier intervalo que se considere.
114. Representar:
f (x) =
x3
(x + 1)2
g(x) =
ln x
x
h(x) = x2 e1/x .
APENDICE
171
115. Estudie y represente la funcion

1
|x|
f (x) :=
x3
116. Estudiar y representar la siguiente funcion:

f (x) =
ex
.
x2
117. Estudiar y representar la siguiente funcion:

f (x) =
118. Dada la funcion
x2 + 3
.
x(x2 2)
1
ex
f (x) =
:
x
a) Estudiar su comportamiento cuando x y cuando x 0.
b) Estudiar los intervalos de crecimiento y decrecimiento y sus extremos relativos.
c) Representarla con los datos anteriores.
119. Calcular los maximos y los mnimos de las funciones siguientes en los intervalos indicados:
a) f (x) = x4 16 en [2, 2].
b) f (x) = x4 4x + 1 en [0, 2].
120. Cuantas races reales tiene la ecuacion x5 5x 1 = 0?.
121. Demuestra que la ecuacion ex = x + 1 tiene una sola raz real.
122. Representa las siguientes funciones:
ex ex
.
2
ex + ex
b) g(x) =
.
2
a) f (x) =
123. Empleando derivadas de orden superior, determina los extremos y puntos de inflexion de la
siguiente funcion:
1
4
1
1
f (x) = x6 x5 + x4 + .
3
5
2
4
124. Sea el Respacio vectorial
C := {f : [1, 1] R| f es continua}.
Dado el conjunto
C 0 := {f C| f (0) = 0}.
Es C 0 un subespacio vectorial de C?
125. Se considera el conjunto:
C = {f : [1, 1] R |f continua}
a) Probar que (C, +, ), es un Respacio vectorial (donde + representa la suma de funciones y el producto de R por una funcion).
APENDICE
172
b) Es el subconjunto
C 0 = {f C
tal que
f (0) = 0}
un subespacio vectorial de C?
126. Sea la funcion
f (x) =
x3
.
e1/x
a) Estudiar el comportamiento de f (x) cuando x 0 y x .

b) Estudiar el crecimiento/decrecimiento de f (x).
c) Representar f (x).
127. Consideremos la funcion f (x) =
2x2
x+1 .
Calcular
a) El dominio de definicion. Puntos de corte con los ejes.

b) Asntotas e intervalos de crecimiento/decrecimiento.
c) Intervalos de concavidad y convexidad de f .
d ) A la vista de los datos anteriores represente la funcion f (x).
APENDICE
173
An
alisis Matem
atico: Integraci
on
b
xdx.
dx y
128. Calcular aplicando la definicion de integral
129. Comprueba aplicando la definicion, si son integrables Riemann las siguientes funciones: f (x) =
2 y f (x) = 2 en [1, 3].
130. Son integrables Riemann las siguientes funciones en los intervalos que se indican?

2 si x 6= 2
a) f (x) =
en [1, 3].
0 si x = 2
2
b) f (x) = ex en cualquier intervalo [a, b].

c) f (x) = |x| en [1, 1].
Z
x2
131. Comparar las siguientes integrales definidas:
Z
dx y
ex dx.
0
2
132. Comprobar que f (x) = ex es integrable y creciente en [0, 1], y deducir de ello que 1
Z 1
2
ex dx e.
0
Z
133. Acotar superior e inferiormente la siguiente integral:
dx
.
10 + 6 sin x
134. Hallar el valor medio integral de la funcion f (x) = ln(x) en [1, 2], y el valor de x para el que
la funcion toma dicho valor medio.
Z x
t
dt con x 2. Estudiar la derivabilidad de
135. Consideremos la funcion F (x) =
2 (t)
3
+
cos
2
0
F (x) y calcular F (x) en caso de que sea posible.
136. Calcular las siguientes integrales:
Z
Z
dx
dx
a)
b)
9 + 4x2
5 + 9x2
Z
c)
dx
25 9x2
Z p
d)
25 4x2 dx .

Z
Z
Z
x
dx
1 + cos2 x
2
a) (3x + 1)dx b)
c)
dx
3
2 cos2 x
Z
Z x ln x
2
d) (x + 1)ex +2x dx e) x2 sin x3 dx
Z
Z
Z
ln3 x
2
a) x cos xdx b)
dx
c) x2 ex dx
Z
Z x2
.
x
d) e cos xdx e) x arctan xdx
Z
Z
x+4
x4 3x
a)
dx
b)
x3 4x2 + 5x 2
x(x 1)(x 2)dx
Z
c)
2x
dx .
(x 3)2 (x 1)
APENDICE
174
140. Hallar las siguientes integrales definidas:

Z
Z 2
Z
1/2
x
x ln xdx c)
e cos xdx b)
a)
p
x 2x2 1dx .
141. Dada la curva y = ln x, calcular el area de la region del plano delimitada por la curva, el eje
X, y la recta x = e.
142. Hallar el area de la region del plano delimitada por la grafica de la funcion y =
eje X entre las rectas x = 2 y x = 2.
x3
y el
x2 + 1
143. Calcular el area de la region del plano delimitada por la interseccion de la parabola y 2 = 4x
y la recta y = 2x 4.
144. Estudiar la convergencia o divergencia de las integrales:
Z
Z
Z
x
xe dx c)
x sin xdx b)
a)
2
145. Estudiar y representar la funcion

y=
2x
,
(x + 1)2
y calcular
Z
146. Resolver las siguientes integrales:

Z
x arctan(x)dx.
a)
Z
dx
b)
.
3
2
x 6x + 11x 6
Z /4
1
c)
dx.
(1 + arctan(x))(1 + x2 )
0
Z
1
d)
cos(ln(x)) dx.
x
Z
e)
(x2 + x) cos(x) dx.
2x
dx.
(x + 1)2
dx
dx .
x ln x
APENDICE
175
An
alisis Matem
atico: Funciones Continuas y Derivables en Varias Variables
147. Hallar el dominio de
a) f (x, y) = ln(x + y)
p
b) f (x, y) = 1 x2 + 1 y 2
1
c) f (x, y) = e x2 +y2 1
d ) f (x, y) =
2x+y
ln(xy)
148. Sea D = R2 \ {(0, 0)}. Probar que f : D R definida por f (x, y) =

(0, 0).
xy
x2 +y 2
no tiene lmite en
149. Calcular los siguientes lmites:

5x1 x32
2.
(x1 ,x2 )(0,0) x2
1 + x2
lm
x31
lm
(x1 ,x2 )(0,0)
1
2
x2
1 +x2
xy
x+y
si x + y 6= 0
. Probar que no existe lmite en (0, 0).
si x + y = 0

0 si (x, y) 6= (0, 0)
es discontinua en (0, 0).
151. Probar que f (x, y) =
1 si (x, y) = (0, 0)
(
x2
si (x, y) 6= (0, 0)
2 +y 2
x
152. Estudiar la continuidad de f (x, y) =
.
0
si (x, y) = (0, 0)
(
x2 y 2
si (x, y) 6= (0, 0)
x2 y 2 +(xy)2
153. Estudiar la continuidad de f (x, y) =
.
1
si (x, y) = (0, 0)
150. Sea f (x, y) =
154. Sea S = R2 \ {(x, 0)}. Probar que

f (x, y) =
x2 + y 2
si y 6= x2 , f (x, x2 ) = 0 si x 6= 0
x2 + y
tiene el mismo lmite en (0, 0) a lo largo de cualquier recta contenida en S que pase por el
origen, y sin embargo tiene lmites distintos a lo largo de cualquier parabola de la forma
y = kx2 .
155. Sean f, g dos funciones continuas de R2 en R, verificando que
lim(x,y)(0,0) f (x, y) = 1
y (x, y) R2 , g(x, y) 6= 0 siendo g(0, 0) = 2. Es la funcion f /g continua en el origen? Cu
al
sera el valor en el origen de f /g?
156. Sea f una funcion de R2 en R continua en el origen y verificando que f (1/n, 0) =
f (0, 0).
157. Estudiar la continuidad de
a) f (x, y) =
b) g(x, y) =
x2 y 3
,
x4 +y 6
x2 y 2
x4 +y 4
f (0, 0) = 0
, g(0, 0) = 0
1
n+1 .
Hallar
APENDICE
176
158. Hallar las derivadas de primer orden (derivadas parciales) de

x3 y 4 , [ln(x + 2y)]2 , 2x /y 3 , x2 sen(y), 2x2 3xy 2 + 2z 2 y + 4xtyz.
159. Calcula la derivada direccional de f (x, y) = x3 + y 2 en el punto (1, 2), respecto a la direcci
on
del vector (1, 1). En que direccion f (x, y) en el punto (0, 1), crece mas rapidamente?
160. Estudiar la continuidad y la existencia de derivadas parciales en (0, 0) de las funciones:
xy
si (x, y) 6= (0, 0)
x2 +y 2
a) f (x, y) =
0
si (x, y) = (0, 0)

xysen(1/(x2 + y 2 )) si (x, y) 6= (0, 0)
b) g(x, y) =
0
si (x, y) = (0, 0)
p
c) h(x, y) = x2 + y 2
( 3 3
x y
si (x, y) 6= (0, 0)
x2 +y 2
161. Sea f (x, y) =
0
si (x, y) = (0, 0)
a) Hallar
f
x
f
y .
b) Estudiar la continuidad de las funciones obtenidas en el apartado anterior.

(
1
x2 +y 2
e
si (x, y) 6= (0, 0)
162. Se considera f (x, y) =
0
si (x, y) = (0, 0)
a) Estudiar la existencia de las derivadas parciales de f.
b) Es f diferenciable en el origen?
c) Utilizando la diferencial, estimar la variacion que experimenta la funcion al pasar de
(1, 1) a (0,9, 0,9).
163. Estudiar si es diferenciable en el origen la funcion
( 2 2
x y
si (x, y) 6= (0, 0)
x2 +y 2
f (x, y) =
.
0
si (x, y) = (0, 0)
(
164. Sea f (x, y) =
xy xx2 y
+y 2
0
si
si
(x, y) 6= (0, 0)
(x, y) = (0, 0)
f
f
x (0, y) = y y, y que y (x, 0)
f
f
que xy
(0, 0) 6= yx
(0, 0).
a) Demostrar que
b) Comprobar
= x x.
165. Sea f (x, y) = x3 y + exy . Calcula fx , fy , fxx , fxy , fyx , fyy .

166. Si f (x, y) = sen( 2x+y
2xy ), probar que xfx + yfy = 0.
167. Si f (x, y, z) = (z y)(z x)(x y), probar que fx + fy + fz = 0.
168. Hallar las derivadas de segundo orden de las funciones:
x
f (x, y) = arctg , g(x, y) = ln(x2 + y), h(x, y) = xy + yz + xz.
y
169. Hallar las diferenciales de:
f (x, y) =
x2 y 2
, g(x, y) = sen2 x + cos2 y.
x2 + y 2
APENDICE
177
0
170. Usando la diferencial, estimar el valor de (90 995)2 05 .

171. Si un comerciante vende bicicletas a x euros/unidad, ypel precio de la gasolina es de 10y
euros/litro, vendera cada mes f (x, y) = 200 10 x + 4 (y + 7)3 bicicletas.

Actualmente las bicis se venden a 121 euros/unidad, y la gasolina esta a 080 euros/litro.
Usar la diferencial para estimar el efecto en la venta mensual de bicicletas si la gasolina pasa
a valer 090 euros/litro mientras el precio de las bicicletas se mantiene fijo.
172. Hallar las derivadas de las siguientes funciones compuestas:

x = tcos(t)
2
xy
a) f (x, y) = e ,
; df (/2).
y = tsen(t) dt

x = acos(t)
2
2
b) f (x, y) = x + y + 1,
; df , df .
y = asen(t) dt da
x = 3t2 + 2a
y
df
y = 4t 2a ; df
c) f (x, y) = zsen x ,
dt , da .
z = 2t2 3a
173. Sea z = F (u, v), donde u = ax, v = by, a y b constantes, y F de R2 en R. Hallar zx , zy .
174. Sea G(x, y, z) := zsen( xy

on implcita de x e y, y
2 ) y xz = 0, que define a z como funci
z
z z z
2
sean x := t u e y := 2t u. Calcular x , u , t y t (1, 1).
175. Sea z = u2 + v 2 donde u = ax, v = by, a y b constantes. Hallar zx , zy .
176. Dadas las funciones f (x, y) = (xy, yex ) y g(x, y) = xy 2 , estudiar si la composicion es diferenciable. Hallar la diferencial de la funcion compuesta resultante en un punto generico.
177. Dadas las funciones f (x, y) = (y + cos(x), x + ey ) y g(x, y) = x + y, demostrar que son
diferenciables y calcular la diferencial de la composicion en (0, 0).
178. Sea F (x, y) = e2xy + 3sin(x + y 2 z) = 0 que define a z como una funcion implcita de x e y.
z z
z
Si ademas x = 3v ln(u) e y = 4u 2v 2 . Hallar x
, u y v
.
179. Obtener la derivada de la funcion implcita (y(x)) definida por:
a) x3 y 2 xy + 5 = 0
b) 2ey x y 2 = 0.
180. Calcular el plano tangente a las superficies:
a) z 3 + 3xy + 2yz = 0 en el punto (1, 1, 1).
b) 3x2 + 2y 2 + 4z 2 = 1 en el punto (1/2, 0, 1/4).
181. Sea z = f (1 + at, 3 + bt), con fxx (1, 3) = fyy (1, 3) = fxy (1, 3) = 2. Hallar z 00 (t) y z 00 (0).
182. La relacion f (x2 + y 2 , x2 z 2 ) = 0 define a z como funcion implcita de x e y. Hallar sus
parciales.
183. Sea y bz = f (x az), donde z es funcion implcita de y y f : R R. Hallar zx , zy . (Nota:
considerar F (x, y, z) = y bz f (x az) = 0.)
184. Calcular el valor en el punto (3, 4) de una funcion diferenciable y homogenea de grado 2, tal
f
que f
x (3, 4) = 2 y y (3, 4) = 7.
185. Siendo f (x, y) = x2 + y 2 y g(x, y) = (x2 y 1/2 , y 3 x1/2 ), comprobar que la composicion verifica
el teorema de Euler, calculando sus derivadas parciales.
APENDICE
178
186. Sea F : R2 7 R definida como:

F (x, y) = y + cos x + x + ey
a) Calc
ulese la diferencial de F en (0, 0).
b) Calc
ulese la derivada de F seg
un el vector (2, 1).
c) Calc
ulese la derivada direccional maxima de F en (0, 0), as como dicha direccion.
d ) Sabiendo que F (x, y) = 2 define a y como funcion implcita de x en un entorno de (0, 0),
calc
ulese y 0 (0).
187. Consideremos f : R2 7 R dada por
5/3 1/3
x y
6
2
f (x, y) =
x +y
0
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
a) Estudiar la continuidad de f en todo R2 .

f
b) Hallar la funcion
en todo R2 .
y
c) Es f diferenciable en (0,0)?, y en (1,1)?, ?por que?. Hallar la diferencial de f , siempre
que sea posible, en los puntos citados anteriormente.
188. Sea F (x, y) = 2xe2xy cos xyz = 0 que define a z como funcion implcita de x e y:
z z
,
.
x y
b) Si ademas se verifica:
a) Determinar
determinar
z z
,
.
t u
x=t+u
y = t2 + 2u
APENDICE
179
An
alisis Matem
atico: Optimizaci
on
189. Obtener el polinomio de Taylor de grado 5 respecto de las potencias de x de la funcion:
f (x) =
ex ex
.
2
190. Obtener el desarrollo de Taylor de la funcion f (x) = ex en un entorno de x = 0. Como

aplicacion calcular e0,1 con un error menor que 106 .
191. Desarrolla la funcion f (x) = ln x en un entorno de x = 1. Utiliza este desarrollo para calcular
ln(10 1) con un error menor que 104 .
192. Calcula, utilizando el polinomio de Taylor los lmites:
a)
c)
lm
ex ex 2x
x0
x sin x
b)
lm cot x ln(1 + x)
d)
x0
x sin x
x0 x(1 cos 3x)
1
lm cot x
x0
x
lm
193. Un inversor en la bolsa cree que la evolucion del precio de una cierta accion obedece a la
formula
x
f (x) = e 50 (x2 + 100x + 2975)
siendo x el da a partir de hoy. Suponiendo que tuviese razon, (que no la tiene), calcular
en que momento debe vender, as como sus beneficios respecto del da de hoy, si posee un
paquete de mil acciones.
194. Una caja rectangular sin tapa ha de tener un volumen de 32 unidades c
ubicas. Calcula las
dimensiones para que la superficie total sea mnima.
195. Hallar los extremos relativos de f (x, y) = x3 + y 3 3x 12y + 20.
196. Consideramos la siguiente funcion en dos variables:
f (x, y) = x2 + y 2 2x + 2y.
Calcular y clasificar los puntos crticos de f.
197. Hallar tres n
umeros cuya suma sea 1000 y su producto maximo.
198. Hallar las dimensiones de una caja rectangular abierta de volumen V para que tenga superficie
maxima.
199. Hallar un vector de dimension tres, de modulo 8 y tal que la suma de sus componentes sea
maxima.
200. Dada la funcion f (x, y) = 3x + 4y 6, hallar los mnimos y maximos de esta funcion bajo la
condicion x2 + y 2 = 1.
201. Hallar los extremos de f = x 2y + 2z = 0 sujetos a la condicion x2 + y 2 + z 2 = 9.
202. Hallar y clasificar los puntos crticos de la funcion:
z = 6x 2x3 6xy 2 9.
APENDICE
180
203. Calcular los extremos de

f (x, y, z) := xLn(x) + yLn(y) + zLn(z)
con la condicion
x + y + z = 1.
204. Hallar un punto de x2 + y 2 + z 2 = 19 tal que el doble de su primera componente mas el triple
de la segunda, mas el quntuple de la tercera sea maximo. Hallar otro que sea mnimo.
205. Hallar los extremos de f = x2 + y 2 + z 2 sabiendo que ax + by + cz + d = 0.
206. Una carpintera produce dos tipos de sillas que vende a un precio de 60 x y 30 y miles de
euros, siendo x e y las cantidades fabricadas por da de cada uno de los tipos.
Si el costo es de C(x, y) = x2 + xy + y 2 , calcular x e y para maximizar las utilidades.
207. La utilidad obtenida por un consumidor de x unidades de artculo, e y unidades de otro viene
dada por la funcion de Cobb-Douglas del tipo U (x, y) = x3/5 y 2/5 . Sabiendo que dispone de
60.000 euros para gastar, y que x vale 600 euros/unidad e y 1.200 euros/unidad. Cuantas
unidades debe comprar de cada artculo para maximizar la utilidad?
208. Un fabricante produce dos tipos de maquinas x, y. La funcion de costes es C(x, y) = x2 +
2y 2 xy. El n
umero total de maquinas que debe producir es 24. Cuantas de cada tipo debe
producir para minimizar el coste?.
209. Si se gastan x millones de euros en mano de obra e y millones en equipo, la producci
on
1/3
2/3
de cierta fabrica sera Q(x, y) = 60x y
unidades. Si hay 120 millones disponibles, como
debera distribuirse el dinero, entre mano de obra y equipo, para generar la mayor producci
on
posible?
210. Dada z = 6 4x 3y con la restriccion x2 + y 2 = 1, determinar los maximos y mnimos.
APENDICE
181
An
alisis Matem
atico: Ecuaciones Diferenciales
211. Calcular la solucion general de las siguientes ecuaciones diferenciales de variables separables:
a) y 0 = yex .
b) y 0 + xy = 2x.
c) yy 0 = ey 3 1 + x.
d ) y 0 = 2xy 3 .
e) xy 0 = y(ln x + 2).
(y 2 cos y)y 0
= 2.
x2 ex
g) ln(2x + y 0 ) = (y + 2) ln x.
f)
212. Calcular la solucion general de las siguientes ecuaciones diferenciales homogeneas y reducibles
a homogeneas:
a) y 0 =
b) y 0 =
c) y 0 =
d ) y0 =
e) y 0 =
f ) y0 =
x2 + xy + y 2
.
yx
xy
.
x+y
2x + y
.
x
2x2 5xy + 4y 2
.
y2
x+y+1
.
xy+3
2x + 5y + 8
.
2x + y + 4
213. Calcular la solucion general de las siguientes ecuaciones diferenciales exactas y cuasi-exactas:
y
dx + ln(x + 1)dy = 0.
1+x
b) (x2 + y 2 )dx + 2xydy = 0.
y sin x sin y
.
c) y 0 =
x cos y + cos x
d ) (x2 + 2x + y)dx + 2dy = 0.
a)
e) (x + y)dx + tan xdy = 0.

f ) y 3 dx + (xy 2 x2 )dy = 0 utilizando el factor integrante (x, y) =
1
x2 y 2
214. Calcular la solucion general de las siguientes ecuaciones diferenciales lineales y de Bernoulli:
a) y 0 + 3xy = x2 .
b) ex y 0 + y = 1.
c) xy 0 + y = 0.
d ) y 0 y = x2 y.
e) y 0 = y + y 4 x2 .
f ) ex y 0 = y y 2 .
215. Resolver, mediante el metodo apropiado, las ecuaciones diferenciales:
APENDICE
a) y 0 cos2 x + y 1 = 0 con y(0) = 2.
b) ex sin xdx + ex cos xdy = 0 con y(0) = /3.
x2 0
2
2 y (1 + y ) = 0 con y(1) = 1.
ln x
d ) y 0 = y y 2 sin x con y(0) = 1.
c)
e) y 0 = cos x y con y() = 1.
182
Ap
endice B
Ejercicios de tipo test
Algebra:
Matrices
1. Si A M32 (R) y B M23 (R), entonces:
a) det(A B) = det(A) det(B).
t
A + B t = At + B.
b)
c) (AB)1 = B 1 A1 .
d ) (A + B)2 = A2 + B 2 + 2AB.
2. Si A M44 (R), entonces:
a) det(A) + det(A) = 0.
b)
det(A) + det(A) = 2det(A).
c) det(At ) = det(A).
d ) det(A 2A) = 3det(A).
3. Sean A, B Mn (R)
a)
Si A = 0 AB = 0.
b) Si A 6= 0 y B 6= 0 AB 6= 0.
c) Si AB = 0 A = 0 o B = 0.
d ) Si (A + B)1 A1 y B 1 .
4. El sistema de ecuaciones: x + 2y + 3z = 11, 3x + 3y = 9, 4x + 5y + 3z = 20 es:
a) compatible y determinado.
b)
compatible e indeterminado.
c) incompatible.
d ) tiene tres soluciones.
5. Dado un sistema de ecuaciones homogeneo y compatible determinado, entonces:
a)
la u
nica soluci
on que posee es la nula.
b) al menos tiene una solucion distinta de la nula.

c) tiene infinitas soluciones.
d ) ninguna de las anteriores.
183

APENDICE
B. EJERCICIOS DE TIPO TEST
6. Dadas dos matrices A, B Mn (R), y la ecuacion matricial Ax Bx = C, se tiene que:
a) x = C(A B)1 .
b) x = (A B)1 C.
c)
Si det(A B) 6= 0, x = (A B)1 C.

7. Dada la matriz A Mn (R), se tiene:
a) det(2A) = 2 det A.
b)
det(2A) = 2n det A.
c) det(2A) = (det A)2 .

8. Cual de los siguientes determinantes es nulo para todo a, b R :

a b
.

a)
b a

a b

.
b)
a b

a b

.
c)
b a
d ) no podemos afirmar nada al desconocer los valores de a y b..
1 2 3
4
234
0 212 0
32
9. El determinante de la matriz 0 0 4 435 1212

es:
0 0 0
12 sin 34
0 0 0
0
10
a) 0.
b) 123 sin 34.
c)
480.
d ) ninguno de los valores anteriores.

10. Sean A, B Mn (R), con det(BA) = 5. Entonces:
a) det(AB) = 1/5.
b)
B tiene inversa.
c) det(A) = 5/2.
d ) A no tiene inversa.
1 2 0
11. Dada la matriz A =

2 0 1 , entonces:
0 1 a
a) rango(A) = 2.
b)
rango(A) = 2 a = 1/4.
c) rango(A) = 3 a = 1/4.
d ) Ninguna de las anteriores.
184

APENDICE
185
12. Dado el conjunto de vectores {v1 , v2 , v3 } de R4 tal que son linealmente independientes, en
tonces el conjunto {v1 , v2 , v3 , 0 } es:
a) linealmente independiente.
b) una base de R4 .
c) un sistema generador de R4 .
d)
linealmente dependiente.
13. Sea A una matriz simetrica que tiene por polinomio caracterstico: ( 3)3 ( 1), entonces:
a) A no es diagonalizable por tener un autovalor m
ultiple.
b)
siempre es diagonalizable.
c) la diagonalizacion de A dependera de la dimension de los subespacios propios asociados.

14. Sea A una matriz diagonalizable, tal que v es un autovector de A asociado al autovalor R,
entonces:
a) v es un autovector de A del autovalor .
b)
v es un autovector de A del autovalor .
c) 3v es un autovector de A del autovalor 3.

15. La forma cuadratica q(x, y, z) = x2 + y 2 + 2xz es:
a) definida positiva.
b) definida negativa.
c) semidefinida positiva.
d)
ninguna de las anteriores.
16. Sea A una matriz diagonalizable y P una matriz de paso. En general,

a) det(P ) = 0.
b)
det(P ) 6= 0.
c) P no es cuadrada.
17. Consideremos el sistema de ecuaciones Ax = b con A M23 . Entonces:
a) Es sistema siempre es compatible.
b) Es sistema siempre es incompatible.
c) Es sistema siempre es compatible determinado.
d)
Ninguna de las anteriores.
18. Un sistema de ecuaciones lineales incompatible tiene:

a) una solucion.
b) infinitas soluciones.
c) la solucion trivial.
d)

APENDICE
186
19. Sean {v1 , v2 , v3 } vectores de R2 . Entonces:

a) son linealmente independientes.
b)
son linealmente dependientes.
c) dim(< v1 , v2 , v3 >) = 3.
20. Si A es una matriz cuadrada de orden 3 con un autovalor triple igual a 1 y M es una matriz
inversible tal que M 1 AM es una matriz diagonal, entonces:
a) A no es diagonalizable.
b) no se puede saber si A es diagonalizable.
c)
det(A) = 1.
d ) el enunciado no es coherente.
21. Sean A, B Mn tal que det(B A) 6= 0, entonces:
a) det(A) 6= det(B).
b) (B A)1 A = (B A)1 B.
c) k tal que B = kA.
d)

a) son linealmente independientes siempre.
b) si fuese un sistema de generadores, sera una base.
c)
nunca puede ser un sistema de generadores.
d ) es base de R4 .
23. La forma cuadratica q(x, y, z) = 2x2 3y 2 + 4z 2 es:
c) semidefinida positiva.
d)
24. Sea k R y A Mnn . Entonces:

a) det(kA) = det(k)det(A).
b) det(kA) = kdet(A).
c)
det(kA) = k n det(A).

25. Sea la igualdad matricial X = A(B + C) con det(A) = det(B) = det(C) 6= 0. Entonces:
a) X 1 = (B 1 + C 1 )A1 .
b) X 1 = A1 (B + C)1 .
c) X 1 = (B + C)1 A1 .
d)
26. Sea A M33 (R) tal que los autovalores son {0, 1, 2}, entonces:

APENDICE
187
a) A no es diagonalizable.
b) no se puede saber si A es diagonalizable.
c)
A es diagonalizable.

27. Sea 3 6 2 + 11 6 el polinomio caracterstico de una matriz de orden tres. Entonces:
a) La matriz no es diagonalizable.
b) La matriz es simetrica.
c)
La matriz es diagonalizable.
d ) No podemos saber si la matriz es diagonalizable.

28. Si A, B y C son matrices cuadradas de orden n, cual de las siguientes afirmaciones es
verdadera?
a) AB = 0, entonces A = 0 o B = 0.
b) AB = AC, entonces B = C.
c) (A + B)2 = A2 + B 2 + 2AB.
d)
AB = AC y existe A1 , entonces B = C.
29. Sean A, B y X matrices cuadradas de orden n tales que existan A1 y (AI)1 . Si se verifica
que AX X = B, entonces
a)
X = (A I)1 B
b) X = A1 B + I
c) X = B(A I)1
d ) X = BA1 + I
30. Si una matriz cuadrada A tiene por polinomio caracterstico 2 3 + 2, entonces
a) no se puede saber si A es diagonalizable puesto que no se conoce.
b) no es diagonalizable.
c) el u
nico autovalor es 2.
d)
es diagonalizable.
31. Los vectores del conjunto {(1, 2, 1), (4, 5, 6)} de R3 son:
a) Generadores de R3 .
b) Base de R3 .
c)
No son generadores de R3 .
d ) Ninguna de las respuestas anteriores es cierta.

32. El conjunto {(x, y) R2 | y = 2x 1},
a) Es un espacio subvectorial de R2 .
b) Tiene dimension 1.
c)
No es un subespacio vectorial.

33. Cual de los siguientes conjuntos genera el espacio R2 [x] :

APENDICE
a) 1, x2 , 2x2 .
b)
3, 2x + 1, x2 .
c) x3 , x2 , x, 1.
d ) ninguno de los anteriores.
34. Cual de los siguientes conjuntos de vectores debe ser linealmente dependiente:
a) (a, b, c), (d, e, f ).
b)
(a, b), (c, d), (e, f ).
c) (a, b, c), (d, e, f ), (g, h, i).

d ) ninguno de los anteriores.
35. Sean las matrices A23 , B32 , C24 . Entonces (ABC)t es de orden
a) 2 4.
b) no se puede efectuar la operacion.
c) 4 4.
d)
4 2.
36. Sea A M45 (R) tal que rango(A) = 4. Sean x R5 , b R4 . El sistema Ax = b:

a) Puede ser incompatible.
b)
Es compatible indeterminado.
c) Es compatible determinado.
d ) No podemos asegurar nada.
37. Sean A, B, C Mnn (R) tales que AB = AC.
a)
Si rango(A) = n, entonces B = C.
b) |B C| = 0.
c) |B| = |C|.
d ) BA = CA.
38. Consideremos el sistema:
2x y + z = a
x + 3y + z = b
x y + 5z = c
a) No admite solucion si a > 0, b > 0 y c > 0.

b) Admite solucion u
nica solo si a 0, o b 0, o c 0.
c) Es un sistema compatible indeterminado.
d)
Es un sistema compatible determinado.
39. Consideremos la forma cuadratica Q : R2 R definida como:

x1 x2
Q(x1 , x2 ) = det
x2 x1
a)
No definida en signo.
b) Es semidefinida positiva.
c) Es definida positiva.
188

APENDICE
189
d ) No tenemos una forma cuadratica.

40. Sea V un espacio vectorial y sean {u1 , . . . , un } y {v1 , . . . , vm } dos sistemas de generadores de
dicho espacio. Entonces:
a) dim(V ) = |n m|.
b)
dim(V ) min(m, n).
c) dim(V ) max(m, n).

d ) dim(V ) = n = m.
41. Sea la matriz A Mn . Entonces:
a) det(A) + det(A) = 0.
b)
n par det(A) = det(A).
c) n par det(A) = det(A).

42. Sea Q : R3 R una forma cuadratica con A como matriz asociada y tal que Q(1, 0, 0) = 2,
y Q(0, 1, 0) = Q(0, 0, 1) = 1. Entonces:
a) det(A) = 0.
b)
Q es no definida en signo.
c) Q(e1 + e2 + e3 ) = 0.
43. Sean las matrices A, B Mn . Entonces:
a) (A + B)2 = A2 + B 2 + 2AB.
b) (A + B)2 = A2 + B 2 .
c) (A + B)2 = A2 + B 2 + 2BA.
d)
(A + B)2 = A2 + B 2 + AB + BA.
44. Sea V un espacio vectorial de dimension 3, sea {v1 , v2 , v3 } una base de V, y sea w = v1 2v3 .
Entonces:
a) {v1 , w, v3 } es un sistema de generadores de V.
b) {w, v1 , v3 } es un conjunto linealmente independiente.
c)
{w, v2 , v3 } es un sistema de generadores de V.
d ) {v1 , v2 , w} es un conjunto linealmente dependiente.

45. Sea u R3 \ {0}, y sea el conjunto S := {x R3 | x u = 0}. Entonces:
a) S no es un subespacio vectorial.
b) S es un subespacio vectorial de dimension 1.
c) S =< (0, 0, 0) > .
d)
S es un subespacio vectorial de dimensi

on 2.
46. Consideremos el conjunto F = {(x, y, z) R3 | 3x + z = y + 1 = 0}. Entonces:

a) F es un subespacio vectorial de dimension 1.
b) F es un subespacio vectorial de dimension 2.
c)
F no es un subespacio vectorial.

APENDICE
190

47. Sean A Mn (R), R y det(A) = 3. Entonces:
a) det(A) = 3.
b) det(A) = 3n n .
c)
det(A) = 3n .
d ) det(A) = 3n .
48. Si A Mnp (R) y contiene una submatriz de orden 3 con determinante no nulo, se tiene:
a) rg(A) = 3.
b) rg(A) 3.
c)
rg(A) 3.
d ) det(A) = 4.
49. La dimension del subespacio H R4 engendrado por
< (1, 1, 0, 2), (3, 1, 1, 1), (2, 2, 0, 4), (5, 3, 1, 3) >
es:
a) 1.
b) 2.
c)
3.
d ) 0.
1 a
b
f tiene de autovalores 1 = 3, con multiplicidad 2, y 2 = 2,
50. La matriz A := a 2
b f 1
entonces:
a) det(A) = 0.
b) det(A) = 2.
c)
det(A) = 18.
d ) det(A) = 6.
51. En un sistema homogeneo de tres ecuaciones con tres incognitas se verifica:
a) El rango de la matriz de coeficientes es tres.
b) La u
nica solucion es la trivial.
c)
El conjunto de soluciones es un subespacio vectorial.
d ) Las tres anteriores son ciertas.

52. Sea q(x, y, z) := x2 z 2 . Es:
a) Definida positiva.
b) Semidefinida positiva.
c) Definida negativa.
d)
53. El subespacio E := {(x, y, z)| x = y} tiene dimension:

APENDICE
191
a) 1.
b)
2.
c) 3.
d ) Depende de z.
54. Los vectores (a, 1, 5), (2, 3, 4), (11, 0, 19) forman una base de R3 si:
a) a 6= 0, a 6= 3.
b) a = 3.
c)
a 6= 3.
d ) a = 0.
55. Sea B una matriz cuadrada de orden 2 con un autovalor doble igual a 2 y A es una matriz
regular tal que A1 BA es una matriz diagonal, entonces:
a)
det(B) = 4.
b) B no es diagonalizable.
c) no podemos conocer el valor del determinante de B.
d ) si det(A) = 0, B es diagonalizable.
56. Dados dos conjuntos de vectores S1 = {(1, 2), (2, 3)} y S2 = {(1, 0), (0, 2)} se verifica:
a) S1 y S2 son linealmente dependientes.
b)
S1 y S2 son equivalentes.
c) S1 genera R3 y S2 genera R2 .
57. Dado un sistema homogeneo y compatible con n incognitas, entonces:
a) no tiene solucion.
b)
al menos tiene como soluci

on: x1 = x2 = = xn = 0.
c) tiene dos soluciones.

58. Sea A una matriz simetrica con det(A) = 0, entonces:
a)
A es diagonalizable y = 0 es un autovalor de A.
b) A no puede ser diagonalizable al no ser regular.

c) el valor = 0 nunca puede ser un autovalor de A.
59. La forma cuadratica q(x1 , x2 ) = 3x21 x22 + 4x1 x2 es:
c)

60. Cual de las siguientes afirmaciones es cierta para las matrices A y B si AB es un vector
columna?

APENDICE
a)
192
B es un vector columna.
b) A es un vector fila.
c) A y B son matrices cuadradas.
d ) El n
umero de filas de A es igual al n
umero de columnas de B.
61. Sea A una matriz cuadrada y real de orden 5. Es cierto en general:
a) Si tres de los autovalores de A son reales y distintos, A es diagonalizable.
b) Si cuatro de los autovalores de A son reales y distintos, A es diagonalizable.
c)
Si A es diagonalizable, los elementos de su diagonal asociada son sus autovalores.
d ) Si A es simetrica, sus autovalores son reales.

62. La forma cuadratica Q(x1 , x2 , x3 , x4 , x5 ) = x21 x2 x5 es:
a) Definida positiva.
b) Definida negativa.
c) Semidefinida negativa.
d)
63. Sea A la matriz asociada a una forma cuadratica en R3 con det(A) = 0. Entonces:
a) La forma cuadratica es semidefinida positiva.
b) La forma cuadratica es no definida en signo.
c)
El producto de los autovalores de A es cero.
d ) La suma de los autovalores de A es tres.
64. El conjunto A := {(x, y, z)|x 2y + 2z = 0} R3 tiene:

a) Dimension 3.
b)
Dimensi
on 2.
c) Dimension 1.
d ) No es un subespacio vectorial de R3 .
65. Sea A M6 , con det(A) = 11. Entonces:
a)
det(A) = 11.
b) det(A) = 11.
c) det(A) = 66.
d ) det(A) = 66.
66. Consideremos las matrices A, X, C M(R) con |AI| =
6 0, I la matriz identidad y verificando
que AX IX = C. Entonces:
a)
X = (A I)1 C.
b) X = C(A I)1 .
c) Es imposible despejar X.
67. Sean A, B, P Mn (R), con |P | =
6 0 y tales que A = P 1 BP. Entonces:

APENDICE
193
a) |A| = |P ||B|.
b)
|A| = |B|.
c) |A| = 1.
d ) |A| = |P |2 |B|.
68. Sea A Mmn (R) con m 6= n. Entonces:
a) AAt At A Mm (R).
b) AAt At A Mn (R).
c) AAt At A = 0.
d)
No se puede realizar el c
alculo AAt At A.

a) Son linealmente independientes.
b) Son linealmente dependientes.
c) dim(< v1 , v2 , v3 >) = 3.
d)
70. Sea V un espacio vectorial real y u, v, w V tres vectores tales que w = u + v. Entonces:
a)
w = 0 {u, v} son linealmente dependientes.
b) w 6= 0 {u, v} son linealmente independientes.

c) {u, v} son linealmente independientes.
d ) {u, v} son linealmente dependientes.
71. Sean V un espacio vectorial de dimension 3 y u1 , u2 , u3 V vectores tales que {u1 , u2 , u3 } no
es un sistema de generadores de V. Entonces:
a) Se puede completar {u1 , u2 , u3 } hasta formar una base de V.
b)
{u1 , u2 , u3 } es linealmente dependientes.
c) Suprimiendo alg
un vector de {u1 , u2 , u3 } se puede conseguir una base de V.
d ) {u1 , u2 , u3 } es linealmente independientes.

x
+3y +5z = 0
es:
72. El sistema de ecuaciones lineales
2x
+z = 0
a) Compatible determinado.
b)
Compatible indeterminado.
c) Incompatible.
73. Sea el espacio vectorial V =< (1, 0, 1, 2), (0, 0, 1, 4), (1, 0, 0, 6) > R4 . Entonces:
a) dim V = 4.
b) dim V = 3.
c)
dim V = 2.
d ) dim V = 1.
74. Sea A M3 (R) simetrica con autovalores {1, 1, 3}. Entonces:

APENDICE
194
a) |A| = 0.
b) |A| = 3.
c)
|A| = 3.
d ) |A| = 1.
75. Sea Q : R3 R la forma cuadratica definida por Q(x, y, z) := x2 + z 2 .
a) Q es definida positiva.
b) Q es no definida en signo.
c)
Q es semidefinida positiva.

76. Sea la ecuacion matricial 1/2Ax + Bx = D, con 1/2A + B inversible. Entonces:
a)
x = (1/2A + B)1 D.
b) x = D(1/2A + B)1 .
c) x = 2D(1/2A + B)1 .
d ) No podemos despejar x.
77. La forma cuadratica Q(x, y, z) = x2 2yz z 2 es:
a) Definida negativa.
b) Semidefinida negativa.
c)
d ) No es una forma cuadratica.

78. Dada la forma cuadratica Q(x, y, z) = x2 + 2xy 2y 2 + az 2 , con a una constante, se tiene:
a) Q(x, y, z) es semidefinida positiva si a = 0.
b) Q(x, y, z) es definida positiva si y solo si a > 0.
c) Q(x, y, z) es definida negativa si y solo si a < 0.
d)
79. Sea A M3 (R) con autovalores 7, -1 y 1. Entonces:

a) |A| = 0.
b)
|A| = 7.
c) |A| = 9.
80. Sean A, B Mn (R) tales que |A| = 5 y |B| = 2. Entonces:
a)
|2AB 1 | = 5 2n1 .
b) |AB| = 15.
c) |2AB 1 | = 5.
d ) |2AB| = 20.
81. Cual de las siguientes afirmaciones es cierta para una matriz A inversible?
a) El producto de A por I es A1 .
b) A es una matriz 2 3.

APENDICE
195
c) A = A1 .
d)
A es cuadrada.
82. Sea A Mn (R) con un autovalor 2 y autovector v asociado a 2. Entonces:

a) Existe u un vector tal que (A 2I)u = v.
b) (A 2I)v = v.
c)
Av = 2v.

83. Sea S el subespacio vectorial de R3 generado por {v1 , v2 }. Entonces:
a) dim S = 3.
b)
dim S 2.
c) dim S 1.
d ) dim S = 0.
84. Sea A una matriz cuadrada. Entonces:
a)
A + At es sim
etrica.
b) |A At | = 0.
c) A At es simetrica.
d ) A (A1 )t = A.
85. Sea A M5 (R) de rango 2. Entonces:
a) |A| = 2.
b) |A| = 3.
c)
|A| = 0.
d ) |A| = 5.
86. Consideremos el conjunto de vectores linealmente independiente {u1 , u2 , u3 } R4 y el conjunto B := {u1 , u1 + u2 , u1 + u2 + u3 }. El conjunto B es:
a) Una base.
b)
Linealmente independiente.
c) Linealmente dependiente.
d ) Ninguna de las anteriores es cierta.
87. La forma cuadratica q(x1 , x2 , x3 , x4 ) = 3x21 x22 e2 x23 + 324534x24 es:

a) Semidefinida positiva.
b) Definida positiva.
c) Definida negativa.
d)
Ninguna de las anteriores es cierta.
88. Dado el sistema Ax = 0, con A M35 (R), el espacio vectorial formado por sus soluciones
tiene:
a) Dimension dos.
b)
Dimensi
on mayor o igual que dos.

APENDICE
c) Dimension ocho.
89. Consideremos dos matrices semejantes A y B, es decir A = P BP 1 , entonces:
a)
Los polinomios caractersticos de A y B son iguales.
b) det A 6= det B.
c) A y B son matrices inversas.
90. Sean A, B M3 (R) dos matrices con los mismos autovalores uno, dos y tres.
a) A y B no son semejantes.
b) A y B son iguales.
c)
det A = det B.
196

APENDICE
An
alisis Matem
atico
91. Si lm an > 0, entonces
n
an es una serie
a) convergente.
b)
divergente.
c) no se puede aplicar ning

un criterio.
d ) es un caso dudoso.
r
n+1
=
92. lmn 4 1 n22n
+1
a)
e1/2 .
b) 0.
c) 1.
d ) e1/2 .
P
93. Sea
xn una serie de terminos cualesquiera tal que lmn (xn )2 = 3. Entonces:
P
a)
xn converge a 3.
P
b)
xn = 3.
P
c)
xn es divergente.
94.
X
sin n
n=1
a)
n!
es convergente.
b) es condicionalmente convergente.
c) no es absolutamente convergente.
d ) es divergente.
95.
n4 + 3n + 2
=
n n3 +
lm
a) +.
b)
c) 1.
3n
es:
n n2
96. El lmite lm
a) 1.
b) 0.
c) .
d)
ninguno de los valores anteriores.

2n6 n + 2
es:
n 3n5 + 375
97. El lmite lm
a) 0.
197

APENDICE
198
b) +.
c)

s
312n2 + 12
98. El lmite lmn n
es :
(n + 1)(n + 2)
a) 0.
b)
1.
c) +.
d ) .
P
99. La serie
sen(1/n) es
a)
de t
erminos positivos.
b) alternada.
c) convergente.
P
n
100. Sea n1 ( n n 1) una serie de n
umeros reales, entonces:
a) La serie es divergente.
b) La serie es alternada.
c) La serie es de terminos cualesquiera.
d)

P
P
101. Sean
xn y
yn dos series tales que yn xn , n 1, entonces:
a) lmn xn = lmn yn .
P
P
b)
xn yn .
P
P
xn yn .
c)
102. Dada una sucesion tal que lm
a)
|an | es divergente.
b)
|an | es convergente.
c)
|an | es oscilante.
an+1
= 3,
an
d ) no podemos afirmar nada por falta de condiciones.

P
103. La sucesion (1)n 1/n es:
a)
Absolutamente convergente.
b) Divergente.
c) Condicionalmente convergente.
104. Sea {an } una sucesion de terminos positivos tal que lm an = a > 0, entonces lm
n
a) +.
an =

APENDICE
199
b) 1/2.
c) no existe.
d)
1.
105. La serie
a)
(1 + 1/n)n es:
divergente.
b) convergente.
c) alternada.
X
n6 + n
n
106. La serie
(1) 3
es:
n +n+3
a) convergente.
b) absolutamente convergente.
c) condicionalmente convergente.
d)
107. Sea
a)
b)
c)

P
an una serie de terminos positivos convergente. Entonces:
P 2
an es convergente.
P 2
an es divergente.
P 2
an es oscilante.

P
108. Se conoce que
an = 1/3, entonces lm an =
a) 1/3.
b) 3 an = 1.
c)
0.
d ) no se puede calcular con los datos que conocemos.

109. Sea f : [a, b] R R y continua en [a, b] con f (a)f (b) < 0. La afirmacion no cierta
necesariamente es:
a) Para cualquier valor h comprendido entre f (a) y f (b) existe un c [a, b] tal que f (c) = h.
b) Existe un punto c [a, b], tal que f (c) = 0.
c)
f es derivable en [a, b].
d ) Existe un punto c [a, b] tal que f (c) 6= 0.

110. Sea f : R R tal que limxx+ f (x) 6= limxx f (x) :
0
a) f es continua en x0 .
b) f posee una discontinuidad evitable en x0 .
c) f posee una discontinuidad de salto en x0 .
d)

2
111. La funcion f (x) = e(1x) tiene:

a) Un maximo en x = 0.

APENDICE
b)
200
Un mnimo en x = 1.
c) Un maximo en x = 1.
d ) Un punto de inflexion en x = 0.
112. La funcion f (x) = ln(ex + 1)
a) Tiene una asntota vertical en x = 0.
b) Tiene una asntota horizontal en y = 1.
c) Tiene una asntota oblicua en y = x.
d)
113. Si z = xy 2 + x2 y, donde y = ln(x), entonces

a)
dz
|
:
dx (1,0)
Vale 1.
b) Vale -1.
c) Vale 2.
d ) Vale -2.
114. Sea f : [a, b] R, y g : [a, b] R.
Rb
a) a f (x)dx = 0, entonces f (x) = 0, x [a, b].
Rb
b) Si f (x) 0, x [a, b], entonces a f (x)dx 0.
Rb
Z b
f (x)dx
f (x)
.
dx = Rab
c)
a g(x)
g(x)dx
a
Z b
Z b
Z b
d)
f (x) g(x)dx = (
f (x)dx) (
g(x)dx).
a
115. Si f es una funcion continua en [a, b] entonces

Rx
a) a f (t) dt 0 para todo x (a, b).
b) f tiene primitiva en (a, b).
c) f es derivable en (a, b).
d)
116. Sea f : A R5 R, con derivadas parciales segundas continuas, donde A es un conjunto

abierto. Entonces:
a) Si f (x0 ) = 0 entonces f tiene un maximo local en x0 .
b) Si f (x0 ) = 0, entonces x0 no se puede clasificar.
c)
Si x0 es un m
aximo local, entonces f (x0 ) = 0.

117. La funcion F (x, y) = x2 y, condicionada para y x = 2 tiene:
a) Un maximo en (0, 4/3).
b)
Un mnimo en (0, 2).
c) Un mnimo en (4/3, 2/3).


APENDICE
201
118. La funcion f (x, y) = ex + y 2 x 8y en el punto (0, 1) tiene direccion de maximo crecimiento

en:
a) (0, 8).
b) (1, 8).
c)
(2, 8).

119. Sea f (x) = x2 4x + 4 en [2, 0].
a) Tiene un punto de inflexion.
b) c [2, 0] tal que f 0 (c) = 0.
c) Toma valores negativos.
d)
Toma valores positivos.
120. Sea f : D R2 R una funcion homogenea de grado 2. Entonces:

a) xfx + yfy = 2.
b)
xfx + yfy = 2f .
c) yfx + xfx = f 2 .
d ) fx + fy = 2f .
121. Si f : R R verifica en x0 : f (x0 ) = f 0 (x0 ) = f 00 (x0 ) = f (3) (x0 ) = 0, f (4) (x0 ) > 0, f (5) (x0 ) <
0, entonces:
a)
x0 es un mnimo relativo de f .
b) x0 es un maximo relativo de f .
c) x0 es un punto de inflexion de f .
122. De las siguientes afirmaciones se
nalar cual es falsa en general, para una funcion f : R2 R:
a) Si existe lmite en un punto, existen todos los lmites direccionales y coinciden.
b)
Si existen los lmites reiterados en un punto, y coinciden, existe el lmite en

dicho punto.
c) Si existen los lmites reiterados en un punto, pero no coinciden, no existe el lmite en

dicho punto.
d ) Si no existe alg
un lmite direccional en un punto, no puede existir el lmite en dicho
punto.
123. La funcion f (x) = 2x3 + 5x2 5x + 7 verifica que :
a) tiene una raz en [1, 1].
b) tiene una u
nica raz en (4, 0).
c)
tiene al menos una raz en [4, 0].
d ) nunca corta al eje de abscisas.

124. Si f : R2 R es diferenciable y tiene un mnimo en (x0 , y0 ), entonces:
a) la matriz hessiana tiene todos sus autovalores positivos o nulos.
b)
todas las derivadas direccionales valen cero.

APENDICE
202
c) dicha funcion no tiene maximo.

125. Si lmx0 f (x, mx) = lmx0 f (x, mx2 ) = 5,
m, entonces:
a) existe el lm(x,y)(0,0) f (x.y).

b) f es continua en (0, 0).
c)
si existe el lm(x,y)(0,0) f (x, y), vale 5.

126. La funcion f (x, y) = 3x2
x +2y
a) es homogenea de grado 3.
b) es homogenea de grado 3/2.
c) es homogenea de grado 1/2.
d)
no es homog
enea.
127. Sea f : R R una funcion continua tal que lmn f (x0 + 1/n) = 32, x0 R entonces:
a)
f es constante y vale 32.

Z 7
f (x)dx = 0.
b)
0
c) f 0 (x) = 32.
p
128. Sea f (x, y) = ln(xy), entonces Dom(f ) =
a) R2 {(0, 0)}.
b) R2 {xy = 0}.
c) R2 {xy 0}.
d)
129. Si lmxx+ f (x) 6= lmxx f (x), entonces:

0
a) f presenta una discontinuidad evitable en x0 .

b) si f (x0 ) = lmxx+ f (x), entonces f sera continua en x0 .
0
c)
podemos encontrar una funci

on g tal que f + g es continua en x0 .
d ) f no es continua en x0 .
130. Consideremos la relacion ext/u + sin( xt
u ) = 0, entonces se verifica:
a)
b)
c)
x
u
x
u
x
t
x
t = x/t.
u/x; x
t = x/t.
x
xt; u = uxt.
= x/u;
=
=
d ) No es posible dar una expresion de las derivadas, al no poder despejarse x en funcion de

t y de u.
r
x sin x
131. lm
=
x0
x
a) 1.

APENDICE
203
b) 0.
c) .
d)
no existe.
132. La funcion f (x) = 1/x :

a)
no es derivable en x = 0.
b) es continua y derivable en x = 0.
c) no es derivable en x = 0, pero si es continua en dicho punto.
d ) como tiene tangente vertical en x = 0 es derivable.
133. La derivada direccional de f (x, y) = x2 + 3xy x en el punto (1, 0) seg
un la direccion (2, 1),
a) no se puede calcular porque la funcion no es diferenciable.
b) es igual a cero.
c) es igual a 5.
d)
134. Si x3 y 3 + 3y + 19 = 0, entonces
a)
b)
c)
y
x
x2 y 3
.
x3 y 2 +1
x2 y 3
.
x2 y 3 +1
xy
xy+1 .

135. Sea f : D R2 R, D abierto y x0 D cual de las siguientes afirmaciones es cierta:
a) Si existen las derivadas parciales de f en x0 entonces f no puede ser continua en dicho
punto.
b) Si f es continua en x0 , entonces necesariamente existen las derivadas direccionales.
c)
Si no existen las derivadas parciales en x0 , entonces f no puede ser diferenciable en dicho punto.
d ) La existencia de todas las derivadas direccionales en x0 , no indica nada acerca de la

existencia de las parciales en dicho punto.
136. Los primeros terminos del desarrollo de Taylor en x = 0 de la funcion y = xe2x son:
a) f (x) = 1 + x + 2x2 + 2x3 + ....
b)
f (x) = x + 2x2 + 2x3 + .....
c) f (x) = x 2x2 + 2x3 + ....

d ) f (x) = 1 + 2x + 2x2 + 2x3 + ....
Z 1
137. La integral
ln(x)dx verifica que :
0
a) es un n
umero real positivo.
b)
es una integral impropia de segunda especie convergente.
c) es una integral impropia de segunda especie divergente.

d ) es una integral impropia de primera especie.

APENDICE
Z
ln xdx =
138.
1
a) 0.
b)
1.
c) -1.
d ) e.
139. Sea {an } una sucesion tal que limn an = 1/3, entonces:
P
a)
an = 1/3.
P
b)
an es divergente.
c) no podemos decir nada de la serie.
140. Si f (x0 ) = limxx+ f (x), entonces:
0
a) f es continua en x0 siempre.
b)
si f (x0 ) = limxx f (x), entonces f es continua.

0
c) f presenta una discontinuidad siempre.

141. La derivada de f (x, y) = x2 + 5xy 2x en el punto (0, 1) seg
un la direccion (2, 1):
a) no se puede calcular porque la funcion no es diferenciable.
b) es igual a cero.
c) es igual a 2 5.
142. Si limx0 f (x, mx) = limx0 f (x, mx3 ) = 0, m, entonces:
a) existe lim(x,y)(0,0) f (x, y).
b) f continua en (0, 0).
c)
si existe lim(x,y)(0,0) f (x, y), vale 0.

143. Si f (x) = sin x definida en [/2, ]. Entonces:
a) f es una funcion lineal.
b) existe c (/2, ) tal que sin c = 0.
c)
no existe c (/2, ) tal que sin c = 0.

Z 1
x
144. La integral
dx =
1
+
x2
0
a) 1.
b) 0.
1
c)
Ln(2).
2
204

APENDICE
145. La funcion f (x, y) =
205
2xy
y2
x2
a) Es continua en (0, 0).

b) Presenta una discontinuidad evitable en (0, 0).
c) No es continua en ning
un punto.
d)
No existe
lm
f (x, y).
(x,y)(0,0)
146. Sea f : R2 R una funcion tal que lmx0 f (x, mx) = 0,

a) lm(x,y)(0,0) f (x, mx2 ) = 0,
m. Entonces:
m.
b) f es continua.
c) Existe lm(x,y)(0,0) f (x, y).
d)
Si existe lm(x,y)(0,0) f (x, y), este vale 0.

Z 0
dx
,
147. La integral
2
1 + x
a)
es convergente.
b) vale .
c) es divergente.
148. Una sucesion monotona creciente y acotada superiormente.
a)
Converge.
b) Diverge pues es creciente.

c) No se puede decidir su caracter.
d ) Es imposible que una sucesion creciente sea acotada superiormente.
149. Si una funcion f : R2 R es diferenciable y su gradiente en (x0 , y0 ) es cero:
a) Tiene un extremo relativo en (x0 , y0 ).
b) Tiene un punto de silla en (x0 , y0 ).
c)
La derivada seg
un la direcci
on (1, 1) en (x0 , y0 ) es cero.
d ) No es continua en (x0 , y0 ).
P
150. La serie n1 27n .
a) Es divergente.
b)
Es convergente y su suma vale 7.
c) Es convergente y su suma vale 72 .

d ) Es convergente y su suma vale 27 .
151. La funcion f (x) = (x + 1)n con n impar y n 3 posee en x = 1:
a) Un maximo relativo.
b) Un mnimo relativo.
c)
Un punto de inflexi
on.
d ) Depende del valor de n.

APENDICE
206
152. La funcion f (x, y) = yesin(x) en el punto (0, 1) tiene crecimiento maximo en la direccion del
vector:
a) (0, 1).
b) (0, 0).
c) (2, 2).
d)
153. Sea
a)
b)
c)
(1, 1).
P
erminos positivos con lm an = 2.
n=1 an serie de t
P
n=1 an converge.
P
n=1 an 2.
P
n=1 an diverge.
d ) No se puede decidir su caracter.

154. El dominio de la funcion f (x) = log |x2 1| es:
a)
R {1, 1}.
b) (, 1) (1, ).
c) R {1}.
d ) (1, ).
155. En el intervalo (0, ), la funcion que verifica el teorema de Bolzano es:
a) ex .
b)
1
x 2
c) sin(x).
d)
cos(x).
156. La funcion
f (x) =
a)
x + cos(x)
:
x sin(x)
Tiene una asntota horizontal en y = 1.
b) Tiene una asntota horizontal en y = 1.

c) No tiene asntota horizontal.
d ) Tiene una asntota vertical en x = .
157. El dominio de la funcion f (x, y) = 2x + 3y 5 es:

a) Un crculo cerrado.
b)
Un semiplano cerrado.
c) Un cuadrado cerrado.
d ) Es un cuadrante.
158. Los primeros terminos del desarrollo de Taylor en x = 0 de la funcion f (x) = e2x son:
a) 1 + x +
x2
2
b) 1 + x +
2x2
+ ...
+ ...
c) 1 + 2x + 4x2 + . . .
d)
1 + 2x + 2x2 + . . .

APENDICE
207
159. Dada una funcion f : D Rn R, se tiene:

a)
f diferenciable en un punto f continua en un punto.
b) f derivable en un punto f diferenciable en el punto.

c) f derivable en un punto f es continua en el punto.
d ) f es continua en un punto f es derivable en el punto.
160. Si z = exy cos(x), siendo x = 2t, y = cos(t), entonces z 0 (0) vale:
a)
1.
b) 2.
c) 0.
d ) -2.
161. El gradiente de la funcion f (x, y) = x2 y + y 3 x + x2 y 2 en el punto (1, 1)
a) No existe ya que f no es continua en (1, 1).
b) Vale 1.
c)
Vale (5, 6).

162. Sea an una sucesion tal que an+1 > an > 0, n. Entonces:
P
a)
an es convergente.
an
b) Existe el lmn
, y coincide con el de an .
an+1
an
, est
a entre 0 y 1.
c) Si existe el lmn
an+1
(
xy 2
, y 6= x
x+y
163. Sea f (x, y) :=
Entonces f
x (1, 1) =
2
, y = x
a)
No existe.
b) Vale 2.
c) Vale 0.
d ) No se puede calcular.
r
3x
164. Sea f (x) :=
, entonces el dominio de f es:
x+2
a) [0, +) \ {2}.
b) (2, 3].
c) (, 2) [3, +).
d)
165. Sea f una funcion real y homogenea de grado 2 en dos variables, y tal que
2, f
. Entonces:
y (1, 1) =
a) f (1, 1) = 2 + .
b) f (1, 1) = 1 + /2.
c) f (1, 1) = 0.
f
x (1, 1)

APENDICE
208
d ) No podemos calcular f (1, 1).

166. Los primeros terminos del polinomio de Taylor de Ln(1 x) en x = 0 son:
a)
x 1/2x2 1/3x3 +
b) x 1/2x2 + 1/3x3 +
c) 1/2x2 + 1/6x3 +
167. Sea la sucesion an := n n. Entonces:

a) Es divergente.
b)
Es convergente a 1.
c) Es convergente a 0.
d ) Es oscilante.
168. La funcion f (x, y) tiene a 3x + 2y + 3z = 0 como plano tangente en (7, 4). Entonces:
a)
f
x (7, 4)
= 3, f
y (7, 4) = 2.
b) f no es diferenciable en (7, 4).

c) f (7, 4) = (1, 2/3).
169. La serie
X (1)n
n
a) es divergente.
b)
es convergente.
c) es una serie alternada divergente.

170. Sea f (x) = e1/(x1) , entonces:
a) f no tiene asntota horizontal.
b) lmx1 f (x) = 0.
c)
no existe lmx1 f (x).

171. De la funcion f : R2 R, se sabe que es diferenciable en a R2 , y que las derivadas en las
direcciones (1, 0) y (2, 0) valen ambas 1. Entonces:
a)
Todas las derivadas direccionales valen 1.
b) Las derivadas direccionales no pueden coincidir.

c) f (a) = (1, 1).
172. Supuesto que y queda definida de forma implcita mediante la ecuacion y 2 sin(x+)+yx2 +y =
0 en un entorno del punto (0, 0), entonces la derivada de y respecto de x en el cero vale
a) y 0 (0) = 1
b) y 0 (0) = y 2 cos(x + ) + 2xy
c)
y 0 (0) = 0.

APENDICE
209

173. Sea h : R2 R2 homogenea de grado 0, entonces:
a)
xhx + yhy = 0.
b) xhx + yhy = h.
c) hx + hy = h.
d ) h(x, y) = h(x, y).

x si x 0
174. Sea f (x) =
se verifica:
x2 si x > 0
a) no es continua en x = 0.
b)
es derivable en R \ {0}.
c) es derivable en x = 0.
175. Si f (x, y) = x2 3xy con x = 2t2 e y = t. Entonces:
a)
b)
c)
d)
f
t
f
t
f
t
f
t
= 16t3 + 18t2
= 16t3 18t2
= 16t3 + 18t2
= 16t3 18t2
2
176. Los tres primeros terminos del desarrollo de Taylor de f (x) = ex en x = 0 son:
a) 1 x2
b) 1 x2 +
c)
1 + x2 +
d ) 1 + x2
x4
2 .
x4
2 .
x4
2 .
x4
2 .
177. El dominio de la funcion y =
x+3+
1
x2 4
es:
a) (, 2) (2, 3].
b) R \ {2, 3, 2}.
c) [3, 2) (2, ].
d)
Ninguna de la anteriores.
178. Dada z = f (x, y) tal que
z
x (x0 , y0 )
a) z(x0 , y0 ) = 2x0 y0 .
b) z(x0 , y0 ) = (2x0 , y0 ).
c) z(x0 , y0 ) = 2dx dy.
d)
z(x0 , y0 ) = (2, 1).
179. La funcion f (x, y) = 3x

4
x +2y 2
a) Homogenea de grado 0.
b) Homogenea de grado 1.
c) Homogenea de grado 2.
es:
=2y
z
y (x0 , y0 )
= 1, el gradiente de z en (x0 , y0 ) es:

APENDICE
d)
210
No es homog
enea.
180. La derivada direccional de z = x2 + 2xy 1 es (1, 0) seg

un la direccion del vector v = (2, 1),
es:
a) 2.
b) 6.
c)
6 .
5

181. La derivada de y = xx en x = 1 es:
a)
0.
b) Ln(x) + 1.
c) xx (Ln(x) + 1).
d ) 1.
182. El desarrollo de Taylor de grado 4 en x = 0 con c R de csen(x)ex es:
a) cx4 + cx3 /3 + cx2 + cx.
b) cx3 /3 cx2 + cx.
c)
cx3 /3 + cx2 + cx.
d ) cx4 cx3 /3 + cx2 + cx.

183. Sean {an }, {bn } dos sucesiones de n
umeros reales que convergen a /2. Si f (x, y) es una
funcion continua en (/2, /2) y f (/2, /2) = 12, entonces lmn+ f (an , bn ) =
a) No podemos asegurar nada de su valor.
b)
12.
c) /2.
d ) (/2, /2).
P
184. La serie n (100/101)n es:
a)
Convergente.
b) Divergente.
c) Condicionalmente convergente.
d ) Condicionalmente divergente.
185. El gradiente de f (x, y, z) = 2xzey zsen(x) en el punto (0, 1, 1) es:
a)
(2e 1, 0, 0).
b) (2e 1, 0, 1).
c) (0, 1, 1).
d ) Ninguno de los anteriores.
186. Dada la funcion z = x2 + y 3 , donde x = t2 e y = 2t, la z/t vale:
a) t4 + 8t3 .
b) 2x + 3y 2 .
c)
4t3 + 24t2 .

APENDICE
211
d ) 0.
187. Queremos minimizar la funcion f (x, y) = x + y supuesto que existe la siguiente relacion entre
sus variables: xy = 100. Entonces f alcanza su mnimo en (no aplicar multiplicadores de
Lagrange)
a)
(10, 10).
b) (0, 0).
c) f no puede alcanzar el mnimo.

APENDICE
212
Ap
endice C
Aplicaciones a la Economa y la
Empresa
C.1.
Algebra
Lineal
C.1.1.
Un modelo de administraci
on de recursos
Una aplicacion habitual de los sistemas de ecuaciones lineales y matrices es la resolucion de un

problema sobre administracion de recursos. Por ejemplo, nos planteamos el n
umero de productos
que pueden producirse en varias fabricas, en funcion de la cantidad de materia prima que consume
cada fabrica y de la cantidad de materia prima que se les proporciona (consideramos que las fabricas
no producen materia prima).
Fijemos dos hipotesis: en dicho mercado productivo hay una cantidad de fabricas diferentes
(supongamos tres fabricas, a cuyas producciones en unidades las denotaremos por x1 , x2 y x3 ),
y hay tres tipos de materia prima. Proporcionando los datos necesarios como son la cantidad de
unidades de cada materia prima que consume cada fabrica en crear una unidad de producto (aij
unidades consumidas de la iesima materia prima por la jesima empresa) y las cantidades de
materias aportadas (pi cantidad disponible de la iesima materia prima), el problema quedara
resuelto analizando la existencia de soluciones de un sistema de tres ecuaciones y tres incognitas:
a11 x1 + a12 x2 + a13 x3 = p1

a21 x1 + a22 x2 + a23 x3 = p2
a31 x1 + a32 x2 + a33 x3 = p3
Este
es un ejemplo de modelo economico estatico, en el cual se calcula un estado de equilibrio
de produccion.
C.1.2.
Resoluci
on del equilibrio parcial de mercado
Consideremos un modelo de equilibrio estatico y veamos su construccion. Vamos a considerar

una u
nica mercanca, por lo que solo necesitaremos incluir tres variables en el modelo: la demanda
Qd , la oferta Qs y su precio P. Primero debemos establecer una condicion de equilibrio, la hipotesis
economica estandar es que se alcanza el equilibrio en el mercado si y solo si la demanda excedente
es cero, i.e. Qd Qs = 0. Supongamos ahora que Qd es una funcion lineal decreciente de P, y que
Qs lo es creciente. Entonces, el modelo tendra una condicion de equilibrio mas dos ecuaciones de
comportamiento.
213

APENDICE
C. APLICACIONES A LA ECONOMIA Y LA EMPRESA
214
Analticamente, el modelo puede escribirse como:

Qd = Qs
Qd = a bP
Qs = c + dP
(a, b > 0)
(c, d > 0)
Con el modelo as construido, solo nos falta resolverlo, es decir, calcular las soluciones del sistema
lineal planteado.
C.1.3.
Resoluci
on del equilibrio general de mercado
En el modelo anterior, hemos considerado que tanto la demanda como la oferta dependan
exclusivamente del precio del artculo, pero desgraciadamente en el mundo real las mercancas
dependen tambien del precio de otros artculos relacionados con el. Ello se traducira en nuevas
condiciones de equilibrio, una por artculo, y nuevas ecuaciones de comportamiento.
Consideremos n artculos, y le asociamos a cada uno una demanda Qdi , una oferta Qsi y un
precio Pi . Por tanto, tenemos que cada Qdi y Qsi es funcion lineal de P1 , . . . , Pn (2n ecuaciones):
Qdi = Qdi (P1 , . . . , Pn )
Qsi = Qsi (P1 , . . . , Pn )
Las condiciones de equilibrio seran pues (n ecuaciones):
Qd1
Qd2
Qs1
Qs2
..
.
=0
=0
Qdn Qsn = 0
De nuevo tenemos un problema de clara aplicacion matematica a la economa, ya que este
problema de equilibrio quedara resuelto solucionando el sistema lineal anterior.
C.1.4.
El an
alisis del umbral de rentabilidad o punto de cobertura
Un elemento eficaz que ayuda a la toma de decisiones en el ambito empresarial, es el analisis del
llamado punto de cobertura, punto muerto o umbral de rentabilidad. Este

representa el volumen de
produccion-venta, Q, que es necesario para que la empresa cubra la totalidad de sus costes fijos,
CF , y costes variables, CV (Q); es decir, es el volumen mnimo de actividad, a partir del cual se
comienza a obtener beneficios.
Analticamente, el punto de cobertura, QC , es aquel volumen de produccion que iguala los
ingresos totales, IT , a los costes totales, CT .
Los ingresos totales, IT (Q), supuesto un precio de venta unitario del producto, p, y una produccion, Q, vienen determinados por la expresion:
IT (Q) = p Q
El coste total, CT (Q), es la suma de los costes fijos, CF , y los costes variables, CV (Q). Estos
u
ltimos, como dependen del volumen de produccion, los expresaremos como CV M e Q, siendo
CV M e el coste variable medio por unidad de producto fabricada. El coste total viene expresado
por:
CT (Q) = CF + CV M e Q

APENDICE
215
Igualando ambas expresiones tenemos una ecuacion lineal en la variable Q,

p Q = CF + CV M e Q
cuya resolucion nos da el punto de cobertura, QC :
QC =
CF
(p CV M e)
A la diferencia entre el precio de venta y el coste variable medio, pCV M e, se le denomina margen de cobertura o de contribucion y se denota por m. Conceptualmente representa la aportaci
on
al beneficio que realiza cada unidad producida y vendida,
QC =
CF
m
Basta multiplicar el punto de cobertura, QC , por el precio de venta, p, para expresarlo en

unidades monetarias.
Podemos comparar la cantidad que fabrica nuestra empresa, Q0 , con el punto de cobertura, QC ,
para determinar si nos interesa comprar o fabricar los componentes, siempre y cuando p > CV M e,
porque de lo contrario, carecera de significado economico:
Si Q0 > QC , la empresa obtiene beneficios.
Si Q0 < QC , la empresa obtiene perdidas.
Si Q0 = QC , la empresa no obtiene ni beneficios, ni perdidas.
Este mismo problema se puede plantear considerando que nuestra empresa tiene mas de una unidad
de produccion. En ese caso, tenemos que estudiar un sistema de ecuaciones.
Supongamos que tenemos que producir n productos con precios de venta pi , con coste variable
CV M ei y una produccion Qi . Los costes totales del iesimo producto sera CTi (Qi ), sus ingresos
totales ITi (Qi ), y sus costes fijos CFi . Para calcular ahora el punto de cobertura, tendremos que
plantear la ecuacion
n
n
X
X
CTi (Qi ) =
ITi (Qi ),
i=1
i=1
y las 2n ecuaciones

CTi (Qi ) = CFi + CV M ei Qi

ITi (Qi ) = pi Qi
Entre todas las soluciones posibles de este sistema de ecuaciones existiran algunas sin sentido
economico ya que daran cantidades negativas para la produccion, precios, etc. Un planteamiento
sencillo utilizado para evitar usar tecnicas matematicas mas complejas consiste en introducir una
nueva hipotesis: los costes e ingresos totales de cada uno de los productos coinciden, ITi (Qi ) =
CTi (Qi ). Con esta nueva hipotesis podemos resolver, a costa de reducir la casustica de nuestro
estudio, el sistema anterior con cada uno de los bienes por separado.
C.1.5.
La decisi
on de comprar o fabricar
El umbral de rentabilidad o punto muerto es tambien u

til para tomar la decision de fabricar
o comprar los distintos componentes que se utilizan en el proceso productivo. Consideremos los
costes asociados a la adquisicion y a la fabricacion propia de dichos componentes.

APENDICE
216
El coste total de compra, CTC (X) (el coste en el que incurrimos si compramos a otra empresa
los componentes) viene dado por la siguiente expresion:
CTC (X) = p X
donde p representa el precio fijado por el proveedor y X la cantidad de componentes que hay que
adquirir.
El coste total de fabricacion, CTF (X) (el coste en el que incurrimos si nuestra empresa es la que
fabrica los componentes) viene dado por la siguiente expresion:
CTF (X) = CF + CV M e X
donde CF representa los costes fijos que soporta la empresa, CV M e el coste variable medio por
unidad de componente fabricada, y X la cantidad de componentes.
Igualando ambas expresiones obtenemos una ecuacion lineal:
p X = CF + CV M e X
en cuya resolucion obtenemos:
XC =
CF
(p CV M e)
A la cantidad XC , que iguala los costes de fabricacion con los costes de compra, se le denomina
punto de cobertura.
Basta con comparar la cantidad de componentes que necesitamos en nuestra empresa, X0 , con
el punto de cobertura, XC , para determinar si nos interesa comprar o fabricar los componentes,
siempre y cuando p > CV M e, porque de lo contrario, carecera de significado economico (una
explicacion grafica la podemos encontrar en figura C.1):
Si X0 > XC , la empresa debe fabricar los componentes.
Si X0 < XC , la empresa debe comprar los componentes.
Si X0 = XC , es indiferente la compra o fabricacion de los mismos.

pX

((

(((
CF + CV M e X
(

... (
(
(
.
((( .........
.....
((((
...

...
...

...
...

...
....

...
...

...
....

...
...

XC
Figura C.1: Grafica de decision de comprar o fabricar.

Si bien, existen otros factores que pueden modificar la decision final.
Al igual que pasaba en C.1.4, podemos plantear el mismo problema para distintos productos,
obteniendo en la resolucion un sistema de ecuaciones lineales.

APENDICE
C.1.6.
217
Un modelo de renta nacional
Las ecuaciones del modelo Keynesiano de renta nacional son,

Y = C + Io + Go ,
C = a + bY,
(a > 0, 0 < b < 1),
donde Y, C representan las variables endogenas renta nacional y gastos de consumo, e Io , Go ,
representan la inversion determinada exogenamente y los gastos p
ublicos. La primera ecuacion es
una condicion de equilibrio (renta nacional=gasto total). En la segunda, la funcion de consumo es
de comportamiento, donde los parametros a y b representan el consumo autonomo y la propensi
on
marginal (incremento de C producido por un incremento unitario de Y ) al consumo respectivamente. En este modelo sencillo, la solucion de la renta nacional de equilibrio y del nivel de equilibrio
de consumo seran:
C =
Io + Go + a
1b
a + b(Io + Go )
1b
Evidentemente este modelo es de una gran sencillez e imperfeccion, pero pueden construirse
otros modelos de determinacion con distintos grados de complejidad.
C.1.7.
Modelo input-output de Leontief
Este modelo trata de responder a la pregunta: que producci

on deben tener n industrias para
satisfacer la demanda de un producto?
Puesto que este modelo suele incorporar gran cantidad de industrias, su esquema es bastante
complicado. Para simplificar esto, adoptaremos las siguientes hipotesis: cada industria produce solo
una mercanca y usa una cantidad fija de factores para su produccion, y la produccion aumenta de
manera proporcional a la entrada de productos. Estas

son condiciones muy restrictivas, pero que
suponen una primera aproximacion al problema real. En el caso en que una industria produzca dos
productos, podemos considerarla como dos industrias distintas.
De lo anterior se deduce que para producir una unidad de la jesima mercanca, la entrada
necesaria del iesimo bien sera una cantidad que denotaremos aij . En una economa de n industrias,
los coeficientes anteriores aij pueden disponerse en una matriz A = (aij ) donde cada columna
representa las necesidades de input para la produccion de una unidad de producto de una industria
particular. Si ninguna industria usa su propio producto como input, los elementos de la diagonal
seran todos nulos.
La produccion de la primera industria debe satisfacer la ecuacion x1 = a11 x1 + + a1n xn + d1
, equivalentemente, (1 a11 )x1 a1n xn = d1 , donde d1 representa la demanda final para
o
su produccion y a1j xj la demanda del input desde la industria jesima. Notese que todos los
coeficientes, salvo el primero, de la ecuacion anterior se obtienen directamente de la matriz A. De
manera analoga podemos proceder con el resto de las demas industrias, llegando a que la producci
on
adecuada debe satisfacer el sistema:
x
d1
1
(1 a11 )
a12
a1n
x2
d2
a21
(1 a22 )
a2n
.. .
.
..
...
...
.
an1
an2
(1 ann )
xn
dn

APENDICE
218
Figura C.2: Ejemplo de teora de grafos.

Este sistema tambien puede ser expresado como (I A)x = d, y por lo tanto la solucion sera x =
(I A)1 d, siempre que (I A) sea inversible.
C.1.8.
Teora de grafos
La Teora de Grafos es una parte de las Matematicas cuyo desarrollo ha estado motivado principalmente por sus aplicaciones. Los grafos son muy u
tiles en el estudio de la manera en como se
interrelacionan las componentes de las redes que surgen en las ciencias sociales, la medicina y, lo
que a nosotros nos ocupa, el comercio. Por ejemplo, los grafos son u
tiles en el estudio de las relaciones familiares, en una red de vuelos comerciales que comunican a un n
umero dado de ciudades
importantes, interrelaciones economicas entre entidades, etc.
La representacion de un sistema de comunicacion entre un conjunto de individuos se realiza
mediante lo que se denomina un grafo dirigido. Los grafos estaran formados por lneas que unen entre
s a las distintas componentes y flechas que indican la influencia que ejercen unos miembros sobre
otros. Los grafos dirigidos se representan mediante una matriz, llamada matriz de incidencia, que
verifica ciertas condiciones necesarias para su interpretacion. En situaciones reales las circunstancias
pueden complicarse mucho debido a la gran cantidad de datos que pueden llegar a constituir un
grafo. Por ello, las matrices son esenciales para manejar estas enormes cantidades de datos.
Por ejemplo, consideremos un sistema de comunicaciones formado por cinco estaciones unidas
por lneas de telefono. Esta tabla nos indica las lneas disponibles desde y hacia las estaciones:
Estacion
1
2
3
4
5
2
X
5
X
X
X
X
Esta disposicion se representa mediante el

matriz:
0
1
A=
0
0
1
X
X
grafo de la figura C.2, y/o mediante la siguiente
1 0 0 0
0 0 0 1
0 0 1 0
1 1 0 0
0 0 1 0

APENDICE
C.1.9.
219
Contacto directo
En este ejemplo, veremos como se puede usar la multiplicacion de matrices para modelar la
forma en que se puede extender una noticia por contacto directo entre individuos (boca a boca). Supongamos que cuatro individuos han recibido cierta informacion. Este grupo hace contacto con seis
personas de un segundo grupo. Estos contactos, llamados contactos directos, se pueden representar
mediante una matriz 4 6.
Supongamos que la matriz de contacto directo entre el
0 1 0 0 1
1 0 0 1 0
A=
0 0 0 1 1
0 0 0 1 1
1 0 0 0 0
primer y segundo grupo corresponde a
0
1
0
1
En este caso, aij sera uno si la iesima persona del grupo uno establece contacto con la jesima
del segundo grupo, y cero en caso contrario. Supongamos ahora que tenemos un tercer grupo
formado por cinco personas que establece una serie de contactos directos con el grupo segundo.
Consideremos que la matriz de contacto directo entre
0 0 1 0
0 0 0 1
0 1 0 0
B=
1 0 0 0
0 0 0 1
0 0 1 0
el segundo y tercer grupo es
1
0
0
0
Esto establece una serie de contactos indirectos entre el primer y tercer grupo. Estos contactos
indirectos se pueden representar mediante una matriz 4 5 que es C = AB :
0 0 0 2 0
1 0 2 0 2
C = AB =
1 0 0 1 1
0 0 2 0 1
En este caso cij representa el n
umero de contactos indirectos que se dan entre el individuo iesimo
del primer grupo y el jesimo del tercero.
C.1.10.
Cadenas de Markov
Otra aplicacion del estudio del algebra lineal a la empresa lo encontramos en las llamadas
Cadenas de Markov. Gracias a ellas podemos seguir la evolucion de un cierto producto en el
mercado. Veamos su funcionamiento mediante un ejemplo.
Una empresa que hace investigaciones de mercado esta estudiando los patrones de compra para
tres productos competidores. La empresa ha determinado el porcentaje de residentes de una poblacion que cambiaran de un producto a otro despues de un mes. (Supongamos que cada residente
compra uno de estos tres productos y que los porcentajes se mantienen fijos durante un mes.) Esta
informacion se representa en forma de matriz donde pij es el porcentaje de individuos que cambia
del producto j al producto i despues de un mes:
0
0 8 00 2 00 05
P = 00 05 00 75 00 05
00 15 00 05 00 9

APENDICE
220
Sea el vector x aquel cuya iesima componente representa el n

umero de residentes que compran el
producto i.
El estudio de P n x nos indica la evolucion de mercado de nuestros productos en el tiempo, siendo
n el n
umero de meses transcurridos desde la primera venta.
C.1.11.
Un modelo de crecimiento de poblaci

on
Vamos a mostrar la manera en que se puede usar la teora de autovalores y autovectores para
analizar un modelo de crecimiento del n
umero y tipo de trabajadores en una estructura piramidal
de ventas, es decir, en la que cada vendedor capta a su vez distintos vendedores. Supongamos que
el n
umero de trabajadores crece de manera constante, i.e. la cantidad de vendedores despues de un
periodo es un m
ultiplo constante de la del periodo anterior.
Una forma de que esto suceda es, por ejemplo, que cada generaci
on de vendedores sea distinta
y cada trabajador capte una media de r nuevos vendedores antes de dejar la empresa. Si pn denota
el n
umero de trabajadores que hay transcurridos n periodos, tenemos que
pn = rpn1 .
En funcion del n
umero inicial de vendedores, se tiene
pn = r n p 0 .
En este caso, el n
umero de trabajadores aumenta sin cota si r > 1 y disminuye a cero si r < 1. En
el caso r = 1, se mantiene constante.
Como hemos visto, el modelo anterior es simplista. Para representar con mayor exactitud la
realidad, vamos a introducir un modelo que permita distinguir dos tipos de vendedores, en practicas
(no captan nuevos vendedores) y veteranos, y asignar unas tasas de captaci
on.
Sea pj,n1 el n
umero de vendedores en practicas en el a
no n 1, y sea pa,n1 el n
umero de
veteranos. Se supone que cierta proporcion de vendedores en practicas llegan a veteranos, abandonando el resto la empresa, y que cada veterano capta una media de k nuevos vendedores cada
a
no. Ademas, la proporcion de veteranos que permanecen en la empresa de un a
no para otro es .
Agrupando las informaciones anteriores, llegamos al sistema 2 2 :

pj,n = kpa,n1
pa,n = pj,n1 + pa,n1

o pn = Apn1 donde pn =
pj,n
pa,n

yA=
0 k

. Es evidente pues que
pn = An p0 ,
(C.1)
donde p0 es el vector de las cantidades iniciales de vendedores veteranos y en practicas.

De aqu se obtiene la implicacion de los autovalores y autovectores en la resolucion de este
problema.
Supongamos que la matriz A tiene dos autovalores reales y distintos 1 y 2 , con autovectores
asociados v1 y v2 respectivamente. En tal caso, existiran unos determinados a1 , a2 R, tales que
p0 = a1 v1 + a2 v2 . Por lo tanto, la expresion (C.1) queda como sigue
pn = a1 n1 v1 + a2 n2 v2 .

APENDICE
221
Podemos suponer que |1 /2 | > 1, y por lo tanto

n2
n
pn = 1 a1 v1 + n a2 v2 a1 n1 v1 para n suficientemente grande.
1
Esto quiere decir que, a la larga, la distribucion de vendedores en practicas y veteranos se estabiliza
y es proporcional a v1 . Cada grupo cambiara por un factor 1 cada a
no.
C.2.
Funciones en una variable
C.2.1.
Un modelo de creaci
on de dinero
Supongamos una economa, como la actual, en la que el sistema bancario este constituido por
un Banco Central Estatal y un conjunto privado de bancos. Supongamos tambien que la u
nica
forma de dinero son los depositos bancarios, y que cada banco privado ha de mantener en el Banco
Central un porcentaje mnimo de su pasivo del 10 % en forma de reservas para poder hacer frente a
la retirada de los depositos por parte de sus clientes y porque las autoridades monetarias lo exigen.
Este porcentaje es el denominado Coeficiente de Caja o Encaje.
Si el gobierno paga a sus empleados, en un momento dado, un atraso de 500 mil euros, que
ingresa ntegramente en la banca privada, el pasivo de esta se ve incrementado en dicha cantidad.
Al aumentar el pasivo de la banca, esta tiene que aumentar el deposito que mantiene en el Banco
Central en 50 mil euros (=500 10 %), pudiendo conceder creditos con el resto, 450 mil euros. Estos
creditos son a su vez nuevos depositos en los bancos privados de los que habra que mantener en
el Banco Central 45 mil euros, pudiendo dar de nuevo creditos con los 405 restantes. Este proceso
continua hasta que se establece el equilibrio adecuado entre los depositos del pasivo del conjunto
de la banca privada y sus reservas obligatorias en el Banco Central. Al final de este proceso el total
del dinero creado es
500 + 450 + 405 + 3640 5 + ,
que representa la serie geometrica
500(00 9)n =
n=0
500
= 5000 mil euros.
1 00 9
En el siguiente cuadro se recoge el proceso de creacion de dinero bancario de nuestro ejemplo:

Posici
on del Banco
Banco original
Banco 2o generaci
on
o
Banco 3 generaci
on
on
Banco 4o generaci
...
Total Sistema Bancario
Depositos
Prestamos
Reservas
500
450
405
3640 50
450
405
3640 50
3280 05
50
45
400 50
360 45
...
...
...
5000
4500
500
Esta suma de los terminos de la progresion geometrica constituye el multiplicador del dinero
bancario. Este multiplicador es el cociente entre los nuevos depositos y el incremento de las reservas,
o, como la unidad dividida entre el coeficiente de reservas:
M. del dinero bancario =
1
Nuevos depositos
5000
=
=
= 10
% de reservas
reservas
500

APENDICE
222
El proceso estudiado se denomina de creacion porque el dinero parece surgir de la nada, pero, de
hecho, en cada etapa, el nuevo dinero bancario aparece cuando el banco concede un nuevo prestamo.
El analisis del proceso de creacion del dinero que se ha ofrecido es muy simple y solo resulta
v
alido bajo una serie de supuestos:
1. Los individuos a quienes se les concede un prestamo deben depositarlo ntegramente en un
banco.
2. Todos los bancos deben guardar como reservas una cantidad no mayor que la exigida por las
autoridades.
3. Las instituciones y los individuos deben tomar dinero prestado, porque de lo contrario el
proceso no podra continuar.
Es de destacar como una serie representa un proceso indefinido de acumulacion de cantidades
discretas de una magnitud economica.
C.2.2.
Interpretaci
on econ
omica de la derivada
El calculo diferencial de funciones en una variable nos ofrece la base del analisis sobre fenomenos
de movimiento o cambio de una variable dependiente como respuesta a cambios en la variable
independiente.
Esta variacion se suele representar con la tasa de cambio, cociente entre la variable dependiente y
la independiente. La interpretacion economica de la derivada es el lmite de la tasa de cambio cuando
el incremento en la variable independiente tiende a cero. Es decir, la tasa de cambio instantanea.
En general, si y = f (x) representa una funcion total (coste, produccion, ingreso, etc.), se dice
dy
que la funcion derivada dx
es su funcion marginal y a partir de ella se realiza el an
alisis marginal.
Este se utiliza en economa para reflejar y justificar, por ejemplo, el principio economico de que el
coste fijo de una empresa no afecta a su coste marginal, ya que el coste fijo es una constante, y,
por lo tanto, su derivada es cero.
C.2.3.
Elasticidad
El concepto de elasticidad se plantea en economa por la necesidad de relativizar los valores.Supongamos que estudiamos como la demanda de un cierto bien reacciona a las variaciones del
precio. Si nos preguntamos por la variacion de la demanda al aumentar el precio en una unidad
obtenemos una informacion insatisfactoria, ya que el aumento de una unidad en el precio de un
kilo de cafe no es comparable al aumento de una unidad en el precio de un avion. Esto es debido
a que las variaciones de precio se miden en las mismas unidades que las cantidades demandadas y
los precios. Para evitar esto estudiamos el aumento de la demanda en funcion de un aumento del
precio de 1 %. El n
umero que se obtenga sera independiente de las unidades en las que se exprese
la demanda y los precios. A esta cantidad se le llama elasticidad de la demanda.
En un determinado a
no, se calculo que la elasticidad de la mantequilla en un cierto pas era
de 1. Esto significa que el aumento del precio de la mantequilla en un 1 % repercutira en una
disminucion del 1 % en la demanda.
Supongamos ahora que la demanda de un bien se puede describir mediante la funcion x = D(p).

APENDICE
223
Cuando el precio vara de p a p + p, la cantidad demandada tambien vara. La variaci

on
absoluta de x es x = D(p + p) D(p), y la relativa es
x/x =
D(p + p) D(p)
.
D(p)
La razon entre la variacion relativa de la cantidad demandada y la variacion relativa del precio es
x/x : p/p = p/D(p)
D(p + p) D(p)
.
p
(C.2)
Observese que este n

umero depende del precio y de su incremento, pero no de las unidades, por lo
que da igual que las cantidades esten expresadas con respecto a una unidad u otra.
Si D es una funcion derivable respecto a p, podemos definir la elasticidad de D de manera que
no dependa de cuanto aumente p. Por ello, es natural definir la elasticidad de D como el lmite de
(C.2) cuando p tiende a 0. La elasticidad de D(p) respecto a p es
p D(p)
.
D(p) p
En general, dada f una funcion derivable en x, se define la elasticidad de f respecto a x como
Elx f (x) =
C.2.4.
x 0
f (x).
f (x)
Elasticidad y derivaci
on logartmica
Aqu vamos a interpretar la elasticidad dada anteriormente en terminos de derivadas logartmicas, consiguiendo otra expresion de la misma.
Esta nueva expresion se obtiene tomando logaritmos sobre la elasticidad de la funcion D(p),
tenemos que
p D(p)
Ln D(p)
Elp D(p) =
=
.
D(p) p
Ln p
C.2.5.
Inter
es compuesto
La ecuacion f 0 (t) = rf (t) tiene una aplicacion particularmente importante en economa.

Despues de t a
nos, un deposito de k unidades monetarias a un interes anual del p % crecera hasta
k(1 + r)t (donde r = p/100).
Esta formula presupone que el interes se a
nade al principal a finales de cada a
no. Supongamos que,
en vez de esto, se pagan los intereses cada 6 meses, pero solo un p/2 % del principal. Tras 6 meses,
el principal habra aumentado hasta
k+k
p/2
= k(1 + r/2).
100
Por tanto, el principal queda multiplicado por 1 + r/2 cada seis meses. Pasados t a
nos, el principal
incrementado sera
k(1 + r/2)2t .
Siendo esta opcion de deposito mejor que la primera ((1 + r/2)2 > 1 + r).

APENDICE
224
Mas generalmente, si a
nadimos un (p/n) % de interes en n momentos, el principal pasados t
a
nos queda como sigue
k(1 + r/n)nt .
Cuanto mayor es n, mejor es la inversion para el depositario.
Si consideramos que n el principal se traduce en kert . A este lmite se le denomina interes
compuesto, y a r tasa o tipo de interes. Derivando el interes compuesto se obtiene que a una tasa
de interes r, se tiene que k 0 (t)/k(t) = r.
C.2.6.
Valor actual de una deuda futura
Supongamos que debemos pagar una cantidad A en un plazo de t a

nos a partir de hoy. Cu
al
es el valor actual de esa cantidad a un tipo de interes del p % anual? O equivalentemente, cuanto
hay que depositar hoy en una cuenta de ahorro al p % de interes anual para tener la cantidad A en
t a
nos?
Si se paga anualmente el interes, el capital k se convertira en k(1 + p/100)t dentro de t a
nos,
t
t
t
luego debe ser k(1 + p/100) = A. As, k = A(1 + p/100) = A(1 + r) , donde r = p/100.
Si el interes es continuo, tenemos que kert = A o k = Aert .
C.2.7.
Valor actual descontado e inversi

on
Mil euros hoy valen mas que la misma cantidad en una fecha futura. Si el tipo de interes anual es
del 11 %, pasados 6 a
nos, esta cantidad se habra convertido, como ya vimos, en 1000(1+11/100)6
1870.
Supongamos ahora que hay que hacer tres pagos: uno de mil euros dentro de un a
no, otro de
1500 en dos a
nos y uno final de 2000 dentro de 3 a
nos. Cuanto habra que depositar hoy en una
cuenta de ahorro a un 11 % anual para cubrir los tres pagos? Esta cantidad se llama valor actual
de los tres pagos. Veamos como la calculamos.
Para tener 1000 euros dentro de un a
no, debemos depositar hoy una cantidad x1 tal que
x1 (1 + 11/100)1 = 1000, i.e. 1000(1,11)1 .
Para tener 1500 euros dentro de dos a
nos, debemos depositar hoy una cantidad x2 tal que
x2 (1 + 11/100)2 = 1500, i.e. 1500(1,11)2 .
Finalmente, para tener 2000 euros dentro de tres a
nos, debemos depositar hoy una cantidad x3
tal que
x3 (1 + 11/100)3 = 2000, i.e. 2000/(1,11)3 .
Por lo tanto, el valor actual total de los tres pagos es
A = 1000/1,11 + 1500(1,11)2 + 2000(1,11)3 3580,71.
En general, supongamos ahora que hay que hacer frente a n pagos sucesivos de a1 , . . . , an con
a1 dentro de un a
no, a2 dentro de dos, y as sucesivamente. Cuanto hay que depositar hoy en una
cuenta para cubrir estos pagos? O equivalentemente, cual es el valor actual de estos pagos siendo
r = p/100 el tipo de interes?

APENDICE
225
Para tener a1 euros dentro de un a

no, debemos depositar a1 /(1 + r) hoy, para tener a2 en dos
a
nos, a2 (1 + r)2 , y as sucesivamente. La cantidad total que debemos depositar hoy es pues
An =
a1
an
a2
+ +
.
+
2
1 + r (1 + r)
(1 + r)n
Por lo tanto, el valor actual viene dado por

An =
n
X
i=1
ai
.
(1 + r)i
Si los pagos anuales son iguales (a1 = a2 = = an = a), el valor queda como sigue

1
An = a/r 1
.
(1 + r)n
C.2.8.
Proyectos de inversi
on
Consideremos n n
umeros Q0 , . . . , Qn que representan los Flujos Netos de Caja esperados en a
nos
sucesivos en una inversion. Estos flujos netos de caja se obtienen por la diferencia entre los flujos de
entrada (cobros originados por las ventas que producen el proyecto de inversion) y los de salida de
fondos (pagos originados por los costes de la explotacion y los impuestos derivados de los beneficios
obtenidos por la inversion). A efectos de su calculo hacemos la simplificacion siguiente: todos los
ingresos habidos se cobran en el mismo ejercicio en el que se producen, al igual que se pagan en
el mismo todos los gastos que implican desembolso. Estos Qi pueden ser n
umeros negativos que
representan perdidas, o positivos que representan ganancias. Q0 corresponde al desembolso inicial
motivado por la adquisicion de los elementos del activo fijo que constituye la inversion as como de
elementos del activo circulante necesarios para su buen funcionamiento, por ello esta cantidad suele
ser un n
umero negativo de valor absoluto elevado. En determinadas inversiones, una vez finalizadas,
quedan activos con posibilidades de venta o utilizacion para otros proyectos de inversion. En general
a su precio de venta en el mercado en un momento determinado es lo que se le denomina Valor
Residual (VR).
En los criterios dinamicos o no aproximados de evaluacion de inversiones, que tienen en cuenta
el momento en el tiempo en el que se obtienen cada una de las unidades monetarias que conforman
los flujos netos de caja que definen el proyecto, y que son los que vamos tratar, se precisa conocer
una tasa de actualizacion p %, que escribimos como r = p/100. Especificar esta tasa es una de las
dificultades a la hora de evaluar proyectos de inversion. Se suele identificar, entre otros significados,
con el coste de los capitales empleados para financiar el proyecto de inversion.
1. Criterio del Valor Capital o Valor Actual Neto (VAN)
El valor actual neto de una inversion es el valor actualizado de todos los Qi esperados
V AN = Q0 +
Q1
Q2
Qn + V R
+
+ +
.
2
1 + r (1 + r)
(1 + r)n
Seg
un este criterio, la decision de acometer la inversion se apoya en el siguiente razonamiento:
Si V AN > 0, la inversion es rentable y puede llevarse a cabo ya que genera un aumento
en el patrimonio de la empresa.
Si V AN < 0, la inversion no es rentable y no debe llevarse a cabo ya que genera una
disminucion en el patrimonio de la empresa.

APENDICE
226
Si V AN = 0, es indiferente que la inversion se realice o no se lleve a cabo, ya que no

modifica el patrimonio empresarial.
Cuando existan varia inversiones sustitutivas (cuando la realizacion de una de ellas excluye
automaticamente la realizacion de otras), el procedimiento a seguir consistira en comparar
los distintos V AN de cada una de ellas, y optar por aquella que presente un V AN mayor,
siempre que sea positivo.
El V AN proporciona la ganancia total neta en unidades monetarias del momento inicial, una
vez que con los Qi se ha hecho frente a la devolucion de capital inicialmente desembolsado,
as como la retribucion de los recursos empleados en la financiacion del proyecto.
2. Criterio de la Tasa Interna de Rendimiento (TIR)
La TIR se define como el factor de interes que hace que sea cero el valor actual de la inversion,
es decir, un n
umero r tal que:
Q0 +
Q2
Qn + V R
Q1
+
+ +
= 0.
2
1 + r (1 + r)
(1 + r)n
En este criterio, se necesita conocer el suelo mnimo de rentabilidad k (coste del capital), para
poder decidir si conviene llevar a cabo la inversion o no. La decision de acometer la inversi
on
se apoya en el siguiente razonamiento:
Si r > k, la inversion es rentable y puede llevarse a cabo ya que genera un aumento en
el patrimonio de la empresa.
Si r < k, la inversion no es rentable y no debe llevarse a cabo ya que genera una
disminucion en el patrimonio de la empresa.
Si r = k, es indiferente que la inversion se realice o no se lleve a cabo, ya que no modifica
el patrimonio empresarial.
Cuando existan varia inversiones sustitutivas, se debe optar por aquella que presente un r
mayor, siempre que r > k.
La TIR proporciona la rentabilidad relativa anual bruta neta del proyecto de inversi
on sobre
el capital que que permanece invertido al principio de cada a
no.
C.2.9.
Aplicaci
on de la derivaci
on al producto
Supongamos que la cantidad de petroleo que se extrae y su precio cambia con el tiempo t, donde
t representa el instante en que nos encontramos. Sea x(t) el n
umero de barriles extrados en el
instante t, y p(t) el precio en dolares por barril en el instante t.
Entonces, el ingreso en dolares en el instante t sera de R(t) = p(t)x(t). Aplicando la regla de la
derivacion tenemos
R0 (t) = p0 (t)x(t) + p(t)x0 (t).
El miembro de la derecha de la igualdad anterior se puede interpretar como que p(t) y x(t) crecen
con el tiempo por la inflacion y porque la compa
na propietaria aumenta la capacidad del equipo
de extraccion. Entonces, R(t) aumenta por dos razones:
R(t) aumenta porque el precio lo hace. Este aumento es p0 (t)x(t).
Tambien R(t) aumenta porque aumenta la produccion. Esto contribuye a la tasa de variaci
on
0
de R(t) con p(t)x (t).

APENDICE
227
La tasa proporcional de crecimiento del ingreso viene dada por

R0 /R =
p0 x + px0
= p0 /p + x0 /x.
px
Es decir, la tasa proporcional de crecimiento del ingreso es la suma de las tasas proporcionales de
variacion de precio y cantidad.
C.2.10.
Aplicaci
on de la derivaci
on del cociente
Sea W (t) el salario y P (t) el ndice de precios en el instante t. Se define la tasa de salario real
como el cociente w(t) = W (t)/P (t). Utilizando la derivacion, tenemos que
w0 (t)/w(t) = W 0 (t)/W (t) P 0 (t)/P (t).
Luego la tasa proporcional de variacion del salario real es igual a la diferencia entre las tasas
proporcionales de variacion del salario y el ndice de precios. As, si el salario aumenta un 5 % anual
y el ndice de precios aumenta un 6 %, el salario real disminuye en un 1 %.
C.2.11.
Estudio de crecimiento de una poblaci

on
Supongamos que f (t) designa la cantidad de individuos de una poblacion en el instante t. Llamamos a f 0 (t)/f (t) tasa de crecimiento per capita de la poblacion. Si no hay ni inmigracion ni
emigracion, esta tasa correspondera a la diferencia entre las tasas per capita de natalidad y mortandad. La ecuacion f 0 (t) = rf (t) suministra un modelo muy sencillo de crecimiento de poblacion,
un modelo de crecimiento exponencial. En vez de suponer que la tasa de crecimiento es constante,
es mas realista suponer que, una vez que la poblacion esta por encima de cierta cantidad k, la tasa
de crecimiento per capita es negativa. Una forma especial para expresar estas hipotesis viene dada
por la ecuacion
f 0 (t) = rf (t)(1 f (t)/k).
(C.3)
Cuando una poblacion f (t) es peque
na comparada con k, f 0 (t) rf (t), y por lo tanto f (t) crece
de manera exponencial. Al aumentar f (t), el factor 1 f (t)/k toma importancia. Se puede probar
que si f es no nula y verifica la ecuacion (C.3), debe tener la forma
k
, con A constante.
1 + Aert
La funcion anterior recibe el nombre de funcion logstica.
f (t) =
Si hay N0 , individuos para t = 0, tenemos que A = (k N0 )/N0 . Si N0 < k, entonces A > 0. La

figura C.3 muestra la grafica de f (t).
C.2.12.
Optimizaci
on
Consideremos la funcion de beneficio dada por

(t) = t3 + 590 25t2 3280 5t 2000,
donde t es la produccion en toneladas de un cierto bien. Esta funcion de beneficio tiene dos valores
crticos t = 3, y t = 360 5.
Dado que la derivada segunda es positiva en t = 3, y negativa en t = 360 5, la produccion con
beneficio maximo corresponde a t0 = 360 5. Considerando la funcion en el punto t0 podemos
encontrar el beneficio maximo (360 5) = 163180 44.

APENDICE
228
Figura C.3: Funcion logstica.
C.2.13.
Un problema de almacenamiento de vino
Supongamos que cierto comerciante de vino posee una cantidad determinada de este bien, que
puede vender ahora (t = 0) por una suma de k euros o almacenarla para especular con su precio.
El valor creciente del vino se obtiene mediante la siguiente ecuacion:
V = ke t .
El problema consiste en calcular cuando debe vender el vino para maximizar el beneficio asumiendo
que el coste de almacenamiento es nulo.
Puesto que ignoramos el precio del vino (esta pagado por el propietario) y suponemos inexistente
el gasto en almacenaje, maximizar el beneficio es lo mismo que maximizar los ingresos por ventas.
Sin embargo, existe una pega. Debido a que las comparaciones se realizan en tiempos distintos, los
valores de V no son directamente comparables entre s. Para ello tenemos que introducir en nuestra
ecuacion un corrector para el interes.
Supongamos que la tasa de interes sobre la base de un interes compuesto esta al nivel r. Entonces
el valor actual de V se puede expresar mediante la ecuacion
A(t) = V (t)ert = ke
trt
Por lo tanto nuestro problema equivale a encontrar el valor de t que maximiza A(t).
En este caso, la primera condicion para maximizar A(t) la obtenemos utilizando la funci
on
logartmica:
Ln A(t) = Ln k + (t1/2 rt).
Diferenciando ahora esta igualdad tenemos que
A/t = A(1/2t1/2 r).
Igualando a cero, y puesto que A es no nulo, tenemos que A/t = 0 si y solo si t vale t0 =
1
.
4r2
Observese que cuanto mayor sea la tasa de interes, r, menor sera el tiempo de almacenamiento
optimo.
El valor anterior es el que hace maximo ya que la derivada segunda de A en t0 es 2Ar3 .

APENDICE
C.2.14.
229
Algunas curvas y funciones en la economa
Funciones afines
Estableceremos el convenio de denominar relacion afn entre las variables x e y a toda expresi
on
de la forma y = f (x) = ax + b, con a, b constantes. Evidentemente, las graficas de estas funciones
son lneas rectas, llamandose pendiente de la recta al valor de a.
Este tipo de relaciones tienen numerosas aplicaciones en economa. En algunos casos, porque
modelizan la idea de proporcionalidad entre las variables x e y, y en otros porque es la forma m
as
sencilla de relacionar dos variables.
Curva de Laffer
En la figura C.4 hemos dibujado la llamada curva de Laffer. Esta curva muestra la supuesta
relacion entre el tipo de gravamen del impuesto sobre la renta de las personas fsicas y la recaudacion total por este impuesto. Obviamente, si el tipo es del 0 %, entonces el ingreso es cero. Sin
embargo, si el tipo es del 100 %, los ingresos tambien seran casi nulos porque practicamente nadie
querra trabajar si sus ganancias ntegras van a ser retenidas. El tipo de gravamen a corresponde al
mas rentable para el estado.
Ingreso por impuestos
Tipo impositivo
a
100
Figura C.4: Curva de Laffer.

La funci
on utilidad
La funcion de utilidad establece la relacion entre la cantidad poseda o consumida de un determinado bien y la satisfaccion que reporta al sujeto economico de consumo (por ejemplo una familia
media). Las hipotesis para determinar la funcion de utilidad no son lo suficientemente precisas para
obtener una funcion clasica u = f (x). Las caractersticas basicas de una funcion de utilidad son:
1. La utilidad crece al aumentar la cantidad poseda.
2. Este crecimiento tiene un maximo en el cual el sujeto alcanza la saturacion de su necesidad.
3. Si el sujeto no posee nada del bien, la utilidad es nula.
4. Se comprueba experimentalmente que es una curva concava.
Las funciones de utilidad se obtienen a traves de estudios de mercado.
La funci
on de demanda
Si un sujeto economico de consumo desea adquirir un determinado bien X, la cantidad adquirida
o demandada del bien dependera del precio p de dicho bien, o de otros factores. Si suponemos que

APENDICE
230
s
olo vara el precio del bien considerado, se tiene la funcion de demanda x = f (p). La demanda se
comporta en general como una funcion decreciente, siendo algunas de ellas ramas hiperbolicas del
tipo y = a + b/x.
La funci
on de coste
Al analizar los costes originados al producir una determinada mercanca, se distingue a corto
plazo, ordinariamente, entre:
Costes Fijos CF (edificios, maquinaria, etc.) que no dependen de la cantidad fabricada y que
la empresa debe soportar incluso si no produce ninguna unidad. La curva de costes fijos es
una recta horizontal, puesto que permanecen constantes.
Costes Variables CV (q) que dependen de la cantidad producida (materias primas, trabajadores...). La curva de costes variables es siempre creciente, ya que al aumentar la cantidad
producida, q, deben emplearse mas trabajadores, mas materias primas, etc. Pero a partir
de un cierto volumen de produccion, permite incrementar ventajosamente la produccion, es
decir, producir con costes que varan menos que proporcionalmente. Pasado otro determinado
nivel de produccion, la funcion crece mas que proporcionalmente, ya que aumentan los costes,
por ejemplo debido a la realizacion de horas extraordinarias, mas caras que las ordinarias.
Tambien existe un volumen de produccion que es imposible superar debido, por ejemplo, a
limitaciones fsicas de las instalaciones de la empresa.
Coste Total de la produccion CT (q) es la suma de los dos anteriores CT (q) = CF + CV (q).
Los costes medios
Son los costes que por termino medio se le imputa a cada unidad de producto. As pues a cada
uno de los costes anteriores le aplicaremos este concepto:
Coste Fijo Medio, CFMe(q), es el coste fijo que por termino medio se le imputa a cada unidad
de producto,
CF
CF M e(q) =
.
q
Coste Variable Medio, CVMe(q), es el coste variable que por termino medio se le imputa a
cada unidad de producto,
CV (q)
CV M e(q) =
.
q
Al mnimo de la funcion de CVMe(q) se le denomina mnimo de explotaci
on.
Coste Variable Total, CVMe(q), es el coste total que por termino medio se le imputa a cada
unidad de producto,
CT (q)
CT M e(q) =
.
q
Al mnimo de la funcion de CVMe(q) se le denomina
optimo de explotaci
on.
Coste Marginal, CM (q), representa el incremento que experimenta el coste total cuando se
produce una unidad adicional del producto. Si consideramos variaciones infinitesimales de las
variables tenemos:
CM (q) =
CT (q)
CF
CV (q)
CV (q)
=
+
=
.
q
q
q
q

APENDICE
231
Dado que el coste fijo no vara con el nivel de produccion, la variacion que experimenta el
coste total cuando producimos q unidades adicionales del bien es igual a la variacion del coste
variable.
La funci
on de ingresos
El Ingreso Total, IT (q), es la cantidad que ingresa la empresa por la venta de su produccion.
Se obtiene como el producto del precio, P (q), al que la empresa vende cada unidad (este precio
puede ser constante, como ocurre en un mercado de competencia perfecta; o ser variable, es
decir, que depende de la funcion de demanda a la que se enfrente la empresa, como es el caso
de un mercado monopolstico) por la produccion vendida, q.
IT (q) = P (q) q
El Ingreso Medio, IMe(q), es la cantidad que ingresa la empresa por termino medio por unidad
de producto. El IM e en realidad equivale al precio de mercado P (q), este precio puede ser
constante, o venir determinado por la demanda a la que se enfrente la empresa.
IM e(q) =
IT (q)
P (q) q
=
= P (q)
q
q
El Ingreso Marginal, IM (q), representa el incremento del que experimenta el ingreso total
cuando se vende una unidad adicional del producto. Si consideramos variaciones infinitesimales de las variables tenemos:
IM (q) =
IT (q)
(P (q) q)
=
q
q
Si el precio de mercado P (q) es constante, entonces IM = P , como ocurre en competencia

perfecta; pero si P (q) no es constante, sino que viene determinado por la funcion de demanda,
entonces IM (q) 6= P (q), como sucede en el monopolio.
La funci
on de beneficio
Supongamos que el objetivo de toda empresa es la maximizacion del beneficio. Analticamente
la empresa tratara de maximizar la siguiente funcion:
B(q) = IT (q) CT (q)
donde IT (q) representan la funcion de los ingresos totales y CT (q) representa la funcion de los
costes totales. Cuando queremos maximizar una funcion debemos aplicar la condicion de primer
orden:
B(q)
IT (q) CT (q)
=
= IM (q) CM (q) = 0
q
q
q
As pues, toda empresa que trata de maximizar los beneficios debera igualar IM = CM.
La condicion de segundo orden de un maximo exige que:
IM (q)
CM (q)
2 B(q)
< 0 =
<
q 2
q
q

APENDICE
C.3.
Integraci
on de funciones reales en una variable
C.3.1.
Obtenci
on de una funci
on total a partir de una marginal
232
Una empresa se dedica a la produccion de un bien cuya cuanta denotamos por q. Sea
C 0 (q) = 60q 2 80q + 35
su funcion de costes marginales.
Cualquiera de las primitivas de C 0 (q),
Z
(60q 2 80q + 35)dq = 20q 3 40q 2 + 35q + k,
podra servirnos como funcion de coste total C(q). Nos interesa determinar cual de todas ellas es
la buscada, es decir, determinar el valor de k. Para ello bastara conocer el valor de los costes fijos.
Sabemos que C(q) = Cv (q) + CF donde Cv son los costes variables y CF los fijos.
Si CF = 75, al ser Cv (0) = 0, tenemos que la funcion buscada debe verificar las relaciones
anteriores. Haciendo q = 0, deducimos que k = 75, y por lo tanto, la funcion de costes total sera
C(q) = 20q 3 40q 2 + 35q + 75,
Al mismo resultado hubiesemos llegado con mayor rapidez haciendo
Z q
C(q) =
(60x2 80x + 35)dx + 75.
0
Otro problema relacionado con funciones marginales que podemos resolver usando integrales
es el siguiente: supongamos que en un momento dado la produccion de cierta empresa es q = 10,
cual sera el incremento del coste si deseamos incrementar la produccion hasta q = 14? La cantidad
buscada sera
Z
14
(60q 2 80q + 35)dq = 20q 3 40q 2 + 35q]14

10 = 31180,
C =
10
que, por supuesto, coincide con C(14) C(10).
C.3.2.
El excedente del consumidor
El excedente del consumidor de un bien es la diferencia entre la cantidad maxima que estara
dispuesto a pagar por el n
umero de unidades del bien que demanda y la cantidad que realmente
paga en el mercado.
Para calcular el excedente del consumidor expresamos la funcion de demanda como F (Q). Si el
precio es P1 y el consumidor adquiere Q1 unidades del bien Q, el gasto total que realizara ser
a:
P1 Q1 unidades monetarias. Si el area por debajo de la curva de demanda hasta el punto Q1
representa la suma de dinero que el consumidor esta dispuesto a pagar por Q1 del bien, el excedente
del consumidor vendra dado por la diferencia entre lo que estara dispuesto a pagar y lo que paga
en realidad. Analticamente:
Z
Q1
F (Q)dQ P1 Q1 .
0

APENDICE
233
El concepto del excedente del consumidor puede utilizarse para ayudar a la evaluacion de muchas decisiones del Sector P
ublico: cierta Comunidad Autonoma esta valorando la posibilidad de
construir una carretera que conecte dos localidades, con lo que muchos residentes que tienen que
acudir de una ciudad a otra se ahorraran tener que dar un rodeo para llegar. Se baraja la posibilidad de que el uso de la carretera sea gratuito, no teniendo que pagar ning
un peaje, con lo que el
ente p
ublico no obtendra ingresos. El valor del proyecto para los usuarios de la carretera sera el
ahorro en tiempo y combustible ya que no tendran que recorrer tantos kilometros.
Supongamos que se realizan una serie de estudios que estiman que el n
umero de usuarios que
utilizaran la carretera sera de 200 000 personas y que el excedente del consumidor que cada
individuo obtiene de la carretera sera de 500. Con estos supuestos, la construccion de la carretera
lograra aumentar el bienestar de los consumidores siempre que su coste fuese inferior a 100 000 000
u.m. (= 500 200 000).
Estudios similares se realizan para decidir si se conservan determinadas area naturales o exigir
que las empresas instalen mecanismos anticontaminantes.
Tambien la empresa monopolista utiliza este concepto del excedente del consumidor. Esta
intenta
apoderarse del excedente, para maximizar su beneficio, realizando una poltica de discriminaci
on
de precios: cobra una cantidad de dinero distinta para cada unidad de producto, esos precios ser
an
diferentes seg
un la curva de demanda de cada consumidor y la cantidad de dinero que este dispuesto
a pagar.
C.3.3.
Un problema de formaci
on de capital
Supongamos que la formacion neta de capital (inversion neta) se produce de manera continua
en el tiempo mediante I(t). Sabiendo la cuanta inicial K0 , podemos encontrar la cuanta de capital
en cada momento, K(t), que vendra dada por
Z t
K(t) =
I(x)dx + K0 .
0
Por ejemplo, si I(t) = 100t3/4 y K0 = 50, tendremos

Z t
400 7/4
K(t) =
100x3/4 dx + 50 =
t + 50.
7
0
C.3.4.
Extracci
on de petr
oleo en un pozo
Supongamos que en un instante t = 0 comenzamos a extraer petroleo de un pozo cuyas reservas

se calculan en k barriles. Definamos x(t) a la cantidad de barriles que quedan en el instante t
(x(0) = k).
Si u(t) es la tasa de extraccion en el instante t, tenemos que x0 (t) = u(t) y por lo tanto
Z t
x(t) = k
u(s)ds,
0
Z
donde
u(s)ds es el n
umero de barriles de petroleo extrados en el periodo [0, t].
0
Este ejemplo nos sirve para ilustrar la diferencia entre dos conceptos economicos importantes:
la magnitud x(t) es una reserva o un stock, y, por otra parte, u(t) es un flujo medido en barriles
por unidad de tiempo.

APENDICE
C.3.5.
234
Reserva de divisas de un pas
Supongamos que F (t) designa las reservas de divisas de un pas en un instante t. Suponiendo
que F es derivable, la tasa de variacion de estas reservas por unidad de tiempo es
f (t) = F 0 (t).
Si f (t) > 0, tenemos que hay un flujo neto de divisas que entran en el pas, mientras que si f (t) < 0,
salen divisas del pas. Del concepto de integral definida se deduce que
Z t1
f (t)dt,
F (t1 ) F (t0 ) =
t0
midiendo esta expresion la variacion de las reservas en divisas en el periodo [t0 , t1 ].
C.3.6.
Distribuci
on de la renta
En muchos pases las autoridades hacen p

ublicos datos economicos sobre la renta de las personas
fsicas. Estos datos pueden ser utilizados para poner de relieve algunas propiedades de la distribuci
on
de la renta o de su variacion.
Midamos la renta en euros, designemos por F (r) a la proporcion de individuos que ganan menos
de r euros y consideremos una poblacion de n individuos. Si r0 es la renta mas baja y r1 la m
as
alta del grupo, nos interesa la funcion F en el intervalo [r0 , r1 ]. Por definicion, F no es una funci
on
continua en [r0 , r1 ], y por lo tanto no es derivable. Sin embargo, si la poblacion es muy grande,
podemos sustituir la funcion por otra derivable que proporcione una adecuada aproximacion de
la verdadera distribucion de renta. Vamos a suponer entonces que F es una funcion con derivada
continua f, i.e.
f (r) = F 0 (r), r (r0 , r1 )
Por la definicion de derivada tenemos que
f (r)r F (r + r) F (r)
para todo r suficientemente peque
no. As, f (r)r es aproximadamente igual a la proporcion de
individuos que ganan entre r y r + r. El nombre que recibe la funcion f en el contexto economico
es el de funci
on de densidad de renta, mientras que F se conoce como funci
on de distribuci
on
acumulada asociada a f.
De esta discusion, tenemos que si r0 a b r1 , el n
umero de individuos con rentas comprendidas en el intervalo [a, b] es de
Z b
n
f (r)dr.
a
Con razonamientos semejantes, llegamos a que la renta total de los individuos con rentas en el
intervalo [a, b] se aproxima por
Z b
n
rf (r)dr.
a
Una funcion de densidad de la renta que aproxima bastante bien las distribuciones reales de
renta, especialmente para rentas altas, es la que determina la llamada distribucion de Pareto. En
este caso, la proporcion de individuos que gana como maximo r euros viene dada por
f (r) = Br

APENDICE
235
donde B y son constantes positivas. Las estimaciones empricas de estan usualmente en el

intervalo (20 4, 20 6). Para valores de r cercanos a 0, la formula no sirve cuando 1, porque
Z
f (r)dr cuando r 0.
C.3.7.
La influencia de la distribuci
on de la renta en la demanda
Supongamos que se oferta a los individuos de una poblacion un bien cuya demanda depende
solamente del precio p y la renta r de cada individuo. Sea D(p, r) una funcion continua que designa
al n
umero de unidades demandadas por un individuo con renta menor o igual r cuando el precio
unitario es p. Si las rentas oscilan entre a y b y la distribucion de la renta viene dada por la funci
on
de densidad f (r), cual es la demanda total del bien cuando su precio es p?
Supongamos fijado el precio p y designemos por T (r) la demanda total del bien de todos los
individuos que ganan menos de r. Hay pues, aproximadamente, nf (r)r individuos cuyas rentas
estan en el intervalo [r, r + r] (de manera similar a lo que ocurra en C.3.6), siendo la demanda
total de estos individuos de aproximadamente
T (r + r) T (r) 1 nD(r, p)f (r)r
(C.4)
Por lo tanto
T (r + r) T (r)
nD(r, p)f (r),
r
tomando ahora lmite en r 0, tenemos que T 0 (r) = nD(p, r)f (r). Si usamos la integral definida,
Z
T (b) T (a) = n
D(p, r)f (r)dr.

a
Por lo tanto, la medida que buscabamos de la demanda total del bien en funcion del precio es
Z
n
D(p, r)f (r)dr.

a
C.3.8.
Valor actual descontado de una lnea continua futura de renta
Ya vimos en C.2.7 el valor actual de una serie de futuros pagos que habra que hacer en unos
momentos especficos. A menudo es mas natural considerar el problema desde el punto de vista
de los ingresos, suponiendo que estos crecen de forma continua. Este

es un aspecto distinto y
complementario del anterior.
Supongamos que se va a recibir continuamente una renta desde un tiempo t = 0, a uno t = T a
la tasa de f (t) euros por a
no. La tasa de interes continuo la fijamos en r. Por P (t) vamos a denotar
el valor actual descontado de la renta en el periodo [0, t], es decir, P (t) es la suma de dinero que
hay que depositar en el instante t = 0 para igualar el resultado de depositar continuamente la renta
f (t) en el intervalo [0, t].
Si dt es cualquier valor, el valor actual descontado de la renta percibida en el periodo [t, t + dt]
es de P (t + dt) P (t). Si dt es peque
no, la renta percibida en ese intervalo es aproximadamente de
f (t)dt, y el valor actual descontado es aproximadamente f (t)ert dt.
1
Tener en cuenta que T (r) = nD(r)F (r) (ver C.3.6), y que estamos aproximando la demanda de los individuos
con rentas comprendidas en el intervalo [r, r + r] por D(r, p).

APENDICE
236
As, P (t + dt) P (t) 2 f (t)ert dt y por lo tanto

P (t + dt) P (t)
f (t)ert .
dt
Si dt 0, tenemos que P 0 (t) = f (t)ert . Utilizando la integral definida,
Z T
f (t)ert dt.
P (T ) P (0) =
0
Como P (0) = 0, tenemos que el valor actual descontado de una lnea continua de renta a la tasa
de f (t) euros anuales en el intervalo de tiempo [0, T ], a interes continuo de tasa r, viene dado por
Z T
f (t)ert dt.
0
Esta cantidad da el valor en el instante 0. El valor en el instante T es

Z T
rT
f (t)ert dt
e
0
y por lo tanto tenemos que el valor futuro descontado de una lnea continua de renta a la tasa de
f (t) euros anuales en el intervalo de tiempo [0, T ], a interes continuo de tasa r, viene dado por
Z T
f (t)er(T t) dt.
0
Por u
ltimo, el valor descontado en un instante s [0, T ], lo obtendremos considerando el valor
actual en el intervalo [s, T ], luego, el valor descontado en el instante s de una lnea continua de
renta a la tasa de f (t) euros anuales en el intervalo de tiempo [s, T ], a interes continuo de tasa r,
viene dado por
Z
T
f (t)er(ts) dt.
C.4.
Funciones en varias variables
C.4.1.
Un modelo de mercado
Consideremos ahora un modelo de mercado con un u

nico bien como vimos en C.1.3. Este modelo
poda ser expresado en forma de dos ecuaciones:
Qd = a bP
(a, b > 0) [demanda]
Qs = c + dP (c, d > 0)
[oferta]
con la condicion de equilibrio Qd = Qs . Las soluciones son
P =
Qd =
a+c
b+d
adbc
b+d
= Qs
Para hallar ahora como afectara un cambio infinitesimal en uno de los parametros al valor de
P, solo tenemos que diferenciar parcialmente P respecto a cada uno de los parametros. Si podemos
determinar el signo de la derivada parcial, es decir, P
on dada relativa a
a , a partir de la informaci
los parametros, conoceremos la direccion en la cual se mueve P cuando cambia el parametro a. Si
podemos conocer la magnitud de P
esta sera una conclusion cuantitativa.
a ,
2
De manera an
aloga a como obtuvimos (C.4), obtenemos la aproximaci
on tomando ahora erdt 1.

APENDICE
C.4.2.
237
Funci
on de utilidad en varias variables
Un individuo decide que cantidades de n bienes va a adquirir en un determinado periodo de

tiempo. La teora de la utilidad supone que el individuo tiene una funcion de utilidad U (x1 , . . . , xn )
que representa las preferencias y que mide el grado de satisfaccion que el individuo obtiene al
adquirir x1 unidades del primer bien, x2 del segundo, etc.
Algunos modelos economicos suponen que la utilidad es una funcion del tipo
U (x1 , . . . , xn ) = a1 ln(x1 c1 ) + + an ln(xn cn ),
donde las constantes ci representan las mnimas cantidades que debe tener el consumidor para
subsistir, pudiendo ser alguno de estos valores iguales a cero.
C.4.3.
Equilibrio del consumidor
El equilibrio del consumidor plantea como un sujeto economico de consumo (por ejemplo una
familia) trata de distribuir su renta R en la adquisicion de n bienes x1 , x2 , . . . , xn , cuyos precios
denotamos p1 , p2 , . . . , pn , de forma que su satisfaccion sea maxima y sabiendo que tal satisfacci
on
viene cuantificada en la funcion de utilidad
U = f (x1 , x2 , . . . , xn ).
El problema matematico consiste en maximizar esta funcion de utilidad con la condicion de que
el valor de la combinacion de equilibrio sea igual a R, que expresado matematicamente es:
R = x1 p1 + x2 p2 + + xn pn .
La funcion auxiliar L que debe construirse para emplear el metodo de los multiplicadores de
Lagrange es:
L = f (x1 , x2 , , xn ) + (R x1 p1 x2 p2 xn pn ) =
= U + (R x1 p1 x2 p2 xn pn ).
Por otra parte,
L
x1
U
x1
p1 = 0
L
x2
U
x2
p2 = 0
L
xn
U
xn
1 U
p1 x1
U
= p12 x
2
..
.
U
pn = 0 = p1n x
,
n
soluciona el problema aplicando la llamada ley de las utilidades ponderadas:

1 U
1 U
1 U
=
= =
= .
p1 x1
p2 x2
pn xn
C.4.4.
Ejemplo num
erico de optimizaci
on de funciones de varias variables con
restricciones
Una empresa desea fabricar un envase en forma de caja rectangular sin tapa para su producto.
Dicho recipiente debe tener un volumen de 620 5 cm3 , pero desea que su superficie total sea mnima

APENDICE
238
ya que el material empleado es caro y no puede desaprovecharlo. Comencemos por definir la funci
on
que deseamos optimizar, en este caso queremos minimizar el area del envase rectangular, que viene
determinado por la suma de las superficie de sus caras, si designamos como x, y, y z al ancho, largo
y alto de la caja obtenemos la siguiente expresion:
f (x, y, z) = 2xz + 2yz + xy
Como restriccion debemos considerar el volumen que tiene el recipiente, en este caso, vine dado
por la siguiente expresion:
(x, y, z) = xyz = 620 5
Aplicamos el metodo de los multiplicadores de Lagrange:
fx + x = 0 = 2z + y + yz = 0
fy + y = 0 = 2z + x + xz = 0
= f + =
f + z = 0 = 2y + 2x + yx = 0
z
(x, y, z) = xyz = 620 5
Resolviendo el sistema, obtenemos = 00 8 y que las dimensiones de la caja que debe fabricar la
empresa son las siguientes: x = 5 cm, y = 5 cm y z = 20 5 cm.
Ahora pasemos a comprobar si estas dimensiones minimizan el area de la caja, para ello construimos la siguiente matriz:
2

2
2
2
0
1 + z 2 + y
xy
xz
x
2
2
2
1 + z
0
2 + x
2 =
yx y2 yz =
2
2
2

2 + y 2 + x
0
zx
zy
z 2
0 1 2
= 1 0 2
2 2 0
Calculamos su determinante y obtenemos que det( 2 ) = 8 < 0, por tanto vemos que, efectivamente, la solucion (5, 5, 20 5) es un mnimo de f (x, y, z) restringido a (x, y, z).
C.4.5.
Interpretaci
on econ
omica de los multiplicadores de Lagrange
Consideremos la siguiente formulacion del problema lagrangiano general:

max (mn) f (x) sujeta a gj (x) = cj , j = 1, . . . , m.
(C.5)
Sea x una nupla de elementos reales que verifican las condiciones necesarias para ser soluci
on
de (C.5). Es claro que el valor de x depende de las condiciones de restriccion, por lo que las
coordenadas de x son funciones de los valores c1 , . . . , cm . Vamos a considerar que dichas funciones,
xi = xi (c1 , . . . , cm ), son diferenciables en c1 , . . . , cm . Con esta vision, tenemos que el valor de f es
una funcion de c1 , . . . , cm a la que llamaremos f .
Notando c = (c1 , . . . , cm ), tenemos que
f (c) = f (x (c)) = f (x1 (c), . . . , xn (c)).
La funcion f se llama en economa funci
on del valor
optimo del problema lagrangiano (C.5).

APENDICE
239
Con la construccion anterior, los multiplicadores de Lagrange asociados a x son tambien funciones de c, que verifican
f (c)
i (c) =
.
ci
Por lo tanto, el multiplicador de Lagrange i = i (c) de la iesima restriccion es la tasa de variaci
on
del valor optimo de la funcion objetivo respecto a los cambios de las constantes ci . El nombre que
recibe i es el de precio sombra o valor marginal de una unidad del recurso i.
Una aplicacion directa de la interpretacion economica de los multiplicadores de Lagrange la
encontramos en un problema como el siguiente: consideremos un consumidor que debe decidir
cuanto comprar de n bienes distintos en un cierto periodo. Sea U (x1 , . . . , xn ) la funcion de utilidad
y supongamos que el precio unitario del iesimo bien es fijo e igual a pi . Entonces, suponiendo que
la renta de la que dispone para comprar los bienes es R, tenemos una restriccion presupuestaria
dada por p1 x1 + + pn xn = R.
La formulacion matematica de este problema es
max U (x1 , . . . , xn ) sujeta a p1 x1 + + pn xn = R.
Sea ahora U (p1 , . . . , pn , R) la rentabilidad maxima que se obtiene para unos precios p1 , . . . , pn
y una renta R. A esta funcion se le denomina funci
on de utilidad indirecta, teniendose que
=
U
.
R
As, es, aproximadamente, el aumento de utilidad maxima que proviene de aumentar la renta en
una unidad. recibe generalmente el nombre de utilidad marginal de la renta.
C.4.6.
Ejemplo de productividad marginal
Consideremos una funcion de produccion agrcola y = f (k, l, t), donde y es el n

umero de unidades producidas, k el capital invertido, l el trabajo y t la superficie de tierra a cultivar. Se llama
productividad marginal del capital a y/k = Fk . Esta funcion es la tasa de variacion de y respecto
de k cuando tanto l como t permanecen constantes. Analogamente, podemos definir productividad
marginal del trabajo a y/l = Fl , y productividad marginal de la tierra a y/t = Ft . La interpretacion que se obtiene de estas derivadas parciales es la siguiente: por ejemplo si y/k = 5,
tenemos que un aumento de la entrada de capital de una unidad repercutira en un aumento de la
produccion en cinco unidades.
C.4.7.
Elasticidades parciales
Al igual que introdujimos el concepto de elasticidad en funciones de una variable, vamos a

extender aqu dicho concepto a funciones en varias variables. Esto nos va a permitir distinguir
entre, por ejemplo, las elasticidades de la demanda con respecto al precio y a la renta.
Sea z = f (x1 , . . . , xn ), definimos elasticidad parcial de z respecto a xi , como la elasticidad de z
respecto a xi considerando el resto de las variables constantes, es decir,
Eli z =
xi
f (x1 , . . . , xn )
xi z
=
.
f (x1 , . . . , xn )
xi
z xi
El n
umero Eli z es, aproximadamente, la variacion porcentual de z producida por un aumento el
1 % en xi , mientras el resto de las xj permanecen constantes.

APENDICE
240
Para calcular la elasticidad de funciones compuestas, tenemos que recurrir a las derivadas de
estas. Veamos a continuacion un ejemplo.
Los se
nores Aukrust y Bjerke han calculado que el crecimiento del producto nacional neto de
Noruega viene dado por la funcion de produccion
0
y(k(t), l(t), t) = 20 262k(t)0 203 l(t)0 763 e0 0181t ,

donde k(t) representa el stock real de capital y l(t) el trabajo usado en el a
no t. El factor e0,0181t se
debe al progreso tecnologico. Para calcular la elasticidad de y en funcion de t, tenemos que aplicar
las reglas de la diferenciacion. Por lo tanto
Elt y = 00 203Elt k(t) + 00 763Elt l(t) + 00 0181t.
C.4.8.
Ejemplos de funciones homog

eneas en economa
Comencemos suponiendo que tenemos f (v1 , . . . , vn ) como la salida de cierto proceso de produccion en funcion de las cantidades vi . Supongamos que si las cantidades v1 , . . . , vn se multiplican por
un factor t, f tambien queda multiplicado por t. Esto implica que f es homogenea de grado uno.
Se dice que las funciones de produccion que cumplen esta propiedad dan rendimientos constantes
a escala. Una funcion homogenea de grado k < 1 se dice que tiene rendimientos decrecientes a escala,
mientras que si k > 1, diremos que estos rendimientos son crecientes.
Un ejemplo clasico e importante de funcion homogenea es la funcion de produccion de CobbDouglas, F (v1 , . . . , vn ) = Av1a1 vnan . Es facil ver que es una funcion homogenea de grado a1 +
+ an . El estudio de ese grado nos dira el tipo de rendimiento de una funcion de Cobb-Douglas
concreta.
Veamos un segundo ejemplo de funcion homogenea en la economa.
En un mercado con tres bienes cuyos precios unitarios son p, q, r, suponemos que la demanda
de uno de ellos por un consumidor con renta m viene dada por x(p, q, r, m). Supongamos tambien
que se multiplican los tres precios y la renta por t > 0. En este caso, la restriccion presupuestaria
del consumidor, px + qy + rz m, se convierte en tpx + tqy + trz tm, por lo que no vara. En
estas condiciones, es natural suponer que la demanda permanece constante, o lo que es lo mismo
x(tp, tq, tr, tm) = x(p, q, r, m).
Y por lo tanto la funcion de demanda, x(p, q, r, m), es una funcion homogenea de grado cero. Se
dice que la demanda no se ve influenciada por la ilusi
on monetaria. Un ejemplo concreto que ha
sido usado en analisis de demanda es
x(p, q, r, m) =
mpb
,
pb+1 + q b+1 + rb+1
funcion homogenea de grado cero.
C.5.
C.5.1.
Ajuste din
amico del precio de un bien en el mercado
Planteemos un modelo con las siguientes caractersticas:

APENDICE
241
1. La oferta y la demanda de un bien dependen solo de su precio:

D(t) = a bP (t) [demanda]
S(t) = c + dP (t) [oferta]
con a, b, c, d > 0.
2. El precio vara en funcion del exceso de demanda (hipotesis walrasiana):
dP (t)
= k(D(t) S(t)), k > 0.
dt
3. El precio en el momento inicial es P (0) = P0 .
Deseamos averiguar la trayectoria temporal del precio en base a los anteriores supuestos.
De las ecuaciones anteriores, tenemos que
dP (t)
= k(b + d)P (t) + k(a + c),
dt
cuya solucion para un valor inicial P0 sera la trayectoria temporal buscada.
En este caso, la solucion es
P (t) = Pe + (P0 Pe )et
con Pe =
a+c
y = k(b + d).
b+d
En este modelo no resulta nada complicado el estudio de la estabilidad de la solucion. Al ser

> 0, tenemos que
lm P (t) = Pe .
t
Por lo tanto, el precio del bien converge al precio de equilibrio Pe . Esto es debido a los signos
impuestos a los parametros de partida. Jugando con estos signos, se pueden plantear interpretaciones
economicas de los resultados.
C.5.2.
Un modelo de mercado con expectativas sobre los precios
Este modelo se fundamenta en la hipotesis de que las cantidades ofrecidas y demandadas de un

bien en cada momento no dependen solo de su precio, sino tambien de las expectativas sobre la
evolucion futura del mismo.
Las expectativas sobre el precio se introducen en el modelo mediante las funciones
nos proporciona la tasa de variacion del precio, y
tasa anterior.
dP (t)
, que
dt
d2 P (t)
, que nos indica la manera de variar la
dt2
Bajo la hipotesis de linealidad, las funciones de oferta y demanda son

2
P (t)
D(t) = a0 + a1 P (t) + a2 dPdt(t) + a3 d dt
2
dP (t)
d2 P (t)
S(t) = b0 + b1 P (t) + b2 dt + b3 dt2
De la condicion de equilibrio D(t) = S(t), tenemos la ecuacion diferencial

d2 P (t) a2 b2 dP (t) a1 b1
b0 ao
+
+
P (t) =
,
2
dt
a3 b3 dt
a3 b3
a3 b3
si a3 b3 6= 0.
Su solucion, para unas condiciones iniciales dadas, sera la trayectoria temporal del precio del
bien.

APENDICE
C.5.3.
242
Inter
es compuesto
Supongamos que la funcion f (t) > 0 representa el saldo de una cuenta bancaria en el instante
t a un tipo de interes continuo r(t). En este caso, el comportamiento del saldo lo rige la ecuaci
on
diferencial de variables separables
df
(t) = r(t)f (t).
dt
La solucion a esta ecuacion es
Z
R(t)
f (t) = Ce
, donde R(t) = r(t)dt y C es cte.
Si consideramos que el saldo inicial de la cuenta es f (0), tenemos que el estado en el instante t de
nuestros ahorros es
Rt
f (t) = f (0)e 0 r(s)ds .
C.5.4.
Stock de capital
Sigamos estudiando aspectos economicos, en este caso el conocimiento del stock de capital,
mediante una modelizacion dinamica.
Sea x = x(t) el producto nacional de un determinado pas, k = k(t) su stock de capital y l = l(t)
el n
umero de obreros. Para esta modelizacion vamos a realizar tres suposiciones:
1. la produccion se rige por la ecuacion de Cobb-Douglas,
x = Ak 1 l ,
donde A es una constante positiva y 0 < < 1.
2. la inversion agregada es proporcional a la produccion,
dk
= sx,
dt
donde s es una constante positiva.
3. la plantilla crece exponencialmente,
l = l0 et ,
donde l0 y son tambien constantes positivas.
Eliminando variables en las ecuaciones anteriores, llegamos a una u
nica ecuacion diferencial de
variables separables
dk
= sAl0 et k 1 .
dt
Mediante la resolucion de esta ecuacion obtenemos la ley que rige el stock de capital:
h
i1/
k(t) = k0 + (s/)Al0 (et 1)
.

APENDICE
C.5.5.
243
Crecimiento de un pas en vas de desarrollo
Consideremos las siguientes caractersticas de un modelo de crecimiento de un pas en vas de

desarrollo donde x = x(t) es la produccion total anual, k = k(t) el stock de capital, h = h(t) el
flujo de ayudas del exterior y n = n(t) la poblacion:
1. la produccion es proporcional al stock de capital,
x = k,
donde el factor de proporcionalidad es conocido con el nombre de productividad media del
capital.
2. el crecimiento del capital es proporcional al ahorro interior mas la ayuda exterior,
dk
= x + h.
dt
El factor es conocido como tasa de ahorro.
3. la poblacion crece a una tasa proporcional constante ,
n = n0 et .
Supongamos que h(t) = h0 et , que el valor en el instante cero del capital es k0 y 6= .
Una vez fijado el modelo, vamos a buscar unas ecuaciones que expresen el comportamiento de
k(t) y del valor de la produccion per capita y(t) = x(t)/n(t).
Eliminando las variables en las ecuaciones anteriores, llegamos a que el comportamiento del
stock de capital lo fija la ecuacion lineal y diferencial
dk
= k(t) + h(t),
dt
cuya solucion es
h0
et .

Como el valor inicial del capital era k0 , tenemos la solucion particular

h0
h0
k(t) = k0
et +
et .

k(t) = Cet +
Al ser la produccion per capita, y(t), igual a x(t)/n(t) =

explcitamente con
()t
y(t) = x0 e
C.5.6.

+
k
, tenemos que se corresponde
n0 et
i
h0 ()t h
e
1 e()t .
n0
Modelo de Sollow
El modelo economico de Sollow de teora de crecimiento se basa en la ecuacion

dk
= sf (s) k.
(C.6)
dt
La funcion incognita k = k(s), designa el capital por trabajador, s la tasa constante de ahorro,
f la funcion de produccion, y la tasa proporcional constante de crecimiento del n
umero de
trabajadores. Notese que la ecuacion (C.6) es una ecuacion de variables separables.

APENDICE
C.5.7.
244
Estudio de poblaci
on: curva logstica
Un modelo para el estudio de poblaciones es el llamado curva logstica. Este modelo obedece a
las siguientes hipotesis:
El aumento del n
umero de habitantes en el tiempo es directamente proporcional a su cuanta.
La disminucion del n
umero de habitantes en el tiempo es proporcional al cuadrado de su
cuanta.
Si P (t) representa el n
umero de habitantes en el tiempo, las hipotesis anteriores se traducen en
la ecuacion diferencial de Bernoulli:
P (t)
= aP (t) b(P (t))2 , con a, b > 0.
t
La solucion de esta ecuacion nos dara el comportamiento del crecimiento de una poblacion con las
hipotesis consideradas antes. Dicha solucion es
P (t) =
b
1
,
a 1 + keat
donde k es un parametro que depende de la poblacion inicial.
Bibliografa
[1] Alegre, Jorba y otros. Ejercicios resueltos de matematicas empresariales I. Editorial AC (1993).
[2] Ayres, F. Calculo diferencial e integral. Serie Schaum. Ed. McGraw-Hill (1990).
[3] Balbas, Gil y Gutierrez. Analisis matematico para la economa I. Calculo diferencial. Editorial
AC (1989).
[4] Berm
udez, Ll. y otros. Ttulos de la Coleccion Domina sin Dificultad. Ed. Media (1995).
[5] Caballero, Gonzalez y Triguero. Metodos matematicos para la economa. Ed. McGraw-Hill
(1992).
[6] Coquillat, F. Calculo integral. Ed. Tebar Flores (1980).
[7] Chiang, A. C. Metodos fundamentales de economa aplicada. Ed. McGraw-Hill (1987).
[8] de la Hoz Gandara, M. A. y Gonzalez Montesinos, M. T. Introduccion al analisis matematico
para la economa. Servicio de Publicaciones de la Universidad de Cadiz (2000).
[9] Garca G
uemes, A. Matematicas aplicadas a la empresa. Editorial AC. (1992).
[10] Grossman, S.I. Algebra

lineal con aplicaciones. Ed. McGraw-Hill (1992).
[11] Hoffmann, L. Calculo Aplicado. Ed. McGraw-Hill.
[12] Hoffmann, L. y Bradley, G. Calculo. Para la administracion, economa y ciencias sociales. Ed.
McGraw-Hill.
[13] Larson, R.E. y Hostetter, R.P. Calculo y geometra analtica. Ed. McGraw-Hill.
[14] Martnez de la Rosa, F. y Vinuesa Sanchez, C. Matematicas para empresariales. Ed. Grupo
de Investigacion RELAB (2002).
[15] Sydsaeter, K. y Hammond, P.J. Matematicas para el analisis economico. Prentice Hall.
245
246
Indice alfab
etico
nfimo, 49
implcitas, 24
parametricas, 18, 24
vectoriales, 24
eliminacion de Gauss-Jordan, 16
espacio propio, 32
espacio vectorial, 22
Euler, 133
extremo
condicionado, 138
adjunto, 13
anillo, 6
abeliano, 6
asntota
horizontal, 88
oblicua, 89
autovalor, 31
autovector, 32
factor integrante, 149

funcion
cociente, 67
composicion, 67
concava, 91
continua, 71, 123
convexa, 91
creciente, 89
decreciente, 89
derivable, 75
diferenciable, 127
homogenea, 133
implcita, 131
inversa, 67
lagrangiana, 138
primitiva, 102
producto, 66
producto por escalar, 66
real en una variable real, 65
real en varias variables reales, 116
suma, 66
Barrow, 102
base, 25
Cayley-Hamilton, 32
cociente incremental, 76
combinacion lineal, 23
conjunto
acotado, 48, 114
derivado, 67
conjuntos
equivalentes, 24
coordenadas de un vector, 25
cota
inferior, 49
superior, 49
cuerpo, 6
derivada
nesima, 76
direccional, 125
parcial, 124
diagonal principal, 8
diferencial, 80, 126
segunda, 136
dimension, 25
discontinuidad
de evitable, 72
de salto, 72
distancia eucldea, 47
dominio, 65
grafica de una funcion, 65

gradiente, 128
grupo, 6
abeliano, 6
infinitesimos, 70
de orden n, 83
equivalentes, 70
integral
impropia, 102
integral de Cauchy, 100
integral de Riemann, 100
intervalo
ecuacion
diferencial, 145
ecuaciones
247
INDICE ALFABETICO
acotado, 48
no acotado, 48
LHopital, 80
lmite
direccional, 117
doble, 116
en el infinito, 69
en un punto, 67, 116
lateral, 68
por sustitucion, 118
reiterado, 119
Lagrange, 78
linealmente dependiente, 24
linealmente independiente, 24
mnimo
absoluto, 90, 136
relativo, 90, 135
maximo
absoluto, 90, 136
relativo, 90, 135
matriz, 7
adjunta, 14
columna, 7
cuadrada, 7
de paso, 32
diagonalizable, 32
equivalente por filas/columnas, 11
fila, 7
identidad, 7
inversa, 10
nula, 7
producto, 10
semejante, 31
simetrica, 7
suma, 8
traspuesta, 9
triangular inferior, 8
triangular superior, 8
menor
complementario, 12
multiplicador de Lagrange, 138
multiplicidad, 32
norma, 125
particion de un intervalo, 97
plano tangente, 127
polinomio caracterstico, 32
polinomio de Taylor, 84
punto
crtico, 90, 136
248
de inflexion, 91
de silla, 136
punto de inflexion, 91
rango, 12
regla de Sarrus, 13
Rolle, 78
Rouche-Frobenius, 15
serie
alternada, 59
armonica generalizada, 59
convergente, 58
de terminos cualesquiera, 59
de terminos positivos, 59
divergente, 58
geometrica, 59
numerica, 57
oscilante, 58
telecopica, 63
sistemas de ecuaciones
compatible e incompatible, 15
homogeneos, 15
no homogeneos, 15
subespacio vectorial, 23
sucesion
convergente, 52
de n
umeros reales, 51
divergente, 52
suma
inferior, 98
superior, 98
suma parcial, 58
supremo, 49
termino general de una sucesion, 51
transformaciones elementales, 11

Matematicas Basicas para La Economia y La Empresa PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Matematicas Basicas para La Economia y La Empresa PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Matemticas Bsicas para la Economa y la Empresa

Alberto Vigneron Tenorio

Alberto Vigneron Tenorio

Servicio de Publicaciones de la Universidad de Cdiz

1.1. Anillos, grupos, cuerpos y matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Suma de matrices y producto por escalares . . . . . . . . . . . . . . . . . . . . . . .

Traspuesta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Producto e inversa de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1. Espacio vectorial sobre un cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.1. Diagonalizacion de una matriz real . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2. Aplicacion de la diagonalizacion al calculo de potencias de matrices . . . . . . . . . . 33

4.1. Formas cuadraticas reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.4. Formas cuadraticas restringidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Funciones reales en una variable

5. Topologa de la recta real: conceptos b

5.1. Conceptos topologicos de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

7.1. Series numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

8. Funciones y lmites de funciones.

8.1. Funciones en una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

9.1. Continuidad de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

10.1. Derivabilidad de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

11.1. Polinomio de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

12.2. Asntotas verticales, horizontales y oblicuas de una funcion . . . . . . . . . . . . . . 88

13.1. Integral de Riemman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

Funciones reales en varias variables

14.Funciones en varias variables.

14.1. Conceptos topologicos de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

14.2. Funciones en varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

15.1. Continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

16.1. Funciones implcitas. Derivacion de funciones implcitas . . . . . . . . . . . . . . . . 131

17.1. Optimizacion sin restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

18.1. Ecuaciones diferenciales de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . 145

B. Ejercicios de tipo test

C. Aplicaciones a la Economa y la Empresa

C.1.4. El analisis del umbral de rentabilidad o punto de cobertura . . . . . . . . . . 214

C.1.9. Contacto directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

C.3. Integracion de funciones reales en una variable . . . . . . . . . . . . . . . . . . . . . 232

C.3.3. Un problema de formacion de capital . . . . . . . . . . . . . . . . . . . . . . . 233

C.4. Funciones en varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236

C.4.2. Funcion de utilidad en varias variables . . . . . . . . . . . . . . . . . . . . . . 237

C.5.5. Crecimiento de un pas en vas de desarrollo . . . . . . . . . . . . . . . . . . . 243

11.1. Ejemplo de aproximacion del polinomio de Taylor. . . . . . . . . . . . . . . . . . . . 85

C.4. Curva de Laffer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

Anillos, grupos, cuerpos y matrices

Al plantear problemas relacionados con el analisis economico y empresarial es habitual optar

CAPITULO 1. MATRICES Y DETERMINANTES.

Conceptualmente, el contenido de este primer captulo es basico y fundamental. Las matrices

El elemento simetrico para la suma recibe el nombre de opuesto.

CAPITULO 1. MATRICES Y DETERMINANTES.

Ejemplo 1.1.3 Ejemplos cl

A = (A1 |A2 | |An ) , donde Aj denota la jesima columna de la matriz.

A = . , donde Ai denota la iesima fila de la matriz.

CAPITULO 1. MATRICES Y DETERMINANTES.

llamaremos diagonal principal de la matriz A Mmn (k) al conjunto aii , i = 1, . . . ,

61 34 51 matriz simetrica de orden 3.

matriz triangular inferior de orden 3 4.

Operaciones con matrices

Suma de matrices y producto por escalares

CAPITULO 1. MATRICES Y DETERMINANTES.

Teorema 1.2.3 (Mmn (k), +, ) es un grupo abeliano.

Mediante operaciones elementales, llegamos a

241 122 126