1.

Aplicaciones de la derivada
En un curso de cálculo en una variable existen un muchas aplicaciones de la derivada, éstas
están vinculadas a problemas en economía, electricidad, electrónica, sistemas, computación,
física, medicina, química, etc. Vea por ejemplo [1].

Pero no debemos olvidar que el concepto sobre derivada será extendido para otros cur-
sos, como cálculo en varias variables, allí veremos aún más aplicaciones a problemas de la
vida real, pues la mayoría de problemas de nuestro entorno encuadran en formulaciones
matemáticas que involucran un gran número de variables.

1.1. Mínimos y Máximos

Conocer dónde una función alcanza su valor mínimo y máximo en su dominio, tiene suma
importancia en la construcción de gráficos de funciones. Más aún, tiene aplicación en muchos
problemas que suceden en diferentes áreas profesionales.

Definición 1.1 (Mínimizador local) Sea f : R 7→ R una función con dominio Df . Un

punto x∗ ∈ Df se dice que es un minimizador local de f , si existe un ε > 0 tal que

f (x∗ ) ≤ f (x), para todo x ∈ Df y |x − x∗ | < ε

Definición 1.2 (Mínimizador Global) Sea f : R 7→ R una función con dominio Df . Un

punto x̂ ∈ Df se dice que es un minimizador global de f , si

f (x̂) ≤ f (x), para todo x ∈ Df

Observación 1.3 Un minimizador global local siempre es un minimizador local.

Figura 1: Minimizador local (x∗ ) y minimizador global (x̂)

1
Observación 1.4 Definiciones análogas son realizadas para maximizadores.

Teorema 1.5 Sea f : R 7→ R una función para la cual existe derivada en un intervalo ha, bi.
Si c ∈ ha, bi es un minimizador (maximizador) local, entonces f 0 (c) = 0.

El teorema anterior se puede utilizar en el siguiente sentido: si resolvemos la ecuación

0
f (x) = 0 y encontramos una solución en ha, bi, digamos r ∈ ha, bi, entonces r será un
candidato a un minimizador o maximizador local.

Ejemplo 1.6 Encontrar un candidato a minimizador local de f , donde

f (x) = 5x2 + 7x + 9
Claramente, Df = R. Primero calculamos f 0 (x) = 10x + 7, vemos que la derivada existe en
todo Df . Seguidamente resolvemos la ecuación f 0 (x) = 0, es decir, resolvemos
10x + 7 = 0
7 7
de donde obtenemos la solución x = − 10 ∈ Df . Así, x = − 10 es el único candidato a
minimizador local.

Observación 1.7 Lamentablemente, al resolver f 0 (x) = 0 no sólo encontraremos can-

didatos a minimizadores o maximizadores, sino que éllos podrían ser puntos de inflexión
o de silla (no son maximizadores ni minimizadores). El siguiente ejemplo ilustra esta afir-
mación.

Ejemplo 1.8 (Punto de inflexión o de silla) Considere la función f : R 7→ R definida

por f (x) = 13 (x − 2)3 . Claramente, f 0 (x) = (x − 2)2 . Al resolver f 0 (x) = 0, obtenemos:

(x − 2)2 = 0 ⇐⇒ x = 2
Así, a pesar de ser x = 2 un candidato, no es minimizador ni maximizador (vea el gráfico).
y

2.5

1.25

0
0 1.25 2.5 3.75 5

-1.25

-2.5

f (x) = 13 (x − 2)3

Pero candidatos a minimizadores o maximizadores no sólo serán los puntos c donde

0
f (c) = 0, también pueden ser aquellos puntos donde la derivada de f no está definida, esto
incluye obviamente a los extremos del intervalo (o intervalos) que podrían componer Df .

2
Observación 1.9 Los puntos que son minimizadores (y maximizadores) locales o globales
se denominan extremos. Aquellos puntos donde la derivada no está definida se denominan
puntos singulares. En consecuencia, todos los candidatos a minimizadores o maximizadores,
esto incluye a puntos que verifican f 0 (x) = 0 y puntos donde la derivada no está definida,
se llaman puntos críticos.

En resumen, para encontrar candidatos a minimizadores (maximizadores), debe-

mos buscar los puntos críticos. Esto es, buscar puntos en Df donde la derivada
no existe o donde f 0 (x) = 0.

Ejemplo 1.10 Encontrar todos los puntos críticos de f , donde f (x) = x+3
x2
. Primero re-
saltamos el dominio de f . Así, vemos que Df = R− {0}. Seguidamente calculamos f 0 (x):

x2 − 2x (x + 3) −x2 − 6x x+6
f 0 (x) = = = −
x4 x4 x3
Vemos que f 0 (x) existe en todo Df (aquí al menos no hay puntos críticos). A continuación
resolvemos f 0 (x) = 0:
x+6
− = 0 ⇐⇒ x + 6 = 0 ⇐⇒ x = −6
x3
Así, el único punto crítico será x = −6. En el gráfico se aprecia que este punto es un
minimizador local.
1 y

0.5

0
-10 -7.5 -5 -2.5 0 2.5 5

-0.5

-1
x+3
f (x) = x2

Ejemplo 1.11 Encontrar todos los £puntos ¤ críticos de la función f : R 7→ R, definida por
2 π
f (x) = 2 tan x−tan x, donde Df = 0; 3 . Observe que hay dos puntos donde la derivada no
existirá, los extremos del intervalo, x = 0 y x = π3 , éstos serán puntos críticos. Seguidamente
calculamos f 0 (x):
¡ ¢ ¡ ¢
f 0 (x) = 2 sec2 x − 2 (tan x) sec2 x = 2 sec2 x (1 − tan x)

y vemos que la derivada existe en todo Df (por aquí no hay puntos críticos). Luego resolvemos
f 0 (x) = 0, así:
¡ 2 ¢ π h πi
2 sec x (1 − tan x) = 0 ⇐⇒ 1 − tan x = 0 ⇐⇒ tan x = 1 ⇐⇒ x = ∈ 0;
4 3
π
Por lo tanto, todos los puntos críticos son x = 0, x = 3
y x = π4 .

3
 y 1

0.5

0
0 0.25 0.5 0.75 1

-0.5

-1

f (x) = 2 tan x − tan2 x

Según el gráfico, x = π4 = 0,78540 es un maximizador global, x = 0 es un minimizador global

y x = π3 = 1,0472 es un minimizador local.

Aún nos falta contestar, usando la información provista por la derivada, a la siguiente
pregunta: ¿cuándo podemos asegurar que un punto crítico es un minimizador (maximizador)
local o global? Lo que sigue ayuda a responder esta interrogante.

1.1.1. Criterio de primera derivada para determinar mínimos (máximos) locales

Un resultado obvio que suele ayudar en el análisis si puntos críticos son o no mini-
mizadores (maximizadores), es el siguiente.

Dada una función f , la cual es continua en un intervalo I. Sea c ∈ I un punto crítico. Si

existe un intervalo ha, bi ⊂ I tal que c ∈ ha, bi, de modo que

1. Si f 0 (x) > 0 ∀x ∈ ha, ci y f (x) < 0 ∀x ∈ hc, bi, entonces c es un maximizador local.1

2. Si f 0 (x) < 0 ∀x ∈ ha, ci y f (x) > 0 ∀x ∈ hc, bi, entonces c es un minimizador local.

3. Si f 0 (x) > 0 ∀x ∈ ha, ci y f (x) > 0 ∀x ∈ hc, bi, o sino f 0 (x) < 0 ∀x ∈ ha, ci y f (x) < 0
∀x ∈ hc, bi, entonces c no es minimizador ni maximizador local.

Debemos resaltar que los extremos de los intervalos que puedan conformar el dominio
no están siendo tomados en cuenta por este criterio, como vimos anteriormente, ellos son
también candidatos a minimizadores o maximizadores.

Ejemplo 1.12 Considere la siguiente función f : R 7→ R, donde Df = [−5; 0] ∪ [2; 5] y

f (x) = 9x2 + x + 10. Determine minimizadores y maximizadores locales usando el criterio
estudiado. Además, si fuera posible, determine un minimizador (maximizador) global.

Primero vemos los extremos de los intervalos (puntos donde la derivada no existe):

x1 = −5, x2 = 0, x3 = 2, x4 = 5
1
Observe que en estos casos estamos asumiendo que la derivada de f existe en los subintervalos respectivos.

4
éstos son los primeros puntos criticos que vamos hallando. Seguidamente calculamos la
derivada:
f 0 (x) = 18x + 1
Luego resolvemos la ecuación f 0 (x) = 0, en busca de más puntos críticos:

18x + 1 = 0
1
de donde obtenemos x5 = − 18 ∈ Df .

Por lo tanto, todos los puntos críticos (candidatos) son:

x1 = −5
x2 = 0
x3 = 2
x4 = 5
x5 = −1/18

Aplicando el criterio de la primera derivada para x5 − 1/18 (sólo podemos aplicar para este
punto crítico, pues en los otros la derivada no existe) vemos que

f 0 (x) = 18x + 1 < 0 ⇐⇒ x ∈ h−∞; −1/18i

f 0 (x) = 18x + 1 > 0 ⇐⇒ x ∈ h−1/18; ∞i
1
esto implica que existe un intervalo ha; bi ⊂ Df tal que c = − 18 ∈ ha; bi, f 0 (x) < 0 ∀x ∈ ha; ci
y f 0 (x) > 0 ∀x ∈ hc; bi, por ejemplo, basta tomar ha; bi = h−1; 0i.
1
Así, x5 = − 18 es un minimizador local. El criterio visto aquí no nos ayuda para asegurar
más minimizadores locales. Sin embargo, mirando la gráfica notamos que x3 = 2 es también
un minimizador local en Df .

Para determinar minimizadores y maximizadores globales, comparamos los valores de f

en los puntos críticos:

f (x1 ) = f (−5) = 230

f (x2 ) = f (0) = 10
f (x3 ) = f (2) = 48
f (x4 ) = f (5) = 240
f (x5 ) = f (−1/18) = 9,972222... = 359/36
1
Esto nos permite afirmar que el punto x5 = − 18 es un minimizador global, mientras que el

5
punto x4 = 5 es un maximizador global.
y 100

75

50

25

0
-5 -2.5 0 2.5 5

f (x) = 9x2 + x + 10
El anterior criterio suele ayudar en algunos casos teóricos pero no es práctico, pues deman-
da garantizar la existencia del intervalo ha; bi y la conclusión sobre infinitos (no numerables)
puntos en ha, bi.

1.1.2. Criterio de la segunda derivada para determinar mínimos (máximos)

locales
El siguiente resultado suele tener más practicidad en el cálculo, aunque demanda la
segunda derivada.

Dada una función f la cual es derivable dos veces en un intervalo I. Sea c ∈ I tal que
f 0 (c) = 0:

1. Si f 00 (c) > 0, entonces c es un minimimizador local.

2. Si f 00 (c) < 0, entonces c es un maximizador local.
3. Si f 00 (c) = 0, no se puede afirmar nada. Intente con el criterio de la primera derivada.

Ejemplo 1.13 Considere la siguiente función f : R 7→ R, donde Df = [−5; −2] ∪ [0; 5] y

f (x) = 2x3 + 9x2 − 4x + 5. Usando la estrategia estudiada en esta sección, determine todos
los minimizadores y maximizadores locales.

Primero vemos los puntos donde la derivada no existe:

x1 = −5, x2 = −2, x3 = 0, x4 = 5

Éstos son candidatos a ser los puntos buscados.

Seguidamente calculamos la derivada:

f 0 (x) = 6x2 + 18x − 4

Luego resolvemos la ecuación f 0 (x) = 0 en busca de más candidatos:

6x2 + 18x − 4 = 0

6
 √ √
de donde las soluciones son x5 = − 16 105 − 3
2
≈ −3,2078 y x6 = 1
6
105 − 3
2
≈ 0,20783.
Observemos que x5 , x6 ∈ Df .

Por lo tanto, todos los candidatos a minimizadores (maximizadores) locales son:

x1 = −5
x2 = −2
x3 = 0
x4 = 5
x5 ≈ −3,2078
x6 ≈ 0,20783

Usando el criterio de la segunda derivada para x5 y x6 , vemos que f 00 (x) = 12x + 18,
luego

f 00 (x5 ) = f 00 (−3,2078) = −20,4936 < 0

f 00 (x6 ) = f 00 (0,20783) = 20,49396 > 0

Por lo tanto, x5 es un maximizador local y x6 un minimizador local. Para determinar los

minimizadores (maximizadores) globales, comparamos los valores de f en los seis candidatos:

f (x1 ) = f (−5) = 0
f (x2 ) = f (−2) = 33
f (x3 ) = f (0) = 5
f (x4 ) = f (5) = 460
f (x5 ) ≈ f (−3,2078) = 44,4246
f (x6 ) ≈ f (0,20783) = 4,5753

Así, x1 = −5 es un mimizador global, mientras que x4 = 5 es un maximizador global.

y

400

300

200

100

0
-5 -2.5 0 2.5 5

f (x) = 2x3 + 9x2 − 4x + 5

En el Ejemplo 1.12 y Ejemplo 1.13 asumimos que los minimizadores (maximizadores)

globales se encontraban en Df , pero no siempre ése es el caso. El siguiente ejemplo ilustra
esto.

7
Ejemplo 1.14 (Solución ilimitada inferiormente.) Considere la función definida por
f (x) = −3x2 + 10, donde Df = h−∞; 4]. Vea su gráfica. Claramente los únicos puntos
críticos son x1 = 0 y x2 = 4. Observe también que x1 = 0 es un maximizador global, pero
x2 = 4 no es un minimizador global, pues cuando x toma valores negativos de gran magnitud,
la función f toma valores cada vez menores, es decir, lı́mx→−∞ f (x) = −∞. Por tanto, en
este caso diremos que la función es ilimitada inferiormente y no existe solución.
y

10

7.5

2.5

0
-4 -2 0 2 4

x
-2.5

-5

f (x) = −3x2 + 10

Para que no sucedan inconvenientes como el mostrado en el Ejemplo 1.14, debe-

mos tener en consideración lo siguiente: Si f es continua en Df , donde Df es la
unión de un número finito de intervalos cerrados en R, entonces siempre existe
al menos un minimizador y al menos un maximizador global.

1.1.3. Resumen (Estrategia para hallar minimizadores)2

De todo lo visto para encontrar minimizadores y maximizadores, usando el criterio de la
segunda derivada, que es el más práctico, podemos resumir lo siguiente:

Verificar si f es por lo menos continua en Df y si Df es la unión finita de interva-

los cerrados, si esto ocurre, garantizar la existencia de al menos un minimizador global.
Seguidamente,

1. En Df , calcular los puntos donde f 0 (x) no existe, esto incluye los extremos de los
intervalos que conforman Df (puntos críticos).

2. En Df , calcular los puntos donde f 0 (x) = 0 (más puntos críticos)

3. Cuando se requieran minimizadores locales, en cada punto crítico c, donde la segunda

derivada exista, evaluar f 00 (c) y:

a) Si f 00 (c) > 0, entonces c es un minimizador local.

2
Una estrategia análoga se puede formular para maximizadores.

8
 b) Si f 00 (c) < 0, entonces c es un maximizador local.

4. Cuando se requieran minimizadores globales, evaluar f en todos los puntos críticos y

elegir el punto x∗ donde f (x∗ ) alcance el menor valor posible. En este caso, x∗ será un
minimizador global.

Finalmente, debemos advertir que el trabajo de encontrar minimizadores (maximizadores)

locales no es una tarea simple, puede complicarse dependiendo de la función f y sobre todo
de Df . La tarea de encontrar minimizadores globales es aún más complicada en un caso
general, pues si Df está conformado por intervalos abiertos o semiabiertos, no se puede
garantizar la existencia de una solución. Esto se complica más aún cuando existen muchos o
infinitos puntos críticos. Por lo tanto, no se puede esperar mucho de una estrategia que use
derivadas para encontrar minimizadores (maximizadores) globales, debido a que la derivada
es un concepto local, recuerde que la derivada de f 0 (x) describe sólo el comportamiento de
f en un intervalo infinitamente pequeño en torno a x (es miope).

1.2. Método de Newton para encontrar ceros (raíces) de ecua-

ciones
Cuando hallamos la derivada de f , con la finalidad de encontrar puntos críticos que
cumplan f 0 (x) = 0, nos encontramos con una ecuación de la cual queremos encontrar una
raíz (cero). Desgraciadamente, no siempre es posible resolver tal ecuación. Por ejemplo, si
2
queremos calcular los puntos críticos de f (x) = x2 + x (ln (x) − 1), donde x > 0, tenemos
que f 0 (x) = x + ln x. Así, para resolver la ecuación f 0 (x) = 0 tenemos que hallar una raíz
de:
x + ln x = 0
lo cual puede ser imposible usando técnicas exactas conocidas.
y
x
0 1.25 2.5 3.75 5
0

-10

-20

-30

x + ln x

En esta sección estamos interesados entonces, en resolver un sistema de una ecuación con
una variable:
F (x) = 0 (1)

9
donde F : R 7→ R y por lo menos derivable una vez. Denotemos por r la solución de (1).
El método de Newton consiste en los siguiente, dado un punto inicial x0 ∈ R, construir una
sucesión x0 , x1 , ..., xk , ... de modo que lı́mk→∞ xk = r.

Algoritmo 1.15 (Newton) .

Paso inicial: Dado x0 ∈ R y una precisión deseada ε > 0 (por ejemplo, ε = 0,000001).

Paso principal: Para k = 0, 1, 2, ..., repetir

F (xk )
xk+1 = xk − , F 0 (xk ) 6= 0
F 0 (xk )

hasta que |F (xk )| < ε.

Al finalizar el algoritmo de Newton nos debería otorgar una aproximación xk a la solución

exacta r. Se tiene que advertir que el algoritmo puede no funcionar en algunos casos, debido
a que el punto inicial x0 debería ser elegido bien cercano a r, lo cual por lo general no es
posible. En la práctica, cuando el algoritmo no termina después de un número de iteraciones,
digamos k = 100, es preferible tomar un nuevo punto inicial.

2. Funciones crecientes y decrecientes

Dada una función f : R 7→ R definida en el intervalo I:

1. f es creciente en I si x1 < x2 =⇒ f (x1 ) < f (x2 ), para todo x1 , x2 ∈ I

2. f es decreciente en I si x1 < x2 =⇒ f (x1 ) > f (x2 ), para todo x1 , x2 ∈ I

Proposición 2.1 Sea f continua en [a; b] y diferenciable en ha; bi:

1. Si f 0 (x) > 0, para todo x ∈ ha; bi, entonces f es creciente en ha; bi

2. Si f 0 (x) < 0, para todo x ∈ ha; bi, entonces f es decreciente en ha; bi

Teorema 2.2 (Rolle) Sea f una función continua [a; b] y derivable en ha; bi, Si f (a) =
f (b), entonces existe al menos un c ∈ ha; bi tal que f 0 (c) = 0.

Teorema 2.3 (Valor medio) Si f una función continua [a; b] y derivable en ha; bi, en-
tonces existe al menos un c ∈ ha; bi tal que f 0 (c) = f (b)−f
b−a
(a)
.

Ejercicio 2.4 Usando el teorema de Rolle, demuestre el teorema del valor medio.

Basta definir
f (b) − f (a)
F (x) = f (x) − f (a) + (b − x)
b−a

10
Notamos que F es continua en [a; b] y derivable en ha; bi. Luego observamos que, F (a) = 0 y
F (b) = 0. Así, se cumplen los requisitos para aplicar el teorema de Rolle. En consecuencia,
existe c ∈ ha; bi tal que F 0 (c) = 0. O sea, como

f (b) − f (a)
F 0 (x) = f 0 (x) −
b−a
entonces
f (b) − f (a)
0 = F 0 (c) = f 0 (c) −
b−a
f (b)−f (a)
de donde f 0 (c) = b−a
.

Ejercicio 2.5 Aplicando el teorema de rolle, demuestre que la ecuación cúbica f (x) = 0,
donde f (x) = x3 − 3x + b, no puede tener más de una raíz real en el intervalo [−1; 1], para
algún valor de b.

Primero nos aseguramos que la ecuación f (x) = 0 tiene al menos una raíz para algún b.
Basta tomar por ejemplo b = 0, claramente en este caso, x = 0 ∈ [−1; 1] es una raíz.

Ahora, sea z ∈ [−1; 1] una raíz de la ecuación, entonces f (z) = 0. Supongamos que existe
otra raiz diferente w ∈ [−1; 1], inicialmente w < z, luego f (w) = 0. Como f es continua en
[w; z], derivable en hw; zi, f (w) = 0 y f (z) = 0, podemos aplicar el teorema de Rolle. En
consecuencia, existe c ∈ hw; zi tal que f 0 (c) = 0. Como

f 0 (x) = 3x2 − 3

y
0 = f 0 (c) = 3c2 − 3
vemos que
3c2 − 3 = 0 ⇐⇒ c = ±1
lo cual no puede ser, pues −1 ≤ w < c < z ≤ 1. Al mismo resultado se llega asumiendo
w > z. Por lo tanto, la única raíz es x = 0 y ésta se obtiene para b = 0.

Ejercicio 2.6 Analizar si f (x) = x3 − 5x2 − 3x satisface las hipótesis del Teorema del valor
medio en el intervalo [1; 3], en caso afirmativo, determine el valor(es) de c que satisface la
conclusión.

Vemos que f es continua en [1; 3] y derivable en h1; 3i. Por tanto, cumple las condiciones
del teorema del valor medio, luego, existe c ∈ h1; 3i tal que

f (3) − f (1) (33 − 5 (32 ) − 3 (3)) − (13 − 5 (12 ) − 3 (1)) −27 − (−7)
f 0 (c) = = = = −10
3−1 2 2
Como
f 0 (x) = 3x2 − 10x − 3
y
f 0 (c) = 3c2 − 10c − 3

11
tenemos
7
3c2 − 10c − 3 = −10 ⇐⇒ 3c2 − 10c + 7 = 0 ⇐⇒ c = ∨c=1
3
7
De estos dos valores, sólo c = 3
∈ h1; 3i, la cual es nuestra solución. Es decir,
µ ¶
0 7 f (3) − f (1)
f =
3 3−1

Referencias
[1] http://www.utu.edu.uy/Publicaciones/Publicaciones Educativas/Libros de Matemati-
ca/libro de DERIVADA.pdf

12