Matemáticas Universitarias
Matemáticas Universitarias
1. COMBINATORIA
1.1. Conceptos fundamentales . . . . . . . . . . . .
1.2. Muestras ordenadas . . . . . . . . . . . . . . .
1.2.1. Muestras ordenadas sin repetici
on . . .
1.2.2. Permutaciones . . . . . . . . . . . . . .
1.2.3. Permutaciones con elementos repetidos .
1.2.4. Muestras ordenadas con repeticion . . .
1.3. Muestras no ordenadas . . . . . . . . . . . . . .
1.3.1. Muestras no ordenadas y sin repetici
on
1.4. EJERCICIOS . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
7
7
7
8
8
9
9
12
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
total.
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
15
18
21
25
26
27
30
31
33
BINOMIAL Y DISTRIBUCION
NORMAL
3. DISTRIBUCION
3.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. La distribuci
on binomial o de Bernoulli . . . . . . . . . . . . . . .
3.2.1. El uso de las tablas de la distribuci
on binomial . . . . . . .
3.2.2. Probabilidades acumuladas . . . . . . . . . . . . . . . . . .
3.2.3. Media y desviacion tpica en una distribuci
on binomial . . .
3.3. La distribuci
on Normal . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1. Uso de las tablas de la distribuci
on normal N(0;1) . . . . .
3.3.2. Calculo de otras probabilidades . . . . . . . . . . . . . . . .
3.3.3. Calculo de probabilidades en normales N (x; ) . . . . . . .
3.3.4. Otro uso de las tablas . . . . . . . . . . . . . . . . . . . . .
3.4. Relacion entre la distribuci
on binomial y la distribuci
on normal . .
3.5. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38
38
38
40
40
41
42
44
44
46
47
49
51
4. INFERENCIA ESTAD
ISTICA
4.1. Introducci
on . . . . . . . . . . . .
4.2. Muestreos . . . . . . . . . . . . .
4.3. Estimaci
on por puntos . . . . . .
4.4. Distribuci
on muestral de medias
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
56
56
56
58
59
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. PROBABILIDAD
2.1. Experimentos aleatorios . . . . . . . . . . . . . . . . .
2.2. Deniciones b
asicas . . . . . . . . . . . . . . . . . . . .
2.3. Operaciones con sucesos . . . . . . . . . . . . . . . . .
2.4. Asignacion de probabilidades. Regla de Laplace . . . .
2.5. Probabilidad condicionada . . . . . . . . . . . . . . . .
2.6. Sucesos independientes . . . . . . . . . . . . . . . . . .
2.7. Experimentos compuestos. Teorema de la probabilidad
2.8. Tablas de contingencia . . . . . . . . . . . . . . . . . .
2.9. El teorema de Bayes. . . . . . . . . . . . . . . . . . . .
2.10. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE GENERAL
4.5. Distribuci
on muestral de proporciones . . . . . . . . . . . . . .
4.6. Intervalos de probabilidad . . . . . . . . . . . . . . . . . . . . .
4.6.1. Intervalo de probabilidad para la media muestral x . . .
4.6.2. Intervalo de probabilidad para la proporci
on muestral p
4.7. Estimaci
on por intervalos . . . . . . . . . . . . . . . . . . . . .
4.7.1. Estimaci
on de la media de una poblaci
on . . . . . . .
4.7.2. Estimaci
on de una proporci
on . . . . . . . . . . . . . . .
4.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. TEST DE HIPOTESIS
5.1. Introducci
on . . . . . . . . . . . . . .
5.2. Hip
otesis estadsticas . . . . . . . . .
5.3. Errores . . . . . . . . . . . . . . . . .
5.4. Regi
on crtica y region de aceptacion
5.5. Etapas de la prueba de hip
otesis . .
5.6. EJERCICIOS . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
60
62
63
65
65
65
67
69
72
72
72
73
74
76
80
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. MATRICES Y DETERMINANTES
6.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . .
6.2. Matrices. Denici
on y primeros ejemplos . . . . . . .
6.3. Tipos de matrices . . . . . . . . . . . . . . . . . . . .
6.4. Aplicaciones de las matrices . . . . . . . . . . . . . .
6.5. Operaciones con matrices . . . . . . . . . . . . . . .
6.5.1. Suma y diferencia . . . . . . . . . . . . . . .
6.5.2. Producto por un n
umero real . . . . . . . . .
6.5.3. Trasposici
on de matrices . . . . . . . . . . . .
6.5.4. Producto de matrices . . . . . . . . . . . . .
6.6. La matriz inversa . . . . . . . . . . . . . . . . . . . .
6.6.1. Metodo directo: . . . . . . . . . . . . . . . . .
6.6.2. Metodo de Gauss-Jordan: . . . . . . . . . . .
6.7. Rango de una matriz . . . . . . . . . . . . . . . . . .
6.8. Determinantes . . . . . . . . . . . . . . . . . . . . .
6.9. La regla de Sarrus . . . . . . . . . . . . . . . . . . .
6.10. Propiedades de los determinantes . . . . . . . . . . .
6.11. Relacion entre la inversa y los determinantes . . . .
6.12. Aplicaci
on de los determinantes al calculo del rango
6.13. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
82
. 82
. 82
. 83
. 84
. 86
. 86
. 87
. 87
. 88
. 90
. 91
. 92
. 94
. 95
. 97
. 98
. 100
. 101
. 103
INDICE GENERAL
7.9. Estudio de sistemas cualesquiera
Frobenius . . . . . . . . . . . . .
7.10. Sistemas homogeneos . . . . . . .
7.11. EJERCICIOS . . . . . . . . . . .
3
mediante el
. . . . . . .
. . . . . . .
. . . . . . .
de Rouche. . . . . . . 123
. . . . . . . 124
. . . . . . . 125
LINEAL
8. PROGRAMACION
8.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2. Inecuaciones lineales con 2 variables . . . . . . . . . . . . . . . .
8.3. Sistemas de inecuaciones lineales con dos variables . . . . . . . .
8.4. Problemas de optimizaci
on de una funci
on sujeta a restricciones .
8.4.1. Forma geometrica . . . . . . . . . . . . . . . . . . . . . .
8.4.2. Forma algebraica . . . . . . . . . . . . . . . . . . . . . . .
8.5. Algunos ejemplos de casos extremos . . . . . . . . . . . . . . . .
8.6. Aplicaci
on a problemas concretos . . . . . . . . . . . . . . . . . .
8.7. El problema del transporte . . . . . . . . . . . . . . . . . . . . .
8.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
127
127
127
128
131
131
133
134
136
139
141
9. L
IMITES Y CONTINUIDAD DE FUNCIONES
9.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . .
9.2. Tipos de lmites . . . . . . . . . . . . . . . . . . . .
9.3. Calculo de lmites . . . . . . . . . . . . . . . . . . .
9.3.1. Lmites en el innito . . . . . . . . . . . . .
9.3.2. Lmites en puntos nitos . . . . . . . . . . .
9.3.3. Lmites potenciales. Indeterminacion 1 . .
9.4. Asntotas . . . . . . . . . . . . . . . . . . . . . . .
9.4.1. Asntotas verticales . . . . . . . . . . . . . .
9.4.2. Asntotas horizontales . . . . . . . . . . . .
9.4.3. Asntotas Oblicuas . . . . . . . . . . . . . .
9.5. Continuidad . . . . . . . . . . . . . . . . . . . . . .
9.6. Tipos de discontinuidad . . . . . . . . . . . . . . .
9.7. EJERCICIOS . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
145
145
147
149
149
151
152
153
153
155
156
157
158
161
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
168
168
168
170
171
172
173
175
175
176
177
179
183
185
187
189
INDICE GENERAL
11.INTEGRACION.
CALCULO
DE AREAS
11.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.2. Primitivas. Integral indenida . . . . . . . . . . . . . . . . . . . .
11.3. Primitivas inmediatas . . . . . . . . . . . . . . . . . . . . . . . .
11.4. Integraci
on por cambio de variable . . . . . . . . . . . . . . . . .
11.5. Determinaci
on de una primitiva particular de una funci
on . . . .
11.6. El problema del calculo del area . . . . . . . . . . . . . . . . . . .
11.7. La integral denida. La regla de Barrow . . . . . . . . . . . . . .
11.8. Aplicaciones de la integral denida al c
alculo de areas de recintos
11.8.1. Areas
limitadas por una funci
on y el eje x . . . . . . . . .
11.8.2. Areas
limitadas por dos funciones . . . . . . . . . . . . .
11.9. Otras aplicaciones de las integrales . . . . . . . . . . . . . . . . .
11.10.EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
planos
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
193
193
193
195
196
198
199
201
203
203
206
207
210
Captulo 1
COMBINATORIA
Previamente al estudio de la probabilidad en s, conviene dedicar alg
un tiempo al repaso de las
tecnicas combinatorias.
Recordemos que la Combinatoria es la parte de las Matematicas que se ocupa de la resolucion de
problemas de eleccion y disposici
on de los elementos de cierto conjunto, de acuerdo con ciertas reglas.
Es decir, dentro de la Combinatoria es d
onde tienen sentido preguntas del tipo:
1. Cu
antas quinielas distintas pueden hacerse?.
2. Cu
antas posibles combinaciones pueden darse en la lotera primitiva?.
3. Que posibilidades hay de que me toquen los cuatro ases en una mano de tute?.
4. De cuantas formas se pueden sentar 5 personas en 5 asientos de un cine?.
Trataremos de dar respuesta a estas cuestiones y algunas mas.
1.1.
Conceptos fundamentales
En todo problema combinatorio hay varios conceptos claves que debemos distinguir:
1. Poblaci
on: Es el conjunto de elementos que estamos estudiando. Llamaremos tama
no de la
poblaci
on al n
umero de elementos de este conjunto.
2. Muestra: Es un subconjunto de la poblaci
on. Llamaremos tama
no de la muestra al n
umero de
elementos que la componen.
Los diferentes tipos de muestra vienen determinados por dos aspectos:
a) El orden, es decir, si es importante que los elementos de la muestra aparezcan ordenados o no.
b) La posibilidad de repetici
on o no de los elementos.
Ejemplo: Veamos con que tipo de poblaciones y muestras trabajamos en los ejemplos anteriores:
1. La poblaci
on en este caso es {1,X,2}, que tiene tama
no 3 (no hay otras posibilidades en una
quiniela).
Una quiniela (teniendo en cuenta el pleno al 15) es una muestra de tama
no 15 de la poblaci
on
anterior (por ejemplo : 1XX121XXX212111).
Es evidente que el orden en esta muestra es importante (no es lo mismo una X en la segunda
casilla que en la quinta) y que se permiten elementos repetidos ( los unos , equis o doses se
pueden repetir).
Es por tanto una muestra ordenada y con repetici
on.
5
CAPITULO 1. COMBINATORIA
CAPITULO 1. COMBINATORIA
1.2.
Muestras ordenadas
1.2.1.
1.2.2.
Permutaciones
CAPITULO 1. COMBINATORIA
1.2.3.
Si queremos calcular el n
umero de permutaciones de n elementos de los cuales hay n1 de una
clase,n2 de otra, etc. . . de modo que n1 + n2 + . . . + nr = n , entonces hablamos de permutaciones de
n elementos, algunos de los cuales estan repetidos, lo que se expresa como:
Pnn1 ,n2 ,...,nr =
n!
n1 ! n2 ! . . . nr !
Ejemplo: Con las letras A A A B B ,cuantas palabras, con o sin sentido, pueden formarse?
La A se repite 3 veces y la letra B se repite 2 veces, y en total hay 5 letras. As el n
umero total de
palabras son:
54321
54
5!
=
=
= 10
P53,2 =
3! 2!
32121
2
Dichas palabras seran: AAABB, AABAB, AABBA, ABAAB, ABABA, ABBAA
Escribe los 4 restantes.
Ejercicio: Con 5 signos + y 3 signos - Cuantas cadenas de smbolos se pueden formar?
1.2.4.
Si la poblaci
on es de tama
no n y la muestra de tama
no k, pero ahora permitimos repeticiones
,procedemos as:
El primer elemento se puede elegir de n maneras.
Como podemos repetir, el segundo tambien se puede elegir de n maneras.
..
.
El elemento n
umero k se puede elegir de n maneras.
En total tendremos nn. . . n (k veces ) = nk muestras de este tipo.
Ejemplos:
1. De cuantas maneras se pueden elegir 2 cartas (no necesariamente distintas de una baraja de 40
cartas?.
La primera se puede elegir de 40 maneras.
La segunda, al poder repetir, tambien se puede elegir de 40 maneras.
En total hay 4040 = 1600 formas.
CAPITULO 1. COMBINATORIA
1.3.
Muestras no ordenadas
1.3.1.
1, 3
2, 3
3, 2
4, 2
5, 2
1, 4
2, 4
3, 4
4, 3
5, 3
1, 5
2, 5
3, 5
4, 5
5, 4
Ahora bien, como no nos importa el orden, para nosotros las parejas 2,1 y 1,2 que son 2, en realidad
solo deberan contar como una, y lo mismo ocurre con el resto de parejas.
Estamos contando cada pareja 2 veces. Por tanto, para obtener el n
umero de parejas que buscamos
tenemos que dividir entre 2. As resulta que el n
umero de muestras no ordenadas y sin repetici
on que
20
= 10 , solo 10 posibilidades que son:
tenemos es de:
2
{1, 2}, {1, 3}, {1, 4}, {1, 5}, {2, 3}, {2, 4}, {2, 5}, {3, 4}, {3, 5}, {4, 5}
donde las llaves indican que el orden no importa.
Si sacasemos 3 bolas en lugar de 2, tendramos los tros: 1,2,3 1,2,4 1,2,5 etc. . . en total 543 =
60 posibilidades (V53 = 5 4 3).
Razonando de igual manera al caso anterior, todos aquellos tros en los que estuviesen por ejemplo,
el 1, el 2 y el 3 estaran repetidos. Ahora bien, cu
antas veces se repite cada tro?. Veamos, tomando
como ejemplo los tros con 1,2 y 3 obtenemos: 1,2,3 1,3,2 2,1,3 2,3,1 3,1,2 3,2,1 6 posibilidades
(P3 = 3!) que en realidad representan lo mismo pues no nos importa el orden. Lo mismo ocurre con
cada tro, de modo que cada uno de ellos se repite 6 veces, as pues si no tenemos en cuenta el orden,
60
= 10 maneras (no ordenadas y sin repetici
on).
el n
umero de muestras no son 60 sino:
6
Ejercicio: Escribir los 10 tros del ejemplo anterior.
Formalizando lo anterior, si la poblaci
on es de tama
no n y se extraen muestras de tama
no k, si
fuesen ordenadas seran
Vnk = n (n 1) . . . (n k + 1)
pero como son no ordenadas tenemos que dividir por el n
umero de maneras de ordenar esas muestras
de tama
no k, es decir hay que dividir por
Pk = k!
CAPITULO 1. COMBINATORIA
10
Resumiendo, el n
umero de muestras no ordenadas y sin repetici
on de tama
no k que se extraen de
una poblaci
on de tama
no n es:
Vnk
Pk
Las muestras no ordenadas y sin repetici
on se denominan Combinaciones sin repetici
on y las
expresaremos:
Vk
Cnk = n
Pk
El n
umero de combinaciones sin repetici
on Cnk se recuerda de manera mas sencilla mediante otra
f
ormula:
n
Cnk =
k
n
La expresion
se denomina n
umero combinatorio y se lee n sobre k.
k
Una regla sencilla que permite calcular este n
umero combinatorio es:
n
n!
=
k! (n k)!
k
Ejemplos:
1. De cuantas maneras se pueden sacar 3 bolas numeradas en cualquier orden, de una bolsa que
contiene 5 bolas?.
Seran combinaciones de 5 elementos de los que sacamos 3, es decir, tenemos que calcular:
5
5!
= 10
=
C53 =
3! 2!
3
son las maneras que habamos calculado en el ejemplo de la introducci
on.
2. De cuantas formas se puede formar un grupo de trabajo de 6 alumnos de entre una clase de
27?.
En este caso son combinaciones (no importa el orden ) de 27 elementos de los que se escogen 6
, es decir:
27!
27
27!
6
=
= 296010
=
C27 =
6! (27 6)!
6! 21!
6
(Compruebalo!).
Ejercicio: De cuantas maneras se pueden extraer 6 bolas de un bombo que contiene 49 bolas?
(Lotera Primitiva)
Hay algunos tipos m
as de muestras, en concreto las muestras no ordenadas con repetici
on, pero
no se estudiar
an en este momento.
N
umeros combinatorios y factoriales en la calculadora
Las calculadoras cientcas poseen algunas teclas u
tiles para el c
alculo de factoriales y n
umeros combinatorios.
Para el factorial, se utiliza la tecla !, que suele encontrarse sobre alguna otra tecla, por lo que al
utilizarla habr
a que presionar antes la tecla SHIFT (o INV).
Dado que los factoriales crecen a una velocidad enorme, un calculadora normal s
olo puede calcular
hasta el factorial de 69, y ya si pretendemos calcular 70!, se produce un mensaje de error.
Observemos que un n
umero tan inofensivo como 13! ya tiene un valor de 6.227.020.800
CAPITULO 1. COMBINATORIA
11
Captulo 2
PROBABILIDAD
La probabilidad y la estadstica son, sin duda, las ramas de las Matem
aticas que est
an en mayor
auge en este siglo, y tienen una tremenda aplicabilidad en todos los aspectos y ciencias, especialmente
en las Ciencias Sociales, puesto que aquellas variables que inuyen en dichas ciencias, econ
omicas,
demogr
acas, suelen tener car
acter aleatorio,es decir, no son deterministas, y se fundamentan en
predicciones a partir de datos conocidos. Todo aquello que implique predicci
on nos lleva al terreno de
la probabilidad.
2.1.
Experimentos aleatorios
En todos los aspectos de la vida a veces nos encontramos con acontecimientos predeterminados, es
decir, tales que podemos decir el resultado de dichos acontecimientos antes de que nalice o incluso
de que comience. Tal es el caso de:
1. Tirar una piedra desde un edicio ( sabemos que se caer
a).
2. Calentar un cazo de agua ( sabemos que la temperatura sube).
3. Golpear una pelota ( sabemos que se va a mover, e incluso conociendo fuerzas que act
uan etc,
podemos conocer precisamente donde caer
a ).
Tales acontecimientos o experimentos de los que podemos predecir el resultado antes de que se
realicen se denominan experimentos deterministas.
Sin embargo, analicemos otro tipo de experimentos, mucho mas interesantes desde el punto de
vista matem
atico:
Imaginemos que lanzamos un dado al aire (normal, de 6 caras y no trucado). Podemos predecir
el resultado que vamos a obtener?. Evidentemente no. Este es un experimento que no es determinista.
A este tipo de experimentos, en los cuales no se puede predecir el resultado antes de realizar el
experimento se les denomina experimentos aleatorios.
Otros ejemplos de experimentos aleatorios pueden ser:
Tirar una moneda al aire y observar que lado cae hacia arriba, rellenar una quiniela de f
utbol,
jugar una partida de p
oker y, en general, cualquier juego en el que intervenga el azar.
2.2.
Deniciones b
asicas
15
CAPITULO 2. PROBABILIDAD
16
Ejemplo:
1. Cu
al es el espacio muestral asociado al experimento de lanzar un dado normal al aire y observar
la cara que queda hacia arriba?.
Evidentemente, en este caso hay 6 posibles resultados (6 sucesos elementales) y el espacio muestral estara formado por: E={1,2,3,4,5,6}.
2. Y en el caso del lanzamiento de una moneda?
Entonces E={C,X}
Ejercicios:
1. Escribir el espacio muestral asociado al experimento de sacar una carta de entre las diez del palo
de copas de una baraja espa
nola.
2. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y
observar la pareja de n
umeros que se obtiene.
3. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y
sumar los n
umeros que se obtienen.
Llamaremos suceso aleatorio a cualquier subconjunto del espacio muestral. El concepto de suceso
es fundamental en probabilidad. Dicho de forma simple, un suceso de un experimento aleatorio es
cualquier cosa que se nos ocurra armar sobre dicho experimento.
As, si tiramos una moneda dos veces, seran sucesos todos los siguientes:
1. Sale al menos una cara.
2. Salen m
as caras que cruces.
3. La moneda cae de canto.
4. No sale ninguna cruz.
Llamaremos suceso imposible al que no tiene ning
un elemento y lo representaremos por .
Llamaremos suceso seguro al formado por todos los posibles resultados (es decir, al espacio muestral) .
Llamaremos espacio de sucesos y lo representaremos por S, al conjunto de todos los sucesos aleatorios.
Ejemplo:
1. En el caso del lanzamiento de la moneda en el que el espacio muestral era E={C,X} , analicemos
quien es el espacio de sucesos:
- Sucesos con 0 elementos:
- Sucesos con 1 elemento: {C},{X}
- Sucesos con 2 elementos:{C,X}
De modo que el espacio de sucesos es: S={,{C},{X},{C,X}}.
2. En el caso del lanzamiento de dos monedas, si haces el diagrama de arbol obtienes el siguiente
espacio muestral:
E = {(C, C), (C, X), (X, C), (X, X)}
El espacio de sucesos tiene ahora 16 elementos, que puedes intentar escribir, siguiendo el esquema
anterior, desde los sucesos con 0 elementos hasta aquellos que tienen 4 elementos. Si describimos
los sucesos que ponamos antes como ejemplos, obtenemos:
CAPITULO 2. PROBABILIDAD
a)
17
b) Salen m
as caras que cruces={(C,C)}
c) La moneda cae de canto=
d ) No sale ninguna cruz={(C,C)}
3. En el caso del lanzamiento del dado el espacio de sucesos es mucho mas amplio (64 elementos.
Sera interesante que intentases escribirlos todos o al menos te dieses cuenta de como son ,
aunque no los escribas todos)
En este mismo ejemplo, se puede considerar el suceso A= sacar un n
umero par. De que sucesos
elementales consta el suceso A?. Evidentemente, A={{2},{4},{6}}.
Otros sucesos pueden ser: B = Sacar un n
umero mayor que 5-{{6}}.
C = Sacar un n
umero par y menor que 5-{{2},{4}}.
Ejercicio: Una urna contiene dentro 4 bolas de las cuales 2 son blancas, 1 roja y otra azul. Se saca
una bola de la urna.
a) Escribir el espacio muestral.
b) Escribir los sucesos no sacar bola azul y sacar bola roja o blanca.
c) Escribir el espacio de sucesos.
Los sucesos admiten una representacion gr
aca que facilita su interpretaci
on; del modo:
CAPITULO 2. PROBABILIDAD
2.3.
18
CAPITULO 2. PROBABILIDAD
19
y B= sacar un
Como antes, los sucesos A=sacar un n par={2,4,6}, por tanto A={1,3,5}
n
umero entre 2 y 4 (inclusive)={2,3,4}, de modo que B={1,5,6}.
En un diagrama de Venn:
CAPITULO 2. PROBABILIDAD
20
c) Calcula A B y A B.
d) Son A y B compatibles o incompatibles?.
e) Calcula A y B.
f) Si C=sale un n
umero impar, calcula A C, B C,C , A C,A C.
Propiedades de las operaciones con sucesos:
Las operaciones con sucesos tienen las siguientes propiedades, la mayora de ellas bien conocidas:
Conmutativa
Asociativa
Idempotente
Simplicaci
on
Distributiva
Elemento neutro
Absorci
on
Interseccion
AB = BA
A (B C) = (A B) C
AA=A
A (A B) = A
A (B C) = (A B) (A C)
AE =A
A = A
Uni
on
AB = BA
A (B C) = (A B) C
AA = A
A (A B) = A
A (B C) = (A B) (A C)
A = A
AE = A
(A B) = A B
(A B) = A B
Demostraci
on: Demostraremos la primera de las igualdades.
En primer lugar, representemos en un diagrama de Venn (A B). Para ello, primero representamos
A B, y luego su contrario (A B):
Imagen 2 corresponde a A B
En primer lugar,
Ahora, representaremos en otro diagrama el otro miembro, es decir A B.
luego B
y luego su interseccion:
representaremos A,
Imagen 2 corresponde a B.
Imagen 3 corresponde a A B.
Observando los dos resultados, vemos que las partes rayadas son iguales, por lo que la igualdad es
cierta.
CAPITULO 2. PROBABILIDAD
21
Ejercicio:
1. Mediante un procedimiento similar, demostrar la segunda ley de De Morgan.
2. Luisa y Mara interviene en un torneo de ajedrez. La primera que gane dos partidas seguidas o
tres alternas gana el torneo. Encuentra el espacio muestral con todos los resultados posibles (
suponemos que nunca hacen tablas).
(Indicacion: Utiliza un diagrama de arbol).
3. Consideramos el fen
omeno aleatorio extraer una carta de una baraja de 40 y anotarla . Sean los
sucesos A= sacar oro, B= sacar rey, C= sacar el rey de bastos.
Determina los sucesos:
A B C, A
B
C,
A
B
A C,
2.4.
Asignaci
on de probabilidades. Regla de Laplace
Hasta el momento hemos descrito lo que es un experimento aleatorio y hemos denido los conceptos basicos asociados a este experimento. Nos falta responder a esta pregunta: Como asignar
probabilidades a cada uno de los sucesos de un experimento aleatorio?.
Hay muchas maneras de asignar probabilidades. La m
as sencilla e intuitiva la dio el matem
atico
frances Pierre Simon Laplace (1749-1827), quien enunci
o la regla que lleva su nombre:
Regla de Laplace:
Si realizamos un experimento aleatorio en el que hay n sucesos elementales, todos igualmente
probables, entonces si A es un suceso, la probabilidad de que ocurra el suceso A es:
p(A) =
n
umero de casos favorables al suceso A
n
umero de casos posibles
Ejemplo: Lanzamos un dado normal al aire. Consideramos el suceso A= sale par. Calcular p(A).
Casos posibles hay 6, pues E={1,2,3,4,5,6}.
Casos favorables al suceso A={2,4,6}.
1
3
Por tanto p(A) = = = 0 5.
6
2
(Notemos que la probabilidad siempre es un n
umero positivo y menor, o a lo sumo igual a 1).
El inconveniente que plantea la denici
on de Laplace es que necesariamente los sucesos elementales
tienen que tener la misma probabilidad de ocurrir.
Observemos un caso tan sencillo como el siguiente:
De una urna que contiene 8 bolas rojas, 5 amarillas y 7 verdes se extrae una bola al azar. Calcula
la probabilidad de que la bola extrada sea :
a) roja
b) verde
c) amarilla
El espacio muestral en este caso sera: E={R,V,A}, que consta solo de tres elementos, pero sera un
poco ingenuo asignar las probabilidades mediante la regla de Laplace,
p(R) =
1
3
p(V ) =
1
3
p(A) =
1
3
CAPITULO 2. PROBABILIDAD
22
CAPITULO 2. PROBABILIDAD
23
Propiedad
on
Si w1 , w2 , . . ., wn son los n sucesos elementales de un suceso aleatorio cualquiera,p una funci
p : S R de modo que cumple las propiedades:
1. 0 p(wi) 1 i {1, 2, . . . , n}
2. p(w1) + p(w2) + . . . + p(wn ) = 1
Entonces p es una probabilidad.
Ejemplo: Comprobar si las siguientes funciones denidas para los sucesos elementales son probabilidad,
siendo E={a,b,c,d} el espacio muestral del experimento aleatorio:
1
1
1
1
a) p(a) = , p(b) = , p(c) = , p(d) =
2
3
4
5
Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son n
umeros positivos
menores que 1.
Para ver si se cumple la segunda, basta realizar la suma:
30 + 20 + 15 + 12
77
1 1 1 1
+ + + =
=
2 3 4 5
60
60
que evidentemente NO es 1, luego p NO es probabilidad.
1
1
1
b) p(a) = , p(b) = , p(c) = 0, p(d) =
4
2
2
Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son n
umeros positivos
o cero menores que 1.
Para ver si se cumple la segunda, basta realizar la suma:
1+2+1
1 1 1
+ + =
=1
4 2 4
4
luego p SI es probabilidad.
Consecuencias de la denici
on de probabilidad:
= 1 p(A)
1. p(A)
En efecto, puesto que E = A A y ademas A y A son incompatibles, resulta por la propiedad
3) de la denici
on que
= p(A) + p(A)
p(E) = p(A A)
y por tanto p(A)
= 1 p(A).
Y por la propiedad 2), p(E)=1, luego 1 = p(A) + p(A)
2. p() = 0
= , resulta que:
Como E
= p() = 1 p(E) = 1 1 = 0
p(E)
3. Si A y B son dos sucesos cualesquiera,
p(A B) = p(A) + p(B) p(A B)
4. Si A, B y C son tres sucesos cualesquiera,
p(A B C) = p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A B C)
CAPITULO 2. PROBABILIDAD
24
Ejemplo:
Se tira una moneda 3 veces. Calcular la probabilidad de obtener alguna cara.
Los problemas de este tipo, en los que se pide la probabilidad de obtener alguna cosa, se suelen
resolver muy bien por paso al complementario. En este caso concreto, A = obtener alguna cara.
no obtener ninguna cara= obtener 3 cruces.
A=
1
olo uno
, pues hay 8 casos posibles (222, haz el diagrama de arbol!) y s
Entonces, p(A) =
8
favorable (XXX, 3 cruces), por tanto:
=1
p(A) = 1 p(A)
1
7
=
8
8
Ejercicio:
Calcular la probabilidad de obtener al menos 1 seis si se lanza 4 veces un dado.
Ejemplo:
Se lanza un dado dos veces y se suman las dos caras. Sea A el suceso A= la suma de resultados
es mayor o igual que 10 y B= la suma de los resultados es m
ultiplo de 6. Calcular p(A), p(B) y
p(A B).
Hay 36 posibles resultados al lanzar dos veces un dado. Cu
antos de ellos suman 10 o mas?
Que sumen 10: (4,6), (5,5), (6,4)
Que sumen 11: (5,6), (6,5)
Que sumen 12: (6,6)
1
6
= .
Por tanto, p(A) =
36
6
Cuantos hay que sumen m
ultiplo de 6?
Que sumen 6: (1,5), (2,4),(3,3), (4,2), (5,1)
Que sumen 12: (6,6)
1
6
= .
Por tanto, p(B) =
36
6
1
En cuanto a A B = (6, 6), luego p(A B) = .
36
Ejercicios:
1. Se ha encargado la impresi
on de una encuesta a una imprenta, que imprime 12 folios defectuosos
de cada 1000. Hallar la probabilidad de que elegido un folio de la encuesta al azar:
a) Este mal impreso.
b) Este correctamente impreso.
2. Una bolsa contiene 8 bolas numeradas. Se extrae una bola y anota su n
umero. Sean los sucesos
A= salir par, B= salir impar, C= salir m
ultiplo de 4.
Calcular las probabilidades de A B, A C, B C, A B C.
3. Extraemos una carta de una baraja espa
nola. Calcula:
a) La probabilidad de que sea un rey o un as.
b) La probabilidad de que sea un rey o una copa.
c) La probabilidad de que sea un rey y una copa.
4. En el banquete posterior a una boda se sientan en la presidencia 10 personas, entre los cuales se
encuentran los novios. Calcular la probabilidad de que los novios esten juntos en el centro de la
mesa.
CAPITULO 2. PROBABILIDAD
2.5.
25
Probabilidad condicionada
p(A B)
p(B)
CAPITULO 2. PROBABILIDAD
2.6.
26
Sucesos independientes
p(A) p(B)
p(A B)
=
= p(A)
p(B)
p(B)
1
1
1
, y por otra parte p(A) = y p(B) = ,luego se cumple que
6
2
3
p(A B) =
1 1
1
= = p(A) p(B)
6
2 3
CAPITULO 2. PROBABILIDAD
27
NOTA IMPORTANTE:
No se deben confundir los conceptos de sucesos incompatibles y sucesos independientes. Dos sucesos
son incompatibles cuando no tienen elementos en com
un, es decir, A B = , o con diagramas de
Venn:
2.7.
Un experimento compuesto es aquel que consta de dos o mas experimentos aleatorios simples.
Es decir, si tiramos un dado, o una moneda, son experimentos aleatorios simples, pero si realizamos
el experimento de tirar un dado y posteriormente una moneda, estamos realizando un experimento
compuesto.
Propiedad:
De la f
ormula para calcular la probabilidad condicionada se deduce inmediatamente que:
p(A B) = p(B) p(A/B)
Ejemplo: Se extraen 2 cartas, sucesivamente, de una baraja de 40. Calcular la probabilidad de extraer
2 sotas.
Sea A = sacar sota en la 1 y B = sacar sota en la 2.
Nos piden p(A B).
Seg
un la f
ormula anterior, p(A B) = p(A) p(B/A).
1
3
1
1 1
1
4
=
y p(B/A) =
=
, por lo que p(A) =
=
.
Ahora bien , p(A) =
40
10
39
13
10 13
130
La forma mas sencilla de calcular probabilidades en experimentos compuestos es un digrama de
arbol, donde en cada rama situamos la probabilidad que le corresponde al suceso del nal de dicha
rama. Estas probabilidades que se van poniendo en el arbol son probabilidades condicionadas, porque
dependen de los resultados anteriores.
En el caso del ejercicio anterior, el diagrama sera:
CAPITULO 2. PROBABILIDAD
28
Nota:
Este mismo resultado se podra haber obtenido
sin usar la probabilidad condicionada, del modo:
40
Formas de elegir 2 cartas de entre 40=
.
2
4
Formas de elegir 2 sotas entre 4=
.
2
4
6
1
casos favorables
2
= =
=
.
Por la regla de Laplace, p(obtener 2 sotas)=
40
casos posibles
780
130
2
Ejercicios:
1. Una urna contiene 9 bolas rojas y 5 negras. Se extraen sucesivamente 2 bolas. Calcula la probabilidad de que:
a) la primera bola sea roja y la segunda negra.
b) una sea roja y la otra negra.
2. En una bolsa hay 4 canicas rojas, 4 azules y 2 verdes. Se extraen 3 canicas que resultan ser 2
rojas y una azul. Sin devolverlas a la bolsa se saca otra canica, de que color es mas probable
que salga?.
Ejemplo:
Tenemos dos urnas, una con 7 bolas rojas y 2 azules, y otra con 3 bolas rojas y 8 azules. Tiramos
un dado. Si nos sale un 3 o un 5, sacamos una bola de la primera urna y en caso contrario, sacamos
una bola de la segunda urna. Cu
al es la probabilidad de que la bola extrada sea azul?.
Evidentemente estamos realizando un experimento compuesto. En primer lugar, se trata de elegir una
urna, para lo cu
al lanzamos un dado. Si U1 = elegir la urna 1 y U2 = elegir la urna 2, es claro que
1
2
2
4
p(U1 )= = y p(U2 )= = .
6
3
6
3
Por otra parte, luego realizamos otro experimento consistente en sacar una bola de la urna elegida.
Si A= sacar una bola azul, las probabilidades que conocemos son:
2
p(A/U1 ) =
9
y
8
p(A/U2 ) =
11
Lo que nos piden es p(A). Para calcular dicha probabilidad, si representamos el diagrama de arbol:
CAPITULO 2. PROBABILIDAD
29
La justicaci
on te
orica para proceder as la da el teorema de la probabilidad total.
on
Teorema de la probabilidad total: Si A1 , A2 , . . . , An son sucesos incompatibles 2 a 2, y cuya uni
es el espacio muestral (A1 A2 . . . An = E), y B es otro suceso, resulta que:
p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )
Nota: El conjunto A1 , A2 , . . . , An que verica la incompatibilidad 2 a 2 y que la uni
on de todos ellos es
el espacio muestral se denomina sistema completo de sucesos y este sistema divide el espacio muestral
en partes que no se solapan. Mediante representaci
on gr
aca:
4
32
166
2 2 4 8
+
=
+
=
= 0 559
6 9 6 11
54 66
297
Ejemplo: En un colegio se imparten solo los idiomas ingles y frances. El 80 % de los alumnos
estudian ingles y el resto frances. El 30 % de los alumnos de ingles son socios del club musical del
colegio y de los que estudian frances son socios de dicho club el 40 %. Se elige un alumno al azar.
Calcular la probabilidad de que pertenezca al club musical.
En estos problemas es importante elegir el sistema completo de sucesos. En este caso: A1 = estudiar
ingles
A2 = estudiar frances
B= ser del club musical
Nos piden p(B). Por el teorema anterior:
p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) =
20 40
8
80 30
=
= 0 32
100 100 100 100
25
CAPITULO 2. PROBABILIDAD
30
Ejercicio:
Se tienen dos urnas, la primera de las cuales tiene 6 bolas blancas, 4 negras y 2 rojas y la urna 2
tiene 3 bolas blancas y 7 negras.
Se lanza un dado al aire, y si sale m
ultiplo de 3 se saca de la primera urna y en otro caso se saca
una bola de la segunda urna.
Calcular la probabilidad de que sea:
a) bola blanca
b) bola negra c) bola roja.
26 1
,
,
Soluci
on: 11
30 45 18 .
2.8.
Tablas de contingencia
Las tablas de contingencia estan referidas a 2 caractersticas que presentan cada una dos o m
as
sucesos.
Ejemplo: En un taller se sabe que acuden, por la ma
nana 3 autom
oviles con problemas de electricos,
8 con problemas mec
anicos y 3 con problemas de chapa. Por la tarde hay 2 con problemas electricos,
3 con problemas mec
anicos y 1 con problemas de chapa.
a) Calcular el porcentaje de los que acuden por la tarde.
b) Calcular el porcentaje de los que acuden con problemas mec
anicos
c) Calcular la probabilidad de que un autom
ovil con problemas electricos acuda por la ma
nana.
Resumiendo los datos en una tabla de contingencia:
Ma
nana
Tarde
Total
Pr. electricos
3
2
5
Pr. Mec
anicos
8
3
11
Pr. de chapa
3
1
4
Total
14
6
20
Tratamiento antiguo
Tratamiento nuevo
60
79
81
Total
103
CAPITULO 2. PROBABILIDAD
31
2.9.
El teorema de Bayes.
p(Ai ) p(B/Ai )
p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )
Demostraci
on:
Por denici
on,p(Ai /B) =
p(Ai B)
.
p(B)
Ahora bien, recordando que p(Ai B) = p(Ai ) p(B/Ai ), debido a que p(B/Ai ) =
Ai B
.
p(Ai )
p(Ai ) p(B/Ai )
p(Ai B)
=
p(B)
p(B)
p(Ai ) p(B/Ai )
p(Ai ) p(B/Ai )
=
p(B)
p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )
CAPITULO 2. PROBABILIDAD
32
Ejemplo:
Dos clases de 2 de Bachillerato, una de 28 alumnos y otra de 35 alumnos hacen conjuntamente
un examen de Matematicas. La probabilidad de aprobar de los alumnos de la primera clase es de 068
y los de la segunda del 073. Se toma un examen al azar y resulta que est
a aprobado. Cu
al es la
probabilidad de que sea de un alumno de la 1 clase?.
Sea A1 = el examen es de un alumno de la primera clase
A2 = el examen es de un alumno de la segunda clase
B= el examen esta aprobado
Nos piden p(A1 /B).
Hagamos antes que nada un diagrama de arbol:
p(A1 ) p(B/A1 )
p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 )
Sustituyendo:
28
0 68
0 302
63
=
= 0 427
p(A1 /B) =
35
28
0 708
0 68 +
0 73
63
63
p(A1 ) es la probabilidad a priori, es decir , antes de realizar el experimento y careciendo de
informaci
on.
28
= 0 444.
En este caso p(A1 ) =
63
as informaci
on. En
p(A1 /B) es la probabilidad a posteriori, despues de realizarlo y conocer m
este caso p(A1 /B) = 0 427 (es algo menor).
Ejercicio:
Se tienen dos urnas. En la primera hay 10 bolas blancas, 7 negras y 5 rojas. En la segunda 24
blancas, 4 negras y 9 rojas. Se elige una urna al azar y se saca una bola. Calcular:
a) Probabilidad de sacar bola blanca.
b) Sabiendo que la bola extrada es blanca, probabilidad de que provenga de la segunda urna.
264
Soluci
on: 449
814 , 449 .
Captulo 3
BINOMIAL Y
DISTRIBUCION
NORMAL
DISTRIBUCION
3.1.
Introducci
on
3.2.
La distribuci
on binomial o de Bernoulli
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
39
maneras se pueden ordenar 4 fracasos y 3 exitos. Recordando las tecnicas combinatorias, este problema
se reduce a calcular las permutaciones con elementos repetidos:
765
7!
=
= 35formas
3! 4!
321
5
1
Y por tanto, como p(E) = y tengo 3 exitos y p(F ) = y tengo 4 fracasos:
6
6
1 1 1 5 5 5 5
p(tener 3 exitos y 4 fracasos) = 35 = 0 0781
6 6 6 6 6 6 6
P73,4 =
1
Formalizando lo obtenido, en una variable binomial con 7 repeticiones y con probabilidad de exito ,
6
la probabilidad de obtener 3 exitos es 00781, y lo expresaramos:
1
, entonces p(X = 3) = 0 0781
Bin 7;
6
Como repetir este proceso sera bastante penoso en la mayora de los casos, lo mejor es recurrir a la
siguiente f
ormula que expresa la probabilidad de obtener cierto n
umero de exitos en una distribuci
on
binomial:
Denici
on de distribuci
on binomial:
Si realizamos n veces un experimento en el que podemos obtener exito, E, con probabilidad p y
fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribuci
on binomial de
par
ametros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad de obtener k exitos
viene dada por:
n
p(X = k) =
pk q (nk)
k
Nota:
Observar que las probabilidades de exito y fracaso son complementarias, es decir, q = 1-p y p =
1-q, por lo que basta saber una de ellas para calcular la otra.
Ejemplo:
1
, y queramos calcular p(X=3) (obtener 3 exitos). Aplicando la f
ormula:
Antes tenamos Bin 7;
6
3 4
5
7
1
= 0 0781
p(X = 3) =
6
6
3
Ejemplo:
Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual. Calcular la
probabilidad de que una familia con 6 descendientes tenga 2 hijos.
Exito
= tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos,
si el exito es tener hija hemos de plantearnos cual es la probabilidad de tener 4 exitos (4 hijas), es
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
decir:
40
6
p(X = 4) =
(0 5)4 (0 5)2 = 0 2344
4
Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el exito y el fracaso y
la pregunta que nos hagan.
3.2.1.
3.2.2.
Probabilidades acumuladas
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
41
3.2.3.
Media y desviaci
on tpica en una distribuci
on binomial
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
3.3.
42
La distribuci
on Normal
Las gracas de este tipo son muy corrientes: Hay pocos individuos en los extremos y un aumento
paulatino hasta llegar a la parte central del recorrido, donde est
a la mayora de ellos.
Denici
on: Diremos que una distribuci
on de probabilidad sigue una distribuci
on normal de media x
on gr
aca de su funci
on
y desviaci
on tpica , y lo representaremos por N (x; ) cuando la representaci
de densidad es una curva positiva continua, simetrica respecto a la media, de maximo en la media, y
que tiene 2 puntos de inexi
on , situados a ambos lados de la media (x y x + respectivamente)
y a distancia de ella, es decir de la forma:
1
)
22
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
43
1
2 2
(xx)2
2 2
Propiedad:
El area encerrada bajo la curva normal N (x; ) siempre es 1.
La demostracion de este resultado no es nada sencilla e implica el uso de resultados matematicos que
exceden el nivel de este curso.
as sencilla, usada y conocida es aquella que tiene
De entre todas las curvas normales N (x; ), la m
por media 0 y por desviaci
on tpica 1, N(0, 1).
Esta normal est
andar se suele representar por Z.
La gr
aca de esta curva se denomina campana de Gauss y se puede observar en la gura:
1
Figura 3.3: Distribuci
on normal N (0; 1). El m
aximo est
a en (0, 2
)
Su funci
on de densidad ser
a:
x2
1
e 2
2
Puesto que el area bajo esta curva normal es 1, podemos denir una probabilidad de la siguiente
manera:
f (x) =
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
3.3.1.
44
La normal N(0;1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo
queremos calcular p(Z 2 78), hemos de realizar los pasos:
1. Buscar la parte entera y las decimas en la primera columna (en este caso 27).
2. Buscar las centesimas en la primera la (en este caso 8).
3. En el punto com
un a la la y la columna que hemos encontrado, tenemos la probabilidad buscada,
en este caso 09973.
Por tanto p(Z 2 78) = 0 9973.
Si queremos calcular una probabilidad de un valor mayor que 399, basta jarse en que las probabilidades correpondientes a valores tales como 362 y mayores ya valen 09999 (practicamente 1). Por
eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As:
p(Z 5 62) 1
aunque no aparezca en la tabla.
Por otra parte, jemonos en que en este tipo de distribuciones no tiene sentido plantearse probabilidades del tipo p(Z=k), ya que siempre valen 0, al no encerrar ning
un area. Por tanto, si nos pidiesen
p(Z=32), basta decir que p(Z=32)=0.
Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se demoniman distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por
ejemplo la binomial, que es una distribuci
on discreta.
As, al pasar al complementario, si tenemos Z k, su complementario sera Z < k, pero como incluir
k no inuye en la probabilidad,al calcular probabilidades podemos escribir:
p(Z k) = 1 p(Z < k) = 1 p(Z k)
S
olo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede hacer
y hay que ser cuidadosos con el paso al complementario.
Ejercicio: Buscar en la tabla de la normal est
andar N(0;1) las probabilidades:
b) p(Z 0 5)
c) p(Z 0 82)
d) p(Z 1 05)
a) p(Z 1 15)
f) p(Z 18 09)
3.3.2.
e) p(Z 4 27)
C
alculo de otras probabilidades
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
45
2. Si k es positivo y queremos calcular p(Z k), es decir el area: por simetra, p(Z k) =
Figura 3.7: p(Z k) = p(Z k). La simetra permite reducir este caso al anterior
Ejercicio: Calcular p(Z 0 78) y p(Z 3 2).
3. Si k es positivo y queremos calcular p(Z k), es decir el area rayada:
Figura 3.9: p(Z k) = p(Z k).La simetra permite reducir este caso al que ya esta tabulado
Ejercicio: Calcular p(Z 0 96) y p(Z 1 01).
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
46
3.3.3.
C
alculo de probabilidades en normales N(x; )
Xx
sigue una distribuci
on N(0,1).
on de la variable X).
(El paso de la variable X N (x; ) a la Z N(0;1) se denomina tipicaci
Si X sigue una distribuci
on N (x; ) , entonces la variable Z =
Ejemplo:
Las estaturas de 600 soldados se distribuyen de acuerdo a una distribuci
on normal de media 168
y desviaci
on tpica 8 cm. Cuantos soldados miden entre 166 y 170 cm?.
Sea X la distribuci
on de los soldados , X es una N(168,8). Nos piden p(166 X 170).
Utilizando el resultado anterior, primero restamos x=168 en la desigualdad:
p(166 X 170) = p(166 168 X 168 170 168) = p(2 X 168 2)
Y ahora dividimos entre = 8, con lo que acabamos de tipicar:
X 168
2
2
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
Llamando a
47
X 168
= Z, esta ya es normal N(0,1) y se encuentra en las tablas:
8
3.3.4.
0 83 + 0 84
= 0 835
2
b) Si el valor est
a entre dos valores, pero muy cercano a uno de ellos, directamente tomamos este valor,
por ejemplo: p(Z k) = 0 7970. El valor mas cercano es 09767 (que corresponde a 083) y como el
valor buscado est
a muy cerca de el, entonces directamente k=083.
Si la distribuci
on no es normal N(0;1), sino N (x; ), tendremos que tipicar previamente.
Por ejemplo, si X sigue una normal N(6;3) y p(X k) = 0 9082, calcula k.
Tipicando:
k6
k6
X 6
= 0 9082 p Z
= 0 9082
p
3
3
3
Y buscando en la tabla,
k6
= 1 33 k 6 = 3 99 k = 9 99
3
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
48
Ejercicios:
1. Calcular k si p(X k) = 0 6141 y X sigue una N(15,4).
2. De una variable normal N (x; ) se sabe que p(X 7) = 0 9772 y p(X 6 5) = 0 8413. Calcular:
a)
x y .
b) p(5 65 X 6 25)
c) El n
umero k tal que p(X > k) = 0 3
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
3.4.
49
Relaci
on entre la distribuci
on binomial y la distribuci
on normal
p(X = 32) =
6
6
32
Como resolver el problema?. Del siguiente modo:
Teorema Central del Lmite:
on
La distribucion binomial Bin(n;p) se aproxima a una curva normal de media x = n p y desviaci
= 16 67 y = n p q =
= 3 73. De modo que, como
En el caso anterior,x = n p =
6
36
n 30, n p = 16 67 5 y nq = 83 33 5, se pude aproximar la binomial por la normal, es decir:
1
Y N (16 67; 373)
X Bin 100;
6
BINOMIAL Y DISTRIBUCION
NORMAL
CAPITULO 3. DISTRIBUCION
50
Entonces:
Y 16 67
33 5 16 67
19 5 16 67
3 73
3 73
3 73
=
Captulo 4
INFERENCIA ESTADISTICA
4.1.
Introducci
on
Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra.
La estadstica, ciencia o rama de las Matematicas que se ocupa de recoger datos, analizarlos y
organizarlos, y de realizar las predicciones que sobre esos datos puedan deducirse, tiene dos vertientes
b
asicas:
a) Estadstica descriptiva: B
asicamente se ocupa de la 1 parte, es decir, a partir de ciertos datos,
analizarlos y organizarlos. Es aqu donde tiene sentido calcular la media, mediana, moda, desviaci
on
media, desviacion tpica, etc.
b) Estadstica inferencial: Se ocupa de predecir, sacar conclusiones, para una poblaci
on tomando
como base una muestra (es decir , una parte) de dicha poblaci
on. Como todas las predicciones, siempre
han de hacerse bajo un cierto grado de abilidad o conanza.
Ser
a esta u
ltima vertiente de la estadstica la que estudiemos en este tema.
4.2.
Muestreos
56
57
la poblaci
on tengan las mismas posibilidades de ser elegidas, mientras que si la eleccion de la muestra
es subjetiva, es probable que resulte sesgada.
Las distintas maneras de elegir una muestra de una poblaci
on se denominan muestreos. Basicamente
hay dos tipos de muestreos:
1. Muestreo no probabilstico: El investigador no elige la muestra al azar, sino mediante determinados criterios subjetivos.
2. Muestreo probabilstico: Cuando la muestra se elige al azar. En este caso podemos distinguir
varios tipos:
a)
b) Muestreo sistem
atico: En el que se elige un individuo al azar y a partir de el, a intervalos
constantes, se eligen los demas hasta completar la muestra.
c) Muestreo estraticado: En este muestreo se divide la poblaci
on en clases o estratos y se
escoge, aleatoriamente, un n
umero de individuos de cada estrato proporcional al n
umero
de componentes de cada estrato.
d ) Muestreo por conglomerados:Si no disponemos de la relaci
on de los elementos de la poblacion, o de los posibles estratos, no podemos aplicar los muestreos anteriores.
Aqu entra el llamado muestreo por conglomerados, donde en lugar de elegir individuos
directamente, se eligen unidades mas amplias donde se clasican los elementos de la poblacion, llamados conglomerados. En cada etapa del muestreo en lugar de seleccionar elementos
al azar seleccionamos conglomerados.
Los conglomerados deben ser tan heterogeneos como la poblacion a estudiar, para que la
represente bien. Luego se elegiran algunos de los conglomerados al azar, y dentro de estos,
analizar todos sus elementos o tomar una muestra aleatoria simple.
No debemos confundir estrato y conglomerado. Un estrato es homogeneo (sus elementos
tienen las mismas caractersticas), mientras que un conglomeardo es heterogeneo (debe
representar bien a la poblaci
on).
Veamos la diferencia de estos muestreos mediante un ejemplo:
Imaginemos que hemos de recoger una muestra de 20 alumnos de entre los de un instituto de 600.
1
. Lo de-Muestreo aleatorio simple: Elegiramos un alumno al azar (probabilidad de elegirlo 600
1
volvemos a la poblaci
on y se elige otro (probabilidad de elegirlo 600 ), y as hasta 20. Notemos que
1
, y ya no
si no devolviesemos al alumno, entonces, la probabilidad de escoger al 2 alumno sera 599
todos tendran la misma probabilidad de ser elegidos. El problema es que entonces permitimos que se
puedan repetir individuos.
-Muestreo sistem
atico: Como hemos de elegir 20 alumnos de 600, es decir, 1 de cada 30, se procede
as: Se ordenan los alumnos y se numeran, se elige uno al azar, por ejemplo el alumno 27, y luego los
demas se eligen a partir de este a intervalos de 30 alumnos. Escogeramos por tanto a los alumnos:
27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,567,597
y el alumno 627 ya es otra vez el 27.
-Muestreo estraticado: Si queremos que la muestra sea representativa, lo mejor sera conocer
cu
antos alumnos de cada curso hay, es decir, si hay 200 alumnos de 3 ESO, 150 de 4 ESO, 150 de
1 Bachillerato y 100 de 2 Bachillerato, procederamos:
Como de 600 en total hemos de elegir a 20, de 200 de 3 de ESO hemos de elegir x:
x
4000
20
=
x =
= 6 6 7 alumnos de 3
600
200
600
58
4.3.
Estimaci
on por puntos
59
Cual es el problema de la estimacion entonces?. Como vamos a disponer de una muestra, lo que
podemos calcular es x y s (o bien p y q), y a partir de estos intentar estimar quienes tienen que ser
y (o bien p y q), los reales para la poblaci
on.
En la estimaci
on por puntos, el conocimiento de un estadstico muestral nos permitir
a decidir cu
al
es el correspondiente par
ametro de la pobla ci
on. Para ello hemos de conocer cu
al es la relacion entre
un estadstico y el corresp ondiente par
ametro.
4.4.
Distribuci
on muestral de medias
sx =
n
donde es la desviacion tpica poblacional y n es el tama
no de las muestras.
Conclusi
on: Las medias de las muestras de tama
no n extradas de una poblaci
on de par
ametros y
, siguen una distribuci
on:
X N ,
n
siempre que dichas muestras tengan un tama
no n 30.
Notas importantes:
a) Este resultado es consecuencia del Teorema Central del lmite.
b) Si la poblaci
on es normal, el resultado se cumple para muestras de CUALQUIER tama
no
(incluso menor que 30).
c) Si es desconocida, el mismo resultado sigue siendo cierto sustituyendo en la f
ormula por s.
Ejemplo: La altura de los estudiantes de una poblaci
on se distribuye seg
un una normal de media 167
y desviaci
on tpica 32.
a) Calcula la probabilidad de que un estudiante mida menos de 165 cm.
b) Se toma una muestra de 10 estudiantes. Calcula la probabilidad de que la media muestral sea
menor que 165 cm.
En el apartado a) , manejamos la variable
X N (165; 32)
siendo X= altura de un estudiante.
60
165 167
X 167
<
p(X < 165) = p
32
3 2
En el apartado b), la variable que manejamos ya no es X, sino que tenemos una muestra de 10
estudiantes. Como la poblaci
on inicial es normal, podemos aplicar el resultado anterior aunque la
muestra sea de tama
no menor que 30. As, la variable a estudiar es
X=media de las alturas de 10 estudiantes, que seg
un lo dicho, sigue una distribuci
on
3 2
X N 165;
= N (165; 1012)
10
Nos piden:
165 167
X 167
p(X < 165) = p
<
1 012
1 012
4.5.
Distribuci
on muestral de proporciones
61
igual que en el caso anterior, para cada muestra tendremos una proporci
on muestral que denotaremos
por p y una desviaci
on tpica muestral que denotaremos por sp.
Entonces,utilizando
razonamientos similares a los del apartado anterior, se verica que p = p, y
pq
por tanto:
sp =
n
Conclusi
on: Las proporciones muestrales de tama
no n 30, extradas de una poblaci
on en la que la
probabilidad de exito es p, se ajustan a una normal
pq
N p;
n
Ejemplo: Una f
abrica de pasteles fabrica, en su producci
on habitual, un 3 % de pasteles defectuosos.
Un cliente recibe un pedido de 500 pasteles de la f
abrica.
a) Probabilidad de que encuentre m
as del 4 % de pasteles defectuosos.
b) Probabilidad de que encuentre menos de un 1 % de pasteles defectuosos.
3
tanto,
a) En este caso exito= pastel defectuoso, y la proporci
on poblacional de exito es de p =
100
97
. La muestra que recibe el cliente es de tama
no n=500.
q=
100
Por tanto, las proporciones muestrales siguen una distribuci
on:
3
97
3
; 100 100 = N (003; 0076)
p N
100
500
puesto que las muestras tienen tama
no mayor que 30.
La probabilidad pedida es que la proporci
on de pasteles defectuosos en la muestra sea mayor del
4 %, es decir:
0 04 0 03
= p(Z 1 32) = 0 0934
p(
p 0 04) = p Z
0 0076
b) En este caso es
0 01 0 03
= p(Z 2 63) = 0 0043
p(
p 0 01) = p Z
0 0076
Ejercicios:
1. De una poblaci
on de 120 alumnos , hay 48 que tienen 2 o m
as hermanos. Si de dicha poblaci
on
se toman muestras de tama
no 40.
a) Que distribuci
on siguen las proporciones muestrales?.
b) Cu
al es la probabilidad de que se encuentre en dicha muestra una proporci
on de m
as del
55 % de alumnos con 2 o mas hermanos?.
2. Las notas de cierto examen se distribuyen seg
un una normal de media =53 y desviaci
on tpica
=24. Hallar la probabilidad de que un estudiante tomado al azar tenga una nota:
a) Superior a 65
b) Inferior a 52
c) Comprendida entre 5 y 65
Halla las mismas probabilidades para de la media de las notas de 16 estudiantes elegidos al azar.
3. En un saco mezclamos judas blancas y pintas en la relaci
on de 14 blancas por cada pinta.
Extraemos un pu
nado de 100 judas. Calcula la probabilidad de que la proporci
on de judas
pintas este comprendida entre 005 y 01.
62
4. El cociente intelectual, CI, de unos universitarios se distribuye normalmente con media 100 y
desviacion tpica 11.
a) Se elige al azar una persona. Hallar la probabilidad de que su CI este entre 100 y 103.
b) Se elige al azar una muestra de 25 personas. Encontrar la probabilidad de que la media de
sus cocientes intelectuales este entre 100 y 103.
4.6.
Intervalos de probabilidad
Es evidente que a medida que el intervalo se ampla, hay mayor porcentaje de la poblaci
on en el.
En general, dado un porcentaje del N %, siempre es posible encontrar un intervalo simetrico respecto de la media de forma que dicho intervalo contenga a dicho porcentaje de poblaci
on.
M
as explicitamente, se denomina intervalo de probabilidad a aquel intervalo para el cu
al se sabe que
hay una seguridad del N % de que los par
ametros muestrales (x o p) se encuentren en dicho intervalo.
La seguridad N viene jada previamente.
Si queremos que el N % de la poblacion este en el intervalo, denominaremos nivel de conanza al
n
umero:
N
1 =
100
y unido a este, se encuentra el llamado nivel de signicaci
on, que viene dado por . Este nivel en
general vendr
a explicitado en las condiciones del problema, si bien los valores mas comunes suelen ser
del 90 %,95 % y 99 %.
Ejemplo: Si queremos que el 88 % de la poblaci
on este en el intervalo, el nivel de conanza ser
a 1 =
88
= 0 88, mientras que el nivel de signicacion ser
a = 1 0 88 = 0 12.
100
4.6.1.
63
Si la poblaci
on sigue una distribuci
on de par
ametros y , y las muestras son de tama
no n 30
(o bien la poblaci
on ya es normal y las muestras son de cualquier tama
no), sabemos que la media
on:
muestral x sigue una distribuci
X N ;
n
Se trata de encontrar el valor de k como en la gura:
la region rayada, tenemos un area de . Llamaremos z 2 al punto situado en el eje x que separa la
2
region rayada de la otra.
p Z z 2 =
2
o dicho de otro modo:
p Z z 2 = 1
2
probabilidad que se busca dentro de la tabla como hemos visto anteriormente en el tema de la normal.
Ahora
olo sirve para la normal estandar N(0;1). Nosotros manejamos la normal
este valor s
bien,
= z 2
k = + z 2
n
64
z 2 , + z 2
n
n
Ejemplo Determinar, en la distribuci
on N(0;1), el valor que concentra el 75 % de la poblaci
on en un
intervalo simetrico respecto a la media
Ahora 1 = 0 75, es decir = 0 25 y por tanto = 0 125, es decir, buscamos el valor z0 125 , de
2
modo que, como en la gura, dejemos el 75 % de la poblaci
on en el centro.
Figura 4.4: Buscamos el valor de z0 125 que deje en el intervalo (z0 125 , z0 125 ) al 075 de la poblaci
on
en la N(0;1)
Se cumple que p(Z z0 125 ) = 0 125, es decir p(Z z0 125 ) = 0 875,y si buscamos en la tabla,
resulta que el valor es:
z0 125 = 1 15
Ejercicio: Encuentra el valor correspondiente que concentre el 88 % de la poblaci
on.
Ejemplo:Calcular el intervalo de probabilidad con un nivel de conanza del 95 % para la media de
una muestra de 100 recien nacidos, sabiendo que la poblaci
on de recien nacidos sigue una normal de
media =3100 gr. y desviacion tipica =150 gr.
Como el nivel de conanza es 095, entonces 1 = 0 95 y por tanto = 0 05 y en cada rama
fuera de la regi
on queda = 0 025.
2
Buscamos entonces z0 025 , que es el valor que deja a su derecha un area de 0025, es decir:
p(Z z0 025 ) = 0 025 = p(Z z0 025 ) = 0 975
Buscando este valor dentro de la tabla se obtiene que el valor de z0 025 = 1 96, y por tanto el intervalo
para la media muestral es:
150
150
, 3100 + 1 96
= (3100 1 96 15, 3100 + 1 96 15) = (3070 6, 31294)
3100 1 96
100
100
Esto signica que el 95 % de las muestras de tama
no 100 tendr
a su media comprendida entre estos 2
valores: (30706,31294)
Ejercicio: Calcular el mismo intervalo con una conanza del 99 %.
Ejercicio: Las notas de una poblaci
on de 150 alumnos siguen una distribuci
on de media 55 y
varianza 41616. Extaremos muestras de tama
no 36. Calcula el intervalo de probabilidad para un nivel
de conanza del: a)75 % b) 8664 %, e interpreta los resultados.
(NOTA: Recordemos que la varianza y la desviacion tpica de una distribuci
on estan relacionadas
porque la varianza es el cuadrado de la desviaci
on tpica y se representa por 2 ).
4.6.2.
65
4.7.
Estimaci
on por intervalos
La estimacion anterior, la puntual, se utiliza poco, pues no tenemos datos sucientes que nos
indiquen el grado de abilidad del dato muestral que hemos tomado. Lo que tiene m
as sentido plantearse es cual es la probabilidad de que la media o proporci
on poblacional pertenezcan a un intervalo
determinado.
4.7.1.
Estimaci
on de la media de una poblaci
on
X N ;
n
, siendo n el tama
no de la muestra, y sabemos que el intervalo de probabilidad a nivel de conanza
1 para x es:
z 2 , + z 2
n
n
es decir, que:
z 2 x + z 2
n
n
z 2 x = x + z 2
n
n
Y de la segunda:
x + z 2 = x z 2
n
n
x z 2 x + z 2
n
n
Es decir, que el intervalo de conanza con nivel de conanza 1 para la media poblacional
desconocida es:
x z2 ,x + z2
n
n
NOTA:
a) Hay que a
nadir que para aplicar este resultado, o bien las muestras tienen tama
no n 30, o
bien la poblaci
on sigue una distribuci
on normal.
66
b) Si la desviaci
on tpica de la poblaci
on , es desconocida, se utilizar
a, la desviaci
on tpica muestral
s en su lugar,y el intervalo sera:
s
s
x z 2 , x + z 2
n
n
andar.
Al valor se le denomina error tpico o est
n
Ejemplo: Para estimar la media de los resultados que obtendran al resolver un cierto test los alumnos
on, se les pasa el test a 400 alumnos escogidos al azar,
de 4 de E.S.O. de la Comunidad de Castilla-Le
con los resultados de la tabla:
Puntuaci
on
1
2
3
4
5
N
umero de alumnos
24
80
132
101
63
A partir de ellos, estima con un nivel de conanza del 95 % el valor de la media poblacional.
Aprovechando repasaremos el calculo de algunos par
ametros estadsticos.
Como solo disponemos de la muestra, no conocemos la media ni la desviaci
on tpica poblacional,
hemos de calcular la media y la desviaci
on tpica muestral.
Para ello, calculamos la tabla siguiente:
X
1
2
3
4
5
Total
Frec.absoluta fi
24
80
132
101
63
400
Resulta:
x=
Varianza=s2 =
X fi
24
160
396
404
315
1299
X2
1
4
9
16
25
X 2 fi
24
320
1188
1616
1575
4723
1299
= 3 25
400
4723
(3 25)2 = 11 81 10 56 = 1 25
400
s = s2 = 1 25 = 1 12
Ya tenemos los parametros muestrales. Hemos de determinar el intervalo de conanza para . Como
67
Error m
aximo admisible:
Hemos visto que el intervalo de conanza para la media poblacional es:
x z 2 , x + z 2
n
n
Se cumple entonces que la diferencia, en valor absoluto, entre las medias poblacional y muestral es:
| x| < z 2
n
Al valor
E = z 2
n
se le llama error m
aximo admisible. Dicho error tiene las siguientes propiedades:
a) El error es manor cuanto mayor sea el tama
no de la muestra (n), porque dividimos por un
n
umero cada vez mayor.
b) El error es mayor al aumentar el nivel de conanza, puesto que el valor z 2 aumenta, como se
observa en la tabla:
Conanza=1
09
095
099
z 2
1645
196
2575
Para reducir el error, por tanto, no hay que aumentarla conanza, sino el tama
no de la muestra elegida.
Si conocemos el error y el nivel de conanza, podemos calcular el tama
no de la muestra , usando
la f
ormula del error.
Ejercicio: Al medir un tiempo de reacci
on, un psic
ologo sabe que la desviaci
on tpica del mismo es
05 segundos. Cual es el n
umero de medidas que debera realizar para que con una conanza del 99 %,
el error de estimaci
on no exceda de 01 segundos?.
4.7.2.
Estimaci
on de una proporci
on
,p+z2
p z2
n
n
Razonando igual que en el caso anterior, concluimos que:
El intervalo de conanza para p a un nivel de conanza de 1 es:
pq
pq
, p + z 2
p z 2
n
n
Aunque como habitualmente no se conoce p en realidad se usa:
p q
p q
, p + z 2
p z 2
n
n
NOTA: a) Es necesario que n 30 para poder aplicar esta f
ormula.
b) Habitualmente en las encuestas, se suele utilizar, en lugar de la u
ltima f
ormula, el valor de
p=q=05, que es la situaci
on m
as desfavorable.
68
o en caso de no conocer p:
pq
n
p q
n
Ejercicio: Para 96 familias espa
nolas elegidas al azar se ha determinado que la TV permanece encendida en la casa una media de 217 minutos diarios, la desviaci
on tpica de la muestra fue de 40
minutos.
a) Para una abilidad del 95 % que error se asume cuando se da por bueno ese dato para el total
de las familias espa
nolas?.
b) Que tama
no muestral sera necesario para reducir ese error a la mitad?.
E = z 2
Captulo 5
TEST DE HIPOTESIS
5.1.
Introducci
on
5.2.
Hip
otesis estadsticas
Trataremos de utilizar los datos obtenidos en una muestra para tomar decisiones sobre la poblaci
on.
Para ello, debemos realizar ciertos supuestos o conjeturas sobre las poblaciones. Estos supuestos, que
pueden ser o no ciertos,se llaman hip
otesis estadsticas.
Podemos, entonces, denir el test de hip
otesis o contraste de hip
otesis como el procedimiento
estadstico mediante el cual se investiga la verdad o falsedad de una hip
otesis acerca de una poblacion
o poblaciones.
Dichas hip
otesis se formularan sobre la media poblacional o la proporci
on poblacional p.
otesis que se formula y por tanto se quiere
Llamaremos hip
otesis nula, y se representa por H0 , a la hip
otesis que
contrastar o rechazar, e hip
otesis alternativa, y se representa por H1 , a cualquier otra hip
otesis nula
sea diferente de la formulada, y que sea contraria a H0 , de forma que la aceptacion de la hip
on de H1 .
H0 implica el rechazo de la alternativa H1 y viceversa, el rechazo de H0 implica la aceptaci
72
CAPITULO 5. TEST DE HIPOTESIS
73
(hip
otesis nula)
Como hip
otesis alternativa, hemos de tomar aquella contraria a esta, que la media sea distinta de 37
C, es decir:
otesis alternativa)
H1 = 37 (hip
Si la hip
otesis nula fuese del tipo k la hip
otesis alternativas sera: < k.
5.3.
Errores
Hay ocasiones en que la hipotesis nula, H0 , es cierta, pero a la vista de la muestra tengamos que
rechazarla. En tal caso, estamos cometiendo un error.
El error que consiste en rechazar la hip
otesis nula cuando esta es verdadera, se denomina error de
tipo I.
Otro tipo de error puede ocurrir cuando, siendo H0 falsa, las evidencias de la muestra, sin embargo,
nos lleven a aceptarla.
Este error, cometido al aceptar cuando esta es falsa, se denomina error de tipo II. Resumiendo:
Situaci
on
Mantener H0
H0 verdadera
Decisi
on correcta
Probabilidad=1
Decisi
on incorrecta:
ERROR DE TIPO I
Probabilidad=
Decisi
on correcta
Probabilidad=1
Decisi
on
Rechazar H0
CAPITULO 5. TEST DE HIPOTESIS
5.4.
74
Regi
on crtica y regi
on de aceptaci
on
z 2 , + z 2
n
n
o bien:
pq
pq
, p + z 2
p z 2
n
n
Las correspondientes regiones crticas seran:
+ z 2 ,
, z 2
n
n
o bien
pq
pq
p + z 2
,
, p z 2
n
n
CAPITULO 5. TEST DE HIPOTESIS
75
2. Contraste unilateral (o de una cola): En este caso la region crtica esta formada por un
solo conjunto de puntos.
Como se observa en las guras, el nivel de signicacion se concentra solo en una parte o cola.
Este caso se presenta cuando la hipotesis nula es del tipo H0 : k (o bien H0 : p k) y la
hip
otesis alternativa, por tanto, es del tipo H1 : < k (o bien H1 : p < k).(Tambien si aparece
)
A nivel de conanza 1 , las regiones seran, en la N(0;1):
a)
, + z
n
o bien:
pq
, p + z
n
+ z ,
n
o bien
p + z
pq
,
n
z ,
n
CAPITULO 5. TEST DE HIPOTESIS
o bien
76
p z
pq
,
n
, z
n
o bien:
pq
, p z
n
En todos los casos, conociendo el nivel de conanza 1 , tendremos que determinar el valor z 2
(para contrastes bilaterales) o bien z (para contrastes unilaterales), que separa las regiones de rechazo
y aceptacion.
Algunos de estos valores mas comunes se dan en la tabla adjunta, que en los bilaterales son los
mismos que para intervalos de conanza o probabilidad, ya vistos con anterioridad:
Figura 5.4: Valores mas comunes para contrastes bilaterales y unilaterales derechos. Los correspondientes para los unilaterales izquierdos son negativos.
5.5.
CAPITULO 5. TEST DE HIPOTESIS
77
3. Determinar la distribuci
on que sigue el par
ametro muestral (x o p) y en base a ella y al valor
obtenido en la etapa anterior, escribir las correspondientes regiones de aceptaci
on y rechazo.
4. Calcular el estadstico usado en la prueba (en nuestro caso, calcular media muestral x o proporcion muestral p, a partir de la muestra).
5. Aplicar el test,es decir, dependiendo de si el estadstico cae en la region de aceptacion o de
rechazo, tomar la decisi
on de aceptar una de las dos hip
otesis.
A continuaci
on se ofrecen algunos ejemplos de problemas de test de hip
otesis:
1. La vida media de una muestra de 100 tubos uorescentes producidos por una empresa es de
1570 horas, una desviacion tpica de 120 horas. Si es la vida media media de los tubos de dicha
empresa, se puede armar a nivel de signicaci
on 005 que la duraci
on media de los tubos es
de 1600 horas?.
Determinar los errores de tipo I y II
Etapa 1: Queremos saber si la duraci
on media de los tubos es de 1600 horas, es decir, que nuestra
hip
otesis nula es H0 : = 1600.
Por lo tanto, la hip
otesis alternativa ser
a que la duraci
on no sea de 1600 horas, es decir, la
hip
otesis alternativa es H1 : = 1600.
Por tanto estamos ante un contraste bilateral.
Etapa 2: A nivel de signicaci
on = 0 05 = 1 = 0 95, y realizando el dibujo habitual
(hacer como ejercicio), obtenemos que z 2 = z0 025 = 1 96.
Etapa 3: Determinemos la distribuci
on de la media muestral, x, teniendo en cuente que como la
desviaci
on tpica de la poblaci
on no la conocemos, tomamos la muestral, que es s = 120, y por
tanto sabemos que la media muestral sigue una normal:
120
= N (1600; 12)
N 1600;
100
Por tanto la regi
on de aceptacion sera el intervalo de probabilidad:
120
120
, 1600 +
= (1600 1 96 12, 1600 + 1 96 12) = (157648, 162352)
1600
100
100
De modo que, Region de Aceptacion:(157648,162352)
Region de Rechazo: (, 157648) (162352, )
Etapa 4: En la muestra se ha obtenido que x = 1570.
Etapa 5: Para aplicar el test, simplemente hemos de comprobar si el valor de est
a dentro de la
region de aceptacion o de la de rehazo.
Como en este caso se observa que
1570
/ (157648, 162352)
es decir, 1570 no est
a en la regi
on de aceptacion, sino en la de rechazo.
Por tanto, hemos de rechazar que la media es 1600 (hip
otesis nula) y aceptar la alternativa.
A este nivel de conanza no se puede armar que la duraci
on media de los tubos sea de 1600
horas.
En cuanto a los errores:
Error de tipo I es armar que la duraci
on media no es de 1600 horas cuando en realidad s lo es.
Error de tipo II es armar que la duraci
on media es de 1600 horas cuando en realidad no lo es.
CAPITULO 5. TEST DE HIPOTESIS
78
(6 8225, )
p z
pq
,
n
CAPITULO 5. TEST DE HIPOTESIS
Y la de rechazo:
79
, p z
pq
n
on de aceptacion es,
Para calcular el nivel z = z0 01 , y por tanto z0 01 = 2 33. As pues, la regi
puesto que p = 0 4 , q = 0 6 y n = 200, resulta ser, aproximadamente:
(0 3192, )
Y la regi
on crtica:
(, 0 3192)
Captulo 6
MATRICES Y DETERMINANTES
6.1.
Introducci
on
Las matrices y los determinantes son herramientas del algebra que facilitan el ordenamiento de
datos, as como su manejo.
Los conceptos de matriz y todos los relacionados fueron desarrollados basicamente en el siglo XIX
por matematicos como los ingleses J.J. Sylvester y Arthur Cayley y el irlandes William Hamilton.
Las matrices se encuentran en aquellos ambitos en los que se trabaja con datos regularmente
ordenados y aparecen en situaciones propias de las Ciencias Sociales , Econ
omicas y Biologicas.
6.2.
Matrices. Denici
on y primeros ejemplos
A= .
..
..
..
.
.
n
umeros reales dispuestos en las y columnas del modo:
. . . a1n
. . . a2n
.. Filas de la matriz A
..
.
.
. . . amn
Columnas de la matriz A
Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos subndices. El
primero de ellos i, indica la la en la que se encuentra el elemento, y el segundo, j, la columna.
As el elemento a23 esta en la la 2 y columna 3. Las matrices siempre se representaran con letras
may
usculas.
Ejemplos: Son ejemplos de matrices los siguientes:
3
1
0
2 4 0
2 1
6 4 0
C =
A=
B=
1 1
2
1
2 1
3 4
5
1
0
0
A tiene 2 las y 2 columnas, diremos que su tama
no es 2 x 2.Que elemento es a21 ?.
B tiene 2 las y 3 columnas, diremos que su tama
no es 2 x 3.Que elemento es b23?.
C tiene 4 las y 3 columnas, diremos que su tama
no es 4 x 3.Que elemento es c42 ?.
En general, si una matriz A tiene m las y n columnas, diremos que su tama
no o dimensi
on es m
x n (se lee m por n), siempre en primer lugar el n de las y en segundo lugar el de columnas.
82
6.3.
83
Tipos de matrices
0 0 0 0 0
A=
0 0 0 0 0
1 0 4 9
1
0
C=
8
es una matriz columna de tama
no 3 x 1.
4. Una matriz es cuadrada cuando tiene el mismo n
umero de las que de columnas, es decir su
no 2 x 2 o
dimensi
on es n x n. La matriz ( 23 14 ) del primer ejemplo anterior es cuadrada de tama
simplemente de orden 2.
Otro ejemplo de matriz cuadrada es:
1
2 3
D= 6
5 4
3 4 0
de orden 3.
Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos
a11 , a22 , a33, . . . , ann , siendo la matriz:
A= .
..
..
..
..
..
.
.
.
.
an1 an2 an3 . . .
ann
1 0
0
0
1 4 13
0 4 0
0
F = 0 9 5
E=
3 4
5
0
0 0
1 3 16 78
Triangular superior
Triangular inferior
84
1
0
0 0
0 45 0 0
G=
0
0
3 0
0
0
0 0
Por u
ltimo, si una matriz diagonal tiene en su diagonal principal s
olo unos, se denomina matriz unidad
no de la matriz. Algunas matrices
o identidad. Se suelen representar por In , donde n es el orden o tama
identidad son:
1
0
0
0
1 0 0
0 1 0 0
1 0
I3 = 0 1 0 I4 =
I2 =
0 0 1 0
0 1
0 0 1
0 0 0 1
6.4.
Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasicar
valores numericos atendiendo a dos criterios o variables.
Ejemplo: Un importador de globos los importa de dos colores, naranja (N) y fresa (F). Todos
ellos se envasan en paquetes de 2, 5 y 10 unidades, que se venden al precio (en euros) indicado por la
tabla siguiente:
Color N
Color F
2 unid.
004
003
5 unid.
008
005
10 unid.
012
008
Sabiendo que en un a
no se venden el siguiente n
umero de paquetes:
2 unid.
5 unid.
10 unid.
Color N
700000
600000
500000
Color F
50000
40000
500000
A=
B = 0 08
50000 40000 500000 F
0 12
0 03 2 ud
0 05 5 ud
0 08 10 ud
85
En Matem
aticas, un grafo es una coleccion cualquiera de puntos conectados por lineas.
Existen muchos tipos de grafos. Entre ellos, podemos destacar:
* Grafo simple: Es el grafo que no contiene ciclos, es decir, lineas que unan un punto consigo
mismo, ni lineas paralelas, es decir, lineas que conectan el mismo par de puntos.
* Grafo dirigido: Es el grafo que indica un sentido de recorrido de cada linea, mediante una echa.
Estos tipos de grafo pueden verse en la gura:
Relacionadas con los grafos se pueden denir algunas matrices. Entre todas ellas, nosotros nos
jaremos en la llamada matriz de adyacencia, que es aquella formada por ceros y unos exclusivamente,
de tal forma que:
* un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la la i hasta el punto de la
columna j mediante una linea que los una directamente.
* un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al segundo mediante una
linea que los una directamente.
La matriz de adyacencia del grafo dirigido de la gura anterior ser
a:
A
A 0
B
0
C 1
D 0
B
1
0
0
0
C
0
1
0
0
1
0
0
0
Ejercicio
1) Escribe las correspondientes matrices de adyacencia de los grafos:
A 0
B 1
C 0
B
1
0
0
0
1
0
A 0
B
0
C 1
D 0
B
1
0
0
1
C
1
0
0
1
1
1
0
0
6.5.
86
6.5.1.
Suma y diferencia
Dadas dos matrices A y B podemos realizar su suma o diferencia de acuerdo a la siguiente regla.
Para sumar o restar dos matrices del mismo tama
no, se suman o restan los elementos que se encuentren
en la misma posicion, resultando otra matriz de igual tama
no.
Por ejemplo:
2 0 4
0 1 1
2 1 3
=
3 2 5
7 0 4
4 2 1
2x3
2x3
2x3
0 1
0 1
A = 4 2 = A = 4 2
3 9
3 9
3x2
porque:
3x2
0 1
0 0
0 1
4 2 + 4 2 = 0 0
3 9
0 0
3 9
3x2
3x2
3x2
Ejercicios:
1. Las exportaciones, en millones de euros, de 3 pases A, B, C a otros tres X, Y, Z, en los a
nos
2000 y 2001 vienen dadas por las matrices:
X Y Z
A 11 6 7 0 5
A2000 = B 14 5 10 1 2
C 20 9 3 2 2 3
X Y Z
A 13 3
7
1
= B 15 7 11 1 3 2
C 21
0 2 4 3
A2001
Calcula y expresa en forma de matriz el total de exportaciones para el conjunto de los dos a
nos.
Cuantos millones ha exportado el pas B al Z en total?
Calcula el incremento de las exportaciones del a
no 2000 al 2001 con los datos del ejemplo anterior.
2. Calcula x, y, z en la suma:
x y 1 2
y 0 z
1 1 3
1
y x + z 2 3 = 0
4 4
0
z
2
2 3 x
2 4 1
3. Calcula a, b, c para que se cumpla la igualdad:
3a
b
2
2
a+b 4
1 a 2
+
=
4
c + 1 6
1c
2
0
2 0 6
6.5.2.
87
Producto por un n
umero real
2x3
Propiedades:
a) Distributiva respecto de la suma de matrices: k(A + B) = kA + kB
b) Distributiva respecto de la suma de n
umeros: (k + d)A= kA + dA
c) Asociativa: k(dA)=(kd)A
d) Elemento neutro, el n
umero 1: 1A=A
Ejercicios:
1. Si A =
1 1
0 1
1 0
yB=
, halla una matriz X que verique la ecuaci
on:
0 2
2X 4A = B
1
3X 5Y =
8
2
X + 3Y =
3
6.5.3.
2
1
4
0
Trasposici
on de matrices
Dada una matriz cualquiera A, se llama matriz traspuesta de A, y se representa por At a la matriz
que resulta de intercambiar
las columnas de A.
las las y
2 1 0 7
Por ejemplo, si A =
, entonces la matriz traspuesta de A es:
3 4 2 1
2 3
1 4
At =
0 2
7 1
a tama
no n x m, pues el
Evidentemente, si A es una matriz de tama
no m x n, su traspuesta At tendr
n
umero de columnas pasa a ser el de las y viceversa.
Si la matriz A es cuadrada, su traspuesta tendr
a el mismo tama
no.
Propiedades:
a) (At )t = A, es decir, la traspuesta de la traspuesta es la matriz inicial.
b) (A + B)t = At + B t
c) (k A)t = k At
En base a esta nueva operaci
on, podemos denir otras dos clases de matrices, que son:
Matriz simetrica, que es aquella para la que se cumple
2 1
A= 1 0
3 2
3
2
88
es simetrica (compruebalo).
En una matriz simetrica, los elementos son simetricos respecto a la diagonal principal.
Ejercicio: Puede ser simetrica una matriz que no sea cuadrada?Por que?.
Matriz antisimetrica, es aquella para la que se cumple que At = A.
Por ejemplo:
0 1 3
B = 1 0 2
3 2 0
es antisimetrica (comprueba).
En una matriz antisimetrica, los elementos de la diagonal principal son siempre nulos (por que?),
y los restantes son opuestos respecto a dicha diagonal.
Ejercicios:
1 3 3
1
1
2
1. Dadas las matrices A = 1 4 3 y B = 2
0 1 calcula 3At B t .
1 3 4
6 1 0
2. Obtener las matrices X e Y
1
2X 3Y =
4
a)
1
X Y =
3
6.5.4.
5
2 1
X + Y =
2
3 0
b)
0
6 2
X Y =
6
0 1
3 1
2X + Y =
0 2
c)
1 0
X + 2Y =
2 4
Producto de matrices
Hay que dejar claro ya desde el principio que no todas las matrices pueden multiplicarse. Dos
matrices se pueden multiplicar cuando se cumple la siguiente condici
on:
on indispensable que el n
umero
Para multiplicar dos matrices A y B, en este orden, AB , es condici
de columnas de A sea igual al n
umero de las de B
Si no se cumple esta condici
on, el producto AB no puede realizarse, de modo que esta es una
condici
on que debemos comprobar previamente a la propia multiplicaci
on.
Una vez comprobado que el producto AB se puede realizar, si A es una matriz m x n y B es una
matriz n x p (observemos que el n de columnas de A = n = n de las de B), entonces el producto
no n x p del siguiente modo:
AB da como resultado una matriz C de tama
El elemento que se encuentra en la la i y la columna j de la matriz C=AB, se obtiene multiplicando
los elementos de la la i de A por la columna j de B y sumando los resultados
Veamoslo mediante un ejemplo:
Para multiplicar las matrices:
A=
3 2 1 4
2 5 3 2
2x4
y
0 4 1
1 2 1
B=
2 0 2
3 2 1
4x3
89
0 4 1
1 2 1
3 2 1 4
=
2 5 3 2 2 0 2
2x4
2x3
3 2 1
4x3
S
olo nos falta completar los elementos de la matriz producto. Para ello, seguimos la regla anterior:
El elemento de la la 1 y columna 1 de AB proviene de multiplicar elemento a elemento la la 1
de A por la columna 1 de B y sumar, es decir:
(3) 0 + 2 1 + 1 2 + 4 3 = 0 + 2 + 2 + 12 = 16
El elemento de la la 1 y columna 2 de AB proviene de multiplicar elemento a elemento la la 1 de
A y la columna 2 de B y sumar:
(3) (4) + 2 (2) + 1 0 + 4 2 = 12 4 + 0 + 8 = 16
El elemento de la la 1 y columna 3 de AB proviene de multiplicar elemento a elemento la la 1 de
A y la columna 3 de B y sumar:
(3) 1 + 2 1 + 1 2 + 4 1 = 3 + 2 + 2 + 4 = 5
As sucesivamente se obtienen (comprueba):
16 16
5
5 22 11
2x3
Ejercicios:
1. Para las matrices A y B anteriores, calcula BA
1 3
3 5
2. Si A =
,B=
, calcula si es posible AB y BA. Coinciden?.
2 6
2 1
1 1
3 0 2
3. Lo mismo si A = 0 2 , B =
.
1 1 5
4 1
4. Calcula todos los productos posibles entre las matrices:
1 2 3
1
A = 1 1 1
B = 2
0 2 1
1
C=
2 1 0
3 4 5
Ademas, calcula A2 y A3 .
5. Para las matrices
1 1 2
A=
4 0 3
B=
0
3 4
1 2 3
2 3 0 1
C = 5 1 4 2
1 0 0 3
2
D = 1
3
calcula:
A + B, 3A 4B, A B, A D, B C, C D, At C, Dt At , B t A, Dt D, D Dt
90
Se dice que el conjunto de las matrices con la operacion producto tiene divisores de cero, es decir, hay
matrices no nulas cuyo producto es nulo.
Ejercicios:
1. Si A y B son dos matrices cuadradas del mismo orden, son ciertas las propiedades siguientes,
que son ciertas para las operaciones con n
umeros reales?:
a) (A + B)2 = A2 + B 2 + 2 A B
b) (A B)2 = A2 + B 2 2 A B
c) (A + B) (A B) = A2 B 2
6.6.
2 1
a b
para que A2 = A.
1 2
?.
0 1
La matriz inversa
Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades de esta operaci
on.
Recordemos, en primer lugar, que no siempre es posible efect
uar la multiplicaci
on de dos matrices,
y en segundo lugar, que aunque sea posible hacer esta multiplicaci
on, en general no es conmutativo,
es decir AB es distinto de BA.
En el caso particular de que tratemos con matrices cuadradas del mismo orden A y B, es claro que
an como resultado otra matriz del mismo orden,
podemos efectuar los productos AB y BA, que dar
aunque, como ya se ha dicho, las matrices resultantes seran, en general, distintas.
Sabemos tambien que el elemento neutro del producto de matrices es la matriz identidad In .
Por analoga con el caso de los n
umeros reales, podemos plantearnos la siguiente cuestion:
91
Si tenemos un n
umero real, por ejemplo el 2, podemos interesarnos en buscar el inverso del 2 para
el producto, es decir un n
umero real x tal que 2x = 1, el producto de 2 por x sea igual al elemento
neutro, el 1.
Evidentemente, en el caso de los n
umeros reales es bien facil despejar x para obtener, en nuestro
1
umero real es otro n
umero que multiplicado por el da el
caso, que x = , es decir, el inverso de un n
2
elemento neutro, el 1.
Todo n
umero real, salvo el 0, tiene inverso.
Trasladando esto a las matrices, nos podemos plantear si dada una matriz cuadrada A de orden n,
cualquiera, existe su inversa X para el producto de matrices,tal que
A X = In
es decir, el producto de A por su inversa produce el elemento neutro matricial, la matriz identidad In .
Sin embargo, hay algunas diferencias con respecto al caso de los n
umeros reales:
In
on de
1) No podemos despejar la matriz X del modo X = , porque no hemos denido la divisi
A
matrices.
2) No todas las matrices cuadradas no nulas tienen matriz inversa (sea lo que sea, por analoga
con los n
umeros).
Denamos, en primer lugar, el termino de matriz inversa:
Dada una matriz cuadrada de orden n , A, se dice que A es invertible (o que posee inversa o que es
no singular o que es regular ), si existe otra matriz del mismo orden, denominada matriz inversa de A
y representada por A1 y tal que:
A A1 = In
y
A1 A = In
6.6.1.
M
etodo directo:
=
=
=
A A = I2 =
1 1
z t
0 1
x + z y + t
0 1
x + 2z = 1
y + 2t = 0
x
+z =0
y + t = 1
Es decir, hemos de resolver un sistema de 4 ecuaciones con 4 incognitas, aunque en realidad son 2
sistemas de dos ingonitas cada uno (uno con x y z y otro con y y t).
Resolviendo el sistema se obtiene que
x=
2
1
1
1
,y =
,z = ,t =
3
3
3
3
92
1
=
3
1
3
2
3
1
3
1
1 2
=
1 1
3
Se puede comprobar que tambien se cumple que A1 A = I2 , luego A es invertible, tiene inversa. Si
el sistema no tiene solucion, la matriz no
tiene inversa.
1 1
Por ejemplo, en el caso en que A =
, del mismo modo :
2 2
1
AA
= I2 =
1 1
x y
1 0
x+z
y+t
1 0
=
=
=
2 2
z t
0 1
2x + 2z 2y + 2t
0 1
x+z = 1
y+t = 0
2x + 2z = 0
2y + 2t = 1
6.6.2.
M
etodo de Gauss-Jordan:
Consiste en hacer transformaciones elementales en las las de la matriz para llegar a obtener la
matriz identidad. Realizando estas mismas transformaciones con la matriz identidad llegamos a la
matriz A1 .
Se llama transformaci
on elemental en una matriz a:
T1) Multiplicar o dividir una la por un n
umero real distinto de cero.
T2) Sumar o restar a una la otra multiplicada por un n
umero real no nulo.
T3) Intercambiar el lugar de dos las entre s.
1 2
Veamos como se realiza el metodo de Gauss-Jordan, realiz
andolo a la vez con la matriz
.
1 1
i) Consideramos la matriz formada por A y la matriz identidad correspondiente . En nuestro caso:
1 2 1 0
(A|I2 ) =
1 1 0 1
ii) Se hace la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal principal)
usando transformaciones elementales en las.
La mejor forma de realizar esto es hacer cero los elementos por debajo de la diagonal en la primera
columna usando la la 1. Luego, hacer cero los elementos por debajo de la diagonal en la segunda
columna usando la la 2, y as sucesivamente.
En nuestro caso, basta sumar la la 2 con la la 1, y se obtiene:
1 2 1 0 F2 +F1 1 2 1 0
(A|I2 ) =
1 1 0 1
0 3 1 1
iii) Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo
ceros a los elementos por encima de la diagonal. El proceso es parecido al anterior:
93
0 3 1 1
0 3 1 1
iv) Ya tenemos una matriz diagonal. Lo u
nico que falta es dividir a cada la entre el n
umero
adecuado para obtener unos en la diagonal principal, es decir, para obtener la matriz identidad en la
parte izquierda:
F1 F2
, 3
1 0 13 2
3 0 1 2
3
3
0 1 31 13
0 3 1 1
v) Una vez se tiene la matriz identidad en la parte de la izquierda, la parte derecha es la matriz inversa,
es decir, llegamos a:
1 2
1
1 2
1 0 13 2
1
3
3
3
(I2 , A1 ) =
= A = 1 1 =
1 1
0 1 31 13
3
3
3
matriz que habamos obtenido antes por el metodo directo.
Si al realizar el metodo de Gauss-Jordan en alg
un momento alguna la es de ceros, la matriz no
tiene inversa.
Cuanto mayor sea el orden de la matriz, mejor es este metodo frente al directo.
Veamos otro ejemplo:
1 1 0
Calcular la inversa de la matriz B = 1 1 2 por el metodo de Gauss-Jordan.
1 0 1
Siguiendo los pasos anteriores:
1 1 0 1 0 0
1 1 0 1 0 0
1 1 0 1 0 0
F +F1
F3 F1
0 2 2 1 1 0
0 2 2 1 1 0
(B|I3 ) = 1 1 2 0 1 0 2
1 0 1 0 0 1
1 0 1 0 0 1
0 1 1 1 0 1
1 1 0 1 0 0
1 1 0 1 0 0
2F +F2
2F2 F3
4F F2
0 2 2 1 1 0
3
0 4 0 3 1 2 1
0 0 4 1 1 2
0 0 4 1 1 2
2
4 0 0 1 1 2
1 0 0 14 1
F1 F2 F3
4
4
,
,
4F F2
4
4
1
2
0 4 0 3
1
1 2
4 0 1 0 43
= (I3 |B 1 )
4
4
2
0 0 4 1 1
2
0 0 1 1 14
4
1 1 1 4
= B 1 =
4
3
4
1
4
4
1
4
1
4
2
1
2
1
2
1 1 2
1
1 2
B 1 = 3
4
1 1
2
1 1
Si calculamos por este metodo la inversa de A =
resulta:
2 2
1 1 1 0 F2 2F1 1 1 1 0
(A|I2 ) =
2 2 0 1
0 0 2 1
es la inversa de B.
94
1 2 3
2 1 4
A = 3 2 4
B= 0 1 2
2 1 0
1 0 1
3 0
2. Dada la matriz diagonal D = 0 2
0 0
r
apida la inversa de una matriz diagonal
6.7.
0
0 calcula su inversa. Como calcularas de forma
5
cualquiera?.
Un concepto muy importante relacionado con las matrices es el de rango. El concepto de rango se encuentra ligado al de independencia lineal de las o columnas de una matriz, pero no se
introducir
a de esta manera porque se requieren conceptos que no conocemos.
Baste saber que se dene el rango de una matriz como el n
umero maximo de las o columnas
linealmente independientes.
Sin embargo, el c
alculo del rango de una matriz lo abordaremos desde otra perspectiva, utilizando
el metodo de Gauss.
Supongamos que tenemos una matriz cualquiera A a la que aplicamos el metodo de Gauss con el
n de simplicarla lo m
as posible (es decir, consiguiendo que tenga el mayor n
umero de ceros posible),
realizando operaciones elementales en las.
Llamaremos rango de la matriz A y lo representaremos por Rg(A) al n
umero de las no nulas de
la matriz tras aplicarle el metodo de Gauss.
Ejemplo: Calcular el rango de las siguientes matrices:
1 1 0
1 1
0 3
A=
B=
C= 2 1 1
2 2
1 1
1 1 2
D=
2
4
6
1 2 3
1 1 F2 2F1 1 1
, Rg(A)=1 ,s
olo una la distinta de cero.
a)
0 0
2 2
0 3 F2 F1 1 1
1
1
0
1 1
0
1 1 0
1 1 0
F2 2F1
F +F1
F +2F2
0 1 1 3
0 1 1 3
0 1 1
c) 2 1 1
1 1 2
0 2 2
0 0 0
1 1 2
Rg(C)=2
hay 2 las
no nulas.
2 4 6
2
4
6
2F2 +F1
, Rg(D)=1, s
olo una la no nula.
d)
0 0 0
1 2 3
Los ejemplos anteriores ponen de maniesto que el rango de cualquier matriz siempre es menor o
igual que el n
umero de las de la matriz.
De hecho se verica que el rango de cualquier matriz siempre es menor o igual que su n
umero de
las y de columnas, pues el proceso para hacer el metodo de Gauss se puede hacer indistintamente
mediante operaciones elementales en las o en columnas.
Esto permite, antes de calcular el rango de una matriz, saber entre que valores va a estar ese rango.
Por ejemplo, en el caso c) del ejemplo, como la matriz es 3x3 , el rango solo puede ser 0, 1, 2 o 3,
no hay otras posibilidades.
En el caso del apartado d), como la matriz es 2 x 3, el rango s
olo puede ser 0,1 o 2. (De hecho,
podemos reducir esto algo m
as , pues una matriz s
olo tiene rango cero si es la matriz nula).Resumiendo:
95
A=
1 1 2
3 3 k
1 1
2
0 0 k6
F2 3F1
1 2 1
1. Calcula el rango de A seg
un los valores de k: A = 1 1 3.Para que valores de k tiene A
5 1 k
inversa?.
2. Calcula el rango de las matrices:
0
1 0 1
A=
B = 1
2 1 0
0
2 1 1 1
2
0 0 1 0
1
D
=
C =
2 1 1 1
1
0 0 0 1
6.8.
2 1
0 1
4 2
1 5 1 8
2 3
4
5
3 10 11 13
Determinantes
Introduciremos a continuaci
on el concepto de determinante asociado a una matriz cuadrada. Este
concepto permite simplicar operaciones matriciales tales como el calculo del rango o de la matriz
inversa.
Denici
on:
Si es una matriz 2 x 2 se dene el determinante de la matriz A, y se expresa como det(A) o bien
|A|, como el n
umero:
a11 a12
= a11 a22 a12 a21
det(A) = |A| =
a21 a22
Ejemplos: El c
alculo de los determinantes de orden 2 es bien sencillo, por ejemplo:
96
1 3
=14-(-1)3=4+3=7.
a)
1 4
2 3
=-10+6=-4.
b)
2
5
Para denir determinantes de matrices de orden mayor que 2 es necesario introducir previamente
algunos conceptos.
Dada una matriz cuadrada A de orden n, denimos el menor complementario de un elemento de
A,aij , como el determinante de la matriz que se obtiene al suprimir la la i y la columna j en la que
se encuentra dicho elemento aij . Se representa por Mij .
2 4 5
Ejemplo: En la matriz A = 6 7 3 , los menores complementarios de cada uno de los
3 0 2
elementos de la primera la son:
7 3
=14-0=14.
Menor complementario de -2:M11 =
0 2
6 3
=12+9=21.
Menor complementario de 4:M12 =
3 2
6 7
=0-21=-21.
Menor complementario de 5:M13 =
3 0
Y as sucesivamente.
Ejercicio: Obtener los restantes menores complementarios de los elementos de la matriz A.
Estrechamente ligado al concepto de menor complementario se encuentra el de adjunto de una matriz.
Dada una matriz cuadrada A de orden n, denimos el adjunto de un elemento aij de A como el
n
umero:
Aij = (1)i+j Mij
es decir, no es mas que el menor complementario correspondiente acompa
nado de un signo m
as o
menos dependiendo de la la y la columna en la que se encuentre el elemento en cuestion.
Por ejemplo, para la matriz anterior, los adjuntos de los elementos de la primera la son:
Adjunto de -2:A11 = (1)1+1 M11 = 1 14 = 14 (coincide con el menor complementario)
Adjunto de 4:A12 = (1)1+2 M12 = (1) 21 = 21 (menor complementario con signo cambiado)
Adjunto de 5:A13 = (1)1+3 M13 = 1 21 = 21 (coincide con el menor complementario).
Ejercicio: Obtener los restantes adjuntos de los elementos de la matriz A.
En general puede saberse si el signo del menor complementario y del adjunto coinciden o no utilizando
una sencilla regla graca, por ejemplo, para matrices 3 x 3 y 4 x 4 basta jarse en las matrices:
+ +
+ +
+ +
+
+ +
+ +
+ +
donde el + signica que el adjunto coincide con el menor complementario y el - indica que tienen signo
contrario.
Una vez vistos estos conceptos se puede denir ya:
Denici
on: Dada una matriz cuadrada A de tama
no n se dene su determinante como la suma
97
del producto de los elementos de una linea cualquiera de la matriz (la o columna) elegida, por sus
correpondientes adjuntos.
Se puede demostrar, aunque dicha demostraci
on excede los contenidos del curso, que el valor del
determinante no depende de la la o columna elegida para calcularlo.
2 4 5
Ejemplo: Para la matriz A = 6 7 3 ,aplicando la denici
on, si elegimos la la tercera queda:
3 0 2
4 5
2 5
2 4
=
det(A) = 3
+ 0
+2
7 3
6 3
6 7
= 3 (12 35) + 0 ((6 30)) + 2 (14 24) = 141 + 0 76 = 217
Si hubiesemos elegido otra la o columna, por ejemplo la columna 2, quedara:
6 3
2 5
2 5
+7
det(A) = 4
3 2 + 0 6 3 =
3 2
= 4 ((12 + 9)) + 7 (4 15) + 0 ((6 30)) = 84 133 + 0 = 217
Ejercicio: Calcula, desarrollando por la la que t
u elijas los determinantes de las matrices:
1 8 1
3 4 6
7 8 0
0 3 1
1 7 0
2 1 1
0 7 3
2 0 2
1 6 1
5 3 5
1 0 1
3 4 0
1
1
1
0
6.9.
1
1
0
1
1
0
1
1
0
1
1
1
1
2
3
3
2
1
1
4
3
3
4
1
4
1
3
2
1
2
2
3
0 1 2
3 2 2
4 2
1
1 5 3
La regla de Sarrus
98
Gr
acamente:
2 4 5
A = 6 7 3
3 0 2
, se tiene que aplicando la regla de Sarrus:
det(A)=(-2)72+43(-3)+650-(375+0(-2)(-3)+642)=-28-36-105-48=-217.
Ejercicio: Comprobar, mediante la regla de Sarrus, los determinantes de orden 3 obtenidos en el
ejercicio anterior.
6.10.
Algunas propiedades importantes que tienen los determinantes, y que se enuncian sin demostraci
on,
son:
1. Si una matriz tiene una linea (la o columna) de ceros, el determinante vale cero.
Esta propiedad es evidente, puesto que por denici
on de determinante, basta elegir dicha linea
para desarrollar y el determinante ser
a 0.
99
1
det(A)
Una estrategia a tener en cuenta en este caso de determinantes de orden 4 o superior, o incluso de
orden 3 si la matriz es compleja, es el metodo de hacer ceros, puesto que el valor del determinante
no vara al realizar a la matriz ciertas transformaciones elementales en las,como indica la propiedad
5 anterior, si bien hemos de ser cuidadosos al aplicar dicha propiedad.
As pues la mejor forma de calcular un determinante es hacer ceros en una la o columna y
desarrollar por dicha la o columna, porque entonces s
olo tendremos que calcular un adjunto. Por
ejemplo, si calculamos:
0 1
0
0 1
2 3
1
2
3
2 3
1 3
2 5 F4 3F2 1
3
2
5
2 5 F3 2F2 1 3
=
=
=
2 4
3
1
0 2 1 11
0 2 1 11
3 2 8 1
0 11 14 16
3 2 8 1
Desarrollando por la columna 1
1
2
3
= 1 2 1 11 =
11 14 16
= (16 242 84 (33 154 64)) = 91
100
Como hemos dicho, hemos de tener especial cuidado al aplicar esta regla con determinantes, puesto
que no podemos hacer las mismas operaciones que con las matrices, lo que puede confundir.
Por ejemplo, si queremos calcular el determinante:
1 2 3
C = 0 1 2
4 1 5
mediante la regla de Sarrus es:
det(C)=5+16+0-(12+2+0)=21-14=7.
Si hiciesemos ceros en la primera columna, y desarrollasemos nos debera dar lo mismo. Ahora
bien,podemos hacer cero el 4 de la primera columna mediante:
1 2
1 2 3
3
1
2
1
0 1 2 F3 4F
2 =
= 7 + 14 = 7.
= 0 1
7 7
0 7 7
4 1 5
lo que es correcto. Sin embargo, si queremos hacer cero el 1 de la primera columna sera un error
hacer:
1 2 3
4F1 F3 0 7 7
0 1 2 0 1 2 = 4 7 7 = 4 (14 7) = 28.
1 2
4 1 5
4 1 5
no obtenemos lo mismo, porque hemos multiplicado la la sustituida por un n
umero y eso altera el
valor del determinante. Luego la la a sustituir conviene no multiplicarla, como en el primer ejemplo,
puesto que si no nos damos cuenta, podemos variar el valor del determinante.
6.11.
Relaci
on entre la inversa y los determinantes
(Adj(A)t
|A|
donde Adj(A) denota la matriz adjunta de A, es decir, aquella que se obtiene de sustituir cada elemento
de A por su adjunto.
1 0 1
Ejemplo: Calcular, si es posible, la inversa de la matriz A = 0 1 3.
1 1 0
1 0 1
En primer lugar,|A| = 0 1 3 = 0 + 0 + 0 (1 3 + 0) = 2 y por tanto A tiene inversa.
1 1 0
Calculando Adj(A), se obtiene:
1 3 0 3 0 1
1 0 1 1
1 0
3
3
1
0 1 1 1
1 0
Adj(A) =
1 0 1 0 1 1 = 1 1 1
1
3
1
0 1
1 1
1 0
1 3
0 3
0 1
101
3 1 1
(Adj(A)t) = 3 1 3
1 1 1
Y entonces, se obtiene:
3
A1 =
2
3
2
1
2
1
2
1
2
1
2
1
2
3
2
1
2
6.12.
Aplicaci
on de los determinantes al c
alculo del rango
Los determinantes tambien proporcionan una forma sencilla de calcular el rango de una matriz
cualquiera.
Un denici
on alternativa de rango de una matriz es:
El Rango de una matriz A es el tama
no del mayor menor complementario no nulo que este incluido
dentro de la matriz.
Aplicando este criterio, calculemos el rango de las matrices siguientes:
1 1 0
1 1
0 3
2
4
6
A=
B=
C=
2 1 1
D=
2 2
1 1
1 2 3
1 1 2
a) S
olo hay un menor de orden 2, que es:
1 1
2 2 = 0
Como es nulo, el rango de la matriz NO es 2. Menores de orden 1 hay 4, por ejemplo |1| = 1, que es
no nulo,luego el rango de la matriz es Rg(A)=1 (el tama
no de dicho menor complementario).
b) S
olo hay un menor de orden 2, que es:
0 3
1 1 = 0 3 = 3
Como no es nulo, el rango de la matriz es Rg(B)=2 (el tama
no de dicho menor complementario).
c) Solo hay un menor de orden 3, que es:
1 1 0
2 1 1 = 2 1 + 0 (0 + 1 4) = 3 + 3 = 0
1 1 2
Como es nulo, podemos asegurar que el rango NO es 3.
Menores de orden 2 hay 9. Calculando alguno:
1 0
1 1 = 1
resulta que es no nulo, luego el rango es Rg(C)=2 (el tama
no de dicho menor complementario).
d) El menor m
as grande que podemos formar es de orden 2. Hay 3 de ellos:
2
2
4
4
6
6
1 2 = 4 + 4 = 0
1 3 = 6 + 6 = 0
2 3 = 12 + 12 = 0
102
Son todos nulos, luego el rango NO es 2. Menores de orden 1 hay 6, y por ejemplo |6| = 6 = 0, es no
nulo, luego el rango es Rg(D)=1.
Ejercicio Calcula,utilizando los determinantes, el rango de
0
1 0 1
A=
B = 1
2 1 0
0
2 1 1 1
2
0 0 1 0
C =
D = 1
2 1 1 1
1
0 0 0 1
las matrices:
2 1
0 1
4 2
1 5 1 8
2 3
4
5
3 10 11 13
Captulo 7
SISTEMAS DE ECUACIONES
LINEALES
7.1.
Introducci
on
Se denomina ecuacion lineal a aquella que tiene la forma de un polinomio de primer grado, es decir,
las incognitas no estan elevadas a potencias, ni multiplicadas entre s, ni en el denominador.
Por ejemplo, 3x + 2y + 6z = 6 es una ecuacion lineal con tres inc
ognitas.
Como es bien sabido, las ecuaciones lineales con 2 inc
ognitas representan una recta en el plano.
Si la ecuaci
on lineal tiene 3 inc
ognitas, su representacion gr
aca es un plano en el espacio.
Un ejemplo de ambas representaciones puede observarse en la gura:
El objetivo del tema es el estudio de los sistemas de ecuaciones lineales, es decir, un conjunto de
varias ecuaciones lineales. Diremos que dos ecuaciones son equivalentes si tienen las mismas soluciones,
o geometricamente representan la misma recta o plano.
109
7.2.
110
7.3.
Expresi
on matricial de un sistema
Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial del modo:
x1
b1
a11 a12 a13 . . . a1n
a21 a22 a23 . . . a2n x2 b2
..
..
..
.. .. = ..
.
.
.
.
.
.
. . .
am1 am2 am3 . . . amn
xn
bm
mxn
nx1
mx1
a1n
x1
x2
a2n
.. se llama matriz de coecientes, la matriz X = ..
.
.
am1 am2 am3 . . . amn
xn
b1
b2
se llama matriz de inc
ognitas, y la matriz B = . se llama matriz de terminos independientes.
..
bm
La matriz formada por A y B conjuntamente, es decir:
(A|B) = .
..
..
.. ..
..
..
.
.
.
. .
am1 am2 am3 . . . amn bm
a11
a21
La matriz A = .
..
a12
a22
..
.
a13
a23
..
.
...
...
..
.
se llama matriz ampliada del sistema y se representara por (A|B) o bien por A .
x+yz = 5
Ejemplo: El sistema:
x+y =7
escrito matricialmente es:
2x + 2y z = 12
1 1 1
x
5
1 1 0 y = 7
2 2 1
z
12
111
7.4.
Tipos de sistemas
7.5.
Los sistemas mas sencillos son aquellos en los que solo hay dos inc
ognitas y 2 ecuaciones, y que ya
son conocidos de cursos pasados.
Hay varios sistemas para resolverlos, los mas habituales:
* Reduccion
* Igualacion
* Sustituci
on
en los que ya no nos entretendremos.
Como cada ecuacion lineal con 2 inc
ognitas se interpreta geometricamente como una recta, el estudio
de la soluci
on del sistema se limita a estudiar la posicion de 2 rectas en el plano.
Veamos algunos
ejemplos con los tres casos que se pueden presentar. Resolver e interpretar el
x + 2y = 3
sistema:
.
2x + y = 1
Por reducci
on:
2x+4y=-6
-2x+ y=1
5y=-5
de donde y = -1 y sustituyendo x + 2(-1) = -3, x = -1.
Es decir, la soluci
on del sistema es u
nica, x = -1, y = -1 lo que signica que el sistema es compatible
y determinado, y que las rectas se cortan en un punto, precisamente el (-1,-1):
112
x + 2y = 3
Resolver e interpretar el sistema:
.
2x 4y = 5
x = 3 2y
5 + 4y
de donde:
Por igualaci
on:
x=
2
3 2y =
5 + 4y
= 4y + 6 = 5 + 4y = 0y = 1 = 0 = 1
2
lo cu
al es imposible y por tanto el sistema no tiene soluci
on, es un sistema incompatible y por
tanto las rectas son paralelas. Geometricamente:
113
7.5.1.
Discuci
on de sistemas de 2 ecuaciones con 2 inc
ognitas
ax + 3y = 5
Si alguno de los coecientes del sistema es desconocido, por ejemplo,
, no estamos
2x y = 6
ante un s
olo sistema, sino ante innitos, uno para cada valor de a, y cada sistema ser
a distinto en
funci
on del valor que tome dicha letra (llamada par
ametro).
Para estudiarlo, se resuelve el sistema como habitualmente y se estudian los distintos casos que se
pueden dar. Por ejemplo , por reducci
on:
ax+3y=5
6x-3y=18
ax+6x =23
por tanto, x(6 + a) = 23. Entonces, si 6 + a = 0 no podremos despejar x, es decir si a = 6, obtenemos
una ecuaci
on del tipo 0 = 23, es decir, imposible.
Por tanto, si a = 6 el sistema es incompatible.
23
, y se puede sacar y sustituyendo, por tanto,
En cualquier otro caso, podemos despejar x,x =
6+a
si a = 6, el sistema es compatible determinado.
Ejercicio: Discutir los sistemas en funci
on del par
ametro desconocido:
1
x+y =5
ky + x =
a)
b)
2
ax + 2y = 10
y 3x = 5
7.6.
Sistemas de 2 inc
ognitas y 3 ecuaciones
Podemos a
nadir a los cl
asicos sistemas de 2 ecuaciones y 2 incognitas cuantas ecuaciones queramos
para obtener diferentes tipos de sistemas con 3, 4, 5 o m
as ecuaciones.
En cualquier caso, los tipos de sistemas a los que dan lugar son los mismos rese
nados anteriormente.
Al aumentar el n
umero de ecuaciones, la resolucion del sistema por alguno de los tres metodos
clasicos se vuelve mas farragoso, por lo que conviene aplicar ya el conocido metodo de Gauss para
determinar el tipo de sistema.
Para ello expresaremos el sistema en la forma matricial, analizando la matriz ampliada asociada,
que tendr
a 2 columnas y tantas las como ecuaciones tengamos.
Analizaremos tan s
olo aquellos sistemas con 3 ecuaciones y 2 incognitas.
La matriz ampliada generica es:
a11 a12 b1
(A|B) = a21 a22 b2
a31 a32 b3
Aplicar el metodo de Gauss consiste en realizar transformaciones elementales mediante las las de la
matriz para obtener la matriz escalonada siguiente:
a11 a12 b1
(A|B) = 0 a22 b2
0
0 b3
Recordemos que las operaciones elementales permitidas en las las de la matriz (ecuaciones del sistema)
eran:
114
115
x + 2y = 5
3x + y = 7
2x + 3y = 12
1
(A|B) = 3
2
y aplicando el metodo
1
2 5
F +3F1
0
1 7 2
F3 +2F1
0
3 12
116
de Gauss, obtenemos:
1 2 5
2 5
F F2
0 7 22
7 22 3
0 00
7 22
En este caso aparece una ecuacion 0=0 que no inuye y el elemento a22 es no nulo. El sistema es
compatible determinado, tiene soluci
on u
nica.
Geometricamente, puede ocurrir que:
a) Dos rectas son coincidentes y la otra las corta.
b) Las tres rectas se cortan en un mismo punto.
Resolviendo y dibujando, obtenemos:
x + 2y = 5
7y = 22
9
22
y sustituyendo es x = (compruebalo).
De donde y =
7
7
Dibujando las rectas:
9 22
Figura 7.5: Soluci
on del sistema. Las tres rectas se cortan en un punto: P= ,
7 7
que las rectas se cortan en un punto, precisamente el punto soluci
on del sistema: P =
se observa
9 22
,
.
7 7
Ejercicios
a) Resuelve e interpreta geometricamente los sistemas:
x+y =0
x y = 2
a) x + y = 2 b)
x + 2y = 1
x + 3y = 2
4x 10y = 14
2x + y = 2
c) x + y = 3
y = 2x
xy = 1
2x + y = 3
a) x + 2y = 1 b) x + 3y = 0
2x + my = 0
mx + 4y = 3
7.7.
117
Cuando los sistemas tienen mas de dos ecuaciones y tres o mas incognitas se utilizar
a el ya conocido
metodo de Gauss.
Ahora partiremos de la matriz ampliada:
b1
b
2
b
3
2x + y z = 11
Ejemplo Resolver por el metodo de Gauss:
x 3y = 20 .
4x + 2y + 5z = 8
2 1 1 11
La matriz ampliada es (A|B) = 1 3 0 20. Aplicando el metodo de Gauss:
4 2
5 8
2 1 1 11
2 1 1 11
2x + y z = 11
2F2 F1
1 3 0 20
7y + z = 51
0 7 1 51 =
F3 2F1
0 0
7 14
7z = 14
4 2
5 8
7.7.1.
Interpretaci
on geom
etrica de los sistemas con 3 ecuaciones y 3 inc
ognitas
118
* Son coincidentes: Lo cual es facil de saber porque sus correspondientes ecuaciones tienen coecientes de las incognitas y los terminos independientes proporcionales, es decir, si los planos son:
Ax + By + Cz = D
A x + B y + C z = D
entonces se verica:
B
C
D
A
= = =
A
B
C
D
(siempre que se puedan realizar las divisiones).
Por ejemplo, los planos 2x + 3y z = 5, y 10x 15y + 5z = 15 son coincidentes.
* Son paralelos: Tambien es sencillo de saber porque los coecientes de las incognitas son proporcionales, pero los terminos independientes NO. Es decir, en este caso:
Ax + By + Cz = D
A x + B y + C z = D
entonces se verica:
B
C
D
A
= = =
A
B
C
D
(siempre que se puedan realizar las divisiones).
Por ejemplo, los planos 2x + 3y z = 5 y 10x 15y + 5z = 7 son paralelos.
* Son secantes: Simplemente los coecientes no son proporcionales, es decir:
Ax + By + Cz = D
A x + B y + C z = D
entonces se verica:
B
C
D
A
= = =
A
B
C
D
(siempre que se puedan realizar las divisiones, y basta con que un par de ellas correspondientes a las
inc
ognitas sean diferentes).
Por ejemplo, los planos 7x + 3y z = 5 y 10x 15y + 5z = 7 son secantes.
Puesto que podemos determinar la posici
on de los planos 2 a 2, podemos determinar en que posicion
se encuentran los 3 a la vez, j
andonos en los casos:
1. Si el sistema es S.C.D. (Soluci
on u
nica), es que los tres planos se cortan en un punto, que es la
soluci
on del sistema.
119
2x + y z = 6
3x y + z = 5
4x + 2y 2z = 1
2 1 1 6
Aplicando Gauss a (A|B) = 3 1 1 5, se obtiene:
4 2 2 1
2 1 1 6
2 1 1 6
2x + y z = 6
2F2 3F1
8 =
3 1 1 5
0
5
5
5y + 5z = 8
F3 2F1
0 0
0 11
0 = 11
4 2 2 1
Lo que indica que el sistema es incompatible y por tanto no tiene soluci
on, los planos no tienen puntos
comunes.
120
Si estudiamos la posici
on de los planos 2 a 2, se obtiene que el primero y el segundo tienen
coecientes que no son proporcionales, luego se cortan.
El primero y el tercero tienen coecientes proporcionales pero no los terminos independientes,
luego son paralelos.
Y el segundo y el tercero no tienen coecientes proporcionales, por lo que se cortan.
Concluimos por tanto que los planos primero y tercero son paralelos y son cortados por el segundo
plano, esta es la interpretacion geometrica:
2x y + 3z = 1
x+y+z = 2
x + y z = 2
a) 4x 2y + 6z = 5 b) 2x + y + 3z = 1 c) 2x y + 3z = 5
2x + y 3z = 7
x + 2y + z = 4
3x + 2z = 7
7.7.2.
x+y+z = 8
d) 7x + y + 6z = 7
x + 7y + z = 1
Discusi
on de sistemas de 3 ecuaciones y 3 inc
ognitas
Si aparece alg
un coeciente desconocido,aplicaremos el metodo de Gauss e investigaremos seg
un
los valores del par
ametro la posibilidad de que aparezca o no una la de ceros.
x+y+z = m+1
Ejemplo: Discutir seg
un los valores de m el sistema: mx + y + (m 1)z = m
x + 7y + z = 1
Aplicando Gauss a la matriz ampliada:
1
1
1 m + 1
1 1
1 m + 1
F2 mF1
F F1
m 1 m 1 m
0 1 m 1 m2 3
(m=0)
1
7
1 1
1 m
1 1
1
1
1 m + 1
1
1
1 m + 1
F F1
F3 +F2
0 1 m 1 m2
3
0 1 m 1 m2
0 m 1 0 m
0
0
1 m m2
Debemos, llegados a este punto, jarnos en dos aspectos:
a) El desarrollo anterior solo es posible si m = 0, luego el caso m = 0 debe estudiarse por separado.
b) En el sistema escalonado nal, hay problemas cuando el valor 1 m = 0, es decir, cuando
m = 1. En cualquier otro caso, no hay problemas.
De modo que, resumiendo, si m = 0 y m = 1, el sistema es S.C.D.
Estudiemos ahora cada caso por separado:
Si m = 0, al aplicar Gauss, queda:
1 1
1 1
1 1 1 1
1 1 1 1
F3 F1
F +F2
0 1 1 0
0 1 1 0
0 1 1 0 3
0 1 0 0
0 0 1 0
1 0 1 1
121
Se obtienen dos valores distintos de z, lo que es absurdo y el sistema en este caso no tiene solucion
(S.I.)
Conclusi
on:
* Si m = 1 S.I.
* Si m = 1 S.C.D.
Ejercicios:
1. Discutir en funci
on del par
ametro desconocido los sistemas siguientes e interpretar geometricamente el resultado:
x + y + az = 1
x + y 6z = 0
a) x + ay + z = 1 b)
x 2y + 6z = 0
ax + y + z = 1
3x + y + mz = 0
3x + y + 2z = 1 a
x + y + az = a2
c) (1 + a)x + 2y + z = a d) x + ay + z = a
ax + y + z = 1
ax y + z = 1 a
x + 2y z = 8
2. Dado el sistema 2x 3y + z = 1 , se pide:
3x y + kz = 5
a) Hallar el valor de k que hace el sistema incompatible.
b) Hallar el valor de k que hace el sistema compatible y ademas z= -1.
c) Para el valor de k hallado en b), resolver el sistema.
7.8.
7.8.1.
Aplicaci
on de las matrices y determinantes a la resoluci
on de
sistemas. Regla de Cramer
Aplicaci
on de las matrices
122
Conclusi
on: En un sistema cuadrado y cuya matriz de coecientes tenga inversa, la soluci
on del
sistema viene dada por:
X = A1 B
2x + y z = 11
Ejemplo: Resolver, aplicando la inversa, el sistema:
x 3y = 20 .
4x + 2y + 5z = 8
2 1 1
La matriz de coecentes es 1 3 0 .
4 2
5
Para poder aplicar lo anterior es necesario que A tenga inversa, lo que por ejemplo comprobamos
haciendo det (A).
Como det(A) = 49, no nulo, A tiene inversa. Por tanto y seg
un lo dicho,X = A1 B , es decir:
1
11
x
2 1 1
y = 1 3 0 20
8
z
4 2
5
Si hacemos la inversa de A (compruebalo!), resulta:
15
A1 =
y por tanto,
15
x
49
y = 5
49
2
z
49
49
5
49
2
49
1
7
2
7
1
7
2
7
3
49
1
49
1
7
3
49
1
49
1
7
11
1
20 = 2
8
7
es decir x=1, y=7 , z=-2 , solucion que ya habamos obtenido utilizando el metodo de Gauss.
7.8.2.
Regla de Cramer
En el caso de sistemas que cumplan las mismas condiciones que los del anterior apartado, es decir,
que sean cuadrados y tales que su matriz de coecientes tenga inversa (los sistemas que cumplen estas
dos condiciones se llaman sistemas de Cramer ), se puede aplicar una regla muy sencilla para calular
la soluci
on y que se basa en los determinantes, conocida como regla de Cramer.
Si det(A) es cero, evidentemente la regla no se puede aplicar.
La regla de Cramer:
Para un sistema de Cramer (cuadrado y con matriz regular) se verica que la inc
onita n
umero k
se calcula dividiendo entre el determinante de A el determinante que resulta de sustituir la columna
k (correspodiente al lugar que ocupe la inc
ognita que se esta calculando) por la columna de terminos
independientes.
2x + y z = 11
x 3y = 20 .
Ejemplo: Resolver el sistema
4x + 2y + 5z = 8
Como el sistema es de Cramer puesto que det(A) = 49, aplicamos la regla de Cramer:
Para x sustituimos la primera columna por la de terminos independientes pues x es la primera
inc
ognita:
11
1 1
20 3 0
8
2
5
49
=
=1
x=
49
49
123
Para y sustituimos la segunda columna por la de terminos independientes pues y es la segunda inc
ognita.
2 11 1
1 20 0
4
8
5
343
=
=7
y=
49
49
Para z sustituimos la tercera columna por la de terminos independientes pues z es la tercera incognita).
2 1
11
1 3 20
4 2
8
98
=
= 2
x=
49
49
Y obtenemos la solucion como antes.
Recordemos que esto solo se puede aplicar para sistemas de Cramer.
Ejercicio: Resolver, mediante estos dos metodos, los sistemas:
3x 2y + z = 1
x+y+z = 6
3x + y + z = 2
a)
2x + y z = 2
b) x y + 2z = 5 c) 2x + 2y + z = 5
x 3y + z = 0
x+yz = 0
xy +z = 0
7.9.
x+yz+t = 4
2x y = 1
x + 3y = 3
3x + 3y z = 1
a)
2x y + 3z + 2t = 1
b) x + 3y = 2 c) 3x + 5y = 7 d)
x + y 5z = 2
4x + 5y 11z 4t = 11
5x 4y = 7
2x + 4y = 5
7.10.
124
Sistemas homog
eneos
Un sistema homogeneo es aquel que tiene todos los terminos independientes nulos.
Cualquier sistema homogeneo es evidente que es compatible, pues dando a cada inc
ognita el valor
0, se cumplen las ecuaciones. Esta solucion (que todas las inc
ognitas sean nulas) se llama soluci
on
trivial.
El problema entonces est
a en determinar si dichos sistemas son compatibles determinados o indeterminados.
Aplicando el teorema de Rouche solo podemos tener dos casos:
ognitas. En este caso el sistema es compatible determinado, y por tanto tiene
a) Rg (A) = n inc
soluci
on u
nica que es la trivial (todas las inc
ognitas valen cero)
ognitas. En este caso el sistema es compatible indeterminado y tiene innitas
b) Rg(A) < n inc
soluciones que se determinan de la manera conocida.
Ejercicios:
1. Estudiar la soluci
on de los sistemas homogeneos siguientes:
x+yz = 0
x+y = 0
x+y+z = 0
a)
b)
c) 2x y + z = 0
xy = 0
2x y + z = 0
4x + y z = 0
6x + 18y bz = 0
2. Discutir el sistema homogeneo: 7x 2y 4z = 0 .
4x + 10y 6z = 0
Captulo 8
LINEAL
PROGRAMACION
8.1.
Introducci
on
La programaci
on lineal es una tecnica matematica relativamente reciente (siglo XX), que consiste
en una serie de metodos y procedimientos que permiten resolver problemas de optimizacion en el
ambito, sobre todo, de las Ciencias Sociales.
Nos centraremos en este tema en aquellos problemas simples de programaci
on lineal, los que tienen
solamente 2 variables, problemas bidimensionales.
Para sistemas de m
as variables, el procedimiento no es tan sencillo y se resuelven por el llamado
metodo Simplex (ideado por G.B.Danzig, matem
atico estadounidense en 1951).
Recientemente (1984) el matematico indio establecido en Estados Unidos, Narenda Karmarkar,
ha encontrado un algoritmo, llamado algoritmo de Karmarkar, que es m
as rapido que el metodo
simplex en ciertos casos. Los problemas de este tipo, en el que intervienen gran n
umero de variables,
se implementan en ordenadores.
8.2.
Una inecuaci
on lineal con 2 variables es una expresion de la forma:
ax + by c
(donde el smbolo puede ser tambien , < o bien >), donde a, b y c son n
umeros reales y x e y las
inc
ognitas.
Para resolver estas inecuaciones, se recordara de otros cursos, hay que representar gr
acamente en
el plano la recta dada por la correspondiente ecuaci
on lineal y marcar una de las dos regiones en que
dicha recta divide al plano.
Ejemplo: Si queremos resolver la inecuacion: 2x + 3y 3, representamos en primer lugar la recta
2x + 3y = 3:
127
LINEAL
CAPITULO 8. PROGRAMACION
128
La recta divide al plano en dos regiones, una de las cuales es la solucion de la inecuaci
on. Para
saber que parte es, hay dos procedimientos:
1. Se despeja la y de la inecuaci
on, poniendo cuidado en que si en una inecuaci
on multiplicamos o
dividimos por un n
umero negativo, la desigualdad cambia de sentido.
En este caso tendamos que:
y
3 2x
3
Observando el dibujo vemos que la recta divide al eje de ordenadas (y) en dos partes.
La soluci
on de la inecuaci
on ser
a aquella parte en la que la y sea mayor que la recta, es decir, la
parte superior.
8.3.
Un sistema de inecuaciones lineales, por tanto, es un conjunto de inecuaciones del tipo anterior, y
resolverlo consistira en resolver gr
acamente cada inecuacion (como en el caso anterior), representar
la soluci
on en un mismo gr
aco y la soluci
on total ser
a la parte com
un a todas las soluciones.
LINEAL
CAPITULO 8. PROGRAMACION
129
2x + 3y 3
2x y 9 0
2x 5y 5 0
Si representamos las rectas:
2x + 3y = 3 (recta r)
2x y 9 = 0 (recta s)
2x 5y 5 = 0 (recta t)
x + 2y 12
3x + 6y 420
3x + 5y 150
2x + y 4
a)
b)
c)
4x + 2y 290
3x + 3y 120
x
2y 6
xy 0
LINEAL
CAPITULO 8. PROGRAMACION
130
Lo mismo ocurre con y 1, que sera en este caso la parte inferior a la recta horizontal y = 1, es
decir:
x + 3y 50
2x + y 10
5x + 15y 150
9x 8y 0
x + 3y 12
6x + 8y 120
b) 3x + 4y 60 c)
a)
0x8
x
x0
0y2
y0
y0
Nota: Las dobles desigualdades como 0 x 8 se pueden desdobler en otras dos, x 0 y x 8.
LINEAL
CAPITULO 8. PROGRAMACION
8.4.
131
Problemas de optimizaci
on de una funci
on sujeta a restricciones
En un problema de programaci
on lineal de dos variables x e y, se trata de optimizar (hacer maxima
o mnima, seg
un los casos) una funci
on (llamada funci
on objetivo) de la forma:
F (x, y) = A x + B y
sujeta a una serie de restricciones dadas mediante un sistema de inecuaciones lineales del tipo:
a1 x + b1 y c1
a2 x + b2 y c2
..
am x + bm y cm
Los puntos del plano que cumplen el sistema de desigualdades forman un recinto convexo acotado
(poligonal) o no acotado, llamado regi
on factible del problema.
Todos los puntos de dicha regi
on cumplen el sistema de desigualdades. Se trata de buscar, entre
todos esos puntos, aquel o aquellos que hagan el valor de F(x,y) m
aximo o mnimo, seg
un sea el
problema.
Los puntos de la regi
on factible se denominan soluciones factibles.
De todas esas soluciones factibles, aquellas que hacen optima (maxima o mnima) la funci
on objetivo se llaman soluciones o
ptimas.
En general,un problema de programaci
on lineal puede tener una, innitas o ninguna soluci
on.
Lo que si se verica es la siguiente propiedad:
Propiedad:
Si hay una u
nica soluci
on optima, esta se encuentra en un vertice de la region factible, y si hay
innitas soluciones optimas, se encontraran en un lado de la regi
on factible.
Es posible que no haya soluci
on optima, pues cuando el recinto es no acotado, la funci
on objetivo
puede crecer o decrecer indenidamente.
Para resolver el problema, podemos abordarlo de dos formas, pero antes a aplicar cualquiera
de ellas siempre hay que dibujar la regi
on factible, resolviendo el sistema de inecuaciones lineales
correspondiente, como se ha visto en los epgrafes anteriores (la region factible puede estar acotada o
no), y se calculan los vertices de dicha region.
8.4.1.
Forma geom
etrica
En este caso se representa el vector director de la recta que viene dada por la ecuacion de la funci
on
objetivo,F (x, y) = A x + B y , que hay que maximizar o minimizar.
El vector director de la recta A x + B y viene dado por
v = (B, A). Ademas, como lo u
nico que
nos importa es la direccion del vector y no su m
odulo (longitud), podemos dividir a las coordenadas
del vector si los n
umeros son muy grandes, puesto que vectores con coordenadas proporcionales tienen
la misma direccion.
Posteriormente, se trazan rectas paralelas a este vector que pasen por los vertices de la region
factible (si es acotada) , o por todo el borde de la regi
on factible (cu
ando no es acotada) y se observa
en que vertice la funci
on F se hace maxima (o mnima) sin m
as que tener en cuenta cu
al de las rectas
tiene mayor (o menor) ordenada en el origen, es decir, que recta corta en un punto mayor o menor al
eje y.
Ejemplo: Maximizar la funci
on F (x, y) = 2000x + 5000y sujeta a las restricciones:
2x + 3y 3
2x y 9 0
2x 5y 5 0
LINEAL
CAPITULO 8. PROGRAMACION
132
LINEAL
CAPITULO 8. PROGRAMACION
133
Se trata ahora de trazar paralelas al vector que pasen por los vertices anteriores, es decir:
8.4.2.
Forma algebraica
2x + 3y 3
2x y 9 0
2x 5y 5 0
Con la misma region factible que en el caso anterior.
Los vertices eran los puntos (0,-1), (5,1) y (3,-3).
De esta forma sustituyendo:
F (5, 1) = 2000 5 + 5000 1 = 10000 + 5000 = 15000
F (0, 1) = 2000 0 + 5000 (1) = 0 5000 = 5000
F (3, 3) = 2000 3 + 5000 (3) = 6000 15000 = 9000
Vemos que el valor maximo se alcanza para el vertice (5,1) y que dicho valor es 15. La misma soluci
on
que se obtena antes.
Ejercicio: Resolver los problemas de programaci
on lineal:
LINEAL
CAPITULO 8. PROGRAMACION
134
2x + y 10
x + 3y 12
Maximizar F (x, y) = 4x + 5y sujeto a:
.
0x8
0y2
3x + 2y 12
4x + 5y 29
.
Minimizar F (x, y) = 12x + 10y sujeto a:
x0
y0
4x + 2y 6
7x + 8y 28
Maximizar F (x, y) = 120x + 80y sujeto a:
.
x0
y0
4x + 5y 20
Minimizar F (x, y) = 12x + 8y sujeto a: 7x + 2y 14 .
xy
1.
2.
3.
4.
8.5.
x + y 14
2x + 3y 36
Maximizar g(x, y) = 3x + 4y sujeta a las rectricciones:
.
4x + y 16
x 3y 0
Si representamos la regi
on factible:
2 40
,
, B = (6, 8), C = (12, 4)
3 3
LINEAL
CAPITULO 8. PROGRAMACION
135
Si aplicamos el metodo geometrico, debera trazar paralelas al vector director por los vertices, pero
como la region en no acotada, dichas rectas son cada vez mayores al trazarlas sobre los puntos de la
recta t, que son soluciones factibles. Por tanto el problema no tiene soluci
on.
En general, un problema de m
aximos no tiene solucion si la region factible no est
a acotada superiormente, y un problema de mnimos no tiene soluci
on si la region no est
a acotada inferiormente.
Tambien puede tener el problema innitas soluciones:
Ejemplo 2:
x+y 5
y
x+3
Minimizar g(x, y) = 3x + 3y sujeta a las restricciones 3y x 1 .
y + 2x 16
4y x 22
La region es, en este caso:
LINEAL
CAPITULO 8. PROGRAMACION
136
Es decir, como buscamos el valor mnimo, todos los puntos comprendidos entre A y E sirven, es
decir, hay innitas soluciones.
Si utilizamos el metodo algebraico: g(x, y) = 3x + 3y, luego:
A : g(1, 4) = 3 + 12 = 15
B : g(2, 5) = 6 + 15 = 21
C : g(6, 4) = 18 + 12 = 30
D : g(7, 2) = 21 + 6 = 27
E : g(4, 1) = 12 + 3 = 15
Observamos que el valor mnimo se toma en A y en E, y por tanto en todos los puntos comprendidos
entre ellos, es decir, hay innitas soluciones.
8.6.
Aplicaci
on a problemas concretos
LINEAL
CAPITULO 8. PROGRAMACION
137
Este es un problema tpico en el que hay que usar las tecnicas de programaci
on lineal. Intentaremos
seguir el siguiente esquema:
1. Leer el enunciado , determinar la funci
on objetivo y denir las variables.
En este caso, queremos hacer maximo el benecio, es decir, queremos maximizar una funci
on.
Como queremos determinar las cantidades de sillones S1 y S2 respectivamente, llamemos x=n
de unidades de S1 e y=n de unidades de S2.
La funcion benecio a maximizar ser
a: B(x, y) = 60 x + 30 y, que es la funci
on objetivo.
2. Reordenar los datos del problema y escribir las inecuaciones correspondientes.
En este paso es conveniente el uso de tablas:
Tiempo(horas)
S1
S2
Disponible
Tiempo(horas)
S1
S2
Necesario
Disponible
Carpintera
1
3
90
Cantidad
x
y
Tapicera
2
1
80
Carpintera
x
3y
x + 3y
90
Tapicera
2x
y
2x + y
80
LINEAL
CAPITULO 8. PROGRAMACION
138
30
20
31
18
32
16
33
14
34
12
35
10
36
8
37
6
38
4
39
2
40
0
LINEAL
CAPITULO 8. PROGRAMACION
8.7.
139
Hasta C1
3
225
Hasta C2
25
375
Hasta C3
35
4
Determina el n de artculos que debe enviar la empresa desde cada planta a cada ciudad para que los
costes de transporte sean mnimos.
Para problemas de este tipo necesitamos una nueva variable.
Sea x=unidades de P1 a C1, y=unidades de P1 a C2 y z=unidades de P1 a C3.
Tiene que vericarse entonces que x + y + z = 5000.
Si desde P1 a C1 se envan x unidades, como en C1 necesitan 3500, desde P2 se mandaran a C1
3500 x. Razonando del mismo modo con y y z, se obtiene la tabla:
Envos
Desde P1
Desde P2
Hasta C1
x
3500 x
Hasta C2
y
4000 y
Hasta C3
z = 5000 x y
4500 z = 4500 (5000 x y)
x0
x
3500
y0
y
4000
x + y 5000
x + y 500
Como se trata de minimizar costes, la funci
on objetivo es:
C(x, y) = 3 x + 2 5 y + 3 5 (5000 x y) + 2 25 (3500 x) + 3 75 (4000 y) + 4 (500 + x + y)
C(x, y) = 1 25 x 0 75 y + 22625
LINEAL
CAPITULO 8. PROGRAMACION
140
Dibujando la regi
on factible:
Hasta C1
0
3500
Hasta C2
4000
0
Hasta C3
1000
3500
Ejercicio:
Dos f
abricas de cemento, F1 y F2, producen respectivamente 3000 y 4000 sacos de cemento al da.
Hay que enviar ese cemento a tres centros de ventas C1, C2 y C3 en cantidades de 3000, 2500 y
1500 sacos respectivamente.
Los costes de transporte de cada f
abrica a los puntos de venta vienen dados, en euros por cada
saco, por:
Envos
Desde F1
Desde F2
Hasta C1
2
15
Hasta C2
25
3
Hasta C3
2
1
Determina c
omo hay que distribuir la producci
on para que el transporte resulte lo m
as economico
posible.
Captulo 9
LIMITES Y CONTINUIDAD DE
FUNCIONES
9.1.
Introducci
on
Que ocurre cuando nos acercamos al punto 2 moviendonos sobre el eje x? Tomemos algunos
valores como 21, 201, 2001.
Vemos en la gura que en este caso las imagenes de dichos puntos sobre la curva, f(21), f(201),
f(2001) se acercan a su vez a un valor situado en el eje y, el valor y = 3.
Si nos acercamos a 2 por la otra parte, es decir, con valores como 19, 199, 1999 en este caso las
imagenes f(19), f(199), f(1999) se acercan tambien al mismo valor, y = 3.
Concluimos que el lmite de la funci
on f(x) cuando nos acercamos a x = 2 es 3, lo cual expresamos
como:
lm f (x) = 3
x2
146
cuando:
Dado > 0, existe > 0 tal que siempre que |x a| < , entonces |f (x) L| <
Lo que viene a expresar esta formulaci
on matematica es que si x esta sucientemente cerca de
a, entonces su imagen f(x) tambien esta muy pr
oxima a L.
En la pr
actica en muchas ocasiones es necesario calcular los llamados lmites laterales, que como
recordaremos se denen de la siguiente forma:
Denici
on:
Se dene el lmite lateral por la derecha de a de la funci
on f (x), y se expresa como:
lm f (x)
xa+
al lmite al que se acerca f (x) cuando x se acerca a a y toma valores mayores que a.
De igual modo, el lmite lateral por la izquierda de a de la funci
on f (x) se expresa como:
lm f (x)
xa
y se dene como el lmite al que se acerca f (x) cuando x se acerca a a y toma valores menores que a.
Propiedad: Para que una funci
on f (x) tenga lmite en x = a es necesario y suciente que existan
ambos lmites laterales y coincidan, es decir:
lm f (x) = lm f (x) = lm f (x)
xa
xa+
xa
9.2.
147
Tipos de lmites
(de igual forma se puede denir cuando nos acercamos por la izquierda. Intenta hacer el dibujo).
De igual modo se dene el lmite cuando nos acercamos a a (por la derecha o por la
izquierda).(Dibuja el que falta)
148
Puede ocurrir que uno de los lmites laterales sea nito y otro innito, o cualquier combinaci
on
entre ellos, por ejemplo:
x2+
y
lm f (x) = 2
x2
Gr
acamente:
149
En este caso:
lm f (x) =
9.3.
C
alculo de lmites
Recordaremos, dada su importancia, algunas de las reglas para el calculo de lmites cuando se
presentan diferentes indeterminaciones:
9.3.1.
Lmites en el innito
lm (3x7 5x2 + 4x 8) =
minaci
on de este tipo. Para resolverla basta recordar la siguiente regla:
Si tenemos:
p(x)
0
=
lm
x q(x)
Ejemplos: a)
lm
150
porque el grado del numerador es mayor, pero los respectivos coecientes de mayor grado tienen
signo diferente.
b)
x2 5
=
=0
x x6 x4 3x2 + 4
c)
7
7x3 + 2x 6
=
=
x 3x3 + 6
3
lm
es decir:
x3 5x2 + 4
(x)3 5(x)2 + 4
x3 5x2 + 4
=
l
m
=
l
m
=
=
x x2 + 5x
x (x)2 + 5(x)
x
x2 5x
lm
La misma regla anterior sirve en el caso de que aparezcan races, siempre que tengan sentido los
lmites:
d)
lm
3+
x3 5x
=
=0
x2 + 4
3
puesto que el grado del denominador es 2 y en el numerador la mayor potencia de x es , que
2
es menor que 2.
e)
x + 1 + x3
=
x 1 + x + 3x3
puesto que aunque los grados de numerador y denominador son iguales, cuando x tiende a +
(es positivo y muy grande) resulta que x + 1 es negativo y como es bien conocido, la raz
cuadrada de un n
umero negativo no existe en el cuerpo de los n
umeros reales, por tanto el lmite
anterior no tiene sentido.
lm
f)
1
(x) + 1 + (x)3
x + 1 + x3
x + 1 x3
=
=
l
m
=
l
m
=
x 1 + (x) + 3(x)3
x 1 x 3x3
1 + x + 3x3
lm
pues en este caso la raz si tiene sentido y los grados son iguales, quedando el lmite el cociente
de los coecientes de los monomios de mayor grado.
3. Indeterminaci
on : Cuando aparece esta indeterminaci
on, si tenemos una resta de fracciones, simplemente se hace la resta para obtener un cociente de polinomios que ya sabemos
resolver:
2
x2 x + 1 x + 3 + x2
(x x + 1)(x 1) (x + 3 + x2 )(x + 1)
= ( ) = lm
=
lm
x
x
x+1
x1
(x + 1)(x 1)
(x 1)(x + 1)
3
4x2 2x 4
x 2x2 + 2x 1 x3 + 2x2 + 4x + 3
=
l
m
=
= 4
= lm
x
x
x2 1
x2 1
x2 1
151
En caso de que aparezca una raz, el proceso es multiplicar y dividir por el conjugado de la
expresion radical:
(2x 1) x + 1 (2x 1) + x + 1
=
lm (2x 1) x + 1 = ( ) = lm
x
x
(2x 1) + x + 1
= lm
= lm
=
x (2x 1) + x + 1
x (2x 1) + x + 1
4x2 5x
=
= +
= lm
x (2x 1) + x + 1
9.3.2.
El problema que nos podemos encontrar en este caso es que el denominador se haga 0 al sustituir x
por el valor que corresponda.
Nos podemos encontrar, por tanto, varios tipos de indeterminaci
on.
k
umero cualquiera
1. Indeterminaci
on , (k = 0): Se presenta cuando en el numerador aparece un n
0
no nulo y el denominador es 0.
En este caso el lmite el siempre , pero para determinar su signo, se calculan los lmites
laterales:
a)
lm
1 2 1 0001
1
1 2x
=
= = +
1 x2
1 (1 0001)2
0
lm
1 2 0 9999
1
1 2x
=
= + =
2
2
1x
1 (0 9999)
0
x1+
1
12
1 2x
=
=
=
x1 1 x2
11
0
lm
b)
7
7
=
=
x0 x
x1
lm
7
7
7
=
= + =
x
0 0001
0
lm
7
7
7
=
= = +
x
0 0001
0
x0+
lm
c)
2
2
=
=
2
x1 (x + 1)
x0
lm
2
2
2
=
= + =
2
2
(x + 1)
(0 9999 + 1)
0
lm
2
2
2
=
= + =
2
2
(x + 1)
(1 0001 + 1)
0
x1+
lm
x1
0
: En este caso tanto numerador como denominador se hacen 0.
0
Si tanto en el numerador como en el denominador tenemos polinomios, la forma de resolver la
indeterminaci
on es descomponer los polinomios en factores (mediante, por ejemplo, la regla de
Runi) y simplicar para posteriormente volver a sustituir.
4 10 + 6
0
1
x2 5x + 6
(x 2)(x 3)
(x 3)
=
=
= lm
= lm
=
lm
x2
x2 (x 2)(x + 2)
x2 (x 2)
x2 4
44
0
4
2. Indeterminaci
on
152
En caso de que tambien aparezcan races cuadradas, el proceso es multiplicar y dividir por la
expresi
on radical conjugada con el n de simplicar y luego sustituir:
0
x+41
( x + 4 1) ( x + 4 + 1)
=
=
= lm
lm 2
x3 x + 2x 3
x3 (x2 + 2x 3) ( x + 4 + 1)
0
( x + 4)2 12
x+3
= lm
= lm
=
x3 (x2 + 2x 3) ( x + 4 + 1)
x3 (x2 + 2x 3) ( x + 4 + 1)
1
1
(x + 3)
1
= lm
=
=
= lm
x3 (x + 3) (x 1) ( x + 4 + 1)
x3 (x 1) ( x + 4 + 1)
(4) (1 + 1)
8
9.3.3.
o bien
lm (f (x))g(x)
x1
1
2
2. La base tiende a un n
umero positivo mayor que 1 y el exponente a +. En este caso el lmite
es tambien +.
2x + 1 2x3
= 2 = +
lm
x
1+x
3. La base tiene a un n
umero no nulo comprendido entre -1 y 1 y el exponente a +. En este caso
el lmite es 0.
1
1 + x 2x3
=
=0
lm
x 2x + 1
2
4. La base tiende a un n
umero negativo menor o igual que -1 y el exponente a +. En este caso
el lmite no existe, pues los productos son alternativamente de signo contrario:
lm
3x + 1
1+x
2x3
= (3) =
xa
153
O bien realizando los pasos para resolver tales lmites que recordamos:
2x+3
2x+3
x
x
3
1+x
1+x
0
1
= (1) = (1 )
=
lm 1 +
=
lm
se suma y se resta 1 a la base x0
se hace la resta
x0 2x + 1
2x + 1
2x+3
2x+3
x
x
1 + x 2x 1
x
= lm 1 +
= lm 1 +
=
se baja el numerador dividiendo al denominador
x0
x0
2x + 1
2x + 1
x 2x+3
x
2x+3
2x+1 2x+1
x
x
1
1
= lm 1 +
=
lm 1 +
=
x0
2x+1
x
lm
=
se sustituye el corechete por
(e)x0
x
2x+1
2x+3
x
2x+1
x
x0
lm
= (e)x0
2x3
2x+1
= e3
9.4.
Asntotas
9.4.1.
Asntotas verticales
xk+
o bien
lm f (x) =
xk
2x + 3
x1
1
g(x) =
x
2 1 0001 + 3
5
2x + 3
lm
=
= + = +
+
1 0001 1
0
5 x1 x 1
2x + 3
= =
lm
x1 x 1
0
lm 2x + 3 = 2 0 9999 + 3 = 5 =
0 9999 1
0
x1 x 1
154
Como ambos lmites laterales son innitos, existe una asntota vertical de la funci
on en x = 1, y es
mas, conociendo el valor de los lmites podemos asegurar que en las cercanas de la asntota la funci
on
se comportara como en el dibujo:
1
b) En cuanto a esta funci
on,g(x) = , notemos que el denominador se anula cuando x = 0 =
x
x = 0, es decir la posible asntota vertical estar
a en x = 0. Analizando obtenemos:
1
1
1
lm =
= + = +
+
x
0
0 0001
1 x0
1
lm = =
x0
x
0
1
1
lm =
=
x
x0
0 0001
puesto que no hay races cuadradas de n
umeros negativos.
De modo que hay una asntota vertical en x = 0 pero s
olo por la derecha, es decir, la gr
aca sera:
9.4.2.
155
Asntotas horizontales
o bien
lm f (x) = k
x2 + 1
x+1
1
g(x) =
x
x2 + 1
(x)2 + 1
x2 + 1
= lm
= lm
=
x x + 1
x (x) + 1
x x + 1
lm
1
lm =
x
De modo que g(x) posee una asntota horizontal en y = 0 cuando x tiende a . De forma graca:
9.4.3.
156
Asntotas Oblicuas
Las asntotas horizontales son un caso particular de las oblicuas para el caso en que m = 0.
Ejemplo: Estudiar las asntotas oblicuas de f (x) =
Calculemos m y n:
m = lm
f (x)
x
= lm
x2
.
x+1
x2
x+1
x2
=1
x x2 + x
= lm
2
x2
x
1 x = lm
x =
n = lm (f (x) m x) = lm
x
x x + 1
x x + 1
2
x x2 x
x
= lm
= 1
lm
x
x x + 1
x+1
Ejercicios:
1. Calcula las asntotas de las funciones:
f (x) =
x
2
x 1
g(x) =
1
x2
x+2
h(x) =
x2 4
x2 + 4
157
x1
9.5.
x2 + 4
x+4
x
x1
x3
b) lm
x x2 2
c) lm
x2 + 5 3
e) lm
x2
x+73
3x2 5
3x2 + x
x2 1
2x2 2
x1 x2 2x + 1
f ) lm
Continuidad
y
lm f (x)
xa
xa+
xa
Esta u
ltima propiedad proporciona una forma muy sencilla de saber si una funci
on es continua o no
en un punto.
Ejemplo: Estudiar la continuidad de la funci
on:
2x + 1 si x > 2
f (x) =
1
si x 2
x
En primer lugar, se
nalemos que la mayora de las funciones que estudiamos son continuas en todos los
puntos salvo en algunos.
Cuales son los posibles puntos de discontinuidad de una funci
on?.
Aquellos en los que no esta denida la funci
on (anulan el denominador, etc...) y aquellos en los
que cambia la denici
on de la funci
on.
En todos los dem
as puntos las funciones son siempre continuas y no hace falta analizarlos.
En nuestro caso, si nos jamos en f (x) encontramos 2 posibles puntos de discontinuidad.
El primero es aquel en el que cambia la denicion de la funci
on, x = 2. Ademas, como hay un
demominador, que se anula para x = 0, y adem
as estamos en el tramo de funcion para valores menores
que 2, el punto x = 0 es otro posible punto de discontinuidad.
158
Analicemos si la funci
on es continua o no en esos puntos.
Continuidad en x = 2:
1
f (2) =
2
pues debemos sustituir en la parte inferior de f (x), que es donde est
a el igual.
Lmites laterales:
1
1
lm f (x) = lm =
x2
x
2
x2
Por otra parte:
lm f (x) = lm 2x + 1 = 5
x2+
x2
Como los lmites laterales existen pero son diferentes, concluimos que f (x) es discontinua en x = 2.
Continuidad en x = 0:
f (0) =
quedara un cero en el denominador.
Con esto ya sabemos que la funci
on no puede ser continua en x = 0. De todos modos calculamos
los lmites laterales.
Observemos que cuando nos acercamos a 0, da igual por la derecha que por la izquierda, estamos
siempre en la parte inferior de la funcion, luego:
lm f (x) = lm
1
1
= =
x
0
lm f (x) = lm
1
1
= + = +
x
0
x0
x0
x0+
9.6.
Tipos de discontinuidad
Analicemos los posibles casos que se pueden dar a la hora de estudiar la continuidad de una funci
on
en un punto.
1. Existe f (a) y los lmites laterales, que son iguales y nitos, pero distintos del valor de f (a). Una
discontinuidad de este tipo se denomina discontinuidad evitable. Gr
acamente:
159
Observamos que los lmites por la derecha y por la izquierda valen 1, ambos, mientras que
f (0) = 0. Hay una discontinuidad evitable en x = 0.
2. Existe f (a) y los lmites laterales existen y son nitos, aunque distintos. Estamos ante una
discontinuidad de salto nito. Gr
acamente:
1
, hay una discontinuidad
En este caso el lmite por la derecha es 1, el izquierdo es 0 y f (0) =
2
evitable en x = 0.
3. Existe f (a) y alguno de los lmites laterales es innito. En este caso hay una discontinuidad de
salto innito. Gr
acamente:
Ahora f (0) = 1, el lmite por la izquierda vale 1 tambien y el lmite lateral por la derecha vale
+. Discontinuidad de salto innito en x = 0.
160
4. No existe f (a) o alguno de los lmites laterales. Se trata de una discontinuidad esencial. De forma
gr
aca:
Los lmites laterales, ambos, son +, pero f (0) no existe. Hay una discontinuidad esencial en
x = 0.
Captulo 10
DIFERENCIABILIDAD DE
FUNCIONES. OPTIMIZACION
10.1.
Introducci
on
10.2.
Introducci
on al concepto de derivada. Tasas de variaci
on media e instant
anea.
Sabemos que las funciones son crecientes en ocasiones, decrecientes en otras, e incluso constantes
en alguna de sus partes.
Ahora bien, no todas las funciones crecientes crecen de igual modo, e incluso una misma funci
on
creciente puede crecer de distinta forma, dependiendo de que nos encontremos en una parte u otra.
x
:
Analicemos un ejemplo. La siguiente gura muestra la gr
aca de la funci
on f (x) =
x2
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
169
Evidentemente no.
Tomemos un intervalo, por ejemplo el intervalo [3, 4].
Cuanto ha crecido la funci
on en ese intervalo?. Como:
f (3) =
3
= 3
1
f (4) =
4
= 2
2
la funci
on ha crecido en realidad:
f (4) f (3) = 1
1 unidad.
Si nos jamos en otro intervalo donde la funci
on tambien sea creciente, el [4, 6], veamos como crece
la funci
on.
Como f (4) = 2 y
3
6
=
f (6) =
4
2
el crecimiento total es de
1
3
(2) =
f (6) f (4) =
2
2
tan s
olo media unidad, aunque el intervalo es dos veces mayor que el primero.
Podemos inferir entonces que la funci
on es mucho mas creciente, o que crece mas rapidamente en
el intervalo [3, 4] que en el [4, 6].
La formalizacion de estas ideas la da la Tasa de Variaci
on Media de una funci
on.
Denici
on: Se llama Tasa de Variaci
on Media en un intervalo [a, b] de una funci
on f (x), y se expresa
por T V M [a, b], al cociente:
f (b) f (a)
T V M [a, b] =
ba
La T V M no es mas que la diferencia entre los valores de la funci
on en los extremos del intervalo
dividida entre la longitud del intervalo.
Por tanto, de esta primera denici
on podemos deducir algunas propiedades:
* Si la T V M en el intervalo es positiva, signica que la funci
on crece, globalmente en el intervalo.
(Entiendase globalmente en el sentido de que no es necesariamente creciente en todo el intervalo, pero
en denitiva hay un crecimiento de la funci
on en dicho intervalo).
* Si la T V M en el intervalo es negativa, la funci
on decrecera.
* La magnitud del crecimiento o el decrecimiento depender
a de la magnitud de la T V M .
As pues la T V M nos da una idea de c
omo crece o decrece la funcion y con que rapidez lo hace.
Sin embargo, la T V M no resuelve todos los problemas, puesto que nos podemos plantear si la
funci
on es creciente o no en un punto concreto, no en un intervalo.
La T V M y el concepto de lmite solucionan el problema:
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
170
f (a + h) f (a)
f (a + h) f (a)
=
a+ha
h
A medida que nos acercamos al punto a, es decir, a medida que h se acerca a 0, la tasa de variacion
media en ese intervalo se acerca al dato buscado, la tasa de variacion en ese punto concreto. M
as
concretamente:
Denici
on: Se llama Tasa de Variaci
on Instant
anea en un punto a de una funci
on f (x) al valor,
denotado por T V I(a):
f (a + h) f (a)
T V I(a) = lm
h0
h
x
en el punto 2.
Ejemplo: Calcular la tasa de variaci
on instant
anea de la funci
on f (x) =
x1
Aplicando la denici
on:
2+h
2
21
2
= lm 1+h
=
h
h0
h
h
h
1
= lm 1+h = lm
= lm
=1
h0 h
h0 h(h + 1)
h0 h + 1
f (2 + h) f (2)
= lm
h0
h
h0
T V I(2) = lm
= lm
h0
2+h22h
1+h
2+h
2+h1
10.3.
Denici
on de derivada. Reglas de derivaci
on. Interpretaci
on
geom
etrica
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
171
Esta funci
on derivada permite calcular la derivada en cualquier punto sin m
as que sustituir en el
punto concreto. Por ello es conveniente dominar las llamadas reglas de derivaci
on para las funciones
mas habituales.
Por otra parte, es posible calcular las derivadas sucesivas de una funci
on.
La derivada segunda sera la derivada de la funci
on derivada, y se representar
a por f (x), y as su
cesivamente las funciones derivadas tercera (f (x)), cuarta, etc.
10.3.1.
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
10.3.2.
172
Derivadas elementales
Funci
on elemental
Derivada
1.- f (x) = xk , k R
f (x) = k xk1
2.- f (x) = ex
f (x) = ex
3.- f (x) = ax , a R+
f (x) = ax ln a
f (x) =
1
1
x ln a
5.- f (x) = ln x
f (x) =
1
x
f (x) = cos x
f (x) = sen x
f (x) =
f (x) =
1
1 x2
f (x) =
1
1 x2
f (x) =
1
1 + x2
f (x) =
15.- f (x) =
16.- f (x) =
f (x) =
1
cos2 x
1
= csc2 x
sen 2 x
n
n xn1
f (3) = 4 (3) = 12
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
10.3.3.
173
Interpretaci
on geom
etrica de la derivada
f (a + h) f (a)
h
f (a + h) f (a)
.
h
Por tanto cuando nos acercamos al punto a, es decir, cuando calculamos el valor de la tasa de
variaci
on instant
anea o derivada en el punto a, dicho valor es precisamente la pendiente de la recta
tangente en el punto a, es decir, aquella recta que solo corta (en las cercanas del punto) a la funci
on
f (x) en el punto a.
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
174
Recordemos que la pendiente de una recta es, en cierta forma, la inclinacion de la recta.
Si es al angulo que forma la recta con el eje x y m es la pendiente de la recta, se cumple que:
m = tan
f (x) = 2 e2x+2
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
175
Gracamente la funci
on y la recta tangente son:
10.4.
10.4.1.
Aplicaci
on a la Fsica
103 11
92
e(6) e(2)
=
=
= 23 m/s
62
4
4
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
176
c) En el instante 2:
v(2) = 11 m/s
Y la aceleracion en ese mismo instante;
a(t) = v (t) = 6
Por tanto,
a(2) = 6 m/s2
la aceleracion es constante, es un movimiento uniformemente acelerado.
10.4.2.
Aplicaci
on a la Economa
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
10.5.
177
Derivabilidad y continuidad
Se estudi
o en el tema anterior el concepto de continuidad de una funci
on en un punto.
Vimos, por ejemplo, que intuitivamente se puede decir que una funci
on es continua cuando se
puede dibujar sin levantar el l
apiz del papel, o de manera m
as formal, cuando en el punto coinciden
los lmites laterales con el valor de la funcion en el punto, esto es:
lm f (x) = lm f (x) = f (a)
xa
xa+
La condici
on para que una funci
on sea derivable es mas fuerte, mas restrictiva. Para ello es necesario
denir las derivadas laterales.
Denici
on: Dado un punto a y una funci
on f (x), se dene la derivada lateral por la derecha de la
funci
on f (x) y se expresa por f+ (a), como:
f+ (a) = lm
h0+
f (a + h) f (a)
h
h0
f (a + h) f (a)
h
Denici
on: Diremos que una funci
on es derivable en un punto a cuando existen y son nitas las
derivadas laterales y son iguales, es decir:
f+ (a) = f (a)
Ejemplo: Estudiar la continuidad y derivabilidad de la funci
on:
x si x 0
f (x) =
x si x > 0
Calculando los lmites laterales:
lm f (x) = lm x = 0
x0+
x0
lm f (x) = lm x = 0
x0
x0
h0
f (0 + h) f (0)
h 0
h
= lm
= lm
= lm 1 = 1
h0
h0 h
h0
h
h
f+ (0) = lm
h0+
f (0 + h) f (0)
h0
h
= lm
= lm = lm 1 = 1
h0
h0 h
h0
h
h
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
178
Viendo la gr
aca de la funci
on, se observa lo que ocurre:
x 2
2x 1 si
f (x) =
x2 3 si 2 < x 2
2x 3 si
x>2
2. Calcula a y b para que sea derivable la funci
on:
ax + 3 si x 1
g(x) =
2x2 b si x > 1
Indicaci
on: Primero imp
on la condici
on de que sea continua
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
10.6.
179
Si trazamos las correspondientes tangentes en diversos puntos, todos ellos donde la funci
on es
creciente, obsevamos como la recta tangente esta cada vez menos inclinada, lo que quiere decir (ya
que la inclinaci
on de una recta se mide a traves de su pendientes y sabemos que esta coincide con la
derivada ) que la derivada es cada vez menor.
M
as a
un, como las rectas tangentes tienen inclinaci
on positiva (son rectas crecientes), las pendientes
son cada vez menores y positivas, es decir, la derivada es positiva en aquellos intervalos en los que la
funci
on es creciente.
Si seguimos trazando tangentes, llegamos al punto 3, donde la tangente es totalmente horizontal,
es decir:
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
180
Decamos que la pendiente era decreciente, hasta que llega al maximo de la funci
on, donde se ha
alcanzado el valor extremo de la pendiente. La recta es horizontal, no esta inclinada y su pendiente es
cero.
Si seguimos trazando las tangentes, vemos ahora lo siguiente:
Y ahora observamos que la pendiente de la recta (la derivada) es negativa, y cada vez menor, por
tanto si la funci
on de decreciente, armamos que la funci
on derivada es negativa.
Todo lo observado anteriormente lo podemos resumir en la siguiente propiedad.
Propiedad: Dada una funci
on f (x), se cumple que:
on f (x) es creciente.
a) Si f (x) > 0 (la derivada es positiva) entonces la funci
on f (x) es decreciente.
b) Si f (x) < 0 (la derivada es negativa) entonces la funci
on puede presentar un extremo relativo (m
aximo o mnimo) en
c) Si f (x) = 0 entonces la funci
dicho punto.
La manera practica de proceder, por tanto, para determinar los extremos de una funci
on, as como
aquellos intervalos en los que la funci
on crece o decrece es la siguiente:
on resul* Calculamos la derivada de la funci
on, f (x), y la igualamos a cero, resolvemos la ecuaci
tante, cuyas soluciones son los posibles extremos de la funci
on.
* Realizamos una tabla en la que tenemos que poner los puntos obtenidos anteriormente y adem
as
los puntos conictivos de la funci
on (aquellos donde la funci
on no est
a denida, o donde no es derivable....). Todos estos puntos se denominan puntos crticos.
* En dicha tabla, estudiamos el signo de la derivada primera, f (x).
Si dicha derivada es positiva, nos indicar
a el crecimiento de la funci
on, y si es negativa, sera un signo
de su decrecimiento. El paso de un intervalo creciente a otro decreciente o viceversa nos indicar
a la
existencia de un maximo o un mnimo relativo de la funci
on f (x).
Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funcion: f (x) = x3 3x.
Comenzamos calculando la derivada: f (x) = 3x2 3.
Igualando a cero:
3x2 3 = 0 = x2 = 1 = x = 1
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
181
1
+
+
+
Para obtener los signos de f (x) basta tomar, por ejemplo, un punto en cada intervalo y sustituir en
la expresion de la derivada.
Entre y 1 tomamos el 2, con lo que:
f (2) = 12 3 = 9 > 0
positiva. Entre 1 y 1, tomamos el 0, quedando:
f (0) = 3 < 0
negativa. Entre 1 e se toma el 2, y se obtiene:
f (2) = 12 3 = 9 > 0
positivo.
Concluimos que la funci
on es creciente en el intervalo (, 1) (1, ).
La funcion es decreciente en (1, 1).
Ademas, se observa que presenta un maximo en el punto x = 1, y un mnimo en x = 1.
Como calcular la segunda coordenada del m
aximo y el mnimo?.
Basta sustituir en la funci
on:
El m
aximo est
a en el punto (1, f (1)) = (1, 2).
El mnimo esta en el punto (1, f (1)) = (1, 2).
As, la representaci
on aproximada de la funci
on ser
a:
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
182
2x2 3x
ex
Derivando:
f (x) =
E igualando a cero:
1
2x2 + 7x 3
= 0 = 2x2 + 7x 3 = 0 = x = 3, x =
x
e
2
on
No hay m
as puntos conictivos, pues aunque hay denominador, nunca se hace cero, pues ex , la funci
exponencial es siempre positiva, de modo que Dom f (x) = R.
As pues los u
nicos puntos crticos son x = 3, x = 12 .
Hacemos la tabla:
1
2
3
+
+
f (x)
1
1
, 3 , decreciente en ,
(3, ).
Con lo que f (x) es creciente en
2
2
Por tanto f (x) presenta un m
aximo relativo en:
9
(3, f (3)) = 3, 3 (3, 045)
e
f (x)
y un mnimo relativo en
1
,f
2
1
1 1
,
=
(0 5, 061)
2
2 e 12
Gr
acamente:
2x2 3x
. Intervalos de crecimiento y extremos.
ex
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
10.7.
183
Figura 10.10: La pendiente de las tangentes pasa de positiva a negativa (es decir, decrece) si la funci
on
es concava hacia abajo
Al trazar las tangentes, nos jamos en que cada vez son menores.
Empiezan siendo positivas y muy grandes, van decreciendo hasta que valen cero, y luego comienzan
a ser negativas y cada vez menores. Es decir, que la funcion derivada es decreciente, f (x) decreciente.
Si f (x) es decreciente, es que su derivada es negativa, es decir, f (x) < 0.
Por tanto se deduce que si la derivada segunda de la funci
on es negativa, la funci
on es concava
hacia abajo.
De igual modo si nos jamos en una funci
on concava (o concava hacia arriba):
Figura 10.11: La pendiente de las tangentes pasa de negativa a positiva (es decir, crece) si la funci
on
es concava hacia arriba
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
184
+
+
As pues la funci
on es concava hacia arriba en (0, ) y concava hacia abajo en (, 0).
Hay un punto de inexi
on es (0, f (0)) = (0, 0).
Se observa gr
acamente:
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
185
f (x) = 6x
f (1) = 6 > 0
f (1) = 6 < 0
en x = 1 hay un m
aximo.
Como ya habamos obtenido anteriormente.
10.8.
Representaci
on gr
aca de funciones
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
186
3x 1
.
3x2 + 1
1. Dominio de denici
on
Igualando a cero el denominador:
1
= x =
3x + 1 = 0 = x =
3
2
1
=
3
1
3x 1
= 3x 1 = 0 = x =
2
3x + 1
3
1
,0 .
el punto es
3
Con el eje y, x = 0:
1
301
=
= 1
2
30 +1
1
f (0) =
el punto es (0, 1).
3. Simetras
f (x) =
f no es par.
f (x) =
3x 1
3x 1
3(x) 1
=
= 2
= f (x)
2
2
3(x) + 1
3x + 1
3x + 1
3x 1
3x 1
3(x) 1
=
= 2
= f (x)
3(x)2 + 1
3x2 + 1
3x + 1
3x 1
=0
3x2 + 1
3x 1
3(x) 1
3x 1
= lm
= lm
=0
lm
x 3x2 + 1
x 3(x)2 + 1
x 3x2 + 1
lm
3(3x2 + 1) 6x(3x 1)
9x2 + 6x + 3
=
=0
(3x2 + 1)2
(3x2 + 1)2
Igualando a cero:
9x2 + 6x + 3 = 0 = 3x2 + 2x + 1 = 0 = x = 1 x =
1
3
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
187
No hay m
as puntos crticos, pues Dom f (x) = R.
Haciendo la tabla:
f (x)
f (x)
Luego f (x) es creciente en
1
,1
3
1
3
y decreciente en
Tiene un m
aximo relativo en (1, f (1)) =
1 3
1 6
,
=
,
.
3 4
3 2
1
1,
2
1
,
3
(1, ).
y un m
aximo relativo en
1 2
, 4
3
3
6. Concavidad
Calculando la derivada segunda, es:
f (x) =
e igualando a cero no se obtienen races exactas, por lo que no se puede hacer este estudio.
Con los datos que tenemos, podemos hacer un esbozo de la graca de la funci
on:
10.9.
3x 1
.
3x2 + 1
Optimizaci
on de funciones
La u
ltima aplicacion de las derivada es la optimizaci
on de funciones. Consiste en calcular los
maximos y los mnimos de cierta funci
on que se obtiene de un problema surgido de una situaci
on
cotidiana.
En estos problemas siempre se tiene:
* Una funci
on de la que hay que calcular el m
aximo o el mnimo, y que habitualmente tiene dos
variables, x e y.
* Una relaci
on entre x e y, que permite despejar una de las dos para obtener una funci
on con una
sola variable.
Veamos como se aplica:
Ejemplo: De entre todos los n
umeros cuya suma es 36, calcula aquellos cuya suma de cuadrados
es mnimo.
CAPITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION
188
Los n
umeros buscados son x e y.
La funcion a minimizar es f (x, y) = x2 + y 2 .
Tenemos dos variables, luego todava no podemos derivar.
La relacion que tenemos es que los n
umeros suman 36, es decir, x + y = 36.
Despejando, y = 36 x.
Y por tanto, la funci
on a minimizar es:
f (x) = x2 + (36 x)2
que ya tiene solo una vatiable.
Para buscar sus mnimos, calculamos la derivada f (x):
f (x) = 2x + 2(36 x)(1) = 2x 72 + 2x = 4x 72
Igualando a cero,
4x 72 = 0 = x =
Ademas calculando la derivada segunda:
con lo que sustituyendo:
72
= 18
4
f (x) = 4
f (18) = 4 > 0
Captulo 11
INTEGRACION.
CALCULO
DE
AREAS
11.1.
Introducci
on
Si el problema del c
alculo de la recta tangente llev
o a los matematicos del siglo XVII al desarrollo de
las tecnicas de la derivacion, otro problema, el del c
alculo del area encerrada por una curva, propici
o el
desrrollo de las tecnicas de integraci
on.
Se trataba, por ejemplo, de hallar el area encerrada bajo la curva f (x) entre los puntos a y b:
Se conocan f
ormulas para recintos de forma igual a guras geometricas(rectangulares, triangulares,
e incluso algunas de curvas especcas), pero si la curva no tena forma regular, no se conoca, en
general, su area exacta.
El c
alculo integral da respuesta a esta y otras cuestiones.
11.2.
Dada un funci
on f (x), sabemos calcular su derivada f (x), e incluso sus derivadas sucesivas, f (x),
f (x), etc.
Sin embargo ahora nos planteamos el problema recproco:
Dada una funci
on f (x), se trata de encontrar otra, F (x), tal que al derivar esta u
ltima funci
on,
obtengamos la funci
on inicial, es decir:
F (x) = f (x)
Veamos un ejemplo:
Tomemos la funcion f (x) = 2x.
Se trata de encontrar una funci
on F (x) tal que al derivarla nos de f (x).
193
CALCULO
194
CALCULO
11.3.
195
Primitivas inmediatas
De modo an
alogo al caso de las derivadas, debemos recordar algunas primitivas de las funciones
mas usuales:
1. k dx = kx + C, C R, k R
2.
3.
xn+1
+ C, C R,
n+1
1
dx = ln x + C,
dx =
x
xn dx =
, n R,
x1
CR
4.
ax dx =
ax
+ C,
ln a
n = 1
CR
5.
ex dx = ex + C,
CR
6.
sen x dx = cos x + C,
CR
7.
8.
9.
cos x dx = sen x + C,
CR
1
dx = arctan x,
1 + x2
CR
dx = arc sen x + C,
1 x2
CR
1
dx = arc cos x + C, C R
1 x2
Estas primitivas permiten calcular algunas integrales sencillas.
Ademas es conveniente la utilizacion de las dos propiedades siguientes:
10.
1.
k f (x) dx = k
kR
f (x) dx,
(f (x) g(x)) dx =
f (x) dx
g(x) dx
Lo que indica esta propiedad es que si tenemos una suma (o resta) de dos funciones, entonces
podemos separar la integral en la suma (o resta) de dos integrales.
Utilizando estas propiedades de manera combinada, se calculan las primeras integrales sencillas.
Veamos algunos ejemplos:
Ejemplo: Calcular las integrales siguientes:
x dx b)
(15x4 + 10x3 12x2 8x + 5) dx
a)
c)
2
x
+ e 3 cos x dx
x
CALCULO
196
Para la primera integral , expresamos la raz en forma de potencia y utlizamos la integral inmediata
2:
1
3
3
1
2 x3
2x x
x2
x 2 +1
2x 2
2
=
=
+ C, C R
= 3 =
x dx = x dx = 1
3
3
3
2 +1
2
En la segunda, separamos las sucesivas sumas y restas y sacamos los n
umeros fuera de las integrales,
aplicando las propiedades de la integral para luego aplicar la integral inmediata 2 de nuevo:
4
3
2
4
3
2
(15x + 10x 12x 8x + 5) dx = 15x dx + 10x dx 12x dx 8x dx + 5 dx =
15x5 10x4 12x3 8x2
4
3
2
+
+ 5x =
= 15 x dx + 10 x dx 12 x dx 8 x dx + 5 dx =
5
4
3
2
5x4
4x3 4x2 + 5x + C, C R
= 3x5 +
2
Por u
ltimo, volvemos a separar las integrales y los n
umeros y aplicamos la tabla de integrales inmediatas:
2
2
x
+ e 3 cos x dx =
dx + ex dx 3 cos x dx =
x
x
1
dx + ex dx 3 cos x dx = 2 ln x + ex 3 sen x + C, C R
=2
x
Ejercicio: Calcular las siguientes integrales:
5x3 4x
dx b)
sen x + 2 cos x + 3 dx c)
(18x + 1) dx
a)
x4
3
2
4
2
2
+ 2 + 3 dx f )
2 3 x dx
(x + 2) dx g)
d)
(2x 1) (2x + 1) dx e)
x x
x
11.4.
Integraci
on por cambio de variable
A veces las integrales no son tan simples como las inmediatas, sino que hay peque
nos detalles que
nos impiden aplicar la tabla de primitivas.
Por ejemplo, podemos calcular sin problema la integral:
sen x dx = cos x + C, C R
pues es inmediata.
Sin embargo otra integral tan parecida y de aspecto simple como:
sen (2x + 6) dx
ya no la sabemos calcular porque no aparece en la tabla de primitivas inmediatas.
El razonamiento a utilizar en este caso es el siguiente:
Si en vez de tener en la integral anterior 2x + 6, tuviesemos simplemente x, la integral sera inmediata.
Por tanto, la idea es la siguiente, vamos a cambiar la variable x por otra nueva (que usualmente
denotaremos por t) y que simplica la tarea.
Llamaremos t a la variable que tiene la siguiente relaci
on con x, en este caso:
t = 2x + 6
CALCULO
197
Ahora bien, se nos plantea otro problema. En la integral aparece el termino dx (lease diferencial de x).
Lo l
ogico es que si la integral tiene una nueva variable t, en vez de aparecer diferencial de x, aparezca
diferencial de t, para no mezclar las variables.
Aunque pueda parecer una forma un poco articial, daremos aqu la forma para calcular dt.
Simplemente se deriva en la expresion del cambio de variable:
Derivando t = 2x + 6, se obtiene, 1 dt = 2 dx, es decir que:
dx =
dt
2
e2x
3 5
x2 dx
dt
6
=
deshacer el cambio
1 2x3 5
e
+ C, C R
6
(6x2 + 15x + 3)178 (12x + 15) dx
CALCULO
198
11.5.
Determinaci
on de una primitiva particular de una funci
on
17
5
1
1 + 5 + C = 3 =
+ C = 3 = C =
4
4
4
y por tanto la primitiva buscada es:
F (x) =
5
x4
x2 + 5x
4
4
CALCULO
11.6.
199
El problema del c
alculo del
area
Una aproximaci
on para calcular el area consiste en dividir el intervalo en otros m
as peque
nos y
calcular el area de los rectangulos que se forman bien al tomar el valor de la funci
on en un extremo
del intervalo, bien en otro entremo, es decir:
Area
suma rect
angulos< Area
de la funci
on
Esta suma, en la que la suma de las areas de los rectangulos es menor que el area total se denomina
suma inferior de la funci
on en el intervalo.
Pero podramos haber tomado estos otros rectangulos:
Figura 11.2: Aproximacion del area mediante rectangulos mas grandes que la funci
on
Ahora la suma del area de los rectangulos es mayor que el area total, es decir:
CALCULO
200
Area
de la funci
on< Area
suma rect
angulos
Esta suma, en la que la suma de las areas de los rectangulos es mayor que el area total se denomina
suma superior de la funci
on en el intervalo.
Por tanto, el area buscada est
a entre la suma superior y la suma inferior de la funci
on:
Vemos que las sumas inferiores son cada vez mayores y cada vez mas cercanas al area buscada, a
medida que los intervalos son m
as peque
nos.
Por contra, las sumas superiores son cada vez mas peque
nas y tambien cada vez mas cercanas al
area buscada, a medida que los intervalos son m
as peque
nos.
A medida que los subintervalos son menores, las sumas superiores e inferiores se acercan al area
buscada. Para llegar a calcular dicha area, necesitamos calcular una suma innita (la de los innitos
rectangulos a medida que estos son mas peque
nos), cosa que en matematicas se denomina sumar una
serie.
Esto excede con mucho los contenidos del curso. Lo que se necesita saber es que tanto las sumas
superiores como las sumas inferiores convergen (se acercan) al area buscada, y dicha suma se representa,
si la funci
on es f (x) y el intervalo es [a, b], por la integral:
f (x) dx
a
CALCULO
11.7.
201
kR
f (x) dx,
2.
k f (x) dx = k
a
(f (x) g(x)) dx =
f (x) dx
g(x) dx
a
f (x) dx = F (x)]x=b
x=a = F (b) F (a)
CALCULO
202
x2 dx
x3
x dx =
3
x=3
=
x=1
27 1
3
3
=
26
8 67 u2
3
Ejercicio: Utilizando la regla de Barrow, calcula el valor de las siguientes integrales denidas:
4
4
1
3
3
2
2
4
2
(2x 4x +5x2) dx b)
(3x+1) dx c)
(2x 3x 7) dx d)
(x+1)(x2) dx
a)
1
CALCULO
11.8.
203
11.8.1.
Areas
limitadas por una funci
on y el eje x
1. La funcion es siempre positiva siempre en el intevalo: En este caso el area simplemente viene
dada por:
b
f (x) dx
Area
=
a
donde a y b son los puntos entre los que queremos calcular el area, y que habitualmente son los
puntos de corte de la funci
on con el eje x.
Geometricamente:
2. La funcion se siempre negativa dentro del intervalo: En este caso el area viene dada por:
b
f (x) dx
Area
=
a
Geometricamente:
CALCULO
204
3. Si la funci
on es a veces positiva y a veces negativa en el intervalo, se calculan los puntos de corte
y se calculan las integrales sucesivas, utilizando los apartados anteriores:
En la gura, sera:
Area
=
f (x) dx +
b
f (x) dx +
f (x) dx
d
En cualquier caso, y cuando calculemos areas, siempre es conveniente comenzar por calcular los puntos
de corte de la funci
on con el eje x para saber si es positiva o negativa y calcular las integrales
correspondientes, o bien utilizar siempre el valor absoluto para asegurarnos de que el resultado es
positivo.
Ejemplo: Calcular el area que encierra con el eje x la gr
aca de la funci
on:
f (x) = x3 7x2 + 10x
No hace falta dibujar la gr
aca.
Calculamos los puntos de corte con el eje x:
x 7x + 10x = 0 = x(x 7x + 10) = 0 =
3
x=0
= x = 0, x = 2, x = 5
x2 7x + 10 = 0
7 + 10
= 4
+ 20 =
u
=
4
3
2
4
3
2
3
3
Area
=
CALCULO
205
la funci
on es negativa en el intervalo, luego el area sera:
4
5
x=5
3
2
x
x
x
7 + 10
x3 7x2 + 10x dx =
Area
=
=
4
3
2
2
x=2
4
4
3
2
3
2
5
125 16 63 63 2
5
5
2
2
2
=
=
=
=
7 + 10
7 + 10
u
4
3
2
4
3
2 12
3 4
4
En total el area pedida ser
a:
253 2
16 63
+
=
u 21 08 u2
3
4
12
Gr
acamente:
Observa lo importante que es diferenciar los dos intervalos, pues si simplemente hubiesemos calculado, sin m
as:
5
x3 7x2 + 10x dx
CALCULO
11.8.2.
206
Areas
limitadas por dos funciones
Si las curvas son f (x) y g(x) se cumple que el area limitada por las dos curvas en el intervalo [a, b]
es:
(f (x) g(x)) dx
siempre que f (x) este por encima de g(x) en el intervalo [a, b].
Si las curvas se cortan en el intervalo, se subdivide el intervalo en otros menores, en cada uno de los
cuales se aplican la integral anterior, determinando que curva esta por encima, y se suma el resultado.
En todo caso siempre es necesario hallar los puntos de corte entre las curvas, que se calculan
igualando las expresiones algebraicas de ambas funciones:
f (x) = g(x)
y resolviendo la ecuaci
on resultante.
Ejemplo: Calcular el area limitada por las curvas f (x) = x2 1 y g(x) = 4x 4.
Comenzamos calculando los puntos de corte de las funciones:
f (x) = g(x) = x2 1 = 4x 4 = x2 4x + 3 = 0 = x = 1, x = 3
Las funciones se cortan en los puntos 1 y 3.
Veamos que funci
on esta por encima y cu
al por debajo en ese intervalo.
Dando un valor intermedio, por ejemplo el 2:
f (2) = 22 1 = 3
g(2) = 8 4 = 4
Como el valor de g(x) es mayor, signica que g(x) esta por encima de f (x) en el intervalo, de modo
que el valor del area sera el dado por la integral denida:
3
3
3
2
(g(x) f (x)) dx =
(4x 4 (x 1)) dx =
4x 3 x2 dx =
Area =
1
x=3
4 2
x3
1
2
=
u 1 33 u2
= (18 9 9) 2 3
= 2x 3x
3
3
3
x=1
CALCULO
207
Si se hace un dibujo, lo cu
al es sencillo porque se trata de una recta y una par
abola:
11.9.
Las aplicaciones de las integrales a las Ciencias Sociales se relacionan con las de las derivadas.
Sabemos, por ejemplo, que si cierta funci
on I(x), es la funci
on de ingresos de una determinada
empresa, la funci
on de ingresos marginal es su derivada I (x).
Las integrales, al ser la operacion recproca, permiten calcular la funci
on de ingresos conocida la
de ingresos marginal, es decir:
I (x) dx = I(x) + C, C R
CALCULO
208
luego sustituyendo:
1 3
0 + C = 2 5 = C = 2 5
6
La poblaci
on de palomas sigue una funci
on:
02
1
F (x) = x2 x3 + 2 5
6
b) El segundo semestre, x va desde 0 5 hasta 1, y el aumento de palomas sera:
F (1) F (0 5) =
29
20 131
=
= 0 604
6
48
49
es decir, 604 palomas (recuerda que la funcion viene dada en miles de palomas).
c) Calculamos los m
aximos y mimimos de F (x).
Como:
F (x) = f (x)
resulta que igualamos f (x) = 0, y queda:
2x 0 5x2 = 0 = x(2 0 5x) = 0 = x = 0, x = 4
Para saber si son m
aximos o mnimos, con la derivada segunda:
F (x) = 2 x
luego:
x = 0 es un mnimo y:
F (0) = 2
F (4) = 2
CALCULO
209
Ejercicios:
i(x) = 200 2x