Fundamentos Matematicos

Tijani Pakhrou
Indice general

1. Matrices y determinantes 1
1.1. Definiciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Producto de un escalar por una matriz . . . . . . . . . . . . . . . . . 4
1.4. Transposicion de matrices . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6. Inversa de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . . 7
1.7. Calculo de la matriz inversa . . . . . . . . . . . . . . . . . . . . . . . 7
1.8. Determinante de una matriz cuadrada . . . . . . . . . . . . . . . . . 9
1.9. Propiedades elementales de los determinantes . . . . . . . . . . . . . 10
1.10. Matriz inversa y determinantes . . . . . . . . . . . . . . . . . . . . . 13
1.11. Dependencia lineal y rango de una matriz . . . . . . . . . . . . . . . 15
1.11.1. Dependencia lineal . . . . . . . . . . . . . . . . . . . . . . . . 15
1.11.2. Rango de un conjunto de vectores . . . . . . . . . . . . . . . . 16
1.11.3. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . 17

2. Sistemas de ecuaciones lineales 19

2.1. Definiciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Teorema de Rouche-Frobenius . . . . . . . . . . . . . . . . . . . . . . 20
2.3. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4. Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5. Metodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6. Sistemas homogeneos . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7. Resolucion de un sistema no homogeneo utilizando un sistema ho-
mogeneo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3. Espacios vectoriales 29
3.1. Definicion de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 29
3.2. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3. Interseccion de subespacios . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4. Suma de dos subespacios . . . . . . . . . . . . . . . . . . . . . . . . . 32

iii
 3.5. Suma directa de dos espacios . . . . . . . . . . . . . . . . . . . . . . . 32
3.6. Sistema generador de un espacio vectorial . . . . . . . . . . . . . . . 33
3.7. Dependencia lineal de vectores en un espacio vectorial . . . . . . . . . 34
3.8. Base de un espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . 34
3.9. Dimension de un espacio vectorial . . . . . . . . . . . . . . . . . . . . 35
3.10. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4. Aplicaciones lineales 39
4.1. Definicion de aplicacion lineal . . . . . . . . . . . . . . . . . . . . . . 39
4.2. Matriz de una aplicacion lineal . . . . . . . . . . . . . . . . . . . . . . 41
4.3. Operaciones con Aplicaciones lineales . . . . . . . . . . . . . . . . . . 43
4.4. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5. Imagen de una aplicacion lineal . . . . . . . . . . . . . . . . . . . . . 46
4.5.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5.2. Imagenes directas mediante aplicaciones lineales . . . . . . . . 47
4.5.3. Dimension de una imagen directa . . . . . . . . . . . . . . . . 47
4.6. Nucleo de una aplicacion lineal . . . . . . . . . . . . . . . . . . . . . 48
4.6.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.6.2. Imagenes inversas mediante aplicaciones lineales . . . . . . . . 48
4.6.3. Dimension del nucleo de una aplicacion lineal . . . . . . . . . 48
4.7. Ejemplo: Determinacion de la imagen y del nucleo de una aplicacion
lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.8. Aplicaciones lineales inyectivas . . . . . . . . . . . . . . . . . . . . . . 49
4.8.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.8.2. Monomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.9. Aplicaciones lineales sobreyectivas . . . . . . . . . . . . . . . . . . . . 50
4.9.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.9.2. Epimorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.10. Aplicaciones lineales biyectivas . . . . . . . . . . . . . . . . . . . . . . 50
4.10.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.10.2. Isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.10.3. Caracterizacion de la isomorfa . . . . . . . . . . . . . . . . . 51
4.10.4. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.11. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5. Diagonalizacion de matrices 57
5.1. Autovalores y autovectores . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2. Como calcular los autovalores y autovectores . . . . . . . . . . . . . . 58
5.3. Propiedades de los autovalores y autovectores . . . . . . . . . . . . . 60
5.4. Multiplicidades algebraicas y geometricas . . . . . . . . . . . . . . . . 61
5.5. Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . 61
 5.6. Forma canonica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . 66
5.6.1. Forma canonica de Jordan para matrices de orden 2 . . . . . . 66
5.6.2. Forma de Jordan para matrices de orden 3 . . . . . . . . . . . 69
5.7. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.7.1. Potencia y exponencial de una matriz . . . . . . . . . . . . . . 71
5.7.2. Teorema de Cayley-Hamilton . . . . . . . . . . . . . . . . . . 73

6. Conicas y cuadricas 75
6.1. Conicas o conos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2. La elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3. La hiperbola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.4. La parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.5. Ecuacion general de una conica . . . . . . . . . . . . . . . . . . . . . 78
6.6. Ecuacion reducida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.7. Como eliminar el termino xy en (F) . . . . . . . . . . . . . . . . . . 80
6.8. Como obtener la ecuacion reducida . . . . . . . . . . . . . . . . . . . 81
6.9. Clasificacion de las conicas . . . . . . . . . . . . . . . . . . . . . . . . 85
6.10. Cuadricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.11. Clasificacion de las cuadricas . . . . . . . . . . . . . . . . . . . . . . . 87

7. Funciones 89
7.1. Funciones reales de variable real . . . . . . . . . . . . . . . . . . . . . 89
7.2. Funciones definidas a trozos . . . . . . . . . . . . . . . . . . . . . . 90
7.3. Representacion grafica de una funcion . . . . . . . . . . . . . . . . . . 91
7.4. Lmites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.5. Lmites en el infinito . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.6. Lmites infinitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.7. Operaciones con lmites . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.8. Lmites de funciones y lmites de sucesiones . . . . . . . . . . . . . . 102
7.8.1. Lmite de una sucesion . . . . . . . . . . . . . . . . . . . . . . 102
7.8.2. Relacion entre el lmite de una funcion y de una sucesion . . . 103
7.8.3. Una aplicacion: Probar que no existe lm f (x) . . . . . . . . . 103
xc
7.9. Lmites y desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.10. Algunos lmites especiales . . . . . . . . . . . . . . . . . . . . . . . . 106

8. Continuidad 107
8.1. Que es la continuidad? . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.2. Operaciones de funciones continuas . . . . . . . . . . . . . . . . . . . 110
8.3. Continuidad de funciones definidas a trozos . . . . . . . . . . . . . . . 111
8.4. La continuidad y el calculo de lmites . . . . . . . . . . . . . . . . . . 112
8.5. Los grandes teoremas sobre continuidad . . . . . . . . . . . . . . . 115
 8.5.1. Teorema del maximo y del mnimo . . . . . . . . . . . . . . . 115
8.5.2. Teorema de acotacion . . . . . . . . . . . . . . . . . . . . . . . 116
8.5.3. Teorema de los valores intermedios . . . . . . . . . . . . . . . 117

9. Derivabilidad 121
9.1. La derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.2. Significado de la derivada . . . . . . . . . . . . . . . . . . . . . . . . 122
9.3. Tecnicas para el calculo de derivadas . . . . . . . . . . . . . . . . . . 126
9.3.1. Reglas basicas de derivacion . . . . . . . . . . . . . . . . . . . 126
9.3.2. Derivadas de algunas funciones . . . . . . . . . . . . . . . . . 128
9.3.3. La regla de la cadena . . . . . . . . . . . . . . . . . . . . . . . 129
9.3.4. Funciones inversas . . . . . . . . . . . . . . . . . . . . . . . . 131
9.3.5. Derivadas de funciones definidas a trozos . . . . . . . . . . . 133
9.4. El Teorema del Valor Medio . . . . . . . . . . . . . . . . . . . . . . . 136
9.4.1. Teorema de Rolle . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.4.2. Teorema del Valor Medio . . . . . . . . . . . . . . . . . . . . . 136
9.4.3. Aplicaciones del Teorema del Valor Medio . . . . . . . . . . . 137
9.5. Teorema de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9.5.1. Regla de LHopital (caso 00 ) . . . . . . . . . . . . . . . . . . . 141
9.5.2. Regla de LHopital (caso
) . . . . . . . . . . . . . . . . . . . 141
9.6. Derivadas de orden superior . . . . . . . . . . . . . . . . . . . . . . . 147
9.6.1. Desarrollo de Taylor . . . . . . . . . . . . . . . . . . . . . . . 147
9.6.2. Teorema de Cauchy generalizado . . . . . . . . . . . . . . . . 150
9.7. Funciones crecientes y decrecientes . . . . . . . . . . . . . . . . . . . 150
9.7.1. Una condicion suficiente para crecimiento y decrecimiento . . 151
9.7.2. Donde es positiva y donde es negativa una funcion? . . . . . 152
9.8. Convexidad y concavidad . . . . . . . . . . . . . . . . . . . . . . . . . 152
9.9. Maximos y Mnimos locales . . . . . . . . . . . . . . . . . . . . . . . 157
9.9.1. Condicion necesaria de extremos locales . . . . . . . . . . . . 158
9.9.2. Condicion suficiente de extremos locales . . . . . . . . . . . . 159
9.10. Extremos absolutos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
9.10.1. Como determinar los extremos absolutos en un intervalo I? . 164
9.10.2. Aplicaciones: Maximizar y Minimizar . . . . . . . . . . . 167
9.11. Asntotas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
9.12. Esquema-Resumen para la representacion grafica de funciones . . . . 173

10.Integracion 175
10.1. Que es la integral de una funcion? . . . . . . . . . . . . . . . . . . . 175
10.2. La regla de Barrow . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
10.3. Calculo de primitivas . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
10.3.1. Notaciones y cuestiones basicas . . . . . . . . . . . . . . . . . 176
 10.3.2. Integrales inmediatas . . . . . . . . . . . . . . . . . . . . . . . 177
10.3.3. Propiedades basicas de la integral indefinida . . . . . . . . . . 178
10.3.4. La integracion por partes . . . . . . . . . . . . . . . . . . . . . 179
10.3.5. Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . 182

11.Ecuaciones Diferenciales Ordinarias 187

11.1. Concepto de ecuacion diferencial ordinaria . . . . . . . . . . . . . . . 187
11.2. Solucion de una ecuacion diferencial ordinaria . . . . . . . . . . . . . 188
11.2.1. Solucion general de una ecuacion diferencial ordinaria . . . . . 188
11.2.2. Solucion particular de una ecuacion diferencial ordinaria . . . 189
11.3. Ecuaciones diferenciales de variables separables de primer orden . . . 189
11.4. Ecuaciones diferenciales homogeneas de primer orden . . . . . . . . . 190
11.5. Ecuaciones diferenciales lineales de primer orden . . . . . . . . . . . . 192
11.6. Ecuaciones diferenciales lineales de segundo orden con coeficientes
constantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
11.6.1. Calculo de la solucion general de la ecuacion diferencial ho-
mogenea de segundo orden con coeficientes constantes . . . . . 193
11.6.2. Calculo de la solucion particular de la ecuacion diferencial
completa de segundo orden con coeficientes constantes . . . . 195
Captulo 1

Matrices y determinantes

1.1. Definiciones basicas

Se llama matriz de m 1 filas y n 1 columnas a la disposicion en forma de
caja,
a11 a12 . . . a1n
a21 a22 . . . a2n
A = ..

.. ... ..
. . .
am1 am2 . . . amn
donde para cada i = 1, . . . , m y j = 1, . . . , n, aij R es el numero situado en la
fila i y la columna j.
Se dice entonces que la matriz A es de tipo (orden) m n y se suele abreviar
escribiendo

A = aij 1im
1jn
Los numeros que componen la matriz se llaman entradas o coeficientes de la
matriz.
Ejemplo 1.1.1.  
1 2 9
A=
2 7 5
es una matriz de orden 2 3 (tiene 2 filas y 3 columnas)
Definicion 1.1.2. Al conjunto de todas las matrices de orden mn con coeficientes
en R lo denotaremos por Mmn

1
2

1) Se llama matriz nula, y se denota O, a aquella cuyos coeficientes son todos

cero.

0 0 ... 0
0 0 ... 0
O=

.... . . ..
. . . .
0 0 ... 0

2) Si la matriz es de tipo n n, se dice que es cuadrada de orden n. En tal

caso, los coeficientes a11 , a22 , . . . , ann constituyen la diagonal principal de A.

3) Si aij = 0 siempre que i > j, es decir,

a11 a12 a13 ... a1n1 a1n

0 a22 a23 ... a2n2 a2n

0 0 a33 ... a3n1 a3n
A=

.. .. .. .. .. ..
. . . . . .

0 0 0 . . . a(n1)(n1) a(n1)n
0 0 0 ... 0 ann

se dice que A es triangular superior

4) Si aij = 0 siempre que i < j, es decir,

a11 0 ... 0 0

a21 a22 ... 0 0

A=
.. .. ... .. ..
. . . .

a(n1)1 a(n1)2 . . . a(n1)(n1) 0
an1 an2 ... an(n1) ann

se dice que A es triangular inferior

5) Las matrices cuadradas que son, simultaneamente, triangulares superiores e

inferiores, se llaman matrices diagonales.

a11 0 . . . 0
0 a22 . . . 0
A = ..

.. . . ..
. . . .
0 0 . . . ann
 3

6) La matriz diagonal de orden n cuyos coeficientes aii = 1 se denota In y se

llama matriz identidad de orden n.

1 0 ... 0
0 1 ... 0
In = .. .. . . ..

. . . .
0 0 ... 1

Ejemplo 1.1.3. La matriz

1 3 12
A= 0 3 0
0 0 2
es cuadrad de orden tres, de hecho es triangular superior.

1.2. Suma de Matrices

Dados dos matrices A = (aij ) y B = (bij ) del mismo tipo m n,

a11 a12 . . . a1n b11 b12 . . . b1n
a21 a22 . . . a2n b21 b22 . . . b2n
A = .. B = ..

.. . . .. .. . . ..
. . . . . . . .
am1 am2 . . . amn bm1 bm2 . . . bmn

se llama suma de A y B a la matriz A + B, tambien de tipo m n, cuyo

coeficiente de la fila i-esima y la columna j-esima es aij + bij .

a11 + b11 a12 + b12 . . . a1n + b1n
a21 + b21 a22 + b22 . . . a2n + b2n
A+B =

.. .. . . ..
. . . .
am1 + bm1 am2 + bm2 . . . amn + bmn
Proposicion 1.2.1. Si A, B, C Mmn (matrices de tipo m n), entonces:

1) Asociativa: (A + B) + C = A + (B + C)
2) Conmutativa: A + B = B + A
3) Existencia de elemento neutro: A + O = A
4) Existencia de elemento opuesto: Si denotamos A la matriz cuyo coeficiente
de la fila iesima y la columna jesima es aij , entonces A + (A) = O.
4

1.3. Producto de un escalar por una matriz

Dados un numero y una matriz A = (aij ) de tipo m n, el producto de por
A es la matriz A de tipo m n, cuyo coeficiente de la fila iesima y la columna
jesima es aij .

a11 a12 . . . a1n
a21 a22 . . . a2n
A = ..

.. .. ..
. . . .
am1 am2 . . . amn

Proposicion 1.3.1. Si , R y A, B Mmn (matrices de tipo mn), entonces:

1) Distributiva respecto de la suma de escalares: ( + )A = A + A

2) Distributiva respecto de la suma de matrices: (A + B) = A + B

3) Asociativa: ()A = (A)

4) Existencia de elemento neutro para el producto: 1A = A

1.4. Transposicion de matrices

Sea A = aij 1im una matriz de tipo m n.
1jn

a11 a12 . . . a1n
a21 a22 . . . a2n
A=

.. .. .. ..
. . . .
am1 am2 . . . amn
Se llama traspuesta de A, y se denota At , a la matriz de tipo n m cuyo
coeficiente de la fila iesima y la columna jesima es aji .

a11 a21 . . . am1
a12 a22 . . . am2
t
A = ..

.. . . ..
. . . .
a1n a2n . . . amn
 5

Proposicion 1.4.1. Si , R y A, B Mmn (matrices de tipo m n), entonces:

1) (A + B)t = At + B t

2) (A)t = At

3) (At )t = A

1.5. Producto de matrices

Sea A = (aij )1jn 1jp
1im y B = (bij )1in dos matrices de tipos m n y n p,
respectivamente. Se llama matriz producto de A por B, en este orden, y se denota
C = AB, a la matriz de tipo m p cuyo termino de fila iesima y la columna
jesima es
n
X
cij = ai1 b1j + ai2 b2j + + ain bnj = aik bkj .
k=1

Observacion 1.5.1. Para efectuar el producto AB, es necesario que el numero de

columnas de A coincide con el de filas de B.
Ejemplo 1.5.2. Sea A = (a1 , , an ) y B = (b1 , , bn ) dos matrices de tipo 1 n.
no se pueden multiplicar.
La matriz B t es de tipo n 1, y el producto AB t es el producto escalar de A y
B.
b1
b2
AB t = (a1 , , an ) .. = a1 b1 + a2 b2 + + an bn .

.
bn
Ejemplo 1.5.3.

  1 3  
1 0 2 0 5 = 11+00+22 13+05+24
3 5 4 31+50+42 33+55+44
2 4
 
5 11
=
11 50
Ejemplo 1.5.4.

1 3   10 15 14
0 5 1 0 2 = 15 25 20
3 5 4
2 4 14 20 20
6

Observacion 1.5.5. sean A y B dos matrices. En general, aunque los dos productos
AB y BA existen, no coinciden (AB 6= BA)

Ejemplo 1.5.6.     
2 3 3 0 0 0
=
6 9 2 0 0 0
    
3 0 2 3 6 9
=
2 0 6 9 4 6
Proposicion 1.5.7. El producto de matrices satisface las siguientes propiedades:

1) (AB)C = A(BC), si A Mmn , B Mnp y C Mpq .

2) (A + B)C = AC + BC, si A, B Mmn y C Mnp .

3) A(B + C) = AB + AC, si A Mmn y B, C Mnp .

4) Im A = A = AIn , si A Mmn .

5) (AB) = (A)B, si A Mmn , B Mnp y R.

6) (AB)t = B t At , si A Mmn , B Mnp .

 7

1.6. Inversa de una matriz cuadrada

Sea A una matriz cuadrada de orden n. Se dice que otra matriz B de orden n
es inversa de A si AB = In = BA. En caso de existir tal inversa, se dice que A es
invertible o regular.

Proposicion 1.6.1.

1) Si la matriz A es invertible, entonces su inversa es unica, y se denota A1

2) Sean A y B dos matrices cuadradas, del mismo orden, que son invertibles.
Entonces su producto tambien es invertible y, ademas

(AB)1 = B 1 A1

3) Si la matriz cuadrada de orden n es invertible, entonces tambien es invertible

su traspuesta y

1
t
At = A1

1.7. Calculo de la matriz inversa

Sea A la matriz
1 2 3
A= 2 3 4
3 4 6
Consideramos la matriz
 
1 2 3  1 0 0  F1
(A|I3 ) = 2 3 4  0 1 0  F2
3 4 6  0 0 1  F3
Para calcular la matriz A1 hay que realizar operaciones sobre las filas de la
matriz (A|I3 ) hasta que la matriz del lado izquierdo se transforma en la matriz
identidad.

Sustituyendo la fila F2 por F2 2F1 , obtenemos:

 
1 0 0  F10

1 2 3 
0 1 2 
 2 1 0  F20
3 4 6  0 0 1  F30
8

Sustituyendo la fila F30 por F30 3F10 , obtenemos:

 
1 0 0  F100

1 2 3 
0 1 2 
 2 1 0  F200
0 2 3  3 0 1  F300
Sustituyendo la fila F200 por F200 , obtenemos
 
0 0  F1000

1 2 3  1
0 1 2  2 1 0  F2000
0 2 3  3 0 1  F3000

Sustituyendo la fila F3000 por F3000 + 2F2000 , obtenemos:

  (4)
1 2 3  1 0 0  F1

0 1 2  2 1 0  F (4)
  2
0 0 1  1 2 1  F3(4)

(4) (4) (4)

Sustituyendo la fila F1 por F1 2F2 , obtenemos:
  (5)
1 0 1  3 2 0  F1

0 1 2  2 1 0  F (5)
  2
0 0 1  1 2 1  F3(5)

(5) (5) (5)

Sustituyendo la fila F3 por F3 + F1 , obtenemos:
  (6)
1 0 0  2 0 1  F1
0 1 2  2 1 0  F (6)
  2
0 0 1  1 2 1  F3(6)

(6) (6) (6)

Sustituyendo la fila F2 por F2 2F3 , obtenemos:
  (7)
1 0 0  2 0
 1  F1
0 1 0
 0 3 2  F2(7)
 
0 0 1  1 2 1
 (7)
 F3
Por tanto, se obtiene que

2 0 1
A1 = 0 3 2
1 2 1
 9

1.8. Determinante de una matriz cuadrada

Asociaremos a la matriz A un escalar, que denotaremos det(A) y que definiremos
por recurrencia sobre el orden n de la matriz.


 El caso n = 1, A es un escalar A = (a11 ) , y se define su determinante como

det(A) = |A| = a11 .

 Si n > 1, y fijados dos ndices i, j, se denota Aij a la matriz de orden n 1

que resulta de eliminar en A la fila i y la columna j. As supuesto
definida la nocion de determinante para matrices de orden n 1, se define
n
X
det(A) = |A| = (1)i+1 ai1 det(Ai1 ).
i=1

Ejemplo 1.8.1.  
a11 a12
A=
a21 a22
   
6 a11 6 a12 6 a11 a12
A11 = = a22 , A21 = = a12
6 a21 a22 6 a21 6 a22

 
 a a
det(A) =  11 12

 = a11 det(A11 ) a21 det(A21 )
a21 a22 
= a11 a22 a21 a12 .

Ejemplo 1.8.2.
2 1 5
A= 1 2 1
1 0 1
   
1+1 2 1 2+1 1 5
det(A) = (1) 2 det + (1) (1) det
0 1 0 1
 
3+1 1 5
+(1) (1) det
2 1

det(A) = 2(2 0) (1)1 0 5 + (1)1 2 5 = 6.
10

1.9. Propiedades elementales de los determinantes

Proposicion 1.9.1.

1) Una matriz y su traspuesta tienen el mismo determinante:

det(A) = det(At ).

2) El determinante del producto de dos matrices del mismo orden es el producto

de sus determinantes:

det(AB) = det(A) det(B).

Proposicion 1.9.2.

1) El valor de un determinante se puede hallar desarrollandolo por cualquiera

de sus columnas. esto es, para cada ndice j :
n
X
det(A) = (1)i+j aij det(Aij ).
i=1

2) Tambien se puede calcular el valor de un determinante desarrollando por

filas, es decir, fijado un ndice i se tiene:
n
X
det(A) = (1)i+j aij det(Aij ).
j=1

Ejemplo 1.9.3. Sea

2 1 5
A= 1 2 1
1 0 1

1) Desarrollo respecto a la columna 2:

   
1 1 2 5
det(A) = (1)(1) det + 2 det = 6.
1 1 1 1

2) Desarrollo respecto a la fila 3:

   
1 5 2 1
det(A) = det + det = 6.
2 1 1 2
 11

Ejemplo 1.9.4. Sea

1 1 2 0 0

0 4 2 0 0

A=
0 5 0 0 0

4 6 7 8 0
4 7 0 1 1
tenemos det(A) = 80.
Proposicion 1.9.5. Si tres matrices cuadradas A, B y C son identicas salvo en que
la i-esima fila (o columna) de C es la suma de las filas (o columnas) correspondientes
de A y B, entonces
det(C) = det(A) + det(B),
esto es:
 
 a11 a12 ... a1n 
 .. .. .. 
. . .
 
 
det(C) =  x1 + y 1 x2 + y2 . . . xn + yn 
 
 .. .. .. 

 . . . 

 an1 an2 ... ann 
   
 a11 a12 . . . a1n   a11 a12 . . . a1n 
 .. .. ..   .. .. .. 
. . .   . . . 


= x1 x2 . . . xn  +  y1 y2 . . . yn 
   
 .. .. ..   .. .. .. 

 . . .   . . . 
 an1 an2 . . . ann   an1 an2 . . . ann 

= det(A) + det(B).
Proposicion 1.9.6. Si una matriz cuadrada A tiene dos filas (o columnas) iguales,
entonces
det(A) = 0,
esto es:
 
 a11 a12 . . . a1n 
.. .. .. 

. . . 


x1 x2 . . . x n 
 


det(A) =  .. .. ..  = 0.
. . . 

 x1 x2 . . . xn 
 .. .. .. 

 . . . 
 an1 an2 . . . ann 
12

Proposicion 1.9.7. Si B es la matriz que se obtiene de una matriz A intercam-

biando dos de sus filas (o columnas), entonces

det(B) = det(A),

esto es:
   
 a11 a12 . . . a1n   a11 a12 . . . a1n 
.. .. ..  .. .. .. 
 
. . .  . . . 
 
 
x1 x2 . . . x n  y1 y2 . . . yn 
   
 

det(B) =  .. .. ..  = 
 .. .. ..  = det(A).
. . .   . . . 

 y1 y2 . . . yn  
 x1 x2 . . . xn 
 .. .. .. 
  .. .. .. 

 . . .  
 . . . 
 an1 an2 . . . ann   an1 an2 . . . ann 

Proposicion 1.9.8. Si B es la matriz que se obtiene a partir de una matriz A

multiplicando por un numero real una de sus filas (o columnas), entonces

det(B) = det(A),

esto es:
   
 a11 a12 . . . a1n   a11 a12 . . . a1n 
 . .. ... .. .. ... 
 
 .
 . . . .
 
 
det(B) =  x1 x2 . . . xn  =  x1 x 2 . . . x n 
   
 . .. .. .. .. .. 
 ..
 
 . . 


 . . . 
 a an2 . . . ann   a a ... a 
n1 n1 n2 nn

= det(A).

Proposicion 1.9.9. Si una matriz tiene una fila (o columna) de ceros, su determi-
nante es nulo.

Proposicion 1.9.10. Si A una matriz cuadrada de orden n y un escalar, entonces

det(A) = n det(A).

Proposicion 1.9.11. Si a una fila (o columnas) de una matriz cuadrada A se le

 13

suma otra multiplicada por un escalar , entonces su determinante no vara:

   
 a11 a12 ... a1n   a11 a12 . . . a1n 
.. .. ..   .. .. .. 
   
. . .   . . . 


 x1 + y1 x2 + y2 . . . xn + yn   x1 x2 . . . xn 
   

det(A) =  .. .. .. 
=
 .. .. ..  .
. . .   .
  . . 

 y 1 y 2 . . . y n
  y
  1 y 2 . . . y 
n 
 .. .. ..   ...
  .. .. 

 . . .   . . 
 an1 an2 ... ann   an1 an2 . . . ann 

Proposicion 1.9.12. Si una de las filas (o columnas) de la matriz A es combinacion

lineal (vease la Definicion 1.11.3 mas adelante ) de las restantes filas (o columnas),
entonces
det(A) = 0.

1.10. Matriz inversa y determinantes

Sea A una matriz cuadrada de orden n. Se llama adjunto de A a la matriz A ,
de orden n, cuyo coeficiente de la fila iesima y la columna jesima es

aij = (1)i+j det(Aij )

Ejemplo 1.10.1. Sea A la matriz

1 2 3
A= 4 5 6
7 8 9

Calculemos los coeficientes aij de la matriz adjunto A

 
 5 6
a11 1+1

= (1) det(A11 ) =   = 3
8 9 
 
 4 6 
a12= (1) 1+2
det(A12 ) =   =6
7 9 
 
1+3
 4 5 
a13 = (1) det(A13 ) =   = 3
7 8 
 
2+1
 2 3 
a21 = (1) det(A21 ) =  =6
8 9 
14
 
 1 3 
a22 = (1) 2+2
det(A22 ) = 
  = 12
7 9 
 
2+3
 1 2 
a23 = (1) det(A23 ) =  =6
7 8 
 
3+1
 2 3 
a31 = (1) det(A31 ) =   = 3
5 6 
 
1 3
a32 = (1)3+2 det(A32 ) = 
 
=6
4 6 
 
3+3
 1 2 
a33 = (1) det(A33 ) =   = 3
4 5 
Por tanto, tenemos que

3 6 3
A = 6 12 6 .
3 6 3

Proposicion 1.10.2. Una matriz A de orden n es invertible, si y solo si, det(A) 6= 0.

En tal caso, su inversa es
1
A1 = (A )t ,
det(A)
cuyo determinante es
1
det(A1 ) = .
det(A)
Ejemplo 1.10.3. Sea A la matriz

6 4 1
A= 2 3 1
2 0 0

Tenemos det(A) = 2

0 2 6 0 0 1
A = 0 2 8 , (A )t = 2 2 4
1 4 10 6 8 10

se tiene
0 0 1 0 0 0,5
1
A1 = 2 2 4 = 1 1 2 .
2
6 8 10 3 4 5
 15

1.11. Dependencia lineal y rango de una matriz

Sea n N, denotaremos Rn al conjunto formado por todas las nuplas de
numeros reales x = (x1 , x2 , . . . , xn ), es decir

Rn = x = (x1 , x2 , . . . , xn ) : xi R, i = 1, 2, . . . , n .


Se dice que x1 , x2 , . . . , xn son las coordenadas de x. A los elementos de Rn se les

llama vectores.
Observacion 1.11.1. R2 y R3 son el plano y el espacio habituales.
Proposicion 1.11.2. Dados x = (x1 , x2 , . . . , xn ), y = (y1 , y2 , . . . , yn ) Rn y sea
R. Se tiene que

1) x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn )
2) x = (x1 , x2 , . . . , xn )

1.11.1. Dependencia lineal

Definicion 1.11.3.
Dados los vectores u1 , u2 , . . . , uk de Rn , se dice que u1 depende linealmente de
los vectores u2 , u3 , . . . , uk , o que es combinacion lineal de los mismos, si existen
escalares 2 , 3 , . . . , k tales que

u1 = 2 u2 + 3 u3 + . . . + k uk .

Definicion 1.11.4.
Se dice que los vectores u1 , u2 , . . . , uk de Rn son linealmente dependientes, lo
que abreviamos por (l.d), si alguno de ellos depende linealmente de los demas.
En caso contrario, diremos que u1 , u2 , . . . , uk son linealmente independiente,
y esto lo abreviamos por (l.i).
Ejemplo 1.11.5. Consideremos en R3 los vectores

u1 = (1, 0, 1), u2 = (2, 1, 0), u3 = (0, 1, 2)

Comprobemos que u1 , u2 son l.i.

Supongamos que u1 depende linealmente de u2 , entones existe R tal que
u1 = u2 . Esto es imposible pues

1 = 2
0 = (1)
1 = 0

16

Comprobemos que u1 , u2 , u3 son l.d.

Es inmediato comprobar que u3 = 2u1 u2 , luego u3 depende linealmente de
u1 , u2 . Por tanto, los vectores u1 , u2 , u3 son l.d.

Proposicion 1.11.6.

1) Los vectores u1 , u2 , . . . , uk son l.i. si y solo si

 
1 u1 + 2 u2 + . . . + k uk = 0 = 1 = 2 = = k = 0 .

2) Los vectores u1 , u2 , . . . , uk son l.d., si y solo si, existen 1 , 2 , . . . , k no todos

nulos, tal que
1 u1 + 2 u2 + . . . + k uk = 0.

1.11.2. Rango de un conjunto de vectores

Definicion 1.11.7.
Se llama rango del conjunto de vectores {v1 , v2 , . . . , vk } de Rn y se denota rg(v1 , v2 , . . . , vk )
al maximo numero de vectores l.i. entre ellos.

Ejemplo 1.11.8. Consideremos en R3 los vectores

v1 = (1, 0, 1), v2 = (2, 1, 0), v3 = (0, 1, 2)

Tenemos v2 = 2v1 v3 (estos vectores son l.d), mientras v1 y v2 son l.i. por tanto,
se tiene
rg(v1 , v2 , v3 ) = 2.

Ejemplo 1.11.9. Consideremos en R4 los vectores

v1 = (1, 0, 1, 1), v2 = (2, 1, 0, 1), v3 = (0, 1, 2, 2), v4 = (1, 0, 0, 0)

Supongamos que estos vectores son l.d. entonces existen 1 , 2 , 3 , 4 , no todos

nulos, tales que
1 v1 + 2 v2 + 3 v3 + 4 v4 = 0.
As que

1 +22 +4 =0
2 +3 =0

(F)

1 +23 =0
1 2 +23 =0

 17

Si denotamos

1 2 0 1 1 0
0 1 1 0 2
0
A=
1
, = , O= ,
0 2 0 3 0
1 1 2 0 4 0

el sistema (F) se escribe como A = O, y como det(A) = 1, la matriz A es

invertible. Por tanto
A1 A = A1 O = O
esto significa que todos los son nulos.
Luego los vectores v1 , v2 , v3 , v4 son l.i. por tanto

rg(v1 , v2 , v3 , v4 ) = 4.

1.11.3. Rango de una matriz

Definicion 1.11.10. Sea A una matriz de tipo m n y sea

vi = (ai1 , ai2 , . . . , vin ), con 1 i m,

sus m filas, que son vectores de Rn .

Se llama rango de A, y se denota rg(A) al rango de dichos vectores, esto es,

rg(A) = rg(v1 , v2 , . . . , vm ).

Ejemplo 1.11.11. Sea A la matriz

1 0 1
A = 2 1 0
0 1 2

Consideramos los vectores v1 = (1, 0, 1), v2 = (2, 1, 0) y v3 = (0, 1, 2).

Tenemos que
1
v1 = (v2 + v3 ).
2
Por otra parte sabemos que v1 y v2 son l.i.
Se deduce que
rg(A) = rg(v1 , v2 , v3 ) = 2.

Definicion 1.11.12. Se denomina menor de orden k de la matriz A Mmn ,

al determinante de una submatriz cuadrada de orden k (que se obtiene eliminando
filas y/o columnas en la matriz A).
18

Ejemplo 1.11.13. Sea A la matriz

1 1 0 2
A = 2 3 6 1
0 5 4 0

Los numeros      
 1 1   1 0   2 6 
 = 4;
 2 3  = 5;
     = 8.
 5 4   0 4 
Son algunos menores de orden 2 de la matriz A.

Teorema 1.11.14. El rango de la matriz A es el maximo orden de sus menores no

nulos.

Ejemplo 1.11.15. Consideramos la matriz

1 0 1
A = 2 1 0
0 1 2

Como det(A) = 0 y el menor

 
 1 0 
  = 1 6= 0, es de orden 2
 2 1 

tenemos que
rg(A) = 2.

Observacion 1.11.16.
1) El rango de una matriz es tambien el maximo de vectores columna l.i.

2) Si A en una matriz de tipo m n, entonces rg(A) mn{m, n}.

Proposicion 1.11.17. Sea A una matriz cuadrada de orden n. Las siguientes afir-
maciones son equivalentes:

1) Los n vectores fila de A son l.i.

2) rg(A) = n.

3) det(A) 6= 0.

4) Los n vectores columna de A son l.i.

Captulo 2

Sistemas de ecuaciones lineales

2.1. Definiciones basicas

Se pretende decidir si el sistema de m ecuaciones lineales con n incognitas


a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 +

a22 x2 + ... + a2n xn = b2
(2.1.1) .. .. .. .. ..


. . . . .
a x + am2 x2 + . . . + amn xn = bm
m1 1

admite alguna solucion, es decir, si existe alguna nupla (x1 , x2 , . . . , xn ) de es-

calares que satisfagan las ecuaciones (2.1.1) anteriores.
Las matrices

a11 a12 . . . a1n b1
a21 a22 . . . a2n b2
A = .. , B = .. y

.. . . .
.
. . . . .
am1 am2 . . . amn bm

a11 a12 . . . a1n b1
a21 a22 . . . a2n b2
Aa =

.. .. ... .. ..
. . . .
am1 am2 . . . amn bm

19
20

se denominan matriz de coeficientes, matriz de terminos independientes

y matriz ampliada, respectivamente, del sistema (2.1.1), mientras que

x1
x2
X = ..

.
xn

se llama matriz de incognitas.

Observacion 2.1.1. Con estas notaciones, el sistema (2.1.1) se expresa abreviada-

mente como
AX = B.

2.2. Teorema de Rouche-Frobenius

Teorema 2.2.1. El sistema de ecuaciones (2.1.1) tiene solucion si y solo si

rg(A) = rg(Aa )

Ejemplo 2.2.2. Consideramos el sistema siguiente:

2x1 x2 =3

4x1 + 2x2 = 0

donde    
2 1 a 2 1 3
A= , A = .
4 2 4 2 0
El sistema no tiene solucion, pues rg(A) = 1 y rg(Aa ) = 2.

Proposicion 2.2.3.

1) Si rg(A) = rg(Aa ) = n, el sistema (2.1.1) admite una unica solucion. En este

caso se dice que el sistema es compatible y determinado.

2) Si rg(A) = rg(Aa ) < n, el sistema (2.1.1) tiene mas de una solucion. En este
caso se dice que el sistema es compatible e indeterminado.

3) Si rg(A) 6= rg(Aa ), el sistema (2.1.1) no tiene solucion. En este caso se dice

que el sistema es incompatible.
 21

2.3. Regla de Cramer

Supongamos que en el sistema (2.1.1), m = n y det(A) 6= 0. En este caso, por
el Teorema de Rouche-Frobenius, el sistema tiene una unica solucion, es, para cada
i = 1, 2, . . . , n,

a11 . . . a1i1 b1 a1i+1 . . . a1n
a21 . . . a2i1 b2 a2i+1 . . . a2n
det ..

.. .. .. .. .. ..
. . . . . . .
an1 . . . ani1 bn ani+1 . . . ann
xi =
det(A)
Ejemplo 2.3.1. Resolver el siguiente sistema de ecuaciones:

2x1 3x2 + 5x3 = 1
4x1 + x2 + 2x3 = 2
2x1 3x2 + 11x3 = 1

Tenemos
2 3 5 2 3 5 1
A = 4 1 2 , Aa = 4 1 2 2
2 3 11 2 3 11 1
Este sistema tiene una unica solucion, ya que

rg(A) = rg(Aa ) = 3.

Por tanto la solucion del sistema es:

1 3 5
det 2 1 2
1 3 11 42 1
x1 = = = ,
det(A) 84 2

2 1 5
det 4 2 2
2 1 11 0
x2 = = = 0,
det(A) 84

2 3 1
det 4 1 2
2 3 1 0
x3 = = = 0.
det(A) 84
22

Ejemplo 2.3.2. Resolver el siguiente sistema de ecuaciones:

x1 3x2 + x3 = 4
x1 2x2 + 3x3 = 6
2x1 6x2 + 2x3 = 8

Tenemos
1 3 1 1 3 1 4
A = 1 2 3 , Aa = 1 2 3 6
2 6 2 2 6 2 8
El sistema tiene una infinitas soluciones, ya que

rg(A) = rg(Aa ) = 2 < 3

Los pasos a seguir son:

1. Detectar un menor no nulo de A.

 
 1 3 
Por ejemplo el menor   = 1 6= 0.
1 2 

2. Suprimir las ecuaciones que corresponden a las filas que no esten contenidas
en dicho menor de A.
Nosotros suprimimos la ultima ecuacion.

3. Pasamos a la derecha de la igualdad aquellas incognitas que correspondan a

las columnas que no esten en el menor elegido.

x1 3x2 = 4 x3
x1 2x2 = 6 3x3

4. Por ultimo resolvemos utilizando las formulas de Cramer

 
 4 x3 3 

 6 3x3 2 
x1 = = 2(4 x3 ) + 3(6 3x3 ) = 7x3 + 10
1
 
 1
 4 x3 
 1 6 3x3 
x2 = = (6 3x3 ) (4 x3 ) = 2x3 + 2
1
Haciendo x3 = t, se tiene que el conjunto solucion es de la forma:

(x1 , x2 , x3 ) : x1 = 7t + 10, x2 = 2t + 2, x3 = t, para t R .
 23

Ejemplo 2.3.3. Resolver el siguiente sistema de ecuaciones:

2x1 x2 + x3 = 3
4x1 4x2 + 3x3 = 2
2x1 3x2 + 2x3 = 1

Tenemos
2 1 1 2 1 1 3
A = 4 4 3 , Aa = 4 4 3 2
2 3 2 2 3 2 1

El sistema no tiene solucion, ya que

rg(A) = 2 6= rg(Aa ) = 3.

2.4. Sistemas equivalentes

Definicion 2.4.1.
Dos sistemas de ecuaciones (con las mismas incognitas) se dice que son equiva-
lentes si tienen las mismas soluciones.

Proposicion 2.4.2. Un sistema de ecuaciones lineales es equivalente a cualquiera

de los sistemas que resultan de realizar operaciones elementales en el.

Ejemplo 2.4.3. El sistema de ecuaciones:

2x1 3x2 + 5x3 = 1
4x1 + x2 + 2x3 = 2
2x1 3x2 + 11x3 = 1

es equivalente al sistema

2x1 3x2 + 5x3 = 1
7x2 8x3 = 0
6x3 = 0

Utilizando la propiedad anterior, podemos resolver sistemas de ecuaciones lin-

eales buscando un sistema equivalente mas sencillo. Uno de los metodos de resolucion
de sistemas que utiliza esta propiedad es el metodo de Gauss
24

2.5. Metodo de Gauss

Todo sistema de ecuaciones lineales tiene un sistema equivalente escalonado. Es
decir, realizando sucesivas operaciones elementales podemos obtener un sistema con
una matriz escalonada.

El metodo de eliminacion de Gauss consiste en la eliminacion sucesiva de incogni-

tas a traves de una matriz escalonada.

Ejemplo 2.5.1. Resolver mediante el metodo de Gauss el siguiente sistema

x1 +
2x2 + 3x3 = 2
x1 x2 + x3 = 0


x1 + 3x2 x3 = 2
3x1 + 4x2 + 3x3 = 0

 
1 2 3 2  F1 1 2 3 2 
 F1
1 1 1 0  F2 0 3 2 2  F2 F1 = F20
 
1 3 1 2  F3 0 1 4 4 
 F3 F1 = F30
3 4 3 0  F4 0 2 6 6  F4 3F1 = F40

1 2 3 2  F1
0 0 14 14  0 0
 F20 + 3F3
0 1 4 4  F3
0 0 14 14  F40 + 2F30
Haciendo la ultima fila cero, dividiendo entre -14 la segunda fila y cambiandola
por la tercera obtenemos el sistema equivalente (escalonado).

x1 + 2x2 + 3x3 = 2
x2 4x3 = 4
x3 = 1

La solucion del sistema se obtiene comenzando por la ultima ecuacion, y susti-

tuyendo dicho valor sucesivamente en las ecuaciones anteriores. La solucion es, por
tanto, (1, 0, 1).

Observemos que el rg(A) = rg(Aa ) = 3 = n (numero de incognitas) , luego el

sistema es compatible determinado.
 25

2.6. Sistemas homogeneos

Definicion 2.6.1. Llamamos sistema homogeneo a aquel sistema cuyos terminos
independientes son todos nulos. Es decir

AX = O.

Observacion 2.6.2. El sistema AX = O admite la solucion trivial (x1 , x2 , . . . , xn ) =

(0, 0, . . . , 0)

Teorema 2.6.3. Un sistema homogeneo tiene soluciones no triviales si y solo si

rg(A) < n (numero de incognitas).
En este caso el sistema resulta compatible indeterminado y tiene un conjunto
infinito de soluciones.

Observacion 2.6.4. Un sistema homogeneo tiene soluciones no triviales si y solo

si det(A) = 0.

Proposicion 2.6.5. Cualquier combinacion lineal de soluciones de un sistema ho-

mogeneo es tambien una solucion del sistema.

Ejemplo 2.6.6. Resolver el sistema homogeneo y escribir las soluciones como com-
binacion lineal de terminos independientes

2x1 3x2 + x3 x4 + 2x5 = 0
3x1 x3 + x4 = 0
x1 + 3x2 2x3 + 2x4 2x5 = 0

Primero calculamos el rango de la matriz, para ello transformaremos la matriz

de coeficientes mediante operaciones elementales

2 3 1 1 2 2 3 1 1 2  F1
3 0 1 1 0 3 0 1 1 0  F2
1 3 2 2 2 0 0 0 0 0  F3 F2 + F1

Por tanto rg(A) = 2.

Como el numero de incognitas es 5, el sistema es compatible indeterminado.
Resolvemos el sistema mediante las formulas de Cramer siguiendo el metodo
anteriormente expuesto

2x1 3x2 = x3 + x4 2x5
3x1 = x3 x4
26

De esta manera las soluciones son

x1 = 13 t3 13 t4







x2 = 59 t3 59 t4 + 23 t5







x3 = t3 R




x4 = t4 R








x5 = t5 R

Podemos escribir las soluciones como combinacion lineal de vectores independi-

entes
1 5   1 5 
(x1 , x2 , x3 , x4 , x5 ) = t3 , , 1, 0, 0 + t4 , , 0, 1, 0
3 9 3 9

 2 
+ t5 0, , 0, 0, 1 .
3
 27

2.7. Resolucion de un sistema no homogeneo uti-

lizando un sistema homogeneo
Consideremos el sistema no homogeneo

a11 x1 + a12 x2 + . . .
+ a1n xn = b1
a21 x1 + a22 x2 + . . .

+ a2n xn = b2
(2.1.1) .. .. .. .. ..


. . . . .
a x + a x + ... + amn xn = bn
m1 1 m2 2

de m ecuaciones con n incognitas. Se denomina sistema homogeneo asociado

al que se obtiene sustituyendo las bi por cero.
Proposicion 2.7.1. La solucion general del sistema es igual a la suma de la solucion
del sistema homogeneo asociado y de una solucion del sistema.
Teorema 2.7.2. Sea v una solucion de (2.1.1). Existen k soluciones linealmente in-
dependientes del sistema homogeneo asociado u1 , . . . , uk , tal que todas las soluciones
de (2.1.1) son
v + 1 u1 + + k uk
donde i son numeros reales. A esta expresion se le denomina solucion general
del sistema y a v solucion particular del sistema.

Ejemplo 2.7.3. Sea el sistema

2x + y + t = 2
2z + 3t = 0
x + 3z = 1

que tiene como una de sus soluciones (10, 20, 3, 2). Calcular todas sus soluciones.

Estudiamos el sistema asociado homogeneo

2x + y + t = 0
2z + 3t = 0
x + 3z = 0

Tiene como solucion general (4,5; 10; 1,5; ). Si encontramos una solucion
particular del sistema inicial, podemos escribir sus soluciones como combinacion
lineal de estas. De esta manera

(x, y, z, t) = (10; 20; 3; 2) + (4,5; 10; 1,5; 1)

28
Captulo 3

Espacios vectoriales

3.1. Definicion de espacio vectorial

Se dice que un conjunto E tiene estructura de espacio vectorial sobre R si
estan definidas dos operaciones, la suma, +, de elementos de E (a los que se llama
vectores) y el producto, , multiplicar numeros reales por vectores, que satisfacen
las siguientes propiedades:
+
1) E E E la operacion suma cumple los siguientes axiomas:

1.1. Para cada x, y E, x + y E (operacion interna en E)

1.2. (x + y) + z = x + (y + z) x, y, z E (asociativa)
1.3. x+y =y+x x, y E (conmutativa)
1.4. Existe 0E E, (vector nulo), tal que x + 0E = x x E
1.5. Para cada x E existe x E tal que x + (x) = 0E

29
30

2) R E E la operacion producto cumple los siguientes axiomas:
2.1. Para cada R y cada x E x = x E
(operacion externa en E)
2.2. ()x = (x) , R y x E (asociativa)
2.3. (x + y) = x + x R y x, y E
(distributiva)
2.4. ( + )x = x + x R y x, y E
(distributiva)
2.5. Para cada x E se tiene 1x = x

Definicion 3.1.1. Por cumplirse las cinco primeras propiedades, que solo involu-
cran a la suma, se dice que el par (E, +), es un grupo abeliano. Y por cumplirse
las diez propiedades, se dice que la terna (E, +, ) es un espacio vectorial sobre
R.
Ejemplos 3.1.2.
1) El conjunto R es el ejemplo mas sencillo de espacio vectorial.
2) Sea n N, el conjunto
Rn = {(x1 , x2 , . . . , xn ) : xi R, para cada i = 1, . . . , n}
es un espacio vectorial sobre R.
3) Sean n, m N, el conjunto
n
o
Mmn = aij i=1,...,m matrices con m filas n columnas : aij R
j=1,...,n

es un espacio vectorial.
4) Sean n N, el conjunto
n
0


Mnn = aij i,j=1,...,n matrices cuadradas de orden n : aij R

 o
y det aij i,j=1,...,n = 0
no es espacio vectorial.
En efecto: consideramos las matrices
   
1 0 0 0
A= , B= M022
0 0 0 1
sin embargo  
1 0
A+B = / M022

0 1
 31

3.2. Subespacios vectoriales

Un subconjunto H del espacio vectorial (E, +, ) se llama subespacio vectorial
de E cuando, (H, +, ) con las mismas operaciones que E, es un espacio vectorial
sobre R.
Teorema 3.2.1. Un subconjunto H del espacio vectorial E es un subespacio vecto-
rial de E si y solo si

1) 0E H

2) , R y x, y H x + y H

Ejemplos 3.2.2.

1) Una recta del plano R2 que pasa por el origen (0, 0) se puede escribir como

H = (x1 , x2 ) R2 : a1 x1 + a2 x2 = 0, con ai R


es subespacio vectorial de R2 .

2) Un plano del espacio R3 que pasa por el origen (0, 0, 0) se puede escribir como

H = (x1 , x2 , x3 ) R3 : a1 x1 + a2 x2 + a3 x3 = 0, con ai R


es subespacio vectorial de R3 .

3) Sea A una matriz de tipo (m, n). Consideremos, en el espacio vectorial Rn , el

subconjunto H definido como

H = x = (x1 , . . . , xn ) Rn : Axt = O


es un subespacio vectorial de Rn .

4) Sea H = {(x, y) R2 : x2 + y 2 = 1}, un subconjunto de R2 . Observamos

que u = (1, 0), v = (0, 1) H, pero u + v = (1, 1)
/ H. Por tanto H no es un
2
subespacio vectorial de R .

3.3. Interseccion de subespacios

Definicion 3.3.1. Sean H1 y H2 dos subespacios de un mismo espacio vectorial E.
El conjunto
H1 H2 = {x E : x H1 y x H2 }
se llama la interseccion de H1 con H2 .
32

Proposicion 3.3.2. Dados dos subespacios vectoriales H1 y H2 de E. El conjunto

H1 H2 es un subespacio vectorial de E.

Observacion 3.3.3. Dados dos subespacios vectoriales H1 y H2 de E, la union

H1 H2 = {x E : x H1 o x H2 }

no es un subespacio vectorial de E.

Ejemplo 3.3.4. Las rectas

H1 = {(x, y) R2 : x = 0}, H2 = {(x, y) R2 : y = 0}

son subespacios de R2 , pero H = H1 H2 no lo es, pues los vectores u = (1, 0), v =

(0, 1) H pero u + v = (1, 1)
/ H.

3.4. Suma de dos subespacios

Definicion 3.4.1. Dados dos subespacios H1 y H2 de un mismo espacio vectorial
E, se define su suma como:

H1 + H2 = {x1 + x2 E : x1 H1 , x2 H2 }

que es un subespacio vectorial de E.

3.5. Suma directa de dos espacios

Definicion 3.5.1. Un espacio vectorial E es suma directa de dos de sus subespa-
cios H1 y H2 si:
1) H1 + H2 = E

2) H1 H2 = {0E }.

Para senalarlo se escribe H1 H2 = E.

Ejemplos 3.5.2.

1) El plano R2 puede escribirse como suma directa de dos rectas no coincidentes

que pasan por el origen, es decir,

R2 = {(x, y) R2 : y = x} {(x, y) R2 : y = x}

donde , R y 6=
 33

2) El plano R3 puede escribirse como suma directa de un plano que pasan por el
origen y una recta que le corta en este punto, es decir,

R3 = {(x, y, z) R3 : z = x + y} {(x, y, 0) R3 : y = x}

donde , , R \ {0}.

Observacion 3.5.3. Dos subespacios H1 y H2 de un espacio vectorial H son

complementarios,(suplementarios) si H1 H2 = H.

Proposicion 3.5.4. Sean H1 y H2 subespacios vectoriales de un espacio vectorial

E. Las siguientes afirmaciones son equivalentes:


1) H1 H2 = E.


2) P aratodo x Eexiste una descomposicion unica de la forma
x = x1 + x2 , con x1 H1 y x2 H2 .

3.6. Sistema generador de un espacio vectorial

Sea E un espacio vectorial sobe R y S = {e1 , e2 , . . . , en } (n 1) un sistema de
vectores en E.
Se dice que S es un sistema generador de E cuando cualquier vector de E se
puede expresar como combinacion lineal (c.l.) de los vectores de S.
Es decir, para cada x E, existen 1 , 2 , . . . , n R tales que

x = 1 e1 + 2 e2 + . . . + n en .

En tal caso se suele denotar E = span(S) = he1 , e2 , . . . , en i

Ejemplos 3.6.1.

1) S = {(1, 0, 2), (1, 0, 1), (1, 0, 0)} no es sistema generador de R3 porque el

vector (, 1, ) no es c. l. de la familia S.

2) S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es sistema generador de R3 .

3) S = {(1, 2, 3), (0, 1, 3), (0, 0, 2)} es sistema generador de R3 .

34

3.7. Dependencia lineal de vectores en un espacio

vectorial
Definicion 3.7.1. Sean v1 , v2 , . . . , vm vectores del espacio vectorial E. Se dice que
v1 depende linealmente de v2 , . . . , vm si v1 es combinacion lineal (c.l.) de
v2 , . . . , vm , es decir: existen 2 , 3 , . . . , m R tales que

v1 = 2 v2 + 3 v3 + + m vm

Definicion 3.7.2. Se dice que un conjunto finito S de vectores de E es linealmente

dependiente (l.d.), si existe un vector v S que es combinacion lineal del resto de
vectores de S.

Definicion 3.7.3. Se dice que un conjunto finito S de vectores de E es linealmente

independiente o libre (l.i.), si no es linealmente dependiente.

Proposicion 3.7.4.

1) Los vectores u1 , u2 , . . . , uk son l.i. si y solo si existen 1 , 2 , . . . , k R tales

que

1 u1 + 2 u2 + . . . + k uk = 0 entonces 1 = 2 = = k = 0

2) Los vectores u1 , u2 , . . . , uk son l.d. si y solo si existen 1 , 2 , . . . , k no todos

nulos, tal que
1 u1 + 2 u2 + . . . + k uk = 0

3.8. Base de un espacio vectorial

Una base del espacio vectorial E es un sistema generador S de E que ademas
es linealmente independiente (libre).

Ejemplos 3.8.1.

1) S = {(1, 0), (0, 1)} es una base de R2 .

2) Denotamos ei = (0, . . . , 0, 1, 0, . . . , 0) el vector de Rn cuyas coordenadas son

todas nulas, salvo la iesima que vale 1. El sistema

S = {e1 , e2 , . . . , en }

es una base de Rn . Se dice que S la base natural o canonica de Rn .

 35

3) Denotamos ij la matriz de tipo m n cuya entrada de la fila iesima y la

columna jesima vale 1 y el resto son nulas,

j

0 0

0
.. .. ..
. . .
ij = 0 1 0 i

. .. ..
.. . .
0 0 0

El sistema S = {ij : 1 i m, 1 j n} es una base de Mmn . Se dice

que S la base natural o canonica de Mmn . Cada matriz A = (aij ) Mmn
se escribe como X
A= aij ij .
1im
1jn

Teorema 3.8.2. Sea B una base del espacio vectorial E. Entonces cada vector de
E se expresa, de modo unico, como combinacion lineal de los vectores de B.
Es decir, si B = {v1 , . . . , vn } entonces:
n
X
n
x E, ! (1 , 2 , . . . , n ) R : x= i vi .
i=1

Los escalares 1 , 2 , . . . , n se llaman coordenadas del vector x.

Definicion 3.8.3. Sea E un espacio vectorial sobre R. Se dice que E es de tipo

finito cuando posee un sistema generador con un numero finito de vectores.

Teorema 3.8.4. Todo espacio vectorial de tipo finito tiene al menos una base.

Proposicion 3.8.5. Todas las bases de un espacio vectorial E 6= {0E } de tipo finito
tienen el mismo numero de vectores.

3.9. Dimension de un espacio vectorial

Sea S una base del espacio vectorial E. Se llama dimension de E al numero de
elementos de S y se denota dim(E).
36

Ejemplo 3.9.1.

1) dim(Rn ) = n
2) dim(Mmn ) = mn

Observacion 3.9.2. Si H es un subespacio de E, entonces

dim(H) dim(E).

Ademas, dim(H) = dim(E) H = E.

Proposicion 3.9.3. Sea E un espacio vectorial sobre R y sea dim(E) = n. Sea S
un subconjunto de E.
1) Si S tiene menos de n vectores, entonces S no es sistema generador de E.

2) Si S tiene mas de n vectores, entonces S es l.d.

3) Si S = {v1 , . . . , vn } es l.i., entonces S es base de E.

4) Si S = {v1 , . . . , vn } es un sistema generador de E, entonces S es base de E.

Teorema 3.9.4. Sean H1 y H2 dos subespacios de E, y sean H1 H2 y H1 + H2 la
interseccion y la suma de dichos subespacios, se tiene:

dim(H1 ) + dim(H2 ) = dim(H1 H2 ) + dim(H1 + H2 )

Proposicion 3.9.5. Sea E un espacio vectorial y dim(E) = n.

Sea B = {v1 , v2 , . . . , vm } E, (m n), un sistema l.i.(libre).
Entonces existen n m vectores vm+1 , vm+2 , . . . , vn de E tal que el conjunto

{v1 , v2 , . . . , vm , vm+1 , vm+2 , . . . , vn }

es base de E.

3.10. Cambio de Base

Sean B1 = {u1 , . . . , un } y B2 = {v1 , . . . , vn } dos bases del espacio espacio vecto-
rial de tipo finito E.
Entonces, para cada j = 1, 2, . . . , n, existen a1j , a2j , . . . , anj R tales que
n
X
uj = a1j v1 + a2j v2 + . . . + anj vn = aij vi , (F)
i=1
 37

es decir,

u1 = a11 v1 + a21 v2 + + an1 vn




u2 = a12 v1 + a22 v2 + + an2 vn
..



.
u = a v + a v + + a v
n 1n 1 2n 2 nn n

Definicion 3.10.1. Se llama matriz de paso (cambio de base) de la base B1

a la base B2 y se denota M (B1 , B2 ) a la que tiene por columnas las coordenadas de
los vectores de B1 respecto B2 , es decir,

a11 a12 a1n
a21 a22 a2n
M (B1 , B2 ) = ..

.. .. ..
. . . .
an1 an2 ann

Observacion 3.10.2. La matriz de paso permite calcular con sencillez las coorde-
nadas (x1 , x2 , . . . , xn ) de un vector v E respecto de la base B2 a partir de sus
coordenadas (1 , 2 , . . . , n ) respecto de la base B1 .
En efecto,
n
X
v = 1 u1 + 2 u2 + . . . + n un = j uj
j=1

sustituyendo el valor de cada uj que nos proporciona (F) obtenemos

n n
! n n
!
X X X X
v= j aij vi = aij j vi
j=1 i=1 i=1 j=1

es decir,
n
X
xi = aij j para cada i = 1, 2, . . . , n
j=1

en forma matricial
1 x1
2 x2
M (B1 , B2 ) =

.. ..
. .
n B1
xn B2
38

Ejemplo 3.10.3. Dadas las bases de R3 , B1 = {u1 , u2 , u3 } y B2 = {v1 , v2 , v3 }.

Hallar las coordenadas del vector x = u1 + 2u2 + 3u3 en la base B2 , sabiendo que

v1 = 3u1 + 2u2 u3
v2 = 4u1 + u2 + u3
v3 = 2u1 u2 + u3

Escribimos la matriz de cambio de base:

3 4 2
M (B2 , B1 ) = 2 1 1
1 1 1

Como las coordenadas del vector respecto a la base antigua son (1, 2, 3), escribimos

3 4 2 y1 1
2 1 1 y2 = 2
1 1 1 y3 3

As, una vez calculada la inversa de la matriz obtenemos,

y1 2 2 6 1
y2 = 1 1 5 7 2
8
y3 3 7 5 3

El vector pedido es x = ( 52 , 15
4
, 13
4
).

Observaciones 3.10.4.

1) Sean B1 = {u1 , . . . , un }, B2 = {v1 , . . . , vn } y B3 = {w1 , . . . , wn } tres bases del

espacio espacio vectorial E, entonces

M (B2 , B3 )M (B1 , B2 ) = M (B1 , B3 ).

2) En particular, B3 = B1 , y puesto que M (B1 , B1 ) = In se sigue que

M (B2 , B1 )M (B1 , B2 ) = In .

Por tanto M (B1 , B2 ) es invertible, y

1
M (B1 , B2 ) = M (B2 , B1 )
Captulo 4

Aplicaciones lineales

4.1. Definicion de aplicacion lineal

Sean A y B dos conjuntos y

f A B = {(x, y) : x A e y B}.

Se dice que f es una aplicacion o funcion de A en B si para cada x A

existe un unico y B tal que (x, y) f .
Definicion 4.1.1. Sean E y F dos espacios vectoriales sobre R, una aplicacion
lineal de E en F es una aplicacion f : E F tal que:

1) f (u + v) = f (u) + f (v) para todo u, v E.

2) f (v) = f (v) para todo v E y todo R.

En el caso en que E = F , se dice que f es un endomorfismo

Ejemplos 4.1.2.

1) La aplicacion

f : R R
x f (x) = 2x

es lineal.

39
40

2) La aplicacion
f : R3 R2
(x1 , x2 , x3 ) f (x1 , x2 , x3 ) = (2x1 + x2 + x3 , x1 + 3x2 + 2x3 )
es lineal.
3) Sean m, n N y A Mmn . Entonces la aplicacion
f : Rn Rm
u = (u1 , . . . , un ) f (u) = v = (v1 , . . . , vm )
donde v t = Aut es lineal.
4) La aplicacion
f : R2 R2
(x1 , x2 ) f (x1 , x2 ) = (x21 , x2 )


no es lineal, puesto que f 2(1, 0) = (4, 0) 6= (2, 0) = 2f (1, 0).

Observaciones 4.1.3.
1) Las aplicaciones lineales preservan el vector nulo, es decir, si
f : E F es lineal, entonces f (0E ) = 0F .

2) La aplicacion identidad del espacio vectorial E, se denota

IE : E E
u IE (u) = u
es una aplicacion lineal.
3) Sea f : E F es un aplicacion lineal y H un subespacio de E, entonces la
restriccion de f a H, que denotaremos
f |H : H F
es tambien lineal.
Teorema 4.1.4. (Determinacion de aplicaciones lineales)
Sean BE = {u1 , . . . , un } una base del espacio vectorial E, y {w1 , . . . , wn } un sub-
conjunto arbitrario de n vectores del espacio vectorial F .
Entonces, existe una unica aplicacion lineal f : E F tal que f (ui ) = wi para
cada i = 1, . . . , n.
 41

4.2. Matriz de una aplicacion lineal

Sean BE = {u1 , . . . , un } y BF = {v1 , . . . , vm } bases de los espacios vectoriales E
y F , y f : E F una aplicacion lineal.
Para cada ndice j = 1, 2, . . . , n, el vector f (uj ) es combinacion lineal de los
vectores de BF , es decir, existen a1j , a2j , . . . , amj R tales que para cada ndice
j = 1, 2, . . . , n, se tiene que:
m
X
f (uj ) = a1j v1 + a2j v2 + + amj vm = aij vi .
i=1

Definicion 4.2.1. Se llama matriz de f respecto de las bases BE y BF y se denota

M (f, BE , BF ), a la que tiene por columnas las coordenadas respecto de la base BF
de las imagenes mediante f de los vectores de BE , es decir,

a11 . . . a1j . . . a1n
a21 . . . a2j . . . a2n
M (f, BE , BF ) = ..

.. .. .. ..
. . . . .
am1 . . . amj . . . amn

coordenadas de f (uj )
respeto BF

Si E = F y BE = BF , se denota simplemente

M (f, BE ) = M (f, BE , BF )

y se le llama matriz del endomorfismo f respecto de la base BE .

Ejemplos 4.2.2.

1) Sean B1 = {e1 , e2 , e3 } y B2 = {v1 , v2 , v3 } dos bases en R3 . Sea f una aplicacion

lineal en R3 tal que

f (e1 ) = v1 v2 ; f (e2 ) = v2 ; f (e3 ) = v1 .

La matriz de f es
1 0 1
M (f, B1 , B2 ) = 1 1 0
0 0 0
42

2) Se considera la aplicacion
f : R3 R2
(1, 0, 1) (0, 1)
(0, 1, 1) (0, 2)
(1, 1, 0) (1, 1)

Calcular la matriz asociada a f en las bases canonicas de R3 y R2 .

Sean B3 = {e1 , e2 , e3 } R3 y B2 = {e01 , e02 } R2 las bases canonicas. Tenemos

que
u1 = (1, 0, 1) = e1 + e3
u2 = (0, 1, 1) = e2 + e3
u3 = (1, 1, 0) = e1 + e2

As que

e1 = (1, 0, 0) = 21 u1 12 u2 + 12 u3



e2 = (0, 1, 0) = 12 u1 + 12 u2 + 12 u3




e3 = (0, 0, 1) = 21 u1 + 21 u2 12 u3

Utilizando la aplicacion lineal sabemos que

f (1, 0, 0) = 12 f (u1 ) 21 f (u2 ) + 21 f (u3 )



f (0, 1, 0) = 21 f (u1 ) + 12 f (u2 ) + 12 f (u3 )




f (0, 0, 1) = 21 f (u1 ) + 21 f (u2 ) 21 f (u3 )

Y como f (u1 ) = (0, 1); f (u2 ) = (0, 2); f (u3 ) = (1, 1), entonces tenemos que
f (1, 0, 0) = ( 21 , 0); f (0, 1, 0) = ( 21 , 1); f (0, 0, 1) = ( 1
2
, 1)
Puesto que la base canonica de R2 es {(1, 0), (0, 1)}, podemos escribir


f (1, 0, 0) = 12 e01



f (0, 1, 0) = 12 e01 + e02




f (0, 0, 1) = 12 e01 + e02

La matriz de la aplicacion es
1 1
12
 
M (f, B1 , B2 ) = 2 2
0 1 1
 43

Observaciones 4.2.3.

1) Dos aplicaciones lineales f y g de E en F coinciden (f g) si y solo si

M (f, BE , BF ) = M (g, BE , BF ).

2) La matriz M (f, BE , BF ) permite calcular con sencillez las coordenadas (y1 , . . . , ym )

Pn
respecto de BF de la imagen f (u) de cada vector u = xj uj E. Tenemos
j=1
que
n
! n n m
X X
X X
f (u) = f xj u j = xj f uj = xj aij vi
j=1 j=1 j=1 i=1
m n
! m
X X X
= aij xj vi = yi vi .
i=1 j=1 i=1

Por la unicidad de los coordenadas de un vector respecto de una base, para

cada ndice i = 1, . . . , m, se tiene
n
X
yi = aij xj .
j=1

Esto se puede escribir como

y1 a11 . . . a1n x1
y2 a21 . . . a2n x2
.. = ..

.. .. ..
. . . . .
ym am1 . . . amn xn

Y = M (f, BE , BF )X
y se denomina ecuacion matricial de f respecto de las bases BE y BF .

4.3. Operaciones con Aplicaciones lineales

1) Suma de aplicaciones lineales. Sean f : E F y g : E F dos aplica-
ciones lineales del espacio E en F . Entonces

(f + g)(u) = f (u) + g(u) para u E.

44

2) Producto de un escalar por una aplicacion. Sea f : E F una aplicacion

lineal del espacio E en F . Entonces

(f )(u) = (f (u)) para R y u E.

3) Composicion de aplicaciones.
Dados tres espacios vectoriales E, F, G y dadas las aplicaciones lineales f :
E F y g : F G.
Se llama composicion de f con g, o f compuesta con g, y se denota
g f , en este orden, a la aplicacion

h = g f : E G


u h(u) = g f (u) .

Proposicion 4.3.1. Se verifica que:

1) (f g) h = f (g h).

2) (f + g) h = f h + g h.

3) h (f + g) = h f + h g.

4) (f g) = (f ) g = f (g).

4.4. Operaciones con matrices

Sean A y B las matrices asociadas a las aplicaciones lineales f y g entonces:

1) A + B es la matriz asociada a la aplicacion f + g.

2) A es la matriz asociada a la aplicacion f .

3) El producto de las matrices AB es la matriz de la aplicacion lineal composicion

f g.

Ejemplo 4.4.1. Sean f y g dos aplicaciones lineales de R3 en R3 definidas por

f (x1 , x2 , x3 ) = (x1 , x1 + x2 , x2 + x3 )
g(x1 , x2 , x3 ) = (x2 , 2x3 x1 , x1 x2 )
 45

1) Calcular las matrices asociadas a f y g respecto de las bases canonicas.

Sea S3 la base canonica de R3 respectivamente.

1 0 0 0 1 0
M (f, S3 , S3 ) = 1 1 0 M (g, S3 , S3 ) = 1 0 2
0 1 1 1 1 0

2) Determinar h1 = f + g, h2 = 3g, h3 = g f y h4 = f g.

h1 (x1 , x2 , x3 ) = (f + g)(x1 , x2 , x3 ) = f (x1 , x2 , x3 ) + g(x1 , x2 , x3 )

= (x1 , x1 + x2 , x2 + x3 ) + (x2 , 2x3 x1 , x1 x2 )
= (x1 + x2 , x2 + 2x3 , x1 + x3 ).

Producto por un escalar:

h2 (x1 , x2 , x3 ) = (3g)(x1 , x2 , x3 ) = 3(g(x1 , x2 , x3 ))

= (3x2 , 6x3 3x1 , 3x1 3x2 ).

Composicion de funciones:

h3 (x1 , x2 , x3 ) = (g f )(x1 , x2 , x3 ) = g(f (x1 , x2 , x3 ))

= g(x1 , x1 + x2 , x2 + x3 )
= (x1 + x2 , 2(x2 + x3 ) x1 , x1 (x1 + x2 ))
= (x1 + x2 , 2x2 + 2x3 x1 , x2 ).

h4 (x1 , x2 , x3 , x4 ) = (f g)(x1 , x2 , x3 , x4 )
= f (g(x1 , x2 , x3 , x4 )) = f ((x2 , 2x3 x1 , x1 x2 ))
= (x2 , x2 + 2x3 x1 , 2x3 x2 ).

3) Calcular las matrices asociadas a h1 , h2 , h3 y h4 .

1 1 0
M (f, S3 , S3 ) + M (g, S3 , S3 ) = 0 1 2
1 0 1

0 3 0
3M (g, S3 , S3 ) = 3 0 6
3 3 0
46

1 1 0
M (g, S3 , S3 ) M (f, S3 , S2 ) = 1 2 2
0 1 0

0 1 0
M (f, S3 , S3 ) M (g, S3 , S2 ) = 1 1 2 .
0 1 2
Ejemplo 4.4.2. Sean f y g las aplicaciones lineales cuyas ecuaciones son:
f : (x, y, z) f (x, y, z) = (x + 2y + 3z, x + y + 5z)
g : (u, v) g(u, v) = (u + v, 2u v, 3u 4v)
Hallar las composiciones f g y g f . Sean S3 y S2 las bases canonicas de R3 y R2
respectivamente.
Las matrices asociadas a cada una de las aplicaciones son:

  1 1
1 2 3
M (f, S3 , S2 ) = M (g, S2 , S3 ) = 2 1
1 1 5
3 4
Por tanto las ecuaciones pedidas son

x
g f : (x, y, z) M (g, S2 , S3 ) M (f, S3 , S2 ) y
z

0 3 8 x
g f (x, y, z) = 3 3 1 y
7 2 11 z
y
    
u 14 13 u
f g : (u, v) M (f, S3 , S2 ) M (g, S2 , S3 ) =
v 16 22 v

4.5. Imagen de una aplicacion lineal

4.5.1. Definiciones
Sean X e Y dos conjuntos, f : X Y una aplicacion, y A un subconjuntos de
X.
1) Se llama imagen directa por f de A al conjunto
f (A) = {y Y : x A con f (x) = y}.
 47

2) En particular, se llama imagen de f , a la imagen directa por f de X, y se

denota
Im(f ) = f (X).

4.5.2. Imagenes directas mediante aplicaciones lineales

Sean f : E F una aplicacion lineal y H un subespacio del espacio vectorial
de tipo finito E.
Proposicion 4.5.1.
1) La imagen directa f (H) es un subespacio vectorial de F .
2) El conjunto Im(f ) es un subespacio vectorial de F .
3) Si S es un sistema generador de H, entonces f (S) lo es de f (H).


4) Si S es una base de H, entonces dim f (H) dim(H).
Observacion 4.5.2. Si BE = {u1 , . . . , un } es una base de E, se tiene que
Im(f ) = span({f (u1 ), . . . , f (un )}).

4.5.3. Dimension de una imagen directa

Sean f : E F una aplicacion lineal y H un subespacio del espacio vectorial
E.
Sean S = {w1 , . . . , wr } un sistema generador de H y BF = {v1 , . . . , vm } una base
de F .
Tenemos que, f (H) esta generado por los vectores {f (w1 ), . . . , f (wr )}, que se
escribiran como combinacion lineal de los vectores de BF
f (wj ) = a1j v1 + + amj vm , para cada j = 1, 2, . . . , r.
Por lo tanto, la dimension de f (H) es el numero maximo de vectores l.i. de
{f (w1 ), . . . , f (wr )}, es decir,

a11 . . . a1n

a21 . . . a2n
dim f (H) = rg ..

.. ..
. . .
am1 . . . amn
Proposicion 4.5.3. Si BE es una base de E, entonces




dim Im(f ) = dim f (E) = rg M (f, BE , BF ) .
Definicion 4.5.4. Llamamos rango de una aplicacion lineal a la dimension de su
imagen .
48

4.6. Nucleo de una aplicacion lineal

4.6.1. Definicion
Sean X e Y dos conjuntos, f : X Y una aplicacion, y B un subconjuntos
de.
Se llama imagen inversa por f de B al conjunto

f 1 (B) = {x X : f (x) B}.

4.6.2. Imagenes inversas mediante aplicaciones lineales

Sean f : E F una aplicacion lineal y H un subespacio del espacio vectorial
de tipo finito F .
Proposicion 4.6.1. La imagen inversa f 1 (H) es un subespacio vectorial de E.
Definicion 4.6.2. Se llama nucleo de f , a la imagen inversa del subespacio {0F },
y se denota
ker(f ) = f 1 {0F } = {u E : f (u) = 0F }.

4.6.3. Dimension del nucleo de una aplicacion lineal

Sean f : E F una aplicacion lineal, BE = {u1 , . . . , un } y BF = {v1 , . . . , vm }
bases en E y F . Se tiene que,



dim ker(f ) = n rg M (f, BE , BF ) .

Por lo tanto
Proposicion 4.6.3.



dim ker(f ) + dim Im(f ) = dim(E).

Definicion 4.6.4. Se llama nulidad de una aplicacion lineal a la dimension de su

nucleo.

4.7. Ejemplo: Determinacion de la imagen y del

nucleo de una aplicacion lineal
Sea f : R5 R4 una aplicacion lineal dada por:

f (x1 , x2 , x3 , x4 , x5 ) = (y1 , y2 , y3 , y4 )
 49

tal que


y1 = x1 + 2x3 + x4 + 3x5
y2 = x1 + x2 + x3 + 2x4 x5


y3 = x2 x3 + x4
y4 = x1 + 2x3 + x4 + 4x5

Sean B1 = {u1 , u2 , u3 , u4 , u5 } y B2 = {v1 , v2 , v3 , v4 } las bases canonicas de R5 y

4
R , respectivamente.
La matriz de f respecto de estas bases es

1 0 2 1 3
1 1 1 2 1
M (f, B1 , B2 ) = 0 1 1 1 0


1 0 2 1 4
1) Calcular la dimension de la imagen de f .
Como
(1, 0, 2, 1, 3) = 5(1, 1, 1, 2, 1) + (0, 1, 1, 1, 0) 4(1, 0, 2, 1, 4)
y el menor
 
 1 0 3

 
 0 1 0
=1
 
 1 0 4



no es nulo, obtenemos que rg M (f, B1 , B2 ) = 3. Por tanto
dim Im(f ) = dim f (R5 ) = rg M (f, B1 , B2 ) = 3.

2) Calcular la dimension del nucleo de f .

Puesto que,
dim ker(f ) + dim Im(f ) = dim(R5 ),





dim(R5 ) = 5 y dim Im(f ) = 3, se consigue que


dim ker(f ) = 2.

4.8. Aplicaciones lineales inyectivas

4.8.1. Definicion
Sean X e Y dos conjuntos, f : X Y una aplicacion.
Si dice que f es inyectiva, si
x1 , x2 X, x1 6= x2 = f (x1 ) 6= f (x2 ).
50

4.8.2. Monomorfismo
Sea f : E F una aplicacion lineal. Se dice que f es monomorfismo si es
inyectiva.
Observacion 4.8.1. La restriccion de una aplicacion inyectiva es tambien inyectiva.
Proposicion 4.8.2. La aplicacion f es inyectiva si y solo si
ker(f ) = {0E }.
Proposicion 4.8.3. La aplicacion f es monomorfismo si y solo si existe una apli-
cacion lineal
g : F E tal que g f = IE .

4.9. Aplicaciones lineales sobreyectivas

4.9.1. Definicion
Sean X e Y dos conjuntos, f : X Y una aplicacion.
Se dice que f es sobreyectiva, si todos los elementos de Y son imagen de
algun elemento de X, esto es,
Im(f ) = f (X) = Y.

4.9.2. Epimorfismo
Sea f : E F una aplicacion lineal. Se dice que f es epimorfismo si es
sobreyectiva.
Proposicion 4.9.1. La aplicacion f es epimorfismo si y solo si existe una aplicacion
lineal h : F E tal que f h = IF .

4.10. Aplicaciones lineales biyectivas

4.10.1. Definicion
Sean X e Y dos conjuntos, f : X Y una aplicacion.
Si dice que f es biyectiva, si es inyectiva y sobreyectiva. En tal caso
y Y, ! (existe un unico) x X tal que f (x) = y.
Observacion 4.10.1. Solo si f es biyectiva, se define la aplicacion
f 1 : Y X
y f 1 (y) = x.
 51

4.10.2. Isomorfismo
Sea f : E F una aplicacion lineal. Se dice que f es isomorfismo si es
biyectiva.

Proposicion 4.10.2. Si f es isomorfismo, entonces su inversa

f 1 : F E

tambien es isomorfismo.

4.10.3. Caracterizacion de la isomorfa

Proposicion 4.10.3. Sea f : E F una aplicacion lineal entre espacios vectoriales
de dimension finita, las siguientes afirmaciones son equivalentes:

1) f es isomorfismo (biyectiva)

2) f es monomorfismo (inyectiva)

3) f es epimorfismo (sobreyectiva)

4) Im(f ) = f (E) = F

5) dim(E) = dim(F )

6) ker(f ) = {0E }

7) f 1 : F E es isomorfismo (biyectiva)

Proposicion 4.10.4. Sean E y F dos espacios vectoriales de dimension finita y

f : E F una aplicacion lineal. Entonces:


1) f es inyectiva si y solo si rg M (f, BE , BF ) = dim(E).


2) f es sobreyectiva si y solo si rg M (f, BE , BF ) = dim(F ).

4.10.4. Ejemplo
En R3 se considera la base B3 = {e1 , e2 , e3 }. Clasificar el endomorfismo f : R3
R3 dado por f (e1 ) = ae1 + e2 + e3 ; f (e2 ) = e1 + e2 + e3 ; f (e3 ) = e1 + be2 + e3 segun
los valores de a y b.
52

La matriz de la aplicacion lineal es

a 1 1
M (f, B3 , B3 ) = 1 1 b
1 1 1

Estudiamos la aplicacion segun el rango de la matriz de la aplicacion, mediante

transformaciones lineales obtenemos

1 1 1 1 1 1
M (f, B3 , B3 ) = a 1 1 a 1 0 0
1 1 b 0 0 b1
Por lo tanto podemos distinguir los siguientes casos:

1) Si a 6= 1 y b 6= 1 entonces el rango de la aplicacion es 3, por lo tanto

dim Im(f ) = dim f (R3 ) = dim(R3 ) = 3.

Luego la aplicacion es sobreyectiva. Y como

dim(R3 ) = rg M (f, B3 , B3 ) = 3

entonces la aplicacion es inyectiva. Por lo tanto f es automorfismo (endomor-

fismo biyectivo).

2) Si a = 1 y b 6= 1 entonces


rg M (f, B3 , B3 ) = dim(Im(f )) = 2

por lo que f no es sobreyectivo.

Ademas sabemos que

dim ker(f ) = dim(R3 ) dim Im(f ) = 3 2 = 1,

por lo que f no es inyectivo.

3) Si a 6= 1 y b = 1 igual que el anterior.

4) Si a = 1 y b = 1 entonces el rango de la matriz es 1, por lo que la aplicacion

no es sobreyectiva, ni inyectiva dim(ker(f )) = 2.
 53

4.11. Cambio de base

Sean f : E F una aplicacion lineal, BE , BE0 dos bases en E, y BF , BF0 dos
bases en F de manera que
Y = M (f, BE , BF )X.
Sea X un vector de E cuyas coordenadas respecto de la base BE son X =
x1 u1 + x2 u2 + + xn un sabemos que las coordenadas del vector en otra base se
calculan mediante la ecuacion matricial de cambio de base

X 0 = M (BE , BE0 )X.

De manera analoga en F , podemos escribir un vector Y = f (X) tal que Y =

y1 v1 + y2 v2 + + ym vm , entonces

Y 0 = M (BF , BF0 )Y.

El objetivo es encontrar una aplicacion lineal que lleve vectores de E respecto

de la base BE0 a vectores de F respecto de la base BF0 . Es decir, la matriz de la
aplicacion lineal tal que
Y 0 = M (f, BE0 , BF0 )X 0
Como

Y = M (f, BE , BF )X
X 0 = M (BE , BE0 )X
Y 0 = M (BF , BF0 )Y.

Entonces
Y 0 = M (BF , BF0 )M (f, BE , BF )M (BE , BE0 )1 X 0 .
Recordemos que como M (BE , BE0 ) es la matriz de cambio de base del espacio E es
invertible y
M (BE , BE0 )1 = M (BE0 , BE ).
Por tanto
Y 0 = M (BF , BF0 )M (f, BE , BF )M (BE0 , BE )X 0 .

Teorema 4.11.1.

M (f, BE0 , BF0 ) = M (BF , BF0 )M (f, BE , BF )M (BE0 , BE ).

54

Todo este cambio se puede recordar mediante el diagrama:

f
(E, BE ) (F, BF )
Pn Pm
X= xi ui Y = yi vi
i=1 i=1


0
M (BE , BE ) M (BF , BF0 )

y y
f
(E, BE0 ) (F, BF0 )
n m
X0 = x0i u0i Y0 = yi0 vi0
P P
i=1 i=1

Ejemplo 4.11.2. Sea la aplicacion lineal

f : R3 R2
(u1 , u2 , u3 ) f (u1 , u2 , u3 ) = (u1 u2 + 2u3 , u1 + 3u2 )

y consideremos en dichos espacios las bases

B2 = {(2, 1), (1, 1)} y B1 = {(1, 0, 1), (2, 1, 0), (0, 1, 1)}.
Las bases canonicas de R3 y R2 son
S3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y S2 = {(1, 0), (0, 1)} respectivamente.

1) Calcular la matriz de f asociada a las bases canonicas.

Tenemos que

f (1, 0, 0) = (1, 1) = (1, 0) + (0, 1)

f (0, 1, 0) = (1, 3) = (1, 0) + 3(0, 1)
f (0, 0, 1) = (2, 0) = 2(1, 0).

Por lo tanto, la matriz asociada a la aplicacion respecto de las bases R3 y R2

es:  
1 1 2
M (f, S3 , S2 ) =
1 3 0

2) Calcular la matriz de f asociada a B1 y B2 .

Consideramos las matrices de cambio de base de S3 a la base B1 y de S2 a la
B2 .
1 2 0  
2 1
M (B1 , S3 ) = 0 1 1 M (B2 , S2 ) =
1 1
1 0 1
 55

Sabemos que

M (f, B1 , B2 ) = M (B2 , S2 )1 M (f, S3 , S2 )M (S3 , B1 )1

as que
M (f, B1 , B2 ) = M (S2 , B2 )M (f, S3 , S2 )M (B1 , S3 ).

Por tanto

   1 2 0
1 11 1 2 0 1 1
M (f, B1 , B2 ) =
1 21 3 0
1 0 1
 
0 6 4
= .
1 11 7

Podramos haber calculado la matriz de la aplicacion haciendo:

f (1, 0, 1) = (1, 1) = v2
f (2, 1, 0) = (1, 5) = v1 + v2
f (0, 1, 1) = (1, 3) = v1 + v2

donde v1 = (2, 1) y v2 = (1, 1). De este sistema obtenemos = 6; =

11; = 4; = 7.

3) Calcular la matriz asociada a la aplicacion f respecto de las bases B1 y S2 .

Sabemos que

M (f, B1 , B2 ) = M (B2 , S2 )1 M (f, S3 , S2 )M (S3 , B1 )1

Por tanto

M (f, B1 , S2 ) = M (S2 , S2 )1 M (f, S3 , S2 )M (S3 , B1 )1 .

Entonces
M (f, B1 , S2 ) = M (f, S3 , S2 )M (B1 , S3 ).
Luego

  1 2 0  
1 1 2 0 1 1 = 1 1 1
M (f, B1 , S2 ) =
1 3 0 1 5 3
1 0 1
56

4) Calcular la matriz de f respecto de las bases S3 y B2 .

Sabemos que

M (f, B1 , B2 ) = M (B2 , S2 )1 M (f, S3 , S2 )M (S3 , B1 )1

Por tanto

M (f, S3 , B2 ) = M (B2 , S2 )1 M (f, S3 , S2 )M (S3 , S3 )1

Entonces
M (f, S3 , B2 ) = M (S2 , B2 , )M (f, S3 , S2 )
    
1 1 1 1 2 2 2 2
M (f, S3 , B2 ) = =
1 2 1 3 0 3 5 2
Captulo 5

Diagonalizacion de matrices

5.1. Autovalores y autovectores

Sea E un espacio vectorial y sea f : E E un endomorfismo de E.

1) Se dice que R es un autovalor (o valor propio) de f si existe un vector

v E, con v 6= 0E tal que f (v) = v, en cuyo caso se dice que v es un
autovector (o vector propio) de f asociada al autovalor .

2) Dado un autovalor R de f , el conjunto de todos los autovectores asociados

a es un subespacio vectorial llamado subespacio propio que notaremos

V = {v E : f (v) = v}.

Ejemplo 5.1.1.

f : R3 R3
(x, y, z) (x + y + z, 2y + z, 3z)

Tenemos que
f (1, 1, 1) = (3, 3, 3) = 3(1, 1, 1)
Por tanto 3 es un autovalor de f .

57
58

Calculemos el subespacio propio V3 asociado al autovalor 3:

(x, y, z) V3 f (x, y, z) = 3(x, y, z)

x + y + z = 3x x = z
2y + z = 3y y = z
3z = 3z z = z

Por tanto

V3 = span {(1, 1, 1)} .
Por otra parte no es difcil ver que 5 no es un autovalor de f .

Proposicion 5.1.2. Sea E un espacio vectorial de dimension n, f un endomorfismo

de E y sea A la matriz asociada a f respecto de una base de E. Dado R autovalor
de f , se verifica:

1) V = Ker(f I) = {v E : (f I)(v) = 0E }.

2) V es un subespacio vectorial de E.

3) dim(V ) = n rg(A I).

Observacion 5.1.3. Sea A una matriz cuadrada, llamamos autovectores y autoval-

ores de A a los autovectores y autovalores del endomorfismo f de matriz asociada
A.

5.2. Como calcular los autovalores y autovectores

Sea E un espacio vectorial y sea f : E E un endomorfismo de E de matriz
asociada A. Llamamos polinomio caracterstico de f al polinomio

P () = det(A I).

Proposicion 5.2.1. Dado R, se verifica:

es autovalor de f si, solo si, P () = det(A I) = 0.

Ejemplo 5.2.2. Consideremos el endomorfismo de R3 cuya matriz asociada respecto

de la base canonica es:
1 1 4
A = 3 2 1
2 1 1
 59

Su polinomio caracterstico sera:

 
 1 1 4 
 
P () =  3
 2 1  = 3 + 22 + 5 6.

 2 1 1 

Factorizando, se obtiene:
P () = (1 )(3 )(2 ).
Por tanto los autovalores de f son:

1 = 1
2 = 3
3 = 2

Ejemplo 5.2.3. El polinomio caracterstico

2 2 3
A= 0 2 2
0 0 2
es  
 2 2 3 
 
P () =  0
 2 2  = (2 )3 .

 0 0 2 
As pues P () tiene una unica raz de multiplicidad 3 y, en consecuencia, el unico
autovalor de A es = 2.
Ejemplo 5.2.4. Calcular los autovalores y los subespacios de autovectores corre-
spondientes, as como la dimension de los mismos de la aplicacion dada por la matriz
 
2 2
A=
5 1
El polinomio caracterstico de A es
 
 2 2 
P () = |A I| =   = 2 + 12
5 1 

Sus races son los autovalores buscados. Por lo tanto, 1 = 4 y 2 = 3.

El subespacio propio asociado a 1 = 4 estara formado por los vectores que

cumplen que Av = 4v, es decir por lo vectores (v1 , v2 ) que satisfacen el sistema
homogeneo (A + 4I)v = 0
    
2 2 v1 0
=
5 5 v2 0
60

El subespacio resultante es V1 = {(v1 , v2 ) R2 /v1 = v2 }, de manera analoga

calculamos el subespacio para el autovalor 2 = 3, obteniendo el subespacio V2 =
{(v1 , v2 ) R2 /5v1 +2v2 = 0}. La dimension de ambos subespacio es uno (dim(V1 ) =
dim(V2 ) = 2 1 = 1).

5.3. Propiedades de los autovalores y autovectores

Proposicion 5.3.1. Dada una matriz A de orden n. Entonces:

1) A y At tienen los mismos autovalores.

2) Si es un autovalor de A, entonces k es autovalor de kA.

3) Si es un autovalor de A, entonces k es autovalor de A kI.

1
4) Si es un autovalor de A y es A es regular, entonces
es un autovalor de
A1 .

5) Si es un autovalor de A, entonces n es autovalor de An .

Observacion 5.3.2. El polinomio caracterstico un endomorfismo no depende de la

base elegida.

Demostracion. Sean B y B 0 dos bases en un espacio vectorial E y f endomorfismo de

E. Sean A y A0 las matrices que representan a f en las bases B y B 0 respectivamente.
Sea P () = |A I| el polinomio caracterstico de la matriz A y sea Q() =
|A I| el polinomio caracterstico de la matriz A0 .
0

Llamemos C = M (B 0 , B) a la matriz de cambio de base de B a B 0 . Entonces

Q() = |A0 I| = |C 1 AC I|
= |C 1 AC C 1 IC|
= |C 1 (A I)C|
= |C 1 | |A I| |C|
= |A I| = P ()

Proposicion 5.3.3. Los autovectores de una aplicacion lineal correspondientes a

autovalores distintos dos a dos son linealmente independientes.
 61

5.4. Multiplicidades algebraicas y geometricas

Definicion 5.4.1. Sea E un espacio vectorial de dimension n y sea f un endomor-
fismo de E de matriz asociada A y un autovalor de f (o de A) :

1) Se llama multiplicidad algebraica de al orden de multiplicidad m de

como raz del polinomio caracterstico.
Esto es: el mayor exponente

m para el cual el factor ( )m aparece en la
descomposicion de P () .

2) Se llama multiplicidad geometrica de a la dimension d del subespacio

propio V asociado a .
Esto es:

d = dim(V ) = n rg(A I) .

Ejemplo 5.4.2. Consideremos la matriz

2 2 3
A= 0 2 2
0 0 2

Su polinomio caracterstico es P () = (2 )3 , luego A tiene un unico autovalor

= 2 de multiplicidad algebraica m = 3.
La multiplicidad geometrica de A es:

0 2 3
d = 3 rg(A 2I) = 3 rg 0 0 2 = 3 2 = 1.
0 0 0

Proposicion 5.4.3. Sea E un espacio vectorial de dimension n y sean f un en-

domorfismo de E y 1 , 2 , . . . , r sus distintos autovalores. Entonces para cada
i = 1, 2, . . . , r se verifica:
1 di m i .

5.5. Matrices diagonalizables

Definicion 5.5.1.

1) Una matriz cuadrada A es diagonalizable si existe una matriz diagonal D y

una matriz regular P (invertible) tales que

D = P 1 AP.
62

2) Diremos que el endomorfismo f : E E es diagonalizable si existe una

base de E tal que la matriz que representa a f en dicha base es una matriz
diagonal.
Proposicion 5.5.2. Un endomorfismo f : E E es diagonalizable si, y solamente
si, existe una base de E formada por autovectores de f .
Teorema 5.5.3. Sea f : E E un endomorfismo y sean 1 , 2 , . . . , r sus distintos
autovalores con multiplicidades algebraicas m1 , m2 , . . . , mr y geometricas d1 , d2 , . . . , dr ,
entonces f (o A) es diagonalizable si y solo si se verifica:
1) m1 + m2 + + mr = dim E.

2) di = mi para todo i = 1, 2, . . . , r.
Ejemplo 5.5.4. Sea A la matriz

3 1 1
A= 1 3 1
1 1 3

Su polinomio caracterstico es
 
 3 1 1 
 
P () =  1 3 1  = 3 + 92 24 + 20

 1 1 3 

Factorizando, se obtiene:
P () = (2 )2 (5 ).
As pues, los autovalores de A y sus multiplicidades algebraicas son:

1 = 2; m1 = 2
2 = 5; m2 = 1

Calculemos ahora las multiplicidades geometricas

1 1 1
d1 = 3 rg(A 2I) = 3 rg 1 1 1 = 3 1 = 2.
1 1 1

Para d2 , aplicando que 1 d2 m2 = 1, obtenemos que d2 = 1.

Tenemos por tanto
1 = 2 m1 = 2 d1 = 2
2 = 5 m2 = 1 d2 = 1
 63

Puesto que d1 = m1 , d2 = m2 y m1 + m2 = 2 + 1 = 3 = dim R3 , la matriz A es

diagonalizable y su forma diagonal sera

2 0 0
D= 0 2 0
0 0 5

Para calcular la matriz de paso, necesitamos bases de los espacios propios

1 1 1
A 2I = 1 1 1
1 1 1

1 1 1 x 0
(x, y, z) V2 1 1 1 y = 0
1 1 1 z 0
x + y + z = 0

Pasamos a parametricas
x =
V2 y=
z=

y de aqu obtenemos la base de V2

{(1, 1, 0), (1, 0, 1)}.

De igual forma
2 1 1
A 5I = 1 2 1
1 1 2

2 1 1 x 0
(x, y, z) V5 1 2 1 y = 0
1 1 2 z 0

2x + y + z = 0
x 2y + z = 0
x + y 2z = 0


xz =0

yz =0
64

As pues V5 tiene ecuaciones parametricas

x=
V5 y=
z=

y por tanto una base es {(1, 1, 1)}.

En consecuencia una base formada por autovectores es
{(1, 1, 0), (1, 0, 1), (1, 1, 1)}.
Es importante que los vectores de esta base esten en el mismo orden en que
figuran los autovalores correspondientes en la forma diagonal.
Finalmente la matriz de paso sera:

1 1 1
P = 1 0 1
0 1 1
En este momento hemos acabado y solo restara comprobar que efectivamente
D = P 1 AP :
1 2 1
3 3 3
3 1 1 1 1 1
P 1 AP = 1 1

2
3 3 3
1 3 1 1 0 1
1 1 3 0 1 1
1 1 1
3 3 3

1 2 1

3 3 3
2 2 5 2 0 0
1 1
2

= 2 0 5 = 0 2 0 =D
3 3 3
0 2 5 0 0 5
1 1 1
3 3 3

Ejemplo 5.5.5. Dado el siguiente endomorfismo, estudiar si es diagonalizable y en

caso afirmativo, calcular su diagonalizacion.
f (x1 , x2 , x3 ) = (11x1 10x2 + 5x3 , 4x2 , 15x1 10x2 + 9x3 )
I) En primer lugar calculamos la matriz asociada a dicho endomorfismo respecto
de la base canonica en R3 , obteniendo

11 10 5
A= 0 4 0
15 10 9
 65

Para saber si el endomorfismo es diagonalizable tenemos que calcular los au-

tovectores asociados a A, para ello calculamos el polinomio caracterstico P ().
 
 11 10 5 
 
P = 0 4 0  = (4 )(2 + 2 24)
 15 10 9 

Las races del polinomio son 1 = 6 y 2 = 4 cuyas multiplicidades algebraicas

respectivas son m1 = 1 y m2 = 2.
Calculemos ahora los subespacio propios:

V6 = {(x1 , x2 , x3 ) R3 : (A + 6I)x = 0}
= {(x1 , x2 , x3 ) R3 : x1 = x3 , x2 = 0}

V4 = {(x1 , x2 , x3 ) R3 : (A 4I)x = 0}
= {(x1 , x2 , x3 ) R3 : 3x1 + 2x2 x3 = 0}

Por lo tanto: dim(V1 ) = 1 = m1 y dim(V2 ) = 2 = m2 y como se cumple que:

1) d1 + d2 = 1 + 2 = 3 = dim R3
2) m1 = d1 y m2 = d2
entonces el endomorfismo es diagonalizable.

II) La matriz diagonal es, por tanto,

6 0 0
D= 0 4 0
0 0 4

Ademas como unas bases para los subespacios propios son

B1 = {(1, 0, 1)}

y
B2 = {(1, 0, 3), (0, 1, 2)},
una base en la que el endomorfismo es diagonal es

B = {(1, 0, 1), (1, 0, 3), (0, 1, 2)}

y se cumple que
A0 = P 1 AP
o bien que
A = P A0 P 1
66

donde
1 1 0
P = 0 0 1
1 3 2
Observacion 5.5.6. El hecho de que una matriz no sea diagonalizable puede ser
por dos causas:
1) Las races del polinomio caracterstico no pertenezcan al cuerpo en el que se
trabaja.
2) dim(V ) < m (multiplicidad algebraica del autovalor )
Ejemplo 5.5.7. La matriz  
0 1
A=
1 0
es diagonalizable en C, ya que sus autovalores son 1 = i y 2 = i, que son distintos
(ver Proposicion 5.3.3). Sin embargo no es diagonalizable en R.
Teorema 5.5.8 (Teorema espectral). Toda matriz simetrica es diagonalizable en
R.

5.6. Forma canonica de Jordan

El objetivo de este captulo, es simplificar la matriz asociada a una aplicacion
lineal.
A pesar que no todas las matrices son diagonalizables, existe una forma sencilla
de reducirlas mediante un cambio de base, esta forma se denomina matriz de
Jordan de la matriz dada.
La forma de Jordan no solo se utiliza para clasificar las aplicaciones lineales
en un espacio vectorial, sino que podemos utilizarla para realizar operaciones con
matrices.

5.6.1. Forma canonica de Jordan para matrices de orden 2

Sea f un endomorfismo de un espacio vectorial E y A su matriz asociada de
orden 2 respecto de la base B  
a b
A=
c d
A la matriz de Jordan la representamos mediante J. Si P es la matriz de cambio
de base de A a J, entonces se tiene que
J = P 1 AP
 67

o equivalentemente
A = P AP 1 .
El polinomio caracterstico es

P () = (a )(d ) bc

por lo que los autovalores seran las races de dicho polinomio. Consideremos los
siguientes casos:
Caso I. Las races del polinomio son distintas:
En este caso la matriz es diagonalizable y su forma de Jordan es la matriz
diagonal  
1 0
J=
0 2
Ejemplo 5.6.1. Encontrar la forma de Jordan J de
 
3 4
A=
2 3
y la matriz del cambio de base.
Como
 
 3 4 
P () =   = (3 )(3 ) + 8 = 2 1
2 3 

sus autovalores son 1 = 1, 2 = 1; su matriz de Jordan es

 
1 0
J= .
0 1
Calculemos los subespacios propios V1 y V1 .
Si 1 = 1, tenemos
    
2 4 x 0
v = (x, y) V1 (A I)v = 0 =
2 4 y 0
2x 4y = 0 x 2y = 0

as que,
V1 = ker(A I) = span({(2, 1)}) = {(2, 1) : R}.
Para 2 = 1 tenemos
    
4 4 x 0
v = (x, y) V1 (A + I)v = 0 =
2 2 y 0
x = y
68

as que,
V1 = ker(A + I) = span({(1, 1)}) = {(1, 1) : R}.
Tomando {(2, 1)} como base de V1 y {(1, 1)} como base de V1 obtenemos
   1
2 1 1 0 2 1
A= .
1 1 0 1 1 1

Caso II. Las races coinciden 1 = 2 = :

En este caso tenemos que calcular el subespacio propio:

V = Ker(A I).

1) Si dim(V ) = 2, entonces la matriz tambien es diagonalizable, ya que la

multiplicidad algebraica y geometrica coinciden, por lo tanto, la forma de Jordan
es:  
0
J=
0
2) Si dim(V ) = 1, entonces no podemos encontrar una base de autovectores de
E.
Lema 5.6.2. Si A tiene dos autovalores iguales entonces

(A I)2 = 0.

La idea es buscar una base para el espacio vectorial, que como tiene dimension
dos, necesitaremos dos vectores.
Sea V = Ker(A I)2 que, segun el Lema 5.6.2, coincide con E.
Como dim(V ) = 1 podemos encontrar v V V ; tomamos

u = (A I)v.

Los vectores u, v son linealmente independientes puesto que v

/ V y u V (ya
que
(A I)(u) = (A I) (A I)(v) = (A I)2 (v) = 0(v) = 0),

y ninguno de ellos es el vector nulo. Por tanto {u, v} es una base de E. Tenemos

(A I)(u) = 0 A(u) = u
(A I)(v) = u A(v) = u + v

La matriz de Jordan (que no es diagonal) es:

 
1
J= .
0
 69

5.6.2. Forma de Jordan para matrices de orden 3

Ejemplo 5.6.3. Calcular la forma de Jordan de la matriz

0 3 1
A = 2 1 1
2 1 1

1) El polinomio caracterstico satisface la ecuacion

P () = 3 22 + 4 + 8 = ( 2)( + 2)2

Por lo tanto los autovalores son = 2 (simple) y = 2 (doble).

2) Calculamos, ahora los subespacios propios asociados a cada autovalor:

Para = 2.

V2 = {(x1 , x2 , x3 ) R3 : x1 = x2 = x3 }

Una base para dicho subespacio es, por ejemplo, {(1, 1, 1)}, dimension 1.
Para = 2.

V2 = {(x1 , x2 , x3 ) R3 : x1 = x2 = x3 }

Una base para el subespacio es, por ejemplo, {(1, 1, 1)}, tambien de dimension 1.
Por lo tanto la matriz no es diagonalizable.

3) Calculamos Ker(A + 2I)2 = V .

V = {(x1 , x2 , x3 ) R3 : (A + 2I)2 x = 0}
= {(x1 , x2 , x3 ) R3 : x1 + x2 = 0}.

Una base para dicho subespacio es {(1, 1, 0), (0, 0, 1)}, que tiene dimension 2.

4) Puesto que V2 + V llena todo el espacio E, podemos elegir una base de E de

manera que la matriz de A sea, en este base, bastante sencilla.
En primer lugar elegimos un vector u1 V V2 , por ejemplo u1 = (0, 0, 1) y
sea
u2 = (A + 2I)u1 = (1, 1, 1)
y por ultimo tomamos un vector u3 = (1, 1, 1) V2 .
El conjunto {u1 , u2 , u3 } es una base de E y en esta base la expresion de la
aplicacion A que tiene a A como matriz es:
70

Au3 = 2u3 Au2 = u2 Au1 = u2 2u1

Con lo que la forma de Jordan es

2 0 0
J = 1 2 0
0 0 2

La matriz de paso es
0 1 1
P = 0 1 1
1 1 1
Por tanto
1
0 1 1 0 3 1 0 1 1 2 0 0
0 1 1 2 1 1 0 1 1 = 1 2 0
1 1 1 2 1 1 1 1 1 0 0 2

Ejemplo 5.6.4. Calcular la forma de Jordan de la matriz

2 1 1
1 1 0
0 1 3
1) Calculamos el polinomio caracterstico

P = 3 62 12 8 = ( + 2)2

Por lo que el autovalor es = 2 (triple).

2) Calculamos el subespacio propio asociado al autovalor

V2 = {(x1 , x2 , x3 ) R3 : x1 = x2 = x3 }.

Luego una base para el subespacio es {(1, 1, 1)}, que tiene dimension uno.

3) Como no existe una base de autovectores para todo el espacio tenemos que calcular
Ker(A + 2I)2 = V , obteniendo

V = {(x1 , x2 , x3 ) R3 : x1 = x3 }

Una base de V es, por ejemplo, {(1, 0, 1), (0, 1, 0)}, por lo que tampoco llena todo
el subespacio.
 71

Lema 5.6.5. Si A tiene tres autovalores iguales entonces (A I)3 = 0.

De esta manera, la cadena de subespacios es

V2 V V 0 = ker(A + 2I)3 = E

4) Construimos una base adecuada para el espacio vectorial. Tomamos un vector

u1 = (1, 0, 0) V 0 V que este en , ahora

u2 = (A + 2I)u1 = (0, 1, 0)

y u3 = (A + 2I)u2 = (1, 1, 1). Se cumple que

Au3 = 2u3 Au2 = u3 2u2 Au1 = u2 2u1 1

Con lo que la forma de Jordan es

2 0 0
J = 1 2 0
0 1 2

La matriz de paso es
1 0 1
P = 0 1 1 .
0 0 1

5.7. Aplicaciones
5.7.1. Potencia y exponencial de una matriz
Sea A una matriz cuadrada de orden n y J su forma de Jordan, tales que J =
1
P AP , entonces:

1) Ak = P J k P 1

2) eA = P eJ P 1

? Si J es una matriz diagonal, entonces

k1 0 0 e1 0 0
0 k 0 0 e2 0
2
J k = .. e J
=

.. . . .. .. .. . . ..
. . . . . . . .
0 0 kn 0 0 en
72

? Si J no es diagonal, entonces

Jk

0 0 eJ1 0 0
1
J2k e J2
0
k
0
J
0 0
J = . e =

.. .. .. .. .. ..

.. ..
. . . .
.

. .

0 0 Jnk 0 0 eJn

Sea Ji = (i I + Ni ) y ni el orden de Ji , donde

0 0 0
1 0 0
N =

.. ..
. .
0 0 1 0

entonces Jik = (i I + Ni )k , teniendo en cuenta que Nini = 0.

Ademas eJi se calcula de la siguiente forma.

1 0 0 0 0

1


1! 1 0 0 0


1 1


2! 1!
0 0 0

eJi = ei

.. .. .. .. ..

. . . . .




1 1 1
1 0

(ni 2)! (ni 3)! 1!



1 1 1
(ni 1)! (ni 1)! (n1 3)!
1!1 1
Ejemplo 5.7.1. Dada la matriz

2 0 0
0 2 0
0 1 2

Hallar eA .

Como la matriz que nos dan ya es diagonal por cajas

2 0 0
0 2 0
0 1 2
 73

Segun lo visto tenemos que calcular


e J1

A
e =
eJ2

Donde eJ1 = e2 y  
J2 2 1 0
e =e 1
1!
1
Por lo tanto
e2 0 0

eA = 0 e2 0
0 e2 e2

5.7.2. Teorema de Cayley-Hamilton

Teorema 5.7.2. Toda matriz A satisface su polinomio caracterstico.

Ejemplo 5.7.3. Sea J la forma de Jordan de la matriz A.

1 0 0
0 1 0
0 0 1/2
Calcular:
2A4 7A3 + 9A2 5A + I
Como el polinomio caracterstico de A es el mismo que el de una matriz semejante
a ella, es igual al polinomio caracterstico de J que es
1 5 1
P = (1 )2 ( )) = (3 2 + 2 )
2 2 2
Por el Teorema de Cayley-Hamilton se cumple que
5 1
(A3 A2 + 2A ) = 0 2A3 5A2 + 4A I = 0 2A4 5A3 + 4A2 A = 0
2 2
Por lo tanto

2A4 7A3 + 9A2 5A + I = 2A3 + 5A3 4A + I = 0.

74
Captulo 6

Conicas y cuadricas

6.1. Conicas o conos

Definicion 6.1.1. Se llama cono doble a la superficie obtenida al hacer girar una
recta alrededor de otra que la corta. La recta que gira se llama generatriz; la otra,
eje, y el punto de corte de ambas es el vertice del cono doble.

Ejemplo 6.1.2.

Definicion 6.1.3. Toda figura plana (elipse, hiperbola y parabola) que se obtiene
como interseccion de un doble cono recto con un plano que le corta se denomina
seccion conica.

Ejemplo 6.1.4.

75
76

Definicion 6.1.5. Sean X = (x1 , x2 ) e Y = (y1 , y2 ) dos puntos del plano metrico
R2 . Se llama distancia del punto X al punto Y , al numero no negativo
p
dist(X, Y ) = (y1 x1 )2 + (y2 x2 )2 .

6.2. La elipse
Definicion 6.2.1.
1) Una elipse es el conjunto de los puntos P = (x, y) del plano R2 cuya suma
de las distancias de P = (x, y) a dos puntos fijos y distintos, llamados focos,
F = (c, 0) y F 0 = (c, 0) (situados a distancia dist(F, F 0 ) = 2c), es constante
(2a), es decir:
dist(P, F ) + dist(P, F 0 ) = 2a,

es decir,
p p
(x + c)2 + y 2 + (x c)2 + y 2 = 2a

2) La elipse referida a sus ejes principal (OX) y secundario (OY ) admite por
ecuacion a:
x2 y 2
+ 2 = 1 (ecuacion reducida)
a2 b
donde b > 0 tal que a2 = b2 + c2 .

3) A los puntos de interseccion con los ejes (OX) eje principal y (OY ) eje
secundario (x = a e y = b) se les denominan vertices y al punto o
centro.

Ejemplo 6.2.2.

6.3. La hiperbola
Definicion 6.3.1.
 77

1) Se llama hiperbola que tiene por focos a los puntos F = (c, 0) y F 0 = (c, 0)
(situados a distancia dist(F, F 0 ) = 2c) y cuya constante es 2a R (donde
0 < a < c), al conjunto de los puntos P = (x, y) R2 tales que
dist(P, F ) dist(P, F 0 ) = 2a,
 

es decir, p 
p
 (x + c)2 + y 2 (x c)2 + y 2  = 2a
 

2) La hiperbola referida a sus ejes principal (OX) y secundario (OY ) admite por
ecuacion a:
x2 y 2
2 = 1 (ecuacion reducida)
a2 b
donde b > 0 tal que a + b = c2 .
2 2

3) A los puntos de interseccion de la curva con el eje (OX) eje principal,

(a, 0); (a, 0) se les llama vertices; y al punto O centro. Las asntotas son
las rectas
b b
y= x e y= x
a a
Si a = b, la hiperbola se llama equilatera, en este caso su ecuacion se escribe
x2 y 2 = a2 .

Ejemplo 6.3.2.

6.4. La parabola
Definicion 6.4.1.
1) Se llama parabola que tiene por foco al punto F y por directriz a la recta d
(situada a distancia p > 0 del foco, dist(F, d) = p; a p se le llama parametro
), al conjunto de los puntos P = (x, y) R2 tal que:
dist(P, F ) = dist(P, d) = nf dist(P, Q),
Qd
78

es decir, r
p 2 2
 p 
x + y = x + .

2 2
2) El eje de la parabola es la recta perpendicular a d que pasa por el punto
F = ( p2 , 0); tal eje corta la parabola en un punto, O, que se llama vertice.
3) La parabola, referida a su eje (OX) y a la tangente en el vertice O = (0, 0)
admite por ecuacion a

y 2 = 2px (ecuacion reducida)

Ejemplo 6.4.2.

6.5. Ecuacion general de una conica

Definicion 6.5.1.
1) Una conica es el lugar geometrico de los puntos del plano que verifican una
ecuacion de segundo grado en dos variables:

(F) a11 x2 + a22 y 2 + 2a12 xy + 2a01 x + 2a02 y + a00 = 0

(ecuacion general de una conica).

2) La matricial de la la conica es:


a 00 a 01 a 02 1
1 x y a01 a11 a12 x = 0.
a02 a12 a22 y

3) Denotaremos:

a00 a01 a02  
a11 a12
M = a01 a11 a12 A=
a12 a22
a02 a12 a22
 79
 

x
B= 2a01 2a02 X= .
y
La ecuacion matricial queda:

X t AX + BX + a00 = 0.

Ejemplo 6.5.2. La ecuacion

9x2 4xy + 6y 2 10x 29y 5 = 0.

Esta ecuacion se puede escribir en dos formas matriciales:

5 5 29


2
1
1 x y 5 9 2 x =0
29
2 2 6 y

y tambien
    

9 2 x
x
x y + 10 29 5=0
2 6 y y

6.6. Ecuacion reducida

Definicion 6.6.1. Sea E un espacio vectorial de dimension finita y sea B = {e1 , e2 , . . . , en }
una base de E.

1) Se dice que B es una base ortogonal si

< ei , ej >= eti ej = i1 j1 + + in jn = 0, i 6= j

donde ei = (i1 , . . . , in ) y ei = (i1 , . . . , in ).

2) Se dice que B es una base ortonormal si es ortogonal y ademas:

kei k = dist(0, ei ) = 1, i = 1, . . . , n.

Teorema 6.6.2. Sea C la conica de ecuacion

a11 x2 + a22 y 2 + 2a12 xy + 2a01 x + 2a02 y + a00 = 0.

Entonces existe una base B = {u1 , u2 } de R2 ortonormal respecto a la cual la

ecuacion de la conica es:
2 2
1 x0 + 2 y 0 + 2b1 x0 + 2b2 y 0 + a00 = 0, (ecuacion reducida).
80

6.7. Como eliminar el termino xy en (F)

El objetivo de esta seccion es obtener, a partir de la ecuacion general de una
conica, una ecuacion reducida en la que no aparece el termino xy, mediante un
cambio de base.
Sea B0 la base canonica (ortonormal) de R2 y sea C la conica que tiene en la
base B0 la ecuacion:
    

a11 a12 x
x
(F) x y + 2a01 2a02 + a00 = 0.
a12 a22 y y

El objetivo es eliminar el termino xy mediante un giro de los

ejes coordenados.

Paso 1. Calcular los autovalores 1 y 2 de

 
a11 a12
A= .
a12 a22

Paso 2. Calcular los autovectores u1 y u2 de A asociados a 1 y 2 . Tomamos

 
u1 u2
B= ,
ku1 k ku2 k

como una base ortonormal.

Paso 3. Sea P = M (B, B0 ) la matriz de cambio de base de B a B0 . Como A es
diagonalizable (Teorema espectral) entonces tenemos que
 
1 1 0
A = P DP , donde D = .
0 2

Por tanto    

x
1 x
x y A = x y P DP .
y y
Si (x0 , y 0 ) son las nuevas coordenadas de un punto de la conica C en la base B,
se tiene:  0   
x x
M (B, B0 ) 0 = .
y y
Luego
x0
   

x

x y A = x y PD .
y y0
 81

Por otra parte sabemos que

 t  !t t
x0 x0
 
x
Pt


x y = = P =
y y0 y0

y puesto que P t = P 1 (P es ortogonal, det(P ) = 1), obtenemos que

x y = x0 y 0 P 1 .

As que
x0
   
x 2 2
0 0
= 1 x0 + 2 y 0 .



x y A = x y D
y y0
Paso 4. La ecuacion (F) se transforma ahora en
x0
 
0 02 02


(F) 1 x + 2 y + 2a01 2a02 P + a00 = 0
y0
es decir,
(F)0 1 x02 + 2 y 02 + 2b1 x0 + 2b2 y 0 + a00 = 0
donde


a01 a02 P = b1 b2 .

6.8. Como obtener la ecuacion reducida

Caso I. det(A) = 1 2 > 0.
La ecuacion (F)0 puede escribirse de la forma
2 2
b2 b2
 
0 b1 0 b2
1 x + + 2 y + + a00 1 2 = 0
1 2 1 2
la traslacion dada por
b1
00 0
x =x + 1

b2
y 00 = y 0 +

2
transforma la conica en
2 2 b21 b2
1 x00 + 2 y 00 = a00 + + 2.
1 2
Pongamos
b21 b2
= a00 + + 2.
1 2
Por lo tanto 2 2
(F)00 1 x00 + 2 y 00 = .
82

1. Si 6= 0, se tienen los siguientes casos:

1.1. sig(1 ) = sig(2 ) = sig().

En este caso la conica es una elipse, de ecuacion reducida:
2 2
x00 y 00
+ =1
a2 b2

donde a2 = 1
, b2 = 2
.
1.2. sig(1 ) = sig(2 ) 6= sig().
En este caso la conica es una elipse imaginaria, no tiene ningun punto
real puesto que la igualdad (F)00 es imposible.

2. Si = 0,
2 2
(F)00 1 x00 + 2 y 00 = 0.
Como sig(1 ) = sig(2 ), la conica esta formada por dos rectas imaginarias
que se cortan en un punto real (x00 , y 00 ) = (0, 0).

Caso II. det(A) = 1 2 < 0. Tenemos que

2 2
(F)00 1 x00 + 2 y 00 = .

1. Si 6= 0. La conica es una hiperbola. Si a2 = 1 y b2 = 2 la ecuacion de

conica es: 2 2
x00 y 00
2 = 1.
a2 b
2. Si = 0. Como sig(1 ) 6= sig(2 ), podemos tomar 1 > 0, 2 < 0 (sin perdida
de generalidad). Se tiene que la conica es dos rectas que se cortan en un
punto:
2 2
a2 x00 b2 y 00 = ax00 + by 00 ax00 by 00 = 0

donde a2 = 1 y b2 = 2 . Las ecuaciones de la rectas son:

ax00 + by 00 = 0 y ax00 by 00 = 0.

Caso III. det(A) = 1 2 = 0. Podemos tomar 1 = 0, 2 6= 0 (sin perdida de

generalidad), (notese que los dos autovalores no pueden ser nulos a la vez, ya que
entonces A = 0).
La ecuacion (F) se transforma ahora en
 2
00 0 b2 b2
(F) 2 y + + 2b1 x0 + a00 = 0.
2 2
 83

Pongamos
b2
= a00 .
2
Se pueden presentar los siguientes casos:

1. Si b1 6= 0, entonces la conica es una parabola. Poniendo

00 0
x = x + 2b1
b2
y 00 = y 0 +

2

se obtiene la ecuacion 2
2 y 00 + 2b1 x00 = 0.

2. Si b1 = 0, se tiene:  2
0 b2
2 y + + = 0.
2
Hacemos la traslacion 00
x = x0
b2
y 00 = y 0 +

2

obtenemos: 2
2 y 00 + = 0.
Tenemos los siguientes casos:
2
2.1. Si = 0, la conica es la recta doble y 00 = 0.
2.2. Si 6= 0 y sig() 6= sig(2 ), la conica esta formada por dos rectas
paralelas:
(y 00 a)(y 00 + a) = 0
siendo a2 = 2 .
2.3. Si 6= 0 y sig() = sig(2 ), la conica esta formada por dos rectas
paralelas imaginarias, no tiene puntos reales.

Ejemplo 6.8.1. Estudiar la seccion conica

x2 6xy 7y 2 + 10x + 2y + 9 = 0.

La ecuacion matricial es:

    

1 3 x
x
x y + 10 2 + 9 = 0.
3 7 y y
84

Empezamos diagonalizando la matriz asociada

 
 1 3  2
 3 7  = + 6 16 = 0
 

que tiene valores propios = 2 y = 8.

Para obtener la base ortonormal de vectores propios calculamos:
    
9 3 x 0
= .
3 1 y 0
 
Luego puede tomarse v = 1 , 3 como vector propio para = 8 y
10 10

    
1 3 x 0
= .
3 9 y 0
 
nos da u = 3 , 1 como vector propio para = 2.
10 10
Por tanto !
1 310
10
P = 3 1
.
10 10

As que la ecuacion de la conica quedara:

!
1 310 x0

0 2 0 2

10
8(x ) + 2(y ) + 10 2 + 9 = 0.
3
10
1
10
y0

Es decir,
16 28
8(x0 )2 + 2(y 0 )2 + x0 y 0 + 9 = 0.
10 10
Ahora tenemos que realizar una traslacion para eliminar los terminos de grado
1; completando cuadros:
   2 
0 2 2 0 0 1 1
8 (x ) x = 8 x
10 10 10
8
= 8(x00 )2 +
10
donde
1
x00 = x0 ;
10
 85
   2 
0 2 14 0 0 7 49
2 (y ) y = 2 y
10 10 10
98
= 2(y 00 )2
10
con
7
y 00 = y 0 .
10
Sustituyendo en la ecuacion queda
8 98
8(x00 )2 + 2(y 00 )2 + +9=0
10 10
que resulta
4(x00 )2 (y 00 )2 = 0
o equivalentemente
(2x00 + y 00 )(2x00 y 00 ) = 0
por lo que se trata de un par de rectas que cortan.

6.9. Clasificacion de las conicas

Sea C la conica de ecuacion

a11 x2 + a22 y 2 + 2a12 xy + 2a01 x + 2a02 y + a00 = 0.

a00 a01 a02  
a11 a12
M= a01 a11 a12 A=
a12 a22
a02 a12 a22
Llamamos
1 = det(M ), 2 = det(A), 3 = a11 + a22

1. 1 6= 0

1.1. 2 > 0, elipse

1.1.1. sig(3 ) = sig(1 ), elipse imaginaria
1.1.2. sig(3 ) 6= sig(1 ), elipse real

1.2. 2 < 0, hiperbola

1.3. 2 = 0, parabola
86

2. 1 = 0

2.1. 2 6= 0
2.1.1. 2 > 0, un punto
2.1.2. 2 < 0, dos rectas que se cortan

2.2. 2 = 0, dos rectas paralelas.

6.10. Cuadricas
Definicion 6.10.1. Llamamos cuadrica al lugar geometrico de los puntos de R3
que verifican una ecuacion general de segundo grado entres variables:

a11 x2 + a22 y 2 + a33 z 2

+ 2a12 xy + 2a13 xz + 2a23 yz
+ 2a01 x + 2a02 y + 2a03 z + a00 = 0.

que puede ser expresada en forma matricial

a00 a01 a02 a03 1

a01 a11 a12 a13 x
1 x y z a02
= 0.
a12 a22 a23 y
a03 a13 a23 a33 z

Denotamos

a00 a01 a02 a03
a01 a11 a12 a13
a11 a12 a13
M =
a02
A = a12 a22 a23
a12 a22 a23
a13 a23 a33
a03 a13 a23 a33

x
B= 2a01 2a02 2a03 X = y .
z
se tiene:
X t AX + BX + a00 = 0.
 87

6.11. Clasificacion de las cuadricas

Consideramos los numeros:

I4 = det(M ), I3 = det(A)

     
 a a   a11 a13   a22 a23
I2 =  11 12

+ + 
a12 a22   a13 a33   a23 a33 

I1 = tr(A) = a11 + a22 + a33 .

Caso I. I4 6= 0.

1. Si I3 6= 0

1.1. I3 I1 > 0 e I2 > 0

1.1.1 I4 > 0 Elipsoide imaginario
1.1.2 I4 < 0 Elipsoide real
1.2. I3 I1 0 e I2 > 0 o I3 I1 < 0
1.2.1. I4 > 0 Hiperboloide de una hoja
1.2.2. I4 < 0 Hiperboloide de dos hojas

2. Si I3 = 0

2.1. I4 > 0 Paraboloide hiperbolico

2.2. I4 < 0 Paraboloide elptico

Caso II. I4 = 0.

1. I3 6= 0

1.1. I3 I1 > 0, I2 > 0 Cono imaginario

1.2. Otro caso. Cono real

2. I3 = 0 Cilindro o un par de planos

Ejemplo 6.11.1. Para la cuadrica

2xy 6x + 10y + z 31 = 0
88

tenemos  
 31 3 5 1/2 
 
 3 0 1 0  1
I4 =  =
 5 1 0 0 
 4
 1/2 0 0 0 
 
 0 1 0 
 
I3 =  1 0 0  = 0
 0 0 0 
     
 0 1   0 0   0 0 
I2 =  + + =0
1 0   0 0   0 0 
I1 = 31
Puesto que I4 > 0 e I3 , se trata de un paraboloide hiperbolico.
Captulo 7

Funciones

7.1. Funciones reales de variable real

Definicion 7.1.1. Una funcion se dice real de variable real si tanto los valores
que toma como la variable, son numeros reales.

Observacion 7.1.2. Como solo vamos a considerar funciones de este tipo, a partir
de ahora diremos simplemente funciones.

Ejemplo 7.1.3.
f : R R
x 2x 1

g : R R
x x2 + 9

h : R R
x x1
Para saber que valor toman en un punto dado, basta sustituir y operar. As,

f (3) = 2 3 1 = 5
g(1) = 12 + 9 = 1 + 9 = 8
1 1
h(7) = =
7 7

89
90

Definicion 7.1.4. Llamamos dominio de una funcion f al conjunto de numeros

reales en los que esta definida, y lo denotaremos por D(f ).

Ejemplo 7.1.5.

1) El dominio de ln(x) (logaritmo neperiano) es el intervalo (0, +).

1
2) El dominio de h(x) = x
es R {0}.

sin(x)
3) El dominio de tg(x) = cos(x)
es
n     o
R , + , + 2 , . . . .
2 2 2

7.2. Funciones definidas a trozos

Muchas veces las funciones vienen definidas a trozos, como la del ejemplo
siguiente.
2

x si x 21



f (x) = 2x si 21 < x 1




x + 3 si x > 1

Para saber que valor toma una funcion como esta en un punto x0 dado, lo primero
que debemos hacer es determinar en que trozo del dominio se encuentra.

Por ejemplo, calculemos f (3), f (1), f (7).

Como 3 > 1, el punto 3 esta en el tercer trozo y as

f (3) = 3 + 3 = 0

El segundo punto, x = 1, pertenece al segundo trozo, y por tanto,

f (1) = 2 1 = 2.

Finalmente, 7 12 , luego

f (7) = (7)2 = 49.

 91

7.3. Representacion grafica de una funcion

Definicion 7.3.1. La representacion grafica de la funcion f , es el dibujo que se
obtiene al unir los puntos representados por los pares (x, f (x)).

1
Ejemplo 7.3.2. f (x) = 2x 1, g(x) = x2 + 9, h(x) = x

Ejemplo 7.3.3.
2
x si x 12
f (x) = 2x si 21 < x 1
x + 3 si x > 1

Ejemplo 7.3.4.

gt si 0 t t0
v(t) =
vf + cet si t t0

donde vf , c y son tales que v(t0 ) = gt0 = vf + cet0 .

Esta funcion puede representar la velocidad a la que un paracaidista que se lanza

en el instante t = 0 y abre su paracadas en el instante t = t0 . Hasta el instante
t = t0 , despreciamos el rozamiento del aire. Por tanto, cae con un movimiento
uniformemente acelerado, con la aceleracion de la gravedad g.
92

Cuando abre el paracadas, s que debemos contar con el rozamiento del aire
(es vital). Se puede ver que la funcion v(t) nos da una razonable aproximacion de
lo que sucede. Nos dice que la velocidad disminuye (se produce una frenada), pero
no disminuye mas alla de un cierto valor vf (velocidad final), al que se aproxima
conforme transcurre el tiempo.

7.4. Lmites
Dado una funcion f , si cogemos un punto x0 de la recta y tomamos puntos x
cada vez mas proximos a x0 , podemos preguntarnos que ocurre con los valores de
f (x), se acercan a algun numero?
Alguien podra contestar: Pues claro, se acerca a f (x0 ).

Para muchas funciones esta respuesta es correcta, pero para otras, no. Basta que
miremos la grafica de la funcion f para observar que esto no ocurre en el punto
x0 = 12 , donde: 2
x si x 12
f (x) = 2x si 21 < x 1
x + 3 si x > 1

Si
nos acercamos a x0 = 12 por puntos x > 21 , los valores f (x) no se aproximan

a f 12 = 14 , sino a 1. Sera entonces 1, en vez de f 21 , el numero que buscamos?

Tampoco, pues si nos acercamos a 12 por puntos x < 21 , los valores f (x) no se acercan
a 1.

En resumen, al aproximarnos a 21 , los valores de f no se aceran ni a f 1

2
, ni a
ningun otro numero.
 93

Definicion 7.4.1 (Informal). Decimos que un numero l es el lmite de f en x0 ,

si al tomar puntos x cada vez mas proximos a x0 (por su izquierda y derecha), pero
distintos de x0 , los valores de f (x) se aproximan a l.
En este caso decimos que f (x) tiende a l cuando x tiende a x0 , y escribimos

lm f (x) = l o f (x) l cuando x x0

xx0

Definicion 7.4.2. Sea f una funcion y x0 R. Sea l un numero. Decimos que l es

el lmite de f en x0 , y escribimos lm f (x) = l, si para todo > 0 existe algun
xx0
> 0 tal que,

si x (x0 , x0 + ), entonces f (x) (l , l + ).

Nota 7.4.3. Cuando hablamos del lmite de una funcion en x0 R, se siempre

tomamos puntos distintos de x0 , por tanto, el valor de la funcion en el punto
x0 no tiene ninguna importancia. De hecho, en muchos casos, la funcion ni
siquiera esta definida en este punto.
sin(x)
Ejemplo 7.4.4. La funcion f (x) = x
no esta definida en 0, pero s tiene lmite
en 0. Veremos mas adelante que
sin(x)
lm =1
x0 x
Observacion 7.4.5. Algunas funciones tienen un comportamiento diferente si nos
acercamos al punto x0 por su derecha x > x0 o por su izquierda x < x0 . Incluso en
algunos casos solamente es posible aproximar por un lado, pues por el otro no tiene
sentido.
Por ejemplo, si f (x) = x, carece de sentido acercarse a x0 = 0 por la izquierda
ya que la funcion no esta definida por valores negativos.
Definicion 7.4.6. El numero l es el lmite por la derecha de f (x) en x0 , si al
tomar puntos x, x > x0 , cada vez mas proximos a x0 , los valores f (x) se aproximan
a l. En este caso escribimos

lm f (x) = l o f (x) l cuando x x+

0
xx+
0

> 0, > 0 : si x (x0 , x0 + ), entones f (x) (l , l + ).

Analogamente hablamos de lmite por la izquierda, que denotamos:

lm f (x) = l o f (x) l cuando x x

0
xx0

> 0, > 0 : si x (x0 , x0 ), entones f (x) (l , l + ).

94

Ejemplo 7.4.7.

Definicion 7.4.8. Una funcion f tiene lmite en un punto x0 si y solo si en dicho

punto existen los lmites laterales lm+ f (x) y lm f (x) y coinciden. En este caso:
xx0 xx0

lm f (x) = lm+ f (x) = lm f (x).

xx0 xx0 xx0

O, expresado de forma abreviada:

lm f (x) = l lm+ f (x) = lm f (x) = l.

xx0 xx0 xx0

Ejemplo 7.4.9. Tomemos la funcion f (x) = |x| x

. Esta funcion esta definida para
todo numero real x excepto para x0 = 0. Observemos que en realidad se trata de la
funcion 
1 si x < 0
f (x) =
1 si x > 0

Por tanto, para cualquier numero real c, c 6= 0, tenemos

lm = f (c).
xc

En cambio, en el punto 0,

lm = 1 6= lm+ = 1.
x0 x0

As que la funcion f no tiene lmite en el punto 0.

 95

7.5. Lmites en el infinito

Definicion 7.5.1. Decimos que un numero l es lmite de la funcion f (x) cuan-
do x tiende a +, si al considerar numeros x cada vez mas grandes, los valores
de f (x) se aproximan a l. Es decir,
> 0, N R+ (tan grande) : si x > N, entonces f (x) (l , l + )
En este caso, escribimos:
lm f (x) = l o f (x) l cuando x +
x+

Analogamente hablamos de lmite por la izquierda, que denotamos:

lm f (x) = l o f (x) l cuando x
x

> 0, N R+ (tan grande) : x < N = f (x) (l , l + ).

1
Ejemplo 7.5.2. Sea la funcion f (x) = x

Tanto si nos fijamos en la grafica, como si vamos dando valores a x, es claro

que a medida que x aumenta, su inverso x1 se hace mas pequeno, tan pequeno como
queramos, es decir:
1
lm = 0.
x+ x
Ocurre lo mismo cuando x se hace muy grande en valor absoluto pero negativo:
1
lm = 0.
x x

7.6. Lmites infinitos

Definicion 7.6.1. Decimos que una funcion f (x) tiene lmite infinito (+ o
) cuando nos acercamos a un punto x0 por uno de sus lados, o por ambos, o
cuando hacemos tender x a + o a . Escribimos
lm f (x) = + () M > 0, > 0 : f (x) > M
xx0


f (x) < M cuando x (x0 , x0 + ).
96

lm+ f (x) = + () M > 0, > 0 : f (x) > M

xx0


f (x) < M cuando x (x0 , x0 + ).

lm f (x) = + () M > 0, > 0 : f (x) > M

xx0


f (x) < M cuando x (x0 , x0 ).

lm f (x) = + () M > 0, N > 0 : f (x) > M

x+()


f (x) < M cuando x > N (x < N ).
1
Ejemplo 7.6.2. Sea la funcion f (x) = x

1 1
lm = lm+ = +
x0 x x0 x

Ejemplos 7.6.3.

1
1) f (x) = x2

1 1
lm = + lm+ = +
x0 x2 x0 x2
 97

2) f (x) = 2x 1

lm (2x 1) = + lm (2x 1) =
x+ x

3) f (x) = x2 + 9

lm (x2 + 9) = lm (x2 + 9) =
x+ x

7.7. Operaciones con lmites

Proposicion 7.7.1. Sean f y g dos funciones tales que

lm f (x) = l R y lm g(x) = l0 R.
xx0 xx0
98

Entonces:

lm f (x) + g(x) = lm f (x) + lm g(x) = l + l0

1)
xx0 xx0 xx0

lm f (x) g(x) = lm f (x) lm g(x) = l l0

2)
xx0 xx0 xx0

3) lm f (x) = lm f (x) = l, donde R

xx0 xx0

lm f (x) g(x) = lm f (x) lm g(x) = l l0

4)
xx0 xx0 xx0

lm f (x)
f (x) xx0 l
5) lm = = 0 , si l0 6= 0.
xx0 g(x) lm g(x) l
xx0

Observacion 7.7.2. En el resultado anterior, tanto x0 como l y l0 pueden ser

numeros reales o tambien + o , solamente hay que tener cuidado con las
indeterminaciones:
l 0
+ , 0 (), , con l 6= 0, .
0 0
Ejemplo 7.7.3. Calcular:

2 6x2 + 3x 43
1) lm (3x 2x + 9), 2) lm
x2 x1 x+3
Comencemos por el primero. Gracias a los propiedades anteriores tenemos:

lm (3x2 2x + 9) = lm 3x2 lm 2x + lm 9
x2 x2 x2 x2
= 3 lm x 2 lm x + 9 = 3 22 2 2 + 9 = 17.
2
x2 x2

El segundo es analogo:

6x2 + 3x 43 lm 6x2 + 3x 43
x1
lm =
x1 x+3 lm x + 3
x1
2
6 (1) + 3 (1) 43 40
= = = 20.
(1) + 3 2
Los lmites del ejemplo anterior son una pequena muestra de lo ocurre con los
polinomios. En general:
 99

Proposicion 7.7.4. Si p(x) y q(x) son polinomios y c es un numero real, entonces:

p(x) p(c)
lm = siempre que q(c) 6= 0.
xc q(x) q(c)

En particular, lm p(x) = p(c).

xc

1
Observacion 7.7.5. Es un error comun despejar + en la igualdad +
= 0.
No es correcto.
1 1
6= 0 y 6 +.
=
+ 0
La razon esta en que x1 es muy grande si x si es muy pequeno, pero positivo,
y es muy grande en valor absoluto, pero con signo negativo, si x es muy pequeno y
negativo.
Con mas precision, lo que en realidad se tiene es:

Proposicion 7.7.6.

lm f (x) = l > 0
xc



f (x)
lm g(x) = 0 = lm = +
xc xc g(x)




g(x) > 0 para x proximo a c

lm f (x) = l > 0
xc



f (x)
lm g(x) = 0 = lm =
xc xc g(x)




g(x) < 0 para x proximo a c

Ejemplo 7.7.7. Estudiar

x+3 3
lm 2
y lm
x2 (x 2) x2 (x + 1)(x 2)

x+3
El lmite lm 2 es de la forma 0l , con l = 5 > 0, pero ademas observamos
x2 (x2)
que el denominador (x 2)2 es siempre positivo, luego:

x+3
lm = +.
x2 (x 2)2
100

En cuanto al segundo lmite, es de la forma 0l , con l = 3 > 0, pero ahora el

denominador (x + 1)(x 2) no siempre es positivo.
Observamos que si x es proximo a 2 y x > 2 entonces:

x + 1 > 0 y x 2 > 0 = (x + 1)(x 2) > 0

Por tanto,
3
lm+ = +
x2 (x + 1)(x 2)
En cambio, si x es proximo a 2 y x < 2 entonces:

x + 1 > 0 y x 2 < 0 = (x + 1)(x 2) < 0

Con lo cual,
3
lm =
x2 (x + 1)(x 2)
Naturalmente, puesto que los lmites laterales son distintos deducimos que no
existe
3
lm .
x2 (x + 1)(x 2)

Lo que acabamos de ver en el ejemplo anterior para dos lmites concretos de

cocientes de polinomios, lo podemos expresar con mas generalidad de la siguiente
forma:
Proposicion 7.7.8. Si p(x) y q(x) son polinomios y c es un numero real, entonces:
 
 p(x) 
lm   = + si q(c) = 0 y p(c) 6= 0.
xc  q(x) 

Ojo! si en el lmite anterior queremos quitar el valor absoluto, la cosa se compli-

ca, tal como hemos comprobado en el Ejemplo 7.7.7. Tenemos que cuidar los signos
y quizas distinguir entre lmite por la derecha y lmite por la izquierda.
p(x)
Observacion 7.7.9. Hemos estudiado el lmite de un cociente de polinomios q(x)
en un punto c R cuando

1) q(c) =6 0

2) q(c) = 0 y p(c) 6= 0.

0
Nos queda el caso p(c) = q(c) = 0, es decir, la indeterminacion de la forma 0
.
Pero este caso se reduce inmediatamente a los anteriores.
 101

Como estamos trabajando con polinomios, si p(c) = q(c) = 0 tanto p(x) como
q(x) son divisibles por (x c), o, si es posible, por (x c)2 , (x c)3 , etc. (ver el
ejemplo siguiente).
Ejemplo 7.7.10. Estudiar
3x 6
lm .
x2 x3 3x2 + 4
Tenemos lmite de la forma 00 .
Como 2 es raz del numerador 3x 6, este polinomio es divisible entre x 2. As,
obtenemos:
3x 6 = 3(x 2).
Por otra parte, 2 tambien es raz del denominado x3 3x2 + 4, por tanto x 2
divide este polinomio. As que,

x3 3x2 + 4 = (x 2)2 (x + 1).

Luego

3x 6 3(x 2) 3
lm = lm = lm
x2 x3 2 2
3x + 4 x2 (x 2) (x + 1) x2 (x 2)(x + 1)
Observamos que si x es proximo a 2 y x > 2 entonces:
3x 6 3
lm+ = lm = +
x2 x3 3x2 + 4 x2+ (x 2)(x + 1)
En cambio, si x es proximo a 2 y x < 2 entonces:
3x 6 3
lm = lm =
x2 x3 2
3x + 4 x2 (x 2)(x + 1)

Nota 7.7.11. Una vez que hemos estudiado el lmite de un cociente de poli-
nomios en un numero real c cualquiera, para completar nuestro trabajo es natural
preguntarse que sucede en + y en cuando el lmite de la forma

.
Para responder a esta pregunta, hay un truco que usaremos muy a menudo: di-
vidir numerador y denominador por la mayor potencia de x que aparece
en el denominador.
Ejemplo 7.7.12. Calcular:
x2 3 6x2 + 3x 4
lm , lm
x 2 x x+ x2 + 3
102

Tenemos:
 
3
x2 3 x 0
x
lm = lm   = = +
x 2 x x 2 01
x
1
   
3
2
6x + 3x 4 6 + x
x42 6+00
lm 2
= lm   = =6
x+ x +3 x+
1+ 3 1+0
x2

Ejemplo 7.7.13. Calcular:

3x4 2x3 + 9 , 5x3 4x

lm lm
x+ x

Tenemos:
  2   9 
4 3 4


lm 3x 2x + 9 = lm x 3 +
x+ x+ x x4
= (+)4 (3 0 + 0) = +

  4 
3 3
= ()3 (5 0) =


lm 5x 4x = lm x 5 2
x x x

Observacion 7.7.14. No se deben aprender como una lista de casos, sino mas
bien interesa entender lo que ocurre, para ser capaz en cada situacion de resolver el
problema.

7.8. Lmites de funciones y lmites de sucesiones

7.8.1. Lmite de una sucesion
Definicion 7.8.1. Decimos que el lmite de una sucesion (xn )n1 es el numero
l R si los terminos de dicha sucesion se van aproximando a l.
Tambien decimos que (xn )n1 tiende a l o (xn )n1 converge a l. Y lo escribi-
mos as
lm xn = l.
n+

Definicion 7.8.2. Se dice que el numero l R es el lmite de la sucesion (xn )n1 ,

si para todo > 0 existe n0 N tal que para todo n N con n n0 se tiene que

|xn l| < .
 103

7.8.2. Relacion entre el lmite de una funcion y de una suce-

sion
Cuando lm f (x) = l sabemos que al aproximarnos a c por puntos x 6= c, f (x) se
xc
aproxima a l.

Imaginemos que nos aproximamos a c a traves de una sucesion, es decir, que

tomamos una sucesion (xn )n1 convergente a c, con xn 6= c para todo
n N.
Entonces los valores f (xn ) se aproximaran a l, esto es la sucesion f (xn ) n1 con-
vergera a l.
Proposicion 7.8.3.

lm f (x) = l
xc




lm xn = c = lm f (xn ) = lm f (x) = l.
n+ n+ xc




donde xn 6= c para todo n N

En este resultado tanto c como l pueden ser numeros reales o .

Observacion 7.8.4. Cuando consideramos lmites por la derecha o por la izquierda
el resultado anterior sigue siendo valido con tal de que hagamos la modificacion
obvia.

7.8.3. Una aplicacion: Probar que no existe lm f (x)

xc
Ejemplos 7.8.5. Compruebe que no existen los lmites
1
lm sin y lm cos(x).
x0 x x+

I En el primer lmite observamos que la grafica de la funcion tiene infinitas

oscilaciones cerca del punto 0.

La idea entonces es tomar dos sucesiones (xn ) e (yn ), lo mas sencillas posible,
y de manera que:
104

1) Ambas tiendan a 0 y sean de terminos positivos.

2) Sus imagines por la funcion f sean lo mas distintas posible para que
tengamos
   
1 1
lm sin 6= lm sin .
n+ xn n+ yn

   
1 2
Las sucesiones (xn ) = e (yn ) =
n
satisfacen plenamente los req-
+4n
uisitos anteriores. Las dos son sucesiones de terminos positivos y convergen a
0. En cambio,

 
1
sin = sin(n) = 0 0
xn n+

   
1
sin = sin + 2n = 1 1
yn 2 n+

 
1
Por tanto, no existe lm+ sin x
.
x0

De forma analoga, poniendo un signo

  menos a las sucesiones anteriores, pode-
1
mos probar que no existe lm sin x .
x0

I Para comprobar que no existe lm cos(x), nos interesa encontrar una sucesion
x+

(xn )n1 de forma que lm xn = + y tal que cos(xn ) n no tenga lmite.
n+
Basta tomar (xn )n1 = (n)n1

Claramente lm n = + pero
n+

cos(xn ) n1 = cos(n) n1 = (1)n n1

no tiene lmite.
 105

7.9. Lmites y desigualdades

lm f (x) = l
xc




lm g(x) = l0 = l l0
xc




f (x) g(x) para todo x 6= c

lm f (x) = l
xc

= l b

f (x) b para todo x 6= c

lm f (x) = l
xc




lm h(x) = l = lm g(x) = l
xc xc




f (x) g(x) h(x) para todo x 6= c

(Criterio del sandwich)

|f (x)| g(x) para todo x 6= c

= lm f (x) = 0
xc
lm g(x) = 0
xc
106

7.10. Algunos lmites especiales

1 1
lm sin y lm sin no existen
x0+ x x0 x
sin(x)
lm =1
x0 x
 1 x
lm 1 + =e
x+ x
lm+ x ln(x) = 0
x0
lm ex = 0
x
1
lm x x = 1
x+

lm xx = 1
x0+
Captulo 8

Continuidad

8.1. Que es la continuidad?

Nuestro interes se centra en como se comporta una funcion f (x) cuando la vari-
able x esta cerca un punto dado x0 .

Definicion 8.1.1.
1) Dada una funcion f y un punto x0 de su dominio, decimos que f es continua
en x0 si
lm f (x) = f (x0 ).
xx0

2) Decimos que f es continua en un conjunto, si es continua en todos los

puntos de ese conjunto.
1 x1
Ejemplo 8.1.2. Las funciones f (x) = x7 3x + 5, g(x) = x
y h(x) = x2 4
, son
continuas. Sus graficas son las siguientes:

107
108

Nota 8.1.3. Cuando se dice que una funcion es continua, sin precisar mas, se
entiende que es continua en todo su dominio.
Observacion 8.1.4. Para la existencia de lmite de f en c, no influye para nada
el valor de f (c). De hecho, ni siquiera hace falta que este definida en dicho punto
(por ejemplo: f (x) = x1 y c = 0). Sin embrago, para la continuidad la cosa cambia
completamente: es fundamental el valor f (c).
Proposicion 8.1.5. Para que f sea continua en c se tiene que cumplir las tres
condiciones siguientes:

1) Que f este definida en c.

2) Que exista lm f (x) y que sea finito.

xc

3) Que el lmite anterior sea f (c): lm f (x) = f (c).

xc

Ejemplo 8.1.6. Estudiar la continuidad de la funcion:

2
x si x 12
f (x) = 2x si 21 < x 1
x + 3 si x > 1

La funcion esta definida en todo la recta real y es continua en cualquier punto

salvo en 12 , pues:
1) Si c 6= 12 , se cumple lm f (x) = f (c).
xc

2) No existe lm1 f (x), puesto que

x 2

! !
1
lm + f (x) = 1 6= lm  f (x) = .
1 1
4
x 2
x 2

Definicion 8.1.7 (Informal). Una funcion es continua en un intervalo si podemos

dibujar su grafica en ese intervalo sin levantar el lapiz del papel.
 109

Nota 8.1.8. Otro punto de vista que nos puede ayudar a entender el significado de
la continuidad es el siguiente:

Supongamos que f es una funcion cuya variable t es la temperatura (o cualquier

otra magnitud, como, la longitud, presion, etc.).
Y supongamos que queremos conocer f (t0 ), donde t0 es la temperatura
en un cierto instante.
Naturalmente lo primero que tenemos que hacer es medir dicha temperatura, pero
esto nos enfrenta con el problema de toda medida esta sujeta a error.
En otras palabras, para nosotros el valor exacto de t0 es sencilla-
mente desconocido.
Lo unico que sabemos es que el resultado de la medicion es un cierto valor t que
mas o menos se aproxima a t0 .
Como consecuencia, en vez de obtener f (t0 ), obtenemos f (t). Esper-
emos que si hemos cometido un error pequeno en la medicion (t es proximo

a t0 ),
obtengamos un error pequeno en el resultado f (t) es proximo a f (t0 ) .
Esto es precisamente lo que sucede cuando la funcion es continua
en t0 .

Ejemplos 8.1.9.
92
1) Dada la funcion f (x) = xx3 (para x 6= 3),podemos definir f (3) de manera
que la funcion resultante sea continua?
Desde luego podemos dar a f (3) cualquier valor, pero solo hay una forma de
conseguir que f sea continua en 3. Se debe cumplir:
f (3) = lm f (x)
x3

Ahora bien,
x2 9 (x 3)(x + 3)
lm f (x) = lm = lm = lm (x + 3) = 6
x3 x3 x 3 x3 x3 x3

As la funcion
x2 9

x3
si x 6= 3
f0 (x) =
6 si x = 3

es continua en 3.
9 2
Por otra parte, la funcion f (x) = xx3 es continua en su dominio (es decir, en
todo numero x, x 6= 3) por ser una funcion racional.
Por tanto f0 (x) es continua en toda la recta real.
110

2) Hacemos lo mismo con la funcion g(x) = x1 .

Tenemos que el lmite
1
lm g(x) = lm
x0 x0 x
no existe, luego no es posible definir esta funcion en 0 de manera que la funcion
resultante sea continua en dicho punto.

Como la continuidad viene definida mediante lmite de funciones y los lmites de

funciones estan relacionados con las sucesiones convergentes (seccion 1.8 del captulo
de Funciones), tenemos una conexion clara entre continuidad y sucesiones. Queda
expresada de la siguiente forma:

Proposicion 8.1.10.

lm xn = c
n+  
= lm f (xn ) = f lm xn = f (c).
n+ n+
f continua en c

8.2. Operaciones de funciones continuas

Proposicion 8.2.1. Si f (x) y g(x) son continuas en x0 y R, entonces las
funciones f (x) + g(x), f (x) g(x), f (x) y f (x) g(x) son continuas en x0 . La
funcion fg(x)
(x)
tambien es continua en x0 si g(x0 ) 6= 0.

Proposicion

8.2.2. Si f es continua en x0 y g continua en f (x0 ), entonces gof (x) =
g f (x) es continua en x0 .

Observacion 8.2.3. Las funciones que resultan mediante suma, producto, com-
posicion, etc., de los polinomios, funciones racionales, trigonometricas, etc., son
continuas.

Ejemplo 8.2.4. Podemos garantizar inmediatamente que

7 sin(x2 + 1) 1 + x2
o ln x3 cos2 (x + 7)


3 x 2 +3 cos(x)
xe
son continuas.
Quizas no sea tan inmediato cuales son sus dominios, pero tampoco es difcil dar
una respuesta: la primera esta definida en toda la recta real excepto en x = 0, y la
segunda solamente en los numeros reales positivos en los que no se anula cos(x + 7).
 111

8.3. Continuidad de funciones definidas a trozos

Para estudiar la continuidad de las funciones definidas a trozos, lo que tenemos
que cuidar son los puntos de empalme de los trozos.
Ejemplo 8.3.1. Estudia la continuidad de la funcion


|2x + 1| si x 0



f (x) = 4 x2 si 0 < x < 2



x5 11x10

x+3
si x 2
 Empecemos por el primer trozo. Si c < 0, tenemos
lm f (x) = lm |2x + 1| = f (c)
xc xc

Luego f es continua en c (un polinomio compuesto con la funcion valor abso-

luto).
 Que sucede en el punto 0?
Para los puntos menores que 0, la funcion f coincide con |2x + 1| y por tanto,
lm f (x) = lm |2x + 1| = 1.
x0 x0

Por el otro lado tenemos

lm+ f (x) = lm+ 4 x2 = 2
x0 x0

En el punto 0 los lmites laterales son distintos. Esto nos dice que la funcion
no tiene lmite en 0 y, por ello, que no es continua en dicho punto.
 La funcion f es continua en (0, 2) (un polinomio compuesto con la funcion raz
cuadrada)
 La funcion f es continua en (2, +) (funcion racional).
 Que ocurre en el punto 2?

lm f (x) = lm 4 x2 = 0
x2 x2

x5 11x 10 25 11 2 10
lm+ f (x) = lm+ = =0
x2 x2 x+3 2+3
Por tanto, en este caso s existe el lmite. Tenemos:
lm f (x) = 0 = f (2)
x2

Por tanto la funcion es continua en este punto.

112

En resumen, hemos visto que la funcion es continua en todos los puntos de la recta
real excepto en 0. Es decir, es continua en (, 0) (0, +).

Ejemplo 8.3.2. Estudia la continuidad de la funcion

 
x sin x1
si x 6= 0
f (x) =

0 si x = 0

Esta claro que la funcion f es continua en x si x 6= 0. El unico problema es

estudiar que ocurre en 0. Sabemos que
1
lm x sin = 0 = f (0).
x0 x
Deducimos que f es continua en 0, por tanto es continua en toda la recta real R.

Ejemplo 8.3.3. Estudia la continuidad de la funcion

 
sin x1
si x 6= 0
f (x) =

0 si x = 0

La funcion f es continua en x si x 6= 0. El unico problema es estudiar que ocurre

en 0. Pero
  ya vimos en el Ejemplo 1.8.5 del captulo de funciones, que no existe
lm sin x1 . Decimos que f no es continua en 0.
x0

8.4. La continuidad y el calculo de lmites

Hasta ahora hemos utilizado los lmites para estudiar la continuidad. Recpro-
camente, la continuidad tambien puede ser una excelente herramienta para calcular
lmites.

Proposicion 8.4.1.

lm f (x) = l
xc

 
= lm g f (x) = g lm f (x) = g(l).
xc xc
g continua en l

(el resultado tambien es valido si c = ).

 113
 
3x2
Ejemplo 8.4.2. Calcular lm sin x+7
.
x+
Tenemos:
   
3x 2 3x 2
lm sin = sin lm = sin(3) = 0.
x+ x+7 x+ x + 7

 
Ejemplo 8.4.3. Calcular lm ln sin(x)
x
, sabiendo que lm sin(x) = 1.
x0 x0 x
Tenemos:  sin(x)   sin(x) 
lm ln = ln lm = ln(1) = 0.
x0 x x0 x
Ejemplo 8.4.4. Calcular lm 1 .
x+ x x+1x x
1
El lmite es de la forma , es decir tenemos una indeterminacion en el de-
nominador. Para evitarla, vamos a multiplicar el numerador y el denominador de la
fraccion por el conjugado del denominador.

1 x x+1+x x
lm = lm
x+ x x + 1 x x x+ (x x + 1 x x)(x x + 1 + x x)

x x+1+x x
= lm 2
x+ x (x + 1) x2 x

x x+1+x x
= lm
x+ x2
 
x+1 x
= lm +
x+ x x
r r 
x+1 x
= lm 2
+
x+ x x2
r r 
1 1 1
= lm + +
x+ x x2 x
r r
1 1 1
= lm + 2 + lm
x+ x x x+ x
r r
1 1 1
= lm + lm 2 + lm
x+ x x+ x x+ x

= 0 + 0 + 0 = 0.

Observacion 8.4.5. Evidentemente, es esencial la existencia de lmite, por ejemplo,

sin(+) no tiene sentido, pues no existe lm sin(x).
x+
1
Ejemplo 8.4.6. Calcular lm e x2 , lm ex , lm+ ln(x), lm
tg(x) y lm arc tg(x).
x0 x+ x0
x
x 2
114

Tenemos
1
1 lm
I lm e x2 = e x0 x2
=e
=0
x0

I lm ex = e +
= +
x+

I lm ln(x) = ln(0+ ) =
x0+

sin(x)  
I lm
tg(x) = lm
= tg = +
x x
cos(x) 2
2 2

I lm arc tg(x) = arc tg() = .
x 2

Esto es consecuencia del siguiente resultado general (c y l pueden ser + o

).

Proposicion 8.4.7. Supongamos que l no esta en el dominio de una cierta funcion

g, pero que existe lm g(y).
yl
Denotemos g(l) = lm g(y). Entonces:
yl

lm f (x) = l
xc

 
= lm g f (x) = g lm f (x) = g(l).
xc xc
f (x) 6= l para x 6= c

1 x+7



Ejemplo 8.4.8. Estudiar lm arc tg x
y lm ln x2 1
.
x0 x+

   
1 1
lm+ arc tg = arc tg lm+ = arc tg(+) =
x0 x x0 x 2

   
1 1
lm arc tg = arc tg lm = arc tg() = .
x0 x x0 x 2
 115

1


Como los lmites laterales son distintos, no existe lm arc tg x
.
x0

   
x+7 x+7
lm ln 2
= ln lm
x+ x 1 x+ x2 1
q
1
+ x74
!
x3
= ln lm
x+ 1 12
x

= ln(0) = .

Proposicion 8.4.9.

lm f (x) = l > 0
xc
h(x)   lm h(x)
= lm f (x) = lm f (x) xc = lm .
xc xc
lm h(x) = m


xc

cos(x)
Ejemplo 8.4.10. Calcular lm (3 x2 )cos(x) y lm (2x2 + 5) sin2 (x) .
x1 x0

  lm cos(x) 1
lm (3 x2 )cos(x) = lm (3 x2 ) x1 = 2cos() = 21 =
x1 x1 2

 lm cos(x)
cos(x) 
2 2 x0 sin2 (x)
lm (2x + 5) sin2 (x) = lm (2x + 5) = 5+ = +.
x0 x0

8.5. Los grandes teoremas sobre continuidad

8.5.1. Teorema del maximo y del mnimo
Teorema 8.5.1 (Weierstrass). Si f es continua en un intervalo cerrado y acotado
[a, b], entonces f alcanza el maximo y el mnimo en [a, b], es decir, existen x1 y x2
en [a, b] tales que

mn f (y) = f (x1 ) f (x) f (x2 ) = max f (y)

y[a,b] y[a,b]

para todo x en [a, b].

Ejemplo 8.5.2.
116

Observacion 8.5.3. Una funcion puede tener varios puntos en los que se alcance
su maximo o su mnimo.

Ejemplo 8.5.4. La funcion

f : R R
x cos(x)

alcanza su maximo en los puntos x = 2k y su mnimo en los puntos x = k, donde

k Z.

8.5.2. Teorema de acotacion

Teorema 8.5.5. Si f es continua en un intervalo cerrado y acotado [a, b], entonces
f esta acotada en [a, b], es decir, existe M > 0 tal que

|f (x)| M para todo x [a, b].

Geometricamente, el hecho de que una funcion, en valor absoluto, este acotada

por un numero M > 0, se traduce en que su grafica esta entre las rectas y = M e
y = M .

Ejemplo 8.5.6. Estudiar si la funcion

ln sin2 (x) + 1


f (x) =
x2 9
 117

es acotada en los intervalos [4, 6], (2, 2) y (2, 3).

Como sin2 (x)+1 1 > 0 para cualquier numero real x, entonces, ln sin2 (x)+1

esta definida en toda la recta real. Por tanto, la funcion f es continua en todo su
dominio D(f ) = R {3, 3}.

f es continua en [4, 6], y por el teorema de acotacion esta acotada en dicho

intervalo.

f es continua en [2, 2], y por el teorema de acotacion esta acotada en dicho

intervalo. Con mayor razon esta acotada en (2, 2), que es un subconjunto de
[2, 2].

Aunque f es continua en (2, 3), para este intervalo no son validos los argu-
mentos anteriores, pues f no esta definida en el intervalo [2, 3] (no olvidemos
que no esta definida en 3).
Estudiemos el comportamiento de f al acercarnos a 3, es decir, estudiemos
lm f (x):
x3

Tenemos
2 2



lm ln sin (x) + 1 = ln sin (3) + 1 >0
x3






lm (x2 9) = 0

x3



2
x 9 = (x 3)(x + 3) < 0 para 2 < x < 3

ln sin2 (x) + 1


= lm =
x3 x2 9

Por tanto, f toma valores arbitrariamente grandes en valor absoluto (y nega-

tivos) en el intervalo (2, 3) y as, no esta acotada en dicho intervalo.

8.5.3. Teorema de los valores intermedios

Teorema 8.5.7. Sea f una funcion continua en un intervalo I y sean a, b dos puntos
de I. Supongamos f (a) < f (b) y sea un numero tal que

f (a) f (b).

Entonces existe un punto c entre a y b tal que f (c) = .

118

Informalmente, el Teorema nos dice que una funcion continua en un interva-

lo, cuando toma dos valores, toma todos los intermedios. Su significado queda
recogido en la figura siguiente:

Con un lenguaje geometrico mas preciso, esto significa que si f es continua en

un intervalo I, y a y b dos puntos de I, entonces cualquier recta horizontal entre
y = f (a) e y = f (b) corta la grafica de f en algun punto cuya abscisa esta entre a
y b.
Teorema 8.5.8 (Bolzano). Sea f una funcion continua en un intervalo I y sean
a, b dos puntos de I tales que f (b) < 0 < f (a). Entonces existe un punto c entre a
y b tal que f (c) = 0.

Observacion 8.5.9.
1) Tanto en el Teorema de valores intermedios como en el de Bolzano, no se
supone a < b.

2) Una forma de expresar que f (b) es negativo y f (a) es positivo es

f (a)f (b) < 0

Ejemplo 8.5.10. Demostrar que la ecuacion x = cos(x) tiene solucion.

Resolver x = cos(x) es lo mismo que resolver x cos(x) = 0. Por tanto, si
consideramos la funcion f (x) = x cos(x), solo tenemos que garantizar que se anula
en algun punto.
Desde luego f es continua en la recta real. As, si encontramos puntos en los que
f tome valores con distinto signo, por el Teorema de Bolzano, habremos terminado.
 119

Observemos que f (0) = 0 cos(0) = 1 < 0 y f 2 = 2 cos 2 = 2 .

Luego f se anula en algun punto.

Mas todava, podemos asegurar que f se anula

en algun punto del intervalo 0, 2 .

Ejemplo 8.5.11. Demostrar que x5 2x2 3x 7 = 0 tiene solucion.

Consideramos la funcion f (x) = x5 2x2 3x 7, que es continua en todo la
recta real (es un polinomio). Para ver que se anula en algun punto, basta probar
que hay en es positiva y puntos en que es negativa.
As vemos que, por ejemplo, f (1) = 11 < 0 y f (2) = 11. Por tanto, por el
Teorema de Bolzano, ya sabemos que f tiene una raz en el intervalo (1, 2).
120
Captulo 9

Derivabilidad

9.1. La derivada
Definicion 9.1.1. La derivada de una funcion f en el punto a D(f ), que
denotaremos f 0 (a), es:
f (x) f (a) f (a + h) f (a)
f 0 (a) = lm = lm
xa xa h0 h
siempre que el lmite anterior exista. En este caso, decimos que f es derivable en
a.
La expresion f 0 (a) se lee f prima de a. Tambien se emplean las notaciones:
d df
f (a) o (a)
dx dx
que se leen derivada de f respecto de x en a.
Decimos que f es derivable si f es derivable en a para todo a del dominio de
f.
Proposicion 9.1.2. Si f es derivable en el punto a, entonces f es continua en a.
Demostracion. Si f es derivable en a podemos escribir:
f (x) f (a)
(x a) = f 0 (a) 0 = 0


lm f (x) f (a) = lm
xa xa xa
es decir, f es continua en a.

121
122

Observacion 9.1.3. Hay funciones continuas que no son derivables, por ejemplo,
la funcion f (x) = |x| es continua en 0 pero no derivable (vease Ejemplo 9.2.7).


Proposicion 9.1.4. La recta tangente a la grafica de f en el punto a, f (a) tiene
por ecuacion
y f (a) = f 0 (a)(x a)
3
2 0 2

1 a la grafica de f (x) = x x, en el
Ejemplo 9.1.5. Encontrar la recta tangente
punto de abscisa 3 sabiendo que f 3 = 3 .

3
Como f 23 = 23 32 = 10 , el punto correspondiente a x = 23 es:


27
2  2  2 10 
,f = ,
3 3 3 27
Por tanto, la recta tangente sera:
 10  1  2 10 1 2 1 16
y = x y + = x y = x
27 3 3 27 3 9 3 27
y2 y1
El cociente tg() = x2 x1
recibe el nombre de pendiente de la recta tangente.

9.2. Significado de la derivada

Proposicion 9.2.1. La derivada es la pendiente de la recta tangente.

Dada
una funcion f , busquemos la tangente a su grafica en un punto

a, f (a) .


Las rectas que pasan por el punto a, f (a) tienen la forma:

y f (a) = m(x a), (m es la pendiente de la recta).

Segun

vara m, vamos recorriendo todas las rectas del plano que pasan por
a, f (a) (excepto la vertical).
 123

As pues, la pregunta cual es la recta tangente? significa simplemente que pen-

diente m debemos tomar?.

Una idea para encontrar esta pendiente, que no conocemos, es partir de pendi-
entes que s conocemos.
Para ello, tomamos puntos x proximos a a,
que expresamos de la forma

a + h, y
consideremos las rectas que pasan por a, f (a) y por a + h, f (a + h) .
Estas rectas tienen pendiente:

f (a + h) f (a)
h

Haciendo h mas y mas pequeno, nuestras rectas se aproximan mas y mas a la

tangente, es decir, sus pendientes se acercan mas y mas a la pendiente buscada.
En una palabra, la pendiente buscada sera:

f (a + h) f (a)
lm = f 0 (a)
h0 h
Ejemplo 9.2.2. Sea f (x) = mx + b. Calcular f 0 (x).
Tomemos un punto x cualquiera, se trata de calcular

f (x + h) f (x)
lm
h0 h
Tenemos:
f (x + h) f (x) m(x + h) + b (mx + b)
lm = lm
h0 h h0 h
mh
= lm = lm m = m
h0 h h0

As, obtenemos f 0 (x) = m para todo x.

124

Ejemplo 9.2.3. Sea g(x) = x2 . Calcular g 0 (x). Tomemos un punto x cualquiera, se

trata de calcular
g(x + h) g(x)
lm
h0 h
Tenemos:
g(x + h) g(x) (x + h)2 x2
lm = lm
h0 h h0 h
h2 + 2xh
= lm = lm (h + 2x) = 2x
h0 h h0

As, obtenemos g 0 (x) = 2x para todo x.

Definicion 9.2.4. Dada una funcion f definida en un intervalo I y un punto a I,
definimos la derivada lateral por la derecha de f en a como el lmite finito
f (x) f (a) f (a + h) f (a)
f+0 (a) = lm+ = lm+ .
xa xa h0 h
Analogamente se define la derivada lateral por la izquierda de f en a, f0 (a).
Nota 9.2.5. Si a es uno de los extremos de I solo tiene sentido una de las dos
derivadas laterales.
Observacion 9.2.6. La derivabilidad de f en a equivale a que las dos derivadas
laterales de f en a existan y sean iguales.
Ejemplo 9.2.7. Sea la funcion f (x) = |x|. Estudia en que puntos es derivable y
calcular la derivada cuando exista.

Observamos que dado x > 0, si h es suficientemente pequeno tenemos x + h > 0.

Por tanto, si x > 0:
f (x + h) f (x) |x + h| |x| x+hx
lm+ = lm+ = lm+ =1
h0 h h0 h h0 h

Analogamente, si x < 0, tambien tenemos x + h < 0 para valores pequenos de

h, por lo que:
f (x + h) f (x) |x + h| |x| (x + h) (x)
lm = lm = lm = 1
h0 h h0 h h0 h
 125

Luego
1 si x > 0
0
f (x) =
1 si x < 0

Sin embargo, para x = 0, tenemos:

f (0 + h) f (0) |h| h
f+0 (0) = lm+ = lm+ = lm+ =1
h0 h h0 h h0 h
f (0 + h) f (0) |h| h
f0 (0) = lm = lm = lm = 1
h0 h h0 h h0 h
As, los lmites laterales f+0 (0) y f0 (0) son distintos y deducimos que no existe
lm f (0+h)f
h
(0)
.
h0
Por tanto |x| no es derivable en 0.

Nota 9.2.8. Las funciones derivables son aquellas cuyas graficas son curvas suaves,
es decir, curvas que no tienen picos o esquinas
126

9.3. Tecnicas para el calculo de derivadas

Con la definicion de la derivada y las propiedades de los lmites, se obtienen unas
reglas que convierten el proceso de calcular derivadas en algo sencillo y mecanico.

9.3.1. Reglas basicas de derivacion

Sean f y g dos funciones definidas en un intervalo I y derivables, y R.
Entonces:
1) La funcion f + g es derivable, y se tiene que la derivada de la suma es la suma
de las derivadas, es decir,

0
f (x) + g(x) = f 0 (x) + g 0 (x) x I.

2) La funcion f es derivable, y se tiene que La derivada del producto de una

constante por una funcion es la constante por la derivada de la funcion, es
decir,
0
f (x) = f 0 (x) x I.

3) La funcion f g es derivable, y se tiene que La derivada de la diferencia es la

diferencia de las derivadas, es decir,

0
f (x) g(x) = f 0 (x) g 0 (x) x I.

4) La funcion f g es derivable, y se tiene que la derivada del producto de dos

funciones es la derivada de la primera por la segunda mas la primera por la
derivada de la segunda, es decir,

0
f (x)g(x) = f 0 (x)g(x) + f (x)g 0 (x) x I.

5) Si g(x) 6= 0 para todo x I entonces la funcion fg es derivable, y la derivada

del cociente viene dada de la siguiente forma:
0
f 0 (x)g(x) f (x)g 0 (x)

f (x)
=
2 .
g(x) g(x)

Observacion 9.3.1.
d
1) = ()0 = 0, donde R (funcion constante f (x) = )
dx
d
2) x = (x)0 = 1 (f (x) = x)
dx
 127

Ejemplo 9.3.2. Calcular la derivada de f (x) = 3x + 7.

Utilizando las propiedades 1 y 2, obtenemos:
f 0 (x) = (3x + 7)0 = (3x)0 + (7)0 = 3(x)0 + 0 = 3 1 = 3.
Ejemplo 9.3.3. Calcular la derivada de x2 y de x3 .
Utilicemos que x2 es el producto de x por s mismo. As podemos aplicar la
propiedad 3:
(x2 )0 = (x x)0 = (x)0 x + x (x)0 = 1 x + x 1 = 2x.
Utilizando esto, y de nuevo la propiedad 3:
(x3 )0 = (x2 x)0 = (x2 )0 x + x2 .(x)0 = 2x x + x2 1 = 3x2 .

Con la idea del Ejemplo 9.3.3 podemos calcular tambien la derivada de x4 , x5 ,

. . . En general, tenemos (basta utilizar induccion):
Proposicion 9.3.4.
(xn )0 = nxn1 .
Ejemplo 9.3.5. Calcular la derivada de
f (x) = 2x6 + 3x5 9x3 + 7x2 8x + 3.
Determinar la recta tangente a la grafica de f en el punto
(1, f (1)) = (1, 2).
Aplicamos las propiedades anteriores:
(2x6 + 3x5 9x3 +7x2 8x + 3)0 =
= (2x6 )0 + (3x5 )0 (9x3 )0 + (7x2 )0 (8x)0 + (3)0
= 2(x6 )0 + 3(x5 )0 9(x3 )0 + 7(x2 )0 8(x)0 + 0
= 2 6x5 + 3 5x4 9 3x2 + 7 2x1 8 1
= 12x5 + 15x4 27x2 + 14x 8
Por tanto,
f 0 (x) = 12x5 + 15x4 27x2 + 14x 8.
La recta tangente en el punto (1, f (1)) = (1, 2) es:
y (2) = f 0 (1)(x 1).
Como f 0 (1) = 12 15 + 15 14 27 12 + 14 1 8 = 6, la recta tangente sera:
y + 2 = 6(x 1) y = 6x 8.
128

Proposicion 9.3.6. La derivada de un polinomio de grado n es un polinomio de

grado n 1, es decir,

0
an xn + + a2 x2 + a1 x + a0 = nan xn1 + + 2a2 x + a1 .

Ejemplo 9.3.7. Calcular la derivada de xx1

2 +1 .

0
(x 1)0 (x2 + 1) (x 1)(x2 + 1)0

x1
=
x2 + 1 (x2 + 1)2
1 (x2 + 1) (x 1) 2x x2 + 2x + 1
= =
(x2 + 1)2 (x2 + 1)2

9.3.2. Derivadas de algunas funciones

1) La funcion exponencial:
d x
e = (ex )0 = ex .
dx
2) La funcion logaritmo neperiano:
d
0 1
ln(x) = ln(x) = .
dx x

3) Las funciones trigonometricas:

d
0
sin(x) = sin(x) = cos(x)
dx
d
0
cos(x) = cos(x) = sin(x)
dx
d
0 1
tg(x) = tg(x) =
dx cos2 (x)

x2 +7
Ejemplo 9.3.8. Calcular la derivada de sin(x) tg(x) + 3 cos(x) y la de sin(x)+cos(x)
.

0
0
0
sin(x) tg(x) + 3 cos(x) = sin(x) tg(x) + 3 cos(x)

0
0
0
= sin(x) tg(x) + sin(x) tg(x) + 3 cos(x)
1
= cos(x) tg(x) + sin(x) 2 3 sin(x)
cos (x)
tg(x)
= sin(x) + 3 sin(x)
cos(x)
tg(x)
= 2 sin(x).
cos(x)
 129
0
0
(x2 + 7)0 sin(x) + cos(x) (x2 + 7) sin(x) + cos(x)


x2 + 7

=
2
sin(x) + cos(x) sin(x) + cos(x)
2x sin(x) + cos(x) (x2 + 7) cos(x) sin(x)


=
2
sin(x) + cos(x)
(x2 + 2x + 7) sin(x) (x2 2x + 7) cos(x)
=
2
sin(x) + cos(x)

9.3.3. La regla de la cadena

Proposicion 9.3.9 (Regla de cadena). Si f es derivable en c y g es derivable en
f (c), entonces g f es derivable en c y

0
(g f )0 (c) = g f (c) = g 0 f (c) f 0 (c).

Ejemplo 9.3.10. Sea h(x) = sin(x2 + x + ). Calcular h0 (0) y h0 (x).

Para aplicar la regla de
la cadena, tomemos f (x) = x2 + x + , g(y) = sin(y).

As, tenemos h(x) = g f (x) = (g f )(x).
Por tanto:
h0 (0) = (g f )0 (0) = g 0 f (0) f 0 (0) = g 0 (02 + 0 + )f 0 (0)

Como f 0 (x) = 2x + 1 y g 0 (y) = cos(y), tenemos

h0 (0) = (g f )0 (0) = cos() (2 0 + 1) = (1) 1 = 1.
En general, tenemos:

0
h0 (x) = g f (x) = g 0 f (x) f 0 (x) = [cos(x2 + x + )](2x + 1)

= (2x + 1) cos(x2 + x + )
Ejemplo 9.3.11. Sea h(x) = esin(x) . Calcular h0 (0) y h0 (x).

Tomamos f (x) = sin(x), g(y) = ey . Tenemos:

f 0 (x) = cos(x) g 0 (y) = ey
Por tanto:

0
h0 (x) = g f (x) = g 0 f (x) f 0 (x) = esin(x) cos(x).

En particular,
h0 (0) = esin(0) cos(0) = e0 1 = 1 1 = 1.
130

Proposicion 9.3.12.

0 
= cos u(x) u0 (x)


sin u(x)

 0
u(x)
e = eu(x) u0 (x)

Ejemplo 9.3.13. Calcular las derivadas de las funciones

2 +3x)5
f (x) = tg(7x2 + 9x), g(x) = cos4 (x3 + 2x) y h(x) = e(x .

0 1
En el primer caso, utilizamos que tg(x) = cos2 (x)
.
Por tanto, tenemos:
1
f 0 (x) = tg0 (7x2 + 9x) (7x2 + 9x)0 =
cos2 (7x2 + 9x) (14x + 9)
14x + 9
=
cos (7x2 + 9x)
2

Para la funcion g utilizamos que (x4 )0 = 4x3 :

g 0 (x) = 4 cos3 (x3 + 2x)[cos(x3 + 2x)]0 .

Ahora tenemos que seguir derivando
cos(x3 +2x). Utilizamos el mismo argumento

0
(teniendo en cuenta ahora que cos(x) ). As, tenemos:

g 0 (x) = 4 cos3 (x3 + 2x)[ sin(x3 + 2x)](x3 + 2x)0

= 4 cos3 (x3 + 2x)[sin(x3 + 2x)](3x2 + 2)
= 4(3x2 + 2) sin(x3 + 2x) cos3 (x3 + 2x)

Finalmente, para h, como (ex )0 = ex , tenemos:

2 +3x)5
0
h0 (x) = e(x (x2 + 3x)5

Por tanto
2 +3x)5
0 2 +3x)5
h0 (x) = e(x (x2 + 3x)5 = e(x 5(x2 + 3x)4 (x2 + 3x)0


2 +3x)5
= e(x 5(x2 + 3x)4 (2x + 3)


2 +3x)5
= 5(2x + 3)(x2 + 3x)4 e(x .
 131

9.3.4. Funciones inversas

Proposicion 9.3.14. La funcion g es inversa de f si y solo si se cumple

g f (x) = x (f inyectiva) y f g(y) = y (f sobreyectiva)

para todo x D(f ) y para todo y D(g). En tal caso se denota g = f 1 .

Observacion 9.3.15.
1) Tenemos que trabajar en un dominio en el que distintos valores de x den
distintos valores de f (x) (f inyectiva), as, eliminamos el problema siguiente:
Sea f (x) = x2 . Dado y = 4, tanto x = 2 como x = 2 satisfacen f (x) = 4.

2) Hay puntos y para los que no existe ningun x tal que f (x) = y. En el ejemplo
f (x) = x2 , basta tomar y = 1.
En general, el dominio de f 1 no es toda la recta real (f no es sobreyectiva).

Observacion 9.3.16. Usamos las letras x para la variable de la funcion f e y para

su inversa f 1 , con el fin de subrayar que la inversa f 1 esta definida en los valores
que toma la funcion f , y viceversa.

Proposicion 9.3.17. La grafica de la inversa f 1 es simetrica de la grafica de f

respecto a la recta y = x.

Ejemplo 9.3.18.

Proposicion 9.3.19.
 Si f es continua en c, entonces la inversa f 1 es continua en f (c).

 Si f es derivable en c, f 0 (c) 6= 0 entonces la inversa f 1 es derivable en f (c).

132

Teorema 9.3.20. Si f es derivable en x D(f ), f 0 (x) 6= 0, entonces la inversa

f 1 es derivable en f (x) y

0 1
f 1


f (x) = 0 (x)
.
f

O bien, denotando f (x) = y, es decir, x = f 1 (y)

0 1
f 1 (y) = 0

.
f f 1 (y)

Ejemplo 9.3.21.

Ejemplo 9.3.22. Calcular la derivada de ln(y).

La funcion ln(y) es inversa de f (x) = ex , con x R. Como f 0 (x) = ex , para
cada y > 0 tenemos:

0 1 1 1
ln(y) = 0

= ln(y) =
f ln(y) e y

Ejemplo 9.3.23. Calcular la derivada de arcsin(y).

La funcion que tenemos que derivar es la inversa de f (x) = sin(x), donde x
( 2 , 2 ).
p
Como f 0 (x) = cos(x) = 1 sin2 (x), para cada y (1, 1) tenemos:

0 1 1
arcsin(y) =
=

f0 arcsin(y) cos arcsin(y)
1 1
=q =p
1 sin2 arcsin(y) 1 y2

Ejemplo 9.3.24. Calcular la derivada de arc cos(y).

La funcion que tenemos que derivar es la inversa de f (x) = cos(x), donde x
(0, ).
 133
p
Como f 0 (x) = sin(x) = 1 cos2 (x), para cada y (1, 1) tenemos:

0 1 1
arc cos(y) =
=

f0 arc cos(y) sin arc cos(y)
1 1
= q
= p
1 cos2 arc cos(y) 1 y2

Ejemplo 9.3.25. Calcular las derivadas de las funciones xa , ax y xx , donde a, x > 0.

Recordemos que si , R, con > 0, se tiene = e ln() .
Por la regla de cadena, tenemos:

0
0
0
I (xa )0 = ea ln(x) = ea ln(x) a ln(x) = xa a ln(x)
1
a
=x a = axa1
x

0
0
I (xa )0 = ex ln(a) = ex ln(a) x ln(a) = ax ln(a)

0
0 h
0 i
I (xx )0 = ex ln(x) = ex ln(x) x ln(x) = xx (x)0 ln(x) + x ln(x)
h 1i
= xx ln(x) + x = 1 + ln(x) xx


x

9.3.5. Derivadas de funciones definidas a trozos

Nota 9.3.26. Si una funcion no es continua en un punto, entonces no puede ser
derivable en dicho punto.

Ejemplo 9.3.27. Estudiar la derivabilidad y calcular la derivada, donde exista, de

la funcion: 3
x + x2 + 1 si x < 0
f (x) =
2
|x 1| si x 0
Para estudiar la derivabilidad lo mas recomendable es expresar la funcion sin
valor absoluto.
Como x2 1 = (x + 1)(x 1), entonces:
2
x 10 si x ( 1] [1, +)

x2 1 0 si x [1, 1]

134

Por tanto 3

x + x2 + 1 si x < 0



f (x) = (x2 1) si 0 x 1




2
x 1 si x 1

I Para x < 0, f 0 (x) = (x3 + x2 + 1)0 = 3x2 + 2x.

I Para 0 < x < 1, f 0 (x) = (1 x2 )0 = 2x.

I Para x > 1, f 0 (x) = (x2 1)0 = 2x.

Falta estudiar que ocurre en los puntos de empalme: 0 y 1. En primer lugar,

se prueba facilmente que la funcion es continua en ambos:

 Para x = 1,
si x > 1, tenemos:

f (x) f (1) (x2 1) 0 (x 1)(x + 1)

lm+ = lm+ = lm+
x1 x1 x1 x1 x1 x1
= lm+ (x + 1) = 2
x1

Analogamente, si x < 1, tenemos:

f (x) f (1) (x2 1) 0 (x 1)(x + 1)

lm = lm = lm
x1 x1 x1 x1 x1 x1
= lm (x + 1) = 2
x1

Estos lmites laterales no coinciden, luego no existe

f (x) f (1)
lm .
x1 x1
Por tanto, f no es derivable en 1.

 Para x = 0,
si x > 0, tenemos:

f (x) f (0) (x2 1) 1 x2

lm+ = lm+ = lm+
x0 x0 x0 x x0 x
= lm+ (x) = 0
x0
 135

si x < 0, tenemos:

f (x) f (0) x3 + x2 + 1 1 x3 + x2
lm = lm = lm
x0 x0 x0 x x0 x
= lm (x2 + x) = 0
x0

Esto nos dice que f es derivable en 0 y que f 0 (0) = 0.

En resumen, f es derivable en R {1}, y

2

3x + 2x si x < 0



f 0 (x) = 2x si 0 x < 1




2x si x > 1

Ejemplo 9.3.28. Estudiar la derivabilidad y calcular la derivada, donde exista, de

la funcion  
x sin x1
si x 6= 0
f (x) =

0 si x = 0

Para x 6= 0, f es claramente derivable, y con las reglas de derivacion tenemos:

  1 0 1   1  0
0 0
f (x) = x sin = (x) sin + x sin
x x x
1  1  1 0
= sin + x cos
x x x
1  1  1
= sin + x cos 2
x x x
1 1 1
= sin cos
x x x

En cuanto a la derivabilidad en x = 0, tenemos:

 
1
f (x) f (0) x sin x
1
lm = lm = lm sin
x0 x0 x0 x x0 x

pero ya vimos que este lmite no existe. Por tanto, f no es derivable en x = 0.

136

9.4. El Teorema del Valor Medio

9.4.1. Teorema de Rolle
Teorema 9.4.1 (Rolle). Sea f una funcion continua en un intervalo [a, b] y deriv-
able en (a, b). Si f (a) = f (b), entonces existe c (a, b) tal que

f 0 (c) = 0

Observacion 9.4.2. Geometricamente el Teorema de Rolle dice que en algun punto

(c, f (c)) de la grafica de f , siendo c intermedio entre a y b, la tangente es horizontal
y paralela, al segmento que une los extremos de la grafica.

9.4.2. Teorema del Valor Medio

El siguiente resultado constituye una generalizacion del Teorema de Rolle.

Teorema 9.4.3 (Lagrange o Valor Medio o incrementos finitos). Sea f una

funcion continua en un intervalo [a, b] y derivable en (a, b), entonces existe c (a, b)
tal que
f (b) f (a)
f 0 (c) =
ba
Observacion 9.4.4. Geometricamente el Teorema de Valor Medio dice que cuando
unimos los puntos (a, f (a)) y (b, f (b)) mediante una grafica suave, en algun punto
la tangente a la grafica es paralela, al segmento que une (a, f (a)) con (b, f (b)).
 137

9.4.3. Aplicaciones del Teorema del Valor Medio

Ejemplo 9.4.5. Demostrar que | sin(x) sin(y)| |x y| para cualquier par de
numeros reales x, y. Deducir el valor de



lm sin n + 1 sin n .
n+

Sean x, y numeros reales.

Si x = y, la desigualdad es trivialmente cierta (tenemos el valor 0 en ambos
lados).
Si x 6= y, supongamos, por ejemplo, x < y (el otro caso es igual). Apliquemos el
Teorema del Valor Medio a la funcion f (t) = sin(t) en el intervalo [x, y]. Deducimos
que existe c (x, y) tal que
f (y) f (x) sin(y) sin(x)
= = f 0 (c) = cos(c)
yx yx
Tomando valor absoluto y recordando que | cos(t)| 1 para todo t, tenemos:
   
 sin(y) sin(x)   sin(y) sin(x)  
 = =  cos(c) 1
 yx  |y x|
As que,
| sin(x) sin(y)| |x y|
que es la desigualdad que queramos demostrar.
En cuanto al lmite, utilizando la desigualdad anterior, tenemos:


  
 sin n + 1 sin n   n + 1 n = n + 1 n




n+1 n n+1+ n
=
n+1+ n

2
2
n+1 n n+1n
= =
n+1+ n n+1+ n
1
=
n+1+ n
Por tanto, 


lm = sin n + 1 sin n = 0.
n+

Ejemplo 9.4.6. Demostrar que arc tg(x) < x para todo x > 0.
Sea f (x) = arc tg(x). Como f (0) = arc tg(0) = 0, resulta que

arc tg(x) = f (x) f (0).

138

Tomemos x > 0 y apliquemos el teorema del Valor Medio en el intervalo [0, x].
Existe c (0, x) tal que

f (x) f (0) f (x)

f 0 (c) = =
x0 x
Pero f 0 (c) = 1
1+c2
< 1. Por tanto,

f (x) 1
= < 1 = arc tg(x) = f (x) < x.
x 1 + c2


Ejemplo 9.4.7. Calcular lm 3 n + 2 3 n .
n+


Sea f (x) = 3 x. Tenemos 3 n + 2 3 n = f (n + 2) f (n). Para cada n, vamos
a aplicar el Teorema del Valor Medio en el intervalo [n, n + 2].
Deducimos que existe cn (n, n + 2) tal que

f (n + 2) f (n) f (n + 2) f (n)
= = f 0 (cn )
n+2n 2
= f (n + 2) f (n) = 2f 0 (cn )

Como f 0 (x) = 3
1
3 2,
x
y n < cn , se tiene

0< 3
n+2 3
n = f (n + 2) f (n) = 2f 0 (cn )
2 2
= p < 3
0
3 c2n
3
3 n2 n+

Por el criterio del sandwich, obtenemos el resultado:

lm 3 n + 2 3 n = 0.
n+

Veamos ahora las dos consecuencias del Teorema de valor Medio que anun-
ciabamos antes.
Proposicion 9.4.8. Sea f una funcion derivable en un intervalo I. Si f 0 (x) = 0
para todo x I, entonces f es constante.
Proposicion 9.4.9. Sean f, g funciones derivables en un intervalo I tales que
f 0 (x) = g 0 (x) para todo x I. Entonces existe una constante tal que

f (x) = g(x) +

para todo x I.
 139

Ejemplo 9.4.10. Demostrar que sin2 (x) + cos2 (x) = 1 para todo numero real x.
Consideremos f (x) = sin2 (x) + cos2 (x). Tenemos

f 0 (x) = 2 sin(x) cos(x) + 2 cos(x) sin(x) = 0 x R.

Por tanto, gracias a la primera de las proposiciones anteriores, f es constante en

todo la recta real.
Para saber cual es la constante, evaluamos f en un punto sencillo, por ejemplo
en x = 0. Tenemos

f (0) = sin2 (0) + cos2 (0) = 02 + 12 = 1

De lo que se deduce

f (x) = sin2 (x) + cos2 (x) = 1

para todo numero real x.

Ejemplo 9.4.11. Comprobar que ln(x9 ) = 9 ln(x) para todo x > 0.

Sea f (x) = ln(x9 ) y g(x) = 9 ln(x). Tenemos

9x8 9 1
f 0 (x) = 9
= y g 0 (x) = 9
x x x
Como f y g tienen la misma derivada en (0, +), difieren en una constante, esto
es, existe tal que

f (x) = ln(x9 ) = g(x) + = 9 ln(x) +

para todo x > 0. Pero, ademas, tomando x = 1, tenemos

f (1) = ln(19 ) = ln(1) = 0 y g(1) = 9 ln(1) = 9 0 = 0.

Con lo cual,
f (1) = g(1) + = 0 + = = = 0.
Luego ln(x9 ) = 9 ln(x) para todo x > 0.

9.5. Teorema de Cauchy

El siguiente resultado generaliza el Teorema del Valor Medio, tiene interes prin-
cipalmente por sus aplicaciones.
140

Teorema 9.5.1 (Cauchy). Sean f y g funciones continuas en un intervalo [a, b] y

derivables en (a, b), entonces existe c (a, b) tal que

f 0 (c) f (b) f (a)

0
=
g (c) g(b) g(a)

Nota 9.5.2. El Teorema de Cauchy es el instrumento basico que usaremos a menudo

para el calculo de lmites de la forma:

f (x)
lm
xa g(x)

donde a R = [, +].

Ejemplo 9.5.3. Calcular

esin(x) ecos(x)
lm .
x 4 sin(x) cos(x)

Hagamos: x = 4
+ t, si x 4 , t 0:




sin(x) cos(x) sin +t cos +t
e e e 4 e 4
lm = lm




x 4 sin(x) cos(x) t0 sin 4
+ t cos 4
+t

sin +t sin t
e 4 e 4
= lm




t0 sin 4
+ t sin 4
t

Aplicando
 el Teorema de Cauchy a las funciones f (x) = esin(x)
, g(x) = sin(x) en
el intervalo 4 t, 4 + t , obtenemos que existe c 4 t, 4 + t tal que


sin +t sin t
f (b) f (a) e 4 e 4 f 0 (c)
=



= 0
g(b) g(a) sin 4
+ t sin 4
t g (c)
esin(c) cos(c)
= = esin(c)
cos(c)

Puesto que c 4 t, 4 + t , tenemos que, si t 0, c 4 :

De aqu se deduce:

esin(x) ecos(x)

2
lm = lm esin(c) = esin( 4 ) = e 2 .
x 4 sin(x) cos(x) c 4
 141

9.5.1. Regla de LHopital (caso 00 )

Proposicion 9.5.4 (LHopital). Sean f y g funciones derivables en el intervalo
(a, b) y supongamos que g y g 0 no se anulan en (a, b). Si lm+ f (x) = lm+ g(x) = 0
xa xa
f 0 (x)
y lm+ g 0 (x)
= l, entonces
xa

f (x) f 0 (x)
lm+ = lm+ 0 = l,
xa g(x) xa g (x)
donde l puede ser un numero real, + o .
sin(x)
Ejemplo 9.5.5. Calcular lm+ x
.
x0
Observemos que el lmite pedido es una indeterminacion del tipo 00 . Apliquemos
la regla de LHopital.

lm+ sin(x)
x
= 0
0


x0
sin(x) cos(x)

0 = lm+ = lm+ = 1.
sin(x) cos(x)

x0 x x0 1
lm (x)0
= lm =1
1

x0+ x0+

9.5.2. Regla de LHopital (caso )
Proposicion 9.5.6 (LHopital). Sean f y g funciones derivables en el intervalo
(a, b) y supongamos que g y g 0 no se anulan en (a, b). Si lm+ f (x) = lm+ g(x) =
x0 x0
f 0 (x)
y lm+ g 0 (x)
= l, entonces
x0

f (x) f 0 (x)
lm+ = lm+ 0 = l,
x0 g(x) x0 g (x)
donde l puede ser un numero real, + o .


ln sin(x)
Ejemplo 9.5.7. Calcular lm+ 1 .
x0 x

Tenemos una indeterminacion del tipo . Apliquemos la regla de LHopital. Se
tiene

cos(x)
ln sin(x) sin(x) x2 cos(x)
lm+ 1 = lm 1 = lm
x0 x0+ x0+ sin(x)
x x2
 

x
= lm+ x cos(x) lm+
x0 x0 sin(x)
!

1
= lm+ x cos(x) = 0 1 = 0
x0 lm+ sin(x)
x
x0
142

Observacion 9.5.8. La regla de LHopital no solo es valida para lmites por la

derecha, sino que lo es para todo tipo de lmites de funciones: cuando x a+ ,
x a , x a, x + y x .
Nota 9.5.9.
1) La condicion g y g 0 no se anula en (a, b) es para que tenga sentido hablar de
0 (x)
las funciones fg(x)
(x)
y fg0 (x) .
0
2) Si no tenemos una indeterminacion de la forma 0
o
, en general,

f (x) f 0 (x)
lm 6= lm 0
xa g(x) xa g (x)

Por ejemplo,
3x + 4 7 (3x + 4)0 3 3
lm = 6= lm 0
= lm =
x1 2x 2 x1 (2x) x1 2 2

ex
Ejemplo 9.5.10. Calcular lm .
x+ x

Se trata de una indeterminacion del tipo
. Aplicamos LHopital:

ex (ex )0 ex
lm = lm = lm = +.
x+ x x+ (x)0 x+ 1

Nota 9.5.11. No es raro que tengamos que aplicar la regla de LHopital mas de una
vez.
sin(x)x
Ejemplo 9.5.12. Calcular lm x3
.
x0
Es una indeterminacion de la forma 00 . Aplicando la regla de LHopital, obten-
emos:
sin(x) x cos(x) 1
lm 3
= lm .
x0 x x0 3x2
Y llegamos de nuevo a una indeterminacion de la forma 00 . Aplicamos LHopital dos
veces mas:
cos(x) 1 sin(x) cos(x) 1
lm 2
= lm = lm = .
x0 3x x0 6x x0 6 6
Por tanto,
sin(x) x 1
lm 3
= .
x0 x 6
Observacion 9.5.13. Muchas veces, indeterminaciones de la forma o 0
(), se pueden expresar, mediante alguna sencilla manipulacion, de la forma 00

o . Esto nos permite utilizar LHopital. Otras veces, utilizando la igualdad =
e ln() , podemos trabajar con indeterminaciones de la forma 00 , 1 o 0 .
 143

1 1 x


Ejemplo 9.5.14. Calcular lm+ xx , lm x x y lm 1+ x
.
x0 x+ x+
Son tres indeterminaciones de la forma 00 , 1 y 0 , respectivamente.

En el primer caso, tenemos:

1
ln(x) x
12
x x ln(x)
= lm+ ex = e0 = 1.
1
lm x = lm+ e = lm+ e x = lm+ e x
x0+ x0 x0 x0 x0

Procedemos de igual forma con los otros dos lmites:

ln(x)
1 1 lm
lm x x = lm e x ln(x) = ex+ x

x+ x+

Ahora, por LHopital, tenemos

1
ln(x) x 1
lm = lm = lm = 0.
x+ x x+ 1 x+ x
Luego
1
lm x x = e0 = 1.
x+

En el ultimo,
1
x


1+ x1
lm 1+ = lm ex ln .
x+ x x+

Pero, por LHopital

  1
 1 ln 1 + x1 x2
1+ x1 1
lm x ln 1 + = lm = lm = lm =1
x+ x x+ 1 x+ 1 x+ 1 + 1
x x2 x

Por tanto,
 1
lm x ln 1 + = e1 = e.
x+ x
Proposicion 9.5.15. Supongamos que f es derivable en (a, a+). Si existe lm+ f 0 (x),
xa
entonces f es derivable por la derecha en a y se tiene

f (a + h) f (a)
f 0+ (a) = lm+ = lm+ f 0 (x).
h0 h xa

Demostracion. Observese que

f (a + h) f (a)
lm+
h0 h
144

es una indeterminacion de tipo 00 . Aplicando la regla de LHopital, se tiene

f (a + h) f (a) f 0 (a + h)
lm+ = lm+ = lm+ f 0 (a + h)
h0 h h0 1 h0

Hagamos: x = a + h, si h 0+ , x a+ . Por tanto

lm+ f 0 (a + h) = lm+ f 0 (x)

h0 xa

As que
f (a + h) f (a) f 0 (a + h)
lm+ = lm+ = lm+ f 0 (x)
h0 h h0 1 xa

lo que prueba el resultado.

Observacion 9.5.16. El resultado analogo para calcular derivadas por la izquierda
(o derivadas), tambien es cierto.
Ejemplo 9.5.17. Estudiar la derivabilidad de la funcion f (x) = sin |x|.
Lo primero que debemos hacer es estudiar la continuidad, teniendo en cuenta
que las funciones g(x) = |x| y h(x) = sin(x) son continuas en todo R, se deduce que
f = g h es continua.
Para estudiar la derivabilidad es conveniente escribir

sin(x) si x 0 sin(x) si x 0
f (x) = =
sin(x) si x < 0 sin(x) si x < 0

puesto que la funcion seno es derivable, se deduce que f es derivable en (, 0)

(0, +) y que se tiene

cos(x) si x > 0
0
f (x) =
cos(x) si x < 0

Para la derivabilidad en cero aplicamos el resultado anterior, para lo que usamos

lm f 0 (x) = lm+ cos(x) = 1

x0+ x0
0


lm f (x) = lm cos(x) = 1.
x0 x0

Por tanto, f derivable por la derecha y la izquierda en el punto 0 y se tiene,

f 0+ (0) = 1, f 0 (0) = 1.

Como las derivadas laterales no coinciden, la funcion no es derivable en 0.

 145

Observacion 9.5.18. A la hora de aplicar el resultado anterior, hay que tener

cuidado ya que puede ocurrir que no exista el lmite

lm f 0 (x).
xa+

y sin embargo la funcion s sea derivable por la derecha. (La existencia de f 0+ (a) no
garantiza la de lm+ f 0 (x), es decir,
xa

lm+ f 0 (x) = f 0+ (a)

xa
f 0+ (a) 6= lm+ f 0 (x) .


xa

El problema analogo tambien se puede presentar por la izquierda. Para evitar esto
es mejor estudiar la existencia de derivadas laterales directamente por la definicion.

Ejemplo 9.5.19. Estudiar la derivabilidad en cero de la funcion

2
x sin x1


si x 6= 0
f (x) =
0 si x = 0

Comenzamos estudiando la continuidad en cero, para ello teniendo en cuenta

que
1
1 sin 1, x 6= 0
x
y que lm x2 = 0, se tiene
x0

1
lm x2 sin = 0 = f (0), (F)
x0 x
por tanto f es continua en 0.
Para la derivabilidad en 0 podemos tratar de aplicar el resultado anterior para
lo cual usamos
1  1  1  1 1
0 2
f (x) = 2x sin + x cos = 2x sin cos
x x x2 x x
para todo x 6= 0.
Observamos que analogamente a (F), obtenemos
1
lm x sin = 0.
x0 x
146
 
La funcion x cos x1 en cambio no tiene lmite cuando x tiende a cero, ni
por la izquierda ni por la derecha ya que lo que hace es oscilar entre 1 y 1. Esto
implica que no puede existir ninguno de los lmites

lm+ f 0 (x), lm f 0 (x)

x0 x0

Veamos que sin embargo, aunque no existe ninguno de los lmites laterales de f 0
en cero, la funcion f es derivable en 0 y su derivada es cero. Usamos la definicion
de derivada que nos da
 
2 1
f (0 + h) f (0) h sin h
1
lm = lm = lm h sin = 0 = f 0 (0).
h0 h h0 h h0 h
 147

9.6. Derivadas de orden superior

Definicion 9.6.1. Sea f una funcion derivable en todos los puntos de un intervalo
I. Si f 0 es derivable en c I, es decir, si existe y es finito
f 0 (x) f 0 (c)
lm ,
xc xc
este se designa f 00 (c) y se llama la derivada segunda de f en c.
De igual forma se define la derivada tercera, cuarta, etc., que denotamos f 000 o
f (3) , f (4) , etc. (derivadas sucesivas).
En general, la derivada nesima, f (n) , donde n es un numero natural.
Nota 9.6.2. Las derivadas sucesivas de una funcion nos permiten aproximar local-
mente la funcion por un polinomio.

9.6.1. Desarrollo de Taylor

Definicion 9.6.3. Sea n N y sea f una funcion n veces derivable en un punto a.
Llamamos polinomio de Taylor de orden n en a al polinomio
(x a) 0 (x a)2 00 (x a)n (n)
Pn (x) = f (a) + f (a) + f (a) + + f (a).
1! 2! n!
Ejemplo 9.6.4. Calcular el polinomio de Taylor de orden 3 de ln(x) en el punto 1.
Por la definicion, si denotamos f (x) = ln(x), el polinomio pedido es
(x 1) 0 (x 1)2 00 (x 1)3 (3)
P3 (x) = f (1) + f (1) + f (1) + f (1).
1! 2! 3!
Por tanto, solamente tenemos que calcular las tres primera derivadas de ln(x) y
evaluarlas en x = 1. Tenemos
1 1 2
f 0 (x) = , f 00 (x) = , f (3) (x) = .
x x2 x3
Con lo cual,
1 1 2
f (1) = ln(1) = 0, f 0 (1) = , f 00 (1) = 2 = 1, f (3) (1) = 3 = 2.
1 1 1
As que,
(x 1)2 (x 1)3
P3 (x) = 0 + (x 1) + 2
2 6
1 1
= (x 1) (x 1)2 + (x 1)3 .
2 3
148

Observacion 9.6.5. El polinomio de Taylor de orden n de f en a es el unico

polinomio de grado menor o igual que n que coincide con f en a hasta la derivada
nesima, es decir, que cumple

Pn (a) = f (a)
Pn0 (a) = f 0 (a)
Pn00 (a) = f 00 (a)
Pn(3) (a) = f (3) (a)
..
.
Pn(n) (a) = f (n) (a)

Nota 9.6.6. El polinomio de Taylor de orden n de f en a normalmente tiene

grado n, pero no siempre: si f (n) (a) = 0, entonces su grado es estrictamente menor
que n (ver el ejemplo siguiente).

Ejemplo 9.6.7. Calcular el polinomio de Taylor de orden 5 de cos(x) en el punto

0.
Denotamos g(x) = cos(x), tenemos

g 0 (x) = sin(x), g 00 (x) = cos(x), g (3) (x) = sin(x),

g (4) (x) = cos(x), g (5) (x) = sin(x).

Por tanto,

g(0) = cos(0) = 1, g 0 (0) = sin(0) = 0,

g 00 (0) = cos(0) = 1, g (3) (0) = sin(0) = 0,
g (4) (0) = cos(0) = 1, g (5) (0) = sin(0) = 0.

As, el polinomio de Taylor de orden 5 de cos(x) en 0 es el polinomio

(x 0) 0 (x 0)2 00 (x 0)3 (3)

P5 (x) = g(0) + g (0) + g (0) + g (0)
1! 2! 3!
(x 0)4 (4) (x 0)5 (5)
+ g (0) + g (0).
4! 5!
Por tanto,

0 1 2 0 1 0 x2 x4
P5 (x) = 1 + x+ x + x3 + x4 + x5 = 1 + .
1! 2! 3! 4! 5! 2 24
 149

Teorema 9.6.8 (Taylor). Sea n N y sea f una funcion n + 1 veces derivable en

un intervalo I. Sea a I y sea Pn el polinomio de Taylor de orden n de f en el
punto a. Entonces, dado x I, x 6= a, existe un punto c entre a y x tal que
n
X (x a)k (x a)n+1 (n+1)
f (x) Pn (x) = f (x) f (k) (a) = f (c).
k=0
k! (n + 1) !

Observacion 9.6.9. El Teorema de Taylor nos dice que el error que cometemos al
sustituir f (x) por Pn (x) es

(x a)n+1 (n+1)
E(x) = f (c).
(n + 1) !

En general, no sabemos exactamente cual es el punto c. Por ello, tampoco podemos

saber cual es exactamente el valor de E(x).
Lo que haremos normalmente es acotar |E(x)| y as lo que tendremos es una
cota del error que estamos cometiendo.
En efecto: Sea K el maximo valor de |f (n+1) (t)| para t entre a y x. Entonces

K|x a|n+1
|E(x)| .
(n + 1) !

Otras formas de la formula de Taylor.

Proposicion 9.6.10 (Taylor). Si en el Teorema de Taylor anterior hacemos x =

a + h, entonces existe (0, 1) (c = a + h) tal que
n
X hk (k) hn+1
f (a + h) Pn (a + h) = f (a + h) f (a) = f (n+1) (a + h).
k=0
k! (n + 1) !

Ademas
E(a + h)
lm = 0.
h0 |h|n
Si a = 0 (x = h),
n
X xk hn+1
f (x) Pn (x) = f (x) f (k) (0) = f (n+1) (h).
k=0
k! (n + 1) !

Esta ultima formula se conoce como la formula Mac-Laurin.

150

Ejemplo 9.6.11. Dar una cota del error que cometemos al considerar que el valor
del numero e es
 + 
1 1 1 1 1 X 1
1+ + + + + . e= .
1! 2! 3! 4! 5! k=0
k!

Observamos que 1 + 1!1 + 2!1 + 3!1 + 4!1 + 5!1 es exactamente P5 (1), donde P5 (x) es el
polinomio de Taylor de orden 5 de f (x) = ex en el punto 0. Por tanto se trata de
acotar |f (1) P5 (1)|.
Por el Teorema de Taylor sabemos que existe c (0, 1) tal que
f (6) (c)
f (1) P5 (1) = (1 0)6
6!
Por tanto, teniendo en cuenta que todas las derivadas de ex coinciden con ex , y que
como 0 < c < 1 tenemos 1 < ec < e < 3, deducimos
  1 1 1 1 1 
|f (1) P5 (1)| = e 1 + + + + +

1! 2!  3!  4! 5!

 f (6) (c)   ec  3 1
6
= (1 0)  =   < = 0, 004

6! 6! 6! 240

9.6.2. Teorema de Cauchy generalizado

Teorema 9.6.12 (Cauchy). Sean f y g funciones derivables con continuidad hasta
el orden n en [a, b] y tales que f (n+1) (x) y g (n+1) (x) existen para todo x (a, b).
Entonces existe c (a, b) tal que
n
P (ba)k (k)
(n+1) f (b) k!
f (a)
f (c) k=0
(n+1)
= n
g (c) P (ba)k (k)
g(b) k!
g (a)
k=0

9.7. Funciones crecientes y decrecientes

Definicion 9.7.1. Sea f una funcion definida en un intervalo I.
1) Se dice que f es creciente en I si para cualquier par de puntos x1 , x2 en I
tales que x1 < x2 se tiene
f (x1 ) f (x2 )
2) Se dice que f es estrictamente creciente en I si para cualquier par de
puntos x1 , x2 en I tales que x1 < x2 se tiene
f (x1 ) < f (x2 )
 151

3) Se dice que f es decreciente en I si para cualquier par de puntos x1 , x2 en

I tales que x1 < x2 se tiene

f (x1 ) f (x2 )

4) Se dice que f es estrictamente decreciente en I si para cualquier par de

puntos x1 , x2 en I tales que x1 < x2 se tiene

f (x1 ) > f (x2 )

Ejemplo 9.7.2. La funcion f (x) = x2 es decreciente en (, 0] y creciente en

[0, +).
Nota 9.7.3. Las funciones constantes son tanto crecientes como decrecientes.

9.7.1. Una condicion suficiente para crecimiento y decrec-

imiento
Gracias al Teorema del Valor Medio, las derivadas nos ayudan a averiguar si una
funcion es creciente o decreciente, como se muestra en el siguiente resultado:
Proposicion 9.7.4. Sea f una funcion derivable en un intervalo I. Se tiene:
1) Si f 0 (x) 0 para todo x de I, entonces f es creciente en I.

2) Si f 0 (x) 0 para todo x de I, entonces f es decreciente en I.

Observacion 9.7.5. Si f 0 (x) > 0 para todo x de I, entonces f es estrictamente
creciente en I (analogo cuando f 0 (x) < 0).
Ejemplo 9.7.6. Cuantas soluciones tiene la ecuacion 2x = cos2 (x)?
Consideremos la funcion f (x) = 2x cos2 (x). Se trata de contar cuantos ceros
tiene.
Como f es continua en toda la recta real y
 
f (0) = 1 < 0 < = f
2
 
sabemos, por el teorema de Bolzano, que, al menos, se anula en un punto c 0, 2 .
Estudiando el crecimiento y decrecimiento de f , podemos ir mas lejos: podemos
decir exactamente en cuantos puntos se anula.
Tenemos

f 0 (x) = 2 2 cos(x) sin(x) = 2 + 2 cos(x) sin(x) = 2 + sin(2x).

152

Por otra parte,

1 sin(2x) 1 = 1 f 0 (x) = 2 + sin(2x) 3

As que, f 0 (x) > 0 para todo x. Luego f es estrictamente creciente en (, +).

Deducimos
 que la ecuacion tiene una solucion que, de hecho, pertenece al inter-

valo c 0, 2 .

9.7.2. Donde es positiva y donde es negativa una funcion?

Ejemplo 9.7.7. Determinar donde es positivo y donde es negativo la funcion
x3 + x2 2x
f (x) =
x2 9
Calculando las races del numerador (que son 0, 2 y 1) y del denominador (que
son 3 y 3), deducimos:

x3 + x2 2x x(x + 2)(x 1)
f (x) = 2
=
x 9 (x + 3)(x 3)
As, para determinar el signo f solamente tenemos que contar el numero de
factores negativos que aparecen tanto en numerador como en el denominador: el
signo de f sera positivo si y solamente si dicho numero es para. Esto es lo que
hacemos en la tabla siguiente:

x 3 2 0 1 3 +
x + + +
x+2 + + + +
x1 + +
x+3 + + + + +
x3 +
f (x) + + +

En conclusion, f (x) es negativa en (, 3) (2, 0) (1, 3) y positiva en

(3, 2) (0, 1) (3, +).

9.8. Convexidad y concavidad

Definicion 9.8.1. Diremos que un subconjunto C de R es convexo si para todo
x, y C, el segmento que une x con y esta contenido en C, es decir, si (1)x+y
C para todo [0, 1].
 153

Ejemplo 9.8.2.

I Si C es un intervalo de R, entonces C es un conjunto convexo

I El conjunto C = [1, 2] [3, 4] no es convexo.

Definicion 9.8.3. Sea D un subconjunto convexo de R y f : D R una funcion:

Se dice que f es convexa si para cada x, y D y cada [0, 1] se tiene que

f x + (1 )y f (x) + (1 )f (y).

Se dice que f es convexa si para a, x, y D con a < x < y se tiene

f (x) f (a) f (y) f (a)

xa ya

La funcion f se dice estrictamente convexa si

f x + (1 )y < f (x) + (1 )f (y).

para cada x, y D con x 6= y, para cada (0, 1)

Ejemplo 9.8.4.

Nota 9.8.5.

 La nocion de funcion convexa tiene su origen en la de conjuntos convexos.

 La funciones convexas son aquellas tales que el recinto del plano que queda
encima de su grafica es un conjunto convexo (vease la figura anterior).
154

Proposicion 9.8.6. La funcion f : D R es convexa si y solo si su epigrafo

epi(f ) = {(x, y) D R : f (x) y}

es convexo en D R.

Cuando la funcion f es derivable, las derivadas son muy utiles para estudiar la
convexidad.

Proposicion 9.8.7. Las afirmaciones siguientes son equivalentes:

1) f es convexa en el intervalo I.

2) f 0 es creciente en el intervalo I.

3) f 00 0 en el intervalo I.

4) Las rectas tangentes a la grafica de f , en el intervalo I, se mantienen debajo

de la grafica, esto significa que para cada x0 I

f 0 (x0 )(x x0 ) f (x) f (x0 )

para cada x I.

La siguiente figura ilustra el significado de estas afirmaciones:

Ejemplo 9.8.8. Comprobara que f (x) = x3 es convexa en (0, +) y deducir que

si a, b > 0 entonces:
 a + b  3 a3 b 3
+ .
2 2 2
Derivando tenemos f 0 (x) = 3X 2 , f 00 (x) = 6x. Por tanto, f 00 (x) = 6x > 0 si x
(0, +). Esto implica que f es convexa en (0, +).
 155

Por la segunda parte, dados dos numeros a, b > 0, por ser f convexa,


f (1 )a + b f (a) + (1 )f (b)

para todo [0, 1]. En particular, tomando = 12 , tenemos

a + b 1 1
f f (a) + f (b)
2 2 2
es decir,
 a + b 3 a3 b 3
+ .
2 2 2

El concepto simetrico al de convexidad es el de concavidad.

Definicion 9.8.9. La funcion f es concava en el intervalo I si para cada par de

puntos x, y I, se tiene:


f (1 )x + y f (x) + (1 )f (y).

para todo [0, 1].

Proposicion 9.8.10. La funcion f es concava en I si y solo si f es convexa en

I.

Naturalmente, la concavidad tiene un comportamiento analogo al de la convexi-

dad.

Proposicion 9.8.11. Si la funcion f es derivable, las afirmaciones siguientes son

equivalentes:

1) f es concava en el intervalo I.

2) f 0 es decreciente en el intervalo I.

3) f 00 0 en el intervalo I.

4) Las rectas tangentes a la grafica de f , en el intervalo I, se mantienen encima

de la grafica, esto significa que para cada x0 I

f 0 (x0 )(x x0 ) f (x) f (x0 )

para cada x I.
156

La siguiente figura ilustra el significado de estas afirmaciones:

Ejemplo 9.8.12. Comprobar que la funcion f (x) = x es concava en el intervalo
(0, +) y deducir, a partir de la ecuacion de la recta tangente a la grafica de f en
el punto (1, f (1)), que
x+1
x
2
para todo x > 0.
1 3
En primer lugar, f 0 (x) = 12 x 2 , f 00 (x) = 41 x 2 . As, f 00 (x) < 0 si x (0, +),
luego f es concava en (0, +).
La recta tangente a la grafica de f en el punto (1, f (1)) = (1, 1) es:

y = f 0 (1)(x 1) + f (1)

que, sustituyendo f 0 (1) y f (1) por sus valores, se transforma en la siguiente ecuacion:
1
y = (x 1) + 1.
2
Como f es concava en (0, +), esta recta tangente esta por encima de la grafica de
f . Por tanto,
1 x+2
f (x) (x 1) + 1 =
2 2
para todo x > 0, luego
x+1
x
2
para todo x > 0.

Definicion 9.8.13. Sea f : (a, b) R R y c (a, b). Se dice que f tiene un

punto de inflexion en c si existe > 0 tal que
o bien f es convexa en (c , c) y concava en (c, c + )
o bien f es concava en (c , c) y convexa en (c, c + ).
 157

Nota 9.8.14. Los puntos puntos de inflexion, son los puntos en los que la funcion
pasa de ser concava a ser convexa, o viceversa.

Como consecuencia del punto 3 de las caracterizaciones de convexidad y con-

cavidad, tenemos La condicion necesaria para la existencia de punto de inflexion
siguiente:

Proposicion 9.8.15. Si c es un punto de inflexion, entonces f 00 (c) = 0.

Ejemplo 9.8.16. Estudiar la convexidad y la concavidad de f (x) = x4 8x2 + 8.

Tenemos f 0 (x) = 4x3 16x y f 00 (x) = 12x2 16.
As,

00 2 2 16 2 3 2 3
f (x) = 0 12x 16 = 0 x = x = o x= .
12 3 3
Ademas,
" # " #
2 3 2 3 2 3 2 3
f 00 0 en , = f es concava en ,
3 3 3 3

# " !
2 3 [ 2 3
f 00 0 en , , +
3 3
# " !
2 3 [ 2 3
= f es convexa en , , + .
3 3

Claramente, los puntos 2 3 3 y 2 3
3
son puntos de inflexion.

9.9. Maximos y Mnimos locales

Definicion 9.9.1. Sea f una funcion definida en un intervalo I, c I.
158

Se dice que f alcanza un maximo local (o relativo) en c si existe algun > 0

tal que
f (x) f (c), para todo x (c , c + ) I.
(c es un maximo local de f en I).

Analogamente, se dice que f alcanza un mnimo local en c si existe algun > 0

tal que
f (c) f (x), para todo x (c , c + ) I.
(c es un mnimo local de f en I).

Definicion 9.9.2. Se dice que c I es un extremo local o (relativo) de una

funcion f si c es un maximo local o un mnimo local de f en I.

9.9.1. Condicion necesaria de extremos locales

La derivada es una herramienta excelente para encontrar los extremos locales,
gracias al Teorema del Valor Medio, obtenemos el resultado siguiente:

Proposicion 9.9.3 (Primer orden). Sea f una funcion definida en un intervalo

I y derivable en el punto c I.
Si c es un extremo local de f , entonces f 0 (c) = 0.
 159

Nota 9.9.4. Si una funcion es derivable en I y queremos encontrar sus extremos

locales, solo tenemos que buscarlos entre los ceros de la derivada.
Teorema 9.9.5. Sea D R un conjunto abierto y convexo. Sea f : D R R
una funcion convexa y derivable en un punto c D. Entonces,
la funcion f admite un mnimo local en c si y solo si f 0 (c) = 0
Definicion 9.9.6. Decimos que c I es un punto crtico de f , si f 0 (c) = 0.
Observacion 9.9.7. OJO! Un punto crtico puede no ser extremo (por ejemplo el
punto x = 0 para la funcion f (x) = x3 ).
Proposicion 9.9.8 (Segundo orden). Sea f una funcion definida en un intervalo
I, dos veces derivable en c I, donde c I un punto crtico de f .
1) Si f tiene un mnimo local en c, entonces f 00 (c) 0.

2) Si f tiene un maximo local en c, entonces f 00 (c) 0.

Ejemplo 9.9.9.
Dada la funcion f (x) = cos(x) definida en el intervalo [0, ]. Sabemos que f
alcanza su maximo en c = 0 y su mnimo en c0 = , puesto que | cos(x)| 1.
Como f 0 (x) = sin(x) y f 00 (x) = cos(x), se tiene que

f 00 (0) = 1 0 y f 00 () = 1 0.

Observacion 9.9.10. Si f tiene (por ejemplo) un maximo local en c y f 00 (c) existe,

esto no garantiza que f 00 (c) sea negativa (f 00 (c) < 0), ya que podra perfectamente
anularse (f 00 (c) = 0).
Por ejemplo, con la funcion dada por f (x) = x4 , (c = 0).

9.9.2. Condicion suficiente de extremos locales

Proposicion 9.9.11. Sea f una funcion definida en un intervalo I, sean a, b, c
puntos de I tales que a < c < b. Tenemos:

f decreciente en (a, c]
= f tiene un mnimo local en c
f creciente en [c, b)

f creciente en (a, c]
= f tiene un maximo local en c
f decreciente en [c, b)

160

Ejemplo 9.9.12. Encontrar intervalos de crecimiento, decrecimiento, maximos y

mnimos locales de la funcion f (x) = x3 3x2 + 3.
La funcion es un polinomio, por tanto, es continua y derivable en toda la recta
real. Calculemos su derivada:

f 0 (x) = 3x2 6x = 3x(x 2).

El signo de f 0 nos indica donde crece y donde decrece la funcion f .

Puntos crticos de f : 0 y 2

f 0 0 en (, 0] = f creciente en (, 0]

f 0 0 en [0, 2] = f decreciente en [0, 2]

f 0 0 en [2, +) = f creciente en [2, +)

Podemos representar la informacion que tenemos del siguiente modo:

Vemos claramente cuales son los extremos locales:

f creciente en (, 0]
= f tiene un maximo local en 0
f decreciente en [0, 2]

f decreciente en [0, 2]
= f tiene un mnimo local en 2
f creciente en [2, +)

Ahora sustituimos para calcular f (0) y f (2). Obtenemos f (0) = 3 y f (2) = 1.

Ejemplo 9.9.13. Encontrar los intervalos de crecimiento, decrecimiento, maximos
y mnimos locales de la funcion f (x) = x214 .
La funcion f (x) es una funcion racional (es un cociente de polinomios), por tanto,
continua y derivable en su dominio, que es toda la recta real excepto los puntos 2 y 2
(las races del denominador). Es decir, su dominio es (, 2) (2, 2) (2, +).
 161

Calculemos la derivada de f :
2x
f 0 (x) = .
(x2 4)2

La funcion f 0 tiene el mismo dominio de definicion que f , es decir,

(, 2) (2, 2) (2, +)

y tambien es continua.
Observamos que:
2x
f 0 (x) = 0 = 0 2x = 0 x = 0
(x2 4)2

Luego el unico punto crtico de f es 0.

Analizando el signo de f 0 tenemos:

f 0 0 en (, 2) = f creciente en (, 2)

f 0 0 en (2, 0] = f creciente en (2, 0]

f 0 0 en [0, 2) = f decreciente en [0, 2)

f 0 0 en (2, +) = f decreciente en (2, +)

Esquematicamente, recogemos la informacion obtenida hasta ahora en el sigu-

iente grafico:

En visto de esto:

f creciente en (2, 0]
= f tiene un maximo local en 0
f decreciente en [0, 2)

Sabemos que la funcion f es creciente en (, 2), pero para saber que valores
toma, hemos de calcular el lmite de f en los extremos del intervalo, es decir, debemos
calcular lm f (x) y lm f (x). Lo mismo hemos de hacer en los otros intervalos.
x x2
162

Tenemos:
1 1
lm f (x) = lm = =0
x x x2 4 +
1 1
lm f (x) = lm = (indeterminacion)
x2 x2 x2 4 0
Analicemos con cuidado el lmite anterior. Tenemos x2 4 = (x + 2)(x 2), por
tanto,
lm (x2 4) = 0
x2
1
= lm 2 = +
x2 x 4
2
x 4 > 0 si x < 2

Analogamente,

lm + (x2 4) = 0
x2
1
= lm + =
x2 x2 4
x2 4 < 0 si 2 < x < 2

De igual forma,

1 1
lm = y lm+ = +
x2 x2 4 x2 x2 4
Por ultimo,
1 1
lm = = 0.
x+ x2 4 +
Recogemos esquematicamente esta informacion en el siguiente grafico:

Proposicion 9.9.14. Sea f una funcion definida en un intervalo I, dos veces deriv-
able en c I, donde c I un punto crtico de f .

1) Si f 00 (c) > 0, entonces f tiene en c un mnimo local.

2) Si f 00 (c) < 0, entonces f tiene en c un maximo local.

 163

Nota 9.9.15. Si en algun momento olvidamos si se da el mnimo con f 00 (c) > 0

o con f 00 (c) < 0, una forma facil de recordar es pensado en la funcion f (x) = x2 .
Evidentemente, tiene un mnimo en x = 0 y f 00 2 > 0.
Observacion 9.9.16. La Proposicion 9.9.11 es mas simple de usar ya que no se
calcula la derivada segunda, ademas evita el problema siguiente: que ocurre si
f 00 (c) = 0?.
Proposicion 9.9.17. Sea f una funcion con derivada de orden n en un intervalo
I en cuyo interior esta el punto a y tal que f (n) es continua en a, f (n) (a) 6= 0 y
f 00 (a) = f 000 (a) = = f (n1) (a) = 0. Entonces:

1) Si f 0 (a) = 0, f (n) (a) > 0 y n es par, entonces f tiene en a un mnimo local.

2) Si f 0 (a) = 0, f (n) (a) < 0 y n es par, entonces f tiene en a un maximo local.

3) Si n es impar (f (n) (a) 6= 0), entonces f tiene en a un punto de inflexion.

Es decir:


f 00 (a) > 0 mnimo local




f 00 (a) < 0



maximo local




000


f (a) 6= 0 punto de inflexion
f 0 (a) = 0 =




(4)
f (a) > 0 mnimo local





00 (a) = 0 =

f





f 000 (a) = 0 = f (4) (a) < 0 maximo local














(4)
f (a) = 0

9.10. Extremos absolutos

Definicion 9.10.1. Sea f una funcion definida en un conjunto D que contiene al
numero c. Entonces

1) f tiene un maximo global ( o absoluto) en x = c si

f (x) f (c) para todo x D

2) f tiene un mnimo global ( o absoluto) en x = c si

f (c) f (x) para todo x D

164

Los maximos y mnimos absolutos, denominados colectivamente extremos absolu-

tos, especialmente cuando queremos evitar toda posible confusion con los extremos
relativos.

Ejemplo 9.10.2. La funcion f (x) = x2 tiene en x = 0 un mnimo absoluto, pues

0 = f (0) f (x) = x2

para todo x R. Sin embargo, f no tiene maximo absoluto, ya que no esta acotada
superiormente.

En el intervalo [2, 2] la funcion f s tiene un maximo absoluto. Esta claro que:

f (x) = x2 4 = f (2) = f (2)

para todo x [2, 2]. Esto nos dice que, en el intervalo [2, 2], la funcion f alcanza
su maximo absoluto en los puntos 2 y 2.

9.10.1. Como determinar los extremos absolutos en un in-

tervalo I?
Supongamos que f tiene un extremo absoluto en c.
Si c no es punto extremo del intervalo I (por ejemplo, I = [a, b], c
/ {a, b}),
entonces f tiene tambien un extremo local en c.
Por tanto segun la Proposicion 9.9.3, si f es derivable en c se debe cumplir
f 0 (c) = 0.

Nota 9.10.3. En el argumento anterior es importante el hecho de que c no sea un

extremo del intervalo I. Notese que en el Ejemplo 9.10.2 la funcion tiene extremos
absolutos en 2 y en 2 (I = [2, 2]) y, sin embargo, no son puntos crticos.

Como se ve, la derivada es una herramienta excelente para encontrar los extremos
absolutos de una funcion. Solamente hay un caso en que no nos puede ayudar:
cuando no existe.
 165

Nota 9.10.4. Dada una funcion f en un intervalo I, para encontrar sus extremos
absolutos debemos buscar entre:

1) Los puntos crticos (aquellos puntos en que la funcion es derivable y su deriva-

da es 0).

2) Los extremos del intervalo I (si pertenecen a I, por supuesto).

3) Los puntos en que la funcion f no es derivable (si es que existe alguno).

Observacion 9.10.5. Ojo! Hemos dicho que tenemos que buscar los extremos
entre estos puntos, esto es, de los demas podemos olvidarnos, pero en ningun
momento hemos dicho que estos puntos tengan necesariamente que ser extremos:
pueden serlo o no.

Ejemplo 9.10.6. Hallar el maximo y el mnimo de la funcion f (x) = |x1|ex

en el
intervalo [3, 3].
En primer lugar, notemos que la existencia de maximos y mnimos esta garanti-
zada puesto que f es una funcion continua en el intervalo cerrado y acotado [3, 3]
(vease el Teorema de Weierstrass 8.5.1).
Para saber que valor toman y donde se alcanzan estos extremos, utilizamos la
derivada.
Observemos que
1x
si x [3, 1]
|x 1| ex
f (x) = =
ex x1
ex
si x [1, 3]

Por tanto, f es derivable en todos los puntos salvo, quiza, en x = 1. Calculamos

0
f . Tenemos: x2
ex si x [3, 1)
f 0 (x) =
2x
ex
si x (1, 3]
As, el unico punto crtico es x = 2. Por tanto, tenemos que los extremos absolutos
de f se tienen que alcanzan en alguno de los puntos siguientes:

El punto x = 2 (punto crtico de f ).

El punto x = 1 (punto en el que quizas la funcion f no sea derivable).

Los puntos x = 3 y x = 3 (extremos del intervalo).

166

Evaluemos f en esos puntos:

1 2
f (2) = , f (1) = 0, f (3) = 4e4 y f (3) = .
e2 e3
El maximo de estos valores es f (3) = 4e4 y el mnimo, f (1) = 0. Por tanto,
estos son los valores maximos y mnimos de la funcion f en el intervalo [3, 3], y se
alcanzan en los puntos x = 3 y x = 1, respectivamente.
Ejemplo 9.10.7. Hallar, si existen, los extremos absolutos de f (x) = ln(x) x
.
La funcion f esta definida y es derivable en el intervalo abierto (0, +). Por
tanto, si tiene algun extremo absoluto, lo alcanza en un punto crtico.
Tenemos:

0
0 1
0 ln(x) x ln(x) (x) x
x ln(x) 1 1 ln(x)
f (x) = 2
= 2
=
x x x2
De modo que
1 ln(x)
f 0 (x) = 0 = 0 1 ln(x) = 0
x2
1 = ln(x) x = e.

Luego el unico posible punto de extremo absoluto es e.

Como el intervalo no es un cerrado y acotado, no podemos utilizar el Teore-

ma de Weierstrass 8.5.1. Con lo cual, en principio, no tenemos asegurado que f
alcance maximo o mnimo. No queda mas remedio que estudiar el crecimiento y
decrecimiento de la funcion.

Como f 0 es continua y solo se anula en e, su signo es constante en los intervalos

(0, e) y (e, +) (Teorema de Bolzano). Evaluando en algun punto de cada uno de
estos intervalos, por ejemplo en x = 1 y x = e2 , deducimos que:

f 0 0 en (0, e] y f 0 0 en [e, +)

Por tanto,

f creciente en (0, e]
= f tiene un maximo absoluto en x = e
f decreciente en [e, +)

Luego
ln(x) 1
f (x) = f (e) =
x e
 167

para todo x (0, +).

Por otra parte, f no tiene mnimo absoluto, ya que

ln(x)
lm+ f (x) = lm+ = () (+) = .
x0 x0 x

Teorema 9.10.8. Sea D R un conjunto convexo.

Si la funcion f : D R R es convexa y c D es un mnimo local de f ,
entonces c es mnimo global de f .
Ademas, si la funcion f es estrictamente convexa, el mnimo es unico.

Proposicion 9.10.9. Sean D un abierto convexo de R, y f : U R convexa.

Supongamos que f es derivable en c D, y que f 0 (c) = 0. Entonces f tiene un
mnimo absoluto en c.

Nota 9.10.10. Sea I un intervalo abierto de R. Si f : I R es convexa, entonces

f es continua.
Si I es cerrado, la convexidad no implica la continuidad sobre I, ejemplo, la
funcion 2
x si x [1, 1] {0}
f (x) =
1 si x = 0

Proposicion 9.10.11. Sea D R un convexo cerrado no vaco y f : D

(, +] una funcion convexa, continua y f 6 + tal que

lm f (x) = + (ninguna hipotesis si D es acotado).

xD
|x|

Entonces f alcanza su mnimo sobre D.

9.10.2. Aplicaciones: Maximizar y Minimizar

Hemos aprendido a localizar extremos absolutos. Esto tiene gran cantidad de
aplicaciones, pues muchos problemas practicos se formulan en terminos de maximos
y mnimos. Pensemos, por ejemplo, que habitualmente se quiere maximizar los
beneficios y minimizar los costes.

Ejemplo 9.10.12. Un fabricante hace latas de aluminio de forma cilndrica, de 16

cm3 de volumen. Hallar las dimensiones de la lata para que la cantidad de material
empleada sea mnima.
168

Denotemos r al radio de la base y h a su altura. El volumen sera:

V (r) = 16 = r2 h
y su superficie (la de tapas mas la superficie lateral)
S(r) = 2(r2 ) + 2rh
Si despejamos h en la primera igualdad, tenemos
16
16 = r2 h h = 2
r
Sustituyendo h en la expresion de la superficie, nos queda
16 32
S(r) = 2(r2 ) + 2r 2 = 2r2 +
r r
Por tanto, se trata de encontrar el mnimo de la funcion
32
S(r) = 2r2 + ,
r
donde, naturalmente, r (0, +).
Calculemos la derivada:
32 4r3 32
S 0 (r) = 4r 2 = .
r r2
Por tanto,
r
0 4r3 32 8
= 0 4r3 = 32 r =
3
S (r) = 0 2
r
Luego,
q si S tiene mnimo absoluto en (0, +), solamente puede alcanzarlo en
r0 = 3 8 . A partir del signo de S 0 confirmamos que, efectivamente, S alcanza su
q
maximo en r0 = 3 8 , pues S 0 < 0 en (0, r0 ) y S 0 > 0 en (r0 , +). La altura
correspondiente es r
16 16 3 8
h0 = 2 = q 2 = 2
r0
3 8
Luego la lata tendra las dimensiones siguientes:

radio de la base: r
3 8
r0 = cm 1, 36 cm

altura: r
3 8
h0 = 2 cm 2, 72 cm

 169

Ejemplo 9.10.13. Una ventana de forma rectangular, rematada por un arco de

medio punto, tiene u permetro de 12 metros. Cuales deben ser sus dimensiones
para que su superficie sea lo mayor posible?

Denotemos x al ancho de la ventana e y a la altura del rectangulo. El permetro

es
2 x2


12 = + 2y + x
2
y su area
2
x2
A(x) = xy + .
2
Si despejamos y en la primera igualdad, obtenemos
x 1 x 1 
12 = + 2y + x = y = 12 x =6 1+ x.
2 2 2 2 2
Por tanto, sustituyendo y en la expresion del area, vemos que lo que queremos
es obtener el maximo de la funcion

2
 1   x2 1 
A(x) = x 6 1+ x + = 6x + x2
2 2 2 2 8
donde, naturalmente, x (0, +). La grafica de A es una parabola hacia abajo,
luego alcanza su maximo en su unico punto crtico. Vamos a calcularlo:
1 
A0 (x) = 6 2 + x.
2 8
Por tanto,
1  6 24
A0 (x) = 0 6 2 + x = 0 x =  = 3, 36.
2 8 2 12 + 8 4+

24
Con lo que x0 = 4+ 3, 36 ha de ser el ancho de la ventana (en metros).
La altura del rectangulo correspondiente es:
1  1  24 12
y0 = 6 1+ x0 = 6 1+ = 1, 68.
2 2 2 2 4+ 4+
170

De modo que la ventana debe tener las dimensiones siguientes:

Ancho:
24
x0 = 3, 36 m
4+
Altura:
12
y0 = 1, 68 m
4+

9.11. Asntotas
Definicion 9.11.1. Una asntota es una recta a la que se va aproximando una
curva. Hay tres tipos de asntotas:

1) Decimos que la recta x = a es una asntota vertical de la grafica de la

funcion f si se cumple alguna de las igualdades siguientes:

lm f (x) = o lm f (x) =
xa+ xa

(o ambas igualdades a la vez).

2) Decimos que la recta y = l es una asntota horizontal de la grafica de la

funcion f si
lm f (x) = l o lm f (x) = l
x+ x

3) Decimos que la recta y = mx + b es una asntota oblicua de la grafica de

la funcion f si
   
lm f (x) (mx + b) = 0 o lm f (x) (mx + b) = 0
x+ x
 171

Nota 9.11.2. Si una funcion admite una asntota oblicua, entonces lm f (x) =
x+
+. Pero esto no basta, por ejemplo, f (x) = x2 verifica la igualdad anterior y no
tiene asntotas oblicuas.

Proposicion 9.11.3. La recta y = mx + b es asntota de la grafica de f en + si

y solamente si
f (x)  
lm =m y lm f (x) mx = b
x+ x x+

Analogamente, para .
2
x+2
Ejemplo 9.11.4. Hallar las asntotas de la funcion f (x) = 3x x1 .
La funcion es continua en (, 1) (1, +). Estudiemos los lmites en los
extremos de los intervalos.

3x2 x + 2 4
lm = (indeterminacion).
x1 x1 0

Como x 1 < 0 si x < 1, tenemos

3x2 x + 2
lm = .
x1 x1

Luego x = 1 es una asntota vertical. Analogamente,

3x2 x + 2
lm+ = +.
x1 x1

Luego x = 1 es tambien una asntota vertical cuando nos acercamos a x = 1 desde

la derecha, pero observemos que ahora acercamos al otro extremo de la recta.
Veamos que ocurre en + y en .
2
3x2 x + 2 3x 1 + x 3(+) 1 + 0
lm = lm = = +.
x+ x1 x+ 1 x1 10

2
3x2 x + 2 3x 1 + x 3() 1 + 0
lm = lm = = .
x x1 x+ 1 x1 10

Como los lmites de f cuando x + y x son infinitos, no hay asntotas

horizontales. Habra asntotas oblicuas?. Tenemos que calcular el lmite de f (x)
x
en
+ y en .
172

I En +, tenemos

f (x) 3x2 x + 2 3 x1 + x22

lm = lm = lm =3
x+ x x+ x(x 1) x+ 1 x1
 2 
  3x x + 2
lm f (x) 3x = lm 3x
x+ x+ x1
2 + x2
   
2x + 2
= lm = lm =2
x+ x1 x+ 1 x1

Luego y = 3x + 2 es una asntota de f cuando x +.

I Analogamente se comprueba que tambien es una asntota de f

cuando x .

1
Ejemplo 9.11.5. Estudiar si la grafica de f (x) = e x tiene asntotas.
La funcion f esta definida y continua en (, 0) (0, +). Hallemos el lmite
en los extremos de estos intervalos. Tenemos:


1 lm x1
lm+ e x = e x0+ = e = 0
x0


lm x1
x1
lm e =e x0 = e+ = +
x0

x1 lm x1
lm e =e x+
= e0 = 1
x+

x1 lm x1
lm e =e x
= e0 = 1
x

Por tanto, x = 0 es una asntota vertical e y = 1 una asntota horizontal.

 173

9.12. Esquema-Resumen para la representacion grafi-

ca de funciones
1) Determinar el dominio de f y expresarlo como union de intervalos.

2) Estudiar si la grafica de f tiene algun tipo de simetra (vease Nota al final).

3) Estudiar la continuidad de f y ver que ocurre en los puntos de discontinuidad.

4) Estudiar el comportamiento de f al acercarnos a los extremos de los intervalos

que componen su dominio. En particular, en + y . Asntotas.

5) Determinar los puntos de corte con los ejes (f (0) y soluciones de f (x) = 0).

6) Si f es una funcion definida a trozos, estudiarla en cada trozo. Hay que ser
especialmente cuidados en los empalmes.

7) Estudiar f 0 : donde existe?, que signo tiene?, puntos crticos . . . Esto permite
obtener:
Intervalos de crecimiento y decrecimiento de f .
Extremos locales.

8) Estudiar f 00 : donde existe?, que signo tiene?, donde se anula?. Esto permite:
Saber si los puntos crticos son maximos o mnimos locales.
Obtener los intervalos de convexidad y concavidad.
Encontrar los puntos de inflexion.

9) Elaborar una tabla resumiendo la informacion obtenida y evaluando f en al-

gunos puntos clave (extremos locales, puntos de inflexion . . .).

10) Dibujar la grafica.

Nota 9.12.1. Hay dos simetras muy conocidas:

1) Si f es par, es decir, f (x) = f (x) para todo x, entonces la grafica f es

simetrica respecto del eje OY (por ejemplo, los polinomios que tiene solamente
exponentes pares, o la funcion coseno).

2) Si f es impar, es decir, f (x) = f (x) para todo x, entonces la grafica de f es

simetrica respecto del origen (por ejemplo, los polinomios que tienen solamente
exponentes impares, o la funcion seno).
174
Captulo 10

Integracion
10.1. Que es la integral de una funcion?
La integral es una herramienta matematica que sirve, principalmente, para de-
terminar areas y volumenes.
Por geometra elemental sabemos cual es el area de algunas figuras del plano,
como por ejemplo, la de un rectangulo, la de un triangulo, la de un crculo, etc. Pero
si tenemos una figura plana distinta de estas, como determinar su area? Aqu es
donde aparece la integral. Ella nos da la respuesta.

Definicion 10.1.1. Sea f una funcion continua que toma valores mayores o iguales
que 0, definida en un intervalo [a, b]. Llamaremos R al recinto del plano que queda
limitado por la grafica de f , el eje OX, y las rectas verticales que pasan por los
puntos (a, 0) y (b, 0).
Lo que nos da la integral es precisamente el area de R. Es decir, la integral
entre a y b de la funcion f es el area de R:
Z b
Area(R) = f (x)dx.
a

10.2. La regla de Barrow

Proposicion 10.2.1. Si f es una funcion continua en un intervalo [a, b], y F es
una funcion derivable en el intervalo [a, b] cuya derivada es f , entonces
Z b
f (x)dx = F (b) F (a).
a

175
176

Observacion 10.2.2. Si f toma valores positivos y negativos en [a, b] entonces

Z b
f (x)dx = Area(R+ ) Area(R )
a

donde R+ es la parte del recinto limitado por la grafica de f , el eje OX, y las rectas
verticales que pasan por (a, 0) y (b, 0), y que queda por encima del eje OX, y R es
la parte de dicho recinto que queda por debajo del eje OX.

10.3. Calculo de primitivas

10.3.1. Notaciones y cuestiones basicas
Definicion 10.3.1. Se dice que la funcion derivable F es una primitiva de la
funcion f si F 0 = f , utilizandose la notacion
Z
f (x)dx = F (x).

f (x)dx = F (x) significa que F 0 (x) = f (x).

R
Nota 10.3.2.

Ejemplo 10.3.3.
3 x3 0
I x2 dx = x3 pues
R

= x2 .
3
3
0
I sea C R, tenemos x3 + C = x2 .
Luego x2 no tiene una sola primitiva sino muchas: todas las funciones de la
forma
x3
+C
3
Observacion 10.3.4. Si F (x) es una primitiva de f (x) en algun intervalo de la
recta real, entonces las funciones de la forma F (x) + C, (donde C es una constante)
son tambien primitivas de f (x), y son las unicas, es decir,
Z
f (x)dx = F (x) + C

en vez de Z
f (x)dx = F (x).

En general, nosotros escribiremos simplemente esto ultimo, pero es importante no

olvidar lo que acabamos de comentar.
 177

Terminologa 1. Para resaltar la diferencia entre

Z b
f (x)dx,
a

que es un numero (un area), y la expresion

Z
f (x)dx,

que se usa para referirnos a funciones, a la primera expresion (con lmites de inte-
gracion), se llama integral definida, y a la segunda (sin lmites de integracion),
integral indefinida.

10.3.2. Integrales inmediatas

Recordemos que ya conocemos unas cuantas primitivas. Basta con que nos fijemos
en una tabla de derivadas y la miramos al reves. As es como aparecen las que
llamamos integrales inmediatas.
Z
a dx = ax
xn+1
Z
n
x dx = n Z {1}
n+1
Z
1
dx = ln |x|
x
Z
ex dx = ex
ax
Z
x
a dx =
ln(a)
Z
sin(x) dx = cos(x)
Z
cos(x) dx = sin(x)
Z
1
dx = tg(x)
cos2 (x)
Z
1 cos(x)
2 dx = cotg(x) =
sin (x) sin(x)
Z
1
dx = arc tg(x)
1 + x2
Z
1
dx = arcsin(x)
1 x2
178

Ejemplos 10.3.5.
Z
1) 9 dx = 9x
x4
Z
2) x3 dx =
4
Z 5+1
x 1
3) x5 dx = x4
5 + 1 4
ex ln(2) 2x
Z Z
4) 2x dx = ex ln(2) dx = =
ln(2) ln(2)
2
x 3 +1
Z
2 3 5
5) x 3 dx = 2 = x3
3
+1 5
1 1
x 2 +1
Z Z
1 12 x2
6) dx = x dx = 1 = 1 =2 x
x 2 + 1 2

10.3.3. Propiedades basicas de la integral indefinida

Nota 10.3.6. Toda regla de derivacion proporciona una regla para el calculo de
primitivas.

Proposicion 10.3.7.
Z Z Z


I f (x) + g(x) dx = f (x) dx + g(x) dx
Z Z Z


I f (x) g(x) dx = f (x) dx g(x) dx
Z Z
I f (x) dx = f (x) dx

R
Ejemplo 10.3.8. Calcular (3x4 2x3 + 5) dx.
Z Z Z Z
4 3 4 3
(3x 2x + 5) dx = 3x dx 2x dx + 5 dx
Z Z Z Z
4 3
= 3 x dx 2 x dx + 5 dx
x5 x4 3 1
=3 2 + 5x = x5 x4 + 5x
5 4 5 2
 179
R 1
1x dx


Ejemplo 10.3.9. Calcular x x 2
Z  Z Z Z Z  x
1 1  1 1 1 1
x dx = dx dx = 3 dx dx
x x 2 x x 2x x 2 2
Z Z  x
23 1
= x dx dx
2
 x
1
32 +1 1
x 2 x 2  1  x 1
= 3 =
2 + 1 ln 12 12


2 ln(2)
2 1 1
= + x
x 2 ln(2)
1
R
Ejemplo 10.3.10. Calcular 1sin(x) dx
Z Z Z
1 1 + sin(x) 1 + sin(x)
dx =
dx = dx
1 sin2 (x)


1 sin(x) 1 sin(x) 1 + sin(x)
Z Z Z
1 + sin(x) 1 sin(x)
= dx = dx + dx
cos2 (x) cos2 (x) cos2 (x)
1
= tg(x) + sec(x) = tg(x) + .
cos(x)
Nota 10.3.11. Para que una primitiva sea util debe ser primitiva en todo un inter-
valo.

10.3.4. La integracion por partes

Teorema 10.3.12 (Integracion por partes). Si f y g son funciones derivables y
sus derivadas f 0 y g 0 son integrables, entonces
Z Z
0
   0 
f (x)g (x) dx = f (x)g(x) f (x)g(x) dx
R
Ejemplo 10.3.13. Calcular xex dx.
Por la integracion por partes, tenemos
Z Z
x
xe dx = |{z} ex dx
x |{z}
f g0

Tenemos
f (x) = x = f 0 (x) = 1


g 0 (x) = ex = g(x) = ex
Por lo tanto Z Z
x x
xe dx = xe ex dx = xex ex
180
R
Ejemplo 10.3.14. Calcular x sin(x) dx.
Z Z
x sin(x) dx
x sin(x) dx = |{z}
| {z }
f g0

Tenemos
= f 0 (x) = 1

f (x) = x
0
g (x) = sin(x) = g(x) = cos(x)
Por lo tanto
Z Z



x sin(x) dx = x cos(x) cos(x) dx
Z
= x cos(x) + cos(x) dx = x cos(x) + sin(x).

R
Ejemplo 10.3.15. Calcular ln(x) dx.
Z Z Z



ln(x) dx = ln(x) 1 dx = ln(x) |{z}
1 dx.
| {z } 0
f g

Tenemos
f (x) = ln(x) = f 0 (x) = x1


g 0 (x) = 1 = g(x) = x
Por lo tanto
Z Z Z


1
ln(x) dx = ln(x) 1 dx = ln(x) x x dx
x
Z




= x ln(x) 1 dx = x ln(x) x = x ln(x) 1

Observacion 10.3.16. En algunos casos, como en el siguiente ejemplo, conviene

aplicar dos o mas veces la integracion por partes.
R 2
Ejemplo 10.3.17. Calcular xex dx.

x2
Z Z Z
2 x
dx = xe dx = ex dx
x2 |{z}
ex |{z}
f g0

Tenemos
= f 0 (x) = 2x

f (x) = x2
0 x
g (x) = e = g(x) = ex
 181

Por lo tanto
Z Z Z
2 x 2 x x 2 x
x e dx = x e 2x(e ) dx = x e + 2 |{z} ex dx
x |{z}
u v0

Se tiene que
= u 0 (x) = 1

u(x) = x
v 0 (x) = ex = v(x) = ex
Luego
Z  Z 
2 x 2 x x x
xe dx = x e + 2 xe e dx
Z
= x2 ex 2xex + 2 ex dx = x2 ex 2xex 2ex

= (x2 + 2x + 2)ex
Nota 10.3.18. Puede ocurrir que, aplicando la integracion por partes dos o mas
veces, nos aparezca de nuevo la integral del principio. En este caso, basta despejar.
R
Ejemplo 10.3.19. Calcular ex cos(x) dx.
Z Z
x
e cos(x) dx = |{z} ex cos
| {zx} dx
g0 f

Tenemos
f (x) = cos(x) = f 0 (x) = sin(x)


g 0 (x) = ex = g(x) = ex
Por lo tanto
Z Z
x x
ex sin(x) dx


e cos(x) dx = e cos(x)
Z
x
= e cos(x) + ex sin
|{z} x dx
|{z}
v0 u

Se tiene que
u(x) = sin(x) = u 0 (x) = cos(x)


v 0 (x) = ex = v(x) = ex
Luego
Z Z
x x
e cos(x) dx = e cos(x) + ex sin x dx
 Z 
x x x
= e cos(x) + e sin(x) e cos(x) dx
Z
= e cos(x) + e sin(x) ex cos(x) dx
x x
182

Por tanto, despejando, resolvemos nuestro problema:

Z
2 ex cos(x) dx = ex cos(x) + ex sin(x)

As que
Z
1
ex cos(x) dx = ex cos(x) + sin(x)


2

Nota 10.3.20. A veces nos interesa la formula de integracion por partes para la
integral definida. Es la siguiente:
Z b  h ib Z b
0
f (x)g (x) dx = f (x)g(x) f 0 (x)g(x) dx
a a a

Re
Ejemplo 10.3.21. Calcular 1
x ln(x) dx.

e h x2 Z e 2  Z e
e2
Z ie x 1 x
x ln(x) dx = ln(x) dx =
1 2 1 1 2 x 2 1 2
2 2 ie 2 2 2
e h x e  e 1  e 1
= = = .
2 4 1 2 4 4 4

10.3.5. Cambio de variable

Supongamos que queremos integrar una funcion (x) que podemos expresar de
la forma
(x) = f u(x) u0 (x),

donde f es una funcion cuya primitiva F conocemos.

Basta aplicar

0 la regla de la cadena para deducir que F u(x) es primitiva de
(x) = f u(x) u (x), pues su derivada es

0
= F 0 u(x) u0 (x) = f u(x) u0 (x) = (x).



F u(x)

Esto se puede resumir escribiendo:

Proposicion 10.3.22.
Z Z
f u(x) u0 (x) dx = F u(x) .



Si f (t) dt = F (t), entonces
 183

De esta forma, obtenemos las integrales siguientes: basta reemplazar x por u(x)
y dx por u0 (x) dx en la tabla de integrales inmediatas.
Z
au0 (x) dx = au(x)
u(x)n+1
Z
u(x)n u0 (x) dx = n Z {1}
n+1
Z 0
u (x)
dx = ln |u(x)|
u(x)
Z
eu(x) u0 (x) dx = eu(x)

au(x)
Z
au(x) u0 (x) dx =
ln(a)
Z
u0 (x) sin(u(x)) dx = cos u(x)



Z
u0 (x) cos(u(x)) dx = sin u(x)



u0 (x)
Z



dx = tg u(x)
cos2 u(x)


u0 (x) cos u(x)
Z



dx = cotg u(x) =
sin2 u(x)


sin u(x)
u0 (x)
Z
0


dx = arc tg u (x)
1 + u(x)2
u0 (x)
Z


p dx = arcsin u(x)
1 u(x)2

4x3 +4x
R
Ejemplo 10.3.23. Calcular x4 +2x2 +7
dx.

4x3 + 4x (x4 + 2x2 + 7)0

Z Z
dx = dx = ln |x4 + 2x2 + 7|
x4 + 2x2 + 7 x4 + 2x2 + 7
= ln(x4 + 2x2 + 7)

x
R
Ejemplo 10.3.24. Calcular 1x4
dx.

(x2 )0
Z Z Z
x 1 2x 1
dx = p dx = p dx
1 x4 2 1 (x2 )2 2 1 (x2 )2
1
= arcsin x2


2
184

Nota 10.3.25. Para integrar la funcion

(x) = f u(x) u0 (x),

reemplacemos u(x) por t y u0 (x) dx por dt. De esta manera escribimos

Z Z Z

0
(x) dx = f u(x) u (x) dx = f (t) dt.

Ahora lo que tenemos que hacer es encontrar una primitiva de f (t), y una vez
que la calculemos volveremos a escribir u(x) en vez de t. Es decir, el esquema sera
el siguiente:
Z Z Z

0 () () ()

(x) dx = f u(x) u (x) dx = f (t) dt = F (t) = F u(x) .

Donde
() Aqu ponemos u(x) = t y u0 (x) dx = dt
() Aqu calculamos la primitiva F de f .
( ) Aqu deshacemos el cambio, es decir, sustituimos t por u(x).
Resumen:
1) Sustituimos u(x) = t y u0 (x) dx = dt
2) Resolvemos la integral resultante (en la variable t).
3) Deshacemos el cambio, es decir, sustituimos t por u(x).
R
Ejemplo 10.3.26. Calcular cos5 (x) dx.
Gracias a la identidad trigonometrica fundamental

sin2 (x) + cos2 (x) = 1

podemos escribir

2
cos5 (x) = cos4 (x) cos(x) = 1 sin2 (x) cos(x)

Esto nos sugiere tomar sin(x) = t, con lo que cos(x) dx = dt.

As tenemos
Z Z Z
5

2
cos (x) dx = 1 sin (x) cos(x) dx = (1 t2 )2 dt
2

Z
2 1
= (1 2t2 + t4 ) dt = t t3 + t5
3 5
1 5 2 3
= sin (x) sin (x) + sin(x)
5 3
 185

Nota 10.3.27. Para simplificar la integral de una funcion, a veces hacemos el cam-
bio x = g(t), en vez de hacer u(x) = t. En este caso ponemos

dx = g 0 (t) dt
1
R
Ejemplo 10.3.28. Calcular 3 x+x dx.

Hacemos x = t6 . As dx = 6t5 dt y t = 6 x, con lo cual

6t5 t2 t3 t3
Z Z Z Z
1
dx = dt = 6 dt = 6 dt
3
x+ x t2 + t3 t2 (1 + t) 1+t
Z 
() 1 
=6 t2 t + 1 dt
1+t
1 1 2 
3
= 6 t t + t ln(1 + t)
3 2
1 1

=6 x 3
x + x ln 1 + x
6 6

3 2
() Hemos dividido el polinomio t3 entre 1 + t.
R
Ejemplo 10.3.29. Calcular 1 x2 dx.
Hacemos x = sin(t), as dx = cos(t) dt y t = arcsin(x), con lo cual, utilizando
1
cos2 (x) =


1 + cos(2x) y sin(2x) = 2 sin(x) cos(x)
2
tenemos
Z Z q Z
2 2
1 x dx = 1 sin (t) cos(t) dt = cos(t) cos(t) dt
Z Z
2 1

= cos (t) dt = 1 + cos(2t) dt
2
Z Z
1 1
= dt + cos(2t) dt
2 2
Z
1 1 1 1
= t+ 2 cos(2t) dt = t + sin(2t)
2 4 2 4
1 1 1 1
q
= t + 2 sin(t) cos(t) = t + sin(t) 1 sin2 (t)
2 4 2 2
1

= arcsin(x) + x 1 x2 .
2
Observacion 10.3.30. Cuando hacemos el cambio x = g(t) suponemos que g es
una funcion que tiene una inversa h, o sobreentendemos que estamos trabajando en
algun intervalo en el que esto es cierto.
186

Proposicion 10.3.31. Sea (x) una funcion continua y g(t) una funcion derivable
con derivada continua. Supongamos ademas

0 que g(t) tiene una
funcion inversa h(x).
Si G(t) es una primitiva de g(t) g (t), entonces G h(x) es una primitiva de
(x).

Resumen: Tanto si hacemos u(x) = t como si hacemos x = g(t), el procedimiento

es el siguiente:
Sustituimos u(x) = t y u0 (x) dx = dt
1)
(o sustituimos x = g(t) y dx = g 0 (t)dt)
2) Resolvemos la integral resultante (en la variable t).
3) Deshacemos el cambio.
R
Ejemplo 10.3.32. Calcular x x 7dx.
Hacemos t = x 7, despejamos x en la funcion de t, y derivamos:

t = x 7 = t2 = x 7 = x = t2 + 7 = dx = 2t dt

con lo cual

Z Z Z
x x 7dx = (t + 7)t2t dt = 2 (t4 + 7t2 ) dt
2

Z Z
2 14
= t dt + 14 t2 dt = t5 + t3
4
5 3
2
5 14
3
= x7 + x7
5 3
Captulo 11

Ecuaciones Diferenciales
Ordinarias

11.1. Concepto de ecuacion diferencial ordinaria

Definicion 11.1.1. Se llama ecuacion diferencial ordinaria (en adelante E.D.O.)
a una relacion entre la variable independiente t R, la funcion desconocida y(t) y
sus derivadas sucesivas y 0 (t), y 00 (t), . . ., y (n) ; es decir, a una expresion de la forma

f t, y(t), y 0 (t), y 00 (t), . . . , y (n) (t) = 0.

Ejemplos 11.1.2.

y 00 (t) 3y 0 (t) + cos y(t) sin(t) = 0;

1)
2) y 0 (t) + ln(t) = 0,

son E.D.O. en las que funcion desconocida es y(t).

Definicion 11.1.3. Se denomina orden de una ecuacion diferencial al mayor orden

de derivacion de la funcion y(t) que aparece en la ecuacion diferencial.

187
188

11.2. Solucion de una ecuacion diferencial ordi-

naria
Definicion 11.2.1. Sean

f t, y(t), y 0 (t), y 00 (t), . . . , y (n) (t) = 0.

(11.1)

una E.D.O. y (a, b) un intervalo de R. Diremos que una funcion y(t) es solucion
de la E.D.O. en el intervalo (a, b) si y solo si, para todo t (a, b), la funcion y(t) y
sus derivadas sucesivas verifican la ecuacion

f t, y(t), y 0 (t), y 00 (t), . . . , y (n) (t) = 0.

Ejemplo 11.2.2. La solucion de

y 0 (t) 3t2 y(t) = t2

es
3 1
y(t) = et .
3

11.2.1. Solucion general de una ecuacion diferencial ordi-

naria
Definicion 11.2.3. Sean C1 , C2 , . . . , Cn parametros en R. La funcion

y(t) = g(t, C1 , C2 , . . . , Cn )

es la solucion general de la E.D.O. (11.1) en el intervalo (a, b) R si y solo si

sustituida en la ecuacion diferencial, esta se verifica para todo t (a, b).

Ejemplo 11.2.4. La ecuacion diferencial ordinaria

y 00 (t) 25y(t) = 0

tiene como solucion general

y(t) = C1 e5t + C2 e5t

donde C1 y C2 son numeros reales.

Observacion 11.2.5. La solucion general de una E.D.O. depende de tantos paramet-

ros como indica su orden.
 189

11.2.2. Solucion particular de una ecuacion diferencial or-

dinaria
Definicion 11.2.6. Sean (t0 , y0 ) R2 , con t0 (a, b) R, y sea
y(t) = g(t, C1 , C2 , . . . , Cn )
la solucion general de la E.D.O. (11.1) en el intervalo (a, b).
Dados C10 , C20 , . . . , Cn0 R, diremos que
yp (t) = g(t, C10 , C20 , . . . , Cn0 )
es una solucion particular de la E.D.O. (11.1), que pasa por el punto (t0 , y0 ) R2 ,
si y solo si se verifica que
yp (t0 ) = g(t0 , C10 , C20 , . . . , Cn0 ).
El punto (t0 , y0 ) R2 se denomina condicion inicial de la E.D.O. (11.1).
Ejemplo 11.2.7. La ecuacion diferencial ordinaria
y 0 (t) = 6t2 5
tiene como solucion general
y(t) = 2t3 5t + C
para todo numero real C. Se obtiene una solucion particular asignando valores es-
pecficos a C. Por ejemplo, tomando C = 0 se obtiene la solucion particular
y(t) = 2t3 5t.
Nota 11.2.8. Graficamente, una solucion particular es una de las curvas de la
familia que define la solucion general; se trata, en concreto, de la curva que pasa
por el punto (t0 , y0 ) R2 .

11.3. Ecuaciones diferenciales de variables sepa-

rables de primer orden
Definicion 11.3.1. Una E.D.O. de primer orden se llama de variables separables
si y solo si es de la forma

y 0 (t)P y(t) = Q(t),

o bien P (y)dy = Q(t)dt (11.2)
donde P y Q son funciones continuas.
190

Proposicion 11.3.2. La solucion general de la E.D.O. (11.2), se obtiene integrando

ambas partes de la igualdad, es decir,
Z Z
P (y)dy = Q(t)dt + C

donde C R.

Ejemplo 11.3.3. Resolver la ecuacion diferencial

y 4 (t)e2t + y 0 (t) = 0.

Solucion 11.3.4. Tenemos

dy
y 4 (t)e2t + = 0.
dt
Entonces
y 4 (t)e2t dt + dy = 0.
Si y 6= 0 para todo t R, se tiene que

1
e2t dt + dy = 0.
y4

Integrando cada termino, obtenemos la solucion

1 2t 1
e 3 = C.
2 3y

Por tanto
 2  13
y(t) = .
3e2t 6C

11.4. Ecuaciones diferenciales homogeneas de primer

orden
Definicion 11.4.1. Una E.D.O. de primer orden se llama ecuacion diferencial
homogenea si se puede poner de la forma

 
0 y(t)
y (t) = P (11.3)
t

donde P es una funcion continua.

 191

Proposicion 11.4.2. La solucion general de la E.D.O. (11.5), se calcula haciendo

el cambio de variable
y(t) = tu(t),
con lo que la ecuacion inicial se convierte en

tu0 (t) + u(t) = P u(t) ,

que es una ecuacion de variables separables.

Ejemplo 11.4.3. Resolver la ecuacion diferencial homogenea

4t 3y(t) + y 0 (t)(2y(t) 3t) = 0.

Solucion 11.4.4. La ecuacion se puede poner de la forma

t
0
4 y(t) 3
y (t) = t .
3 y(t) 2

Realizando la sustitucion y(t) = tu(t), se tiene que

4t 3tu(t) + tu0 (t) + u(t) 2u(t)t 3t = 0,

y dividiendo por t queda

4 3u(t) + tu0 (t) + u(t) 2u(t) 3 = 0

o lo que es lo mismo
3u(t) 4 2u2 (t) + 3u(t)
u0 (t)t =
2u(t) 3
que es una ecuacion de variables separables.
Integrando, se tiene:
2u 3
Z Z
dt
2
du = ,
2u + 6u 4 t
es decir
1  
ln u2 3u + 2 = ln |t| + C.
2
Deshaciendo el cambio de variable y operando se obtiene

y 2 (t) 3ty(t) + 2t2 = K,

que es la solucion general.

192

11.5. Ecuaciones diferenciales lineales de primer

orden
Definicion 11.5.1. Una ecuacion diferencial lineal de primer orden es una
ecuacion de la forma
y 0 (t) + P (t)y(t) = Q(t)
donde P y Q son funciones continuas.
Proposicion 11.5.2. La solucion general de una ecuacion diferencial lineal de
primer orden es Z 
R R
P (t)dt P (t)dt
y(t) = e Q(t)e dt + C

donde C R.
Ejemplo 11.5.3. Resolver la ecuacion diferencial

y 0 (t) 3t2 y(t) = t2 .

Solucion 11.5.4. La ecuacion diferencial es lineal de primer orden con

P (t) = 3t2 y Q(t) = t2 .

Segun la proposicion anterior tenemos:

R 2
Z  Z 
3t2 dt t3 2 t3 dt
R
3t dt 2
y(t) = e te dt + C = e te dt + C
 
t3 1 t3 1 3
=e e + C = + Cet .
3 3

11.6. Ecuaciones diferenciales lineales de segundo

orden con coeficientes constantes
Definicion 11.6.1. Una ecuacion diferencial lineal de segundo orden con
coeficientes constantes es una ecuacion de la forma

y 00 (t) + by 0 (t) + cy(t) = h(t) (11.4)

donde b y c son constantes en R y h es una funcion de una variable.

Si h(t) = 0 para todo t, se dice que la ecuacion es homogenea.

Si h(t) 6= 0 para algun t, se dice que la ecuacion es no homogenea.

 193

Ejemplo 11.6.2.

1) y 00 (t) 6y 0 (t) + 9y(t) = 0, 2) y 00 (t) + 4y 0 (t) + 4y(t) = 8e2t .

Proposicion 11.6.3. Si yh (t) es la solucion general de la ecuacion homogenea

y 00 (t) + by 0 (t) + cy(t) = 0,

y si yp (t) es una solucion particular de

y 00 (t) + by 0 (t) + cy(t) = h(t),

entonces la solucion general de (11.4) es

y(t) = yh (t) + yp (t).

11.6.1. Calculo de la solucion general de la ecuacion difer-

encial homogenea de segundo orden con coeficientes
constantes
Definicion 11.6.4. Se llama ecuacion caracterstica asociada a la E.D.O. lineal
homogenea con coeficientes constantes reales

y 00 (t) + by 0 (t) + cy(t) = 0 (11.5)

a la ecuacion polinomica

2 + b + c = 0. (11.6)

Proposicion 11.6.5. Para cada raz de la ecuacion caracterstica, i , con i {1, 2},
se obtiene una funcion
yi (t)
que sera solucion particular de la E.D.O. lineal homogenea. Por tanto la soluciones
general de la E.D.O. lineal homogenea es de la forma

y(t) = C1 y1 (t) + C2 y2 (t)

donde C1 y C2 son numeros reales.

Observacion 11.6.6. La expresion concreta de cada yi (t) dependera de como sean

las races de la ecuacion caracterstica.

Proposicion 11.6.7. La solucion general de (11.5) tiene las formas siguientes:

194

1) Races reales simples de la ecuacion (11.6).

Si las races 1 y 2 de la ecuacion caracterstica (11.6) son reales y distintas,
entonces la solucion general de la ecuacion (11.5) es

y(t) = C1 e1 t + C2 e2 t

donde C1 y C2 son numeros reales.

2) Raz real multiple de la ecuacion (11.6).

Si la ecuacion caracterstica (11.6) tiene una raz doble , entonces la solucion
general de de la ecuacion (11.5) es

y(t) = C1 et + C2 tet

donde C1 y C2 son numeros reales.

3) Races imaginarias simples de la ecuacion (11.6).

Si la ecuacion caracterstica (11.6) tiene dos races complejas distintas + i
y i, entonces la solucion general de de la ecuacion (11.5) es
 
t
y(t) = e C1 cos(t) + C2 sin(t)

donde C1 y C2 son numeros reales.

Ejemplo 11.6.8. Resolver la ecuacion diferencial

y 00 (t) 3y 0 (t) 10y(t) = 0.

Solucion 11.6.9. La ecuacion caracterstica es

2 3 10 = 0.

Como las races 1 = 5 y 2 = 2 son reales y distintas, resulta del caso 1) de

la proposicion anterior que la solucion general es

y(t) = C1 e5t + C2 et

donde C1 , C2 R.

Ejemplo 11.6.10. Resolver la ecuacion diferencial

y 00 (t) 6y 0 (t) + 9y(t) = 0.

 195

Solucion 11.6.11. La ecuacion caracterstica

2 6 + 9 = 0,
tiene una raz doble, 3. Por tanto, segun el caso 2) de la proposicion anterior, la
solucion general es
y(t) = C1 e3t + C2 te3t
donde C1 , C2 R.
Ejemplo 11.6.12. Resolver la ecuacion diferencial
y 00 (t) 10y 0 (t) + 41y(t) = 0.
Solucion 11.6.13. Las races de la ecuacion caracterstica
2 10 + 41 = 0
son
10 100 164 10 64 10 8i
= = = = 5 4i.
2 2 2
De acuerdo con el caso 3) de la proposicion anterior, la solucion general de la
ecuacion diferencial es
 
y(t) = e5t C1 cos(4t) + C2 sin(4t)
donde C1 , C2 R.

11.6.2. Calculo de la solucion particular de la ecuacion difer-

encial completa de segundo orden con coeficientes
constantes
Para determinar una solucion particular de (11.4), ecuacion diferencial lineal
completa de segundo orden, debera tenerse en cuenta la forma que tenga la funcion
h(t).
El siguiente esquema muestra una estrategia de busqueda de la solucion partic-
ular.
1) Si h(t) un polinomio de grado m.
1 1) Si 0 no es raz de la ecuacion caracterstica asociada a la ecuacion difer-
encial homogenea; entonces una solucion particular es un polinomio de
grado m de la forma
yp (t) = a0 + a1 t + a2 t2 + + am tm ,
siendo a0 , a1 , . . . , am los parametros a determinar sustituyendo la solucion
particular yp (t), y sus derivadas sucesivas, en la ecuacion diferencial.
196

1 2) Si 0 es una raz de la ecuacion caracterstica asociada a la ecuacion difer-

encial homogenea, con multiplicidad k; entonces una solucion particular
es de la forma
yp (t) = (a0 + a1 t + a2 t2 + + am tm ) tk ,
siendo a0 , a1 , . . . , am los parametros a determinar.
2) Si la funcion h(t) es de la forma:
h(t) = (b0 + b1 t + b2 t2 + + bm tm ) et ,
deberan distinguirse dos posibilidades:
2 1) Si no es raz de la ecuacion caracterstica; entonces una solucion par-
ticular es de la forma
yp (t) = (a0 + a1 t + a2 t2 + + am tm ) et ,
siendo a0 , a1 , . . . , am los parametros a determinar.
2 2) Si es raz de multiplicidad k de la ecuacion caracterstica; entonces una
solucion particular es de la forma
yp (t) = (a0 + a1 t + a2 t2 + + am tm ) et tk ,
siendo a0 , a1 , . . . , am los parametros a determinar.
3) Si la funcion h(t) es de la forma:
 
h(t) = et Pl (t) cos(t) + Qm (t) sin(t) ,

con Pl (t) y Qm (t) son polinomios de grado l y m respectivamente. Deberan

distinguirse dos posibilidades:
3 1) Si i no es raz de la ecuacion caracterstica, una solucion particular
es de la forma
 
yp (t) = et Tr (t) cos(t) + Sr (t) sin(t) ,

donde Tr (t), Sr (t) son polinomios de grado r = max{l, m}.

3 2) Si i es raz de multiplicidad k de la ecuacion caracterstica, una
solucion particular es de la forma
 
yp (t) = tk et Tr (t) cos(t) + Sr (t) sin(t) ,

donde Tr (t), Sr (t) son polinomios de grado r = max{l, m}.

 197

Ejemplo 11.6.14. Resolver la ecuacion diferencial

y 00 (t) 4y(t) = 6t 4t2 .

Solucion 11.6.15. Resolvamos en primer lugar la ecuacion homogenea

y 00 (t) 4y(t) = 0.

La ecuacion caracterstica asociada es

2 4 = 0,

cuyas races son

1 = 2, 2 = 2.
Por tanto, la solucion general de la ecuacion homogenea es

yh (t) = C1 e2t + C2 e2t .

Puesto que 0 no es raz de la ecuacion caracterstica, entones calculamos una

solucion particular de la forma

yp (t) = a0 + a1 t + a2 t2 .

Como
y 00 (t) 4y(t) = 2a2 4a0 4a1 t 4a2 t2 ,
debe ser
(2a2 4a0 ) 4a1 t 4a2 t2 = 6t 4t2 .
Identificando coeficientes se obtiene el sistema

2a2 4a0 = 0
4a1 =6
4a2 = 4

cuya solucion es
1 3
a0 = , a1 = , a2 = 1.
2 2
As pues, la solucion general de la ecuacion diferencial es
1 3
y(t) = yh (t) + yp (t) = t + t2 + C1 e2t + C2 e2t .
2 2
Ejemplo 11.6.16. Resolver la ecuacion diferencial

y 00 (t) y 0 (t) = 2t + 3t2 .

198

Solucion 11.6.17. Resolvamos en primer lugar la ecuacion homogenea

y 00 (t) y 0 (t) = 0.

La ecuacion caracterstica asociada es

2 = 0,

cuyas races son

1 = 0, 2 = 1.
Por tanto, la solucion general de la ecuacion homogenea es

yh (t) = C1 + C2 et .

Puesto que 0 es raz de la ecuacion caracterstica, con multiplicidad 1, entones

calculamos una solucion particular de la forma

yp (t) = (a0 + a1 t + a2 t2 ) t.

Como
y 00 (t) y 0 (t) = 2a1 a0 + (6a2 2a1 )t 3a2 t2 ,
debe ser
2a1 a0 + (6a2 2a1 )t 3a2 t2 = 2t + 3t2 .
Identificando coeficientes se obtiene el sistema

2a1 a0 = 0
6a2 2a1 = 2
3a2 =3

cuya solucion es
a0 = 8, a1 = 4, a2 = 1.

As pues, la solucion general de la ecuacion diferencial es

y(t) = yh (t) + yp (t) = 8t 4t2 t3 + C1 + C2 et .

Ejemplo 11.6.18. Resolver la ecuacion diferencial

y 00 (t) + y 0 (t) 2y(t) = (4t + 1)e2t

 199

Solucion 11.6.19. La ecuacion caracterstica es

2 + 2 = 0,

cuyas races son:

1 = 1, 2 = 2.
La solucion general de la ecuacion homogenea asociada, sera:

yh (t) = C1 et + C2 e2t

Como 2 no es raz de la ecuacion caracterstica; entonces una solucion particular

es de la forma
yp (t) = (a0 + a1 t) e2t ,
Sustituyendo:

y 00 (t) + y 0 (t) 2y(t) = (4a0 + 5a1 + 4a1 t)e2t = (4t + 1)e2t .

Igualando coeficientes 
4a1 =4
4a0 + 5a1 = 1
resulta:
a0 = 1, a1 = 1.
La solucion general de la ecuacion diferencial completa es:

y(t) = C1 et + C2 e2t + (1 + t)e2t .

Ejemplo 11.6.20. Resolver la ecuacion diferencial

y 00 (t) 4y 0 (t) + 4y(t) = (t + 1)e2t

Solucion 11.6.21. La ecuacion caracterstica asociada a la ecuacion homogenea es

2 4 + 4 = ( 2)2 = 0

que tiene como raz, doble,

= 2.
Por tanto la solucion general de la ecuacion homogenea es

yh (t) = C1 e2t + C2 te2t

Puesto que 2 es raz de multiplicidad 2 de la ecuacion caracterstica; entonces

una solucion particular es de la forma

yp (t) = (a0 + a1 t) e2t t2 ,

200

Sustituyendo:

y 00 (t) 4y 0 (t) + 4y(t) = (2a0 + 6a1 t)e2t = (t + 1)e2t

Igualando coeficientes 
6a1 = 1
2a0 = 1
resulta:
1 1
a0 = , a1 = .
2 6
La solucion general de la ecuacion diferencial completa es:
1 1 3  2t
2t 2t 2
y(t) = C1 e + C2 te + t + t e .
2 6
Ejemplo 11.6.22. Resolver la ecuacion diferencial

y 00 (t) 6y 0 (t) + 9y(t) = 25et sin(t).

Solucion 11.6.23. La ecuacion caracterstica asociada a la ecuacion homogenea,

es
2 6 + 9 = ( 3)2 = 0,
cuya unica raz (doble) es
= 3.
Por tanto, la solucion general de la ecuacion homogenea es

yh (t) = C1 e3t + C2 te3t .

Tenemos = = 1. Como 1i no es raz de la ecuacion caracterstica, entonces

una solucion particular es de la forma
 
yp (t) = et Tr (t) cos(t) + Sr (t) sin(t)

donde
Tr (t) = a R, Sr (t) = b R
ya que
r = max{l = 0, m = 0}.
Imponiendo que yp (t) sea solucion de la ecuacion completa inicial, se obtiene

et 2b cos(t) 2a sin(t) 6et a + b) cos(t) + (b a) sin(t)


t
+ 9e a cos(t) + b sin(t)
= 25et sin(t),
 201

por tanto
(3a 4b) cos(t) + (4a 3b 25) sin(t) = 0.
Como el sistema {sin(t), cos(t)} es linealmente independiente, se sigue que

3a 4b =0
4a 3b 25 = 0
de donde
a = 4, b = 3.
As pues la solucion general buscada es
y(t) = et 4 cos(t) + 3 sin(t) + C1 e3t + C2 te3t .

Ejemplo 11.6.24. Resolver la ecuacion diferencial

y 00 (t) 2y 0 (t) + 2y(t) = et cos(t).
Solucion 11.6.25. La ecuacion caracterstica asociada a la ecuacion homogenea,
es
2 2 + 2 = 0.
La solucion general de de la ecuacion homogenea es
 
yh (t) = et C1 cos(t) + C2 sin(t)
Como 1 i es raz de multiplicidad 1 de la ecuacion caracterstica, una solucion
particular es de la forma
 
yp (t) = t et Tr (t) cos(t) + Sr (t) sin(t) ,
donde Tr (t), Sr (t) son polinomios de grado r = max{l = 0, m = 0}, es decir,
 
yp (t) = t et a cos(t) + b sin(t)
Imponiendo que yp (t) sea solucion de la ecuacion completa inicial, se obtiene
2a sin(t) + (2b 1) cos(t) = 0.
Como el sistema {sin(t), cos(t)} es linealmente independiente, se sigue que

2a = 0
2b 1 = 0
de donde
1
a = 0, b= .
2
As pues la solucion general buscada es
  1
y(t) = e C1 cos(t) + C2 sin(t) + sin(t) tet .
t
2
202