Está en la página 1de 168

Indice general

1. COMBINATORIA 1.1. Conceptos fundamentales . . . . . . . . . . . . 1.2. Muestras ordenadas . . . . . . . . . . . . . . . 1.2.1. Muestras ordenadas sin repetici on . . . 1.2.2. Permutaciones . . . . . . . . . . . . . . 1.2.3. Permutaciones con elementos repetidos . 1.2.4. Muestras ordenadas con repetici on . . . 1.3. Muestras no ordenadas . . . . . . . . . . . . . . 1.3.1. Muestras no ordenadas y sin repetici on 1.4. EJERCICIOS . . . . . . . . . . . . . . . . . . . 5 5 7 7 7 8 8 9 9 12 15 15 15 18 21 25 26 27 30 31 33 38 38 38 40 40 41 42 44 44 46 47 49 51 56 56 56 58 59

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

2. PROBABILIDAD 2.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . 2.2. Deniciones b asicas . . . . . . . . . . . . . . . . . . . . 2.3. Operaciones con sucesos . . . . . . . . . . . . . . . . . 2.4. Asignaci on de probabilidades. Regla de Laplace . . . . 2.5. Probabilidad condicionada . . . . . . . . . . . . . . . . 2.6. Sucesos independientes . . . . . . . . . . . . . . . . . . 2.7. Experimentos compuestos. Teorema de la probabilidad 2.8. Tablas de contingencia . . . . . . . . . . . . . . . . . . 2.9. El teorema de Bayes. . . . . . . . . . . . . . . . . . . . 2.10. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . total. . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

BINOMIAL Y DISTRIBUCION NORMAL 3. DISTRIBUCION 3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. La distribuci on binomial o de Bernoulli . . . . . . . . . . . . . . . 3.2.1. El uso de las tablas de la distribuci on binomial . . . . . . . 3.2.2. Probabilidades acumuladas . . . . . . . . . . . . . . . . . . 3.2.3. Media y desviaci on t pica en una distribuci on binomial . . . 3.3. La distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. Uso de las tablas de la distribuci on normal N(0;1) . . . . . 3.3.2. C alculo de otras probabilidades . . . . . . . . . . . . . . . . 3.3.3. C alculo de probabilidades en normales N (x; ) . . . . . . . 3.3.4. Otro uso de las tablas . . . . . . . . . . . . . . . . . . . . . 3.4. Relaci on entre la distribuci on binomial y la distribuci on normal . . 3.5. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. INFERENCIA ESTAD ISTICA 4.1. Introducci on . . . . . . . . . . . . 4.2. Muestreos . . . . . . . . . . . . . 4.3. Estimaci on por puntos . . . . . . 4.4. Distribuci on muestral de medias

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

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

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

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

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

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

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

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

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

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

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

. . . .

. . . .

. . . .

. . . .

. . . . 1

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

INDICE GENERAL 4.5. Distribuci on muestral de proporciones . . . . . . . . . . . . . . 4.6. Intervalos de probabilidad . . . . . . . . . . . . . . . . . . . . . 4.6.1. Intervalo de probabilidad para la media muestral x . . . 4.6.2. Intervalo de probabilidad para la proporci on muestral p 4.7. Estimaci on por intervalos . . . . . . . . . . . . . . . . . . . . . 4.7.1. Estimaci on de la media de una poblaci on . . . . . . . 4.7.2. Estimaci on de una proporci on . . . . . . . . . . . . . . . 4.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. TEST DE HIPOTESIS 5.1. Introducci on . . . . . . . . . . . . . . 5.2. Hip otesis estad sticas . . . . . . . . . 5.3. Errores . . . . . . . . . . . . . . . . . 5.4. Regi on cr tica y regi on de aceptaci on 5.5. Etapas de la prueba de hip otesis . . 5.6. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 60 62 63 65 65 65 67 69 72 72 72 73 74 76 80

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

6. MATRICES Y DETERMINANTES 6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . 6.2. Matrices. Denici on y primeros ejemplos . . . . . . . 6.3. Tipos de matrices . . . . . . . . . . . . . . . . . . . . 6.4. Aplicaciones de las matrices . . . . . . . . . . . . . . 6.5. Operaciones con matrices . . . . . . . . . . . . . . . 6.5.1. Suma y diferencia . . . . . . . . . . . . . . . 6.5.2. Producto por un n umero real . . . . . . . . . 6.5.3. Trasposici on de matrices . . . . . . . . . . . . 6.5.4. Producto de matrices . . . . . . . . . . . . . 6.6. La matriz inversa . . . . . . . . . . . . . . . . . . . . 6.6.1. M etodo directo: . . . . . . . . . . . . . . . . . 6.6.2. M etodo de Gauss-Jordan: . . . . . . . . . . . 6.7. Rango de una matriz . . . . . . . . . . . . . . . . . . 6.8. Determinantes . . . . . . . . . . . . . . . . . . . . . 6.9. La regla de Sarrus . . . . . . . . . . . . . . . . . . . 6.10. Propiedades de los determinantes . . . . . . . . . . . 6.11. Relaci on entre la inversa y los determinantes . . . . 6.12. Aplicaci on de los determinantes al c alculo del rango 6.13. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

82 . 82 . 82 . 83 . 84 . 86 . 86 . 87 . 87 . 88 . 90 . 91 . 92 . 94 . 95 . 97 . 98 . 100 . 101 . 103

7. SISTEMAS DE ECUACIONES LINEALES 109 7.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.3. Expresi on matricial de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.4. Tipos de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.5. Sistemas con dos inc ognitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.5.1. Discuci on de sistemas de 2 ecuaciones con 2 inc ognitas . . . . . . . . . . . . . . 113 7.6. Sistemas de 2 inc ognitas y 3 ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 113 7.7. Sistemas de 3 ecuaciones y 3 inc ognitas . . . . . . . . . . . . . . . . . . . . . . . . . . 117 7.7.1. Interpretaci on geom etrica de los sistemas con 3 ecuaciones y 3 inc ognitas . . . 117 7.7.2. Discusi on de sistemas de 3 ecuaciones y 3 inc ognitas . . . . . . . . . . . . . . . 120 7.8. Aplicaci on de las matrices y determinantes a la resoluci on de sistemas. Regla de Cramer 121 7.8.1. Aplicaci on de las matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 7.8.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

INDICE GENERAL 7.9. Estudio de sistemas cualesquiera Frobenius . . . . . . . . . . . . . 7.10. Sistemas homog eneos . . . . . . . 7.11. EJERCICIOS . . . . . . . . . . . mediante el . . . . . . . . . . . . . . . . . . . . . c alculo del rango. Teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 de Rouch e. . . . . . . 123 . . . . . . . 124 . . . . . . . 125 127 127 127 128 131 131 133 134 136 139 141 145 145 147 149 149 151 152 153 153 155 156 157 158 161 168 168 168 170 171 172 173 175 175 176 177 179 183 185 187 189

LINEAL 8. PROGRAMACION 8.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2. Inecuaciones lineales con 2 variables . . . . . . . . . . . . . . . . 8.3. Sistemas de inecuaciones lineales con dos variables . . . . . . . . 8.4. Problemas de optimizaci on de una funci on sujeta a restricciones . 8.4.1. Forma geom etrica . . . . . . . . . . . . . . . . . . . . . . 8.4.2. Forma algebraica . . . . . . . . . . . . . . . . . . . . . . . 8.5. Algunos ejemplos de casos extremos . . . . . . . . . . . . . . . . 8.6. Aplicaci on a problemas concretos . . . . . . . . . . . . . . . . . . 8.7. El problema del transporte . . . . . . . . . . . . . . . . . . . . . 8.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9. L IMITES Y CONTINUIDAD DE FUNCIONES 9.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . 9.2. Tipos de l mites . . . . . . . . . . . . . . . . . . . . 9.3. C alculo de l mites . . . . . . . . . . . . . . . . . . . 9.3.1. L mites en el innito . . . . . . . . . . . . . 9.3.2. L mites en puntos nitos . . . . . . . . . . . 9.3.3. L mites potenciales. Indeterminaci on 1 . . 9.4. As ntotas . . . . . . . . . . . . . . . . . . . . . . . 9.4.1. As ntotas verticales . . . . . . . . . . . . . . 9.4.2. As ntotas horizontales . . . . . . . . . . . . 9.4.3. As ntotas Oblicuas . . . . . . . . . . . . . . 9.5. Continuidad . . . . . . . . . . . . . . . . . . . . . . 9.6. Tipos de discontinuidad . . . . . . . . . . . . . . . 9.7. EJERCICIOS . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

10.DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION 10.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2. Introducci on al concepto de derivada. Tasas de variaci on media e instant anea. . . . . . 10.3. Denici on de derivada. Reglas de derivaci on. Interpretaci on geom etrica . . . . . . . . . 10.3.1. Propiedades de las derivadas. Reglas de derivaci on . . . . . . . . . . . . . . . . 10.3.2. Derivadas elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3.3. Interpretaci on geom etrica de la derivada . . . . . . . . . . . . . . . . . . . . . . 10.4. Aplicaciones de las derivadas a la F sica y la Econom a . . . . . . . . . . . . . . . . . . 10.4.1. Aplicaci on a la F sica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.4.2. Aplicaci on a la Econom a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.5. Derivabilidad y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.6. Aplicaciones de las derivadas al c alculo del crecimiento y decrecimiento de una funci on. C alculo de extremos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.7. Aplicaciones de las derivadas al c alculo de la concavidad y la convexidad, puntos de inexi on. Criterio para determinar m aximos y m nimos. . . . . . . . . . . . . . . . . . 10.8. Representaci on gr aca de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.9. Optimizaci on de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.10. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

INDICE GENERAL 11.INTEGRACION. CALCULO DE AREAS 11.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2. Primitivas. Integral indenida . . . . . . . . . . . . . . . . . . . . 11.3. Primitivas inmediatas . . . . . . . . . . . . . . . . . . . . . . . . 11.4. Integraci on por cambio de variable . . . . . . . . . . . . . . . . . 11.5. Determinaci on de una primitiva particular de una funci on . . . . 11.6. El problema del c alculo del a rea . . . . . . . . . . . . . . . . . . . 11.7. La integral denida. La regla de Barrow . . . . . . . . . . . . . . 11.8. Aplicaciones de la integral denida al c alculo de a reas de recintos 11.8.1. Areas limitadas por una funci on y el eje x . . . . . . . . . 11.8.2. Areas limitadas por dos funciones . . . . . . . . . . . . . 11.9. Otras aplicaciones de las integrales . . . . . . . . . . . . . . . . . 11.10. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 193 193 193 195 196 198 199 201 203 203 206 207 210

. . . . . . . . . . . . . . . . . . . . . . . . . . . . planos . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

Cap tulo 1

COMBINATORIA
Previamente al estudio de la probabilidad en s , conviene dedicar alg un tiempo al repaso de las t ecnicas combinatorias. Recordemos que la Combinatoria es la parte de las Matem aticas que se ocupa de la resoluci on de problemas de elecci on y disposici on de los elementos de cierto conjunto, de acuerdo con ciertas reglas. Es decir, dentro de la Combinatoria es d onde tienen sentido preguntas del tipo: 1. Cu antas quinielas distintas pueden hacerse?. 2. Cu antas posibles combinaciones pueden darse en la loter a primitiva?. 3. Qu e posibilidades hay de que me toquen los cuatro ases en una mano de tute?. 4. De cu antas formas se pueden sentar 5 personas en 5 asientos de un cine?. Trataremos de dar respuesta a estas cuestiones y algunas m as.

1.1.

Conceptos fundamentales

En todo problema combinatorio hay varios conceptos claves que debemos distinguir: 1. Poblaci on: Es el conjunto de elementos que estamos estudiando. Llamaremos tama no de la poblaci on al n umero de elementos de este conjunto. 2. Muestra: Es un subconjunto de la poblaci on. Llamaremos tama no de la muestra al n umero de elementos que la componen. Los diferentes tipos de muestra vienen determinados por dos aspectos: a) El orden, es decir, si es importante que los elementos de la muestra aparezcan ordenados o no. b) La posibilidad de repetici on o no de los elementos. Ejemplo: Veamos con qu e tipo de poblaciones y muestras trabajamos en los ejemplos anteriores: 1. La poblaci on en este caso es {1,X,2}, que tiene tama no 3 (no hay otras posibilidades en una quiniela). Una quiniela (teniendo en cuenta el pleno al 15) es una muestra de tama no 15 de la poblaci on anterior (por ejemplo : 1XX121XXX212111). Es evidente que el orden en esta muestra es importante (no es lo mismo una X en la segunda casilla que en la quinta) y que se permiten elementos repetidos ( los unos , equis o doses se pueden repetir). Es por tanto una muestra ordenada y con repetici on. 5

CAP ITULO 1. COMBINATORIA

2. En este caso la poblaci on es mayor, pu es son todos los n umeros desde el 1 al 49, es decir {1,2,3. . . .,49}. Por tanto, y si nos olvidamos del complementario, una apuesta de loter a primitiva es una muestra de tama no 6 de dicha poblaci on (por ejemplo 3, 18, 40, 41, 43, 45 ). Aqu el orden no inuye y los elementos no se pueden repetir (no puede salir un n umero m as de una vez). Son muestras no ordenadas y sin repetici on. 3. La poblaci on ahora est a formada por las 40 cartas que componen una baraja espa nola, es decir {1 oros, 2 oros,. . . .,Rey bastos} , y para el caso de 4 jugadores, tenemos una muestra de 10 cartas, que evidentemente no se pueden repetir y adem as el orden no importa. Muestras no ordenadas y sin repetici on. 4. La poblaci on son las 5 personas a elegir, y la muestra tiene el mismo tama no, 5, pues elegimos a las 5 personas. Eso s , ahora el orden s que es importante y adem as las personas no se pueden repetir. Son muestras ordenadas y sin repetici on. 5. Un ejemplo de muestra no ordenada y con repetici on podr a ser una mano de cartas pero teniendo en cuenta que jugamos con 2 barajas id enticas mezcladas (80 cartas). Si se reparten 10 a cada uno de 4 jugadores, tenemos una muestra de tama no 10 en la que es evidente que el orden no importa y que podemos tener cartas repetidas (por ejemplo, dos caballos de oros). El objetivo de la Combinatoria es calcular cu antos tipos de muestras de un determinado tama no se pueden extraer de cierta poblaci on. El resultado en el que nos basaremos a la hora de calcular el n umero de muestras es el siguiente: Principio de multiplicaci on: Si un procedimiento se puede separar en r etapas, de modo que el resultado de una de ellas no inuye en el resultado de las otras, y en cada una de estas etapas se obtienen respectivamente n1 , n2 , n3 , . . ., nr resultados, entonces el procedimiento global conduce a n1 n2 n3 . . . nr resultados. Ejemplo: Cu antos resultados podemos obtener al lanzar una moneda tres veces?. Aplicando el principio anterior, en el primer lanzamiento obtenemos 2 resultados (Cara o cruz), en el segundo lanzamiento, otros 2 y en el tercero tambi en 2. Por tanto, en total hay 2 2 2 = 8 posibles resultados. Si lo disponemos en forma de diagrama de arbol, obtenemos los 8 resultados:

Figura 1.1: Diagrama de a rbol

CAP ITULO 1. COMBINATORIA

1.2.
1.2.1.

Muestras ordenadas
Muestras ordenadas sin repetici on

Si tenemos una poblaci on de tama no n y queremos extraer una muestra ordenada y sin repetici on de tama no k (k < n), razonemos de este modo: El primer elemento lo podemos elegir entre n elementos. El segundo, al no poder repetir, podemos elegirlo entre n 1 elementos. . . . El elemento k, lo podremos elegir entre n k + 1 elementos. Por tanto, y aplicando el principio de multiplicaci on en total hay : n (n 1) . . . (n k + 1) muestras de tama no k ordenadas y sin repetici on. Ejemplos: 1. De cu antas formas se pueden elegir 2 cartas, extra das sucesivamente y sin repetir, de una baraja espa nola? La primera se puede elegir de 40 formas. La segunda, al no poder repetir, s olo se puede elegir de 39 maneras. Por tanto, en total hay 4039 = 1560 posibilidades. 2. Seis ciclistas llegan al sprint en una prueba de la Olimpiadas, De cu antas maneras se pueden colocar los tres primeros puestos?. Para el primer puesto hay 6 posibilidades. Para el segundo, s olo 5 posibilidades. Para el tercero, quedan 4 opciones. Por tanto hay en total 654 = 120 maneras. Las muestras ordenadas y sin repetici on se denominan Variaciones sin repetici on. Por tanto, si el tama no de la poblaci on es n y el de la muestra k, el n umero de variaciones sin repetici on lo expresaremos por: k = n (n 1) . . . (n k + 1) Vn (notemos que k, tama no de la muestra indica el n umero de factores que hay que multiplicar, por ejemplo, en los ejemplos anteriores, en el primero las muestra eran de tama no 2 y multiplic abamos 2 factores, y en el segundo eran muestras de tama no tres y multiplic abamos tres factores). Ejercicio: Cu antos n umeros de cuatro cifras no repetidas se pueden formar con las cifras del 1 al 9 (ambas inclusive)?

1.2.2.

Permutaciones

En el caso particular de que se tome una muestra de tama no igual al tama no de la poblaci on, es decir, k = n, las variaciones se denominan permutaciones y se obtendr a:
n = n (n 1) . . . (n n + 1) = n (n 1) . . . 1 Vn

CAP ITULO 1. COMBINATORIA

El producto de todos los n umeros enteros desde el 1 hasta el n se denomina factorial de n y se representa por n!. Por denici on, 0!=1 y 1!=1. Evidentemente no existen los factoriales de los n umeros negativos (Si intent asemos calcular, por ejemplo (-4)!, por denici on deber amos escribir: (4) (3) (2) (1) 0 1 = 0 , es decir, el 0 siempre aparecer a en un factorial de un entero negativo, y dicho factorial ser a siempre 0. No tiene sentido, por tanto, calcular el factorial en este caso). Por tanto este caso particular de variaciones sin repetici on se denomina permutaciones sin repetici on de n elementos y se expresa: Pn = n! Ejemplo: De cu antas maneras se pueden sentar 5 personas en 5 asientos en un cine?. La primera persona se puede sentar en 5 sitios. La segunda s olo en 4, la tercera en 3, la cuarta en 2 y la quinta en 1. De modo que hay 54321 = 120 posibilidades, es decir, P5 = 5! = 120. Ejercicio: Cu antas palabras de 8 letras (con o sin sentido) se pueden formar con las letras A B C D E F G H?.

1.2.3.

Permutaciones con elementos repetidos

Si queremos calcular el n umero de permutaciones de n elementos de los cu ales hay n1 de una clase,n2 de otra, etc. . . de modo que n1 + n2 + . . . + nr = n , entonces hablamos de permutaciones de n elementos, algunos de los cuales est an repetidos, lo que se expresa como:
n1 ,n2 ,...,nr = Pn

n! n1 ! n2 ! . . . nr !

Ejemplo: Con las letras A A A B B ,cu antas palabras, con o sin sentido, pueden formarse? La A se repite 3 veces y la letra B se repite 2 veces, y en total hay 5 letras. As el n umero total de palabras son: 54321 54 5! 3 ,2 = = = 10 = P5 3! 2! 32121 2 Dichas palabras ser an: AAABB, AABAB, AABBA, ABAAB, ABABA, ABBAA Escribe los 4 restantes. Ejercicio: Con 5 signos + y 3 signos - Cu antas cadenas de s mbolos se pueden formar?

1.2.4.

Muestras ordenadas con repetici on

Si la poblaci on es de tama no n y la muestra de tama no k, pero ahora permitimos repeticiones ,procedemos as : El primer elemento se puede elegir de n maneras. Como podemos repetir, el segundo tambi en se puede elegir de n maneras. . . . El elemento n umero k se puede elegir de n maneras. En total tendremos nn. . . n (k veces ) = nk muestras de este tipo. Ejemplos: 1. De cu antas maneras se pueden elegir 2 cartas (no necesariamente distintas de una baraja de 40 cartas?. La primera se puede elegir de 40 maneras. La segunda, al poder repetir, tambi en se puede elegir de 40 maneras. En total hay 4040 = 1600 formas.

CAP ITULO 1. COMBINATORIA

2. De cu antas formas se puede entregar el Premios al primer clasicado, al segundo, al tercero, y al cuarto entre 5 pel culas diferentes en un festival de cine? El primer Premio se puede dar de 5 maneras, el segundo tambi en, el tercero tambi en y el cuarto tambi en. Por tanto hay 54 = 625 posibilidades. Las muestras ordenadas y con repetici on se denominan Variaciones con repetici on y lo expresaremos: k V Rk n =n Ejercicio: Cu antos n umeros de tres cifras (no necesariamente distintas) pueden formarse con los d gitos 1,6,7,8,9?.

1.3.
1.3.1.

Muestras no ordenadas
Muestras no ordenadas y sin repetici on

Para estudiar este caso, es conveniente jarse en un ejemplo. Supongamos que tenemos una bolsa con 5 bolas numeradas del 1 al 5. Sacamos dos bolas, sin importarnos el orden y sin repetir, cu antos posibles resultados hay?. Examinemos las posibilidades. Si el orden fuese importante ya sabemos que tendr amos 54 = 20 an: posibilidades (V52 = 5 4) que ser 1, 2 2, 1 3, 1 4, 1 5, 1 1, 3 2, 3 3, 2 4, 2 5, 2 1, 4 2, 4 3, 4 4, 3 5, 3 1, 5 2, 5 3, 5 4, 5 5, 4

Ahora bien, como no nos importa el orden, para nosotros las parejas 2,1 y 1,2 que son 2, en realidad s olo deber an contar como una, y lo mismo ocurre con el resto de parejas. Estamos contando cada pareja 2 veces. Por tanto, para obtener el n umero de parejas que buscamos tenemos que dividir entre 2. As resulta que el n umero de muestras no ordenadas y sin repetici on que 20 = 10 , s olo 10 posibilidades que son: tenemos es de: 2 {1, 2}, {1, 3}, {1, 4}, {1, 5}, {2, 3}, {2, 4}, {2, 5}, {3, 4}, {3, 5}, {4, 5} donde las llaves indican que el orden no importa. Si sac asemos 3 bolas en lugar de 2, tendr amos los tr os: 1,2,3 1,2,4 1,2,5 etc. . . en total 543 = 3 60 posibilidades (V5 = 5 4 3). Razonando de igual manera al caso anterior, todos aquellos tr os en los que estuviesen por ejemplo, el 1, el 2 y el 3 estar an repetidos. Ahora bien, cu antas veces se repite cada tr o?. Veamos, tomando como ejemplo los tr os con 1,2 y 3 obtenemos: 1,2,3 1,3,2 2,1,3 2,3,1 3,1,2 3,2,1 6 posibilidades (P3 = 3!) que en realidad representan lo mismo pues no nos importa el orden. Lo mismo ocurre con cada tr o, de modo que cada uno de ellos se repite 6 veces, as pu es si no tenemos en cuenta el orden, 60 = 10 maneras (no ordenadas y sin repetici on). el n umero de muestras no son 60 sino: 6 Ejercicio: Escribir los 10 tr os del ejemplo anterior. Formalizando lo anterior, si la poblaci on es de tama no n y se extraen muestras de tama no k, si fuesen ordenadas ser an k = n (n 1) . . . (n k + 1) Vn pero como son no ordenadas tenemos que dividir por el n umero de maneras de ordenar esas muestras de tama no k, es decir hay que dividir por Pk = k!

CAP ITULO 1. COMBINATORIA

10

Resumiendo, el n umero de muestras no ordenadas y sin repetici on de tama no k que se extraen de una poblaci on de tama no n es: k Vn Pk Las muestras no ordenadas y sin repetici on se denominan Combinaciones sin repetici on y las expresaremos: Vk k = n Cn Pk
k se recuerda de manera m El n umero de combinaciones sin repetici on Cn as sencilla mediante otra f ormula: n k = Cn k

La expresi on

n se denomina n umero combinatorio y se lee n sobre k. k Una regla sencilla que permite calcular este n umero combinatorio es: n k = n! k! (n k)!

Ejemplos: 1. De cu antas maneras se pueden sacar 3 bolas numeradas en cualquier orden, de una bolsa que contiene 5 bolas?. Ser an combinaciones de 5 elementos de los que sacamos 3, es decir, tenemos que calcular:
3 = C5

5 3

5! = 10 3! 2!

son las maneras que hab amos calculado en el ejemplo de la introducci on. 2. De cu antas formas se puede formar un grupo de trabajo de 6 alumnos de entre una clase de 27?. En este caso son combinaciones (no importa el orden ) de 27 elementos de los que se escogen 6 , es decir: 27! 27 27! 6 = = 296010 = = C27 6! (27 6)! 6! 21! 6 (Compru ebalo!). Ejercicio: De cu antas maneras se pueden extraer 6 bolas de un bombo que contiene 49 bolas? (Loter a Primitiva) Hay algunos tipos m as de muestras, en concreto las muestras no ordenadas con repetici on, pero no se estudiar an en este momento. N umeros combinatorios y factoriales en la calculadora Las calculadoras cient cas poseen algunas teclas u tiles para el c alculo de factoriales y n umeros combinatorios. Para el factorial, se utiliza la tecla !, que suele encontrarse sobre alguna otra tecla, por lo que al utilizarla habr a que presionar antes la tecla SHIFT (o INV). Dado que los factoriales crecen a una velocidad enorme, un calculadora normal s olo puede calcular hasta el factorial de 69, y ya si pretendemos calcular 70!, se produce un mensaje de error. Observemos que un n umero tan inofensivo como 13! ya tiene un valor de 6.227.020.800

CAP ITULO 1. COMBINATORIA

11

Para el caso de los n umeros combinatorios, algunas calculadoras poseen una funci on para calcularlos. Suele estar situada sobre la tecla de la divisi on (depende mucho del modelo de calculadora). Dicha funci on es nCr n 5 , de modo que si queremos calcular , basta con introducir r 3 el 5, luego SHIFT (o INV) , posteriormente el 3 y luego presionar la tecla de = para obtener 10. (Ya lo hab amos calculado antes). Evidentemente si alguna de estas funciones tiene una tecla propia en la calculadora, es decir, no est a encima de otra, no es necesario presionar la tecla SHIFT (o INV) para operar con ella. y calcula el n umero combinatorio

Cap tulo 2

PROBABILIDAD
La probabilidad y la estad stica son, sin duda, las ramas de las Matem aticas que est an en mayor auge en este siglo, y tienen una tremenda aplicabilidad en todos los aspectos y ciencias, especialmente en las Ciencias Sociales, puesto que aquellas variables que inuyen en dichas ciencias, econ omicas, demogr acas, suelen tener car acter aleatorio,es decir, no son deterministas, y se fundamentan en predicciones a partir de datos conocidos. Todo aquello que implique predicci on nos lleva al terreno de la probabilidad.

2.1.

Experimentos aleatorios

En todos los aspectos de la vida a veces nos encontramos con acontecimientos predeterminados, es decir, tales que podemos decir el resultado de dichos acontecimientos antes de que nalice o incluso de que comience. Tal es el caso de: 1. Tirar una piedra desde un edicio ( sabemos que se caer a). 2. Calentar un cazo de agua ( sabemos que la temperatura sube). 3. Golpear una pelota ( sabemos que se va a mover, e incluso conociendo fuerzas que act uan etc, podemos conocer precisamente d onde caer a ). Tales acontecimientos o experimentos de los que podemos predecir el resultado antes de que se realicen se denominan experimentos deterministas. Sin embargo, analicemos otro tipo de experimentos, mucho m as interesantes desde el punto de vista matem atico: Imaginemos que lanzamos un dado al aire (normal, de 6 caras y no trucado). Podemos predecir el resultado que vamos a obtener?. Evidentemente no. Este es un experimento que no es determinista. A este tipo de experimentos, en los cuales no se puede predecir el resultado antes de realizar el experimento se les denomina experimentos aleatorios. Otros ejemplos de experimentos aleatorios pueden ser: Tirar una moneda al aire y observar qu e lado cae hacia arriba, rellenar una quiniela de f utbol, jugar una partida de p oker y, en general, cualquier juego en el que intervenga el azar.

2.2.

Deniciones b asicas

La teor a de probabilidades se ocupa de asignar un cierto n umero a cada posible resultado que pueda ocurrir en un experimento aleatorio, con el n de cuanticar dichos resultados y saber si un suceso es m as probable que otro o relaciones parecidas. Con este n, introduciremos algunas deniciones. Si realizamos un experimento aleatorio, llamaremos espacio muestral del experimento al conjunto de todos los posibles resultados de dicho experimento. Al espacio muestral lo representaremos por E (o bien por la letra griega omega ). A cada elemento que forma parte del espacio muestral se le denomina suceso elemental.

15

CAP ITULO 2. PROBABILIDAD Ejemplo:

16

1. Cu al es el espacio muestral asociado al experimento de lanzar un dado normal al aire y observar la cara que queda hacia arriba?. Evidentemente, en este caso hay 6 posibles resultados (6 sucesos elementales) y el espacio muestral estar a formado por: E={1,2,3,4,5,6}. 2. Y en el caso del lanzamiento de una moneda? Entonces E={C,X} Ejercicios: 1. Escribir el espacio muestral asociado al experimento de sacar una carta de entre las diez del palo de copas de una baraja espa nola. 2. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y observar la pareja de n umeros que se obtiene. 3. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y sumar los n umeros que se obtienen. Llamaremos suceso aleatorio a cualquier subconjunto del espacio muestral. El concepto de suceso es fundamental en probabilidad. Dicho de forma simple, un suceso de un experimento aleatorio es cualquier cosa que se nos ocurra armar sobre dicho experimento. As , si tiramos una moneda dos veces, ser an sucesos todos los siguientes: 1. Sale al menos una cara. 2. Salen m as caras que cruces. 3. La moneda cae de canto. 4. No sale ninguna cruz. Llamaremos suceso imposible al que no tiene ning un elemento y lo representaremos por . Llamaremos suceso seguro al formado por todos los posibles resultados (es decir, al espacio muestral) . Llamaremos espacio de sucesos y lo representaremos por S, al conjunto de todos los sucesos aleatorios. Ejemplo: 1. En el caso del lanzamiento de la moneda en el que el espacio muestral era E={C,X} , analicemos qui en es el espacio de sucesos: - Sucesos con 0 elementos: - Sucesos con 1 elemento: {C},{X} - Sucesos con 2 elementos:{C,X} De modo que el espacio de sucesos es: S={,{C},{X},{C,X}}. 2. En el caso del lanzamiento de dos monedas, si haces el diagrama de arbol obtienes el siguiente espacio muestral: E = {(C, C ), (C, X ), (X, C ), (X, X )} El espacio de sucesos tiene ahora 16 elementos, que puedes intentar escribir, siguiendo el esquema anterior, desde los sucesos con 0 elementos hasta aquellos que tienen 4 elementos. Si describimos los sucesos que pon amos antes como ejemplos, obtenemos:

CAP ITULO 2. PROBABILIDAD a) Sale al menos una cara={(C,C),(C,X),(X,C)}

17

b ) Salen m as caras que cruces={(C,C)} c ) La moneda cae de canto= d ) No sale ninguna cruz={(C,C)} 3. En el caso del lanzamiento del dado el espacio de sucesos es mucho m as amplio (64 elementos. Ser a interesante que intentases escribirlos todos o al menos te dieses cuenta de c omo son , aunque no los escribas todos) En este mismo ejemplo, se puede considerar el suceso A= sacar un n umero par. De qu e sucesos elementales consta el suceso A?. Evidentemente, A={{2},{4},{6}}. Otros sucesos pueden ser: B = Sacar un n umero mayor que 5-{{6}}. C = Sacar un n umero par y menor que 5-{{2},{4}}. Ejercicio: Una urna contiene dentro 4 bolas de las cuales 2 son blancas, 1 roja y otra azul. Se saca una bola de la urna. a) Escribir el espacio muestral. b) Escribir los sucesos no sacar bola azul y sacar bola roja o blanca. c) Escribir el espacio de sucesos. Los sucesos admiten una representaci on gr aca que facilita su interpretaci on; del modo:

Figura 2.1: Representaci on en diagrama de Venn del suceso A

Por ejemplo, en el caso del dado:

Figura 2.2: Representaci on en diagrama de Venn para un dado

A = salir par y menor que 5. Estos diagramas se denominan diagramas de Venn. Propiedad: Si el espacio muestral tiene n elementos, el espacio de sucesos tiene 2n elementos. Ejemplo: En el caso del dado, el espacio muestral ten a 6 elementos y el espacio de sucesos tiene 26 = 64 elementos. En el caso de la moneda, el espacio muestral ten a dos elementos y el espacio de sucesos tiene 22 = 4 elementos.

CAP ITULO 2. PROBABILIDAD

18

2.3.

Operaciones con sucesos

Si realizamos un experimento aleatorio y consideramos varios sucesos A, B, C, etc, asociados a dicho experimento, podemos realizar varias operaciones entre ellos. Los m as importantes son: 1. Igualdad de sucesos: Dos sucesos A y B son iguales si est an compuestos por los mismos elementos. Lo expresaremos por A = B. 2. Intersecci on de sucesos: Llamaremos suceso intersecci on de los sucesos A y B, y lo representaremos por A B , al suceso ocurren A y B a la vez. Ejemplo: Si tiramos un dado, ya sabemos que el espacio muestral asociado es E={1,2,3,4,5,6}. umero entre 2 y 4 (inclusiSean los sucesos A=sacar un n par={2,4,6}, y B=sacar un n ve)={2,3,4}. El suceso A B es tal que ocurren A y B a la vez, es decir: e entre 2 y 4 (inclusive)={2,4}. A B =sacar un n par y que est El suceso A B son los elementos comunes a los conjuntos A y B (elementos que est an en los dos conjuntos). Representado en diagramas de Venn:

Figura 2.3: Intersecci on de sucesos: A B

En ocasiones podremos encontrarnos con sucesos que NO tengan elementos en com un. En estos casos se dice que los sucesos A y B son incompatibles, y su intersecci on se representa con el conjunto vac o: AB = Evidentemente, si los sucesos s tienen intersecci on, diremos que son compatibles. 3. Uni on de sucesos: Llamaremos suceso uni on de los sucesos A y B y se representa por A B al suceso ocurre A o bien ocurre B o bien ocurren ambos a la vez(tambi en podemos decir que ocurre alguno). Es decir A B son los elementos que est an en ambos conjuntos (aunque no necesariamente en los dos a la vez). Representado en diagrama de Venn:

Figura 2.4: Uni on de sucesos: A B

CAP ITULO 2. PROBABILIDAD Ejemplo: En el caso anterior: e entre 2 y 4 (inclusive)={2,3,4,6}. A B =sacar un n par o un n que est NOTA:

19

Observemos que la intersecci on de dos conjuntos siempre es menorque la uni on, de hecho es menor que el propio conjunto. Escrito matem aticamente: AB AB AB A AB B A AB B AB (El s mbolo signica contenido, o que el primer conjunto es un subconjunto del segundo) 4. Suceso contrario de otro: Dado un suceso A, denominaremos suceso contrario de A y se repre (o bien A o bien Ac ) al suceso que tiene por elementos a todos aquellos que no sentar a por A pertenecen a A. Ejemplo: Si tiramos un dado, ya sabemos que el espacio muestral asociado es E={1,2,3,4,5,6}. ={1,3,5} y B= sacar un Como antes, los sucesos A=sacar un n par={2,4,6}, por tanto A n umero entre 2 y 4 (inclusive)={2,3,4}, de modo que B ={1,5,6}. En un diagrama de Venn:

.(Todo lo que no est Figura 2.5: La parte punteada es A a incluido en A)

5. Diferencia de sucesos: Si A y B son dos sucesos, llamaremos diferencia entre A y B al suceso B A, que consta de los elementos que est an en B pero no est an en A.Por ejemplo, si A={2,4,6}, B={2,3,4}, tenemos que B A={3}. Se cumple que B A = B A B , y tambi en que B . Representado en un diagrama de Venn: BA=A

Figura 2.6: La parte rayada es B A, todos los elementos de B que no est en en A De todas formas, hemos de ser cuidadosos con esta operaci on: No se debe confundir con una simple resta como operaci on num erica, sino que es una diferencia conjuntista, quitar los elementos comunes a dos conjuntos. Ejercicio: En una urna tenemos 9 bolas numeradas del 1 al 9. Sacamos una y anotamos su n umero. umero Sean los sucesos: A=sacar un n primoB=sacar un n cuadrado (por ejemplo 4 es un n cuadrado, porque 4=22 ). Se pide: a) Describir el espacio muestral. b) Cu antos elementos tiene el espacio de sucesos?.

CAP ITULO 2. PROBABILIDAD

20

c) Calcula A B y A B . d) Son A y B compatibles o incompatibles?. yB . e) Calcula A , A C ,A C . f) Si C=sale un n umero impar, calcula A C , B C ,C Propiedades de las operaciones con sucesos: Las operaciones con sucesos tienen las siguientes propiedades, la mayor a de ellas bien conocidas: Intersecci on AB = BA A (B C ) = (A B ) C AA=A A (A B ) = A A (B C ) = (A B ) (A C ) AE =A A = A Uni on AB = BA A (B C ) = (A B ) C AA = A A (A B ) = A A (B C ) = (A B ) (A C ) A = A AE = A

Conmutativa Asociativa Idempotente Simplicaci on Distributiva Elemento neutro Absorci on

Adem as de estas sencillas propiedades (que se demuestran f acilmente mediante un diagrama de Venn), las operaciones con sucesos tienen otras dos propiedades muy importantes: Leyes de De Morgan: Si A y B son dos sucesos, se verican: B (A B ) = A B (A B ) = A Demostraci on: Demostraremos la primera de las igualdades. En primer lugar, representemos en un diagrama de Venn (A B ). Para ello, primero representamos A B , y luego su contrario (A B ):

Figura 2.7: Imagen 1 corresponde a A B .

Imagen 2 corresponde a A B

B . En primer lugar, Ahora, representaremos en otro diagrama el otro miembro, es decir A , luego B y luego su intersecci representaremos A on:

. Figura 2.8: Imagen 1 corresponde a A

. Imagen 2 corresponde a B

B . Imagen 3 corresponde a A

Observando los dos resultados, vemos que las partes rayadas son iguales, por lo que la igualdad es cierta.

CAP ITULO 2. PROBABILIDAD Ejercicio: 1. Mediante un procedimiento similar, demostrar la segunda ley de De Morgan.

21

2. Luisa y Mar a interviene en un torneo de ajedrez. La primera que gane dos partidas seguidas o tres alternas gana el torneo. Encuentra el espacio muestral con todos los resultados posibles ( suponemos que nunca hacen tablas). (Indicaci on: Utiliza un diagrama de a rbol). 3. Consideramos el fen omeno aleatorio extraer una carta de una baraja de 40 y anotarla . Sean los sucesos A= sacar oro, B= sacar rey, C= sacar el rey de bastos. Determina los sucesos: A B C, A B C, A B A C,

2.4.

Asignaci on de probabilidades. Regla de Laplace

Hasta el momento hemos descrito lo que es un experimento aleatorio y hemos denido los conceptos b asicos asociados a este experimento. Nos falta responder a esta pregunta: C omo asignar probabilidades a cada uno de los sucesos de un experimento aleatorio?. Hay muchas maneras de asignar probabilidades. La m as sencilla e intuitiva la dio el matem atico franc es Pierre Simon Laplace (1749-1827), qui en enunci o la regla que lleva su nombre: Regla de Laplace: Si realizamos un experimento aleatorio en el que hay n sucesos elementales, todos igualmente probables, entonces si A es un suceso, la probabilidad de que ocurra el suceso A es: p(A) = n umero de casos favorables al suceso A n umero de casos posibles

Ejemplo: Lanzamos un dado normal al aire. Consideramos el suceso A= sale par. Calcular p(A). Casos posibles hay 6, pues E={1,2,3,4,5,6}. Casos favorables al suceso A={2,4,6}. 1 3 Por tanto p(A) = = = 0 5. 6 2 (Notemos que la probabilidad siempre es un n umero positivo y menor, o a lo sumo igual a 1). El inconveniente que plantea la denici on de Laplace es que necesariamente los sucesos elementales tienen que tener la misma probabilidad de ocurrir. Observemos un caso tan sencillo como el siguiente: De una urna que contiene 8 bolas rojas, 5 amarillas y 7 verdes se extrae una bola al azar. Calcula la probabilidad de que la bola extra da sea : a) roja b) verde c) amarilla El espacio muestral en este caso ser a: E={R,V,A}, que consta s olo de tres elementos, pero ser a un poco ingenuo asignar las probabilidades mediante la regla de Laplace, p( R ) = 1 3 p( V ) = 1 3 p(A) = 1 3

porque ya intuitivamente se ve que hay m as posibilidades, por ejemplo, de que salga una bola roja que de que salga una bola amarilla, de modo que c omo asignar probabilidades?.

CAP ITULO 2. PROBABILIDAD Fue el matem atico ruso Kolmogorov qui en precis o este t ermino: Denici on axiom atica de probabilidad:

22

Una probabilidad p es una funci on que asocia a cada suceso A del espacio de sucesos S , un n umero real p(A), es decir: p : S R , y que cumple las propiedades: 1. 0 p(A) 1, (es decir, cualquier suceso tiene probabilidad positiva y menor o igual que 1). 2. p(E ) = 1 (la probabilidad del suceso seguro es 1). 3. Si A y B son incompatibles, es decir A B = , entonces p(A B ) = p(A) + p(B ). (es decir la probabilidad de la uni on es la suma de las probabilidades si los sucesos tienen intersecci on vac a). Ejemplo: Sea un experimento aleatorio cualquiera y denamos en S (espacio de sucesos) la siguiente probabilidad: n umero de elementos del conjunto A p(A) = n umero total de elementos Comprobemos que p es una probabilidad. Para ello, comprobemos las tres propiedades: a) Se ve que la probabilidad de cualquier suceso est a entre cero y uno, puesto que cualquier conjunto que tenga elementos ya tendr a probabilidad positiva, y el n umero de elementos de cualquier conjunto no puede ser mayor que el n umero total de elementos existentes. b) p(E) = 1, es evidente. c) Tomemos dos sucesos A y B que no tengan elementos en com un. Entonces: p( A B ) = elementos que forman parte de A o de B = n umero total de elementos n umero de elementos de A + n umero de elementos de B = p(A) + p(B ) = n umero total de elementos

puesto que si A y B no tienen elementos comunes, el n umero de elementos de la uni on es la suma de los elementos de cada conjunto por separado. Por tanto se cumplen las 3 propiedades y p as denida es una probabilidad. Esta ser a la denici on de probabilidad que utilicemos a partir de ahora. Ejemplo: En el ejemplo de las urnas anterior, lo l ogico es denir la probabilidad as : Como en total hay 20 7 5 8 p( V ) = p(A) = . bolas y 8 son rojas, 7 verdes y 5 amarillas, p(R) = 20 20 20 Se puede comprobar que as denida p es una probabilidad. Sin embargo, comprobar las propiedades de la denici on de Kolmogorov es una labor larga y engorrosa, puesto que hay que vericar que se cumple para todos aquellos sucesos del espacio de sucesos S, que es ciertamente amplio en muchas ocasiones. El siguiente resultado simplica la tarea de decidir cu ando una funci on p sobre el espacio de sucesos es una probabilidad, bas andose s olo en los sucesos elementales, es decir, aquellos que forman parte del espacio muestral. Lo enunciaremos sin demostraci on:

CAP ITULO 2. PROBABILIDAD

23

Propiedad on Si w1 , w2 , . . ., wn son los n sucesos elementales de un suceso aleatorio cualquiera,p una funci p : S R de modo que cumple las propiedades: 1. 0 p(wi) 1 i {1, 2, . . . , n} 2. p(w1) + p(w2) + . . . + p(wn ) = 1 Entonces p es una probabilidad. Ejemplo: Comprobar si las siguientes funciones denidas para los sucesos elementales son probabilidad, siendo E={a,b,c,d} el espacio muestral del experimento aleatorio: 1 1 1 1 a) p(a) = , p(b) = , p(c) = , p(d) = 2 3 4 5 Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son n umeros positivos menores que 1. Para ver si se cumple la segunda, basta realizar la suma: 30 + 20 + 15 + 12 77 1 1 1 1 + + + = = 2 3 4 5 60 60 que evidentemente NO es 1, luego p NO es probabilidad. 1 1 1 b) p(a) = , p(b) = , p(c) = 0, p(d) = 4 2 2 Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son n umeros positivos o cero menores que 1. Para ver si se cumple la segunda, basta realizar la suma: 1+2+1 1 1 1 + + = =1 4 2 4 4 luego p S I es probabilidad. Consecuencias de la denici on de probabilidad: ) = 1 p(A) 1. p(A y adem son incompatibles, resulta por la propiedad En efecto, puesto que E = A A as A y A 3) de la denici on que ) = p(A) + p(A ) p( E ) = p( A A ) y por tanto p(A ) = 1 p(A). Y por la propiedad 2), p(E)=1, luego 1 = p(A) + p(A 2. p() = 0 = , resulta que: Como E ) = p() = 1 p(E ) = 1 1 = 0 p( E 3. Si A y B son dos sucesos cualesquiera, p(A B ) = p(A) + p(B ) p(A B ) 4. Si A, B y C son tres sucesos cualesquiera, p(A B C ) = p(A) + p(B ) + p(C ) p(A B ) p(A C ) p(B C ) + p(A B C )

CAP ITULO 2. PROBABILIDAD Ejemplo: Se tira una moneda 3 veces. Calcular la probabilidad de obtener alguna cara.

24

Los problemas de este tipo, en los que se pide la probabilidad de obtener alguna cosa, se suelen resolver muy bien por paso al complementario. En este caso concreto, A = obtener alguna cara. = no obtener ninguna cara= obtener 3 cruces. A 1 rbol!) y s olo uno , pues hay 8 casos posibles (222, haz el diagrama de a Entonces, p(A) = 8 favorable (XXX, 3 cruces), por tanto: ) = 1 p(A) = 1 p(A 1 7 = 8 8

Ejercicio: Calcular la probabilidad de obtener al menos 1 seis si se lanza 4 veces un dado. Ejemplo: Se lanza un dado dos veces y se suman las dos caras. Sea A el suceso A= la suma de resultados es mayor o igual que 10 y B= la suma de los resultados es m ultiplo de 6. Calcular p(A), p(B) y p(A B ). Hay 36 posibles resultados al lanzar dos veces un dado. Cu antos de ellos suman 10 o m as? Que sumen 10: (4,6), (5,5), (6,4) Que sumen 11: (5,6), (6,5) Que sumen 12: (6,6) 1 6 = . Por tanto, p(A) = 36 6 Cu antos hay que sumen m ultiplo de 6? Que sumen 6: (1,5), (2,4),(3,3), (4,2), (5,1) Que sumen 12: (6,6) 1 6 = . Por tanto, p(B ) = 36 6 1 En cuanto a A B = (6, 6), luego p(A B ) = . 36 Ejercicios: 1. Se ha encargado la impresi on de una encuesta a una imprenta, que imprime 12 folios defectuosos de cada 1000. Hallar la probabilidad de que elegido un folio de la encuesta al azar: a) Est e mal impreso. b) Est e correctamente impreso. 2. Una bolsa contiene 8 bolas numeradas. Se extrae una bola y anota su n umero. Sean los sucesos A= salir par, B= salir impar, C= salir m ultiplo de 4. Calcular las probabilidades de A B, A C, B C, A B C. 3. Extraemos una carta de una baraja espa nola. Calcula: a) La probabilidad de que sea un rey o un as. b) La probabilidad de que sea un rey o una copa. c) La probabilidad de que sea un rey y una copa. 4. En el banquete posterior a una boda se sientan en la presidencia 10 personas, entre los cuales se encuentran los novios. Calcular la probabilidad de que los novios est en juntos en el centro de la mesa.

CAP ITULO 2. PROBABILIDAD

25

2.5.

Probabilidad condicionada

Hasta ahora nos hemos limitado a calcular probabilidades u nicamente partiendo de un experimento aleatorio, sin tener m as informaci on. Pero, qu e ocurre si conocemos alguna informaci on adicional?. Supongamos que estamos realizando el experimento aleatorio de lanzar un dado y obtener el 1 n umero que sale. Consideremos el suceso A= sale un 4. Evidentemente, p(A) = . 6 Ahora bien, variar a esta probabilidad si al lanzar el dado alguien pasa por all y nos dice que ha salido un n umero par?. Disponemos entonces de una informaci on adicional, B={2,4,6}. Hemos reducido nuestro espacio muestral, que ahora s olo consta de 3 elementos y tenemos que cambiar las probabilidades asignadas. 1 Ahora el suceso A no tiene una posibilidad entre 6 de ocurrir, sino una entre tres, es decir, p(A) = . 3 Esta es la idea de la probabilidad condicionada: La informaci on obtenida B, modica la proba1 y se lee probabilidad de A condicionada a B o bilidad de A. Lo expresaremos as : p(A/B ) = 3 probabilidad de A conociendo B. El caso anterior es muy sencillo, pues directamente podemos calcular p(A/B ), pero si el espacio muestral se ampl a, el problema es m as complicado. La f ormula siguiente simplica el problema. Denici on: Sea A un suceso aleatorio asociado a un experimento aleatorio, y sea B otro suceso que sabemos que se ha realizado. Llamaremos probabilidad de A condicionada a B y lo expresaremos por p(A/B ) a la expresi on: p(A/B ) = p( A B ) p( B )

(de id entico modo se dene p(B/A), escribe la f ormula). Ejemplo: Para el caso anterior, 1 3 A={4},B={2,4,6} p(B ) = = . 6 2 1 A B = {4} p(A B ) = . 6 Luego: 1 2 1 p( A B ) = 6 = = p(A/B ) = 1 p( B ) 6 3 2 es lo mismo que obten amos antes directamente. Ejercicios: 1. Calcula la probabilidad de que la suma de las caras de dos dados sea mayor a igual que 10 sabiendo que en el primer dado ha salido un seis. 2. Se lanzan dos dados:cu al es la probabilidad de obtener una suma de puntos igual a siete?. Si la suma de puntos ha sido 7, cu al es la probabilidad de que en alguno de los dados haya salido un 3?

CAP ITULO 2. PROBABILIDAD

26

2.6.

Sucesos independientes

Si bien el conocer cierta informaci on adicional modica la probabilidad de algunos sucesos, puede ocurrir que otros mantengan su probabilidad, pese a conocer dicha informaci on. Por ejemplo, en el lanzamiento de un dado, consideremos los sucesos: A= sacar un n umero par y B= sacar un n umero menor o igual que 2 Es claro que A= {2,4,6} y B= {1,2}. Calculemos la probabilidad de A conociendo que se ha realizado el suceso B, es decir, p(A/B ). Utilizando la f ormula: 1 3 1 p( A B ) = 6 = = =05 p(A/B ) = 1 p( B ) 6 2 3 1 1 puesto que p(A B )=p(sacar par y menor o igual que 2)= y p(B)= . 6 3 Pero si no conoci esemos la informaci on B, cu al ser a la probabilidad de A?. 3 on B p(A)=p(sacar par)= = 0 5, es decir que p(A/B)=p(A), y por tanto el conocer la informaci 6 no modica la probabilidad de A. Cuando esto ocurre es decir, cuando p(A/B ) = p(A), diremos que los sucesos A y B son independientes (el hecho de que ocurra B no modica la probabilidad de A). Propiedad: A y B son sucesos independientes p(A B ) = p(A) (B ). Demostraci on: =) Si A y B son independientes, p(A/B ) = p(A), y por la f ormula de la probabilidad p( A B ) p( A B ) , luego = p(A), y por tanto p(A B ) = p(A) p(B ). condicionada,p(A/B ) = p( B ) p( B ) =) Partiendo de p(A B ) = p(A) p(B ), entonces p(A/B ) = p(A) p(B ) p( A B ) = = p(A) p( B ) p( B )

luego p(A/B ) = p(A) y por tanto A y B son independientes. Ejemplo: En el caso anterior, p(A B ) = 1 1 1 , y por otra parte p(A) = y p(B ) = ,luego se cumple que 6 2 3 1 1 1 = = p(A) p(B ) 6 2 3

p( A B ) = luego A y B son independientes. Ejercicio:

1 2 De dos sucesos conocemos que p(A B ) = y p(A) = , calcula p(A B ) y p(B) para que A y 3 5 B sean independientes. (Indicaci on: Utilizar la f ormula de la uni on de dos sucesos y la de la independencia de sucesos). 7 7 , p(A B ) = 60 ). (Soluci on: p(B ) = 12

CAP ITULO 2. PROBABILIDAD

27

NOTA IMPORTANTE: No se deben confundir los conceptos de sucesos incompatibles y sucesos independientes. Dos sucesos son incompatibles cuando no tienen elementos en com un, es decir, A B = , o con diagramas de Venn:

Figura 2.9: A y B incompatibles, sin elementos en com un. Dos sucesos son independientes si p(A B ) = p(A) p(B ). Son conceptos totalmente distintos. Uno se reere a CONJUNTOS y otro se reere a PROBABILIDADES.

2.7.

Experimentos compuestos. Teorema de la probabilidad total.

Un experimento compuesto es aquel que consta de dos o m as experimentos aleatorios simples. Es decir, si tiramos un dado, o una moneda, son experimentos aleatorios simples, pero si realizamos el experimento de tirar un dado y posteriormente una moneda, estamos realizando un experimento compuesto. Propiedad: De la f ormula para calcular la probabilidad condicionada se deduce inmediatamente que: p(A B ) = p(B ) p(A/B ) y p(A B ) = p(A) p(B/A)

Ejemplo: Se extraen 2 cartas, sucesivamente, de una baraja de 40. Calcular la probabilidad de extraer 2 sotas. Sea A = sacar sota en la 1 y B = sacar sota en la 2 . Nos piden p(A B ). Seg un la f ormula anterior, p(A B ) = p(A) p(B/A). 1 3 1 1 1 1 4 = y p(B/A) = = , por lo que p(A) = = . Ahora bien , p(A) = 40 10 39 13 10 13 130 La forma m as sencilla de calcular probabilidades en experimentos compuestos es un digrama de arbol, donde en cada rama situamos la probabilidad que le corresponde al suceso del nal de dicha rama. Estas probabilidades que se van poniendo en el a rbol son probabilidades condicionadas, porque dependen de los resultados anteriores. En el caso del ejercicio anterior, el diagrama ser a:

) Figura 2.10: Diagrama de a rbol para la extracci on de sota(S) u otra carta (S

CAP ITULO 2. PROBABILIDAD

28

Nota: Este mismo resultado se podr a haber obtenido sin usar la probabilidad condicionada, del modo: 40 Formas de elegir 2 cartas de entre 40= . 2 4 Formas de elegir 2 sotas entre 4= . 2 4 6 1 casos favorables 2 = = = . Por la regla de Laplace, p(obtener 2 sotas)= 40 casos posibles 780 130 2 Ejercicios: 1. Una urna contiene 9 bolas rojas y 5 negras. Se extraen sucesivamente 2 bolas. Calcula la probabilidad de que: a) la primera bola sea roja y la segunda negra. b) una sea roja y la otra negra. 2. En una bolsa hay 4 canicas rojas, 4 azules y 2 verdes. Se extraen 3 canicas que resultan ser 2 rojas y una azul. Sin devolverlas a la bolsa se saca otra canica, de qu e color es m as probable que salga?. Ejemplo: Tenemos dos urnas, una con 7 bolas rojas y 2 azules, y otra con 3 bolas rojas y 8 azules. Tiramos un dado. Si nos sale un 3 o un 5, sacamos una bola de la primera urna y en caso contrario, sacamos una bola de la segunda urna. Cu al es la probabilidad de que la bola extra da sea azul?. Evidentemente estamos realizando un experimento compuesto. En primer lugar, se trata de elegir una urna, para lo cu al lanzamos un dado. Si U1 = elegir la urna 1 y U2 = elegir la urna 2, es claro que 1 2 2 4 p(U1 )= = y p(U2 )= = . 6 3 6 3 Por otra parte, luego realizamos otro experimento consistente en sacar una bola de la urna elegida. Si A= sacar una bola azul, las probabilidades que conocemos son: 2 p(A/U1 ) = 9 y 8 p(A/U2 ) = 11 Lo que nos piden es p(A). Para calcular dicha probabilidad, si representamos el diagrama de a rbol:

Figura 2.11: Diagrama de a rbol para la extracci on de bolas Como la probabilidad de A depende de la urna en la que estemos, basta multiplicar las probabilidades de cada rama que llegue a la bola azul y luego sumar los 2 resultados, es decir: 4 32 166 2 2 4 8 = + = = 0 559 p(A) = + 6 9 6 11 54 66 297

CAP ITULO 2. PROBABILIDAD La justicaci on te orica para proceder as la da el teorema de la probabilidad total.

29

on Teorema de la probabilidad total: Si A1 , A2 , . . . , An son sucesos incompatibles 2 a 2, y cuya uni es el espacio muestral (A1 A2 . . . An = E ), y B es otro suceso, resulta que: p(B ) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An ) Nota: El conjunto A1 , A2 , . . . , An que verica la incompatibilidad 2 a 2 y que la uni on de todos ellos es el espacio muestral se denomina sistema completo de sucesos y este sistema divide el espacio muestral en partes que no se solapan. Mediante representaci on gr aca:

Figura 2.12: Sistema completo de sucesos: A1 , A2 , . . . , An Ejemplo: Para el caso anterior, A1 = sacar la bola de la urna 1. A2 = sacar la bola de la urna 2. B= sacar bola azul. Y aplicando el teorema: p(B ) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) = 4 32 166 2 2 4 8 + = + = = 0 559 6 9 6 11 54 66 297

Ejemplo: En un colegio se imparten s olo los idiomas ingl es y franc es. El 80 % de los alumnos estudian ingl es y el resto franc es. El 30 % de los alumnos de ingl es son socios del club musical del colegio y de los que estudian franc es son socios de dicho club el 40 %. Se elige un alumno al azar. Calcular la probabilidad de que pertenezca al club musical. En estos problemas es importante elegir el sistema completo de sucesos. En este caso: A1 = estudiar ingl es es A2 = estudiar franc B= ser del club musical Nos piden p(B). Por el teorema anterior: p(B ) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) = Mediante el diagrama de a rbol: 20 40 8 80 30 + = = 0 32 100 100 100 100 25

Figura 2.13: Diagrama de a rbol para el problema de idiomas y club musical Se obtiene el mismo resultado.

CAP ITULO 2. PROBABILIDAD

30

Ejercicio: Se tienen dos urnas, la primera de las cuales tiene 6 bolas blancas, 4 negras y 2 rojas y la urna 2 tiene 3 bolas blancas y 7 negras. Se lanza un dado al aire, y si sale m ultiplo de 3 se saca de la primera urna y en otro caso se saca una bola de la segunda urna. Calcular la probabilidad de que sea: a) bola blanca b) bola negra c) bola roja. 26 1 , , Soluci on: 11 30 45 18 .

2.8.

Tablas de contingencia

Las tablas de contingencia est an referidas a 2 caracter sticas que presentan cada una dos o m as sucesos. Ejemplo: En un taller se sabe que acuden, por la ma nana 3 autom oviles con problemas de el ectricos, 8 con problemas mec anicos y 3 con problemas de chapa. Por la tarde hay 2 con problemas el ectricos, 3 con problemas mec anicos y 1 con problemas de chapa. a) Calcular el porcentaje de los que acuden por la tarde. b) Calcular el porcentaje de los que acuden con problemas mec anicos c) Calcular la probabilidad de que un autom ovil con problemas el ectricos acuda por la ma nana. Resumiendo los datos en una tabla de contingencia: Ma nana Tarde Total Pr. el ectricos 3 2 5 Pr. Mec anicos 8 3 11 Pr. de chapa 3 1 4 Total 14 6 20

a) En total acuden 20 y por la tarde acuden 6, luego: 6 p(acudir por la tarde)= = 0 3, es decir, el 30 %. 20 b) En total acuden 20 y con problemas mec anicos hay 11, luego: 11 p(problemas mec anicos)= = 0 55, es decir, el 55 %. 20 c) Aqu tenemos una informaci on adicional (es un coche que tiene problemas el ectricos), luego se trata de una probabilidad condicionada.Con problemas el ectricos hay 5 y de ellos 3 por la ma nana, luego: 3 p(acudir por la ma nana/problemas el ectricos)= = 0 6, es decir, el 60 %. 5 En una tabla de contingencia puede que nos falten datos, pero se pueden hallar f acilmente con los datos que son conocidos. Ejemplo Para tratar de curar una enfermedad se aplica un tratamiento nuevo a 81 pacientes de un hospital, mientras que en el mismo hospital hay otros 79 pacientes que siguen un tratamiento antiguo contra la misma enfermedad. En total, con ambos tratamientos los curados son 103, de los cuales 60 lo son gracias al tratamiento nuevo. Si tratamos de construir la tabla, con los datos del problema se obtiene: Tratamiento antiguo Curarse No curarse Total Tratamiento nuevo 60 81 Total 103

79

CAP ITULO 2. PROBABILIDAD Completa la tabla y responde a las cuestiones: Si se elige un individuo al azar, calcula la probabilidad de que: 1. Se haya curado. 2. No se haya curado. 3. Se haya curado con el nuevo tratamiento. 4. No se haya curado con el nuevo tratamiento. 5. Se haya curado con el tratamiento antiguo. 6. No se haya curado con el tratamiento antiguo

31

2.9.

El teorema de Bayes.

Como consecuencia del teorema de la probabilidad total y de las propiedades de la probabilidad condicionada, resulta este importante teorema que permite calcular probabilidades condicionadas. Teorema de Bayes: on es el espacio muestral Si A1 , A2 , . . . , An son sucesos incompatibles 2 a 2, y cuya uni (A1 A2 . . . An = E ), y B es otro suceso, resulta que: p(Ai /B ) = p(Ai ) p(B/Ai ) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )

Demostraci on: Por denici on,p(Ai /B ) =

p(Ai B ) . p( B )

Ahora bien, recordando que p(Ai B ) = p(Ai ) p(B/Ai ), debido a que p(B/Ai ) = Por tanto, combinando los dos hechos: p(Ai /B ) = p(Ai ) p(B/Ai ) p(Ai B ) = p( B ) p( B )

Ai B . p(Ai )

Como por el teorema de la probabilidad total es: p(B ) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An ) resulta que sustituyendo: p(Ai/B ) = p(Ai ) p(B/Ai ) p(Ai ) p(B/Ai ) = p( B ) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )

y el teorema queda demostrado. Nota: Las probabilidades p(Ai ) se denominan probabilidades a priori. Las probabilidades p(Ai /B ) se denominan probabilidades a posteriori. Las probabilidades p(B/Ai ) se denominan verosimilitudes.

CAP ITULO 2. PROBABILIDAD

32

Ejemplo: Dos clases de 2 de Bachillerato, una de 28 alumnos y otra de 35 alumnos hacen conjuntamente un examen de Matem aticas. La probabilidad de aprobar de los alumnos de la primera clase es de 068 y los de la segunda del 073. Se toma un examen al azar y resulta que est a aprobado. Cu al es la probabilidad de que sea de un alumno de la 1 clase?. Sea A1 = el examen es de un alumno de la primera clase A2 = el examen es de un alumno de la segunda clase B= el examen est a aprobado Nos piden p(A1 /B ). Hagamos antes que nada un diagrama de a rbol:

Figura 2.14: Diagrama de a rbol para el problema del examen

Por el teorema de Bayes: p(A1 /B ) = Sustituyendo: 28 0 68 0 302 63 = = 0 427 p(A1 /B ) = 35 28 0 708 0 68 + 0 73 63 63 p(A1 ) es la probabilidad a priori, es decir , antes de realizar el experimento y careciendo de informaci on. 28 = 0 444. En este caso p(A1 ) = 63 es de realizarlo y conocer m as informaci on. En p(A1 /B ) es la probabilidad a posteriori, despu este caso p(A1 /B ) = 0 427 (es algo menor). Ejercicio: Se tienen dos urnas. En la primera hay 10 bolas blancas, 7 negras y 5 rojas. En la segunda 24 blancas, 4 negras y 9 rojas. Se elige una urna al azar y se saca una bola. Calcular: a) Probabilidad de sacar bola blanca. b) Sabiendo que la bola extra da es blanca, probabilidad de que provenga de la segunda urna. 449 264 Soluci on: 814 , 449 . p(A1 ) p(B/A1 ) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 )

Cap tulo 3

BINOMIAL Y DISTRIBUCION NORMAL DISTRIBUCION


3.1. Introducci on

Estudiaremos en este tema dos de las distribuciones de probabilidad m as importantes y que son imprescindibles a la hora de adentrarnos en el estudio de la inferencia estad stica. La distribuci on binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que s olo pueden tomar un n umero nito, o innito numerable, de valores). Fue estudiada por Jakob Bernoulli (Suiza, 1654-1705), qui en escribi o el primer tratado importante sobre probabilidad, Ars conjectandi (El arte de pronosticar). Los Bernoulli formaron una de las sagas de matem aticos m as importantes de la historia. La distribuci on normal es un ejemplo de las distribuciones continuas, y aparece en multitud de fen omenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss (Alemania, 1777-1855), uno de los m as famosos matem aticos de la historia. La gr aca de la distribuci on normal en forma de campana se denomina Campana de Gauss.

3.2.

La distribuci on binomial o de Bernoulli

La distribuci on binomial est a asociada a experimentos del siguiente tipo: - Realizamos n veces cierto experimento en el que consideramos s olo la posibilidad de exito o fracaso. - La obtenci on de exito o fracaso en cada ocasi on es independiente de la obtenci on de exito o fracaso en las dem as ocasiones. - La probabilidad de obtener exito o fracaso siempre es la misma en cada ocasi on. Ve amoslo con un ejemplo Tiramos un dado 7 veces y contamos el n umero de cincos que obtenemos. Cu al es la probabilidad de obtener tres cincos?. Este es un t pico ejemplo de distribuci on binomial, pues estamos repitiendo 7 veces el experimento de lanzar un dado. Cu al es nuestro exito?. Evidentemente, sacar un 5, que es en lo que nos jamos. El fracaso, por tanto, ser a no sacar 5, sino sacar cualquier otro n umero. 1 Por tanto, Exito = E = sacar un 5 = p(E ) = 6 5 Fracaso = F = no sacar un 5 = p(F ) = 6 Para calcular la probabilidad que nos piden, j emonos en que nos dicen que sacamos 3 cincos y por lo tanto tenemos 3 exitos y 4 fracasos, de cu antas maneras pueden darse estas posibilidades?. Podr amos sacar 3 cincos en las 3 primeras tiradas y luego 4 tiradas sin sacar cinco, es decir: EEEFFFF Pero tambi en podr amos sacar EFEFFFE, es decir que en realidad estamos calculando de cu antas 38

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

39

maneras se pueden ordenar 4 fracasos y 3 exitos. Recordando las t ecnicas combinatorias, este problema se reduce a calcular las permutaciones con elementos repetidos: 765 7! = = 35formas 3! 4! 321 5 1 exitos y p(F ) = y tengo 4 fracasos: Y por tanto, como p(E ) = y tengo 3 6 6 1 1 1 5 5 5 5 p(tener 3 exitos y 4 fracasos) = 35 = 0 0781 6 6 6 6 6 6 6
3 ,4 = P7

1 Formalizando lo obtenido, en una variable binomial con 7 repeticiones y con probabilidad de exito , 6 la probabilidad de obtener 3 exitos es 00781, y lo expresar amos: Bin 7; 1 6 , entonces p(X = 3) = 0 0781

Como repetir este proceso ser a bastante penoso en la mayor a de los casos, lo mejor es recurrir a la siguiente f ormula que expresa la probabilidad de obtener cierto n umero de exitos en una distribuci on binomial: Denici on de distribuci on binomial: Si realizamos n veces un experimento en el que podemos obtener exito, E, con probabilidad p y fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribuci on binomial de par ametros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad de obtener k exitos viene dada por: n p( X = k ) = pk q (nk) k Nota: Observar que las probabilidades de exito y fracaso son complementarias, es decir, q = 1-p y p = 1-q, por lo que basta saber una de ellas para calcular la otra. Ejemplo: Antes ten amos Bin 7; 1 , y quer amos calcular p(X=3) (obtener 3 exitos). Aplicando la f ormula: 6 p(X = 3) = 7 3 1 6
3

5 6

= 0 0781

Ejemplo: Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual. Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijos. En este caso Exito = E = tener hijo y p(E) = 05. Fracaso = F = tener hija y p(F) = 05. Estamos por tanto ante una binomial Bin(6;05) y nos piden p(X=2). Si aplicamos la f ormula es: p(X = 2) = 6 (0 5)2 (0 5)4 = 0 2344 2

Nota: La elecci on de exito o fracaso es subjetiva y queda a elecci on de la persona que resuelve el problema, pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del ejemplo anterior, si: Exito = tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos, si el exito es tener hija hemos de plantearnos cu al es la probabilidad de tener 4 exitos (4 hijas), es

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION decir: p(X = 4) =

40

6 (0 5)4 (0 5)2 = 0 2344 4

Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el exito y el fracaso y la pregunta que nos hagan.

3.2.1.

El uso de las tablas de la distribuci on binomial

La distribuci on binomial se encuentra tabulada por lo que es f acil calcular probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribuci on binomial es necesario conocer: - El n umero de veces que se realiza el experimento (n). - La probabilidad de exito (p). - El n umero de exitos (k). La probabilidad p se busca en la primera la (valores desde 001 hasta 05). El n umero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y el n umero de exitos a su lado. Por ejemplo en el caso anterior, Bin (6;05) , p(X=2), la columna p=05 es la u ltima, y cuando n=6 y k=2 encontramos 02344, el valor que hab amos calculado. Nota importante: El caso en que p > 0 5, no se encuentra tabulado. exito y La raz on es bien sencilla. Si p > 0 5, entonces q < 0 5 y basta intercambiar los papeles de fracaso para que podamos utilizar la tabla. Ejemplo: aticas es de 07. Si La probabilidad de que un alumno de 2 de Bachillerato apruebe las Matem consideramos un grupo de 8 alumnos, cu al es la probabilidad de que cinco de ellos aprueben las Matem aticas?. Si exito = aprobar y fracaso = suspender, entonces p = 07 y q = 03. Tenemos, por tanto, una Bin(8;07). Nos piden calcular p(X=5), que no se puede calcular mediante las tablas porque p = 07 y s olo tenemos hasta p = 05. Por tanto si intercambiamos exito = suspender y fracaso =aprobar entonces p = 03, q = 07, es decir la nueva binomial es Bin(8;03) y nos piden que aprueben 5 de 8, es decir que suspendan 3 de 8 o lo que es lo mismo, que tengamos 3 exitos, p(X=3), y buscando en la tabla es p(X=3) = 02541. Tambi en, desde luego podr amos haber utilizado la f ormula desde el principio, utilizar la Bin(8;07) y olvidarnos de tablas para hacer: p(X = 5) = 8 (0 7)5 (0 3)3 = 0 254 5

3.2.2.

Probabilidades acumuladas

Es posible que nos pidan no s olo la probabilidad de que ocurran un cierto n umero de exitos en concreto, sino que ocurran como mucho k exitos o preguntas similares. En el ejemplo anterior, por ejemplo, podr an pedirnos: a) Cu al es la probabilidad de que aprueben como mucho 2 alumnos?. Si exito = aprobar y fracaso = suspender, p= 07 y q = 03, entonces nos piden p(X 2). En este caso, basta pensar en que para que aprueben 2 alumnos como mucho, puede que aprueben 2, 1 o ninguno, es decir: p(X 2) = p(X = 0) + p(X = 1) + p(X = 2) = 0 0001 + 0 0012 + 0 01 = 0 1013 (haz las cuentas) b) Cu al es la probabilidad de que aprueben entre 3 y 6 alumnos (inclusive)?.

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION Del mismo modo: p(3 X 6) = p(X = 3) + p(X = 4) + p(X = 5) + p(X = 6) =

41

= 0 0467 + 0 1361 + 0 2541 + 0 2965 = 0 7334 Hemos de tener en cuenta que para la distribuci on binomial, en las tablas s olo se admiten valores hasta n=10 (10 repeticiones del experimento). Para valores de n > 10, inevitablemente hemos de utilizar la f ormula. Ejemplo: Los alumnos de cierta clase se encuentran en una proporci on del 67 % que estudian ingl es y el resto franc es. Tomamos una muestra de 15 alumnos de la clase, calcular: a) Probabilidad de que al menos encontremos tres alumnos de ingl es. b) Probabilidad de que los 15 alumnos estudien ingl es. c) Probabilidad de que estudien ingl es entre 7 y 10 alumnos. Si exito = estudiar ingl es, p = 067 y fracaso = estudiar franc es, q = 1-067 = 033. Manejamos por tanto una Bin(15;067) a) p(X 3) = p(X = 3) + p(X = 4) + p(X = 5) + p(X = 6) + . . . + p(X = 15). Una opci on es calcular estas 13 probabilidades y sumarlas. Como hay que aplicar la f ormula para calcular cada una, la tarea se puede hacer bastante larga. Otra opci on, m as sencilla, es pasar al complementario. El complementario de encontrar al menos 3 alumnos de ingl es es encontrar como mucho 2 alumnos de ingl es, p(X 2). Es decir, p(X 3) = 1 p(X < 3) = 1 p(X 2) = 1 (p(X = 0) + p(X = 1) + p(X = 2)) y s olo tenemos que calcular 3 probabilidades: p(X = 0) 0 , p(X=1) = 0000001, p(X=2) = 0000026 (compru ebalo!). Por lo cual, p(X 3) = 1 (0 + 0 000001 + 0 000026) = 1 0 000027 = 0 999973 b) p(X=15) = 00025 (aplica la f ormula). c) p(7 X 10) = p(X = 7) + p(X = 8) + p(X = 9) + p(X = 10) = = 0 0549 + 0 1114 + 0 1759 + 0 2142 = 0 5564.

3.2.3.

Media y desviaci on t pica en una distribuci on binomial

Aunque no se demostar a, en una distribuci on binomial Bin(n;p), el n umero esperado de exitos o media, viene dado por x = n p. (Recordemos que la media es una medidad de centralizaci on). La desviaci on t pica, , que es una medida de dispersi on y mide lo alejados que est an los datos de la media, viene dada por = n p q .

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

42

3.3.

La distribuci on Normal

Al estudiar aspectos tan cotidianos como: - Caracteres morfol ogicos de individuos ( personas, animales, plantas) de una misma raza. como tallas, pesos, envergaduras, etc. - Caracteres siol ogicos, como el efecto de una misma dosis de un f armaco, o de una misma cantidad de abono. - Caracteres sociol ogicos, como el consumo de ciertos productos por individuos de un mismo grupo humano. - Caracteres psicol ogicos, como el cociente intelectual, grado de adaptaci on a un medio. - Caracteres f sicos, como la resistencia a la rotura de ciertas piezas. . . todos ellos tienen en com un que se distribuyen normalmente. Qu e quiere decir esta expresi on?. Pu es, por ejemplo, si hacemos una estad stica para conocer la altura de 1400 mujeres y representamos los resultados en un diagrama de barras, obtenemos:

Figura 3.1: Distribuci on de estaturas de 1400 mujeres

Las gr acas de este tipo son muy corrientes: Hay pocos individuos en los extremos y un aumento paulatino hasta llegar a la parte central del recorrido, donde est a la mayor a de ellos. Denici on: Diremos que una distribuci on de probabilidad sigue una distribuci on normal de media x on gr aca de su funci on y desviaci on t pica , y lo representaremos por N (x; ) cuando la representaci de densidad es una curva positiva continua, sim etrica respecto a la media, de m aximo en la media, y que tiene 2 puntos de inexi on , situados a ambos lados de la media (x y x + respectivamente) y a distancia de ella, es decir de la forma:

Figura 3.2: Distribuci on normal N (x; ). El m aximo est a en (x,

1 ) 2 2

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

43

aca de esta funci on puede ser m as o menos Dependiendo de los valores que tomen x y , la gr alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetr a, continuidad, etc rese nadas anteriormente. El concepto de funci on de densidad introducido anteriormente no se estudiar a con profundidad. Baste decir que la funci on de densidad determina la forma de cada distribuci on de probabilidad. En on viene dada por: el caso de la distribuci on normal de par ametros x y , dicha funci f (x) = 1 2 2 e
(xx)2 2 2

Propiedad: El a rea encerrada bajo la curva normal N (x; ) siempre es 1. La demostraci on de este resultado no es nada sencilla e implica el uso de resultados matem aticos que exceden el nivel de este curso. as sencilla, usada y conocida es aquella que tiene De entre todas las curvas normales N (x; ), la m por media 0 y por desviaci on t pica 1, N(0, 1). Esta normal est andar se suele representar por Z. La gr aca de esta curva se denomina campana de Gauss y se puede observar en la gura:

1 Figura 3.3: Distribuci on normal N (0; 1). El m aximo est a en (0, 2 )

x2 1 e 2 2 Puesto que el a rea bajo esta curva normal es 1, podemos denir una probabilidad de la siguiente manera:

Su funci on de densidad ser a:

f (x) =

Para un valor cualquiera k, denimos la probabilidad de que la distribuci on Z, N(0;1) , sea menor o igual que k como: p(Z k)= Area encerrada bajo la curva normal N(0,1) desde hasta k (es decir la parte rayada de la gura siguiente).

Figura 3.4: Area encerrada por la curva normal desde hasta k Ahora bien, c omo calcular dicha a rea?. F acil: Dichas areas o probabilidades se encuentran tabuladas.

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

44

3.3.1.

Uso de las tablas de la distribuci on normal N(0;1)

La normal N(0;1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo queremos calcular p(Z 2 78), hemos de realizar los pasos: 1. Buscar la parte entera y las d ecimas en la primera columna (en este caso 27). 2. Buscar las cent esimas en la primera la (en este caso 8). 3. En el punto com un a la la y la columna que hemos encontrado, tenemos la probabilidad buscada, en este caso 09973. Por tanto p(Z 2 78) = 0 9973. Si queremos calcular una probabilidad de un valor mayor que 399, basta jarse en que las probabilidades correpondientes a valores tales como 362 y mayores ya valen 09999 (pr acticamente 1). Por eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As : p(Z 5 62) 1 aunque no aparezca en la tabla. Por otra parte, j emonos en que en este tipo de distribuciones no tiene sentido plantearse probabilidades del tipo p(Z=k), ya que siempre valen 0, al no encerrar ning un a rea. Por tanto, si nos pidiesen p(Z=32), basta decir que p(Z=32)=0. Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se demoniman distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por ejemplo la binomial, que es una distribuci on discreta. As , al pasar al complementario, si tenemos Z k, su complementario ser a Z < k, pero como incluir k no inuye en la probabilidad,al calcular probabilidades podemos escribir: p( Z k ) = 1 p( Z < k ) = 1 p( Z k ) S olo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede hacer y hay que ser cuidadosos con el paso al complementario. Ejercicio: Buscar en la tabla de la normal est andar N(0;1) las probabilidades: b) p(Z 0 5) c) p(Z 0 82) d) p(Z 1 05) a) p(Z 1 15) f) p(Z 18 09)

e) p(Z 4 27)

3.3.2.

C alculo de otras probabilidades

1. Si k es positivo y queremos calcular p(Z k), es decir el area rayada:

Figura 3.5: p(Z k). Basta pasar al complementario basta pasar al complementario, es decir: p(Z k) = 1 p(Z k) y esta u ltima probabilidad ya se encuentra tabulada. Ejercicio: Calcular p(Z 0 3) y p(Z 2 07).

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

45

2. Si k es positivo y queremos calcular p(Z k), es decir el area: por simetr a, p(Z k) =

Figura 3.6: p(Z k).Las probabilidades de valores negativos no est an tabuladas p( Z k ) y esta se calcula como en el caso anterior. Se puede observar la igualdad de a reas en la gura:

Figura 3.7: p(Z k) = p(Z k). La simetr a permite reducir este caso al anterior

Ejercicio: Calcular p(Z 0 78) y p(Z 3 2). 3. Si k es positivo y queremos calcular p(Z k), es decir el area rayada:

Figura 3.8: p(Z k)

entonces, por simetr a p(Z k) = p(Z k):

Figura 3.9: p(Z k) = p(Z k).La simetr a permite reducir este caso al que ya est a tabulado

Ejercicio: Calcular p(Z 0 96) y p(Z 1 01).

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION area rayada: 4. Probabilidades comprendidas entre dos valores,p(k1 Z k2 ) ,es decir el

46

Figura 3.10: p(k1 Z k2 ). Probabilidad comprendida entre dos valores se calcula restando las areas:

Figura 3.11: p(Z k2 ) en la primera imagen.p(Z k1 ) en la segunda. Al restar obtenemos el a rea pedida. Se quita la parte correspondiente a Z k1 ,p(Z k2 ) p(Z k1 ). Ejercicio: Calcular p(0 96 Z 1 49) y p(1 32 Z 0 57). Ejercicio: Calcular p(Z=2), p(Z 2), p(Z 2), p(Z 2), p(Z 2), p(2 Z 2), p(0 81 Z 1 33).

3.3.3.

C alculo de probabilidades en normales N (x; )

Si no tenemos una distribuci on N(0;1), sino una N (x; ) cualquiera, c omo calcular probabilidades, si no tenemos tabla salvo para N(0;1)?. El siguiente resultado nos da la respuesta. Propiedad: Xx sigue una distribuci on N(0,1). on de la variable X). (El paso de la variable X N (x; ) a la Z N(0;1) se denomina tipicaci Si X sigue una distribuci on N (x; ) , entonces la variable Z =

Ejemplo: Las estaturas de 600 soldados se distribuyen de acuerdo a una distribuci on normal de media 168 y desviaci on t pica 8 cm. Cu antos soldados miden entre 166 y 170 cm?. Sea X la distribuci on de los soldados , X es una N(168,8). Nos piden p(166 X 170). Utilizando el resultado anterior, primero restamos x=168 en la desigualdad: p(166 X 170) = p(166 168 X 168 170 168) = p(2 X 168 2) Y ahora dividimos entre = 8, con lo que acabamos de tipicar: p(166 X 170) = p(2 X 168 2) = p X 168 2 2 8 8 8

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION X 168 = Z, esta ya es normal N(0,1) y se encuentra en las tablas: 8

47

Llamando a

p(166 X 170) = p(0 25 Z 0 25) = p(Z 0 25) p(Z 0 25) = = (tablas) = 0 5987 0 4013 = 0 1974. (pues p(Z 0 25) = p(Z 0 25) = 1 p(Z 0 25) = 1 0 5987 = 0 4013). Ejercicios: 1) En una distribuci on N(22,5), calcula: p(X 27),p(X 27),p(X 125), p(15 X 20), p(17 X 30). 2) Los pesos de 60 soldados siguen una distribuci on N(67,5). Calcula la probabilidad de que el peso sea: a) mayor de 80 kg. b) 50 kg. o menos c) menos de 60 kg. d) 70 kg. e) Entre 60 y 70 kg inclusive.

3.3.4.

Otro uso de las tablas

Hasta ahora nos han dado la distribuci on normal N(0;1) y nos ped an p(Z k) siendo k un cierto n umero, y nos ped an calcular dicha probabilidad. Ahora bien, otra pregunta puede ser: Dado que en una normal N(0;1) sabemos que p(Z k) = en es k?. 0 9573, qui La resoluci on es bien sencilla. Basta buscar 09573 dentro de la tabla de la distribuci on normal, y lo encontramos en el cruce de la la 17 con la columna 2, y por lo tanto k debe ser 172. Ejercicio: Calcular k si: a) p(Z k) = 0 8078. b) p(Z k) = 0 0028. En caso de que el valor a buscar no aparezca directamente dentro de la tabla de la distribuci on normal, pueden ocurrir dos posibilidades: a) Si el valor se encuentra entre dos valores de la tabla y a la misma distancia (aproximadamente) a la media de cada uno de ellos, por ejemplo: p(Z k) = 0 7982. En este caso el valor buscado ser entre los valores extremos. Si buscamos en la tabla este valor no aparece directamente, sino que se encuentra entre los valores 07967 (que corresponde a 083) y 07996 (que corresponde a 084). Por tanto el valor de k ser a: k= 0 83 + 0 84 = 0 835 2

b) Si el valor est a entre dos valores, pero muy cercano a uno de ellos, directamente tomamos este valor, as cercano es 09767 (que corresponde a 083) y como el por ejemplo: p(Z k) = 0 7970. El valor m valor buscado est a muy cerca de el, entonces directamente k=083. Si la distribuci on no es normal N(0;1), sino N (x; ), tendremos que tipicar previamente. Por ejemplo, si X sigue una normal N(6;3) y p(X k) = 0 9082, calcula k. Tipicando: k6 k6 X 6 = 0 9082 p Z = 0 9082 p 3 3 3 Y buscando en la tabla, k6 = 1 33 k 6 = 3 99 k = 9 99 3

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION Ejercicios: 1. Calcular k si p(X k) = 0 6141 y X sigue una N(15,4).

48

2. De una variable normal N (x; ) se sabe que p(X 7) = 0 9772 y p(X 6 5) = 0 8413. Calcular: a) x y . b ) p(5 65 X 6 25) c ) El n umero k tal que p(X > k) = 0 3

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION

49

3.4.

Relaci on entre la distribuci on binomial y la distribuci on normal

Es un hecho comprobado que cuando tenemos una distribuci on Bin(n;p), a medida que n crece, es dif cil hacer uso de las f ormulas y/o tablas. Por ejemplo, tiramos un dado 100 veces, calcular la probabilidad de obtener entre 20 y 33 cincos(inclusive). 5 1 Si exito = obtener cinco entonces p = y fracaso = no obtener cinco y q = . 6 6 1 , y nos piden p(20 X 33). Tenemos una Bin 100; 6 Es inviable aplicar las tablas (pues repetimos el experimento 100 veces) y tampoco la f ormula pues es inviable calcular, por ejemplo, p(X = 32) = 100 32 1 6
32

5 6

68

C omo resolver el problema?. Del siguiente modo: Teorema Central del L mite: on La distribuci on binomial Bin(n;p) se aproxima a una curva normal de media x = n p y desviaci t pica = n p q , cuando n tiende a , es decir, cuando n se hace muy grande. La aproximaci on se puede aplicar (es una buena aproximaci on) s olo si n es grande, en concreto n 30 y adem as n p 5 y n q 5. Si no se cumplen estas condiciones NO podemos aproximar la binomial que tengamos por una distribuci on normal. En caso de que podamos aproximar, debemos tener en cuenta que estamos pasando de una variable discreta (binomial) a una continua (normal), y por tanto son distribuciones diferentes. El precio que hay que pagar por pasar de una a otra se denomina correcci on por continuidad y consiste en hacer determinados ajustes para que la aproximaci on realizada sea lo m as precisa posible. As , si nos piden p(X=k) en una distribuci on binomial X, y aproximamos X por una distribuci on normal Y, no podemos calcular directamente p(Y=k) porque, como ya se ha comentado anteriormente, en una distribuci on continua todas estas probabilidades valen 0. La correcci on por continuidad consiste en tomar un peque no intervalo de longitud 1 alrededor del punto k. De otro modo, si nos piden p(X=k) con X binomial, con la aproximaci on normal Y deberemos calcular p(k 0 5 Y k + 0 5). Del mismo modo se razona en el caso de probabilidades acumuladas en la binomial. Algunos ejemplos: Si nos piden p(X < k) con X binomial, aproximando por Y normal calcularemos p(Y k 0 5). La explicaci on de que haya que restar 05 y no sumarlo es que queremos que X sea menor estrictamente que k, con lo cu al, si sumase 05 , el propio k aparecer a en la probabilidad a calcular y NO debe aparecer. Por contra, si debi esemos calcular p(X k), con X binomial, j emonos que ahora k S I est a incluido en la probabilidad y por tanto al aproximar por la normal Y deber amos calcular p(Y k + 0 5). Comprender estos dos hechos es fundamental para realizar bien la correci on por continuidad al aproximar una distribuci on binomial por una normal. En el caso anterior,x = n p = 100 500 = 16 67 y = n p q = = 3 73. De modo que, como 6 36 = 83 33 5, se pude aproximar la binomial por la normal, es decir: n 30, n p = 16 67 5 y nq X Bin 100; 1 6 Y N (16 67; 3 73)

BINOMIAL Y DISTRIBUCION NORMAL CAP ITULO 3. DISTRIBUCION Entonces: p(20 X 33) p(20 0 5 Y 33 + 0 5) = p
()

50

Y 16 67 33 5 16 67 19 5 16 67 3 73 3 73 3 73

= p(0 89 Z 4 51) = p(Z 4 51) p(Z 0 89) 1 0 8133 = 0 1867 Notemos que en el paso se nalado por (*) hemos cambiado X(binomial) por Y(normal) y se ha realizado la correcci on por continuidad.

Cap tulo 4

INFERENCIA ESTAD ISTICA


4.1. Introducci on

Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estad stica, ciencia o rama de las Matem aticas que se ocupa de recoger datos, analizarlos y organizarlos, y de realizar las predicciones que sobre esos datos puedan deducirse, tiene dos vertientes b asicas: a) Estad stica descriptiva: B asicamente se ocupa de la 1 parte, es decir, a partir de ciertos datos, analizarlos y organizarlos. Es aqu donde tiene sentido calcular la media, mediana, moda, desviaci on media, desviaci on t pica, etc. b) Estad stica inferencial: Se ocupa de predecir, sacar conclusiones, para una poblaci on tomando como base una muestra (es decir , una parte) de dicha poblaci on. Como todas las predicciones, siempre han de hacerse bajo un cierto grado de abilidad o conanza. Ser a esta u ltima vertiente de la estad stica la que estudiemos en este tema.

4.2.

Muestreos

Ya sabemos que una poblaci on es el conjunto de individuos sobre los que hacemos cierto estudio, y que una muestra es un subconjunto de la poblaci on. Es evidente que los resultados de una determinada encuesta tendr an un mayor grado de abilidad si dicha encuesta se realiza sobre la poblaci on completa. Sin embargo, en la mayor a de las ocasiones esto no es posible, debido a m ultiples razones: * Imposibilidad material (Hacer una encuesta a los casi 41 millones de espa noles es imposible,hacer un estudio sobre la fecha de caducidad de un producto. Si lo hacemos con todos los productos qu e vendemos luego?) * Imposibilidad temporal (Hacer un estudio sobre la duraci on de una bombilla. Cu anto debemos esperar para saberlo?). Por tanto, es habitual que tengamos que manejarnos con muestras, de modo que es importante saber elegir bien una muestra de la poblaci on, una muestra que represente bien a dicha pbolaci on. Hay muchas maneras de elegir una muestra de una poblaci on. Antes de pasar a analizar dichas formas de extracci on de muestras, lo que si hemos de dejar claro es que todas las muestras han de cumplir varias condiciones indispensables. Es evidente que para que el estudio a realizar sea able, hay que cuidar mucho la elecci on de la muestra, para que represente en la medida de lo posible a la poblaci on de la que se extrae. Si la muestra est a mal elegida, diremos que no es representativa. En este caso, se pueden producir errores imprevistos e incontrolados. Dichos errores se denominan sesgos y diremos que la muestra est a sesgada. Una de las condiciones para que una muestra sea representativa es que el muestreo (o sistema para elegir una muestra de una poblaci on) que se haga sea aleatorio, es decir, todas las personas de

56

CAP ITULO 4. INFERENCIA ESTAD ISTICA

57

la poblaci on tengan las mismas posibilidades de ser elegidas, mientras que si la elecci on de la muestra es subjetiva, es probable que resulte sesgada. Las distintas maneras de elegir una muestra de una poblaci on se denominan muestreos. B asicamente hay dos tipos de muestreos: 1. Muestreo no probabil stico: El investigador no elige la muestra al azar, sino mediante determinados criterios subjetivos. 2. Muestreo probabil stico: Cuando la muestra se elige al azar. En este caso podemos distinguir varios tipos: a) Muestreo aleatorio simple: Aquel en el que cada individuo de la poblaci on tiene las mismas posibilidades de salir en la muestra.

b ) Muestreo sistem atico: En el que se elige un individuo al azar y a partir de el, a intervalos constantes, se eligen los dem as hasta completar la muestra. c ) Muestreo estraticado: En este muestreo se divide la poblaci on en clases o estratos y se escoge, aleatoriamente, un n umero de individuos de cada estrato proporcional al n umero de componentes de cada estrato. d ) Muestreo por conglomerados: Si no disponemos de la relaci on de los elementos de la poblaci on, o de los posibles estratos, no podemos aplicar los muestreos anteriores. Aqu entra el llamado muestreo por conglomerados, donde en lugar de elegir individuos directamente, se eligen unidades m as amplias donde se clasican los elementos de la poblaci on, llamados conglomerados. En cada etapa del muestreo en lugar de seleccionar elementos al azar seleccionamos conglomerados. Los conglomerados deben ser tan heterog eneos como la poblaci on a estudiar, para que la represente bien. Luego se elegir an algunos de los conglomerados al azar, y dentro de estos, analizar todos sus elementos o tomar una muestra aleatoria simple. No debemos confundir estrato y conglomerado. Un estrato es homog eneo (sus elementos tienen las mismas caracter sticas), mientras que un conglomeardo es heterog eneo (debe representar bien a la poblaci on). Veamos la diferencia de estos muestreos mediante un ejemplo: Imaginemos que hemos de recoger una muestra de 20 alumnos de entre los de un instituto de 600. 1 . Lo de-Muestreo aleatorio simple: Elegir amos un alumno al azar (probabilidad de elegirlo 600 1 hasta 20. Notemos que volvemos a la poblaci on y se elige otro (probabilidad de elegirlo 600 ), y as 1 a 599 , y ya no si no devolvi esemos al alumno, entonces, la probabilidad de escoger al 2 alumno ser todos tendr an la misma probabilidad de ser elegidos. El problema es que entonces permitimos que se puedan repetir individuos. -Muestreo sistem atico: Como hemos de elegir 20 alumnos de 600, es decir, 1 de cada 30, se procede as : Se ordenan los alumnos y se numeran, se elige uno al azar, por ejemplo el alumno 27, y luego los dem as se eligen a partir de este a intervalos de 30 alumnos. Escoger amos por tanto a los alumnos: 27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,567,597 y el alumno 627 ya es otra vez el 27. -Muestreo estraticado: Si queremos que la muestra sea representativa, lo mejor ser a conocer cu antos alumnos de cada curso hay, es decir, si hay 200 alumnos de 3 ESO, 150 de 4 ESO, 150 de amos: 1 Bachillerato y 100 de 2 Bachillerato, proceder Como de 600 en total hemos de elegir a 20, de 200 de 3 de ESO hemos de elegir x: x 4000 20 = x = = 6 6 7 alumnos de 3 600 200 600

CAP ITULO 4. INFERENCIA ESTAD ISTICA (Utilizando la regla de tres) De igual manera podemos calcular los alumnos correspondientes a los dem as cursos: y 3000 20 = y = = 5 alumnos de 4 600 150 600

58

z 3000 20 = z = = 5 alumnos de 1 600 150 600 t 2000 20 = t = = 3 3 alumnos de 2 600 100 600 De modo que en nuestra muestra de 20, 7 alumnos son de 3, 5 de 4, 5 de 1 y 3 de 2. Para la elecci on de cada alumno dentro de cada curso, utilizamos el muestreo aleatorio simple. -Muestreo por conglomerados: Para ver este muestreo, hemos de cambiar el ejemplo. Supongamos que queremos extraer una muestra aleatoria de los estudiantes universitarios del pa s. Necesitariamos una lista con todos ellos para poder realizar alg un muestreo del tipo de los 3 anteriores, lo cu al es muy dif cil de conseguir. Sin embargo, los estudiantes estan clasicados por Universidades, Facultades y Clases. Podemos seleccionar en una primera etapa algunas Universidades, despu es algunas facultades al azar, dentro de las facultades algunas clases y dentro de las clases, algunos estudiantes por muestreo aleatorio simple. Los conglomerados en cada etapa ser an las diferentes Universidades, las diferentes facultades y los diferentes clases. Como vemos los conglomerados son unidades amplias y heterog eneas. Ejercicio: En una poblaci on de 1500 j ovenes,7500 adultos y 1000 ancianos, se hace una encuesta a 200 personas para conocer sus actividades de ocio preferidas. Si se utiliza un muestreo estraticado, qu e tama no muestral corresponde a cada estrato?.

4.3.

Estimaci on por puntos

Como el objetivo principal de la estad stica inferencial es el estudio de la poblaci on y realizar predicciones a cerca de ella pero a partir de una muestra de ella , no de la poblaci on entera, en principio, tendremos que estimar los ndices de la poblaci on a partir de los ndices correspondientes para la muestra. En una primera aproximaci on, parece l ogico pensar que si queremos determinar la media de una cierta poblaci on, si hemos cogido una muestra representativa de dicha poblaci on, la media de la muestra (que es f acilmente calculable porque tenemos los datos) ser a muy parecida a la de la poblaci on y por tanto sirva para estimarla. Distinguiremos, por tanto, entre: 1. Par ametros poblacionales: Que son los ndices centrales y de dispersi on que denen a una poblaci on. Representaremos la media poblacional y la desviaci on t pica poblacional . En el caso de proporciones, la proporci on de poblaci on que tiene una determinada caracter stica la denotaremos por p y la proporci on que no la cumple por q = 1 p. (Como en la Distribuci on binomial) 2. Estad sticos poblacionales: Son los ndices centrales y de dis persi on que denen a una muestra. on t pica muestral por s. Representaremos la media muestral por x y la desviaci En el caso de proporciones, la proporci on de muestra que tiene una determinada caracter stica la denotaremos por p y la proporci on que no la cumple por q = 1p .

CAP ITULO 4. INFERENCIA ESTAD ISTICA

59

Cu al es el problema de la estimaci on entonces?. Como vamos a disponer de una muestra, lo que y q ), y a partir de estos intentar estimar quienes tienen que ser podemos calcular es x y s (o bien p y (o bien p y q), los reales para la poblaci on. En la estimaci on por puntos, el conocimiento de un estad stico muestral nos permitir a decidir cu al es el correspondiente par ametro de la pobla ci on. Para ello hemos de conocer cu al es la relaci on entre un estad stico y el corresp ondiente par ametro.

4.4.

Distribuci on muestral de medias

Si tenemos una poblaci on de par ametros desconocidos y , y tomamos una muestra, podemos a cierta relaci on con . calcular la media muestral,x1, que tendr Podr amos tomar otra muestra, de igual tama no, y calcular de nuevo su media muestral x2 , que tambi en estar a relacionada con . As sucesivamente, considerando varias muestras y haciendo las medias muestrales respectivas, tenemos una serie de medias, relacionadas de alguna manera con c omo?. De la siguiente forma: Propiedad: Si la poblaci on sigue una distribuci on normal N (, ), donde y son desconocidos, si elegimos todas las muestras de cierto tama no (n) , de forma que sean representativas, entonces: a) La media de las medias muestrales de todas las muestras posibles, es igual a la media poblacional, es decir: x1 + x2 + . . . + xk = x= k b) La desviaci on t pica de las medias muestrales posibles es: sx = n donde es la desviaci on t pica poblacional y n es el tama no de las muestras. Conclusi on: Las medias de las muestras de tama no n extra das de una poblaci on de par ametros y , siguen una distribuci on: X N , n siempre que dichas muestras tengan un tama no n 30. Notas importantes: a) Este resultado es consecuencia del Teorema Central del l mite. b) Si la poblaci on es normal, el resultado se cumple para muestras de CUALQUIER tama no (incluso menor que 30). c) Si es desconocida, el mismo resultado sigue siendo cierto sustituyendo en la f ormula por s. Ejemplo: La altura de los estudiantes de una poblaci on se distribuye seg un una normal de media 167 y desviaci on t pica 32. a) Calcula la probabilidad de que un estudiante mida menos de 165 cm. b) Se toma una muestra de 10 estudiantes. Calcula la probabilidad de que la media muestral sea menor que 165 cm. En el apartado a) , manejamos la variable X N (165; 3 2) siendo X= altura de un estudiante.

CAP ITULO 4. INFERENCIA ESTAD ISTICA La probabilidad pedida ser a: p(X < 165) = p 165 167 X 167 < 32 32 = p(Z < 0 63) = 0 2676

60

En el apartado b), la variable que manejamos ya no es X, sino que tenemos una muestra de 10 estudiantes. Como la poblaci on inicial es normal, podemos aplicar el resultado anterior aunque la muestra sea de tama no menor que 30. As , la variable a estudiar es X =media de las alturas de 10 estudiantes, que seg un lo dicho, sigue una distribuci on X N Nos piden: p(X < 165) = p 165 167 X 167 < 1 012 1 012 = p(Z < 1 97) = 0 0244 32 165; 10 = N (165; 1 012)

Ejemplo: Los pesos de los tornillos que fabrica cierta m aquina se distribuyen seg un una N (142 32; 8 5) (medidas en gr.). Se toman muestras de 25 tornillos. Calcular: a) Distribuci on que siguen las medias de esas muestras. b) Probabilidad de que una muestra elegida al azar de 25 tornillos tenga un peso medio superior a 1446 gr. c) La misma pregunta si la muestra es de 100 tornillos. a) Como las muestras son de tama no n=25 y la poblaci on es normal N (142 32; 8 5), las medias muestrales siguen una distribuci on: X N b) Nos piden: p(X 144 6) = p Z 144 6 144 32 17 = p(Z 1 34) = 1 p(Z 1 34) = 0 0901 85 142 32; 25 = N (142 32; 1 7)

c) Si las muestras son de tama no n=100, las medias muestrales siguen una distribuci on: X N y por tanto: p(X 144 6) = p Z 144 6 144 32 0 85 = p(Z 2 68) = 1 p(Z 2 68) = 0 0037 85 142 32; 100 = N (142 32; 0 85)

Ejercicio: Una m aquina ha fabricado piezas de precisi on con un peso medio de 150 gr. y una desviaci on t pica de 20 gr. Calcular la probabilidad de que una muestra de 80 piezas tenga un peso medio de m as de 155 gr. (Soluci on: 00129)

4.5.

Distribuci on muestral de proporciones

Nos planteamos ahora determinar qu e proporci on de una poblaci on posee un cierto atributo, por ejemplo si es fumador o no fumador, si tiene ordenador o no, si tiene alergia o no,etc... El estudio de este tipo de proporciones es equiparable al de una distribuci on binomial (donde s olo hay dos posibilidades). Si la proporci on exito es p y la de fracaso q, y se toma una muestra de la poblaci on de tama no n, al

CAP ITULO 4. INFERENCIA ESTAD ISTICA

61

igual que en el caso anterior, para cada muestra tendremos una proporci on muestral que denotaremos por p y una desviaci on t pica muestral que denotaremos por sp . Entonces,utilizando razonamientos similares a los del apartado anterior, se verica que p = p, y pq por tanto: sp = n Conclusi on: Las proporciones muestrales de tama no n 30, extra das de una poblaci on en la que la probabilidad de exito es p, se ajustan a una normal N p; pq n

Ejemplo: Una f abrica de pasteles fabrica, en su producci on habitual, un 3 % de pasteles defectuosos. Un cliente recibe un pedido de 500 pasteles de la f abrica. a) Probabilidad de que encuentre m as del 4 % de pasteles defectuosos. b) Probabilidad de que encuentre menos de un 1 % de pasteles defectuosos. 3 tanto, a) En este caso exito= pastel defectuoso, y la proporci on poblacional de exito es de p = 100 97 . La muestra que recibe el cliente es de tama no n=500. q= 100 Por tanto, las proporciones muestrales siguen una distribuci on: 3 97 3 ; 100 100 = N (0 03; 0 076) p N 100 500 puesto que las muestras tienen tama no mayor que 30. La probabilidad pedida es que la proporci on de pasteles defectuosos en la muestra sea mayor del 4 %, es decir: 0 04 0 03 = p(Z 1 32) = 0 0934 p( p 0 04) = p Z 0 0076 b) En este caso es p( p 0 01) = p Z Ejercicios: 1. De una poblaci on de 120 alumnos , hay 48 que tienen 2 o m as hermanos. Si de dicha poblaci on se toman muestras de tama no 40. a) Qu e distribuci on siguen las proporciones muestrales?. b) Cu al es la probabilidad de que se encuentre en dicha muestra una proporci on de m as del 55 % de alumnos con 2 o m as hermanos?. 2. Las notas de cierto examen se distribuyen seg un una normal de media =53 y desviaci on t pica =24. Hallar la probabilidad de que un estudiante tomado al azar tenga una nota: a) Superior a 65 b) Inferior a 52 c) Comprendida entre 5 y 65 Halla las mismas probabilidades para de la media de las notas de 16 estudiantes elegidos al azar. 3. En un saco mezclamos jud as blancas y pintas en la relaci on de 14 blancas por cada pinta. Extraemos un pu nado de 100 jud as. Calcula la probabilidad de que la proporci on de jud as pintas est e comprendida entre 005 y 01. 0 01 0 03 0 0076 = p(Z 2 63) = 0 0043

CAP ITULO 4. INFERENCIA ESTAD ISTICA

62

4. El cociente intelectual, CI, de unos universitarios se distribuye normalmente con media 100 y desviaci on t pica 11. a) Se elige al azar una persona. Hallar la probabilidad de que su CI est e entre 100 y 103. b) Se elige al azar una muestra de 25 personas. Encontrar la probabilidad de que la media de sus cocientes intelectuales est e entre 100 y 103.

4.6.

Intervalos de probabilidad

En una variable normal cualquiera N (, ), se verica que: 1. En el intervalo ( , + ) est a el 6826 % de la poblaci on. 2. En el intervalo ( 2 , + 2 ) est a el 9544 % de la poblaci on. 3. En el intervalo ( 3 , + 3 ) est a el 9974 % de la poblaci on.

Figura 4.1: Porcentajes de poblaci on en los diferentes intervalos sim etricos de una normal N (, ).

Es evidente que a medida que el intervalo se ampl a, hay mayor porcentaje de la poblaci on en el. En general, dado un porcentaje del N %, siempre es posible encontrar un intervalo sim etrico respecto de la media de forma que dicho intervalo contenga a dicho porcentaje de poblaci on. M as explicitamente, se denomina intervalo de probabilidad a aquel intervalo para el cu al se sabe que ) se encuentren en dicho intervalo. hay una seguridad del N % de que los par ametros muestrales (x o p La seguridad N viene jada previamente. Si queremos que el N % de la poblaci on est e en el intervalo, denominaremos nivel de conanza al n umero: N 1 = 100 y unido a este, se encuentra el llamado nivel de signicaci on, que viene dado por . Este nivel en general vendr a explicitado en las condiciones del problema, si bien los valores m as comunes suelen ser del 90 %,95 % y 99 %. Ejemplo: Si queremos que el 88 % de la poblaci on est e en el intervalo, el nivel de conanza ser a 1 = 88 = 0 88, mientras que el nivel de signicaci on ser a = 1 0 88 = 0 12. 100

CAP ITULO 4. INFERENCIA ESTAD ISTICA

63

4.6.1.

Intervalo de probabilidad para la media muestral x

Si la poblaci on sigue una distribuci on de par ametros y , y las muestras son de tama no n 30 (o bien la poblaci on ya es normal y las muestras son de cualquier tama no), sabemos que la media on: muestral x sigue una distribuci X N ; n Se trata de encontrar el valor de k como en la gura:

Figura 4.2: Buscamos el valor de k que deje en el intervalo ( k, + k) al (1 ) 100 % de la poblaci on. Razonemos ahora sobre la normal Z N(0;1) que es la que se encuentra tabulada Si queremos que el intervalo buscado contenga a la media muestral con una conanza de 1 , entonces fuera del intervalo el a rea tiene que ser de , y como la curva es sim etrica, en cada una de las ramas fuera de la regi on rayada, tenemos un a rea de . Llamaremos z 2 al punto situado en el eje x que separa la 2 regi on rayada de la otra.

Figura 4.3: Buscamos el valor de z que deje en el intervalo (z , z ) al (1 ) de la poblaci on en 2 2 2 la N(0;1) Es evidente que se cumple: p Z z 2 o dicho de otro modo: p Z z 2 =

2 probabilidad que se busca dentro de la tabla como hemos visto anteriormente en el tema de la normal. =1 Ahora bien, este valor s olo sirve para la normal est andar N(0;1). Nosotros manejamos la normal y para pasar a la normal est andar deberemos tipicar: N ; n k
n

= z 2

de donde despejando, encontramos k, el valor buscado: k = + z n 2

CAP ITULO 4. INFERENCIA ESTAD ISTICA

64

As , dado el nivel de signicaci on o el de conanza 1 , podemos determinar el intervalo de probabilidad para la media muestral, que ser a: , + z z 2 2 n n Ejemplo Determinar, en la distribuci on N(0;1), el valor que concentra el 75 % de la poblaci on en un intervalo sim etrico respecto a la media Ahora 1 = 0 75, es decir = 0 25 y por tanto = 0 125, es decir, buscamos el valor z0 125 , de 2 modo que, como en la gura, dejemos el 75 % de la poblaci on en el centro.

Figura 4.4: Buscamos el valor de z0 125 que deje en el intervalo (z0 125 , z0 125 ) al 075 de la poblaci on en la N(0;1) Se cumple que p(Z z0 125 ) = 0 125, es decir p(Z z0 125 ) = 0 875,y si buscamos en la tabla, resulta que el valor es: z0 125 = 1 15 Ejercicio: Encuentra el valor correspondiente que concentre el 88 % de la poblaci on. Ejemplo:Calcular el intervalo de probabilidad con un nivel de conanza del 95 % para la media de una muestra de 100 reci en nacidos, sabiendo que la poblaci on de reci en nacidos sigue una normal de media =3100 gr. y desviaci on tipica =150 gr. Como el nivel de conanza es 095, entonces 1 = 0 95 y por tanto = 0 05 y en cada rama fuera de la regi on queda = 0 025. 2 rea de 0025, es decir: Buscamos entonces z0 025 , que es el valor que deja a su derecha un a p(Z z0 025 ) = 0 025 = p(Z z0 025 ) = 0 975 Buscando este valor dentro de la tabla se obtiene que el valor de z0 025 = 1 96, y por tanto el intervalo para la media muestral es: 150 150 , 3100 + 1 96 3100 1 96 100 100 = (3100 1 96 15, 3100 + 1 96 15) = (3070 6, 3129 4)

Esto signica que el 95 % de las muestras de tama no 100 tendr a su media comprendida entre estos 2 valores: (30706,31294) Ejercicio: Calcular el mismo intervalo con una conanza del 99 %. Ejercicio: Las notas de una poblaci on de 150 alumnos siguen una distribuci on de media 55 y varianza 41616. Extaremos muestras de tama no 36. Calcula el intervalo de probabilidad para un nivel de conanza del: a)75 % b) 8664 %, e interpreta los resultados. (NOTA: Recordemos que la varianza y la desviaci on t pica de una distribuci on est an relacionadas porque la varianza es el cuadrado de la desviaci on t pica y se representa por 2 ).

CAP ITULO 4. INFERENCIA ESTAD ISTICA

65

4.6.2.

Intervalo de probabilidad para la proporci on muestral p

Razonando de igual manera se puede llegar a que para el nivel de signicaci on el intervalo para la proporci on muestral p es pq pq , p + z p z 2 2 n n donde p y q son las proporciones poblacionales y n 30. Ejercicio: Sabiendo que la proporci on de alumnos con v deo de una poblaci on de 120 alumnos es de p=07, halla el intervalo de probabilidad para la proporci on de: a) las muestras de tama no 30 con una conanza del 75 %. b) las muestras de tama no 49 con una conanza del 90 %. c) las muestras de tama no 49 con una conanza del 99 %.

4.7.

Estimaci on por intervalos

La estimaci on anterior, la puntual, se utiliza poco, pues no tenemos datos sucientes que nos indiquen el grado de abilidad del dato muestral que hemos tomado. Lo que tiene m as sentido plantearse es cu al es la probabilidad de que la media o proporci on poblacional pertenezcan a un intervalo determinado.

4.7.1.

Estimaci on de la media de una poblaci on

La media de una poblaci on es desconocida y deseamos conocerla. Para ello, bas andonos en los intervalos de probabilidad, sabemos que si la poblaci on tiene par ametros y , la media muestral x sigue una distribuci on: X N ; n , siendo n el tama no de la muestra, y sabemos que el intervalo de probabilidad a nivel de conanza 1 para x es: , + z z 2 2 n n es decir, que: x + z z 2 2 n n x = x + z z 2 2 n n Y de la segunda: x + z = x z 2 2 n n x z x + z 2 2 n n

De la primera desigualdad se sigue que:

Luego se deduce que:

Es decir, que el intervalo de conanza con nivel de conanza 1 para la media poblacional desconocida es: x z , x + z 2 2 n n NOTA: a) Hay que a nadir que para aplicar este resultado, o bien las muestras tienen tama no n 30, o bien la poblaci on sigue una distribuci on normal.

CAP ITULO 4. INFERENCIA ESTAD ISTICA

66

b) Si la desviaci on t pica de la poblaci on , es desconocida, se utilizar a, la desviaci on t pica muestral s en su lugar,y el intervalo ser a: s s , x + z x z 2 2 n n pico o est andar. Al valor se le denomina error t n Ejemplo: Para estimar la media de los resultados que obtendr an al resolver un cierto test los alumnos on, se les pasa el test a 400 alumnos escogidos al azar, de 4 de E.S.O. de la Comunidad de Castilla-Le con los resultados de la tabla: Puntuaci on 1 2 3 4 5 N umero de alumnos 24 80 132 101 63

A partir de ellos, estima con un nivel de conanza del 95 % el valor de la media poblacional. Aprovechando repasaremos el c alculo de algunos par ametros estad sticos. Como s olo disponemos de la muestra, no conocemos la media ni la desviaci on t pica poblacional, hemos de calcular la media y la desviaci on t pica muestral. Para ello, calculamos la tabla siguiente: X 1 2 3 4 5 Total Resulta: x= Varianza=s2 = Frec.absoluta fi 24 80 132 101 63 400 X fi 24 160 396 404 315 1299 X2 1 4 9 16 25 X 2 fi 24 320 1188 1616 1575 4723

1299 = 3 25 400

4723 (3 25)2 = 11 81 10 56 = 1 25 400 s = s2 = 1 25 = 1 12

Ya tenemos los par ametros muestrales. Hemos de determinar el intervalo de conanza para . Como 1 = 095, resulta que = 0 05 y queda = 0 025. 2 Se obtiene que el valor es z0 025 = 1 96, por tanto el intervalo de conanza para , al 95 % es: 1 12 1 12 , 3 25 + 1 96 3 25 1 96 400 400 = (3 25 0 11, 3 25 + 0 11) = (3 14, 3 36)

Por tanto tenemos una conanza del 95 % de que la nota media de la poblaci on est e comprendida entre 314 y 336. Ejercicio: De una variable estad stica conocemos la desviaci on t pica, 8, pero desconocemos la media. Para estimarla, extraemos una muestra de tama no 60 cuya media es 37. Estimar la media poblacional con una conanza del 99 %.

CAP ITULO 4. INFERENCIA ESTAD ISTICA Error m aximo admisible: Hemos visto que el intervalo de conanza para la media poblacional es: , x + z x z 2 2 n n

67

Se cumple entonces que la diferencia, en valor absoluto, entre las medias poblacional y muestral es: | x| < z 2 n Al valor E = z 2 n

se le llama error m aximo admisible. Dicho error tiene las siguientes propiedades: a) El error es manor cuanto mayor sea el tama no de la muestra (n), porque dividimos por un n umero cada vez mayor. aumenta, como se b) El error es mayor al aumentar el nivel de conanza, puesto que el valor z 2 observa en la tabla: Conanza=1 09 095 099 z 2 1645 196 2575

Para reducir el error, por tanto, no hay que aumentarla conanza, sino el tama no de la muestra elegida. Si conocemos el error y el nivel de conanza, podemos calcular el tama no de la muestra , usando la f ormula del error. Ejercicio: Al medir un tiempo de reacci on, un psic ologo sabe que la desviaci on t pica del mismo es 05 segundos. Cu al es el n umero de medidas que deber a realizar para que con una conanza del 99 %, el error de estimaci on no exceda de 01 segundos?.

4.7.2.

Estimaci on de una proporci on

Si para cierta poblaci on se desconoce la proporci on p de individuos que poseen cierta caracter stica, y deseamos dar un intervalo de conanza para el valor de p, como el intervalo de probabilidad para la proporci on muestral, p ,para el nivel de conanza 1 en una muestra de tama no n es: p z 2 pq , p + z 2 n pq n

Razonando igual que en el caso anterior, concluimos que: El intervalo de conanza para p a un nivel de conanza de 1 es: p z 2 pq ,p + z 2 n pq n

Aunque como habitualmente no se conoce p en realidad se usa: p z 2 p q ,p + z 2 n p q n

NOTA: a) Es necesario que n 30 para poder aplicar esta f ormula. b) Habitualmente en las encuestas, se suele utilizar, en lugar de la u ltima f ormula, el valor de p=q=05, que es la situaci on m as desfavorable.

CAP ITULO 4. INFERENCIA ESTAD ISTICA

68

Ejercicio: Determina el intervalo de conanza, con una signicaci on del 005 para la proporci on poblacional de fumadores entre los j ovenes menores de 21 a nos, a partir de una muestra de tama no 900, cuando no se conocen valores de p anteriores. Considera los dos casos anteriores (usando p y p=q=05). La proporci on de fumadores en la encuesta ha sido de p = 0 3. El error m aximo admisible en este caso es: E = z 2 o en caso de no conocer p: p q n Ejercicio: Para 96 familias espa nolas elegidas al azar se ha determinado que la TV permanece encendida en la casa una media de 217 minutos diarios, la desviaci on t pica de la muestra fue de 40 minutos. a) Para una abilidad del 95 % qu e error se asume cuando se da por bueno ese dato para el total de las familias espa nolas?. b) Qu e tama no muestral ser a necesario para reducir ese error a la mitad?. E = z 2 NOTA: Diferencia entre intervalos de probabilidad y de conanza En un intervalo de probabilidad lo que conocemos es la media y desviaci on t pica poblacionales, y damos el intervalo donde se encontrar a (para un cierto nivel de conanza) la media muestral o la proporci on muestral. Sin embargo, en un intervalo de conanza entramos ya en el terreno de la estimaci on, es decir NO conocemos la media poblacional (y en ocasiones tampoco la desviaci on t pica poblacional) ni la proporci on poblacional , sino que s olo conocemos, o podemos calcular, la media muestral o la proporci on muestral, y de lo que se trata es de dar un intervalo en el que se encuentre la media poblacional (o la proporci on poblacional). pq n

Cap tulo 5

TEST DE HIPOTESIS
5.1. Introducci on

En este tema trataremos el importante aspecto de la toma de decisiones, referida a decidir si un valor obtenido a partir de la muestra es probable que pertenezca a la poblaci on. En general, la media (o proporci on) en una muestra suele ser distinta a la media de la poblaci on, de la cu al se extrae la muestra. Lo normal suele ser que tal diferencia entre la media muestral y poblacional sea peque na y debida al azar, pero podr a suceder que dicha diferencia no est e justicada por el azar y se deba a un cambio en la poblaci on, y debamos modicar los datos que conocemos previamente. Ejemplos: a) Hace algunos a nos, la media de estatura de los espa noles adultos varones era de 170 cm y su desviaci on t pica 9 cm. Pasado el tiempo, un muestreo realizado a 36 adultos da una medida de 172 cm. Puede armarse que esa diferencia de 2 cm es debida al azar o realmente la estatura media ha aumentado?. b) Supongamos que, respecto a una determinada ley, el 52 % de los ciudadanos est a en contra. Pasado el tiempo, una encuesta realizada a 400 personas indica que los ciudadanos en contra han descendido hasta el 49 %.Ha cambiado realmente la opini on p ublica o tal resultado es debido al azar?. c) El porcentaje de aprobados en las PAU en un determinado distritouniversitario ha sido del 82 %. En una ciudad de ese distrito, el porcentaje de aprobados fue del 86 %. Puede armarse con un nivel de conanza del 90 % que los resultados en esa ciudad son superiores a la media?. Los m etodos de decisi on estad stica est an ligados a los de estimaci on de par ametros mediante los intervalos de conanza, aunque tambi en aparecer an otros nuevos conceptos.

5.2.

Hip otesis estad sticas

Trataremos de utilizar los datos obtenidos en una muestra para tomar decisiones sobre la poblaci on. Para ello, debemos realizar ciertos supuestos o conjeturas sobre las poblaciones. Estos supuestos, que pueden ser o no ciertos,se llaman hip otesis estad sticas. Podemos, entonces, denir el test de hip otesis o contraste de hip otesis como el procedimiento estad stico mediante el cu al se investiga la verdad o falsedad de una hip otesis acerca de una poblaci on o poblaciones. Dichas hip otesis se formular an sobre la media poblacional o la proporci on poblacional p. otesis que se formula y por tanto se quiere Llamaremos hip otesis nula, y se representa por H0 , a la hip otesis que contrastar o rechazar, e hip otesis alternativa, y se representa por H1 , a cualquier otra hip on de la hip otesis nula sea diferente de la formulada, y que sea contraria a H0 , de forma que la aceptaci on de H1 . H0 implica el rechazo de la alternativa H1 y viceversa, el rechazo de H0 implica la aceptaci

72

CAP ITULO 5. TEST DE HIPOTESIS

73

En un problema de contraste de hip otesis, pues, siempre tiene que formularse una hip otesis nula H0 , y ha de ir acompa nada de una alternativa, H0 que es la que aspira a desplazar a la nula. Ejemplo: Un investigador arma que la temperatura del cuerpo humano en un adulto sano se distrion t pica = 0 9 C. Formular la hip otesis buye seg un una normal de media = 37 C y desviaci nula y la hip otesis alternativa A la vista de los datos, el investigador arma que la temperatura media del cuerpo humano es 37, es decir la hip otesis o conjetura que formula es: H0 = 37 (hip otesis nula)

Como hip otesis alternativa, hemos de tomar aquella contraria a esta, que la media sea distinta de 37 C, es decir: otesis alternativa) H1 = 37 (hip Si la hip otesis nula fuese del tipo k la hip otesis alternativas ser a: < k.

5.3.

Errores

Hay ocasiones en que la hip otesis nula, H0 , es cierta, pero a la vista de la muestra tengamos que rechazarla. En tal caso, estamos cometiendo un error. El error que consiste en rechazar la hip otesis nula cuando esta es verdadera, se denomina error de tipo I. Otro tipo de error puede ocurrir cuando, siendo H0 falsa, las evidencias de la muestra, sin embargo, nos lleven a aceptarla. Este error, cometido al aceptar cuando esta es falsa, se denomina error de tipo II. Resumiendo: Situaci on Mantener H0 Decisi on Rechazar H0 Decisi on incorrecta: ERROR DE TIPO I Probabilidad= H0 verdadera Decisi on correcta Probabilidad=1 H1 verdadera (H0 falsa) Decisi on incorrecta: ERROR DE TIPO II Probabilidad= Decisi on correcta Probabilidad=1

donde es el nivel de signicaci on y 1 es el nivel de conanza. Con esta notaci on y utilizando probabilidades condicionadas: = p (Rechazar H0 /H0 es cierta) = p(Error de tipo I) y = p (Aceptar H0 /H0 es cierta) Por otra parte: = p (Aceptar H0 /H0 es falsa) = p(Error de tipo II) y 1 = p (Rechazar H0 /H0 es falsa) A la probabilidad 1 se le denomina potencia del contraste.

CAP ITULO 5. TEST DE HIPOTESIS

74

5.4.

Regi on cr tica y regi on de aceptaci on

Sabemos ya formular la hip otesis nula y la hip otesis alternativa. Lo que necesitamos ahora es un criterio para saber si debemos aceptar una u otra, es decir, con cu al de las dos hip otesis nos quedamos?. Al tener ya formulada la hip otesis nula, es necesario que las evidencias sean muy fuertes para rechazarla; es decir, puede que haya cambios debidos al azar, en cuyo caso el cambio no es signicativo, y no cambiamos , pero puede que los cambios sean debidos a otras causas. En este u ltimo caso es cuando el cambio es signicativo y rechazaremos. Por lo tanto, lo primero que debemos hacer es jar un cierto intervalo dentro del cu al es normal que haya cambios, es decir, una regi on tal que si el par ametro se mantiene en dicho intervalo, nos nas variaciones son debidas al azar. Ese intervalo o regi on seguimos quedando con H0 , pues esas peque se denomina regi on de aceptaci on, y ser a mayor o menor dependiendo del nivel de conanza que precisemos, 1 . La regi on que quede fuera de la regi on de aceptaci on indica que en este caso los cambios no se on se llama regi on pueden atribuir al azar, y por tanto hemos de rechazar H0 y aceptar H1 . Tal regi cr tica o de rechazo. Llegados a este punto, hemos de distinguir entre dos tipos de contraste o test, que determinan la regi on de aceptaci on y la regi on de rechazo. 1. Contraste bilateral (o de dos colas): En este caso la regi on de rechazo o regi on cr tica est a formada por dos conjuntos de puntos disjuntos. Dicho caso se presenta cuando la hip otesis otesis alternativa, por tanto, es del tipo nula es del tipo H0 : = k (o bien H0 : p = k) y la hip H1 : = k (o bien H1 : p = k). La regi on cr tica para un cierto nivel ser a, en la N(0;1):

Figura 5.1: El intervalo (z , z ) es la Regi on de Aceptaci on. La regi on no sombreada es la Regi on 2 2 cr tica, formada por dos partes o colas. Fij emonos en que el nivel de signicaci on se concentra en dos partes (o colas) sim etricas respecto de la media. La regi on de aceptaci on en este caso no es m as que el correspondiente intervalo de probabilidad , es decir: para x o p , + z z 2 2 n n o bien: pq pq , p + z p z 2 2 n n Las correspondientes regiones cr ticas ser an: , z 2 n o bien , p z 2 pq n , + z 2 n p + z 2 pq , n

CAP ITULO 5. TEST DE HIPOTESIS

75

2. Contraste unilateral (o de una cola): En este caso la regi on cr tica est a formada por un s olo conjunto de puntos. Como se observa en las guras, el nivel de signicaci on se concentra s olo en una parte o cola. Este caso se presenta cuando la hip otesis nula es del tipo H0 : k (o bien H0 : p k) y la en si aparece hip otesis alternativa, por tanto, es del tipo H1 : < k (o bien H1 : p < k).(Tambi ) A nivel de conanza 1 , las regiones ser an, en la N(0;1): a) Unilateral por la derecha:

Figura 5.2: El intervalo (, z ) es la Regi on de Aceptaci on. La regi on no sombreada es la Regi on cr tica, formada por una partes o cola. El nivel se concentra ah . La regi on de aceptaci on en este caso ser a: , + z n o bien: , p + z Las correspondientes regiones cr ticas ser an: + z , n o bien p + z b ) Unilateral por la izquierda: pq , n pq n

Figura 5.3: El intervalo (z , ) es la Regi on de Aceptaci on. La regi on no sombreada es la Regi on cr tica, formada por una partes o cola. El nivel se concentra ah . La regi on de aceptaci on en este caso ser a: z , n

CAP ITULO 5. TEST DE HIPOTESIS o bien p z Las correspondientes regiones cr ticas ser an: , z n o bien: , p z pq n

76

pq , n

En todos los casos, conociendo el nivel de conanza 1 , tendremos que determinar el valor z 2 (para contrastes bilaterales) o bien z (para contrastes unilaterales), que separa las regiones de rechazo y aceptaci on. Algunos de estos valores m as comunes se dan en la tabla adjunta, que en los bilaterales son los mismos que para intervalos de conanza o probabilidad, ya vistos con anterioridad:

Figura 5.4: Valores m as comunes para contrastes bilaterales y unilaterales derechos. Los correspondientes para los unilaterales izquierdos son negativos.

5.5.

Etapas de la prueba de hip otesis

Los procedimientos seguidos en las pruebas de hip otesis correspondientes a las situaciones de decisi on estad stica se encuentran totalmente prejados y se llevan a cabo en una serie de etapas que facilitan su comprensi on, y que son: 1. Enunciar la hip otesis nula H0 y la alternativa H1 . Deben ser excluyentes entre s . Analizar, una vez enunciadas, si el contraste es bilateral o unilateral (Es bilateral si la hip otesis alternativa es del tipo = y unilateral si es del tipo > o <). (para contrastes bilaterales) o bien z (para contrastes unilaterales), 2. Determinar el valor z 2 que separa las regiones de rechazo y aceptaci on, a partir del nivel de conanza 1 o el de signicaci on .

CAP ITULO 5. TEST DE HIPOTESIS

77

) y en base a ella y al valor 3. Determinar la distribuci on que sigue el par ametro muestral (x o p obtenido en la etapa anterior, escribir las correspondientes regiones de aceptaci on y rechazo. 4. Calcular el estad stico usado en la prueba (en nuestro caso, calcular media muestral x o proporci on muestral p , a partir de la muestra). 5. Aplicar el test,es decir, dependiendo de si el estad stico cae en la regi on de aceptaci on o de rechazo, tomar la decisi on de aceptar una de las dos hip otesis. A continuaci on se ofrecen algunos ejemplos de problemas de test de hip otesis: 1. La vida media de una muestra de 100 tubos uorescentes producidos por una empresa es de 1570 horas, una desviaci on t pica de 120 horas. Si es la vida media media de los tubos de dicha empresa, se puede armar a nivel de signicaci on 005 que la duraci on media de los tubos es de 1600 horas?. Determinar los errores de tipo I y II Etapa 1: Queremos saber si la duraci on media de los tubos es de 1600 horas, es decir, que nuestra hip otesis nula es H0 : = 1600. Por lo tanto, la hip otesis alternativa ser a que la duraci on no sea de 1600 horas, es decir, la hip otesis alternativa es H1 : = 1600. Por tanto estamos ante un contraste bilateral. Etapa 2: A nivel de signicaci on = 0 05 = 1 = 0 95, y realizando el dibujo habitual = z0 025 = 1 96. (hacer como ejercicio), obtenemos que z 2 Etapa 3: Determinemos la distribuci on de la media muestral, x, teniendo en cuente que como la desviaci on t pica de la poblaci on no la conocemos, tomamos la muestral, que es s = 120, y por tanto sabemos que la media muestral sigue una normal: N 120 1600; 100 = N (1600; 12)

Por tanto la regi on de aceptaci on ser a el intervalo de probabilidad: 120 120 , 1600 + 1600 100 100

= (1600 1 96 12, 1600 + 1 96 12) = (1576 48, 1623 52)

De modo que, Regi on de Aceptaci on:(157648,162352) Regi on de Rechazo: (, 1576 48) (1623 52, ) Etapa 4: En la muestra se ha obtenido que x = 1570. Etapa 5: Para aplicar el test, simplemente hemos de comprobar si el valor de est a dentro de la regi on de aceptaci on o de la de rehazo. Como en este caso se observa que 1570 / (1576 48, 1623 52) es decir, 1570 no est a en la regi on de aceptaci on, sino en la de rechazo. Por tanto, hemos de rechazar que la media es 1600 (hip otesis nula) y aceptar la alternativa. A este nivel de conanza no se puede armar que la duraci on media de los tubos sea de 1600 horas. En cuanto a los errores: Error de tipo I es armar que la duraci on media no es de 1600 horas cuando en realidad s lo es. Error de tipo II es armar que la duraci on media es de 1600 horas cuando en realidad no lo es.

CAP ITULO 5. TEST DE HIPOTESIS

78

2. Una encuesta, realizada a 64 empleados de una f abrica, concluy o que el tiempo medio de duraci on de un empleo en la misma era de 65 a nos con una desviaci on t pica de 4. Sirve esta armaci on para aceptar, con un nivel de signicaci on del 5 %, que el tiempo medio de empleo en esa f abrica es menor o igual que 6? Justicar adecuadamente la respuesta. El enunciado no puede ser m as claro a la hora de determinar las hip otesis nula y alternativa. Queremos comprobar si el tiempo medio de empleo en esa f abrica es menor o igual que 6, luego la hip otesis alternativa ser a que dicho tiempo medio de empleo sea MAYOR que 6, es decir: H0 : 6 o simplemente H0 : = 6 (lo que queremos comprobar) frente a: H1 : > 6 Es claramente un contraste unilateral. La regi on de aceptaci on ser a s , + z n puesto que aceptamos todos los valores menores que un cierto tope. Notemos que concemos el valor de s (en la muestra) y no el de , pero eso no inluye en la f ormula. La regi on de rechazo, por tanto, es: s + z , n pues, la regi on de aceptaci on es, Para calcular el nivel z = z0 05 , y por tanto z0 05 = 1 645. As puesto que = 6 , s = 4 y n = 64, resulta ser, aproximadamente: (, 6 8225) Y la regi on cr tica: (6 8225, ) on de aceptaci on, es decir, Como en la muestra resulta que x = 6 5, que pertenece a la regi aceptamos la hip otesis nula, la media es de 6 a nos, al 95 % de conanza. 3. Un investigador, utilizando informaci on de anteriores comicios, sostiene que, en una determinada zona, el nivel de abstenci on en las pr oximas elecciones es del 40 % como m nimo. Se elige una muestra aleatoria de 200 individuos para los que se concluye que 75 estar an dispuestos a votar. Determinar, con un nivel de signicaci on del 1 %, si se puede admitir como cierta la armaci on del investigador. Se trata ahora de un contraste de proporciones. La hip otesis a contrastar est a muy clara: El investigador dice que el nivel de abstenci on es de un 40 % por lo menos, es decir, s olo rechazaremos su hip otesis cuando la proporci on sea menor que este valor, es decir: H0 : p 0 4 o simplemente H0 : p = 0 4 (lo que dice el investigador) frente a: H1 : p < 0 4 (la proporci on de abstenci on es menor) As pues la regi on de aceptaci on es: p z pq , n

CAP ITULO 5. TEST DE HIPOTESIS Y la de rechazo: , p z pq n

79

pues, la regi on de aceptaci on es, Para calcular el nivel z = z0 01 , y por tanto z0 01 = 2 33. As puesto que p = 0 4 , q = 0 6 y n = 200, resulta ser, aproximadamente: (0 3192, ) Y la regi on cr tica: (, 0 3192) Como en la muestra resulta que 125 = 0 625 200 , los 125 que no votan de los 200 a los que se pregunta. Al 99 % de conanza entonces, resulta que dicho valor en la muestra pertenece a la regi on de aceptaci on, es decir,aceptamos la hip otesis nula y el investigador tiene raz on, la abstenci on ser a, al menos del 40 %. p =

Cap tulo 6

MATRICES Y DETERMINANTES
6.1. Introducci on

Las matrices y los determinantes son herramientas del a lgebra que facilitan el ordenamiento de datos, as como su manejo. Los conceptos de matriz y todos los relacionados fueron desarrollados b asicamente en el siglo XIX por matem aticos como los ingleses J.J. Sylvester y Arthur Cayley y el irland es William Hamilton. Las matrices se encuentran en aquellos ambitos en los que se trabaja con datos regularmente ordenados y aparecen en situaciones propias de las Ciencias Sociales , Econ omicas y Biol ogicas.

6.2.

Matrices. Denici on y primeros ejemplos


n umeros reales dispuestos en las y columnas del modo: . . . a1n . . . a2n Filas de la matriz A . .. . . . . . . amn

Una matriz es una tabla rectangular de a11 a12 a13 a21 a22 a23 A= . . . . . . . . . am1 am2 am3

Columnas de la matriz A

ndices. El Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos sub primero de ellos i, indica la la en la que se encuentra el elemento, y el segundo, j, la columna. a en la la 2 y columna 3. Las matrices siempre se representar an con letras As el elemento a23 est may usculas. Ejemplos: Son ejemplos de matrices los siguientes: 3 1 0 2 4 0 2 1 6 4 0 C = A= B= 1 1 2 1 2 1 3 4 5 1 0 0 A tiene 2 las y 2 columnas, diremos que su tama no es 2 x 2.Qu e elemento es a21 ?. B tiene 2 las y 3 columnas, diremos que su tama no es 2 x 3.Qu e elemento es b23?. C tiene 4 las y 3 columnas, diremos que su tama no es 4 x 3.Qu e elemento es c42 ?. En general, si una matriz A tiene m las y n columnas, diremos que su tama no o dimensi on es m x n (se lee m por n), siempre en primer lugar el n de las y en segundo lugar el de columnas.

82

CAP ITULO 6. MATRICES Y DETERMINANTES

83

6.3.

Tipos de matrices
Por ejemplo, A= es una matriz nula de tama no 2x5. 0 0 0 0 0 0 0 0 0 0

1. Se llama matriz nula a la que tiene todos los elementos cero.

2. Se llama matriz la a la que s olo tiene una la, es decir su dimensi on es 1x n. Por ejemplo, 1 0 4 9 es una matriz la de tama no 1 x 4. 3. Se llama matriz columna a la que s olo consta de una columna, es decir su dimensi on ser amx 1, como por ejemplo: 1 0 C= 8 es una matriz columna de tama no 3 x 1. 4. Una matriz es cuadrada cuando tiene el mismo n umero de las que de columnas, es decir su 1 ) del primer ejemplo anterior es cuadrada de tama no 2 x 2 o dimensi on es n x n. La matriz ( 2 3 4 simplemente de orden 2. Otro ejemplo de matriz cuadrada es: 1 2 3 D= 6 5 4 3 4 0

de orden 3. Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos a11 , a22 , a33, . . . , ann , siendo la matriz: a11 a12 a13 . . . a1n a21 a22 a23 . . . a2n A= . . . . .. . . . . . . . . . an1 an2 an3 . . . ann En la matriz D del ejemplo anterior, su diagonal principal estar a formada por 1, 5, 0. Se llama traza de la matriz a la suma de los elementos de la diagonal. Es decir, Traza (A)=a11 + a22 + a33 + . . . + ann , y en el caso de D, Traza (D)= 1+5+0 = 6. La diagonal secundaria es la formada por los elementos a1n , a2,n1, a3,n2, . . . , an1 . En la matriz D estar a formada por 3, 5, -3. Una clase especial de matrices cuadradas son las matrices triangulares. Una matriz es triangular superior si todos los elementos por debajo de la diagonal principal son nulos y triangular inferior si son nulos todos los elementos situados por encima de dicha diagonal. Son ejemplos de estas matrices: 1 0 0 0 1 4 1 3 0 4 0 0 F = 0 9 5 E= 3 4 5 0 0 0 1 3 16 78 Triangular superior
Triangular inferior

CAP ITULO 6. MATRICES Y DETERMINANTES

84

Si una matriz es a la vez triangular superior e inferior, s olo tiene elementos en la diagonal principal. Una matriz de este tipo se denomina matriz diagonal. Un ejemplo de matriz diagonal ser a: 1 0 0 0 0 45 0 0 G= 0 0 3 0 0 0 0 0 Por u ltimo, si una matriz diagonal tiene en su diagonal principal s olo unos, se denomina matriz unidad no de la matriz. Algunas matrices o identidad. Se suelen representar por In , donde n es el orden o tama identidad son: 1 0 0 0 1 0 0 0 1 0 0 1 0 I3 = 0 1 0 I4 = I2 = 0 0 1 0 0 1 0 0 1 0 0 0 1

6.4.

Aplicaciones de las matrices

Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasicar valores num ericos atendiendo a dos criterios o variables. Ejemplo: Un importador de globos los importa de dos colores, naranja (N) y fresa (F). Todos ellos se envasan en paquetes de 2, 5 y 10 unidades, que se venden al precio (en euros) indicado por la tabla siguiente: Color N Color F 2 unid. 004 003 5 unid. 008 005 10 unid. 012 008

Sabiendo que en un a no se venden el siguiente n umero de paquetes: 2 unid. 5 unid. 10 unid. Color N 700000 600000 500000 Color F 50000 40000 500000

Resumir la informaci on anterior en 2 matrices A y B, de tama no respectivo 2x3 y 3x2 que recojan las ventas en un a no (A) y los precios (B). Nos piden que organicemos la informaci on anterior en dos matrices de tama no concreto. Si nos jamos en las tablas, es sencillo obtener las matrices: N 2 ud 5 ud 10 ud 0 04 700000 600000 500000 N B = 0 08 50000 40000 500000 F 0 12 F 0 03 2 ud 0 05 5 ud 0 08 10 ud

A=

Estas matrices se denominan matrices de informaci on, y simplemente recogen los datos num ericos del problema en cuesti on. Otras matrices son las llamadas matrices de relaci on, que indican si ciertos elementos est an o no relacionados entre s . En general, la existencia de relaci on se expresa con un 1 en la matriz y la ausencia de dicha relaci on de expresa con un 0. Estas matrices se utilizan cuando queremos trasladar la informaci on dada por un grafo y expresarla num ericamente.

CAP ITULO 6. MATRICES Y DETERMINANTES

85

En Matem aticas, un grafo es una colecci on cualquiera de puntos conectados por lineas. Existen muchos tipos de grafos. Entre ellos, podemos destacar: * Grafo simple : Es el grafo que no contiene ciclos, es decir, lineas que unan un punto consigo mismo, ni lineas paralelas, es decir, lineas que conectan el mismo par de puntos. * Grafo dirigido : Es el grafo que indica un sentido de recorrido de cada linea, mediante una echa. Estos tipos de grafo pueden verse en la gura:

Figura 6.1: Grafo, Grafo simple y Grafo dirigido.

Relacionadas con los grafos se pueden denir algunas matrices. Entre todas ellas, nosotros nos jaremos en la llamada matriz de adyacencia, que es aquella formada por ceros y unos exclusivamente, de tal forma que: * un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la la i hasta el punto de la columna j mediante una linea que los una directamente. * un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al segundo mediante una linea que los una directamente. La matriz de adyacencia del grafo dirigido de la gura anterior ser a: A A 0 B 0 C 1 D 0 B 1 0 0 0 C 0 1 0 0 D 1 0 0 0

Ejercicio 1) Escribe las correspondientes matrices de adyacencia de los grafos:

2) Dibuja los grafos dirigidos que correspondan a las matrices de adyacencia: A A 0 B 1 C 0 B 1 0 0 C 0 1 0 A A 0 B 0 C 1 D 0 B 1 0 0 1 C 1 0 0 1 D 1 1 0 0

CAP ITULO 6. MATRICES Y DETERMINANTES

86

6.5.
6.5.1.

Operaciones con matrices


Suma y diferencia

Dadas dos matrices A y B podemos realizar su suma o diferencia de acuerdo a la siguiente regla. Para sumar o restar dos matrices del mismo tama no, se suman o restan los elementos que se encuentren en la misma posici on, resultando otra matriz de igual tama no. Por ejemplo: 2 0 4 0 1 1 2 1 3 = 3 2 5 7 0 4 4 2 1
2x3 2x3 2x3

Si las matrices tienen diferente tama no, no se pueden sumar o restar entre s . Propiedades de la suma (y diferencia) de matrices: a) Conmutativa: A + B = B + A b) Asociativa: A + (B + C) = (A + B) + C c) Elemento neutro: La matriz nula del tama no correspondiente. d) Elemento opuesto de A: La matriz -A, que resulta de cambiar de signo a los elementos de A. Ejemplo: Si 0 1 0 1 A = 4 2 = A = 4 2 3 9 3 9
3x2 3x2

porque:

0 1 0 0 0 1 4 2 + 4 2 = 0 0 3 9 0 0 3 9
3x2 3x2 3x2

Ejercicios: 1. Las exportaciones, en millones de euros, de 3 pa ses A, B, C a otros tres X, Y, Z, en los a nos 2000 y 2001 vienen dadas por las matrices: X Y Z A 11 6 7 0 5 A2000 = B 14 5 10 1 2 C 20 9 3 2 2 3 X Y Z A 13 3 7 1 = B 15 7 11 1 3 2 C 21 02 43

A2001

Calcula y expresa en forma de matriz el total de exportaciones para el conjunto de los dos a nos. Cu antos millones ha exportado el pa s B al Z en total? Calcula el incremento de las exportaciones del a no 2000 al 2001 con los datos del ejemplo anterior. 2. Calcula x, y, z en la suma: x y 1 2 y 0 z 1 1 3 1 y x + z 2 3 = 0 4 4 0 z 2 2 3 x 2 4 1 3. Calcula a, b, c para que se cumpla la igualdad: 3a b 2 2 a+b 4 + 4 c + 1 6 1c 2 0 = 1 a 2 2 0 6

CAP ITULO 6. MATRICES Y DETERMINANTES

87

6.5.2.

Producto por un n umero real

Dada una matriz cualquiera A y un n umero real k, el producto kA se realiza multiplicando todos los elementos de A por k, resultando otra matriz de igual tama no. (Evidentemente la misma regla sirve para dividir una matriz por un n umero real). Por ejemplo: 10 5 15 2 1 3 = 5 20 10 5 4 2 1
2x3 2x3

Propiedades: a) Distributiva respecto de la suma de matrices: k(A + B) = kA + kB b) Distributiva respecto de la suma de n umeros: (k + d)A= kA + dA c) Asociativa: k(dA)=(kd)A d) Elemento neutro, el n umero 1: 1A=A Ejercicios: 1. Si A = 1 1 0 1 yB= 1 0 , halla una matriz X que verique la ecuaci on: 0 2 2X 4A = B 2. Determina las matrices X y Y sabiendo que: 3X 5Y =

1 2 8 1 2 4 X + 3Y = 3 0

6.5.3.

Trasposici on de matrices

Dada una matriz cualquiera A, se llama matriz traspuesta de A, y se representa por At a la matriz que resulta de intercambiar las las y las columnas de A. 2 1 0 7 Por ejemplo, si A = , entonces la matriz traspuesta de A es: 3 4 2 1 2 3 1 4 At = 0 2 7 1 a tama no n x m, pues el Evidentemente, si A es una matriz de tama no m x n, su traspuesta At tendr n umero de columnas pasa a ser el de las y viceversa. Si la matriz A es cuadrada, su traspuesta tendr a el mismo tama no. Propiedades: a) (At )t = A, es decir, la traspuesta de la traspuesta es la matriz inicial. b) (A + B )t = At + B t c) (k A)t = k At En base a esta nueva operaci on, podemos denir otras dos clases de matrices, que son: Matriz sim etrica, que es aquella para la que se cumple 2 1 A= 1 0 3 2 que At = A, por ejemplo la matriz: 3 2 7

CAP ITULO 6. MATRICES Y DETERMINANTES es sim etrica (compru ebalo). En una matriz sim etrica, los elementos son sim etricos respecto a la diagonal principal. Ejercicio: Puede ser sim etrica una matriz que no sea cuadrada?Por qu e?. Matriz antisim etrica, es aquella para la que se cumple que At = A. Por ejemplo: 0 1 3 B = 1 0 2 3 2 0

88

es antisim etrica (comprueba). En una matriz antisim etrica, los elementos de la diagonal principal son siempre nulos (por qu e?), y los restantes son opuestos respecto a dicha diagonal. Ejercicios: 1 3 3 1 1 2 1. Dadas las matrices A = 1 4 3 y B = 2 0 1 calcula 3At B t . 1 3 4 6 1 0 2. Obtener las matrices X e Y 1 2X 3Y = 4 a) 1 X Y = 3 que veriquen los sistemas: 5 2 1 X + Y = 2 3 0 b) 0 6 2 X Y = 6 0 1 2X + Y = c) X + 2Y =

3 1 0 2 1 0 2 4

6.5.4.

Producto de matrices

Hay que dejar claro ya desde el principio que no todas las matrices pueden multiplicarse. Dos matrices se pueden multiplicar cuando se cumple la siguiente condici on: on indispensable que el n umero Para multiplicar dos matrices A y B, en este orden, AB , es condici de columnas de A sea igual al n umero de las de B Si no se cumple esta condici on, el producto AB no puede realizarse, de modo que esta es una condici on que debemos comprobar previamente a la propia multiplicaci on. Una vez comprobado que el producto AB se puede realizar, si A es una matriz m x n y B es una matriz n x p (observemos que el n de columnas de A = n = n de las de B), entonces el producto no n x p del siguiente modo: AB da como resultado una matriz C de tama El elemento que se encuentra en la la i y la columna j de la matriz C=AB, se obtiene multiplicando los elementos de la la i de A por la columna j de B y sumando los resultados Ve amoslo mediante un ejemplo: Para multiplicar las matrices: 3 2 1 4 2 5 3 2
2x4

A=

0 4 1 2 B= 2 0 3 2
4x3

1 1 2 1

primero comprobamos que se puede realizar el producto AB, pues el n de columnas de A es 4 y el en es 4, y el resultado, seg un lo dicho ser a una matriz de tama no 2 x 3, tiene 2 n de las de B tambi

CAP ITULO 6. MATRICES Y DETERMINANTES las y 3 columnas:

89

0 4 1 2 3 2 1 4 2 5 3 2 2 0 2x4 3 2
4x3

1 1 = 2 1

2x3

S olo nos falta completar los elementos de la matriz producto. Para ello, seguimos la regla anterior: El elemento de la la 1 y columna 1 de AB proviene de multiplicar elemento a elemento la la 1 de A por la columna 1 de B y sumar, es decir: (3) 0 + 2 1 + 1 2 + 4 3 = 0 + 2 + 2 + 12 = 16 El elemento de la la 1 y columna 2 de AB proviene de multiplicar elemento a elemento la la 1 de A y la columna 2 de B y sumar: (3) (4) + 2 (2) + 1 0 + 4 2 = 12 4 + 0 + 8 = 16 El elemento de la la 1 y columna 3 de AB proviene de multiplicar elemento a elemento la la 1 de A y la columna 3 de B y sumar: (3) 1 + 2 1 + 1 2 + 4 1 = 3 + 2 + 2 + 4 = 5 As sucesivamente se obtienen (comprueba): 16 16 5 5 22 11
2x3

Ejercicios: 1. Para las matrices A y B anteriores, calcula BA 1 3 ,B 2 6 1 3. Lo mismo si A = 0 4 2. Si A = = 3 5 2 1 , calcula si es posible AB y BA. Coinciden?. 3 0 2 . 1 1 5

1 2, B = 1

4. Calcula todos los productos posibles entre las matrices: 1 2 3 1 A = 1 1 1 B = 2 0 2 1 1 Adem as, calcula A2 y A3 . 5. Para las matrices A= 1 1 2 4 0 3 B= 0 3 4 1 2 3

C=

2 1 0 3 4 5

2 3 0 1 C = 5 1 4 2 1 0 0 3

2 D = 1 3

calcula: A + B, 3A 4B, A B, A D, B C, C D, At C, Dt At , B t A, Dt D, D Dt

CAP ITULO 6. MATRICES Y DETERMINANTES Propiedades del producto de matrices a) Asociativa: A(BC) = (AB)C b) Distributiva respecto de la suma: A (B + C ) = A B + A C (B + C ) A = B A + C A c) Elemento neutro, la matriz identidad correpondiente, si A es m x n: A In = A Im A = A d) En general el producto de matrices no es conmutativo AB =BA Pueden verse ejemplos en los ejercicios anteriores. Esta es una propiedad muy importante. e) El producto de dos matrices no nulas A y B puede dar lugar a una matriz nula: 5 0 2 1 3 2 = 0 0 2 1 4 2x3 2x1
3x1

90

Se dice que el conjunto de las matrices con la operaci on producto tiene divisores de cero, es decir, hay matrices no nulas cuyo producto es nulo. Ejercicios: 1. Si A y B son dos matrices cuadradas del mismo orden, son ciertas las propiedades siguientes, que son ciertas para las operaciones con n umeros reales?: a) (A + B )2 = A2 + B 2 + 2 A B b) (A B )2 = A2 + B 2 2 A B c) (A + B ) (A B ) = A2 B 2 2. Determina los valores de a y b de la matriz A = 3. Qu e matrices conmutan con la matriz 1 2 ?. 0 1 2 1 a b para que A2 = A.

6.6.

La matriz inversa

Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades de esta operaci on. Recordemos, en primer lugar, que no siempre es posible efect uar la multiplicaci on de dos matrices, y en segundo lugar, que aunque sea posible hacer esta multiplicaci on, en general no es conmutativo, es decir AB es distinto de BA. En el caso particular de que tratemos con matrices cuadradas del mismo orden A y B, es claro que an como resultado otra matriz del mismo orden, podemos efectuar los productos AB y BA, que dar aunque, como ya se ha dicho, las matrices resultantes ser an, en general, distintas. Sabemos tambi en que el elemento neutro del producto de matrices es la matriz identidad In . Por analog a con el caso de los n umeros reales, podemos plantearnos la siguiente cuesti on:

CAP ITULO 6. MATRICES Y DETERMINANTES

91

Si tenemos un n umero real, por ejemplo el 2, podemos interesarnos en buscar el inverso del 2 para el producto, es decir un n umero real x tal que 2x = 1, el producto de 2 por x sea igual al elemento neutro, el 1. Evidentemente, en el caso de los n umeros reales es bien f acil despejar x para obtener, en nuestro 1 umero real es otro n umero que multiplicado por el da el caso, que x = , es decir, el inverso de un n 2 elemento neutro, el 1. Todo n umero real, salvo el 0, tiene inverso. Trasladando esto a las matrices, nos podemos plantear si dada una matriz cuadrada A de orden n, cualquiera, existe su inversa X para el producto de matrices,tal que A X = In es decir, el producto de A por su inversa produce el elemento neutro matricial, la matriz identidad In . Sin embargo, hay algunas diferencias con respecto al caso de los n umeros reales: In on de 1) No podemos despejar la matriz X del modo X = , porque no hemos denido la divisi A matrices. 2) No todas las matrices cuadradas no nulas tienen matriz inversa (sea lo que sea, por analog a con los n umeros). Denamos, en primer lugar, el t ermino de matriz inversa: Dada una matriz cuadrada de orden n , A, se dice que A es invertible (o que posee inversa o que es no singular o que es regular ), si existe otra matriz del mismo orden, denominada matriz inversa de A y representada por A1 y tal que: A A1 = In y A1 A = In

Si A no tiene inversa, se dice que es singular o no invertible. Si una matriz tiene inversa, dicha matriz inversa es u nica (s olo hay una). Para calcular dicha matriz inversa, podemos utilizar dos v as:

6.6.1.

M etodo directo:

Consiste en determinar A1 planteando un sistema de ecuaciones, es decir, si por ejemplo queremos 1 2 determinar la inversa de la matriz A = , lo que estoy buscando es otra matriz de igual tama no 1 1 x y , se tiene que cumplir que : (orden 2) tal que A A1 = I2 y A1 A = I2 , es decir, si A1 = z t A A1 = I2 = 1 2 x y 1 1 z t = 1 0 0 1 = x + 2z y + 2t x + z y + t = 1 0 0 1

x + 2z = 1 y + 2t = 0 x+z =0 y + t = 1 Es decir, hemos de resolver un sistema de 4 ecuaciones con 4 inc ognitas, aunque en realidad son 2 sistemas de dos ing onitas cada uno (uno con x y z y otro con y y t). Resolviendo el sistema se obtiene que x= 2 1 1 1 ,y = ,z = ,t = 3 3 3 3

CAP ITULO 6. MATRICES Y DETERMINANTES por lo que la matriz inversa es: A1 =


1 3 1 3 2 3 1 3

92

1 1 2 1 1 3

Se puede comprobar que tambi en se cumple que A1 A = I2 , luego A es invertible, tiene inversa. Si el sistema no tiene soluci on, la matriz no tiene inversa. 1 1 Por ejemplo, en el caso en que A = , del mismo modo : 2 2 A A1 = I2 = 1 1 x y 2 2 z t = 1 0 = 0 1 x+z y+t 2x + 2z 2y + 2t = 1 0 0 1

x+z = 1 y+t = 0 2x + 2z = 0 2y + 2t = 1 Y por ejemplo de 2x+2z=0 se obtiene x = -z, si se sustituye en la primera ecuaci on es -z+z=1, es decir 0 = 1 (imposible). El sistema no tiene soluci on. Por tanto A no es invertible, es singular. Este m etodo directo s olo se suele utilizar para matrices cuadradas de tama no 2, puesto que para las de tama no 3 obtenemos un sistemas de 9 ecuaciones con 9 inc ognitas! que realmente es dif cil de resolver.

6.6.2.

M etodo de Gauss-Jordan:

Consiste en hacer transformaciones elementales en las las de la matriz para llegar a obtener la matriz identidad. Realizando estas mismas transformaciones con la matriz identidad llegamos a la matriz A1 . Se llama transformaci on elemental en una matriz a: T1) Multiplicar o dividir una la por un n umero real distinto de cero. T2) Sumar o restar a una la otra multiplicada por un n umero real no nulo. T3) Intercambiar el lugar de dos las entre s . 1 2 Veamos como se realiza el m etodo de Gauss-Jordan, realiz andolo a la vez con la matriz . 1 1 i) Consideramos la matriz formada por A y la matriz identidad correspondiente . En nuestro caso: (A|I2 ) = 1 2 1 0 1 1 0 1

ii) Se hace la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal principal) usando transformaciones elementales en las. La mejor forma de realizar esto es hacer cero los elementos por debajo de la diagonal en la primera columna usando la la 1. Luego, hacer cero los elementos por debajo de la diagonal en la segunda columna usando la la 2, y as sucesivamente. En nuestro caso, basta sumar la la 2 con la la 1, y se obtiene: (A|I2 ) = 1 2 1 0 1 1 0 1
2 1

F +F

1 2 1 0 0 3 1 1

iii) Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo ceros a los elementos por encima de la diagonal. El proceso es parecido al anterior:

CAP ITULO 6. MATRICES Y DETERMINANTES

93

Hacer cero los elementos por encima de la diagonal en la u ltima columna usando la u ltima la. Luego, hacer cero los elementos por encima de la diagonal en la pen ultima columna usando la pen umtima la, y as sucesivamente. En nuestro caso: 1 2 1 0 0 3 1 1
1 2

3F 2F

3 0 1 2 0 3 1 1

iv) Ya tenemos una matriz diagonal. Lo u nico que falta es dividir a cada la entre el n umero adecuado para obtener unos en la diagonal principal, es decir, para obtener la matriz identidad en la parte izquierda: F1 F2 2 , 3 1 0 1 3 0 1 2 3 3 3 1 0 1 3 1 0 3 1 1 3 v) Una vez se tiene la matriz identidad en la parte de la izquierda, la parte derecha es la matriz inversa, es decir, llegamos a: (I2 , A1 ) = 1 0 0 1
1 3 1 3 2 3 1 3

= A1 =

1 3 1 3

2 3 1 3

1 1 2 1 1 3

matriz que hab amos obtenido antes por el m etodo directo. Si al realizar el m etodo de Gauss-Jordan en alg un momento alguna la es de ceros, la matriz no tiene inversa. Cuanto mayor sea el orden de la matriz, mejor es este m etodo frente al directo. Veamos otro ejemplo: 1 1 0 Calcular la inversa de la matriz B = 1 1 2 por el m etodo de Gauss-Jordan. 1 0 1 Siguiendo los pasos anteriores: 1 1 0 1 0 0 1 1 0 1 0 0 1 1 0 1 0 0 F2 +F1 F3 F1 0 2 2 1 1 0 0 2 2 1 1 0 (B |I3 ) = 1 1 2 0 1 0 1 0 1 0 0 1 1 0 1 0 0 1 0 1 1 1 0 1 1 1 0 1 0 0 1 1 0 1 0 0 2F3 +F2 2F2 F3 4F1 F2 0 2 2 1 1 0 0 4 0 3 1 2 0 0 4 1 1 2 0 0 4 1 1 2 1 2 4 0 0 1 1 2 1 0 0 1 F1 F2 F3 4 4 4 , , 4F1 F2 4 4 4 3 1 2 0 4 0 3 1 2 0 1 0 4 = (I3 |B 1 ) 4 4 2 0 0 4 1 1 2 0 0 1 1 1 4 4 1 1 1 4 = B 1 =
4 3 4 1 4 4 1 4 1 4 2 1 2 1 2

Tambi en se puede expresar, sacando factor com un: 1 1 2 1 1 2 B 1 = 3 4 1 1 2 es la inversa de B. Si calculamos por este m etodo la inversa de A = (A|I2 ) = 1 1 1 0 2 2 0 1 1 1 2 2 resulta: 1 1 1 0 0 0 2 1

2 1

F 2F

Como aparece una la de ceros, la matriz A no tiene inversa. Ejercicios:

CAP ITULO 6. MATRICES Y DETERMINANTES 1. Calcular por el m etodo de Gauss-Jordan la inversa de las matrices: 1 2 3 2 1 4 A = 3 2 4 B= 0 1 2 2 1 0 1 0 1 3 0 2. Dada la matriz diagonal D = 0 2 0 0 r apida la inversa de una matriz diagonal

94

0 0 calcula su inversa. C omo calcular as de forma 5 cualquiera?.

6.7.

Rango de una matriz

Un concepto muy importante relacionado con las matrices es el de rango. El concepto de rango se encuentra ligado al de independencia lineal de las o columnas de una matriz, pero no se introducir a de esta manera porque se requieren conceptos que no conocemos. Baste saber que se dene el rango de una matriz como el n umero m aximo de las o columnas linealmente independientes. Sin embargo, el c alculo del rango de una matriz lo abordaremos desde otra perspectiva, utilizando el m etodo de Gauss. Supongamos que tenemos una matriz cualquiera A a la que aplicamos el m etodo de Gauss con el n de simplicarla lo m as posible (es decir, consiguiendo que tenga el mayor n umero de ceros posible), realizando operaciones elementales en las. Llamaremos rango de la matriz A y lo representaremos por Rg(A) al n umero de las no nulas de la matriz tras aplicarle el m etodo de Gauss. Ejemplo: Calcular el rango de las siguientes matrices: 1 1 0 1 1 0 3 A= B= C= 2 1 1 2 2 1 1 1 1 2 a)

D=

2 4 6 1 2 3

1 1 F2 2F1 1 1 , Rg(A)=1 ,s olo una la distinta de cero. 0 0 2 2 0 3 F2 F1 1 1 , Rg(B)=2 hay 2 las no nulas. b) 0 3 1 1 1 1 0 1 1 0 1 1 0 1 1 0 F2 2F1 F3 +F1 F3 +2F2 0 1 1 0 1 1 0 1 1 c) 2 1 1 1 1 2 0 2 2 0 0 0 1 1 2 Rg(C)=2 hay 2 las no nulas. 2 4 6 2 4 6 2F2 +F1 , Rg(D)=1, s olo una la no nula. d) 0 0 0 1 2 3 Los ejemplos anteriores ponen de maniesto que el rango de cualquier matriz siempre es menor o igual que el n umero de las de la matriz. De hecho se verica que el rango de cualquier matriz siempre es menor o igual que su n umero de las y de columnas, pues el proceso para hacer el m etodo de Gauss se puede hacer indistintamente mediante operaciones elementales en las o en columnas. Esto permite, antes de calcular el rango de una matriz, saber entre qu e valores va a estar ese rango. Por ejemplo, en el caso c) del ejemplo, como la matriz es 3x3 , el rango s olo puede ser 0, 1, 2 o 3, no hay otras posibilidades. En el caso del apartado d), como la matriz es 2 x 3, el rango s olo puede ser 0,1 o 2. (De hecho, podemos reducir esto algo m as , pues una matriz s olo tiene rango cero si es la matriz nula).Resumiendo:

CAP ITULO 6. MATRICES Y DETERMINANTES Propiedad: Si A es una matriz de tama no m x n no nula se cumple que: 1 Rg (A) min{m, n} Ejemplo: Calcular en funci on de k el rango de la matriz: A= Aplicando Gauss, A= 1 1 2 3 3 k
2 1

95

1 1 2 3 3 k
F 3F

1 1 2 0 0 k6

Ahora es evidente que si k-6=0, la u ltima la es nula. Por tanto, si k=6, la u ltima la es nula y el rango de A es 1, Rg(A)=1, mientras que si k-6 es distinto de cero, es decir si k es distinto de 6, hay 2 las no nulas y el rango de A es 2, Rg(A)=2. Resumiendo: Si k = 6, entonces Rg(A)=2 Si k=6, entonces Rg(A)=1 La siguiente propiedad permite relacionar el concepto de rango con el de matriz inversa visto anteriormente: Propiedad: Una matriz cuadrada A tiene inversa Rg(A) es m aximo. Ejercicios: 1 2 1 1. Calcula el rango de A seg un los valores de k: A = 1 1 3.Para qu e valores de k tiene A 5 1 k inversa?. 2. Calcula el rango de las matrices: 1 0 1 A= 2 1 0 2 1 1 1 0 0 1 0 C = 2 1 1 1 0 0 0 1 0 B = 1 0 2 D = 1 1 2 1 0 1 4 2 1 5 1 8 2 3 4 5 3 10 11 13

6.8.

Determinantes

Introduciremos a continuaci on el concepto de determinante asociado a una matriz cuadrada. Este concepto permite simplicar operaciones matriciales tales como el c alculo del rango o de la matriz inversa. Denici on: Si es una matriz 2 x 2 se dene el determinante de la matriz A, y se expresa como det(A) o bien |A|, como el n umero: a a det(A) = |A| = 11 12 = a11 a22 a12 a21 a21 a22 Ejemplos: El c alculo de los determinantes de orden 2 es bien sencillo, por ejemplo:

CAP ITULO 6. MATRICES Y DETERMINANTES 1 3 =14-(-1)3=4+3=7. 1 4 2 3 b) =-10+6=-4. 2 5

96

a)

Para denir determinantes de matrices de orden mayor que 2 es necesario introducir previamente algunos conceptos. Dada una matriz cuadrada A de orden n, denimos el menor complementario de un elemento de A,aij , como el determinante de la matriz que se obtiene al suprimir la la i y la columna j en la que se encuentra dicho elemento aij . Se representa por Mij . 2 4 5 Ejemplo: En la matriz A = 6 7 3 , los menores complementarios de cada uno de los 3 0 2 elementos de la primera la son: 7 3 =14-0=14. Menor complementario de -2:M11 = 0 2 6 3 =12+9=21. Menor complementario de 4:M12 = 3 2 6 7 =0-21=-21. Menor complementario de 5:M13 = 3 0 Y as sucesivamente. Ejercicio: Obtener los restantes menores complementarios de los elementos de la matriz A. Estrechamente ligado al concepto de menor complementario se encuentra el de adjunto de una matriz. Dada una matriz cuadrada A de orden n, denimos el adjunto de un elemento aij de A como el n umero: Aij = (1)i+j Mij es decir, no es m as que el menor complementario correspondiente acompa nado de un signo m as o menos dependiendo de la la y la columna en la que se encuentre el elemento en cuesti on. Por ejemplo, para la matriz anterior, los adjuntos de los elementos de la primera la son: Adjunto de -2:A11 = (1)1+1 M11 = 1 14 = 14 (coincide con el menor complementario) Adjunto de 4:A12 = (1)1+2 M12 = (1) 21 = 21 (menor complementario con signo cambiado) Adjunto de 5:A13 = (1)1+3 M13 = 1 21 = 21 (coincide con el menor complementario). Ejercicio: Obtener los restantes adjuntos de los elementos de la matriz A. En general puede saberse si el signo del menor complementario y del adjunto coinciden o no utilizando una sencilla regla gr aca, por ejemplo, para matrices 3 x 3 y 4 x 4 basta jarse en las matrices: + + + + + + + + + + + + + donde el + signica que el adjunto coincide con el menor complementario y el - indica que tienen signo contrario. Una vez vistos estos conceptos se puede denir ya: Denici on: Dada una matriz cuadrada A de tama no n se dene su determinante como la suma

CAP ITULO 6. MATRICES Y DETERMINANTES

97

del producto de los elementos de una linea cualquiera de la matriz (la o columna) elegida, por sus correpondientes adjuntos. Se puede demostrar, aunque dicha demostraci on excede los contenidos del curso, que el valor del determinante no depende de la la o columna elegida para calcularlo. 2 4 5 Ejemplo: Para la matriz A = 6 7 3 ,aplicando la denici on, si elegimos la la tercera queda: 3 0 2 det(A) = 3 4 5 2 5 +0 7 3 6 3 +2 2 4 = 6 7

= 3 (12 35) + 0 ((6 30)) + 2 (14 24) = 141 + 0 76 = 217 Si hubi esemos elegido otra la o columna, por ejemplo la columna 2, quedar a: 6 3 3 2 2 5 2 5 +0 3 2 6 3

det(A) = 4

+7

= 4 ((12 + 9)) + 7 (4 15) + 0 ((6 30)) = 84 133 + 0 = 217 Ejercicio: Calcula, desarrollando por la la que t u elijas los determinantes de las matrices: 1 8 1 3 4 6 7 8 0 0 3 1 1 7 0 2 1 1 0 7 3 2 0 2 1 6 1 5 3 5 1 0 1 3 4 0 1 1 1 0 1 1 0 1 1 0 1 1 0 1 1 1 1 2 3 3 2 1 1 4 3 3 4 1 4 1 3 2 1 2 2 3 0 1 2 3 2 2 4 2 1 1 5 3

6.9.

La regla de Sarrus

La denici on de determinante es bastante engorrosa y se hace mucho m as pesada a medida que aumenta el orden de la matriz A. En el caso de las matrices cuadradas de orden 3, esta regla facilita el c alculo de dichos determinantes. a11 a12 a13 Si la matriz es A = a21 a22 a23 , entonces el determinante de A se calcula mediante la resta a31 a32 a33 de dos expresiones obtenidas del siguiente modo: Llamaremos sumandos positivos a los obtenidos al multiplicar: - Los elementos de la diagonal principal,a11 a22 a33 . - Los elementos de la linea paralela superior a la diagonal principal por el elemento aislado de la esquina inferior izquierda:a12 a23 a31 . - Los elementos de la linea paralela inferior a la diagonal principal por el elemento aislado de la esquina superior derecha:a21 a32 a13 .

CAP ITULO 6. MATRICES Y DETERMINANTES Gr acamente:

98

Figura 6.2: Sumandos positivos

Llamaremos sumandos negativos a los obtenidos al multiplicar: - Los elementos de la diagonal secundaria,a13 a22 a31 . - Los elementos de la linea paralela superior a la diagonal secundaria por el elemento aislado de la esquina inferior derecha: a12 a21 a33 . - Los elementos de la linea paralela inferior a la diagonal secundaria por el elemento aislado de la esquina superior izquierda: a32 a23 a11 . Gr acamente:

Figura 6.3: Sumandos negativos

Y entonces det (A)= Sumandos positivos - Sumandos negativos. Por ejemplo, en el caso de la matriz anterior: 2 4 5 A = 6 7 3 3 0 2 , se tiene que aplicando la regla de Sarrus: det(A)=(-2)72+43(-3)+650-(375+0(-2)(-3)+642)=-28-36-105-48=-217. Ejercicio: Comprobar, mediante la regla de Sarrus, los determinantes de orden 3 obtenidos en el ejercicio anterior.

6.10.

Propiedades de los determinantes

Algunas propiedades importantes que tienen los determinantes, y que se enuncian sin demostraci on, son: 1. Si una matriz tiene una linea (la o columna) de ceros, el determinante vale cero. Esta propiedad es evidente, puesto que por denici on de determinante, basta elegir dicha linea para desarrollar y el determinante ser a 0.

CAP ITULO 6. MATRICES Y DETERMINANTES 2. Si una matriz tiene dos las iguales o proporcionales, su determinante es nulo.

99

3. Si permutamos dos lineas paralelas de una matriz cuadrada, su determinante cambia de signo, por ejemplo: 0 1 2 3 0 1 2 3 1 3 2 5 1 3 2 5 = 91 = 91 = 3 2 8 1 2 4 3 1 2 4 3 1 3 2 8 1 4. Si multiplicamos todos los elementos de una linea de un determinante por un n umero, el determinante queda multiplicado por ese n umero. Por ejemplo: 0 1 2 3 1 3 2 5 = 91 = 2 4 3 1 3 2 8 1 0 1 2 3 2 6 4 10 = 182 2 4 3 1 3 2 8 1

0 2 4 6 2 6 4 10 pero = 16 91 = 1456 4 8 6 2 6 4 16 2 5. Si a una linea de una matriz se le suma otra linea multiplicada por un n umero, el determinante no cambia. Esta propiedad permite utilizar un m etodo m as sencillo para calcular determinantes de orden mayor que 3. 6. El determinante de una matriz es igual al de su traspuesta, |A| = |At| 7. Si A tiene matriz inversa, A1 , se verica que: det(A1 ) = 1 det(A)

Una estrategia a tener en cuenta en este caso de determinantes de orden 4 o superior, o incluso de orden 3 si la matriz es compleja, es el m etodo de hacer ceros, puesto que el valor del determinante no var a al realizar a la matriz ciertas transformaciones elementales en las,como indica la propiedad 5 anterior, si bien hemos de ser cuidadosos al aplicar dicha propiedad. As pues la mejor forma de calcular un determinante es hacer ceros en una la o columna y desarrollar por dicha la o columna, porque entonces s olo tendremos que calcular un adjunto. Por ejemplo, si calculamos: 0 1 2 3 1 3 2 5 2 4 3 1 3 2 8 1 0 1 2 3 1 3 2 5 0 2 1 11 3 2 8 1 0 1 2 3 1 3 2 5 = 0 2 1 11 0 11 14 16

F3 2F2

F4 3F2

Desarrollando por la columna 1 1 2 3 = 1 2 1 11 = 11 14 16 = (16 242 84 (33 154 64)) = 91

CAP ITULO 6. MATRICES Y DETERMINANTES

100

Como hemos dicho, hemos de tener especial cuidado al aplicar esta regla con determinantes, puesto que no podemos hacer las mismas operaciones que con las matrices, lo que puede confundir. Por ejemplo, si queremos calcular el determinante: 1 2 3 C= 0 1 2 4 1 5 mediante la regla de Sarrus es: det(C)=5+16+0-(12+2+0)=21-14=7. Si hici esemos ceros en la primera columna, y desarroll asemos nos deber a dar lo mismo. Ahora bien,podemos hacer cero el 4 de la primera columna mediante: 1 2 3 0 1 2 4 1 5
F3 4F1

1 2 3 1 2 0 1 2 = = 7 + 14 = 7. 7 7 0 7 7

lo que es correcto. Sin embargo, si queremos hacer cero el 1 de la primera columna ser a un error hacer: 0 7 7 1 2 3 7 7 4F1 F3 0 1 2 =4 0 1 2 = 4 (14 7) = 28. 1 2 4 1 5 4 1 5 no obtenemos lo mismo, porque hemos multiplicado la la sustituida por un n umero y eso altera el valor del determinante. Luego la la a sustituir conviene no multiplicarla, como en el primer ejemplo, puesto que si no nos damos cuenta, podemos variar el valor del determinante.

6.11.

Relaci on entre la inversa y los determinantes

Hay una estrecha relaci on entre la inversa de una matriz cuadrada y su determinante. De hecho se verica que: Propiedad: Una matriz cuadrada A tiene inversa |A| = 0. Adem as, en este caso, la matriz inversa de A, A1 se calcula de la manera: A1 = (Adj (A)t |A|

donde Adj(A) denota la matriz adjunta de A, es decir, aquella que se obtiene de sustituir cada elemento de A por su adjunto. 1 0 1 Ejemplo: Calcular, si es posible, la inversa de la matriz A = 0 1 3. 1 1 0 1 0 1 En primer lugar,|A| = 0 1 3 = 0 + 0 + 0 (1 3 + 0) = 2 y por tanto A tiene inversa. 1 1 0 Calculando Adj(A), se obtiene: 1 3 0 3 0 1 1 0 1 0 1 1 3 3 1 0 1 1 1 1 0 Adj (A) = = 1 1 1 1 0 1 0 1 1 1 3 1 0 1 1 1 1 0 1 3 0 3 0 1

CAP ITULO 6. MATRICES Y DETERMINANTES Por tanto,

101

3 1 1 (Adj (A)t) = 3 1 3 1 1 1 3 A1 =
2 3 2 1 2 1 2 1 2 1 2 1 2 3 2 1 2

Y entonces, se obtiene:

Ejercicio: Calcular la inversa anterior por el m etodo de Gauss.

6.12.

Aplicaci on de los determinantes al c alculo del rango

Los determinantes tambi en proporcionan una forma sencilla de calcular el rango de una matriz cualquiera. Un denici on alternativa de rango de una matriz es: El Rango de una matriz A es el tama no del mayor menor complementario no nulo que est e incluido dentro de la matriz. Aplicando este criterio, calculemos el rango de las matrices siguientes: 1 1 0 1 1 0 3 2 4 6 A= B= C= 2 1 1 D= 2 2 1 1 1 2 3 1 1 2 a) S olo hay un menor de orden 2, que es: 1 1 =0 2 2 Como es nulo, el rango de la matriz NO es 2. Menores de orden 1 hay 4, por ejemplo |1| = 1, que es no nulo,luego el rango de la matriz es Rg(A)=1 (el tama no de dicho menor complementario). b) S olo hay un menor de orden 2, que es: 0 3 = 0 3 = 3 1 1 Como no es nulo, el rango de la matriz es Rg(B)=2 (el tama no de dicho menor complementario). c) S olo hay un menor de orden 3, que es: 1 1 0 2 1 1 = 2 1 + 0 (0 + 1 4) = 3 + 3 = 0 1 1 2 Como es nulo, podemos asegurar que el rango NO es 3. Menores de orden 2 hay 9. Calculando alguno: 1 0 =1 1 1 resulta que es no nulo, luego el rango es Rg(C)=2 (el tama no de dicho menor complementario). d) El menor m as grande que podemos formar es de orden 2. Hay 3 de ellos: 2 4 = 4 + 4 = 0 1 2 2 6 = 6 + 6 = 0 1 3 4 6 = 12 + 12 = 0 2 3

CAP ITULO 6. MATRICES Y DETERMINANTES

102

Son todos nulos, luego el rango NO es 2. Menores de orden 1 hay 6, y por ejemplo |6| = 6 = 0, es no nulo, luego el rango es Rg(D)=1. Ejercicio Calcula,utilizando los determinantes, el rango de 0 1 0 1 A= B = 1 2 1 0 0 2 1 1 1 2 0 0 1 0 C = D = 1 2 1 1 1 1 0 0 0 1 las matrices: 2 1 0 1 4 2 1 5 1 8 2 3 4 5 3 10 11 13

Cap tulo 7

SISTEMAS DE ECUACIONES LINEALES


7.1. Introducci on

Se denomina ecuaci on lineal a aquella que tiene la forma de un polinomio de primer grado, es decir, las inc ognitas no est an elevadas a potencias, ni multiplicadas entre s , ni en el denominador. Por ejemplo, 3x + 2y + 6z = 6 es una ecuaci on lineal con tres inc ognitas. Como es bien sabido, las ecuaciones lineales con 2 inc ognitas representan una recta en el plano. Si la ecuaci on lineal tiene 3 inc ognitas, su representaci on gr aca es un plano en el espacio. Un ejemplo de ambas representaciones puede observarse en la gura:

Figura 7.1: Representaci on gr aca de la recta x + 2y = 3 en el plano y del del plano x + y + z = 1 en el espacio

El objetivo del tema es el estudio de los sistemas de ecuaciones lineales, es decir, un conjunto de varias ecuaciones lineales. Diremos que dos ecuaciones son equivalentes si tienen las mismas soluciones, o geom etricamente representan la misma recta o plano.

109

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

110

7.2.

Sistemas de ecuaciones lineales

Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales de la forma: a11 x1 + a12 x2 + a13 x3 + + a1n xn = b1 a21 x1 + a22 x2 + a23 x3 + + a2n xn = b2 . . . am1 x1 + am2 x2 + am3 x3 + + amn xn = bm En este caso tenemos m ecuaciones y n inc ognitas. ognitas (o n umeros a Los n umeros reales aij se denominan coecientes y los xi se denominan inc erminos independientes. determinar) y bj se denominan t En el caso de que las inc ognitas sean 2 se suelen designar simplemente por x e y en vez de x1 y x2 , y en el caso de tres, x, y, z en lugar de x1 , x2 y x3 pero esto es indiferente a la hora de resolver el sistema. Resolver el sistema consiste en calcular las inc ognitas para que se cumplan TODAS las ecuaciones del sistema simult aneamente. Diremos que dos sistemas son equivalentes cuando tienen las mismas soluciones.

7.3.

Expresi on matricial de un sistema

Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial del modo: x1 b1 a11 a12 a13 . . . a1n a21 a22 a23 . . . a2n x2 b2 . = . . . . . . . . . . . . . . . . . . . . am1 am2 am3 . . . amn xn bm
mxn nx1 mx1

a1n x1 x2 a2n se llama matriz de coecientes, la matriz X = . . . . . . am1 am2 am3 . . . amn xn b1 b2 erminos independientes. se llama matriz de inc ognitas, y la matriz B = . se llama matriz de t . . bm La matriz formada por A y B conjuntamente, es decir: a11 a12 a13 . . . a1n b1 a21 a22 a23 . . . a2n b2 (A|B ) = . . . . . .. . . . . . . . . . . . a11 a21 La matriz A = . . . a12 a22 . . . a13 a23 . . . ... ... .. . am1 am2 am3 . . . amn bm se llama matriz ampliada del sistema y se representar a por (A|B ) o bien por A . x+yz = 5 Ejemplo: El sistema: x+y =7 escrito matricialmente es: 2x + 2y z = 12 1 1 1 x 5 1 1 0 y = 7 2 2 1 z 12

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES y la matriz ampliada es: 1 1 1 5 (A|B ) = 1 1 0 7 2 2 1 12

111

7.4.

Tipos de sistemas

En general,buscaremos las soluciones de los sistemas en los n umeros reales R. Dependiendo del posible n umero de tales soluciones reales que tenga un sistema, estos de pueden clasicar en: on) S.I. * INCOMPATIBLES (No tienen soluci on u nica) S.C.D. * DETERMINADOS (Soluci on) * COMPATIBLES (Tienen soluci * INDETERMINADOS (Innitas soluciones) S.C.I.

7.5.

Sistemas con dos inc ognitas

Los sistemas m as sencillos son aquellos en los que s olo hay dos inc ognitas y 2 ecuaciones, y que ya son conocidos de cursos pasados. Hay varios sistemas para resolverlos, los m as habituales: * Reducci on * Igualaci on * Sustituci on en los que ya no nos entretendremos. Como cada ecuaci on lineal con 2 inc ognitas se interpreta geom etricamente como una recta, el estudio de la soluci on del sistema se limita a estudiar la posici on de 2 rectas en el plano. Veamos algunos ejemplos con los tres casos que se pueden presentar. Resolver e interpretar el x + 2y = 3 sistema: . 2x + y = 1 Por reducci on: 2x+4y=-6 -2x+ y=1 5y=-5 de donde y = -1 y sustituyendo x + 2(-1) = -3, x = -1. Es decir, la soluci on del sistema es u nica, x = -1, y = -1 lo que signica que el sistema es compatible y determinado, y que las rectas se cortan en un punto, precisamente el (-1,-1):

Figura 7.2: Soluci on del sistema, punto (-1,-1)

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES x + 2y = 3 . 2x 4y = 5

112

Resolver e interpretar el sistema:

x = 3 2y 5 + 4y de donde: Por igualaci on: x= 2 3 2y = 5 + 4y = 4y + 6 = 5 + 4y = 0y = 1 = 0 = 1 2

lo cu al es imposible y por tanto el sistema no tiene soluci on, es un sistema incompatible y por tanto las rectas son paralelas. Geom etricamente:

Figura 7.3: Sistema sin soluci on. Rectas paralelas x + 2y = 3 . 3x + 6y = 9

Resolver e interpretar el sistema:

Por sustituci on, como x = 2y 3 resulta 3(2y 3) + 6y = 9, es decir 6y 9 + 6y = 9, por tanto 0y = 0, 0 = 0. Como 0 = 0 es una igualdad siempre cierta, quiere decir que el sistema tiene innitas soluciones, es compatible indeterminado, o que las rectas son la misma.

Figura 7.4: Innitas soluciones. Las rectas coinciden Lo expresaremos as . Como x = 2y 3, dando valores a y se obtiene x. As si le damos a y el valor arbitrario de (lambda), entonces expresaremos la soluci on como: x = 2 3 siendo R y= y como puede ser cualquier n umero real, hay innitas soluciones. Estos son los u nicos casos que pueden darse con dos ecuaciones y dos inc ognitas, y su interpretaci on geom etrica.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES Ejercicio: Estudiar la soluci on de los siguientes sistemas e interpretarla geom etricamente: a) x+y = 5 2x y = 7 b) 2x + y = 1 3x + 2y = 4 c) x + 2y = 3 xy = 4

113

7.5.1.

Discuci on de sistemas de 2 ecuaciones con 2 inc ognitas

ax + 3y = 5 , no estamos 2x y = 6 ante un s olo sistema, sino ante innitos, uno para cada valor de a, y cada sistema ser a distinto en funci on del valor que tome dicha letra (llamada par ametro). Para estudiarlo, se resuelve el sistema como habitualmente y se estudian los distintos casos que se pueden dar. Por ejemplo , por reducci on: Si alguno de los coecientes del sistema es desconocido, por ejemplo, ax+3y=5 6x-3y=18 ax+6x =23 por tanto, x(6 + a) = 23. Entonces, si 6 + a = 0 no podremos despejar x, es decir si a = 6, obtenemos una ecuaci on del tipo 0 = 23, es decir, imposible. Por tanto, si a = 6 el sistema es incompatible. 23 , y se puede sacar y sustituyendo, por tanto, En cualquier otro caso, podemos despejar x,x = 6+a si a = 6, el sistema es compatible determinado. Ejercicio: Discutir los sistemas en funci on del par ametro desconocido: x+y =5 a) ax + 2y = 10 b) ky + x = 1 2 y 3x = 5

7.6.

Sistemas de 2 inc ognitas y 3 ecuaciones

Podemos a nadir a los cl asicos sistemas de 2 ecuaciones y 2 inc ognitas cuantas ecuaciones queramos para obtener diferentes tipos de sistemas con 3, 4, 5 o m as ecuaciones. En cualquier caso, los tipos de sistemas a los que dan lugar son los mismos rese nados anteriormente. Al aumentar el n umero de ecuaciones, la resoluci on del sistema por alguno de los tres m etodos cl asicos se vuelve m as farragoso, por lo que conviene aplicar ya el conocido m etodo de Gauss para determinar el tipo de sistema. Para ello expresaremos el sistema en la forma matricial, analizando la matriz ampliada asociada, que tendr a 2 columnas y tantas las como ecuaciones tengamos. Analizaremos tan s olo aquellos sistemas con 3 ecuaciones y 2 inc ognitas. La matriz ampliada gen erica es: a11 a12 b1 (A|B ) = a21 a22 b2 a31 a32 b3 Aplicar el m etodo de Gauss consiste en realizar transformaciones elementales mediante las las de la matriz para obtener la matriz escalonada siguiente: a11 a12 b1 (A|B ) = 0 a 22 b2 0 0 b 3 Recordemos que las operaciones elementales permitidas en las las de la matriz (ecuaciones del sistema) eran:

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

114

T1) Multiplicar o dividir una la por un n umero real distinto de cero. T2) Sumar o restar a una la otra multiplicada por un n umero real no nulo. T3) Intercambiar el lugar de dos las entre s . Utilizando estas transformaciones, los sucesivos sistemas que se obtienen son equivalentes al primero, es decir, tienen las mismas soluciones. Debemos eliminar, en este orden, el elemento a21 utilizando la la 1, el elemento a31 , utilizando alogo al m etodo de tambi en la la 1, y por u ltimo el elemento a32 utilizando la la 2, de modo an Gauss-Jordan para la inversa. Adem as, es conveniente en cada paso indicar la operaci on realizada con las las, poniendo en primer lugar aquella que se va a sustituir por otra. Llegados a la matriz ampliada escalonada al nal del proceso, pueden darse los casos siguientes: 1. a 22 = 0. Entonces hay dos posibilidades: a) on del tipo 0=k), sin soluci on. b 3 = 0. Sistema incompatible (hay una ecuaci Geom etricamente, puede ocurrir que: a) Dos rectas sean paralelas y la otra las corte. b) Las rectas se corten dos a dos (formen un tri angulo).

b ) b on 0=0 que no inuye en la resoluci on del sistema, que redu3 = 0. Aparece una ecuaci cido a las dos ecuaciones iniciales tiene soluci on u nica, es decir, el Sistema es Compatible Determinado. Geom etricamente: a) Dos rectas son coincidentes y la otra las corta. b) Las tres rectas se cortan en un mismo punto.

2. a 22 = 0. Entonces hay tres posibilidades: a)


on del sisteSi b 2 = b3 = 0, aparecen dos ecuaciones 0=0, que no inuyen en la resoluci ma, que ahora tiene innitas soluciones (1 ecuaci on y dos inc ognitas). Sistema compatible indeterminado.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES Geom etricamente, las tres rectas coinciden (son la misma):

115

b ) Si b on 0=0 (que no inuye) y otra 2 = 0, b3 = 0 o bien b2 = 0, b3 = 0, aparece una ecuaci 0=k (que es imposible). El sistema es incompatible. Geom etricamente: a) Dos rectas son paralelas y la otra las corta. b) Dos rectas coinciden y la otra es paralela.

c ) Si b 2 = 0, b3 = 0, hay dos ecuaciones 0=k que son imposibles, el sistema es incompatible. Geom etricamente, las tres rectas son paralelas o dos son coincidentes y una paralela.

En cada uno de los casos, para determinar la posici on concreta de las rectas, basta representarlas. Ejemplo Estudiar el sistema siguiente, dando la interpretaci on geom etrica: x + 2y = 5 3x + y = 7 2x + 3y = 12

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES A partir de la matriz ampliada 1 (A|B ) = 3 2 y aplicando el m etodo 1 2 5 F2 +3F1 0 1 7 F3 +2F1 0 3 12 de Gauss, obtenemos: 1 2 5 2 5 F3 F2 0 7 22 7 22 0 0 0 7 22

116

En este caso aparece una ecuaci on 0=0 que no inuye y el elemento a 22 es no nulo. El sistema es compatible determinado, tiene soluci on u nica. Geom etricamente, puede ocurrir que: a) Dos rectas son coincidentes y la otra las corta. b) Las tres rectas se cortan en un mismo punto. Resolviendo y dibujando, obtenemos: x + 2y = 5 7y = 22 9 22 y sustituyendo es x = (compru ebalo). De donde y = 7 7 Dibujando las rectas:

Figura 7.5: Soluci on del sistema. Las tres rectas se cortan en un punto: P=

9 22 , 7 7

se observa que las rectas se cortan en un punto, precisamente el punto soluci on del sistema: P = 9 22 , . 7 7 Ejercicios a) Resuelve e interpreta geom etricamente los sistemas: x+y =0 x y = 2 a) x + y = 2 b) x + 2y = 1 x + 3y = 2 4x 10y = 14

2x + y = 2 c) x + y = 3 y = 2x

b) Discute y resuelve en funci on del par ametro: xy = 1 2x + y = 3 a) x + 2y = 1 b) x + 3y = 0 2x + my = 0 mx + 4y = 3

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

117

7.7.

Sistemas de 3 ecuaciones y 3 inc ognitas

Cuando los sistemas tienen m as de dos ecuaciones y tres o m as inc ognitas se utilizar a el ya conocido m etodo de Gauss. Ahora partiremos de la matriz ampliada: a11 a12 a13 b1 (A|B ) = a21 a22 a23 b2 a31 a32 a33 b3 para dejar dicha matriz escalonada, es decir, del tipo: a11 a12 a13 b1 0 a 22 a23 b2 0 0 a33 b 3 utilizando las transformaciones conocidas, y de la forma indicada en ocasiones anteriores. Los tipos de sistema que pueden obtenerse dependiendo del n umero de soluciones son los rese nados en apartados anteriores. Al aplicar el m etodo de Gauss podemos encontrarnos con distintos casos: * Si se obtiene un sistema escalonado con coecientes no nulos, el sistema es compatible determinado, tiene soluci on u nica. * Si se obtiene una o m as las en las que todos los elementos sean cero, el sistema tiene innitas soluciones, y hay que despejar una o varias inc ognitas en funci on de otras, es un sistema compatible indeterminado. * Si se obtiene una o m as las de ceros, salvo el elemento correspondiente al t ermino independiente, que es distinto de cero, digamos k, entonces como la la en cuesti on corresponder a a una ecuaci on del tipo 0 = k , lo que es imposible, el sistema no tiene soluci on y por tanto es incompatible. Veamos un ejemplo: 2x + y z = 11 Ejemplo Resolver por el m etodo de Gauss: x 3y = 20 . 4x + 2y + 5z = 8 2 1 1 11 La matriz ampliada es (A|B ) = 1 3 0 20. Aplicando el m etodo de Gauss: 4 2 5 8 2 1 1 11 2 1 1 11 2x + y z = 11 2F2 F1 1 3 0 20 7y + z = 51 0 7 1 51 = F3 2F1 0 0 7 14 7z = 14 4 2 5 8 obtenemos un sistema escalonado, que es compatible y determinado, pu es podemos despejar z, obteniendo z = 2, y luego 7y 2 = 51, de donde 7y = 49 es decir y = 7 y sustituyendo en la primera ecuaci on es 2x + 7 + 2 = 11, luego 2x = 2 , es decir x = 1. La soluci on es (1, 7, 2). Este proceso de resoluci on, que comienza calculando z y permite calcular las dem as inc ognitas sustituyendo en las ecuaciones anteriores se denomina sustituci on regresiva.

7.7.1.

Interpretaci on geom etrica de los sistemas con 3 ecuaciones y 3 inc ognitas

Como cada ecuaci on lineal con 3 inc ognitas corresponde a un plano en el espacio, la soluci on del sistema correspoder a a la posici on en que dichos planos est en en el espacio. Lo m as sencillo es saber que ocurre con los planos 2 a 2, pues en el espacio dos planos s olo pueden estar en 3 posiciones:

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

118

* Son coincidentes: Lo cu al es f acil de saber porque sus correspondientes ecuaciones tienen coecientes de las inc ognitas y los t erminos independientes proporcionales, es decir, si los planos son: Ax + By + Cz = D Ax+B y+C z =D B C D A = = = A B C D (siempre que se puedan realizar las divisiones). Por ejemplo, los planos 2x + 3y z = 5, y 10x 15y + 5z = 15 son coincidentes. * Son paralelos: Tambi en es sencillo de saber porque los coecientes de las inc ognitas son proporcionales, pero los t erminos independientes NO. Es decir, en este caso: Ax + By + Cz = D Ax+B y+C z =D entonces se verica: B C D A = = = A B C D (siempre que se puedan realizar las divisiones). Por ejemplo, los planos 2x + 3y z = 5 y 10x 15y + 5z = 7 son paralelos. * Son secantes: Simplemente los coecientes no son proporcionales, es decir: Ax + By + Cz = D Ax+B y+C z =D entonces se verica: B C D A = = = A B C D (siempre que se puedan realizar las divisiones, y basta con que un par de ellas correspondientes a las inc ognitas sean diferentes). Por ejemplo, los planos 7x + 3y z = 5 y 10x 15y + 5z = 7 son secantes. Puesto que podemos determinar la posici on de los planos 2 a 2, podemos determinar en qu e posici on se encuentran los 3 a la vez, j andonos en los casos: 1. Si el sistema es S.C.D. (Soluci on u nica), es que los tres planos se cortan en un punto, que es la soluci on del sistema. entonces se verica:

2. Si el sistema es S.C.I. (Innitas soluciones), puede ocurrir que: a) Los tres planos se corten en una recta.

b ) Dos planos son coincidentes y el otro los corta en una recta. c ) Los tres planos son coincidentes.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

119

Y determinaremos la opci on correspondiente estudi andolos de dos en dos. 3. Si el sistema es S.I. (Sin soluci on), puede ocurrir que: a) Los planos se cortan dos a dos.

b ) Dos planos son paralelos y el otro los corta. c ) Los tres planos son paralelos. d ) Dos planos son paralelos y el otro coincidente con uno de ellos.

Y determinaremos la opci on correspondiente estudi andolos de dos en dos. Ejemplo: Estudiar el sistema e interpretarlo geom etricamente: 2x + y z = 6 3x y + z = 5 4x + 2y 2z = 1 2 1 1 6 Aplicando Gauss a (A|B ) = 3 1 1 5, se obtiene: 4 2 2 1 2 1 1 6 2 1 1 6 2x + y z = 6 2F2 3F1 3 1 1 5 0 5 5 8 = 5y + 5z = 8 F3 2F1 0 0 0 11 0 = 11 4 2 2 1 Lo que indica que el sistema es incompatible y por tanto no tiene soluci on, los planos no tienen puntos comunes.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

120

Si estudiamos la posici on de los planos 2 a 2, se obtiene que el primero y el segundo tienen coecientes que no son proporcionales, luego se cortan. El primero y el tercero tienen coecientes proporcionales pero no los t erminos independientes, luego son paralelos. Y el segundo y el tercero no tienen coecientes proporcionales, por lo que se cortan. Concluimos por tanto que los planos primero y tercero son paralelos y son cortados por el segundo plano, esta es la interpretaci on geom etrica:

Ejercicios: Estudiar e interpretar geom etricamente los sistemas: 2x y + 3z = 1 x+y+z = 2 x + y z = 2 a) 4x 2y + 6z = 5 b) 2x + y + 3z = 1 c) 2x y + 3z = 5 2x + y 3z = 7 x + 2y + z = 4 3x + 2z = 7

x+y+z = 8 d) 7x + y + 6z = 7 x + 7y + z = 1

7.7.2.

Discusi on de sistemas de 3 ecuaciones y 3 inc ognitas

Si aparece alg un coeciente desconocido,aplicaremos el m etodo de Gauss e investigaremos seg un los valores del par ametro la posibilidad de que aparezca o no una la de ceros. x+y+z = m+1 Ejemplo: Discutir seg un los valores de m el sistema: mx + y + (m 1)z = m x + 7y + z = 1 Aplicando Gauss a la matriz ampliada: 1 1 1 m+1 1 1 1 m+1 F2 mF1 F3 F1 m 1 m 1 m 0 1 m 1 m2 (m=0) 1 1 7 1 1 1 m 1 1 1 1 m+1 1 1 1 m+1 F3 F1 F3 +F2 0 1 m 1 m2 0 1 m 1 m2 0 m 1 0 m 0 0 1 m m2 Debemos, llegados a este punto, jarnos en dos aspectos: a) El desarrollo anterior s olo es posible si m = 0, luego el caso m = 0 debe estudiarse por separado. b) En el sistema escalonado nal, hay problemas cuando el valor 1 m = 0, es decir, cuando m = 1. En cualquier otro caso, no hay problemas. De modo que, resumiendo, si m = 0 y m = 1, el sistema es S.C.D. Estudiemos ahora cada caso por separado: Si m = 0, al aplicar Gauss, queda: 1 1 1 1 1 1 1 1 1 1 1 1 F3 F1 F3 +F2 0 1 1 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 1 0 1 0 1 1

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES que vuelve a ser S.C.D. Si m = 1, al aplicar Gauss queda: 1 1 1 1 0 0 1 1 0 0 1 2

121

Se obtienen dos valores distintos de z, lo que es absurdo y el sistema en este caso no tiene soluci on (S.I.) Conclusi on: * Si m = 1 S.I. * Si m = 1 S.C.D. Ejercicios: 1. Discutir en funci on del par ametro desconocido los sistemas siguientes e interpretar geom etricamente el resultado: x + y + az = 1 x + y 6z = 0 a) x + ay + z = 1 b) x 2y + 6z = 0 ax + y + z = 1 3x + y + mz = 0 3x + y + 2z = 1 a x + y + az = a2 c) (1 + a)x + 2y + z = a d) x + ay + z = a ax + y + z = 1 ax y + z = 1 a x + 2y z = 8 2. Dado el sistema 2x 3y + z = 1 , se pide: 3x y + kz = 5 a) Hallar el valor de k que hace el sistema incompatible. b) Hallar el valor de k que hace el sistema compatible y adem as z= -1. c) Para el valor de k hallado en b), resolver el sistema.

7.8.
7.8.1.

Aplicaci on de las matrices y determinantes a la resoluci on de sistemas. Regla de Cramer


Aplicaci on de las matrices

Si tenemos un sistema con el mismo n umero de ecuaciones que de inc ognitas ( un sistema de ese tipo de llama cuadrado), entonces la matriz A de coecientes es cuadrada y podemos escribir el sistema matricialmente as : AX =B donde A,X y B son las matrices ya denidas de coecientes, inc ognitas y t erminos independientes respectivamente. Como el objetivo es calcular la matriz X de inc ognitas, el problema estar a resuelto si conseguimos despejar X de dicha ecuaci on. Sabemos que eso se puede hacer s olo cuando la matriz A posee inversa, y en ese caso aplicar amos que: A X = B = A1 A X = A1 B = I X = A1 B = X = A1 B es decir podr amos calcular X, y el sistema tendr a soluci on u nica. Si A no posee inversa, no podemos despejar X y el sistema no se puede resolver de esta manera.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

122

Conclusi on: En un sistema cuadrado y cuya matriz de coecientes tenga inversa, la soluci on del sistema viene dada por: X = A1 B 2x + y z = 11 Ejemplo: Resolver, aplicando la inversa, el sistema: x 3y = 20 . 4x + 2y + 5z = 8 2 1 1 La matriz de coecentes es 1 3 0 . 4 2 5 Para poder aplicar lo anterior es necesario que A tenga inversa, lo que por ejemplo comprobamos haciendo det (A). Como det(A) = 49, no nulo, A tiene inversa. Por tanto y seg un lo dicho,X = A1 B , es decir: 1 11 x 2 1 1 y = 1 3 0 20 8 z 4 2 5 Si hacemos la inversa de A (compru ebalo!), resulta: 15 A1 = y por tanto,
49 5 49 2 49

1 7 2 7

3 49 1 49 1 7

15 x 49 y = 5 49 2 z 49

1 7 2 7

3 49 1 49 1 7

11 1 20 = 2 8 7

es decir x=1, y=7 , z=-2 , soluci on que ya hab amos obtenido utilizando el m etodo de Gauss.

7.8.2.

Regla de Cramer

En el caso de sistemas que cumplan las mismas condiciones que los del anterior apartado, es decir, que sean cuadrados y tales que su matriz de coecientes tenga inversa (los sistemas que cumplen estas dos condiciones se llaman sistemas de Cramer ), se puede aplicar una regla muy sencilla para calular la soluci on y que se basa en los determinantes, conocida como regla de Cramer. Si det(A) es cero, evidentemente la regla no se puede aplicar. La regla de Cramer: Para un sistema de Cramer (cuadrado y con matriz regular) se verica que la inc onita n umero k se calcula dividiendo entre el determinante de A el determinante que resulta de sustituir la columna k (correspodiente al lugar que ocupe la inc ognita que se est a calculando) por la columna de t erminos independientes. 2x + y z = 11 x 3y = 20 . Ejemplo: Resolver el sistema 4x + 2y + 5z = 8 Como el sistema es de Cramer puesto que det(A) = 49, aplicamos la regla de Cramer: Para x sustituimos la primera columna por la de t erminos independientes pues x es la primera inc ognita: 11 1 1 20 3 0 8 2 5 49 = =1 x= 49 49

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

123

Para y sustituimos la segunda columna por la de t erminos independientes pues y es la segunda inc ognita. 2 11 1 1 20 0 4 8 5 343 = =7 y= 49 49 Para z sustituimos la tercera columna por la de t erminos independientes pues z es la tercera inc ognita). 2 1 11 1 3 20 4 2 8 98 = = 2 x= 49 49 Y obtenemos la soluci on como antes. Recordemos que esto s olo se puede aplicar para sistemas de Cramer. Ejercicio: Resolver, mediante estos dos m etodos, los sistemas: 3x 2y + z = 1 x+y+z = 6 3x + y + z = 2 a) 2x + y z = 2 b) x y + 2z = 5 c) 2x + 2y + z = 5 x 3y + z = 0 x+yz = 0 xy +z = 0

7.9.

Estudio de sistemas cualesquiera mediante el c alculo del rango. Teorema de Rouch e-Frobenius

Saber si un sistema tiene o no soluci on (si es compatible), y cu antas soluciones tiene (si es determinado o indeterminado), se reduce para cualquier tipo de sistemas a estudiar rangos. El resultado fundamental es el: Teorema de Rouch e-Frobenius: Un sistema cualquiera de matriz A y matriz ampliada (A|B ) tiene soluci on (es compatible) si y solamente si Rg (A) = Rg (A|B ). Por tanto si los dos rangos son distintos el sistema no tiene soluci on (S.I.). Adem as, si dicho rango coincide con el n umero de inc ognitas del sistema, la soluci on es u nica (S.C.D.), y si dicho rango es menor que el n umero de inc ognitas, hay innitas soluciones (S.C.I.). Es importante darse cuenta de que Rg (A) Rg (A|B ), puesto que la matriz de coecientes forma parte de la ampliada, es decir, la matriz A no puede tener rango mayor que la ampliada. A un siendo importante, el u nico problema que plantea este teorema es que NO ofrece ning un m etodo para calcular la soluci on, s olamente dice si hay soluci on o no. Ejercicio: Aplicar el teorema de Rouch e para determinar el tipo de sistema que es: x+yz+t = 4 2x y = 1 x + 3y = 3 3x + 3y z = 1 a) 2x y + 3z + 2t = 1 b) x + 3y = 2 c) 3x + 5y = 7 d) x + y 5z = 2 4x + 5y 11z 4t = 11 5x 4y = 7 2x + 4y = 5

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

124

7.10.

Sistemas homog eneos

Un sistema homog eneo es aqu el que tiene todos los t erminos independientes nulos. Cualquier sistema homogeneo es evidente que es compatible, pues dando a cada inc ognita el valor 0, se cumplen las ecuaciones. Esta soluci on (que todas las inc ognitas sean nulas) se llama soluci on trivial. El problema entonces est a en determinar si dichos sistemas son compatibles determinados o indeterminados. Aplicando el teorema de Rouch e s olo podemos tener dos casos: ognitas. En este caso el sistema es compatible determinado, y por tanto tiene a) Rg (A) = n inc soluci on u nica que es la trivial (todas las inc ognitas valen cero) ognitas. En este caso el sistema es compatible indeterminado y tiene innitas b) Rg(A) < n inc soluciones que se determinan de la manera conocida. Ejercicios: 1. Estudiar la soluci on de los sistemas homog eneos siguientes: x+yz = 0 x+y = 0 x+y+z = 0 a) b) c) 2x y + z = 0 xy = 0 2x y + z = 0 4x + y z = 0 6x + 18y bz = 0 2. Discutir el sistema homog eneo: 7x 2y 4z = 0 . 4x + 10y 6z = 0

Cap tulo 8

LINEAL PROGRAMACION
8.1. Introducci on

La programaci on lineal es una t ecnica matem atica relativamente reciente (siglo XX), que consiste en una serie de m etodos y procedimientos que permiten resolver problemas de optimizaci on en el ambito, sobre todo, de las Ciencias Sociales. Nos centraremos en este tema en aquellos problemas simples de programaci on lineal, los que tienen s olamente 2 variables, problemas bidimensionales. Para sistemas de m as variables, el procedimiento no es tan sencillo y se resuelven por el llamado m etodo Simplex (ideado por G.B.Danzig, matem atico estadounidense en 1951). Recientemente (1984) el matem atico indio establecido en Estados Unidos, Narenda Karmarkar, ha encontrado un algoritmo, llamado algoritmo de Karmarkar, que es m as r apido que el m etodo simplex en ciertos casos. Los problemas de este tipo, en el que intervienen gran n umero de variables, se implementan en ordenadores.

8.2.

Inecuaciones lineales con 2 variables


ax + by c

Una inecuaci on lineal con 2 variables es una expresi on de la forma:

(donde el s mbolo puede ser tambi en , < o bien >), donde a, b y c son n umeros reales y x e y las inc ognitas. Para resolver estas inecuaciones, se recordar a de otros cursos, hay que representar gr acamente en el plano la recta dada por la correspondiente ecuaci on lineal y marcar una de las dos regiones en que dicha recta divide al plano. Ejemplo: Si queremos resolver la inecuaci on: 2x + 3y 3, representamos en primer lugar la recta 2x + 3y = 3:

127

LINEAL CAP ITULO 8. PROGRAMACION

128

La recta divide al plano en dos regiones, una de las cuales es la soluci on de la inecuaci on. Para saber qu e parte es, hay dos procedimientos: 1. Se despeja la y de la inecuaci on, poniendo cuidado en que si en una inecuaci on multiplicamos o dividimos por un n umero negativo, la desigualdad cambia de sentido. En este caso tend amos que: y 3 2x 3

Observando el dibujo vemos que la recta divide al eje de ordenadas (y) en dos partes. La soluci on de la inecuaci on ser a aquella parte en la que la y sea mayor que la recta, es decir, la parte superior.

Figura 8.1: Soluci on de la inecuaci on lineal

2. Se toma un punto cualquiera que no pertenezca a la recta, por ejemplo el (1,2). Para que dicho punto sea soluci on, se tendr a que cumplir la desigualdad, por lo que sustituimos en la inecuaci on inicial el (1,2): 2 1 + 3 2 3, es decir, 8 3. Como esta u ltima desigualdad es evidentemente cierta, concluimos que el (1,2) es soluci on y por tanto el semiplano que contiene al (1,2) es la soluci on, es decir el semiplano superior, como hab amos obtenido antes. Cualquiera de los procedimientos es v alido si se realiza con correcci on.

8.3.

Sistemas de inecuaciones lineales con dos variables

Un sistema de inecuaciones lineales, por tanto, es un conjunto de inecuaciones del tipo anterior, y resolverlo consistir a en resolver gr acamente cada inecuaci on (como en el caso anterior), representar la soluci on en un mismo gr aco y la soluci on total ser a la parte com un a todas las soluciones.

LINEAL CAP ITULO 8. PROGRAMACION Ejemplo: Resolver el sistema de inecuaciones siguiente: 2x + 3y 3 2x y 9 0 2x 5y 5 0 Si representamos las rectas: 2x + 3y = 3 (recta r) 2x y 9 = 0 (recta s) 2x 5y 5 = 0 (recta t)

129

Figura 8.2: Soluci on del sistema de inecuaciones lineales El tri angulo rayado es la soluci on del sistema. Adem as, para los problemas de programaci on lineal es necesario el c alculo de los v ertices de la regi on soluci on. Es sencillo su c alculo, pues se reduce a resolver sistemas de ecuaciones lineales son dos inc ognitas, que provienen de igualar las ecuaciones de las rectas correspondientes. Por ejemplo, en este caso, si queremos el punto intersecci on de las rectas r y t tendremos que resolver el sistema formado por: 2x + 3y = 3 = 2x y 9 = 0 2x 3y = 3 2x y 9 = 0

Sumando 4y = 12 = y = 3. Y sustituyendo que da 2x + 3(3) = 3, es decir 2x 9 = 3, y entonces x = 3. Luego r y t se cortan en el punto (3,-3). Ejercicios: 1. Calcular los otros dos v ertices. 2. Resolver los sistemas de inecuaciones lineales siguientes encontrando los v ertices de las regiones que sean soluci on: x + 2y 12 3x + 6y 420 3x + 5y 150 2x + y 4 a) b) c) 4x + 2y 290 3x + 3y 120 x 2y 6 xy 0

LINEAL CAP ITULO 8. PROGRAMACION

130

Nota: Rectas horizontales y verticales. En ocasiones, en estos sistemas, aparecen inecuaciones del tipo x k o bien y k, donde falta alguna de las dos inc ognitas. Estas inecuaciones en realidad corresponden a rectas horizontales y verticales, y su representaci on es bien sencilla. Por ejemplo, la inecuaci on x 2 no es m as que el conjunto de puntos a la izquierda de la recta vertical que pasa por el punto x = 2, gr acamente:

Lo mismo ocurre con y 1, que ser a en este caso la parte inferior a la recta horizontal y = 1, es decir:

En el caso particular de que sea x 0 o y 0, las rectas coincidir an con los ejes de coordenadas. Ejercicios: Resolver los sistemas de inecuaciones lineales siguientes, encontrando los v ertices de las regiones que sean soluci on: x + 3y 50 2x + y 10 5x + 15y 150 9x 8y 0 x + 3y 12 6x + 8y 120 b) 3x + 4y 60 c) a) 0x8 x 0 x0 0y2 y0 y0 Nota: Las dobles desigualdades como 0 x 8 se pueden desdobler en otras dos, x 0 y x 8.

LINEAL CAP ITULO 8. PROGRAMACION

131

8.4.

Problemas de optimizaci on de una funci on sujeta a restricciones

En un problema de programaci on lineal de dos variables x e y, se trata de optimizar (hacer m axima o m nima, seg un los casos) una funci on (llamada funci on objetivo) de la forma: F (x, y ) = A x + B y sujeta a una serie de restricciones dadas mediante un sistema de inecuaciones lineales del tipo: a1 x + b1 y c1 a2 x + b2 y c2 . . . am x + bm y cm Los puntos del plano que cumplen el sistema de desigualdades forman un recinto convexo acotado (poligonal) o no acotado, llamado regi on factible del problema. Todos los puntos de dicha regi on cumplen el sistema de desigualdades. Se trata de buscar, entre todos esos puntos, aquel o aquellos que hagan el valor de F(x,y) m aximo o m nimo, seg un sea el problema. Los puntos de la regi on factible se denominan soluciones factibles. De todas esas soluciones factibles, aquellas que hacen optima (m axima o m nima) la funci on objetivo se llaman soluciones o ptimas. En general,un problema de programaci on lineal puede tener una, innitas o ninguna soluci on. Lo que si se verica es la siguiente propiedad: Propiedad: Si hay una u nica soluci on o ptima, esta se encuentra en un v ertice de la regi on factible, y si hay innitas soluciones o ptimas, se encontrar an en un lado de la regi on factible. Es posible que no haya soluci on o ptima, pues cuando el recinto es no acotado, la funci on objetivo puede crecer o decrecer indenidamente. Para resolver el problema, podemos abordarlo de dos formas, pero antes a aplicar cualquiera de ellas siempre hay que dibujar la regi on factible, resolviendo el sistema de inecuaciones lineales correspondiente, como se ha visto en los ep grafes anteriores (la regi on factible puede estar acotada o no), y se calculan los v ertices de dicha regi on.

8.4.1.

Forma geom etrica

En este caso se representa el vector director de la recta que viene dada por la ecuaci on de la funci on objetivo,F (x, y ) = A x + B y , que hay que maximizar o minimizar. El vector director de la recta A x + B y viene dado por v = (B, A). Adem as, como lo u nico que nos importa es la direcci on del vector y no su m odulo (longitud), podemos dividir a las coordenadas del vector si los n umeros son muy grandes, puesto que vectores con coordenadas proporcionales tienen la misma direcci on. Posteriormente, se trazan rectas paralelas a este vector que pasen por los v ertices de la regi on factible (si es acotada) , o por todo el borde de la regi on factible (cu ando no es acotada) y se observa en qu e v ertice la funci on F se hace m axima (o m nima) sin m as que tener en cuenta cu al de las rectas tiene mayor (o menor) ordenada en el origen, es decir, qu e recta corta en un punto mayor o menor al eje y. Ejemplo: Maximizar la funci on F (x, y ) = 2000x + 5000y sujeta a las restricciones: 2x + 3y 3 2x y 9 0 2x 5y 5 0

LINEAL CAP ITULO 8. PROGRAMACION La regi on factible en este caso es:

132

Los v ertices eran los puntos (0,-1), (5,1) y (3,-3). Como la funci on es F (x, y ) = 2000x + 5000y , el vector director es v = (5000, 2000), que tiene la misma direcci on que el v = (5, 2) y represent andolo queda:

Figura 8.3: Regi on factible y vector de la funci on objetivo

LINEAL CAP ITULO 8. PROGRAMACION Se trata ahora de trazar paralelas al vector que pasen por los v ertices anteriores, es decir:

133

Figura 8.4: Soluci on gr aca. Paralelas al vector por los v ertices. Se observa gr acamente que de las tres paralelas trazadas, la que corta al eje y en un punto mayor es la que pasa por el punto (5,1), que por tanto ser a la soluci on o ptima al problema de m aximos planteado. Para saber cu al es este valor ,m aximo sustituimos en la funci on: F (5, 1) = 2000 5 + 5000 1 = 10000 + 5000 = 15000 Luego la funci on tiene su soluci on o ptima en (5,1) donde toma el valor 15000.

8.4.2.

Forma algebraica

Consiste, simplemente, en susituir cada uno de los v ertices de la regi on en la funci on objetivo. La soluci on o ptima vendr a dada por aquel que tome el mayor (o menor) valor. Ejemplo: Maximizar la funci on F (x, y ) = 2000x + 5000y sujeta a las restricciones: 2x + 3y 3 2x y 9 0 2x 5y 5 0 Con la misma regi on factible que en el caso anterior. Los v ertices eran los puntos (0,-1), (5,1) y (3,-3). De esta forma sustituyendo: F (5, 1) = 2000 5 + 5000 1 = 10000 + 5000 = 15000 F (0, 1) = 2000 0 + 5000 (1) = 0 5000 = 5000 F (3, 3) = 2000 3 + 5000 (3) = 6000 15000 = 9000 Vemos que el valor m aximo se alcanza para el v ertice (5,1) y que dicho valor es 15. La misma soluci on que se obten a antes. Ejercicio: Resolver los problemas de programaci on lineal:

LINEAL CAP ITULO 8. PROGRAMACION 2x + y 10 x + 3y 12 Maximizar F (x, y ) = 4x + 5y sujeto a: . 0x8 0y2 3x + 2y 12 4x + 5y 29 . Minimizar F (x, y ) = 12x + 10y sujeto a: x0 y0 4x + 2y 6 7x + 8y 28 Maximizar F (x, y ) = 120x + 80y sujeto a: . x0 y0 4x + 5y 20 Minimizar F (x, y ) = 12x + 8y sujeto a: 7x + 2y 14 . xy

134

1.

2.

3.

4.

8.5.

Algunos ejemplos de casos extremos

Puede ocurrir que la soluci on o ptima no sea u nica, e incluso que no exista, como en los ejemplos siguientes: Ejemplo 1: x + y 14 2x + 3y 36 Maximizar g (x, y ) = 3x + 4y sujeta a las rectricciones: . 4x + y 16 x 3y 0 Si representamos la regi on factible:

Los v ertices ser an: A=

2 40 , , B = (6, 8), C = (12, 4) 3 3

Observemos que la regi on factible es NO acotada superiormente.

LINEAL CAP ITULO 8. PROGRAMACION

135

Si aplicamos el m etodo geom etrico, deber a trazar paralelas al vector director por los v ertices, pero como la regi on en no acotada, dichas rectas son cada vez mayores al trazarlas sobre los puntos de la recta t, que son soluciones factibles. Por tanto el problema no tiene soluci on.

Figura 8.5: Las paralelas cortan cada vez en un punto mayor.

En general, un problema de m aximos no tiene soluci on si la regi on factible no est a acotada superiormente, y un problema de m nimos no tiene soluci on si la regi on no est a acotada inferiormente. Tambi en puede tener el problema innitas soluciones: Ejemplo 2: x+y 5 y x+3 Minimizar g (x, y ) = 3x + 3y sujeta a las restricciones 3y x 1 . y + 2x 16 4y x 22 La regi on es, en este caso:

LINEAL CAP ITULO 8. PROGRAMACION Los v ertices respectivos son: A=(1,4), B=(2,5), C=(6,4), D=(7,2) y E=(4,1). Si utilizamos el m etodo gr aco, obtenemos:

136

Es decir, como buscamos el valor m nimo, todos los puntos comprendidos entre A y E sirven, es decir, hay innitas soluciones. Si utilizamos el m etodo algebraico: g (x, y ) = 3x + 3y , luego: A : g (1, 4) = 3 + 12 = 15 B : g (2, 5) = 6 + 15 = 21 C : g (6, 4) = 18 + 12 = 30 D : g (7, 2) = 21 + 6 = 27 E : g (4, 1) = 12 + 3 = 15 Observamos que el valor m nimo se toma en A y en E, y por tanto en todos los puntos comprendidos entre ellos, es decir, hay innitas soluciones.

8.6.

Aplicaci on a problemas concretos

El verdadero valor de las t ecnicas de la programaci on lineal consiste en poder aplicarlas a problemas reales. Para resolver estos problemas se deben seguir los siguientes pasos, a la vez que vemos como se aplicar a a un ejemplo concreto. Ejemplo: Una f abrica de muebles fabrica dos tipos de sillones, S1 y S2. La f abrica cuenta con dos secciones; carpinter a y tapicer a. Hacer un sill on de tipo S1 requiere 1 hora de carpinter a y 2 de tapicer a, mientras que uno de tipo S2 requiere 3 horas de carpinter a y 1 de tapicer a. El personal de tapicer a trabaja un total de 80 horas, y el de carpinter a 90. Las ganancias por las ventas de S1 y S2 (unidad) son, respectivamente 60 y 30 euros. Calcular cu antos sillones de cada tipo hay que hacer para maximizar las ganancias.

LINEAL CAP ITULO 8. PROGRAMACION

137

Este es un problema t pico en el que hay que usar las t ecnicas de programaci on lineal. Intentaremos seguir el siguiente esquema: 1. Leer el enunciado , determinar la funci on objetivo y denir las variables. En este caso, queremos hacer m aximo el benecio, es decir, queremos maximizar una funci on. Como queremos determinar las cantidades de sillones S1 y S2 respectivamente, llamemos x=n de unidades de S1 e y =n de unidades de S2. La funci on benecio a maximizar ser a: B (x, y ) = 60 x + 30 y , que es la funci on objetivo. 2. Reordenar los datos del problema y escribir las inecuaciones correspondientes. En este paso es conveniente el uso de tablas: Tiempo(horas) S1 S2 Disponible Tiempo(horas) S1 S2 Necesario Disponible De aqu se deduce que: x + 3y 90 2x + y 80 y adem as x0 y0 pues el n de unidades producidas no puede ser negativo. Ya tenemos por tanto las restricciones. 3. Representar gr acamente la regi on factible, calcular sus v ertices y el vector si usamos el m etodo geom etrico. En este caso, representando la regi on factible: Carpinter a 1 3 90 Tapicer a 2 1 80 Tapicer a 2x y 2x + y 80

Cantidad x y

Carpinter a x 3y x + 3y 90

LINEAL CAP ITULO 8. PROGRAMACION Siendo los v ertices A=(0,0), B=(0,30), C=(30,20), D=(40,0). El vector ser a (30, 60), equivalente a (10, 20).

138

Gr acamente se observa que la soluci on no es u nica, sino que se encuentran innitas soluciones en el lado correspondiente CD, sobre la recta 2x + y = 80, desde que x vale 30 hasta que vale 40, todas las soluciones son v alidas.

4. Sustituir las coordenadas en la funci on objetivo y dar la soluci on correcta. En este caso se obtiene: B (0, 0) = 0 B (0, 30) = 900 B (30, 20) = 2400 B (40, 0) = 2400 con lo cu al hay innitas soluciones y el benecio que se obtiene es 2400 euros. 5. Analizar la soluci on obtenida en el contexto del problema: tiene sentido?. Debemos interpretar que en el contexto del problema no todas las soluciones son v alidas, sino que s olo sirven soluciones enteras, es decir, no se pueden fabricar, por ejemplo 38 sillones del tipo S1. Las soluciones con sentido vendr an dadas por: S1 S2 30 20 31 18 32 16 33 14 34 12 35 10 36 8 37 6 38 4 39 2 40 0

Encontramos por tanto s olo 11 soluciones que son las de la tabla En cualquiera de estas soluciones el benecio es de 2400 euros, que es el m aximo bajo las condiciones del problema.

LINEAL CAP ITULO 8. PROGRAMACION

139

8.7.

El problema del transporte

Es uno de los problemas que dieron lugar a la programaci on lineal. Un ejemplo t pico ser a el siguiente: Ejemplo: Una empresa tiene 2 plantas de producci on (P1 y P2) de cierto art culo que vende en 3 ciudades (C1,C2 y C3). En P1 produce 5000 unidades, y en P2 7000 unidades. De estas 12000 unidades las vende as : 3500 es C1, 4000 en C2 y 4500 en C3. Los costes de transporte, en euros por unidad de producto, desde las plantas de producci on a las ciudades son: Env os Desde P1 Desde P2 Hasta C1 3 225 Hasta C2 25 375 Hasta C3 35 4

Determina el n de art culos que debe enviar la empresa desde cada planta a cada ciudad para que los costes de transporte sean m nimos. Para problemas de este tipo necesitamos una nueva variable. Sea x=unidades de P1 a C1, y =unidades de P1 a C2 y z =unidades de P1 a C3. Tiene que vericarse entonces que x + y + z = 5000. Si desde P1 a C1 se env an x unidades, como en C1 necesitan 3500, desde P2 se mandar an a C1 3500 x. Razonando del mismo modo con y y z , se obtiene la tabla: Env os Desde P1 Desde P2 Hasta C1 x 3500 x Hasta C2 y 4000 y Hasta C3 z = 5000 x y 4500 z = 4500 (5000 x y )

Hemos sustituido z por 5000 y x, porque x + y + z = 5000 y as transformamos las 3 inc ognitas en s olo 2. Para obtener las restricciones imponemos que cada cantidad ha de ser mayor o igual que cero, es decir: x0 3500 x 0 y0 4000 y 0 5000 x y 0 500 + x + y 0 Por tanto el sistema de inecuaciones es: x0 x 3500 y0 y 4000 x + y 5000 x + y 500 Como se trata de minimizar costes, la funci on objetivo es: C (x, y ) = 3 x + 2 5 y + 3 5 (5000 x y ) + 2 25 (3500 x) + 3 75 (4000 y ) + 4 (500 + x + y ) C (x, y ) = 1 25 x 0 75 y + 22625

LINEAL CAP ITULO 8. PROGRAMACION Dibujando la regi on factible:

140

Resulta que A=(0,500), B=(0,4000), C=(1000,4000), D=(3500,1500), E= (3500,0) y F=(500,0). Sustituyendo es: C (0, 500) = 22250 C (0, 4000) = 19625 C (1000, 4000) = 20875 C (3500, 1500) = 25875 C (3500, 0) = 27000 C (500, 0) = 23250 El m nimo se da en B, cuando x = 0 e y = 4000. Es decir, las unidades a distribuir son: Env os Desde P1 Desde P2 Hasta C1 0 3500 Hasta C2 4000 0 Hasta C3 1000 3500

Ejercicio: Dos f abricas de cemento, F1 y F2, producen respectivamente 3000 y 4000 sacos de cemento al d a. Hay que enviar ese cemento a tres centros de ventas C1, C2 y C3 en cantidades de 3000, 2500 y 1500 sacos respectivamente. Los costes de transporte de cada f abrica a los puntos de venta vienen dados, en euros por cada saco, por: Env os Desde F1 Desde F2 Hasta C1 2 15 Hasta C2 25 3 Hasta C3 2 1

Determina c omo hay que distribuir la producci on para que el transporte resulte lo m as econ omico posible.

Cap tulo 9

L IMITES Y CONTINUIDAD DE FUNCIONES


9.1. Introducci on

El concepto de l mite en Matem aticas tiene el sentido de lugar hacia el que se dirige una funci on en un determinado punto o en el innito. Veamos un ejemplo: Consideremos la funci on dada por la gr aca de la gura y j emonos en el punto x = 2 situado en el eje de abscisas:

Qu e ocurre cuando nos acercamos al punto 2 movi endonos sobre el eje x? Tomemos algunos valores como 21, 201, 2001. Vemos en la gura que en este caso las im agenes de dichos puntos sobre la curva, f(21), f(201), f(2001) se acercan a su vez a un valor situado en el eje y, el valor y = 3. Si nos acercamos a 2 por la otra parte, es decir, con valores como 19, 199, 1999 en este caso las im agenes f(19), f(199), f(1999) se acercan tambi en al mismo valor, y = 3. Concluimos que el l mite de la funci on f(x) cuando nos acercamos a x = 2 es 3, lo cu al expresamos como: l m f (x) = 3
x2

Intuitivamente, por tanto, podemos decir que el l mite de una funci on en un punto es el valor en el eje Oy al que se acerca la funci on, f (x), cuando la x se acerca, en el eje Ox a dicho punto. 145

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES Sin embargo la expresi on matem atica rigurosa de l mite es algo m as compleja:

146

Denici on: Dada una funci on f (x) y un punto x = a, se dice que el l mite de f (x) cuando x se acerca a a es L, y se expresa como: l m f (x) = L
xa

cuando: Dado > 0, existe > 0 tal que siempre que |x a| < , entonces |f (x) L| <

Lo que viene a expresar esta formulaci on matem atica es que si x est a sucientemente cerca de a, entonces su imagen f(x) tambi en est a muy pr oxima a L.

En la pr actica en muchas ocasiones es necesario calcular los llamados l mites laterales, que como recordaremos se denen de la siguiente forma: Denici on: Se dene el l mite lateral por la derecha de a de la funci on f (x), y se expresa como:
xa+

l m f (x)

al l mite al que se acerca f (x) cuando x se acerca a a y toma valores mayores que a. De igual modo, el l mite lateral por la izquierda de a de la funci on f (x) se expresa como:
xa

l m f (x)

y se dene como el l mite al que se acerca f (x) cuando x se acerca a a y toma valores menores que a. Propiedad: Para que una funci on f (x) tenga l mite en x = a es necesario y suciente que existan ambos l mites laterales y coincidan, es decir:
xa

m f (x) = l m f (x) l m f (x) = l


xa+ xa

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

147

9.2.

Tipos de l mites

Recordaremos algunos tipos de l mites que son conocidos: 1. L mites innitos en un punto nito: En la situaci on del dibujo, se dice que el l mite cuando x se acerca por la derecha de a es +, pu es a medida que la x se acerca a a, la funci on se hace cada vez mayor: l m f (x) = +
xa+

(de igual forma se puede denir cuando nos acercamos por la izquierda. Intenta hacer el dibujo). De igual modo se dene el l mite cuando nos acercamos a a (por la derecha o por la izquierda).(Dibuja el que falta)

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

148

Puede ocurrir que uno de los l mites laterales sea nito y otro innito, o cualquier combinaci on entre ellos, por ejemplo:

En la gura anterior se cumple que:


x2+

l m f (x) = + l m f (x) = 2

y
x2

2. L mites nitos en el innito: Se dice que una funci on tiene l mite b cuando x tiende a + cuando la funci on se acerca a b cuando la x se hace cada vez mayor, es decir:
x

l m f (x) = b

Gr acamente:

En este caso el l mite es 2 cuando x tiende a +. De igual modo se dene el l mite nito cuando x tiende a .

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

149

3. L mites innitos en el innito: Aparece este caso cuando si x tiende a + la funci on se hace cada vez mayor o menor (lo mismo si x tiende a ). Un ejemplo gr aco de este tipo de l mites ser a:

En este caso:
x

l m f (x) =

(Intenta dibujar otros casos diferentes).

9.3.

C alculo de l mites

Recordaremos, dada su importancia, algunas de las reglas para el c alculo de l mites cuando se presentan diferentes indeterminaciones:

9.3.1.

L mites en el innito

1. L mites de polinomios: El l mite de cualquier polinomio cuando x tiende a siempre es + o , dependiendo del coeciente del t ermino de mayor grado del polinomio:
x x

l m (2x5 3x2 + 5) = +

l m (3x7 5x2 + 4x 8) =

pues en el primer caso el coeciente de x5 es positivo, y en el segundo caso el coeciente de x7 es negativo. : Si tenemos un cociente de polinomios nos encontraremos con una indeter2. Indeterminaci on minaci on de este tipo. Para resolverla basta recordar la siguiente regla: Si tenemos: p(x) 0 = l m x q (x) a b si grado(p(x)) > grado(q(x)), donde el signo depende de los coecientes. si grado(p(x)) < grado(q(x)) si grado(p(x)) = grado(q(x)), siendo a y b los coecientes de los t erminos de mayor grado de cada polinomio. x3 5x2 + 6 = x x2 + 4 l m =

Ejemplos: a)

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

150

porque el grado del numerador es mayor, pero los respectivos coecientes de mayor grado tienen signo diferente. b) x2 5 = =0 4 2 x 3x + 4 porque el grado del denominador es mayor.
x x6

l m

c) 7x3 + 2x 6 = x 3x3 + 6 l m porque los grados son iguales. Nota: La resoluci on de l mites cuando x tiende a se reduce a estos casos, puesto que:
x

7 3

m f (x) l m f (x) = l
x

es decir: x3 5x2 + 4 (x)3 5(x)2 + 4 x3 5x2 + 4 = l m = l m = = 2 x x2 + 5x x (x)2 + 5(x) x x 5x l m La misma regla anterior sirve en el caso de que aparezcan ra ces, siempre que tengan sentido los l mites: d)
x

l m

3+

x3 5x = =0 2 x +4

3 puesto que el grado del denominador es 2 y en el numerador la mayor potencia de x es , que 2 es menor que 2. e) l m x + 1 + x3 = x 1 + x + 3x3 puesto que aunque los grados de numerador y denominador son iguales, cuando x tiende a + (es positivo y muy grande) resulta que x + 1 es negativo y como es bien conocido, la ra z cuadrada de un n umero negativo no existe en el cuerpo de los n umeros reales, por tanto el l mite anterior no tiene sentido. f)
x

l m

(x) + 1 + (x)3 1 x + 1 + x3 x + 1 x3 = = l m = l m = x 1 + (x) + 3(x)3 x 1 x 3x3 1 + x + 3x3 3

pues en este caso la ra z si tiene sentido y los grados son iguales, quedando el l mite el cociente de los coecientes de los monomios de mayor grado. 3. Indeterminaci on : Cuando aparece esta indeterminaci on, si tenemos una resta de fracciones, simplemente se hace la resta para obtener un cociente de polinomios que ya sabemos resolver: x2 x + 1 x + 3 + x2 (x2 x + 1)(x 1) (x + 3 + x2 )(x + 1) = ( ) = l m x x x+1 x1 (x + 1)(x 1) (x 1)(x + 1) 3 2 3 2 2 4x 2x 4 x 2x + 2x 1 x + 2x + 4x + 3 = l m = = 4 = l m 2 2 2 x x x 1 x 1 x 1 l m =

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

151

En caso de que aparezca una ra z, el proceso es multiplicar y dividir por el conjugado de la expresi on radical: (2x 1) x + 1 (2x 1) + x + 1 = m l m (2x 1) x + 1 = ( ) = l x x (2x 1) + x + 1 (2x 1)2 ( x + 1)2 4x2 4x + 1 x 1 = l m = l m = x (2x 1) + x + 1 x (2x 1) + x + 1 4x2 5x = = + = l m x (2x 1) + x + 1

9.3.2.

L mites en puntos nitos

Si queremos calcular el l mite de una funci on f (x) cuando x se acerca a cierto valor a, simplemente hemos de sustituir el valor de a en f (x): 2 9 3 (3) + 1 2x2 3x + 1 = = 28 x3 x+2 3 + 2 l m El problema que nos podemos encontrar en este caso es que el denominador se haga 0 al sustituir x por el valor que corresponda. Nos podemos encontrar, por tanto, varios tipos de indeterminaci on. k umero cualquiera 1. Indeterminaci on , (k = 0): Se presenta cuando en el numerador aparece un n 0 no nulo y el denominador es 0. En este caso el l mite el siempre , pero para determinar su signo, se calculan los l mites laterales: a) 1 2 1 0001 1 1 2x = = = + 1 x2 1 (1 0001)2 0 1 2 0 9999 1 1 2x = = + = 2 2 1x 1 (0 9999) 0

x1

l m

1 12 1 2x = = = 1 x2 11 0

x1+

l m

x1

l m

b) l m

7 7 = = x0 x 0 c)

x0+

l m l m

7 7 7 = = + = x 0 0001 0 7 7 7 = = = + x 0 0001 0

x0

2 2 = = 2 x1 (x + 1) 0 l m 2. Indeterminaci on

x1+

l m

2 2 2 = = + = 2 2 (x + 1) (0 9999 + 1) 0 2 2 2 = = + = 2 2 (x + 1) (1 0001 + 1) 0

x1

l m

0 : En este caso tanto numerador como denominador se hacen 0. 0 Si tanto en el numerador como en el denominador tenemos polinomios, la forma de resolver la indeterminaci on es descomponer los polinomios en factores (mediante, por ejemplo, la regla de Runi) y simplicar para posteriormente volver a sustituir. 4 10 + 6 x2 5x + 6 = = x2 x2 4 44 l m 0 0 = l m 1 (x 2)(x 3) (x 3) = l m = (x 2)(x + 2) x2 (x 2) 4

x2

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

152

En caso de que tambi en aparezcan ra ces cuadradas, el proceso es multiplicar y dividir por la expresi on radical conjugada con el n de simplicar y luego sustituir: 0 x+41 ( x + 4 1) ( x + 4 + 1) = = = l m l m 2 x3 x + 2x 3 x3 (x2 + 2x 3) ( x + 4 + 1) 0 ( x + 4)2 12 x+3 = l m = l m = x3 (x2 + 2x 3) ( x + 4 + 1) x3 (x2 + 2x 3) ( x + 4 + 1) 1 1 (x + 3) 1 = l m = = = l m x3 (x + 3) (x 1) ( x + 4 + 1) x3 (x 1) ( x + 4 + 1) (4) (1 + 1) 8

9.3.3.

L mites potenciales. Indeterminaci on 1

Cuando aparecen exponentes, hay que recordar algunas reglas b asicas. Si tenemos l m (f (x))g(x)
xa

o bien
x

l m (f (x))g(x)

se pueden presentar varios casos: 1. La base tiende a un n umero cualquiera no nulo y el exponente a otro n umero. En este caso el l mite es el n umero que resulta de realizar la operaci on correspondiente:
x1

l m (x + 1)2x3 = 21 =

1 2

2. La base tiende a un n umero positivo mayor que 1 y el exponente a +. En este caso el l mite es tambi en +. 2x + 1 2x3 = 2 = + l m x 1+x 3. La base tiene a un n umero no nulo comprendido entre -1 y 1 y el exponente a +. En este caso el l mite es 0. 1 1 + x 2x3 = =0 l m x 2x + 1 2 4. La base tiende a un n umero negativo menor o igual que -1 y el exponente a +. En este caso el l mite no existe, pues los productos son alternativamente de signo contrario: l m 3x + 1 1+x
2x3

= (3) =

5. En el caso en que la base tiende a 1 y el exponente a + tenemos una indeterminaci on que se resuelve aplicando la f ormula: l m (g (x) (f (x) 1)) l m (f (x))g(x) = (1 ) = (e)xa

xa

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES O bien realizando los pasos para resolver tales l mites que recordamos:
x0

153

l m

1+x 2x + 1

2x+3 x

1+x 1 = (1) = (1 ) = l m 1 + se suma y se resta 1 a la base x0 2x + 1


3 0

2x+3 x

=
se hace la resta

= l m

x0

1 + x 2x 1 1+ 2x + 1 1+ 1
2x+1 x
2x+3 x

2x+3 x

x = l m 1 + x0 2x + 1 =

2x+3 x

=
se baja el numerador dividiendo al denominador

x0

= l m

x0

l m 1 + l m

1
2x+1 x 2x3 2x+1

2x+1 x

x 2x+3 2 x x+1

se pone el denominador como exponente

=
se sustituye el corechete por

(e)

x0

l m

x 2x+1

2x+3 x

= (e)

x0

= e3

Ejercicio: Resolver el l mite anterior utilizando la f ormula. Nota: El caso en que el exponente tiende a se reduce a este sin m as que recordar las propiedades de las potencias: a n b n = b a

9.4.

As ntotas

Una primera aplicaci on del c alculo de l mites consiste en el c alculo de las as ntotas de una funci on. Hay tres tipos de as ntotas: Verticales, Horizontales y Oblicuas (aunque de hecho las as ntotas horizontales son un caso particular de estas).

9.4.1.

As ntotas verticales
l m f (x) =

Una as ntota vertical de una funci on f (x) es una recta vertical x = k tal que se cumple:
xk+

o bien
xk

l m f (x) =

Las posibles as ntotas verticales de una funci on se encuentran entre los puntos que no est an en el dominio de la funci on, aquellos que anulan el dominador en las funciones racionales, etc... Para determinar si un punto constituye una as ntota vertical de la funci on, se tiene que cumplir que alguno de los l mites laterales de la funci on en el punto sea . En tal caso, se dir a que la funci on posee una as ntota vertical en dicho punto por el lado en el cu al dicho l mite sea . Ejemplo: Estudiar las as ntotas verticales de las funciones: f (x) = 2x + 3 x1 1 g (x) = x

a) Para la primera funci on, la posible as ntota estar a en el punto x = 1, que es el u nico n umero real que no pertenece a su domino por anular el denominador. As pues estudiamos el: 2 1 0001 + 3 5 2x + 3 l m = = + = + + 1 0001 1 0 5 x1 x 1 2x + 3 = = l m x1 x 1 0 2 0 9999 + 3 5 2x + 3 l = = = m x1 0 9999 1 0 x1

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

154

Como ambos l mites laterales son innitos, existe una as ntota vertical de la funci on en x = 1, y es m as, conociendo el valor de los l mites podemos asegurar que en las cercan as de la as ntota la funci on se comportar a como en el dibujo:

1 b) En cuanto a esta funci on,g (x) = , notemos que el denominador se anula cuando x = 0 = x x = 0, es decir la posible as ntota vertical estar a en x = 0. Analizando obtenemos: 1 1 1 l m = = + = + + x 0 0 0001 1 x0 1 l m = = x0 x 0 1 1 l = m = x x0 0 0001 puesto que no hay ra ces cuadradas de n umeros negativos. De modo que hay una as ntota vertical en x = 0 pero s olo por la derecha, es decir, la gr aca ser a:

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

155

9.4.2.

As ntotas horizontales

Las as ntotas horizontales, si existen, indican el valor al que se acerca la funci on cuando la variable independiente x se hace muy grande o muy peque na. Dicho en forma de l mites, una funci on tiene una as ntota horizontal en y = k cuando para alguno de los dos l mites: l m f (x) = k
x

o bien
x

l m f (x) = k

Ejemplo: Calcular las as ntotas horizontales de las funciones: f (x) = x2 + 1 x+1 1 g (x) = x

a) Para f (x) calculemos los l mites anteriores: x2 + 1 = + x x + 1 l m x2 + 1 (x)2 + 1 x2 + 1 = l m = l m = x x + 1 x (x) + 1 x x + 1 l m de modo que la funci on f(x) no posee as ntotas horizontales. b) En cuanto a g (x), de igual modo:
x

1 l m = 0 x

1 l m = x

De modo que g (x) posee una as ntota horizontal en y = 0 cuando x tiende a . De forma gr aca:

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

156

9.4.3.

As ntotas Oblicuas

Una recta y = m x + n es una as ntota oblicua de la funci on f(x) cuando existen y son nitos los l mites: f (x) m = l m x x y n = l m (f (x) m x)
x

Las as ntotas horizontales son un caso particular de las oblicuas para el caso en que m = 0. Ejemplo: Estudiar las as ntotas oblicuas de f (x) = Calculemos m y n: m = l m f (x) x = l m x2 . x+1
x2 x+1

= l m

x2 =1 x x2 + x

m n = l m (f (x) m x) = l
x x

l m

x2 x2 1 x = l m x x x + 1 x x + 1 x2 x2 x x = l m = 1 x x+1 x+1

Por tanto f (x) tiene una as ntota oblicua en y = x 1 cuando x tiende a +. Se puede comprobar que cuando x tiende a , f (x) tiene esta misma as ntota. (Int entalo). Gr acamente se obtiene:

Figura 9.1: La as ntota oblicua es y = x 1

Ejercicios: 1. Calcula las as ntotas de las funciones: f (x) = x 2 x 1 g (x) =


1

x2 x+2

h(x) =

x2 4 x2 + 4

2. Estudia las as ntotas de la funci on:f (x) = e x2 .

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES 3. Calcula los l mites: x3 a) l m x x2 2 d) l m x2 + 4 x+4


x x1

157

x3 b) l m x x2 2 x2 + 5 3 e) l m x2 x+73

c) l m

3x2 5 3x2 + x

x2 1

x1

f ) l m

2x2 2 x1 x2 2x + 1

9.5.

Continuidad

La idea intuitiva de funci on continua en un punto es bien sencilla. Una funci on continua en un punto es aquella que no da saltos, aquella que se puede dibujar sin levantar el l apiz del papel. Matem aticamente la denici on de funci on continua es un poco m as compleja. Dice as : Denici on: Una funci on f (x) es continua en un punto x = a si: Dado > 0, existe > 0 tal que siempre que |x a| < , entonces |f (x) f (a)| < Dicho de otra forma, si nos acercamos al punto a, entonces las im agenes se acercan a la imagen de a, f (a). Si f (x) no es continua en x = a se dice que f (x) es discontinua en a o que tiene una discontinuidad en x = a. Propiedad: Para que una funci on sea continua en un punto a es necesario y suciente que: a) Exista el valor de la funci on en el punto, f (a). b) Existan los l mites laterales, l m f (x)
xa+

y
xa

l m f (x)

, y sean nitos e iguales entre s e iguales a f (a), es decir:


xa+

m f (x) = f (a) l m f (x) = l


xa

Esta u ltima propiedad proporciona una forma muy sencilla de saber si una funci on es continua o no en un punto. Ejemplo: Estudiar la continuidad de la funci on: f (x) = 2x + 1 si x > 2 1 si x 2 x

En primer lugar, se nalemos que la mayor a de las funciones que estudiamos son continuas en todos los puntos salvo en algunos. Cu ales son los posibles puntos de discontinuidad de una funci on?. Aquellos en los que no est a denida la funci on (anulan el denominador, etc...) y aquellos en los que cambia la denici on de la funci on. En todos los dem as puntos las funciones son siempre continuas y no hace falta analizarlos. En nuestro caso, si nos jamos en f (x) encontramos 2 posibles puntos de discontinuidad. El primero es aquel en el que cambia la denici on de la funci on, x = 2. Adem as, como hay un demominador, que se anula para x = 0, y adem as estamos en el tramo de funci on para valores menores que 2, el punto x = 0 es otro posible punto de discontinuidad.

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES Analicemos si la funci on es continua o no en esos puntos. Continuidad en x = 2: 1 f (2) = 2 pues debemos sustituir en la parte inferior de f (x), que es donde est a el igual. L mites laterales: 1 1 m = l m f (x) = l x 2 x 2 x2 Por otra parte:
x2+

158

m 2x + 1 = 5 l m f (x) = l
x2

Como los l mites laterales existen pero son diferentes, concluimos que f (x) es discontinua en x = 2. Continuidad en x = 0: f (0) = quedar a un cero en el denominador. Con esto ya sabemos que la funci on no puede ser continua en x = 0. De todos modos calculamos los l mites laterales. Observemos que cuando nos acercamos a 0, da igual por la derecha que por la izquierda, estamos siempre en la parte inferior de la funci on, luego:
x0

m l m f (x) = l

x0

1 1 = = x 0 1 1 = + = + x 0

Por otra parte:


x0+

m l m f (x) = l

x0+

Y f (x) tambi en es discontinua en x = 0. Por tanto f (x) es continua en todos los n umeros reales salvo en x = 0 y x = 2.

9.6.

Tipos de discontinuidad

Analicemos los posibles casos que se pueden dar a la hora de estudiar la continuidad de una funci on en un punto. 1. Existe f (a) y los l mites laterales, que son iguales y nitos, pero distintos del valor de f (a). Una discontinuidad de este tipo se denomina discontinuidad evitable. Gr acamente:

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

159

Observamos que los l mites por la derecha y por la izquierda valen 1, ambos, mientras que f (0) = 0. Hay una discontinuidad evitable en x = 0. 2. Existe f (a) y los l mites laterales existen y son nitos, aunque distintos. Estamos ante una discontinuidad de salto nito. Gr acamente:

1 , hay una discontinuidad En este caso el l mite por la derecha es 1, el izquierdo es 0 y f (0) = 2 evitable en x = 0. 3. Existe f (a) y alguno de los l mites laterales es innito. En este caso hay una discontinuidad de salto innito. Gr acamente:

Ahora f (0) = 1, el l mite por la izquierda vale 1 tambi en y el l mite lateral por la derecha vale +. Discontinuidad de salto innito en x = 0.

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

160

4. No existe f (a) o alguno de los l mites laterales. Se trata de una discontinuidad esencial. De forma gr aca:

Los l mites laterales, ambos, son +, pero f (0) no existe. Hay una discontinuidad esencial en x = 0.

Cap tulo 10

DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION


10.1. Introducci on

Sin duda uno de los pilares b asicos de las matem aticas lo constituye el c alculo diferencial (o c alculo de derivadas). Las aplicaciones de las derivadas son m ultiples y se dan en muchos y muy diversos campos. El c alculo diferencial tuvo su g ermen en los trabajos del ilustres matem aticos como I.Newton y G.W. Leibnitz, quienes, independientemente uno del otro, llegaron a resultados similares en el siglo XVII. En este tema se a nalizar an algunas de las principales aplicaciones de las derivadas de funciones, que posibilitan el c alculo de extremos relativos, concavidad y puntos de inexi on, facilitan el trazado de curvas y sirven de herramienta para la resoluci on de los llamados problemas de optimizaci on, en los cuales se trata de encontrar la soluci on o ptima (m axima o m nima) a cierto problema.

10.2.

Introducci on al concepto de derivada. Tasas de variaci on media e instant anea.

Sabemos que las funciones son crecientes en ocasiones, decrecientes en otras, e incluso constantes en alguna de sus partes. Ahora bien, no todas las funciones crecientes crecen de igual modo, e incluso una misma funci on creciente puede crecer de distinta forma, dependiendo de que nos encontremos en una parte u otra. x : Analicemos un ejemplo. La siguiente gura muestra la gr aca de la funci o n f ( x) = x2

Es evidente que la funci on es creciente a partir del punto de abscisa x = 2. Ahora bien, siempre crece de igual modo?. 168

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Evidentemente no. Tomemos un intervalo, por ejemplo el intervalo [3, 4]. Cu anto ha crecido la funci on en ese intervalo?. Como: f (3) = y f (4) = la funci on ha crecido en realidad: f (4) f (3) = 1 3 = 3 1 4 = 2 2

169

1 unidad. Si nos jamos en otro intervalo donde la funci on tambi en sea creciente, el [4, 6], veamos como crece la funci on. Como f (4) = 2 y 3 6 = f (6) = 4 2 el crecimiento total es de 1 3 (2) = f (6) f (4) = 2 2 tan s olo media unidad, aunque el intervalo es dos veces mayor que el primero. Podemos inferir entonces que la funci on es mucho m as creciente, o que crece m as r apidamente en el intervalo [3, 4] que en el [4, 6]. La formalizaci on de estas ideas la da la Tasa de Variaci on Media de una funci on. Denici on: Se llama Tasa de Variaci on Media en un intervalo [a, b] de una funci on f (x), y se expresa por T V M [a, b], al cociente: f (b) f (a) T V M [a, b] = ba La T V M no es m as que la diferencia entre los valores de la funci on en los extremos del intervalo dividida entre la longitud del intervalo. Por tanto, de esta primera denici on podemos deducir algunas propiedades: * Si la T V M en el intervalo es positiva, signica que la funci on crece, globalmente en el intervalo. (Enti endase globalmente en el sentido de que no es necesariamente creciente en todo el intervalo, pero en denitiva hay un crecimiento de la funci on en dicho intervalo). * Si la T V M en el intervalo es negativa, la funci on decrecer a. * La magnitud del crecimiento o el decrecimiento depender a de la magnitud de la T V M . As pues la T V M nos da una idea de c omo crece o decrece la funci on y con qu e rapidez lo hace. Sin embargo, la T V M no resuelve todos los problemas, puesto que nos podemos plantear si la funci on es creciente o no en un punto concreto, no en un intervalo. La T V M y el concepto de l mite solucionan el problema:

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

170

Si queremos saber si la funci on tiene una tendencia creciente o decreciente en un punto a, utilizaremos el concepto de T V M como antes en un intervalo [a, a + h]: T V M [a, a + h] = f (a + h) f (a) f (a + h) f (a) = a+ha h

A medida que nos acercamos al punto a, es decir, a medida que h se acerca a 0, la tasa de variaci on media en ese intervalo se acerca al dato buscado, la tasa de variaci on en ese punto concreto. M as concretamente: Denici on: Se llama Tasa de Variaci on Instant anea en un punto a de una funci on f (x) al valor, denotado por T V I (a): f (a + h) f (a) T V I (a) = l m h0 h x en el punto 2. Ejemplo: Calcular la tasa de variaci on instant anea de la funci o n f ( x) = x1 Aplicando la denici on: T V I (2) = l m = l m f (2 + h) f (2) = l m h0 h h0
2+h22h 1+h 2+h 2 2 2 1 = l m 1+h = h h0 h h h 1 = l m 1+h = l m = l m =1 h0 h h0 h(h + 1) h0 h + 1 2+h 2+h1

h0

Ejercicio: Calcula la Tasa de Variaci on Instant anea para las siguientes funciones en los puntos indicados: 2x 1 en x = 0 y x = 1. a) f (x) = x+1 b) g (x) = x3 x + 3 en x = 1 y x = 2. c) h(x) = x + 3 en x = 6 y x = 2.

10.3.

Denici on de derivada. Reglas de derivaci on. Interpretaci on geom etrica

La tasa de variaci on instant anea en un punto es precisamente la derivada de la funci on en un punto. Formalicemos: Denici on: Dada una funci on f (x) y un punto a, se llama derivada de la funci on f (x) en el punto a, y se representa por f (a) a: f (a + h) f (a) m f (a) = l h0 h es decir la derivada en un punto es la tasa de variaci on instant anea en ese punto. El problema que nos podemos encontrar es el siguiente. Si tenemos una funci on, digamos f (x) = 2x2 + 1, y calculamos su derivada en un punto x = 3, tendremos que hacer: f (3 + h) f (3) 2(3 + h)2 + 1 (2(3)2 + 1) = l m = h0 h h0 h 2(9 + h2 6h) + 1 19 2h2 12h h(2h 12) = l m = l m = l m 2h 12 = 12 = l m h0 h0 h0 h0 h h h m f (3) = l Ahora bien, si queremos calcular la derivada en el punto 2 de la misma funci on, tenemos que volver a calcular ese l mite, lo cu al es un trabajo engorroso. Conviene, por tanto calcular la funci on derivada de f (x), es decir f (x).

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

171

Esta funci on derivada permite calcular la derivada en cualquier punto sin m as que sustituir en el punto concreto. Por ello es conveniente dominar las llamadas reglas de derivaci on para las funciones m as habituales. Por otra parte, es posible calcular las derivadas sucesivas de una funci on. suLa derivada segunda ser a la derivada de la funci on derivada, y se representar a por f (x), y as cesivamente las funciones derivadas tercera (f (x)), cuarta, etc.

10.3.1.

Propiedades de las derivadas. Reglas de derivaci on

1. La derivada de una constante es nula: f (x) = k = f (x) = 0 donde k R. 2. Derivada de la suma (o diferencia de funciones): (f g ) (x) = f (x) g (x) 3. Derivada del producto de una funci on por una constante: (k f ) (x) = k f (x) donde k R. 4. Derivada del producto de funciones: (f g ) (x) = f (x) g (x) + f (x) g (x) 5. Derivada del cociente de funciones: f g (x) = f (x) g (x) f (x) g (x) (g (x))2

6. Derivada de la composici on de funciones (Regla de la cadena): (f g ) (x) = f (g (x)) g (x)

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

172

10.3.2.

Derivadas elementales
Funci on elemental 1.- f (x) = xk , k R 2.- f (x) = ex 3.- f (x) = ax , a R+ 4.- f (x) = logax, a R+ 5.- f (x) = ln x 6.- f (x) = sen x 7.- f (x) = cos x 8.- f (x) = tan x 9.- f (x) = csc x 10.- f (x) = sec x 11.- f (x) = cot x 12.- f (x) = arc sen x Derivada f (x) = k xk1 f (x) = ex f (x) = ax ln a f (x) = f (x) = 1 1 x ln a 1 x

f (x) = cos x f (x) = sen x f (x) = 1 + tan2 x = sec2 x = f (x) = cot x csc x f (x) = tan x sec x f (x) = 1 = csc2 x sen 2 x 1 1 x2 1 1 x2 1 cos2 x

f (x) = f (x) = f (x) = f (x) =

13.- f (x) = arc cos x

14.- f (x) = arctan x 15.- f (x) = x

1 1 + x2 2 1 x

16.- f (x) =

f (x) =

1 n n xn1

Con todas estas propiedades es mucho m as f acil derivar, por ejemplo, para la funci on y el punto anterior, calculamos la funci on derivada: f (x) = 2x2 + 1 = f (x) = 4x y ahora, conocida la funci on derivada podemos calcular la derivada en cualquier punto: En x = 2, f (2) = 4 2 = 8 En x = 3, f (3) = 4 (3) = 12

Es mucho m as c omodo y no tenemos que recurrir a la denici on.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

173

10.3.3.

Interpretaci on geom etrica de la derivada

La derivada tiene una interpretaci on geom etrica muy sencilla. Observemos la funci on f (x). Si calculamos las respectivas tasas de variaci on media en los intervalos que se acercan al punto a, como la tasa de variaci on media es: T V M [a, a + h] = f (a + h) f (a) h

este cociente corresponde a la pendiente (o inclinaci on) de la recta que une los puntos (a, f (a)) y (a + h, f (a + h)):

Figura 10.1: La pendiente de la recta secante es

f (a + h) f (a) . h

Por tanto cuando nos acercamos al punto a, es decir, cuando calculamos el valor de la tasa de variaci on instant anea o derivada en el punto a, dicho valor es precisamente la pendiente de la recta tangente en el punto a, es decir, aquella recta que s olo corta (en las cercan as del punto) a la funci on f (x) en el punto a.

Figura 10.2: La pendiente de la recta tangente es f (a).

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

174

Recordemos que la pendiente de una recta es, en cierta forma, la inclinaci on de la recta. Si es al angulo que forma la recta con el eje x y m es la pendiente de la recta, se cumple que: m = tan

Figura 10.3: La pendiente de la recta tangente es m = tan

As , si f (x) es la funci on y queremos calcular la tangente en el punto (a, f (a)), sabemos que la on de la recta en la forma puntopendiente de la recta tangente es m = f (a), y utilizando la ecuaci pendiente, sabemos que la ecuaci on de dicha recta tangente es: y f (a) = f (a) (x a) Ejemplo: Calcula la ecuaci on de la recta tangente a la curva f (x) = e2x+2 en el punto 1. Como a = 1, en primer lugar calculamos: f (1) = e2+2 = e0 = 1 Para calcular f (1), derivamos: f (x) = 2 e2x+2

y por tanto la derivada en el punto a = 1 ser a: f (1) = 2 e2+2 = 2 e0 = 2 Con estos datos, la ecuaci on de la recta tangente es: y f (1) = f (1) (x (1)) = y 1 = 2(x + 1) = y = 2x + 3

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Gracamente la funci on y la recta tangente son:

175

Figura 10.4: Curva f (x) = e2x+2 y tangente en x = 1, y = 2x + 3.

10.4.
10.4.1.

Aplicaciones de las derivadas a la F sica y la Econom a


Aplicaci on a la F sica

La derivada tiene una importante aplicaci on en el campo de la f sica. Si una part cula lleva un movimiento cualquiera en el que el espacio recorrido viene dado por una funci on e(t), es decir, el espacio dado en funci on del tiempo, entonces se cumple que: cula en el instante t, es decir, la a) La derivada del espacio, e (t) representa la velocidad de la part derivada del espacio es la velocidad: v (t) = e (t) on de la part cula en cualquier b) Adem as, la derivada de la velocidad, v (t) representa la aceleraci instante t, es decir, la derivada de la velocidad (o la derivada segunda del espacio) es la aceleraci on: a(t) = v (t) = e (t) Ejemplo: El espacio recorrido por un m ovil viene dado por la funci on e(t) = 3t2 t + 1. a) Calcular la tasa de variaci on en el intervalo [2, 6]. b) Hallar la velocidad en el instante t = 0. c) Hallar la velocidad y aceleraci on en el instante t = 2. a) Aplicando la f ormula: e(6) = 108 6 + 1 = 103, e(2) = 12 2 + 1 = 11 luego: T V M [2, 6] = b) La velocidad ser a: v (t) = e (t) = 6t 1 = v (0) = 1 m/s 103 11 92 e(6) e(2) = = = 23 m/s 62 4 4

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION c) En el instante 2: v (2) = 11 m/s Y la aceleraci on en ese mismo instante; a(t) = v (t) = 6 Por tanto, a(2) = 6 m/s2 la aceleraci on es constante, es un movimiento uniformemente acelerado.

176

10.4.2.

Aplicaci on a la Econom a

La aplicaci on a la Econom a se reere al concepto de marginalidad. As , el coste marginal de fabricaci on de un producto es el incremento de coste que se produce cuando se aumenta la producci on en una unidad m as. Del mismo modo se hablar a del incremento de los ingresos por la u ltima unidad vendida, ingreso marginal. En cualquier caso, siempre que se utilice el t ermino marginal , se trata de la derivada de la funci on de que se est e tratando, respecto de la variable de producci on, que se mide en unidades fabricadas. Supongamos, por ejemplo, que la funci on de costes de cierto producto viene dada por la expresi on c(x) = 30 + 50x x2 , donde c(x) se expresa en euros y x en unidades. El coste marginal para producir la unidad x + 1 ser a c (x) = 50 2x. En realidad, la derivada no proporciona exactamente el coste marginal, sino una aproximaci on que facilita el c alculo. Dicho coste marignal, rigurosamente, viene dado por c(x + 1) c(x), pero esta diferencia se puede aproximar bien por la derivada c (x). emonos en que esSi queremos calcular el coste marginal producido al producir la 3 unidad, j tar amos calculando el coste marginal de la unidad n 2, c (2) = 46, es decir, 46 euros. Si no utiliz asemos la derivada, el coste marginal ser a: c(3) = 30 + 150 9 = 171, c(2) = 30 + 100 4 = 126 = c(3) c(2) = 171 126 = 45 no es el valor que obten amos con la derivada, pero es una buena aproximaci on. Las funciones de la Econom a tienen un campo de validez que, por lo general, es restringido respecto al dominio de denici on de la funci on. En este caso, por ejemplo, la funci on es v alida desde x = 0 hasta x = 25; a partir de ah , si observamos el coste marginal, disminuyen los costes de fabricaci on, lo que es absurdo si se est a fabricando m as. Notemos, adem as que si queremos calcular el coste marginal si se quiere producir la unidad n umero n, hemos de calcular la funci on de coste marginal evaluada en la unidad anterior, que es la u ltima unidad producida, es decir, en la unidad n 1. Lo mismo se puede decir si la funci on es de ingresos o de benecios. Ejercicios: 1. El desplazamiento de un m ovil que se mueve a lo largo de una linea recta viene dado por la t2 funci on e(t) = e 1. Halla la velocidad y la aceleraci on del movimiento. En el instante inicial, cu ales son estas?. 2. Las funciones de ingresos y gastos correspondientes a cierto producto de consumo son, respectivamente: I (x) = 80x 0 1x2 , C (x) = 500 + 20x . Halla la funci on benecio y el benecio marginal. Para qu e valores de x est an denidas estas funciones?.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

177

10.5.

Derivabilidad y continuidad

Se estudi o en el tema anterior el concepto de continuidad de una funci on en un punto. Vimos, por ejemplo, que intuitivamente se puede decir que una funci on es continua cuando se puede dibujar sin levantar el l apiz del papel, o de manera m as formal, cuando en el punto coinciden los l mites laterales con el valor de la funci on en el punto, esto es:
xa+

m f (x) = f (a) l m f (x) = l


xa

La condici on para que una funci on sea derivable es m as fuerte, m as restrictiva. Para ello es necesario denir las derivadas laterales. Denici on: Dado un punto a y una funci on f (x), se dene la derivada lateral por la derecha de la funci on f (x) y se expresa por f+ (a), como: f+ (a) = l m
h0+

f (a + h) f (a) h

Dado un punto a y una funci on f (x), se dene la derivada lateral por la izquierda de la funci on f (x) y se expresa porpor f (a), como: m f (a) = l
h0

f (a + h) f (a) h

Denici on: Diremos que una funci on es derivable en un punto a cuando existen y son nitas las derivadas laterales y son iguales, es decir: f+ (a) = f (a) Ejemplo: Estudiar la continuidad y derivabilidad de la funci on: f ( x) = Calculando los l mites laterales:
x0+ x0

x si x 0 x si x > 0

m x = 0 l m f (x) = l
x0 x0

m x = 0 l m f (x) = l

Adem as f (0) = 0, por tanto la funci on es continua en el punto x = 0 que es el u nico punto conictivo. Analicemos la derivabilidad en x = 0: m f (0) = l
h0

f (0 + h) f (0) h 0 h = l m = l m = l m 1 = 1 h0 h0 h h0 h h f (0 + h) f (0) h0 h = l m = l m = l m 1 = 1 h0 h0 h h0 h h

m f+ (0) = l

h0+

Por tanto la funci on no es derivable en x = 0.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Viendo la gr aca de la funci on, se observa lo que ocurre:

178

La funci on es continua pues se puede dibujar sin levantar el l apiz del papel, pero no es derivable en el cero porque en dicho punto hay un punto anguloso, una esquina. En puntos como estos, la funci on no es derivable. Por tanto, se verica que aunque una funci on puede ser continua en un punto y sin embargo no ser derivable en ese mismo punto. Sin embargo, la posibilidad contraria no es posible. Resumiendo: Propiedad: Si una funci on es derivable en un punto, entonces es continua en dicho punto. Sin embargo, el rec proco no es cierto, si una funci on es continua en un punto, la funci on puede ser o no derivable en dicho punto. Ejercicios: 1. Estudiar la continuidad y derivabilidad de la funci on: x 2 2x 1 si f (x) = x2 3 si 2 < x 2 2x 3 si x>2 2. Calcula a y b para que sea derivable la funci on: g (x) = ax + 3 si x 1 2x2 b si x > 1

Indicaci on: Primero imp on la condici on de que sea continua

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

179

10.6.

Aplicaciones de las derivadas al c alculo del crecimiento y decrecimiento de una funci on. C alculo de extremos

Observemos la siguiente gr aca:

Figura 10.5: La pendiente de las tangentes (la derivada) es positiva si la funci on crece.

Si trazamos las correspondientes tangentes en diversos puntos, todos ellos donde la funci on es creciente, obsevamos como la recta tangente est a cada vez menos inclinada, lo que quiere decir (ya que la inclinaci on de una recta se mide a trav es de su pendientes y sabemos que esta coincide con la derivada ) que la derivada es cada vez menor. M as a un, como las rectas tangentes tienen inclinaci on positiva (son rectas crecientes), las pendientes son cada vez menores y positivas, es decir, la derivada es positiva en aquellos intervalos en los que la funci on es creciente. Si seguimos trazando tangentes, llegamos al punto 3, donde la tangente es totalmente horizontal, es decir:

Figura 10.6: La pendiente de las tangentes (la derivada) es nula si la funci on tiene un extremo (un valor m aximo o m nimo).

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

180

Dec amos que la pendiente era decreciente, hasta que llega al m aximo de la funci on, donde se ha alcanzado el valor extremo de la pendiente. La recta es horizontal, no est a inclinada y su pendiente es cero. Si seguimos trazando las tangentes, vemos ahora lo siguiente:

Figura 10.7: La pendiente de las tangentes (la derivada) es negativa si la funci on decrece.

Y ahora observamos que la pendiente de la recta (la derivada) es negativa, y cada vez menor, por tanto si la funci on de decreciente, armamos que la funci on derivada es negativa. Todo lo observado anteriormente lo podemos resumir en la siguiente propiedad. Propiedad: Dada una funci on f (x), se cumple que: on f (x) es creciente. a) Si f (x) > 0 (la derivada es positiva ) entonces la funci on f (x) es decreciente. b) Si f (x) < 0 (la derivada es negativa ) entonces la funci on puede presentar un extremo relativo (m aximo o m nimo) en c) Si f (x) = 0 entonces la funci dicho punto. La manera pr actica de proceder, por tanto, para determinar los extremos de una funci on, as como aquellos intervalos en los que la funci on crece o decrece es la siguiente: on resul* Calculamos la derivada de la funci on, f (x), y la igualamos a cero, resolvemos la ecuaci tante, cuyas soluciones son los posibles extremos de la funci on. * Realizamos una tabla en la que tenemos que poner los puntos obtenidos anteriormente y adem as los puntos conictivos de la funci on (aquellos donde la funci on no est a denida, o donde no es derivable....). Todos estos puntos se denominan puntos cr ticos. * En dicha tabla, estudiamos el signo de la derivada primera, f (x). Si dicha derivada es positiva, nos indicar a el crecimiento de la funci on, y si es negativa, ser a un signo de su decrecimiento. El paso de un intervalo creciente a otro decreciente o viceversa nos indicar a la existencia de un m aximo o un m nimo relativo de la funci on f (x). Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funci on: f (x) = x3 3x. Comenzamos calculando la derivada: f (x) = 3x2 3. Igualando a cero: 3x2 3 = 0 = x2 = 1 = x = 1

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

181

obtenemos dos puntos cr ticos, y no hay m as pues la funci on es polin omica y por tanto, su dominio son todos los n umeros reales y no presenta problemas. Hacemos una tabla como la siguiente: f (x) f (x) + 1 1 + +

Para obtener los signos de f (x) basta tomar, por ejemplo, un punto en cada intervalo y sustituir en la expresi on de la derivada. Entre y 1 tomamos el 2, con lo que: f (2) = 12 3 = 9 > 0 positiva. Entre 1 y 1, tomamos el 0, quedando: f (0) = 3 < 0 negativa. Entre 1 e se toma el 2, y se obtiene: f (2) = 12 3 = 9 > 0 positivo. Concluimos que la funci on es creciente en el intervalo (, 1) (1, ). La funci on es decreciente en (1, 1). Adem as, se observa que presenta un m aximo en el punto x = 1, y un m nimo en x = 1. C omo calcular la segunda coordenada del m aximo y el m nimo?. Basta sustituir en la funci on: El m aximo est a en el punto (1, f (1)) = (1, 2). El m nimo est a en el punto (1, f (1)) = (1, 2). As , la representaci on aproximada de la funci on ser a:

Figura 10.8: Gr aca de f (x) = x3 3x. Intervalos de crecimiento y extremos.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funci on: f (x) = Derivando: f (x) = E igualando a cero: 1 2x2 + 7x 3 = 0 = 2x2 + 7x 3 = 0 = x = 3, x = x e 2 (4x 3)ex ex (2x2 3x) ex (2x2 + 7x 3) 2x2 + 7x 3 = = (ex )2 (ex )2 ex 2 x2 3 x ex

182

on No hay m as puntos conictivos, pues aunque hay denominador, nunca se hace cero, pues ex , la funci exponencial es siempre positiva, de modo que Dom f (x) = R. As pues los u nicos puntos cr ticos son x = 3, x = 1 2. Hacemos la tabla: f (x) f (x) Con lo que f (x) es creciente en
1 2

3 + 1 2

1 , 3 , decreciente en 2 Por tanto f (x) presenta un m aximo relativo en: (3, f (3)) = 3, 9 e3

(3, ).

(3, 0 45)

y un m nimo relativo en 1 ,f 2 Gr acamente: 1 2 =

1 1 , 2 e1 2

(0 5, 0 61)

Figura 10.9: Gr aca de f (x) =

2x2 3x . Intervalos de crecimiento y extremos. ex

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

183

10.7.

Aplicaciones de las derivadas al c alculo de la concavidad y la convexidad, puntos de inexi on. Criterio para determinar m aximos y m nimos.

Igual que se aplican las derivadas para el c alculo de los m aximos y los m nimos, y el crecimiento o decrecimiento de la funci on, tambi en se pueden aplicar para calcular la concavidad y la convexidad. Fij emonos en la funci on siguiente, convexa (o, para evitar ambig uedades, c oncava hacia abajo):

Figura 10.10: La pendiente de las tangentes pasa de positiva a negativa (es decir, decrece) si la funci on es c oncava hacia abajo Al trazar las tangentes, nos jamos en que cada vez son menores. Empiezan siendo positivas y muy grandes, van decreciendo hasta que valen cero, y luego comienzan a ser negativas y cada vez menores. Es decir, que la funci on derivada es decreciente, f (x) decreciente. Si f (x) es decreciente, es que su derivada es negativa, es decir, f (x) < 0. Por tanto se deduce que si la derivada segunda de la funci on es negativa, la funci on es c oncava hacia abajo. De igual modo si nos jamos en una funci on c oncava (o c oncava hacia arriba):

Figura 10.11: La pendiente de las tangentes pasa de negativa a positiva (es decir, crece) si la funci on es c oncava hacia arriba

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

184

En este caso la derivada es creciente, y por tanto la derivada segunda ser a positiva. Es decir, si la derivada segunda es positiva, la funci on es c oncava hacia arriba. Propiedad: Dada una funci on f (x), se cumple que: on f (x) es c oncava hacia arriba. a) Si f (x) > 0, entonces la funci on f (x) es c oncava hacia abajo. b) Si f (x) < 0, entonces la funci on (un punto donde la funci on c) Si f (x) = 0, entonces el punto es un posible punto de inexi pasa de c oncava hacia arrina a c oncava hacia abajo o viceversa) de la funci on. El proceso para determinar la concavidad y puntos de inexi on es, por tanto, muy similar al del c alculo del crecimiento, u nicamente hay que hacer la derivada segunda e igualarla a cero. La tabla es similar. Ejemplo: Calcular la concavidad y convexidad de la funci on: f (x) = x3 3x Calculando la derivada segunda: f (x) = 3x2 3 = f (x) = 6x Igualando a cero, 6x = 0, de donde x = 0. Es el u nico punto conictivo, pues la funci on es polin omica. Haciendo la tabla: f (x) f (x) 0 + +

As pues la funci on es c oncava hacia arriba en (0, ) y c oncava hacia abajo en (, 0). Hay un punto de inexi on es (0, f (0)) = (0, 0). Se observa gr acamente:

Figura 10.12: Gr aca de f (x) = x3 3x. Intervalos de concavidad y puntos de inexi on.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

185

Ejercicios: Estudiar la concavidad y convexidad, el crecimiento y el decrecimiento, los extremos y puntos de inexi on de las siguientes funciones: a) f (x) = 2x3 9x2 2 b) g (x) = x c) h(x) = x4 12x2 + 8 d) t(x) = x e2x Adem as la derivada segunda permite discernir si un punto cr tico es un m aximo o un m nimo, en base al siguiente resultado: Propiedad: Si a es un punto tal que f (a) = 0 (un posible extremo relativo), entonces: nimo de la funci on. * Si f (a) > 0, entonces a es un m aximo de la funci on. * Si f (a) < 0, entonces a es un m * Si f (a) = 0 no podemos asegurar nada. (Aunque en realidad si se puede saber pero excede los contenidos del curso). Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funci on: f (x) = x3 3x Comenzamos calculando la derivada: f (x) = 3x2 3. Igualando a cero: 3x2 3 = 0 = x2 = 1 = x = 1 , obtenemos dos puntos cr ticos. Calculando la derivada segunda: f (x) = 6x Sustituyendo, f (1) = 6 > 0 en x = 1 hay un m nimo. f (1) = 6 < 0 en x = 1 hay un m aximo. Como ya hab amos obtenido anteriormente.

10.8.

Representaci on gr aca de funciones

Con todas estas aplicaciones es sencillo representar gr acamente cualquier funci on, bas andose en los siguientes puntos: 1. Dominio de denici on. 2. Puntos de corte con los ejes: Con el eje x, y = 0. Con el eje y , x = 0. 3. Simetr as. Par si f (x) = f (x). Impar si f (x) = f (x). No tiene simetr a si no se da ninguna de esas condiciones. 4. As ntotas: Verticales, Horizontales y Oblicuas.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION 5. Crecimiento y decrecimiento. Extremos relativos. 6. Concavidad y convexidad. Puntos de inexi on. Ejemplo: Representa gr acamente la funci on f (x) = 1. Dominio de denici on Igualando a cero el denominador: 3x2 + 1 = 0 = x2 = de modo que Dom f (x) = R. 2. Puntos de corte con los ejes Con el eje x, f (x) = 0: 1 3x 1 = 3x 1 = 0 = x = 2 3x + 1 3 1 = x = 3 1 = 3 3x 1 . 3x2 + 1

186

el punto es

1 ,0 . 3 Con el eje y, x = 0: f (0) =

1 301 = = 1 2 30 +1 1

el punto es (0, 1). 3. Simetr as f (x) = f no es par. f (x) = 3x 1 3x 1 3(x) 1 = = 2 = f (x) 2 2 3(x) + 1 3x + 1 3x + 1

3x 1 3x 1 3(x) 1 = = 2 = f (x) 3(x)2 + 1 3x2 + 1 3x + 1

f no es impar, luego f no tiene simetr as. 4. As ntotas Verticales: No tiene puesto que Dom f (x) = R. Horizontales: 3x 1 =0 3x2 + 1 3x 1 3(x) 1 3x 1 = l m = l m =0 l m x 3x2 + 1 x 3(x)2 + 1 x 3x2 + 1
x

l m

Hay una as ntota horizontal en y = 0. Oblicuas: No hay, pues hay horizontales. 5. Crecimiento Derivando: f (x) = Igualando a cero: 9x2 + 6x + 3 = 0 = 3x2 + 2x + 1 = 0 = x = 1 x = 1 3 3(3x2 + 1) 6x(3x 1) 9x2 + 6x + 3 = =0 (3x2 + 1)2 (3x2 + 1)2

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION No hay m as puntos cr ticos, pues Dom f (x) = R. Haciendo la tabla: f (x) f (x) Luego f (x) es creciente en 1 ,1 3
1 3

187

1 + 1 3

y decreciente en 1, 1 2

(1, ). 1 2 , 4 3 3 =

Tiene un m aximo relativo en (1, f (1)) = 1 6 , 3 4 6. Concavidad Calculando la derivada segunda, es: f (x) = = 1 3 , . 3 2

y un m aximo relativo en

54x3 54x2 54x + 6 (3x2 + 1)3

e igualando a cero no se obtienen ra ces exactas, por lo que no se puede hacer este estudio. Con los datos que tenemos, podemos hacer un esbozo de la gr aca de la funci on:

Figura 10.13: Gr aca de f (x) =

3x 1 . 3x2 + 1

10.9.

Optimizaci on de funciones

La u ltima aplicaci on de las derivada es la optimizaci on de funciones. Consiste en calcular los m aximos y los m nimos de cierta funci on que se obtiene de un problema surgido de una situaci on cotidiana. En estos problemas siempre se tiene: * Una funci on de la que hay que calcular el m aximo o el m nimo, y que habitualmente tiene dos variables, x e y . * Una relaci on entre x e y , que permite despejar una de las dos para obtener una funci on con una sola variable. Veamos c omo se aplica: Ejemplo: De entre todos los n umeros cuya suma es 36, calcula aquellos cuya suma de cuadrados es m nimo.

CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Los n umeros buscados son x e y . La funci on a minimizar es f (x, y ) = x2 + y 2 . Tenemos dos variables, luego todav a no podemos derivar. La relaci on que tenemos es que los n umeros suman 36, es decir, x + y = 36. Despejando, y = 36 x. Y por tanto, la funci on a minimizar es: f (x) = x2 + (36 x)2 que ya tiene s olo una vatiable. Para buscar sus m nimos, calculamos la derivada f (x): f (x) = 2x + 2(36 x)(1) = 2x 72 + 2x = 4x 72 Igualando a cero, 4x 72 = 0 = x = Adem as calculando la derivada segunda: f (x) = 4 con lo que sustituyendo: f (18) = 4 > 0 es positivo luego el punto x = 18 es un m nimo. La soluci on es, por tanto, un n umero x = 18 y el otro y = 36 18 = 18. Los dos n umeros son iguales a 18. Ejercicios: 72 = 18 4

188

1. Descomp on el n umero 48 en dos sumandos tales que el qu ntuplo del cuadrado del primero m as el s extuplo del cuadrado del segundo sea m nimo. 2. Halla un n umero positivo cuya suma con 4 veces su rec proco sea m nima. 3. Halla las dimensiones del rect angulo de a rea m axima inscrito en una circunferencia de 20 cm de radio. 4. La suma de tres n umeros es 60. El primero m as el doble del segundo m as el triple del tercero suman 120. Halla los n umeros que verican estas condiciones y cuyo producto es m aximo. 5. Un dep osito abierto de chapa y de base cuadrada debe tener capacidad para 13500 litros. Cu ales han de ser sus dimensiones para que se precise la menor cantidad de chapa? 6. Una ventana normanda consiste en un rect angulo coronado con un semic rculo. Encontrar las dimensiones de la ventana de a rea m axima si su per metro es 10 metros.

7. Una hoja de papel debe contener 18 cm2 de texto impreso. Los m argenes superior e inferior deben tener 2 cm cada uno y los laterales 1 cm. Calcular las dimensiones de la hoja para que el gasto de papel sea m nimo.

Cap tulo 11

INTEGRACION. CALCULO DE AREAS


11.1. Introducci on

Si el problema del c alculo de la recta tangente llev o a los matem aticos del siglo XVII al desarrollo de las t ecnicas de la derivaci on, otro problema, el del c alculo del a rea encerrada por una curva, propici o el desrrollo de las t ecnicas de integraci on. Se trataba, por ejemplo, de hallar el area encerrada bajo la curva f (x) entre los puntos a y b:

Se conoc an f ormulas para recintos de forma igual a guras geom etricas(rectangulares, triangulares, e incluso algunas de curvas espec cas), pero si la curva no ten a forma regular, no se conoc a, en general, su a rea exacta. El c alculo integral da respuesta a esta y otras cuestiones.

11.2.

Primitivas. Integral indenida

Dada un funci on f (x), sabemos calcular su derivada f (x), e incluso sus derivadas sucesivas, f (x), f (x), etc. Sin embargo ahora nos planteamos el problema rec proco: Dada una funci on f (x), se trata de encontrar otra, F (x), tal que al derivar esta u ltima funci on, obtengamos la funci on inicial, es decir: F (x) = f (x) Veamos un ejemplo: Tomemos la funci on f (x) = 2x. Se trata de encontrar una funci on F (x) tal que al derivarla nos de f (x).

193

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Si pensamos un poco, llegamos a que tal funci on puede ser: F (x) = x2 pues su derivada es precisamente f (x) = 2x. Ahora bien, no es F (x) la u nica funci on que cumple eso. Tomemos esta otra: F (x) = x2 + 43

194

Tambi en su derivada es f (x) = 2x. Esto nos hace ver que no s olo hay una funci on que cumple lo requerido, sino innitas, sin m as que a nadir cualquier n umero. Esto se expresa como: F (x) = x2 + C Una funci on F (x) como la que hemos encontrado se llama primitiva de f (x), y hemos visto que si una funci on tiene una primitiva, entonces tiene innitas. Llamaremos integral indenida de la funci on al conjunto de todas estas primitivas. Lo representaremos, en el caso anterior, como: 2x dx = x2 + C, CR

Denici on: Dada una funci on f (x), se llama primitiva de f (x) a otra funci on F (x) tal que: F (x) = f (x) Se denomina integral indenida de f (x) al conjunto de todas las primitivas (hay innitas) de f (x), y se representa por: f (x) dx = F (x) + C, CR

As , el problema de calcular una primitiva de una funci on es inverso al de calcular una derivada; como son operaciones inversas la suma y la resta, el producto y el cociente, la potenciaci on y la radicaci on.

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

195

11.3.

Primitivas inmediatas

De modo an alogo al caso de las derivadas, debemos recordar algunas primitivas de las funciones m as usuales: 1. k dx = kx + C, C R, k R 2. 3. 4. 5. 6. 7. 8. 9. 10. xn dx = xn+1 + C, n+1 C R, , n R, CR n = 1

x1 dx = ax dx =

1 dx = ln x + C, x CR CR

ax + C, ln a

ex dx = ex + C,

sen x dx = cos x + C, cos x dx = sen x + C, 1 dx = arctan x, 1 + x2

CR CR CR CR

1 dx = arc sen x + C, 1 x2

1 dx = arc cos x + C, C R 1 x2 Estas primitivas permiten calcular algunas integrales sencillas. Adem as es conveniente la utilizaci on de las dos propiedades siguientes: 1. k f (x) dx = k f (x) dx, kR

Esta propiedad indica que si hay un n umero multiplicando a toda la integral, entonces se puede sacar fuera de la integral. 2. (f (x) g (x)) dx = f (x) dx g (x) dx

Lo que indica esta propiedad es que si tenemos una suma (o resta) de dos funciones, entonces podemos separar la integral en la suma (o resta) de dos integrales. Utilizando estas propiedades de manera combinada, se calculan las primeras integrales sencillas. Veamos algunos ejemplos: Ejemplo: Calcular las integrales siguientes: a) x dx b) (15x4 + 10x3 12x2 8x + 5) dx c) 2 + ex 3 cos x x dx

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

196

Para la primera integral , expresamos la ra z en forma de potencia y utlizamos la integral inmediata 2: 1 3 3 1 2 x3 2x x x2 x 2 +1 2x 2 2 = = + C, C R = 3 = x dx = x dx = 1 3 3 3 2 +1 2 En la segunda, separamos las sucesivas sumas y restas y sacamos los n umeros fuera de las integrales, aplicando las propiedades de la integral para luego aplicar la integral inmediata 2 de nuevo: (15x4 + 10x3 12x2 8x + 5) dx = = 15 x4 dx + 10 x3 dx 12 15x4 dx + x dx + 10x3 dx 5 dx = 12x2 dx 8x dx + 5 dx =

x2 dx 8

15x5 10x4 12x3 8x2 + + 5x = 5 4 3 2 CR

= 3 x5 +

5x4 4x3 4x2 + 5x + C, 2

Por u ltimo, volvemos a separar las integrales y los n umeros y aplicamos la tabla de integrales inmediatas: 2 + ex 3 cos x x =2 1 dx + x ex dx 3 dx = 2 dx + x ex dx 3 cos x dx =

cos x dx = 2 ln x + ex 3 sen x + C, C R

Ejercicio: Calcular las siguientes integrales: a) 5 x3 4 x dx x4 e) b) sen x + 2 cos x + 3 dx 3 2 4 + 2+ 3 x x x c) (18x + 1) dx 2 3 x dx

d)

(2x 1)2 (2x + 1) dx

dx

f)

(x + 2)2 dx

g)

11.4.

Integraci on por cambio de variable

A veces las integrales no son tan simples como las inmediatas, sino que hay peque nos detalles que nos impiden aplicar la tabla de primitivas. Por ejemplo, podemos calcular sin problema la integral: sen x dx = cos x + C, CR

pues es inmediata. Sin embargo otra integral tan parecida y de aspecto simple como: sen (2x + 6) dx ya no la sabemos calcular porque no aparece en la tabla de primitivas inmediatas. El razonamiento a utilizar en este caso es el siguiente: Si en vez de tener en la integral anterior 2x + 6, tuvi esemos simplemente x, la integral ser a inmediata. Por tanto, la idea es la siguiente, vamos a cambiar la variable x por otra nueva (que usualmente denotaremos por t) y que simplica la tarea. Llamaremos t a la variable que tiene la siguiente relaci on con x, en este caso: t = 2x + 6

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

197

Ahora bien, se nos plantea otro problema. En la integral aparece el t ermino dx (l ease diferencial de x). Lo l ogico es que si la integral tiene una nueva variable t, en vez de aparecer diferencial de x, aparezca diferencial de t, para no mezclar las variables. Aunque pueda parecer una forma un poco articial, daremos aqu la forma para calcular dt. Simplemente se deriva en la expresi on del cambio de variable: Derivando t = 2x + 6, se obtiene, 1 dt = 2 dx, es decir que: dx = dt 2

Una vez calculado esto, ya podemos calcular la integral: sen (2x + 6) dx =


cambio

sen t

1 dt = 2 2

1 sen t dt = ( cos t) = 2

=
deshacer el cambio

1 cos (2x + 6) + C, C R 2

El m etodo del cambio de variable permite resolver de manera simple integrales que de otro modo no se podr an abordar. Ejemplo: e2x
3 5

x2 dx

Razonando como antes, se observa que la parte problem atica de la integral est a en el exponente de dicha integral. Hacemos entonces el cambio: t = 2 x3 5 y calculando el diferencial: dt = 6x2 dx de donde despejamos la parte que aparece en la integral: x2 dx = y por tanto la integral queda reducida a: e2x Ejemplo: (6x2 + 15x + 3)178 (12x + 15) dx El cambio necesario en este caso es: t = 6x2 + 15x + 3 con lo que queda: dt = 12x + 15 dx y por tanto la integral es: (6x2 + 15x + 3)178 (12x + 15) dx = =
cambio 3 5

dt 6

x2 dx =
cambio

et

1 dt = 6 6

et dt =

1 t e 6

=
deshacer el cambio

1 2x3 5 e + C, C R 6

t178 dt = + C, C R

t179 = 179

=
deshacer el cambio

(6x2

+ 15x + 179

3)179

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Ejercicios: Calcula mediante integraci on por cambio de variable las siguientes integrales: a) 3x2 2x dx x3 x2 + 3 d) cos Cambio:t = x3 x2 + 3 2x + 1 3 h) dx e) b) cos (x2 + 1) 2x dx (x 4) 7 dx j)
5

198

c)

5sen (3x + 1) dx 1 dx 1+x

ex+2 dx i)

f)
2

g)

1 + cos x dx x + sen x

xex dx

1 dx (x + 2)3

11.5.

Determinaci on de una primitiva particular de una funci on

Ya hemos visto que si una funci on tiene una primitiva, entonces tiene innitas, lo que representamos a nadiendo la constante C al c alculo de la integral. Ahora bien, si queremos determinar una primitiva concreta de entre todas esas innitas, necesitamos un dato m as, como por ejemplo, un punto por el que pase dicha funci on. Ejemplo: Calcular la primitiva de la funci on: f (x) = x3 2x + 5 que pasa por el punto (1, 3). Calculamos en primer lugar todas las primitivas de f (x), es decir la integral indenida: x3 2x + 5 dx = x2 x4 x4 2 + 5x = x2 + 5x + C, C R 4 2 4

De todas estas primitivas, la u nica que cumple que pasa por el (1, 3), es aquella tal que: 14 12 + 5 1 + C = 3 4 es decir 17 5 1 1 + 5 + C = 3 = + C = 3 = C = 4 4 4 y por tanto la primitiva buscada es: F (x) = 5 x4 x2 + 5x 4 4

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

199

11.6.

El problema del c alculo del area

Ya se dijo que el desarrollo del c alculo integral en buena medida se debe al problema de calcular areas de funciones como esta:

Una aproximaci on para calcular el a rea consiste en dividir el intervalo en otros m as peque nos y calcular el area de los rect angulos que se forman bien al tomar el valor de la funci on en un extremo del intervalo, bien en otro entremo, es decir:

Figura 11.1: Aproximaci on del a rea mediante rect angulos m as peque nos que la funci on En este caso, hemos dividido el intervalo mayor en 4 subintevalos m as peque nos y hemos tomado como altura de los rect angulos el valor de la funci on en el extremo superior del intervalo. As la suma de las areas de los rect angulos son m as peque nas que el a rea buscada. Area suma rect angulos< Area de la funci on Esta suma, en la que la suma de las areas de los rect angulos es menor que el area total se denomina suma inferior de la funci on en el intervalo. Pero podr amos haber tomado estos otros rect angulos:

Figura 11.2: Aproximaci on del a rea mediante rect angulos m as grandes que la funci on Ahora la suma del a rea de los rect angulos es mayor que el area total, es decir:

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Area de la funci on< Area suma rect angulos

200

Esta suma, en la que la suma de las areas de los rect angulos es mayor que el area total se denomina suma superior de la funci on en el intervalo. Por tanto, el a rea buscada est a entre la suma superior y la suma inferior de la funci on: Suma inferior Area Suma superior Adem as, obervemos lo que ocurre cuando los subintervalos que tomamos son cada vez menores:

Vemos que las sumas inferiores son cada vez mayores y cada vez m as cercanas al area buscada, a medida que los intervalos son m as peque nos.

Figura 11.3: La aproximaci on se mejora al aumentar el n umero de rect angulos

Por contra, las sumas superiores son cada vez m as peque nas y tambi en cada vez m as cercanas al area buscada, a medida que los intervalos son m as peque nos. A medida que los subintervalos son menores, las sumas superiores e inferiores se acercan al area buscada. Para llegar a calcular dicha a rea, necesitamos calcular una suma innita (la de los innitos rect angulos a medida que estos son m as peque nos), cosa que en matem aticas se denomina sumar una serie. Esto excede con mucho los contenidos del curso. Lo que se necesita saber es que tanto las sumas superiores como las sumas inferiores convergen (se acercan) al area buscada, y dicha suma se representa, si la funci on es f (x) y el intervalo es [a, b], por la integral:
b

f (x) dx
a

Ahora bien, el siguiente problema es c omo se calcula esta integral, pues en las integrales indenidas no hab amos incluido ning un intervalo.

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

201

11.7.

La integral denida. La regla de Barrow


b

Se denomina integral denida de la funci on f (x) en el intervalo [a, b] a la expresi on: f (x) dx
a

La integral denida posee las mismas propiedades que la denida, es decir: 1.


a b

k f (x) dx = k
a b a

f (x) dx,

kR
b

2.
a

(f (x) g (x)) dx =

f (x) dx
a

g (x) dx

La integral denida, puesto que representa, si la funci on es positiva, el a rea que encierra la funci on con el eje x, tiene algunas propiedades tales como: 1. Si c es un punto que est a dentro del intervalo [a, b], entonces:
b c b

f (x) dx =
a a

f (x) dx +
c

f (x) dx

En otras palabras, el area de la funci on desde a hasta b es la suma de las areas de la funci on desde a hasta c y desde c hasta b, si la funci on es positiva.

2. Si calculamos la integral de derecha a izquierda ,en vez de izquierda a derecha se cumple:


b a

f (x) dx =
b

f (x) dx

3. La integral cuando el intervalo se reduce a un punto es cero:


a

f (x) dx = 0
a

Pero sin duda la propiedad m as importante, y que permite calcular integrales denidas es la llamada Regla de Barrow. Regla de Barrow: Si f (x) es una funci on que tiene primitiva F (x), y queremos calcular su integral denida en un intervalo [a, b], se cumple que:
b a =b f (x) dx = F (x)]x x=a = F (b) F (a)

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Ejemplo: Calcular la integral denida:
3 1

202

x2 dx

e interpretar el resultado geom etricamente. Aplicando la regla de Barrow, queda:


3 1

x3 x dx = 3
2

x=3

=
x=1

27 1 3 3

26 8 67 u2 3

donde u2 representa unidades de a rea. Geom etricamente es el area representada en la gura:

Ejercicio: Utilizando la regla de Barrow, calcula el valor de las siguientes integrales denidas:
3

a)
1

(2x3 4x2 +5x 2) dx

b)
1

(3x +1)2 dx

c)
2

(2x4 3x2 7) dx

d)
2

(x +1)(x 2) dx

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

203

11.8.

Aplicaciones de la integral denida al c alculo de areas de recintos planos

La aplicaci on de la integral denida para el c alculo de a reas depende de c omo sea la funci on en el intervalo concreto. Se pueden presentar los siguientes casos:

11.8.1.

Areas limitadas por una funci on y el eje x

1. La funci on es siempre positiva siempre en el intevalo: En este caso el area simplemente viene dada por: Area =
a b

f (x) dx

donde a y b son los puntos entre los que queremos calcular el area, y que habitualmente son los puntos de corte de la funci on con el eje x. Geom etricamente:

2. La funci on se siempre negativa dentro del intervalo: En este caso el a rea viene dada por: Area =
a b

f (x) dx

Geom etricamente:

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

204

3. Si la funci on es a veces positiva y a veces negativa en el intervalo, se calculan los puntos de corte y se calculan las integrales sucesivas, utilizando los apartados anteriores:

En la gura, ser a: Area =


a c d b

f (x) dx +
c

f (x) dx +
d

f (x) dx

En cualquier caso, y cuando calculemos a reas, siempre es conveniente comenzar por calcular los puntos de corte de la funci on con el eje x para saber si es positiva o negativa y calcular las integrales correspondientes, o bien utilizar siempre el valor absoluto para asegurarnos de que el resultado es positivo. Ejemplo: Calcular el a rea que encierra con el eje x la gr aca de la funci on: f (x) = x3 7x2 + 10x No hace falta dibujar la gr aca. Calculamos los puntos de corte con el eje x: x3 7x2 + 10x = 0 = x(x2 7x + 10) = 0 = x=0 = x = 0, x = 2, x = 5 x2 7x + 10 = 0

Corta al eje x en (0, 0), (2, 0) y (5, 0). Veamos c omo es la funci on entre 0 y 2. Tomamos un valor situado en ese intervalo y lo sustituimos en la funci on. Se obtiene: f (1) = 13 7 12 + 10 1 = 1 7 + 10 = 4 como 4 es positivo, signica que la funci on es positiva en ese intervalo, luego el a rea ser a:
2 0

Area = =

x 7x + 10x dx =
3 2

x3 x2 x4 7 + 10 4 3 2 = 4

x=2

=
x=0

23 22 24 7 + 10 4 3 2

04 03 02 7 + 10 4 3 2

56 16 2 + 20 = u 3 3

En el otro intervalo, entre el 2 y el 5, tomamos otro valor para saber si la funci on es positiva o negativa: f (3) = 33 7 32 + 10 3 = 27 63 + 30 = 6

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS la funci on es negativa en el intervalo, luego el a rea ser a: Area =
2 5

205

x 7x + 10x dx =
3 2

x3 x2 x4 7 + 10 4 3 2 = 125 16 12 3

x=5

=
x=2

54 53 52 7 + 10 4 3 2

23 22 24 7 + 10 4 3 2

63 2 63 = u 4 4

En total el a rea pedida ser a: 253 2 16 63 + = u 21 08 u2 3 4 12 Gr acamente:

Observa lo importante que es diferenciar los dos intervalos, pues si simplemente hubi esemos calculado, sin m as:
5 0

x3 7x2 + 10x dx

sin separar, el resultado ser a:


5 0

x3 7x2 + 10x dx = 10 42

(Compru ebala) que no es el area buscada, sino la diferencia entre las a reas. Desde luego, si es posible, es mejor hacer un dibujo para saber como va la gr aca y determinar el area a calcular. Ejercicio: Calcula las a reas encerradas por el eje x y las funciones siguientes: a) f (x) = x x3 b) g (x) = x2 + 9 c) h(x) = x2 2x 3 entre x=1 y x=5.

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS

206

11.8.2.

Areas limitadas por dos funciones

Tambi en es posible aplicar las integrales denidas para el c alculo de a reas de recintos limitados por dos curvas, por ejemplo el de la gura:

Si las curvas son f (x) y g (x) se cumple que el area limitada por las dos curvas en el intervalo [a, b] es:
a b

(f (x) g (x)) dx

siempre que f (x) est e por encima de g (x) en el intervalo [a, b]. Si las curvas se cortan en el intervalo, se subdivide el intervalo en otros menores, en cada uno de los cuales se aplican la integral anterior, determinando qu e curva est a por encima, y se suma el resultado. En todo caso siempre es necesario hallar los puntos de corte entre las curvas, que se calculan igualando las expresiones algebraicas de ambas funciones: f (x) = g (x) y resolviendo la ecuaci on resultante. Ejemplo: Calcular el a rea limitada por las curvas f (x) = x2 1 y g (x) = 4x 4. Comenzamos calculando los puntos de corte de las funciones: f (x) = g (x) = x2 1 = 4x 4 = x2 4x + 3 = 0 = x = 1, x = 3 Las funciones se cortan en los puntos 1 y 3. Veamos qu e funci on est a por encima y cu al por debajo en ese intervalo. Dando un valor intermedio, por ejemplo el 2: f (2) = 22 1 = 3 g (2) = 8 4 = 4

Como el valor de g (x) es mayor, signica que g (x) est a por encima de f (x) en el intervalo, de modo que el valor del a rea ser a el dado por la integral denida: Area =
1 3

(g (x) f (x)) dx =
1

(4x 4 (x2 1)) dx =


1

4x 3 x2 dx =

2 x2 3 x

x3 3

x=3

= (18 9 9) 2 3
x=1

1 3

4 2 u 1 33 u2 3

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Si se hace un dibujo, lo cu al es sencillo porque se trata de una recta y una par abola:

207

Ejercicio: Calcular el a rea encerrada por las curvas: a) f (x) = x2 2x y g (x) = 6x x2 b) f (x) = x2 y g (x) = x + 2 c) f (x) = x3 y g (x) = 2x

11.9.

Otras aplicaciones de las integrales

Las aplicaciones de las integrales a las Ciencias Sociales se relacionan con las de las derivadas. Sabemos, por ejemplo, que si cierta funci on I (x), es la funci on de ingresos de una determinada empresa, la funci on de ingresos marginal es su derivada I (x). Las integrales, al ser la operaci on rec proca, permiten calcular la funci on de ingresos conocida la de ingresos marginal, es decir: I (x) dx = I (x) + C, C R (Lo mismo si la funci on es de coste o de benecio, etc). Por tanto, en general, conociendo la funci on de cambio (o crecimiento) de cualquier proceso, integrando se puede conocer la funci on que mide dicho proceso. Ejemplo: El ritmo de crecimiento de la poblaci on de palomas en una ciudad viene dado por la funci on: f (x) = 2x 0 5x2 x en a nos a partir del actual y f (x) en miles de palomas. Actualmente hay 2500 palomas. a) Cu antas habr a dentro de x a nos? b) En cu anto aumentar a la poblaci on durante el segundo semestre a partir del momento actual? c) Hasta cuando aumenta la poblaci on de palomas?. Qu e n umero m aximo alcanza?. a) Como conocemos la funci on de crecimiento, la funci on que da el n umero total de palomas ser a una primitiva de esta: F (x) = f (x) dx = 1 2x 0 5x2 dx = x2 x3 + C, 6 CR

Para determinar C , sabemos que la poblaci on de palomas ahora mismo es de 2500, es decir: F (0) = 2 5

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS luego sustituyendo: 1 3 0 + C = 2 5 = C = 2 5 6 La poblaci on de palomas sigue una funci on: 02 1 F (x) = x2 x3 + 2 5 6 a: b) El segundo semestre, x va desde 0 5 hasta 1, y el aumento de palomas ser F (1) F (0 5) = 29 20 131 = = 0 604 6 48 49

208

es decir, 604 palomas (recuerda que la funci on viene dada en miles de palomas). c) Calculamos los m aximos y mimimos de F (x). Como: F (x) = f (x) resulta que igualamos f (x) = 0, y queda: 2x 0 5x2 = 0 = x(2 0 5x) = 0 = x = 0, x = 4 Para saber si son m aximos o m nimos, con la derivada segunda: F (x) = 2 x luego: F (0) = 2 x = 0 es un m nimo y: F (4) = 2 x = 4 es un m aximo, luego a lo sumo, la poblaci on de palomas se dar a a los 4 a nos a partir de ahora, es decir: 1 64 + 2 5 = 7 833 F (4) = 42 43 + 2 5 = 16 6 6 aproximadamente 7833 palomas. La gr aca de F(x) es:

CALCULO CAP ITULO 11. INTEGRACION. DE AREAS Ejercicios:

209

1. Supongamos que dentro de x meses la poblaci on de tu ciudad crecer a a raz on de 5+4 x personas por mes. Si la poblaci on actual es de 7500 personas. a) Cu al ser a la poblaci on dentro de un a no? b) En cu antos habitantes aumentar a durante el segundo a no? c) Llegar a a alg un m aximo su n umero de habitantes?. 2. Halla la funci on de benecio de una empresa, B (x), sabiendo que los costes e ingresos marginales , c(x) e i(x), vienen dados respectivamente por las funciones: c(x) = 0 04x + 4 con C (0) = 80 , siendo C (x) la funci on de coste. i(x) = 200 2x