Libro Mates Arcas 2ccss

MATEMTICAS APLICADAS
A LAS
CIENCIAS SOCIALES II
I. SISTEMAS DE ECUACIONES LINEALES

NDICE
1.1.
1.2.
1.3.
1.4.
Sistemas de ecuaciones lineales

Sistemas equivalentes
Resolucin de sistemas de ecuaciones lineales: Mtodo de Gauss
Sistemas de ecuaciones lineales con coeficientes indeterminados
1.1. SISTEMAS DE ECUACIONES LINEALES

Una expresin de la forma: a1 x1 + a2 x2 + ... + an xn = b donde x1 , x2 ... xn representan
variables, y a1 , a2 ... an , b son nmeros reales, constituye una ecuacin algebraica de
primer grado o simplemente una ecuacin lineal con n incgnitas.
Las variables x1 , x2 ... xn , se denominan incgnitas; a los nmeros a1 , a2 ... an , se les
llama coeficientes; y b recibe el nombre de trmino independiente. Cuando b = 0, la
ecuacin se dice que es homognea.
As por ejemplo:
3x1 + 5 x2 7 x3 = 1 constituira una ecuacin lineal con tres incgnitas.
Por otro lado, se denomina sistema de m ecuaciones lineales con n incgnitas a un
conjunto de m ecuaciones lineales con las mismas n incgnitas, y se representara de la
siguiente manera:
donde aij representa el coeficiente de la incgnita xi de la i-sima ecuacin.

Resolver un sistema de ecuaciones es obtener un conjunto de valores para las
incgnitas, los cuales satisfagan simultneamente todas las ecuaciones del sistema.
Ahora bien un sistema que carece de soluciones se dice incompatible, y en caso
contrario se dice compatible. En este caso puede suceder que el sistema tenga una nica
solucin o que admita infinitas soluciones, dicindose entonces que el sistema es
compatible determinado, en el primer caso, y compatible indeterminado en el segundo.
Esquematizando:
Sistemas incompatibles: sin solucin
Sistemas compatibles: con solucin

o
Determinados: con solucin nica
Indeterminados: con solucin infinita
Matemticas Aplicadas a las CCSS II
1/12

1.2. SISTEMAS EQUIVALENTES
Dos sistemas de ecuaciones lineales con el mismo nmero de incgnitas x1 , x2 ... xn son
equivalentes si tienen las mismas soluciones, es decir, si toda solucin del primero es
solucin del segundo y recprocamente.
A continuacin vamos a ver las transformaciones que se pueden hacer con las
ecuaciones de un sistema para obtener otro equivalente:
Si multiplicamos una ecuacin por un nmero real distinto de cero, entonces

obtenemos otro sistema equivalente al dado. Por ejemplo:
3x 2 y = 25 3x 2 y = 25
x + 5y = 10
3x + 15y = 30
multiplicando la segunda ecuacin por 3.
Si a una ecuacin se le suma o resta otra ecuacin del mismo sistema, resulta un
sistema equivalente al dado. Por ejemplo:
3x 2 y = 25 3x 2 y = 25
x + 5y = 10
4x + 3y = 35
Si en un sistema una ecuacin est expresada en funcin de otras (mediante

combinacin lineal), dicha ecuacin puede suprimirse y el sistema resultante es
equivalente al dado. Por ejemplo:
x + 2 y = 3
x + 2 y = 3
4x + 5y = 6
4x + 5y = 6
5x + 7y = 9
1.3. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES:

MTODO DE GAUSS
Este mtodo se basa en las propiedades de los sistemas equivalentes, y tambin se
conoce con el nombre de reduccin, de triangulacin o de cascada.
La idea es muy simple: se intenta llegar, a partir del sistema de partida, y mediante
pasos sucesivos a un sistema equivalente al dado, que recibe el nombre de escalonado,
con la condicin de que cada ecuacin contenga una incgnita menos que la anterior,
por lo que tendra la forma:
2/12
Se utiliza para sistemas compatibles determinados.

Al finalizar el proceso, podemos llegar a uno de los siguientes casos:
a1 x1 + a2 x2 + ... + an xn = b SIST. COMPATIBLE DETERMINADO:

I.
Una sola solucin
II.
III
SIST. COMPATIBLE INDETERMINADO: Infinitas soluciones
SIST. INCOMPATIBLE: Sistema sin solucin
Ejemplo 1.
Para simplificar, utilizaremos nicamente los coeficientes y los expresaremos de la

siguiente forma:
-7
-1
-6
-2
-7
a) calculamos el mnimo comn mltiplo de los coeficientes de la incgnita x (es decir

la primera columna) y se multiplica por las tres ecuaciones una vez dividida por el
coeficiente correspondiente. Resultando:
3/12

30 45
-105
-15
30
40
-60
50
30
-12
24
-42
b) se resta la 1 fila a la 2 y a la 3 , quedando un sistema equivalente de la forma:
30
45
-105
-15
-45
-65
57
-129
27
El cual simplificado quedara:
-7
-9 -13
19 -43
-1
c) a la 2 fila multiplicada por 19 se le resta la 3 , y queda:
-7
-1
-9 -13
128 256
d) dividiendo la ltima fila por 128 nos queda:
-7
-9 -13
1
-1
Por lo que el sistema dado quedara despus de estas transformaciones en el siguiente

sistema equivalente:
4/12
Por lo que sustituyendo de abajo hacia arriba nos quedara que:
Ejemplo 2.
Resolver el siguiente sistema compatible determinado:
5/12
Ejemplo 3.
Resolver el siguiente sistema compatible indeterminado:
Ejemplo 4.
Resolver el siguiente sistema incompatible:
6/12
Ejemplo 5.
Resolver el siguiente sistema compatible determinado:
Ejemplo 6.
Resolver el siguiente sistema compatible indeterminado:
1.4. SISTEMAS DE ECUACIONES LINEALES CON COEFICIENTES

INDETERMINADOS
Son aquellos tipos de sistemas en los que aparece un coeficiente indeterminado, del cual
depender que el sistema sea compatible determinado, compatible indeterminado o
incompatible.
7/12
Ejemplo 7.
Discutir y resolver el siguiente sistema segn los valores de k:
Resolviendo el sistema por el mtodo de Gauss, anteriormente visto:
3 2
-1
-1
-3
-1
-1
k-12
-1
-1
-3
k-9
En el caso de que k = 9 , el sistema ser compatible indeterminado

En el caso de que k 9 , el sistema ser incompatible.
8/12

EJERCICIOS DE SISTEMAS DE ECUACIONES
1. Resuelve los siguientes sistemas reconociendo previamente que son escalonados:
2. Resuelve estos sistemas de ecuaciones lineales:
3. Transforma en escalonados y resuelve los siguientes sistemas:
4. Resuelve, si es posible, los siguientes sistemas:
5. Resuelve por el mtodo de Gauss:
9/12
6. Clasifica los siguientes sistemas en compatibles o incompatibles:
7. Estudia los siguientes sistemas y resulvelos por el mtodo de Gauss:
8. Estudia y resuelve estos sistemas por el mtodo de Gauss:
9. Discute los siguientes sistemas de ecuaciones:
10/12

10. Discute los siguientes sistemas y resulvelos cuando sea posible:
11. Discute y resuelve en funcin del parmetro:
12. En cierta heladera, por una copa de la casa, dos horchatas y cuatro batidos te cobran 34
un da. Otro da, por 4 copas de la casa y 4 horchatas te cobran 44 y, un tercer da, te
piden 26 por una horchata y cuatro batidos. Tienes motivos para pensar que alguno de
los tres das te han presentado una cuenta incorrecta?
13. Una tienda ha vendido 600 ejemplares de un videojuego por un total de 6 384 . El precio
original era de 12 , pero tambin ha vendido copias defectuosas con descuentos del 30% y
del 40%. Sabiendo que el nmero de copias defectuosas vendidas fue la mitad del de copias
en buen estado, calcula a cuntas copias se le aplic el 30% de descuento.
14. Un cajero automtico contiene 95 billetes de 10, 20 y 50 y un total de S 2 000 . Si el
nmero de billetes de 10 es el doble que el nmero de billetes de 20 , averigua cuntos

billetes hay de cada tipo.
15. Se dispone de tres cajas A, B y C con monedas de 1 euro. Se sabe que en total hay 36
euros. El nmero de monedas de A excede en 2 a la suma de las monedas de las otras dos
cajas. Si se traslada 1 moneda de la caja B a la caja A, esta tendr el doble de monedas que
B. Averigua cuntas monedas haba en cada caja.
16. Antonio tiene un ao ms que Juan y Luis uno ms que ngel. Determina la edad de los
cuatro sabiendo que la edad de Luis es la suma de la tercera parte ms la sptima parte de
la edad de Antonio y que la edad de ngel es la suma de la cuarta
parte ms la quinta parte de la edad de Juan.
17. Un joyero tiene tres clases de monedas A, B y C. Las monedas de tipo A tienen 2 gramos
de oro, 4 gramos de plata y 14 gramos de cobre; las de tipo BS tienen 6 gramos de oro, 4
gramos de plata y 10 gramos de cobre, y las de tipo C tienen 8 gramos de oro, 6 gramos de
plata y 6 gramos de cobre. Cuntas monedas de cada tipo debe fundir para obtener 44
gramos de oro, 44 gramos de plata y 112 gramos de cobre?
11/12
II. MATRICES
NDICE
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.
2.8.
Definiciones generales y notaciones

Tipos de matrices
Operaciones con matrices
Propiedades de las matrices traspuestas
Expresin matricial de un sistema de ecuaciones
Matriz inversa. Clculo
Rango de una matriz. Clculo
Aplicaciones de matrices a la discusin de sistemas de ecuaciones
lineales
2.1. DEFINICIONES GENERALES Y NOTACIONES

Definicin de matriz: Una matriz A de m filas y n columnas es una serie ordenada de
m n elementos dispuestos en filas y columnas y cuya expresin tiene la siguiente
forma:
a11
a21
....
am1
a12
a22
....
am 2
.... a1n
.... a2 n
.... ....
.... amn
donde aij representa el elemento situado en la i fila y en la j columna.

Por tanto cada elemento de una matriz se distingue de otro por su posicin, la cual la
representan esos dos subndices.
Dimensin de una matriz es el nmero total de elementos que tiene la matriz, y se

expresa mediante el nmero de filas por el de columnas, es decir M mn .
Las matrices se denotarn usualmente por letras maysculas, A, B, ..., y los elementos
de las mismas por minsculas, a, b, ...
2.2. TIPOS DE MATRICES

Las matrices se pueden clasificar en funcin de dos caractersticas:
A)
Atendiendo a la forma
Matriz fila: es un tipo de matriz de dimensin 1 n .

Ejemplo:
1/13
II. MATRICES
Matriz columna : es un tipo de matriz de dimensin m 1 .

Ejemplo:
Matriz cuadrada : es aquel tipo de matriz que tiene igual nmero de filas que de
columnas, es decir de dimensin n n o m m . Cuando se habla de matrices
cuadradas no se habla de dimensin sino de orden.
Ejemplo:
Matriz rectangular : aquel tipo de matriz que tiene distinto nmero de filas que
de columnas, es decir de dimensin m n .
Ejemplo:
Matriz traspuesta : dada una matriz A se llama matriz traspuesta de A y se

denota como At , a la obtenida al cambiar filas por columnas. Es decir, si A es de
dimensin m n , entonces la traspuesta ser n m .
Ejemplo:
B)
Atendiendo a los elementos
Matriz nula : es aquella en la que todos sus elementos son 0.
2/13
II. MATRICES
Ejemplo:
Matriz opuesta : sea la matriz A, pues se denomina la matriz opuesta de A

aquella cuyos elementos son los opuestos de A, es decir cambian de signo pero
no de posicin.
Ejemplo:
Matriz diagonal : este tipo de matriz est asociada a una matriz cuadrada, y es
aquella en la que salvo los elementos situados en la diagonal principal (es decir
empezando por a11 ) todos los elementos son nulos. En el caso de que todos los
elementos de la diagonal sean iguales se le llama matriz escalar y en el caso de
que sean 1 entonces se le llama matriz unidad.
Ejemplo:
Matriz triangular : est como en el caso anterior asociada a la matriz cuadrada,

y se le denomina aquella en la que todos los elementos situados por encima o
por debajo de la diagonal principal son nulos. Sus nombres completos seran
triangular superior o triangular inferior en funcin de lo dicho anteriormente.
Ejemplo:
Matriz simtrica : Si una matriz A al calcularle la traspuesta no varan sus

elementos se dicen que son simtricas.
3/13
II. MATRICES
Ejemplo:
Matriz antisimtrica : si una matriz A al calcularle su traspuesta se obtiene una

matriz opuesta de A, entonces se dice que A y At son antisimtricas.
Ejemplo:
2.3. OPERACIONES CON MATRICES

1. Suma y resta de matrices
Esta operacin esta definida nicamente entre matrices de la misma dimensin, y se
concreta de la siguiente forma:
Sean las matrices:
se llama matriz suma y se representa por A + B a la matriz:
4/13
II. MATRICES
se llama matriz resta y se representa por A B a la matriz:
2. Producto de un nmero real por una matriz

Esta operacin esta definida para matrices de cualquier dimensin. Sea un nmero
real cualquiera y sea la matriz:
se llama producto del nmero por la matriz A y se denota A a la siguiente

matriz:
la divisin se obtiene sin ms que multiplicar la matriz por
3. Producto de matrices
Esta operacin no est definida para todas las matrices, adems no cumple la propiedad
conmutativa. Para que dos matrices se puedan multiplicar la primera tiene que tener el
mismo nmero de columnas que filas tenga la segunda.
5/13
II. MATRICES
As el producto de una matriz A de dimensin m n por otra matriz B de dimensin
n q es una matriz de dimensin m q , tal que cada elemento ( cij ) se obtiene de
multiplicar escalarmente la fila i de la primera matriz por la columna j de la segunda
matriz.
Es decir:
Entonces cada elemento de la matriz AB vendr dado por:
Ejemplo 1.
Como hemos dicho al principio el producto de matrices no cumple la propiedad

conmutativa, pero sin embargo cumple las siguientes:
a) (AB)C = A(BC)
b) A(B+C) = AB+AC
c) (A+B)C = AC+BC
6/13
II. MATRICES
4. Potencia de matrices
Esta operacin slo est definida para matrices cuadradas, ya que si no, no se cumplira
el requisito previo de multiplicacin de matrices.
2.4. PROPIEDADES DE LAS MATRICES TRASPUESTAS

Siempre que las operaciones estn definidas, se verifica que:
a ) ( At )t = A
b) ( A + B)t = At + B t
c) ( A)t = At
d ) ( AB)t = B t At
e) ( An )t = ( At ) n
2.5. EXPRESION MATRICIAL DE UN SISTEMA DE ECUACIONES

Sea el siguiente sistema de ecuaciones lineales de tres ecuaciones con tres incgnitas:
este sistema se puede expresar mediante el producto de matrices AX = B, donde
que seran matriz de los coeficientes, matriz de las incgnitas y matriz de los trminos
independientes respectivamente.
7/13
II. MATRICES
2.6. MATRIZ INVERSA. CLCULO
Sea A una matriz cuadrada de orden n, se dice que A posee matriz inversa y se denota
como A-1 cuando se cumple:
A A-1 = A-1 A = I donde I representa la matriz unidad.

Para el clculo de la matriz inversa existe el llamado mtodo de Gauss. Se basa en lo
siguiente:
Si una matriz cuadrada A se reduce a la matriz unidad I mediante una sucesin de

operaciones entre sus filas, la misma sucesin aplicada a la matriz identidad I dar
como resultado la matriz inversa de A.
Ejemplo 2.
Sea la siguiente matriz:
para una mayor comprensin, escribimos en paralelo la matriz A y la matriz I
Los cambios los denotaremos por F que es la fila y el subndice el nmero de fila:
8/13
II. MATRICES
Por lo tanto:
2.7. RANGO DE UNA MATRIZ. CLCULO

El rango o caracterstica de una matriz es el nmero de filas o columnas que son
linealmente independientes, es decir que no se pueden expresar como combinacin
lineal de las dems.
Una lnea es linealmente dependiente de otra u otras cuando se puede establecer una
combinacin lineal entre ellas. Por ejemplo, si f1 = 2f3 - 3f4, entonces decimos que f1
es linealmente dependiente de f3 y f4.
Una lnea es linealmente independiente de otra u otras cuando no se puede establecer
una combinacin lineal entre ellas.
El rango o caracterstica de una matriz A se simboliza del siguiente modo:
rang(A) o r(A).
El mtodo prctico para calcular el rango de una matriz es el siguiente, se utiliza con
frecuencia en la resolucin de sistemas de ecuaciones lineales.
Vamos a describir el mtodo por filas (de igual forma sera por columnas).
Bsicamente consiste en hacer nulos los elementos que hay debajo de los aii con i = 1,
2, 3, ..., m-1 ; y el rango final ser el nmero de filas distintas de cero.
El mtodo consta de m-1 etapas, siendo m el nmero de filas.
En una etapa i cualquiera se deja fija la fila i , y tomando como referencia el

elemento aii , por medio de operaciones elementales (nombradas anteriormente)
se hacen cero todos los elementos de su columna que estn por debajo de l.
9/13
II. MATRICES
Si el elemento aii es igual a cero, es preciso intercambiar previamente esa fila

por alguna otra fila de debajo, y si no es posible (porque tambin sea cero) con
alguna columna de la derecha, hasta conseguir que aii sea distinto de cero (es
conveniente, para evitar clculos tediosos que sea 1, si no lo fuera, utilizando
operaciones sencillas intentaremos cambiarlo a 1).
Finalmente, el rango es el nmero de filas distintas de cero que aparecen en la matriz.
Ejemplo 3.
Ejemplo 4.
10/13
II. MATRICES
2.8. APLICACIONES DE MATRICES A LA
SISTEMAS DE ECUACIONES LINEALES
DISCUSIN
DE
1. Discusin de sistemas por el teorema de Rouch-Frobenius
La condicin necesaria y suficiente para que un sistema de ecuaciones lineales tenga

solucin es que la matriz de los coeficientes y la matriz ampliada (es decir los
coeficientes y los trminos independientes) sean de igual rango.
La condicin es necesaria, ya que si se supone que el sistema admite solucin, entonces
la columna formada por los trminos independientes es combinacin lineal de las
restantes, y por consiguiente se puede suprimir para calcular el rango de la matriz
ampliada.
La discusin de un sistema de m ecuaciones con n incgnitas se puede resumir en el
siguiente cuadro, donde A es la matriz de los coeficientes y M la matriz ampliada:
sistema incompatible
r ( A) r ( M )
h = n determinado
r ( A) = r ( M ) = h sistema compatible h < n indeterminado
2. Discusin de sistemas homogneos
Se llama sistema de m ecuaciones homogneas con n incgnitas al sistema que tiene

todos sus trminos independientes nulos.
Estos sistemas siempre tienen al menos una solucin que es la llamada solucin trivial
que es: x1 = x2 = ... = xn = 0 .
Esto adems de evidente implica que el rango de A es igual que el rango de la matriz
ampliada, por lo que teniendo en cuenta el teorema de Rouch-Frobenius, la condicin
necesaria y suficiente para que un sistema de ecuaciones lineales homogneas admita
soluciones propias (es decir distinta de la trivial) es que el rango de la matriz de los
coeficientes sea menor que el nmero de incgnitas.
11/13
II. MATRICES
EJERCICIOS DE MATRICES
1.
2.
3.
4.
5.
6.
7.
12/13
II. MATRICES
8.
9.
10.
11.
12.
13/13
III. PROGRAMACIN LINEAL

NDICE
3.1. Qu es la Programacin Lineal?
3.2. Resolucin de problemas
3.1. QU ES LA PROGRAMACIN LINEAL?

En general podemos decir que es un conjunto de tcnicas matemticas que intentan
obtener el mayor provecho posible de sistemas econmicos, sociales, tecnolgicos,
blicos, etc. cuyo funcionamiento se puede describir matemticamente de modo
adecuado.
As, resolver un problema de programacin lineal consiste en optimizar una funcin
sujeta a restricciones, entendiendo por optimizar hallar el mximo o mnimo segn los
casos.
Pero ese punto ptimo est sujeto a limitaciones, ya que las variables que intervienen en
la funcin a optimizar se encuentran relacionadas por medio de desigualdades. Por lo
tanto, hay que resolver un sistema de desigualdades y una vez resuelta ver en que punto
o puntos del conjunto de soluciones la funcin a optimizar alcanza su valor mximo o
mnimo.
Planteado el asunto desde una perspectiva econmica parece claro que hemos de hablar
de mximos cuando se hable de beneficios y mnimos cuando se hable de costes
De todos modos en infinidad de aplicaciones de la industria, la economa, la estrategia
militar, etc. se presentan situaciones es las que se exige maximizar o minimizar
funciones que se encuentran sujetas a determinadas limitaciones, que llamaremos
restricciones.
3.2. RESOLUCIN DE PROBLEMAS

Para hacernos una idea ms clara de estos supuestos veamos un ejemplo:
Una fbrica de bombones tiene almacenados 500 kg. de chocolate, 100 kg. de almendra
y 85 kg. de fruta. Produce dos tipos de cajas: la de tipo A de calidad extra que contiene
3 kg. de chocolate, 1 kg. de almendra y 1 kg. de frutas y la caja de tipo B de calidad
suprema que tiene 2 kg. de chocolate, 1'5 kg. de almendras y 1 kg. de frutas. Los
precios de las cajas de tipo A son de 1.300 pts y las de tipo B 1.350 pts. Cuntas cajas
de cada tipo debe de fabricar para maximizar la venta ?
En primer lugar simplificaremos el problema mediante la construccin de la siguiente
tabla:
1/11

Caja tipo A
Caja tipo B
Disponibles
Chocolate
3 kg.
2 kg.
500 kg.
Almendras
1 kg.
1'5 kg.
100 kg.
Frutas
1 kg.
1 kg.
85 kg.
Precio
1.300 pts
1.350 pts
Ahora designaremos con ecuaciones e inecuaciones lineales la informacin descrita

Designaremos por x el nmero de cajas de tipo A y por y el nmero da cajas de tipo B
que se han de fabricar.
Sea V la funcin de ventas a maximizar
V = 1.300x + 1.350y
Las restricciones al problema viene dadas por las siguientes inecuaciones
3x + 2y 500 ( chocolate )
x + 1'5y 100 ( almendra )
x + y 85 ( frutas )
Por otra parte x e y han de ser no negativas, luego
x0
y0
Existe una terminologa peculiar para la programacin lineal. Recordemos que un
problema de programacin lineal con dos variables implica la existencia de una funcin
a optimizar, en nuestro caso la funcin V. Esta funcin es la llamada funcin objetivo
que es de la forma F = ax + by, donde a, b son nmeros reales y donde x e y son las
variables.
Asimismo, hay un conjunto de restricciones asociado al problema que es el sistema de
desigualdades que se deriva del enunciado del problema.
Al resolver ese sistema de inecuaciones, en el supuesto de que tenga solucin,
obtenemos una regin del plano. sta, acotada o no es la regin factible.
En consecuencia, para resolver un problema de programacin lineal con dos variables
hay que hacerlo del siguiente modo:
1. Formular la funcin objetivo.
2. Formular el conjunto de restricciones.
3. Resolver el conjunto de inecuaciones para obtener la regin factible.
2/11

4. "Barrer" la regin factible con las lneas de nivel de la funcin objetivo que
tengan puntos en ella.
5. De todas ellas buscar la que corresponde al valor ptimo de la funcin
objetivo.
En un problema de programacin lineal con dos variables si la regin factible existe y es
acotada el valor ptimo de la funcin objetivo se alcanza en uno de los vrtices del
polgono que limita la regin o a lo largo de uno de sus lados.
Si la regin factible no es acotada, la funcin objetivo no alcanza necesariamente un
valor ptimo concreto, pero si lo hace, ste se encuentra en uno de los vrtices de la
regin.
As en nuestro ejemplo anterior tenamos
Funcin objetivo: V = 1.300x + 1.350y
Restricciones:
3x + 2y 500
x + 1'5y 100
x + y 85
x0
y0
Se puede ver que cada una de las restricciones genera una regin del plano:
3/11
La superposicin de las cinco regiones dar lugar a la regin factible de nuestro

problema.
Dicha regin factible ser:
Se puede observar que la funcin objetivo de ventas V = 1.300x + 1.350y alcanza un

mximo en un punto de la regin factible puesto que sta es acotada. Adems dicho
mximo se alcanzara en uno de los vrtices de dicha regin, vemoslo:
V ( A ) = 1.300 x 0 + 1350 x 0 = 0
V ( B ) = 1.300 x 85 +1.350 x 0 = 110.500
V ( C ) = 1.300 x 55 + 1.350 x 30 = 112.000
V ( D ) = 1.300 x 0 + 1.350 x 100/1'5 = 90.000
Por lo tanto la funcin ventas alcanza el mximo y por lo tanto el valor ptimo en el
punto ( 55, 30 ). Luego el fabricante debe de producir 55 cajas de tipo A y 30 de tipo B.
Luego el calcular el valor de la funcin objetivo en cada uno de los vrtices de la regin
factible, si esta es acotada, nos dar el punto ptimo.
Si la regin factible no es acotada habr que ver, en primer lugar si el ptimo
corresponde a la zona donde hay vrtices. En este supuesto se procede como si la regin
fuese acotada. En el caso contrario el problema carece de solucin concreta.
4/11
5/11
6/11
7/11
8/11
9/11
10/11

EJERCICIOS DE PROGRAMACIN LINEAL
1. Un autobs Madrid-Pars ofrece plazas para fumadores al precio de 100 y a no fumadores
al precio de 60 . Al no fumador se le deja llevar 50 kg de peso y al fumador 20 kg. Si el

autobs tiene 90 plazas y admite un equipaje de hasta 3 000 kg, cul debera ser la oferta
de la compaa si se quiere obtener el mximo beneficio?
2. Una persona quiere invertir 100 000 en dos tipos de acciones, A y B. Las de tipo A tienen
ms riesgo, pero producen un beneficio del 10%. Las de tipo B son ms seguras, pero
producen solo el 7% nominal. Decide invertir como mximo 60 000 en la compra de
acciones A y, por lo menos, 20 000 en la compra de acciones B. Adems, quiere que lo
invertido en A sea, por lo menos, igual a lo invertido en B. Cmo debe invertir los 100 000
para que el beneficio anual sea mximo?
3. Un comerciante acude a cierto mercado a comprar naranjas con 500 . Le ofrecen dos tipos
de naranjas: las de tipo A a 0,5 el kg y las de tipo B a 0,8 el kg. Sabemos que solo
dispone en su furgoneta de espacio para transportar 700 kg de naranjas como mximo y
que piensa vender el kilo de naranjas de tipo A a 0,58 y el de tipo B a 0,9 . Cuntos
kilogramos de naranjas de cada tipo deber comprar para obtener beneficio mximo?
4. Un sastre tiene 80 m2 de tela de algodn y 120 m2 de tela de lana. Un traje de caballero

requiere 1 m2 de algodn y 3 m2 de lana y un vestido de seora necesita 2 m2 de cada una de
las telas. Calcula el nmero de trajes y vestidos que debe confeccionar el sastre para
maximizar los beneficios si un traje y un vestido se venden por el mismo precio.
5. Se quiere elaborar una dieta para ganado que satisfaga unas condiciones mnimas de
contenidos vitamnicos al da: 2 mg de vitamina A, 3 mg de vitamina B, 30 mg de la C y 2 mg

de la D. Para ello, se van a mezclar piensos de dos tipos, P y Q, cuyo precio por kilo es, para
ambos, de 0,3 y cuyo contenido vitamnico en miligramos por kilo es el siguiente:
Cmo deben mezclarse los piensos para que el gasto sea mnimo?
6. Un pastelero fabrica dos tipos de tartas T1 y T2, para lo que usa tres ingredientes, A, B y C.
Dispone de 150 kg de A, 90 kg de B y 150 kg de C. Para fabricar una tarta T1 debe mezclar
1 kg de A, 1 kg de B y 2 kg de C, mientras que para hacer una tarta T2 necesita 5 kg de A, 2
kg de B y 1 kg de C.
a) Si se venden las tartas T1 a 10 , y las tartas T2 a 23 , qu cantidad debe fabricar de
cada clase para maximizar sus ingresos?
b) Si se fija el precio de una tarta del tipo T1 en 15 , cul ser el precio de una tarta del
tipo T2 si una solucin ptima es fabricar 60 tartas del tipo T1 y 15 del tipo T2?
11/11
IV. LMITES Y CONTINUIDAD

NDICE
4.1. Lmite de una funcin en un punto
4.1.1. Idea intuitiva de lmite de una funcin en un punto
4.1.2. Lmites laterales
4.1.3. Relacin entre el lmite y los lmites laterales de una funcin
4.1.4. Propiedades de los lmites de funciones
4.2. Clculo de lmites de funciones
4.3. Definicin de continuidad
4.3.1. Continuidad de funciones elementales
4.3.2. Tipos de continuidad
4.1. LMITE DE UNA FUNCIN EN UN PUNTO

4.1.1 IDEA INTUITIVA DE LMITE DE UNA FUNCIN EN UN PUNTO
Decimos que el lmite de f(x) cuando x tiende a x0 es igual a L si a medida que x se
acerca a x0, ya sea por la derecha como por la izquierda, entonces los valores de f(x) se
aproximan a L. Esto se escribe:
lim f (x) = L
x x0
Sea la funcin y = x2 . Si x tiende a 2 a qu valor se aproxima y:
x 2y
1'8
3'24
1'9
3'61
1'99
3'9601
1'999
3'996001
x 2+
y
2'2
4'84
2'1
4'41
2'01
4'0401
2'001
4'004001
Luego cuando x se aproxima a 2, tanto por la derecha como por la izquierda los valores
de y se acercan cada vez ms a 4. Esta idea se suele expresar as:
lim x 2 = 4 (lmite lateral por la izquierda)
x 2
lim x 2 = 4
x 2+
(lmite lateral por la derecha)
4.1.2 LIMITES LATERALES

Decimos que el lmite por la derecha de f(x) cuando x tiende a x0 es L, si a medida que
tomamos valores de x, cada vez ms prximos a x0, pero mayores que x0, entonces f(x)
se aproxima a L. Simblicamente
lim f (x) = L
x x 0+
1/13

Decimos que el lmite por la izquierda de f(x) cuando x tiende a x0 es M, si a medida
que tomamos valores de x, cada vez ms prximos a x0, pero menores que x0, entonces
f(x) se aproxima a M. Simblicamente
lim f (x) = M
x x 0
4.1.3 RELACIN ENTRE EL LMITE Y LOS LIMITES LATERALES DE UNA

FUNCIN
El lmite de una funcin f(x) en un punto x0 existe si y solo si existen los lmites laterales
y coinciden.
lim f (x) = L lim f (x) = lim+ f (x) = L
x x0
x x0
x x0
Si los lmites laterales en x = x0 son distintos entonces f no tiene lmite en ese punto.
Ejemplo 1.
Considere una funcin definida "por partes" como sigue:
El significado de esto es el siguiente: si queremos calcular la imagen de algn nmero

menor que 1 usamos la primera frmula. Por ejemplo,
f(0,5) = 4+0,5 = 4,5
f(0) = 4+0 = 4
f(-3) = 4 + (-3) = 1
Mientras que si queremos determinar la imagen de 1 o de valores mayores que 1
entonces usamos la segunda frmula; as, por ejemplo:
f(1) = 12 + 1 = 2
f(1,5) = (1,5)2 + 1 = 2,25 + 1 = 3,25
f(2) = 22 + 1 = 5
2/13

Queremos ver qu pasa cerca de 1.
Si tomamos valores de x por la izquierda de 1 usamos para las imgenes la forma x + 4

y, entonces, el lmite por la izquierda de f(x) cuando x tiende a 1 es:
lim f (x) = lim (x + 4) = 5
x 1
x 1
Mientras tanto, si tomamos valores de x por la derecha de 1 usamos la forma x2 + 1. Por

lo tanto
lim f (x) = lim+ (x 2 + 1) = 2
x 1+
x 1
Observa en este ejemplo anterior que el lmite de f(x) cuando x 1 no existe

En funciones definidas "por partes", como la anterior, si se quiere verificar la existencia
del lmite en el punto o puntos donde se parte, deben calcularse separadamente los dos
lmites laterales y corroborarse si son iguales o no.
Ejemplo 2.
Considere la funcin:
Determinar si existe el lim f (x) .

x 2
Solucin: Tenemos
lim f (x) = lim+ (4x 2 + 2) = 10
x 2+
x 2
lim f (x) = lim (3x 2) = 4
x 2
x 2
Concluimos que lim+ f (x) no existe.

x 1
3/13
Ejemplo 3.
Dada la funcin:
Determinar si existe el lim g(x) .

x 2
Solucin: Tenemos
2
lim g(x) = lim(x
+ 3) = 7
+
x 2+
x 2
lim g(x) = lim(

x + 5) = 7
x 2
x 2
Concluimos que lim g( x ) = 7

x 2
4.1.4 PROPIEDADES DE LOS LMITES
1. El lmite de una funcin en un punto si existe, es nico y es igual a los lmites

laterales.
2. lim [f(x)+g(x)] = lim f(x) + lim g(x): El lmite de una suma de funciones es igual a
la sum de los lmites de las funciones (cuando stos existen)
3. lim [f(x)-g(x)] = lim f(x) - lim g(x): El lmite de una resta de funciones es igual a la
resta de los lmites de las funciones (cuando stos existen)
4. lim [f(x)g(x)] = lim f(x) lim g(x): El lmite de un producto de funciones es el
producto de los lmites de esas funciones (cuando stos existen)
5. lim kf(x) = k lim f(x) donde k es un n real: El lmite del producto de una
constante por una funcin es el producto de la constante por el lmite de la funcin
(cuando ste existe)
6. limf(x)/g(x) = lim f (x)/ lim g(x) siempre que lim g(x) 0: El lmite de un cociente
de funciones es el cociente de los lmites de esas funciones (cuando stos existen y el
lmite en el denominador es diferente de 0)
4/13

4.2. CLCULO DE LMITES
Al aplicar las propiedades de los lmites podemos encontrar una de las siguientes
indeterminaciones : 0/0 , / , - , 0 , 00 , 0 , 1 . Vamos a ver los siguientes
casos:
1.
2.
lim P(x) = P(x0) es decir en los polinmios se sustituye el punto.
xx 0
lim P(x)/Q(x) = P(x0)/Q(x0)
xx 0
si Q(x0) 0
Ejemplo 4.
Ejemplo 5.
Cuando Q(x0) = 0 se puede distinguir dos casos:
Que P(x0) 0. Tendremos que calcular los lmites laterales, si existen y son
iguales la funcin tendr lmite que ser + . En caso contrario no
existir lmite.
Que P(x0) = 0 por lo que tendremos una indeterminacin del tipo 0/0 que se
resuelve factorizando numerador y denominador y simplificando la funcin
racional. En el caso de que haya races debemos multiplicar numerador y
denominador por el conjugado.
5/13
Ejemplo 6.
Ejemplo 7.
Ejemplo 8.
Ejemplo 9.
6/13
Ejemplo 10.
Ejemplo 11.
Ejemplo 12.
7/13

3.
lim P(x)/Q(x) = / (indeterminacin del tipo / ) entonces se divide por la
mxima potencia , tanto si las expresiones son racionales como si son radicales.
En el caso ms simple que es el de las funciones racionales podemos obtener los
siguientes casos:
grado P(x)>gradoQ(x)
lim = +/-
grado P(x)=gradoQ(x)
lim = an/bn
grado P(x)<gradoQ(x)
lim = 0
4. Si al calcular el lmite de la funcin aparece una indeterminacin del tipo para eliminarla tendremos que distinguir dos casos:
Si f es la diferencia de dos funciones racionales se efecta dicha operacin para

conseguir estar en uno de los dos casos anteriores.
Si f es la diferencia de dos funciones con races cuadradas multiplicaremos y

dividiremos por el conjugado.
4.3. DEFINICIN DE CONTINUIDAD DE UNA FUNCIN

Se dice que una funcin es continua en un punto x0 si:
a) Existe f(x0)
b) Existe lim f ( x )
x x0
c) Son iguales
Una funcin se dice que es continua en un intervalo si lo es en cada uno de sus puntos.
4.3.1. CONTINUIDAD DE FUNCIONES ELEMENTALES

Funcin constante
La funcin constante f(x) = k es continua en todos los puntos.
Funcin identidad
La funcin identidad f(x) = x es continua en todos los puntos.
8/13
Funcin potencial
La funcin potencial f (x) = xn es continua en todos sus puntos, salvo el caso en que
n<0 y x = 0, ya que en este caso se tendra una funcin racional con denominador nulo.
Funcin polinmica
2
n
La funcin f ( x ) = a0 + a1 x + a2 x + ... + an x es una funcin continua en todos los puntos
puntos, por ser suma de funciones continuas en todos los puntos.
Funcin racional
La funcin f ( x) =
P( x)
, donce P(x) y Q(x) son funciones polinmicas, es continua en
Q ( x)
todos los puntos, salvo en los que el denominador se anula, por ser un cociente de dos
funciones continuas.
Ejemplo 13. Continuidad de una funcin racional
Determinar en qu conjunto es continua la siguiente funcin:
Solucin: El dominio de esta funcin es R-{3} y la funcin es continua en todo su

dominio.
Ejemplo 14. Continuidad de una funcin con una raz en el denominador
Determinar dnde es continua la funcin:
Solucin: Esta es una funcin continua en todo su dominio, es decir en (-1,1).
9/13
Ejemplo 15. Continuidad de una funcin definida por partes
Determinar dnde es continua la funcin:
Solucin: Aqu tenemos una funcin definida por partes. Dentro de cada parte la funcin
es continua, pero podra haber problemas con los lmites en los puntos de divisin 0 y 2.
Tenemos
y adems
h(0)=02+1=1,
por lo tanto la funcin es continua en 0.

Por otro lado,
Esto dice que
no existe y por lo tanto h no es continua en 2.

Resumiendo la informacin decimos que h es continua en R-{2}.
Ejemplo 16. Buscar la continuidad si hay un parmetro
Encontrar un valor de d para el cual la siguiente funcin sea continua en todo R.
Solucin: Dentro de cada parte la funcin es continua. Para que adems sea continua en
2, debemos tener que
Es decir,
4d-3 = 2d+2
10/13

Resolviendo esta ecuacin resulta
4d-2d = 2+3
2d = 5
d = 5/2
Entonces si d = 5/2 se tiene que f es continua en todo R.
4.3.2. TIPOS DE DISCONTINUIDAD

f ( x) pero:
a) Discontinuidad evitable : Existe xlim
x
0
No existe f(x0)
f ( x)
Existe f(x0) pero f(x0) xlim
x
0
f ( x) :
b) Discontinuidad inevitable : No existe xlim
x
0
los lmites laterales existen pero no son iguales : (1 especie)

o salto finito
o salto infinito
alguno de los lmites laterales no existe (2 especie)
11/13

EJERCICIOS DE LMITES Y CONTINUIDAD
1.
2.
3.
4.
5.
6.
12/13

7.
8.
9.
10.
11.
12.
13.
13/13
V. DERIVADAS
NDICE
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
5.8.
5.9.
5.10.
5.11.
Introduccin
Tasa de variacin media de una funcin
Concepto de derivada de una funcin en un punto
Interpretacin geomtrica de la derivada de una funcin en un punto
La funcin derivada
Continuidad y derivabilidad
Clculo de derivadas
Recta tangente a una curva en uno de sus puntos
Aplicacin de la derivada el estudio cualitativo de una funcin
Representacin grfica de una funcin
Optimizacin de funciones
5.1. INTRODUCCIN
El concepto de derivada es la piedra angular del clculo diferencial, el cual es una
poderosa herramienta de clculo para cualquier rama de la ciencia.
Siempre que halla que cuantificar la variacin relativa de una magnitud (ya sea fsica,
econmica, demogrfica, qumica, etc.) ligada funcionalmente con otra, llegaremos al
concepto de derivada.
Ejemplos: Velocidad de un mvil, Tasa de variacin de una poblacin, aceleracin,
cambios de volmenes, etc.
Resumiendo, diremos que el concepto de derivada mide el ritmo de cambio de una
magnitud.
5.2. TASA DE VARIACIN MEDIA DE UN FUNCIN

Dada una funcin y = f(x), que est definida y es continua en un intervalo ( x0 , x1 ),
llamamos tasa de variacin media de la funcin en ese intervalo al cociente:
f ( x1 ) f ( x0 )
x1 x0
Es decir la tasa de variacin media de una funcin es: el cociente entre la variacin de
la funcin en dos puntos y la variacin de la variable en ese intervalo.
Otra forma ms genrica de expresar la tasa de variacin media es:
1/25
V. DERIVADAS
ya que:
5.3. CONCEPTO DE DERIVADA DE UNA FUNCIN EN UN PUNTO

Una vez conocido el concepto de tasa de variacin media de una funcin en un intervalo
de amplitud h, conviene pensar, qu ocurrira si esa amplitud h la hicisemos tan
pequea como quisiramos?
La respuesta a esta pregunta es el concepto de derivada de la funcin en un punto.
Matemticamente, la respuesta se expresara as:
A esta expresin se le conoce como derivada de la funcin f(x) en el punto x0. Otra
forma de expresar la definicin sera:
Pues bien, si este lmite existe, se dice que la funcin es derivable en x = x0. La forma
de expresar la derivada adquiere varios modelos como son:
Cmo se calcula la derivada de una funcin en un punto? Se hace de la siguiente

forma, (comnmente se le denomina la regla de los cinco pasos):
Se halla el valor de f(x0)
Se halla el valor de f(x0 + x) donde x es un incremento genrico.
Se restan ambos valores, es decir se calcula y = f(x0 + x) - f(x0).
Se divide por x.
Se calcula el lmite cuando x tiende a 0.
Ejemplo 1.
Vamos a calcular la derivada en el punto x0 = 2 de la funcin:
Se halla el valor de f(x0) = f(2) = 4
2/25
V. DERIVADAS
Se halla el valor de f(x0 + x) = f(2 + x) = 4 + (x)2 + 4x.
Se calcula y = f(x0 + x) - f(x0) = 4 + (x)2 + 4x - 4 = (x)2 + 4x.
Se divide por x. Es decir:
Se calcula el lmite cuando x tiende a 0, es decir:
Por tanto:
f(2) = 4
Nota: la derivada de una funcin en un punto es la tasa de variacin instantnea de
dicha funcin en un punto.
5.4. INTERPRETACIN GEOMTRICA DE LA DERIVADA DE UNA

FUNCIN EN UN PUNTO
Al introducir la definicin de la tasa de variacin media hemos visto que era:
Este valor numrico es el valor de la pendiente de la recta que pasa por los puntos a y b
de la funcin f(x).
Ahora bien, si hacemos tender el punto b hacia a, veremos que la recta que en
principio cortaba a 2 puntos de la funcin, llegar un momento que slo cortar a la
funcin en un punto en: a = x0, con lo que la recta que era secante se convertir en
tangente,
3/25
V. DERIVADAS
convirtindose en la pendiente de esta recta tangente:
Por tanto: La derivada de una funcin en un punto, mide la pendiente de la recta

tangente a la grfica de la funcin en ese punto.
5.5. LA FUNCIN DERIVADA

La derivada de una funcin en un punto es nica, por lo que si a una funcin f(x) se le
calcula la derivada en cada uno de sus puntos, se obtiene una nueva funcin, llamada
funcin derivada f(x).
Por tanto si en el concepto de derivada en un punto x0, prescindimos de dicho punto
concreto y generalizamos a x, ser:
El proceso para obtener la funcin derivada es igual que para un punto, es decir la regla
de los cinco pasos.
Ejemplo 2.
Se halla el valor de f(x) = x2

Se halla el valor de f(x + x) = x2 + 2xx + (x)2 .
Se calcula y = f(x + x) - f(x) = x2 + 2xx + (x)2 x2 = 2xx + (x)2 .
Se divide por x. Es decir:
4/25
V. DERIVADAS
Se calcula el lmite cuando Dx tiende a 0, es decir:
Por tanto:
f(x) = 2x
5.6. CONTINUIDAD Y DERIVABILIDAD

Existe una relacin muy estrecha entre continuidad de una funcin en un punto y
derivabilidad en dicho punto, expresada en el siguiente teorema:
Una funcin que sea derivable en un punto es contina en dicho punto.
En efecto, para que una funcin sea derivable en el punto x0, ha de existir el lmite:
Ahora bien, para la existencia de dicho lmite, los lmites laterales han de existir y ser
iguales, es decir:
y por tanto, garantiza la continuidad de la funcin en el punto x0.

El caso contrario no siempre es cierto, ya que la continuidad de una funcin en un
punto, no garantiza la derivabilidad de la funcin en dicho punto.
Ejemplo 3.
As, f(x) es contina en x0 = -1, pero f( x0 ) = f(-1) no es nico ya que:
5/25
V. DERIVADAS
5.7. CLCULO DE DERIVADAS
1. Derivada de la funcin potencial
Comenzamos por el caso particular de:
siendo n un nmero real.

Por tanto:
2 Derivada de una suma o diferencia de funciones

Sea i(x) = (f +g)(x), entonces:
La resta es igual, es decir:
3 Derivada del producto de dos funciones

Sea i(x) = (f g)(x), entonces:
La derivada del producto de dos funciones es igual a la derivada de la primera
funcin por la segunda sin derivar ms la derivada de la segunda funcin por la
primera sin derivar.
4 Derivada del cociente de dos funciones

La derivada de un cociente es igual a la derivada del numerador por el denominador
sin derivar menos la derivada del denominador por el numerador sin derivar, partido
por el denominador al cuadrado.
5 Derivada de un nmero real por una funcin

Para saber cual es la derivada del producto de una funcin por un nmero real, primero
vamos a ver cual es la derivada de una constante:
6/25
V. DERIVADAS
6 Derivada de una funcin compuesta (Regla de la cadena)
Sea la funcin:
Entonces:
7 Derivada de la funcin logartmica

Sea la funcin:
En el caso de que la funcin sea una funcin compuesta, es decir:

f(x) = log u, donde u sea una funcin cualquiera entonces:
En el caso particular de que f(x) = ln u, entonces:
8 Derivada de una funcin exponencial

Sea la funcin:
f ( x) = a x f ( x) = a x ln a
En el caso particular en que:
f ( x ) = e x f ( x ) = e x
Cuando la funcin sea compuesta:
f ( x) = a u f ( x) = a u u ln a
7/25
V. DERIVADAS
9 Derivada de las funciones trigonomtricas
9.1 Derivada de la funcin seno
Sea la funcin:
Por tanto:
f(x) = cos x
Si la funcin es compuesta, es decir f(x) = sin u (donde u es una funcin cualquiera),
entonces f(x) = u cos u
9.2 Dderivada de la funcin coseno
Sea f(x) = cos x,
f(x) = -sin x
Si la funcin es compuesta, es decir f(x) = cos u (donde u es una funcin cualquiera),
entonces f(x) = -u sin u
9.3 Derivada de la funcin tangente
Sea la funcin f(x) = tan x, esto es lo mismo que decir:
Entonces:
Si la funcin es compuesta, es decir f(x) = tan u (donde u es una funcin cualquiera),

entonces
9.4 Derivada de la funcin arcoseno

Sea la funcin f(x) = arcsin x, o lo que es lo mismo y = arcsin x
La funcin inversa sera: siny =x, si derivamos esta expresin obtendremos:
8/25
V. DERIVADAS
Por tanto:
Si la funcin es compuesta, es decir f(x) = arcsin u (donde u es una funcin

cualquiera), entonces
9.5 Derivada de la funcin arcocoseno

Sea la funcin f(x) = arccos x, o lo que es lo mismo y = arccos x
La funcin inversa sera: cosy = x, si derivamos esta expresin obtendremos:
Por tanto:
Si la funcin es compuesta, es decir f(x) = arccos u (donde u es una funcin

9.6 Derivada de la funcin arcotangente

Sea la funcin f(x) = arctan x, o lo que es lo mismo y = arctan x
La funcin inversa sera: tany = x, si derivamos esta expresin obtendremos:
Por tanto:
9/25
V. DERIVADAS
Si la funcin es compuesta, es decir f(x) = arctan u

(donde u es una funcin
5.8. RECTA TANGENTE A UNA CURVA EN UNO DE SUS PUNTOS

La obtencin de la recta tangente a una curva en uno de sus puntos es la aplicacin ms
inmediata de las derivadas, pues, como sabemos, f(x0) es la pendiente de la recta
tangente a la grfica de la funcin y = f(x) en el punto de abscisa x0. Por lo tanto, la
ecuacin de la recta tangente a la grfica de y = f(x) en x0 es:
y = f ( x0 ) + f ( x0 )( x x0 )
Ejemplo 4.
Hallar la ecuacin de la recta tangente, en x0 = 3, a:
y=
Clculo de la ordenada: f ( x0 ) = f (3) =
x2 2x
x+3
32 2i3 1
=
3+ 3
2
La curva pasa por (3, 1/2)

Pendiente: f ( x) =
(2 x 2)( x + 3) ( x 2 2 x)
;
( x + 3) 2
f (3) =
(4)(6) (3) 7
=
(6) 2
12
Luego la ecuacin de la recta tangente en ese punto es:
y=
1 7
+ ( x 3)
2 12
5.9. APLICACIN DE LA DERIVADA AL ESTUDIO CUALITATIVO

DE UNA FUNCIN
Teniendo en cuenta que la derivada implica el concepto de medida del cambio de
ritmo de dos variables relacionadas por una funcin, su aplicabilidad al estudio de las
funciones es clara.
10/25
V. DERIVADAS
a) Crecimiento y decrecimiento
Una funcin se sabe que es creciente en un intervalo, cuando para dos puntos
cualesquiera de ste, por ejemplo x y x + h, se verifica que:
Esta definicin tambin se puede expresar en funcin de la tasa de variacin media de

esta forma:
Del mismo modo, se sabe que una funcin es decreciente en un intervalo, cuando para
dos puntos cualesquiera de ste, por ejemplo x y x + h, se verifica que:
Esta definicin tambin se puede expresar en funcin de la tasa de variacin media de

esta forma:
La mayora de las funciones, no son ni crecientes ni decrecientes en todo su dominio,

sino que son montonas en intervalos. Pues bien, teniendo en cuenta las definiciones
anteriores y sabiendo que:
Entonces se puede afirmar que:

Si f(x)>0 en un intervalo, entonces la funcin es creciente en ese intervalo
Si f(x)<0 en un intervalo, entonces la funcin es decreciente en ese intervalo.
b) Mximos y mnimos
El mximo es el punto donde una funcin pasa de creciente a decreciente, mientras que
un mnimo es aquel punto donde la funcin pasa de decreciente a creciente.
De forma ms exacta, la funcin f tiene un mximo relativo (un mnimo relativo) en el
punto x = a si existe un entorno de a tal que para todo
del entorno se verifica que:
;
Si una funcin tiene mximos y mnimos y es derivable, entonces su derivada ha de ser

nula en esos puntos, como se deduce por los intervalos de crecimiento y decrecimiento.
Este podra ser considerado un primer criterio para la obtencin de los mximos y
mnimos de una funcin.
Un segundo criterio, llamado el de la segunda derivada dice as:
11/25
V. DERIVADAS
Suponiendo que existe derivada segunda en un entorno de x = a:
Si f(a) > 0 entonces la funcin alcanza un mnimo relativo en x = a
Si f(a) < 0 entonces la funcin alcanza un mximo relativo en x = a
c) Concavidad y convexidad
La convexidad o la concavidad de una funcin se define atendiendo a la regin superior
o inferior que determina la grfica.
Al igual que el crecimiento y el decrecimiento, la concavidad y convexidad de una
funcin se estudia en intervalos, por tanto se dice que:
Una funcin es convexa en un intervalo [a,b], si la grfica de la funcin queda por
encima de la recta tangente en cada uno de los puntos de dicho intervalo.
Anlogamente: Una funcin es cncava en un intervalo [a,b], si la grfica de la funcin
queda por debajo de la recta tangente en cada uno de los puntos de dicho intervalo.
El criterio utilizado comnmente para la determinacin de estos intervalos es el
siguiente:
Sea f una funcin definida en un intervalo I, se tiene que cuando:
, donde
, la funcin es convexa
, donde
, la funcin es cncava
d) Puntos de inflexin
Los puntos de inflexin son aquellos puntos pertenecientes a la funcin donde sta pasa
de convexa a cncava o de cncava a convexa.
Los posibles puntos de inflexin de una funcin son aquellos que anulan la derivada
segunda, es decir: f(a) = 0 . La demostracin es directa teniendo en cuenta los criterios
para determinar los intervalos de concavidad y convexidad de la funcin.
5.10. REPRESENTACIN GRFICA DE UNA FUNCIN

Para representar la grfica de una funcin seguiremos de forma general, los siguientes
puntos.
Como ejemplo para la mayor comprensin utilizaremos la funcin
12/25
V. DERIVADAS
a) Clculo del dominio de definicin de la funcin
El dominio de definicin son todos los valores reales que puede tomar la variable
independiente x, que hagan real la variable y.
En el ejemplo :
b) Puntos de corte con los ejes de coordenadas

Los puntos de corte con el eje de abscisas (x) se calculan haciendo 0 la ordenada.
Los puntos de corte con el eje de ordenadas (y) se calculan haciendo 0 la abscisa.
En el ejemplo :
Puntos de corte con el eje x:
esta ecuacin no tiene solucin real, por lo que la funcin no tiene puntos de corte con
el eje x.
Puntos de corte con el eje y:
esta expresin no es un nmero real, por tanto tampoco tiene puntos de corte con el eje
y.
c) Regiones de existencia de la funcin

Son las regiones donde la funcin es positiva o negativa. El nmero de regiones
depender del nmero de puntos de no existencia y de los puntos de corte con el eje x.
En cada regin:
Si f(x)>0 la regin ser positiva (y por tanto no existe grfica en la parte negativa)
Si f(x)<0 la regin ser negativa (y por tanto no existe grfica en la parte positiva)
En el ejemplo:
Regin negativa
Regin positiva
13/25
V. DERIVADAS
d) Simetras
Una funcin ser par (simtrica respecto al eje y) si se cumple que:
ser impar (simtrica respecto al origen de coordenadas) si cumple:

En el ejemplo:
por tanto no es par
por tanto tampoco es impar
e) Asntotas
Las asntotas son rectas a las cuales se aproximan algunas funciones cuando x tiende
, o hacia
. Podemos distinguir tres tipos:
hacia un valor a, hacia
Asntotas verticales:
Son del tipo x = a y existen cuando existe alguno de los lmites:

o
Como ayuda, las asntotas verticales, en las funciones que no son a trozos, coinciden
con los puntos de discontinuidad.
En el ejemplo:
por tanto x = 0
Asntotas horizontales:
Son del tipo y = b y existen cuando existe alguno de los lmites:

En el ejemplo:
por tanto no hay asntotas horizontales
14/25
V. DERIVADAS
Asntotas oblicuas:
La recta y = mx + n es una asntota oblicua si existe alguno de estos lmites:

y
En el ejemplo:
por tanto la asntota oblicua es:
f) Intervalos de crecimiento y decrecimiento

Para buscar los intervalos de crecimiento y decrecimiento se buscan los valores que
hacer cero la primera derivada, ya que dichos valores marcan los extremos de los
intervalos, y dentro de cada intervalo se comprueba que:
Creciente
Decreciente
En el ejemplo:
por lo que:
; creciente
; decreciente
; decreciente
; decreciente
15/25
V. DERIVADAS
g) Mximos y mnimos
Siguiendo los criterios vistos en el epgrafe 8 del tema, habr un mximo o mnimo
relativo donde la funcin cambie de creciente a decreciente o de decreciente a
creciente, siempre que este punto exista en la funcin.
En el ejemplo:
Habr un mximo relativo en:
y el punto ser una vez sustituido en f(x):
Y un mnimo relativo en y el punto una vez sustituido en f(x):
h) Intervalos de concavidad y convexidad. Puntos de inflexin

Siguiendo el criterio de la segunda derivada visto en el epgrafe 8 del tema, tenemos
que:
, la funcin es convexa
, la funcin es cncava
En el ejemplo:
No hay puntos de inflexin, pero dado que existe un punto de discontinuidad en la

funcin hay dos intervalos, en los cuales hay que comprobar la concavidad y
convexidad de la funcin:
; la funcin es cncava
; la funcin es convexa
i) Representacin
Teniendo en cuenta todos los puntos anteriores se traza la curva de la funcin, marcando
previamente todas las caractersticas que han surgido.
En el ejemplo:
16/25
V. DERIVADAS
5.11. OPTIMIZACIN DE FUNCIONES

Con mucha frecuencia aparecen problemas fsicos, geomtricos, econmicos,
biolgicos, en los que se trata de optimizar una funcin (hacer mximo un volumen,
unos beneficios, una poblacin; hacer mnimos unos costes o un rea).
La dificultad de estos problemas, normalmente, no estriba en optimizar una funcin
conocida, sino en encontrar la expresin analtica de la funcin que hemos de optimizar.
Vamos a ver unos ejemplos:
Ejemplo 5.
Se desea construir una piscina de fondo cuadrado, con 32 m3 de capacidad, de
manera que la superficie total (de las paredes ms el fondo) sea mnima. Qu
dimensiones debe tener la piscina?
Solucin:
Llamamos x al lado de la base e y a la altura. El volumen es:

V = x 2 y = 32 m 3
y=
32
x2
La superficie total (paredes ms fondo) es:

S = x 2 + 4 xy = x 2 + 4 x
32
128
= x2 +
= f (x ),
2
x
x
(x > 0 )
17/25
V. DERIVADAS
Buscamos x > 0 para que la superficie sea mnima:
f ' (x ) = 2 x
f ' (x ) = 0 2 x
128
x2
128 2 x 3 128
=
= 0 2 x 3 128 = 0 x 3 = 64
2
2
x
x
x = 3 64 = 4 x = 4 y = 2
Veamos que corresponde al mnimo:

f ' ' (x ) = 2 +
256
; f ' ' (4 ) > 0 En x = 4 hay un mnimo.
x3
Por tanto, la piscina debe tener 4 m de lado de la base y 2 m de altura

Ejemplo 6.
La cantidad de agua recogida en un determinado ao (en millones de litros) en cierto
pantano, como funcin del instante de tiempo (en meses), viene dada a travs de la
expresin:
f (t ) =
10
, 0 t 12
(t 6) 2 + 1
a) En qu instante se obtuvo la cantidad mxima de agua?

b) Cul fue esa cantidad mxima?
Solucin:
a) f' (t ) =
10 2 (t 6)
20 (t 6)
=
[(t 6) 2 + 1] 2 [(t 6) 2 + 1] 2
f '(t) = 0
t -6=0 t=6
Signo de f '(t):
Como f '(t) > 0 para t (0, 6) y f '(t) < 0 para t (6, 12), en t = 6 hay un
mximo.
f (0) = 0,27 ; f (6) = 10 ; f (12) = 0,27
Por tanto, la mxima cantidad de agua se obtuvo en el 6 mes, es decir, en junio.
b) f (6) = 10 10 millones de litros
18/25
V. DERIVADAS
EJERCICIOS DE DERIVADAS
1.
2.
3.
4.
5.
6.
7.
8.
19/25
V. DERIVADAS
9.
10.
11.
12.
13.
14.
15.
16.
17.
20/25
V. DERIVADAS
18.
19.
20.
21.
22.
23.
21/25
V. DERIVADAS
REPRESENTAR LAS SIGUIENTES FUNCIONES
1.
y = x3 3x + 1
2. y = x3 x2
3. y =
1
x +1
22/25
V. DERIVADAS
4. y =
1
4 x2
x2 + 1
5. y =
x
6. y =
1
x 1
2
23/25
V. DERIVADAS
7. y =
x
x 1
8. y =
x
1 + x2
9. y =
3x 4 + 1
x3
24/25
V. DERIVADAS
10. y =
x2 1
x2 + 1
11. y =
x2 + 1
x2 1
12. y =
x 3
x+5
25/25
VI. INTEGRALES
NDICE
6.1.
6.2.
6.3.
6.4.
6.5.
6.6.
6.7.
6.8.
6.9.
Introduccin histrica del clculo integral

Concepto de primitiva de una funcin. Integral indefinida
Propiedades lineales de la integracin
Integrales inmediatas
Mtodos de integracin
Concepto de integral definida
Propiedades de la integral definida
Regla de Barrow
Aplicaciones del clculo integral: clculo de reas
6.1. INTRODUCCIN HISTRICA DEL CLCULO INTEGRAL

La historia del clculo integral est ntimamente entrelazada con la historia del clculo
diferencial, hasta el punto de fundirse en una disciplina que conocemos con el nombre
de anlisis infinitesimal.
El clculo integral surgi como resultado del estudio de los problemas de deduccin de
reas y volmenes, as como cuestiones relativas a la rectificacin de curvas.
Los griegos, entre ellos cabe destacar a Arqumedes, consiguieron resultados
interesantes en algunos casos concretos, como por ejemplo el obtener el valor del rea
encerrada bajo un segmento parablico, pero siempre utilizando mtodos demasiado
geomtricos.
Pero no fue hasta el siglo XVII, cuando la disciplina del anlisis integral adquiri el
mtodo que hoy se utiliza. Fue gracias, como no, a Isaac Newton por un lado y a
Leibniz por otro, con la aportacin de otros grandes matemticos, como Barrow o
Fermat. Ellos fueron los que suministraron un mtodo directo, deducido principalmente
del clculo diferencial, para encontrar reas limitadas por curvas muy diversas, y en
definitiva todo tipo de sumas infinitesimales.
6.2. CONCEPTO DE PRIMITIVA DE UNA FUNCIN. INTEGRAL

INDEFINIDA
Atendiendo al concepto de derivada de una funcin, se puede obtener la funcin
derivada, si existe, de una funcin. Ahora bien, nos podemos preguntar: dada una
funcin f(x), puede existir otra funcin, que llamamos F(x), tal que F(x) = f(x)?
En el caso de que esa funcin exista, se le denomina primitiva de f(x).
Por tanto: F(x) es primitiva de f(x) si y solo si F(x) = f(x).
As pues, el proceso de obtener una primitiva a partir de una funcin f(x), se llama
integracin, y si esta funcin F(x) existe, se dice que f(x) es integrable.
1/14
VI. INTEGRALES
De modo que, la integracin se puede considerar como el proceso inverso de la
derivacin.
Conviene sealar que existen funciones cuyas primitivas no son expresables por medio
de funciones elementales. En este sentido se dice que no son integrables, aunque esto no
quiere decir que no posean primitivas.
Una caracterstica importante es que la primitiva de una funcin no es nica, es decir
que una funcin puede tener varias primitivas.
As por ejemplo:
F1 ( x) = x 2 + 1
F2 ( x) = x 2 + 2
F3 ( x) = x 2 + 3 ..............
tienen todas como funcin derivada: Fn ( x) = 2 x ,
por tanto una primitiva de

F ( x) = x 2 + C .
f ( x) = 2 x podra ser: F ( x) = x 2 + 5 y en general:
Puesto que no existe la primitiva de f(x), sino las primitivas de f(x), entonces habr
que hablar del conjunto de primitivas de una funcin f(x). A este conjunto se le llama
integral indefinida.
Se representa por:
f ( x)dx , siendo dx la diferencial de x. Por tanto, f ( x)dx = F ( x) + C .

El signo
es la letra griega summa, y fue introducido por Leibniz.
6.3. PROPIEDADES LINEALES DE LA INTEGRACIN

Las siguientes propiedades de la integral indefinida son consecuencia directa de la
derivacin:
a) Integral de la suma:
b) Integral del producto de un nmero real por una funcin:
Esta propiedad permite que una constante pueda salir del signo de integracin.
2/14
VI. INTEGRALES
6.4. INTEGRALES INMEDIATAS
La integracin, como hemos dicho anteriormente, es el proceso inverso al de la
derivacin, por eso la lectura de la tabla de derivadas en sentido inverso, nos
proporciona las primitivas de las funciones elementales.
Estas primitivas que se obtienen directamente de la tabla de derivadas se suelen llamar
inmediatas, y el conjunto de ellas, integrales inmediatas.
Utilizando la tabla que se expone a continuacin, y teniendo en cuenta las dos
propiedades lineales vistas en el epgrafe anterior, se pueden calcular gran cantidad de
primitivas.
Tabla de integrales inmediatas:
1. Tipo potencial
2. Tipo logartmico
x dx = lnx + C
1
x log
3. Tipo exponencial
x n+1
+C
n +1
n
x dx =
a
e
e dx = log a x + C
lna dx = a x + C
dx = e x + C
4. Tipo seno
cos x dx = sen x + C
5. Tipo coseno
sen x dx = cos x + C
6. Tipo tangente
1
cos2 x dx = tg x + C
(1 + tg
7. Tipo cotangente
sen
x)dx = tg x + C
dx = cot gx + C
(1 + cotg
8. Tipo arco seno
1
1 x2
x) dx = cotgx + C
dx = arcsen x + C
3/14
VI. INTEGRALES
9. Tipo arco coseno
10. Tipo arco tangente
1
1 x
1
1+ x
dx = arccos x + C
dx = arctg x + C
6.5. MTODOS DE INTEGRACIN

Todas las tcnicas de integracin consisten, en esencia, en transformar el integrando
hasta obtener una funcin que reconozcamos como inmediata.
Existen multitud de mtodos, aunque nosotros en este tema veremos los ms usados y
los ms recomendados al nivel en el que nos movemos.
1. Mtodo de descomposicin
Consiste en descomponer el integrando, si es posible, como suma de otras funciones

cuyas integrales son inmediatas o pueden transformarse en otras ms sencillas siguiendo
las propiedades lineales de las integrales.
Podemos decir que es un mtodo un tanto intuitivo, ya que hay que adivinar en el
integrando una funcin cuya integral sea inmediata o sencilla de calcular. Por tanto cada
caso requerir su propio tratamiento. A continuacin se sealan un par de ejemplos, uno
sencillo de efectuar y otro ms complicado de desarrollar:
Ejemplo 1.
2. Mtodo de sustitucin o cambio de variable
Consiste en encontrar una funcin x = g (t ) , la cual al sustituirla por x bajo el signo

integral, convierta a la integral en otra ms sencilla (con la nueva variable t).
Esta nueva funcin debe cumplir con los siguientes puntos.
- Ha de ser derivable y adems derivada no nula
- Debe admitir funcin inversa.
4/14
VI. INTEGRALES
Este mtodo es uno de los ms utilizados por la gran variedad de sustituciones que se
pueden dar, unas simples y otras ms complicadas. La sustitucin deber ser la adecuada
para el tipo concreto, dado que el error al utilizar una sustitucin inadecuada conducir
frecuentemente a integrales de mayor dificultad que la propuesta.
Ejemplo 2.
1 Se busca la sustitucin, en este caso:

2 Se calcula dx:
3 Se sustituye el integrando por la nueva funcin:
4 Se simplifica:
5 Se resuelve:
6 Se deshace la sustitucin:
3. Mtodo de integracin por partes
Este mtodo se deduce de la derivada de un producto de funciones. As si tomamos dos

funciones u y v. La derivada de su producto sera:
(uv) = uv + uv
Si integramos ambos miembros quedara:
(uv) = uv + uv ,
por lo que:
uv = d (uv) = udv + vdu tomando u = du y v = dv

Despejando
udv nos queda que:

udv = uv vdu
que es la frmula correspondiente al mtodo de integracin por partes.
5/14
VI. INTEGRALES
A la hora de aplicar la frmula, en el integrando hay que elegir u y dv, lo que exige un
poco de intuicin y otro tanto de prctica.
Por regla general, este mtodo se utilizar, cuando se aprecie que el integrando es
producto de dos funciones, y una de ellas sea la derivada de otra fcil de obtener. Suele
ser efectivo este mtodo cuando uno de los dos factores es de tipo exponencial,
logartmico o trigonomtrico.
Ejemplo 3.
Haciendo
Para calcular v se integra dv, es decir:

Aplicando la frmula anteriormente sealada:
6.6. CONCEPTO DE INTEGRAL DEFINIDA

El concepto de integral definida, est ligado al clculo de reas de regiones planas
limitadas por funciones.
La idea de integral definida es una generalizacin del clculo de dichas reas por medio
de regiones poligonales inscritas o circunscritas (dependiendo que fuese por defecto o
por exceso) a las mismas, tales que al aumentar los lados, el rea de de estos polgonos
tiende a aproximarse al rea exacta.
Para ello vamos a describir cmo se puede calcular por aproximacin el rea de una
regin plana limitada por una funcin f(x).
Sea una funcin f(x) continua y positiva en el intervalo (a,b). Se trata de calcular el rea
determinada por la grfica de la funcin f(x) y por las rectas x = a, y = b e y = 0.
Es decir el rea sombreada de la figura adjunta
6/14
VI. INTEGRALES
Para ello haremos una particin del segmento (a,b) en n partes iguales, y por tanto
tendremos n rectngulos de base ( xn xn 1 ) . Cada altura del rectngulo ser o bien el
mnimo de la funcin en cada intervalo ( xn xn 1 ) (en este caso sern rectngulos
inscritos en el rea), o bien el mximo en dicho intervalo (y en este caso sern
rectngulos circunscritos al rea).
Si sumamos las reas de los rectngulos de altura mnima, tendremos una aproximacin
del clculo del rea por defecto, (suma inferior I); si sumamos las reas de los
rectngulos de altura mxima, tendremos una aproximacin del clculo del rea por
exceso, (suma superior S).
Naturalmente la aproximacin ser tanto mayor, cuanto mayor sea el nmero de
particiones que hagamos del segmento (a,b).
Ahora bien, si tomamos la base de cada rectngulo por dx y la altura por f(x), el rea de
cada rectngulo ser A = f(x)dx, y teniendo en cuenta el concepto de lmite podemos
afirmar que:
lim I = lim S = Area del recinto

n
Este nmero real recibe el nombre de integral definida de la funcin f(x) en [a,b] y se
designa por
b
a
f ( x) dx
7/14
VI. INTEGRALES
6.7. PROPIEDADES DE LA INTEGRAL DEFINIDA
Si c es un punto interior de [a,b] , la integral definida se descompone como suma de dos
integrales definidas de intervalos [a,c] y [c,b], es decir:
b
a
f ( x)dx = f ( x)dx + f ( x)dx
La demostracin es clara teniendo en cuenta el concepto de integral definida como

particin de un rea.
b) Nulidad
Si a = b, entonces:
a
a
f ( x)dx = 0
Podra entenderse como que el rea de un rectngulo de base nula es 0.

c) Anticonmutatividad
Si permutamos los lmites del intervalo, la integral cambia de signo, es decir:
b
a
f ( x) dx = f ( x) dx
b
d) Suma y diferencia
La integral definida de una suma o resta de funciones es igual a la suma o resta de las
integrales definidas, es decir:
Esta propiedad tambin se puede intuir por la adicin de reas.

e) Producto de un nmero real
La integral definida del producto de una constante por una funcin es igual a la
constante por la integral de la funcin, es decir:
b
a
k f ( x)dx = k f ( x)dx
a
6.8. REGLA DE BARROW

Si f(x) es una funcin continua en [a,b] y F(x) es una primitiva de f(x), distinta de la
funcin integral F(x), entonces:
b
a
f ( x)dx = F (b) F ( a)
8/14
VI. INTEGRALES
En efecto:
Si G ( x) =
x
a
f ( x)dx es la funcin integral de f(x), entonces por ser tambin F(x) una
primitiva de f(x), tenemos que:

G(x) = F(x) + C
C puede calcularse fcilmente puesto que para x = a, G(a) = F(a) + C, como G(a) = 0,
queda que C = - F(a) y sustituyendo:
G(x) = F(x) - F(a), por lo que:
b
a
f ( x)dx = G (b) = F (b) F (a)
Esta regla nos permite un clculo rpido y sencillo de reas limitadas por funciones que
sean integrables.
6.9. APLICACIONES DEL CLCULO INTEGRAL. CLCULO DE

REAS
Vamos a distinguir dos tipos:
reas de recintos limitados por una funcin
reas de recintos limitados por dos funciones
o reas de recintos limitados por una funcin
El teorema de Barrow nos da una herramienta para el clculo de reas. Ahora bien, la
superficie de un recinto es siempre positiva, mientras que la integral puede ser positiva,
negativa o nula.
Por tanto, en la aplicacin de la integral definida al clculo de reas debe tenerse en
cuenta el signo de cada uno de los recintos limitados por la funcin y el eje OX y tomar
el valor absoluto de los mismos. Su suma en tal caso es el rea busca. Esto quiere decir
que cuando la grfica de la funcin entre dos puntos a y b est por encima del eje OX
(es decir en la Y positiva), entonces el rea ser:
b
a
f ( x) dx
Ahora bien, si la grfica de la funcin entre a y b est toda por debajo del eje OX,
entonces el rea ser:
b
a
f ( x) dx
ya que el valor de la integral ser negativo.
9/14
VI. INTEGRALES
Si por ltimo, la grfica de la funcin entre a y b, est parte por encima y parte por
debajo del eje OX, habr que buscar el punto o los puntos, donde la funcin pase de
positiva a negativa o viceversa (es decir sern los puntos de corte de la funcin con el
eje OX). En este caso, y suponiendo que el punto de corte sea c, tendremos que:
A=
f ( x)dx + f ( x)dx
c
Ejemplo 4.
Calcular el rea limitada por la curva y = x 2 + 4 x 2 y el eje de abscisas, en el

intervalo [0,2]
En primer lugar hay que comprobar si en el intervalo la funcin est por encima y/o por
debajo del eje OX. Para ello se buscan los puntos de corte con el eje x:
Esto quiere decir que la funcin en el intervalo est por debajo del eje OX entre los
puntos 0 y 0.58, y por encima entre 0.58 y 2.
As que el rea hay que calcularla en dos trozos:
calculando ambas integrales sale:

A = 2.43u2
10/14
VI. INTEGRALES
o reas del recinto limitado por dos funciones
En este caso los intervalos de integracin vendrn delimitados por sus puntos de corte,
para lo cual, se hace f(x) = g(x) y se calculan dichos puntos.
En el caso de que g(x) > f(x) en [a,b] resultar que el rea buscada ser:
b
A = g ( x) dx f ( x)dx
que por la propiedad de la diferencia de la integral definida quedara como:
A = [ g ( x) f ( x) ] dx
b
En el caso de que existan partes negativas y positivas, habr que efectuar los cambios
introducidos en el epgrafe anterior.
Ejemplo 5.
Calcular el rea limitada por las grficas f ( x) = x 2 y g ( x) = x

En este ejemplo hay que calcular el intervalo que coincide con los puntos de corte de la
parbola y la recta, por lo que:
por lo que el intervalo es (0,1)

por otro lado como g(x)>f(x), en este intervalo entonces:
por lo que el rea pedida es:

A = 1/6 u2
11/14
VI. INTEGRALES
EJERCICIOS DE INTEGRALES
1.
2.
3.
4.
12/14
VI. INTEGRALES
5.
6.
7.
13/14
VI. INTEGRALES
8.
9.
10.
14/14
VII. PROBABILIDAD
NDICE
7.1.
7.2.
7.3.
7.4.
7.5.
7.6.
7.7.
7.8.
7.9.
7.10.
Introduccin
Experimentos aleatorios
Lenguaje del clculo de probabilidades
Sistema completo de sucesos
Experimentos compuestos
Probabilidad
Probabilidad condicionada
Sucesos dependientes e independientes
Probabilidad total
Teorema de Bayes
7.1. INTRODUCCIN
La teora de probabilidad tiene su origen en los juegos de azar.
Su finalidad, podramos decir, que es la de cuantificar la previsibilidad a priori en
algo totalmente imprevisible en principio, como son los fenmenos aleatorios.
Poincar (matemtico francs) afirmaba, que: el azar no es ms que la medida de
nuestra ignorancia. Los fenmenos fortuitos son, por definicin, aquellos cuyas leyes
ignoramos.
Con el estudio de las leyes de la probabilidad, no se intenta hacer del azar algo
determinista, sino saber qu peso tiene dicho azar en determinados fenmenos.
Como se ver ms adelante, la probabilidad de un fenmeno (que llamaremos suceso)
consiste en asignar un nmero real a tal suceso. Este nmero nos permite obrar en
consecuencia acerca de la posibilidad ms o menos remota de que dicho suceso ocurra.
7.2. EXPERIMENTOS ALEATORIOS

Por definicin, un experimento aleatorio es aquel que se caracteriza porque al repetirlo
bajo anlogas condiciones jams se puede predecir el resultado que se va a obtener. En
caso contrario se llama experimento determinista.
Ejemplos de estos experimentos pueden ser:
extraer dos bolas de un saco con 20 bolas distintas
lanzar un dado y ver que nmero aparece en la cara superior
extraer una carta de una baraja
el juego de la lotera primitiva
etc.
1/13
VII. PROBABILIDAD
7.3. LENGUAJE DEL CLCULO DE PROBABILIDADES
Como toda especialidad o disciplina del conocimiento, el clculo de probabilidades
tiene su propio lenguaje. A continuacin definiremos los conceptos ms utilizados
dentro del mundo de las probabilidades.
1 Espacio muestral E: (de un experimento aleatorio) es el conjunto de todos los
resultados posibles del experimento.
Ejemplo 1.
1.- El espacio muestral asociado al experimento lanzar una moneda es:
E={C,X}
2.- El espacio muestral asociado al lanzamiento de dos monedas es:
E={ CC,CX,XC,XX}
C
CC
CX
XC
XX
3.-Espacio muestral asociado al experimento lanzar un dado:

E={ 1 , 2 , 3 , 4 , 5 , 6 }
4.- Espacio muestral asociado al experimento lanzar dos dados:
E={ (1,1,),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3),(2,4),(2,5),(2,6)
(3,1),(3,2),(3,3),(3,4),(3,5),(3,6),(4,1),(4,2),(4,3),(4,5),(4,6)
(5,1),(5,2),(5,3),(5,4),(5,5),(5,6),(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
2 Suceso de un experimento aleatorio: es un subconjunto del espacio muestral.
2/13
VII. PROBABILIDAD
Ejemplo 2.
Al lanzar un dado con sus caras numeradas y anotar el resultado de la cara superior su
espacio muestral sera:
E={ 1 , 2 , 3 , 4 , 5 , 6 }
pues bien, si consideramos los siguientes casos:
salir par: A={ 2 , 4 , 6 }
salir impar: B={ 1 , 3 , 5 }
salir nmero primo: C={ 2 , 3 , 5 }
salir mltiplo de 3: D={ 3 , 6 }
Todos son subconjuntos de E, y por tanto a cada uno de ellos se les denomina suceso.
Al conjunto de todos los sucesos de un experimento aleatorio se denomina espacio de

sucesos, y se designa por S, que no es lo mismo que E.
3 Tipos de sucesos: Puede haber los siguientes tipos:
suceso elemental, es cada uno de los elementos del espacio muestral

suceso compuesto (de varios sucesos elementales)
suceso seguro, es el que siempre se realiza. Es evidente que tendr que estar
formado por todos los resultados posibles del experimento, es decir, coincide
con E
suceso imposible, es el suceso que no se realiza nunca. Lo designaremos por .
4 Suceso contrario, del suceso A, es un suceso que se realiza cuando no se realiza A.

c
Se representa por A o A .
As, en el ejemplo del lanzamiento del dado, los sucesos:
- Salir par: {2, 4, 6}
- Salir impar: {1, 3, 5}
son sucesos contrarios.
5 Operaciones con sucesos:
Unin de sucesos: la unin de dos sucesos A y B es el suceso que se realiza cuando

se realiza A B, por tanto A A = E
3/13
VII. PROBABILIDAD
Ejemplo 3.
"Lanzar un dado"
E={1,2,3,4,5,6}
A="Salir un nmero par"={2,4,6,} ; B="Salir un nmero primo={1,2,3,5}

A B ={1,2,3,4,5,6}
Interseccin de sucesos: la interseccin de A y B es el suceso que se realiza cuando

se realizan simultneamente los sucesos A y B. Cuando es imposible que los
sucesos se realicen simultneamente se dice que son incompatibles. Si A B =
entonces son incompatibles. En caso contrario se dice que son compatibles. En el
ejemplo anterior: A B ={ 2 }.
Propiedades :
Asociativa
Conmutativa
Idempotente
Simplificativa
Distributiva
Suceso contrario
Unin
Interseccin
(A B) C=A (B C) (A B) C=A (B C)
A B=B A
A B=B A
A A=A
A A=A
A (B A)=A
A (B A)=A
A (B C)=(A B) (A C)
A(B C)=(A B) (A C)
A A =
A A = E
7.4. SISTEMA COMPLETO DE SUCESOS

Se dice que un conjunto de sucesos A1, A2 ....... constituyen un sistema completo
cuando se verifica:
-
A1 A2 ........ = E
A1 , A2 , ......son incompatibles 2 a 2 .
An
A1 A2 .............
As por ejemplo, en el lanzamiento de un dado, su espacio muestral es:
Los siguientes sucesos constituyen un sistema completo de sucesos:
Los siguientes sucesos constituyen otro:

4/13
VII. PROBABILIDAD
7.5. EXPERIMENTOS COMPUESTOS

Los experimentos formados por varios experimentos simples, se les llaman
experimentos compuestos.
Ejemplo 4.
Lanzamiento de un dado y una moneda.
Al espacio muestral generado a partir de un experimento compuesto se le denomina
espacio compuesto.
En el ejemplo anterior, el espacio compuesto sera:
7.6. PROBABILIDAD
1 Idea intuitiva de probabilidad
Supongamos que lanzamos una moneda y anotamos las veces que sale cara. Despus de
10, 20, 30, ......, 200 lanzamientos obtenemos los resultados:
N de lanz. 10
N de caras
6
fre.relativa 06
20
11
055
30
16
053
40
20
05
50
27
054
60
31
051
70
37
052
80 ................. 200
43 ................ 101
053 ............ 050
Si repitiramos el experimento obtendramos resultados muy parecidos.

Podemos sacar en conclusin que las frecuencias relativas del suceso cara tienden a
estabilizarse hacia el valor 05.
Este nmero al que la frecuencia relativa se acerca ms cuanto mayor es el numero de
pruebas realizadas, lo llamaremos probabilidad del suceso. La probabilidad de un
suceso A, se representar p(A).
2 Definicin clsica de probabilidad: (regla de Laplace)
p( A ) =
n de casos favorables
n de casos posibles
5/13
VII. PROBABILIDAD
(para aplicar esta definicin se supone que los sucesos elementales son equiprobables)
Ejemplo 5.
"Lanzar un dado"
a) A="nmero par"={2,4,6}
b) B="Obtener primo" ={2,3,5}
c) C="obtener multiplos de 3"={3,6}
d) D=Obtener mltiplo de 5"={5}
p(A)=3/6=1/2
p(B)=3/6=1/2
p(C)=2/6=1/3
p(D)=1/6
Ejemplo 6.
"Lanzar dos monedas"
E={CC,CX,XC,XX}
a) A= Obtener dos caras

p(A)=1/4
b) B= "
" cruces
p(B)=1/4
c) C=
" una cara y una cruz p(C)=2/4
d) D=
" al menos una cruz
p(D)=3/4
Ejemplo 7.
"Extraccin de una carta de una baraja espaola"
a) A = Obtener un oro
b) B = Obtener un as
c) C = Obtener una sota de espadas
d) D = Obtener un as o una sota
e) E = Obtener bastos o espadas
f) F = Obtener una figura
p(A)=10/40=1/4
p(B)=4/40=1/10
p(C)=1/40
p(D)=8/40=1/5
p(E)=20/40=1/2
p(F)=12/40=3/10
3 Definicin axiomtica de probabilidad: Se llama probabilidad a una ley que asocia

a cada suceso A un nmero real que cumple los siguientes axiomas:
1. La probabilidad de un suceso cualquiera del espacio de sucesos siempre es

positiva , es decir p(A) 0
2. La probabilidad del suceso seguro es 1, es decir, p(E) = 1
3. La probabilidad de la unin de sucesos incompatibles es igual a la suma de
probabilidades de cada uno de ellos, o sea , p(A B) = p(A) + p(B)
4 Consecuencias de los axiomas:
p( A ) = 1 - P(A)
p( ) = 0
0 p( A ) 1
6/13
VII. PROBABILIDAD
-
Si A B
p(A) p(B)
Si los suceso son compatibles: p(A B) = p(A) + p(B) - p(A B)
Para el caso de tres sucesos compatibles sera:

p(A B C) = p(A) + p(B) + p(C) - p(A B) - p(A C) - p(B C) + p(A B C)
Ejemplo 8.
"Extraer una carta de una baraja"
Sucesos:
A="Obtener un oro" , B="Obtener un rey"
C="Obtener un as de espadas" , D="Obtener figuras"
i)
A y B son compatibles, pues A B ="Obtener rey de oros"
10 4 1 13
+
=
40 40 40 40
ii) A y C son incompatibles, pues no se puede obtener un oro y el as de espadas a
p(A B ) = p(A )+ p(B ) p(A B ) =
la vez.
p(A C) = p(A ) + p(C) =
10 1
11
+
=
40 40 40
iii) B A P(B)=4/40=1/10<p(A)=12/40=3/10
iv) A D ="obtener figura de oros"
p(A D)= p(A )+ p(D) p(A D) =
10 12 3 19
+
=
40 40 40 40
7.7. PROBABILIDAD CONDICIONADA

Vamos a estudiar como queda modificada la probabilidad de un suceso cuando
disponemos de informacin adicional de que se ha presentado otro.
Por ejemplo: "Lanzar dos monedas", cuyo espacio muestral es E={CC,XX,CX,XC}la
probabilidad de {CC} es 1/4.
Supongamos que sali una cara en la primera tirada, entonces la p(CC) = 1/2 puesto que
el nuevo espacio muestral queda reducido a E={CC,CX}.
Se llama probabilidad del suceso A condicionado por B, p(A/B), a la probabilidad de
que se cumpla A una vez que se ha verificado el B.
p(A/B) =
p(A B)
p(B)
7/13
VII. PROBABILIDAD
B
a
p(A B) =
b
a+b+c
p(B) =
b+c
a+b+c
p(A/B) =
b
b+c
Otra forma de ver la frmula es:

p(A B) = p(B) p(A/B) = p(A) p(B/A) = p(B A)
Generalizando: p(A B C) = p(A) p(B/A) p(C/A B)
Ejemplo 9.
Hombres
70
20
90
Fuman
No Fuman
p(H) = 90/160
p(M) = 70/160
p(H/NF) = 20/50
Mujeres
40
30
70
p(F) = 110/160
110
50
160
p(NF) = 50/160
p(H/F) = 70/110 p(M/NF) = 30/50
p(M/F) = 40/110
p(H F) = 70/160 = p(F) p(H/F) = (110/160) (70/110)

Lo mismo se podra hacer con color de ojos (marrones y azules) y color de pelo (rubio y
castao).
Ejemplo 10.
"Lanzar un dado al aire". Calcula la probabilidad de obtener un mltiplo de 3,
sabiendo que ha salido puntuacin par.
Sea A="Salir n par"={2,4,6}
B="Salir mltiplo de 3"={3,6}
p(B /A ) =
p(A)=3/6=1/2
p(B)=2/6=1/3
p(B A ) 1/6 2 1
=
= =
1/2 6 3
p(A )
Pues A B ="Salir un n par mltiplo de 3"={6}
8/13
VII. PROBABILIDAD
7.8. SUCESOS DEPENDIENTES E INDEPENDIENTES
Dos sucesos A y B se dice que son independientes si p(A) = p(A/B). En caso contrario,
p(A) p(A/B), se dice que son dependientes.
Esto implica que cuando dos sucesos son independientes la realizacin de un suceso no
implica la realizacin del segundo, y en caso contrario si.
Probabilidad de la interseccin o probabilidad compuesta:
Si los sucesos son dependientes p(A B) = p(A) p(B/A) = p(B) p(A/B)

Si los sucesos son independientes p(A B) = p(A) p(B)
Ejemplo 11.
Si al extraer dos cartas de una baraja lo hacemos con devolucin tendremos dos
sucesos independientes, p(A B) = p(A) p(B) pero si lo hacemos sin devolucin ahora
si son dependientes p(A B) = p(A) p(B/A).
7.9. PROBABILIDAD TOTAL

Sea un sistema completo de sucesos y sea un suceso B tal que p(B/Ai) son conocidas,
entonces:
p(B) = p(B A1) + p(B A2) + .........= p(B A i )
A1
A2
A3
B
A4
B
7.10. TEOREMA DE BAYES

Sea un sistema completo de sucesos y sea un suceso B tal que p(B/Ai) son conocidas,
entonces:
p(A i ) p(B / A i )
p(A i / B) =
p(A i ) p(B / A i )
9/13
VII. PROBABILIDAD
Ejemplo 12.
Importante: Se va ha realizar el siguiente experimento: se tira una moneda, si sale cara
se saca una bola de una urna en la que hay 4 bolas negras, 3 turquesa y 3 amarillas, si
sale cruz se saca una bola de otra urna en la que hay 5 bolas negras, 2 turquesa y 3
amarillas.
NNNN
TTT
AAA
Cara ---------------------Cruz ----------------------
NNNNN
TT
AAA
Cara 1/2
N 4/10
T 3/10
A 3/10
p(Cara N) = 1/2 4/10 = 4/20

p(Cara T) = 1/2 3/10 = 3/20
p(Cara A) = 1/2 3/10 = 3/20
Cruz 1/2
N 5/10
T 2/10
A 3/10
p(Cruz N) = 1/2 5/10 = 5/20

p(Cruz T) = 1/2 2/10 = 2/20
p(Cruz A) = 1/2 3/10 = 3/20
T de la probabilidad total: p(N) = p(Cara N) + p(Cruz N) = 4/20 + 5/20 = 9/20

p(Cara N)
que no es ni ms ni menos que
p(Cara N) + p(Cruz N)
casos favorables entre casos posibles.
T de Bayes: p(Cara/N) =
10/13
VII. PROBABILIDAD
EJERCICIOS DE PROBABILIDAD
1. Lanzamos un dado y una moneda. Los posibles resultados son (1,C), (1,+), (2,C) Describe el espacio
muestral con los doce elementos de los que consta.
a) Sean los sucesos:
A = Sacar uno o dos en el dado
B = sacar + en la moneda
D = {(1,C), (2,+), (3,C), (3,+), (6,+)}
b) Describe los sucesos A y B mediante todos los elementos.
c) Halla A UB, A B, A UD'
2. Determina si son compatibles o incompatibles los sucesos A y B: P[A] = 1/4, P[B] = 1/2, P[A UB] = 2/3
3. Se lanzan dos dados. Calcula la probabilidad de que la mayor de las puntuaciones sea un 1, un 2, un 3, un
4, un 5, un 6.
4. Una clase se compone de veinte alumnos y diez alumnas. La mitad de las alumnas y la mitad de los
alumnos aprueban las matemticas. Calcula la probabilidad de que, al elegir una persona al azar,
resulte ser:
a) Alumna o que aprueba las matemticas.
b) Alumno que suspenda las matemticas.
c) Sabiendo que es alumno, cul es la probabilidad de que apruebe las matemticas?
d) Son independientes los sucesos ALUMNO y APRUEBA MATEMTICAS?
5. En una caja hay seis bolas numeradas, tres de ellas con nmeros positivos y las otras tres con nmeros
negativos. Se extrae una bola y despus otra, sin remplazamiento.
a) Calcula la probabilidad de que el producto de los nmeros obtenidos sea positivo.
b) Calcula la probabilidad de que el producto de los nmeros obtenidos sea negativo.
6. En una cierta ciudad, el 40% de la poblacin tiene cabellos castaos, el 25% tiene los ojos castaos y
el 15% tiene cabellos y ojos castaos. Se escoge una persona al azar:
a) Si tiene cabellos castaos, cul es la probabilidad de que tambin tenga ojos castaos?
b) Si tiene ojos castaos, cul es la probabilidad de que tenga cabellos castaos?
c) Cul es la probabilidad de que no tenga cabellos ni ojos castaos?
7. Un examen consiste en elegir al azar dos temas de entre los diez del programa y desarrollar uno de
ellos.
a) Un alumno sabe 6 temas. Qu probabilidad tiene de aprobar el examen?
b) Qu probabilidad tiene el mismo alumno de saberse uno de los temas elegidos y el otro no?
8. Un estudiante hace dos pruebas en un mismo da. La probabilidad de que pase la primera prueba es 0,6.
La probabilidad de que pase la segunda es 0,8 y la de que pase ambas es 0,5. Se pide:
a) Probabilidad de que pase al menos una prueba.
b) Probabilidad de que no pase ninguna prueba.
c) Son las pruebas sucesos independientes?
d) Probabilidad de que pase la segunda prueba en caso de no haber superado la primera.
9. Una urna A tiene 3 bolas blancas y 7 negras. Otra urna B tiene 9 bolas blancas y 1 negra. Escogemos
una de las urnas al azar y de ella extraemos una bola. Calcula:
a) P[ BLANCA/A ]
b) P[ BLANCA/B ]
c) P[ A y BLANCA ]
d) P[ B y BLANCA ]
11/13
VII. PROBABILIDAD
e) P[ BLANCA ]
f) Sabiendo que la bola obtenida ha sido blanca, cul es la probabilidad de haber escogido la urna B ?
10. Tenemos las mismas urnas del ejercicio anterior. Sacamos una bola de A y la echamos en B y, a
continuacin, sacamos una bola de B.
a) Cul es la probabilidad de que la segunda bola sea negra?
b) Sabiendo que la segunda bola ha sido negra, cul es la probabilidad de que tambin la primera
fuese negra?
11. Una urna contiene 10 bolas blancas, 6 negras y 4 rojas. Si se extraen tres bolas con reemplazamiento,
cul es la probabilidad de obtener 2 blancas y una roja?
12. Una urna A contiene 6 bolas blancas y 4 negras. Otra urna B tiene 5 blancas y 9 negras. Elegimos una
urna al azar y extraemos dos bolas, que resultan ser blancas. Halla la probabilidad de que la urna
elegida haya sido la A.
13. Se dispone de tres urnas: la A que contiene dos bolas blancas y cuatro rojas, la B con tres blancas y
tres rojas; y la C con una blanca y cinco rojas.
a) Se elige una urna al azar y se extrae una bola de ella. Cul es la probabilidad de que esta bola sea
blanca?
b) Si la bola extrada resulta ser blanca, cul es la probabilidad de que proceda de la urna B?
14. Sean A y B dos montones de cartas. En A hay 8 oros y 5 espadas y, en B 4 oros y 7 espadas. Sacamos
dos cartas del mismo montn y resulta que ambas son de espadas. Halla la probabilidad de que las
hayamos sacado del montn B.
15. Una urna contiene 25 bolas blancas sin marcas, 75 bolas blancas marcadas, 125 bolas negras sin
marcar y 175 bolas negras marcadas.
a) Se extrae una bola. Calcula la probabilidad de que sea blanca.
b) Se extrae una bola y est marcada. Cul es la probabilidad de que sea blanca?
c) Se extrae una bola. Cul es la probabilidad de que sea negra y est marcada?
d) Son independientes los sucesos sacar bola blanca y sacar bola marcada?
16. En un centro escolar hay tres grupos de Bachillerato. El primero est compuesto por 10 alumnos de
los que 7 prefieren la msica moderna, 2 prefieren la clsica y 1 que no le gusta la msica. En el
segundo, compuesto por 12 alumnos, la distribucin de preferencias es 5, 7 y 0 respectivamente; y en
el tercero, formado por 14 alumnos, la distribucin de preferencias es de 6,6 y 2 respectivamente.
Se elige un grupo al azar y se regalan 2 entradas para un concierto de msica clsica a dos alumnos
seleccionados al azar.
a) Halla la probabilidad de que los dos alumnos elegidos sean aficionados a la msica clsica.
b) Si los dos alumnos agraciados son, efectivamente, aficionados a la msica clsica, cul es la
probabilidad de que sean del primer grupo?.
17. De una baraja se extraen simultneamente tres cartas al azar. Encuentra la probabilidad de que:
a) Las tres cartas sean de bastos.
b) Alguna de las cartas sea un oro.
18. Una urna A contiene 2 bolas blancas y una negra, y otra urna B contiene 2 bolas negras y una blanca.
Se extraen dos bolas de la urna A y, sin mirar el color, se introducen en la B. A continuacin se
extrae una bola de la urna B. Cul es la probabilidad de que esa bola sea negra?
19. Los alumnos de Bachillerato de un IES proceden de 3 localidades, A, B y C, siendo un 20% de A, un
30% de B y el resto de C. El 80% de los alumnos de A cursa 1 de Bachillerato y el resto, 2. El 50%
12/13
VII. PROBABILIDAD
de los alumnos de B cursa 1 de Bachillerato y el resto, 2. El 60% de los alumnos de C cursa 1 de
Bachillerato y el resto, 2.
a) Seleccionado, al azar, un alumno de Bachillerato de ese IES, cul es la probabilidad de que sea de
2?
b) Si elegimos, al azar, un alumno de Bachillerato de ese IES y este es un alumno de 2, cul es la
probabilidad de que proceda de la localidad B.
20. Segn una estadstica de resultados en las Pruebas de Acceso a la Universidad, el nmero de alumnas
presentadas es 840, de las que han aprobado un 70%, mientras que el nmero de alumnos presentados
es 668, habiendo aprobado un75% de estos.
a) Elegida, al azar, una persona presentada a las Pruebas, cul es la probabilidad de que haya
aprobado?
b) Sabiendo que una persona ha aprobado, cul es la probabilidad de que sea varn?
13/13
VIII. INFERENCIA ESTADSTICA. MUESTREO

NDICE
8.1.
8.2.
8.3.
8.4.
8.5.
8.6.
8.7.
Introduccin
Poblacin y muestra
El muestreo. Tipos de muestreo
Distribucin Normal
Distribucin de probabilidad de la media muestral
Intervalos de confianza
Error admitido y tamao de la muestra
8.1. INTRODUCCIN
La Estadstica es la ciencia que estudia los fenmenos de masas para hallar en ellos las
regularidades del comportamiento colectivo, regularidades que sirven para describir el
fenmeno y para efectuar predicciones.
Cuando se observan exhaustivamente todos los elementos de la poblacin, se dispone de
todos los datos posibles para el estudio de un fenmeno dado, y por tanto es posible
describir de forma exacta las regularidades, el comportamiento o las caractersticas de
dicha poblacin. Esto es a lo que se dedica la llamada Estadstica descriptiva.
Ahora bien, si esa observacin no es exhaustiva, sino que se parte de una muestra, a
partir de la cual se intenta conocer las caractersticas de una poblacin, entonces
estamos ante un proceso de induccin. Por tanto la Estadstica Inductiva o la Inferencia
Estadstica tiene como funcin generalizar los resultados de la muestra para estimar las
caractersticas de la poblacin, lo cual no quiere decir que los mtodos utilizados en la
Estadstica descriptiva sean distintos a los utilizados en el estudio de una muestra.
Es importante resear que los conceptos de poblacin y muestra deben de estar
subordinados al uso que se le va a dar al conjunto de observaciones de que se dispone.
8.2. POBLACIN Y MUESTRA

Entendemos por poblacin un conjunto de elementos que poseen una caracterstica o
propiedad comn, y que constituyen la totalidad de los individuos de inters para
nuestro estudio. Los valores que se refieren a la totalidad de la poblacin se les
denomina parmetros poblacionales y en su notacin es comn utilizar el alfabeto
griego: , , 2 , etc.
Una muestra es cualquier subconjunto de la poblacin sobre el que se realizan estudios
para obtener conclusiones acerca de las caractersticas de la poblacin. Cualquier valor
obtenido a partir de los datos de la muestra se denomina estadstico muestral.
Ejemplos de estadsticos muestrales son: la media, la varianza, la desviacin tpica o
cualquier otra medida de posicin, dispersin o forma, as como cualquier valor
construido a partir de ellas.
La fase de descripcin es comn a cualquier conjunto de observaciones, mientras que la
de inferencia solo tiene efectividad cuando se trabaja con una muestra.
1/16

El problema de la Inferencia Estadstica est en saber si la muestra elegida de una
poblacin dada es representativa o no de sta. Normalmente se suele enfocar desde dos
puntos de vista:
a) Se utiliza la muestra para estimar las caractersticas de una poblacin, se
realiza mediante la denominada teora de estimacin.
b) Se emite una hiptesis sobre las caractersticas basndose en la experiencia.
Este enfoque se suele realizar con la llamada teora de la verificacin o contraste
de hiptesis.
8.3. EL MUESTREO. TIPOS DE MUESTREO

La operacin de tomar una muestra de una poblacin se llama muestreo.
Existen diversos criterios de clasificacin de los diferentes tipos de muestreo, aunque en
general pueden dividirse en dos grandes grupos:
Muestreo no probabilstico: no se usa el azar, sino el criterio del investigador, suele

presentar grandes sesgos y es poco fiable.
Muestreo probabilstico: se utilizan las leyes del azar. Puede ser:

1. Muestreo aleatorio simple (es el ms importante): cada elemento de la
poblacin tiene la misma probabilidad de ser elegido, las observaciones se
realizan con reemplazamiento, de manera que la poblacin es idntica en todas
las extracciones, o sea, que la seleccin de un individuo no debe afectar a la
probabilidad de que sea seleccionado otro cualquiera aunque ello comporte que
algn individuo pueda ser elegido ms de una vez. ("se hacen tantas papeletas
numeradas como individuos hay, se coge una y se devuelve, se vuelve a coger
otra y se devuelve , etc")
2. Muestreo sistemtico: es cuando los elementos de la poblacin estn ordenados
por listas. Se elige un individuo al azar y a continuacin a intervalos constantes
se eligen todos los dems hasta completar la muestra. Si el orden de los
elementos es tal que los individuos prximos tienden a ser ms semejantes que
los alejados, el muestreo sistemtico tiende a ser ms preciso que el aleatorio
simple, al cubrir ms homogneamente toda la poblacin.
3. Muestreo estratificado: es cuando nos interesa que la muestra tenga la misma
composicin a la de la poblacin la cual se divide en clases o estratos. Si por
ejemplo en la poblacin el 20% son mujeres y el 80% hombres, se mantendr la
misma proporcin en la muestra.
2/16

8.4. DISTRIBUCIN NORMAL
1. Introduccin.
La distribucin normal es el tipo de distribucin de probabilidad continua ms comn.
Al igual que la distribucin binomial se presenta en muchos fenmenos de la vida real.
La distribucin normal recibe tambin el nombre de "distribucin de Gauss", y la
grfica que representa dicha distribucin, se suele denominar comnmente "curva de
Gauss", cuya forma recuerda a una campana (de ah tambin el sobrenombre de
"campana de Gauss"). En teora son curvas asintticas, como despus veremos, es decir,
se extienden indefinidamente en ambos sentidos del eje horizontal.
En una distribucin normal, media, moda y mediana coinciden en el mximo de la
curva.
En resumen, la importancia de la distribucin normal se debe principalmente a que hay
muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una

especie, p.ej. tallas, pesos, envergaduras, dimetros, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco,

o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin

a un medio,...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos muestrales, por ejemplo: la media.
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
2. Variable aleatoria de la distribucin normal.

Se dice que una variable aleatoria continua X sigue una distribucin normal de media
y desviacin tpica , y se designa por N ( , ) , si se cumplen las siguientes
condiciones:
1 . La variable recorre toda la recta real, es decir (, ) .

2 . La funcin de densidad, expresada en trminos de ecuacin matemtica, es:
1 x

1
f ( x) =
e 2
2
3/16

A los valores y se les denominan parmetros de la distribucin normal.
Evidentemente, este es el caso de la distribucin normal terica.
3. Funcin de densidad
La funcin de densidad de una distribucin normal acabamos de ver que es:

1 x

1
f ( x) =
e 2
2
La representacin de esta curva es la llamada curva de Gauss o campana de Gauss,

cuya grfica es:
Las caractersticas son:

1. La curva tiene forma campaniforme, y es simtrica respecto a x = .
2. La ordenada mxima se obtiene precisamente para el valor x = .
3. El rea del recinto encerrado bajo la campana y el eje x es igual a la unidad, por
tratarse de una funcin de densidad.
4. A ambos lados del valor x = las ordenadas de la curva decrecen, primero
lentamente y despus con mayor rapidez.
5. Los puntos de inflexin de la curva corresponden a x = y x = + .
4. Funcin de distribucin.
Dada una variable aleatoria continua X, que sigue una distribucin normal, la funcin
de distribucin que representaremos por F(x) viene dada por: N ( , )
1 x

1
F ( x) = p( X t ) =
e 2
2
t
dx
4/16

Grficamente F(x) representa el rea encerrada bajo la curva f(x) desde hasta
x=t.
5. Distribucin normal estndar.
A la vista de la representacin de la funcin de densidad de una variable

aleatoria N ( , ) , es evidente que para cada valor de la media y de la desviacin tpica,
tendremos una funcin de densidad distinta.
Por tanto, podemos deducir que la expresin N ( , ) , representa una familia de
distribuciones normales.
De las infinitas distribuciones que existen, tiene especial inters la distribucin N(0,1).
Esta distribucin es llamada ley normal estndar, o bien distribucin normal reducida.
En este caso, la funcin de densidad ser:
f ( x) =
1 2x
e
2
La funcin de distribucin de la ley normal estndar, que ser el trozo de rea X<x, por
tanto menor que 1, depender del valor que tome la variable x.
Para ello se hace uso de una tabla donde vienen tabulados los valores de F(x) para
distintos valores de x.
6. Tipificacin de la variable.
La distribucin N(0,1) se encuentra tabulada. Pero no todas las distribuciones son

N(0,1) (en realidad ninguna).
Por otro lado, es imposible tabular todas las distribuciones N ( , ) .
Lo ms aconsejable sera poder transformar la variable X que sigue una
distribucin N ( , ) , en otra variable Z que siga una distribucin N(0,1). Esta
transformacin se conoce con el nombre de tipificacin de la variable.
Para llevar a cabo esta transformacin hay que realizar dos pasos:
1. Centrar, es decir, trasladar la media de la distribucin al origen de coordenadas. Esto
equivale a hacer = 0 .
2. Reducir la desviacin tpica a 1 ( = 1 ). Esto equivale a dilatar o a contraer la
grfica de la distribucin para que coincida con la ley estndar.
Estos dos pasos se consiguen simultneamente, sin ms que hacer el siguiente cambio:
Z=
5/16

TABLA DE LA DISTRIBUCION NORMAL ESTANDAR
La tabla da reas 1 y valores
c = Z 1 , donde, P[ Z c] = 1 ,
y donde Z tiene distribucin normal N(0,1).
Segundo decimal de Z
Z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.0
0.1
0.2
0.3
0.4
.5000
.5398
.5793
.6179
.6554
.5040
.5438
.5832
.6217
.6591
.5080
.5478
.5871
.6255
.6628
.5120
.5517
.5910
.6293
.6664
.5160
.5557
.5948
.6331
.6700
.5199
.5596
.5987
.6368
.6736
.5239
.5636
.6026
.6406
.6772
.5279
.5675
.6064
.6443
.6808
.5319
.5714
.6103
.6480
.6844
.5359
.5753
.6141
.6517
.6879
0.5
0.6
0.7
0.8
0.9
.6915
.7257
.7580
.7881
.8159
.6950
.7291
.7611
.7910
.8186
.6985
.7324
.7642
.7939
.8212
.7019
.7357
.7673
.7967
.8238
.7054
.7389
.7704
.7995
.8264
.7088
.7422
.7734
.8023
.8289
.7123
.7454
.7764
.8051
.8315
.7157
.7486
.7794
.8078
.8340
.7190
.7517
.7823
.8106
.8365
.7224
.7549
.7852
.8133
.8389
1.0
1.1
1.2
1.3
1.4
.8413
.8643
.8849
.9032
.9192
.8438
.8665
.8869
.9049
.9207
.8461
.8686
.8888
.9066
.9222
.8485
.8708
.8907
.9082
.9236
.8508
.8729
.8925
.9099
.9251
.8531
.8749
.8944
.9115
.9265
.8554
.8770
.8962
.9131
.9279
.8577
.8790
.8980
.9147
.9292
.8599
.8810
.8997
.9162
.9306
.8621
.8830
.9015
.9177
.9319
1.5
1.6
1.7
1.8
1.9
.9332
.9452
.9554
.9641
.9713
.9345
.9463
.9564
.9649
.9719
.9357
.9474
.9573
.9656
.9726
.9370
.9484
.9582
.9664
.9732
.9382
.9495
.9591
.9671
.9738
.9394
.9505
.9599
.9678
.9744
.9406
.9515
.9608
.9686
.9750
.9418
.9525
.9616
.9693
.9756
.9429
.9535
.9625
.9699
.9762
.9441
.9545
.9633
.9706
.9767
2.0
2.1
2.2
2.3
2.4
.9772
.9821
.9861
.9893
.9918
.9778
.9826
.9864
.9896
.9920
.9783
.9830
.9868
.9898
.9922
.9788
.9834
.9871
.9901
.9925
.9793
.9838
.9875
.9904
.9927
.9798
.9842
.9878
.9906
.9929
.9803
.9846
.9881
.9909
.9931
.9808
.9850
.9884
.9911
.9932
.9812
.9854
.9887
.9913
.9934
.9817
.9857
.9890
.9916
.9936
2.5
2.6
2.7
2.8
2.9
.9938
.9953
.9965
.9974
.9981
.9940
.9955
.9966
.9975
.9982
.9941
.9956
.9967
.9976
.9982
.9943
.9957
.9968
.9977
.9983
.9945
.9959
.9969
.9977
.9984
.9946
.9960
.9970
.9978
.9984
.9948
.9961
.9971
.9979
.9985
.9949
.9962
.9972
.9979
.9985
.9951
.9963
.9973
.9980
.9986
.9952
.9964
.9974
.9981
.9986
3.0
3.1
3.2
3.3
3.4
.9987
.9990
.9993
.9995
.9997
.9987
.9991
.9993
.9995
.9997
.9987
.9991
.9994
.9995
.9997
.9988
.9991
.9994
.9996
.9997
.9988
.9992
.9994
.9996
.9997
.9989
.9992
.9994
.9996
.9997
.9989
.9992
.9994
.9996
.9997
.9989
.9992
.9995
.9996
.9997
.9990
.9993
.9995
.9996
.9997
.9990
.9993
.9995
.9997
.9998
3.5
3.6
3.8
4.0
.9998
.9998
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
.9999
1.000
.9998
.9999
1.000
1.000
.9998
.9999
1.000
1.000
.9998
.9999
1.000
1.000
6/16

7. Manejo de la tabla.
7/16
Ejemplo 1.
Calcula las siguientes probabilidades utilizando las tablas:

p(z < 1'45) = 0'9265
p(z < -1'45) = 0'0735
p(1'25 < z < 2'57) = 0'1005
p(-2'57 < z < -1'25) = 0'1005
p(-0'53 < z < 2'46) = 0'695
8.5. DISTRIBUCIN DE PROBABILIDAD DE LA MEDIA MUESTRAL

Aunque al tomar una muestra no podemos estar seguros de que los parmetros
obtenidos sean buenos estimadores de los parmetros poblacionales si se puede afirmar
que:
1. La media de las medias muestrales es igual a la media real de la poblacin es decir:
X=
x1 + x2 + ......... + xn
=
n de muestras posibles
2. La desviacin tpica de las medias muestrales vale:

x =
Esto significa que la distribucin de medias muestrales de tamao n extradas de una
)
poblacin (normal o no normal) se distribuye segn una N( ,
n
8/16
Ejemplo 2.
El peso de los recin nacidos en una maternidad se ha distribuido segn una ley normal
de media = 3100 gr y de desviacin tpica = 150 gr Cul ser la probabilidad de
que la media de una muestra de 100 recin nacidos se superior a 3130 gr?
La distribucin muestral sigue una N(3100,15) por lo que:
3130 3100
p ( x > 3130 ) = p Z >

= p ( Z > 2 ) = 1 - 0'9772 = 0'0228
15
por lo tanto solo un 2'28% de las muestras tendr una media por encima de los 3130 gr
8.6. INTERVALOS DE CONFIANZA

1. Intervalos de probabilidad
En una variable normal cualquiera N ( , ) , se verifica que:

1. En el intervalo ( , + ) est el 68'26 % de la poblacin.
2. En el intervalo ( 2 , + 2 ) est el 95'44 % de la poblacin.
3. En el intervalo ( 3 , + 3 ) est el 99'74 % de la poblacin.
Porcentajes de poblacin en los diferentes intervalos simtricos de una normal N ( , )
Es evidente que a medida que el intervalo se ampla, hay mayor porcentaje de la

poblacin en l. En general, dado un porcentaje del N%, siempre es posible encontrar
un intervalo simtrico respecto de la media de forma que dicho intervalo contenga a
dicho porcentaje de poblacin.
Mas explcitamente, se denomina intervalo de probabilidad a aquel intervalo para el
cual se sabe que hay una seguridad del N% de que los parmetros muestrales ( X ) se
encuentren en dicho intervalo. La seguridad N viene fijada previamente.
Si queremos que el N% de la poblacin est en el intervalo, denominaremos nivel de
confianza al nmero:
9/16

1 =
N
100
y unido a este, se encuentra el llamado nivel de significacin, que viene dado por .
Este nivel en general vendr explicitado en las condiciones del problema, si bien los
valores mas comunes suelen ser del 90%, 95% y 99%.
Ejemplo 3.
Si queremos que el 88% de la poblacin est en el intervalo, el nivel de confianza ser

88
1 =
= 0 '88% , mientras que el nivel de significacin ser = 1 0 '88 = 0 '12 .
100
2. Intervalo de probabilidad para la media muestral x
Si la poblacin sigue una distribucin de parmetros y , y las muestras son de

tamao n 30 (o bien la poblacin ya es normal y las muestras son de cualquier
tamao), sabemos que la media muestral x sigue una distribucin:

x N ,
Se trata de encontrar el valor de k como en la figura:
Buscamos el valor de k que deje en el intervalo ( k , + k ) al (1 ) 100% de la poblacin.
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 confianza de
1 , entonces fuera del intervalo el rea tiene que ser de , y como la curva es
simtrica, en cada una de las ramas fuera de la regin rayada, tenemos un rea de / 2 .
Llamaremos z / 2 al punto situado en el eje x que separa la regin rayada de la otra.
10/16
Buscamos el valor de z / 2 que deje en el intervalo ( z / 2, z / 2) de la poblacin en la N(0,1)
Es evidente que se cumple: p ( Z z / 2) =
o dicho de otro modo: p( Z z / 2) = 1
2
probabilidad que se busca dentro de la tabla como hemos visto.
Ahora bien, este valor slo sirve para la normal estndar N(0,1). Nosotros manejamos la

normal N ,
y para pasar a la normal estndar deberemos tipificar:
n
k
= z / 2
/ n
de donde despejando, encontramos k, el valor buscado:
k =+
z / 2
As, dado el nivel de significacin o el de confianza 1 , podemos determinar el

intervalo de probabilidad para la media muestral, que ser:
, + z / 2
z / 2
n
n
Ejemplo 4.
Determinar, en la distribucin N(0,1), el valor que concentra el 75% de la poblacin en

un intervalo simtrico respecto a la media.
Ahora 1 = 0 '75 , es decir = 0 ' 25 y por tanto
= 0 '125 , es decir, buscamos el

2
valor z0'125 , de modo que, como en la figura, dejemos el 75% de la poblacin en el
centro.
11/16

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
En general el 100(1- )% de las muestras de tamao n tendrn una media comprendida
, + z / 2
entre : z / 2
siendo / 2 el valor de la probabilidad que queda a
n
n
cada lado del intervalo. O lo que es lo mismo:
p z / 2
, + z / 2
= 1 (nivel de confianza)
n
n
As por ejemplo si = 0 '05 entonces el 95%
, + z0'025
comprendida entre z0'025
=
n
n
de las muestras tendrn una media
, + 1'96
1'96
n
n
Sin embargo lo normal ser que se desconozca la media y la desviacin tpica de la

poblacin y que mediante tcnicas de muestreo se busque estimarlas con la fiabilidad
necesaria.
3. Intervalo de confianza para la media poblacional
Si nos hacen la pregunta de otra forma cul es la probabilidad de que la media

poblacional se encuentre entre ...? podremos transformar la desigualdad obteniendo:
x + z / 2
x z / 2
n
n
x + z / 2
p x z / 2
= 1 (nivel de confianza)
n
n
A este intervalo se le llama intervalo de confianza para la media poblacional.

A lo que est fuera del intervalo se le llama regin crtica.
Al valor 1 se le llama nivel de confianza.
Al valor se le llama nivel de significacin.
12/16

8.7. ERROR ADMITIDO Y TAMAO DE LA MUESTRA
x + z / 2
Cuando decimos que x z / 2
estamos admitiendo un error
n
n
mximo de z / 2
esto es: la diferencia mxima entre la media poblacional y la
n
media muestral debe ser menor que este valor. Como se puede observar de este valor se
puede controlar dos parmetros, n y z .
El tamao mnimo de una encuesta depende de la confianza que se desee para los
resultados y del error mximo que se est dispuesto a asumir:
E = z / 2
despejando
n = z / 2
E
Ejemplo 5.
Se desea realizar una investigacin para estimar el peso medio de los hijos de madres
fumadoras. Se admite un error mximo de 50 gr, con una confianza del 95% . Si por
estudios se sabe que la desviacin tpica es de 400 gr Qu tamao mnimo de muestra
se necesita en la investigacin?
2
400
El tamao mnimo de la muestra debe ser n = 1'96

= 245'86 246
50
13/16

EJERCICIOS DE INFERENCIA
1. Halla las siguientes probabilidades en una distribucin N(0, 1):
a) P(z > 2,8)
d) P(1,62 z < 2,3)
g) P(1 z 2)
b) P(z 1,8)
e) P(1 z 2)
h) P(2,3 < z < 1,7)
c) P(z > 1,8)

f) P(0,61 z 1,4)
i) P(2 z 1)
2. Calcula el valor de k (exacta o aproximadamente) en cada uno de los siguientes casos:

a) P(z k) = 0,5
c) P(z k) = 0,9
e) P(z k) = 0,2
g) P(z k) = 0,9971
b) P(z k) = 0,8729
d) P(z k) = 0,33
f) P(z > k) = 0,12
h) P(z k) = 0,6
3. En una distribucin N(18, 4), halla las siguientes probabilidades:

a) P(x 20)
d) P(19 x 23)
b) P(x 16,5)
e) P(11 x < 25)
c) P(x 11)
4. En una distribucin N(6, 0,9), calcula k para que se den las siguientes igualdades:
a) P(x k) = 0,9772
c) P(x k) = 0,3
b) P(x k) = 0,8
d) P(x k) = 0,6331
5. En una distribucin N(173, 6) halla los intervalos caractersticos para el 90%, el 95% y el
99%.
6. En una distribucin N(18, 4) halla los intervalos caractersticos para el 95% y el 99,8%.
7. En una distribucin N(20, 6), tomamos muestras de tamao 64.
a) Cul es la distribucin de las medias de las muestras?

b) Cul es la probabilidad de extraer una muestra cuya media est comprendida entre 19 y
21?
8. Se sabe que el cociente intelectual de los alumnos de una universidad se distribuye segn
una ley normal de media 100 y varianza 729.

a) Halla la probabilidad de que una muestra de 81 alumnos tenga un cociente intelectual
medio inferior a 109.
b) Halla la probabilidad de que una muestra de 36 alumnos tenga un cociente intelectual
medio superior a 109.
9. Las notas en un cierto examen se distribuyen normal con media = 5,3 y desviacin tpica
= 2,4. Halla la probabilidad de que un estudiante tomado al azar tenga una nota:
a) Superior a 7.
b) Inferior a 5.
c) Comprendida ente 5 y 7.
Si tomamos al azar 16 estudiantes, halla la probabilidad de que la media de las notas de

estos 16 estudiantes:
d) Sea superior a 7.
14/16

e) Sea inferior a 5.
f) Est comprendida entre 5 y 7.
g) Halla k para que el intervalo (5,3 k; 5,3 + k) contenga al 95% de las notas.
h) Halla b para que el intervalo (5,3 b; 5,3 + b) contenga al 95% de las notas medias de las
muestras de 16 individuos.
10. El tiempo de espera, en minutos, de los pacientes en un servicio de urgencias, es N(14, 4).
a) Cmo se distribuye el tiempo medio de espera de 16 pacientes?

b) En una media jornada se ha atendido a 16 pacientes. Cul es la probabilidad de que el
tiempo medio de su espera est comprendido entre 10 y 15 minutos?
11. Una variable aleatoria se distribuye N(, ). Si se extraen muestras de tamao n:

a) Qu distribucin tiene la variable aleatoria media muestral, X ?
b) Si se toman muestras de tamao n = 4 de una variable aleatoria x con distribucin
N(165, 12), calcula P( X > 173,7).
12. La estatura de los jvenes de una ciudad sigue una distribucin N(, ). Si el 90% de las
medias de las muestras de 81 jvenes estn en (173,4; 175,8), halla y .
13. En una muestra de 50 jvenes encontramos que la dedicacin media diaria de ocio es de
400 minutos y su desviacin tpica de 63 minutos. Calcula el intervalo de confianza de la
media de la poblacin al 95% de nivel de confianza.
14. La desviacin tpica de una variable estadstica es = 5. Para estimar la media de dicha
variable, extraemos una muestra aleatoria de tamao n = 100 y obtenemos X = 28. Obtn
un intervalo de confianza del 95% para estimar la media de la poblacin, .
15. Los estudiantes de Bachillerato de una cierta comunidad autnoma duermen un nmero de
horas diarias que se distribuye segn una ley normal de media desconocida y de
desviacin tpica 3. A partir de una muestra de tamao 30 se ha obtenido una media
muestral igual a 7 horas. Halla un intervalo de confianza al 96% para la media de horas de
sueo, .
16. Se desea estudiar el gasto semanal de fotocopias, en cntimos de euro, de los estudiantes
de bachillerato de cierta comunidad. Para ello, se ha elegido una muestra aleatoria de 9 de
estos estudiantes, resultando los valores siguientes para estos gastos:
100; 150; 90; 70; 75; 105; 200; 120; 80
Se supone que la variable objeto del estudio sigue una distribucin normal de media
desconocida y desviacin tpica igual a 12. Determina un intervalo de confianza al 95% para
la media del gasto semanal en fotocopias por estudiante.
17. Se ha tomado una muestra aleatoria de 100 individuos a los que se ha medido el nivel de
glucosa en sangre, obtenindose una media muestral de 110 mg/cm3. Se sabe que la
desviacin tpica de la poblacin es de 20 mg/cm3.
a) Obtn un intervalo de confianza, al 90%, para el nivel de glucosa en sangre en la
poblacin.
15/16

b) Qu error mximo se comete con la estimacin anterior?
18. La media de las estaturas de una muestra aleatoria de 400 personas de una ciudad es 1,75
m. Se sabe que la estatura de las personas de esa ciudad es una variable aleatoria que sigue
una distribucin normal con varianza 2 = 0,16 m2.
a) Construye un intervalo, de un 95% de confianza, para la media de las estaturas de la
poblacin.
b) Cul sera el mnimo tamao muestral necesario para que pueda decirse que la
verdadera media de las estaturas est a menos de 2 cm de la media muestral, con una
confianza del 90%?
19. Las medidas de los dimetros de una muestra al azar de 200 cojinetes de bolas, hechos
por una determinada mquina dieron una media de 2 cm y una desviacin tpica de 0,1 cm.
Halla los intervalos de confianza del:
a) 68,26%
b) 95,44%
c) 99,73%
para el dimetro medio de todos los cojinetes.
20. La duracin de las bombillas fabricadas por una empresa sigue una distribucin normal de
media desconocida y desviacin tpica 50 horas. Para estimar la duracin se experimenta

con una muestra de tamao n. Calcular el valor de n para que, con un nivel de confianza del
95%, se consiga un error en la estimacin inferior a 5 horas.
21. Al medir el tiempo de reaccin, un psiclogo estima que la desviacin tpica del mismo es de
0,5 segundos. Cul ser el nmero de medidas que deber hacer para que sea del 95% la
confianza de que el error de su estimacin no exceder de 0,05 segundos?
22. Al medir el dimetro de los cojinetes producidos por una empresa, se estima que la
desviacin tpica de dicho dimetro es de 0,05 cm. Se han hecho 121 mediciones. Se puede
afirmar, con el 99% de confianza, que el error en la estimacin de la media no exceder a
0,01 cm?
23. Las ventas mensuales de una tienda de electrodomsticos se distribuyen segn una ley
normal, con desviacin tpica 900 . En un estudio estadstico de las ventas realizadas en
los ltimos nueve meses, se ha encontrado un intervalo de confianza para la media mensual
de las ventas, cuyos extremos son 4 663 y 5 839 .
a) Cul ha sido la media de las ventas en estos nueve meses?
b) Cul es el nivel de confianza para este intervalo?
16/16
IX. CONTRASTE DE HIPTESIS

NDICE
9.1.
9.2.
9.3.
9.4.
9.5.
9.6.
Introduccin
Hiptesis estadsticas
Errores
Regiones de aceptacin y rechazo
Contraste unilateral y bilateral
Contraste de hiptesis para la media de una poblacin normal
9.1. INTRODUCCIN
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
poblacin.
En general, la media en una muestra suele ser distinta a la media de la poblacin, de la
cul se extrae la muestra. Lo normal suele ser que tal diferencia entre la media muestral
y poblacional sea pequea y debida al azar, pero podra suceder que dicha diferencia no
est justificada por el azar y se deba a un cambio en la poblacin, y debamos modificar
los datos que conocemos previamente.
Ejemplo 1.
1. Hace algunos aos, la media de estatura de los espaoles adultos varones era de
170 cm y su desviacin tpica 9 cm. Pasado el tiempo, un muestreo realizado a
36 adultos da una medida de 172 cm. Puede afirmarse que esa diferencia de 2
cm es debida al azar o realmente la estatura media ha aumentado?
2. Supongamos que, respecto a una determinada ley, el 52% de los ciudadanos est
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 opinin pblica o tal resultado es debido al azar?
3. El porcentaje de aprobados en las PAU en un determinado distrito universitario

ha sido del 82%. En una ciudad de ese distrito, el porcentaje de aprobados fue
del 86%. Puede afirmarse con un nivel de confianza del 90% que los resultados
en esa ciudad son superiores a la media?
Los mtodos de decisin estadstica estn ligados a los de estimacin de parmetros

mediante los intervalos de confianza, aunque tambin aparecern otros nuevos
conceptos.
1/10

9.2. HIPTESIS ESTADSTICAS
Trataremos de utilizar los datos obtenidos en una muestra para tomar decisiones sobre la
poblacin. Para ello, debemos realizar ciertos supuestos o conjeturas sobre las
poblaciones. Estos supuestos, que pueden ser o no ciertos, se llaman hiptesis
estadsticas.
Podemos, entonces, definir el test de hiptesis o contraste de hiptesis como el
procedimiento estadstico mediante el cul se investiga la verdad o falsedad de una
hiptesis acerca de una poblacin o poblaciones. Dicha hiptesis se formular sobre la
media poblacional .
Llamaremos hiptesis nula, y se representa por H0, a la hiptesis que se formula y por
tanto se quiere contrastar o rechazar, e hiptesis alternativa, y se representa por H1, a
cualquier otra hiptesis que sea diferente de la formulada, y que sea contraria a H0, es
decir, de forma que la aceptacin de la hiptesis nula H0 implica el rechazo de la
alternativa H1 y viceversa, el rechazo de H0 implica la aceptacin de H1.
En un problema de contraste de hiptesis, pues, siempre tiene que formularse una
hiptesis nula H0, y ha de ir acompaada de una alternativa, H1 que es la que aspira a
desplazar a la nula.
Ejemplo 2.
Un investigador afirma que la temperatura del cuerpo humano en un adulto sano se
distribuye segn una normal de media = 37o C y desviacin tpica = 09o C.
Formular la hiptesis nula y la hiptesis alternativa.
A la vista de los datos, el investigador afirma que la temperatura media del cuerpo
humano es 37o, es decir la hiptesis o conjetura que formula es:
H 0 = 37o (hiptesis nula)

Como hiptesis alternativa, hemos de tomar aquella contraria a esta, que la media sea
distinta de 37o C, es decir:
H1 37o (hiptesis alternativa)
Si la hiptesis nula fuese del tipo k la hiptesis alternativas sera < k .
2/10

9.3. ERRORES
Hay ocasiones en que la hiptesis 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 hiptesis nula cuando sta 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 sta es falsa,
se denomina error de tipo II.
Resumiendo:
ACEPTAR H0
Decisin:
RECHAZAR H0
Situacin real:
H0 es cierta
H0 es falsa
ERROR II
CORRECTO
Probabilidad 1 Probabilidad
ERROR I
Probabilidad
CORRECTO
Probabilidad 1
Situaciones posibles en un contraste de hiptesis.
donde es el nivel de significacin y 1 es el nivel de confianza.

Con esta notacin y utilizando probabilidades condicionadas:
= p( Rechazar H 0 / H 0 es cierta) = p( Error de tipo I )

y
1 = p( Aceptar H 0 / H 0 es cierta )
Por otra parte:
= p( Aceptar H 0 / H 0 es falsa) = p( Error de tipo II )

y
1 = p( Rechazar H 0 / H 0 es falsa )
A la probabilidad 1 se le denomina potencia del contraste.
9.4. REGIONES DE ACEPTACIN Y DE RECHAZO

Sabemos ya formular la hiptesis nula y la hiptesis alternativa. Lo que necesitamos
ahora es un criterio para saber si debemos aceptar una u otra, es decir, con cul de las
dos hiptesis nos quedamos?
3/10

Al tener ya formulada la hiptesis 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 significativo, y no cambiamos, pero puede que los cambios sean
debidos a otras causas. En este ltimo caso es cuando el cambio es significativo y
rechazaremos.
Por lo tanto, lo primero que debemos hacer es fijar un cierto intervalo dentro del cul es
normal que haya cambios, es decir, una regin tal que si el parmetro se mantiene en
dicho intervalo, nos seguimos quedando con H0, pues esas pequeas variaciones son
debidas al azar. Ese intervalo o regin se denomina regin de aceptacin, y ser mayor
o menor dependiendo del nivel de confianza que precisemos, 1 .
La regin que quede fuera de la regin de aceptacin indica que en este caso los
cambios no se pueden atribuir al azar, y por tanto hemos de rechazar H0 y aceptar H1.
Tal regin se llama regin crtica o de rechazo.
9.5. CONTRASTE UNILATERAL Y BILATERAL

Segn la forma de la regin de rechazo, un contraste de hiptesis se denomina:
1 Contraste bilateral (o de dos colas): En este caso la regin de rechazo o regin
crtica est formada por dos conjuntos de puntos disjuntos. Dicho caso se presenta
cuando la hiptesis nula es del tipo H0: = k y la hiptesis alternativa, por tanto, es del
tipo H1: k .
La regin crtica para un cierto nivel sera, en la N(0,1):
El intervalo ( z / 2, z / 2) es la regin de aceptacin

La regin no sombreada es la regin crtica, formada por dos partes o colas
Fijmonos en que el nivel de significacin se concentra en dos partes (o colas)

simtricas respecto de la media.
La regin de aceptacin en este caso no es ms que el correspondiente intervalo de
probabilidad para , es decir:
, + z / 2
z / 2
n
n
4/10

Las correspondientes regiones crticas sern:
,
, z / 2
+ z / 2
n
n
2 Contraste unilateral (o de una cola): En este caso la regin crtica est formada por
un slo conjunto de puntos. Como se observa en las figuras, el nivel de significacin
se concentra slo en una parte o cola. Este caso se presenta cuando la hiptesis nula es
del tipo H0: k y la hiptesis alternativa, por tanto, es del tipo H1: < k (Tambin
si aparece k ).
A nivel de confianza 1 , las regiones seran, en la N(0,1):

a) Unilateral por la derecha:
El intervalo (, z / 2) es la regin de aceptacin.

La regin no sombreada es la Regin crtica, formada por una parte o cola
La regin de aceptacin en este caso ser:
, + z / 2
La correspondiente regin crtica ser:
,
+ z / 2
n
b) Unilateral por la izquierda:
El intervalo ( z / 2, ) es la regin de aceptacin.

La regin no sombreada es la Regin crtica, formada por una parte o cola
5/10

La regin de aceptacin en este caso ser:
,
z / 2
n
La correspondiente regin crtica ser:
, z / 2
En todos los casos, conociendo el nivel de confianza 1 , tendremos que determinar el

valor z / 2 (para contrastes bilaterales) o bien z (para contrastes unilaterales), que
separa las regiones de rechazo y aceptacin.
Algunos de estos valores ms comunes se dan en la tabla adjunta, que en los bilaterales
son los mismos que para intervalos de confianza o probabilidad, ya vistos con
anterioridad:
Valores ms comunes para contrastes bilaterales y unilaterales derechos.

Los correspondientes para los unilaterales izquierdos son negativos.
9.6. CONTRASTE DE HIPTESIS PARA LA MEDIA DE UNA

POBLACIN NORMAL
Los procedimientos seguidos en las pruebas de hiptesis correspondientes a las
situaciones de decisin estadstica se encuentran totalmente prefijados y se llevan a cabo
en una serie de etapas que facilitan su comprensin, y que son:
1 Enunciado: Se enuncia la hiptesis nula H0. Consiste en atribuirle un valor a un
parmetro de cierta poblacin.
2 Deduccin de conclusiones: Si la hiptesis nula fuera cierta, tal parmetro de la
muestra se distribuira de forma conocida. En consecuencia:
6/10
Se elige un nivel de significacin. Son los ms comunes = 0,10 ; = 0, 05 ;

= 0, 01 .
Se construye la zona de aceptacin. Es el intervalo fuera del cul solo se

encuentran el 100% de los casos ms raros.
3 Verificacin: Se extrae una muestra cuyo tamao se ha decidido en el paso anterior y

de ella se obtiene el correspondiente parmetro.
4 Decisin: Si el valor del parmetro muestral cae dentro de la zona de aceptacin, se
acepta la hiptesis con un nivel de significacin . Si no, se rechaza.
Ejemplo 3.
Se cree que el cociente intelectual medio de los estudiantes de una universidad es 113,
con una desviacin tpica de 7. Para contrastar la hiptesis, se extrae una muestra de
180 estudiantes y se obtiene en ellos un cociente intelectual medio de 115. Podemos
aceptar la hiptesis con un nivel de significacin del 5 %?
1 Enunciado: H 0 : = 113 , H1 : 113 .
2 Deduccin de conclusiones: Puesto que el tamao de la muestra, n = 180 , es mayor
que 30, las medias maestrales se distribuiran (si la hiptesis fuera cierta):
N 113,
= N (113;0,52)
180
Construimos el intervalo de aceptacin:
= 0, 05 z / 2 = 1,96 . Intervalo: 113 1,96 0,52 = (111,98;114, 02)

3 Verificacin: En una experiencia real, sera ahora cuando se extrajera la muestra y se
obtendra en ella el valor de la media x = 115 .
4 Decisin: Puesto que 115 no pertenece a la zona de aceptacin, rechazamos la
hiptesis. Es decir, no podemos dar por bueno que el C.I. medio de los estudiantes de
esa universidad sea 113.
Ejemplo 4.
El peso de los pollos de una granja es normal con media 2,6 kg y desviacin tpica 0,5.
Se experimenta un nuevo tipo de alimentacin con 50 cras. Cuando se hacen adultos,
7/10

se les pesa y se obtiene una media de 2,78 kg. Vamos a contrastar la hiptesis de que el
peso medio de la poblacin no aumenta, con un nivel de significacin del 1%.
1 Enunciado: H 0 : 2, 6 , H1 : > 2, 6 .
2 Deduccin de conclusiones: Construimos el intervalo de aceptacin:
0,5
; 2, 6 + 2,33
= (; 2, 76)
50
3 Verificacin: El valor obtenido mediante la muestra, 2,78 kg, queda fuera de la zona
de aceptacin.
4 Decisin: Por tanto, se rechaza H 0 y se acepta H1 (la poblacin aumentar de peso
con el nuevo tipo de alimentacin) con un nivel de significacin de 0,01.
8/10

EJERCICIOS DE CONTRASTE DE HIPTESIS
1. Un fabricante de lmparas elctricas est ensayando un nuevo mtodo de produccin que se
considerar aceptable si las lmparas obtenidas por este mtodo dan lugar a una poblacin
normal de duracin media 2 400 horas, con una desviacin tpica igual a 300. Se toma una
muestra de 100 lmparas producidas por este mtodo y esta muestra da una duracin
media de 2 320 horas. Se puede aceptar la hiptesis de validez del nuevo proceso de
fabricacin con un riesgo igual o menor al 5%?
2. Un laboratorio afirma que un calmante quita la jaqueca en 14 minutos en los casos
corrientes. Con el fin de comprobar esta informacin, se eligen al azar 30 pacientes con
jaqueca y se toma como variable en el experimento el tiempo que transcurre entre la
administracin del calmante y el momento en que desaparece la jaqueca. Los resultados
obtenidos en esta muestra fueron media 17 minutos y desviacin tpica 7 minutos.
Podemos admitir como cierta la afirmacin del laboratorio a un nivel de confianza del
95%?
3. Se sabe que la renta anual de los individuos de una localidad sigue una distribucin normal
de media desconocida y desviacin tpica 2 400 . Se ha observado la renta anual de 16

individuos de esa localidad escogidos al azar, y se ha obtenido un valor medio de 16 000 .
Contrasta, a un nivel de significacin del 5%, si la media de la distribucin es 14 500 . Para
ello, responde:
a) Cules son la hiptesis nula y la alternativa del contraste?
b) Determina la forma de la regin crtica.
c) Se acepta la hiptesis nula, con el nivel de confianza indicado?
4. Sabemos que la vida media de las lavadoras de una determinada marca sigue una
distribucin normal con una desviacin tpica de 0,7 aos. Un fabricante de dicha marca
afirma que sus lavadoras tienen una vida media de 10 aos. Para comprobar dicha
afirmacin se obtuvo una muestra de 50 lavadoras, cuya duracin media fue de x = 9,2
aos.
a) Formula la hiptesis nula y la hiptesis alternativa del contraste.
b) Determina la zona de aceptacin y realiza el contraste (con un nivel de confianza del
95%).
c) Explica, en el contexto del problema, en qu consisten cada uno de los errores del tipo I
y II.
5. Se ha comprobado que el tiempo de espera (en minutos) hasta ser atendido, en cierto
servicio de urgencias, sigue un modelo normal de probabilidad. A partir de una muestra de

100 personas que fueron atendidas en dicho servicio, se ha calculado un tiempo medio de
espera de 14,25 minutos y una desviacin tpica de 2,5 minutos.
a) Podramos afirmar, con un nivel de significacin del 5% ( = 0,05), que el tiempo medio
de espera, en ese servicio de urgencias, no es de 15 minutos?
b) Qu podramos concluir si el nivel de significacin hubiese sido del 0,1% ( = 0,001)?
c) Existe contradiccin en ambas situaciones?
9/10

6. La duracin de las bombillas de 100 vatios que fabrica una empresa sigue una distribucin
normal con una desviacin tpica de 120 horas. Su vida media est garantizada durante un
mnimo de 800 horas. Se escoge al azar una muestra de 50 bombillas de un lote y, despus
de comprobarlas, se obtiene una vida media de 750 horas. Con un nivel de significacin de
0,01, habra que rechazar el lote por no cumplir la garanta?
7. Una encuesta, realizada a 64 empleados de una fbrica, concluy que el tiempo medio de
duracin de un empleo en la misma era de 6,5 aos, con una desviacin tpica de 4. Sirve
esta informacin para aceptar, con un nivel de significacin del 5%, que el tiempo medio de
empleo en esa fbrica es menor o igual que 6? Justifica adecuadamente la respuesta.
8. En funcin de la informacin disponible, la direccin de un centro de secundaria ha
establecido que la media de horas semanales dedicadas por el alumnado de ese centro al
estudio es superior a 15, con una desviacin tpica igual a 1 hora. Durante el presente curso,
el Departamento de Matemticas quiere demostrar que esta media ha disminuido. Para ello,
elige una muestra aleatoria de 150 alumnos, obteniendo una media muestral de 12,7 horas.
a) Puede afirmarse, con un nivel de confianza del 90%, que ha disminuido el tiempo medio
dedicado al estudio por los alumnos y alumnas del centro?
b) Responde a la pregunta a) con un nivel de significacin del 1%.
9. Segn la normativa sobre contaminacin atmosfrica, los motores de los automviles no
deben emitir ms de 5 ppm (partes por milln) de CO2. Dentro de sus procesos de control
de calidad, un fabricante ha medido la emisin de CO2 en una muestra de 36 motores,
obteniendo una media de 5,5 ppm y una desviacin tpica de 0,6 ppm. Contrasta, con un nivel
de significacin igual a 0,05, la hiptesis de que los motores de este fabricante cumplen en
media la normativa sobre contaminacin.
10. La Concejala de Juventud de un Ayuntamiento maneja el dato de que la edad a la que los
hijos se independizan de sus padres es una variable normal con media 29 aos y desviacin
tpica 3 aos. Aunque la desviacin tpica no plantea dudas, s se sospecha que la media ha
descendido, sobre todo por la poltica de ayuda al empleo que ha llevado a cabo el
Ayuntamiento. As, de un estudio reciente sobre 100 jvenes que se acaban de
independizar, se ha obtenido una media de 28,1 aos de edad.
a) Con un nivel de significacin del 1%, puede defenderse que la edad media no ha
disminuido, frente a que s lo ha hecho como parecen indicar los datos? Plantea el contraste
o test de hiptesis y resulvelo.
b) Explica, en el contexto del problema, en qu consisten cada uno de los errores del tipo I
y II.
10/10

Libro Mates Arcas 2ccss

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Mates Arcas 2ccss

Cargado por

Copyright:

Formatos disponibles

MATEMTICAS APLICADAS

I. SISTEMAS DE ECUACIONES LINEALES

Sistemas de ecuaciones lineales

1.1. SISTEMAS DE ECUACIONES LINEALES

donde aij representa el coeficiente de la incgnita xi de la i-sima ecuacin.

Sistemas incompatibles: sin solucin

Sistemas compatibles: con solucin

Determinados: con solucin nica

Indeterminados: con solucin infinita

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Si multiplicamos una ecuacin por un nmero real distinto de cero, entonces

Si en un sistema una ecuacin est expresada en funcin de otras (mediante

1.3. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES:

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Se utiliza para sistemas compatibles determinados.

a1 x1 + a2 x2 + ... + an xn = b SIST. COMPATIBLE DETERMINADO:

SIST. COMPATIBLE INDETERMINADO: Infinitas soluciones

SIST. INCOMPATIBLE: Sistema sin solucin

Para simplificar, utilizaremos nicamente los coeficientes y los expresaremos de la

a) calculamos el mnimo comn mltiplo de los coeficientes de la incgnita x (es decir

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

b) se resta la 1 fila a la 2 y a la 3 , quedando un sistema equivalente de la forma:

El cual simplificado quedara:

c) a la 2 fila multiplicada por 19 se le resta la 3 , y queda:

d) dividiendo la ltima fila por 128 nos queda:

Por lo que el sistema dado quedara despus de estas transformaciones en el siguiente

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Por lo que sustituyendo de abajo hacia arriba nos quedara que:

Resolver el siguiente sistema compatible determinado:

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Resolver el siguiente sistema compatible indeterminado:

Resolver el siguiente sistema incompatible:

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Resolver el siguiente sistema compatible determinado:

Resolver el siguiente sistema compatible indeterminado:

1.4. SISTEMAS DE ECUACIONES LINEALES CON COEFICIENTES

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

Discutir y resolver el siguiente sistema segn los valores de k:

Resolviendo el sistema por el mtodo de Gauss, anteriormente visto:

En el caso de que k = 9 , el sistema ser compatible indeterminado

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

2. Resuelve estos sistemas de ecuaciones lineales:

3. Transforma en escalonados y resuelve los siguientes sistemas:

4. Resuelve, si es posible, los siguientes sistemas:

5. Resuelve por el mtodo de Gauss:

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

6. Clasifica los siguientes sistemas en compatibles o incompatibles:

7. Estudia los siguientes sistemas y resulvelos por el mtodo de Gauss:

8. Estudia y resuelve estos sistemas por el mtodo de Gauss:

9. Discute los siguientes sistemas de ecuaciones:

Matemticas Aplicadas a las CCSS II

I. SISTEMAS DE ECUACIONES LINEALES

11. Discute y resuelve en funcin del parmetro:

14. Un cajero automtico contiene 95 billetes de 10, 20 y 50 y un total de S 2 000 . Si el

nmero de billetes de 10 es el doble que el nmero de billetes de 20 , averigua cuntos