Libro Mates II

Clculo avanzado para Ingeniera.
Teora, problemas resueltos y aplicaciones
I. Arias, J.M. Gesto, J. Gibergans, F. Ikhouane, N. Pars, F. Pozo, G. Pujol, Y. Vidal

16 de febrero de 2010
Clculo avanzado para Ingeniera
ndice general
Notaciones matemticas
16
Prlogo
17
1. lgebra lineal
1.1. Matrices. Operaciones con matrices . . . . . . . .
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . .
1.3. Espacios vectoriales . . . . . . . . . . . . . . . . .
1.4. Espacios vectoriales de dimensin finita . . . . . .
1.5. Aplicaciones lineales . . . . . . . . . . . . . . . .
1.6. Determinantes . . . . . . . . . . . . . . . . . . . .
1.7. Valores propios y vectores propios. Diagonalizacin
1.8. Problemas resueltos . . . . . . . . . . . . . . . . .
1.9. Problemas propuestos . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Funciones vectoriales de varias variables reales

2.1. Introduccin y primeras definiciones: funciones vectoriales y funciones escalares
2.1.1. Funciones escalares de varias variables reales . . . . . . . . . . . . . . .
2.2. Topologa, lmites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1. Entornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2. Lmite de funciones vectoriales . . . . . . . . . . . . . . . . . . . . . .
2.2.3. Mtodo prctico para determinar lmites de funciones . . . . . . . . . . .
2.2.4. Continuidad de funciones de varias variables . . . . . . . . . . . . . . .
2.2.5. Funciones vectoriales de varias variables reales . . . . . . . . . . . . . .
2.3. Derivadas parciales, diferencial total y matriz jacobiana . . . . . . . . . . . . . .
2.4. Funciones diferenciables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. Derivadas de funciones compuestas: regla de la cadena . . . . . . . . . . . . . .
2.5.1. Derivadas parciales de orden superior . . . . . . . . . . . . . . . . . . .
2.6. Desarrollo en serie de Taylor de una funcin de varias variables . . . . . . . . . .
2.6.1. Frmula de Taylor para funciones de varias variables . . . . . . . . . . .
2.6.2. Frmula de Taylor de primer orden . . . . . . . . . . . . . . . . . . . .
2.6.3. Frmula de Taylor de segundo orden . . . . . . . . . . . . . . . . . . . .
2.7. Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8. Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
. 63
. 63
. 63
. 66
. 67
. 69
. 70
. 71
. 72
. 75
. 78
. 79
. 79
. 80
. 81
. 81
. 81
. 104
3. Extremos de funciones
3.1. Definiciones y teorema principal . . .
3.1.1. Definiciones . . . . . . . . .
3.1.2. Clculo de extremos relativos
3.2. Extremos condicionados . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
26
30
34
41
46
50
54
61
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107
107
107
109
114
3.2.1. Multiplicadores de Lagrange . . . . . . . . . . . . .

3.2.2. Resolucin del problema de extremos condicionados
3.3. Problemas resueltos . . . . . . . . . . . . . . . . . . . . . .
3.4. Problemas propuestos . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
114
115
118
140
4. Integral mltiple y aplicaciones

4.1. Introduccin: Integral simple . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1. Idea para aproximar el rea superiormente . . . . . . . . . . . . . . . .
4.1.2. Idea para aproximar el rea inferiormente . . . . . . . . . . . . . . . .
4.1.3. Integrable en el sentido de Riemann . . . . . . . . . . . . . . . . . . .
4.1.4. Regla de Barrow . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Integral doble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1. Idea para aproximar el volumen superiormente . . . . . . . . . . . . .
4.2.2. Idea para aproximar el volumen inferiormente . . . . . . . . . . . . . .
4.2.3. Integral doble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.4. Clculo de la integral doble en regiones rectangulares . . . . . . . . . .
4.2.5. Clculo de la integral doble sobre regiones ms generales . . . . . . . .
4.3. Integral triple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2. Clculo de integrales triples sobre regiones en forma de paraleleppedo
4.3.3. Clculo integral triple sobre regiones ms generales . . . . . . . . . . .
4.4. Integracin por cambio de variable . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.2. Cambio de variable en una integral doble . . . . . . . . . . . . . . . .
4.4.3. Cambio de variable en una integral triple . . . . . . . . . . . . . . . .
4.4.4. Cambios de variable usuales . . . . . . . . . . . . . . . . . . . . . . .
4.5. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.1. Valor promedio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.2. Centro de masa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3. Momento de inercia . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7. Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
141
141
142
142
142
143
143
145
145
145
145
146
149
149
149
149
150
150
151
151
151
153
153
153
154
154
172
5. Ecuaciones diferenciales ordinarias

5.1. Ejemplo introductivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Ecuaciones diferenciales de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1. Primeras definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2. Ecuaciones diferenciales de variables separables . . . . . . . . . . . . . . . . . . . . . .
5.2.3. Ecuaciones diferenciales de primer orden lineales . . . . . . . . . . . . . . . . . . . . . .
5.2.4. Problemas de modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3. Ecuaciones diferenciales de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1. Ecuaciones diferenciales lineales de segundo orden no homogneas con coeficientes constantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.2. Problemas de modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4. Sistemas de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5. Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6. Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
175
175
176
176
177
178
179
182
184
188
190
192
204
6. Anlisis vectorial
6.1. Curvas y trayectorias . . . .
6.2. Campos vectoriales . . . . .
6.3. Divergencia y rotacional . .
6.4. Integrales sobre trayectorias
6.5. Teorema de Green . . . . . .
6.6. Problemas resueltos . . . . .
6.7. Problemas propuestos . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
207
207
212
217
219
223
227
247
7. Clculo operacional
7.1. Transformada de Laplace. Transformada inversa. Linealidad . . . .
7.2. Transformada de la derivada. Resolucin de ecuaciones diferenciales
7.3. Transformada de Laplace de la integral . . . . . . . . . . . . . . . .
7.4. Traslacin en s, funcin escaln unitario, traslacin en t . . . . . .
7.4.1. Traslacin en s . . . . . . . . . . . . . . . . . . . . . . . .
7.4.2. Funcin escaln unitario . . . . . . . . . . . . . . . . . . .
7.4.3. Traslacin en t . . . . . . . . . . . . . . . . . . . . . . . .
7.5. Convolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6. Sistemas de ecuaciones diferenciales . . . . . . . . . . . . . . . . .
7.7. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . .
7.8. Problemas resueltos . . . . . . . . . . . . . . . . . . . . . . . . . .
7.9. Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
251
251
255
257
258
258
258
258
260
261
261
262
272
Bibliografa
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
275
10
11
ndice de cuadros
7.1. Algunas funciones f (t) y sus transformadas de Laplace F (s) . . . . . . . . . . . . . . . . . . . . 254
12
13
ndice de figuras
2.1. Bola abierta de centro x y radio r (izquierda) y bola cerrada de centro x y radio r (derecha) . . . .
2.2. Representacin grfica de la funcin f (x, y) = 1 + 1+x32 +y2 . . . . . . . . . . . . . . . . . . . .
2.3. Interpretacin grfica de la derivada direccional de una funcin en el punto a y en la direccin del
vector u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. La frmula de Taylor de segundo orden permite aproximar una funcin (superficie tramada) por
un paraboloide (superficie blanca) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. Los diferentes casos para el punto (x0 , y0 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.
3.2.
3.3.
3.4.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
81
95
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
108
109
115
126
4.1. Idea de la integral en el sentido de Riemann . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. Convergencia de las sumas superior e inferior a medida que se toman particiones ms finas
4.3. Idea de la integral doble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4. Integral doble en una regin rectangular . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5. Integracin sobre regiones ms generales . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Integracin sobre regiones ms generales . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7. Regin de integracin de tres dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8. Cambios de variable usuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.9. Tetraedro y su base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.10. Clculo del volumen comprendido entre la esfera y el cilindro . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
141
142
144
146
147
148
150
152
155
166
Masa suspendida de un muelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Representacin de la solucin general y particular de la ecuacin diferencial del ejemplo 106
Circuito simple compuesto por una fuente de f.e.m., un resistor y un inductor . . . . . . . .
Circuito RLC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
175
178
181
190
5.1.
5.2.
5.3.
5.4.
Ilustracin de extremos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
El origen es un punto de silla: mximo en direccin y, mnimo en direccin x
Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . .
2
2
Grfica de la funcin f (x, y) = (x2 + y 2 )ex y . . . . . . . . . . . . . .
66
68
6.1. La trayectoria c es una aplicacin del intervalo [a, b] en el espacio, cuya imagen es la curva C . . 208
6.2. La trayectoria plana c = R(cos t, sin t) describe una circunferencia de radio R . . . . . . . . . . 209
6.3. Las grficas de funciones pueden describirse mediante trayectorias planas. No todas las curvas, por
ejemplo la curva C, son grficas de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.4. Al tender h a cero, el vector (c(t + h) c(t))/h tiende a un vector tangente a la curva C en el
punto c(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
6.5. Recta tangente a la curva descrita por c(t) en el punto c(t0 ) . . . . . . . . . . . . . . . . . . . . . 211
6.6. La velocidad del viento en la atmsfera o la velocidad del agua en una tubera son campos vectoriales213
6.7. Representacin grfica de los campos F(x, y) = (x, y) (izquierda) y G(x, y) = (x, y) (derecha) 214
6.8. Representacin grfica del campo giratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6.9. Ejemplos de regin simplemente conexa y otras que no lo son . . . . . . . . . . . . . . . . . . . 223
14
6.10. Orientacin de curvas planas . . . . . . . . . . . . . . . . . . . .

6.11. Descomposicin de la curva C . . . . . . . . . . . . . . . . . . .
6.12. Regin R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.13. Ilustracin de la cinemtica de la rueda de la bicicleta y el reflector
6.14. Clculo del rea de una tapia . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7.1. Ejemplo de una funcin f (t) continua por secciones. Los puntos marcan los valores de la funcin
en los saltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Ejemplo de funciones que tienen la misma transformada de Laplace. En el cuadro superior derecho,
la funcin no est definida en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3. Mtodo de la transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4. Traslacin en s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5. Funcin escaln unitario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6. Ilustracin de un retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.7. Funcin f (t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.8. Circuito elctrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.9. Evolucin de VC (t) y I(t) para R = 1M , C = 1F y V0 = 1V . . . . . . . . . . . . . . . . .
7.10. Funcin r(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.11. Sistema mecnico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
224
225
226
233
243
251
253
257
258
259
260
265
268
269
273
274
15
16
Lista parcial de notaciones matemticas

Alfabeto griego
A
alfa
Z
zeta

lambda
,$ pi
, fi
B
H
M
P
X
, %
beta
eta
mu
ro
ji
Conjuntos importantes
conjunto vaco
N
nmeros naturales
N nmeros naturales diferentes de cero
Z
nmeros enteros
Q
nmeros racionales
R
nmeros reales
R+ nmeros reales positivos
C
nmeros complejos
Operadores lgicos
para todo
existe
!
existe un solo
implica
si, y slo si
negacin
otras notaciones para la negacin
gamma
theta
nu
sigma
psi
delta
iota
xi
tau
omega
E
K
O
psilon
kappa
micron
psilon
{0, 1, 2, . . .}
{1, 2, . . .}
{. . . , 2, 1, 0, 1, 2, . . .}
{m/n : m Z, n N+ }
(, +)
[0, +)
{x + iy : x, y R}
(i verifica i2 = 1)
n N, n 0
n N, n 7
!n N, n < 1
(3 > 2) (2 > 1)
(2 > 3) (2 > 1)
a, b R, (a = b) (a b)
a, b R, (a = b) (b = a)
(2 > 3)
(2 > 3), 2 6> 3
Operadores aritmticos
| | valor absoluto |x|
P
P = x siix 0; |x| = x si x 0
Q suma
QniN+ 2 = 1
producto
i=1 i = n!
!
factorial
7! = 1 2 3 4 5 6 7 = 5040
Operadores sobre conjuntos
pertenece
unin
. . . sobre un conjunto indexado
interseccin
. . . sobre un conjunto indexado
\
diferencia entre conjuntos
contiene estrictamente
contiene
est contenido estrictamente en
est contenido en
2A potencia de A
a {a, b, c}
{a,
S b, c} {a, d} = {a, b, c, d}
iN Si = S0 S1 S2
{a,
T b, c} {a, d} = {a}
iN Si = S0 S1 S2
{a, b, c} \ {a, d} = {b, c}
ZN
NN
NZ
NN
si A = {a, b, c},
entonces 2A = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, A}
17
Prlogo
Este libro es el reflejo de la experiencia docente en asignaturas de clculo de siete profesores de la Universitat
Politcnica de Catalunya. El texto sigue el esquema bsico de la asignatura troncal Matemticas 2 (captulos 1, 2,
3, 4 y 6), y parte del temario de Matemticas 3 (captulos 5 y 7) que imparten los autores en la Escuela Universitaria
de Ingeniera Tcnica Industrial de Barcelona. No obstante, su contenido es perfectamente adaptable para cursos
de clculo en varias variables de cualquier ingeniera. El texto tiene como objetivo principal iniciar al estudiante
en los conceptos bsicos del clculo de funciones de varias variables, anlisis vectorial y ecuaciones diferenciales,
as como en la teora de transformadas. Para el estudio de este texto, se supone que el alumno ya ha adquirido
nociones bsicas de matrices, as como suponemos un amplio conocimiento de los fundamentos de funciones de
una variable, diferenciacin e integracin.
Al ser un texto dirigido a estudiantes de ingeniera, se han cuidado los aspectos de aplicacin, justificando los
conceptos introducidos mediante ejemplos prcticos y motivaciones de las ciencias fsicas tales como electricidad,
electrnica y mecnica, en las que se aplican los conocimientos adquiridos.
El libro, que consta de siete captulos, se puede dividir en tres partes. La primera parte trata el lgebra lineal,
introduciendo los conceptos de valores y vectores propios. La segunda parte est dedicada a las funciones de
varias variables: nociones bsicas de lmite, continuidad y derivacin; clculo de extremos libres y condicionados;
integracin mltiple y anlisis vectorial. La tercera parte trata las ecuaciones diferenciales de primer orden y orden
superior, la transformada de Laplace y la transformada de Fourier.
Para ilustrar la teora, se presentan ejemplos aplicados a la ingeniera, as como problemas resueltos y problemas propuestos que permiten al lector verificar sus conocimientos. La experiencia en la docencia de esta materia
muestra que es preferible omitir algunas demostraciones tcnicas. En este sentido, hemos mantenido las que consideramos que, efectivamente, permiten una mejor comprensin de los aspectos tericos.
Al final de cada uno de estos captulos, junto a los listados de ejercicios, se encuentra una recopilacin de
problemas resueltos utilizando el programa de clculo simblico Maple. De esta manera, se presentan al estudiante todos los comandos y herramientas necesarios para la resolucin de problemas, con especial nfasis en las
capacidades grficas y de representacin de dicho programa.
Queremos mostrar nuestro agradecimiento a la Universitat Politcnica de Catalunya y a la Escuela Universitaria
de Ingeniera Tcnica Industrial de Barcelona por acoger nuestro trabajo de estos aos, as como a Jos Rodellar,
director del Departamento de Matemtica Aplicada III, por su apoyo y confianza.
18
19
1 lgebra lineal
En este captulo se introducen algunos conceptos bsicos del lgebra lineal. En la Seccin 1.1 se presentan las
matrices y su operatoria. La Seccin 1.2 se centra en la resolucin de sistemas de ecuaciones lineales, tema con un
gran abanico de aplicaciones, no slo por el hecho de que muchos problemas de inters en Ingeniera, como por
ejemplo el del clculo de circuitos de corriente alterna o continua, pueden plantearse directamente en trminos de
la resolucin de un sistema de ecuaciones lineales con coeficientes reales o complejos, sino tambin porque, en el
contexto de los Mtodos Numricos, las soluciones de determinados sistemas de ecuaciones lineales representan
soluciones aproximadas de ecuaciones diferenciales.
En la Seccin 1.3 se establece la estructura de espacio vectorial y se describen algunas de sus propiedades
generales. La Seccin 1.4 est dedicada al estudio de los espacios vectoriales de dimensin finita, y la mayor parte
del esfuerzo realizado va en la direccin de desarrollar un procedimiento eficiente para el clculo de bases de esos
espacios vectoriales.
En la Seccin 1.5 se analizan las propiedades bsicas de las aplicaciones lineales, esenciales en muchas otras
ramas de las Matemticas (diferenciacin de funciones de varias variables, geometra diferencial, etc.) y de la Fsica
(tensores de tensiones y de deformaciones, tensores de inercia, etc.). En la Seccin 1.6 se da la definicin formal
de determinante de una matriz cuadrada y se presentan algunas de sus propiedades. Por ltimo, en la Seccin 1.7
se estudian los conceptos de valor propio y vector propio de un endomorfismo (un tipo de aplicacin lineal), con
relaciones, por ejemplo, con la resolucin de ecuaciones diferenciales y los mtodos numricos.
Se ha intentado que la informacin presentada en este captulo sea autocontenida, en el sentido de que no sea
necesario poseer ms que unos pocos conocimentos elementales previos para poder comprender la totalidad de los
conceptos y razonamientos descritos. El captulo incluye las demostraciones de prctimente todos los resultados
enunciados, excepto algunas que se han dejado como ejercicio para el lector y unas pocas (la demostracin de
algunas propiedades de los determinantes en la Seccin 1.6 y de dos resultados sobre diagonalizacin al final de la
Seccin 1.7) que se han omitido por requerir desarrollos demasiado extensos en relacin al propsito de este texto.
Este captulo est dedicado a Sara.
1.1.
Matrices. Operaciones con matrices
Definicin 1. Sean n, m N. Una matriz de n filas y m columnas con coeficientes en un cuerpo conmutativo K es
una funcin que asigna a cada par de nmeros naturales (i, j) {1, . . . , n}{1, . . . , m} un elemento de K. Menos
formalmente, puede definirse una matriz como una coleccin de elementos de K (tpicamente R o C) organizados
por filas y columnas. Denotamos el conjunto de todas las matrices de n filas y m columnas con coeficientes en K
como MK (n m). Si A MK (n m), i {1, . . . , n} y j {1, . . . , m}, el elemento de K localizado en la
i-sima fila y la j-sima columna de A se representa como aij o tambin como [A]ij o (A)ij .
1 1 3
Ejemplo 1. A =
es una matriz de 2 filas y 3 columnas con coeficientes en R, es decir, A
2 1 0
MR (2 3), y, en particular, a22 = [A]22 = (A)22 = 1. Tambin se tiene que A MC (2 3).
Definicin 2. Sean n, m, p N. Si A, B MK (n m), se define la matriz suma de A y B, A + B MK (n m),
mediante la igualdad [A + B]ij = aij + bij , i = 1, . . . , n, j = 1, . . . , m. Si A MK (n m) y K, se define la
20
matriz producto del escalar y la matriz A, A MK (nm), mediante la igualdad [A]ij = aij , i = 1, . . . , n,
j = 1, . . . , m. Si A MK (n m) y B MK (m p), se define la matriz producto de A y B, A B MK (m p),
m
P
aik bkj , i = 1, . . . , n, j = 1, . . . , p. Si A MK (n m), se define la matriz
mediante la igualdad [A B]ij =
k=1
traspuesta de A, AT MK (m n), mediante la igualdad [AT ]ij = aji , i = 1, . . . , m, j = 1, . . . , n. Tambin es

habitual utilizar la notacin [AT ]ij = aTij .
0 1
2 1 1
Ejemplo 2. Sean A =
, B = 1 2 , = 2. Entonces
0 1 1
1 1
2 1 1
0 1 1
T
A + B = (2)
+
=
0 1 1
1 2 1
(2) 2 + 0
(2) 1 1
(2) (1) + 1
4 3 3
=
=
.
(2) 0 + 1 (2) (1) + 2
(2) 1 + 1
1
4 1
Por otra parte,
0 1
1 2 =
AB =
1 1

2 0 + 1 (1) + (1) 1 2 1 + 1 2 + (1) 1
2
=
=
0 0 + (1) (1) + 1 1 0 1 + (1) 2 + 1 1
2
2
0
0
B A = 1
1
1
1
1
1
1
2
2
0
1
1
1
1
1
3
1

02+10
0 1 + 1 (1)
0 (1) + 1 1
0
= (1) 2 + 2 0 (1) 1 + 2 (1) (1) (1) + 2 1 = 2
12+10
1 1 + 1 (1)
1 (1) + 1 1
2
1 1
3 3 .
0 0
Proposicin 1. Sean n, m, p, q N. La operacin suma de matrices tiene las propiedades conmutativa y asociativa, es decir, si A, B, C MK (n m), entonces A + B = B +A y (A +B)+ C = A +(B + C). El producto de un
escalar por una matriz satisface que, si , K y A, B MK (nm), entonces (A) = (A) = ()A,
( + ) A = A + A y (A + B) = A + B. La operacin producto de matrices tiene la propiedad
asociativa, pero en general no es conmutativa, es decir, si A MK (n m), B MK (m p) y C MK (p q),
entonces (A B) C = A (B C) pero no necesariamente A B = B A. Ambas operaciones tienen la propiedad
distributiva, es decir, si A, B MK (n m), C MK (m p), entonces (A + B) C = A C + B C.
Demostracin. En cuanto a la no conmutatividad del producto de matrices, basta considerar por ejemplo que si
A MK (n m), B MK (m p), n, m, p N, y n 6= p, entonces la matriz B A ni siquiera est definida,
mientras que si n = p 6= m entonces A B MK (n n) y B A MK (m m) no tienen la misma cantidad de
coeficientes. Por ltimo,
incluso
en el caso
n = m =p es posible encontrar matrices cuyo
producto
no conmute.
i 1
1 1+i
i i
i 1
Por ejemplo, si A =
yB =
, entonces A B =
6=
= B A. La
0 0
0
1
0 0
0 0
demostracin del resto de propiedades se deja como ejercicio.
Observacin 1. Con el objetivo de aligerar la notacin, en el resto de este captulo omitiremos a menudo algunas formalidades. Por ejemplo, una letra mayscula del alfabeto latino representar por defecto a una matriz.
Asimismo, cuando nos refiramos a la matriz producto de dos matrices A y B, A B, estaremos asumiendo que las
dimensiones de las matrices involucradas son tales que el producto tiene sentido, y cuando citemos el coeficiente
21
aij de una matriz A estaremos suponiendo que los ndices i, j recorren todos los nmeros naturales compatibles
con la cantidad de filas y columnas de A. Tambin daremos por hecho que cualquier variable que represente la
cantidad de filas y columnas de una matriz es un nmero natural. Los casos que pudieran generar confusin sern
comentados especficamente. Por otra parte, en virtud de la asociatividad del producto de matrices, utilizaremos la
notacin habitual A B C = (A B) C = A (B C), y anlogamente con ms de tres matrices.
Proposicin 2. (A B)T = B T AT
Demostracin. Sea m la cantidad de columnas de A. Entonces se tiene [(A B)T ]ij = [A B]ji =
m
P
k=1
aTkj bTik =
m
P
k=1
m
P
ajk bki =
k=1
bTik aTkj = [B T AT ]ij .
Corolario 1. Si n N, entonces (A1 A2 . . . An )T = ATn ATn1 . . . AT1 .

Definicin 3. El smbolo ij se denomina delta de Kronecker y se define como ij =
la matriz identidad de orden n, In
1 0 0 0
0 1 0 0
Ejemplo 3. I4 =
0 0 1 0
0 0 0 1
1
0
si i = j
. Se define
si i =
6 j
MK (n n), mediante la igualdad [In ]ij = ij .
es la matriz identidad de orden 4.
Proposicin 3. Si A MK (n m), entonces A Im = A y In A = A.

Demostracin. [A Im ]ij =
m
P
aik kj = aij . La segunda igualdad se demuestra anlogamente.
k=1
Definicin 4. Si A MK (n n) y existe una matriz B MK (n n) tal que A B = B A = In , entonces se dice

que A es inversible y que B es su inversa, lo que se representa como B = A1 . Ntese que para esta definicin se
ha exigido que A tenga la misma cantidad de filas que de columnas. Las matrices con esa propiedad se denominan
matrices cuadradas.
1 1 1
1 1 0
Ejemplo 4. Sean A = 0 1 1 y B = 0 1 1 . Es fcil comprobar que A B = B A = I3 , de
0 0 1
0 0
1
manera que B = A1 .
Proposicin 4. Si A es inversible, entonces AT y A1 son inversibles, (AT )1 = (A1 )T y (A1 )1 = A.
Demostracin. Por lo que respecta a AT es suficiente ver que (A1 )T AT = (A A1 )T = (In )T = In y
AT (A1 )T = (A1 A)T = In . En cuanto a A1 , basta recordar la definicin de inversa de una matriz.
1 0 0
1
0 0
Ejemplo 5. Puede comprobarse que si A = 1 1 0 y B = 1 1 0 , entonces B = A1
1 1 1
0 1 1
(comprese con el Ejemplo 4).
Proposicin 5. Si A y B son inversibles, entonces A B es inversible y (A B)1 = B 1 A1 .
Demostracin. Basta observar que B 1 A1 A B = B 1 In B = B 1 B = In y que A B B 1 A1 =
A In A1 = A A 1 = In .
Corolario 2. Si n N y A1 , . . . , An son matrices inversibles, entonces A1 A2 . . . An es inversible y (A1 A2
1
1
. . . An )1 = A1
n An1 . . . A1 .
22
Definicin 5. Denominamos operaciones elementales de fila (oefs) a las siguientes manipulaciones con las filas
de una matriz:
I. Intercambiar las filas i y j. Esta operacin se representa como fi fj .
II. Multiplicar la fila i por un escalar K, 6= 0. Esta operacin se representa como fi .
III. Sumar a la fila i la fila j multiplicada por un escalar K. Esta operacin se representa como fi + fj .
Llamamos e(A) a la matriz que resulta despus de aplicar una oef e a una matriz A.
1 1
Ejemplo 6. Sean A = 1 1 , la oef tipo I e1 = f1 f3 y la oef tipo III e2 = f2 if1 . Entonces
1 2i
1
2
1
2
1 2i
e1 (A) = 1 1 y e2 (e1 (A))) = 1 i 1 i2i = 1 i 1 . Tambin puede comprobarse
1
1
1
1
1 1
1
2i
que e1 (e2 (A))) = 1 i 1 i .
1
1
Definicin 6. Denominamos matriz elemental de fila a cualquier matriz que pueda obtenerse aplicando una oef a
la matriz In . Es decir, si e es una oef, e(In ) es una matriz elemental de fila.
1 0
Ejemplo 7. Consideremos la matriz identidad de orden 2, I2 =
, y la oef de tipo II e = 2f2 . Entonces
0 1
1 0
la matriz e(I2 ) =
es una matriz elemental de fila.
0 2
Proposicin 6. Si e es una oef, entonces e(A) = e(In ) A
Demostracin. Es un sencillo ejercicio de comprobacin para cada tipo de oef.
1 0
1
Ejemplo 8. Sean A =
y la oef e = f1 f2 . Entonces se tiene que e(A) =
1
1
0
0 1
0 1
1 0
1 1
y e(I2 ) A =
=
= e(A).
1 0
1 0
1 1
0 1
1
1
, e(I2 ) =
Proposicin 7. Si E es una matriz elemental de fila, entonces E es inversible y su inversa es otra matriz elemental
de fila.
Demostracin. Supongamos que E es una matriz elemental de fila asociada a la oef e, con lo que E = e(In ).
Si e es de tipo I, e = fi fj , entonces e(e(In )) = In , con lo que e(In ) e(In ) = In (Proposicin 6), o,
equivalentemente, E E = In , lo que implica que E es inversible y E 1 = E. En otro caso, si e es de tipo II,
e = fi , podemos definir la oef e = 1 fi (ntese que 6= 0), y entonces e(
e(In )) = e(e(In )) = In , con lo que
E e(In ) = e(In ) E = In , lo que implica que E es inversible y E 1 = e(In ). Por ltimo, si e es de tipo III,
e = fi + fj , podemos definir la oef e = fi fj y proceder como en el caso anterior.
1 0
Ejemplo 9. La matriz
es la matriz elemental de fila asociada a la oef e = f2 + 2if1 . Es inmediato
2i 1
1
0
comprobar que la matriz
, es decir, la matriz elemental de fila asociada a la oef e = f2 2if1 , es su
2i 1
inversa.
23
Definicin 7. Sean A, B MK (n m). Se dice que B es equivalente a A si es posible transformar A en B

haciendo nicamente oefs. Si B es equivalente a A, escribimos B A.
Proposicin 8. Si B A entonces A B.
Demostracin. Si B A entonces existe una sucesin de oefs e1 , e2 , . . . , es , s N, tal que B = es (. . . e2 (e1 (A)) . . .).
Utilizando reiteradamente la Proposicin 6 obtenemos que B = es (In ) . . . e2 (In ) e1 (In ) A. La matriz
C = es (In ) . . . e2 (In ) e1 (In ) es inversible por ser producto de matrices elementales de fila (Proposicin 7), y
verifica que B = C A, con lo que tenemos C 1 B = C 1 C A = A. Como C 1 = (e1 (In ))1 (e2 (In ))1
. . . (es (In ))1 y cada una de las (ei (In ))1 es a su vez una matriz elemental de fila, existen s oefs ei tales que
ei (In ) = (ei (In ))1 . Esto implica que A = C 1 B = e1 (In ) . . . es (In ) B = e1 (. . . (
es (A)) . . .), lo que
concluye la demostracin.
Corolario 3. Si A B, entonces cada una de esas matrices se obtiene de la otra multiplicndola por una matriz
inversible.
Observacin 2. No es difcil comprobar que si A B y B C entonces A C. Por otra parte, es trivial
demostrar que A A, con lo que se cumplen las tres propiedades (reflexiva, simtrica y transitiva) necesarias para
afirmar que la transformacin mediante oefs define una relacin de equivalencia en MK (n m), lo que explica
el haber utilizado precisamente el trmino equivalente para referirnos a una matriz que se puede obtener de otra
mediante oefs.
Ejemplo 10. En la prctica, cuando se efecta una serie de operaciones elementales de fila sobre una matriz, suele
separarse cada una de las matrices obtenidas de la siguiente mediante
el smbolo
, indicando tambin cual es la
1 0 0
, e1 = f2 f1 y e2 = f2 /2, entonces
oef que permite pasar de una a la otra. Por ejemplo, si A =
1 2 0
1 0 0
1 0 0
. Todo ello puede simbolizarse como
y e2 (e1 (A)) =
e1 (A) =
0 1 0
0 2 0
1 0
1 2
0
0
f f
2
1
1
0
2
f /2
2
1
0
1
0
0
f2 + f1
1
0
2
0
0
0
0
En el contexto de la Proposicin 8, tambin se tiene que
1
0
0
1
0
0
2f2
1 0
0 2
0
0
Definicin 8. Sea A MK (n m) una matriz de n filas y m columnas. Se dice que A es una matriz escalonada
reducida por filas (merf) si y slo si verifica las siguientes propiedades:
1. Si la fila i de A es no nula y la fila j de A es nula, entonces j > i (si hay filas nulas, son las ltimas).
2. Si slo las r primeras filas de A son no nulas (r n) y k1 , . . . , kr son los ndices de columna de los primeros
elementos no nulos de las filas 1, . . . , r, respectivamente, entonces:
2.a Si 1 i < j r, entonces ki < kj (el primer elemento no nulo de cada fila est ms a la derecha que
el primer elemento no nulo de la fila inmediatamente anterior).
2.b ajki = jki i = 1, . . . , r, j = 1, . . . , i (el primer elemento no nulo de cada fila es 1 y los coeficientes
de su columna con menor ndice de fila que l son nulos).
Se deduce directamente de las propiedades anteriores que todos los coeficientes de cualquier columna que corresponda al primer elemento no nulo de una fila de una merf son nulos excepto ste, que es igual a 1.
24
0
0
0
0
1
0
0
0
2+i
0
0
0
0 0
1 0
0 1
0 0
3
i
es una merf.
2
0
Teorema 1. Toda matriz A es equivalente a una merf. Adems, si B1 y B2 son merfs y A B1 y A B2 ,

entonces B1 = B2 . Por tanto, cada matriz A es equivalente a una nica merf, que denotamos por merf (A).
Demostracin. Sea A MK (n m). Veamos en primer lugar que A es equivalente a una merf. La demostracin
de este hecho es constructiva y se basa en el conocido mtodo de eliminacin de Gauss-Jordan. Empecemos
observando que si todas las columnas de A son nulas entonces A es una merf. Supongamos por tanto que A
es no nula y localicemos la primera de sus columnas que contiene algn elemento no nulo. Si el ndice de esa
columna es l y a1l = 0, apliquemos a A la oef f1 fi para alguno de los i tales que ail 6= 0, y a continuacin
la oef a1
il f1 . Obtenemos una matriz A equivalente a A tal que todas sus columnas anteriores a la l son nulas y
[A]1l = 1. Si inicialmente se tuviera a1l = 1 se tomara A = A, mientras que si fuera a1l 6= 0, a1l 6= 1, A se
obtendra de A haciendo simplemente la oef a1
1l f1 . En todos los casos, el procedimiento contina realizando las
il f1 , i = 2, . . . , n, con lo que obtenemos una matriz equivalente a A tal que sus primeras l columnas
oefs fi [A]
constituyen una merf no nula. Supongamos ahora que hemos conseguido una matriz B equivalente a A tal que
sus primeras k columnas, k < m, constituyen una merf con exactamente r filas no nulas, r < n, y veamos que
equivalente a B tal que sus primeras k + 1 filas constituyan una merf
siempre es posible obtener una matriz B
(ntese que si fuera k = m o r = n la propia B sera una merf equivalente a A y el proceso habra terminado).
examinemos los trminos de la columna k + 1 de B con ndice de fila mayor que r, es decir,
Para obtener B,
los bi,k+1 , i = r + 1, . . . , n. Si todos esos coeficientes fuesen nulos, entonces las primeras k + 1 columnas de B
= B. En caso contrario, supongamos que bj,k+1 6= 0, j {r+1, . . . , n},
constituiran una merf y bastara tomar B
y realicemos sobre B las oefs fr+1 fj , b1

j,k+1 fr+1 , con lo que obtendremos una matriz B equivalente a B tal
r+1,k+1 = 1 (igual que antes, alguna
que sus primeras k columnas constituyen una merf con r filas no nulas y [B]
i,k+1 fr+1 , i = 1, . . . , n,
de las dos ltimas oefs podra ser innecesaria). Si ahora aplicamos a B las oefs fi [B]
i 6= r + 1, obtenemos la matriz B que buscbamos. Razonando por induccin, esto prueba que A es equivalente a
una merf.
Para ver la unicidad, supongamos que B1 , B2 son merfs y A B1 , A B2 . Eso implica que B1 B2 , con lo
que, en virtud de la Proposicin 8, es posible transformar B1 en B2 mediante oefs y viceversa. Segn el corolario
de esa misma proposicin, tenemos en particular que B1 = C B2 , B2 = C 1 B1 para alguna matriz inversible
C. Observemos ahora que si B1 es nula entonces tambin deben serlo A y B2 , con lo que B1 = B2 . Supongamos
entonces que B1 no es nula (y, por tanto, tampoco lo son ni A ni B2 ), y veamos que si la columna l1 es la primera
columna no nula de B1 y la columna l2 es la primera columna no nula de B2 , entonces l2 = l1 . En efecto, si fuera
l2 < l1 sera posible transformar una columna nula de B1 en una columna no nula de B2 haciendo nicamente
oefs, lo cual es absurdo. El mismo razonamiento demuestra que no puede ser l1 < l2 sin ms que intercambiar los
papeles de B1 y B2 . Luego la primera columna no nula de B1 ocupa la misma posicin que la primera columna
no nula de B2 , de manera que ambas columnas tienen un 1 en la primera fila y ceros en las siguientes, puesto que
tanto B1 como B2 son merfs. Recordando la definicin del producto de dos matrices, ello implica que tanto la
primera columna de la matriz C como la primera columna de la matriz C 1 son iguales a la primera columna de
In . Supongamos ahora que las primeras k < m columnas de B1 y B2 son iguales y constituyen una merf con r < n
filas no nulas, y que tanto las primeras r columnas de C como las primeras r columnas de C 1 son iguales a las
primeras r columnas de In (ntese que si fuese k = m ya tendramos que B1 = B2 , mientras que si fuese r = n
sera C = In y tambin B1 = B2 ). En ese caso deducimos que si [B2 ]r+1,k+1 = 0 entonces [B1 ]r+1,k+1 = 0,
puesto que tenemos la igualdad B1 = C B2 , sabemos que las primeras r filas de C coinciden con las de In
y B1 es merf. Intercambiando los papeles de B1 y B2 y considerando la igualdad B2 = C 1 B1 , tenemos que
[B1 ]r+1,k+1 = 0 si y slo si [B2 ]r+1,k+1 = 0. En ese caso, si [B2 ]r+1,k+1 = 0 entonces [B1 ]r+1,k+1 = 0 y,
recurriendo nuevamente a la igualdad B1 = C B2 , tenemos que las primeras k + 1 columnas de B1 coindicen
con las primeras k + 1 columnas de B2 y constituyen una merf con r filas no nulas. Si [B2 ]r+1,k+1 = 1, entonces
25
[B1 ]r+1,k+1 6= 0. Como B1 es una merf, eso implica que [B1 ]r+1,k+1 = 1, con lo que las columnas k + 1 de
B1 y B2 son iguales. As pues, tenemos por una parte que las primeras k + 1 columnas de B1 coindicen con las
primeras k + 1 columnas de B2 y constituyen una merf con r + 1 filas no nulas, y, por otra, gracias una vez ms a
las igualdades B1 = C B2 , B2 = C 1 B1 , que tanto las primeras r + 1 columnas de C como las primeras r + 1
columnas de C 1 son iguales a las primeras r + 1 columnas de In . Razonando por induccin, esto prueba que
B1 = B2 .
0 0 2 1 1
Ejemplo 12. Consideremos la matriz A = 0 1 1 0 1 y apliquemos el procedimiento de elimi0 2 0 1 1
nacin de Gauss-Jordan para encontrar la merf a la que es equivalente:
0
0
0
0
1
2
2 1
1 0
0 1
1
0 1
f1 f2
0 0
1
1
0 2
0
0
0
1
0
0
1
1
2
1
0
f3 2f1
0
1
0
1
1 0
2 1
0 1
f1 f2
0
1
0
2
1
0
f3 + 2f2
0
12
1
1
0
0
0
1
0
1
2
21
1
f2 /2
1
1 0
2 1
2 1
1
2
1
2
1
0
0
= merf (A).
Por tanto, si e1 = f1 f2 , e2 = f3 2f1 , e3 = f2 /2, e4 = f1 f2 y e5 = f3 + 2f2 , entonces merf (A) =

e5 (e4 (e3 (e2 (e1 (A))))). Ntese que en general la sucesin de oefs que permite transformar una matriz en una merf
no es nica, pero, en virtud del teorema anterior, llegaremos siempre a la misma merf con independencia de la
sucesin de operaciones que escojamos. En el caso de la matriz A anterior tambin podamos haber hecho, por
ejemplo,
0 0
0 1
0 2
2 1
1 0
0 1
1
0
f3 2f2
0
1
1
0
0
1
0
0 0
0 1
0 0
0 1 0
0 0 0
0 0 1
0
0
2
1
2
1
2
1
1
2
0
12
f3 /2
1
1
2
0
1
2
1
0 0
f1 f3
0 1
1
1
0 0
2 1
1 0
2 1
f2 f3
0 0
0 1
0 0
0
0
1
0 1 0
0 0 1
0 0 0
1
2
12
1
2
1
2
1
2
12
1
2
1
2
0 0
1 0
2 1
0
f2 + f3 /2
1
f1 f2
= merf (A),
de manera que si e1 = f3 2f2 , e2 = f1 f3 , e3 = f2 + f3 /2, e4 = f3 /2, e5 = f1 f2 y e6 = f2 f3 ,

entonces merf (A) = e6 (
e5 (
e4 (
e3 (
e2 (
e1 (A)))))).
Definicin 9. Se define el rango por filas de una matriz A, rgf A, como la cantidad de filas no nulas de la nica
merf a la que es equivalente.
Ejemplo 13. La matriz A del Ejemplo 12 tiene rango por filas 2, es decir, rgf A = 2.
Proposicin 9. Si A MK (n m), entonces rgf A mn{n, m}.
Demostracin. Basta con tener en cuenta la definicin de rgf A y las propiedades que caracterizan las merfs.
26
1.2.
Sistemas de ecuaciones lineales
Definicin 10. Un sistema de n ecuaciones lineales con m incgnitas y coeficientes en el cuerpo conmutativo K
es un sistema de igualdades de la forma
m
X
ij xj = i , i = 1, . . . , n,
j=1
donde ij , k K. Resolver el sistema de ecuaciones consiste en decidir si existe alguna coleccin de m elementos x1 , . . . , xm K que satisfaga simultneamente las n igualdades, y, en caso afirmativo, encontrarlas todas.
Llamamos solucin del sistema a cada una de esas colecciones.
Dado un sistema de ecuaciones lineales siempre es posible construir las matrices A MK (n m), X
MK (m 1), B
MK (n 1) y A|B MK (n (m + 1)), tales que [A]ij = ij , [X]j1 = xj , [B]j1 =
ij
si j m
. Esas matrices se denominan, respectivamente, matriz de coeficientes,
j y [A|B]ij =
i si j = m + 1
matriz de incgnitas, matriz de trminos independientes y matriz ampliada del sistema, que, teniendo en cuenta la
definicin del producto de matrices, puede reescribirse en la forma compacta A X = B. Si la matriz B es nula se
dice que el sistema es homogneo.
Ejemplo 14. El conjunto de igualdades
ix1 + 2x3 2x5 + x2
= 1
x1 + (1 i)x4
= 2
3x1 + 2x2 + 5x5
= 2i
constituye un sistema de ecuaciones lineales de 3 ecuaciones con las 5 incgnitas x1 , x2 , x3 , x4 , x5 C.

La matriz
x
1
x2
i 1 2
0
2
de coeficientes del sistema es A = 1 0 0 1 i 0 , la matriz de incgnitas es X =

x3 , la ma x4
3 2 0
0
5
x5
1
1 1 2 0 2 1
2 .
triz de trminos independientes es B = 2 , y la matriz ampliada es A|B = 1 0 0 1 0
2i
3 2 0 0 5 2i
Definicin 11. Se dice que dos sistemas de ecuaciones lineales son equivalentes si ambos tienen las mismas
soluciones.
Proposicin 10. Dos sistemas de ecuaciones lineales son equivalentes si y slo si sus matrices ampliadas son
equivalentes.
Demostracin. Es un sencilla comprobacin que se deja como ejercicio.
x1 + 2x3 2x5 + x2 = 1
4x3 x1 9x5
x1 + x4 = 2 y
x2 + 2x3 + x4 2x5
Ejemplo 15. Los sistemas
2x1 + x2 2x3 + 7x5

3x1 + 2x2 + 5x5 = 1
= 1
= 3
= 0
mismas soluciones porque si e1 = f2 + f1 , e2 = f3 f1 y e3 = f1 f3 , entonces
1 0 4 0 9 1
1 1 2 0 2 1
0 1 2 1 2 3 = e3 e2 e1 1 0 0 1 0 2
2 1 2 0 7 0
3 2 0 0 5 1
tienen las
27
Teorema 2. Teorema de Rouch-Frobenius: sean A y A|B la matriz de coficientes y la matriz ampliada de un

sistema de n ecuaciones lineales con m incgnitas, respectivamente. Si r = rgf A, entonces se tiene:
1. Si rgf A|B 6= r el sistema no tiene soluciones (en ese caso se dice que el sistema es incompatible).
2. Si rgf A|B = r el sistema tiene alguna solucin (sistema compatible). En esta caso podemos distinguir dos
situaciones:
2.a. Si r = m el sistema tiene una nica solucin (sistema compatible determinado).
2.b. Si r < m el sistema tiene infinitas soluciones (sistema compatible indeterminado).
Observacin 3. Ntese que el caso rgf A|B = r > m queda excluido por la Proposicin 9.
Demostracin. Sabemos que el sistema de ecuaciones cuya matriz ampliada es merf (A|B) es equivalente al
sistema de ecuaciones original. Puesto que la matriz ampliada de A|B comparte con A las m primeras columnas, y
recordando el mtodo de eliminacin de Gauss-Jordan, merf (A|B) debe compartir con merf (A) las m primeras
columnas. Por otra parte, como A|B slo tiene una columna ms que A, entonces rgf A|B slo puede ser r o r + 1.
Por tanto, si rgf A|B 6= r debe ser rgf A|B = r + 1 y [merf (A|B)]r+1,m+1 = 1, mientras que, como rgf A = r,
[merf (A)]ri = 0 i {1, . . . , m}. Eso quiere decir que la r-sima ecuacin del sistema cuya matriz ampliada es
merf (A|B) se escribe 0 x1 + . . . + 0 xm = 1, es decir, 0 = 1, con lo que el sistema original no puede tener
soluciones. Ahora, si rgf A|B = r = m, entonces merf (A) debe tener m filas no nulas. Teniendo en cuenta la
estructura de una merf y las dimensiones de A, eso implica necesariamente que las primeras m filas de merf (A)
son las de Im . As pues, las m primeras ecuaciones del sistema cuya matriz ampliada es merf (A|B) se escriben
xi = [merf (A|B)]i,m+1 , i = 1, . . . , m, mientras que el resto de las ecuaciones, en caso de haberlas, slo dicen
0 = 0, de manera que el sistema original slo tiene una solucin. Por ltimo, si rgf A|B = r < m, entonces sean
k1 , . . . , kr los ndices de columna de las posiciones de los primeros unos de cada fila no nula de merf (A). Si
llamamos incgnitas principales del sistema a xkj , j = 1, . . . , r, y parmetros al resto de las incgnitas, entonces
las r primeras ecuaciones del sistema cuya matriz ampliada es merf (A|B) indican que es posible expresar cada
una de las incgnitas principales en funcin exclusivamente de los parmetros. El resto de ecuaciones, si las hay,
son trivales (0 = 0), de manera que no hay ninguna restriccin sobre el valor que pueden tomar los parmetros y
el sistema tiene infinitas soluciones.
Corolario 4. Todo sistema homogneo es compatible.
Ejemplo 16. El sistema de ecuaciones lineales
(1 + i)x2 x3 + x4
= 0
x1 ix2 + x3
= 1
x1 + x2 + x4
= 0
es incompatible. Para verlo, busquemos la merf de la matriz ampliada del sistema:
0 1 + i 1 1 0
1
1
0 1 0
f1 f3
1 i
1 i
1 0 1
1 0 1
1
1
0 1 0
0 1 + i 1 1 0
1
1
0
1 0
1
1
0 1
f3 + f2
0 1 i 1 1 1
0 1 i 1 1
0 1 + i 1 1 0
0
0
0 0
f2 f1
0
1 = C|D
1
Llegados a este punto ya es claro que rgf A = 2 y rgf A|B = 3, con lo que, segn el Teorema de RouchFrobenius, el sistema original es incompatible. Ntese que dicho sistema debe tener las mismas soluciones que el
sistema cuya matriz ampliada es C|D, y que la tercera ecuacin de ese sistema es 0 x1 + 0 x2 + 0 x3 + 0 x4 = 1,
lo cual es imposible para cualquier combinacin de nmeros complejos x1 , x2 , x3 , x4 .
28

x1 x2 + x3
= 0
x1 x2 x3
= 1
x1 + x2 + x3
= 0
es compatible determinado. En efecto, tenemos
1
1
1
1
1
1
f f
2
1
1 0
1
0
1 1
1 0
0
f3 f1
1
0
2
1 0
2 1 ,
0 0
de manera que rgf A = rgf A|B = 3. Como el sistema original tiene tres incgintas, entonces podemos decir
que dicho sistema es compatible determinado. Para hallar la solucin del sistema continuamos con el proceso de
eliminacin:
1
0
0
1
0
2
f /2
2
1 1
1 0
0 0
2 1
0 0
0 1
f3 /2
1 0 1 0
f1 f3
0 1 0 0
0 0 1 12
1
1
0
1
0
f2 f3
0
12
0
0
1 0
0 1
0 0
0
0
1
1
2
1 1
1 0
0 1
0
f1 + f2
0
21
0 = merf (A|B) = C|D.

12
El sistema original debe tener las mismas soluciones que el sistema cuya matriz ampliada es C|D, lo que implica
1
1
que x1 = , x2 = 0, x3 = es la nica solucin del sistema original.
2
2
x1 + x2 x3 + 2x4
(1 + i)(x1 + x2 ) + 2x4
i(x1 + x2 ) + x3
= i
= 2+i
= 2
es compatible indeterminado. Puede comprobarse que
1
1+i
i
1 1
0 0
0 0
f (1 + i)f
2
1
i
1 1 1
2
i
f3 f2
0 0 1 + i 2i 3
2+i
2
0 0 1 + i 2i 3
f3 if1
1 1 1
2
i
1
2
i
f2 /(1 + i)
f1 + f2
0 0 1 1 i 3 (1 i)
1 + i 2i 3
2
0
0
0
0 0 0
0
0
1
1 1 0 1i
2 (3 i)
0 0 1 1 i 3 (1 i) = merf (A|B),
2
0 0 0
0
0
1
1 2
1+i 0 2
i
1 0
y, por tanto, rgf A = rgf A|B = 2. Como el sistema original tiene cuatro incgnitas, entonces podemos decir
que dicho sistema es compatible indeterminado con dos incgnitas principales, x1 , x3 , y dos parmetros, x2 , x4 ,
29
que pueden tomar cualquier valor en C, con lo que hay infinitas soluciones. Las incgnitas principales pueden
expresarse en trminos de los parmetros a partir de la forma reducida de A|B, obteniendo x1 = 12 (3 i) x2
(1 i)x4 , x3 = 23 (1 i) + (1 + i)x4 . Es habitual describir el conjunto de todas las soluciones del sistema de la
siguiente forma: x1 = 12 (3 i) (1 i), x2 = , x3 = 32 (1 i) + (1 + i), x4 = , , C.
Definicin 12. Una ecuacin matricial con matriz de coeficientes A MK (n m) y matriz de trminos independientes B MK (n p) es una ecuacin de la forma A X = B, donde X MK (m p) se denomina
matriz de incgnitas. Resolver el sistema matricial consiste en decidir si existe alguna matriz X que satisfaga la
igualdad y, en caso afirmativo, encontrarlas todas. Diremos que cada una de esas matrices X es una solucin de la
ecuacin matricial. La matriz de n filas y m + p columnas cuyas primeras m columnas son las columnas de A y
cuyas ltimas p columnas son las columnas de B se denomina matriz ampliada de la ecuacin matricial. Tambin
utilizaremos el smbolo A|B para representar a las matrices ampliadas de las ecuaciones matriciales.
Proposicin 11. Teorema de Rouch-Frobenius para ecuaciones matriciales: si A MK (nm) y B MK (np)
son, respectivamente, la matriz de coficientes y la matriz de trminos independientes de una ecuacin matricial y
r = rgf A, entonces la ecuacin tiene solucin slo cuando rgf A|B = r. En ese caso, si r = m slo existe una
matriz X MK (m p) que satisfaga la igualdad A X = B, mientras que si r < m pueden encontrarse infinitas
soluciones para la ecuacin matricial.
Demostracin. Consideremos una sucesin de oefs e1 , . . . , es , s N, que transforme A en merf (A), y las
matrices Bi MK (n1), i = 1, . . . , p, tales que [Bi ]j = bij . Esta claro que la ecuacin matricial tiene soluciones
si y slo si todos y cada uno de los p sistemas de ecuaciones lineales asociados a las matrices ampliadas A|Bi tienen
soluciones. Si rgf A|B = r, entonces debe obtenerse merf (A|B) al aplicar e1 , . . . , es a A|B, con lo que tambin
se obtendr merf (A|Bi ) al aplicar e1 , . . . , es a cada una de las matrices A|Bi . En esas condiciones, si r = m todos
los sistemas son compatibles determinados, y por tanto, la ecuacin matricial tiene una nica solucin, mientras
que si r < m todos los sistemas son compatibles indeterminados y la ecuacin matricial tiene infinitas soluciones.
Si, por el contrario, rgf A|B 6= r, deber ser rgf A|B > r. Eso slo puede suceder si para alguno de los sistemas
no es rgf A|Bi = r, en cuyo caso ese sistema es incompatible y la ecuacin matricial no puede tener soluciones.
Teorema 3. Una matriz cuadrada es inversible si y slo si su rango por filas es mximo.
Demostracin. Sea A MK (n n) y consideremos una sucesin de oefs e1 , . . . , es , s N, que transforme A en
merf (A). Para que A sea inversible debe existir, en particular, una matriz B MK (n n) tal que A B = In .
Eso quiere decir que el sistema A X = In es compatible, con lo que rgf A = rgf A|In y la matriz que se
obtiene aplicando e1 , . . . , es a A|In es una merf. Como es (. . . (e1 (In )) . . .) es equivalente a In , entonces su rango
es n y no puede tener filas nulas, con lo que necesariamente rgf A = n. Recprocamente, si rgf A = n entonces
merf (A) = In y el sistema A X = In es compatible determinado con solucin X = es (. . . (e1 (In )) . . .). Esa
solucin verifica, adems, X A = es (. . . (e1 (In )) . . .) A = es (In ) . . . e1 (In ) A = es (. . . (e1 (A)) . . .) = In ,
con lo que A es inversible y A1 = es (. . . (e1 (In )) . . .).
Corolario 5. Se deduce de la demostracin del teorema anterior que si una matriz cuadrada tiene inversa, esa
inversa es nica. Tambin se ha visto que una matriz es inversible si y slo si es producto de matrices elementales
de fila, con lo que podemos afirmar que dos matrices son equivalentes si y slo si una de ellas puede obtenerse
multiplicando una matriz inversible por la otra.
Ejemplo 19. Los resultados anteriores justifican el denominado mtodo de Gauss para el clculo de la inversa de
una matriz. Consideremos, por ejemplo, la matriz
1 1
A= 1 0
1 1
0
1 .
1
30
Si A es inversible, entonces su inversa es la nica solucin del sistema matricial AX = I3 , y se obtiene reduciendo
la matriz ampliada A|I3 :
f2 f1
1 1 0 1 0 0
1
1 0 1 0 1 0
0
1 1 1 0 0 1
0
f3 f1
1
0
0
0 1
1 1
0 1
0
1
1
f1 + f2
1 0 0
1 1 0
1 0 1
(1)f3
f f
1
3
0
1 0 0 1 1 1
(1)f2
0 1 0 2 1 1
0
1
0 0 1 1 0 1
f2 f3
1 0 0 1 1
1
0 1 0 2 1 1
0 0 1 1
0 1
1 1
1
= 2 1 1 , lo que puede comprobarse fcilmente.
1
0 1
0 1
1 1
1 0
As pues, A es inversible y A1
1.3.
1
1
0
Espacios vectoriales
Definicin 13. Sean E un conjunto, K un cuerpo conmutativo y dos funciones s : E E E, p : KE E.

Se dice que la terna (E, s, p) es un espacio vectorial sobre K (Kev) si se verifica:
1 (E, s) es un grupo conmutativo, es decir:
1.1 x, y E
s(x, y) = s(y, x).
1.2 x, y, z E
s(s(x, y), z) = s(x, s(y, z)).
1.3
v E tal que x E
) = x.
s(
v, x) = s(x, v
1.4 x E,
x E tal que
) = s(
.
s(x, x
x, x) = v
2 K, x, y E
p(, s(x, y)) = s(p(, x), p(, y)).
3 , K, x E
p( + , x) = s(p(, x), p(, x)).
4 , K, x E
p( , x) = p(, p(, x)).
5 x E
p(1, x) = x.
La funcin s se denomina ley u operacin de composicin interna y la funcin p se denomina ley u operacin
de composicin externa. Cuando se pretende dotar a un conjunto E de estructura de Kev es frecuente definir las
leyes s, p basndose en las operaciones suma y producto (+, ) usuales en K. Por esa razn es habitual abusar del
lenguaje, llamar suma y producto por un escalar a s y p, respectivamente, y utilizar la notacin s(x, y) = x + y,
= 0E o simplemente v
= 0, x
= x y x + (y) = x y. Segn este
p(, x) = x o bien p(, x) = x, v
convenio, las propiedades que caracterizan a un Kev pueden reescribirse de la forma ms familiar
1 (E, +) es un grupo conmutativo, es decir:
1.1 x, y E
1.2 x, y, z E
x + y = y + x (propiedad conmutativa de la suma).

(x + y) + z = x + (y + z) (propiedad asociativa de la suma).
1.3 0 E tal que x E
0 + x = x + 0 = x (existencia de un elemento neutro para la suma).
31
1.4 x E, x E tal que

suma).
x + (x) = (x) + x = 0 (existencia de un elemento opuesto para la
2 K, x, y E
escalar).
(x + y) = x + y (propiedad distributiva de la suma y el producto por un
3 , K, x E
por un escalar).
( + ) x = x + x (propiedad distributiva de la suma de escalares y el producto
4 , K, x E
( ) x = ( x).
5 x E
1 x = x.
Tambin es habitual obviar la estructura (E, +, ) y referirse simplemente al Kev E. Si E es un Kev y x E, se

dice que x es un vector de E.
Ejemplo 20. El conjunto Kn , n N, con las operaciones suma y producto por un escalar definidas como K,
x, y Kn , si x = (x1 , . . . , xn ) e y = (y1 , . . . , yn ) entonces x + y = (x1 + y1 , . . . , xn + yn ) y x =
(x1 , . . . , xn ), tiene estructura de Kev. El elemento neutro para la suma es el vector nulo, 0 = (0, . . . , 0), y el
elemento opuesto para la suma del vector x = (x1 , . . . , xn ) es el vector x = (x1 , . . . , xn )
Ejemplo 21. El conjunto K[x] de todos los polinomios con coeficientes en el cuerpo conmutativo K, con las
operaciones suma y producto por un escalar definidas como K, p, q K[x], si x K p(x) = a0 + a1 x +
. . . + an xn y q(x) = b0 + b1 x + . . . + bm xm entonces x K (p + q)(x) = (a0 + b0 ) + (a1 + b1 )x + . . . + (an +
bn )xn + bn+1 xn+1 + . . . + bm xm y ( p)(x) = a0 + a1 x + . . . + an xn , donde, sin prdida de generalidad,
se ha supuesto que m > n, tiene estructura de Kev. El elemento neutro para la suma es el polinomio nulo, es decir,
la funcin 0 : K K, tal que x K 0(x) = 0, y el elemento opuesto para la suma del polinomio p tal que
x K p(x) = a0 + a1 x + . . . + an xn es el polinomio p tal que x K (p)(x) = a0 a1 x . . . an xn .
Ejemplo 22. El conjunto Kn [x], n N, de todos los polinomios de grado menor o igual que n con coeficientes en
el cuerpo conmutativo K, con las operaciones suma y producto por un escalar definidas de forma anloga a como
se ha hecho en el ejemplo anterior, tiene estructura de Kev.
Ejemplo 23. El conjunto MK (n m) de todas las matrices de n filas y m columnas con coeficientes en el
cuerpo conmutativo K, con las operaciones suma de matrices y producto de un escalar por una matriz tal como
se describieron en la Definicin 2, tiene estructura de Kev. El elemento neutro para la suma es la matriz nula
0nm MK (n m) tal que [0nm ]ij = 0, y el elemento opuesto para la suma de la matriz A MK (n m) es
la matriz A MK (n m) tal que [A]ij = aij .
Observacin 4. Los Ejemplos del 20 al 23 evidencian que los elementos de un conjunto al que se ha dotado
de la estructura de espacio vectorial pueden ser de naturaleza muy diferente. Pueden ser simplemente n-uplas
ordenadas de escalares (es decir, vectores, segn la nomenclatura habitual en los estudios preuniversitarios y en
otras disciplinas como la Fsica), pero tambin pueden ser, por ejemplo, funciones o matrices. El trmino vector
puede aplicarse a los elementos de cualquier espacio vectorial, si bien es frecuente referirse a los elementos de los
espacios vectoriales Kn [x] y MK (n m) manteniendo los nombres de polinomios y matrices, respectivamente.
Proposicin 12. Sea E un Kev. Entonces se cumplen las siguientes propiedades:
1 x E
0 x = 0E .
2 K
0E = 0E .
3 K, x E
4 K, x, y E
( x) = () x = (x).
(x + (y)) = x + (( y)).
32
5 , K, x E
( ) x = x + (( x)).
6 x = 0E = { = 0 x = 0E }.
Demostracin. Se deja como ejercicio para el lector.
Definicin 14. Sea E un Kev y F E. Se dice que F es un subespacio vectorial (sev) de E cuando se verifican
las siguientes condiciones:
1. 0E F.
2. K, x, y F = x + y F.
Observacin 5. Es fcil ver que un sev F de un Kev E con la operacin + de E restringida a F F y la
operacin de E restringida a K F es tambin un Kev.
Ejemplo 24. Consideremos el Rev R4 con las operaciones definidas en el Ejemplo 20. El conjunto F = {x =
(x1 , x2 , x3 , x4 ) R4 | x1 + x3 = 0, x2 2x4 = 0} es un sev de R4 . Para demostrarlo basta ver que el
elemento neutro para la suma de R4 , 0 = (0, 0, 0, 0), pertenece a F, lo que es trivial puesto que 0 + 0 = 0
y 0 2 0 = 0. En segundo lugar, sean R y x = (x1 , x2 , x3 , x4 ), y = (y1 , y2 , y3 , y4 ) F. Entonces
se tiene que x + y = (x1 + y1 , x2 + y2 , x3 + y3 , x4 + y4 ). Este vector pertenecer a F si y slo si
x1 + y1 + x3 + y3 = (x1 + x3 ) + (y1 + y3 ) = 0 y x2 + y2 2(x4 + y4 ) = (x2 2x4 ) + (y2 2y4 ) = 0,
lo que efectivamente se cumple, puesto que x, y F.
Ejemplo 25. Consideremos el Cev C2 [x] con las operaciones definidas en el Ejemplo 22. El conjunto G = {p
C2 [x] | a, b C tales que x C p(x) = (ab)+(a+ib)x+(2ab)x2 } es un sev de C2 [x]. Para demostrarlo
basta ver que el elemento neutro para la suma de C2 [x], el polinomio nulo 0, pertenece a G, lo que es trivial puesto
que x C 0(x) = (00)+(0+i0)x+(200)x2 . En segundo lugar, sean C y p, q G. Entonces existen
a, b, c, d C tales que x C p(x) = (a b) + (a + ib)x + (2a b)x2 y q(x) = (c d) + (c + id)x + (2c d)x2 .
As pues, (p + q)(x) = ((a b) + (a + ib)x + (2a b)x2 ) + ((c d) + (c + id)x + (2c d)x2 ) =
((a + c) (b + d)) + ((a + c) + i(b + d))x + (2(a + c) (b + d))x2 , de manera que, si definimos los
escalares a
= a + c, b = b + d C, se tiene que x C (p + q)(x) = (
a b) + (
a + ib)x + (2
a b)x2 , con
lo que p + q G y G es sev de C2 [x].
R1
Ejemplo 26. Los conjuntos F = {p R3 [x] | p(0) = 2p(1), p0 (1) = 0, 0 p = 0}, donde p0 representa la
derivada de p, y G = {A MC (2 2) | A = iAT } son sevs de R3 [x] y MC (2 2), respectivamente. La
comprobacin de este hecho se deja como ejercicio.
Definicin 15. Si E es un Kev y v, x1 , . . . , xn E, se dice que v es combinacin lineal de x1 , . . . , xn cuando
n
P
1 , . . . , n K tales que v =
i xi .
i=1
Observacin 6. Es un sencillo ejercicio comprobar que si F es un sev de un Kev E y x1 , . . . , xn F , entonces

cualquier combinacin lineal de x1 , . . . , xn pertenece tambin a F . Tambin es inmediato comprobar que 0 E
es siempre combinacin lineal de cualquier sistema finito de vectores de E.
4
Ejemplo 27. Consideremos
C4 . El
i el1 Cev
vector v = (1 + i, 0, 1, 2) C es combinacin lineal
de los vectores
1
i
x = (i, i, 1, 2i), y = 2 , 2 , 2 2 , 0 , ya que v = (1 + i, 0, 1, 2) = i(i, i, 1, 2i) + 2 2i , 12 , 12 2i , 0 =
2 2 0
ix + 2y. Sea ahora el Rev MR (2 3). La matriz A =
MR (2 3) es combinacin lineal de las
0 1 2
1 1 0
1 1 0
0 0
0
matrices B =
,C =
,D =
MR (2 3), ya que, por ejemplo,
0 0 0
0 1 2
0 1 2
A = 1 B + 1 C + 0 D y A = 0 B + 2 C + 1 D.
33
Definicin 16. Sea E un Kev y x1 , . . . , xn E. Se dice que el sistema de vectores {x1 , . . . , xn } es libre,
o, equivalentemente, que los vectores x1 , . . . , xn son linealmente independientes, cuando, si 1 , . . . , n K,
entonces
n
X
i xi = 0E 1 = . . . = n = 0.
i=1
Si un sistema no es libre se dice que es ligado.

Ejemplo 28. Consideremos el Rev R2 [x]. El sistema formado por los polinomios p, q R2 [x] tales que x R
p(x) = 1 + x + x2 y q(x) = 1 x es libre, porque si uno considera la igualdad p + q = 0R2 [x] , donde , R,
encuentra que sta slo puede satisfacerse cuando x R (1+x+x2 )+(1x) = (+)+()x+x2 = 0,
es decir, cuando + = = = 0, o, equivalentemente, = = 0.
Proposicin 13. En las mismas condiciones que en la definicin anterior, si el sistema {x1 , . . . , xn } es libre se
cumple:
1. xi 6= 0 i {1, . . . , n}.
2. xi 6= xj i, j {1, . . . , n}, i 6= j.
3. Ninguno de los elementos del sistema es combinacin lineal del resto.
Demostracin. Para el primer punto basta observar que si xi = 0E , K y tomamos j = 0 j {1, . . . , n},
n
P
j 6= i, i = , entonces
i xi = 0E . Por lo que respecta al segundo punto, si xi = xj , i 6= j, entonces tomando
i=1
k = 0 k {1, . . . , n}, k 6= i, k 6= j, i = 1, j = 1, se tiene
n
P
i=1
i xi = 0E . Por ltimo, supongamos sin
prdida de generalidad que x1 es combinacin lineal de x2 , . . . , xn . Entonces i K, i = 2, . . . , n, tales que

n
n
P
P
x1 =
i xi , y, tomando i = i i {2, . . . , n}, 1 = 1, resulta
i xi = 0E .
i=2
i=1
Corolario 6. Si un sistema de vectores es ligado hay al menos uno de ellos que es combinacin lineal del resto.
Definicin 17. Sea E un Kev y x1 , . . . , xn E. Es inmediato comprobar que el conjunto F = {v E| v es
combinacin lineal de x1 , . . . , xn } es sev de E. A este subespacio vectorial se le denomina subespacio generado
por el sistema {x1 , . . . , xn } y se le representa como hx1 , . . . , xn iK . Tambin se dice que x1 , . . . , xn generan
hx1 , . . . , xn iK o que constituyen un sistema generador de ese sev.
Ejemplo 29. Consideremos el Kev Kn con las operaciones anteriormentes definidas y sea x Kn . Entonces
x1 , . . . , xn K tales que x = (x1 , . . . , xn ) = x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + . . . + xn (0, . . . , 0, 1).
As pues, si llamamos e1 , . . . , en a los vectores (1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, . . . , 0, 1), respectivamente,
tenemos que Kn = he1 , . . . , en iK .
Ejemplo 30. Consideremos el Kev Kn [x] con las operaciones anteriormentes definidas y sea p Kn [x]. Entonces
a0 , . . . , an K tales que x K p(x) = a0 +a1 x+. . .+an x2 . As pues, si llamamos p0 , . . . , pn a los polinomios
tales que x K p0 (x) = 1, p1 (x) = x, . . . , pn (x) = xn , respectivamente, tenemos que Kn [x] = hp0 , . . . , pn iK .
Ejemplo 31. Consideremos el Kev MK (n m) con las operaciones anteriormentes definidas y sea A MK (n
m). Si definimos las n m matrices Mij MK (n m) tales que Mij tiene un 1 en la posicin correspondiente
a la i-sima fila, j-sima columna, y ceros en el resto de posiciones, es decir, (Mij )ks = ik js , entonces A =
a11 M11 + a12 M12 + . . . + anm Mnm
, con lo que MK (n m)
= hM
11 , . . ., Mnm iK. Por ejemplo,
si
a11 a12
1 0
0 1
0 0
0 0
A MR (22), entonces A =
= a11
+a12
+a21
+a22
,
a
a
0 0
0 0
1 0
0 1
21 22

1 0
0 1
0 0
0 0
de manera que MR (2 2) =
,
,
,
.
0 0
0 0
1 0
0 1
K
34
Ejemplo 32. El sev F R4 presentado en el Ejemplo 24 es el subespacio generado por los vectores v =
(1, 0, 1, 0), w = (0, 2, 0, 1) R4 . Para comprobarlo, observemos que x = (x1 , x2 , x3 , x4 ) F si y slo si
x1 + x3 = 0, x2 2x4 = 0. Resolviendo este sistema de dos ecuaciones lineales con cuatro incgnitas se obtiene
que x = (x1 , x2 , x3 , x4 ) F si y slo si existen dos escalares , R tales que x1 = , x2 = 2, x3 =
, x4 = . As pues, x F si y slo si , R tales que x = (, 2, , ) = (1, 0, 1, 0) + (0, 2, 0, 1), es
decir, si y slo si x es combinacin lineal de v, w.
Ejemplo 33. El sev G C2 [x] presentado en el Ejemplo 25 es el subespacio generado por los polinomios
r, s C2 [x] tales que x C r(x) = 1 + x + 2x2 y s(x) = 1 + ix x2 . Basta observar que G = {p
C2 [x] | a, b C tales que x C p(x) = (a b) + (a + ib)x + (2a b)x2 } = {p C2 [x] | a, b
C tales que x C p(x) = a(1 + x + 2x2 ) + b(1 + ix x2 )} = {p C2 [x] | p es combinacin lineal de
r, s} = hr, siC .
Proposicin 14. Sea E un Kev. Los vectores v1 , . . . , vm E son combinacin lineal de los vectores x1 , . . . , xn
E si y slo si hv1 , . . . , vm iK hx1 , . . . , xn iK .
Demostracin. Veamos en primer lugar que si w es combinacin lineal de v1 , . . . , vm entonces tambin es comm
P
binacin lineal de x1 , . . . , xn . Supongamos, por tanto, que 1 , . . . , m K tales que w =
i vi . Sabemos
i=1
!
n
m
n
P
P
P
que i {1, . . . , m} i1 , . . . , in K tales que vi =
ij xj . Eso implica que w =
i
ij xj ,
j=1
i=1
j=1
m
n
P
P
y, reordenando y agrupando trminos, que w =
i ij xj , con lo que w hx1 , . . . , xn iK . Recproj=1
i=1
camente, si hv1 , . . . , vm iK hx1 , . . . , xn iK , entonces cada uno de los vi hx1 , . . . , xn iK , lo que concluye la
demostracin.
Proposicin 15. Sean E un Kev, x1 , . . . , xn E y F = hx1 , . . . , xn iK . Si el sistema de vectores {x1 , . . . , xn }
es ligado, entonces es posible obtener un nuevo sistema generador de F con n 1 vectores.
Demostracin. Si el sistema {x1 , . . . , xn } es ligado, entonces alguno de sus vectores es combinacin lineal del
resto (Corolario 6). Supongamos, sin prdida de generalidad, que x1 es combinacin lineal de x2 , . . . , xn . Entonces
basta con observar que todos los vectores del sistema x1 , . . . , xn son combinacin lineal de los n 1 vectores
x2 , . . . , xn y recordar la Proposicin 14, puesto que es obvio que hx2 , . . . , xn iK hx1 , . . . , xn iK .
1.4.
Espacios vectoriales de dimensin finita
Definicin 18. Sea E un Kev. Si x1 , . . . , xn E tales que E = hx1 , . . . , xn iK , entonces decimos que E es un
Kev de dimensin finita (Kevdf). Es decir, E es un Kevdf si es el subespacio generado por una cantidad finita de
vectores.
Ejemplo 34. En virtud de lo que se ha visto en los Ejemplos 29, 30 y 31, los Kevs Kn , Kn [x] y MK (n m),
dotados de sus respectivas operaciones habituales, son Kevdfs.
Definicin 19. Sea E un Kevdf y B = {x1 , . . . , xn } un sistema libre de n vectores de E. Si E = hx1 , . . . , xn iK ,
entonces decimos que B es una base de E.
Ejemplo 35. Es sencillo comprobar que los sistemas {e1 , . . . , en }, {p0 , . . . , pn } y {M11 , . . . , Mnm }, presentados
en los Ejemplos 29, 30 y 31, son libres, con lo que constituyen bases de los Kevdfs Kn , Kn [x] y MK (n m),
respectivamente. Estas bases se denominan bases cannicas de cada uno de esos espacios vectoriales.
Teorema 4. Si E es un Kevdf, E 6= {0}, entonces E tiene alguna base.
35
Demostracin. Por definicin, si E es un Kev entonces x1 , . . . , xn E tales que E = hx1 , . . . , xn iK . Si el

sistema {x1 , . . . , xn } es libre entonces es una base de E. Si, por el contrario, el sistema es ligado, entonces uno
de sus vectores debe ser combinacin lineal del resto y se puede obtener un nuevo sistema generador de E con
n 1 vectores (Proposicin 15). Repitiendo este procedimiento recursivamente encontraramos una base de E
salvo que tuviramos que eliminar n 1 de los vectores originales x1 , . . . , xn y el ltimo que nos quedase fuese
0. Sin embargo, eso no es posible en las condiciones que establece el enunciado de este Teorema. En efecto, si 0
fuese el nico superviviente despus del proceso de eliminacin, entonces el ltimo vector que habramos retirado
sera una combinacin lineal de l, es decir, tambin sera 0, el penltimo vector que habramos retirado habra
sido combinacin lineal de los vectores del sistema 0, 0, con lo que tambin sera 0, y, razonando por induccin,
los n vectores del sistema generador original seran 0, con lo que tendramos E = {0}.
Ejemplo 36. Consideremos el Rev R3 y el sev generado por los vectores x1 = (1, 1, 1), x2 = (2, 1, 2), x3 =
(1, 0, 1), esto es, el sev F = hx1 , x2 , x3 iR . Los vectores x1 , x2 , x3 constituyen un sistema generador de F, pero
no son base porque, en particular, x2 = x1 + x3 . Como x2 es combinacin lineal del resto de los vectores del
sistema generador, podemos eliminarlo y seguimos teniendo un sistema generador, de manera que F = hx1 , x3 iR .
Supongamos ahora que x1 + x3 = 0 R3 , , R. Entonces ( + , , + ) = (0, 0, 0), de forma que
+ = = 0, con lo que = = 0 y los vectores x1 , x3 forman un sistema libre, constiyuyendo, por tanto, una
base de F. Este procedimiento de obtencin de una base a partir de un sistema generador es perfectamente correcto,
pero en la prctica suele resultar tedioso. Intente el lector, por ejemplo, encontrar mediante esta tcnica una base
del sev G = h(1, 0, 1, 0, 1, 1), (2, 1, 2, 1, 0, 2), (1, 1, 1, 1, 1, 1), (3, 1, 3, 1, 1, 3), (0, 1, 0, 1, 2, 0)iR R6 . Uno
de los principales objetivos del resto de esta seccin es desarrollar un procedimiento alternativo ms gil para
calcular bases de sevs.
Proposicin 16. Sea E un Kevdf y B = {x1 , . . . , xn } una de sus bases. Entonces cualquier vector v E puede
ponerse como combinacin lineal de x1 , . . . , xn de forma nica.
1, . . . ,
n
Demostracin. Sea v E y supongamos que existen dos colecciones de escalares 1 , . . . , n K,
n
n
n
P
P
P
i xi . Entonces ser
i )xi = 0E , pero como el sistema {x1 , . . . , xn } es
K tales que v =
i xi =
(i
i=1
i=1
i=1
1 = . . . = n
n = 0, y, por tanto, que 1 =
1 , . . . , n =
n.
libre eso implica que 1
Definicin 20. Sea E un Kevdf, B = {x1 , . . . , xn } una de sus bases, v K y 1 , . . . , n K los nicos
n
P
escalares que satisfacen la igualdad v =
i xi . Entonces se dice que 1 , . . . , n son las coordenadas de v en la
i=1
base B. El vector de Kn que contiene esas coordenadas, (1 , . . . , n ), se denota por vB .

Ejemplo 37. En el contexto del Ejemplo 36, puesto que B = {x1 , x3 } es una base del sev F y sabemos que
x2 = x1 + x3 , entonces es (x2 )B = (1, 1) R2 . Para comprobar que no hay ningn otro par de escalares
, R que satisfagan la igualdad (2, 1, 2) = x2 = x1 + x3 = (1, 1, 1) + (1, 0, 1) = ( + , , + )
basta observar que el sistema de ecuaciones lineales + = 2, = 1 es compatible determinado con solucin
nica = = 1.
Lema 1. Sean E un Kevdf, B = {x1 , . . . , xn } una base de E y v, w1 , . . . , wm K. Entonces se tiene que v es
combinacin lineal de w1 , . . . , wm si y slo si vB es combinacin lineal de (w1 )B , . . . , (wm )B .
Demostracin. Supongamos que vB = (v1 , . . . , vn ), (wi )B = (wi1 , .
. . , win ), i =!1, . . . , m, y 1 , . . . , m K
m
n
m
n
P
P
P
P
tales que v =
i wi . Entonces se tiene que
vj xj =
i
wij xj , con lo que, reordenando y
i=1
j=1
i=1
j=1
m
n
P
P
vj
i wij xj = 0E . Dado que x1 , . . . , xn son linealmente independientes, eso
reagrupando trminos,
j=1
i=1
implica que j {1, . . . , n} es vj =
m
P
i=1
i wij , y, en consecuencia, que el vector vB es combinacin lineal de
36
m
P
los vectores (w1 )B , . . . , (wm )B . Recprocamente, supongamos que 1 , . . . , m K tales que vB =
i w B .
i=1
m
n
n
m
P
P
P
P
Entonces j {1, . . . , n} tenemos que vj =
i wij , de manera que v =
vj xj =
i wij xi =
i=1
j=1
j=1 i=1
!
m
n
m
P
P
P
i
wij xj =
i wi y, por tanto, v es combinacin lineal de w1 , . . . , wm .
i=1
j=1
i=1
Ejemplo 38. Consideremos el Cevdf F = hp, qiC C3 [x], donde x C p(x) = i x2 y q(x) = ix x3 . Es
sencillo comprobar que p, q forman un sistema libre, con lo que constituyen una base de F a la que llamaremos
B. El polinomio r C3 [x] tal que x C r(x) = i + 2ix x2 2x3 pertenece a F, ya que r = p + 2q. En
consecuencia tambin se cumple que (r)B = (1, 2) = (1, 0) + 2(0, 1) = (p)B + 2(q)B C2 , y, si llamamos C a
la base cannica de C3 [x], que (r)C = (i, 2i, 1, 2) = (i, 0, 1, 0) + 2(0, i, 0, 1) = (p)C + 2(q)C C4 .
Definicin 21. Consideremos una matriz A MK (n m). Con los coeficientes de cada fila de A podemos
construir un vector de Km . De la misma manera, con los coeficientes de cada columna de A podemos construir un
vector de Kn . Llamamos vector fila y vector columna de A, respectivamente, a cada uno de esos vectores.
2 2 0
Ejemplo 39. Sea A =
MR (2 3). Entonces el segundo vector fila de A es (0, 1, 2) R3 y el
0 1 2
primer vector columna de A es (2, 0) R2 .
Proposicin 17. Sea E un Kevdf, B una de sus bases, v1 , . . . , vm E, y construyamos la matriz A MK (nm)
tal que [A]ij = vji , donde vkl representa la l-sima coordenada de vk en la base B. Entonces {v1 , . . . , vm } es
un sistema libre si y slo si rgf A = m. Ntese que los vectores columna de A contienen las coordenadas de los
vectores v1 , . . . , vm en la base B, es decir, son los vectores (v1 )B , . . . , (vm )B .
Demostracin. El sistema {v1 , . . . , vm } es libre si y slo si la nica forma de conseguir que sea cierta la igualm
P
dad
i vi = 0E con 1 , . . . , m K es tomando 1 = . . . = m = 0. Es inmediato ver que todas las
i=1
coordenadas de 0E son nulas en cualquier base de E, de manera que, en virtud del Lema anterior, el sistema
m
P
{v1 , . . . , vm } es libre si y slo si los nicos escalares 1 , . . . , m K que satisfacen
i (vi1 , . . . , vin ) =
i=1
m
m
P
P
i vi1 , . . . ,
i vin = (0, . . . , 0) son 1 = . . . = m = 0, o, equivalentemente, si y slo si el sistema
i=1
i=1
de n ecuaciones lineales con m incgnitas
m
P
i=1
vji j = 0, j = 1, . . . , n, es compatible determinado, y, por tanto,
recordando el teorema de Rouch-Frobenius, rgf A = m.

Ejemplo 40. Sea C la base cannica del Revdf R3 [x]. Los polinomios p, q, r R3 [x] tales que x R p(x) = 1+
x + x3 , q(x) = x + x2 y r(x) = x3 forman un sistema libre porque (p)C = (1, 1, 0, 1), (q)C = (0, 1, 1, 0), (r)C =
(0, 0, 0, 1),
1 0 0
1 0 0
1 0 0
f2 f1
1 1 0
0 1 0 f3 f2 0 1 0
0 1 0
0 1 0
0 0 0 ,
f4 f1
1 0 1
0 0 1
0 0 1
y es claro que el rango por filas de la ltima matriz es 3.
Ejemplo 41. La proposicin anterior resulta til cuando se pretende encontrar qu condiciones deben cumplir las
coordendas de un vector en una determinada base de un Kevdf E para pertenecer a un sev F E. Recordemos una
vez ms los sevs F = {x = (x1 , x2 , x3 , x4 ) R4 | x1 + x3 = 0, x2 2x4 = 0} y G = {p C2 [x] | a, b
C tales que x C, p(x) = (ab)+(a+ib)x+(2ab)x2 } presentados en los Ejemplos 24 y 25, respectivamente.
37
Si llamamos C1 a la base cannica de R4 , tenemos que un vector x R4 pertenece a F si y slo si sus coordenadas
en la base C1 son solucin del sistema homogneo x1 + x3 = 0, x2 2x4 = 0. Estas ecuaciones se denominan
ecuaciones implcitas del sev F en la base C1 . Por otra parte, si C2 es la base cannica de C2 [x], entonces tenemos
que G = {p C2 [x] | a, b C tales que , (p)C2 = (a b, a + ib, 2a b)}. Es decir, si 1 , 2 , 3 C son las
coordenadas en la base C2 de un polinomio genrico p C2 [x], entonces p G si y slo si a, b C tales que
1 = a+b, 2 = a+ib, 3 = 2ab. Estas ecuaciones se denominan ecuaciones paramtricas del sev G en la base
C2 . En el Ejemplo 32 obtuvimos unas ecuaciones paramtricas para el sev F en la base C1 resolviendo el sistema
formado por sus ecuaciones implcitas en esa base. En efecto, vimos que x = (x1 , x2 , x3 , x4 ) F si y slo si
, R tales que x1 = , x2 = 2, x3 = , x4 = . Este procedimiento es general, y permite obtener unas
ecuaciones paramtricas para un sev a partir de unas ecuaciones implcitas del mismo. Veamos ahora cmo obtener
unas ecuaciones implcitas para un sev si se conocen unas ecuaciones paramtricas del mismo. Observemos que
G = {p C2 [x] | a, b C tales que , (p)C2 = a(1, 1, 2) + b(1, i, 1) = a(r)C2 + (s)C2 }, donde x C
r(x) = 1 + x + 2x2 y s(x) = 1 + ix x2 , con lo que {r, s} es un sistema generador de G, como ya habamos
visto en el Ejemplo 33. En virtud de la Proposicin 17, podemos afirmar que r, s son linealmente independientes
(lo cual, por otra parte, resulta obvio en este caso), ya que
1
1
2
f2 f1
1
1
0
i
1
0
f3 2f1
1
1 1
f3 (1 + i)f2
0 1+i
1+i
1
0
0
y el rango por filas de la ltima matriz es 2, de manera que r, s constituyen una base de G. Supongamos ahora que
p G. Entonces p debe ser combinacin lineal de r, s, con
lo que el sistema
de vectores {r, s, p} debe ser ligado,
1 1 1
y, por tanto, si (p)C2 = (1 , 2 , 3 ), entonces la matriz 1 i 2 no puede tener rango por filas igual a 3
2 1 3
(aqu estamos volviendo a aplicar la Proposicin 17). Ahora bien, si hacemos
f2 f1
1 1 1
1 1
1
f3 (1 + i)f2
1 i 2
0 1 + i 2 1
2 1 3
0
1
3 21
f3 2f1
1 1
1
0 1+i
,
2 1
0
0
(i 1)1 (1 + i)2 + 3
tenemos que la nica forma de que el rango de la ltima matriz no sea 3 es que (i 1)1 (1 + i)2 + 3 = 0,
lo que proporciona un sistema de ecuaciones implcitas (en este caso con una sola ecuacin) para G en la base C2 .
Terminemos con otro ejemplo de aplicacin de esta tcnica. Si H = h(0, 1, 0, 1, 2, 0), (2, 0, 2, 1, 0, 2)iR R6 y
llamamos x1 , x2 , x3 , x4 , x5 , x6 a las coordenadas de un vector genrico x R6 en la base cannica de R6 , C3 ,
entonces haciendo
0 2 x1
0 2
x1
0 0 x1 + 2x2 2x4
f1 2f4
1 0 x2 f f 1 0
x2
x2
2
4
f 2f 1 0
3
4
0 2 x3
0 2
x3
0 0 2x2 + x3 2x4
1 1 x4
0 1 x4 x2
x4 x2
0 1
2 0 x5 f5 2f1 0 0 x5 2x2
0 0
x5 2x2
f6 2f4
0 2 x6
0 2
x6
0 0 2x2 2x4 + x6
comprobamos que los vectores (0, 1, 0, 1, 2, 0), (2, 0, 2, 1, 0, 2) son linealmente independientes y, por tanto, base de
H, y obtenemos las siguientes ecuaciones implcitas para H en la base C3 : x1 + 2x2 2x4 = 0, 2x2 + x3 2x4 =
0, 2x2 2x4 + x6 = 0.
38
Teorema 5. Sea E un Kevdf y B1 = {v1 , . . . , vn }, B2 = {w1 , . . . , wm } dos bases de E. Entonces n = m (es

decir, todas las bases de un mismo Kevdf tienen la misma cantidad de elementos).
Demostracin. Consideremos las matrices A1 MK (n m), A2 MK (m n), donde los vectores columna
de A1 son los vectores (v1 )B2 , . . . , (vn )B2 y los vectores columna de A2 son los vectores (w1 )B1 , . . . , (wm )B1 .
Como el sistema {v1 , . . . , vn } es libre, se deduce de la proposicin anterior que rgf A1 = n, con lo que m n
(Corolario 9). Por otra parte, como el sistema {w1 , . . . , wm } tambin es libre tenemos que rgf A2 = m y n m,
lo que concluye la demostracin.
Definicin 22. Sea E un Kevdf. Si E = {0} se dice que E tiene dimensin nula, lo que representamos como dimK E = 0. Si E 6= {0} llamamos dimensin de E en K, dimK E, a la cantidad de elementos de una
cualquiera de sus bases. Adems, si x1 , . . . , xm E, se llama rango en K del sistema de vectores {x1 , . . . , xm },
rgK {x1 , . . . , xm }, a la dimensin del subespacio que generan, es decir, rgK {x1 , . . . , xm } = dimK hx1 , . . . , xm iK .
Ejemplo 42. Se tiene que dimK Kn = n, dimK Kn [x] = n + 1 y dimK MK (n m) = n m.
Lema 2. Si A, B, C son matrices con coeficientes en K y A = B C, entonces los vectores fila de A son
combinacin lineal de los vectores fila de C y los vectores columna de A son combinacin lineal de los vectores
columna de B.
Demostracin. Basta con recordar cmo se define el producto de matrices.
2 3
1 2
0 1
1 1 ,B =
0 1
Ejemplo 43. Si A =
yC =
, entonces A = B C y se tiene, en
1 1
1 0
1 1
particular, que el primer vector fila de A es combinacin lineal de los dos vectores fila de C, ya que (2, 3) =
1(0, 1) + 2(1, 1), y que el segundo vector columna de A es combinacin lineal de los dos vectores columna de B,
ya que (3, 1, 0) = 1(1, 0, 1) + 1(2, 1, 1).
Proposicin 18. Sea E un Kevdf, B una base de E y {v1 , . . . , vm }, {w1 , . . . , wm } dos sistemas de vectores de
E con la misma cantidad de elementos. Construyamos las matrices A1 , A2 MK (m n) tales que los vectores
fila de A1 son (v1 )B , . . . , (vm )B y los vectores fila de A2 son (w1 )B , . . . , (wm )B . Entonces hv1 , . . . , vm iK =
hw1 , . . . , wm iK si y slo si A1 A2 .
Demostracin. Es consecuencia directa de las Proposiciones 8 y 14 y de los Lemas 1 y 2.
Teorema 6. Sea E un Kevdf, n = dimK E, B una base de E, {v1 , . . . , vm } un sistema de vectores de E y
A MK (mn) la matriz cuyos vectores fila son (v1 )B , . . . , (vm )B . Entonces se verifica que rgK {v1 , . . . , vm } =
rgf A.
Demostracin. Consideremos los m vectores w1 , . . . , wm E tales que (w1 )B , . . . , (wm )B son los vectores
fila de merf (A), y llamemos wij a la coordenada j-sima de wi en la base B, es decir, a [merf (A)]ij . Por la
Proposicin anterior, hv1 , . . . , vm iK = hw1 , . . . , wm iK . Si r = rgA, entonces las ltimas mr filas de merf (A)
son nulas, con lo que hw1 , . . . , wm iK = hw1 , . . . , wr iK . Por otra parte, en el contexto de la Proposicin 17,
los vectores w1 , . . . , wr son linealmente independientes si y slo si el sistema de n ecuaciones lineales con r
r
P
incgnitas
wji j = 0, j = 1, . . . , n, es compatible determinado. Ahora bien, por la estructura de merf (A),
i=1
hay r ecuaciones de ese sistema homogneo de las que se deduce directamente que 1 = . . . = r = 0, con lo
que obtenemos el resultado deseado.
Ejemplo 44. Las dos proposiciones anteriores proporcionan un mtodo til en la prctica para obtener bases de
espacios vectoriales de dimensin finita. Consideremos, por ejemplo, el sev G R6 presentado en el Ejemplo 36
39
y sea C la base cannica de R6 . Entonces tenemos
1
2
1
3
0
0
1
1
1
1
1
2
1
3
0
f2 2f1
0 1 1
1 0 2
f3 f1
1 1 1
1 1 3
1 2 0
f4 3f1
1
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
1
1
1
1
1
2
2
2
2
1
0
0
0
0
f f
3
2
f f
2
4
f5 f2
1
0
0
0
0
0
1
0
0
0
1
0
con lo que H = h(1, 0, 1, 0, 1, 1), (0, 1, 0, 1, 2, 0)iR y dimR H = 2, puesto que
1
0
0
0
0
0
1
0
1
0
0
0
1
0
1
2
0
0
0
0
1
1
0
0
0
0
1 1
2 0
es
una merf.
Definicin 23. Si A es una matriz de coeficientes en K se define su rango por columnas, rgc A, como rgc A =
rgf AT .
Proposicin 19. Sea A MK (n m). Entonces rgc A = rgf A.
Demostracin. Sean r = rgf A y s = rgc A. Por el Teorema 6, r es el rango del sistema de vectores formado
por los n vectores fila de A, y s es el rango del sistema de vectores formado por los m vectores columna de A.
Sabemos que existe una matriz inversible B MK (n n) tal que A = B merf (A) (Corolario 5). Consideremos
MK (n r) obtenida eliminando las ltimas n r columnas de B y la matriz C MK (r m)
ahora la matriz B
obtenida eliminando las ltimas n r filas de merf (A). Como las ltimas n r filas de merf (A) son nulas
C,
de manera que los m vectores columna de A son combinacin lineal de los
podemos afirmar que A = B
r vectores columna de B (Lema 2) y s r (Proposicin 14). De la misma manera, existe una matriz inversible
D MK (m m) tal que AT = D merf (AT ) y podemos razonar que r s.
Corolario 7. En la Proposicin 17 la matriz A MK (n m) tal que [A]ij = vji puede reemplazarse por la matriz
A MK (m n) tal que [A]ij = vij , anloga a las que se han utilizado en las proposiciones posteriores, y, en
general, por lo que respecta a la determinacin de rangos, puede trabajarse indistintamente con una matriz y con
su traspuesta.
Observacin 7. En lo que sigue escribiremos simplemente rgA para referirnos tanto a rgf A como a rgc A.
Ejemplo 45. Se tiene que
1 0
A= 0 1
1 1
1
0
1
0
1
f3 f1
0
1
1
0
de manera que rgf A = 2. Por otra parte,
1 0 1
0 1 1 f3 f1
AT =
1 0 1
0 1 1
0
1
1
1
0
0
0
1
0
0
0
1
0
1
0
1
f3 f2
0
1
1
0
1
f4 f2
1
1
0
0
0
0
1
0
0
1
0
0
1
0
0
0
1 ,
0
1
1
,
0
0
de manera que rgc A = 2. Segn la Proposicin 19 este resultado es general, y decimos simplemente rgA = 2.
Finalmente, en el contexto del Ejemplo 40, para ver que los polinomios p, q, r son linealmente independientes
basta ver que la matriz
1 1 0 1
0 1 1 0 ,
0 0 0 1
tiene rango 3, lo que resulta inmediato.
40
Teorema 7. Sea E un Kevdf, n = dimK E y F E un sev de E. Entonces F es un Kevdf y dimK F n.

Demostracin. Si F = {0E }, entonces F = h0E iK y dimK F = 0 n. En caso contrario, F contiene algn
vector x 6= 0E y, por tanto, algn sistema libre. Consideremos ahora todos los sistemas libres de F y llamemos
p N a la cantidad de vectores de uno de los sistemas libres de F con mayor cantidad de vectores. Entonces
es posible encontrar un sistema libre {x1 , . . . , xp } formado por p vectores de F. Para ver que F es un Kevdf
basta con demostrar que F = hx1 , . . . , xp iK . Supongamos en primer lugar que v hx1 , . . . , xp iK . Como todos
los xi pertenecen a F y F es sev, entonces v F (Definicin 14 y Observacin 6). Por otra parte, debemos
ver que si v F entonces v hx1 , . . . , xp iK . Consideremos el sistema de vectores de F {x1 , . . . , xp , v} y la
ecuacin 1 x1 + . . . + p xp + v = 0. Si todas las colecciones de escalares 1 , . . . , p , K que satisfacen
la ecuacin cumplieran = 0, entonces la ecuacin slo tendra solucin si 1 = . . . = p = = 0, puesto
que el sistema {x1 , . . . , xp } es libre. Pero eso implicara que el sistema {x1 , . . . , xp , v} es libre y p no sera la
cantidad de vectores de uno de los mayores sistemas libres de F. Por tanto, hay alguna solucin con 6= 0 y v
es combinacin lineal de x1 , . . . , xp . Entonces es claro que dimK F = p. Finalmente, comprobemos que p n.
Para ello basta ver que si B es una base de E y A es la matriz cuyos vectores fila contienen las coordenadas de los
vectores x1 , . . . , xp en la base B, entonces A MK (p n) y rgA = p (Proposicin 6), de manera que n p.
Proposicin 20. Sea E un Kevdf, n = dimK E y {x1 , . . . , xr } un sistema libre de vectores de E. Entonces es
posible encontrar n r vectores v1 , . . . , vnr E de forma que el sistema {x1 , . . . , xr , v1 , . . . , vnr } sea una
base de E.
Demostracin. Sean B = {a1 , . . . , an } una base de E, A MK (r n) la matriz cuyos vectores fila son
(x1 )B , . . . , (xr )B , y los r vectores w1 , . . . , wr E tales que (w1 )B , . . . , (wr )B son los vectores fila de merf (A).
Como el sistema {x1 , . . . , xr } es libre, merf (A) no tiene filas nulas (Teorema 6) y el sistema {w1 , . . . , wr } es
libre. Adems, debido a la especial estructura de merf (A), resulta sencillo (ver Ejemplo 46) encontrar las coordenadas en la base B de nr vectores v1 , . . . , vnr E de manera que el sistema {w1 , . . . , wr , v1 , . . . , vnr } sea
libre y, por tanto, base de E. Ahora bien, como hx1 , . . . , xr iK = hw1 , . . . , wr iK , entonces cada uno de los vectores xi es combinacin lineal de w1 , . . . , wr y cada uno de los vectores wj es combinacin lineal de los vectores
x1 , . . . , xk . Entonces es claro que cada uno de los vectores del sistema x1 , . . . , xr , v1 , . . . , vnr es combinacin
lineal de los vectores del sistema w1 , . . . , wr , v1 , . . . , vnr (y viceversa), con lo que {x1 , . . . , xr , v1 , . . . , vnr }
es base de E (Proposicin 14).
Corolario 8. Dada una base B de un Kevdf E y un sistema libre S de r vectores de E, siempre ser posible
sustituir r vectores de la base B por los r vectores del sistema libre de forma que el sistema resultante sea tambin
base de E. Este resultado se conoce como Teorema de sustitucin o Teorema de Steinitz.
Ejemplo 46. Consideremos el Rev R5 , C = {e1 , . . . , e5 } la base cannica de este espacio y los vectores x1 =
(1, 1, 1, 0, 1), x2 = (1, 1, 1, 0, 1), x3 = (1, 1, 0, 0, 2), que forman un sistema libre. Para encontrar dos vectores
v1 , v2 R5 de manera que el sistema {x1 , x2 , x3 , v1 , v2 } sea base de R5 , procedemos como sigue:
1 1
1 1
1 1
f2 f1
1 0 1
1
0
1 0 1
0 0 2
0
f3 f1
1
0
0
1 1
1 0 1
f3 f2 /2
0 0
2 0 0
0 0
1 0 1
1 0 1
2 0 0 .
0 0 1
Aunque esta matriz todava no es una merf, ya resulta sencillo ampliarla con dos filas adicionales de manera que
la matriz resultante tenga rango 5. Basta con tomar la matriz
1 1 1 0 1
0 0 2 0 0
0 0 0 0 1 .
0 1 0 0 0
0 0 0 1 0
41
Entonces podemos asegurar que los vectores cuyas coordenadas en la base C son (0, 1, 0, 0, 0), (0, 0, 0, 1, 0),
es decir, los vectores e2 , e4 , forman con x1 , x2 , x3 una base de R5 . Ntese que, por tanto, es posible sustituir tres vectores de la base C por los vectores x1 , x2 , x3 y seguir teniendo una base de R5 . Obviamente, la
eleccin que hemos hecho de los vectores v1 , v2 no es nica. Tambin podamos haber tomado, por ejemplo,
v1 = (0, 1, 1, 1, 1), v2 = (0, 0, 0, 1, 1) (se deja como ejercicio razonar por qu).
1.5.
Aplicaciones lineales
Definicin 24. Sean E, F dos Kevs y f : E F una funcin. Se dice que f es una aplicacin lineal cuando
satisface que K, x, y E, f (x + y) = f (x) + f (y). Si f es una aplicacin lineal y E = F se dice que
f es un endomorfismo.
Ejemplo 47. La funcin f : R3 R2 tal que x = (x1 , x2 , x3 ) R, f (x) = (x1 + 3x2 , 2x2 x3 ) es una
aplicacin lineal. Para comprobarlo, sean R, x = (x1 , x2 , x3 ), y (y1 , y2 , y3 ) R3 . Entonces x + y =
(x1 + y1 , x2 + y2 , x3 + y3 ) y f (x + y) = (x1 + y1 + 3(x3 + y3 ), 2(x2 + y2 ) (x3 + y3 )) =
(x1 + 3x2 , 2x2 x3 ) + (y1 + 3y2 , 2y2 y3 ) = f (x) + f (y).
a0
0
Ejemplo 48. La funcin f : C2 [x] MC (2 2) tal que p C2 [x] f (p) =
,
a1 + a2 a0 2a2
2
3
donde x C p(x) = a0 + a1 x + a2 x , es una aplicacin lineal. Para comprobarlo, sean R, p, q R
tales que x C p(x) = a0 + a1 x + a2 x2 y q(x) = b0 + b1 x + b2 x2 . Entonces x C (p + q)(x) =
a0 + b0
0
=
(a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 y f (p + q) =
a
+
b
+
a
+
b
a
+
b
2(a2 + b2 )
1
1
2
2
0
0
b0
0
a0
0
= f (p) + f (q).
+
b1 + b2 b0 2b2
a1 + a2 a0 2a2
R2
p
p(2)
1
Ejemplo 49. La funcin f : C2 [x] MC (2 2) tal que p C2 [x] f (p) =
es una
p0 (1) 3p(0) p(1)
aplicacin lineal. La comprobacin se deja como ejercicio.
Definicin 25. Sean E, F dos Kevs y f : E F una aplicacin lineal. Se define el ncleo de f, Kerf, como
el conjunto de todos los elementos de E cuya imagen es el elemento neutro para la suma de F, 0F , es decir,
Kerf = {x E | f (x) = 0F }. La imagen de F, Imf, es el conjunto de todos los elementos de F que son imagen
por f de algn elemento de E, es decir, Imf = {y F | x E tal que f (x) = y}.
Proposicin 21. En las condiciones de la definicin anterior, Kerf es un subespacio vectorial de E y Imf es un
espacio vectorial de F.
Demostracin. Empecemos observando que, siendo f una aplicacin lineal, f (0E ) = f (00E ) = 0f (0E ) = 0F ,
con lo que 0E Kerf y 0F Imf. Por otra parte, si K y x, y Kerf , entonces f (x + y) = f (x) + f (y) =
0F + 0F = 0F , de manera que x + y Kerf. Finalmente, si K e y1 , y2 Imf , entonces x1 , x2 E
tales que f (x1 ) = y1 y f (x2 ) = y2 . Como f es lineal, eso implica que el vector x1 + x2 E cumple que
f (x1 + x2 ) = y1 + y2 , con lo que y1 + y2 Imf.
Proposicin 22. Sean E, F dos Kevs y f : E F una aplicacin lineal. Entonces f es inyectiva si y slo si
Kerf = {0E }.
Demostracin. Supongamos en primer lugar que f es inyectiva y sea x Kerf . Entonces, por definicin de
inyectividad, puesto que f (x) = 0F y f (0E ) = 0F se tiene que x = 0E y Kerf {0E }. Es claro que
{0E } Kerf, con lo que Kerf = {0E }. Recprocamente, supongamos que Kerf = {0E } y que x, y son dos
elementos de E que cumplen f (x) = f (y). Como f es lineal, eso implica que f (x y) = 0F , y que, por tanto,
x y Kerf , de manera que x = y y f es inyectiva.
42
Proposicin 23. Sean E un Kevdf, n = dimK E, B = {v1 , . . . , vn } una base de E, F un Kev y f : E F

una aplicacin lineal. Entonces Imf = hf (v1 ), . . . , f (vn )iK .
Demostracin. Si y Imf entonces x E tal que f (x) = y. Como x E, existen 1 , . . . , n K tales que
x = 1 v1 + . . . + n vn . Dado que f es lineal, eso implica que y = f (x) = 1 f (v1 ) + . . . + n f (vn ), con
lo que y es combinacin lineal de f (v1 ), . . . , f (vn ). Por otra parte, como Imf es subespacio vectorial de F y
f (v1 ), . . . , f (vn ) Imf , entonces cualquier combinacin lineal de f (v1 ), . . . , f (vn ) pertenecer tambin a Imf ,
de manera que hf (v1 ), . . . , f (vn )iK Imf , lo que concluye la demostracin.
Teorema 8. En las condiciones de la proposicin anterior, dimK Kerf + dimK Imf = n.
Demostracin. Supongamos en primer lugar que Kerf = {0E }. Si 1 , . . . , n K satisfacen la igualdad
1 f (v1 ) + . . . + n f (vn ) = 0F , entonces f (1 v1 + . . . + n vn ) = 0F y 1 v1 + . . . + n vn = 0E , con
lo que 1 = . . . = n = 0 y f (v1 ), . . . , f (vn ) es base de Imf . Supongamos ahora que dimK Kerf = n. Entonces Kerf = E, de manera que f (v1 ) = . . . = f (vn ) = 0F y Imf = {0F }. Por ltimo, supongamos que
dimK Kerf = p, 0 < p < n, y que los vectores w1 , . . . , wp forman una base de Kerf. Entonces podemos encontrar n p vectores x1 , . . . , xnp E de manera que w1 , . . . , wp , x1 , . . . , xnp formen una base de E (Proposicin 20), con lo que Imf = hf (w1 ), . . . , f (wp ), f (x1 ), . . . , f (xnp )iK . Como f (w1 ) = . . . = f (wp ) = 0F ,
entonces se tiene que Imf = hf (x1 ), . . . , f (xnp )iK . Finalmente, Si 1 , . . . , np K satisfacen la igualdad
1 f (x1 )+. . .+np f (xnp ) = 0F , entonces f (1 x1 +. . .+np xnp ) = 0F y 1 x1 +. . .+np xnp Kerf ,
de manera que existen p escalares 1 , . . . , p K tales que 1 x1 + np xnp = 1 w1 + . . . + p wp . Como los
vectores w1 , . . . , wp , x1 , . . . , xnp son linealmente independientes, la ltima igualdad implica, en particular, que
1 = . . . = np = 0, con lo que f (x1 ), . . . , f (xnp ) son linealmente independientes y dimK Imf = n p.
Definicin 26. Sean E un Kevdf, n = dimK E, B = {v1 , . . . , vn } una base de E y x E un vector de E tal
que xB = (x1 , . . . , xn ). Definimos la matriz de coordenadas del vector x en la base B, [x]B , como la matriz que
verifica [x]B MK (n1), ([x]B )i1 = xi . Sea ahora F otro Kevdf, m = dimK F , V = {w1 , . . . , wn } una base de
F y f : E F una aplicacin lineal. Como x = x1 v1 +. . .+xn vn , entonces f (x) = x1 f (v1 )+. . .+xn f (vn ).
Los vectores f (x), f (v1 ), . . . , f (vn ) estn en F, luego tienen unas coordenadas en la base V y podemos considerar
las matrices [f (x)]V , [f (v1 )]V , . . . , [f (vn )]V . Recordando el Lema 1 y la forma como se definen las operaciones
matriciales, tenemos que [f (x)]V = x1 [f (v1 )]V + . . . + xn [f (vn )]V = [f ]BV [x]B , donde los vectores
columna de la matriz [f ]BV MK (m n) contienen las coordenadas en la base V de las imgenes por f de todos
los vectores de la base B. La matriz [f ]BV se denomina matriz asociada a f en las bases B y V.
Ejemplo 50. Consideremos la aplicacin lineal f : R3 R2 del Ejemplo 47 y recordemos que x =
2 } las bases canni(x1 , x2 , x3 ) R, f (x) = (x1 + 3x2 , 2x2 x3 ). Sean C1 = {e1 , e2 , e3 } y C2 = {
e1 , e
cas de R3 y R2 , respectivamente. Entonces f (e1 ) = f ((1, 0, 0)) = (1, 0), f (e2 ) = f ((0, 1, 0)) = (3, 2), f (e3 ) =
f ((0, 0, 1)) = (0, 1), de manera que (f (e1 ))C2 = (1, 0), (f (e2 ))C2 = (3, 2), (f (e3 ))C2 = (0, 1) y [f ]C1 C2 =
1 3 0
. Ntese que si llamamos x1 , x2 , x3 a las coordenadas de un vector genrico x R3 en la base
0 2 1
x1
x1 + 3x2
1 3 0
C1 , entonces [f (x)]C2 =
=
x2 = [f ]C1 C2 [x]C1 . Veamos ahora que
2x2 x3
0 2 1
x3
x1
1
3
0
0
Kerf = {x R3 | f (x) = (0, 0)} = x R3 | (x)C1 = (x1 , x2 , x3 ) y
x2 =
.
0 2 1
0
x3
Por tanto, conocemos unas ecuaciones implcitas del sev Kerf y podemos hallar una base obteniendo previamente
unas ecuaciones paramtricas. Haciendo
1
0
3
2
0 0
1 0
f2 /2
1 3
0 1
0
21
0
0
f1 3f3
1 0
0 1
32
12
0
0
43
obtenemos que Kerf = x R3 | R tal que (x)C1 = 23 , 12 , 1

= 32 , 12 , 1 R = h(3, 1, 2)iR
y dimR Kerf = 1. Ntese que, dado que las ecuaciones que definen Kerf corresponden a un sistema homogneo, no hubiera sido necesario reducir la matriz ampliada del sistema, sino que se podra haber suprimido la
ltima columna de ceros y haber reducido simplemente la matriz de coeficientes. Por otra parte, como Imf =
hf (e1 ), f (e2 ), f (en )iR , podemos obtener una base de ese sev de R2 haciendo
1 0
1 0
1 0
f2 + 2f1
f2 3f1
0 0 ,
0 2
3 2
0 1
0 1
0 1
con lo que los vectores linealmente independientes de R2 cuyas coordenadas en la base C2 son 1, 0 y 0, 1,
respectivamente, constituyen una base de Imf, es decir, Imf = h(1, 0), (0, 1)iR y dimR Imf = 2. Tal como
garantiza el Teorema 8, dimR Kerf + dimR Imf = 3 = dimR R3 . Tambin se poda haber utilizado ese teorema
para deducir directamente que Imf = R2 justo despus de comprobar que dimR Kerf = 1.
Ejemplo51. Consideremos la aplicacin
lineal f : C2 [x] MC (2 2) del Ejemplo 48 tal que p C2 [x]
a0
0
f (p) =
, donde x C p(x) = a0 + a1 x + a2 x2 . Sean C1 = {p0 , p1 , p2 } y C2 =
a1 + a2 a0 2a2
{M11 , M12 , M21 , M22 } las bases cannicas de C2 [x] y MC (2 2), respectivamente.
Entonces,
puestoque x C
0 0
1
0
, f (p2 ) =
, f (p1 ) =
es p0 (x) = 1, p1 (x) = x y p2 (x) = x2 , se tiene que f (p0 ) =
1 0
0
1
0 0
, de manera que (f (p0 ))C2 = (1, 0, 0, 1), (f (p1 ))C2 = (0, 0, 1, 0), (f (p2 ))C2 = (0, 0, 1, 2),
1 2
1 0 0
0 0 0
[f ]C1 C2 =
0 1 1 , y, si llamamos a0 , a1 , a2 a las coordenadas de un polinomio genrico p C2 [x]
1 0 2
a0
1 0 0
a0
0 0 0
= [f ]C1 C2 [p]C1 . Por tanen la base C1 , entonces [f (p)]C2 =
a1 + a2 = 0 1 1 a1
a2
a0 2a2
1 0 2
1 0 0
0
a0
0 0 0
0
to, tenemos que Kerf = p C2 [x] | (p)C1 = (a0 , a1 , a2 ) y

a1 = . En estas
0 1 1
0
a2
1 0 2
0
condiciones, para obtener una base de Kerf podemos hacer
1 0 0
1 0 0
f
f
f4 /2
1 0 0
0 0 0 4
0
0 1 1
0 1 1
1 0 2
0 0 2
1 0 0
1 0 0
0 0 0 f3 f4 0 0 0
0 1 1
0 1 0 ,
0 0 1
0 0 1
con lo que Kerf = {0C2 [x] }, dimC Kerf = 0 y f es inyectiva. Como Imf
una base de Imf de la siguente forma:
1 0 0 1
1 0 0
f3 f2
0 0 1 0
0 0 1
0 0 1 2
0 0 0
= hf (p0 ), f (p1 ), f (p2 )iR , se obtiene
1
0 .
2
44

1 0
0
1 0
0 0
0 0
,
As pues, Imf =
,
,
y dimC Imf = 3. Las matrices
0 1
1 0
0 2
0
1
1
C
0 0
constituyen tambin una base de Imf.
1 2
0
0
Proposicin 24. Sean E, F dos Kevs, f, g : E F dos aplicaciones lineales y K. Entonces la funcin
f + g : E F es una aplicacin lineal. Si, adems, E, F son dos Kevdfs, n = dimK E, m = dimK F y B, V
son bases de E y F, respectivamente, entonces [f + g]BV = [f ]BV + [g]BV
Demostracin. Se deja como ejercicio.
Proposicin 25. Sean E, F, G tres Kevs y f : E F , g : F G dos aplicaciones lineales. Entonces la
funcin g f : E G es una aplicacin lineal. Si, adems, E, F, G son Kevdfs de dimensin finita, n =
dimK E, m = dimK F, p = dimK G, y B, V, W son bases de E, F y G, respectivamente, entonces [g f ]BW =
[g]V W [f ]BV .
Demostracin. Sean K, x, y E. Entonces (g f )(x + y) = g(f (x + y))) = g(f (x) + f (y)) =
g(f (x)) + g(f (y))) = (g f )(x) + (g f )(y), de manera que g f es lineal. Ahora, de acuerdo con la
definicin de matriz asociada a una aplicacin lineal en unas bases, tenemos por una parte que [(g f )(x)]W =
[g f ]BW [x]B y por otra que [(g f )(x)]W = [g(f (x))]W = [g]V W [f (x)]V = [g]V W [f ]BW [x]B . Se
deja como ejercicio demostrar que la validez de las dos ltimas igualdades para cualquier x E implica que
[g f ]BW = [g]V W [f ]BV .
Ejemplo 52. Sean C1 , C2 , C3 las bases cannicas de los Revdfs R3 , R4 y R2 , respectivamente. Consideremos las
funciones f : R3 R4 y g : R4 R2 tales que, si x = (x1 , x2 , x3 ) R3 , y = (y1 , y2 , y3 , y4 ) R4 ,
f (x) = (x1 + x2 , x1 , x2 + x3 , x2 ) y g(y)
= (y1 + y2 , y3 + y4 ). Es fcil ver que f, g son dos aplicaciones
1 1 0
1 0 0
1 1 0 0
lineales y que [f ]C1 C2 =

, [g]C2 C3 =
. Por otra parte, si x R4 , entonces
0 1 1
0 0 1 1
0 1 0
(g f )(x) = g(f (x)) = g((x1 + x2 , x1 , x2 + x3 , x2 )) = (x1 + x2 + x1 , x2 + x3 + x2 ) = (2x1 + x2 ,2x2 + x3 ), con
1 1 0
1 0 0
2 1 0
2 1 0
1 1 0 0
lo que [g f ]C1 C3 =
. Puede comprobarse que
=
0 1 1 .
0 2 1
0 2 1
0 0 1 1
0 1 0
Definicin 27. Sea E un Kev. Es inmediato comprobar que la funcin identidad id : E E tal que x E
id(x) = x es una aplicacin lineal. Si E es un Kevdf, n = dimK E y B = {v1 , . . . , vn }, V = {w1 , . . . , wn }
son dos bases de E, entonces la matriz asociada a esa aplicacin lineal en las bases B y V , [id]BV , se denomina
matriz de cambio de base de la base B a la base V, y satisface la igualdad [x]V = [id(x)]V = [id]BV [x]B . Los
vectores columna de esta matriz contienen las coordenadas en la base V de cada uno de los vectores de la base B,
de manera que, en particular, [id]BB = In .
Proposicin 26. Sean E y F dos Kevs y f : E F una aplicacin lineal. Si f es una funcin inversible
entonces f 1 es tambin una aplicacin lineal. Adems, si E y F son dos Kevdfs, n = dimK E = dimK F y B, V
son dos bases de E y F , respectivamente, entonces [f ]BV es inversible y [f 1 ]V B = ([f ]BV )1 .
Demostracin. Si f es inversible, entonces y1 , y2 F !x1 , x2 E tales que f (x1 ) = y1 , f (x2 ) = y2
y f 1 (y1 ) = x1 , f 1 (y2 ) = x2 . Por tanto, K se tiene que f 1 (y1 + y2 ) = f 1 (f (x1 ) + f (x2 )) =
f 1 (f (x1 +x2 )) = x1 +x2 = f 1 (y1 )+f 1 (y2 ), donde se ha tenido en cuenta que f f 1 = f 1 f = id.
Estas ltimas igualdades, combinadas con la Proposicin 25, implican tambin que [f ]BV [f 1 ]V B = [id]V V =
In y [f 1 ]V B [f ]BV = [id]BB = In , lo que completa la demostracin.
45
Corolario 9. Si E es un Kevdf y B, V son dos bases de E, entonces [id]V B = ([id]BV )1 (basta observar que la
aplicacin lineal id es inversible y que id1 = id).
Ejemplo 53. Supongamos que los sistemas B = {v1 , v2 , v3 } y V = {w1 , w2 , w3 } son dos bases de un Revdf E,
dimR E = 3, y que se cumple que v1 = w1 + w2 + w3 , v2 = w1 w2 w3 , v3 = w
1 + w2 + 2w3 , con lo que
1 1 1
(v1 )V = (1, 1, 1), (v2 )V = (1, 1, 1), (v3 )V = (1, 1, 2) y [id]BV = 1 1 1 . Entonces, por ejemplo,
1 1 2
1 1 1
si x = 2v1 v3 , y, por tanto, (x2 )B = (2, 0, 1), tenemos que [x]V = [id]BV [x]B = 1 1 1
1 1 2
2
1
0 = 1 y (x)V = (1, 1, 0), de manera que x = w1 + w2 . Podemos comprobar que esta ltima
1
0
igualdad es cierta sin ms que observar que x = 2v1 v
3 = 2(w1 + w2 + w3 ) (w1 + w2 + 2w3 ) = w1 + w2 .
1
3
1
2
2
Por otra parte, se tiene que [id]V B = 21 12
0 = ([id]BV )1 , con lo que, por ejemplo, sabemos que
0 1 1
1
3
1
3
3
w2 = v1 v2 v3 . Esta ltima igualdad tambin puede comprobarse haciendo v1 v2 v3 = (w1 +
2
2
2
2
2
1
w2 + w3 ) (w1 w2 w3 ) (w1 + w2 + 2w3 ) = w2 .
2
1 0
0 0
0 0
Ejemplo 54. En el contexto del Ejemplo 51, los sistemas de matrices B =
,
,
0 1
1 0
0 2
1 0
0 0
0 0
yV =
,
,
son dos bases del Cevdf Imf. Es sencillo comprobar que [id]V B =
0 1
1 0
1 2
1 0 0
1 0 0
0 1 1 y que [id]BV = 0 1 1 = ([id]V B )1 . Por otra parte, tambin est claro que el sistema
0 0 1
0 0 1
0 0 1
0 0
0 0
1 0
W =
,
,
es base de Imf, y tenemos que [id]W V = 1 0 0 .
1 0
1 2
0 1
0 1 0
Teorema 9. Sean E y F dos Kevdfs, n = dimK E, m = dimK F, B1 , B2 dos bases de E, V1 , V2 dos bases de F
y f : E F una aplicacin lineal. Entonces [f ]B2 V2 = [id]V1 V2 [f ]B1 V1 [id]B2 B1 .
Demostracin. Sea x E. Entonces [f (x)]V2 = [f ]B2 V2 [x]B2 . Por otra parte, [f (x)]V2 = [id]V1 V2 [f (x)]V1 =
[id]V1 V2 [f ]B1 V1 [x]B1 = [id]V1 V2 [f ]B1 V1 [id]B2 B1 [x]B2 . Se deja como ejercicio demostrar que la validez de las
dos ltimas igualdades para cualquier x E implica que [f ]B2 V2 = [id]V1 V2 [f ]B1 V1 [id]B2 B1 .
Corolario 10. En las condiciones del teorema anterior se satisfacen tambin las igualdades [f ]B2 V1 = [f ]B1 V1
[id]B2 B1 y [f ]B1 V2 = [id]V1 V2 [f ]B1 V1 . Adems, si E es un Kevdf, B1 , B2 son dos bases de E y f : E E es
un endomorfismo, se cumple que [f ]B2 B2 = ([id]B2 B1 )1 [f ]B1 B1 [id]B2 B1 = [id]B1 B2 [f ]B1 B1 ([id]B1 B2 )1 .
En este ltimo caso la matriz [f ]B1 B1 suele denotarse simplemente por [f ]B1 .
2 , e
3 } las bases cannicas de los Cevdfs C2 y C3 , respectivamente,
Ejemplo 55. Sean C1 = {e1 , e2 }, C2 = {
e1 , e
2
3
y sea f : R R la funcin tal que si x = (x1 , x2 ) R2 , entonces f (x) = (x1 , ix2 , x1 2x2 ). Consideremos
2 +i
3 }. Puede comprobarse
tambin los sistemas de vectores B1 = {e1 +ie
e1 +
e2 +i
e3 , e
e3 , e
2 , e1 e2 }, B2 = {
1 0
que f es uuna aplicacin lineal, [f ]C1 C2 = 0 i y B1 , B2 son bases de C2 , C3 , respectivamente. Adems,
1 2
46
[id]B1 C1 =
1
i
1
1
y [id]B2 C2
1
= 1
i
As pues, tambin tendremos que [f ]B1 B2
1
= 1
0
0
0
1
0 0
1 0 .
i 1
1 0
0 i
1 2
1
1
1 1
= 2 1 i . En estas condiciones, si, por ejemplo, (x)B1 = (1, i), entonces [f (x)]B2 =
i 1
1 i
2
1+i
1
1
1
2 1 i
2 + i
e1 + e
e3 )
= 1 i , de manera que, en particular, f (x) = (1 + i)(
i
1+i
1i
2
(1 + i)(
e2 + i
e3 ) + (1 + i)
e3 = (1 + i)
e1 + (1 + i)
e3 , es decir, (f (x))C2 = (1 + i, 0, i + 1) Esto concuerda
con el hecho
de que x = (e1 + ie2 )+ i(e1 e2 ) = (1 + i)e1 , con lo que (x)C1 = (1 + i, 0) y [f (x)]C2 =
1 0
1+i
0 i 1 + i = 0 .
0
1 2
1+i
0 0
1 0 , con lo que [id]C2 B2 = ([id]B2 C2 )1
i 1
1
0
= [id]C2 B2 [f ]C1 C2 [id]B1 C1 = 1 1
0 i
Ejemplo 56. En
: E E tal que
el contexto del Ejemplo 53, consideremos el endomorfismo f

[f ]BB = [f ]B =
0 0 1
1 1 1
0 0 1
1 1 1 . Entonces tenemos que [f ]V = [id]BV [f ]B ([id]BV )1 = 1 1 1 1 1 1
0 1 0
1 1 2
0 1 0
1
3
3
1
1
1
2
2
2
2
1 1
0 = 12 27
3 .
2
2
0 1 1
0
4 3
1.6.
Determinantes
Definicin 28. Llamamos permutacin de orden n a cualquier funcin : {1, . . . , n} {1, . . . , n} que sea
biyectiva. Utilizaremos la notacin = {(1) . . . (n)} para representar a la permutacin . El conjunto de todas
las permutaciones de orden n se denota por Pn . Ntese que cada permutacin de orden n puede entenderse como
una forma de reordenar los n elementos del conjunto {1, . . . , n} y que Pn contiene n! elementos.
Ejemplo 57. La funcin : {1, 2, 3, 4} {1, 2, 3, 4} tal que (1) = 2, (2) = 1, (3) = 4, (4) = 3 es
una permutacin de orden 4, es decir, un elemento de P4 que representamos por = {2 1 4 3}. Sin embargo, la
funcin : {1, 2, 3, 4} {1, 2, 3, 4} tal que (1) = 2, (2) = 2, (3) = 4, (4) = 3 no es una permutacin
porque no es biyectiva. Ntese, por ejemplo, que 1 6= 2 pero (1) = (2), con lo que no es inyectiva, y que
no existe ningn elemento del conjunto {1, 2, 3, 4} tal que su imagen por sea 1, de manera que tampoco es
exhaustiva.
Definicin 29. Si Pn , j > i y (j) < (i), se dice que presenta una inversin en las posiciones i, j.
Llamamos ndice de , I(), al nmero de inversiones que presenta la permutacin , y decimos que el nmero
() = (1)I() es la paridad de . Si () = 1 ( presenta una cantidad par de inversiones) decimos que es
una permutacin par, mientras que si () = 1 ( presenta una cantidad impar de inversiones) decimos que es
una permutacin impar.
Ejemplo 58. La permutacin de orden 4 = {2 1 4 3} P4 , es par. Tenemos que 1 < 2 pero (1) = 2 >
1 = (2), y que 3 < 4 pero (3) = 4 > 3 = (4). Como no presenta ms inversiones, tenemos I() = 2 y
() = 1.
Definicin P
30. Sea A MK (n n) una matriz cuadrada. Entonces se define el determinante de A como el escalar
detn A =
()a1(1) a2(2) . . . an(n) K. Es habitual utilizar la notacin |A| = detn A.
Pn
47
a11 a12
MK (2 2). Observemos que el conjunto P2 slo tiene 2 elementos,
a21 a22
P2 = {
1 , 2 }, tales que 1 = {1 2} y 2 = {2 1}. Es facil ver que (1 ) = 1 y (2 ) = 1, con lo que det2 A =
a
P
a12
|A| = 11
=
()a1(1) a2(2) = (1 )a11 (1) a21 (2) + (2 )a12 (1) a22 (2) = a11 a22 a12 a21 .
a21 a22 P2
1 2
i
i
Por ejemplo,
= 1 4 (2) 3 = 10 y
= i (1 + i) i (3) = 4i 1.
3 4
3 1 + i
a11 a12 a13

Ejemplo 60. Sea A = a21 a22 a23 MK (33). En este caso resulta que el cojunto P3 tiene 6 elementos,
a31 a32 a33
P6 = {1 , 2 , 3 , 4 , 5 , 6 }, tales que 1 = {1 2 3}, 2 = {2 3 1}, 3 = {3 1 2}, 4 = {3 2 1}, 5 = {1 3 2},
6 = {2 1 3}. Es facil ver que (1 ) = (2 ) = (3 ) = 1 y (4 ) = (5 ) = (6 ) = 1, con lo que
a11 a12 a13
P
()a1(1) a2(2) a3(3) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
det3 A = |A| = a21 a22 a23 =
P3
a31 a32 a33
a13 a22 a31 a11 a23 a32 a12 a21 a33
. Esta frmula
para el clculo del determinante de una matriz 3 3 se conoce
1 1 2
como regla de Sarrus. Por ejemplo, 0 1 i = 110+1(i)i+20121i1001(i)1 = 1i.

i 1 0
Ejemplo 59. Sea A =
Definicin 31. Sea A MK (n n). Se dice que A es triangular superior si aij = 0 cuando i > j, y que es
triangular inferior si aij = 0 cuando j > i. Se dice que una matriz es triangular cuando es triangular superior o
triangular inferior.
1 2 3
Ejemplo 61. La matriz A = 0 0 0 es triangular superior. La matriz AT es triangular inferior.
0 0 2
Proposicin 27. Sea A MK (n n) una matriz cuadrada. Entonces se verifican las siguientes propiedades:
1. Si uno de los vectores fila de A es nulo, entonces |A| = 0.
2. Si para un cierto i {1, . . . , n} se cumple que (ai1 , . . . , ain ) = (b1 , . . . , bn ) + (c1 , . . . , cn ), , bj , cj K,
y llamamos B, C a las matrices que se obtienen sustituyendo el i-simo vector fila de A por los vectores
(b1 , . . . , bn ), (c1 , . . . , cn ), respectivamente, entonces |A| = |B| + |C|. Esta propiedad se conoce como la
multilinealidad del determinante.
3. Si dos vectores fila de la matriz A son iguales, entonces |A| = 0. Esta propiedad se conoce como la alternancia del determinante.
4. Si A es triangular, entonces |A| = a11 a22 . . . , ann .
5. Si e es una oef del tipo I, e = fi fj , entonces |e(A)| = |A|.
6. Si e es una oef del tipo II, e = fi , K, 6= 0, entonces |e(A)| = |A|.
7. Si e es una oef del tipo III, e = fi + fj , K, entonces |e(A)| = |A|.
8. Si K, entonces | A| = n |A|
9. rgA = n |A| 6= 0.
10. |A| = |AT |.
48
11. Si A = B C, B, C MK (n n), entonces |A| = |B||C|.

12. Si A es inversible entonces |A1 | =
1
.
|A|
Demostracin. La primera propiedad se demuestra sin ms que tener en cuenta que cada sumando de |A| contiene
como factor un elemento de cada fila de |A|. La segunda propiedad es tambin consecuencia directa de la definicin
de determinante, puesto que
X
|A| =
()a1(1) . . . a(i1)(i1) ai(i) a(i+1)(i+1) . . . an(n) =
Pn
()a1(1) . . . a(i1)(i1) (b(i) + c(i) )a(i+1)(i+1) . . . an(n) =
Pn
=
+
()a1(1) . . . a(i1)(i1) b(i) a(i+1)(i+1) . . . an(n) +
Pn
()a1(1) . . . a(i1)(i1) c(i) a(i+1)(i+1) . . . an(n) = |B| + |C|.
Pn
Las propiedades sexta y octava se deducen directamente de la primera y la segunda. La cuarta propiedad se basa
en que la nica permutacin de orden n tal que o bien i {1, . . . , n}, (i) i o bien i {1, . . . , n}, (i) i
es la permutacin identidad, es decir, = {1 . . . n}. La tercera propiedad se deduce directamente de la quinta, y
la sptima de la segunda y la tercera (comprobarlo se deja como ejercicio). Para demostrar la novena propiedad,
observemos que si rgA = n entonces, como A es cuadrada, merf (A) = In . Como la merf de A puede obtenerse
aplicando oefs a la matriz A, basta tener en cuenta las propiedades quinta, sexta y sptima y que |In | = 1 (cuarta
propiedad) para deducir que |A| 6= 0. Recprocamente, si rgA 6= n, entonces merf (A) tiene alguna fila nula,
con lo que en virtud de la primera propiedad ser |merf (A)| = 0, y, puesto que merf (A) A, |A| = 0. La
duodcima propiedad se obtiene teniendo en cuenta que, al ser A inversible y A A1 = In , entonces por la
propiedad undcima es |A||A1 | = |In | = 1. Como A es inversible, entonces rgA = n (Teorema 3), con lo
1
que |A| 6= 0 (novena propiedad) y podemos escribir |A1 | =
. En cuanto a las propiedades quinta, dcima y
|A|
undcima, su demostracin requerira la introduccin de conceptos que exceden el propsito de este libro.
3 2
. Como ilustraccin de la segunda propiedad, veamos por ejemplo que
Ejemplo 62. Sea A =
1 1
3 2 21+1 2 1 +1
1 1 1 1
2
2
= 2 3 + (2) = 5.
5 =
=
2
+
=
1 1 1 1
1 1
1
1
2
1
2
1
1
3
5
Como |A| 6= 0, entonces A es inversible (novena propiedad) y |A1 | = 51
= =
,
3 =
25
25
5
|A|
5
5
la duodcima propiedad.
Por
con
la propiedad diez, 5 = |A| = |AT | =
como establece
otra
parte, deacuerdo
3 1
5
1
3
2
1
1
2 1 = 5, y, puesto que 0 2 = 1 1 1 1 , se cumple, en virtud de la propiedad
5 1
= 3 2 1 1 = (5) (2) = 10. Consideremos ahora la matriz

once, que 10 =
0 2
1 1
1 1
2 1
1
B = 1 1 1 . Se puede comprobar que |B| = 5. Ahora bien, si definimos las oefs e1 = f1 f2 , e2 =
1 0 1
1 1 1
f2 2f1 , e3 = f3 f1 , e4 = 3f3 , e5 = f3 f2 , entonces e5 (e4 (e3 (e2 (e1 (B))))) = 0 3 1 , con lo que,
0 0 5
49
recordando las propiedades cuatro, cinco, seis y siete, tenemos

|e5 (e4 (e3 (e2(e1 (B)))))| = |e4 (e3 (e2 (e1 (B))))| =
1 1 1
3|e3 (e2 (e1 (B)))| = 3|e2 (e1 (B))| = 3|e1 (B)| = 3|B| = 0 3 1 = 1 3 (5) = 15, y, despejando,
0 0 5
recuperamos el resultado |B| = 5. En la prctica, es usual describir este procedimiento como sigue:
2 1
1 1
1 0
1
1
0
3
0
1
1
1
1
f f
2
=
1
1
3
3
1
1
6
1
1
0
1
1
1
f f
1
2
3
=
3
f 2f
1
f3 f1
1 1
1
3 1 =
3
0 5
1
0
0
1
3
1
1
1
2
3f
2
1 3 (5) = 5.
2 1
En cuanto a las propiedades primera y tercera, el lector comprobar fcilmente que, por ejemplo, 0 0
1 0
2 1 1
0 y que 1 2 1 = 0.
2 1 1
1
0
1
Definicin 32. Sea A MK (n n), n 2, una matriz cuadrada. Se define el menor del coeficiente aij , ij A,
como el determinante de la matriz de n 1 filas y n 1 columnas que resulta de eliminar la fila i-sima y la
columna j-sima de la matriz A. El cofactor o adjunto del elemento aij se define como cofij A = (1)i+j ij A.
La matriz de cofactores o matriz adjunta de A, cof A MK (n n), se define como (cof A)ij = cofij A, es decir,
cof A es la matriz que se obtiene de A sustituyendo cada uno de sus elementos por su correspondiente adjunto.
1 1 2
0 i
1 2
Ejemplo 63. Si A = 0 1 i , entonces, en particular, 12 A =

= 1, 31 A =
i 0
1 i
i 1 0
2 i, cof12 A = (1)1+2 12 A = (1) (1) = 1, cof31 A = (1)3+1 31 = 1 (2 i) = 2 i, y
cof11 A cof12 A cof13 A

cof A = cof21 A cof22 A cof23 A =
cof31 A cof32 A cof33 A
1+1 1 i
1+2 0 i
1+3 0 1
(1)
(1)
(1)
1 0
i 0
i 1

i
1
i
1 2
2+1 1 2
2+3 1 1
2
2i i 1 .
=
(1)2+2
(1)
1 0
(1)
i 1 =
i
0
i
i
1

1 2
(1)3+2 1 2 (1)3+3 1 1
(1)3+1
1 i
0 i
0 1
Proposicin 28. Sea A MK (n n) una matriz cuadrada. Entonces se verifican las siguientes propiedades:
13. Para cualesquiera i, j {1, . . . , n}, |A| =
n
P
aik cofik A =
k=1
n
P
k=1
akj cofkj A. Esta propiedad se conoce
como desarrollo de un determinante por los coeficientes de una fila o de una columna.
14. Si A es inversible, entonces A1 =
1
(cof A)T .
|A|
50
1 1 2
i
1
i
2
2i i 1 (Ejemplos
Ejemplo 64. Si A = 0 1 i sabemos que |A| = 1 i y cof A =
i 1 0
2 i
i
1
60 y 63). El desarrollo del determinante por la segunda fila de A da |A| = a21 cof21 A + a22 cof22 A + a23 cof23 A =
0 2 + 1 (2i) + (i) (i 1) = 1 i, mientras que el desarrollo por la tercera columna de A da |A| =
a13 cof13 A + a23 cof23 A + a33 cof33 A = 2 (i) + (i) (i 1) + 0 1 = 1 i. Puede comprobarse que el
desarrollo del determinante por el resto de filas y columnas produce el mismo resultado, as como que
A1
1
=
1i
i
1
2
2i
2 i
i
i
i 1 2 + 2i 1 3i
1
i 1 = 1 + i 2 2i
i 1 .
2
1
1i
2
1+i
La combinacin de las propiedades cuarta a la sptima con la trece proporciona, en particular, un mtodo eficiente
para el clculo del determinante de una matriz cuadrada con ms de tres filas (ver los Problemas resueltos al final
de este captulo).
1.7.
Valores propios y vectores propios. Diagonalizacin
Definicin 33. Sean E un Kev, f : E E un endomorfismo y K un escalar. Si existe algn elemento

x E, x 6= 0, tal que f (x) = x, se dice que es un valor propio (vap) de f. Si K es un vap de f, se
denomina vector propio (vep) de f asociado al vap a cada uno de los vectores x E tales que f (x) = x. El
conjunto de todos los veps asociados a un vap se denomina subespacio propio asociado a y se denota por Vf .
0 0 1
Ejemplo 65. Recordemos el endomorfismo f : E E del Ejemplo 56 tal que [f ]B = 1 1 1 , donde
0 1 0
B = {v1 , v2 , v3 } es una base de un Revdf E, dimR E = 3. Entonces = 1 es un vap def, ya que si consideramos,

0 0 1
1
por ejemplo, el vector x = v1 + v2 + v3 6= 0, entonces (x)B = (1, 1, 1) y [f (x)]B = 1 1 1 1 =
0 1 0
1

1
1 , con lo que f (x) = v1 + v2 + v3 = x.
1
Proposicin 29. En las condiciones de la definicin anterior, si es un vap asociado a f, entonces Vf es un
subespacio vectorial de E.
Demostracin. Basta observar que Vf =Ker{f id} (recurdese la Proposicin 24).
Definicin 34. Sean E un Kevdf, f : E E un endomorfismo y K un vap de f. En este caso Vf es un
Kevdf. Se denomina multiplicidad geomtrica del vap , m , a la dimensin de su correspondiente subespacio
propio, es decir, m = dimK Vf .
Ejemplo 66. Volviendo al endomorfismo f del Ejemplo 12, como = 1 es un vep de f tenemos que
V1f = {x E | f (x) = x} = {x E | (f id)(x) = 0E } = Ker{f id} =

1 0 1
x1
0
= x E | (x)B = (x1 , x2 , x3 ) y 1 0 1 x2 = 0 .
0 1 1
x3
0
51
Por tanto, podemos hallar unas ecuaciones paramtricas de V1f en la base B haciendo
1 0 1
0 0 0
f1 + f2
1 0 1
1 0 1 ,
0 1 1
0 1 1
de manera que V1f = {x E | R tal que (x)B = (1, 1, 1)} = hv1 + v2 + v3 iR y m1 = 1.
Definicin 35. Sean E un Kevdf, n = dimK E, B una base de E y f : E E un endomorfismo. Podemos
considerar la funcin pf : C C tal que x C, pf (x) = |[f ]B x In |. Por la forma como se define
el determinante de una matriz, la funcin pf ser un polinomio de grado a lo sumo n. Denominamos polinomio
caracterstico de f a pf .
Proposicin 30. En las condiciones de la proposicin anterior, el polinomio caracterstico de un endomorfismo no
depende de la base escogida para calcular la matriz asociada, siempre que se tome la misma base en el espacio de
salida y en el de llegada.
Demostracin. Sea B, V dos bases de E. Si utilizamos la notacin P = [id]V B tenemos que [f ]V = P 1 [f ]B P
(Corolario 12). Entonces, recordando las propiedades de los determinantes enunciadas en la seccin anterior, se
tiene que |[f ]V xIn | = |P 1 [f ]B P xP 1 In P | = |P 1 ([f ]B xIn )P | = |P 1 ||[f ]B xIn ||P | =
|[f ]B x In |.
0 0 1
Ejemplo 67. Consideremos una vez ms el endomorfismo f del Ejemplo 12. Como [f ]B = 1 1 1 ,
0 1 0
entonces x C el polinomio caracterstico de f vale

0 0 1
1 0 0 x
0
1
pf (x) = 1 1 1 x 0 1 0 = 1 1 x 1 = x3 + x2 x + 1.
0 1 0
0 0 1 0
1
x
Se vio en el Ejemplo 56 que, si V es la base de E presentada en el Ejemplo 53, entonces [f ]V =
El lector podr comprobar que
x
1
12
72 x
3 = x3 + x2 x + 1.
0
4
3x
3
2
3
2
12
1
2
72
1
3 .
3
1
2
Proposicin 31. Sean E un Kevdf y f : E E un endomorfismo. Entonces los vaps de f son las races de su
polinomio caracterstico que pertenezcan a K.
Demostracin. Puesto que, por definicin, si K es vap entonces tiene asociado algn vep no nulo, deber
ser Vf =Ker{f id} 6= {0E }. Ahora, si B es una base cualquiera de E, la anterior desigualdad implica que
el sistema de ecuaciones homogneo cuya matriz de coeficientes es [f id]B = [f ]B [id]B = [f ]B In
no puede ser compatible determinado, luego su rango no puede ser mximo, con lo que, como se ha visto en la
seccin anterior, |[f ]B In | = 0, es decir, es una raz del polinomio caracterstico de f.
Definicin 36. Se llama multiplicidad algebraica del vap , , al nmero de veces que se repite como raz del
polinomio caracterstico de un endomorfismo.
0 0 1
Ejemplo 68. Si B es una base del Revdf E y f : E E es el endomorfismo tal que [f ]B = 1 1 1 ,
0 1 0
entonces = 1 es su nico vap. Adems, 1 = 1. Para comprobarlo es suficiente observar que x3 + x2 x + 1 =
52
(x 1)(x i)(x + i) y recordar elejemplo anterior.

Sin embargo, si B es una base del Cevdf E y f : E E
0 0 1
es el endomorfismo tal que [f ]B = 1 1 1 , entonces 1 = 1, 2 = i, 3 = i son los tres vaps de f, y
0 1 0
1 = i = i = 1.
Definicin 37. Sean E un Kevdf, n = dimK E, B una base de E, f : E E un endomorfismo y A = [f ]B . Se
dice que f diagonaliza en la base B si la matriz A es diagonal, es decir, si aij = 0 cuando i 6= j.
Proposicin 32. Un endomorfismo f : E E, donde E es un Kevdf y n = dimK E, diagonaliza si y slo si es
posible construir una base de E formada por veps.
Demostracin. Teniendo en cuenta como se definen los veps, tenemos que si B = {v1 , . . . , vn } es una base
de E formada por veps, entonces i {1, . . . , n} se tiene que i K tal que f (vi ) = i vi (los j podran
tomar valores repetidos). Entonces (f (v1 ))B = (1 , 0, . . . , 0), (f (v2 ))B = (0, 2 , 0, . . . , 0), . . . , (f (vn ))B =
(0, . . . , 0, n ), con lo que [f ]B es diagonal. Recprocamente, si existe una base V = {w1 , . . . , wn } de E tal que
[f ]V = A es diagonal, entonces i {1, . . . , n}, (f (wi ))V = (0, . . . , 0, aii , 0, . . . , 0), aii K, de manera que
f (wi ) = aii wi y la base V est formada por veps.
Proposicin 33. Un endomorfismo diagonaliza en alguna base si y slo si todos sus vaps pertenecen a K y todas
sus multiplicidades geomtricas coinciden con las correspondientes multiplicidades algebraicas.
Ejemplo
69. Si
f : E E es un endormorfismo definido en un Revdf E, B es una base de E y [f ]B =

0 0 1
1 1 1 , entonces f no diagonaliza en ninguna base porque = 1 es su nico vap y m1 = dimR V1f = 1,
0 1 0
con lo que es imposible construir una base de E formada exclusivamente por vectores propios. Sinembargo, si E
es
0 0 1
un Cevdf , B = {v1 , v2 , v3 } es una base de E y f : E E es el endomorfismo tal que [f ]B = 1 1 1 ,
0 1 0
entonces f diagonaliza. Para comprobarlo, recordemos que en este caso 1 = 1, 2 = i, 3 = i son los tres vaps
de f y 1 = i = i = 1. Sabemos que V1f = hv1 + v2 + v3 iC , como se vio en el Ejemplo 66, con lo que
m1 = 1 = 1 . Procediendo como en ese ejemplo, tendremos que

i
0
1
x1
0
Vif = x E | (x)B = (x1 , x2 , x3 ) y 1 1 i 1 x2 = 0 ,
0
1
i
x3
0
con lo que, haciendo
f (1 + i)f
1
3
i
0
1
0 1+i 1i
0
f1 + if2
1 1 i 1
1 1 i 1
1
0
1
i
0
1
i
0
f2 (1 i)f3
obtenemos Vif = {x E | C tal que (x)B = (i, i, 1)}
Anlogamente,
i
0
f
Vi = x E | (x)B = (x1 , x2 , x3 ) y 1 1 + i
0
1
de manera que
i
1
0
0
0
1
0
i
i
= hiv1 + iv2 + v3 iC y mi = 1 = i .

1
x1
0
1 x2 = 0 ,
i
x3
0
f1 (1 i)f3
0
1
0 1i 1+i
0 0
f1 if2
1 1 + i 1
1 0
1 + i 1
1
i
0
1
i
0 1
f2 (1 + i)f3
0
i ,
i
53
f
Vi
= {x E | C tal que (x)B = (i, i, 1)} = hiv1 iv2 + v3 iC y mi = 1 = i . Como todos los
vaps de f estn en C y la multiplicidad geomtrica de cada uno de ellos coincide con su multiplicidad algebraica,
entonces las Proposiciones 32, 33 garantizan que existe una base V de E formada por veps de f donde [f ]V es
diagonal. Para construir dicha base, consideremos por ejemplo los vectores w1 = v1 + v2 + v3 V1f , w2 =
f
iv1 + iv2 + v3 Vif , w3 = iv1 iv2 + v3 Vi
. Es facil ver que el sistema V = {w1 , w2 , w3 } es libre,
1 i i
con lo que V es una base de E formada por veps. Ahora, teniendo en cuenta que [id]V B = 1 i i
1 1
1
2
2
0
1
y que [id]BV = ([id]BV )1 = 1 + i 1 i 2 , obtenemos que [f ]V = ([id]BV )1 [f ]B [id]BV =
4
1 i 1 + i 2
1 0 0
0 i 0 , o sea que f diagonaliza en la base V. Ntese que los elementos de la diagonal de f son los vaps
0 0 i
de f y aparecen en el mismo orden que se ha asignado a los veps. Por
ejemplo, W = {w3 , w1 , w2 } es tambin
i 0 0
una base de E formada por veps, y puede comprobarse que [f ]W = 0 1 0 .
0 0 i
Definicin 38. Sea A MK (n n) una matriz cuadrada. Se dice que A es simtrica si A = AT .
i
1
0
1
1
1
1+i 2
es simtrica.
0 1+i
i
0
1
2
0
0
Teorema 10. Teorema Espectral para endomorfismos reales (forma dbil): Sea E un Revdf y f : E E un
endomorfirmo tal que existe alguna base B de E tal que [f ]B es una matriz simtrica. Entonces f diagonaliza en
alguna base.
Corolario 11. Todas las races del polinomio caracterstico de un endomorfismo que cumpla las condiciones del
teorema anterior son reales.
Corolario 12. Si A MR (n n) es simtrica, entonces P MR (n n), P inversible, tal que B = P 1 AP
es una matriz diagonal.
Ejemplo 71. Sean E1 , E2 dos Revdfs, dimR E1 = 3, dimR E2 = 4, B,V dos bases de E
y
1 , W unabase de E2 ,
0 1
0
1 0 1
f, g : E1 E1 , h : E2 E2 , los endomorfismos tales que [f ]B = 1 1 1 , [g]V = 0 1 1
0 1 0
1 1 0
0 1
0
0
1 1 1 1
. Entonces, x C, pf (x) = x3 + x2 + 2x = x(x 1)(x + 2), gf (x) =
y [h]W =
0 1 0
0
0 1 0
0

x 12 13
(el
x3 +2x2 +x2 = (x+1)(x1)(x2) y ph (x) = x4 x3 3x2 = x2 x 1+2 13
ltimo polinomio puede calcularse, por ejemplo, desarrollando el determinante por los coeficientes de la primera
columna). Puede observarse que todas las races de esos polinomios
son reales.
Adems,
sabemos queexisten dos
0 0 0
1 0 0
b Vb de E1 y una base W
c de E2 tales que [f ] b = 0 1 0 , [g] b = 0 1 0 y [h] c =
bases B,
B
V
W
0 0 2
0 0 2
54
0
0
0
0
0
0
0
0
0
0
1+ 13
2
V0h
0
0
0
c:
. Calculemos, por ejemplo, una posible base W
1 13
2
1
= x E2 | (x)W = (x1 , x2 , x3 , x4 ) y
0
con lo que, haciendo
0
1
0
0
1
1
1
1
f2 f1
0
0
f + f1
1 1
3
0
0
0
0
f4 + f1
1
1
1
1
0
1
0
0
0
1
0
0
1
0
0
0

x1
0
x2
1
0 x3
x4
0
0
1
0
0
0
= ,
0
0
1
0
0
se obtiene que V0h = {x E2 | , R tal que (x)W = (1, 0, 1, 0) + (1, 0, 0, 1)}, y los vectores v1 , v2
tales que (v1 )W = (1, 0, 1, 0), (v2 )W = (1, 0, 0, 1) forman una base de V0h . Por otra parte, se puede comprobar
que
1
0
0
1+2 13
1 0 0
1
1 13
0 1 0 1+ 13
1
1
1
2
,
2

0 0 1
1+
13
1
0
1
2
0
0 0 0
0
0
1
0
1+2 13
h
o sea que, en particular, el vector v3 tal que (v3 )W = (2, 1 + 13, 2, 2) es base de V 1+
. Finalmente,
13
2
tambin es cierto que
131
2
1
0
0
1+ 13
2
1
1
0
1
0
1
0
131
2
131
2
con lo que, en particular, el vector v4 tal que (v4 )W = (2, 1
0 0
1 0
0 1
0 0
1 13
2
1
0
h
13, 2, 2) es base de V 1
. Puede com13
2
c = {v1 , v2 , v3 , v4 } es libre, de manera que W

c es una base de E2 tal que [id] c =
probarse que el sistema W
WW
0 0
0
0
1 1
2
2
0 0 1 + 13 1 13
0 0
0
0
y [h] c = ([id] c )1 [h]W [id] c =

. Realizar
1+ 13
W
W
W
W
W
1 0
0
0 0
2
2
2
1 13
0 1
2
2
0 0
0
2
manualmente algunos de los clculos de este ejemplo puede resultar tedioso, por lo que se recomienda hacer uso
de algn manipulador algebraico para comprobarlos (ver la coleccin de Problemas resueltos a continuacin).
1.8.
Problemas resueltos
PR 1.1. Calcular el determinante de la matriz
1
2
A=
1
2
1
1
2
2
2
2
1
1
1
1
,
2
1
55
decidir si A es inversible y, en caso afirmativo, calcular su inversa.

Resolucin
Para el clculo del determinante podemos hacer
1 1 2 1 f2 2f1
2 1 2 1 f3 f1
1 2 1 2
=
2 2 1 1 f4 2f1
1
0
0
0
1
1
1
0
2
2
1
3
1
1
1
1
y, a continuacin, realizarel desarrollo del ltimo

determinante
por los coeficientes
de la primera columna, obte
1 2
1 2 1
1
niendo |A| = 1 (1)1+1 1 1 1 + 0 (1)1+2 1 1 1 + . . . = (1) (1) (1) + (2) 1

0 3 1
0 3 1
0 + . . . = 3 6= 0, de manera que A es inversible. Para calcular A1 , podemos utilizar, por ejemplo, el mtodo de
Gauss. El lector podr comprobar que si realizamos las oefs e1 = f2 2f1 , e2 = f3 f1 , e3 = f4 2f1 , e4 = f2
f3 , e5 = f1 f2 , e6 = f3 +f2 , e7 = f3 /3, e8 = f1 3f3 , e9 = f2 +f3 , e10 = f4 +3f3 , e11 = f2 +f4 , e12 = f4
sobre la matriz ampliada
1 1 2 1 1 0 0 0
2 1 2 1 0 1 0 0
1 2 1 2 0 0 1 0 ,
2 2 1 1 0 0 0 1
sta se transforma en
1 0 0
0 1 0
0 0 1
0 0 0
1
1
=
1
1
1
43
13
1
0
13
13
1
0
0
0
1
1
1
1
1
1
43
13
1
0
13
13
1
0
1
,
0
1
1
. Tambin es posible calcular la inversa a travs de la matriz
lo que implica que A1
0
1
1 2 1
2 2 1
de cofactores. Tenemos que cof11 A = (1)1+1 2 1 2 = 3, cof12 A = (1)1+2 1 1 2 = 3, . . . , y,

2 1 1
2 1 1
3 3 0
0
3 4
1
3
. Trasponiendo esta ltima matriz y dividindola por |A| = 3
finalmente, que cof A =
3 1
1
0
3 3 3 3
se obtiene A1 .
>
# Comencemos activando el package de lgebra lineal e introduciendo

# la matriz A:
>
with(LinearAlgebra):A:=< <1,2,1,2>|<1,1,2,2>|<2,2,1,1>|<1,1,2,1> >:

# La forma ms directa de resolver este problema con Maple es
# utilizando los comandos Determinant e MatrixInverse, que calculan,
# respectivamente, el determinante y la inversa de una matriz.
>
>
Determinant(A);
56
>
# Ahora ya sabemos que A es inversible y podemos hacer
>
MatrixInverse(A);
1
1
1
1
4
3
1
3
1
3
1
3
0
1
0
1
>
# El comando Adjoint calcula la matriz de cofactores o matriz

# adjunta de una matriz:
>
Adjoint(A);
3
3
3
3
3
4
1
3
0
1
1
3
0
3
0
3
>
# Si slo nos interesa, por ejemplo, el cofactor del elemento

# de A situado en la segunda fila, tercera columna, podemos hacer:
>
Adjoint(A)[2,3];
>
# El comando Transpose calcula la matriz traspuesta de otra,

# de manera que, en particular, el siguiente comando tambin da como
# resultado la inversa de A
>
Transpose(Adjoint(A))/Determinant(A):
# Si deseamos calcular la inversa de A realizando oefs
# con Maple, debe recordarse que el comando RowOperation(M,[i,j]) intercambia
# las filas i y j de la matriz M, el comando RowOperation(M,i,a) multiplica
# la fila i de M por el escalar a, y el comando RowOperation(M,[i,j],a) suma
# a la fila i la fila j multiplicada por el escalar a. A continuacin se
# introduce la matriz ampliada B y se realizan las primeras oefs para
# calcular la inversa de A por el mtodo de Gauss:
B:=< <1,2,1,2>|<1,1,2,2>|<2,2,1,1>|<1,1,2,1>|<1,0,0,0>|<0,1,0,0>|
<0,0,1,0>|<0,0,0,1> >;
>
>
1
2
B :=
1
2
>
2
2
1
1
1
1
2
1
1
0
0
0
C:=RowOperation(B,[2,1],-2);
1
0
C :=
1
2
>
1
1
2
2
1
1
2
2
2
2
1
1
1
1
2
1
RowOperation(C,[3,1],-1);
1
0
0
2
1
1
1
2
2
2
1
1
1
1
1
1
0
1
0
0
0
0
1
0
0
0
0
1
1 0 0 0
2 1 0 0
0 0 1 0
0 0 0 1
1 0 0 0
2 1 0 0
1 0 1 0
0 0 0 1
>
# Finalmente, el comando ReducedRowEchelonForm calcula la merf de una matriz.

# Por ejemplo,
>
ReducedRowEchelonForm(B);
57
1
0
0
0
0 0 0
1 0 0
0 1 0
0 0 1
1
1
1
1
4
3
1
3
1
3
1
3
0
1
0
1
PR 1.2. Obtener, utilizando Maple como auxiliar en los clculos, bases de los sevs F R3 [x], G MC (2 2)
presentados en el Ejemplo 26
Resolucin
Recordemos que
F =
Z
p R3 [x] | p(0) = 2p(1), p0 (1) = 0,
p=0 .
Sea C la base cannica de R3 [x] y consideremos un polinomio p R3 [x]. Entonces existen a0 , a1 , a2 , a3 R

R
a1
tales que, x R, p(x) = a0 + a1 x + a2 x2 + a3 x3 . Por tanto, p0 (x) = a1 + 2a2 x + 3a3 x2 y p = a0 x + x2 +
2
R1
a2 3 a3 4
x + x , con lo que las condiciones p(0) = 2p(1), p0 (1) = 0 y 0 p = 0 son equivalentes a las condiciones
3
4
a1 a2 a3
a0 = 2(a0 + a1 + a2 + a3 ), a1 + 2a2 + 3a3 = 0 y a0 +
+
+
= 0, respectivamente. As pues, tenemos
2
3
4
que
a0 + 2(a1 + a2 + a3 ) = 0
a
+
2a
+
3a
=
0
1
2
3
F = p R3 [x] | (p)C = (a0 , a1 , a2 , a3 ) y
.
12a0 + 6a1 + 4a2 + 3a3 = 0
>
# Para resolver el sistema podemos hacer:
>
with(LinearAlgebra):A:=< <1|2|2|2>,<0|1|2|3>,<12|6|4|3> >:
>
ReducedRowEchelonForm(A);
1 0
0 1
0 0
1
0
8
0 98
33
1 16
Por tanto, tenemos que F = h2 + 18x 33x2 + 16x3 iR .

Por otra parte,
G = {A MC (2 2) | A = iAT }.
a11 a12
Si llamamos B a la base cannica de MC (2 2) y A =
MC (2 2), entonces A G si y
a21 a22
a11 a12
a11 a21
slo si
= i
, o, equivalentemente, (1 i)a11 = 0, a12 ia21 = 0, ia12 a21 =
a21 a22
a12 a22
0, (1 i)a22 = 0. La primera y ltima ecuaciones indican que a11 = a22 = 0.
>
# Recordando que para Maple la unidad imaginaria es I, el

# sistema formado por las otras dos ecuaciones se resuelve
# haciendo, por ejemplo,
>
with(LinearAlgebra):A:=< <1|-I>,<I|-1> >:
58
>
ReducedRowEchelonForm(A);
Finalmente, resulta que G =
0
0
0
0
1 0
0 1
.
C
PR 1.3. Sean C1 , C2 , C3 tres bases de los Revdfs E1 , E2 , E3 , respectivamente, dimR E1 = 4, dimR E2 =

3, dimR E3 = 5. Consideremos las aplicaciones lineales f : E1 E2 y g : E2 E3 tales que,
[f ]C1 C2
2
= 2
3
7 3
0 2
0 1
8
, [g]C2 C3 =
1
2
3
1
2
2 3
3 2
1 1
2 3
3 1
Sean tambien B1 , B3 dos bases de E1 , E3 , respectivamente, tales que
[id]B1 C1
1 1
1 0
=
1 1
1 1
1
1
1 1
, [id]B3 C3 =
1 1
1 1
1
0
2
3
1
2
1
3
1
2
3
2
2
1
3
1
3
2
3
4
2
4
3
1
0
Calcular, utilizando Maple, [g f ]C1 C3 , [g f ]B1 B3 , una base de Ker(g f ) y una base de Im(g f ).
Resolucin
Sabemos que [g f ]C1 C3 = [g]C2 C3 [f ]C1 C2 y que [g f ]B1 B3 = [id]C3 B3 [g f ]C1 C3 [id]B1 C1 = ([id]B3 C3 )1
[g f ]C1 C3 [id]B1 C1 .
>
# Es necesario recordar que en Maple la operacin

# producto de matrices debe realizarse utilizando el comando ., mientras que
# el smbolo * se reserva para el producto de un escalar por una matriz.
with(LinearAlgebra):fmat:=< <2|-7|3|2>,<-2|0|2|8>,<3|0|1|-2> >:
>
gmat:=< <1|2|3>,<2|3|2>,<3|1|1>,<-1|2|3>,<-2|-3|1> >:
>
id1mat:=< <1|1|1|1>,<1|0|1|-1>,<-1|1|-1|1>,<-1|1|1|-1> >:
>
id3mat:=< <1|2|3|-1|-2>,<0|1|2|3|4>,<2|3|2|2|-3>,<3|1|1|3|1>,<1|2|3|4|0> >:
>
gfmat:=gmat.fmat;
>
gf mat :=
>
7
4
7
3
5
MatrixInverse(id3mat).gfmat.id1mat;
7
14
21
7
14
10
14
12
4
11
12
24
12
8
30
59
315
104
4743
52
4429
104
765
26
1693
52
1519
208
6523
104
5337
208
1193
52
2585
104
757
104
743
52
797
104
11
26
3
52
85
13
252
13
83
13
10
13
12
13
>
# Para el clculo del ncleo y la imagen podemos hacer:
>
ReducedRowEchelonForm(gfmat);
>
1
0
0
0
0
0
1
0
0
0
3
2
5
14
5
2
0
0
1
0
0
0
0
ReducedRowEchelonForm(Transpose(gfmat));
1
0
0
0
0
1
0
0
0
0
1
0
7
6
1
6
5
6
7
4
9
4
1
4
Por tanto, tenemos que Ker(gf ) = hviR y que Im(gf ) = hw1 , w2 , w3 iR , donde (v)C1 = (21, 5, 35, 14),
(w1 )C3 = (24, 0, 0, 28, 42), (w2 )C3 = (0, 24, 0, 7, 54) y (w3 )C3 = (0, 0, 24, 20, 6). Por supuesto, dimR Kerf +
dimR Imf = 1 + 3 = 4 = dimR E1 .
PR 1.4. Comprobar con Maple los clculos realizados sobre el endomorfismo h en el Ejemplo 71.
Resolucin
>
# Introduzcamos la matriz asociada a h en la base W:
>
with(LinearAlgebra):A:=< <0|1|0|0>,<1|1|-1|-1>,<0|-1|0|0>,<0|-1|0|0> >:

# La forma ms sencilla de calcular los vaps y veps de h con
# Maple es mediante los comandos Eigenvalues, que calcula los vaps de
# la matriz asociada a un endomorfismo, y Eigenvectors, que calcula
# una base del subespacio propio asociado a cada uno de los veps:
>
>
Eigenvalues(A);
>
Eigenvectors(A);
1
2
1
2
0
0
+ 12 13
12 13
60
1
2
1
2
0 0
+ 12 13 ,
0 1
12 13
1 0
0
0
1
( 2 + 2 13)( 12 + 12 13)
3
1 1
2 + 2 13
1
1
1
( 2 2 13)( 21 12 13)
3
1 1
2 2 13
1
1
>
#
#
#
#
#
#
#
#
#
>
CharacteristicPolynomial(A,x);
>
# Puesto que para Maple la matriz identidad de orden

# n viene representada por IdentityMatrix(n), tambin podemos
# calcular el polinomio caracterstico de h mediante el comando
>
Determinant(A-x*IdentityMatrix(4));
>
# El comando solve calcula las soluciones de una

# ecuacin, con lo que los vaps pueden obtenerse haciendo
>
solve(-x^3+x^4-3x^2=0,x);
El comando Eigenvalues nos proporciona una matriz de una

columna con la lista de vaps, cada uno de ellos repetido tantas veces
como indica su multiplicidad algebraica, y el comando Eigenvectors nos
da tambin la lista de vaps, esta vez repitiendo cada vap segn su
multiplicidad geomtrica, adems de una matriz que contiene las
coordenadas de vectores que forman una base de cada subespacio propio
(ntese que dichas coordenadas no estn expresadas de forma simplificada).
El comando CharacteristicPolynomial calcula el polinomio caracterstico
de una matriz:
x3 + x4 3x2
x3 + x4 3x2
0, 0,
1 1
1 1
13,
13
+
2 2
2 2
>
# Una forma de obtener les ecuaciones paramtricas

# de, por ejemplo, el subespacio propio asociado al vap
# (1+sqrt(13))/2, consiste en calcular la matriz
>
ReducedRowEchelonForm(A-(1/2+1/2*sqrt(13))*IdentityMatrix(4));
1 0 0
0 1 0
0 0 1
0 0 0
>
>
>
>
1
2
+ 12 13
1
0
# En base a todo lo anterior, si definimos la matriz de

# cambio de base
B:=< <1|1|2|2>,<0|0|1+sqrt(13)|
1-sqrt(13)>,<1|0|-2|-2>,<0|1|-2|-2> >:
# en la que slo hemos multiplicado por -2 los veps
# proporcionados por Maple para los vaps no nulos y hemos simplificado sus
# expresiones, podemos confirmar que
simplify(MatrixInverse(B).A.B);
0 0
0 0
0 0
0 0
0
0
7+13
1+ 13
0
0
0
1 13
2
61
>
1.9.
# El comando simplify es conveniente para que Maple

# simplifique razonablemente las operaciones con fracciones (puede
# comprobarse que (7+sqrt(13))/(1+sqrt(13))=(1+sqrt(13))/2)).
Problemas propuestos
0 i 1
PP 1.1. Sea A = i 1 1 .
2 1 i
3+i
1
3 6i
Solucin: A1 =
10
4 + 3i
Comprobar que A es inversible y obtener su inversa de dos formas distintas.
2 4i
3+i
2 + 4i
2i
4 2i 1 2i
PP 1.2. Si R, considrese el siguiente sistema de 3 ecuaciones lineales con las incgnitas x, y, z :

( 1)x + ( 2)y 3z
= 2( 1)
2(1 )x + ( 2)y + z
= 3( 1)
( 1)x + 2( 2)y + z
= 1
Averiguar para qu valores de el sistema es compatible y hallar todas sus soluciones cuando lo sea.
Solucin: El sistema es compatible si 6= 2. Cuando = 1, es sistema es compatible indeterminado y sus
soluciones son x = 0, y = , z = 0, R, mientras que si 6= 1, 6= 2, entonces el sistema es compatible
1
determinado y su solucin es x = 0, y = 1, z =
.
2
2 1 2 1 2
2 2 1 1 2
PP 1.3. Calcular el determinante de la matriz A =

1 2 2 2 1 .
1 1 1 1 1
2 1 2 1 1
Solucin: |A| = 1.
PP 1.4. Consideremos el Rev MR (3 3) y el conjunto F = {A MR (3 3) | AT = A}. Si A F se dice
que A es una matriz antisimtrica.
(a) Demostrar que F es un sev de MR (3 3).
(b) Encontrar una base B de F y calcular dimR F .

0 0 1
0 0
0 1 0
Solucin: B = 1 0 0 , 0 0 0 , 0 0
0 0 0
1 0 0
0 1
1 y dimR F = 3.
p(1)
PP 1.5. Consideremos la funcin f : R2 [x] MR (23) tal que, p R2 [x], f (p) =
0
0
R1
1
p(1)
0
(a) Demostrar que f es una aplicacin lineal.

(b) Comprobar que Kerf = {0R2 [x] } y obtener una base de Imf.
(c) Si B = {1, 1 + x, 1 x x2 }, demostrar que B es base de R2 [x] y encontrar [f ]BC , donde C representa la
base cannica de MR (2 3).
62
Solucin: Imf =
1 0
0 0

0
0
,
0
0

0 1
0
,
0 0
0
0
1
0
0
, [f ]BC
R
1
0
1
0
2
0
2
0
0
0
2
0
1
0
1
0
4
3
1 2 1
PP 1.6. Si A = 1 1 1 , demostrar que existe una matriz inversible P MR (3 3) tal que P 1 AP =
0 1 0
0
0
0
0 1+ 3
0 y hallar una de las posibles matrices P que satisfacen esa propiedad.
0
0
1 3
1 2 + 3 2 3
Solucin: P = 0 1 + 3 1 3 .
1
1
1
PP 1.7. Demostrar que el producto de dos matrices triangulares superiores es una matriz triangular superior, y que
la inversa de una matriz triangular superior es una matriz triangular superior.
1
(cof A)T . Utilizar la propiedad trece de los determinantes para
|A|
demostrar que i {1, . . . , n} [A B]ii = [B A]ii = 1. Comparar este resultado con la propiedad catorce.
PP 1.8. Sea A una matriz inversible y B =
63
2 Funciones vectoriales de varias variables reales
En la primera parte de este primer captulo (Secciones 2.1 y 2.2) se presentan las nociones bsicas que permiten
definir el concepto de lmite. Estos conceptos son los de producto escalar, norma y distancia. El lmite de una
funcin vectorial en un punto es un concepto fundamental, al igual que en el caso de funciones reales de variable
real, ya que nos permitir definir las derivadas direccionales y la diferenciabilidad. Se presenta asimismo un mtodo
prctico para determinar lmites de funciones. La continuidad de funciones vectoriales de varias variables tambin
se define a partir de un lmite.
En la segunda parte (Secciones 2.3 a 2.6) se definen las derivadas direccionales que en la direccin de los
ejes dan lugar a las derivadas parciales y el concepto de diferenciabilidad, con algunas diferencias destacables
con respecto a las funciones reales de variable real. Finalmente, se presenta el polinomio de Taylor para funciones
de varias variables reales, que permitir obtener aproximaciones locales polinmicas de funciones alrededor de un
punto.
2.1.
Introduccin y primeras definiciones: funciones vectoriales y funciones escalares
2.1.1.
Funciones escalares de varias variables reales
Considrese un sistema masa-resorte. La energa total del sistema viene dada por la expresin
E1 =
1
1
mv 2 + kx2
2
2
donde m representa a la masa, v la velocidad, k la constante del resorte y x su elongacin.

En un circuito RLC, la energa almacenada es
E2 =
1 2 1 2
Cu + Li
2
2
donde C representa la constante del condensador, L la inductancia de la bobina, i la corriente elctrica y u el

voltaje a nivel del condensador.
En ambos caso, E1 y E2 pueden considerarse como funciones de 2 variables: (v, x) en el primer caso y (u, i)
en el segundo caso. De forma ms precisa, se puede escribir
Ej : R R R
donde j = 1, 2.
Ms generalmente se pueden definir funciones escalares de varias variables reales, es decir, definidas de Rn
R, y funciones vectoriales de varias variables reales de Rn Rm .
2.2.
Topologa, lmites y continuidad
Para definir los conceptos de lmite y establecer la continuidad de funciones de varias variables, es necesario
establecer algunas nociones acerca de la topologa del espacio Rn , como son el producto escalar, norma y distancia.
64
De esta manera, podremos hablar de Rn como espacio eucldeo, en el que podremos calcular la distancia entre sus
elementos, que llamaremos vectores.
Definicin 39 (Conjunto Rn ). Se define el conjunto Rn donde n N como
Rn = {x = (x1 , x2 , . . . , xn ) | xi R, i = 1, 2, . . . , n}
Los elementos de Rn se denotan por x para diferenciarlos de x, que generalmente representa un nmero real.
Propiedad 1. El conjunto Rn , junto con las operaciones de suma de vectores + : Rn Rn Rn y producto por
escalar : R Rn Rn definidas como
(i) (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
(ii) (x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn ),
es un espacio vectorial sobre R de dimensin n.

Para poder dotar al espacio Rn de una estructura geomtrica, es necesario introducir los conceptos de producto
escalar, norma y distancia.
Definicin 40 (Producto escalar). Un producto escalar en Rn es una aplicacin
h, i : Rn Rn R
(x, y) hx, yi
que a cada par de vectores (x, y) Rn Rn les asocia un nmero real hx, yi R. Adems, esta aplicacin ha de
satisfacer las siguientes propiedades:
(i) hx, xi = 0 x = 0
(ii) hx, yi = hy, xi (simetra del producto escalar)
(iii) h x, yi = hx, yi, R
(iv) hx + y, zi = hx, zi + hy, zi
Ejemplo 72. Un primer ejemplo de producto escalar es el que corresponde a la aplicacin
hx, yi =
n
X
xi yi
i=1
Puede comprobarse fcilmente que esta aplicacin es, en efecto, un producto escalar.
Pn
Pn
(i) hx, xi = 0 i=1 xi xi = 0 i=1 x2i = 0 x2i = 0, i x = 0
Pn
Pn
(ii) hx, yi = i=1 xi yi = i=1 yi xi = hy, xi
Pn
Pn
Pn
(iii) h x, yi = i=1 (xi )yi = i=1 xi yi = i=1 xi yi = hx, yi, R
Pn
Pn
Pn
Pn
(iv) hx + y, zi = i=1 (xi + yi )zi = i=1 (xi zi + yi zi ) = i=1 xi zi + i=1 yi zi = hx, zi + hy, zi
Definicin 41 (Norma). Una norma en Rn es una aplicacin
k k : Rn R+
x kxk
que a cada vector x Rn le asocia un nmero real no negativo kxk R+ . Adems, esta aplicacin ha de satisfacer
las siguientes propiedades:
65
(i) kxk = 0 x = 0
(ii) k xk = || kxk, R
(iii) kx + yk kxk + kyk (desigualdad triangular)
Definicin 42 (Norma eucldea). Se define la norma eucldea (o norma 2) de x Rn como
q
kxk2 = x21 + x22 + + x2n
La norma eucldea de un vector x Rn no es ms que la longitud del segmento que une el origen de coordenadas
(0) de Rn con el punto x = (x1 , x2 , . . . , xn ).
Ejemplo 73. Veamos la norma eucldea de algunos vectores:
(i) k(3, 4)k2 = 32 + 42 = 25 = 5

p
(ii) k(2, 1, 3)k2 = 22 + (1)2 + 32 = 14

Nota 1. Pueden definirse muchas otras normas. Entre ellas, las ms conocidas son la norma 1 y la norma infinito,
definidas como
kxk1 =
n
X
|xi |
i=1
kxk = max |xi |

i=1,...,n
Nota 2. De forma ms general, dado un producto escalar cualquiera, se puede definir una norma como sigue:
p
kxk = hx, xi
Definicin 43 (Distancia). Una distancia en Rn es una aplicacin
d : Rn Rn R+
(x, y) d(x, y)
que a cada par de vectores (x, y) Rn les asocia un nmero real no negativo d(x, y) R+ . Adems, esta
aplicacin ha de satisfacer las siguientes propiedades:
(i) d(x, y) = 0 x = y
(ii) d(x, y) = d(y, x) (simetra de la distancia)
(iii) d(x, z) d(x, y) + d(y, z) (desigualdad triangular)
Definicin 44 (Distancia eucldea). Se define la distancia eucldea d2 (x, y) entre los vectores x, y Rn , como
p
d2 (x, y) = (x1 y1 )2 + + (xn yn )2
La distancia eucldea de entre dos vectores x e y no es ms que la norma eucldea (o longitud) kx yk2 del vector
diferencia x y.
Ejemplo 74. Veamos la distancia eucldea entre algunos pares de vectores:
p
(i) d2 ((2, 1), (4, 2)) = (2 4)2 + (1 2)2 = 4 + 1 = 5
66
(ii) d2 ((1, 1, 4), (2, 1, 3)) =
(1 2)2 + (1 (1))2 + (4 3)2 = 9 + 4 + 1 = 14
Nota 3. De forma ms general, dada una norma cualquiera, se puede definir una distancia como sigue:
d(x, y) = kx yk.
De esta manera, a parte de la distancia eucldea, se podra considerar la distancia 1 y la distancia infinito.
Definicin 45 (Espacio mtrico). Al par (Rn , d) se le llama espacio mtrico. De forma ms precisa, si la distancia
utilizada es la distancia eucldea, al par (Rn , d2 ) se le llama espacio eucldeo de dimensin n.
2.2.1.
Entornos
Definicin 46 (Bola). Sea (Rn , d) un espacio mtrico. Dado un vector x Rn y un nmero real r > 0, se define
la bola abierta de centro x y radio r al conjunto
B(x, r) = {y Rn | d(x, y) < r}
De la misma manera, se define la bola cerrada de centro x y radio r al conjunto
B(x, r) = {y Rn | d(x, y) r}
Figura 2.1. Bola abierta de centro x y radio r (izquierda) y bola cerrada de centro x y radio r (derecha)
Ejemplo 75. Si consideramos la distancia eucldea d2 , las bolas abiertas en los espacios de 1, 2 y 3 dimensiones
son:
(i) En (R, d2 ), la bola abierta de centro x = x1 y radio r es el intervalo real B(x, r) = (x1 r, x1 + r).
(ii) En (R2 , d2 ), la bola abierta de centro x = (x1 , x2 ) y radio r es un disco centrado en el punto x = (x1 , x2 )
y de radio r:
p
B(x, r) = {(y1 , y2 ) | (x1 y1 )2 + (x2 y2 ) < r}
(iii) En (R3 , d2 ), la bola abierta de centro x = (x1 , x2 , x3 ) y radio r es una esfera centrada en el punto x y de
radio r:
p
B(x, r) = {(y1 , y2 , y3 ) | (x1 y1 )2 + (x2 y2 )2 + (x3 y3 )2 < r}
Definicin 47 (Entorno). Un entorno de un punto x es un conjunto que contiene una bola abierta centrada en x.
Definicin 48 (Conjunto abierto). Un conjunto es abierto si es un entorno de cada uno de sus elementos.
67
2.2.2.
Lmite de funciones vectoriales
Definicin 49 (Lmite). Sea f : A Rn B R una funcin real de varias variables reales. Se supone que la
funcin f est definida en una bola B(x0 , r) para algn r > 0, excepto posiblemente en x0 .
Se dice que f (x) tiende a L cuando x tiende a x0 si para cualquier > 0, existe un nmero real > 0 de tal
manera que, si x B(x0 , ), entonces se cumple que f (x) B(L, ).
Una definicin alternativa en trminos de distancias dira que: f (x) tiende a L cuando x tiende a x0 si para
cualquier > 0, existe un nmero real > 0, de tal manera que si d(x, x0 ) < , entonces se cumple que
d(f (x), L) < .
Y una ltima definicin en trminos de normas: f (x) tiende a L cuando x tiende a x0 si para cualquier > 0,
existe un nmero real > 0, de tal manera que si kx x0 k < , entonces se cumple que kf (x) Lk < .
En cualquier caso, si el lmite existe se nota:
lm f (x) = L
xx0
Nota 4. La definicin anterior implica que la eleccin del nmero real que satisface la condicin de lmite
depende de .
Nota 5. El lmite de f (x) cuando x tiende a x0 es L si cuando x toma valores cercanos a x0 , entonces las imgenes
de x a travs de f sern tambin cercanas a L.
Aunque dicha definicin puede ser complicada, permitir calcular algunos lmites.
Ejemplo 76. Se quiere ver que el lmite de la funcin f (x, y) = x2 + y 2 , cuando x = (x, y) tiende a x0 = (0, 0),
es L = 0.
Dado un > 0 cualquiera, hay que encontrar un nmero real positivo (que depender de ), tal que si
kx x0 k2 < , esto implique que kf (x) Lk2 < .
Se empieza por la segunda desigualdad, y se intentan relacionar. En efecto,
kf (x) Lk2 = |x2 + y 2 0| = x2 + y 2
p
kx x0 k2 = k(x, y) (0, 0)k2 = k(x, y)k2 = x2 + y 2 <
Si se elige un valor de = , se satisface la condicin de lmite, ya que si kx x0 k2 < = , esto implica

que kf (x) Lk2 < 2 = . Por lo tanto,
lm
(x,y)(0,0)
x2 + y 2 = 0
Ejemplo 77. Se quiere ver visualmente la existencia del lmite de la funcin f (x, y) = 1 + 1+x32 +y2 cuando
x = (x, y) tiende a x0 = (0, 0). En efecto, observando la figura 2.2 se puede intuir que las trayectorias acaban
confluyendo en el mismo punto, que es el lmite.
Propiedad 2 (Unicidad del lmite). El lmite de una funcin en un punto, si existe, es nico.
Demostracin. Se supone que una funcin tiene dos lmites, es decir, existen dos valores L1 6= L2 tal que
lm f (x) = L1 ,
xx0
lm f (x) = L2
xx0
Dado un > 0, esto implica la existencia de dos nmeros reales 1 , 2 > 0 tal que
kx x0 k < 1 kf (x) L1 k <
kx x0 k < 2 kf (x) L2 k <
68
Figura 2.2. Representacin grfica de la funcin f (x, y) = 1 +
3
1+x2 +y 2
Si se considera ahora = mn{1 , 2 }, tenemos que si kx x0 k < , entonces

kf (x) L1 k <
kf (x) L2 k <
De estas dos ltimas desigualdades se puede concluir que

kL1 L2 k kL1 f (x)k + kf (x) L2 k = 2
lo que implica que los dos lmites son iguales, contradiciendo la hiptesis inicial.
Nota 6. Cuando se calcula el lmite de una funcin real de variable real, se consideran las dos nicas direcciones
posibles para acercarse al punto (por la izquierda y por la derecha). En el caso, por ejemplo, de considerar una
funcin real de dos variables reales, existen infinitas maneras de aproximarse a un punto. Si el valor al cual se
tiende no es el mismo en todos los caminos, entonces el lmite no puede existir.
Ejemplo 78. El objetivo es demostrar analticamente que
lm
(x,y)(0,0)
xy
x2 + y 2
no existe.
Para ello, se aproxima al origen de coordenada por dos caminos distintos: por el eje de abcisas (recta y = 0) y
por la recta y = x. En el primer caso,
xy
0
lm
= lm 2 = lm 0 = 0
2 + y2
x0 x
x0
x
(x, y) (0, 0)
y=0
En el segundo caso,
x2
x2
1
1
xy
= lm 2
= lm 2 = lm =
lm
2
2
2
x0 x + x
x0 2x
x0 2
x
+
y
2
(x, y) (0, 0)
y=x
Como el valor del lmite no es el mismo por todos los caminos, se deduce que el lmite no existe.
69
2.2.3.
Mtodo prctico para determinar lmites de funciones
Sea f : A R2 B R una funcin real de dos variables reales. Se supone tambin que f est definida en
un disco D centrado en 0 = (0, 0), excepto posiblemente en 0.
Objetivo: saber si existe o no lm f (x).
x0
Algoritmo. Se considera la trayectoria recta y = mx, m R. Se define g(x) = f (x, mx) y se calcula
lm g(x). Hay 3 casos:
x0
(a) lm g(x) no existe para algn m. Entonces, lm f (x) no existe.

x0
x0
(b) lm g(x) existe para todos los m, pero depende de m. Entonces, lm f (x) no existe.
x0
x0
(c) Para todos los valores de m, lm g(x) existe y tiene el mismo valor L. En este caso, no se sabe con certeza
x0
si existe lm f (x), pero si existe tiene que ser igual a L. En este caso hay dos posibilidades:
x0
(i) Se puede hallar una funcin y = h(x) con h(x) 0 si x 0, y definir k(x) = f (x, h(x)). Si
lm k(x) no existe, entonces lm f (x) no existe. Si lm k(x) 6= L, entonces lm f (x) no existe.
x0
x0
x0
x0
(ii) Se puede hallar una funcin l(x) definida en D {0} que verifique
|f (x) L| l(x), x D {0}
lm l(x) = 0
x0
Entonces lm f (x) existe, y es igual a L.

x0
Ejemplo 79. Si se retoma el ejemplo 78, ya se ha visto que el lmite no exista. Se comprueba esto mediante el
algoritmo anterior. Para ello, se considera la trayectoria recta y = mx, m R y se define la funcin
g(x) = f (x, mx) =
Entonces lm g(x) =
x0
m
1+m2
xy
x(mx)
mx2
m
=
=
=
x2 + y 2
x2 + (mx)2
(1 + m2 )x2
1 + m2
depende de m, lo que implica que
Ejemplo 80. Se estudia la existencia de
lm
(x,y)(0,0)
lm g(x) = lm
x0
lm
(x,y)(0,0)
f (x, y) no existe.
f (x, y), con f (x, y) =
Se define en primer lugar la funcin g(x) = f (x, mx) =
No se sabe si
lm
(x,y)(0,0)
x0
x3
x2 +(mx)2
x3
x2 +y 2 .
x
1+m2 ,
x 6= 0. Entonces,
x
=0
1 + m2
f (x, y) existe, pero si existe, es igual a L = 0.
Se busca ahora una funcin l(x, y) que sirva de cota superior de la expresin |f (x, y) L|. Se sabe que
x2 x2 + y 2
x2
x2
1, (x, y) 6= (0, 0)
+ y2
Entonces,
|f (x, y) L| = x
Dado que
lm
(x,y)(0,0)
x2
x2
|x| = l(x, y)
= |x| 2
2
2
x +y
x + y2
l(x, y) = 0, entonces puede afirmar que
lm
(x,y)(0,0)
f (x, y) = 0.
70
Ejemplo 81. Se estudia la existencia de
lm
(x,y)(0,0)
f (x, y), con f (x, y) =
Se define en primer lugar la funcin g(x) = f (x, mx) =
x3
mx
x2
m,
x3
y ,
y 6= 0 y f (x, y) = 0 para y = 0.
x, m 6= 0. Entonces,
x2
=0
x0 m
lm g(x) = lm
x0
No se sabe si
lm
(x,y)(0,0)
f (x, y) existe, pero si existe, es igual a L = 0.
Se escoge ahora y = h(x) = x3 . Entonces k(x) = f (x, h(x)) =
x3
x3
= 1, x 6= 0. Por lo tanto,
lm k(x) = lm 1 = 1 6= L
x0
lo que implica que
lm
(x,y)(0,0)
x0
f (x, y) no existe.
Nota 7. Si el punto x0 = (x0 , y0 ) al cual se tiende al hacer el lmite no es el origen de coordenadas 0 = (0, 0), se
puede hacer un cambio de coordenadas x
= x x0 , y = y y0 de tal manera que
lm
(x,y)(x0 ,y0 )
f (x, y) =
lm
(
x,
y )(0,0)
f (
x + x0 , y + y0 ) =
lm
(
x,
y )(0,0)
f(
x, y)
y se aplican las mismas estrategias que en los casos anteriores.

Teorema 11 (lgebra de lmites). Sean f, g : A Rn R dos funciones reales de varias variables reales. Se
supone que existen los lmites
lm f (x) y
xx0
lm g(x)
xx0
entonces
(i) lm (f g)(x) existe y vale
xx0
lm f (x) lm g(x)
xx0
xx0
(ii) lm (f g)(x) existe y vale

xx0
lm f (x) lm g(x)
xx0
xx0
(iii) Si adems lm g(x) 6= 0, entonces lm (f /g)(x) existe y vale

xx0
xx0
lm f (x)
xx0
lm g(x)
xx0
2.2.4.
Continuidad de funciones de varias variables
Definicin 50 (Continuidad). Sea f : A Rn B R una funcin real de varias variables reales. Se supone
que la funcin est definida en una bola B(x0 , r) centrada en x0 . Se dice que f (x) es continua en x0 si
lm f (x) = f (x0 )
xx0
Si f no es continua en x0 , se dice que f es discontinua en x0 . Se dice tambin que f es continua en A Rn

si f es continua en todos los puntos de A.
71
Nota 8. La definicin anterior es equivalente a la siguiente: Diremos que f (x) es continua en x0 si

> 0
() > 0 tal que kx x0 k < = |f (x) f (x0 )| <
Ejemplo 82. Se considera la funcin f : R2 R, f (x, y) = x2 + y 3 . Esta funcin es continua en el punto

(x0 , y0 ) = (0, 0), ya que
lm
(x,y)(x0 ,y0 )
f (x, y) = 0 = f (0, 0)
Ejemplo 83. Consideremos la funcin f : R2 R, f (x, y) =

no es continua en el punto (x0 , y0 ) = (0, 0) ya que
lm
(x,y)(x0 ,y0 )
x3
x2 +y 2 ,
(x, y) 6= (0, 0) y f (0, 0) = 1. Esta funcin
f (x, y) = 0 6= f (0, 0)
Teorema 12 (Continuidad de combinaciones de funciones). Sean f, g : Rn R dos funciones reales de varias

variables reales. Si f y g son continuas en x0 Rn , entonces las siguientes funciones tambin son continuas en
x0 :
(i) (f g)(x) = f (x) g(x)
(ii) (f g)(x) = f (x) g(x)
(iii) (f /g)(x) = f (x)/g(x), siempre que g(x0 ) 6= 0.
Teorema 13 (Continuidad de la compuesta). Sea f : Rn R una funcin real de varias variables reales continua
en x0 . Sea tambin h : R R una funcin continua en f (x0 ). Entonces, la funcin compuesta h f : Rn R
es continua en x0 .
2.2.5.
Funciones vectoriales de varias variables reales
Definicin 51 (Funcin vectorial). Una funcin vectorial de varias variables reales, f : A Rn Rm , es una
aplicacin que a cada vector de A Rn le asocia un nico vector de Rm .
Nota 9. Una funcin f : A Rn Rm puede verse como un vector de m funciones, es decir,
f : Rn Rm
(x1 , . . . , xn ) (f1 (x1 , . . . , xn ), . . . , fm (x1 , . . . , xn ))
donde f1 , . . . , fm : A Rn R son funciones reales de varias variables reales.
Nota 10. El espacio de todas las funciones de Rn a Rm (notado generalmente como F(Rn , Rm )) tiene una
estructura de espacio vectorial sobre R. Esto significa que dadas dos funciones f, g : Rn Rm , entonces:
(i) f g es una funcin vectorial de varias variables reales;
(ii) f es una funcin vectorial de varias variables reales, para cualquier R.
Ejemplo 84. f : R3 R2 , f (x, y, z) = (x2 + y 3 , z y) es una funcin vectorial de varias variables reales. En
particular, se puede considerar
f (x, y, z) = (x2 + y 3 , z y) = (f1 (x, y, z), f2 (x, y, z))
donde
f1 : R3 R, f1 (x, y, z) = x2 + y 3
f2 : R3 R, f2 (x, y, z) = z y
son funciones escalares (reales) de varias variables reales.
72
Los conceptos de lmite y continuidad para funciones vectoriales de varias variables son una extensin inmediata del caso de funciones escalares de varias variables. Se sustituye B R por B Rm , m N en la definicin
49 de los lmites y en la definicin 50 de la continuidad.
Teorema 14 (Lmites de funciones vectoriales). Sea
f : A Rn B Rm
(x1 , . . . , xn ) (f1 (x1 , . . . , xn ), . . . , fm (x1 , . . . , xn ))
una funcin vectorial de varias variables reales, donde fi : A Rn R, i = 1, . . . , m son funciones reales de
varias variables reales.
Se supone que para algn punto x0 A, las funciones fi , i = 1, . . . , m estn definidas en una bola abierta
centrada en x0 , excepto posiblemente en x0 . Entonces
lm f1 (x) = l1 R
xx0
lm f2 (x) = l2 R
xx0
..
.
lm fm (x) = lm R
xx0
equivale a
lm f (x) = (l1 , l2 , . . . , lm ) Rm
xx0
Ejemplo 85. Sea f : R3 R2 , f (x, y, z) = (x2 + y 3 , z y) = (f1 (x, y, z), f2 (x, y, z)) una funcin vectorial
de varias variables reales, donde
f1 : R3 R, f1 (x, y, z) = x2 + y 3
f2 : R3 R, f2 (x, y, z) = z y
Sea x0 = (1, 3, 0). Entonces
lm f1 (x) = 26
xx0
lm f2 (x) = 3
xx0
con lo que
lm f (x) = (26, 3)
xx0
2.3.
Derivadas parciales, diferencial total y matriz jacobiana
Definicin 52 (Vector unitario). Se dice que v Rn es un vector unitario si kvk = 1.

Definicin 53 (Derivada direccional). Sea v un vector unitario de Rn y sea f : A Rn R una funcin real
de varias variables reales. Se define la derivada direccional de f en el punto x0 y en la direccin del vector v,
Dv f (x0 ), como
f (x0 + tv) f (x0 )
t0
t
Dv f (x0 ) = lm
73
Figura 2.3. Interpretacin grfica de la derivada direccional de una funcin en el punto a y en la direccin del
vector u
Ejemplo 86. Se considera la funcin f (x, y) = x2 + y 2 , el punto x0 = (1, 1) y el vector v = (1, 0) (unitario
segn la norma eucldea). Entonces
f ((1, 1) + t(1, 0)) f (1, 1)
f (1 + t, 1) f (1, 1)
= lm
t0
t
t
(1 + t)2 + 12 (12 + 12 )
12 + t2 + 2t + 12 12 12
= lm
= lm
t0
t0
t
t
t(t + 2)
= lm
= lm t + 2 = 2
t0
t0
t
Son de especial inters las derivadas direccionales en la direcciones dadas por los ejes de coordenadas. Es decir,
en las direcciones dadas por los vectores del tipo
Dv f (x0 ) = lm
t0
ei = (0, . . . , 0, |{z}
1 , 0, . . . , 0)
i
Definicin 54 (Derivada parcial). Las derivadas direccionales en las direcciones dadas por los vectores de la base
cannica {ei } se llaman derivadas parciales y se denotan como
Dei f (x0 ) = Di f (x0 ) =
f
f (x0 + tei ) f (x0 )
(x0 ) = lm
t0
xi
t
Definicin 55. Dada una funcin f : A Rn R, la funcin

f
: Rn R
xi
f
x0
(x0 )
xi
se denomina derivada parcial i-sima.
Nota 11. Utilizando la definicin de derivada direccional, las derivadas parciales vienen dadas por
f
f (x0 + tei ) f (x0 )
(x0 ) = lm
t0
xi
t
f (x1 , . . . , xi1 , xi + t, xi+1 , . . . , xn ) f (x1 , . . . , xi1 , xi , xi+1 , . . . , xn )
= lm
t0
t
74
Esto indica que para calcular la derivada parcial i-sima se considera la derivada respecto a la variable xi y se
considera el resto de variables como constantes.
Ejemplo 87. Se considera la funcin f : R2 R, f (x, y) = 5x x2 y 2 + 3xy 3 . Se tiene entonces que
f
(x, y) = 5 2xy 2 + 3y 3
x
f
(x, y) = 2x2 y + 9xy 2
y
Nota 12. Si f : Rn Rm , m > 1 es una funcin vectorial de varias variables reales, calcular la derivada parcial
de f respecto de la variable k-sima, xk , es equivalente a calcular la derivada parcial k-sima de cada componente
de f y expresarlo como un vector:
(x1 , . . . , xn ) =
xk
f1
xk (x1 , . . . , xn )
..
.
fm
xk (x1 , . . . , xn )
Ejemplo 88. Se considera la funcion f : R2 R3 , f (x, y) = 6xy, 7x2 8y 2 , xy . La derivada parcial de f

respecto de x en un punto (x, y) es
6y
f
(x, y) = 14x
x
1
y
De forma similar, la derivada parcial de f respecto de y en el punto (x, y) es
6x
f
(x, y) = 16y
y
yx2
Definicin 56 (Gradiente). Dada una funcin f : Rn R, se define el vector gradiente f (x1 , . . . , xn ) Rn de
f en el punto (x1 , . . . , xn ) como
f (x1 , . . . , xn ) =
f
f
(x1 , . . . , xn ), . . . ,
(x1 , . . . , xn )
x1
xn
Propiedad 3. Dada una funcin f : Rn R, si f 6= 0, se cumple:

(i) El vector gradiente de f , f (x), es perpendicular a las curvas de nivel de f 1 .
(ii) El vector gradiente de f , f (x), apunta en la direccin de mximo crecimiento de la funcin f .
(iii) El vector gradiente de f , f (x), puede ser utilizado para calcular las derivadas direccionales de f , a travs
de la frmula
Dv f (x) = f (x) v = hf (x), vi
1 Una
curva de nivel es un conjunto en que la funcin f tiene un valor constante.
75
2
2
2
Ejemplo
89. Se considera la funcin f : R R, f (x, y) = x + y , el punto x0 = (1, 1) y el vector
v = 12 , 12 . Se quiere calcular la derivada direccional de f en el punto x0 y en la direccin del vector v.
Para ello se utiliza la frmula
Dv f (x0 ) = hf (x0 ), vi
El gradiente de f en el punto x0 es:
f
(x0 ) = 2x|(1,1) = 2
x
f
(x0 ) = 2y|(1,1) = 2
y
= f (x0 ) = (2, 2)
Entonces,
Dv f (x0 ) = hf (x0 ), vi =
2.4.
(2, 2),
1
1
,
2
2
1
1
= 2 2 = 0
2
2
Funciones diferenciables
En esta seccin se empieza viendo que, para funciones reales de varias variables reales, las derivadas direccionales no son una extensin satisfactoria de la derivada de funciones reales de variable real. En efecto, se recuerda
el siguiente teorema:
Teorema 15 (Diferenciabilidad implica continuidad). Sea f : R R una funcin real de variable real . Si f es
derivable en x0 R, entonces f es continua en x0 .
El siguiente ejemplo demostrar que la existencia de las derivadas direccionales en todas las direcciones no
garantiza la continuidad de la funcin.
Ejemplo 90. Se considera la funcin f : R2 R,
(
f (x, y) =
xy 2
x2 +y 4 ,
0,
x 6= 0
x=0
Se demuestra en primer lugar que existe la derivada direccional de f en el punto (0, 0) para cualquier direccin.
Dado v = (v1 , v2 ) R2 , kvk = 1, se tiene que
Dv f (0, 0) = lm
h0
f ((0, 0) + h(v1 , v2 )) f (0, 0)

f (hv1 , hv2 )
= lm
h0
h
h
Se tienen que discutir dos casos: (1) v1 = 0 y (2) v1 6= 0. En el primer caso, f (hv1 , hv2 ) = f (0, hv2 ) = 0, con lo
cual Dv f (0, 0) = 0. En el segundo caso se tiene
Dv f (0, 0) = lm
h3 v1 v22
h2 v12 +h4 v24
h0
= lm
2
h0 v1
v1 v22
v2
= 2
4
2
v1
+ h v2
De este modo se deduce que existe la derivada direccional de f en el origen de coordenadas para cualquier vector
unitario de R2 . No obstante, se ver ahora que la funcin no es continua en este punto.
Se recuerda que f es continua en el origen si, y slo si,
lm
(x,y)(0,0)
f (x, y) = f (0, 0)
76
Se sabe que f (0, 0) = 0. No obstante, se tiene

y4
1
1
lm f (y 2 , y) = lm 4
= lm =
y0 y + y 4
y0 2
2
y0
2
x=y
Por lo tanto, si
lm
(x,y)(0,0)
f (x, y) existe, tiene que ser igual a 1/2. Por lo tanto, la funcin no es continua en el
origen.
Como se acaba de ver, las derivadas direccionales no son una extensin satisfactoria de la derivada de funciones
de una variable al caso de varias variables. A continuacin se presenta una generalizacin que s implicar la
continuidad.
Una funcin real de variable real es derivable en x si existe el siguiente lmite:
lm
h0
f (x + h) f (x)
= f 0 (x)
h
o de forma equivalente
f (x + h) f (x) f 0 (x)h
=0
h0
h
lm
Definicin 57 (Diferenciabilidad de una funcin vectorial). Sea f : A Rn Rm una funcin vectorial de

varias variables reales. Se dice que f es diferenciable en el punto x si existe una aplicacin df llamada diferencial
de f
df : Rn Rn R
(x, h) df (x, h)
lineal en h tal que
lm
khk0
kf (x + h) f (x) df (x, h)k

=0
khk
Propiedad 4. Sea f : A Rn Rm una funcin vectorial de varias variables reales. f es diferenciable en x si,
y slo si, cada componente f1 , . . . , fm de f es diferenciable en x.
Propiedad 5 (Matriz jacobiana y jacobiano). Si f : A Rn Rm es diferenciable en x, entonces la aplicacin
diferencial df existe y viene dada por la matriz jacobiana
f 0 (x) =
f1
x1 (x)
..
.
fm
x1 (x)
..
.
f1
xn (x)
..
.
fm
xn (x)
de tal manera que

df (x, h) = f 0 (x) h
Si n = m, el determinante de la matriz f 0 (x) se llama jacobiano y se nota Jf (x).
Propiedad 6. Si f : A Rn Rm es diferenciable en x A, entonces f es continua en x.
Nota 13. Hay que tener en cuenta que:
77
(i) Una funcin diferenciable en un punto implica que es continua en ese punto.
(ii) La existencia de derivadas direccionales en un punto no implica la continuidad en ese punto.
(iii) La existencia de derivadas direccionales en un punto no implica la diferenciabilidad en ese punto.
(iv) La existencia de derivadas parciales en un punto no implica la diferenciabilidad en ese punto.
(v) Una funcin diferenciable en un punto implica la existencia de derivadas direccionales y parciales en ese
punto.
Se considera ahora, por ejemplo, una funcin con derivadas parciales en un punto, pero que no es diferenciable.
Ejemplo 91. Se considera la funcin f : R2 R,
1, x, y > 0
f (x, y) =
0, x 0 o y 0
Se ver que las derivadas parciales en el origen existen, pero que f no es diferenciable en este punto.
f ((0, 0) + h(1, 0)) f (0, 0)
f (h, 0) f (0, 0)
00
f
(0, 0) = lm
= lm
= lm
=0
h0
h0
h0
x
h
h
h
f
f ((0, 0) + h(0, 1)) f (0, 0)
f (0, h) f (0, 0)
00
(0, 0) = lm
= lm
= lm
=0
h0
h0
h0
y
h
h
h
Ahora bien,
f (x, y) = lm+ f (x, x) = lm+ 1 = 1
lm
x0
x0
(x, y) (0, 0)
y = x, x > 0
Esto significa que si
lm
(x,y)(0,0)
f (x, y) existe, tiene que ser 1. No obstante, f (0, 0) = 0. Esto implica que la
funcin no es continua en el origen y, por lo tanto, que la funcin no es diferenciable.

Teorema 16 (Relacin entre diferenciabilidad y derivadas parciales). Sea f : A Rn Rm una funcin
vectorial de varias variables reales. Si f tiene derivadas parciales continuas en un punto x0 A, entonces f es
diferenciable en x0 .
Ejemplo 92. Se considera la funcin f : R2 R, f (x, y) = x2 y + xy 3 . Se estudia la diferenciabilidad de esta
funcin en todo (x, y) R2 .
Si se calculan las derivadas parciales,
f
(x, y) = 2xy + y 3 ,
x
f
(x, y) = x2 + 3xy 2
y
se puede observar que son funciones continuas en todo punto (x, y) R2 (al ser funciones polinmicas). Entonces
se puede concluir que f es diferenciable en (x, y) R2 .
Nota 14. Hay que tener en cuenta que:
(i) Una funcin con derivadas parciales continuas implica que es diferenciable.
(ii) Una funcin con derivadas parciales no continuas no implica que la funcin no sea diferenciable.
Teorema 17 (Combinaciones de funciones diferenciables). Sean f, g : A Rn R funciones vectoriales de
varias variables reales. Si f y g son diferenciables, tambin lo sern las funciones:
(i) f g
(ii) f g
(iii) f /g, siempre que g 6= 0.
78
2.5.
Derivadas de funciones compuestas: regla de la cadena
Teorema 18 (Derivada de la compuesta). Sean f : A Rn Rm y g : B Rm Rp dos funciones vectoriales

de varias variables reales y sea x0 V A, donde V es un entorno de x0 . Se supone que f (x0 ) W B, donde
W es un entorno de f (x0 ) que contiene f (V ). Se supone que f es diferenciable en x0 y que g es diferenciable en
f (x0 ). Entonces, la funcin compuesta
g f : A Rn Rp
tambin es diferenciable en el punto x0 A y
(g f )0 (x0 ) = g 0 (f (x0 )) f 0 (x0 )
Es decir, se tiene que
g1
y1 (f (x0 ))
.
0
..
..
(g f ) (x0 ) =
.
gp
y1 (f (x0 ))
g1
ym (f (x0 ))
..
.
gp
ym (f (x0 ))
f1
x1 (x0 )
..
..
.
.
fm
(x
)
0
x1
f1
xn (x0 )
..
.
fm
(x
)
0
xn
Ejemplo 93. Se consideran las funciones f : R2 R2 , g : R2 R,

f (x, y) = (xy, x y)
g(u, v) = uv + u v
Se quiere calcular la matriz jacobiana (g f )0 (1, 0) de la funcin (g f )(x, y) en el punto (1, 0). Se har de dos
maneras diferentes:
(i) En primer lugar, componiendo ambas funciones y calculando la matriz jacobiana en el punto (1, 0). De esta
manera:
(g f )(x, y) = g(f (x, y)) = g(xy, x y) = xy(x y) + xy (x y)
= x2 y xy 2 + xy x + y
por lo que
(g f )0 (x, y) =
(g f )
(g f )
(x, y),
(x, y) = 2xy y 2 + y 1, x2 2xy + x + 1
x
y
y finalmente
(g f )0 (1, 0) = 2xy y 2 + y 1, x2 2xy + x + 1 (1,0) = (1, 3)

(ii) La segunda opcin es aplicando la regla de la cadena.
y x
y
f 0 (x, y) =
f 0 (1, 0) =
1 1
1
x
1
=
(1,0)
0
1
1
1
g 0 (u, v) = (v + 1, u 1) g 0 (f (1, 0)) = (v + 1, u 1)|f (1,0)=(0,1) = (2, 1)

Por lo tanto, finalmente se tiene que
(g f )0 (1, 0) = (2, 1)
0
1
1
1
= (1, 3)
79
2.5.1.
Derivadas parciales de orden superior
Sea f : A Rn R una funcin real de varias variables reales que tiene una derivada parcial con respecto a
la variable xi en todo punto de A. En este caso, se puede definir la funcin escalar de varias variables reales
f
: A Rn R
xi
Si esta funcin tiene una derivada parcial con respecto a la variable xj en el punto x0 , esta derivada parcial se nota
( 2f
si i 6= j
f
xj xi (x0 )
(x0 ) =
2
f
xj xi
(x0 )
si i = j
x2
i
y se llama derivada parcial de orden 2.

Definicin 58 (Clases C 1 y C 2 ). Sea f : A Rn R una funcin real de varias variables reales. Se dice que
f es de clase C 1 sobre A (y se nota f C 1 (A)) si existen las derivadas parciales en A y son continuas. De esta
manera, si f C 1 (A) entonces es diferenciable en A. Se dice que f es de clase C 2 sobre A (y se nota f C 2 (A))
si existen las derivadas parciales en A de orden 2 y si son continuas.
Teorema 19 (Igualdad de las derivadas cruzadas). Sea f : A Rn R una funcin real de varias variables
reales y sea x0 A. Si f C 2 (A), entonces para cada par i, j = 1, . . . , n se tiene que
f
(x0 ) =
(x0 )
xj xi
xi xj
Ejemplo 94. Sea la funcin f : R2 R, f (x, y) = x3 y xy 2 . Las derivadas parciales de segundo orden de esta
funcin son:
2f
(x, y) = 3x2 2y
f
2
2
yx
(x, y) = 3x y y =
2
x
f (x, y) = 6xy
2
x2
f
(x, y) = 3x2 2y
f
xy
3
(x, y) = x 2xy =
2f
(x, y) = 2x
y 2
Nota 15. Si f : A Rn R es una funcin real de variable real, las derivada parciales de tercer orden se definen
de forma anloga. Por ejemplo,
f
3f
=
x y z
xyz
2.6.
Desarrollo en serie de Taylor de una funcin de varias variables
Para funciones reales de una variable real f : R R, la frmula de Taylor se presenta como la posibilidad de
una aproximacin local a la funcin a travs de un polinomio. El objetivo de esta seccin es el de generalizar la
frmula de Taylor para funciones reales de varias variables reales.
Definicin 59 (Desarrollo de Taylor para funciones escalares). La frmula de Taylor de orden n para una funcin
real de variable real que sea n veces derivable en un entorno del punto a R es
f (x) = f (a) + f 0 (a)(x a) +
f (n) (a)
f 00 (a)
(x a)2 + +
(x a)n + Rn (x, a)
2
n!
80
donde Rn (x, a) es el error que se comete al aproximar la funcin por el polinomio. Este trmino recibe el nombre
de resto y en el caso que la funcin f sea de clase n + 1, se puede expresar como
Rn,a (x a) =
f (n+1) (q)(x a)n+1

, para algn q (a, x)
(n + 1)!
Propiedad 7. El resto de Taylor verifica la siguiente propiedad:

lm
xa
2.6.1.
Rn (x, a)
=0
(x a)n
Frmula de Taylor para funciones de varias variables
Definicin 60 (Diferencial). Sea f : A Rn R una funcin real de varias variables reales y sea x A un
punto en que f tiene derivadas parciales de segundo orden. La diferencial de segundo orden d2 f es una funcin de
Rn Rn R definida como
d2 f (x, h) =
n X
n
X
i=1 j=1
2f
(x)hi hj , donde h = (h1 , . . . , hn )
xi xj
La diferencial de tercer orden d3 f se define como sigue

d3 f (x, h) =
n X
n X
n
X
i=1 j=1 k=1
3f
(x)hi hj hk
xi xj xk
y la diferencial m-sima d f se define en forma parecida cuando existan todas las derivadas parciales de orden
m.
Teorema 20 (Desarrollo de Taylor para funciones vectoriales). Sea f : A Rn R una funcin que tenga
derivadas parciales continuas de orden m + 1 en cada punto de una bola abierta B A (es decir, que f
C m+1 (B)). Sean x y a dos puntos de B, entonces existe un punto q en el segmento rectilneo que une x y a tal
que
f (x) = f (a) +
m
X
1 k
d f (a, x a) + Rm (x, a)
k!
k=1
donde
Rm (x, a) =
1
dm+1 f (q, x a)
(m + 1)!
Propiedad 8. El resto de Taylor verifica la siguiente propiedad:

Rm (x, a)
=0
xa kx akm
lm
Propiedad 9 (Matriz hessiana). La secunda diferencial de f

hessiana definida como
2f
(x)
x21
..
Hf (x) =
2f
x1 xn (x)
est dada por una matriz simtrica que se llama matriz
..
.
2f
x1 xn (x)
2f
x2n (x)
..
.
de tal manera que

d2 f (x, h) = hT Hf (x) h
81
2.6.2.
Frmula de Taylor de primer orden
Teorema 21. Sea f : A Rn R una funcin real de varias variables reales. Si f C 2 (A), entonces
f (x) = f (a) +
n
X
f
(a)(xi ai ) + R1 (x, a)
x
i
i=1
donde
lm
xa
2.6.3.
R1 (x, a)
=0
kx ak
Frmula de Taylor de segundo orden
Teorema 22. Sea f : A Rn R una funcin real de varias variables reales. Si f C 3 (A), entonces
n
n
n
X
f
1 X X 2f
f (x) = f (a) +
(a)(xi ai ) +
(a)(xi ai )(xj aj ) + R2 (x, a)
xi
2 i=1 j=1 xi xj
i=1
donde
lm
xa
R2 (x a)
=0
kx ak2
Figura 2.4. La frmula de Taylor de segundo orden permite aproximar una funcin (superficie tramada) por un
paraboloide (superficie blanca)
2.7.
Problemas resueltos
PR 2.1. Determinar el dominio de las siguientes funciones:
(a) f (x, y) = 1 x + y
q
(b) f (x, y) = xy
x+1
(c) f (x, y) = e y2
82
Resolucin
(a) La funcin f (x, y) es una raz cuadrada de la expresin polinmica p(x, y) = 1 x + y. El dominio de este
tipo de funciones son todos los puntos del plano R2 , salvo los que hacen estrictamente negativa la expresin
1 x + y. Es decir,
Dom(f ) = R2 {(x, y) R2 | 1 x + y < 0}
= R2 {(x, y) R2 | y < x 1}
= {(x, y) R2 | y x 1}
El Dom(f ) es, en efecto, uno de los semiplanos en que la recta y = x 1 divide a R2 .
(b) En este caso, no sern del dominio ni los puntos que hagan negativa la expresin racional q(x, y) =
aquellos que anulen el denominador de dicha expresin. Es decir,
2
2 x
2
Dom(f ) = R
(x, y) R | < 0 (x, y) R | y = 0
y
n
o
El conjunto C = (x, y) R2 | xy < 0 es equivalente a la unin de los conjuntos
x
y
ni
C1 = (x, y) R2 | x < 0, y > 0 y C2 = (x, y) R2 | x > 0, y < 0

que corresponden exactamente al segundo cuadrante (C1 ) y al cuatro cuadrante (C2 ), en ambos casos sin
incluir los ejes de coordenadas.
De esta manera, el Dom(f ) es la unin del primer y tercer cuadrantes, excluyendo el eje de abcisas (y = 0),
pero incluyendo el de ordenadas (x = 0).
(c) En este caso, sabemos que la funcin exponencial no presenta ningn problema. No obstante, la funcin
racional q(x, y) = x+1
y2 har que excluyamos del dominio aquellos puntos que anulen el denominador. Por
lo tanto,
Dom(f ) = R2 {(x, y) R2 | y 2 = 0}
= R2 {(x, y) R2 | y = 2}
= {(x, y) R2 | y 6= 2}
>
# Maple no tiene una funcin interna que calcule el dominio de una funcin
# Es recomendable seguir los siguientes pasos para hallar el dominio
# de una funcin:
#
1.- representar la funcin y mirar los puntos (x,y) que no tienen imagen,
#
estos puntos no van a pertenecer al dominio de la funcin
#
2.- determinar las condiciones que deben verificar los puntos del dominio
#
3.- encontrar estos puntos con el comando solve (resolver)
#
4.- dibujar los puntos que estan en el dominio en el plano XY
>
# a)
>
# Definimos la funcin y la representamos
>
f:=(x,y)->sqrt(1-x+y):
plot3d(f(x,y),x=-10..10,y=-10..10,
style=patchnogrid,axes=normal,orientation=[15,70],grid=[100,100]);
>
83
>
# Vemos que el plano XY est dividido por una recta

# esta recta delimita los puntos que estan en el dominio y los que no
>
# Los puntos del dominio deben verificar que 1-x+y>=0
>
solve(1-x+y>=0);
{x = x, 1 + x y}
>
# Los puntos del dominio verifican que y>=x-1
>
with(plots):
>
implicitplot(y>=x-1,x=-10..10,y=-10..10,filled=true);
>
# Dibujamos el dominio y la funcin a la vez

display(
plot3d([x,y,0],x=-10..10,y=x-1..10,color=red,style=patchnogrid),
plot3d(f(x,y),x=-10..10,y=x-1..10,
style=patchnogrid,axes=normal,grid=[30,30],orientation=[15,70])
);
>
>
# b)
>
84
>
>
f:=(x,y)->sqrt(x/y):
plot3d(f(x,y),x=-10..10,y=-10..10,
>
# Vemos que el plano XY, los cuadrantes donde x*y<0 no tienen imagen
# a su vez sobre la recta y=0 parece haber una asntota
>
dominio:=solve(x/y>=0 and y<>0);
>
implicitplot(dominio[1],x=-10..10,y=-10..10,filled=true,numpoints=20000,
axes=boxed);
>
display(
plot3d([x,y,0],x=0..10,y=0..10,color=red,style=patchnogrid),
plot3d([x,y,0],x=-10..0,y=-10..0,color=red,style=patchnogrid),
plot3d(f(x,y),x=-10..10,y=-10..10,
style=patchnogrid,axes=normal,grid=[200,200],orientation=[15,70])
);
>
# c)
>
dominio := {signum (x) y < 0}
85
>
>
f:=(x,y)->exp((x+1)/(y-2)):
plot3d(f(x,y),x=-5..5,y=-5..5,view=[-5..5,-5..5,-1..10],
>
# Sabemos que el dominio de la funcin exponencial es R^2

# por lo tanto el nico conflicto est en y=2
>
dominio:=solve((x+1)/(y-2)>=0 and (x+1)/(y-2)<0);
>
display(
implicitplot(dominio[1][2],x=-5..5,y=-5..5,filled=true),
implicitplot(dominio[2][2],x=-5..5,y=-5..5,filled=true)
);
>
display(
implicitplot3d(y=2,x=-5..5,y=-5..5,z=-1..100,
color=black,transparency=0.7,style=patchnogrid),
plot3d(f(x,y),x=-5..5,y=-5..1.99,
style=patchnogrid,axes=normal,grid=[100,100],orientation=[15,70]),
plot3d(f(x,y),x=-5..5,y=2.01..5,
style=patchnogrid,axes=normal,grid=[100,100],orientation=[15,70]),
view=[-5..5,-5..5,-1..100]
);
dominio := {x = x, y < 2} , {x = x, 2 < y}
86
PR 2.2. Dado un producto escalar h, i en Rn , demuestra la identidad de polarizacin

hx, yi =
1
kx + yk2 kx yk2
4
Resolucin
Recordemos que kxk2 = hx, xi, con lo que partiendo de la parte derecha de la igualdad, y utilizando las propiedades
del producto escalar, tenemos que:
1
1
kx + yk2 kx yk2 = (hx + y, x + yi hx y, x yi)
4
4
1
= (hx, xi + hx, yi + hy, xi + hy, yi hx, xi hx, yi hy, xi hy, yi)
4
1
= (hx, xi + hx, yi + hx, yi + hy, yi hx, xi + hx, yi + hx, yi hy, yi)
4
1
= (4hx, yi) = hx, yi
4
PR 2.3. Estudiar la existencia del lmite de las siguientes funciones cuando tendemos al origen de coordenadas
(0, 0).
(a) f (x, y) =
xy 2
x2 +y 4
(b) f (x, y) =
x2 y 2
x2 y 2 +(xy)2
(c) f (x, y) =
x2 y
x2 +y 2
(d) f (x, y) =
3xy 2
x2 +y 2
sen(x + y)
Resolucin
(a) Consideremos la trayectoria recta y = mx, m R. Calculemos ahora el lmite
xm2
x3 m2
=
l
m
=0
x0 1 + m4 x2
x0 x2 + m4 x4
lm f (x, mx) = lm
x0
Esto quiere decir que, si el lmite existe, el valor ser 0. No obstante, consideremos ahora la trayectoria
parablica x = y 2 . En este caso tenemos que
lm f (y 2 , y) = lm
y0
y0
1
1
=
2
2
lo que implica que el lmite no existe, ya que depende de la trayectoria de aproximacin.
87
(b) Consideremos la trayectoria recta y = mx, m R. Calculemos ahora el lmite

lm f (x, mx) = lm
x0
x0 x4 m2
x4 m2
x 2 m2
= lm 2 2
= 0, m 6= 1
2
x0 m x + 1 2m + m2
+ (x mx)
Esto quiere decir que, si el lmite existe, el valor ser 0. No obstante, consideremos la recta y = x (es decir,
m = 1). En este caso tenemos que
lm f (x, x) = lm 1 = 1
x0
x0
lo que implica que el lmite no existe, ya que depende de la trayectoria de aproximacin.

(c) Consideremos la trayectoria recta y = mx, m R. Calculemos ahora el lmite
x3 m
xm
sen(x + mx) = lm
sen(x + mx) = 0
x0 x2 + m2 x2
x0 1 + m2
lm f (x, mx) = lm
x0
Esto quiere decir que, si el lmite existe, el valor ser 0. Para demostrar formalmente la existencia de este
lmite, necesitamos encontrar una funcin l(x, y) tal que
|f (x, y) 0| l(x, y)
lm
(x,y)(0,0)
l(x, y) = 0
Para ello, consideremos la funcin f (x, y) y las siguientes desigualdades:
x2 y

x2
|f (x) 0| = 2
sen(x + y) = y 2
sen(x + y) |y| = l(x, y)
2
2
x +y
x +y
La funcin l(x, y) = |y| tiene lmite 0 cuando (x, y) (0, 0), con lo que podemos asegurar que
x2 y
sen(x + y) = 0
+ y2
lm
(x,y)(0,0) x2
(d) Consideremos la trayectoria recta y = mx, m R. Calculemos ahora el lmite

3x3 m2
3xm2
=
l
m
=0
x0 x2 + m2 x2
x0 1 + m2
lm f (x, mx) = lm
x0
Esto quiere decir que, si el lmite existe, el valor ser 0. Para demostrar formalmente la existencia de este
lmite, necesitamos encontrar una funcin l(x, y) tal que
|f (x, y) 0| l(x, y)
lm
(x,y)(0,0)
l(x, y) = 0
3xy 2
y 2
|f (x) 0| = 2
= 3x 2
|3x| = l(x, y)
x + y2
x + y2
La funcin l(x, y) = |3x| tiene lmite 0 cuando (x, y) (0, 0), con lo que podemos asegurar que
lm
3xy 2
=0
+ y2
(x,y)(0,0) x2
88
>
# Maple puede calcular algunos lmites de funciones de ms de una variable

#
sin embargo, en los casos ms complejos no es capaz de determinarlos
#
y se tienen que usar otras tcnicas
>
# a) en este caso maple no es capaz de calcular el lmite directamente

f:=(x,y)->x*y^2/(x^2+y^4):
f(x,y)=f(x,y);
>
f(x, y) =
>
xy 2
x2 + y 4
limit( f(x,y), {x=0,y=0} );
xy 2
{y=0,x=0} x2 + y 4
lm
>
# vamos a ver si considerando trayectorias rectas (y=mx) el lmite existe
>
limit(subs(y=m*x,f(x,y)),x=0);
>
# vamos a ver si considerando trayectorias parablicas (y=mx^2)

# el lmite existe y tambin vale 0
>
limit(subs(y=m*x^2,f(x,y)),x=0);
>
# vamos a ver si considerando trayectorias parablicas (x=my^2)

# el lmite existe y tambin vale 0
>
limit(subs(x=m*y^2,f(x,y)),y=0);
m
m2 +1
>
# deducimos de esto que el lmite no existe

# Para visualizar el concepto de lmite,
# utilizaremos la funcin LimiteVisual definida a continuacin
>
with(plots):with(plottools):
LimiteVisual:=proc(f,x0,y0,f0,c,xrange,yrange,zrange,orient,numnp)
local numc,surf,drop,base,lift,point1;
>
numc:=nops(curvas):
surf:=plot3d(f,xrange,yrange,style=patchnogrid,shading=ZHUE,numpoints=numnp):
drop:=plot3d(0,xrange,yrange,color=green,grid=[5,6],transparency=0.8):
base:=spacecurve({[c[k][1],c[k][2],.01] $k=1..numc},t=xrange,color=blue,
thickness=2):
lift:=spacecurve({[c[k][1],c[k][2],f(c[k][1],c[k][2])] $k=1..numc},t=xrange,
color=magenta,thickness=2):
point1:=sphere([x0,y0,f0],0.05):
>
display({surf,drop,base,lift,point1},labels=[x,y,z],orientation=orient,
view=[xrange,yrange,zrange]);
end:
# Empezamos dibujando la funcin y dos trayectorias (y=x,y=x^2)
# En ambos casos las imgenes de las trayectorias (curvas rosas) tienden a 0
>
curvas:=[[t,t],[t,2*t]]:
>
LimiteVisual(f,0,0,0,curvas,-2..2,-5..5,-0.5...0.7,[-160,70],10000);
89
>
# Es aconsejable mover el dibujo con el mouse

#
para ver las trayectorias (en azul) y sus imagenes (en rosa)
#
al mover el mouse se ve que las imagenes tienden a cero
>
# Vamos a ver ahora qu pasa si consideramos la trayectoria (x=y^2)
>
curvas:=[[t^2,t]]:
>
LimiteVisual(f,0,0,0,curvas,-1..2,-5..5,-0.5...0.7,[-10,60],50000);
>
# En este caso se puede ver que las imgenes no tienden a cero

# Por lo tanto el lmite no existe
>
# b) en este caso maple tampoco es capaz de calcular el lmite directamente

f:=(x,y)->x^2*y^2/(x^2*y^2+(x-y)^2):
f(x,y)=f(x,y);
>
f(x, y) =
>
x2 y 2
2
x2 y 2 + (x y)
limit( f(x,y), {x=0,y=0} );
lm
{y=0,x=0}
>
# trayectoria recta y=x
>
limit(subs(y=x,f(x,y)),x=0);
>
# trayectoria recta y=2*x

limit(subs(y=2*x,f(x,y)),x=0);
x2 y 2
2
x2 y 2 + (x y)
1
>
0
>
# Dibujo
>
curvas:=[[t,t],[t,2*t]]:
>
LimiteVisual(f,0,0,0,curvas,-2..2,-5..5,0..1,[-100,80],100000);
90
>
>
# c) en este caso maple tampoco es capaz de calcular el lmite directamente

f:=(x,y)->x^2*y/(x^2+y^2)*sin(x+y):
f(x,y)=f(x,y);
f(x, y) =
>
x2 y sin (x + y)
x2 + y 2
limit( f(x,y), {x=0,y=0} );
x2 y sin (x + y)
x2 + y 2
{y=0,x=0}
lm
>
# trayectorias recta y=x
>
0
>
# vamos a ver que la funcin x^2/(x^2+y^2)*sin(x+y) es acotada
>
maximize(x^2/(x^2+y^2)*sin(x+y));
1
>
minimize(x^2/(x^2+y^2)*sin(x+y));
>
plot3d(x^2/(x^2+y^2)*sin(x+y),x=-10..10,y=-10..10,
style=patchnogrid,numpoints=5000,axes=normal);
>
# Por lo tanto tenemos que f(x,y) = y * funcion_acotada

#
como el lmite de la funcin f(x,y)=y para (x,y)->(0,0) es cero
#
podemos aplicar que el lmite de 0 por acotado es 0
>
# Dibujo - en este caso todas las trayectorias tienden a cero
>
curvas:=[[t,t],[t,2*t],[t,t^2],[t^2,t]]:
>
LimiteVisual(f,0,0,0,curvas,-2..2,-5..5,-1..1,[100,50],5000);
91
>
>
# d) en este caso maple tampoco es capaz de calcular el lmite directamente

f:=(x,y)->3*x*y^2/(x^2+y^2):
f(x,y)=f(x,y);
f(x, y) = 3
>
xy 2
x2 + y 2
limit( f(x,y), {x=0,y=0} );
lm
{x=0,y=0}
>
# trayectorias recta y=x
>
xy 2
x2 + y 2
0
>
# vamos a ver que la funcin y^2/(x^2+y^2) es acotada
>
maximize(y^2/(x^2+y^2));
1
>
minimize(y^2/(x^2+y^2));
>
plot3d(y^2/(x^2+y^2),x=-10..10,y=-10..10,style=patchnogrid,
numpoints=5000,axes=normal);
>
# Por lo tanto tenemos que f(x,y) = 3 * x * funcion_acotada

#
como el lmite de la funcin f(x,y)=3*x para (x,y)->(0,0) es cero
#
podemos aplicar que el lmite de 0 por acotado es 0
>
# Dibujo - en este caso todas las trayectorias tienden a cero
>
curvas:=[[t,t],[t,2*t],[t,t^2],[t^2,t]]:
>
LimiteVisual(f,0,0,0,curvas,-2..2,-5..5,-1..1,[-150,60],5000);
92
PR 2.4. Estudiar la continuidad de la funcin

(
f (x, y) =
x3 y 3
x2 +y 2 ,
0,
(x, y) 6= (0, 0)
(x, y) = (0, 0)
Resolucin
En primer lugar observamos que la funcin no presenta ningn problema en los dos dominios en que se divide la
funcin D1 = {(x, y) R2 | (x, y) 6= (0, 0)} y D2 = {(0, 0)}. En el primer caso, el denominador de la funcin
racional es siempre distinto de 0 en todos los puntos de D1 ; en el segundo caso, la funcin es constantemente igual
a 0. No obstante, lo que s hemos de comprobar es qu pasa en la frontera de estos dos conjuntos, es decir, en el
punto (0, 0). La funcin ser continua si
f (0, 0) =
lm
(x,y)(0,0)
f (x, y)
Claramente f (0, 0) = 0. Para el clculo del lmite, consideremos la trayectoria recta y = mx, m R. Calculemos
ahora
lm f (x, mx) = lm
x0
x0 x2
x 6 m3
x4 m3
= lm
=0
2
2
x0 1 + m2
+m x
Esto quiere decir que, si el lmite existe, el valor ser 0. Para demostrar formalmente la existencia de este lmite,
necesitamos encontrar una funcin l(x, y) tal que
|f (x, y) 0| l(x, y)
lm
(x,y)(0,0)
l(x, y) = 0
3 3
x y 3
y 2
|f (x) 0| = 2
= x y 2
|x3 y| = l(x, y)
x + y2
x + y2
La funcin l(x, y) = |x3 y| tiene lmite 0 cuando (x, y) (0, 0), con lo que podemos asegurar que
3xy 2
=0
(x,y)(0,0) x2 + y 2
lm
Por lo tanto, la funcin es continua en todo su dominio.

>
# Para funciones de una variable existe el comando iscont

#
que determina la continuidad de una funcin
# Sin embargo, no existe una funcin as para funciones de ms de una variable
# El estudio se tiene que hacer paso a paso
93
>
f:=(x,y)->piecewise(x=0 and y=0,0,x^3*y^3/(x^2+y^2)):

# Para (x,y)<>(0,0) la funcin es continua
>
# Estudiamos el caso (x,y)=(0,0)
>
limit(f(x,y),{x=0,y=0});
>
x3 y 3
+ y2
lm
{y=0,x=0} x2
>
# lmite en trayectorias rectas (y=mx)
>
>
# la funcin y^2/(x^2+y^2) es acotada
>
maximize(y^2/(x^2+y^2));
1
>
minimize(y^2/(x^2+y^2));
>
# por lo tanto, como f(x,y)=x^3*y*funcion_acotada

#
y la funcin x^3*y tiende a cero si (x,y)->0
#
el lmite global es cero
# como el lmite en (0,0) es cero y coincide con el valor de la funcin en (0,0)
#
la funcin es continua en (0,0)
>
plot3d(f(x,y),x=-4..4,y=-4..4,style=patchnogrid,numpoints=5000);
>
# En el dibujo ya se ve que la funcin en el punto (0,0)

#
no parece tener problemas
PR 2.5. Se considera la funcin

(
f (x, y) =
(|x|+|y|)
x2 +y 2
(x, y) 6= (0, 0)
(x, y) = (0, 0)
Encontrar la relacin entre y para garantizar la existencia de las derivadas parciales de f en el punto (0, 0).
Resolucin
Las derivadas parciales de f en el punto (0, 0) existen si existen los lmites
f (t, 0) f (0, 0)
f
(0, 0) = lm
t0
x
t
f
f (0, t) f (0, 0)
(0, 0) = lm
t0
y
t
94
Calculando los lmites, obtenemos:

f (t, 0) f (0, 0)
f
(0, 0) = lm
= lm
t0
t0
x
t
f
f (0, t) f (0, 0)
(0, 0) = lm
= lm
t0
t0
y
t
|t|
t2
|t|
t2
t0
t
= lm
= lm
t0
Los lmites existen y valen 0 slo si = 0, es decir, cuando = . En caso contrario, si 6= , las derivadas
parciales no existen.
>
f:=(x,y)->piecewise(x=0 and y=0, beta, alpha*(abs(x)+abs(y))/sqrt(x^2+y^2)):
>
# Maple tiene un comando para evaluar derivadas direccionales
>
Student[MultivariateCalculus]:-DirectionalDerivative(f(x,y),[x,y]=[0,0],[1,0]);
Error (in Student:-MultivariateCalculus:-DirectionalDerivative) unable to compute directional derivative

>
# Sin embargo para esta funcin definida a trozos no puede calcularla

#
para hacerlo hace falta utilitzar la definicin formal
>
dfx:=limit((f(t,0)-f(0,0))/t,t=0);
|t|
t1
t2
|t|
t1
t2
dfx := lm
t0
>
dfy:=limit((f(0,t)-f(0,0))/t,t=0);
dfy := lm
t0
>
# Las derivadas parciales solo existen si alpha=beta
>
f:=(x,y)->piecewise(x=0 and y=0, beta, beta*(abs(x)+abs(y))/sqrt(x^2+y^2)):

dfx:=limit((f(t,0)-f(0,0))/t,t=0);
>
dfx := 0
>
dfy:=limit((f(0,t)-f(0,0))/t,t=0);
dfy := 0
PR 2.6. Se consideran las funciones f, g : R2 R definidas como:

1
2
f (x, y) = xy sen
, y 6= 0, f (x, y) = 0, y = 0
y
Z x
1
t2
dt
g(x, y) = ex+y +
t4 + 1
0
(a) Calcular las derivadas parciales de f y g.
(b) Demostrar que F = (f, g) : R2 R2 es diferenciable en los puntos (0, 0) y (0, 1/).
(c) Deducir que G = F F es diferenciable en el punto (0, 0) y calcular G0 (0, 0).
(d) Calcular Du g(0, 0) con u = (1, 1).
Resolucin
(a) Sea (x0 , y0 ) un punto del plano tal que y0 6= 0. Entonces existe un entorno V de este punto que no tiene
interseccin con la recta y = 0 (ver Fig. 2.5). En todo punto (x, y) de V se tiene que y 6= 0, con lo cual la
funcin f tiene la misma expresin en V . Esta expresin es una combinacin (producto y composicin) de
95
Figura 2.5. Los diferentes casos para el punto (x0 , y0 )
funciones diferenciables, lo que implica que f es diferenciable en V . Esto implica que f es diferenciable en
todo punto (x0 , y0 ) si y0 6= 0 y, por lo tanto, tiene derivadas parciales que son:

f
1
(x0 , y0 ) = y02 sen
x
y0

f
1
1
(x0 , y0 ) = 2x0 y0 sen
x0 cos
y
y0
y0
Si y0 = 0, entonces todo entorno U del punto (x0 , 0) contiene puntos de la recta y = 0 y por lo tanto, la
expresin de f no es la misma en U . En este caso no se pueden calcular la derivadas parciales directamente
y no se puede saber si f es diferenciable en todo U . Se calculan las derivadas parciales de f a travs de su
definicin usando lmites. En efecto,
f
f ((x0 , 0) + t(1, 0)) f (x0 , 0)
(x0 , 0) = De1 f (x0 , 0) = lm
t0
x
t
f (x0 + t, 0) f (x0 , 0)
= lm
t0
t
0
= lm = 0
t0 t
f ((x0 , 0) + t(0, 1)) f (x0 , 0)
f
(x0 , 0) = De2 f (x0 , 0) = lm
t0
y
t
f (x0 , t) f (x0 , 0)
= lm
t0
t
x0 t2 sen 1t
= lm
t0
t
1
= lm x0 t sen
=0
t0
t
96
En resumen, se tiene que:

y 2 sen y1 , y 6= 0
0,
y=0
(

1
f
2xy sen y x cos y1 , y 6= 0
(x, y) =
y
0,
y=0
f
(x, y) =
x
Respecto de la funcin g(x, y) que es diferenciable en R2 como combinacin de funciones diferenciables,

se calculan las derivadas parciales directamente, teniendo en cuenta que
Z x
x2
t2
dt =
x
t4 + 1
x4 + 1
0
Z x
dt = 0
4
y
t +1
0
Entonces,
g
(x, y) =
x
g
(x, y) =
y
1 x+y
x2
e
+
x4 + 1
1 x+y
e
(b) Se ha visto en el apartado anterior que las funciones f y g son diferenciables en todo punto (x, y) con y 6= 0.
Esto implica que la funcin F es diferenciable en (0, 1/).
Para el punto (0, 0), si las derivadas parciales de F son continuas en el punto (0, 0), entonces F es diferenciable. La funcin f
x (x, y) ser continua en el punto (0, 0) si
f
f
(0, 0) =
lm
(x, y)
x
(x,y)(0,0) x
Por un lado, est claro que
f
x (0, 0)
= 0. Por el otro, se tiene que para cualquier (x, y) R2
(x, y) y 2
x
y
lm
(x,y)(0,0)
y2 = 0
lo que implica que

f
(x, y) = 0
(x,y)(0,0) x
lm
Esto garantiza la continuidad de
f
x (x, y)
en el punto (0, 0). Se hace lo mismo para la otra derivada parcial:
f
(x, y) 2|xy| + |x|, (x, y) R2
y
lm
(x,y)(0,0)
2|xy| + |x| = 0
97
con lo cual
lm
(x,y)(0,0)
f
f
(x, y) = 0 =
(0, 0)
y
y
lo que implica la continuidad de f

y en (0, 0). Las derivadas parciales son continuas en (0, 0) y por lo tanto
F es diferenciable en este punto.
(c) Aplicando la regla de la cadena, G = F F ser diferenciable en el punto (0, 0) si F es diferenciable en
(0, 0) y en F (0, 0) = (f (0, 0), g(0, 0)) = (0, 1 ). No obstante, esto es exactamente lo que se ha demostrado
en el apartado anterior.
Para el clculo de G0 (0, 0), nos basamos nuevamente en la regla de la cadena
1
G0 (0, 0) = (F F )0 (0, 0) = F 0 (F (0, 0)) F 0 (0, 0) = F 0 0,
F 0 (0, 0)
con lo que
G (0, 0) = F
1
0,
f
x (0,
g
x (0,
F 0 (0, 0)
1
)
1
)
1
e
1
e
f
y (0,
g
y (0,
1
)
1
)
!
0
1
!
f
x (0, 0)
g
x (0, 0)
f
y (0, 0)
g
y (0, 0)
e
2
e
2
(d) Para el clculo de la derivada direccional Du g(0, 0) utilizaremos la frmula

Du g(0, 0) = hg(0, 0), ui
con el vector u normalizado a 12 , 12 . Entonces,
g
g
(0, 0),
(0, 0) = (1/, 1/)
x
y

1
1
2
Du g(0, 0) = (1/, 1/), ,
=
2
2
g(0, 0) =
>
f:=(x,y)->piecewise(y=0,0,x*y^2*sin(1/y)):
>
g:=(x,y)->1/Pi*exp(x+y)+int(t^2/sqrt(t^4+1),t=0..x):
>
# a) derivadas parciales de f
>
# para y=/=0
>
dfx:=diff(x*y^2*sin(1/y),x);
>
dfy:=diff(x*y^2*sin(1/y),y);
dfx := y 2 sin y 1
dfy := 2 xy sin y 1 x cos y 1
98
>
# para y=0
>
dfx:=limit((f(x+t,0)-f(x,0))/t,t=0);
dfx := 0
>
dfy:=limit((f(x,t)-f(x,0))/t,t=0);
dfy := 0
>
# de hecho Maple en este caso puede calcular las derivadas directamente
>
dfx:=diff(f(x,y),x);
dfx :=
>
dfy:=diff(f(x,y),y);
dfy :=
y 2 sin y 1
y=0
otherwise
y=0
2 xy sin y 1 x cos y 1
otherwise
>
# a) derivadas parciales de g
>
dgx:=diff(g(x,y),x): simplify(dgx);
>
dgy:=diff(g(x,y),y): simplify(dgy);
x2 + ex+y x4 + 1
x4 + 1
ex+y
>
# c)
>
# Consideramos G = F o F
>
F:=(x,y)->(f(x,y),g(x,y)):
>
G:=(x,y)->F(F(x,y)):
>
dF:=Matrix(2,2,[dfx,dfy,dgx,dgy]): dF:=simplify(dF);
dF :=
>
>
y 2 sin y 1
y=0
otherwise
x2 + ex+y x4 + 1
x4 + 1
dF:=unapply(dF,x,y):
M1:=dF(0,1/Pi);
M2:=dF(0,0);
x 2 y sin y 1 cos y 1
ex+y
#
0
M1 := e1
"
0
M2 :=
1
>
M1.M2;
e1
2
>
>
1
0
1
e
2
# d)
# La funcin DirectionalDerivative de Maple
#
permite calcular algunas derivadas direccionales
y=0
otherwise
99
>
with(Student[MultivariateCalculus]):
>
DirectionalDerivative( g(x,y), [x,y]=[0,0], [1,1]);
>
>
>
# Adems se puede hacer la representacin del plano tangente

#
y la derivada direccional
DirectionalDerivative( g(x,y), [x,y]=[0,0], [1,1], output = plot,
scaling = unconstrained, view = [-5 .. 5, -5 .. 5, -5 .. 5]);
# Con el mouse podis mover el dibujo

# En particular podis considerar la orientacin [90,60]
#
que es la que se muestra en la figura anterior
# En el dibujo se puede apreciar el plano tangente (color rosa) en el punto
#
(0,0) y la direccin de la derivada direccional (vector (1,1))
PR 2.7. Estudiar la diferenciabilidad en el origen de coordenadas de la funcin

p
f (x, y) = |xy|.
Resolucin
La funcin f (x, y) puede ser reescrita de la siguiente manera:

xy,
x 0,

xy, x < 0,
f (x, y) =
xy,
x 0,

xy, x > 0,
y
y
y
y
0
>0
0
<0
Las derivadas parciales, que se pueden calcular aplicando la definicin, son:

xy
1
x > 0, y > 0
2 x ,
xy
1
f
,
x
< 0, y > 0
2x
(x, y) =
1 xy
x
,
x < 0, y < 0
21 xxy
,
x
> 0, y < 0
2
x
No obstante, en los puntos tales que x = 0, y > 0 (semieje positivo de ordenadas), observemos que:
f (t, y) f (0, y)
f
ty
(0, y) = lm
= lm
@
t0
t0 t
x
t
El anterior lmite no existe, y lo mismo pasa con los otros tres semiejes. En el origen, no obstante, la derivada
parcial s existe y vale 0, como podemos comprobar:
f (t, 0) f (0, 0)
00
f
(0, 0) = lm
= lm
=0
t0
t0
x
t
t
100
Dada la simetra de la funcin f (x, y), los resultados que hemos obtenido hasta ahora son vlidos tambin para
las derivadas parciales respecto de la variable y. El hecho de que las derivadas parciales no sean continuas, como
hemos comprobado, no implica la no diferenciabilidad de la funcin en el origen de coordenadas. Hemos de buscar
otra manera de demostrar la diferenciabilidad o no de dicha funcin.
Calculemos la derivada direccional de f (x, y) en el punto (0, 0) segn la direccin u = (u1 , u2 ) = 12 , 12 :

f ((0, 0) + t(u1 , u2 )) f (0, 0)
f (tu1 , tu2 ) f (0, 0)
= lm
t0
t
t
p

|t| u1 u2
|t2 u1 u2 |
u u ,
t>0
1 2
= lm
=
= lm
@Du f (0, 0)
u1 u2 , t < 0
t0
t0
t
t
Du f (0, 0) = lm
t0
Dado que las derivadas direccionales no existen en el origen de coordenadas, podemos ahora s, concluir que la
funcin no es diferenciable en el origen.
>
f:=(x,y)->sqrt(abs(x*y)):
>
plot3d(f(x,y),x=-1..1,y=-1..1,style=patchnogrid,numpoints=10000);
>
plot3d(diff(f(x,y),x),x=-1..1,y=-1..1,style=patchnogrid,numpoints=10000);
>
plot3d(diff(f(x,y),y),x=-1..1,y=-1..1,style=patchnogrid,numpoints=10000);
101
PR 2.8. Se consideran las funciones g(x, y) = 4xy 2 y f (u, v) = (f1 (u, v), f2 (u, v)) = (uv 2 , u3 v). Si h = gf ,
calcular la matriz jacobiana de h.
Resolucin
Se resuelve el problema de dos maneras distintas: (a) calculando la composicin y su matriz jacobiana y (b)
calculando las matrices jacobianas de g y f y aplicando la regla de la cadena.
(a) La funcin h = g f es una funcin real de dos variables reales. En efecto,
h(u, v) = (g f )(u, v) = g(f (u, v)) = g(uv 2 , u3 v) = 4uv 2 (u3 v)2 = 4uv 2 u6 v 2
Las derivadas parciales de h son
h
(u, v) = 4v 2 6u5 v 2 ,
u
con lo que la matriz jacobiana es
h
h0 (u, v) = u
(u, v)
h
v (u, v)
h
(u, v) = 8uv 2u6 v
v
4v 2 6u5 v 2
8uv 2u6 v
(b) En este caso aplicaremos la regla de la cadena, que dice que

h0 (u, v) = (g f )0 (u, v) = g 0 (f (u, v)) f 0 (u, v) = g 0 (uv 2 , u3 v) f 0 (u, v)
Las matrices jacobianas de g y f son:
g
g
(x, y) y
(x, y) = 4 2y
g 0 (x, y) = x
g 0 (uv 2 , u3 v) = 4
f1
f1
(u, v) u
(u, v)
v2
2uv
0
u
2
f (u, v) =
=
f2
f2
3u2 v u3
u (u, v)
v (u, v)
2u3 v
El producto de esta dos matrices es:

0
h (u, v) =
2u v
>
g:=(x,y)->4*x-y^2:
>
f:=(u,v)->(u*v^2,u^3*v):
>
h:=(u,v)->g(f(u,v)): h(u,v);
v2
3u2 v
2uv
u3
4 uv 2 u6 v 2
4v 2 6u5 v 2
8uv 2u6 v
102
>
# a) calculamos la matriz jacobiana directamente
>
Dh:=Matrix(1,2,[diff(h(u,v),u),diff(h(u,v),v)]);
Dh :=
4 v 2 6 u5 v 2
8 uv 2 u6 v
>
# b) calculamos la matriz jacobiana teniendo en cuenta que h=g(f)
>
Dg:=Matrix(1,2,[diff(g(x,y),x),diff(g(x,y),y)]);
Dg :=
>
>
2 y
Dg:=unapply(Dg,x,y):
Df:=Matrix(2,2,[diff(f(u,v)[1],u),diff(f(u,v)[1],v),
diff(f(u,v)[2],u),diff(f(u,v)[2],v)]);
"
Df :=
v2
2 uv
3 u2 v
u3
>
Df:=unapply(Df,u,v):
>
Jh:=Dg(f(u,v)[1],f(u,v)[2]).Df(u,v);
Jh :=
4 v 2 6 u5 v 2
8 uv 2 u6 v
PR 2.9. Encontrar la aproximacin lineal y cuadrtica de f (x, y) = 2x + ex

aproximaciones con el valor real de la funcin en el punto (0,1, 0,1).
en el punto (0, 0). Comparar las
Resolucin
La aproximacin lineal se corresponde con la frmula de Taylor de primer orden, para la que hemos de calcular
las derivadas parciales de primer orden de f y el valor de la funcin en el punto (0, 0):
2
f
(0, 0) = 2 + 2xex y
=2
x
(x,y)=(0,0)
2
f
(0, 0) = ex y
= 1
y
(x,y)=(0,0)
f (0, 0) = 1
Entonces,
f
f
(0, 0)x +
(0, 0)y
x
y
1 + 2x y = f(x, y)
f (x, y) f (0, 0) +
El error que cometemos al aproximar f (0,1, 0,1) por f(0,1, 0,1) es:
f (0,1, 0,1) = 1,11393
f(0,1, 0,1) = 1,1
lo que implica un error absoluto de Ea = |f(0,1, 0,1) f (0,1, 0,1)| = 0,01393 y un error relativo de Er =
|f(0,1,0,1)f (0,1,0,1)|
100 1,25 %.
f (0,1,0,1)
103
Para la aproximacin cuadrtica, consideramos adems las derivadas parciales de segundo orden. En efecto,
2f
(0, 0) =
x2
2f
(0, 0) =
xy
2f
(0, 0) =
yx
2f
(0, 0) =
y 2
2ex
2xex
2xex
ex
+ 4x2 ex
y
(x,y)=(0,0)
(x,y)=(0,0)
y
(x,y)=(0,0)
y
(x,y)=(0,0)
=2
=0
=0
=1
con lo que, segn la frmula de Taylor de segundo orden,

f
f
1 2f
2f
1 2f
(0, 0)x +
(0, 0)y +
(0, 0)x2 +
(0, 0)xy +
(0, 0)y 2
2
x
y
2 x
xy
2 y 2
1
1 + 2x y + x2 + y 2 = f(x, y)
2
f (x, y) f (0, 0) +
El error que cometemos al aproximar f (0,1, 0,1) por f(0,1, 0,1) es:
f (0,1, 0,1) = 1,11393
f(0,1, 0,1) = 1,115
lo que implica un error absoluto de Ea = |f(0,1, 0,1) f (0,1, 0,1)| = 0,00107 y un error relativo de Er =
|f(0,1,0,1)f (0,1,0,1)|
f (0,1,0,1)
100 0,10 %.
>
f:=(x,y)->2*x+exp(x^2-y):
# El plano tangente en el punto (0,0)
#
viene dado por la aproximacin de Taylor de primer orden
>
Alin:=mtaylor(f(x,y),[x=0,y=0],2);
>
# La aproximacin cuadrtica en el punto (0,0)

#
viene dado por la aproximacin de Taylor de primer dos
>
Acua:=mtaylor(f(x,y),[x=0,y=0],3);
>
Alin := 2 x y + 1
Acua := x2 + 1/2 y 2 + 2 x y + 1
>
# Los errores cometidos al aproximar el valor de la funcin en el punto

#
(0.1,0.1) son:
>
Elin:=f(0.1,0.1)-subs([x=0.1,y=0.1],Alin);
Elin := 0,013931185
>
Ecua:=f(0.1,0.1)-subs([x=0.1,y=0.1],Acua);
>
# La funcin TaylorApproximation permite representar las aproximaciones

#
de Taylor
>
TaylorApproximation( f(x,y), [x, y] = [0, 0], 1, output = plot,
scaling = unconstrained, view=[-2..2,-2..2,-1..3],numpoints=10000);
Ecua := 0,001068815
>
104
>
>
>
>
>
2.8.
# El dibujo se ha hecho con una orientacin de [60,70]

TaylorApproximation( f(x,y), [x, y] = [0, 0], 2, output = plot,
# De hecho la opcin output=animation muestra las distintas aproximaciones

#
empezando por el plano tangente hasta el grado introducido
TaylorApproximation( f(x,y), [x, y] = [0, 0], 8, output = animation,
# Haciendo clic sobre el dibujo aparecen en la barra de comandos

#
las opciones para activar la animacin
PP 2.1. Determinar el dominio de las siguientes funciones:

(a) f (x, y) =
(b) f (x, y) =
(c) f (x, y) =
1
xy
u sen v
1
9x2 y 2
105
Solucin: (a) {(x, y) R2 | y < x}; (b) {(u, v) R2 | u 0, v [0 + 2k, + 2k], k Z} {(u, v)
R | u 0, v [ + 2k, 2 + 2k], k Z}; (c) {(x, y) R2 | x2 + y 2 6= 9} (todos los puntos del plano salvo
aquellos que forman parte de la circunferencia de radio 3 centrada en el origen).
2
PP 2.2. Dado un producto escalar h, i en Rn , demuestra la identidad del paralelogramo
kx + yk2 + kx yk2 = 2 kxk2 + kyk2

PP 2.3. En el espacio vectorial de la matrices cuadradas de orden 2 sobre el cuerpo de los nmeros reales,
M22 (R), se define
2
X
kAk := max
|aij |
i=1,2
j=1
Demostrar que k k es una norma en M22 (R).

PP 2.4. Estudiar la existencia del lmite de las siguientes funciones cuando tendemos al origen de coordenadas
(0, 0).
(a) f (x, y) =
x2 y 3
x4 +y 6
(b) f (x, y) =
x2 y 2
x2 +y 2
(c) f (x, y) =
xy
x2 +y 2
(d) f (x, y) =
3xy
2x2 +y 2
Solucin: (a) El lmite no existe (pensar en la direccin dada por el conjunto de puntos {(x, y) R2 | x2 =
y }); (b), (c), (d) no existen los lmites.
3
PP 2.5. Estudiar el dominio y la continuidad de la funcin f : R2 R3 definida por
p
1
y3
f (x, y) =
|y 2x2 |, ln
,
, si (x, y) 6= (0, 0)
1 x2 y 2
x2 + y 2
f (x, y) = (0, 0, 0), si (x, y) = (0, 0)
PP 2.6. Se considera la funcin f : R2 R definida por
|xy|
e p
,
xy 6= 0
f (x, y) =
1 + x2 + y 2 , xy = 0
(a) Estudiar la continuidad de f en el punto (0, 0).
(b) Estudiar D1 f (0, 0) y D2 f (0, 0) geomtrica y analticamente. Deducir, sin necesidad de clculos, que si
g(x) = f (x, 0) existe la recta tangente a y = g(x) en x = 0.
(c) Calcular la variacin de f en el punto (0, 0) en la direccin del vector u = (1/ 2, 1/ 2). Deducir, sin
necesidad de clculos, si la restriccin de f sobre la recta y = x (h(x) = f (x, x)) es continua en x = 0.
PP 2.7. Se considera la funcin f (x, y) = 3 xy. Demostrar que las derivadas direccionales en (0, 0) de la funcin
f slo existen en las direcciones (0, 1), (1, 0), (0, 1) y (1, 0).
PP 2.8. Estudiar la continuidad, existencia de derivadas parciales y direccionales, y la diferenciabilidad en el
origen de las siguientes funciones:
106
(a)
(
xy
2
x +y 2
f (x, y) =
(x, y) 6= (0, 0)
0,
(x, y) = (0, 0)
(b)
(
f (x, y) =
x4 y 4
,
x2 +xy+y 2
0,
(x, y) 6= (0, 0)
(x, y) = (0, 0)
(c)
p
f (x, y) =
x2
0,
y2
sen
1
x2 +y 2
(x, y) 6= (0, 0)
(x, y) = (0, 0)
PP 2.9. Se consideran las funciones

f (x, y, z) = (sen(xy + z), (1 + x2 )yz )
g(u, v) = (u + ev , v eu )
(a) Demostrar que f es diferenciable en el punto (1, 1, 1) y calcular f 0 (1, 1, 1).
(b) Demostrar que g es diferenciable en el punto (0, 1/2) y calcular g 0 (0, 1/2).
(c) Calcular (g f )0 (1, 1, 1).
1
1
1
1
0
0
Solucin: (a) f (1, 1, 1) =
; (b) g (0, 1/2) =
21 12 ln(2) 12 ln(2)
1
!
1 1/2 e1/2 1 + 1/2 e1/2 ln (2) 1 1/2 e1/2 ln (2)
(c) (g f )0 (1, 1, 1) =
1/2
1 + 1/2 ln (2)
1 1/2 ln (2)
e1/2
1
PP 2.10. Se consideran las funciones f (x, y) = x2 + y 2 + 1 y g(r, ) = (r cos(), r sen()). Calcular

siendo h(r, ) = (f g)(r, ).
Solucin:
h
r (r, )
= 2r;
h
(r, )
h
r
= 0.
PP 2.11. Encontrar los puntos de la superficie z = 4x + 2y x2 + xy y 2 en los que el plano tangente es paralelo
al plano XY (z = 0).
Solucin: {x = 10/3, y = 8/3, z = 28/3}.
PP 2.12. Encontrar la aproximacin lineal y cuadrtica de f (x, y) = 25 x2 y 2 en el punto (3, 1). Compara las
aproximaciones con el valor real de la funcin en el punto (3,1, 0,9).
Solucin: La aproximacin lineal es f(x, y) = 356x2y y la aproximacin cuadrtica f(x, y) = 356x
2y (x3)2 (y 1)2 , que coincide con la propia funcin. Los valores de la evaluacin son: f (3,1, 0,9) = 14,58,
f(3,1, 0,9) = 14,6 y f(3,1, 0,9) = 14,58.
107
3 Extremos de funciones
El estudio de maximizar o minimizar una funcin real de varias variables o campo escalar y = f (x), con
x = (x1 , . . . , xn ), se asemeja al clculo de extremos para una funcin real de una variable real. En este captulo
se extienden las tcnicas de estudio de los valores extremos de una funcin de una sola variable a funciones de
varias variables, estudiando tres tipos de extremos: relativos, absolutos y condicionados. Los extremos relativos
son aquellos puntos x0 tales que, para todo x suficientemente cercano a x0 , la imagen f (x0 ) es mayor o menor que
f (x). No se afirma nada para x lejano a x0 . Ser extremo relativo es una propiedad local. Adems, dichos extremos
no tienen por qu ser nicos y pueden no existir.
En cambio, los extremos absolutos s que verifican cierta propiedad global. Es decir, si se considera una regin
dada D, verificando ciertas propiedades, resulta que x0 es extremo absoluto en D si para todo x D, f (x0 ) es
el mayor o menor de todos los valores f (x), con x en D. Se ver qu tiene que verificar esta regin D para poder
asegurar su existencia, y as calcularlos. Se demostrar que siempre existen este tipo de extremos en D y que si bien
f (x0 ) es nica, pueden existir varios valores de x0 con la misma imagen (basta pensar en una funcin constante).
Finalmente, los extremos condicionados son aquellos que si bien maximizan o minimizan una funcin f (x0 )
dada, estn sujetos a verificar cierta ecuacin g(x) = 0. Dicha ecuacin g(x) = 0 tambin se llama condicin o
ligadura, ya que impone una relacin entre las componentes de la variable x Rn .
3.1.
Definiciones y teorema principal
En esta seccin se explica cmo encontrar los extremos relativos, dando reglas o frmulas que permitan el
clculo efectivo de estos extremos. Pero antes se necesitan ciertas definiciones.
3.1.1.
Definiciones
Se presenta a continuacin las definiciones de extremos relativos y absolutos de una funcin escalar de variables
reales (ver figura 3.1).
Definicin 61 (Extremos). Sea f : U Rn R una funcin escalar dada. Se dice que x0 U es un extremo
(mnimo o mximo) de f si se verifican una de las dos condiciones siguientes:
1. Existe un entorno V U de x0 tal que para todo x V , f (x) f (x0 ). En este caso, el punto x0 se
denomina mximo relativo o local de f . Si esta desigualdad se verifica por todo x U , se dice que el punto
x0 es un mximo absoluto o global de f .
2. Existe un entorno V U de x0 tal que para todo x V , f (x) f (x0 ). En este caso, el punto x0 se
denomina mnimo relativo o local de f . Si esta desigualdad se verifica por todo x U , se dice que el punto
x0 es un mnimo absoluto o global de f .
Definicin 62 (Punto crtico). Sea f una funcin diferenciable en x0 Rn . Se dice que x0 es un punto crtico de
f si f (x0 ) = 0, es decir, si el gradiente de f se anula en x0 .
Definicin 63 (Punto de silla). Un punto crtico que no sea un extremo relativo se llama punto de silla.
108
Figura 3.1. Ilustracin de extremos
109
Definicin 64 (Matriz definida negativa). Sea A una matriz simtrica n n. Se dice que A es definida negativa,
y se nota por A < 0 si para todo x Rn , x 6= 0, se cumple que xT Ax < 0.
Definicin 65 (Matriz definida positiva). Sea A una matriz simtrica n n. Se dice que A es definida positiva, y
se nota por A > 0 si para todo x Rn , x 6= 0, se cumple que xT Ax > 0.
En el caso de matrices simtricas, ambas definiciones 64 y 65 se pueden escribir en trminos de valores propios
de una matriz. Se dice que una matriz simtrica es definida positiva si todos sus valores propios son positivos,
mientras que una matriz simtrica A es definida negativa si A es definida positiva.
3.1.2.
Clculo de extremos relativos
Se sabe, por el captulo 1, que una funcin f : U Rn R diferenciable en x0 U , abierto de Rn , puede

ser aproximada alrededor de este punto mediante un desarrollo de Taylor:
f (x) ' f (x0 ) + f (x0 ) (x x0 )
(3.1)
Si se supone que x0 es un mximo relativo de la funcin f , entonces se tiene que tener f (x) f (x0 ) para todo
punto x cercano a x0 . A partir de la ecuacin 3.1, para estos puntos x, se tiene que f (x0 ) (x x0 ) 0.
Se elige un valor particular x que se encuentre en el plano tangente: x = x0 + f (x0 )T donde > 0 es lo
suficientemente pequeo para que la aproximacin 3.1 sea vlida. Entonces se tiene que kf (x0 )k2 0 siendo
> 0. Esto puede ocurrir slo si
f (x0 ) = 0
(3.2)
El razonamiento es equivalente para un mnimo y conduce a la misma ecuacin 3.2. Por lo tanto, el extremo relativo
x0 tiene que ser un punto crtico (ver definicin 62). A continuacin se presenta un teorema con una condicin
necesaria para la existencia de extremos relativos.
Teorema 23 (Extremos relativos). Sea f : U Rn R diferenciable en U , abierto de Rn . Si x0 U es un
extremo relativo de f , entonces f (x0 ) = 0. Es decir, los extremos relativos se producen solamente en puntos
crticos.
Esta condicin es necesaria pero no es suficiente. Resulta que hay otra clase de puntos x0 , llamados puntos de
silla, en los que f (x0 ) = 0. Son puntos en los que segn una direccin son mximos, pero segn otra verifican
la condicin de ser mnimos. Su nombre viene de que, localmente, la funcin f tiene forma de silla de montar a
caballo, tal y como se muestra en la figura 3.2.
Figura 3.2. El origen es un punto de silla: mximo en direccin y, mnimo en direccin x

Falta encontrar un segundo criterio, en este caso condicin suficiente, que permita distinguir de entre los puntos
crticos cules son mximos, cules mnimos, cules punto de silla y cules no son ni una cosa ni la otra. Por eso
se considera un desarrollo de Taylor de orden 2.
110
Sea f : U Rn R una funcin de clase C 2 . El desarrollo de Taylor de orden 2 de f en el punto x0 es:

1
f (x) ' f (x0 ) + f (x0 ) (x x0 ) + (x x0 )T Hf (x0 )(x x0 )
2
(3.3)
donde Hf (x0 ) es la matriz hessiana de f (x) evaluada en x0 . Hay que notar que el smbolo ' (aproximacin) es
necesario, ya que se han desechado los trminos de orden superior a 2. Se ha mejorado as la aproximacin lineal
dada en la ecuacin 3.1, obteniendo una aproximacin cuadrtica.
Como se supone que x0 es un extremo, por el teorema 23, se tiene que f (x0 ) = 0 y la ecuacin 3.3 es de
hecho:
1
f (x) ' f (x0 ) + (x x0 )T Hf (x0 )(x x0 )
2
es decir,
1
f (x) f (x0 ) ' (x x0 )T Hf (x0 )(x x0 )
(3.4)
2
Se consideran ahora tres posibles casos para el punto crtico x0 : mximo, mnimo y punto de silla.
x0 mximo
Por definicin, si f tiene un mximo en x0 , resulta que para todo x cercano a x0 (que es justamente donde 3.4
se cumple), se verifica que
f (x0 ) f (x) f (x) f (x0 ) 0
(3.5)
De ah que usando la ecuacin 3.4, para que se verifique la definicin 61 de mximo, tiene que cumplirse que
1
(x x0 )T Hf (x0 )(x x0 ) 0
2
(3.6)
Esto ocurre si la matriz hessiana Hf (x0 ) de f tiene que definida negativa en x0 :

Hf (x0 ) < 0
(3.7)
Por lo tanto, la funcin f tiene un mximo relativo en el punto crtico x0 si la matriz hessiana Hf (x0 ) es definida
negativa (ver Definicin 64). Notar que la condicin 3.7 es suficiente para que se cumpla la desigualdad 3.6, pero
no es necesaria.
x0 mnimo
De manera anloga, f tiene un mnimo relativo en x0 si para todo x cercano a x0 se verifica f (x0 ) f (x), o
lo que es lo mismo:
1
f (x) f (x0 ) 0 (x x0 )T Hf (x0 )(x x0 ) 0
2
Esto ocurre si la matriz hessiana Hf (x0 ) de f tiene que definida positiva en x0 :
Hf (x0 ) > 0
(3.8)
Por lo tanto, la funcin f tiene un mnimo relativo en el punto crtico x0 si la matriz hessiana Hf (x0 ) es definida
positiva (ver Definicin 65).
x0 punto de silla
111
Por definicin, x0 es un punto de silla de f si es un punto crtico que no es un extremo. Se puede demostrar que
x0 es un punto de silla de f si la matriz hessiana Hf (x0 ) no es ni definida positiva ni definida negativa, y adems
su determinante es diferente de cero.
(
Hf (x0 ) no definida positiva ni negativa
(3.9)
det(Hf (x0 )) 6= 0
Finalmente, si se tiene un punto crtico tal que su matriz hessiana Hf (x0 ) no verifica ninguna de las condiciones
3.7, 3.8 y 3.9, es necesario realizar un estudio ms en detalle para poder decidir qu tipo de extremo es. Que no se
verifiquen ninguna de las tres condiciones anteriores es equivalente a que el determinante de la matriz hessiana en
este punto crtico se anule:
det(Hf (x0 )) = 0
(3.10)
En este libro, cuando se d esta situacin, se dir que no se puede decidir.
El siguiente teorema resume todo lo anterior, juntando la condicin necesaria 3.2 con una de las tres condiciones
suficentes 3.7, o bien 3.8, o bien 3.9.
Teorema 24. Sea f : U Rn R con f C 2 en U , abierto de Rn . Sea Hf (x0 ) la matriz hessiana de f (x) en
x0 . Sea x0 U Rn punto crtico de f . Entonces:
1. Si Hf (x0 ) es definida negativa, entonces f (x) alcanza un mximo relativo en x0 .
2. Si Hf (x0 ) es definida positiva, entonces f (x) alcanza un mnimo relativo en x0 .
3. Si det(Hf (x0 )) 6= 0, pero Hf (x0 ) no es ni definida positiva ni negativa, entonces f (x) tiene un punto de
silla en x0 .
4. Si det(Hf (x0 )) = 0, entones hay que realizar un estudio ms detallado (no se puede decidir nada).
Caso particular: R2
Saber si una matriz es definida positiva o negativa es ms facil cuando esta matriz es 2 2. Por eso, se considerar una funcin f : U R2 R, y se van a dar las condiciones especficas de clculo para este caso. Se usa
como notacin x = (x, y).
Paso 1: Calcular los puntos crticos: f (x, y) = 0. Es decir, resolver el sistema de dos ecuaciones con dos
incgnitas
(x, y) = 0
x
f
(x, y) = 0
y
Si la funcin f no es lineal, el sistema puede ser no lineal tambin. Por lo tanto, puede tener un nmero finito
de soluciones, una infinidad de soluciones, o ninguna solucin. Sea x0 = (x0 , y0 ) una solucin de este sistema.
Recuerde que se tienen que verificar las dos ecuaciones.
Paso 2: Calcular Hf (x, y):
2f
2f
(x,
y)
(x,
y)
x2
x y
Hf (x, y) =
2f
2
f
(x, y)
(x,
y)
x y
y 2
112
Paso 3: Evaluar la matriz hessiana en (x0 , y0 ) y calcular su determinante:

d = det(Hf (x0 ))
Existen tres posibilidades:
1. d < 0 x0 PUNTO DE SILLA
2. d = 0 NO SE PUEDE DECIDIR
3. Si d > 0, estudiar el signo de m1 =
2f
(x0 ):
x2
a) m1 > 0 x0 MNIMO
b) m1 < 0 x0 MXIMO
Nota 16. En el caso d > 0, no es posible tener m1 = 0. Si fuese as, se tendra d =
2
2f
(x, y) 0 y de
x y
ah una contradiccin con d > 0.

Ejemplo 95. Calcular los extremos de la funcin g definida por:
R2
g:
R
x3 x
1 + y2
(x, y)
(3.11)
Paso 1: Los puntos crticos son aquellos que anulan el gradiente:

3
!
2
x x y
g
g
3x 1
g(x, y) =
(x, y) ,
(x, y) =
, 2
= (0, 0)
2
x
y
1 + y2
(1 + y 2 )
Esta igualdad conduce a un sistema de dos ecuaciones con dos incgnitas:
3 x2 1
1 + y2 = 0
3 x2 1 = 0
3
x x y
(x3 x)y = 0
2
=
0
2
(1 + y 2 )
(a)
(b)
1
De (a), se obtiene como nica posibilidad que x = . Poniendo este valor en (b), se obtiene y = 0. Por lo
3
tanto, los puntos crticos de la funcin g son:
1
1
, 0 y , 0
3
3
Paso 2: Ahora hay que calcular la matriz hessiana.
Hg (x, y) =
x
6
1 y2
2
3x 1 y
(1 + y 2 )
3x 1 y
2
(1 + y 2 )
3
1 3y 2
2 x x
3
(1 + y 2 )
113
1
Paso 3: Se evalua Hg (x, y) en cada punto crtico. En el punto crtico , 0 , esta matriz vale:
3
2 3
0
1
Hg ( , 0) =
4
3
0
3
9
Se calcula ahora su determinante:
1
8
d = det Hg ( , 0) = > 0 , m1 = 2 3 < 0
3
3
1
y por lo tanto se trata del caso 3 b) obteniendo un mximo relativo en , 0 . En el otro punto crtico, la
3
matriz hessiana es

2 3
0
1
Hg ( , 0) =
4
3
0
3
9
con
1
8
d = det(Hg ( , 0)) = > 0 , m1 = 2 3 > 0
3
3
1
con lo que la funcin g(x, y) tiene un mnimo relativo en el punto , 0 .
3
Caso general: Rn
En el caso general, para poder aplicar el teorema 24 es necesario decidir si Hf (x0 ) es definida positiva o definida
negativa. Pero, al estar en Rn , n > 2, Hf (x0 ) tiene dimensin n y el criterio dado para R2 no sirve. Es necesario
utilizar otros criterios, como el de Sylvester.
Teorema 25 (Criterio de Sylvester). Sea mk el menor principal de orden k de la matriz A simtrica. Entonces,
suponiendo que mk 6= 0 para todo k:
1. Si todos los menores de la matriz A son positivos, entonces A es definida positiva:
A > 0 mk > 0 k = 1, . . . , n
2. Si los menores principales mk tienen signos alternados con m1 < 0, entonces A es definida negativa:
A < 0 m1 < 0 , m2 > 0 , m3 < 0 , etc
Ejemplo 96. Determinar los extremos de la funcin f (x, y, z) = x2 + y 2 + z 2 xy + 2.
Solucin
Se resuelve el gradiente de la funcin f igualado a cero:
f
= 2x y = 0
x
f
= 2y x = 0
y
f
= 2z = 0
z
114
Por lo tanto, el nico punto crtico es el origen (0, 0, 0). Se calcula ahora la matriz hessiana de f :
2 1 0
Hf (x, y, z) = 1 2 0
0
0 2
Se evala en el punto crtico y se estudia si es definida positiva o negativa. En este caso Hf (x, y, z) es constante.
Se calculan sus menores:
2 1
= 3 > 0 , m3 = det(Hf (x)) = 6 > 0

m1 = 2 > 0 , m2 =
1 2
Como todos los menores de Hf (x, y, z) son positivos, por el criterio de Sylvester, Hf (x, y, z) es definida positiva
y el punto (0, 0, 0) es un mnimo relativo con valor f (0, 0, 0) = 2.
3.2.
Extremos condicionados
En esta seccin se desarrollan tcnicas para calcular los mximos y mnimos de una funcin f : U Rn R
que se encuentran sobre una determinada superfcie, es decir, que verifican cierta condicin g(x) = 0.
3.2.1.
Multiplicadores de Lagrange
Para entender cmo calcular los extremos condicionados, se considera el ejemplo siguiente.
Ejemplo 97. Se desea calcular los puntos de la curva x2 + 3y 2 = 1 ms cercanos al origen de coordenadas.
p
Primero se replantea este problema en el siguiente: calcular un mnimo de la funcin distancia f (x) = x2 + y 2
para los puntos x = (x, y) verificando g(x) = x2 + 3y 2 1 = 0. Es decir,
p
f (x) = x2 + y 2
funcin a extremar
g(x) = x2 + 3y 2 1 = 0
condicin
En general, el problema de extremos condicionados consiste en extremar (minimizar o maximizar) una funcin
f (x) bajo una cierta condicin g(x) = 0. Se busca, pues, un punto sobre la superfcie g(x) = 0 que extreme la
funcin f (x). El siguiente teorema da una condicin necesaria para encontrar un extremo condicionado.
Teorema 26 (Multiplicadores de Lagrange). Sean f : U Rn R y g : U Rn R funciones diferenciables
dadas. Sea x0 U , g(x0 ) = 0 y sea la superfcie S = {x Rn tal que g(x) = 0}. Se supone que g(x0 ) 6= 0.
Si f |S , que denota f restringida a S, tiene un mximo o un mnimo en x0 , entonces existe un nmero real 1 tal
que f (x0 ) = 1 g(x0 ).
La figura 3.3 izquierda ilustra el teorema 26. Se dibujan varias curvas de nivel de la funcin f , es decir, curvas
cuya ecuacin es f (x) = c, donde c es una constante. En la figura 3.3 izquierda se considera c = 1/2, c = 2 y
c = 11. Se dibuja tambin la curva de nivel g(x) = 0, que es la condicin. El problema es encontrar un punto M
sobre la curva g(x) = 0 que minimiza f (x). Los puntos A y B corresponden a f (x) = c = 11. Si el valor de c va
bajando, llega un momento en que hay un solo punto de interseccin entre la curva de nivel f (x) = c y g(x) = 0
(punto M en la figura 3.3 izquierda). Este punto corresponde al valor mnimo deseado, ya que para valores ms
pequeos de c no hay interseccin entre la curva de nivel f (x) = c y g(x) = 0. En el punto M de interseccin, las
dos curvas de nivel son tangentes, lo que implica que el vector gradiente en M de cada una de ellas tiene la misma
direccin. Por eso f (x0 ) = g(x0 ).
115
Figura 3.3. Multiplicadores de Lagrange
Se resuelve ahora el ejemplo 97 siguiendo esta tcnica. En la figura 3.3 derecha se ha dibujado la curva de nivel
1
g(x) = x2 + 3y 2 1 = 0, que es una elipse. Tambin se representan tres circunferencias de radios 0,4; ; 1,3 y
3
1
centro el origen. Estos tres cculos corresponden a las curvas de nivel f (x) = c, con c = 0,4; c = y c = 1,3.
3
1
Se observa que hay dos puntos de tangencia entre la elipse y el crculo de radio c = . Estos dos puntos son la
3
solucin del problema.
3.2.2.
Resolucin del problema de extremos condicionados
Sea el problema de extremos condicionados

(
f (x)
funcin a extremar
g(x) = 0
condicin
La condicin necesaria de existencia de extremos es

f (x) = 1 g(x)
Esta relacin puede escribirse de la forma siguiente
(f (x) + g(x)) = 0
donde = 1 . De esta manera aparece naturalmente la funcin (x, ) = f (x) + g(x), llamada funcin de
Lagrange o lagrangiana y verifica
(x, ) = 0
(3.12)
A esta relacin se tiene que aadir la condicin (que se llama tambin ligadura) g(x) = 0. Notar que se tiene
(x, ) = g(x), con lo cual la ecuacin de la ligadura puede escribirse como (x, ) = 0.
Al resolver 3.12, se obtienen los posibles extremos condicionados. Hay que verificar siempre que se obtienen
valores reales tanto para el punto x como para el parmetro . Ahora hay que decidir cules son mnimos y cules
mximos. Existen reglas para tener esta informacin, pero debido a su complejidad no se presentan en este libro.
Para determinar los mnimos y mximos se usarn razonamientos fsicos que aprovechan alguna peculiaridad del
116
problema.
Regla de clculo
Paso 1: Definir la funcin (x, ) = f (x) + g(x).
Paso 2: Resolver = 0, en funcin de x y .
Paso 3: En los valores que resuelven el paso 2, evaluar f . Los de mayor imagen por f sern posibles mximos
condicionados, y los de menor imagen por f sern posibles mnimos condicionados.
p
Ejemplo 98. Se retoma el ejemplo 97. En lugar de extremar la funcin f (x) = x2 + y 2 , es equivalente y ms
sencillo extremar su cuadrado. El problema entonces es el siguiente
(
f (x) = x2 + y 2
funcin a extremar
g(x) = x2 + 3y 2 1 = 0
condicin
Paso 1: (x, ) = x2 + y 2 + (x2 + 3y 2 1).

Paso 2: Se plantea = 0:
(x, ) = 2x + 2 x = 0
(a)
(x, ) = 2y + 6 y = 0
(b)
(x, ) = x2 + 3y 2 1 = 0 (c)
Tienen que verificarse las tres ecuaciones. De (a), se saca que = 1, o bien, x = 0. Primero se considera
= 1:
Si = 1 En (b) : y = 0 En (c) : x = 1
Ahora falta estudiar el caso x = 0:
1
1
Si x = 0 En (c) : y = En (b) : =
3
3
Se han obtenido 4 posibles soluciones a este problema:
1
1
(1, 0) , (1, 0) , (0, ) , (0, )
3
3
Paso 3: Se calculan las imgenes por f de estos puntos:
1
1
f (1, 0) = 1 , f (1, 0) = 1 , f 0,
= 3 , f 0,
=3
3
3
Por lo tanto, los puntos (1, 0) corresponden a los posibles mnimos. La figura 3.3 (b) ensea que es realmente
as.
Nota 17. Siempre hay que tener en cuenta que existe un camino fcil para resolver un problema de extremos
condicionados: substituir la condicin g(x) = 0 en la funcin f y tratar el problema como un problema de extremos
relativos rebajando en uno el nmero de incgnitas. Esto se har siempre que sea fcil aislar una variable de
g(x) = 0. Entonces se susbtituir en f y se seguirn los pasos presentados en el apartado 3.1.
117
Ejemplo 99. Se desean calcular los puntos de la superfcie

z 2 = x2 +y 2 que se hallan ms cerca del punto (1, 0, 0).
p
Esto equivale a minimizar la distancia d(x, y, z) = (x 1)2 + y 2 + z 2 bajo la condicin z 2 = x2 + y 2 . Es ms
sencillo trabajar con el cuadrado de la distancia:
f (x, y, z) = (x 1)2 + y 2 + z 2
La condicin viene dada por la relacin
z=
x2 + y 2
Substituyendo z en la expresin de f se obtiene:

p
h(x, y) = f (x, y, x2 + y 2 ) = (x 1)2 + y 2 + x2 + y 2
Ahora slo queda resolver el problema de extremos libres relativos:
2(x 1) + 2x = 0
x = 12
h = 0
4y = 0
y=0
La matriz hessiana de h evaluada en ( 12 , 0) es:
1
Hh ( , 0) =
2
4
0
0
4
2
que resulta ser una matriz definida positiva. Por lo tanto, el punto x = 21 , y = 0 y z = 21 + 02 = 41 es un
mnimo relativo de f (x, y, z), es decir, es el punto de la superfcie z 2 = x2 + y 2 que se encuentra ms prximo a
(1, 0, 0).
Si existe ms de una condicin o ligadura, el teorema 26 se puede generalizar. Si la funcin f tiene un extremo x0
condicionado a:
g1 (x) = 0 , g2 (x) = 0 , . . . , gr (x) = 0
entonces han de existir constantes 1 , . . . , r tales que
f (x0 ) = 1 g1 (x0 ) + 2 g2 (x0 ) + + r gr (x0 )
El problema se resolver de manera anloga al caso de tener una nica ligadura, considerando como funcin de
Lagrange
(x, 1 , , r ) = f (x) + 1 g1 + + r gr
Ejemplo 100. Se va a hallar el punto de interseccin de los planos x + y = 4 y y + z = 6 que est ms proximo al
origen. Para ello, al ser un problema de extremos condicionados, primero hay que definir la funcin de Lagrange:
(x, y, z, 1 , 2 ) =
x2 + y 2 + z 2
|
{z
}
f unci
on a extremar
Al resolver = 0:
+1 (x + y 4) +2 (y + z 6)
|
{z
}
| {z }
condici
on 1
2x + 1 = 0
2y + 1 + 2 = 0
2z + 2 = 0
x+y4=0
y+z6=0
se obtiene como solucin:
2
10
8
, y=
, z=
3
3
3
Por lo tanto, ste es el punto interseccin de los planos ms cercano al origen.
x=
condici
on 2
118
3.3.
Problemas resueltos
PR 3.1. Calcular los mximos y mnimos relativos de la funcin: z = xy(3 x y).

Resolucin
1. Hay que resolver f = 0 para encontrar los puntos crticos:
(
(
y=0
y(3 2x y) = 0
f = 0
x=0
x(3 x 2y) = 0
o bien
3 2x y = 0
o bien
3 2y x = 0
Los valores de (x, y) que verifican estas condiciones son los siguientes:
(0, 0) , (3, 0) , (0, 3) , (1, 1)
2. Hay que calcular la matriz hessiana Hf (x, y):
Hf (x, y) =
2y
3 2x 2y
3 2x 2y
2x
3. Ahora, para cada uno de los 4 puntos crticos obtenidos, se decide si la matriz hessiana es definida positiva
o negativa.
!
0 3
Hf (0, 0) =
3 0
Como det(Hf (0, 0)) = 9 < 0, resulta que (0, 0) es un punto de silla.
Hf (3, 0) =
Como det(Hf (3, 0)) = 9 < 0, resulta que (3, 0) es otro punto de silla.
Hf (0, 3) =
Como det(Hf (0, 3)) = 9 < 0, resulta que (0, 3) un tercer punto de silla.
Hf (1, 1) =
Como det(Hf (1, 1)) = 3 > 0 y m1 = 2 < 0, resulta que Hf (1, 1) es definida negativa y el punto (1, 1)
es un mximo relativo.
>
f:=(x,y)->x*y*(3-x-y);
>
# Para calcular el gradiente se puede usar el comando Gradient

#
del paquete Student[MultivariateCalculus]
f := (x, y) 7 xy (3 x y)
119
>
Gf:=Student[MultivariateCalculus]:-Gradient(f(x,y),[x,y]);
"
y (3 x y) xy
Gf :=
x (3 x y) xy
>
# Calculamos los puntos crticos
>
solve({Gf[1]=0,Gf[2]=0},{x,y});
{y = 0, x = 0} , {x = 3, y = 0} , {y = 3, x = 0} , {x = 1, y = 1}
>
>
>
>
>
>
# El comando Gradient tambien permite dibujar el gradiente de la funcin

Student[MultivariateCalculus]:-Gradient(f(x,y),[x,y],output=gradplot,
color=red,view=[-1..4,-1..4],thickness=1);
# Con la opcin output=plot, se dibuja la funcin,

#
las curvas de nivel para los puntos dados
#
la proyeccin de las curvas de nivel en el plano XY
#
y los vectores gradiente para los puntos dados
# Observacin: como los puntos dados son los puntos crticos,
#
el gradiente en estos puntos es 0 y por lo tanto no se ve en la figura
Student[MultivariateCalculus]:-Gradient(f(x,y),[x,y]=[[0,0],[3,0],[0,3],[1,1]],
x=-2..5, y=-2..5, z=-1..2, output=plot,numpoints=5000);
# En la figura se ve que el punto (1,1) es un mximo relativo

#
y que los otros tres puntos crticos son puntos de silla
# El paquete VectorCalculus tambin nos permite calcular
#
el gradiente y la hessiana de una funcin
>
VectorCalculus:-Gradient(f(x,y),[x,y]);
>
Hf:=VectorCalculus:-Hessian(f(x,y),[x,y]);
(y (3 x y) xy) ~ex + (x (3 x y) xy) ~ey

"
Hf :=
>
Hf:=unapply(Hf,[x,y]):
2 y
3 2x 2y
3 2x 2y
2 x
120

>
Hf(0,0);
LinearAlgebra:-Determinant(%);
"
0 3
3 0
9
>
Hf(3,0);
"
9
>
Hf(0,3);
"
9
>
Hf(1,1);
"
>
# Para calcular los mximos y mnimos absolutos de una funcin

#
tambin se pueden utilizar los comandos maximize y minimize
>
maximize(f(x,y),[x,y]);
>
minimize(f(x,y),[x,y]);
>
# En este caso no existen mximos y mnimos relativos

# Vamos a representar el comportamiento de f(x,y) entorno de cada punto crtico
#
Para saber las direcciones caractersticas entorno de un punto crtico
#
se utilizan los vectores propios de la matriz hessiana (Eigenvectors)
>
>
>
with(plots): with(plots,intersectplot):
DibujoPuntosCriticos:=proc(f,xp,yp,Hfx,xrange,yrange,zrange,orient)
local v;
v:=[LinearAlgebra:-Eigenvectors(Hf(xp,yp))]:
display(
plot3d(f(x,y),x=-1..4,y=-1..4,style=patchnogrid,color=grey,
numpoints=5000),
implicitplot3d(v[2][1,2]*(x-xp)-v[2][1,1]*(y-yp)=0,x=xrange,y=yrange,
z=zrange,color=green,transparency=0.7,style=patchnogrid),
intersectplot(z=f(x,y),v[2][1,2]*(x-xp)-v[2][1,1]*(y-yp)=0,x=xrange,
y=yrange,z=zrange,color=green,thickness=3),
implicitplot3d(v[2][2,2]*(x-xp)-v[2][2,1]*(y-yp)=0,x=xrange,y=yrange,
z=zrange,color=red,transparency=0.5,style=patchnogrid),
intersectplot(z=f(x,y),v[2][2,2]*(x-xp)-v[2][2,1]*(y-yp)=0,x=xrange,
y=yrange,z=zrange,color=red,thickness=3),
view=[xrange,yrange,zrange],orientation=orient
);
end proc:
121
>
DibujoPuntosCriticos(f,0,0,Hf(0,0),-1..1,-1..1,-1..3,[120,60]);
>
DibujoPuntosCriticos(f,3,0,Hf(3,0),2..4,-1..1,-1..2,[120,60]);
>
DibujoPuntosCriticos(f,0,3,Hf(0,3),-1..1,2..4,-1..3,[-60,60]);
>
DibujoPuntosCriticos(f,1,1,Hf(1,1),0..2,0..2,-1..2,[-20,70]);
122
>
>
>
>
# Vamos a dibujar toda la informacin junta

v00:=[LinearAlgebra:-Eigenvectors(Hf(0,0))]:
display(
plot3d(f(x,y),x=-1..4,y=-1..4,style=patchnogrid),
intersectplot(z=f(x,y),v00[2][1,2]*(x-0)-v00[2][1,1]*(y-0)=0,x=-0.5..0.5,
y=-0.5..0.5,z=-1..2,color=green,thickness=3),
y=-0.5..0.5,z=-1..2,color=green,thickness=3),
intersectplot(z=f(x,y),v30[2][1,2]*(x-3)-v30[2][1,1]*(y-0)=0,x=2.5..3.5,
y=-0.5..0.5,z=-1..2,color=red,thickness=3),
y=-0.5..0.5,z=-1..2,color=red,thickness=3),
y=2.5..3.5,z=-1..2,color=maroon,thickness=3),
y=2.5..3.5,z=-1..2,color=maroon,thickness=3),
y=0.5..1.5,z=-1..2,color=blue,thickness=3),
y=0.5..1.5,z=-1..2,color=blue,thickness=3),
view=[-1..4,-1..4,-1..5],orientation=[95,65]
);
# Se recomienda mover la figura para ver correctamente el comportamiento

#
de la funcin entorno de los puntos crticos
PR 3.2. Calcular los extremos relativos de la funcin f (x, y) = x2 y 2 .

Resolucin
1. Se calculan sus puntos crticos, resolviendo f = 0:
2xy 2 = 0
x = 0 para todo y R o bien y = 0 para todo x R
2yx2 = 0
Por lo tanto, los posibles extremos relativos son todos los puntos del eje X, (x, 0) y todos los puntos del eje
Y , (0, y).
2. La matriz hessiana es
Hf (x, y) =
2y 2
4xy
4xy
2x2
123
3. El determinante de la matriz hessiana vale d = 12x2 y 2 . Evaluando en los puntos crticos, se obtiene
siempre que d = 0 y no se puede decidir.
En estos casos, las herramientas presentadas fallan, y hay que estudiar directamente la funcin. En este ejercicio,
la funcin f (x, y) = x2 y 2 es siempre positiva, para cualquier valor de x e y:
f (x, y) = x2 y 2 0
y alcanza su valor mnimo en 0. Pero f (x, y) = 0 slo es cierto si x = 0, o bien y = 0, es decir, en los puntos
crticos que se han obtenido en el primer paso. Por lo tanto, cualquier punto situado en los ejes de coordenadas X
e Y es un mnimo relativo, obteniendo infinitos mnimos relativos.
>
f:=(x,y)->x^2*y^2:
>
Gf:=Student[MultivariateCalculus]:-Gradient( f(x,y), [x,y] );
"
Gf :=
2 xy 2
2 x2 y
>
solve({Gf[1]=0,Gf[2]=0},{x,y});
>
# Los puntos crticos son de la forma (x,0) e (0,y).
>
{y = y, x = 0} , {y = y, x = 0} , {x = x, y = 0}
"
Hf :=
>
>
Hf(x,0);
"
2 y2
4 xy
4 xy
2 x2
0 2 x2
>
Hf(0,y);
0
"
2 y2
>
# Por lo tanto no podemos decir nada sobre si son mximos, mnimos

#
o puntos de inflexin
>
minimize(f(x,y),[x,y],location);
>
# En este caso la funcin minimize nos dice que en los puntos de la forma x=0
#
o y=0 hay mnimos absolutos y en este caso el valor de la funcin es 0
# Utilizamos la funcin definida en el problema anterior en el punto (1,0)
#
Para que la funcione correctamente hace falta ejecutar las lneas
#
correspondientes del problema anterior
# Vemos que respecto a la direccin roja, la funcin es constante
#
mientras que en la direccin verde el punto (1,0) representa un mnimo
0, {[{y = 0, x = 0} , 0]}
>
>
DibujoPuntosCriticos(f,1,0,Hf(1,0),0..2,-1..1,-1..3,[120,60]);
124
>
# Utilizamos la funcin definida en el problema anterior en el punto (0,1)

# Vemos que el comportamiento alrededor del punto (0,1) es anlogo al del (1,0)
>
DibujoPuntosCriticos(f,0,1,Hf(0,1),-1..1,0..2,-1..3,[75,65]);
>
# Por lo tanto en x=0 e y=0 la funcin vale 0 y alcanza un mnimo
>
with(plots):
display(
plot3d(f(x,y),x=-1..1,y=-1..1,style=patchnogrid),
plot3d(0,x=-3..3,y=-3..3,grid=[3,3],style=wireframe,color=blue,thickness=3),
view=[-1..1,-1..1,-0.1..1],orientation=[20,60]
);
>
PR 3.3. Calcular los extremos relativos de la funcin f (x, y, z) = yx2 + y 2 + z 2 + xy.
125
Resolucin
El primer paso es resolver el gradiente de f (x, y, z):
f
= 2xy + y = 0
x
(3.13)
f
= x2 + 2y + x = 0
y
(3.14)
f
= 2z = 0
z
(3.15)
De la ecuacin 3.15, se obtiene que z = 0. De 3.13, se tienen dos posibilidades:

(
2xy + y = 0
y=0
2x + 1 = 0 x =
1
2
Al poner y = 0 en la ecuacin 3.14, se obtiene:

x2 + x = 0 x = 1 , x = 0
Por lo tanto, ya se han obtenido los puntos (1, 0, 0) y (0, 0, 0). Por otro lado, poniendo x = 1
2 en la ecuacin
1
3.14, se obtiene y = 18 . Por lo tanto, se tiene el punto ( 1
,
,
0).
Ahora
falta
decidir
si
son
o
no
extremos. Para
2 8
ello, hay que calcular la matriz hessiana de f (x, y, z) en estos puntos. La hessiana es
2y
2x + 1 0
2
0
Hf = 2x + 1
0
0
2
Por lo tanto, se tiene que:
0 1
Hf (0, 0, 0) = 1 2
0 0
que no decide.
Hf (
1 0
Hf (1, 0, 0) = 1
0
que tampoco decide. Y finalmente,
2
0
1
4
1 1
, , 0) = 0
2 8
0
2
0
1
que es una matriz definida positiva. Por lo tanto, la funcin f (x, y, z) tiene un mnimo en ( 1
2 , 8 , 0).
126
PR 3.4. Calcular los extremos relativos de la funcin f (x, y) = (x2 + y 2 )ex
y 2
Resolucin
Primero hay que resolver f = 0, es decir, hay que encontrar los valores de x e y que anulan el gradiente de
f:
2
2
2
2
2xex y 2x(x2 + y 2 )ex y = 0
que es equivalente a
2yex
y 2
2y(x2 + y 2 )ex
y 2
=0
2
2
2x ex y (1 x2 y 2 ) = 0
2y ex
y 2
(1 x2 y 2 ) = 0
Teniendo en cuenta que la funcin exponencial no se anula, de la primera ecuacin se obtiene que x = 0, o bien
1 x2 y 2 = 0. De la segunda ecuacin se obtiene y = 0 o bien 1 x2 y 2 = 0. Por lo tanto, los puntos crticos
son:
(0, 0), D = {(x, y) R2 |x2 + y 2 = 1}
1,6
1,2
0,8
0,4
0
-1,5 -1
-0,5
x
0,5
1,5
1,5
1
0,5
0
y
-0,5
-1
-1,5
Figura 3.4. Grfica de la funcin f (x, y) = (x2 + y 2 )ex
y 2
127
Ahora hay que evaluar la matriz hessiana en estos puntos, es
(1 x2 y 2 )(2 4x2 ) 4x2

x2 y 2
H(x, y) = e
4 yx 2 + x2 + y 2
4 yx 2 + x2 + y 2
(1 x2 y 2 )(2 4y 2 ) 4y 2
Al evaluar esta matriz en el punto crtico (0, 0), se obtiene:

!
2 0
0 2
que resulta ser definida positiva (determinante positivo, menor principal de orden 1 positivo). Por lo tanto, el punto
(0, 0) es un mnimo relativo, con valor f (0, 0) = 0. En los puntos (x, y) D, la matriz hessiana es
4x2 4 yx
1
H(x, y) 2 2 = e
x +y =1
4 yx 4y 2
Resulta que el determinante de esta matriz hessiana para {(x, y) D vale
det(H) = e1 (16 x2 y 2 16 x2 y 2 ) = 0
Por lo tanto, para los puntos que se encuentran en la circunferencia (x, y) D no se puede decidir si son extremos
relativos. Es necesario usar otra estrategia. Teniendo en cuenta como es la funcin f (x, y) y los puntos (x, y) D,
hay que darse cuenta que si se hace el cambio:
t = x2 + y 2
se obtiene que
f (x, y) = (x2 + y 2 )ex
y 2
f (t) = tet
y el conjunto D pasa a ser {t R|t = 1}. Por lo tanto, el problema se ha reducido a calcular los extremos de una
funcin de una nica variable t:
f 0 (t) = 0 et tet = 0 t = 1
Existe un extremo en t = 1, es decir, en x2 + y 2 = 1, tal y como ya sabamos. Para decidir si es mximo a mnimo,
se calcula la derivada segunda y se evala en t = 1:
f 00 (t) = et et + tet = et (t 2)
En t = 1 se obtiene:
f 00 (1) = e1 < 0 t = 1 maximo
Por lo tanto, los puntos (x, y) verificando que x2 + y 2 = 1 son mximos de f (x, y), con valor 1e , tal y como
muestra la figura 3.4.
>
f:=(x,y)->(x^2+y^2)*exp(-x^2-y^2):
>
"
Gf :=
>
2 xex
y 2
2 yex
y 2
2
2 #
2 x2 + 2 y 2 xex y
2
2
2 x2 + 2 y 2 yex y
PuntosCriticos:=solve({Gf[1]=0,Gf[2]=0},{x,y});
PuntosCriticos := {y = 0, x = 0} , {x = 1, y = 0} , {y = 0, x = 1} , y = y, x = RootOf _Z 2 1 + y 2
128

>
# Los puntos crticos son de la forma (0,0), (1,0), (-1,0)

#
y los ceros (races) de la expresin x^2+y^2-1=0 -> x^2+y^2=1
#
estos ltimos puntos representan los puntos de la circunferencia
#
de radio 1 centrada en (0,0)
#
# Notad que los puntos (1,0) y (-1,0) tambin estn contenidos en la expresin
#
x^2+y^2=1, por lo tanto los puntos crticos son (0,0)
#
y los puntos de la circunferencia
>
Hf:=VectorCalculus:-Hessian(f(x,y),[x,y]):
>
Hf(0,0);
>
"
2 0
0 2
4
>
Hf(x,y);
hh
2
2
2
2
2
2
8 x2 ex y 2 x2 + 2 y 2 ex y + 4 x2 + 4 y 2 x2 ex y ,
i
2
2
2
2
8 xyex y + 4 x2 + 4 y 2 xyex y ,
h
2
2
2
2
8 xyex y + 4 x2 + 4 y 2 xyex y ,
ii
2
2
2
2
2
2
2
2
2 ex y 8 y 2 ex y 2 x2 + 2 y 2 ex y + 4 x2 + 4 y 2 y 2 ex y
>
2 ex
y 2
subs(x^2+y^2=1,%);
"
y 2
4 xyex
y 2
4 y 2 ex
4 x2 e1
4 xye1
4 xye1
4 y 2 e1
4 x2 ex
4 xyex
>
subs(exp(-x^2-y^2)=exp(-1),%);
"
y 2
y 2
>
>
# Usamos los comandos maximize y minimize para encontrar los mximos y mnimos
>
maximize(f(x,y),[x,y],location);
>
minimize(f(x,y),[x,y],location);
e1 , [{y = 0, x = 1} , e1 ], [{x = 1, y = 0} , e1 ]
0, {[{x = } , 0], [{y = 0, x = 0} , 0], [{y = } , 0], [{y = } , 0], [{x = } , 0]}
>
# Vamos a ver visualmente los resultados para los puntos (0,0) y (1,0)
>
DibujoPuntosCriticos(f,0,0,Hf(0,0),-1..1,-1..1,-0.1..0.75,[70,75]);
129
>
# Vemos que en el punto (0,0) claramente hay un mnimo relativo

#
el punto (0,0) representa un mnimo para las dos direcciones principales
>
DibujoPuntosCriticos(f,1,0,Hf(1,0),-2..2,-1..1,-0.1..0.75,[70,75]);
>
# Vemos que en el punto (1,0) claramente hay un mximo relativo

#
el punto (1,0) representa un mximo para las dos direcciones principales
# La matrix hessiana da cero porque en la direccin roja
#
la funcin tiene pendiente nulo en el punto (1,0)
>
with(plots):
display(
plot3d(f(x,y),x=-2..2,y=-2..2,style=patchnogrid,numpoints=5000,
transparency=0.5),
spacecurve([sin(t),cos(t),f(sin(t),cos(t))],t=0..2*Pi,color=blue,thickness=2),
pointplot3d([0,0,0],color=blue),
view=[-2..2,-2..2,0..0.5],orientation=[40,70]
);
>
PR 3.5. Determinar los extremos de la funcin f (x, y, z) = x2 + y 2 + z 2 xy + 2.
130
Resolucin
Se resuelve el gradiente de la funcin f igualado a cero:
f
= 2x y = 0
x
f
= 2y x = 0
y
f
= 2z = 0
z
Por lo tanto, el nico punto crtico es el origen (0, 0, 0). Se calcula ahora la matriz hessiana de f :
1 0
Hf (x, y, z) = 1
2
0
Se evala en el punto crtico y se estudia si es definida positiva o negativa. En este caso Hf (x, y, z) es constante.
Se calculan sus menores:
2 1
= 3 > 0 , m3 = det(Hf (x)) = 6 > 0

m1 = 2 > 0 , m2 =
1 2
Por lo tanto, el punto (0, 0, 0) es un mnimo relativo con valor f (0, 0, 0) = 2.
>
f:=(x,y,z)->x^2+y^2+z^2-x*y+2:
f(x,y,z)=f(x,y,z);
f (x, y, z) = x2 + y 2 + z 2 xy + 2
>
Gf:=Student[MultivariateCalculus]:-Gradient( f(x,y,z), [x,y,z] );
2x y
Gf :=
2y x
2z
>
PuntosCriticos:=solve({Gf[1]=0,Gf[2]=0,Gf[3]=0},{x,y,z});
PuntosCriticos := {z = 0, y = 0, x = 0}
>
Hf:=VectorCalculus:-Hessian(f(x,y,z),[x,y,z]);
Hf :=
1
0
>
>
1
2
0
Hf(0,0,0);
1 0
2
0
6
131
PR 3.6. Sea la funcin f : R2 R definida por

3
f (x, y) = x3 y 3 + x2 + 3y 2
2
Se pide lo siguiente:
1. Calcular los puntos crticos de f en todo R2 , especificando si son mximos relativos, mnimos relativos o
puntos de silla y el valor de la funcin en cada uno de ellos.
2. Calcular los valores mximo y mnimo de f (x, y) sobre la circunferencia x2 + y 2 = 1.
Resolucin
1. Para calcular los puntos crticos de la funcin f se tiene que calcular su gradiente y igualarlo a cero: f =
(3x2 + 3x, 3y 2 + 6y) = (0, 0). Se reescribe esta igualdad como el sistema de ecuaciones
3x(x 1) = 0,
3y(y 2) = 0
que tiene como soluciones los cuatro puntos crticos (0, 0), (0, 2), (1, 0) y (1, 2).
Para determinar si son mximos relativos, mnimos relativos o puntos de silla, se tiene que evaluar la matriz
hessiana
2f
2f
x2
6x + 3
0
yx
Hf (x, y) =
=
2f
2f
0
6y + 6
xy
y 2
en cada uno de los puntos crticos. De esta manera se deduce que
3 0
Hf (0, 0) =
tiene menores principales: m1 = 3 > 0 y d = 18 > 0. Por lo tanto, (0, 0) es
0 6
un mnimo relativo con valor f (0, 0) = 0.
3 0
tiene menores principales m1 = 3 > 0 y d = 18 < 0. Por lo tanto, (0, 2)
Hf (0, 2) =
0 6
es un punto de silla con valor f (0, 2) = 4.
3 0
Hf (1, 0) =
tiene menores principales m1 = 3 < 0 y d = 18 < 0. Por lo tanto, (1, 0)
0 6
es un punto de silla con valor f (1, 0) = 12 .
3 0
Hf (1, 2) =
tiene menores principales m1 = 3 < 0 y d = 18 > 0. Por lo tanto, (1, 2)
0 6
es un mximo relativo con valor f (1, 2) = 29 .
2. Se puede resolver este problema utilizando la funcin lagrangiana (x, y, ) = f (x, y) + (x2 + y 2 1) y
calculando sus puntos crticos, que resultan ser soluciones del sistema siguiente:
= 3x2 + 3x + 2x = x(3x + 3 + 2) = 0
= 3y 2 + 6y + 2y = y(3y + 6 + 2) = 0
= x2 + y 2 1 = 0
De la primera ecuacin se obtiene:
132
x = 0, y a partir de la tercera ecuacin se obtiene que y = 1. Por lo tanto, se obtienen los puntos
(0, 1) y (0, 1).
3x 3
O bien, =
.
2
Y de la segunda ecuacin:
y = 0, y a partir de la tercera, x = 1. Por lo tanto, se obtienen los puntos (1, 0) y (1, 0).
3y 6
.
O bien, =
2
Las dos ltimas posibilidades (igualando ) implican que:
3x 3
3y 6
=
y =x+1
2
2
y utilizando la tercera ecuacin da de nuevo (1, 0) y (0, 1). As se obtienen cuatro candidatos a extremos
condicionados de la funcin f sobre la circunferencia x2 + y 2 = 1: (1, 0) y (0, 1). Los valores de la
funcin sobre estos puntos son
f (1, 0) =
1
,
2
5
,
2
f (1, 0) =
f (0, 1) = 2
f (0, 1) = 4
Por lo tanto, los extremos condicionados buscados son

1
(1, 0) es el posible mnimo con valor ,
2
(0, 1) es el posible mximo con valor 4.
>
f:=(x,y)->-x^3-y^3+3/2*x^2+3*y^2:
f(x,y)=f(x,y);
f (x, y) = x3 y 3 + 3/2 x2 + 3 y 2
>
"
Gf :=
>
3 x2 + 3 x
3 y 2 + 6 y
"
Hf :=
6 x + 3
6 y + 6
>
>
LinearAlgebra:-Determinant(Hf(x,y));
18 (2 x 1) (y 1)
>
# Apartado 1)
>
PuntosCriticos:=solve({Gf[1]=0,Gf[2]=0},{x,y});
>
Hf(0,0);
LinearAlgebra:-Determinant(Hf(0,0));
PuntosCriticos := {y = 0, x = 0} , {y = 2, x = 0} , {x = 1, y = 0} , {x = 1, y = 2}
"
3 0
0 6
18
133
>
Hf(0,2);
"
18
>
Hf(1,0);
"
18
>
Hf(1,2);
"
18
>
#
#
#
#
#
#
#
#
#
#
#
#
En este caso como la matriz hessiana es diagonal,

las dos direcciones principales seran las (1,0) y (0,1)
Adems, el comportamiento de la funcin entorno a los puntos crticos
vendr dado por el signo de los elementos de la diagonal
En el (0,0) tenemos un mnimo (valor >0) en las dos direcciones
-> mnimo relativo
En el (0,2) tenemos un mnimo y un mximo (positivo y negativo)
-> punto de silla
En el (1,0) tenemos un mnimo y un mximo (positivo y negativo)
-> punto de silla
En el (1,2) tenemos un mximo (valor <0) en las dos direcciones
-> mximo relativo
>
# Vamos a ver el comportamiento grficamente
>
DibujoPuntosCriticos(f,0,0,Hf(0,0),-0.5..0.5,-0.5..0.5,-0.25..1,[70,75]);
>
DibujoPuntosCriticos(f,0,2,Hf(0,2),-1..1,1..3,2..6,[40,75]);
134
>
DibujoPuntosCriticos(f,1,0,Hf(1,0),0..2,-0.5..0.5,0.25..1,[50,75]);
>
DibujoPuntosCriticos(f,1,2,Hf(1,2),0..2,1..3,3.5..5,[70,75]);
>
with(plots):
display(
plot3d(f(x,y),x=-1..4,y=-1..4,style=patchnogrid,transparency=0.5),
spacecurve({[t,0,f(t,0)],[0,t,f(0,t)]},t=-0.5..0.5,
color=red,thickness=2,transparency=0.5),
spacecurve({[t,2,f(t,2)],[0,2+t,f(0,2+t)]},t=-0.5..0.5,
color=blue,thickness=2,transparency=0.5),
spacecurve({[1+t,0,f(1+t,0)],[1,t,f(1,t)]},t=-0.5..0.5,
color=green,thickness=2,transparency=0.5),
spacecurve({[1+t,2,f(1+t,2)],[1,2+t,f(1,2+t)]},t=-0.5..0.5,
color=pink,thickness=2,transparency=0.5),
view=[-1..4,-1..3,-1..6],orientation=[-65,70]
);
>
135
>
#
#
#
#
#
#
>
# Apartado 2)
# Vamos a representar primero el problema de optimizacin
# La curva azul son los puntos de la circunferencia x^2+y^2=1 en el plano XY
# La curva roja son las imgenes de los puntos de la circunferencia
display(
plot3d(f(x,y),x=-2..2,y=-2..2,style=patchnogrid,transparency=0.5),
spacecurve([sin(t),cos(t),0],t=0..2*Pi,color=blue,thickness=2,
transparency=0.5),
spacecurve([sin(t),cos(t),f(sin(t),cos(t))],t=0..2*Pi,color=red,
thickness=2,transparency=0.5),
);
>
>
>
>
En el dibujo se ven claramente las direcciones principales

y el comportamiento de los puntos crticos
(0,0) rojo -> mnimo relativo
(0,2) azul -> punto de silla
(1,0) verde -> punto de silla
(1,2) rosa -> mximo relativo
# De hecho tenemos que hallar los mximos y mnimos de la curva resultante

#
de interseccionar la superficie dada por la funcin f(x,y)
#
y el cilindro con base x^2+y^2=1
display(
plot3d(f(x,y),x=-2..2,y=-2..2,style=patchnogrid,color=blue,transparency=0.4),
plot3d([sin(t),cos(t),z],t=0..2*Pi,z=-1..5,color=red,style=patchnogrid,
transparency=0.5),
spacecurve([sin(t),cos(t),f(sin(t),cos(t))],t=0..2*Pi,color=red,thickness=2),
);
136
>
# El objetivo es hallar los mximos y

mnimos de la curva roja
>
with(Optimization):
>
Minimize(f(x,y),{x^2+y^2=1});
[0,500000000000000000, [x = 1,0, y = 6,045792457 1014 ]]

>
Maximize(f(x,y),{x^2+y^2=1});
>
# Cuando se usan los comandos Minimize y Maximize, los valores que se retornan
#
son un mximo y un mnimo local.
#
No tienen porque ser los nicos ni los globales
# El comando LagrangeMultipliers del paquete MultivariateCalculus,
#
nos ayuda a resolver los problemas de optimizacin restringida
[2,00000000001416022, [x = 0,00000497140463335709780, y = 0,99999999999236266]]
>
>
>
LagrangeMultipliers(f(x,y),[x^2+y^2-1],[x,y]);
>
# Vemos que tenemos seis candidatos (repetidos) -> cuatro candidatos

# La opcin output=detailed nos permite conocer:
#
1. los valores asociados de los multiplicadores de Lagrange
#
2. el valor de la funcin en el punto
>
LagrangeMultipliers(f(x,y),[x^2+y^2-1],[x,y],output=detailed);
[0, 1], [0, 1], [1, 0], [1, 0], [1, 0], [0, 1]
[x = 0, y = 1, 1 = 3/2, x3 y 3 + 3/2 x2 + 3 y 2 = 2],

[x = 0, y = 1, 1 = 9/2, x3 y 3 + 3/2 x2 + 3 y 2 = 4],
[x = 1, y = 0, 1 = 0, x3 y 3 + 3/2 x2 + 3 y 2 = 1/2],
[x = 1, y = 0, 1 = 3, x3 y 3 + 3/2 x2 + 3 y 2 = 5/2],
[x = 1, y = 0, 1 = 3, x3 y 3 + 3/2 x2 + 3 y 2 = 5/2],
[x = 0, y = 1, 1 = 3/2, x3 y 3 + 3/2 x2 + 3 y 2 = 2]
>
>
>
# Vemos que: f(0,1)=2, f(0,-1)=4, f(1,0)=1/2, f(-1,0) = 5/2

# Por lo tanto el mximo global es el (0,-1) y el mnimo global es el (1,0)
# Tambin podemos usar las opciones output=plot
# En este caso se dibuja la funcin y las curvas de nivel para los valores
#
donde se alcanzan los mximos y mnimos
LagrangeMultipliers(f(x,y),[x^2+y^2-1],[x,y],output=plot,showconstraints=false,
view=[-1.5..1.5,-1.5..1.5,-1..5]);
137
>
# Vamos a representar los resultados
>
with(plottools):
display(
plot3d(f(x,y),x=-2..2,y=-2..2,style=patchnogrid,color=blue,transparency=0.4),
plot3d([sin(t),cos(t),z],t=0..2*Pi,z=-1..5,
color=red,style=patchnogrid,transparency=0.5),
spacecurve([sin(t),cos(t),f(sin(t),cos(t))],t=0..2*Pi,color=red,thickness=2),
sphere([0,1,f(0,1)],0.1,color=black),
sphere([0,-1,f(0,-1)],0.1,color=black),
sphere([-1,0,f(-1,0)],0.1,color=black),
);
>
PR 3.7. Calcular los puntos de la elipse
x2
+ (y 2)2 = 1 ms cercanos al punto (3, 2).
4
Resolucin
Primero hay que determinar qu funcin se extrema y qu condicin cumplen los puntos. Como estos tienen que
x2
encontrarse en la elipse, resulta que la ligadura o condicin es la funcin g(x, y) =
+ (y 2)2 1 = 0. Por
4
otro lado, como hay que encontrar los puntos de distancia mnima a (3, 2), la funcin a extremar ser la distancia
al cuadrado de un punto cualquiera (x, y) al punto (3, 2):
f (x, y) = (x 3)2 + (y 2)2
Segn el mtodo de los multiplicadores de Lagrange, hay que encontrar los extremos relativos de
(x, y, ) = (x 3)2 + (y 2)2 + (
x2
+ (y 2)2 1)
4
138
que tiene el gradiente
2(x 3) + = 0
2(y 2) + 2(y 2) = 0 2(y 2)(1 + ) = 0
x + (y 2)2 1 = 0
4
De la segunda ecuacin, se obtienen dos opciones:
y = 2, que en la tercera ecuacin da x = 2;
O bien, = 1, que en la primera ecuacin da x = 4, y este valor en la tercera ecuacin da (y 2)2 = 3,
que no tiene solucin real.
Las soluciones posibles son (2, 2) y (2, 2). Calculando sus imagenes por f , se obtiene:
f (2, 2) = 25 , f (2, 2) = 1
con lo que el punto de la elipse g(x, y) = 0 ms cercano a (3, 2) es el punto (2, 2).
>
>
# La funcin a optimizar es la distancia (al cuadrado) de un punto al punto (3,2)

f:=(x,y)->(x-3)^2+(y-2)^2:
f(x,y)=f(x,y);
2
f (x, y) = (x 3) + (y 2)
>
# Restringida a pertenecer a la elipse x^2/4+(y-2)^2=1
>
x^2/4+(y-2)^2=1;
2
1
4
x2 + (y 2) = 1
>
# Este problema se puede resolver de forma simple observando que

#
la restriccin implica que (y-2)^2 = 1-x^2/4
#
teniendo en cuenta que 1-x^2/4>=0 -> -2<= x <=2
# Substituyendo esta ligadura en la funcin da lugar a un problema 1 dimensional
>
fx:=subs((y-2)^2 = 1-x^2/4,f(x,y));
2
fx := (x 3) + 1 1/4 x2
>
# Los candidatos a extremos entre -2 y 2 son los puntos crticos y x=-2,2
>
solve(diff(fx,x)=0,x);
4
>
# El punto crtico no cae dentro del intervalo
>
[subs(x=-2,fx),subs(x=2,fx)];
>
# Por lo tanto el mnimo se halla en x=2
>
minimize(fx,x=-2..2,location);
[25, 1]
1, {[{x = 2} , 1]}
>
# Otra forma de resolverlo es usando el comando Minimize
>
Optimization:-Minimize(f(x,y),{x^2/4+(y-2)^2=1});
>
# Finalmente tambin podemos utilitzar

el comando LagrangeMultipliers
Student[MultivariateCalculus]:-LagrangeMultipliers(f(x,y),[x^2/4+(y-2)^2-1],
[x,y],output=detailed);
[0,99999999999015632, [x = 2,00000000000492184, y = 2,00000000002341016]]

>
139
2
2
2
[x = 4, y = RootOf 7 + _Z 2 4 _Z , 1 = 1, (x 3) + (y 2) = 1 + RootOf 7 + _Z 2 4 _Z 2 ],
2
[x = 2, y = 2, 1 = 2, (x 3) + (y 2) = 1],
2
[x = 2, y = 2, 1 = 10, (x 3) + (y 2) = 25]
>
display(
plot3d(f(x,y),x=0..6,y=0..4,
style=patchnogrid,color=blue,transparency=0.4),
intersectplot(z=f(x,y),x^2/4+(y-2)^2=1,x=-2..2,y=1..3,z=0..5,thickness=3),
implicitplot3d(x^2/4+(y-2)^2=1,x=-2..2,y=1..3,z=0..5,
style=patchnogrid,color=grey,transparency=0.5),
view=[-2..5,-1..4,0..5],orientation=[30,75]
);
PR 3.8. Un fabricante planea vender un producto a 50 euros la unidad. Predice que si gasta x euros en maquinaria,
adems de y euros en promocin, vender aproximadamente
80y
10x
f (x, y) =
+
y+2 x+4
unidades del producto. El coste de produccin es de 20 euros por unidad. Se supone que el fabricante tiene 8000
euros para gastar en total. Hallar la distribucin de dinero que da mayor beneficio.
Resolucin
El beneficio total ser el nmero de piezas producidas por su precio de ventas menos el coste:
b(x, y) = f (x, y) (50 20) = 30f (x, y)
Se trata de encontrar un mximo de la funcin beneficio b(x, y), sujeto a que el presupuesto total es de 8000 euros.
Por lo tanto, se trata de un problema de extremos condicionados, donde en este caso la condicin es:
g(x, y) = x + y 8000 = 0
Para resolverlo, se considera la funcin de Lagrange
2400y
300x
(x, y, ) =
+
+ (x + y 8000)
y+2
x+4
Al resolver = 0, se encuentra:
+=0
x = 34,641 4
2
= 4800 (y + 2) + = 0
y
= 69,282 2
= x + y 8000 = 0
2
= 1200 (x + 4)
140
q
donde = 1 . Usando la relacin x + y 8000 = 0, se obtiene = 77,0378. Por lo tanto, la solucin es que
para obtener un beneficio mximo, el fabricante se tiene que gastar 2664,67 euros en maquinaria y 5335,33 euros
en promocin.
3.4.
PP 3.1. Calcular los extremos relativos de

1. f (x, y) = x2 y 2 .
Solucin: (0, 0) punto de silla.
2. f (x, y) = x4 + y 4 + 2x2 + 4xy 2y 2 .
Solucin: (0,786, 1,272) mnimo relativo.
3. f (x, y) = z) = x2 z + y 2 z + 23 z 3 4x 4y 10z + 1.
Solucin: puntos crticos (2, 2, 1) p.s., (1, 1, 2) mnimo, (1, 1, 2) mximo, (2, 2, 1) p.s..
4. f (x, y, z) = x2 z y 2 z + 23 z 3 4x 4y 10z + 1.
Solucin: ( 2 5 5 , 25 5 , 5) mximo y ( 25 5 , 2 5 5 , 5) mnimos relativos.

PP 3.2. Calcular los extremos de f condicionados a la ligadura g(x) = 0.
1. f (x, y) = x2 y 2 , g(x, y) = x2 + y 2 1 = 0.
Solucin: (0, 1) mnimos condicionados; (1, 0) mximos condicionados.
2. f (x, y) = xy, g(x, y) = xy + x2 + y 2 4 = 0.
2
Solucin: ( 23 , 23 ) y (
, 23 ) mximos; (2, 2) y (2, 2) mnimos.
3
3. f (x, y) = x3 + y 3 + 3xy, g(x, y) = x2 + y 2 8 = 0.
Solucin: (1 + 3, 1 3) y (1 3, 1 + 3) mnimos; (2, 2) mximo condicionado.

4. f (x, y, z) = xy + yz + xz + x + y + z, g(x, y, z) = x2 + y 2 + z 2 1.
Solucin: (
3
3
3
,
,
3
3
3 )
mximo; ( 3 3 , 3 3 , 3 3 ) mnimo.
PP 3.3. Hallar la distancia mnima entre el origen y la superfcie z 2 = x2 y + 4.

Solucin: (0, 0, 2) mnimos condicionados con valor dist = 2.
PP 3.4. Un fabricante planea tiene previsto gastar 6000 euros en el desarrollo y promocin de un nuevo producto. Se prev que si gasta x milesdepeuros en desarrollo y adems y miles de euros en promocin, se vendern
aproximadamente g(x, y) = (20 x y 3 ) unidades. Calcular los valores de x e y que hacen mxima la venta.
Solucin: x = 1,5 e y = 4,5 miles de euros.
PP 3.5. La temperatura del punto (x, y, z) R3 viene dada por la expresin T (x, y, z) = 80 xyz. Hallar la
temperatura ms baja en el plano x + y + z = 8.
Solucin: x = y = z = 83 T = 1648
27 .
141
4 Integral mltiple y aplicaciones
En este captulo se aborda el tema de la integral mltiple y sus aplicaciones. La primera seccin consiste
en una introduccin a las integrales donde se repasan los conceptos bsicos de la integral simple. La segunda y
tercera seccin se centran en la integral doble y triple respectivamente. En la seccin cuatro se estudia el cambio
de variable y finalmente en la seccin cinco se ven algunas aplicaciones de todos los conceptos del captulo.
Como viene siendo usual en el libro, las dos ltimas secciones del captulo corresponden a problemas resueltos y
ejercicios propuestos respectivamente.
4.1.
Introduccin: Integral simple
Antes de introducir la idea de integral para una funcin de varias variables, se recuerda la definicin de integral
definida para una funcin de una sola variable. Dada f : [a, b] R una funcin acotada y positiva, se quiere
(a) rea bajo la grfica de f (x)
(b) rea elemental
(c) Aproximacin del rea total.
Figura 4.1. Idea de la integral en el sentido de Riemann
determinar el rea, A, limitada por la grfica de f , el eje de abscisas y las rectas de ecuaciones x = a y x = b,
como se indica en la figura 4.1 (a).
Una primera idea para aproximar el rea consiste en efectuar una particin p del intervalo [a, b] en n subintervalos
a = x0 < x1 < x2 < < xn1 < xn = b
de manera que en cada subintervalo, [xi1 , xi ], se aproxima el rea bajo la curva mediante el rea del rectngulo
de altura f (i ) para algn i [xi1 , xi ], como se observa en las figuras 4.1 (b) y (c). El conjunto de todas estas
particiones se nota P([a, b]).
142

30
30
30
30
25
25
25
25
20
20
20
20
15
15
15
15
10
10
10
10
A
1
Figura 4.2. Convergencia de las sumas superior e inferior a medida que se toman particiones ms finas
4.1.1.
Idea para aproximar el rea superiormente
Se considera i tal que f (i ) = max {f (x), x [xi1 , xi ]} y se llama Mi a este valor mximo. Sumando el
rea de los rectngulos que determinan, se obtiene una suma superior del rea que se denota Sp
Sp := M1 (x1 x0 ) + M2 (x2 x1 ) + + Mn (xn xn1 )
4.1.2.
Idea para aproximar el rea inferiormente
Se considera i tal que f (i ) = mn {f (x), x [xi1 , xi ]} y se llama mi a este valor mnimo. Sumando el
rea de los rectngulos que determinan, se obtiene una suma inferior del rea que se denota S p
S p := m1 (x1 x0 ) + m2 (x2 x1 ) + + mn (xn xn1 )
4.1.3.
Integrable en el sentido de Riemann
En las secciones anteriores, se ha descrito cmo obtener sumas superiores e inferiores del rea. En general, es
fcil observar que si se refina una particin dada, la suma inferior (S p ) aumenta y la suma superior (Sp ) disminuye
(ver Fig. 4.2).
Definicin 66 (Funcin integrable). Si f : [a, b] R es una funcin acotada en su dominio, se dice que f es
integrable en el sentido de Riemann (o simplemente integrable) si se cumple:
max {S p } =
pP([a,b])
mn
{Sp }
pP([a,b])
Entonces se llama a dicho valor integral de f en [a, b] y se denota por:

Z
f (x) dx
a
Observacin 8. Si f : [a, b] R es una funcin integrable y positiva, entonces

Z
f (x) dx = A
a
donde A es el rea limitada por la grfica de f , el eje de abcisas y las rectas de ecuaciones x = a y x = b.
143
Propiedades bsicas de la integral de Riemann

Dadas las funciones f : [a, b] R y g : [a, b] R integrables en el sentido de Riemann, entonces:
Z b
Z b
kf (x) dx = k
f (x) dx k R
.
a
.
a
f (x) dx =
g(x) dx
a
f (x) dx
.
a
f (x) dx +
Z
f (x) dx +
a
.
Z
f (x) + g(x) dx =
f (x) dx =
c
f (x) dx
c [a, b]
f (x) dx = 0
a
4.1.4.
Regla de Barrow
Se sabe que si f : [a, b] R es una funcin integrable en el sentido de Riemann, entonces

Z b
f (x) dx = max {S p } = mn {Sp }
pP([a,b])
pP([a,b])
Sin embargo, esta definicin es difcil de utilizar para el clculo de integrales de forma prctica.
Teorema 27 (Regla de Barrow). Sea f una funcin contnua en [a, b]. Entonces, f es integrable en [a, b] y
Z b
f (x) dx = (b) (a)
a
donde (x) es una primitiva de f , es decir:

Se acostumbra a denotar por:
b
a
0 (x) = f (x)
f (x) dx = (x) = (b) (a)

a
La proposicin anterior relaciona el clculo de reas con el clculo de primitivas.
4.2.
Integral doble
Dada f : [a, b] [c, d] R2 R una funcin de dos variables acotada y positiva, se quiere determinar el
volumen limitado por la grfica de f y los planos x = a, x = b, y = c, y = d, como se indica en la figura 4.3 (a).
Una primera idea para aproximar el volumen consiste en efectuar particiones de los intervalos [a, b] y [c, d] en
n y m subintervalos respectivamente (ver Fig. 4.3 (b))
a = x0 < x1 < x2 < < xn1 < xn = b
c = y0 < y1 < y2 < < ym1 < ym = d
de manera que en cada rectngulo, [xi1 , xi ] [yj1 , yj ], se aproxima el volumen bajo la superfcie mediante el
volumen del paraleleppedo de altura f (i , j ) para algn (i , j ) [xi1 , xi ] [yj1 , yj ] (ver Fig. 4.3 (c)-(d)).
144
-1
-0,5
y
0
0,5
1
-1
-0,5
0
0,5
(a) Volumen bajo la grfica de f (x, y)
(b) Particin del intervalo
1,5
1
0,5
0
-1
-1
-0,5
-0,5
0
0
0,5
0,5
1
(c) Volumen elemental
(d) Aproximacin del volumen
Figura 4.3. Idea de la integral doble
145
4.2.1.
Idea para aproximar el volumen superiormente
Se considera (i , j ) tal que

f (i , j ) = max {f (x, y), (x, y) [xi1 , xi ] [yj1 , yj ]}
y se denota Mij a este valor mximo. Sumando los volmenes de los paraleleppedos, se obtiene una suma superior
del volumen, que se llama Sp
Vp = M11 (x1 x0 )(y1 y0 ) + + Mnm (xn xn1 )(ym ym1 )
4.2.2.
Idea para aproximar el volumen inferiormente
Se considera (i , j ) tal que f (i , j ) = mn {f (x, y), (x, y) [xi1 , xi ] [yj1 , yj ]} y se llama mij a este
valor mnimo. Sumando los volmenes de los paraleleppedos, se obtiene una suma inferior del volumen, que se
llama S p
V p = m11 (x1 x0 )(y1 y0 ) + + mnm (xn xn1 )(ym ym1 )
4.2.3.
Integral doble
Definicin 67 (Integral doble). Si f : D = [a, b] [c, d] R es una funcin acotada en su dominio, se dice que
f es integrable en el sentido de Riemann (o simplemente integrable) en D si se cumple:
max {V p } = mn {Vp }
pP(D)
pP(D)
Entonces se llama a dicho valor integral de f en D y se denota por:

Z Z
f (x, y) dxdy
D
Propiedad 10. Sea f : D = [a, b] [c, d] R una funcin continua en D. Entonces f es integrable en D.
4.2.4.
Clculo de la integral doble en regiones rectangulares
Sea f : [a, b] [c, d] R2 R una funcin continua de dos variables (ver Fig. 4.4 (a)). Para calcular el
volumen bajo la superfcie z = f (x, y) y sobre la regin [a, b] [c, d], se toma y0 [c, d] fijado. Se calcula el rea
de la seccin que se obtiene al cortar por el plano y = y0 (ver Fig. 4.4 (b)).
Z
A(y0 ) =
f (x, y0 )dx
a
Finalmente, el volumen total es:

Z
V =
A(y)dy
La integral
f (x, y) dx dy
c
V =
a
f (x, y) dx dy
c
se conoce como integral iterada, ya que se obtiene integrando respecto a x y despus integrando el resultado
obtenido respecto a y.
146
(a) Funcin definida en una regin rectangular
(b) Mtodo de clculo de la integral
Figura 4.4. Integral doble en una regin rectangular
En vez de utilizar planos de corte perpendiculares al eje Y , se pueden hacer perpendiculares al eje X, obteniendo los mismos resultados:
Z dZ b
Z bZ d
f (x, y) dx dy =
f (x, y) dy dx
c
Ejemplo 101. Sea f (x, y) = x2 + y 2 definida en [1, 1] [0, 1]. Para calcular el volumen bajo la superfcie en la
regin [1, 1] [0, 1], se tiene que calcular la integral:
Z
0
x2 + y 2 dx dy =
0
1
=
0
4.2.5.
Z 1
x3
1
1
+ y2 x
+ y2
y 2 dy
dy =
3
3
3
0
1
3 1
2
2y
4
2
+ 2y 2 dy =
y+
=
3
3
3 0
3
Clculo de la integral doble sobre regiones ms generales
En esta seccin se plantea cmo calcular un volumen sobre una regin no rectangular. Sea f : D R2 R
una funcin continua de dos variables (ver Fig. 4.5 (a)). Se quiere calcular el volumen bajo la superfcie en el
dominio D. La regin D puede describirse de la forma siguiente (ver Fig. 4.5 (b)):
D = {(x, y)|a x b y 1 (x) y 2 (x)}
Interesa calcular el volumen bajo la superfcie dada por z = f (x, y) y sobre la regin D. Primero, obsrvese
que para cada x [a, b] fijo, el rea de la capa situada sobre el segmento de recta indicado y debajo de la superfcie
es (ver Fig. 4.5 (c)):
Z 2 (x)
A(x) =
f (x, y) dy
1 (x)
Conociendo, pues, el rea A(x) de cada seccin transversal, el volumen total viene dado por
Z
2 (x)
A(x) dx =
a
f (x, y) dy dx
a
1 (x)
147
(a) Funcin definida en la regin D
(b) Regin de integracin
(x)
2
(x)
1
0
0
a
(c) Mtodo de integracin
(d) Dominio del ejemplo 102
Figura 4.5. Integracin sobre regiones ms generales
148
Ejemplo 102. Calcular el volumen delimitado por la funcin f (x, y) en el dominio delimitado por las funciones
y = 2x y y = x(x 2). Dibujando el dominio de integracin, ver figura 4.5 (d), se observa que
a=0xb=4
y para un x fijo se tiene que
1 (x) = x(x 2) y 2 (x) = 2x
por tanto, para calcular el volumen bajo la superfcie se deber determinar la integral
Z 4 Z 2x
f (x, y) dy dx
0
x(x2)
Si se tiene el dominio de integracin de la figura 4.6 (a), entonces

D = {(x, y)|c y d y 1 (y) x 2 (y)}
Se quiere calcular el volumen bajo la superfcie dada por z = f (x, y) y sobre la regin D. Primero, obsrvese que
1,5
y
(y)
(y)
0,5
0
-1
x
-0,5
c
(a) Regin D de integracin
-1
(b) Dominio del ejemplo 103
Figura 4.6. Integracin sobre regiones ms generales

para cada y [c, d] fijo, el rea de la capa situada sobre el segmento de recta indicado y debajo de la superfcie es
Z 2 (y)
A(y) =
f (x, y) dx
1 (y)
Conociendo, pues, el rea A(y) de cada seccin transversal, el volumen total viene dado por
Z d
Z d Z 2 (y)
A(y) dy =
f (x, y) dx dy
c
1 (y)
Ejemplo 103. Calcular el volumen delimitado por la funcin f (x, y) en el dominio delimitado por las funciones
x = y + 1 y x = y 2 1. Dibujando el dominio de integracin, ver figura 4.6 (b), se observa que
c = 1 y d = 2
149
y para un y fijo se tiene que

1 (y) = y 2 1 x 2 (y) = y + 1
por tanto, para calcular el volumen bajo la superfcie, se tiene que determinar la integral
Z
y+1
f (x, y) dx dy
1
y 2 1
Las dos frmulas anteriores de clculo de integrales se conocen como teorema de Fubini.
4.3.
Integral triple
4.3.1.
Motivacin
Si la temperatura dentro de un horno no es uniforme, determinar la temperatura promedio involucra sumar los
valores de la funcin temperatura en todos los puntos de la regin delimitada por las paredes del horno y despus
dividir por el volumen total del horno. Sumar la funcin temperatura, T (x, y, z), dentro del volumen V , significa
calcular la integral triple:
Z Z Z
T (x, y, z) dx dy dz
V
4.3.2.
Clculo de integrales triples sobre regiones en forma de paraleleppedo
Las integrales triples se calculan de manera anloga a las integrales dobles, pero ahora mediante tres integraciones sucesivas.
Sea f : [a, b] [c, d] [p, q] R3 R una funcin continua de tres variables. Entonces,
Z
4.3.3.
f (x, y, z) dx dz dy =
f (x, y, z) dz dy dx =
Z qa Z bc Z dp
Z
f (x, y, z) dy dx dz =
a
p
c
dZ bZ q
f (x, y, z) dz dx dy = ...
c
Clculo integral triple sobre regiones ms generales
Sea f una funcin continua en una regin V definida por V = {(x, y, z)|a x b, 1 (x) y
2 (x), 1 (x, y) z 2 (x, y)} (vase la figura 4.7 (a)), donde 1 , 2 , 1 y 2 son funciones continuas. Entonces,
Z Z Z
Z b Z 2 (x) Z 2 (x,y)
f (x, y, z) dxdydz =
f (x, y, z) dz dy dx
V
1 (x)
1 (x,y)
Ejemplo 104. Calcular el volumen de la regin limitada inferiormente por el paraboloide z = x2 + y 2 y superiormente por la esfera x2 + y 2 + z 2 = 6 (ver Fig. 4.7 (b)). La ecuacin de la esfera corresponde a la funcin 2 . Esta
ecuacin se escribe
p
z = 6 x2 y 2
Como la parte de la esfera que nos interesa est por encima del paraboloide z = x2 + y 2 , forzosamente z 0. Por
tanto,
p
2 (x, y) = 6 x2 y 2
150
0
-1
-0,5
y
(a) Regin D de integracin
0,5
0,5
-1
-0,5
x
(b) Dominio del ejemplo 104
Figura 4.7. Regin de integracin de tres dimensiones
La ecuacin del paraboloide corresponde a la funcin 1 , es decir,

1 (x, y) = x2 + y 2
Falta determinar las funciones 1 y 2 . Estas funciones vienen definidas por la interseccin de la esfera y del
paraboloide. Esto ocurre cuando 1 (x, y) = 2 (x, y), es decir,
p
6 x2 y 2 = x2 + y 2
Poniendo z = x2 + y 2 , se tiene que 6 z = z es decir z 2 + z 6 = 0. La solucin positiva de esta ecuacin

de
segundo orden es z = 2. Esto quiere decir que la interseccin de 1 y 2 es el crculo x2 + y 2 = 2 de radio 2. 1
corresponde a la parte del crculo que est del lado y 0 y 2 corresponde a la parte del crculo que est del lado
y 0. As que, determinando y como funcin de x en la ecuacin del crculo, se obtiene
p
1 (x) = 2 x2
p
2 (x) =
2 x2

Queda por determinar el intervalo donde vara x. Dado que el radio del crculo es 2, x [ 2, 2]. As pues,
el volumen se encuentra calculando la integral,
Z 2 Z 2x2 Z 6x2 y2
1 dz dy dx
2x2
4.4.
Integracin por cambio de variable
4.4.1.
Motivacin
Se considera el problema de calcular
x2 +y 2
Z Z
f (x, y) dx dy
D
151
donde el dominio D o la funcin f son complicados. El objetivo del cambio de variable es conseguir calcular la
integral pedida transformndola en otra ms sencilla.
4.4.2.
Cambio de variable en una integral doble
Definicin 68 (Cambio de variable). Sea : D R2 R2 una funcin de clase C 1 sobre el conjunto abierto
D que a la par (u, v) D asocia la par (x, y) (D). Se supone que es una biyeccin de D a f (D) y que el
jacobiano J (u, v) 6= 0 para todo (u, v) D. Entonces se dice que es un cambio de variable.
Propiedad 11. Sea un cambio de variable sobre D. Entonces existe la funcin inversa 1 y es una biyeccin
de clase C 1 definida de (D) a D.
Teorema 28 (Frmula de cambio de variable para integrales dobles). Sea : (u, v) (x, y) un cambio de
variable sobre D y sea f una funcin definida de (D) R2 que es continua sobre el dominio (D). Sea
S (D) un subconjunto compacto1 y medible2 , entonces
Z Z
Z Z
f (x, y) dx dy =
f ((u, v)) |J (u, v)| du dv
1 (S)
4.4.3.
Cambio de variable en una integral triple
De manera similar a la definicin 68, se puede definir un cambio de variable sobre D R3 .

Teorema 29 (Frmula de cambio de variable para integrales triples). Sea : (u, v, w) (x, y, z) un cambio
de variable sobre D y sea f una funcin definida de (D) R3 que es continua sobre el dominio (D). Sea
S (D) un subconjunto compacto y medible, entonces
Z Z Z
Z Z Z
f (x, y, z) dx dy dz =
f ((u, v, w)) |J (u, v, w)| du dv dw
1 (S)
4.4.4.
Cambios de variable usuales

Polares. Es el cambio de dos variables,
: (r, ) (x, y)
donde
(r, ) = (r cos , r sen )
Ver figura 4.8 (a). Al utilizar el cambio de variable en integrales, se necesita el valor absoluto del jacobiano,
que en el caso de polares es
x x

r sen
2
2
r
= cos
J (r, ) = y
y
sen
= r cos + r sen = r
r
cos
Cilndricas. Es el cambio de tres variables,

: (r, , z) (x, y, z)
donde
(r, , z) = (r cos , r sen , z)
1 Es
un conjunto acotado que contiene su frontera.

definicin precisa de un conjunto medible hace intervenir la teora de la medida saliendo del marco de este curso. De manera simplificada, es un conjunto cuya superficie se puede calcular.
2 La
152
Ver figura 4.8 (b). Al utilizar el cambio de variable en integrales, se necesita el valor absoluto del jacobiano,
que en el caso de cilndricas es
J (r, , z) =
x
r
y
r
z
r
x
z
y
z
z
z
=r
Esfricas. Es el cambio de tres variables,

: (, , ) (x, y, z)
donde
(, , ) = ( sen cos , sen sen , cos )
Ver figura 4.8 (c). El jacobiano en valor absoluto es, en este caso,
J (, , ) = 2 sen
(a) Polares
(b) Cilndricas
(c) Esfricas
Figura 4.8. Cambios de variable usuales
Ejemplo 105. Un claro ejemplo donde el cambio de variable facilita el clculo de integrales es la determinacin
del volumen de una esfera S de radio R. Utilizando coordenadas esfricas,
: (, , ) (x, y, z)
ZZZ
ZZZ
1 dx dy dz =
S
1 (S)
|J (, , )| d d d
Al tratarse de una esfera de radio R, los extremos de integracin son:

[0, R]
[0, 2]
[0, ]
153
Utilizando el cambio de variable, se obtiene una integral fcil de resolver:

ZZZ
Z R Z 2 Z
1 dx dy dz =
2 sen d d d =
S
0
0
0
Z RZ
Z R Z 2
2
=
cos d d =
0
0
2
=
0
= 4
0
22 d d =
1
2 d = 4 3
3
R
0
2
22
2 (1 + 1) d d =
Z
d =
0
42 d =
4
= R3
3
La ventaja de usar un cambio de variable radica en la transformacon el dominio de integracin S, que ha pasado
de una esfera a un paraleleppedo [0, R] [0, 2] [0, ], permitiendo as el uso de integraciones reiteradas para
calcular la integral triple.
4.5.
Aplicaciones
4.5.1.
Valor promedio
El valor promedio de una funcin de una variable, f (x), en el intervalo [a, b] est definido por
Rb
f (x) dx
f := a
ba
Asimismo, para funciones de dos variables definidas en un dominio D R2 ,
RR
f (x, y) dx dy
D
RR
f :=
dx dy
D
Anlogamente, el valor promedio de una funcin f (x, y, z) sobre una regin D R3 est definida por
RRR
f (x, y, z) dx dy dz
RDR R
f :=
dx dy dz
D
4.5.2.
Centro de masa
El centro de masas de un sistema de masas puntuales m1 , , mn situadas en x1 , , xn , se determina como,

Pn
mi xi
xc = Pi=1
n
i=1 mi
As, al tener un medio continuo ocupando un dominio [a, b] y siendo (x) la densidad de masa, se tiene que el
centro de masas del medio continuo es
Rb
x(x) dx
xc = Ra b
(x) dx
a
En el caso de un medio continuo ocupando un dominio D R2 y siendo (x, y) la densidad de masa, se tiene
que el centro de masas del medio continuo es
RR
RR
x(x, y) dx dy
y(x, y) dx dy
xc = R RD
yc = R RD
(x,
y)
dx
dy
(x, y) dx dy
D
D
154
De manera anloga, se deduce el centro de masas de un continuo situado en D R3 y siendo (x, y, z) la

densidad de masa,
RRR
RRR
x(x, y, z) dx dy dz
y(x, y, z) dx dy dz
xc = R R RD
yc = R R RD
(x,
y,
z)
dx
dy
dz
(x, y, z) dx dy dz
D
D
RRR
z(x, y, z) dx dy dz
zc = R R RD
(x, y, z) dx dy dz
D
4.5.3.
Momento de inercia
Para estudiar la dinmica de un cuerpo rgido en rotacin es necesario el concepto de momento de inercia. El
momento de inercia, I, de un punto de masa m respecto a un cierto punto O es
I = mr2
siendo r la distancia de la masa al punto O. Si se tiene un sistema de puntos materiales m1 , , mn , entonces su
momento de inercia es
n
X
mi ri2
i=1
3
As, al tener un slido D R de densidad (x, y, z), el momento de inercia respecto el origen de coordenadas O
es
Z Z Z
I=
(x, y, z)(x2 + y 2 + z 2 ) dx dy dz
D
4.6.
Problemas resueltos
PR 4.1. Calcular el volumen V del slido acotado por los planos xz, yz, xy, x = 1, y = 1 y la superfcie
f (x, y) = x2 + y 4 .
Resolucin
x [0, 1]
y [0, 1]
Z
1
1
(x2 + y 4 ) dx dy
Z
V =
0
(x2 + y 4 ) dx
Z
V =
0
1
+ y 4 dy
3
1 3
x + y4 x
3
1
1
=
y + y5
3
5
1
=
0
1
+ y4
3
1 1
+
3 5
0=
0=
1
+ y4
3
5
3
8
+
=
15 15
15
>
f:=(x,y)->x^2+y^4:
>
with(plots):
plot3d(f(x,y),x=0..1,y=0..1,axes=boxed,
orientation=[-50,80],shading=zgrayscale,style=patchnogrid);
>
155
>
Int(Int(f(x,y),x=0..1),y=0..1)=int(int(f(x,y),x=0..1),y=0..1);
Z 1Z
0
(x2 + y 4 )dx dy =
8
15
PR 4.2. Encontrar el volumen del tetraedro acotado por los planos y = 0, z = 0, x = 0 y y x + z = 1.
(a) Base del tetraedro
(b) Tetraedro
Figura 4.9. Tetraedro y su base

Resolucin
La funcin a integrar ser:
yx+z =1z =1+xy
Para encontrar los extremos de integracin, se dibuja la base del tetraedro (ver Fig. 4.9 (a)), lo que da x [1, 0],
y [0, 1 + x]. Este caso corresponde al dominio estudiado en la seccin 4.2.5 con a = 1, b = 0, 1 (x) = 0 y
2 (x) = 1 + x. Por lo tanto, el volumen es (ver Fig. 4.9 (b)):
Z
1+x
V =
(1 + x y) dy dx
1
Z
0
1+x
1 2
1
(1 + x y) dy = y + xy y
= [(1 + x) + x(1 + x) (1 + x)2 ] 0
2
2
0
1 2
1 2
2
= 1 + x + x + x (x + 2x + 1) = (x + 2x + 1)
2
2
0
Z 0
Z 0
1
1 1 3
1 2
2
2
(x + 2x + 1) dx =
(x + 2x + 1) dx =
x +x +x
2 1
2 3
1 2
1
1
1
1 1
1
= [0 ( + 1 1)] = ( 1 + 1) =
2
3
2 3
6
1+x
156
Por tanto, V =
1
.
6
>
#Base del tetraedro
>
subs(z=0,y-x+z=1);
yx=1
>
isolate( y-x=1, y );
y =1+x
>
with(plots):
>
implicitplot({x=0,y=0,y=1+x},x=-1..0,y=0..1,color=blue,thickness=3);
>
#Tetraedro
display(
implicitplot3d({y=0,z=0},x=-1..0,y=0..1,z=0..1,
color=grey,style=patchnogrid),
implicitplot3d(x=0,x=-1..0,y=0..1,z=0..1,
color=yellow,transparency=0.5,style=patchnogrid),
plot3d(1+x-y,x=-1..0,y=0..1+x,color=blue,style=patchnogrid),
orientation=[75,66]
);
>
>
#Volumen
>
Int(Int(1+x-y,y=0..1+x),x=-1..0)=int(int(1+x-y,y=0..1+x),x=-1..0);
1+x
(1 + x y)dy dx = 1/6
1 0
PR 4.3. Determinar el volumen de la regin dentro de la superfcie z = x2 + y 2 y entre los planos z = 0 y z = 10.
157
Resolucin
Obsrvese que la superficie z = x2 + y 2 en coordenadas cilndricas viene
definida por z = r2 . Por otro lado, para un radio concreto r, el rea de la
circunferencia es
A(r) = r2
Es decir,
A(z) = z
y por tanto,
Z
V =
10
A(z) dz
0
10
A(z) dz =
0
10
z dz =
0
10
z 2
100
=
0 = 50
2 0
2
As pues, V = 50.
>
>
with(plots):
display(
plot3d({0,10},x=-4..4,y=-4..4,
color=grey,style=patchnogrid,transparency=0.3),
plot3d(x^2+y^2,x=-4..4,y=-4..4,
view=[-4..4,-4..4,0..11],style=patchnogrid,color=blue),
plot3d(x^2+y^2,x=-4..4,y=-4..4,
view=[-4..4,-4..4,0..11],style=contour,color=black),
orientation=[-60,70]
);
>
# z va de 0 a 10
# para cada valor de z=z0, el rea que delimita el volumen con z=z0
#
es la circunferencia x^2+y^2=z0 -> circunferencia de radio r=sqrt(z0)
#
el rea de esta circunferencia es entonces A(z0) = Pi*r^2 = Pi*z0
>
Int(Pi*z,z=0..10)=int(Pi*z,z=0..10);
10
zdz = 50
0
PR 4.4. Calcular
ZZ
ex+y dxdy
S
158
donde S = {(x, y) R2 | |x| + |y| 1}.

Resolucin
Para determinar la regin de integracin S, se discuten los casos siguientes:
x 0, y 0 x + y 1 y 1 x. La frontera de S en el cuadrante x 0, y 0 es la recta
y = 1 x y S est por debajo de esta recta ya que y 1 x.
x 0, y 0 x y 1 y x 1. La frontera de S en el cuadrante x 0, y 0 es la recta
y = x 1 y S est por encima de esta recta ya que y x 1.
x 0, y 0 x + y 1 y 1 + x. La frontera de S en el cuadrante x 0, y 0 es la recta
y = 1 + x y S est por debajo de esta recta ya que y 1 + x.
x 0, y 0 x y 1 y 1 x. La frontera de S en el cuadrante x 0, y 0 es la recta
y = 1 x y S est por encima de esta recta ya que y 1 x.
As pues, la regin de integracin S es la siguiente,
Este dominio es similar al de la seccin 4.2.5 con 1 (x) = x 1, x [1, 0], 1 (x) = x 1, x [0, 1] y
2 (x) = x + 1, x [1, 0], 2 (x) = x + 1, x [0, 1].
As, se calcula la integral doble usando el teorema de Fubini:
ZZ
Z
ex+y dx dy =
1
1
2 (x)
Z
ex+y dy dx =
1 (x)
0
1
1+x
x1
Z
ex+y dy dx +
1x
ex+y dy dx
x1
Se calculan las dos integrales por separado:

Z
e
1
x+y
x1
1x
1
3
2x+1
1
dy dx =
e
e
dx = e e1
2
2
1
1
x1
1x
Z 1
Z 1
1
dy dx =
ex+y
dx =
e e2x1 dx = (e + e1 )
2
0
0
x1
Z
1+x
ex+y
x1
1+x
Z
x+y
e
dx =
Finalmente, se suman las dos integrales dobles:

ZZ
1
3
1
ex+y dx dy = e e1 + (e + e1 ) = e e1
2
2
2
S
>
with(plots):
>
implicitplot(abs(x)+abs(y)<=1,x=-4..4,y=-4..4,numpoints=100,filled=true);
159
>
Int(Int(exp(x+y),y=-x-1..1+x),x=-1..0)=int(int(exp(x+y),y=-x-1..1+x),x=-1..0);
V1:=int(int(exp(x+y),y=-x-1..1+x),x=-1..0);
1+x
3
1
ex+y dy dx = e1 + e1
2
2
x1
1
3
V1 := e1 + e1
2
2
>
Int(Int(exp(x+y),y=x-1..1-x),x=0..1)=int(int(exp(x+y),y=x-1..1-x),x=0..1);
V2:=int(int(exp(x+y),y=x-1..1-x),x=0..1);
Z 1Z
0
1x
ex+y dy dx =
x1
V2 :=
>
V1+V2;
1 1 1 1
e + e
2
2
1 1 1 1
e + e
2
2
e1 + e1
PR 4.5. Sea P el paralelogramo acotado por y = 2x, y = 2x 2, y = x, y = x + 1. Evaluar
ZZ
xydxdy
P
utilizando el cambio de variables x = u v, y = 2u v.

Resolucin
x=uv
y = 2u v
(u, v) = (u v, 2u v)
160
Se encuentran los valores de u y v en funcin de x e y:

v = x + u
v = y + 2u
x + u = y + 2u
yx=u
v = x + y x v = 2x + y
Por tanto,
1 (x, y) = (y x, 2x + y)
As pues,
1 (0, 0) = (0, 0)
1 (2, 2) = (0, 2)
1 (3, 4) = (1, 2)
1 (1, 2) = (1, 0)
Seguidamente se calcula el jacobiano del cambio:
x v x
J = u
u y v y

1
=
2
1
= 1 + 2 = 1
1
Finalmente se aplica el cambio de variable y se resuelve la integral,

ZZ
ZZ
xy dx dy =
P
(u v)(2u v) du dv
Z
P 0 =1 (P )
0 Z 1
(u v)(2u v) du dv
2
Z 0
2u2 3uv + v 2 du dv
2 0
Z 0
1
Z 0
2 3
2 3 3 2
u vu + v 2 u dv =
v + v 2 dv
2
3
2
2 3
2
0
0
4
3
1
8
2
=0 3
v v2 + v3
=
=7
3
4
3
3
3
2
=
Por tanto,
ZZ
xy dx dy = 7
P
>
plot([2*x,2*x-2,x,x+1],x=0..3,y=0..4,color=[blue,red,green,yellow],
scaling=constrained);
161
>
# Realizaremos el cambio de variable en cada recta que define el dominio
>
# Recta y = 2*x (color azul)
>
y = 2*x;
>
subs({x=u-v,y=2*u-v},%);
>
lhs(%) - rhs(%) = 0;
y = 2x
2u v = 2u 2v
v=0
>
# La recta y = 2*x se transforma en la recta v=0
>
# Recta y = 2*x-2 (color rojo)

y = 2*x-2;
lhs(%) - rhs(%) = 0;
>
y = 2x 2
2u v = 2u 2v 2
v+2=0
>
>
# Recta y = x (color verde)

y = x;
lhs(%) - rhs(%) = 0;
y=x
2u v = u v
u=0
>
>
# Recta y = x+1 (color amarillo)

y = x+1;
lhs(%) - rhs(%) = 0;
y =x+1
2u v = u v + 1
u1=0
162

>
>
>
>
#
#
#
#
#
#
Las rectas se transforman en:

Recta
Recta
Recta
Recta
y
y
y
y
=
=
=
=
2*x (color azul)

2*x-2 (color rojo)
x (color verde)
x+1 (color amarillo)
v
v
u
u
=
=
=
=
0
-2
0
1
with(plots):
implicitplot([v=0,v=-2,u=0,u=1],u=0..1,v=-2..0,
color=[blue,red,green,yellow],thickness=3,scaling=constrained);
Matrix(2,2,[Diff(x,u),Diff(x,v),Diff(y,u),Diff(y,v)])
=Matrix(2,2,[diff(u-v,u),diff(u-v,v),diff(2*u-v,u),diff(2*u-v,v)]);
"
>
->
->
->
->
d
du x
d
dv x
d
du y
d
dv y
"
1 1
2 1
LinearAlgebra:-Determinant(rhs(%));
1
>
Int(Int((u-v)*(2*u-v),u=0..1),v=-2..0)=int(int((u-v)*(2*u-v),u=0..1),v=-2..0);
(u v) (2 u v) du dv = 7
2 0
>
>
# Representacin del volumen

display(
plot3d(x*y,x=0..3,y=0..4,style=patchnogrid,color=grey),
implicitplot3d([y=2*x],x=0..1,y=0..2,z=0..12,
color=blue,transparency=0.4,style=patchnogrid),
implicitplot3d([y=2*x-2],x=2..3,y=2..4,z=0..12,
color=red,transparency=0.4,style=patchnogrid),
implicitplot3d([y=x],x=0..2,y=0..2,z=0..12,
color=green,transparency=0.4,style=patchnogrid),
implicitplot3d([y=x+1],x=1..3,y=2..4,z=0..12,
color=yellow,transparency=0.4,style=patchnogrid),
);
163
>
display(
plot3d(x*y,x=0..3,y=0..4,style=patchnogrid,color=grey,transparency=0.2),
spacecurve([x,2*x,2*x^2],x=0..1,color=blue,thickness=3),
plot3d([x,2*x,z],x=0..1,z=0..2*x^2,color=blue,style=patchnogrid),
spacecurve([x,2*x-2,x*(2*x-2)],x=2..3,color=red,thickness=3),
plot3d([x,2*x-2,z],x=2..3,z=0..x*(2*x-2),color=red,style=patchnogrid),
spacecurve([x,x,x^2],x=0..2,color=green,thickness=3),
plot3d([x,x,z],x=0..2,z=0..x^2,color=green,style=patchnogrid),
spacecurve([x,x+1,x*(x+1)],x=1..3,color=yellow,thickness=3),
plot3d([x,x+1,z],x=1..3,z=0..x*(x+1),color=yellow,style=patchnogrid),
);
RR
PR 4.6. Evaluar D ln(x2 + y 2 )dxdy donde D es la regin en el primer cuadrante que est entre los crculos
x2 + y 2 = a2 , y x2 + y 2 = b2 , siendo 0 < a < b.
Resolucin
Dado que la regin de integracin es circular, conviene utilizar el cambio de variable a coordenadas polares para
simplificar los clculos.
ZZ
ZZ
f (x, y)dxdy =
f ((r, ))|J (r, )| dr d
D
D 0 =1 (D)
164
Aplicando el cambio a polares, la funcin f ((r, )) resulta

f ((r, )) = ln(r2 cos2 + r2 sen2 ) = ln(r2 )
h i
D0 es el conjunto de la figura arriba, ya que 0,
y r [a, b].
2
ZZ
ZZ
ZZ
f (x, y)dx dy =
f ((r, ))|J (r, )| dr d =
r ln(r2 ) dr d
D
D0
=
Z
2r ln(r) dr d =
D0
r2 ln(r)
r2
2
b
d
a
2
b2 2
a2
b ln b
a ln a
d
2
2
0

2
b2
a2
= b2 ln b a2 ln a
+
2
2
0
Por tanto,
ZZ
ln(x2 + y 2 )dx dy =
D
>
>
>
>
b2
a2
b2 ln b a2 ln a
+
2
2
with(plots):
# Para realizar el dibujo escojemos a=2 y b=4
implicitplot([x^2+y^2=2^2,x^2+y^2=4^2,x=0,y=0],x=0..4,y=0..4,
color=[blue,red,green,yellow],thickness=3);
# Realizamos el cambio de variable en los dos trozos de circunferencia

# que definen el dominio
#
x = r*cos(theta)
#
y = r*sin(theta)
[x^2+y^2=a^2,x^2+y^2=b^2];
[x2 + y 2 = a2 , x2 + y 2 = b2 ]
>
subs({x=r*cos(theta),y=r*sin(theta)},%);
2
[r2 cos () + r2 sin () = a2 , r2 cos () + r2 sin () = b2 ]

>
simplify(%);
[r2 = a2 , r2 = b2 ]
>
# Realizamos el cambio de variable en las dos rectas que definen el dominio
>
[x=0,y=0];
[x = 0, y = 0]
165
>
subs({x=r*cos(theta),y=r*sin(theta)},%);
>
#
#
#
#
#
#
#
#
#
[r cos () = 0, r sin () = 0]
>
>
>
Los trozos de circunferencia se tranforman en:

x^2+y^2=a^2 (color azul) -> r = a
x^2+y^2=b^2 (color rojo) -> r = b
Las dos rectas se transforman en:
x=0 (color verde)
-> theta = 0
y=0 (color amarillo) -> theta = Pi/2
with(plots):
implicitplot([r=2,r=4,theta=0,theta=Pi/2],r=2..4,theta=0..Pi/2,
color=[blue,red,green,yellow],thickness=3);
Matrix(2,2,[Diff(x,r),Diff(x,theta),Diff(y,r),Diff(y,theta)])
=Matrix(2,2,
[diff(r*cos(theta),r),diff(r*cos(theta),theta),
diff(r*sin(theta),r),diff(r*sin(theta),theta)]);
"
>
d
dr x
d
d x
d
dr y
d
d y
"
cos ()
r sen ()
sen ()
r cos ()
2
cos () r + r sin ()
>
simplify(%);
>
simplify(ln(r^2*cos(theta)^2+r^2*sin(theta)^2));
>
Int(Int(r*ln(r^2),r=a..b),theta=0..Pi/2)
=int(int(r*ln(r^2),r=a..b),theta=0..Pi/2);
r

ln r2
>
1
2
Z b
a

1
1
1
1
r ln r2 dr d = a2 ln a2 + a2 + b2 ln b2 b2
4
4
4
4
simplify(rhs(%));

1
a2 ln a2 a2 b2 ln b2 + b2
4
PR 4.7. Sea a > 0. Calcular el volumen interior al cilindro
x2 + y 2 = 2ay
166
y a la esfera
x2 + y 2 + z 2 = 4a2
Resolucin
La esfera est centrada en el origen y tiene radio 2a, ya que 4a2 = 2a. En cuanto al cilindro, se tiene
x2 + y 2 = 2ay x2 + y 2 2ay = 0 x2 + y 2 2ay + a2 = a2 x2 + (y a)2 = a2
Se trata de un cilindro vertical (eje z) de radio a ( a2 = a) y centrado en (0, a, 0).

Representando grficamente el cilindro y la esfera, se observa que el plano (xy) corta el volumen en dos partes
simtricas, por lo que se considera slo el volumen de la parte superior. ste, por su parte, es simtrico con respecto
al plano yz, con lo cual se calcula slo la cuarta parte del volumen total y se multiplica por 4. Se observa en la
figura de abajo que la ecuacin que delimita la base es la del cilindro, mientras que la altura la delimita la esfera.
Figura 4.10. Clculo del volumen comprendido entre la esfera y el cilindro
Si se utilizan coordenadas cilndricas x = r cos , y = r sen , z = z, la esfera tendr la ecuacin

x2 + y 2 + z 2 = 4a2 r2 + z 2 = 4a2
Mientras que el cilindro tendr la ecuacin
x2 + y 2 = 2ay r2 = 2ar sen r = 2a sen
Se definen los extremos de integracin para la parte superior del volumen,
h i
corresponde a un cuarto de crculo
0,
2
r [0, 2a sen ] base delimitada por el cilindro
p
z [0, 4a2 r2 ] altura delimitada por la esfera
167
El volumen total ser cuatro veces el volumen delimitado por los extremos que se han establecido. As pues,
Z
V =4
2a sen
4a2 r 2
Z
|J | dz dr d = 4
2a sen
4a2 r 2
r dz dr d
0
p 2
2a sen
(4a r2 )3
=4
r
dr d = 4
d
3
0
0
0
0
Z 2
Z 2
p
p
1 p 2
1 p 2
=4
(4a 4a2 sen2 )3 (4a2 )3 d = 4
4a (cos2 )3 (4a2 )3 d
3
3
0
0
Z 2
Z 2
32
1
(8a3 cos3 8a3 ) d = a3
cos3 () 1 d
=4
3
3
0
0
2
32 3
1
16 3
3
=
a (3 4)
= a sen sen
3
3
9
0
Z
2a sen
4a2
r2
Por tanto,
V =
16 3
a (3 4)
9
>
# Representamos el volumen (para el valor a=2)
>
with(plots):
>
a:=2:
display(
implicitplot3d([x^2+y^2=2*a*y],x=-a..a,y=0..2*a,z=-2*a..2*a,
style=patchnogrid,color=grey,transparency=0.2,grid=[20,20,20]),
implicitplot3d([x^2+y^2+z^2=4*a^2],x=-2*a..2*a,y=-2*a..2*a,z=-2*a..2*a,
style=patchnogrid,color=red,transparency=0.,grid=[20,20,20]),
scaling=constrained,orientation=[20,70]
);
>
168

>
display(
implicitplot3d([x^2+y^2=2*a*y],x=-a..a,y=0..2*a,z=-2*a..2*a,
implicitplot3d([x^2+y^2+z^2=4*a^2],x=-a..a,y=0..2*a,z=-2*a..2*a,
style=patchnogrid,color=red,transparency=0.7,grid=[20,20,20]),
spacecurve([sqrt(a^2-(y-a)^2),y,sqrt(4*a^2-(a^2-(y-a)^2)-y^2)],y=0..2*a,
color=black,thickness=3,numpoints=1000),
spacecurve([-sqrt(a^2-(y-a)^2),y,sqrt(4*a^2-(a^2-(y-a)^2)-y^2)],y=0..2*a,
spacecurve([sqrt(a^2-(y-a)^2),y,-sqrt(4*a^2-(a^2-(y-a)^2)-y^2)],y=0..2*a,
spacecurve([-sqrt(a^2-(y-a)^2),y,-sqrt(4*a^2-(a^2-(y-a)^2)-y^2)],y=0..2*a,
);
>
# Representamos la quarta parte del volumen que queda en el primer octante

display(
plot3d([sqrt(a^2-(y-a)^2),y,z],y=0..2*a,z=0..sqrt(4*a^2-(a^2-(y-a)^2)-y^2),
implicitplot3d([x^2+y^2+z^2=4*a^2],x=0..2*a,y=0..2*a,z=0..2*a,
style=patchnogrid,color=red,transparency=0.8,grid=[20,20,20]),
spacecurve([sqrt(a^2-(y-a)^2),y,sqrt(4*a^2-(a^2-(y-a)^2)-y^2)],y=0..2*a,
spacecurve({[sqrt(a^2-(y-a)^2),y,0],[0,y,sqrt(4*a^2-y^2)],[0,y,0]},
y=0..2*a,color=black,thickness=3,numpoints=1000),
spacecurve([0,0,z],z=0..2*a,color=black,thickness=3,numpoints=1000),
);
>
>
# Realizamos el cambio de variable a coordenadas cilndricas
>
unassign(a):
169
>
subs({x=r*cos(theta),y=r*sin(theta)},x^2+y^2+z^2=4*a^2);
2
r2 (cos ()) + r2 (sin ()) + z 2 = 4 a2

>
simplify(%);
z 2 + r2 = 4 a2
>
subs({x=r*cos(theta),y=r*sin(theta)},x^2+y^2=2*a*y);
2
r2 (cos ()) + r2 (sin ()) = 2 ar sin ()

>
simplify(%);
r2 = 2 ar sin ()
>
>
>
>
# Las superfcies se transforman en:

#
# esfera:
x^2+y^2+z^2 = 4*a^2 -> z^2 = 4*a^2-r^2
# cilindro: x^2+y^2=2*a*y
-> r = 2*a*sin(theta)
# La parametrizacin del volumen viene dada por:
#
x = r*cos(theta)
#
y = r*sin(theta)
#
z = z
# donde
#
theta = 0..Pi/2
#
r = 0..2*a*sin(theta)
#
z = 0..sqrt(4*a^2-r^2)
#
# Para dibujar las paredes del volumen solo tenemos que fijar
#
uno de los parmetros en funcin de los dems.
a:=2:
Rmax:=2*a*sin(theta):
Zmax:=sqrt(4*a^2-Rmax^2):
Tmax:=Pi/2:
display(
# base z=0
plot3d([r*cos(theta),r*sin(theta),0],r=0..Rmax,theta=0..Tmax,
style=patchnogrid,color=yellow),
# pared en x = 0 -> theta = Pi/2 = Tmax
plot3d([r*cos(Tmax),r*sin(Tmax),z],r=0..2*a*sin(Tmax),z=0..sqrt(4*a^2-r^2),
style=patchnogrid,color=green),
# pared limitada por el cilindro -> r = Rmax
plot3d([Rmax*cos(theta),Rmax*sin(theta),z],theta=0..Tmax,z=0..Zmax,
style=patchnogrid,color=grey,transparency = 0.2),
# pared limitada por la esfera -> z = sqrt(4*a^2-r^2)
plot3d([r*cos(theta),r*sin(theta),sqrt(4*a^2-r^2)],r=0..Rmax,theta=0..Tmax,
style=patchnogrid,color=red,transparency = 0.5),
);
170
>
Matrix(3,3,[Diff(x,r),Diff(x,theta),Diff(x,z),
Diff(y,r),Diff(y,theta),Diff(y,z),
Diff(z,r),Diff(z,theta),Diff(z,z)])
=Matrix(3,3,
[diff(r*cos(theta),r),diff(r*cos(theta),theta),diff(r*cos(theta),z),
diff(r*sin(theta),r),diff(r*sin(theta),theta),diff(r*sin(theta),z),
diff(z,r),diff(z,theta),diff(z,z)]);
>
d
dr x
d
d x
d
dz x
d
dr y
d
d y
d
dz y
d
dr z
d
d z
cos ()

= sen ()

d
0
dz z
r sen ()
r cos ()
0
2
(cos ()) r + (sin ()) r

>
simplify(%);
r
>
>
unassign(a):
Int(Int(Int(r,z=0..sqrt(4*a^2-r^2)),r=0..2*a*sin(theta)),theta=0..Pi/2)
=int(int(int(r,z=0..sqrt(4*a^2-r^2)),r=0..2*a*sin(theta)),theta=0..Pi/2);
1
2
Z 2 a sin() Z
0
>
assume(a>0):
>
simplify(rhs( %));
>
4 a2 r 2
V:=4*%;
4
2
rdz dr d = a2 4 a 3 (csgn (a)) a csgn (a)
9
4 3
a (4 + 3 )
9
V :=
16 3
a (4 + 3 )
9
PR 4.8. La temperatura en los puntos del cubo W = [1, 1]3 es proporcional al cuadrado de la distancia al origen.
(a) Cul es la temperatura promedio?
(b) En qu puntos del cubo la temperatura es igual a la temperatura promedio?
Resolucin
(a) La temperatura es proporcional al cuadrado de la distancia al origen, por tanto:
T (x, y, z) = c(x2 + y 2 + z 2 )
171
La temperatura promedio se define como

ZZZ
ZZZ
W
W
ZZZ
=
T =
Volumen cubo
dx dy dz
W
Se calcula la integral del numerador:

ZZZ
c(x2 + y 2 + z 2 ) dx dy dz
T (x, y, z) dx dy dz =
W
3
1
x
2
2
=
c
+y x+z x
dy dz
3
1 1
1
Z 1Z 1
1
1
2
2
2
2
dy dz
=
c
+y +z y z
3
3
1 1
Z 1Z 1
2
=
c + 2y 2 + 2z 2 dy dz
3
1 1
1
Z 1
Z 1
8
2
2 3
2
=
c y + y + 2z y
dz =
c + 4z 2 dz =
3
3
3
1
1
1
1
16 8
8
4
= c z + z3
=c
+
= 8c
3
3
3
3
1
Z
Seguidamente se calcula la integral del denominador:

Z
ZZZ
dx dy dz =
W
dx dy dz =
1
Z 1
2 dy dz =
1
4 dz = 8
1
Finalmente se calcula la fraccin,

T =
8c
=c
8
(b) Se buscan los puntos donde la temperatura T = c(x2 + y 2 + z 2 ) es igual a la temperatura promedio T = c.
Por tanto, se igualan las dos ecuaciones:
c(x2 + y 2 + z 2 ) = c x2 + y 2 + z 2 = 1
As, la temperatura ser igual a la temperatura promedio en la esfera x2 + y 2 + z 2 = 1 inscrita en el cubo.
>
restart;
>
T:=(x,y,z)->c*(x^2+y^2+z^2):
>
# apartado a)
VolumenCubo:=Int(Int(Int(1,x=-1..1),y=-1..1),z=-1..1);
VolumenCubo:=int(int(int(1,x=-1..1),y=-1..1),z=-1..1);
>
VolumenCubo :=
1dx dy dz
1 1 1
172
VolumenCubo := 8
>
TempProm:=Int(Int(Int(T(x,y,z),x=-1..1),y=-1..1),z=-1..1)/VolumenCubo;
TempProm:=int(int(int(T(x,y,z),x=-1..1),y=-1..1),z=-1..1)/VolumenCubo;
TempProm := 1/8
c x2 + y 2 + z 2 dx dy dz
1 1 1
TempProm := c
>
# apartado b)
>
T(x,y,z)=c;
>
%/c;
c x2 + y 2 + z 2 = c
x2 + y 2 + z 2 = 1
>
4.7.
with(plots):
display(
implicitplot3d(x^2+y^2+z^2=1,x=-1..1,y=-1..1,z=-1..1,
style=patchnogrid,grid=[20,20,20],color=red,transparency=0.2),
implicitplot3d({x=-1,x=1,y=-1,y=1,z=-1,z=1},
x=-1.01..1.01,y=-1.01..1.01,z=-1.01..1.01,
orientation = [30,70]
);
1
PP 4.1. Sea V = [0, 1] [ 1
2 , 0] [0, 3 ]. Calcular
Z Z Z
(x + 2y + 3z)2 dx dy dz
Solucin:
1 1
24 15
(2 2) .
PP 4.2. Determinar el volumen bajo la grfica de f (x, y) = cos x sen y en el rectngulo [0, /2] [0, /2].
RR
Solucin: V = 02 02 cos x sen y dx dy = 1.
PP 4.3. Calcular la integral doble
ZZ
f
en el caso f (x, y) = 18 xy y = {(x, y) R2 | 2 x 4, x 1 y 2x}.

RR
317
.
Solucin: f =
24
173
PP 4.4. Calcular el volumen del slido acotado por la superfcie f (x, y) = sen y, los planos x = 1, x = 0, y =
0, y = /2 y el pla xy.
Solucin: V = 1.
PP 4.5. Sea W R3 la regin acotada por los planos x = 0, y = 0, z = 2, la superfcie z = x2 + y 2 y que est
en el cuadrante x 0, y 0. Calcular
Z Z Z
x dx dy dz
Solucin:
RRR
W
x dx dy dz =
8 2
15 .
PP 4.6. Pasar a coordenadas polares la integral

ZZ
f (x, y)dxdy
S
donde S es el dominio limitado por las circunferencias x2 + y 2 = 4x, x2 + y 2 = 8x y las rectas y = x, y = 2x.
Z arctan 2 Z 8 cos
RR
Solucin: S f (x, y)dxdy =
r f (r cos , r sen )dr d.
4 cos
PP 4.7. Encontrar el valor promedio de f (x, y) = x sen2 (xy) sobre la regin D = [0, ] [0, ].
Solucin: f = 0, 784.
PP 4.8. Encontrar el centro de masa de una lmina cuadrada [0, 1][0, 1] si la densidad de masa es (x, y) = ex+y .
1
Solucin: xc = yc = e1
.
174
175
5 Ecuaciones diferenciales ordinarias
En muchas ocasiones, al estudiar un fenmeno fsico, no es posible hallar de forma inmediata las leyes fsicas
que relacionan las magnitudes que caracterizan dicho fenmeno. Pero en algunos casos s que es fcil poder
establecer la dependencia entre dichas magnitudes y sus derivadas, es decir, modelar el fenmeno mediante una
ecuacin diferencial. As pues, el estudio de ecuaciones diferenciales es de suma importancia para la ciencia y la
ingeniera.
En el presente captulo se presentan las ecuaciones diferenciales ordinarias de primer y segundo orden y se
estudia su resolucin. Tambin se comenta de forma ms breve la resolucin de sistemas de ecuaciones diferenciales. Es importante aadir que, adems de los mtodos de resolucin que se presentan en este captulo, existen
otros mtodos, como el de la aplicacin de transformadas integrales, que se ver en el captulo 7, y la aplicacin
de mtodos numricos aproximados. Este ltimo mtodo es propio de asignaturas de clculo numrico, por lo que
no es considerado en este texto.
5.1.
Ejemplo introductivo
Se considera un cuerpo de masa m sujeto al extremo de un resorte flexible (muelle) suspendido a un soporte rgido,
tal y como se muestra en la figura 5.1.
Figura 5.1. Masa suspendida de un muelle

El muelle no ejerce fuerza cuando el cuerpo se halla en la posicin de equilibrio, en la que y = 0 y, entonces,
mg ks = 0. Si se desplaza una distancia y, el muelle ejerce una fuerza restauradora dada por la ley de Hooke,
Fr = ky, donde k es una constante de proporcionalidad de valor positivo y cuya magnitud depende de la rigidez
del muelle.
176
Aplicando la segunda ley de Newton, se tiene que

m
Llamando =
d2 y
= ky
dt2
d2 y
k
+ y=0
2
dt
m
k/m, se tiene la relacin
d2 y
+ 2 y = 0
(5.1)
dt2
Esta relacin se llama ecuacin diferencial y relaciona y(t) con sus derivadas (en este caso con su derivada segunda). El objetivo de este captulo es proponer herramientas para resolver algunos tipos de ecuacines diferenciales,
es decir, determinar la funcin incgnita y(t).
En este ejemplo, se puede comprobar que
y(t) = C1 sen(t) + C2 cos(t)
(5.2)
donde C1 y C2 son constantes cualesquiera, verifica dicha ecuacin diferencial. En efecto,

y 0 (t) = C1 cos(t) C2 sen(t)
con lo cual
y 00 (t) = C1 2 sen(t) C2 2 cos(t) = 2 y(t)
Se puede demostrar que la funcin 5.2 es la nica solucin de la ecuacin diferencial 5.1.
5.2.
Ecuaciones diferenciales de primer orden
5.2.1.
Primeras definiciones
Esta seccin se inicia con unas primeras definiciones de los conceptos bsicos y con el estudio de las ecuaciones
diferenciales ms sencillas, las de primer orden.
Definicin 69 (Ecuacin diferencial ordinaria). Es una ecuacin que debe cumplir una funcin desconocida y(x)
con su variable independiente x y las derivadas de y(x) hasta un orden determinado:
f (x, y, y 0 , . . . , y (n) ) = 0
(5.3)
Se denominan ordinarias para distinguirlas de las ecuaciones diferenciales en derivadas parciales. Un ejemplo
de ecuacin diferencial est dado en la relacin 5.1, donde la variable independiente es el tiempo t y la dependiente
es y.
Definicin 70 (Orden de una ecuacin diferencial). Es el mayor de los rdenes de las derivadas que contiene la
ecuacin diferencial. En la ecuacin diferencial 5.1 el orden es 2, ya que interviene la derivada segunda.
Definicin 71 (Solucin general ). Es una expresin que contiene todas las funciones y(x) que, sustituidas en
la ecuacin diferencial, la satisfacen para cualquier valor de x. Dicha expresin contiene siempre n constantes
arbitrarias (constantes de integracin). En el ejemplo anterior, la solucin dada en la ecuacin 5.2 es una solucin
general porque no se ha asignado un valor especfico a las constantes de integracin C1 y C2 . Notar tambin que
hay DOS constantes de integracin para la ecuacin diferencial de orden DOS.
Definicin 72 (Solucin particular ). Es cada una de las funciones de la familia que forman la solucin general.
Cada una de ellas corresponde
a unos valores determinados de las n constantes
de integracin. En el ejemplo
anterior, si se toma C1 = 2 y C2 = 50, entonces la solucin y(t) = 2 sen(t) 50 cos(t) es una solucin
particular de la ecuacin diferencial.
177
Ejemplo 106. La ecuacin diferencial

y
= 0;
y(1) = 2
x
es una ecuacin diferencial ordinaria de primer orden. Su particularidad con respecto al ejemplo anterior es que se
impone una condicin inicial y(1) = 2. La ecuacin diferencial puede escribirse como
y0
dy
y
=
dx
x
se pueden separar a cada lado de la igualdad las variables x e y
dx
dy
=
y
x
e integrando ambos lados
Z
dx
dy
=
ln |y| = ln |x| + K
y
x
y despejando y, se obtiene la solucin general de la ecuacin diferencial
y = Cx
Tal y como se muestra en la figura 5.2, la solucin hallada corresponde a una familia de rectas. Cada una de
ellas es una solucin particular de la ecuacin diferencial. Para obtener la solucin particular correspondiente a
la condicin inicial y(1) = 2, que proporciona el enunciado del problema, hay que imponer que se cumpla dicha
condicin y hallar el valor de la constante. As pues, dado que y(1) = 2, se tiene que
2=C 1
C=2
Y la solucin particular es
y = 2x
5.2.2.
Ecuaciones diferenciales de variables separables
Definicin 73 (Ecuaciones diferenciales de variables separables). Son aquellas ecuaciones diferenciales de primer
orden en las que se pueden separar las variables con sus respectivos diferenciales, f1 (y)dy = f2 (x)dx.
La solucin se obtiene de forma inmediata integrando ambos lados de la igualdad:
Z
Z
f1 (y)dy = f2 (x)dx + C
Ejemplo 107. Resolver la ecuacin diferencial: y 0 + 4x3 y 2 = 0
Solucin
Se trata de una ecuacin de variables separables
dy
= 4x3 dx
y2
Al integrar ambos miembros se obtiene la solucin general
Z
Z
dy
=
4x3 dx
y2
Finalmente,
y=
x4
1
C
1
= x4 + C
y
178
Figura 5.2. Representacin de la solucin general y particular de la ecuacin diferencial del ejemplo 106
5.2.3.
Ecuaciones diferenciales de primer orden lineales
Definicin 74 (Ecuacin diferencial de primer orden lineal). Es una ecuacin diferencial que puede escribirse de
la siguiente forma
dy
+ P (x)y = Q(x)
(5.4)
dx
Si el segundo miembro Q(x) es nulo para cualquier valor de x del intervalo en el que considera la ecuacin, se dice
que la ecuacin diferencial de primer orden lineal es homognea; en caso contrario, se dice que es no homognea.
A continuacin se deducir una frmula para la solucin general. Dicho procedimiento recibe el nombre de mtodo
de Lagrange o de variacin de la constante y consta de los siguientes pasos:
1. Resolver la ecuacin diferencial de primer orden lineal homognea
dy
+ P (x)y = 0
dx
que no es ms que una ecuacin de variables separables cuya solucin general es y = Ke
K es la constante de integracin.
P (x)dx
, donde
2. Suponer que K es una funcin de x, que se designar por K(x) y que se determinar con la condicin de
que la solucin hallada en
R el paso anterior, pero con K(x), sea solucin de la ecuacin de partida. Es decir,
la funcin y = K(x)e P (x)dx y su derivada respecto x:
R
R
dy
= K 0 (x)e P (x)dx K(x)P (x)e P (x)dx
dx
verificarn la ecuacin inicial, por tanto,

R
R
R
dy
= K 0 (x)e P (x)dx K(x)P (x)e P (x)dx + P (x)K(x)e P (x)dx = Q(x)
dx
179
K 0 (x)e
De manera que
Z
K(x) =
P (x)dx
P (x)dx
= Q(x)
Q(x)dx + C
3. Sustituir este valor de K(x) en la solucin de la homognea obtenida en el primer paso, obteniendo la
solucin general de la ecuacin diferencial de primer orden lineal
Z R
R
P (x)dx
P (x)dx
y=e
e
Q(x)dx + C
(5.5)
Ejemplo 108. Resolver la ecuacin diferencial: y 0
1
y = x cos x
x
Solucin
1
Aplicando la expresin dada por la ecuacin 5.5 y teniendo en cuenta que P (x) = y Q(x) = x cos x, se
x
obtiene
Z
R 1
R 1
e x dx x cos xdx + C
y = e x dx
Efectundose los clculos implicados en esta expresin
R
Z
e
1
x
1
x
= eln x = x
Z
Z
Z
1
dx
x cos x dx = e ln x x cos x dx =
x cos x dx = cos x dx = sen x
x
e
dx
finalmente se llega a la solucin

y(x) = x sen x + Cx
5.2.4.
Problemas de modelado
A continuacin se consideran diversas aplicaciones de las ecuaciones diferenciales de primer orden a la resolucin de diversos problemas de la ciencia y de la tcnica. Es importante observar cmo a partir de la ley fsica
correspondiente al fenmeno o dispositivo objeto de estudio, se formula la ecuacin diferencial que lo rige, para
posteriormente resolverla y hallar la solucin del problema.
I. Ley de enfriamiento de Newton: Cuando la diferencia de temperaturas entre un cuerpo (T ) y su medio ambiente
(Ta ) no es demasiado grande, el calor transferido en la unidad de tiempo hacia el cuerpo o desde el cuerpo es
aproximadamente proporcional a la diferencia de temperaturas entre el cuerpo y el medio externo.
Ejemplo 109. Una taza de t cuya temperatura es de T0 = 90 C se deja en el saln cuya temperatura constante
es de Ta = 22 C. Tres minutos despus, su temperatura es de 80 C. Cunto tiempo hay que esperar para que su
temperatura sea de 50 C?
Solucin
Aplicando la ley de enfriamiento de Newton, se puede formular la siguiente ecuacin diferencial:
dT
= (T Ta )
dt
(5.6)
donde es una constante de proporcionalidad. Es fcil llegar a su solucin general por tratarse de una ecuacin
diferencial de variables separables
180
dT
=
T Ta
Z
dt
ln |T Ta | = t + K
T T a = eK et
As pues, poniendo C = eK se tiene que

T = Ta + Cet
donde C es una constante de integracin. Dado que se conoce el valor de la condicin inicial T (0) = T0 , se puede
hallar el valor de C
T0 = Ta + C C = T0 Ta
y obtener la solucin particular
T = Ta + (T0 Ta )et
Teniendo en cuenta los valores numricos que facilita el enunciado del problema: Ta = 22 , T0 = 90 , se tiene
T = 22 + 68et
Puede hallarse el valor del parmetro teniendo en cuenta el resto de de datos que nos da el enunciado del
problema, es decir, que tarda 3 minutos en enfriase hasta 80 , por tanto,
1
80 22
3
80 = 22 + 68e
= ln
0,053 min1
3
68
De manera que
T = 22 + 68e0,053t
Por ltimo, para que su temperatura sea de 50 , el tiempo que deber pasar ser
1
50 22
50 = 22 + 68e0,053t t =
ln
16,74 min
0,053
68
II. Cuerpo en cada libre En el siguiente ejemplo, se va a aplicar la segunda ley de Newton bajo diversas hiptesis,
para establecer un modelo matemtico para la velocidad de un objeto que se deja caer cerca de la superficie
terrestre.
Ejemplo 110. Se deja caer un objeto de masa m en las proximidades de la superficie terrestre. Suponiendo que la
fuerza de friccin es proporcional a la velocidad, se desea conocer la velocidad del objeto en funcin del tiempo,
v(t).
Solucin
Para un cuerpo que cae cerca de la superficie terrestre, la fuerza total que acta sobre el mismo estar compuesta
por dos fuerzas contrarias:
La atraccin debida a la gravedad, F~ = m~g , donde ~g es la aceleracin de la gravedad, que se supondr
constante, ya que se se supone el cuerpo prximo a la superficie.
La fuerza de friccin debida a la resistencia del aire, F~r = v, donde se supone que es proporcional a la
velocidad. Esta constante de proporcionalidad se llama coeficiente de arrastre y, en general, depende de
las caractersticas del cuerpo.
Aplicando la segunda ley de Newton se tiene
m
dv
= mg v
dt
dv
+ v=g
dt
m
(5.7)
181
Es una ecuacin diferencial lineal de primer orden no homognea, cuya solucin se obtiene mediante la relacin
5.5 con P (t) = /m y Q(t) = g. Pero es de observar que en este caso, la ecuacin diferencial planteada tambin
es de variables separables, ya que, llamando a = /m, puede ser escrita de la forma
dv
= dt
g av
Integrando ambos lados
dv
=
g av
Z
dt
ln(g av) ln C = at
se tiene
g va = Ceat
v=
1
g Ceat
a
Finalmente, deshaciendo el cambio a = /m, se obtiene la solucin

v=

m
g Ce m t
En el enunciado se habla de cada libre del objeto, por tanto puede suponerse que en el instante inicial t = 0 su
velocidad inicial es v = 0. Teniendo en cuenta estas condiciones iniciales, puede hallarse el valor de la constante
C
m
0 = (g C) C = g
y obtener la solucin particular de la ecuacin diferencial planteada, que dar la evolucin de la velocidad de cada
del objeto en funcin del tiempo
v(t) =

gm
1 e m t
(5.8)
III. Circuitos elctricos simples Sea un circuito elctrico formado por una fuente de fuerza electromotriz, f.e.m.
(E), un resistor de resistencia (R) y un inductor con inductancia (L) tal y como se muestra en la figura 5.3.
Figura 5.3. Circuito simple compuesto por una fuente de f.e.m., un resistor y un inductor
A partir de las leyes de Kirchhoff se puede establecer un modelo sobre el comportamiento del circuito en forma de
ecuacin diferencial de primer orden.
182
Ejemplo 111. Se considera el circuito simple representado en la figura 5.3. Si en el instante t = 0 circula una
intensidad I0 , cul es la evolucin de la intensidad con el tiempo, I(t)?
Solucin
Analizando cada elemento que forma el circuito, se tiene:
La fuente de fuerza electromotriz (f.e.m.), E, produce una corriente elctrica I, que circula por el circuito.
La resistencia, R se opone al paso de corriente produciendo una cada en la f.e.m. dada por la ley de Ohm,
ER = RI.
Las variaciones de intensidad en un circuito con autoinduccin originan variaciones en el campo magntico
creado por l, las cuales a su vez originan una f.e.m. inducida que se opone a la variacin de la intensidad y
dI
que es proporcional a dicha variacin: EL = L .
dt
Estos elementos actan de acuerdo con la ley de Kirchhoff, segn la cual la suma de las f.e.m entorno a un circuito
cerrado es cero:
L
dI
+ RI = E
dt
(5.9)
Se trata de una ecuacin diferencial de primer orden de variables separables,

dI
1
= dt,
E RI
L
de solucin general
I=
E
C R
e L t
R R
El enunciado del problema proporciona una condicin incial que pemitir determinar el valor de la constante de
integracin C, y por tanto, determinar la solucin particular deseada
I(t = 0) = I0
I0 =
E
C
R R
Despejando C,
C = E RI0
y sustituyndola en la solucin general, se llega al modelo matemtico del circuito
R
E
E
+ I0
e L t
I=
R
R
(5.10)
Observar que si la fuente de energa produce una f.e.m. dependiente del tiempo, E(t), entonces la ecuacin diferencial no es de variables separables. Se puede resolver viendo que es lineal de primer orden.
5.3.
Ecuaciones diferenciales de segundo orden
Las ecuaciones diferenciales de orden dos son aquellas en las que aparece la derivada segunda de la funcin
incgnita, pero no las derivadas de orden superior a dos. Para la ingeniera, las ms importantes son las lineales
con coeficientes constantes.
183
Definicin 75. Se dice que una ecuacin diferencial es lineal de segundo orden homognea con coeficientes
constantes si
y 00 + a1 y 0 + a2 y = 0
(5.11)
donde y es la funcin incgnita, a1 y a2 son constantes reales.
Utilizando el operador diferencial D y sus propiedades de linealidad, la ecuacin diferencial 5.11 puede expresarse de la siguiente forma
(D2 + a1 D + a2 )y = 0
La ecuacin D2 + a1 D + a2 = 0 recibe el nombre de ecuacin caracterstica y, segn sean sus races, pueden
presentarse los tres casos siguientes:
1. Races reales y distintas: s1 6= s2 . En este caso, se puede demostrar que la solucin general es:
y = C1 es1 x + C2 es2 x
donde C1 y C2 son constantes de integracin.
Ejemplo 112. Integrar la ecuacin diferencial:
d2 y
dy
+3
10y = 0
dx2
dx
Solucin
La ecuacin caracterstica es D2 + 3D 10 = 0, cuyas races son s1 = 2, s2 = 5. Por tanto, la solucin
general ser
y = C1 e2x + C2 e5x
2. Races reales e iguales: s1 = s2 = s. En este caso, se demuestra que la solucin general es:
y = (C1 x + C2 )esx
d2 y
dy
10
+ 25y = 0
2
dx
dx
Solucin
La ecuacin caracterstica es D2 10D + 25 = 0, cuyas races son s1 = s2 = 5. Por tanto, la solucin
general ser
y = (C1 x + C2 )e5x
3. Races complejas: s1 = + i, s2 = i. En este caso, se demuestra que la solucin general es:
y = ex [A cos(x) + B sen(x)]
d2 y
dy
6
+ 34y = 0
dx2
dx
Solucin
La ecuacin caracterstica es D2 6D + 34 = 0, cuyas races son s1 = 3 + 5 i, s2 = 3 5 i. Por tanto, la
solucin general ser
y = e3x [A cos(5x) + B sen(5x)]
184
5.3.1.
Ecuaciones diferenciales lineales de segundo orden no homogneas con coeficientes constantes
Sea una ecuacin diferencial lineal de segundo orden no homognea con coeficientes constantes:
y 00 + a1 y 0 + a2 y = f (x)
(5.12)
Sea y = yp (x) una solucin particular de la ecuacin diferencial 5.12 y sea yh (x) la solucin de la ecuacin
diferencial homognea
yh00 + a1 yh0 + a2 yh = 0
(5.13)
Entonces, la solucin general de la ecuacin 5.12 es
y = yp + yh
Se puede comprobar que yp + yh es realmente solucin de 5.12. En efecto, siendo yp una solucin particular,
se tiene que
yp00 + a1 yp0 + a2 y = f (x)
Ahora,
(yp + yh )00 + a1 (yp + yh )0 + a2 (yp + yh ) = (yp00 + a1 yp0 + a2 ) + (yh00 + a1 yh0 + a2 ) = f (x)
As pues, la solucin general de la ecuacin diferencial 5.12 puede obtenerse como la suma de la solucin de la
ecuacin homognea correspondiente, ms una solucin particular. En el apartado anterior se ha estudiado la resolucin de la ecuacin homognea. A continuacin se estudiarn un par de mtodos para poder hallar una solucin
particular.
I. Mtodo de los coeficientes indeterminados Consiste en proponer una solucin particular yp (x) con aspecto
similar a la funcin f (x) y que incluya unos coeficientes desconocidos, que se determinarn al sustituir esa solucin particular elegida en la ecuacin diferencial que se desea resolver.
Segn sea la funcin f (x) ,se distinguirn distintas propuestas para la solucin particular, yp (x).
(a) f (x) = Bn xn + Bn1 xn1 + . . . + B0 . Teniendo en cuenta que las derivadas de una funcin polinmica
siguen siendo funciones polinmicas, se propone una solucin particular de la forma:1
yp = An xn + An1 xn1 + . . . + A0
siendo los Ai , i = 1, n los coeficientes a determinar.
(b) f (x) = Kex con K constante. Puesto que las derivadas de funciones exponenciales son tambin funciones
exponenciales, la solucin particular propuesta ser de la forma:2
yp = Aex
siendo A el coeficiente a determinar.
(c) f (x) = ex P (x) donde P (x) es un polinomio de grado n. En este caso, se propone como solucin particular:3
yp = ex (An xn + An1 xn1 + . . . + A0 )
siendo los Ai , i = 1, n los coeficientes a determinar.
1 Si
el coeficiente de la ecuacin diferencial a2 = 0, entonces la solucin particular propuesta deber ser un polinomio de grado n + 1.
es raz de la ecuacin caracterstica, entonces el mtodo no funciona, ya que no puede determinarse el valor de A.
3 Si es raz de la ecuacin caracterstica, entonces el polinomio de la solucin particular hay que tomarlo de grado n + 1, y si es raz doble,
de grado n + 2.
2 Si
185
(d) f (x) = M sen mx + N cos mx con M y N constantes. Teniendo en cuenta que la derivada del seno es el
coseno y viceversa, la integral particular se toma de la forma
yp = A sen mx + B cos mx
siendo A y B los coeficientes a determinar.
Pl
(e) f (x) = i=1 gi (x), donde cada gi (x) es una funcin de alguno de los tipos anteriores para f (x). Entonces,
se elige para yp una suma de las soluciones particulares correspondientes a cada gi (x).
Ejemplo 115. Resolver la ecuacin diferencial:
y 00 + 4y = 8x2
Solucin
Solucin de la ecuacion diferencial homognea yh00 + 4yh = 0. Primero se resuelve la ecuacin caracterstica
D2 + 4 = 0
s1 = 2i,
s2 = 2i
Races complejas, por tanto, yh = A cos 2x + B sen 2x.

Solucin particular de la ecuacin diferencial no homognea mediante el mtodo de los coeficientes indeterminados. Teniendo en cuenta que f (x) = x2 , se buscar una solucin particular de la forma:
yp = A2 x2 + A1 x + A0
Entonces, yp0 = 2A2 x + A1 , yp00 = 2A2 . Al llevar a cabo su sustitucin en la ecuacin diferencial completa,
se obtiene
2A2 + 4(A2 x2 + A1 x + A0 ) = 8x2
Igualando los coeficientes de x2 ,x,x0 , resulta el siguiente sistema de ecuaciones lineales:
4A2 = 8
4A1 = 0
2A2 + 4A0 = 0
cuya solucin es: A2 = 2, A1 = 0, A0 = 1. Por tanto, la solucin particular es:
yp = 2x2 1
Solucin general de la ecuacin diferencial es
y = yh + yp = A cos 2x + B sen 2x + 2x2 1
y 00 + 2y 0 + 5y = sen 2x + 16ex
Solucin
Solucin de la ecuacion diferencial homognea yh00 + 2yh0 + 5yh = 0. En primer lugar se resuelve la ecuacin
caracterstica
D2 + 2D + 5 = 0 s1 = 1 + 2i, s2 = 1 2i
Races complejas, por tanto, yh = ex (A cos 2x + B sen 2x).
186
Solucin particular de la ecuacin diferencial no homognea aplicando el mtodo de los coeficientes indeterminados. En esta ocasin, dado que f (x) = sen 2x + 16ex , se buscar una solucin particular de la
forma:
yp = M cos 2x + N sen 2x + Aex
Entonces, yp0 = 2M sen 2x + 2N cos 2x + Aex , yp00 = 4M cos 2x 4N sen 2x + Aex . Al sustituir
yp , yp0 , yp00 en la ecuacin diferencial completa, se obtiene
(4M + 4N + 5M ) cos 2x + (4N 4M + 5N ) sen 2x + 8Aex = sen 2x + 16ex
Igualando los coeficientes de cos 2x, sen 2x, ex , resulta el siguiente sistema de ecuaciones lineales:
M + 4N = 0
4M + N = 1
8A = 16
cuya solucin es: M = 4/17, N = 1/17, A = 2. Por tanto, la solucin particular es:
yp =
4
1
cos 2x +
sen 2x + 2ex
17
17
Solucin general de la ecuacin diferencial completa

y = yh + yp = ex (A cos 2x + B sen 2x)
4
1
cos 2x +
sen 2x + 2ex
17
17
Observacion: Notar que el caso c) f (x) = P (x)ex contiene los casos (a) y (b):
a) cuando ex = 1, o sea, = 0
b) cuando P (x) = K
Por tanto, los problemas comentados anteriormente en los puntos 1, 2 y 3 a pie de pgina, se reducen al caso en
que sea raz de la ecuacin caracterstica. En tal caso, deber tomarse en la solucin particular un polinomio de
grado n + 1, si es raz simple, y n + 2 en el caso de raz doble.
y 00 + y 0 2y = xe2x
Solucin
Solucin de la ecuacion diferencial homognea y 00 + y 0 2y = 0. En primer lugar hallamos las races de la
ecuacin caracterstica
D2 + D 2 = 0 s1 = 1, s2 = 2
Races reales y diferentes, por tanto, yh = C1 ex + C2 e2x .
Solucin particular de la ecuacin diferencial. Ahora se tiene el caso en que f (x) = P (x)ex con P (x) = x
y = 2. Dado que el valor de una de las races de la ecuacin caracterstica coincide con el valor de
= 2, para la solucin particular se propone el producto de e2x con un polinomio con un grado superior
a P (x) = x, es decir, un polinomio de grado 2:
yp = (Ax2 + Bx + C)e2x
Hallando los coeficientes de forma similar a la de los ejemplos anteriores, se obtiene:
yp =
1
(3x2 + 2x)e2x
18
187
Solucin general de la ecuacin completa

C1 ex + C2 e2x
1
(3x2 + 2x)e2x
18
Tal y como se ha visto, el mtodo expuesto en este apartado es simple y, como se ver ms adelante, tiene importantes aplicaciones en la ingeniera. Sin embargo, slo puede aplicarse a ecuaciones con coeficientes constantes
con funciones f (x) tales que sus derivadas sucesivas siguen un modelo de derivadas cclico. Para otro tipo de
funciones, como por ejemplo 1/x o tg x, es necesario otro mtodo para poder hallar la solucin particular, como
el que se presenta en el siguiente apartado.
II. Mtodo de variacin de las constantes Este mtodo consiste en suponer que la solucin particular yp (x) tiene
un aspecto parecido al de la solucin de la ecuacin homognea, yh (x), excepto en las constantes de integracin,
que se supondr que son funciones de x, de manera que
yp = C1 (x)y1 (x) + C2 (x)y2 (x)
donde y1 e y2 son las dos soluciones independientes de la ecuacin homognea. Derivando esta solucin particular
respecto x, se tiene
yp0 = C1 y10 + C2 y20 + C10 y1 + C20 y2
y escogiendo las funciones C1 (x) y C2 (x) de modo que se verifique que C10 y1 + C20 y2 = 0, se tiene que
yp0 = C1 y10 + C2 y20
y derivando de nuevo esta expresin, obtenemos la segunda derivada de yp
yp00 = C1 y100 + C2 y200 + C10 y10 + C20 y20
Sustituyendo yp , yp0 , yp00 en la ecuacin diferencial de partida 5.12, se tiene
C1 y100 + C2 y200 + C10 y10 + C20 y20 + a1 (C1 y10 + C2 y20 ) + a2 (C1 y1 + C2 y2 ) = f (x)
agrupando trminos,
C1 (y100 + a1 y10 + a2 y1 ) + C2 (y200 + a1 y20 + a2 y2 ) + C10 y10 + C20 y20 = f (x)
y teniendo en cuenta que las funciones y1 (x) e y2 (x) son soluciones particulares de la ecuacin diferencial homognea, la expresin anterior se simplica en la forma
C10 y10 + C20 y20 = f (x).
As pues, las dos condiciones para hallar C1 (x) y C2 (x) son:
0
C1 y1 + C20 y2 = 0
C10 y10 + C20 y20 = f (x)
(5.14)
Habr que resolver este sistema de ecuaciones y, una vez despejadas C10 y C20 , integrarlas para hallar C1 (x) y
C2 (x).
y 00 2y 0 + y =
ex
2x
188
Solucin
Solucin de la ecuacion diferencial homognea y 00 2y 0 + y = 0. En primer lugar hallamos las races de la
ecuacin caracterstica
D2 2D + 1 = 0 s1 = s2 = 1
Races reales e iguales por tanto, yh = C1 ex + C2 xex .
Solucin particular de la ecuacin diferencial no homognea mediante el mtodo de variacin de las constantes. Aplicando las condiciones del sistema de ecuaciones 5.14, teniendo en cuenta que ahora y1 (x) = ex
e y2 (x) = xex
( 0 x
C1 e + C20 xex = 0
ex
C10 ex + C20 (xex + ex ) =
2x
Restando la segunda ecuacin de la primera, se tiene C20 = 1/2x, y sustituyendo en la primera ecuacin
resulta C10 = 1/2. Finalmente, integrando se obtienen C1 (x) y C2 (x):
Z
Z
1
x
1
1
1
C1 = dx = ;
C2 =
dx = ln |x|
2
2
2
x
2
As pues, la solucin particular es
p
1
yp = xex + xex ln |x|
2
Solucin general de la ecuacin diferencial. Una vez halladas la solucin general de la homognea y una
solucin particular de la no homognea, la solucin general de la ecuacin diferencial es
p
1
y = yh + yp = K1 ex + K2 xex xex + xex ln |x|
2
donde K1 y K2 son constantes de integracin.
5.3.2.
Problemas de modelado
I. Movimiento armnico amortiguado

En el ejemplo 5.1 se ha supuesto que el movimiento de la masa se llevaba a cabo en el vaco. Sin embargo, puede
hacerse ms realista considerando que el medio donde se mueve el muelle (aire, agua, etc.) tiene una determinada
viscosidad que producir una fuerza de amortiguamiento, Fa . Suponiendo que esta fuerza de amortiguamiento se
opone al movimiento con una magnitud proporcional a la velocidad, es decir,
Fa = c
dy
dt
la ecuacin diferencial toma la forma

m
d2 y
= Fr + Fa
dt2
d2 y
c dy
k
+
+ y=0
dt2
m dt
m
Llamando c/m = 2b y k/m = a2 , la ecuacin diferencial anterior puede escribirse

dy
d2 y
+ 2b
+ a2 y = 0
dt2
dt
Se consideran las condiciones iniciales y(0) = y0 , y 0 (0) = 0. De nuevo se trata de una ecuacin diferencial lineal
de segundo orden con coeficientes constantes homognea. Por tanto, su solucin depender de la naturaleza de las
races de su ecuacin caracterstica
p
p
D2 + 2bD + a2 = 0 s1 = b + b2 a2 , s2 = b b2 a2
En esta ocasin habr que estudiar los tres casos por separado.
189
Races reales y distintas: si b2 a2 > 0 b > a. Puede interpretarse como que la fuerza de amortiguamiento debida a la viscosidad del medio es grande en comparacin con la rigidez del muelle. La solucin general ser y = C1 es1 t + C2 es2 t . Aplicando las condiciones iniciales determinando C1 y C2 , resulta
y=
y 0 s2 t
s1 e s2 e s 1 t
s1 s2
Este tipo de movimiento se denomina movimiento sobreamortiguado En este movimiento no hay ninguna
vibracin (ya que no hay trminos en seno o coseno) y el muelle tiende a regresar a su posicin de equilibrio.
Races reales e iguales: si b2 a2 = 0 a = b. En este caso, la solucin general es C1 eat + C2 teat ,
e imponiendo las condiciones iniciales, una vez hallado el valor de C1 y C2 , la ecuacin del movimiento de
la masa es
y = y0 eat (1 + at)
Tampoco ahora el movimiento es vibratorio, denominndose movimiento crticamente amortiguado.
Races complejas: si
b2 a2 < 0 a > b. Las races suelen escribirse de la forma: s1 = b + i, s2 =
b i donde = a2 b2 . Ahora la solucin general ser ebt (C1 cos t + C2 sen t). Aplicando las
condiciones iniciales, se determinan los valores de C1 y C2 y el movimiento de la masa viene dado por
y=
y0 bt
e ( cos t + b sen t)
Esta ecuacin describe un movimiento oscilatorio cuya amplitud decrece exponencialmente. El movimiento
no es estrictamente peridico, pero la masa m pasa por la posicin de equilibrio a intervalos regulares. En
este caso se habla de movimiento vibratorio amortiguado.
Todava puede estudiarse un nuevo caso, que sera aquel en el que adems de las anteriores fuerzas internas del
sistema, acta una fuerza externa, Fe = f (t), sobre el cuerpo. Esta fuerza externa podra ser producida, por
ejemplo, por vibraciones del soporte donde est sujeto el muelle. En este caso se habla de movimiento vibratorio
forzado y la ecuacin diferencial que se debe resolver ser una ecuacin diferencial lineal de segundo orden con
coeficientes constantes no homognea:
m
d2 y
dy
+c
+ ky = f (t),
2
dt
dt
(5.15)
que junto con las correspondientes condiciones inciales proporcionar la ecuacin del movimiento.
II. Analoga con el estudio de circuitos
Sea el circuito elctrico de la figura 5.4.
Si se considera una fuerza electromotriz peridica E = E0 cos t, entonces la ecuacin diferencial que describe la carga en funcin del tiempo es
L
dQ
1
d2 Q
+R
+ Q = E0 cos t
2
dt
dt
C
(5.16)
Comparando esta ecuacin con la ecuacin 5.15, puede apreciarse una gran similitud teniendo en cuenta las siguientes correspondencias: masa (m) inductancia (L), viscosidad (c) resistencia (R), constante del muelle (k)
inversa de la capacitancia (1/C), desplazamiento (y) carga (Q).
Esta analoga entre las ecuaciones diferenciales correspondientes a sistemas mecnicos y elctricos permite establecer tambin algunas analogas interesantes en el comportamiento de dichos sistemas, a priori, diferentes.
190
Figura 5.4. Circuito RLC
5.4.
Sistemas de ecuaciones diferenciales
En algunas ocasiones se da la situacin de que dos o ms funciones de una misma variable deben satisfacer simultneamente a otras tantas ecuaciones diferenciales en las que intervienen las derivadas de dichas funciones con
respecto a la variable comn. En dicho caso, debe resolverse un sistema de ecuaciones diferenciales.
Dado que un exhaustivo estudio de sistemas de ecuaciones diferenciales va ms all de los objetivos planteados en
este texto, en el presente apartado nicamente se considerar el caso de un sistema de dos ecuaciones diferenciales
de primer orden lineales con coeficientes constantes, es decir,
a1 dx + b1 dy + c1 x + d1 y = f1 (t)
dt
dt
dx
dy
a2
+ b2
+ c2 x + d2 y = f2 (t)
dt
dt
El procedimiento general para la resolucin de este tipo de sistemas consiste en eliminar una de las funciones
incgnitas, as como sus derivadas. Al hacer esto, se obtiene una ecuacin diferencial lineal de segundo orden con
coeficientes constantes cuya resolucin ya se ha estudiado en apartados anteriores.
Este procedimiento se simplifica considerablemente haciendo uso del operador diferencial D =
ilustra en el siguiente ejemplo.
Ejemplo 119. Resolver el sistema de ecuaciones diferenciales:
dx + 2 dy 3x + 4y = 2 sen t
dt
dt
dx dy
2
+
+ 2x y = cos t
dt
dt
Resolucin
Utilizando el operador diferencial D =
(
d
dt
d
dt
tal y como se
(5.17)
el sistema puede escribirse de la siguiente forma
(D 3)x + 2(D + 2)y = 2 sen t

2(D + 1)x + (D 1)y = cos t
(5.18)
191
Operando la primera ecuacin con (D 1) y la segunda con 2(D + 2) y restndolas, se consigue eliminar la
funcin incgnita y(t):
[(D 1)(D 3) 4(D + 1)(D + 2)]x = (D 1)2 sen t 2(D + 2) cos t
Simplificando, se obtiene
(3D2 + 16D + 5)x = D(2 sen t) 2 sen t 2D(cos t) 4 cos t
Hallando las derivadas del lado derecho de la igualdad anterior, se llega a
(3D2 + 16D + 5)x = 2 cos t
que no es ms que la ecuacin diferencial lineal de segundo orden con coeficientes constantes
d2 x
dx
+ 5x = 2 cos t
(5.19)
+ 16
2
dt
dt
Como ya se ha visto anteriormente, en primer lugar se resuelve la ecuacin diferencial homognea a partir de las
races de la ecuacin caracterstica
3
3D2 + 16D + 5 = 0
s1 = 5;
s2 = 1/3
xh = C1 e5t + C2 e 3 t
A continuacin se buscar una solucin particular mediante el mtodo de los coeficientes indeterminados. Se
propone una solucin de la forma
x = A cos t + B sen t
derivndola dos veces
x0 = A sen t + B cos t
x00 = A cos t B sen t
sustituyendo en la ecuacin 5.19 y simplificando se llega a

(2A + 16B) cos t + (16A + 2B) sen t = 2 cos t
e igualando coeficientes
cuya solucin es: A =
1
65 , B
8
65 .
2A + 16B = 2
16A + 2B = 0
Por tanto, la solucin particular es:

xp =
1
8
cos t +
sen t
65
65
y la solucin general
8
1
cos t +
sen t
65
65
Todava falta por hallar la otra funcin incgnita, y(t). Para ello se puede repetir el proceso anterior, pero eliminando x(t), lo cual se consigue operando la primera ecuacin del sistema por 2(D + 1) y la segunda por (D 3)
y restndolas. As se obtiene la siguiente ecuacin diferencial lineal de segundo orden con coeficientes constantes
para y(t):
1
x(t) = C1 e5t + C2 e 3 t +
dy
d2 y
+ 16
+ 5y = 7 cos t + 5 sen t
dt2
dt
(5.20)
192
Puede observarse que la ecuacin caracterstica es igual que la hallada para la ecuacin diferencial de la funcin
x(t), es decir, 3D2 + 16D + 5 = 0, por lo que la solucin de la ecuacin diferencial homognea es
1
yh = C1 e5t + C2 e 3 t
Para hallar una solucin particular se utilizar de nuevo el mtodo de los coeficientes indeterminados. Tambin
ahora se propone una solucin de la forma
x = M cos t + N sen t
derivndola dos veces
x0 = M sen t + N cos t
x00 = M cos t N sen t
sustituyendo en la ecuacin 5.20 y simplificando se llega al siguiente sistema de ecuaciones lineales

(2M + 16N ) cos t + (16M + 2N ) sen t = 7 cos t + 5 sen t,
e igualando coeficientes
cuya solucin es: M =
33
130 , N
61
130 .
2M + 16N = 7
16M + 2N = 5
Por tanto, la solucin particular es:

yp =
33
61
cos t +
sen t
130
130
y la solucin general
33
61
cos t +
sen t
130
130
Otra forma de proceder para hallar la funcin y(t) sera la siguiente. Una vez hallada la funcin x(t), se sustituye
su expresin y el de su derivada en una de las ecuaciones del sistema. As se obtiene una ecuacin diferencial lineal
de primer orden para la funcin y(t), cuya resolucin ya se ha estudiado anteriormente.
1
y(t) = C1 e5t + C2 e 3 t
5.5.
Problemas resueltos
PR 5.1. Dada la ecuacin diferencial (1 + ex )y 0 = ex /y, hallar la solucin particular que satisface la condicin
inicial y(x = 0) = 1.
Resolucin
Se trata de una ecuacin diferencial de variables separables, ya que puede escribirse de la forma
ex
dx = ydy
1 + ex
Integrando ambos lados se llega a la solucin general
y2
= ln(1 + ex ) + C
2
Para hallar la solucin particular, hay que imponer la condicin inicial y(0) = 1, de manera que
1
= ln 2 + C
2
193
de donde se tiene que C =
1
2
ln 2. Por tanto, la solucin particular es
y=
2 ln (1 + ex ) + 1 2 ln(2)
dado que y(0) > 0.

>
eq_dif:=(1+exp(x))*diff(y(x),x)=exp(x)/y(x);
eq_dif := (1 + ex )
d
ex
y (x) =
dx
y (x)
>
# El comando dsolve permite hallar la solucin de muchas edos
>
dsolve({eq_dif,y(0)=1});
y (x) =
2 ln (1 + ex ) + 1 2 ln (2)
>
# Adems Maple nos permite saber el tipo de ecuacin diferencial

#
con la que estamos tratando, cosa que es muy til a la hora
#
de resolverlas a mano
>
with(DEtools):
>
odeadvisor(eq_dif);
>
eq_dif1:=(1+exp(x))*(diff(y(x), x)) exp(x)/y(x)=0;
[_separable]
eq_dif1 := (1 + ex )
d
ex
y (x)
=0
dx
y (x)
>
# Adems podemos forzar a que nos de ms informacin sobre como resuelve

#
la ecuacin diferencial antes de imponer la condicin inicial
>
dsolve(eq_dif, [separable] , useInt);
>
ex
dx
1 + ex
y(x)
_ad_a + _C1 = 0
value(%);
2
ln (1 + ex ) 1/2 (y (x)) + _C1 = 0

>
# Finalmente tenemos que imponer la condicin inicial

#
para determinar la constante _C1
>
subs(x=0,%);
>
subs(y(0)=1,%);
>
solve(%,_C1);
>
# El comando DEplot permite dibujar el campo de velocidades y la solucin

DEplot( eq_dif, y(x), x=0..100, [[ y(0) = 1 ]], y=-1..15, linecolour=red,
color = blue, stepsize=.1,arrows=MEDIUM );
2
ln 1 + e0 1/2 (y (0)) + _C1 = 0
ln (2) 1/2 + _C1 = 0
ln (2) + 1/2
>
194
15
10
y(x)
0
20
40
60
80
100
PR 5.2. Resolver la ecuacin diferencial

dy
y cot x = 2x sen x
dx
Resolucin
Se trata de una ecuacin diferencial de primer orden lineal. Siguiendo el procedimiento explicado en la parte
torica, en primer lugar se resuelve la ecuacin diferencial lineal homognea correspondiente, que es de variables
separables
dy
dy
cos x
y cot x = 0
=
dx
dx
y
sen x
ln |y| = ln | sen x| + ln |C|
y = K sen x
A continuacin se supone que la constante K en realidad es una funcin de x, K(x) de manera que y 0 =
K 0 (x) sen x + K(x) cos x y sustituyendo en la ecuacin diferencial inicial, se tiene
K 0 (x) sen x + K(x) cos x K(x) cos x = 2x sen x
K 0 (x) = 2x
K(x) = x2 + C
As pues, la solucin general de la ecuacin inicial propuesta es

y = x2 sen x + C sen x
>
eq_dif:=diff(y(x),x)-y(x)*cot(x)=2*x*sin(x);
eq_dif :=
>
dsolve(eq_dif);
d
y (x) y (x) cot (x) = 2 x sin (x)
dx
y (x) = sin (x) x2 + sin (x) _C1

>
with(DEtools):
>
odeadvisor(eq_dif);
[_linear ]
>
>
# Dibujamos la solucin para y(1)=1

DEplot( eq_dif, y(x), x=0..2*Pi, [[ y(1) = 1 ]],y=-10..5, linecolour=red,
color = blue, stepsize=.1,arrows=MEDIUM );
Warning, plot may be incomplete, the following errors(s) were issued:cannot evaluate the solution further left
of .24014756e-9, probably a singularity
195
0
1
y(x)
10
PR 5.3. Integrar la ecuacin diferencial
dy
+ 2xy = xy 4
dx
Resolucin
Es importante observar que esta ecuacin diferencial de primer orden no es lineal, ya que tiene la forma
dy
+ P (x)y = Q(x)y n
dx
y recibe el nombre de ecuacin diferencial de Bernoulli. Dividiendo esta ecuacin por y n queda
1 dy
1
+ P (x) n1 = Q(x)
y n dx
y
Haciendo el cambio de variable
z=
1
y n1
dz
= (1 n)y n
dy
1 dy
1 dz
=
y n dx
1 n dx
y sustituyendo estos valores en la ecuacin inicial, se tiene

1 dz
+ P (x)z = Q(x)
1 n dx
que es una ecuacin diferencial lineal de primer orden, cuya resolucin ya se ha estudiado.
Aplicando este procedimiento al ejercicio, dividiendo por y 4 queda
1 dy
1
+ 2x 3 = x
4
y dx
y
Efectuando el cambio de variable
z=
1
y3
1 dy
1 dz
=
4
y dx
3 dx
y sustituyendo en la ecuacin original, queda la ecuacin lineal
1 dz
+ 2xz = x
3 dx
que puede resolverse aplicando el mtodo de variacin de la constante, obteniendo la solucin
2
1 3x2
z=
e
+ C e3x
2
196
Deshaciendo el cambio de variable efectuado, se obtiene la solucin general
2
1
1 3x2
e3x
=
e
+
C
3
y
2
es decir
y= q
3
>
dsolve(eq_dif);
2
3
2 3 1 + 2 e3 x2 _C1
1 + 2 e3 x2 _C1
>
sol:=rhs(%[1]);
q
2
3
2 3 (1+2 e3 x2 _C1 )
sol :=
>
+ Ce3x2
d
4
y (x) + 2 xy (x) = x (y (x))
dx
y (x) =
>
1
2
eq_dif:=diff(y(x),x)+2*x*y(x)=x*y(x)^4;
eq_dif :=
>
simplify(sol^3);
1+2 e3 x2 _C1
1
2
2 1 + 2 e3 x _C1
simplify(1/sol^3);
2
1/2 + e3 x _C1
>
# Vamos a ver qu tipo de ecuacin es
>
with(DEtools):
>
odeadvisor(eq_dif);
>
dsolve(eq_dif, [separable] , useInt);
[_separable]
Z
y(x)
xdx
1
d_a + _C1 = 0
_a (2 + _a 3 )
>
value(%);
>
# Si queremos resolverla como una Bernouilli:
>
dsolve(eq_dif, [Bernoulli] , useInt);
>
3
1/2 x2 1/6 ln 2 + (y (x)) + 1/2 ln (y (x)) + _C1 = 0
u
Z
u
R
3
t
6
xdx
3
y (x) = e
s
value(sol2);
e6
xdx
dx
xdx 6
R
3
r
3
>
+ _C1
!1
R xdx 6 dx + _C1
e
sol2:=rhs(%[1]);
sol2 :=
>
!2
2
(e
x
xdx
6 dx + _C1
1
x
6 dx + _C1
(e xdx )
R
1
2
6
2 6
+ _C1
1/2 e1/2 x
+ _C1
e3 x2 1/2 e1/2 x2
simplify(expand(1/%^3));
197
1/2 + e3 x _C1
>
>
# Dibujamos la solucin para y(0)=-1, y(0)=1, y(0)=2^(1/3) y para y(0)=3/2

DEplot( eq_dif, y(x), x=0..8, [[y(0)=-1],[y(0)=1],[y(0)=2^(1/3)],[y(0)=3/2]],
y=-1..4,linecolour=[red,green,yellow,pink],color = blue,
stepsize=.01,arrows=MEDIUM );
Warning, plot may be incomplete, the following errors(s) were issued:cannot evaluate the solution further right
of 3.4042326, probably a singularity
4
y(x)
0
1
>
# Notar que para y(0)=2^(1/3), la solucin seria _C1=0 -> y(x) = 2^(1/3)
# El dibujo que hemos obtenido (curva amarilla) vemos que antes de x=4 la
#
funcin deja de ser constante.
#
Esto es debido a que las curvas solucn se calculan numricamente
#
y no utilizando la solucin analtica
>
# Representemos las soluciones analticas
>
# y(0)=-1
>
-1.500000000
>
sol1:=subs(_C1=-1.5,sol);
sol1 :=
>
# y(0)=1
>
fsolve(subs(x=0,sol)=1,_C1);
2
3
3
2
1 3,0 e3 x2
1 3,0 e3 x2
0,5000000000
>
sol2:=subs(_C1=0.5,sol);
sol2 :=
2
3
3
2
1 + 1,0 e3 x2
1 + 1,0 e3 x2
>
# y(0)=2^(1/3)
>
fsolve(subs(x=0,sol)=2^(1/3),_C1);
0,0
>
sol3:=subs(_C1=-0,sol);
sol3 :=
>
# y(0)=3/2
>
fsolve(subs(x=0,sol)=3/2,_C1);
0,2037037037
>
sol4:=subs(_C1=%,sol);
198
2
3
2 3 1 0,4074074074 e3 x2
sol4 :=
>
1 0,4074074074 e3 x2
plot([sol1,sol2,sol3,sol4],x=0..8,y=-1..4,colour=[red,green,yellow,pink],
thickness=2,discont=true);
4
4
x
K1
>
# En este caso, la solucin para y(0)=2^(1/3) est bien definida,

#
pero para y(0)=3/2 no. La solucin se va a infinito para x=0.55
#
y por lo tanto para x>0.55 no est definida

y 00 + 4y 0 + 4y = e2x (16x2 + 16x 14)
Resolucin
Como es una ecuacin diferencial de segundo orden lineal con coeficientes constantes, en primer lugar hay que
resolver la correspondiente ecuacin homognea y 00 +4y 0 +4y = e2x (16x2 +16x14), para ello hay que resolver
su ecuacin caracterstica
D2 + 4D + 4 = 0 s1 = s2 = 2
Dado que las races son reales e iguales, la solucin de la homognea es
yh = e2x (C1 + C2 x)
A continuacin hay que encontrar una solucin particular. Para ello, se propone una funcin del tipo
yp = e2x (Ax2 + Bx + C)
Para determinar los valores de los coeficientes A, B y C, se calculan las dos primeras derivadas
yp0 = e2x 2Ax2 + 2(A + B)x + 2C + B
yp00 = e2x 4Ax2 + 4(2A + B)x + 2(A + 2B + 2C)

y se sustituyen junto con yp en la ecuacin diferencial, con lo que se obtiene
e2x 16Ax2 + (16A + 16B)x + (2A + 8B + 16C) = e2x (16x2 + 16x 14)
Igualando los coeficientes de los polinomios, se obtiene el siguiente sistema de ecuaciones
16A = 16
16A + 16B = 16
2A + 8B + 2C = 14
199
La solucin del sistema A = 1, B = 0, C = 1 permite escribir la solucin particular

yp = e2x (x2 1)
Finalmente, la solucin general de la ecuacin diferencial no es ms que la suma de la solucin de la homognea
ms la solucin particular
y = yh + yp = e2x (C1 + C2 x) + e2x (x2 1)
>
eq_dif:=diff(y(x),x,x)+4*diff(y(x),x)+4*y(x)=exp(2*x)*(16*x^2+16*x-14);
eq_dif :=
d
d2
y (x) + 4 y (x) + 4 y (x) = e2 x 16 x2 + 16 x 14
2
dx
dx
>
dsolve(eq_dif);
>
# Vamos a ver que tipo de ecuacin es
>
with(DEtools):
>
odeadvisor(eq_dif);
y (x) = e2 x _C2 + e2 x x_C1 + 1 + x2 e2 x
[[_2nd _order , _linear , _nonhomogeneous]]

>
dsolve(eq_dif, [linear], useInt);
>
# Como tenemos una ecuacin de segundo orden necesitamos dos condiciones

#
adicionales para determinar la solucin
# Vamos a dibujar las soluciones asociadas a y(0)=-1,y(0)=-2 y
#
y(0)=0, y(0)=0
DEplot(eq_dif,y(x),x=0..1.5,y=-5..10,[[y(0)=-1,D(y)(0)=-2],[y(0)=0,D(y)(0)=0]],
stepsize=0.01,arrows=medium,color = blue,linecolor=[red,blue]);
>
y (x) = 1 + x2 e2 x + _C1 e2 x + _C2 e2 x x
10
y(x)
0
0.5
1.0
1.5

y 00 3y 0 + 2y = x2 ex + 5 cos x
Resolucin
Es una ecuacin diferencial de segundo orden lineal con coeficientes constantes, por tanto su solucin general
vendr dada por
y = yh + yp .
200
En primer lugar hay que hallar las races de la ecuacin caracterstica

D2 3D + 2 = 0
s1 = 1, s2 = 2
Por tanto, la solucin de la ecuacin homognea es

yh = C1 ex + C2 e2x
Para hallar la solucin particular se emplear el mtodo de los coeficientes indeterminados. Pero dado que f (x) =
x2 ex + 5 cos x, la solucin particular tendr la forma yp = yp1 + yp2 , donde yp1 es solucin particular de
y 00 3y 0 + 2y = x2 ex , e yp2 es solucin particular de y 00 3y 0 + 2y = 5 cos x.
Para hallar yp1 se propone una funcin del tipo
yp1 = (Ax3 + Bx2 + Cx + D)ex
Hallando sus dos primeras derivadas
yp0 1 = Ax3 + (3A + B)x2 + (2B + C)x + C + D ex
yp001 = Ax3 + (6A + B)x2 + (6A + 4B + C)x + 2B + 2C + D ex

sustituyendo en y 00 3y 0 + 2y = x2 ex se tiene
3Ax2 + (6A 2B)x + 2B c ex = x2 ex

y comparando los coeficientes se llega al sistema
3A = 1
6A 2B = 0
2B C = 0
La solucin del sistema es A = 13 ,B = 1,C = 2 y como para D se puede tomar cualquier valor, D = 0. Por
tanto,
1
yp1 = ( x3 x2 2x)ex
3
Para hallar yp2 se propone una funcin de la forma
yp2 = M sen x + N cos x
Hallando sus dos primeras derivadas
yp0 2 = M cos x N sen x
yp002 = M sen x N cos x
sustituyendo en y 00 3y 0 + 2y = 5 cos x y comparando los coeficientes, se llega al sistema
M + 3N = 0
N 3M = 5
Resolvindolo se obtiene M = 23 ,N = 12 . Por tanto,
3
1
yp2 = sen x + cos x
2
2
201
y la solucin particular es
1
3
1
yp = yp1 + yp2 = ( x3 x2 2x)ex sen x + cos x
3
2
2
Finalmente, solo queda escribir la solucin general
1
3
1
y = yh + yp = C1 ex + C2 e2x + ( x3 x2 2x)ex sen x + cos x
3
2
2
>
eq_dif:=diff(y(x),x,x)-3*diff(y(x),x)+2*y(x)=x^2*exp(x)+5*cos(x);
eq_dif :=
d2
d
y (x) 3 y (x) + 2 y (x) = x2 ex + 5 cos (x)
dx2
dx
>
dsolve(eq_dif);
>
>
with(DEtools):
>
odeadvisor(eq_dif);
y (x) = 1/3 x3 x2 2 x + 1/2 ex cos (x) 3/2 ex sen (x) + ex _C1 + _C2 ex

>
Z
2 x
2 x
y (x) = e2 x _C2 + ex _C1 ex

x e + 5 cos (x) e2 x dxex +
x e + 5 cos (x) ex dx
PR 5.6. Integrar la ecuacin diferencial

y 00 + y =
1
cos x
Resolucin
De nuevo se trata de una ecuacin diferencial lineal de segundo orden con coeficientes constantes.
Resolviendo la ecuacin caracterstica D2 + 1 = 0, s1 = i, s2 = i, se tiene que la solucin de la homognea
viene dada por
yh = C1 cos x + C2 sen x
Para hallar la solucin particular, se emplear el mtodo de variacin de las constantes, teniendo en cuenta que
ahora y1 = cos x ey2 = sen x. Resolviendo el sistema
0
C1 cos x + C20 sen x = 0
C10 sen x + C20 cos x = cos1 x
se tiene que
sen x
cos x
C1 = ln | cos x|
C20 = 1
C2 = x
C10 =
As pues,
yp = ln | cos x| cos x + x sen x
De manera que la solucin al problema viene dada por
y = yh + yp = C1 cos x + C2 sen x + ln | cos x| cos x + x sen x
202
>
eq_dif:=diff(y(x),x,x)+y(x)=1/cos(x);
eq_dif :=
>
dsolve(eq_dif);
d2
1
y (x) + y (x) = (cos (x))
dx2
y (x) = sin (x) _C2 + cos (x) _C1 + x sin (x) + ln (cos (x)) cos (x)
>
>
with(DEtools):
>
odeadvisor(eq_dif);

>
y (x) = sin (x) _C2 + cos (x) _C1 + x sin (x)
sin (x)
dx cos (x)
cos (x)
PR 5.7. Resolver el sistema de ecuaciones diferenciales
dx 3x + 2y = 0
dt
dy
2x + y = 0
dt
Resolucin
Utilizando el operador diferencial, el sistema puede escribirse de la forma
(
(D 3)x + 2y = 0
(D + 1)y 2x = 0
Operando la segunda ecuacin por (D-3) y sumndole dos veces la primera, se obtiene
[(d 3)(D + 1) + 4] y = 0
es decir,
(D 1)2 y = 0
y 00 2y 0 + y = 0
que no es ms que una ecuacin diferencial de segundo orden lineal con coeficientes cosntantes y homognea, de
solucin
y = (C1 + C2 t)et
Sustituyendo esta funcin en la primera ecuacin del sistema, se tiene
dx
3x = 2(C1 + C2 t)et
dt
que es una ecuacin diferencial lineal de primer orden cuya solucin es
x=
>
1
(2C1 + C2 + 2C2 t)et
2
sys_ode := diff(x(t),t)-3*x(t)+2*y(t)=0,
sys_ode :=
diff(y(t),t)-2*x(t)+y(t)=0;
d
d
x (t) 3 x (t) + 2 y (t) = 0, y (t) 2 x (t) + y (t) = 0
dt
dt
203
>
dsolve([sys_ode]);
y (t) = et (_C1 + _C2 t) , x (t) = 1/2 et (2 _C1 + 2 _C2 t + _C2 )
>
# Dibujamos las soluciones asociadas a [x(0)=1,y(0)=0] y [x(0)=1.5,y(0)=2]
>
with(DEtools):
DEplot( [sys_ode], [x(t),y(t)], t=0..10, x=-5..5, y=-5..5,
[[x(0)=1.5,y(0)=2],[x(0)=1,y(0)=0]],stepsize=0.01,arrows=medium,
color = blue,linecolor=[red,blue]);
>
y
2
K4
K2
K2
K4
PR 5.8. La velocidad de desintegracin de una sustancia radiactiva es proporcional a la cantidad existente de la

misma. Si la mitad de cierta cantidad de Ra se desintegra en 1600 aos, hallar el porcentaje de la cantidad inicial
de Ra que se habr desintegrado al pasar 100 aos.
Resolucin
Sea Q(t) la cantidad de Ra que todava est presente en el tiempo t. Dado que la velocidad de desintegracin de
dicha sustancia es proporcional a su cantidad existente, se verifica
dQ
= Q
dt
As pues, el proceso fsico de desintegracin radiactiva viene descrito por una ecuacin diferencial de primer orden.
Integrando dicha ecuacin de variables separables, se tiene
dQ
= dt
Q
ln Q = t + ln C
Q = Cet
A continuacin hay que imponer la condicin inicial que nos dice que para t = 0 no se ha desintegrado nada y, por
tanto, la cantidad existente es la cantidad total inicial, es decir, Q(t = 0) = Q0 . Ello permite determinar el valor
de la constante de integracin
Q0 = Ce0 = C
C = Q0
Adems, el enunciado del problema dice que la mitad de la cantidad inicial se desintegra en 1600 aos, es decir,
que para t = 1600 se tiene que Q = Q0 /2, por tanto,
1
Q0
= Q0 e1600 ln = 1600
2
2
La cantidad de Ra existente una vez pasados 100 aos es
ln 2
Q1 00 = Q0 e 1600 100
ln 2
1600
204
por lo que el porcentaje pedido es

100
5.6.
ln 2
Q0 Q100
= 100 1 e 1600 100 = 4,2
Q0
PP 5.1. Resolver las siguientes ecuaciones diferenciales:

1. y 0 =
5xy
.
(1 y 2 )
Solucin: x(1 y 2 )5/2 = C.
2. (1 + y 2 )dx xdy = 0.
Solucin: y = tan(2 x).

3. (xy 2 x)dx + (x2 y y)dy = 0.
Solucin: x2 y 2 = x2 + y 2 + C
PP 5.2. Integrar:
1. x(x3 + 1)y 0 + (2x3 1)y =
Solucin: y =
x3 2
.
x
Cx
1
+ .
x3 + 1 x
2. y 0 x y = ex x .
Solucin: y = x (ex + C).
3. (1 + x2 )y 0 xy xy 2 = 0.

Solucin: C 1 x2 = 1.
PP 5.3. Resolver las siguientes ecuaciones diferenciales aplicando el mtodo de los coeficientes indeterminados:
1. y 00 + y 0 2y = 5 sen 3x.
Solucin: y = C1 ex + C2 e2x
11
26
sen 3x
3
26
cos 3x.
2. y 00 + 2y 0 + 2y = 4e2x + 3x2 + cos 2x.

Solucin: y = C1 ex sen x + C2 ex cos x + 32 x2 3x +
3
2
1
5
sen 2x + 52 e2x
1
10
cos 2x.
PP 5.4. Resolver las siguientes ecuaciones diferenciales aplicando el mtodo de variacin de las constantes:
1. y 00 + y = 1/ sen x.
Solucin: y = sen x ln | sen x| x cos x.
2. y 00 + 2y 0 + y = ex ln x.
Solucin: y = (C1 + C2 x)ex + 12 x2 ex ln x 34 x2 ex .
PP 5.5. Resolver las siguientes ecuaciones diferenciales:
1. y 00 5y 0 = 2x2 1.
Solucin: y = C1 e5x + C2
2x3
15
2x2
25
21x
125 .
205
2. y 00 + y 0 6y = (x2 + 1)e3x .
Solucin: y = C1 e3x + C2 e2x
1
2
375 x(25x
+ 15x + 81).
3. y 00 2y 0 + y = 5ex .
Solucin: y = (C1 + C2 )ex + 52 x2 ex .
PP 5.6. Resolver los siguientes sistemas de ecuaciones diferenciales:
dx = y + 1
dt
1.
dy
=x+1
dt
Solucin: x = C1 et + C2 et 1, y = C1 et C2 et 1.
dx + dy = et y
dt
dt
2.
Condiciones iniciales x(0) = 2, y(0) = 1.
dx dy
2
+
= sen t 2y
dt
dt
Solucin: x = (2t + sen t + cos t + et ), y = cos t 2et + 2.
PP 5.7. Hallar la ecuacin de la curva que pasa por el punto (2, 1) y que es tal que la tangente en cualquier punto
coincide con la direccin de la recta que une el origen de coordenadas con dicho punto.
Solucin: y = x/2.
PP 5.8. Determinar el tiempo necesario para que se vace un depsito cilndrico de 150 cm de altura y 50 cm de
radio que se encuentra lleno de agua, si en su base inferior tiene un orificio de 0.5 cm de radio.
Indicacin: la velocidad del chorro de agua a travs
de un orificio que se encuentra a una distancia h de una
superficie libre viene dada por la expresin v = 0,6 2gh, donde g es la aceleracin de la gravedad.
Solucin: 154 minutos.
206
207
6 Anlisis vectorial
Se presentan en este captulo, a nivel introductorio, los rudimentos del anlisis vectorial. Se introduce primeramente la descripcin paramtrica de las curvas en el plano y el espacio a travs de trayectorias. Se definen algunos
conceptos relacionados con las curvas y las trayectorias como el vector velocidad y la celeridad de una trayectoria,
la recta tangente a una curva, o la longitud de arco de una trayectoria. A continuacin se presenta el concepto de
campo vectorial, esto es, una aplicacin que asigna a cada punto del plano o del espacio un vector. Se insiste en
su motivacin fsica, y se relaciona con el concepto de trayectoria a travs de las lneas de flujo. Se introduce un
tipo especial de campo vectorial: los campos conservativos. Se proporcionan seguidamente los operadores diferenciales que actan sobre los campos vectoriales, esto es, la divergencia y el rotacional. Se dan las definiciones
formales, as como ejemplos e intuicin fsica sobre su significado. Se presentan varias identidades que involucran
estos operadores. Como paso previo al teorema de Green, se introduce la nocin de integracin sobre trayectorias,
tanto de campos escalares como de campos vectoriales. Se discute el efecto de la orientacin de la parametrizacin
de una curva en las integrales sobre trayectorias. Finalmente, como colofn del captulo y combinando todos los
conceptos introducidos en el mismo y algunos del captulo 4, se enuncia y demuestra el teorema de Green en el
plano. Se muestran aplicaciones, y se demuestra el teorema de la divergencia en el plano a partir del teorema de
Green.
6.1.
Curvas y trayectorias
Informalmente, se puede entender una curva plana C como la lnea trazada por un lpiz en una hoja de papel.
Del mismo modo, una curva en el espacio puede visualizarse a travs de un alambre alabeado. La estela de humo
dejada por un avin acrobtico describe tambin una curva en el espacio. Desde un punto de vista matemtico,
resulta til concebir las curvas como funciones que toman valores en un intervalo [a, b] y devuelven puntos del
plano o del espacio. Dicha funcin de [a, b] R en R2 o R3 se denomina trayectoria, y se denota aqu mediante c.
Es habitual utilizar t para la variable independiente, ya que a menudo representa el tiempo, aunque no siempre es
as. Resulta til imaginar que c(t) representa la posicin en el plano o el espacio de una partcula en movimiento
en el instante t [a, b]. La imagen del intervalo [a, b] por la trayectoria, o dicho de otro modo, el conjunto de
posiciones de la partcula en movimiento, es precisamente la curva C (ver Fig. 6.1). Se dice que la trayectoria
c parametriza la curva C, o bien, que la trayectoria describe la curva cuando t vara. Dada una curva C, existen
mltiples trayectorias que la parametrizan, del mismo modo que aviones acrobticos viajando a diferente velocidad
pueden dejar la misma estela detrs de s.
Definicin 76 (Trayectoria y curva). Se denomina trayectoria en el plano (o en el espacio) a la aplicacin c de un
intervalo [a, b] R en R2 (o R3 ). Para curvas en el espacio (y anlogamente para curvas planas), se escribe:
c:
[a, b] R R3
t
c(t) = (x(t), y(t), z(t))
Las funciones x(t), y(t) y z(t) se denominan componentes de c. El conjunto C de puntos c(t) conforme t vara
entre a y b se denomina curva.
208
Figura 6.1. La trayectoria c es una aplicacin del intervalo [a, b] en el espacio, cuya imagen es la curva C
Ejemplo 120. Segn la definicin 76, las rectas son casos particulares de curvas. As, la recta en R3 que pasa por
el punto (x0 , y0 , z0 ) en la direccin del vector v puede describirse mediante la trayectoria
c(t) = (x0 , y0 , z0 ) + t v
Ntese que la trayectoria
e
c(t) = (x0 , y0 , z0 ) + (t t0 ) v
donde R {0}, t0 R, describe la misma recta.
Ejemplo 121. La circunferencia de radio R en el plano es la imagen de la trayectoria
c(t) = R (cos t, sin t),
t [0, 2]
Es sencillo comprobar que los puntos c(t) verifican la ecuacin x2 + y 2 = R2 que describe la circunferencia (ver
Fig. 6.2). Adems, c(0) = c(2), por tanto la tayectoria describe la totalidad de la circunferencia. Ntese que si
se considerase el intervalo [0, 4], la trayectoria estara dando dos vueltas a la circunferencia. Al igual que antes,
dicha circunferencia puede describirse mediante otra parametrizacin de la trayectoria, por ejemplo:
e
c(t) = R(cos 2t, sin 2t),
t [0, ]
Ejemplo 122. Las grficas de funciones f : [a, b] R R son curvas de R2 que pueden describirse mediante
la trayectoria
e
c(t) = (t, f (t)),
t [a, b].
Ntese que en general no todas las curvas son grficas de funciones (ver Fig. 6.3).
Siguiendo con la analoga de la partcula en movimiento, o la del avin acrobtico dejando una estela de humo
detrs de s, resulta muy natural, dada una trayectoria, asociar a cada instante de tiempo t un vector velocidad. La
celeridad es la magnitud del vector velocidad, y es el escalar que puede medirse en un velocmetro. Si la trayectoria
presenta ngulos, por ejemplo, porque la partcula choca con una pared en un instante t0 , no se puede definir el
209
Figura 6.2. La trayectoria plana c = R(cos t, sin t) describe una circunferencia de radio R
Figura 6.3. Las grficas de funciones pueden describirse mediante trayectorias planas. No todas las curvas, por
ejemplo la curva C, son grficas de funciones
210
Figura 6.4. Al tender h a cero, el vector (c(t + h) c(t))/h tiende a un vector tangente a la curva C en el punto
c(t)
vector velocidad en el instante del choque al no poder decidir si la velocidad de la partcula en t0 es aquella que
precede inmediatamente al choque (acercndose a la pared) o aquella en el instante de tiempo inmediatamente
posterior (alejndose de la pared). Por ello, en la definicin del vector velocidad se exige que la trayectoria sea
diferenciable, esto es, que no presente ngulos ni discontinuidades.
Definicin 77 (Velocidad). Sea c una trayectoria diferenciable. El vector velocidad de c en t se define como
c0 (t) = lm
h0
c(t + h) c(t)
h
La celeridad de la trayectoria en el instante t es la longitud del vector velocidad, v(t) = kc0 (t)k. Para trayectorias
descritas por las funciones componente en el espacio (y anlogamente en el plano), se tiene
c0 (t) = (x0 (t), y 0 (t), z 0 (t))
y por tanto
v(t) =
(x0 (t))2 + (y 0 (t))2 + (z 0 (t))2
Interpretando el vector velocidad como un vector columna o una matriz 3 1, la definicin de c0 (t) es consistente con la de matriz jacobiana vista en el captulo 2. Habitualmente, el vector velocidad c0 (t) se traza con origen
en c(t), ya que a menos que c0 (t) = 0, se trata de un vector tangente a la curva descrita por la trayectoria c en el
punto c(t) (ver Fig. 6.4).
Ejemplo 123. Recurdese la trayectoria c del ejemplo 121 que describa un crculo de radio R. El
p vector velocidad
0
correspondiente en el instante t es c (t) = R( sin t, cos t), y por tanto su celeridad es v(t) = R sin2 t + cos2 t =
R. Se ve que para esta trayectoria, si bien el vector velocidad depende del tiempo al girar la partcula en la circunferencia, la celeridad escalar es constante en el tiempo. Considrese ahora la trayectoria e
c que describe la misma
curva. Ahora e
c0 (t) = 2R( sin 2t, cos 2t) y por tanto ve(t) = 2R. Si bien la curva no se altera al cambiar la
parametrizacin, la velocidad y celeridad s se ven alteradas.
Es incluso posible definir parametrizaciones de la misma curva que presenten celeridades no constantes. Por
ejemplo, considrese la trayectoria
(t) = R(cos t2 , sin t2 )
c
211
Figura 6.5. Recta tangente a la curva descrita por c(t) en el punto c(t0 )
Trtese ahora de identificar un intervalo sobre el cual dicha trayectoria describe la circunferencia completa. Ntese
que, al ser g(t) = t2 una funcin
estrictamente creciente en los reales positivos, dicha funcin transforma
de
manera unvoca el intervalo [0, 2] en el intervalo original [0, 2]. Por tanto, al recorrer el intervalo [0, 2] la
describe la circunferencia de radio R. En este caso, el vector velocidad es c
0 (t) = 2Rt( sin t2 , cos t2 )
trayectoria c
y por tanto la celeridad v(t) = 2Rt s depende del tiempo, valiendo cero en el instante inicial.
Dada una trayectoria c que describe una curva C, se ha definido el vector velocidad c0 (t) en cada instante t,
que es tangente a la curva en el punto c(t). Elaborando un poco ms estos conceptos, se define a continuacin la
recta tangente a la curva C en el punto c(t), esto es, la recta que pasa por ese punto en la direccin del vector
tangente.
Definicin 78 (Recta tangente). Sea c(t) una trayectoria que describe una curva C y tal que c(t0 ) 6= 0. La
trayectoria
l(t) = c(t0 ) + (t t0 )c0 (t0 )
describe la recta tangente a la curva C en c(t0 ) (ver Fig. 6.5).
Se comprueba a continuacin que en efecto l(t) parametriza a la recta tangente. Para comprobar que la trayectoria l(t) pasa por c(t0 ) basta con evaluarla en t0 . Se calcula l0 (t) = c0 (t0 ), por lo que resulta obvio que dicha
recta tiene la direccin del vector tangente a C en c(t0 ).
Cabe preguntarse ahora cmo calcular la longitud de una curva descrita por una trayectoria c(t) = (x(t), y(t), z(t))
durante el intervalo de tiempo [a, b]. Recurdese que la celeridad kc0 (t)k representa la distancia por unidad de
tiempo recorrida por una partcula que sigue la trayectoria. En un diferencial de tiempo dt, la partcula recorre un
diferencial de desplazamiento
ds = c0 (t) dt = (x0 (t), y 0 (t), z 0 (t)) dt
cuya longitud, llamada diferencial de longitud de arco, es
p
ds = kdsk = kc0 (t)k dt = (x0 (t))2 + (y 0 (t))2 + (z 0 (t))2 dt
Por lo tanto, la distancia total recorrida por la partcula, esto es, la longitud de la curva descrita por la trayectoria,
es
Z
b
`=
a
Esta magnitud se denomina longitud de arco.
kc0 (t)k dt
212
Definicin 79 (Longitud de arco). Sea c(t) = (x(t), y(t), z(t)) para t [a, b] una trayectoria diferenciable en el
espacio. Su longitud de arco es
Z
(x0 (t))2 + (y 0 (t))2 + (z 0 (t))2 dt
`=
a
Recurdese que es posible describir una misma curva con varias trayectorias diferentes. Sin embargo, es de
esperar que la longitud de arco, que es una medida geomtrica de la curva, no dependa de la trayectoria escogida.
El siguiente ejemplo desarrolla esta idea.
Ejemplo 124. Considrese de nuevo la trayectoria c de los ejemplos 121 y 123, que describe un crculo de radio
R. Cabe esperar por tanto que su longitud de arco sea 2R. Recordando que la celeridad de esta trayectoria es
v(t) = R, la longitud de arco es
Z 2
`=
R dt = 2R
0
Si se calcula la longitud de arco de la circunferencia utilizando otra descripcin de la misma proporcionada por la
trayectoria e
c, se obtiene el mismo resultado
Z
`=
2R dt = 2R
0
. En esta ocasin, la celeridad es v(t) = 2Rt y recordando tambin el intervalo

Considrese ahora la trayectoria c
sobre el que se define esta trayectoria, se calcula la longitud de arco de la curva como
Z
`=
0
2
2Rt dt = (Rt2 )0 = 2R
Las trayectorias c(s) con celeridad unitaria kc(s)k = 1 se denominan trayectorias parametrizadas por la
longitud de arco. Aplicando la definicin de la longitud de arco, es inmediato comprobar que la longitud de una
trayectoria parametrizada por la longitud de arco en el intevalo [a, b] es ` = b a.
6.2.
Campos vectoriales
En este apartado se presenta la nocin de campo escalar y de campo vectorial. Estos objetos matemticos se
utilizan para describir una gran cantidad de fenmenos fsicos, como el movimiento de los fluidos o la mecnica de
partculas sometidas a un campo de fuerzas. Considrese un objeto sometido a una fuente de calor localizada, por
ejemplo una olla reposando sobre un quemador encendido. La experiencia muestra que el fondo de la olla, mucho
ms cercano a la fuente de calor, estar mucho ms caliente que las asas situadas en la parte superior de la olla.
As, cada punto de la olla x tiene asociada una temperatura T (x) (una magnitud escalar) en principio diferente a la
de otros puntos. Se dice que la temperatura es un campo escalar definido en este caso en la olla. Del mismo modo,
se puede definir el campo escalar de temperatura en cualquier objeto o dominio del espacio, como por ejemplo la
atmsfera. En el caso de la temperatura atmosfrica, se sabe que en general disminuye con la altura, a menos que
se produzca un fenmeno llamado inversin trmica.
Definicin 80 (Campo escalar). Un campo escalar en el espacio (anlogamente en el plano) es una aplicacin
f : A R3 R que asigna a cada punto x A un real f (x).
213
Figura 6.6. La velocidad del viento en la atmsfera o la velocidad del agua en una tubera son campos vectoriales
Esta nocin es un caso particular de funcin de varias variables vista en el captulo 2. Retomando el ejemplo
de la atmsfera, a cada posicin se puede asociar tambin la velocidad del aire en ese punto (ver Fig. 6.6), esto
es, un vector que caracteriza la celeridad y direccin del viento. Ocurre lo mismo en una tubera por la que circula
agua. En cada punto del espacio situado en el interior de la tubera es posible definir un vector en la direccin del
flujo de partculas con magnitud la celeridad de las partculas de agua. Estos son ejemplos de campo vectorial.
Definicin 81 (Campo vectorial). Un campo vectorial en el espacio (anlogamente en el plano) es una aplicacin
F : A R3 R3 que asigna a cada punto x A un vector F(x). Un campo vectorial espacial tiene tres
campos componentes escalares F1 , F2 y F3 :
F(x, y, z) = (F1 (x, y, z), F2 (x, y, z), F3 (x, y, z))
Un campo vectorial puede visualizarse como una flecha pinchada en cada punto del espacio o del plano. Los
campos componente escalares miden la magnitud de estas flechas en la direccin de las direcciones coordenadas.
Ejemplo 125. Considrese el campo plano F(x, y) = (x, y). Representar grficamente dicho campo. Representar
ahora G(x, y) = (x, y), (ver Fig. 6.7).
Ejemplo 126. Considrese un disco de vinilo girando sobre un tocadiscos. Fijndose en un punto (x, y) del plano
que contiene el disco, se puede definir la velocidad de la partcula del disco que ocupa dicha posicin, V(x, y),
que por tanto describe un campo vectorial denominado campo giratorio (ver Fig. 6.8):
V1 (x, y) = y;
V2 (x, y) = x
Ejemplo 127. Dado un campo escalar f , en el captulo 2 se vio la definicin de su gradiente f . En cada punto x,
el gradiente f (x) es un vector que apunta en la direccin de mximo crecimiento del campo f y cuya magnitud
indica la tasa de variacin del campo en esta direccin. Se trata, pues, de un campo vectorial. Recordando el
ejemplo de la olla sobre el quemador, la experiencia indica que, si bien inicialmente las asas de la olla estn a
temperatura ambiente, transcurridos unos minutos las asas pueden presentar una temperatura elevada. El motivo es
que el calor se propaga de los puntos de temperatura elevada hacia los puntos de temperatura ms baja. La ley de
214
2.0
2.0
1.6
1.6
1.2
1.2
0.8
0.8
0.4
0.4
y 0.0
y 0.0
0.4
0.4
0.8
0.8
1.2
1.2
1.6
1.6
2.0
2.0
2
Figura 6.7. Representacin grfica de los campos F(x, y) = (x, y) (izquierda) y G(x, y) = (x, y) (derecha)
2.0
1.6
1.2
0.8
0.4
y 0.0
0.4
0.8
1.2
1.6
2.0
2
Figura 6.8. Representacin grfica del campo giratorio
215
Fourier expresa matemticamente estas ideas, al postular que el flujo de calor, un campo vectorial, viene dado por
J = kT , donde k > 0 es una propiedad del material llamada conductividad trmica. Ntese que de acuerdo
con esta frmula, el calor fluye en la direccin de mxima variacin de la temperatura, de las zonas calientes a las
ms fras.
Ejemplo 128. Se estudia ahora la fuerza electrosttica que una carga Q situada en el origen ejerce sobre otra carga
e situada en la posicin x = (x, y, z). La ley de Coulomb proporciona la siguiente frmula para la dicha fuerza
F(x) =
Qe
x
kxk3
donde es una constante que depende del medio. Al moverse la carga e por el espacio podemos calcular la fuerza
electrosttica F(x), que por tanto define un campo vectorial. Sus campos escalares componente son
F1 (x, y, z) = Qe
F2 (x, y, z) = Qe
F3 (x, y, z) = Qe
x
(x2
+ y2 + z2 ) 2
y
(x2
+ y2 + z2 ) 2
z
(x2 + y 2 + z 2 ) 2
Retomando el ejemplo del agua fluyendo por una tubera, cabe ahora interesarse por la trayectoria que sigue
una partcula de agua en un campo vectorial de velocidades. Se trata, pues, de relacionar los conceptos de velocidad
de una trayectoria y de campo vectorial.
Definicin 82 (Lnea de flujo). Sea F un campo vectorial plano o espacial. Una lnea de flujo de F es una trayectoria c(t) que verifica
c0 (t) = F(c(t))
Para interpretar esta ecuacin, considrese un punto en la lnea de flujo c(t). Al evaluar el campo vectorial F
en este punto del plano o del espacio se obtiene precisamente la velocidad de la trayectoria. Claramente, si se sigue
la trayectoria de una partcula de agua en una tubera, la velocidad de dicha trayectoria en un instante coincide con
el campo vectorial de velocidades en la posicin de la partcula en el mismo instante.
Desde un punto de vista geomtrico, una lnea de flujo de un campo vectorial es una curva que sigue en cada
punto la direccin fijada por el campo vectorial. (ver problema resuelto 6.6). Desde un punto de vista analtico,
dado un campo vectorial espacial F = (F1 , F2 , F3 ), una lnea de flujo c(t) = (x(t), y(t), z(t)) verifica el siguiente
sistema de tres ecuaciones diferenciales (ver Cap. 5)
x0 (t) = F1 (x(t), y(t), z(t))
y 0 (t) = F2 (x(t), y(t), z(t))
z 0 (t) = F3 (x(t), y(t), z(t))
Estas ecuaciones se deducen recordando las definiciones de lnea de flujo y de velocidad de una trayectoria.
Ejemplo 129. Vase ahora que efectivamente el campo vectorial giratorio visto en el ejemplo 126 describe el
campo de velocidades de partculas que se mueven en trayectorias circulares. Comprubese que la trayectoria de
una partcula que se mueve con celeridad constante sobre una circunferencia de radio R es una lnea de flujo del
campo giratorio V(x, y) = (y, x). Se vio que dicha trayectoria puede describirse mediante
c(t) = R(cos t, sin t)
216
Se ve ahora si esta trayectoria verifica c0 (t) = V(c(t)). Por un lado, se vio que c0 (t) = R( sin t, cos t). Por otro,
se puede evaluar fcilmente
V(c(t)) = (y(t), x(t)) = R( sin t, cos t)
por lo que, en efecto, la trayectoria es una lnea de flujo del campo giratorio. Ntese que e
c(t) (ver Ej. 121) no es
e
una lnea de flujo del campo V(x, y), pero s lo es de V(x, y) = 2V(x, y).
En el ejemplo 125 se vio que el gradiente de una funcin es un campo vectorial. Los campos vectoriales que
pueden expresarse como el gradiente de una funcin se denominan campos vectoriales conservativos. En general,
no todos los campos vectoriales son conservativos, como se analiza en un ejemplo a continuacin.
Definicin 83 (Campo vectorial conservativo y funcin potencial asociada). Un campo vectorial espacial (anlogamente para un campo plano) F : A R3 R3 se denomina campo vectorial conservativo cuando existe un
campo escalar definido en el mismo dominio f : A R3 R cuyo campo gradiente coincide con F, esto es
f (x) = F(x)
para todo x A.
Ejemplo 130. Comprubese que el campo vectorial estudiado en el ejemplo 128, describiendo el campo de fuerzas
electrostticas engendrado por una carga Q en el origen, es un campo conservativo cuya funcin potencial es
Qe
f (x) = p
x2
+ y2 + z2
Para ello, se calculan los campos escalares componente de f (x). La derivada parcial de f respecto de x es
i
1
h 2
f
(x) = Qe
(x + y 2 + z 2 ) 2
x
x
3
1
(x2 + y 2 + z 2 ) 2
=
Qe
(x + y 2 + z 2 ) 2
2
x
x
= Qe
3 = F1 (x, y, z)
(x2 + y 2 + z 2 ) 2
De manera anloga, se comprueba que
f
(x) = F2 (x, y, z)
y
f
(x) = F3 (x, y, z)
z
por lo que se concluye que el campo vectorial F(x) definido en el ejemplo 128 es conservativo.
Ejemplo 131. Considrese en campo vectorial plano
F(x) = (x2 y, xy 2 )
Se trata de un campo conservativo? Supngase que lo es, es decir, que existe una funcin potencial f (x) tal que
f
(x) = x2 y
x
f
(x) = xy 2
y
Dado que el campo F(x) es diferenciable, la funcin potencial es necesariamente de clase C 2 . Por tanto, recordando
el teorema 19 del captulo 2, tiene que cumplirse que

f
f
=
y x
x y
En el caso que nos ocupa, el miembro izquierdo de la igualdad es (x2 y)/y = x2 mientras que el miembro
derecho es (xy 2 )/x = y 2 . Por tanto, el campo vectorial considerado no puede ser conservativo.
217
6.3.
Divergencia y rotacional
Se ha introducido ya el operador diferencial gradiente que acta sobre campos escalares. Se definen a continuacin dos operadores diferenciales importantes que actan sobre campos vectoriales: la divergencia y el rotacional.
Definicin 84 (Divergencia). Sea F : A R3 R3 un campo vectorial en el espacio de componentes
F1 , F2 , F3 (anlogamente se trata un campo plano). Se denomina divergencia de F al campo escalar dado por
div F =
F1
F2
F3
+
+
x
y
z
Se vieron en ejemplos precedentes campos vectoriales que se expandan desde el origen (el campo F del
ejemplo 125) y otros que confluan en el origen (el campo G del mismo ejemplo). Pues bien, la divergencia mide
la convergencia o divergencia de las flechas que representan el campo vectorial. Desde el punto de vista fsico, si
imaginamos F como el campo velocidad de un gas, como por ejemplo el aire, la divergencia de F mide la tasa de
expansin del gas por unidad de volumen.
Ejemplo 132. Se calcula la divergencia de F(x, y) = (x, y)
div F =
x y
+
=2
x y
por lo que, como puede intuirse en su representacin grfica (ver Ej. 125), el campo vectorial dado podra representar el campo de velocidades de un gas que se expande. Por el contrario, resulta claro que div(x, y) = 2,
por lo que se tratara de un gas que se comprime.
Ejemplo 133. En condiciones normales, el agua es un lquido prcticamente incompresible, esto es, no cambia
de volumen, por lo que el campo de velocidades que representa el flujo de agua tiene divergencia nula. Son habituales los remolinos o vrtices en el flujo del agua. Se quiere ver a continuacin si el remolino que forma el
campo giratorio del ejemplo 126 describe el movimiento de un fluido incompresible. Se calcula la divergencia de
V(x, y) = (y, x)
(y) x
div F =
+
=0
x
y
por lo que, en efecto, este campo vectorial describe un fluido que se mueve si expandirse ni comprimirse.
Este ltimo ejemplo sugiere que, al igual que se mide la expansin o compresin del campo vectorial con la
divergencia, se puede definir un operador diferencial que mida el arremolinamiento del campo vectorial.
Definicin 85 (Rotacional). Sea F : A R3 R3 un campo vectorial en el espacio de componentes F1 , F2 , F3 .
Se denomina rotacional de F al campo vectorial dado por
F3
F2 F1
F3 F2
F1
rot F =
y
z z
x x
y
Simblicamente se escribe
rot F
i
j
k

= x y
z
F1 F2 F3
F2
F1
F3
F2
F1
F3
i+
j+
k
=
y
z
z
x
x
y
donde i, j, k son los vectores unitarios de la base cannica en R3 .
218
Veamos ahora cmo se puede entender el rotacional de un campo plano. Un campo plano (F1 (x, y), F2 (x, y))
puede extenderse a tres dimensiones definiendo F(x, y, z) = (F1 (x, y), F2 (x, y), 0), donde se observa que, de
hecho, el campo no depende de la variable z. Si se calcula el rotacional de este campo, se obtiene
0 F2 (x, y)
i+
rot F =
y
z
F1 (x, y) 0
F2 (x, y) F1 (x, y)
j+
k
z
x
x
y
F2 (x, y) F1 (x, y)
k
= 0i+0j+
x
y
Obsrvese que la nica componente no nula del campo vectorial rot F es en este caso la componente perpendicular
al plano (x, y) donde est definido el campo vectorial plano F.
Ejemplo 134. Calclese ahora el rotacional de los campos F(x, y) = (x, y), G(x, y) = (x, y) y V(x, y) =
(y, x). Un clculo inmediato muestra que rot F = rot G = 0, que confirma la intuicin de que estos campos
vectoriales no se arremolinan. Sin embargo,
x (y)
rot V =
k=2k
x
y
Ntese que el rotacional de W(x, y) = 2 (y, x) es 4 k, es decir, que este fluido gira en direccin opuesta al
fluido descrito por V y con mayor rapidez.
Hasta ahora, slo se han vistos ejemplos de campos vectoriales cuya divergencia y rotacional son constantes.
Naturalmente, esto no es necesariamente el caso, como muestra el problema resuelto 6.6, y un campo vectorial
puede describir en una regin del espacio un gas que se expande, y en otra regin del espacio un remolino de dicho
gas.
Para finalizar este apartado, se introducen a continuacin dos identidades que involucran los operadores diferenciales gradiente, divergencia y rotacional.
Teorema 30 (Rotacional de un gradiente). Sea f : A R3 R un campo escalar de clase C 2 . Entonces se
cumple la siguiente identidad
rot (f ) = 0
es decir, que el rotacional de un gradiente es siempre el vector cero.
Demostracin. Dado que f = (f /x, f /y, f /z), recordando la definicin del rotacional obtenemos
2
f
2f
f
2f
f
2f
rot (f ) =
i+
j+
k
yz
zy
zx xz
xy yx
que, recordando el teorema 19 del captulo 2, es el vector cero, por lo que queda demostrado el teorema.
De hecho ya se vio un ejemplo relacionado con este teorema, el ejemplo 130. Se puede decir que todo campo
vectorial conservativo tiene rotacional nulo.
Teorema 31 (Divergencia de un rotacional). Sea F : A R3 R3 un campo vectorial en el espacio de clase
C 2 . Entonces se cumple la siguiente identidad
div(rot F) = 0
es decir, que la divergencia de un rotacional es siempre nula.
La demostracin de este teorema se plantea en el ejercicio 6.9.
219
Ejemplo 135. Considrese el campo vectorial

G(x) = (x2 yz, xy 2 , xz)
Es posible expresar este campo vectorial como rotacional de otro campo vectorial F? Supongamos que es as,
esto es, G = rot F. En virtud del teorema anterior, necesariamente
div G = div(rot F) = 0
Se calcula el miembro de la izquierda
div G =
(x2 yz) (xy 2 ) xz

+
+
= 2xyz + 2xy + x = x(2yz + 2y + 1)
x
y
z
que, en general, no es nulo, por lo que el campo G no puede expresarse como rotacional de otro campo vectoral.
6.4.
Integrales sobre trayectorias
Se acaba de estudiar el clculo diferencial vectorial. Se introducen en este apartado algunas nociones de clculo
integral vectorial, en particular el clculo de integrales sobre trayectorias. Estos dos elementos se combinan en el
apartado siguiente, en que se presenta el teorema de Green, una generalizacin de teorema fundamental del clculo
a varias variables.
Se introducen primeramente las integrales de funciones escalares a lo largo de trayectorias, denominadas integrales de trayectoria. Considrese un pjaro que describe con su vuelo una curva C parametrizada por su trayectoria
c : [a, b] R R3 . La temperatura atmosfrica viene dada por un campo escalar T : R3 R. Se desea
calcular la temperatura promedio que el pjaro experimenta durante su vuelo. Para ello se integra el campo escalar
temperatura a lo largo de la trayectoria y se divide dicho valor por la longitud de arco de la trayectoria, que es
Z b
`=
kc0 (t)kdt
a
Se puede aproximar la integral de la temperatura a lo largo de la trayectoria por sumas SN del "tipo Riemann".
Para esto, se subdivide la trayectoria c en N trayectorias ci definidas en intervalos [ti , ti+1 ], 0 i N , donde
{t0 , ..., tN } es una particin del intervalo [a, b]
a = t0 < t1 < ... < tN = b
La longitud de arco de cada trayectoria ci viene dada por
Z ti+1
si =
kc0 (t)k dt
ti
Cuando N es grande, ti = ti+1 ti es pequeo, y en este intervalo la celeridad de la trayectoria es aproximadamente constante, por lo que
q
si = kc0 (ti )kti = (x0 (ti ))2 + (y 0 (ti ))2 + (z 0 (ti ))2 ) ti
para un instante ti del intervalo [ti , ti+1 ] (este argumento puede hacerse riguroso mediante el teorema del valor
medio). La longitud de arco si es tambin pequea y por tanto la temperatura T (x, y, z) es aproximadamente
constante para puntos en ci . Considrense ahora las sumas
SN =
N
1
X
i=0
T (xi ) si =
N
1
X
i=0
T (xi )kc0 (ti )kti
220
resultantes de evaluar la funcin T en un cierto punto xi de la trayectoria ci . Recordando la teora de las sumas de
Riemann, puede verse que
Z b
Z
T (x(t), y(t), z(t))kc0 (t)k dt = T (c) ds
lm SN =
N
donde el la ltima igualdad se ha utilizado la definicin del diferencial de longitud de arco ds vista en este mismo
captulo. Finalmente, se calcula la temperatura promedio experimentada por el pjaro en su trayectoria como
Z
1
T (c) ds
T =
` c
Definicin 86 (Integral de trayectoria). Sea c : [a, b] R R3 una trayectoria de clase C 1 y sea f : R3 R
una funcin escalar. Si la funcin compuesta f (c(t)) es continua en [a, b], se define la integral de trayectoria
(integral de f a lo largo de la trayectoria c) como
Z
Z b
f ds =
f (x(t), y(t), z(t)) kc0 (t)k dt
c
Ntese que para que esta definicin tenga sentido, no es necesario que f est definida en todo R3 , sino que es
suficiente con que est definida en la curva imagen de la trayectoria c.
Ejemplo 136. Si se toma f 1, entonces la intergal de trayectoria resulta en longitud de arco de c.
Se introduce ahora la nocin de integracin de campos vectoriales sobre trayectorias. Este tipo de integrales
puede definirse en trminos de las integrales de campos escalares sobre trayectorias que se acaban de presentar.
Considrese un campo vectorial en el espacio, F, y una trayectoria en el espacio, c. En cada punto de la trayectoria,
se puede descomponer el campo vectorial en una componente tangencial a la trayectoria (que sigue su direccin),
y una componente perpendicular a la trayectoria. La componente tangencial puede escribirse como F t, siendo t
el vector unitario tangente a c. Recordando que c0 (t) es un vector tangente a c(t), resulta claro que
t=
1 0
c
kc0 k
Es posible considerar ahora la integral de trayectoria del campo escalar tangente f = F t definido en la curva
imagen de c. Se obtiene
Z
Z b
[F t] ds =
[F(c(t)) t(t)] kc0 (t)k dt
c
=
a
Z
=
1
kc0 (t)k
[F(c(t)) c0 (t)] kc0 (t)k dt
F(c(t)) c0 (t) dt
Recordando la definicin del diferencial de desplazamiento ds = c0 dt, se define la integral de lnea como sigue.
Definicin 87 (Integral de lnea). Sea F un campo vectorial en R3 continuo sobre c : [a, b] R3 , trayectoria de
clase C 1 . Se define la integral de lnea de F a lo largo de c como
Z
Z b
F ds =
F(c(t)) c0 (t) dt
c
es decir, la integral del producto escalar de F con c0 sobre el intervalo [a, b].
221
Se puede interpretar una integral de lnea en trminos fsicos. Sea F un campo de fuerzas en el espacio, por
ejemplo fuerzas electrostticas. Al desplazarse una carga siguiendo una trayectoria c en el campo de fuerzas F,
ste realiza trabajo sobre la partcula. Si la partcula describe una trayectoria rectilnea entre los puntos A y B
y el campo de fuerzas es constante en el espacio, el trabajo no es ms que F AB, siendo AB el vector que
une los puntos A y B. Para una trayectoria y un campo genricos, es posible reproducir el argumento presentado
anteriormente que consiste en dividir la trayectoria en trozos ci , aproximando el trabajo realizado en cada trozo
por F(xi ) s = F(xi ) c0 (t ) dt. Utilizando la teora de la integracin de Riemann, se llega precisamente a la
definicin de integral de lnea dada.
Se ha estudiado anteriormente que una misma curva C puede describirse mediante varias trayectorias diferentes
(ver los ejemplos 121 y 123). Se dice que cada una de estas trayectorias es una parametrizacin de la curva C. Se
estudia mediante los ejemplos que siguen de qu manera se ven afectadas las integrales de trayectoria y de lnea al
considerar diferentes descripciones (trayectorias) de una misma curva.
Ejemplo 137. Se consideran las parametrizaciones de la circunferencia unidad
c(t) = (cos t, sin t),
t [0, 2]
t [0, 2]
(t) = (cos t2 , sin t2 ),

c
d(t) = (cos(2 t), sin(2 t)),
t [0, 2]
Resulta fcil observar que la trayectoria d(t) recorre la circunferencia en sentido inverso que la otras dos. Se dice
que esta curva invierte la orientacin de las otras dos. Calcular las integrales de trayectoria del campo escalar
f (x, y) = x + y + 1 a lo largo de estas tres curvas. Calcular despus las integrales de lnea del campo vectorial
F(x, y) = (y, x) a lo largo de estas tres curvas.
Las velocidades y celeridades de estas curvas son
c0 (t) = ( sin t, cos t), kc0 (t)k = 1
0 (t) = 2t ( sin t2 , cos t2 ), k
c
c0 (t)k = 2t
d0 (t) = (sin(2 t), cos(2 t)), kd0 (t)k = 1
La integral de trayectoria de f a lo largo de cada una de estas trayectorias puede calcularse como
Z
Z 2
Z 2
f ds =
(cos t + sin t + 1) 1 dt =
1 dt = 2
c
Z
f ds =
=
Z
Z
f ds
2
2
2
sin t2 0 cos t2 0 + t2 0 = 2
Z
(cos t2 + sin t2 + 1) 2t dt
[cos(2 t) + sin(2 t) + 1] 1 dt =
0
1 dt = 2
0
Puede observarse que el resultado no depende de la parametrizacin (trayectoria) escogida para describir la circunferencia. Se calculan a continuacin las integrales de lnea
Z
Z 2
F ds =
( sin t, cos t) ( sin t, cos t) dt
c
Z
=
Z
2
(sin t + cos t) dt =
0
1 dt = 2
0
222
Z
F ds
2t ( sin t2 , cos t2 ) ( sin t2 , cos t2 ) dt
Z
2 2
2 2
2t (sin t + cos t ) dt =
0
Z
F ds
2
2t dt = t2 0 = 2
(sin(2 t), cos(2 t)) ( sin(2 t), cos(2 t)) dt

0
Z
=
Z
(sin2 (2 t) + cos2 (2 t)) dt =
(1) dt = 2
0
En este caso, las dos primeras integrales de lnea arrojan el mismo resultado, mientras que la tercera, realizada a lo
largo de una trayectoria que recorre la circunferencia en sentido inverso, tiene el signo opuesto.
Estos ejemplos no son ms que una manifestacin de los siguientes teoremas.
Teorema 32 (Cambio de parametrizacin para integrales de trayectoria.). Sean c(t) y d(t) dos trayectorias C 1 a
trozos que parametrizan una misma curva C, y f un campo escalar continuo definido en la curva C. Entonces,
Z
Z
f ds =
f ds
c
esto es, la integral de trayectoria es independiente de la parametrizacin escogida para describir C, y por tanto
depende nicamente de la curva C.
Teorema 33 (Cambio de parametrizacin para integrales de lnea.). Sean c(t) y d(t) dos trayectorias C 1 a trozos
que parametrizan una misma curva C, y F un campo vectorial continuo definido en la curva C. Entonces,
Z
Z
F ds =
F ds
c
si las dos trayectorias tienen la misma orientacin, y

Z
Z
F ds = F ds
c
si tienen orientaciones opuestas. Por tanto, la integral de lnea depende nicamente de la curva C y su orientacin.
Finalizamos este apartado con un teorema de gran importancia prctica relativo a las integrales de lnea de
campos vectoriales conservativos.
Teorema 34 (Integrales de lnea de campos conservativos.). Sea F : R3 R3 un campo vectorial conservativo,
esto es, existe un campo escalar potencial f : R3 R de clase C 1 tal que F = f . Sea c : [a, b] R3 una
trayectoria C 1 a trozos. Entonces
Z
F ds = f (c(b)) f (c(a))
c
Demostracin. Se aplica la regla de la cadena a la funcin compuesta

F : t f (c(t))
y se obtiene (ver teorema 8 del Cap. 2)
F 0 (t) = (f c)0 (t) = f (c(t)) c0 (t)
223
Figura 6.9. Ejemplos de regin simplemente conexa y otras que no lo son

La funcin F es una funcin de variable real t; luego, en virtud del teorema fundamental del clculo,
Z b
F 0 (t)dt = F (b) F (a) = f (c(b)) f (c(a))
a
Por lo tanto
Z
Z
F ds =
Z
f ds
f (c(t)) c0 (t) dt =
F 0 (t) dt = F (b) F (a)
= f (c(b)) f (c(a))
Ejemplo 138. Considrese el campo de fuerzas electrostticas F del ejemplo 128. Calcular el trabajo realizado
por este campo de fuerzas al recorrer la carga e la trayectoria c(t) = (cos t, sin t, t) para t [0, 2].
En el ejemplo 130 se demostr que este campo de fuerzas es conservativo, y que su campo potencial es
Qe
f (x) = p
x2
+ y2 + z2
Por tanto, en virtud del teorema precedente, el trabajo realizado por el campo sobre la carga que recorre la trayectoria c(t) es
Z
Qe
Qe
F ds = q
p
2
2
c
cos 0 + sin2 0 + 0
cos2 (2) + sin (2) + (2)2
1
= Qe
1
1 + 4 2
6.5.
Teorema de Green
El teorema de Green es uno de los teoremas bsicos de integracin en anlisis vectorial y permite vincular
el clculo diferencial vectorial y el clculo integral vectorial. El teorema requiere algunas definiciones previas de
sencilla interpretacin geomtrica (ver Fig. 6.9).
Definicin 88 (Curva simple). Sea C curva plana. Se dice que C es simple si no se cruza consigo misma.
Definicin 89 (Regin simplemente conexa). Sea R una regin plana. Se dice que R es simplemente conexa si
su contorno es una sola curva cerrada simple.
Definicin 90 (Orientacin de curvas planas). Una curva plana simple C tiene dos posibles orientaciones. Se dice
que C tiene orientacin positiva si se recorre en sentido antihorario para un observador situado en el interior de
la regin encerrada por la curva. Se dice que C tiene orientacin negativa en caso contrario (ver Fig. 6.10).
224
Figura 6.10. Orientacin de curvas planas

Teorema 35 (Teorema de Green). Sea R una regin plana simplemente conexa con frontera C orientada en sentido
f2
1
antihorario. Si f1 , f2 , f
y , x son continuas en una regin abierta que contiene R, entonces
ZZ
Z
f1 dx + f2 dy =
C
f2
f1
x
y
dxdy
Demostracin. Se considera la regin simplemente conexa de la figura 6.11 cuya frontera es la curva C. Sean a, b
los puntos de C de menor y mayor ordenada, respectivamente, que dividen la curva C en dos curvas C1 y C2 con
origen y final en a y b (ver Fig. 6.11). Se consideran dos funciones: (1) y = g1 (x), a x b, cuya grfica es la
curva C1 (de origen en (a, g1 (a)) y final en (b, g1 (b))), y (2) y = g2 (x), a x b, cuya grfica es la curva C2
(de origen en (b, g2 (b)) y final en (a, g2 (a))). De este modo se tiene:
Z
Z
Z
f1 dx =
f1 dx +
f1 dx
C
C1
b
C2
Z
=
f1 (x, g1 (x))dx +
a
f1 (x, g2 (x))dx
b
(f1 (x, g1 (x)) f1 (x, g2 (x))) dx

a
Por otro lado

ZZ
R
f1
dxdy
y
g2 (x)
=
a
g1 (x)
b
=
Z
y=g (x)
[f1 (x)]y=g21 (x) dx
f1
dydx
y
(f1 (x, g2 (x)) f1 (x, g1 (x))) dx

a
Luego
ZZ
f1 dx =
f1
dxdy
y
(6.1)
Anlogamente, sean c, d los puntos de C de menor y mayor abcisa, respectivamente. Se definen dos trayectorias
h1 (y) y h2 (y) cuyas grficas son las curvas C10 y C20 , respectivamente. Los mismos argumentos utilizados arriba
permiten concluir que
Z
ZZ
f2
dxdy
(6.2)
f2 dy =
C
R x
Sumando entonces las identidades 6.1 y 6.2, resulta el teorema de Green.
225
Figura 6.11. Descomposicin de la curva C

Ejemplo 139. El teorema de Green resulta de gran utilidad prctica, pues relaciona una integral de lnea a lo
largo de una frontera de una regin con una integral doble sobre el interior de la regin y, en muchos casos, es
ms fcil evaluar una que la otra. Supngase que se quiere calcular la integral de trayectoria del campo F(x, y) =
(arctan x + y 2 , ey x2 ) a lo largo de la curva C de la figura 6.12. Se trata, pues, de calcular
Z
I=
arctan x + y 2 dx + ey x2 dy
C
Por un lado, se ve que la regin R encerrada por la curva C puede describirse de manera muy sencilla en coordenadas polares con 1 r 3, o . Por otro lado, si se identifica
f1 (x, y)
f2 (x, y)
= arctan x + y 2
= ey x2
se tiene que
f1
(x, y) = 2y
y
f2
(x, y) = 2x
x
En virtud del teorema de Green, resulta que
Z
ZZ
arctan x + y 2 dx + ey x2 dy =
(2x 2y) dxdy
C
Utilizando ahora un cambio a coordenadas polares (x = r cos , y = r sin ), queda

ZZ
Z Z 3
(2x 2y) dxdy =
2r (cos + sin ) rdrd
R
que es una integral mucho ms sencilla de evaluar que I. En efecto, por integracin inmediata tenemos
3
Z
1
I =
2 (cos + sin ) r3 d
3
0
1
Z
27 1
= 2
(cos + sin ) d
3
3
0
104
52
= (sin cos ) =
3
3
0
226
Figura 6.12. Regin R

El teorema de Green puede rescribirse en el lenguaje de campos vectoriales del siguiente modo.
Teorema 36 (Forma vectorial del teorema de Green). Sea R una regin plana simplemente conexa y sea C su
frontera orientada en sentido positivo. Sea F = (f1 , f2 ) un campo vectorial de clase C1 en R. Entonces
Z
ZZ
F ds =
(rot F) k dA
C
donde k es el vector unitario de la base cannica de R y dA es el diferencial de rea.

Ejemplo 140. Sea R una regin plana simplemente conexa y sea C su frontera. Se denota por n la normal unitaria
exterior a C. Si c : [a, b] R2 , t 7 c(t) = (x(t), y(t)) es una parametrizacin orientada de manera positiva
de C, n est dada por
(y 0 (t), x(t))
n= p
[x0 (t)]2 + [y 0 (t)]2
Sea F un campo vectorial de clase C 1 sobre C, de componentes los campos escalares f1 y f2 . Entonces
Z
ZZ
F n ds =
div F dA
C
Este teorema se conoce como el teorema de la divergencia. En el plano, puede demostrarse a partir del teorema
de Green. En primer lugar, es fcil ver que el vector n definido es en efecto normal a la curva C. Basta recordar
que c0 (t) = (x0 (t), y 0 (t)) es tangente a la curva C y resulta claro que n c0 = 0. Por otro lado, como el producto
escalar del campo vectorial F y la normal n es un campo escalar, por definicin de integral de trayectoria, se tiene
Z
Z b
F n ds =
(F n)(c(t)) kc0 (t)kdt
C
=
a
f1 (x(t), y(t)) y 0 (t) f2 (x(t), y(t)) x0 (t) p 0 2

p
[x (t)] + [y 0 (t)]2 dt
[x0 (t)]2 + [y 0 (t)]2
(f1 (x(t), y(t)) y 0 (t) f2 (x(t), y(t)) x0 (t)) dt
(f2 (c(t)), f1 (c(t))) c0 (t)dt
=
C
que es la integral de lnea de un campo vectorial de componentes (f2 , f1 ). Por el teorema de Green, esto es igual
a
ZZ
ZZ
f2
f1
+
dxdy =
div F dA
dx dy
R
R
227
6.6.
Problemas resueltos
PR 6.1. Considrese el segmento de recta definido por la trayectoria

c(t) = (1, 0, 2) + t2 (1, 1, 1)
cuando t vara en [1, 3]. Representar grficamente dicho segmento y calcular su longitud utilizando dos mtodos
diferentes.
Resolucin
Para la representacin grfica, ver resolucin en MAPLE ms adelante. Al tratarse de un segmento de recta, podemos obtener su longitud simplemente calculando la distancia entre los puntos extremos P1 y P2 . Las coordenadas
de P1 se obtienen evaluando la trayectoria en t = 1,
P1 = c(1) = (1, 0, 2) + 12 (1, 1, 1) = (0, 1, 3)
De manera anloga, considerando t = 3 calculamos
P2 = c(3) = (1, 0, 2) + 32 (1, 1, 1) = (8, 9, 11)
La longitud del segmento de recta considerado es, pues,
p
` = (8 0)2 + (9 (1))2 + (11 3)2 = 64 + 64 + 64 = 8 3

Calculemos ahora la longitud del segmento utilizando la frmula para la longitud de arco. Para ello, calculamos
primeramente la celeridad de la trayectoria c(t). Un simple clculo nos muestra que c0 (t) = 2t(1, 1, 1), por lo
que en el intervalo [1, 3]
p
kc0 (t)k = 2t 12 + 12 + 12 = 2 3t
Empleando la frmula de la definicin 79 obtenemos
3
Z 3
1 2
`=
2 3t dt = 2 3
t = 3(32 12 ) = 8 3
2
1
1
>
>
# Definimos la trayectoria
c:=t-> <1,0,2>+t^2*<-1,-1,1>;
c(t);
c := t 7< 1, 0, 2 > +t2 < 1, 1, 1 >
1 t2
t2
2 + t2
>
>
# Maple permite dibujar curvas en forma paramtrica

#
Para eso tenemos que dar [x(t),y(t),z(t)]
x:=t->c(t)[1]:
y:=t->c(t)[2]:
z:=t->c(t)[3]:
[x(t),y(t),z(t)];
[1 t2 , t2 , 2 + t2 ]
>
# Como la curva es en tres dimensiones tenemos que usar el comando spacecurve
>
with(plots):
spacecurve([x(t),y(t),z(t)],t=1..3,color=blue,thickness=2,axes=normal,
view=[-10..0,-10..0,0..15],orientation=[110,65]);
>
228
15.0
12.5
10.0
7.5
10.0
5.0
7.5
5.0
2.5
2.5
0.0
0.0
0.0
>
>
2.5
5.0
7.5
10.0
# Tambin podemos representar la curva junto con sus extremos

display(
spacecurve([x(t),y(t),z(t)],t=1..3,color=blue,thickness=2,axes=normal),
pointplot3d({[x(1),y(1),z(1)],[x(3),y(3),z(3)]},symbolsize=20,symbol=sphere,
color=red,thickness=2),
view=[-10..0,-10..0,0..15],orientation=[110,70]
);
15.0
12.5
10.0
7.5
5.0
10.0
2.5
7.5
5.0
0.0
2.5
0.0
0.0
>
>
2.5
5.0
7.5
10.0
# Calculamos la distancia utilizando que la curva es una recta

p1:=c(1);
p2:=c(3);
0
p1 := 1
3
8
p2 := 9
11
>
with(Student:-Precalculus):
>
Distance(p1,p2);
>
# Calculamos la distancia utilizando la longitud de arco
>
with(VectorCalculus):
>
D(c)(t);
>
Norm(%);
>
int(%,t=1..3);
8 3
2tex 2tey + 2tez

2 3 t2
229
8 3
PR 6.2. Considerar la trayectoria c(t) = (cos t, sin t, t). Describir la geometra de la curva parametrizada por
c(t) para t [0, 12]. Hacer lo mismo para d(t) = (cos t, sin t, t + 1/2 cos t). Considerar ahora la trayectoria
e(t) = (cos t, sin t, t + /2). Representar las trayectorias c(t) y e(t) simultneamente. Qu estructura biolgica
hemos descrito?
Resolucin
A continuacin se representan grficamente las trayectorias por medio del programa MAPLE. Las curvas descritas
por las trayectorias dadas son hlices. Si se representan en una misma grfica, se obtiene la doble hlice caracterstica de la estructura molecular del ADN.
>
c:=t->[cos(t),sin(t),t]:
d:=t->[cos(t),sin(t),t+1/2*cos(t)]:
e:=t->[cos(t),sin(t),t+Pi/2]:
>
with(plots):
>
spacecurve(c(t),t=0..12*Pi,color=blue,thickness=2,axes=normal,numpoints=1000);
30
20
1.0
1.0
0.5
10
0.5
0.0
00.0
0.5
0.5
1.0
>
1.0
spacecurve(d(t),t=0..12*Pi,color=red,thickness=2,axes=normal,numpoints=1000);
30
20
1.0
0.5
1.0
>
1.0
0.5
10
0.5
0.0
00.0
0.5
1.0
spacecurve(e(t),t=0..12*Pi,color=green,thickness=2,axes=normal,numpoints=1000);
230
32
22
1.0
1.0
12
0.5
0.5
0.0
20.0
0.5
0.5
1.0
>
1.0
display(
spacecurve(c(t),t=0..12*Pi,color=blue,thickness=2,axes=normal,
numpoints=1000),
spacecurve(e(t),t=0..12*Pi,color=green,thickness=2,axes=normal,
numpoints=1000)
);
40
30
20
1.0
1.0
0.5
10
0.5
0.0
00.0
0.5
0.5
1.0
1.0
PR 6.3. Una partcula sigue la trayectoria c(t) = (cos t, sin t, t) hasta el instante t0 = 3/2, en que se sale de
dicha trayectoria por la recta tangente. Dnde estar esta partcula en el instante t = 4? Qu distancia recorre
la partcula entre los instantes t = 0 y t = 4?
Resolucin
Para la representacin grfica de la curva y su tangente, ver resolucin en MAPLE ms adelante. En el instante
t0 = 3/2, la partcula se encuentra en la posicin

3
3
3 3
3
c
= cos
, sin
,
= 0, 1,
2
2
2 2
2
El vector velocidad de la partcula es
c0 (t) = ( sin t, cos t, 1)
por lo que el vector velocidad en el instante t0 es
c0
3
2
= (1, 0, 1)
Recordando la frmula para la recta tangente a una trayectoria en la definicin 78, podemos escribir su trayectoria
como

3
3
+ t
(1, 0, 1)
l(t) = 0, 1,
2
2
231
A partir del instante t0 , la partcula sigue esta trayectoria, por lo que para conocer la posicin de la partcula en el
instante t = 4 basta con evaluar la trayectoria l(t) en dicho instante, esto es,
3
3
5
l(4) = 0, 1,
+ 4
(1, 0, 1) =
, 1, 4
2
2
2
Calculemos a continuacin la distancia recorrida por la partcula en el intervalo [0, 4]. En este intervalo de tiempo,
la trayectoria de la partcula viene definida a trozos, primeramente en [0, 3/2] por d(t), y a continuacin en
[3/2, 4] por l(t). En el primer tramo, la celeridad de la trayectoria es
p
kd0 (t)k = ( sin t)2 + cos2 t + (1)2 = 2

Por tanto, en el primer tramo, la partcula recorre la distancia
Z
3/2
`1 =
3 2
2
2 dt =
En el segundo tramo, la celeridad de la trayectoria es

kl0 (t)k = k(1, 0, 1)k =
y por tanto la longitud de este segundo tramo es

Z
`2 =
2 dt =
3/2
5 2
2(4 3/2) =
2
Finalmente, la distancia total recorrida por la partcula en el intervalo [0, 4] es
` = `1 + `2 = 4 2
>
# Definimos la trayectoria
>
c:=t-><cos(t),sin(t),t>:
>
# Representamos la curva y sus tangentes en algunos puntos

Student[VectorCalculus]:-TangentVector(<cos(t),sin(t),t>,t,
output=plot,range=0 .. 3/2*Pi,vectors=5,axes=boxed);
>
1.3
0.3
0.7
5
4
1.4
3
2
0.4
1
0
0.6
>
# Calculamos el vector tangente para t=3*Pi/2
>
>
TangentVector(c(t), t );
232
sin(t)
cos(t)
1
>
# Calculamos la recta tangente

#
Se tiene que tener en cuenta que para s=0 la recta pasa por c(3*Pi/2)
#
Por lo tanto si queremos evaluar la recta tangente para un cierto t
#
este corresponde a s=t-3*Pi/2
>
Tline:=TangentLine( c(s), s=3*Pi/2 );
>
with(plots):
display(
spacecurve(c(t),t=0..3*Pi/2,color=blue,thickness=2,axes=normal,
numpoints=1000),
spacecurve(Tline,s=0..4*Pi-3*Pi/2,color=red,thickness=2,
axes=normal,numpoints=1000),
);
>
s
Tline := 1
3
2 + s
12.5
10.0
7.5
5.0
2.5
0.0
1.0
0.5
0.8 0.0
1.2
0.5
3.2
1.0
>
>
5.2
7.2
# Calculamos la posicin de la partcula para t=4*Pi -> s=4*Pi-3*Pi/2

subs(s=4*Pi-3*Pi/2,Tline);
5
2
1
4
>
# Calculamos la distancia en dos pasos
>
# 1.- distancia entre t=0 y t=3*Pi/2
>
D(c)(t);
>
Norm(%);
sin (t) ex + cos (t) ey + ez
>
l1:=int(%,t=0..3*Pi/2);
l1 :=
3
2
2
>
# 2.- distancia entre t=3*Pi/2 y t=4*Pi
>
with(Student:-Precalculus):
>
p1:=c(3*Pi/2);
233
Figura 6.13. Ilustracin de la cinemtica de la rueda de la bicicleta y el reflector
0
p1 := 1
3
2
>
p2:=subs(s=4*Pi-3*Pi/2,Tline);
5
2
p2 := 1
4
>
l2:=Distance(p1,p2);
l2 :=
>
# La distancia total es:
>
l1+l2;
5
2
2
4 2
PR 6.4. Considera el reflector encajado entre los radios de una rueda de bicicleta de radio R. La distancia entre
el eje de la rueda y el reflector es r. Determinar la trayectoria c(t) descrita por el reflector cuando la bicicleta
se desplaza a velocidad constante v en un sistema de coordenadas fijado al suelo. Representar grficamente la
trayectoria de un reflector que situado a una distancia r = R/2 del eje. Determinar y representar grficamente la
trayectoria descrita por un punto situado sobre la cubierta de la rueda. Cundo se anula su celeridad?
Resolucin
Describamos primeramente el movimiento del reflector referido a un sistema de coordenadas (
x, y) centrado en el
eje de la rueda (ver Fig. 6.13). Supongamos que la rueda gira a una velocidad angular . La trayectoria del reflector
en este sistema de coordenadas puede expresarse como
(t) = r(cos(t), sin(t)) = r(cos(t), sin(t)) = (
c
x(t), y(t))
esto es, una trayectoria circular de radio r que realiza /(2) vueltas por unidad de tiempo. Recordemos que es
la velocidad angular, medida en radianes por segundo. Relacionemos ahora la velocidad angular con la velocidad
lineal v de la bicicleta. En un giro de la rueda, la bicicleta recorre una distancia igual al permetro de la rueda 2R.
Por tanto, en /(2) giros por unidad de tiempo, la bicicleta recorre una distancia de 2R/(2) por unidad de
tiempo, y en consecuencia v = R, o equivalentemente
=
v
R
234
Por tanto, la trayectoria del reflector en el sistema de referencia centrado en el eje de la rueda es
vt
vt
(t) = r cos , sin
c
R
R
Escribamos ahora estra trayectoria respecto de un sistema de referencia (x, y) centrado en un punto fijo en la
superficie sobre la que se desplaza la bicicleta. Podemos relacionar los dos sistemas de coordenadas mediante las
relaciones
x=x
+ vt,
y = y + R
Por tanto, la trayectoria del reflector en el sistema (x, y) es
vt
vt
(t) + (vt, R) = r cos
c(t) = c
+ vt, r sin
+R
R
R
Para la representacin grfica del caso en que r = R/2, ver resolucin en MAPLE ms adelante. Por simplicidad,
tomamos R = 1 y v = 1.
Consideremos ahora el caso en que seguimos un punto situado sobre la cubierta de la rueda, esto es, r = R y
vt
vt
c(t) = R cos
+ vt, R sin
+R
R
R
Calculemos el vector velocidad de esta trayectoria
vt
vt
c0 (t) = v sin
+ 1, cos
R
R
por lo que la celeridad de este punto es
s
kc0 (t)k
sin
= v
r
vt
+1
R
2
+ cos2
vt
R
vt
vt
vt
1 2 sin
+ cos2
+ sin2
R
R
R
r
vt
=
2v 1 sin .
R
= v
La celeridad se anula cuando sin vt

R = 1, esto es, cuando vt/R = /2 + k2, k Z. Esto ocurre en instantes
separados por 2R/v unidades de tiempo. Obsrvese que en estos instantes, en que la partcula est en contacto
con el suelo, su vector velocidad es 0.
>
>
>
>
>
restart;
# Descripcin del movimiento del reflector en un sistema de coordenadas
#
centrado en el eje de la rueda
#
El reflector describe una trayectoria circular de radio r
with(plots):
r:=10:
omega:=2*Pi/4:
display(
animate( pointplot , [[r*cos(omega*t),-r*sin(omega*t)]],t=0..12,
frames=200,symbol=solidcircle,symbolsize=30,color=red),
plot([r*cos(omega*t),-r*sin(omega*t),t=0..4],color=blue)
);
235
t = 0.
10
10
10
10
>
>
>
>
>
>
# Para ver la animacin se debe seleccionar el dibujo

#
y apretar el botn derecho del mouse
#
Luego se debe seleccionar la opcin Animation -> Play
# Vamos a dibujar ahora el movimiento de la rueda exterior, utilizando
#
la expresin del movimiento de un punto en la cubierta de la rueda
# Para ver mejor el movimiento, dibujaremos tambin un punto sobre la rueda
R:=1:
v:=1:
display(
animate( plot , [[R*cos(v*t/R+phi)+v*t,-R*sin(v*t/R+phi)+R,phi=0..2*Pi]],
t=0..4*Pi,frames=200,color=red,thickness=2,scaling=constrained),
animate( pointplot , [[R*cos(v*t/R)+v*t,-R*sin(v*t/R)+R]],t=0..4*Pi,
frames=200,symbol=solidcircle,symbolsize=20,color=red)
);
# En las lneas siguientes se representa el movimiento de la rueda

#
de forma ms compleja
display(
t=0..4*Pi,frames=200,color=black,thickness=2,scaling=constrained),
frames=200,symbol=solidcircle,symbolsize=20,color=black),
seq(
animate(plot,
[[[v*t,R],[R*cos(v*t/R+2*Pi/16*k)+v*t,-R*sin(v*t/R+2*Pi/16*k)+R]]],
t=0..4*Pi,color=black,frames=200),
k=1..16)
);
236
>
# Dibujamos ahora el dibujo anterior junto al reflector (para r=R/2)
>
r:=R/2:
display(
t=0..4*Pi,frames=200,color=black,thickness=2,scaling=constrained),
seq(
animate( plot,
[[[v*t,R],[R*cos(v*t/R+2*Pi/16*k)+v*t,-R*sin(v*t/R+2*Pi/16*k)+R]]]
,t=0..4*Pi,color=black,frames=200),
k=1..16),
animate( pointplot , [[r*cos(v*t/R)+v*t,-r*sin(v*t/R)+R]],t=0..4*Pi,
frames=200,symbol=solidcircle,symbolsize=20,color=blue)
);
>
>
>
# Vamos a hallar ahora cuando se anula la celeridad de un punto

#
situado encima de la rueda. Para ello dibujamos la trayectoria de un punto
display(
animate( plot ,
[[R*cos(v*t/R+phi)+v*t,-R*sin(v*t/R+phi)+R,phi=0..2*Pi]],t=0..4*Pi,
frames=200,color=black,thickness=2,scaling=constrained,transparency=0.8),
frames=200,symbol=solidcircle,symbolsize=20,color=black),
seq(
animate( plot,
[[[v*t,R],[R*cos(v*t/R+2*Pi/16*k)+v*t,-R*sin(v*t/R+2*Pi/16*k)+R]]],
t=0..4*Pi,color=black,frames=200,transparency=0.8),
k=1..16),
plot([R*cos(v*t/R)+v*t,-R*sin(v*t/R)+R,t=0..4*Pi],
color=black,transparency=0.5,numpoints=200)
);
237
>
# Como se puede apreciar en el dibujo los puntos de celeridad nula

#
son los puntos de contacto con el suelo
>
# La trayectoria sola tambin se puede representar segn:
>
c:=t-><R*cos(v*t/R)+v*t,-R*sin(v*t/R)+R>:
>
plot([c(t)[1],c(t)[2],t=0..4*Pi],color=black,scaling=constrained);
2.0
1.5
1.0
0.5
10
>
# Vamos a hallar ahora los puntos de celeridad nula
>
>
D(c)(t);
( sin (t) + 1) ex cos (t) ey

>
norma:=Norm(%);
norma :=
>
2 2 sin (t)
solve(norma=0,t);
>
# Para que nos aparezcan todas las soluciones debemos usar el siguiente comando
>
_EnvAllSolutions := true:
>
solve(norma=0,t);
1
+ 2_Z1
2
PR 6.5. Considerar el campo vectorial H(x, y) = (x, y). Representar grficamente dicho campo en el dominio
A = [1, 1] [1, 1]. Calcular su divergencia y su rotacional. En vista de los resultados, se trata de un campo
conservativo? Puede expresarse como rotacional de otro campo vectorial F? Hallar en su caso la funcin potencial
238
o el campo F, y representarlo grficamente.

Resolucin
Calculemos la divergencia del campo H. Tenemos
div H(x, y) =
(x) (y)
+
=0
x
y
En cuanto al rotacional, tenemos
rot H(x, y) =
(y) (x)
x
y
k=0
Dado que el campo es irrotacional, podemos asegurar que es conservativo, es decir, que existe un potencial escalar
h tal que H = h. El potencial debe verificar:
h
x
h
y
= x
= y
y, por lo tanto,
h(x, y) =
x2
y2
+
2
2
Para determinar si adems existe un campo vectorial F = (F1 , F2 ) tal que H = rot F, debemos resolver el
siguiente sistema de ecuaciones diferenciales:
F2
z
F1
z
F2
F1
x
y
= 0
Una solucin del sistema anterior es el campo vectorial F(x, y, z) = (y z, x z). Es fcil comprobar que
efectivamente H = rot F . El campo F se denomina potencial vectorial. Para la representacin grfica de los
campos h y F, ver la resolucin en MAPLE a continuacin.
>
with( Student[VectorCalculus] ):
>
H := VectorField(<x,-y>,cartesian[x,y]);
>
# Para dibujar el campo se puede usar el comando VectorField del paquete

#
Student[VectorCalculus]
>
VectorField(H,output=plot,view=[-1..1,-1..1],fieldoptions=[grid=[20,20]]);
H := (x)
ex y
ey
239
1.0
1.0
0.5
0.5
0.5
1.0
0.5
1.0
>
# Calculamos ahora la divergencia y su rotacional
>
Divergence(
>
# Para calcular el rotacional necesitamos un campo tres dimensional
>
H3 := VectorField(<H[1],H[2],0>,cartesian[x,y,z]);
>
Curl( H3 );
H );
ey
H3 := (x)
ex y
0
ex
>
# Como el rotacional es cero el campo es conservativo

# Como H(x,y) es un campo conservativo,
#
se puede escribir como el gradiente de una funcin escalar h(x,y)
>
h:=ScalarPotential( H );
>
h :=
1 2 1 2
x y
2
2
>
# Comprobemos que en efecto Gradiente(h) = H
>
Gradient(h);
>
simplify(%-H);
>
# Adems podemos hallar otro campo vectorial F(x,y)

#
que verifica que rot(F(x,y))=H(x,y)
>
F:=VectorPotential( H3 );
(x)
ex y
ey
0
ex
F := yz
ex xz
ey
>
Curl(F);
(x)
ex y
ey
>
simplify(%-H3);
>
# Vamos a representar el campo potencial F

# Observemos que F no es un campo dos dimensional, ya que la variable z
#
tambin est involucrada
# Sin embargo, como F = z*(-y,x), tenemos que el campo vara uniformemente
#
en la direccin z y para z=0 es nulo
VectorField(F,output=plot,view=[-1..1,-1..1,-1..1],
fieldoptions=[grid=[20,20,4]]);
0
ex
>
240
>
>
>
# Para que se vea mejor, vamos a representar algunas trayectorias

FlowLine(F,<-0.5,-0.5,0.5>,output=plot,view=[-0.5..0.5,-0.5..0.5,0.25..0.75],
FlowLine(F,<-0.5,-0.48,0.5>,output=plot,view=[-0.5..0.5,-0.5..0.5,0.25..0.75],
PR 6.6. Considerar el campo vectorial plano
2
2
2
2
F(x, y) = y e(x +y ) , x2 e(x +y )
Representar grficamente el campo, calcular su divergencia y rotacional y representarlos grficamente.
Resolucin
Para la representacin grfica del campo F, ver la resolucin en MAPLE ms adelante. Calculemos ahora la
241
divergencia del campo F. Tenemos

(y e(x
x
div F(x, y) =
+y 2 )
(x2 e(x
y
+y 2 )
+y 2 )
(2x)(y) e(x
2xy(1 x) e(x
+y 2 )
+ (2y)x2 e(x
+y 2 )
En cuanto al rotacional, tenemos
rot F(x, y)
=
=
(x2 e(x
x
+y 2 )
(y e(x
+y 2 )
!
k
2
2
2x + (2x)x2 (1) (2y)(y) e(x +y ) k
2
= (1 + 2x 2y 2 2x3 ) e(x
+y 2 )
>
restart;
>
with( Student[VectorCalculus] ):
>
F := VectorField(<-y*exp(-(x^2+y^2)),x^2*exp(-(x^2+y^2))>,cartesian[x,y]);
2
2
2
2
F := yex y ex + x2 ex y ey
>
# Para dibujar el campo se puede usar el comando VectorField del paquete

#
Student[VectorCalculus]
>
VectorField(F,output=plot,view=[-1..1,-1..1],fieldoptions=[grid=[20,20]]);
1.0
1.0
0.5
0.5
0.5
1.0
0.5
1.0
>
# Vamos a representar la trayectoria de una partcula situada en este campo
>
FlowLine(F,<-1,-1>,output=plot,view=[-1..1,-1..1],fieldoptions=[grid=[20,20]]);
1.0
1.0
0.5
0.5
0.5
0.5
1.0
1.0
242
>
>
# Adems hay la opcin de animar el movimiento

FlowLine(F,<-1,-1>,output=animation,view=[-1.5..1.5,-1..1.5],
fieldoptions=[grid=[20,20]],frames=200);
1.5
1.0
0.5
1.5
1.0
0.5
0.5
1.0
1.5
0.5
1.0
>
# Observad que la celeridad es mayor en aquellos puntos donde la magnitud

#
del campo (norma / tamao de las flechas) es mayor
>
# Vamos a calcular y representar la divergencia de F
>
divF:=Divergence( F );
2
2
2
2
divF := 2yxex y 2x2 yex y
>
simplify(divF);
2
2
2yxex y (x 1)
>
plot3d(divF,x=-2..2,y=-2..2);
>
# Vamos a calcular y representar el rotacional de F

# Recordad que para calcular el rotacional necesitamos un campo 3D
>
F3:=VectorField(<F[1],F[2],0>,cartesian[x,y,z]);
2
2
2
2
F3 := yex y ex + x2 ex y ey
>
rotF:=Curl( F3 );
>
simplify( rotF );
2
2
2
2
2
2
2
2
rotF := 2xex y 2x3 ex y + ex y 2y 2 ex y ez
2
2
rotF := ex y 2x + 2x3 1 + 2y 2 ez
>
# Vemos que el rotacional solo tiene componente ez.

# Representaremos esta componente.
>
plot3d(rotF[3],x=-2..2,y=-2..2);
243
Figura 6.14. Clculo del rea de una tapia
PR 6.7. Considera una tapia que encierra un dominio del plano (x, y) descrito por
D = {(x, y) R2 | x2 + y 2 < 1, y > 0}
La altura de la tapia viene dada por la funcin h(x, y) = x2 + 2y 2 . Todas las dimensiones estn expresadas en
metros. Calcula cantidad de pintura necesaria para pintar las dos caras de esta tapia, teniendo en cuenta que son
necesarios 500 gramos de pintura para cubrir un metro cuadrado de superficie pintada.
Resolucin
Consideremos una curva plana genrica c(t) = (x(t), y(t)) que representa la planta de una tapia, cuya altura viene
representada por una funcin definida en el plano h(x, y). La corona de dicha tapia viene descrita por la curva en
el espacio
d(t) = x(t), y(t), h(x(t), y(t))

Consideremos un diferencial de longitud de arco ds, y el diferencial de superficie de tapia correspondiente dA (ver
Fig. 6.14). Resulta claro observando la figura que dA = h ds, por lo que podemos calcular el rea total de la tapia
244
como
Z
A=
Z
h(c(t))kc0 (t)k dt
h ds =
c
El dominio en cuestin es medio disco unidad centrado en el origen. Su permetro puede describirse con una
trayectoria c(t) definida a trozos. Por un lado, c1 (t) = (cos t, sin t) en el intervalo [0, ] describe la parte circular
de la tapia, y por otro c2 (t) = (0, t) en el intervalo [1, 1] describe la parte recta de la tapia. Por tanto, la superficie
de tapia que se debe pintar, recordando que la tapia tiene dos caras, es
Z
Z
S = 2(A1 + A2 ) = 2
h ds +
h ds
c1
c2
Como ya vimos anteriormente, la celeridad de la primera curva kc01 (t)k = 1. Por otro lado, es inmediato comprobar
que kc01 (t)k = 1. Por tanto,
Z
Z
A1 =
h(cos t, sin t) dt =
(cos2 t + 2 sin2 t) dt
Z0
Z 0
3 1
2
2
=
(1 + sin t) dt =
2
3 1
3
(sin t cos t)|0 =

2
2
2
0
=
Por otro lado,
(1 2 sin t)
2
dt
2 3 1
4
t 1 =
3
3
1
1
Por tanto, para pintar las dos caras de la tapia, la cantidad de pintura necesaria, en kilogramos, es
3 4
1
+ 6,05
P = S = A1 + A2 =
2
2
3
A2 =
h(0, t) dt =
2t2 dt =
>
# Dibujamos primero el dominio
>
with(plots):
>
implicitplot(x^2+y^2<1,x=-1..1,y=0..1,filled=true,scaling=constrained);
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
1.0
0.5
0.5
1.0
>
# Dibujamos ahora la altura de la tapia
>
h:=(x,y)->x^2+2*y^2:
display(
plot3d(0,x=-1..1,y=0..sqrt(1-x^2),color=red,filled=true,
style=patchnogrid,grid=[100,100]),
plot3d(h(x,y),x=-1..1,y=0..sqrt(1-x^2),style=patchnogrid),
);
>
245
>
>
>
# Dibujamos ahora la tapia

display(
plot3d(0,x=-1..1,y=0..sqrt(1-x^2),color=red,filled=true
,style=patchnogrid,grid=[100,100]),
plot3d(h(x,y),x=-1..1,y=0..sqrt(1-x^2),style=patchnogrid,
color=blue,transparency=0.8,grid=[100,100]),
implicitplot3d(x^2+y^2=1,x=-1..1,y=0..1,z=0..2,
implicitplot3d(y=0,x=-1..1,y=0..1,z=0..2,style=patchnogrid,color=green,
transparency=0.8),
intersectplot(z=h(x,y),x^2+y^2=1,x=-1..1, y=0..1, z=0..2,
thickness=2,color=black),
intersectplot(z=h(x,y),y=0,x=-1..1, y=0..1, z=0..2,thickness=2,color=black),
);
# Si dibujamos unas lneas a la tapia se ve mucho mejor

#
la superficie que hay que pintar
246

>
display(
plot3d(0,x=-1..1,y=0..sqrt(1-x^2),color=red,filled=true,
style=patchnogrid,grid=[100,100]),
implicitplot3d(y=0,x=-1..1,y=0..1,z=0..2,style=patchnogrid,
color=green,transparency=0.8),
implicitplot3d(x^2+y^2=1,x=-1..1,y=0..1,z=0..2,
intersectplot(z=h(x,y),x^2+y^2=1,x=-1..1, y=0..1, z=0..2,
thickness=2,color=black),
intersectplot(z=h(x,y),y=0,x=-1..1, y=0..1, z=0..2,thickness=2,color=black),
spacecurve({[[k/10,0,0],[k/10,0,h(k/10,0)]]$k=-10..10},color=green,
thickness=2,transparency=0.5),
spacecurve({ [[cos(k/30*Pi),sin(k/30*Pi),0],
[cos(k/30*Pi),sin(k/30*Pi),h(cos(k/30*Pi),sin(k/30*Pi))]]
$k=0..30},color=blue,thickness=2,transparency=0.5),
);
>
# Como se ve en la figura, la superficie a pintar se compone de dos: A1 y A2

# Vamos a calcular las reas separadamente
>
c1:=t-><cos(t),sin(t)>:
>
>
D(c1)(t);
sin (t) ex + cos (t) ey

>
norm1:=Norm(%);
norm1 := 1
>
A1:=int(h(c1(t)[1],c1(t)[2])*norm1,t=0..Pi);
A1 :=
>
c2:=t-><0,t>:
>
D(c2)(t);
ey
>
norm2:=Norm(%);
norm2 := 1
>
A2:=int(h(c2(t)[1],c2(t)[2])*norm2,t=-1..1);
A2 :=
4
3
>
# Por lo tanto la superficie total a pintar es:
>
S:=2*(A1+A2);
247
S := 3 +
>
evalf(S);
8
3
12,09144463
PR 6.8. Utilizar el teorema de Green para demostrar que la integral de un campo vectorial conservativo F C 1 a
lo largo de una curva cerrada es nula.
Resolucin
Sea C una curva plana cerrada. Por ser F un campo vectorial conservativo, se sabe que existe un campo escalar
potencial f : R2 R de clase C 1 tal que F = f . Entonces, por el teorema de Green (forma vectorial), se tiene
ZZ
ZZ
Z
F ds =
(rot F) k dA =
(rot (f )) k dA
C
que es nulo en virtud del teorema 30. Esta propiedad de los campos conservativos es de gran importancia en
la fsica, y se deriva tambin del teorema 34. Una consecuencia en mecnica es que al desplazar una partcula
(masa, carga) por un campo conservativo (gravitatorio, electrosttico) siguiendo una trayectoria cerrada, la energa
de dicha partcula se conserva, pues el trabajo realizado es nulo. Otra manifestacin de este resultado es que el
trabajo realizado al desplazar una partcula en un campo conservativo no depende del camino seguido, sino slo
de su origen y final. Esto puede verse considerando la trayectoria cerrada que forman dos caminos diferentes con
sentidos opuestos.
>
# Vamos a comprobar que si F proviene de un gradiente,

#
entonces su rotacional es nulo
>
>
F:=Gradient(f(x,y),[x,y]);
F :=
f (x, y) ex +
f (x, y) ey
x
y
>
# Para calcular el rotacional se necesita un campo de tres variables
>
F3:=VectorField(<F[1],F[2],0>,cartesian[x,y,z]);
F3 :=
>
f (x, y) ex +
f (x, y) ey
x
y
CurlF:=Curl(F3);
CurlF := 0
ex
>
# Lo mismo ocurre si F es un campo en tres dimensiones
>
F:=Gradient(f(x,y,z),[x,y,z]);
F :=
>
f (x, y) ex +
f (x, y) ey +
f (x, y) ez
x
y
y
CurlF:=Curl(F);
CurlF := 0
ex
6.7.
PP 6.1. Calcular la longitud de arco de las curvas dadas a continuacin en el intervalo especificado.
(a) (2 cos t, 2 sin t, t); 0 t 2,
248
(b) (sin 3t, cos 3t, 2t3/2 ); 0 t 1,

(c) (t, t, t2 ); 1 t 2.
Indicacin: En algunos apartados utilizar el siguiente resultado
Z p
p
a2
x
x2 + a2
+
ln (x + x2 + a2 )
x2 + a2 dx =
2
2
PP 6.2. Sea c la trayectoria dada por c(t) = (2t, t2 , ln t) para t > 0, calcular la longitud de c entre los puntos
(2,1,0) y (4,4,ln 2).
PP 6.3. Esbozar los siguientes campos vectoriales en el plano:
(a) F(x, y) = (2, 3)
(b) F(x, y) = (x, y)
(c) F(x, y) = 2x
x +y
,
2
y
x2 +y 2
PP 6.4. Calcular la masa de un alambre formado por la interseccin de la esfera x2 + y 2 + z 2 = 1 con el plano
x + y + z = 0 si la densidad de un punto (x, y, z) del alambre viene dada por (x, y, z) = x2 gramos por unidad
de longitud.
PP 6.5. Sea c(t) una lnea de flujo de un campo conservativo F = V . Demostrar que V (c(t)) = (V c)(t) es
una funcin creciente de t.
PP 6.6. Sea f un campo escalar y F y G dos campos vectoriales. Demostrar las siguientes identidades:
(a) div (F + G) = div F + div G
(b) rot (F + G) = rot F + rot G
(c) div (f F) = f div F + f F
(d) div (F G) = (rot F) G F rot G
(e) rot (f F) = f rot F + f F
PP 6.7. Calcular la divergencia de los siguientes campos vectoriales en el espacio:
(a) F(x, y, z) = exy i exy j + eyz k
(b) F(x, y, z) = (x, y + cos x, z + exy )
(c) F(x, y, z) = (y, x)
PP 6.8. Calcular el rotacional de los siguientes campos vectoriales en el espacio:
(a) F(x, y, z) = (x, y, z)
(b) F(x, y, z) = (yz, xz, xy)
(c) F(x, y, z) = (x2 + y 2 + z 2 )(3 i + 4 j + 5 k)
249
PP 6.9. Demostrar el teorema 31 utilizando la igualdad de derivadas parciales cruzadas.

PP 6.10. Sea el campo vectorial F = x i + y j + z k. Evaluar la integral de F a lo largo de cada una de las
siguientes trayectorias
(a) c(t) = (t, t, t),
(b) c(t) = (cos t, sin t, 0),
(c) c(t) = (t2 , 3t, 2t3 ),
0t1
0 t 2
1t2
PP 6.11. Evaluar la integral de lnea del campo F = (x2 , xy, 1) a lo largo de la curva definida por la parbola
z = x2 , y = 0 entre los puntos (1, 0, 1) y (1, 0, 1).
PP 6.12. Demostrar por el teorema de Green que si C es una curva cerrada simple que acota la regin R R2 ,
entonces el rea de la regin R viene dada por
Z
1
A=
x dx y dy
2 C
Calcular el rea de la regin encerrada por la curva definida por x2/3 + y 2/3 = a2/3 , con a > 0, usando la
parametrizacin x = a cos3 , y = a sin3 , 0 2.
250
251
7 Clculo operacional
Se presentan en este captulo, a nivel introductorio, los rudimentos del clculo operacional. Se introduce el
marco general en que se desarrolla la transformada de Laplace: funciones suficientemente suaves y variable de
Laplace real. Se explica en qu sentido se define la inversa de esta transformada y se presentan ejemplos de clculo
tanto de la transformada directa como de la inversa. Se demuestra la frmula de la transformada de la derivada
y se presenta la aplicacin de este resultado a la resolucin de ecuaciones diferenciales lineales a coeficientes
constantes. Se introduce la transformada de Fourier y se presenta un ejemplo de clculo de esta transformada.
7.1.
Transformada de Laplace. Transformada inversa. Linealidad
Definicin 91. Sea f : R R una funcin de la variable real t. Se dice que f es continua por secciones si en cada
intervalo finito donde f est definida, f es continua excepto posiblemente en un nmero finito de puntos. Adems,
en los puntos de discontinuidad, los lmites laterales de la funcin f existen.
En la figura 7.1 se presenta un ejemplo de una funcin continua por secciones. En particular, toda funcin
continua es continua por secciones.
Figura 7.1. Ejemplo de una funcin f (t) continua por secciones. Los puntos marcan los valores de la funcin en
los saltos
Teorema 37. Sea f (t) una funcin continua por secciones en R+ . Se supone que existen constantes M 0 y
R tales que
|f (t)| M et
(7.1)
para todo t 0.1 Entonces, la integral impropia
Z
F (s) = lm
1 Se
dice que la funcin f es de orden exponencial.
est f (t)dt
(7.2)
252
existe para todo s > donde

= nf { R tal que se cumple la desigualdad 7.1}
(7.3)
De esta manera, se ha definido una nueva funcin F : (

, +) R que asocia al elemento s (
, +) la
integral impropia de la ecuacin 7.2.
Definicin 92. La aplicacin que a la funcin f asocia la funcin F se llama transformada de Laplace2 y se nota
L. Es decir, F = L(f ).
Con esta notacin, la ecuacin 7.2 puede escribirse como
Z T
Z
L(f )(s) = lm
est f (t)dt =
T
est f (t)dt
(7.4)
Para simplificar las notaciones, se usa a menudo L(f ) en lugar de L(f )(s) en la ecuacin 7.4.
Ejemplo 141. Sea f : R+ R la funcin definida como f (t) = 1 para t 0. Encontrar la transformada de
Laplace de f .
Solucin. Para poder calcular la transformada de Laplace 7.4, primero hay que verificar que existe. Para ello,
se aplica la proposicin 37, tenindose que se verifican dos condiciones:
1. f continua por secciones: al ser f (t) = 1 constante, f es continua en R+ y en particular es continua por
secciones.
2. f de orden exponencial: escogiendo M = 1 y = 0, est claro que f verifica |f (t)| M et = 1 para todo
t 0.
Con eso se deduce de la proposicin 37 que la transformada de Laplace existe para todo s > donde est
definida por la ecuacin 7.3. Para determinar el valor de , se nota que la desigualdad 1 = |f (t)| M et no
se cumple para < 0 porque en este caso lm M et = 0 < 1. Es decir, = 0. La proposicin 37 asegura la
t
existencia de la transformada de Laplace F (s) de la funcin f (t) para todo s > = 0.

Para todo T 0 tenemos
T
Z T
Z T
1
1
1
est f (t)dt =
est dt = est = esT +
s
s
s
0
0
0
En consecuencia, de la ecuacin 7.4 se obtiene
Z T
1
1
F (s) = lm
est f (t)dt = lm esT +
T 0
T
s
s
(7.5)
Como s > 0, lm esT = 0 y por tanto,

T
F (s) =
1
s
para todo
s>0
(7.6)
El cuadro 7.1 recoge las transformadas de Laplace de algunas funciones usuales. En este cuadro, las funciones
f (t) estn definidas en R+ . En R , el valor que toma f (t) no es importante, ya que la transformada de Laplace
es una integral de cero al infinito. En la figura 7.2 se presentan varias funciones que tienen la misma transformada
de Laplace F (s) = 1/s. Para determinar transformadas de Laplace de funciones que no estn en dicho cuadro, se
usan algunas propiedades de la transformada como la linealidad.
2 En la ecuacin 7.2, se considera habitualmente que s es un nmero complejo. En este curso, el estudio de la transformada de Laplace se
limitar a s real.
253
Figura 7.2. Ejemplo de funciones que tienen la misma transformada de Laplace. En el cuadro superior derecho, la
funcin no est definida en R
Teorema 38. La transformada de Laplace es una operacin lineal; es decir, para cualesquiera funciones f (t) y
g(t) cuyas transformadas de Laplace existan y para cualesquiera constantes a y b,
L [af (t) + bg(t)] = aL [f (t)] + bL [g(t)]
(7.7)
Ejemplo 142. Sea la funcin f (t) = 2e5t sen(t). Encontrar L(f ).

Solucin. Usando la linealidad de la transformada de Laplace se obtiene

L (f (t)) = 2L e5t L (sen(t))
De la fila 4 del cuadro 7.1 se obtiene

L e5t =
1
s5
De la fila 6 del cuadro 7.1 se obtiene

L (sen(t)) =
Con lo cual
L (f (t)) =
s2
1
+1
2
1
2
s5 s +1
(7.8)
(7.9)
(7.10)
(7.11)
para s > 5.
Ahora, sea F la transformada de Laplace de la funcin f que est definida en R+ . Puede existir otra funcin
g definida en R+ , diferente de f , tal que L(g) = F ? La respuesta es s. Por ejemplo, si f y g difieren en un
slo punto, se tiene L(f ) = L(g). Ms generalmente, si f y g difieren en un conjunto que no afecta a la integral,
entonces tienen la misma transformada de Laplace.3 De esta manera se puede definir una relacin de equivalencia
donde dos funciones son equivalentes si tienen la misma transformada de Laplace. Dada una funcin f , la clase de
equivalencia que contiene f es nica y se nota f.
Definicin 93. La aplicacin que a la funcin F asocia la clase de equivalencia f es la transformada inversa de
Laplace y se nota L1 . Es decir, f = L1 (F ).
3 La
caracterizacin de este conjunto hace intervenir la teora de la medida, saliendo del marco de este curso.
254
Cuadro 7.1. Algunas funciones f (t) y sus transformadas de Laplace F (s)

f (t)
1
tn
eat
cos(t)
sen(t)
cosh(at)
senh(at)
1
tn1 eat
(n 1)!
p
p n en t sen n 1 2 t
1 2
9
10
F (s)
1
s
1
s2
n!
sn+1
1
sa
s
s2 + 2
2
s + 2
s
s2 a 2
a
s2 a 2
1
(s + a)n
n2
s2 + 2n s + n2
Nota
s>0
s>0
n > 0 entero, s > 0
s>a
s>0
s>0
s > |a|
s > |a|
n > 1 entero, s > a
|| < 1, n > 0, s > n
En general, dada una funcin F (s), es suficiente hallar una funcin f (t) tal que L(f ) = F (con la ayuda del
cuadro 7.1, por ejemplo). Una vez se tiene f , se sobreentiende que la transformada inversa de Laplace de F es f.
Teorema 39. La transformada inversa de Laplace es una operacin lineal; es decir, para cualesquiera funciones
f (t) y g(t) cuyas transformadas de Laplace F (s) y G(s) existan y para cualesquiera constantes a y b,
L1 [aF (s) + bG(s)] = aL1 [F (s)] + bL1 [G(s)]
(7.12)
s
. Encontrar L1 (F ).
(s 1)(s + 3)
Solucin. Primero se busca F (s) en la segunda columna del cuadro 7.1. Al no encontrarla, hay que expresar F (s)
como suma de funciones que s salgan en el cuadro y aplicar entonces la linealidad de L1 . Cuando F (s) es
una fraccin racional, se tiene que descomponer en elementos simples para encontrar la transformada inversa de
Laplace. En este caso se obtiene
Ejemplo 143. Sea F (s) =
A
B
(A + B)s + 3A B
s
=
+
=
(s 1)(s + 3)
s1 s+3
(s 1)(s + 3)
(7.13)
Las constantes A y B tienen que verificar

A+B
3A B
(7.14)
Resolviendo este sistema de dos ecuaciones con dos incgnitas, se obtiene A = 1/4 y B = 3/4. As, de la ecuacin
7.13 se obtiene
1
3 1
1
1
3
1 1
1
+ L
= et + e3t
(7.15)
L (F (s)) = L
4
s1
4
s+3
4
4
En la ecuacin 7.15 se han usado la linealidad de la transformada inversa de Laplace y la fila 4 del cuadro 7.1.
255
7.2.
Transformada de la derivada. Resolucin de ecuaciones diferenciales
Teorema 40. Sea f : R+ R una funcin continua. Se supone que existen constantes M 0 y R tal que
|f (t)| M et
(7.16)
para todo t 0. Suponer adems que la funcin f (t) tiene una derivada f 0 (t) que es continua por secciones en
R+ . Entonces, la transformada de Laplace de la derivada f 0 (t) existe para todo s > donde
y
L(f 0 ) = sL(f ) f (0)
(7.17)
Demostracin. Se considera primero el caso en que f 0 (t) es continua para todo t 0. Entonces, por la definicin
y al integrar por partes,
Z
0
L(f ) = lm
e
0
Z T
st
T
f (t)dt = lm e f (t) 0 + s lm
est f (t)dt
T
T 0
=
lm esT f (T ) f (0) + sL(f )
st 0
Por otro lado,
sT
e
f (T ) M esT e T = M e( s)T
(7.18)
(7.19)
Para todo s > , lm M e( s)T = 0, lo que implica lm esT f (T ) = 0. Se termina as la demostracin cuando
T
f 0 (t) es continua.
Cuando f 0 slo es continua por secciones, la demostracin es muy similar; en este caso, el rango de integracin
en la integral original 7.4 debe descomponerse en partes tales que f 0 sea continua en cada una de ellas.
Nota 18. La condicin de continuidad de la funcin f en el teorema 40 es importante (ver problema resuelto 7.5).
La continuidad en t = 0 quiere decir que se cumple f (0+ ) = lm+ f (t) = f (0).
t0
Ejemplo 144. Usando la transformada de Laplace, resolver la ecuacin diferencial y 0 y = 0 con la condicin
inicial y(0) = 1.
Solucin. Aplicando la transformada de Laplace, se obtiene
L (y 0 ) L(y) = L(0)
(7.20)
Usando el teorema 40 junto con el hecho que L(0) = 0, se obtiene

sL(y) y(0) L(y) = 0
(7.21)
Esta ecuacin se llama la ecuacin subsidiaria. Como y(0) = 1, se deduce de la ecuacin 7.21 que
L(y) =
1
s1
De la fila 4 del cuadro 7.1 se obtiene la solucin y(t) = et para todo t 0.

De manera general, se puede calcular la transformada de Laplace de la derivada de cualquier orden.
(7.22)
256
Teorema 41. Sea f : R+ R una funcin que tiene derivadas f 0 (t), f 00 (t), , f (n1) (t) todas continuas en
R+ . Se supone que existen constantes M 0 y R tales que
(i)
(7.23)
f (t) M et i = 0, 1, , n 1
para todo t 0. Adems, se supone que la funcin f (t) tiene una derivada f (n) (t) que es continua por secciones
en R+ . Entonces, la transformada de Laplace de la derivada f (n) (t) existe para todo s > donde
y
L(f (n) ) = sn L(f ) sn1 f (0) sn2 f 0 (0) f (n1) (0)
Ejemplo 145. Resolver
y 00 y = t,
y(0) = 1,
y 0 (0) = 1
(7.24)
(7.25)
Solucin. Primero se obtiene la ecuacin subsidiaria aplicando la transformada de Laplace en la ecuacin 7.25
s2 L(y) sy(0) y 0 (0) L(y) = L(t)
(7.26)
Usando los valores de las condiciones iniciales, se obtiene

(s2 1)L(y) = s + 1 +
1
s2
(7.27)
con lo cual
L(y) =
=
Con lo cual
y(t)
= L
s+1
1
+ 2 2
2
s 1 s (s 1)
1
1
1
+
s1
s2 1 s2
1
s1
+L
1
2
s 1
(7.28)
1
s2
= et + senh(t) t
En la figura 7.3 se resume el enfoque aplicado. La ventaja principal de este mtodo en comparacin con el del
captulo 5 es que no hace falta saber la forma de la solucin particular en el caso de ecuaciones diferenciales no
homogneas.
En el ejemplo anterior, se ha podido determinar la transformada inversa a partir del cuadro 7.1 gracias a la
relacin
1
1
1
= 2
2
(7.29)
2
2
s (s 1)
s 1 s
Se presenta a continuacin una manera sistemtica para obtener simplificaciones de este tipo. Se necesita descomponer la fraccin racional obtenida en elementos simples, y por eso hay que determinar las races del denominador
de 1/s2 (s2 1). Son 0 (raz doble), -1 y 1. Por tanto
1
s2 (s2 1)
=
=
A
B
C
D
+ 2+
+
s
s
s1 s+1
(A + C + D)s3 + (B + C D)s2 As B
s2 (s2 1)
(7.30)
(7.31)
257
Figura 7.3. Mtodo de la transformada de Laplace

donde A, B, C, y D son constantes a determinar. Comparando el numerador de la fraccin obtenida en la ecuacin
7.31 y el numerador de la fraccin que se quiere descomponer, se deduce
A+C +D
B+C D
A
B
=
=
=
=
0
0
0
1
(7.32)
(7.33)
(7.34)
(7.35)
De las ecuaciones 7.34 y 7.35 se obtienen los valores A = 0 y B = 1. Sumando las ecuaciones 7.32 y 7.33 se
obtiene
1 + 2C = 0
(7.36)
Es decir C = 1/2. Sabiendo los valores de A y C, el valor de D se obtiene a partir de la ecuacin 7.32, D = 1/2.
Se puede ahora comprobar que la relacin 7.29 se obtiene a partir de la descomposicin 7.30.
Notar que para poder aplicar la transformada de Laplace en una ecuacin diferencial, hay que asegurar que su
solucin verifica las condiciones del teorema 41. De ah el inters del resultado siguiente.
Teorema 42. Sea la ecuacin diferencial
y (n) (t) + an1 y (n1) (t) + + a1 y 0 (t) + a0 y(t) = f (t)
(7.37)
donde a0 , a1 , , an1 son constantes reales y f (t) es una funcin continua en R+ que verifica una desigualdad
de la forma 7.16. Entonces las soluciones de la ecuacin diferencial verifican las condiciones del teorema 41.
7.3.
Transformada de Laplace de la integral
Teorema 43. Sea f (t) una funcin continua por secciones y satisface una desigualdad de la forma 7.16, entonces
Z t
1
L
f ( )d = L (f (t)) s > 0, s >
(7.38)
s
0
Ejemplo 146. Sea L(f ) = 1/s(s2 + 2 ). Encontrar f (t).
Solucin. Del cuadro 7.1 se tiene
1
s2 + 2
1
sen(t)
(7.39)
258
A partir de esta expresin y de la igualdad 7.38, se obtiene

Z
1
1 t
1
1 1
L
=
sen( )d = 2 (1 cos(t))
s s2 + 2
0
7.4.
Traslacin en s, funcin escaln unitario, traslacin en t
7.4.1.
Traslacin en s
(7.40)
Sea f (t) una funcin continua por secciones que verifica la desigualdad 7.16. Se denota la transformada
L [f (t)] = F (s). Entonces, eat f (t) tiene la transformada de Laplace F (s a) (ver Fig. 7.4) donde s a > , es
decir
L eat f (t) = F (s a)
(7.41)
Figura 7.4. Traslacin en s
7.4.2.
Funcin escaln unitario
La funcin escaln unitario (o funcin de Heaviside) u : R R est definida como sigue (ver Fig. 7.5)
0 si t < 0
u(t) =
1 si t > 0
No hace falta definir esta funcin en cero. De la primera fila del cuadro 7.1, se obtiene
L [u(t)] =
7.4.3.
1
s
Traslacin en t
Sea f (t) una funcin continua por secciones que verifica la desigualdad 7.16. Se denota la transformada
L [f (t)] = F (s). Entonces
L [f (t a)u(t a)] = eas F (s)
(7.42)
En particular, si f (t) = 1 para todo t R, entonces f (t a)u(t a) = u(t a) para todo t R. Con lo cual,
usando la relacin 7.42 se obtiene
eas
L [u(t a)] =
s
259
Figura 7.5. Funcin escaln unitario

Ejemplo 147. Calcular la transformada de Laplace de la funcin definida a trozos
( t
e t<2
f (t) =
t t>2
Resolucin
Paso 1. Expresar f (t) en trminos de la funcin de Heaviside:
f (t) = et (1 u(t 2)) + tu(t 2)
f (t) = et et u(t 2) + tu(t 2)
Paso 2. Aplicar la frmula, teniendo en cuenta que la funcin que multiplica Heaviside tiene que estar trasladada
en a = 2.
Como et = et2+2
L(f ) = L(et ) L(et u(t 2)) + L(tu(t 2))

1
=
L(et u(t 2)) + L(tu(t 2))
s1
= e2 et2 , se tiene que
L et u(t 2) = e2 L et2 u(t 2)

= e2
e2s
s1
Como t = t 2 + 2, se tiene que

L (tu(t a)) = L ((t 2) u(t 2)) + 2L (u(t 2))
=
Por lo tanto,
e2s
e2s
+
2
s2
s
1
e2s
e2s
e2s
e2
+
+
2
s1
s1
s2
s
La figura 7.6 ilustra un ejemplo donde sale la traslacin en el tiempo. Debido a la distancia entre el resistor
R y el punto P donde se mide la temperatura T , el flujo de aire necesita un tiempo para llegar de R a P
( es un tiempo de retardo). Esto implica que la temperatura T (t) en el instante t no depende de la corriente
elctrica I(t) en el resistor, sino de I(t ). Es decir, T (t) = f (I(t )). Habitualmente, la traslacin en el
tiempo est relacionada con retardos que ocurren en problemas de transporte de materia (por ejemplo, en cintas
transportadoras) o de informacin (por ejemplo, en la red).
L(f ) =
260
Figura 7.6. Ilustracin de un retardo
7.5.
Convolucin
Sean f : R+ R y g : R+ R dos funciones integrables. Se denomina convolucin de f y g, y se nota

f g la funcin h : R+ R definida como
Z
h(t) = (f g)(t) =
f ( )g(t )d
(7.43)
Se supone adems que f y g son continuas por secciones y verifican la desigualdad 7.16. Sean L [f (t)] = F (s),
L [g(t)] = G(s), y L [h(t)] = H(s), entonces se puede demostrar que
H(s) = F (s)G(s)
(7.44)
Como aplicacin de este resultado, sea la ecuacin diferencial

y 0 (t) + ay(t) = f (t),
y(0) = 0
(7.45)
donde a R y f (t) es una funcin continua por secciones que verifica la desigualdad 7.16. Para calcular la
solucin de esta ecuacin diferencial se aplica la transformada de Laplace
L(y 0 ) + aL(y) = (s + a)L(y) = L(f )
(7.46)
Y (s) = F (s)G(s)
(7.47)
lo que conduce a
donde Y (s) = L(y), F (s) = L(f ), G(s) = 1/(s + a). La solucin de la ecuacin diferencial 7.45 viene dada por
las relaciones 7.43 y 7.44 como
Z t
f ( )g(t )d
(7.48)
y(t) =
0
donde
g(t) = L
Es decir
Z
y(t) =
1
s+a
= eat
f ( )ea(t ) d
(7.49)
(7.50)
La utilidad de la transformada de Laplace en este caso es que permite tener una expresin explcita de la solucin
y(t): dada la funcin f (t), se puede calcular la solucin y(t) de 7.45 usando la relacin 7.50. Esta metodologa
puede aplicarse tambin para ecuaciones diferenciales de orden superior.
261
7.6.
Sistemas de ecuaciones diferenciales
La transformada de Laplace puede tambin usarse para resolver sistemas de ecuaciones diferenciales. El mtodo se explica en trminos de un ejemplo.
Ejemplo 148. Resolver el sistema de dos ecuaciones diferenciales
y10
2y1 + y2
y20
y1 2y2
(7.51)
(7.52)
con las condiciones iniciales y1 (0) = y2 (0) = 1.

Solucin. Aplicando la transformada de Laplace en las dos ecuaciones diferenciales se obtiene
sL(y1 ) y1 (0) =
sL(y2 ) y2 (0) =
2L(y1 ) + L(y2 )
L(y1 ) 2L(y2 )
(7.53)
(7.54)
Las ecuaciones 7.53 y 7.54 son un sistema lineal de dos ecuaciones con dos incgnitas L(y1 ) y L(y2 ). La resolucin
de este sistema usando los valores de las condiciones iniciales da
L(y1 ) =
L(y2 ) =
s+3
s2 5
s1
s2 5
(7.55)
(7.56)
Aplicando la transformada inversa de Laplace, se obtienen las funciones y1 (t) e y2 (t) usando el cuadro 7.1.
s
3
1
1
y1 (t) = L1
+
3L
= cosh( 5t) + senh( 5t)
2
2
s 5
s 5
5
s
1
1
y2 (t) = L1
L1
= cosh( 5t) senh( 5t)
2
2
s 5
s 5
5
7.7.
Transformada de Fourier
Mientras la transformada de Laplace se usa para la descripcin de sistemas fsicos y la resolucin de ecuaciones
diferenciales, la transformada de Fourier es til para la descripcin del contenido frecuencial de seales.
Definicin 94. Una funcin f : R R es absolutamente integrable si f es integrable y si el lmite
Z
lm
|f (t)|dt =
T
|f (t)|dt
es finito.
Teorema 44. Sea f : R R una funcin continua por secciones y absolutamente integrable. Entonces la integral
impropia
Z T
Z
1
1
f (t)eit dt =
f (t)eit dt
(7.57)
f() = lm
T
2 T
2
existe y es finita.
De esta manera se ha definido una nueva funcin f : R C que a cada nmero real asocia el nmero
complejo f().
262
Definicin 95. La aplicacin que a la funcin f asocia la funcin f se llama transformada de Fourier y se nota
F. Es decir, f = F(f ).
De la ecuacin 7.57, usando la frmula de Euler4 , se obtiene
Z
Z
1
F(f )() = f () =
f (t) cos (t) dt i
f (t) sen (t) dt
2
(7.58)
Para simplificar la notacin, se usa a menudo F(f ) en lugar de F(f )() en la ecuacin 7.58.
Ejemplo 149. Sea la funcin f (t) definida como sigue
1 si 0 < t < 1
f (t) =
0 en caso contrario
Determinar la transformada de Fourier de f .
Solucin. Sea f = F(f ). Se supone primero que 6= 0. En este caso, la parte real de f() se obtiene de la
ecuacin 7.58 como
1
Z 1
1
1
1
sen()
Re f() =
cos (t) dt =
(7.59)
sen (t) =
2 0
2
2
0
La parte imaginaria de f() se obtiene de la ecuacin 7.58 como
1
Z 1
1
1
1
cos() 1
Im f() =
sen (t) dt =
cos (t) =
2 0
2
2
0
(7.60)
de tal manera que

sen() cos() 1
f() =
+
i
2
2
Si = 0, cos(t) = 1 y sen(t) = 0. En este caso, f() se obtiene de la ecuacin 7.58 como
Z 1
1
1
f (0) =
dt =
2 0
2
7.8.
(7.61)
(7.62)
Problemas resueltos
PR 7.1. Determinar la transformada de Laplace de la funcin f (t) = (t + 1)t .

Resolucin
La funcin f es continua en R+ . Queda comprobar si hay dos constantes M 0 y R tal que se verifica la
desigualdad 7.16. Si esto ocurre, entonces para toda t 0 se obtiene
lo que implica
f (t) = et ln(t+1) M et
(7.63)
et[ln(t+1)] M
(7.64)
Como lm ln(t + 1) = se deduce que lm et[ln(t+1)] = con lo cual la desigualdad 7.64 no puede ocurrir
t
t
para valores grandes de t. Esto implica que la funcin f no tiene transformada de Laplace.
4 eia
= cos(a) + i sen(a)
263
>
# El comando laplace de Maple nos permite calcular transformadas de Laplace
>
with(inttrans):
>
f:=t->(t+1)^t:
>
laplace(f(t),t,s);
>
# En este caso Maple no es capaz de devolver la solucin
>
# Vamos a comprobar si se verifica la igualdad siguiente
>
abs(f(t))<=M*exp(gamma*t);
>
# Como f(t)>0 para t>0, tenemos que ver que:
>
f(t)<=M*exp(gamma*t);
t
laplace (t + 1) , t, s
t
(t + 1) M e t
(t + 1) M e t
>
# Dividimos los dos trminos por exp(gamma*t)
>
lhs(%)/exp(gamma*t)<=rhs(%)/exp(gamma*t);
t
>
# Simplificamos
>
simplify(%);
(t + 1)
M
e t
(t + 1) e t M
>
limit(lhs(%),t=infinity);
>
# Como el lmite de (t+1)^t*exp(-gamma*t) en infinito es infinito,

#
esta expresin no es acotada para todo t, no puede ser menor que M
>
# Por lo tanto no existe la transformada de Laplace de f(t)
PR 7.2. Usando la transformada de Laplace, resolver la ecuacin diferencial

y 00 = ay 0
(7.65)
s2 L(y) y(0)s y 0 (0) = a (sL(y) y(0))
(7.66)
donde a R.
Resolucin
Aplicando la transformada de Laplace se obtiene
es decir
L(y) =
y(0)
y 0 (0) ay(0)
y(0)s + y 0 (0) ay(0)
=
+
s(s a)
sa
s(s a)
(7.67)
Como la forma de la transformada inversa no es la misma si las races del denominador son iguales o distintas, se
tienen que discutir dos casos: a = 0 y a 6= 0.
Caso a = 0
En este caso, se obtiene de la ecuacin 7.67
L(y) =
y(0) y 0 (0)
+ 2
s
s
(7.68)
264
Aplicando la transformada inversa de Laplace en la ecuacin 7.69, se deduce

1
1
y(t) = y(0)L1
+ y 0 (0)L1
= y(0) + y 0 (0) t
s
s2
(7.69)
Caso a 6= 0
Haciendo una descomposicin en elementos simples, se obtiene
A
B
(A + B)s aA
1
= +
=
s(s a)
s
sa
s(s a)
(7.70)
con lo cual se deduce

A+B =
aA =
1
1
De este sistema de dos ecuaciones a dos incgnitas se obtienen los valores de A = 1/a y B = 1/a. Aplicando
la transformada inversa de Laplace en la ecuacin 7.67 resulta
1
1 1 1
1 1
1
1
0
y(t) = y(0)L
+ [y (0) ay(0)] L
+ L
sa
a
s
a
sa
y 0 (0) 1
1
y 0 (0)
1
=
L
+ y(0)
L1
a
sa
a
s
y 0 (0) at
y 0 (0)
=
e + y(0)
(7.71)
a
a
>
# Para resolver ecuaciones diferenciales mediante la transformada de Laplace

#
con Maple se hace mediante los siguientes pasos:
#
1.- se define la ecuacin diferencial
#
2.- se aplica la transformada de Laplace a la ecuacin
#
3.- se sustituyen las condiciones iniciales (si son conocidas)
#
4.- se agrupan los trminos que contienen la transformada de Laplace
#
5.- se asla la transformada de Laplace
#
6.- se determina la transformada inversa
>
with(inttrans):
>
eq_dif:=diff(y(t),t,t)-a*diff(y(t),t)=0;
eq_dif :=
>
laplace(eq_dif,t,s);
d2
d
y (t) a y (t) = 0
dt2
dt
s2 laplace (y (t) , t, s) D (y) (0) sy (0) aslaplace (y (t) , t, s) + ay (0) = 0

>
collect(%,laplace(y(t),t,s));
>
Ly:=solve(%,laplace(y(t),t,s));
as + s2 laplace (y (t) , t, s) + ay (0) D (y) (0) sy (0) = 0
Ly :=
ay (0) D (y) (0) sy (0)

s (s + a)
>
solve(s*(-s+a),s);
>
# Si a=0 el denominador tiene como raiz doble s=0.

# Si no el denominador tiene dos raices distintas, s=0 y s=a.
0, a
265
>
# Caso a=0
>
Lya0:=subs(a=0,Ly);
Lya0 :=
>
invlaplace(%,s,t);
>
# Caso a=/=0
>
invlaplace(Ly,s,t);
D (y) (0) sy (0)

s2
D (y) (0) t + y (0)
D (y) (0) (1 + eat )

a
PR 7.3. Encontrar la transformada de Laplace de la funcin (ver Fig. 7.7).
y (0) +
Figura 7.7. Funcin f (t)
2
0
f (t) =
sen(t)
si t < 0 <
si < t < 2
si t > 2
Resolucin
Se escribe f (t) en trminos de funciones escaln. Para 0 < t < se toma 2u(t). Para t > se quiere el valor cero,
por lo que debe restarse la funcin escaln 2u(t ) con escaln en . Se tiene entonces 2u(t) 2u(t ) = 0
cuando t > . Esta expresin est bien hasta llegar a 2 donde se quiere que entre sen(t); as que se suma
u(t 2) sen(t). En conjunto
f (t) = 2u(t) 2u(t ) + u(t 2) sen(t)
(7.72)
En esta ecuacin, el ltimo trmino es igual a u(t 2) sen(t 2) debido a la periodicidad de la funcin seno,
por lo que las ecuaciones 7.72, 7.42 y el cuadro 7.1 dan
L(f ) =
>
2 2es
e2s
+ 2
s
s
s +1
f:=t->piecewise(0<t and t<Pi,2,Pi<t and t<2*Pi,0,sin(t)):

f(t)=f(t);
0 < t and t <

2
0
< t and t < 2
f (t) =
sin (t) otherwise
>
with(inttrans):
>
Lf:=laplace(f(t),t,s);
266
e2 s
1 e s
+
2
s2 + 1
s
Lf :=
>
# Dibujamos f(t)
>
plot(f(t),t=0..6*Pi,discont=true,thickness=3);
2
10
12
14
16
18
K1
>
# Dibujamos su transformada
>
plot(Lf,s=0..6*Pi,discont=true,thickness=3);
7
6
5
4
3
2
1
10
12
14
16
18
PR 7.4. Determinar la transformada inversa de Laplace de la funcin

F (s) =
sa
(s b)(s c)
(7.73)
donde a, b, c son constantes reales.

Resolucin
Como la forma de la transformada inversa no es la misma si las races del denominador son iguales o distintas, se
tienen que discutir dos casos: b = c y b 6= c.
Caso b = c
En este caso, descomponiendo F (s) en elementos simples, se obtiene
A
B
A(s b) + B
As + B bA
sa
=
+
=
=
(s b)2
s b (s b)2
(s b)2
(s b)2
De esta ecuacin se obtiene el sistema de dos ecuaciones con dos incgnitas A y B
A
B bA
= 1
= a
(7.74)
267
lo que da B = b a. Aplicando la transformada inversa de Laplace en la ecuacin 7.74, se deduce
sa
1
1
1
1
1
L
= L
+ (b a)L
(s b)2
sb
(s b)2
=
ebt + (b a) t ebt
Caso b 6= c
En este caso, descomponiendo F (s) en elementos simples se obtiene
sa
A
B
(A + B)s Ac Bb
=
+
=
(s b)(s c)
sb sc
(s b)(s c)
(7.75)
De esta ecuacin se obtiene el sistema de dos ecuaciones con dos incgnitas A y B

A+B
Ac Bb
=
=
1
a
lo que da
A
ba
bc
ac
bc
Aplicando la transformada inversa de Laplace en la ecuacin 7.75, se deduce
sa
1
1
L1
= AL1
+ BL1
(s b)(s c)
sb
sc
b a bt a c ct
=
e +
e
bc
bc
>
F:=s->(s-a)/((s-b)*(s-c)):
F(s)=F(s);
F (s) =
>
with(inttrans):
>
# Caso b=c
>
invlaplace(subs(c=b,F(s)),s,t);
sa
(s b) (s c)
((b a) t + 1) ebt
>
# Caso b=/=c
>
invlaplace(F(s),s,t);
ebt (b a) + ect (c + a)
bc
PR 7.5. Se considera el circuito elctrico de la figura 7.8. En el instante t = 0 se cierra el interruptor K. Los datos
del problema son:
los valores R del resistor y C del condensador
el valor V0 del voltaje del condensador antes del cierre del interruptor
el valor E de la fuerza electromotriz del generador. En este ejemplo, E = 0.
268
Figura 7.8. Circuito elctrico

Se quiere determinar la corriente elctrica I(t) para toda t 0.
Resolucin
Sean VC (t) y VR (t) los voltajes a nivel del condensador y del resistor. Para t < 0 (antes del cierre del interruptor)
se sabe que VC (t) = V0 , con lo cual
lm VC (t) = VC (0 ) = V0
(7.76)
t0
Usando las leyes de Kirchhoff, se obtiene

E VC VR = 0
(7.77)
VC + VR = 0
(7.78)
Es decir
Por otra parte, la relacin entre corriente elctrica y voltaje a nivel del condensador es
VC0 (t) =
I(t)
C
(7.79)
y la ley de Ohm se escribe

VR (t) = R I(t)
(7.80)
En este ejemplo se toma como variable de resolucin el voltaje VC . De la ecuacin 7.79 se obtiene
y de la ecuacin 7.80 se obtiene

Usando ahora la ecuacin 7.78, se deduce
I = CVC0
(7.81)
VR = R C VC0
(7.82)
R C VC0 + VC = 0
(7.83)
Una de las propiedades fsicas de un condensador es que el voltaje VC es siempre continuo. Esta condicin se
traduce por la igualdad
VC (0 ) = VC (0+ ) = VC (0) = V0
(7.84)
Aplicando ahora la transformada de Laplace en la ecuacin 7.83, se obtiene la ecuacin subsidiaria
RCL (VC0 ) + L(VC ) = RC (sL(VC ) VC (0)) + L(VC ) = 0
Con lo cual
L(VC ) =
V0
1
s + RC
(7.85)
(7.86)
269
De la fila 4 del cuadro 7.1, se obtiene el voltaje

t
VC (t) = V0 e RC
(7.87)
para toda t 0. La ecuacin de la corriente elctrica se obtiene ahora a partir de la ecuacin 7.81
I(t) =
V0 t
e RC
R
(7.88)
para toda t > 0. En t = 0, la derivada VC0 (0+ ) = V0 /R, mientras VC0 (0 ) = 0. Por tanto, I(0) = VC0 (0) no est
definida cuando V0 6= 0.
En este ejemplo, se puede ver en la figura 7.9 que el voltaje VC (t) es continuo, y que la corriente I(t) es
discontinua en t = 0. La funcin I(t) puede extenderse por continuidad por la derecha poniendo por definicin
I(0) = I(0+ )
(7.89)
Figura 7.9. Evolucin de VC (t) y I(t) para R = 1M , C = 1F y V0 = 1V

Con esta notacin, el ejemplo podra haberse estudiado usando como variable de resolucin I(t) en lugar de
VC (t). En este caso, derivando la ecuacin 7.78 se obtiene
VR0 + VC0 = 0
(7.90)
I
=0
C
(7.91)
Usando las ecuaciones 7.79 y 7.80, se obtiene

RI 0 +
Aplicando la transformada de Laplace a la ecuacin 7.91, se obtiene

RL(I 0 ) +
1
1
L(I) = R (sL(I) I(0)) + L(I) = 0
C
C
Con lo cual
L(I) =
I(0)
1
s + RC
(7.92)
(7.93)
270
No obstante, la ecuacin 7.93 no permite determinar la corriente I(t), ya que I(0) es una incgnita: en efecto, se
sabe que para t < 0, el circuito estaba abierto y por tanto I(0 ) = 0. Pero I(0) = I(0+ ) 6= I(0 ), debido a que
la corriente en un condensador puede ser discontinua.
Como conclusin, cuando se trata de resolver una ecuacin diferencial en el contexto de circuitos elctricos
usando la transformada de Laplace, la eleccin de la variable de resolucin f (t) no es neutra. En efecto, habitualmente las condiciones iniciales de un circuito elctrico se dan antes del cierre del interruptor y corresponden
a f (0 ). Cuando se aplica la transformada de Laplace a la ecuacin diferencial del circuito elctrico, el trmino
f (0) de la ecuacin 7.17 corresponde siempre a f (0+ ), ya que se supone que f (t) es continua para t 0 (se usa la
extensin por continuidad si hace falta). Si la variable f (t) puede tener discontinuidades (como la corriente elctrica de un condensador), la transformada de Laplace obtenida no depende de f (0 ), que es el dato del problema,
sino de f (0) = f (0+ ) 6= f (0 ), que es una incgnita. Por tanto, cuando se trata de circuitos elctricos, hay que
escoger, como variables de resolucin, los voltajes a nivel de los condensadores y las corrientes elctricas a nivel
de los inductores (bobinas). Estas variables son siempre continuas.
>
with(inttrans):
>
eq_dif:=R*C*diff(VC(t),t)+VC(t)=0;
eq_dif := RC
>
d
VC (t) + VC (t) = 0
dt
RCslaplace (VC (t) , t, s) RCVC (0) + laplace (VC (t) , t, s) = 0

>
# Usamos las condiciones iniciales VC(0)=V0
>
eval(%,VC(0)=V0);
>
collect(%,laplace(VC(t),t,s));
RCslaplace (VC (t) , t, s) RCV0 + laplace (VC (t) , t, s) = 0

(RCs + 1) laplace (VC (t) , t, s) RCV0 = 0
>
LVC:=solve(%,laplace(VC(t),t,s));
LVC :=
>
RCV0
RCs + 1
VCsol:=invlaplace(%,s,t);
t
VCsol := V0 e RC
PR 7.6. Se considera la relacin 7.45 donde a 6= 0 y |f (t)| M para toda t 0. Comprobar que para toda t 0
|y(t)|
M
1 eat
a
Resolucin
y(t) es dada por la ecuacin 7.50, con lo cual
Z
|y(t)| M
ea(t ) d = M eat
0
ea d = M eat
1 a
e
a
t
=
0
M
1 eat
a
>
# consideramos la ecuacion diferencial y+ay=f con y(0)=0
>
eq_dif:=diff(y(t),t)+a*y(t)=f(t);
eq_dif :=
>
with(inttrans):
d
y (t) + ay (t) = f (t)
dt
271
>
slaplace (y (t) , t, s) y (0) + alaplace (y (t) , t, s) = laplace (f (t) , t, s)

>
eval(%,y(0)=0);
slaplace (y (t) , t, s) + alaplace (y (t) , t, s) = laplace (f (t) , t, s)

>
collect(%,laplace(y(t),t,s));
>
solve(%,laplace(y(t),t,s));
(s + a) laplace (y (t) , t, s) = laplace (f (t) , t, s)

laplace (f (t) , t, s)
s+a
>
invlaplace(%,s,t);
f (_U1 ) ea(t_U1 ) d_U1
0
>
>
# La solucin es
y:=t->int(f(tau)*exp(-a*(t-tau)),tau=0..t):
y(t)=y(t);
y(t) =
f ( ) ea(t ) d
0
>
# como |f(t)|<=M tenemos que
>
abs(y(t)) <= M*Int(exp(-a*(t-tau)), tau = 0 .. t);
|y(t)| M
ea(t ) d
>
# por lo tanto
>
abs(y(t)) <= M*int(exp(-a*(t-tau)), tau = 0 .. t);
M (eat 1)
a
PR 7.7. Determinar la transformada de Fourier de la funcin f (t) = sen(t).
|y(t)|
Resolucin
Primero hay que comprobar si la funcin es absolutamente integrable, es decir si
Z T
lm
|f (t)|dt
T
es finito. Dado T > 0, sea n la parte entera de T /; entonces T n, lo que da

Z T
Z n
| sen(t)|dt
| sen(t)|dt
T
(7.94)
Por otra parte, | sen(t + )| = | sen(t)|, con lo cual la funcin | sen(t)| es peridica de periodo . Haciendo un
cambio de variable u = t k y usando la periodicidad de | sen(t)|, se obtiene
Z (k+1)
Z
| sen(t)|dt =
| sen(u)|du
k
Usando ahora la ecuacin 7.94, se obtiene

Z n
Z (k+1)
k=n1
| sen(t)|dt = k=n
| sen(t)|dt
n
k
Z
= 2n
| sen(u)|du
0
(7.95)
272
Dado que sen(u) 0 para u [0, ], se deduce

Z
| sen(u)|du =
0
sen(u)du = [ cos(u)]0 = 2
Por tanto, la ecuacin 7.94 da
(7.96)
| sen(t)|dt 4n
(7.97)
Cuando T , n , con lo cual
lm
f (t)dt =
T
Esto implica que la funcin f no tiene transformada de Fourier.

>
f:=t->sin(t):
>
with(inttrans):
>
Ff:=fourier(f(t),t,s);
>
convert(Ff,piecewise);
Ff := i (Dirac (s 1) + Dirac (s + 1))
>
>
>
>
i undefined
i undefined
s = 1
s=1
otherwise
Ff:=piecewise(s=1, infinity, s=-1, infinity, 0);
Ff :=
s=1
s = 1
otherwise
# Vemos que en este caso la transformada de Fourier no es una funcin finita

#
por lo tanto la funcin f(t) no es absolutamente integrable
# Vamos a comprobarlo
# Vamos a ver si el siguiente lmite es finito
Limit(Int(abs(f(t)),t=-T..T),T=infinity)=limit(int(abs(f(t)),t=-T..T),T=infinity);
Warning, unable to determine if Pi*_Z4 is between -T and T;

try to use assumptions or set _EnvAllSolutions to true
Z
!
Z
!
T
T
lm
|sin (t)| dt = lm
|sin (t)| dt
T
>
# Consideraremos T = n*Pi, donde n es un entero positivo
>
assume(n,posint);
Limit(Int(abs(f(t)),t=-n*Pi..n*Pi),n=infinity)=
limit(int(abs(f(t)),t=-n*Pi..n*Pi),n=infinity);
>
lm
n
>
7.9.
|sin (t)| dt =
# Por lo tanto f(t) no es una funcin absolutamente integrable
PP 7.1. Transformada de Laplace de la funcin f (t) definida para t 0.
273
1. f (t) = a
Solucin: F (s) =
a
s
2. f (t) = t3 para t 0.
6
Solucin: F (s) = 4
s
3. f (t) = e

2+ 5t
para t 0.
e 2
Solucin: F (s) =
s 5
PP 7.2. Transformada inversa de Laplace de F (s)
1. F (s) =
1+s
.
s2 + 4
Solucin: f (t) =
1
sen(2t) + cos(2t)
2
2s
3
+ 2
s3 s 1
Solucin: f (t) = 3e3t + et + et
2. F (s) =
3. F (s) =
F1 (s)
s+a
Solucin: f (t) =
f1 ( )ea(t ) d donde f1 = L1 (F1 )
PP 7.3. Resolver la ecuacin diferencial y 00 + 3y 0 + 2y = r(t), donde r(t) es la funcin de la figura 7.10.
Figura 7.10. Funcin r(t)

Solucin: y(t) = f (t) f (t 1)u(t 1), donde u(t) es la funcin de Heaviside y
1
1
f (t) = et + e2t
2
2
PP 7.4. Resolver la ecuacin
diferencial
y 0 + y = a, donde a R usando la transformada de Laplace.
t
Solucin: y(t) = a 1 e
PP 7.5. Sea el sistema mecnico de la figura 7.11, donde k > 0 es el mdulo de cada uno de los tres resortes, y1 e
y2 son los desplazamientos de las masas desde sus respectivas posiciones de equilibrio esttico; se desprecian las
masas de los resortes y el amortiguamiento.
274
1. Comprobar que el sistema est descrito por las ecuaciones

y100
y200
= ky1 + k(y2 y1 )
= k(y2 y1 ) ky2
2. Determinar y1 (t) e y2 (t) para las condiciones iniciales y1 (0) = y2 (0) = 1, y10 (0) =
Figura 7.11. Sistema mecnico
Solucin: y1 (t) = cos( k t) + sen( 3k t), y2 (t) = cos( k t) sen( 3k t)

PP 7.6. Transformada de Fourier de f siendo a > 0.
at
e
f (t) =
0
Solucin: f() =
1
2(a + i)
t0
t<0
3k, y20 (0) = 3k
275
Bibliografa
APSTOL, T. M. Anlisis matemtico. Barcelona: Revert, 1960.

DEMIDOVICH, B. Problemas y ejercicios de anlisis matemtico. Paraninfo, 1976.
KREYSZIC, E. Matemticas avanzadas para ingenieros. Vols. 1 y 2. 3.a ed. Mxico: Limusa Wiley, 2000.
LARSON, R.; HOSTETLER, R. P.; EDWARDS, B. H. Clculo. Vol. 2. 5.a ed. Madrid: McGraw-Hill, 1995.
MARSDEN, J. E.; TROMBA, A. J. Clculo vectorial. 4.a ed. Mxico: Addison Wesley Longman, 1998.
SALAS, S. L.; HILLE, E. Clculo de una y varias variables. Barcelona: Revert, 1994.

Libro Mates II

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 II

Cargado por

Copyright:

Formatos disponibles

Clculo avanzado para Ingeniera.

Teora, problemas resueltos y aplicaciones

I. Arias, J.M. Gesto, J. Gibergans, F. Ikhouane, N. Pars, F. Pozo, G. Pujol, Y. Vidal

Clculo avanzado para Ingeniera

2. Funciones vectoriales de varias variables reales

Clculo avanzado para Ingeniera

3.2.1. Multiplicadores de Lagrange . . . . . . . . . . . . .

4. Integral mltiple y aplicaciones

5. Ecuaciones diferenciales ordinarias

Clculo avanzado para Ingeniera

7.1. Algunas funciones f (t) y sus transformadas de Laplace F (s) . . . . . . . . . . . . . . . . . . . . 254

Clculo avanzado para Ingeniera

4.1. Idea de la integral en el sentido de Riemann . . . . . . . . . . . . . . . . . . . . . . . . .

Masa suspendida de un muelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Clculo avanzado para Ingeniera

6.10. Orientacin de curvas planas . . . . . . . . . . . . . . . . . . . .

Clculo avanzado para Ingeniera

Lista parcial de notaciones matemticas

Clculo avanzado para Ingeniera

Matrices. Operaciones con matrices

Clculo avanzado para Ingeniera

traspuesta de A, AT MK (m n), mediante la igualdad [AT ]ij = aji , i = 1, . . . , m, j = 1, . . . , n. Tambin es

bTik aTkj = [B T AT ]ij .

Corolario 1. Si n N, entonces (A1 A2 . . . An )T = ATn ATn1 . . . AT1 .

MK (n n), mediante la igualdad [In ]ij = ij .

es la matriz identidad de orden 4.

Proposicin 3. Si A MK (n m), entonces A Im = A y In A = A.

aik kj = aij . La segunda igualdad se demuestra anlogamente.

Definicin 4. Si A MK (n n) y existe una matriz B MK (n n) tal que A B = B A = In , entonces se dice

Clculo avanzado para Ingeniera

Definicin 7. Sean A, B MK (n m). Se dice que B es equivalente a A si es posible transformar A en B

En el contexto de la Proposicin 8, tambin se tiene que

Clculo avanzado para Ingeniera

Teorema 1. Toda matriz A es equivalente a una merf. Adems, si B1 y B2 son merfs y A B1 y A B2 ,

y realicemos sobre B las oefs fr+1 fj , b1

Por tanto, si e1 = f1 f2 , e2 = f3 2f1 , e3 = f2 /2, e4 = f1 f2 y e5 = f3 + 2f2 , entonces merf (A) =

de manera que si e1 = f3 2f2 , e2 = f1 f3 , e3 = f2 + f3 /2, e4 = f3 /2, e5 = f1 f2 y e6 = f2 f3 ,

Clculo avanzado para Ingeniera

Sistemas de ecuaciones lineales

3x1 + 2x2 + 5x5

constituye un sistema de ecuaciones lineales de 3 ecuaciones con las 5 incgnitas x1 , x2 , x3 , x4 , x5 C.

de coeficientes del sistema es A = 1 0 0 1 i 0 , la matriz de incgnitas es X =

2x1 + x2 2x3 + 7x5

mismas soluciones porque si e1 = f2 + f1 , e2 = f3 f1 y e3 = f1 f3 , entonces

Teorema 2. Teorema de Rouch-Frobenius: sean A y A|B la matriz de coficientes y la matriz ampliada de un

es incompatible. Para verlo, busquemos la merf de la matriz ampliada del sistema:

Clculo avanzado para Ingeniera

Ejemplo 17. El sistema de ecuaciones lineales

es compatible determinado. En efecto, tenemos

0 = merf (A|B) = C|D.

es compatible indeterminado. Puede comprobarse que

Clculo avanzado para Ingeniera

Definicin 13. Sean E un conjunto, K un cuerpo conmutativo y dos funciones s : E E E, p : KE E.

s(x, y) = s(y, x).

s(s(x, y), z) = s(x, s(y, z)).

p(, s(x, y)) = s(p(, x), p(, y)).

p( + , x) = s(p(, x), p(, x)).

p( , x) = p(, p(, x)).

x + y = y + x (propiedad conmutativa de la suma).

1.3 0 E tal que x E

0 + x = x + 0 = x (existencia de un elemento neutro para la suma).

1.4 x E, x E tal que

x + (x) = (x) + x = 0 (existencia de un elemento opuesto para la

(x + y) = x + y (propiedad distributiva de la suma y el producto por un