1. ¿Qué es el cálculo diferencial e integral?

1 Introducción.
¿Qué es el cálculo diferencial e integral? ¿Por qué es útil conocer sus ideas? ¿Qué tipo de
problemas permite resolver?

El cálculo infinitesimal, o cálculo diferencial e integral como también suele llamarse, se

desarrolló a lo largo de la historia de una manera similar al desarrollo de otras ramas de las
matemáticas. No fue la mente de una única persona quien lo desarrolló ni se construyó en
forma progresiva y ordenada; más bien, se desarrolló sobre la base de numerosos trabajos,
ensayos y problemas estudiados a lo largo de mucho tiempo.
Sus inicios pueden encontrarse en la Antigua Grecia con los trabajos de Euclides, Arquímedes
y Apolonio. Luego, durante la Edad Oscura y la expansión territorial europea fueron los árabes
e hindúes quienes resguardaron y enriquecieron esos conocimientos griegos; hasta que en el
Renacimiento Occidental se renovó y profundizó la investigación científica como metodología
para conocer e intentar explicar los fenónemos de la naturaleza. En esta etapa, la historia del
cálculo infinitesimal puede describirse en tres grandes períodos: anticipación, el desarrollo
y la formalización (ver Figura 1).

Figura 1: Línea de tiempo correspondiente a los tres períodos que comprenden el desarrollo del cálculo.

Durante el período de anticipación fue cuando se comenzó a utilizar procesos infinitos para
encontrar el valor de áreas y encontrar máximos y mínimos de cantidades. En la etapa de
desarrollo, Issac Newton (1643 - 1727) y Gottfried Leibniz (1646 - 1716) reunieron todas
estas técnicas bajo los conceptos de derivada e integral. La última etapa, ya a partir del siglo
XIX, corresponde a la formalización del cálculo infinitesimal reformulando los desarrollos en
términos de límite de funciones numéricas y sucesiones.
Las técnicas y procedimientos del cálculo tuvieron mucho éxito y resultaron muy útiles para
explicar fenómenos concretos de otras ciencias como la física, ingeniería o la astronomía. Sus
desarrollos estuvieron íntimamente ligados al desarrollo de las teorías sobre la mecánica, el
electromagnetismo, la dinámica de fluidos, la acústica, la óptica, termodinámica, etc.

En las ciencias químicas o las ciencias biológicas la relación con el cálculo diferencial El reduccionismo es un término de
e integral se establace quizás de manera indirecta, o en términos reduccionistas, a través la sociología que se utiliza para de-
de la física y los conocimientos generados en los estudios del movimiento de partículas, la nominar el proceso mediante el cual
composición de la materia, la termodinámica, la cinética de gases, transporte de energía, etc. se quieren explicar los fenómenos de
Por ejemplo, es común que en los procesos biológicos aparezcan términos como: circulación una ciencia con los términos y pro-
de la sangre, bombas, presión, conexiones nerviosas, redes neuronales, dinámica poblacional, cedimientos de otra. Se dice que una
ciencia es reducida a otra ciencia
etc. O en el caso de sistemas químicos, se considere la intervención de una gran cantidad de
más general.
moléculas que, desde el punto de vista mecánico, se mueven y colisionan en forma aleatoria.
2 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

Otras áreas de la matemática apare-
cen en las ciencias naturales apor-
tando sus estructuras en otro tipo
de modelos, tales como los mode-
los geométricos en la estructura del
ADN o en la conformación de na-
notubos, la teoría de grafos en las
redes neuronales, la teoría de sime-
trías en la estructura de los cristales,
la estadística, etc.
Pero la relación más profunda entre la matemática y las ciencias naturales se establece a
través de la noción de modelo. En particular, los modelos matemáticos basados en el cálculo
diferencial e integral porque involucran el estudio de cómo cambian o cómo varían los
sistemas. Se trata del estudio de funciones, sus cambios y cómo son esos cambios. La posición
de un automóvil cambia en función del tiempo transcurrido, la cantidad de glucosa en la sangre
cambia según aumenta la cantidad de insulina, la velocidad a la que se realiza una reacción
química varía según la temperatura.
Presentaremos una versión resumida de la noción de modelo en la construcción del conoci-
miento científico. Los interesados en profundizar sobre el tema pueden consultar:

La noción de modelo en Ciencias. Olimpia Lombardi. Educación en Ciencias. Vol. II. Nro. 4.
https://drive.google.com/file/d/17BpXOp_984iknJ3X2P2m4BqLlkzpRiHw

2 Modelos matemáticos.
Sistema Real La relación entre la matemática y las ciencias naturales no se realiza de forma azarosa
o descontrolada; se enmarca en lo que se denomina modelos. Construimos modelos para
representar de alguna manera, alguna parte de la naturaleza, algún fenómeno o sistema real
que es de nuestro interés.
Modelo 1

Modelo 2
..
. Comenzamos diciendo que no existe el modelo de un sistema real dado, sino una multiplicidad
Modelo n
No existe el modelo del sistema. e idealizados, abstrayendo y reduciendo el problema bajo estudio sólo a las variables que se
Figura 2: Esquema orientativo so-
bre diferentes modelos que pueden
representar a un mismo sistema.
C La palabra modelo tiene múltiples interpretaciones que van desde la moda, cosmética
y belleza (las modelos de pasarela), la política (profundización del modelo, modelo
de desarrollo) hasta la connotación normativa como sinómimo de ejemplaridad (el
niño modelo). También existe en las matemáticas una concepción formalista de modelo
asociado a los sistemas axiomáticos. Por eso es necesario determinar con alguna precisión
a qué llamaremos modelo matemático y de esa manera evitar confusiones.
de modelos según los factores que se eligen, los postulados, las estructuras, etc. La elección
del modelo a utilizar depende del interés de cada caso particular (ver Figura 2).
Un sistema real es un sistema complejo, que involucra una gran cantidad de factores, por lo que
se vuelve complicado – y a veces imposible - tener en cuenta todas y cada una de las múltiples
características de sus elementos. Por este motivo se prefiere trabajar con sistemas simplificados
consideran relevantes. Esta reducción es lo que en ciencias experimentales (biología, química,
física, etc.) se denomina modelo.
Todos los modelos tienen un conjunto de definiciones y enunciados que le dan forma. Son
las hipótesis teóricas que se hacen sobre el sistema. En muchas ocasiones (vale aclarar que
no siempre ocurre, ni necesariamente tiene que ser así), estos enunciados se escriben en
términos matemáticos. Cuando nos referimos a modelo matemático nos referimos entonces a
la utilización de las herramientas matemáticas (funciones, geometría, etc.) y su propio lenguaje
matemático para modelar una situación correspondiente a un sistema real. Las herramientas
matemáticas podrían variar según las necesidades abarcando uno o varias disciplinas internas de
la matemática como el cálculo infinitesimal, la matemática discreta, la teoría de probabilidades,
la teoría de grafos, etc.

C En particular, en el marco del cálculo infinitesimal el planteo del modelo se realiza en

términos de las interacciones o las fuerzas que actuan en él y que producen cambios.
El cálculo es, en esencia, el estudio del cambio, ¿cómo cambian las cosas? Y el
concepto matemático fundamental son las funciones como forma de relacionar dos o
más cantidades numéricas.

A partir de las hipótesis y enunciados de partida es posible deducir consecuencias sobre el

modelo y el supuesto comportamiento del sistema. La utilidad y la validez del modelo propuesto
se testea mediante las consecuencias que sean observables en el sistema real, de manera
aproximada, dentro de un margen de error considerado aceptable. Los datos experimentales
3 Modelos empíricos y modelos deterministas. 3

(datos empíricos) y las predicciones teóricas deben contrastarse para determinar el grado de
validez del modelo construido y funcionar como sistema de retroalimentación. En algunos casos
se requiere hacer algunos ajustes; pero en otros casos corresponde abandonar completamente
el modelo.
En la Figura 3 se representa en forma esquemática la situación descripta anteriormente.

Sistema real Resultados

(físico, químico, biológico, etc.) experimentales

Se construye.
Comparación.
Confrontación.
Modelo matemático.
Ecuaciones, definiciones, fórmulas. Predicciones
Generalizaciones, simplificaciones. teóricas

Se aplica sobre el modelo.

Teoría, hipótesis, marco teórico.

Figura 3: Relación esquemática entre el modelo, el sistema real y la teoría.

Debemos distinguir los dos grandes niveles en la construcción de un modelo en las ciencias
experimentales:
• el sistema real, y
• el modelo construido.
Entre ambos, sistema real y modelo, se establece una relación compleja. En general sucede
que hay elementos del sistema que se descartan y por lo tanto no aparecen en el modelo que se
está considerando. También puede darse el caso inverso, pueden existir elementos del modelo
construido que no tienen su correspondiente en el sistema real.

3 Modelos empíricos y modelos deterministas.

Lo detallado en la Sección 2 corresponde formalmente a lo que se denomina modelo
determinista y se refiere al que construye un sistema de causas y consecuencias entre los
acontecimientos. De tal manera que conociendo los valores de ciertas magnitudes sería posible
determinar el sistema en su todo completo. Se establecen leyes o fórmulas que permiten
interrelacionar las magnitudes del sistema en forma exacta. Claro está que, al ser los modelos
una simplificación, la relación causa-efecto está supeditada a las simplificaciones que se
realizaron previamente. También se debe considerar que los datos observables nunca son
accesibles con 100 % de precisión por lo que las comparaciones y deducciones se analizan en
términos probabilísticos.

Existen otros modelos matemáticos, denominados modelos empíricos o modelos estadísticos,

que se construyen sólo a través de los datos experimentales observados sin que se pretenda
que los datos recolectados sigan una relación de causa-efecto asociada a alguna ley propia del
sistema. En estos modelos estadísticos las predicciones se realizan al ajustar algún modelo
determinista a los datos experimentales que sea lo más sencillo posible sin dejar de ser
representativo de la situación. Las descripciones se realizan en términos estadísticos.
4 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

C La palabra ajustar tiene varios significados en el lenguaje castellano usado coloquial-

mente. Por eso es necesario remarcar que en el contexto de los modelos estadísticos se
refiere como sinónimo de adecuar. O sea, se propone un modelo determinista que sea
adecuado a los datos experimentales recolectados. No hay que confundirse con otros
significados de la palabra ajuste, como por ejemplo: un ajuste económico (recorte en la
economía), un ajuste de cuentas (saldando alguna deuda como en la mafia), entre otras
opciones.

A continuación presentamos tres ejemplos de conjuntos de datos recolectados en distintas situaciones. En cada caso, el conjunto de
datos se presenta acompañado por una curva en azul que pretende ser un ajuste posible.

3.6
En los tres gráficos se presentan
3.4 a) un conjunto de datos experimentales representa-
Peso al nacer (en kg)

dos por los puntos • que expresan mediciones o

3.2 recopilación de datos de algún sistema real.
3 b) una curva azul que pretende modelizar el com-
portamiento de los datos experimentales dando
2.8 cuenta de algunas de sus características. Se llama
curva de ajuste.
2.6

2.4
34 35 36 37 38 39 40 41 42
Semanas de gestación
(a) Peso al nacer (en kg) vs. la cantidad de semanas de gestación de 32 bebés.

250 8
Población (en millones)

200
Riesgo hospitalario

6
150

100 4

50
2
0
1,800 1,850 1,900 1,950 2,000 6 8 10 12 14 16 18 20
Año Cantidad de semanas
(b) Población de EEUU (en millones de personas) (c) Riesgo hospitalario en 112 pacientes vs. la canti-
extraído de los censos realizados en cada década. dad de semanas de hospitalización.

Enfatizamos lo anteriormente dicho: Los modelos estadísticos no pretenden establecer

una relación de causa-efecto entre las magnitudes o variables involucradas. Los modelos
estadísticos no pretenden establecer leyes ni explicar el por qué de la situación. No está dentro
de sus posibilidades metodológicas. Se consideran de manera descriptiva para capturar algunas
de las características principales del sistema.
4 Modelos lineales 5

4 Modelos lineales El punto (x, y) pertence a

Como primer acercamiento a los modelos matemáticos, desarrollaremos algunos modelos la recta siempre y cuando
lineales, en ambas versiones: deterministas y estadísticos. se cumpla la ecuación
y = mx + b
Como repaso respecto a los modelos lineales debemos recordar algunas consideraciones de las
ecuaciones lineales y las rectas en el plano. eje y
Una recta en el plano (que no es vertical) es la gráfica correspondiente a una ecuación lineal de
la forma
(x, y)
y
y = mx + b (1)

de tal manera que cada punto P de coordenadas (x, y) de la recta satisface la ecuación 1.

El número m en la ecuación 1 se llama pendiente de la recta y permite determinar la

inclinación de la recta. Se calcula tomando dos puntos P1 = (x1, y1 ) y P2 = (x2, y2 ) x eje x

variación vertical ∆y y2 − y1 Figura 5: Una recta en el plano como

m= = = . la gráfica de una ecuación lineal.
variación horizontal ∆x x2 − x1
Las rectas verticales no tienen pendiente.

El número b en la ecuación 1, se llama ordenada al origen y representa la segunda coordenada

de la intersección de la recta con el eje de coordenadas vertical.

y
(x2, y2 )
y2
(x1, y1 ) y2 − y1
y1
x2 − x1
(0, b)

x1 x2 x

Figura 6: La pendiente como cociente de la variación vertical con la variación horizontal; y la

ordenada al origen como la segunda coordenada del punto de intersección con el eje y.

 Ejemplo 4.1 — Ecuación de una recta conociendo la pendiente y la ordenada al origen.

La ecuación de la recta con pendiente m = 3 y ordenada al origen b = −1 es

y = mx + b =⇒ y = 3x − 1.

 Ejemplo 4.2 — Ecuación de una recta conociendo la pendiente y punto que le pertenece.
La ecuación de la recta que pasa por el punto P = (−1, 3) y tiene pendiente m = −2 es

y − y0 = m(x − x0 ) =⇒ y − 3 = −2(x + 1).

Simplificando y despejando la variable y obtenemos y = −2x + 1. 

6 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

 Ejemplo 4.3 — Ecuación de una recta conociendo dos puntos que le pertenecen.
Para calcular la ecuación de la recta que pasa por los puntos P = (3, 1) y Q = (9, 6)
podemos proceder, en un primer paso, calculando la pendiente de la recta

y2 − y1 6 − 1 5
m= = =
x2 − x1 9 − 3 6
y en un segundo paso, determinando la ecuación de la recta procediendo como en el
Ejemplo 4.2 usando el valor calculado para m = 56 y el punto P = (3, 1)
5
y − y0 = m(x − x0 ) =⇒(x − 3). y−1=
6
El procedimiento será igualmente válido si consideráramos el otro punto Q = (9, 6). 

4.1 Modelos lineales deterministas

En todas las conversiones de mediciones (pesos, temperaturas, longitudes, etc.) se consideran

relaciones lineales. En particular, la fórmula que relaciona la temperatura en grados Celsius
[◦ C] con la temperatura en grados Fahrenheit [◦ F] es

9 ◦
[◦ F] = [ C] + 32
5

Actividad 1.1 Respondan las siguientes consignas, referidas a la conversión de grados

Celsius y grados Fahrenheit.

a) Se dice que el punto de congelación del agua pura (H2 O) es de 0◦ C. ¿A cuántos

grados Fahrenheit equivalen? ¿Y respecto al punto de ebullición del agua pura?

b) ¿Es cierto que 5◦ C es equivalente a 41◦ F? ¿Es cierto que 0◦ F equivalen a −18◦ C?

c) En el siguiente sistema de ejes cartesianos, representen la relación lineal de la

conversión entre grados Celsius y grados Fahrenheit.

120

100
grados Fahrenheit

80

60

40

0 10 20 30 40 50
grados Celsius

Figura 7: Relación lineal de conversión entre grados Celsius y Fahrenheit.


4 Modelos lineales 7

Actividad 1.2 La presión del aire suministrado por el regulador a un buzo varía linealmente
con la profundidad en el agua. Cuando el buzo está a 10 metros, el regulador entrega 2.02
atmósferas, mientras que a 20 metros, el regulador entrega 3.04 atmósferas. Encuentren la
presión de aire entregado en la superficie (0 metros de profundidad), a los 15 metros de
profundad, y a los 40 metros de profundidad (la profundidad máxima permitida para buceo
recreativo). Representen la relación entre la presión del aire y la profundidad en el agua.
presión del aire (en atmósferas)

Semanas de
2
gestación Peso al nacer
36 2.420
0 10 20 30 40 38 2.940
38 3.130
profundidad del buzo (en metros) 34 2.450
39 2.760
Figura 8: Relación lineal entre la presión del aire y la profundidad en el agua. 35 2.440
40 3.226
 42 3.301
37 2.729
4.2 Modelos lineales estadísticos 40 3.410
36 2.715
Como primer ejemplo de modelo lineal estadístico trabajaremos con un estudio realizado 39 3.095
con 32 bebés en el que se consignaron los datos de la cantidad de semanas de gestación al 39 3.130
momento de nacer y el peso (en kilogramos) del bebé al momento del nacimiento. Los datos 39 3.244
se presentan en la Tabla 1 y en la Figura 9. 35 2.520
39 2.928
3.6 41 3.523
42 3.446
3.4 38 2.920
39 2.957
Peso al nacer (en kg)

3.2 42 3.530
38 2.580
3 37 3.040
42 3.500
2.8 41 3.200
39 3.322
2.6 40 3.459
42 3.346
2.4 35 2.619
41 3.175
34 35 36 37 38 39 40 41 42 38 2.740
Semanas de gestación 36 2.841

Figura 9: Peso al nacer (en kg) vs. la cantidad de semanas de gestación de 32 bebés. Tabla 1: Peso al nacer (en kg) de 32
bebés y la cantidad de semanas de
gestación al nacer.
Actividad 1.3 Discutan en el grupo y escriban un párrafo que describa los datos tal como se
observan en la Figura 9. Por ejemplo, es interesante intentar responder las preguntas ¿los
datos están alineados? ¿tienen una forma específica? ¿alguna característica que se pueda
destacar? 
8 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

Los datos recopilados se encuentran dispersos de manera tal que la elección de algún modelo
determinista simple representa un problema no sencillo de resolver. Sin embargo, por la
disposición de los puntos en el sistema de ejes cartesianos y también por un criterio de
simplicidad, se propone comenzar con modelos lineales. El problema consiste en elegir una
recta que represente al conjunto de datos de la mejor manera posible. Para lo cual tendremos
que decidir previamente, qué entendemos por “la mejor manera posible”. Considerando que
las rectas están determinadas por la pendiente y la ordenada al origen buscamos una manera
de elegir m (la pendiente) y b (la ordenada al origen) para que la recta de ecuación

p = ms + b
se aproxime lo mejor posible a los datos recopilados. En este caso, hemos decidido tomar a
• s como la variable en el eje horizontal asociada a la cantidad de semanas de gestación,
• p como la variable en el eje vertical asociada el peso del bebé al nacer (en kilogramos).
Hay infinitas rectas posibles para elegir. A continuación presentamos 4 opciones de rectas
para ajustar a los datos recolectados.

Actividad 1.4 Discutan en grupo, estableciendo algún criterio consensuado, ¿cuál de los
siguientes 4 modelos lineales propuestos es el mejor. 

3.6 3.6

3.4 3.4
Peso al nacer (en kg)

Peso al nacer (en kg)

3.2 3.2
3 3
2.8 2.8
2.6
2.6
2.4
2.4
34 35 36 37 38 39 40 41 42 34 35 36 37 38 39 40 41 42
Semanas de gestación Semanas de gestación
(a) Modelo lineal 1: p = 0.15s − 2.76. (b) Modelo lineal 2: p = 0.21s − 5.1.

3.6 3.6

3.4 3.4
Peso al nacer (en kg)

Peso al nacer (en kg)

3.2 3.2

3 3

2.8 2.8

2.6 2.6

2.4 2.4
34 35 36 37 38 39 40 41 42 34 35 36 37 38 39 40 41 42
Semanas de gestación Semanas de gestación
(c) Modelo lineal 3: p = 0.15s − 2.8. (d) Modelo lineal 4: p = 0.1s − 0.73.

Figura 10: Cuatro modelos lineales propuestos para ajustar los datos observados de peso y semanas de gestación de la Tabla 1.
4 Modelos lineales 9

4.3 Error cuadrático medio (ECM)

Tomaremos el primer ejemplo de los 4 presentados anteriormente para definir una idea de
error en el ajuste.

Se observa en la Figura 11 que la recta propuesta no pasa por

todos los puntos. Hay puntos alejados de la recta; algunos de
ellos se encuentran por debajo de la recta y otros se encuentran
por arriba de ella.

Los valores observados (valores experimentales de la Tabla 1)

y los valores correspondientes a la recta son diferentes. 3.5

Peso al nacer (en kg)

 Definición 4.1 — Residuo.
En un contexto de estudio de un conjunto de datos experi-
3
mentales y una curva de ajuste, se llama residuo asociado a
cada dato experimental a la diferencia vertical que existe
entre el valor observado y el valor correspondiente a la
recta.
2.5
Por ejemplo, el primer dato de la Tabla 1 indica un bebé de
36 semanas de gestación con un peso al nacer de 2.42 kg.
34 36 38 40 42
Semanas de gestación Peso al nacer
Semanas de gestación
36 2.420
Figura 11: Modelo lineal p = 0.15s − 2.76.
El modelo propuesto p = 0.15s − 2.76 indica que para s = 36,

p = 0.15 × 36 − 2.76 = 2.64

3.5
El residuo asociado a esta observación es
Peso al nacer (en kg)

2.42 − 2.64 = −0.22

En general, algunos residuos pueden ser positivos y otros 3

residuos son negativos dependiendo si los valores observados
son mayores o menos que los valores correspondientes al
modelo propuesto.
El residuo es una medida del error que se comete en cada ob-
servación. Sumando todos los residuos tendríamos una medida 2.5
del error total que se comete en todo el conjunto de observacio-
nes pero allí tendríamos un inconveniente porque los residuos
positivos y negativos (ver Figura 12) podrían cancelarse y dar 34 36 38 40 42
como resultado cero aunque haya varios puntos que no estén Semanas de gestación
sobre la recta. De modo que sólo sumar los residuos puede no
ser determinante para analizar la justeza de un modelo lineal. Figura 12: Los segementos verticales representan los re-
En la bibliografía tradicional para determinar el error del siduos asociados a cada valor observado en relación al
ajuste se elevan al cuadrado los residuos y luego se calcula modelo lineal propuesto. Los residuos positivos corres-
el promedio de todos los residuos al cuadrado. El valor que se ponden a valores observados arriba de la recta de ajuste;
obtiene se llama error cuadrático medio (ECM) y es el que los residuos negativos corresponden a valores observados
tradicionalmente se utiliza para analizar qué tan buena es la debajo de la recta de ajuste.
recta elegida. El criterio que utilizaremos para decidir si una
recta es mejor que otra será estudiando los errores cuadráticos
medios asociados a cada una eligiendo la que tenga el menor
ECM.
10 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

 Definición 4.2 — Error cuadrático medio ECM.

Se denomina error cuadrático medio (ECM) al promedio de los residuos elevados al
cuadrado.

El error cuadrático medio nos da una medida del error que se comete con la recta elegida:
a) El ECM siempre es un número mayor o igual a 0.
b) La única opción para que el ECM sea igual a 0 es cuando la recta elegida pasa exactamente
por todos los puntos experimentales.
c) Si el ECM es un valor cercano a 0 quiere decir que la recta elegida está muy próxima
de los puntos experimentales.
A continuación calcularemos el ECM para el modelo p = 0.15s − 2.76 asociado a los datos
del peso y las semanas de gestiación de los 32 bebés.

Semanas de gestación Peso al nacer Modelo p = 0.15s − 2.76 Residuos al cuadrado

36 2.420 0.15(36) − 2.76 = 2.64 (2.42 − 2.64)2 = 0.0484
38 2.940 0.15(38) − 2.76 = 2.94 (2.94 − 2.94)2 = 0
38 3.130 0.15(38) − 2.76 = 2.94 (2.92 − 3.13)2 = 0.0361
34 2.45 2.34 0.0121
39 2.76 3.09 0.1089
35 2.44 2.49 0.0025
40 3.23 3.24 0.0002
42 3.30 3.54 0.0571
37 2.73 2.79 0.0037
40 3.41 3.24 0.0289
36 2.71 2.64 0.0056
39 3.10 3.09 0.0000
39 3.13 3.09 0.0016
39 3.24 3.09 0.0237
35 2.52 2.49 0.0009
39 2.93 3.09 0.0262
41 3.52 3.39 0.0177
42 3.45 3.54 0.0088
38 2.92 2.94 0.0004
39 2.96 3.09 0.0177
42 3.53 3.54 0.0001
38 2.58 2.94 0.1296
37 3.04 2.79 0.0625
42 3.50 3.54 0.0016
41 3.20 3.39 0.0361
39 3.32 3.09 0.0538
40 3.46 3.24 0.0480
42 3.35 3.54 0.0376
35 2.62 2.49 0.0166
41 3.18 3.39 0.0462
38 2.74 2.94 0.0400
36 2.84 2.64 0.0404
ECM: 0.0285

Tabla 2: Determinación del EMC para el modelo p = 0.15s − 2.76 asociado a los datos de la Tabla 1.

Se ha calculado que el ECM del modelo p = 0.15s − 2.76 es: 0.0285. De la misma manera,
calculamos los ECM para los otros 3 modelos propuestos en la Figura 10.
4 Modelos lineales 11

Semanas de gestación Ecuación ECM

Modelo 1 p = 0.15s − 2.76 0.0285
Modelo 2 p = 0.21s − 5.1 0.0594
Modelo 3 p = 0.15s − 2.8 0.0287
Modleo 4 p = 0.1s − 0.73 0.0447

Tabla 3: Determinación de los EMCs para cuatro modelos de la Figura 10.

Se observa que el menor ECM encontrado corresponde, precisamente, al modelo 1.

Actividad 1.5Hemos calculado el ECM de cuatro modelos elegidos como ejemplo. No está
muy claro por qué elegimos esos cuatro y no otros.
a) ¿Hay otros modelos lineales que se puedan utilizar? Propongan dos distintos a los
utilizados previamente.
b) ¿Es posible que los modelos propuestos en el inciso anterior tengan un ECM menor
al encontrado 0.0285?

C Para poder calcular el ECM de los nuevos modelos tendríamos que utilizar alguna
planilla de cálculo o software de manera de agilizar los cálculos. No lo haremos en
esta oportunidad.

Los interesados pueden obtener una copia de los datos para cargar en la planilla de
cálculo en el siguiente link:
https://docs.google.com/spreadsheets/d/1r0wE_VwdQNZAw-YyUmc6qe2UxyJ2xkIa90_
WpeCGTwE/edit?usp=sharing

En la siguiente sección estudiaremos un método que permite determinar el modelo lineal que
posee el menor ECM posible de manera que, desde este punto de vista, determinaremos el
modelo lineal que mejor se ajusta a los datos experimentales.

El método de mínimos cuadrados es,

desde su creación por el astrónomo
4.4 Método de mínimos cuadrados. y matemático francés Lagrange en el
siglo XVII, el más usado de los mé-
¿Cómo encontrar la recta o modelo lineal con el ECM más cercano a cero posible para todos estadísticos. El motivo de su
garantizar que hemos encontrado la mejor recta según este criterio? La respuesta a esta popularidad es principalmente su fá-
pregunta está en el método de mínimos cuadrados. Es el método que permite encontrar la cil aplicación y que siempre permite
pendiente y la ordenada al origen de la recta que estamos buscando. Este método se desarrolla una respuesta explícita.
en el curso de Análisis de datos y ahora lo utilizaremos con el software Desmos disponible en
forma gratuita y libre para smartphones, iphones, tablets, notebook, netbook y computadoras.

Online: https://www.desmos.com/calculator Hemos decidido no utilizar en esta

Para smartphones, tablets o iphones: oportunidad el software Geogebra
https://play.google.com/store/apps/developer?id=Desmos+Inc&hl=es_419 porque su versión para celular no es
https://itunes.apple.com/ar/app/desmos-graphing-calculator/id653517540?mt=8 amigable con los entornos de tablas
Tutorial de Desmos: https://www.youtube.com/watch?v=Y2UpNqof9do y determinación de ajustes de datos
experimentales.
12 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

Determinaremos la recta correspondiente al método de mínimos cuadrados utili-

zando Desmos en un smartphone.

Paso 1: Al iniciar Desmos aparece la pantalla principal.

Paso 2: Cargar los datos experimentales mediante la opción de Tabla. Cambiar los
encabezados de las columnas por s (para la columna de las semanas) y p para
la columna de los pesos.

Paso 3: Una vez cargados todos los datos. En la siguiente casilla de instrucción escribir
la forma del modelo propuesto de la siguiente manera.

Paso 4: Inmediatamente luego de escribir la fórmula, el Desmos responde con el ajuste

4 Modelos lineales 13

lineal correspondiente al método de mínimos cuadrados.

Se obtuvo m = 0.131093 y b = −2.04726. Analizando las unidades de las

cantidades involucradas tenemos que:
• El peso p de los datos tiene unidad de medida kg por lo tanto, tanto m.s
como b deben estar en kg.
• Dado que s está dada en cantidad de semanas, entonces la pendiente m
tendrá como unidad kg/[cantidad de semanas].

Por lo tanto,
• Pendiente m = 0.131093 kg/[cantidad de semanas]
• Ordenada al origen b = −2.04726 semanas.

El modelo lineal correspondiente al método de mínimos cuadrados es

p = 0.131093s − 2.04726

Paso 5: Los residuos están representados en el Desmos por la variable e1 . Si queremos

conocer el ECM del modelo lineal podemos escribir el comando: Recordar que el ECM se calcula ha-
ciendo el promedio (mean, en inglés)
de los residuos al cuadrado.

Se obtuvo: ECM = 0.0260436795937.

Paso 6: Desmos también realiza la gráfica de los valores cargados y del modelo lineal
encontrado. Moviendo la pantalla y ajustando el zoom. Ver Figura 13.

3.6

3.4
Peso al nacer (en kg)

3.2

2.8

2.6

2.4
34 36 38 40 42
Semanas de gestación

Figura 14: Modelo lineal p = 0.131093s − 2.04726.

El modelo lineal p = 0.131093s − 2.04726 es el mejor modelo lineal que se ajusta a los datos Figura 13: Captura de pantalla de
observados de peso y semanas de gestación de los bebés al nacer según el criterio de error datos y ajuste lineal elaborada en el
cuadrático medio. Paso 6.
14 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

Los datos de la Tabla 1 fueron clasificados según se tratase de madre fumadoras o madre no
fumadora como se presenta a continuación.

Semana de gestación Peso al nacer Madre fumadora Semana de gestación Peso al nacer Madre fumadora
38 3.130 No 38 2.940 Sí
34 2.450 No 36 2.420 Sí
40 3.226 No 39 2.760 Sí
37 2.729 No 35 2.440 Sí
40 3.410 No 42 3.301 Sí
39 3.095 No 36 2.715 Sí
39 3.244 No 39 3.130 Sí
35 2.520 No 39 2.928 Sí
41 3.523 No 42 3.446 Sí
38 2.920 No 39 2.957 Sí
42 3.530 No 38 2.580 Sí
37 3.040 No 42 3.500 Sí
39 3.322 No 41 3.200 Sí
40 3.459 No 42 3.346 Sí
35 2.619 No 41 3.175 Sí
36 2.841 No 38 2.740 Sí

Tabla 4: Clasificación de los datos observados según si la madre es fumadora o no.

Los datos se presentan a continuación

3.6

3.4
Peso al nacer (en kg)

3.2

3
Madres fumadoras
2.8 Madres no fumadoras

2.6

2.4
34 36 38 40 42
Semanas de gestación

Actividad 1.6 Considerando los datos clasificados en la Tabla 4:

a) Determinen el modelo lineal que ajusta los datos de madres fumadoras con menor
ECM posible. Tendrán que hacer una secuencia similar a la realizada anteriormente
usando Desmos pero sólo considerando los datos de las madres fumadoras.
b) Determinen el modelo lineal que ajusta los datos de madres no fumadoras con menor
ECM posible. Tendrán que hacer una secuencia similar a la realizada anteriormente
usando Desmos pero sólo considerando los datos de las madres no fumadoras.
c) Grafiquen los modelos lineales encontrados y, discutiendo en el grupo, expliquen las
diferencias y coincidencias entre los modelos encontrados.

5 ¿Por qué cantan más los grillos en verano? 15

5 ¿Por qué cantan más los grillos en verano? Chirridos por Temperatura
En verano, durante las tardes o las noches, el canto de los grillos no pasa desapercibido; es minuto (°C)
difícil evitar escuchar ese “cri-cri” que emiten los grillos machos (los únicos que cantan) 176 26.944
cuando intentan atraer a las hembras. ¿Cómo influye la temperatura ambiente en el “chirrido” 185.6 25.833
de los grillos? 174.4 25.556
140 23.056
Actividad 1.7 Un método casero bastante popular en las provincias del norte dice que se
130.4 20.000
puede conocer la temperatura ambiente escuchando el cantar de los grillos. Hay que contar
115.6 18.889
la cantidad de chirridos por minuto que se escuchan, dividiendo por 7 y luego sumando 4.
110.8 18.333
Se considera en este caso que la temperatura está medida en grados Celsius. Determinen
102 16.389
una expresión algebraica que relacione la temperatura ambiente y la cantidad de chirridos
81.5 13.889
descripta por el método casero. Detallen las variables utilizadas y sus unidades.
50 12.778


La Tabla 5, construida en base a los datos experimentales de un estudio realizado en Colorado 144.8 22.500
(Estados Unidos) en el año 2007, relaciona el promedio de la cantidad de chirridos de una 140 22.222
especie de grillos emitidos durante un minuto con la temperatura ambiente en grados Celsius. 132.4 21.667
126 20.556
Actividad 1.8 Utilicen Desmos para realizar las actividades: 115.2 19.167
a) Representen gráficamente los datos de la tabla mediante un gráfico de puntos. En 85.2 15.556
el eje horizontal ubicar la cantidad de chirridos y en el eje vertical la temperatura. 151.2 23.889
Incorpore al gráfico la recta asociada al método casero. 148 22.917
b) Realicen un ajuste lineal mediante el método de mínimos cuadrados. Incorporen al 94.64 16.111
gráfico anterior la recta obtenida. 74 11.111
c) Describan la diferencia entre las rectas encontradas. ¿Cuál considera que aproxima 110.8 18.333
mejor los datos? 104 17.222
d) ¿Qué limitaciones aparecen desde el punto de vista biológico para utilizar estos 86.8 15.000
modelos?
e) ¿En qué rango de temperaturas son válidos? Tabla 5: Chirridos por minuto y tem-
f) ¿Cómo puede mejorarse la precisión del modelo determinado por mínimos cuadrados? peratura de una especie de grillos en
g) ¿Por qué cantan más los grillos en verano? Nebraska.


Las respuestas que pudieron desarrollar dan cuenta de la complejidad de la relación entre el
problema biológico y el modelo matemático. Es muy probable que las respuestas no hayan
sido completas pero seguramente permiten apreciar cómo se aproximan el modelo matemático
y el problema biológico y en parte, algunas de las limitaciones y modos de utilización.
La pregunta d) es de naturaleza biológica, y la matemática juega un papel pobre allí. Podríamos
preguntarnos sobre las cuestiones biológicas que se estudian. Desde un punto de vista práctico,
este termómetro biológico tiene usos limitados. Los grillos generalmente cantan sólo algunos
meses en el año y durante la noche cuando la temperatura es superior a los 10° C.
Las preguntas e) y f) resultan importantes por el vínculo entre el proceso de modelado
matemático y el problema biológico que se estudia. El rango de validez en cuanto a las
temperaturas determinan el dominio en el cual corresponderá usar el modelo. Generalmente,
los límites para usar el modelo matemático están dados por los puntos entre los cuales se han
recolectado los datos (o posiblemente ligeramente un poco más allá de los datos recolectados).
En nuestro caso, los datos disponibles se encuentran entre los 11°C y los 27°C. Que es
apropiada para las noches en Colorado durante agosto y septiembre. El método casero, aunque
alejado un poco de los datos recopilados, es mucho más sencillo de utilizar en una noche de
verano con amigos.
La última pregunta g) puede ponerse también en términos de limitaciones del modelo. El
modelo no puede responder a la pregunta de causalidad entre las dos variables. No hay una
explicación del fenómeno que permita deducir cómo influye la temperatura ambiente en la
frecuencia con la que los grillos frotan sus patas traseras para generar el chirrido; sólo una
correlación estadística de las observaciones. Será necesario conocer más sobre el metabolismo
y la morfología del insecto para plantear alguna hipótesis de respuesta a la pregunta. Luego
vendrán otras tantas como: ¿Por qué es tan difícil ubicar al grillo que canta cuando estamos en
una habitación? ¿Por qué cantan al unísono todos los grillos del campo?
16 Capítulo 1. ¿Qué es el cálculo diferencial e integral?

Actividad 1.9 En las actividades previas ubicamos en el eje horizontal los valores corres-
pondientes a los chirridos por minuto de los grillos y en el eje vertical a la temperatura
ambiente. Sin embargo, es más natural que la variable independiente sea la temperatura
dado que por algún mecanismo que desconocemos afecta al grillo haciendo que produzca
más chirridos por minuto. Encuentren, a partir de la ecuación obtenida en la Actividad
1.8 item b) la ecuación lineal que represente la cantidad de chirridos en función de la
temperatura. Estime la cantidad de chirridos por minuto cuando la temperatura es de 21◦ C.


6 Ejercitación
En cada caso, hallen la ecuación de la recta que satisface las condiciones
Ejercicio 1.1
mencionadas:
1
a) pasa por el punto (2, −3) y tiene pendiente −
3
b) pasa por el punto (7, 5) y tiene pendiente 0
c) pasa por los puntos (3, −1) y (2, −1)
d) pasa por los puntos (−1, 3) y (5, −3)
e) corta al eje y en 2 y pasa por el punto (−2, 3)
f) paralela a la recta 3x − 6y = 1 y pasa por el punto (1, 0)
g) perpendicular a la recta 4x − 3y + 2 = 0 y pasa por el punto (3, 2).


Ejercicio 1.2 Escriban la ecuación de una recta para cada una de las siguientes gráficas 

Temperatura (◦ C) Actividad (U)

0 38
0 43
0 34
10 32
Encuentren las ecuaciones de las rectas que pasan por el origen que son
Ejercicio 1.3
perpendiculares y paralelas a la recta y = 3 − 2x. 

10 26
10 33
20 19 Ejercicio 1.4 Encuentren la ecuación de la recta que pasa por los puntos (−1, 2) y (2, 0).
20 27 ¿Cuál es la pendiente y la ordenada al origen para esta recta? Grafiquen la recta. 

20 23
30 14
Ejercicio 1.5 En un experimento para observar el efecto de la temperatura de almacenamiento
30 19
en la actividad de un antibiótico se almacenaron tres porciones de 1 gramo del antibiótico
30 21
durante tiempos iguales a cada una de las siguientes temperaturas: 0◦ C, 10◦ C, 20◦ C y
30◦ C. Las lecturas de actividad observadas al final del período experimental son las que se
Tabla 6: Actividad de los antibióticos.
muestran en la Tabla 6.
La actividad U de los antibióticos es una medida relativa; se calcula comparando la inhibición
del antibiótico analizado en microorganismos sensibles y específicos por concentraciones
conocidas y una sustancia de referencia. Bajo ciertas condiciones (concentraciones y
sustancia de referencia), en esa comparación, se establece una unidad de referencia de 1 U.
6 Ejercitación 17

a) Determinen, a partir de los datos presentados, el ajuste lineal correspondiente.

b) ¿Qué unidades corresponden para la pendiente y la ordenada al origen del modelo
encontrado?
c) Según el modelo lineal encontrado, ¿cuál es la potencia esperada de un gramo de
antibiótico almacenado a una temperatura de 25◦ C?
d) Se observa la potencia de un gramo de antibiótico y resulta 18. ¿Cuál es la temperatura
de almacenamiento que se estima según el modelo lineal encontrado?


Ejercicio 1.6Los problemas visuales y muscoesqueléticos relacionados con el uso de Figura 15: Amplitud entre párpados.
monitores se han vuelto bastantes recientes. Se estudia la relación entre el área de superficie ASO (cm2 ) Amplitud (cm)
del ojo (ASO, en cm2 ) y la amplitud entre los párpados (en cm) de 19 individuos y se
presentan los resultados en la Tabla 7. 0.4 1.02
a) Determinen el ajuste lineal de mínimos cuadrados correspondiente. 0.48 0.88
b) ¿Qué unidades corresponden a la pendiente y a la ordenada al origen del modelo 0.57 1.52
encontrado? 0.7 1.5
c) Según el modelo lineal encontrado, ¿qué amplitud entre párpados se espera para un 0.75 1.8
individuo cuya superficie ocular es de 1 cm2 ? 0.78 1.63
 0.84 2
0.99 2.48
1.12 3.05
Ejercicio 1.7Para un gas que se mantiene a volumen constante, la presión P depende 1.15 3.18
linealmente de la tempertura T. Luego, podemos escribir la ecuación 1.25 3.68
1.25 3.82
P = kT + b, 1.3 4.27
1.34 3.12
para algunas constantes k y b.
1.4 3.75
a) Supongamos que se corre un experimento y se encuentra que cuando T = 0 C,la
◦
1.43 4.1
presión P = 760 mm de Hg. Y que cuando T = 100 C, la presión P = 1040 mm
◦
1.49 3.77
de Hg. Encuentren las constantes k y b para la ecuación anterior (indicando sus
1.58 4.21
unidades).
1.6 4.92
b) El cero absoluto puede aproximarse encontrando dónde la presión es P = 0. Encuentren
la temperatura en ◦ C para el cero absoluto a partir del item anterior.
Tabla 7: ASO vs. amplitud de los

párpados.