Apuntes de Calculo y metodos numericos, Parte 1

Edoardo Provenzi

Pr
ologo
Estos apuntes quieren ser una gua al curso de calculo del primer trimestre
y un soporte a las clases magistrales.
En escribir las notas he intentado poner el enfasis sobre las motivaciones y los problemas pr
aticos que llevan a la exigencia de construir cada
modelo matem
atico que examinaremos. De hecho, historicamente, es el reconocimiento de los lmites de los instrumentos matematicos a nuestra disposici
on que ha permitido el desarrollo de la ciencia hasta llegar al nivel de
evoluci
on de nuestra epoca.
Espero que esta forma de presentar los conceptos matematicos resulte
m
as comprensible y que los estudiantes puedan apreciar ya a partir de este
primer curso de c
alculo la fundamental importancia de las matematicas en
la ciencia, tanto te
orica como aplicada.
Para reforzar esta idea de conexion entre diferentes disciplinas cientificas,
he introducido en los apuntes aplicaciones a la fsica, a la mecanica y a la
teora de los se
nales.
Adem
as, de acuerdo con la importancia cada vez mayor del ordenador
en la ciencia, examinaremos un algoritmo numerico extremadamente u
til en
las aplicaciones: el metodo de Newton para aproximar los ceros de funciones
de una variable real, que extenderemos a funciones de mas variables en el
segundo trimestre.
Quiero agradecer, en orden alfabetico, a X`enia Alba, Pablo Arias, Felipe
Calderero, Juan Calvo y Gloria Haro, cuyas sugerencias y correcciones han
contribuido a mejorar sensiblemente estos apuntes.
El autor.

Indice general
1. Conjuntos num
ericos y funciones elementales del c
alculo
1.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Conjuntos abstractos y conjuntos numericos . . . . . . . . . .
1.2.1. Intervalos en R . . . . . . . . . . . . . . . . . . . . . .
1.3. Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Operaciones algebraicas entre funciones . . . . . . . . . . . .
1.5. Composici
on de funciones . . . . . . . . . . . . . . . . . . . .
1.6. Inversi
on de funciones . . . . . . . . . . . . . . . . . . . . . .
1.7. Los ceros de las funciones reales de variable real y sus caracterizaci
on abstracta . . . . . . . . . . . . . . . . . . . . . . . .
1.8. Los conjuntos funcionales . . . . . . . . . . . . . . . . . . . .
1.9. Las funciones elementales de la matematica y sus graficos . .

5
5
5
12
15
22
23
25
27
28
29

2. Introducci
on al c
alculo diferencial: el concepto de lmite
36
2.1. Motivaciones para la introduccion del concepto de lmite . . . 36
2.2. Lmites de funciones . . . . . . . . . . . . . . . . . . . . . . . 40
2.3. Lmites laterales . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4. Teoremas fundamentales sobre los lmites . . . . . . . . . . . 50
2.5. La extensi
on de R . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6. Funciones continuas y sus propiedades . . . . . . . . . . . . . 53
2.7. Infinitos e infinitesimos de orden inferior, superior y del mismo orden, la relacion de ser asintotico a . . . . . . . . . . . 58
2.8. C
alculo de lmite de polinomios y funciones racionales mediante relaciones asintoticas . . . . . . . . . . . . . . . . . . . . 62
3. Derivadas
64
3.1. Definici
on de derivada de una funcion y su interpretacion geometrica y mec
anica . . . . . . . . . . . . . . . . . . . . . . . 64
3.2. F
ormulas para el calculo de derivadas . . . . . . . . . . . . . 68

3.3.
3.4.
3.5.

Derivabilidad y continuidad . . . . . . . . . . . . . . . . . . . 70

Algebra
de las derivadas . . . . . . . . . . . . . . . . . . . . . 71
Derivada de la funcion compuesta (regla de la cadena) y de
la funci
on inversa . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6. Diferenciabilidad y derivabilidad en R: el concepto de linealizaci
on local de una funcion . . . . . . . . . . . . . . . . . . . 75
3.6.1. El diferencial de una funcion . . . . . . . . . . . . . . 78
3.7. La f
ormula de Taylor con resto de Peano . . . . . . . . . . . . 80
3.8. El teorema de lH
opital y sus aplicaciones al calculo de lmites
en forma indeterminada . . . . . . . . . . . . . . . . . . . . . 86
3.9. Jerarqua de infinitos e infinitesimos . . . . . . . . . . . . . . 88
3.10. Teoremas fundamentales sobre derivadas . . . . . . . . . . . . 91
3.11. El teorema del valor medio de Lagrange y sus aplicaciones al
estudio de la monotona de una funcion . . . . . . . . . . . . 93
3.11.1. La f
ormula de Taylor con resto de Lagrange . . . . . . 102
3.12. La optimizaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.13. El problema del fontanero . . . . . . . . . . . . . . . . . . . . 103
4. El m
etodo de Newton 1-D
105
4.1. Construcci
on del metodo de Newton 1-D . . . . . . . . . . . . 105
4.2. Aplicaci
on al c
alculo de los valores decimales de las races
cuadradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.3. Criterios de parada del algoritmo de Newton . . . . . . . . . 107
4.4. Condiciones de convergencia del algoritmo de Newton . . . . 108
4.5. Aplicaci
on al c
alculo aproximado de los puntos de interseccion
entre gr
aficos de funciones . . . . . . . . . . . . . . . . . . . . 112
5. Integrales
116
5.1. Definici
on de la integral de Riemann . . . . . . . . . . . . . . 116
5.2. Propiedades de la integral . . . . . . . . . . . . . . . . . . . . 120
5.3. Valor medio y valor eficaz de una funcion . . . . . . . . . . . 121
5.4. El teorema fundamental del calculo diferencial . . . . . . . . 122
5.5. Integrales y din
amica de las partculas . . . . . . . . . . . . . 131
5.6. C
alculo de la longitud del grafico de una funcion . . . . . . . 132
5.7. Integrales generalizadas: integracion de funciones no continuas o en intervalos ilimitados . . . . . . . . . . . . . . . . . . 133
5.8. La funci
on integral . . . . . . . . . . . . . . . . . . . . . . . . 136
5.8.1. Una aplicacion de la funcion integral: la ecualizacion
de histogramas . . . . . . . . . . . . . . . . . . . . . . 138
5.9. Relaciones de ortogonalidad de las funciones sin y cos . . . . 140
3

5.10. Aproximaci
on numerica de integrales . . . . . . . . . . . . . .
5.10.1. Integraci
on por aproximacion rectangular . . . . . . .
5.10.2. Integraci
on por aproximacion trapezoidal . . . . . . .
5.10.3. Integraci
on por aproximacion parabolica (formula de
Cavalieri-Simpson) . . . . . . . . . . . . . . . . . . . .
5.10.4. Comandos Matlab para aproximar numericamente integrales . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Sucesiones y series num
ericas y de funciones
6.1. El principio de induccion . . . . . . . . . . . . . . . . . .
6.2. Sucesiones numericas . . . . . . . . . . . . . . . . . . . .
6.3. Sucesiones de funciones . . . . . . . . . . . . . . . . . .
6.3.1. El teorema de aproximacion de Stone-Weierstrass
6.4. Series n
umericas . . . . . . . . . . . . . . . . . . . . . .
6.5. Series de funciones, de Taylor y de potencias . . . . . .
6.6. La formula de la exponencial compleja de Euler . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

141
142
143
145
148

149
. 149
. 151
. 154
. 156
. 157
. 159
. 163

Captulo 1

Conjuntos num
ericos y
funciones elementales del
c
alculo
1.1.

Introducci
on

En este captulo profundizaremos en el conocimiento de los objetos basicos

del c
alculo: los conjuntos y las relaciones entre ellos, que se representan a
traves de funciones.

1.2.

Conjuntos abstractos y conjuntos num

ericos

La teora general de los conjuntos constituye un campo muy complejo y

abstracto de la matem
atica. Aqu veremos una version simplificada y mas
adapta a un curso de ingeniera.
Def. (intuitiva) de conjunto: un conjunto X es una colecion de objetos que o se pueden enumerar explcitamente o bien tienen una propiedad
caracterstica P en com
un.
Los objetos de los conjuntos se llaman elementos o puntos y la notacion
can
onica que se usa para representar un conjunto a traves de su propiedad
que lo define P es la siguiente:
X = {x X : x satisface la propiedad P}

 se lee como pertenece a y : se lee como tal que.

Veamos unas definiciones u
tiles para el resto del curso:
Si un conjunto X tiene un n
umero finito de elementos, este n
umero se
llama cardinal card(X); si un conjunto no tiene un n
umero finito de
elementos, se dice que su cardinal es infinito;
Si un conjunto tiene un solo elemento, o sea X = {x} , se dice que
es un singleton y si X no tiene ning
un elemento, se dice que es el
conjunto vaco y se escribe X = ;
Si todos los elementos de Y pertenecen tambien a otro conjunto X, se
dice que Y es un subconjunto de X y se escribe Y X diciendo
que Y est
a incluido en X. Si X contiene todos los elementos de Y
y tambien otros elementos que no pertenecen a Y se escribe Y X
y se dice que Y est
a incluido estrictamente en X. Por convencion,
el conjunto vaco se considera un subconjunto de cualquier otro conjunto.
X Y representa la intersecci
on entre los conjuntos X e Y , o sea
el conjunto de los elementos comunes a ambos conjuntos. Si X e Y no
tienen elementos comunes, o sea X Y = , se dice que son disjuntos;
X Y representa la uni
on entre los conjuntos X e Y , o sea el conjunto que tiene todos los elementos de X y de Y (sin repetir los elementos
comunes);
La operaci
on de eliminacion de un elemento de un conjunto se escribe
con el smbolo \, por ejemplo: {a, b, c} \ {b} = {a, c}. \ se puede considerar como la operacion de diferencia entre conjuntos.
Durante el curso estaremos particularmente interesados en los conjuntos num
ericos. Comencemos con los tres mas elementales:
Numeros naturales: N = {0, 1, 2, . . .} ;
Numeros enteros: Z = {. . . , 2, 1, 0, 1, 2, . . .} ;

Numeros racionales: Q =

p
x : p, q Z, M CD(p, q) = 1 : x =
q


.

La u
ltima definici
on significa que para cada x Q existen ()1 dos n
umeros
enteros p, q coprimos, o sea cuyo maximo com
un denominador M CD(p, q) es
1, tales que x se puede escribir como el cociente entre p y q. La eleccion de p
y q coprimos sirve para evitar repetir la misma fraccion escrita con n
umeros
que son m
ultiplos de p e q, por ejemplo 32 y 46 definen el mismo n
umero
racional, con la diferencia de que 2 y 3 son coprimos mientras que 4 y 6 no.
Una fracci
on entre n
umeros coprimos se denomina fracci
on irreducible. Obviamente dos n
umeros pares no pueden ser coprimos, porque, como mnimo,
el MCD entre ellos es 2. N
otese tambien que si elegimos q = 1, obtenemos
que todos los n
umeros enteros se pueden considerar n
umeros racionales con
denominador igual a 1. Resultan evidentes las siguientes inclusiones estrictas:
N Z Q.
N tiene dos subconjuntos notables, que son el conjunto de los n
umeros pares
e impares:
P = {p N : n : p = 2n} ,

I = {i N : n : i = 2n + 1} .

p = 2n y i = 2n + 1 son las representaciones genericas de un n

umero par
e impar, respectivamente. Por ejemplo, 8 es par y se puede escribir como
8 = 2 4, y 9 es impar y se puede escribir como 9 = 2 4 + 1. Evidentemente
P I = y P I = N.
Observamos que si sumamos, multiplicamos y elevamos a una potencia
n N dos n
umeros de N, Z o Q, el resultado sigue siendo un n
umero de N,
Z o Q. Se dice que los tres conjuntos numericos son cerrados con respecto
a la operaci
on de suma, producto y potencia natural. La propiedad de un
conjunto de ser o no ser cerrado con respecto a una operacion tiene una
consecuencia inmediata sobre las ecuaciones que se pueden o no pueden
resolver en un conjunto: si definimos las ecuaciones x = a + b, x = a b,
x = an , con a, b N, Z o Q, siempre podemos encontrar un n
umero x N,
Z o Q, respectivamente, que satisface esas ecuaciones.
Z, Q son cerrados tambien con respecto a la operacion de diferencia,
pero N no. En matem
atica, cuando se dice que un conjunto no tiene una
propiedad, para demostrarlo es suficiente ense
nar un contraejemplo en el
cual se ve la falta de validez de la propiedad. En nuestro caso, es muy facil
1
se llama cuantificador existencial y expresa la existencia de (por lo menos) un
elemento de un conjunto con una cierta propiedad. Si se escribe ! eso quiere decir que
existe un solo elemento con esa propiedad. Otro cuantificador muy usado en matem
aticas
es llamado cuantificador universal, que se lee para cada y expresa todos los elementos
de un conjunto que satisfacen una determinada propiedad.

ver que cualquier n

umero natural n restado por un n
umero natural m mayor
que n devuelve un n
umero entero negativo que, por definicion, no pertenece
a N. Por ejemplo, n = 4, m = 7, n m = 3 6 N. De aqu sigue que
N no es un conjunto apto para resolver las ecuaciones del tipo x = a b,
con a, b N, porque el resultado x de la resta entre a y b podra no ser un
n
umero natural.
Hemos visto que para demostrar que un conjunto no tiene una propiedad
es suficiente ense
nar un contraejemplo. Viceversa, es decir,
como se demuestra que un conjunto tiene una determinada propiedad?
X tiene la propiedad P cuando todos los elementos de X la satisfacen. Sin
embargo, si el conjunto es infinito, es imposible llevar al cabo la tarea de
demostrar directamente que cada elemento de X satisface P. Para superar
este problema los matem
aticos desarrollan pruebas abstractas sobre el elemento gen
erico del conjunto: si una propiedad vale para un elemento
abstracto que se puede considerar como cualquier elemento de un conjunto,
entonces vale para todos los elementos del conjunto y no hace falta repetir
la prueba para los otros elementos de X. Este tipo de razonamiento logico2
tiene una importancia fundamental en matematica y veremos un ejemplo de
demostraciones como esta en breve.
Dado que estamos hablando de logica, tomamos la ocasion para introducir el importante concepto de implicaci
on: cuando de una propiedad P1
sigue otra propiedad P2 , se dice que P1 implica P2 y se escribe P1 = P2 .
Se dice que la propiedad P1 es condici
on suficiente para que valga la
propiedad P2 o tambien que P1 es una propiedad m
as fuerte que P2 . Viceversa, se dice que P2 es una condici
on necesaria para que valga P1 o que
es una propiedad m
as debil.
Un ejemplo geometrico puede ayudar a la compresion de estos conceptos: sabemos que la proposicion T triangulo equilatero = T triangulo
is
osceles es verdadera, y, de hecho, para un triangulo, ser equilatero es una
condici
on m
as fuerte, que implca, ser isosceles porque si T tiene 3 lados
iguales, con m
as raz
on, tendra dos lados iguales. Viceversa, si T es equilatero,
necesariamente tiene que ser isosceles, porque si no tiene dos lados iguales,
tampoco podr
a tener 3 lados iguales!
Si se escribe la flecha en el sentido opuesto, o sea =, eso significa que
la propiedad que aparece a la izquierda de la flecha esta implicada por la
propiedad que aparece a su derecha. Cuando se puede escribir la flecha en los
2

Nota historica: los primeros en desarrollar esta l

ogica para demostrar proposiciones
fueron los griegos antiguos.

dos lados, o sea , eso significa que las dos propiedades son equivalentes,
porque se implican mutuamente. se lee: si y solo si.
Veamos ahora la prueba de una proposicion en la cual se usa tanto el
concepto de elemento generico de un conjunto, como el de doble implicacion
y que, adem
as, nos sirvir
a despues para demostrar un teorema importante
sobre los n
umeros racionales.
Proposici
on: p P p2 P y i I i2 I.
Prueba. Para demostrar una doble implicacion hay que demostrar, generalmente por separado, que vale la implicacion hacia la derecha y tambien
la implicaci
on hacia la izquierda. Comencemos con las implicaciones hacia
la derecha.
(p P = p2 P): escribimos el elemento generico del conjunto P y demostramos que esta propiedad vale para ese elemento. La demostracion se
extender
a automaticamente a todos los otros n
umeros pares. Sea entonces
p = 2n, con n N, elevamos p al cuadrado: p2 = (2n)2 = 2(2n2 ), entonces
tambien p2 se puede escribir como el producto de 2 por un n
umero natural,
2n2 , eso prueba que p2 es par.
(i I = i2 I): an
alogamente a lo que hicimos antes, escribimos el elemento generico del conjunto I y demostramos que esta propiedad vale para
ese elemento, la demostracion se extendera automaticamente a todos los
otros n
umeros impares. Sea entonces i = 2n + 1, con n N, elevamos i al
cuadrado: i2 = (2n + 1)2 = 4n2 + 4n + 1 = 2(2n2 + 2n) + 1, entonces tambien
i2 se puede escribir como el producto de 2 por un n
umero natural, 2n2 + 2n,
m
as 1, eso prueba que i2 es impar.
(p P = p2 P): sea p2 un n
umero par obtenido elevando al cuadrado
un n
umero natural p. Dado que N es la union disjunta del conjunto de los
n
umeros pares e impares, s
olo quedan dos posibilidades p es par o impar. Si
p fuera impar, por lo que acabamos de demostrar, p2 sera impar! Entonces
s
olo queda la posibilidad que tambien p sea par.
(i I = i2 P): se usa el mismo razonamiento del punto anterior.
2
Volviendo a las operaciones entre n
umeros: Z no es cerrado con respecto a
la operaci
on de divisi
on, por ejemplo 4 y 9 pertenecen a Z pero la division
4
umero entero. En cambio Q es cerrado con respecto a la
9 no es un n
operaci
on de divisi
on, o sea, la ecuacion x = ab , con a, b Q tiene solucion en
Q. Sin embargo, Q no es cerrado con respecto a
la operacion de extraccion de
la raz, como vamos a demostrar ense
nando que 2 no es un n
umero racional.

Para hacer eso, necesitamos introducir una tecnica de demostraccion muy

potente que se llama
T
ecnica de demostracci
on por reducci
on al absurdo.
Queremos demostrar que se cumple la propiedad P;
Si P es una propiedad verdadera, entonces la afirmacion opuesta a P,
que escribimos como P, es falsa;
Una afirmaci
on falsa lleva a contradicciones logicas, llamadas absurdos;
Entonces, si se logra demostrar que P lleva a un absurdo, eso muestra
que P es falsa;
Habiendo demostrado que P falsa, queda demostrado que P es verdadera.
Euclides hizo un uso extenso de esta tecnica es su famoso libro Elementos y a el se debe la siguiente demostracion, una de las mas elegantes de
toda la matem
atica, de un resultado obtenido por primera vez por Hippasos
de Metaponto.
Proposici
on:

2 no es un n
umero racional.

Prueba. Usamos la tecnica de demostracion por absurdo. Negamos la

afirmaci
on, o sea declaramos que 2 es un n
umero racional, y demostramos

que eso lleva a una contradiccion. Eso demostrara que la afirmaci

on 2 es
un n
umero racional es falsa, entonces quedara demostrado que 2 no es un
n
umero
racional.

Si 2 es un n
umero racional, por definici
umeros enteros
on,p existen dos n
p, q Z, p y q coprimos y tales que 2 = q . Si elevamos esta expresion
2

al cuadrado obtenemos 2 = pq2 , o sea p2 = 2q 2 , lo cual dice que p2 es par,

pero hemos visto antes que p2 es par si y solo si p es par. Entonces p se
puede escribir como p = 2n, por un adecuado n N, con lo cual la relacion
p2 = 2q 2 se vuelve 4n2 = 2q 2 , o sea q 2 = 2n2 , por lo tanto tambien q 2 es par
y entonces tambien q es par.
Hemos llegado al absurdo, o sea a la contradiccion, porque hemos supuesto
que p y q eran coprimos, pero siguiendo la hipotesis de absurdo hemos llegado
a mostrar que p y q son pares y, por tanto, no coprimos.
2

10

Este resultado es muy sorprendente y contraintuitivo porque, siendo Q

cerrado con respecto a la division, dados dos n
umeros racionales, siempre
podemos construir otro n
umero racional que este entre ellos, por ejemplo su media aritmetica: p+q
amos pensar que pode2 . Intuitivamente, podr
mos seguir tomando promedios de n
umeros racionales llegando a identificar
cualquier n
umero como un n
umero racional, pero el teorema que acabamos
de demostrar ense
na que nuestra intuicion no es correcta: no podemos representar gr
aficamente los n
umeros racionales
como una recta continua porque
en Qexisten lagunas, como por ejemplo 2. Para dibujar la laguna dada
por 2 se suele construir (vease la figura siguiente) un cuadrado de lado
1 con el vertice de suroeste en el punto 0 de una recta horizontal:
por el

teorema de Pit
agoras, la diagonal del cuadrado tiene longitud 1 + 1 = 2,
si rotamos ladiagonal sobre la recta encontramos un punto que tiene una
distancia de 2 de 0 (porque la rotacion mantiene constante la longitud de
la diagonal del cuadrado). Como acabamos de ver, ese punto no puedeser
representado como un n
umero racional. Existen infinitos puntos como 2,
por ejemplo . Esos puntos se llaman irracionales y se puede demostrar
que son muchos m
as que los n
umeros racionales, pero eso va mas alla del
fin de este curso.

En la proposici
on que sigue damos una caracterizacion u
til de los n
umeros
racionales e irracionales en terminos de n
umeros decimales.
Proposici
on: los n
umeros racionales coinciden con los n
umeros decimales
finitos o peri
odicos (con periodo diferente de 9) y los n
umeros irracionales
coinciden con los n
umeros decimales infinitos no periodicos.
Ejemplos: 1/4 = 0,25 y 1/3 = 0.3 son racionales y tienen
una expresion
decimal finita e infinita periodica, respectivamente, pero 2 = 1,4142135 . . .
es un n
umero infinito no periodico.
Se define el conjunto de los n
umeros reales como la union de Q con
los n
umeros irracionales:

11

R = Q {Irracionales}.
Se puede demostrar que cada punto sobre la recta se puede identificar con un n
umero real, entonces R no tiene las lagunas de los
racionales. Por esta raz
on, a partir de ahora, llamaremos R el conjuntos
de los n
umeros reales o la recta real o el eje real. A pesar de tener lagunas, Q es denso en R, una afirmacion que se puede formalizar en el siguiente
teorema.
Teorema de densidad de los racionales: pareja de n
umeros reales r1 , r2
un n
umero racional q tal que r1 < q < r2 .
El teorema de densidad nos dice que cada n
umero real puede ser aproximado con precisi
on arbitraria por un n
umero racional, ya que, si queremos
aproximar por ejemplo r1 , podemos elegir r2 muy cercano a r1 , y por el
teorema anterior, existir
a un n
umero racional q a
um mas cercano a r1 que
r2 ! Este hecho se usa cada da en los ordenadores.
Otra propiedad de R que resultara u
til en el curso es que R es un conjunto totalmente ordenado, es decir, para cada x, y R se puede definir una
relaci
on binaria < entre ellos con este significado: x < y x y < 0.

1.2.1.

Intervalos en R

Dados a, b R, definimos estos subconjuntos notables de R:

[a, b] = {x R : a x b}, intervalo cerrado y limitado;
(a, b] = {x R : a < x b}, intervalo semiabierto inferiormente y
limitado;
[a, b) = {x R : a x < b}, intervalo semiabierto superiormente y
limitado;
(a, b) = {x R : a < x < b}, intervalo abierto y limitado, a y b se
llaman puntos de frontera;
[a, +) = {x R
superiormente;

x a}, intervalo semiabierto e ilimitado

(a, +) = {x R : x > a}, intervalo abierto e ilimitado superiormente;

12

(, b] = {x R : x b}, intervalo semiabierto e ilimitado inferiormente;

(, b) = {x R : x < b}, intervalo abierto e ilimitado inferiormente;
En particular, identificamos
R = (, +);
R+ = (0, +);
R+
0 = [0, +);
R = (, 0);
R
0 = (, 0].
+ y no son n
umeros reales, sino que definen un comportamiento tendencial que formalizaremos con la teora de los lmites.
a y b se llaman extremos o puntos de frontera del intervalo (cuando
un intervalo es limitado o lo es inferiormente o superiormente).
Terminamos el recorrido de los conjuntos numericos con los n
umeros
complejos. Hemos visto que Qno es cerrado con respecto a la operacion de
extracci
on de la raz, porque 2
/ Q.
En R podemos resolver todas las ecuaciones algebraicas que se pueden
resolver en N, Z, Q y adem
as ecuaciones del tipo x = a2 porque R es cerrado
con respecto a operaciones de extraccion de raz.
Sin embargo, existen ecuaciones algebraicas que no se pueden resolver en
R, por ejemplo: x2 = 1, porque ning
un n
umero real, elevado al cuadrado
(o a otra potencia par), devuelve un n
umero negativo.
Lo n
umeros complejos fueron utilizados por primera vez en la historia
por los algebristas italianos Scipione del Ferro (1465-1526), Niccol`o Tartaglia
(1499-1557), Girolamo Cardano (1501-1576) y Raffaele Bombelli (1526-1572)
con el preciso intento de arreglar esta falta. La solucio
n se demostro ser la
3
siguiente: se define la unidad imaginaria como i = 1 y se definen los
n
umeros complejos como la suma de dos n
umeros reales, uno de los cuales
multiplicado por i:
3
El nombre imaginario se debe al grande matem
atico frances Rene Descartes (15961650) que pensaba (incorrectamente) que los n
umeros complejos fuesen s
olo artificios
matem
aticos para resolver ecuaciones algebraicas de grado superior al primero y que no
existieran en la realidad, sino s
olo en la imaginaci
on matem
atica.

13

C = {z : x, y R : z = x + iy} .
C se llama conjunto de los n
umeros complejos, x se llama parte real e
y se llama parte imaginaria de z. La teora de los n
umeros complejos se

desarrolla en el curso de Algebra,

al cual hacemos referencia. Aqu decimos
simplemente que C no es un conjunto ordenado y que R C porque cada
z C con parte imaginaria nula se puede identificar con el n
umero real que
da su parte real. La cadena de inclusiones entre conjuntos numericos es:
NZQRC.

14

1.3.

Funciones

El concepto de funci
on es central en matematica y, sorprendentemente,
s
olo en una fecha relativamente reciente (1829) ha sido formalizado.
La idea b
asica que est
a detras del concepto de funcion es la conexi
on
entre input y output de un sistema:

f es el conector que asocia a cada dato de input x un u

nico dato de
output f (x). Es la unicidad de la correspondencia la que caracteriza el
concepto de funci
on. Para tener un ejemplo practico, podemos pensar en
una caja negra que calcule el area de los crculos a partir del radio r, area
que sabemos ser r2 . En este sistema cada dato de input es un valor r del
radio del crculo, al cual corresponde un u
nico dato de output r2 y la caja

negra es la funci
on Area
que asocia r a r2 :

r Area
r2 .
Resulta muy u
til abstraer la definicion y no atarse a un ejemplo concreto y
tener una definici
on general, que debemos a Johann Dirichlet, matematico
alem
an (1805-1859) y Nikolai Lobachevsky, matematico ruso (1792-1856).
Def. general de funci
on (Dirichlet-Lobachevsky): sean X e Y dos conjuntos cualquiera. Una funcion f entre X e Y es una ley que asocia a cada
elemento x X uno y un solo elemento y = f (x) Y . Se suele escribir
f : X Y
x 7 y = f (x),
o bien f : X Y , x X 7 y = f (x) Y .
y = f (x) se llama imagen de x a traves de f . x se llama pre-imagen o
anti-imagen de y va f . X se llama dominio de f y el conjunto de todas las
im
agenes de elementos de X a traves de f se llama codominio o imagen
de f y se escribe f (X) (o Imf en algunos libros).
Evaluar una funci
on f en un punto x0 de su dominio significa calcular cuanto vale su imagen, o sea encontrar y0 = f (x0 ).
15

El ejemplo m
as trivial de funcion esta dado por la funci
on identidad
sobre un conjunto cualquiera X:
idX : X X
x 7 idX (x) = x,
o sea, la funci
on que deja cualquier punto del conjunto invariado. Veremos
la utilidad del concepto de funcion identidad mas adelante cuando hablemos
de la relaci
on entre composicion e inversion de funciones.
Cuando X R se dice que f es una funcion de variable real, cuando
Y R se dice que f toma valores reales, si tanto X como Y son subconjuntos
de R, se dice que f es una funci
on real de variable real:
f : X R Y R
x
7 y = f (x),
llamaremos f (x) a la expresi
on analitica o correspondencia funci
onal
de f . Como dominio y codominio de una funcion real de variable real son
siempre subconjuntos de R, se suelen denotar estas funciones simplemente
a traves de la correspondencia funcional, escribiendo y = f (x), expresando
a parte el dominio.
Aunque tambien nosotros muchas veces usaremos esta comoda convenci
on, invitamos a los estudiantes a practicar la notacion completa, porque
resultar
au
til a la hora de analizar la composicion de funciones y la teora
de las funciones de m
as variables.
Remarcamos adem
as que una funci
on est
a completamente e unvocamente determinada a trav
es de su dominio, codominio y correspondencia funci
onal. As pues, dos funciones que tienen la misma correspondencia funci
onal, pero dos dominios o codominios diferentes, tienen
que considerarse dos funciones diferentes.
Las funciones reales de variable real mas sencillas son las funciones
constantes.
Def.: llamamos funci
on constante (real) cualquier funcion de la forma
k : R {k} R
x 7 k(x) = k.
{k} es el subconjunto singleton de R dado por el solo n
umero real k.
Denotaremos por sencillez las funciones constantes como sigue k(x) k,
donde se lee equivale, para remarcar que una funcion constante mapea
16

todos los n
umeros reales en una constante k (que es la constante que define la
funci
on). En particular, tenemos la funci
on id
enticamente nula 0(x) 0
y la funci
on unidad 1(x) 1.
El hecho de que la imagen de una funcion constante no contenga la variable x no tiene que confundir: el dominio y el codominio de una funcion no
tienen porque coincidir, los datos de input y los de output de una funcion
pueden ser muy diferentes entre ellos. Como ejemplo concreto podemos pensar a la funci
on que calcula el area de un rectangulo: los datos de input son
dos, la longitud de los dos lados del rectangulo, pero el dato de output es
s
olo uno, el
area del rect
angulo.
Otros ejemplos notables de funciones reales de variable real son la funci
on
valor absoluto y signo, que nos permiten mostrar tambien que las funciones
se pueden definir por trozos:
Funci
on signo: devuelve el signo de un n
umero real multiplicado por
1. Se puede definir en dos formas, una definida sobre R quitando el
cero y la otra definida sobre todo R:
sign : R \ {0} {1, +1} (
+1 si x > 0
x
7 sign(x) =
;
1 si x < 0
sign0 : R {1, 0, +1}

+1 si x > 0
x 7 sign(x) = 0
si x = 0 .

1 si x < 0
Funci
on valor absoluto: devuelve la magnitud, con signo siempre
positivo, de un n
umero real
| | : R R+
0
x

(
x
| |(x) = |x| =
x

si x 0
.
si x < 0

Resulta evidente que:

|x| = x sign(x) ,
sign(x) =

x
|x|
=
,
|x|
x
17

x R;
x R \ {0}.

Aunque las funciones reales de variable real sean funciones de enorme

importancia en la ciencia, remarcamos que estas son solo una clase particular
de funciones y que es importante recordar la definici
on general de funci
on.
A cada funci
on se asocia un grafico, cuya definicion necesita recordar lo
que es el producto cartesiano entre dos conjuntos X, Y :
X Y = {(x, y) : x X, y Y, con ese orden}
el producto cartesiano entre dos conjuntos es el conjunto cuyos elementos son las parejas ordenadas de elementos de X y de Y , con ese
orden. Iterando el proceso se define el producto cartesiano entre n conjuntos
X1 , . . . , Xn como sigue:
X1
. . }Xn = {(x1 , . . . , xn ) : xi Xi , i = 1, . . . , n, con ese orden}
| .{z
n veces

o sea el conjunto de las n-uplas ordenadas en la cual el elemento de posici

on
i viene del conjunto Xi .
Si, en particular, todos los Xi coinciden con X, entonces tenemos
X n = X
. . }X
| .{z

potencia cartesiana n-esima de X,

n veces

X n est
a dado por n-uplas ordenadas de elementos de un solo conjunto. En
particular, si X = R, tenemos:
R2 = R R = {(x, y) : x, y R}, plano real dado por las parejas
de abscisas x y ordenadas y;
R3 = R R R = {(x, y, z) : x, y, z R}, espacio real tridimensional dado por las triplas de abscisas x, ordenadas y y alturas
z;
Rn = R
. . }R = {(x1 , . . . , xn ) : xi R i = 1, . . . , n}, espacio
| .{z
n veces

real n-dimensional.
Estamos listos para poder definir el concepto de grafico de una funcion.

18

Def.: dada la funci

on f : X Y , x 7 f (x), su gr
afico es el subconjunto de X Y definido por
gr
afico(f ) = {(x, y) : x X, y = f (x)} ,
o sea, el conjunto de las parejas ordenadas donde el primer elemento es un
punto del dominio de f y el segundo es la imagen de ese punto a traves de
f.
Si f es una funci
on real de variable real, su grafico es una curva en el
plano real, como muestra la figura de izquierda de la siguiente imagen.

Cada punto de la curva, proyectado sobre el eje horizontal, corresponde a

un u
nico elemento x0 del dominio [a, b] de f (resaltado en azul). En cambio, si
proyectamos sobre el eje vertical, encontramos un elemento y0 del codominio
[c, d] de f (resaltado en rojo).
Gr
aficamente, el dominio de una funcion real de variable real es un subconjunto del eje horizontal, mientras que el codominio es un subconjunto
del eje vertical.
En la figura de derecha de la imagen arriba se ve una curva que no
representa el gr
afico de una funci
on, porque, por ejemplo, la recta vertical
que corta el eje horizontal en x0 intersecta la curva en tres puntos diferentes
que se proyectan sobre el eje vertical en los puntos y1 , y2 , y3 . Si la curva
representara el gr
afico de una funcion, x0 tendra tres imagenes distintas, lo
cual es contrario al car
acter de unicidad de la correspondencia entre input
y output que caracteriza el concepto de funcion.
Obviamente, el gr
afico de las funciones constantes es una recta
horizontal que tiene una altura igual al valor de la constante. En
particular, el gr
afico de la funcion nula coincide con el eje horizontal dado
por los puntos (x, 0) del plano real (a cualquier abscisa corresponde ordenada

19

nula). El gr
afico de la funcion identidad sobre R, o sea id(x) = x x R es
la recta bisectriz al primer y tercer cuadrante:

El la p
agina siguiente introducimos unas definiciones sobre propiedades
notables de las funciones reales de variable real.

20

Propiedades de las funciones reales de variable real

Una funci
on f : D R R real de variable real se dice:
limitada si su codominio esta incluido en un subintervalo finito de R,
o sea si su gr
afico esta contenido en una cinta horizontal del plano;
mon
otona creciente sobre un intervalo I D si x1 < x2 implica
f (x1 ) f (x2 ) x1 , x2 I (si vale < se dice que f es estrictamente
mon
otona creciente), o sea, si la ordenada sobre su grafico crece a
medida que la abscisa crece;
mon
otona decreciente sobre un intervalo I D si x1 < x2 implica
f (x1 ) f (x2 ) x1 , x2 I (si vale > se dice que f es estrictamente
mon
otona decreciente), o sea, si la ordenada sobre su grafico decrece
a medida que la abscisa crece;
peri
odica con periodo p R si f (x + p) = f (x) x D, o sea, si cada
trozo de gr
afico de f de longitud p se repite;
par si f (x) = f (x), x D, (su grafico es simetrico con respecto al
eje vertical);
impar si f (x) = f (x) x D, (su grafico es simetrico con respecto
al origen de los ejes);
inyectiva si x1 , x2 D, x1 6= x2 = f (x1 ) 6= f (x2 ), o sea, si f mapea
dos elementos diferentes del dominio en dos imagenes diferentes. Por
definici
on, cada pareja de puntos diferentes sobre del grafico de una
funci
on inyectiva se proyecta en dos puntos diferentes sobre el eje vertical. Es evidente que una funcion estrictamente monotona (creciente
o decreciente) es siempre inyectiva;
exhaustiva sobre todo R si f (D) = R, o sea, si todos los valores de R
coinciden con im
agenes de elementos de D a traves de f . Obviamente
una funci
on limitada no puede ser exhaustiva sobre R;
biyectiva si es simult
aneamente inyectiva y exhaustiva, o sea si y R
! x D tal que y = f (x), se dice que f realiza una correspondencia
1-1 entre D y R.
Durante las clases de pr
acticas presentaremos ejemplos de funciones elementales y discutiremos sus propiedades de inyectividad, periodicidad, etc.
La figura que sigue presenta el grafico de una funcion no inyectiva.
21

existen tres puntos con abscisas diferentes x1 , x2 , x3 , que tienen la misma

ordenada y = f (x1 ) = f (x2 ) = f (x3 ).

1.4.

Operaciones algebraicas entre funciones

Las funciones se pueden sumar, restar, multiplicar por un n

umero real o
entre ellas (y entonces elevar a potencia) y dividir (siempre que la funcion
que aparece en el denominador sea diferente de 0). Estas operaciones se
implementan puntualmente, como vamos a ver con las siguientes definiciones.
Def.: dadas f, g : D R R y c R,
f g : D R R, (f g)(x) = f (x) g(x), x D;
f g : D R R, (f g)(x) = f (x)g(x), x D;
f n : D R R, f n (x) = (f (x))n , x D, n N;
c f : D R R, (c f )(x) = cf (x), x D;
f
g

: D R R,

f
g (x)

f (x)
g(x) ,

x D tal que g(x) 6= 0.

Veamos un ejemplo: f (x) = sin(x) y g(x) = x2 , ambas definidas sobre todo

R,
(f + g)(x) = sin(x) + x2 ;
(f g)(x) = x2 sin(x);
f 2 (x) = (sin(x))2 = sin2 (x), g 3 (x) = (x2 )3 = x6 ;
22

(3 f )(x) = 3 sin(x), (7 g)(x) = 7x2 ;

f
g (x)

1.5.

sin(x)
,
x2

con x 6= 0.

Composici
on de funciones

Pensemos otra vez en una funcion como en una caja negra que conecta
un dato de input con un dato de output (y uno solo) de un cierto sistema.
Supongamos que en nuestro sistema existen dos cajas negras representadas
por dos funciones puestas en cascada (vease la proxima figura), en este caso
la relaci
on entre input y output esta dada por la funci
on compuesta entre
las dos. Obviamente el razonamiento tiene sentido con la condicion que la
segunda funci
on pueda interpretar los datos de output de la primera, es
decir, si las im
agenes de la primera funcion pertenecen al dominio de la
segunda.

Formalicemos la operacion de composicion como sigue.

Def.: dadas dos funciones f1 y f2 ,
f1 : X Y
x 7 y = f1 (x)
f2 : W
w

Z
7 z = f2 (w)

tales que Y W , podemos definir la composicion entre f1 y f2 , en este

orden, como la funci
on f2 f1 definida as
f2 f1 : X Z
x 7 (f2 f1 )(x) = f2 (f1 (x)).
Puede resultar u
til visualizar los pasos de la composicion como sigue:
f1

f2

X Y W

Z
x 7 y = f1 (x) 7 z = f2 (y),
23

entonces f2 f1 puede ser pensada, en conjunto, como la funcion que conecta

x directamente a z, aunque intrnsecamente lo haga a traves de dos pasos: el
primero transformando x en y con la funcion f1 y el segundo transformando
y en z con f2 .
Observemos que:
El dominio de f2 f1 coincide con el dominio de f1 , la primera funcion
que se aplica;
La imagen de f2 f1 coincide con la imagen de f2 , la segunda funcion
que se aplica;
El sentido de la composicion es fundamental: puede ser posible la composici
on f2 f1 pero no f1 f2 , o viceversa. Aunque ambas composiciones fuesen posibles, en general, daran resultados diferentes.
Ejemplo:
f1 = log : R+ R
x 7 y = log(x),
f2 = ()3 : R R
y 7 y 3 ,
la composici
on f2 f1 es posible: f2 f1 (x) = f2 (log(x)) = (log(x))3 . La
composici
on f1 f2 no es posible porque el logaritmo esta bien definido solo
+
sobre R , mientras que el codominio de f2 es todo R.
Terminamos esta secci
on enunciando un resultado que relaciona monotonia y composici
on:
Teorema: son verdaderas las propiedades siguientes
La suma de dos funciones monotonas crecientes es creciente;
La suma de dos funciones monotonas decrecientes es decreciente;
La composici
on de dos funciones monotonas crecientes es creciente;
La composici
on de dos funciones monotonas decrecientes es creciente;
La composici
on de una funcion monotona crecientes y una decreciente
es decreciente;

24

1.6.

Inversi
on de funciones

Volviendo a la analoga entre una funcion y una caja negra que asocia un
dato de input a un dato de output, es interesante preguntarse si es posible,
una vez que los datos hayan sido transformadso, volver atras y determinar
a que dato de input corresponde cada dato de output.
Es f
acil darse cuenta que esto es posible solo si la funcion es inyectiva.
Consideremos, por ejemplo, la situacion que muestra la figura siguiente, en
la cual la funci
on f asocia a dos datos de input distintos, x3 y x4 , el mismo
dato de output y3 . Si queremos asociar un valor unvoco al dato de input
que f ha transformado en y3 , nos enfrentamos a una ambig
uedad: tenemos
que elegir x3 entre x4 ? Si queremos asociar y3 a un dato de input a traves
de una correspondencia funcional no podemos asociar y3 a ambos porque
perderamos la caracterstica fundamental de una funcion: la unicidad de la
asociaci
on entre input y output! Por otro lado, tanto x3 como x4 tienen el
mismo derecho de ser elegidos. No hay forma de obviar este problema, de
ah que la falta de inyectividad haga que no sea posible invertir una funcion.

Si tenemos una funci

on f inyectiva, para invertirla todo lo que tenemos
que hacer es asociar a cada imagen de f su unica pre-imagen:
Def.: sea
f : X f (X) Y
x 7 y = f (x),
una funci
on inyectiva. Definimos la funcion inversa de f como sigue:
f 1 : f (X) X
y
7 f 1 (y) = x,
donde x es la u
nica pre-imagen de y, o sea el u
nico elemento de X tal que
f (x) = y.

25

Ejemplos:

: R R

x 7 y = 3 x,

es la funci
on que asocia a cada x R su raz c
ubica y es inyectiva.

3
Fijemonos en un valor de output de
, por ejemplo 2, y preguntemonos
de que valor de input proviene: eso equivale a preguntarse cual es el n
umero
real cuya raz c
ubica vale 2. Sabemos que ese n
umero es 8, que es el cubo de
2. Eso vale para cualquier n
umero real y obtenido despues de la operacion
de raz c
ubica: el n
umero x que ha sido transformado en y por la raz c
ubica

3
es el cubo de y, porque si elevamos al cubo la expresion y = x obtenemos

y 3 = ( 3 x)3 = x, o sea x = y 3 . Sigue que la funcion inversa de 3 es la

funci
on que eleva al cubo.
Es interesante observar que si componemos la funcion raz c
ubica con la
funci
on que eleva al cubo obtenemos la funcion identidad sobre R:

3
x 7 x3 7 x3 = x
y lo mismo vale si hacemos la composicion al reves:

x 7 3 x 7 ( 3 x)3 = x,
x R.
Este es un hecho general: la composici
on entre una funci
on f y su
inversa f 1 es la funci
on identidad sobre el dominio de f , mientras
que la composici
on entre f 1 y f es la funci
on identidad sobre el
codominio de f :
f 1 f = idX ,

f f 1 = idf (X) .

Por ejemplo, sabemos que el logaritmo Neperiano (o natural) log o ln

es la funci
on inversa de la funcion exponencial exp con base dada por el
n
umero de Neper4 e ' 2,7182. El dominio de log es R+ y su codominio R,
an
alogamente, el dominio de exp es R y su codominio es R+ , por lo tanto:
exp log = idR+ ,
Ejemplo: e3 log(x) = elog x
4

= x3 =

log exp = idR .

1
,
x3

x > 0. log(e2x ) = 2x, x R.

John Napier of Merchiston, matem

atico brit
anico (1550-1617).

26

1.7.

Los ceros de las funciones reales de variable

real y sus caracterizaci
on abstracta

En esta secci
on definiremos los ceros de las funciones reales de variable
real y examinaremos una caracterizacion que tendra la doble utilidad de
practicar la tecnica de demostraccion por absurdo y de adelantar unos conceptos b
asicos para desarrollare la teora de los lmites.
Def. Un cero de una funcion real de variable real f : D R R es un
punto x0 D tal que f (x0 ) = 0, o sea un punto del dominio de f donde la
funci
on de anula.
Una funci
on generica puede tener ningun cero (por ejemplo la funcion
exponencial), un solo cero (por ejemplo el logaritmo, que tiene un cero en x =
1), un n
umero finito de ceros (por ejemplo un polinomio) o hasta un n
umero
infinitos de ceros (por ejemplo las funciones trigometricas seno, coseno y
tangente).
Existe una caracterizaci
on abstracta muy interesante de los ceros de una
funci
on:
Teorema: x0 es un cero de f > 0 vale que |f (x0 )| < .
Prueba: Hay que probar que la dos implicaciones.
=: si x0 es un cero de f entonces, por definicion, f (x0 ) = 0 entonces
|0| = 0 < para cualquier eleccion de > 0;
=: supongamos que > 0 valga que |f (x0 )| < . Si, por absurdo, x0
no es un cero de f , o sea f (x0 ) 6= 0, entonces |f (x0 )| > 0, por lo tanto, si
definimos = |f (x0 )| tenemos que |f (x0 )| = , lo cual contradice la hipotesis
que |f (x0 )| < para cada > 0.
2

27

1.8.

Los conjuntos funcionales

Existen conjuntos cuyos elementos son funciones. Estos conjuntos se llaman, por razones obvias, conjuntos funcionales. Podemos dar unos ejemplos:
F = {f : D R R}
FI F = {f : D R R, f inyectiva}
FE F = {f : D R R, f exhaustiva}
etc.
El estudiante podr
a comenzar a ver la importancia de los espacios funcionales durante el curso de Ecuaciones Diferenciales del tercer trimestre.

28

1.9.

Las funciones elementales de la matem

atica y
sus gr
aficos

Durante las clases de practicas se presentaran las funciones elementales

del c
alculo. En esta secci
on mostramos sus graficos.

29

30

31

32

33

34

35

Captulo 2

Introducci
on al c
alculo
diferencial: el concepto de
lmite
El nombre c
alculo diferencial significa literalmente calculo de las
diferencias, pero, cu
ales son estas diferencias? Se trata de diferencias, como se suele decir, infinitesimas, o sea, peque
nas hasta cuanto uno quiera.
Obviamente este concepto necesita una definicion mas rigurosa, que corresponde a la definici
on de lmite. Para justificar la exigencia de la introduccion
de los lmites veamos unos ejemplos que vienen de la geometra y de la vida
real, en los cuales aparece el concepto de diferencia infinitesimal.

2.1.

Motivaciones para la introducci

on del concepto de lmite

Consideremos las siguientes preguntas:

1. Qu
e es la velocidad instant
anea de una particula en movimiento? El padre de la ciencia moderna, el fisico-matematico italiano Galileo
Galilei (1564-1642), haba definido, en los primeros a
nos del 1600, la
velocidad media vm de una particula en movimiento como la razon entre el espacio s recorrido en un intervalo de tiempo t y t mismo:
s
vm =
.
t
Esta definici
on es suficiente para describir el movimiento rectilneo
uniforme, en el cual la velocidad de la partcula es constante, pero no
36

basta para describir movimientos mas complejos como, por ejemplo, la

cada de un cuerpo bajo la accion de la gravedad, en el cual la velocidad cambia en cada instante. En estos casos tenemos que considerar
la velocidad instant
anea, o sea la velocidad media en un instante de
tiempo infinitamente breve. Pero, que significa eso? Matematicamente
esa frase no tiene sentido, porque es evidente que si hacemos tender
t a 0, tambien s tendra a 0, entonces llegaremos a una expresion
que, por ahora, no tiene ning
un significado: 00 . La primera persona
que atac
o este problema fue uno de los genios mas grandes de la historia, el fsico-matematico ingles Isaac Newton (1642-1727), nacido
en el a
no en el cual se murio Galileo Galilei! Con su metodo de las
fluxiones, Newton dio la primera definicion de velocidad instantanea
como derivada de la funcion s(t) que asocia a cada instante de tiempo
t el punto en el espacio donde se encuentra la partcula que se esta desplazando. Como veremos, la derivada de s(t) es el lmite, para t
que tiende a 0, de la razon entre s y t. Este ejemplo ense
na como
la exigencia de la formalizacion del concepto de lmite y de derivada
est
a ntimamente relacionada con el nacimiento de la ciencia moderna.
2. Qu
e es la aceleraci
on y qu
e relaci
on tiene con las fuerzas
que actu
an sobre un cuerpo? Galileo Galilei haba observado tambien que, si ninguna fuerza act
ua sobre un cuerpo, este se mueve con
un movimiento rectilneo uniforme (o sea, con un vector velocidad constante) y describi
o la situacion de estar parado como un caso particular
de movimiento rectilineo uniforme donde la velocidad es cero en cada instante. Galileo observo que, entonces, el efecto de una fuerza que
act
ua sobre un cuerpo no puede ser la velocidad de desplazamiento del
cuerpo mismo y se pregunto, cual es este efecto? Fue de nuevo Newton a contestar a esta pregunta, con la ecuacion mas importante de la
din
amica, en la cual relaciono explcitamente la fuerza que act
ua sobre
un cuerpo con la aceleracion del cuerpo msmo, o sea, con la variacion
de su velocidad. Pero, como se mide la variacion de la velocidad? Veremos que este problema se resuelve considerando la derivada segunda
de la funci
on s(t). De nuevo, la voluntad de profundizar en la comprensi
on de los fen
omenos fsicos genero la necesidad de desarrollar
instrumentos matem
aticos mas potentes.
3. Qu
e es la recta tangente a una curva en un punto? La respuesta a esta pregunta parece trivial si pensamos en la circunferencia
C: en ese caso podemos pensar en la recta tangente en cada punto P

37

como la u
nica recta que pasa por P y que es perpendicular al radio
de C, o bien como aquella recta que pasa por P y que no intersecta C
en ning
un otro punto. Pero si intentamos extender estas definiciones
a curvas m
as generales podemos ver enseguida que pierden su significado: el radio es una caracterstica de las circunferencias, no existe
el radio de parabolas o hiperbolas, etc. La segunda definicion parece
m
as facil de generalizar, y en cierta medida lo es porque sigue valida
para las c
onicas (circunferencias, elipses, parabolas, hiperbolas), pero
si consideramos, por ejemplo, la curva dada por el grafico de la funcion
y = x3 , podemos ver que (aparte de en el origen) la recta tangente al
gr
afico en un punto intersecta siempre otro punto del grafico msmo,
como se ve en la figura aqu debajo.

Viceversa, existen curvas, por ejemplo el grafico de la funcion y = |x|,

que tienen infinitas curvas que tocan el grafico en un solo punto, e
intuitivamente no sabemos como elegir entre una u otra para definir
la recta tangente.

Nos damos cuenta de que, a pesar de que nos parezca obvio e intuitivo
38

definir la recta tangente a una curva en una cierta forma, no podemos

dar una definici
on rigurosa y general.
Geometricamente, la recta tangente en P se puede aproximar con una
recta secante en dos puntos al grafico de f , uno fijo, P , y uno movil, Q,
que puede acercarse o alejarse de P . A medida que Q se acerca a P , sin
coincidir con P , la (
unica) recta que pasa por P y Q se acerca a la recta
tangente al grafico de f en P . Es importante observar que este proceso
no termina con Q que viene a coincidir con P , porque en ese caso no
tendramos la posibilidad de definir una sola recta, dado que por un
punto pasan infinitas rectas! En cambio, para poder definir la recta
tangente, Q tiene que acercarse a P indefinidamente. Encontramos de
nuevo un problema que necesita la definicion rigurosa de un proceso
infinito.
Como veremos en breve, la definicion de recta tangente a una curva
est
a relacionada con la derivada, y entonces con la velocidad, pero observamos que su utilidad va mas alla: considerando esta figura es facil

darse cuenta de que, en los puntos extremos (maximos y mnimos) del

gr
afico de f la recta tangente tiene pendiente nula (es paralela al eje
horizontal). Resulta por tanto u
til conocer la expresion de la recta tangente al grafico de una funcion para saber cuando esta es horizontal y
seleccionar as los puntos que pueden ser maximos o mnimos (criterio
introducido por primera vez por el matematico frances Pierre de Fermat (1601-1665) alrededor del 1630, antes de que el calculo diferencial
fuese inventado... Fermat es famoso por sus intuiciones geniales que,
muchas veces, no formalizaba, como su celebre ultimo teorema);
4. Qu
e significa calcular la longitud de una curva? La forma
canonica de calcular la longitud de un objeto linear (no curvilneo) es
39

computar cu
antas veces el perfil de ese objeto contiene una unidad
de medida de longitud canonica (un milmetro, centmetro, metro,
kil
ometro, etc.), pero si un objeto tiene un perfil dado por una curva
no rectilinea este metodo no se puede utilizar. Sin embargo, si consideramos trozos peque
nos de esa curva, estos seran mas semejantes
a una recta y podremos aproximar sus longitudes con la tecnica de
arriba. Obviamente en matematicas el concepto de trozos peque
nos
de una curva no tiene sentido y, de nuevo, aparece en un problema
real la necesidad de definir rigurosamente que quiere decir acercar indefinidamente dos puntos;
5. Como se calcula el
area de una figura con un borde curvilineo? La idea b
asica se debe a Arqumedes, que vivio desde el -287
hasta el -212 y se considera universalmente el matematico mas importante de la antig
uedad. Su idea consiste en aproximar el area a
traves de figuras geometricas que tienen un area conocida (triangulos,
cuadrados, rect
angulos, etc.), a medida de que nos acercamos al borde de la figura tendremos que considerar figuras geometricas de area
conocida cada vez m
as peque
nas, para que estas puedan adaptarse lo
mejor posible al perfil de la figura curvilnea. La formalizacion de la
idea de Arqumedes, como finalmente debera resultar claro, necesita
la definici
on del concepto de lmite, que llego 1800 a
nos despues. Esta
cantidad de tiempo significativa debera hacer apreciar a
un mas el trabajo genial de Newton y Leibnitz, que inventaron el calculo diferencial,
y, entre otros, de Cauchy, que formalizo el concepto basico del calculo
diferencial: el lmite.
Como comentario final a estas motivaciones podemos decir que los problemas de la geometra curvilnea, sin el calculo diferencial, no solo no podran
ser resueltos, sino tampoco definidos!

2.2.

Lmites de funciones

El fundamento sobre el cual se basa el calculo diferencial es el concepto de lmite, que se puede considerar con razon uno de los acontecimientos
culturales m
as importantes en la historia de la Ciencia. El problema de la formalizaci
on del concepto de lmite fue puesto en evidencia por el matematico
italo-frances Lagrange (Turn 1736-Pars 1813): intentando explicar el calculo diferencial (formulado por Newton y Leibnitz casi un siglo antes) a sus

40

estudiantes de las universidades politecnicas de Turn y Pars, se dio cuenta de que no saba contestar con precision a las dudas de sus alumnos con
respecto a conceptos como acercarse indefinidamente a un punto o de
cantidad infinitesima. Cuando Lagrange puso en evidencia el problema de
la formalizaci
on del concepto de lmite, su fama internacional y el respeto
de la comunidad cientifica hicieron que un n
umero cada vez mayor de cientificos prestigiosos se dedicaran a un problema que hasta aquel momento
haba sido considerado de interes secundario: la formalizacion del concepto
de lmite.
Una primera respuesta a la exigencia de rigor formulada por Lagrange
fue dada por el matem
atico frances Jean-Baptiste dAlembert (1717-1783),
pero fue Augustin-Louis Cauchy (1789-1857), tambien frances, el que resolvi
o definitivamente el problema de la definicion formal de lmite, y lo hizo
con instrumentos algebraicos de sorprendente sencillez y que ya estaban a
disposici
on de los matem
aticos desde hace siglos: las inecuaciones!
La definici
on de Cauchy ha pasado a la historia como la definicion -
y para ayudar a su comprension es u
til introducir el concepto de entorno de
un numero real y entorno del infinito:
Def.: sea x0 R,
un entorno de radio r > 0 de x0 es el intervalo abierto
Ur (x0 ) = (x0 r, x0 + r) = {x R : |x x0 | < r} ,
es decir, el conjunto de los puntos que tienen una distancia a x0 estrictamente menor que r;
un entorno de + es cualquier conjunto del tipo (M, +), M R;
un entorno de es cualquier conjunto del tipo (, m), m R.
Hemos usado el hecho de que, en general
|f (x) g(x)| < g(x) < f (x) < g(x) +
porque |f (x)| < corresponde a la union de las soluciones del los dos sistemas
(
f (x) g(x) <
f (x) g(x)

41

(
(f (x) g(x)) <
f (x) < g(x).
La soluci
on del primer sistema es g(x) f (x) < g(x) + , la solucion del
segundo sistema es g(x) < f (x) < g(x), la union de las dos soluciones es
g(x) < f (x) < g(x) + .
En particular,
|x x0 | < x0 < x < x0 + .
Ahora podemos introducir las definiciones de lmites de funciones, comenzando con los lmites finitos. La figura siguiente muestra el concepto basico
subyacente a la idea de lmite (finito):

el lmite de f para x que tiende a x0 es ` si, considerando valores de x

suficientemente cercanos a x0 , pero no iguales a x0 , podemos acercar arbitrariamente los valores de f (x) al valor `. La cercana a x0 y ` se expresa
rigurosamente con el lenguaje de los entornos, como vamos a ver en la definici
on siguiente.

42

Def. - de lmite de funci

on (Cauchy): sea f : D R R, con D
subconjunto abierto de R, y sea x0 D o bien sea x0 un punto de la
frontera de D. Se dice que f converge a ` cuando x tiende a x0 o que el
lmite de f para x que tiende a x0 es `, y se escribe:
lm f (x) = ` ,

xx0

si para cada entorno U (`) f (D), > 0, existe un entorno U (x0 ) D

tal que para x U (x0 ), x 6= x0 , se tiene que f (x) U (`).
La notaci
on significa que, en general, depende de , como muestra
la figura aqu debajo.

Geometricamente: podemos restringir nuestra atenci

on a entornos U de
` en el eje vertical, con radio cada vez m
as peque
no pero > 0 y siempre
encontraremos un entorno de x0 en el eje horizontal de radio > 0 cuyos
puntos se transforman, va f , en puntos de U (`).
Si usamos solo las desigualdades y no los entornos, esta definicion se
escribe como sigue:
lm f (x) = ` > 0 > 0 : 0 < |x x0 | < |f (x) `| < .

xx0

N
otese que la definici
on prescinde de como se comporta f en x0 , punto
en el cual f hasta podra no estar definida! Lo que es importante es el
comportamiento o tendencia de f cuando nos acercamos a x0 , dado que
tanto como son siempre > 0.
Gr
aficamente:

43

Cauchy ha popularizado su teora sobre los lmites en su Cours dAnalyse

(1821) para la Ecole

Polytechnique de Paris, la eleccion de las letras griegas
y se motiva con el hecho de que el sola abreviar la palabra error con
y la palabra distancia con . Como debera resultar claro de su definicion,
y representan, respectivamente, el error que se hace considerando el valor
de f (x) en vez de ` y la distancia entre x y x0 .
N
otese que Cauchy logro dar una definicion rigurosa de distancia infinitesima (y entonces de lmite) a traves de una implicacion entre desigualdades que tiene que valer para cada eleccion de un numero real positivo. El
hecho de que el eje real no tenga los vacos que caracterizan los conjuntos
discretos N, Z y Q, es fundamental para estar seguros de que el proceso de
regresi
on de y hacia cero (sin llegar nunca a cero) este bien definido.
Observaci
on: si f es una funcion constante k(x) k x R, entonces
f (x) toma siempre el mismo valor, por lo tanto es evidente que el lmite
para x x0 de una funci
on constante es igual al valor constante k para
cada x0 R. Entonces la operaci
on de lmite aplicada a una funci
on
constante es trivial.
El lmite de una funci
on en un punto de la frontera de su dominio puede
no ser finito, como vamos a ver en las siguientes definiciones.
Def.: sea f : D R R, con D subconjunto abierto de R, y sea x0 un
punto de la frontera de D. Se dice que f diverge al infinito cuando x tiende
a x0 o que
1. el lmite de f es +, y se escribe:
lm f (x) = + ,

xx0

44

si para cada entorno UM (+), existe un entorno UM (x0 ) D tal

que, para cada x UM (x0 ), x 6= x0 , entonces f (x) UM (+);
2. el lmite de f es , y se escribe:
lm f (x) = ,

xx0

si para cada entorno Um (), existe un entorno Um (x0 ) D tal que,

para cada x Um (x0 ), x 6= x0 , entonces f (x) Um ().
La interpretaci
on de las definiciones 2. y 3. es la siguiente: a medida que
nos acercamos a x0 , la funcion f toma valores cada vez mas grandes en
valor absoluto (positivos o negativos seg
un el signo del infinito). Se ve que el
infinito no es un numero real, sino, de nuevo, el comportamiento o tendencia
de una funci
on. Con el lenguaje de las desigualdades podemos codificar los
lmites arriba definidos de esta forma:
lm f (x) = + M > 0 M > 0 : 0 < |x x0 | < M f (x) > M ;

xx0

lm f (x) = m > 0 m > 0 : 0 < |x x0 | < m f (x) < m .

xx0

Gr
aficamente, podemos representar la definicion de lmite infinito como
sigue:

Se suele decir que la recta x = x0 (paralela al eje y) es una asntota

vertical para la funci
on f .
Si una funci
on tiene dominio sobre todo R o bien sobre subconjuntos
inferiormente o superiormente ilimitados de R, podemos definir los lmites
para x que tiende al infinito:
Def.: sea f : D R R, con D = R o D = (a, +), a R; se dice que
45

1.
lm f (x) = ` ,

x+

con ` R, si para cada entorno U (`), > 0, existe un entorno

UM (+) tal que, para cada x UM (+), se tiene que f (x) U (`).
En este caso se dice que la recta y = ` es una asntota horizontal
para la funci
on f cuando x +. Geometricamente, eso significa
que el grafico de f , a medida que x va hacia + se acerca cada vez
mas a la ordenada `, sin tomar nunca ese valor.
La siguiente figura representa a nivel grafico una asntota horizontal:

2.
lm f (x) = + ,

x+

si para cada entorno UK (+), existe un entorno UMK (+) tal que,
para cada x UMK (+), se tiene que f (x) UK (+);
3.
lm f (x) = ,

x+

si para cada entorno Um (), existe un entorno UMm (+) tal que,
para cada x UMm (+), se tiene que f (x) Um ().
Dejamos como ejercicio extender las u
ltimas definiciones al caso x .

46

2.3.

Lmites laterales

Las definiciones dadas arriba se pueden modificar ligeramente para definir

los lmites laterales. En sustancia, lo u
nico que cambia en estas definiciones
es que se permite a x acercarse a x0 , o a f (x) acercarse a `, solo desde la
izquierda o desde la derecha, respectivamente.
Def. (lmites por la derecha y por la izquierda): sea f : D R R, con
D abierto y x0 D o bien x0 punto de la frontera de D. Se dice que
1. f converge a ` R por la izquierda, o que ` es el lmite de f cuando
x tiende a x0 por la izquierda, y se escribe
lm f (x) = `

xx
0

si > 0, > 0 tal que x0 < x < x0 |f (x) `| < ;

2. f converge a ` R por la derecha, o que ` es el lmite de f cuando x
tiende a x0 por la derecha, y se escribe
lm f (x) = `

xx+
0

si > 0, > 0 tal que x0 < x < x0 + |f (x) `| < .

Dejamos como ejercicio escribir las definiciones de cuando f diverge al infinito al acercarse x a x0 por la izquierda y por la derecha.
Observaci
on: comparando las definiciones de lmite y de lmites laterales
se ve que el lmite de f para x que tiende a x0 existe si y solo si existen los
lmites por la izquierda y derecha y esos lmites coinciden:
lm f (x) = lm f (x) = lm f (x), si existe el lmite .

xx0

xx
0

xx+
0

Def. (lmites derechos e izquierdos) sea f : D R R, con D abierto y

x0 D o bien x0 punto de frontera de D, se dice que
1. f converge a ` R, o que ` es el lmite izquierdo de f cuando x
tiende a x0 , y se escribe
lm f (x) = `

xx0

si > 0, > 0 tal que 0 < |x x0 | < ` < f (x) < `;

47

2. f converge a `+ R, o que `+ es el lmite derecho de f cuando x

tiende a x0 , y se escribe
lm f (x) = `+

xx0

si > 0, > 0 tal que 0 < |x x0 | < ` < f (x) < ` + .

Dejamos como ejercicio escribir las definiciones de cuando f converge a
` cuando x tiene al infinito.
Ejemplos.
1. Comprobar que lmx3 3x 2 = 7 con la definicion de Cauchy y
que los lmites por la derecha e izquierda coinciden con el lmite.
Soluci
on. Sustituyendo 3x 2 por f (x) y 3 por x0 en la definicion
lmite podemos ver que hay que comprobar lo que sigue:
> 0 > 0 tal que |x 3| < |(3x 2) 7| <

().

Observemos que |(3x 2) 7| = |3x 9| = 3|x 3|, entonces la

condici
on () se puede reescribir como
> 0 > 0 tal que |x 3| < 3|x 3| <

(?).

Se ve muy f
acilmente que si tomamos < 3 , entonces la implicacion
contenida en la (?) es verdadera: |x 3| < 3 3|x 3| < 3 3 = , lo
cu
al demuestra que lmx3 3x 2 = 7 seg
un la definicion de Cauchy.
Dado que la desigualdad |x 3| < 3 se escribe explcitamente como
3 3 < x < 3 + 3 , es facil ver (lo dejamos como ejercicio) que si
< 3 entonces valen tambien las dos condiciones 3 3 < x < 3
3|x 3| < y 3 < x < 3 + 3 3|x 3| < , lo cual muestra
que se cumplen las definiciones de lmite por la izquierda y derecha,
respectivamente, y que estos coinciden con el lmite precedente.
2. Comprobar que lmx+

x+1
x

= 1 con la definicion de Cauchy.

Soluci
on. Sustituyendo x+1
on
x por f (x) y + por x0 en la definici
lmite podemos ver que hay que comprobar lo que sigue:


x + 1


> 0 M > 0 tal que x > M 
1 <
().
x
48

1
Dado que | x+1
x 1| = | x |, () se puede reescribir como

> 0 M > 0 tal que x > M

1
<
x

(?)

donde hemos quitado el valor absoluto porque estamos considerando

x > M > 0, entonces tambien x1 > 0. Se ve muy facilmente que
si tomamos M 1 , entonces la implicacion contenida en la (?) es
verdadera, porque si invertimos la desigualdad x > M 1 obtenemos
1
al demuestra que lmx+ x+1
un la definicion de
x < , lo cu
x = 1 seg
Cauchy. Dejamos como ejercicio mostrar que tambien lmx x+1
x =
1. Entonces, la recta y = 1 es una as
ntota horizontal para la funcion
f (x) = x+1
debajo. Un
x cuando x , como se ve en la figura aqu
u
til ejercicio es probar que lmx0 x+1
=
,
as

que
la
recta x = 0
x
resulta una asntota vertical para f (x) = x+1
.
x

En http://www.math24.net/definition-of-limit-of-function.html se
pueden encontrar m
as ejemplos de lmites calculados a traves de la definici
on . Se puede observar que la definicion de Cauchy, a pesar de haber
dado rigor a un concepto extremadamente dficil como el de una cantidad
indefinidamente cercana a otra (y con herramientas muy sencillas como desigualdades e implicaciones logicas), no es un instrumento muy comodo
para el c
alculo efectivo de los lmites. La dificultad de la tecnica de la definici
on de Cauchy crece al aumentar la complejidad de la expresion analtica
de f , hasta llegar a ser pr
acticamente in
util si f es una funcion compuesta
muy complicada. En las secciones siguientes desarrollaremos unas tecnicas
m
as eficientes para calcular lmites. A traves de estas tecnicas, el calculo de
lmites como los dos presentados arriba sera inmediato.
49

Ejemplos de funciones que no tienen lmite son las funciones trigonometricas cuando x :
@ lm sin(x), @ lm cos(x), @ lm tan(x)
x

porque oscilan peri

odicamente y nunca llegamos a poder satisfacer la definici
on de lmite.

2.4.

Teoremas fundamentales sobre los lmites

Es posible demostrar que los lmites poseen estas propiedades: dada la

funci
on f : D R, dado x0 D y supuesto que f (x) ` para x x0 ,
Teorema de unicidad del lmite: el lmite ` es u
nico: una funcion
no puede converger a dos lmites diferentes a la vez.
Teorema de conservaci
on del signo: si existe un entorno U (x0 ) el
el cual f (x) 0 (resp. f (x) 0) x U (x0 ) \ {x0 }, entonces ` 0
(resp. ` 0). O sea, si f mantiene un cierto signo en un entorno de
x0 , entonces el lmite tiene ese mismo signo.
Teorema de la comparaci
on (o del sandwich): dadas las funciones
f, g, h : D R, x0 D, f (x) ` y g(x) ` para x x0 , si existe
un entorno U (x0 ) en el cual se tiene que
f (x) h(x) g(x),

x U (x0 ) \ {x0 },

entonces tambien h(x) ` para x x0 .

En otras palabras: si h, en un entorno suficientemente peque
no de
x0 , est
a limitada superiormente e inferiormente por dos funciones que
convergen al mismo lmite, entonces tambien h converge a ese lmite.
Una forma tpica en la cual se usa este teorema es la siguiente:
|h(x)| g(x) y g(x) 0 = h(x) 0
xx0

xx0

o sea, si el valor absoluto de h(x) esta limitado por una funcion que
tiende a 0, entonces tambien h tiende a 0 (porque |h(x)| g(x) equivale a g(x) h(x) g(x), y, si g(x) 0, tambien g(x) 0,
entonces, por el teorema citado arriba, tambien h(x) 0). Veremos
aplicaciones de este resultado en las clases de practicas.
50

Cambio de variable en los lmites: Si f g esta bien definida en

un entorno de x0 y g(x) t0 , entonces, poniendo t = g(x), vale que
xx0

lm f (g(x)) = lm f (t).

xx0

tt0
1

Ejemplo: si queremos calcular lmx0 e x , podemos poner t = x1 , que

1
tiende a cuando x 0 , por tanto: lmx0 e x = lmt et =
0;

Algebra
de los lmites finitos: dadas las funciones f, g : D R,
x0 D, tales que f (x) `1 , g(x) `2 , con `1 , `2 R, entonces,
xx0
xx0
para x x0 :
1. f (x) g(x) `1 `2 ;
2. cf (x) c`1 , c R ;
3. f (x) g(x) `1 `2 ;
4.

f (x)
`1
, siempre y cuando g(x), `2 6= 0 para que la fraccion

g(x)
`2
tenga sentido;

5. f (x)g(x) ``12 , siempre y cuando f (x), `1 > 0 para que la operaci

on de exponencial tenga sentido.
En particular, observamos que las propiedades 1. y 2. dicen que la
operaci
on de lmite es lineal!
Aritmetizaci
on parcial de : consideremos ahora operaciones algebraicas que involucran funciones que pueden diverger, por sencillez
escribimos para denotar una funcion divergente en un punto x0 .
Valen los siguientes resultados:
1.
` = ,
o sea, la suma de los limites de una funcion convergente a ` R
y una funci
on divergente es una funcion con lmite divergente;
2.
+ + = + ;

51

3.
= ;
4.
`= ,

` 6= 0;

donde ` es el lmite de una funcion, y es diferente de cero. El signo

de depende del valor de ` y del en el lado de izquierda;
5.
`
=,
0
donde 0 es el lmite de una funcion que tiende a cero, no el
n
umero cero!
6.
`
=0.

Observese que en las propiedades de arriba no aparecen situaciones como

estas:
+ ;
0 ;
0
0;

1 ;
00 ;
(+)0 .
Estas situaciones se llaman formas de indeterminaci
on y seran discutidas m
as adelante. De nuevo, remarcamos que en estas expresiones hay
que interpretar 0 y 1 como funciones que tienden a 0 y 1, respectivamente,
y no como los n
umeros 0 y 1.

52

2.5.

La extensi
on de R

Ya hemos dicho que y + no son n

umeros reales, sino el comportamiento o tendencia de funciones divergentes. Sin embargo, teniendo en
consideraci
on la representacion de R como una recta, podemos pensar
como aquel punto que esta siempre a la izquierda de cada n
umero real y
+ como aquel punto que esta siempre a la derecha de cada n
umero real.
El conjunto dado por la union de R y de los dos puntos y + se
llama extensi
on de R (o recta extendida/ampliada) y se suele escribir como
sigue:
R = R {} {+} .
La interpretaci
on gr
afica canonica de R se obtiene considerando la figura
debajo: se ve que podemos poner en correspondencia biyectiva cada punto
del eje real con los puntos de la semicircunferencia simplemente conectando
el centro C con la recta horizontal. Solo los puntos A y B no tienen correspondencia con puntos de la recta, sin embargo, resulta natural pensar que
el punto A est
a en correspondencia con y que B esta en correspondencia
con +.

2.6.

Funciones continuas y sus propiedades

Volvemos a examinar este lmite: lmxx0 f (x) = `. Podemos preguntarnos si puede pasar que el valor del lmite ` coincida con el valor que la
funci
on toma cuando x = x0 , o sea f (x0 ). Si este es el caso, se dice que f es
continua en x0 :
Def. (funci
on continua): sea f : D R R, con D abierto y x0 D.
Se dice que f es continua en x0 si:
lm f (x) = f (x0 ) ;
xx0

f se dice continua en todo el dominio D si es continua en cada punto de D.

53

Si escribimos explcitamente la definicion de lmite para una funcion

continua, es decir:
> 0 > 0 : 0 < |x x0 | < |f (x) f (x0 )| <
nos damos cuenta de que, para una funcion continua, variaciones peque
nas
de x alrededor de x0 corresponden a variaciones peque
nas de f (x)
alrededor de f (x0 ).
Si escribimos x = x0 + h, para un cierto h R oportuno, tenemos que
x x0 si y solo si h 0, entonces, gracias al teorema de cambio de variable
en los lmites, podemos decir tambien que f es continua en x0 si
lm f (x0 + h) = f (x0 ) .
h0

Observaci
on importante: para subrayar la importancia de la continuidad
de una funci
on, sup
ongase que queremos calcular el valor de una funcion f en
un numero irracional x0 con una calculadora. La calculadora aproximara el
numero irracional con un numero racional x1 cercano a x0 , con x1 x0 = x.
Despues la calculadora evaluara la funcion en x0 +x y devolvera el valor de
f (x0 + x). Si f es continua en x0 , f (x0 + x) sera muy cercano al valor de
f (x0 ), pero si f no es continua el valor que la calculadora devuelve podra
ser muy lejano al valor verdadero de f (x0 )!
Si f no es continua en x0 , se dice que es discontinua en x0 . Un tpico
caso de discontinuidad se ve en el grafico de la funcion signo en x = 0:

el lmite por la derecha y por la izquierda en x = 0 difieren, as que no

puede existir el lmite de la funcion signo en x = 0. Cuando existen los lmites
54

por la derecha e izquierda, lmxx f (x) = `1 , lmxx+ f (x) = `2 , pero

0
0
`1 6= `2 , se dice que f tiene una discontinuidad de salto; el salto es |`2 `1 |
y puede ser finito o infinito. Las funciones que tienen discontinuidades de
salto como el signo resultan muy utiles para modelar un cambio abrupto de
una cantidad.
Hay casos en los que una funcion f no esta definida en un punto x0 ,
pero existe su lmite para x x0 . En ese caso es posible prolongar por
continuidad la funci
on f como sigue:
(
f (x)
si x D
f(x) =
lmxx0 f (x) si x = x0 ,
la funci
on f resulta bien definida y, por definicion, continua en D {x0 }.
Ejemplo: la funci
on f (x) = sinx x esta definida en cada x real, menos
en x = 0, sin embargo, como veremos en las clases de practicas, existe
lmx0 sinx x = 1, por lo tanto podemos extender f a una funcion f definida
y continua sobre todo el eje real poniendo:
(
sin x
si x R \ {0}
x
f(x) =
1
si x = 0.
Vamos ahora a enunciar un teorema que tiene una importancia basica
en el calculo diferencial.
Teorema (continuidad de las funciones elementales y sus composiciones): todas las funciones elementales1 del calculo, sus inversas, sus
composiciones y las operaciones algebraicas entre ellas son continuas en sus
dominios.
La consecuencia inmediata (e importante) de este teorema es que, si x0
pertenece al dominio de una funci
on f continua, el lmite para x
que tiende a x0 de f se calcula simplemente sustituyendo x0 por x
en la expresi
on de f !
Ejemplo: calcular el lmite lmx2 log(x3 ). El dominio de la funcion x 7
log(x3 ) es (0, +) y 2 (0, +), entonces x 7 log(x3 ) es continua en 2 y
el lmite vale log(23 ) = log 8 ' 2,08.
1

Las funciones elementales del c

alculo son: funciones constantes, potencias y races,
polinomios (en particular, funciones lineales), exponenciales, logaritmos y funciones
trigonometricas.

55

Entonces el c
alculo de lmites de funciones continuas en los puntos de sus dominio es trivial. Los problemas surgen a la hora de calcular
el lmite en los puntos de la frontera del dominio o cuando aparecen formas
de indeterminaci
on, como veremos.
Examinamos ahora unas propiedades importantes de las funciones continuas sobre intervalos compactos, o sea cerrados y acotados [a, b] R,
a, b R, a < b, comenzando con un famoso teorema que establece unas
condiciones para la existencia de un cero de una funci
on, o sea, de un
punto donde la funci
on se anula.
Teorema de Bolzano2 : Si la funcion f : [a, b] R
1. es continua en todo punto de [a, b];
2. f toma valores con signo opuestos en los extremos de [a, b], o sea,
f (a) f (b) < 0,
entonces existe por lo menos un cero x0 (a, b) de f : f (x0 ) = 0. Si, ademas,
f es estrictamente mon
otona, entonces x0 es el u
nico cero de f en [a, b].
Por falta de tiempo no podemos analizar la prueba del teorema de
Bolzano, nos limitamos en decir que es una prueba constructiva, en la cual
se muestra como se puede converger al cero de f con el metodo de bisecci
on. En el capitulo 4 examinaremos un metodo para la b
usqueda de ceros
de funciones mucho m
as eficiente que el metodo de biseccion: el metodo de
Newton.
Teorema de Weierstrass3 : Si la funcion f : [a, b] R es continua en
todo [a, b] entonces f tiene maximo y mnimo absolutos en [a, b], es decir,
existen dos puntos x1 , x2 [a, b] tales que
f (x1 ) f (x), f (x2 ) f (x),

x [a, b],

x1 : mnimo absoluto para f , x2 : maximo absoluto para f :

m = mn {f (x)} = f (x1 ), M = max {f (x)} = f (x2 ).
x[a,b]

2
3

x[a,b]

Bernard Bolzano, matem

atico ceco (1781-1848).
Karl Weierstrass, importantsimo matem
atico aleman (1815-1897).

56

Teorema de los valores intermedios (Darboux4 ): con las mismas notaciones del teorema de Weierstrass, entonces, [m, M ] x [a, b] tal
que f (x) = .
Los dos u
ltimos teoremas se pueden resumir diciendo que una funci
on f
continua sobre un intervalo compacto toma todos los valores entre
el mnimo y el m
aximo, con notacion matematica: f ([a, b]) = [m, M ].
La figura debajo muestra que la hipotesis de continuidad es fundamental
para la validez del teorema: en la imagen de la derecha todos los valores
contenidos entre y1 e y2 no corresponden a ning
un valor de x en [a, b] porque
la funci
on dibujada tiene una discontinuidad de salto en x = c.

Terminamos esta secci

on con una observacion que nos ayudara entender
mejor la importancia de la continuidad de los n
umeros reales. Consideremos la funci
on f : Q Q, x 7 x2 , o sea, la funcion que aplica un numero
racional cualquiera en su cuadrado (bien definida porque sabemos que Q es
cerrado con respecto a esa operacion). Se puede demostrar muy facilmente
que f no posee la propiedad de los valores intermedios con un contraejemplo:
f (1) = 1 y f (2) = 4, el n
umero 2 esta entre 1 y 4, sin embargo no existe

ning
un n
umero racional que elevado al cuadrado
devuelva
2,
porque
solo
2

elevado al cuadrado genera 2 y sabemos que 2 6 Q! Este ejemplo muestra

claramente como
las propiedades de los n
umeros reales y el calculo diferencial est
an ntimamente relacionados y cuan u
til es el conjunto de los n
umeros
reales como ambiente de trabajo para desarrollar el calculo diferencial.

Jean Gaston Darboux (1842-1917), matem

atico frances.

57

2.7.

Infinitos e infinit
esimos de orden inferior, superior y del mismo orden, la relaci
on de ser
asint
otico a

En esta secci
on vamos a examinar la rapidez relativa de convergencia
a cero y de divergencia al infinito. Ya hemos observado que la operacion
de lmite define el comportamiento o tendencia de una funcion cuando su
variable se acerca a un determinado valor. Esta tendencia puede ser mas
o menos marcada seg
un la funcion y seg
un el punto donde se eval
ua el
lmite. Saber comparar la rapidez de convergencia o divergencia de funciones
es extremadamente importante en muchas aplicaciones del calculo, como
veremos durante el curso y como el estudiante podra apreciar durante el
desarrollo de sus estudios.
Comenzamos con una definicion preliminar.
Def. Sea dada f : D R R y x0 D (notese que x0 puede ser
tambien ). Se dice que:
f es infinit
esima (o un infinitesimo) en x0 si lmxx0 f (x) = 0;
f es infinita (o un infinito) en x0 si lmxx0 f (x) = .
Comencemos comparando infinitos. Sean f, g : D R R funciones
infinitas en x0 D. Para conocer la rapidez relativa de divergencia al infinito
(x)
. Si este lmite no existe, se dice que f
hay que evaluar el lmite: lmxx0 fg(x)
y g son infinitos no comparables en x0 . Si el lmite existe, distinguimos
los casos siguientes:

0
(1);
f (x)
lm
= k R (2);
xx0 g(x)

(3).
En el caso (1) se dice que f es un infinito de orden inferior a g
en x0 , o bien que f diverge m
as lentamente que g (intuitivamente, el
denominador llega a tener valores muy grandes antes que el numerador,
entonces g domina a f y el lmite va a cero);
En el caso (2) se dice que f y g son infinitos del mismo orden en
x0 , o bien que f y g divergen con la misma rapidez;

58

En el caso (3) se dice que f es un infinito de orden superior a g

en x0 , o bien que f diverge mas rapidamente que g (de nuevo, intuitivamente, el lmite puede ser infinito solo si f llega a tomar valores
grandes antes que g).
Ejemplo: queremos comparar la rapidez de divergencia al infinito de
f (x) = 2000x2 y g(x) = 5x3 cuando x +. Calculamos el lmite de
la raz
on entre f y g:
2000x2
400
= lm
= 0,
3
x+ 5x
x+ x
lm

`
=0
habiendo usado la regla de aritmetizacion parcial del dada por:
` R.
Por tanto, podemos decir que f (x) = 2000x2 es un infinito de orden
inferior a g(x) = 5x3 para x + o bien que g(x) = 5x3 es un infinito de
orden superior a f (x) = 2000x2 para x +.
Sean ahora f, g : D R R funciones infinitesimas en x0 D. Ahora
la cuesti
on es saber si podemos medir la rapidez relativa de convergencia
(x)
a 0 entre f y g. Como antes, vamos a evaluar el lmite: lmxx0 fg(x)
. Si este
lmite no existe, se dice que f y g son infinitesimos no comparables en
x0 . Si el lmite existe, distinguimos los casos siguientes:

0
(1);
f (x)
lm
= k R (2);
xx0 g(x)

(3).

En el caso (1) se dice que f es un infinitesimo de orden superior

a g en x0 , o bien que f converge a cero mas rapidamente que g (intuitivamente, llegamos a cero antes en el numerador, por lo tanto el
efecto de bajada del denominador, que intenta aumentar el resultado
de la fracci
on, viene compensado por el hecho de que !el valor en el
numerador ya ha llegado a valores mucho mas bajos!);
En el caso (2) se dice que f y g son infinitesimos del mismo orden
en x0 , o bien que f y g van a 0 con la misma rapidez;
En el caso (3) se dice que f es un infinitesimo de orden inferior a
g en x0 , o bien que f converge a 0 m
as lentamente que g (de nuevo,
intuitivamente, f toma valores cada vez mas bajos, pero g ya ha llegado a valores a
un mas bajos, as que el resultado de la division sigue
creciendo);
59

Ejemplo: consideremos otra vez f (x) = 2000x2 y g(x) = 5x3 pero examinemos sus comportamiento cuando x 0 y ambas funciones convergen a
0.
2000x2
400
lm
= lm
= +,
3
x+
x0 5x
x
habiendo usado la regla de aritmetizacion parcial del dada por: 0` = +
` R+ .
Por tanto, podemos decir que f (x) = 2000x2 es un infinitesimo de orden
inferior a g(x) = 5x3 para x 0 o bien que g(x) = 5x3 es un infinitesimo
de orden superior a f (x) = 2000x2 para x +.
Entonces, para cada pareja de coeficientes a, b 6= 0, ax3 es tanto un
infinito de orden superior a bx2 cuando x + como un infinitesimo de
orden superior a bx3 cuando x 0, como confirma la figura de aqu debajo.

Particularmente interesante es el caso en el cual dos funciones f (x) y

g(x) son infinitos o infinitesimos del mismo orden tales que el lmite de su
raz
on devuelve 1. Este caso merece una definicion por s msmo.
Def.: Sean dadas f, g : D R R y x0 D. Se dice que f y g son
asint
oticas para x x0 , y se escribe f (x) g(x) si:
xx0

f (x) g(x)
xx0

60

lm

xx0

f (x)
=1.
g(x)

La relaci
on de ser asintotico a es extremadamente u
til a la hora de
calcular lmites, por eso es importante destacar sus propiedades:
1. es una relaci
on de equivalencia, o sea, son ciertas las siguientes
propiedades:
Reflexiva: f (x) f (x);
xx0

Simetrica: f (x) g(x) g(x) f (x);

xx0

xx0

Transitiva f (x) g(x) y g(x) h(x) f (x) h(x).

xx0

2. Si f (x)

xx0

xx0

g(x), entonces f y g tienen el mismo compor-

xx0

tamiento para x x0 : ambas divergen, o convergen al mismo

lmite o bien no tienen lmite. El hecho de que dos funciones
asint
oticas f y g tengan el mismo lmite si convergen para x x0 es
muy facil de averiguar gracias a las propiedades de los lmites:
lm

xx0

entonces lmxx0

f (x)
g(x)

lmxx0 f (x)
f (x)
=
,
g(x)
lmxx0 g(x)

= 1 si y solo si lmxx0 f (x) = lmxx0 g(x).

3. Un metodo tpico para mostrar que f (x) g(x) es llegar a escribir

xx0

f (x) = g(x) h(x), con h(x) 1.

xx0

4. Si f (x) f(x) y g(x) g(x) entonces

xx0

xx0

f (x)g(x) f(x)
g (x)
xx0

f (x)
g(x)

xx0

f(x)
g(x)

5. Cuidado: en general las propiedades del punto 4. no valen para sumas,

diferencias y exponenciales, como vamos a ver con dos contraejemplos:
f (x) = 3x2 x, g(x) = 3x2 x, f (x) + g(x) = 2x ,
x+

pero f (x) = x2 (3 x1 )
entonces f (x)
f(x)+
g (x) =

3x2 y g(x) = x2 (3 x1 )

x+
3x2 = f(x)

x+
3x2 3x2

=0

y g(x)

x+

x+

x+

3x2 ,

3x2 = g(x). Ademas:

0. Dado que f (x)+g(x) y f(x)+

g (x)

tienen dos lmites diferentes para x +, no pueden ser asintoticas.

61

Para mostrar un contraejemplo sobre la funcion exponencial vamos a

2
2

comprobar si ef (x) = e3x x es asintotica a ef (x) = e3x para x +

con la definici
on:
2

e3x x
= lm ex = 0,
x+ e3x2
x+
lm

entonces ef (x) 6 ef (x) , en general.

El lmite de la funci
on exponencial se estudia como sigue: sea x0 R ,

0
si f (x)

xx0

si f (x) k R
lm ef (x) = ek
xx0
xx0

+ si f (x) +.
xx0

2.8.

C
alculo de lmite de polinomios y funciones
racionales mediante relaciones asint
oticas

Sea f (x) = an xn + an1 xn1 + . . . + a1 x + a0 un polinomio de grado

n N. Un polinomio es una funcion continua en todo R, entonces los lmites
en puntos finitos se calculan de forma trivial. Los u
nicos limites no triviales
que pueden interesar de un polinomio son los lmites para x porque se
puede presentar la forma de indeterminacion + . Por ejemplo: f (x) =
2x2 3x+1 presenta la forma de indeterminacion +23+1 = +,
gracias a las formulas de aritmetizacion parcial del .
Para entender c
omo analizar esos limites, vamos a reescribir f (x) utilizando xn como factor com
un:


xn1
x
a0
n
f (x) = x an + an1 n + . . . + a1 n + n
x
x
x
o sea


an1
a1
a0 
f (x) = xn an +
+ . . . + n1 + n .
x
x
x
As, f (x) se expresa como un producto; sabemos que si tomamos el lmite
para x de f (x), este sera el producto de los lmites de los dos factores.
El lmite del factor contenido entre parentesis es evidentemente an porque el
lmite de la suma es la suma de los lmites, y todos los lmites de los terminos
sucesivos a an son nulos. Por tanto:
lm f (x) = lm an xn

xx0

62

entonces

lmx f (x)
lmx an xn

= 1, pero de

lmx f (x)
lmx an xn

= lmx

f (x)
an xn

se sigue que

an xn + an1 xn1 + . . . + a1 x + a0 an xn ,
x

es decir: un polinomio es asintotico, para x , a su termino de grado

m
aximo, o sea, an xn + an1 xn1 + . . . + a1 x + a0 diverge al infinito con
la misma rapidez que an xn , independientemente de cuan grandes sean los
coeficientes de las potencias de x de grado inferior a n.
Una consecuencia inmediata es la siguiente:
an xn + an1 xn1 + . . . + a1 x + a0
bm xm + bm1 xm1 + . . . + b1 x + b0
Ejemplo: calcular lmx

2
30x4 +2000x
+80 .
7x8 2x

30x4 + 2000x2 + 80

7x8 2x

2
30x4 +2000x
+80 = 0.
7x8 2x
5 +x3 +8x
.
calcular lmx x
3x5 19x2

an xn
an nm
=
x
.
m
bm x
bm

Tenemos que

30 4
x
7

0,

entonces lmx
Ejemplo:

x5 + x3 + 8x
3x5 19x2

Tenemos que

1
1
x0 =
3
3

1
.
3

Con la misma tecnica utilizada para determinar los resultados arriba, se

demuestra que:
la suma de infinitos es asint
otica al infinito de orden superior;
la suma de infinit
esimos es asintotica al infinit
esimo de orden
inferior.
Para saber c
omo determinar el orden de infinito e infinitesimo entre funciones m
as complejas que los polinomios, necesitamos introducir y analizar
el concepto de derivada, que ademas nos proporcionara los dos resultados
m
as importantes para la resolucion de lmites que se presentan en forma
indeterminada: el desarrollo de Taylor y el teorema de lHopital.

63

Captulo 3

Derivadas
3.1.

Definici
on de derivada de una funci
on y su
interpretaci
on geom
etrica y mec
anica

Como ya dijimos, el concepto de derivada esta relacionado con el problema de encontrar la recta tangente al grafico de una funcion o, de forma mas
general, a una curva en un cierto punto. Para entender mejor este problema,
consideremos la figura aqu debajo.

Llamamos A el punto sobre el grafico de la funcion real de variable real

y = f (x) de coordenadas (x0 , f (x0 )) y B el punto que tiene coordenadas
(x0 + h, f (x0 + h)), siendo h > 0 el incremento horizontal y f (x0 + h) f (x0 )
el incremento vertical. Podemos medir la pendiente media mientras pasamos

64

de A a B con la raz
on incremental definida por
Variaci
on vertical
f (x0 + h) f (x0 )
=
= tan(),
Variaci
on horizontal
h
dado que el tri
angulo ABD es rectangulo, la razon incremental coincide con
tan(), es decir, con la pendiente de la recta secante al grafico de f que pasa
por A y B.
Mirando la figura se ve claramente que la pendiente media no es una
medida precisa, porque mientras pasamos de A a B el grafico cambia su
pendiente en cada punto, el error entre la pendiente media y la pendiente
verdadera es tanto m
as grande cuanto mas se aleja la funcion f de la linealidad.
Para obviar a este problema, podemos intentar acercar B a A de forma
tal que la medida de pendiente del grafico de f dada por el coeficiente
angular de la recta que conecta A y B sea cada vez mas precisa. El error
se minimiza cuando hacemos tender B a A, o sea, cuando consideramos el
lmite para h 0 de la raz
on incremental. Como se ve en la figura, ese caso
corresponde a la situaci
on en la cual la recta que pasa por A y B, cercanos
pero no coincidentes, toma la posicion lmite dada por la recta tangente al
gr
afico de f en (x0 , f (x0 )). Podemos formalizar estas consideraciones con la
siguiente definici
on.
Def.: Dada la funci
on f : (a, b) R R, se dice que f es derivable en
x0 (a, b) si existe y es finito el lmite de la razon incremental
f (x0 + h) f (x0 )
,
h0
h
lm

que llamamos derivada de f en x0 e indicamos con estos smbolos:

f 0 (x0 ) , (notaci
on de Lagrange), usado sobre todo por los matematicos;
f(x0 ) , (notaci
on de Newton), usado sobre todo por los fsicos,
cuando f depende del tiempo;
df
(x0 ) , (notaci
on de Leibnitz), que resulta muy u
til a la hora
dx
de hacer operaciones formales con las derivadas, como veremos mas
adelante;

65

Df (x0 ) , (notaci
on de Arbogast1 ), que resulta u
til cuando se extende la derivaci
on a funciones de mas variables o a operadores diferenciales en espacios funcionales.
Resulta evidente que f 0 (x0 ) expresa la rapidez de variaci
on de la
funci
on f en un entorno infinitesimo de x0 .
Por construcci
on, f 0 (x0 ) es la pendiente de la recta tangente al
gr
afico de f en (x0 , f (x0 )). Para determinar la ecuacion de esta recta es
suficiente utilizar la f
ormula que nos proporciona la recta que pasa por un
punto con una pendiente conocida. En nuestro caso se obtiene:
Recta tangente al gr
afico de f en (x0 , f (x0 )) :
y = f (x0 ) + f 0 (x0 )(x x0 ) .
Si f es derivable en cada punto de (a, b), queda bien definida la funci
on
derivada, que es la funci
on que asocia a cada x (a, b) la derivada de f en
x mismo:
f 0 : (a, b) R
x
7 f 0 (x),
df
otros smbolos para la funcion derivada son f, dx
.
0
Si f tambien es derivable, podemos calcular la derivada de la funcion
derivada de f , que llamaremos derivada segunda y escribiremos f 00 o f o
d2 f
o D2 f :
dx2
f 0 (x0 + h) f 0 (x0 )
f 00 (x) = lm
,
h0
h
n
otese que ahora en la razon incremental aparece f 0 y no f como antes.
Veremos m
as adelante el significado geometrico de la derivada segunda en
relaci
on a la curvatura del gr
afico de una funcion.
Podemos iterar este razonamiento, obteniendo la derivada de orden
n
n 1 en x0 , que denotamos con los smbolos f (n) (x0 ), ddxnf (x0 ) o Dn f .
La derivada (que se suele llamar tambien derivada primera) y la derivada segunda tienen significados fsicos importantes: dado un cuerpo en
movimiento a lo largo de un eje espacial, podemos definir la funcion s que
asocia a cada instante temporal t el lugar s(t) donde se encuentra el cuerpo
en el eje:
s : [0, +) R
t
7 s(t)
1

Antoine Arbogast (1759-1803), matem

atico frances.

66

s: funci
on posici
on espacial.
v(t) = s(t)
: velocidad instant
anea del cuerpo en movimiento en el
instante t (rapidez de variacion de la funcion posicion);
a(t) = v(t)

= s(t) : aceleraci
on instant
anea del cuerpo en movimiento en el instante t (rapidez de varicion de la funcion velocidad);
Si sobre el cuerpo act
ua una fuerza F , que puede depender del instante
temporal t, de la posicion espacial s(t) y de la velocidad s(t)

y que,
por tanto, indicamos con F (t, s(t), s(t)),

la segunda ley de Newton

dice que se cumple la siguiente relacion entre fuerza y aceleracion:
F (t, s(t), s(t))

= m s(t) ,

t,

donde m es la masa del cuerpo, que Newton identifico como aquel atributo de un cuerpo que se opone a variaciones de velocidades provocadas
por una fuerza externa (inercia).

67

3.2.

F
ormulas para el c
alculo de derivadas

Utilizando el lmite que define las derivadas se pueden calcular las derivadas
de las funciones elementales, que son los ladrillos fundamentales para calcular todas las otras derivadas. Veamos un ejemplo, calculemos la derivada de
la funci
on y = x2 con la f
ormula de la definicion:
(x + h)2 x2
x2 + 2xh + h2 x2
2xh + h2
=
=
= 2x + h 2x
h0
h
h
h
en resumen, hemos demostrado que (x2 )0 = 2x, para cada x R.
Calculando los lmites de las razones incrementales de las otras funciones
elementales (que son menos faciles que lo que acabamos de ver y necesitan
los lmites notables, que no tenemos tiempo de examinar), se llega a poder
redactar la tabla de las derivadas de las funciones elementales:
f (x)
k constante real
x
x
sin x
cos x
tan x
ex
ax
log x
loga x
sinh x
cosh x
arcsin x
arc cos x
arctan x

f 0 (x)
0
1
x1 , R
cos x
sin x
1 + tan2 x = cos12 x
ex
ax log a, a > 0, a 6= 1
1/x
1/(x log a), a > 0, a 6= 1
cosh x
sinh x

1/ 1 x2
1/ 1 x2
1/(1 + x2 )

En particular, si consideramos x con = 1 y = 1/2 obtenemos

estas f
ormulas de derivaci
on:
 0

1
1
1
= 2 y ( x)0 = .
x
x
2 x
El hecho de que la derivada de una funcion constante sea nula no sorprende:
su gr
afico es una recta horizontal, as que su pendiente es nula en cada punto!
68

N
otese adem
as que ex es la u
nica funci
on que coincide con su
derivada y que (sin x)00 = sin x y (cos x)00 = cos x, estas dos observaciones ser
an importantes para el curso de Ecuaciones Diferenciales.
Vamos ahora a examinar la derivada de la funcion valor absoluto:
(
(x)0 = 1
si x > 0
0
(|x|) =
0
(x) = 1 si x < 0
0 es un punto donde |x| cambia definicion, entonces hay que examinarlo con
cuidado con el lmite que define la derivada en x = 0:
|h|
|0 + h| |0|
= lm
= lm sign(h),
h0
h0 h
h0
h
lm

este lmite no existe, dado que los lmites por la izquierda y por la derecha
valen -1 y +1, respectivamente.
Entonces la funci
on x 7 |x| no es derivable es 0 y su derivada para
valores x 6= 0 coincide con el signo de x:
(
1
si x > 0
0
|x| = sign(x) =
1 si x < 0.
La funci
on |x| es el ejemplo canonico de funcion con un punto anguloso:
Def.: una funci
on f tiene un punto anguloso en x0 si es continua en x0 ,
no derivable en x0 , pero existen los lmites de las razones incrementales por
la izquierda y por la derecha para x x0 (llamadas derivada izquierda
y derecha, respectivamente).
M
as all
a de los puntos angulosos existen otras dos singularidades de las
funciones con respecto a las derivadas: los puntos de inflexion con tangente
vertical y las c
uspides.
Def.: una funci
on f tiene un punto de inflexi
on con tangente vertical en x0 si es continua en x0 , no derivable en x0 pero
f (x0 + h) f (x0 )
f (x0 + h) f (x0 )
= + , o bien, lm
= .
h0
h0
h
h

lm

Un ejemplo de funci
on con un punto de inflexion con tangente vertical

3
en x = 0 es f (x) = x, como muestra la siguiente figura.
69

Def.: una funci

on f tiene una c
uspide en x0 si es continua en x0 , no
derivable en x0 pero existen los lmites de las razones incrementales por la
izquierda y derecha de f en x0 y son infinitos con signos opuestos.
lm

h0

f (x0 + h) f (x0 )
= , o bien,
h

lm

h0

f (x0 + h) f (x0 )
= .
h

Un ejemplo de funci
on con una c
uspide en x = 0 es f (x) =

3.3.

p
3
|x|:

Derivabilidad y continuidad

La derivada de la funci
on valor absoluto es importante tambien porque
muestra que una funci
on continua en todo R puede no ser derivable en
alg
un punto de su dominio. Podemos preguntarnos si tambien se cumple la
propiedad opuesta, es decir si una funcion derivable puede ser discontinua
en algun punto. La respuesta es no, como dice la proposicion siguiente.
70

Proposici
on.: f : (a, b) R R derivable en x0 (a, b) = f continua
en x0 .
Prueba: consideramos la diferencia f (x0 + h) f (x0 ) y multiplicamos y
dividimos por h:
f (x0 + h) f (x0 ) =

f (x0 + h) f (x0 )
h.
h

Ahora operamos los lmites para h 0 a ambos lados:

f (x0 + h) f (x0 )
h.
h0
h

lm [f (x0 + h) f (x0 )] = lm

h0

(3.1)

Gracias a la hip
otesis de derivabilidad de f y a las propiedades de los lmites,
el lado de la derecha se puede reescribir como:
f (x0 + h) f (x0 )
lm h = f 0 (x0 ) lm h = 0.
h0
h0
h0
h
lm

De la ecuaci
on (3.1) sigue que lmh0 [f (x0 + h) f (x0 )] = 0, pero este
lmite equivale a lmh0 f (x0 +h) = f (x0 ), que es la definicion de continuidad
de f en x0 .
2
Entonces la derivabilidad es una condici
on suficiente para la continuidad y la continuidad es una condici
on necesaria para la derivabilidad. Si una funci
on no es continua en un punto, tampoco podra ser
derivable en ese punto!

3.4.

Algebra
de las derivadas

Utilizando la f
ormula definitoria, se puede demostrar que la derivada de
la suma o resta, del producto y de la division entre funciones se calculan
como dice la proposici
on siguiente.
Proposici
on: sean f, g : (a, b) R R derivables en (a, b), entonces
f g, f g y f /g, g 6= 0, son derivables en (a, b) y valen estas formulas:
(f g)0 = f 0 g 0
(k f )0 = k f 0

71

k R

(f g)0 = f 0 g + f g 0

Regla de Leibnitz2

(f /g)0 = (f 0 g f g 0 )/g 2
en particular, de la u
ltima propiedad y del hecho de que la derivada de una
funci
on constante es nula, sigue que
 0
g0
1
= 2
g
g

3.5.

Derivada de la funci
on compuesta (regla de la
cadena) y de la funci
on inversa

Tiene sentido preguntarse si la funcion compuesta entre dos funciones

derivables es derivable y cuanto vale la derivada. El teorema siguiente contesta a esa pregunta.
Teorema: Sea g f la funcion compuesta de dos funciones f y g. Si f es
derivable en x0 y g es derivable en y = f (x0 ) entonces g f es derivable en
x0 y vale la f
ormula siguiente:
(g f )0 (x0 ) = g 0 (f (x0 )) f 0 (x0 )

Regla de la cadena.

Es interesante analizar la regla de la cadena con la notacion de Leibnitz:

si denotamos y = f (x) y z = g(y), la regla de la cadena se escribe
dz
dz dy
=

,
dx
dy dx
como si dy se simplificara! Escrita con la notacion de Leibnitz, la regla de
la cadena muestra que la rapidez de variaci
on de z con respecto a x
es el producto de las variaciones intermedias de z con respecto a
y y de y con respecto a x.
Como sugiere el nombre, la regla de la cadena se puede generalizar a la
composici
on de un n
umero cualquiera de funciones, por ejemplo, en el caso
de tres funciones la regla de la cadena se escribe
[f (g(h(x)))]0 = f 0 (g(h(x))) g 0 (h(x)) h0 (x).
2

Gottfried Wilhelm von Leibnitz, genial matem

atico alem
an, (1646-1716) ha desarrollado los conceptos de infinitesimo, derivada e integral contempor
aneamente a Newton.

72

Para usar esta regla hay que aprender a interpretar una funcion complicada
como composici
on sucesiva de funciones elementales. Para ello es u
til pensar
c
omo se calcula una funci
on compuesta a traves de una calculadora.
Ejemplo: derivamos x 7 (sin x)3 pensando esta funcion como la funcion
compuesta por y = sin x y z = y 3 :
sin

()3

x 7 y = sin x 7 z = (sin x)3 .

Por la regla de la cadena:
z 0 (x) = z 0 (y) y 0 (x) = 3y 2 cos x = 3y 2 cos x = 3 sin2 x cos x.

Usando la regla de la cadena es inmediato ver que

(
f 0 (x)
|f (x)|0 = sign(f (x)) f 0 (x) =
f 0 (x)

si f (x) > 0
si f (x) < 0.

Vamos a ver ahora como se deriva la funcion inversa, recordando que,

si f : (a, b) (c, d) es una funcion biyectiva y f 1 : (c, d) (a, b) es su
inversa, f y f 1 est
an relacionadas como sigue: f 1 (f (x)) = x, x (a, b)
1
y f (f (y)) = y, y (c, d).
Entonces, si f 1 es derivable, derivando ambos lados de la identidad
1
f (f (x)) = x (el de la izquierda con la regla de la cadena!) obtenemos
(f 1 )0 (y) f 0 (x) = 1, o sea (f 1 )0 (y) = 1/f 0 (x), puesto que f 0 (x) es diferente
de cero. Fomalizamos todo esto en el siguiente resultado.
Teorema: Si f es derivable en x (a, b) y f 0 (x) 6= 0, entonces tambien
es derivable en y = f (x) y vale la formula siguiente:

f 1

(f 1 )0 (y) =

1
f 0 (x)

F
ormula de derivaci
on de la funci
on inversa.

Es a traves de esta f
ormula que se pueden calcular las derivadas de
las funciones trigonometricas inversas. Newton descrubrio esta formula geometricamente: como se recuerda en la figura siguiente, el grafico de f y de
su inversa son simetricos con respecto a la bisectriz y = x, sigue que los
angulos y son complementarios, o sea + = 2 .
73

Sigue que f 0 (x) = tan() = tan( 2 ) =

1
1
tan() = f 1 (y) , habiendo
1
tan() y el hecho de que

usado la identidad de la tangente: tan( 2 ) =

(f 1 )0 (y) = tan().
Con la notaci
on de Leibnitz podemos escribir la regla de derivacion de
la funci
on inversa con una expresion casi tautologica:
dx
1
= dy .
dy
dx

En la secci
on siguiente vamos a analizar el origen de la notacion de
Leibnitz examinando el concepto de diferencial.

74

3.6.

Diferenciabilidad y derivabilidad en R: el concepto de linealizaci

on local de una funci
on

El c
alculo diferencial fue inventado contemporaneamente por Newton y
Leibnitz durante la segunda mitad del 1600. Mientras Newton estaba mas
interesado en las aplicaciones del concepto de derivada a la fsica, obteniendo resultados excepcionales como la ley de gravitacion universal o la demostraci
on matem
atica de que los planetas del sistema solar siguen orbitas
elpticas, Leibnitz estaba mas interesados en la componente algebraica del
c
alculo diferencial a traves del estudio del diferencial, que ahora vamos a
introducir volviendo a examinar la figura:

Una operaci
on muy com
un tanto en matematica pura como en las aplicaciones es la linealizaci
on, o sea la sustitucion de una funcion que depende
no linealmente de sus variables con una funcion lineal. Como en cada aproximaci
on, tambien en el caso de la linealizacion hay que proporcionar una
estimaci
on cuantitativa o cualitativa del error que se cumple aproximando.
Si una funci
on f es derivable en un punto x0 , la funcion lineal que podemos asociar de forma m
as natural a f es la recta tangente al grafico de f en
x0 : y(x) = f (x0 ) + f 0 (x0 )(x x0 ).
En la figura, la variaci
on de la ordenada del punto sobre el grafico de
f cuando x vara de x0 a x0 + h esta dibujada en verde, mientras que la
variaci
on de la ordenada del punto sobre la recta tangente cuando x vara
de x0 a x0 + h est
a dibujada en azul.
Es razonable considerar el error aceptable si la diferencia entre las ordenadas del punto sobre el grafico de f y sobre la recta tangente (o sea la
75

diferencia de longitud del segmento verde y azul, respectivamente) tiende a

0 m
as rapidamente que el desplazamiento h. La diferencia entre la ordenada
de f en x0 + h y la ordenada del punto sobre la recta tangente y(x) en
x = x0 + h se suele escribir como o(h) o-peque
na y vale:
o(h) = f (x0 + h) y(x0 + h) = f (x0 + h) f (x0 ) f 0 (x0 )((x0 + h) x0 )
= f (x0 + h) f (x0 ) f 0 (x0 )h.
La condici
on de aceptabilidad del error, o sea que o(h) tienda a 0 mas
rapidamente que h 0 tiene un nombre particular:
Def.: Dada la funci
on f : (a, b) R R, se dice que f es diferenciable
en x0 (a, b) si la funci
on h 7 o(h) = f (x0 + h) f (x0 ) f 0 (x0 )h es un
infinitesimo de orden superior con respecto a h para h 0, es decir si vale
que:
o(h)
lm
= 0.
h0 h
Si consideramos un punto generico x en un entorno suficientemente
peque
no de x0 y llamamos el incremento h = x x0 , podemos explicitar
el significado geom
etrico del concepto de diferenciabilidad como
sigue:
Una funci
on real de una variable real f es diferenciable en un
punto x0 si f (x) se puede aproximar mediante la funci
on lineal
dada por la recta tangente a la gr
afica de f en x0 ,
y(x) = f (x0 ) + f 0 (x0 )(x x0 ), con un error o(x x0 ) que tiende a 0
m
as r
apidamente que la distancia lineal entre x y x0 .
Dado que la aproximaci
on de f se hace con una funcion lineal y dado que
esta aproximaci
on produce un error despreciable solo en puntos cercanos a
x0 , se suele decir que la diferenciaci
on es un proceso de linealizaci
on
local de una funci
on.
Por lo tanto, las funciones no diferenciables son aquellas que no se pueden
linealizar localmente de forma eficaz porque no tinen recta tangente o
porque el error que se cumple aproximando la funcion con su recta tangente
es demasiado grande en el sentido especificado arriba.
Para funciones reales de variable real, y solo para estas, resulta que ser
derivable y ser diferenciable son condiciones equivalentes, como vamos a
demostrar.
76

Teorema: La funci
on f : (a, b) R R es diferenciable en x0 (a, b) si
y solo si es derivable en x0 .
Prueba. Hay que demostrar que la diferenciabilidad implica la derivabilidad (que indicamos con ) y la implicacion inversa (que indicamos con ).
Probaremos las dos implicaciones por separado.
(): Supongamos que f sea diferenciable en x0 (a, b), entonces,
explicitando la f
ormula que aparece en la defincion de diferenciabilidad,
podemos escribir
f (x0 + h) f (x0 ) f 0 (x0 )h
= 0,
h0
h
lm

(x0 )
0 )f (x0 )h
pero f (x0 +h)f (x
= f (x0 +h)f
f 0 (x0 ), entonces el lmite
h
h
se reescribe como


f (x0 + h) f (x0 )
0
lm
f (x0 ) = 0,
h0
h

que, gracias a las propiedades de los lmites, podemos escribir como

f (x0 + h) f (x0 )
= f 0 (x0 ),
h0
h
lm

que es la definici
on de derivabilidad.
(): Supongamos ahora que f sea derivable en x0 , o sea que exista
finito el lmite
f (x0 + h) f (x0 )
= f 0 (x0 ),
h0
h
lm

(3.2)

tenemos que demostrar que, bajo esta hipotesis, vale que

o(h)
f (x0 + h) f (x0 ) f 0 (x0 )h
= lm
= 0.
h0 h
h0
h
lm

Para lograr esto, observamos que f 0 (x0 ) es una funcion constante con
respecto a h, entonces podemos escribir f 0 (x0 ) = lmh0 f 0 (x0 ), introduciendo esta expresi
on en el lado derecho de (3.2):
f (x0 + h) f (x0 )
= lm f 0 (x0 ),
h0
h0
h
lm

77

si pasamos el lmite que aparece en el lado de la derecha al lado de

la izquierda y utilizamos las propiedades algebraicas de los lmites
podemos escribir:


f (x0 + h) f (x0 )
0
lm
f (x0 ) = 0,
h0
h
que obviamente equivale a
f (x0 + h) f (x0 ) f 0 (x0 )h
= 0,
h0
h
lm

que es la definici
on de diferenciabilidad.

El teorema que acabamos de demostrar dice que, para una funcion

f : (a, b) R R, la existencia de la recta tangente en un punto con
pendiente finita (derivabilidad) es condici
on necesaria y suficiente para que
f se pueda linealizar con un error infinitesimo de orden superior con respecto
al incremento de la variable independiente (diferenciabilidad).
Remarcamos que este resultado (fuerte) de equivalencia entre diferenciabilidad y derivabilidad vale solo para funciones reales de una variable
real.
Como se ver
a durante el curso de calculo del segundo trimestre, cuando
f tiene m
as de una variable la derivabilidad pierde su caracter global y se
vuelve un concepto direccional, mientras que la diferenciabilidad mantiene
su significado de aproximacion lineal local de una funcion, no a traves de
rectas tangentes, sino de planos o hiperplanos tangentes.
Solo en una dimensi
on (una variable) estos dos conceptos se funden en
uno solo.

3.6.1.

El diferencial de una funci

on

Si f es diferenciable en x0 tiene sentido preguntarse cuanto vale el incremento de la ordenada del punto sobre la recta tangente a f en x0 , o sea
y(x) = f (x0 ) + f 0 (x0 )(x x0 ), cuando pasamos de x0 a x0 + h:
y(x0 + h) y(x0 ) = f (x0 ) + f 0 (x0 )(x0 + h x0 ) f (x0 ) f 0 (x0 )(x0 x0 )
= f 0 (x0 )h,
este valor tiene un nombre particular:

78

Def.: Sea f : (a, b) R R diferenciable en x0 (a, b). El valor del

diferencial (de orden 1) de f en x0 es
df (x0 ) = f 0 (x0 )h .

Entonces, el diferencial de f en x0 mide la variaci

on de la ordenada del
punto sobre la recta tangente a f en x0 cuando se pasa de x0 a x0 + h como
el producto de la pendiente de la recta, f 0 (x0 ) por el incremento de abscisa
h.
Leibnitz indic
o h con dx, con lo cual la definicion de diferencial se vuelve:
df (x0 ) = f 0 (x0 )dx

df
(x0 ) = f 0 (x0 ) ,
dx

habiendo tratado dx como una cantidad finita (operacion definida rigurosamente en un dominio de la matematica llamado Analisis no estandar desarrollada en los a
nos 1970 por el matematico Abraham Robinson para dar
rigor a la visi
on de Leibnitz del calculo diferencial).
Es esta la genesis de la notaci
on de Leibnitz !
Podemos reformular las afirmaciones sobre la linealizacion local de una
funci
on a traves del diferencial. Observamos antes de todo que la diferenciabilidad de f en x0 se puede escribir as
f (x0 + dx) f (x0 ) = df (x0 ) + o(dx) ,
utilizando el significado geometrico del diferencial podemos afirmar que la
diferenciabilidad de f en x0 implica que se puede aproximar la variacion de
f en un entorno de x0 con la variacion de la recta tangente al grafico de
f en x0 , sabiendo que el error de aproximacion es un infinitesimo de orden
superior con respecto a dx.

79

3.7.

La f
ormula de Taylor con resto de Peano

En la secci
on antecedente hemos comentado que, si f es derivable en x0 ,
podemos aproximar f localmente con una funcion lineal, la recta tangente a
su gr
afico en x0 , con menos de un error que resulta un infinitesimo de orden
superior con respecto a x x0 :
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) + o(x x0 ),
que consta de un polinomio de orden 1, f (x0 ) + f 0 (x0 )(x x0 ), mas un
termino complementario, o(x x0 ), del cual conocemos el comportamiento
cualitativo: tiende a cero mas rapidamente que x x0 cuando x se acerca a
x0 . El valor de la derivada primera de f en x0 juega el papel del coeficiente
del incremento de la variable del polinomio (x x0 ).
Podemos preguntarnos si es posible mejorar esta aproximacion si f es
derivable m
as veces, considerando aproximaciones no lineales. Habiendo observado que la aproximaci
on lineal no es nada mas que una aproximacion
polinomial de orden 1, resulta natural buscar aproximaciones no lineales
de caracter polinomial. Dado que los polinomios de grado > 1 tienen una
curvatura no nula y dado que la curvatura de una funcion se mide con
las derivadas de orden superior, podemos imaginar que el valor de estas
derivadas en x0 pueda jugar un papel analogo a lo de f 0 (x0 ) en la aproximaci
on lineal, es decir, que f 00 (x0 ) sea el coeficiente de (x x0 )2 , que f 000 (x0 )
sea el coeficiente de (x x0 )3 y, en general, que f (n) (x0 ) sea el coeficiente
de (x x0 )n . Si esta hip
otesis es verdadera podramos llegar a escribir una
aproximaci
on como esta, cuando x ' x0 :
f (x) ' f (x0 ) + f 0 (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 + . . . + f (n) (x0 )(x x0 )n NO!
(3.3)

donde ' es el smbolo de egualdad aproximada. Esta formula no puede ser

correcta por una raz
on muy sencilla. Al fin de entender esta razon, conviene
suponer por el momento que n sea igual a 2. En este caso, la formula (incorrecta) (3.3) se escribe as: f (x) ' f (x0 ) + f 0 (x0 )(x x0 ) + f 00 (x0 )(x x0 )2
y entonces, si calculamos las derivadas con respecto a x de las funciones
que aparecen en ambos lados obtenemos: f 0 (x) ' f 0 (x0 ) + 2f 00 (x0 )(x x0 )
y f 00 (x) ' 2f 00 (x0 ) (observamos que f (x0 ) y f 0 (x0 ) son n
umeros reales y se
comportan como constantes, o sea se anulan, si las derivamos con respecto
a la variable x). Si calculamos la derivada en x = x0 , la u
ltima relacion
00
00
que acabamos de escribir se vuelve f (x0 ) ' 2f (x0 ) lo cual es evidentemente incorrecto (a menos que f 00 (x0 ) sea nula, caso en el cual tenemos una
aproximaci
on lineal!). Si queremos modificar la formula (3.3) para eliminar
80

la incoherencia que acabamos de subrallar, tenemos que introducir un coeficiente que anule el factor 2 que aparece delante de la derivada segunda,
es decir: f (x) ' f (x0 ) + f 0 (x0 )(x x0 ) + 21 f 00 (x0 )(x x0 )2 . Cuales son los
coeficientes de los terminos de orden superior al segundo? Se podra pensar
1/3, 1/4, . . . , 1/n, en realidad no es as, y para darse cuenta de eso es suficiente repetir el razonamiento de arriba para n = 3 obteniendo la f
ormula
incorrecta f 000 (x0 ) ' 3 2 f 000 (x0 ), entonces esta vez el coeficiente que ten1
emos que introducir en la formula (3.3) para anular el factor 3 2 es 32
.
Iterando el razonamiento hasta el orden n, llegamos a obtener la f
ormula
incorrecta f (n) (x0 ) ' n (n 1) (n 2) 2 f (n) (x0 ) y entonces habra que
corregir la f
ormula (3.3) como sigue:
f (x) ' f (x0 ) + f 0 (x0 )(x x0 ) +

f (n) (x0 )
f 00 (x0 )
(x x0 )2 + . . . +
(x x0 )n .
2
n(n 1) 2

Conviene introducir un simbolo para denotar el producto iterado de los

n
umeros naturales hasta n: n! que se lee n factorial (definicion de Arbogast)
y se define como sigue3
(
1
si n = 0 o bien n = 1
n! = Qn
k=2 k si n 2
El siguiente teorema garantiza que el argumento que acabamos de examinar es correcto.
Teorema: si f : (a, b) R R es derivable n veces en (a, b) con derivadas
continuas, entonces existe un entorno U (x0 ) tal que, para cada x U (x0 )
vale la siguiente f
ormula:
F
ormula (o desarrollo) de Taylor hasta el orden n con centro en
x0 y con resto de Peano4 :
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) +
xx0

... +

1 00
f (x0 )(x x0 )2 + . . .
2!

1 (n)
f (x0 )(x x0 )n + o((x x0 )n ),
n!

Pn
Qn
P
3
y
Q Analogamente a k=1 , el simbolo k=1 se llama productoria de 1 hasta n.
son las letras sigma y pi griegas maiusculas, que corresponden a las letras latinas
S y P, comienzo de Sumatoria y Productoria. El simbolo de exclamaci
on para denotar
el factorial fue introducido por el matem
atico frances Christian Kramp (1760-1826) para
remarcar cuanto notable fuese la rapidez de crecimiento del factorial de un n
umero natural:
es suficiente pensar que 15!=1307674368000.
4
Giuseppe Peano (1858-1932), matem
atico italiano.

81

donde = es una notaci

on que significa que la egualdad vale x U (x0 ) y
xx0

donde o((x x0 )n ) es un infinitesimo superior con respecto a (x x0 )n :

o((x x0 )n )
0.
(x x0 )n xx0
o((xx0 )n ) se llama resto de Peano y establece la presencia de un termino
complementario en el desarrollo de Taylor: a menos que f sea un polinomio
de grado n, caso en el cual o((x x0 )n ) es la funcion nula, no conocemos
explicitamente la expresi
on analtica de o((x x0 )n ), solo sabemos que es
un error que tiende a cero mas rapidamente de (x x0 )n cuando x x0 .
La f
ormula de Taylor mantiene su validez, aunque con hipotesis distintas, sustituyendo el restos de Peano con otros tres restos, que se llaman,
respectivamente, resto de Lagrange, resto de Cauchy y resto integral. En la
secci
on (3.11.1) veremos la formula de Taylor con resto de Lagrange.
El polinomio de orden n en la variable x dado por
Tx(n)
(x)
0

n
X
f (k) (x0 )

k!

k=0

(x x0 )k

es decir, explicitamente,
Tx(n)
(x) = f (x0 ) + f 0 (x0 )(x x0 ) +
0

f (n) (x0 )
f 00 (x0 )
(x x0 )2 + . . . +
(x x0 )n
2!
n!

se llama polinomio de Taylor de orden n con centro en x0 . Si x0 = 0 el

polinomio se llama de Taylor-Mac Laurin5 .
Observaciones:
1. La f
ormula de Taylor, independientemente del resto, es una de las
f
ormulas m
as importantes de la matematica: permite aproximar una
funci
on complicada con la funci
on no lineal m
as sencilla, un
polinomio, por menos de infinit
esimos de orden superior. Veremos que esta propiedad resultara extremadamente u
til tambien a la
hora de resolver lmites en forma indeterminada;
2. Los terminos de orden superior de la formula de Taylor a
naden detalles
cada vez m
as finos a la aproximacion de f .
5

Brook Taylor (1685-1731), Colin Maclaurin (1698-1746), matem

aticos brit
anicos.

82

Como muestra la figura superior, estos detalles finos permiten aproximar cada vez mejor la funcion tambien lejos del punto central del
desarrollo de Taylor. Cerca del centro del desarrollo, 0 en este caso,
todos los polinomios dan una aproximacion excelente de la funcion
y = sin(x) (derivable infinitas veces con continuidad), a medida que
nos alejamos de 0, los polinomios de orden mas grande aproximan la
funci
on con un error cada vez mas peque
no.
3. El desarrollo de Taylor se usa de forma extensa tambien en los computadores electr
onicos. Un ordenador sabe hacer solo operaciones algebraicas b
asicas, por eso para un ordenador resulta conveniente usar
la f
ormula de Taylor para calcular el valor (necesariamente aproximado) que toma una funcion en un punto: aunque eso necesite muchas
cuentas, las operaciones involucradas son solo sumas y productos, que
el ordenador puede hacer de forma extremadamente rapida;
4. La f
ormula de Taylor de orden 1 con resto de Peano coincide con la
(1)
definici
on de diferenciabilidad: f (x) = Tx0 + o((x x0 )), con
xx0

Tx(1)
= f (x0 )+f 0 (x0 )(xx0 )
0

Polinomio de Taylor de orden 1.

Resumimos en la tabla siguiente los desarrollos de Taylor-Mac Laurin

con resto de Peano hasta el orden n mas comunes en las aplicaciones.

83

f (x)
ex
sin x
cos x
sinh x
cosh x
log(1 + x)
(1 + x)

Desarrollo de Taylor-Mac Laurin de orden n

P
xk
2
n
1 + x + x2! + . . . + xn! + o(xn ) = nk=0
+ o(xn )
k!
P
x2k+1
3
5
x2n+1
x x3! + x5! + . . . + (1)n (2n+1)!
+ o(x2n+1 )
+ o(x2n+1 ) = nk=0 (1)k
(2k + 1)!
P
x2k
2
4
x2n
1 x2! + x4! + . . . + (1)n (2n)!
+ o(x2n )
+ o(x2n ) = nk=0 (1)k
(2k)!
P
x2k+1
3
5
x2n+1
x + x3! + x5! + . . . + (2n+1)!
+ o(x2n+1 ) = nk=0
+ o(x2n+1 )
(2k + 1)!
P
x2k
2
4
x2n
1 + x2! + x4! + . . . (2n)!
+ o(x2n ) = nk=0
+ o(x2n )
(2k)!
P
xn
3
n
2
+ o(xn )
x x2 + x3 . . . + (1)n1 xn + o(xn ) = nn=1 (1)n1
n




P
1 + x + (1)
x2 + . . . + n xn + o(xn ) = nk=0 k xk + o(xn )
2

Observamos que:
1. En el desarrollo de Taylor-Mac Laurin de funciones pares aparecen solo
potencias pares, en el desarrollo de Taylor-Mac Laurin de funciones
impares aparecen solo potencias impares;
2. El desarrollo de Taylor-Mac Laurin de sin x y sinh x son identicos,
exceptuado el signo alterno
(
1
si n es par
(1)n =
1 si n es impar.
que est
a presente en el desarrollo de sin x;
3. El desarrollo de Taylor-Mac Laurin de cos x y cosh x son identicos,
exceptuado el signo alterno que esta presente en el desarrollo de cos x;
4. En el desarrollo de log(1 + x) aparece
(
1
(1)n1 = (1)n+1 =
1

si n es impar
si n es par.

5. El desarrollo de Taylor-Mac Laurin de (1 + x) , R, se llama desarrollo binomial y aparece el coeficiente binomial (o combinaciones):
 

( 1) ( n + 1)
=
,
n
n!
84

En particular:
   
  

 

( 1)
=
= 1,
=
= 1,
=
.
n
0
1
n1
2
2
Los desarrollos de Taylor se pueden generalizar sustituyendo x 0
con una funci
on (x) 0, veremos ejemplos en las clases de practicas y
xx0

seminarios.
Estos desarrollos permiten extraer relaciones asintoticas que resultan
muy u
tiles para resolver lmites indeterminados. Recopilamos aqu debajo
unas relaciones asint
oticas que se encuentran con frecuencia en las aplicaciones.
Si (x) 0, valen estos desarrollos de Taylor:
xx0

e(x) 1 + (x) ,

e(x) 1 + (x) +

sin (x) (x) ,

sin (x) (x)

xx0

xx0

cos (x) 1 ,
xx0

sinh (x) (x) ,

xx0

cosh (x) 1 ,
xx0

log(1 + (x)) (x) ,

xx0

(1 + (x)) 1 + (x) ,
xx0

Ejemplo: f (x) =

e5 x2 ,

xx0

xx0

cos (x) 1
xx0

(x)2
2

(x)3
3!

(x)2
2!

sinh (x) (x) +

xx0

cosh (x) 1 +
xx0

(x)3
3!

(x)2
2

log(1 + (x)) (x)

xx0

(1 + (x)) 1 + (x) +
xx0

(x)2
2
2
(x)2 .
2

es evidente que (x) = 5 x 2 0, entonces

x2

el derarrollo de
Taylor de f (x) alrededor de x = 2 hasta el orden 2 es
f (x) 1 + 5 x 2 + 25
2 |x 2|.
x2

85

3.8.

El teorema de lH
opital y sus aplicaciones al
c
alculo de lmites en forma indeterminada

El desarrollo de Taylor y el teorema de lHopital, que vamos a examinar

en esta secci
on, son los dos metodos mas potentes para resolver los lmites
que se presentan en forma indeterminada.
Teorema de lH
opital :
Hip
otesis:
1. f, g : [a, b] R R, derivables en (a, b);
2. c (a, b);
3. g(x) 6= 0 y g 0 (x) 6= 0 x (a, b) \ {c};
4. Existen los lmites siguientes
lm f (x) = lm g(x) = 0 o bien lm f (x) = lm g(x) = ;

xc

xc

xc

xc

5. Existe el lmite siguiente

f 0 (x)
= L R .
xc g 0 (x)
lm

Tesis: vale que

lm

xc

f (x)
=L.
g(x)

Precauciones para el uso del teorema de lH

opital :
El teorema de lH
opital se puede usar directamente en la forma escrita
en el teorema solo
lmites
de cocientes que tengan una forma de
 0 para
 

indeterminaci
on 0 o , no para lmites de cocientes que no tienen
formas de indeterminacion;
Si tenemos una forma de indeterminacion del tipo [0] para aplicar el
teorema de lH
opital
  tenemos
  que reconducirnos a una de las formas de
indeterminaci
on 00 o
con manipulaciones algebraicas oportunas;

86

El teorema dice que, bajo sus hipotesis, el lmite del cociente entre las
derivadas coincide con el lmite del cociente de las funciones de partida.
Sin embargo, si el lmite del cociente de las derivadas no existe, no
se puede decir nada sobre el lmite del cociente de las funciones de
partida!
Ejemplo de buen uso del teorema de lHopital: lmx0+ x log x presenta
una forma de indeterminaci
on [0], pero podemos reescribir el lmite como
sigue
log x
lm x log x = lm 1
x0+

x0+

 
en esta forma el lmite presenta una forma de indeterminacion
y el
estudiante puede averiguar que valen las hipotesis del teorema de lHopital
con f (x) = log x, g(x) = x1 , (a, b) = R+ y c = 0. Vamos a ver si existe el
lmite de las derivadas de f y g para x 0+ :
lm

x0+

1
x
x12

= lm (x) = 0,
x0+

aplicando la tesis de teorema podemos decir que

lm x log x = 0 .

x0+

x
Ejemplo de uso incorrecto del teorema de lHopital: lmx+ xsin
x+sin x pre
senta la forma de indeterminacion , f (x) = x sin x, g(x) = x + sin x
son derivables en todo R, pero no existe el lmite de sus derivadas:

(x sin x)0
1 cos x
= lm
0
x+ (x + sin x)
x+ 1 + cos x
lm

porque cos x no tiene lmite para x , como ya hemos visto. Por lo tanto
no todas las hip
otesis del teorema de lHopital son validas y tenemos que
usar otra tecnica para calcular el lmite:
x(1
x sin x
= lm
x+ x + sin x
x+ x(1 +
lm

sin x
x )
sin x
x )

x
= 1.
x+ x

= lm

Como se ve, hubiera sido incorrecto inferir que el lmite original no existe
solo porque el lmite del cociente de las derivadas no existe!

87

Observaci
on: el teorema de lHopital se puede aplicar tambien de forma
iterada (si siguen valiendo sus hipotesis, obviamente), o sea se puede intentar
calcular el lmite indeterminado con la derivada segunda, tercera, etc.
A veces estas iteraciones pueden generar un bucle infinito, como en el
caso siguiente:

x2 + 1
f (x)
lm
=
,
x+
x
g(x)
valen las hip
otesis del teorema de lHopital, pero f 0 (x) =
entonces

f 0 (x)
g 0 (x)

x
x2 +1

x
x2 +1

y g 0 (x) = 1,

sigue teniendo la misma forma de indeterminacion.

00

(x)
Si derivamos otra vez obtenemos fg00 (x)
= xx+1 y as hemos vuelto al lmite
inicial. Se genera un bucle infinito que no permite resolver el lmite. Hay
que usar otra tecnica (el desarrollo de Taylor, como veremos en las clases de
pr
acticas y seminarios).
2

Una de las aplicaciones mas u

tiles del teorema de lHopital consiste en
la determinaci
on de la jerarqua de infinitos e infinitesimos, vamos a ver de
que se trata.

3.9.

Jerarqua de infinitos e infinit

esimos

Hemos visto que funciones diferentes tienen formas diferentes de converger a 0 o diverger al y que existe la posibilidad de medir la rapidez
relativa de convergencia a 0 o divergencia calculando el lmite de la razon
entre funciones, que permite definir los conceptos de infinitesimos e infinitos
de orden superior, inferior o del mismo orden.
El teorema de lH
opital permite encontrar la jerarqua de infinitos e
infinitesimos entre las funciones elementales del calculo. A ttulo de ejemx
plo, vamos a analizar el lmite lmx+ ex : tanto ex como x satisfacen las
hip
otesis del
indeter teorema de lHopital y el lmite presenta una forma de
x
minaci
on
. El lmite del cociente de las derivadas es lmx+ e1 = +,
x
por tanto: lmx+ ex = +, lo cual dice que ex es un infinito de orden
superior a x para x +.
Con cuentas an
alogas, un poco mas tecnicas, se puede demostrar el siguiente resultado.

88

Teorema:
Jerarqua de infinitos:
loga x (loga x) x x x bx xx ,

x +

Jerarqua de infinit
esimos:
1
1
1
1
1
1
1
x x ,

loga x
(loga x)
x
x
b
x
x

x +

donde es el smbolo que expresa que el infinito o infinitesimo a su derecha

es de orden superior al infinito o infinitesimo que aparece a su izquierda y
donde:
a > 1;
> 1;
(0, 1);
> 1;
b > 1;
> 0.
El logaritmo de x es la funcion elemental que diverge menos rapidamente
para x , despues est
an las races de x, las potencias 1, las exponenx
ciales y x .
Observaciones importantes:

x
1
1. Observando que bx
= 1b , b > 1 as que 1b = c (0, 1), podemos
1
en el orden de infinitesimos crecientes con cx , 0 < c < 1;
sustituir bx
2.

= x1 , (0, 1), x1 = x1 , 1, entonces podemos reescribir
la jerarqua de esos infinitesimos considerando el lmite para x 0
como sigue:
1
x

x x ,

0 < < , x 0,

es decir: potencias m
as grandes de x tienden a cero m
as rapidamente que potencias m
as peque
nas de x para x 0 (volver
a mirar el gr
afico de la seccion 2.7 que compara x2 y x3 alrededor de
0!).
89

Veamos unos ejemplos de aplicacion de la jerarquas de infinitos e infinitesimos:

Calcular

85 log x 10x
f (x)
lm
= lm
.

x+ 5 x + 19x 14
x+ g(x)


. Como sabeEl lmite se presenta en forma indeterminada

mos, la suma de infinitos

es
asint
o
tica
al
infinito
de
orden
superior,

x
entonces f (x) 10 y g(x) 5 x, entonces, utilizando
x+

x+

las propiedades del criterio asintotico, podemos decir que

f (x)

g(x) x+

1
10
5
= 50
, que es el resultado del lmite.
x

Calcular
lm (log 2)x x40 .

x+

Dado que la base de log es e ' 2,7 y que 2 < e, log 2 (0, 1), entonces
(log 2)x 0 para x , mientras que x40 para x , por
tanto el lmite se presenta con la forma de indeterminacion [0 ].
Podemos reescribir el lmite as:
lm (log 2)x x40 = lm

x+

x+

(log 2)x
1
x40

(log 2)x
=0


1 40
x+

= lm

en virtud de la jerarqua de infinitesimos, dado que una exponencial

con base entre 0 y 1 es un infinitesimo de orden superior (tiende a
cero m
as r
apidamente) que una potencia cualquiera de 1/x cuando
x +. Podemos resolver el lmite tambien con esta tecnica:
lm (log 2)x x40 = lm

x+

x+

x40
1
(log 2)x

= lm 
x+

x40
x = 0

1
log 2

esta vez en virtud de la jerarqua de infinitos, dado que la exponencial

que aparece en el denominador tiene base log1 2 > 1 y las potencias de x
son infinitos de orden inferior que las exponenciales con bases mayores
de 1.
En las clases de pr
acticas y seminarios se vera que combinando oportunamente desarrollo de Taylor, criterio asint
otico y jerarqua de
infinitos e infinit
esimos, se pueden resolver todos los lmites que
se presentan en forma indeterminada.
90

3.10.

Teoremas fundamentales sobre derivadas

Vamos ahora a examinar unos teoremas fundamentales sobre las derivadas

de funciones reales de variable real. Con estos teoremas completaremos el
analisis de todos los resultados basicos que sirven para estudiar el comportamiento gr
afico de las funciones y los aplicaremos a problemas de optimizaci
on.
Comencemos definiendo los extremos de una funcion.
Def.: Dada f : [a, b] R R, a < b +, y x0 [a, b] decimos
que
x0 es un punto de mnimo global de f si f (x0 ) f (x) x [a, b];
x0 es un punto de m
aximo global de f si f (x0 ) f (x) x [a, b];
x0 es un punto de mnimo local de f si existe un entorno abierto
U (x0 ) tal que f (x0 ) f (x) x U (x0 );
x0 es un punto de m
aximo local de f si existe un entorno abierto
U (x0 ) tal que f (x0 ) f (x) x U (x0 ).
Los puntos de m
aximos y mnimos se llaman, con una palabra, puntos extremos de f . Una funci
on puede tener mas extremos locales, como se ve en
las figuras siguientes.

Se ve que, en un punto extremo, una funcion puede ser no derivable o

hasta no continua. Sin embargo, si estamos en el interior (a, b) del dominio,
si f es derivable en x0 (a, b) y x0 es un extremo, la tangente al grafico de
f en x0 es horizontal. Este es el contenido geometrico del siguiente teorema.
Teorema de Fermat: sea f : [a, b] R R, f derivable en x0 (a, b).
Si x0 es un punto extremo local o global, entonces vale que f 0 (x0 ) = 0 .
91

Prueba. Haremos la prueba suponiendo que x0 sea un punto de mnimo

local, si es un m
aximo la prueba es analoga.
Si x0 es un mnimo local, existe un entorno abierto U (x0 ) tal que, para cada
x U (x0 ) podemos escribir f (x0 ) f (x), entonces f (x) f (x0 ) 0.
Observamos tambien que podemos representar x como x = x0 + h, donde h
es un n
umero oportuno 0. Seg
un el signo de h tenemos:
h > 0, x x0 = x0 + h x0 = h > 0, entonces
f (x0 + h) f (x0 )
f (x0 + h) f (x0 )
f (x) f (x0 )
=
0 = lm
0
x x0
h
h
h0+
por el teorema de permanencia del signo;
h < 0, x x0 = x0 + h x0 = h < 0, entonces
f (x) f (x0 )
f (x0 + h) f (x0 )
f (x0 + h) f (x0 )
=
0 = lm
0

x x0
h
h
h0
de nuevo por el teorema de permanencia del signo.
Si f es derivable en x0 , los lmites por la izquierda y derecha tienen que
coincidir, y esto es posible si y solo si f 0 (x0 ) = 0.
2

Llamaremos puntos estacionarios los puntos donde f 0 se anula. El

teorema de Fermat dice que el anularse de la derivada, o sea la estacionariedad, es una condici
on necesaria para que un punto que est
a en el interior
del dominio de f sea un extremo. La estacionariedad no es suficiente, para
que un punto sea extremo: un contraejemplo canonico esta dado por la funci
on f (x) = x3 , cuya derivada se anula en cero: f 0 (x) = 3x2 , f 0 (0) = 0, pero
x = 0 no es un punto extremo:

92

3.11.

El teorema del valor medio de Lagrange y

sus aplicaciones al estudio de la monotona
de una funci
on

Supongamos haber recorrido en coche los 160 km que separan dos puntos
A y B en 2 horas. La velocidad media con la cual hemos viajado es 80 km/h.
Si hemos viajado de forma continua, sin parar o tener otras irregularidades
durante el trayecto, entonces en algun instante t0 (0, 2horas) la velocidad
con la cual hemos viajado ha coincidico con la velocidad media de 80 km/h,
o sea:
velocidad instantanea(t0 ) = velocidad media
porque si hubieramos viajado con una velocidad siempre inferior o siempre
superior a 80km/h, la media no podra dar 80 km/h!
El teorema del valor medio de Lagrange formaliza matematicamente esta
intuici
on.
Teorema del valor medio (Lagrange): Si f : [a, b] R R, f continua
en [a, b] y derivable en (a, b), entonces c (a, b) tal que
f (b) f (a)
= f 0 (c).
ba
La figura siguiente muestra el significado geometrico del teorema de Lagrange:

93

en el punto c (puede haber mas de un punto!) la recta tangente al grafico

de f es paralela a la recta secante al grafico de f que conecta A (a, f (a))
y B (b, f (b)).
Prueba: la tesis del teorema de Lagrange es una consecuencia bastante
sencilla de los teoremas de Weierstrass y de Fermat. Resulta u
til observar
que la recta secante al gr
afico de f en sus extremos tiene por ecuacion
y = f (a) +

f (b) f (a)
(x a)
ba

e introducir la funci
on auxiliar


f (b) f (a)
(x a) .
g(x) = f (x) f (a) +
ba
Se averigua de forma directa que g(a) = g(b) = 0, y que g es continua en
[a, b] y derivable en [a, b] (dado que f tiene esas propiedades y g es una
combinaci
on lineal de f con una funcion lineal, que es continua y derivable
en todo R). La u
tilidad de g esta contenida en el hecho de que
g 0 (x) = f 0 (x)

f (b) f (a)
,
ba

entonces demostrar que f satisface la tesis del teorema de Lagrange equivale

a demostrar que existe por lo menos un punto c (a, b) tal que g 0 (c) = 0,
(a)
(a)
porque, en ese caso, 0 = f 0 (c) f (b)f
, o sea f 0 (c) = f (b)f
.
ba
ba
Siendo g continua en un conjunto compacto [a, b], por el teorema de Weierstrass g tiene mnimo y maximo absolutos en [a, b]: x1 , x2 [a, b] tales
que
m = g(x1 ) = mn {g(x)}
x[a,b]

M = g(x2 ) = max {g(x)}.

x[a,b]

Si M = m, entonces g es constante e igual a 0 en todo [a, b], entonces existen

puntos que satisfacen la condicion g 0 (x) = 0.
Si M > m, eso significa que por lo menos un valor, entre m y M , es diferente
de 0, as que por lo menos un punto, entre x1 y x2 , no se encuentra en los
extremos de [a, b] y tiene que estar en el interior (a, b). Ese punto, gracias al
teorema de Fermat, tiene que ser estacionario, o sea g 0 debe anularse en ese
punto, que es lo que queramos demostrar.
2

94

Vamos a ver un corolario (consecuencia inmediata) del teorema de Lagrange.

Test de monotona de una funci
on con la sola derivada primera: Sea
f : (a, b) R R una funcion derivable en (a, b), entonces:
f monotona creciente f 0 (x) 0 x (a, b)
f monotona decreciente f 0 (x) 0 x (a, b)
f constante f 0 (x) = 0 x (a, b).
Prueba: Las implicaciones directas (=) son obvias por definicion de
derivada. Supongamos ahora, por ejemplo, que f 0 (x) 0 para cada x
(a, b), tenemos que demostrar que f es creciente en (a, b) (la prueba con
f 0 (x) 0 es an
aloga). Para hacerlo consideramos una pareja cualquiera de
puntos x1 , x2 (a, b) con x1 < x2 , por el teorema de Lagrange sabemos que
existe c (x1 , x2 ) tal que
f (x2 ) f (x1 )
= f 0 (c).
x2 x1
Dado que hemos hecho da hipotesis de que f 0 (c) 0 y que x2 > x1 , sigue
que f (x2 ) f (x1 ) 0, o sea f (x2 ) f (x1 ), o sea f es creciente.
Las otras dos implicaciones inversas se demuestran con esta misma tecnica.
2

Oservaci
on: el test de monotona se puede usar solo en intervalos conexos
del tipo (a, b), en pr
acticas veremos que sobre conjuntos mas complejos el
test no vale.
Los resultados de esta seccion nos proporcionan una tecnica para buscar
extremos de funciones reales de variable real.

95

Busqueda de extremos:
Sea f : D R R, para buscar sus extremos hay que:
1. Calcular los lmites de f en los puntos de frontera de f , que son los
infinitos (si D es ilimitado) y los puntos donde f no es continua,
respectivamente. Si uno de estos lmites es +, entonces f puede tener
solo puntos de m
aximo local. Analogamente, si uno de estos lmites es
, entonces f puede tener solo puntos de mnimo local;
2. Calcular f 0 y averiguar si el dominio de f 0 coincide o no con el dominio
de f . Si existen puntos en D donde f 0 no esta definida, esos puntos
son candidatos a ser extremantes de f ;
3. Para determinar la existencia de eventuales puntos extremos en los
subintervalos de D donde f es derivable tenemos, antes de todo, que
calcular los puntos estacionarios de f , o sea resolver la ecuacion
f 0 (x) = 0.
4. Los puntos estacionarios no son necesariamente extremos, para averiguar
si lo son hay que estudiar el signo de f 0 alrededor de los puntos estacionarios:
f 0 (x0 ) = 0, f 0 (x) < 0 en un entorno izquierdo de x0 , f 0 (x) > 0 en
un entorno derecho de x0 = x0 : punto de mnimo;
f 0 (x0 ) = 0, f 0 (x) > 0 en un entorno izquierdo de x0 , f 0 (x) < 0 en
un entorno derecho de x0 = x0 : punto de m
aximo;
f 0 (x0 ) = 0, f 0 (x) > 0 en un entorno izquierdo y derecho de x0 , o
bien f 0 (x) < 0 en un entorno izquierdo y derecho de x0 = x0 :
punto de inflexi
on con tangente horizontal.
5. Una vez encontrados todos los puntos extremos, se calcula el valor de
f en esos puntos y se determina cuales son los extremos globales y
locales.
La figura siguiente resume el punto 4.

96

El estudio del signo de f 0 alrededor de x0 podra resultar complicado,

por eso resulta u
til tener un metodo alternativo para averiguar si un punto
estacionario es un punto extremo. En un punto estacionario x0 de f , la
f
ormula de Taylor de f con centro en x0 no tiene el termino lineal porque
f 0 (x0 ) = 0. Entonces, si f es derivable dos veces en un punto estacionario,
el polinomio aproximante de Taylor alrededor de x0 se escribe as:
Tx(2)
(x) = f (x0 ) +
0
xx0

f 00 (x0 )
(x x0 )2 ,
2

x0 punto estacionario .

Como ense
na la figura siguiente

el polinomio aproximante de Taylor es la expresion de una parabola con

vertice en x0 cuya concavidad depende del signo de f 00 (x0 ):
97

f 00 (x0 ) > 0: concavidad hacia arriba;

f 00 (x0 ) < 0: concavidad hacia abajo.
podemos operar el test para saber si un punto estacionario es un punto
extremo examinando el signo de la derivada segunda alrededor de x0 :

Test punto estacionario con derivada primera y

segunda:
1. f 0 (x0 ) = 0;
2. f 00 (x0 ) > 0 en un entorno de x0 = x0 : punto de mnimo;
3. f 00 (x0 ) < 0 en un entorno de x0 = x0 : punto de m
aximo;
4. f 00 (x0 ) = 0, pero f 00 (x0 ) cambia signo pasando de la izquierda a la
derecha de x0 : x0 punto de inflexi
on con tangente horizontal.

Def.: Llamaremos convexa o c

oncava hacia arriba en (a, b) una fun00
ci
on f tal que f (x) 0 x (a, b), viceversa, llamaremos c
oncava o
c
oncava hacia abajo en (a, b) una funcion f tal que f 00 (x) 0 x (a, b).
Geometricamente, una funcion convexa en un intervalo se caracteriza
por tener su gr
afico siempre por encima de la recta tangente en cada punto
del intervalo mismo, o bien por tener un grafico que siempre esta por debajo
de la recta secante en dos puntos cualquiera del intervalo, como muestran
las figuras de la pagina siguiente. Obviamente las funciones concavas tienen
propiedades geometricas opuestas a las convexas.
Se puede demostrar que una funcion convexa en un intervalo tiene un
u
nico punto de mnimo en el intervalo mismo y que una funcion concava en
un intervalo tiene un u
nico punto de maximo en el intervalo mismo.

98

Tenemos todas las informaciones para poder desarrollar el esquema para

el estudio gr
afico de una funcion. Aunque los ordenadores pueden proporcionar f
acilmente gr
aficos de funciones, es importante saber estudiar cualitativamente y cuantitativamente el grafico de una funcion, dado que a menudo
los gr
aficos contienen informaciones extremadamente importantes, como el
estudiante podr
a apreciar tanto en las practicas y seminarios de este curso,
como en otras asignaturas de su carrera.

99

Estudio gr
afico de funciones
1. Determinar el dominio D de f ;
2. Averiguar si f es par o impar: en estos casos es suficiente estudiar f
para x 0 y simetrizar el grafico con las reglas vistas en las clases de
pr
acticas. An
alogamente, si f es peri
odica, es suficiente analizar su
gr
afico sobre un intervalo de periodicidad, extendiendo sucesivamente
el gr
afico por periodicidad;
3. Determinar los ceros de f , si existen, o sea los puntos donde f cruza
el eje horizontal y cu
anto vale f (0), si 0 D;
4. Calcular los lmites en la frontera (finita o infinita) de D, determinando eventualmente la presencia de asntotas verticales y horizontales;
5. Puede resultar u
til hacer estimaciones asint
oticas en los puntos
de frontera de f : eso proporciona informaciones cualitativas sobre
la concavidad y la convexidad y a menudo ayuda a darse cuentas de
errores e incongruencias que pueden aparecer en el estudio sucesivo
debido a cuentas m
as complicadas. En particular, si f es asintotica a
una funci
on lineal para x , f puede tener una asntota oblicua,
esto pasa cuando
lm [f (x) (mx + q)] = 0 ,

o sea, cuando la distancia entre el grafico de f y la recta de ecuacion

y = mx+q va a 0 cuando x . El lmite arriba resulta equivalente
a estos dos lmites que, a veces, pueden resultar mas faciles de calcular:
f (x)
=m,
x x
lm

lm [f (x) mx] = q .

6. Calcular f 0 y analizar con cuidado los puntos donde f es continua pero

no existe f 0 , esos puntos singulares pueden ser puntos angulosos,
cuspides o puntos con tangente vertical, que es u
til estudiar con
lmites por la derecha e izquierda.
7. Determinar los ceros de f 0 , o sea los puntos estacionarios, y el
signo de f 0 para saber cuando f es creciente o decreciente, si f
100

tiene puntos extremos y si son m

aximos o mnimos. Si el estudio del
signo de f 0 es muy complicado, puede resultar u
til el test de monotona
de la derivada segunda;
8. Determinar los ceros y el signo de f 00 para saber cuando f es c
oncava
o convexa y si tiene puntos de inflexi
on. El estudio del signo de
f 00 alrededor de los puntos estacionarios puede ayudar a comprender
si son puntos extremos. A menudo f 00 es demasiado complicada para
poder ser estudiada analticamente, en esos casos solo podemos inferir cualitativamente la concavidad de f a traves de las estimaciones
asintonticas del punto 5.
9. Se aconseja dibujar el grafico paso por paso, introduciendo cada vez las
informaciones que cada punto proporciona. Si se ve que hay contradicciones entre estas informaciones hay que verificar que las cuentas sean
correctas. Por eso insistimos sobre el punto 5. del analisis asintotico en
los extremos, que a menudo ayuda a mantener una coherencia global
en el estudio gr
afico de la funcion.
Se ve que, en el esquema del estudio grafico de la funcion, hay tres puntos, precisamente 3, 7 y 8, en los cuales tenemos que determinar los ceros de
f , f 0 y f 00 , respectivamente. Solo en casos muy sencillos es posible resolver las
ecuaciones (no lineales) que correponden a las condiciones de determinacion
de los ceros. Esta observaci
on motiva la discusion de un metodo extremadamente u
til a la hora de encontrar ceros de funciones, el metodo de Newton,
que ser
a el tema del pr
oximo captulo.

101

3.11.1.

La f
ormula de Taylor con resto de Lagrange

Otra consecuencia notable del teorema del valor medio de Lagrange es

la posibilidad de escribir el desarrollo de Taylor con un resto diferente con
respecto a lo de Peano. Para entender porque es suficiente re-escribir la tesis
del teorema de Lagrange as: f (b) = f (a) + f 0 (c)(b a), pero si ponemos
a = x0 y b = x = x0 + h, obtenemos la siguente aproximacion lineal de f en
x0 + h:
f (x) = f (x0 ) + f 0 ()(x x0 ),
con (x0 , x0 + h). Esta formula establece una linealizacion de f (bajo
las hip
otesis del teorema de Lagrange obviamente) alternativa al desarrollo
de Taylor de orden 1 con resto de Peano y se llama formula de Taylor con
centro en x0 y resto de Lagrange.
Tambien esta f
ormula se puede extender a una aproximacion polinomial
m
as precisa, puesto que la funcion f satisfaga las condiciones de derivabilidad contenidas en el siguiente teorema.
Teorema: si f : (a, b) R R es derivable n + 1 veces en (a, b) con
derivadas continuas, entonces, para cada pareja de puntos x, x0 (a, b),
existe contenido entre x y x0 tal que:
F
ormula (o desarrollo) de Taylor hasta el orden n con centro en
x0 con resto de Lagrange:
1 00
f (x0 )(x x0 )2 + . . .
2!
1
1
f (n+1) ()(x x0 )n+1 .
. . . + f (n) (x0 )(x x0 )n +
n!
(n + 1)!

f (x) = f (x0 ) + f 0 (x0 )(x x0 ) +

Es importante subrayar la diferencia en los dominios de aplicacion de las

dos f
ormulas de Taylor: cuando se considera el resto de Peano, x pertenece
a un entorno peque
no del centro x0 ; si se considera el resto de Lagrange x
puede variar en todo (a, b). Podemos resumir estas consideraciones diciendo
que la f
ormula de Taylor con resto de Peano es una f
ormula con validez
local, mientras la f
ormula de Taylor con resto de Lagrange es una f
ormula
con validez global.
La raz
on que est
a a la base de esta diferencia es que la formula de
Taylor con resto de Peano se funda en el concepto de linealizacion local, que
involucra solo un entorno peque
no de un punto, mientras que la formula
de Taylor con resto de Lagrange se funda en el teorema de Lagrange que
involucra desplazamientos finitos de la variable independiente.
102

3.12.

La optimizaci
on

Se llama optimizaci
on un campo muy amplio de las matematicas dedicado a la b
usqueda de extremos de funciones u objetos mas complicados
llamados funcionales. La optimizacion tiene un radio de aplicacion practicamente universal.
En el curso de c
alculo del segundo trimestre examinaremos las funciones reales de varias variables y eso nos dara la oportunidad de mostrar
aplicaciones de optimizaci
on muy interesantes. Sin embargo, ya con funciones reales de una sola variable real podemos discutir un problema de
optimizaci
on que viene de la vida practica y que dara una idea de la importancia de las tecnicas de optimizacion en matematica aplicada. Veremos
otros ejemplos en las clases de practicas y seminarios.

3.13.

El problema del fontanero

Supongamos que un palo haya entrado por error en una ca

nera, como
en la figura aqu debajo:

un fontanero se pregunta si el palo podra pasar por la ca

nera o si se
quedar
a atascado.
Vamos a demostrar que podemos formular esta situacion como un problema de optimizaci
on y resolverlo encontrando el valor extremo de una funcion
oportuna. Antes de todo, giramos 180 grados la figura para visualizar los
ejes de la forma canonica, como en la figura siguiente

en la cual se ve claramente que el palo pasa a traves de la ca

nera si y
solo si la longitud mnima del segmento AB es 4. La longitud L de AB,
103

gracias al teorema de Pit

agoras, se puede escribir como
p
L(a, b) = a2 + b2 ,
L es una funci
on de dos variables reales, a y b, que todava no hemos aprendido a manejar. Por eso, tenemos que expresar una variable en funcion de
la otra, as que L se quedara como una funcion de una sola variable real.
Para hacer esto resulta conveniente escribir la recta que pasa por A y P ,
yA
que tiene ecuaci
on y(x) = yA + xyPP x
(xxA ), sustituyendo (xA , yA ) = (a, 0)
A
y (xP , yP ) = (2, 1) obtenemos y(x) = xa
2a .
En la figura se ve que esta recta intersecta el eje y con ordenada y = b
a
a
= a2
.
(y abscisa x = 0 obviamente), por tanto: y(0) = b = 2a
Ahora introducimos la expresion de b en funcion de a en la formula de
la longitud del segmento AB obteniendo una funcion de una variable:
s

2
a
2
L(a) = a +
a2
que tiene sentido cuando a > 2 (vease la figura arriba). Derivando L con
respecto a a tenemos:


2
2a 1 (a2)
3
L0 (a) = r

 .
2 a2 +

a
a2

El denominador de L0 (a) es siempre positivo, entonces su signo esta dado

por el signo del numerador. Con cuentas directas obtenemos que

< 0 si 2 < a< 2 + 2

L0 (a) : = 0 si a = 3 2 + 2

> 0 si a > 3 2 + 2.

entonces a = 3 2 + 2 es un punto de mmimo para L(a). Si L(a ) es mayor

de 4, el palo puede pasar por la ca
nera, si no, el palo se queda atrapado.
Afortunadamente para el fontanero L(a ) ' 4, 16 y el palo podra pasar por
la ca
nera.

104

Captulo 4

El m
etodo de Newton 1-D
El metodo de Newton es un algoritmo numerico que sirve para encontrar
los ceros de una funci
on. Newton utilizo por primera vez una tecnica similar
a la que presentaremos en el 1669 para aproximar las races de un polinomio,
extendiendo ideas ya presentes en los documentos matematicos de Persia y
Babilonia relativos a la aproximacion de races cuadradas. Aqu presentaremos la versi
on 1-D, es decir, para funciones reales de una variable real. Como
veremos, el metodo de Newton tiene tambien aplicaciones a la resolucion de
sistemas no lineales y a problemas de optimizacion.

4.1.

Construcci
on del m
etodo de Newton 1-D

La idea principal del metodo de Newton consiste en observar que los ceros
de las funciones lineales son extremadamente faciles de calcular: f (x) =
ax + b = 0 si y solo si x = b/a. Si una funcion es derivable, sabemos
que, en cada punto x0 de su dominio, puede ser linealizada a traves del
proceso de diferenciaci
on: en un entorno suficientemente peque
no de x0 la
funci
on f coincide con su recta tangente (o polinomio de Taylor de orden 1)
a menos de infinitesimos de orden superior (con un resto que tiende a cero
cuando nos aproximamos a x0 ). Dado que la aproximacion de f por su recta
tangente es v
alida solo localmente, sera esperar demasiado que el cero de f
coincidiera con el cero de su recta tangente; sin embargo, veremos que si se
itera la linealizaci
on de f en los puntos determinados por los ceros de sus
rectas tangentes, se aproximara cada vez mejor el valor del cero de f . Esto
explica por que el metodo de Newton se suele llamar tambien metodo de las
tangentes o metodo de las linealizaciones iteradas.
Comencemos presentando la idea geometrica subyacente al metodo con

105

la figura 4.1.

Figura 4.1: Idea geometrica del metodo de Newton.

Consideremos una funcion f : D R R y un punto inicial x0 D,
elegido arbitrariamente en el dominio de f . En el punto (x0 , f (x0 )) la recta
tangente a la gr
afica de f tiene pendiente f 0 (x0 ) y tiene un cero en el punto
x1 donde corta el eje horizontal; a su vez, la recta tangente a la grafica
de f en el punto (x1 , f (x1 )) tiene pendiente f 0 (x1 ) y tiene un cero en x2 .
Como muestra la figura 4.1, los puntos x0 , x1 , x2 , . . . definen una sucesion
de valores {xk }k0 que se acercan al punto x en el cual la funcion f se
anula: f (x ) = 0, ya que x es un cero de f .
El punto x1 es el punto en el cual la recta tangente al grafico de f en
0
(x , f (x0 )) cruza el eje horizontal, para determinar x1 recordemos que esa
recta coincide con el polinomio de Taylor de orden 1 con centro en x0 , que
tiene expresi
on Tx0 (x) = f (x0 ) + f 0 (x0 )(x x0 ), entonces Tx0 (x1 ) = 0 si y
0
solo si f (x ) + f 0 (x0 )(x1 x0 ) = 0. Resolviendo con respecto a x1 obtenemos
0)
x1 = x0 ff0(x
, iterando este razonamiento llegamos a poder expresar el
(x0 )
cruce de la k-esima recta tangente con el eje horizontal como sigue:
xk = xk1

f (xk1 )
,
f 0 (xk1 )

que es el punto determinado por la k-esima iteraci

on del metodo de Newton
1-D.

106

4.2.

Aplicaci
on al c
alculo de los valores decimales
de las races cuadradas

Presentamos una aplicacion notable del metodo de Newton 1-D: el calculo de races cuadradas.
omo se puede determinar por ejemplo el valor decimal de
p Vamos a ver c
3/4,
que
es
0,8660
. . . con el esquema de Newton. Tenemos
p que interpretar
p
3/4 como el cero de una funci
pon, para ello definimos x = 3/4 y definimos
unap
funci
on de x que tenga 3/4 como cero. No podemos definir f (x) =
x 3/4 porque su derivada vale 1, entonces la recta tangente tiene siempre
p
la misma pendiente y no hay manera de converger iterativamente a 3/4.
Para evitar este problema podemos elevar al cuadrado la definicion de x
obteniendo x2 = 3/4, o sea 4x2 3p= 0. Si definimos f (x) = 4x2 3,
los ceros de f corresponden a x = 3/4. Vamos a aplicar el metodo de
Newton: necesitamos la derivada primera de f , que es f 0 (x) = 8x, y un
punto inicial. Dado que 3/4 esta entre 0 y 1 y dado que la raiz cuadrada
de un n
umero que est
a entre 0 y 1 sigue en este intervalo, elegimos por
0
ejemplo x = 0,5 para no estar demasiado lejos de la solucion y converger
m
as rapidamente.
Iteraci
on 1:
x1 = 0,5
Iteraci
on 2:
x2 = 1

1
7
f (1)
= 1 = ' 0,875;
0
f (1)
8
8

Iteraci
on 3:
x3 =

4.3.

2
f (0,5)
= 0,5
= 1;
f 0 (0,5)
4

f(7)
7
0 87 ' 0,8660.
8 f (8)

Criterios de parada del algoritmo de Newton

Una pregunta natural que surge a la hora de aplicar el metodo de Newton

es: cu
al es la precisi
on hasta la cual queremos determinar los ceros de f para
hacer terminar las iteraciones del algoritmo de Newton? Para contestar a
esta pregunta observemos que a medida que nos acercamos a x la diferencia
entre los puntos xk y xk1 va disminuyendo y, ademas, los valores que toma
f en los puntos xk van acercandose a 0. Para medir la distancia relativa entre

107

los puntos de la sucesi

on {xk }k0 se suele utilizar el error relativo entre dos
iteraciones sucesivas:
|xk xk1 |
Ek
.
|xk |
Se suelen parar las iteraciones del algoritmo de Newton despues de un

n
umero de iteraciones k tales que xk y xk1 sean cercanas. Formalmente
se puede expresar como sigue:
Ek T,
siendo T > 0 un valor de tolerancia que el usuario del algoritmo elige seg
un
sus exigencias de precisi
on. Otra opcion sera parar el algoritmo de Newton
despues de un n
umero de iteraciones k tales que

|f (xk )| T,
es decir, cuando |f | toma valores entre 0 y el valor de tolerancia T .
Un tercer criterio de parada consiste en definir un n
umero maximo de
iteraciones kmax y elegir xkmax como solucion (aproximada) proporcionada
por el metodo de Newton. Normalmente se fija kmax a un valor suficientemente alto para asegurarnos de llegar a una solucion con buena precision
en caso de convergencia del algoritmo y que evite que el algoritmo itere de
forma infinita en caso de no convergencia de este. En la proxima seccion
examinaremos cu
ales son las condiciones de f y del valor inicial x0 que nos
aseguran la convergencia.

4.4.

Condiciones de convergencia del algoritmo de

Newton

El algoritmo de Newton puede converger al cero o no, como muestra el

siguiente ejemplo. Consideremos la funcion f (x) = x3 2x + 2: como se ve
en la figura aqu debajo, si elegimos como puntos iniciales x0 = 0 o x0 = 1,
las tangentes oscilan entre dos rectas que cruzan el eje horizontal en x = 1
y x = 0, respectivamente, entonces nunca convergiremos al cero de f .
Adem
as, una funci
on puede tener diferentes ceros, por lo tanto es necesario un criterio para establecer bajo que condiciones podemos garantizar la
convergencia del algoritmo de Newton a un determinado cero de una funcion.
Para ello, es conveniente definir el error absoluto entre xk y el cero x
como:
ek x xk ,
k 0.
108

Figura 4.2: Oscilaciones en el metodo de Newton.

Est
a claro que el algoritmo de Newton converge si y solo si se cumple que
|ek+1 | < |ek |

k 0

porque en ese caso el valor absoluto del error disminuye en cada iteracion,
hasta llegar a determinar el cero x con la precision deseada.
Queremos utilizar la condicion |ek+1 | < |ek | para determinar una restricci
on sobre el valor inicial x0 que nos garantize la convergencia del algoritmo
de Newton.
Empecemos definiendo el intervalo de b
usqueda del cero x de f como
sigue: I = [x x0 , x + x0 ] y supongamos que f sea dos veces derivable con
derivadas continuas en I. Bajo esta u
ltima condicion podemos escribir, para
cada x I, el desarrollo de Taylor de f centrado en xk I hasta el orden
1 con resto de Lagrange para cada paso k del algoritmo:
1
f (x) = f (xk ) + f 0 (xk )(x xk ) + f 00 ()(x xk )2 , con | xk | < |x xk |.
2
Dado que este desarrollo vale para cada x I, podemos seleccionar en
particular x = x , en este caso el desarrollo de Taylor se escribe:
1
f (x ) = f (xk )+f 0 (xk )(x xk )+ f 00 ()(x xk )2 , con | xk | < |x xk |.
2
Si tenemos en consideraci
on que f (x ) = 0 y dividimos ambos miembros por
0
k
f (x ) (suponiendo que f 0 (xk ) 6= 0), obtenemos
0=

1 f 00 ()
f (xk )

k
+
x

x
+
(x xk )2 ,
2 f 0 (xk )
f 0 (xk )

es decir
x xk +

f (xk )
1 f 00 ()
=

(x xk )2 .
2 f 0 (xk )
f 0 (xk )
109

)
Ahora usamos el hecho de que xk+1 = xk ff0(x
(dado por el paso basico
(xk )
de las iteraciones del metodo de Newton) para reescribir la u
ltima ecuacion
como:
1 f 00 ()
x xk+1 = 0 k (x xk )2 .
2 f (x )
La ventaja de esta u
ltima f
ormula es que pone en evidencia la relacion entre
el error ek+1 y el error ek :

ek+1 =

1 f 00 () 2
e ,
2 f 0 (xk ) k

tomando el valor absoluto en ambos lados:

 00

 f () 

|ek+1 | =  0 k  |ek |2 ,
2f (x )

(4.1)

lo cual expresa el hecho de que el error absoluto e en el paso k + 1 es

proporcional al cuadrado del error
e en el paso k, con coeficiente
 00 absoluto

 f () 
de proporcionalidad dado por  2f 0 (xk ) . El valor maximo que puede tomar
este coeficiente es1 :



1  f 00 (t) 
M max  0  ,
tI 2 f (t)
donde, por sencillez, hemos usado la variable generica t I en lugar de las
dos variables , xk I. Entonces la ecuacion (4.1) implica que:
|ek+1 | M |ek |2 = M |ek ||ek |,

(4.2)

por lo que se cumplir

a la condicion necesaria y suficiente de convergencia,
|ek+1 | < |ek |, si y solo si M |ek | < 1. Para que M sea finito necesitamos que
f 0 (t) 6= 0 t I (en particular es necesario que f 0 (x ) 6= 0). Si se verifica
esta condici
on, podemos garantizar que la magnitud del error absoluto e
decrece en cada iteraci
on (es decir, que |ek+1 | < |ek |) siempre que:
M<

1
,
|ek |

pero como |ek+1 | < |ek |, es suficiente pedir que

M<

1
1
=
,
|e0 |
|x x0 |

(4.3)

(aqu es importante que el smbolo de desigualdad < sea estricto). Comprobemos esta afirmaci
on para las primeras dos iteraciones:
1

Recordar que, para maximizar una fracci

on, hay que maximizar el numerador y minimizar el denominador.

110

Iteraci
on 1: k = 0. Sustituyendo k = 0 en la ecuacion (4.2) tenemos
que |e1 | M |e0 |2 , entonces, si M cumple con la propiedad (4.3),
2
|e1 | < |e|e00|| = |e0 |;
Iteraci
on 2: k = 1. Sustituyendo k = 1 en la ecuacion (4.2) tenemos
que |e2 | M |e1 |2 entonces, si M cumple con la propiedad (4.3) y
2
2
teniendo en consideracion que |e1 | < |e0 |: |e2 | < |e|e10|| < |e|e11|| = |e1 |;
para las iteraciones sucesivas valen las mismas consideraciones.
Resumiendo, podemos garantizar la convergencia del metodo de Newton
cuando se cumplen las siguientes condiciones:
1. f es derivable con derivadas continuas hasta el orden 2 en el intervalo
I de b
usqueda del cero x de f ;
2. f 0 (t) 6= 0 t I (en particular f 0 (x ) 6= 0);
3. El punto inicial x0 est
a suficientemente cerca de x ; utilizando la definici
on de M y la ecuacion (4.3) equivale a que:
|x x0 | <

 00  .
 (t) 
maxtI  ff 0 (t)


La u
ltima condici
on dice que si f 0 toma valores muy peque
nos y/o f 00
0
toma valores muy grandes, tenemos que elegir x con cuidado (un x0 lo
suficientemente pr
oximo a la solucion).
Observaci
on: si tanto f 0 como f 00 son crecientes y positivas en el intervalo
de busqueda I e I = [a, b], entonces, dado que una fraccion se maximiza
maximizando el numerador y minimizando el denominador, tenemos que
 00 
 f (t)  f 00 (b)
m
ax  0  = 0
tI
f (t)
f (a)

f 0 , f 00 crecientes y positivas en [a, b]

en cambio, si tanto f 0 como f 00 son positivas en I = [a, b] pero decrecientes,

entonces
 00 
 f (t)  f 00 (a)
m
ax  0  = 0
f 0 , f 00 decrecientes y positivas en [a, b].
tI
f (t)
f (b)

111

Dejamos como ejercicio mental razonar sobre el valor del maximo cuando
f 0 y f 00 sean mon
otonas y negativas.
El algoritmo de Newton, cuando converge, lo hace cuadr
aticamente, es
decir, la distancia entre el cero de f y la solucion proporcionada en el paso
k decrece cuadr
aticamente a medida que aumentamos k. Esa es una de las
propiedades m
as importantes del metodo de Newton: si converge, lo hace
muy r
apidamente. La contrapartida es que tienen que cumplirse las condiciones de f especificadas anteriormente y el punto inicial x0 no tiene que
estar demasiado lejos del cero x . Esto hace que sea mas difcil poder aplicar
el metodo de Newton a problemas donde no se conoce el intervalo de valores
probables donde se puede encontrar x . Por esa razon, un estudio cualitativo
cuidadoso antes de aplicar el metodo de Newton puede resultar extremadamente u
til, como veremos en el ejemplo siguiente.

4.5.

Aplicaci
on al c
alculo aproximado de los puntos de intersecci
on entre gr
aficos de funciones

El metodo de Newton resulta particularmente u

til a la hora de aproximar
la posici
on de los puntos de interseccion entre graficos de dos funciones. Sean
f1 y f2 dos funciones derivables, en los valores x por los cuales los graficos
de f1 y f2 se intersectan tendremos obviamente f1 (x) = f2 (x), por lo tanto
encontrar las intersecciones entre f1 y f2 es equivalente a encontrar los ceros
de la funci
on F (x) = f1 (x) f2 (x), que se puede hacer con el metodo de
Newton.
Veamos una aplicaci
on: supongamos de querer estudiar graficamente la
x+2
funci
on f (x) = e
13 x3 . Sabemos que los intervalos de crecimiento y
decrecimiento de f se determinan a traves del signo de la derivada primera
de f , o sea f 0 (x) = ex+2 x2 . La expresion analitica de f 0 (x) no es trivial
y la inecuaci
on f 0 (x) 0, o sea ex+2 x2 , que determina los valores de
x por los cuales f es creciente o decreciente, respectivamente, no tiene una
soluci
on analtica explicita. En estos casos es aconsejable actuar as:
Se hace una comparacion grafica entre las funciones ex+2 y x2 para
obtener una idea cualitativa de la posicion de los puntos de intersecci
on. Dibujando los graficos de las dos funciones es muy facil darse
cuenta de que solo puede existir una interseccion y que la abscisa x de
esta intersecci
on tiene que estar entre -2 y 0 (vease la figura debajo),
porque en x = 2: e2+2 = 1 < x2 = 4, mientras que en x = 0;
e0+2 = e2 > 02 = 0, y por continuidad tiene que existir un valor
112

x [2, 0] donde ex+2 = x2 ;

Aplicamos ahora el metodo de Newton a la funcion F (x) = ex+2 x2 .

Para garantizar que el metodo de Newton pueda converger a la solucion
que buscamos tenemos que seleccionar con cuidado el valor inicial x0 .
Sabiendo que el intervalo de busqueda es I = [2, 0], utilizamos la
condici
on que acabamos de determinar para escoger un valor inicial.
Tenemos que F 0 (x) = ex+2 2x y F 00 (x) = ex+2 2, F 0 es suma de una
funci
on creciente y de una decreciente, mientras que F 00 es creciente
pero no positiva en todo el intervalo de busqueda, as que para calcular
 00

 F (x) 


max
x[2,0]  F 0 (x) 
tenemos que estudiar F 0 y F 00 graficamente en [2, 0]:

113

F 0 tiene un mnimo en x = log 22 en el cual toma el valor de 4, 61 > 0,

entonces:
 00

 F (x) 
F 00 (0)
e2 1

=
m
ax  0
=
.
F 0 (log 2 2)
4, 16
x[2,0] F (x) 
Entonces la condici
on de convergencia se escribe como:
|x0 x | <

2
e2 1
4,16

8, 32
' 1, 3,
e2 1

eso nos dice que si escogemos un valor inicial x0 que esta alejado del
punto de intersecci
on x por menos de 1,3, seguramente el algoritmo
114

de Newton convergera a x . Dado que el intervalo de busqueda es

I = [2, 0], es suficiente escoger x0 = 1 para estar seguros que la
condici
on valga. Inicializando el algoritmo de Newton con x0 = 1 y
tomando como valor de tolerancia 0, 01, encontramos como salida final
x = 1, 37. Dado que ex+2 > x2 solo cuando x > 1, 37 sigue que
f (x) es creciente para cada x (1, 37, +), decreciente para cada
x (, 1, 37) y que x = 1, 37 es un punto de mnimo absoluto
para f .

115

Captulo 5

Integrales
Cuando discutimos las motivaciones para introducir el concepto de lmite,
vimos que uno de los problemas que empujaron al desarrollo del calculo diferencial fue el c
alculo del
area de una figura con borde curvilneo, problema
resuelto gracias al concepto de integral, al cual vamos a dedicar este captulo.
Las areas por debajo de curvas partculares como parabolas o hiperbolas
ya se conocan gracias a los trabajos de Arqumedes, Fermat y Mercator.
La formalizaci
on de la construccion geometrica que permite calcular el
area por debajo del gr
afico de una funcion se debe a Cauchy y a uno de los
matem
aticos m
as importantes de la historia, el aleman Bernhard Riemann
(1826-1866).

5.1.

Definici
on de la integral de Riemann

Consideramos una funcion continua f : [a, b] R y operamos una partici

on de [a, b] en n sub-intervalos:

los extremos de los n sub-intervalos son a = x0 , x1 , x2 , . . . , xn1 , xn = b.

La distancia entre estos puntos es constante y vale
x =

ba
n

entonces xj = a + jx, j = 0, . . . , n.
En cada uno de los sub-intervalos [xj , xj+1 ] elegimos un punto arbitrario j , por ejemplo el punto medio (pero podra ser cualquier otro punto,
116

tambien los extremos), y evaluamos la funcion f en j , como en la figura

siguiente. .

De esta manera, podemos definir la suma de Cauchy-Riemann como:

Sn =

n
X

f (j )(xj xj1 ) =

j=1

n
X

f (j )x.

j=1

Si operamos una particion mas fina de [a, b], por ejemplo esta

la posici
on de los j variara, y con ella el valor de f calculada en esos
puntos y la distancia x entre los extremos de los sub-intervalos. El siguiente
teorema, seg
un Riemann, dice que, si f es continua, existe el lmite de n
117

tendiendo a infinito, independientemente de la eleccion de los j , y coincide

con el
area por debajo del grafico de f .
Teorema de la integral de Riemann: si f : [a, b] R es continua entonces
lmn+ Sn , este lmite es independiente de la eleccion de los puntos j
en cada paso de la partici
on. Definimos integral de f entre a y b como:
n
X

f (x)dx = lm

n+

f (j )x .

j=1

La notaci
on del integral se debe a Leibnitz (que ya hemos
visto que
R
era ingenioso en sus elecciones de la notacion!). El smbolo , una S estirada, se refiere al hecho de que la integral no es nada mas que un lmite
de sumas oportunas. El diferencial dx, en cambio, recuerda la base x de
los rect
angulos aproximando el area por debajo del grafico de la funcion en
cada intervalo [xj , xj+1 ]. Cuando n esa base x se vuelve infinitesima
y se representa como dx.
Intuitivamente, podemos pensar en la integral como a la suma de infinitas

areas elementales de rect

angulos con base infinitesima y altura dada por el
valor de la funci
on f en todos los puntos x que recorren el intervalo [a, b].
La genialidad de la notacion de Leibnitz esta en el hecho de que el smbolo
que denota la integral sintetiza toda la construcci
on con la cual se llega a la
integral misma!
Obviamente
Z
a

a R, f

f (x)dx = 0
a

y, usando argumentos de simetr a, se puede demostrar que

Z
f par

Z
f (x)dx = 2

f (x)dx ,
0

Z
f impar

f (x)dx = 0 .
a

Nomenclatura:
a, b: extremo inferior y superior de la integral, respectivamente;
f (x): funci
on integranda, x: variable de integraci
on.
118

Observaci
on importante: si f cambia de signo (o sea pasa de ser positiva
Rb
a negativa, o viceversa), a f (x)dx representa una suma de areas con
signo, por eso la integral puede tambien ser negativa o nula, como muestra
la figura siguiente (autoexplicativa).

Se suele decir que la variable de integraci

on es muda, o sea, el
smbolo usado para denotarla no es importante:
Z

f (x)dx =
a

f (t)dt = etc.
a

P3

P3

= a1 + a2 + a3 .
Rb
Por razones que ser
an mas claras despues, se suele llamar a f (x)dx tambien integral definida de a a b. Observamos que
R si integramos la funcion
constante 1(x) 1, obtenemos, por definicion de , la longitud del intervalo
[a, b]:
Z b
dx = b a .

de la misma forma que escribir

j=1 aj

119

i=1 ai

5.2.

Propiedades de la integral

Las propiedades de las integrales siguen de las analogas propiedades de

los lmites:
Linealidad: dados , R,
Z

[f (x) + g(x)]dx =

f (x)dx +
a

g(x)dx ;
a

Si a c b,
Z

Z
c

f (x)dx ;

f (x)dx +

f (x)dx =

Se usa la siguiente convencion: si a < b

b

Z
f (x)dx =

f (x)dx ;

Monotona con respecto a la funcion integrada:

Z
f (x) 0 x [a, b] =

f (x)dx 0;
a

Z
f (x) g(x) x [a, b] =

Z
f (x)dx

Para cualquier f continua:

Z b
 Z b



f (x)dx
|f (x)|dx .

a

120

g(x)dx;
a

5.3.

Valor medio y valor eficaz de una funci

on

La media aritmetica de un conjunto finito de valores viene dada por

la suma de esos valores dividido por el n
umero de valores. Si queremos
calcular la media de una magnitud que vara de forma continua tenemos
que generalizar la definici
on antecedente con el uso de las integrales como
en la definici
on siguiente.
Def.: sea f : [a, b] R una funcion continua. Llamamos,
fM


fE = valor eficaz de f en [a, b] =

1
ba

1
= valor medio de f en [a, b] =
ba

f (x)dx ;
a

b
2

[f (x)] dx

1/2
.

El estudiante podr
a apreciar el interes en definir el valor eficaz de esa
forma durante los cursos de ondas y electromagnetismo y teora de se
nales.
El siguiente teorema dice que existe siempre un punto c [a, b] en el
cual f toma su valor medio en [a, b].
Teorema de la media o del valor medio para integrales: sea f : [a, b] R
una funci
on continua. Existe c [a, b] tal que
f (c) =

1
ba

f (x)dx.
a

Prueba: f es continua en un intervalo compacto de R, entonces, en virtud

del teorema de Weierstrass, tiene un mnimo m y un maximo M absolutos.
Gracias a la propiedad de monotona tenemos que
1
m=
ba

Z
a

1
mdx
ba

Z
a

1
f (x)dx
ba

M dx = M,
a

Rb
1
entonces ba
a contenido entre el mnimo y el maximo valor
a f (x)dx est
que f toma en [a, b]. Siendo f continua, en virtud del teorema de los valores
Rb
1
intermedios tiene que existir c [a, b] tal que ba
2
a f (x)dx = f (c).

121

5.4.

El teorema fundamental del c

alculo diferencial

Como veremos m
as adelante, la definicion de integral que hemos dado
se presta muy bien para encontrar formulas de aproximacion numerica de
las integrales. Sin embargo, el calculo analtico (o sea a traves de funciones
elementales) de las integrales se hace de manera completamente diferente y
necesita el concepto de primitiva o anti-derivada.
Def.: se dice que la funcion G : [a, b] R, G derivable en [a, b], es una
primitiva (o anti-derivada) de f : [a, b] R en [a, b] si
G0 (x) = f (x)

x [a, b].

Entonces, la primitiva de una funcion f en un intervalo [a, b] es una

funci
on derivable G cuya derivada coincide con f en cada punto de [a, b].
Por ejemplo, si f (x) = 2x tenemos que preguntarnos: cual es la funcion
cuya derivada vale 2x? la respuesta es x2 , entonces G(x) = x2 es la primitiva
de f (x) = 2x en todo R.
Observaci
on: Como la derivada de una constante es cero, dada la primitiva G(x) de la funci
on f (x), tambien G(x) + c, c R, es una primitiva de
la misma funci
on: (G(x) + c)0 = G0 (x) = f (x).
Por otro lado, si G1 y G2 son dos primitivas cualquiera de f (x) en un
intervalo, entonces G01 (x) G02 (x) = f (x) f (x) = 0 para cada punto del
intervalo. Pero G01 (x) G02 (x) = (G1 G2 )0 (x) = 0, entonces la funcion
diferencia G1 G2 tiene derivada nula en todos los puntos de un intervalo,
lo cual, como hemos visto, implica que G1 G2 es una constante! Entonces
G1 G2 = c, o sea, G1 = G2 + c. Queda demostrado que: si se conoce una
primitiva G de f , todas las otras primitivas de f son de la forma G(x) + c,
c R, no hay otras m
as.
Se suele resumir eso diciendo que las primitivas de una funci
on difieren s
olo por una constante aditiva.
Se puede demostrar que
Si f tiene discontinuidades de salto en [a, b], entonces no puede tener
primitiva en [a, b];
Si f es continua en [a, b], entonces admite una primitiva en [a, b] (lo
demostraremos despues).
122

Observaci
on importante: aunque f sea continua, no siempre es posible escribir su primitiva a traves de una composicion de funciones elementales, en
partcular, se demuestra rigurosamente (como corolario de un teorema debido al matem
atico frances Joseph Liouville (1809-1882)) que la primitiva
2
de las funciones del tipo f (x) = eax con a 6= 0, en partcular de la funci
on
2
x
Gaussiana f (x) = e , no se puede escribir a trav
es de la composici
on de funciones elementales. Veremos despues que una primitiva de la
Gaussiana se puede escribir de forma implcita.
Tenemos todas las informaciones para citar y demostrar1 el siguiente,
importantsimo, resultado.
Teorema fundamental del c
alculo integral : Sea f : [a, b] R una funcion
continua y G : [a, b] R una primitiva de f . Entonces la integral de f de
a a b coincide con la diferencia de los valores que G toma en el extremos
superior e inferior (con este orden), es decir:
Z

f (x)dx = G(b) G(a) ,

(5.1)

se suele escribir tambien G(b) G(a) = [G(x)]ba G(x)|ba .

Prueba. Consideramos una particion uniforme de [a, b] en n sub-intervalos
con puntos extremos dados por a = x0 , x1 , . . . , xn1 , xn = b, x = xj xj1 ,
j = 1, . . . , n. Sumamos y restamos a G(b) G(a) el valor de la primitiva G
calculada en los puntos extremos internos, o sea los xj con j = 1, . . . , n 1:
G(b) G(a) = G(xn ) G(x0 )
= [G(xn ) G(xn1 )] + [G(xn1 ) G(xn2 )] + . . .
. . . + [G(x2 ) G(x1 )] + [G(x1 ) G(x0 )]
n
X
=
[G(xj ) G(xj1 )].

(5.2)

j=1

Queremos transformar el lado de derecha de esta ecuacion en una suma de

Cauchy-Riemann para la funcion f . Para hacer eso observamos que, en virtud del teorema de Lagrange, para cada sub-intervalo de particion [xj1 , xj ],
1
Newton, Leibnitz y el suizo Johannes Bernoulli (1667-1748) f
ormula ron independientemente este teorema a finales del 1600. La prueba que sigue se basa en el teorema de
Lagrange, que todava no se conoca. Newton, Leibnitz y Bernoulli usaron consideraciones
geometricas para determinar el enunciado del teorema.

123

existe j (xj1 , xj ) tal que

G(xj ) G(xj1 ) = G0 (j )(xj xj1 ),
pero G es una primitiva de f , entonces G0 (j ) = f (j ), y G(xj ) G(xj1 ) =
f (j )(xj xj1 ) = f (j )x. Sustituyendo esta expresion en la ecuacion
(5.2):
n
n
X
X
G(b) G(a) =
[G(xj ) G(xj1 )] =
f (j )x,
j=1

j=1

obteniendo una suma de Cauchy-Riemann en el lado de derecha! Tomando

el lmite para n + en ambos lados y dado que el lado de izquierda no
depende de n, llegamos a poder escribir
G(b) G(a) = lm

n+

n
X

j=1

habiendo usado la definici

on de integral.

f (x)dx,

f (j )x =
a

El teorema fundamental del calculo permite reducir la tarea del c

alculo de la integral de una funci
on en un intervalo a la b
usqueda de
una primitiva de la funci
on. Una vez encontrada esta primitiva lo u
nico
que hay que hacer es evaluarla en los extremos superior e inferior y restar
los valores obtenidos, con ese orden.
Para comprender la importancia del teorema
R 1 fundamental del calculo integral vamos a calcular la integral siguiente 0 x2 dx, o sea el area por debajo
del gr
afico de par
abola en el intervalo [0, 1], con la tecnica proporcionada
por este teorema: todo lo que tenemos que hacer es buscar una primitiva de
x2 en [0, 1], o sea una funci
on derivable sobre ese intervalo y cuya derivada
3
2
2
valga x . Es f
acil ver que x3 /3 es una primitiva de x2 : ( x3 )0 = 3x3 = x2 ,
entonces
 3 1
Z 1
13 03
1
x
2
x dx =
=

= .
3 0
3
3
3
0
Es impresionante comparar la facil idad de esta tecnica con la dificultad
del metodo de exhausti
on que Arqumedes desarrollo para obtener el msmo
resultado hace m
as de 2000 a
nos. Este es un hecho general en matematica:
la contrapartida al trabajo que se necesita para construir una teora difcil
(en este caso el c
alculo diferencial e integral) es el poder creativo-resolutivo
de las tecnicas que la teora proporciona. Estas tecnicas permiten resolver
124

con f
acilidad problemas que, sin esas, necesitaran calculos mucho mas complicados.
Observamos ahora que, si derivamos ambos lados de la ecuacion (5.1),
Rb
obtenemos2 a f 0 (x)dx = G0 (b) G0 (a) pero G0 (b) G0 (a) = f (b) f (a),
entonces
Z b
f 0 (x)dx = f (b) f (a) = [f (x)]ba .
(5.3)
a

Este resultado toma una expresion a

un mas sugestiva si introducimos el
smbolo siguiente
Z
f (x)dx
para indicar el conjunto de todas las primitivas de f , que llamamos
integral indefinida de f . Utilizando esta notacion, la identidad del teorema
fundamental del c
alculo integral y su corolario dado por la ecuacion (5.3) se
pueden escribir como sigue
Z

b

Z
f (x)dx =

f (x)dx

Z

f (x)dx =

b

f (x)dx

= [f (x)]ba .

Este u
ltimo resultado vale para cualquier pareja de puntos extremos a, b de
un intervalo donde f es continua, as que se suele escribir simplemente:
Z

f 0 (x)dx = f (x)

o tambien, recordando que el diferencial df de la funcion f se escribe df (x) =

f 0 (x)dx,
Z
df (x) = f (x) .
Dado que es como si la operacion de integracion anulara la diferenciacion,
se suele resumir (impropiamente) este resultado diciendo que integraci
on y
diferenciaci
on (o derivaci
on) son operaciones inversas. En las aplicaciones se usa muchas veces este resultado, sin embargo, se invita a los
2

Observese que hemos utilizado implcitamente un resultado no obvio que garantiza la

posibilidad de invertir integral y derivada cuando f es continua.

125

estudiantes a tener siempre presente que la forma correcta de interpretarlo

es a traves de la ecuaci
on (5.3).
R
Rb
Observaci
on: f (x)dx y a f (x)dx tienen dos significados completamente distintos:
R
f (x)dx es un conjunto de funciones (las primitivas de f );
Rb
umero real!
a f (x)dx es un n
Leyendo al reves la tabla de derivacion de funciones elementales, podemos
obtener gratuitamente la tabla de las integrales inmediatas:
R
f (x)
f (x)dx
k
kx + c
x+1
+1

1
cos2 (x)

+ c, 6= 1

1
x

log |x| + c

sin x

cos x + c

cos x

sin x + c

= 1 + tan2 x

tan x + c

ex

ex + c
ax
log a ,

ax

a > 0, a 6= 1

1
1+x2
1
1x2

arctan x + c

sinh x

cosh x + c

cosh x

sinh x + c

arcsin x + c

Comprobamos que la primitiva de 1/x es log |x| para cada x 6= 0:

(
log(x)
si x > 0
log |x| =
log(x) si x < 0,
entonces, derivando:
d
(log |x|) =
dx

d
dx
d
dx

log(x) = x1
log(x) =
126

1
x

1
x

si x > 0
si x < 0.

Observese que en el segundo caso hay que poner -1 al numerador porque la

derivada de x es -1. La primitiva log |x| tiene en realidad que interpretarse
como la pareja de primitivas log(x) para x < 0 y log(x) para x > 0.
Para encontrar primitivas de funciones mas complicadas resultan extremadamente u
tiles estos dos teoremas.
Teorema de integraci
on por partes: Si f y g son dos funciones derivables,
entonces
Z
Z
f (x)g 0 (x)dx = f (x)g(x) f 0 (x)g(x)dx .
Usando la notaci
on con el diferencial, el teorema de integracion por partes
se puede escribir como
Z

Z
f dg = f g

gdf

f : factor finito, dg: factor diferencial.

Prueba. Es una consecuencia inmediata de la regla de Leibnitz para
derivar el producto de funciones:
(f g)0 =Rf 0 g + f g 0 , Rintegrando ambos lados
R
de esta igualdad obtenemos (f g)0 dx = f 0 gdx + f g 0 dx, pero, en virtud
del teorema fundamental
el lado deRizquierda vale f g,
R
Rdel calculo integral,
R
entonces: f g = f 0 gdx + f g 0 dx, o sea f g 0 dx = f g gf 0 dx.
2

El teorema de integraci
on por partes resulta muy u
til cuando se reconoce
en la funci
on integrada el producto de una funcion f por la derivada de
otra
on g y cuando la integral que se queda en el lado derecho, o sea
R 0 funci
f (x)g(x)dx, se puede resolver de forma mas facil que la integral inicial (si
no el metodo pierde su utilidad).
La tabla siguiente presenta unas situaciones tpicas en las cuales conviene
usar el teorema de integracion por partes, poniendo en evidencia el factor
finito y el factor diferencial en cada caso. En la tabla n 6= 1, m, q 6= 0.

127

f (x)g 0 (x)

f (x)

xn log(mx + q),

log(mx + q)

xn+1
n+1

xn sin(mx)

xn

1
m
cos(mx)

xn cos(mx)

xn

xn emx , n > 0

xn

1 mx
me

enx sin(mx)

enx

1
m
cos(mx)

enx cos(mx)

enx

g(x) =

1
m

1
m

g 0 (x)dx

sin(mx)

sin(mx)

R
R
Ejemplo: log x dx. Interpretamos esta integral como 1log x dx, tomamos
como factor finito f (x) R= log x, f 0 (x)R = x1 y como factor diferencial g 0 (x)dx =
1 dx, entonces g(x) = g 0 (x)dx = 1 dx = x + c. Seleccionamos c = 0 por
sencillez3 y usamos la f
ormula de integracion por partes:
Z
Z
Z
1
log x dx = x log x x dx = x log x 1 dx = x log x x + c,
x
entonces
Z
log x dx = x log x x + c .
Se ver
an muchos otros ejemplos en las clases de practicas y seminarios.
Vamos ahora a ver que consecuencias tiene la regla de la cadena sobre
las integrales. Consideramos, como antes,
f : [a, b] R
x
7 f (x)
continua y G : [a, b] R, primitiva de f en [a, b]. Supongamos que la
variable x [a, b] es la im
agen de otra funcion:
: [, ] [a, b]
t
7 (t) = x,
derivable con derivada continua en su dominio. Usando la regla de la
cadena, tenemos que:
d
G((t)) = G0 ((t))0 (t) = f ((t))0 (t),
dt
3

Comprobar que si dejamos c 6= 0 encontramos la misma expresi

on de la integral de
log x.

128

por tanto, G(x) es una primitiva de f , si y solo si, G((t)) es una primitiva de
f ((t))0 (t). Usando la notacion de integral indefinida este hecho se traduce
escribiendo
Z
Z
f (x)dx =

f ((t))0 (t)dt ,

llamada f
ormula de integraci
on por sustituci
on (o cambio) de variable. Hay que notar que, formalmente, es como si se pasara de una integral
a la otra despejando x = (t) y diferenciando dx = d((t)) = 0 (t)dt. Esta
observacon se puede utilizar como regla mnemotecnica a la hora de resolver
los ejercicios y es una consecuencia de la eleccion, partcularmente feliz, de
la notaci
on de integral hecha por Leibnitz.
Esquema para la resoluci
on de integrales por sustituci
on
Se determina el cambio de variable oportuno t = 1 (x) y se invierte
despejando x en funcion de t: x = (t);
Se diferencia x = (t): dx = 0 (t)dt;
Se resuelve la nueva integral en terminos de la variable t;
Una vez encontrada la primitiva, se deshace el cambio de variable
escribiendo t = 1 (x).
Si es invertible (o sea, dado que estamos considerando funciones de una
variable real, mon
otona creciente o decreciente) podemos escribir la formula
de integraci
on por sustitucion para integrales definidas como sigue:
Z

1 (b)

f (x)dx =
a

f ((t))0 (t)dt .

1 (a)

Vamos a examinar un ejemplo que mezcla laR formula

de integracion por

1
partes con la de sustituci
on: queremos calcular 0 e x dx, usamos el cambio

de variable t = x x =t2 = (t) (|x| = x porque x [0, 1]), y dx = 2tdt,

R1
R 1
R1
por tanto 0 e x dx = 0 et 2tdt = 0 et 2tdt, esta integral se puede resolver por partes tomando t como factor finito y et dt como
diferencial
h factor
1 R 1 t i
R1 t
t

(el factor 2 lo extraemos de la integral): 0 e 2tdt = 2 te 0 0 e dt =
h
1 i
2 e et 0 = 2[e (e 1)] = 2.
129

La f
ormula de integraci
on por sustitucion resulta partcularmente u
til y
f
acil de implementar cuando x aparece en una combinacion lineal: x + ,
, R. En este caso, poniendo t = x + y despejando con respecto a
x obtenemos x = t b, entonces dx = 1 dt. Se ve que el diferencial dx y
dt en este caso difieren s
olo por una constante multiplicativa que tiene el
significado de cambio de escala.
Vamos a ver porque
R 1 x hablamos de cambio de escala considerando por
ejemplo la integral 0 100
dx y resolviendola sin sacar afuera 1/100 sino usx
ando la f
ormula de sustitucion de variable, t = 100
, x = 100t, dx = 100dt,
eso significa que, si medimos la distancia infinitesima dx en metros, para que
valga la igualdad dx = 100dt, tenemos que medir la distancia infinitesima
dt en centmetros. La consecuencia es que cuando x vara de 0 a 1 metro, t
variar
a de 0 a 100cm, que es la misma longitud, pero medida con una escala
diferente!
En general, un cambio de variable lineal t = x + genera un cambio de
escala homogeneo en todo el intervalo de integraci
on, que se realiza a traves
del factor de conversi
on 1/.
Un cambio de variable no lineal t = 1 (x) genera un cambio de escala
que vara, en general, punto por punto en el intervalo de integraci
on y que
se realiza a traves del factor de conversi
on 1/0 (t).
En las clases de pr
acticas y seminarios se veran las tecnicas de sustitucion
m
as utilizadas en la resolucion de las integrales.
Aqu analizamos solo una de
R
esta tecnicas: consideramos la integral f (x)f 0 (x)dx y operamos
el cambio
R
0
de
entonces f (x)f 0 (x)dx =
R variable t = f (x), dt = d(f (x)) = f (x)dx,
2
tdt, que es una integral inmediata y vale t /2 + c = [f (x)]2 /2+c, c R.
Resumiendo, gracias a la f
ormula de sustitucion y con el cambio de variable
t = f (x), hemos transformado
la integral inicial en una integral inmediata,
R
por eso la integral f (x)f 0 (x)dx se llama semi-inmediata.
Dejamos como ejercicio demostrar la validez de las otras dos formulas
de integraci
on semi-inmediata que resumimos aqu debajo.
F
ormulas de integraci
on semi-inmediatas
Z
[f (x)]2
f (x)f 0 (x)dx =
+c ;
2
Z
[f (x)]+1
f (x)f 0 (x)dx =
+c ,
6= 1;
+1
Z 0
f (x)
dx = log |f (x)| + c .
f (x)
130

5.5.

Integrales y din
amica de las partculas

En esta secci
on pondremos en evidencia la importancia de las integrales
en la din
amica de las partculas. Consideramos la funcion posicion de una
partcula que se mueve en un eje, supongamos el eje horizontal: s : [0, T ]
R, t 7 s(t) = x, posici
on de la partcula en el instante t, con s(0) = a
y s(T ) = b. Como sabemos, la longitud del recorrido de la partcula es
Rb
s(t), podemos usar la formula de integracion
a dx, pero dado que x =
Rb
RT
RT
por sustituci
on y escribir a dx = 0 ds(t) = 0 s(t)dt,

donde s(t)

= v(t)
es la velocidad instantanea de desplazamiento de la partcula, quedando
demostrado que
Z
Espacio recorrido en [0, T ] =

v(t)dt
0

, es decir, el espacio recorrido por una partcula hasta el instante de tiempo

T es la integral de la velocidad de la misma partcula.
Desde el punto de vista fsico es muy restrictivo considerar un movimiento a lo largo de un eje, eso motiva el interes hacia la generalizacion del concepto de integral a m
as de una dimension, que haremos en la segunda parte
del curso de c
alculo.

131

5.6.

C
alculo de la longitud del gr
afico de una funci
on

En esta secci
on mostraremos como se puede calcular la longitud del
gr
afico de una funci
on a traves de las integrales.
Sea y = f (x) una funci
on continua con derivada continua en [a, b]. Vamos
a considerar la contribuci
on a la longitud del grafico dada por la parte del
gr
afico entre dos puntos x y x + dx (dx infinitesimo positivo), tal y como se
observa en la figura siguiente:

Gracias a lo que hemos aprendido estudiando la diferenciabilidad, sabemos que el incremento de la ordenada del grafico de f entre x y x + dx es, a
parte de errores infinitesimos de orden cuadratico o superior, dy = f 0 (x)dx.
Por tanto, en virtud del teorema de Pitagoras aplicado al triangulo de la
figura, podemos escribir la longitud infinitesima d` del grafico (aproximada
con un segmento de recta) como
p
p
p
d` = (dx)2 + (dy)2
=
(dx)2 + (f 0 (x))2 (dx)2 = 1 + (f 0 (x))2 dx.
dy=f 0 (x)dx

La suma de las contribuciones infinitesimas de cada elemento del grafico se

encuentra con la integral:
Z bp
Longitud del grafico de f =
1 + (f 0 (x))2 dx .
a

Ejemplo: Calculamos la longitud del grafico de la funcion y q

= x3/2 para
R

a
x [0, a], a R. Dado que y 0 = 23 x obtenemos L = 0 1 + 94 xdx,
dejamos como ejercicio demostrar que, usando
on it = 1 + 49 x, se
h la sustituci


3/2
8
puede resolver la integral como sigue L = 27
1 + 49 a
1 .
132

Observaci
on importante: la forma de razonar que acabamos de ver es
com
un en muchas aplicaciones. A menudo es demasiado difcil resolver un
problema no lineal globalmente, entonces lo que se hace es considerar la
linealizaci
on local del problema en un entorno infinit
esimo de un
punto, este problema suele ser m
as f
acil y resoluble, la soluci
on
que se obtiene se extiende del infinitamente peque
no al finito con
el proceso de integraci
on.

5.7.

Integrales generalizadas: integraci

on de funciones no continuas o en intervalos ilimitados

En muchas situaciones practicas, por ejemplo en probabilidad y estadstica, hay que saber integrar funciones no continuas o con asntotas o en intervalos ilimitados. En esta seccion vamos a resumir los resultados sobre
la integraci
on en estas situaciones, las integrales que apareceran se llaman
integrales generalizadas.
Sea f : [a, b] R una funcion con un n
umero finito de puntos de
discontinuidad de salto r1 , . . . , rk , como en la figura debajo

en este caso se define la integral de f en [a, b] como la suma de las

integrales en los intervalos donde la funcion es continua:
Z

Z
f (x)dx =

r1

f (x)dx + . . . +
a

f (x)dx ,
rk

entonces, alterar el valor de la funci

on en un n
umero finito de
puntos no influye sobre la integral!
133

Sea ahora f : [a, b) una funcion continua que tiene una asintonta vertical en x = b, o sea lmxb f (x) = + como en la figura debajo

en este caso se define la integral de f en [a, b] como sigue

b

Z
f (x)dx = lm

0+

f (x)dx .
a

Si el lmite existe y es finito, se dice que f es integrable en todo [a, b], si

el lmite existe pero es se dice que la integral de f en [a, b] diverge.
Si no existe el lmite se dice que la integral no existe.
La definici
on en el caso de una asntota en x = a es analoga:
Z

f (x)dx = lm
a

0+

f (x)dx .
a+

Como antes, se dice que f es integrable si el lmite es finito o que

la integral es infinita o no existe si el lmite es infinito o no existe,
respectivamente.

134

Sea ahora f : [a, ) una funcion continua sobre un intervalo ilimitado,

como en la figura siguiente

definimos la integral de f en [a, +) como

+

Z
f (x)dx =

lm

f (x)dx ,

M + a

an
alogamente, si f : (, a] R es continua, definimos
Z

Z
f (x)dx =

lm

m m

f (x)dx ,

y si f : (, +) R es continua en todo R definimos

+

f (x)dx =

f (x)dx .

f (x)dx +

Ejemplos notables:
Z
a

(
+

1
dx =
(b x)

ex dx =

si < 1

(
+ si 1
1
si > 1
1

1
dx =
x

si 1

(ba)1
1

(x)2
1
e 22 dx = 1 ,
2

Podemos observar que el hecho de que la u

ltima integral valga 1 explica el
p
orque de los coeficientes en la funcion Gaussiana: el area debajo de una
distribuci
on de probabilidad debe dar 1 (probabilidad del 100 %!).
135

5.8.

La funci
on integral

Dada una funci

on f : [a, b] R continua, sabemos que su integral definiRb
da4 a f (t)dt es un n
umero real. Si fijamos el extremo inferior de integracion
a y dejamos libre el valor del extremo superior, llamandolo x, obtenemos una
funci
on llamada funci
on integral:
F : [a, b] R
Rx
x
7 F (x) = a f (t)dt,
F asocia a cada x [a, b] la integral de f de a a x misma, entonces F (a) =
Rb
Ra
a f (t)dt = 0 y F (b) = a f (t)dt.
Geometricamente, F asocia a cada x [a, b] el area con signo por debajo
de la funci
on f entre a y x.
Dos ejemplo notables de funciones integrales son:
La funci
on de los errores, erroris functio de Gauss:
Z x
t2
1
e 2 dt
erf(x) =
2

representa la probabilidad que una variable casual, siguiendo la distribuci

on Gaussiana, tome un valor x;
El espacio recorrido hasta un instante t por una partcula que se mueve
a lo largo de una trayectoria asignada es la funcion integral de la
velocidad:
Z t
s(t) =
v( )d.
0

Matem
aticamente, la propiedad mas importante de la funcion integral
est
a contenida en el siguiente teorema, que es la version del teorema fundamental del c
alculo integral para funciones integrales.
Teorema: Sea f : [a, b] R una funcion continua y sea
Z x
F (x) =
f (t)dt
a

su funci
on integral, entonces F es derivable y
F 0 (x) = f (x)
4

x [a, b].

Usamos t en lugar de x para no confundir la variable de intefraci

on con el extremo
superior de integraci
on, que en esta secci
on puede variar.

136

Este teorema tiene consecuencias interesantes:

1. Dado que F 0 = f y f es continua, eso significa que F es derivable
con derivada continua. Si f es derivable con continuidad, entonces F
es derivable dos veces con continuidad, etc. Iterando el razonamiento se ve que la funci
on integral F tiene siempre un grado de
regularidad m
as que la funci
on integrada.
Este hecho proporciona una tecnica estandar para construir funciones
m
as regulares...es suficiente con integrar!
En partcular, como vimos en la seccion sobre las integrales generalizadas, el hecho de que una funcion no sea continua en un n
umero
finito de puntos no crea problemas a la hora de definir su integral, en
efecto se puede demostrar formalmente que si f es continua en [a, b]
menos que en los puntos x1 , . . . , xk , entonces F es derivable en todo [a, b] menos en x1 , . . . , xk . Para darse cuenta de eso es suficiente
considerar la funci
on signo, que tiene una discontinuidad de salto en
x = 0, sin embargo
(R x
Z x
1dt = x
si x > 0
F (x) =
sign(t)dt = R0x
0
0 1dt = x si x < 0
funci
on que se puede prolongar con continuidad a la funcion valor
absoluto, que es continua en todo R pero no derivable en x = 0. Podemos resumir estas consideraciones diciendo que integrar una funci
on
aumenta su grado de regularidad y puede arreglar sus discontinuidades, interpretando esta frase en el sentido que le hemos dado
arriba;
2. El teorema dice que cada funci
on continua en un intervalo tiene
una primitiva: su funci
on integral! Ya sabemos que todas la primitivas de una funci
on difieren solo por constantes aditivas, entonces
podemos escribir
Z

Z
f (x)dx =

f (t)dt + c ,
a

remarcando otra vez que

vas de f .

f (x)dx es el conjunto de todas las primiti-

137

5.8.1.

Una aplicaci
on de la funci
on integral: la ecualizaci
on
de histogramas

La funci
on integral aparece en una de las transformaciones mas comunes
del procesado de se
nales digitales: la ecualizacion de histogramas. Aunque
las variables que aparecen en las se
nales digitales sean discretas (o sea tienen
un paso entero), la teora que sigue resultara mas facil si suponemos que la
variable r que describe un nivel de intensidad de la se
nal f es continua y vara
en el intervalo normalizado [0, 1] (cada intervalo finito se puede normalizar
al intervalo [0, 1], as que esta hipotesis no es restrictiva). Indicamos con |f |
el n
umero de muestras de f (o su longitud, area o volumen, si consideramos
f como una se
nal continua 1-D, 2-D o 3-D, respectivamente).
El histograma h de la se
nal es una funcion h : [0, 1] R+
0 que asocia
a cada nivel r [0, 1] el n
umero de veces que el se
nal toma ese mismo
valor (por ejemplo, si se mide la intensidad 0,5 de f 20 veces, entonces
h(0,5) = 20).
Muchas veces un se
nal tiene un histograma no balanceado, en el sentido
que unos pocos valores aparecen muchas veces (donde el histograma presenta
un pico) y otros pocas o nunca (donde el histograma vale 0 o casi 0). En
cambio, si una se
nal tiene un histograma homogeneo, significa que todos los
niveles aparecen con la misma frecuencia. Es facil enteder que esta u
ltima
se
nal tiene un contenido informativo superior a la primera.
La ecualizaci
on de histograma es la transformacion : [0, 1] [0, 1],
r 7 (r) = s que modifica la distribucion de los niveles de una se
nal f
para hacer que su histograma sea lo mas homogeneo posble. Para evitar la
inversi
on del orden entre los niveles de f se suele asumir que 0 (r) 0 r,
o sea, es una funci
on monotona no decreciente.
Para determinar analticamente resulta u
til observar que el n
umero
total de pxeles tienen que conservarse durante la transformacion, es decir,
el n
umero de veces que aparecen los niveles en el rango de intensidades
[r, r + dr] en la se
nal original tiene que coincidir con el n
umero de veces
que aparecen los niveles en el rango de intensidades [s, s + ds] en la se
nal
transformada.
Si llamamos hi el histograma de la se
nal original (i=input) y ho el
histograma de la se
nal transformada (o=output) lo que acabamos de decir se traduce escribiendo: hi (r)dr = ho (s)ds. Si queremos que ho sea homogeneo, o sea ho (s) |f |, tenemos que escribir la relacion precedente como
hi (r)dr = |f |ds.
Integrando el lado de izquierda de 0 a r y el lado de derecha de (0) a

138

(r) = s obtenemos:
Z

(r)=s

ds = |f |(s (0)).

hi (t)dt = |f |
0

(0)

Si imponemos (0) = 0, nos quedamos con la expresion:

Z r
1
s = (r) =
hi (t)dt H(r),
|f | 0
lo cual indica que es 1/|f | por la funcion integral del histograma original de
f , llamado histograma acumulado normalizado de f y representado por
H. Entonces, realiza ecualizacion de histograma mapeando cada nivel r >
0 en el histograma acumulado normalizado de f en r (suma, normalizada,
del n
umero de veces que se han detectado los niveles de 0 hasta r):
r 7 H(r) : Ecualizacion de histograma.
Del teorema de la funcion integral sigue que H 0 = h: la derivada del
histograma acumulado es el histograma.
Como ejemplo de ecualizacion consideramos la figura siguiente, donde se
muestra el efecto de la ecualizacion sobre una fotografa del celebre fotografo
americano Ansel Adams (1902-1984). Notese que el histograma de la imagen
de la derecha no est
a totalmente ecualizado: las imagenes digitales son discretas, entonces siempre interviene un cierto nivel de aproximacion.

139

5.9.

Relaciones de ortogonalidad de las funciones

sin y cos

En esta secci
on demostraremos unas formulas que el estudiante volvera a
encontrar en el cursos de teora de se
nales en relacion a la transformada
de Fourier.
Teorema: Formulas de ortogonalidad de seno y coseno
Z 2
cos nx sin mx dx = 0
n, m Z

(5.4)

0
2

sin nx sin mx dx = 0

n, m Z, n 6= m

(5.5)

cos nx cos mx dx = 0

n, m Z, n 6= m

(5.6)

0
2

Z
0

2
2

cos nx dx =
0

sin2 nx dx =

n Z.

(5.7)

Prueba: las f
ormulas (5.4), (5.5), (5.6) se demuestran usando las f
ormulas
de Werner. Probamos, por ejemplo, la formula (5.4) usando la formula:
cos u sin v = 21 [sin(u + v) sin(u v)]:
Z
Z
1
cos nx sin mx dx =
[sin((n + m)x) sin((n m)x)] dx
2


dt
ds
t = (n + m)x, dx =
, s = (n m)x, dx =
n+m
nm
cos(n + m)x cos(n m)x
=
+
.
n+m
nm
Si llamamos n + m = k Z y n m = l Z, entonces


Z
cos(n + m)x cos(n m)x 2
cos nx sin mx dx =
+
=0
n+m
nm
0
gracias a la periodicidad de la funcion coseno: cos(2p) = cos(0) = 1
p Z. Las f
ormulas (5.7) son una consecuencia directa de las formulas
R k 2
R k 2

2
2
sin
xdx
=
0
0 cos xdx = k 4 , con k = 4, que demostraremos durante
los seminarios.
2

140

5.10.

Aproximaci
on num
erica de integrales

Ya dijimos que no siempre se puede calcular explcitamente la primitiva

de una funci
on a traves de la composicion de funciones elementales, como en
x2

el caso de la Gaussiana f (x) = e 2 . De hecho son muchas mas las funciones

continuas de las que no sabemos calcular explcitamente una primitiva que
las que s se puede!
Por esta raz
on hace falta desarrollar tecnicas alternativas para calcular
integrales. Algunas de estas tecnicas se basan en el analisis de funciones
de variable compleja (an
alisis complejo) pero son demasiado complicadas
para ser examinadas en un curso de calculo del primer a
no. En esta seccion
presentamos tecnicas numericas que se basan en la definicion misma de la
integral y en su relaci
on con el calculo del area. Pero en este caso, la definicion
de integral como lmite de sumas de Cauchy-Riemann no es comoda para el
c
alculo de primitivas, pero resulta u
til tanto para desarrollar teoremas sobre
integrales como para su aproximacion numerica.
La idea b
asica detr
as de las aproximaciones numericas de integrales consiste en la sustituci
on de la funcion f por una funcion f mas simple para
la cual el c
alculo de la integral resulte simple, rapido y eficaz (o sea que el
error de aproximaci
on resulte peque
no).
En esta secci
on veremos tres metodos: integracion por rectangulos, por
trapecios y por par
abolas. Como estos tres metodos estan basados en las
sumas de Cauchy-Riemann, conviene recordar la notacion antes de entrar
en detalle: dado el intervalo de integracion [a, b] realizamos una partici
on
de [a, b] en n sub-intervalos de extremos a = x0 , x1 , x2 , . . . , xn1 , xn = b.
La distancia entre estos puntos es constante y vale x = ba
n , entonces
xj = a + jx, j = 0, . . . , n. Si en cada uno de los sub-intervalos [xj , xj+1 ],
j = 0, . . . , n 1 elegimos un punto arbitrario j y evaluamos la funcion f en
j , podemos definir las sumas de Cauchy-Riemann como sigue:
Sn =

n
X

f (j )(xj xj1 ) =

j=1

n
X

f (j )x.

j=1

El teorema de la integral de Riemann sostiene que, si f : [a, b] R es

continua, el lmite para n de Sn converge,
R b independientemente de la
elecci
on de los puntos j , a un n
umero real a f (x)dx llamado integral de
Riemann de f en [a, b].

141

5.10.1.

Integraci
on por aproximaci
on rectangular

En el metodo de integracion numerica por rectangulos se sustituye f

con una funci
on f constante por trozos. Los trozos son los intervalos
[xj , xj+1 ], j = 0, . . . , n 1, y la constante puede ser el valor de f calculado
en el extremo izquierdo de [xj , xj+1 ] o en su punto medio:
f1 (x) = f (xj ), x [xj , xj+1 ], j = 0, . . . , n 1,
o bien
f2 (x) = f

xj + xj+1
2


, x [xj , xj+1 ], j = 0, . . . , n 1.

La figura siguiente simboliza la aproximacion por rectangulos cuando se

escoge el extremo izquierdo o el punto medio, respectivamente.

Las sumas de Cauchy-Riemann de f en los dos casos son, respectivamente:

n1
baX
Sn (f1 ) =
f (xj );
n
j=0

n1

baX
Sn (f2 ) =
f
n
j=0

xj + xj+1
2


.

Se puede demostrar que, si f es derivable en [a, b] con derivada acotada, o sea

m
axx[a,b] {|f 0 (x)|} = M R, entonces existe una constante real C > 0 que
acota el error m
aximo que se puede cumplir con la aproximacion rectangular,
tal y como se muestra a continuacion:
Z b





m
ax 
f (x)dx Sn (f1 ) Cx,
a

142


Z b


f (x)dx Sn (f2 ) C(x)2 .
m
ax 
a

ba
n

Dado que x =
y que, generalmente n  b a, es preferible una
f
ormula que est
a acotada por potencias mas altas de x, por eso la aproximaci
on rectangular de punto medio es mas precisa (si se considera la misma
partici
on) que la aproximacion rectangular de extremo izquierdo.

5.10.2.

Integraci
on por aproximaci
on trapezoidal

En el metodo de integracion numerica por trapecios se sustituye f con

una funci
on f lineal por trozos. El segmento rectilneo en cada intervalo
[xj , xj+1 ], j = 0, . . . , n1, puede ser el segmento de recta tangente al grafico
de f en el punto medio de [xj , xj+1 ] (figura debajo a la izquierda), el segmento que conecta (xj , f (xj )) con (xj+1 , f (xj+1 )) (figura debajo a la derecha),
o bien el segmento que pasa por (xj , f (xj )) con una pendiente asignada, por
ejemplo el valor de la tangente en el punto medio. En todos estos casos ya
no se aproxima el
area por debajo del grafico de f con rectangulos, sino con
trapecios.

Consideramos la f
ormula de la recta que pasa por un punto, por ejemplo (xj , f (xj )) y asignamos dos pendientes para obtener dos formulas: cox +x
mo primero asignamos la recta tangente al grafico de f en j 2 j+1 , o sea
x +x
f 0 j 2 j+1 , y despues asignamos la pendiente de la recta que conecta
(xj , f (xj )) con (xj+1 , f (xj+1 )), es decir

143

f (xj+1 )f (xj )
.
xj+1 xj

Encontramos las ex-

presiones5 de la funci
on aproximada f:


0 xj + xj+1

f1 (x) = f (xj ) + f
(x xj ),
2

x [xj , xj+1 ], j = 0, . . . , n 1,

o bien,
f (xj+1 ) f (xj )
(x xj ),
f2 (x) = f (xj ) +
xj+1 xj

x [xj , xj+1 ], j = 0, . . . , n 1.

Para la funci
on aproximada f1 el area del trapecio en el intervalo [xj , xj+1 ]
es:

 Z xj+1
Z xj+1
0 xj + xj+1

f1 (x)dx = f (xj )(xj+1 xj ) + f

(x xj )dx
2
xj
xj
x


(x xj )2  j+1
0 xj + xj+1
= f (xj )(xj+1 xj ) + f

2
2
xj


xj + xj+1 (xj+1 xj )2
= f (xj )(xj+1 xj ) + f 0
2
2




xj+1 xj
0 xj + xj+1
,
= (xj+1 xj ) f (xj ) + f
2
2
entonces las sumas de Cauchy-Riemann para la funcion aproximada f1 son:



n1 
xj+1 xj
baX
0 xj + xj+1

Sn (f1 ) =
f (xj ) + f
.
n
2
2
j=0

Para la funci
on aproximada f1 el area del trapecio en el intervalo [xj , xj+1 ]
es:
Z xj+1
Z
f (xj+1 ) f (xj ) xj+1

f2 (x)dx = f (xj )(xj+1 xj ) +

(x xj )dx
xj+1 xj
xj
xj
f (xj+1 ) f (xj ) (xj+1 xj )2
= f (xj )(xj+1 xj ) +
xj+1 xj
2


f (xj+1 ) f (xj )
= (xj+1 xj ) f (xj ) +
2
f (xj ) + f (xj+1 )
= (xj+1 xj )
,
2
5

N
otese que la primera f
ormula necesita que f sea derivable en los puntos medios de
cada intervalo de partici
on.

144

resultado esperado por la geometra del trapecio aproximada en este caso.

Las sumas de Cauchy-Riemann para la funcion aproximada f2 son:
n1

b a X f (xj ) + f (xj+1 )
Sn (f2 ) =
n
2
j=0

ba
=
[f (a) + 2f (x1 ) + 2f (x2 ) + . . . + 2f (xn1 ) + f (b)]
2n 

b a f (a) + f (b)
=
+ f (x1 ) + f (x2 ) + . . . + f (xn1 )
n
2

n1
b a f (a) + f (b) X
+
f (xj ) .
=
n
2
j=1

ormula
Expresando cada xj , j = 1, . . . , n 1, como a + j ba
n obtenemos la f
conocida como regla del trapecio:


n1
X 
b

a
f
(a)
+
f
(b)
b

.
Sn (f2 ) =
+
f a+j
n
2
n
j=1

Se puede demostrar que, si maxx[a,b] {|f 00 (x)|} = M R, entonces el error

m
aximo que se puede cumplir con la aproximacion trapezoidal (las dos que
vimos) es
Z b



m
ax 
f (x)dx Sn  C(x)2 .
a

Esta f
ormula mejora notablemente la aproximacion rectangular en el caso
de funciones peri
odicas, porque en ese caso los errores de la aproximacion
trapezoidal tienden a eliminarse mutuamente.

5.10.3.

Integraci
on por aproximaci
on parab
olica (f
ormula de
Cavalieri-Simpson)

En el metodo de integracion numerica de Cavalieri-Simpson se sustituye

f con una funci
on f parab
olica por trozos, como en la figura siguiente.
Como se ha visto antes, pasar de una funcion constante a una funcion
lineal ha permitido una mejora sustancial de la aproximacion. Considerar
una funci
on cuadr
atica aumenta a
un mas la precision de la aproximacion.
Una par
abola necesita 3 puntos para ser unvocamente determinada, por
tanto hay que refinar la particion anterior cortando los n intervalos [xj , xj+1 ],
145

x +x

por ejemplo, en el punto medio j = j 2 j+1 , y obteniendo 2n intervalos de

ba
longitud = x
2 = 2n cada uno, entonces xj+1 j = y xj j = .
La funci
on parab
olica aproximada f tiene ecuacion:
f(x) = (x j )2 + (x j ) +

x [xj , xj+1 ],

donde las constantes , , se determinan a traves de las condiciones en los

extremos y en el punto medio:

f (xj ) = (xj j )2 + (xj j ) +

=
2 +
(1)

()2 = 2
f (j ) =
(2)

2
f (xj+1 ) = + +
(3)

146

El
area debajo de f en el intervalo [xj , xj+1 ] es
Z xj+1
Z xj+1

f (x)dx =
[(x j )2 + (x j ) + ]dx
xj

xj

xj+1
(x j )3
(x j )2
=
+
+ x
3
2
xj


(xj+1 j )2
(xj+1 j )3
+
+ xj+1
3
2
(xj j )3
(xj j )2

xj
3
2
2
()3
()2
3

xj
= + + xj+1
3
2
3
2
3
= 2 + (xj+1 xj )
3
2 3
= + 2.
3

Para explicitar

R xj+1
xj

f(x)dx necesitamos el valor de , dado que ya conoce-

ba
mos = f (j ) y = x
2 = 2n .
Podemos determinar a partir de las condiciones que aparecen en el
sistema anterior, (1)-(2) y (3)-(2) devuelven

f (xj ) f (j ) = 2
f (xj+1 ) f (j ) = 2 + ,
sumando estas dos u
ltimas ecuaciones y despejando con respecto a obtenemos:
f (xj ) + f (xj+1 2f (j ))
=
.
2 2
R xj+1
Introduciendo esta expresi
on de en xj f(x)dx llegamos a escribir:
Z xj+1
b a f (xj ) + f (xj+1 ) + 4f (j )
f(x)dx =
n
6
xj
y sumando la contribuci
on de todos los intervalos de la particion para j =
0, . . . , n obtenemos la f
ormula de Cavalieri-Simpson6
6

La f
ormula de Cavalieri-Simpson fue usada por primera vez por el fsico y astr
onomo
alem
an Johannes Kepler (1571-1630) y llamada Keplersche Fassregel, o sea regla de
Kepler. El matem
atico italiano Bonaventura Cavalieri (1598-1647) fue el primero en formalizarla en un contexto matem
atico y el matem
atico brit
anico Thomas Simpson (17101761) la populariz
o en la comunidad angl
ofona.

147

"
#
n1
n
X
X
b

a
f (a) + f (b) + 2
Sn (f) =
f (xk ) + 4
f (i ) .
6n
k=1

i=0

Se puede demostrar que si maxx[a,b] {|f (4) (x)|} = M R, entonces el

error m
aximo que se puede cumplir con la regla del trapecio es

Z b




f (x)dx Sn (f ) C(x)4 .
m
ax 
a

El hecho de que el error decrezca del orden de la cuarta potencia de n nos

hace entender porque la f
ormula de Cavalieri-Simpson tiene tantas aplicaciones; tambien con particiones no muy refinadas, la formula proporciona
una aproximaci
on excelente.
Las f
ormulas de los rectangulos, trapecios y Cavalieri-Simpson se utilizar
an en el curso de ecuaciones diferenciales para proporcionar soluciones aproximadas de estas ecuaciones.

5.10.4.

Comandos Matlab para aproximar num

ericamente
integrales

En Matlab existen funciones optimizadas para el calculo de la aproximaci

on numerica de las integrales con el metodo de los trapecios y con
la f
ormula de Cavalieri-Simpson. Estas funciones se llaman trapz y quad,
respectivamente, y el estudiante puede encontrar ejemplos en Matlab escribiendo help trapz y help quad en el command space de Matlab.

148

Captulo 6

Sucesiones y series num

ericas
y de funciones
En este u
ltimo captulo volveremos a examinar las propiedades de los
n
umeros enteros y las relacionaremos con unos de los conceptos que hemos
visto hasta ahora, en particular lo de lmite de una funcion y de su desarrollo de Taylor. Comenzamos con una seccion dedicada a una tecnica de
demostracci
on peculiar de los n
umeros naturales.

6.1.

El principio de inducci
on

Ya hemos visto que existen varias tecnicas de demostracion de propiedades

en el campo de los n
umeros reales. Aqu examinaremos una tecnica que funciona solo con n
umeros naturales: la tecnica de demostraccion por induccion.
La imagen intuitiva con la cual se puede comprender esta tecnica es el efecto
domin
o:

para que todas las piezas del domino se caigan es necesario y suficiente
que se cumplan estas dos condiciones:
149

1. Que se caiga la primera pieza;

2. Que cualquier pieza este posicionada de tal forma que, si se cae, provoca la caida de la pieza siguiente.
El principio de inducci
on extiende esta idea al caso de un n
umero infinito
de piezas y a propiedades matematicas mas generales que la caida de una
pieza de domin
o.
T
ecnica de demostracci
on por inducci
on
Supongamos que queremos demostrar una propiedad P para todos los
n
umeros enteros n n0 , con n0 N;
1. Comenzamos demostrando que P vale cuando n = n0 ;
2. Supongamos que la propiedad valga para un valor generico de n > n0
(hip
otesis de inducci
on) y demostramos que eso implca que P vale
para n + 1.
Como por el domino, eso garantiza que la validez de P, comenzando por n0 ,
va propag
andose de un entero al siguiente hasta el infinto.
Es imprescindible presentar un ejemplo (se veran mas en los seminarios).
Ejemplo de demostracci
on por inducci
on: demostrar que el n
umero natn
ural 5 1 se puede dividir por 4 para cada n = 1, 2, . . . (Recordar que 5n 1
n
es divisible por 4 si 5 41 devuelve un n
umero entero)
Demostramos que la propiedad vale cuando n = 1: 51 1 = 4 y 4/4 = 1,
entonces la propiedad es verdadera cuando n = 1;
Supongamos que la propiedad sea verdadera para cada n 2, es decir
5n 1
= m N 5n 1 = 4m 5n = 4m + 1 (hip. induccion);
4
Tenemos que demostrar que la propiedad vale para n + 1, o sea que
n+1
existe p N tal que 5 4 1 = p. La observacion clave aqu es que, como
la hip
otesis de induccion involucra 5n , tenemos que reconducirnos a
una expresi
on en la cual aparezca 5n . Usando las propiedades de las
potencias podemos escribir 5n+1 = 5 5n , entonces
5n+1 1
5 5n 1
=
4
4

=
(hyp. inducci
on)

5 (4m + 1) 1
20m + 4
=
= 5m + 1,
4
4

por lo tanto, poniendo p = 5m + 1 N, tenemos que

termina la prueba.

150

5n+1 1
4

= p, lo cual
2

Para entender la importancia de la tecnica de induccion, citamos el hecho

de que Peano logr
o demostrar formalmente la validez de la formula de Taylor
con una prueba muy simple y elegante basada en la induccion.

6.2.

Sucesiones num
ericas

Como dijimos en el captulo dedicado a las funciones, es importante

recordar la definici
on general de funcion y no atarse a las funciones reales de
variable real. Una funci
on es cualquier correspondencia entre dos conjuntos
X e Y que asocia a un dato de input un solo dato de output. Tenemos
la libertad de elegir el conjunto inicial y final y la correspondencia como
queramos. Si elegimos X = N e Y = R tenemos lo que se llama una sucesion
a valores reales:
Def.: una sucesi
on a valores reales es una funcion de D N a R:
f : D N R
n
7 f (n) = an R.
Dado que la sucesi
on esta completamente determinada por los valores
an que toma, se suele escribir tambien as: {an } o bien (an ), especificando
de donde comienza n.
Ejemplos:
n 0: (an ) = (n2 ) = (0, 1, 4, 9, 16, 25, . . .);
n 0: (an ) = ((1)n ) = (1, 1, 1, 1, 1, . . .);

1
n 1: (an ) = (2 n ) = (2, 2, 3 2, 4 2, . . .).
La teora de los lmites se puede desarrollar considerando sucesiones en vez
que funciones, con la u
nica diferencia que el lmite sucesional se define solo
para n +. Para definir los lmites de sucesiones resulta extremadamente
u
til definir el concepto siguiente.
Def.: Se dice que una sucesion (an ) tiene una propiedad P definitivamente si existe un n0 0 tal que an satisface P para cada n n0 .
Ejemplos:
151


La sucesi
on (n 10 n) es definitivamente positiva porque lo es para
cada n 100 (dejamos como ejercicio averiguar que es as);
La sucesi
on ( n12 ) es definitivamente menor de
n 4.

1
10

porque lo es para cada

Estamos listos para dar la definicion de lmite de una sucesion.

Def.: se dice que la sucesion (an ) converge a ` R o que
lm an = `

n+

si > 0 la distancia de an a ` es definitivamente menor que , o sea n0 ()

tal que |an `| < n n0 ().
Geometricamente, una sucesion convergente tiene el comportamiento que
se ve en la figura siguiente:

su gr
afico (puntos discretos!), a partir de un cierto n0 , queda contenido en
una banda horizontal de ancho 2 centrada en `. Esto sucedera no importa
que tan peque
na sea . Cuanto mas peque
na, mas habra que esperar hasta
que la sucesi
on entre en la banda, pero tarde o temprano entrara.
Def.: se dice que la sucesion (an ) diverge a + (resp. a ) o que
lm an = +

n+

(resp. lm an = )
n+

si M > 0, an es definitivamente mayor que M (resp. menor que M ).

Los lmites de funciones y de sucesiones se pueden relacionar a traves de
un puente establecido por el teorema siguiente debido al matematico aleman
Heinrich Heine (1821-1881).
152

Teorema de Heine: Sean f : (a, b) R R y x0 (a, b). f converge

a ` R para x x0 si y solo si para cada sucesion (an ) tal que an
(a, b) definitivamente, an 6= x0 definitivamente y (an ) x0 , la sucesion
n+

numerica (f (an )) converge a ` para n +.

Unos autores toman como referencia para la definicion de lmite la condici
on necesaria y suficiente del teorema de Heine y la llaman definicion de
lmite de Heine.
Gracias al teorema de Heine podemos garantizar de forma inmediata
(o casi) que los resultados que hemos visto sobre lmites de funciones valen
tambien para los limites de sucesiones (obviamente teniendo en consideracion
que, en este caso, el lmite se puede definir solo cuando n +). Por
ejemplo:
n+1
= 1,
n+ n 1
lm

lm 21/n = 1, lm n2 = , etc.

n+

n+

Destacamos el lmite de una sucesion que devuelve un n

umero notable y una
relaci
on asint
otica particularmente imporante:
Lmite notable fundamental del c
alculo:
n

1
=e
lm
1+
n+
n
siendo e el n
umero de Neper, la base de los logaritmos naturales: e '
2,7182 . . . (n
umero irracional);
F
ormula de De MoivreStirling1 :

nn
n!
2 n n .
n+
e
Gracias a la f
ormula de De Moivre-Stirling podemos escribir la jerarqua
de los infinitos para sucesiones (se invita el estudiante a demostrar que
nn
+ usando la f
ormula que acabamos de ver):
n!
n+

loga n (loga n) n n n bn n! nn ,

n +

donde es el simbolo que expresa que el infinito a su derecha es de orden

superior al infinito que aparece a su izquierda y donde:
1

Abraham de Moivre, matem

atico frances (1667-1754) ha descubierto la f
ormula sin la
constante de proporcionalidad, James Stirling,
matem
a
tico
britanico
(1692-1770)
deter
min
o la constante de proporcionalidad 2.

153

a > 1;
> 1;
(0, 1);
> 1;
b > 1;
> 0.
En particular, observamos que, fijado cada x R,
Utilizaremos esta observaci
on en breve.

6.3.

xn
n!

0 para n +.

Sucesiones de funciones

En esta secci
on podremos apreciar a
un mas la versatilidad de la definici
on abstracta de funci
on. Consideremos, como dominio X y codominio Y
de una funci
on f estos conjuntos:
X = N;
Y = F = {f : E R R}, o sea, F es el conjunto que contiene todas
las funciones reales de variable real con dominio E.
Def.: Una sucesi
on de funciones (reales de variable real) es una funcion
: D N F
n
7 (n) fn .
Como en el caso de sucesiones numericas, podemos identificar con su
imagen (fn )nD . Ahora los n
umeros enteros n indexan funciones, no n
umeros
reales: para cada n, fn : E R es una funcion!
Ejemplos:
n 0: fn : R \ {2} R,
n
2x

(fn (x) = 2+n

) = (f0 (x) =
x+2

2 , f1 (x)
x+2

n 1: fn : (0, 1) (1, +) R,
3x1
3x1
(fn (x) = log(x
n ) ) = (f1 (x) = log(x) , f2 (x) =
154

2x

, f (x)
3
x+2 2

3x1
, f (x)
log(x2 ) 3

2x2

, . . .);
4
x+2

3x1
, . . .).
log(x3 )

Def.: Se dice que la sucesi

on de funciones (fn ) converge puntualmente
en x si la sucesi
on numerica (fn (x)) es convergente. Si (fn ) converge puntualmente en cada punto de un intervalo E R, resulta bien definida la
funci
on f : E R dada por
f (x) = lm fn (x)
n+

y llamada funci
on lmite puntual de la sucesion de funciones (fn ).
Ejemplo: n 1: fn : R R, (fn (x) = 2x + xn ). Se ve facilmente que
si fijamos un valor de x tal que |x| > 1, la sucesion numerica (2x + xn )
no converge, porque los valores de xn siguen subiendo en valor absoluto a
medida que n aumenta. En cambio, si fijamos x tal que |x| < 1, la sucesion
numerica (2x + xn ) converge a 2x porque xn 0 si |x| < 0. Si fijamos
n+

x = 1 tenemos (2x + 1n = 2x + 1) n N, en cambio, si fijamos x = 1

tenemos (2x + (1)n ) que no converge. Finalmente, podemos decir que la
sucesi
on de funciones (fn (x) = 2x + xn ) converge puntualmente a la funcion
lmite puntual
(
2x
si x (1, 1)
f (x) =
2x + 1 si x = 1.
En la figura siguiente se puede ver como evoluciona el grafico de las
funciones fn con x (1, 1): se ve que, a medida que n crece, los graficos
se acercan cada vez mejor al grafico de la funcion f (x) = 2x.

155

6.3.1.

El teorema de aproximaci
on de Stone-Weierstrass

El teorema de aproximacion de Stone-Weierstrass2 es uno de los mas

importantes de toda la matematica. Fue obtenido por primera vez en el
1885 por Weierstrass y sucesivamente generalizado por Stone en el 1937.
El teorema dice que cada funcion continua en un intervalo compacto puede
ser aproximada con un nivel de precision cualquiera a traves de una funcion
polinomial. Dado que los polinomios son las funciones no lineales mas simples
de la matem
atica y dado que los ordenadores pueden computarlos de forma
muy rapida, resulta evidente la imporancia tanto teorica como practica de
este resultado. Rigurosamente:
Teorema de aproximaci
on de Stone-Weierstrass: sea f : [a, b] R una
funci
on continua, entonces existe una sucesion de polinomios Pn tal que
lm |Pn (x) f (x)| = 0

n+

x [a, b].

Se puede demostrar que la convergencia de la sucesion de polinomios es

uniforme, pero este es un concepto que va mas alla de los fines de este curso.
Observamos que el teorema garantiza es resultado tan solo con la continuidad de f , as que la funcion podra no ser diferenciable, por lo tanto los
polinomios involucrados en la aproximacion de Stone-Weierstrass difieren
de los polinomios de Taylor en general. De hecho el matematico ruso Sergei
Bernstein (1880-1968) proporcino una prueba constructiva del teorema usando unos polinomios que hoy se llaman polinomios de Bernstein en su
honor y que son una herramienta importante en la teora de la interpolacion
polinomial de funciones reales.
Es interesante observar que la prueba original de Weiestrass de su teorema se basa sobre un proceso de smoothing que se llama convolucion con
una Gaussiana, o trasformada de Weierstrass, una tecnica que los estudiantes podr
an estudiar con detalle en los cursos de procesado de imagenes y
teoria de se
nales. Esta es una de las tecnicas mas simples, aunque no muy
precisa, para quitar ruido a un se
nal digital y consiste en sustituir el valor del
se
nal en un punto con una media pesada, con peso dado por una Gaussiana
con su m
aximo centrado en el punto mismo. La siguiente figura muestra este
efecto de smoothing.

Marshall Stone, 1903-1989, matem

atico americano.

156

6.4.

Series n
umericas

La teora de las series numericas permite expresar de forma matematicamente rigurosa el concepto de suma finita de un n
umero infinito de terminos,
un concepto que en la antig
uedad pareca no tener sentido, como se deduce
de la famosa paradoja de Zen
on (-489 -431) de Aquiles y la tortuga.
El filosofo Zen
on, imagin
o Aquiles y una tortuga compitiendo en una carrera.
Como Aquiles es m
as rapido, los jueces de la carrera deciden que Aquiles
comienze en la posici
on x0 y la tortuga en la posicion x1 > x0 . Obviamente
en un tiempo t0 > 0 Aquiles alcanzara la posicion de la tortuga y despues la
superarar
a. Sin embargo Zenon consideraba esa una paradoja logica, veamos
por que. En el instante de tiempo t1 = t20 , obviamente Aquiles estara detras
de la tortuga, y tambien en el instante t2 = t21 = t40 , etc. siguiendo hasta el infinito. La paradoja, seg
un Zenon, es que Aquiles ha alcanzado la
tortuga en un instante de tiempo finito obtenido por la suma de una cantidad infinita de instantes de tiempo mas peque
nos pero siempre positivos.
Zen
on, considerando sus elucubraciones filosoficas mas logicas que la realidad de los hechos, crey
o haber demostrado logicamente la imposibilidad del
movimiento!
Vamos a ver como se puede dar rigor al concepto de suma de infinitos
terminos. Consideramos una sucesion de n
umeros reales (an ) y construimos
una sucesi
on auxiliar (sn ) definida como sigue:
s0 = a0
s1 = a0 + a1
s2 = a0 + a1 + a2
..
.

157

sn = a0 + a1 + a2 + . . . + an =

n
X

ak ,

k=0

llamamos sn la suma parcial n-esima de la sucesion (an ).

Def.: Se dice serie n
umerica con termino general (an ) la sucesion numerica de las sumas parciales sn . Si (sn ) es convergente, se dice que la serie
es convergente, si (sn ) diverge o es irregular (no tiene lmite), se dice que
la serie diverge o es irregular, respectivamente. Si (sn ) coverge a S para
n + llamamos S la suma de la serie y escribimos:

X
n=0

an = lm

n+

n
X

ak = S .

k=0

Si la sucesi
on (an ) comienza en n0 > 0 entonces escribiremos

n=n0

an .

En las clases de pr
acticas y seminarios veremos ejemplos de series numericas. Aqu, a ttulo de ejemplo, nos limitamos a se
nalar el comportamiento
de una serie particularmente importante, la serie geom
etrica de razon q:
1
si |q| < 1

1q
X
n
q = +
si q 1

n=0
irregular si q < 1.
No tenemos tiempo de examinar los criterios de convergencia de las series
numericas, sin embargo queremos remarcar que, para que una serie sea
convergente, es necesario (y no suficiente, en general) que su termino
general an tienda a 0 para n +. Para entender por que observamos
que, por definici
on de suma parcial, sn sn1 = an . Si la serie converge a
la suma S, tanto sn como sn1 tienden a S para n +, lo cual implca
que an = sn sn1 S S = 0.
n+

Este hecho se puede tomar como un criterio suficiente de no convergencia:

si el termino general de una serie no es infinitesimo cuando n +, la serie
no puede converger.
Un ejemplo de serie divergente cuyo termino general tiende a 0 esta dado

158

por:

2
n=1 n ,

a pesare de que

n n+

0, tenemos que

X
2
= 2 + 1 + 2/3 + 2/4 + 2/5 + 2/6 + 2/7 + 2/8 + . . .
n

n=1

> 2 + 1 + 1/2 + 1/2 + 1/4 + 1/4 + 1/4 + 1/4 + . . .

= 2 + 1 + 1 + 1 + ... = +.
Como
P 1consecuencia inmediata tenemos que tambien la serie harmonica
n=1 n es divergente.
Terminamos con un ejemplo practico para entender que una sumaPinfinita
1
puede, efectivamente, dar un resultado finito es el siguiente: la serie
n=1 2n
modeliza coger la mitad de un pastel, despues la mitad de lo que queda (un
cuarto), despues la mitad de lo que queda, etc. Claramente, en cada paso
siempre quedar
a algo y en el lmite se coge todo el pastel (entonces la suma
infinita da 1).

6.5.

Series de funciones, de Taylor y de potencias

As como hemos utilizado las sucesiones numericas para definir las series
numericas, podemos utilizar las sucesiones de funciones para definir las series
de funciones: dada la sucesi
on de funciones (fn ), fn : D R R, definimos
la sucesi
on de funciones auxiliar:
s0 (x) = f0 (x), x D
s1 (x) = f0 (x) + f1 (x), x D
s2 (x) = f0 (x) + f1 (x) + f2 (x), x D
..
.
sn (x) = f0 (x) + f1 (x) + f2 (x) + . . . + fn (x) =

n
X

fk (x), x D,

k=0

llamamos sn : D R la funci
on suma parcial n-esima de sucesion de
funciones (fn (x)).
Def.: Se dice serie de funciones con termino general (fn (x)) la sucesion
de funciones dada por las funciones sumas parciales sn (x). Si (sn (x)) es una
sucesi
on de funciones que converge puntualmente en x0 D, diremos que
la serie de funciones converge puntualmente en x0 D, si (sn (x)) es una
159

sucesi
on de funciones divergente o irregular en x0 D, diremos que la serie
de funciones diverge o es irregular en x0 D, respectivamente.
N
otese que, por definici
on, la convergencia puntual de la sucesion de las
sumas parcialesP
n-esimas (sn (x)) en x0 D equivale a la convergencia de la
serie numerica
n=0 fn (x0 ). Si la serie de funciones converge en cada punto
de un conjunto E, queda bien definida la funci
on suma de la serie de
potencias dada por: S : E R,
S(x) =

fn (x) .

n=0

Las series de funciones aparecen en muchas aplicaciones de las matematicas.

Un caso de particular relevancia son las series de Fourier, que permiten
expresar funciones peri
odicas como series de las funciones trigonometricas
seno y coseno. Las series de Fourier son un instrumento de analisis de enorme
importancia en muchas disciplinas cientficas. El estudiante podra ver aplicaciones de las series de Fourier en el curso de teora de se
nales.
Existen unas series de funciones particularmente significativas: las series
de funciones cuyas sumas parciales n-esimas est
an dadas por los polinomios
de Taylor de orden n de una funci
on derivable f se llaman series de Taylor.
Recordamos que la f
ormula de Taylor con centro en x0 y resto de Lagrange de una funci
on f : (a, b) R R, n+1 veces derivable con derivadas
continues en (a, b) es:
f (x) =

n
X
f (k) (x0 )
k=0

k!

= Tx(n)
(x) +
0

(x x0 )k +

f (n+1) ()
(x x0 )n+1
(n + 1)!

f (n+1) ()
(x x0 )n+1 ,
(n + 1)!

x (a, b) y (a, b) tal que |x0 | < |xx0 |. Si una funcion f es derivable
infinitas veces con derivadas limitadas por un n
umero M R, entonces, en
virtud de la f
ormula de De Moivre - Stirling, el error en la aproximacion de
Taylor de la funci
on f tiene a 0 cuando n tiende a +:


(x x0 )n+1
 (n+1)  (x x0 )n+1
M
0.
()
f
(n + 1)!
(n + 1)! n
160

Todas las funciones elementales del calculo tienen esta propiedad.

Consideramos ahora un intervalo real abierto I tal que x0 I. En general, cuando el error de la aproximacion de Taylor de una funcion f infinitamente derivable tiende a cero para cada x I, se dice que f se puede
desarrollar en serie de Taylor en I con centro en x0 y vale la formula:
f (x) =

X
f (n) (x0 )
n=0

n!

(x x0 )n

x, x0 I,

en particular, si x0 = 0, tenemos
f (x) =

X
f (n) (0)
n=0

n!

xn

x I.

Se puede observar que las series de Taylor son series de funciones particulares en las cuales las funciones que aparecen son potencias de la variable
x multiplicadas por coeficientes proporcionales a las derivadas de la funcion
que se est
a desarrollando. En general, una expresion del tipo

an (x x0 )n

n=0

se llama serie de potencias con centro en x0 y coeficientes an . Se puede

demostrar que a cada serie de potencia corresponde un n
umero real R 0
llamado radio de convergencia tal que la serie converge puntualmente en
x (x0 R, x0 + R). Si R = 0, la serie converge solo en x = x0 , si R = +
la serie converge en todo R.
En la tabla siguiente recopilamos las series de Taylor y de potencias mas
comunes en el c
alculo.

161

Funci
on
ex
log(1 + x)
sin x
cos x
sinh x
cosh x
(1 + x)
1
1x

Serie de potencias correspondiente

P xn
n=0
n! n
P
x
n+1
n=1 (1)
n
P
x2n+1
n
n=0 (1)
(2n + 1)!
2n
P
n x
(1)
n=0
(2n)!
P
x2n+1
n=0
(2n + 1)!
P x2n
n=0


P (2n)!
n
n=0 n x
P n
n=0 x

Radio de convergencia
R = +
R = +
R = +
R = +
R = +
R = +
R=1
R=1

( 1) ( n + 1)
con R y n =
es el coeficiente binomial.
n!
Observese, en particular, que si ponemos x = 1 en la serie exponencial
obtenemos

X
1
e=
n!
n=0

una f
ormula muy usada para aproximar el valor numerico de e.
Los estudiantes podr
an apreciar una aplicacion de las series de potencias
en la asignatura de Ecuaciones Diferenciales, donde se usaran para resolver
las ecuaciones diferenciales lineales en coeficientes no constantes.
En la figura siguiente podemos ver el comportamiento de las sumas parciales de la serie exponencial.

162

6.6.

La formula de la exponencial compleja de Euler

Presentamos en esta u
ltima seccion una formula de grande importancia
debida a Leonhard Euler (1707-1783) matematico y fsico suizo. Euler es
seguramente el matem
atico mas importante del siglo XVIII y muchos lo
consideran el matem
atico mas importante de la historia junto con Gauss.
Es el matem
atico que m
as resultados ha publicado y a el debemos la gran
mayora de la notaci
on matematica que utilizamos hoy en da.
Euler estudi
o las series con terminos complejos y encontro unas formulas
particularmente significativas para la serie exponencial en el campo complejo. Para entender su
analisis, tenemos que dar sentido al concepto de serie de
terminos complejos. Dado que una serie no es nada mas que la sucesion de
las sumas parciales de una sucesion, el problema de definir lo que es una serie
convergente en el campo complejo se reduce al problema de la definicion de
una sucesi
on convergente de n
umeros complejos.
Def.: Se dice que la sucesion de n
umeros complejos (sn ), sn C n,
converge al lmite ` C si > 0 n0 () > 0 tal que |sn `| < , donde | |
es el modulo3 en el campo complejo. En otras palabras, sn ` si y solo si
3

Recordamos que si z = x + iy C, su modulo |z| es el n

umero real no negativo

163

|sn `| 0 para n .
Habiendo dado sentido a las series n
umericas con terminos complejos,
podemos extender tambien las series de funciones al campo complejo, dado
que la convergencia puntual de estas series se analiza a traves del analisis de
la convergencia de series n
umericas
Euler se concentro en particP complejas.
xn
ular en la serie exponencial ex =
y
se
pregunto cuales propiededes
n=0 n!
tiene su extensi
on al campo complejo, que definio de forma natural como
sigue:

X
zn
ez =
z C.
n!
n=0

Antes que nada observamos que esta serie de funciones converge puntualmente en P
todo C ndado que, fijando cada z, la serie de terminos reales no
|z |
negativos
ormula de De Moivre n=0 n! es convergente en virtud de la f
Stirling.
Analizamos, en particular, el caso de un n
umero complejo imaginario
puro, o sea z = ix, x R:

eix =
=

X
(ix)n
n=0

n!

x2
x3 x4
x5 x6
x7
i +
+i
i + ...
2
3!
4!
5!
6!
7!

(1)n

n=0

= 1 + ix

X
x2n
x2n+1
+i
(1)n
= cos x + i sin x.
(2n)!
(2n + 1)!
n=0

Considerando x en lugar de x, y recordando que el coseno es par y el seno

es impar, obtenemos: ex = cos x i sin x.
Destacamos estas dos f
ormulas llamadas f
ormulas de Euler:
eix = cos x + i sin x
eix = cos x i sin x
sumando y restando las f
ormulas arriba se obtiene una relacion entre exponenciales complejos y funciones trigonometricas reales seno y coseno:
cos x =

eix + eix
eix eix
, sin x =
.
2
2i

p
definido as: |z| = x2 + y 2 , as que la definici
on usa el modulo de un n
umero complejo
para reconducir la teora de los lmites de n
umero complejos a la de n
umero reales no
negativos, que ya hemos desarrollado y de la cual podemos usar los resultados.

164

A traves de las f
ormulas de Euler podemos escribir la forma polar de los
n
umeros complejos en la forma exponencial:
z = (cos + i sin ) = ei .
El siguiente teorema, debido a Euler, garantiza el hecho de que la exponencial compleja se comporta como la exponencial real con respecto a la
suma de exponentes.
Teorema: z C vale que:
ez1 ez2 = ez1 +z2 .

Usando la forma exponencial y este teorema es inmediato probar la

validez de las f
ormulas de De Moivre sobre producto, cociente y potencia de
n
umeros complejos, por ejemplo:
1 ei1 2 ei2 = 1 2 ei(1 +2 ) = 1 2 [cos(1 + 2 ) + i sin(1 + 2 )].
No existe mejor manera de terminar estos apuntes que escribiendo la
f
ormula m
as bella de las matem
aticas: si introducimos x = en la
i
f
ormula de Euler obtenemos e = cos() + i sin() = 1, entonces
ei + 1 = 0 .
Se considera la f
ormula m
as bella porque mezcla los cinco n
umeros y las
cuatro operaciones m
as importantes de la matematica: 0,1,e,, i e igualdad,
suma, producto y exponenciacion, respectivamente.
THE END.

165