Apunte-Calculo en Varias Variables U. de Chile

Universidad de Chile
Facultad de Ciencias Fsicas y Matematicas

Departamento de Ingeniera Matematica
Apunte del Curso
C
alculo en Varias Variables
Con la colaboracion de:

Paul Bosch
Matas Bulnes
Nicolas Hernandez
Arturo Prat
Luis Rademacher
Mauricio Vargas
Jose Zamora
Autores:
Patricio Felmer
Alejandro Jofre
linea en blanco
linea en blanco
linea en blanco
linea en blanco
24 de julio de 2013
Indice general
Introducci
on
VII
1. C
alculo Diferencial en Rn
1.1. Repaso de algunos teoremas de Calculo . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Base algebraica y geometrica de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Funciones con valores en R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Conceptos introductorios de topologa . . . . . . . . . . . . . . . . . . . . . . . . .
1.5. Lmites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.5.1. Lmite de funciones de R en R
. . . . . . . . . . . . . . . . . . . . . . . .
1.5.2. Continuidad de funciones de Rn en Rm
11
. . . . . . . . . . . . . . . . . . . .
17
. . . . . . . . . . . . . . . . . . . . . . .
18
1.6.1. Aproximaci
on de primer orden . . . . . . . . . . . . . . . . . . . . . . . . .
21
1.6.2. Gradiente de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
1.6.3. Relaci
on entre continuidad y diferenciabilidad . . . . . . . . . . . . . . . . .
22
1.6.4. Teorema del valor medio en Rn . . . . . . . . . . . . . . . . . . . . . . . . .
31
1.7. Gradiente y geometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
1.7.1. Caso del grafo de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . .
37
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
1.6. Diferenciabilidad de funciones de R a R
2. Derivadas de Orden Superior
47
2.1. Derivadas de orden superior y teorema de Taylor . . . . . . . . . . . . . . . . . . .
47
2.2. Extremos de funciones con valores reales . . . . . . . . . . . . . . . . . . . . . . . .
54
2.2.1. Condiciones de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . .
54
2.2.2. Condiciones de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.3. Funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
2.4. Funciones c
oncavas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
2.5. Extremos restringidos y Multiplicadores de Lagrange . . . . . . . . . . . . . . . . .
66
2.5.1. Condiciones de 1
er
orden para extremos restringidos . . . . . . . . . . . . .
67
2.5.2. Condiciones de 2
do
orden para extremos restringidos . . . . . . . . . . . . .
69
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
3. Integraci
on
81
3.1. Integral de Riemann en R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
3.1.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
3.1.2. Propiedades b
asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
3.1.3. Integraci
on de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . .
88
3.1.4. Extensi
on de la clase de funciones integrables . . . . . . . . . . . . . . . . .
89
3.1.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
3.1.6. Integral en R2 sobre dominios generales . . . . . . . . . . . . . . . . . . . .
93
3.2. Integral de Riemann en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
3.2.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
3.2.2. Propiedades B
asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
3.2.3. Integraci
on de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . .
97
3.2.4. Extensi
on de la clase de funciones integrables . . . . . . . . . . . . . . . . .
97
3.2.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
3.2.6. Integral en R sobre dominios generales . . . . . . . . . . . . . . . . . . . . 100

3.3. Reglas de derivaci
on adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.4. Teorema del cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.5. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.5.1. Centro de masa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.5.2. Momento de inercia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.6. Comentarios acerca del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.6.1. Extensi
on de la integral de Riemann . . . . . . . . . . . . . . . . . . . . . . 109
3.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4. Topologa B
asica
117
4.1. Normas y espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4.2. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.2.1. Sucesiones de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.3. Espacios de Banach
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.4. Subsucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

ii
4.5. Conjuntos abiertos y cerrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

4.6. Conjuntos compactos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.7. Consecuencias de la compacidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.8. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5. Teoremas de la Funci
on Inversa e Implcita
143
5.1. Teorema del punto fijo de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

5.2. Teorema de la funci
on inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
on implcita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
6. Complementos de C
alculo Diferencial
159

on adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.2. La f
ormula de cambio de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7. Optimizaci
on no Lineal
169
7.1. Problema general de optimizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

7.2. Teorema de los Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . . . . . 172
7.2.1. Condiciones de primer orden para extremos restringidos . . . . . . . . . . . 173
7.2.2. Condiciones de segundo orden para extremos restringidos . . . . . . . . . . 177
7.2.3. Ejemplos de Microeconoma en varias dimensiones . . . . . . . . . . . . . . 182
7.2.4. Teorema de la envolvente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
7.3. Teorema de separaci
on de convexos y lema de Farkas . . . . . . . . . . . . . . . . . 197
7.4. Teorema de Karush-Kuhn-Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.4.1. Condiciones de primer orden para extremos restringidos . . . . . . . . . . . 201
7.4.2. Condiciones de segundo orden para extremos restringidos . . . . . . . . . . 207
7.4.3. Interpretaci
on econ
omica del teorema de Karush-Kuhn-Tucker . . . . . . . 209
7.4.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
7.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
Notaci
on
223
Bibliografa
225
iii

Indice Alfab
etico
227
iv
Indice de figuras
1.1. Grafo de sen
xy
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

xy
1.2. Curvas de nivel de sen x2 +y
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 +1
1.3. Interpretaci
on geometrica de la derivada direccional . . . . . . . . . . . . . . . . .
35
2.1. Epgrafo, hipografo y grafo de una funcion . . . . . . . . . . . . . . . . . . . . . . .
61
3.1. 2-equipartici
on y selecci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2
3.2. Suma de Riemann para la funcion f (x, y) = sen xy
15 para P4 ([1, 5] ) . . . . . . . .
R
3.3. Ejemplo de que V (R)nf xR f (x) R f . . . . . . . . . . . . . . . . . . . . . . .
81
x2 +y 2 +1
82
88
3.4. Di
ametro de un conjunto A R . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
3.5. El dominio del ejemplo 3.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
3.6. La funci
on del ejemplo 3.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
3.7. Dominio del tipo 1 que no es del tipo 2 y dominio del tipo 3. . . . . . . . . . . . .
94
3.8. Cambio de variable, caso de una transformacion lineal . . . . . . . . . . . . . . . . 105

4.1. Normas en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.2. Conjunto convexo y no convexo respectivamente . . . . . . . . . . . . . . . . . . . 136
0,5
7.1. Funci
on Cobb-Douglas f (x1 , x2 ) = x0,5
1 x2
. . . . . . . . . . . . . . . . . . . . . . 182
7.2. Funci
on cuasilineal f (x1 , x2 ) = 0,1 ln(x1 ) + x2 . . . . . . . . . . . . . . . . . . . . . 191
7.3. Funci
on Leontief f (x1 , x2 ) = mn{x1 , x2 }
. . . . . . . . . . . . . . . . . . . . . . . 193
7.4. Separaci
on estricta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
7.5. Hiperplano separador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
7.6. Casos no convexos en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
7.7. Frontera de eficiencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Introducci
on
En ciencias e ingeniera se emplean numerosos modelos para describir matematicamente fenomenos
de diferente ndole que van desde el calculo de estructuras hasta fenomenos economicos sociales
pasando por la mec
anica de fluidos, transferencia de calor, equilibrios qumicos, planificacion y
gesti
on de procesos, biotecnologa, astronoma, fsica del estado solido, materiales, minera, s
olo
por mencionar algunas que se cultivan en la facultad. Para esta tarea el calculo de una variable
muchas veces es insuficiente, pues la realidad incorpora m
ultiples variables y sus interacciones para
el estudio de estos fen
omenos.
Los autores.
vii
CAPITULO 1
C
alculo Diferencial en Rn
Nos interesa ampliar las herramientas aprendidas en el curso de Calculo a funciones de varias
variables. Para esto debemos introducir, entre otros, los conceptos de derivada parcial y diferencial.
Con ambos conceptos podremos entender diversas herramientas que nos permitiran continuar la
tarea de maximizar o minimizar funciones que pueden estar sujetas a una o mas restricciones.
1.1. Repaso de algunos teoremas de C

alculo
Los siguientes teoremas, vistos en el curso de Calculo seran de utilidad en todo lo que sigue. Cuando
trabajemos algunos teoremas en Rn nos podremos dar cuenta que sus demostraciones son analogas
a las del curso de C
alculo.
Teorema 1.1. Sea [a, b] un intervalo cerrado y acotado y f : [a, b] R continua tal que f (a) y
f (b) tienen distinto signo, entonces existe c [a, b] tal que f (c) = 0.
Demostraci
on. Sin perdida de generalidad supongamos que f (a) < 0 y f (b) > 0. Consideremos el
punto medio del intervalo c = a+b
2 , para el cual existen tres posibilidades:
1. f (c) < 0: en este caso nos restringiremos al intervalo [a1 , b1 ] con a1 = c y b1 = b.
2. f (c) = 0: en este caso concluye la demostracion.
3. f (c) > 0: en este caso nos restringiremos al intervalo [a1 , b1 ] con a1 = a y b1 = c.
Si realizamos de forma consecutiva el proceso de anterior, y si siempre nos mantenemos dentro de
los casos 1 y 3, habremos generado una sucesion de intervalos [an , bn ] [an1 , bn1 ] . . . [a, b]
n1
para todo n. De esta forma, bn an = ba
tales que f (an ) < 0, f (bn ) > 0 y bn an = bn1 a
2
2n
y para n se tendr
a que an bn 0 y lmn an = lmn bn .
Sea e = lmn an = lmn bn , claramente e (a, b) y ademas, como f continua:

f (e) = f lm an = lm f (an ) 0
n
donde la desigualdad se tiene ya que f (an ) < 0 para todo n. Analogamente se cumple:

f (e) = f lm bn = lm f (bn ) 0
n
1.1. REPASO DE ALGUNOS TEOREMAS DE CALCULO
pues f (bn ) < 0 para todo n. Se concluye entonces que f (e) = 0.
Teorema 1.2. (Teorema del valor intermedio en R)

Sea [a, b] un intervalo cerrado y acotado y f : [a, b] R continua. Si f (a) 6= f (b), entonces para
todo n
umero k comprendido entre f (a) y f (b) existe c (a, b) tal que f (c) = k.
Demostraci
on. Sin perdida de generalidad supongamos que f (a) < f (b). Definamos g(x) = f (x)k
y entonces g(a) = f (a) k < 0 y g(b) = f (b) k > 0. De acuerdo al teorema 1.1 existe c (a, b)
tal que g(c) = 0, lo que es equivalente a f (c) = k.

Teorema 1.3. (Teorema de Bolzano-Weierstrass en R)
Toda sucesi
on acotada en R tiene al menos una subsucesi
on convergente.
Demostraci
on. Sea {xn } una sucesi
on acotada en R. Entonces existen a0 , b0 R tales que:
n N, a0 xn bn
0
Consideremos ahora c0 = a0 +b
2 . En al menos uno de los intervalos [a0 , c0 ] y [c0 , b0 ] hay infinitos
terminos de {xn }, llamemos [a1 , b1 ] a dicho intervalo y hagamos lo mismo consecutivamente de
forma de obtener una sucesi
on de intervalos [an , bn ] [an1 , bn1 ] . . . [a, b] tales que [an , bn ]
n1
contiene infintos terminos de {xn } y bn an = bn1 a
para todo n. Consideremos ahora la
2
subsucesi
on {xf (n) } donde los ndices f (n) estan definidos por:
f (1) = mn{i N | xi [a1 , b1 ]}

f (n + 1) = mn{i > f (n) | xi [an+1 , bn+1 ]}
Se tiene entonces:
n N, an xf (n) bn
Notemos que la sucesi
on {an } es monotona creciente y por lo tanto converge a un real a. La
sucesi
on {bn } en cambio, es mon
otona decreciente y converge a un real b. Notando ademas que
para
todo
n,
se
tiene
que lmn an = lmn bn , es decir a = b. Por el teorema
bn an = ba
2n
del sandwich conclumos que lmn xf (n) = a = b.

Teorema 1.4. Sea [a, b] un intervalo cerrado y acotado y f : [a, b] R continua. Entonces f es
acotada y alcanza su mnimo y su m
aximo en [a, b].
Demostraci
on. Probaremos el resultado para el maximo y la parte del mnimo quedara propuesta
(es an
aloga). Sea M = sup{f (x) : a x b}, eventualmente M = , y consideremos una sucesion
{xn } tal que f (xn ) converge a M . Por el teorema 1.3 existe una subsucesion xnk que converge a
un punto x
[a, b]. Como f es continua se tiene que la subsucesion f (xnk ) converge a f (
x) y por
lo tanto f (
x) = M . Esto prueba simultaneamente que M es finito y que el supremo (maximo) se
alcanza.

Teorema 1.5. Sea [a, b] un intervalo cerrado y acotado y f : [a, b] R continua y diferenciable
en (a, b). Si f alcanza un m
aximo (o mnimo) en alg
un punto c (a, b) entonces f 0 (c) = 0.
Demostraci
on. Haremos la demostraci
on para el caso del maximo. La demostracion para el caso
del mnimo es an
aloga y queda de propuesta. Si f tiene un maximo en c entonces:
f (c + h) f (c) h tal que c + h [a, b]
FCFM - Universidad de Chile
De esta forma, f (c + h) f (c) 0. As para todo h > 0 peque

no se tiene que:
f (c + h) f (c)
0
h
y esto implica que f 0 (c) 0. Por otro lado, para todo h < 0 peque
no se tiene que:
f (c + h) f (c)
0
h
lo que implica que f 0 (c) 0 y por lo tanto se concluye que f 0 (c) = 0.
Teorema 1.6. (Teorema de Rolle en R)

Sean [a, b] cerrado y acotado y f : [a, b] R continua y diferenciable. Si f (a) = f (b), entonces
existe al menos un c (a, b) tal que f 0 (c) = 0.
Demostraci
on. Tenemos tres casos posibles:
1. Si f (c) < f (a) para alg
un c (a, b). Por el teorema 1.4 sabemos que existe c [a, b] donde
f alcanza su mnimo y en este caso necesariamente c (a, b). De acuerdo al teorema 1.5
f 0 (c) = 0.
2. Si f (a) = f (c) c (a, b). Entonces, por ser f constante, su derivada es nula en (a, b) y se
cumple el teorema.
3. Si f (c) > f (a) para alg
un c (a, b). Por el teorema 1.4 sabemos que existe c [a, b] donde
f alcanza su m
aximo y en este caso necesariamente c (a, b). De acuerdo al teorema 1.5
f 0 (c) = 0.

Teorema 1.7. (Teorema del valor medio en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] R continua y diferenciable en (a, b).
Entonces, existe un punto c (a, b) tal que:
f 0 (c) =
Demostraci
on. Definamos
g(x) = f (x)
f (b) f (a)
ba
f (b) f (a)
(x a)
ba
Se tiene que g es continua en [a, b] y diferenciable en (a, b). Ademas, observemos que
g(a) = f (a)
g(b) = f (a)
lo que implica g(a) = g(b) por lo tanto podemos aplicar el teorema 1.6. Entonces, existe c (a, b)
tal que g 0 (c) = 0 lo que es equivalente a:
f 0 (c) =
f (b) f (a)
ba

1.1. REPASO DE ALGUNOS TEOREMAS DE CALCULO
Teorema 1.8. (Primer teorema fundamental del calculo)

Sean f : [a, b] R continua y c [a, b], entonces la funci
on F definida por
Z x
f (x)dx
F (x) =
a
0
es derivable en (a, b) y adem

as F (x) = f (x) en (a, b).
Demostraci
on. Sea c (a, b). Debemos demostrar que el lmite
F 0 (c) = lm
h0
F (c + h) F (c)
h
existe y vale f (c). Notemos que

Z
c+h
F (c + h) F (c) =
f (x)dx
a
c+h
f (x)dx =
a
f (x)dx
c
Consideremos por separado los casos h > 0 y h < 0:

1. Sea h > 0: Como f es continua en [c, c + h], se tiene que existen valores a1 y b1 en [c, c + h]
tales que
f (a1 ) f (x) f (b1 )
x [c, c + h]
Integrando en [c, c + h]
f (a1 )h F (c + h) F (c) f (b1 )h
F (c + h) F (c)
f (b1 )
h
Si h 0+ entonces a1 c y b1 c. Como f es continua f (a1 ) f (c) y f (b1 ) f (c).
Entonces,
f (a1 )
lm+
h0
F (c + h) F (c)
= f (c)
h
(*)
2. Sea h < 0: Como f es continua en [c + h, c], se tiene que existen valores a2 y b2 en [c + h, c]

tales que
f (a2 ) f (x) f (b2 )
x [c + h, c]
Integrando en [c + h, c]
f (a2 )(h) (F (c + h) F (c)) f (b2 )(h)
F (c + h) F (c)
f (b2 )
h
entonces a2 c y b2 c. Como f es continua, f (a2 ) f (c) y f (b2 ) f (c).
f (a2 )
Si h 0
Entonces,
lm
h0
F (c + h) F (c)
= f (c)
h
(**)
De (*) y (**) se obtiene

lm
h0
F (c + h) F (c)
F (c + h) F (c)
= lm
= f (c)
h
h
h0+
Por lo tanto F 0 (c) = f (c).
Teorema 1.9. (Segundo teorema fundamental del calculo)

Sea f : [a, b] R integrable. Si existe una funci
on F : [a, b] R continua y derivable tal que
F 0 (x) = f (x) en (a, b), entonces
Z
f (x)dx = F (b) F (a)

a
Demostraci
on. Sea P = {x0 , . . . , xn } una particion cualquiera del intervalo [a, b], entonces en cada
intervalo [xi1 , xi ] la funci
on F (x) cumple las hipotesis del teorema del valor medio (teorema 1.7),
es decir
F (xi ) F (xi1 ) = F 0 (ci )(xi xi1 )
Como F 0 (x) = f (x) x [a, b], entonces F 0 (ci ) = f (ci ) y ademas
mi (f )(xi xi1 ) f (ci )(xi xi1 ) Mi (f )(xi xi1 )
Lo que es equivalente a
mi (f )(xi xi1 ) F (xi ) F (xi1 ) Mi (f )(xi xi1 )
Aplicando
Pn
i=1 ()
se obtiene
s(f, P ) F (b) F (a) S(f, P )
Luego, como lo anterior es v

alido para todas las particiones de [a, b] y f es integrable en [a, b]
Z
f (x)dx = F (b) F (a)

a

Teorema 1.10. (Teorema del valor medio en R, version integral)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] R continua. Entonces, existe un punto
c (a, b) tal que:
Z b
f (s)ds = f (c)
a
Rx
Demostraci
on. Definamos F : [a, b] R como F (x) = a f (s)ds. Entonces por el teorema 1.8 F es
continua, diferenciable en (a, b) y F 0 (x) = f (x). Usando primero el teorema 1.9 y luego el teorema
1.7, se tiene que
Z b
f (x)dx = F (b) F (a) = F 0 (c) = f (c)
a
para alg
un c (a, b).

1.2. BASE ALGEBRAICA Y GEOMETRICA
DE RN
1.2. Base algebraica y geom

etrica de Rn
Definici
on 1.1. Dotamos al conjunto Rn de una estructura de espacio vectorial mediante las
siguientes operaciones: para x = (x1 , x2 , . . . , xn ) Rn , y = (y1 , y2 , . . . , yn ) Rn , y R
definimos
Suma:
x + y = (x1 + y1 , . . . , xn + yn )
Producto por escalar:
x = (x1 , . . . , xn )
El espacio vectorial Rn tiene dimensi
on n. Entre las muchas posibles bases de Rn nos interesar
a considerar, por su simplicidad, la llamada base canonica {ei }ni=1 , donde ei = (0, ..., 1, ..., 0)
con el uno en la posici
on i. As todo x = (x1 , . . . , xn ) Rn se puede representar en terminos de la
base can
onica como
n
X
x=
xi ei
i=1
Habiendo ya definido la estructura algebraica de Rn vamos a introducir la estructura geometrica

de Rn a traves del producto interno (o producto punto)
Definici
on 1.2. Dados x, y Rn , se define el producto interno o punto de x e y como
x y = hx, yi =
n
X
xi yi
i=1
La siguiente proposici
on resume las propiedades basicas del producto interno. Su demostracion es
muy simple.
Proposici
on 1.1. (Propiedades del producto interno)
1. Positividad: Para todo x Rn se tiene hx, xi 0 y hx, xi = 0 s y solo s x = 0.
2. Linealidad: Para todo x, y, z Rn y R hx + y, zi = hx, zi + hy, zi.
3. Simetra: Para todo x, y Rn hx, yi = hy, xi.
La noci
on de producto interno induce de manera natural la nocion de norma o longitud de un
vector.
Definici
on 1.3. Se define la norma de un vector x Rn como
kxk = x x
on establece una desigualdad entre producto interno y norma de vectores de
Rn . Ella nos permite definir la noci
on de angulo entre vectores de Rn , dejando en evidencia que el
producto interno determina la geometra de Rn .
Proposici
on 1.2. (Desigualdad de Cauchy-Schwarz)
|x y| kxkkyk
x, y Rn
Adem
as, se cumple la igualdad si y s
olo si x es m
ultiplo escalar de y o uno de ellos es cero.
Demostraci
on. Consideremos x, y Rn cualesquiera que mantendremos fijos y sea t R. Entonces
por las propiedades del producto interno tenemos que
0 hx + ty, x + tyi = hx, xi + 2thx, yi + t2 hy, yi
Si y = 0 entonces la desigualdad que se desea probar naturalmente vale. Si y 6= 0 entonces notamos
que la expresi
on de arriba determina una funcion cuadratica en t que puede anularse a lo mas una
vez. Esto implica que el discriminante debe ser negativo o nulo, es decir,
4hx, yi2 4hx, xihy, yi 0
de donde se obtiene la desigualdad deseada. Para terminar, cuando x es m
ultiplo de y entonces
claramente se tiene la igualdad. Queda propuesto probar la recproca.

La desigualdad de Cauchy-Schwarz nos permite definir la nocion de angulo entre vectores.
Definici
on 1.4. Dados x, y Rn llamaremos angulo entre x e y a:

xy
= arc cos
kxkkyk
entendemos que [0, ].
Con esta definici
on podemos hablar de vectores ortogonales cuando el angulo entre ellos es de 90o ,
es decir, cuando hx, yi = 0.
Adem
as, tambien se obtiene la validez del teorema del coseno:
kx yk2 = kxk2 + kyk2 2hx, yi = kxk2 + kyk2 2kxkkyk cos()
Cuando los vectores son ortogonales tenemos el teorema de Pitagoras.
Como ya dijimos, el producto interno induce la nocion de norma, la que le da a Rn su caracter
topol
ogico, como ya veremos. Por el momento veamos las propiedades basicas de la norma.
Proposici
on 1.3. (Propiedades de la norma)
1. Positividad: Para todo x Rn kxk 0 y kxk = 0 si y solo si x = 0.
2. Homogeneidad: Para todo x Rn , R kxk = ||kxk.
3. Desigualdad triangular: Para todo x, y Rn kx + yk kxk + kyk.
Demostraci
on. 1. y 2. son directas del las propiedades del producto interno y la definicion de norma.
La Desigualdad Triangular es una consecuencia de la desigualdad de Cauchy-Schwarz. Para x, y
Rn tenemos
2
hx + y, x + yi = kx + yk = kxk2 + 2hx, yi + kyk2 kxk2 + 2kxkkyk + kyk2

de donde se obtiene
kx + yk2 (kxk + kyk)2

Nota 1.1. De ahora en adelante preferimos denotar el producto punto entre vectores x e y como
x y.
1.3. FUNCIONES CON VALORES EN RM
1.3. Funciones con valores en Rm

Definici
on 1.5. Llamaremos a f funcion a valores en Rm si f : D Rn Rm .
Observamos que el argumento de f es un vector x = (x1 , . . . , xn ) Rn y que la imagen de x es
un vector de Rm . As f (x) = (f1 (x), . . . , fm (x)), donde las funciones fi : D R R, para cada
i, se conocen como funciones coordenadas.
Para el estudio de las funciones de Rn a valores en Rm vamos a desarrollar las herramientas del
C
alculo Diferencial. Sin embargo, la posibilidad de dibujar en el caso de dimensiones peque
nas, es
siempre algo muy u
til. M
as a
un ahora que tenemos programas computacionales (Matlab, Wolfram
Mathematica, Gnu Octave, etc.) muy eficientes para esta tarea. A continuacion damos alguna
terminologa.
Definici
on 1.6. Llamaremos grafo de una funcion f : D Rn Rm al conjunto:
G(f ) = {(x, f (x)) : x D}
Notemos que G(f ) Rn+m . Este se podra dibujar cuando m = 1 y n = 1 o n = 2. En el primer
caso el grafo es una curva y en el segundo una superficie.
Definici
on 1.7. Si m = 1, dado c R se define el conjunto de nivel de la funcion f como
Nc (f ) = {x D : f (x) = c}
En el caso en que n = 2 y n = 3 el conjunto de nivel Nc (f ) se puede dibujar. Se le conoce como
curva de nivel cuando n = 2 y superficie de nivel si n = 3.
Ejemplo 1.1. linea en blanco
Figura 1.1: Grafo de sen
xy
x2 +y 2 +1
Figura 1.2: Curvas de nivel de sen
xy
x2 +y 2 +1
1.4. Conceptos introductorios de topologa

La noci
on de lmite y continuidad de funciones de Rn en Rm involucra el caracter topologico de
estos espacios, inducido por la norma.
En el estudio de la topologa de Rn , un rol fundamental es jugado por las bolas abiertas.
Definici
on 1.8. Dados x0 Rn , r R+ , llamaremos bola abierta de centro en x0 y radio r al
conjunto
B(x0 , r) = {x Rn : kx x0 k < r}
Llamaremos bola cerrada de centro en x0 y radio r al conjunto
B(x0 , r) = {x Rn : kx x0 k r}
Definici
on 1.9. Diremos que A Rn es un conjunto abierto si
(x0 A)(r > 0) : B(x0 , r) A
Ejemplo 1.2. Rn y el conjunto vaco , son conjuntos abiertos. A
un cuando Rn es obviamente
abierto, el caso del conjunto vaco requiere una reflexion. Si no es abierto entonces existe x0
tal que para todo r > 0, B(x0 , r) Rn 6= . Esto es absurdo pues no hay elementos en .
Ejemplo 1.3. El conjunto A = {(x, y) : x > 1} es un conjunto abierto. En efecto, si (x, y) A
entonces B((x, y), x1
2 ) A.
Ejemplo 1.4. Si x0 R y r > 0 entonces B(x0 , r) es un conjunto abierto. En efecto, si x B(x0 , r)
entonces B(x, (r kx x0 k)/2) B(x0 , r). Usando la desigualdad triangular muestre la veracidad
de esta u
ltima afirmaci
on y haga un dibujo.
Definici
on 1.10. Diremos que A Rn es un conjunto cerrado si AC es abierto.
Nota 1.2. Los conjuntos Rn y son abiertos y cerrados. Tambien notamos que hay conjuntos
que no son abiertos ni cerrados. Ver ejemplo a continuacion.
Ejemplo 1.5. Sean A = { n1 : n N} y B = A {0}. Entonces:
1. A no es cerrado. En efecto AC no es abierto, pues 0 AC y: (r > 0) B(0, r) 6 AC . Lo
anterior pues cualquiera sea r > 0 se tiene que
(n N) tal que
Es decir,
1
n
1
<r
n
B(0, r).
2. A no es abierto pues 1 A, pero (r > 0) B(1, r) 6 A.

3. B es cerrado y no es abierto.
Al igual que en el caso de R, uno puede definir sucesiones de vectores en Rn . Se trata de funciones
de N Rn tales que asignan un vector xk a cada k N. Usualmente se considera la notaci
on
{xk }kN .
Definici
on 1.11. Una sucesi
on {xk }kN en Rn se dice sucesion convergente a x Rn si:
( > 0)(k0 N)(k k0 ) : kxk xk <
En el caso que x Rn converge a x anotamos xk x o lmk xk = x. Notemos que la condici
on
kxk xk < es equivalente a xk B(x, ).
Una proposici
on interesante, que se muestra a continuacion, es que uno puede caracterizar los
conjuntos cerrados mediante el uso de sucesiones. En realidad uno podra describir completamente
la topologa de Rn usando sucesiones, pero no lo haremos.
10
1.4. CONCEPTOS INTRODUCTORIOS DE TOPOLOGIA
Proposici
on 1.4. A Rn es cerrado si y solo si:
Para toda sucesi
on {xk }kN A : ( (xk x) x A)
Demostraci
on. linea en blanco
(): Sea A un conjunto cerrado y sea {xk }kN A una sucesion cualquiera tal que lm xk = x.
k
Queremos demostrar que x A. Supongamos que esto no es cierto, es decir, que x AC . Como
A es cerrado, existe > 0 tal que B(x, ) AC . Sin embargo, de la definicion de convergencia,
existe k0 N tal que xk B(x, ) para todo k k0 , lo que implica que xk AC . Esto es una
contradicci
on pues xk A para todo k N.
(): Para demostrar la recproca probemos la contrarrecproca. Es decir, si A no es cerrado entonces existe una sucesi
on {xk }kN A que converge a x y tal que x 6 A.
Como A no es cerrado, AC no es abierto, entonces existe un punto x AC tal que
Para todo > 0 se tiene B(x, ) A 6=
Esta proposici
on nos permite construir una sucesion {xk } A de la siguiente manera: para cada
k N tomamos = k1 entonces, como B(x, 1/k) A 6= , podemos elegir xk B(x, k1 ) y xk A.
Por definici
on esta sucesi
on converge a x, concluyendo la demostracion pues x 6 A.

Continuando con nuestra discusi
on sobre la topologa de Rn hacemos algunas nuevas definiciones.
Definici
on 1.12. Sea A Rn . Entonces:
1. x A se dice punto interior de A si: ( > 0), B(x, ) A.
2. x Rn se dice punto adherente de A si: ( > 0), B(x, ) A 6= .
3. x Rn se dice punto de acumulacion de A si: ( > 0), (B(x, ) \ {x}) A 6= .
4. x Rn se dice punto frontera de A si: ( > 0), B(x, ) A 6= B(x, ) AC 6= .
Observamos que un punto adherente de A no necesita estar en A, as mismo un punto de acumulaci
on y un punto frontera no necesitan estar en A.
Definici
on 1.13. Dado A Rn se definen los siguientes conjuntos:
1. Interior de A: int(A) = {x A : x es punto interior de A}.
2. Adherencia de A: adh(A) = {x Rn : x es punto adherente de A}.
3. Derivado de A: der(A) = {x Rn : x es punto de acumulacion de A}.
4. Frontera de A: A = fr(A) = {x Rn : x es punto frontera de A}.
Nota 1.3. int(A) A y A adh(A).
Ejemplo 1.6. En R sea A = [1, 2) {3}. Entonces: der(A) = [1, 2], int(A) = (1, 2), adh(A) =
[1, 2] {3} y fr(A) = {1, 2, 3}.
Se obtiene de las definiciones la siguiente proposicion:
Proposici
on 1.5. A es abierto si y s
olo si A = int(A) y A es cerrado si y solo si A = adh(A).
11
Ejemplo 1.7. Demuestre que x adh(A) si y solo si existe una sucesion {xk }k A tal que
lmk xk = x.
Soluci
on.linea en blanco
() Sea x adh(A), entonces se tiene que
B(x, ) A 6= > 0
Tomando de la forma = 1/k, se obtiene que:
B(x, 1/k) A 6= k N
lo que implica que para todo k N existe un vector xk perteneciente a B(x, 1/k) A. Entonces,
{xk } est
a contenida en A y lmk xk = x.
() Sea x Rn para el cual existe {xk }k A tal que lmk xk = x. Esto quiere decir que:
( > 0)(k0 N)(k k0 ) : kxk xk <
lo que es equivalente a
( > 0)(k0 N)(k k0 ) : xk B(x, )
Pero xk A, entonces > 0 B(x, ) A 6= , lo cual es la definicion de x adh(A).
Con este ejemplo terminamos esta breve introducion a la topologa de Rn y estamos en condiciones
de presentar la noci
on de lmite de una funcion.
1.5. Lmites y continuidad

1.5.1. Lmite de funciones de Rn en Rm
Definici
on 1.14. Sea f : A Rn Rm y a der(A). Entonces decimos que b es el lmite de f
cuando x tiende a a y escribimos lm f (x) = b si
xa
( > 0)( > 0) tal que (0 < kx ak ) (x A) kf (x) bk

Nota 1.4. En la anterior definici
on pedimos que a der(A) para que siempre haya puntos cerca
de a.
A continuaci
on desarrollaremos dos ejemplos en los cuales debemos efectivamente demostrar el
valor de un cierto lmite. Para ello es necesario dar una formula que permita determinar dado .
Ejemplo 1.8. Demuestre usando la definicion de lmite que
lm
(x2 1) = 0
(x,y)(1,1)
Soluci
on. En primer lugar veamos que si
k(x, y) (1, 1)k
1.5. LIMITES Y CONTINUIDAD
12
entonces necesariamente se cumple que
|x 1| e |y 1|
por ende,
|x 1| y |x + 1| + 2
(*)
|f (x) b| = |x2 1| = |x 1||x + 1|
(**)
Adem
as, en este caso
As, para cualquier > 0 podemos elegir > 0 que satisfaga

( + 2)
Entonces, si k(x, y) (1, 1)k , usando (*) y (**) se obtiene que
|f (x) b| ( + 2)

El ejemplo anterior es bastante simple. La dificultad puede aumentar cuando la funcion f es mas
complicada, por ejemplo si es un cuociente.
Ejemplo 1.9. Demuestre usando la definicion que
x2
=4
(x,y)(2,1) x y
lm
Soluci
on. Partimos como en el ejemplo anterior viendo que si
k(x, y) (2, 1)k
entonces se tiene directamente que
|x 2| e |y 1|
Por otro lado, un desarrollo algebraico simple nos lleva a lo siguiente
2

x
|x2 4x + 4y|
|(x 2)2 + 4(y 1)|

|f (x) b| =
4 =
=
xy
|x y|
|x y|
(*)
(**)
Observamos aqu dos hechos relevantes. Primero, en el numerador tenemos una expresion que
depende esencialmente de |x 2| y |y 1|, cantidades controladas por , seg
un (*). Segundo, en
el denominador tenemos |x y|, que es una cantidad que podra hacerse muy peque
na o incluso
anularse si uno no es cuidadoso.
Para tratar este u
ltimo termino procedemos en una primera etapa encontrando un valor 1 medio,
que si bien no nos permitir
a acotar por nos permitira controlar |x y|. Esta cantidad no se anula
en (2, 1), de aqu vemos que si elegimos 1 = 1/4, por ejemplo, entonces trabajando un poco las
desigualdades de (*) podemos concluir que
|x y| >
1
2
(***)
13
Supongamos ahora que se satisface (***), entonces de (*) y (**) obtenemos que
|f (x) b| =
|(x 2)2 + 4(y 1)|

2|(x 2)2 + 4(y 1)|
|x y|
De aqu, usando nuevamente (*) podemos acotar mejor

|f (x) b| 2|x 2|2 + 8|y 1| 2 2 + 8 2 + 8 = 10
Pues para < 1 se tiene que 2 . Entonces, dado > 0, para que se cumpla |f (x) b|
. Sin embargo recordemos que lo anterior sera cierto solamente si se satisface

podemos elegir 2 = 10
(***), para lo cual necesitamos que 41 . Por lo tanto, para asegurarnos que todos los argumentos
} y se cumplira que
anteriores sean v
alidos, elegimos = mn{ 41 , 10
2

x

k(x, y) (2, 1)k
4
xy

Ejemplo 1.10. Demostrar que
sen(x2 + y 2 )
=1
x2 + y 2
(x,y)(0,0)
lm
Soluci
on. Del curso de C
alculo sabemos que
lm
sen()
=1
Entonces, dado > 0 existe 1 > 0 tal que

sen()

1
|| 1
Elijamos ahora =
1 . Entonces k(x, y) (0, 0)k implica que |x2 + y 2 | 1 y entonces

sen(x2 + y 2 )

1
x2 + y 2

Nota 1.5. Notamos que una manera equivalente de escribir la nocion de lmite es la siguiente:
para toda bola abierta B(b, ) existe una bola abierta B(a, ) tal que
x (B(a, ) \ {a}) A f (x) B(b, )
o equivalentemente
f ((B(a, ) \ {a}) A) B(b, )
Ahora vamos a desarrollar el concepto de lmite estudiando sus principales propiedades. En toda
esta secci
on hacemos notar la analoga que se tiene con el curso de Calculo, donde se estudio
el concepto de lmite y continuidad para funciones de una variable real. Es sorprendente que la
mayora de las proposiciones que veremos a continuacion tienen una demostracion que se obtiene
de la an
aloga de C
alculo reemplazando | | por k k.
14
Proposici
on 1.6. (Unicidad del lmite)
Sea f : A Rn Rm y a der(A). Si
lm f (x) = b1 y lm f (x) = b2
xa
xa
Entonces b1 = b2 .
Demostraci
on. Por hip
otesis, dado > 0 existen 1 > 0 y 2 > 0 tales que
(kx x0 k 1 x A) kf (x) b1 k
(kx x0 k 2 x A) kf (x) b2 k
Entonces, si kx ak mn{1 , 2 } se tendra que
kb1 b2 k = k(f (x) b1 ) (f (x) b2 )k kf (x) b1 k + kf (x) b2 k 2
Como puede ser arbitrariamente peque
no, debemos tener que b1 = b2 .
on es muy u
til para estudiar la existencia de un determinado lmite. Se usa
principalmente para mostrar que una cierta funcion no tiene lmite.
Proposici
on 1.7. Sea f : A Rn Rm y a der(A) tal que lm f (x) = b. Entonces para todo
xa
B A tal que a der(B) se tiene que

lm f |B (x) = b
xa
Demostraci
on. Propuesto.
La contrarrecproca nos da el siguiente corolario

Corolario 1.1. Sea f : A Rn Rm , a der(A) y B1 , B2 A, de manera que a der(B1 )
der(B2 ). Si uno de los lmites lm f |B1 (x)
o lm f |B2 (x) no existe o si lm f |B1 (x) 6= lm f |B2 (x)
xa
xa
xa
xa
entonces el lmite
lm f (x) = b
xa
no existe.
Ejemplo 1.11. Se trata de estudiar el siguiente lmite
lm
(x,y)(0,0)
x
x+y
Soluci
on. Notemos en primer lugar que f (0, 0) no esta definida, sin embargo esto no tiene importancia alguna. Lo que s importa es que (0, 0) der(R2 \ {(0, 0)}) y que f esta definida en
R2 \ {(0, 0)}. Si consideramos los conjuntos A = {(0, y) : y 6= 0} y B = {(x, 0) : x 6= 0} entonces
tenemos que
lm
f |A (x, y) = 0 y
lm
f |B (x, y) = 1
(x,y)(0,0)
(x,y)(0,0)
Concluimos entonces que el lmite bajo estudio no existe, en virtud del corolario.
Nota 1.6. En los ejemplos anteriores hemos considerado solamente funciones a valores reales, es
decir, con espacio de llegada R. Esto queda justificado en la siguiente proposicion.
15
Proposici
on 1.8. Sea f : A Rn Rm . Entonces:
lm f (x) = b
xa
(i = 1, . . . , m) lm fi (x) = bi
xa
Aqu fi es la i-esima funci

on coordenada y bi is la i-esima coordenada de b.
Demostraci
on. linea en blanco
(): Propuesto.
(): Dado > 0, por hip
otesis, para
cualquier i = 1, 2, ..., m existe i > 0 tal que kx x0 k i
y x A implica que |fi (x) bi | / m. Entonces, si elegimos = mn{1 , ..., m }, tenemos que
kx x0 k y x A implica
m
X
(fi (x) bi )2 < m
i=1
2
= 2
m
de donde kf (x) bk .
Los siguientes tres teoremas resumen las propiedades importantes de los lmites.
Teorema 1.11. Sean f, g : A Rn Rm y a der(A). Si existen los lmites lm f (x) = b1 y
xa
lm g(x) = b2 , entonces los siguientes lmites existen y pueden calcularse como sigue:
xa
lm (f + g)(x) = lm f (x) + lm g(x) = b1 + b2
xa
xa
(1.1)
xa
Si R,
lm (f )(x) = lm f (x) = b1
xa
(1.2)
xa
Demostraci
on. Demostraremos una a una las propiedades:
1. Dado > 0, como f y g tienen lmite en a, existen 1 , 2 > 0 tales que
kg(x) b2 k
2
x A, kx ak 1 kf (x) b1 k
x A, kx ak 2
Definiendo = mn{1 , 2 } se obtiene:
x A, kx ak
k(f + g)(x) (b1 + b2 )k kf (x) b1 k + kg(x) b2 k

+ =
2 2
2. Si = 0 el resultado es trivial. Si 6= 0, dado > 0 como f tiene lmite en a, existe > 0

tal que
x A, kx ak kf (x) b1 k
||
lo que es equivalente a kf (x) b1 k lo que concluye la demostracion.
16
Teorema 1.12. Sean f : A Rn Rm y g : f (A) Rm Rp . Si existen los lmites xa

lm f (x) =
xA
by
lm g(y) = c, entonces existe el lmite
yb
yf (A)
lm
(g f )(x) = c
xa, xA
(1.3)
Demostraci
on. Dado > 0, como el lmite de g en b existe, entonces existe un valor > 0 tal que
(ky bk y f (A)) kg(y) ck
y como el lmite de f en a existe, entonces existe un valor > 0 tal que
(kx ak x A) kf (x) bk
De estos dos resultados se concluye (usando y = f (x))
(kx ak x A) kg(f (x)) ck
por lo que g f tiene lmite en a.
Teorema 1.13. Sean f, g : A Rn R. Si existen los lmites lm f (x) = b1 y lm g(x) = b2 ,

xa
xa
entonces los siguientes lmites existen y pueden calcularse como sigue:
lm (f g)(x) = lm f (x) lm g(x)
(1.4)

1
1
(x) =
xa f
lmxa f (x)
(1.5)
xa
xa
xa
Si f (a) 6= 0
lm
Demostraci
on. Demostraremos una a una las propiedades y utilizaremos los dos teoremas anteriores.
1. Como (f g)(x) = 12 [(f + g)2 f 2 g 2 ](x), para demostrar la existencia del lmite de f g en
a, la demostraci
on se reduce al hecho de que el cuadrado de una funcion cuyo lmite existe
en a tambien tiene lmite en a.
Debemos demostrar f 2 tiene lmite en a. Como f 2 es la composicion de f : A Rn R con
g : R R definida por g(y) = y 2 , y como el lmite de ambas funciones existe en a y f (a)
respectivamente, f 2 tiene lmite en a.
2. Siguiendo el desarrollo de la parte anterior, tenemos que 1/f es la composicion de f : A
Rn R con g : R \ {0} R, definida por g(y) = 1/y, cuyos lmites existen en a y f (a)
respectivamente.
17
1.5.2. Continuidad de funciones de Rn en Rm

Ahora que hemos estudiado el concepto de lmite estamos preparados para introducir el concepto
de continuidad de una funci
on.
Definici
on 1.15. Sea f : A Rn Rm y sea x A. Decimos que f es continua en x si:
( > 0)( > 0) tal que [y A kx yk ] kf (x) f (y)k
o equivalentemente
( > 0)( > 0) tal que f (B(x, ) A) B(f (x), )
Definici
on 1.16. Sea f : A Rn Rm y sea x0 A. Decimos que f es continua en A si:
(x A)( > 0)( > 0) tal que [y A kx yk ] kf (x) f (y)k
o equivalentemente f es continua en todo punto de A.
Nota 1.7. Si x0 A es un punto aislado de A, es decir, x0 A \ der(A) entonces f es obviamente
continua en x0 .
Si x0 der(A) entonces f es continua en x0 si y solo si
lm f (x) = f (x0 )
xx0
Como consecuencia de la observaci

on anterior y de la proposicion 1.8 se tiene que f : A Rn Rm
es continua en x0 A si y s
olo si fi es continua en x0 , para todo i = 1, . . . , m.
Como consecuencia de los teoremas 1.11, 1.12 y 1.13 tenemos tambien tres resultados sobre funciones continuas cuya demostraci
on es analoga a lo que ya vimos sobre lmites.
Teorema 1.14. Sean f, g : A Rn Rm , x0 A y R. Entonces:
1. f continua en x0 implica f continua en x0 .
2. f y g continuas en x0 implica f + g continua en x0 .
Demostraci
on. Propuesto.

n
Teorema 1.15. Sean f : A R R , g : B R

y g continuas en x0 implica g f continua en x0 .
R , con f (A) B y x0 A. Entonces f
Demostraci
on. Sea > 0. Como g es continua en f (x0 ) existe > 0 tal que:
y B, ky f (x0 )k kg(y) g(f (x0 ))k
Por otro lado, de la continuidad de f en x0 sabemos que existe > 0 tal que:
x A, kx x0 k kf (x) f (x0 )k
Juntando estas dos proposiciones y tomando y = f (x) se tiene que existe > 0 tal que
x A, kx x0 k f (x) B, kf (x) f (x0 )k
kg(f (x)) g(f (x0 ))k
Es decir:
kx x0 k kg f (x) g f (x0 )k
1.6. DIFERENCIABILIDAD DE FUNCIONES DE RN A RM
18
Teorema 1.16. Sean f, g : A Rn R y x0 A. Entonces f y g continuas en x0 implica f g

continua en x0 . Agregando el supuesto f (x0 ) 6= 0, f continua en x0 implica f1 continua en x0 .
Demostraci
on. Propuesto.

2
x
2
Ejemplo 1.12. La funci
on f (x, y) = ( 1+y
2 , x + y, y sen(x)) es continua en todo punto de R .
Soluci
on. En efecto, sus tres componentes son continuas en todo R2 :
2
x
2
f1 (x, y) = 1+y
lo es, al igual que g(y) = 1 + y 2 la cual ademas no se anula.
2 lo es pues f (x) = x
1
1
en es continua, y nuevamente por el teorema
Entonces, por el teorema anterior g(y) = 1+y
2 tambi
2 1
anterior x 1+y2 es continua.
f2 (x, y) = x + y es evidentemente continua pues f (x) = x e g(y) = y son continuas y la suma de

funciones continuas es continua.
f3 (x) = sen(x) es continua, g(y) = y tambien lo es, luego por el teorema anterior y sen(x) es
continua.
La idea es que con la ayuda de los teoremas 1.14, 1.15 y 1.16 podamos determinar por inspeccion
cuando una funci
on es continua, por ser una combinacion de funciones continuas conocidas.

Ejemplo 1.13. f (x, y, z, t) = sen(t(x2 + y 2 + z 2 )) es continua en todo punto de R4 .
Definici
on 1.17. Diremos que A Rn es una vecindad de x0 Rn si x0 A y A es abierto.
on da una caracterizacion de la continuidad en terminos de vecindades. Notar
que la bola abierta B(x, r) es una vecindad de x.
Proposici
on 1.9. f : A Rn Rm es continua en x0 Rn si y solo si para toda vecindad
n
U R de f (x0 ) existe una vecindad V Rn de x0 tal que f (V A) U.
Demostraci
on. linea en blanco
(): Sea U una vecindad de f (x0 ). Entonces existe > 0 tal que B(f (x0 ), ) U . Usando ahora
la continuidad de f en x0 , para este > 0 existe > 0 tal que
kx x0 k y x A kf (x) f (x0 )k
Es decir
x B(x0 , ) y x A f (x) B(f (x0 ), )
Si definimos V = B(x0 , ), que es una vecindad de x0 , obtenemos de aqu que
f (B(x0 , ) A) = f (V A) U
(): Esta implicancia queda propuesta.
1.6. Diferenciabilidad de funciones de Rn a Rm

Consideremos f : A Rn R y x = (x1 , . . . , xj , . . . , xn ) A, donde el conjunto A se supone
abierto a fin de evitar dificultades con eleccion de la direccion sobre la cual definir el concepto de
derivada parcial. Para 1 j n fijo, definimos la funcion:
:R
h 7 f (x + hej )
19
donde ej es el elemento j-esimo de la base canonica de Rn . Notamos que x+hej = (x1 , . . . , xj1 , h+
xj , xj+1 , . . . , xn ). A esta funci
on, siendo de R en R, le podemos aplicar la teora de diferenciabilidad
desarrollada en el curso de C
alculo.
Definici
on 1.18. Llamaremos derivada parcial de f con respecto a xj en x Rn a
f
(h) (0)
f (x + hej ) f (x)
(x) = lm
= lm
,
h0
h0
xj
h
h
cuando dicho lmite existe. Si la derivada parcial de f con respecto a xj existe en todo punto de
A, entonces ella define una funci
on
f
: A Rn R
xj
Nota 1.8. Como una derivada parcial es una derivada de una funcion de R en R, uno puede usar
todas las reglas de derivaci
on estudiadas en Calculo.
Ejemplo 1.14. Calcular la derivada parcial de la funcion f con respecto a x para
f (x, y) = x4 y + sen(xy)
Soluci
on. Haciendo uso de la nota anterior tenemos que
f
(x) = 4x3 y + cos(xy)y
x

Ejemplo 1.15. Calcular la derivada parcial de la funcion f con respecto a x para f (x, y) =
xy
.
2
2
x +y
Soluci
on. Para esto notamos que si (x, y) 6= (0, 0) entonces
f
y3
(x) =
3
x
(x2 + y 2 ) 2
Si definimos f (0, 0) = 0 entonces podemos calcular tambien la derivada parcial de f con respecto
a x en (0, 0). Aqu usamos la definicion
f
f (h, 0) f (0, 0)
0
(0, 0) = lm
= lm = 0
h0
h0
x
h
h

En la noci
on de diferenciabilidad hay dos aspectos a considerar: el aspecto analtico y el aspecto
geometrico. Parece atractivo y simple definir una funcion diferenciable en un punto como una
funci
on que posee todas sus derivadas parciales en dicho punto. Sin embargo esta condicion no
es suficiente para producir una buena definicion, pues nos gustara que al menos se cumplan las
siguientes propiedades:
1. Criterio geometrico. Si f es diferenciable en un punto entonces es pueda definir un plano
tangente al grafo de la funci
on en dicho punto.
20
2. Criterio analtico. La composici

on de funciones diferenciables debe ser diferenciable.
Ejemplo 1.16. El siguiente ejemplo ilustra la importancia de los requisitos anteriores. Conside1
1
remos la funci
on definida por f (x, y) = x 3 y 3 . Calculando las derivadas parciales por definicion
obtenemos que estas existen y son
f
f
(0, 0) =
(0, 0) = 0
x
y
Uno esperara que el plano tangente a la funcion f en el punto (0, 0, 0) estuviese dado por la
ecuaci
on z = 0, para ser consecuentes con el valor de las derivadas parciales de f en el (0, 0). Sin
embargo, este plano no puede ser tangente al grafo de la funcion en (0, 0), pues sobre la recta y = x
el grafo de f tiene pendiente infinita en el origen.
Por otro lado, g : R R2 definida por g(x) = (x, x) es diferenciable en cero con g10 (0) = g20 (0) = 1,
2
pero f g(x) = x 3 no es diferenciable en 0.
Concluimos de este ejemplo que la noci
on de diferenciabilidad debe involucrar algo mas que la sola
existencia de las derivadas parciales en el punto.
Veamos ahora el aspecto geometrico en R2 para motivar la definicion en general. Supongamos que
queremos ajustar un plano tangente al grafo de f : R2 R en el punto (x0 , y0 , f (x0 , y0 )) G(f ).
Es decir queremos encontrar un plano en R3 que pase por el punto y que tenga la misma inclinacion
que el grafo de f en el punto.
Para esto consideremos un plano generico z = a + bx + cy y deduzcamos de las condiciones que
mencionamos antes el valor de las constantes a, b y c. En primer lugar queremos que (x0 , y0 , z0 )
pertenezca al plano tangente, entonces
f (x0 , y0 ) = z0 = a + bx0 + cy0
Fijando la variable x0 se debera tener que las recta z = a + bx0 + cy debe ser tangente al grafo de
z = f (x0 , y) en el punto y0 . Esto implica que
f
(x0 , y0 ) = b
x
De manera an
aloga
f
(x0 , y0 ) = c
y
Es decir, el plano buscado es
z = f (x0 , y0 ) +
f
f
(x0 , y0 )(x x0 ) +
(x0 , y0 )(y y0 )
x
y
Definici
on 1.19. Sea f : A R2 R, A abierto y (x0 , y0 ) A. Decimos que f es diferenciable
f
en (x0 , y0 ) si existen las derivadas parciales f
mite
x (x0 , y0 ) y y (x0 , y0 ) y el l
lm
(x,y)(x0 ,y0 )
existe.
|f (x, y) f (x0 , y0 )
f
x (x0 , y0 )(x
x0 )
k(x, y) (x0 , y0 )k
f
y (x0 , y0 )(y
y0 )|
=0
21
Intuitivamente estamos pidiendo a f , para que sea diferenciable, que su grafo y el plano tangente al
grafo en el punto esten muy cerca, tan cerca que incluso al dividir su distancia por k(x, y)(x0 , y0 )k
la fracci
on todava es peque
na.
Vamos ahora al caso general:
Definici
on 1.20. Sea f : A Rn Rm , A abierto y x0 A. Entonces, si todas las derivadas
parciales de todas las funciones coordenadas existen en x0 , podemos definir una matriz Df (x0 )
Mmn (R) como
fi
(Df (x0 ))ij =
(x0 )
xj
Esta matriz se conoce como matriz Jacobiana o Diferencial de f en x0 .
Definici
on 1.21. Sea f : A Rn Rm , A abierto y x0 A. Decimos que f es diferenciable en
fi
(x0 ) existe y
x0 si para todo i = 1, . . . , m y para todo j = 1, . . . , n x
j
lm
xx0
kf (x) f (x0 ) Df (x0 )(x x0 )k

=0
kx x0 k
(1.6)
Usualmente la condici
on (1.6) se escribe de manera equivalente como
kf (x0 + h) f (x0 ) Df (x0 )hk
=0
h0
khk
lm
(1.7)
Nota 1.9. En vista de la proposici

on 1.8 tenemos que una funcion f : A Rn Rm es diferenciable en x0 A si y s
olo si cada una de las funciones componentes fi : A Rn R es diferenciable
en x0 A.
La diferenciabilidad tiene que ver con la posibilidad de aproximar la funcion f (x) por una funci
on
lineal afn L(x) = f (x0 ) + Df (x0 )(x x0 ) cerca de x0 . En ocasiones L se llama aproximacion de
primer orden de f en x0 . Como ya vimos en el caso de n = 2 y m = 1, lo anterior se interpreta
geometricamente como la posibilidad de ajustar el plano tangente al grafo de f en x0 .
Ejemplo 1.17. Encuentre el plano tangente al grafo de f (x, y) = x2 + y 2 en el punto (1, 1).
Soluci
on. Calculamos las derivadas parciales en (1, 1)
f
(1, 1) = 2x|(1,1) = 2
x
f
(1, 1) = 2y|(1,1) = 2
y
Entonces el plano tangente tiene por ecuacion

z = 2 + 2(x 1) + 2(y 1)
es decir
z = 2 + 2x + 2y

1.6.1. Aproximaci
on de primer orden
Si f : A Rn Rm es una funci
on diferenciable en x0 A. Entonces la funcion lineal afn
L(h) = f (x0 ) + Df (x0 )h
22
es una aproximaci
on de la funci
on f (x0 + h) cerca de h = 0. No solo f (x0 + h) y L(h) son muy
parecidas, sino que adem
as
f (x0 + h) L(h)
lm
=0
(1.8)
h0
khk
h6=0
En el caso m = 1 y n = 2 tenemos que

L(h) = L(h1 , h2 ) = f (x0 , y0 ) +
f
f
(x0 , y0 )h1 +
(x0 , y0 )h2
x
y
aproxima a f al primer orden cerca de (x0 , y0 ).

Ejemplo 1.18. Encuentre una aproximacion de primer orden para la funcion f : R2 R definida
por f (x, y) = x cos(y) + exy , cerca del punto (x0 , y0 ) = (1, ).
Soluci
on. Tenemos f (1, ) = 1 + e y
f
(1, )
x
f
(1, )
y
= 1 + e
= e
As la aproximaci
on de primer orden es
f (1 + a, + b) 1 + e + (1 + e )a + e b

Nota 1.10. En general, los vectores de Rn deberan considerarse como vectores columna. De esta
manera la matriz Jacobiana y el producto Df (x0 )h, h Rn tienen sentido. Sin embargo, cuando
esto no lleve a confusi
on, muchas veces escribiremos los vectores de Rn como vectores fila, por
economa notacional.
1.6.2. Gradiente de una funci
on
Definici
on 1.22. La matriz Jacobiana de una funcion de Rn en R es una matriz de 1 n

f
f
f
Df (x0 ) =
(x0 )
(x0 ) . . .
(x0 )
x1
x2
xn
Es costumbre identificar esta matriz con un vector de Rn llamado gradiente de f en x0 . As

T
f
f
f (x0 ) =
(x0 ), . . . ,
(x0 )
x1
xn
Con esta notaci
on la aproximaci
on lineal tiene la siguiente forma
L(x) = f (x0 ) + f (x0 ) (x x0 )
1.6.3. Relaci
on entre continuidad y diferenciabilidad
A continuaci
on abordamos la relaci
on entre continuidad y diferenciabilidad. Al igual que en el
caso de las funciones de una variable, la diferenciabilidad es un concepto mas fuerte que el de
23
continuidad, en el sentido que, toda funcion diferenciable en un punto es tambien continua en

dicho punto. Pero la relaci
on no termina all. Si bien la mera existencia de las derivadas parciales de
una funci
on en un punto no garantiza su diferenciabilidad, en el caso que esas derivadas parciales
existen y son continuas en una vecindad de dicho punto entonces s hay diferenciabilidad de la
funci
on.
Comencemos extendiendo la desigualdad de Cauchy-Schwarz al producto de una matriz por un
vector. Sea A una matriz en Mmn (R) y x Rn . Entonces, usando la desigualdad de CauchySchwarz obtenemos
m
n
m
n
n
m X
n
X
X
X
X
X
X
kAxk2 =
aij xj
a2ij
x2j =
a2ij kxk2
(1.9)
i=1
j=1
i=1
j=1
j=1
i=1 j=1
Definici
on 1.23. La desigualdad 1.9 sugiere definir la norma de una matriz A Mmn (R) como
v
uX
n
um X
a2ij
(1.10)
kAk = t
i=1 j=1
(1.10) se conoce como norma Frobenius.

Podemos resumir esto en la siguiente proposicion
Proposici
on 1.10. Si A Mmn (R) y x Rn entonces
kAxk kAk kxk
Teorema 1.17. Sea f : A Rn Rm y x0 A. Entonces
f es diferenciable en x0 f es continua en x0
Demostraci
on. Si f es diferenciable en x0 entonces existe la matriz Jacobiana de f en x0 y
lm
xx0
kf (x) f (x0 ) Df (x0 )(x x0 )k

=0
kx x0 k
As dado > 0, existe 1 > 0 tal que si kx x0 k < 1 entonces:

kf (x) f (x0 ) Df (x0 )(x x0 )k < kx x0 k
Entonces, usando la desigualdad triangular y la proposicion 1.10, obtenemos
kf (x) f (x0 )k kx x0 k + kDf (x0 )(x x0 )k ( + kDf (x0 )k)kx x0 k
De esta manera, si elegimos = min{1 , /( + kDf (x0 )k)} obtenemos
kx x0 k < kf (x) f (x0 )k <
es decir, f es continua en x0 .
Corolario 1.2. Si f es diferenciable en x0 entonces existen y K tales que

kx x0 k <
kf (x) f (x0 )k Kkx x0 k
24
Demostraci
on. Basta tomar = 1 y K = 1 + kDf (x0 )k en la demostracion del teorema.
Retomaremos esta propiedad cuando veamos mas adelante el teorema del valor medio.
Continuando con la relaci
on entre diferenciabilidad y continuidad consideremos una funcion f :
A Rn Rm y x0 A. Supongamos que las derivadas parciales de f existen no solo en x0 sino
que en una vecindad de V A de x0 . Entonces estas definen funciones
fi
fi
: V R tal que x 7
(x)
xj
xj
El siguiente teorema nos da una condicion suficiente para que una funcion f sea diferenciable en
x0 .
Teorema 1.18. Sea f : A Rn Rm tal que sus derivadas parciales existen en una vecindad de
x0 y son continuas en x0 . Entonces f es diferenciable en x0 .
Para la demostraci
on vamos a utilizar el teorema 1.7.
Demostraci
on. En vista de la nota 1.9, basta demostrar el teorema para m = 1. La demostracion
en el caso general para n es an
aloga al caso n = 2. Haremos la demostracion para el caso n = 2 y
el caso general quedar
a propuesto.
Consideremos
f (x0 + h) f (x0 ) =
f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 ) + f (x01 + h1 , x02 ) f (x01 , x02 )
Fijemos x01 + h1 y supongamos que h2 > 0. Definamos la funcion g : [0, h2 ] R como g(s) =
f (x01 + h1 , x02 + s). Como la derivada parcial con respecto a y existe en una vecindad de x0 , si
h es peque
no, la funci
on g es derivable en [0, h2 ]. Entonces, aplicando el teorema del valor medio
(teorema 1.7) a g existe c2 [x02 , x02 + h2 ] tal que
f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 ) =
f
(x01 + h1 , x02 + c2 )
x2
Si h2 < 0 entonces se define g en [h2 , 0] y se procede de manera analoga. Notemos que en cualquier
caso |c2 | < |h2 | khk.
Por el mismo argumento, fijando ahora x02 se tendra que existe c1 tal que |c1 | < |h1 | khk y
f (x01 + h1 , x02 ) f (x01 , x02 ) =
f
(x01 + c1 , x02 )
x1
Y as, si anotamos x1 = (x01 + c1 , x02 ) y x2 = (x01 + h1 , x02 + c2 ) tenemos

f (x0 + h) f (x0 ) =
f
f
(x1 )h1 +
(x )h2
x1
x2 2
y de aqu

f (x0 + h) f (x0 ) Df (x0 )h =

f
f
f
f
(x1 )
(x0 ) h1 +
(x2 )
(x0 ) h2
x1
x1
x2
x2
(*)
25
Usemos ahora la continuidad de las derivadas parciales en x0 . Dado > 0 existe 1 > 0 tal que

f

f
kx x0 k < 1
(x)
(x0 ) <
x1
x1
2
y existe 2 > 0 tal que

f

f

kx x0 k < 2
(x)
(x0 ) <
x2
x2
2
Eligiendo = min{1 , 2 }, si khk < entonces para k = 1, 2,
kxk x0 k = |ck | < |hk | khk <
y as

f
f

(x
)
(x
)
0 <
xj k
xj
2
Usando la desigualdad de Cauchy-Schwarz en la ecuacion (*), se obtiene
s
2
2
f
f
f
f
|f (x0 + h) f (x0 ) Df (x0 )h|
(x )
(x0 ) +
(x )
(x0 ) khk
x1 1
x1
x2 2
x2
de donde
r
|f (x0 + h) f (x0 ) Df (x0 )h|
2
2
+
khk = khk
2
2
Definici
on 1.24. f se dice de clase C 1 en x0 A si f es diferenciable en x0 y todas las derivadas
parciales de f son continuas en x0 .
Definici
on 1.25. f : A Rn Rm se dice diferenciable en A si f es diferenciable en cada punto
de A. f se dice de clase C 1 en A si f es diferenciable en A y todas sus derivadas parciales son
continuas en A.
xy
Ejemplo 1.19. f (x, y) = cos(x)+e

es diferenciable en cada punto (x, y) 6= (0, 0) pues
x2 +y 2
existen y son continuas en cualquier punto distinto del (0, 0).
f
x
f
y
Ejemplo 1.20. Las derivadas parciales de la funcion f (x, y) = x1/3 y 1/3 estudiada anteriormente
no estan definidas en una vecindad del origen, menos pueden ser continuas.
Volvemos ahora a la idea de aproximacion que lleva el concepto de diferenciabilidad. Vimos que si
f es diferenciable en un punto x0 entonces la funcion lineal afn L(h) = f (x0 )+Df (x0 )h aproxima
a f en primer orden. Nos interesa ahora la recproca.
Teorema 1.19. Sea f : A Rn Rm una funci
on continua en x0 A y L una funci
on lineal
afn, L(h) = a + Bh con a Rm y B Mmn (R). Supongamos que
kf (x0 + h) L(h)k
=0
h0
khk
lm
Entonces a = f (x0 ) y B = Df (x0 ) y f es diferenciable en x0 .
(1.11)
26
Demostraci
on. Por hip
otesis
lm
h0
kf (x0 + h) L(h)k
=0
khk
entonces se tiene en particular que

lm f (x0 + h) a Bh = 0
h0
Como f es continua en x0 , esto implica que f (x0 ) = a.

Por otra parte, para cada 1 j n, tenemos de la hipotesis que se cumple lo siguiente (en este
lmite h es un n
umero real y hej un vector que tiende a cero)
lm
h0
kf (x0 + hej ) f (x0 ) Bhej k

=0
khej k
es decir,
f (x0 + hej ) f (x0 )
= Bej
h
As, las derivadas parciales de las funciones coordenadas con respecto a xj existen y son iguales
a la columna j-esima de B. De aqu B = Df (x0 ). Reemplazando estos valores en la hipotesis,
tenemos que f es diferenciable en x0 .

lm
h0
Este teorema dice que cuando existe una aproximacion lineal de primer orden esta es u
nica. Es un
teorema de unicidad. Por otra parte este teorema es muy u
til para demostrar la diferenciabilidad
de una cierta funci
on. La idea es que uno tiene una matriz B que es candidata a ser la matriz
Jacobiana de f . Con dicha matriz uno demuestra (1.11). y concluye la diferenciabilidad.
El siguiente es un teorema que permite combinar funciones diferenciables.
Teorema 1.20. Sean f, g : A Rn Rm , x0 A funciones tales que Df (x0 ) y Dg(x0 ) existen,
entonces
1. D(f + g)(x0 ) existe y se tiene
D(f + g)(x0 ) = Df (x0 ) + Dg(x0 )
(1.12)
2. Si R, D(f )(x0 ) existe y se tiene

D(f )(x0 ) = Df (x0 )
(1.13)
3. Si m = 1, D(f g)(x0 ) existe y se tiene

D(f g)(x0 ) = g(x0 )Df (x0 ) + f (x0 )Dg(x0 )
(1.14)
4. Si m = 1 y f (x0 ) 6= 0, D(1/f )(x0 ) existe y se tiene

D(1/f )(x0 ) =
1
f 2 (x
0)
Df (x0 )
Demostraci
on. Veamos una a una las propiedades:
1. (1.12) y (1.13) son consecuencia directa de la definicion de diferenciabilidad.
(1.15)
27
2. Una forma de demostrar (1.14) es simplemente ver que se cumpla la ecuacion (1.11). Es decir,
(f g)(x0 + h) (f g)(x0 ) [g(x0 )Df (x0 ) + f (x0 )Dg(x0 )]h
khk

f (x0 + h)[g(x0 + h) g(x0 ) Dg(x0 )h]
= lm
h0
khk

g(x0 )[f (x0 + h) f (x0 ) Df (x0 )h]
[f (x0 + h) f (x0 )]Dg(x0 )h
+
+
khk
khk
g(x0 + h) g(x0 ) Dg(x0 )h
= lm f (x0 + h) lm
h0
h0
khk
f (x0 + h) f (x0 ) Df (x0 )h
Dg(x0 )h
+ g(x0 ) lm
+ lm [f (x0 + h) f (x0 )]
=0
h0
h0
khk
khk
lm
h0
Como ya vimos para la aproximacion de primer orden, tenemos que el u

ltimo lmite se anula
ya que Dg(x0 )h/khk es acotado y [f (x0 + h) f (x0 )] tiende a cero.
3. Para demostrar 1.15, nuevamente debemos verificar que se cumple (1.11).
1
f (x0 +h)
1
f (x0 )
Df (x0 )h
[f (x0 )]2
f (x0 )2 f (x0 + h)f (x0 ) + f (x0 + h)Df (x0 )h

h0
h0
khk
f (x0 + h)f (x0 )2 khk
Df (x0 )h[f (x0 + h) f (x0 )] f (x0 )[f (x0 + h) f (x0 ) Df (x0 )h]
1
= lm
h0 f (x0 + h)f (x0 )2
khk
1
1
Df (x0 )h
f (x0 + h) f (x0 ) Df (x0 )h
=
=0
lm [f (x0 + h) f (x0 )]
lm
f (x0 )3 h0
khk
f (x0 )2 h0
khk
lm
= lm

Teorema 1.21. (Regla de la cadena)
Sean f : A Rn Rm y g : B Rm Rp tales que f es diferenciable en x0 A y g diferenciable
en f (x0 ) B. Entonces g f : A Rn Rp es diferenciable en x0 y
D(f g)(x0 ) = Dg(f (x0 ))Df (x0 )
Demostraci
on. De acuerdo al teorema 1.19 basta demostrar que
kg(f (x0 + h)) g(f (x0 )) Dg(f (x0 ))Df (x0 )hk
=0
h0
khk
lm
De la desigualdad triangular y de Cauchy-Schwarz tenemos que

kg(f (x0 + h)) g(f (x0 )) Dg(f (x0 ))(f (x0 + h) f (x0 ))k
+kDg(f (x0 ))k k(f (x0 + h) f (x0 ) Df (x0 )h)k.
Por otro lado, como f es diferenciable en x0 , dado > 0 existe 1 > 0 tal que
khk < 1 kf (x0 + h) f (x0 ) Df (x0 )hk

khk
2kDg(f (x0 ))k
y de esta forma el segundo termino de la suma queda acotado por 2 khk. Del resultado anterior,
usando la desigualdad triangular, tambien se deduce que existe K > 0 tal que
khk < 1 kf (x0 + h) f (x0 )k Kkhk
28
Usando la diferenciabilidad de g en f (x0 ) encontramos que existe 2 > 0 tal que:

kak < 2 kg(f (x0 ) + a) g(f (x0 )) Dg(f (x0 ))ak
kak
2K
Luego, escogiendo = min{1 , K2 }, si khk < y considerando a = f (x0 + h) f (x0 ) tendremos
kg(f (x0 + h)) g(f (x0 )) Dg(f (x0 ))(f (x0 + h) f (x0 ))k
kf (x0 + h) f (x0 )k
2K
Kkhk
2K
khk
2
Y por lo tanto
khk <
khk
La demostraci
on requiere que kDg(f (x0 ))k > 0. Indicar como hacerlo cuando es cero queda propuesto.

Ejemplo 1.21. (Caso particular)
Sean g : R3 R y f : R3 R3 tal que
f (x, y, z) = (u(x, y, z), v(x, y, z), w(x, y, z))
Sea F (x, y, z) = g f (x, y, z) = g(u(x, y, z), v(x, y, z), w(x, y, z)). Calculemos
F
x (x, y, z).
Soluci
on. Para esto usemos la regla de la cadena para obtener DF (x, y, z)

DF (x, y, z) = Dg(f (x, y, z))Df (x, y, z) =
Entonces
g g g
,
,
u v w
u
x
u
y
u
z
v
x
v
y
v
z
w
x
w
y
w
z
F
g u g v
g w
=
+
+
x
u x v x w x
Ejemplo 1.22. (Coordenadas esfericas)

Sea g : R3 R y consideremos el cambio de variables a coordenadas esfericas
x = r cos() sen()
y = r sen() sen()
z = r cos()
Definamos F (r, , ) = g(r cos() sen(), r sen() sen(), r cos()). Queremos calcular las derivadas
parciales de F con respecto a r, y .
Si miramos el cambio de variables como una funcion f : R3 R3 , usando el ejemplo anterior se
29
tendr
a:
F
g
g
g
=
cos() sen() +
sen() sen() +
cos()
r
x
y
z
F
g
g
g
=
r cos() cos() + r sen() cos() r sen()
x
y
z
F
g
g
= r sen() sen()+ r cos() sen()
x
y
Ejemplo 1.23. Sea h(x, y) = f (u(x, y), v(x, y)) donde la funcion f esta definida por f (u, v) =
u2 +v 2
h
xy
y v(x, y) = exy . Calcular h
u2 v 2 , y las funciones u y v por u(x, y) = e
x , y .
Soluci
on. Usando la regla de la cadena tenemos
h
f u f v
4uv 2
4vu2
=
+
= 2
exy + 2
yexy
2
2
x
u x
v x
(u v )
(u v 2 )2
f u f v
4uv 2
4vu2
h
=
+
= 2
exy + 2
xexy
2
2
y
u y
v y
(u v )
(u v 2 )2

Ejemplo 1.24. (Importante)
Sean f : R3 R, : R R3 y h : R R de manera que: h(t) = f (t). Entonces:
dh
f
f
f
=
1 +
2 +
3 = f ((t)) (t)
dt
x
y
z
La funci
on representa una curva en el espacio y su vector tangente.
Ejemplo 1.25. Consideremos las funciones
f (x, y) = (x2 + 1, y 2 )
g(u, v) = (u + v, u, v 2 )
Calcular D(g f )(1, 1).
Soluci
on. Usemos la regla de la cadena y calculemos

Df (x, y) =
2x
0
Dg(f (1, 1))Df (1, 1)

0
2
y evaluando Df (1, 1) =
2y
0
Evaluamos f (1, 1) = (2, 1) y luego calculamos
1
Dg(u, v) = 1
0
1
0
2v
que al evaluar nos da
1
Dg(f (1, 1)) = Dg(2, 1) = 1
0
1
0
2
0
2
30
Entonces tenemos
1
D(g f )(1, 1) = 1
0
1
2
0
0
2
0
2
2
= 2
0
2
0
4
Una forma alternativa, que nos da evidentemente el mismo resultado, es desarrollar h primero
h(x, y) = g f (x, y) = (x2 + y 2 + 1, x2 + 1, y 4 )
y luego derivar y evaluar
2y
2
0 entonces Dh(1, 1) = 2
4y 3
0
2x
Dh(x, y) = 2x
0
2
0
4
Ejemplo 1.26. (Derivaci

on implcita)
Sean G : R2 R e y : R R tales que
G(x, y(x)) = 0
x R entonces
G G dy
+
=0
x
y dx
Si
G
y
6= 0 entonces podemos despejar la derivada de y con respecto a x

G
dy
x
= G
dx
y
Nota 1.11. M
as adelante veremos que dada la ecuacion
G(x, y) = 0
hay condiciones que garantizan la posibilidad de despejar y como funcion de x. Este criterio lo da
el teorema de la funci
on implcita, que veremos mas adelante, y consiste en suponer que G
y es no
nula. Notamos que justamente este termino aparece en el denominador de la derivada de y.
Ejemplo 1.27. Veamos ahora un caso de derivacion implcita con mas variables. Sean
G1 (x, y1 (x), y2 (x)) = 0
G2 (x, y1 (x), y2 (x)) = 0
3
donde G1 , G2 : R R y y1 , y2 : R R. Suponiendo que todas las funciones involucradas son

diferenciables se desea calcular y1 (x) e y 2 (x).
G1
G1
G1
+
y1 +
y2 = 0
x
y1
y2
G2
G2
G2
+
y1 +
y2 = 0
x
y1
y2
Este es un sistema de 2 2 que tiene la siguiente forma:
G1 G1
G1

y1
y2
x
y
=
y
2
G2
G2
G2
y1
y2
31
del cual podemos despejar las derivadas buscadas, bajo la hipotesis de invertibilidad correspondiente:
G2
G1 G1

y
y2
2
x
1
y 1
= G1 G2
G
G
2
1
y 2
G2
G1
G2
y1 y2 y1 y2
y1
y1
Teorema 1.22. Una condici

on necesaria y suficiente para que
f
f
=
x
y
es que exista g tal que f (x, y) = g(x + y).
Demostraci
on. La suficiencia de dicha condicion es evidente. Solo debemos verificar que la condici
on
tambien es necesaria. Para esto consideremos el siguiente cambio de variables:
u = x + y, v = x y
x=
uv
u+v
, y=
2
2
y definamos

h(u, v) = f
u+v uv
,
2
2

= f (x, y)
Tendremos que
h
f x f y
1 f
1 f
(u, v) =
+
=
=0
v
x v
y v
2 x 2 y
Es decir h no depende de v, y por lo tanto:
f (x, y) = h(u) = h(x + y)

1.6.4. Teorema del valor medio en Rn
El teorema del valor medio para funciones de un intervalo [a, b] en R puede extenderse a varias
variables. Esto haremos a continuacion.
Teorema 1.23. (Teorema del valor medio en Rn )
Sea f : A Rn R diferenciable en A y [a, b] A, donde [a, b] = {a + t(b a) : t [0, 1]}.
Entonces existe c [a, b] tal que
kf (b) f (a)k = f (c) (b a)
y por lo tanto
kf (b) f (a)k sup kDf (x)kkb ak
x[a,b]
Demostraci
on. Definamos la funci
on g : [0, 1] R por g(t) = f (a+t(ba)). Notese que g(0) = f (a)
y g(1) = f (b). Por definici
on g es derivable y por regla de la cadena se obtiene
g 0 (t) = f (a + t(b a)) (b a)
1.7. GRADIENTE Y GEOMETRIA
32
Como la funci
on g satisface las hip
otesis del teorema 1.7 para funciones reales podemos concluir
que existe t0 (0, 1) tal que g(1) g(0) = g 0 (t0 )(1 0) y por lo tanto,
f (b) f (a) = f (a + t0 (b a)) (b a)
(*)
Tomando m
odulo y usando la desigualdad de Cauchy-Schwarz
!
|f (b) f (a)| kf (a + t0 (b a))k kb ak
sup kf (x)k kb ak
x[a,b]

Nota 1.12. El teorema anterior tambien se conoce como teorema de los incrementos finitos. Para
una funci
on con valores en Rm , no necesariamente se obtiene una igualdad como en el caso de una
variable o como en (*). Esto no es problema, pues su utilidad realmente viene del hecho que los
incrementos se pueden acotar.
Si agregamos la hip
otesis de que f es de clase C 1 entonces Df () es continua y como k k tambien
lo es, kDf ()k ser
a composici
on de funciones continuas y por lo tanto continua de R en R y
as alcanzar
a su m
aximo sobre un intervalo cerrado. Luego
kf (b) f (a)k max kDf (x)kkb ak
x[a,b]
1.7. Gradiente y geometra

Recordemos que el gradiente f : A Rn R se define como

f (x0 ) =
T
f
f
(x0 ), . . . ,
(x0 )
x1
xn
El gradiente se define generalmente s

olo en puntos donde f es diferenciable, a
un cuando basta que
existan las derivadas parciales para determinarlo.
p
Ejemplo 1.28. Calcular el gradiente de f (x, y, z) = x2 + y 2 + z 2 = r.
Soluci
on.
f
x
f
y
f
z
f (x, y, z)
=
=
=
=
2x
p
2
2 x + y2 + z2
2y
p
2
2 x + y2 + z2
2z
p
2 x2 + y 2 + z 2
1
p
(x, y, z)
x2 + y 2 + z 2
=
=
=
=
x
r
y
r
z
r
rb
Consideremos a continuaci
on un vector unitario v (con kvk = 1) y miremos la funcion:
t f (x0 + tv)
33
Esta es una funci

on de una variable y uno puede preguntarse sobre su diferenciabilidad en t = 0,
es decir sobre la existencia del lmite
lm
t0
f (x0 + tv) f (x0 )

t
esto da lugar a la siguiente definici

on
Definici
on 1.26. Si el lmite
f (x0 + tv) f (x0 )

t0
t
existe decimos que f tiene derivada direccional en x0 , en la direccion v. A este lmite se lo anota
f
usualmente como Df (x0 , v) o v
(x0 ). Un caso particular de derivada direccional son las derivadas
parciales.
lm
Proposici
on 1.11. Si f : A Rn R es una funcion diferenciable, A abierto y x0 A entonces
f tiene derivadas direccionales bien definidas en cualquier direccion unitaria v y
Df (x0 , v) =
n
X
f (x0 )
i=1
xi
vi
Demostraci
on. Definamos g : R R por
g(t) = f (x0 + tv)
entonces, por la definici
on de derivada tenemos que
g 0 (0) = lm
t0
f (x0 + tv) f (x0 )

g(t) g(0)
=
g 0 (0) = Df (x0 , v)
t
t
(*)
Por otra parte, g(t) = f (x) con x = (x01 + tv1 , . . . , x0n + tvn ) y aplicando la regla de la cadena se
obtiene
n
n
X
X
f (x) xi
f (x)
g 0 (t) =
=
vi
xi t
xi
i=1
i=1
para t = 0 se obtiene
g 0 (0) =
n
X
f (x0 ) xi
i=1
xi
n
X
f (x0 )
xi
i=1
vi
(**)
De (*) y (**) se concluye

Df (x0 , v) =
n
X
f (x0 )
i=1
xi
vi
y utilizando la notaci
on del gradiente nos queda
Df (x0 , v) = f (x0 ) v

on nos sirve para fijar ideas y resume lo que ya se ha expuesto.
Proposici
on 1.12. Sea f : A R2 R, con A abierto y (0, 0) A, una funcion continua
y con derivadas parciales discontinuas en (0, 0). Podemos dar las siguientes propiedades, de facil
verificaci
on, que no son conclusivas sobre la diferenciabilidad de la funcion f en (0, 0):
34
1. Derivadas parciales continuas en (0, 0) diferenciabilidad en (0, 0).

No nos sirve para concluir diferenciabilidad, pues las derivadas parciales no son continuas.
Tampoco nos sirve para mostrar que no es diferenciable, pues se trata de una condicion
suficiente para diferenciabilidad, no de una condicion necesaria.
2. Diferenciabilidad en (0, 0) las derivadas parciales existen en (0, 0).
No nos sirve para probar que la funcion no es diferenciable, pues las derivadas parciales
existen en todos los puntos. Tampoco sirve para probar diferenciabilidad, ya que es una
propiedad que caracteriza una condicion necesaria y no suficiente para diferenciabilidad.
Una propiedad conclusiva sobre la diferenciabilidad es la siguiente: Si f es diferenciable en (0, 0)
entonces f tiene derivadas direccionales bien definidas en (0, 0). Si se tiene alguna direccion, por
ejemplo v = (1, 0), en la que la derivada direccional no esta bien definida entonces la funcion no
es diferenciable en (0, 0).
Ejemplo 1.29. Consideremos la funci
on
1
f (x, y) = x 2 y 2
La funci
on es continua en (0, 0) ya que si (xn , yn ) (0, 0) se tiene
1
|f (xn , yn ) f (0, 0)| = |x 2 ||y 2 | 0

entonces
lm f (xn , yn ) = f (0, 0)
como la sucesi
on es arbitraria,
lm
f (x, y) = f (0, 0)
(x,y)(0,0)
y se concluye que f es continua en (0, 0).

Para la continuidad de las derivadas parciales consideremos lo siguiente: Sea v = (v1 , v2 ) tal que
kvk = 1, entonces
1
1
f [(0, 0) + tv] f (0, 0)
Df [(0, 0); v] = lm
= v12 v22
t0
t
En particular, evaluando en v = (1, 0) y v = (0, 1) se obtienen respectivamente
f
f
(0, 0) = 0 y
(0, 0) = 0
x
y
De acuerdo al teorema 1.11, si f es diferenciable en (0, 0) se esperara que para toda direccion
unitaria v
Df [(0, 0); v] = f (0, 0) v = 0
sin embargo, la derivada direccional obtenida nos dice que en la direccion v = ( 12 , 12 ) (notese
que kvk = 1) se obtiene Df [(0, 0); v] = 12 lo que indica que f no es diferenciable en (0, 0).
El significado geometrico de la derivada direccional lo podemos ver en el siguiente ejemplo:
35
Ejemplo 1.30. Encontrar la derivada direccional Dv f (x, y) de f (x, y) = x3 3xy + 4y 2 si v es el

vector unitario dado por el
angulo = /4. Cual es el valor de Dv f (1, 2)?
Soluci
on. A partir de Dv f (x, y) = fx cos() + fy sen() se obtiene
1
1
1
Dv f (x, y) = (3x2 3y) + (3x + 8y) = [3(x2 x) + 5y]
2
2
2
Luego evaluamos en (x0 , y0 ) = (1, 2)
Dv f (1, 2) = 5 2
La derivada direccional Dv f (1, 2) representa la razon de cambio en la direccion de v. Esta

es la
3
pendiente de la de la recta tangente a la curva de interseccion de la superficie z = x 3xy + 4y 2
y el plano vertical que pasa por (1, 2, 0) en la direccion de v como se ilustra en el siguiente grafico
z
x
y
v
1
Figura 1.3: Interpretacion geometrica de la derivada direccional

Df (x0 , v) corresponde a la derivada de la restriccion de f a la recta
L : x = x0 + tv
En el caso en que f es diferenciable en x0 entonces la derivada direccional existe en cualquier
direcci
on y se puede calcular como:
Df (x0 , v) = f (x0 ) v
Notemos que hemos considerado v unitario. Esto se hace para no distorsionar la escala espacial
entre f (x0 ) y f (x0 + tv).
Ejemplo 1.31. Calcular la raz
on de cambio de la funcion f en la direccion v = ( 13 , 13 , 13 ) en
el punto (1, 0, 0) para
f (x, y, z) = x2 eyz
36
Soluci
on. Como f es diferenciable, se pide calcular r = f (1, 0, 0) (1/ 3, 1/ 3, 1/ 3). Para ello
calculamos las derivadas parciales
f
x
f
y
f
z
2xeyz
= x2 zeyz
= x2 yeyz
Evaluando obtenemos
2
f (1, 0, 0) = (2, 0, 0)T r = (2, 0, 0) (1/ 3, 1/ 3, 1/ 3) =
3

El siguiente teorema nos muestra un importante aspecto geometrico del gradiente.
Teorema 1.24. Si f (x0 ) 6= 0 entonces f (x0 ) apunta en la direcci
on en la cual f crece m
as
rapidamente.
Demostraci
on. Sea v vector unitario, entonces la razon de cambio de f en la direccion de v es
f (x0 ) v
kf (x0 )kkvk cos
kf (x0 )k cos
Donde es el
angulo entre v y f (x0 ). Este angulo es maximo cuando v y f (x0 ) son paralelos.

Otro aspecto geometrico importante del gradiente viene en el estudio de superficies. Sea F : A
Rn R una funci
on diferenciable y consideremos el conjunto
S = {x Rn : F (x) = k}
Este conjunto es, en general, una superficie si n = 3 y una hipersuperficie si n > 3.
El vector F (x0 ) es ortogonal a la superficie en x0 .
La idea geometrica es la siguiente: Supongamos que c : R Rn es una funcion diferenciable, es
decir es una curva suave en Rn . Supongamos ademas que c esta sobre S es decir:
F (c(t)) = k
Si c(t0 ) = x0 entonces derivando y evaluando en x0

F (x0 ) c0 (t0 ) = 0
c0 (t0 ) es una direcci
on tangente a la superficie, y como c es una curva cualquiera F (x0 ) debe ser
ortogonal al plano tangente a la superficie.
Definici
on 1.27. Sea F : A Rn R diferenciable. Si F (x0 ) = 0 , F (x0 ) 6= 0, se define el
plano tangente a S = {x A : F (x) = 0} en x0 como:
F (x0 ) (x x0 ) = 0
37
Nota 1.13. Ciertamente, si F (c(t)) = 0 y c(t0 ) = x0 entonces c0 (t0 )+x0 esta en el plano tangente.
Se puede demostrar que si una direccion v esta en el plano tangente, entonces existe c tal que
x = c0 (t0 ) + x0 Esta propiedad geometrica es muy importante y su demostracion la postergaremos
hasta que hayamos demostrado el teorema de la funcion implcita.
Ejemplo 1.32. Encontrar el plano tangente a la superficie
x2 + y 2 + z 2 1 = 0 en (1, 0, 0)
Soluci
on.
F (1, 0, 0) = (2x, 2y, 2z)|(1,0,0) = (2, 0, 0)
Entonces el plano tangente es
F (1, 0, 0) (x 1, y 0, z 0) = 0
es decir,
x=1

Ejemplo 1.33. Hallar un vector normal a la superficie definida por:
2xy 3 z + z ln x + y sen y = 0
en (1, 2, 0).
Soluci
on. Ciertamente el punto (1, 2, 0) esta en la superficie. Para encontrar un vector normal
derivamos

z
F (x, y, z) = 2y 3 z + , 6xy 2 z + y cos y + sen y, 2xy 3 + ln x
x
y evaluamos en (1, 2, 0) para obtener
F (1, 2, 0) = (0, 2, 2(2)3 )
Como vimos, el gradiente F (1, 2, 0) = (0, 2, 2(2)3 ) es normal a la superficie.
1.7.1. Caso del grafo de una funci

on
En el caso que f : A Rn R, de la definicion 1.6 tenemos que el grafo de f corresponde a:
G(f ) = {(x, f (x)) : x A} = {(x, z) : z = f (x)}
Si definimos
F (x, z) = z f (x)
entonces las dos definiciones de plano tangente que hemos dado son coherentes. En efecto:

f
f
F (x, z) =
,...,
,1
x1
xn
Entonces el plano tangente queda determinado por
F (x, z0 )((x, z) (x0 , z0 )) = 0
es decir,
f (x0 )(x x0 ) + (z z0 ) = 0
o sea, z = z0 + f (x0 )(x x0 ). Notar bien que el vector (f (x0 ), 1) es ortogonal al grafo de f
en (x0 , f (x0 ))
38
Ejemplo 1.34. Encontrar el plano tangente al grafo de la funcion:

f (x, y, z, t) = xeyt + cos zt
en (3, 0, 0, 3).
Soluci
on. Tenemos que f (3, 0, 0, 3) = 3 + 1 = 4. Ademas, derivando obtenemos
f (x, y, z, t) = (eyt , xteyt , t sen(zt), xyeyt z sen(zt))
y evaluando
f (3, 0, 0, 3) = (1, 9, 0, 0)
En consecuencia el plano tangente es
w 4 = 1 (x 3) + 9(y 0) + 0(z 0) + 0(t 3)
y simplificando
w 4 = x 3 + 9y
9y + x w = 1
Ejemplo 1.35. Hallar un vector unitario, normal a la superficie S dada por

z = x2 y 2 + y + 1
en (0, 0, 1).
Soluci
on. F = z x2 y 2 y 1 = 0 y sus derivadas parciales son
F
F
F
= 2xy 2 ,
= 2x2 y 1 ,
=1
x
y
z
Evaluando en (0, 0, 1) obtenemos F (0, 0, 1) = (0, 1, 1) y de aqu v =
unitario.
1 (0, 1, 1)
2
es normal
39
1.8. Ejercicios
Base algebraica y geom
etrica de Rm
Ejercicio 1. Sean x, y Rn \ {0}.
1. Demuestre que |x y| = kxkkyk si y slo si existe un escalar 6= 0 tal que y = x.
2. Deduzca que kx + yk = kxk + kyk implica que y = x, con > 0.
Ejercicio 2. Sean x, y, z Rn . Demuestre que:
kx zk
kx yk
ky zk
+
1 + kx zk
1 + kx yk 1 + ky zk
Ejercicio 3. Demostrar las siguientes identidades:

1. Identidad de Polarizaci
on:
xy =
1
(kx + yk2 kx yk2 ) x, y Rn .
4
2. Ley del paralel

ogramo:
kx + yk2 + kx yk2 = 2(kxk2 + kyk2 ) x, y Rn .
Ejercicio 4. Se define la distancia de un punto x Rn a un conjunto A Rn como:
dA (x) = nf ky xk
yA
Demostrar que fr(A) = {x Rn : dA (x) = 0 dAc (x) = 0}.

Ind: Sea A un conjunto no vaco y acotado, entonces si a = nf(A) se tiene que > 0 x A tal
que a + x.
Funciones con valores en Rm
Ejercicio 5. Grafique:
1. Las superficies de nivel para la funcion de tres variables definida por f (x, y, z) = x2 + y 2 z 2 .
2. Las curvas de nivel de la funcion f (x, y) = x2 y 2 .
3. Las curvas de nivel de la funcion f (x, y) = x3 3xy 2 .
4. Las curvas de nivel y el grafo de la funcion f (x, y) = x + y.
5. Las curvas de nivel y el grafo de la funcion f (x, y) = x2 + 4y 2 .
6. El grafo de la funci
on de dos variables definida por f (x, y) = x2 y 2 .
40
1.8. EJERCICIOS
Ejercicio 6. Encuentre los conjuntos de nivel para las siguientes funciones (para los niveles que
se indican).
1. f (x, y) = x + y para f (x, y) = 1.
2. f (x, y) = (x2 + y 2 + 1)2 4x2 para f (x, y) = 0.
3. f (x, y, z) = (xyz, x + y) para f (x, y, z) = (0, 1).
Ejercicio 7. Sea f definida por la siguiente formula:
( x
21
si (x1 , x2 ) 6= 0
x1 x2
f (x1 , x2 ) =
0
si (x1 , x2 ) = 0
1. Encuentre el conjunto donde se puede definir f , es decir Dom(f ). Grafique.
2. Determine las curvas de nivel de f .
3. Determine si f es continua en (0, 0).
Conceptos introductorios de topologa
Ejercicio 8. Sea A = {(x, y) R2 : 0 < x < 2, 0 < y < 1}.
1. Calcule int(A), adh(A), der(A) y fr(A).
2. Deduzca que A es abierto.
Ejercicio 9. Sea B = {(x, y) R2 : x2 < y < x + 1}.
1. Calcule int(B), adh(B), der(B) y fr(B).
2. Deduzca que B es abierto.
Ejercicio 10. Sea C = {(x, sen(x) + cos(x)) R2 : 0 x 2}.
1. Calcule int(C), adh(C), der(C) y fr(C).
2. Deduzca que C es cerrado.
Ejercicio 11. Sea D = { 1 + n1 , 1
1
n2
: n N \ {0}}.
1. Calcule int(D), adh(D), der(D) y fr(D).

2. Deduzca que D no es abierto ni cerrado.

1
Ejercicio 12. Sea E = { a + n1 , b + m
: m, n Z, p, q N \ {0}}.
1. Calcule int(E), adh(E), der(E) y fr(E).
2. Es E abierto?
3. Es E cerrado?
41
Ejercicio 13. Demuestre las siguientes proposiciones:

1. A es abierto s y s
olo s int(A) = A.
2. A es cerrado s y s
olo s adh(A) = A.
Ejercicio 14.
1. Demuestre que la uni
on cualquiera de conjuntos abiertos es un conjunto abierto.
2. Demuestre que la intersecci
on finita de conjuntos abiertos es un conjunto abierto.
3. De un ejemplo en que la interseccion infinita de conjuntos abiertos no sea un conjunto abierto.
4. Demuestre que la intersecci
on cualquiera de conjuntos cerrados es un conjunto cerrado.
5. Demuestre que la uni
on finita de conjuntos cerrados es un conjunto cerrado.
6. De un ejemplo en que la uni
on infinita de conjuntos cerrados no sea un conjunto cerrado.
Ejercicio 15. Sean A, B subconjuntos de Rn . Demostrar que:
1. A B int(A) int(B) adh(A) adh(B).
2. int(A) int(B) int(A B). De un ejemplo en que no se cumpla la inclusion inversa.
3. int(A) int(B) = int(A B).
4. adh(A) adh(B) = adh(A B).
5. adh(A B) adh(A) adh(B). De un ejemplo en que no se cumpla la inclusion inversa.
6. int(Ac ) = (adh(A))c .
7. adh(Ac ) = (int(A))c .
Ejercicio 16. Sea E = {(x, sen( x1 )) : x > 0}. Demuestre que:
adh(E) = E {(0, y) : 1 y 1}.
Lmites y continuidad
Ejercicio 17. Determine si las siguientes funciones admiten lmite en los puntos que se indican
2
1. f (x, y) = 2xy xx2 y

+y 2 en (x0 , y0 ) = (0, 0)
2. f (x, y) =
sen(x)sen(y)
xy
3. f (x, y) =
xy 2
x2 +y 4
en (x0 , y0 ) = (0, 0)
en (x0 , y0 ) = (0, 0)
42
1.8. EJERCICIOS
Ejercicio 18. Determine la existencia del lmite de las siguientes funciones f : R2 R en (0, 0):
q
2
2 +y 2
1. x2xy
5. |x| xx2 y
2
+y 2
2
q
2
2
6. |x| xx2 y
+y 2
2. 2xy xx2 y
+y 2
3.
xy 2
x2 +y 4
7.
4.
tan(x)tan(y)
cot(x)cot(y)
8.
2
xy
(x2 +y 2 )
x2 +y 2
sen(xy)
xy 3
Ejercicio 19. Sea lmxx0 f (x) = 3. Demuestre usando que

lm f 3 (x) = 27
xx0
Ejercicio 20. Demuestre la siguiente caracterizacion de funciones continuas en A:

f : A Rm es continua en A s y s
olo s la preimagen de todo abierto de Rm es la interseccion
n
de A con un abierto de R .
Ejercicio 21. Determine los puntos crticos de la funcion
f (x, y, z) = x3 xz + yz y 3 + 2z 3
En base a su resultado determine la continuidad de f .
Ejercicio 22. Sean f, g, h : R2 R tres funciones continuas. Se define la funcion F : R2 R por
F (x, y) = h(f (x, y), g(x, y))
Demuestre que F es continua.
Ejercicio 23. Determine la continuidad de las siguientes funciones:
(
1. f (x, y) =
x
x+y
si x + y 6= 0
si x + y = 0
2. f (x, y, z) = x3 ln(x3 y + z) + sen(z 2 + x)

Ejercicio 24. Para este ejercicio y el siguiente recordemos la siguiente propiedad: Sobre un e.v.n.
E una funci
on f : E R es continua en x0 si
> 0 > 0 kx x0 k < |f (x) f (x0 )| <
> 0 > 0 B(x0 , ) f 1 (B(f (x0 , )))
Sea L : Rn Rm una funci
on lineal. Demuestre que las siguientes proposiciones son equivalentes:
1. L es continua en todo punto de Rn .
2. L es continua en 0 Rn .
3. kL(x)k es acotada si x B(0, 1).
43
Ejercicio 25. Sea L : E R una funcion lineal. Demuestre que las siguientes proposiciones son
equivalentes.
1. L es continua en E.
2. L es continua en 0 E.
3.
sup
xE,x6=0
|Lx|
kxk
= sup |Lx| < +

kxk1
Ejercicio 26. Sea f : Rn Rm . Pruebe que las siguientes proposiciones son equivalentes:
1. f es continua en todo punto de Rn .
2. (A Rm abierto) f 1 (A) es abierto en Rn .
3. (B Rm cerrado) f 1 (A) es cerrado en Rn .
Indicaci
on. Para la segunda pruebe antes que f 1 (AC ) = f 1 (A)C .
Diferenciabilidad de funciones de Rn a Rm
Ejercicio 27. Seg
un los teoremas vistos en la seccion 1.6 tenemos las siguientes implicaciones:
1. Derivadas parciales continuas en x0 f diferenciable en x0 f es continua en x0 .
2. f diferenciable en x0 existen todas las derivadas parciales en x0 .
Encontrar ejemplos donde se muestra que las recprocas de a) y b) son falsas.
Ejercicio 28. Sea f : Rn Rm definida por f (x) = a + Ax, donde a Rn y A Mmn (R).
Demuestre que:
1. f es continua en Rn .
2. f es diferenciable en todo x y Df (x) = A.
Ejercicio 29. Demuestre por definicion que f (x, y) = sen(x + y) es diferenciable en (0, 0).
Ejercicio 30. Considere las funciones f : R (/2, /2) R2 y g : R++ R R2 definidas
por:
f (u, v) = (u cos(v), u sen(v))
p
g(x, y) = ( x2 + y 2 , artan(y/x))
1. Encontrar D(g f )(u, v) y D(f g)(x, y).
2. Determinar si Dom(f ) = Dom(g f ), y si Dom(g) = Dom(g f ).
Ejercicio 31. Encuentre la matriz Jacobiana de la funcion definida por
f (x, y) = (xey , x2 + y cos(x + y), tanh(xy))
44
1.8. EJERCICIOS
Ejercicio 32. Sea g : R3 R2 y f : R2 R2 donde g(1, 1, 1) = (2, 3). Se tiene que

1 2
xy 2 z 2
Df (2, 3) =
y f g(x, y, z) =
2 1
x2 y 2 z
En base a esto calcule
g2
y (1, 1, 1).
Ejercicio 33. Sea f : R2 R definida por:

(
x
si x + y 6= 0
1. f (x, y) = x+y
1
si x + y = 0

(
|x|
|x|
si y 6= 0
y 2 exp y 2
2. f (x, y) =
0
si y = 0
(
(xy)2
si y 6= 0
2
2
3. f (x, y) = (xy) +(xy)
0
si y = 0
(
xy 3
si x 6= y
3
3
4. f (x, y) = x +y
0
si x = y
(
5. f (x, y) =
6. f (x, y) =
xy 2
x2 +y 2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)

(
1
xy 2 sen xy
si xy 6= 0
0
k
2
y xx2 y
+y 2
k
xy k
x2 +y 2
7. f (x, y) =
8. f (x, y) =
si xy = 0
si (x, y) 6= 0
si (x, y) = 0
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
En cada uno de los casos:

1. Determine la continuidad de f y determine, en los casos que corresponda, las condiciones
sobre los parametros para que se cumpla la continuidad.
2. Determine la diferenciabilidad de f y determine, en los casos que corresponda, las condiciones
sobre los parametros para que se cumpla la diferenciabilidad. Calcule todas sus derivadas
parciales (si existen).
3. Determine la continuidad de las derivadas parciales.
4. Calcule las segundas derivadas de f en los casos que sea posible y en caso de que las derivadas
cruzadas no sean simetricas explique por que.
Ejercicio 34. Sea S = {x R2 : kxk = 1}. Sea g : S R una funcion continua tal que
g(1, 0) = g(0, 1) = 0 y g(x) = g(x), x R2
Sea f : R2 R la funci
on definida por
(
f (x) =
kxkg
0
x
kxk
si x 6= 0
si x = 0
1. Dado a R2 demuestre que la funcion h(t) = f (ta), t R es diferenciable.

2. Es f diferenciable en (0, 0)?
45
Ejercicio 35. Sea : R2 R2 una funcion de clase C 1 (R2 , R2 ), tal que sus componentes 1 , y 2
verifican
2
1 2
1
=
y
=
y
x
x
y
Sea h : R2 R una funci
on de clase C 1 (R2 , R). Se define la funcion f : R2 R por f = h .
Demuestre que
h
hf (x, y), 1 (x, y)i =
((x, y)) k1 (x, y)k2 .
u
Ejercicio 36. Una funci
on u = f (x, y) con segundas derivadas parciales continuas que satisfaga
la ecuaci
on de Laplace
2u 2u
+ 2 =0
x2
y
se llama funci
on arm
onica. Determinar cuales de las siguientes funciones son armonicas.
1. u(x, y) = x3 3xy 2
2. u(x, y) = sen(x) cosh(y)
3. u(x, y) = ex sen(y).
Ejercicio 37. Si g(x, y) = ex+y , f 0 (0) = (1, 2), encontrar F 0 (0) donde
F (t) = g(f (t)) (f : R R2 )
f (0) = (1, 1)
Ejercicio 38. Si f (x, y, z) = sen(x), F (t) = (cos(t), sen(t), t), encontrar g 0 () donde g(t) =
f (F (t)).
Gradiente y geometra
Ejercicio 39. Sea f : R2 R continua y diferenciable. Sea Gf = {[(x, y), f (x, y)] : (x, y)
Dom(f )} el grafo de f . Sea F : R3 R tal que F (x, y, z) = z f (x, y).
1. Muestre que Gf corresponde a un conjunto de nivel de F .
f
2. Demuestre que F = ( f
x , y , 1).
3. Encuentre el vector normal y el plano tangente a Gf cuando f (x, y) = x + yex en el punto

(1, 1).
Ejercicio 40. Encontrar el gradiente f en cada uno de los siguientes casos.
1. f (x, y) = logx y
2. f (x, y) = x2 y 2 sen(y) en (a, b)
3. f (x, y, z) = x2 + y 2 z 2
4. f (x, y) = (ex cos(y), ex sen(y))
5. f (x, y, z) = (x ln(x), esen(y) , |z 3 |)

6. f (x, y, z) = (5x4 z 2 , 2yz 3 + 3y 2 , 3y 2 z 2 )
7. f (x, y, z) = (x2 + y 2 , xyz, z ln(x) )
46
1.8. EJERCICIOS
Ejercicio 41. Encontrar la derivada direccional para las siguientes funciones en la direccion u que
se indica y en el punto a dado:
1. f (x, y, z) = xyz, v = (cos() sen(), sen() sen(), cos()) y a = (1, 0, 0).
2. f (x, y) = ex sen(y), u = (cos(), sen()) y a = (1, 0).
3. f (x, y, mz) = x2 + yez , u direccion unitaria determinada por la recta tangente a la curva
g(t) = (3t2 + t + 1, 2t , t2 ) en g(0) y a = (1, 1, 0).
Ejercicio 42. Encuentre 3 casos en los que una funcion f : R3 R tenga derivadas direccionales
en un punto x0 , sin ser diferenciable en x0 .
Ejercicio 43. Sea f : R2 R la funci
on definida por

(
(x, y) 6= (0, 0)
(x2 + y 2 ) sen (x2 +y12 )1/2
f (x, y) =
0
(x, y) = (0, 0)
1. Calcular f (0, 0).
2. Probar que f es diferenciable en (0, 0).
3. Probar que
f
x
f
y
no son continuas en (0, 0).
Ejercicio 44. Sean f y g funciones de R3 R. Suponer que f es diferenciable y f (x) = g(x) x.

Mostrar que f es constante para las esferas centradas en el origen.
Ejercicio 45. Hallar la ecuaci
on para el plano tangente a cada superficie z = f (x, y) en el punto
indicado:
1. z = x3 + y 3 6xy en (1, 2, 3).
2. z = cos(x) sen(y) en (0, /2, 1)
Ejercicio 46. Calcular para los siguientes casos la direccion de mayor crecimiento en (1, 1, 1).
1. f (x, y, z) = xy + yz + xz
2. f (x, y, z) =
1
x2 +y 2 +z 2
Ejercicio 47. Sean f (x, y) = x2 +y 2 y g(x, y) = exy . Determine los puntos (x, y) donde la derivada
direccional de f en la direcci
on de m
aximo crecimiento de g es igual a la derivada direccional de g
en la direcci
on de m
aximo crecimiento de f .
Ejercicio 48. Considere las funciones
2
f (x, y) = (tan(x + y), 1 + xy, ex
+y
g(u, v, w) = sen(uv + w)
Sea h = g f . Calcule la ecuaci

on del plano tangente a h en (0, 0, 0)
CAPITULO 2
Derivadas de Orden Superior

En este captulo estudiaremos las segundas derivadas y derivadas enesimas de funciones de varias
variables para luego extendernos con una generalizacion de la aproximacion de Taylor. Ambos
conceptos nos permitir
an ver de forma introductoria la convexidad de funciones y criterios de
primer y segundo orden para la optimizacion con y sin restricciones.
2.1. Derivadas de orden superior y teorema de Taylor

Sea f : A Rn R una funci
on diferenciable en A, entonces
f
: A Rn R
xi
define una funci
on. Como tal esta funcion puede tener derivadas parciales y tambien ser diferenf
ciable. Cuando x
tiene derivada parcial con respecto a xj en x0 , la anotamos como
i
xj
Ejemplo 2.1. Calcular
2f
xy
Soluci
on.
Entonces
2f
x2
f
xi

(x0 ) =
2f
(x0 )
xj xi
si f (x, y) = ln(x2 + y 2 ).
f
2x
= 2
x
x + y2
2(x2 + y 2 ) 2x(2x)
y 2 x2
2f
=
= 2
2
2
2
2
x
(x + y )
(x + y 2 )2
y
2f
2x(2y)
= 2
yx
(x + y 2 )2
Tambien podemos calcular
2f
2y(2x)
= 2
xy
(x + y 2 )2
47
48
2.1. DERIVADAS DE ORDEN SUPERIOR Y TEOREMA DE TAYLOR
Notemos que en este caso
2f
xy
2f
yx .
Esto no es solo coincidencia como veremos mas adelante.
Adem
as, podemos observar que la funcion f satisface
2f
2f
+
=0
x2
y 2
Por esta raz
on f se dice arm
onica. La combinacion
4f =
2f
2f
+
x2
y 2
se conoce como el Laplaciano de f .
Definici
on 2.1. Se define el laplaciano de f : Rn R como:
4f (x) =
n
X
2f
i=1
x2i
(x)
Para x = (x1 , . . . , xn ) Rn .
Recordemos que f se dice de clase C 1 en un dominio A si f es diferenciable en A y todas sus
derivadas parciales son continuas en A.
Definici
on 2.2. f se dir
a dos veces diferenciables en x0 si f es diferenciable en una vecindad de
x0 y todas sus derivadas parciales son diferenciables en x0 . f se dira de clase C 2 en A si todas sus
segundas derivadas parciales son continuas en A.
Es f
acil extender estas definiciones a
ordenes superiores.
A continuaci
on veremos uno de los resultados mas importantes de esta seccion que dice relacion
con la posibilidad de intercambiar el orden de las derivadas
Teorema 2.1. (Teorema de Schwarz)
on dos veces diferenciable en A. Si las segundas derivadas parciales
son continuas en x0 A entonces:
2f
2f
(x0 ) =
(x0 )
xj xi
xi xj
i, j = 1, . . . , n
Demostraci
on. Una peque
na reflexi
on lleva a concluir que basta estudiar el caso en que n = 2.
Dado x0 = (x01 , x02 ) A y h = (h1 , h2 ) R2 , khk < r, definimos F : B(0, r) R de la siguiente
forma
F (h1 , h2 ) = [f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 )] [f (x01 , x02 + h2 ) f (x01 , x02 )]
Notemos que F queda bien definida para r peque
no. Sea g(t) = f (t, x02 +h2 )f (t, x02 ). Entonces g
es diferenciable y por el teorema del valor medio (teorema 1.23) existe h01 tal que |h01 | < |h1 | khk
y
F (h1 , h2 ) = g(x01 + h1 ) g(x01 ) = g 0 (x01 + h01 )h1
calulando g 0 y evaluando, se obtiene que

f
f
0
0
(x01 + h1 , x02 + h2 )
(x01 + h1 , x02 ) h1
F (h1 , h2 ) =
x
x
49
0
Sea ahora g(t) = f
es diferenciable y nuevamente por el teorema del valor
x (x01 + h1 , t). Entonces g
medio se tiene que existe h02 tal que |h02 | < |h2 | khk y ademas:
F (h1 , h2 ) = (
g (x02 + h2 ) g(x02 ))h1 = g0 (x02 + h02 )h2 h1
Calculando g0 y evaluando se obtiene que
2f
F (h1 , h2 )
=
(x01 + h01 , x02 + h02 )
h1 h2
yx
Pero uno tambien puede escribir F de la siguiente manera
F (h1 , h2 ) =
[f (x01 + h1 , x02 + h2 ) f (x01 , x02 + h2 )] [f (x01 + h1 , x02 ) f (x01 , x02 )]
y podemos repetir las mismas aplicaciones del teorema del valor medio para probar que
F (h1 , h2 )
2f
(x01 + h001 , x02 + h002 )
=
h1 h2
xy
con |h001 | < |h1 | y |h002 | < |h2 |. Por lo tanto
2f
2f
(x01 + h01 , x02 + h02 ) =
(x01 + h001 , x02 + h002 )
yx
xy
y finalmente, haciendo h1 0 y h2 0, por la continuidad de las derivadas parciales se obtiene
que
2f
2f
(x0 ) =
(x0 )
xy
yx

Ejemplo 2.2. El siguiente ejemplo nos muestra que las derivadas cruzadas pueden ser distintas
cuando no se cumplen las hip
otesis del teorema. Consideremos la funcion
(
xy(x2 y 2 )
si (x, y) 6= (0, 0)
x2 +y 2
f (x, y) =
0
si (x, y) = (0, 0)
En todo punto (x, y) 6= (0, 0) derivamos directamente y se obtiene
y(x4 + 4x2 y 2 y 4 )
f
(x, y) =
x
(x2 + y 2 )2
en (x, y) = (0, 0) calculamos por definicion la derivada parcial
f (x, 0) f (0, 0)
f
(0, 0) = lm
=0
x0
x
x
Por lo tanto, tenemos que
f
=
x
y(x4 +4y 2 x2 y 4 )
(x2 +y 2 )2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
50
Y calculando por definici

on nuevamente, se obtiene que
2f
(0, 0) = lm
y0
yx
f
x (0, y)
Por otro lado, y de manera an

aloga, se tiene que
( 4
x(x 4x2 y 2 y 4 )
f
(x2 +y 2 )2
=
y
0
f
x (0, 0)
= lm
yy4
y0
= 1
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
y de aqu se obtiene que

2f
(0, 0) = 1
xy
Es decir,
2f
2f
(0, 0) 6=
(0, 0)
xy
yx
C
omo se interpreta esto a la luz del teorema? Estudiemos la continuidad de las derivadas cruzadas,
para (x, y) 6= (0, 0) derivando directamente se obtiene que
2f
x6 + 9x4 y 2 9x2 y 4 y 6
(x, y) =
yx
(x2 + y 3 )3
Tomemos una sucesi
on de la forma (xn , 0) (0, 0) y notemos que
xn 6
2f
2f
(xn , 0) = lm
(0, 0)
=
1
=
6
1
=
xn 0 xn 6
xn 0 yx
yx
lm
por lo tanto la funci

on
2f
yx
es discontinua en (0, 0)
Corolario 2.1. Sea f : A Rn R una funci

on de clase C k con k N. Entonces:
kf
kf
=
xi1 xi2 . . . xik
x(i1 ) x(i2 ) . . . x(ik )
Donde i1 , i2 , . . . ik {1, . . . , n} y : {1, . . . , n} {1, . . . , n} es una permutaci
on cualquiera.
Demostraci
on. Basta aplicar el teorema de intercambio de derivadas reiterativamente.
Ahora que ya conocemos las derivadas de mayor orden y sus principales propiedades estamos
preparados para estudiar los desarrollos de Taylor en varias variables. Recordemos el caso de una
variable, en el cual vamos a basar nuestro argumento para varias variables.
Teorema 2.2. (Teorema de Taylor de 1er orden)
Sea f : (a, b) R derivable en x0 (a, b) entonces es posible obtener una expresi
on equivalente a
f (x) dada por
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) + R1 (x0 , x x0 )
donde el termino R1 (x0 , x x0 ) se denomina resto y satisface
lm
xx0
R1 (x0 , x x0 )
=0
|x x0 |
que adem
as puede ser descrito en terminos de una integral si f es una funci
on C 2 .
51
Demostraci
on. Notemos que definiendo
R1 (x0 , x x0 ) = f (x) f (x0 ) f 0 (x0 )(x x0 )
Por definici
on de f 0 (x0 ) se obtiene que
lm
xx0
f (x) f (x0 ) f 0 (x0 )(x x0 )

R1 (x0 , x x0 )
= lm
=0
xx0
|x x0 |
|x x0 |
Ahora, del 2do teorema fundamental del calculo (teorema 1.9) tenemos
Z x
f (x) f (x0 ) =
f 0 (t)dt
x0
entonces
f (x) = f (x0 ) +
f 0 (t)dt
x0
Si suponemos que f es de clase C 2 , integrando por partes (u = f 0 (t), v = t x) obtenemos

Z x
0
f (x) = f (x0 ) + f (x0 )(x x0 ) +
(x t)f 00 (t)dt
x0
As obtenemos la expresi
on integral para R1 dada por
Z x
R1 (x, x0 ) =
(x t)f 00 (t)dt
x0

En general, si f es k veces derivable en x0 , entonces
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) + . . . +
1 (k)
f (x0 )(x x0 )k + Rk (x, x0 )
k!
y el resto satisface
lm
xx0
Rk (x, x0 )
=0
|x x0 |k
Si se supone adem
as que f es de clase C k+1 en una vecindad de x0 , integrando por partes reiterativamente se obtiene la expresi
on integral para Rk dada por
Z x
(x t)k (k+1)
Rk (x, x0 ) =
f
(t)dt
k!
x0
Luego, si consideramos
M=
max
t[x0 ,x0 +]
|f (k+1) (t)| para 0 < < |x|
se tiene que
Z

|Rk (x, x0 )| M
x0

(x t)k
M
dt =
|x x0 |k+1
k!
(k + 1)!
Nota 2.1. De lo anterior se deduce que todo polinomio es de clase C , es decir, es infinitamente
diferenciable y sus enesimas derivadas parciales son continuas.
52
Cuando f : A Rn R tambien podemos establecer un teorema de Taylor. Notamos que en

caso que f tome valores en Rm lo que diremos se aplica a cada una de las funciones coordenada.
Comenzamos con una definici
on.
Definici
on 2.3. Sea f : A Rn R dos veces diferenciable en x0 A. Se define entonces la
matriz Hessiana de f en x0 como
2f
2
f
(x0 )
(x0 )
. . . x1 x
x21
n
..
..
..
Hf (x0 ) =
.
.
.
2
2
f
f
xn x1 (x0 ) . . .
x2 (x0 )
n
Nota 2.2. Notamos que, por el teorema 2.1, si f es de clase C 2 en una vecindad de x0 entonces
la matriz Hessiana de f en x0 es simetrica.
Teorema 2.3. (Teorema de Taylor de 2do orden)
on de clase C 3 . Entonces
1
f (x0 + h) = f (x0 ) + f (x0 )h + hT Hf (x0 )h + R2 (x0 , h)
2
donde el resto R2 (x0 , h) tiene una expresi
on integral y |R2 (x0 , h)| M khk3 . As que en particular
R2 (x0 , h)
=0
h0
khk2
lm
Nota 2.3. Se puede demostrar que si f es de clase C 2 entonces tambien se tiene que
lm
x0
R2 (x0 , h)
=0
khk2
aunque la expresi
on integral del resto no se tiene necesariamente.
Demostraci
on. Utilizando la regla de la cadena tenemos
n
X f
d
f (x0 + th) = Df (x0 + th)h =
(x0 + th)hi
dt
xi
i=1
e integrando entre 0 y 1
f (x0 + h) f (x0 ) =
n Z
X
i=1
f
(x0 + th)hi dt
xi
Utilizando nuevamente la regla de la cadena obtenemos para u =
f
xi (x0
+ th)hi
du X 2 f
=
(x0 + th)hj hi
dt
xj xi
j=1
Integrando por partes, considerando u como arriba y v = t 1
n
n X
n Z 1
X
X
f
2f
f (x0 + h) = f (x0 ) +
(x0 )hi +
(1 t)
(x0 + th)hi hj dt
xi
xi xj
i=1
i=1 j=1 0
53
que es un resultado correspondiente a la formula de Taylor de primer orden (teorema 2.2)

n
X
f
(x0 )hi + R1 (x0 , h)
f (x0 + h) = f (x0 ) +
x
i
i=1
2
f
(x0 + th)hi hj . Notemos
Integraremos nuevamente por partes, con v = (t 1)2 /2 y u = xi x
j
que
n
du X
3f
=
(x0 + th)hi hj hk
dt
xk xj xi
k=1
Por lo tanto obtenemos

f (x0 + h) = f (x0 ) +
n
n X
n
X
X
f
1 2f
(x0 )hi +
(x0 )hi hj + R2 (x0 , h)
xi
2 xi xj
i=1
i=1 j=1
donde el resto tiene la forma integral

R2 (x0 , h) =
n X
n X
n Z
X
i=1 j=1 k=1
Como
f 3
xk xj xi
3f
(1 t)2
(x0 + th)hi hj hk dt
2
xk xj xi
son continuas en x0 , existe > 0 y M > 0 tal que

3f

khk <
(x0 + th) M
xk xj xi
La constante M puede tomarse como

3f

M = max
(x)
xB(x0 ,) xk xj xi
Por lo que, para todo t [0, 1] tenemos

3f

xk xj xi (x0 + th)hi hj hk M
Y finalmente
3
n X
n X
n
X
n
1
3
M khk =
M khk3
|R2 (x0 , h)|
3!
3!
i=1 j=1
k=1

Ejemplo 2.3. Encontrar la f
ormula de Taylor de orden 2 en torno a x0 = (0, 0) para
f (x, y) = sen(x + 2y) + x2
Soluci
on. Evaluamos f (0, 0) = 0. Despues calculamos las derivadas parciales
f
f
(x, y) = cos(x + 2y) + 2x y
(x, y) = 2 cos(x + 2y)
x
y
y evaluamos f (0, 0) = (1, 2). Ahora calculamos las derivadas de segundo orden
2f
2f
2f
=
sen(x
+
2y)
+
2,
=
2
sen(x
+
2y)
y
= 4 sen(x + 2y)
x2
yx
y 2
54
2.2. EXTREMOS DE FUNCIONES CON VALORES REALES
y evaluamos
2f
2f
2f
(0,
0)
=
2
,
(0, 0) = 0
(0,
0)
=
0
y
x2
yx
y 2
Considerando h = (h1 , h2 ) tenemos finalmente
f (x0 + h)
1
= f (h1 , h2 ) = f (0, 0) + (1, 2)(h1 , h2 ) + (h1 , h2 )
2
= h1 + 2h2 + h21 + R2 ((0, 0), h)
2
0
0
0

h1
h2

+ R2

Continuando con este ejemplo, sabemos que la funcion P2 (h1 , h2 ) = h1 + 2h2 + h21 aproxima a
0. Pero uno podra hacer una pregunta
f (h1 , h2 ) al segundo orden, en el sentido que R2 ((0,0),h)
khk2
m
as especfica: Si khk 1/4 Que error se comete por cambiar f y P2 ? Tenemos la formula integral
del resto o error
2 X
2 X
2 Z 1
X
(1 t)2
3f
R2 (h1 , h2 ) =
(x0 + th)hi hj hk dt.
2
xk xj xi
0
i=1 j=1
k=1
Usando el teorema del valor medio integral (teorema 1.10) vemos que existen tijk [0, 1] tales que
R2 (h1 , h2 ) =
2 X
2 X
2
X
(1 tijk )2
i=1 j=1 k=1
3f
(x0 + tijk h)hi hj hk ,
xk xj xi
de donde podemos hacer nuestra estimacion. En nuestro caso calculemos las terceras derivadas
3f
= cos(x + 2y)
x3
3f
= 4 cos(x + 2y)
xy 2
,
,
3f
= 8 cos(x + 2y)
y 3
3f
= 2 cos(x + 2y)
yx2
Luego, notando que | cos(x + 2y)| 1 para cualquiera que sea el punto (x, y) = x0 + tijk h, que
(1 tijk )2 1 para cualquier tijk [0, 1], y que |hi | khk para i = 1, 2. Se obtiene que
|R2 (h1 , h2 )|
1 3
(h + 3 2h21 h2 + 3 4h1 h22 + 8h32 )
2 1
27
1
(1 + 6 + 12 + 8)khk3 =
khk3
2
2
As, si khk 1/4 entonces |R2 (h1 , h2 )| 27/(2 43 )
2.2. Extremos de funciones con valores reales

2.2.1. Condiciones de primer orden
Dentro de los puntos que pertenecen al dominio de la funcion, aquellos en donde esta alcanza
un mnimo o un m
aximo revisten un especial interes por su importancia en muchos problemas
pr
acticos.
55
Definici
on 2.4. Sea f : A Rn R con A un subconjunto abierto de Rn . Un punto x0 A se
dir
a mnimo (m
aximo) local de f si existe una vecindad V de x0 tal que
f (x) f (x0 ) x V
(resp. f (x) f (x0 ))
Un punto se dir
a extremo local si es un mnimo o un maximo local. Un punto x0 se dira crtico de
f si Df (x0 ) = 0. Un punto crtico que no es extremo se dira punto silla.
Teorema 2.4. Sea f : A R diferenciable, con A un subconjunto abierto de Rn y x0 A un
extremo local, entonces f (x0 ) = 0.
Demostraci
on. Si f tiene un mnimo local x0 definamos la funcion de una variable
g(t) = f (x0 + th)
donde h Rn es un punto cualquiera. Se tiene que g tiene un mnimo local en t = 0 pues
g(t) = f (x0 + th) f (x0 ) = g (0)
0
y por tanto g (0) = 0 lo que es equivalente a

f (x0 ) h = 0
y como esto es para cualquier h Rn , necesariamente f (x0 ) = 0.
Observemos que f (x0 ) = 0 es equivalente a:

f
f
f
(x0 ) = 0,
(x0 ) = 0, ...,
(x0 ) = 0
x1
x2
xn
en otras palabras, los puntos crticos de f satisfacen el sistema de ecuaciones
Df (x) = 0
Este es un sistema de n ecuaciones con n incognitas, pero en general no es un sistema lineal.
Ejemplo 2.4. Busque los puntos crticos de la siguiente funcion y clasifquelos:
f (x, y) = x2 y + y 2 x
Soluci
on. El sistema de ecuaciones que se obtiene es:
f
= 2xy + y 2 = 0
x
f
= 2xy + x2 = 0
y
de donde se tiene
y(2x + y) = 0
y = 0 y = 2x
x(2y + x) = 0
x = 0 x = 2y
de la primera relaci
on vemos que los puntos crticos deben ser de la forma (a, 0), a R o
(b, 2b), b R mientras que de la segunda relacion se observa que los puntos crticos deben
ser de la forma (0, c), c R o (2d, d), d R. Como se tienen que cumplir ambas relaciones a la
vez conclumos que el u
nico punto crtico es (0, 0). Por otro lado, notemos que en la recta y = x
la funci
on vale f (x, x) = 2x3 que toma valores positivos y negativos, como f (0, 0) = 0, conclumos
que (0, 0) no es ni m
aximo ni mnimo local, por lo tanto es un punto silla.
56
2.2.2. Condiciones de segundo orden

Veamos ahora condiciones necesarias de 2do orden equivalentes a las vistas en el caso de funciones
de una variable, es decir, f 00 (x) 0 para mnimo y f 00 (x) 0 para maximo, y tambien condiciones
suficientes equivalentes a las del caso de una variable, osea f 00 (x) > 0 para mnimo y f 00 (x) < 0
para m
aximo.
Definici
on 2.5. Sea A un subconjunto abierto de Rn y f : A Rn R una funcion con derivadas
de 2do orden
2f
(x0 )
xi xj
en x0 . El Hessiano de f en x0 es la funcion cuadratica definida por
Hf (x0 )(d) =
n
1 X 2f
(x0 )di dj
2 i,j=1 xi xj
Otra forma de escribir la expresi

on anterior es
Hf (x0 )(d) =
donde
H=
2 f (x0 )
x21
2
f (x0 )
x2 xn
2 f (x0 )
x1 x2
1 T
d Hd
2
2 f (x0 )
x1 x3
f (x0 )
x22
f (x0 )
x2 x3
..
.
..
2 f (x0 )
xn x1
...
2 f (x0 )
xn x2
...
2 f (x0 )
x1 xn
2
f (x0 )
x2 xn
..
.
2 f (x0 )
xn x3
...
2 f (x0 )
x2n
Ya habamos introducido la matriz H, que se denomina matriz Hessiana de la funcion f . Recordemos que cuando f es de clase C 1 esta matriz es simetrica ya que
2f
2f
=
xi xj
xj xi
Antes de dar el criterio de 2do orden, recordemos algunos elementos de algebra lineal.
Si A es una matriz simetrica, entonces A es diagonalizable, es decir, existe una matriz P tal que
A = P DP T
(2.1)
donde P es una matriz invertible (ortogonal) y D es una matriz diagonal, es decir:

PTP = I
donde I es la matriz identidad y
D=
1
0
..
.
0
2
..
.
..
.
0
0
..
.
57
De (2.1) tenemos que

AP = P D
y esta ecuaci
on por columnas es
Api = i pi
donde pi representa la i-esima columna de P . Los i son los valores propios de la matriz A mientras
que los pi son los vectores propios correspondientes a dichos valores propios.
Una matriz A se dice definida positiva si
xT Ax > 0 x 6= 0
Si adem
as es simetrica, usando la diagonalizacion vista anteriormente, tenemos que
xT P DP T x > 0 x 6= 0
o sea (haciendo P T x = y)
y T Dy > 0 y 6= 0
X
i yi2 > 0 y 6= 0
y de aqui se obtiene el siguiente teorema.
Teorema 2.5. Una matriz A es definida positiva si y s
olo si los valores propios de A son positivos.
Demostraci
on. Haremos la demostracion en dos partes. Sean
1. A es definida positiva (xT Ax > 0, x 6= 0).
2. Los valores propios de A son positivos.
(1) (2):
Sea un valor propio de A e y 6= 0 un vector propio correspondiente al valor propio . Entonces
0 < y T Ay = y T (y) = y T y = kyk2 > 0
(2) (1):
Suponiendo que A es simetrica entonces A = P DP T , donde las columnas de P son una base
ortonormal del vectores propios y D es la diagonal de los valores propios respectivos. De esta
forma
xT Ax = xT P DP T x = (P T x)T DP T x
entonces definiendo z = P T x se tendra que en terminos de estas nuevas variables la forma cuadratica queda
xT Ax = z T Dz = 1 z12 + . . . + n zn2 0
dado que los valores propios son positivos. La u
nica forma de que la forma cuadratica sea nula es
con z1 = . . . = zn = 0, es decir z = 0, pero entonces P T x = 0 x = 0 (se debe tener presente
que P 1 = P T ).

Corolario 2.2. Si A es definida positiva entonces existe c > 0 tal que
2
xT Ax c kxk x Rn
donde, c = mn {i : i = 1, ..., n} .
58
Demostraci
on.
xT Ax =
i yi2
2
mn {i : i = 1, ..., n} kyk

2
= c P T x
= cxT P P T x , recordemos que P P T = P T P = I

= c kxk

Tambien se habla de matriz semi-definida positiva cuando se satisface
xT Ax 0 x Rn
Teorema 2.6. Una matriz A es semi-definida positiva si y solo si los valores propios de A son
positivos o nulos.
Nota 2.4. De forma an
aloga a las definiciones de matrices definidas y semi-definidas positivas,
haciendo los cambios de desigualdad correspondientes, se obtienen las definiciones de matrices
definidas y semi-definidas negativas.
Existen muchos criterios para determinar si una matriz es definida positiva o no, uno de los usados
por su f
acil comprobaci
on es el siguiente: Una matriz B cuadrada (n n) es definida positiva si
y solo si todas las submatrices cuadradas a lo largo de la diagonal tienen determinantes positivos.
Para el caso de las matrices definidas negativas los signos de los determinantes deben alternarse,
comenzando con negativo.
De esta forma, cuando la matriz es semi-definida positiva se tiene que
|Hi | 0 i {1, . . . , j}
mientras que cuando la matriz es semi-definida negativa se tiene que |H1 | 0, |H2 | 0, . . . tal que
(1)i |Hi | 0 i {1, . . . , j}
Ejemplo 2.5. Para el caso de una funcion de tres variables los determinantes de las tres submatrices del Hessiano corresponden a
2 f (x) 2 f (x) 2 f (x)

x21
x1 x2
x1 x3
2 f (x) 2 f (x)

x21
x1 x2

2
2
2
f (x)

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

|H1 | =
|H2 | =
|H3 | = x2 x1
2
2

x
x
x
2
3
2
2 f (x) 2 f (x)
x1

2
x2 x1
x2
2 f (x) 2 f (x) 2 f (x)

2
x3 x1
x3 x2
x3
Teorema 2.7. (Condiciones necesarias de 2do orden)

Sea f : A Rn R con A un subconjunto abierto de Rn y f de clase C 2 . Si x0 es un mnimo local
de f entonces la matriz Hf (x0 ) es semidefinida positiva. Si x0 es un m
aximo local de f , entonces
Hf (x0 ) es semidefinida negativa.
Demostraci
on. Sea h Rn cualquiera, si x0 es un mnimo local entonces usando la condicion
necesaria de primer orden (teorema 2.4) y el teorema de Taylor de orden 2 (teorema 2.3) se tiene
para todo t R
1
f (x0 + th) f (x0 ) = t2 hT Hf (x0 )h + R2 (x0 , th)
2
59
Luego, por la propiedad que satisface el resto se tiene que

1 2 T
t h Hf (x0 )h
f (x0 + th) f (x0 )
= lm 2
2
t0
t0
||th||
||th||2
lm
El lmite de la izquierda es positivo pues x0 es mnimo local de f mientras que la expresion de la

derecha no depende de t y es igual a
1 T
2 h Hf (x0 )h
||h||2
Esta cantidad es positiva s y s
olo s hT Hf (x0 )h 0. Como h es arbitrario, conclumos que
Hf (x0 ) es semidefinida positiva.
Para terminar la demostraci
on notemos que x0 es maximo local de f s y solo s x0 es un mnimo
local de f . Luego, la matriz Hessiana de f , que es igual a Hf (x0 ), es semidefinida positiva,
lo cual es equivalente a que Hf (x0 ) sea semidefinida negativa.

Teorema 2.8. (Condiciones suficientes de 2do orden)
Sea f : A Rn R con A un subconjunto abierto de Rn y f de clase C 2 . Sea x0 A un punto
crtico de f .
1. Si Hf (x0 ) es definida positiva entonces x0 es un mnimo local de f .
2. Si Hf (x0 ) es definida negativa entonces x0 es un m
aximo local de f .
Demostraci
on. Demostremos solamente la primera parte, la otra se demuestra de forma similar.
Si x0 es punto crtico, entonces usando el teorema de Taylor de orden 2 (teorema 2.3) se tiene que:
f (x0 + d) f (x0 ) = Hf (x0 )(d) + R2 (x0 , d)
donde R2 (x0 , d) 0 cuando d 0.
Como Hf (x0 ) es definida positiva entonces existe c > 0 tal que
Hf (x0 )(d) ckdk2 d Rn
y como
R2 (x0 ,d)
kdk2
0 cuando d 0, existe > 0 tal que si 0 < kdk < entonces

|R2 (x0 , d)| < ckdk2
y por tanto
f (x0 + d) f (x0 ) > ckdk2 ckdk2 = 0
para todo 0 < kdk < , lo que implica que x0 es un mnimo local.
Ejemplo 2.6. Encuentre los puntos crticos de la siguiente funcion y clasifquelos.
f (x, y) = ln(x2 + y 2 + 1)
Soluci
on.
1
f
= 2
2x = 0
x
x + y2 + 1
f
1
= 2
2y = 0
y
x + y2 + 1
x=0
y=0
60
2.3. FUNCIONES CONVEXAS
y por tanto el u
nico punto crtico es (x, y) = (0, 0). Veamos ahora la matriz Hessiana de la funcion
f evaluada en este punto:

x2 + y 2 + 2
2 f
=
=2
2
x2 (0,0)
(x2 + y 2 + 1) (0,0)

2 f
4xy

=
=0

2

2
2
xy (0,0)
(x + y + 1) (0,0)

2 f
x2 y 2 + 2
=
=2
2
y 2 (0,0)
(x2 + y 2 + 1)
(0,0)
es decir, la matriz Hessiana queda:

H=
2
0
0
2
la cual es trivialmente definida positiva y por tanto el punto (0, 0) es un mnimo local de f .
Ejemplo 2.7. Dada la funci

on f (x, y) = y 4x2 + 3xy y 2 , podemos saber si la funcion presenta
un m
aximo o un mnimo a partir de la Matriz Hessiana.
Soluci
on.
f (x, y)
= 8x + 3y
x
f (x, y)
= 8
x2
2 f (x, y)
=3
yx
f (x, y)
= 1 + 3x 2y
y
2 f (x, y)
= 2
y 2
2 f (x, y)
=3
xy
Luego,

H=
8
3
3
2
Se tiene que las submatrices corresponden a

|H1 | = 8 < 0

8
|H2 | =
3

3
= 16 9 = 7 > 0
2
As, se tiene que la matriz Hessiana es constante para todos los puntos. Al ver los signos de los
determinantes de las submatrices, se observa que estos son alternados y que |H1 | es negativo.
Luego, la matriz Hessiana es definida negativa y todo punto crtico de f sera un maximo.
2.3. Funciones convexas

Motivaci
on: La familia de funciones convexas a valores reales corresponde a una familia mucho
m
as amplia que la de funciones lineales. Lo que nos interesa es caracterizar esta familia, en especial
el caso de las funciones convexas diferenciables, y presentar condiciones necesarias y suficientes para
que un determinado elemento de un espacio vectorial normado sea el mnimo de la funcion convexa
sobre alg
un conjunto. La caracterizaci
on que haremos de las funciones convexas es extensible a las
funciones c
oncavas.
61
Definici
on 2.6. Una funci
on f : D Rn R, con D convexo, es convexa si
f (x + (1 )y) f (x) + (1 )f (y)
x, y D,
[0, 1]
Definici
on 2.7. Una funci
on f : D Rn R, con D convexo, es estrictamente convexa si
f (x + (1 )y) < f (x) + (1 )f (y)
x, y D
(0, 1)
De manera m
as intuitiva, una funci
on f es convexa si el segmento que une dos puntos pertenecientes
al grafo de la funci
on se ubica por sobre el grafo.
Determinar la convexidad de una funcion por medio de esta definicion resulta complicado por lo
que recurriremos a algunos criterios de diferenciabilidad cuando estos son aplicables.
Nota 2.5. Para que esta definici
on tenga sentido necesitamos que el dominio de la funcion sea un
conjunto convexo. Esto es importante porque la definicion que presentamos requiere que, para dos
puntos cualesquiera x e y en el dominio de la funcion, las combinaciones convexas de x e y, es
decir los puntos de la forma f (x) + (1 )f (y), esten en el dominio de la funcion, lo que ocurre
si el dominio es un conjunto convexo. A partir de ahora, cada vez que nos refiramos a una funci
on
f : D Rn R convexa entenderemos que D es igual a todo el espacio vectorial Rn , que es
convexo, o si es s
olo una parte de Rn , D sera un subconjunto convexo de Rn .
Definici
on 2.8. El hipografo de una funcion corresponde a todos los puntos situados bajo el grafo
de la funci
on y queda definido por el conjunto
E = {(x, c) : x D, c R, f (x) c}
Definici
on 2.9. El epgrafo de una funcion corresponde a todos los puntos situados sobre el grafo
de la funci
on y queda definido por el conjunto
E = {(x, c) : x D, c R, f (x) c}
El epgrafo de una funci
on nos permite relacionar funciones convexas con conjuntos convexos.
f (x)
grafo(f )
epi(f )
hip(f )
x
Figura 2.1: Epgrafo, hipografo y grafo de una funcion
A partir de la definici
on 2.9 podemos obtener otro criterio de convexidad.
Teorema 2.9. f : D Rn R es convexa si y s
olo si el epgrafo de f es convexo en Rn+1 . Esto
n
es, x, y R , c1 , c2 R tales que (x, c1 ), (y, c2 ) epi(f ) se tiene que
(x, c1 ) + (1 )(y, c2 ) epi(f )
62
Demostraci
on.linea en blanco
(): Supongamos que f : D Rn R es una funcion convexa, entonces debemos demostrar que
epi(f ) es convexo. Sean x, y D, c1 , c2 R tales que (x, c1 ), (y, c2 ) epi(f ), es decir:
f (x) c1 , f (y) c2
(*)
Sea [0, 1] cualquiera, por definici

on de convexidad tenemos que:
f (x + (1 )y) f (x) + (1 )f (y)
Usando (*), se obtiene que
f (x + (1 )y) c1 + (1 )c2
Lo que es equivalente a
(x + (1 )y, c1 + (1 )c2 ) = (x, c1 ) + (1 )(y, c2 ) epi(f )
Conclumos que epi(f ) es convexo.
(): Supongamos que epi(f ) es convexo, entonces debemos demostrar que f : D Rn R es
convexa. Sean x, y D y notemos que (x, f (x)), (y, f (y)) epi(f ). Como epi(f ) es convexo, para
todo [0, 1] el punto (x, f (x)) + (1 )(y, f (y)) pertenece a epi(f ). Esto u
ltimo es equivalente
a:
(x + (1 )y, f (x) + (1 )f (y)) epi(f )
f (x + (1 )y) f (x) + (1 )f (y)
Por lo tanto conclumos que f es convexa.
Teorema 2.10. Sea f : D Rn R una funci

on convexa. Entonces todo mnimo local de f en
A es mnimo global de f en D.
Demostraci
on. Sea x0 un mnimo local de f en D y supongamos que x0 no es mnimo global de
f , es decir, existe x D tal que f (x) < f (x0 ). Como D es convexo se tiene que
(0, 1)
(1 )x0 + x D
Por lo tanto, en el segmento que une x y x0 se cumple:

f ((1 )x0 + x)
(1 )f (x0 ) + f (x)
<
(1 )f (x0 ) + f (x0 )
f (x0 )
Esto genera una contradicci

on pues en la medida que 0, se tendra que (1 )x0 + x x0 .
Luego, como x0 es mnimo local y f es convexa, para 0 se debe cumplir que
f (x0 ) f ((1 )x0 + x).

n
Teorema 2.11. Sea f : D R R una funci

on diferenciable con D abierto y convexo. f es
convexa (respectivamente estrictamente convexa) si y s
olo si
f (x) f (y) + f (y) (x y)
x, y D
(resp. >)
(2.2)
63
Demostraci
on. linea en blanco
(): Supongamos que f es convexa, entonces
f (x + (1 )y)
f (x) + (1 )f (y) x, y D, [0, 1]
f (y + (x y))
f (x) + (1 )f (y) x, y D, [0, 1]
f (y + (x y)) f (y)
f (x) f (y)
x, y D, ]0, 1]
Aplicando lmite cuando 0+

f (y) (x y) f (x) f (y)
f (x) f (y) + f (y) (x y)
(): Sean x, y D, z = x + (1 )y y [0, 1]. Supongamos que f cumple (2.2), entonces

f (x) (f (z) + f (z) (x z))
(1 )f (y) (1 )(f (z) + f (z) (y z))
Sumando las u
ltimas dos desigualdades se obtiene que
f (x) + (1 )f (y) f (z) + f (z) (x + (1 )y z )
{z
}
|
0
Es decir
f (z) f (x) + (1 )f (y)
f (x + (1 )y) f (x) + (1 )f (y)


on diferenciable con D abierto y convexo. f es
convexa (respectivamente estrictamente convexa) si y s
olo si
(f (x) f (y)) (x y) 0
x, y D
(resp. >)
(2.3)
Demostraci
on. linea en blanco
(): Supongamos que f es convexa. De acuerdo al teorema 2.10 se cumplen
f (x) f (y) + f (y) (x y)
f (y) f (x) + f (x) (y x)
Sumando estas desigualdades obtenemos
0 f (y) (x y) + f (x) (y x)
(f (x) f (y)) (x y) 0
(): Sean x, y A. Definamos g : [0, 1] R como g() = f (y + (x y)). Como g es derivable

obtenemos g 0 () = f (y + (x y)) (x y).
Supongamos que se cumple (2.3), entonces para todo (0, 1)
g 0 () g 0 (0) = (f (y + (x y)) f (y)) (x y)

y + (x y) y
g 0 () g 0 (0) = (f (y + (x y)) f (y))
g 0 () g 0 (0) 0
64
(0, 1) tal que

Aplicando el teorema del valor medio (teorema 1.23) a g, existe
1
g(1) g(0) = g 0 ()
g 0 (0), luego
Pero g 0 ()
g(1) g(0) g 0 (0)
Reemplazando, se obtiene que
f (x) f (y) f (y) (x y)
f (x) f (y) + f (y) (x y)
Usando el teorema 2.9 conclumos que f es convexa.
Teorema 2.13. Sea f : D Rn R de clase C 2 con D abierto y convexo. f es convexa (respectivamente estrictamente convexa) en D si y s
olo si Hf (x) es semi-definida positiva (respectivamente
definida positiva) para todo x D.
Demostraci
on. linea en blanco
(): Supongamos que f es convexa. Sean x D, h Rn \{0} cualesquiera y definamos g : [0, ]
R, para valores de tal que x + h D, como g() = f (x + h) h. Como g es derivable se
obtiene
g 0 () = hT Hf (x + h)h
debemos demostrar que
g 0 (0) = lm+
0
g() g(0)
0
Del teorema 2.11 tenemos que

g() g(0) = (f (x + h) f (x)) h

x + h x
= (f (x + h) f (x))
0
Por lo tanto se tiene que g 0 (0) = hT Hf (x)h 0. Como h es arbitrario, se concluye que Hf (x) es
semi-definida positiva.
(): Sean x, y D cualesqueria, por el teorema 2.3 se tiene que
1
f (x) = f (y) + f (y)(x y) + (x y)T Hf (y)(x y) + R2 (y, x y)
2
Luego, si Hf (y) es semi-definida positiva se obtiene
f (x) f (y) f (y)(x y) R2 (y, x y) 0
de acuerdo al teorema 2.10 esta u
ltima desigualdad verifica que f es convexa.
La convexidad local es una condici

on necesaria para la existencia de mnimos locales de funciones
y la convexidad estricta es una condici
on suficiente para la existencia de un mnimo global. Para
una funci
on f : D Rn R diferenciable el teorema 2.13 nos asegura provee un criterio u
til para
determinar la convexidad de una funci
on cuando esta es diferenciable.
65
Ejemplo 2.8. ln(x) con x R++ (x > 0) es convexa. En efecto, mediante la diferenciabilidad
2
de la funci
on podemos garantizar que es convexa ya que xf2 = x12 > 0 x > 0.
Ejemplo 2.9. Las funciones en R:
1. ax + b de R en R con cualquier a, b R
2. exp(x) de R en R con cualquier a R
3. x de R+ en R+ con 1
4. |x| de R en R+ con 1
Las funciones en R2 :
1. aT x + b de R2 en R con a R2 , b R
2. A(x1 + x2 ) de R2+ en R con A, , > 0 y > 1
2
3. x
1 x2 de R+ en R con + > 1
Las normas en Rn y toda funci

on f (x) = aT x + b con a, x Rn y b R son funciones convexas.
2.4. Funciones c
oncavas
Definici
on 2.10. Una funcion f : D Rn R, con D abierto y convexo, es concava (respectivamente estrictamente c
oncava) si la funcion f es convexa (respectivamente estrictamente convexa).
De esta forma, f es c
oncava (resp. estrictamente concava) si
f (x + (1 )y) f (x) + (1 )f (y)
x, y D,
(0, 1)
Alternativamente, una funci

on es c
oncava si su hipografo es convexo, esto es x, y Rn , c1 , c2 R
tales que (x, c1 ), (y, c2 ) hip(f ) se tiene que
(x, f (x)) + (1 )(y, f (y)) hip(f )
Nota 2.6. Seguimos suponiendo que el dominio de la funcion es convexo por las mismas razones
consideradas para las funciones convexas. Son tres hechos completamente distintos pero relacionados: la convexidad del dominio, la concavidad de la funcion y la convexidad del hipografo en el
caso de las funciones c
oncavas.
De la definici
on presentada tenemos que todo lo expuesto sobre funciones convexas es valido cambiando f por f . As, en los teoremas 2.9, 2.10, 2.11, 2.12 y 2.13 nos basta con reemplazar mnimo
por m
aximo, invertir las desigualdades, cambiar convexo por concavo, (semi) definida positiva por
(semi) definida negativa y cambiar epgrafo por hipografo para obtener el caso concavo.
La concavidad es una condici
on necesaria para la existencia de maximos locales de funciones y
la concavidad estricta es una condicion suficiente para la existencia un maximo global. Para una
funci
on f : D Rn R el teorema 2.13 nos provee un criterio u
til para determinar la concavidad
de una funci
on cuando esta es diferenciable.
66
2.5. EXTREMOS RESTRINGIDOS Y MULTIPLICADORES DE LAGRANGE
2.5. Extremos restringidos y Multiplicadores de Lagrange

Motivaci
on: Veremos intuitivamente el caso en que aparecen restricciones en un problema de
maximizaci
on o minimizaci
on. Retomaremos esto mas adelante pero es conveniente tener al menos
la noci
on de como afrontar estos problemas. Las demostraciones detalladas las veremos en el
captulo final para seguir con temas tanto o mas importantes.
Teorema 2.14. Sea f : A Rn R una funci
on continua y A un conjunto cerrado y acotado.
Entonces f alcanza su mnimo y su m
aximo en A, es decir, existen x0 , x1 A tales que:
f (x0 ) f (x) f (x1 )
x A
Demostraci
on. Para el caso del mnimo, sea
m = nf f (x)
xA
por definici
on del nfimo, sabemos que existe una sucesion {xk } A tal que f (xk ) m.
Demostremos que esta sucesi
on, por estar contenida en A, tiene una subsucesion convergente. En
efecto, como A es acotado, existe K > 0 tal que ||x|| K x A, luego, para todo k N se
cumple que ||xk || K. Tomemos ahora la sucesion real de las primeras coordenadas, es decir para
todo k N definimos {yk1 }kN por
yk1 = x1k
Notemos que |yk1 | ||xk || K, por lo tanto yk1 es acotada y posee una subsucesion convergente
j
yk1j y 1 . A continuaci
on tomemos la sucesion de las segundas coordenadas de la subsucesion
definida por los ndices anteriores, es decir para todo j N definimos {yj2 }jN por
yj2 = x2kj
Notemos que |yj2 | ||xkj || K, por lo que yj2 es acotada y posee una subsucesion convergente
l
yj2l y 2 , adem
as, como los ndices kjl estan contenidos en los ndices kj se tiene que yk1j
l
1
y . Es decir,
l
x1kj y 1
l
x2kj y 2
l
Repitiendo este proceso hasta la u

ltima coordenada, obtendremos que existe una subsucesion tal
que cada coordenada de {xk } es convergente, es decir
i
x1ki y 1
i
x2ki y 2
..
.
i
n
xn
ki y
O equivalentemente
i
xki y = (y 1 , . . . , y n )T
67
Como A es cerrado, necesariamente y A y como f es continua, se tiene que

lm f (xki ) = f (y) = m
Por lo tanto m > y en el punto y se alcanza el nfimo de f en A. Luego,

f (y) f (x) x A
La demostraci
on para el caso del m
aximo es analoga.
2.5.1. Condiciones de 1er orden para extremos restringidos

Teorema 2.15. (Teorema de los multiplicadores de Lagrange, forma geometrica)
Sean f : A Rn R y g : A Rn R funciones diferenciables. Sea x0 A tal que g(x0 ) = c, y
sea S el conjunto de nivel para g con valor c, es decir
S = {x A : g(x) = c}
Supongamos que g(x0 ) 6= 0 y que f |S (f restringida a S) tiene un mnimo (o m
aximo) local en
S en x0 , es decir, x0 es una soluci
on del problema:
mn f (x)
s.a
g(x) = c
max
x
s.a
f (x)
g(x) = c
entonces existe un valor R, llamado multiplicador de Lagrange, tal que (x0 , ) es mnimo (o
m
aximo) local de la funci
on Lagrangeano:
L(x, ) = f (x) (g(x) c)
sobre la cual podemos aplicar la condici
on de primer orden y obtener que satisface
f (x0 ) = g(x0 )
Demostraci
on. Supongamos que x0 es solucion del problema de minimizacion (el otro caso es
similar) y sea
S = {x A : g(x) = c}
Como g(x0 ) 6= 0, entonces este vector es normal a la superficie S, por otro lado, el plano tangente
a S en x0 se caracteriza como
: g(x0 )T (x x0 ) = 0
o equivalentemente
= { 0 (0) : : R A, (t) S t, (0) = x0 }
Entonces, siendo x0 un mnimo de f , la funcion t 7 f ((t)) tiene un mnimo en 0 para cada ,
por tanto
f (x0 )T 0 (0) = 0
es decir, f (x0 ) es ortogonal al plano tangente o lo que es lo mismo, paralelo al vector g(x0 ).
Por lo tanto, existe un real tal que
f (x0 ) = g(x0 )
68

Observemos que la funci

on Lagrangeano consta de n + 1 variables (el multiplicador es una variable
m
as) y que el teorema provee una condicion necesaria que es equivalente a que el siguiente sistema
tenga soluci
on:
g
f
(x1 , ..., xn ) =
(x1 , ..., xn )
x1
x1
..

.
f (x0 ) = g(x0 )
(2.4)
f
g
g(x1 , ..., xn ) = c
(x1 , ..., xn ) =
(x1 , ..., xn )
xn
xn
g(x1 , ..., xn ) = c
Corolario 2.3. Si f al restringirse a una superficie S, tiene un m
aximo o un mnimo en x0 ,
entonces f (x0 ) es perpendicular a S en x0 .
Ejemplo 2.10. Sea S R2 la recta que pasa por el punto (1, 0) y tiene una inclinacion de 45
y sea f : R2 R tal que (x, y) 7 x2 + y 2 . Hallar los puntos extremos de f sobre la recta S.
Soluci
on. Veamos que S se puede escribir como
S = {(x, y) : y x 1 = 0}
y denotemos por (x0 , y0 ) el posible candidato a ser punto extremo. En este caso g(x, y) = y x 1,
c = 0. De esta forma, el Lagrangeano del problema corresponde a
L(x, y, ) = x2 + y 2 (y x 1)
a partir del cual, aplicando el sistema Lagrangeano (2.4) se obtiene
2x0 =
x0 = y0
x0 = 1/2
2y0 =
y
=
x
+
1
y0 = 1/2
0
0
y0 = x0 + 1
Es decir, el extremo de f es (x0 , y0 ) = ( 21 , 12 ) y el valor del multiplicador de lagrange es = 1.
El siguiente contraejemplo resulta interesante:
Ejemplo 2.11. Consideremos el problema
mn
x1 + x2
s.a
2x1 3x2 = 0
x1 ,x2
Observemos que f (x1 , x2 ) = (1, 1) y g(x1 , x2 ) = (2, 3). Entonces, no existe R tal que el
sistema que define las condiciones de primer orden del Lagrangeano tenga solucion. Esto ocurre
pues el problema original no tiene solucion.
En general, para poder determinar si los puntos extremos son mnimos locales, maximos o puntos sillas debemos analizar el comportamiento de la 2da derivada o usar otros argumentos, como
veremos m
as adelante.
Supongamos ahora que tenemos k restricciones de igualdad, es decir
S = {x Rn : g1 (x1 , ..., xn ) = 0, . . . , gk (x1 , ..., xn ) = 0}
69
y el problema de optimizaci
on es:
mn f (x)
xS
max f (x)
(2.5)
xS
donde f, gi : Rn R, i {1, . . . , k} son funciones diferenciables.

Entonces el teorema de los multiplicadores de Lagrange se extiende de la siguiente forma:
Teorema 2.16. Si los problemas (2.5) tienen un mnimo o m
aximo local x0 , es decir, existe una
vecindad V de x0 tal que:
f (x) f (x0 ) x V S
(
o f (x) f (x0 ))
entonces existen k n
umeros reales (multiplicadores) 1 , . . . , k tales que:
f (x0 ) = 1 g1 (x0 ) + . . . + k gk (x0 )
siempre que los vectores g1 (x0 ), . . . , gk (x0 ) sean linealmente independientes.
Ejemplo 2.12. Encontrar el m
aximo valor de f (x, y, z) = x+2y +3z en la curva de la intersecci
on
del plano x y + z = 1 y la circunferencia x2 + y 2 = 1.
Soluci
on. Sabemos que el problema tiene solucion pues se quiere maximizar una funcion continua
sobre un conjunto compacto. Para encontrarla debemos plantear el Lagrangeano del problema, el
cual corresponde a
L(x, y, z, 1 , 2 ) = x + 2y + 3z 1 (x y + z 1) 2 (x2 + y 2 1)
Aplicando el sistema lagrangeano (2.4) obtenemos
1 = 1 + 22 x0
5x0 = 2y0
2 = 1 + 22 y0
3 = 1
x0 y0 + z0 = 1
y
+
z
=
1
x20 + y02 = 1
0
0
0
2
2
x0 + y0 = 1
x0 = 2/ 29
y0 = 5/ 29
z0 = 1 7/ 29
Es decir, f presenta dos extremos que son

2 5
7
,
,1
29 29
29
7
2 5
, ,1 +
29 29
29
(x1 , y1 , z1 ) =
(x2 , y2 , z2 ) =
mientras que los valores de los multiplicadores de Lagrange son 1 = 3 y 2 = 29/2. Evaluando
la funci
on objetivo en estos dos puntos notamos que el primero corresponde al mnimo y el segundo
al m
aximo.

2.5.2. Condiciones de 2do orden para extremos restringidos
Consideremos el siguiente problema:
mn
f (x1 , . . . , xn )
s.a
gi (x1 , . . . , xn ) = c
donde f, gi son funciones diferenciables.
max
x
s.a
f (x1 , . . . , xn )
gi (x1 , . . . , xn ) = c i {1, . . . , k}
(2.6)
70
Nota 2.7. En lo que sigue denotaremos I = {1, . . . , k}.

Por el teorema anterior sabemos que si {gi (x1 , ..., xn )} son l.i. entonces existe Rk tal que:
f (x1 , ..., xn ) = T g(x1 , ..., xn )
T
donde g(x1 , ..., xn ) = (g1 (x1 , ..., xn ), ..., gk (x1 , ..., xn )) , es decir
L(x1 , ..., xn , ) = 0
donde L representa el Lagrangeano del problema (2.6).
De los puntos crticos para el Lagrangeano, mas las restricciones, obtenemos posibles candidatos a
mnimos o m
aximos locales:
L(x) = 0
gi (x) = 0 i I
En el caso sin restricciones, el criterio para determinar de que tipo eran los posibles extremos
era analizando la matriz Hessiana de la funcion objetivo, en dependencia de si esta era definida
negativa o positiva, entonces se tena un maximo o un mnimo respectivamente.
Un criterio similar se tiene para el caso de un problema con restricciones, sin embargo no sera necesario que el Hessiano, en este caso el del Lagrangeano, sea definido positivo o negativo para cada
direcci
on d, en realidad bastar
a que lo sea en un cierto conjunto que denominaremos conjunto de
direcciones crticas y lo definiremos como:
K(x) = {d Rn : gi (x0 ) d = 0 i I, f (x0 ) d 0}
cuando el problema es de minimizaci
on y
K(x) = {d Rn : gi (x0 ) d = 0 i I, f (x0 ) d 0}
cuando es de maximizaci
on.
Teorema 2.17. Sea x0 S = {x : gi (x) = 0 i I}. Supongamos que
{g1 (x0 ), . . . , gk (x0 )}
es linealmente independiente, entonces existe Rk tal que
L(x0 , ) = 0
Si adem
as se tiene que
dT Hx L(x0 , )d > 0 d K(x), d 6= 0
entonces x0 es un mnimo local de (2.6). Mientras que si se tiene
dT (Hx L(x0 , ))d < 0 d K(x), d 6= 0
entonces x0 es un m
aximo local de (2.6).
71
Por razones pedag

ogicas, la demostracion de este teorema no se hara hasta el captulo 5 a fin de
seguir con contenidos que son tanto o mas importantes en el curso y hacerla cuando hayamos visto
con detalle el teorema de los multiplicadores de Lagrange.
Hay que tener presente que en el teorema el hessiano del Lagrangeano es solo con respecto a x, es
decir
2L
2L
2L
(x0 , )
2
n
x1 x2 (x0 , )
x1 xn (x0 , )
x21
L
..
..
..
..
=
Hx L(x0 , ) =
(x
,
)
0
.
.
.
.
xi xj
i,j=1
2L
2L
2L
(x
,
)
(x
,
)
(x
,
)
0
0
0
xn x1
xn x2
x2
n
Ejemplo 2.13. En el ejemplo (2.10), diga si el punto (x0 , y0 ) = ( 12 , 12 ) es un maximo o un

mnimo.
Soluci
on. Para esto, construyamos primeramente el Lagrangeano del problema:
L(x, y, ) = x2 + y 2 (y x 1)
Recordemos que el multiplicador de lagrange era = 1, por tanto, el Hessiano del Lagrangeano
queda:

2 0
Hx L(x0 , y0 , ) =
0 2
el cual es definido positivo para todo d, en particular para las direcciones del conjunto de direcciones

crticas y por tanto el punto (x0 , y0 ) = ( 12 , 21 ) es un mnimo.
Ejemplo 2.14. Optimice el valor de la funcion f (x, y) = x sobre el conjunto de puntos (x, y) tales
que x2 + 2y 2 = 3.
Soluci
on. El Lagrangeano para este problema queda de la siguiente forma:
L(x, y, ) = x (x2 + 2y 2 3)
a partir del cual, aplicando el sistema lagrangeano (2.4) se obtiene
1 = 2x0
4 = y0
2
x0 + 2y02 = 3
1 = 2x0
0 = 4y0
2
x0 + 2y02 = 3
1 = 2x0
x20 + 2y02 = 3
y por tanto, los posibles candidatos a extremos ( no puede ser cero) son:

1
(x1 , y1 , 1 ) =
3, 0,
2 3

1
(x2 , y2 , 2 ) = 3, 0,
2 3
por otro lado se tiene que:

2
Hx L(x, y, ) =
0

0
4
72
es decir, para
(x1 , y1 , 1 ) =
1
3, 0,
2 3
Hx L(x1 , y1 , 1 ) es definida negativa y por tanto (x1 , y1 ) = ( 3, 0) es un maximo local mientras

que para

(x2 , y2 , 2 ) = 3, 0,
2 3

Hx L(x2 , y2 , 2 ) es definida positiva y por lo tanto (x2 , y2 ) = ( 3, 0) es un mnimo local.
73
2.6. Ejercicios
Derivadas superiores y teorema de Taylor
Ejercicio 1. Sea f (u, v, w) una funcion con derivadas parciales continuas de orden 1 y 2, y sea
g(x, y) = f (x + y, x y, xy). Calcule gxx + gyy en terminos de derivadas de f (u, v, w).
Ejercicio 2. Considere la funcon f (x, y) = x3 y + sen(x2 y) y verifique que
4f
4f
=
x 2 yx
2 y 2 x
Ejercicio 3. Encuentre una funci
on f : R2 R continua tal que
lm
kxk+
f (x) = 0 y que no posea
m
aximo global.
Ejercicio 4. Sea u(x, y) una funci
on con derivadas parciales continuas de orden 2 y considere la
funci
on v(s, t) = u(es cos(t), es sen(t)). Demuestre que
2

u 2u
2v 2v
2s
+ 2 =e
+ 2
s2
t
x2
y
Ejercicio 5. Considere la funcion u : Rn+1 R, definida como

kxk2
u(t, x) = (t) exp
t
Muestre que u verifica la ecuacion de difusion:
u
(t, x) = k 2 u(t, x)
t
Para k > 0 y el laplaciano calculado sin considerar la derivada con respecto a t, si y solo si =
= n2 y cualquiera.
1
4k2 ,

on f : Rn R se dice homogenea de grado m si:
f (tx) = tm f (x) t R
x Rn
1. Demuestre que si f es de clase C 1 y homogenea de grado m entonces las derivadas parciales

de f son homogeneas de grado m 1.
2. Demuestre que si f es de clase C 1 entonces para todo x Rn se cumple:
mf (x) = f (x).
3. Demuestre que si f es de clase C 2 entonces para todo x Rn se cumple:
m(m 1)f (x) = xt Hf (x)x.
74
2.6. EJERCICIOS
Ejercicio 7. Demostrar que si f es de clase C 2 entonces

f (x0 + h) = f (x0 ) + f (x0 )h + 1/2hHf (x0 )hT + R2 (x0 , h)
donde
lm
h0
R2 (x0 , h)
=0
khk

on u = f (x, y) con segundas derivadas parciales continuas que satisfaga la
ecuaci
on de Laplace
2u 2u
+ 2 =0
u =
x2
y
se llama funci
on arm
onica. Determinar cuales de las siguientes funciones son armonicas.
1. u(x, y) = x3 3xy 2
2. u(x, y) = sen(x) cosh(y)
3. u(x, y) = ex seny
Ejercicio 9. Sea f : R2 R. Para cada x defina gx : R R, gx (y) = f (x, y). Suponga que para
cada x existe un u
nico y tal que gx0 (y) = 0. Si se denota por c(x) a tal punto y y se supone que la
funci
on c es diferenciable demostrar:
1. Si
2f
y 2 (x, y)
6= 0 para todo (x, y) entonces:

0
c (x) =
2f
yx (x, c(x))
2f
y 2 (x, c(x))
2. Si c0 (x) = 0, entonces existe un y tal que

2f
f
(x, y) = 0 y
(x, y) = 0
yx
y
Ejercicio 10. Considere la funci
on f : R2 R definida por:
(
x2 arctan(y/x) y 2 arctan(x/y)
f (x, y) =
0
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
1. Calcule f (x, 0) y f (0, y) para x 6= 0,y 6= 0 respectivamente.

2. Para (x, y) 6= (0, 0), determine f (x, y) y Hf (x, y). Es Hf (x, y) matriz simetrica?.
3. Se cumple que
2f
2f
(0, 0) =
(0, 0)? Justifique.
xy
yx
4. Encuentre el polinomio de Taylor de orden 2 en torno a (0,0).

Ejercicio 11. Calcular el polinomio de Taylor de orden 2 en torno a ( 2 , 1) de la funcion definida
por
f (x, y) = sen(xy) + cos(xy) + 2(x + y)
75
Ejercicio 12. Calcular la expansi

on de Taylor de segundo orden de las funciones siguientes en los
puntos se
nalados, y calcule una vecindad en torno al punto tal que la aproximacion tenga un error
de a lo m
as 102 .
1. f (x, y, z) = (x2 + 2xy + y 2 )ez en {(1, 2, 0), (3, 2, 5)}.
2
2. f (x, y, z) = (x3 + 3x2 y + y 3 )ez en {(0, 0, 0), (3, 2, 3)}.

3. f (x1 , x2 , x3 , x4 ) = log(cos(x1 + x2 x3 x4 )) en (0, 0, 0, 0).
Ejercicio 13. Encuentre la aproximacion de primer orden P1 (x, y, z) y la aproximacion de segundo
orden P2 (x, y, z) para la funci
on
f (x, y, z) = xey + ze2y
en torno al punto (x0 , y0 , z0 ) = (0, 0, 0). Encuentre una vecindad en torno al origen que garantice
un error de a lo m
as 103 .
Ejercicio 14. Sea f : Rn R de clase C . Pruebe que en general no se tiene que la serie de
Taylor de f converge a f . Para esto considere como contraejemplo la funcion f : R R definida
por
( 1
si x < 0
e x2
f (x) =
0
si x 0
Pruebe que es C y estudie su serie de Taylor en torno a cero.
Ejercicio 15. Escribir la f
ormula general de Taylor de orden 3.
Extremos de funciones con valores reales
Ejercicio 16. Sea f : Rn R una funcion continua. Pruebe que sobre todo conjunto compacto
f alcanza un mnimo y un m
aximo.
Ejercicio 17. Sea f : Rn R una funcion continua que satisface
lm
kxk+
f (x) = . Pruebe que
f posee un mnimo global.

Ejercicio 18. Sea f : Rn R una funcion continua que satisface
lm
kxk+
f (x) = 0 y f (x0 ) > 0
para alg
un x0 Rn . Pruebe que f posee un maximo global.
Ejercicio 19. Sea f (x, y) = (ax2 + by 2 )e(x
mnimos globales de f .
+y 2 )
, con a, b > 0. Calcule todos los maximos y
Indicaci
on. Analice los casos a = b,a < b y a > b.
Ejercicio 20. Calcular los extremos relativos y los puntos silla para las funciones
1. cos(x) cosh(y) donde cosh(x) = 12 (ex + ex ).
Pm
2. f (x) = i=0 kx y i k2 donde x Rn e y i Rn , i {1, . . . , m}.
76
2.6. EJERCICIOS
Funciones c
oncavas y convexas
Ejercicio 21. Dados d R3 \ {0} y > 0, se llama cono de Bishop-Phelps al conjunto
K(d, ) = {x R3 : kdkkxk hx, di}
Demuestre que K(d, ) es convexo para todo d R3 \ {0} y > 0.
Ejercicio 22. Dados a, b R2 y [0, 1] se llama petalo de Penot al conjunto
P (a, b) = {x R2 : ka xk + kx bk kb ak}
Demuestre que P (d, ) es convexo para todo a, b R2 y [0, 1].
Ejercicio 23. Sea g : Rn R una funcion convexa. Se define f (x) = exp[g(x)]. Demuestre que f
es convexa.
Extremos restringidos
Ejercicio 24. De un cart
on de 20m2 se va a construir una caja rectangular sin tapa. Determine
el m
aximo volumen de la caja utilizando multiplicadores de Lagrange.
Ejercicio 25. Determinar el paraleleppedo de lados paralelos a los ejes de coordenadas, y de
m
aximo volumen que cabe dentro del elipsoide
x2
y2
z2
+
+
=1
a2
b2
c2
Ejercicio 26. Para p, q, r n
umeros racionales positivos, considere la funcion f (x, y, z) = xp y q z r y
determine el mayor valor de f (x, y, z) cuando x + y + z = a, x > 0, y > 0 y z > 0.
Ejercicio 27. Determine todos los valores extremos de f (x, y) = x2 + y 2 + z en la region x2 +
y 2 + z 2 1, z 0.
Ejercicio 28. Encontrar los puntos de la esfera
3x2 + 3y 2 + 3z 2 = 18
que est
an m
as lejos y m
as cerca del punto (3, 1, 1) mediante multiplicadores de Lagrange.
Ejercicio 29. Encuentre el m
aximo valor de la funcion
x + 2y + 3z
en la curva de la intersecci
on del plano 2x y + z = 1 y el cilindro x2 + y 2 = 1 mediante
multiplicadores de Lagrange.
Ejercicio 30. Sean p, q > 0. Encontrar el mnimo de la funcion f : R2 R definida por
f (x, y) =
xp
yq
+
p
q
sujeto a x, y > 0 y xy = 1. Usar este resultado para deducir la siguiente desigualdad cuando
1
1
p + q = 1 y x, y > 0
xp
yq
xy
+
p
q
77
Ejercicio 31. Dada la funci

on f : R3 R talque f (x, y, z) = xy + z, determine si existe
mnimos

y m
aximos globales de f en la region A = (x, y, z) R3 : x2 + y 2 xy + z 2 1 . En caso de
existir, calc
ulelos.
Ejercicio 32. Calcular los extremos y los puntos silla para las funciones
1. f (x, y, z) = x2 + y 2 + z 2 tal que xy = 1.
2. f (x, y, z) = x2 + 3y 2 + 2z 2 2xy + 2xz tal que x + y + z = 1.
Ejercicio 33. Resuelva el siguiente problema:
mn
x2 y 2
s.a
x2 + y 2 = 1
x,y

mn
x+y+z
s.a
x2 + y 2 = 2
x,y,z
x+z =1

mn
kc dk2
s.a
Ad = 0
donde c, d Rn , A Mmn y m < n.

1. Encuentre una soluci
on d0 para el problema, caractercela.
2. Determine las condiciones para que la solucion encontrada sea u
nica.
3. Demuestre que d0 satisface c d0 0, y que
c d0 0 Rm tal que AT = c
Ejercicio 36. Sean a, b, c R++ . Considere la funcion
f (x, y, z) = xa y b z c
Determine el mayor valor de f (x, y, z) mediante multiplicadores de Lagrange cuando
x+y+z =a
x, y, z > 0
Ejercicio 37. Encuentre el mnimo de la funcion

f (x, y) = x2 + 2y 2
sujeto a la restricci
on
x2 + y 2 = 2
78
2.6. EJERCICIOS
Ejercicio 38. Do
na Paipa es una vendedora que tiene un carrito de sopaipillas a la entrada de
Beaucheff y desea maximizar sus utilidades (ingreso menos costos) de la venta diaria. Lo que se
sabe es:
1. La producci
on de sopaipillas es representable por medio de la funcion f : R3 R definida
por f (x, y, z) = xyz y (x, y, z) son los insumos aceite (x), masa (y) y gas (z).
2. Lo que interesa como horizonte de tiempo es la produccion de un da. Cada da se pueden
producir a lo m
as 500 sopaipillas.
3. El costo de los insumos es 15, 20 y 35 pesos respectivamente. Cada sopaipilla se vende a 100
pesos.
En base a esta informaci
on:
1. Plantee el problema de optimizacion.
2. Resuelva utilizando multiplicadores de Lagrange para obtener la cantidad optima que debe
vender.
3. Determine el margen de ganancia que tiene Do
na Paipa luego de un da de trabajo.
Ejercicio 39. Suponga que ahora Do
na Paipa logra instalar un local de pizzas frente al edificio
CEC. Nuevamente, lo que le interesa es maximizar las utilidades de la venta diaria. La produccion
de pizzas es representable por medio de la funcion f : R3 R definida por f (x, y, z) = (x2 + y 2 +
z 2 + w2 )1/2 y (x, y, z, w) son los insumos masa (x), queso (y), otro ingrediente (z) y electricidad
(w).
Ahora los costos son distintos y todos los insumos tienen un costo unitario de 100 pesos. Cada
pizza se vende a 500 pesos y se pueden producir a lo mas 200 pizzas por da.
En base a esta informaci
on plantee el problema de optimizacion y resuelva.
Ejercicio 40. La vi
na Don Pach
a produce tres tipos de vinos (Carmen`ere, Cavernet Sauvignon y
Merlot). Por razones enol
ogicas que no son parte del apunte la produccion de cada vino viene dada
por combinaciones de capital (K) y mano de obra (L) representables por medio de las siguientes
funciones
1. Carmenere: f (K, L) = 0, 8K 0,3 L0,7
2. Cavernet Sauvignon: f (K, L) = KL
3. Merlot: f (K, L) = (K 1/2 + L1/2 )2
Si el costo de una unidad de capital es m y de una unidad mano de obra es n. Obtenga la demanda
por factores proveniente de la minimizacion de costos para cada caso, planteando el problema de
minimizaci
on general y resuelva utilizando multiplicadores de Lagrange.
Ejercicio 41. Considere la forma cuadratica

2
(x, y)
1

1
x
2
y
minimice su valor sujeto a la restricci

on k(x, y)k = 1.
79
Criterio de 2do orden para extremos restringidos

Ejercicio 42. Sea f : R3 R definida por f (x, y, z) = ln(xyz 3 )
1. Encuentre el valor m
aximo de f sobre
{(x, y, z) R3 : x2 + y 2 + z 2 = 5r2 , x > 0, y > 0, z > 0}
n. Verifique que el hessiano del lagrangeano es definido positivo sobre dicho punto.
Indicacio
2. Usando lo anterior, muestre que para n
umeros reales positivos se cumple
abc3 27
a+b+c
5
5
Ejercicio 43. Sea Q Mnn (R), b Rn , c R y sea f (x) = xT Qx + b x + c. Encuentre las

condiciones sobre Q para la existencia de maximos y mnimos para f .
Adem
as, encuentre las mismas condiciones de la parte anterior pero bajo la restriccion
n
X
x2
i
i=1
=1
CAPITULO 3
Integraci
on
Nos interesa extender la noci
on de area bajo una curva, formalizada por la integral de Riemann
en una variable, a la de
area bajo una superficie en Rn . Luego estudiaremos las propiedades fundamentales de la integral de Riemann en varias variables. Finalmente veremos algunas aplicaciones
a problemas fsicos.
3.1. Integral de Riemann en R2

3.1.1. Definiciones
Definici
on 3.1. R R2 es un rect
angulo si y solo si R = [a1 , b1 ] [a2 , b2 ] con a1 , b1 , a2 , b2 R.
El
area de un rect
angulo R = [a1 , b1 ] [a2 , b2 ] se define como
V (R) = (b1 a1 )(b2 a2 )
Definici
on 3.2. Para m N, definimos la m-equiparticion del intervalo [a, b], con a, b R, como

[c0 , c1 ], [c1 , c2 ], . . . , [cm1 , cm ]
donde los puntos ci vienen dados por: ci = a + i ba
m , para i = 0, . . . , m.
R
R1
R2
cR1
R3
cR2
R4
cR3
cR4
Figura 3.1: 2-equiparticion y seleccion

81
3.1. INTEGRAL DE RIEMANN EN R2
82
Definici
on 3.3. Para m N, definimos la m-equiparticion del rectangulo R = [a1 , b1 ] [a2 , b2 ]
como P = {I1 I2 : Ii Pi , i = 1, 2} donde Pi es la m-equiparticion del intervalo [ai , bi ] para
i = 1, 2. Denotaremos la m-equipartici
on de R como Pm (R).
Definici
on 3.4. Dado un rect
angulo R R2 y m N, decimos que (cP )P Pm (R) es una seleccion
(para Pm (R)) si (P Pm (R)) se tiene cP P .
Notar que cada elemento de una m-equiparticion es un rectangulo y que una m-equiparticion es
finita, luego la siguiente definici
on tiene sentido:
Definici
on 3.5. Sea m N, R R2 rectangulo, f : R R y una seleccion (cP )P Pm (R) . Se
define la suma de Riemann asociada a f y (cP )P Pm (R) como:

X
f (cP )V (P )
S f, (cP )P Pm (R) =
P Pm (R)
Definici
on 3.6. Sea R R2 rect
angulo, f : R R. Decimos que f es Riemann integrable en R
si y s
olo si (S R)( > 0)(m0 N)(m m0 )

S f, (cP )P Pm (R) S <
para cualquier selecci
on (cP )P Pm (R) .
S se llama integral (de Riemann) de f sobre R y se denota:
Z
f
R
La integral de f tambien se anota:

Z
f (x) dx
R
1,00
0,75
0,50
0,25
1
3
x
4
3 y
Figura 3.2: Suma de Riemann para la funcion f (x, y) = sen
xy
15
para P4 ([1, 5]2 )
Ejemplo 3.1. Para R = [0, 1]2 , no es integrable en R la funcion f : R R dada por

(
1 si (x, y) Q Q
f (x, y) =
0 si (x, y)
/ QQ
83
3.1.2. Propiedades b
asicas
Proposici
on 3.1. Sea R R2 rectangulo, f : R R. Si f es integrable en R entonces f es
acotada en R.
Demostraci
on. En efecto, sea = 1, m = m0 en la definicion de integrabilidad. Luego

S f, (cP )P Pm (R) S < 1

X

<1

f
(c
)V
(P
)
S
P

P Pm (R)
X
P Pm (R)

f (cP )V (P ) < 1 + |S|
y para un cierto P0 Pm (R)

f (cP )V (P0 ) < 1 + |S| +
0

f (cP ) <
0
1
V (P0 )
X
P Pm (R)\{P0 }

1 + |S| +

f (cP )V (P )
X
P Pm (R)\{P0 }

f (cP )V (P )
Fijando los cP , para P Pm (R) \ {P0 } y notando que cP0 es arbitrario en P0 se concluye que f
es acotada en P0 . Como adem
as P0 es arbitrario en Pm (R) se concluye que f es acotada en cada
P Pm (R), luego f es acotada en R.

La siguiente propiedad es an
aloga a la condicion de Cauchy para una sucesion, luego es u
til por
ejemplo para estudiar la integrabilidad de una funcion cuando no se conoce el valor de su integral.
Proposici
on 3.2. Sea R R2 rectangulo, f : R R. Son equivalentes:
1. > 0, m0 N, k, m m0 , (c0P )P Pk (R) seleccion, (cP )P Pm (R) seleccion

S f, (c0P )P Pk (R) S f, (cP )P Pm (R) <
2. f es integrable en R.
Demostraci
on. linea en blanco
(): Fijemos ciertas selecciones (cm
otesis, la sucesi
on
P )P Pm (R) , para cada m N. Luego, por la hip

S f, (cm
resulta ser de Cauchy y converge a un cierto S R. Sea > 0. Sea
P )P Pm (R)
mN
m1 m0 tal que (m m0 )

S f, (cm
P )P Pm (R) S <
Sea m m0 y una selecci
on (cP )P Pm (R) arbitraria. As, nuevamente con la hipotesis, resulta que

1
S f, (cP )P Pm (R) S S f, (cP )P Pm (R) S f, (cm
P )P Pm1

1
+ S f, (cm
)
S

P P Pm
1
< 2
84
(): Sea > 0, sea m0 N tal que (m m0 )

para toda elecci
on de los (cP )P Pm (R) . Sean k, m m0 arbitrarios, sean (cP )P Pm (R) , (c0P )P Pk (R)
selecciones arbitrarias. Luego:

S f, (cP )P Pm (R) S f, (c0P )P Pk (R) S f, (cP )P Pm (R) S

+ S S f, (c0P )P Pk (R)
2

El siguiente lema es una consecuencia de la proposicion 3.2 y nos da una condicion necesaria
y suficiente de integrabilidad m
as f
acil de verificar en varias de las propiedades que siguen. La
principal diferencia con la proposici
on 3.2 es que en vez de comparar todos los pares de particiones,
compara pares de particiones que son una un refinamiento de la otra.
Lema 3.1. Sea R R2 rect
angulo, f : R R. Son equivalentes
on)
1. ( > 0)(m0 N)(k N)(m m0 )((cP )P Pm (R) , (c0P )P Pkm (R) selecci
X
0

f (cQ ) f (cP )V (Q) <
P Pm (R) QPkm (R)

QP
Demostraci
on. Usaremos la proposici
on 3.2 para sustituir la condicion f integrable en R.
(): Sea > 0. Por hip
otesis
(m0 N)(k N)(m m0 )((cP )P Pm (R) seleccion)((c0P )P Pkm (R) seleccion)
X
X

f (c0Q ) f (cP )V (Q) <
P Pm (R) QPkm (R)
QP
Sean k, m m0 , sean (cP )P Pm (R) , (c0P )P Pk (R) selecciones. Sea (c0P )P Pkm (R) seleccion. Luego:

S f, (c0Q )QPkm (R) S f, (cP )P Pm (R)
X

X

0

=
f (cQ )V (Q)
f (cP )V (P )
P Pm (R)
QPkm (R)
f (c0Q )V
P Pm (R) QPkm (R)

QP
P Pm (R)
0

f (cQ ) f (cP )V (Q)
P Pm (R) QPkm (R)

QP
<
(Q)
f (cP )
X
QPkm (R)
QP

V (Q)
85
y an
alogamente

S f, (c0Q )QPkm (R) S f, (c0P )P Pk (R) <
As

S f, (cP )P Pm (R) S f, (c0P )P Pk (R)

S f, (cP )P Pm (R) S f, (c0Q )QPkm (R)

+ S f, (c0Q )QPkm (R) S f, (c0P )P Pk (R)
< 2
(): Sea > 0. Por hip
otesis, (m0 N)(k, m m0 )((c0P )P Pk (R) seleccion)((cP )P Pm (R)
selecci
on)

Sean k N, m m0 , sean (cP )P Pm (R) , (c0P )P Pkm (R) selecciones. Para P Pm (R) definamos
0
0
c+
P = argmax{f (cQ ) : Q Pkm (R), Q P } {f (cP )}, cP = argmin{f (cQ ) : Q Pkm (R), Q
P } {f (cP )}. Luego
X
X

f (c0Q ) f (cP )V (Q)
P Pm (R) QPkm (R)
QP
f (c+
P ) f (cP ) V (Q)
P Pm (R) QPkm (R)

QP
f (c+
P ) f (cP ) V (P )
P Pm (R)

= S f, (c+
Q )QP

m (R)

S f, (c
)
P P Pm (R)
<

Posteriormente (teorema 4.12) probaremos que toda funcion continua sobre un rectangulo es uniformemente continua en el. En realidad lo probaremos para conjuntos mucho mas generales que
rect
angulos, llamados compactos. Esta propiedad se utiliza en la demostracion de la siguiente
proposici
on.
Proposici
on 3.3. Sea R R2 rectangulo, f : R R. Si f es continua en R entonces f es
integrable en R.
Demostraci
on. Como R es compacto y f es continua en R se tiene que f es uniformemente continua
en R. Luego, para > 0 arbitrario, ( > 0)(x, y R)

kx yk < f (x) f (y)<
Recurriremos al lema 3.1. Sea m0 N tal que (P Pm0 )(x, y P ) kx yk < . Sea m m0 ,
k N. Sean (cP )P Pm (R) , (c0P )P Pkm (R) selecciones.
86
Por la uniforme continuidad se tiene que

X
X

f (c0Q ) f (cP )V (Q) V (R)
P Pm (R) QPkm (R)
QP

Proposici
on 3.4. (Propiedades de la clase de funciones integrables)
Sean R R2 rect
angulo, f, g : R R funciones integrables y c R. Se tienen las siguientes
propiedades:
1. Linealidad: f + cg es integrable en R, entonces
Z
Z
Z
f + cg =
f +c
g
R
2. Monotona: si (x R)f (x) g(x), entonces

Z
Z
f
g
R
3. |f | es integrable en R, entonces
Z Z

f
|f |

R
Demostraci
on.
1. Sea > 0 arbitrario. Sea m0 N tal que (m m0 )((cP )P Pm (R) seleccion)

Z

S f, (cP )
f <
P Pm (R)

R
y

Z

S g, (cP )
f <
P Pm (R)

R
Por otra parte, se tiene:

S f + cg, (cP )P Pm (R) = S f, (cP )P Pm (R) + cS g, (cP )P Pm (R)
As,

Z
Z

S f + cg, (cP )
f +c
g)
P Pm (R) (

R

R
Z
Z

S f, (cP )P Pm (R)
f + |c| S g, (cP )P Pm (R)
g
R
R

1 + |c|
Luego, por definici
on de integral de Riemann, se concluye.
87
2. Es directo de considerar que en este caso se cumple que m N, (cP )P Pm (R) seleccion

S f, (cP )P Pm (R) S g, (cP )P Pm (R)
y aplicar la definici
on de integral de Riemann.
3. Veamos que |f | es integrable en R por medio del lema 3.1.
En efecto, sea > 0. Como f es integrable, por el mismo lema (m0 N)(k N)(m
m0 )((cP )P Pm (R) , (c0P )P Pkm (R) seleccion)
X

0
f (cQ ) f (cP )V (Q) <
P Pm (R) QPkm (R)

QP
Luego, sean k N, m m0 . Se sabe que (x, y R)

|x| |y| |x y|
As
X

|f | (c0Q ) |f | (cP )V (Q)
P Pm (R) QPkm (R)

QP

0
P Pm (R) QPkm (R)

QP
En conclusi
on, |f | es integrable en R. Finalmente, se tiene
|f | f |f |
que, con la parte anterior, implica que
Z
Z
Z
|f |
f
|f |
R
es decir
Z Z

f
|f |

R

Proposici
on 3.5. Sea R R2 rectangulo, f : R R. Si f es integrable en R entonces
Z
V (R) nf f (x)
f V (R) sup f (x)
xR
xR
Demostraci
on. Basta notar que m N, (cP )P Pm (R) seleccion

V (R) nf f (x) S f, (cP )P Pm (R) V (R) sup f (x)
xR
xR
88
1,00
0,75
0,50
0,25
2,0
0,00
1,5 y
1,0
1,5
x
2,0
1,0
Figura 3.3: Ejemplo de que V (R)nf xR f (x)
R
R
3.1.3. Integraci
on de sucesiones de funciones
Proposici
angulo, (fk )kN sucesion de funciones, fk : R R, que
convergen uniformemente en R a f : R R. Entonces f es integrable en R y
Z
Z
f = lm
fk
k
Demostraci
on. Veamos que f es integrable en R por medio del lema 3.1. Sea > 0. Sea k0 N tal
que

sup f (x) fk0 (x)<
(3.1)
xR
De acuerdo al lema 3.1, sea m0 N tal que

(k N)(m m0 )((cP )P Pm (R) , (c0P )P Pkm (R) seleccion)
X

fk (c0Q ) fk (cP )V (Q) <
0
0
P Pm (R) QPkm (R)

QP
Luego, sean k N, m m0 . Por la desigualdad triangular se tiene que

X
X

f (c0Q ) f (cP )V (Q)
P Pm (R) QPkm (R)
QP
0

f (cQ ) fk0 (c0Q )V (Q)
P Pm (R) QPkm (R)

QP

fk0 (c0Q ) fk0 (cP )V (Q)
P Pm (R) QPkm (R)

QP
P Pm (R) QPkm (R)

QP

fk (cP ) f (cP )V (Q)
0
(3.2)
89
y aplicando 3.1 y 3.2 se obtiene

2V (R) + 1
En conclusi
on, f es integrable en R. Por otra parte, por la proposicion 3.5

Z
Z Z

fk

f = (fk f )

R
R
ZR
|fk f |
R
V (R) sup |fk (x) f (x)|

xR
lo cual implica que

Z
Z
f = lm
fk
R

Ejemplo 3.2. Una sucesi
on de funciones integrables que converge puntualmente a un lmite que
no lo es. Sea la numeraci
on {q0 , q1 , . . . } = [0, 1] Q, sea I = [0, 1] y las funciones f, fn : I R
dadas por
(
1 si (x, y) {q1 , . . . , qn }
fn (x) =
0 si (x, y)
/ {q1 , . . . , qn }
(
1 (x, y) [0, 1] Q
f (x) =
0 (x, y)
/ [0, 1] Q
En I, se tiene que fn converge a f puntualmente (pero no uniformemente) y cada fn es integrable,
pero f no es integrable.
3.1.4. Extensi
on de la clase de funciones integrables
A
un cuando la clase de funciones continuas es muy amplia, todava no es suficiente para muchas
aplicaciones. As, a continuaci
on veremos una condicion suficiente de integrabilidad un poco m
as
debil que la continuidad, esto es, que una funcion sea continua salvo sobre la union de grafos de
funciones continuas.
Recordar que el grafo de una funci
on g : [a, b] R es

grafo(g) = (x, g(x)) R2 : x [a, b]
Intuitivamente, el lema siguiente nos dice que el grafo de una funcion continua tiene volumen
cero.
Lema 3.2. Sea f : [a, b] [c, d] continua. Denotemos R = [a, b] [c, d]. Entonces
X
lm
V (P ) = 0
m
P Pm (R)
P grafo(g)6=
90
Demostraci
on. Sea > 0. Como f continua en [a, b] compacto, se tiene que f es uniformemente
continua en [a, b] (teorema 4.12). Luego ( > 0)(x, y [a, b])

|x y| < f (x) f (y)<
As, escojamos m0 N tal que (b a)(d c)/m0 y
(b a)/m0 <
(3.3)
Entonces, se cumple que (m m0 )

X

(b a)(d c)
{P Pm (R) : P grafo(g) 6= }
2
m
V (P ) =
P Pm (R)
P grafo(g)6=
Gracias a la uniforme continuidad y (3.3)

{P Pm (R) : P grafo(g) 6= } m(
+ 1)
(d c)/m
As, m m0
X
V (P )
P Pm (R)
P grafo(g)6=
(b a)(d c)
m(
+ 1)
m2
(d c)/m
(b a)(d c)
m
(b a + 1)
= (b a) +

Para A Rn acotado, se define el di
ametro de A como
diam(A) = sup kx yk
x,yA
diam(A) = kx yk
Figura 3.4: Diametro de un conjunto A R2

Proposici
on 3.7. Sea R = [a, b] [c, d] R2 rectangulo, f : R R acotada en R y continua en
R grafo(g), donde g : [a, b] [c, d] es una funcion continua. Entonces f es integrable en R.
91
Demostraci
on. Sea K R tal que (x R)

f (x) K
(3.4)
Recurriremos al lema 3.1. Sea > 0 arbitrario. De acuerdo al lema 3.2, sea m0 N tal que
(m m0 )
X
V (P )
(3.5)
P Pm (R)
P grafo(g)6=
Denotemos Pm
= {P Pm (R) : P grafo(g) = }, Rm
= P P P . Como Rm
es compacto y f es
0
m
continua en Rm0 se tiene que f es uniformemente continua en Rm0 . Luego ( > 0)(x, y Rm
)
0
kx yk < |f (x) f (y)| <
(3.6)
Sea m1 m0 tal que (P Pm1 (R)) diam(P ) < . Sea m m1 , k N. Sean (cP )P Pm (R) ,
(c0P )P Pkm (R) selecciones. As
X
0

P Pm (R) QPkm (R)

QP
0

f (cQ ) f (cP )V (Q) +
P Pm (R) QPkm (R)
QP
P Rm
0

P Pm (R) QPkm (R)
QP
P *Rm
que, con (3.4) y (3.6), implica que

X
V (R) + 2K
V (P )
P Pm (R)
P *Rm
0
y con (3.5) resulta

V (R) + 18K

2
Corolario
angulo, f : R R acotada en R y continua en
Sn 3.1. Sea R = [a, b] [c, d] R rect
R i=1 grafo(gi ), donde gi : [a, b] [c, d] es continua. Entonces f es integrable en R.
3.1.5. Teorema de Fubini

El siguiente teorema expresa la integral de una funcion en 2 variables como la aplicacion iterada
de 2 integrales en una variable bajo hipotesis mnimas y permite escoger arbitrariamente el orden
de estas integrales en una variable cuando la funcion a integrar es continua.
La demostraci
on la haremos en la seccion 3.2 en Rn .
92
Teorema 3.1. (Teorema de Fubini en R2 )
Sea R = [a, b] [c, d] R2 rect
angulo, f : R R.
1. Si f integrable en R y (x [a, b]) f (x, ) integrable en [c, d], entonces

!
Z
Z
Z
d
f (x, y) dy
f=
R
dx
2. Si f continua en R, entonces
Z
f (x, y) dy
f=
R
f (x, y) dx
dx =
Ejemplo 3.3. Para R = [0, 1] [0, 1], calcular

Z
dy
x2 + y
Soluci
on. Por el teorema de Fubini, caso continuo, se tiene que

Z
Z 1 Z 1
x2 + y =
x2 + y dy dx
R
0
0
1 !
Z 1
y 2
2
dx
=
x y+
2 y=0
0
Z 1
1
=
x2 + dx
2
0
1
3

x
x
5
=
+ =
3
2
6
0

Ejemplo 3.4. Veamos un caso en el que las integrales iteradas existen y son iguales, pero la
funci
on no es integrable.
Consideremos el cuadrado unitario R = [0, 1]2 R2 y la sucesion de cuadrados (Rk )kN contenidos
(1)
(2)
(3)
(4)
en el dada por la figura 3.5. Dividamos cada Rk en 4 cuadrados iguales Rk , Rk , Rk , Rk .
Definamos la funci
on f : R R dada por
1
(1)
(3)
si (x, y) int Rk int Rk
V (Rk )
(2)
(4)
1
f (x, y) = V (R
si (x, y) int Rk int Rk
k)
0
en otro caso
Para cada y [0, 1] es claro que
1
f (x, y) dx = 0
0
y an
alogamente para cada x [0, 1]
Z
f (x, y) dy = 0
0
93
Luego, las integrales iteradas son ambas nulas, esto es:

Z 1Z 1
Z 1Z 1
f (x, y) dx dy = 0.
f (x, y) dy dx =
0
Para convencernos de que f no es integrable, es suficiente ver que |f | no es integrable. En efecto,

|f | est
a dada por
(
1
si (x, y) Rk
|f | (x, y) = V (Rk )
0
en otro caso
Si |f | fuera integrable, como los Rk son disjuntos, se tendra que
Z
XZ
|f | =
|f |
R
kN
Rk
pero
Z
|f | = 1
Rk
con lo que |f | no puede ser integrable en R.
R3
R2
(3)
(4)
(1)
(2)
R2 R2
R2 R2
R1
(3)
R1
(1)
R1
(4)
R1
(2)
R1
Figura 3.5: El dominio del ejemplo 3.4.
Figura 3.6: La funcion del ejemplo 3.4.
3.1.6. Integral en R2 sobre dominios generales

A continuaci
on extenderemos la definicion de integral para considerar la integracion de funciones
sobre algunos dominios un tanto m
as generales que los rectangulos.
Definici
angulo, A R, f : A R. Denotemos f0 : R R a la funci
on
dada por, para x R:
(
f (x) si x A
f0 (x) =
0
si x
/A
Si f0 es integrable sobre R entonces se dice que f es funcion integrable sobre A y:
Z
Z
f=
f0
A
94
Definici
on 3.8. La funci
on indicatriz de un conjunto A R2 se define:
(
1 si x A
1A (x) =
0 si x
/A
Definici
on 3.9. Decimos que D R2 es
1. Dominio de tipo 1 si y s
olo si a, b R, 1 , 2 : [a, b] R funciones continuas tales que
(x [a, b])1 (x) 2 (x) y
D = {(x, y) R2 : a x b, 1 (x) y 2 (x)}
olo si c, d R, 1 , 2 : [c, d] R funciones continuas tales que
(x [c, d])1 (x) 2 (x) y
D = {(x, y) R2 : c y d, 1 (y) x 2 (y)}
olo si D es de tipo 1 y 2,
4. Dominio elemental si y s
olo si D es de tipo 1 o 2.
Figura 3.7: Dominio del tipo 1 que no es del tipo 2 y dominio del tipo 3.
Si R R2 es un rect
angulo y D R es una region elemental entonces f0 (dada por
R la definicion
3.7) es continua en R salvo sobre la union finita de grafos de funciones. Luego D f existe. En
general, supongamos que tenemos una funcion f : A R R con R rectangulo y A dominio del
tipo 1, digamos:
A = {(x, y) R2 : a x b, 1 (x) y 2 (x)}
con a, b R, 1 , 2 : [a, b] R funciones continuas. Entonces, gracias al teorema de Fubini
(teorema 3.1), se tiene que:
Z
Z b Z 2 (x)
f=
f (x, y) dy dx
A
1 (x)

Z
(x3 y + cos(x)) dy dx
donde
T = {(x, y) R2 : 0 x /2, 0 y x}
Soluci
on. Notar que T es una regi
on del tipo 1. Por definicion se tiene que
Z
Z
(x3 y + cos(x)) dy dx =
1T (x3 y + cos(x)) dy dx
T
[0,/2]2
95
y, en virtud del teorema de Fubini:

/2
/2

1T x3 y + cos(x) dy dx
=
0
M
as a
un, con la definici
on de T :
/2

x3 y + cos(x) dy dx
=
0
/2
x5
+ x cos(x) dx
2
=
0
Z
=
0

=
=
x

x3 y 2
dx
+ y cos(x)
2
y=0
/2
/2

x6
+ cos(x) + x sen(x)
12
0
+ 1
768
2
3.2. Integral de Riemann en Rn

Las demostraciones que no se incluyen en esta seccion son identicas a las hechas en la seccion 3.1,
acerca de la integral de Riemann en R2 .
3.2.1. Definiciones
Definici
on 3.10. R Rn es un rectangulo si y solo si R = [a1 , b1 ] [an , bn ] con ai , bi R.
Definici
on 3.11. Para un rect
angulo R = [a1 , b1 ] [an , bn ] se define su volumen como
V (R) =
n
Y
bi ai
i=1
Definici
on 3.12. Para m N, la m-equiparticion del rectangulo R = [a1 , b1 ] [an , bn ] es
{I1 In : Ii Pi , i = 1, . . . , n} con Pi m-equiparticion del intervalo [ai , bi ], i = 1, . . . , n. La
denotaremos Pm (R).
Dado un rect
angulo R Rn y m N, decimos que (cP )P Pm (R) es una seleccion (para Pm (R)) si
(P Pm (R))cP P .
Notar que cada elemento de una m-equiparticion es un rectangulo y que una m-equiparticion es
finita, luego la siguiente definici
on tiene sentido:
Definici
on 3.13. Sea m N, R Rn rectangulo, f : R R y una seleccion (cP )P Pm (R) . Se
define la suma de Riemann asociada a f y (cP )P Pm (R) como:

X
S f, (cP )P Pm (R) =
f (cP )V (P )
P Pm (R)
3.2. INTEGRAL DE RIEMANN EN RN
96
Definici
on 3.14. Sea R Rn rect
angulo, f : R R. Decimos que f es Riemann integrable en R
si y s
olo si (S R)

para toda elecci
on de los (cP )P Pm (R) .
S se llama integral (de Riemann) de f sobre R y se denota:
Z
f
R
La integral de f tambien se anota:

Z
f (x) dx
R
3.2.2. Propiedades B
asicas
Las propiedades que enunciaremos tienen una demostracion analoga a las que ya vimos en el caso
de R2 .
Proposici
angulo, f : R R. Si f es integrable en R entonces f es
acotada en R.
Proposici
angulo, f : R R. Son equivalentes:
1. > 0, m0 N k, m m0 , (c0P )P Pk (R) seleccion, (cP )P Pm (R) seleccion

Proposici
angulo, f : R R. Si f es continua en R entonces f es
integrable en R.
Proposici
on 3.11. Sean R Rn rect
angulo, f, g : R R funciones integrables y c R. Se tienen
las siguientes propiedades:
1. Linealidad: f + cg es integrable, entonces
Z
Z
Z
f + cg =
f +c g
R
2. Monotona: si (x R)f (x) g(x), entonces

Z
Z
f
g
R
3. |f | es integrable en R, entonces
Z Z

f
|f |

R
Proposici
on 3.12. Sea R R rect
angulo, f : R R. Si f es integrable en R entonces
Z
V (R) nf f (x)
f V (R) sup f (x)
xR
xR
97
3.2.3. Integraci
on de sucesiones de funciones
Proposici
on 3.13. Sea R Rn rectangulo, (fk )kN sucesion de funciones, fk : R R, que
convergen uniformemente en R a f : R R. Entonces f es integrable en R y
Z
Z
f = lm
fk
R
3.2.4. Extensi
on de la clase de funciones integrables
Recordar que el grafo de una funci
on g : A Rn Rm es
grafo(g) = {(x, g(x)) Rn+m : x A}
La demostraci
on del siguiente lema es analoga a la del lema 3.2.
Lema 3.3. Sea R0 RN 1 rect
angulo, f : R0 [a, b] continua. Denotemos R = R0 [a, b].
Entonces
X
lm
V (P ) = 0
m
P Pm (R)
P grafo(g)6=
Demostraci
on. Sea > 0. Como f continua en R0 compacto, se tiene que f es uniformemente
continua en R0 . Luego ( > 0)(x, y R0 )

kx yk < f (x) f (y)<
As, escojamos m0 N tal que V (R)/m0 y diam(P ) < , para cualquier P Pm (R0 ). Entonces,
se cumple que (m m0 )
X
V (P ) =
P Pm (R)
P grafo(g)6=

V (R)
{P Pm (R) : P grafo(g) 6= }
N
m
V (R) N 1
m
(
+ 1)
mN
(b a)/m
V (R)
= V (R0 ) +
m
(V (R0 ) + 1)

Proposici
on 3.14. Sea R0 RN 1 rectangulo, R = R0 [a, b] Rn rectangulo, f : R R
acotada en R y continua en R grafo(g), donde g : R0 [a, b] es una funcion continua. Entonces
f es integrable en R.
Corolario 3.2. Sea R0S RN 1 rect
angulo, R = R0 [a, b] Rn rect
angulo, f : R R acotada en
n
R y continua en R i=1 grafo(gi ), donde gi : R0 [a, b] es continua. Entonces f es integrable
en R.
98
3.2.5. Teorema de Fubini
Lema 3.4. Sea R Rn rect

angulo, f : R R, m N. Si f es integrable en R entonces
Z
X
X
V (S) nf f (x)
f
V (S) sup f (x)
xS
SPm (R)
Demostraci
on. En efecto, es claro que x R
X
1S (x) nf f (x) f (x)
xS
SPm (R)
xS
SPm (R)
1S (x) sup f (x).

xS
SPm (R)
Integrando se concluye la desigualdad buscada, notando que para S Pm (R) se tiene

Z
Z
1S =
1 = V (S)
R

Teorema 3.2. (Teorema de Fubini en Rn )
Sean M, N N, A Rn , B Rm rect
angulos, notemos R = A B Rn+m rect
angulo. Sea
f : R R.
1. Si f integrable en R y (x A)f (x, ) integrable en B, entonces

Z
Z Z
f=
f (x, y) dy dx
R
2. Si f continua en R, entonces

Z
Z Z
Z Z
f=
f (x, y) dy dx =
f (x, y) dx dy
R
Demostraci
on. La segunda parte es consecuencia directa de la primera, en virtud de la proposicion
3.3. Probemos la primera parte.
R
Definamos la funci
on I : A R dada por I(x) = B f (x, y)dy. Luego basta probar que I es
integrable en A y
Z
Z
I=
f
A
En efecto, sea > 0 arbitrario. Por una parte, por definicion de integrabilidad, (m0 N)(m
m0 )
Z

X

f
f (cQ )V (Q)<
(3.7)

R
QPm (R)
para toda elecci

on de los (cQ )QPm (R) .
Por otra parte, sea m m0 , (cQA )QA Pm (a) seleccion arbitraria. Notar que

Pm (R) = QA QB : QA Pm (a), QB Pm (B)
99
Consideremos la selecci
on (cQ )QP (R) dada por (para QA Pm (a), QB Pm (B)) cQA QB =
m
(cQA , y ), con y tal que f (cQA QB ) supyQB f (cQA , y) . As, en virtud del lema 3.4 se tiene
que
X
X
I(cQA )V (QA )
f (cQ )V (Q)
QA Pm (a)
QPm (R)
QA Pm (a)
QB Pm (B)
sup f (cQA , y)V (QA )V (QB )

yQB
f (cQA QB )V (QA )V (QB )
QA Pm (a)
QB Pm (B)
QA Pm (a)
QB Pm (B)

sup f (cQA , y) f (cQA QB ) V (QA )V (QB )
yQB
V (R)
Combinando con (3.7) se obtiene:
X
Z
I(cQA )V (QA )
f V (R) + 1
QA Pm (a)
Escogiendo (cQ )QP (R) tal que f (cQA QB ) nf yQB f (cQA , y) + , un calculo analogo permite
m
obtener:
Z
X

V (R) + 1
I(cQA )V (QA )
f
R
QA Pm (a)
En conclusi
on,

X
QA Pm (a)
Z
I(cQA )V (QA )
R

f V (R) + 1
100
R
B
f con B = [0, 1]3 [0, 10] y f (x, y, z, t) = t(x2 + y 2 + z 2 ).
Soluci
on. En virtud del teorema de Fubini
Z
Z 10 Z 1 Z 1 Z
f=
Z
10
10
=
0
t(x2 + y 2 + z 2 ) dx dy dz dt
1

x3
2
2
(t + ty x + tz x)
dy dz dt
3
x=0
t
( + ty 2 + tz 2 ) dy dz dt
0 3
0
0
1
Z 10 Z 1

t
y3
( y + t + tz 2 y)
dz dt
=
3
0 3
0
y=0
Z 10 Z 1
t
t
=
( + + tz 2 ) dz dt
3
0
0 3
Z 10
=
t dt
=
= 50.

3.2.6. Integral en Rn sobre dominios generales
Definici
angulo, A R, f : A R. Denotemos f0 : R R a la funcion
dada por, para x R:
(
f (x) si x A
f0 (x) =
0
si x
/A
Si f0 es integrable sobre R entonces se dice que f es integrable sobre A y:
Z
Z
f=
f0
A
Definici
on 3.16. La funci
on indicatriz de un conjunto A Rn es analoga al caso de R2 y se
define:
(
1 si x A
1A (x) =
0 si x
/A
Definici
on 3.17. Decimos que D R3 es
olo si alguna de las siguientes afirmaciones es cierta:
a) a, b R, 1 , 2 : [a, b] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : a x b,
1 (x) y 2 (x),
1 (x, y) z 2 (x, y)}
donde D0 = {(x, y) R2 : a x b, 1 (x) y 2 (x)}
101
b) c, d R, 1 , 2 : [c, d] R funciones continuas, 1 , 2 : D0 R funciones continuas

tales que
D = {(x, y, z) R3 : c y d,
1 (y) x 2 (y),
1 (x, y) z 2 (x, y)}
donde D0 = {(x, y) R2 : c y d, 1 (y) x 2 (y)}.
tales que
D = {(x, y, z) R3 : a x b,
1 (x) z 2 (x),
1 (x, z) y 2 (x, z)}
donde D0 = {(x, z) R2 : a x b, 1 (x) z 2 (x)}.
tales que
D = {(x, y, z) R3 : c z d,
1 (z) x 2 (z),
1 (x, z) y 2 (x, z)}
donde D0 = {(x, z) R2 : c z d, 1 (z) x 2 (z)}.
tales que
D = {(x, y, z) R3 : a y b,
1 (y) z 2 (y),
1 (y, z) x 2 (y, z)}
donde D0 = {(y, z) R2 : a y b, 1 (y) z 2 (y)}.
tales que
D = {(x, y, z) R3 : c z d,
1 (z) y 2 (z),
1 (y, z) x 2 (y, z)}
donde D0 = {(y, z) R2 : c z d, 1 (z) y 2 (z)}.
olo si D es de tipo 1, 2 y 3.
5. Dominio elemental si y s
olo si D es de tipo 1, 2 o 3.
ADICIONALES
3.3. REGLAS DE DERIVACION
102
Si R Rn es un rect
angulo y D R es una region elemental entonces f0 (dadaR por la definicion
3.15) es continua en R salvo sobre la union finita de grafos de funciones. Luego D f existe.
Ejemplo 3.7. Sea W R3 la Rregi
on comprendida entre los planos x = 0, y = 0, z = 2 y la
superficie z = x2 + y 2 . Calcular W x.
Soluci
on. C
omo describir el conjunto W ? Podemos describirlo como un dominio de tipo 1, es
decir:
p
W = {(x, y, z) R3 : 0 x 2, 0 y 2 x2 , x2 + y 2 z 2}
Luego, gracias al teorema de Fubini (teorema 3.2) se tiene:
2x2
x dz dy dx
x=
0
0
2
x2 +y 2
2x2
2x x(x2 + y 2 ) dy dx
=
0
2x2
y 3
dx
=
2xy x y x
3 y=0
0

Z 2 p
p
1
2
2 3/2
2
2
=
dx
x 2 2 x x 2 x (2 x )
3
0

Z 2
2
=
x
(2 x2 )3/2 dx
3
0
y, haciendo el cambio de variable u = 2 x2 :

Z
2 1 3/2
u du
0 32
2
1 2 5/2
=
u
35
=
2 5/2
=
2
15
8 2
=
15

on adicionales
Teorema 3.3. (Regla de Leibniz de derivacion)
on F : R R
Sea f : R2 R de clase C 1 . , : R R funciones diferenciables. Entonces la funci
definida por
Z (x)
F (x) =
f (x, t)dt
(x)
es diferenciable y su derivada es
Z (x)
Z (x)
d
f (x, t)dt = f (x, (x)) 0 (x) f (x, (x))0 (x) +
f (x, t)dt
dx (x)
(x) x
103
Demostraci
on
Z
G(z, x) =
f (x, t)dt
0
por el 1er teorema fundamental del calculo (teorema 1.8) sabemos que
G(z, x) = f (x, z)
z
demostremos que
G(z, x) =
x
f (x, t)dt
x
para ello notemos que

Z z
f (x, t)dt
G(z, x + h) G(z, x) h
0 x
Z z
=
f (x + h, t) + f (x, t) h f (x, t)dt
x
0
Z zZ 1
=
( f (x + yh, t)
f (x, t))hdydt
x
0
0 x
La funci
on f /x(, ) es continua, y por lo tanto, uniformemente continua sobre [x |h|, x +
|h|] [0, z], asi, dado > 0, existe > 0 tal que si k(x, y) (
x, y)k < entonces |f /x(x, y)
f /x(
x, y)| < /z. Entonces si |h| < se tiene que
|
f (x + yh, t)
f (x, t)| < t [0, z] y [0, 1]
x
x
lo que implica que

Z
|G(z, x + h) G(z, x) h
0
f (x, t)dt| < |h|

x
si |h| < de donde se sigue el resultado. Luego

Z
(x)
f (x, t)dt = G((x), x) G((x), x)

(x)
y aplicando el resultado anterior se tiene que

Z (x)
d
f (x, t)dt
dx (x)
dx
=
G((x), x) 0 (x) +
G((x), x)
G((x), x)0 (x) ...

z
x
dx z
dx
...
G((x), x)
x
dx
Z (x)
Z (x)
f
f
0
0
= f (x, (x)) (x) f ((x), x) (x) +
(x, t)dt
(x, t)dt
x
x
0
0
Z (x)
= f (x, (x)) 0 (x) f (x, (x))0 (x) +

f (x, t)dt
(x) x
ADICIONALES
104
Teorema 3.4. Sean A Rn y B Rm abiertos y f : AB R de clase C 1 . Sea Q B conjunto

elemental cerrado. Entonces la funci
on
Z
F (x) =
f (x, y)dy
Q
es de clase C 1 y
F (x) =
xi
Z
Q
f (x, y)dy
xi
para todo i {1, ..., n}

Demostraci
on. Sea x0 A
F (x0 + h) F (x0 )
n
X
Z
Q
i=1
Z
f (x0 + h, y) f (x0 , y)
f (x0 , y)dy
xi
hi
n
X
i=1
hi
f
(x0 , y)dy
xi
Z
(f (x0 + h, y) f (x0 , y) x f (x0 , y) h)dy
=
Q
Z Z
[(x f (x0 + th, y) x f (x0 , y)) h] dtdy
=
Q
0 , 1) Q que es compacto, por cual que es uniformemente

La funci
on x f (, ) es continua en B(x
continua. Luego dado > 0 existe > 0 tal que si k(x, y) (x , y )k < kx f (x, y)
x f (x , y)k < /vol(Q). entonces si khk < se tiene que
kx f (x0 + th, y) x f (x0 , y)k <
t [0, 1] y Q
vol(Q)
lo que implica que

|F (x0 + h) F (x0 )
n
X
i=1
Z Z
f
(x0 , y)dy|
xi
kf (x0 + th, y) f (x0 , y)kkhkdtdy

Q
Z Z
de este modo
Z
hi
khk = khk
vol(Q)

Z
n

X
f

hi
(x0 , y)dy khk
F (x0 + h) F (x0 )

x
i
Q
i=1
siempre que khk < , es decir, F es diferenciable es x0 y

Z
F (x0 ) =
f (x0 , y)dy
xi
x
i
Q
para todo i {1, ..., n}. La continuidad de las derivadas parciales queda de ejercicio .
105
3.4. Teorema del cambio de variable

Recordemos que en el caso de una variable se tiene que si : [a, b] [c, d] es biyectiva (mas algunas
hip
otesis adicionales) entonces
d
1 (d)
f ((s)) 0 (s) ds
f (t) dt =
1 (c)
Equivalentemente podemos escribir:

Z
Z
f (t) dt =
([a,b])
f ((s)) | 0 (s)| ds.
[a,b]
Nuestro prop
osito es extender esta formula a varias variables. Vamos a comenzar
con la transformaci
on m
as simple, la lineal. Sea T : D = [0, 1]2 D = T (D), T (x, y) = A xy con A M2,2 (R)
(a + b, c + d)
1
(a, c)
D
(b, d)
1
Figura 3.8: Cambio de variable, caso de una transformacion lineal
Se tiene que V (D) = 1 y

(b, d) (c, a) p

2
2

V (D ) =
a + c
a2 + c2
= |ad bc|
= |det(A)|
As
V (D ) = V (D) |det|
Es f
acil ver que una f
ormula an
aloga se cumple para cualquier rectangulo en Rn . Mas a
un, para
f : D R, de acuerdo a la definicion de integral de Riemann es razonable escribir lo siguiente:

Z
X
f lm
f (T (cP ))V (T (P ))
(cP P )
m
lm
m
P Pm (D)
f (T (cP ))V (P ) |det(A)|
P Pm (D)
f T |det(A)|
D
106
3.4. TEOREMA DEL CAMBIO DE VARIABLE
Para una transformaci

on m
as general (no lineal), se puede pensar que la diferencial nos da una
aproximaci
on lineal de la transformaci
on en torno a un punto, luego es razonable pensar que el
jacobiano de la transformaci
on desempe
nara el papel de la matriz A en la formula mas general. En
efecto, se tiene el siguiente teorema (para los detalles, vease la seccion 6.2):
Teorema 3.5. (Teorema del cambio de variables)
Sea v-medible y f : U V un difeomorfismo, U . Sea g : f () R v-integrable. Entonces
g f : R es v-integrable y
Z
Z
g(x)dx =
g(f (y))| det Df (y)|dy
f ()
Demostraci
on. Por razones pedag
ogicas se hara posteriormente (teorema 6.3).
Ejemplo 3.8. (integral en coordenadas polares)

Calcular
Z
log(x2 + y 2 ) dx dy
C
donde
C = {(x, y) : a2 x2 + y 2 b2 , x 0, y 0}
Soluci
on. Vamos a considerar el cambio de variable
x = r cos()
y = r sen()
es decir, la transformaci
on T (r, ) = (r cos(), r sen()). Notar que:

cos() r sen()
DT (r, ) =
sen() r cos()
y as:
det DT (r, ) = r
Denotemos
D = T 1 (C)
= {(r, ) R2 : a r b, 0 /2}
= [a, b] [0, /2]
Luego, en virtud del teorema del cambio de variable :
Z
Z
log(x2 + y 2 ) dx dy =
log(r2 )r dr d
T (D)
y, con Fubini:
Z
=
a
/2
log(r2 )r dr d
Z 2
1 b
log s ds
2 2 a2
= (b2 log b2 b2 a2 log a2 + a2 )

4
=
107
3.5. Aplicaciones
3.5.1. Centro de masa
Sea D R2 una placa y : D R la densidad (de masa). Entonces la masa total de la placa
est
a dada por:
ZZ
y las coordenadas (
x, y) del centro de masa de la placa estan dadas por:
RR
x(x, y) dy dx
x
= D
M
RR
y(x,
y) dy dx
y = D
M
El caso tridimensional es an
alogo.
Ejemplo 3.9. Hallar el centro de masa de una lamina triangular con vertices (0, 0), (1, 0) y (0, 2)
si la funci
on de densidad es (x, y) = 1 + 3x + y.
Soluci
on. A partir de los vertices la hipotenusa del trangulo queda descrita por la ecuacion y =
2 2x. Luego la masa total corresponde a
ZZ
M
=
D
1
Z
=
(x, y) =
4
0
22x
Z
(1 + 3x + y)dydx =
y=22x

y2
dx
y + 3xy +
2 y=0

1
x3
8
2
(1 x )dx = 4 x
=
3 0
3
Luego el centro de masa est

a dado por las ecuaciones
ZZ
Z Z
1
3 1 22x
x
=
x(x, y)dydx =
(x + 3x2 + xy)dydx
M
8 0 0
D
y=22x
2
1
Z
Z
3 1
xy 2
3 1
x
x4
3
=
y + 3x2 y +
dx =
(x x3 )dx =
=
8 0
2 y=0
2 0
2
4 0
8
y =
=
=
ZZ
Z Z
1
3 1 22x
y(x, y)dydx =
(y + 3xy + y 2 )dydx
M
8 0 0
D
y=22x
Z
Z
3 1 y2
3xy 2
y3
1 1
+
+
dx =
(7 9x 3x2 + 5x3 )dx
8 0
2
2
3 y=0
4 0

1
1
9x2
5x4
11
3
7x
x +
=
4
2
4 0
16
por lo tanto, el centro de masa se ubica en las coordenadas (

x, y) = ( 83 , 11
16 )
108
3.5. APLICACIONES
3.5.2. Momento de inercia

Sea W R3 un s
olido de densidad : W R. Entonces los momentos de inercia estan dados por:
ZZZ
Ix =
(x, y, z)(y 2 + z 2 ) dz dy dx
Z Z ZW
Iy =
(x, y, z)(x2 + z 2 ) dz dy dx
W
ZZZ
Iz =
(x, y, z)(x2 + y 2 ) dz dy dx
W
Ejemplo 3.10. Hallar el centro de masa de la region W comprendida entre el plano xy y la

semiesfera x2 + y 2 + z 2 = 1, z 0, de densidad (x, y) = 1, (x, y) W .
Soluci
on. En primer lugar, por simetra x
= y = 0.
Para calcular z, vamos a hacer un cambio de variable a coordenadas esfericas:
x = r sen() cos()
y = r sen() sen()
z = r cos()
As
Z
r cos() |det DT |
z=
T 1 (W )
sen() cos() r cos() cos()

DT (r, , ) = sen() sen() r cos() sen()
cos()
r sen()
r sen() sen()
r sen() cos()
0
det DT (r, , ) = (1)3+1 (r sen() sen())(r sen2 () sen() r cos2 () sen())

+ (1)3+2 (r sen() cos())(r sen2 () cos() r cos2 () cos())
= r2 sen() sen2 () + r2 sen() cos2 ()
= r2 sen()
Combinando lo anterior:
Z
/4
(r cos())r2 sen() d d dr
z=
W
0
0

4 1
r
2
4 0
0
/4
sen() cos() d
0
/4
sen2 ()
=
2
2 0
=
8
Luego
z =
8
4
3 2
3
16
109
3.6. Comentarios acerca del captulo

3.6.1. Extensi
on de la integral de Riemann
Algunos de los problemas que presenta la integral de Riemann son que, para ciertas aplicaciones, no
integra una familia suficientemente amplia de funciones y que los teoremas de convergencia poseen
hip
otesis muy fuertes (convergencia uniforme en el caso de la proposicion 3.13). Una construcci
on
diferente, basada en la teora de la medida, la constituye la integral de Lebesgue , que integra una
familia mucho m
as amplia de funciones y cuenta con un teorema de convergencia basado en la
convergencia puntual.
110
3.7. EJERCICIOS
3.7. Ejercicios
Integral de Riemann
Ejercicio 1. Sea R RN rect
angulo tal que V (R) > 0 y suponga que f : R R es continua en
R. Suponga que para toda funci
on continua g : R R se tiene
Z
fg = 0
R
Pruebe que f = 0 en R.
Ejercicio 2. Sea el rect
angulo R = [0, 1]2 R2 y la funcion f : R R dada por:
(
1
si x es irracional
f (x, y) =
3
4y si x es racional
1. Muestre que
R1R1
2. Muestre que
0
R
f (x, y) dy dx existe y vale 1.
f no existe.
Ejercicio 3. Considere el rect

angulo D = [1, 1] [0, 2] y Rn la particion uniforme con n2
subrectangulos, es decir, todos los rectangulos de Rn tienen las mismas dimensiones. Dado esto,
calcule las sumas superior e inferior S(f, Rn ), I(f, Rn ) donde f (x, y) = ex y.
Ejercicio 4. Suponga que F RN para N 2 y que f : R R es Riemann integrable en F .
Muestre que f puede ser no acotada en F .
Ejercicio 5. Pruebe que la integral de Riemann de una funcion en RN es u
nica.
Ejercicio 6. Justifique cuales de las siguiente funciones son integrables en [0, 1] [0, 1]:
(
0
1. f (x, y) =
1
(
2. f (x, y) =
si (x, y)
/A
si (x, y) A
sen(xy)
xy
, A = {(x, y) : y x2 }
si x 6= y
si x = y
Ejercicio 7. Sea R = [0, 1] [0; 1] y f : R R definida por

(
0 si x y
f=
2 si x > y
Demuestre que f es integrable y, usando sumas de Riemann, que
R
R
f =1
Ejercicio 8. Considere la siguiente integral

Z2
25x
Z 2
Z0
25x
Z 2
f (x, y)dydx +
5
2 2 x2
2
Invierta el orden de integraci

on usando Fubini.
Z4
25x
Z 2
f (x, y)dydx +
f (x, y)dydx
0
x
4 +2
111
Aplicaciones
Ejercicio 9. Calcule usando Fubini
2
sen x2 p
3
y 2 dxdy
x2
Ejercicio 10. Calcule el volumen del elipsoide dado por

E = {(x, y, z) R3 :
y2
z2
x2
+ 2 + 2 1}
2
a
b
c
Indicaci
on. Use coordenadas esfericas y cambio de variables.
Ejercicio 11. Calcule el volumen encerrado por el cono parabolico x2 + y 2 = z 2 y por la bola
B(0, r) con r > 0.
Ejercicio 12. Eval
ue la integral
ZZ
4x2 + y 2 dxdy
4x2 8x+y 2 0
Ejercicio 13. Calcule

Z
x
p
x2
+ y2
dxdy
Ejercicio 14. Calcule el volumen del solido que esta limitado por las superficies
p
z x2 + y 2 = 0
y
2z y 2 = 0
Ejercicio 15. Hallar el volumen de la region acotada por los paraboloides

z = x2 + y 2
Ejercicio 16. Sea f : R2 R definida por:

( 2
f (x, y) =
x y 2
x2 +y 2
z = 10 x2 2y 2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
Pruebe que
Z1 Z1
Z1 Z1
f (x, y)dxdy 6=
f (x, y)dydx
0
Que puede decir de este resultado en base al teorema de Fubini?
112
3.7. EJERCICIOS
Ejercicio 17. Sea S la regi

on del primer octante limitada por el plano x + 2y + z = 2 que se
encuentra entre los planos z = 0 y z = 1.
1. Escriba las integrales iteradas que permiten calcular el volumen de la region.
2. Calcule el volumen que define la integral.
Ejercicio 18. Encuentre el
area de la region definida por la curva
f (x) = (sen(x) cos(x), cos2 (x) + sen2 (x))
en [0, ].
Ejercicio 19. Calcular
ZZZ s

1
y2
z2
x2
+ 2 + 2
2
a
b
c
Donde S =
x2
a2
y2
b2
z2
c2

ZZZ
=1
exp (11x2 + 9y 2 + 15z 2 4xy 20xz + 10yz)2 dxdydz
S
2
Donde S = 11x + 9y 2 + 15z 2 4xy 20xz + 10yz 100

ZZZ
S
exp (11x2 + 9y 2 + 15z 2 4xy 20xz + 10yz)

p
dxdydz
11x2 + 9y 2 + 15z 2 4xy 20xz + 10yz
Donde S = 11x + 9y 2 + 15z 2 4xy 20xz + 10yz 80

Ejercicio 22. Se define la masa total de un solido, con densidad (x, y, z), como:
ZZZ
M=
(x, y, z)dxdydz
V
Adem
as se definen las siguientes expresiones:
ZZZ
Mx =
x(x, y, z)dxdydz
Z VZ Z
My
y(x, y, z)dxdydz
V
ZZZ
Mz
z(x, y, z)dxdydz
V
El centro de masas corresponde a:

Cm =
Dado lo anterior, se pide que:
1
(Mx , My , Mz )
M
113
q
2
2
1. Considerando la funci
on de densidad (x, y, z) = x2x+y+y
2 +z 2 , calcule la masa total del cuerpo
definido por
V = {(x, y, z) R3 : x2 + y 2 + z 2 4, z 0}
2. Calcule el centro de masas para este mismo cuerpo de la parte 1.
Ejercicio 23. Calcular el volumen en R5 de
F = {(x1 , x2 , x3 , x4 , x5 ) : x21 + x22 + x23 1, x24 + x25 1}
Ejercicio 24. Sea f : A R3 R integrable y considere la integral
2
Z1 Zx Zy
f (x, y, z)dxdydz
1 0
Escriba la integral recien descrita en terminos de integrales triples iteradas de la forma

ZZZ
ZZZ
f (x, y, z)dxdzdy
f (x, y, z)dydzdx

ZZ
(1 + xy)dxdy
S
donde S = S1 S2 definidos por

(
1 x 0
S1 =
0 y (x + 1)2
(
0x1
S2 =
0 y (x 1)2
Reglas de derivaci
on adicionales
Ejercicio 26. Sea f (x, y, z, t) =
`(1+|x+y|)
R
(xt + logz (t) + z)dt. Calcular
ex+y+z
f f f
x , z , t
en aquellos
puntos donde existan.

Ejercicio 27. Considere la siguiente ecuacion integral
Z x
u(x) = 5 +
sen(u(s) + x)ds
0
En el captulo 5 se demostr
o que tiene una u
nica solucion en C([0, 1/2], R).
Derivando dos veces la ecuaci
on integral (justifique por que se puede derivar), encuentre la ecuaci
on
diferencial que satisface su soluci
on
Z g(x)
F (x) =
f (x + t, xt)dt,
0
Calcule F 0 (x) y
G
y (x, y)
Z
G(x, y) =
y2
g(x, y, z)dz
0
114
3.7. EJERCICIOS

on
u(x, t)
1
1
[f (x + ct) + f (x ct)] +
2
2c
x+ct
Z
g(s)ds
xct
1
+
2c
x+c(ts)
Z
Zt
F (, s)dds
0 xc(ts)
Muestre que
2
2u
2 u
c
= F (x, t)
t2
x2
u(x, 0) = f (x)
u
(x, 0) = g(x)
t
Ejercicio 30. Se desea resolver la ecuacion de ondas

2 1 2
=0
x2
c t2
donde c es una constante distinta de 0.
Haga el cambio de variables = x + ct y = x ct de modo que se obtenga
(x, t) = ((x, t), (x, t))
donde (, ) es la inc
ognita. En base a este cambio de variables demuestre que:
2 1 2
2
=4
((x, y), (x, y))
2
2
x
c t
y en base a este resultado demuestre que toda solucion de clase C 2 de la ecuacion de ondas se
escribe
(x, t) = f () + g()
con f y g funciones de variable real.
Cambio de variables
Ejercicio 31. Sea Bn la bola unitaria en Rn . Muestre que
Z p
V ol(B4 ) = 2
1 (x2 + y 2 + z 2 )dxdydz.
B3
Tomando coordenadas esfericas muestre que el volumen de B4 es igual a

Z /2 Z 2 Z 1
p
2
r2 sen() 1 r2 drdd
/2
y concluya que V ol(B4 ) = 2 /2. En general muestre que el volumen de la bola de radio r es
r4 2 /2.
115
Ejercicio 32. Sea f : Rn Rn un difeomorfismo de clase C 1 (es decir, un homeomorfismo con f y

f 1 de clase C 1 ), que satisface que f (B) B, donde B es la bola unitaria cerrada y |detf 0 (x)| < 1
para todo x B. Demuestre que para toda funcion continua g : B Rn se tiene que
Z
lm
g(x)dx = 0
k
f k (B)
donde f k es f compuesta consigo misma k veces.

RR
dxdy donde S es el dominio limitado por
S
y2
x2
+ 2
2
a
b
2
=
x2
y2
2
2
h
k
Ejercicio 34. Calcule

ZZ
x2 ydxdz + x2 zdxdy + x3 dydz
Donde S es la regi
on que describe el volumen del cilindro x2 + y 2 = a2 entre y los planos z = 0 y
z = 2.
Ejercicio 35. Describa el volumen del solido M acotado por los paraboloides z = x2 + y 2 y
z = 5(x2 + y 2 ) y los planos de ecuaciones z = 1 y z = 5. Calcule el volumen.
2

ZZ s
x
y2
z2
3
1
+
+
dxdydz
9
16 25
S
donde S =
x
9
y
16
z
25
4.
Ejercicio 37. Calcule el volumen de la region encerrada dentro de la esfera x2 + y 2 + z 2 = 5 y el

cilindro (x 1)2 + y 2 = 1.
Indicaci
on. Use x = arc cos() e y = sen().
CAPITULO 4
Topologa B
asica
La idea de este captulo es formalizar conceptos abstractos que son de alta importancia en los
temas que siguen. No es posible entender a cabalidad los temas que vienen a continuacion en este
apunte sin tener claro lo m
as b
asico de topologa, por esto es que preferimos destinar espacio a
estos conceptos.
4.1. Normas y espacios normados

Definici
on 4.1. Sea E un espacio vectorial. Una norma en E es una funcion que satisface las
siguientes propiedades:
k k : E R+ {0}
1. Positividad: kxk = 0 x = 0
2. Linealidad: kxk = ||kxk R, x E
3. Desigualdad triangular: kx + yk kxk + kyk x, y E
Al par ordenado (E, k k) se lo conoce como espacio vectorial normado.
Ejemplo 4.1. En Rn podemos definir muchas normas:
1. Norma 1: kxk1 = |x1 | + . . . + |xn |
p
2. Norma 2 o euclideana: kxk2 = x21 + . . . + x2n
3. Norma infinito o uniforme: kxk =
4. Norma : kxk =
max
i=1,2,...,n
|xi |
|x1 | + . . . + |xn | para 1 <
De forma que (Rn , k k) con cualquiera de las normas definidas tiene estructura de espacio vectorial
normado.
117
118
4.1. NORMAS Y ESPACIOS NORMADOS
Demostrar que k k2 , k k1 y k k satisfacen efectivamente las propiedades de una norma es tarea

sencilla. Un poco m
as difcil es demostrar que k kp con 1 < p < es tambien una norma.
Las normas mencionadas son casos particulares de kxk . Las normas 1, 2 e infinito se obtienen
cuando toma los valores 1, 2 y tendiendo a infinito respectivamente.
Ejemplo 4.2. Para fijar ideas, en R2 el dibujo de kxk = 1 con igual a 1/2, 1, 2 y tendiendo a
infinito nos queda de la siguiente forma
x2
1
2
1
1
2
x1
1
Figura 4.1: Normas en R2
Decimos kxk es norma cuando 1 pues en caso de que < 1 no se cumple la desigualdad
triangular.
Sean x = (1, 0) e y = (0, 1). Si p = 1/2 tenemos que
kxk
(|0|1/2 + |1|1/2 )2 = 1
kyk
(|1|1/2 + |0|1/2 )2 = 1
de lo cual se obtiene kxk + kyk = 2 mientras que kx + yk = 4.

Lema 4.1. Sean a, b 0 R y , > 1 R tales que
= 1. Entonces,
a
b
+
ab
Demostraci
on. Consideremos la siguiente curva
() = t1 () = q1
la gr
afica de esto corresponde a lo siguiente:
(4.1)
119
b
S2
= t1
S1
Consideremos las
areas S1 y S2 del grafico y se tiene que
Z
S1 =
t1
a
, S2 =
d =
Z
0
q1 d =
De la figura se puede inferir que

ab S1 + S2
a
b
ab
+
Una forma m
as rigurosa de demostrar este lema es por medio de la definicion de funcion convexa.
Una funci
on f : A R R es convexa si
f (x + (1 )y) f (x) + (1 )f (y)
x, y A, 0 1
Otro criterio para determinar la convexidad de una funcion de una variable, en caso de que sea
dos veces continua y diferenciable, es determinar que su segunda derivada sea no decreciente
(f 00 (x) 0 x A).
Tomando la funci
on ln(x) (verifique la convexidad mediante la segunda derivada), escojamos
= 1/. Entonces por convexidad

a
b
ln(a ) ln(b )
ln
+

a
b
ln
+
ln(ab)

a
b
ln
+
ln(ab)
a
b
+
ab
(4.2)

Teorema 4.1. k k es una norma.
Demostraci
on. Debemos demostrar las tres propiedades que aparecen en la definicion 4.1.
120
Positividad: kxk 0 x Rn
Primero veamos que pasa con kxk 0
n
X
|xi | 0 xi R kxk =
!1/
|xi |
i=1
Luego debe cumplirse que kxk = 0 x = 0, entonces si x = 0

n
X
|xi | = 0 xi R kxk =
!1/
|xi |
=0
i=1
la otra implicancia es como sigue, si kxk = 0

n
X
!1/
= (|x1 | + . . . + |xn | )1/ = 0
|xi |
i=1
luego |xi | R+ y, por definici

on, |xi | 0 ademas de que la suma de elementos positivos es nula
s
olo si todos los elementos son nulos
!1/
n
X
|xi |
= |x1 | + . . . + |xn | = 0 x = 0
i=1
Linealidad: kxk = ||kxk x Rn , R

kxk =
n
X
!1/
|xi |
i=1
||
n
X
!1/
|xi |
i=1
= ||kxk
Desigualdad triangular: kx + yk kxk + kyk x, y Rn
n
X
!1/
|xi + yi |
i=1
n
X
!1/
|xi |
i=1
n
X
!1/
|yi |
i=1
Sea = 1
n
X
|xi + yi |
i=1
n
X
(|xi | + |yi |)
i=1
Sean > 1 y x, y Rn . Si tomamos un real x 0 entonces x R+ y se tiene que x = |x|. Usando

esta propiedad, reescribiremos (4.1) Escojamos a = (Pn |x|xi j| | )1/ y b = (Pn |y|yij| | )1/ , entonces la
j=1
j=1
desigualdad nos queda

|yi |
1
|xi |
Pn
Pn

1/
1/
( j=1 |xj | )
( j=1 |yj | )
|xi |
Pn
( j=1 |xj | )1/
1
+
|yi |
Pn
( j=1 |yj | )1/
121
1
1
|xi yi |
|xi |
|yi |
P
P
P
Pn
n
n
n
( j=1 |xj | )1/ ( j=1 |yj | )1/

j=1 |xj |
j=1 |yj |
Aplicando
Pn
i=1 ()
a la u
ltima desigualdad obtenemos
Pn

|xi yi |
1
1
i=1
Pn
Pn
+ =1

( j=1 |xj | )1/ ( j=1 |yj | )1/
1/
1/
n
n
n
X
X
X
|xi yi |
|xj |
|yj |
i=1
j=1
(4.3)
j=1
Como |xi + yi | |xi | + |yi |

(|xi | + |yi |)
|xi + yi |
Aplicando
Pn
i=1 ()
(|xi | + |yi |)1 (|xi | + |yi |)

(|xi | + |yi |)1 (|xi | + |yi |)
a la u
ltima desigualdad obtenemos
n
X
i=1
n
X
|xi + yi |
n
X
(|xi | + |yi |)1 (|xi | + |yi |)
n
n
X
X
(|xi | + |yi |)1 |yi |
(|xi | + |yi |)1 |xi | +
i=1
|xi + yi |
i=1
i=1
i=1
Combinando esto u
ltimo con la ecuacion (4.3) y como ( 1) = se tiene
! 1
! 1
! 1 n
n
n
n
X
X
X
X
(1)
|xi + yi |
|xi |
(|xi | + |yi |)
+
|yi |
i=1
n
X
i=1
|xi + yi |
i=1
n
X
|xi + yi |
i=1
n
X
|xi |
n
X
|xi + yi |
n
X
i=1
! 1
|yi |
!1/
|xi |
n
X
n
X
! 1
(|xi | + |yi |)
i=1
i=1
i=1
!1/
i=1
i=1
! 1
i=1
!1 1
i=1
n
X
n
X
!1/
|yi |
i=1
!1/
|xi |
n
X
!1/
|yi |
i=1

Ejemplo 4.3. Si E = {f : [a, b] R : f es continua } = C[a, b] entonces definimos
k k : E R {0}
kf k = sup |f (x)|
x[a,b]
Ejemplo 4.4. En P = {polinomios de R} definimos

kpk = |p(1)| + |p(0)| + |p(1)|
lo anterior no es una norma pues no satisface la condicion 1 de norma. En los polinomios de grado
dos si es norma.
122
En un espacio vectorial E podemos considerar diferentes normas.

Teorema 4.2. (Equivalencia de normas)
Dos normas k k1 y k k2 en E se dicen equivalentes si existen constantes c1 y c2 no negativas tales
que:
c1 kxk1 kxk2 c2 kxk1 x E
Demostraci
on. Supongamos que k k1 y k k2 en E son equivalentes.
Tomemos el lado izquierdo de la desigualdad y supongamos que no existe c1 R+ que cumpla
c1 kxk1 kxk2 . Entonces
kxk2
=0
nf
xE\{0} kxk1
Escojamos {xn }nN en E tal que {xn } 0, entonces
kxn k2
0
kxn k1
Consideremos que kxn k1 , kxn k2 R+ por lo que esto u
ltimo lo podemos reescribir como

xn

kxk1 0
2
Definamos y n =
ser equivalentes.
xn
kxk1 ,
entonces ky n k1 = 1 e ky n k2 0 lo que significa que las normas no pueden
Tomemos el lado derecho de la desigualdad y supongamos que no existe c2 R+ que cumpla

kxk2 c2 kxk1 . Entonces
kxk1
nf
=0
xE\{0} kxk2
Escojamos {xn }nN en E tal que {xn } 0, entonces
kxn k1
0
kxn k2
Consideremos que kxn k1 , kxn k2 R+ por lo que esto u
ltimo lo podemos reescribir como

xn

kxk2 0
1
Definamos y n =
ser equivalentes.
xn
kxk2 ,
entonces ky n k1 0 y ky n k2 = 1 lo que significa que las normas no pueden

Cuando a la estructura de espacio vectorial se le agrega una norma, se le dota de propiedades

topol
ogicas. Veremos m
as adelante que si k k1 y k k2 son normas equivalentes en E entonces
(E, k k1 ) y (E, k k2 ) tienen las mismas propiedades topologicas.
Definici
on 4.2. Dados dos puntos x, y E definimos la distancia entre x e y por:
d(x, y) = kx yk
123
Observamos que la noci

on de distancia entre dos puntos depende de la norma considerada.
Ejemplo 4.5. En Mnm (R) definimos dos normas
kAk = max |aij |
i,j
kAk1 =
XX
i

Si A =

3
6 7
yB=
5
8 9

4 4

kA Bk =
4 4 = 4
|aij |
2
4

4
kA Bk1 =
4

4
= 16
4 1
4.2. Sucesiones
En el estudio de la topologa de un espacio normado, un rol muy importante es jugado por las
sucesiones. Como en el caso de R uno puede definir sucesiones de vectores en Rn .
Definici
on 4.3. (Sucesi
on)
Una sucesi
on en el espacio vectorial E es una funcion
N
n
E
7
xn
y se anota usualmente como {xn }nN . Una sucesion {xn }nN converge a x si
> 0, n N tal que kxn xk < , n N
Si una sucesi
on converge a un vector x diremos que este es el lmite de la sucesion y se denota
lm xn = x
n
Proposici
on 4.1. El lmite de una sucesion, cuando existe, es u
nico.
Demostraci
on. Supongamos que lm xn = x1 y lm xn = x2 . Tendremos que para todo > 0
existen enteros n1 y n2 tales que kxn xk /2 para todo n n1 y kxn xk /2 para todo
n n2 . Sea m = m
ax{n1 , n2 } tenemos que
kx1 x2 k kx1 xm k + kxm x2 k

+ =
2 2
y esta desigualdad es v
alida para todo > 0, por lo tanto kx1 x2 k = 0 y por las propiedades de
la norma concluimos que x1 = x2 .

Nota 4.1. En adelante escribiremos xn x en lugar de lmn xn = x para referirnos al lmite de
una sucesi
on.
124
4.2. SUCESIONES
4.2.1. Sucesiones de Cauchy

Definici
on 4.4. (Sucesi
on de Cauchy)
Una sucesi
on {xn }nN se dice de Cauchy si > 0 existe n N tal que
kxn xm k < n, m N
Nota 4.2. Las nociones de sucesiones convergentes y sucesiones de Cauchy no cambian seg
un la
norma por la equivalencia de estas.
Proposici
on 4.2. Toda sucesi
on convergente es sucesion de Cauchy.
Demostraci
on. Supongamos que {xn }nN converge a x. Dado > 0 existira n0 N tal que
kxn xk /2 para cualquier n n0 . Entonces

+ = n, m n0
2 2
kxn xm k kxn xk + kx xm k
lo cual concluye la demostraci
on.
Nota 4.3. En general no toda sucesi

on de Cauchy es convergente por lo que la recproca de la
proposici
on es falsa.
Ejemplo 4.6. En Q2 usamos la norma euclideana. La sucesion definida por

k !
1
1
xk =
1+
,
k
k
es de Cauchy pero no converge en Q2 .
Ejemplo 4.7. En C[1, 1] dotado de la norma
Z
kf k1 =
|f (x)|dx
1
consideramos la sucesi
on
(
fn (x) =
1 (1 x)n
1 + (1 + x)n
si x > 0
si x 0
Supongamos sin perdida de generalidad que n m

Z 1
Z
kfn fm k1 =
|(1 x)n (1 x)m |dx +
|(1 + x)n (1 + x)m |dx
(1 x)m |(1 x)nm 1|dx +
(1 + x)m |(1 + x)nm 1|
(1 + x)m dx +
(1 + x)m dx
2
m+1
es decir,
kfn fm k1
2
mn{n, m} + 1
125
por lo tanto {fn } es de Cauchy. Pero {fn } no tiene limite en C([1, 1]) En efecto, supongamos que
existe la funci
on lmite que llamaremos f . Entonces
n
kfn f k1 0
Como
Z
|fn f |dx
entonces
Z
|fn f |dx
1
a
1
|fn f |dx 0 a [1, 1]

a
tomemos a (0, 1]. Como en [a, 1], fn converge uniformemente a 1, entonces

Z 1
|1 f |dx = 0 f = 1 en [a, 1] a (0, 1]
a
por lo tanto f (x) = 1 x (0, 1]. Analogamente f (x) = 1 a [1, 0)

Concluimos as que f no puede ser continua.
4.3. Espacios de Banach

Definici
on 4.5. (Espacio de Banach)
Un espacio vectorial normado E se dice espacio de Banach si toda sucesion de Cauchy en E converge
en E, es decir
n
{xn }nN E, es de Cauchy x E tal que xn x
en este caso E tambien recibe el nombre de espacio vectorial completo.
Nota 4.4. La gran mayora de los modelos que se utilizan en modelos matematicos de la ingeniera
se construyen sobre espacios de Banach.
Ejemplo 4.8. (R, | |). En R toda sucesion de Cauchy es convergente. Esto es una consecuencia
del axioma del supremo.
Ejemplo 4.9. (Rn , k k2 ) es un espacio de Banach. En efecto, si {xk }kN Rn es una sucesi
on
de Cauchy, entonces
> 0 N N tal que kxk xm k2 < k, l > N
lo que implica que
|xik xim | < k, m > N i {1, . . . , n}
donde xik es la i-esima componente de xk . Por lo tanto la sucesion {xik }kN es de Cauchy en R y
en consecuencia converge. Denotemos por xi su lmite. Tenemos asi que dado > 0 existe Ni que
satisface
|xik xi | < k > Ni

n
escogiendo N = m
ax{Ni : i = 1, . . . , n} y llamando x al vector (x1 , . . . , xn ) tenemos finalmente
que
v
u n
uX
kxk xk2 = t
|xik xi |2 < k > N
i=1
es decir la sucesi
on xk converge a x en R
126
4.3. ESPACIOS DE BANACH
Nota 4.5. Es f
acil ver que
xk x en (Rn , k k2 ) xik xi i {1, .., n}
Ejemplo 4.10. (Mnm (R), k k ) es completo. Sea {Ak }kN una sucesion de Cauchy. Entonces
> 0 N N tal que
kAk Am k < k, m > N
es decir,
max |akij am
ij | <
1in
1jm
en consecuencia cada una de las sucesiones {akij }kN son de Cauchy en R. Cada una de ellas
converge entonces a un lmite que denotamos aij . De esta manera, dado > 0 Nij > 0 tal que
|akij aij | < k > Nij
escogiendo N = m
ax{Nij tal que i = 1, . . . , n, j = 1, . . . , m}, obtenemos
m
ax |akij aij | < k > N
1in
1jm
o sea, si A = (aij )
kAk Ak < k > n
por lo tanto Ak A. El espacio de matrices de dimension n m con la norma k k es un espacio
de Banach.
Ejemplo 4.11. (C([a, b], R), kk ) es un espacio de Banach. Sea {fn }nN una sucesion de Cauchy.
Dado > 0, N N tal que
kfk fm k = sup |fk (x) fm (x)| < k, m > N
x[a,b]
en particular, para cualquier x [a, b] se tendra que

|fk (x) fm (x)| < k, m > N
es decir, x [a, b] la sucesi
on {fn (x)}nN es de Cauchy en R, y por lo tanto converge a un lmite
que llamaremos f (x)
lm fk (x) = f (x)
k
De esta manera, hemos definido una funcion f : [a, b] R. Probaremos que esta funcion es el
lmite de la sucesi
on {fn } en C([a, b], R).
Tenamos que dado > 0, N > 0 tal que
|fk (x) fm (x)| < k, m > N x [a, b]
lo que implica que
|fk (x) f (x)| < k > N x [a, b]
y entonces
kfk f k < k > N.
Con esto hemos probado que
kk
fn f
es decir, f es el lmite uniforme de las funciones continuas fn . Para concluir la demostracion de
que (C([a, b], R), k k ) es Banach debemos probar que f es continua.
127
Proposici
on 4.3. El lmite uniforme de funciones continuas de la forma f : [a, b] R es una
funci
on continua.
Demostraci
on. Sea {fn }nN una sucesion de funciones continuas en [a, b] que converge uniformemente a una funci
on f . Sea x0 [a, b] y > 0, entonces existe N tal que
kfk f k <
k N
3
en particular tendremos que
x [a, b]
3
es una funci
on continua y por lo tanto > 0 tal que si |x x0 | < entonces
|fN (x) f (x)| <
pero fN
|fN (x) fN (x0 )| <
Con todo esto obtenemos que si |x x0 | <

|f (x) f (x0 )|
|f (x) fN (x)| + |fN (x) fN (x0 )| + |fN (x0 ) f (x0 )|

+ + =
3 3 3
Es decir, f es una funci

on continua.
Con esto concluimos que (C([a, b], R), k k ) es un Espacio de Banach.
4.4. Subsucesiones
Definici
on 4.6. (Subsucesi
on)
Sea {xn }nN una sucesi
on en un espacio normado (E, k k). Consideremos una funcion f : N N
estrictamente creciente, es decir, n < m f (n) < f (m). Entonces, la nueva sucesion {xf (k) }kN
se llama subsucesi
on de {xn }. A menudo se anota nk = f (k) y as la subsucesion se anota como
{xnk }kN .
Ejemplo 4.12. Las sucesiones siguientes
(
(
2n )
2n+1 )
1
1
2
2
nN
(
y
nN
8n+7 )
,
nN
son subsucesiones de {( 21 ) }nN

Ejemplo 4.13. La sucesi
on {xn } R2 definida por

n
1
n
xn = (1) , 1 +
n
no converge. Sin embargo la subsucesion {x2n }nN si converge y lo hace a (1, e) R2 . La subsucesi
on {x2n+1 }nN tambien converge, pero a (1, e) R2 . Por otra parte la subsucesion {x3n }nN
no converge (n
otese como cambia el signo de (1)kn ) para los valores k = 1, 2, 3).
n
Ejemplo 4.14. La sucesi
on xn = (2n , n1 , n+1
) R3 no converge. En este caso {xn }nN no tiene
subsucesiones convergentes.
128
4.4. SUBSUCESIONES
Ejemplo 4.15. En el espacio de Banach (C([0, 1], R), kk ) consideremos la siguiente sucesion:
1
0
,0
x n+1
1 + (n + 1)(nx 1) , 1
1
x n
n+1
fn (x) =
1
1
1
(n
1)(nx
1)
,
x n1
1
0
, n1 x 1
Para esta sucesi
on se cumple que:
kfn k = 1 n N
kfn fn+1 k = 1 n N
kfn fk k = 1 n 6= k
Entonces {fn } no converge y ninguna subsucesion puede hacerlo, pues no son de Cauchy.
Esto muestra que en (C([0, 1], R), kk ) hay sucesiones acotadas que no tienen subsucesiones convergentes. En particular mostramos que B = B(0, 1), la bola unitaria cerrada, no es compacta.
Teorema 4.3. Sea {xn }nN una sucesi
on en un espacio normado. Entonces {xn }nN converge a
x si y s
olo si toda subsucesi
on {xnk }nN de {xn }nN converge a x
Demostraci
on. linea en blanco
(): Directo pues {xn }nN es una subsucesion {xn }nN .
(): {xn }nN converge a x, entonces > 0 N N tal que
kxn xk < n N
Sea {xnk }nN una subsucesi
on de {xn }nN entonces k N tal que n1 < n2 < . . . < nk < nk+1 <
nk+2 < . . . . Entonces
kxnk xk < k K
Por lo tanto {xnk }nN converge a x.
El siguiente es un teorema fundamental en la topologa de R que puede extenderse a Rn .

Teorema 4.4. (Teorema de Bolzano-Weierstrass en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] R continua tal que f (a) y f (b) tienen signos
contrarios, entonces existe c [a, b] tal que f (c) = 0.
Demostraci
on. Sin perdida de generalidad supongamos que f (a) < 0 y f (b) > 0. Escojamos
c (a, b) y de esto se tienen tres casos:
1. f (c) < 0 y nos restringimos al intervalo [a1 , b1 ] con a1 = c y b1 = b.
2. f (c) = 0 en este caso concluye la demostracion.
3. f (c) > 0 y nos restringimos al intervalo [a1 , b1 ] con a1 = a y b1 = c.
Para los casos 1. y 3. consideremos intervalos [an , bn ] [an1 , bn1 ] . . . [a, b] tal que f (an ) < 0
y f (bn ) > 0. Escojamos para cada intervalo un c que es punto medio y as cada intervalo es la
mitad del anterior. De esta forma, bn an = ba
a que an bn 0 y
2n y para n se tendr
lmn an = lmn bn .
129
Sea c = lmn an , por ser f continua

f (c) = f

lm an = lm f (an )
como f (an ) < 0 tenemos que lmn f (an ) 0.

An
alogamente si tomamos

f (c) = f lm bn = lm f (bn )
n
como f (bn ) < 0 tenemos que lmn f (an ) 0. Se concluye entonces que f (c) = 0.
Teorema 4.5. (Teorema de Bolzano-Weierstrass en Rn )

Toda sucesi
on acotada en Rn tiene a lo menos una subsucesi
on convergente.
Demostraci
on. Sea {xn } una sucesion acotada en Rn . Para cada componente de la sucesion se
i
umeros reales. De acuerdo al teorema
tiene {xn }iN que corresponde a una sucesion acotada de n
1.3, {xin }iN tiene a lo menos una subsucesion convergente {xi(n) }iN . Esto es, si {xin } ai R
entonces {xi(n) } bi R.
Sea A1 N y ai1 A, entonces lmnA1 {x1n } = ai1 . En forma analoga, sea A2 A1 , entonces
lmnA2 {x2n } = ai2 . Podemos construir la inclusion An An1 tal que An N y lmnAj {xin } = aij
para j {1, . . . , n}. Definiendo a = (a1 , . . . , an ) se tiene que lmnAn {xn } = a, lo que concluye la
demostraci
on.
4.5. Conjuntos abiertos y cerrados

El conjunto b
asico con el cual definimos la topologa de un espacio normado es
B(x0 , ) = {x E : kx x0 k < }
que recibe el nombre de bola abierta de radio y centro x0 .
Definici
on 4.7. Un punto x E es interior a C si existe > 0 tal que B(x, ) C. y un conjunto
A E se dice abierto si:
x A, > 0 tal que B(x, ) A
Proposici
on 4.4. Un conjunto es abierto todos sus puntos son interiores.
Proposici
on 4.5. (Propiedades de los abiertos)
1. Si A1 , A2 , . . . , An son abiertos entonces
2. Si {Ai }iI
Tn
Ai es abierto.
S
es una familia de abiertos entonces iI Ai es abierto.
i=1
3. E es abierto, es abierto.
Sea = {A E : A es abierto}, se conoce como topologa en E gracias a que satisface las
propiedades 1,2 y 3 de los abiertos.
Definici
on 4.8. Sea A E. Un punto x E se dice punto de acumulacion de A si
> 0 A (B(x, )\{x}) 6=
130
4.5. CONJUNTOS ABIERTOS Y CERRADOS
Nota 4.6. Para ser punto de acumulacion de A no es necesario pertenecer a A. Por otra parte,
no es suficiente estar en A para ser de acumulacion.
Ejemplo 4.16. linea en blanco
1. Sea A = (0, 1). Entonces x = 0 es punto de acumulacion de A.
2. Sea A = (0, 1) {3}. Luego x = 3 A, pero x no es punto de acumulacion.
Definici
on 4.9. A E es cerrado si A contiene a todos sus puntos de acumulacion.
Proposici
on 4.6. A Rn es cerrado si y solo si:
Para toda sucesi
on {xk }kN A : ( (xk x) x A)
Demostraci
on. linea en blanco
(): Supongamos que A es cerrado. Sea {xk }kN A una sucesion cualquiera tal que lm xk = x.
xk x
Queremos demostrar que x A. Supongamos que no, es decir, que x AC . Como A es cerrado,
existe > 0 tal que B(x, ) AC . Por otra parte, de la definicion de lmite, existe k0 N tal que
xk B(x, ) para todo k k0 , lo que es imposible pues xk A.
(): Para demostrar la recproca probemos la contrarrecproca. Es decir, si A no es cerrado entonces existe una sucesi
on {xk }kN A que converge a x y x 6 A.
Como A no es cerrado, AC no es abierto, entonces existe un punto x AC tal que
Para todo > 0 se tiene B(x, ) A 6=
Esta proposici
on nos permite construir una sucesion {xk } A de la siguiente manera: para cada
k N tomamos = k1 entonces, como B(x, 1/k) A 6= , podemos elegir xk B(x, k1 ) y xk A.
Por definici
on esta sucesi
on converge a x, concluyendo la demostracion pues x 6 A.

Teorema 4.6. A E es cerrado AC es abierto.
Demostraci
on. linea en blanco
(): Supongamos que A es cerrado. Sea x AC , entonces x no es punto de acumulacion de A,
por lo tanto existe > 0 tal que
A (B(x, )\{x}) =
pero esto es equivalente a B(x, )\{x} AC y como ademas x AC , tenemos que B(x, ) AC ,
y por lo tanto AC es abierto.
(): Supongamos ahora que AC es abierto. Sea x E punto de acumulacion de A. Debemos
demostrar que x A. Por contradicci
on, si x AC , como es abierto, > 0 talque
B(x, ) A B(x, ) A = B(x, )\{x} A =
tenemos una contradicci

on, pues x es punto de acumulacion de A. Por lo tanto x A.
Ejemplo 4.17. Rn y el conjunto vaco , son conjuntos abiertos. A

un cuando Rn es obviamente
abierto, el caso del conjunto vaco requiere una reflexion. Si no es abierto entonces existe x0
para el cual B(x0 , r) Rn 6= , para cada r > 0. Esto es absurdo pues no hay elementos en .
Ejemplo 4.18. El conjunto A = {(x, y) : x > 1} es un conjunto abierto. En efecto, si (x, y) A
entonces B((x, y), x1
2 ) A.
131
Ejemplo 4.19. Si x0 R y r > 0 entonces B(x0 , r) es un conjunto abierto. En efecto, si x

B(x0 , r) entonces B(x, (r kx x0 k)/2) B(x0 , r). Usando la desigualdad triangular muestre la
veracidad de esta u
ltima afirmaci
on y haga un dibujo.
Definici
on 4.10. Diremos que A Rn es un conjunto cerrado si AC es abierto.
Nota 4.7. Los conjuntos Rn y son abiertos y cerrados. Tambien notamos que hay conjuntos
que no son abiertos ni cerrados. Ver ejemplo a continuacion.
Ejemplo 4.20. Sean A = { n1 : n N} y B = A {0}. Entonces:
1. A no es cerrado. En efecto AC no es abierto, pues 0 AC y (r > 0) B(0, r) 6 AC . Cualquiera
sea r > 0 se tiene que
1
(n N) tal que < r
n
Es decir,
1
n
B(0, r).
2. A no es abierto pues 1 A, pero (r > 0) B(x0 , r) 6 A.

3. B es cerrado y no es abierto.
Teorema 4.7. Sean k k1 y k k2 dos normas equivalentes en el espacio E. A E es abierto en
(E, k k1 ) A es abierto en (E, k k2 ).
Demostraci
on.linea en blanco
(): Recordemos que existen constantes c1 > 0, c2 > 0 tales que
c1 kxk1 kxk2 c2 kxk1 x E
Supongamos que A E es abierto en (E, k k1 ).Sea x A, entonces existe > 0 tal que
{y E : kx yk1 < } A
pero entonces
{y E : kx yk2 < c1 } {y E : kx yk1 < } A
o sea, encontramos c1 > 0 tal que
Bkk2 (x, c1 ) A
As que todos los puntos de A son interiores con la norma k k2 lo que implica que A es abierto en
(E, k k2 ).
(): Tarea.
Nota 4.8. Todas las nociones que se definan a partir de los conjuntos abiertos de (E, k k) quedan
inalteradas cuando se cambia k k por una norma equivalente.
Definici
on 4.11. Sea A E. Definimos los siguientes conjuntos
1. Derivado de A:
der(A) = {x E : x es punto de acumulacion de A}
2. Adherencia o cerradura de A:
adh(A) = A der(A) = A {x E : x es punto de acumulacion de A}
132
4.6. CONJUNTOS COMPACTOS
3. Interior de A:
int(A) = {x A : x es punto interior de A}
4. Frontera de A:
fr(A) = adh(A) \ int(A)
Nota 4.9. int(A) A y A adh(A). Observamos que un punto adherente de A no necesita estar
en A, as mismo un punto de acumulacion y un punto frontera no necesitan estar en A.
Se obtiene de las definiciones la siguiente proposicion:
Proposici
on 4.7. A es abierto si y s
olo si A = int(A) y A es cerrado si y solo si A = adh(A).
Ejemplo 4.21. En R sea A = [1, 2) {3}. Entonces: der(A) = [1, 2], int(A) = (1, 2), adh(A) =
[1, 2] {3} y fr(A) = {1, 2, 3}.
Ejemplo 4.22. Demuestre que x adh(A) si y solo si existe una sucesion {xk }kN A tal que
lmk xk = x.
Soluci
on.linea en blanco
() A es cerrado, entonces toda sucesion convergente en A tiene su lmite en A.
Sea la sucesi
on {xk }, k N : xk x x A
xk x > 0k0 N : k k0 , xk B(x, )
Pero xk A, entonces > 0 B(x, ) A 6= x adh(A). Sabemos que A es cerrado, lo que
en otras palabras es A = adh(A) lo cual implica que x A.
() Toda sucesi
on convergente del conjunto A tiene su lmite en el conjunto, entonces A es cerrado.
Supongamos que x adh(A), entonces se tiene que
B(x, ) A 6= > 0
Escojamos = 1/k, entonces debe tenerse
B(x, 1/k) A 6= k N
lo que implica que existe xk perteneciente a B(x, 1/k) A para todo k N. Entonces, {xk } esta en
A y lmk xk = x
4.6. Conjuntos compactos

Motivaci
on: Podemos pensar en los conjuntos compactos como aquellos que tienen un radio finito o mejor dicho cuyas dimensiones son acotadas. En diversos problemas de ingeniera es com
un
encontrarse con problemas de maximizacion o minimizacion. Si maximizamos o minimizamos determinada funci
on sobre un compacto gracias a algunos teoremas, que veremos en el captulo
siguiente, nos aseguramos de que la solucion existe.
Definici
on 4.12. (Conjunto compacto)
En el caso de conjuntos de Rn , como ya veremos a continuacion, podemos decir que C Rn es
compacto si es cerrado y acotado a la vez.
De forma general un S
conjunto C Rn es compacto si para toda familia de conjuntos
abiertos
S
{Ai }i tal que C i Ai , existe un subconjunto finito tal que C i Ai . Esto
es, un conjunto C es compacto cuando toda cobertura por abiertos de C tiene una subcobertura
finita.
133
Si suponemos que un conjunto C es compacto se demuestra por contradiccion que no lo es si

encontramos una cobertura por abiertos de C que no tenga una subcobertura finita.
Ejemplo 4.23. Para fijar ideas, consideremos los siguientes conjuntos:
1. (0, 1) en los reales no es compacto, ya que la cobertura por abiertos {( n1 , 1), n N} no
tieneSuna subcobertura finita. Notemos que (0, 1) tiene una cobertura por abiertos definida
por i Ai = ( 12 , 1) ( 31 , 1) . . . ( n1 , 1). Sin embargo, no existe una subcobertura finita
por abiertos que cubra completamente a (0, 1). Esto u
ltimo es porque el nfimo de cualquier
subcobertura finita puede acercarse a cero pero, en la medida que la cantidad de elementos
de la subcobertura sea finita, el valor del nfimo queda lejos de cero y entonces es posible
converger y acercarse lo suficiente a cero en la medida que la cantidad de elementos de la
subcobertura tienda a infinito.
2. [0, 1) en los reales no es compacto, ya que la cobertura por abiertos {(1, 1 n1 ), n N} no
tiene una subcobertura finita. En este caso el extremo derecho no es cerrado por lo que se
puede construir una sucesi
on que converge a uno y este hecho impide que el conjunto tenga
una cobertura finita.
3. [0, +) en los reales no es compacto, ya que {(1, n), n N} no tiene una subcobertura
finita. En este caso se puede construir una sucesion que no converge y tiende a infinito lo
cual impide que el conjunto tenga una cobertura finita.
4. [0, 1] en los racionales no es compacto pero si lo es en los reales. En el caso de los racionales
{[ n1 , 1], n Q} no tiene una subcobertura finita.
Este caso debe ser analizado aparte, pues la cobertura abarca completamente el conjunto [0, 1]
en los racionales pero no tiene subcobertura finito alguno. Para el caso en que [0, 1] se define
en los reales S
se puede razonar por contradiccion: Supongamos que [0, 1]Stiene una cobertura
S
por abiertos i Ai pero no existe un subcobertura
finita por abiertos i Ai de i Ai .
S
Entonces [0, 21 ] y [ 12 , 0] no pueden ser cubiertos por i Ai . Digamos, de manera arbitraria,
1
1
que [a1 , b1 ] es cualquiera de estos dos
S intervalos y entonces [a1 , 2 (b1 a1 )] y [ 2 (b1 a1 ), b1 ]
tampoco pueden ser cubiertos por i Ai . Digamos que [a2 , b2 ] es cualquiera de estos dos
intervalos y as mediante un razonamiento inductivo se pueden definir dos sucesiones {ai }ni=1
y {bi }ni=1 en [0, 1] tales que
an an+1 < bn+1 bn
1
bn an = n
2
[
Ai [an , bn ]
i
Las primeras dos ecuaciones

T nos dicen que, intuitivamente, es posible encontrar un valor
c [0, 1] tal que
c
=
on nos dice que [an , bn ] no puede ser
i=1 [ai , bi ] y la tercera ecuaci
S
S
cubierto por i Ai . Supongamos que c i Ai , entonces c esta contenido
en un
S
abierto y adem
as se tiene que lmn an = lmn bn = c, entonces [an , bn ] i
Ai en
S
la medida que n y esto nos dice que efectivamente [an , bn ] es cubierto por i Ai .
Llegamos a una contradicci
on y por definicion [0, 1] es compacto, luego es posible concluir
que toda cobertura por abiertos del conjunto tiene una subcobertura finita.
Definici
on 4.13. (Conjunto secuencialmente compacto)
Sea C Rn , diremos que este conjunto es secuencialmente compacto si toda sucesion convergente
en C tiene una subsucesi
on convergente en C. La misma definicion aplica si reemplazamos Rn por
un e.v.n. E.
134
4.7. CONSECUENCIAS DE LA COMPACIDAD
Teorema 4.8. Todo conjunto S C cerrado es compacto si C Rn es compacto.

Demostraci
on. Sea S cerrado y {Ai }i una cobertura por abiertos de S, entonces {Ai }i S C es
una cobertura por abiertos de C. Como C es compacto, tiene una subcobertura finita por abiertos
{Ai }i S C que adem
as es una subcobertura finita por abiertos de {Ai }i S C . Entonces,
{Ai }i es una subcobertura finita por abiertos de {Ai }i lo que concluye la demostracion.
Teorema 4.9. Si C Rn es compacto, entonces C es cerrado y acotado.
Demostraci
on. Para demostrar que es acotado, partamos de la base que C es compacto y diferente
de vaco. Por definici
on, sea {Ai }i una cobertura por abiertos de
S C, entonces necesariamente
esta cobertura S
tiene un subcobertura finita {Ai }i tal que C i Ai . Sea n = maxi i,
n
entonces C i=1 Ai , como tiene maximo, C esta contenido completamente en una union
finita lo que demuestra que es acotado. El razonamiento no es valido si C no es una parte finita
de Rn pero ese no es el caso que debemos demostrar.
Ahora debemos demostrar que C es cerrado. Los casos C = Rn y C = significan que no hay nada
que demostrar. Supongamos que C Rn = C, entonces escojamos x C e y C C . Se tendra que
dado > 0 existe B(x, ) tal que B(x, ) B(y, ) = , por ejemplo, si escogemos = 21 d(x, y).
Sea {Ai }i una cobertura por abiertos de C, debe existir {Ai }i {Ai }i que corresponde a
una subcobertura finita por abiertos de C. Definamos = mnx{Ai } d(x, y) : i y entonces
B(y, ) C C 6= y B(y, ) C C por lo que C C es abierto, lo que concluye la demostracion.
Teorema 4.10. (Heine-Borel)
Sea C Rn . C es compacto si y s
olo si es un conjunto cerrado y acotado.
Demostraci
on.linea en blanco
(): Esta implicancia ya fue demostrada en el teorema 4.9.
(): Si C es acotado, existe > 0 tal que C B(x, ) para x C. Entonces, C corresponde a un
subconjunto cerrado del rect
angulo [a, b] . . . [a, b]. Escojamos a = mn{xi , i = 1, . . . , n} y
b = m
ax{xi + , i = 1, . . . , n}, con lo cual [a, b]n es compacto y el teorema 4.8 permite concluir que
C es compacto lo cual finaliza la demostracion.

Nota 4.10. Establecer que un conjunto compacto debe ser cerrado y acotado y viceversa nos
da una relaci
on de si y s
olo si que puede extenderse a todo espacio de dimension finita, pero en
espacios de dimensi
on infinita es falsa. De hecho, la demostracion del teorema de Heine-Borel que
hicimos s
olo es v
alida con n N, es decir 1 n < .
Proposici
on 4.8. En Rn las siguientes propiedades son equivalentes:
1. C Rn es compacto.
2. C Rn es cerrado y acotado.
3. Toda sucesi
on en C Rn tiene una subsucesion convergente.
4.7. Consecuencias de la compacidad

Daremos algunas consecuencias no menores que resultan de los conjuntos compactos. Su importancia radica en la existencia de elementos que maximizan o minimizan funciones cuyo dominio es
compacto.
135
Teorema 4.11. Sea f : U Rn R una funci

on continua. Si C U es compacto, entonces
f (C) es compacto.
Demostraci
on. Escojamos arbitrariamente cualquier familia de conjuntos abiertos tales que f (C)
S
Ai , es decirSestamos fijando una cobertura por abiertos {Ai }i de f (C). Se tendr
iS
S a que C
f 1 ( i Ai ) = i f 1 (Ai ), lo cual significa que existe una subcobertura finita i f 1 (Ai )
de C, con . Entonces, f (C) es compacto ya que f (C) puede ser cubierto por una cantidad
finita de elementos de {Ai }i .

Definici
on 4.14. Sea f : U Rn Rm una funcion no necesariamente continua. Diremos que f
alcanza su m
aximo (respectivamente mnimo) en U , si existe xM U (respectivamente xm U )
tal que f (x) f (xM ) (respectivamente f (xm ) f (x)), para todo x U .
De esto se obtiene un corolario importante:
Corolario 4.1. Toda funci
on continua f : C Rn R definida en un conjunto compacto C
alcanza su m
aximo y su mnimo en C.
Demostraci
on. Como f es continua, f (C) es compacto. De esta forma, f (C) es cerrado y acotado.
Por ser f (C) acotado, existe xi = nf{x : x f (C)} y xs = sup{x : x f (C)}. Por definici
on
de nfimo y supremo, podemos construir las sucesiones {xin }nN f (C) y {xsn }nN f (C) que
convergen, respectivamente, a xi y xs . Por ser f (C) cerrado, xi y xs estan en f (C), lo cual concluye
la demostraci
on.

A partir del corolario 4.1 se tiene la siguiente consecuencia:
Corolario 4.2. En Rn todas las normas son equivalentes.
Demostraci
on. La demostraci
on ya fue hecha para el teorema 4.2. El corolario proviene de que las
normas definen funciones continuas (la demostracion de esto queda de tarea). Definiendo S = {x
Rn : kxk = 1} se define un conjunto cerrado y acotado en (Rn , k k) para cualquier norma. Sobre
este hecho, los teoremas 4.9 y 4.1 permiten concluir la equivalencia.

Definici
on 4.15. Sean (E, kkE ), (F, kkF ) espacios vectoriales normados y f : A E F . f es
uniformemente continua en A si
( > 0)( > 0)(x, y A) tal que kx ykE kf (x) f (y)kF
Nota 4.11. En el caso de la continuidad uniforme cambia el orden de los cuantificadores. La raz
on
de esto es que en la continuidad uniforme el valor de no depende del x que se escoja.
Proposici
on 4.9. Si f es uniformemente continua en A, entonces f es continua en A. La recproca
es, en general, falsa. Un claro ejemplo de esto u
ltimo es que la funcion f (x) = x2 es continua pero
no es uniformemente continua en R.
Finalizamos esta secci
on con el siguiente teorema:
Teorema 4.12. Sean (E, kkE ) y (F, kkF ) espacios vectoriales normados.
Sea f : A E F continua y A compacto. Entonces f es uniformemente continua en A.
Demostraci
on. Supongamos que f no es uniformemente continua en A. Entonces
> 0 > 0 x, y A tal que kx ykE < kf (x) f (y)kF >
136
4.8. CONJUNTOS CONVEXOS
Sea n N, tomamos = 1/n > 0 y escogemos xn , y n A tales que

kxn y n kE <
1
kf (xn ) f (y n )kF >
n
Como {xn }nN A y A es compacto, existe una subsucesion {xnk }nN de {xn }nN que converge
a un x A. A su vez la sucesi
on {y nk }kN A posee una subsucesion {y nk }lN convergente,
l
y nk y A. Notemos que {xnkl } es una subsucesion de {xnk } y por lo tanto tambien converge
l
a x. Lo anterior implica que (xnkl y nk ) (x y) cuando l , pero por otra parte tenemos
l
que
1
1
0
kxn y n kE < n N kxnkl y nk kE <
l
n
nkl
es decir, (xnkl y nk ) 0 cuando l lo que implica que x = y.
l
Por la elecci
on de las sucesiones tenemos que
kf (xnkl ) f (y nk )kF > l N
l
Tomando lmite cuando l y gracias a la continuidad de f obtenemos que

kf (x) f (y)kF > 0
lo que es imposible pues x = y.
4.8. Conjuntos convexos

Motivaci
on: La importancia de los convexos es que estos se pueden separar matematicamente
y sus propiedades de separaci
on nos sirven para demostrar que la solucion de un problema es la
mejor de todas las soluciones posibles. Retomaremos esta idea en los captulos siguientes.
Definici
on 4.16. Un conjunto C es convexo si el segmento que une dos puntos pertenecientes al
conjunto tambien pertenece a C.
y
y
x
x
Figura 4.2: Conjunto convexo y no convexo respectivamente

De manera formal, un conjunto C es convexo si dados dos elementos x, y C y un n
umero real
[0, 1] se cumple
z C z = x + (1 )y
(4.4)
Es decir, (4.4) es una combinaci
on lineal que define un segmento de extremos x, y.
Pn
n
Definici
i=1 i = 1. El vector
Pn on 4.17. Sean x1 , . . . , xn R y 1 , . . . , n R tales que
y = i=1 i xi es una combinaci
on convexa de x1 , . . . , xn .
Proposici
on 4.10. Todo espacio vectorial define un conjunto convexo.
137
Demostraci
on. No es necesario demostrar. Como todo espacio vectorial, por definicion, es cerrado
para la suma y la ponderaci
on por escalar se tiene que es convexo.

Ahora que ya tenemos la definici
on de convexidad podemos agregar algo mas sobre las normas. Ya
habamos se
nalado que en el caso de la norma se debe cumplir que 1 porque ademas de la
desigualdad triangular se debe cumplir que el conjunto
C = {x Rn : kxk , R}
debe ser convexo. Con < 1 se tiene que C no es convexo y el ejemplo 4.2 es u
til para fijar ideas.
Proposici
on 4.11. Sea C Rn convexo. Entonces int(C) y adh(C) son convexos.
Demostraci
on. Sean x, y int(C) y z = x + (1 )y. Dado que x, y son interiores a C, existe
r > 0 tal que B(x, r), B(y, r) C.
Sea v Rn y kvk < r, entonces x + v B(x, r) y ademas y + v B(y, r). Luego
z+v
(x + (1 )y) + (v + (1 )v)
(x + v) + (1 )(y + v)
Tenemos que z + v C dado que C es convexo. Definamos v = z 0 z tal que z 0 B(z, r),
entonces kvk < r y se obtiene z 0 = z + v C. Por lo tanto B(x, r) C, z int(C) y llegamos a
que int(C) es convexo.
Supongamos ahora que x, y adh(C). Sean z = x + (1 )y y r0 > 0, entonces existen
v, w tales que kvk < r0 , kwk < r0 , x + v C y ademas y + w C. Llegamos a que z 0 =
(x + v) + (1 )(y + w) C y por lo tanto kz 0 zk kvk + (1 )kwk < r0 , z adh(C)
que permite concluir que adh(C) es un conjunto convexo.
138
4.9. EJERCICIOS
4.9. Ejercicios
Base algebraica y geom
etrica de Rn
Ejercicio 49. Sean x0 , x1 , ..., xn1 Rn tales que x1 x0 , ..., xn1 x0 son linealmente independientes. Probar que existe exactamente un hiperplano conteniendo a x0 , x1 , ..., xn1 .
Ejercicio 50. Sea x un vector cualquiera de Rn y d es un vector unitario:
1. Demuestre que x = y + z, donde y es un m
ultiplo de d y z es perpendicular a d.
2. Demuestre que los vectores y y z de la parte 1. estan determinados unvocamente.
Ejercicio 51. Sea A Mnn (R) una matriz simetrica.
1. Pruebe que existen vectores e1 , . . . , en Rn , 1 , . . . , n R tales que:
Ax =
n
X
i (x ei )ei
x Rn .
i=1
Indicaci
on. Piense en los valores y vectores propios de A.
2. Pruebe usando lo anterior que kAxk Ckxk.
Normas y conjuntos en un e.v.n
Ejercicio 1. Dados dos conjuntos A, B en un espacio vectorial normado E, demuestre
1. int(A B) = int(A) int(B)
2. int(A) int(B) int(A B) (de un ejemplo donde no hay igualdad)
3. adh(A B)) = adh(A) adh(B).
4. adh(A B)) adh(A) adh(B) (de un ejemplo donde no hay igualdad).
5. adh(A) = int(A) fr(A)
6. A B int(A) int(B) y adh(A) adh(B)
7. int(A) B = int(A) adh(B) =
8. adh(A) = E y int(B) A = int(B) =
9. int(AC ) = (adh(A))C
10. (adh(AC )) = (int(A))C
Ejercicio 2. Sea
1
x < 1}
4
Determine int(A), adh(A), fr(A) y deduzca si A es un conjunto abierto o cerrado.
A = {(x, y) R2 : (x 1)2 + y 2 =
139
Ejercicio 3. Sea E el espacio vectorial de los polinomios de una variable real con coeficientes
reales. Definamos la funci
on k k : E R por
kpk = max |p(x)|
p E
x[0,1]
1. Demuestre que k k es una norma en el espacio E.

Hint: Use que un polinomio tiene exactamente tantos ceros como el grado, excepto si es el
polinomio nulo.
2. Considere la funci
on `1 : E R definida por
`1 (p) = p(1/2) para todo p E
Demuestre que:
3. la funci
on `1 es lineal y verifica la desigualdad:
K R tal que |`1 (p)| Kkpk para todo p E
4. La funci
on `1 es continua.
Ejercicio 4. Sea A Mnn una matriz invertible. Se define n : Rn R como
n = kxk + kAxk
Demuestre que n es una norma
Ejercicio 5. Dada una norma k k en Rn y una matriz A de n n invertible. Demuestre que la
funci
on kxk = kAxk es una norma en Rn .
Conjuntos abiertos y cerrados
Ejercicio 6. Analice el interior, la adherencia, el derivado y la frontera de

[
[
3
1
3
1
A=
B
,
0
,
B
,
0
,
.
2k+1
2k+1
4
4
k=2
Ejercicio 7. Demuestre que:

1. adh(A) es un conjunto cerrado.
2. int(A) es un conjunto abierto.
3. adh(A) es el cerrado m
as peque
no que contiene a A y a su vez int(A) es el abierto mas grande
contenido en A.
4. Rn \ int(A) = adh(Rn \ A).
Ejercicio 8. Pruebe que en general no se tiene que int(adh(A)) = A. Para esto siga los siguientes
pasos:
1. Pruebe que adh(Q) = R.
140
4.9. EJERCICIOS
2. Pruebe que int(R) = R

3. Concluya.
Ejercicio 9. Sean A, B Rn . Se define A + B = {x : x = a + b, a A, b B}.
1. Demuestre que A + B es abierto si A es abierto
2. De un ejemplo en R donde A y B sean cerrados pero A + B no sea cerrado.
Ejercicio 10. Verificar que el conjunto
A = {(x, y) R2 : x2 + xy < x} es abierto en R2
Ejercicio 11. Encontrar en R2 un conjunto que no sea abierto ni cerrado.

Ejercicio 12. Sea d la distancia en Rn , asociada a alguna norma en Rn (d(x, y) = kx yk). Sean
A Rn y B Rn dos conjuntos no vacos, demuestre:
1. C = {x Rn : d(x, A) = d(x, B)} es cerrado
2. D = {x Rn : d(x, A) < d(x, B)} es abierto donde d(x, A) = nf{d(x, y) : y A}.
3. Si A y B son cerrados y disjuntos entonces existen dos abiertos no vacos U y V tales que
A U y B V y U V = .
Ejercicio 13. Dada una matriz A de 2 2 considere su determinante y demuestre que el conjunto
B = {A M2 (R) : A es invertible}
es abierto.
Indicaci
on. Identifique M2 (R) con R4 .
Sucesiones en un e.v.n
Ejercicio 14. Considere el espacio vectorial C([0, 1], R) de las funciones continuas f : [0, 1] R.
Definamos la sucesi
on {fk } por:
si x [0, 1/2]
1
k
fk = 2 (x 1/2) + 1 si x [1/2, 2k + 1/2]
0
si x [2k + 1/2, 1]
1. Verificar que fk C([0, 1], R) k N.
2. Se define la norma k k1 en C([0, 1], R), como kf k1 =
R1
|f (x)|dx. Demuestre que para esta
norma {fk } es de Cauchy y no es convergente.

3. Sea A([0, 1], R) el espacio vectorial de las funciones acotadas de [0, 1] en R, dotado de la
norma k k , definida por kf k = sup |f (x)|, demuestre que {fk } es convergente en este
x[0,1]
espacio.
141
Ejercicio 15. Sea k k1 una norma en el e.v. E y {ak } una sucesion de Cauchy respecto de dicha
norma. Demostrar que si k k2 es otra norma en E equivalente a k k1 , entonces {ak } es sucesi
on
de Cauchy tambien respecto a k k2 .
Si E es Banach respecto a k k1 . Se puede decir que es Banach con k k2 ?
Ejercicio 16. Demuestre que dos sucesiones de Cauchy (xk ) y (y k ) en Rn tienen el mismo lmite
s y s
olo s lm kxk y k k = 0
k
Ejercicio 17. Demuestre la siguiente caracterizacion de espacios de Banach. Sea E un e.v.n.

E es un espacio de Banach
s y s
olo s
{xn }nN E
X
i=1
!
kxi k <
xi converge en E
i=1
Indicaci
on. Para la implicaci
on (), dada una sucesion de Cauchy {xn }nN en E, construya una
P
subsucesi
on {xnk }nN tal que
kxnk+1 xnk k < . Luego concluya.
k=1
Ejercicio 18. Demuestre que el espacio L(Rn , Rm ) de todos las aplicaciones lineales ` de Rn en
Rm es un e.v.n. en el que toda sucesion de Cauchy converge debido a que Rn es e.v.n. y en Rm
toda sucesi
on de Cauchy converge.
Indicaci
on. Primero demuestre que una aplicacion lineal acotada es uniformemente continua y que
si una aplicaci
on lineal es continua en un punto, es acotada.
Compacidad
Ejercicio 19. Considere la sucesi
on {pk } en E definida por pk (x) = xk y demuestre que
1. kpk k = 1 para todo k N.
2. {pk } no tiene punto de acumulacion.
3. B(0, 1) en E no es compacta.
Ejercicio 20. Demuestre que si A es un conjunto compacto y B A, entonces B = adh(B) es
un conjunto compacto.
Ejercicio 21. asdf
1. Si {AT
os en un e.v.n, demuestre
i }iN es una familia decreciente de conjuntos compactos no vac
Ai 6= .
que
iN
2. De un ejemplo en R de una familia decreciente de conjuntos acotados (no vacos) cuya

intersecci
on sea vaca.
3. De un ejemplo en R de una familia decreciente de conjuntos cerrados (no vacos) cuya intersecci
on sea vaca.
Ejercicio 22. Sea X un espacio vectorial normado, sean A, B X cerrados y sean C, D X
compactos. Probar que
142
1. Si d(C, D) =
2. Si d(A, B) =
4.9. EJERCICIOS
nf
kx yk = 0 entonces C D 6= .
nf
kx yk = 0 entonces no necesariamente A B 6= .
xC,yD
xC,yD
Ejercicio 23. Sean (X, kkX ) y (Y, kkY dos espacios vectoriales normados. Definimos (X Y, kk)
como el espacio vectorial normado donde (x, y) X Y x X y Y y la norma en X Y
se define como k(x, y)k = kxkX +kykY . Sean A X y B Y compactos. Demuestre que entonces
A B es compacto en X Y .
Ejercicio 24. Sea U = RN , es decir, el espacio de las sucesiones. Considere en U la norma
kxk = sup{|xi | : i N}
Indique cual(es) de los siguientes conjuntos son compactos:
1. B0 (0, 1) = {x U : |xi | 1, i N}
2. B1 (0, 1) = {x U : |xi | 1i , i N}
3. B2 (0, 1) = {x U : |xi | = 1, i N}
Ejercicio 25. Demuestre que las matrices ortogonales de n n forman un subconjunto compacto
de Rn Rn .
CAPITULO 5
Teoremas de la Funci
on Inversa e Implcita
Estudiaremos algunos teoremas que nos permiten resolver sistemas de ecuaciones no lineales, conocer las condiciones para que exista la inversa de una funcion de varias variables y bajo que condiciones podemos expresar una o varias variables de una funcion en terminos de las demas (o en
terminos de una variable conocida).
5.1. Teorema del punto fijo de Banach

Motivaci
on: Los teoremas de punto fijo nos sirven para demostrar la existencia de soluciones de
una ecuaci
on, la existencia de equilibrio en un sistema, encontrar races de funciones o resolver
sistemas de ecuaciones no lineales.
Problema 5.1. Encontrar una solucion a:
(
u0
= f (x, u)
u(x0 ) = u0
donde x, u R. Este problema es equivalente a
Z
u(x) = u0 +
f (s, u(s))ds
x0
Supongamos que f : R R R es continua, entonces

T : C([x0 a, x0 + a], R)
u 7
C([x0 a, x0 + a], R)
Z x
u0 +
f (s, u(s))ds
x0
est
a bien definida y el problema original es equivalente a encontrar u tal que
u = T (u)
que recibe el nombre de problema de punto fijo.
143
144
5.1. TEOREMA DEL PUNTO FIJO DE BANACH
Problema 5.2. Dado F : Rn Rn encontrar solucion a:

F (x) = 0
Este es un problema de punto fijo, pues se puede escribir
x = x + F (x)
T : Rn
x
Rn
7
x + F (x)
Definiendo T (x) = x + F (x) el problema original consiste en encontrar un punto fijo de T , es decir
en encontrar un x tal que T (x) = x.
En diversas
areas de la ingeniera es com
un encontrarse con problemas donde se quiere resolver
u = T (u), con T : E E
o bien T : K K en que K E es un subconjunto cerrado y E es un espacio de Banach.
Definici
on 5.1. T : K K se dice contraccion si existe una constante c , 0 < c < 1 tal que
kT (u) T (v)k cku vk u, v K
Teorema 5.1. (Teorema del punto fijo de Banach)
Sea E espacio de Banach, K E cerrado. Si T : K K es una contracci
on entonces existe un y
solo un punto fijo de T en K
!x K, T (x) = x
Demostraci
on. Veamos primero la existencia. El metodo de demostracion es constructivo.
Sea x0 K cualquiera. Consideremos la sucesion {xn }nN definida por la recurrencia
xk+1 = T (xk ), k N
Demostremos que {xn }nN es de Cauchy.
kxk xm k
= kT (xk1 ) T (xm1 )k
ckxk1 xm1 k
ckT (xk2 ) T (xm2 )k
c2 kxk2 xm2 k
supongamos, sin perdida de generalidad que k m. Si repetimos el procedimiento anterior, obtenemos

kxk xm k cm kxkm x0 k
en particular
kxl+1 xm k cm kx1 x0 k
Entonces podemos escribir
kxk xm k
kxk xk1 k + kxk1 xk2 k + + kxm+1 xm k
(ck1 + ck2 + + cm )kx1 x0 k
145
es decir,
kxk xm k
ci kx1 x0 k
i=m
= c
!
i
kx1 x0 k
i=0
= cm
1
k,m
kx1 x0 k 0
1c
Por lo tanto {xn }nN es una sucesion de Cauchy en E, luego tiene un lmite x E y como K
es cerrado entonces x K. Por otra parte, si T es contraccion, es continua (tarea), por lo que
tomando lmite en la ecuaci
on xk+1 = T (xk ) obtenemos que
x = T (x )
es decir, x es un punto fijo de T .
Veamos que es u
nico. Supongamos que T tiene dos puntos fijos, x = T (x) e y = T (y), entonces
kx yk = kT (x) T (y)k ckx yk
y como 0 c < 1, no queda otra posibilidad mas que x = y.
Nota 5.1. El teorema del punto fijo de Banach provee una condicion suficiente (y no necesaria)
para la existencia de puntos fijos. No es necesario que una funcion sea contractante para que tenga
punto fijo, un claro ejemplo es la funcion f : [0, 1] [0, 1] definida por f (x) = x la cual es continua,
no contractante y cumple que cualquier x [0, 1] es un punto fijo de la funcion.
Ejemplo 5.1. (Existencia de soluciones para EDO)
Volvamos al problema 5.1. Si f : R R R es continua y satisface
|f (s, u) f (s, v)| K|u v|
entonces si x > x0

Z x

f (s, u(s)) f (s, v(s))ds
|T (u) T (v)| =
x
Z x0
|f (s, u(s)) f (s, v(s))|ds

x0
Z x
K
|u(s) v(s)|ds
x0
Kku vk a
si x < x0 se obtiene el mismo resultado, luego kT (u) T (v)k Kaku vk para toda u, v
C([x0 a, x0 + a]). Si Ka < 1 entonces, gracias al teorema del punto fijo de Banach, existe
u C([x0 a, x0 + a]) tal que
u = T (u)
y este u es u
nico.
Para encontrar una soluci
on se puede iterar, reproduciendo la demostracion del teorema de punto
fijo de Banach.
un+1
= T un
Z
un+1 (x)
= u0 +
f (s, un (s))ds
x0
146
5.1. TEOREMA DEL PUNTO FIJO DE BANACH
este metodo para encontrar la soluci

on recibe el nombre de metodo de Picard.
Ejemplo 5.2. (Existencia de soluciones de una ecuacion)
Consideremos el sistema de ecuaciones
x
1
cos(x + y)
2
1
ln(1 + x2 + y 2 ) + 5
3
este es un problema de punto fijo: (x, y) = T (x, y) con T : R2 R definida por

1
1
T (x, y) =
cos(x + y), ln(1 + x2 + y 2 ) + 5
2
3
Vamos a demostrar que T es contractante. Como consecuencia, gracias al teorema del punto fijo
de Banach, tendremos que el sistema de ecuaciones tiene una y solo una solucion en R2 . Para ello
recordemos el teorema del valor medio: Sea f : Rn R diferenciable, entonces
Z 1
f (x) f (y) =
f (tx + (1 t)y) (x y)dt
0
lo que implica que

Z
|f (x) f (y)|
kf (tx + (1 t))ykkx ykdt

0
max {kf (tx + (1 t)y)k}kx yk
0t1
Supongamos que kf (z)k K para todo z Rn . Entonces |f (x) f (y)| Kkx yk.
Apliquemos esto a nuestro problema. Si T1 (x, y) = (1/2) cos(x + y) entonces

1
1
1

kT1 (x, y)k = sen(x + y), sen(x + y)

2
2
2
1
|T1 (x, y) T1 (
x, y)| k(x, y) (
x, y)k
2
Para T2 (x, y) = (1/3) ln(1 + x2 + y 2 ) + 5 hacemos lo mismo:
s

2
2
2
2x
1
2y
x
y

kT2 (x, y)k =
,
+
3 1 + x2 + y 2 1 + x2 + y 2 3
1 + x2
1 + y2
la funci
on f (z)
= z/(1 + z 2 ) alcanza su maximo en z = 1 (tarea) y su maximo es 1/2. Por lo tanto
kT2 (x, y)k 2/3 lo que implica
2
|T2 (x, y) T2 (
x, y)|
k(x, y) (
x, y)k
3
Concluimos entonces que
kT (x, y) T (
x, y)k
es decir, T es contractante pues
p
(T1 (x, y) T1 (
x, y))2 + (T2 (x, y) T2 (
x, y))2
r
13
k(x, y) (
x, y)k
18
p
13/18 < 1.
147

on inversa
Motivaci
on: Sea L : Rn Rn una funcion lineal. Para que L sea biyectiva es necesario y suficiente
que la matriz asociada (matriz representante) sea invertible, y en este caso la matriz representante
de la funci
on inversa ser
a la inversa de la matriz representante de L.
Si L(x0 ) = b0 y queremos resolver la ecuacion L(x) = b0 + b, la solucion sera
x = x0 + x = L1 (b0 ) + L1 (b)
Cuando F : Rn es diferenciable, F es localmente como una funcion lineal (afn), y por lo
tanto es razonable pensar que la biyectividad local de F este relacionada con la biyectividad de su
aproximaci
on lineal.
Teorema 5.2. (Teorema de la funcion inversa)
Sea F : Rn Rn una funci
on de clase C 1 . Supongamos que para a , DF (a) (Jacobiano)
es invertible y que F (a) = b. Entonces
1. Existen abiertos U y V de Rn tales que a U , b V y F : U V es biyectiva.
2. Si G : V U es la inversa de F , es decir, G = F 1 , entonces G es tambien de clase C 1 y
DG(b) = [DF (a)]1 .
Antes de dar la demostraci
on veremos algunos ejemplos.
Ejemplo 5.3. Sea F (x, y) = (x2 + ln y, y 2 + xy 3 ), entonces F (1, 1) = (1, 2)
Consideremos la ecuaci
on F (x, y) = (b1 , b2 )
x2 + ln y
2
y + xy
= b1
= b2
con (b1 , b2 ) cerca de (1, 2).

DF (x, y) =
2x
y3
1/y
2y + 3xy 2
evaluando el Jacobiano en (x, y) = (1, 1) obtenemos

2
DF (1, 1) =
1

1
5
que es una matriz invertible.

Concluimos entonces, gracias al teorema de la funcion inversa que la ecuacion tiene una y solo una
soluci
on
(x(b1 , b2 ), y(b1 , b2 ))
para cualquier (b1 , b2 ) cercano al punto (1, 2). Mas a
un (x(b1 , b2 ), y(b1 , b2 )) esta cerca de (1, 1) y
depende de (b1 , b2 ) de manera diferenciable.
Ejemplo 5.4. Cambio de coordenadas esfericas:
x
y
z
=
=
=
r sen cos
r sen sen
r cos
INVERSA
5.2. TEOREMA DE LA FUNCION
148
Llamaremos al cambio de variables. El Jacobiano de

/4, = /4 es
1/2
D(1, /4, /4) =

1/2
2/2
la transformacion en el punto r = 1, =
1/2 1/2
1/2 1/2
0
2/2
Esta matriz es invertible pues su determinante es igual a 2/2. En general se tiene que |D(r, , )|
= r2 sen que es distinto de cero excepto si r = 0 o si sen = 0. Por lo tanto, salvo en el eje z la
transformaci
on es localmente biyectiva.
Previo a la demostraci
on del teorema, consideremos tres resultados que seran de utilidad.
1. A partir de la norma descrita en (1.10), consideremos en Mnn (R) la norma
v
uX
n
u n X
kAkF = t
a2ij
i=1 j=1
Entonces, kAxk2 kAkF kxk2 si x Rn , A Mnn y ademas kABkF kAkF kBkF , si

A, B Mnn .
2. A partir del teorema del punto fijo de Banach (teorema 5.1) consideremos el siguiente corolario: Si (E, kk) es un espacio de Banach,C E es un conjunto cerrado y F : C C es una
funci
on contractante, entonces existe un u
nico x C tal que F (x) = x.
3. A partir del teorema del valor medio (teorema 1.23) y de la caracterizacion de convexidad
(definici
on 4.16): Sean F : U Rn dep
clase C 1 y U un conjunto convexo. Si kDFi (x)k
Ai x U , entonces kF (x) F (y)k A21 + ... + A2n kx yk x, y U .
Si kDF (x)k C x U entonces kF (x) F (y)k Ckx yk, pues
Z 1

kF (x) F (y)k =
DF
(tx
+
(1
t)y)
(x
y)dt

0
Z 1
kDF (tx + (1 t)y) (x y)kdt

0
kDF (tx + (1 t)y)kkx ykdt

0
Ckx yk
Demostraci
on. (Teorema de la funci
on inversa)
Observemos que si F es de clase C 1 entonces la funcion
DF : Mnn
x
7 DF (x)
es continua pues
v
2
uX
n
fi

u n X
fi

(x)
(x
)
kDF (x) DF (x0 )kF = t
0
xj
xj
i=1 j=1
y como todas las derivadas parciales son continuas, dado > 0, existen ij > 0 tales que kx
fi
fi
x0 k < ij | x
(x) x
(x0 )| < n , entonces escogiendo = mni,j ij > 0 tenemos que
j
j
149
p
kx x0 k < kDF (x) DF (x0 )kF < n2 ( n )2 = .
Queremos demostrar que existen abiertos U y V tales que F : U V es biyectiva, lo que se puede
expresar en otras palabras como: Dado y V existe un u
nico x U que es solucion de la ecuaci
on
F (x) = y. Adem
as
F (x) = y
y F (x)
DF (a)1 (y F (x))
x + DF (a)1 (y F (x))
=
=
=
0
0
x
pues DF (a) es invertible
Entonces dado y V , resolver la ecuacion F (x) = y es equivalente a encontrar un punto fijo a la

funci
on y (x) = x + DF (a)1 (y F (x)) Como DF es continua en a, existe > 0 tal que
1
x B(a, ) kDF (x) DF (a)kF <
2 nkDF (a)1 kF
Para probar que F : B(a, ) Rn es inyectiva, basta probar que y es contractante, en efecto
F (x1 ) = y F (x2 ) = y y (x1 ) = x1 y (x2 ) = x2 y si y es contractante entonces
ky (x1 ) y (x2 )k Ckx1 x2 k kx1 x2 k Ckx1 x2 k y como C < 1, x1 = x2 .
Observemos que y es de clase C 1 . Para probar que es contractante acotamos la norma de su
derivada:
Dy (x) = I DF (a)1 DF (x) = DF (a)1 (DF (a) DF (x))
donde I es la matriz identidad de n n.
1
kDy (x)kF kDF (a)1 kF kDF (a) DF (x)kF
2 n
la u
ltima desigualdad es v
alida si x B(a, ).
Entonces como B(a, ) es convexa y kD(y )i (x)k
2 n
para i = 1, ..., n, obtenemos
v
u n
uX 1
1
ky (x) y (z)k kx zkt ( )2 = kx zk x, z B(a, )
2
2
n
i=1
Si definimos U = B(a, ) y V = F (U ), entonces F : U V es biyectiva. Veamos que V es abierto.
Sea y V y x B(a, ) tal que F (x ) = y . Hay que demostrar que existe > 0 tal que si
y B(y , ) entonces existe x U tal que F (x) = y x = y (x), es decir, B(y , ) F (U ) = V .
, r)
Sea r > 0 tal que B(x , 2r) U , y x B(x
y (x) x
= y (x) (x + DF (a)1 )y F (x ))) + DF (a)1 (y y )

= y (x) y (x ) + DF (a)1 (y y )
y por lo tanto
ky (x) x k
ky (x) y (x )k + kDF (a)1 (y y k)

1
kx x k + kDF (a)1 kky y k

2
Si escogemos = r/(2kDF (a)1 kF ) tendremos que y B(y , ) la funcion

, r) B(x
, r)
y : B(x
INVERSA
150
, r) U tal que
es una contracci
on y por lo tanto tiene un u
nico punto fijo x B(x
y (x) = x F (x) = y
Concluimos as que B(y , ) V , es decir, V es abierto.
Resta estudiar la diferenciabilidad de la funcion inversa. Sean y, y + k V entonces existen u
nicos
x, x + h U tales que y = F (x) e y + k = F (x + h) entonces
F 1 (y + k) F 1 (y) DF (x)1 k
= h DF (x)1 k
= DF (x)1 (F (x + h) F (x) DF (x)h)
Por lo tanto
1
kF (x + h) F (x) DF (x)hk khk
kF 1 (y + k) F 1 (y) DF (x)1 kk kDF (x)1 k
kkk
khk
kkk
Probaremos ahora que khk/kkk C < lo que implica que h 0 cuando k 0 y como F es
diferenciable en el punto x, el lado derecho de la desigualdad anterior tiende a cero cuando k 0,
obligando asi a que el lado izquierdo tienda a cero tambien, lo que por definicion significa que F 1
es diferenciable en y y
DF 1 (y) = [DF (x)]1
Se sabe que
kh DF (a)1 kk
= kh DF (a)1 (F (x + h) F (x))k
= kh + x DF (a)1 (F (x + h) y) x +
DF (a)1 (F (x) y)k
= ky (x + h) y (x)k
1
khk
por lo tanto
khk kDF (a)1 k kh DF (a)1 k 1/2khk
lo que implica que
1/2khk kDF (a)1 kk kDF (a)1 kkkk
es decir,
khk
2kDF (a)1 k <
kkk
que es lo que se quera probar.
La continuidad de DF 1 (y) = [DF (F 1 (y))]1 se obtiene de la regla de Cramer para obtener la
inversa de una matriz. Para una matriz invertible A se tiene que
A1 =
1
[cofactores(A)]T
det(A)
y donde cofactores(A) es una matriz formada por los distintos subdeterminantes de A que se
obtienen al sacarle una fila y una columna a A. Entonces como F es continuamente diferenciable,
sus derivadas parciales son continuas, y gracias a la formula de Cramer las derivadas parciales
de F 1 ser
an continuas tambien pues son productos y sumas de las derivadas parciales de F y
cuociente con el determinante de DF (F 1 (y)) que es distinto de cero y continuo por la misma
raz
on.
151

on implcita
Motivaci
on: Supongamos que se tiene una funcion f : R2 R, y consideremos una ecuacion de
la forma
f (x, y) = 0
Es entonces natural hacer la siguiente pregunta: Es posible despejar y en funcion de x?
Supongamos que s, es decir, existe una funcion y(x) que satisface
f (x, y(x)) = 0
supongamos adem
as que f e y(x) son diferenciables, entonces podemos derivar la ecuacion anterior
con respecto a x:
f
f dy
+
=0
x
y dx
o sea
f /x
dy
=
(Derivacion implcita)
dx
f /y
Notemos que para poder realizar este calculo es necesario que f /y sea distinto de cero.
Ejemplo 5.5. Consideremos la siguiente ecuacion
x2 + y 2 = 1
Es posible despejar y en funci
on de x? Evidentemente la respuesta a esta pregunta es que no es
posible despejar globalmente una variable en funcion de la otra, pero si (x0 , y0 ) es un punto que
satisface la ecuaci
on, es decir, x20 + y02 = 1 y ademas y0 6= 0, entonces es posible despejar localmente
y en funci
on de x (es decir, en una vecindad de (x0 , y0 )). Ademas derivando la ecuacion se tiene
que
dy
dy
x
2x + 2y
=0
=
dx
dx
y
Sin embargo si y0 = 0 es imposible despejar y en funcion de x en torno al punto (x0 , y0 ).
Ejemplo 5.6. Consideremos ahora un caso mas general que el anterior. Suponga que se tienen las
variables x1 , ..., xm e y1 , ..., yn relacionadas por n ecuaciones (sistema de ecuaciones),
Fi (x1 , ...xm , y1 , ...yn ) = 0, i : 1, ..., n.Esto se puede escribir como
F : Rm Rn
Rn
F1 (x1 , ..., xm , y1 , ..., yn )
..
(x1 , .., xm , y1 , ..., yn )
7
F (x, y) =
.
Fn (x1 , ..., xm , y1 , ..., yn )
Entonces, F (x1 , ..., xm , y1 , ..., yn ) = 0.
Es posible despejar las variables y, en funcion de las variables x? Es decir, existen funciones
yj (x1 , ..., xm ), j = 1, ..., n tales que
F (x1 , ..., xm , y1 (x1 , ..., xx ), ..., yn (x1 , ..., xm )) = 0
Veamos el caso particular de un sistema lineal. Sea L una matriz L = [A B] Mn(n+m) , y
consideremos el sistema
Ax + By = b
En este caso es posible despejar y en funcion de x cuando B es invertible:
y(x) = B 1 b B 1 Ax
IMPLICITA
152
Teorema 5.3. (Teorema de la funci

on implcita)
Sea F : Rm+n Rn una funci
on de clase C 1 , y sea (a, b) Rm Rn un punto tal que
F (a, b) = 0. Escribimos entonces DF (a, b) = [Dx F (a, b) Dy F (a, b)] y supongamos que Dy F (a, b)
es invertible. Entonces existen conjuntos abiertos U Rm+n , W Rm con (a, b) U y a W
tales que para cada x W existe un u
nico y tal que (x, y) U y
F (x, y) = 0
esto define una funci
on G : W Rn que es de clase C 1 y que satisface
F (x, G(x)) = 0, x W
adem
as DG(x) = [Dy F (x, G(x))]1 Dx F (x, G(x)) para todo x W y G(a) = b.
Al igual que en el teorema de la funci
on inversa veamos un ejemplo antes de dar la demostracion
del teorema.
Ejemplo 5.7. Considere el sistema de ecuaciones
x2 + sen(y) + cos(yz) w3 1 = 0
x3 + cos(yx) + sen(z) w2 1 = 0
1. Muestre que es posible despejar (y, z) en funcion de (x, w) en una vecindad del punto
(x0 , y0 , z0 , w0 ) = (0, 0, 0, 0)
Calcular
y
x (0, 0).
2. Es posible despejar (x, y) en funcion de las variables (z, w) en una vecindad de (0, , 0, 0)?
Que se puede decir de despejar (x, w) en funcion de (y, z)?
Soluci
on.
1. Para este problema se tiene que la funcion F es:
F (x, y, z, w) = (x2 + sen(y) + cos(yz) w3 1, x3 + cos(yx) + sen(z) w2 1).
Entonces F es de clase C 1 y F (0, 0, 0, 0) = (0, 0). Ademas

F1 /y F1 /z
cos y sen(yz)z sen(yz)y
D(y,z) F (x, y, z, w) =
=
F2 /y F2 /z
sen(yx)x
cos(z)
luego

D(y,z) F (0, 0, 0, 0) =
1
0

0
1
que es invertible. Luego, gracias al teorema, es posible despejar (y, z) en funcion de (x, w)
de manera diferenciable en una vecindad del punto (0, 0). Si derivamos las ecuaciones con
respecto a x obtenemos
2x + cos(y)
y
z
y
cos(yz)(y
+z )=0
x
x
x
y
z
x + y) + cos(z)
=0
x
x
evaluando en el punto (0, 0, 0, 0) se tiene que y/x(0, 0) = 0.
3x2 sen(yx)(
153
2. En este caso se tiene que F (0, , 0, 0) = (0, 0) y

2x
D(x,y) F (x, y, w, z) =
3x2
cos(y) sen(yz)z
sen(yx)x
por lo tanto

0
D(x,y) F (0, , 0, 0) =
0

1
0
esta u
ltima no es una matriz invertible por lo que el teorema no es aplicable. Si se quisiera
despejar (x, w) en funci
on de (y, z) debemos observar la matriz

2x 3w2
D(x,w) F (x, y, z, w) =
3x2 2w
que tampoco es invertible en los puntos (0, 0, 0, 0) y (0, , 0, 0), por lo que nuevamente el
teorema no es aplicable.

Demostraci
on. (Teorema de la funcion implcita)
Definamos la funci
on
f : Rn+m
(x, y) 7
Rn+m
f (x, y) = (x, F (x, y))
que es evidentemente una funci

on de clase C 1 gracias a que F lo es. Su Jacobiano en el punto (a, b)
es

Imm
0
Df (a, b) =
Dx F (a, b) Dy F (a, b)
que es invertible ya que por hip
otesis Dy F (a, b) lo es. Ademas f (a, b) = (a, 0). Podemos entonces
aplicar el teorema de la funci
on inversa (teorema 5.2) a la funcion f . Existen abiertos U, V Rn+m
tales que (a, b) U , (a, 0) V y f : U V es biyectiva con inversa de clase C 1 . Definamos ahora
el conjunto W = {z Rm /(z, 0) V }, entonces a W y W es un conjunto abierto de Rm pues
V es abierto (demostrar que W es abierto queda de tarea). Luego, para cada z W la ecuaci
on
f (x, y) = (z, 0) tiene un u
nico par (xz , y z ) como solucion, es decir,
(xz , F (xz , xz )) = (z, 0)
esto u
ltimo implica que xz = z y por lo tanto F (z, y) = 0. Como y z es u
nico dado z, esto define
una funci
on G(z) = y z . Evidentemente G(a) = b, y
(z, y z ) = f 1 (z, 0) = (z, G(z))
De esta forma, G es la funci
on que estamos buscando y como f 1 es de clase C 1 , entonces la ecuaci
on
anterior dice que G es de clase C 1 tambien. Se tiene que G satisface la ecuacion F (z, G(z)) = 0, y
como F y G son de clase C 1 podemos calular al Jacobiano de G usando esta ecuacion y la regla de
la cadena
Dx F (z, G(z))Imm + Dy F (z, G(z))DG(z) = 0
de donde se obtiene el resultado
DG(z) = [Dy F (z, G(z))]1 Dx F (z, G(z))
para todo z W .
154
5.4. EJERCICIOS
5.4. Ejercicios
Contracciones y teorema del punto fijo
Ejercicio 1. Sea T una funci
on tal que T k es contractante. Demuestre que T tiene un u
nico punto
fijo.
Ejercicio 2. Sea f : R2 R2 una funcion contractante en B(0, ), con constante L conocida.
Demuestre que si kf (0)k < (1 L) entonces existe un u
nico punto fijo de f en dicha vecindad.
Ejercicio 3. Muestre que la ecuaci
on integral
Z
1 1 xy
u(x) =
e
cos(u(y))dy
2 0
tiene una y s
olo una soluci
on en el espacio C([0, 1], R). Para ello defina el operador
F (u)(x) =
1
2
exy cos(u(y))dy
y demuestre que es contractante. En C([0, 1], R) use la norma del supremo.

Ejercicio 4. Considere la ecuaci
on integral
Z
u(x) = 5 +
sen(u(s) + x)ds
0
Muestre que la ecuaci

on posse una y solo una solucion en C([0, 1/2], R)
Ejercicio 5. Determinar para que valores de a y b la funcion
T (x, y) = (a cos(x + y), b ln(1 + x2 + y 2 ))
es una contraci
on.
Ejercicio 6. Programe en su calculadora o en Matlab un algoritmo que encuentre la solucion del
sistema del ejemplo anterior. Para ello defina x0 = 0, y0 = 0, y genere una sucesion dada por la
siguiente recurrencia:
xn+1
(1/2) cos(xn + yn )
yn+1
(1/3) ln(1 + x2 + y 2 ) + 5
Ejercicio 7. Sean gi : Rn R funciones de clase C 1 (R), i {1, 2, . . . n}. Suponga ademas que
m
ax {kgi (x)k } <
1
2n
i {1, 2, . . . n}
Pruebe que el sistema x1 = g1 (x), x2 = g2 (x), . . . xn = gn (x) tiene una u

nica solucion en Rn ,
donde x = {x1 , x2 , . . . xn }.
Indicaci
on. Recuerde que el espacio (Rn , kk1 ) es de Banach.
155
Teorema de la funci
on inversa
Ejercicio 8. Sea f : U Rn una funcion de clase C 1 en el abierto U Rn . Sea a U tal que
f 0 (a) es invertible. Muestre que
lm
r0
vol(f (B(a, r))

= |detf 0 (a)|
vol(B(a, r)
Ejercicio 9. Como en el ejercicio anterior muestre que si f 0 (a) no es invertible entonces

lm
r0
vol(f (B(a, r))

=0
vol(B(a, r)
Ejercicio 10. Para

f (u, v) = (u + [log(v)]2 , uw, w2 )
1. Muestre que f no es inyectiva
2. Encuentre un dominio de manera que la funcion sea inyectiva en
3. Calcule D(f 1 )(1, 0, 1) cuando f se considera en .
Ejercicio 11. Sea f (x, y) = (x2 y 2 , 2xy)
1. Demuestre que para todo (a, b) 6= (0, 0), f es invertible localmente en (a, b).
2. Demostrar que f no es inyectiva.
3. Calcular aproximadamente f 1 (3,01; 3,98). Use la formula de Taylor. Note que f (1, 2) =
(3, 4)
Ejercicio 12. Sean f (u, v) = (u2 + u2 v + 10v, u + v 3 )
1. Encuentre el conjunto de puntos en los cuales f es invertible localmente.
2. Compruebe que (1, 1) pertenece al conjunto obtenido en la parte 1), encontrar (aproximadamente) el valor de f 1 (11,8, 2,2).
Teorema de la funci
on implcita
Ejercicio 13. Si f ( xz , yz ) = 0, Calcular
x
z
z
+y
x
y
Ejercicio 14. Sea f : R2 R tal que

f (xy, z 2x) = 0
(*)
156
5.4. EJERCICIOS
Suponga que existe z(x0 , y0 ) = z0 tal que f (x0 y0 , z0 2x0 ) = 0 y que para todo (x, y) en una
vecindad de (x0 , y0 ), los puntos (x, y, z(x, y)) cumplen la ecuacion (*). Encuentre que condiciones
debe satisfacer f para que se cumpla lo anterior y demuestre que dad la condicion anterior la
funci
on z(x, y) cumple la igualdad
x0
z
z
(x0 , y0 ) y0 (x0 , y0 ) = 2x0
x
y
Ejercicio 15. La funci

on z est
a definida por la siguiente ecuacion
f (x az, y bz) = 0
donde F es una funci
on diferenciable. Encuentre a que es igual la expresion
a
z
z
+b
x
y
Ejercicio 16. Sea z = f (x, y) definida implcitamente por la ecuacion

x2 zey + y 2 ex + y = 1
Si g(u, v) = (u2 + v + 1, v 2 ), calcule
2 f g
uv (0, 0).
Justifique.
Ejercicio 17. Considere el siguiente sistema no-lineal:

x21 x2 + x22 x1 + y22 y1 + y2
x1 x2 y1 + x2 y1 y2 + y2 y1 x1 + y2 x1 x2
1. Demuestre que es posible despejar (y1 , y2 ) en funcion de (x1 , x2 ) en torno a alg

un punto.
2. Encuentre los valores de :
y2
y1
(1, 1) ;
(1, 1)
x2
x2
Ejercicio 18. Sea z(x, y) una funcion diferenciable definida implicitamente por la ecuacion:
y
z = x f( )
z
donde f : R R es ua funcion derivable. Demuestre que
2(x, y) z(x, y) = z(x, y)
Indicaci
on. Considere F : R3 R definida como F (x, y, z) = z x f ( yz )
Ejercicio 19. Considere el siguiente sistema no lineal:
Encuentre los valores de
sen(x1 y1 ) + x3 cos(y2 )
y2 + x21 + (senh(x2 ))2
y1
x2 (1, 0, 0)
y2
x3 (1, 0, 0).
157
Indicaci
on. Considere la funci
on
g : R3 R2
(x, y) 7
R2
(u(x, y), v(x, y))
con x = (x1 , x2 , x3 ), y = (y1 , y2 ), u, v : R3 R2 R son tales que

u(x, y) = sen(x1 y1 ) + x3 cos(y2 )
v(x, y) = y2 + x21 + (senh(x2 ))2
Ejercicio 20. Mostrar que cerca del punto (x, y, u, v) = (1, 1, 1, 1) podemos resolver el sistema
xu + yvu2
3
2 4
xu + y v
de manera u
nica para u y v como funciones de x e y. Calcular
u
x
Ejercicio 21. Considere el sistema

x4 + y 4
=
x
sen(x) + cos(y) =
u
v
Determine cerca de cuales puntos (x, y) podemos resolver x e y en terminos de u y v

Ejercicio 22. Analizar la solubilidad del sistema
3x + 2y + z 2 + u + v 2
4x + 3y + zu2 + v + w + 2
x + z + w + u2 + 2
para u, v, w en terminos de x, y, z cerca de x = y = z = 0, u = v = 0 y w = 2.

Ejercicio 23. linea en blanco
1. Hallar
2. Hallar
3. Hallar
dy
dx |x=1
dy
dx
z
x
d2 y
dx2
z
y
d2 y
dx2 |x=1
si
x2 2xy + y 2 + x + y 2 = 0
si
y
p
ln( x2 + y 2 ) = a arctan
x
(a 6= 0)
si
x cos(y) + y cos(z) + z cos(x) = 1
4. Las funciones y y z de la variable independiente x se dan por el sistema de ecuaciones xyz = a

dy dz d2 y d2 z
y x + y + z = b; Hallar dx
, dx , dx2 , dx2 .
158
5.4. EJERCICIOS
Ejercicio 24. Sea la funcion z dada por la ecuacion

x2 + y 2 + z 2 = (ax + by + cz)
donde es una funci
on cualquiera diferenciable y a, b, c son constantes; demostrar que:
(cy bz)
z
z
+ (az cx)
= bx ay
x
y
Ejercicio 25. Demostrar que la funci

on z, determinada por la ecuacion
y = x(z) + (z)
Satisface la ecuaci
on
2z
x2
z
y
2
z z 2 z
2z
2
+ 2
x y xy y
z
x
2
=0
Ejercicio 26. Sea f (x, y, z) = 0 tal que sus derivadas parciales son distintas de cero. Por lo tanto
es posible escribir: x = x(y, z), y = y(x, z), z = z(x, y), donde estas funciones son diferenciables.
Muestre que
x y z
= 1
y z x
Ejercicio 27. Muestre que las ecuaciones
x2 y 2 u3 + v 2 + 4
2
2xy + y 2u + 3v + 8
determinan funciones u(x, y) y v(x, y) en torno al punto x = 2, y = 1 tales que u(2, 1) = 2 y

v
v(2, 1) = 1. Calcular u
x y y
CAPITULO 6
Complementos de C
alculo Diferencial
Nos interesa extender algunas reglas de derivacion a casos mas generales que frecuentemente se
utilizan en la ingeniera y daremos los detalles del teorema del cambio de variables en integraci
on.

on adicionales
Teorema 6.1. (Regla de Leibniz de derivacion)
Sea f : R2 R de clase C 1 . , : R R funciones diferenciables. Entonces la funci
on F : R R
definida por
Z (x)
F (x) =
f (x, t)dt
(x)
es diferenciable y su derivada es
d
dx
(x)
0
(x)
f (x, t)dt = f (x, (x)) (x) f (x, (x)) (x) +

(x)
(x)
Demostraci
on
Z
G(z, x) =
f (x, t)dt
0
por el 1er teorema fundamental del calculo (teorema 1.8) sabemos que
G(z, x) = f (x, z)
z
demostremos que
G(z, x) =
x
159
f (x, t)dt
x
f (x, t)dt
x
ADICIONALES
160
para ello notemos que
Z z
G(z, x + h) G(z, x) h
f (x, t)dt
x
0
Z z
=
f (x + h, t) + f (x, t) h f (x, t)dt
x
0
Z zZ 1
( f (x + yh, t)
=
f (x, t))hdydt
x
0 x
0
La funci
on f /x(, ) es continua, y por lo tanto, uniformemente continua sobre [x |h|, x +
|h|] [0, z], asi, dado > 0, existe > 0 tal que si k(x, y) (
x, y)k < entonces |f /x(x, y)
f /x(
x, y)| < /z. Entonces si |h| < se tiene que
|
f (x + yh, t)
f (x, t)| < t [0, z] y [0, 1]
x
x
lo que implica que

Z
|G(z, x + h) G(z, x) h
0
f (x, t)dt| < |h|

x
si |h| < de donde se sigue el resultado. Luego

Z
(x)
f (x, t)dt = G((x), x) G((x), x)

(x)
y aplicando el resultado anterior se tiene que

Z (x)
d
f (x, t)dt
dx (x)
dx
G((x), x) 0 (x) +
G((x), x)
G((x), x)0 (x) ...

=
z
x
dx z
dx
...
G((x), x)
x
dx
Z (x)
Z (x)
f
f
= f (x, (x)) 0 (x) f ((x), x)0 (x) +
(x, t)dt
(x, t)dt
x
x
0
0
Z (x)
= f (x, (x)) 0 (x) f (x, (x))0 (x) +

f (x, t)dt
x
(x)

Teorema 6.2. Sean A Rn y B Rm abiertos y f : AB R de clase C 1 . Sea Q B conjunto
elemental cerrado. Entonces la funci
on
Z
F (x) =
f (x, y)dy
Q
es de clase C 1 y
F (x) =
xi
para todo i {1, ..., n}
Z
Q
f (x, y)dy
xi
161
Demostraci
on. Sea x0 A
F (x0 + h) F (x0 )
n
X
Z
Q
i=1
Z
f (x0 + h, y) f (x0 , y)
f (x0 , y)dy
xi
hi
n
X
i=1
hi
f
(x0 , y)dy
xi
Z
(f (x0 + h, y) f (x0 , y) x f (x0 , y) h)dy
=
Q
Z Z
[(x f (x0 + th, y) x f (x0 , y)) h] dtdy
=
Q
0 , 1) Q que es compacto, por cual que es uniformemente

La funci
on x f (, ) es continua en B(x
continua. Luego dado > 0 existe > 0 tal que si k(x, y) (x , y )k < kx f (x, y)
x f (x , y)k < /vol(Q). entonces si khk < se tiene que
kx f (x0 + th, y) x f (x0 , y)k <
t [0, 1] y Q
vol(Q)
lo que implica que

|F (x0 + h) F (x0 )
n
X
i=1
Z Z
f
(x0 , y)dy|
xi
kf (x0 + th, y) f (x0 , y)kkhkdtdy

Q
Z Z
de este modo
Z
hi
khk = khk
vol(Q)

Z
n

X
f

hi
(x0 , y)dy khk
F (x0 + h) F (x0 )

Q xi
i=1
siempre que khk < , es decir, F es diferenciable es x0 y

Z
F (x0 ) =
f (x0 , y)dy
xi
Q xi
para todo i {1, ..., n}. La continuidad de las derivadas parciales queda de ejercicio.
6.2. La f
ormula de cambio de variables
Recordemos la f
ormula de cambio de variables
Z
Z
g(x)dx =
f ()
Para dar sentido a la f

ormula se requiere
f : U V biyectiva de clase C 1 y con inversa de clase C 1 . (Esta clase de funciones recibe el
nombre de difeomorfismo)

6.2. LA FORMULA
DE CAMBIO DE VARIABLES
162
es un compacto, cuya frontera es la union finita de grafos de funciones continuas

g : f () R es continua.
En estas circunstancias las funciones
g (x) =
0
x
/ f ()
g(x) x f ()
(g f ) (y)| det Df (y)| =
0
y
/
g(f (y))| det Df (y)| y
son integrables.
Para demostrar la f
ormula de cambio de variables, tenemos que dar una definicion de integrabilidad
un poco m
as fuerte.
Definici
on 6.1. A Rn se dice v-medible si A es compacto y su frontera es la union finita de
grafos de funciones continuas.
Ejemplo 6.1. A = [a, b]n con a y b finitos es v-medible
Ejemplo 6.2. Si A es v-medible, y f es un difeomorfismo, entonces f (A) en v-medible
Observamos que si A es v-medible, entonces podemos definir el volumen de A como
Z
vol(A) = 1A (x)dx
donde

1A (x) =
0
1
x
/ A
xA
Definici
on 6.2. Sea A un conjunto v-medible. Una descomposicion D de A es una coleccion de
conjuntos C1 , ..., Ck tales que
Ci es v-medible, i = 1, ..., k
A = C1 ... Ck
int(Ci Cj ) = , si i 6= j
Se define tambien el diametro de la descomposicion D como
diam(D) = max diam(Ci )
1ik
donde el diametro de un conjunto A v-medible es igual a diam(A) = sup{kx yk : x, y A}

Dada la descomposici
on D de A, consideremos el vector = (1 , ..., k ) tal que i Ci i
{1, . . . , k}
Definici
on 6.3. Sea f : A R una funcion acotada. Definimos la suma de Riemann asociada a
(D, ) como
k
X
S(f, D, ) =
f (i )vol(Ci )
i=1
163
Definici
on 6.4. Decimos que f es v-integrable sobre A, conjunto v-medible, si existe I R tal
que
> 0 > 0 tal que D desc. de A,
(diam(D) < asociado a D) |S(f, D, ) I| <
R
Si tal I existe, es u
nico y denotamos I = A f (x)dx. La demostracion de esto u
ltimo queda de
tarea.
Con esta definici
on podemos seguir paso a paso la demostracion ya hecha para probar la proposicion
siguiente
Proposici
on 6.1. f : A R continua f es v-integrable
Tambien se puede demostrar que si f : A R es acotada y continua salvo sobre el grafo de un
n
umero finito de funciones continuas, entonces f es v-integrable.
Teorema 6.3. (Teorema del cambio de variables)
Sea v-medible y f : U V un difeomorfismo, U . Sea g : f () R v-integrable. Entonces
g f : R es v-integrable y
Z
Z
g(x)dx =
f ()
La demostraci
on del teorema tiene dos partes: Primero el caso en que f es una funcion lineal y
luego el caso general.
Demostraci
on. (Caso f lineal)
La demostraci
on ya fue hecha para R3 , y se extiende de manera analoga a Rn , por lo que supondremos cierto el resultado en el caso lineal. Asi tenemos, si T es lineal que
Z
Z
vol(T (A)) =
1=
1| det T | = vol(A)| det T | A v-medible
T (A)

Para el caso general necesitamos dos lemas previos que se describen a continuacion
Lema 6.1. Sea U abierto, X U compacto y : U U R continua tal que (x, x) = 1x U .
Entonces > 0 > 0 tal que
x, y X kx yk < |(x, y) 1| <
Demostraci
on. Puesto que X es compacto, entonces X X U U tambien es compacto,
por lo que ser
a uniformemente continua sobre X X. Luego, dado > 0 > 0 tal que
kx zk + ky wk = k(x, y) (z, w)k < |(x, y) (z, w)| < , en particular, si kx yk <
entonces k(x, y) (x, x)k < lo que implica que |(x, y) (x, x)| = |(x, y) 1| <

Lema 6.2. Sean U, V Rn abiertos y f : U V un difeomorfismo de clase C 1 . Sea X U un
compacto v-medible
Pyn M = sup{kDf (x)k : x X} (kk es cualquier norma matricial, por ejemplo
kAk = m
ax1in { j=1 |aij |}). Entonces,
vol(f (X)) M n vol(X)

6.2. LA FORMULA
164
Demostraci
on. Demostremos primero el caso en que X es un cubo, con centro p y lado 2a, es decir,
X = [p1 a, p1 + a] ... [pn a, pn + a] =
n
Y
[pi a, pi + a]
i=1
Por la desigualdad del valor medio tenemos que |fi (x) fi (p)| M a y por lo tanto
kf (x) f (p)k M a x X
es decir, f (x) est
a a distancia a lo m
as M a de f (p) para todo x X , entonces
f (X) [f1 (p) M a, f1 (p) + M a] . . . [fn (p) M a, fn (p) + M a]
n
Y
=
[fi (p) M a, fi (p) + M a]
i=1
o sea que vol(f (X)) vol(
Qn
i=1 [fi (p)
M a, fi (p) + M a]) = M n (2a)n = M n vol(X)
El caso general lo hacemos por aproximacion. Sea > 0, entonces existe un abierto tal que
X U y kDf (x)k M + para todo x (Por la continuidad de Df ).
El conjunto X se puede cubrir por un n
umero finito de cubos con interiores disjuntos contenidos
en
k
[
X
Ci
i=1
con int(Ci ) int(Cj ) = si i 6= j. Ademas los cubos se pueden suponer tan peque
nos que
k
X
vol(Ci ) vol(X) +
i=1
Luego
f (X)
k
[
i=1
f (Ci ) vol(f (X))
k
X
vol(f (Ci ))
i=1
k
X
Min vol(Ci )
i=1
donde Mi = sup{kDf (x)k : x Ci } M + por lo tanto vol(f (X)) (M + )n (vol(X) + ).

Como esta desigualdad es v
alida para todo > 0 concluimos que
vol(f (X)) M n vol(X)

Demostraci
on. (Caso general)
Para finalizar con la demostraci
on en el caso general, consideremos una descomposicion D =
{C1 , ..., Ck } de y puntos i Ci para i : {i, . . . , k}. Entonces los conjuntos f (Ci ) definen una
descomposici
on de f () y los puntos f (i ) f (Ci ). A esta descomposicion la denotamos por Df .
Usando la desigualdad del valor medio se puede demostrar que existen constantes a1 , a2 tales que
a1 diam(Df ) diam(D) a2 diam(Df )
gracias a que es compacto. Definamos Ti = f 0 (i ) Mnn para i {1, . . . , k}, y
Ni = sup{kTi1 f 0 (x)k : x Ci } Mi = sup{kTi (f 1 )0 (y)k : y f (Ci )}
165
con kk la misma del lema anterior. Entonces se tiene que

vol(f (Ci ))
vol(Ti Ti1 f (Ci ))
= | det(Ti )|vol(Ti1 f (Ci ))
| det(Ti )|Nin vol(Ci )
de igual manera
vol(Ci ) | det(Ti1 )|vol(f (Ci ))Min
De lo anterior se obtiene que
vol(Ci )| det(Ti )| vol(f (Ci )) vol(f (Ci ))(Min 1)
vol(Ci )| det(Ti )| vol(f (Ci )) vol(Ci )| det(Ti )|(1 Nin )
Definamos tambien (x, y) = k(f 0 (y))1 f 0 (x)k, de este modo (x, x) = 1 para todo x .
Luego, gracias a los lemas anteriores, dado > 0 existe > 0 tal que si diam(D) < entonces
|Nin 1| < |Min 1| <
De todo lo anterior, se concluye que existe una constante B tal que
|vol(Ci )| det(Ti )| vol(f (Ci ))| < Bvol(f (Ci ))
Seg
un la definici
on de v-integrable debemos comparar la suma de Riemann de h R= g f | det Df |
asociada la partici
on D y a los puntos con el supuesto valor de la integral: I = f () g(x)dx

Z

g(x)dx
S(h, D, )

f ()

Z
k
X

=
g(f (i ))| det(Ti )|vol(Ci )
g(x)dx

f ()
i=1

k
k

X
X

g(f (i ))vol(f (Ci )) + . . .
g(f (i ))| det(Ti )|vol(Ci )

i=1
i=1

Z
k
X

+
g(f (i ))vol(f (Ci ))
g(x)dx

f ()
i=1
k
X
|g(f (i ))|vol(f (Ci )) + . . .
i=1
k

Z
X

+
g(f (i ))vol(f (Ci ))
g(x)dx

f ()
i=1

Z
k

X

B
|g(f (i ))|vol(f (Ci )) + S(g, Df, f ())
g(x)dx

f ()
i=1
En la u
ltima desigualdad, gracias a que g es v-integrable sobre f () tenemos que la sumatoria de
la izquierda est
a acotada y el termino de la derecha se puede hacer tan peque
no como se desee
tomando un suficientemente peque

no. Por lo tanto dado > 0 existe > 0 tal que si diamD < ,
entonces

Z

g(x)dx <
S(h, D, )

f ()

6.2. LA FORMULA
166
es decir, g f | det Df | es v-integrable en y

Z
Z
g f (y)| det Df (y)|dy =
pues la integral es u
nica.
g(x)dx
f ()
167
6.3. Ejercicios
Reglas de derivaci
on adicionales
Ejercicio 1. Sea f (x, y, z, t) =
`(1+|x+y|)
R
(xt+logz (t)+z)dt. Calcular
ex+y+z
f f f
x , z , t
en aquellos puntos
donde existan.
Ejercicio 2. Considere la siguiente ecuacion integral
Z x
sen(u(s) + x)ds
u(x) = 5 +
0
En el captulo 5 se demostr
o que tiene una u
nica solucion en C([0, 1/2], R).
Derivando dos veces la ecuaci
on integral (justifique por que se puede derivar), encuentre la ecuaci
on
diferencial que satisface su soluci
on
Z
g(x)
F (x) =
Z
f (x + t, xt)dt,
G(x, y) =
Calcule F 0 (x) y
y2
g(x, y, z)dz
0
G
y (x, y)

on
u(x, t)
1
1
[f (x + ct) + f (x ct)] +
2
2c
x+ct
Z
g(s)ds
xct
1
+
2c
Zt
x+c(ts)
Z
F (, s)dds
0 xc(ts)
Muestre que
2u
2u
c2 2 =
2
t
x
u(x, 0) =
u
(x, 0) =
t
F (x, t)
f (x)
g(x)
Ejercicio 5. Se desea resolver la ecuacion de ondas

2 1 2
=0
x2
c t2
donde c es una constante distinta de 0.
Haga el cambio de variables = x + ct y = x ct de modo que se obtenga
(x, t) = ((x, t), (x, t))
168
6.3. EJERCICIOS
donde (, ) es la inc
ognita. En base a este cambio de variables demuestre que:
2 1 2
2
=
4
((x, y), (x, y))
x2
c t2
y en base a este resultado demuestre que toda solucion de clase C 2 de la ecuacion de ondas se
escribe
(x, t) = f () + g()
con f y g funciones de variable real.
Cambio de variables
Ejercicio 6. Sea Bn la bola unitaria en Rn . Muestre que
Z p
1 (x2 + y 2 + z 2 )dxdydz.
V ol(B4 ) = 2
B3
Tomando coordenadas esfericas muestre que el volumen de B4 es igual a

Z
/2
2
/2
p
r2 sen() 1 r2 drdd
y concluya que V ol(B4 ) = 2 /2. En general muestre que el volumen de la bola de radio r es
r4 2 /2.
Ejercicio 7. Sea f : Rn Rn un difeomorfismo de clase C 1 (es decir, un homeomorfismo con f y
f 1 de clase C 1 ), que satisface que f (B) B, donde B es la bola unitaria cerrada y |detf 0 (x)| < 1
para todo x B. Demuestre que para toda funcion continua g : B Rn se tiene que
Z
g(x)dx = 0
lm
k
f k (B)
donde f k es f compuesta consigo misma k veces.

RR
dxdy donde S es el dominio limitado por
S
x2
y2
+
a2
b2
Indicaci
on. Use x = arc cos() e y = sen().
2
=
x2
y2
h2
k2
CAPITULO 7
Optimizaci
on no Lineal
Veremos en forma general los teoremas de los multiplicadores de Lagrange y el teorema de KarushKuhn-Tucker los cuales, bajo determinadas condiciones, nos dan condiciones necesarias para la
existencia de m
aximos o mnimos de una funcion sujeta a varias restricciones.
7.1. Problema general de optimizaci

on
Recordemos algunos conceptos ya vistos. Si tenemos un problema de la forma
P)
mn
x
f (x)
xS
(7.1)
Donde f : Rn R y S Rn . Si S = Rn tenemos el caso de optimizacion sin restricciones y en tal

caso si x0 es un mnimo local
f (x0 ) f (x) x B(x0 , )
por lo tanto para cada d Rn y t 0 se tiene que
f (x0 + td) f (x0 ) 0
Si f es diferenciable, tras dividir por t y aplicar lmite cuando t 0+ se obtiene
f (x0 ) d 0
como d es arbitrario la condici
on de primer orden para el caso irrestricto es
f (x0 ) = 0
En el caso en que S sea una parte de Rn no necesariamente x0 + td S, por ejemplo si S = Rn+
y x0 se encuentra en la frontera de S se tiene un caso en que no necesariamente x0 + td S y
cualquier d arbitrario no nos sirve para concluir la condicion de primer orden.
Definici
on 7.1. (Espacio tangente)
El espacio tangente a S en x0 corresponde al conjunto
TS (x0 ) = {d Rn : tn 0+ , dn d tal que x0 + tn dn S}
y es un conjunto tal que d = 0 TS (x0 ) y en caso de que x0 int(S) entonces TS (x0 ) = Rn .
169

7.1. PROBLEMA GENERAL DE OPTIMIZACION
170
Teorema 7.1. Si x0 es un mnimo local de f en S, entonces se cumple la condici

on necesaria
f (x0 ) d 0 d TS (x0 )
Demostraci
on. Escogamos {xn }nN en S y {tn }nN en R tales que xn x0 y tn 0+ en la
medida que n , por lo que x0 + tn dn S. Si x0 es un mnimo local de f en S entonces
f (x0 + tn dn ) f (x0 ) 0
dividiendo por tn y aplicando lmite cuando n se tiene
f (x0 ) d 0

Teorema 7.2. Si x0 S y se tiene la condici
on suficiente
f (x0 ) d > 0 d TS (x0 ) \ {0}
entonces x0 es un mnimo local estricto de f en S.
Demostraci
on. Si x0 no es mnimo local de f en S entonces existe xn S tal que xn x0 y
xn 6= x0 de forma tal que
f (xn ) f (x0 )
Podemos definir
dn =
xn x0
kxn x0 k
tal que kdn k = 1 y entonces {dn } es acotada por lo que tiene una subsucesion convergente. En
base a esto es posible suponer que converge a d0 TS (x0 ) \ {0}. La expansion de Taylor de f (xn )
est
a dada por
f (x0 ) + f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k)
esto m
as la condici
on f (xn ) f (x0 ) conducen a
f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k) 0
diviendo por kxn x0 k y tomando lmite cuando n
f (x0 ) d0 0
lo cual contradice la hip
otesis.
Nota 7.1. La condici
on necesaria no es suficiente y la condicion suficiente no es necesaria.
171
Ejemplo 7.1. Consideremos los casos:

1. f (x) = x3 y S = [1, 1]. La condicion necesaria nos dice que el mnimo local es x0 = 0,
entonces f 0 (x0 ) = 0 y TS (x0 ) = R. Se tiene que x0 no es mnimo local y la condici
on
necesaria se cumple pero no asegura la minimalidad local.
2. f (x) = x2 y S = [1, 1]. La condicion necesaria nos dice que el mnimo local es x0 = 0,
entonces f 0 (x0 ) = 0 y TS (x0 ) = R. Se tiene que x0 es mnimo local y la condicion suficiente
no se cumple pese a que x0 = 0 cumple con ser un mnimo local del problema.
Definici
on 7.2. (Espacio normal)
El espacio normal a S en x0 corresponde al conjunto
NS (x0 ) = {u Rn : u d 0 d TS (x0 )}
y a partir de esta definici
on la condicion necesaria corresponde a
f (x0 ) NS (x0 )
on convexa y diferenciable en un convexo D tal que
S D. Entonces f tiene un mnimo global en x0 en S si y s
olo si
f (x0 ) d 0 d TS (x0 )
Demostraci
on. Una forma de demostrar esta propiedad es mediante la condicion necesaria la cual
implica que f tiene un mnimo global en x0 . Sea x S, entonces si definimos x = (1 tk )x0 + tk x
con tk 0 se tiene que x S que implica x x0 y obtenemos que x x0 TS (x0 ). A partir
de la convexidad de f tenemos que
f (x) f (x0 ) + f (x0 ) (x x0 )
esto m
as la condici
on necesaria implican
f (x) f (x0 )
y se concluye que x0 es mnimo global de f en S.
Los teoremas de esta secci

on corresponden a un tratamiento muy abstracto que provee condiciones generales, las cuales no son facilmente aplicables. Dicho esto, conviene dar mas estructura al
conjunto S y para aquello se puede plantear el problema (7.1) de la siguiente forma:
P)
mn
f (x)
s.a
gi (x) = 0
hj (x) 0
i {1, . . . , k}
j {1, . . . , m}
(7.2)
Resulta conveniente suponer que el n

umero de restricciones es finito y en este caso el conjunto de
restricciones es
S = {x Rn : gi (x) = 0 i I, hj (x) 0 j J}
donde I = {1, . . . , k}, J = {1, . . . , m} y gi , hj : Rn R son funciones diferenciables.
Definici
on 7.3. Un vector x0 Rn es factible si i {1, . . . , k}, j {1, . . . , m} se cumple que
gi (x0 ) = 0 y hj (x0 ) 0.
172
7.2. TEOREMA DE LOS MULTIPLICADORES DE LAGRANGE
Definici
on 7.4. En el contexto de un problema de minimizacion diremos que un vector (, )
Rk R m
+ corresponde a una familia de multiplicadores de Karush-Kuhn-Tucker asociados con
x0 S si
j 0 j J
j hj (x0 ) = 0 j J
L(x0 , , ) L(x, , ) x S
donde
L(x, , ) = f (x) +
i gi (x) +
iI
j hj (x)
jJ
es la funci
on lagrangeano y es casi identica a la que presentamos en el captulo 4.
Cuando aparezcan solo restricciones de igualdad diremos que Rk corresponde a una familia de
multiplicadores de Lagrange asociados con x0 S si
L(x0 , ) L(x, ) x S
donde las componentes de no tienen restriccion de signo.
Definici
on 7.5. Sea J(x0 ) = {j : 1 j m , hj (x0 ) = 0} diremos que J(x0 ) contiene p
elementos {1, . . . , p} con p m.
A partir de J(x0 ) diremos que x0 Rn es regular si el conjunto
L = {gi (x0 ), hj (x0 ) : i I, j J(x0 )}
es linealmente independiente.
7.2. Teorema de los Multiplicadores de Lagrange

Motivaci
on: Por ahora nos restringiremos al caso de un problema de maximizacion o minimizacion
que consta u
nicamente de restricciones de igualdad para extendernos de manera gradual a casos
m
as generales. De hecho, rara vez un sistema no tiene restricciones y por esto nos interesa ampliar
lo que ya hemos visto sobre extremos restringidos.
La pregunta b
asica que queremos responder en esta seccion, es Cuando una ecuacion como
g(x, y, z) = 0 define una superficie?
Los dos ejemplos siguientes son muy elocuentes:
1. x2 + y 2 + z 2 1 = 0
2. x(z x2 + y 2 ) = 0
x2 + y 2 + z 2 1 = 0 ciertamente es una superficie (es la superficie de la esfera de radio 1 y centro
en el origen). Sin embargo x(z x2 + y 2 ) = 0 no es una superficie.
Este ejemplo nos muestra que la respuesta es local. El problema con la superficie 2. ocurre en el
punto (0, 0, 0) donde g(0, 0, 0) = (0, 0, 0).
Definici
on 7.6. En general, si el punto (x0 , y0 , z0 ) es tal que g(x0 , y0 , z0 ) = 0 y g(x0 , y0 , z0 ) 6= 0
entonces la ecuaci
on g(x, y, z) = 0 define una superficie, al menos en una vecindad de (x0 , y0 , z0 ); en
173
efecto, si g(x0 , y0 , z0 ) 6= 0, entonces alguna derivada parcial es no nula, supongamos sin perdida
de generalidad que
g
(x0 , y0 , z0 ) 6= 0
y
entonces, por el teorema de la funci
on implcita, es posible despejar y en funcion de (x, z), es decir,
podemos escribir y = y(x, z), y por lo tanto el conjunto S = {(x, y, z) R3 : g(x, y, z) = 0} es
localmente el grafo de una funci
on, es decir, es una superficie.
7.2.1. Condiciones de primer orden para extremos restringidos
Considerando la definici
on 2.10, en todo lo que sigue en esta seccion los teoremas que presentamos
para maximizaci
on (minimizaci
on) son validos para la minimizacion (maximizacion), esto se debe
a que un criterio de maximizaci
on sobre una funcion f concava (convexa) es analogo a la minimizaci
on de f que es una funci
on convexa (concava). La u
nica salvedad es que cuando aparezcan
desigualdades sobre los resultados algunas de estas se invierten (esto se indicara en los casos que
ocurre).
Definici
on 7.7. (Espacios normal y tangente, caso particular)
Sean g : R3 R una funci
on diferenciable, (x0 , y0 , z0 ) R3 tal que g(x0 , y0 , z0 ) = 0, y supongamos
que g(x0 , y0 , z0 ) 6= 0. Llamemos S a la superficie que define la ecuacion g(x, y, z) = 0 en torno
a (x0 , y0 , z0 ). Se define el espacio normal a S en el punto (x0 , y0 , z0 ) como el espacio vectorial
generado por el gradiente de g en el punto (x0 , y0 , z0 ) y se denota Ns (x0 , y0 , z0 ).
Ns (x0 , y0 , z0 ) = hg(x0 , y0 , z0 )i
El espacio tangente a S en el punto (x0 , y0 , z0 ) se denota Ts (x0 , y0 , z0 ) y se define como el ortogonal
del espacio normal
Ts (x0 , y0 , z0 ) = Ns (x0 , y0 , z0 ) = {(x, y, z) R3 : (x, y, z) g(x0 , y0 , z0 ) = 0}

Nota 7.2. Los espacios normal y tangente, son espacios vectoriales, y no pasan necesariamente
por el punto (x0 , y0 , z0 ).
Con la definici
on anterior, si : A R R3 es una funcion tal que (t) S t, y (0) =
(x0 , y0 , z0 ), entonces 0 (0) Ts (x0 , y0 , z0 ).
Es posible alcanzar cada d Ts (x0 , y0 , z0 ) de esta forma, con una funcion adecuada?
Supongamos que g(x0 , y0 , z0 ) 6= 0. Sea d Ts (x0 , y0 , z0 ). Elijamos b 6= 0 de manera tal que
b h{v, g(x0 , y0 , z0 )}i; siempre existe tal b pues el espacio vectorial h{d, g(x0 , y0 , z0 )}i tiene
dimensi
on 2. Consideremos el sistema de ecuaciones
g(x, y, z)
(x x0 , y y0 , z z0 ) b =
el Jacobiano del sistema anterior en el punto (x0 , y0 , z0 ) es

g/x(x0 , y0 , z0 ) g/y(x0 , y0 , z0 ) g/z(x0 , y0 , z0 )
bx
by
bz
Como b g(x0 , y0 , z0 ), la matriz Jacobiana tiene rango 2, y por lo tanto siempre es posible escoger
dos columnas tales que la matriz resultante sea invertible. El teorema de la funcion implcita nos
174
asegura entonces que podremos siempre despejar dos variables en funcion de una. Supongamos sin
perdida de generalidad que es posible despejar (y, z) en funcion de x, entonces
=
(x x0 , y(x) y0 , z(x) z0 ) b =
g(x, y(x), z(x))
Si se define (t) = (t + x0 , y(t + x0 ), z(t + z0 )), entonces

g((t)) = 0 ((t) (x0 , y0 , z0 )) b = 0
para todo t en una vecindad del cero. La funcion (t) es de clase C 1 pues las funciones y(x), z(x)
lo son, por lo tanto, derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se
obtiene
g(x0 , y0 , z0 ) 0 (0) = 0 0 (0) b = 0
entonces por la elecci
on de b no queda otra posibilidad mas que 0 (0) k d. Si se define
(t) =
0
(kdkt/k (0)k) entonces
0 (0) = d y g(
(t)) = 0 para todo t en una vecindad del cero. De esta
forma concluimos que
Ts (x0 , y0 , z0 ) = { 0 (0)/(t) S t , (0) = (x0 , y0 , z0 )}
Teorema 7.4. (Teorema de los multiplicadores de Lagrange, caso particular)
Consideremos el siguiente problema de optimizaci
on
P)
mn
f (x, y, z)
s.a
g(x, y, z) = c
x,y,z
con f, g funciones diferenciables. Si (x0 , y0 , z0 ) es una soluci

on del problema P), entonces existe
R tal que
f (x0 , y0 , z0 ) = g(x0 , y0 , z0 )
Demostraci
on. Sea : A R R3 tal que g((t)) = 0 y (0) = (x0 , y0 , z0 ), es decir, (t) S para
t en una vecindad del origen. Como (x0 , y0 , z0 ) es un mnimo local de f restringido a S, entonces

d
= f (x0 , y0 , z0 ) 0 (0) = 0
f ((t))
dt
t=0
por lo hecho anteriormente, esto equivale a que f (x0 , y0 , z0 ) d = 0 v Ts (x0 , y0 , z0 )
f (x0 , y0 , z0 ) Ts (x0 , y0 , z0 ) = Ns (x0 , y0 , z0 ), y entonces por definicion de Ns (x0 , y0 , z0 ) existe

R tal que
f (x0 , y0 , z0 ) = g(x0 , y0 , z0 )

Definici
on 7.8. (Espacios normal y tangente, caso general)
Sean gi (x) : Rn R i I una funcion diferenciable, x0 Rn tal que gi (x0 ) = 0 i I, y
supongamos que gi (x0 ) 6= 0. Llamemos S a la superficie en Rn que define la ecuacion gi (x) = 0
en torno a x0 . Por analoga con el caso particular definimos el espacio normal a S en x0 como
Ns (x0 ) = h{g1 (x0 ), ...gk (x0 )}i
y el espacio tangente a S en x0 como
Ts (x0 ) = Ns (x0 ) = {d Rn : d gi (x0 ) = 0 i I}
175
Lema 7.1. d Ts (x0 ) existe : A R Rn , 0 A con gi ((t)) = 0 t A , (t) S t A

y adem
as (0) = x0 tal que 0 (0) = d. Es decir
Ts (x0 ) = { 0 (0) : (t) S t , (0) = x0 }
Demostraci
on. Sean d Ts (x0 ) y {b1 , . . . , bnk1 } una base ortonormal del espacio
h{d, g1 (x0 ), ..., gk (x0 )}i
Consideremos el sistema de n 1 ecuaciones
g1 (x)
=
..
.
(x x0 ) b1
=
..
.
(x x0 ) bnk1
El vector x0 satisface las ecuaciones, y la matriz Jacobiana del sistema es
g1 (x0 )
..
gk (x0 )
b1
..
.
bnk1
que es una matriz de rango n 1, por lo que podemos seleccionar n 1 columnas tales que la
matriz resultante sea invertible, y gracias al teorema de la funcion implcita (teorema 5.3) podemos
despejar n1 variables en funci
on de la restante en una vecindad de x0 . Entonces existe : A Rn ,
con A = (, ), definido de manera analoga al caso particular, tal que gi ((t)) = 0 t A y
((t) x0 ) bi = 0 t, i {1, ..., n k 1}.
Derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene que
gi (x0 ) 0 (0) = 0 i {1, ..., k} 0 (0) bj = 0 j {1, ..., n k 1}
lo que implica que 0 (0) k d. Definiendo
(t) = (kdkt/k 0 (0)k) tenemos que
0 (0) = d, lo que nos
0
da el lema, pues la otra inclusi
on { (0) : (t) S t, (0) = x0 } Ts (x0 ) es directa (analoga a
la demostraci
on en el caso particular).

Teorema 7.5. (Teorema de los multiplicadores de Lagrange,caso general)
on
P)
mn f (x)
x
s.a
gi (x) = c i {1, . . . k}
(7.3)
donde f, gi : Rn R son funciones diferenciables. Supongamos que f alcanza un mnimo local en

x0 S, donde S = {x Rn : gi (x) = 0}, y que Dg(x0 ) Mkn tiene rango k. Entonces existe
un vector Rk tal que
k
X
i gi (x0 )
f (x0 ) =
i=1
Puesto que Dg(x0 ) es de rango k, el espacio Ns (x0 ) es un espacio vectorial con dim Ns (x0 ) = k,
y por lo tanto dim Ts (x0 ) = n k.
176
Demostraci
on. A partir del lema 7.1 tenemos que : A R Rn tal que g((t)) = 0 (0) = x0

d
= f (x0 ) 0 (0) = 0
f ((t))
dt
t=0
puesto que x0 es un mnimo local de f restringido a S. Lo anterior es equivalente, gracias al lema,
a que f (x0 ) d = 0 d Ts (x0 ), o sea, f (x0 ) Ns (x0 ) lo que implica que
f (x0 ) =
k
X
i gi (x0 )
i=1
para ciertos 1 , . . . , k R, que es lo que se quera demostrar.
Los teoremas 7.4 y 7.5 dan una condicion necesaria de optimalidad con restricciones de igualdad.
Tambien son v
alidos para un problema de maximizacion, esto porque de acuerdo a la definicion de
funci
on convexa (definici
on 2.6) tenemos que minimizar una funcion f convexa equivale a maximizar
la funci
on f que resulta ser c
oncava.
Sea x0 un mnimo de f restringida a S, se cumple que
f (x0 ) =
k
X
i gi (x0 )
i=1
Para la maximizaci
on tendramos lo siguiente
f (x0 ) =
k
X
i gi (x0 )
i=1
Esto sugiere que si escribimos el Lagrangeano para el caso de la minimizacion como

L(x, ) = f (x)
k
X
i gi (x)
i=1
Para un problema de maximizaci

on debe expresarse
L(x, ) = f (x) +
k
X
i gi (x)
i=1
En la pr
actica, la ventaja que genera el cambio de signo es que la interpretacion de los multiplicadores de Lagrange es directa en problemas de maximizacion y minimizacion. Antes de dar la
interpretaci
on presentaremos algunos ejemplos que nos mostraran esto en el camino para formalizar el resultado con el teorema de la envolvente. Al momento de resolver no hay diferencia para el
caso en que trabajamos con restricciones de igualdad.
Nota 7.3. Ninguna de las condiciones del teorema puede relajarse y ademas el teorema no nos
garantiza que los multiplicadores sean no nulos. Si sucede que, por ejemplo, la matriz que define
Dg(x0 ) no es de rango completo (no es de rango k) o los gradientes de la funcion objetivo y las
restricciones son linealmente dependientes, el sistema que definen las condiciones de primer orden
de la funci
on Lagrangeano no tiene solucion.
La condici
on de independencia lineal entre los gradientes de la funcion objetivo y las restricciones
se tiene particularmente en el caso en que el n
umero de restricciones es estrictamente menor que
la dimensi
on del espacio sobre el cual trabajamos. De esto es que la hipotesis de independencia
lineal resulta muy restrictiva.
177
Los dos ejemplos que siguen son ilustrativos de lo que pasa cuando no se cumplen las condiciones
del teorema o al menos un multiplicador se anula.
mn
x + y2
s.a
x y2 = 0
x,y
Observemos que f (x, y)|(0,0) = (1, 0) y g(x, y)|(0,0) = (1, 0). Entonces, los gradientes son linealmente dependientes y no se cumple que f (x, y)|(0,0) g(x, y)|(0,0) = (0, 0) a menos que = 1
lo que hace que el sistema que definen las condiciones de primer orden del Lagrangeano no tenga
soluci
on dado que el par (1, 0) no cumple la restriccion del problema.
mn x2 + y 2
x,y
s.a
x=0
Observemos que f (x, y)|(0,0) = (0, 0) y g(x, y)|(0,0) = (1, 0). Entonces no se cumple que
f (x, y)|(0,0) g(x, y)|(0,0) = (0, 0) a menos que = 0 lo cual nos lleva a que el sistema
que definen las condiciones de primer orden del Lagrangeano no tenga solucion.
7.2.2. Condiciones de segundo orden para extremos restringidos
Definici
on 7.9. Para el caso de minimizacion definiremos el conjunto de direcciones crticas como
K(x0 ) = {d Rn : gi (x0 ) d = 0 i I, f (x0 ) d 0}
Mientras que para el caso de maximizacion definiremos el conjunto de direcciones crticas como
K(x0 ) = {d Rn : gi (x0 ) d = 0 i I, f (x0 ) d 0}
Ya vimos un teorema que nos da las condiciones de 2do orden (teorema 2.17) el cual lo podemos
enunciar, con una hip
otesis menos estricta, de la siguiente forma
Teorema 7.6. Sea x0 un mnimo local del problema (7.3) y supongamos que existe Rk tal que
f (x0 ) +
k
X
i gi (x0 ) = 0 i I
i=1
considerando que {g1 (x0 ), . . . , gk (x0 )} es linealmente independiente. Entonces d K(x0 ) se

cumple que la forma cuadr
atica dT (Hx L(x0 , ))d es semi definida positiva, es decir
dT (Hx L(x0 , ))d 0
Demostraci
on. Sean f, gi i I funciones de clase C 2 . Definamos : A R Rn tal que
(0) = x0 y g((t)) = 0, es decir (t) S. Entonces por la convexidad de f

d2

f
((t))
0

dt2
t=0
178
y por definici
on

d2
= dT1 (Hf (x0 ))d1 + f (x0 ) d2 0
f ((t))
2
dt
t=0
Pk
Como L(x0 , ) = f (x0 ) + i=1 i gi (x0 ) tenemos que
(*)
f (x0 ) + T g(x0 ) = 0
donde Rk y g(x0 ) = (g1 (x0 ), . . . , gk (x0 )). Consideremos que
T g(x0 ) = T g((t)) = 0
y diferenciando con respecto a t se obtiene
dT1 (T Hg(x0 ))d1 + T g(x0 ) d2 = 0
(**)
Sumando (**) a (*)

dT1 (Hf (x0 ) + T Hg(x0 ))d1 + (f (x0 ) + T g(x0 )) d2 0
|
{z
}
0
dT1 (Hx L(x0 , ))d1
Como d1 es arbitrario en K(x0 ) se tiene que el resultado es valido para cualquier d K(x0 ) y
llegamos a
d(Hx L(x0 , ))d 0, d K(x)

Teorema 7.7. Sea x0 un m
aximo local de un problema de maximizaci
on con la estructura del
problema (7.3) y supongamos que existe Rk tal que
f (x0 )
k
X
i gi (x0 ) = 0 i I
i=1
considerando que {g1 (x0 ), . . . , gk (x0 )} es linealmente independiente. Entonces d K(x0 ) se

cumple que la forma cuadr
atica dT (Hx L(x0 , ))d es semi definida negativa, es decir
dT (Hx L(x0 , ))d 0
Demostraci
on. Es an
aloga a la del teorema 7.6. Basta con tomar f concava y como f es convexa
se concluye.

Ahora formularemos el teorema 2.17 tal como se vio en el captulo 4.
Teorema 7.8. Sea x0 un vector factible del problema (7.3) y supongamos que existe Rk tal
que
k
X
f (x0 ) +
i gi (x0 ) = 0 i I
i=1
Para todo d K(x0 ) \ {0} la forma cuadr

atica dT (Hx L(x0 , ))d es definida positiva, es decir
dT (Hx L(x, ))d > 0
Entonces x0 es un mnimo local estricto.
179
Demostraci
on. Consideremos que f es estrictamente convexa y supongamos que x0 no es un mnimo
estricto de f restringida a S. Escogamos {xn }nN en S tal que xn x0 y f (xn ) f (x0 ). Sea
xn = x0 + n dn con n > 0 y
xn x0
dn =
, kdn k = 1
kxn x0 k
Se tendr
a que n = kxn x0 k, n 0 y {dn } es acotada por lo que tiene una subsucesi
on
convergente a d0 .
Como {xn } S se tiene que gi (xn ) = 0 i I. Definamos g(x0 ) = (g1 (x0 ), . . . , gk (x0 )) y de esta
forma
g(xn ) g(x0 ) = 0 g(x0 + n dn ) g(x0 ) = 0
si dividimos esto por n , tal que n 0, en la medida que n se obtiene g(x0 ) d0 = 0.
Usando el teorema de Taylor (teorema 2.2), para todo i I se cumple
gi (xn ) gi (x0 ) = n gi (x0 ) dn +
n2 T
d (Hgi (xa ))dn = 0
2 n
(*)
y tambien se tiene que

n2 T
d (Hf (xb ))dn 0
(**)
2 n
con xa = xn + (1 )x0 , ]0, 1[ y xb = xn + (1 )x0 , ]0, 1[, es decir xa y xb son
combinaciones convexas de x0 y xn .
f (xn ) f (x0 ) = n f (x0 ) dn +
Consideremos
1
n kxn
x0 k2 f (xn ) f (x0 ), entonces

n f (x0 ) dn +
1
n kxn
x0 k2 0. A partir de (**)
1
n2 T
d (Hf (xb ))dn kxn x0 k2
2 n
n
Multiplicando (*) por i y aplicando la sumatoria

lo siguiente
Pk
i=1 ()
T (g(xn ) g(x0 )) = n T g(x0 ) dn +
para agregar las k restricciones formamos

n2 T T
d ( Hg(xa ))dn = 0
2 n
(***)
Sumando (***) a (**) se obtiene

1
2
n (f (x0 ) + T g(x0 )) dn + n dTn (Hf (xb ) + T Hg(xa ))dn kxn x0 k2
|
{z
}
2
n
0
n2 T
1
dn (Hf (xb ) + T Hg(xa ))dn kxn x0 k2
2
n
como n = kxn x0 k
dTn (Hf (xb ) + T Hg(xa ))dn
2
n
y tomando lmite cuando n

dT0 (Hf (x0 ) + T Hg(x0 ))d0 0
Observemos que en esto u
ltimo aparecen xa y xb . Como tomamos lmite cuando n y se tiene
que xn x0 , entonces xa x0 y xb x0 .
De esta forma hemos llegado a que cuando x0 es un mnimo local estricto de f restringida a S
no es posible que la forma cuadr
atica dT (Hx L(x0 , ))d sea semi definida negativa y como d es
arbitrario se concluye la demostraci
on.
180
Teorema 7.9. Sea x0 un vector factible de un problema de maximizaci

on con la estructura del
problema (7.3) y supongamos que existe Rk tal que
f (x0 )
k
X
i gi (x0 ) = 0 i I
i=1
Para todo d K(x0 ) \ {0} la forma cuadr

atica dT (Hx L(x0 , ))d es definida negativa, es decir
dT (Hx L(x, ))d < 0
Entonces x0 es un m
aximo local estricto.
Demostraci
on. Es an
aloga a la del teorema 7.8. Basta con tomar f concava y alg
un x0 factible
suponiendo que no es m
aximo, como f es convexa se concluye.

Nota 7.4. Los teoremas 7.6 y 7.7 nos dan una condicion necesaria de segundo orden mientras que
los teoremas 7.8 y 7.9 nos dan una condicion suficiente.
Los teoremas 7.7 y 7.9 nos dan una condicion suficiente de segundo orden. Podra creerse que la
condici
on clave para ambos teoremas es que el conjunto {gi (x0 )} sea linealmente independiente
i {1, . . . , k}, sin embargo la condici
on es que se cumpla que gi (x0 ) = 0 i I. Basta con que el
Hessiano del Lagrangreano solo con respecto a x sea definido positivo en el conjunto de direcciones
crticas y no en cualquier direcci
on arbitraria.
Ejemplo 7.4. En el ejemplo (2.10), diga si el punto (x0 , y0 ) = ( 21 , 12 ) es un maximo o un mnimo.
Soluci
on. Para esto, construyamos primeramente el Lagrangeano del problema:
L(x, y, ) = x2 + y 2 (y x 1)
Recordemos que el multiplicador de lagrange era = 1, por tanto, el Hessiano del Lagrangeano
queda:

2 0
Hx L(x0 , y0 , ) =
0 2
el cual es definido positivo para todo d, en particular para las direcciones del conjunto de direcciones
crticas y por tanto el punto (x0 , y0 ) = ( 21 , 12 ) es un mnimo.

Ejemplo 7.5. Optimice el valor de la funcion f (x, y) = x sobre el conjunto de puntos (x, y) tales
que x2 + 2y 2 = 3.
Soluci
on. El Lagrangeano para este problema queda de la siguiente forma:
L(x, y, ) = x (x2 + 2y 2 3)
a partir del cual, aplicando el sistema lagrangeano (2.4) se obtiene
1 = 2x0
4 = y0
2
x0 + 2y02 = 3
1 = 2x0
0 = 4y0
2
x0 + 2y02 = 3
1 = 2x0
x20 + 2y02 = 3
181
y por tanto, los posibles candidatos a extremos ( no puede ser cero) son:

1
(x1 , y1 , 1 ) =
3, 0,
2 3

1
(x2 , y2 , 2 ) = 3, 0,
2 3
por otro lado se tiene que:

2
Hx L(x, y, ) =
0
es decir, para

(x1 , y1 , 1 ) =

0
4
1
3, 0,
2 3
Hx L(x1 , y1 , 1 ) es definida negativa y por tanto (x1 , y1 ) = ( 3, 0) es un maximo local mientras

que para

(x2 , y2 , 2 ) = 3, 0,
2 3
Hx L(x2 , y2 , 2 ) es definida positiva y por lo tanto (x2 , y2 ) = ( 3, 0) es un mnimo local.

Ejemplo 7.6. Consideremos el siguiente problema
max
xy + yz + xz
s.a
x+y+z =1
x,y,z
Nos interesa saber si la soluci

on (en caso de que exista) efectivamente corresponde a un maximo
local estricto.
Soluci
on. El Lagrangeano corresponde a
L(x, ) = xy + yz + xz (x + y + z 1)
Aplicando el sistema Lagrangeano llegamos a lo siguiente
y0 + z0 = 0
x0 = y0
x0 + z0 = 0
y0 = z0
x0 + y0 = 0
x0 + y0 + z0 = 1
x0 + y0 + z0 = 1
x0 = 1/3
y0 = 1/3
z0 = 1/3
Entonces f (x0 , y0 , z0 ) = 1/3 y el valor del multiplicador de Lagrange es = 2/3.

Para las condiciones de segundo orden
0
Hf (x0 ) = 1
1
tenemos
1 1
0 1
1 0
0
Hg(x0 ) = 0
0
0
0
0
0
0
0
0
Hx L(x0 , ) = Hx f (x0 ) + T Hg(x0 ) = 1
1
1
0
1
1
1
0
Entonces,
182
Podramos usar el criterio de los menores principales para determinar si la matriz resultante es semi
definida positiva o negativa. Usando esto se obtiene |H1 | = 0, |H2 | = 1 y |H3 | = 2 lo cual bajo
tal criterio nos dice que la matriz no es semi definida negativa ni tampoco semi definida positiva.
Los teoremas 7.6, 7.7, 7.8 y 7.9 establecen una condicion de segundo orden que pide que Hx L(x0 , )
sea semi definida positiva (caso minimizacion) o semi definida negativa (caso maximizacion) a lo
menos en K(x).
Definamos d = (x, y, z) y entonces
dT (Hx L(x0 , ))d = x(y + z) + y(x + z) + z(x + y)
(*)
Tengamos presente que en K(x) se cumple que g(x) d = 0, entonces x + y + z = 0 por lo que
podemos reescribir (*) como
dT (Hx L(x0 , ))d = (x2 + y 2 + z 2 ) < 0
observemos que (x2 + y 2 + z 2 ) 0 pero restringido a K(x) se tiene la desigualdad estricta y
entonces la soluci
on encontrada es un maximo local estricto.

7.2.3. Ejemplos de Microeconoma en varias dimensiones
Ahora daremos algunos ejemplos en los que se debe resolver una funcion Lagrangeano que consta
de n + 1 variables. Es importante revisar estos problemas con detalle puesto que entregan una
formulaci
on para casos generalizados.
Ejemplo 7.7. En la ciudad de Titirilquen todas las empresas minimizan sus costos de operacion.
Supondremos que en esta economa existen n factores productivos que tienen un costo unitario de
wi por unidad.
En lo que sigue, supondremos que existen m empresas y que la empresa representativa de la ciudad
elabora un u
nico producto y su estructura de produccion se puede representar mediante la siguiente
funci
on:
n
Y
i
f (x) = A
x
i
i=1
Donde los par

ametros A, i son positivos. Las curvas de nivel de esta funcion, en un caso particular,
corresponden al siguiente gr
afico
x2
x1
0,5
Figura 7.1: Funci
on Cobb-Douglas f (x1 , x2 ) = x0,5
1 x2
183
Para fijar ideas, intuitivamente a partir del grafico del caso particular, es posible deducir que el
problema se puede resolver mediante Lagrangeano.
Lo que nos interesa obtener es la demanda por factores xi (w, Q), donde xi es la demanda por el
insumo i-esimo en funci
on de w (vector de Rn+ que representa los costos de los n insumos) y de Q
que representa un nivel de producci
on fijo. Esta demanda proviene del siguiente problema:
Pn
mn
i=1 wi xi
x
f (x) Q, xi 0
s.a
el cual se puede reescribir como
mn
Pn
s.a
f (x) = Q
i=1
wi xi
De lo anterior obtendremos:
1. El planteamiento del problema de mnimo costo y el Lagrangeano del problema.
2. El multiplicador de Lagrange.
3. Las demandas por factores que resuelven el problemas.
4. Una expresi
on para la funci
on de costos a partir de las demandas optimas de cada factor.
Soluci
on.
1. Lo primero ser
a tener en cuenta que para un nivel de produccion fijo, digamos Q, tenemos
que
n
Y
i
Q=A
x
i
i=1
Luego, el problema de minimizacion es:

mn
Pn
s.a
i=1
Q
n
wi xi
i=1
i
x
i =Q
Con esto en mente escribimos la funcion Lagrangeano

L(x, ) =
n
X
w i xi A
i=1
n
Y
!
i
x
i
i=1
Para el caso en que la soluci

on es interior (xi > 0 i) tal que =
primer orden son
Qn
i
i A i=1 x
L
i
= wi
=0
xi
xi
n
Y
L
i
=QA
x
i =0
i=1
De (*) despejamos xi
xi =
i A
Qn
i=1
wi
i
x
i
i Q
wi
wi
f /xi ,
las condiciones de
(*)
(**)
184
Pn
2. Para obtener el multiplicador definimos i=1 i = k para simplificar la escritura, de la parte
anterior tomamos el u
ltimo resultado, lo reemplazamos en (**) y obtenemos
1k
= A

n
Y
i i
wi
i=1
Reordenando terminos se obtiene lo pedido

k
Q1k
1
Q i
n i
A
1
wi
i /k
i=1 wi
Qn
/k
A1/k i=1 i i
Qn
(1k)/k
3. Reemplazando el multiplicador en (*) obtenemos la demanda por el insumo j-esimo.

P
!
Qn
i / n
1 i
w
j Q
i=1 i
xj = Q(1k)/k
Qn
i /k
1/k
wj
A
i=1 i
Q
1/k
i /k
n
Q i
i=1 wi
xj =
Q
/k
n
wi
A1/k i=1 i i
1/k Qn
/k
wi i
Q
j
xj =
Qi=1
i /k
n
A
w
j
i=1 i
4. Finalmente para la funci
on de costos multiplicamos
la demanda optima por wj y agregamos
Pn
los n terminos aplicando la sumatoria j=1 (). Se obtiene.
C(Q, w) =
n
X

w j xj =
j=1
Q
A
1/k Qn
/k
wi i
Qi=1
k
i /k
n
i=1 i
Ejemplo 7.8. Suponga que la vi

na Don Pacha se dedica exclusivamente a la produccion de vino
Carmen`ere, el cual se elabora con n factores productivos y la funcion de produccion es la siguiente:
f (x) = A
n
X
!v/
i xi
Donde los par

ametros A, i , , v son positivos y (0, 1).
Como en el ejemplo anterior obtendremos:
1. El Lagrangeano del problema.
4. Una expresi
on para la funci
185
Soluci
on.
1. La estructura del problema no ha cambiado. Para simplificar el desarrollo algebraico, la
funci
on de producci
on dado un nivel de produccion fijo se puede expresar como
!
n
X
Qv = Av
i xi
i=1
De esto formamos el Lagrangeano del problema

L(x, ) =
n
X
wi xi A
n
X
i xi
i=1
Para el caso en que la soluci

on es interior (xi > 0 i) tal que =
primer orden son
wi
f /xi ,
Las condiciones de
L
= wi A v i xi1 = 0
xi
!
n
X
v
v
=Q A
i xi = 0
i=1
De (*) despejamos xi
(*)
wi = A v i xi1

xi =
A v ai
wi
1
1
(**)
A partir de este resultado la idea es formar la funcion de produccion nuevamente, para lo

cual basta P
con elevar a , luego multiplicar por i , agregar los n terminos aplicando la
n
sumatoria i=1 () y finalmente multiplicar por A v para llegar a una expresion equivalente
a Q v . Despejando Q se obtiene
! v
n
1
X
1
v
1
1
Q = A 1 () 1
ai wi
i=1
2. De lo anterior, podemos despejar el multiplicador con la finalidad de reemplazar en (**)

1
1
1
Qv
=
A
1
v(1)
n
X
1
1
1
1
ai
! 1
wi
i=1
1
3. Reemplazando el multiplicador, que intencionadamente dejamos elevado a 1
para reemplazar directamente en (**), se obtiene la demanda condicionada por el factor j-esimo

xj =
Q
A
v1
aj1 wj1
n
X
j=1
1
1
1
aj
1
1
wj
186
4. Ahora solo nos falta encontrar la funcion de costos, para lo cual

Pn basta con multiplicar por wi
y finalmente agregar los n terminos aplicando la sumatoria j=1 (). Se obtiene
n
X
n
X

wj xj =
j=1
Q
A
v1
ai1 wi1
j=1
n
X
1
1
ai
1
1
! 1
wi
i=1
En esta u
ltima ecuaci
on hay que arreglar las sumatorias que son independientes del ndice y
se obtiene
! 1
v1 X
n
n
1
X
Q
1
1
C(Q, w) =
wi xi =
ai wi
A
i=1
i=1

Ejemplo 7.9. Ahora ilustraremos un caso en que la funcion objetivo y la restriccion son lineales.
Esto con la finalidad de dar una interpretacion al multiplicador de Lagrange que presentaremos
durante el desarrollo del ejercicio y retomaremos mas adelante.
Supongamos que los completos de la calle Gorbea son fabricados mediante un proceso que es
representable por medio de la siguiente funcion:
f (x) =
n
X
i xi
i=1
Aunque sea poco realista, ya que da lugar a una perfecta sustitucion de insumos, tomaremos esta
funci
on para desarrollar un caso en que la solucion optima no es interior y la solucion no es directa
mediante Lagrangeano.
Como en el ejemplo anterior obtendremos:
1. El Lagrangeano del problema.
4. Una expresi
on para la funci
Soluci
on.
1. El problema tiene la misma estructura de los dos ejemplos anteriores. Por lo tanto el Lagrangeano del problema es
!
n
n
X
X
L(x, ) =
wi xi
i xi Q
i=1
i=1
y las condiciones de primer orden son las siguientes:

L
= wi i = 0
xi
i {1, . . . , n}
(*)
187
n
L X
=
i xi Q = 0
i=1
(**)
Estas condiciones no tienen solucion directa.

2. De lo anterior, a partir de (*) tenemos que = wi /i pero debemos ser criteriosos y considerar
wi
i
= mn
i
as estamos considerando una u

nica solucion del problema cuando existe un u
nico cociente
que minimiza . Si para alg
un j se tiene que wj /j > entonces xj = 0.
3. A partir de (**) tenemos que
(
xj =
Q
j
si i = j
si i 6= j
En caso de que la soluci

on no sea u
nica cualquier combinacion convexa de los distintos xj es
una soluci
on v
alida del problema. Si D es el conjunto de demandas factibles que resuelven el
problema definimos este conjunto de la siguiente forma:

Q
wj
wi
D=
ej :
i = 1, . . . , n
j
j
i
donde ej denota la j-esima componente de la base canonica de Rn . As obtenemos que cualquier combinaci
on convexa de demandas factibles da lugar a una demanda factible por factores o insumos. De esta forma la condicion para una solucion u
nica del problema es que exista
s
olo un cociente wi /i compatible con
= mn
i
wi
i
y as garantizamos que la solucion no es interior.

Una situaci
on distinta en que no hay solucion u
nica es cuando la funcion objetivo y la
restriccion son iguales, con lo cual cualquier solucion interior es optima y genera el mismo
valor en la funci
on objetivo pues no habra un u
nico valor mnimo para el multiplicador.
4. La funci
on de costos est
a dada por

C(Q, w) = Q mn
w1
w2
,...,
1
2
pues habiendo perfecta sustitucion de factores y ademas siendo la solucion no interior se elegir
a producir utilizando nada mas que el factor productivo cuya relacion costo-productividad
sea menor.
Para fijar ideas es u
til pensar en el caso de R2 . Si la pendiente se determina seg
un
mf (x1 ,x2 ) =
f /x2
f /x1
habra que comparar si esta pendiente es mayor, menor o igual a la relacion de precios rp = px2 /px1 .
Se tienen tres casos posibles:
188
1. mf (x1 ,x2 ) > rp , entonces la soluci

on optima es x1 = 0 y x2 > 0.
2. mf (x1 ,x2 ) < rp , entonces la soluci
on optima es x1 > 0 y x2 = 0.
3. mf (x1 ,x2 ) = rp , entonces la soluci
on optima es cualquier combinacion de valores positivos de
x1 y x2 que respeten la restricci
on. Luego, la solucion no es u
nica y hay infinitas soluciones
para este caso.

Ejemplo 7.10. Suponga que los habitantes de Puerto Varas alcanzan cierto nivel de bienestar o
utilidad por el consumo de una canasta de n productos. Un estudio de mercado ha revelado que
su funci
on de utilidad es la siguiente:
u(x) =
n
Y
i
x
i
i=1
Pn
Donde i > 0 i y i=1 i = 1. La restriccion al consumo viene dada por un ingreso I que se
gasta en su totalidad en productos perfectamente divisibles, los cuales se venden a un precio pi
cada uno.
Obtendremos lo siguiente:
1. El problema de maximizaci
on de utilidad del individuo representativo y la funcion Lagrangeano y las condiciones de primer orden.
2. Una expresi
on para el multiplicador de Lagrange.
3. La demanda
optima por el producto j-esimo que resuelve el problema.
4. Una expresi
on para la funci
on de utilidad en terminos de las demandas optimas.
Soluci
on.
1. El problema a resolver es:
max
x
s.a
Qn
Pi=1
n
i=1
i
x
i
p i xi = I
Del problema de maximizaci

on el Lagrangeano corresponde a
L(x, ) =
n
Y
i=1
i
x
i + I
n
X
!
pi xi
i=1
Luego, las condiciones de primer orden respectivas son:

Qn
i
i i=1 x
L
i
=
pi = 0
xi
xi
n
X
L
=I
pi xi = 0
i=1
(*)
(**)

2. Como u(x) =
Qn
i=1
189
i
x
i , vamos a reemplazar en (*) y obtenemos
i u = pi xi
(***)
De esto obtenemos en terminos de (u, , p, x)

=
i u
pi xi
Pn
Pn
3. Consideremos que I = Pi=1 pi xi y i=1 i = 1 por lo que en (***) vamos a agregar terminos
n
aplicando la sumatoria i=1 ()
u = I
Si reemplazamos esto u
ltimo en (***) obtenemos
i I = pi xi
S
olo falta reordenar y obtenemos la demanda por el insumo j-esimo (los ndices son independientes) en terminos de (I, , p)
Ij
xj =
pj
Qn
i
4. Reemplazamos directamente el u
ltimo resultado en u(x) = i=1 x
i y obtenemos
u(x) = I

n
Y
i i
i=1
pi
Ejemplo 7.11. Suponga que los habitantes de Frutillar alcanzan cierto nivel de bienestar o utilidad
por el consumo de una canasta de n productos. Un estudio de mercado ha revelado que su funci
on
de utilidad es la siguiente:
n
X
u(x) =
i xi
i=1
Pn
Donde i 0 i {1, . . . , n} y i=1 i = 1. En esta ciudad todos quieren obtener el nivel m

as
alto de utilidad sabiendo que su presupuesto es limitado. Debido a la forma funcional de la utilidad
en determinados casos la soluci
on
optima del problema llevara a consumir una cantidad nula de
alg
un producto ante lo cual no se cumple la condicion de paralelismo de los gradientes de la funci
on
objetivo y las restricciones como se evidencia en cualquier solucion interior que podamos encontrar
mediante Lagrangeano.
Obtendremos lo siguiente:
1. El problema de maximizaci
on de utilidad del individuo representativo y la funcion Lagrangeano y las condiciones de primer orden.
2. Una expresi
on para el multiplicador de Lagrange.
3. La demanda
optima por el producto j-esimo que resuelve el problema.
4. Una expresi
on para la funci
on de utilidad en terminos de las demandas optimas.
190
Soluci
on.
1. El problema tiene la misma estructura del ejemplo anterior por lo tanto el Lagrangeano
corresponde a
!
n
n
X
X
L(x, ) =
i xi + I
pi xi
i=1
i=1
y las condiciones de primer orden respectivas son:

L
= i pi = 0
xi
i {1, . . . , n}
(*)
X
L
=I
p i xi = 0
i=1
(**)
Estas condiciones no tienen solucion directa.

2. De lo anterior, a partir de (*) tenemos que = i /pi pero debemos ser criteriosos y considerar
= max
i
i
pi
as estamos considerando una u

nica solucion del problema cuando el cociente que maximiza
es u
nico. Si para alg
un j se tiene que j /pj < entonces xj = 0.
A partir de (**) tenemos que
(
xj =
I
pj
si i = j
si i 6= j
3. La soluci
on es u
nica en caso de que no sea interior y debe cumplirse que
i
pi
i {1, . . . , n}
Las soluciones interiores se dan cuando el problema no tiene solucion u

nica. En caso de
que la soluci
on no sea u
nica cualquier combinacion convexa de las demandas es una solucion
v
alida del problema. As si D es el conjunto de demandas factibles que resuelven el problema,
definimos D de la siguiente forma:

I
j
i
D=
ej :
i = 1, . . . , n
pi
pj
pi
donde ej denota la j-esima componente de la base canonica de Rn . Entonces tendremos que
la soluci
on del problema sera cualquier xj D.
De esta forma, la condici
on para una solucion u
nica del problema es que exista solo un
cociente i /pi compatible con
i
= max
i
xi
y as garantizamos que la soluci
on no es interior.
191
4. Para obtener una expresi

ltimo
Pn on para el nivel de utilidad reemplazamos directamente el u
resultado en u(x) = i=1 i xi y obtenemos
u(x) =
Ii
pi
en el caso en que la soluci

on no es interior. Si la funcion objetivo y la restriccion son iguales
tenemos que
1
X
i
u(x) = I
i
pi
i=1
Pn
donde [0, 1] y i=1 i = 1.

Ejemplo 7.12. Suponga que los habitantes de Titirilquen alcanzan cierto nivel de bienestar o
utilidad por el consumo de una canasta de n productos. Un estudio de mercado ha revelado que
su funci
on de utilidad es la siguiente:
u(x, y) = 1
n
X
i ln(xi ) + 2 y
i=1
Pn
Donde (x1 , . . . , xm , y) Rn , i > 0, i > 0 i {1, . . . , n} y i=1 i = 1. Las curvas de nivel de
esta funci
on, en un caso particular, corresponden al siguiente grafico
x2
x1
Figura 7.2: Funcion cuasilineal f (x1 , x2 ) = 0,1 ln(x1 ) + x2
Para fijar ideas, intuitivamente a partir del grafico del caso particular, es posible deducir que el
problema se puede resolver mediante Lagrangeano pero hay que ser cuidadosos puesto que a partir
del mismo gr
afico se deduce que la solucion puede no ser interior.
En esta ciudad todos quieren obtener el nivel mas alto de utilidad sabiendo que su presupuesto
es limitado. Debido a la forma funcional de la utilidad en determinados casos la solucion optima
del problema llevar
a a consumir una cantidad nula de alg
un producto ante lo cual no se cumple
la condici
on de paralelismo de los gradientes de la funcion objetivo y las restricciones como se
evidencia en cualquier soluci
on interior que podamos encontrar mediante Lagrangeano.
Ante esta situaci
on:
192
1. C
omo plantear y resolver el problema de maximizacion de manera simple?
2. Bajo que condiciones el metodo del Lagrangeano nos permite encontrar una solucion interior?
3. En caso de existir soluci
on de ambos problemas, se cumple la unicidad de la solucion?
Soluci
on.
1. El problema de maximizar utilidad sigue una estructura analoga a la del ejemplo anterior,
entonces el Lagrangeano corresponde a
!
n
n
X
X
L(x, ) = 1
i ln(xi ) + 2 y + I
pi xi py y
i=1
i=1
Para que exista una soluci

on interior nos basta con tomar las condiciones de primer orden
1 i
L
=
pi = 0 i {1, . . . , n}
xi
xi
L
= 2 py = 0
y
(*)
(**)
De las ecuaciones (*) y (**) se obtienen respectivamente

xi =
i 1
pi
Juntando ambos resultados

xi =
y =
2
py
i 1 py
2 pi
y entonces
pi xi =
Aplicando
Pn
i=1 ()
i 1 py
2
a esto u
ltimo
n
X
p i xi =
i=1
Cuando y > 0 se tiene que
Pn
i=1
1 py
2
pi xi 6= I y de esto se concluye que

y=I
1 p y
2
Debemos tener presente que la condicion para que esto efectivamente sea una solucion interior
p
es I > 1 2 y . En caso de que esto u
ltimo se cumpla con signo de mayor o igual se tendra que
y 0.
p
Si I < 1 2 y se tendr
a que en el
optimo y = 0 y lo u
nico que nos restara del problema es
resolver la ecuaci
on (*).
Reordenando (*) obtenemos
=
i 1
p i xi
(***)

Aplicando
Pn
i=1 ()
193
obtenemos
I = 1
Reemplazando (***) en esto u

ltimo obtenemos
xi =
i I
pi
Entonces, la soluci
on del problema es virtud de los parametros corresponde a
1 p y
i 1 py
1 p y
1 py
si I
si I
2
2 pi
I
2
2
xi =
y
y=
1 p y
si I <
1 p y
i I
2
si I <
pi
2
2. Para una soluci
on interior debe cumplirse que
I>
1 p y
2
M
as a
un para una soluci
on v
alida (valores postivos dada la naturaleza del problema) es que
la soluci
on la separamos por casos en virtud de los parametros.
3. La condici
on encontrada anteriormente garantiza la unicidad de la solucion y no hace falta
agregar m
as condiciones.

Ejemplo 7.13. Suponga que los habitantes de Salsacia y Conservia alcanzan cierto nivel de
bienestar o utilidad por el consumo de una canasta de n productos. El gobierno ha hecho un
estudio que revela que la funci
on de utilidad del ciudadano representativo es la siguiente:
u(x) = mn{i xi }
i
Donde i > 0 i {1, . . . , n}. Las curvas de nivel de esta funcion, en un caso particular, corresponden al siguiente gr
afico
x2
x1
Figura 7.3: Funcion Leontief f (x1 , x2 ) = mn{x1 , x2 }
194
Para fijar ideas, intuitivamente a partir del grafico del caso particular, es posible deducir que
el problema no se puede resolver mediante Lagrangeano ya que para n 2 la funcion no es
diferenciable.
En esta economa todos quieren obtener el nivel mas alto de utilidad sabiendo que su presupuesto
es limitado.
Ante esta situaci
on:
1. C
omo plantear y resolver el problema de maximizacion de manera simple?
2. Bajo que condiciones el metodo del Lagrangeano nos permite encontrar una solucion interior?
3. En caso de existir soluci
on del problema, se cumple la unicidad de la solucion?
Soluci
on.
1. El problema tiene la misma estructura del ejemplo anterior pero no es posible resolver mediante Lagrangeano. Sin embargo, no es muy difcil notar que el vector x de demandas
optimas es tal que
1 x1 = . . . = n xn
en general, cada uno de los argumentos es igual a un valor constante i xi = k. Luego, se
tiene que
pj
pj xj = i xi
j
Pn
aplicando la sumatoria j=1 () se llega a
I = i xi
n
X
pj
I
Pn
xi =
i
j=1
j=1 j
pj
j
2. Para una soluci

on interior bastar
a con el hecho que k 6= 0, que es lo mismo a decir i xi 6= 0 i.
En caso de que k = 0 se tendra que u(x) = 0 si para alg
un i se tiene que i xi = 0 y de esta
forma el vector de demandas
optimas se anulara en todas sus componentes, pero este caso
se dara si I = 0.
3. En cualquier caso la soluci
on es u
nica.

Los casos en que presentamos en los ejemplos 7.9 y 7.11 nos dan la siguiente interpretacion del
multiplicador de Lagrange: Expresa cuanto baja (resp. sube) el valor de la solucion optima de
un problema de minimizaci
on (resp. maximizacion) ante cambios en los parametros del problema.
Esta interpretaci
on es extensible a los demas ejemplos pero la maximizacon o minimizacion del
cociente que equivale al multiplicador lo deja totalmente en claro. La formalizacion de esto viene
enseguida.
195
7.2.4. Teorema de la envolvente

Motivaci
on: En diversas
areas de la ingeniera y ciencias nos encontramos con sistemas en los
cuales es aplicable un criterio de maximizacion o minimizacion. Ya hemos visto formas de resolver
esto pero, muchas veces para facilitar el calculo y ahorrar trabajo cabe preguntarse si existe alguna
tecnica que nos permita cuantificar como cambia la solucion optima ante cambios en los parametros
del sistema o bien, muchas veces tenemos sistemas similares cuya diferencia solo radica en los
par
ametros que los definen.
Teorema 7.10. (Teorema de la Envolvente) Sean f : Rn+m R, gi : Rn+m R funciones
c
oncavas y diferenciables y (x, c) Rn Rm . Consideremos el problema
m
ax
x
s.a
f (x, c)
gi (x, c) = 0 i {1, . . . k}
y definamos la funci
on valor V (c) = max{f (x(c), c) : x S}.
Como el problema consta u
nicamente de funciones diferenciables podemos aplicar la funci
on Lagrangeano para encontrar un
optimo. Dado esto el cambio de la funci
on valor, ante cambios en c,
equivale al cambio de la funci
on Lagrangeano ante cambios en c. Es decir,
L
V
(c) =
(x(c), (c), c)
ci
ci
Demostraci
on. Consideremos la funcion Lagrangeano
L(x, ) = f (x, c) +
k
X
i gi (x, c)
i=1
Sea x(c) una soluci

on
optima del problema, tenemos que
k
X
L
gi
f
i (c)
(x(c), (c), c) =
(x(c), c) +
(x(c), c) = 0
xi
xi
xi
i=1
(*)
Por otra parte,

n
X
f
f
xi
V
(c) =
(x(c), c) +
(x(c), c)
(c)
ci
ci
x
ci
i
i=1
(**)
Reemplazando (*) en (**) se obtiene

k
n
X
X
f
gi
xi
V
(c) =
(x(c), c)
i (c)
(x(c), c)
(c)
ci
ci
x
ci
i
i=1
i=1
Pero gi (x(c), c) = 0 i, entonces

n
X
gi
xi
gi
(x(c), c)
(c) +
(x(c), c) = 0
x
c
ci
i
i
i=1
Reemplazando (***) en (**) se obtiene

k
X
V
f
gi
(c) =
(x(c), c) +
i (c)
(x(c), c)
ci
ci
ci
i=1
(***)
196
que no es otra cosa sino

V
L
(c) =
(x(c), (c), c)
ci
ci

Nota 7.5. El caso de minimizaci
on es analogo. Basta con tomar f convexa y como f es concava
se concluye.
Ejemplo 7.14. Queremos saber c
omo cambia la solucion optima ante un cambio en c para el
siguiente problema:
xyz
m
ax
s.a x + 2y + 3z = c
La funci
on Lagrangeano corresponde a
L(x, ) =
xyz (x + 2y + 3z c)
Resolviendo las condiciones de primer orden obtenemos
yz
L
=0
=
x
2 x
xz
L
=
2 = 0
y
2 y
xy
L
3 = 0
=
z
2 z
L
= c x 2y 3z = 0
Reordenando para despejar x, y, z en cada ecuacion respectivamente, obtenemos

x
yz
42
xz
162
xy
362
Luego de dividir la primera de estas ecuaciones por la segunda y la segunda con la tercera en forma
separada, obtenemos
x = 2y = 3z
Reemplazamos esto en
y obtenemos c = 3x. Despejando x, y, z en terminos de c obtenemos

x(c) =
c
3
y=
c
6
z=
c
9
Con esto formamos la funci

on valor y derivamos respecto de c para cuantificar el cambio
c3
V (c)
c
=
V (c) =
c
9 2
6 2
yz
2
si reemplazamos x = 2y = 3z en x = 4
y se concluye que (c) =
2 obtenemos c = 72
esto u
ltimo evaluamos
L
c
(x(c), c) = (c) =
ci
6 2
c .
6 2
Con
197
Lo que permite concluir que

V (c)
L
=
(x(c), c)
c
ci
Dejaremos de tarea verificar que el teorema se cumple con los ejemplos de la seccion 7.2.3. Para
los ejemplos de minimizaci
on de costos la forma de proceder es la siguiente:
1. Se define la funci
on valor como la funcion de costo C(Q, w) y debemos analizar con respecto
a Q por ser la constante de la u
nica restriccion del los problemas.
= exceptuando el ejemplo 7.8, pues en tal caso se debe derivar con
2. Se tendr
a que C(Q,w)
Q
respecto a Q v o de lo contrario llegamos a la conclusion erronea de que el teorema falla.

Verifique y explique esto u
ltimo.
El desarrollo para los ejemplos de maximizacion de utilidad es analogo.
7.3. Teorema de separaci

on de convexos y lema de Farkas1
Los resultados de esta secci
on nos serviran para demostrar un teorema importante, conocido como Karush-Kuhn-Tucker, que nos permitira caracterizar las soluciones optimas cuando tenemos
restricciones de igualdad y desigualdad combinadas en un problema.
Teorema 7.11. (Teorema de separacion de convexos) Sean A y B dos conjuntos convexos, disjuntos y diferentes de vaco en Rn . Si A es cerrado y B es compacto existe p Rn \ {0} tal
que
p a < p b (a, b) A B
Demostraci
on. Si A es cerrado definamos la funcion
f :BR
b 7 mn kb ak
aA
la cual nos da la distancia de b B a a A y ademas es una funcion continua. Supongamos

que B es compacto, entonces existe b0 B tal que f (b0 ) f (b) b B. Sea y A tal que
f (b0 ) = kb0 yk y como A B = son disjuntos entonces el vector
p=
b0 y
kb0 yk
est
a bien definido y es tal que kpk = 1.
Como p p > 0 se tiene que
p
b0 y
>0
kb0 yk
a partir de lo cual se concluye que

p y < p b0
En base a esto u
ltimo debemos demostrar que p b0 p b y p a < p y.
1 Tema
optativo.
(*)
198
DE CONVEXOS Y LEMA DE FARKAS

7.3. TEOREMA DE SEPARACION
Fijando a A definamos la funci

on
g : [0, 1] R
7 kb0 + y (a y)k2
como A es convexo g tiene un mnimo en = 0, entonces
g() = (hb0 y (a y), b0 y (a y)i)2
= (hb0 y, b0 yi 2hb0 y, a yi + 2 ha y, a yi)2
g
= 2hb0 y, a yi + 2ha ya yi
luego

g
= (b0 y) (y a) 0
=0
dividiendo por kb0 yk se concluye que
papy
(**)
Fijando b B definamos la funci

on
h :[0, 1] R
7 kb0 y (b y)k2
y procediendo de la misma forma con la que se llego a (**) se concluye que
p b0 p b
Finalmente (*), (**) y (***) permiten concluir que p a < p b.
(***)
Corolario 7.1. Si A y B son dos conjuntos convexos, disjuntos y diferentes de vaco, entonces el
conjunto C = A \ B es convexo y no vaco tal que 0
/ C. Sobre este resultado pueden darse dos
casos:
1. 0 adh(C) y entonces existe p Rn \ {0} tal que p a p b (a, b) A B.
2. 0
/ adh(C) y entonces existe p Rn \ {0} tal que p a < p b (a, b) A B.
Demostraci
on.linea en blanco
0 adh(C): Como C es convexo tenemos que el interior de adh(C) esta contenido en C y entonces
0
/ int(C). Por lo tanto existe una sucesion {xn }nN tal que {xn } adh(C) y {xn } 0 en
la medida que n . Entonces para cada n N existe un vector pn tal que kpn k = 1 y
pn a < pn b (a, b) A B. Como {pn }nN esta definida en un compacto tiene al menos una
subsucesi
on convergente, es decir existe p Rn \ {0} tal que kpk = 1 y p a p b (a, b) A B.
0
/ adh(C): Aplicando el teorema teorema 7.11, se concluye que existe p Rn \ {0} tal que
p c < 0 c adh(C) y en particular si definimos c = a b con a A y b B se tiene que
p a < p b (a, b) A B.
199
Nota 7.6. En la u
ltima demostracion afirmamos que si C = adh(C) entonces int(C) C. Esta
propiedad es intuitivamente clara, sin embargo solo es valida cuando C es convexo. Como contraejemplo tenemos lo siguiente: Sea C = (0, 1) entonces adh(C) = [0, 1] e int(C) = (0, 1) pero si
C = (0, 12 ) ( 12 , 1) entonces adh(C) = [0, 1] e int(C) = (0, 1) por lo que int(C) * C.
Geometricamente el teorema de separacion de convexos da la nocion de mnima distancia entre
dos conjuntos y la existencia de al menos un hiperplano que separa ambos conjuntos. Cuando los
conjuntos tienen intersecci
on vaca sabemos que existe un vector p 6= 0 que separa ambos conjuntos
y en R2 , para fijar ideas, resulta u
til la siguiente figura:
B
b
p=b
a
Figura 7.4: Separacion estricta.

Siguiendo con el an
alisis de la separacion de convexos, una consecuencia del teorema es que cualquier conjunto cerrado y convexo C puede ser separado de cualquier vector v
/ C. Geometricamente
tenemos otro caso u
til para fijar ideas respecto de un hiperplano separador H = {x Rn : p x =
}:
px<
px>
B
px=
Figura 7.5: Hiperplano separador.
En el caso de conjuntos no convexos estos no necesariamente pueden ser separados. Este caso, el
de los no convexos, requiere un an
alisis aparte.
200
DE CONVEXOS Y LEMA DE FARKAS

7.3. TEOREMA DE SEPARACION
Caso separable
Caso no separable
Figura 7.6: Casos no convexos en R2 .

Lema 7.2. (Lema de Farkas) Sean b Rn y A Mmn (R). Entonces la desigualdad b d 0 se
T
cumple para todo vector d Rn tal que Ad 0 si y s
olo si existe p Rm
+ tal que A p = b.
Demostraci
on. El enunciado equivale a decir que el sistema Ad 0, b y < 0 tiene solucion si y
s
olo si el sistema AT p = b, p 0 no tiene solucion.
El sistema AT p = b, p 0 no tiene solucion si los conjuntos
C1 = {x Rn : AT p = x, p 0}
C2 = {b}
son disjuntos. Notemos que C1 y C2 son cerrados, convexos y diferentes de vaco y ademas C2 es
compacto. Esto u
ltimo nos permite aplicar el teorema 7.11 y se concluye que existen c Rn \ {0}
y R tales que
c b < , c x > , x C1
c (AT p) > , p 0
De esta forma si p = 0 entonces < 0. Si escogemos p = (0, . . . , pi , . . . , 0) con i = 1, . . . , m tal

que pi > 0, entonces cAT 0 y en consecuencia Ac 0. Se concluye que d = c es una solucion
del sistema Ad 0, b d < 0.
Si AT p = b, p 0 tiene soluci
on y Ay 0, entonces b y = p (Ay).
Ejemplo 7.15. (Precios de no arbitraje) Consideremos un conjunto formado por n activos financieros, cuyos precios al inicio de un periodo de inversion son p1 , . . . , pn respectivamente. Al final del
periodo de inversi
on cada activo tendr
a un valor v1 , . . . , vn . Si x1 , . . . , xn representa la inversion
inicial en cada activo tenemos que:
1. xi < 0 significa que se vendieron xi unidades del activo i al inicio del periodo.
2. xi > 0 significa que se compraron xi unidades del activo i al inicio del periodo.
El costo de la inversi
on inicial es p x y el valor final de la inversion sera de d x en su totalidad.
Supondremos que el valor final de los activos es incierto al inicio del periodo y que existen m
posibles estados de la naturaleza que resultan en distintos valores futuros de la inversion inicial.
En el estado k {1, . . . , m} el activo i {1, . . . , n} tendra un valor que se estima en un monto vik
por cada unidad adquirida al inicio del periodo. De esta forma, si se adquiere un portafolio x Rn
se espera obtener un valor del portafolio igual a dk x en el estado k.
La existencia de posibilidades de arbitraje significa que se obtendra riqueza futura sin comprometer
riqueza en el presente. Se dice que existe una posibilidad de arbitraje cuando existe un vector de
inversi
on x con p x < 0 y, en cada estado de la naturaleza, el valor del portafolio es no negativo,
es decir, dk x 0 para cada k.

Definiendo
201
V =
v11
v1k
. . . vi1
..
.
k
. . . vi
Sin que exista la opci

on de obtener riqueza futura sin comprometer riqueza en el presente tenemos
que
Vx0 , px<0
es infactible o corresponde a un sistema sin solucion.
Si el precio de cada activo es es igual al pago de sus pagos futuros, entonces existe y Rn++ que
cumple p = V T y. Esto u
ltimo nos dice que no existe posibilidad de arbitraje si
V Ty = p , y 0
corresponde a un sistema que tiene solucion.
De acuerdo al lema de Farkas esta u
ltima posibilidad, en caso de que se cumpla, de inmediato
elimina cualquier oportunidad de arbitraje al inicio del periodo.
7.4. Teorema de Karush-Kuhn-Tucker2

Motivaci
on: Ahora nos extenderemos a un caso mas general de un problema de optimizaci
on
que se da cuando aparecen restricciones de igualdades y desigualdades en forma combinada. El
teorema de los multiplicadores de Lagrange exige independencia lineal entre los gradientes de la
funci
on objetivo y las restricciones en el optimo lo cual resulta en una condicion demasiado fuerte
y restrictiva. Ahora presentaremos un teorema que no requiere dicha hipotesis y que no tiene el
inconveniente que surge al no poder trabajar con un n
umero de restricciones mayor a la dimensi
on
del espacio debido a la condici
on de independencia lineal.
Daremos dos demostraciones del teorema de Karush-Kuhn-Tucker: Mediante el teorema de la
funci
on implcita como ya se hizo para el teorema de los multiplicadores de Lagrange y mediante el
Lema de Farkas la cual nos da una interpretacion mucho mas clara del signo de los multiplicadores.
7.4.1. Condiciones de primer orden para extremos restringidos
Definici
on 7.10. (Espacios normal y tangente)
Por analoga con la definici
on 7.8 definiremos la superficie
S = {gi (x) = 0, hj (x) = 0 i I, j J(x0 )}
en torno a x0 y as tenemos que los espacios normal y tangente corresponden a
NS (x0 ) = h{gi (x0 ), hj (x0 )}i i I, j J
TS (x0 ) = NS (x0 ) = {v Rn : v gi (x0 ) = 0 v hj (x0 ) 0 i I, j J}
En caso de que alguna restricci
on del problema (7.2) sea de la forma hj (x0 ) < 0 para alg
un j, se
tiene que esta no participa en la estructura de S. Este hecho motiva la siguiente definicion:
2 Tema
optativo.
202
7.4. TEOREMA DE KARUSH-KUHN-TUCKER
Definici
on 7.11. (Espacio linealizante)
El espacio linealizante de S en x0 corresponde al conjunto
LS (x0 ) = {x Rn : gi (x0 ) d = 0 i I, hj (x0 ) d = 0 j J(x0 )}
donde J(x0 ) = {j J : hj (x0 ) = 0} corresponde a las restricciones de menor o igual que
efectivamente participan en la estructura de S.
El siguiente lema es un primer acercamiento a la demostracion del teorema:
Lema 7.3. (An
alogo a lema 7.1)
on
P 0)
mn
f (x)
s.a
gi (x) = 0
hj (x) = 0
i I
j J(x0 )
(7.4)
Este problema se obtiene de (7.2) cuando consideramos s

olo restricciones que se cumplen con
igualdad en x0 . Entonces, v TS (x0 ) existe : A R Rn , 0 A con gi ((t)) = 0, hj ((t)) = 0
t A, (t) S t A y adem
as (0) = x0 tal que 0 (0) = d. Es decir,
TS (x0 ) = { 0 (0) : (t) S t, (0) = x0 }
Demostraci
on. Definamos q = k + p. Sean d TS (x0 ) y {b1 , . . . , bnq1 } una base ortonormal del
espacio
h{d, gi (x0 ), hj (x0 )}i i I, j J(x0 )
y consideremos el sistema de n 1 ecuaciones
g1 (x)
hp (x)
(x x0 ) b1
(x x0 ) bnq1
=
..
.
= 0
= 0
..
.
=
El vector x0 satisface las ecuaciones, y la matriz jacobiana del sistema esta dada por
g1 (x0 )
..
hp (x0 )
b1
..
.
bnq1
que es una matriz de rango n 1 por lo que podemos seleccionar n 1 columnas tales que la matriz
resultante sea invertible y gracias al teorema de la funcion implcita (teorema 5.3) podemos despejar
n 1 variables en funci
on de la restante en una vecindad de x0 . Entonces existe : A Rn , con
203
A = (, ), tal que gi ((t)) = 0, hj ((t)) = 0 t A y ((t)x0 )bh = 0 t, h {1, . . . , nq1}.

Derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene que
0 (0) bh
gi (x0 ) 0 (0)
hj (x0 ) 0 (0)
= 0 h {1, . . . , n q 1}
= 0 i I
= 0 j J(x0 )
lo cual implica que 0 (0) k d. Definiendo

(t) = (kdkt/k 0 (0)k) tenemos que
0 (0) = d, lo que
nos da el lema.

Teorema 7.12. (Teorema de Karush-Kuhn-Tucker, primera version)
Una condici
on necesaria para que un vector x0 S sea soluci
on del problema 7.2 tal que x0 es
regular es que exista un vector (, ) Rk Rm
+ tal que
X
X
x L(x0 , , ) = f (x0 ) +
i gi (x0 ) +
j hj (x0 ) = 0
(7.5)
iI
jJ
j hj (x0 ) = 0 j J
(7.6)
gi (x0 ) = 0 i I
(7.7)
hj (x0 ) 0 j J
(7.8)
j 0 j J
(7.9)
Cuando f, gi , hi son convexas las condiciones descritas son suficientes para que x0 sea un mnimo
de f en S.
Demostraci
on. (Utilizando el teorema de la funcion implcita)
La condici
on (7.5) se demuestra mediante el lema 7.3. Consideremos la superficie S de la definici
on
7.10 y as d TS (x0 ) existe : A R Rn , 0 A con gi ((t)) = 0, hj ((t)) 0 (t A) y
adem
as (0) = x0 tal que 0 (0) = d.
Si x0 es soluci
on del problema 7.2 entonces existe r > 0 tal que f (x0 ) f (x) x B(x0 , r) S.
Juntando esto con lo anterior tenemos que
f (x0 ) = f ((0)) f ((t)) t (1 , 1 )
Dado esto, t0 = 0 minimiza f ((t)) entonces

d
f ((t))
= f (x0 ) 0 (0) = 0
dt
t=0
y dado que x0 es un vector regular de 7.2 tambien lo es de S por como definimos J(x0 ).
En consecuencia, todo vector d en el espacio tangente TS (x0 ) a S en x0 esta dado por d = 0 (0) para
alguna funci
on 0 (t) y de esta forma f (x0 ) es una combinacion lineal de {gi (x0 ), hj (x0 )} i
I, j J(x0 ).
El lema 7.3 nos dice que si x0 es un mnimo local de f restringido a S, lo anterior es equivalente
a que f (x0 ) d = 0 para d TS (x0 ), es decir f (x0 ) NS (x0 ) lo que implica que
X
X
f (x0 ) +
i gi (x0 ) +
j hj (x0 ) = 0
iI
jJ(x0 )
De esto u
ltimo tenemos que f (x0 ) TS (x0 ) ya que por definicion de TS (x0 ) y NS (x0 ) tenemos
que TS (x0 ) = NS (x0 ) lo que nos lleva a TS (x0 ) = NS (x0 ) y as j = 0 j
/ J(x0 ), entonces
X
X
f (x0 ) +
i gi (x0 ) +
j hj (x0 ) = 0
iI
jJ
204
La condici
on (7.6) se demuestra directamente a partir de lo siguiente: Dado cualquier j tal que
1 j m pueden ocurrir uno de los siguientes casos:
1. j J(x0 ) y en tal caso hj (x0 ) = 0
2. j
/ J(x0 ) y en tal caso j = 0
Finalmente, la condici
on (7.9) se demuestra por contradiccion. Supongamos que j < 0 y hj (x0 ) <
0 para alg
un j tal que 1 j m y j
/ J(x0 ), como el multiplicador no se anula debera cumplirse
que j J ya que j
/ J(x0 ) en caso de que j = 0. De acuerdo al lema 7.3 existe d TS (x0 ) tal
que d hj (x0 ) < 0 y as
X
X
f (x0 ) d =
i (gi (x0 ) d) +
j (hj (x0 ) d)
iI
jJ
Se obtiene

d
= f (x0 ) d
f ((t))
dt
t=0
X
X
=
i (gi (x0 ) d)
j (hj (x0 ) d)
iI
jJ
= j (hj (x0 ) d)
<0
y se contradice el hecho de que t0 = 0 minimiza (t) y que x0 es solucion de 7.2 por lo que existira
t (2 , 2 ) tal que (t) (0).

Bajo ciertas condiciones se tiene que TS (x0 ) = LS (x0 ), una de estas condiciones es la siguiente:
Definici
on 7.12. (Condiciones de Mangasarian-Fromovitz)
Diremos que x0 S es regular si se cumplen
1. {gi (x0 ) : i I} es linealmente independiente.
2. d Rn tal que gi (x0 ) d = 0 i I y ademas hj (x0 ) d < 0 j J(x0 ).
Para lo cual una condici
on suficiente (y no necesaria) es que
{gi (x0 )}iI {hj (x0 )}jJ(x0 )
sea linealmente independiente.
Antes de presentar la segunda versi
on del teorema nos sera de enorme utilidad el siguiente resultado:
Teorema 7.13. Bajo condiciones de regularidad de Mangasarian-Fromovitz se tiene que TS (x0 ) =
LS (x0 )
Demostraci
on.linea en blanco
TS (x0 ) LS (x0 ): Si d TS (x0 ) entonces existen xn S y tn 0 tales que d = lmn (xn
x0 )/tn . Luego para todo j J(x0 ) se cumple que hj (xk ) hj (x0 ) 0 y la expansion de Taylor
sobre hj da el siguiente resultado:
hj (x0 ) + hj (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k) 0
205
Diviendo por tn y tomando lmite cuando n se tendra que R1 0 y como hj (x0 ) = 0 para
el caso j J(x0 ) se concluye que
hj (x0 ) d 0
Es an
alogo para verificar que gi (x0 ) d = 0.
LS (x0 ) TS (x0 ): Sea d LS (x0 ) y consideremos el sistema no lineal en las variables (t, u)
gi (x + td + Au) = 0, i I
donde A es la matriz cuyas columnas son gi (x0 ). El punto (t, u) = 0 es solucion del sistema y
la matriz Jacobiana respecto de u en 0 es AT A la cual es invertible de acuerdo a las condiciones
de regularidad establecidas. Por medio del teorema de la funcion implcita es posible concluir que
existe una soluci
on u(t) diferenciable en torno a t = 0 con u(t) = 0. De esta forma se tiene que
x0 (t) = x0 + td + Au(t)
satisface la igualdad gi (x0 (t)) = 0 i I, t B(0, r). De esto es posible concluir que

du(t)
d
gi (x0 (t))(0) = gi (x0 ) d + A

dt
dt
t=0
a partir de gi (x0 ) d = 0 y la invertibilidad AT A se concluye que

du(t)
dx(t)
= 0 y por lo tanto
=d
dt t=0
dt t=0
La trayectoria x0 (t) satisface las igualdades gi (x0 (t)) = 0.
Para las desigualdades tenemos dos alternativas:
d LS (x0 ) suponiendo desigualdades estrictas: Tenemos que hj (x0 ) d < 0 j J(x0 ). En tal
caso, dado que
hj (x0 (t)) = hj (x0 ) + thj (x0 ) d + tr(t)
con r(t) 0 en la medida que t 0, se tiene que hj (x0 (t)) < 0 j J con t 0.
Lo anterior demuestra que x0 (t) S cuando t 0 y dado que d = lmn (xn x0 )/tn para
cualquier sucesi
on {tn }nN 0+ y se concluye que d TS (x0 ).
d LS (x0 ) sin suponer desigualdades estrictas: Para cada > 0, el vector d = d + d0 LS (x0 )
y satisface las desigualdades estrictas hj (x0 ) d < 0 j J(x0 ). De la segunda parte de la
demostraci
on se concluye que d TS (x0 ). Como TS (x0 ) es cerrado, en la medida que 0 se
concluye que d TS (x0 ).

Teniendo el teorema anterior en mente podemos enunciar la segunda version del teorema y la
demostraci
on se simplifica considerablemente.
Teorema 7.14. (Teorema de Karush-Kuhn-Tucker, segunda version)
Una condici
on necesaria para que x0 S sea soluci
on del problema 7.2 tal que TS (x0 ) = LS (x0 )
(por ejemplo bajo condiciones de Mangasarian-Fromovitz) es que exista un vector (, ) Rk Rm
+
206
tal que
x L(x0 , , ) = f (x0 ) +
i gi (x0 ) +
iI
j hj (x0 ) = 0
(7.10)
jJ
j hj (x0 ) = 0 j J
(7.11)
gi (x0 ) = 0 i I
(7.12)
hj (x0 ) 0 j J
(7.13)
j 0 j J
(7.14)
Cuando f, gi , hi son convexas las condiciones descritas son suficientes para que x0 sea un mnimo
de f en S.
Demostraci
on. (Utilizando el lema de Farkas)
De la condici
on necesaria se tiene que x0 es un mnimo local de f en S si
f (x0 ) d 0 d TS (x0 )
Luego, cumplendose las condiciones de Mangasarian-Fromovitz se tiene que TS (x0 ) = LS (x0 ) y
ser
a posible aplicar el lema de Farkas (lema 7.2).
El lema nos dice que dado Ad 0 se cumple que b d 0. La condicion gi (x0 ) d = 0 i I se
puede expresar convenientemente como
gi (x0 ) d 0
gi (x0 ) d 0 i I
y dado que hj (x0 ) d 0, j J(x0 ) podemos definir la matriz
gi (x0 )T
A = gi (x0 )T
y el vector b = f (x0 )
hj (x0 )T
iI
jJ(x0 )
Tambien el lema nos dice que lo anterior es valido si dado b Rn existe p Rm

+ tal que
AT p b, p 0
De acuerdo al teorema 7.11 el vector p 6= 0 puede ser escogido con componentes
(p1i , p2i , pj )iI, jJ(x0 ) donde no todas las componentes son nulas, entonces
X
X
f (x0 ) =
(p2i p1i )gi (x0 )
pj hj (x0 )
iI
jJ(x0 )
Definiendo i = p2i p1i y j = pj se tiene

X
X
f (x0 ) =
i gi (x0 )
j hj (x0 )
iI
jJ(x0 )
En caso de que f (x0 ) = 0 no se cumple la condicion suficiente (y no necesaria) de independencia

lineal de los gradientes de las restricciones, este caso lleva a
X
X
X
i gi (x0 ) +
j hj (x0 ) = 0
j hj (x0 ) = 0
iI
jJ(x0 )
jJ(x0 )
207
Para el caso f (x0 ) 6= 0 se obtiene

X
X
f (x0 ) +
i gi (x0 ) +
j hj (x0 ) = 0
iI
(*)
jJ(x0 )
Finalmente, si alguna restricci

on hj no participa en la estructura de S entonces hj (x0 ) < 0 j
/
J(x0 ) y se puede definir j = 0 j
/ J(x0 ). Entonces existe (, ) Rk Rm
tal
que
+
f (x0 ) +
X
iI
i gi (x0 ) +
j hj (x0 ) = 0
jJ
j hj (x0 ) = 0 j J
j 0 j J

En las u
ltimas condiciones encontradas la primera se conoce como condicion de primer orden y
la segunda como condici
on de holgura complementaria y exige que los multiplicadores asociados
a las restricciones inactivas sean nulos. En otras palabras, solo las restricciones activas deben ser
tomadas en consideraci
on.
Definici
on 7.13. El conjunto de todos los multiplicadores (, ) Rk Rm
+ que satisfacen las
condiciones del teorema de Karush-Kuhn-Tucker sera denotado (x0 ). Notese que bajo la condici
on
de independencia lineal el conjunto (x0 ) se reduce a un u
nico vector.
Con lo ya discutido en la secci
on 7.2 el teorema 7.12 tambien es valido para la maximizacion si
consideramos restricciones de la forma hj (x0 ) 0 j J. Una condicion necesaria para que un
vector regular y factible x0 sea m
aximo de f en S es que se cumplan las condiciones que describe
el teorema y cuando f, gi , hj son c
oncavas la condicion es suficiente. Los multiplicadores j siguen
siendo no negativos para el caso de maximizacion.
Respecto de los signos de los multiplicadores, no hay restriccion de signo para los multiplicadores
asociados a las restricciones de igualdad. En el caso de restricciones de desigualdad, el signo de los
multiplicadores depende de si estamos empleando un criterio de maximizacion o minimizacion y si
las restricciones se dejan como mayores o iguales a cero.
Si el problema es de minimizaci
on sujeto a restricciones de menor o igual entonces los multiplicadores son mayores o iguales a cero y se incluyen con signo positivo en la funcion Lagrangeano. Si
estamos maximizando con restricciones de mayor o igual no cambia el signo de los multiplicadores.
7.4.2. Condiciones de segundo orden para extremos restringidos
Definici
on 7.14. De manera similar a como se hizo en la seccion 7.2.2 definiremos el conjunto de
direcciones crticas para un problema de minimizacion como
K(x0 ) = {d Rn : gi (x0 ) d = 0 i I, hj (x0 ) d 0 j J(x0 ), f (x0 ) d 0}
Teorema 7.15. (Condici
on necesaria de segundo orden)
Sea x0 un mnimo local del problema 7.2 bajo las condiciones de Mangasarian-Fromovitz. Entonces,
para todo d K(x0 ) existe un multiplicador (, ) (x0 ) tal que
dT (Hx L(x0 , , ))d 0
208
Demostraci
on. Por simplicidad se demostrara considerando hipotesis de independencia lineal. Sea
d K(x0 ), definamos Jd (x0 ) = {j J(x0 ) : hj (x0 ) d = 0}, y consideremos el sistema
gi (x)
0 i I
hj (x)
0 j Jd (x0 )
De manera an
aloga a la demostraci
on del teorema 7.13, en virtud del teorema de la funcion implcita,
es posible encontrar una trayectoria x(t) de clase C 2 en torno a t = 0, la cual cumple que gi (x(t)) =
0 i I hj (x(t)) = 0 i Jd (x0 ), con x(0) = 0 y
d
x(0) = d
dt
Ya que cada una de las restricciones hj (x0 ) 0 son continuas para t 0 tendremos que hj (x(t)) <
0 j J \ Jd (x0 ), de manera que x(t) S para todo t 0.
Por otra parte, como x0 es mnimo local del problema 7.2 y x(t) es factible, entonces t = 0 genera
un mnimo local de f en S si evaluamos f en x(t). Luego, dado que f (x0 ) d = 0 ya que d es
arbitrario, se deduce que
0
d2
d2
f (x(0)) = dT (Hx f (x0 ))d + f (x0 ) 2 x(0)
2
dt
dt
(*)
An
alogamente obtenemos
d2
gi (x(0)) =
dt2
d2
0 2 hj (x(0)) =
dt
0
d2
x(0) i I
dt2
d2
dT (Hx hj (x0 ))d + hj (x0 ) 2 x(0) j Jd (x0 )
dt
dT (Hx gi (x0 ))d + gi (x0 )
multiplicando estas igualdades por i y j respectivamente y sumando a (*) obtenemos

0 dT (Hx L(x0 , , ))d

Teorema 7.16. (Condici
on sufiente de segundo orden)
Sea x0 un vector factible del problema 7.2 y supongamos que cumple que para todo d K(x0 ) \ {0}
existe (, ) (x0 ) tal que
dT (Hx L(x0 , , ))d > 0
Entonces x0 es un mnimo local estricto.
Demostraci
on. Procederemos por contradiccion. Si x0 no es un mnimo local estricto entonces
existe xn S tal que xn x0 y f (xn ) f (x0 ) para xn 6= x0 .
Definamos
dn =
xn x0
kxn x0 k
tal que kdn k = 1 y entonces {dn } es acotada por lo que tiene una subsucesion convergente.
En efecto, podemos suponer que converge a d0 K(x0 ) \ {0}. Probemos entonces que d0 es
una direcci
on crtica. De manera similar a la demostracion del teorema 7.2 el suponer que d0
K(x0 ) \ {0} conduce a que d0 TS (x0 ) \ {0} y ademas se tiene que TS (x0 ) LS (x0 ). Por otra
parte, la expansi
on de Taylor de f (xn ) esta dada por
f (x0 ) + f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k) 0
209
esto m
as la condici
on f (xn ) f (x0 ) conducen a
f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k) 0
diviendo por kxn x0 k y tomando lmite cuando n resulta
f (x0 ) d0 0
Sea (, ) el multiplicador asociado a d en la condicion suficiente de segundo orden. Como
L(x, , ) es de clase C 2 en x y (, ) (x0 ), entonces la expansion de Taylor de L(xn , , )
corresponde a
1
L(x0 , , ) + (xn x0 )T (Hx L(x0 , , ))(xn x0 ) + kxn x0 k2 R1 (kxn x0 k)
2
(*)
Por otra parte, de las condiciones de Karush-Kuhn-Tucker se tiene que

L(xn , , ) f (xn ) f (x0 ) = L(x0 , , )
lo cual determina que L(xn , , ) L(x0 , , ) y este resultado mas la ecuacion (*) conducen a
1
(xn x0 )T (Hx L(x0 , , ))(xn x0 ) + kxn x0 k2 R1 (kxn x0 k) 0
2
diviendo por kxn x0 k y tomando lmite cuando n resulta
dT (Hx L(x0 , , ))d 0
lo cual es una contradicci
on.
De la misma forma que como sucede en el teorema 7.8, para el teorema anterior basta con que el
Hessiano del Lagrangreano solo con respecto a x sea definido positivo en el conjunto de direcciones
crticas y no en cualquier direcci
on arbitraria. Las condiciones suficientes de segundo orden no
requiren condiciones de Mangasarian-Fromovitz ni tampoco de independencia lineal.
Para el caso de maximizaci
on basta con cambiar el sentido de las desigualdades para la condici
on
necesaria y la condici
on suficiente de segundo orden pues en este caso el conjunto de direcciones
crticas se define
K(x0 ) = {d Rn : gi (x0 ) d = 0 i I, hj (x0 ) d 0 j J(x0 ), f (x0 ) d 0}
7.4.3. Interpretaci
on econ
omica del teorema de Karush-Kuhn-Tucker
En el caso de las empresas competitivas resulta razonable suponer que su objetivo es la maximizaci
on de beneficios econ
omicos. Simplificando la realidad de una empresa podemos decir que esta
es monoproductora y elige un nivel de produccion y R+ , dado el precio de venta p R++ de su
producto el cual es determinado ex
ogenamente.
Podemos decir que la empresa tiene una funcion de produccion (o de transformacion de insumos)
y = f (x) donde y > 0 es el nivel de produccion escogido y x Rn+ es el vector de insumos utilizados
en la producci
on. Esta funci
on la definiremos como
f (x) = m
ax(y) tal que (y, x) Y, Y = {(y, x) R+ Rn+ f (x) y}
210
Cada insumo tiene un costo unitario wi > 0, lo que se traduce en un vector de costos w Rn+ .
Entonces la empresa debe resolver las siguientes ecuaciones:
(p, w)
sup pf (x) w x
xRn
+
x(p, w)
arg max pf (x) w x
xRn
+
(p, w) corresponde a la funci

on de beneficios y da cuenta de la diferencia entre ingreso y costos.
No hemos hecho los suficientes supuestos para asegurar que se alcanza un maximo beneficio (por
ejemplo: y(p) 6= ), entonces no podemos reemplazar sup por max ignorando que son diferentes
conceptualmente hablando. En particular podra darse el caso en que (p) +, lo cual sucedera
si Y no es acotado.
Lo que sigue es sobre la base de dos supuestos fuertes: Existe una u
nica decision de produccion
que efectivamente maximiza beneficios y las posibilidades de produccion estan acotadas .
La maximizaci
on de beneficios se puede separar en dos partes:
1. Primero se encuentra una combinacion de factores que permita producir a costos mnimo
dado un nivel de producci
on y.
Funci
on de costo: C(y, w)
nf
wx
x:f (x)y
Demanda por factores: X(y, w)
arg mn w x
x:f (x)y
{x : f (x) y w x = C(y, w)}
2. Encontrar un nivel de producci

on que maximice la diferencia entre los ingresos y los costos
max py C(y, w)
y0
De lo anterior ahora podemos pasar a minimizacion de costos. Supongamos que Y solo considera
como restricci
on que se puede producir a lo mas y dada la capacidad tecnologica de la empresa:
Y = {(q, x) : x Rn+ f (x) q}
El problema de minimizaci
on de costos es simila al de maximizacion de beneficios sobre el conjunto
Y si tomamos y Y y adem
as
(p, w)
y(w)
= py C(y, w)
=
(y, X(y, w))
Una construcci
on adecuada del problema de maximizacion de beneficios es la siguiente:
m
ax
xRn
+
s.a
pf (x) w x
xi 0 i {1, . . . , n}
por obvio que parezca la restricci

on es importante porque valores negativos de x carecen de sentido
en este contexto. Luego construimos el Lagrangeano del problema
L(x, w, p, ) = pf (x) w x + x
De lo cual se obtienen las siguientes condiciones
211
pf (x0 ) w + = 0
i xi0 = 0
i 0
xi0 0
Condici
on de primer orden:
Holgura complementaria:
No negatividad:
Restricci
on inicial:
i {1, . . . , n}
i {1, . . . , n}
i {1, . . . , n}
Nota 7.7. De acuerdo a la notaci

on empleada x0 = (x10 , . . . , xn0 ) Rn , es decir xi0 es la i-esima
coordenada de x0 .
La consecuencia de estas condiciones consideradas en forma simultanea es la siguiente: Para todo
i se cumplir
a que
f (x0 )
wi
p
xi
y adem
as si xi0 > 0 sabemos que i = 0 entonces para cualquier insumo que se utilice en cantidades
positivas se tendr
a
f (x0 )
= wi
p
xi
Esta condici
on en los libros de economa se expresa: El valor de producto marginal del factor en
competencia perfecta es lo que est
a dispuesta a pagar la firma (o empresa) por dicho factor. Si el
f (x0 )
costo del factor i es superior a p xi dicho factor no se utilizara.
Centremonos ahora en el problema de minimizacion de costos. Una construccion adecuada del
problema es la siguiente:
mnn w x
xR+
s.a
f (x) y
xi 0 i {1, . . . , n}
por obvio que parezca la restricci

on es importante pues valores negativos de x carecen de sentido
en este contexto. Luego construimos el Lagrangeano del problema (asumiremos f (x) = y)
L(x, w, y, , ) = w x + (q f (x)) x
Imponiendo las mismas condiciones que en el caso anterior llegamos a lo siguiente:
w f (x0 ) = 0
i xi0 = 0
i 0
f (x0 ) = y , xi0 0
Condici
on de primer orden:
No negatividad:
Restricci
on inicial:
i {1, . . . , n}
i {1, . . . , n}
i {1, . . . , n}
Estas condiciones en forma simult

anea conducen a
f (x0 )
wi i {1, . . . , n}
xi
y para todo xi0 > 0 se tiene
f (x0 )
= wi
xi
en este caso el multiplicador de Lagrange da cuenta de que el uso de los insumos o factores guarda
relaci
on con la proporci
on que existe entre el costo del factor y su productividad marginal.
212
Centremonos ahora en el problema de obtener una cantidad optima de produccion (es similar a
maximizaci
on de beneficios). Una construccion adecuada del problema es la siguiente:
max
yR+
s.a
py C(y, w)
y0
Luego construimos el Lagrangeano del problema

L(y, p, w, ) = py C(y, w) + y
Imponiendo las mismas condiciones que en el caso anterior llegamos a lo siguiente:
Condici
on de primer orden:
No negatividad:
Restricci
on inicial:
0 ,w)
p C(y
+=0
y
y0 = 0
0
y0 0
Estas condiciones en forma simult

anea conducen a
p
C(y0 , w)
y
p=
C(y0 , w)
y
si q0 > 0 se tiene
lo cual nos dice que la situaci

on
optima se logra con un nivel de produccion tal que el costo marginal
de producir una unidad adicional es igual al precio de venta del producto.
Notemos que si la soluci
on
optima de los tres problemas es (y0 , x0 ) > 0 entonces
p
y como p =
f (x0 )
f (x0 )
f (x0 )
f (x0 )
= wi
= wi p
=
p=
xi
xi
xi
xi
C(y0 ,w)
y
obtenemos
p==
C(y0 , w)
y
Lo cual tiene una conclusi

on muy importante: El multiplicador de Lagrange corresponde al precio
de equilibrio en el
optimo y la oferta de la firma, bajo los supuestos de los cuales partimos, se
determina a partir de su costo marginal cuando se iguala con el precio de venta. Sin embargo esto
u
ltimo corresponde a una condici
on necesaria y no suficiente para determinar la oferta de la firma.
Debemos tener presente que las condiciones de KKT son solo necesarias.
7.4.4. Ejemplos
Ejemplo 7.16. Francisca tiene una funcion de utilidad (o nivel de bienestar) por el consumo de
frutillas (x) y cerezas (y) de la forma
u(x, y) = x1/2 +
y
4
213
Lo que le interesa es maximizar utilidad. Sabemos que el precio de venta de cada fruta es de 1 unidad
monetaria y que cada da cuenta con un presupuesto de una unidad monetaria exclusivamente para
estas frutas.
Resuelva el problema que enfrenta Francisca utilizando multiplicadores de Lagrange y compare su
resultado con la soluci
on que se encuentra mediante Kuhn-Tucker.
Soluci
on. El problema es el siguiente:
y
4
x+y =1
x1/2 +
max
x,y
s.a
Entonces el Lagrangeano nos queda de la siguiente forma:

L(x, y, ) = x1/2 +
y
+ (1 x y)
4
Las condiciones de primer orden son las siguientes

1
L
=0
x
=0
1/2
2x0
1
=0
4
L
=0
y
L
= 0 1 x0 y0 = 0
Si igualamos en las primeras dos ecuaciones se obtiene x0 = 4 y reemplazando en la tercera

ecuaci
on se obtiene y0 = 3. Claramente esta solucion carece de sentido dada la naturaleza del
problema.
Si utilizamos Kuhn-Tucker podemos incorporar restricciones de no negatividad al problema y nos
queda de la siguiente manera:
y
max x1/2 +
x,y
4
s.a 1 x y 0
x0
y0
Entonces el Lagrangeano nos queda de la siguiente forma:
L(x, y, 1 , 2 , 3 ) = x1/2 +
y
+ 1 (1 x y) + 2 x + 3 y
4
Las condiciones de primer orden son las siguientes

L
=0
x
L
=0
y
1 + 2 = 0
1/2
2x0
1
1 + 3 = 0
4
y adem
as el teorema nos dice que debemos imponer las siguientes condiciones
1 (1 x y)
2 x =
3 y
214
Supongamos que 1 > 0 entonces de acuerdo al teorema se tiene que la primera restriccion se
cumple con igualdad.
Sin levantar nuestro supuesto digamos que 2 = 0 y 3 > 0 entonces x0 > 0 e y0 = 0 y en este
caso tenemos que tras reemplazar en la restriccion la u
nica alternativa es x0 = 1 dado que y0 = 0.
El otro caso de interes es decir que 1 > 0 y 3 = 0 entonces x0 = 0 e y0 > 0 lo cual lleva a que la
u
nica alternativa es y0 = 1 dado que x0 = 0. Resulta que el par (1, 0) del primer caso genera un
valor en la funci
on objetivo igual a f (1, 0) = 1 mientras que el par (0, 1) del segundo caso genera un
valor en la funci
on objetivo igual a f (0, 1) = 1/4 por lo que nos quedamos con la primera solucion.
Otro caso es suponer que 2 , 3 > 0 y en tal caso la utilidad es cero.

Ejemplo 7.17. Suponga que Karina es la nueva gerente de la empresa Control de Gestion S.A.
La primera medida que ha implementado como poltica de la empresa es maximizar el ingreso por
ventas teniendo en cuenta que los beneficios economicos (ingreso menos costos) de la empresa no
pueden bajar de un nivel fijo m.
El costo de publicidad en revistas corresponde a un valor a R+ . Siendo I(y, a) = py + f (a) el
ingreso que recibe la empresa, p el precio de venta, y R+ el nivel de produccion y f una funcion
creciente en el nivel de publicidad el cual es a R+ .
Sea C(y) el costo de producci
on asociado a fabricar una cantidad y determinada. Se sabe que las
funciones de ingreso y costo son funciones C 1 y ambas son crecientes en el nivel de produccion, es
decir, C/y > 0 y I/a > 0.
Un estudio de mercado encargado por la gerente revelo que y > 0. Como resolvera un problema
que permita encontrar un nivel de produccion y un gasto en publicidad (y , a ) optimo?
Soluci
on. El problema de la empresa nos queda de la siguiente forma:
m
ax
y,a
s.a
I(y, a)
(y, a) = I(y, a) C(y) a m
a0
y0
Asumamos que existe un par (y , a ) con y > 0 correspondiente a una solucion optima. El lagrangeano corresponde a:
L(y, a, 1 , 2 , 3 ) = I(y, a) + 1 (I(y, a) C(y) a m) + 2 a + 3 y
Por el teorema de KKT sabemos que 2 y = 0 e y > 0 implican 2 = 0 por lo que sin perdida de
generalidad el Lagrangeano del problema se puede escribir:
L(y, a, 1 , 2 ) = I(y, a) + 1 (I(y, a) C(y) a m) + 2 a
Si la soluci
on
optima cumple la condici
on de IL o MF, las condiciones de primer orden generan las
siguientes ecuaciones
I
C
L
= (1 + 1 )
1
=0
y
y
y
L
I
= (1 + 1 )
1 + 2 = 0
a
a
(*)
(**)
215
y adem
1 (m + I(y, a) C(y) a) = 0
(***)
2 a = 0
Como I/a > 0 y 1 0 en la ecuacion (**) tenemos que 2 1 < 0. Como 2 0, 1 debe
ser estrictamente positivo. Por lo tanto, de (***) se deduce que (y , a ) por lo que el beneficio
percibido es el mnimo aceptable.
Como 1 > 0 y C/y > 0 de la ecuacion (*) se deduce que I/y > 0 lo que nos dice que el
ingreso marginal el positivo en el
optimo.
Por otra parte, tenemos que el beneficio marginal /y en el optimo es negativo pues de otra
forma el nivel de producci
on necesariamente tendra que ser menor y los beneficios seran mayores
pues nos encontramos en la situaci
on de mnimo beneficio aceptable, la ecuacion (*) verifica esto
pues

I
C
= (1 + 1 )
(1 + 1 )
y
y
y
L(y , a ) C
=
y
y
C
= 0
y
< 0
En consecuencia, verificamos que el nivel de produccion y es mayor que el que se escogera en una
situaci
on de maximizaci
on de beneficios.

Ejemplo 7.18. Suponga que Rodrigo asume como el nuevo gerente de Energa Renovable S.A.
la cual instala calefactores solares modelo Basico (x) y modelo Premium (y). Lo que necesita
es determinar su plan de producci
on optimo. Seg
un un estudio el beneficio por cada unidad de
producto instalada est
a dado por
B
asico
Premium
800 x y
2000 x 3y
Donde x e y son las cantidades totales que instala de cada producto. Para instalacion se requiere
mano de obra y uso de maquinaria seg
un la siguiente tabla
Producto
B
asico
Premium
Disponibilidad
(horas/mes)
Recurso (horas/unidad)
Mano de obra Maquinaria
8
7
3
6
1200
2100
Se pide:
1. Plantear el problema de optimizacion y formular el Lagrangeano del problema.
216
2. Determinar todas las soluciones optimas y/o factibles.

Soluci
on. El problema es
m
ax
x,y
s.a
(800 x y)x + (2000 x 3y)y

1200 8x 3y 0
2100 7x 6y 0
x0
y0
Antes de resolver debemos determinar si las condiciones de KKT son al menos necesarias para la
maximizaci
on. Para esto tenemos que el hessiano de la funcion corresponde a

2 2
H=
2 6
que es definido negativo porque (1)1 |H1 | > 0 y (1)2 |H2 | > 0 y as la funcion es concava por
lo que las condiciones de KKT son suficientes.
El Lagrangeano corresponde a
L(x, )
(800 x y)x + (2000 x 3y)y

+1 (1200 8x 3y) + 2 (2100 7x 6y) + 3 (x 0) + 4 (y 0)
Entonces las condiciones de primer orden generan el siguiente sistema

800 2x 2y 81 72 + 3
=0
2000 2x 6y 31 62 + 4 = 0
y adem
1 (1200 8x 3y) = 0 1 0
2 (2100 7x 6y) = 0 2 0
3 x = 0 3 0
4 y = 0 4 0
Sea x0 > 0 e y0 > 0, dejaremos de tarea los casos (x0 = 0, y0 > 0) y (x0 > 0, y0 = 0). Tenemos que
3 = 0 y 4 = 0 y sobre este resultado pueden pasar cuatro cosas
Caso 1: (1200 8x 3y = 0) y (2100 7x 6y = 0)
Entonces 1 > 0 y 2 > 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 81 72 = 0
2000 2x 6y 31 62 = 0
1200 8x 3y = 0
2100 7x 6y = 0
x>0
y>0
Para resolver se desarrolla el sistema
2 2
2 6
8 3
7 6
8
3
0
0
7
x
800

6
y = 2000
0 1 1200
0
2
2100
217
y se obtiene
x0 = 33,
3
y0 = 311, 1
1 = 7, 407
2 = 7, 407
que es una soluci

on
optima y factible.
Caso 2: (1200 8x 3y 6= 0) y (2100 7x 6y = 0)
Entonces 1 = 0 y 2 > 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 72 = 0
2000 2x 6y 62 = 0
1200 8x 3y > 0
2100 7x 6y = 0
x>0
y>0
2
2
8
7
2
6
3
6
7
800
x
6
y = 2000
0
2100
2
0
y se obtiene
x0 = 39, 394
y0 = 304, 04
2 = 16, 162
que es una soluci

on
optima pero no factible.
Caso 3: (1200 8x 3y = 0) y (2100 7x 6y 6= 0)
Entonces 1 > 0 y 2 = 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 81 = 0
2000 2x 6y 31 = 0
1200 8x 3y = 0
2100 7x 6y > 0
x>0
y>0
2 2
2 6
8 3
8
x
800
3 y = 2000
0
1
1200
y se obtiene
x0 = 31, 373
y0 = 316, 34
que es una soluci

on
Caso 4: (1200 8x 3y 6= 0) y (2100 7x 6y 6= 0)
1 = 13, 072
218
Entonces 1 = 0 y 2 = 0 por lo que las condiciones de KKT se reducen a

800 2x 2y = 0
2000 2x 6y = 0
1200 8x 3y > 0
2100 7x 6y > 0
x>0
y>0

2
2

2
x
800
=
6
y
2000
y se obtiene
x0 = 100
y0 = 300
que es una soluci

on
Ejemplo 7.19. Aldo tiene la posibilidad de invertir en n activos x1 , . . . , xn que ofrecen una tasa
de retorno aleatoria r1 , . . . , rn respectivamente y cada activo tiene una tasa de retorno promedio
r0i = E(ri ) paraPi = 1, . . . , n y la covarianza del activo i con el activo j es ij para j = 1, . . . , n. El
n
portafolio y = i=1 ri xi formado por todos los activos tiene una tasa media de retorno dada por
E(y) =
n
X
r0i xi
i=1
mientras que la varianza de la inversi

on esta dada por
2 = E[( )2 ] =
n X
n
X
xi ij xj
i=1 j=1
Lo que le interesa al inversionista es minimizar la volatilidad de la inversion. Plantee el problema

y encuentre la soluci
on.
Soluci
on. El enunciado se traduce en el siguiente problema:
mn
x
s.a
n X
n
X
xi ij xj
i=1 j=1
n
X
r0i xi
i=1
= y0 ,
n
X
xi = 1
i=1
xi 0 i = 1, . . . , n
la u
ltima restricci
on nos sirve para normalizar las cantidades invertidas y si los pesos relativos
suman uno, bastar
a con ponderar la solucion optima por alg
un escalar y se obtiene la cantidad
pedida.
La funci
on lagrangeano para este problema es
L(x, , ) =
n X
n
X
i=1 j=1
xi ij xj + 1
y0
n
X
i=1
!
r0i xi
+ 2
n
X
i=1
!
xi
n
X
i=1
i (0 xi )
219
Si la soluci
on es interior, es decir xi > 0 i se puede derivar con respecto a xi y la condicion de
primer orden nos queda como sigue:
n
X
ij xj 1 r0i 2 = 0
j=1
Es posible expresar esta condici

on considerando todos los activos, esto se obtiene con una expresi
on
vectorial dada por
2Qx0 1 e 2 r = 0
donde Q denota la matriz de covarianzas, e es la suma de los vectores canonicos de Rn ei =
(0, . . . , 1, . . . , 0) y r 0 = (r01 , . . . , r0n ). Como la solucion es interior todos los i son cero. Luego, si e
y r 0 son linealmente independientes el teorema de Kuhn-Tucker es valido, en otro caso la validez
no se pierde porque las restricciones son lineales.
Si Q es invertible, entonces
x0 =

1
Q1 1 e + Q1 2 r
2
y as se obtendr
an las soluciones (x10 , . . . , xn0 )
Por sustituci
on
x0 e = 1
x0 r 0 = y0
entonces
1
1
e (Q1 e)1 + e (Q1 r 0 )2
2
2
1
1
1
y0 = x0 r = r 0 (Q e)1 + r (Q1 r 0 )2
2
2
1 = x0 e =
como esto genera un sistema de ecuaciones se puede resolver para despejar 1 y 2 que son escalares
de la forma a + bx y se obtiene
1 = a1 + b1 y0
2 = a2 + b2 y0
donde a y b son constantes que dependen del sistema anterior. Retomando la ecuacion
x0 e = 1
x0 r 0 = y0
si reemplazamos 1 y 2 se llega a
x0 = y0 d + w
n
donde d y w son vectores de R que dependen de Q y r 0 , luego la varianza de la inversion es

2 = (y0 d + w) [Q(y0 d + w)] = (y0 + )2 +
donde , y dependen de Q y r 0 .
En base a esto se puede construir una frontera de portafolios eficientes. Cada portafolio eficiente
corresponde a un promedio ponderado de dos portafolios que se encuentren en la frontera de
eficiencia como se ve en la siguiente figura:
220

y0
= y0 +
r0f
Frontera de eficiencia
Figura 7.7: Frontera de eficiencia.

Podramos extendernos mucho m
as sobre optimizacion pero, de acuerdo a los objetivos del curso, con lo ya expuesto hemos presentado toda la base e incluso muchos mas temas que en un
curso de c
alculo multivariable habitual o estandar. Karush-Kuhn-Tucker nos da la base para la
Programaci
on Lineal y muchos metodos eficientes que se tratan en cursos superiores.
221
7.5. Ejercicios
Teorema de los multiplicadores de Lagrange
Ejercicio 9. Demuestre la siguiente version del Teorema de los Multiplicadores de Lagrange:
Sea n 2 y D Rn abierto. Sean f, g : D R funciones C 1 en D. Supongamos que la restricci
on
de f al conjunto = {x Rn : g(x) = 0} tiene un punto crtico en a . Entonces (, ) con
componentes no nulas tales que
f (a) + g(a) = 0
(*)
Sugerimos los siguientes pasos:

1. Explique por que si g(a) = 0 se cumple el teorema.
2. Suponga que g(a) 6= 0. Sin perdida de generalidad, podemos suponer entonces que
0. Explique la validez de este supuesto.
g(a)
xn
6=
3. Pruebe que U Rn1 que contiene a c = (a1 , . . . , an1 ) y una funcion : U R tal que
(c) = an e (y, (y)) y U .
4. Defina : U R por (y) = f (y, (y)). Muestre que para k {1, . . . , n 1} se cumple que
f (a) f (a) (c)
+
=0
xk
xn
xk
5. Encuentre una expresi
on para (c) en funcion de g o sus derivadas y concluya.
Indicaci
on. Encuentre (, ) tal que la ecuacion (*) se cumpla para las primeras n 1 coordenadas
y verifique y verifique que con esos mismos valores la ecuacion tambien se cumple para la n-esima
coordenada.
Ejercicio 10. Demuestre que si se tienen n n
umeros positivos entonces el problema:
mn
x
s.a
n
X
i=1
n
Y
xi
xi = 1, xi 0 i {1, . . . , n}
i=1
Nos permite encontrar la igualdad

n
1X
xi
n i=1
n
Y
!1/n
xi
i=1
Ejercicio 11. Deduzca que el siguiente problema:

m
ax
x
s.a
n
Y
i=1
n
X
xi
xi = 1, xi 0 i {1, . . . , n}
i=1
Nos permite obtener la misma igualdad del problema anterior.
Notaci
on
adh(A)
B(x0 , r)
B(x0 , r)
A
R+
R++
K(x)
:=
A\B
Df
hf i
NS (x)
TS (x)
Cn
fr(A)
f
Hf
Hx f
int(A)
ej
4f
7
xy
Adherencia de A
Bola abierta de centro x0 y radio r
Bola cerrada de centro x0 y radio r
Complemento ortogonal de A
Conjunto de los reales mayores o iguales a cero
Conjunto de los reales estrictamente positivos
Conjunto de direcciones crticas del e.v. S en x
Definido por
Diferencia entre A y B
Diferencial de f
Espacio vectorial generado por el gradiente de f
Espacio vectorial normal al e.v. S en x
Espacio vectorial tangente al e.v. S en x
Familia de las funciones con n-esimas derivadas parciales continuas
Frontera de A (puede escribirse A)
Gradiente de f (vector derivada)
Hessiano de f
Hessiano de f s
olo con respecto al vector x
Interior de A
j-esimo elemento de la base canonica de Rn
Laplaciano de f (sumatoria de todas las segundas derivadas parciales)
Mapeo o transformacion que describe una funcion
Producto interno entre x e y
223
Bibliografa
1. Amaya, J. Optimizaci
on Para Estudiantes de Ingeniera. Departamento de Ingeniera
Matem
atica, Universidad de Chile, 2010.
2. Apostol, T. Calculus vol II. Wiley, 1969.
3. Belmar, C., Leiva F. Curso Completo de Introducci
on a la Microeconoma. Departamento de Economa, Universidad de Chile, 2004.
4. Berge, C. Espaces Topologiques: Fonctions Mulivoques. Dunod, 1959.
5. Bertsekas, D. Nonlinear Programming. Athena Scientific, 1995.
6. Border, K., Aliprantis, C. Infinite Dimensional Analysis. Springer, 2006.
7. Border, K. Fixed Point Theorems with Applications to Economics and Game
Theory. Cambridge University Press, 1989.
8. Boyd, S., Vandenberghe, L. Convex Optimization. Cambridge University Press, 2009.
9. Buck, C. Advanced Calculus. Mc Graw-Hill, 1965.
10. Cartan, H. C
alculo Diferencial. Omega, 1972.
11. Cominetti, R., Jofre A. Introducci
on a la Programaci
on Matem
atica. IV Simposio
Chileno de Matem
atica, 1993.
12. Fleming, W. Funciones de Varias Variables. CECSA, 1969.
13. Jehle, G. Advanced Microeconomic Theory. Addison Wesley, 2000.
14. Karush, W. Minima of Functions of Several Variables with Inequalities as Side
Constraints. M. Sc. Dissertation, Dept. of Mathematics, University of Chicago, 1939.
15. Kolmogorov, A., Fomin, S. Introductory Real Analysis. Dover Publications, 1975.
16. Kopka, H., Daly, P. Guide to LATEX. Addison-Wesley, 2003.
17. Krell, R., Rojas, E., Torres-Martnez, J. Apuntes de Microeconoma I: Teora del Consumidor. Departamento de Economa, Universidad de Chile, 2009.
18. Kuhn, H., Tucker, W. Nonlinear Programming. Proceedings of 2nd Berkeley Symposium,
University of California Press, 1951.
19. Luenberger, D., Ye, Y. Linear and Nonlinear Programming. Springer, 2008.
225
20. Mathworks Team. Learning Matlab 6 Student Version. Mathworks, 2001.

21. Mas Colell, A., Whinston, D., Green, J. Microeconomic Theory. Oxford University Press,
1995.
22. Nocedal, J., Wright S. Numerical Optimization. Springer, 1999.
23. Ok, E. Real Analysis with Economic Applications. Princeton University Press, 2007.
24. Ortiz, C., Varas, S., Vera, J. Optimizaci
on y Modelos Para la Gesti
on. Dolmen Ediciones, 2000.
25. Piskunov, N. C
alculo Diferencial e Integral, (vol. I y II). Editorial MIR, 1970.
26. Rivera, J. Microeconoma II: Apunte de Curso. Departamento de Economa, Universidad de Chile, 2008.
27. Rosenlicht, M. Introduction to Analysis. Dover Publications, 1985.
28. Royden, H. Real Analysis. Macmillan Company, 1968.
29. Ruszczy
nski, A. Nonlinear Optimization. Princeton University Press, 2006.
30. Simon, C., Blume, L. Mathematics for Economists. W.W. Norton & Company, 1994.
31. Spivak, M. Calculus. Publish or Perish, 2008.
32. Stewart, J. C
alculo Multivariable. Thomson Learning, 2006.
33. Takayama, A. Mathematical Economics. Cambridge University Press, 1985.
34. Torres-Martnez, J.P. Apuntes de Matem
atica Para Microeconoma Avanzada. Departamento de Economa, Universidad de Chile, 2010.
35. Varian, H. Microeconomic Analysis. W.W Norton & Company, 1992.
226
Indice alfab
etico
Angulo
entre vectores, 7
Adherencia, 10
Adherencia o cerradura, 131
Aproximaci
on
de primer orden, 21
Argumento
de una funci
on, 8
Base
can
onica, 6
Biyectividad
de la aproximaci
on lineal, 147
de una funci
on, 147
Bola
abierta, 9, 129
cerrada, 9
Centro de masa, 107
Combinaci
on
convexa, 136
de funciones diferenciables, 26
lineal, 136
Composici
on
de funciones continuas, 32
Condici
on necesaria
de primer orden
para extremos sin restricciones, 170
de segundo orden
para extremos con restricciones, 207
Condici
on suficiente
de primer orden
de segundo orden
para extremos con restricciones, 208
Condiciones
de Mangasarian-Fromovitz, 204
Condiciones de 1er orden
para extremos restringidos, 67, 173, 201

Condiciones de 2do orden
para extremos restringidos, 69, 177, 207
Conjunto
Rn , 6
v-medible, 106, 162
abierto, 9, 10, 129, 131, 132
cerrado, 9, 10, 130132
compacto, 132
convexo, 136
de direcciones crticas, 70, 177
de nivel, 8
secuencialmente compacto, 133
vaco, 9, 130
Continuidad
de las derivadas parciales, 150
de una funcion, 8, 17, 22, 24
del diferencial, 32
uniforme, 135
Contraccion, 144
Convexidad
del epgrafo, 61
del hipografo, 65
Coordenadas
esfericas, 28, 147
Corolario
del teorema
del punto fijo de Banach, 148
del valor medio, 148
Curva
de nivel, 8
Dependencia
lineal, 176
Derivacion
implcita, 30, 151
Derivada
227
direccional, 35
parcial, 19
Derivado, 10, 131
Descomposici
on, 162
Desigualdad
de Cauchy-Schwarz, 6, 23
triangular, 7, 117
Di
ametro
de una descomposici
on, 162
Difeomorfismo, 106, 161
Diferenciabilidad
de una funci
on, 21, 22, 24, 26
Diferencial
de una funci
on, 21
Dimensi
on
finita, 134
infinita, 134
Direcci
on
de m
aximo crecimiento, 36
tangente, 36
Distancia
entre vectores, 122
Dominio
de tipo 1, 94, 100
de tipo 2, 94, 101
de tipo 3, 94, 101
de tipo 4, 101
elemental, 94, 101
Epgrafo
de una funci
on, 61
Espacio
de Banach, 125, 144
linealizante, 202
normado, 129
normal, 171, 173, 174, 201
tangente, 169, 173, 174, 201
vectorial, 6, 117, 136
Rn , 6
vectorial normado, 117
Estructura geometrica
de Rn , 6
Existencia
de la aproximaci
on lineal de 1er orden, 26
de soluciones
de la funci
on Lagrangeano, 176
para EDO, 145
de soluciones de una ecuaci
on, 146
Extensi
on
de la clase de
funciones integrables, 89, 97

de la integral de Riemann, 109
Extremo
local, 55
Extremos
de funciones con valores reales, 54
Frontera, 10, 132, 162
Funcion
v-integrable, 106, 163
a valores en Rm , 8
acotada, 83
acotada en R, 96
biyectiva, 147
concava, 65
continua, 17, 127
convexa, 6164
coordenada, 15
de clase C 1 , 25, 48, 104, 160
de clase C 2 , 48
de clase C , 51
diferenciable, 20, 21, 25
estrictamente concava, 65
estrictamente convexa, 6164
indicatriz, 94, 100
integrable, 8385, 88, 90, 91, 93, 96, 97
integrable en R, 86, 96
inversa, 147
Lagrangeano, 67
lineal afn, 21, 25, 147
Riemann integrable, 82, 96
Funciones
coordenadas, 8, 21
de una variable, 22
Funciones integrables, 96
propiedades, 86
Geometra
de Rn , 6
Gradiente
de una funcion, 22, 32
Grafo
de una funcion, 8, 21, 37
Hipersuperficie, 36
Hipografo
de una funcion, 61
Homogeneidad, 7
Imagen
228
por funciones, 8
Integraci
on
de sucesiones de funciones, 88, 97
Integral
de Lebesgue, 109
de Riemann, 82, 109
de Riemann en Rn , 95
Propiedades b
asicas, 96
en R2 sobre dominios generales, 93
en Rn sobre dominios generales, 100
en coordenadas polares, 106
Interior, 10, 132
Lmite
de una funci
on, 8, 11, 13
de una sucesi
on, 123
unicidad, 14
uniforme, 127
de funciones continuas, 127
Laplaciano
de una funci
on, 48
Lema
de Farkas, 200
Linealidad, 6, 86, 96
Longitud
de un vector, 6
m-equipartici
on, 81, 95
M
aximo
de una funci
on, 2
global, 65
local, 55, 59, 65, 6770, 178
local estricto, 180
Metodo
de Picard, 146
Mnimo
de una funci
on, 2
global, 64
local, 55, 59, 64, 6770, 175, 177
local estricto, 178
Matriz
de cofactores, 150
definida negativa, 58
definida positiva, 57
Hessiana, 52, 56
Jacobiana, 21, 22, 26, 173
representante, 147
semi-definida negativa, 58
semi-definida positiva, 58
simetrica, 56
Momento de inercia, 108

Monotona, 86, 96
Multiplicador
de Lagrange, 67
Norma, 6, 117
1, 117
, 117
de una matriz, 23
euclideana, 117
Frobenius, 23
infinito o uniforme, 117
propiedades, 7
Normas
equivalentes, 122, 131, 135
Ortogonalidad
del gradiente, 36
Plano
tangente, 21, 36, 37
Polinomio, 51
Positividad, 6, 7
Problema
de maximizacion, 67, 70, 173, 207
de minimizacion, 67, 70, 169, 173, 175
de optimizacion, 174
de punto fijo, 143, 144
Producto
interno, 6
propiedades, 6
por escalar
en Rn , 6
punto, 6, 7
Propiedades
de los abiertos, 129
Punto
adherente, 10
aislado, 17
de acumulacion, 10, 129
fijo de Banach, 144
frontera, 10
interior, 10, 129
silla, 68
Puntos
extremos, 68
Rectangulo, 81, 95
Regla
de Cramer, 150
229
de la cadena, 27
de Leibniz
de derivaci
on, 102, 159
Selecci
on, 82, 95
Simetra, 6
de la matriz Hessiana, 52, 56
de las derivadas cruzadas, 48
Subsucesi
on, 127
convergente, 128
Sucesi
on, 9, 123
convergente, 9, 123, 124, 128
de Cauchy, 124
de funciones, 88
Suma
de Riemann, 82, 95, 162
en Rn , 6
Superficie, 36, 172174, 201
Teorema
de Bolzano Weierstrass en Rn , 129
de Bolzano-Weierstrass en R, 2
de equivalencia de normas, 122
de Fubini en R2 , 92
de Fubini en Rn , 98
de Heine-Borel, 134
de Karush-Kuhn-Tucker, 203, 205
de la envolvente, 195
de la funci
on implcita, 152
de la funci
on inversa, 147
de los incrementos finitos, 32
de los multiplicadores de Lagrange
caso general, 175
caso particular, 174
Forma geometrica, 67
de Pit
agoras, 7
de Rolle en R, 3
de Schwarz, 48
de separaci
on de convexos, 197
de Taylor de 1er orden, 50
de Taylor de 2do orden, 52
del cambio de variables, 106, 163
del coseno, 7
del punto fijo de Banach, 144
del valor intermedio en R, 2
del valor medio en R, 3, 5
del valor medio en Rn , 31
fundamental del c
alculo (2do ), 5
fundamental del c
alculo (1er ), 4
Teoremas
de convergencia, 109
Topologa
de Rn , 8
en E, 129
Transformacion
lineal, 105
no lineal, 106
Unicidad
de la aproximacion lineal
de 1er orden, 26
Valores propios
de una matriz, 57, 58
Vecindad, 18
Vectores
columna, 22
fila, 22
ortogonales, 7
Volumen
de una rectangulo, 95
230

Apunte-Calculo en Varias Variables U. de Chile

Cargado por

Copyright:

Formatos disponibles

Apunte-Calculo en Varias Variables U. de Chile

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte-Calculo en Varias Variables U. de Chile

Cargado por

Copyright:

Formatos disponibles

Universidad de Chile

Facultad de Ciencias Fsicas y Matematicas

Apunte del Curso

Con la colaboracion de:

1.1. Repaso de algunos teoremas de Calculo . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Base algebraica y geometrica de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Funciones con valores en R

1.4. Conceptos introductorios de topologa . . . . . . . . . . . . . . . . . . . . . . . . .

1.5. Lmites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5.1. Lmite de funciones de R en R

1.5.2. Continuidad de funciones de Rn en Rm

1.6.2. Gradiente de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6.4. Teorema del valor medio en Rn . . . . . . . . . . . . . . . . . . . . . . . . .

1.7. Gradiente y geometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.7.1. Caso del grafo de una funcion . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6. Diferenciabilidad de funciones de R a R

2. Derivadas de Orden Superior

2.1. Derivadas de orden superior y teorema de Taylor . . . . . . . . . . . . . . . . . . .

2.2. Extremos de funciones con valores reales . . . . . . . . . . . . . . . . . . . . . . . .

2.2.1. Condiciones de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.2. Condiciones de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5. Extremos restringidos y Multiplicadores de Lagrange . . . . . . . . . . . . . . . . .

orden para extremos restringidos . . . . . . . . . . . . .

orden para extremos restringidos . . . . . . . . . . . . .

3.1. Integral de Riemann en R

3.1.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.6. Integral en R2 sobre dominios generales . . . . . . . . . . . . . . . . . . . .

3.2. Integral de Riemann en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.5. Teorema de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.6. Integral en R sobre dominios generales . . . . . . . . . . . . . . . . . . . . 100

4.1. Normas y espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4.4. Subsucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

4.5. Conjuntos abiertos y cerrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

5.1. Teorema del punto fijo de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

6.1. Reglas de derivaci

7.1. Problema general de optimizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

1.1. Grafo de sen

2.1. Epgrafo, hipografo y grafo de una funcion . . . . . . . . . . . . . . . . . . . . . . .

3.5. El dominio del ejemplo 3.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.8. Cambio de variable, caso de una transformacion lineal . . . . . . . . . . . . . . . . 105

1.1. Repaso de algunos teoremas de C

1.1. REPASO DE ALGUNOS TEOREMAS DE CALCULO

pues f (bn ) < 0 para todo n. Se concluye entonces que f (e) = 0.

Teorema 1.2. (Teorema del valor intermedio en R)

f (1) = mn{i N | xi [a1 , b1 ]}

FCFM - Universidad de Chile

De esta forma, f (c + h) f (c) 0. As para todo h > 0 peque

Teorema 1.6. (Teorema de Rolle en R)

Teorema 1.8. (Primer teorema fundamental del calculo)

es derivable en (a, b) y adem

existe y vale f (c). Notemos que

Consideremos por separado los casos h > 0 y h < 0:

2. Sea h < 0: Como f es continua en [c + h, c], se tiene que existen valores a2 y b2 en [c + h, c]

FCFM - Universidad de Chile

De (*) y (**) se obtiene

Por lo tanto F 0 (c) = f (c).

Teorema 1.9. (Segundo teorema fundamental del calculo)