Tema 3

Aplicaciones del C´alculo Diferencial
3.1 Derivaci´on de funciones definidas impl´ıcitamente.
Definici´on 3.1 Todo campo escalar f : IR
2
−→ IR define la superficie z = f(x, y) .
Decimos que esta superficie est´a expresada en forma expl´ıcita. Tambi´en define una super-
ficie el conjunto de nivel, f(x, y, z) = 0, de un campo escalar f : IR
3
−→ IR . Decimos
en este caso que la superficie est´a expresada en forma impl´ıcita.
Ejemplo I
x
2
+y
2
+z
2
= 1 representa la ecuaci´on en forma impl´ıcita de la esfera con centro el
origen y de radio 1. Esta ecuaci´on impl´ıcita define dos campos escalares expl´ıcitamente
z = +

1 −x
2
−y
2
y z = −

1 −x
2
−y
2
. En general, no es posible expresar una ecuaci´on
impl´ıcita en forma expl´ıcita. Pero sin embargo podemos obtener alguna informaci´on
adicional.
Ejemplo II
Sea la ecuaci´on impl´ıcita y
2
+ xz +z
2
−e
z
−4 = 0 .
No es posible despejar z = f(x, y) , obtener las ecuaciones expl´ıcitas de la superficie
de nivel. Sin embargo, si podemos calcular sus derivadas parciales aplicando la regla de
la cadena.
´
Estas se calculan derivando en la ecuaci´on impl´ıcita, y
2
+xf(x, y) +f
2
(x, y) −
e
f(x,y)
−4 = 0, respecto de las variables x e y.
Derivando respecto de x, se tiene: f(x, y) +x
∂f
∂x
+ 2f(x, y)
∂f
∂x
−e
f(x,y)
∂f
∂x
= 0, y por
lo tanto:
∂f
∂x
(x + 2f(x, y) −e
f(x,y)
) = −f(x, y). De donde obtenemos
∂f
∂x
=
−z
x + 2z −e
z
.
1
2 Tema 3. Aplicaciones del C´alculo Diferencial
An´alogamente
∂f
∂y
=
−2y
x + 2z −e
z
Hacemos notar que sin necesidad de conocer expl´ıcitamente z = f(x, y) , hemos
podido calcular sus derivadas en puntos particulares de ella.
Antes de enunciar el teorema de la funci´on impl´ıcita vamos a ver algunos casos sencillos
donde ya sabemos aplicar dicho teorema:
Motivaci´on:
1. Supongamos que tenemos un sistema lineal de m ecuaciones con n +m inc´ognitas.
E
1
≡ a
11
x
1
+ · · · + a
1n
x
n
+ b
11
z
1
+ b
12
z
2
+ · · · + b
1m
z
m
= 0
E
2
≡ a
21
x
1
+ · · · + a
2n
x
n
+ b
21
z
1
+ b
22
z
2
+ · · · + b
2m
z
m
= 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
E
m
≡ a
m1
x
1
+ · · · + a
mn
x
n
+ b
m1
z
1
+ b
m2
z
2
+ · · · + b
mm
z
m
= 0.
El Teorema de Rouch´e-Fr¨ obenius nos asegura que si el determinante

b
11
b
12
· · · b
1m
b
21
b
22
· · · b
2m
.
.
.
.
.
.
.
.
.
.
.
.
b
m1
b
m2
· · · b
mm

= 0,
entonces, en las ecuaciones E
1
, · · · , E
m
podemos despejar las variables z
1
, · · · , z
m
.
En otras palabras, podemos expresar las variables z
1
, · · · , z
m
en funci´on de las vari-
ables independientes x
1
, · · · , x
n
.
El Teorema de Rouch´e-Fr¨ obenius resuelve el problema de despejar inc´ognitas en los
casos de ecuaciones y sistemas de ecuaciones lineales
2. Consideremos ahora el problema de despejar una inc´ognita en una ecuaci´on no lineal
f(x, y) = 0, los puntos que satisfacen esta ecuaci´on son aquellos que pertenecen a
una curva de nivel de la funci´on escalar f(x, y).
Nos planteamos encontrar los puntos (x
0
, y
0
) de dicha curva en los que es posible
despejar la variable y. Despejar la variable y significa encontrar un cierto entorno
E(x
0
) donde exista una funci´on y = g(x) tal que f(x, g(x)) = 0. Si suponemos
f(x, y) diferenciable, este problema se puede reducir al de despejar una inc´ognita
en una ecuaci´on lineal, ya que despejar una variable de la ecuaci´on f(x, y) = 0 en el
entorno de un punto (x
0
, y
0
) es aproximadamente igual a despejar la misma variable
en la ecuaci´on que define la recta tangente a la curva de nivel en el entorno del
mismo punto. Dicha ecuaci´on como ya sabemos es
∂f(x
0
, y
0
)
∂x
(x −x
0
) +
∂f(x
0
, y
0
)
∂y
(y −y
0
) = 0.
3.1. Derivaci´on de funciones definidas impl´ıcitamente. 3
Entonces podremos despejar la variable y si
∂f(x
0
,y
0
)
∂y
= 0 y la variable x si
∂f(x
0
,y
0
)
∂x
=
0.
Para fijar ideas, si tomamos f(x, y) = x
2
+y
2
−1, la curva de nivel es la ecuaci´on de
la circunferencia con centro en el origen y de radio unidad, x
2
+y
2
= 1. Los puntos
donde no es posible despejar la variable y ser´an aquellos donde y = 0, son puntos
donde la recta tangente es vertical. De igual forma los puntos donde no es posible
despejar la variable x son aquellos donde x = 0, cuya recta tangente es horizontal.
Notaci´on: Al determinante de la matriz jacobiana de un campo vectorial F : IR
n
−→IR
n
lo llamaremos jacobiano de F y lo denotaremos:
∂(F
1
, F
2
, · · · , F
n
)
∂(x
1
, x
2
, · · · , x
n
)
= Jac.(F) =

∂F
1
∂x
1
∂F
1
∂x
2
· · ·
∂F
1
∂x
n
∂F
2
∂x
1
∂F
2
∂x
2
· · ·
∂F
2
∂x
n
.
.
.
.
.
.
.
.
.
.
.
.
∂F
n
∂x
1
∂F
n
∂x
2
· · ·
∂F
n
∂x
n

Teorema 3.1 (Teorema de la Funci´ on Impl´ıcita) (Forma General)
Consideremos las m ecuaciones :
F
1
(x
1
, x
2
, · · · , x
n
, z
1
, z
2
, · · · , z
m
) = 0
F
2
(x
1
, x
2
, · · · , x
n
, z
1
, z
2
, · · · , z
m
) = 0
· · ·
F
m
(x
1
, x
2
, · · · , x
n
, z
1
, z
2
, · · · , z
m
) = 0

y un punto (x
0
, z
0
) = (x
0
1
, x
0
2
, · · · , x
0
n
, z
0
1
, z
0
2
, · · · , z
0
m
) cumpliendo:
1. F
j
(x
0
, z
0
) = 0 para j = 1, · · · , m.
2. Todas las funciones F
j
para j = 1, · · · , m son diferenciables con continuidad en un
entorno del punto (x
0
, z
0
).
3.
∂(F
1
, F
2
, · · · , F
m
)
∂(z
1
, z
2
, · · · , z
m
)
= 0 en el punto (x
0
, z
0
)
Entonces, las m ecuaciones anteriores definen a las variables z
1
, z
2
, · · · , z
m
como
funciones de las variables independientes x
1
, x
2
, · · · , x
n
en un cierto entorno del punto
4 Tema 3. Aplicaciones del C´alculo Diferencial
(x
0
, z
0
), es decir, z
i
= f
i
(x
1
, · · · , x
n
), i = 1, 2, · · · , m .
Es m´as, si las funciones F
j
son diferenciables hasta orden k entonces tambi´en lo ser´an
las funciones f
i
y sus derivadas se pueden calcular mediante derivaci´on impl´ıcita.
3.2 Teorema de Taylor.
Teorema 3.2 (F´ormula de Taylor de Primer Orden)
Sea f : U ⊂ IR
n
−→ IR una funci´on cuyas derivadas parciales hasta segundo orden
son continuas en un entorno de x
0
∈ U (sea E(x
0
) ∈ U dicho entorno). Entonces si
x
0
+ h ∈ E(x
0
) se cumple que
f(x
0
+h) = f(x
0
) +
n
¸
i=1
∂f
∂x
i
(x
0
) · h
i
+ R
1
(f, x
0
)(h)
siendo
R
1
(f, x
0
)(h)
h
→0 cuando h →0.
Teorema 3.3 (F´ormula de Taylor de Segundo Orden)
Sea f : U ⊂ IR
n
−→ IR una funci´on cuyas derivadas parciales hasta tercer orden
son continuas en un entorno de x
0
∈ U (sea E(x
0
) ∈ U dicho entorno). Entonces si
x
0
+h ∈ E(x
0
) se cumple que
f(x
0
+h) = f(x
0
) +
n
¸
i=1
∂f
∂x
i
(x
0
) · h
i
+
1
2
n
¸
i,j=1

2
f
∂x
i
∂x
j
(x
0
) · h
i
h
j
+ R
2
(f, x
0
)(h)
siendo
R
2
(f, x
0
)(h)
h
2
→0 cuando h →0.
Definici´on 3.2 (Matriz hessiana) Llamamos Matriz Hessiana a
H(f(x
0
)) =

¸
¸
¸
¸
¸
¸
¸

2
f
∂x
2
1
(x
0
)

2
f
∂x
1
∂x
2
(x
0
) · · ·

2
f
∂x
1
∂x
n
(x
0
)
.
.
.
.
.
.
.
.
.
.
.
.

2
f
∂x
n
∂x
1
(x
0
)

2
f
∂x
n
∂x
2
(x
0
) · · ·

2
f
∂x
2
n
(x
0
)
¸

En ´estos t´erminos, la serie de Taylor de segundo orden descrita en el teorema anterior se
puede expresar en la forma
f(x
0
+ h) = f(x
0
) + ∇f(x
0
) · h +
1
2
h
t
· H(f(x
0
)) · h + R
2
(f, x
0
)(h).
3.3. Extremos de campos escalares. 5
3.3 Extremos de campos escalares.
Definici´on 3.3 (Extremo local) Si f : U ⊂ IR
n
−→IR es un campo escalar, un punto
x
0
∈ U se llama m´ınimo (m´aximo) local de f si existe un entorno de x
0
tal que para
todo x de ese entorno se cumpla f(x) ≥ f(x
0
) (f(x) ≤ f(x
0
)).
El punto x
0
se dice que es un extremo local tanto si es m´aximo como si es m´ınimo local.
Un punto x
0
decimos que es un punto cr´ıtico de f si Df(x
0
) = 0.
Un punto cr´ıtico que no es extremo local, se llama punto de silla.
Teorema 3.4 Si U ⊂ IR
n
es un abierto, f : U ⊂ IR
n
−→ IR es diferenciable y
x
0
∈ U es un extremo local, entonces x
0
es un punto cr´ıtico (Df(x
0
) = 0).
Demostraci´on Sea u ∈ IR
n
cualquiera, y sea g(t) = f(x
0
+tu). Entonces g(t) tiene
un extremo local en t = 0 por lo que g

(0) = 0. Tambi´en se tiene aplicando la regla de
la cadena que g

(0) = ∇f(x
0
) · u = 0. Entonces ∇f(x
0
) es ortogonal a cualquier vector
unitario u, de donde se tiene que ∇f(x
0
) = 0.
Teorema 3.5 Sea f : IR
2
−→IR , (x
0
, y
0
) un punto cr´ıtico. Entonces:
a) si

2
f
∂x
2
(x
0
, y
0
) > 0 y det(H(f(x
0
, y
0
))) > 0 ⇒ (x
0
, y
0
) es un m´ınimo.
b) si

2
f
∂x
2
(x
0
, y
0
) < 0 y det(H(f(x
0
, y
0
))) > 0 ⇒ (x
0
, y
0
) es un m´aximo.
c) si det(H(f(x
0
, y
0
))) < 0 ⇒ (x
0
, y
0
) es un punto de silla.
d) si det(H(f(x
0
, y
0
))) = 0 ⇒ (x
0
, y
0
) no podemos asegurar nada.
3.4 M´aximos y M´ınimos Absolutos.
Definici´on 3.4 (Extremo absoluto) Sea f : U ⊂ IR
n
−→IR . Se dice que x
0
∈ U
es un m´aximo (m´ınimo) absoluto de f si f(x) ≤ f(x
0
) (f(x) ≥ f(x
0
)) ∀ x ∈ U.
Definici´on 3.5 (Conjunto acotado) Se dice que un conjunto D ⊂ IR
n
es acotado si
∃M > 0 / x < M ∀ x ∈ D ⇔ ∃ B(0, R) / D ⊂ B(0, R).
6 Tema 3. Aplicaciones del C´alculo Diferencial
Teorema 3.6 (Teorema del M´aximo y del M´ınimo) Sea D un conjunto acotado y
cerrado en IR
n
y sea f : D ⊂ IR
n
−→IR una funci´on continua. Entonces f alcanza
el m´aximo y el m´ınimo absolutos en D.
Regla pr´actica D = U ∪ ∂U (expresamos el dominio como la uni´on entre su interior
y la frontera) Para hallar el m´aximo y el m´ınimo absoluto de f : IR
2
−→ IR se siguen
los siguientes pasos:
1. Localizar los puntos cr´ıticos de f en U.
2. Hallar los puntos extremos de f considerada como funci´on definida en ∂U.
3. Hallar los puntos donde f no es derivable tanto en U como en la frontera de U.
4. Calcular los valores de f en todos los puntos obtenidos en (1),(2) y (3).
5. Comparar esos valores y seleccionar el mayor y menor (que corresponder´an al
m´aximo y al m´ınimo respectivamente).
3.5 Extremos Condicionados. Multiplicadores de La-
grange.
Veamos algunos ejemplos de extremos condicionados:
Ejemplo 1 Dada una superficie en S que no pase por el origen, determinar los
puntos de S m´as pr´oximos al origen.
La funci´on que hay que minimizar es f(x, y, z) =

x
2
+ y
2
+z
2
donde (x, y, z) ∈ S .
Supongamos que S viene dada por la ecuaci´on g(x, y, z) = 0 . La superficie de nivel
f(x, y, z) = r representa una esfera centrada en el origen de coordenadas y de radio r .
Sabemos que el vector gradiente ∇f es perpendicular a la superficie de nivel f(x, y, x) = r.
Si vamos aumentando el radio desde r = 0 hasta que la superficie de nivel f(x, y, x) = r
tenga un punto de contacto con la superficie g(x, y, z) = 0, en este punto de contacto, la
superficie S y la superficie de nivel f(x, y, z) = r son tangentes y por lo tanto en ese
punto ∇f y ∇g son proporcionales, ∇f = λ∇g o de forma equivalente ∇(f −λg) = 0,
por lo que el punto buscado debe satisfacer:
g(x, y, z) = 0
∇(f −λg)(x, y, z) = 0
¸
3.5. Extremos Condicionados. Multiplicadores de Lagrange. 7
Ejemplo 2 Si f(x, y, z) representa la temperatura en (x, y, z) , determinar los valores
m´aximo y m´ınimo de la temperatura de una curva C, siendo C la curva definida por las
ecuaciones
C ≡

g
1
(x, y, z) = 0
g
2
(x, y, z) = 0
La funci´on que queremos maximizar (minimizar) es f(x, y, z). ∇g
1
y ∇g
2
son perpen-
diculares a C. Veamos que ∇f tambi´en es ortogonal a C. Sea C ≡ α(t) y sea φ(t) =
f(α(t)) . En el punto cr´ıtico, tenemos que
φ

= 0 = ∇f(α(t)) · α

(t).
Como α

(t) es tangente a C se tiene que ∇f(α(t)) es perpendicular a α

(t). Por lo que
∇f ⊥ C. Tambi´en tenemos que ∇g
1
y ∇g
2
son ortogonales a C. De lo anterior se deduce
que los tres vectores ∇f, ∇g
1
y ∇g
2
son coplanarios, por lo tanto ∇f = λ
1
∇g
1

2
∇g
2
.
En consecuencia, los puntos buscados, satisfacen:
g
1
(x, y, z) = 0
g
2
(x, y, z) = 0
∇(f −λ
1
g
1
−λ
2
g
2
) = 0

Teorema 3.7 (Teorema de los multiplicadores de Lagrange) Si un campo escalar
f(x
1
, x
2
, · · · , x
n
) posee un extremo relativo cuando las variables (x
1
, x
2
, · · · , x
n
) est´an
sometidas a las condiciones
g
1
(x
1
, x
2
, · · · , x
n
) = 0,
g
2
(x
1
, x
2
, · · · , x
n
) = 0,
.
.
.
g
m
(x
1
, x
2
, · · · , x
n
) = 0,
con m < n, entonces existen unos escalares λ
1
, λ
2
, · · · , λ
m
, no todos nulos, tales que
∇f = λ
1
∇g
1
+ λ
2
∇g
2
+ · · · + λ
m
∇g
m
Los puntos extremos quedan determinados por las ecuaciones

g
1
(x
1
, x
2
, · · · , x
n
) = 0
g
2
(x
1
, x
2
, · · · , x
n
) = 0
.
.
.
g
m
(x
1
, x
2
, · · · , x
n
) = 0
∇f = λ
1
∇g
1
+ λ
2
∇g
2
+ · · · + λ
m
∇g
m
Es un sistema de n +m inc´ognitas y n +m ecuaciones. Se determina si es m´aximo o
m´ınimo, comprobando si es m´aximo o m´ınimo de la funci´on (f −λ
1
g
1
−· · · −λ
m
g
m
).