Tema 3

Aplicaciones del C
alculo Diferencial
3.1

Derivaci
on de funciones definidas implcitamente.

Definici
on 3.1 Todo campo escalar f : IR2 IR define la superficie z = f (x, y) .
Decimos que esta superficie esta expresada en forma explcita. Tambien define una superficie el conjunto de nivel, f (x, y, z) = 0, de un campo escalar f : IR3 IR . Decimos
en este caso que la superficie esta expresada en forma implcita.
Ejemplo I
x2 + y 2 + z 2 = 1 representa la ecuacion en forma implcita de la esfera con centro el
origeny de radio 1. Esta ecuaci
on implcita define dos campos escalares explcitamente
z = + 1 x2 y 2 y z = 1 x2 y 2 . En general, no es posible expresar una ecuacion
implcita en forma explcita. Pero sin embargo podemos obtener alguna informacion
adicional.
Ejemplo II
Sea la ecuacion implcita y 2 + xz + z 2 ez 4 = 0 .
No es posible despejar z = f (x, y) , obtener las ecuaciones explcitas 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 ecuacion implcita, y 2 + xf (x, y) + f 2 (x, y)
ef (x,y) 4 = 0, respecto de las variables x e y.

f
f
f
+ 2f (x, y)
ef (x,y)
= 0, y por
Derivando respecto de x, se tiene: f (x, y) + x
x
x
x
f
f
z
lo tanto:
(x + 2f (x, y) ef (x,y) ) = f (x, y). De donde obtenemos
=
.
x
x
x + 2z ez
1

Tema 3. Aplicaciones del Calculo Diferencial

Analogamente

f
2y
=
y
x + 2z ez

Hacemos notar que sin necesidad de conocer explcitamente z = f (x, y) , hemos

podido calcular sus derivadas en puntos particulares de ella.
Antes de enunciar el teorema de la funcion implcita 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 incognitas.
E1
E2
..
.

a11 x1
a21 x1

Em am1 x1

+ + a1n xn + b11 z1 + b12 z2 + + b1m zm = 0

+ + a2n xn + b21 z1 + b22 z2 + + b2m zm = 0
..
..
..
...
...
.
.
.
+ + amn xn + bm1 z1 + bm2 z2 + + bmm zm = 0.

El Teorema de Rouche-Frobenius nos asegura que si el determinante

b11
b21
...

b12
b22
..
.

bm1 bm2

b1m
b2m
..
...
.
bmm

6= 0,

entonces, en las ecuaciones E1 , , Em podemos despejar las variables z1 , , zm .

En otras palabras, podemos expresar las variables z1 , , zm en funcion de las variables independientes x1 , , xn .
El Teorema de Rouche-Frobenius resuelve el problema de despejar incognitas en los
casos de ecuaciones y sistemas de ecuaciones lineales
2. Consideremos ahora el problema de despejar una incognita en una ecuacion no lineal
f (x, y) = 0, los puntos que satisfacen esta ecuacion son aquellos que pertenecen a
una curva de nivel de la funcion escalar f (x, y).
Nos planteamos encontrar los puntos (x0 , y0 ) de dicha curva en los que es posible
despejar la variable y. Despejar la variable y significa encontrar un cierto entorno
E(x0 ) donde exista una funcion 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 incognita
en una ecuacion lineal, ya que despejar una variable de la ecuacion f (x, y) = 0 en el
entorno de un punto (x0 , y0 ) es aproximadamente igual a despejar la misma variable
en la ecuacion que define la recta tangente a la curva de nivel en el entorno del
mismo punto. Dicha ecuacion como ya sabemos es
f (x0 , y0 )
f (x0 , y0 )
(x x0 ) +
(y y0 ) = 0.
x
y

3.1. Derivacion de funciones definidas implcitamente.

Entonces podremos despejar la variable y si

0.

f (x0 ,y0 )
y

6 0 y la variable x si
=

f (x0 ,y0 )
x

6=

Para fijar ideas, si tomamos f (x, y) = x2 + y 2 1, la curva de nivel es la ecuacion de

la circunferencia con centro en el origen y de radio unidad, x2 + y 2 = 1. Los puntos
donde no es posible despejar la variable y seran 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 : IRn IRn
lo llamaremos jacobiano de F y lo denotaremos:

(F1 , F2 , , Fn )
= Jac.(F ) =
(x1 , x2 , , xn )

F2

xn

..
.

Fn

F1
x1

F1
x2

F1

xn

F2
x1

F2
x2

.
..

..
.

...

Fn
x1

Fn

x2
xn

on Implcita) (Forma General)

Teorema 3.1 (Teorema de la Funci
Consideremos las m ecuaciones :
F1 (x1 , x2 , , xn , z1 , z2 , , zm ) = 0
F2 (x1 , x2 , , xn , z1 , z2 , , zm ) = 0

Fm (x1 , x2 , , xn , z1 , z2 , , zm ) = 0

0
y un punto (x0 , z0 ) = (x10 , x20 , , x0n , z10 , z20 , , zm
) cumpliendo:

1. Fj (x0 , z0 ) = 0 para j = 1, , m.
2. Todas las funciones Fj para j = 1, , m son diferenciables con continuidad en un
entorno del punto (x0 , z0 ).
3.

(F1 , F2 , , Fm )
6= 0 en el punto (x0 , z0 )
(z1 , z2 , , zm )

Entonces, las m ecuaciones anteriores definen a las variables z1 , z2 , , zm como

funciones de las variables independientes x1 , x2 , , xn en un cierto entorno del punto

Tema 3. Aplicaciones del Calculo Diferencial

(x0 , z0 ), es decir, zi = fi (x1 , , xn ), i = 1, 2, , m .

Es mas, si las funciones Fj son diferenciables hasta orden k entonces tambien lo seran
las funciones fi y sus derivadas se pueden calcular mediante derivacion implcita.

3.2

Teorema de Taylor.

ormula de Taylor de Primer Orden)

Teorema 3.2 (F
n
Sea f : U IR IR una funcion cuyas derivadas parciales hasta segundo orden
son continuas en un entorno de x0 U (sea E(x0 ) U dicho entorno). Entonces si
x0 + h E(x0 ) se cumple que
f (x0 + h) = f (x0 ) +
siendo

n
X

f
(x0 ) hi + R1 (f, x0 )(h)
i=1 xi

R1 (f, x0 )(h)
0 cuando khk 0.
khk

Teorema 3.3 (F
ormula de Taylor de Segundo Orden)
Sea f : U IRn IR una funcion cuyas derivadas parciales hasta tercer orden
son continuas en un entorno de x0 U (sea E(x0 ) U dicho entorno). Entonces si
x0 + h E(x0 ) se cumple que
n
X

n
f
1 X
2f
(x0 ) hi hj + R2 (f, x0 )(h)
f (x0 + h) = f (x0 ) +
(x0 ) hi +
2 i,j=1 xi xj
i=1 xi

siendo

R2 (f, x0 )(h)
0 cuando khk 0.
khk2

Definici
on 3.2 (Matriz hessiana) Llamamos Matriz Hessiana a

H(f (x0 )) =

2f
2f
2f
)

(x
(x
(x0 )
)
0
0
x21
x1 x2
x1 xn
..
..
...
...
.
.
2f
2f
2f
(x0 )
(x0 )
(x0 )
xn x1
xn x2
xn2

En estos terminos, la serie de Taylor de segundo orden descrita en el teorema anterior se

puede expresar en la forma
f (x0 + h) = f (x0 ) + f (x0 ) h +

1 t
h H(f (x0 )) h + R2 (f, x0 )(h).
2

3.3. Extremos de campos escalares.

3.3

Extremos de campos escalares.

Definici
on 3.3 (Extremo local) Si f : U IRn IR es un campo escalar, un punto
x0 U se llama mnimo (maximo) local de f si existe un entorno de x0 tal que para
todo x de ese entorno se cumpla f (x) f (x0 ) (f (x) f (x0 )).
El punto x0 se dice que es un extremo local tanto si es maximo como si es mnimo local.
Un punto x0 decimos que es un punto crtico de f si Df (x0 ) = 0.
Un punto crtico que no es extremo local, se llama punto de silla.
Teorema 3.4 Si U IRn es un abierto, f : U IRn IR es diferenciable y
x0 U es un extremo local, entonces x0 es un punto crtico (Df (x0 ) = 0).
Demostraci
on Sea u IRn cualquiera, y sea g(t) = f (x0 + tu). Entonces g(t) tiene
un extremo local en t = 0 por lo que g 0 (0) = 0. Tambien se tiene aplicando la regla de
la cadena que g 0 (0) = f (x0 ) u = 0. Entonces f (x0 ) es ortogonal a cualquier vector
unitario u, de donde se tiene que f (x0 ) = 0.
Teorema 3.5 Sea f : IR2 IR , (x0 , y0 ) un punto crtico. Entonces:
a) si

2f
(x0 , y0 ) > 0 y det(H(f (x0 , y0 ))) > 0 (x0 , y0 ) es un mnimo.
x2

b) si

2f
(x0 , y0 ) < 0 y det(H(f (x0 , y0 ))) > 0 (x0 , y0 ) es un maximo.
x2

c) si det(H(f (x0 , y0 ))) < 0 (x0 , y0 ) es un punto de silla.

d) si det(H(f (x0 , y0 ))) = 0 (x0 , y0 ) no podemos asegurar nada.

3.4

M
aximos y Mnimos Absolutos.

Definici
on 3.4 (Extremo absoluto) Sea f : U IRn IR . Se dice que x0 U
es un maximo (mnimo) absoluto de f si f (x) f (x0 ) (f (x) f (x0 )) x U .
Definici
on 3.5 (Conjunto acotado) Se dice que un conjunto D IRn es acotado si
M > 0 / kxk < M x D B(0, R) / D B(0, R).

Tema 3. Aplicaciones del Calculo Diferencial

Teorema 3.6 (Teorema del M

aximo y del Mnimo) Sea D un conjunto acotado y
n
cerrado en IR y sea f : D IRn IR una funcion continua. Entonces f alcanza
el maximo y el mnimo absolutos en D.
Regla pr
actica D = U U (expresamos el dominio como la union entre su interior
y la frontera) Para hallar el maximo y el mnimo absoluto de f : IR2 IR se siguen
los siguientes pasos:
1. Localizar los puntos crticos de f en U .
2. Hallar los puntos extremos de f considerada como funcion 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 corresponderan al
maximo y al mnimo respectivamente).

3.5

Extremos Condicionados. Multiplicadores de Lagrange.

Veamos algunos ejemplos de extremos condicionados:

Ejemplo 1 Dada una superficie en S que no pase por el origen, determinar los
puntos de S mas proximos al origen.

La funcion que hay que minimizar es f (x, y, z) = x2 + y 2 + z 2 donde (x, y, z) S .

Supongamos que S viene dada por la ecuacion 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 = g o de forma equivalente (f g) = 0,
por lo que el punto buscado debe satisfacer:
g(x, y, z) = 0
(f g)(x, y, z) = 0

3.5. Extremos Condicionados. Multiplicadores de Lagrange.

Ejemplo 2 Si f (x, y, z) representa la temperatura en (x, y, z) , determinar los valores

maximo y mnimo de la temperatura de una curva C, siendo C la curva definida por las
ecuaciones
(
g1 (x, y, z) = 0
C
g2 (x, y, z) = 0
La funcion que queremos maximizar (minimizar) es f (x, y, z). g1 y g2 son perpendiculares a C. Veamos que f tambien es ortogonal a C. Sea C (t) y sea (t) =
f ((t)) . En el punto crtico, tenemos que
0 = 0 = f ((t)) 0 (t).
Como 0 (t) es tangente a C se tiene que f ((t)) es perpendicular a 0 (t). Por lo que
f C. Tambien tenemos que g1 y g2 son ortogonales a C. De lo anterior se deduce
que los tres vectores f , g1 y g2 son coplanarios, por lo tanto f = 1 g1 + 2 g2 .
En consecuencia, los puntos buscados, satisfacen:
g1 (x, y, z) = 0
g2 (x, y, z) = 0
(f 1 g1 2 g2 ) = 0

Teorema 3.7 (Teorema de los multiplicadores de Lagrange) Si un campo escalar

f (x1 , x2 , , xn ) posee un extremo relativo cuando las variables (x1 , x2 , , xn ) estan
sometidas a las condiciones
g1 (x1 , x2 , , xn ) = 0,
g2 (x1 , x2 , , xn ) = 0,
..
.
gm (x1 , x2 , , xn ) = 0,
con m < n, entonces existen unos escalares 1 , 2 , , m , no todos nulos, tales que
f = 1 g1 + 2 g2 + + m gm
Los puntos extremos quedan determinados por las ecuaciones

g1 (x1 , x2 , , xn ) = 0
g2 (x1 , x2 , , xn ) = 0
...
gm (x1 , x2 , , xn ) = 0
f = 1 g1 + 2 g2 + + m gm

Es un sistema de n + m incognitas y n + m ecuaciones. Se determina si es maximo o

mnimo, comprobando si es maximo o mnimo de la funcion (f 1 g1 m gm ).