Está en la página 1de 169

Notas de C alculo 3

Raybel A. Garca A., Antonio O. Vega E., Orlando R. Martnez M.


25 de noviembre de 2013
Contenido
1. Espacios normados 1
1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1. Producto escalar en R
3
. . . . . . . . . . . . . . . . . . . 9
1.3.2. Productos interiores y normas . . . . . . . . . . . . . . . . 10
1.4. Espacios metricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2. Elementos basicos de topologa 29
2.1. Conjuntos abiertos . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2. Conjuntos cerrados . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4. Compacidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5. Conexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3. Limites y continuidad. 61
3.1. Lmites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2. Funciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.3. Continuidad uniforme . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4. Espacios vectoriales normados dimensionalmente nitos . . . . . 87
4. Diferenciacion. 93
4.1. Funciones vectoriales de variable escalar. . . . . . . . . . . . . . . 93
4.2. Funciones escalares de variable vectorial . . . . . . . . . . . . . . 101
4.2.1. Derivada y diferencial . . . . . . . . . . . . . . . . . . . . 101
4.2.2. Derivadas direccionales y parciales. . . . . . . . . . . . . 106
4.3. Aplicaciones de la diferencial y la derivada parcial . . . . . . . . 120
4.3.1. Plano tangente y recta normal a una supercie . . . . . . 121
4.3.2. Diferenciales exactas . . . . . . . . . . . . . . . . . . . . . 126
4.4. Teora basica de curvas . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4.1. Longitud de arco . . . . . . . . . . . . . . . . . . . . . . . 133
4.4.2. Aparato de Frenet-Serret . . . . . . . . . . . . . . . . . . 137
4.5. Teorema de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.6. Teorema de la funcion implcita . . . . . . . . . . . . . . . . . . . 149
iii
iv Contenido
4.7. Maximos y mnimos . . . . . . . . . . . . . . . . . . . . . . . . . 152
Cap

tulo 1
Espacios normados
En general, estamos acostumbrados a trabajar con diversas cantidades como,
por ejemplo, el volumen de un cuerpo, el area de un terreno, la temperatura de
un objeto, etcetera. As pues, decimos que hemos comprado un litro de leche o
que un ni no tiene 38
o
de temperatura. En estos ejemplos, las cantidades citadas
quedan totalmente determinadas cuando especicamos su magnitud, esto es, su
valor numerico y la unidad que hemos utilizado para medirlas. A este tipo de
cantidades las llamaremos magnitudes escalares. Sin embargo, existen otras que
no pueden clasicarse como escalares, pues no quedan unicamente determinadas
al proporcionar su magnitud. En este captulo estudiaremos las nociones de
vector, producto interior y norma.
1.1. Vectores
Muchas nociones fsicas tan familiares como la fuerza, la velocidad y la acele-
racion involucran dos conceptos fundamentales: magnitud y direcci on. A este
tipo de entidades las llamaremos vectores.
A
B
Figura 1.1: Vector con origen en A y extremo en B
Denicion 1 Un vector es una entidad matematica que tiene magnitud, di-
reccion y sentido.
Para representar un vector gracamente, utilizaremos una echa que va de
un punto A a un punto B (vease la Figura 1.1).Al punto A lo llamaremos
origen y al punto B extremo del vector. La longitud del segmento AB, medida
en unidades adecuadas, representa la magnitud del vector, la direccion del vector
1
2 1.1. Vectores
es la de la recta que lo contiene, mientras que su sentido es el que va de su origen
a su extremo. Si dos vectores son colineales, es claro que quiere decir que dos
vectores tienen o no el mismo sentido; dos vectores

AB y

CD son paralelos
entre s, si los segmentos AB y CD son paralelos, mas a un, diremos que dichos
vectores tienen el mismo sentido si los segmentos AC y BD no se cortan y
tienen sentidos contrarios si estos segmentos se cortan (vease la Figura 1.2).
A
B
C
D
Figura 1.2: Vectores con sentido opuesto
Denicion 2 Dos vectores

AB y

CD son iguales si y solo si tienen la misma
magnitud, direccion y sentido.
O
(a, b) = O

(x, y)
(x a, y b)
Figura 1.3: Traslacion en el plano
1. Espacios normados 3
Consideremos un par de ejes rectangulares con origen en un punto O; si el
eje y se moviera a unidades a la derecha, es claro que la abscisa de todo punto
disminuira en a unidades. Analogamente, si el eje y se moviera a unidades a
la izquierda, la abscisa incrementara en a unidades para todo punto en el eje
rectangular. Algo similar sucedera con las ordenadas si movemos el eje x, b
unidades hacia arriba o hacia abajo. En consecuencia, es claro que si movemos
el origen al punto (a, b), de manera que los nuevos ejes sean paralelos y tengan
la misma orientacion que los ejes originales, las nuevas coordenadas (x

, y

) del
punto (x, y) seran
x

= x a y

= y b, (1.1)
(Figura 1.3). A este tipo de cambio de coordenadas, lo llamaremos traslacion
con ecuaciones (1.1). No es difcil extender estas ideas al espacio tridimensio-
nal: mover el plano yz hacia la derecha o hacia la izquierda a unidades, es
restar o sumar a unidades a la abscisa de todo punto; si movemos el plano xz
hacia adelante o hacia atras, signica quitar o a nadir unidades a la ordenada;
nalmente desplazar hacia arriba o hacia abajo el plano xy modicara la cota
(coordenada z) de todo punto. De esta forma, las ecuaciones de traslacion para
el caso tridimensional quedan descritas de la forma
x

= x a y

= y b z

= z c.
O

A
B
X

Figura 1.4:

Angulos directores para un vector en el espacio
Ahora, todo punto P = (x, y) en un sistema rectangular de coordenadas,
podemos pensarlo como un vector, cuyo origen se encuentra en el origen del
sistema coordenado y su extremo se encuentra en el punto P. Para cada punto
en el plano (o en el espacio), el vector asociado de la forma antes descrita
lo llamaremos vector posicion. A menos que haya confusion, denotaremos por
(x, y) al punto P y al vector posicion

P indistintamente. Sea

AB un vector
con origen A = (x
1
, y
1
) y extremo B = (x
2
, y
2
). Si hacemos una traslacion
con A como nuevo origen, las nuevas coordenadas de B seran (x
2
x
1
, y
2
y
1
).
As, hemos encontrado una forma de representar al vector

AB en un sistema
de coordenadas rectangular. Para el caso del espacio tridimensional se puede
realizar un proceso similar. Adem as, tanto en el caso bidimensional como en el
4 1.1. Vectores
tridimensional, un vector queda determinado por los angulos que forman sus
proyecciones con los ejes coordenados. La Figura 1.4 muestra el caso de un
vector en el espacio. Los angulos BAX

, BAY

y BAZ

se llaman angulos
directores y los respresentamos por , y respectivamente. Notese que dos
vectores tienen la misma direccion y el mismo sentido si y solo si tienen los
mismos angulos directores. Ademas, observese que , , [0, ]. Como la
funcion coseno es uno a uno en el intervalo [0, ], un angulo en este intervalo
queda determinado de forma unica por su coseno, por tanto, la orientacion de un
vector esta denida por los cosenos de sus angulos directores, los cuales reciben
el nombre de cosenos directores del vector. La proyeccion de B sobre el eje
X

tiene coordenadas (x
2
x
1
, 0, 0) con relacion a los ejes trasladados, donde
x
2
x
1
es positivo, nulo o negativo, dependiendo de si es menor, igual o
mayor a

2
. De esta forma, si r es la magnitud del vector

AB, se obtiene que
x
2
x
1
= r cos
y
2
y
1
= r cos
z
2
z
3
= r cos .
Se sigue que, por la denicion de igualdad, dos vectores son iguales si tienen
la misma magnitud y los mismos cosenos directores.
Proposicion 1.1.1 Si A = (x
1
, y
1
, z
1
), B = (x
2
, y
2
, z
2
), C = (x
3
, y
3
, z
3
) y
D = (x
4
, y
4
, z
4
) son puntos en el espacio, los vectores

AB y

CD si y solo si
x
2
x
1
= x
4
x
3
, y
2
y
1
= y
4
y
3
y z
2
z
1
= z
4
z
3
.
Demostraci on. Por las ecuaciones anteriores, si

AB =

CD, entonces se tiene
la igualdad de las diferencias de las coordenadas. Ahora, si las diferencias de las
coordenadas son iguales, entonces las magnitudes de cada uno de los vectores
son iguales, por tanto los dos vectores tienen los mismos cosenos directores.

No es difcil probar que todo vector



AB es igual a un vector

OP con origen
en el del sistema coordenado y con las componentes de

AB como coordenadas
de su extremos. Tambien, notese que la suma de los cuadrados de los cosenos
directores de cualquier vector es igual a 1.
Ahora, sean x = (x
1
, y
1
, z
1
) y y = (x
2
, y
2
, z
2
) dos vectores cualesquiera.
Denimos la suma x + y como el vector

x + y := (x
1
+ x
2
, y
1
+ y
2
, z
1
+ z
2
).
Al vector cuyo origen coincide con su extremo lo llamaremos vector cero o nulo.
Este vector tiene magnitud nula, no tiene orientacion y lo representaremos por

0. Ademas, observese que



0 = (0, 0, 0), de donde se sigue que, para cualquier
vector x,
x +

0 =

0 + x = x.
El vector (x
1
, y
1
, z
1
) se llama negativo del vector x y se denota por
x. Se tiene que
x + (x) = x + x =

0.
1. Espacios normados 5
Es claro que, a partir de estas deniciones, la suma de vectores satisface las
mismas propiedades basicas que las de la suma de n umeros reales, es decir, es
cerrada, asociativa y conmutativa, ademas de que existe un elemento neutro y
para cada vector, existe un elemento inverso bajo esta operacion.
El siguiente resultado, proporciona una interpretacion geometrica de la adicion
de vectores.
Proposicion 1.1.2 Si A, B y C son tres puntos cualesquiera, entonces

AC =

AB +

BC
Demostraci on. Sin perdida de generalidad, podemos elegir un sistema coor-
denado con origen en A. Sean B = (x
1
, y
1
, z
1
) y C = (x
2
, y
2
, z
2
). Entonces

AB = (x
1
, y
1
, z
1
)

BC = (x
2
x
1
, y
2
y
1
, z
2
z
1
),
de donde se obtiene que

AC = (x
2
, y
2
, z
2
) =

AB +

BC.

A
B
C D
Figura 1.5: Regla del paralelogramo
Corolario 1.1.3 Si

AB y

AC son vectores con el mismo origen A, entonces

AB +

AC =

AD, donde D es el cuarto vertice del paralelogramo del cual AB
y AC son lados adyacentes.
Demostraci on. Consideremos el paralelogramo ABCD (vease la Figura 1.5).
Como

AC =

BD, se sigue que

AB +

AC =

AB +

BD =

AD

Notese que las demostraciones de estos dos ultimos resultados funcionan


tanto para el plano como para el espacio. Ahora, consideremos un vector de la
6 1.2. Espacios vectoriales
forma x = (x
1
, y
1
, z
1
) y k un n umero real al que llamaremos escalar. Denimos
el producto del vector x por el escalar k de la siguiente forma
k x := (k x
1
, k y
1
, k z
1
)
Observese que se cumplen reglas distributivas para la suma de vectores y el
producto por escalares como sucede en los reales. En la siguiente seccion pro-
fundizaremos en este aspecto. Para nalizar con esta seccion, analizamos la
geometra del producto de vectores por escalares. De la formula de la distancia,
la magnitud de un vector x = (x
1
, y
1
, z
1
), que denotaremos por [[x[[, esta dada
por
[[x[[ =
_
x
2
1
+ y
2
1
+ z
2
1
.
Por otra parte, si k R, entonces
[[k x[[ =
_
k (x
2
1
+ y
2
1
+ z
2
1
) = [k[
_
x
2
1
+ y
2
1
+ z
2
1
= [k[ [[x[[.
Notese que la orientacion de k x sera la misma o contraria a la de x, depen-
diendo de si k es mayor o menor a cero respectivamente. Se dira que dos vectores
x y y son paralelos si y solo si y = k x, donde k ,= 0 y tendran la misma
direccion si y solo si k > 0.
1.2. Espacios vectoriales
En la seccion anterior observamos que con las deniciones dadas para la suma
de vectores y el producto de un vector por un escalar, estas operaciones satis-
facen ciertas propiedades. En esta peque na seccion analizaremos otros sistemas
algebraicos que le resultaran familiares al lector, en donde se pueden denir
operaciones de adicion y producto similares a las de los vectores en el plano y
el espacio, y que satisfacen las mismas reglas. A continuacion denimos formal-
mente estas estructuras algebraicas.
Denicion 3 Un espacio vectorial V sobre un campo K es una estructura
algebraica que consiste de un conjunto, distinto del vaco, sobre el cual se denen
dos operaciones
+ : V V V y : K V V
que satisfacen las siguientes condiciones:
S1) Para cualesquiera x, y V , x + y = y + x.
S2) Para cualesquiera x, y, z V , x + (y + z) = (x + y) + z.
S3) Existe un unico elemento 0 V tal que x + 0 = x para cada x V .
S4) Para cada elemento x V , existe un unico elemento y V tal que
x + y = 0.
1. Espacios normados 7
P1) Para cada elemento x V , 1 x = x.
P2) Para cualesquiera a, b K y para cualquier elemento x V ,
(ab) x = a (b x).
D1) Para todo a K y para cualesquiera x, y V ,
a (x + y) = a x + a y.
D2) Para cualesquiera a, b K y para cualquier x V ,
(a + b) x = a x + b x.
A los elementos del campo los llamaremos escalares y a los del espacio vectorial,
vectores. El lector debe tener precaucion al referirse, por un lado, a los elemen-
tos de un espacio vectorial y, por otro lado, a la entidad fsica discutida en la
seccion anterior.
Ejemplos
1. En la seccion anterior, vimos que
R
2
= (x
1
, x
2
) [ x
1
, x
2
R
y
R
3
= (x
1
, x
2
, x
3
) [ x
1
, x
2
, x
3
R
forman espacios vectoriales sobre R. Mas a un, si en
R
n
= (x
1
, ..., x
n
) [ x
i
R, i 1, 2, ..., n
denimos las operaciones + y de la forma
(x
1
, ..., x
n
) + (y
1
, ..., y
n
) = (x
1
+ y
1
, ..., x
n
+ y
n
)
c (x
1
, ..., x
n
) = (c x
1
, ..., c x
n
), c R,
se tiene que R
n
es un espacio vectorial sobre R.
2. Una matriz de m n con entradas en R, es un arreglo rectangular de
la forma
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
donde cada entrada a
ij
R, i 1, 2, ..., m, j 1, 2, ..., n. Si
denimos la suma de dos matrices A y B y el producto por escalares de
la forma
(A + B)
ij
= A
ij
+ B
ij
y (cA)
ij
= c A
ij
,
8 1.3. Espacios vectoriales
donde A
ij
denota la entrada de la matriz que se encuentra en el i-esimo
renglon y la j-esima columna, entonces el conjunto de matrices M
mn
(R)
es un espacio vectorial sobre R.
3. Un polinomio con coecientes en un campo K es una expresion de la
forma
p (x) =
n

k =0
a
k
x
k
, (1.2)
donde n N y cada a
k
, llamado coeciente de x
k
, esta en K. Si
p (x) = 0, esto es, si a
k
= 0, para toda k N 0, entonces a p (x)
lo llamaremos el polinomio nulo o cero. El grado de un polinomio se dene
como el exponente mas grande de la indeterminada x que aparece en la
representacion (1.2). Por convencion, el polinomio nulo tiene grado 1.
Diremos que dos polinomios son iguales si tienen el mismo grado y sus
coecientes son iguales, esto es, si
p (x) =
n

k =0
a
k
x
k
y q (x) =
m

k =0
b
k
x
k
,
entonces son iguales si m = n y a
i
= b
i
, i 1, ...., n. Por otra parte,
si m < n podemos denir
b
m+1
= b
m+2
= = b
n
= 0,
de tal forma que q (x) se puede escribir como
q (x) =
n

k =0
b
k
x
k
.
As, podemos denir la suma de dos polinomios como
p (x) + q (x) =
n

k =0
(a
k
+ b
k
) x
k
y el producto por escalares de la forma
c p (x) =
n

k =0
c a
k
x
k
, c K.
Con estas operaciones, el conjunto de polinomios de grado n con coe-
cientes en un campo K (que denotaremos por P
n
[K]). es un espacio
vectorial.
4. Consideremos R
2
con las siguientes operaciones
(x
1
, y
1
) (x
2
, y
2
) = (x
1
+ x
2
, y
1
y
2
)
y
c (x
1
, y
1
) = (c x
1
, c y
1
).
Observese que (R
2
, , ) no es un espacio vectorial (Por que?).
1. Espacios normados 9
1.3. Espacios normados
El concepto de medida es fundamental en las aplicaciones. En esta seccion trata-
remos la idea de distancia o longitud en los espacios vectoriales, va una estruc-
tura mas rica llamada espacio con producto interior. Los espacios con producto
interior tienen diversas aplicaciones en la geometra,la fsica, el estudio de los
mnimos cuadrados y las formas cuadraticas, por ejemplo. Iniciamos esta seccion
con el estudio del producto punto para vectores en R
3
(la construccion para R
2
es analoga).
1.3.1. Producto escalar en R
3
Consideremos dos vectores

AB y

AC. Denotaremos por al angulo entre
ellos. Eligiendo un sistema de coordenadas rectangular, podemos suponer que
los vectores tienen el mismo punto inicial y este ultimo se encuentra en el origen
del sistema. De esta forma, podemos pensar que sus extremos son los puntos
P
1
= (x
1
, y
1
, z
1
) y P
2
= (x
2
, y
2
, z
2
) respectivamente. Ahora, observese que
[0, ] (vease la Figura 1.6). Nuestro objetivo es encontrar una forma de
calcular el angulo entre estos vectores.

r
1
r
2
P
1
P
2
Figura 1.6:

Angulo entre dos vectores
Aplicando la formula de la distancia y la ley de cosenos, obtenemos
r
2
1
+ r
2
2
2 r
1
r
2
cos = (d (P
1
, P
2
))
2
= (x
2
x
1
)
2
+ (y
2
y
1
)
2
+ (z
2
z
1
)
2
,
donde r
1
y r
2
denotan las magnitudes de los vectores

AB y

AC respecti-
vamente. Usando el hecho de que r
i
= x
2
i
+ y
2
i
+ z
2
i
, i = 1, 2, se sigue
que
x
1
x
2
+ y
1
y
2
+ z
1
z
2
= r
1
r
2
cos . (1.3)
10 1.3. Espacios normados
El lado izquierdo de esta ultima expresion lo llamamos producto escalar de
los vectores P
1
y P
2
(recordemos que usamos indistintamente, a menos que
haya confusion, la notacion para puntos y vectores posicion). Denotamos al
producto escalar por P
1
P
2
. El lado derecho de la ecuacion (1.3) establece que
el producto escalar no depende de la eleccion del sistema de coordenadas, sino
de la magnitud de los vectores y el angulo comprendido entre estos. Se deja al
lector vericar que el producto escalar satisface las siguientes condiciones:
Para 3 vectores cualesquiera x, y, z y un escalar arbitrario c,
1. x (y + z) = x y + x z.
2. (cx) y = c (x y).
3. x y = y x.
4. x x 0 y x x = 0 x = 0
Observese que de esta ultima propiedad se deduce que [[x[[ =

x x, por lo
que, de la ecuacion (1.3), se sigue que
cos =
x y
[[x[[ [[y[[
.
1.3.2. Productos interiores y normas
Muchas ideas geometricas tales como la longitud de vectores, los angulos com-
prendidos entre ellos y la perpendicularidad en R
2
y R
3
, se pueden extender
a espacios vectoriales mas generales. Estas ideas estan relacionadas con el con-
cepto de producto interior.
Denicion 4 Sea V un espacio vectorial sobre R. Un producto interior sobre
V es una funcion , : V V R, tal que para cualesquiera elementos
x, y, z V y para todo c R, se satisfacen las siguientes propiedades
1. cx + y, z = c x, z + y, z.
2. x, y = y, x.
3. x, x > 0 si x ,= 0
Ejemplos
1. Como vimos en la subseccion anterior, el producto escalar en R
3
(y en
R
2
) es un producto interior. Mas a un, podemos denir en R
n
la siguiente
funcion
X, Y =
n

i =1
x
i
y
i
, (1.4)
1. Espacios normados 11
donde X = (x
1
, ...x
n
) y Y = (y
1
, ..., y
n
). Para ver que esta funcion es
un producto interior, tenemos que vericar las propiedades dadas en la
denicion 14. Si Z = (z
1
, ..., z
n
) y c R, entonces
cX + Y, Z =
n

i =1
(cx
i
+ y
i
)z
i
=
n

i =1
c x
i
z
i
+ y
i
z
i
= c
n

i =1
x
i
z
i
+
n

i =1
y
i
z
i
= c X, Z + Y, Z.
Ahora, por la conmutatividad de los n umeros reales, es claro que
X, Y = Y, X.
Finalmente si X ,= 0, entonces al menos una entrada del vector X es
distinta de cero, en consecuencia
X, X =
n

i =1
x
2
i
> 0.
Por tanto, la funcion dada en la expresion (1.4) es unproducto interior
sobre R
n
.
2. Sea V = (
[a,b]
el espacio de funciones continuas denidas sobre el inter-
valo [a, b] y denimos la funcion
f, g =
_
b
a
f (t) g(t) dt (1.5)
Como la integral abre sumas y saca escalares, la primera propiedad de
la denicion 14 se cumple, ademas la segunda propiedad se cumple por
la conmutatividad de los n umeros reales. Ahora si f (t) ,= 0 para toda
t [a, b], entonces (f (t))
2
> 0. Como f es continua, se sigue que
f, f =
_
b
a
(f (t))
2
dt > 0,
en consecuencia, la funcion denida en (1.5) es un producto interior.
Como consecuencias inmediatas de la denicion 14, tenemos las siguientes pro-
piedades.
Proposicion 1.3.1 Sea V un espacio vectorial sobre R con producto interior.
Entonces para cualesquiera x, y, z V y c R se tiene que
12 1.3. Espacios normados
1. x, cy + z = c x, y + x, z
2. x, 0 = 0, x = 0.
3. x, x = 0 si y solo si x = 0.
4. Si x, y = x, z para todo x V , entonces y = z
Demostraci on.
1. Observese que
x, cy + z = cy + z, x
= cy, x + z, x
= cx, y + x, z.
2. Notese que
x, 0 = x, y y
para y V . Luego, por la armacion anterior,
x, y y = x, y + x, y
= x, y x, y = 0.
3. Si x = 0, por la armacion anterior se sigue que x, x = 0. Ahora si
x, x = 0, como por denicion se tiene que x, x > 0 si x ,= 0, se
sigue que x = 0.
4. Si x, y = x, z, entonces se tiene que
x, y x, z = x, y z = 0,
para todo x V , en particular para y z, esto es
y z, y z = 0,
por la armacion anterior, y z = 0, es decir y = z.

Esta ultima proposicion nos permite generalizar la nocion de magnitud de


un vector a espacios vectoriales con producto interior.
Denicion 5 Sea V un espacio vectorial sobre R con producto interior. Para
x V denimos la norma o longitud de x como
[[x[[ =
_
x, x
El siguiente resultado muestra que las propiedades para la norma euclidiana
en R
3
se cumplen en general para espacios vectoriales con producto interior.
1. Espacios normados 13
Proposicion 1.3.2 Sea V un espacio vectorial sobre R con producto interior.
Entonces para todo x, y V y c R, se cumplen las siguientes armaciones
1. [[c x[[ = [c[ [[x[[.
2. [[x[[ 0 y [[x[[ = 0 si y solamente si x = 0.
3. [x, y[ [[x[[ [[y[[ (Desigualdad de Cauchy - Schwarz).
4. [[x + y[[ [[x[[ + [[y[[ (Desigualdad del triangulo).
Demostraci on.
1. Por la denicion se tiene que
[[c x[[ =
_
c x, c x =
_
c
2
x, x
= [c[
_
x, x = [c[ [[x[[.
2. Por la denicion 14, se sigue que [[x[[ > 0 si x ,= 0 y, por la proposicion
1.3.1, se sigue que [[x[[ = 0 si y solamente si x = 0.
3. Si y = 0 el resultado es inmediato. Supongamos que y ,= 0. Para todo
R, se tiene que
0 [[x + y[[ = x + y, x + y =
2
[[x[[
2
+ 2 x, y + [[y[[
2
.
Sea [[x[[
2
= a, 2 x, y = b y [[y[[
2
= c. Entonces, se tiene que
a
2
+ 2b + c 0 R.
Ahora, si f () = a
2
+ 2b + c, se sigue que
f

b
2a
_
= 0,
esto es, =
b
2a
es un mnimo para la funcion f. Ademas, como
f () 0 para toda R,
se obtiene que
a
_
b
2
4a
2
_
+ b
_
b
2a
_
+ c 0,
de donde se sigue que
c
b
2
4a
,
por lo tanto
b
2
4ac,
es decir
[x, y[
2
[[x[[
2
[[y[[
2
14 1.3. Espacios normados
4. Por la denicion de norma y las propiedades de producto interior, se tiene
que
[[x + y[[
2
= x + y, x + y
= x, x + 2 x, y + y, y
= [[x[[
2
+ 2 x, y + [[y[[
2
.
Por la desigualdad de Cauchy - Schwarz, se sigue que
[[x + y[[
2
[[x[[
2
+ [[x[[ [[y[[ + [[y[[
2
= ([[x[[ + [[y[[)
2
,
lo cual concluye la demostracion.

Proposicion 1.3.3 (Ley del paralelogramo). Sea V un espacio vectorial


sobre R con producto interior. Entonces, se cumple que
[[x + y[[
2
+ [[x y[[
2
= 2 ([[x[[
2
+ [[y[[
2
)
Demostraci on. Por la denicion de norma en un espacio conproducto interior,
se tiene que
[[x + y[[
2
+ [[x y[[
2
= x + y, x + y + x y, x y
= (x, x + 2 x, y + y, y)
+ (x, x 2 x, y + y, y)
= 2[[x[[
2
+ 2 [[y[[
2
.

Ahora denimos el concepto de norma en general.


Denicion 6 Sea V un espacio vectorial sobre R. Denimos una norma como
una funcion [[ [[ : V R
+
0 que satisface las siguientes condiciones
1. Para todo x V , [[x[[ 0. Ademas, [[x[[ = 0 si y s olamente si
x = 0.
2. Para todo x V y c R, [[c x[[ = [c[ [[x[[.
3. Para cualesquiera x, y, z V , [[x + y[[ [[x[[ + [[y[[.
A un espacio vectorial en donde se ha denido una norma [[ [[ lo llamaremos
simplemente espacio normado.
Hemos visto que a partir de un producto interior se puede generar una norma,
pero no toda norma proviene de un producto interior. Sin embargo, se puede
vericar que si una norma satisface la ley del paralelogramo, se puede construir
un producto interior que la induzca.
1. Espacios normados 15
Proposicion 1.3.4 Sea V un espacio normado sobre R, con norma [[ [[ tal
que satisface la ley del paralelogramo y defnase
x, y =
1
4
_
[[x + y[[
2
[[x y[[
2
_
.
Entonces , es un producto interior tal que [[x[[
2
= x, y para todo x V .
Demostraci on. Para ver que , es un producto interior, tenemos que veri-
car las condiciones establecidas en la denicion 14. Observese que
x, y =
1
4
_
[[x + y[[
2
[[x y[[
2
_
=
1
4
_
[[y + x[[
2
[[y x[[
2
_
= y, x.
Ademas,
x, x =
1
4
_
[[2 x[[
2
[[0[[
2
_
= [[x[[
2
> 0,
si x ,= 0.
Por otro lado, como la norma satisface la ley del paralelogramo, se tiene que
[[x + 2y[[
2
+ [[x[[
2
= [[(x + y) + y[[
2
+ [[(x + y) y[[
2
= 2 ([[x + y[[
2
+ [[y[[
2
)
y
[[x 2y[[
2
+ [[x[[
2
= [[(x y) y[[
2
+ [[(x y) + y[[
2
= 2 ([[x y[[
2
+ [[y[[
2
),
de donde se sigue que
[[x + 2y[[
2
[[x 2y[[
2
= 2([[x + y[[
2
[[x y[[
2
)
por lo que
x, 2y =
1
4
([[x + 2y[[
2
[[x 2y[[
2
)
=
1
4
(2([[x + y[[
2
[[x y[[
2
)) = 2 x, y.
As, para probar que x + y, z = x, z + y, z, vericamos que
x + y, 2z = 2 (x, z + y, z).
De manera similar al argumento anterior, por la ley del paralelogramo se tiene
que
[[x + y + 2z[[
2
+ [[x y[[
2
= 2([[x + z[[
2
+ [[y + z[[
2
)
y
[[x + y 2z[[
2
+ [[x y[[
2
= 2 ([[x z[[
2
+ [[y z[[
2
),
16 1.3. Espacios normados
de donde se obtiene que
||x + y + 2z||
2
||x + y 2z||
2
= 2 (||x + z||
2
||x z||
2
+ ||y + z||
2
||y z||
2
).
En consecuencia, se sigue que
x + y, 2z =
1
4
([[x + y + 2z[[
2
[[x + y 2z[[
2
)
=
1
4
(2 ([[x + z[[
2
[[x z[[
2
+ [[y + z[[
2
[[y z[[
2
))
= 2 (x, z + y, z).
Inductivamente, para n N se tiene que
nx, y = (n 1)x, y + x, y = = nx, y.
Ahora, por el argumento anterior, obtenemos
x, y = m
_
1
m
x
_
, y = m
1
m
x, z,
de donde se concluye que

1
m
x, z =
1
m
x, y.
As, si r =
p
q
, donde p, q N, entonces
r x, y = p
_
1
q
_
x, y = p
_
1
q
_
x, y
=
p
q
x, y = r x, y.
Ahora, si r = 0, se sigue que
0, y =
1
4
([[y[[
2
[[y[[
2
) = 0 = 0 x, y.
Finalmente, si r es negativo, notese que
rx, y = (r) (x), y = r x, y,
pero
x, y = x, y
ya que
x, y + x, y =
1
4
(|| x + y||
2
|| x y||
2
+ ||x + y||
2
||x y||
2
) = 0.
Por lo tanto
rx, y = r x, y = r x, y.
1. Espacios normados 17
Por otra parte, observese que
x, x =
1
4
([[x + x[[
2
[[0[[
2
) = [[x[[
2
, (1.6)
para todo x V . Consecuentemente, por la desigualdad del triangulo y el
argumento anterior, tenemos que
[[x[[
2
+ 2 x, y + [[y[[
2
= [[x + y[[
2
([[x[[ + [[y[[)
2
= [[x[[
2
+ 2 [[x[[ [[y[[ + [[y[[
2
.
De manera similar, tomando [[x y[[
2
, se obtiene que
[[x[[
2
2 x, y + [[y[[
2
[[x[[
2
+ 2 [[x[[ [[y[[ + [[y[[
2
,
de donde se concluye que
[x, y[ [[x[[ [[y[[. (1.7)
Finalmente, sea c R y r Q. Como
(c r) x, y = c x, y rx, y
y
(c r)x, y = cx rx, y = cx, y r x, y,
es claro que
[c x, y cx, y[ = [(c r) x, y (c r) x, y[.
Ahora, por la desigualdad (1.7), se sigue que
[c r[ [[x[[ [[y[[ (c r) x, y
y
(c r)x, y [c r[ [[x[[ [[y[[
y por tanto
|c x, y cx, y| = |(c r) x, y (c r) x, y| 2 |c r| ||x|| ||y||. (1.8)
Por la propiedad arquimediana, para todo c R, se puede encontrar r Q
tal que [c r[ < , donde > 0. Por la desigualdad (2), se concluye que
cx, y = c x, y
para todo c R. As, , es un producto interior y por la ecuacion (34), se
sigue el resultado.
Regresando al estudio de las normas en R
n
, hemos visto que el producto
escalar genera una norma, a saber, la funcion dada por
[[X[[
2
=

_
n

i =1
x
2
i
,
18 1.3. Espacios normados
donde X = (x
1
, ..., x
n
). A esta norma la llamaremos norma euclidiana. Sin
embargo, podemos denir otras funciones que resultan ser normas en R
n
. Por
ejemplo, podemos denir la funcion
[[X[[
1
=
n

i =1
[x
i
[.
Para ver que es una norma, debemos vericar que se cumplen las condiciones de
la denicion 15. En efecto, notese que [[X[[
1
0 ya que estamos considerando
los valores absolutos de las entradas del vector X, ademas, esta funcion toma
el valor cero si y solo si cada una de las entradas del vector es cero. Por otra
parte, si c R, se tiene que
[[c X[[
1
=
n

i =1
[c x
i
[ = [c[
n

i =1
[x
i
[ = [c[ [[X[[
1
.
Finalmente, por la desigualdad del triangulo para el valor absoluto, si Y =
(y
1
, ..., y
n
), se sigue que
[[X + Y [[
1
=
n

i =1
[x
i
+ y
i
[
n

i =1
([x
i
[ + [y
i
[) = [[X[[
1
+ [[Y [[
1
.
Por tanto se sigue que [[X[[
1
dene una norma. Por otro lado, podemos denir
la siguiente funcion
[[X[[
3
=
_
n

i =1
[x
i
[
3
_1
3
.
Esta funcion tambien es una norma. En general, para p 1, si denimos la
funcion
[[X[[
p
=
_
n

i =1
[x
i
[
p
_1
p
,
esta resulta ser una norma. Para demostrar esta armacion, requerimos de un
par de desigualdades que demostraremos a continuacion
Proposicion 1.3.5 (Desigualdad de H older). Sean p > 1 y q > 1 tales
que
1
p
+
1
q
= 1, X = (x
1
, ..., x
n
) y Y = (y
1
, ..., y
n
). Sea X

= ([x
1
[, ..., [x
n
[)
y Y

= ([y
1
[, ..., [y
n
[). Entonces
X


_
_
_
n

i =1
[x
i
[
p
_1
p
_
_
_
_
_
n

i =1
[y
i
[
q
_1
q
_
_
(1.9)
Demostraci on. Para empezar, recordemos la desigualdad de Bernoulli, esto
es, si t 0, entonces
(1 + t)
p
1 + pt,
1. Espacios normados 19
alcanzandose la igualdad cuando t = 0. Ahora, sean a 0 y b > 0 tales que
1 + t =
_
a
b
q
p
_
.
Sustituyendo este valor en la desigualdad de Bernoulli, obtenemos
a
p
b
q
1 + p a b
q
p
p,
donde la igualdad se alcanza cuando a
p
= b
q
. Multiplicando por b
q
ambos
lados de la desigualdad y realizando las operaciones correspondientes, se obtiene
que
a
p
b
q
(1 p) + p a b
q (
p1
p
)
. (1.10)
Como
1
p
+
1
q
= 1, se tiene que q =
p
p1
, por lo que, sustituyendo en la
desigualdad (4.2) obtenemos que
a
p
b
q
(1 p) + p a b,
luego, multiplicando por
1
p
, se obtiene la siguiente desigualdad
a
p
p
+
b
q
q
ab, (1.11)
alcanzando la igualdad cuando a
p
= b
q
. Por otro lado, tomese
a
j
=
[x
j
[
_
n

i =1
[x
i
[
p
_1
p
y
b
j
=
[y
j
[
_
n

i =1
[y
i
[
q
_1
q
,
sustituyendo en la desigualdad (4.3) y sumando sobre todas las j 1, ..., n,
obtenemos
n

j =1
a
j
b
j

n

j =1
_
_
_
_
_
_
[x
j
[
p
p
_
n

i =1
[x
i
[
p
_ +
[y
j
[
q
q
_
n

i =1
[y
i
[
q
_
_
_
_
_
_
_
=
n

i =1
[x
i
[
p
p
_
n

i =1
[x
i
[
p
_ +
n

i =1
[y
i
[
q
q
_
n

i =1
[y
i
[
q
_
=
1
p
+
1
q
= 1,
20 1.3. Espacios normados
es decir
n

j =1
a
j
b
j
1,
de donde se sigue el resultado.
Proposicion 1.3.6 (Desigualdad de Minkowski) Sean x
i
, y
i
R, i
1, ..., n y p 1. Entonces
_
n

i =1
[x
i
+ y
i
[
p
_1
p

_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
(1.12)
Demostraci on. Por la desigualdad del triangulo para el valor absoluto, se
tiene que
n

i =1
[x
i
+ y
i
[
p

i =1
([x
i
[ + [y
i
[)
p
.
Por otra parte, el lado derecho de esta ultima desigualdad, se puede escribir
como
n

i =1
([x
i
[ + [y
i
[)
p
=
n

i =1
([x
i
[ + [y
i
[)
p 1
([x
i
[ + [y
i
[)
=
n

i =1
([x
i
[ + [y
i
[)
p 1
[x
i
[ +
n

i =1
([x
i
[ + [y
i
[)
p 1
[y
i
[.
Luego, deniendo [z
i
[ = ([x
i
[ + [y
i
[)
p 1
y aplicando la desigualdad (4.3) a
cada uno de los sumandos de la expresion anterior, obtenemos
n

i =1
|z
i
| |x
i
| +
n

i =1
|z
i
| |y
i
|
_
n

i =1
|z
i
|
q
_1
q
_
n

i =1
|x
i
|
p
_1
p
+
_
n

i =1
|z
i
|
q
_1
q
_
n

i =1
|y
i
|
p
_1
p
=
_
n

i =1
[z
i
[
q
_1
q
_
_
_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
_
_
=
_
n

i =1
_
([x
i
[ + [y
i
[)
p 1
_
q
_1
q
_
_
_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
_
_
,
como
1
p
+
1
q
= 1, entonces p = q (p 1), de donde se obtiene que
_
n

i =1
_
([x
i
[ + [y
i
[)
p 1
_
q
_1
q
_
_
_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
_
_
=
_
n

i =1
([x
i
[ + [y
i
[)
p
_1
q
_
_
_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
_
_
,
1. Espacios normados 21
lo cual implica que
n

i =1
(|x
i
| + |y
i
|)
p

_
n

i =1
(|x
i
| + |y
i
|)
p
_1
q
_
_
_
n

i =1
|x
i
|
p
_1
p
+
_
n

i =1
|y
i
|
p
_1
p
_
_
,
por lo que, multiplicando esta desigualdad por
1
_
n

i =1
([x
i
[ + [y
i
[)
p
_1
q
se ob-
tiene que
_
n

i =1
([x
i
[ + [y
i
[)
p
_
1
1
q
=
_
n

i =1
([x
i
[ + [y
i
[)
p
_1
p

_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
,
pero, por la desigualdad del triangulo para los valores absolutos, tenemos que
_
n

i =1
([x
i
+ y
i
[)
p
_1
p

_
n

i =1
([x
i
[ + [y
i
[)
p
_1
p
,
de donde se concluye que
_
n

i =1
([x
i
+ y
i
[)
p
_1
p

_
n

i =1
[x
i
[
p
_1
p
+
_
n

i =1
[y
i
[
p
_1
p
,
que era justo lo que se quera demostrar.
De esta forma, la funcion denida por
[[X[[
p
=
_
n

i =1
[x
i
[
p
_1
p
,
donde X = (x
1
, ..., x
n
) dene una norma, ya que, es claro que [[X[[
p
0,
alcanzandose la igualdad si y solamente si cada una de las entradas del vector
X es igual a cero. Ademas, si c R, se tiene que
[[c X[[
p
=
_
n

i =1
[c x
i
[
p
_1
p
= [c[
_
n

i =1
[x
i
[
p
_1
p
[c[ [[X[[.
Finalmente, la desigualdad del triangulo se sigue de la desigualdad (1.12).
Por otra parte, podemos denir la siguiente funcion en R
n
[[X[[

= max [x
i
[ [ i 1, ..., n,
donde X = (x
1
, ..., x
n
). Se arma que esta funcion es una norma en R
n
. Para
ver esto, notese que [[X[[ 0 alcanzando la igualdad si y solamente si cada
entrada del vector X es cero. Ahora, si c R, entonces
||c X|| = max {|c x
i
| | i {1, ..., n}} = |c| max {|x
i
| | i {1, ..., n}} = |c| ||X||.
22 1.4. Espacios m etricos
Finalmente, se tiene que
[[X + Y [[

= max [x
i
+ y
i
[ [ i 1, ..., n = [x
j
+ y
j
[,
para alguna j 1, ..., n. Por la desigualdad del triangulo para el valor abso-
luto, se tiene que
[x
j
+ y
j
[ [x
j
[ + [y
j
[ max [x
i
[ [ i 1, ..., n + max [y
i
[ [ i 1, ..., n,
de donde se concluye que
[[X + Y [[

[[X[[

+ [[Y [[

Se pueden dar otros ejemplos de espacios vectoriales normados: el espacio


de funciones continuas denidas en un intervalo [a, b] con la funcion dada por
[[f[[
p
=
_
_
b
a
([f (x)[)
p
dx
_1
p
p 1
es un espacio normado; el espacio de funciones acotadas con la funcon
[[f[[ = sup [f (x)[ [ x [a, b]
tambien es un espacio normado. Nuestro estudio en la siguiente seccion, se
centrara en como mediremos distancias a partir de las estructuras que hemos
construido hasta el momento.
1.4. Espacios metricos
Entre las propiedades de R
n
, una de las mas importantes es la propiedad
metrica, es decir, la forma en que se mide la distancia entre puntos. Un es-
pacio metrico es un conjunto A equipado con una funcion d : A A R
que proporciona una forma razonable de medir distancias entre dos elementos
de A. Este concepto nos permitira denir mas adelante el concepto de conjunto
abierto y a partir de este ultimo estudiar una serie de propiedades y conceptos
como, por ejemplo, el de convergencia.
Denicion 7 Un espacio metrico es una estructura que consta de un conjunto
A ,= y de una funcion d : A A R
+
0, llamada metrica, que
satisface los siguientes axiomas
1. d (x, y) = 0 x = y.
2. d (x, y) = d (y, x) x, y A.
3. d (x, y) d (x, z) + d (z, y) x, y, z A.
Ejemplos.
1. Espacios normados 23
1. Sea (V, [[ [[) un espacio normado. Para x, y V , denimos
d (x, y) = [[x y[[.
Esta funcion, en efecto, dene una metrica. Notese que, por las propiedades
de la norma, se tiene que d (x, y) 0, ademas d (x, y) = 0 si y solamente
si [[x y[[ = 0, esto pasa si y solamente si x y = 0, lo cual sucede
si y solamente si x = y, con lo que se satisface el primer axioma. Luego
d (x, y) = [[x y[[ = [[ (y x)[[ = [[y x[[ = d (y, x).
Finalmente, por la desigualdad del triangulo para las normas, se tiene que
d (x, y) = ||x y|| = ||(x z) + (z y)|| ||x z|| + ||z y|| = d (x, z) + d (z, y),
de donde se concluye que (V, d) es un espacio metrico. De esta forma,
hemos construido varios ejemplos de espacios metricos:
a) (R
n
, d) donde d : R
n
R
n
R
+
0 esta dada por
d (x, y) =
_
n

i =1
[x
i
y
i
[
p
_1
p
p 1.
En particular, cuando p = 2 se tiene la distancia euclidiana.
b) (R
n
, d), deniendo a d como
d (x, y) = [[x y[[

c) ((
[a,b]
, d) donde d esta denida como
d (f, g) =
_
_
b
a
[f (x) g (x)[
2
dx
_1
2
,
por mencionar algunos.
2. Sea A , = un conjunto arbitrario y defnase la funcion d como
d (x, y) =
_
_
_
1 si x ,= y
0 si x = y.
Entonces (A, d) es un espacio metrico. La vericacion de los detalles se
dejan al lector. Notese que este ejemplo nos dice que cualquier conjunto
distinto del vaco, se puede equipar con una metrica.
3. Sea A = 0, 1 y considerese el conjunto } = A
9
, es decir, las 9-adas
en cuyas entradas hay solo 0s y 1s. Defnase d como
d (x, y) = n umero de lugares en los cuales x y y son diferentes.
Entonces (}, d) es un espacio metrico (de hecho, notese que
d (x, y) =
9

i =1
[x
i
y
i
[).
24 1.4. Espacios m etricos
4. Sea
A = x = x
i

i N
[ x
i
R,

i N
x
2
i
<
y defnase
d (x, y) =

i N
(x
i
y
i
)
2
.
Antes de vericar que esta funcion es una metrica, recordemos que dos
sucesiones x y y son iguales si x
i
= y
i
para toda i N. Ahora, es claro
que d (x, y) 0, alcanzando la igualdad si y solamente si x
i
y
i
= 0
para toda i N. Por otra parte, observese que
d (x, y) =

i N
(x
i
y
i
)
2
=

i N
(y
i
x
i
)
2
= d (y, x).
Finalmente, para la desigualdad del triangulo, si x, y, z A, entonces
las series

i N
(x
i
y
i
)
2
,

i N
(x
i
z
i
)
2
,

i N
(z
i
y
i
)
2
,
convergen. Luego
_
n

i =1
(x
i
y
i
)
2
_1
2

_
n

i =1
(x
i
z
i
)
2
_1
2
+
_
n

i =1
(z
i
y
i
)
2
_1
2
por la desigualdad de Minkowski. Haciendo tender n a innito, se tiene
el resultado. A este espacio se le conoce como espacio de Hilbert (real) y
suele denotarse como l
2
.
5. Sean (A
i
, d
i
), i 1, ..., n espacios metricos. Tomese
A = A
1
A
2
A
n
.
Defnase para x, y A la funcion
d (x, y) =
n

i =1
d
i
(x
i
, y
i
),
donde x = (x
1
, ..., x
n
) y y = (y
1
, ..., y
n
). Se arma que (A, d) es un
espacio metrico. Para demostrar esta armacion, vericamos los axiomas
de la denicion de metrica. Como d
i
es metrica para toda i 1, ..., n,
se sigue que d (x, y) 0, alcanzando la igualdad cuando cada uno de los
sumandos se anula. Esto ultimo sucede si y solamente si x
i
= y
i
para
toda i 1, ..., n, ya que d
i
es metrica. Ademas
d (x, y) =
n

i =1
d
i
(x
i
, y
i
) =
n

i =1
d
i
(y
i
, x
i
) = d (y, x).
1. Espacios normados 25
Finalmente, como cada d
i
es metrica, se tiene que
d (x, y) =
n

i =1
d
i
(x
i
, y
i
)
n

i =1
d
i
(x
i
, z
i
) +
n

i =1
d
i
(z
i
, y
i
)
= d (x, z) + d (z, y),
donde z = (z
1
, ..., z
n
).
6. Sea (A, d) un espacio metrico y } A. Entonces, la restriccion
d
I
= d[
Y Y
: } } R
+
0,
es una metrica en }. Al espacio (}, d
I
) se le conoce como subespacio
metrico. (Recuerde que si f : A B y g : C B tal que A C y
f (x) = g (x) para toda x A, entonces se dice que f es la restriccion
de g sobre A).
En un espacio metrico es posible hablar de vecindades de un punto.
Denicion 8 Sean (A, d) un espacio metrico, x A y > 0. Denimos la
bola abierta de radio con centro en x como
B

(x) = y A [ d (x, y) <


Denicion 9 Una vecindad de x es un conjunto U A, tal que existe > 0
de tal forma que B

(x) U.
Se dice que dos metricas son equivalentes si para cada punto en el espacio
metrico, ambas determinan las mismas vecindades de dicho punto, es decir, dos
metricas d y d

son equivalentes si y solo si para cada punto x X se cumple


lo siguiente:
Dada > 0 existe

> 0 tal que si d

(x, y) <

, entonces d (x, y) < ; y


dada

> 0 existe > 0 tal que si d (x, y) < , entonces d

(x, y) <

.
Para cerrar este captulo, resulta interesante describir geometricamente las
bolas generadas en R
2
y R
3
por las normas [[ [[
p
. Consideremos los conjuntos
B
(p)

= y R
n
[ [[y[[
p
< 1 p 1, n = 2, 3.
Primero consideremos el caso n = 2.
Si p = 1, el conjunto anterior se puede escribir como
y R
2
[ [y
1
[ + [y
2
[ < 1.
Para describir geometricamente este conjunto, parecera natural analizar el con-
junto de puntos cuyas entradas satisfacen la siguiente igualdad
[y
1
[ + [y
2
[ = 1.
26 1.4. Espacios m etricos
(0, 1)
(1, 0)
Figura 1.7: Bola generada por la norma [[ [[
1
en R
2
Notese que como se esta tratando con valores absolutos, basta con analizar lo
que sucede en el cuadrante positivo. El resto del conjunto se obtiene reejando
con respecto al origen y al eje y. De esta forma, trataremos la igualdad
y
1
+ y
2
= 1,
que es equivalente a la igualdad
y
2
= 1 y
1
,
la cual describe una recta que pasa por los puntos (1, 0) y (0, 1). Reejando con
respecto al eje de las ordenadas y con respecto al origen, obtenemos el conjunto
descrito en la Figura 1.7. Observese que los puntos que quedan debajo de la
recta, satisfacen que
y
1
+ y
2
< 1,
por lo que los puntos que conforman al conjunto B
(1)

en R
2
son los que se
encuentran adentrodel cuadrado descrito en la Figura 1.7. Si p = 2, notese
que se tiene una circunferencia con centro en el origen.
(0, 1)
(1, 0)
Figura 1.8: Bola generada por la norma [[ [[

en R
2
Por otra parte, el conjunto B denido como
B = y R
2
[ [[y[[

< 1,
1. Espacios normados 27
genera un lugar geometrico como el descrito en la Figura 1.8, esto debido a que
si consideramos el conjunto de puntos (y
1
, y
2
) tales que
max [y
1
[, [y
2
[ = 1,
tanto sus abscisas como sus ordenadas no podran exceder 1, es decir, se tiene que
y
1
, y
2
[0, 1]. Si y
1
[0, 1) entonces, necesariamente, y
2
= 1 y viceversa, si
y
2
[0, 1), entonces, forzosamente y
1
= 1.
Ahora, si x
1
(0, 1), entonces, para 1 p q, se cumple que x
q
1
x
p
1
,
de donde se obtiene que
1 x
p
1
1 x
q
,
de donde se concluye que la bola generada con la norma [[ [[
p
esta contenida
en la bola generada por la norma [[ [[
q
, para p < q, obteniendo una situacion
como la descrita en la Figura 1.9
(0, 1)
(1, 0)
||X||1
||X||2
||X||4
||X||
Figura 1.9: Comparativo de las bolas generadas por diferentes normas
Se puede hacer un analisis similar para el caso de R
3
. Para el caso de la
norma [[ [[
1
, observese que la ecuacion
x
1
+ x
2
+ x
3
= 1, x
1
, x
2
x
3
0,
describe un plano que pasa por los puntos (0, 0, 1), (0, 1, 0) y (1, 0, 0). Luego,
al reejar con respecto a los ejes y al origen, obtenemos un octaedro (vease la
Figura 1.10). La norma [[ [[
2
genera una esfera, la norma [[ [[

un cubo y,
por un argumento similar al del caso bidimensional, la bola generada por [[ [[
p
esta contenida en la generada por [[ [[
q
, si p q.
Figura 1.10: Norma [[ [[
1
en R
3
Cap

tulo 2
Elementos basicos de
topologa
Existen dos conceptos fundamentales en el desarrollo del calculo diferencial y,
en general, en el analisis real: la convergencia de sucesiones y la continuidad
de funciones. Mas adelante, deniremos funciones sobre subconjuntos de puntos
contenidos en espacios de dimensiones superiores y es conveniente conocer cier-
tas propiedades de conjuntos que llamaremos abiertos, cerrados y compactos.
Estos conjuntos generalizan las ideas de intervalos abiertos y cerrados en la recta
real y constituyen las ideas basicas de la topologa. Gran parte de los resultados
que desarrollamos en este captulo dependen unicamente de las propiedades de
la funcion distancia por lo que, en algunas ocasiones, haremos un analisis de es-
tos conjuntos en espacios metricos mas generales. A menos que haya confusion,
denotaremos unicamente por A a un espacio metrico (A, d).
2.1. Conjuntos abiertos
El concepto de conjunto abierto es crucial en el estudio del calculo y el analisis
real.
Denicion 10 Sea A un espacio metrico y A A. Se dice que A es un
conjunto abierto en A, si para todo x A, existe > 0 tal que B

(x) A.
Notese que, por la denicion 9, un conjunto es abierto si y solamente si es
vecindad de todos sus puntos. A partir de la denicion se puede demostrar que
B

(x), > 0, es un conjunto abierto.


Proposicion 2.1.1 Sean A un espacio metrico, > 0 y x A. Entonces
B

(x) es un conjunto abierto.


Demostraci on. Sea y B

(x). Debemos exhibir un valor

> 0 tal que


B

(y) B

(x). La Figura 2.1 sugiere que al tomar

=
d(x,y)
2
, que es
29
30 2.1. Conjuntos abiertos
x y
d (x,y)
2
Figura 2.1: Idea para la demostracion de la Proposicion 2.1.1
estrictamente positivo ya que d (x, y) < , B

(y) B

(x). En efecto, si
z B

(y), entonces
d (x, z) d (z, y) + d (y, x) <

+ d (x, y) =
d (x, y) +
2
< .
Por tanto, z B

(x).

En la demostraci on de la Proposicion 2.1.1, observese que

depende de
la eleccion de y, esto es, B

(y) sera mas peque na si y esta mas cerca del


contorno de la bola.
Ejemplos.
1. Sea A = R
2
con la metrica generada por la norma euclidiana. Conside-
remos el conjunto dado por
A = (x, y) R
2
[ x (a, b).
Se arma que A es abierto. La Figura 2.2 nos da una idea para la eleccion
de . Para un punto s = (x, y) A, proponemos
= mn [x a[, [x b[.
Sin perdida de generalidad, podemos suponer que 0 < a < b. Tomese
un punto z = (z
1
, z
2
) B

(s), es claro que


[z
1
x[ d (z, s) < .
Si = x a, entonces se tiene que
[z
1
x[ < x a a x < z
1
x < x a
a < z
1
< 2x a = x + (x a) < b,
de donde se sigue que z A.
Si = b x, entonces
[z
1
x[ < b x x b < z
1
x < b x
2x b < z
1
< b.
2. Elementos b asicos de topologa 31
Ahora, 2x b > a ya que, de lo contrario, se tendra que x <
a +b
2
,
esto implica que
b x >
b a
2
y x a <
b a
2
,
de donde se concluye que x a < b x, lo cual es una contradiccion.
Por tanto, 2x b > a de donde se concluye que z A y por lo tanto
A es abierto.
a b
x
Figura 2.2: El conjunto A = (x, y) R
2
[ x (a, b) es abierto
2. Sean A y B subconjuntos abiertos de R
n
. Denimos
A + B = x + y R
n
[ x A, y B.
Se arma que A + B es un conjunto abierto. Para ver esto, consideremos
un punto arbitrario z A + B, entonces existen elementos x A y
y B tales que z = x + y. Como A es abierto, existe > 0 tal que
B

(x) A. Demostraremos que B

(z) A + B. Sea w B

(z),
entonces
[[w z[[ = [[w (x + y)[[ < .
Ahora, observese que w (x + y) = (w y) x, en consecuencia,
w y B

(x) A. Como y B y w = (w y) + y, se sigue que


w A + B. Por tanto A + B es abierto.
3. Sea A un conjunto arbitrario, distinto del vaco y equipado con la metrica
discreta. Si A A, entonces para todo punto x A tomamos =
1
2
.
Luego, B

(x) = x A. Por tanto, todo subconjunto de A es abierto


con la metrica discreta.
32 2.1. Conjuntos abiertos
4. Sea A un espacio normado y x A. Entonces el conjunto x no es
abierto.
Notese que si tomamos la union de una coleccion arbitraria de intervalos
abiertos en R, obtendremos un conjunto abierto. Sin embargo, la interseccion ar-
bitraria de intervalos abiertos no siempre da como resultado un conjunto abierto.
A saber, considerese la coleccion de intervalos dada por
I
n
= (x
0

1
n
, x
0
+
1
n
), n N,
para alguna x
0
R. Observese que

nN
I
n
= x
0
.
Este ejemplo nos sugiere la siguiente propiedad de los conjuntos abiertos.
Proposicion 2.1.2 Sean A un espacio metrico y A

una coleccion de
abiertos en A, entonces
1. Para cualquier conjunto de ndices ,
_

es abierto en A.
2. Si es un conjunto de ndices nito, entonces

es abierto en A.
En particular, si = , por denicion
_

= y

= A.
Demostraci on.
1. Sea x
_

, entonces existe tal que x A

. Como A

es
abierto, existe > 0 tal que
B

(x) A

,
por tanto
_

es abierto.
2. Sea x

, entonces x A

para toda . Como cada A

es abierto, existe

> 0 tal que B

. Como es nito, podemos


tomar
=

[ ;
> 0 y claramente B

(x) B

(x) para toda . Por tanto,


B

,
2. Elementos b asicos de topologa 33
de donde se concluye que

es abierto.
Finalmente, como A contiene a todas las bolas, entonces es abierto y ,
por vacuidad, es abierto.

En general, un conjunto con una coleccion de subconjuntos (llamados por


denicion abiertos) que satisfacen las condiciones de la proposicion 2.1.2 y con-
tiene al vaco y al conjunto total, se le llama espacio topologico y a la coleccion
de subcojuntos se le llama topologa.
Denicion 11 Dos normas denidas sobre un mismo espacio vectorial V se
dicen equivalentes, cuando inducen la misma topologa sobre V , esto es, denen
los mismos abiertos en V .
Esta denicion es equivalente a la siguiente denicion.
Denicion 12 Dos normas [[ [[ y [[ [[

sobre V son equivalentes si y solo si


existen dos constantes a, b > 0 tales que
a[[x[[ [[x[[

b[[x[[ x V.
Diremos que dos normas estan relacionadas ([[ [[ [[ [[

) si y solo si son
equivalentes. Es claro que esta relacion es de equivalencia.
Proposicion 2.1.3 En R
n
, las normas dadas por
[[X[[
p
=
_
n

i =1
[x
i
[
p
_1
p
y
[[X[[

= max [x
i
[ [ i 1, ...., n,
X = (x
1
, ..., x
n
), son equivalentes.
Demostraci on. Observese que [[X[[

= [x
j
[ para alguna j 1, ..., n.
Luego, se tiene que
([x
j
[
p
)
1
p
= [x
j
[
_
_

i =j
[x
i
[
p
+ [x
j
[
p
_
_
1
p
,
por tanto [[X[[

[[X[[
p
. Por otro lado, notese que
[x
i
[ [[X[[

i 1, ..., n

i =1
[x
i
[
p
n([[X[[

)
p
[[X[[
p

p

n[[X[[

34 2.1. Conjuntos abiertos


Este resultado nos permite trabajar indistintamente con cualquier norma.
Mas adelante demostraremos que cualquier norma en R
n
es equivalente a la
norma [[ [[
p
, por lo que basta analizar las propiedades de los abiertos en R
n
con la norma euclidiana.
Presentamos ahora otra nocion topologica basica que caracteriza a los con-
juntos abiertos.
Denicion 13 Sean A = (X, d) un espacio metrico y A un subconjunto de
X. Se dice que un punto x A es interior, si existe U X abierto tal que
x U A.
A la coleccion de todos los puntos interiores se le llamar a interior de A y se
denota por A
o
.
Ejemplos.
1. Considerese el conjunto
A = (x, y) R
2
[ x (a, b).
Ya se verico que este conjunto es abierto, es decir, para todo x A,
existe > 0 tal que
B

(x) A.
Tambien, hemos demostrado que para todo punto x en un espacio metrico,
B

(x) es un conjunto abierto. En consecuencia, es claro que A


o
= A.
2. Sea A = [a, b]. Se arma que A
o
= (a, b). Si x (a, b), como este
ultimo es un conjunto abierto, se sigue que existe un valor > 0 tal que
B

(x) A, esto es, existe un conjunto abierto totalmente contenido en


(a, b) que contiene al punto x. Por otro lado, si x A
o
, entonces existe
U R abierto, tal que x U A. Ahora,
x , (, a) (b, ),
ya que de lo contrario, como (, a) (b, ) es un conjunto abierto,
se puede construir un intervalo centrado en x de radio > 0, tal que
este totalmente contenido en (, a) (b, ). Por otra parte, x ,= a,
ya que para toda > 0, (a , a + ) interseca al complemento de A,
es decir, no existe una vecindad de a que este totalmente contenida en
(a, b). Un argumento similar demuestra que b tampoco es punto interior.
Por tanto, x (a, b), de donde se sigue que A
o
= (a, b).
El siguiente resultado proporciona otras descripciones equivalentes del inte-
rior de un conjunto.
Proposicion 2.1.4 Sean A = (X, d) un espacio metrico y A X. Enton-
ces, las siguientes armaciones son equivalentes.
2. Elementos b asicos de topologa 35
a) x es un punto interior de A.
b) Existe > 0 tal que B

(x) A.
c) x

B A[ B es un conjunto abierto
Demostraci on.
a) b)
Si x A
o
, entonces existe un abierto U tal que
x U A.
Como U es abierto, existe > 0 tal que B

U A.
b) a)
Ya se demostro que B

(x) es un conjunto abierto, por lo que es claro que x es


un punto interior de A.
a) c)
Sea G =

B A[ B es un conjunto abierto. Se tiene que x G, si y


solamente si x B, para alg un abierto B A, esto es, x A
o
.
c) a)
Si x A
o
, entonces existe un abierto U tal que x U A. Por tanto
x G.

La proposicion 2.1.4 muestra que el interior de un conjunto es abierto. Mas


a un, un conjunto A es abierto si y solamente si A = A
o
. Notese que el interior
de un conjunto es el abierto mas grande contenido en A. El siguiente resultado
muestra algunas propiedades para los interiores de conjuntos en un espacio
metrico. La demostracion de estos hechos se le deja al lector.
Proposicion 2.1.5 Sean A = (X, d) un espacio metrico y A, B subconjuntos
de X. Entonces
1. X
o
= X.
2. A
o
A.
3. (A
o
)
o
= A
o
.
4. (A B)
o
= A
o
B
o
.
5. Si A B, entonces A
o
B
o
.
6. A
o
B
o
(A B)
o
.
36 2.2. Conjuntos cerrados
2.2. Conjuntos cerrados
Los conjuntos que se conocen como cerrados, al igual que los abiertos, deter-
minan la topologa de los espcaios metricos. Sin embargo, sus propiedades son
diferentes a las de los abiertos, por lo que resulta importante estudiarlos por
separado.
Denicion 14 Sean A = (X, d) un espacio metrico y B X. Se dice que
B es un conjunto cerrado si B
c
es abierto.
Ejemplos.
1. Sea x R
n
. Se arma que x es un conjunto cerrado en R
n
. Para ver
esto, considerese R
n
x y tomese un punto y R
n
x. Denimos
=
d (x,y)
2
y construmos la bola con centro en y y radio . Luego, si
z B

(y), entonces
d (x, z) d (x, y) d (z, y) d (x, y) = d (x, y)
d (x, y)
2
=
d (x, y)
2
> 0,
de donde se sigue que d (x, z) > 0, por lo que z R
n
x. As,
R
n
x es abierto y, por lo tanto x es cerrado en R
n
. Mas a un, por
la proposicion 2.2.1, se sigue que un conjunto nito en R
n
es cerrado.
y
Figura 2.3: El complemento de la bola unitaria es un conjunto abierto
2. Consideremos C = x R
n
[ [[x[[
2
1. Se arma que C es ce-
rrado. Para demostrar esta armacion, notese que si y C
c
, se tiene que
[[y[[
2
> 1, por lo que tomamos = [[y[[
2
1 (vease la Figura 2.3). Sea
z B

(y). Aplicando la desigualdad del triangulo se tiene que


[[y[[
2
[[z[[
2
[[y z[[
2
< 1 = [[y[[
2
< [[z[[
2
,
es decir, z C
c
. En consecuencia, B

(y) C
c
, esto es, C
c
es abierto,
de donde se concluye que C es cerrado.
2. Elementos b asicos de topologa 37
3. El conjunto dado por
R = (x, y) R
2
[ x (a, b], y [c, d],
no es un conjunto cerrado. Notese que el conjunto R
c
no es abierto, ya
que para toda > 0, la bola de radio centrada en un punto de la forma
(a, y), donde y (c, d), no esta totalmente contenida en R
c
(vease la
Figura 2.4).
a b
c
d
Figura 2.4: El conjunto R no es cerrado
De la denicion 14 y la proposicion 2.1.2, se obtiene el siguiente resultado.
Proposicion 2.2.1 Sean A un espacio metrico y A

una coleccion de
cerrados en A, entonces
1. Para cualquier conjunto de ndices ,

es cerrado en A.
2. Si es un conjunto de ndices nito, entonces
_

es cerrado en
A.
Otro concepto topologico basico que nos ayudara a determinar si un conjunto
es cerrado es el de punto de acumulacion.
Denicion 15 Sean A = (X, d) un espacio metrico y A X. Se dice que
un punto x X es un punto de acumulacion de A si existe un abierto U X
tal que x U y (U x) A ,= . Al conjunto de puntos de acumulaci on
de A se le conoce como conjunto derivado y se denota por A

.
38 2.2. Conjuntos cerrados
Observese que esta denicion nos dice que un punto es de acumulacion de un
conjunto A, si esta arbitrariamente cercano a los puntos de A. Por la propo-
sicion 2.1.1, podemos reformular la denicion 15 de la siguiente manera:
Se dice que un punto x X es un punto de acumulacion de A si para toda
> 0, (B

(x) x) A ,= .
Se dice que un punto x A es aislado si existe un valor > 0 tal que
(B

(x) x) A = .
Ejemplos.
1. Sea A = (0, 1). Si x [0, 1], es claro que para toda > 0 se cumple
que
((x , x + ) x) (0, 1) ,= .
Si x < 0, como (, 0) es un conjunto abierto, existe un valor > 0
tal que (x , x + ) (, 0), es decir, existe un valor tal que el
intervalo centrado en x de radio no interseca al conjunto A, de donde
se concluye que x no es punto de acumulacion para el conjunto A. Un
argumento similar prueba que ning un punto en (1, ) es de acumulacion
de A.
2. Considerese el conjunto dado por
A = (x, y) R
2
[ x [0, 1], y Q (0, 1).
Se arma que A

= [0, 1] [0, 1]. Para ver esto, sea


w = (x, y) [0, 1] [0, 1].
Por la propiedad arquimediana, para todo valor > 0, se satisface que
(y , y +) Q ,= ,
donde y [0, 1]. De esta forma, para toda > 0 se tiene que
(B

(w) w) A ,= ,
de donde se sigue que w A

. Finalmente, si w A

, por la parte
anterior se sigue que w [0, 1] [0, 1].
3. Sea x
n

nN
R, una sucesion de puntos distintos, acotada. Por el teo-
rema de Bolzano-Weierstrass para sucesiones en R, existe una subsucesion
x
n
k
convergente, digamos a x
0
. Luego, x
0
es un punto de acumulacion
para la sucesion x
n
, ya que para toda > 0, existe N N tal que
[x
n
k
x
0
[ < , si n
k
> N. Esto quiere decir que para toda > 0,
(B

(x
0
) x
0
) x
n
,= .
2. Elementos b asicos de topologa 39
4. Tomese la bola A = B

(x) R
2
. Se puede ver que el conjunto
B

(x) = y R
2
[ d (x, y)
es el conjunto de puntos de acumulacion de A (la vericacion de los deta-
lles se le dejan al lector). Sin embargo, este resultado es falso en general.
Si consideramos X un conjunto arbitrario, distinto del vaco, equipado
con la metrica discreta, notese que, para x X,
B
1
(x) = x (B
1
(x))

= .
Por otro lado
B
1
(x) = y R
2
[ d (x, y) 1 = X.
Las nociones de punto de acumulacion y conjunto cerrado estan fuertemente
relacionadas, tal y como lo muestra el siguiente resultado.
Teorema 2.2.2 Sean A = (X, d) un espacio metrico y A X. Entonces A
es cerrado si y solamente si A

A.
Demostraci on. Supongamos que A es un conjunto cerrado. Si x A
c
,
entonces existe un valor > 0 tal que B

(x) A
c
. Luego B
e
(x) A = ,
de donde se sigue que x , A

. Por tanto, A contiene a todos sus puntos de


acumulacion.
Por otro lado, supongamos que A

A. Si x A
c
, entonces x , A

, de
donde se sigue que existe > 0 tal que B

(x) A = , es decir, B

(x) A
c
,
por lo que se concluye que A
c
es abierto, lo cual prueba el resultado.

En la seccion anterior vimos que el interior de un conjunto A es el abierto


mas grande contenido en A. De manera similar, podemos construir el conjunto
cerrado mas peque no que contiene a A.
Denicion 16 Sean A = (X, d) un espacio metrico y A X. Se dene la
cerradura de A, denotada por A, como el conjunto
A =

B X[ A B, B cerrado
Como la interseccion arbitraria de cerrados es un conjunto cerrado, se si-
gue que A es cerrado. Notese que A A. El siguiente resultado muestra la
conexion entre los puntos de acumulacion y la cerradura de un conjunto.
Proposicion 2.2.3 Sean A = (X, d) un espacio metrico y A X. Entonces
A = A

A.
Demostraci on. Sea B = A A

. Por el Teorema 2.2.2, se sigue que cualquier


conjunto cerrado que contiene a A, debe contener a B. Por tanto, basta con
demostrar que B es cerrado. Para ver esto, sea y B

, esto es, para > 0


(B

(y) y) B ,= .
40 2.2. Conjuntos cerrados
Tomese z (B

(y) y) B; luego z A o z A

. En este ultimo caso,


tomando

= d (z, y), se tiene que


(B

(z) z) A ,=
donde B

(z) z contiene puntos distintos de y, es decir, y A

y, en
consecuencia, y B. De esta forma, B es el cerrado mas peque no que contiene
a A, como se quera demostrar.

Como consecuencia de esta proposicion se tiene que un conjunto A es ce-


rrado si y solo si A = A. El siguiente resultado muestra otra forma de denir
la cerradura de un conjunto.
Proposicion 2.2.4 Sean A = (X, d) un espacio metrico y A X. Entonces
x A si y solamente si
= nf d (x, y) [ y A = 0.
Demostraci on. Si x A, por la proposicion 2.2.3, x A o x A

. Si
x A, tomando x = y se sigue que = 0. Si x A

, entonces para toda


> 0 existe y A tal que d (x, y) < , de donde se concluye nuevamente
que = 0.
Por otro lado, si = 0 y x , A, como es el nmo, se tiene que para
cualquier valor > 0, existe y A tal que d (x, y) < , de donde se obtiene
que x A

, que era lo que se quera demostrar.

En forma analoga a los interiores de conjuntos, el siguiente resultado presenta


algunas propiedades para la cerradura de conjuntos. Dejamos la vericacion de
los detalles al lector.
Proposicion 2.2.5 Sean A = (X, d) un espacio metrico y A, B subconjuntos
de X. Entonces
1. = .
2. A A.
3. A = A.
4. A B = A B.
5. Si A B, entonces A B.
6. A B A B.
Para cerrar esta seccion, presentamos el concepto de frontera de un conjunto.
Denicion 17 Sean A = (X, d) un espacio metrico y A X. Denimos la
frontera de A, denotada por A, como el conjunto
A = A A
c
.
2. Elementos b asicos de topologa 41
Como la interseccion de conjuntos cerrados es un conjunto cerrado, se sigue que
la frontera de A es un conjunto cerrado. Ademas, notese que A = A
c
.
Proposicion 2.2.6 Sea A X. Entonces x A si y solo si para toda
> 0,
B

(x) A ,= ,= B

(x) A
c
(2.1)
Demostraci on. Si x X tal que se satisface la condicion (2.1), entonces
B

(x) contiene puntos de A y de A


c
distintos de x. As, x A.
Por otra parte, supongamos que x A. Observese que x A o x A
c
.
Si x A, como x A, por el Teorema 2.2.2, se sigue que x (A
c
)

. Un
argumento similar muestra que si x A
c
, entonces x A

2.3. Sucesiones
El concepto de convergencia es uno de los mas importantes en diversas areas
de la matematica. En esta seccion, estudiaremos la nocion de convergencia de
una sucesion en espacios metricos, en particular, en R
n
. Recordemos que una
sucesion en un conjunto X ,= , es una funcion que asocia un n umero natural
a un elemento de X, esto es, una correspondencia de la forma S : N R,
donde R X. Normalmente, cuando nos referimos a la imagen de un elemento
n en el dominio, bajo una funcion S, la denotamos por S(n). Sin embargo, en
el caso de las sucesiones, denotaremos por S
n
a la imagen del natural n; a la
sucesion con los elementos S
n
la denotaremos por S
n

n=1
. Por otra parte, al
conjunto R lo llamaremos recorrido de la sucesion. Seg un la propia denicion,
una sucesion contiene una innidad de elementos.
Recordemos la denicion de convergencia en R. Si los terminos de una su-
cesion x
n
se acercan a un n umero L, se dice que la sucesion tiende al lmite
L (tambien suele decirse que x
n
converge a L) y se denota por
lm
n
x
n
= L
este smbolo se lee: el lmite de la sucesion x
n
cuando n tiende a innito es L.
x
N
x
N +1
L
Figura 2.5: Convergencia en R
42 2.3. Sucesiones
Denicion 18 Sea x
n
una sucesion contenida en R. Se dice que x
n
con-
verge a un valor L si dada > 0 existe N N tal que
[x
n
L[ <
para cualquier n > N.
Intuitivamente, esta denicion nos dice que la sucesion converge a un cierto
valor si a partir de cierto momento los elementos de la sucesion y ese valor se
parecen mucho. Gracamente, el concepto de convergencia signica que para
una N sucientemente grande, los elementos de la sucesion
x
N+1
, x
N+2
, x
N+3
, .....
pertenecen a un intervalo de radio con centro en el valor L. Notese que los
elementos x
N+1
, x
N+2
, x
N+3
, ....., x
N
quedan fuera de este intervalo, es decir,
en el intervalo de convergencia se encuentra una innidad de elementos de la
sucesion, mientras que fuera del intervalo quedan solo un n umero nito (vease
la Figura 2.5)
La denicion de convergencia en un espacio metrico es muy parecida.
Denicion 19 Sean A = (X, d) un espacio metrico y x
n
X una su-
cesion. Se dice que x
n
converge a x
0
X, si para todo abierto U X que
contiene a x
0
, existe N N tal que x
n
U, si n N.
El siguiente resultado presenta una denicion equivalente, con la que el lector
puede estar mas familiarizado.
Proposicion 2.3.1 Sean A = (X, d) un espacio metrico y x
n
X una
sucesion. x
n
converge a x
0
X si y solo si dada > 0 existe N N tal
que si n N, entonces d (x
n
, x
0
) < .
Demostraci on. Supongamos que x
n
x
0
y sea > 0. Por la proposicion
2.1.1, sabemos que B

(x
0
) es abierto; luego, existe un valor N N tal que
x
n
B

(x
0
), esto es, d (x
n
, x
0
) < .
Por otro lado, sea U una vecindad de x
0
y supongase que dada > 0
existe N N tal que si n N, entonces d (x
n
, x
0
) < . Como U es una
vecindad de x
0
, se puede encontrar un valor > 0 tal que B

(x
0
) U. De
esta forma, existe N N tal que si n N, entonces x
n
B

(x
0
) U y,
por tanto, x
n
x
0
, como se quera demostrar.

Ejemplos.
1. Sea x
n
=
1
n
. Vericamos que x
n
converge a 0. Sea > 0, entonces
se tiene que

1
n

=
1
n
< n >
1

,
como > 0, esta ultima desigualdad esta bien denida, por lo que se
sigue que la sucesion x
n
converge a cero.
2. Elementos b asicos de topologa 43
2. Considerese la sucesion de n umeros complejos dada por z
n
= 1 +
i
n
.
Recordemos que existe una biyeccion entre C y R
2
. De esta forma, z
n

converge, si y solo si x
n
=
_
1,
1
n
_
converge en R
2
. Se arma que x
n

converge a x
0
= (1, 0). En efecto, observese que
[[x
n
x
0
[[
2
=
_
_
_
_
_
0,
1
n
__
_
_
_
2
=

1
n

< ,
para > 0 y n sucientemente grande. As, z
n
z
0
, donde z
0
= 1.
3. Tomese X un conjunto arbitrario, no vaco y equipado con la metrica
discreta. Notese que en este espacio, las sucesiones convergentes son las
casi constantes, es decir, aquellas sucesiones tales que x
n
= x
0
para
n N.
4. Sea X = (0, 1] y considerese la metrica usual de R restringida a X.
Sabemos que en R, la sucesion x
n
=
1
n
es convergente y converge a
0. Sin embargo, esta sucesi on en X no converge, ya que 0 , X. Este
ejemplo muestra que el concepto de convergencia depende de la metrica y
el espacio que estemos considerando.
Una propiedad fundamental del lmite de una sucesion es la unicidad.
Proposicion 2.3.2 Sea x
n
una sucesion convergente contenida en un espa-
cio metrico, entonces su lmite es unico.
Demostraci on. Supongamos que x
n
x
0
y x
n
y
0
, esto es, dada
> 0, existe N N tal que
d (x
n
, x
0
) <

2
y d (x
n
, y
0
) <

2
,
si n N. Luego
d (x
0
, y
0
) d (x
0
, x
n
) + d (x
n
, y
o
) < ,
si n N.

Sabemos que en R, una sucesi on convergente es acotada. Para ver este hecho
en general, requerimos el concepto de conjunto acotado en espacios metricos.
Denicion 20 Sea A = (X, d) un espacio metrico y A X. Se dice que A
es acotado si existen x X y un valor M > 0 tal que A B
M
(x).
Proposicion 2.3.3 Sean A un espacio metrico, x
n
una sucesion conver-
gente, digamos a x
0
y R el recorrido de la sucesion. Entonces
a) R es acotado.
b) x
0
R

44 2.3. Sucesiones
Demostraci on. a) Sea = 1 y N N correspondiente a este valor.
Entonces, si n N, x
n
B
1
(x
0
). Tomando
s = max d (x
0
, x
i
) [ i 1, 2, ..., N 1 + 1,
se sigue que x
n
B
s
(x
0
) para toda x
n
R.
b) Como para toda > 0, la bola B

(x
0
) contiene un punto de R, se concluye
que x
0
R

Proposicion 2.3.4 Sean A = (X, d) un espacio metrico y A un subconjunto


de X. Si x
0
A, entonces existe una sucesion x
n
A tal que x
n
x
0
.
Demostraci on. Como x
0
A, para cada n N, existe un punto x
n
A
tal que d (x
n
, x
0
) <
1
n
. Luego d (x
n
, x
0
) 0, es decir, x
n
x
0
.

Por otra parte, tomese la sucesion x


n
= (1)
n
. Si suponemos que 1 es el
punto de convergencia, notese que para n = 2k 1, k N, [x
n
1[ = 2 > 1,
por lo que 1 no puede ser lmite de la sucesion x
n
; de forma analoga se puede
vericar que 1 no es lmite de la sucesion x
n
.
En el ejemplo anterior, si tomamos las subsucesiones
x
2k

k N
y x
2k 1

k N
,
observamos que convergen a 1 y a 1 respectivamente. Este hecho nos hace
pensar en el siguiente resultado: Una sucesion converge a un n umero real si
y solamente si todas sus subsucesiones convergen a . Este resultado tambien
es cierto para espacios metricos en general.
Proposicion 2.3.5 Una sucesion x
n
en un espacio metrico converge a x
0
si y solamente si todas sus subsucesiones convergen a x
0
.
Demostraci on. Supongamos que x
n
x
0
. Esto quiere decir que dada
> 0, existe N N tal que d (x
n
, x
0
) , si n N. Sea x
n
k
x
n

una subsucesion. Entonces, existe M N tal que n


k
N para k M.
Luego, si k M, se sigue que d (x
n
k
, x
0
) < , como se quera demostrar.
Por otra parte, si cada subsucesion de x
n
converge, en particular, la sucesion
completa es subsucesi on de s misma, por lo que se sigue el resultado.

Existe un tipo de sucesiones de particular interes: las sucesiones de Cauchy.


Denicion 21 Sean A un espacio metrico y x
n
un sucesion. Se dice que
x
n
es de Cauchy, si dada > 0 existe N N tal que d (x
n
, x
m
) < , si
n, m N.
2. Elementos b asicos de topologa 45
De manera intuitiva, decimos que una sucesion es de Cauchy cuando, a partir
de cierto momento, los elementos de la sucesion son practicamente iguales. Otra
propiedad de las sucesiones de Cauchy es que son acotadas. La demostracion
de este hecho es muy parecida al caso de sucesiones de Cauchy en R, por lo
que la prueba se le deja al lector. El siguiente resultado presenta una condicion
necesaria para la convergencia de sucesiones en espacios metricos.
Teorema 2.3.6 Sean A un espacio metrico y x
n
una sucesion convergente,
digamos a x
0
. Entonces x
n
es de Cauchy.
Demostraci on. Como x
n
x
0
, entonces para toda > 0, existen
N
1
, N
2
N, de tal forma que
d (x
n
, x
0
) <

2
si n > N
1
y d (x
m
, x
0
) <

2
si m > N
2
.
Tomando N = max N
1
, N
2
, se tiene que
d (x
n
, x
0
) <

2
y d (x
m
, x
0
) <

2
,
si n, m > N. En consecuencia, se sigue que
d (x
n
, x
m
) d (x
n
, x
0
) + d (x
m
, x
0
) < ,
esto es, x
n
es una sucesion es de Cauchy.

La implicacion inversa en general es falsa. Tomando X = (0, 1] y la sucesion


x
n
=
1
n
, se tiene un ejemplo de una sucesion de Cauchy que no es convergente
en X. A los espacios metricos que satisfacen la doble implicacion los llamare-
mos completos. Demostraremos que R
n
es un espacio metrico completo. Para
demostrar este hecho, necesitamos algunos resultados previos.
Denicion 22 Sean (a
i
, b
i
) R, i 1, ...n, una coleccion de interva-
los abiertos. Se dene una n-celda abierta como el producto cartesiano de los
intervalos (a
i
, b
i
), esto es, una n-celda abierta es el conjunto de la forma
I
n
= (x
1
, ..., x
n
) R
n
[ x
i
(a
i
, b
i
), i 1, ...n.
De forma similar, denimos la n-celda cerrada como el conjunto dado por
J
n
= (x
1
, ..., x
n
) R
n
[ x
i
[a
i
, b
i
], i 1, ...n.
Observese que un conjunto A R
n
es acotado si esta contenido en una n-
celda.
Teorema 2.3.7 (de las celdas anidadas.) Sea J
k

k N
una sucesion de
celdas cerradas en R
n
tales que J
1
J
2
.... Entonces existe un punto
x
0
R
n
tal que x
0

k N
J
k
.
46 2.3. Sucesiones
Demostraci on. Sea J
k
el conjunto dado por
J
k
= (x
1
, ..., x
n
) R
n
[ x
i
[a
(k)
i
, b
(k)
i
], i 1, ...n
Notese que [a
(k)
1
, b
(k)
1
] [a
(k 1)
1
, b
(k 1)
1
], donde k > 1 (vease la Figura
2.6).
a
(1)
1
b
(1)
1
b
(2)
1
a
(2)
1
a
(3)
1
b
(3)
1
a
(1)
2
a
(2)
2
b
(1)
2
b
(2)
2
Figura 2.6: 2-celdas anidadas
Por la completez de R, existe y
1
R tal que
y
1

k N
[a
(k)
1
, b
(k)
1
];
aplicando el mismo argumento para las demas componentes, existe x
0
R
n
tal que x
0
= (y
1
, ..., y
n
), donde
y
j

k N
[a
(k)
j
, b
(k)
j
], j 1, ..., n.
En consecuencia, x
0

k N
J
k
.

Este resultado se puede generalizar a espacios metricos. Para ver la genera-


lizacion, requerimos la siguiente denicion.
2. Elementos b asicos de topologa 47
Denicion 23 Sea A un espacio metrico. Denimos el diametro de un con-
junto A en el espacio metrico como
diam(A) = supd (x, y) [ x, y A.
Teorema 2.3.8 (del encaje de Cantor). Sean A = (X, d) un espacio
metrico completo y A
i

i N
una sucesi on de conjuntos tales que
1. A
n+1
A
n
, n N.
2. A
i
es cerrado para toda i N.
3. lm
n
diam(A
n
) = 0.
entonces, existe x
0
X tal que

i N
A
i
= x
0
.
Demostraci on. Sean x
n
A
n
, y > 0. Como lm
n
diam(A
n
) = 0,
entonces existe N N tal que diam(A
n
) < , si n N. Como la sucesion
de conjuntos es decreciente, se tiene que diam(A
n
) diam(A
N
) si n > N.
Ahora
d (x
n
, x
m
) diamA
N
< .
Por tanto, la sucesion x
n
es de Cauchy y como el espacio es completo, se
sigue que x
n
converge, digamos a un punto x
0
. Por otra parte, como A
i
es
cerrado para toda i, se sigue que A
i
= A
i
. Notese que
x
n
[ n k A
k
Se arma que

ni N
A
i
= x
0
.
Si existe a
0
X tal que a
0

ni N
A
i
, entonces
0 d (x
0
, a
0
) diam(A
n
) < ,
para n sucientemente grande. Por tanto, x
0
= a
0
.

El siguiente resultado generaliza el teorema de Bolzano-Weierstrass de R.


Teorema 2.3.9 (Bolzano-Weierstrass). Todo subconjunto A R
n
aco-
tado innito, tiene un punto de acumulaci on.
48 2.3. Sucesiones
Demostraci on. Sea A un subconjunto acotado con una cantidad innita de
elementos. Entonces existe una n-celda cerrada, digamos J
1
, tal que A J
1
.
Bisecando cada una de sus aristas, dividimos a J
1
en 2
n
celdas cerradas. Como
A tiene una innidad de puntos, entonces existe una n-celda cerrada J
2
, tal que
J
2
J
1
y que contiene una innidad de elementos de A. Nuevamente, bise-
cando cada una de las aristas de J
2
, encontraremos una celda cerrada J
3
J
2
tal que contenga una innidad de puntos de A. Repitiendo el proceso, obtene-
mos una sucesion de n-celdas cerradas que satisface las hipotesis del Teorema
2.3.7. En consecuencia, existe un punto x
0
R
n
tal que x
0

k N
J
k
.
Por otro lado, si J
1
= [a
1
, b
1
] [a
n
, b
n
], denimos la medida de J
1
como
0 < l (J
1
) = sup b
i
a
i
[ i 1, ..., n.
Luego
0 < l (J
k
) =
l (J
1
)
2
k 1
k N.
Sea U una vecindad de x
0
y supongamos que B
(2)
r
(x
0
) U, donde
B
(2)
r
(x
0
) = x R
n
[ [[x x
0
[[
2
< r.
Sea k N tal que J
k
U; esto lo podemos hacer ya que
[x
i
[ [[x[[
2

n sup [x
i
[ [ i 1, ..., n,
as, si w J
k
, entonces
[[x
0
w[[
2

nl (J
k
) =

nl (J
1
)
2
k 1
.
Luego, por propiedad arquimediana, existe k N sucientemente grande, tal
que

nl (J
1
)
2
k 1
< r.
Por tanto, para cada k N, se tiene que J
k
U. Como J
k
tiene una
cantidad innita de elementos de A, se concluye que U contiene al menos un
elemento de A distinto de x
0
, es decir, x
0
A

, con lo que queda demostrado


el teorema.

Teorema 2.3.10 R
n
es un espacio metrico completo.
Demostraci on. Sea x
n
una sucesion de Cauchy y sea R su recorrido. Si R
es nito, entonces todos los terminos de la sucesion, salvo una cantidad nita,
son iguales y, por tanto, x
n
converge. Por otra parte, si R es innito, como
una sucesion de Cauchy es acotada (Por que?), se sigue que R es innito y
acotado y, por el teorema 2.3.9, R tiene un punto de acumulacion, digamos
2. Elementos b asicos de topologa 49
x
0
. Esto ultimo quiere decir que para toda > 0 B

2
(x
0
) contiene un punto
x
m
R. Finalmente, como x
n
es de Cauchy, se obtiene que
d (x
n
, x
0
) d (x
n
, x
m
) + d (x
m
, x
0
) < si n, m N,
para alguna N N. Por tanto, x
n
x
0
. El Teorema 2.3.6 concluye la
prueba.

2.4. Compacidad
La compacidad es otra de las condiciones mas importantes para resultados fun-
damentales en muchas areas como la topologa, el analisis y el calculo. En esta
seccion estudiaremos los conceptos basicos relacionados con la compacidad. Se
analizaran condiciones equivalentes a la compacidad. Estudiaremos los teore-
mas fundamentales sobre compacidad en R
n
y sus generalizaciones a espacios
metricos. Para empezar, presentamos la denicion de cubierta.
Denicion 24 Sean A = (X, d) un espacio metrico, A X y ( = U

una colecci on de subconjuntos de X, donde es un conjunto de ndices. Se


dice que ( es una cubierta de A en X si
A
_

.
Diremos que la cubierta es abierta (o cerrada), si U

es abierto (o cerrado)
para toda .
Si (

( y (

tambien es una cubierta, diremos que (

es una subcubierta de
( para A. Diremos que una cubierta es nita (o numerable), si como conjunto
es nito (o numerable). A continuacion, presentamos la denicion de conjuntos
compactos en espacios metricos.
Denicion 25 Sean A = (X, d) y A X. Se dice que A es compacto si
toda cubierta abierta de A contiene una subcubierta nita.
Ejemplos.
a) Sea A un espacio metrico y consi

derese un punto x en el espacio. Es


claro que el conjunto x es compacto.
b) Sea [a, b] un intervalo cerrado en R. Se arma que [a, b] es compacto.
Para ver esto, sea ( = C

una cubierta de [a, b] y defnase el


conjunto
B = {x [a, b] | [a, x] se puede cubrir con una cantidad nita de elementos de C}.
Notese que B ,= , ya que al menos a B. Ademas, para todo x B,
se tiene que b > x. Por la propiedad del supremo, existe s R tal que
50 2.4. Compacidad
s = sup B. Como a B y b > x para toda x B, se sigue que
s [a, b]. En consecuencia, existe
0
tal que s C
0
. Luego,
existe > 0 tal que (s , s + ) C
0
. Tambien, existe x B tal
que x (s , s), es decir, [a, x] tiene una subcubierta nita, digamos
C
1
, ..., C
n
, C
0
Por tanto,
_
a, s +

2

tiene una subcubierta nita, a


saber, C
1
, ..., C
n
, . As, se concluye que s B. Se arma que s = b.
Si no, como
_
a, s +

2

tiene una subcubierta nita, entonces existe un


elemento r B tal que r > s, lo cual es una contradiccion. De esta
forma, hemos demostrado que [a, b] es compacto.
c) Si A R
n
es compacto y x R
m
, entonces R = A x es un
subconjunto compacto en R
n
R
m
. Para vericar esta armacion, con-
siderese una cubierta abierta ( de R y dena la coleccion
B = B R
n
[ B = y A[ (y, x) C, para alguna C (.
Es claro que B es una cubierta abierta de A. Como A es compacto, existe
una subcubierta de B para A, digamos B

= B
1
, ..., B
l
. Observese
cada B
i
se corresponde con un elemento C
i
de (, i 1, ..., n, gene-
rando as una subcubierta nita para R. Por tanto, R es compacto. Se
puede demostrar, de manera inductiva que si
n 1 veces
..
[M, M] [M, M] R
n1
es un conjunto compacto, entonces
n veces
..
[M, M] [M, M] R
n
es compacto.
d) Sea A = (X, d) el espacio metrico discreto y considerese un subconjunto
A en este espacio. Si A es nito, como los abiertos en este espacio son sub-
conjuntos de X, se sigue que A es compacto. Ahora, si A es compacto,
entonces toda cubierta abierta de A tiene una subcubierta nita. Como
los abiertos en A son subconjuntos de X, se sigue que A es nito. As,
los unicos conjuntos compactos en el espacio metrico discreto son aquellos
subconjuntos nitos de X.
Observese que en la denicion 25, podemos tomar A = X, en cuyo caso, es-
taramos hablando de espacios metricos compactos. Por otro lado, los ejemplos
anteriores muestran que trabajar con cubiertas, en ocasiones, es complicado.
Veremos que existen relaciones importantes entre la compacidad y algunas pro-
piedades de numerabilidad. Un resultado importante, es el teorema de Lindelof,
el cual usaremos para demostrar el teorema de Heine-Borel. Para esto, necesi-
tamos un resultado previo.
2. Elementos b asicos de topologa 51
Proposicion 2.4.1 Sea
B = B
r
(x) R
n
[ r Q, x = (x
1
, ..., x
n
), x
i
Q para toda i 1, ..., n.
Sean y R
n
y A R
n
un conjunto abierto tal que y S. Entonces, existe
una bola B
r
(x) B tal que y B
r
(x) A.
Demostraci on. Sea y = (y
1
, ..., y
n
). Una primera observacion es que la co-
lecci on B es numerable. Si y R
n
y A es un abierto tal que x A, entonces
existe > 0 tal que B

(y) A. Luego, por la propiedad arquimediana, existe


un valor w
k
Q tal que
[y
k
w
k
[ <

4n
para cada k 1, ..., n,
tomando w = (w
1
, ..., w
n
), se sigue que
[[y w[[
2
[[y w[[
1
<

4
.
Nuevamente, aplicando la propiedad arquimediana, existe r Q tal que

4
< r <

2
.
En consecuencia, existe r Q tal que
y B
r
(w) B

(x) A,
como se quera demostrar.

Teorema 2.4.2 (de Lindel of). Sean A R


n
y ( una cubierta de A. En-
tonces, existe una subcubierta de ( numerable para A.
Demostraci on. Sea B la coleccion de todas las bolas denida en la Pro-
posicion 2.4.1. Sea x A, entonces existe C ( tal que x C. Por la
Proposicion 2.4.1, existe r Q y y R
n
con coordenadas racionales, tal que
x B
r
(y) C. Como B es numerable, podemos pensar que B = A
i

i N
.
Luego, para cada C ( existe una innidad numerable de elementos de B que
cubren a C. Luego, existe m = m(x) N, x A, tal que x A
m
A.
Por tanto, A
m(x)

x A
es una coleccion numerable de subconjuntos de R
n
tal
que
A
_
x A
A
m(x)
.
Tomando la correspondencia
A
m(x)
C (
tal que A
m(x)
C, se sigue el resultado.

Los siguientes resultados relacionan los conjuntos compactos con los cerrados
en espacios metricos.
52 2.4. Compacidad
Lema 2.4.3 Sean A = (X, d) un espacio metrico y A X compacto. En-
tonces A es cerrado.
Demostraci on. Sea x A
c
y considerese la coleccion
A
n
=
_
y X[ d (x, y) >
1
n
_
.
Como d (x, y) > 0, para toda y X x, entonces y A
n
, para alguna
n N. Se sigue que
A
_
nN
A
n
,
como A es compacto, entonces existe una subcubierta nita, a saber
A
l
_
k =1
A
n
k
.
Tomese N = max n
k
[ k 1, ..., l. Si =
1
N
, por construccion,
B

(x) A
c
.
En conclusion, A
c
es abierto.

Lema 2.4.4 Si A es un espacio metrico compacto y A es un conjunto cerrado


en A, entonces A es compacto.
Demostraci on. Sea C

una cubierta abierta de A. Como A es ce-


rrado, entonces C

, A
c
es una cubierta abierta de X. Como X es
compacto , entonces existe una subcubierta nita, digamos C
1
, ..., C
n
, A
c
.
Luego, C
1
, ..., C
n
es una cubierta para A, concluyendo as la prueba.

El siguiente teorema es uno de los resultados centrales acerca de la compa-


cidad de subconjuntos de R
n
.
Teorema 2.4.5 (Heine-Borel). Sea A R
n
. A es compacto si y solo si es
cerrado y acotado.
Demostraci on. Supongamos que A es compacto. Por el lema 2.4.3, A es
cerrado. Por otra parte, por el Teorema 2.4.2, existe una cubierta numerable de
bolas para A. Como A es compacto, existe una subcubierta nita de bolas,
digamos, B
i
(x
i
)
i {1,...,n}
. Considerando M =
n

i =1

i
se sigue que A es
acotado.
Ahora, supongamos que A es cerrado y acotado. Consideremos una cubierta
( de A. Por el Teorema 2.4.5, existe una subcubierta numerable R = A
k

k N
2. Elementos b asicos de topologa 53
para A. Sea m 1 y tomese S
m
m
_
k =1
A
k
. Observese que S
m
S
m+1
y que
A
_
mN
S
m
.
Como S
m
es abierto, entonces S
c
m
es cerrado. Constr uyase la sucesion de con-
juntos dada por
Q
1
= A, Q
m
= A S
c
m
, m > 1.
Hacemos las siguientes observaciones
1. Q
m
= puntos en A fuera de S
m
.
2. Q
m
es cerrado para toda m N.
3. Q
m+1
Q
m
.
4. Q
m
A, para toda m N y, por tanto, Q
m
es acotado.
5. diam(Q
m
) 0 conforme m .
Aplicando el Teorema 2.3.8, se sigue que existe x A, tal que x Q
m
para
toda m N, esto es, x , S
m
para toda m N, lo cual es una contradiccion
al hecho de que S
m
es una cubierta de A. Por tanto, existe m N, tal que
Q
m
= , de donde se conlcuye que A es compacto.

Una segunda prueba de que un conjunto cerrado y acotado en R


n
es com-
pacto, es la siguiente: Como A es acotado, existe una n-celda cerrada J
n
, tal
que A J
n
. Por el ejemplo c) posterior a la denicion 25, J
n
es compacto.
Como A es cerrado, por el Lema 2.4.4, se sigue que A es compacto.
Este resultado falla en general. Si consideramos un espacio discreto A y
tomamos un subconjunto M innito, este no es compacto como se vio en el
ejemplo d) posterior a la denicion 25. Sin embargo, M es cerrado y acotado,
ya que
M B
2
(x
0
) x
0
M
Ejemplos.
1. Consideremos C = x R
n
[ [[x[[
2
1. Ya vimos que C es cerrado y
claramente es acotado. Por tanto C es compacto
2. Ya vimos que el conjunto dado por
R = (x, y) R
2
[ x (a, b], y [c, d],
no es un conjunto cerrado. As, R no es compacto.
54 2.4. Compacidad
3. Tomese el conjunto
R = (x, y) R
2
[ y [c, d].
Este conjunto, aunque es cerrado, no es compacto ya que no es acotado.
Para ver esto, observe que la recta y = c esta contenida en R.
Se puede dar otra descripcion de los conjuntos compactos, va sucesiones.
Denicion 26 Sea A un espacio metrico. Se dice que un subconjunto A es
secuencialmente compacto si toda sucesi on x
n
en A tiene una subsucesion
que converge a un punto x
0
en A.
No es difcil ver que un conjunto A en un espacio metrico es cerrado si y
solamente si, toda sucesion contenida en A convergente, converge dentro de
A. La vericacion de este hecho se deja como ejercicio al lector. As, se arma
que si A es secuencialmente compacto, entonces A es cerrado. En efecto, sea
x
n
A tal que x
n
x
0
X. Como A es secuencialmente compacto,
se sigue que existe una subsucesion x
n
k
tal que x
n
k
x

0
, pero por la
Proposicion 2.3.5, se sigue que x
0
= x

0
, de donde se concluye que A es cerrado.
Tambien, si A es secuencialmente compacto, entonces es acotado, ya que, de
lo contrario, entonces existe x
0
A y una sucesion x
n
A tales que
d (x n, x
0
) n, de donde se concluira que no existe una subsucesion de
x
n
convergente, lo cual es una contradiccion.
Ahora, probaremos otro teorema central para conjuntos compactos en espa-
cios metricos: el teorema de Bolzano-Weierstrass. Ya hemos probado una
version de este resultado en la seccion anterior, pero fue para R
n
. Presentamos
su generalizacion. Necesitamos algunos resultados previos.
Lema 2.4.6 Sean A un espacio metrico, A un conjunto secuencialmente com-
pacto en A y A

una cubierta abierta de A. Entonces, existe r > 0


tal que para cada x A, B
r
(x) A

para alguna . Al nmo de los


n umeros r se le conoce como n umero de Lebesgue para la cubierta.
Demostraci on. Supongamos que no existe dicho n umero. Entonces, para
toda n N existe un punto x
n
A tal que B1
n
(x
n
) no esta contenida en
A

, para cualquier . Como A es secuencialmente compacto, existe una


subsucesion x
n
k
x
n
de tal forma que x
n
k
x
0
A. Dado que A

es una cubierta de A, se tiene que x


0
A
0
para alguna
0
. Luego,
existe > 0 tal que B

(x) A
0
. As, para n sucientemente grande,
obtenemos que
d (x
n
, x
0
) <

2
y
1
n
<

2
,
de donde se concluye que B1
n
(x
n
) A
0
, lo cual es una contradiccion que
surge de suponer que no existe el n umero de Lebesgue.

2. Elementos b asicos de topologa 55


Denicion 27 Sea A un espacio metrico. Se dice que un conjunto A es to-
talmente acotado si para cada > 0, existe un subconjunto x
1
, ..., x
n
X
tal que
A
n
_
i =1
B

(x
i
).
Lema 2.4.7 Si A es secuencialmente compacto, entonces A es totalmente aco-
tado.
Demostraci on. Si A no es totalmente acotado, entonces para alguna > 0,
A no puede ser cubierto por una cantidad nita de bolas. Sea x
1
A. Como
A no es totalmente acotado, eso implica que existe x
2
(B

(x
1
))
c
, luego
considerese un punto x
3
(B

(x
1
) B

(x
2
))
c
y as sucesivamente, generando
una sucesion x
n
tal que
x
n

_
n1
_
i =1
B

(x
i
)
_
c
.
De esta forma, hemos construido una sucesion tal que d (x
n
, x
m
) para
cualesquiera n, m N. As, x
n
no tiene subsucesiones convergentes, lo cual
es una contradiccion al hecho de que A es secuencialmente compacto. Por tanto,
A es totalmente acotado.

Ahora, estamos en condiciones de probar el teorema de Bolzano-Weierstrass.


Teorema 2.4.8 (Bolzano-weierstrass). Sea A un espacio metrico. Un sub-
conjunto A es compacto si y solo si es secuencialmente compacto.
Demostraci on. Supongamos que A es compacto y que existe una sucesion
x
n
A de tal manera que no tiene subsucesiones convergentes. Esto implica
que x
n
tiene recorrido R innito. Ademas, existe una vecindad U
n
para cada
x
n
, n N, de tal forma que x
m
, U
n
si n ,= m, esto se sigue ya que de lo
contrario, podemos elegir vecindades de la forma B1
k
(x
n
), k N y seleccionar
una subsucesion que converja a x
n
. Ahora, R es cerrado, esto debido a que no
tiene puntos de acumulacion (no hay subsucesiones convergentes) y por tanto
R = R. Como R es cerrado y A es compacto, por el Lema 2.4.4, se obtiene
que R es compacto, lo cual es una contradiccion, ya que U
n
no tiene una
subcubierta nita. En consecuencia, x
n
tiene una subsucesion convergente y,
dado que A es cerrado, el lmite yace en A.
Por otra parte, supongamos que A es secuencialmente compacto. Sea r
como en el Lema 2.4.6; luego, por el Lema 2.4.7, obtenemos que
A
n
_
i =1
B

(x
i
), donde x
i
A.
Ademas, por el Lema 2.4.6, B

(x
j
) A
j
, j 1, ...n, donde A
j
es
una coleccion de abiertos. Por tanto, hay una subcubierta nita para A, como
se quera demostrar.

56 2.5. Compacidad
Para cerrar esta seccion, presentamos un resultado que relaciona los concep-
tos de completez y compacidad.
Teorema 2.4.9 Un espacio metrico es compacto si y solo si es completo y
totalmente acotado.
Demostraci on. Supongamos que X es compacto. Por el Teorema 2.4.8, X
es secuencialmente compacto y por el Lema 2.4.7, es totalmente acotado. Ahora,
para ver que es completo, consideremos una sucesion de Cauchy x
n
. Como
X es secuencialmente compacto, se satisface, por un lado, que
d (x
n
, x
m
) <

2
si n, m > N para alguna N N
y por otro lado
d (x
n
k
, x
0
) <

2
si n
k
> N para alguna N N,
donde x
n
k
es una subsucesion de x
n
y x
0
X.
As, obtenemos lo siguiente:
d (x
n
, x
0
) < d (x
n
k
, x
n
) + d (x
n
k
, x
0
) < ,
si n
k
, n > N.
Por otra parte, supongamos que X es completo y totalmente acotado. De-
mostraremos que X es secuencialmente compacto. Sean x
n
una sucesion
contenida en X y R su recorrido. Si R es nito, entonces hay una subsucesion
convergente y si hay una cantidad nita de repeticiones las eliminamos. Ahora,
supongamos que R es innito. Como X es secuencialmente compacto, dado
N N existen elementos y
L1
, ..., y
L
M
X tales que
X
M
_
i =1
B 1
N
(y
Li
).
Para N = 1, sea
X
M
_
i =1
B
1
(y
Li
).
De esta forma, existe una subsucesion de x
n
que cae en una de estas bolas.
Tomando N = 2, podemos construir otra subsucesion que yace en una de las
bolas de la forma B1
2
(y
Li
). Finalmente, eligiendo la subsucesion cuyo primer
elemento es el primero de la primera subsucesion, el segundo es el segundo de
la segunda subsucesion, etcetera, generamos una sucesion de Cauchy, que por
ser el espacio completo, es convergente. As, X es secuencialmente compacto y,
por el Teorema 2.4.8, se sigue el resltado.

2. Elementos b asicos de topologa 57


2.5. Conexidad
Cerramos este captulo con otro concepto importante que es el de conexidad.
Intuitivamente, es claro que signica que un conjunto sea conexo. Uno pensara
que un conjunto es conexo si es de una sola pieza. Sin embargo, existen conjuntos
en donde nuestra intuicion puede fallar. Veremos que existen dos nociones de
conexidad y estudiaremos la relacion entre ellas. Iniciamos esta seccion con la
denicion de desconexion.
Denicion 28 Sea A = (X, d) un espacio metrico. Se dice que un subconjunto
A X es inconexo, si existen B, C subconjuntos de A, abiertos, tales que se
cumplen las siguientes condiciones
1. B ,= ,= C.
2. B C = .
3. A B ,= ,= A C
4. A = B C.
A la pareja (B, C) se le conoce como desconexion de A. Se dice que A es
conexo si no es inconexo.
Observese que en esta denicion, se puede tomar A = X y tenemos espacios
metricos inconexos. Si X es un espacio inconexo, como X = B C, donde
B, C son abiertos, se tiene que B, C tambien son cerrados, ya que B
c
= C y
viceversa. As, tenemos el siguiente resultado.
Proposicion 2.5.1 Las siguientes armaciones son equivalentes
1. X es inconexo.
2. Existen dos subconjuntos A, B de X, cerrados, no vacos, tales que
X = A B.
3. Existe un subconjunto propio de X, no vaco, que es abierto y cerrado.
Tambien, si X es inconexo y (A, B) es la desconexion para X, cualquier
subconjunto Y de X tendra por desconexion a (A, B) si A Y ,= ,= B Y .
Proposicion 2.5.2 R es conexo
Demostraci on. Supongamos que R no es conexo. Esto implica que existen
abiertos A, B de R no vacos y ajenos, tales que R = A B. Sean
a A, b B
y supongamos, sin perdida de generalidad que a < b. Denimos
= sup x A[ x < b.
58 2.5. Conexidad
Luego, existen dos opciones para . Si A, como A es abierto, existe > 0
tal que (a , a + ) A. De esta forma, podemos elegir sucientemente
peque na de tal manera que + < b, lo cual contradice que sea el supremo.
De esta forma, , A. As B. Sin embargo, como B es abierto, existe
> 0 tal que (a , a + ) B, luego > a, para a A, lo cual
genera una contradiccion, de donde se concluye que , B, lo cual contradice
la completez de R. Por tanto, R es conexo.

Observese que la union y la interseccion de conexos no necesariamente es un


conjunto conexo. El siguiente resultado, muestra bajo que condiciones, la union
de conexos es un conexo.
Proposicion 2.5.3 Sean A = (X, d) un espacio metrico y X

X, ,
una colecci on de conjuntos conexos tales que X =
_

. Si existe
0

de tal forma que X
0
X

,= , entonces X es conexo.
Demostraci on. Supongamos que X es inconexo. Se arma que X
0
es in-
conexo. Para vericar esto, consideremos una desconexion (A, B) para X. Sin
perdida de generalidad, supongamos que A X
0
,= . Como X

es conexo
para toda ,=
0
, entonces X

A o X

B. Tomese

B
= [ X

B.
Observese que
B
,= , ya que de lo contrario, X

A para toda , lo
cual implicara que B = B
_

= , lo cual no es posible. Sea


B
,
entonces se tiene que
,= X

X
0
B X
0
,
de donde se sigue que (A, B) es una desconexion para X
0
.

Como consecuencia de esta proposicion, tenemos que la union de conexos es


un conjunto conexo si tienen al menos un punto en com un.
Teorema 2.5.4 Sean A = (X, d) un espacio metrico y C X. Si C es
conexo, entonces C es conexo.
Demostraci on. Supongamos que (C) es inconexo y sea (A, B) una desco-
nexion para C. Como A y B son abiertos, se sigue que (A, B) es tambien
una desconexion para C.
Ejemplo.
Sea [a, b] R. Demostraremos que es un conjunto conexo. Supongamos que
no, esto quiere decir que existen abiertos A, B en R, ajenos, no vacos, tales
que A [a, b] ,= B [a, b] y A B [a, b]. Supongamos que b B y
denimos = sup (A [a, b]). Observese que A [a, b] es cerrado, ya que
B ([a, b])
c
es abierto, en consecuencia, A [a, b]. Ahora, ,= b ya
2. Elementos b asicos de topologa 59
que , B y b B. Se sigue que, para toda vecindad W de , W , A y
por tanto W (B [a, b]) ,= . Notese que es punto de acumulacion de
B [a, b] y como este conjunto es cerrado, se sigue que B [a, b], lo cual
es una contradiccion al hecho de que (A, B) es una desconexion.
Claramente, en un espacio metrico A, el conjunto x es conexo. Conside-
remos el conjunto dado por
C
x
=
_
C X[ x C, C conexo.
Por la observacion posterior a la Proposicion 2.5.3, se sigue que C
x
es conexo.
De hecho, es el conexo mas grande que contiene a x. A este conjunto se le conoce
como componente conexa correspondiente a x. Notese que C
x
es cerrado y que
si y C
x
, entonces C
x
= C
y
.
La otra nocion, quizas mas intuitiva, de conexidad es la de conexidad por
trayectorias. Para estudiar esta propiedad, necesitamos denir el concepto de
trayectoria entre dos puntos. Para esto, introducimos el concepto de continuidad,
el cual se estudiara con mas detalle en el siguiente captulo.
Denicion 29 Sea : [a, b] X una funcion que va del intervalo cerrado
[a, b] a un espacio metrico X. Decimos que es continua si para toda sucesion
x
n
[a, b] tal que x
n
x
0
, se cumple que (x
n
) (x
0
)
Denicion 30 Sea A un espacio metrico. Decimos que x, y X estan co-
nectados por una trayectoria, si existe una funcion : [a, b] X continua,
tal que (a) = x y (b) = y. Si x y y estan unidos por , lo denotaremos
por : x y. Se dice que la trayectoria yace en un conjunto A X si
para todo t [a, b], (t) A.
Diremos que dos puntos x, y X estan relacionados (x y) si existe una
trayectoria que los une. Esta relacion es de equivalencia. Para probar esta
armacion, notese que x x, ya que podemos tomar la funcion (t) = x
para toda t [a, b]. Por otra parte, si x y, entonces, existe una funcion
: [a, b] X continua, tal que (a) = x y (b) = y. Si denimos

(t) = (a + b t), donde t [a, b], esta funcion es continua y ademas

(a) = y y

(b) = x, de donde se sigue que y x. Finalmente, si x y


y y z, entonces existen una funciones , : [a, b] X continuas, tales
que (a) = x, (b) = y = (a) y (b) = z. Deniendo
(t) =
_
_
_
(2t a) si x
_
a,
a +b
2

(2t b) si x
_
a +b
2
, b

,
obtenemos que une x con z. As, () es una relacion de equivalencia. A las
clases de equivalencia se les llama componentes por trayectorias del espacio X.
Denicion 31 Se dice que un subconjunto A X es conectable por trayecto-
rias si cualesquiera dos puntos de A pueden ser unidos mediante una trayectoria
que se encuentra totalmente contenida en A.
60 2.5. Conexidad
El siguiente resultado, relaciona las dos nociones de conexidad.
Teorema 2.5.5 Un conjunto conectable por trayectorias es conexo.
Demostraci on. Sea A un conjunto conectable por trayectorias. Suponga-
mos que A es inconexo y sea (U, V ) su desconexion. Tomese x U y
y V . Como A es conectable por trayectorias, entonces, existe una funcion
: [a, b] X continua, tal que (a) = x y (b) = y; sea C =
1
(U)
y D =
1
(V ). Observese que C, D [a, b]. Consideremos una sucesion
x
n
C tal que x
n
x
0
, como [a, b] es cerrado, x
0
[a, b]. Ademas,
dado que es continua, se tiene que (x
n
) (x
0
). Se arma que
(x
0
) U.
De lo contrario, (x
0
) V , pero V es abierto y se tendra que (x
n
) V
lo cual es una contradiccion al hecho de que (U, V ) es desconexion. De esta
forma, hemos probado que C es cerrado. Un argumento similar prueba que D
es cerrado. Notese que C ,= ,= D, ya que
1
(x) C y
1
(y) D.
Tambien, tenemos que
C D =
1
(U)
1
(V ) =
1
(U V ) =
y
C D =
1
(U)
1
(V ) =
1
(U V ) =
1
(A) = [a, b],
es decir, [a, b] es inconexo, lo cual es una contradiccion que surge de suponer
que A es inconexo. Por tanto, A es conexo.

Cap

tulo 3
Limites y continuidad.
En la mayora de los problemas fsicos, sucede que una variable depende de
otras. Por ejemplo, el voltaje en una resistencia electrica, de acuerdo a la Ley
de Ohm, depende de la resistencia y corriente electrica, es decir,
V = RI.
Es por esta razon que se hace necesario el estudio de las funciones reales de
variable vectorial. Por otro lado, supongase que se desea estudiar el viento en
una region del planeta. Para esto, medimos la magnitud y direccion de la velo-
cidad del viento, donde esta ultima depende de la posicion de cada punto. As,
asociamos a cada punto P de una region, una y solo una velocidad. Una regla
como esta es un ejemplo de las llamadas funciones vectoriales de variable
vectorial. Tambien se les conoce con el nombre de campos vectoriales. En este
captulo, desarrollaremos la teora de lmites y continuidad para funciones que
toman valores en R
n
y cuya variable x es un punto de R
m
.
Denotamos por T(C, R
m
), donde C R
n
, al conjunto de funciones f, cuyo
dominio es el conjunto C (se dice que hay n variables) y f(x) R
m
, x C.
Se dice que la funcion f es real o vectorial seg un sea m = 1 o m 2. Si m 2 y
si f(x) = (y
1
, ...., y
m
), se llaman coordenadas o componentes de f a las funciones
reales f
i
: C R, donde f
i
(x) = y
i
, i 1, 2, ...., m.
Cuando una funcion de n variables esta expresada en forma analtica, esto es,
en una expresion de la forma
z = f(x
1
, ...., x
n
),
donde a cada vector (x
1
, ...., x
n
) se le asigna un valor z, se suele entender que el
campo de denicion o dominio de dicha funcion es el conjunto mas amplio de
puntos (x
1
, ..., x
n
) R para el que existe un valor para z.
61
62 3.0. Limites y continuidad.
Ejemplos
1. Sea f(x, y) =
ln(x,y)

1(x
2
+y
2
)
; Observese que la funcion ln esta bien
denida para todos los valores positivos; en consecuencia, se debe pedir que
x y y tengan el mismo signo. Ademas x
2
+y
2
debe ser menor estrictamente
que 1. Por lo tanto, el dominio para esta funcion tiene la forma
D(f) = (x, y) [ xy > 0, x
2
+y
2
< 1
(vease la Figura 3.1)
= D (f )
Figura 3.1: Dominio de la funcion f(x, y) =
ln(x, y)
_
1 (x
2
+y
2
)
2. Considerese la funcion g(x, y) = e
1
x
2
+y
2
Observese que la unica condicion que se les pide a las coordenadas (x, y)
es que x
2
+y
2
,= 0; esto sucede para todo (x, y) R
2
(0, 0). As,
D(g) = R
2
(0, 0)
El conjunto F(C, R
m
) es un espacio vectorial respecto de las operaciones
usuales de suma de funciones y de producto de un escalar R por una
funcion; esto es,
3. Limites y continuidad. 63
(f +g)(x) = f(x) +g(x) y (f)(x) = f(x).
Observe que para el caso particular m = 1, f(C, R
m
) resulta ser un campo
respecto de las operaciones usuales de suma y producto de funciones, a
saber,
(f +g)(x) = f(x) +g(x) y (fg)(x) = f(x)g(x),
donde ademas, se puede establecer una relacion de orden parcial dada por
f g f(x) g(x) para toda x C
Si 0 es la funcion nula, es decir, 0(x) = 0, para toda x C, entonces se
dice que una funcion f es positiva si P f y se dice que es negativa si
f P.
Diremos que f F(C, R
m
) es una funcion acotada si el conjunto f(C)
es acotado. Mas precisamente, f F(C, R
m
) es acotada, s existe M > 0
tal que |f(x)| M x C
3.1. Lmites
El concepto de lmite es uno de los mas importantes en el estudio del calculo y
el an alisis, quiza sea uno de los mas difciles de comprender. El lector estara fa-
miliarizado con el concepto de convergencia de sucesiones y con el concepto de
lmite para funciones reales de variable real.
Denicion 32 (condici on ). Sean f : C R
m
una funcion denida
en C R
n
y a C

. Se dice que f tiende a L R


m
conforme x tiende a a (en
otras palabras, L es el lmite de f en el punto a), si dada > 0, existe > 0
tal que si x C a y d(x, a) < , entonces d(f(x), L) <
Al igual que en el caso real, existe una denicion de lmite por medio de suce-
siones.
Denicion 33 Sean f : C R
m
una funcion denida en C R
n
y a C

.
Si x
n

nN
C a es una sucesion de puntos tal que x
n
a, se dice que
f tiende a L R
m
si f(x
n
) L.
Proposicion 3.1.1 Las deniciones (32) y (33) son equivalentes
Demostraci on. Supongamos que la condicion se satisface y sea
x
n

nN
C a una sucesion tal que x
n
a; entonces, dada > 0,
existe N N tal que |x
n
a| < si n > N. Como x
n
C a, se sigue
que |f(x
n
) L| < , para > 0 y n > N. Por lo tanto f(x
n
) L. Por
otra parte, si la condicion ( ) no se satisface, existe > 0 tal que para toda
> 0, existe x C a de tal forma que |x a| < y |f(x) L| .
64 3.1. Lmites
Luego, para cada n N, si =
1
n
, existe x
n
a tal que |x
n
a| <
1
n
y
|f(x
n
) L| esto es, x
n
a, pero f(x
n
) no converge a L.
Observese que la denicion 32 se puede reescribir de la siguiente forma:
Se dice que f tiende a L R
n
conforme x tiende a a, si dada > 0,
existe > 0 tal que si x B

(a) C entonces f(x) B

(L) (donde
x B

(a) = B

(a) a.)
Otra observacion importante es la necesidad de que a sea un punto de acu-
mulacion de C. Si no fuera as, existira > 0 tal que x B

(a) C = , por lo
que se cumplria la condicion con cualquier L R
m
.
Ejemplos
1. Sea f(x, y) =
2x
2
(y + 1) +y
2
2x
2
+y
2
. Se arma que
lm
(x,y)0
2x
2
(y + 1) +y
2
2x
2
+y
2
= 1
En efecto, si (x, y) B
(2)

(0), donde B
(2)

(0) = x R
2
|x|
2
< , se tiene
que

2x
2
(y + 1) +y
2
2x
2
+y
2
1

2x
2
y
2x
2
+y
2

2x
2
2x
2
+y
2

[y[
[y[ (x
2
+y
2
)
1
2
< = .
2. Considerese la funcion g(x, y) =
x
2
y
x
2
y
, x
2
,= y El lmite de esta funcion
cuando (x, y) 0 no existe, ya que si se considera la sucesion
_
1
n
,
1
n
_
, n
N 1, obtenemos que g
_
1
n
,
1
n
_
=
1
n(1 n)
0
cuando n . Por otro lado si se toma la sucesion
_
1

n
,
1
n

1
n
2
_
=
n 1
n
1 cuando n .
3. Tomese la funci on h(x, y) =
x y
x +y
. Nuevamente, lm
x0
h(x) no existe, ya
que si consideramos las sucesiones
_
1
n
, 0
_
y
_
0,
1
n
_
, los valores lmite no
coinciden.
3. Limites y continuidad. 65
El lector habra notado la complejidad de la nocion de lmite. En el caso de
las funciones reales de variable real, podemos aproximarnos a un valor por 2
trayectorias. En el caso de funciones que involucran 2 o mas variables, tenemos
una innidad de formas para aproximarnos a un cierto punto. El siguiente re-
sultado muestra un criterio de convergencia analogo al criterio de Cauchy para
sucesiones.
Proposicion 3.1.2 Sean f : C R
n
R
m
y a C

. Entonces, f tiene lmite


en a si y solamente si, para toda > 0, existe > 0 tal que si x, x

C a
de tal forma que |x a| < y |x

a| < , entonces |f(x) f(x

)| <
Demostraci on. Si lm
xa
f(x) = L, entonces, dada > 0, existe
1
,
2
> 0
tales que si |x| a <
1
y |x

a| <
2
, donde x, x

C a, entonces
|f(x) L| < /2 y |f(x

) L| < /2
tomando = min
1
,
2
, se sigue que
|f(x) f(x

)| |f(x) L| +|f(x

) L| <
para x, x

(a). Por otro lado, si para toda > 0, existe > 0 tal que
si x, x

C a de tal forma que |x a| < y |x

a| < implica
que |f(x) f(x

)| < , debemos mostrar que el lmite de f en a existe. Para


demostrar esto, sea x
n
Ca una sucesion tal que x
n
a. Por hipotesis,
se sigue que f(x
n
) es un sucesion de Cauchy y por lo tanto, convergente. Falta
demostrar que si x
n

es otra sucesion que converge a a, entonces


lm
n
f(x
n
) = lm
n
f(x
n

)
. Supongamos que lm
n
f(x
n
) = L y que lm
n
f(x
n

) = L

donde L ,= L

.
Observese que la sucesion x
1
, x

1
, x
2
, x

2
, .... converge a a, sin embargo, la su-
cesion f(x
1
), f(x

1
), f(x
2
), f(x

2
), ... no converge, lo cual es una contradiccion
por lo tanto, f(x
n
) L, para toda sucesion x
n
Ca tal que x
n
a

Hasta el momento, hemos trabajado con la nocion de lmite de funciones con


sucesiones que tienen lmite nito. Falta denir el caso para sucesiones que no
son acotadas, es decir, falta denir el concepto de lmite en el innito. Ademas,
puede suceder que la imagen de una sucesion x
n
bajo una funcion f, sea un
conjunto que no es acotado.
Denicion 34 Sean f : C R
n
R
m
una funcion y a C

.
a) Se dice que f tiene lmite innito en a, si para M > 0, existe > 0 tal que
para todo x B

(a) C se tiene que |f(x)| M. Cuando esto ocurre, lo


denotaremos por el smbolo
lm
xa
f(x) =
66 3.1. Lmites
b) Si C es un conjunto no acotado, diremos que f tiene lmite L en el innito
_
lm
x
f(x) = L
_
, si para cada > 0, existe N > 0 tal que si |x| > N,
entonces |f(x) L| < .
c) Si C es un conjunto no acotado, se dice que f tiene lmite innito en el
innito, denotado por
lm
x
f(x) =
Si para cada M > 0, existe N > 0 tal que si |x| > N, entonces se cumple
que |f(x)| M.
Ahora, como el lmite de una sucesion es unico, por la denicion (33), se sigue
que el lm
xa
f(x), si existe, es unico. Tambien, de la denicion (32) se tiene que
lm
xa
f(x) = L si y solo si lm
xa
f(x) L = 0.
Otra consecuencia inmediata de la denicion (32) es que si f tiene lmite en el
punto a, entonces f es acotada en una vecindad de a. Por otra parte, si
lm
xa
f(x) = L D C y a D

,
es claro que la funcion g = f[
D
tiene lmite en a, de hecho lm
xa
g(x) = L. Final-
mente si f : C R
n
R
m
, es una funcion de la forma f(x) = (f
1
(x), ..., f
n
(x)),
donde f
i
: C R
n
R, i 1, ..., n y L = (l
1
, ..., l
n
), entonces no es difcil ver
que
lm
xa
f(x) = L lm
xa
f(x) = l
i
La vericacion de los detalles se deja como ejercicio al lector. Por otra parte,
si existe una funcion : C R
n
R tal que (x) > 0 para toda x C y
lm
xa
(x) = 0 de tal forma que
|f(x) L| < (x),
para toda x B

(x), para alguna > 0 entonces se tiene que lm


xa
f(x) = L
Para ver esto, podemos aplicar la condicion ( ) a las funcion y dado que
(x) > 0 para toda x C, [(x)[ = (x). Luego, para toda > 0, existe > 0
tal que si x B

(a), se tiene que


|f(x L| (x) = [(x)[ < ,
de donde se sigue la observacion
3. Limites y continuidad. 67
Ejemplos
a) Defnase f(x, y) =
x
3
y
7
x
2
+y
4
. Se arma que lm
x0
f(x) = 0. Para ver esto, si
x B

(0) con > 0 se tiene que


[f(x, y)[ =

x
3
x
2
+y
4

y
7
x
2
+y
4

[x[

x
2
x
2
+y
4

+[y[
3

y
4
x
2
+y
4

[x[ +[y[
3
.
Luego deniendo (x, y) = [x[ +[y[
3
, por la observacion anterior, se sigue
que lm
x0
f(x) = 0.
b) Sea g(x, y) =
x
a+1
y
b+1
x
2
+y
2
xy
, donde a, b > 0. Demostraremos que un vector
(x, y) R
2
, tiene una representacion en coordenadas polares de la forma
(rcos, rsen). De esta forma sustituyendo lo valores de x y y, se tiene
que
[g(x, y)[ =

x
a
y
b
r
2
cossen
r
2
r
2
sencos

x
a
y
b

cossen
1
sen2
2

<

x
a
y
b

0
si (x, y) (0, 0).
Hemos visto que si lm
x a
f(x) = L B C y a D

, entonces lm
xa
g(x) = L,
donde g = f[
D
.
Pues bien, respondiendo a este hecho, se dice que f tiene lmite L en a seg un la
direccion de la recta / (o que f tiene lmite direccional en a seg un la recta /) si
a / y lm
xa
g(x) = L, donde g = f[
L
. Diremos unicamente que f tiene lmite
direccional L en a, si f tiene lmite en a seg un la recta / para toda recta / que
contenga a a y lm
x0
f[
L
(x) = L para toda /.
Ya se demostro que si f tiene lmite en a, entonces para cualquier trayectoria
que contiene a a, en particular para las rectas / que pasan por a, el lmite
existe. Sin embargo, tenemos ejemplos donde el lmite direccional existe pero el
lmite de f en a no.
68 3.1. Lmites
Ejemplos
1. Sea f(x, y) =
xy +y
3
x
3
y
2
. Se arma que el lmite direccional de f en (0, 0)
existe. Para ver esto, sea y = mx, luego
f(x, mx) =
mx
2
+m
3
x
3
x
2
m
2
x
2
= m
_
1 +m
2
x
1 m
2
_
.
Tomando x 0, se sigue que f(x, y)
m
1 m
2
, [m[ , = 1, esto es,
el lmite direccional depende de la pendiente de la recta que se tome. En
consecuencia, f no tiene lmite direccional en a
2. Defnase g(x, y) =
x
3
x
2
y
. Si y = mx, entonces
g(x, mx) =
m
3
x
3
x
2
mx
=
m
3
x
2
x m
0, x 0
es decir, g tiene lmite direccional en 0. Sin embargo, g no tiene lmite en
0 ya que, si y = x
2
x
3
, se sigue que
g(x, x
2
x
3
) =
x
3
x
3
= 1 1 si x 0
.
La siguiente proposicion extiende algunas propiedades de lmites de funciones
reales de variable real para el caso de funciones reales de variable vectorial.
Proposicion 3.1.3 Sean f,g y h tres funciones denidas en un mismo conjunto
C R
n
y a c

. Supongase que lm
xa
f(x) = L y lm
xa
g(x) = M, para alg un
par de valores L, M R. Sean K R y B

(a) = B

(a) a, donde > 0 es


el valor correspondiente a la denicion de lmite.
a) K < L (respectivamente, K L) si y solo si K < f(x) (K f(x))
para toda x C B

(a).
b) L M si y solamente si, f(x) < g(x) para cualquier x C B

(a).
c) Si L = M y f(x) g(x) g(x) para toda x C B

(a), entonces
lm
xa
h(x) = L
Demostraci on.
a) Sea = L K > 0. Como lm
xa
f(x) = L, entonces existe > 0 tal que
para toda x C B

(a), [f(x) L[ < ; luego, por la denicion de


valor absoluto, se sigue que
K L < f(x) L
3. Limites y continuidad. 69
Es decir, K < f(x).Por otro lado, si K < f(x) para toda x C B

(a),
para alguna > 0, se sigue que
K L < f(x) L
Tomando el lmite en ambos lados cuando x a, obtenemos que
K L < 0,
esto es, K < L.
b) Supongamos que L < M y sea =
1
2
(M L). Entonces existe > 0 tal
que si x B

(a), se tiene que f(x) B

(L) y g(x) B

(M) es decir,
[f(x) L[ < y [g(x) M[ <
de donde se obtiene que
f(x) <
1
2
(M +L) < g(x)
Por tanto, f(x) < g(x) para toda x B

(a). Ahora, si L M, por


la parte anterior, f(x) g(x), de donde se concluye que f(x) < g(x)
implica que L < M
c) Sea > 0; entonces, existe > 0 tal que f(x) , g(x) B

(a) Tomese

0
> 0 tal que para toda x B
0
(a), f(x) h(x) g(x).
Si = m

in ,
0
es claro que para toda x B

(a)
L lm
xa
h(x) M = L,
de donde se concluye que lm
xa
h(x) = L.

El siguiente resultado establece las propiedades aritmeticas para lmites de fun-


ciones reales de variable vectorial. La prueba de este hecho es muy similar al
caso de las funciones de variable real, por lo que su prueba se deja como ejercicio
al lector.
Proposicion 3.1.4 Sean f : C R
n
R y g : C R
n
R. funciones
y a C

.
a) Si lm
xa
f(x) = 0 y para toda x C B

(a), > 0, [g(x)[ < M, para


alguna M > 0 , entonces lm
xa
f(x)g(x) = 0
b) Si lm
xa
f(x) = L y lm
xa
g(x) = M, L, M R entonces:
i) lm
xa
[f(x) + g(x)] = L + M
70 3.1. Lmites
ii) lm
xa
[f(x) g(x)] = LM
iii) si M ,= 0, lm
xa
_
f(x)
g(x)
_
=
L
M
Otra forma de calcular lmites es de manera reiterada. El analisis que se hace en
este texto, se puede hacer extensivo a funciones escalares con cualquier n umero
de variables independientes.
Si f : C R
2
R y a = (x
0
, y
0
) C

, podemos calcular el lmite


reiterado en a , aproximandonos por separado a x
0
y a y
0
(vease la gura
3.2).
Y1
Y0
Y2
X1 X2
f(X2 , Y2)
f(X1 , Y1)
L
Figura 3.2: Lmites reiterados
Ejemplos
1. Sea f(x, y) = x + y. Calcularemos los lmites reiterados de la funcion f
cuando (x, y) (1, 1). Calculamos
lm
y1
f(x, y) = lm
y1
x + y = 1 +x.
Luego
lm
x1
_
lm
y1
f(x, y)
_
= (1 + x) = 2
Notese que en este caso:
lm
x1
_
lm
y1
f(x, y)
_
= lm
y1
_
lm
x1
f(x, y)
_
En general, esto no sucede.
3. Limites y continuidad. 71
2. Sea g(x, y) = x(y) donde
(y) =
_

_
1 si y > 0
0 si y = 0
1 si y < 0
Observe que los lmites reiterados no coinciden en (0, 0) , ya que, por un
lado,
lm
y0
+
g(x, y) = lm
y0
+
= x
y lm
y0

g(x, y) = lm
y0

= x
Luego, lm
x0
( lm
y0
g(x, y)) no existe; por otra parte , lm
x0
g(x, y) = 0 de
donde se sigue que lm
y0
( lm
x0
g(x, y)) = 0. Ahora, notese que
[g(x, y)[ = [x[ 0 cuando x 0 , por lo que el lmite existe.
3. La funcion f(x, y) =
xy
x
2
+y
2
tiene lmites reiterados iguales en (0, 0),
sin embargo no tiene lmite en (0, 0) (se le recomienda al lector vericar
los detalles).
4. Sea h(x, y) = xsen
_
1
y
_
, donde x R
+
0 y y R
+
. Notese
que lm
y0
_
lm
x0
sen
_
1
y
__
= 0 pero lm
x0
_
lm
y0
sen
_
1
y
__
no existe.
Para ver esto, tomese las sucesiones y
n
=
2
(2n 1)
y y

n
=
4
(8n + 1)
.
Sin embargo, como

xsen
1
y

= [x[[sen
1
y
[ [x[
_
x
2
+y
2
<
siempre que
_
x
2
+ y
2
< = , se sigue que
lm
(x,y)(0,0)
h(x, y) = 0
El siguiente resultado relaciona los conceptos de lmite y lmite reiterado.
Teorema 3.1.5 Sean f : C R
2
R
m
y a = (x
0
, y
0
) C
o
.
Si lm
xa
f(x) = L y si para cada y B

(y
0
), > 0, lm
xx0
f(x, y) existe,
entonces el lmite reiterado
lm
yy0
_
lm
xx0
f(x, y)
_
existe y es igual a L.
72 3.1. Lmites
Demostraci on. Dado > 0 , como L es el lmite de f en a , existe > 0
tal que si |x a| < entonces |f(x) L| <

2
. Sea U

= B

(y
0
) la bola
perforada de la que habla el enunciado. Luego por hipotesis, existe una funcion
(y) tal que (y) = lm
xx0
f(x) para y U

es decir, para cada > 0,


existe
y
> 0, tal que si [x x
0
[ <
y
entonces |f(x, y) (y)| <

2
para
y U

. As para todo y U

tal que [y y
0
[ < si x B

(x
0
) donde

= m

in,
y
se tiene que:
|(y) L| |(y) f(x, y)| + |f(x, y) L| <
por lo tanto lm
yy0
(y) = L como se quera probar.

Ya hemos visto anteriormente casos en los que:


a) La funcion tiene lmite en un punto, pero los lmites reiterados (o uno de
ellos) no existe.
b) La funcion tiene lmites reiterados en un punto, son iguales, pero su lmite
en dicho punto no existe
c) La funcion tiene lmites reiterados en un punto, pero son distintos.
Esto nos proporciona un criterio para asegurar que la funcion no tiene lmite
en un punto. En general, para espacios metricos, el concepto de lmite se extiende
de manera natural.
Denicion 35 Sean (X, d) y (Y, ) espacios metricos, D X, f : D Y
una funcion, b Y y a D

. Decimos que b es el lmite de la funci on f en


el punto a, si para cada > 0 existe > 0 tal que si d(x, a) < entonces
e(f(x), b) < .
Como siempre, si b es el lmite de f en a, lo denotaremos por lm
xa
f(x) = b,
x D
Teorema 3.1.6 Sea X un espacio metrico. Entonces
lm
x a
f (x) = b, x D,
si y solamente si lm
n
f (x
n
) = b, para toda sucesion x
n
D a,
donde x
n
a.
Demostraci on. Supongamos que lm
x a
f (x) = b, x D y sea
x
n
D a, tal que x
n
a, cuando n . Sea > 0, en-
tonces existe > 0 tal que
(f (x), b) < si x D y d (x, a) < .
3. Limites y continuidad. 73
Ademas, existe N N tal que si n N, entonces d (x
n
, a) < . As, para
n > N, (f (x
n
), b) < .
Por otro lado, si existe > 0 tal que para todo > 0 existe x D, que
depende de , tal que (f (x), b) , pero d (x, a) < , entonces, tomando

n
=
1
n
, n N, hemos encontrado una sucesion en D para la cual f (x
n
)
no converge a b. As, si lm
x a
f (x) = b, entonces lm
n
f (x
n
) = b, si
x
n
a.

Corolario 3.1.7 Si f tiene lmite en a, este es unico.


Demostraci on. Es consecuencia del Teorema 3.1.6 y la unicidad del lmite
para sucesiones.

Al igual que para funciones denidas sobre R


n
, se tiene que el espacio de
funciones con lmite en un punto a es cerrado bajo la suma, el producto y el co-
ciente, es decir, si lm
x a
f (x) = b y lm
x a
g (x) = c, donde
f, g : D X R, X espacio metrico y a D

, entonces
1. lm
x a
f (x) + g (x) = b + c,
2. lm
x a
(f (x) g (x)) = b c,
3. Si c ,= 0, entonces lm
x a
f (x)
g (x)
=
b
c
.
La vericacion de los detalles se le dejan al lector.
3.2. Funciones continuas
En este captulo estudiaremos las funciones continuas en espacios metricos en
general, analizando ejemplos de funciones en R
n
. Basicamente, la continuidad
de una funcion x f (x) signica que incrementos peque nos en la variable
x, implica peque nos en el valor de f (x). Las propiedades de lmites estudiadas
en la seccion anterior, conducen de manera natural a propiedades analogas para
las funciones continuas. Ademas, existen otras propiedades importantes, que se
reeren a la continuidad global.
Denicion 36 Sean (X, d) y (Y, ) espacios metricos. Se dice que una funci on
f : X

, Y es continua en un punto a X, si dado > 0, existe > 0


tal que si d (a, x) < , entonces (f (a), f (x)) < .
Observese que esta denicion se puede reformular en terminos de bolas. A saber,
f es continua en el punto a si dada cualquier bola con centro en f (a) Y ,
digamos B
Y

(f (a)), existe una bola con centro en a X, B


X

(a), de tal
forma que
f
_
B
X

(a)
_
B
Y

(f (a)).
74 3.2. Funciones continuas
Si f no es continua en a, decimos que f es discontinua en a, o que tiene
una discontinuidad en a. Observese que la denicion de continuidad es local, es
decir, esta denida sobre cada punto de X. Si f es continua en a, para todo
punto a A X decimos que f es continua en A. Si f es continua en X,
decimos simplemente que f es continua.
a
f (a)

f (B

(a))
f
Figura 3.3: Continuidad de f en a
No es difcil demostrar (se deja como ejercicio al lector), que la denicion 36
se puede reescribir de la siguiente forma:
f es continua en x si y solo si dada > 0, existe > 0 tal que se cumple
que B

(x) f
1
(B

(f (x))).
Esta caracterizacion arma que f es continua en x si y solo si para toda > 0,
f
1
B

(f (x)) es una vecindad de x. Esto nos da la pauta para formular una


denicion mas general de continuidad.
Denicion 37 Sean X y Y espacios metricos y sea f : X Y una
funcion. Se dice que f es continua en x X, si dada una vecindad V de
f (x), f
1
(V ) es una vecindad de x.
Esta denicion es muy util, ya que se puede cambiar la palabra metricos por
topologicos.
Ejemplos.
1. Sea f : R
2
R, denida como
f (x, y) =
_
_
_
x
2
+ 2y 1 si x 0
3x + y
2
si x < 0.
Analicemos la continuidad de f en todos los puntos (x
0
, y
0
) R
2
. Si
x
0
> 0, entonces
lm
(x,y) (x
0
, y
0
)
f (x, y) = lm
(x,y) (x
0
, y
0
)
(x
2
+ 2y 1) = x
2
0
+ 2 y
0
1 = f (x
0
, y
0
).
3. Limites y continuidad. 75
Si x
0
< 0, entonces f es continua en (x
0
, y
0
) ya que
lm
(x,y) (x0, y0)
f (x, y) = lm
(x,y) (x0, y0)
3x +y
2
= 3 x
0
+y
2
0
= f(x
0
, y
0
).
Ahora, si x
0
= 0, tomando los semiplanos
P = (x, y) R
2
[ x 0 N = (x, y) R
2
[ x < 0,
f tendra el lmite en (0, y
0
) si y solamente si f[
P
y f[
N
tienen el mismo
lmite, es decir, si
lm
(x,y) (0, y0)
f[
P
(x, y) = 2 y
0
1 = f (0, y
0
)
y
lm
(x,y) (0, y0)
f[
N
(x, y) = lm
(x,y) (0, y0)
3x + y
2
= y
2
0
son iguales. Esto sucede si y solo si, 2 y
0
1 = y
2
0
, es decir, si y
0
= 1. Por
tanto, f es continua en (0, 1) y discontinua en (0, y
0
), donde y
0
,= 1.
2. Sea la funcion
f (x, y) =
_
_
_
x
3
+ 2y si (x, y) ,= (1, 3)
5 si (x, y) = (1, 3).
Observese que esta funcion no es continua en (1, 3) ya que
lm
(x,y) (1,3)
f (x, y) = lm
(x,y) (1,3)
x
3
+ 2y =

, 7 ,= 5 = f (1, 3).
3. Considerese la funcion f dada por
f (x, y) =
_
_
_
y
x
si x ,= 0
0 si x = 0.
Esta funcion no es continua en (0, y
0
), y
0
R ya que lm
(x,y) (0,y0
f (x, y)
no existe; una forma de vericar esta armacion es notar que
lm
x 0
_
lm
y y0
f (x, y)
_
= lm
x 0
y
0
x
no existe. De esta forma, la funcion es discontinua a lo largo de la recta
x = 0.
4. Hay que ser cuidadosos al discutir la continuidad de una funcion
f : X Y en un subconjunto de X. Si A X hay que distin-
guir entre decir que f es continua en A y considerar la restriccion de f
a A y armar que f[
A
es continua con la metrica d[
A
. En el primer caso,
76 3.2. Funciones continuas
el dominio de la funcion es X y estamos diciendo que en todos los puntos
de A se satisface la denicion con la metrica d. En el segundo caso, la
funcion f[
A
est a denida sobre el espacio / = (A

, d[
A
).
La primera armacion implica la segunda. Para vericar esto, conside-
rando un punto x A y > 0, entonces para alg un valor > 0,
f (B
X

(x)) B
Y

(f (x)). Luego, recordando que


f[
A
(x) = f (x), x A,
y que en el espacio / B

(x) es A B
X

(x), se tiene que


f[
A
(A B
X

(x)) f (B
X

(x)) B
Y

(f (x)) = B
Y

(f[
A
(x)).
La otra implicacion es falsa, ya que la funcion f : R R, dada por
f (x) =
_
_
_
0 si x I
1 si x Q,
es discontinua en todo punto de R. Sin embargo, las funciones f[
Q
y f[
I
son funciones constantes y, por lo tanto, continuas.
En resumen, la continuidad de f[
A
en X solo toma en cuenta el com-
portamiento de la funcion f en puntos del conjunto A, mientras que la
continuidad de f en x A tambien toma en cuenta el comportamiento
de f en puntos fuera de A.
El siguiente resultado establece la relacion entre lmites y continuidad.
Teorema 3.2.1 Sean f : X Y y x X. f es continua en X si y solo
si se cumple una de las siguientes condiciones.
a) x es punto aislado de X.
b) x es punto de acumulacion de X y lm
y x
f (y) = f (x).
Demostraci on. La demostracion de que f sea continua implica una de las
armaciones a) o b), se deja como ejercicio par el lector. Si x X es un punto
aislado, entonces para alguna > 0, B
X

(x) = x y
f (B
X

(x)) = f (x) B
Y

(f (x))
para toda > 0. Si x es un punto de acumulacion, el resultado es inmediato
comparando las deniciones de lmite y continuidad.

Corolario 3.2.2 Sea f : X Y es continua en x X si y solo si para


cualquier sucesion x
n

nN
X tal que x
n
x se tiene que la sucesion
f (x
n
)
nN
Y converge a f (x).
3. Limites y continuidad. 77
Demostraci on. Si x es un punto aislado, consideramos la sucesion constante
x
n
= x (ya que es la unica sucesion de puntos de X que tiene lmite en X).
Si x es un punto de acumulacion, por el Teorema 3.2.1 se sigue el resultado.

Veamos ahora que la composicion de funciones continuas es continua.


Teorema 3.2.3 Si (X, d
1
), (Y, d
2
) y (Z, d
3
) son espacios metricos de la forma
f : X Y , g : Y Z son funciones continuas en x y f (x) respectiva-
mente, entonces g f : X Z es continua en x. En consecuencia, si f y
g son continuas, entonces g f tambien lo es.
Demostraci on. Sea W una vecindad de (g f) (x) = g (f (x)) en Z. Como
g es continua en f (x), g
1
(W) es vecindad de f (x) en Y ; de esta forma,
como f es continua en X, f
1
(g
1
(W)) = (g f)
1
(W) es vecindad de
x X.

Otra forma de demostrar el resultado es la siguiente: tomese una sucesion


x
n
X tal que x
n
x. Como f es continua en x, se tiene que
f (x
n
) f (x). Ahora, debido a que g es continua en f (x), se sigue que
(g f) (x
n
) = g (f (x
n
)) g (f (x)) = (g f) (x).
Dado que x
n

nN
fue una sucesion arbitraria, se sigue el resultado.
El siguiente resultado establece la relacion entre continuidad y conectabilidad
por trayectorias.
Corolario 3.2.4 Sean X y Y espacios metricos, f : X Y una funcion
continua y supongase que X es conectable por trayectorias, entonces f (X) es
conectable por trayectorias.
Demostraci on. Si f (x), f (y) f (X), considerese la trayectoria : x y.
Luego, por el Teorema 3.2.3, la funcion f es una trayectoria que une f (x)
con f (y).

Por otra parte, por el corolario 3.2.2 y la denicion 36 es claro que si


f : X R y g : X R
son funciones continuas, entonces f + g, f g son continuas y si g (x) ,= 0
para toda x X entonces f/g es continua.
Teorema 3.2.5 Sea (X , d) un espacio metrico, n N, f
i
: X R
n
y
denase F como
F (x) = ( f
1
(x), .... f
n
(x)).
Entonces, F es continua en x X si y solo si f
i
es continua en x X,
para cada i 1, ..., n
78 3.2. Funciones continuas
Demostraci on. Consideremos la funcion
k
: R
n
R, denida como

k
(z
1
, ...., z
n
) = z
k
(proyeccion sobre la k-esima coordenada) y supongamos que F es continua en
x. Notese que
k
F = f
k
. Se arma que
k
es continua en R
n
. En efecto
observese que
[
k
(z)
k
(w) [ = [z
k
w
k
[ |z
k
w
k
|
2
< = .
Por el teorema 3.2.3, se sigue que f
k
es continua. Ahora, si f
k
es continua
en x X, dado > 0, existe un
k
> 0 tal que si d (x, y) <
k
, entonces
[f
k
(x) f
k
(y)[ < /n. Tomando = min
1
, ...,
n
, si d (x, y) < , se
tiene que
| F (x) F(y) |
2
=
_
n

k=1
[f
k
(x) f
k
(y)[
2
_1
2

de donde se concluye que F es continua en x

El siguiente resultado presenta una generalizacion a espacios metricos


Proposicion 3.2.6 Si (X, d), (Y, d
1
) y (Z, d
2
) son espacios metricos y
f : X Y , g : Y Z son funciones continuas. Denimos sobre Y Z
la metrica D : (Y Z) (Y Z) R
+
0 dada por
D((y
1
, z
1
) , (y
2
, z
2
)) = d
1
(y
1
, y
2
) + d
2
(z
1
, z
2
).
Entonces, la funcion F : X Y Z dada por F (x) = (f(x), g(x)) es
continua
Demostraci on. Sean x
0
X y > 0; entonces, existen
1
,
2
> 0 tales
que si d (x, x
0
) <
1
y d (x, x
0
) <
2
, entonces
d
1
(f(x), f(x
0
)) <

2
y d
2
(g(x), g(x
0
)) <

2
.
Tomando = min
1
,
2
y d(x, x
0
) < , se sigue que
D(f(x), f(x
0
)) = d
1
(f(x), f(x
0
)) + d
2
(g(x), g(x
0
)) <

2
+

2
= .

Es facil ver que este resultado se puede generalizar para funciones de la


forma F : X A, donde A = X
1
... X
n
equipando a este espacio con
la metrica producto, D =
n

i=0
d
i
donde d
i
es la metrica del espacio X
i
, i N.
Como ya hemos visto anteriormente, la topologa de un espacio queda de-
terminado por la descripcion de sus conjuntos abiertos o sus cerrados, por el
interior o la cerradura de sus conjuntos, etcetera. De la misma forma, la conti-
nuidad puede caracterizarse utilizando estos conceptos.
3. Limites y continuidad. 79
Teorema 3.2.7 Sean X y Y espacios metricos y f : X Y una funcion.
Las siguientes armaciones son equivalentes
a) f es continua
b) Para todo abierto A en Y , f
1
(A) es abierto en X.
c) Para todo subconjunto A de Y, f
1
(A
o
) (f
1
(A))

d) Para todo subconjunto C de X f(C) f(C).


e) Para todo cerrado C en Y, f
1
(C) es cerrado en X.
Demostraci on.
a) b) Sea A abierto en Y y sea x f
1
(A). Por denicion de imagen inversa,
f(x) A y como A es abierto, A es vecindad de f(x). Dado que f
es continua en x, f
1
(A) es vecindad de x y dado que este ultimo fue
arbitrario, f
1
(A) es abierto.
b) c) Sea A Y ya que A
o
es abierto, por b), se sigue que f
1
(A
o
) es
abierto y f
1
(A
o
) f
1
(A). Ya que (f
1
(A))

es el abierto mas grande


contenido en f
1
(A) se concluye que
f
1
(A
o
) (f
1
(A))

.
c) d) Sea C X, por c),
f
1
((Y f(C))

) (f
1
(Y f(C)))

.
Por otro lado, notese que para un espacio metrico X, se satisface que
X A = (X A)

para todo A X
(Se deja como ejercicio al lector). As, resulta que:
X f
1
(f(C)) = f
1
(Y f(C)) = f
1
((Y f(C))

)
(f
1
(Y f(C)))

= (X f
1
(f(C)))

= X f
1
(f(C)).
Tambien, notese que C f
1
(f(C)), de donde se sigue que
C f
1
(f(C)). Se puede vericar que si X es un espacio metrico,
C = X (X C)

, C X.
De esta forma
f
1
(f(C)) = X (X f
1
(f(C)))

= X (f
1
(Y f(C)))

;
80 3.2. Funciones continuas
como f cumple con c), se sigue que
f
1
((Y f(C))

) (f
1
(Y f(C)))

,
luego
X (f
1
(Y f(C)))

X f
1
((Y f(C))

)
= X f
1
(Y f(C))
= f
1
(f(C)),
de donde se concluye que
C f
1
(f(C)).
Aplicando f a ambos extremos, obtenemos
f(C) f[f
1
(f(C))] (f(C))
.
d) e) Sea C cerrado en Y . Dado que se cumple d) y ya que f(f
1
(C)) C,
se sigue que
f(f
1
(C)) f (f
1
(C)) C = C.
Tomando imagenes inversas, tenemos que f
1
(f(f
1
(C))) f
1
(C),
pero f
1
(C) f
1
(f(f
1
(C))) por lo que f
1
(C) f
1
(C). Por lo
tanto f
1
(C) = f
1
(C) es cerrado.
e) a) Sean x X y V una vecindad de f (x) en Y . Supongamos que V es
abierto. Por e) se tiene que f
1
(Y V ) = X f
1
(V ) es cerrado,
debido a que Y V es cerrado- Luego, f
1
(V ) es abierto y como contiene
a x, es vecindad abierta de x X. En consecuencia, f es continua en
x y por ser este ultimo arbitrario, se tiene el resultado

Corolario 3.2.8 Si f : X Y es continua y K un subconjunto conexo de


X, entonces f (K) es un subconjunto conexo de Y
Demostraci on. Supongamos que f (K) es inconexo y sea (A, B) una desco-
nexion de dicho conjunto. Por el Teorema 3.2.7, se sigue que (f
1
(A), f
1
(B))
es una pareja de abiertos, no vacos, ajenos y tales que su union es K, es decir,
K es inconexo.

Teorema 3.2.9 Si f : X Y es continua y K un subconjunto compacto


de X, entonces f (K) es un subconjunto compacto de Y
3. Limites y continuidad. 81
Demostraci on. Sea ( = V : i : i J una cubierta abierta de f(K) en
Y . Como f es continua, f
1
(V
i
) es abierto en X. Por lo tanto
(

= f
1
(V
i
) : i J
es una cubierta abierta de K en X y como K es compacto existen
f
1
(V
i
)....f
1
(V
im
) (

tales que K f
1
(V
i1
) ... f
1
(V
im
). Luego
f(K) V
i1
... V
im
,
por lo que f (K) es compacto.

Ejemplos
1. Sea f : R
n
R
m
continua. Se arma que el conjunto
S = x R
n
[ |f(x)| < 1,
es abierto. Para ver esto, basta con observar que el conjunto S es igual
al conjunto dado por
f
1
(y R
m
[|y| < 1) ,
que es la imagen inversa de un abierto. Como f es continua, S es abierto.
2. Notese que si f es una funcion continua de la forma f : X Y y
U X es abierto, f(U) no necesariamente es abierto. A saber, tomese
la funcion f : R [0, 1] dada por
f(x) =
_

_
0 si x 0
x si x (0, 1)
1 si x 0,
Si se considera U = (7, 2), f(U) = [0, 1] que es un conjunto cerrado.
A las funciones que satisfacen que mandan abiertos en abiertos, las llama-
remos aplicaciones propias.
3. Si f : X Y es continua y K Y es compacto, no se cumple en
general que f
1
(K) sea compacto en X. A saber, si se toma f : R R
dada por f(x) = 1, para toda x R, K = 1 es compacto, pero
f
1
(1) = R no lo es. Si K es conexo, tampoco se puede asegurar que
f
1
(K) sea conexo en X. Para ver esto, tomese f(x) = x
2
y K = 1.
Luego f
1
(K) = 1, 1 que claramente no es conexo.
82 3.2. Funciones continuas
Para funciones reales de variable real, se sabe que una funcion continua
no necesariamente tiene un maximo ni un mnimo absoluto. Sin embargo, si
tenemos una funcion continua denida sobre un intervalo cerrado, dicha funcion
alcanza su maximo y su mnimo. Para el caso de funciones reales de variable
vectorial, tenemos un resultado similar.
Proposicion 3.2.10 Si C R
n
es un conjunto compacto y f : C R
es una funcion continua en C, entonces existen puntos x
0
, x
1
C tales que
f (x
0
) f (x) f (x
1
) para toda x C, esto es, f alcanza su maximo y su
mnimo en C.
Demostraci on. Por el Teorema 3.2.9 se sigue que f (C) es compacto, por
el Teorema 2.4.5, se sigue que este conjunto es cerrado y acotado, por lo que
existen valores , R tales que = sup f (C) y = nf f (C). De-
mostraremos que , f (C). Vericamos que f (C), el caso de se
demuestra de manera analoga. Consideremos la coleccion de intervalos de la
forma
_

1
n
,

, n N. Como es el supremo, entonces existe un punto


x
n
f (C)
_

1
n
,
_
.
Notese que x
n
. Por ser f (C) compacto y x
n
f (C), existe una
subsucesion x
n
k
tal que x
n
k
x
0
f (C). Por la unicidad del lmite, se
concluye que x
0
= .

Recordemos que una funcion inyectiva f : X Y tiene inversa izquierda,


es decir, existe una funcion g : f (X) X tal que g f = Id
X
. Denotare-
mos a la funcion g como f
1
.
Proposicion 3.2.11 Sean C R
n
un conjunto compacto y f : C R
m
una funcion continua en C e inyectiva. Entonces, f
1
es continua en f (C).
Demostraci on. Sea una sucesion y
n
f (C) tal que y
n
y
0
. Observese
que la sucesion y
n
genera una sucesion x
n
en C, a saber x
n
= f
1
(y
n
).
Como C es compacto, entonces existe una subsucesion x
n
k
de x
n
tal que
x
n
k
x
0
C. Se arma que x
0
= f
1
(y
0
). Para ver esto, dado que f es
continua en C y x
n
k
x
0
en C, se sigue que y
n
k
= f (x
n
k
) f (x
0
).
As, por la unicidad del lmite, se sigue que y
0
= f (x
0
), de donde se concluye,
por inyectividad, que x
0
= f
1
(y
0
), como se quera demostrar.

Un espacio metrico (y en general, un espacio topologico), tiene una estruc-


tura dada por sus conjuntos abiertos y cerrados. Cuando hablamos, por ejemplo,
de estructuras algebraicas (anillos,grupos, etcetera), decimos que dos objetos
no se distinguen si son isomorfos, esto es, si existe una biyeccion entre sus
conjuntos subyacentes que respeta su estructura. De manera similar, se puede
denir una relacion entre espacios metricos (en general, espacios topologicos)
que respeta la estructura topologica.
3. Limites y continuidad. 83
Denicion 38 Sean X y Y espacios metricos (en general, espacios topologi-
cos). Se dice que X y Y son homeomorfos y se denota como X

= Y , si
existe una funcion f : X Y continua y biyectiva tal que su inversa es
tambien continua.
Notese que la Proposicion 3.2.11 muestra que una funcion f inyectiva y
continua sobre un conjunto C R
n
, es un homemorsmo entre C y f (C). El
siguiente resultado muestra que, en efecto, un homeomorsmo es una biyeccion
que respeta la estructura topologica.
Proposicion 3.2.12 Sean X y Y espacios metricos y f : X Y una
funcion. Las siguientes armaciones son equivalentes.
a) f es un homeomorsmo.
b) f es biyectiva y f (A) es abierto en Y si y solo si A es abierto en X.
c) f es biyectiva y f (C) es cerrado en Y si y s olo si C es cerrado en X.
Demostraci on. Supongamos que f es un homemorsmo. Por denicion, f
es biyectiva y continua, con inversa continua. Si f (A) es abierto, entonces por
el Teorema 3.2.7, se sigue que f
1
(f (A)) = A es abierto. Ahora, si A es
abierto, como f
1
es continua, la imagen inversa de A bajo la funcion f
1
es un conjunto abierto. Pero este conjunto es justamente f (A). Por otro lado,
supongamos que se satisface b). Sea A un abierto en Y , como f es biyectiva,
existe un subconjunto B X tal que f (B) = A. Luego, dado que f (B) es
abierto, se sigue que B es abierto y como fue arbitrario, se concluye que f es
continua. Un argumento analogo muestra que f
1
es continua. Por tanto, f
es un homeomorsmo. La equivalencia entre a) y c) se demuestra de una forma
similar.

Notese que este resultado arma que f no solo establece una biyeccion
entre los puntos de X y de Y , sino tambien establece una equivalencia entre
los abiertos (respectivamente, cerrados) de uno y otro espacio. En general, una
funcion continua y biyectiva, no necesariamente dene un homeomorsmo. A
saber, la funcion f : [0, 1) S
1
, dada por
f (t) = (cos 2 t, sin 2 t),
es continua y biyectiva, pero no es un homeomorsmo (ejercicio).
3.3. Continuidad uniforme
Nuestra denicion de continuidad de una funcion f en un punto x
0
, esta-
blece una propiedad local, es decir, es una propiedad que depende de lo valores
que toma f en una vecindad de x
0
sucientemente peque na. Se dice que una
funcion es continua sobre un conjunto C si es continua en todo punto de dicho
84 3.3. Continuidad uniforme
conjunto. De esta forma, para cada punto x
0
C encontraremos un modulo
de continuidad , el cual vara dependiendo del punto x
0
. Sin embargo, exis-
ten funciones para las cuales, el modulo de continuidad no depende del punto
x
0
C. A este tipo de funciones las llamaremos uniformemente continuas.
Denicion 39 Sean (X, d) y (Y, d

) espacios metricos. Se dice que una funcion


f : X Y es uniformemente continua en X si dado > 0 existe > 0 tal
que si d (x, y) < , entonces d

(f (x), f (y)) < , para cualesquiera x, y X


Es una consecuencia inmediata de esta denicion que si f es uniformemente
continua en X entonces es continua en todo punto x X. La armacion con-
traria es falsa en general. La diferencia entre ambos conceptos radica en que,
en la denicion de continuidad, el valor puede depender tanto de como
del punto x, mientras que para tener continuidad uniforme depende solo de
. Observese ademas que la denicion 39 se puede enunciar de la siguiente forma:
f es uniformemente continua si f (B

(x)) B

(f (x)) para toda x X.


Ejemplos.
1. Sea f : (0, 1) R dada por f (x) =
1
x
. Observemos que esta funcion
es continua, ya que para un intervalo abierto (a, b) R, donde a > 0,
se tiene que
f
__
1
b
,
1
a
__
= (a, b),
de donde se concluye que si V R es un conjunto abierto, entonces
f
1
(V ) es abierto. Sin embargo, f no es uniformemente continua, ya
que si = 1, para cualquier > 0, tal que <
1
3
, si x = 2 ,
entonces
f (B

(x)) = f ((, 3 )) =
_
1
3
,
1

_
, B
1
_
1
2
_
.
Una funcion f : C X Y , donde (X, d) y (Y, d

) son espacios
metricos, no es uniformemente continua en un conjunto C, si se verican
una de las siguientes dos condiciones:
a) Existe un valor > 0 tal que para cada > 0, existen puntos
x, x

C tales que d (x, x

) < , pero d

(f (x), f (x

)) > .
b) Existen > 0 y dos sucesiones x
n
y x

n
en C, tales que
lm
n
d (x
n
, x

n
) = 0,
pero d

(f (x
n
), f (x

n
)) > , donde n N.
3. Limites y continuidad. 85
2. Tomando la funcion f del ejemplo anterior denida en el conjunto [a, ),
donde a > 0, resulta ser una funcion uniformemente continua. Para ver
esto, notese que, para x, y [a, ) arbitrarios,
1
x
<
1
a
y
1
y
<
1
a
.
Luego, para toda > 0, tomando = a
2
y [x y[ < , se tiene que
[f (x) f (y)[ =

1
x

1
y

y x
xy

<
[y x[
a
2
<
a
2
a
2
= .
Como el valor no depende de la eleccion del punto, se sigue que la
funcion es uniformemente continua.
3. Sea g : (a, b) R una funcion diferenciable tal que [g

(x)[ M, para
toda x (a, b). Se arma que g es uniformemente continua. En efecto,
por el teorema del valor medio, si x, y (a, b) de tal forma que x < y,
entonces existe un punto x
0
[x, y] de tal modo que se cumple que
g (y) g (x) = g

(x
0
) (y x).
Por tanto, obtenemos que
[g (y) g (x)[ M[y x[.
As, para cada > 0 denimos =

M
y si [y x[ < , se sigue que
[g (x) g (y)[ < , quedando demostrada la armacion.
4. Sea h(x) = sin x, donde x R. Como [h

(x)[ = [ cos x[ 1, por el


ejemplo anterior, se sigue que h es uniformemente continua.
5. Sea r (x) = sin (x
2
), tomando x R. Esta funcion no es uniformemente
continua ya que, por el teorema del valor medio, suponiendo que x < y,
se tiene que
[ sin (x
2
) sin (y
2
)[ = [2x
0
cos (x
2
0
)[ [x y[,
donde x
0
[x, y]. De esta forma, la eleccion del valor dependera del
punto x
0
. Este ejemplo muestra que, en general, una funcion continua y
acotada en todo R no es uniformemente continua.
6. Sea f (x, y) =
1
x
2
+y
2
denida en D = R
2
(0, 0). Esta funcion
es continua en D, sin embargo, no es uniformemente continua. A saber,
tomese = 1 y las sucesiones x
n
=
_
1

n
, 0
_
y x

n
=
_
0,
1

n+2
_
. Es
claro que d (x
n
, x

n
) 0 cuando n , sin embargo
[f (x
n
) f (x

n
)[ = [n (n + 2)[ = 2 > 1.
El siguiente resultado establece una condicion suciente para la continuidad
uniforme para funciones denidas en R
n
.
86 3.4. Continuidad uniforme
Denicion 40 Sea f : C R
n
R
m
. Se dice que f es una funcion de
Lipschitz en C, si existe una constante k > 0 (constante de Lipschitz para f)
tal que para cualesquiera x, y C, se satisface que
[[f (x) f (y)[[ k [[x y[[.
Proposicion 3.3.1 Sea una funcion f : C R
n
R
m
una funcion de
Lipschitz en C. Entonces f es uniformemente continua en C.
Demostraci on. Sea k > 0 la constante de Lipschitz para f. Dado > 0,
denimos =

k
y tomando x, y C tal que [[x y[[ < , obtenemos que
[[f (x) f (y)[[ k [[x y[[ < .

Si consideramos la funcion f (x) =


1
x
, tomando x (0, a), a > 0, resulta
que esta funcion no es uniformemente continua y no se puede extender a una
funcion continua en el intervalo [0, a] ya que f no es acotada. Sin embargo,
vimos que al tomar un intervalo de la forma [a, b], donde a > 0, la funcion se
vuelve uniformemente continua (de hecho, si consideramos el intervalo [a, ) la
funcion es uniformemente continua). El siguiente resultado establece la relacion
entre funciones continuas denidas sobre compactos y la continuidad uniforme.
Teorema 3.3.2 Sean (X, d) y (Y, d

) espacios metricos, f : X Y una


funcion continua y supongase que X es compacto. Entonces f es uniforme-
mente continua en X
Demostraci on. Sea > 0. Como f es continua, para cada x X, existe

x
> 0 tal que
f (B
x
(x)) B

2
(f (x)).
Por otra parte, la coleccion de conjuntos B
x

x X
es una cubierta de X. Dado
que X es un conjunto compacto, entonces X es secuencialmente compacto, por
lo que, aplicando el Lema 2.4.6, existe un valor > 0 tal que para cada x X,
B

(x) B
y
0
(y
0
),
para alguna y
0
X. Notese que el n umero no depende de x, sino de la
cubierta. De esta forma, si z B

(x), entonces z B
y
0
(y
0
), por lo que
d

(f (z), f (x)) d

(f (z), f (y
0
)) + d

(f (y
0
), f (x)) <

2
+

2
= .
Por tanto, f (B

(x)) B

(f (x)).

3. Limites y continuidad. 87
3.4. Espacios vectoriales normados dimensional-
mente nitos
En el captulo anterior, vimos que para R
n
se pueden denir diferentes funciones
que resultan ser normas. Tambien vimos que estas normas son equivalentes, es
decir, la estructura topologica de R
n
es la misma. En general, una norma sobre
un espacio vectorial dimensionalmente nito depende de la eleccion de la base.
En esta seccion analizaremos la equivalencia entre diferentes normas en espacios
vectoriales dimensionalmente nitos.
Sea V un espacio vectorial y sean [[[[ y [[[[

dos normas sobre V . Diremos


que [[ [[ es equivalente a [[ [[

(lo cual denotamos por [[ [[ [[ [[

), si existen
valores a, b > 0 tales que, para toda v V ,
a [[v[[

[[v[[ b [[v[[

.
Recordemos que una norma induce una metrica, a saber, para cualesquiera
v, w V , denimos la funcion d : V V R
+
0 como
d (v, w) = [[v w[[.
Gracias a la teora de sucesiones que desarrollamos en el captulo anterior para
espacios metricos y las propiedades de funciones continuas, observamos que la
funcion [[ [[ : V R
+
0 es continua. Esto se sigue ya que, si v
n
v
en V , entonces por la desigualdad del triangulo para la norma, se sigue que
[[[v
n
[[ [[v[[[ [[v
n
v[[ < ,
para n sucientemente grande. As, [[v
n
[[ [[v[[, de donde se concluye que
[[ [[ es continua.
El siguiente resultado muestra que en un espacio vectorial con dos normas
equivalentes, las propiedades de espacio metrico son las mismas.
Proposicion 3.4.1 Sean V un espacio vectorial, [[ [[ y [[ [[

normas sobre V
y d y d

respectivamente las metricas inducidas por estas normas. Supongase


que existe K > 0 tal que [[v[[ K[[v[[

para todo v V y sea v


n
una
sucesion en V .
a) Si v
n
converge a v en el espacio metrico (V, d

), entonces v
n
con-
verge a v en el espacio metrico (V, d).
b) Si v
n
es de Cauchy en el espacio metrico (V, d

), entonces v
n
es de
Cauchy en el espacio metrico (V, d).
Demostraci on. Demostraremos a), dejando la demostracion de la otra ar-
maci on como ejercicio para el lector. Sea > 0. Entonces, existe N N tal
que [[v
n
v[[

<

K
, si n N. As, si n N, se tiene que
[[v
n
v[[ K[[v
n
v[[

< .
Por tanto, v
n
converge a v en (V, d).

88 3.4. Espacios vectoriales normados dimensionalmente finitos


Corolario 3.4.2 Sean V un espacio vectorial, [[[[ y [[[[

normas equivalentes
sobre V , d y d

respectivamente las metricas inducidas por estas normas y


v
n
una sucesi on en V .
a) v
n
converge a v en el espacio metrico (V, d

), si y solo si v
n
converge
a v en el espacio metrico (V, d).
b) v
n
es de Cauchy en el espacio metrico (V, d

), si y solo si v
n
es de
Cauchy en el espacio metrico (V, d).
c) (V, d) es completo si y solo si (V, d

) es completo.
Demostraci on. Demostraremos a) y c), dejando b) como ejercicio. Como
[[ [[ [[ [[

, entonces existen m, M > 0 tales que m[[v[[ [[v[[

M[[v[[,
para toda v V .
De esta forma, dado que [[v[[

M[[v[[ para toda v V , si v


n
v
en (V, d), por la Proposicion 3.4.1, v
n
v en (V, d

). Observese que [[v[[


1
m
[[v[[

para todo v V , por lo que, aplicando un argumento similar, queda


demostrado a).
Ahora, supongamos que (V, d) es completo y sea v
n
una sucesion de
Cauchy en el espacio metrico (V, d

). Por b), v
n
es de Cauchy en (V, d) y,
por tanto, convergente. Por a), se sigue que v
n
es convergente en (V, d

), de
donde se concluye que (V, d

) es completo. El converso es cierto por simetra.

Si V es un espacio vectorial dimensionalmente nito sobre R (o sobre C),


con base = v
1
, ..., v
n
, entonces la funcion [[ [[

: V R
+
0 dada
por
[[v[[

=
_
_
_
_
_
n

i =1

i
v
i
_
_
_
_
_

=
_
n

i =1
[
i
[
2
_1
2
,
es una norma (ejercicio), donde
i
R (o en C) son los escalares que expresan
a v en terminos de la base . Esto muestra que V tiene al menos una norma.
El siguiente resultado muestra que cualquier otra norma sobre V es equivalente
a esta norma.
Teorema 3.4.3 Sean V un espacio vectorial dimensionalmente nito sobre R
(o C), = v
1
, ..., v
n
una base para V y [[ [[ una norma denida en V .
Entonces, [[ [[ [[ [[

.
Demostraci on. Sea
M =
_
n

i =1
[[v
i
[[
2
_1
2
.
3. Limites y continuidad. 89
Como es una base, se sigue que M > 0. Luego
_
_
_
_
_
n

i =1

i
v
i
_
_
_
_
_

n

i =1
[[
i
v
i
[[
=
n

i =1
[
i
[ [[v
i
[[

_
n

i =1
[
i
[
2
_1
2
_
n

i =1
[[v
i
[[
2
_1
2
= M
_
_
_
_
_
n

i =1

i
v
i
_
_
_
_
_

.
Ahora, sea f : R
n
R (se puede sustituir R por C), denida como
f (
1
, ...,
n
) =
_
_
_
_
_
n

i =1

i
v
i
_
_
_
_
_
.
Notese que esta funcion es continua. Por otra parte, el conjunto
S = (
,
...,
n
) R
n
[
n

i =1
[
i
[
2
= 1,
es compacto, por lo que, por la Proposicion 3.2.10, existe un punto
(
1
, ...,
n
) S
tal que
m = f (
1
, ...,
n
) f (
1
, ...,
n
),
para todo (
1
, ...,
n
) S. Si m = 0, entonces
_
_
_
_
_
n

i =1

i
v
i
_
_
_
_
_
= 0,
de donde se concluye que
n

i =1

i
v
i
= 0,
lo cual es una contradiccion al hecho de que es una base. Por tanto, m > 0.
Ademas, por la denicion de [[ [[

, si [[v[[

= 1, entonces [[v[[ m. As, si


x V 0, como
_
_
_
x
||x||

_
_
_

= 1, se obtiene que
_
_
_
x
||x||

_
_
_ m, de donde se
concluye que
[[x[[ m[[x[[

,
90 3.4. Espacios vectoriales normados dimensionalmente finitos
quedando demostrado el teorema.

La equivalencia de normas, en efecto, dene una relacion de equivalencia,


por lo que el siguiente resultado es inmediato.
Corolario 3.4.4 Sean V un espacio vectorial dimensionalmente nito sobre
R (o sobre C) y [[ [[, [[ [[

dos normas denidas sobre V . Entonces, dichas


normas son equivalentes.
Ahora que ya hemos demostrado que todas las normas sobre un espacio
vectorial dimensionalmente nito son equivalentes, basta con estudiar las pro-
piedades de espacio metrico asociadas con una norma en particular.
Notese que si V es un espacio vectorial dimensionalmente nito sobre R, se
puede crear una biyeccion entre V y R
n
, a saber, si v =
n

i =1

i
v
i
, entonces
v (
1
, ...,
n
).
Como R
n
es completo, se sigue que V tambien lo es, ya que una sucesion de
Cauchy en V dene una sucesion de Cauchy en R
n
y, por tanto, esta ultima
sera una sucesion convergente a un vector (x
1
, ..., x
n
) R
n
. Luego, este vector
determina un elemento v
0
V . De esta forma, hemos demostrado que todo
espacio vectorial dimensionalmente nito, normado, es completo.
Resulta interesante vericar el concepto de continuidad para transformacio-
nes lineales. Para esto, denimos el concepto de transformacion acotada.
Denicion 41 Sea T : V W una transformacion lineal, donde V y W
son normados. Se dice que T es acotada si existe c R
+
tal que para todo
v V, |T(v)|
W
| v|
V
.
Teorema 3.4.5 Sea T : V W una transformacion lineal, donde V, W son
espacios normados. Entonces las siguientes armaciones son equivalentes
a) T es acotada.
b) T es continua.
c) T es continua en v
0
V.
Demostraci on. Supongamos que T es acotada; entonces, existe c R
+
tal
que, para toda v V, |T(v)|
W
|v|
V
, As, para cualquier v
0
V y > 0,
tomando =

c
se tiene que
|T(v) T(v
0
)|
W
= |T(v v
0
)|
W
c|v v
0
|
V
< c
si |v v
0
|
V
< . Por lo tanto a) implica b).
Por otra parte, b) implica c) trivialmente, por lo que demostramos c) implica
3. Limites y continuidad. 91
a). Supongamos que T es continua en v
0
. Tomando = 1, existe > 0 tal
que si
|v v
0
|
V
< ,
entonces |T(v) T(v
0
)|
W
< 1. Escribiendo A = v v
0
, se obtiene que,
si |A|
V
< , entonces |T(A)|
W
< 1 (T es lineal). Ahora, consideremos
w V 0 y denimos v = v
0
+

2w
V
w; luego,
A = v v
0
=
w
2|w|
V
,
donde |A|
V
=

2
< . As,
|T(A)|
W
= |T
_

2
w
|w|
V
_
|
W
=

2|w|
V
|T(w)|
W
< 1,
de donde se concluye que
|T(w)|
W
<
2

|w|
V
= c|w|
V
como se quera demostrar.
Cap

tulo 4
Diferenciacion.
4.1. Funciones vectoriales de variable escalar.
Recordemos que en el calculo de funciones de variable real, la derivada de una
funcion f, se dene como la funcion que denotaremos por f

, cuya regla de
correspondencia queda determinada por
f

(x
0
) = lm
h0
f(x
0
+h) f(x
0
)
h
y cuyo conjunto de denicion es la coleccion de todos los valores para los que el
lmite existe.
Por otra parte, al considerar una funcion vectorial de variable real, estamos
pensando en la representacion graca del movimiento de una partcula al tiempo
t
0
en R
3
, por ejemplo. Es decir, una funcion F : R R
n
representa la
posicion de un vector (x
1
(t), ..., x
n
(t)) R
n
, dependiendo del parametro t.
Veamos que si F : R R
n
es una funcion vectorial de variable real, la
derivada se dene de manera similar al caso real.
Denicion 42 Sea F : A R R
n
, una funcion vectorial de variable real.
Se dice que F es diferenciable en t
0
A si
lm
h0
F(t
0
+ h) F(t
0
)
h
,
existe. En este caso, lo denotaremos por F

(t
0
) y le llamaremos la derivada de
F en t
0
. Diremos unicamente que F es diferenciable, si F es diferenciable en
t
0
, para toda t
0
A.
No es difcil ver (Ejercicio) que si se tiene una sucesion x
m

mN
R
n
, de
tal forma que x
m
x R
m
, donde
x
m
=
_
x
(1)
m
, ..., x
(n)
m
_
y x =
_
x
(1)
, ..., x
(n)
_
entonces x
(i)
m
x
i
, i 1, ..., u. La implicacion inversa tambien es cierta.
De esta forma, tenemos el siguiente resultado.
93
94 4.1. Funciones vectoriales de variable escalar.
Teorema 4.1.1 Si F = (f
1
, ..., f
n
), donde las funciones f
i
: A R
R, i 1, ..., n, son diferenciables en un punto t
0
A, entonces F es
diferenciable en t
0
y
F

(t
0
) = (f

(t
0
), ..., f

n
(t
0
)).
Demostraci on. Por la observacion anterior se tiene que
lm
h0
F(t
0
+h) F(t
0
)
h
existe si y solo si
lm
h0
f
i
(t
0
+h) f
i
(t
0
)
h
, i 1, ..., n
existe. Por hipotesis, f
i
es diferenciable en t
0
A. As,
lm
h0
F(t
0
+ h) F(t
0
)
h
= lm
h0
_
f
1
(t
0
+ h) f(t
0
)
h
, ...,
fn (t
0
+ h) f(t
0
)
h
_
=
_
lm
h0
f
1
(t
0
+ h) f(t
0
)
h
, ....., lm
h0
fn (t
0
+ h) f(t
0
)
h
_
=
_
f

1
(t
0
), ....., f

n
(t
0
)
_

Ejemplos
a) Sea F(t) = (cos t, sent) t R. Las funciones cos t y sent son diferen-
ciables en todo R, as
F

(t) = (sent, cos t)


b) Considerese G(t) = e
t
(1, cos t, sent). Notese que
G(t) = (e
t
, e
t
cos t, e
t
sent)
por lo que
G

(t) = (e
t
, e
t
(cos t sent), e
t
(sent + cos t)).
De hecho, notese que si F(t) = (f
1
(t), ....., f
n
(t)) es diferenciable en un
punto t
0
A, entonces
lm
h0
F(t
0
+ h) F(t
0
)
h
existe. Ademas, este lmite existe si y solo si
4. Diferenciaci on. 95
lm
h0
f
i
(t
0
+ h) f
i
(t
0
)
h
, i 1, ...., n
existe, de donde se sigue que f
i
: A R R es diferenciable, para cada
i 1, ....., n. Geometricamente, una funcion F : A R R
n
dene una
curva ( en R
n
. Si t
0
, t
0
+ h T(F), donde h ,= 0, entonces el vector
1
h
(F( t
0
+ h) F(t
0
)) = F

(t
0
)
tiene la misma direccion que el vector F(t
0
+ h) F(t
0
). Cuando h 0,
F

(t
0
) se aproxima a un vector que cae en la recta tangente a la curva ( en
F(t
0
) (Vease la Figura 4.1)
F(t
0
)
F

(
t
0)
F(t
0
+ h)
F
(
t
0
+
h
)

F
(
t
0
)
Figura 4.1: Vector tangente
Denicion 43 Si ( es una curva descrita por la funcion
F : A R R
n
diferenciable en t
0
y F

(t
0
) ,= 0, entonces llamaremos a F

(t
0
) vector tan-
gente a la curva ( en el punto F(t
0
) y a la recta
/ = F(t
0
) + aF

(t
0
)[a R
se le conoce como recta tangente a la curva ( en F(t
0
).
Esta denicion de recta tangente a una curva extiende el concepto de recta
tangente a la graca de una funcion real de variable real. En efecto, para una
funcion f : A R R diferenciable en un punto t
0
A, los puntos en su
graca quedan descritos por coordenadas de la forma (t, f(t)), donde t A.
As, denimos una funcion F : A R R
2
dada por F(t) = (t, f(t)), la
cual es diferenciable en t
0
y
96 4.1. Funciones vectoriales de variable escalar.
F

(t
0
) = (1, f

(t
0
)),
por lo que la recta tangente a la curva en F(t
0
) queda descrita por el conjunto
F(t
0
) + aF

(t
0
)[ a R = (t
0
+a, f(t
0
) + af

(t
0
))[ a R
Notese que la pendiente de esta recta es f

(t
0
). Esto se sigue ya que los
puntos (x, y) en la recta quedan descritos por las ecuaciones parametricas
x = t
0
+ a (4.1)
y = f(t
0
) + af

(t
0
) (4.2)
donde a R. Despejando el parametro a en la ecuacion (4.1) y sustituyendo
en (4.2), obtenemos que
y = f(t
0
) + f

(t
0
) (x t
0
),
que es la ecuacion rectangular de una recta con pendiente f

(t
0
).
Por otro lado, sabemos que si una funcion f : A R R es diferenciable
en A, entonces es continua en A. As, por el teorema 4.1.1 y la denicion de
diferenciabilidad, se tiene el siguiente resultado.
Proposicion 4.1.2 Si la funcion F : A R R
n
es diferenciable en A,
entonces F es continua en A.
Otra forma para denotar la derivada de una funcion F : A R R
n
en
un punto t
0
es
dF
dt
(t
0
). Al igual que en calculo real de variable real, existen
reglas para la derivada de una suma y productos por escalares.
Proposicion 4.1.3 Sean F, G : A R R
n
y f : A R R
funciones diferenciables sobre A. Entonces FG, F G, fF son diferenciables
sobre A, donde
a)
d(F G)
dt
=
dF
dt

dG
t
b)
d(F G)
dt
= F
d G
dt
+ G
dF
dt
c)
d(fF)
dt
= f
_
dF
dt
_
+
df
dt
(F)
d) Ademas, si n = 3, F G es diferenciable y
d(F G)
dt
=
_
F
d G
dt
_
+
_
dF
dt
G
_
4. Diferenciaci on. 97
Demostraci on. Probaremos b) y d), dejando la demostracion de los demas
incisos como ejercicio para el lector. Si
F(t) = (f
1
(t), ....., f
n
(t)) y G(t) = g
1
(t), ...., g
n
(t)
entonces
(F G)(t) =
n

i=1
f
i
(t) g
i
(t).
Como F y G son diferenciables sobre A, entonces f
i
y g
i
son diferenciables
sobre A, i 1, ....., n. As
d (F G)(t)
dt
=
n

i=1
f

i
(t) g
i
(t) + g

i
(t) f
i
(t)
=
n

i=1
f

i
(t) g
i
(t) +
n

i=1
g

i
(t)f
i
(t)
=
_
dF
dt
G
_
(t) +
_
F
d G
dt
_
(t)
como se quera demostrar. Ahora si F = (f
1
, f
2
, f
3
) y G = (g
1
, g
2
, g
3
)
entonces
F G = (f
2
g
3
f
3
g
2
, f
3
g
1
f
1
g
3
, f
1
g
2
f
2
g
1
),
de donde se sigue que
d(F G)
dt
=
(f
2
g

3
+f

2
g
3
f

3
g
2
f
3
g

2
, f
3
g

1
+f

3
g
1
f

1
g
3
f
1
g

3
, f
1
g

2
+f

1
g
2
f
2
g

1
f

2
g
1
)
= (f
2
g

3
f
3
g

2
, f
3
g

1
f
1
g

3
, f
1
g

2
f
2
g

1
)
+ (g
3
f

2
g
2
f

3
, g
1
f

3
g
3
f

1
, g
2
f

1
g
1
f

2
)
=
_
F
d G
dt
_
+
_
dF
dt
G
_

Recordemos que si f : A R R y g : B R R son funciones dife-


renciables en A y en B respectivamente y f(A) B, entonces la composicion
(g f) es diferenciable en A y
d(g f)
dt
=
df
dt
(t)
dg
dt
(f(t)).
A este resultado se le conoce como regla de la cadena. Pues bien, si
F : B R R
n
y f(A) B,
98 4.1. Funciones vectoriales de variable escalar.
donde F es diferenciable en B, se tiene un resultado analogo, cuya prueba se
deja como ejercicio al lector.
Teorema 4.1.4 (Regla de la cadena) Sean
F : B R R
n
y f : A R R
funciones diferenciables sobre B y A respectivamente, de tal forma que f(A)
B. Entonces F f es diferenciable sobre A y
d(F f)
dt
=
df
dt
(t)
_
dF
dt
(f(t))
_
.
Figura 4.2: Graca de f (x) =
_
x
3
1 x
Ejemplos
a) Considerese la funcion F(t) =
_
t
2
1+t
2
,
t
3
1+t
2
_
. Notese que f
1
=
t
2
t
2
+1
es
una funcion par, mientras que f
2
(t) =
t
3
1+t
2
es impar. De esta forma,
podemos concluir que la curva denida por la funcion F es simetrica con
respecto al eje x. Ahora, los vectores tangentes a la curva quedan descritos
por la ecuacion
F

(t) =
_
2t
(1 +t
2
)
2
,
t
4
+ 3t
2
(1 +t
2
)
2
_
=
t
(1 +t
2
)
2
(2, t
3
+ 3t).
4. Diferenciaci on. 99
Si t < 0, entonces, el vector tangente tiene la misma direccion que el
vector (2, (t
3
+ 3t)), mientras que si t > 0, F

(t) tiene la misma


direccion que el vector (2, t
3
+ 3t). Observese que
lm
t 0

(2, (t
3
+ 3t)) = (2, 0) y lm
t 0
+
(2, t
3
+ 3t) = (2, 0)
esto es, en (0, 0) la graca de la funcion presenta una c uspide. Ademas
notese que lm
t
f
1
(t) = 1 y lm
t
f
2
(t) = , por lo que la graca
de la funcion es como lo muestra la Figura 4.2. De hecho, podemos da la
ecuacion rectangular de esta curva observando que
y =
t
3
1 +t
2
= t
_
t
2
1 +t
2
_
= xt,
de donde se sigue que
x =
t
2
1 +t
2
=
_
y
x
_
2
1 +
_
y
x
_
2
y =

x
3
1 x
b) Sea F : A R R
n
una funcion diferenciable y supongamos que
|F| = c, c R constante, para toda t A. Luego, observese que
F F = |F|
2
= c
2
, por lo que aplicando la proposicion 4.1.3 se sigue que
F F

= 0,
es decir F(t) y F

(t) son ortogonales


c) Sean F(t) =
_
t
2
1 +t
2
,
t
3
1 +t
2
_
y f(t) = cos t, t R. Por el Teorema
4.1.4, se sigue que
d(F f)
dt
(t) =
d f
dt
(t)
dF
dt
(f(t))
= ( sin t)
_
2 cos t
(1 + cos
2
t)
2
,
cos
4
t + 3 cos
2
t
(1 + cos
2
t)
2
_
=
_
2sent cos t
(1 +cos
2
t)
2
,
sent (cos
4
t + 3cos
2
t)
(1 +cos
2
t)
2
_
El siguiente resultado generaliza el teorema del valor medio para funciones vec-
toriales de variable real.
Teorema 4.1.5 (Del Valor Medio I) Sea F : [a, b] R
n
una funcion
continua sobre [a, b] y diferenciable sobre (a, b). Entonces existen valores c
i

(a, b) i 1, ..., n tales que
F(b) F(a) = (b a) (f

1
(c
1
), ...., f

n
(c
n
))
100 4.1. Funciones vectoriales de variable escalar.
Demostraci on. Como F es continua en [a, b] y diferenciable en (a, b), en-
tonces f
i
es continua en [a, b] y diferenciable en (a, b). Luego, por el teorema
del valor medio para funciones reales de variable real, se sigue que existen valores
c
i
(a, b) tal que
f
i
(b) f
i
(a) = (b a)(f

i
(c
i
)),
de donde se sigue el resultado.

Para una funcion F : A R R


n
y puntos t
0
, t
0
+h A, llamaremos
incremento de F en t
0
correspondiente al valor h al vector de la forma

h
F(t
0
) = F(t
0
+h) F(t
0
).
As, si F es diferenciable en t
0
, se tiene que

h
F(t
0
) = F(t
0
+h) F(t
0
) = hF

(t
0
) + h
h
(t
0
),
donde

h
(t
0
) =
F(t
0
+h) F(t
0
)
h
F

(t
0
).
Como
h
(t
0
) 0 conforme h 0, se concluye que
h
F(t
0
) hF

(t
0
)
cuando h es sucientemente peque no.
F(t
0
)
F(t
0
+ h)

h
F
(
t
0
)
D
h F
(t
0)
h
h
(t
0
)
0
Figura 4.3: Diferencial de F en t
0
Denicion 44 Sea F : A R R
n
una funcion diferenciable. Se dene
la diferencial de F en t
0
correspondiente al incremento de h, denotado por
D
h
F(t
0
)
D
h
F(t
0
) = hF

(t
0
).
4. Diferenciaci on. 101
De esta forma, para h sucientemente peque no, se tiene que
F(t
0
+h) = F(t
0
) +
h
F(t
0
) F(t
0
) + D
h
F(t
0
). (4.3)
Notese que si F

(t
0
) ,= 0, entonces D
h
F(t
0
) es un vector paralelo al vector
tangente a la curva (, descrita por F(t), en el punto F(t
0
) (Vease la Figura
4.3)
Una forma de simplicar la notacion, es escribir dt en lugar de h, lo cual
representa un incremento en el parametro t y en lugar de D
h
F(t), abreviar
por d F, de donde obtenemos la notacion reveladora
dF = F

(t) dt,
de donde se sigue que F

(t) =
dF
dt
.
Con esta notacion tenemos que
dF = F

(t)dt = (f
1
(t)dt, ....., f
n
(t)dt),
esto es
dF = (df
1
, ....., df
n
).
Por la denicion de diferencial y las reglas (ya demostradas) para la derivada,
se tienen las siguiente propiedades:
a) d(F G) = dF dG
b) d(F G) = (dF G) + (G dF)
c) d(F G) = (dF G) + (F dG)
d) (fF) = f(F) + (f)F
e) d(F f) = (F

f) df
4.2. Funciones escalares de variable vectorial
4.2.1. Derivada y diferencial
En esta seccion, estudiaremos la derivada y la diferencial de las funciones es-
calares de variable vectorial. Para esto, recordemos nuevamente la idea de la
diferenciabilidad para funciones escalares de variable real. Si f es una funcion
diferenciable en un punto t
0
, entonces
f

(t
0
) = lm
h0
f(t
0
+h) (t
0
)
h
,
existe. Deniendo
h
(t
0
) =
f(t0+h) (t0)
h
f

(t
0
), h ,= 0 se obtiene que
f(t
0
+h) = f(t
0
) + f

(t
0
)h + h(t
0
),
102 4.2. Funciones escalares de variable vectorial
donde
lm
h0
h
h
(t
0
) = 0
Notese la similitud con la ecuacion (4.3). Nuevamente, al valor f

(t
0
)h lo
llamaremos diferencial de f en t
0
con incremento h. En general, diremos que
f : A R R es diferenciable en t
0
si existe r > 0 tal que B
r
(t
0
) A y
existe a R (independientemente de h) tal que para todo punto
t
0
+ h B
r
(t
0
)
se cumple que
f(t
0
+h) = f(t
0
) + ah +
h
(t
0
)h,
donde lm
h0

h
(t
0
) = 0; al termino ah lo llamaremos la diferencial de f en t
0
con respecto al incremento h.
Tomando estas ideas como base, podremos extender el concepto de diferen-
ciabilidad a funciones de R
n
a R.
Denicion 45 Sea F : A R
n
R una funcion. Decimos que F es
diferenciable en t
0
A si existe un vector a R
n
(independientemente de
h) tal que para toda t
0
+h B
r
(t
0
), r > 0
F(t
0
+ h) = F(t
0
) + a h +
h
(t
o
) h
donde lm
h0

h
(t
0
) = 0. Al valor a h lo llamaremos diferencial de F en t
0
con respecto a h y lo denotaremos por D
h
F(t
0
) o simplemente por DF(t
0
).
Al vector a se le conoce como derivada de F en t
0
y se denotara por DF(t
0
).
Notese que DF(t
0
) h = DF(t
0
), as que en muchas ocasiones, cambiaremos
h por la notacion (mas sugerente) dt. Por tanto, DF(t
0
) dt = DF(t
0
).
Ejemplos
a) Sea F(x, y) = x
2
+xy y tomese un vector h = (h
1
, h
2
) R
2
; entonces
F(x +h) = F(x +h
1
, y +h
2
)
= (x +h
1
)
2
+ (x +h
1
)(y +h
2
)
= x
2
+ 2xh
1
+ h
2
1
+ xy + h
1
y + h
2
x + h
1
h
2
= x
2
+ xy + [(2x +y)h
1
+ xh
2
] + h
1
h
1
+ h
1
h
2
= x
2
+ xy + (2x +y, x) h + (h
1
, h
1
) h
4. Diferenciaci on. 103
Deniendo a = (2x + y, x) y
h
(x) = (h
1
, h
1
), se tiene que F es
diferenciable ya que
lm
h0

h
(x) = lm
h0
(h
1
, h
1
) = (0, 0)
b) Considerese la funcion G(x, y) =
_
[xy[. Se arma que G no es diferen-
ciable en 0. Para ver esto, notese que, si h = (h
1
, h
2
). Para ver esto,
notese que, si h = (h
1
, h
2
),
G(h) =
_
[h
1
h
2
[ = 0 +
_
[h
1
h
2
[ h
1
h
1
= G(0) +
_
[h
1
h
2
[ h
1
h
1
Deniendo
h
=
_
_
[h
1
h
2
[
h
1
, 0
_
. Obtenemos que
G(h) G(0) = h
h
(0),
por lo que, al parecer, G es diferenciable en 0; sin embargo,
lm
h0

h
(0) = lm
h0
_
_
[h
1
h
2
[
h
1
, 0
_
no existe.
Teorema 4.2.1 Si F : A R
n
R es diferenciable en t
0
A, entonces
F es continua en t
0
.
Demostraci on. Como F es diferenciable, existe un vector a R
n
tal que
para cualquier punto t
0
+ h B
r
(t
0
), r > 0, se tiene que
F(t
0
+h) = F(t
0
) + a h +
h
(t
0
) h,
luego cuando h 0 se tiene que
lm
h0
F(t
0
+h) = F(t
0
),
de donde se sigue el resultado

El siguiente resultado muestra que la suma y el producto de funciones dife-


renciables, es diferenciable
Teorema 4.2.2 Si F y G son funciones diferenciables en un punto t
0
R
n
,
entonces F G y FG son diferenciables en t
0
. Ademas
a) D(F G)(t
0
) = DF(t
0
) DG(t
0
)
b) D(FG)(t
0
) = G(t
0
) (DF(t
0
)) + F(t
0
)(DG(t
0
))
104 4.2. Funciones escalares de variable vectorial
Demostraci on. Vericamos la validez del teorema para el producto, dejando
la vericacion de la suma como ejercicio para el lector. Como F y G son
diferenciables, existen vectores a
1
y a
2
y un valor r > 0, tales que para todo
t
0
+ h B
r
(t
0
), se cumple que
F(t
0
+ h) = F(t
0
) + a
1
h +
h
(t
0
) h
y
G(t
0
+ h) = G(t
0
) + a
2
h +
h
(t
0
) h
donde lm
h0

h
(t
0
) = 0 = lm
h0

h
(t
0
). Luego,
(FG)(t
0
+ h) = (F(t
0
) + a
1
h +
h
(t
0
) h)(G(t
0
) + a
2
h +
h
(t
0
) h)
= (FG)(t
0
) + (F(t
0
)a
2
+ G(t
0
)a
1
) h
+ [F(t
0
)
h
(t
0
) + (a
1
h)a
2
+ (a
1
h)
h
(t
0
) + G(t
0
)
h
(t
0
))
+ (a
2
h)
h
(t
0
) +
h
(t
0
)
h
(t
0
)] h
= (FG)(t
0
) + (F(t
0
)a
2
+ G(t
0
)a
1
) h +
h
(t
0
) h.
Notese que lm
h0

h
(t
0
) = 0, de donde se sigue que fg es diferenciable en t
0
y
D(FG)(t
0
) =)G(t
0
)(DF(t
0
) + F(t
0
)(DG(t
0
))
que era lo que se quera demostrar.

Falta ver que la composicion de funciones diferenciables, es una funcion


diferenciable.
Teorema 4.2.3 (Regla de la cadena II) Si G : A R R
n
es una
funcion diferenciable en t
0
y F : R
n
R es diferenciable en G(t
0
), en-
tonces F G es diferenciable en t
0
y
d
dt
(F G)(t
0
) = DF(G(t
0
))
dG
dt
(t
0
)
Demostraci on. Como G es diferenciable en t
0
, para alguna r > 0 y para
cualquier (t
0
+h) B
r
(t
0
), se tiene que
G(t
0
+h) = G(t
0
) + v(t
0
, h),
4. Diferenciaci on. 105
donde v(t
0
, h) = hG

(t
0
) + h
h
(t
0
). Por otro lado, como F es diferenciable
en G(t
0
), existe s > 0 tal que para todo (G(t
0
) + h) B
s
(G(t
0
)) existe un
vector a = DF(G(t
0
)) de tal forma que
F(G(t
0
) +h) = F(G(t
0
)) + a h +
h
(G(t
0
)) h
Como G es continua, se puede elegir r de tal manera que
G(B
r
(t
0
)) B
s
(G(t
0
)).
As tenemos que
(F G)(t
0
+h) = F[G(t
0
) + v(t
0
, h)]
= F(G(t
0
)) + DF(G(t
0
)) v(t
0
, h)
+ v(t
0
, h)
v(t0, h)
(G(t
0
))
= F(G(t
0
)) + hG

(t
0
) DF(G(t
0
)) + h
h
(t
0
),
donde

h
(t
0
) =
h
(t
0
) DF(t
0
) + [G

(t
0
) +
h
(t
0
)]
v(t0, h)
(G(t
0
))
Observese que lm
h0

h
(t
0
) = 0, de donde se obtiene que F G es diferenciable
en t
0
y
d(F G)
dt
(t
0
) = G

(t
0
) DF(G(t
0
))

Corolario 4.2.4 Si F, G : A R
n
R son diferenciables en t
0
A y
G(t
0
) ,= 0, entonces
F
G
es diferenciable en t
0
y
D
_
F
G
_
(t
0
) =
G(t
0
)DF(t
0
) F(t
0
)DG(t
0
)
G
2
(t
0
)
Demostraci on. Como
F
G
= F
_
1
G
_
y
1
G
= (f G) donde f(y) =
1
y
,
tenemos que
D
_
F
G
_
(t
0
) = (DF(t
0
))
_
1
G
_
(t
0
) + F(t
0
) D
_
1
G
_
(t
0
)
= (DF(t
0
))
1
G(t
0
)
+ F(t
0
) f

(G(t
0
)) DG(t
0
)
=
DF(t
0
)
G(t
0
)
+
_

1
(G(t
0
))
2
_
F(t
0
) DG(t
0
)
=
G(t
0
) DF(t
0
) F(t
0
)DG(t
0
)
(G(t
0
))
2
,
106 4.2. Funciones escalares de variable vectorial
como se quera demostrar

Usando el Teorema 4.2.3 y el teorema del valor medio para funciones escala-
res de variable escalar, se obtiene un generalizacion del teorema del valor medio
para funciones reales de variable vectorial.
Teorema 4.2.5 (Del valor medio II) Si F : A R
n
R es una funcion
diferenciable en A, donde A es un conjunto abierto que contiene un segmento
rectilneo que va de t
0
a v
0
, entonces existe
0
(0, 1) tal que
F(v
0
) F(t
0
) = (v
0
t
0
) DF(t
0
+
0
(v
0
t
0
))
Demostraci on. Sea G() = t
0
+ (v
0
t
0
) y H = F G Entonces
F(v
0
) F(t
0
) = F(G(1)) F(G(0)) = H(1) H(0).
Por el Teorema 4.2.3, H es diferenciable en (0, 1). Luego, por el Teorema del
valor medio para funciones escalares de variable escalar, se sigue que
H(1) H(0) = H

(
0
)
para alg un
0
(0, 1), de donde se obtiene que
F(v
0
) f(t
0
) =
d(F G)
d
(
0
) =
dG
d
(
0
) DF(G(
0
))
= (v
0
t
0
) DF(t
0
+
0
(v
0
t
0
))

4.2.2. Derivadas direccionales y parciales.


Considerese una funcion escalar de variable vectorial F(x). Para disponer de
una imagen geometrica, iniciamos nuestra discusion para funciones denidas
en R
2
, aunque los resultados se presentan en su version general. En principio,
supongase que en la funcion F(x, y) se efect ua un cambio en las variables
independientes. La primera pregunta que viene a la mente es:
Cual es la razon de cambio de la funcion respecto a dichas variaciones?
En general, en un punto de su dominio, la funcion F no tendra una razon
de cambio unica, sino que cambiara en proporciones distintas dependiendo de la
direccion en que el punto (x, y) se mueva. As, para la funcion F en el punto
t
0
y dado un vector unitario u, la razon de cambio de F en la direccion u,
esta dada por
lm
h0
F(t
0
+ hu) F(t
0
)
h
,
4. Diferenciaci on. 107
u
t
0
t
0
+ hu
F (t
0
+ hu)
F (t
0
)
Figura 4.4: Concepto de derivada direccional
Dada una funcion f(x
1
, ..., x
n
), supongamos que se realiza un cambio arbi-
trario en los valores de sus variables independientes. Luego, uno se preguntara
sobre cual es la razon de cambio de la funcion respecto a dicha variacion. No
debe ser dicil para el lector observar que la razon de cambio de una funcion
F : A R
n
R en la direccion v, en el punto t
0
A, donde v, es un
vector vector unitario, esta dada por
lm
h0
F(t
0
+hv) F(t
0
)
h
.
Vease la Figura 4.5.
Esta razon de cambio se conoce como derivada direccional de F en t
0
en
la direccion del vector v.
Denicion 46 La derivada direccional de F : A R
n
R en t
0
A en
la direccion de un vector unitario v R
n
es la funcion, que denotaremos por
D
v
F, dada por
D
v
F(t
0
) = lm
h0
F(t
0
+ hv) F(t
0
)
h
,
108 4.2. Funciones escalares de variable vectorial
cuyo dominio son todos aquellos puntos donde este lmite existe.
Observese que D
v
F(t
0
) depende de los valores de la funcion F sobre el
conjunto
/ = t
0
+ hv[h R.
F (t0 + hu) F (t0)
h
F (t
0
)
F (t
0
+ hu)
t
0
t
0
+ hu
F (t
0
+ hu)
F (t
0
)

t
0
t
0
+ hu
A
u
Figura 4.5: Razon de cambio en la direccion de un vector u para una funcion
F : R
2
R
As, si denimos f(h) = F(t
0
+ hv), se tiene una funcion real de variable
real, cuya graca corresponde a la interseccion de la funcion F con un plano
que contiene la recta que pasa por t
0
y es paralela a v. Luego
D
v
F(t
0
) = = lm
h0
F(t
0
+ hv) F(t
0
)
h
= lm
h0
f(h) f(0)
h
= f

(0)
4. Diferenciaci on. 109
Ejemplos
a) Consideremos la funcion 3xy + x
2
y
3
. Se requiere calcular la derivada
direccional de F en el punto (3, 2) y en la direccion v =
_
1

2
,
1

2
_
.
Para esto, consideremos el siguiente lmite.
lm
h0
F((3, 2) + h
_
1

2
,
1

2
_
F(3, 2)
h
=
3
_
h
2
2
+
5h

2
+ 6
_
+
_
9 +
6h

2
+
h
2
2
_
_
8 +
12h

2
+
6h
2
2
+
h
3
2
3
2
_
90
h
=
171

2
b) Considerese la funcion g(x, y) = 9x
2
sin y. Se quiere encontrar la razon
de cambio de G en el punto x
0
= (1, 6) en la direccion del vector uni-
tario v =
_
3

34
,
5

34
_
. Para realizar este calculo consideremos la funcion
escalar f : R R dada por
f(h) = F(x + hv) = F
_
x
1
+
3h

34
, x
2
+
5h

34
_
= 9
_
x
1
+
3h

34
_
2
sin
_
x
2
+
5h

34
_
Luego, calculando la derivada de esta funcion, se sigue que
f

(h) =
_
54

34
_
x
1
+
3h

34
__
sin
_
x
2
+
5h

34
_
+
45

34
_
x
1
+
3h

34
_
2
cos
_
x
2
+
5h

34
_
,
Por lo que, evaluando en 0 se obtiene
f

(0) =
54

34
x
1
sin x
2
+
45

34
x
2
1
+ cos x
2
Evaluando en x
0
, obtenemos
D
v
F(x
0
) =
54

34
sin 6 +
45

34
cos 6.
110 4.2. Funciones escalares de variable vectorial
c) Sea
H(x) =
_

_
x
2
y
y
2
+x
4
si (x, y) ,= (0, 0)
0 si (x, y) = (0, 0)
Calcularemos la derivada direccional de H en (0, 0) en la direccion de un
vector v arbitrario, digamos v = (v
1
, v
2
). Entonces
D
v
H(0, 0) = lm
h0
F(hv
1
, hv
2
) F(0, 0)
h
= lm
h0
h
3
v
2
1
v
2
h(h
2
v
2
2
+ h
4
v
4
1
)
= lm
h0
v
2
1
v
2
v
2
2
+ h
2
v
4
1
=
v
2
1
v
2
.
Este lmite existe para todo vector de la forma (v
1
, v
2
), donde v
2
,= 0.
Por otra parte, notese que para vectores de la forma (v
1
, 0), se tiene que
F(v
1
, 0) = 0, por lo que se puede denir la derivada direccional de H
en cualquier direccion como
D
v
H(0, 0) =
_

_
v
2
1
v
2
si v
2
,= 0
0 si v
2
= 0
Por otro lado, n otese que esta funcion no es diferenciable, ya que ni siquiera
es continua (considere las trayectorias y = x
2
y y = 0).
Este ejemplo muestra que puede suceder que las derivadas direccionales exis-
tan en cualquier direccion, pero la funcion no sea diferenciable. El recproco se
cumple en general.
Teorema 4.2.6 Ses F : A R
n
R una funcion diferenciable en t
0
A.
Entonces la derivada direccional de F en t
0
para cualquier vector v R
n
existe y
D
v
F(t
0
) = DF (t
0
) v
Demostraci on. Sea la funcion G : R R
n
, dada por
G(h) = t
0
+ hv,
4. Diferenciaci on. 111
y considerese la funcion H = F G. Entonces, H(h) = F(t
0
+ hv), de donde
se sigue que D
v
f(t
0
) = H

(0). Por la regla de la cadena, se sigue que


H

(0) =
d
dt
(F G)(0) =
dG
dt
(0) DF(G(0))
= v DF(t
0
)

Es importante hacer notar que la maxima razon de cambio de F se encuentra


en la direccion del vector DF(t
0
) y esta maxima razon es la longitud de este
vector. Esto se sigue ya que el producto escalar de dos vectores alcanza su valor
maximo cuando estos estan en la misma direccion. El siguiente resultado es un
teorema de valor medio para derivadas direccionales.
Teorema 4.2.7 (DEL VALOR MEDIO III) Sea F : A R
n
R.
Supongase que A contiene el segmento de recta que va de t
0
a t
0
+ hv, donde
|v| = 1 y supongase que D
v
F(t
0
) existe para todo t A. Entonces existe
un valor
0
(0, 1) tal que
F(t
0
+ hv) F(t
0
) = hD
v
F(t
0
+
0
hv).
Demostraci on. Considerese la funcion
f(x) = F(t
0
+ xv), donde x [0, h].
Luego por la denicion de derivada direccional se sigue que
f

(x) = D
v
F(t
0
+ xv).
As, f es continua en [0, h] y diferenciable en (0, h), por lo que aplicando el
teorema del valor medio para funciones reales de variable real, se tiene que
f(h) f(0) = hf

(h)
para alguna (0, 1). Por lo tanto
F(t
0
+ xv) F(t
0
) = hD
v
F(t
0
+ hv)

Ahora, en la denicion de derivada direccional podemos considerar el vector


unitario que tiene un uno en la i-esima entrada y ceros en las demas, es decir,
uno de los vectores de la base canonica. Cuando tomamos la derivada direccional
en la direccion del k-esimo elemento de la base canonica, la llamaremos derivada
parcial de F con respecto a la k-esima coordenada y la denotaremos por
F
x
k
o F
x
k
. As la funcion
F
x
k
esta dada por
112 4.2. Funciones escalares de variable vectorial
F
x
k
(x) = lm
h0
F(x
1
, ..., x
k1
, x
k
+h, x
k+1
, ...., x
n
) F(x
1
, ..., x
n
)
h
,
cuyo dominio es el conjunto de puntos para los que este lmite existe. Para cal-
cular las derivadas parciales de una funcion F, podemos emplear los metodos
desarrollados para las derivadas direccionales, o bien, como el valor de la deri-
vada parcial depende solamente de los valores de F en puntos sobre la recta
paralela al eje X
k
que pasa por el punto x, podemos considerar la funcion
f(x) = F(x
1
, ..., x
k1
, x, x
k+1
, ...., x
n
),
de donde se sigue que
f

(x) =
F
x
k
,
es decir, tomamos las entradas x
i
, i ,= j como constantes.
Ejemplos
a) Sea F(x
1
, x
2
) = x
2
1
+ x
2
2
. Denimos f(x) = x
2
+ x
2
2
y g(y) = x
2
1
+ y
2
,
de donde se sigue que
F
x
1
(x
1
, x
2
) = f

(x
1
) = 2x
1
y
F
x
2
(x
1
, x
2
) = g

(x
2
) = 2x
2
.
b) Considerese G(x, y) = sin xy. Tomando a y como constante, se tiene
que
G
x
= y cos xy.
Analogamente, se obtiene que
G
y
= x cos xy
Las derivadas parciales proveen una forma sencilla para demostrar que una
funcion es diferenciable. Ya hemos visto que la existencia de las derivadas par-
ciales no es suciente para garantizar la diferenciabilidad de una funcion. El
siguiente resultado establece que la continuidad de las derivadas parciales es la
pieza faltante.
Teorema 4.2.8 Sea F : A R
n
R una funcion cuyas derivadas parcia-
les existen y son continuas sobre A, un conjunto abierto de R
n
. Entonces F
es diferenciable sobre A.
4. Diferenciaci on. 113
Demostraci on. Sean t
0
A y r > 0. Considerese h B
r
(0). Por el
Teorema 4.2.7, si t
0
= (t
1
, ...., t
n
) y h = (h
1
, ..., h
n
) se tiene que
F(t
0
+ h) F(t
0
) = F(t
1
+ h
1
, ....., t
n
+ h
n
) F(t
1
, ...., t
n
)
= F(t
1
+ h
1
, ....., t
n
+ h
n
)
F(t
1
, t
2
+ h
2
, ...., t
n
+h
n
)
+F(t
1
, t
2
+ h
2
, ....., t
n
+ h
n
) F(t
1
, t
2
, t
3
+ h
3
, ...., t
n
+h
n
)
+F(t
1
, t
2
, t
3
+ h
3
, ....., t
n
+ h
n
) F(t
1
, t
2
, t
3
, t
4
+ h
4
, ..., t
n
+h
n
)
.
.
.
F(t
1
, ..., t
n1
, t
n
+ h
n
) F(t
1
, ..., t
n
)
= h
1
F
x
1
(t
1
+
1
h
1
+ t
2
+ h
2
, ...., t
n
+ h
n
)
+h
2
F
x
2
(t
1
, t
2
+
2
h
2
, t
3
+ h
3
, ...., t
n
+ h
n
)
+... + h
n
F
x
n
(t
1
, ...., t
n1
, t
n
+
n
h
n
)
Como
F
xi
, i 1, ...., n, son funciones continuas, se tiene que
F
x
i
(t
1
, ..., t
i1
, t
i
+
i
h
i
, t
i+1
+ h
i+1
, ..., t
n
+ h
n
) =
F
x
i
(t
1
, ..., t
n
) +
i
h
(t
0
),
donde
lm
h0

i
h
(t
0
) = 0.
As
F(t
0
+ h) F(t
0
) =
_
F
x
1
(t
0
), ...,
F
x
n
(t
0
)
_
h +
h
(t
0
) h,
donde
h
(t
0
) = (
1
h
(t
0
), ...,
n
h
(t
0
)), por lo que se concluye que F es dife-
renciable y mas a un
DF(t
0
) =
_
F
x
1
(t
0
), ....,
F
x
n
(t
0
)
_

Si F tiene derivadas parciales continuas, al vector derivada en t


0
lo denota-
remos por F(t
0
) y lo llamaremos vector gradiente de F en t
0
. Si al vector
114 4.2. Funciones escalares de variable vectorial
h lo denotamos por dt, obtenemos la siguiente notacion (mas sugerente) para
la diferencial de F
dF (t
0
) = DF(t
0
) dt
= F(t
0
) dt
=
n

i=1
F
x
i
(t
0
) dx
i
.
Por el Teorema 4.2.6, se sigue que la derivada direccional de F en la direccion
de un vector unitario v, si F es diferenciable, esta dada por
D
v
F(t
0
) = F(t
0
) v
Ejemplos
a) Sea F(x, y, z) = e
xy
+ sin z xyz. Notese que
F
x
= ye
xy
yz,
F
y
= xe
xy
xz y
F
z
= cos z xy
son funciones continuas, por lo que la funcion es diferenciable y
DF = F.
Mas a un, la diferencial de F tiene la forma
dF =
F
x
dx +
F
y
dy +
F
z
dz
= (ye
xy
yz)dx + (xe
xy
xz)dy + (cos z xy)dz
b) Como DF (t
0
) es el vector en la direccion de la maxima razon de cambio
de F, donde esta es la longitud de DF (t
0
), se sigue que el gradiente es el
vector que tiene la direccion y la magnitud de la razon de cambio maxima
de la funcion. As, si F(x, y, z) = sin xy + x
2
z, en el punto (2, 3, 1), la
razon de cambio maxima esta en la direccion del vector gradiente en el
punto (2, 3, 1). Esto es
F
(2,3,1)
= (y cos xy + 2xz, x cos xy, x
2
)[
(2,3,1)
= (3 cos 6 + 4, 2 cos 6, 4) = u
4. Diferenciaci on. 115
La magnitud de la razon de cambio esta dada por |u|.
Como la derivada parcial
F
x
k
es una funcion de R
n
, se pueden tomar
las derivadas parciales de
F
x
k
con respecto a la i-esima coordenada, la cual
denotaremos por

2
F
x
i
x
k
De esta forma, se pueden tomar derivadas parciales de ordenes mas altos.
En general,

2
F
x
i
x
k
(t
0
) ,=

2
F
x
k
x
i
(t
0
), i ,= k.
Para convencerse de esto, tomese la funcion
F(x, y) =
_

_
xy
x
2
y
2
x
2
+ y
2
si (x, y) ,= (0, 0)
0 si (x, y) = (0, 0)
Luego

2
F
xy
(0, 0) ,=

2
F
yx
(0, 0) (Ejercicio)
Lema 4.2.9 Sea F : A R
2
R una funcion. Si

2
F
yx
existe en el
interior de un rectangulo R con vertices en los puntos (x
0
, y
0
), (x
0
+ h, y
0
),
(x
0
+ h, y
0
+ k) y (x
0
, y
0
+ k), entonces
[F(x
0
+h, y
0
+k) F(x
0
+h, y
0
)] [F(x
0
, y
0
+k) F(x
0
, y
0
)] = hk

2
F
yx
(x, y)
para alg un punto (x, y) R
Demostraci on. Considerese la funcion g(x) = F(x, y
0
+k) F(x, y). Luego
g

(x) =
F
x
(x, y
0
+ k)
F
x
(x, y)
existe sobre R. De esta forma, por el teorema del valor medio para funciones
reales de variable real se sigue que
[F(x
0
+ h, y
0
+k) F(x
0
+h, y
0
)] [F(x
0
, y
0
+ k) F(x
0
, y
0
)]
= g(x
0
+ h) g(x
0
)
= hg

(x) = h
_
F
x
(x, y
0
+k)
F
x
(x, y
0
),
_
116 4.2. Funciones escalares de variable vectorial
para alg un x (x
0
, x
0
+ h). Nuevamente, por el teorema del valor medio
aplicado a
F
x
, existe y (y
0
, y
0
+k) tal que
h
_
F
x
(x, y
0
+k)
F
x
(x, y
0
)
_
= hk

2
F
yx
(x, y)

El siguiente resultado establece la igualdad de derivadas parciales mixtas de


un funcion de R
2
a R.
Teorema 4.2.10 Sean F : A R
2
R, r > 0 y t
0
A. Si

2
F
yx
y
F
y
existen en B
r
(t
0
) y

2
F
xy
es continua en t
0
, entonces

2
F
xy
existe en
t
0
y

2
F
xy
=

2
F
yx
.
Demostraci on. Por denicion se tiene que

2
F
xy
(t
0
) = lm
h0
F
y
(t
0
+ he
1
)
F
y
(t
0
)
h
= lm
h0
lm
k0
[F (t
0
+ u) F(t
0
+ he
1
)] [F(t
0
+ ke
2
) F(t
0
)]
hk
,
si este lmite existe, donde u = (h, k). Denotaremos por T(h, k) a la funcion
[F (t
0
+ u) F(t
0
+ he
1
)] [F(t
0
+ ke
2
) F(t
0
)]
hk
como
F
y
existe en B
r
(t
0
), tomando 0 < [h[ < r, lm
k0
T(h, k) existe. Sea
g(h) = lm
k0
T(h, k). Como

2
F
yx
es continua en t
0
, dada > 0, existe > 0,
tal que si r y |t t
0
| < , entonces

2
F
yx
(t)

2
F
yx
(t
0
)

<

2
Sea h R tal que 0 < [h[ < y considerese k ,= 0 de tal forma que

h
2
+ k
2
< r y
[g(h) T(h, k)[ <

2
.
Por el lema 4.2.9, existe t R tal que T(h, k) =

2
F
yx
(t). Notese que
t B

(t
0
),
4. Diferenciaci on. 117
de donde se sigue que

g(h)

2
F
yx
(t
0
)

[g(h) T(h, k)[ +

2
F
yx
(t)

2
F
yx
(t
0
)

<

2
+

2
=
Por lo tanto, lm
h0
g(h) =

2
F
yx
(t
0
), como se quera probar.

Denicion 47 Se dice que una funcion F es de clase (


n
sobre A R
2
abierto, si todas las derivadas parciales de orden n de F continuas sobre A.
Como siempre el Teorema 4.2.10 y la denicion anterior se pueden generalizar
para funciones F : R
n
R.
Ahora, en general, para una funcion diferenciable, F : R
n
R, la deri-
vada direccional en la direccion de un vector unitario u = (u
1
, ..., u
n
) esta dada
por
D
u
F (x
1
, ..., x
n
) = F (x
1
, ..., x
n
) u =
n

i =1
F
x
i
u
i
.
Si F (x
1
, ..., x
n
) u es una funcion diferenciable, la segunda derivada direc-
cional tendra la forma
D
2
u
F (x
1
, ..., x
n
) = (F (x
1
, ..., x
n
) u) u
= D
u
_
n

i =1
F
x
i
u
i
_
=
n

i =1
n

j =1

2
F
x
i
x
j
u
i
u
j
.
Notese que esta expresion se puede escribir en forma matricial. Esto es
D
2
u
F (x
1
, ..., x
n
) = (u
1
, ..., u
n
)
_
_
_
_
_
_
_
_
_
_
_
_
_

2
F
x
2
1

2
F
x2 x1


2
F
xn x1

2
F
x1 x2

2
F
x
2
2


2
F
xn x2
.
.
.
.
.
.
.
.
.
.
.
.

2
F
x1 xn

2
F
x2 xn


2
F
x
2
n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
_
118 4.2. Funciones escalares de variable vectorial
Por otro lado, considerese F : R
n
R una funcion diferenciable. Su diferen-
cial total esta dada por la expresion
d F =
n

i =1
F
x
i
dx
i
.
Si se considera a d F como una funcion diferenciable, entonces se puede calcular
su diferencial total. As, se tiene la segunda diferencial de la funcion F, a saber
d (d F) = d
2
(F) =
n

j =1
d F
x
j
dx
j
=
n

j =1
_
n

i =1

2
F
x
j
x
i
dx
i
_
dx
j
=
n

i =1

2
F
x
2
i
(dx
i
)
2
+ 2

i =j

2
F
x
j
x
i
.
De forma similar, se pueden calcular diferenciales de orden superior.
Cerramos esta seccion presentando otra version de la regla de la cadena para
funciones reales de variable vectorial.
Teorema 4.2.11 (Regla de la cadena iii). Sea F : A R
n
R una
funcion diferenciable en A y sean x
i
: B R
m
R, i 1, ..., n,
funciones diferenciables en B, donde x
i
(B) A para toda i 1, ..., n.
Sea H : R
m
R la funcion dada por
H(y
1
, ..., y
m
) = F (x
1
(y
1
, ..., y
m
), ..., x
n
(y
1
, ..., y
m
)).
Entonces, H es diferenciable en B y
H
y
j
=
n

i =1
F
x
i
(x)
x
i
y
j
(y),
donde y = (y
1
, ..., y
m
) y x = (x
1
(y), ..., x
n
(y)).
Demostraci on. Como x
i
es una funcion diferenciable para toda i, se sigue
que es continua, por lo que si variamos y
j
a y
j
+ h, las funciones x
i
sufriran
incrementos h
i
, esto es
H (y
1
, ..., y
j 1
, y
j
+ h, y
j +1
, ..., ym) H (y
1
, ..., ym)
h
=
F (x + h) F (x)
h
, (4.4)
4. Diferenciaci on. 119
donde h = (h
1
, ..., h
n
). Luego
F (x + h) F (x)
h
=
1
h
(F (x + h) F (x
1
, x
2
+ h
2
, ..., xn + hn)
+F (x
1
, x
2
+ h
2
, ..., xn + hn) F (x
1
, x
2
, x
3
+ h
3
, ..., xn + hn)
.
.
.
+F (x
1
, ..., x
n1
+ h
n1
, xn + hn) F (x
1
, ..., x
n1
, xn + hn)
+F (x
1
, ..., x
n1
, xn + hn) F (x)).
Aplicando el Teorema del valor medio, se tiene que
F (x
1
, ..., x
i 1
, x
i
+ h
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
)
F (x
1
, ..., x
i 1
, x
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
)
= h
i
F
x
i
(x
1
, ..., x
i 1
,
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
).
De esta ultima expresion y (4.4), se sigue que
H (y
1
, ..., y
j 1
, y
j
+ h, y
j +1
, ..., y
m
) H (y
1
, ..., y
m
)
h
=
1
h
_
n

i =1
h
i
F
x
i
(x
1
, ..., x
i 1
,
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
)
_
.
Luego, cuando h 0, se tiene que h
i
0 y como
F
xi
son continuas, se
concluye que
F
x
i
(x
1
, ..., x
i 1
,
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
)
F
x
i
(x).
Por tanto, para j 1, ..., m, se tiene que
H
y
j
= lm
h0
H (y
1
, ..., y
j 1
, y
j
+ h, y
j +1
, ..., y
m
) H (y
1
, ..., y
m
)
h
= lm
h0
1
h
_
n

i =1
h
i
F
x
i
(x
1
, ..., x
i 1
,
i
, x
i +1
+ h
i +1
, ..., x
n
+ h
n
)
_
=
n

i =1
F
x
i
(x)
x
i
y
j
(y)
como se quera demostrar.

120 4.3. Aplicaciones de la diferencial y la derivada parcial


Ejemplo. Sean x(u, v, w) = u
2
+ v
3
uvw, y = sin(u + v + w) y
F (x, y) = cos x + sin y. Ahora, observese que
F
x
(x, y) = sin x
y
F
y
(x, y) = cos y.
Luego
F
u
=
F
x
(x, y)
x
u
(u, v) +
F
y
(x, y)
y
u
(u, v)
= (sin (u
2
+ v
3
uvw))(2 u vw)
+ (cos (sin(u + v + w))) (cos (u + v + w))
F
v
=
F
x
(x, y)
x
v
(u, v) +
F
y
(x, y)
y
v
(u, v)
= (sin (u
2
+ v
3
uvw))(3 v
2
uw)
+ (cos (sin(u + v + w))) (cos (u + v + w))
F
w
=
F
x
(x, y)
x
w
(u, v) +
F
y
(x, y)
y
w
(u, v)
= (sin (u
2
+ v
3
uvw))( uv)
+ (cos (sin(u + v + w))) (cos (u + v + w))
4.3. Aplicaciones de la diferencial y la derivada
parcial
Ya hemos visto que, al igual que en el caso de funciones escalares de variable
real, la derivada direccional es la razon de cambio de una funcion en una di-
reccion determinada. En el caso de las derivadas parciales, estas representan la
razon de cambio en una direccion paralela a uno de los ejes. Las aplicaciones
de las derivadas parciales son diversas. En esta seccion, nos enfocaremos en su
aplicacion a la geometra de supercies y algunas aplicaciones sencillas en la
fsica.
4. Diferenciaci on. 121
4.3.1. Plano tangente y recta normal a una supercie
Considerese la supercie denida por la ecuacion
z
2
=
x
2
4
+ y
2
+ 1.
Se desea encontrar un vector normal a la supercie en el punto (2, 3). Notese
que la expresion anterior es equivalente a la ecuacion
z =
_
x
2
4
+ y
2
+ 1.
Calculando las derivadas parciales de esta funcion y al evaluar en el punto dado,
se obtienen las pendientes de dos rectas tangentes a la supercie, las que a su vez
denen dos direcciones que son tangentes a la supercie. El producto vectorial
de estas direcciones dara como resultado un vector que sera perpendicular a las
direcciones y, por tanto, a la supercie. As, las derivadas parciales tienen la
forma
z
x
(x, y) =
x
4
_
x
2
4
+ y
2
+ 1
,
z
y
(x, y) =
y
_
x
2
4
+ y
2
+ 1
,
evaluando en el punto (2, 3) obtenemos
z
x
(2, 3) =
1
2

11
,
z
y
(2, 3) =
3

11
,
por lo que las direcciones tangentes a la supercie quedan determinadas por los
vectores v
1
=
_
1, 0,
1
2

11
_
, en y = 3 y v
2
=
_
0, 1,
3

11
_
, en x = 2. As,
v
1
v
2
=

i j k
1 0
1
2

11
0 1
3

11

=
_

1
2

11
,
3

11
, 1
_
.
Por otra parte, si consideramos la funcion F (x, y, z) = z
_
x
2
4
+ y
2
+ 1,
calculamos sus derivadas parciales y evaluamos en el punto (2, 3,

11), se
tiene que
F
x
(x, y, z) =
x
4
_
x
2
4
+ y
2
+ 1

F
x
(2, 3,

11) =
1
2

11
F
y
(x, y, z) =
y
_
x
2
4
+ y
2
+ 1

F
y
(2, 3,

11) =
3

11
F
x
(x, y, z) = 1.
122 4.3. Aplicaciones de la diferencial y la derivada parcial
Luego,
_
F
x
(2, 3,

11),
F
y
(2, 3,

11),
F
z
(2, 3,

11)
_
= v
1
v
2
.
As, surge la siguiente pregunta:
Se cumple, en general, que el vector F es un vector normal a la super-
cie F(x, y, z) = 0?
La respuesta es armativa. Primero mostramos el resultado para el caso de
una funcion de la forma F (x, y, z) = z f(x, y).
Proposicion 4.3.1 Sea z = f (x, y) una funcion continua con primeras deri-
vadas parciales continuas en una region R del plano XY . Si S es la supercie
descrita por la funcion f, entonces un vector normal a la supercie en el punto
(x
0
, y
0
, z
0
) S es F (x
0
, y
0
, z
0
), donde F (x, y, z) = z f (x, y).
Demostraci on. La derivada parcial de f (x, y) con respecto a x en el punto
(x
0
, y
0
) representa la pendiente de la recta tangente a la curva que resulta de
la interseccion entre la supercie S y el plano y = y
0
. As, la ecuacion de la
recta tiene la forma
/
1
=
_
_
_
z z
0
=
z
x
(x
0
, y
0
) (x x
0
)
y = y
0
.
Por tanto, la direccion de /
1
es
v
1
=
_
1, 0,
z
x
(x
0
, y
0
)
_
.
De manera analoga, la ecuacion de la recta tangente a la curva que resulta de
la interseccion entre la supercie S y el plano x = x
0
es
/
2
=
_
_
_
z z
0
=
z
y
(x
0
, y
0
) (y y
0
)
x = x
0
,
de donde se sigue que la direccion de /
2
es
v
2
=
_
0, 1,
z
y
(x
0
, y
0
)
_
.
Como los vectores v
1
y v
2
son tangentes a la supercie en el punto (x
0
, y
0
, z
0
),
entonces un vector normal a la supercie se puede obtener haciendo el producto
4. Diferenciaci on. 123
vectorial v
1
v
2
. As
N = v
1
v
2
=

i j k
1 0
z
x
(x
0
, y
0
)
0 1
z
y
(x
0
, y
0
)

=
_

z
x
(x
0
, y
0
),
z
y
(x
0
, y
0
), 1
_
= F (x
0
, y
0
, z
0
).

Ahora, para una supercie S descrita por la ecuacion z = f (x, y) se pre-


tende obtener las ecuaciones del plano tangente y la recta normal en el punto
P
0
= (x
0
, y
0
, z
0
). Se sabe que la ecuacion de un plano que pasa por v
0
y es
ortogonal a un vector N esta dada por
N (v v
0
) = 0.
Como N = F (x
0
, y
0
, z
0
) es normal a S en el punto P
0
, entonces el plano
tangente a S en el punto P
0
queda determinado por la expresion
F (x
0
, y
0
, z
0
) (v v
0
) =
z
x
(x
0
, y
0
) (x x
0
)
z
y
(x
0
, y
0
) (y y
0
) + (z z
0
) = 0.
F (P
0
)
P
0
G

(P0)
Figura 4.6: Plano tangente a una supercie
Por otra parte, la ecuacion de una recta en el espacio se puede calcular dando
un punto sobre la recta y la direccion de esta ultima. As, la ecuacion de la recta
124 4.3. Aplicaciones de la diferencial y la derivada parcial
normal, en su forma vectorial, es
/
N
= P
0
+ t F (x
0
, y
0
, z
0
) [ t R.
De esta forma, la ecuacion del plano tangente a la supercie
z
2
=
x
2
4
+ y
2
+ 1
es

1
2

11
(x + 2) +
3

11
(y 3) + (z

11) = 0
y la recta normal queda descrita por la expresion
(2, 3,

11) + t
_

1
2

11
,
3

11
, 1
_
.
Ahora, considerese una funcion F : R
3
R diferenciable sobre un con-
junto abierto A y S la supercie dada por
S = (x, y, z) A[ F (x, y, z) = r.
Sean P
0
(x
0
, y
0
, z
0
) S y P = G(t), t (a, b) la ecuacion de una curva (
sobre S que pasa por P
0
. De esta forma, P
0
= G(t
0
), para alguna t
0
(a, b).
Por otra parte, como ( esta contenida en S, se sigue que, para toda t (a, b),
F (G(t)) = c. Si G es diferenciable en (a, b), entonces F G es diferenciable
en (a, b) y
F (G(t)) G

(t) = 0,
en particular, si t = t
0
F (P
0
) G

(t
0
) = 0.
As, hemos demostrado que, en P
0
, el gradiente de F es ortogonal al vector
tangente a cualquier curva que se encuentre sobre la supercie S y que pase
por P
0
. Por tanto, si F (P
0
) ,= 0, las tangentes de todas las curvas sobre
S en el punto P
0
se encuentran en el mismo plano. En consecuencia, el plano
tangente a S en el punto P
0
tiene la ecuacion
F(P
0
) (P P
0
) = 0,
donde P = (x, y, z) (vease la Figura 4.6).
Ejemplo.
Sea S la supercie determinada por la ecuacion
x
2
9
+
y
2
4
z
2
= 1.
4. Diferenciaci on. 125
Calcularemos el plano tangente a S en el punto
_
2, 2,
2
3
_
. Para esto, conside-
ramos la funcion
F (x, y, z) =
x
2
9
+
y
2
4
z
2
,
la cual tiene vector gradiente
_
2x
9
,
y
2
, 2z
_
, de donde se tiene que
F
_
2, 2,
2
3
_
=
_
4
9
, 1,
4
3
_
.
Por tanto, la ecuacion del plano tangente es
_
4
9
, 1,
4
3
_

_
x 2, y 2, z
2
3
_
=
4
9
x + y
4
3
z 2 = 0.
En otro contexto, en la practica, el experimentador comete errores de obser-
vaci on que se ven reejados en los datos que ha capturado. El error absoluto,
establece la diferencia, en valor absoluto, entre el incremento de una funcion
F y el valor que se obtiene por medio de la diferencial. Es decir, se tiene una
expresion de la forma
E
a
= [(F (x + h) F (x)) dF[.
El error relativo se obtiene calculando el producto de 100 por el cociente de
el error absoluto entre el incremento de la funcion, a saber
E
r
= 100
_
E
a
F (x + h) F (x)
_
.
Sin embargo, en la mayor parte de los casos, no se conoce el valor del incremento
exacto de F, por lo que se hace necesario redenir el error relativo como
e
r
= 100

dF
F

Ejemplos.
1. Supongase que se quiere calcular el volumen aproximado del material ne-
cesario para fabricar un vaso cilndrico cuyo radio interior es de 7 cm,
tiene una altura interior de 13 cm y con espesor de fondo y paredes de
0,3 cm. Notese que el volumen exacto del material, es la diferencia entre
el volumen exterior y el volumen interior. Esto es
V (x + h) V (x) = ((x + h
1
)
2
(y + h
2
) x
2
y)
= ((7,3)
2
(13,3) (7)
2
(13)) = (71,757) cm
3
.
126 4.3. Aplicaciones de la diferencial y la derivada parcial
Ahora, para calcular el volumen en forma aproximada, se requiere de la
diferencial total de la funcion volumen. Es decir
dV =
V
x
dx +
V
y
dy = (2xy dx + x
2
dy)
= (2 (7)(13)(0,3) + (7)
2
(0,3))
217,7123 cm
3
.
De esta forma, los errores absoluto y relativo que se obtienen al usar la
diferencial en lugar del incremento exacto son
E
a
= [(71,757) 217,7123[ 7,7189
y
E
r
= 100
_
7,7189
225,4312
_
3,42
2. Se desea calcular el valor aproximado de 3,25
4,13
. Para resolver este
problema, consideramos la funcion f (x, y) = x
y
, tomando los valores
x = 3, y = 4, dx = 0,25 y dy = 0,13. Ahora, f (3, 4) = 81. A
este valor se le sumara el valor de la diferencial como aproximacion del
incremento. Luego
df =
f
x
dx +
f
y
dy = y x
y 1
dx + x
y
ln xdy
= 4 (3)
3
(0,25) + (3)
4
ln (3) (0,13) 38,568387.
Por tanto, 3,25
4,13
119,568387.
3. Un estudiante de la facultad de ciencias esta apurado (caso totalmente
hipotetico) porque quiere calcular el valor de sin 35
o
cos 69
o
y no cuenta
con calculadora. En este caso, considera la funcion f (x, y) = sin x cos y
tomando los valores x = 30
o
=

6
, y = 60
o
=

3
, dx = 5
o
=

36
y
dy = 9
o
=

20
. Luego,
f
_

6
,

3
_
=
1
4
y df = cos x cos y dx sin x sin y dy =

3
180
,
de donde se sigue que sin 35
o
cos 69
o

45

3
180
.
4.3.2. Diferenciales exactas
Si se tiene una expresion de la forma M (x, y) dx+N (x, y) dy el lector podr pre-
guntarse si existira una funcion G : R
2
R tal que
d G = M (x, y) dx + N (x, y) dy,
4. Diferenciaci on. 127
es decir, G(x, y) = (M (x, y), n(x, y)). La respuesta es que en general no
siempre existe dicha funcion. En esta seccion analizaremos las condiciones bajo
las cuales dicha funcion existe y proporcionar un procedimiento para obtenerla.
Denicion 48 Se dice que la expresion M (x, y) dx + N (x, y) dy es una di-
ferencial exacta sobre un conjunto abierto A R
2
, si existe una funcion
G : R
2
R tal que G(x, y) = (M (x, y), N (x, y)) para todo punto
(x, y) A.
El siguiente resultado establece una condicion necesaria y suciente para que
una forma diferencial sea exacta. En la prueba de este teorema utilizaremos un
hecho muy conocido en la teora de integracion m ultiple, el teorema de Fubini,
cuya prueba omitimos pero se puede consultar en [8], pp. 322-324.
Teorema 4.3.2 Sea F : R
2
R una funcion continua con dominio rectan-
gular R = [a, b] [c, d]. Entonces
_
b
a
_
d
c
F(x, y) dy dx =
_
d
c
_
b
a
F(x, y) dxdy =
_
R
F(x, y) dA.
Teorema 4.3.3 Sean M, N : A R
2
R funciones tales que tienen
primeras derivadas parciales continuas en un rect angulo abierto R R
2
, con
lados paralelos a los ejes. Entonces M (x, y) dx + N (x, y) dy es una diferencial
exacta si y solamente si
M
y
(x, y) =
N
x
(x, y) para toda (x, y) R.
Demostraci on. Para mayor sencillez en la notacion, escribiremos M y N
solamente. Supongamos que la diferencial es exacta, esto es, existe una funcion
G : R
2
R tal que
d G = M dx + N dy,
luego
G
x
= M y
G
y
= N,
de donde se sigue que

2
G
y x
=
M
y
y

2
G
x y
=
N
x
,
como las derivadas parciales son continuas, aplicando el teorema se concluye
que
M
y
=
N
x
.
Por otra parte, si
M
y
=
N
x
en R, entonces, integrando de x
0
a x y man-
teniendo constante a la variable y y aplicando el Teorema fundamental del
calculo, se tiene que
_
x
x0
M
y
(t, y) dt =
_
x
x0
N
t
(t, y) dt = N (x, y) N(x
0
, y).
128 4.3. Aplicaciones de la diferencial y la derivada parcial
Dado que la region R es rectangular, esta es convexa y, por tanto, la igualdad
anterior se da para todo par de puntos dentro de R. Ahora, integrando con
respecto a y de y
0
a y, se tiene que
_
y
y0
_
x
x0
M
s
(t, s) dt ds =
_
y
y0
N (x, s) ds
_
y
y0
N(x
0
, s) ds.
Aplicando el Teorema 4.3.2, se obtiene que
_
x
x0
_
y
y0
M
s
(t, s) ds dt =
_
y
y0
N (x, s) ds
_
y
y0
N(x
0
, s) ds,
de donde se sigue, por el Teorema fundamental del calculo, que
_
x
x0
M (t, y) dt
_
x
x0
M (t, y
0
) dt =
_
y
y0
N (x, s) ds
_
y
y0
N(x
0
, s) ds.
Por tanto,
G(x, y) =
_
x
x0
M (t, y) dt +
_
y
y0
N(x
0
, s) ds =
_
y
y0
N (x, s) ds +
_
x
x0
M (t, y
0
) dt.
As, derivando con respecto a x los primeros dos terminos y derivando con
respecto a y los otros dos, se sigue el resultado.

Este resultado se puede generalizar para regiones convexas o regiones simple-


mente conexas (cf. [4], captulo 6). Mas a un, se puede generalizar este resultado
para expresiones de la forma
n

i =1
M
i
dx
i
.
Diremos que esta forma diferencial es exacta si y solo si se cumple que
M
i
x
j
=
M
j
x
i
Ejemplos.
1. Considerese la forma diferencial dada por
x
_
x
2
+ y
2
dx +
y
_
x
2
+ y
2
dy.
Se arma que es una forma exacta. En efecto, notese que si
M (x, y) =
x
_
x
2
+ y
2
y N (x, y) =
y
_
x
2
+ y
2
,
4. Diferenciaci on. 129
entonces
M
y
=
xy
(x
2
+ y
2
)
3
2
=
N
x
,
donde (x, y) ,= (0, 0). As, integrando M con respecto a x se obtiene
que
G(x, y) =
_
x
_
x
2
+ y
2
dx =
_
x
2
+ y
2
+ (y).
Derivando esta ultima expresion con respecto a y e igualando con la
funcion N (x, y) se concluye que

(y) = 0 y por tanto,


G =
_
x
2
+ y
2
+ c,
donde c es una constante.
2. Tomese la expresion 2x cos y dx x
2
sin y + 2yz dy + y
2
dz. Si
M
1
(x, y, z) = 2x cos y, M
2
(x, y, z) = x
2
sin y + 2yz
y
M
3
(x, y, z) = y
2
,
vericamos si esta forma diferencial es exacta. Notese que
M
1
y
= 2x sin y =
M
2
x
M
2
x
= 2y =
M
3
y
M
3
x
= 0 =
M
1
z
.
Luego, por el Teorema 4.3.3 en su version generalizada, se sigue que es
una diferencial exacta. Integrando M
1
con respecto a x, obtenemos
_
2x cos y dx = x
2
cos y +
1
(y, z) = F(x, y, z).
Derivando esta ultima expresion con respecto a y se sigue que
x
2
sin y +

1
y
= x
2
sin y + 2yz,
de donde se concluye que

1
y
= 2yz,
por lo que, integrando con respecto a y se obtiene que
(y, z) = y
2
z +
2
(z).
As, F(x, y, z) = x
2
cos y + y
2
z +
2
(z). Finalmente, derivando esta
ultima igualdad con respecto a z, tenemos que

2
(z) = 0 y, por tanto
F(x, y, z) = x
2
cos y + y
2
z + c c = constante.
130 4.4. Teora b asica de curvas
3. La diferencial dada por

y
x
2
+ y
2
dx +
x
x
2
+ y
2
dy
satisface que, si
M (x, y) =
y
x
2
+ y
2
y N (x, y) =
x
x
2
+ y
2
, (x, y) ,= (0, 0),
entonces
M
y
(x, y) =
N
x
(x, y),
para todo punto en el plano, salvo el origen. Sin embargo, no es una
diferencial exacta, ya que al integrar las funciones M y N se obtiene la
funcion multivaluada G(x, y) = arctan
_
y
x
_
. Si se restringe el codominio
al intervalo [0, 2) para tener una funcion univaluada, la funcion tiene
una discontinuidad sobre el eje X. Por tanto, no existe su gradiente y de
esta forma se ha demostrado que la expresion M dx + N dy no determina
una diferencial exacta.
4. La forma diferencial
x
(x
2
+ y
2
)
3
2
dx +
y
(x
2
+ y
2
)
3
2
dy,
donde (x, y) ,= (0, 0) es exacta (ejercicio).
4.4. Teora basica de curvas
Los puntos en plano se representan con paras ordenados de n umeros reales (a, b)
y en R
3
se pueden representar como ternas de ordenadas reales. Al igual que en
R
2
, se eligen tres rectas perpendiculares que se corten en un punto del espacio.
Para representar vectores en el espacio, es conveniente introducir tres vectores
especiales. A saber
i = e
1
= (1, 0, 0), j = e
2
= (0, 1, 0), y k = e
3
= (0, 0, 1).
A estos vectores se les conoce como base canonica de R
3
. Luego, si
a = (a
1
, a
2
, a
3
) R
3
,
se tiene que
a =
n

i =1
a
i
e
i
.
Por otra parte, hasta el momento, hemos trabajado con curvas en donde una
de las variables queda en funcion de las demas. Sin embargo, hay ocasiones en
las que es mas util y comodo pensar en los puntos de una curva en el plano (o en
4. Diferenciaci on. 131
el espacio), dependiendo de un parametro t, es decir, pensar en una curva como
la trayectoria que describe un punto al tiempo hipotetico t. Si las coordenadas
de un punto sobre la curva C en R
3
son (x
1
, x
2
, x
3
), entonces se pueden
expresar como funciones de un parametro t [a, b], esto es
x
1
= x
1
(t), x
2
= x
2
(t), x
3
= x
3
(t), t [a, b].
Ejemplos.
a) Queremos encontrar la ecuacion de una recta / que pasa por el extremo
de un vector a y tiene la direcci on del vector v. Si t R, los puntos de la
forma t v son m ultiplos de v y, por tanto, recorren todos los puntos por el
origen y tiene la direccion v. Como cada punto de / es el nal de la diagonal
del paralelogramo con lados a y t v, para alguna t, entonces
/ = u R
3
[ u = a + t v,
es decir, la recta / se puede expresar mediante la ecuacion (parametrica)
/ = a + t v
b) Las ecuaciones
x = r cos , y = r sin , [0, 2],
representan los puntos sobre una circunferencia. Esto se sigue, ya que al dejar
jo el valor r y variar el angulo , obtenemos el movimiento de una partcula
que se encuentra a una distancia constante de un punto de la circunferencia.

r
x
y
Figura 4.7: Circunferencia
c) Considerese las ecuaciones
x(t) = a cos t, y (t) = b sin t t [0, 2]
132 4.4. Teora b asica de curvas
Estas ecuaciones representan los puntos sobre una elipse con eje mayor a y eje
menor b (a > b), con centro en el origen, denota el angulo en el centro de la
elipse que se asocia al punto de la circunferencia circunscrita que se encuentra
verticalmente por encima o por debajo del punto P = (a cos t, b sin t).
t
P
Figura 4.8: Elipse
d) Las ecuaciones
x(t) = a cos t, y (t) = a sin t z (t) = bt t R
donde a, b son constantes, describen una curva que yace en el cilindro
x
2
+ y
2
= a
2
y se enrolla alrededor de este de tal forma que cuando t toma el valor 2 k , k
Z, las coordenadas x y y regresan a su valor original mientras que z incrementa
a un valor 2 b (vease la Figura 4.9).
a
t
Figura 4.9: Helice enrollada en un cilindro
Algunas veces, puede resultar conveniente tomar como parametro t a la
variable x y describir la curva mediante las funciones x = t, y = f(t). Por
ejemplo, si se tiene la ecuacion de una parabola de la forma y = x
2
, podemos
tomar las ecuaciones de la forma x(t) = t, y(t) = t
2
.
4. Diferenciaci on. 133
4.4.1. Longitud de arco
Ahora, supongase que una curva C esta descrita por las ecuaciones pa-
rametricas (x(t), y(t), z(t)), t [a, b]. Supongase que C es suave en el sentido
de que x

(t), y

(t) y z

(t) son continuas y no se anulan simultaneamente. A los


puntos que cumplan esta ultima condicion los llamaremos puntos regulares y a
los puntos donde todas las derivadas se anulan los llamaremos puntos singulares.
Esta condicion, asegura que C no cambia repentinamente de direccion. Toma-
mos una particion del intervalo [a, b] en n subintervalos de la forma (t
i +1
, t
i
),
i 1, ..., n; de esta forma los puntos cuyas coordenadas son
x
i
= x(t
i
), y
i
= y (t
i
), z i = z (t
i
),
caen sobre C y forman un polgono que aproxima a C y que tiene por vertice
a los puntos P
i
, i 1, ..., n, (vease la Figura 4.10).
P
0
P
1
P
2
P
n1
P
n
Figura 4.10: Aproximacion de una curva mediante una poligonal
Ahora, notese que la longitud l de C se puede aproximar por la longitud de
la poligonal y esta aproximacion mejora conforme hacemos tender n a innito.
Observese que la distancia de P
i 1
a P
i
esta dada por
d (P
i 1
, P
i
) =
_
(x
i
x
i 1
)
2
+ (y
i
y
i 1
)
2
+ (z
i
z
i 1
)
2
.
Como x(t), y (t) y z (t) son diferenciables, se tiene que
x

(t)
x
i
x
i 1
t
i
t
i 1
y

(t)
y
i
y
i 1
t
i
t
i 1
z

(t)
z
i
z
i 1
t
i
t
i 1
.
134 4.4. Teora b asica de curvas
Luego
d (P
i 1
, P
i
) (t
i
t
i 1
)
_
(x

(t
i
))
2
+ (y

(t
i
))
2
+ (z

(t
i
))
2
.
Por tanto
l (C)
n

i =1
(t
i
t
i 1
)
_
(x

(t
i
))
2
+ (y

(t
i
))
2
+ (z

(t
i
))
2
,
esta utlima es una suma de Riemann para la funcion
_
(x

(t))
2
+ (y

(t))
2
+ (z

(t))
2
,
por lo que tomando el lmite cuando n , se tiene que
l (C) =
_
b
a
_
(x

(t))
2
+ (y

(t))
2
+ (z

(t))
2
dt.
Esta formula se conoce como longitud de arcoa de la curva C. Notese que si
F : R R
3
es la funcion F(t) = (x(t), y (t), z (t)), entonces
l (C) =
_
b
a
[[F

(t)[[ dt =
_
b
a
_
F

(t) F

(t) dt.
Ejemplo.
Sea C una curva descrita por la funcion F(t) = (e
t
sin t, e
t
cos t), donde
t [0, 2 ]. Para calcular la longitud de esta curva consideramos
x(t) = e
t
sin t x

(t) = e
t
(sin t + cos t)
y (t) = e
t
cos t y

(t) = e
t
(cos t sin t),
de donde se sigue que
(x

(t))
2
+ (y

(t))
2
= e
2t
((sin
2
t + 2 cos t sin t + cos
2
t)
+ (sin
2
t 2 cos t sin t + cos
2
t))
= 2 e
2t
.
Luego
_
2
0
[[F

(t)[[ dt =
_
2
0

2 e
t
dt =

2 (e
2
1).
4. Diferenciaci on. 135
En general hay una cantidad innita de representaciones parametricas. El
siguiente teorema establece la relacion que hay entre las representaciones pa-
rametricas.
Teorema 4.4.1 Sea C una curva suave representada por las ecuaciones pa-
rametricas x(t), y(t), z(t), t [a, b]. Esta curva puede ser reparametrizada
en terminos de un parametro u [c, d] mediante una expresion de la forma
t = f(u), si f : R R satisface que
1. a = f (c) y b = f (d).
2. f

(u) > 0 para toda u [c, d] (o f

(u) < 0 para toda u [c, d]).


3. f (
1
([c, d]).
Demostraci on. El nuevo parametro u que describira a la curva C debe ser
tal que a cada valor de u le corresponda uno y solo uno de t . As, t = f(u)
debe ser una funcion creciente o decreciente, de donde se sigue que f debe tener
derivada positiva o negativa respectivamente. Ademas, como C es una curva
suave, las funciones x

(t), y

(t) y z

(t) deben ser continuas. Tambien dado que


dx
du
(f (u)) =
dx
dt
dt
du
= x

(t) f

(u)
dy
du
(f (u)) =
dy
dt
dt
du
= y

(t) f

(u)
dz
du
(f (u)) =
dz
dt
dt
du
= z

(t) f

(u),
y como f

(u) es continua, entonces


dx
du
,
dy
du
y
dz
du
son funciones continuas en
[c, d], de donde se sigue que la curva parametrizada por u es una curva suave.

Por otro lado, si en la expresion para la longitud de arco, el extremo nal


de la curva se deja variable, entonces se obtiene la longitud de arco en funcion
del parametro t
0
. A saber
s (t) =
_
t
a
[[F

(u)[[ du.
As, s = s (t) dene un nuevo par ametro para la curva C, denominado parame-
tro de longitud de arco. En efecto, s satisface las hipotesis del Teorema 4.2.7,
ya que
ds
dt
=
d
dt
_
t
a
[[F

(u)[[ du = [[F

(t)[[ > 0,
de donde se sigue que existe una relacion biunvoca entre s y t. Tambien, si
C es una curva suave, [[F

(t)[[ es continua en [a, b].


Ejemplo.
136 4.4. Teora b asica de curvas
Considerese la helice circular con ecuaciones parametricas dadas por
F(t) = (a cos t, a sin t, bt), t > 0.
Luego
s (t) =
_
t
0
[[F

(u)[[ du
=
_
t
0
_
a
2
sin
2
u + a
2
cos
2
u + b
2
du
=
_
a
2
+ b
2
t,
de donde se sigue que t =
s

a
2
+b
2
. Luego, la parametrizacion con respecto a
la longitud de arco sera
F(s) =
_
a cos
_
s

a
2
+ b
2
_
, a sin
_
s

a
2
+ b
2
_
,
bs

a
2
+ b
2
_
Ya hemos visto con anterioridad que F

(t) representa un vector tangente a


la curva C en todos los puntos regulares. Entonces, un vector unitario tangente
a la curva en un punto regular queda descrito por la expresion
T =
d F
dt

d F
dt

=
d F
dt
ds
dt
=
d F
ds
,
esto es, si se tiene la parametrizacion con respecto a la longitud de arco, el
vector tangente a la curva en un punto s
0
esta dado por la derivada de la
parametizacion evaluada en s
0
.
Proposicion 4.4.2 a) Un vector u(t) tiene magnitud constante si y solo si
u(t) u

(t) = 0.
b) Un vector u(t) es siempre paralelo a una direccion dada si y solo si
u(t) u

(t) = 0.
Demostraci on.
a) Sea u(t) un vector de magnitud constante c. Entonces
[[u(t)[[
2
= u(t) u(t) = c
2
,
luego
u(t) u(t)
dt
= 2 u

(t) u(t) = 0,
por lo que se concluye que u

(t) u(t) = 0. Por otro lado, si [[u(t)[[ no


es constante, por la parte anterior u

(t) u(t) ,= 0, por lo que se sigue


a)
4. Diferenciaci on. 137
b) Si u(t) tiene direccion constante, digamos v, entonces
u(t) = [[u(t)[[ v,
as
u

(t) =
d [[u(t)[[
dt
v.
Por lo tanto
u(t) u

(t) = ([[u(t)[[ v)
_
d [[u(t)[[
dt
v
_
= [[u(t)[[
d [[u(t)[[
dt
(v v) = 0.
Por otra parte, si u(t) no tiene direccion constante, entonces
u

(t) =
d [[u(t)[[
dt
v (t) + [[u(t)[[
d v (t)
dt
,
de donde se obtiene que
u(t) u

(t) = [[u(t)[[ v (t)


_
d [[u(t)[[
dt
v (t) + [[u(t)[[
d v (t)
dt
_
= [[u(t)[[
2
_
v (t)
d v (t)
dt
_
.
Como v(t) es de magnitud constante (podemos tomarlo unitario), en-
tonces v(t) y
d v (t)
dt
son ortoganales, por lo que aplicando a) se sigue el
resultado.

4.4.2. Aparato de Frenet-Serret


Ahora, dada una curva con ecuaciones parametricas x(t), y(t) y z(t), nos pre-
guntamos Como obtener el plano normal a la curva C en un punto P? Esto
es, se quiere obtener el plano perpendicular al vector T. Para resolver este
problema, consideremos un punto Q arbitrario en el plano normal, con coorde-
nadas (x, y, z). Sea P
0
= (x
0
, y
0
, z
0
) C. Luego, el vector Q P
0
pertenece
al plano (vease la Figura 4.11).
Como T es normal al plano, se tiene que
(Q P
0
) T = 0.
Si se toma la parametrizacion con respecto a la longitud de arco, (si no, nor-
malizamos el vector F

(t)) obtenemos la ecuacion para el plano normal, dada


por
x

(s) (x x
0
) + y

(s) (y y
0
) + z

(s) (z z
0
) = 0.
138 4.4. Teora b asica de curvas
P
0
Q
T
Figura 4.11: Plano normal
Ahora, como T tiene magnitud constante (es unitario) por la Proposicion
4.4.2 se sigue que
T
d T
ds
= 0.
Esto nos permite denir un vector unitario N que es perpendicular a T y
por lo tanto, perpendicular a C (incluso, N es un vector que yace en el plano
normal). A este vector se le conoce como normal y esta dado por la expresion
dT
ds
= N (4.5)
A la expresion (4.5) se le conoce como primera formula de Frenet- Serret y al
escalar =

d T
ds

se le llama curvatura de C. A su recproco de le denomina


radio de curvatura. Finalmente, al vector unitario
B = T N (4.6)
se le llama vector binormal que, debido a las propiedades del producto vectorial,
es perpendicular a T y a N (vease la Figura 4.12). Los vectores T, N, B
determinan un sistema coordenado ortogonal local en cada punto de la curva
C. Al plano que contiene a los vectores T y N lo llamaremos plano osculador,
el plano que contiene a N y B es el plano normal y el plano generado por T
y B lo llamaremos plano recticador. Como B es unitario se tiene que
d B
ds
,
en caso de ser diferente de cero, sera ortogonal a B.
4. Diferenciaci on. 139
T
N
B
Figura 4.12: Aparato de Frenet-Serret
Luego derivando (4.6) con respecto a s, se tiene que
d B
ds
=
_
d T
ds
N
_
+
_
T
d N
ds
_
dado que
d T
ds
= N, se sigue que
d T
ds
N = 0, por lo que
d B
ds
=
_
T
d N
ds
_
de donde se sigue que
d B
ds
es perpendicular a T y, por lo tanto, paralelo a N.
En consecuencia, se puede escribir como
d B
ds
= N (4.7)
A la expresion (4.7) se le conoce como segunda formula de Frenet-Serret, donde
al n umero
[[ =

d B
ds

se le conoce como factor de torsion o simplemente torsion. El signo menos en la


expresion (4.7) acontece ya que describe la direccion hacia la que gira el vector
B en torno de T hacia N. Si > 0, B girara en el mismo sentido que
un tornillo de rosca derecha. Lo contrario sucede cuando < 0. Uno puede
140 4.4. Teora b asica de curvas
observar que si B sufre un cambio al ir recorriendo la curva, esto es, si
d B
ds
,= 0,
el cambio solo puede ser en su direccion (ya que el vector binormal es unitario),
la cual siempre es perpendicular al vector tangente. Esto es, el vector binormal
gira alrededor de la curva en un plano perpendicular al vector tangente. Por otro
lado, si se multiplica vectorialmente la ecuacion que dene al vector binormal
por N, obtenemos que
B (N) = T,
que nos indica que si B gira hacia el vector N, se obtiene el vector T. As,
si > 0,
d B
ds
y el incremento del vector binormal tienen la direccion de N
y por lo tanto B gira alrededor de T hacia N, es decir, gira en sentido
positivo. Lo contrario ocurre cuando < 0.
Por otro lado, multiplicando vectorialmente la ecuacion que dene al vector
binormal por T, obtenemos que N = B T, por lo que, derivando esta
expresion se tiene que
d N
ds
=
d B
ds
T + B
d T
ds
= N T + B N,
de donde se obtiene la llamada tercera formula de Frenet-Serret
d N
ds
= B T
Ejemplo. Considerese la curva denida por la ecuacion vectorial
_
a cos
_
s

a
2
+ b
2
_
, a sin
_
s

a
2
+ b
2
_
,
bs

a
2
+ b
2
_
.
Se puede vericar (ejercicio) que esta curva esta parametrizada en terminos de
la longitud de arco. As
T =
_

a
2
+ b
2
sin
_
s

a
2
+ b
2
_
,
a

a
2
+ b
2
cos
_
s

a
2
+ b
2
_
,
b

a
2
+ b
2
_
,
luego, derivando con respecto a s se obtiene que
d T
ds
=
_

a
a
2
+ b
2
cos
_
s

a
2
+ b
2
_
,
a
a
2
+ b
2
sin
_
s

a
2
+ b
2
_
, 0
_
,
de donde se sigue que
=

d T
ds

=
a
a
2
+ b
2
,
por lo que
N =
d T
ds

=
_
cos
_
s

a
2
+ b
2
_
, sin
_
s

a
2
+ b
2
_
, 0
_
4. Diferenciaci on. 141
y como B = T N, se tiene que
B =

i j k

a
2
+b
2
sin
_
s

a
2
+b
2
_
a

a
2
+b
2
cos
_
s

a
2
+b
2
_
b

a
2
+b
2
cos
_
s

a
2
+b
2
_
sin
_
s

a
2
+b
2
_
0

,
de donde se obtiene
B =
_

a
2
+ b
2
sin
_
s

a
2
+ b
2
_
,
b

a
2
+ b
2
cos
_
s

a
2
+ b
2
_
,
a

a
2
+ b
2
_
.
Luego
d B
ds
=
_

b
a
2
+ b
2
cos
_
s

a
2
+ b
2
_
,
b
a
2
+ b
2
sin
_
s

a
2
+ b
2
_
, 0
_
,
por tanto,
d B
ds
=
b
a
2
+ b
2
N,
de donde se concluye que
=
b
a
2
+ b
2
.
Por otro lado, habra ocasiones en las que la parametrizacion con respecto
a la longitud de arco no es facil de obtener, por lo que se deduciran expre-
siones para la curvatura y la torsion en terminos de un parametro arbitrario.
Si (t) = (x(t), y(t), z(t)) es la representacion parametrica de una curva (, en-
tonces

(t) =
d
dt
=
d
ds
ds
dt
= S

T
Ahora, derivando esta expresion, obtenemos

(t) =
d
2

dt
2
=
d(S

(t)T)
dt
= S

T + S

dT
dt
= S

T + S

dT
ds
ds
dt
= S

T + (S

)
2
N
Finalmente, derivando por tercera ocasion, se sigue que

(t) =
d
3

dt
3
= S

T + S

dT
dt
+
d(S

)
2
dt
(N) + (S

)
2
d(N)
dt
= S

T+S

dT
ds
ds
dt
+ 2S

N + (S

)
2
(

N +
dN
dt
ds
dt
)
= S

T + S

N + 2S

N + (S

)
2
[

N + S

( B T)]
142 4.4. Teora b asica de curvas
Notese que en el los calculos anteriores utilizamos las ecuaciones de Frenet-
Serret. Efectuando el producto

(t)

(t), obtenemos lo siguiente:

(t)

(t) = (S

T) (S

T + (S

)
2
N) = (S

)
3
B
por lo que aplicando el operador norma, se concluye que
=

(t)

(t)
(S

)
3

=
|

(t)

(t) |
| (

(t))
3
|
(4.8)
Por otra parte, calculando (

(t)

(t))

(t) se tiene que


(

(t)

(t))

(t) = (S

)
6
k
2
=|

(t)

(t) |
2

por tanto
=
(

(t)

(t))

(t)
|

(t)

(t) |
(4.9)
Observese que las expresiones 4.8 y 4.9 muestran que T, B y N(si la
direccion de la curva es en el sentido en que t crece, esto es S

(t) > 0) tienen


las direcciones de

(t),

(t)

(t) y (

(t)

(t))

(t) respectivamente.
Luego
T =

(t)
|

(t) |
B =

(t)

(t)
|

(t)

(t) |
N =
(

(t)

(t))

(t)
| (

(t)

(t))

(t) |
Por otra parte, se puede pensar que la funcion (t) representa el vector
posicion de una partcula al tiempo t con respecto a alg un sistema de referencia.
La velocidad y aceleracion de la partcula se denen como la primera y segunda
derivada de (t) con respecto al tiempo, esto es v =

(t) y a =

(t) A la
magnitud de la velocidad la llamaremos rapidez y la representaremos por r, es
decir
r =| v |
Ahora, notese que
v =

(t) =
d
df
ds
dt
=
d
ds
|
d
dt
|= rT
y
a =
dv
dt
=
d(rT)
dt
=
dr
dt
T+r
dT
dt
=
dr
dt
T+v
dT
ds
ds
dt
=
dr
dt
T+r
2
N
4. Diferenciaci on. 143
Recordando que =
1

, donde es el radio de curvatura, se sigue que


a =
dr
dt
T +
r
2

N
Esta ultima expresion muestra que la aceleracion es un vector situado en el
plano osculador con componente tangencial dada por
a
T
=
dr
dt
y componente normal
a
N
=
r
2

Observese que si el movimiento es rectilineo, y, por tanto, a


N
=
r
2

0, de donde se sigue que la aceleracion sera unicamente tangencial. Si


la rapidez es constante (a
N
= 0), se tendra que la aceleracion es unicamente
normal.
4.5. Teorema de Taylor
En esta seccion extenderemos el teorema de Taylor a funciones reales de varia-
ble vectorial. Este teorema sera util para dar aproximaciones de orden superior
a una funcion. Posteriormente lo usaremos para construir un criterio que per-
mita detectar diferentes tipos de puntos extremos. La extension del Teorema de
Taylor se obtiene partiendo del Teorema de Taylor para funciones de variable
real.
Teorema 4.5.1 Sean f : A R R una funcion de clase (
n+1
en A y
x
0
A. Entonces para toda x en A x
0

f(x) =
n

k=0
f
k
(x
0
)
k!
(x x
0
)
k
+ !
n
donde !
n
=
f
n+1
(c)
(n + 1)!
(x x
0
)
n+1
, para alg un c entre x
0
y x.
Ahora, sea F : A R
2
R una funcion y x
0
, x A. Si restringimos
nuestra observacion a valores de la funcion sobre el segmento rectilneo que une
x
0
con x, se puede considerar F como una funcion de una sola variable; a saber,
denimos f : [0, 1] R como la funcion
f(t) = f(x
0
+ t(x x
0
)
144 4.5. Teorema de Taylor
Luego, si es posible, aplicamos el Teorema de Taylor a f sobre el intervalo
[0, 1], obteniendo que
f(1) =
n

k=0
f
k
(0)
k!
+!
n
(4.10)
donde
!
n
=
f
n+1
()
(n + 1)!
para alg un (0, 1) Esto permitira calcular la formula de Taylor para F
al reemplazar f y sus derivadas por las expresiones apropiadas en F y sus
derivadas parciales. Esto da lugar a la siguiente pregunta: Bajo que condiciones
se puede obtener 4.10?
Observese que, de entrada, en 4.10 debe pedirse que f tenga derivadas
continuas de orden n + 1 en [0, 1], por lo que debemos encontrar la relacion
entre las derivadas de f y las derivadas parciales de F. Haciendo un cambio de
variable de la forma h = x x
0
, obtenemos que
f(t) = F(x
0
+ th)
por lo que, aplicando la regla de la cadena, se sigue que
f

(t) = h DF(x
0
+th) = h
1
F
x
1
(x
0
+th) +h
2
F
x
2
(x
0
+th)
donde h = (h
1
, h
2
). As
f

(t) = h
1

_
h
1
F
x
1
(x
0
+th) +h
2
F
x
2
(x
0
+th)
_
x
1
+ h
2

_
h
1
F
x
1
(x
0
+th) +h
2
F
x
2
(x
0
+th)
_
x
2
= h
1
2

2
F
2
x1
(x
0
+th) +h
1
h
2

2
F
x
1
x
2
(x
0
+th)
+ h
2
h
1

2
F
x
2
x
1
x
0
+th) +h
2
2

2
F
2
x2
(x
0
+th)
De esta forma, si F (
2
(A) tal que el segmento rectilneo que une x
0
con
x
0
+ h esta totalmente contenido en A, entonces f tendra derivadas continuas
de orden 2 en [0, 1]. Ademas, si F (
2
(A), entonces

2
F
x
1
x
2
=

2
F
x
2
x
1
y, por
tanto,
f

(t) = h
1
2

2
F
2
x1
(x
0
+th) + 2h
1
h
2

2
F
x
1
x
2
x
0
+th) +h
2
2

2
F
2
x2
(x
0
+th)
4. Diferenciaci on. 145
En general, si F (
n+1
(A), de tal forma que el segmento que une x
0
con
x
0
+ h esta totalmente contenido en A, entonces f
k
es continua en [0, 1],
k 0, . . . n + 1 y
f
k
(t) =
k

i=0
_
k
i
_
h
1
ki
h
2
i
(

x
i
)
ki
(

x
2
)
i
F(x
0
+th)
Notese que el segundo miembro en esta ecuacion es analogo a una expresion
en el teorema del binomio, por lo que resulta natural expresar f
k
(t) de la
siguiente forma:
f
k
(t) = (h
1

x
1
+h
2

x
2
)
k
F(x
0
+th)
.
Teorema 4.5.2 (de Taylor I) Si F : A R
2
R es una funcion de
clase (
n+1
en A y x
0
A, entonces para cualquier x A x
0
tal que
el segmento rectilneo que une x
0
con x esta contenido en A, se tiene que
F (x) =
n

k=0
1
k!
_
(x
(1)
x
0
(1)
)

x
(1)
+ (x
(2)
x
(2)
0
)

x
(2)
_
k
F(x
0
) + !
n
donde x = (x
(1)
, x
(2)
), x
0
= (x
0
(1)
, x
0
(2)
) y
!
n
=
1
(n + 1)!
_
(x
(1)
x
0
(1)
)

x
(1)
+ (y
(1)
y
0
(1)
)

x
(2)
_
n+1
F(c)
para alg un c en el segmento que une x
0
con x
Demostraci on. Sea f(t) = F(x
0
+ t(x x
0
), t [0, 1]. Luego, para k
1, . . . , n + 1 se tiene que
f
k(t)
=
_
(x
1
x
0
1
)

x
1
+ (x
2
x
0
2
)

x
2
_
k
F(c +t(x x
0
)
De esta forma, f (
n+1
([0, 1]), por lo que aplicando el teorema de Taylor
para funciones reales de variable real, se sigue que
f(i) =
n

k=0
f
k
(0)
k!
+ !
n
donde !
n
=
f
n+1
()
(n + 1)!
para alg un (0, 1), de donde se concluye que
F(x) =
n

k=0
1
k!
_
(x
1
x
0
1
)

x
1
+ (x
2
x
0
2
)

x
2
_
k
F(x
0
) +!
n
donde
146 4.5. Teorema de Taylor
!
n
=
1
(n + 1)!
_
(x
1
x
0
1
)

x
2
_
F(c)
para alg un c en el segmento que une x
0
en x
Notese que si n = 1, obtenemos una expresion para la aproximacion por
diferenciales, esto es
F(x x
0
= (x x
0
F(x
0
)) +!
1
= dF(x
0
) +!
1
donde
!
1
=
1
2
_
(x
1
x
0
1
)
2

2
F
x
1
2
(c) + 2(x
1
x
0
1
)(x
2
x
0
2
)

2
F
x
1
2
x
2
(c) + (x
2
x
0
2
)
2

2
F
x
2
2
(c)
_
donde c esta en el segmento que une x con x.
Introduciendo la notacion
(x x
0
) D = (x
1
x
0
1
)

x
1
+ (x
2
x
0
2
)

x
2
el teorema de Taylor toma la forma
F(x) =
n

k=0
((x x
0
D))
k
F(x
0
)) +
1
(n + 1)!
((x x
0
) D)
n+1
F(c)
para alg un c que yace en el segmento que une x
0
con x
Ejemplo. Considerese la funcion F(x, y) = cos xy. Calculemos su formula de
Taylor de orden 3 en (1, 0).Para esto notese que
F(x, y)
x
1
= y sin xy
F(x, y)
x
2
= xsin xy
F(x, y)
x
1
2
= y
2
cos xy
F(x, y)
x
2
2
= x
2
cos xy

2
F(x, y)
x
1
x
2
= xy cos xy

2
F(x, y)
x
1
x
2
= xy cos xy

3
F(x, y)
x
2
x
1
2
= xy
2
sin xy 2y cos xy

3
F(x, y)
x
1
x
2
2
= x
2
y sin xy 2xcos xy

3
F(x, y)
x
2
3
= x
3
sin xy

4
F(x, y)
x
1
4
= y
4
cos xy

4
F(x, y)
x
2
x
1
3
= xy
3
cos xy + 3y
2
sin xy

4
F(x, y)
x
2
2
x
1
2
= x(2y sin xy +xy
2
cos xy) (2xy sin xy)

4
F(x, y)
x
1
x
2
3
= 3x
2
sin xy +x
3
y cos xy

4
F(x, y)
x
2
4
= x
4
cos xy
4. Diferenciaci on. 147
Luego, para cualquier punto (x, y) R
2
F(x, y) =
_
x

x
1
+ y

x
2
_
0
F(1, 0) +
_
x

x
1
+y

x
2
_
1
F(1, 0)
+
1
2!
_
x

x
1
+y

x
2
_
2
F(1, 0) =
1
3!
_
x

x
1
+y

x
2
_
3
F(1, 0)
+
1
4!
_
x

x
1
+y

x
2
_
4
F(c
1
, c
2
)
= F(1, 0) +
F
x
1
(1, 0) +y
F
x
2
(1, 0)
+
1
2
_
x
2

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

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

2
F
x
2
2
(1, 0)
_
+
1
6
_
x
3

3
F
x
3
1
(1, 0) + 3x
2
y

3
F
x
2
x
2
1
(1, 0) + 3x
2
y

3
F
x
2
2
x
1
(1, 0)
_
+
1
6
_
y
3

3
F
x
2
3
(1, 0)
_
+
1
4!
_
x

x
1
+y

x
2
_
4
F(c
1
, c
2
)
= 1 +
1
2
(y
2
) +
1
6
(6xy
2
) +
1
4!
_
x

x
1
+y

x
2
_
4
F(c
1
, c
2
)
= 1
y
2
2
xy
2
+
1
4!
_
x
4

4
F
x
1
4
(c
1
, c
2
) + 4

4
F
x
2
x
1
3
(c
1
, c
2
)x
3
y
_
+
1
4!
_
6x
2
y
2

4
F
x
2
2
x
1
2
(c
1
, c
2
) + 4xy
3

4
F
x
1
x
2
3
(c
1
, c
2
) + y
4

4
F
x
4
1
(c
1
, c
2
)
_
= 1
y
2
2
xy
2
+
1
4!
c
4
2
cos(c
1
, c
2
)x
4
+ 4
_
c
1
c
2
3
cos(c
1
, c
2
) + 3 c
2
2
sin(c
1
, c
2
)
_
+ 6
_
c
1
[2 c
2
sin(c
1
c
2
) +c
1
c
2
2
cos(c
1
c
2
)] 2 (cos(c
1
c
2
) c
1
c
2
sin(c
1
c
2
))
_
x
2
y
2
+ 4 (3 c
2
1
sin(c
1
c
2
) +c
1
3
c
2
cos(c
1
c
2
)) xy
3
+c
4
1
cos(c
1
c
2
) y
4

donde (c
1
, c
2
) es un punto intermedio del segmento rectilineo que une
x
0
= (1, 0) con x. A continuacion presentamos el Teorema de Taylor para funcio-
nes de R
n
a R. Este resultado se puede probar utilizando un metodo similar al
utilizado en la demostracion del teorema de Taylor I. Sin embargo, presentamos
una segunda prueba.
Teorema 4.5.3 (de Taylor II) Sea F : A R
n
R una funcion de
clase (
n+1
en A, A abierto. Sean x, y A y sup ongase que el segmento
148 4.5. Teorema de Taylor
rectilneo que une x con y que yace en A. Entonces, existe un punto c en
dicho segmento tal que
F(y) = F(x) +
m

k=1
1
k!
D
k
F(x) (yx, . . . , xy) +
1
(n + 1)!
D
m+1
F(c) (yx, . . . , xy)
donde
D
k
F(x) (y x, . . . , x y) =
n

i1,...i
k
=1

k
F(x)
x
i1
. . . x
i
k
(y
i1
x
i1
, . . . , x
i
k
y
i
k
)
Demostraci on. Por la regla de la cadena, se tiene que
d(F(x
0
+th))
dt
=
n

i=1
F(x
0
+th)
x
i
h
i
por lo que, integrando de 0 a 1, se tiene que
F(x
0
+h) F(x
0
) =
n

i=1
_
1
0
F(x
0
+th)
x
i
h
i
dt
Ahora, integrando cada sumando del lado derecho de la igualdad utilizando la
formula general de integracion por partes
_
1
0
u
dv
dt
dt = uv
_
1
0

_
1
0
v
du
dt
dt
se tiene, tomando u =
F(x
0
+th)h
i
x
i
y v = t 1 que
n

i=1
_
1
0
F(x
0
+th)h
i
x
i
=
n

j=1
n

i=1
_
1
0
(1 t)

2
F(x
0
+th)h
i
h
j
x
j
x
i
dt +
n

i=1
h
i
F(x
0
)
x
i
de donde se sigue que
F(x
0
+h) F(x
0
) =
n

i=1
F(x
0
)
x
i
h
i
+!
i
(h, x
0
)
donde
!
1
(h, x
0
) =
n

i=1
n

i=1
_
1
0
(1 t)

2
F(x
0
+th)
x
i
x
j
h
i
h
j
dt
Integrando por partes esta ultima expresion y tomando u =

2
F(x
0
+th)
x
i
x
j
h
i
h
j
y v =
(t 1)
2
2
se concluye que
!
1
(h, x
0
) =
n

i,j,k=1
_
1
0
(t 1)
2
2

3
F(x
0
+th)
x
i
x
j
x
k
h
i
h
j
h
k
dt +
n

i,j=1
1
2

2
F(x
0
)
x
j
x
i
h
i
h
j
4. Diferenciaci on. 149
por lo que
F(x
0
+h) =
n

i=1
F(x
0
)
x
i
h
i
+
n

i,j=1
h
i
h
j
2

2
F(x
0
)
x
i
x
j
+!
2
(h, x
0
)
donde
!
2
(h, x
0
) =
n

i,j,k=1
_
1
0
(t 1)
2
2

3
F(x
0
+th)
x
i
x
j
x
k
h
i
h
j
h
k
dt
Ahora, el integrando de esta ultima expresion es una funcion continua y, por
tanto, acotada en una vecindad de x
0
. As, para alg un valor peque no, se tiene
que
[ !
2
(h, x
0
) [| h |
3
/
Ademas, notese que
!
2
(h, x
0
)
| h |
2
| h | / 0 cuando h 0 De esta forma,
aplicando el Teorema del valor medio para integrales se obtiene que
!
1
(h, x
0
) =
n

i,j=1
_
1
0
(1 t)

2
F(x
0
+th)
x
j
x
i
h
i
h
j
dt =
_
1
0
(1 t)D
2
F(x
0
+th)(h, h) dt
=
1
2
DF(c)(h, h)
De manera inductiva se sigue el resultado general.

4.6. Teorema de la funcion implcita


Consideremos los conjuntos
(x, y, z) [ z = f(x, y) (4.11)
y
(x, y, z) [ F(x, y, z) = 0 (4.12)
Estos conjuntos representan supercies. Es claro que una supercie represen-
tada en la forma (4.11), puede ser representada en la forma (4.12). Sin embargo,
no toda supercie de la forma (4.12) puede ser representada como una funcion
de R
2
en R
Una supercie no puede ser la graca de una funcion de R
2
en R si tiene
mas de una interseccion con una recta perpendicular al plano XY , por ejemplo.
Para ver esto, considerese la esfera dada por
S = (x, y, z) [ x
2
+ y
2
+ z
2
= 9
150 4.6. Teorema de la funci on implcita
Esta no puede ser la graca de una funcion de R
2
en R, ya que para todo
punto (x, y) en la bola B
3
(0), la recta que pasa por (x, y) y es perpendicular
al plano XY , interseca a la esfera en dos puntos. Analticamente, notese que
z =
_
9 (x
2
+ y
2
),
de donde se sigue que la esfera es la union de las gracas de las funciones
f
1
(x, y) =
_
9 (x
2
+ y
2
) y f
2
(x, y) =
_
9 (x
2
+ y
2
)
En general, una funcion f : R
2
R esta denida implcitamente por la
ecuacion
F(x, y, z) = 0,
Si para todo (x, y) Tf,
F(x, y, f(x, y)) = 0,
es decir, si sucede que
(x, y, z) [ z = f(x, y) (x, y, z)[F(x, y, z) = 0
Ahora, en el ejemplo de la esfera fue facil resolver la ecuacion para z en
terminos de x y y y determinar explcitamente las funciones implcitamente
por la ecuacion. En general esto no es posible. El siguiente resultado asegura la
existencia de funciones implcitas bajo ciertas condiciones y proporciona formu-
las para las derivas parciales de estas funciones.
Teorema 4.6.1 (de la funci on implcita I) Sean F : R
n+1
R una
funcion con derivadas parciales continuas, (x, z) R
n+1
y supongase que
(x
0
, z
0
) satisface la ecuacion F(x
0
, z
0
) = 0, donde x, x
0
R
n
. Supongase
ademas que
F
z
(x
0
, z
0
) ,= 0.
Entonces, existen una vecindad | de x
0
R
n
, una vecindad 1 de z
0
R
y una unica funcion g : R
n
R tal que z = g(x) y F(x, g(x)) = 0.
Ademas, si x | y z 1 satisfacen que F(x, z) = 0, entonces z = g(x).
Finalmente, g (
1
y
g
x
i
=
F
x
i
F
z
.
Demostraci on. Sean x = (x
1
, ...., x
n
) y x
0
= (x
1
0
, ...., x
n
0
). Como
F
z
(x
0
, z
0
) ,=
0, entonces
F
z
(x
0
, z
0
) > 0 o
F
z
(x
0
, z
0
) < 0. Sin perdida de generalidad,
supongamos que
F
z
(x
0
, z
0
) > 0.
4. Diferenciaci on. 151
Por continuidad, existen valores a, b > 0 tales que si |x x
0
| < a y
[z z
0
[ < a, entonces
F
z
(x, z) > b.
Ademas, se puede suponer que existe > 0 tal que

F
x
i
(x, z)


para todo punto x B
a
(x
0
) y para todo z B
a
(z
0
). Como F(x
0
, z
0
) =
0, se tiene que
F(x, z) = F(x, z) F(x
0
, z
0
)
= (F(x, z) F(x
0
, z)) + (F(x
0
, z) F(x
0
, z
0
)).
Sea h(t) = F(tx + (1 t)x
0
, z), donde x, z son jos. Por el teorema del
valor medio, existe (0, 1) tal que h(1) h(0) = h

(), de donde se sigue


que
F(x, z) F(x
0
, z) =
_
F
x
1
(x + (1 )x
0
, z), ...,
F
x
n
(x + (1 )x
0
, z)
_
(xx
0
).
Sea G() =
_
F
x
1
(x + (1 )x
0
, z), ....,
F
x
n
(x + (1 )x
0
, z)
_
.
Notese que
F(x, z) = G() (x x
0
) +
F
z
(x
0
, z + (1 )z
0
)(z z
0
) (4.13)
donde (0, 1). Sea a
0
R tal que 0 < a
0
< a y elegimos > 0 tal
que < a
0
y <
ba
0
n
.
Luego si |x x
0
| < , es claro que [x
i
x
i
0
[ < , de donde se sigue que
G() (x x
0
) <
a
0
b
n
=
ba
0
n
,
de donde se obtiene que
[G() (x x
0
)[ < ba
0
Por tanto, de la ecuacion 4.13 y la eleccion de b, |x x
0
| < implica que
F(x, z
0
+ a
0
) > 0 y F(x, z
0
a
0
) < 0.
152 4.7. M aximos y mnimos
Por el teorema del valor intermedio, existe un valor z (z
0
a
0
, z
0
+ a
0
)
tal que F(x, z) = 0. Como
F
z
(x, z) > 0, entonces la funcion (z) = F(x, z)
es creciente y, por tanto, z es unica. Sea | = B

(x
0
) R
n
y V = B
a0
(z
0
)
R. As, si x |, existe un unico valor z 1 tal que F(x, z) = 0. Esto
dene la funcion z = g(x) requerida por el teorema. Ahora, tomando r R
tal que 0 < r < min (z z
0
), + (z z
0
) se sigue que para todo punto
x B
r
(x)
[g(x

) g(x)[ < ,
por lo que se concluye que g es continua. Finalmente, por la ecuacion 4.13
y dado que F(x, z) = 0 y z
0
= g(x
0
), se obtiene que
g(x) g(x
0
) =
G() (x x
0
)
F
z
(x
0
, z + (1 ) z
0
)
.
Si x = (x
1
0
, ...., x
i1
0
, x
i
0
+ h, x
i+1
0
, ...., x
h
0
), entonces
g(x) g(x
0
)
h
=

F
x
i
(x + (1 x
0
, z
0
))
F
z
(x
0
, z + (1 ) z
0
)
As, cuando h 0, x x
0
y z z
0
y, por tanto,
g
x
i
(x
0
) = lm
h0
g(x
1
0
, ...., x
i1
0
, x
i
0
+ h, x
i+1
0
, ...., x
n
0
) g(x
0
)
h
=

F
x
i
(x
0
, z)
F
z
(x
0
, z)

4.7. Maximos y mnimos


Entre las caractersticas geometricas mas importantes de una funcion estan
sus puntos extremos es decir, aquellos puntos en los que la funcion alcanza sus
valores maximo y mnimo. En esta seccion construiremos un metodo que nos
permita determinar estos puntos.
Denicion 49 Si F : A R
n
R es una funcion real dada, un punto
x
0
A se llama mnimo local de F si para todo punto x en una vecindad |
de x
0
se cumple que
4. Diferenciaci on. 153
F(x) F(x
0
).
Se dice que x
0
es un maximo local si existe una vecindad | de x
0
tal que
para todo punto x |
F(x) F(x
0
).
Denicion 50 Sea F : A R
n
R una funci on diferenciable. Se dice que
un punto x
0
A es crtico si DF (x
0
) = 0.
Puede suceder que un punto crtico no sea extremo relativo (maximo o
mnimo local). A este tipo de puntos los llamaremos silla. El siguiente resul-
tado proporciona un criterio para determinar si un punto es maximo, mnimo o
silla.
Proposicion 4.7.1 Sea F : A R
n
R una funcion diferenciable. Si
x A es un extremo relativo, entonces x
0
es un punto crtico.
Demostraci on. Supongamos que x
0
es un mnimo local de F. Luego,
para todo h R
n
, la funcion f(t) = F(x
0
+ th) tiene un mnimo local en
t = 0. As, por el criterio de localizacion de puntos extremos para funciones
reales de variable real, se tiene que g

(0) = 0. Por otra parte, por la regla de


la cadena.
g

(0) = h DF(x
0
) = 0,
para todo h R
n
, de donde se concluye que DF(x
0
) = 0. Un argumento
analogo muestra que si x
0
es un maximo local, entonces x
0
es un punto crtico.

Recordemos que si F es diferenciable entonces


DF(x
0
) = F(x
0
),
por lo que se puede enunciar esta proposicion de la siguiente forma:
Si x
0
es un extremo relativo, entonces
F
x
i
(x
0
) = 0, i 1, ...., n,
es decir, F(x
0
) = 0.
Ejemplos.
154 4.7. M aximos y mnimos
a) Considerese la funcion F(x, y) = x
2
+ y
2
. Notese que F(x, y) 0 para
todo (x, y) R
2
. De hecho, observese que F(0, 0) F(x, y) para todo
(x, y) R
2
. En efecto
F
x
= 2x y
F
y
= 2y
Se anulan simultaneamente si y solo si (x, y) = (0, 0), lo cual muestra
que (0, 0) es un mnimo para F(x, y) (de hecho es el unico punto crtico)
b) Sea G(x, y) = cos xy. Calculando las derivadas parciales de G, obtene-
mos que
G
x
= y senxy y
G
y
= xsenxy

Estas se anulan simultaneamente en (0, 0) o en los puntos


(x, y)[ zy = k , k Z,
es decir, en la coleccion de puntos de la forma
_
x,
k
x
_
y
_
k
y
, y
_
, k Z, x, y R 0.
Observese que en este ejemplo ya no es tan sencillo determinar que tipo de
puntos crticos tenemos, por lo que resulta necesario construir un metodo
para identicar estos puntos. Recordemos que para funciones reales de
variable real, la segunda derivada brinda un criterio para distinguir a los
puntos crticos. Sin embargo, para funciones de variable vectorial, la se-
gunda derivada es un objeto matematico mucho mas complicado.
Introduciremos ahora el concepto de funcion cuadratica.
Denicion 51 Se dice que una funcion g : R
n
R es cuadratica si tiene
la forma
g(h
1
, ...., h
n
) =
n

i,j=1
a
ij
h
i
h
j
= (h
1
, ...., h
n
)
_

_
a
11
. . . a
1n
.
.
.
.
.
.
a
n1
. . . a
nn
_

_
_

_
h
1
.
.
.
h
n
_

_
Observese que, en la denicion anterior, podemos suponer que la matriz
(a
ij
)
i,j{1,....,n}
es simetrica; esto se sigue ya que si reemplazamos a
ij
por b
ij
=
1
2
(a
ij
+ a
ji
), la funcion g no cambia, debido a que h
i
h
j
= h
j
h
i
. Ademas,
notese que
4. Diferenciaci on. 155
g(h) =
2
g(h),
propiedad que reeja la naturaleza cuadratica de g. Denimos ahora las
funciones hessianas
Denicion 52 Sea F : A R
n
R una funcion con derivadas parciales
de segundo orden en un punto x
0
A. El hessiano de F en x
0
es una funcion
cuadratica denida por
1
F(x0)
(h
0
) =
1
2
n

i,j=1
h
i
h
j

2
F
x
i
x
j
(x
0
).
Es importante destacar que si x
0
es un punto crtico, la formula de Taylor
para la funcion F de segundo orden toma la forma
F(x
0
+h) = +1
F(x0)
(h) + R
2
(h, x
0
)
As, en un punto crtico, el hessiano es igual al primer termino no constante
en la serie de Taylor de F.
Diremos que una funcion cuadratica g es denida positiva si g(h) 0 para
todo h R
n
y g(h) = 0 solo si h = 0. Diremos que g es denida negativa
si g(h) 0, alcanzando la igualdad en h = 0
Lema 4.7.2 Sea A = (a
ij
)
i,j{1,....,n}
/
nn
(R) una matriz cuadrada y
1 = R
n
R su funcion cuadratica asociada, es decir,
1(h) =
n

i,j=1
a
ij
h
i
h
j
, donde h = (h
1
, ...., h
n
).
Si 1 es denida positiva, entonces existe un valor > 0 tal que para todo
h R
n
1(h) |h|
2
Demostraci on. Si |h| = 1 notese que 1(h) es una funcion continua
y por tanto alcanza un valor mnimo, digamos . Como 1 es cuadratica, se
tiene que
1(h) = 1
_
h
|h|
, |h|
_
= |h|
2
1
_
h
|h|
_
|h|
2
para todo h ,= 0. Si h = 0, por la denicion de funcion cuadratica se sigue
el resultado.
El siguiente resultado brinda un criterio para determinar la naturaleza de
los extremos relativos.
156 4.7. M aximos y mnimos
Proposicion 4.7.3 Si F : A R
n
R es una funcion de clase (
3
en A,
x
0
A es un punto crtico de F y 1
F(x0)
es denido positivo, entonces x
0
es un mnimo. Si 1
F(x0)
es denido negativo, entonces x
0
es un m aximo.
Demostraci on. Si F : A R
n
R es de clase (
3
y x
0
A es puto
crtico, por el teorema de Taylor
F(x
0
+ h) = F(x
0
) + 1
F(x0)
(h) + R
2
(h, x
0
),
donde
R
2
(h, x
0
)
|h|
2
0 cuando h 0.
Como H
F(x0)
es denido positivo por el lema 4.7.2, existe > 0 tal que
para todo h R
n
H
F(x0)
(h) |h|
2
.

Lema 4.7.4 Sean A M


22
(R) y H(h) =
1
2
h
t
Ah, donde h
t
representa
al vector renglon (h
1
, h
2
). Entonces H(h) es denida positiva si y solo si
det A > 0 y a
11
> 0.
Demostraci on. Sea A =
_
a
11
b
b a
22
_
. Luego
H(h) = h
t
Ah =
_
h
1
, h
2

a
11
b
b a
22

_
h
1
h
2
_
=
1
2
(a
11
h
2
1
+ 2b h
1
h
2
+ a
22
h
2
2
);
Completando el cuadrado se tiene que
H(h) =
1
2
a
11
_
h
1
+
b
a
11
h
2
_
2
+
_
a
22

b
2
a
11
_
h
2
2
.
As, si H es denida positiva, tomando h
2
= 0, se sigue que a
11
> 0. Luego,
haciendo h
1
=
b
a
11
h
2
, obtenemos que
a
22

b
2
a
11
> 0 a
22
a
11
b
2
> 0,
donde a
22
a
11
b
2
= det A.
Por otra parte, si a > 0 y a
22
a
11
b
2
> 0, se tiene que H(h) es suma de
cuadrados, de donde se concluye que H(h) 0. Si H(h) = 0, entonces cada
cuadrado debe ser cero y, por tanto, h
1
= h
2
= 0, quedando probado el lema.

De manera similar se puede vericar que H(h) es denida negativa si y solo


si a < 0 y det A > 0. Ahora, como consecuencia inmediata de la proposicion
4.7.3 y el lema 4.7.4, tenemos el siguiente criterio para determinar la naturaleza
de los puntos crticos de una funcion F : A R
2
R
4. Diferenciaci on. 157
Teorema 4.7.5 Sean F : A R
2
Runa funcion de clase (
3
en A. y
x
0
A un punto crtico. Deniendo
HF =
_

2
F
x
2
__

2
F
y
2
_
=
_

2
F
xy
_
2
se tiene lo siguiente:
a) Si

2
F
x
2
(x
0
) > 0 y HF > 0 en x
0
entonces x
0
es un mnimo relativo.
b) Si

2
F
x
2
(x
0
) < 0 y HF > 0 en x
0
entonces x
0
es un maximo relativo.
c) Si HF < 0, entonces x
0
es un punto silla.
d) Si HF = 0, no hay informaci on.
En el caso de la funcion G(x, y) = cos xy, ya habamos determinado que
los puntos (0 0), (x,
k
x
), k Z, x ,= 0 y (
k
y
, y) k Z, y ,= 0, son puntos
crticos de la funcion. Ademas,

2
G
x
2
= y
2
cos xy

2
G
y
2
= x
2
cos xy y

2
G
xy
= (senxy + y
2
cos xy)
Ahora en x
0
= (x,
k
x
), se tiene que
H
F(x0)
=
_

_
k
x
_
2

_
k
x
_
2

_
k
x
_
2
x
2
_

_
,
donde el signo depende del valor de k. Si k es par, entonces
H
F(x0)
=
_

_
_
k
x
_
2
_
k
x
_
2
_
k
x
_
2
x
2
_

_
,
Luego
HF =
_
_
k
x
_
2
x
2

_
k
x
_
4
_
=
(k)
4
x
4
(k)
2
=
_
(k)
2
x
4
x
4
_
.
158 4.7. M aximos y mnimos
Notese que HF > 0 si y solo s (k)
2
x
4
> 0, lo cual sucede si y
solamente si (k)
2
> x
4
, es decir, si y solo si
[x[ < (k)
1
2
, donde k 2Z.
De esta forma, si [x[ < (k)
1
2
, k 2Z, HF > 0 y

2
F
x
2
(x
0
) < 0, por lo
que se tiene que x
0
es un maximo. Si [x[ (k)
1
2
, k 2Z, se tiene un punto
silla.
Si k 2Z 1, entonces
H
F(x0)
=
_

_
_
k
x
_
2
_
k
x
_
2
_
k
x
_
2
x
2
_

_
,
de donde se sigue que
HF =
_
k
x
_
2
x
2

_
k
x
_
4
= (k)
2

(k)
4
x
4
= (k)
2
_
x
4
(k)
2
x
4
_
.
As, HF > 0 si y solo si
x
4
(k)
2
> 0 x
4
> (k)
2
[x[ > (k)
1
2
.
Luego, si [x[ > (k)
2
, k 2Z 1, HF > 0 y

2
F
x
2
(x
0
) > 0, por lo que
x
0
es un mnimo. Si [x[ (k)
1
2
, k 2Z 1, x
0
es un punto silla.
El analisis de los demas casos se deja como ejercicio para el lector. Ahora,
generalizaremos el criterio de la segunda derivada para mas de dos variables.
Proposicion 4.7.6 Sean F : R
n
R una funcion cuyas derivadas parciales
de segundo orden existen en A, x
0
A un punto crtico, u A un vector
unitario y D
2
u
F(x
0
) la segunda derivada direccional en el punto x
0
. Entonces
a) Si D
2
u
F(x
0
) < 0 para todo u, entonces F tiene un maximo local en x
0
.
b) Si D
2
u
F(x
0
) > 0 para todo u, entonces F tiene un mnimo local en x
0
.
4. Diferenciaci on. 159
c) Si D
2
u
F(x
0
) cambia de signo para diferentes direcciones u, entonces F
tiene un punto silla en x
0
.
d) Si existe u tal que D
2
u
F(x
0
) = 0, no hay informaci on.
Demostraci on. Recordemos que, al considerar la funcion
f(t) = F(x
0
+ u),
la derivada direccional en la direccion u toma la forma
D
u
F(x
0
) = f

(0).
Luego
D
u
F(x
0
) = f

(0).
Ademas, recordemos que
D
u
F(x
0
) = F(x
0
) u,
de donde se sigue que si x
0
es un punto crtico, D
u
F(x
0
) = 0. As, 0 es un
punto crtico de f. Luego, por el criterio de la segunda derivada para funciones
reales de variable real, se concluye que
a) f(0) es un maximo relativo de f si f

(0) < 0. Ahora, f(0) = F(x


0
) y
f

(0) = D
2
u
F(x
0
), de donde se sigue que F(x
0
) es un maximo relativo
de F si D
2
u
F(x
0
) < 0.
b) f(0) = F(x
0
) es un mnimo relativo de f (y, por tanto, de F ) si f

(0) =
D
2
u
F(x
0
) > 0.
c) Si al variar el vector u las desigualdades cambian, entonces es un punto
silla.
d) Al igual que en el caso real, si D
2
u
F(x
0
) = 0, el criterio no decide.

Para analizar el criterio de la segunda derivada, requerimos de algunos re-


sultado de algebra lineal, cuyas pruebas pueden consultarse en [3].
Denicion 53 Sean V, W espacios vectoriales sobre R, dimensionalmete -
nitos. Se dice que una funcion T : V W es una transformacion lineal, si
para cualesquiera v
1
, v
2
V y para cualesquiera
1
,
2
R, se cumple que
T(
1
v
1
+
2
v
2
) =
1
T(v
1
) +
2
T(v
2
)
160 4.7. M aximos y mnimos
Recordemos que una transformacion lineal tiene una representacion matricial
y que una matriz representa una transformacion lineal. Dada una base =
e
1
. . . e
n
para el espacio vectorial 1 y un vector v 1, se dene el vector de
coordenadas de v con respecto a la base , denotado por [v]

, como
[v]

=
_
_
_
a
1
.
.
.
a
n
_
_
_
donde v =

n
i=1
a
i
e
i
.
De esta forma, si = y
1
. . . y
m
es una base para J y T : 1 J es
una transformacion lineal, entonces existen escalares unicos a
ij
R tales que
T(e
i
) =

m
i=1
a
ij
y
i
, j 1 . . . n por lo que la matriz que representa a T en las
bases y , denotada por[T]

, es la matriz de mn denida como


[T]

=
_
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
a
m1
a
mn
_
_
_
Si 1 = J y = , escribimos unicamente [T]

. Se puede vericar que si


U : J : y T : 1 J son transformaciones lineales, entonces U T es
lineal. Mas a un, si , , son bases de 1, J y : respectivamente, entonces
[U T]

= [U]

[T]

lo cual muestra que la composicion de transformaciones lineales se puede pensar


como el producto de matrices. A la matriz
Q = [Id
v
]

donde y

son bases del espacio 1, la llamaremos matriz de cambio de coor-


denadas de la base a la base

. Si T : 1 1 es una transformacion que


[T]

= Q[T]

Q
En general, se dice que dos matrices A, B /
mn
(R) son similares si existe
una matriz Q /
mn
(R), donde det Q ,= 0 ( es decir, que Q es invertible) tal
que B = Q
1
AQ.
Por otro lado, diremos que T : 1 1 es un operador lineal diagonalizables
si existe una base de 1 tal que [T]

es diagonal. Diremos que A /


mn
(R)
es diagonalizable si A es similar a una matriz diagonal. En consecuencia, si T :
1 1 es un operador lineal y es una base de 1, entonces T es diagonalizable
si y solo si [T]

es diagonalizable. Este ultimo resultado plantea el problema de


la diagonalizacion, lo cual nos lleva a la siguiente solucion.
Teorema 4.7.7 Sea T : 1 1 un operador lineal sobre un espacio vectorial
1 dimensionalmente nito. Entonces T es diagonalizable si y solo si existe una
4. Diferenciaci on. 161
base = e
1
, , e
n
para 1 y escalares (no necesariamente distintos)
1
, ,
n
tales que T(e
i
) =
i
e
i
, i 1, , n. As
[T]

=
_
_
_
_
_

1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
Este teorema motiva la siguiente denicion.
Denicion 54 Sea T : 1 1 un operador lineal. Un elemento v 10
es un eigenvector o vector propio de T si existe R

tal que T(v) = v. A


se le conoce como eigenvalor o vector propio de A si Ax = x.
Se dene el determinante de un operador lineal T : 1 1 como det(T) =
det([T]

), donde es una base de 1.


Una pregunta natural sera:
Como encontrar valores y vectores propios para una transformacion lineal
o una matriz cuadrada?
Resulta que R es un eigenvalor para T si y solo si det(T I) = 0 (cf.
[3], p. 220).
Observese que det(T I) = 0 dene un polinomio de grado n; a este polino-
mio se le conoce como polinomio caracterstico y sus races son precisamente los
valores propios de T, por lo que, aplicando el teorema fundamental del algebra,
existen a lo mas n valores propios ( y por ende, n vectores propios) para T,
donde dim1 = n.
Ejemplo.
Sea A =
_
1 1
4 1
_
Esta matriz dene la transformacion dada por la regla
Ax =
_
1 1
4 1
__
x
y
_
=
_
x +y
4x +y
_
Para calcular sus valores propios, debemos considerar la matriz A I, esto
es
A I =
_
1 1
4 1
_
luego
det(AI) = (1 )
2
4 =
2
2 3 = ( 3)( + 1)
, de donde se sigue que los valores propios de A son
1
= 3 y
2
= 1. Para
calcular los vectores propios correspondientes a
1
y
2
, sustituimos en AI
y resolvemos el sistema (AI)x = 0. Si
1
= 3, entonces
AI =
_
2 1
4 2
_ _
x
y
_
=
_
2x +y
4x 2y
_
=
_
0
0
_
162 4.7. M aximos y mnimos
de donde se sigue que y = 2x, por lo que el conjunto de vectores propios corres-
pondientes a
1
tiene la forma
/
1
= (x, y)/y = 2x
donde un generador de este subespacio es el vector
_
1
2
_
. El calculo de /
2
se
deja como ejercicio al lector.
Antes de enunciar el criterio general para calcular maximos y mnimos de
una funcion F : R
n
R, presentamos el siguiente resultado.
Teorema 4.7.8 Una matriz A /
nn
(R) es simetrica si y solo s existe una
matriz diagonal T /
nn
(R) y una matriz ortogonal T /
nn
(R) ( esto
es, una matriz T tal que T
1
= T
t
) tales que
A = TTT
t
Ahora, notese que
T
2
u
F(x
0
) = u
t
1
F(x0)
u
donde 1
F(x0)
es una matriz simetrica. Por tanto 1 = TTT
t
, donde T es la
matriz de vectores caractersticos ortonormalizados de 1
F(x0)
y T es la matriz
diagonal con valores caractersticos de 1
F(x0)
. Ademas
T
2
u
F(x
0
) = u
t
TTT
t
u = (T
t
u)
t
T(T
t
u)
. Si v = T
t
u, entonces
T
2
u
F(x
0
) = v
t
Tv = (v
1
, , v
n
)
_
_
_
_
_

1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
_
_
_
v
1
.
.
.
v
n
_
_
_ =
n

i=1
v
1
2
Por tanto, el signo de T
2
u
F(x
0
) depende de los valores
1
, ,
n
.
Ejemplo.
Considerese F(x, y) = x
3
3xy + y
3
. Al calcular el vector gradiente de F se
obtiene que los valores crticos de esta funcion son (0, 0, 0) y (1, 1, 1). Ademas
/
F(x)
=
_
6x 3
3 6y
_
As
_
0 3
3 0
_
por lo que
4. Diferenciaci on. 163
det (1
F(0,0)
I) =
2
9 = 0
de donde se obtiene que
1
= 3 y
2
= 3. Por tanto,
T
2
u
F = 3u
1
1
3u
2
2
de donde se concluye que el valor de D
2
u
F variara seg un u
1
y u
2
. Luego
(0, 0, 0) es un punto silla. Por otra parte, para el punto (1, 1) se tiene que
1
F(1,1)
=
_
6 3
3 6
_
De donde se sigue que
1
= 9 y
2
= 3. As
D
u
F = 9u
2
1
+ 3u
2
2
> 0
para cualesquiera u
1
, u
2
R. En consecuencias (1, 1, 1) es un mnimo.
Teorema 4.7.9 Sean F : A R
n
R una funcion con primeras derivadas
parciales continuas, x
0
A un punto crtico, 1 la matriz hessiana. y
i
, i
1, ...., n los valores propios de 1. Entonces
a) F(x
0
) es un m aximo local si
i
< 0 para toda i 1, ...., n
b) F(x
0
) es un mnimo local si
i
> 0 para toda i 1, ...., n
c) F(x
0
) es un punto silla si
i
,= 0, para toda i 1, ...., n; y si existen

i
y
j
valores propios de 1, i ,= j, tales que
i
> 0 y
j
< 0
d) Si existe u R
n

i
= 0, el criterio no brinda informacion.
Demostraci on. Sea u R
n
tal que |u| = 1. Luego
D
2
u
F(x
0
) = u (u F(x
0
))
=
n

i,j=1

2
F
x
i
x
j
(x
0
)u
i
u
j
= u
t
1u
Como las derivadas parciales son continuas,

2
F
x
i
x
j
=

2
F
x
j
x
i
, por lo que
1 es una matriz simetrica. As, 1 = PDP
t
, donde P es una matriz ortogonal
y D es una diagonal. En consecuencia,
D
2
u
F(x
0
) =
n

i=1

i
v
2
i
.
Si
i
< 0 para toda i 1, ...., n, entonces D
2
u
F(x
0
) < 0 y F(x
0
) es un
maximo.
164 4.7. M aximos y mnimos
Si > 0 para toda i 1, ...., n, entonces D
2
u
F(x
0
) > 0 y F(x
0
) de
donde se sigue que F(x
0
) es un mnimo.
Si existen i 1, ...., n, tales que i ,= j y
i
y
j
tienen signos contrarios,
entonces D
2
u
F(x
0
) cambia de signo al cambiar u y por tanto x
0
es un punto
silla. Si existe i 1, ...., n, tal que
i
= 0, no hay informacion ya que para
el vector e
i
cuyas entradas son todas cero salvo la i-esima, en la cual tiene un
uno, se tiene que
D
2
ei
F(x
0
) = 0
Bibliografa
[1] Cardenas, H. et Al,

Algebra superior, Mexico, Trillas, 1982.
[2] Courant, R., Fritz, J., Introduction to Calculus and Analysis Vol. 2,
New York, Interscience, 1965.
[3] Friedberg, S. et Al, Linear Algebra, New Jersey, Prentice Hall, 2003.
[4] Haaser, N. et Al, An alisis matematico 2, Mexico, Trillas, 1971.
[5] Lascurain, A.,

Algebra superior I, Mexico, Facultad de Ciencias, UNAM,
2012.
[6] Lehmann, C., Geometra analtica, Mexico, Limusa, 1994.
[7] Marsden, J., Hoffman, M. Elementary Classical Analysis, New York,
W. H. Freeman and Company, 1993.
[8] Marsden, J., Tromba, A. Vector Calculus, Third Edition, New York,
W. H. Freeman and Company, 1988
[9] Murdoch, D. C., Geometra analtica con vectores y matrices, Mexico,
Limusa, 1981.
165