Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de Clase
Lorena Zogaib
Enero 12, 2015
Contenido
Contenido
Prlogo
1 El Espacio Rn
1.1 Vectores
29
37
43
53
69
69
72
75
83
3 Diferenciacin
91
91
98
103
107
112
122
131
131
137
143
5 Optimizacin
154
154
156
159
165
166
173
175
178
182
183
204
210
212
213
225
231
6.1 Funciones de Rn en Rm
231
238
239
244
A Cnicas
247
251
Bibliografa
258
Prlogo
Este documento constituye un material de apoyo para el curso de Clculo II para
las carreras de Economa y Direccin Financiera en el ITAM. Se trata de una
recopilacin de mis notas de clase, con el fin de agilizar la discusin de los temas
en el aula. El material se presenta en estricto apego al orden del temario vigente,
aunque es discutido bajo un enfoque personal y en un lenguaje un tanto coloquial.
Estas notas no pretenden sustituir la lectura de la bibliografa seleccionada para
el curso. Estn basadas en el material extrado precisamente de esos textos, as
como de documentos y libros escritos por mis colegas y amigos del Departamento
de Matemticas del ITAM. En particular, tom prestados varios conceptos y
ejemplos del Documento de Trabajo Matemticas IV, elaborado por Guillermo
Pastor. Para algunos temas de optimizacin, me bas en el libro Mtodos Dinmicos
en Economa: Otra Bsqueda del Tiempo Perdido, de Hctor Lomel y Beatriz
Rumbos. Muy especialmente, quiero expresar mi gratitud y gran admiracin por
Knut Sydsaeter, de la Universidad de Oslo, quien fue el autor de una coleccin
maravillosa de textos de matemticas para economistas. De l aprend mucho,
aunque nunca tuve el privilegio de conocerlo. Estuve a punto de hacerlo, en
un taller de matemticas que l iba a impartir en Mxico. Desafortunadamente,
Sydsaeter falleci en un accidente en octubre de 2012, faltando una semana para su
visita a este pas.
Se espera que el estudiante resuelva una gran variedad de ejercicios, que no han
sido incluidos en este documento debido a su extensin. Al respecto, el estudiante
puede utilizar el Documento de Trabajo Clculo II, Cuaderno de Ejercicios,
Lorena Zogaib, Departamento de Matemticas, ITAM, enero 12 de 2015.
Agradezco todas las sugerencias y correcciones que he recibido de mis colegas
y varias generaciones de estudiantes. Me han enriquecido mucho los comentarios
de mis amigos Carmen Lpez y Ramn Espinosa. Igualmente importantes han sido
las observaciones de las varias generaciones de alumnos que han consultado estas
notas. Especialmente, estoy muy agradecida con Francisco Contreras Marroqun,
quien estudi Ciencia Poltica en el ITAM, por sus valiosas aportaciones en
relacin con el captulo de Optimizacin.
De antemano ofrezco una disculpa al lector por los errores y omisiones que
encuentre en este texto. Siempre sern bienvenidas las correcciones y cualquier
comentario que me hagan llegar.
Lorena Zogaib
4
Captulo 1
El Espacio Rn
1.1 Vectores
Considera los precios p1 , p2 , . . . , pn de n bienes. Conviene representar este
conjunto de precios por
p1
p2
(p1 , p2 , . . . , pn ) o bien
...
pn
Un conjunto ordenado de nmeros como ste, que se caracteriza no slo por
los elementos que lo constituyen sino por el orden en que estn colocados, se
llama un vector o n-vector. Nota que un vector con una sola componente es
un simple nmero real, tambin denominado un escalar. La representacin
del lado izquierdo se conoce como vector rengln, mientras que la del lado
derecho es un vector columna. Por lo general utilizaremos la representacin
de vector rengln a lo largo de este texto, con excepcin de algunos temas de
los captulos 3 y 6.
Hay varias maneras cortas de designar el vector de precios (p1 , p2 , . . . , pn ),
por ejemplo,
La primera de stas,
p , utiliza una flechita encima del nombre del vector,
a = (a , a , . . . , a ),
a Rn .
1
Captulo 1 El Espacio Rn
Operaciones con vectores
a = b.
Si el nmero de componentes, su valor numrico o su distribucin son diferentes,
a = b.
decimos que
Ejemplo:
Sean
x = (x, y, z) y
a = (1, 0, 3). Se tiene entonces que
x =
a si y slo
si x = 1, y = 0 y z = 3.
Definicin. Sean
a = (a1 , a2 , . . . , an ), b = (b1 , b2 , . . . , bn ) Rn y R.
a = (a1 , a2 , . . . , an )
= (a1 , a2 , . . . , an ).
a + b = (a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn )
= (a1 + b1 , a2 + b2 , . . . , an + bn ).
Ejemplo:
Sean
a = (3, 2, 5) y b = (3, 0, 3). As,
2
a = 2(3, 2, 5) = (6, 4, 10),
Definicin. Sean
a = (a1 , a2 , . . . , an ), b = (b1 , b2 , . . . , bn ) Rn . La resta o
a con b es el vector
a b Rn , dado por
diferencia de
a b =
a + (1) b
= (a1 b1 , a2 b2 , . . . , an bn ).
6
1.1 Vectores
Ejemplo:
a Rn la diferencia
a
a es el vector nulo o vector
Definicin. Para cada
0 = (0, 0, . . . , 0).
Nota que
a b = 0
a = b.
Definicin. Si
a 2, . . . ,
a m Rn y 1 , 2 , . . . , m R, entonces el
a 1,
n-vector
1
a 1 + 2
a 2 + + m
am
Sean
a = (3, 2, 5) y b = (3, 0, 3). As,
3
a 5 b = 3(3, 2, 5) 5(3, 0, 3) = (9, 6, 15) + (15, 0, 15) = (24, 6, 0).
Reglas de adicin de vectores y multiplicacin por escalares
Si
a , b ,
c Rn y , R, entonces
1.
a + b +
c =
a + b +
c
2.
a + b = b +
a
3. a + 0 = 0 + a =
a
4. a + ( a ) = ( a ) +
a = 0
5. ( + )
a =
a +
a
6. a + b = a + b
7. (
a ) = ()
a
8. 1 a = a
Captulo 1 El Espacio Rn
Ejemplo:
a , b Rn halla un vector
x Rn tal que 3
Dados
x + 2
a =5b.
Usando las reglas anteriores, se tiene
3
x + 2
a + (2
a ) = 5 b + (2
a)
3
x + 0 = 5 b 2
a
3x = 5 b 2a
1
1
3
x =
5 b 2
a
3
3
2
5
b
a
1
x =
3
3
2
5
b
a.
x =
3
3
Interpretacin geomtrica de los vectores en el plano R2
La palabra vector proviene del latn y significa transporte. Por esa razn, un
vector se asocia con un desplazamiento. Podemos describir ese desplazamiento en
el plano xy por la distancia dirigida a1 que se mueve en la direccin del eje x y
por la distancia dirigida a2 que se mueve en la direccin del eje y. Entendemos por
distancia dirigida al hecho de que a1 > 0 si se desplaza hacia la derecha del punto
inicial y a1 < 0 si se desplaza hacia la izquierda. Similarmente, se tiene a2 > 0 si
el desplazamiento es hacia arriba o a2 < 0 si es hacia abajo.
Geomtricamente, esta translacin se puede visualizar como una flecha o
segmento de recta dirigido de un punto A a otro punto B, que denotamos por
AB = A B .
8
1.1 Vectores
As, desde el punto de vista geomtrico, decimos que dos vectores son iguales
o equivalentes si tienen la misma direccin y longitud (dados por las mismas
componentes a1 y a2 ). En consecuencia, es claro que AB = BA.
Ejemplos:
v = (2 1, 1 1) = (1, 2).
Captulo 1 El Espacio Rn
v es un vector en el
a
v , con las siguientes caractersticas: i) si c > 0, entonces c
Por ejemplo, si
v = (1, 2), entonces
a) 3
v = 3(1, 2) = (3, 6)
b)
v = (1, 2) = (1, 2)
c) 2
v = 2(1, 2) = (2, 4)
1.1 Vectores
Ejemplo:
v1 =
El vector
v 1 = 35
v 2.
1
, 35
5
es paralelo al vector
v 2 = 13 , 1 , ya que
v1+
Por otra parte, sabemos de la definicin que la suma
v 2 de dos vectores
El vector suma
v 2 se construye ms fcilmente a partir del mtodo del
v1+
paralelogramo, as como el mtodo del tringulo, ilustrados en la siguiente figura.
11
Captulo 1 El Espacio Rn
Asimismo, combinando las dos operaciones anteriores, se puede construir
2
v 2 + 3
v 1 = 2(2, 3) + 3(1, 1) = (4, 6) + (3, 3) = (7, 3).
vectores v 1 y v 2 , en direccin de
v 2 hacia
v 1 , como se muestra en las figuras
de la derecha.
asociarse con las diagonales del paralelogramo formado al unir los vectores
v1y
12
1.1 Vectores
Existe una representacin alternativa para los vectores en el plano, utilizando
los llamados vectores base. Estos ltimos son vectores en trminos de los cuales
podemos expresar cualquier otro vector. En el caso de R2 se necesitan dos vectores
base, no paralelos, para poder generar cualquier vector en el plano. La base ms
simple es la base cannica, dada por los vectores = (1, 0) y = (0, 1), mostrados
en la siguiente figura.
v = x + y
,
con = (1, 0) y = (0, 1).
Definicin. Si
v = x + y
, entonces los vectores x y y
son los vectores
Por ejemplo, si
v = 3 + 2
, entonces
i) 3 es la componente vectorial de
v en la direccin
ii) 2
es la componente vectorial de
v en la direccin
13
Captulo 1 El Espacio Rn
v en la direccin
iv) 2 es la componente escalar de
vector
v que va de A a B es el vector
v = AB = (x2 x1 , y2 y1 , z2 z1 ).
= (0, 1, 0),
14
k = (0, 0, 1),
1.1 Vectores
v = (x, y, z) en R3 puede
En trminos de estos vectores base, cualquier vector
expresarse como
v = x + y
+ z k.
Ejemplos:
1. Dibuja el vector
v = + 2
+ 3k
Norma de un vector en Rn
Como ya se mencion, una de las dos caractersticas de un vector es su longitud,
tambin conocida como su norma. Para vectores en Rn la norma se determina a
partir del teorema de Pitgoras generalizado, como se define a continuacin.
v = (x1 , x2 , . . . , xn ) Rn es
Definicin. La norma, o magnitud, de un vector
v =
Captulo 1 El Espacio Rn
En particular, se tienen los siguientes casos:
v = x + y
R2 , entonces
i) si
v =
x2 + y 2 .
ii) si
v = x + y
+ z k R3 , entonces
v =
x2 + y 2 + z 2 .
2
absoluto, ya que v = x = |x|.
Ejemplos:
1. Si
u = + , entonces
u = 12 + 12 = 2.
2. Si
v = 3 + 4
, entonces
v =
(3)2 + 42 =
entonces
3. Si
w = + 2
3k,
w =
16
25 = 5.
(1)2 + 22 + (3)2 =
14.
1.1 Vectores
Nota que existe una infinidad de vectores con una misma norma dada. Por
ejemplo, todos los siguientes vectores poseen norma 5.
v1
v2
v3
v4
v
5
= 5
= 3 + 4
= 5
= 3 + 4
= 3 4
Propiedades de la norma
Sean
v ,
w Rn y sea c R. Entonces,
a)
b)
c)
d)
v 0
v =0
v = 0
c
v = |c|
v
v +w
v +
w Desigualdad del tringulo
3
v = |3|
v =3
v
v +
w <
v +
w
v +
w =
17
v +
w
Captulo 1 El Espacio Rn
v ,
w,
As, por ejemplo, de acuerdo con la propiedad d), para vectores arbitrarios
se tiene
3
v 5
w = 3
v + 5
w ,
3 v 5w = 3 v 5w .
Definicin. La distancia euclidiana d(A, B) entre dos puntos A(a1 , a2 , . . . , an )
y B(b1 , b2 , . . . , bn ) en Rn est dada por
d(A, B) =
d(A, B) = d(
a, b )= b
a =
a b .
Sean
a , b ,
c Rn . Entonces,
a) d(
a, b)0
b) d(
a, b)=0
a = b
c) d(
a , b ) = d( b ,
a ) Simetra
d) d(
a , b ) + d( b ,
c ) d(
a ,
c ) Desigualdad del tringulo
A un conjunto X con una funcin distancia d : X X R que satisface estas
propiedades se le llama espacio mtrico. En particular, el espacio Rn es un espacio
mtrico.
18
1.1 Vectores
Definicin. Un vector unitario u es un vector con norma igual a 1, es decir,
u = 1.
En el caso de R2 , los vectores unitarios son todos aquellos que pueden dibujarse
dentro de una circunferencia de radio 1 y centro en el origen, como es el caso de
los siguientes vectores.
1
1
a
= +
2
2
3
4
b =
5
5
= = a
= b = 1.
Como la norma de un vector unitario es, por definicin, siempre igual a 1, su
nica caracterstica importante es su direccin. De ah que los vectores unitarios
son conocidos tambin como vectores de direccin. En el caso particular de un
vector unitario en el plano, u R2 , su direccin se define como el ngulo
que ste determina con el eje x, medido en la direccin contraria al giro de las
manecillas del reloj. As, cualquier vector unitario en R2 ,
u = x + y
,
donde u =
x
= x,
1
sen =
19
y
= y.
1
Captulo 1 El Espacio Rn
Ejemplos:
1
1
1. Determina la direccin del vector unitario a = + .
2
2
1
1
En este caso, cos = y sen = . Por lo tanto,
2
2
1
1
= sen1
= ,
4
2
2
1
1
en donde cos x y sen x denotan ngulo cuyo coseno es y ngulo cuyo
seno es, que son las funciones inversas de las funciones coseno y seno.
2. Determina la direccin del vector unitario b = .
= cos1
v , de acuerdo con
vector unitario v que apunta en la misma direccin que
v =
v v.
v
v =
.
v
Ejemplos:
Como
a = (3)2 + 42 = 5, por lo tanto,
a
3 + 4
3
4
a
=
=
= + .
5
5
5
a
20
1.1 Vectores
x = 2
+ 3k.
2. Calcula el vector unitario x del vector
Como
x = 12 + (2)2 + 32 = 14, por lo tanto,
x
2
+ 3k
1
2
3
x =
= + k.
=
x
14
14
14
14
3. Encuentra un vector
v con magnitud (norma) igual a 5 y que tenga la misma
de w = AB.
= 2
+ 2k.
Como
w = (1)2 + (2)2 + 22 = 3, por lo tanto,
w
1
2
2
+ 2k
= +
w=
=
3
3
3
w
2
k.
3
De este modo,
1
2
v = 5w = 5 +
3
3
2
k
3
5
10
10
= + k.
3
3
3
21
Captulo 1 El Espacio Rn
Producto punto
a b , de dos vectores
a y
Definicin. El producto escalar o producto punto,
2
3
b en el plano R , o en el espacio R , es el escalar
a b =
a
b cos ,
Observa que
a b no es un vector, sino un escalar. Geomtricamente,
a b =
a
b cos
a b = b (
a cos )
Vectores paralelos
0
Vectores perpendiculares 2
Vectores antiparalelos
a b =
a
a
b
0
b cos
valor mximo
valor mnimo
a b = b
a.
22
1.1 Vectores
a y b son perpendiculares u
Definicin. Decimos que dos vectores no nulos
se denota por
ab.
Ejemplos:
Sabemos que
a = 2 y b = 2. De la figura se observa que el ngulo
a y b es 135 , es decir, =
entre
. As,
4
3
1
= ( 2)(2)
= 2.
a b =
a
b cos
4
2
Sabemos que
a = 3 y b = 2. De la figura se observa que el ngulo entre
a y b es 60 . As,
a b =
a
b cos
3
23
= (3)(2)
1
2
= 3.
Captulo 1 El Espacio Rn
a = 2 + y b = 3k en R3 .
3. Calcula el producto punto de los vectores
Sabemos que
a = 5 y b = 3. De la figura se observa que el ngulo
a y b es 90 , es decir, = . As,
entre
2
a b =
a
b cos
2
= ( 5)(3) (0) = 0.
En general, la expresin
a b =
a
b cos puede resultar poco prctica
c = b
a . Estos tres vectores determinan un tringulo, cuyos catetos estn
relacionados entre s por la ley de los cosenos, dada por
=
a
2
a
b cos ,
24
1.1 Vectores
a b entre
a y b , es decir,
el lado derecho es precisamente el producto punto
=
a
de modo que
a b =
2 a b,
.
2
c = b
a est dado por
c = (b1 a1 ) + (b2 a2 )
, de modo que
2
2
.
a b =
2
Desarrollando cuadrados en el numerador es posible simplificar varios trminos,
quedando simplemente,
a b = a1 b1 + a2 b2 .
componentes escalares de
a y b . Similarmente, es posible demostrar que en el
caso de vectores
a = a1 + a2 + a3 k y b = b1 + b2 + b3 k en R3 el producto
punto est dado por
a b = a1 b1 + a2 b2 + a3 b3 .
El resultado anterior puede extenderse muy fcilmente para cualesquiera dos
vectores en Rn , como se enuncia en el siguiente teorema.
a b = a1 b1 + a2 b2 + + an bn .
Ejemplos:
1. Calcula
x
y , si
x = (1, 3, 0) y
y = (2, 1, 3).
En este caso,
x
y = (1)(2) + (3)(1) + (0)(3) = 5.
25
Captulo 1 El Espacio Rn
u = 2 + 3
y
v = 6 + 4
son perpendiculares
2. Demuestra que los vectores
entre s.
Como
u
v = (2)(6) + (3)(4) = 0,
u
v.
por lo tanto
3. Escribe el ingreso I = p1 q1 + p2 q2 + + pn qn como un producto punto de
vectores.
Calcula el vector
4. Sean
a = + 2
+ 3k y b = 4 + k.
v =
a b
a b a
.
por lo tanto,
Por una parte, como
a b = 3 + 3
+ 2k,
a b = 9 + 9 + 4 = 22.
Por otra parte,
a b = 4 2
+ 3 = 5.
a b
a b a
=
22 (5)
+2
+ 3k
14
11
11
11
+ 10
+ 15
k.
7
7
7
5. Encuentra un vector
w R2 que tenga norma 5 y sea perpendicular a
v = 3 + 2
.
Sea w = x + y
el vector que buscamos, representado en la siguiente figura.
=
26
1.1 Vectores
w =
x2 + y 2 = 5,
w
v = (3)(x) + (2)(y) = 0.
w1 y
w 2 que satisfacen las
De este modo, x = 1013 . As, existen dos vectores
10
15
10
condiciones del problema, w 1 = 13 13 y w 2 = 13 + 1513 .
Propiedades del producto escalar
Para todos
a , b ,
c , d Rn y R se cumplen las siguientes propiedades:
1.
a
a 0y
a
a = 0 si y slo si
a = 0.
2.
a b = b
a
3. ( a ) b = a b =
ab
4.
a ( b +
c)=
a b +
a
c
5. (
a + b ) (
c + d)=
a
c +
a d + b
c + b d
6.
a b
a
b Desigualdad de Cauchy-Schwarz
a b
a
b
a b
a
b
a
b cos
a
1 cos 1,
que permite generalizar el concepto de ngulo entre dos vectores en el espacio Rn ,
como lo establece la siguiente definicin.
a b
= cos1
,
0 .
a
b
27
Captulo 1 El Espacio Rn
Ejemplos:
x = + y
y = .
1. Encuentra el ngulo entre los vectores
x
y = 1, por lo tanto = cos1
Como
x = 2,
y =1y
.
4
x
y = 0, por lo tanto
Como
x = 5,
y = 14 y
1
= 2 . Concluimos entonces que
x
y.
= cos
5 14
Por otra parte, en relacin con el concepto de perpendicularidad, y en
vista que los vectores base cannicos en R3 son todos unitarios, es decir,
= = k = 1, se obtiene el siguiente resultado:
= = k k = 1
= k = k = 0
Utilizando este resultado, junto con la propiedad 5 del producto escalar, podemos
llevar a cabo una diversidad de manipulaciones algebraicas. Por ejemplo, sin hacer
para
a y b en R3 , de la siguiente manera:
a b = a1 + a2 + a3 k b1 + b2 + b3 k
= a1 b1 ( ) + a1 b2 ( ) + a1 b3 k
+a2 b1 (
) + a2 b2 (
) + a2 b3 k
+a3 b1 k + a3 b2 k + a3 b3 k k
= a1 b1 + a2 b2 + a3 b3 .
a cos 0 = a
a (1) =
a , se
mismo est dado por a a = a
tiene
a =
a
a.
28
2
u 3
v
= (2
u 3
v ) (2
u 3
v)
= 4 ( u u ) 6 ( u v ) 6 (
v
u ) + 9 (
v
v)
2
2
= 4
u 12 (
u
v)+9
v .
Existen otras maneras para representar una curva en R2 , que pueden resultar
ms convenientes que la cartesiana, dependiendo del tipo de simetras de la
curva o la naturaleza de sus posibles aplicaciones. Aqu nos interesa la llamada
representacin paramtrica, que adems de proporcionar una informacin ms
detallada que en la forma cartesiana, puede extenderse fcilmente al caso general
de curvas en Rn .
La representacin paramtrica de una curva en el plano R2 expresa las
coordenadas x y y de cada punto de la curva como funciones de una tercer variable,
digamos t, que juega el papel de variable exgena o parmetro. Al ir cambiando de
valores el parmetro t, se van generando nuevos puntos (x(t), y(t)) de la curva,
como se muestra en las siguientes figuras.
29
Captulo 1 El Espacio Rn
La figura de la izquierda muestra la evolucin de cada una de las coordenadas x(t)
y y(t) al incrementarse t. La figura de la derecha presenta el mismo razonamiento
pero en un lenguaje vectorial, considerando para cada t la evolucin del vector de
posicin
r : R R3 , de la forma
1. Identifica la curva
r (t) = x(t) + y(t) en R2 , con
x(t) = 1 + t
y(t) = 2 + t, t R.
Asignando diferentes valores al parmetro t se obtiene la recta mostrada en la
figura.
30
s R.
3. Identifica la curva
r () = x() + y() en R2 , con
x() = r cos
y() = r sen ,
0 < 2,
r > 0 constante.
4. Identifica la curva
r () = x() + y() + z() k en R3 , con
x() = cos
y() = sen
z() = 3, 0 < 2.
Captulo 1 El Espacio Rn
constante (igual a 3). As, la curva correspondiente es una circunferencia que
est elevada 3 unidades en el eje vertical.
Para esta curva, las primeras dos componentes describen una circunferencia,
mientras que la tercera se incrementa continuamente de manera lineal. La curva
obtenida se conoce como hlice (espiral), como se ilustra en la figura.
32
r : R R2 que para
La curva de ingreso-consumo es la curva paramtrica
+
cada valor del ingreso I R le asigna una canasta ptima
r R2 , dada por
Definicin. Sea
r (t) una funcin vectorial, con
r : S R Rn . La derivada
d
r (t)
r (t + t)
r (t)
= lm
,
t0
dt
t
cuando este lmite existe.
Como se ilustra en la siguiente figura, de esta definicin se sigue que el vector
33
Captulo 1 El Espacio Rn
curva
r (t) en cada valor del parmetro t.
El clculo de la derivada d
r /dt es muy sencillo. Por ejemplo, para una funcin
d
r (t)
=
dt
=
r (t + t)
r (t)
lm
t0
t
lm
t
f (t + t) f (t)
g(t + t) g(t)
h(t + t) h(t)
= lm
+ lm
+ lm
k
t0
t0
t0
t
t
t
df (t)
dg(t)
dh(t)
+
+
k,
=
dt
dt
dt
siempre y cuando f, g y h sean todas funciones diferenciables de t.
t0
Teorema. Sea
r (t) = f1 (t)e1 + f2 (t)e2 + . . . + fn (t)en una funcin vectorial
n
en R , con (f1 , f2 , . . . , fn ) : R R derivables y e1 , . . . en la base cannica en Rn .
d
r (t)
df1 (t)
df2 (t)
dfn (t)
=
e1 +
e2 + . . . +
en .
dt
dt
dt
dt
Ejemplos:
1. Encuentra la derivada de
r (t) = te3(t1) + (t ln t) , t > 0, en t = 1.
d
r (t)
= (1 3t) e3(t1) + (1 + ln t) .
dt
As, en t = 1 se tiene
d
r (t)
= 2 + .
dt t=1
r () = cos + sen en el
2. Encuentra un vector tangente a la circunferencia
punto correspondiente a = 0. Ilustra con una figura.
Por una parte, el punto correspondiente a = 0 es
r(0) = .
34
d
r ()
= sen + cos ,
d
que en = 0 es el vector
d
r ()
= .
d =0
r () en el punto
r (0) = es
Por lo tanto, el vector tangente a la curva
Sean
u : R Rn ,
v : R Rn y : R R funciones diferenciables de t.
d
c
1.
= 0
dt
d [k
u (t)]
d
u (t)
2.
=k
dt
dt
d [ u (t) + v (t)]
d
u (t)
d
v (t)
3.
=
+
dt
dt
dt
d [(t) u (t)]
d u (t) d(t)
4.
= (t)
+
u (t)
dt
dt
dt
d [
u (t)
v (t)]
d
v (t) d
u (t)
5.
=
u (t)
+
v (t)
dt
dt
dt
d
r
r
= 0.
dt
35
Captulo 1 El Espacio Rn
Demostracin:
Sea
r (t) una funcin vectorial tal que ||
r (t)|| = c, con c un real no negativo.
Por lo tanto,
2
||
r (t)|| = c2
r (t)
r (t) = c2
d [
r (t)
r (t)]
=0
dt
d
r (t)
d
r (t)
r (t)
+
r (t)
=0
dt
dt
d
r (t)
2
r (t)
=0
dt
d
r (t)
r (t)
= 0.
dt
||
r (t)|| = cos2 t + sen2 t = 1,
se tiene
d
r (t)
36
P0 P = t
v.
Esta ltima ecuacin puede expresarse de manera alternativa, introduciendo un
origen de coordenadas, O, a partir del cual los puntos P0 y P estn localizados por
los vectores de posicin
x 0 = OP0 y
x = OP .
37
Captulo 1 El Espacio Rn
De esta manera, se tiene
x
x 0,
P0 P =
de modo que la ecuacin de la recta se convierte en
v,
x
x = t
0
o, equivalentemente,
x =
x 0 + t
v.
al punto
x 0 Rn y es paralela al vector no nulo
v Rn es
v,
x =
x + t
0
donde
x Rn y t R.
v = a + b
+ ck denota el vector de direccin,
x 0 = x0 + y0 + z0 k el punto
conocido y x = x + y
+ z k el punto libre de la recta, la ecuacin vectorial
x = x 0 + t v se convierte en
t R.
Ejemplos:
1. Escribe la ecuacin vectorial paramtrica de la recta en R2 que contiene al punto
x 0 = + 2
y es paralela al vector
v = + . Luego escribe las ecuaciones
escalares paramtricas de esta recta.
La ecuacin vectorial es
x =
x + t
v = ( + 2
) + t ( + ), esto es
0
x = ( + 2
) + t ( + ) ,
38
t R.
t R.
Observa que sta es la misma recta que la del ejemplo 1 de la seccin 1.2.
2. Halla las ecuaciones escalares paramtricas de la recta en R3 con la informacin
dada:
v = 5 + 3
k.
a) Contiene al punto P (1, 2, 7) y es paralela al vector
En este caso, se tiene simplemente
x = 1 + 5t, y = 2 + 3t, z = 7 t,
t R.
Como el origen es el punto O(0, 0, 0), por lo tanto las ecuaciones son
x = 4t, y = 3t, z = 0,
t R.
Podemos tomar
v = (o cualquier mltiplo de ste), de modo que
x = 1, y = 2 + t, z = 3,
t R.
t R,
x = 1 + t, y = t, z = 3 t,
t R.
Por otra parte, para obtener cualquiera de los puntos de esta recta basta con
asignar valores arbitrarios al parmetro t. As, por ejemplo, si en la primer
respuesta tomamos t = 2 obtenemos el punto P1 (0, 1, 2), o bien, si tomamos
t = 1 generamos el punto P2 (3, 2, 5), etc. Nota que el punto A se obtiene
cuando t = 0, y el punto B, cuando t = 1.
4. Encuentra las ecuaciones escalares paramtricas de la recta tangente a la curva
r () = + 2 en R2 , R, en el punto con = 1.
x0 =
r (1) = (1, 1).
39
Captulo 1 El Espacio Rn
Por otra parte, sabemos que un vector tangente a la curva
d
r ()/d = + 2 , para cada R. As, la direccin
tangente a la curva en = 1 puede tomarse como
d
r ()
v =
d
r () es
v de la recta
= (1, 2).
=1
t R.
t R.
t R.
t R,
x=u
y = 2 u, u R,
x = 1 3w
y = 1 + 3w, w R.
con a = 0, b = 0 y
al punto P0 (x0 , y0 , z0 ) y es paralela al vector
v = a + b
+ ck,
c = 0, es
x x0
y y0
z z0
=
=
.
a
b
c
41
Captulo 1 El Espacio Rn
Por ejemplo, la forma simtrica de las ecuaciones
t R,
y
z+5
x1
= =
.
3
4
2
Nota que esta ltima no es una ecuacin, sino ms bien son tres ecuaciones, a
saber,
y
y
z+5
z+5
x1
x1
= ,
=
y
=
.
3
4
4
2
3
2
forma simtrica:
y y0
z z0
, x = x0
=
b
c
x x0
z z0
=
, y = y0
a
c
x x0
y y0
=
, z = z0
a
b
t R,
x1
y+2
=
,
3
5
5
1
y = x .
3
3
42
x 0 Rn y es paralela
Definicin. Dada la recta L en Rn que contiene al punto
n
al vector no nulo v R , la ecuacin
x =
x + t
v,
t tt ,
0
Ejemplo:
Halla la ecuacin del segmento de la recta que une los puntos P (3, 2, 3) y
Q(1, 1, 4).
v = P Q = 4 3
+ 7k.
De esta manera, el segmento de recta que une a P y Q queda descrito por
x = 3 + 4t, y = 2 3t, z = 3 + 7t, 0 t 1.
En efecto, cuando t = 0 se obtiene el punto P , cuando t = 1 se obtiene el punto Q
y para 0 < t < 1 se generan todos los puntos intermedios entre P y Q.
43
Captulo 1 El Espacio Rn
En otras palabras,
n P0 P = 0.
n (
x
x 0 ) = 0.
3
perpendicular al vector no nulo n R es
n (
x
x ) = 0.
0
La forma
n (
x
x 0 ) = 0 para la ecuacin del plano puede reescribirse en
n y
x 0 . En
trminos ms simples si se conocen las componentes de los vectores
x
x 0 = (x x0 ) + (y y0 )
+ (z z0 )k.
De esta manera, la ecuacin del plano est dada por
n (
x
x 0) =
a + b
+ ck (x x0 ) + (y y0 )
+ (z z0 )k
n = 5 + 2k se obtiene de
perpendicular al vector
(5)(x 1) + (1)(y 0) + (2)(z (3)) = 0.
Llevando a cabo las operaciones algebraicas correspondientes, esta ecuacin se
reduce a
5x + y 2z = 11.
De acuerdo con el resultado anterior, la ecuacin de un plano en R3 siempre
puede llevarse a la forma general
ax + by + cz = d,
donde a, b y c son las componentes del vector normal al plano, y d = ax0 +by0 +cz0
es una constante.
Ejemplos:
1. Proporciona tres puntos contenidos en el plano 3x + 2y + 4z = 12 en R3 .
Los puntos se obtienen simplemente al encontrar tres valores x, y y z que
satisfagan la ecuacin 3x + 2y + 4z = 12. Por ejemplo, estn los puntos
P1 (2, 3, 0), P2 (0, 0, 3) y P3 (0, 2, 4).
2. Encuentra la ecuacin cartesiana del plano que contiene a los puntos A(1, 1, 1),
B(2, 1, 3) y C(3, 2, 1).
El vector normal
n es perpendicular a cualesquiera dos vectores no paralelos en
se tiene
y se define
n = x + y
+ z k,
AB
n = (1, 0, 2) (x, y, z) = 0
AC n = (2, 1, 0) (x, y, z) = 0
es decir,
x + 2z = 0
2x + y = 0.
Tomando, por ejemplo, z = 1, obtenemos
x = 2, y = 4, z = 1.
De esta manera,
Captulo 1 El Espacio Rn
El punto conocido P0 (x0 , y0 , z0 ) puede ser cualquiera de los tres puntos dados.
Por ejemplo, si se considera el punto A(1, 1, 1) se llega a que la ecuacin
cartesiana del plano es
(2) (x 1) + (4) (y 1) + (1)(z 1) = 0,
o bien,
2x + 4y + z = 3.
Nota que el resultado es independiente de la seleccin del punto, o si tomaste
n.
cualquier otro mltiplo del vector normal
3. Encuentra la ecuacin cartesiana del plano que contiene al punto P0 (2, 3, 1) y a
la recta L : x = 1 + t, y = 1 t, z = t, t R.
Primero notamos que el punto P0 (2, 3, 1) no est contenido en la recta. Si lo
estuviera, existira una infinidad de planos que la contendran. El vector normal
se tiene
Definiendo
n = x + y
+ z k,
n = (1, 2, 1) (x, y, z) = 0
v 1
v n = (1, 1, 1) (x, y, z) = 0
2
es decir,
x 2y z = 0
x y + z = 0.
46
5x 3y + 2z = 5.
5. Encuentra la ecuacin cartesiana del plano que contiene al punto P (1, 1, 1) y es
normal a la recta
x1
z
=y+1= .
2
2
2x + y 2z = 1.
6. Un lindo ejemplo de planos en economa es el de una restriccin presupuestal,
de la forma
p1 q1 + p2 q2 + p3 q3 = I,
(p1 , p2 , p3 , I constantes)
47
Captulo 1 El Espacio Rn
que representa un plano en el espacio de cantidades q1 q2 q3 , con vector normal
c=0
b=0
a=0
ax + by = d
(z libre)
ax + cz = d
(y libre)
by + cz = d
(x libre)
a=b=0
cz = d
(x, y libres)
a=c=0
by = d
(x, z libres)
49
Captulo 1 El Espacio Rn
b=c=0
ax = d
(y, z libres)
Ejemplos:
1. Dibuja los siguientes planos en R3 :
a) 2x + 3y = 6
b) x + z = 1
c) z = 4
d) y = 3
50
vector normal
n = k
n =
n =
x =
x 0 + t
u + s
v,
donde s, t (, ).
51
Captulo 1 El Espacio Rn
Para pasar de la ecuacin cartesiana del plano a su ecuacin paramtrica, se
parametrizan dos de las tres variables, x, y o z, como se muestra a continuacin.
Ejemplo:
Encuentra la ecuacin paramtrica del plano x + 2y z = 3 en R3 .
x
3
2
1
y = 0 +t 1 +s 0 ,
t, s R,
z
0
0
1
que es de la forma
u + s
v , con
x =
x 0 + t
x 0 = 3,
u = 2 + y
v = + k.
n = + 2
k del plano x + 2y z = 3.
Hiperplanos
La forma
n (
x
x 0 ) = 0 para la ecuacin del plano no se limita al espacio
3
tridimensional R , sino que es vlida para espacios Rm de dimensin mayor
(m > 3). En este caso, al plano se le denomina hiperplano.
n (
x
x 0 ) = 0.
52
o bien
p
x = I,
V (
x 0 ) con centro en
x 0 y radio es el conjunto de todos los puntos
x Rn
V (
x )={
x Rn | ||
x
x || < } .
Ejemplos:
1. Una vecindad en R es el conjunto V (x0 ) = { x R | | x x0 | < }, que
representa un intervalo abierto en los reales, con radio y centro en x0 .
| x x0 | <
< x x0 <
x0 < x < x0 +
53
Captulo 1 El Espacio Rn
||
x
x 0 || <
(x x0 )2 + (y y0 )2 <
(x x0 )2 + (y y0 )2 < 2
||
x
x 0 || <
(x x0 )2 + (y y0 )2 + (z z0 )2 <
(x x0 )2 + (y y0 )2 + (z z0 )2 < 2
Con base en los ejemplos anteriores, es claro por qu a una vecindad tambin se
le llama bola abierta.
a)
x 0 es un punto interior de A si existe un nmero > 0 tal que la vecindad
b)
x 0 es un punto exterior de A si existe un nmero > 0 tal que la vecindad
V ( x 0 ) no contiene puntos de A.
c)
x es un punto frontera de A si para todo nmero > 0 la vecindad V (
x )
54
P I = {(x, y) R2 | x2 + y 2 < 1 }
P E = {(x, y) R2 | x2 + y 2 > 1 }
P F = {(x, y) R2 | x2 + y 2 = 1 }
Ejemplos:
1. A = R2+ = {(x, y) R2 | x 0 y y 0 }.
55
Captulo 1 El Espacio Rn
2. A = R2++ = {(x, y) R2 | x > 0 y y > 0 }.
3. A = {(x, y) R2 | xy = 0 }.
56
6. A = {x R | a < x b } .
7. A = {(x, y) R2 | a < x b } .
8. A = {(x, y) R2 | a < x b, y = 0 }.
57
Captulo 1 El Espacio Rn
Definicin. Sea A Rn . Se dice que A es un conjunto abierto si A est
V ( x ) tal que V ( x ) A.
En otras palabras, se dice que A es un conjunto abierto cuando ninguno de sus
puntos frontera pertenece a A.
Ejemplos:
1. A = {x R | 1 < x < 2 } es abierto: sus puntos frontera son x = 1 y x = 2, y
ninguno de estos pertenece a A.
58
In = I1 I2 In = {0} ,
nN
que no es un conjunto abierto (el nico elemento del conjunto es 0, que es un punto
frontera).
Definicin. Sea A Rn . Se dice que A es un conjunto cerrado si para todo
punto que no pertenece a A es posible encontrar una vecindad que no contenga
puntos de A.
59
Captulo 1 El Espacio Rn
Teorema. Un conjunto es cerrado si y slo si contiene a todos sus puntos
frontera.
Ejemplos:
1. A = {x R | 1 x 2 } es cerrado: sus puntos frontera son x = 1 y x = 2,
y ambos pertenecen a A.
60
No necesariamente un conjunto debe ser abierto o cerrado. Existen conjuntos que no son ni abiertos ni cerrados, como es el caso de
A = {(x, y) R2 | 1 x < 5 y 1 y < 3 }, ya que ste contiene algunos de sus puntos frontera (de modo que no es abierto), pero no los contiene a
todos ellos (de modo que no es cerrado).
Captulo 1 El Espacio Rn
Teorema. a) La interseccin de conjuntos cerrados es un conjunto cerrado.
b) La unin finita de conjuntos cerrados es un conjunto cerrado.
De acuerdo con el inciso b) de este teorema, slo se puede asegurar que la unin
de cerrados es un conjunto cerrado cuando el nmero de estos conjuntos es finito.
El siguiente ejemplo ilustra cmo la unin infinita de conjunto cerrados puede
resultar en un conjunto abierto. Considera el conjunto de intervalos In definidos
por
In = [n, n],
para todo n N . Es claro que cada In es un conjunto cerrado. La unin de todos
ellos es el conjunto
In = I1 I2 In = R,
nN
que es un conjunto abierto (el conjunto de los reales no contiene puntos frontera).
Ejemplos:
1. A = {(x, y) R2 |1 < x < 2 , 1 < y < 2 } es acotado: cualquier vecindad
V (0) de radio > 8 contiene totalmente los puntos de A.
62
Los ejemplos anteriores muestran que un conjunto puede, o no, ser acotado,
independientemente de si es abierto, cerrado o ninguno de estos.
63
Captulo 1 El Espacio Rn
3. A = {(x, y) R2 | 1 x 2 , 1 y 2 } es compacto, ya que es cerrado y
acotado.
de puntos
x 1,
x 2 A el segmento de recta que los une tambin est en A, es
decir, si
t
x 1 + (1 t)
x 2 A,
para todo 0 t 1.
t
x 1 + (1 t)
x2 =
x 2 + t(
x1
x 2 ),
64
x 2 y est en la direccin
x1
x 2 ; al limitar el dominio de t,
contiene al punto
Ejemplos:
1. A = {x R | 1 x 2 } es convexo.
2. A = {x R | 1 < x 2 } es convexo.
3. A = {x R | 1 x 2 } {x R | 3 x 4 } no es convexo.
4. A = {(x, y) R2 | x + y = 1 } es convexo.
65
Captulo 1 El Espacio Rn
5. A = {(x, y) R2 | x2 +y 2 1 } es convexo.
6. A = {(x, y) R2 | x2 +y 2 = 1 } no es convexo.
x ,
x P , entonces cualquier canasta intermedia
z = t
x + (1 t)
x ,
y
0 t 1, tambin dar una utilidad mayor o igual a u0 .
u(
x ) u0 y u(
x ) u0
u(z) u0
66
Sean
x = (x , y ),
x = (x , y ) A. Por lo tanto,
1
x1 + y1 = 1 y x2 + y2 = 1.
z = t
x 1 + (1 t)
Sea
x 2 , con 0 t 1, de modo que
z = t(x , y ) + (1 t)(x , y )
1
As,
z1 + z2 = tx1 + (1 t)x2 + ty1 + (1 t)y2
= t(x1 + y1 ) + (1 t)(x2 + y2 )
= t(1) + (1 t)(1) = 1,
Sean
x = (x , y ),
x = (x , y ) A. Por lo tanto,
1
a x1 b y a x2 b.
Sea
z = t
x 1 + (1 t)
x 2 , con 0 t 1, de modo que
z = t(x , y ) + (1 t)(x , y )
1
Captulo 1 El Espacio Rn
Sumando ambas expresiones tenemos
es decir,
y, por lo tanto,
a tx1 + (1 t)x2 b,
a z1 b.
x,
x A B. Por lo tanto,
x,
x Ay
x ,
x B. Sea
z = t
x + (1 t)
x ,
z = t
x + (1 t)
x A.
Como B es convexo y
x ,
x B, por lo tanto
x
Por lo tanto,
z = t
x + (1 t)
x B.
z A B,
Captulo 2
Funciones de varias variables
En este captulo extenderemos la definicin de funcin al caso de varias
variables, presentando diversos conceptos relacionados, tales como el de
conjuntos de nivel de la funcin. Posteriormente, presentaremos algunas
superficies cuadrticas de inters. Concluiremos estudiando los conceptos de
lmite y continuidad.
Df =
(x, y) R2 x2 + y 2 < 9
Como f slo puede tomar valores negativos y no mayores que 1/3, entonces
su imagen If es el conjunto
If = { z R | z 1/3 } .
3. Sea z = f (x, y), con f (x, y) = ln(x + y) una funcin en R3 . En este caso,
Df =
(x, y) R2 | x + y > 0
If = { z R } = R.
4. Sea w = f (x, y, z), con f (x, y, z) =
x ln z
una funcin en R4 . En este caso,
y
Df =
(x, y, z) R3 | y = 0, z > 0
If = { w R } = R.
5. Sea w = f (x, y, z), con f (x, y, z) = 1
este caso,
1 x2 y 2 una funcin en R4 . En
Df =
(x, y, z) R3 x2 + y 2 1
If = { w R | 0 w 1 } .
En economa hay varios ejemplos de funciones, como las que se presentan a
continuacin.
70
Ejemplos:
1. La ecuacin 2x + 3y + 6z = 12 puede pensarse como una funcin lineal
1
1
f : R2 R, dada por z = f (x, y) = 2 x y, cuya grfica corresponde a
3
2
un plano en R3 .
Df =
(x, y) R2 = R2
If = { z R } = R.
71
72
2
2
x + y = c, con centro en el origen y radio c, c 0.
73
74
(x, y, z) R3 | ax + by + cz = d
76
(x, y, z) R3 (x x0 )2 + (y y0 )2 + (z z0 )2 = r2
C) Cilindros
Definicin. Sea C una curva plana y sea L una recta que no est en el plano de
C. Un cilindro es la superficie formada por el conjunto de todas las rectas paralelas
a L que cortan a C. A C se le llama la curva generatriz, o directriz, del cilindro y a
las rectas paralelas se les llama rectas generatrices. Un cilindro recto es aquel tal
que L es perpendicular al plano de C.
2. Esboza la grfica de z = y 2 en R3 .
Como en esta ecuacin no aparece la variable x, se trata de una superficie en
donde esa variable es libre. La ecuacin representa un cilindro parablico que
se extiende a lo largo del eje x, cuya curva generatriz C es la parbola z = y 2 .
78
Elipses
a2
K2
1 2
c
y2
+
b2
K2
1 2
c
=1
2. Paraboloide elptico:
z
x2 y 2
= 2 + 2.
c
a
b
Traza xy: El origen
Traza xz: Parbola z =
c
a2
c
Traza yz: Parbola z = 2
b
x2
y2
x2
K
a2
c
y2
K
b2
c
=1
x
y2 z 2
= 2 + 2 (simetra
a
b
c
y
x2 z 2
= 2 + 2 (simetra con respecto al eje y).
b
a
c
80
Elipses
a2
K2
1+ 2
c
y2
+
b2
K2
1+ 2
c
=1
z 2 y 2 x2
x2 z 2 y 2
+
=
1
y
+
2 = 1.
c2
b2
a2
a2 c2
b
x2
K2
1
c2
+
b2
y2
K2
1
c2
=1
x2 y 2 z 2
y 2 x2 z 2
=
1
y
2 2 = 1.
a2
b2
c2
b2
a
c
81
x
y
=
b
a
c
a2
x2
c
b2
y2
x2
K
a2
c
y2
K
b2
c
=1
x
y2 z 2 y
x2 z 2
= 2 2 y = 2 2.
a
b
c
b
a
c
6. Cono elptico:
z2
x2 y 2
+ 2 = 2
a2
b
c
Traza xy: El origen
c
Traza xz: Rectas z =
x
a
c
Traza yz: Rectas z =
y
b
Curvas de nivel (z = K):
Elipses
a2
x2
K2
c2
+
b2
y2
K2
c2
=1
y2 z2
x2 x2 z 2
y2
+
=
y
+
=
.
b2
c2
a2 a2
c2
b2
82
f (x, y) = L.
(x,y)(x0 ,y0 )
cuando
x tiende a
x 0 , y se escribe
lm f (
x ) = L,
x
x0
si para cada nmero > 0 existe un correspondiente nmero () > 0 tal que para
todo x en el dominio de f
0 < ||
x
x 0 || <
83
|f(
x ) L| < .
frontera
x 0 que no estn en el dominio, siempre y cuando los puntos
x s lo estn.
Ejemplos:
1. Demuestra formalmente que
lm
x = 0.
(x,y)(0,0)
0<
x0 <
|x0| < ,
es decir,
0<
x2 + y 2 <
|x| = x2
por lo que simplemente puedes tomar
|x| < .
x2 + y 2 < ,
() = .
2. Demuestra formalmente que
x2
lm
= 0.
x2 + y 2
(x,y)(0,0)
0<
x0 <
x2
x2 + y 2
es decir,
0<
x2 + y 2 <
0 < ,
x2
x2 + y 2
< .
x2
x2 + y 2
x2 + y 2
x2 + y 2
84
x2 + y 2 < ,
0<
x0 <
2x2 y
0 < ,
x2 + y 2
es decir,
0<
x2 + y 2 <
2x2 y
< .
x2 + y 2
Como
por lo tanto,
y2
0 |y| =
x2 + y 2 < ,
2x2 y
2x2 y
= 2 |y| < 2.
x2 + y 2
x2
De esta manera, puedes tomar
() = .
2
Propiedades de los lmites
lm f(
x ) = L1 y
lm g(
x ) = L2 , entonces
Si
xx0
xx0
1. Regla de la suma:
lm [f (
x ) + g(
x )] = L1 + L2
xx0
lm [k f(
x )] = kL1 , k R
xx0
lm [f (
x )g(
x )] = L1 L2
xx0
f (
x)
L1
l
m
=
, L2 = 0
L2
x x 0 g( x )
5. Regla de la potencia:
m/n
lm [f (
x )]
= [L1 ]m/n , m, n Z, n = 0, si [L1 ]m/n R
xx0
85
lm
(x,y)(1,3)
lm
(x,y)(3,4)
lm
(x,y)(1,0)
(2x + y) = 2(1) + 3 = 1.
x2 + y 2 =
32 + 42 = 5.
x2 3xy
10
=
= 1.
2
3
xy 2x + x
02+1
x+ y
x2 xy
(x2 xy)
4.
lm
= lm
(x,y)(0,0)
x y (x,y)(0,0)
x y
x+ y
x (x y) x + y
= lm
= lm
x x+ y
(x,y)(0,0)
(x,y)(0,0)
(x y)
= 0.
Si una funcin f (
x ) tiene lmites diferentes a lo largo de dos trayectorias
x tiende a
x 0 , entonces el lmite
lm
f (
x ) no existe.
distintas a medida que
xx0
xx
0
xx0
86
Ejemplos:
x2 3y 2
en el punto (0, 0).
x2 + 2y 2
i) Tomando el lmite a lo largo del eje x (y = 0):
lm
(x,y)(0,0)
f (x, y) = lm f (x, 0)
x0
x2 0
x0 x2 + 0
= lm 1 = 1.
= lm
x0
lm
(x,y)(0,0)
f (x, y) = lm f(0, y)
y0
0 3y 2
y0 0 + 2y 2
3
3
= .
= lm
y0
2
2
= lm
lm
(x,y)(0,0)
x2 3y 2
.
x2 + 2y 2
lm
(x,y)(0,0)
f (x, 0) = 0 y
lm
(x,y)(0,0)
x2
f(0, y) = 0.
lm
(x,y)(0,0)
x(mx)
+ (mx)2
m
= lm
x0 1 + m2
m
=
= 0.
1 + m2
= lm
x0 x2
lm
(x,y)(0,0) x2
xy
.
+ y2
x3 y
en el punto (0, 0).
x6 + y 2
i) Tomando el lmite a lo largo de los ejes coordenados:
lm
(x,y)(0,0)
f(x, 0) = 0 y
lm
(x,y)(0,0)
f (0, y) = 0.
88
lm
(x,y)(0,0)
x3 (mx)
x0 x6 + (mx)2
mx2
= lm 4
= 0.
x0 x + m2
= lm
lm
(x,y)(0,0)
x3 (kx2 )
x0 x6 + (kx2 )2
kx
= lm 2
= 0.
x0 x + k 2
= lm
lm
(x,y)(0,0)
f (x, y) = lm f (x, x3 )
x0
x3 (x3 )
= lm 6
x0 x + (x3 )2
= lm
=
= 0.
2
x0 1 +
1 + 2
Como el lmite es distinto para cada , no existe
lm
(x,y)(0,0)
x3 y
.
x6 + y 2
1. f est definida en x 0 ,
2. lm f (
x ) existe,
x
x0
3.
lm f (
x ) = f (
x 0 ).
xx0
lm
(x,y)(2,1)
0,
(x, y) = (0, 0).
La funcin es continua en cada punto (x, y) = (0, 0), ya que sus valores estn
dados por una funcin racional de x y y. Sin embargo, como ya mostramos en
un ejercicio anterior, la funcin no tiene lmite en el origen. Por lo tanto, la
funcin es continua en cada punto, excepto en el origen.
90
Captulo 3
Diferenciacin
En este captulo extendemos el concepto de diferenciacin para el caso de
funciones de varias variables.
f (x0 + h, y0 ) f(x0 , y0 )
,
h0
h
= fx (x0 , y0 ) = lm
(x0 ,y0 )
f (x0 , y0 + k) f (x0 , y0 )
.
k0
k
= fy (x0 , y0 ) = lm
(x0 ,y0 )
91
Captulo 3 Diferenciacin
Las derivadas parciales fx y fy dan la razn de cambio instantnea de la
funcin f (x, y) en el punto (x0 , y0 ), en las direcciones de los vectores base y ,
respectivamente. En otras palabras, la derivada parcial fx es la pendiente de la recta
tangente a la curva z = f (x, y0 ) en el punto P (x0 , y0 , f (x0 , y0 )) del plano y = y0 .
Asimismo, la derivada parcial fy es la pendiente de la recta tangente a la curva
z = f(x0 , y) en el punto P (x0 , y0 , f (x0 , y0 )) del plano x = x0 .
A partir de la definicin, a continuacin determinamos la derivada parcial fx de
la funcin f(x, y) = x2 y 3 :
x2 y 3
(x + h)2 y 3 x2 y 3
= lm
h0
x
h
3
2xhy + h2 y 3
= lm
h0
h
= lm 2xy 3 + hy 3
h0
= 2xy 3 .
Nota que este resultado es equivalente a obtener directamente la derivada de f con
respecto a x, como si y estuviera fija:
x2 y 3
x2
= y3
= y 3 (2x) = 2xy 3 .
x
x
Es posible demostrar que esto es vlido en general, es decir, para determinar la
derivada parcial fx de una funcin z = f(x, y) simplemente se toma la derivada
de f con respecto a x, manteniendo fijo el valor de y. Similarmente, para obtener
la derivada parcial fy de la funcin, se toma la derivada de f con respecto a y,
manteniendo fijo el valor de x.
Ejemplos:
2y 2
. Determina las derivadas parciales fx y fy .
x
Las derivadas parciales fx y fy estn dadas por
1. Sea f (x, y) = x3 y +
fx =
fy =
2y 2
x3 y +
x
x
x3 y +
2y 2
x
=y
x3 + 2y 2
x
x
= x3
(y) +
y
92
1
x
1
x
= 3x2 y
2y 2
,
x2
4y
2y 2 = x3 + .
y
x
zx =
[x sen(xy)]
sen(xy)
x
=x
+
sen(xy)
y
y
y
= x (cos(xy) x) + 0 sen(xy) = x2 cos(xy).
zy =
z
y
(2,1)
= 2y|(2,1) = 2.
ux1 =
ux2
L1/2 K 1/2
1
1
= L1/2 K 1/2 =
L
2
2
K
L
1/2
1/2
L1/2 K 1/2
1 1/2 1/2 1 L
PK =
= L K
=
.
K
2
2 K
c1 1
6. Para la funcin de utilidad u(c, ) =
determina uc y u .
1
93
Captulo 3 Diferenciacin
c1 1
= c ,
c
1
c1 1
(1 ) c1 ln c + (c1 1)
=
=
1
(1 )2
uc =
u
K
1
=
(1 L + 2 K )(1/)1 2 K 1
= 2 K 1 (1 L + 2 K )
1
1
=
(1 L + 2 K )(1/)1 (L )
1
L
=
(1 L + 2 K )
1
ln(1 L + 2 K ),
de modo que
1 P
P
1 (1 L + 2 K )/
1
ln(1 L + 2 K )
(1 L + 2 K )
2
1 1 L ln L + 2 K ln K
1
=
2 ln(1 L + 2 K ),
(1 L + 2 K )
94
1 1 L ln L + 2 K ln K
1
2 ln(1 L + 2 K )
(1 L + 2 K )
1 1 L ln L + 2 K ln K
1
= (1 L + 2 K )1/
2 ln(1 L + 2 K ) .
(1 L + 2 K )
= P
f
x
2f
,
x2
fxy =
f
x
2f
,
yx
f
2f
f
2f
,
fyy =
=
= 2.
x y
xy
y y
y
Asimismo, hay 8 posibles derivadas parciales de orden 3, del tipo
fyx =
fxxx =
f
x
3f
, fxxy =
3
x
y
f
x
3f
, etc...
yx2
2x
z
= 2
,
x
x + y2
2z 2z
+
= 0.
x2 y 2
z
2y
= 2
,
y
x + y2
por lo tanto
2z
=
x2
x
2z
=
2
y
y
As,
z
x
z
y
2x
x x2 + y 2
2y
=
2
y x + y 2
=
2(y 2 x2 )
(x2 + y 2 )2
2(x2 y 2 )
=
.
(x2 + y 2 )2
=
2z 2z
2(y 2 x2 ) 2(x2 y 2 )
+
=
+
= 0.
x2 y 2
(x2 + y 2 )2
(x2 + y 2 )2
95
Captulo 3 Diferenciacin
2. Encuentra todas las derivadas parciales de segundo orden de h(r, ) = r3 e/2 .
Como
hr (r, ) = 3r2 e/2
1
h (r, ) = r3 e/2 ,
2
por lo tanto,
(hr ) = 6re/2
r
3
hr (r, ) =
(hr ) = r2 e/2
3
hr (r, ) =
(h ) = r2 e/2
r
2
1 3 /2
(h ) = r e
h (r, ) =
.
4
hrr (r, ) =
Como
fx (x, y) = y
1
x
y
x
fy (x, y) = (ln x ln y) + y
1
y
= ln x ln y 1,
por lo tanto,
y
(fx ) = 2
x
x
1
fxy (x, y) =
(fx ) =
y
x
1
fyx (x, y) =
(fy ) =
x
x
1
(fy ) = .
fyy (x, y) =
y
y
Observamos que en los ejemplos 2 y 3 las derivadas mixtas son iguales
(hr = hr y fxy = fyx ). Es ste un resultado general? El siguiente teorema
establece bajo qu condiciones se cumple esto.
fxx (x, y) =
96
x
.
y
S(x, y)
.
(x,y)(0,0)
xy
Como S es simtrica en x y y, de forma similar se demuestra que fyx (x0 , y0 )
est dada por la misma frmula lmite, lo que prueba el resultado.
fxy (x0 , y0 ) =
lm
Este teorema se atribuye a diversos autores, tales como Euler, Young, Clairaut, Schwarz.
97
Captulo 3 Diferenciacin
Ejemplo:
2
,
(x, y) = (0, 0)
x2 +y2
f (x, y) =
0,
(x, y) = (0, 0).
Es fcil demostrar que las segundas derivadas mixtas fxy y fyx son iguales en
todos los puntos del dominio, excepto en el origen. En este ltimo punto, se tiene
fxy (0, 0) = 1, mientras que fyx (0, 0) = 1.
f (x0 + x)
= f (x0 ) + f (x0 ) x.
El trmino del lado derecho de esta expresin se conoce como la linealizacin
L(x) de f en x0 ,
L(x) = f (x0 ) + f (x0 ) x.
La ecuacin
y = L(x) = f(x0 ) + f (x0 ) x
es una ecuacin lineal de la forma y = y0 + m(x x0 ), con y0 = f (x0 ) y
m = f (x0 ), y representa la ecuacin de la recta tangente a la curva y = f (x) en
el punto (x0 , f (x0 )) de esa curva.
Concluimos que una funcin f (x) es diferenciable en un punto si existe una recta
tangente a la curva y = f (x) en ese punto.
Ejemplo:
Analiza la diferenciabilidad de la funcin f (x) = ln(1 + x) en el punto x = 0.
La linealizacin L(x) de la funcin f (x) = ln(1 + x) en x = 0 est dada por
L(x) = f (0) + f (0)(x 0) = ln(1 + 0) +
99
1
(x 0) = x,
1+0
Captulo 3 Diferenciacin
de donde
ln(1 + x) x, cuando x 0.
As, f es diferenciable en x = 0, ya que posee una recta tangente en el punto
(0, 0) dada por y = x.
100
Captulo 3 Diferenciacin
Encontremos la linealizacin L(x, y) de la funcin f en (x, y) = (3, 2). Como
1
f (x, y) = x2 xy + y 2 + 3, fx (x, y) = 2x y, fy (x, y) = x + y,
2
por lo tanto f (3, 2) = 8, fx (3, 2) = 4, fy (3, 2) = 1, de modo que,
z = L(x, y) = f(3, 2) + fx (3, 2)(x 3) + fy (3, 2)(y 2)
= 8 + 4(x 3) 1(y 2) = 4x y 2.
As, f es diferenciable en (3, 2), ya que posee un plano tangente en el punto
(3, 2, 8), dado por su linealizacin, z = 4x y 2.
Por ltimo, para valores muy pequeos de x y y los incrementos se
convierten en diferenciales, x dx, y dy, z dz, de modo que
el resultado z
= fx (x0 , y0 )x + fy (x0 , y0 )y conduce a la expresin
dz = fx (x0 , y0 )dx + fy (x0 , y0 )dy,conocida como la diferencial total.
Definicin. La diferencial total dz de una funcin diferenciable z = f (x, y) en
un punto interior (x0 , y0 ) de su dominio est dada por
dz = fx (x0 , y0 )dx + fy (x0 , y0 )dy.
La diferencial total puede utilizarse para aproximar el cambio en el valor de f
cuando el punto (x0 , y0 ) cambia a un valor cercano (x0 + x, y0 + y), mediante
z fx (x0 , y0 )x + fy (x0 , y0 )y.
Ejemplos:
1. Sea z = f(x, y), con f (x, y) = x2 e3y . Encuentra la diferencial total dz en el
punto (1, 0). Utiliza sta para estimar el cambio en z cuando x disminuye, de
x = 1 a x = 0.99, y y se incrementa, de y = 0 a y = 0.02.
Como
fx (x, y) = 2xe3y y fy (x, y) = 3x2 e3y ,
por lo tanto, fx (1, 0) = 2 y fy (1, 0) = 3. De este modo, la diferencial total de f
est dada por
dz = 2dx + 3dy.
En el punto inicial la funcin tiene un valor z = f(1, 0) = 1. Al disminuir x en
x = 0.99 1 = 0.01 y al incrementarse y en y = 0.02 0 = 0.02, la
funcin cambia aproximadamente en
z 2 x + 3 y = 2(0.01) + 3(0.02) = 0.04.
102
K
L
3/4
y PK (L, K) = 3
L
K
1/4
Captulo 3 Diferenciacin
A) Sea z = f (x, y), con x = g(t), y = h(t).
dz
f dg f dh
=
+
dt
x dt
y dt
dz
f dx
f dy
=
+
, se denomina la
dt
x dt
y dt
derivada total de z con respecto a t. Compara sta con la diferencial total
f
f
dz
dz =
dx +
dy de la seccin 3.2. Nota que la derivada total
se puede
x
y
dt
expresar como un producto de matrices, de la forma
Esta expresin, o equivalentemente
dz
=
dt
f
x
f
y
dg
dt
.
dh
dt
dz
f dg f dh f
=
+
+
dt
x dt
y dt
t
o bien
dz
=
dt
f
x
f
y
f
t
dg
dt
dh
dt
1
104
f g f h
z
=
+
t
x t
y t
z
f g f h
=
+
s
x s y s
o bien
z
t
z
s
f
x
f
y
g
t
h
t
g
s
h
s
z
f dg f h
=
+
t
x dt
y t
z
f h
=
s
y s
o bien
z
t
z
s
f
x
f
y
dg
dt
h
t
0
h
s
z
df g
=
t
dx t
z
df g
=
s
dx s
o bien
z
t
z
s
df
dx
g
t
g
s
105
Captulo 3 Diferenciacin
F) Sea z = f (x, t), con x = g(t, s).
f g f
z
=
+
t
x t
t
f g
z
=
s
x s
o bien
z
t
z
s
f
x
f
t
g
t
1
g
s
0
xM
xM E
xc
=
+
,
px
px
I px
que es conocida como la ecuacin de Slutsky.
que define implcitamente a y como funcin de x. Para ello, derivas ambos lados
respecto a x, obteniendo
x exy x
dy
dy
+ y 1 + exy 1 +
=0
dx
dx
dy
x2 exy + 1 = xyexy exy
dx
dy
xyexy + exy
= 2 xy
.
dx
x e +1
107
Captulo 3 Diferenciacin
En el caso de una ecuacin implcita de la forma F (x, y, z) = 0, para obtener
las derivadas parciales z/x y z/y puedes seguir un procedimiento similar al
anterior Por ejemplo, consideremos la ecuacin
yz ln z = x + y,
z
z(1 z)
=
.
y
yz 1
A continuacin presentamos una tcnica alternativa para obtener estas derivadas
parciales, de una manera ms simple, utilizando la regla de la cadena.
Caso 1. Queremos encontrar la derivada dy/dx, suponiendo que la ecuacin
F (x, y) = 0 define a y como una funcin implcita, diferenciable, de x. Para ello,
vamos a suponer que F (x, y) = 0 es la curva de nivel z = 0 de una funcin
z = F (x, y) en R3 . As,
z = F (x, y) = 0
dz
F
F dy
=
+
=0
dx
x
y dx
dy
Fx + Fy
=0
dx
dy
Fx
= .
dx
Fy
dy
en el punto P 1/ 2,1/ 2 es
dx
1/ 2
dy
= = 1.
dx P
1/ 2
Notamos que en los puntos con y = 0 la derivada se indetermina, de modo que
ah y no es funcin diferenciable de x.
As, por ejemplo, la derivada
Captulo 3 Diferenciacin
Sea F (L, K) = P (L, K) Q0 . La relacin F (L, K) = P (L, K) Q0 = 0
define a K como una funcin diferenciable de L, si FK = PK = 0. En ese caso,
dK
FL
PL
=
=
.
dL
FK
PK
w
F
F z
z
=
+
= Fx + Fz
=0
x
x
z x
x
w
F
F z
z
=
+
= Fy + Fz
=0
y
y
z y
y
z
Fx
= ,
x
Fz
z
Fy
= .
y
Fz
z
Fy
= ,
y
Fz
1
y 1/z
z
z1
Fy
=
=
y
Fz
y 1/z
=
=
z
,
yz 1
z(1 z)
.
yz 1
por lo tanto
3xzeyz exz
z
Fy
=
=
,
y
Fz
xy (3eyz exz )
z
x
3
y
4
z
y
1
= .
4
Captulo 3 Diferenciacin
Podemos escribir la condicin de equilibrio como D(p, w) S(p, t) = 0,
de modo que definimos F (p, w, t) = D(p, w) S(p, t). As, la relacin
D(p, w) S(p, t) = 0 define a p como una funcin diferenciable de las variables
w y t, en los puntos tales que Fp (p, w, t) = Dp (p, w) Sp (p, t) = 0, es decir, en
todos los puntos en donde Dp (p, w) = Sp (p, t). En ese caso,
Fw
Dw
Dw
p
=
=
> 0,
=
w
Fp
Dp Sp
Sp Dp
p
Ft
(St )
St
=
=
> 0.
=
t
Fp
Dp Sp
Dp Sp
Es interesante notar cmo hemos podido deducir este resultado general, aun sin
conocer la forma explcita de las funciones de demanda y de oferta.
i = 1, 2, . . . , n,
3.5
s R.
df
ds
= lm
u
,P0
Captulo 3 Diferenciacin
con x = x(s) = x0 + u1 s y y = y(s) = y0 + u2 s se tiene
(Du f )P0 =
=
=
df
ds
=
u
,P0
f
x
f
x
u1 +
P0
f
x
+
P0
P0
dx
+
ds
f
y
P0
f
y
P0
f
y
P0
dy
,
ds
u2
(u1 + u2 ) .
f (x, y)
f(x, y)
+
.
x
y
f
x
(Df)P0 =
P0
114
f
y
.
P0
3.5
Ejemplos:
1. Calcula el vector gradiente de la funcin f (x, y) = xey en el punto P0 (3, 0).
Como fx (x, y) = ey y fy (x, y) = xey , por lo tanto el vector gradiente f en
cada punto (x, y) est dado por
f(x, y) = ey + xey .
De esta manera, el vector gradiente de f en el punto P0 (3, 0) es
f (3, 0) = + 3
.
2. Calcula la derivada direccional de f (x, y) = xey en el punto P0 (3, 0), en la
115
Captulo 3 Diferenciacin
Demostracin:
Supongamos que cada curva de nivel f (x, y) = c0 de la funcin f puede
escribirse en forma paramtrica como
+
=0
x dt
y dt
f
f
dg
dh
+
+ = 0
x
y
dt
dt
es decir,
dr
= 0.
dt
De esta manera, el gradiente f en cada punto r es perpendicular al vector dr/dt,
que es tangente a la curva de nivel en ese punto. En otras palabras, el gradiente
f(x0 , y0 ) es un vector perpendicular a la curva de nivel de f que contiene a P .
f
116
3.5
Ejemplo:
Encuentra un vector perpendicular a la curva de
nivelz = 1 de la funcin
2
2
f (x, y) = x + y en los puntos P (1, 0), Q(1/ 2, 1/ 2) y R(0, 1).
El gradiente de la funcin en cada punto de su dominio es el vector
f (x, y) = 2x + 2y .
2
2
f |Q = + ,
2
2
f |R = 2 .
Captulo 3 Diferenciacin
De lo anterior se desprende que
||f || Du f ||f|| .
De esta manera, el valor mximo de Du f est dado por ||f||, y ste se alcanza
cuando u apunta en la misma direccin y sentido ( = 0) que el gradiente f.
Ejemplos:
1. Encuentra la direccin en la que la funcin f(x, y) = xey , en el punto P (3, 0):
i) crece ms rpidamente, ii) decrece ms rpidamente.
i) En el punto P (3, 0) la funcin crece ms rpidamente en la direccin del
vector f (3, 0) = + 3
, que est dada por u = 110 + 310 .
ii) En el punto P (3, 0) la funcin decrece ms rpidamente en la direccin del
vector f(3, 0) = 3
, que est dada por
u = 110 310 .
118
3.5
2
2
1
1
u = = .
8
8
2
2
2
2
Como P (1, 1) est en la curva de nivel x + y = 2 de la funcin
(correspondiente a z = 0), el resultado anterior muestra que en ese punto la
funcin crece ms rpidamente en la direccin perpendicular hacia adentro.
2
2
1
1
u = + = + .
8
8
2
2
2
2
Como P (1, 1) est en la curva de nivel x + y = 2 de la funcin
(correspondiente a z = 2), el resultado anterior muestra que en ese punto la
funcin crece ms rpidamente en la direccin perpendicular hacia afuera.
119
Captulo 3 Diferenciacin
4. Encuentra la direccin de mximo crecimiento de una funcin de utilidad de la
forma u(x, y) = x1/2 y 1/2 , x, y > 0, en cada punto de sus curvas de indiferencia.
Ilustra tu resultado.
Para cada canasta (x, y), el gradiente de la funcin u est dado por el vector
1/2
1 y 1/2
1 x
+
,
2 x
2 y
cuyas componentes son ambas positivas. As, para cada curva de indiferencia
x1/2 y 1/2 = u0 el vector gradiente u en cada punto apunta en la direccin
perpendicular mostrada en la figura.
u(x, y) =
z = f (x, y).
120
3.5
121
Captulo 3 Diferenciacin
Nota que la ecuacin del plano tangente en el inciso i) puede tambin escribirse
como
z = z0 + fx (x0 , y0 )(x x0 ) + fy (x0 , y0 )(y y0 )
o, equivalentemente, como
z = f(x0 , y0 ) + fx (x0 , y0 )(x x0 ) + fy (x0 , y0 )(y y0 ),
t R.
Para finalizar esta seccin, cabe sealar que un razonamiento anlogo a este
ltimo puede aplicarse para encontrar las ecuaciones de la recta tangente y la recta
normal a una curva en R2 , as como las del hiperplano tangente y la recta normal a
una hipersuperficie en Rn+1 , con n 3.
122
R+ .
x3
es homognea de grado 1, ya que
xy + y 2
(x)3
3 x3
x3
=
=
= f (x, y).
xy + y 2
2 xy + 2 y 2
(x) (y) + (y)2
x3
no es homognea, ya que
xy + y
(x)3
3 x 3
= 2
= k f (x, y).
(x) (y) + (y)
xy + y
Captulo 3 Diferenciacin
10. El logaritmo de una funcin de produccin (utilidad) tipo Cobb-Douglas, a
saber, f (x, y) = ln x y = ln x + ln y, no es una funcin homognea, ya
que
!
f (x, y) = ln (x) (y) = ( + ) ln + ( ln x + ln y) = k f (x, y).
Para entender el significado de la homogeneidad de una funcin, supongamos
que f (x, y) es la funcin de produccin correspondiente a los insumos (x, y), y
preguntmonos cul sera la nueva produccin si ambos insumos se duplicaran, es
decir si fueran (2x, 2y). En ese caso:
i) Si f fuera homognea de grado 1, entonces f(2x, 2y) = 21 f(x, y) = 2f (x, y),
es decir, la nueva produccin sera el doble de la original.
ii) Si f fuera homognea de grado 2, entonces f(2x, 2y) = 22 f(x, y) = 4f (x, y),
es decir, la nueva produccin sera cuatro veces la original.
iii) Si f fuera homognea de grado 0, entonces f(2x, 2y) = 20 f (x, y) = f (x, y),
es decir, la nueva produccin sera igual a la original.
iv) Si f fuera homognea de grado 1, entonces f (2x, 2y) = 21 f (x, y) =
es decir, la nueva produccin sera la mitad de la original.
1
f(x, y),
2
L1/4 K 3/4
q=
=
L
K
L
3/4
= k 3/4 .
f (
x ) = f (
x ) f(
x ) = f(
x ).
1
x 1 = (x1 , y1 ) y
x 2 = (x2 , y2 ), es decir,
u(x1 , y1 ) = u(x2 , y2 ),
entonces le seguir siendo indiferente si en cualquiera de estas canastas los dos
bienes se aumentan en la misma proporcin, es decir,
u(x1 , y1 ) = u(x2 , y2 ).
En otras palabras, una funcin de utilidad homottica preserva las preferencias de
un consumidor.
125
Captulo 3 Diferenciacin
Teorema. Toda funcin homognea es homottica.
Demostracin:
Sea f homognea de grado k, y sean x y y tales que f (x) = f (y). Entonces
f (x) = k f (x) = k f (y) = f(y),
y por lo tanto f es homottica.
Es importante sealar que no toda funcin homottica es homognea. Por
ejemplo, dada una funcin homognea u (por ejemplo, la funcin de utilidad) su
logaritmo natural ln u no es una funcin homognea, pero es fcil demostrar que s
es una funcin homottica. La razn de ello ser evidente a la luz de las siguientes
consideraciones.
Definicin. Se dice que F (x) es una transformacin monotnica creciente de
una funcin homognea f(x), si existe una funcin creciente, H, tal que
F (x) = H(f (x)).
Los resultados anteriores son vlidos para funciones en general, aunque stas no
sean diferenciables. En el caso particular de funciones homogneas diferenciables,
existen teoremas adicionales, que son de gran inters y utilidad en economa, como
se muestra a continuacin.
Teorema. Las primeras derivadas parciales f/x1 , . . . , f /xn de una
funcin homognea, diferenciable, f (x1 , . . . , xn ) de grado k, son homogneas de
grado k 1.
Demostracin:
Sea f (x1 , . . . , xn ) una funcin homognea de grado k. Por lo tanto, para todo
> 0,
f (x1 , x2 , . . . , xn ) = k f (x1 , x2 , . . . , xn ).
Derivando con respecto a xi ambos lados de la igualdad, i = 1, . . . , n, se tiene
f (x1 , x2 , . . . , xn ) =
f (x1 , x2 , . . . , xn )
xi
(xi )
= k
f (x1 , x2 , . . . , xn ),
xi
de modo que
f (x1 , x2 , . . . , xn ) = k1
f(x1 , x2 , . . . , xn ).
(xi )
xi
127
Captulo 3 Diferenciacin
Por lo tanto, cada derivada parcial f/xi es homognea de grado k 1.
Ejemplo:
Sea P (L, K) una funcin de produccin homognea de grado 1. Si se sabe
que P (150, 50) = 550, PL (150, 50) = 3 y PK (150, 50) = 2, calcula P (30, 10),
PL (30, 10) y PK (30, 10).
Como la produccin P es una funcin homognea de grado 1, por lo tanto
P (30, 10) = P
1
1
(150), (50)
5
5
1
5
1
P (150, 50) = (550) = 110.
5
1
5
PK (30, 10) = PK
=
1
5
1
1
(150), (50)
5
5
0
1
1
(150), (50)
5
5
0
Una consecuencia del teorema anterior es que las curvas de nivel de una funcin
homognea tienen la misma pendiente a lo largo de puntos que se encuentran en
rectas que pasan por el origen. Es decir, si f (x, y) = c representa una curva de
nivel de una funcin homognea z = f (x, y), entonces
dy
dx
=
(x,y)
128
dy
dx
.
(x,y)
(x,y)
fx (x, y)
k1 fx (x, y)
dy
fx (x, y)
= k1
=
=
fy (x, y)
fy (x, y)
dx
fy (x, y)
.
(x,y)
Captulo 3 Diferenciacin
Como (xi )/ = xi , para todo i = 1, . . . , n, por lo tanto
x1
f
f
+ + xn
= kk1 f.
(x1 )
(xn )
f
f
+y
= x x1 y + y x y 1 = ( + )x y = ( + )f.
x
y
130
Captulo 4
Funciones cncavas y cuasicncavas
4.1 Polinomio de Taylor de orden 2. Matriz hessiana
El objetivo de esta seccin es introducir el concepto de matriz hessiana, que
es una matriz de segundas derivadas parciales que se utiliza para establecer
la concavidad o convexidad de funciones diferenciables en varias variables.
A continuacin se motiva su definicin a partir de lo que se conoce como
aproximacin cuadrtica, o polinomio de Taylor de orden 2.
Comencemos con el caso de una funcin diferenciable en una variable,
f : S R, con S R un intervalo abierto. Como f es diferenciable en S,
existe una recta tangente a la curva y = f (x) en cada punto a S, dada por
y = f (a) + f (a)(x a).
Esto significa que para valores de x cercanos a a podemos aproximar la
funcin f por su linealizacin L, dada por
131
P2 (a) = f (a) y
P2 (a) = f (a).
1
P2 (x) = f (1) + f (1)(x 1) + f (1)(x 1)2 .
2
132
1
1
f (1) = 1, f (1) = y f (1) =
,
2 1
4 (1)3/2
de modo que
1
L(x) = 1 + (x 1),
2
1
1
1
(x 1)2 .
P2 (x) = 1 + (x 1) +
2
2
4
1
x lineal 1 + (x 1),
2
1
1
x cuad 1 + (x 1) (x 1)2 .
2
8
Se tiene, entonces,
1
1.1
1 + (1.1 1) = 1.05,
2
lineal
1
1
1.1
1 + (1.1 1) (1.1 1)2 = 1.04875 .
cuad
2
8
Compara estos resultados con el valor exacto de 1.1, dado por
1.1 = 1.048808848 . . . .
133
Lx (a, b) = fx (a, b) y
1
fxx (a, b)(x a)2 + 2fxy (a, b)(x a)(y b) + fyy (a, b)(y b)2 .
2
Introduciendo la notacin x = x a, y = y b y f = f(x, y) f(a, b), se
tiene
= f (a, b) +
1
fxx (a, b) (x)2 + 2fxy (a, b)(x)(y) + fyy (a, b)(y)2 .
2
135
en donde, para simplificar la notacin, hemos omitido que las derivadas parciales
estn evaluadas en (a, b). Ahora multiplicamos ambos lados de esta ecuacin por
fxx (o bien, por fyy , si fxx = 0), obteniendo
2
2fxx f fxx
(x)2 + 2fxx fxy (x)(y) + fxx fyy (y)2 .
2
2
2
2fxx f fxx
(x)2 + 2fxx fxy (x)(y) + fxy
(y)2 + fxx fyy (y)2 fxy
(y)2
2
= [fxx (x) + fxy (y)]2 + fxx fyy fxy
(y)2 .
2
fxx fyy fxy
(y)2
[fxx (x) + fxy (y)]2
+
.
2fxx
2fxx
2
Observamos que la condicin fxx > 0 y fxx fyy fxy
> 0 en (a, b) es suficiente
para garantizar que f > 0 a partir de ese punto; siguiendo un razonamiento
anlogo al caso de una funcin de una variable, se tiene entonces que f es convexa
2
> 0 en (a, b) es
en (a, b). Similarmente, la condicin fxx < 0 y fxx fyy fxy
suficiente para garantizar que f < 0 a partir de ese punto; de este modo, f es
cncava en (a, b). Se llega entonces a las siguientes condiciones de suficiencia:
2
> 0 en (a, b) f es convexa en (a, b),
i) fxx > 0 y fxx fyy fxy
2
ii) fxx < 0 y fxx fyy fxy
> 0 en (a, b) f es cncava en (a, b).
1
fxx (a, b) fxy (a, b)
x y
fxy (a, b) fyy (a, b)
2
T
1
=
x H x ,
2
136
x
y
en donde x=
es el vector de incrementos, x
x
y
H=
fxx fxy
fxy fyy
es su transpuesta y
x 1,
es una funcin cncava si para todos
x 2 S se satisface
f (t
x + (1 t)
x ) tf (
x ) + (1 t)f (
x ),
1
137
f (t
x + (1 t)
x ) tf (
x ) + (1 t)f (
x ),
1
x 2.
es estricta, para t (0, 1) y
x1 =
Ejemplo:
Demuestra que la funcin f (x) = |x| es convexa no estricta.
Sean x1 , x2 R y sea t [0, 1]. Entonces
f (tx1 + (1 t)x2 ) =
=
=
=
|tx1 + (1 t)x2 |
|tx1 | + |(1 t)x2 |
(desigualdad del tringulo)
|t| |x1 | + |1 t| |x2 | (propiedades del valor absoluto)
t |x1 | + (1 t) |x2 |
(t 0 y 1 t 0)
tf (x1 ) + (1 t)f(x2 ).
138
139
Anlogamente, f (
x ) es una funcin convexa si y slo si su grfica nunca est por
debajo de su linealizacin L(
x ).
L(
x ) = f (
x 0 ) + f (
x 0 ) (
x
x 0) .
La ventaja de esta ltima expresin es que no est limitada a vectores en R2 , sino
que es vlida para vectores en el espacio general Rn .
Teorema. Sea S Rn un conjunto abierto y convexo, y sea f : S R, con
f C 1 (S). Entonces,
f (
x ) f (
x 0 ) + f (
x 0 ) (
x
x 0) .
f (
x ) f (
x 0 ) + f (
x 0 ) (
x
x 0) .
Ejemplos:
1. Analiza la concavidad de f (x, y) = 2x2 3y 2 en cada punto (x, y) R2 .
La matriz Hessiana de f en cada punto (x, y) es
H(x, y) =
fxx fxy
fxy fyy
4 0
0 6
2
Como fxx = 4 < 0 y |H| = fxx fyy fxy
= 24 > 0, por lo tanto f es
2
estrictamente cncava, para todos (x, y) R .
fxx fxy
fxy fyy
2 1
1 2
2
Como fxx = 2 > 0 y |H| = fxx fyy fxy
= 3 > 0, por lo tanto f es
estrictamente convexa, para todos (x, y) R2 .
fxx fxy
fxy fyy
2 0
0 2
2
Como fxx = 2 > 0 y |H| = fxx fyy fxy
= 4 < 0, por lo tanto f no es ni
2
cncava ni convexa en R .
141
fxx fxy
fxy fyy
6x 0
0 6y
2
Como fxx = 6x y |H| = fxx fyy fxy
= 36xy, se tiene que f es estrictamente
convexa en el cuadrante I (x > 0, xy > 0), estrictamente cncava en el
cuadrante III (x < 0, xy > 0), y ni cncava ni convexa en los cuadrantes II y IV.
De manera global, decimos que f no es cncava ni convexa en R2 .
Compara cuidadosamente este teorema con el anterior (nota que aqu entra en
escena el signo de fyy , la implicacin es del tipo en lugar de , y adems ya no
se trata de concavidad/convexidad estricta.
Ejemplos:
1. Analiza la concavidad de la funcin f (x, y) = y 2 .
Nota que la funcin f (x, y) = y 2 describe un cilindro parablico que corre a lo
largo del eje x, de modo que la funcin es convexa, pero no estricta, en R2 .
142
fxx fxy
fxy fyy
0 0
0 2
2
en donde fxx = 0 0, fyy = 2 0 y fxx fyy fxy
= 0 0.
fxx fxy
fxy fyy
0 0
0 0
2
ya que al ser fxx = fyy = fxx fyy fxy
= 0 entonces se cumplen las dos
condiciones del teorema anterior.
C (k) = {
x S |f (
x ) = k}.
f
CS (k) = {
x S |f (
x ) k}.
f
CI (k) = {
x S |f (
x ) k}.
f
Nota que los contornos CSf (k) y CIf (k) son subconjuntos del dominio de f y
ambas regiones contienen al contorno.Cf (k). Para determinar las regiones CSf (k)
y CIf (k) basta con resolver la desigualdad correspondiente a su definicin. Existe
una manera alternativa, que consiste en identificar solamente el contorno Cf (k)
y graficar en l el vector gradiente f, que necesariamente apuntar hacia el
contorno superior CSf (k).
144
145
(x, y) R2+ x y = 1 ,
(x, y) R2+ x y 1 ,
(x, y) R2+ x y 1 ,
146
6. Para la funcin f (x) = ln(2 x), encuentra los contornos Cf , CSf y CIf
correspondientes a k = 0.
Primero notamos que el dominio Df de la funcin f es el conjunto
En este caso, se tiene
Df = {x R | < x < 2 } .
Cf (0) = {x Df | x = 1 } = {1} ,
147
En este ejemplo es claro que tanto CSf (k) como CIf (k) son convexos para todo
k R, pero la funcin f (x) = x3 no es cncava ni es convexa en su dominio.
Una funcin como sta es un ejemplo de funcin cuasicncava y cuasiconvexa, a
la vez, como se define a continuacin.
Definicin. Sea S Rn un conjunto convexo. Se dice que una funcin
f : S R es cuasicncava, si para todo k en la imagen de f el conjunto CSf (k)
es convexo. La funcin es cuasiconvexa, si para todo k en la imagen de f el
conjunto CIf (k) es convexo.
148
Tambin observa que una funcin puede ser convexa y cuasicncava a la vez, como
es el caso de la funcin ex , que tambin es cuasiconvexa, y que todas las funciones
lineales (rectas, planos e hiperplanos) son cuasicncavas y cuasiconvexas, adems
de ser cncavas y convexas (no estrictas).
Por ltimo, nota que toda funcin cncava (convexa) es tambin cuasicncava
(cuasiconvexa), pero no viceversa.
149
Teorema
a) f cncava f cuasicncava.
b) f convexa f cuasiconvexa.
Tambin es posible demostrar que las implicaciones CSf convexo
f cuasicncava y CIf convexo f cuasiconvexa de la definicin de
cuasiconcavidad/cuasiconvexidad son ms bien del tipo . En resumen,
podemos concluir que
f cncava = f cuasicncava CSf convexo,
f convexa = f cuasiconvexa CIf convexo.
Este resultado es muy importante en economa. As, por ejemplo, si suponemos
que una funcin de utilidad u es cuasicncava, entonces el conjunto de canastas
x) k
x del espacio de bienes que producen al consumidor una utilidad u(
(o sea, CSu (k)) es convexo. De esta manera, cualquier combinacin convexa,
x 1 + (1 )
x 2 , 0 < < 1, de dos canastas
x 1,
x 2 con u k tambin genera
una utilidad mayor o igual a k.
Se puede demostrar que la convexidad del contorno superior CSu (k) garantiza que
se preserve el orden en las relaciones de preferencia del consumidor. Si CSu es
convexo, las curvas de nivel de u son funciones convexas, como en la figura de la
150
a) f (
x ) f (
x ) = f (t
x + (1 t)
x ) f (
x ).
1
b) f (t
x 1 + (1 t)
x 2 ) mn{f (
x 1 ) , f (
x 2 )}.
preferencias de un consumidor. Si u(
x ) es la utilidad correspondiente a la canasta
x de dos bienes (u crece al alejarse del origen), y si para cualesquiera dos canastas
x 1,
x 2 se cumple.u (
x 1 ) u (
x 2 ), entonces para cualquier canasta intermedia
t x 1 + (1 t) x 2 , t [0, 1] se tendr u (t
x 1 + (1 t)
x 2 ) u (
x 2 ).
0 fx fy
H = fx fxx fxy .
fy fxy fyy
> 0 f es cuasicncava,
< 0 f es cuasiconvexa.
Utilizando este resultado, es fcil verificar que las funciones tipo Cobb-Douglas,
f(x, y) = x y , , > 0, son cuasicncavas en general; de stas, slo son
cncavas las que satisfacen + 1.
153
Captulo 5
Optimizacin
En este captulo aplicaremos los resultados sobre concavidad del captulo
4 para encontrar los mximos y mnimos de una funcin f definida en un
dominio convexo S. Este dominio puede ser simplemente el dominio natural
de la funcin, o bien, la regin que resulte al imponer una coleccin de
restricciones. En el primer caso, hablaremos de problemas de optimizacin
libre, que estudiaremos en la seccin 5.1. En el segundo caso, hablaremos de
problemas de optimizacin restringida, que presentaremos en las secciones
5.2 y 5.3. Por simplicidad, gran parte de la discusin se limitar al caso de
funciones de dos variables, f (x, y).
para todo x S.
Cuando las desigualdades se cambian por > se dice que el mximo
(local o global) es estricto o nico.
x 0 S. Entonces,
Definicin. Sea f : S Rn R y sea
x S.
Cuando las desigualdades se cambian por < se dice que el mnimo (local o
global) es estricto o nico.
Nota que todo extremo global es tambin un extremo local, pero no viceversa.
No toda funcin alcanza sus valores extremos globales (mximo o mnimo)
en su dominio. Demostrar la existencia de esos extremos globables puede
resultar bastante complejo en general, especialmente si la funcin no es continua,
diferenciable, o su dominio no es convexo. El siguiente teorema establece una
condicin suficiente para garantizar su existencia.
Teorema de Weierstrass. Sea S Rn un conjunto compacto y sea f : S R.
Si f es continua en S, entonces f alcanza sus valores mximo global y mnimo
global en S.
155
Captulo 5 Optimizacin
Por ejemplo, sea S = (x1 , x2 ) R2+ | p1 x1 + p2 x2 I el conjunto de
canastas compatibles con un ingreso menor o igual a I, para dos bienes con precios
unitarios p1 , p2 . Este conjunto es cerrado y acotado, y por tanto, compacto. Si las
preferencias del consumidor estn dadas por una funcin continua u(x1 , x2 ), el
teorema garantiza la existencia de una canasta que maximiza su utilidad.
1 x < 0
x + 1,
0,
x=0
f(x) =
x 1,
0 < x 1.
En la figura se observa que esta funcin no alcanza sus valores mximo global
(fmax = 1) y mnimo global (fmn = 1) en el intervalo 1 x 1.
Para encontrar los puntos extremos locales y globales de una funcin diferenciable
es importante analizar sus propiedades de primer y segundo orden, dadas por su
gradiente y su concavidad, como se discute en las siguientes subsecciones.
5.1.1
Los puntos interiores del tipo 1 y 2 se conocen como los puntos crticos de f .
En particular, cuando el dominio S es un conjunto abierto no existen puntos
frontera, de modo que los nicos candidatos a ptimos son los puntos crticos.
Adicionalmente, si f es diferenciable los nicos puntos crticos son los del tipo 1,
que son aquellos en donde la derivada es cero, es decir, en donde la recta tangente
a la curva y = f(x) es horizontal. Nota que los puntos crticos son slo candidatos
a ptimos, ya que no todos ellos dan origen a un extremo local, como es el caso de
los puntos x4 y x6 en la figura. A continuacin presentamos la generalizacin de
estos resultados para funciones de varias variables.
Definicin. Sea f : S Rn R una funcin continua. Un punto interior
En otras palabras, los puntos crticos de una funcin continua f son aquellos
Captulo 5 Optimizacin
Teorema (condiciones necesarias para un extremo local de funciones
continuas). Sea S Rn un conjunto abierto y sea f : S R continua. Si f posee
un extremo local en
x 0 S, entonces
x 0 es un punto crtico de f.
f(
x ) > f (
x 0 ) y puntos
x V tales que f (
x ) < f (
x 0 ). En otras palabras, un
punto silla es un punto crtico que no es un punto de extremo local.
158
5.1.2
f no es cncava ni convexa en
x 0 se trata de un punto silla.
Captulo 5 Optimizacin
Teorema (condiciones suficientes de segundo orden). Sea S R2 un
2
a) fxx > 0 y fxx fyy fxy
> 0 en
x0
2
b) fxx < 0 y fxx fyy fxy > 0 en x 0
2
c) f f f < 0 en x f tiene un punto silla en x .
xx yy
xy
H(x, y) =
12 6
6 6
Como fxx = 12 > 0 y |H| = 36 > 0, por lo tanto f tiene un mnimo local
estricto en (0, 0). A su vez, para el punto (1, 1) se tiene
H(1, 1) =
0 6
6 6
Como |H| = 36 < 0, por lo tanto f tiene un punto silla en (1, 1).
160
fx (x, y) = y 2x 2 = 0,
fy (x, y) = x 2y 2 = 0.
2 1
1 2
= H(2, 2).
Como fxx = 2 < 0 y |H| = 3 > 0, por lo tanto f tiene un mximo local
estricto en (2, 2).Como veremos ms adelante, este mximo local tambin
es un mximo global de la funcin.
3. Encuentra y clasifica los puntos crticos de f(x, y) = x5 y + xy 5 + xy.
Las condiciones de primer orden para f son
fx (x, y) = 5x4 y + y 5 + y = y(5x4 + y 4 + 1) = 0,
fy (x, y) = x5 + 5xy 4 + x = x(x4 + 5y 4 + 1) = 0.
Resolviendo el sistema de ecuaciones se obtiene que el nico punto crtico es
(0, 0). El hessiano correspondiente es
H(x, y) =
20x3 y
5x4 + 5y 4 + 1
20xy 3
5x4 + 5y 4 + 1
0 1
1 0
Como |H| = 1 < 0, por lo tanto f tiene un punto silla en (0, 0).
161
Captulo 5 Optimizacin
Teorema (condiciones necesarias de segundo orden). Sea S R2 un
2
x 0,
fxx 0, fyy 0 y fxx fyy fxy
0 en
x0
b) f tiene un mximo local en
2
fxx 0, fyy 0 y fxx fyy fxy
0 en
x 0.
Ejemplo:
Encuentra y clasifica los puntos crticos de f (x, y) = y 2 .
Para la funcin f (x, y) = y 2 las condiciones de primer orden son
fx (x, y) = 0
fy (x, y) = 2y = 0,
de modo que los puntos crticos son todos los puntos del eje x, es decir,
{(x, y) R2 | y = 0 } . La siguiente figura muestra la grfica de la superficie
z = y 2 , que corresponde a un cilindro parablico que corre a lo largo del eje x. Ah
se observa que la funcin f (x, y) = y 2 alcanza su valor mnimo (no nico) a lo
largo de todos los puntos del eje x.
Este resultado es consistente con las condiciones necesarias de segundo orden para
la matriz hessiana correspondiente,
H=
0 0
0 2
2
en donde fxx = 0 0, fyy = 2 0 y fxx fyy fxy
= 0 0.
Otra dificultad surge cuando el nmero de extremos locales de una funcin es tan
grande que puede resultar bastante engorroso, o incluso imposible, determinar
cules de estos corresponden a sus valores extremos globales.
Para este caso no se cuenta con condiciones necesarias de segundo orden para
encontrar los extremos globales. Sin embargo, si t sabes de antemano que una
funcin es cncava (convexa) a lo largo de todo su dominio, y que sta posee un
punto crtico, este solo hecho es suficiente para garantizar que la funcin posee un
mximo (mnimo) global.
Teorema (condiciones suficientes). Sea S Rn un conjunto abierto y
163
Captulo 5 Optimizacin
Este teorema es vlido aun el caso general de funciones no diferenciables. Si
la funcin es doblemente diferenciable, entonces su concavidad o convexidad
puede determinarse directamente a partir de la matriz hessiana, como se muestra a
continuacin.
Ejemplos:
1. Demuestra que la funcin f (x, y) = x2 xy y 2 3y presenta un mximo
global estricto en el punto (1, 2).
Las condiciones de primer orden para f son
fx (x, y) = 2x y = 0
fy (x, y) = x 2y 3 = 0,
H(x, y) =
2 1
1 2
Como fxx = 2 < 0 y |H| = 3 > 0, para todo (x, y), por lo tanto f es
estrictamente cncava en R2 . As, f tiene un mximo global nico en (1, 2).
2. Encuentra los extremos globales de la funcin f (x, y) = x4 + y 4 .
Las condiciones de primer orden para f son
fx (x, y) = 4x3 = 0
fy (x, y) = 4y 3 = 0,
que se satisfacen cuando x = y = 0. As, el nico punto crtico de f es el (0, 0).
La matriz Hessiana de f est dada por
12x2
0
0
12y 2
H(x, y) =
0 0
0 0
que no presenta un signo definido, ni viola los criterios de concavidad/convexidad. De esta manera, para clasificar el punto crtico podemos utilizar
argumentos alternativos, tales como:
i) Antes de evaluar la matriz Hessiana H(x, y) en (0, 0) notamos que
fxx (x, y) = 12x2 0 y |H| = 144x2 y 2 0, de modo que f es convexa no
estricta en R2 .
164
165
Captulo 5 Optimizacin
f(x, y)
s.a. g(x, y) = c.
Debido a la restriccin, la solucin ptima P (x , y ) no necesariamente ocurre
en los puntos en donde la superficie z = f(x, y) alcanza su altura mxima
Aqu existen dos candidatos a ptimo, que son los puntos de tangencia denotados
por A y B. La condicin de tangencia implica que, en esos puntos, los vectores
gradiente f y g son paralelos entre s, es decir,
f g.
167
Captulo 5 Optimizacin
Por lo tanto, en los puntos en donde f alcanza sus valores extremos debe existir un
nmero R tal que
f = g.
El nmero se denomina el multiplicador de Lagrange asociado con la restriccin
g(x, y) = c. Aunque aqu juega el papel de una constante de proporcionalidad
entre f y g en el ptimo, tambin presenta una interpretacin muy interesante
y til, como discutiremos en breve.
f = 0 .
Si g(x , y ) = 0 , entonces existe R tal que (x , y , ) es un punto crtico
de la funcin lagrangeana
L(x, y, ) = f (x, y) + (c g(x, y)),
Captulo 5 Optimizacin
Para encontrar esta derivada utilizamos la regla de la cadena, de acuerdo al
siguiente diagrama:
As, se tiene
df (c)
df (x (c), y (c))
=
dc
dc
f dx
f dy
=
+
........................(regla de la cadena)
x dc
y dc
g dx
g dy
=
....(en el ptimo,fx = gx , fy = gy )
+
x
dc
y
dc
g dx
g dy
+
=
x dc
y dc
dg (x (c), y (c))
....................(regla de la cadena, al revs)
=
dc
= (1) ................................................(en el ptimo, g(x, y) = c)
= .
Concluimos entonces que
df (c)
.
dc
De acuerdo con este resultado, el multiplicador de Lagrange representa la
razn de cambio instantnea del valor ptimo f (mximo o mnimo) de la funcin
f al cambiar el parmetro c. ste es un caso particular del llamado Teorema de la
Envolvente, que estudiaremos en la seccin 5.4.
=
s.a. x + y = 4.
Luego estima el valor mximo de f si se utilizara x + y = 4.01 como nueva
restriccin.
La funcin lagrangeana en este caso est dada por
L(x, y, ) = 9 x2 y 2 + (4 x y),
Ly = 2y = 0
L = 4 x y = 0.
Al resolver este sistema de ecuaciones se obtiene que f alcanza su valor
mximo, f = 1, en el punto (x , y ) = (2, 2), con = 4.
Para estimar el nuevo valor mximo de f si la restriccin se modifica a
x + y = 4.01, utilizamos
=
df (c)
f
,
dc
c
de donde
f c.
Tomamos el multiplicador = 4 evaluado en el ptimo inicial, y notamos
que c = 4.01 4 = 0.01, obteniendo f (4)(0.01) = 0.04.
As, al incrementarse c, de 4 a 4.01, el mximo de f disminuye ( < 0)
aproximadamente en 0.04. De esta manera, el nuevo mximo sera
f 1 + f = 1 0.04 = 0.96, aproximadamente.
2. Resuelve el siguiente problema de maximizacin de la produccin P (L, K)
sujeto a una restriccin presupuestal,
Captulo 5 Optimizacin
y las condiciones de primer orden correspondientes son
LL =
100
3
K
L
1/3
100 = 0
2/3
50 L
LK =
300 = 0
3 K
L = 45 000 100L 300K = 0.
Estas ecuaciones se conocen en economa como condiciones de equimarginalidad, que expresan que en el ptimo se da la tangencia de la ecuacin de
restriccin presupuestal con alguna curva de nivel de la funcin de produccin.
K
L
1/2
=0
1/2
1
L
LK = r
=0
2
K
L = Q L1/2 K 1/2 = 0.
172
5.2.2
L Lx Ly
0 gx gy
HL = Lx Lxx Lxy = gx Lxx Lxy .
Ly Lyx Lyy
gy Lyx Lyy
0 gx gy
gx Lxx Lxy
gy Lyx Lyy
0 gx gy
gx Lxx Lxy ,
gy Lyx Lyy
Captulo 5 Optimizacin
Teorema (condiciones suficientes para extremo local). Considera el problema
de optimizacin de f (x, y) sobre la restriccin Cg = {(x, y) |g(x, y) = c}, con f y
g funciones doblemente diferenciables en R2 . Sea (x , y , ) el punto crtico de la
lagrangeana correspondiente, L(x, y, ) = f(x, y) + (c g(x, y)), y sea
|HL (x , y , )| =
0 gx gy
gx Lxx Lxy
gy Lyx Lyy
los puntos (1, 1) y (1, 1), con = 2/3, y los puntos ( 3, 3) y ( 3, 3),
con = 2. Como
|HL (1, 1, 2/3)| = |HL (1, 1, 2/3)| = 24,
HL ( 3, 3, 2) = HL ( 3, 3, 2) = 24,
concluimos
que (1, 1) y (1, 1) son mnimos locales, mientras que ( 3, 3) y
( 3, 3) son mximos locales.
Al igual que en el caso de optimizacin libre, la bsqueda de extremos globales
puede resultar bastante ms compleja en general. Sin embargo, si se sabe que la
funcin lagrangeana es siempre cncava o convexa en todo su dominio, se puede
asegurar que el ptimo restringido es un mximo o un mnimo global, como
establece el siguiente teorema.
174
5.2.3
El caso multidimensional
m < n.
Captulo 5 Optimizacin
Es importante sealar que el nmero m de restricciones debe ser estrictamente
menor al nmero n de variables. De otra manera, si m = n el sistema de ecuaciones
podra tener una solucin nica, por lo que no habra grados de libertad para llevar
a cabo la optimizacin, o bien, si m > n habran ms ecuaciones que incgnitas y
el sistema podra ser inconsistente (no existira solucin posible).
La anterior condicin de tangencia en el punto ptimo, f = g, se
generaliza ahora requiriendo que, en ese punto, el gradiente f de la funcin f
sea una combinacin lineal del conjunto de gradientes {g1 , . . . , gm } de todas
las restricciones. En otras palabras, en el ptimo debe verificarse
f = 1 g1 + + m gm ,
en donde 1 , . . . , m R son los multiplicadores de Lagrange correspondientes
a las restricciones g1 , . . . , gm . La existencia de estos multiplicadores slo est
garantizada cuando el conjunto de gradientes {gj } en el ptimo es linealmente
independiente, lo que se conoce como la cualificacin de las restricciones. Cuando
esta condicin no se cumple el mtodo de Lagrange puede fallar, como se discute
en la seccin 5.2.4.
Teorema de Lagrange (condiciones necesarias de primer orden). Sean
f : S R y g1 , . . . , gm : S R funciones diferenciables en S Rn , con
m < n. Sea
x S una solucin del problema
mx./mn.
f(
x)
s.a. gj ( x ) = cj ,
x , )
linealmente independiente, entonces existen , . . . , R tales que (
1
L(
x , ) = f (
x)+
m
"
j=1
j (cj gj (
x )).
x1 = x1 1 x1 m x1 = 0
..
(n ecuaciones)
.
L
f
g1
gm
= xn 1 xn m xn = 0
n
xL
1 = c1 g1 (x1 , . . . , xn ) = 0
..
(m ecuaciones)
.
L = c g (x , . . . , x ) = 0.
m
m 1
n
m
176
conjunto de parmetros
c = (c1 , . . . , cm ) le corresponde un punto ptimo,
P ( x ( c ), y ( c )). En consecuencia, el valor ptimo f de la funcin f,
c ) = f (
x (
c ),
y (
c )) ,
f (
tambin depende de
c . Utilizando las n + m condiciones de primer orden
anteriores, es posible demostrar que
j
f (
c)
=
,
cj
x , ). Entonces
punto crtico de la funcin lagrangeana L(
s.a. 4l1 c1 = b1
1/2
c2 4l2 = b1 (1 + r),
donde (1 + r) = 1, con , r > 0 parmetros del modelo.
177
Captulo 5 Optimizacin
Para simplificar nuestros desarrollos, multiplicamos la segunda restriccin por
y utilizamos la condicin (1 + r) = 1, obteniendo
1/2
c2 4l2
= b1 .
1/2
1/2
=
+ 1 = 0,
=
2 = 0,
c1
c1
c2
c2
1
L
2
L
= 1 2 1/2 = 0,
= + 2 1/2 = 0,
l1
l2
l1
l2
L
= 1 + 2 = 0,
b1
L
L
1/2
1/2
= b1 4l1 + c1 = 0,
= b1 c2 + 4l2 = 0.
1
2
Resolviendo este sistema de ecuaciones se obtiene que el ptimo ocurre en
l1 = l2 = 12 , c1 = c2 = 23/2 , b1 = 0, 1 = 23/2 = 2 . Por ltimo, tomando
el cuenta los signos de los multiplicadores 1 y 2 se tiene que L es una funcin
cncava, de modo que se trata efectivamente de un mximo.
f = 1 g1 + + m gm
.
en el ptimo {g1 , . . . , gm
} sea linealmente independiente. Cuando esto no
sucede es posible que el mtodo de Lagrange no te permita obtener ninguno de los
candidatos a ptimo, o bien, que no te d todos los candidatos posibles. En ese
caso, es necesario complementar el mtodo de Lagrange con otro tipo de bsqueda
de ptimos, como discutiremos a continuacin.
En el caso particular de la optimizacin de una funcin de dos variables f (x, y)
sujeto a una sola restriccin g(x, y) = c, la cualificacin de las restricciones se
178
f (x, y) = y
s.a. y 3 x2 = 0.
En este caso, la lagrangeana est dada por
L(x, y, ) = y + x2 y 3 ,
Lx = 2x = 0
Ly = 1 3y 2 = 0
L = x2 y 3 = 0.
Es fcil verificar que no existe solucin a este sistema de ecuaciones, por lo que
errneamente podramos concluir que en este problema f no se maximiza. Sin
embargo, si graficamos algunas curvas de nivel de f , dadas por y =const., y la
curva de restriccin y = x2/3 , observamos que la funcin f alcanza su mximo
en el punto (0, 0).
f = f(0, 0) = j, g = g(0, 0) = 0 ,
Captulo 5 Optimizacin
2. Encuentra la solucin al problema
mx.
f(x, y) = x2 y 2
s.a. y 3 x2 = 0.
En este caso, la lagrangeana est dada por
L(x, y, ) = x2 y 2 + x2 y 3 ,
cuyas condiciones de primer orden son
Lx = 2x + 2x = 2x( 1) = 0,
Ly = 2y 3y 2 = y(2 3y) = 0,
L = x2 y 3 = 0.
Es fcil verificar que este sistema de ecuaciones s tiene solucin, y sta ocurre
en el punto (0, 0), que es la misma que se obtiene a partir de un anlisis grfico.
f = f (0, 0) = 0 ,
g = g(0, 0) = 0 ,
dx
gy (x , y )
0
Por lo tanto, la derivada dy/dx no est definida en (x , y ) y la curva g(x, y) = c
tiene una cspide en (x , y ).
Dg(
x ) =
g1
x1
..
.
gm
x1
...
g1
xn
..
.
gm
xn
es menor que m (ver, por ejemplo, el libro de Simon y Blume). En este caso, los
candidatos a ptimo para el problema de optimizacin restringida son los puntos
funciones de restriccin g$
j ( x ), en donde posiblemente se viole la cualificacin de
las restricciones, f = m
j=1 j gj .
181
Captulo 5 Optimizacin
182
5.3.1
Problemas de maximizacin
183
Captulo 5 Optimizacin
En la figura de la izquierda, la solucin P coincide con el mximo no restringido
de f , que es el punto x > 0 en donde f (x ) = 0. En este caso, P es un punto
interior de F. En la figura central, el mximo no restringido de f cae fuera de la
regin factible, de modo que la mejor solucin P ocurre en x = 0, con f (x ) < 0.
As, P es un punto frontera de F . Por ltimo, en la figura de la derecha el mximo
no restringido de f ocurre exactamente en x = 0, con f (x ) = 0. Nuevamente, P
es un punto frontera de F . Del anlisis grfico podemos concluir que en el ptimo
se verifican las siguientes tres condiciones
x 0,
f (x ) 0
y x f (x ) = 0.
(g(x, y) c) = 0.
Captulo 5 Optimizacin
g, por lo tanto g debe apuntar hacia afuera de la regin factible F , dada por
g(x, y) c, como se ilustra en la siguiente figura.
187
Captulo 5 Optimizacin
Concluimos que en los tres casos se verifica la condicin (g(x, y) c) = 0,
que establece que en el ptimo P debe cumplirse al menos una de las siguientes
igualdades,
= 0 o g(x, y) = c.
5.3.1.1
188
L = 0,
o equivalentemente,
g(x, y) c,
(g(x, y) c) = 0.
Ejemplos:
1. Encuentra la solucin al problema
mx. f (x, y) = x + y
s.a. x2 + y 2 1.
En este caso, la lagrangeana correspondiente est dada por
L(x, y, ) = x + y + (1 x2 y 2 ).
(1)
Ly = 1 2y = 0, (2)
que debern resolverse junto con las condiciones de holgura complementaria
x2 + y 2 1, (3)
0, (4)
(x2 + y 2 1) = 0. (5)
Para resolver el sistema (1)-(5) conviene comenzar por la igualdad (5), que
establece que el ptimo debe cumplir al menos una de las condiciones = 0 o
x2 + y 2 = 1. Analicemos cada caso por separado. i) Si = 0, las ecuaciones
189
Captulo 5 Optimizacin
(1)-(2) conducen a una inconsistencia (1 = 0!) , por lo que esta opcin se
descarta. ii) Si x2 + y 2 = 1, se obtiene el sistema de ecuaciones
1 2x = 0
(1)
1 2y = 0
(2)
x2 + y 2 = 1,
(6)
2
2
correspondiente a un punto frontera (x + y = 1) de la restriccin. El sistema
tiene dos soluciones posibles,
(x1 , y1 ) =
1
1
,
2
2
y (x2 , y2 ) =
1 1
, .
2 2
1
2
1 =
=
< 0.
2x1
2
Esto viola la condicin (4) , por lo que esta opcin se descarta. Por otra parte,
sustituyendo (x2 , y2 ) en (1) se obtiene
1
2
2 =
=
> 0,
2x2
2
que satisface la condicin (4). As, slo los valores x2 , y2 , 2 , satisfacen las
condiciones (1)-(5) en su totalidad. Concluimos que el valor mximo de f
190
s.a. 2x + 3y 12.
En este caso, la lagrangeana correspondiente es
Lx = 2(x 2) 2 = 0
(1)
Ly = 2(y 2) 3 = 0, (2)
que debern resolverse junto con las condiciones de holgura complementaria
2x + 3y 12, (3)
0, (4)
(6)
en donde todas las condiciones (1)-(5) se satisfacen. Nota que (6) constituye un
punto interior de la restriccin, ya que
2x + 3y = 2(2) + 3(2) = 10 < 12. (7)
ii) Si 2x + 3y = 12, se obtiene el sistema de ecuaciones
2(x 2) 2 = 0
(1)
2(y 2) 3 = 0
(2)
2x + 3y = 12,
(9)
que correspondera a un punto frontera. Al resolver el sistema obtenemos el
4
punto (x, y) = 30
, 32 , con = 13
< 0, que viola la condicin (4). As, esta
13 13
opcin se descarta. Concluimos que el valor mximo de f ocurre en el punto
P (2, 2) , con = 0 y f = 9.
La siguiente figura muestra la regin factible F, 2x + 3y 12, y algunas curvas
de f , dadas por 9 (x 2)2 (y 2)2 =const. Tomando en cuenta la direccin
del vector gradiente f, el mximo restringido de f coincide con su punto de
191
Captulo 5 Optimizacin
optimizacin libre, P (2, 2) . Como en ese punto 2x + 3y < 12, P es un punto
interior de la restriccin, y por tanto = 0 ah.
5.3.1.2
El caso multidimensional
n
j = 1, . . . , m, x R .
1. Se construye la funcin lagrangeana correspondiente
L(
x , ) = f (
x)+
m
"
j=1
j (cj gj (
x )).
i = 1, . . . , n.
g j (
x ) cj ,
j 0
o equivalentemente,
Lj 0,
j (gj (
x ) cj ) = 0,
j 0
j = 1, . . . , m,
j Lj = 0.
y 1/2
2x1/2
1 + 2 + 3 = 0, (1)
x1/2
Ly = 2y1/2 1 + 22 = 0, (2)
junto con las condiciones de holgura complementaria
x + y 2, 1 0, 1 (x + y 2) = 0, (3)
x + 2y 2, 2 0, 2 (x + 2y 2) = 0, (4)
x 0,
3 0,
3 x = 0.
(5)
193
Captulo 5 Optimizacin
En la grfica se observa que el punto P que maximiza a f ocurre en donde la
restriccin I est activa,
x + y = 2, (6)
mientras que las restricciones II y III no lo estn (x + 2y > 2 y x > 0). De
acuerdo con las igualdades en (4) y (5), esta ltima afirmacin implica que
2 = 0 y 3 = 0.
(7)
Por ltimo, resolvemos el sistema de igualdades (1), (2), (6) y (7) para
x, y, 1 , 2 y 3 , y verificamos el cumplimiento de la condicin 1 0. Con
esto, se tiene que el valor mximo de f sucede en el punto P (1, 1) , con
1 = 12 > 0, 2 = 3 = 0 y f = 1.
Geomtricamente, 2 = 0 significa que si la restriccin II se modificara
ligeramente, digamos a x + 2y 2.01, esto no afectara la posicin actual
del ptimo, (x , y ) = (1, 1). Lo mismo sucede con la restriccin III, ya que
3 = 0. En contraste, 1 = 0 implica que un pequeo cambio en la restriccin
I s producira una nueva solucin ptima. Por esta razn, a los multiplicadores
de Lagrange j se les denomina variables de sensibilidad ante cambios en los
parmetros cj .
(I)
(II)
(III)
L(x, y, 1 , 2 , 3 ) = x + ln(1 + y) + 1 (m px y) + 2 x + 3 y,
1
Ly = 1+y
1 + 3 = 0, (2)
junto con las condiciones de holgura complementaria
px + y m, 1 0, 1 (px + y m) = 0, (3)
x 0,
2 0,
2 x = 0,
(4)
y 0,
3 0,
3 y = 0.
(5)
Captulo 5 Optimizacin
C. Si p m + 1, entonces (x , y ) = (0, m), con 1 = 1, 2 = 3 = 0.
Por otra parte, observa que en este ejemplo podemos ignorar las restricciones III
y IV, ya que el dominio de la funcin objetivo est en R++ , por lo que no puede
existir solucin a lo largo de los ejes coordenados. De esta manera, la funcin
lagrangeana correspondiente est dada por
1
1
ln x + ln y + 1 (A 3x y) + 2 (40 x y),
3
3
que en el ptimo debe satisfacer las condiciones de igualdad
L=
Lx =
1
31 2 = 0 (1)
3x
196
3x + y A, 1 0, 1 (3x + y A) = 0, (3)
x + y 40, 2 0, 2 (x + y 40) = 0. (4)
A 40
,
2
y =
120 A
2(80 A)
4(A 60)
, 1 =
, 2 =
.
2
3(A 40)(120 A)
3(A 40)(120 A)
Captulo 5 Optimizacin
iv) Por ltimo, si en el ptimo est inactiva la restriccin I (3x + y < A) y activa
la restriccin II (x + y = 40), entonces ah se cumple
1 = 0
x + y = 40
1
31 2 = 0
3x
1
1 2 = 0.
3y
La solucin de este sistema es
1
.
60
Adicionalmente, como en este caso 3x + y < A, por lo tanto
x = 20,
y = 20, 1 = 0, 2 =
B. Si 60 A 80, entonces (x , y ) =
198
1
.
60
g(x, y) c, 0, (g(x, y) c) = 0
x 0, 1 0, 1 x = 0
y 0, 2 0, 2 y = 0
Existe una manera alternativa de incorporar las condiciones x 0, y 0. Para
ello, nota que la condicin Lx = 0 implica 1 = (fx gx ) . Adems, como
1 0 se tiene que (fx gx ) 0, es decir,
fx gx 0.
x0
xLx = 0.
xi 0
xi Lxi = 0,
199
i = 1, . . . , n
Captulo 5 Optimizacin
simplemente garantiza la existencia de un mximo global para L en la regin
xi 0.
x 0,
y 0,
g(x, y) c, 0,
como se resume a continuacin.
xLx = 0
yLy = 0
(g(x, y) c) = 0,
mx. f (
x ) s.a. gj (
x ) cj , xi 0, j = 1, . . . , m,
x Rn .
1. Se construye la funcin lagrangeana correspondiente
L(
x , ) = f (
x)+
m
"
j=1
j (cj gj (
x )).
xi 0
xi Lxi = 0,
i = 1, . . . , n
gj (
x ) cj :
g (
x)c ,
0 y (g (
x ) c ) = 0, j = 1, . . . , m.
j
o, equivalentemente,
Lj 0,
j 0
j Lj = 0,
j = 1, . . . , m.
200
x+y 1
x0
La lagrangeana correspondiente es
y 0.
(I)
(II)
(III)
L(x, y, ) = 9 x2 (y 2)2 + (1 x y) ,
que en el ptimo satisface las condiciones de no negatividad
Lx = 2x 0,
x 0,
x (2x + ) = 0,
(1)
Ly = 2(y 2) 0, y 0, y (2(y 2) + ) = 0, (2)
x + y 1,
0, (x + y 1) = 0. (3)
De las tres igualdades en (1)-(3) se siguen 23 = 8 casos. Como se observa en la
figura, de esos casos el nico que nos interesa es aqul en donde la solucin ptima
ocurre simultneamente en las fronteras de las restricciones I y II, es decir,
x + y = 1, x = 0.
Sustituyendo esto en el sistema de desigualdades, se obtiene que la solucin ptima
es (x , y ) = (0, 1), con = 2 y f = 8.
Captulo 5 Optimizacin
el ptimo ocurre precisamente en xi = 0 (soluciones de esquina).
h(x, y, z) d,
5.3.1.5
Lx = 0
Ly = 0
Lz = 0
g(x, y, z) = c
2 0 y 2 (h(x, y, z) d) = 0.
lagrangeana L = f (
x ) + j j (cj gj (
x )). Dado que en este caso j > 0, esto
202
mx. f(
x)
s.a. gj ( x ) cj , j = 1, . . . , m,
donde f C 1 es cncava y cada funcin gj C 1 es convexa, entonces el mximo
global de f se alcanza en
x .
El requisito de concavidad para la funcin objetivo f es claro en un problema
de maximizacin. La convexidad de las funciones gj se explica de la siguiente
factible g(
x ) c sea una regin convexa.
x ) sea convexa
de todas las restricciones gj cj . Pedir que cada funcin z = gj (
Captulo 5 Optimizacin
x
Teorema de Arrow-Enthoven para un mximo global. Si el punto
satisface las condiciones de Kuhn-Tucker para el problema
mx. f (
x)
s.a. gj ( x ) cj , j = 1, . . . , m,
donde f C 1 es cuasicncava y cada funcin gj C 1 es cuasiconvexa, entonces
5.3.2
Problemas de minimizacin
Ly = fy gy = 0.
3. Se establece las condiciones de holgura complementaria
L 0,
(g(x, y) c) = 0,
o equivalentemente,
g(x, y) c,
(g(x, y) c) = 0.
Ejemplo:
Encuentra la solucin al problema
mn. f(x, y) = y
s.a.
x2 + y 2 1.
205
Captulo 5 Optimizacin
Primeramente escribimos el problema en un formato adecuado, es decir,
mn. f (x, y) = y
s.a. x2 y 2 1.
As, la lagrangeana correspondiente est dada por
L(x, y, ) = y + (1 + x2 + y 2 ).
Lx = 2x = 0
(1)
Ly = 1 + 2y = 0, (2)
que debern resolverse junto con las condiciones de holgura complementaria
x2 + y 2 1, (3)
0, (4)
(x2 + y 2 1) = 0. (5)
2x = 0
(1)
Nota que la desigualdad en (3) est escrita en el formato original, sin que esto
afecte el resultado; el formato es importante slo en las ecuaciones (1) y (2). De
acuerdo con la igualdad (5), se tienen dos casos, = 0 o x2 + y 2 = 1. i) Si = 0,
la ecuacin (2) conduce a una inconsistencia ( 1 = 0!) , por lo que esta opcin
se descarta. ii) Si x2 + y 2 = 1, se obtiene el sistema de ecuaciones
1 + 2y = 0
(2)
x2 + y 2 = 1,
(6)
correspondiente a un punto frontera (x2 + y 2 = 1) de la restriccin. El sistema
tiene dos soluciones posibles,
(x1 , y1 ) = (0, 1)
(x2 , y2 ) = (0, 1) .
1
1
= < 0.
2y1
2
Esto viola la condicin (4) , por lo que esta opcin se descarta. Por otra parte,
sustituyendo (x2 , y2 ) en (2) se obtiene
1 =
1
1
= > 0,
2y2
2
que satisface la condicin (4). As, slo los valores x2 , y2 , 2 , satisfacen las
condiciones (1)-(5) en su totalidad. Concluimos que el valor mnimo de f ocurre
en el punto frontera P (0, 1) , con 2 = 1/2 y f = 1.
2 =
n
j = 1, . . . , m, x R .
1. Se construye la funcin lagrangeana correspondiente
m
"
L(
x , ) = f (
x)+
j (cj gj (
x )).
j=1
i = 1, . . . , n.
g j (
x ) cj ,
j 0
j (gj (
x ) cj ) = 0,
j = 1, . . . , m,
o equivalentemente,
Lj 0,
j 0
j Lj = 0.
Captulo 5 Optimizacin
Primeramente, escribimos las restricciones en el formato adecuado,
mn. f (x, y) = x2 + y 2
s.a.
x y 2
x + 2y 2
x 0.
La lagrangeana correspondiente est dada por
L(x, y, 1 , 2 , 3 ) = x2 + y 2 + 1 (2 + x + y) + 2 (2 x 2y) + 3 (x),
que satisface las condiciones de igualdad
Lx = 2x + 1 2 3 = 0, (1)
Ly = 2y + 1 22 = 0,
(2)
junto con las condiciones de holgura complementaria
x + y 2, 1 0, 1 (x + y 2) = 0, (3)
x + 2y 2, 2 0, 2 (x + 2y 2) = 0, (4)
x 0,
3 0,
3 x = 0.
(5)
De las igualdades en (3), (4) y (5) se siguen 23 = 8 casos, algunos de los cuales
pueden eliminarse mediante un anlisis grfico del problema. Para ello, dibujamos
la regin factible F , algunas curvas de nivel de f , as como el gradiente f, para
determinar la direccin de crecimiento de f.
(7)
, con 2 =
4
5
> 0, 1 = 3 = 0 y
mn. f(
x ) s.a. gj (
x ) cj , xi 0, j = 1, . . . , m,
x Rn .
1. Se construye la funcin lagrangeana correspondiente
L(
x , ) = f (
x)+
m
"
j=1
j (cj gj (
x )).
xi 0
xi Lxi = 0,
i = 1, . . . , n
j 0
j Lj = 0,
j = 1, . . . , m,
o equivalentemente,
g j (
x ) cj ,
j 0
j (gj (
x ) cj ) = 0,
j = 1, . . . , m.
Por ltimo, las condiciones de suficiencia para un mnimo global son las
siguientes.
mn. f (
x)
s.a. gj ( x ) cj , j = 1, . . . , m,
1
donde f C es convexa y cada funcin gj C 1 es cncava, entonces el mnimo
global de f se alcanza en
x .
Es claro el requisito de convexidad para la funcin objetivo f en un problema de
Captulo 5 Optimizacin
que z = g(
x ) sea una funcin cncava te garantiza que su contorno superior o
regin factible g(
x ) c sea una regin convexa.
mn. f (
x)
s.a. gj (
x ) cj , j = 1, . . . , m,
1
donde f C es cuasiconvexa y cada funcin gj C 1 es cuasicncava, entonces
las restricciones f = m
f (x, y) = y
s.a. x2 y 3 0.
La lagrangeana correspondiente es la funcin
L(x, y, ) = y + y 3 x2 ,
cuyas condiciones de Kuhn-Tucker son
Lx = 2x = 0,
Ly = 1 + 3y 2 = 0,
x2 y 3 0, 0, x2 y 3 = 0.
Es fcil verificar que no existe solucin a este sistema de ecuaciones y
desigualdades. Sin embargo, el mtodo grfico s nos permite obtener que la
funcin f alcanza su mximo global, f = 0, en el punto (0, 0).
f (x, y) = x
y (1 x)3 0,
x, y 0.
La lagrangeana correspondiente es la funcin
s.a.
L(x, y, 1 , 2 , 3 ) = x + 1 (1 x)3 y + 2 x + 3 y,
211
Captulo 5 Optimizacin
cuyas condiciones de Kuhn-Tucker son
Lx = 1 31 (1 x)2 + 2 = 0
L y = 1 + 3 = 0
y (1 x) 0, 1 0, 1 y (1 x)3 = 0
x 0, 2 0, 2 x = 0,
y 0, 3 0, 3 y = 0.
Con un poco de paciencia puedes verificar que no existe solucin que satisfaga
estas condiciones. Sin embargo, el mtodo grfico s nos permite obtener que la
funcin f alcanza su mximo global, f = 1, en el punto (1, 0).
3
5.4.1
Optimizacin libre
= 0,
x=x
Captulo 5 Optimizacin
mximo V (a) de f inicialmente se incremente y luego disminuya, al incrementarse
a, como se muestra en la figura de la derecha.
f dx f
+
x da
a
=0+
f
,
a
Para cada seleccin x = xi se obtiene una curva distinta f(xi ; a), como se ilustra
en la siguiente figura. En ella se muestra una coleccin de curvitas, envueltas
superiormente por la funcin V (a) de los valores mximos de f , conocida tambin
como la curva envolvente. El punto de tangencia de la envolvente con cada f (xi ; a)
ocurre precisamente en aquel valor ai que satisface la condicin xi = x (ai ).
215
Captulo 5 Optimizacin
En problemas de maximizacin la envolvente V (a) nunca estar por debajo de
las curvitas y = f (xi ; a), siendo adems menos cncava que stas. Esto significa
que V (a) representa el mejor mximo posible de la funcin f con respecto
al parmetro a, y ste ocurre cuando se relaja la variable x de tal modo que se
maximice f. En contraste, un mximo menos bueno se obtiene al evaluar la
funcin f (x; a) en un valor fijo x = xi , quedando sta como funcin de a. Las
curvas coinciden slo cuando a satisface la condicin de ptimo xi = x (ai ).
Para problemas de minimizacin se sigue un razonamiento similar, pero ahora
las curvitas son envueltas inferiormente por V (a). En ese caso, la curva envolvente
V (a) nunca estar por encima de las curvitas f (xi ; a), y adems ser menos
convexa que stas, como se muestra en la siguiente figura.
= 0,
x=x
x (a) = 4a2 .
De este modo, el valor mximo de f es V (a) = 8(4a2 )
V (a) = 16a2 .
216
(4a2 )2
, es decir,
a2
x
.
4
(4a2 )2
= 16a2 = V (a)
2
a
2
x =4a
2(x )2
2(4a2 )2
dV (a)
=
= 32a =
.
3
3
a
a
da
x =4a2
f (x ; a)|x =4a2 = 8x
f(x ; a)
a
=
x =4a2
(x )2
a2
217
= 8(4a2 )
Captulo 5 Optimizacin
x=x
= a2
1
x
x (a) =
1
.
a2
= 0,
x=x
cuya solucin es
1
a2
ln
1
a2
1, es
decir,
V (a) = 2 ln a,
que representa la curva envolvente en este problema. Por otra parte, las curvitas
f(x ; a) se obtienen al evaluar f (x; a) en el punto ptimo x , es decir,
f (x ; a) = a2 x ln x 1.
La siguiente figura muestra las grficas de la funcin V (a) = 2 ln a, as como
218
x =1/a2
x =1/a2
= 2ax |x =1/a2 = 2a
1
a2
1
1
ln
2
a
a2
2
dV (a)
= =
.
a
da
= a2
1 = 2 ln a = V (a)
x=x
ex
x=x
= 0,
Captulo 5 Optimizacin
cuya solucin es
a2
.
1 + a2
x (a) =
De este modo, el valor mximo de f es
2
2
a2
a 2
a 2
2
1+a
1+a .
e
=
1
+
a
e
1 + a2
Para encontrar la derivada dV (a)/da puedes proceder de dos maneras diferentes.
La primera consiste en hacer caso omiso de toda la discusin anterior, y encontrar
directamente la derivada de V (a), es decir,
V (a) = 1 + (a2 + 1)
dV (a)
d
=
da
da
1 + a2 e
a2
1+a2
a2
1+a2
= 2ae
= 2ae
= 2a 1
a2
1+a2
d
a2
da 1 + a2
2
2a
a
e 1+a2
(1 + a2 )2
1 + a2 e
1 + a2
1
1 + a2
a2
1+a2
a2
1+a2
2
2a3
a 2
1+a .
e
1 + a2
La segunda consiste en utilizar el teorema de la envolvente, dado por la igualdad
dV (a)
f (x ; a)
=
. Para ello, observa que f (x ; a) es la funcin
da
a
f (x ; a) = 1 + (a2 + 1)x ex ,
de modo que
f(x ; a)
= 2ax ex .
a
Sustituyendo la forma explcita de x en esta expresin obtenemos
a2
f(x ; a)
= 2a
a
1 + a2
Nota entonces que, efectivamente,
a2
1+a2
2
dV (a)
f(x ; a)
2a3
a 2
1+a ,
=
=
e
da
a
1 + a2
pero la derivada dV /da se obtuvo de una manera ms simple y directa con
f (x ; a)/a.
220
max
f (
x;
a ),
x1 ,...,xn
con
x = (x1 , . . . , xn ). En este caso, el ptimo no restringido de esta funcin se
obtiene de las condiciones de primer orden,
f
xi
cuya solucin es el vector
x =
x
= 0,
i = 1, . . . , n,
x =
x (
a ).
En consecuencia, el valor mximo fmax V de la funcin f tambin depender de
a , a travs de la relacin
V (
a ) f(
x (
a );
a ).
V (
a ) de f cambia de acuerdo con
V (
a)
f (x1 (
a ), . . . , xn (
a );
a)
=
al
al
f x1
f xn f
f
=
+
+
+
=
,
x1 al
xn al
al
al
en donde se han cancelado los primeros n trminos por las n condiciones de primer
orden, f /xi = 0. Cada trmino cancelado, f /xi xi /al , corresponde
al efecto indirecto sobre V causado por el cambio en xi al cambiar al . El trmino
sobreviviente, f /al , corresponde al efecto directo del cambio en al sobre el
valor ptimo V. Se concluye entonces que
f (
x (
V (
a)
a );
a)
=
,
l = 1, . . . , k.
al
al
de
a considera el problema
optimizar
f (
x;
a ).
x1 ,...,xn
Sea
x (
a ) una solucin del problema, con
x (
a ) una funcin diferenciable. Si
V ( a ) f( x ( a ); a ) denota el valor ptimo de f, entonces
V (
a)
f (
x (
a );
a)
=
, l = 1, . . . , k.
al
al
221
Captulo 5 Optimizacin
sobre la funcin f (
x (
a );
a ), obtenida al evaluar f (
x;
a ) en
a ), sin
x =
x (
que f haya sido optimizada. En este ltimo caso, slo se considera la dependencia
explcita de f (
x (
a );
a ) con al , ignorando la dependencia implcita de f con
al a travs de x ( a ), como si
x se mantuviera fijo, como se ilustra en los
siguientes ejemplos.
Ejemplos:
1. Considera el problema
maxx f (x; r1 , r2 ) = xr1 r2 x,
con 0 < r1 < 1. La condicin de primer orden correspondiente est dada por
f
x
x=x
= r1 xr1 1 r2
x=x
= 0,
cuya solucin es
1
r2 r1 1
x (r1 , r2 ) =
.
r1
De esta manera, el valor mximo de f est dado por
r1
r2 r1 1
r2 r1 1
V (r1 , r2 ) =
r2
.
r1
r1
El clculo directo de las derivadas parciales de esta funcin resulta bastante
dxx
.
complejo, particularmente V /r1 , que involucra derivadas del tipo
dx
En contraste, el clculo va el teorema de la envolvente es directo. Para ello,
primero evala f en x ,
f (x ; r1 , r2 ) = (x )r1 r2 x ,
x (r1 , r2 ) =
,
r1
V
f (x ; r1 , r2 )
=
= (x )r1 ln(x )
r1
r1
V
f (x ; r1 , r2 )
=
= x .
r2
r2
222
C
K
K=K
wQ2
+r
K2
= 0,
K=K
cuya solucin es
K (w, r, Q) = Q
w
.
r
wQ2
+r Q
Q wr
w
r
, es
r
w
Cmn
C(K ; r, w, Q)
w
=
= K = Q
r
r
r
Cmn
C(K ; r, w, Q)
2wQ
2wQ
=
=
=
= 2 wr.
w
Q
Q
K
Q r
La funcin C(K ; r, w, Q) se conoce como la funcin de costo de corto plazo
SRC (Short-Run Cost), puesto que en el corto plazo es de esperarse que el
capital no cambie, manteniendo un valor fijo K . A su vez, la funcin de gasto
Cmn (w, r, Q) se denomina la funcin de costo de largo plazo LRC (Long-Run
Cost), ya que se obtiene permitiendo que el capital K vare hasta que el costo
223
Captulo 5 Optimizacin
adquiera su valor mnimo. Esta ltima constituye, por tanto, el mejor mnimo
posible, o curva envolvente en el problema de minimizacin de costos. De esta
manera, para cada valor fijo K i del capital, se puede definir una familia de
funciones de corto plazo, dadas por
wQ2
+ rK i ,
Ki
que estn envueltas inferiormente por la funcin de costo mnimo de largo plazo
LRC = 2Q wr.
SRCi =
LRC
= 2 wr.
Q
Como funciones del parmetro Q, las curvas SRACi y LRAC son distintas
entre s. Sin embargo, nota que cuando SRACi es evaluada en aquel valor Qi
que satisface la condicin del punto ptimo K (w, r, Qi ) = Qi wr = K i , es
decir
r
,
Qi = K i
w
se obtiene
LRAC =
1.
2.
SRAC|Qi =
d SRAC
dQ
=
Qi
w Ki
r
w
Ki
w
rK i
2
Q
Ki
rK i
= 2 wr = LRAC|Qi
r
Ki w
=0=
Qi
d LRAC
dQ
.
Qi
224
5.4.2
4
1
= 2.
Optimizacin restringida
maxx1 ,...,xn f (
x;
a ),
s.a. gj (
x;
a ) = 0, j = 1, . . . , m
L(
x, ;
a ) = f (
x;
a)
225
m
"
j=1
j g j (
x ;
a ),
Captulo 5 Optimizacin
(
x , )=(
x , )
(
x , )=(
x , )
= 0,
i = 1, . . . , n
= 0,
j = 1, . . . , m
x =
x (
a)
= (
a ).
En consecuencia, el valor mximo fmax V de la funcin f tambin depender de
a , a travs de la relacin
V (
a ) f(
x (
a );
a ).
Cuando alguno de los parmetros se modifica, digamos al , l = 1, . . . , k, el ptimo
V (
a ) de f cambia de acuerdo con
V (
a)
f(
x (
a );
a)
=
.
al
al
f (
x (
a );
a ) = L(
x (
a ), (
a );
a ),
es decir, la funcin objetivo toma el mismo valor que la lagrangeana ptima
L L(
x (
a ), (
a );
a ) = f (
x ;
a)
m
"
j gj (
x ;
a ).
j=1
As,
V (
a)
L x1
L xn
=
+
+
al
x1 al
xn al
L
L
L
L
+ 1 + + n +
=
,
1 al
n al
al
al
en donde se han utilizado las condiciones de primer orden, L /xi = L /j = 0,
en los primeros n + m trminos. Los trminos cancelados, L /xi xi /al y
L /j j /al , corresponden al efecto indirecto sobre V causado por el cambio en cada xi y cada j , al cambiar al . El nico trmino sobreviviente, L /al ,
226
V (
a)
L
=
,
l = 1, . . . , k.
al
al
n
k
funcin diferenciable de x R , con parmetros a R , y sea Rm un
conjunto de multiplicadores de Lagrange correspondiente a m < n restricciones de
igualdad. Considera el problema
optimizarx1 ,...,xn f(
x ;
a)
s.a. gj (
x ;
a ) = 0, j = 1, . . . , m.
Sea
x (
a ) una solucin del problema, con
x (
a ) una funcin diferenciable.
Si L( x ( a ), ( a ); a ) = V ( a ) denota el valor ptimo de la lagrangeana,
entonces
V (
a)
L(
x (
a ), (
a );
a)
=
, l = 1, . . . , k.
al
al
L(
x (
a ), (
a );
a ), obtenida al evaluar L(
x, ;
a ) en el punto ptimo
x = x ( a ), = ( a ), sin que L haya sido optimizada. Esta derivada parcial
a ) y (
a ), como se muestra en los
implcita de f con a a travs de
x (
l
siguientes ejemplos.
Ejemplos:
1. Considera el problema
optim. f(x, y) = yex
s.a. a2 x + y = 1,
con a = 0. En este caso, la lagrangeana est dada por
L(x, y, ; a) = yex + 1 a2 x y .
227
Captulo 5 Optimizacin
Las condiciones de primer orden correspondientes son
Lx = yex a2 = 0
Ly = ex = 0
L = 1 a2 x y = 0,
2 1
V (a) = a2 ea
En ese caso,
dV (a)
2
2
= a2 ea 1 2a3 + 2aea 1
da
a2 1 a2 1
= 2
.
e
a
Este mismo resultado puede obtenerse de una manera ms simple con el teorema
de la envolvente, dV /da = L /a. Para ello, nota que en el ptimo
de modo que
L = y ex + 1 a2 x y ,
L
2
= 2a x = 2aea 1
a
1 a2
a2
As,
dV (a)
L
a2 1 a2 1
=
=2
e
.
da
a
a
2. Considera el problema de minimizar el costo sujeto a una produccin dada,
min C(L, K) = wL + rK
L,K
s.a. P (L, K) = Q,
en donde el trabajo L y el capital K son las variables independientes, y el salario
w, la tasa de inters r y el nivel de produccin Q son los parmetros del sistema.
La lagrangeana correspondiente es
L(L, K, ; w, r, Q) = wL + rK + (Q P (L, K)) .
228
L = wL + rK + (Q P (L , K )) ,
Cmn
L
=
= L
w
w
Cmn
L
=
= K
r
r
Cmn
L
=
= .
Q
Q
As, en el ptimo, el costo marginal del salario es el trabajo L , el costo marginal
de la tasa de inters es el capital K y el costo marginal de la produccin es
el multiplicador , en donde L , K y son los valores de L, K y que
minimizan la funcin de costo bajo la restriccin dada. Este resultado general se
conoce como el Lema de Shephard.
Como caso particular de este lema, considera una funcin de produccin
Cobb-Douglas de la forma
P (L, K) = L1/2 K 1/2 .
En ese caso, el ptimo ocurre en el punto
r
w
w
K (w, r, Q) = Q
r
(w, r, Q) = 2 wr,
L (w, r, Q) = Q
229
Captulo 5 Optimizacin
de modo que el costo mnimo Cmn = wL + rK est dado por
Cmn (w, r, Q)
= 2 wr = .
Q
230
Captulo 6
Temas selectos de clculo avanzado
6.1 Funciones de Rn en Rm
Supongamos que una empresa produce m bienes utilizando n insumos,
x1 , x2 , . . . , xn , y hay una funcin de produccin diferente fj para la
produccin de cada una de las cantidades Qj , con j = 1, . . . , m. En ese caso,
se tiene
Q1 = f1 (x1 , x2 , . . . , xn )
Q2 = f2 (x1 , x2 , . . . , xn )
..
.
Qm = fm (x1 , x2 , . . . , xn ).
Desde un punto de vista formal, resulta ms conveniente considerar
este conjunto de m funciones con n variables como una sola funcin,
F : Rn Rm , dada por
F (
x ) = (f1 (x1 , x2 , . . . , xn ), f 2 (x1 , x2 , . . . , xn ), . . . , f m (x1 , x2 , . . . , xn )).
Si denotamos por
Q = (Q1 , Q2 , . . . , Qm )
al vector de produccin, decimos entonces que
Q = F (
x ).
Definicin. Sea S Rn . Una funcin F : S Rm es una regla de
Si denominamos por F (
x ) al elemento de Rm que F le asigna al
w = F (
x)
es la imagen de
x bajo F. Asimismo, decimos que la imagen de la funcin F ,
denotada por IF , es el conjunto de elementos del contradominio obtenidos al
aplicar la regla mltiple F a los elementos del dominio, es decir,
IF = {
w Rm |
w = F (x1 , x2 , . . . , xn ), para todo
x = (x1 , x2 , . . . , xn ) S } .
w1
f1 (x)
w2 f2 (x)
. =
..
..
.
wm
fm (x)
se denomina funcin vectorial de variable escalar, ya que los elementos del
dominio son escalares, x R, y los elementos del contradominio son m-vectores,
(w1 , w2 , ..., wm ) Rm . Geomtricamente, las funciones de este tipo se representan
mediante curvas paramtricas en Rm , como las que estudiamos en la seccin 1.2
(aqu x juega el papel del parmetro que antes llamamos t). Por otra parte, una
funcin f : Rn R (con m = 1)
w = f (x1 , x2, ..., xn )
es una funcin escalar de variable vectorial, ya que los elementos del dominio son
n-vectores, (x1 , x2 , ..., xn ) Rn , y los elementos del contradominio son escalares,
w R. Geomtricamente, las funciones de este tipo se representan mediante
hipersuperficies en Rn+1 , como las que estudiamos en los captulos 2 al 5. Por
232
6.1 Funciones de Rn en Rm
ltimo, una funcin F : Rn Rm (con n, m > 1)
w1
f1 (x1 , x2, ..., xn )
w2 f2 (x1 , x2, ..., xn )
. =
..
..
.
wm
fm (x1 , x2, ..., xn )
es una funcin vectorial de variable vectorial, ya que los elementos del dominio
son n-vectores, (x1 , x2 , ..., xn ) Rn , y los elementos del contradominio son
m-vectores, (w1 , w2 , ..., wm ) Rm . En general, no existe una representacin
geomtrica simple para este tipo de funciones. Desde el punto de vista conceptual,
sin embargo, es claro que una funcin de este tipo transforma vectores de Rn en
vectores de Rm .
Para todos los casos anteriores, puede resultarnos til visualizar la funcin
F como una caja negra con n valores de entrada o variables independientes
x1 , x2 , ..., xn y m valores de salida o variables dependientes, w1 , w2 , ..., wm , como
se muestra en el siguiente diagrama.
F
x1
x2
..
.
xn
f1
f2
..
.
fm
..
.
w1
w2
..
.
wm
Ejemplos:
1. La funcin F = (f1 , f2 , f3 ) : R R3 dada por
x
cos t
f1 (t)
y = f2 (t) = sen t
z
f3 (t)
t
f1
t f2
f3
x
y
z
233
L
K
w1
f1 (x1 , x2 )
5x1 + 4x2
w2 = f2 (x1 , x2 ) = 2x1 + x2 ,
w3
f3 (x1 , x2 )
x1 + 3x2
x1
x2
f1
f2
f3
w1
w2
w3
Nota que, en este caso particular, se trata de un sistema lineal, de modo que
puede escribirse como el producto de matrices
w1
5 4
w2 = 2 1 x1 .
x2
w3
1 3
En otras palabras, se tiene
w = A
x,
en donde A es la matriz de 3 2, dada por
5 4
A = 2 1 .
1 3
F (
x ) = A
x.
234
6.1 Funciones de Rn en Rm
4. En un problema de maximizacin de utilidad para dos bienes, la funcin
F = (f1 , f2 ) : R3+ R2+ dada por
x
y
f1 (I, p1 , p2 )
f2 (I, p1 , p2 )
asigna a cada tro (I, p1 , p2 ) de ingreso, precio del bien 1 y precio del bien 2,
una nica canasta ptima (x , y ).
I
p1
p2
f1
f2
x
y
f1 (
x 0)
f1 (
x 0)
f1 ( x 0 + x ) f1 ( x 0 )
x1 + +
xn
x1
xn
f2 (
x 0)
f2 (
x 0)
f2 ( x 0 + x ) f2 ( x 0 )
x1 + +
xn
x1
xn
..
.
fm (
x 0)
fm (
x 0)
fm (
x 0 +
x ) fm (
x 0)
x1 + +
xn .
x1
xn
Estos resultados pueden combinarse en una notacin matricial, como
f1 (
x 0)
f1 (
x 0)
f1 (
x 0)
x1
x1
x2
xn
f2 ( x 0 ) f2 ( x 0 )
f2 ( x 0 )
x1
x2
xn
. 2
F (
x 0 +
x ) F (
x 0)
..
..
..
..
...
.
.
.
fm ( x 0 )
fm ( x 0 )
fm ( x 0 )
xn
x1
x2
235
xn
x 0 . En notacin
Esta ltima expresin describe la aproximacin lineal de F en
compacta, esta ltima expresin se escribe como
F (
x 0 +
x ) F (
x 0 ) DF (
x 0 )
x,
en donde
x es el n-vector de incrementos, y en donde DF (
x 0 ) es la matriz de
m n que est compuesta por las primeras derivadas parciales de primer orden de
las funciones fj s con respecto a las variables xi s, como se define a continuacin.
Definicin. Sea F = (f1 , ..., fm ) : S Rn Rm una funcin vectorial
cuyas derivadas parciales fj /xi existan en una regin R S, para cada
j = 1, . . . , m, i = 1, . . . , n. La derivada o matriz jacobiana de F con respecto al
x ) de m n dada por
vector
x = (x1 , x2, ..., xn ) es la matriz DF (
f1 (
x)
f1 (
x)
f1 (
x)
x2
xn
1
fx
f2 (
x)
f2 (
x)
2( x )
x
x
x
n
1
2
.
DF ( x ) =
.
.
.
...
.
.
.
.
.
.
fm ( x )
fm ( x )
fm ( x )
x1
x2
xn
A la derivada tambin se le conoce como gradiente generalizado de f1 , ..., fm
con respecto a x1 , x2, ..., xn . Para denotarla se usan cualesquiera de los siguientes
x ), ddF
o F.
smbolos DF (
x
Ejemplo:
Para las siguientes funciones de demanda para dos bienes identifica la funcin
vectorial F y determina su derivada DF :
3/2
2
q2 = 4p1 p1
2 y .
q1 = 6p2
1 p2 y,
f1 (p1 , p2 , y)
f2 (p1 , p2 , y)
3/2
6p2
1 p2 y
2
4p1 p1
2 y
F
p1
f1 q1
p2
f2 q2
y
DF (p1 , p2 , y) =
f1
p1
f2
p1
f1
p2
f2
p2
f1
y
f2
y
3/2
=
236
1/2
3/2
12p3
9p2
6p2
1 p2 y
1 p2 y
1 p2
1 2
2 2
4p2 y
4p1 p2 y 8p1 p1
2 y
6.1 Funciones de Rn en Rm
En el caso particular de una funcin F = (f1 , f2 , . . . , fm ) : S R Rm , con
DF (t) =
dt
df2 (t)
dt
..
.
dfm (t)
dt
f (
x ) f (
x)
f(
x)
Df (
x ) = f(
x)=
,
,...,
,
x1
x2
xn
que coincide con el vector gradiente de f . En consecuencia, la derivada representa
f1 , f2 , ..., fn
x1 , x2, ..., xn
f1
x1
..
.
fn
x1
...
f1
xn
fn
xn
..
.
Nota: En algunos textos el determinante jacobiano J(f1 , f2 , ..., fn /x1 , x2, ..., xn )
tambin se denota por
(f1 , f2 , ..., fn )
.
(x1 , x2, ..., xn )
El jacobiano tiene varias aplicaciones en clculo, una de las cuales se discutir en
la seccin 6.3.
237
Sea DF (
x ) la matriz jacobiana de m n de las derivadas parciales de F en
x
DH( t ) = DF (
x ) DG( t ).
H=F G
g1
g2
..
.
gn
..
.
x1
x2
..
.
xn
f1
f2
..
.
..
.
fm
w1
w2
..
.
wm
wm
t2
wm
tk
fm
x1
fm
x2
fm
xn
gn
t1
gn
t2
gn
tk
Nota que este producto matricial es consistente con los resultados de la seccin
3.3.
238
fy + fu uy + fv vy = 0
gy + gu uy + gv vyy = 0.
ux =
vx =
fx fv
gx gv
u
=
x
fu fv
gu gv
fu fx
gu gx
v
=
x
fu fv
gu gv
fx fv
gx gv
fu fv
gu gv
fu fx
gu gx
fu fv
gu gv
uy =
vy =
fy fv
gy gv
u
=
y
fu fv
gu gv
fu fy
gu gy
v
=
y
fu fv
gu gv
fy fv
gy gv
fu fv
gu gv
fu fy
gu gy
fu fv
gu gv
Observa que las cuatro derivadas parciales son el cociente de dos determinantes.
Todas ellas poseen el mismo denominador, dado por el jacobiano de la funcin
vectorial F = (f, g) : R4 R2 ,
J
f, g
u, v
fu fv
,
gu gv
f, g
u, v
f,g
u,v
est en el
= 0.
Ahora observa que cada numerador est dado tambin por un determinante
jacobiano, de la misma funcin F , pero con respecto a una de las variables
241
dy
dx
f,g
x,v
f,g
u,v
f,g
y,v
f,g
u,v
J
v
=
x
J
f,g
u,x
J
v
=
y
J
f,g
u,y
f,g
u,v
f,g
u,v
242
J
u
=
x
J
=
f,g
x,v
f,g
u,v
fx fv
gx gv
fu fv
gu gv
3x2 1
2
1
2u 1
1 1
(3x2 2)
3x2 + 2
=
.
(2u + 1)
2u + 1
De esta manera,
3(0)2 + 2
u
2
=
= .
x P
2(1) + 1
3
El clculo de las otras tres derivadas parciales queda como ejercicio para ti,
entusiasta lector.
Concluimos esta seccin enunciando el teorema general de la funcin implcita,
correspondiente a m > 1 ecuaciones con n + m variables.
Teorema general de la funcin implcita
Sean f1 (x1 , . . . , xn , w1 , . . . , wm ), . . . , fm (x1 , . . . , xn , w1 , . . . , wm ) funciones
diferenciables. El sistema de ecuaciones
f1 (x1 , . . . , xn , w1 , . . . , wm ) = 0
f2 (x1 , . . . , xn , w1 , . . . , wm ) = 0
..
.
fm (x1 , . . . , xn , w1 , . . . , wm ) = 0.
define a las variables w1 , . . . , wm como funciones implcitas, diferenciables de las
variables x1 , . . . , xn en todos los puntos en donde
J
f1 , f2 , . . ., fm
w1 , w2 , . . ., wm
243
= 0.
para todos j = 1, . . . m, i = 1, . . . n.
f (
x ) =
x .
Ejemplo:
Sea f : [0, 1] [0, 1] una funcin continua. Demuestra que existe x [0, 1] tal
que f (x ) = x .
Como la imagen de la funcin est en el intervalo [0, 1], por lo tanto, para todo
x [0, 1] se tiene
0 f (x) 1.
Sea
h(x) = f (x) x.
244
245
246
ApndiceA
Cnicas
Las cnicas son las curvas (no necesariamente funciones) que se obtienen al
rebanar un cono doble con un plano.
ApndiceA Cnicas
D = E = 0, obteniendo. Ax2 + Cy 2 = F. Al dividir por F ambos lados de la
ecuacin, se obtiene la forma cannica de la ecuacin de la elipse,
x2 y 2
+ 2 = 1.
a2
b
A continuacin se muestran las grficas de la elipse, en los casos a > b y b > a.
=
1
y
2 = 1.
a2
b2
b2
a
A continuacin se muestran las grficas de las hiprbolas correspondientes a
cada una de estas ecuaciones.
3. Parbola:
Est descrita por una ecuacin cuadrtica tal que A = 0 o C = 0, pero
no ambos cero. En su forma ms simple, las ecuaciones cannicas de la
parbola son
y = ax2 y x = ay 2 .
248
Ejemplos:
x2 y 2
1. La ecuacin 4x + 9y = 36 describe a la elipse
+
= 1.
9
4
2
249
ApndiceA Cnicas
3. La ecuacin 4x2 9y 2 = 36 describe a la hiprbola
y 2 x2
= 1.
4
9
250
ApndiceB
Teoremas de concavidad para funciones en Rn
Aqu se presenta la generalizacin de algunos de los teoremas de optimizacin para
el caso de funciones diferenciables en Rn . Para ello, es necesario introducir antes
algunas definiciones importantes.
Definicin. Dada una matriz A de n n, una submatriz principal dominante
de orden k, con k = 1, . . . , n, es la matriz Ak de k k que se obtiene al eliminar
en A los ltimos n k renglones y las ltimas n k columnas. El determinante
|Ak | de la submatriz principal dominante Ak de orden k se conoce como el menor
principal dominante de orden k.
Ejemplos:
a b
de 2 2 se puede construir una submatriz principal
c d
dominante de orden k = 1:
A1 = (a) ,
obtenida al eliminar en A el rengln 2 y la columna 2, y una submatriz principal
dominante de orden k = 2:
1. De la matriz A =
A2 = A =
a b
c d
a b
c d
= ad cb.
a b c
2. De la matriz A = d e f de 3 3 se puede construir una submatriz
g h i
principal dominante de orden k = 1:
A1 = (a) ,
251
A2 =
a b c
A3 = A = d e f ,
g h i
en donde no se ha eliminado rengln ni columna alguna. Los menores
principales dominantes correspondientes son los determinantes
|A1 | = a,
|A2 | =
a b
d e
y |A3 | =
a b c
d e f .
g h i
1. De la matriz A =
a b c
2. De la matriz A = d e f de 3 3 se puede construir tres submatrices
g h i
principales de orden k = 1:
(a) , (e) y (i),
252
a b c
d e f ,
g h i
en donde no se ha eliminado rengln ni columna alguna.
Definicin. Sea A una matriz simtrica de n n. Se dice que:
a) A es definida positiva todos los menores principales dominantes de A son
estrictamente positivos (> 0) .
b) A es semidefinida positiva todos los menores principales de A son no
negativos ( 0) .
c) A es definida negativa todos los menores principales dominantes de A de
orden impar son negativos (< 0) y todos los de orden par son estrictamente
positivos (> 0).
d) A es semidefinida negativa todos los menores principales de A de orden
impar son no positivos ( 0) y todos los de orden par son no negativos ( 0) .
e) A es indefinida, si no se satisfacen los patrones de signo anteriores.
Ejemplo:
La matriz
1 0 1
A= 0 0 0
1 0 0
es indefinida, ya que sus menores principales violan los patrones de signo a)-d).
En efecto, los menores principales de orden 2 (par) de A son
1 0
0 0
= 0,
1 1
1 0
= 1 y
0 0
0 0
= 0,
2f
.
xj xi
+
+
+
+
+
..
..
.
.
+
+, si n es par
, si n es impar
Ejemplos:
1. La funcin f (x, y, z) = x2 + y 2 + z 2 es estrictamente convexa, ya que la matriz
hessiana de f,
2 0 0
H = 0 2 0 ,
0 0 2
254
|H2 | =
2 0
0 2
= 4 y |H3 | =
2 0 0
0 2 0
0 0 2
= 8,
que satisfacen el patrn de signos |H1 | > 0, |H2 | > 0 y |H3 | > 0.
2. La funcin f(x, y, z) = x2 y 2 z 2 es
matriz hessiana de f,
2 0
0 2
H=
0
0
0
0 ,
2
|H2 | =
2 0
0 2
= 4 y |H3 | =
2 0
0
0 2 0
0
0 2
= 8,
que satisfacen el patrn de signos |H1 | < 0, |H2 | > 0 y |H3 | < 0.
Teorema (condiciones suficientes de segundo orden)
Sea
x 0 ) la matriz hessiana de f evaluada en
x 0 S un punto crtico de f. Sea H(
Nota las implicaciones del tipo en este ltimo teorema, que contrastan con
las del tipo para funciones estrictamente convexas (cncavas).
Ejemplo:
La funcin f (x, y, z) = x2 + y + z 2 es convexa no estricta, ya que la matriz
hessiana de f,
2 0 0
H = 0 0 0 ,
0 0 2
es semidefinida positiva. En efecto, sus menores principales de orden 1 son
2, 0 y 2,
sus menores principales de orden 2 son
2 0
0 0
= 0,
2 0
0 2
=4 y
256
= 0.
0 0
0 2
= 2,
Sea
x 0 S un punto crtico de f. Sea H(
x 0 ) la matriz hessiana de f evaluada en
x 0 . Entonces
no positivos ( 0) en
x 0 y todos los de orden par son
no negativos ( 0) en
x 0.
El valor mnimo o mximo local es un extremo global de f, cuando los patrones
de signo a) y b) se satisfacen en todo el dominio de f .
Nota que aqu la concavidad o convexidad de f es una condicin necesaria, mas
no suficiente, para un extremo local. En otras palabras, no basta con demostrar la
concavidad o convexidad de la funcin para garantizar la existencia de un mximo
o un mnimo.
257
Bibliografa
1. B.R. Binger, E. Hoffman, Microeconomics with Calculus, 2nd. edition, Addison
Wesley, 1997.
2. A.C. Chiang, Mtodos Fundamentales de Economa Matemtica, 3a. edicin,
McGraw-Hill Interamericana de Mxico, 1987.
3. O. Estrada, P. Garca y Colom, G. Monsivais, Clculo Vectorial y Aplicaciones,
Grupo Editorial Iberoamrica, 2003.
4. D.S. Kaplan, A Practical Guide to Lagrangeans, Centro de Investigacin
Econmica, ITAM, 2005.
5. H. Lomel, B. Rumbos, Mtodos Dinmicos en Economa: Otra Bsqueda del
Tiempo Perdido, 2a. edicin, Jit Press, 2010.
6. J. E. Marsden, A.J. Tromba, Clculo Vectorial, 5a. edicin, Pearson, 2004.
7. M.J. Osborne, Mathematical Methods for Economic Theory: A Tutorial,
http://www.economics.utoronto.ca/osborne/MathTutorial, 2007.
8. G. Pastor, Matemticas IV, ITAM, 1993.
9. E. Silberberg, W. Suen, The Estructure of Economics: A Mathematical Analysis,
3rd. edition, McGraw-Hill, 2001.
10. C.P. Simon, L. Blume, Mathematics for Economists, Norton, 1994.
11. K. Sydsaeter, P.J. Hammond, A. Carvajal, Matemticas para el Anlisis
Econmico, Pearson, 2a. edicin, 2012.
12. K. Sydsaeter, P.J. Hammond, Essential Mathematics for Economic Analysis,
2nd. edition, Prentice Hall, 2006.
13. K. Sydsaeter, P.J. Hammond, A. Seierstad, A. Strom, Further Mathematics for
Economic Analysis, 2nd. edition, Prentice Hall, 2008.
14. G.B. Thomas, R.L. Finney, Clculo, Vols. I y II, 12a. edicin, Adisson Wesley,
2004.
258