Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicada (Matemáticas)
Grado en:
Administración y
Dirección de Empresa
2: TEORIA DE FUNCIONES
A D se le llama dominio de la función y es el conjunto de los posibles valores que puede tomar la
variable independiente, D = { x ∈ R tal que f(x ) puede realizarse } , esto es, excluye cualquier valor de
x que implique una operación indefinida.
A f (D) se le llama rango, recorrido o imagen de de f y esta formado por el conjunto de los posibles
valores que resulta para la variable dependiente.
Ejemplo. La función f: DÕ R ö R
x ö f(x) = x2 - p
es la regla que toma un número real (que designamos por x) , lo eleva al cuadrado y luego le resta el
número «pi». Como a todo número real lo podemos elevar al cuadrado y restar, a continuación, el número
pi, resulta que esta función «está definida» en todo R. Luego en este caso D ª R.
Algunas funciones que se hallan frecuentemente en el cálculo y en las ciencias sociales se enumeran
a continuación:
Función lineal: f(x) = ax + b
Una pregunta lógica en este momento es: ¿nos preocupa si las imágenes de los puntos de D están en
todo R o sólo en una parte de él? En principio, diremos que no nos preocupa tanto como el estudio del
dominio D, ya que en el estudio de D está el que sea una aplicación o sólo una correspondencia, es decir,
si todo punto tiene una imagen o no; estudio que en cierto modo ya es conocido de cursos anteriores.
Puesto que muchas actividades económicas comprenden más de una variable independiente, dirigimos
nuestra atención a las funciones de dos o más variables independientes.
Obsérvese que ésta sería una función de tres variables (n=3). Aquí D = R3
Sin embargo, la función
y = 7 x1 + π x 2
tiene, como conjunto de definición D, el conjunto de los pares (x1,x2) tales que x1 y x2 sean no negativos.
Hagamos una última observación. El conjunto de definición o dominio D puede estudiarse desde dos
puntos de vista: el primero es el matemático, y el segundo, el económico (no damos este orden por su
importancia, sino por conveniencia metodológica).
Desde el primer punto de vista (el matemático), hemos de decir que D sería el subconjunto de Rn en
el cual tendría sentido realizar las operaciones para obtener la imagen de un elemento de D. Así, en el
caso de
f: D Õ R2 ö R
r
x = (x1,x2) ö f(x1,x2) = x1x 2 = y
como la imagen ha de ser real, y dado que para que la raíz cuadrada de un número sea real, dicho
número ha de ser positivo o nulo, en principio, el conjunto de definición, desde el punto de vista
matemático, que notaremos como DM, sería:
Por tanto, el conjunto D sería la intersección de ambos, que debido al hecho frecuente de que
DEÕDM tendremos que
D = DE …DM = DE
Dos o más funciones se pueden combinar par obtener una nueva función.
Se define:
la función suma: (f+g): DÕ Rnö R tal que (f+g)(x) = f(x) + g(x)
la función diferencia: (f - g): DÕ Rnö R tal que (f - g)(x) = f(x) - g(x)
la función cociente: (f / g): DÕ Rnö R tal que (f / g)(x) = f(x) / g(x), con g(x)≠0 en D
la función producto de “f” por el escalar “a” :(af ): DÕ Rnö R tal que (af )(x) = a f(x)
Hemos definido hasta el momento las operaciones algebraicas para funciones reales de variables reales.
Veamos cómo pueden ser definidas para funciones vectoriales, es decir, aplicaciones:
r
f : D Õ Rn ö Rm
que, recordemos, era equivalente a m funciones reales de n variables reales:
fi: DÕRn ö R (i =1,2,…,m)
definimos:
r r r r
( ) r r
f + g : D Õ Rn ö Rm tal que f + g (x) = f (x) + g (x)
r r
operación que está bien definida por ser f (x) y g (x) elementos de Rm en el que tenemos definida dicha
operación y su resultado es un elemento de Rm.
r
Como podemos observar, las operaciones diferencia y producto de “ f ” por el escalar “a” son,
también, fácilmente generalizable a funciones vectoriales. Sin embargo, el producto y el cociente no son
generalizable en un sentido análogo al caso de funciones escalares, ya que el producto y el cociente, no
están definidos en Rm (m>1).
r
Las funciones también se pueden combinar sustituyendo una función f (x) para cada ocurrencia de x en
r r r
otra función g (x). Este proceso es conocido como composición de funciones y se denota con g [ f (x) ].
tal que:
F(x1 , x 2 ) = x12 + x 22 ∀( x1 , x 2 ) ∈ R 2
(x1 , x 2 ) ⎯⎯→
f
x 12 + x 22
y la segunda, g de R+ en R definida de tal manera que a todo número real positivo le hace corresponder
su raíz cuadrada:
x⎯
⎯→
g
x
Ejercicio
r
Determínense la función vectorial g o f , donde
f : R3 → R
(x1 , x 2 , x 3 ) a x12 + x 22 + x3
y
r
g : R → R2
y a ( y 2 ,2 y y )
Así como su dominio de definición.
La continuidad también se define de la misma forma. Una función escalar o vectorial es continua en
todo su dominio si:
r r r
r r f ( x ) = f (a )
∀ a ∈ D ⇒ lim
x →a
f (x 0 + λ ) − f (x 0 )
f ' ( x 0 ) = lim = NÚMERO (*)
λ →0 λ
Si existe este límite decimos que f es derivable en x0, lo denotamos por f ' ( x 0 ) . Este valor numérico
nos representa la variación infinitesimal de la función en el punto x0. También se le llama tasa
instantánea de variación de f en x0.
El proceso de hallar la derivada de una función se llama derivación. Es práctico pensar que esto es una
operación que transforma una función f en otra f´’, llamada función derivada. La cual está definida para
los valores de x para los que existe el límite en (*)
f´’ : G⊂R R
x ö f ´(x )
dy df
Si y = f(x ) , se puede usar los símbolos y´, , en lugar de f ´(x ).
dx dx
Solución:
a) Para calcular la función derivada al ser la función un cociente de dos funciones aplicamos la
derivada del cociente.
2x(x − 2) − x 2 x 2 − 4x
f ´(x) = =
(x − 2) 2 (x − 2) 2
Generalmente y por comodidad del lenguaje no se dice función derivada, sino sólo derivada lo
cual puede llevar a error con el concepto de derivada de una función en un punto que es sólo un número.
b) Para calcular el valor de la derivada en un punto, podríamos proceder de dos formas una, que
sería la forma formal, que es aplicar la definición y la segunda que es lo que realmente hacemos en la
práctica, la cual consiste en calcular la función derivada utilizando las reglas de derivación y sustituir en
el punto:
x 2 − 4x
f ´(x) = ⇒ f´(4) = 0
(x − 2) 2
Derivadas direccionales
Supongamos una empresa que, a partir de n inputs en cantidades respectivas (x1,x2,…xn) produce un
output en cantidad f(x1,x2,…xn). Es decir tenemos una función Escalar
f: D⊂ Rn R, con D abierto
r
x = (x1,…,xn) ö f(x1,…,xn) = y
r
En estas circunstancias cabe preguntarse, ¿qué ocurriría si en vez de disponer de las cantidades x 0 de
inputs, disponemos de unas cantidades cercanas? ¿Cómo variaría la cantidad producida?
El problema que se nos presenta al trabajar con funciones de más variables, es ¿cómo nos acercamos a
r
un punto x 0 ? La solución es definir el concepto de derivada direccional, en la cual tenemos que
r r
especificar el punto, x 0 , en el que queremos medir la variación y, por supuesto, la dirección, v ∈ Rn, en
la cual nos vamos a acercar a dicho punto. De esta forma definimos:
Este número nos representa la variación infinitesimal que se produce en la función, cuando a partir del
r r
punto x 0 , nos movemos en la dirección del vector v .
Ejemplo
Sea la función de producción para una determinada empresa
f (x 1 , x 2 ) = x 12 x 2
En este caso hemos de buscar el valor de la derivada direccional según el vector (1, 1). Ya que
r r
x 0 + λv = (2, 3 ) + λ (1, 1) = (2 + λ , 3 + λ )
Para obtenerla, podríamos proceder de dos formas una, que sería la forma formal, que es aplicar la
definición (obtener el límite) y la segunda que es lo que realmente hacemos en la práctica, sería aplicar
alguna herramienta que veremos posteriormente. Supongamos que conocemos que
D (1,1) f (2, 3) = 16
Esto quiere decir que, cuando a partir del punto (x 1 , x 2 ) = (2, 3 ) , nos movemos en la dirección del
vector (1,1) (aumentamos las dos componentes en la misma cantidad(pequña o infinitesimal)), la variación que
sufre la función f es de 16 unidades (pequña o infinitesimal).
La interpretación deja de ser correcta si los incrementos considerados no son lo suficientemente
pequeños.
Como ya sabemos, en Rn hay vectores que son especialmente interesantes como son los que forman la
base canónica; estos vectores, desde el punto de vista económico y considerando Rn como un espacio de
inputs, son los que nos dan una variación de un input suponiendo fijos los restantes; y de ahí que la
derivada direccional, según estos vectores, nos dé la sensibilidad en la variación de la cantidad producida
en función de un input.
A estas derivadas direccionales tan especiales se las conoce con el nombre de derivadas parciales, ya
que, en realidad, consideramos la variación de la producción parcialmente, al suponer como única
variación la de un input.
Podemos entonces decir:
Definición
Dada la función f: G⊂Rn R, con G abierto; definimos la derivada parcial i-ésima de f en xr 0 ∈G
r r
como la derivada direccional de f según el i-ésimo vector de la base, ei , en x 0 ∈G y lo notaremos
indistintamente como:
r r r r
r r f (x 0 + λ e i ) − f (x 0 ) ∂ f (x 0 ) ⎡ ∂ f ⎤
D ei f ( x 0 ) = D i f (x 0 ) = lim
r = =⎢ ⎥
λ →0 λ ∂x i ∂x
1
424 3 ⎣ i ⎦ x0
Notacion
Definición
r
Si la derivada direccional de f según un vector ei existe para cualquier elemento del abierto G,
podemos definir la derivada parcial i-ésima de f, como la función
D eri f : G → E
r ∂f
x a D eri f ( x ) =
∂x i
Dada una función escalar, f: G⊂Rn R podemos calcular n-derivadas parciales, las cuales
corresponden a la variación de sus n-variables. Si no nos dan punto, lo que obtenemos son expresiones
que serían el equivalente a la función derivada en funciones de una variable, si por el contrario nos dan un
punto, cada valor es la variación de la función cuando variamos la coordenada i-ésima.
Dada una función escalar, definimos el vector gradiente, como un vector columna (nx1), el cual recoge
las n derivadas parciales asociadas a la función, lo denotaremos como:
r
⎛ ∂ f (x ) ⎞
⎜ ∂x1 ⎟
⎜ r ⎟
r ⎜ ∂ f (x) ⎟
∇f (x ) = ⎜ ∂x 2⎟
⎜ M ⎟
⎜ r ⎟
⎜⎜ ∂ f (x) ⎟
⎝ ∂xn ⎟⎠
r
Para obtener ∂ f ( x ) , debido a que
∂x i
r r
f ( x + λ ei ) = f ( x 1 x 2 L x i + λ L x n )
coordenada i
todas las variables se comportan como constantes salvo la coordenada xi . Así, podemos considerar
la función como de la única variable xi tomando las demás como constantes y derivarla respecto de esta
variable exclusivamente.
Ejemplo
Sea por ejemplo, la función de producción anterior:
f ( x1 , x2 ) = x12 x2
r
⎛ ∂ f (x ) ⎞
r ⎜ ∂x1 ⎟ ⎛ 2 x1 x2 ⎞ ⎛ 2 x1 x2 ⎞ ⎛12 ⎞
∇ f (x ) = ⎜ r ⎟ = ⎜ 2 ⎟ ⇒ ∇ f (2, 3) = ⎜ 2 ⎟ =⎜ ⎟
⎜ ∂ f (x) ⎟ ⎝ x1 ⎠ ⎝ x1 ⎠ ( 2, 3) ⎝ 4 ⎠
⎝ ∂x 2 ⎠
Hagamos notar que, considerando f como una función de producción de un proceso que utilizan n
factores de producción, las derivadas parciales Dei f (x) se las denomina productividades marginales en
volumen, relativas a los factores xi , y representan el incremento de producción obtenida por el aumento
unitario de la cantidad del factor i.
⎛ x2 y3 ⎞
f ( x y z ) = Ln⎜ ⎟ = 2 Ln( x ) + 3Ln( y ) − Ln( z )
⎜ z ⎟
⎝ ⎠
Consideramos que el dominio es : D = {(x y z) ∈ R 3 / {x , y, z} > 0} .
⎛∂ f (x y z) ⎞ ⎛ 2 ⎞
⎜ ⎟ ⎜ ⎟
⎜ ∂x ⎟ ⎜ x ⎟
∂ f (x y z) ⎟ ⎜ 3 ⎟
Gradiente: ∇ f (x y z) = ⎜⎜ ⎟=⎜ y ⎟
∂y
⎜∂ f (x y z) ⎟⎟ ⎜⎜ 1 ⎟⎟
⎜⎜ ⎟ ⎜− ⎟
⎝ ∂z ⎠ ⎝ z ⎠ 3x1
⎛2⎞
⎜ ⎟
Supongamos que nos lo piden en el punto (1 1 1) ⇒ ∇f(111) = ⎜ 3 ⎟
⎜ − 1⎟
⎝ ⎠
Ejemplo
Solución
t ⎛1⎞ ⎛1⎞
D(1,1) f ( 2, 3) = ( ∇ f (2, 3) ) ⎜ ⎟ = (12 4 ) ⎜ ⎟ = 16
⎝1⎠ ⎝1⎠
La siguiente propiedad nos muestra una de las más importantes propiedades del vector gradiente y una
de las razones por las que tiene una mayor utilidad práctica.
El vector gradiente de una función en un punto nos da la dirección de máxima variación de la función
en ese punto.
Demostrémoslo
Partimos de la relación existente entre el vector gradiente y la derivada direccional, todo ello en el
r r
punto x 0 y según la dirección v :
(
r
Dv f (x0) = ∇f ( x ) t v
0 )
El producto escalar de ambos vectores puede escribirse:
r r
Dv f (x0) = (∇f ( x0 ) ) t v = ∇f ( x0 ) v cos(ϕ )
donde señalamos por vector a la norma o módulo del vector correspondiente y ϕ es el ángulo que
r r r
forman los vectores gradiente y v . Ahora bien, para x 0 y v fijos, el máximo valor de esta expresión se
conseguirá cuando cos(ϕ ) tome el máximo valor, y ello ocurrirá cuando valga 1, es decir, cuando ϕ = 0º.
Por lo tanto, cuando el gradiente de f en x0 tenga la misma dirección que v o, lo que es lo mismo,
cuando la dirección v sea la del gradiente en el punto x0 entonces obtendremos máxima la derivada, es
decir, será máxima la variación de la función.
De igual modo, podemos conocer la dirección de mínima variación de la función, que será cuando
valga -1, o sea, el ángulo que forman ambos vectores es ϕ =180º.
∂2 f
= D ei (D e j f )
∂x i ∂x j
∂2 f ∂2 f
(x) = (x)
∂x i ∂x j ∂x j ∂x i
este resultado, nos indica que el orden de las variables en las derivadas parciales de orden superior es
indiferente para el resultado obtenido.
En resumen, la matriz Hessiana, es una matriz que nos recoge todas las derivadas de orden dos de las
funciones escalares y de las funciones componentes de las vectoriales. Esta matriz nos va a determinar la
convexidad de funciones, nos va a proporcionar aproximaciones cuadráticas y nos ayudará en el tema
correspondiente al cálculo de máximos y mínimos, en definitiva se comporta domo la derivada segunda
en las funciones de una variable.
f ( x, y, z ) = x 2 + y 4 z 3 + Ln( xz )
A partir de aquí tendremos que calcular las dobles parciales, teniendo en cuenta que la matriz
Hessiana siempre es simétrica.
⎧ ∂ 2 f ( x, y , z ) 1
⎪ = 2− 2
⎪ 2 ∂ x 2
x
∂f ( x, y, z ) 1 ⎪ ∂ f ( x, y , z )
= 2x + ⇒ ⎨ =0
∂x x ⎪ 2 ∂x∂y
⎪ ∂ f ( x, y , z )
⎪ ∂x∂z =0
⎩
⎧ ∂ 2 f ( x, y , z )
⎪ = 12 y 2 z 3
⎪ ∂ y
∂f ( x, y, z )
= 4 y3z3 ⇒ ⎨
∂y ⎪ ∂ 2 f ( x, y , z )
⎪ = 12 y 3 z 2
⎩ ∂ y ∂z
y por último:
⎧
∂f ( x, y, z ) 1 ⎪⎪ ∂ 2 f ( x, y, z ) 1
= 3y4 z2 + ⇒ ⎨ = 6 y4z − 2
∂z z ⎪ ∂ z 2
z
⎪⎩
⎛ 1 ⎞
⎜2 − 2 0 0 ⎟
⎜ x ⎟
Hf ( x, y, z ) = ⎜ 0 2 3
12 y z 3 2
12 y z ⎟
⎜ 1 ⎟
⎜ 0 12 y 3 z 2 6 y 4 z − 2 ⎟
⎝ z ⎠
Si la evaluamos en un punto, tenemos una matriz simétrica y cuadrada de orden 3x3, para su
clasificación y su signo se utiliza las técnicas de las formas cuadráticas (menores principales).
⎛1 0 0 ⎞
⎜ ⎟
Hf (1,1,1) = ⎜ 0 12 12 ⎟
⎜ 0 12 5 ⎟
⎝ ⎠
Funciones Vectoriales
Estudiemos a continuación las expresiones de las derivadas direccionales de funciones vectoriales de
varias variables.
Si representamos una función vectorial mediante sus funciones escalares componentes tendremos que:
r
f : D ⊂ Rn → Rm
r r r r r r r
x → f ( x ) = ( f1 ( x ), f 2 ( x ),L, f m ( x )) = y
fi : D ⊂ R n → R
donde r r
x a fi ( x ) = yi
r r r
Definimos la derivada direccional de f en el punto x 0 œ D según el vector v œ Rn como:
r
⎛ Dv f1 ( x0 ) ⎞
⎜ ⎟
r r r r r ⎜ ...
r r f ( x0 + λ v ) − f ( x0 ) r ⎟
Dvr f ( x0 ) = lim = ⎜ Dv fi ( x0 ) ⎟
λ →0 λ ⎜ ⎟
⎜ ... ⎟
⎜ D f ( xr ) ⎟
⎝ v m 0 ⎠
Este vector nos representa lo mismo, la variación por coordenadas que se produce en la función.
En particular la derivada parcial i-ésima o derivada direccional según el i-ésimo vector de la base
canónica es:
r
r ⎛ ∂f (xr ) ⎞
⎛ Der f1 (xr0 ) ⎞ ⎜ 1 0 ∂x ⎟
⎜ i ⎟ ⎜ i ⎟
⎜ L ⎟ ⎜ r L r ⎟
Der f (x0 ) = ⎜ Der f i (x0 ) ⎟ = ⎜ ∂f i (x0 ) ⎟
r r ⎜ r r ⎟
i i ⎜ ∂xi ⎟
⎜ L ⎟ ⎜ ⎟
⎜ r ⎟ r L
⎜ Der f m (xr0 )⎟ ⎜ ∂f m (x0 ) ⎟
r
⎝ ⎠ ⎜ ⎟
∂xi ⎠
i
Dada una función vectorial, definimos matriz jacobiana, como una matriz de tamaño (n x m), la cual
recoge las n x m derivadas parciales asociadas a la función vectorial, también se define como, una matriz
que recoge por columnas los gradientes de las m-funciones escalares componentes. A la matriz Jacobiana
r r
la denotaremos como Jf ( x ) .
r r
⎛ ∂f1 ( x ) ∂f m ( x ) ⎞
⎜ L
∂x1 ∂x1 ⎟
⎜ r r ⎟
r r ⎜ ∂f1 ( x ) ∂f m ( x ) ⎟
r r M
Jf ( x ) = (∇f1 ( x ), L ∇f m ( x )) n x m =⎜ ∂x2 ∂x2 ⎟
⎜ M ⎟
⎜ r r ⎟
⎜ ∂f1 ( x ) ∂f m ( x ) ⎟
⎜ ∂xn
L
∂xn ⎟⎠n x m
⎝
Ejemplo.- Sea la función
r
f ( x, y, z ) = ( x 2 + z 3 , y 4 + Ln( z ))
Calcular la matriz Jacobiana
⎛ 2x 0 ⎞
r ⎜ ⎟
Jf ( x, y, z ) = (∇f1 ( x, y, z ), ∇f 2 ( x, y, z )) = 0 4 y 3 ⎟ si la evaluamos en un punto
3x 2 ⎜
⎜ 3z 2 1/ z ⎟
⎝ ⎠
⎛ 2x 0 ⎞ ⎛2 0⎞
r ⎜ ⎟ ⎜ ⎟
J ( f (111)) = ⎜ 0 4y ⎟3
= ⎜ 0 4⎟
⎜ 3z 2 1 / z ⎟⎠ (1,1,1) ⎜⎝ 3 1 ⎟⎠
⎝
Teorema (relación entre la matriz Jacobiana y la derivada direccional)
r r
Si existen todas las derivadas parciales de f en x 0 y son continuas, entonces existe la derivada
r r r
direccional de f en x 0 para todo vector v ∈ Rn y además:
r r r r
= ( Jf ( x ) ) v
r
Dvr f ( x0 )
t
Ejemplo
Sea la función vectorial de producción para una determinada empresa
r
f ( x1 , x2 ) = ( x12 x2 , x1 x22 , x12 x22 )
Es decir, que con dos inputs en cantidades x1 y x2 obtenemos tres outputs en cantidades
f1 ( x1 , x2 ) = x12 x2
f 2 ( x1 , x2 ) = x1 x22
f 3 ( x1 , x2 ) = x12 x22
r
Donde hemos llamado (f1, f2, f3) a las componentes de la función vectorial f .
¿Cómo se modifican las cantidades producidas si aumentamos en una unidad cada input?
En este caso hemos de buscar el valor de la derivada direccional según el vector (1,1) y así hemos de
calcular la Jacobiana
r ⎛ 2 x1 x2 x22 2 x1 x22 ⎞
Jf ( x1 , x2 ) = (∇f1 ( x1 , x2 ), ∇f 2 ( x1 , x2 ), ∇f 3 ( x1 , x2 ) ) =
2 x1 x2 2 x3 ⎜ x 2 ⎟
2 x12 x2 ⎠
⎝ 1
r
teniéndose que, cuando estamos en el punto x y nos movemos en la dirección definida por el vector
r
(1, 1), la variación que sufre la función f vendrá definida por el vector
t ⎛ x12 + 2 x1 x2 ⎞
r ⎛ 2x x x2
2x x 2
⎞ ⎛ ⎞ ⎜ 2
1 ⎟
D(1,1) f ( x1 , x2 ) = ⎜ 12 2 2 1 2
2 ⎟ ⎜ ⎟ = ⎜ x2 + 2 x1 x2 ⎟
⎝ x1 2 x1 x2 2 x x ⎠ ⎝1⎠ ⎜ ⎟
⎝ 2 x1 x2 + 2 x1 x2 ⎠
1 2 2 2
r n r
Entonces existen las derivadas parciales de la función compuesta g o f : D ⊂ R → R en x 0 œ D y la
forma, más práctica, de calcular estas parciales es estableciendo un árbol de dependencias:
a) Si z es función de p variables:
z = z(y1,…,yp)
b) Si cada una de las p variables es a su vez función de otras n:
y1 = y1(x1,…,xn)
……
yp = yp(x1,…,xn)
entonces z es función de las n variables (x1,…,xn) y si analizamos el árbol de dependencia de esta
composición tenemos:
x1
y1 x2
M
M xn
z M
.
x1
yp x2
M
por tanto: xn
∂z ∂z ∂y1 ∂z ∂y p
= +K+
∂xi ∂y1 ∂xi ∂y p ∂xi
⎧ x = t2
⎛x y ⎞ ⎪
2 3
df ( t )
Ejemplo Dada la función f ( x , y , z ) = Ln⎜⎜ ⎟⎟ donde ⎨ y = et , calcule para t = 1 utilizando
⎝ z ⎠ ⎪z = 2 − t dt
⎩
la Regla de la Cadena.
Solución:
⎧x → t
⎪
f → ⎨y → t
⎪z → t
⎩
por tanto para derivar calcularemos:
df ∂f dx ∂f dy ∂f dx
= + +
dt ∂x dt ∂y dt ∂z dt
evaluado en el punto t = 1 y (x(1), y(1), z(1)) = (1, e, 1), nos da que la variación de la función f con
respecto de la variable t en el punto t = 1, es:
df (t ) 2 3 1 3
= 2t + et − (−1)t =1 = 4 + e +1 = 8
dt x y z ( x , y , z )=(1,e ,1) e
Por último, daremos la definición de ciertas clases de funciones, que posteriormente utilizaremos
en algunos teoremas.
Definición
Denotaremos por C q(D) y llamaremos funciones de clase q en D el conjunto de las funciones reales
definidas en D Õ Rn tal que admite derivadas parciales continuas hasta el orden q (q œ N).
Generalización a n variables.
La fórmula de Taylor se generaliza de manera natural para el caso de funciones escalares, utilizando el
gradiente y la hessiana.
r r r r r 1 r r r r r r r 3
f ( x ) ≅ f ( x 0 ) + ∇ t f ( x 0 )( x − x 0 ) + ( x − x 0 ) t H f ( x 0 )( x − x 0 ) + R ( x − x 0 )
14444244443 2
Aproximación Lineal
14444444444244444444443
Aproximación Cuadrática
La aproximación lineal que nos proporciona la fórmula de Taylor, es la mejor aproximación lineal, de
la función; cuando incluimos la hessiana, tenemos la mejor aproximación cuadrática.
Ejemplo
Dada la función f ( x, y, z ) = x 3 + Ln( yz ) . Calcular:
f (1,1,1) = 1 + Ln1 = 1
⎛ 3x 2 ⎞
⎜ ⎟ ⎧
⎜ ⎟ ⎛ x − 1⎞
⎪ ⎜ ⎟
⎜ 1 ⎟ ⎛ 3⎞ ⎪ f ( x, y, z ) ≅ f (1,1,1) + ∇ f (1,1,1)⎜ y − 1⎟
t
⎜ ⎟ ⎜ ⎟ ⎨
∇f ( x, y, z ) = ⎜ y ⎟ = ⎜1⎟ ⇒ ⎜ z − 1⎟
⎪ ⎝ ⎠
⎜ ⎟ ⎜1⎟ ⎪⎩ x 3 + Ln( yz ) ≅ 1 + 3( x − 1) + y − 1 + z − 1
⎜ 1 ⎟ ⎝ ⎠
⎜ ⎟
⎜ z ⎟
⎝ ⎠(1,1,1)
⎛ 6x 0 0 ⎞
⎜ ⎟
⎜ ⎟ ⎛6 0 0 ⎞
⎜ −1 ⎟ ⎜ ⎟
Hf (1,1,1) = ⎜ 0 0 ⎟ = ⎜ 0 −1 0 ⎟
⎜ y2 ⎟ ⎜ 0 0 − 1⎟
⎜0 −1 ⎟ ⎝ ⎠
⎜ 0 2 ⎟
⎝ z ⎠ (1,1,1)
⎛ x − 1⎞ ⎛ x − 1⎞
t ⎜ ⎟ 1 ⎜ ⎟
f ( x, y, z ) ≅ f (1,1,1) + ∇ f (1,1,1)⎜ y − 1⎟ + ( x − 1, y − 1, z − 1) Hf (1,1,1)⎜ y − 1⎟
⎜ z − 1⎟ 2 ⎜ z −1⎟
144442444 ⎝ 43⎠ ⎝ ⎠
Aproximación Lineal
14444444444244444444443
Aproximación Cuadrática
⎛ x − 1⎞ ⎛ 6 0 0 ⎞⎛ x − 1 ⎞
⎜ ⎟ 1 ⎜ ⎟⎜ ⎟
x + Ln( yz ) ≅ f (111) + (3 1 1)⎜ y − 1⎟ + ( x − 1, y − 1, z − 1)⎜ 0 − 1 0 ⎟⎜ y − 1⎟
3
⎜ z − 1⎟ 2 ⎜ 0 0 − 1⎟⎜ z − 1 ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
1
x 3 + Ln( yz ) ≅ 1 + 3( x − 1) + y − 1 + z − 1 + (6( x − 1) 2 − ( y − 1) 2 − ( z − 1) 2 )
2
1 1
x 3 + Ln( yz ) ≅ −4 + 3 x + y + z + 3( x − 1) 2 − ( y − 1) 2 − ( z − 1) 2
2 2
Definición
Ejemplo
Un ejemplo de este tipo de funciones puede ser:
f : D ⊂ R2 → R
(x, y) a f (x, y) = x 3 y 2
f ( x, y ) = 4 xy ⇒ f (λ x, λ y ) = 4 λxλy = 4λ xy = λ f ( x, y )
Ejemplo
Obsérvese que el punto (1, 1/2) tiene como entornos fundamentales los intervalos:
I = (0,2) ä (0,1) ó I = (-5,7) ä (-1,2)
Decimos que F(x, y) = 0 define implícitamente a y como función de x, en un entorno del punto
(x0,y0) ⇔ a) F(x0, y0) = 0, el punto verifica la relación
b) Para todo ~
x œN(x0) existe un único ~y =j( ~
x ) œ N (y0), tal que F( ~
x , j( ~
x )) = 0;
o, dicho de otra forma, para todo xœN(x0) la ecuación F(x, y) =0, admite solución
única en un entorno de y0 .
Ejemplo
La ecuación F(x,y) = x3 + 5xy + y – 2x2 – 3x2y + 1 = 0
define la función implícita
x 3 − 2x 2 + 1
y=−
− 3x 2 + 5x + 1
No siempre va a ser factible la obtención de una función implícita, es decir, puede ocurrir que,
aunque se puedan realizar cálculos algebraicos, no se llegue a obtener tal solución.
Ejemplos
1) La ecuación f(x,y)=x2+y2-1=0 es tal que si despejamos “y” resulta
y = ± 1− x2
donde observamos que “y” no está representada como tal función de x, ya que para un valor de x,
obtenemos dos valores de y.
2) Cuando no pueda despejarse y como función de x, como sería el caso de sen(y) –x2 + y2 – 3= 0
Todo ello nos lleva a la necesidad de obtener condiciones que nos aseguren cuándo F(x, y) =0
define, en el entorno de un punto, la función implícita y = j(x) y estas condiciones nos la da el:
Teorema de Existencia de la FUNCIÓN IMPLÍCITA
Dada la relación F(x, y) = 0 y el punto (x 0 , y 0 ) , si se verifica:
a) F(x 0 , y 0 ) = 0
a) F(0,0)=0
b) Es de clase 1 en N(0,0).
∂F
c) (0,0) = 0
∂y
con lo que tenemos que NO se verifica el teorema de existencia, y sin embargo, SÍ existe una función
implícita, que se obtiene de la relación dada: y = 3
x.
Lo cual viene a afirmar lo indicado antes, esto es, la no verificación del teorema no implica la no
existencia de la función.
• La existencia asegurada por el teorema es en general local, o sea, que la función j no está definida
más que en el entorno de (x0,y0).
Derivación
¿Cómo se obtiene la derivada de la función implícita que se desprende de la relación F(x, y) = 0 ?
Supongamos que en un entorno del punto (x0, y0) de la relación F(x , y ) = 0 puede obtenerse la función
implícita y = ϕ(x ) .
Puesto que y depende de x (o sea, y es la variable dependiente), se trata de obtener:
dy dϕ
y' = = = ϕ´
dx dx
Para ello, derivamos F(x, y) = 0 con respecto a la variable x, y habida cuenta que la variable y depende
de x (y = j(x)), hemos de utilizar la regla de la cadena. Por otro lado, al ser F(x, y) = 0 es decir,
constantemente nula, sus derivadas también lo serán. Así, obtendremos:
dF ∂F dx ∂F dy
= + =0
dx ∂x dx ∂y dx
Esta expresión dependerá de la variable que despejemos (dependiente) en función de otra (independiente).
Por consiguiente, si se cumplen las condiciones del teorema, éste asegura que existe la función implícita,
pero no proporciona una expresión explícita de ella; sin embargo, sí permite obtener una expresión para la
derivada.
Ejemplo
Dada la relación xy + sen (x − y ) = y , determinar la existencia de la función implícita y = ϕ(x ) en un
entorno del punto (0,0) , y en caso positivo, determinar:
dy
(0 ) .
dx
Definimos la función F(x, y), observando que viene dada por la expresión anterior igualada a cero:
F(x, y) = xy + sen (x − y ) − y = 0
⎛ ∂F ⎞
⎜ ⎟ ⎛ y + cos(x − y ) ⎞ ⎛ 1 ⎞
⎜ ∂x ⎟ ⎜ ⎟ ⎜ ⎟
∇F(x , y ) = ⎜ ⎟ = ⎜ ⎟ =⎜ ⎟
⎜ ∂F ⎟ ⎜
x − cos(x − y ) − 1 ⎟⎠{(0 , 0 ) ⎜⎝ − 2 ⎟⎠
⎜⎜ ∂y ⎟⎟ ⎝
⎝ ⎠
(3) La derivada parcial en (0,0) con respecto a y, que es la variable dependiente, la que deseamos
despejar es -2
Luego, existe la función implícita correspondiente y = ϕ(x) en un entorno de (0,0).
Pasemos ahora a determinar la derivada:
∂F
dy
(0 ,0 ) 1 1
(0 ) = − ∂x =− =
dx ∂F
(0 ,0 ) − 2 2
∂y
∂F r
c) (x 0 , y0 ) ≠ 0
∂y
Entonces
r r
I) Existe y = ϕ(x1 ,..., x ) = ϕ(x ) entre puntos cercanos a x 0 y a y0
r r
II) y0= j( x 0 ) y j es de clase uno en un entorno del punto x 0 .
r
Observará el lector que el hecho de adoptar esa notación tan particular para F(x , y ) = F(x1 ,..., x n , y ) ,
en la que a la variable dependiente le llamamos y y a las independientes x1,...,xn , sólo tiene un sentido
pedagógico y lo importante es que sepa en todo momento cuáles son unas y otras. Además, permite una
fácil generalización del caso de una variable.
B) Derivación
r
De forma análoga al caso de una variable, si de la relación F(x , y ) = F(x1 ,..., x n , y ) =0 se desprende la
r
función implícita y = ϕ(x1 ,..., x ) = ϕ(x ) , la derivada de la variable dependiente con respecto a las
independientes xi se obtiene:
∂F
∂y ∂x i
=− para i=1,2,...,n
∂x i ∂F
∂y
r
y si se trata de determinar la derivada en un punto (x 0 , y 0 ) , tenemos:
∂F r
(x 0 , y 0 )
∂y r ∂x i
(x 0 ) = − ∂F para i=1,2,...,n
∂x i
(xr 0 , y 0 )
∂y
Ejemplo
∂x ∂x
Dada la relación x 2 y + xzy2 − 2 = 0 , determinar , .
∂y ∂z
El hecho de preguntarnos por las derivadas parciales anteriores implica que el problema da por
supuesta la existencia de :
x = x (y , z )
en un entorno de un punto cualquiera (x,y,z).