Lección2 Teoria Funciones

Departamento de Economía
Aplicada (Matemáticas)
Grado en:
Administración y
Dirección de Empresa
2: TEORIA DE FUNCIONES
2.1. Funciones escalares y vectoriales…………………………………………………………..2
2.2. Derivabilidad de funciones…….……………………………………………………………….7
2.3. Fórmula de Taylor. Funciones homogéneas………………………………………….16
2.4. Funciones implícitas……………………………………………………………………………..18

Matemáticas para la Economía y la Empresa GADE
2.1. FUNCIONES ESCALARES Y VECTORIALES

El concepto de función es muy importante en Análisis Matemático y en Economía. Trataremos, a lo
largo de este epígrafe de dar un conjunto de ideas básicas sin las cuales es imposible avanzar en el
Análisis Matemático.
Definición de función Real de una variable Real

Se llama función real de una variable real a toda aplicación de una parte D de R (conjunto de los
números reales) en R, o, en forma simbólica:
f: DÕ R ö R
x ö f(x ) = y
Es una regla ( f ) que asigna a cada valor de una variable ( x ), uno y sólo un valor [f(x) = y], llamado
valor de la función en x. Las funciones generalmente se definen mediante fórmulas algebraicas, como se
ilustra en el siguiente ejemplo.
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
Función cuadrática: f(x) = ax 2 + bx + c ( a ≠ 0)
Función potencial: f(x) = axn (n = cualquier número real)

Función exponencial: f(x) = ax (con a= cualquier número real > 0). Si a = e f(x) = ex
Función logarítmica: f(x) = loga(x) (con a= cualquier número real > 0).
Si a = e f(x) = loge(x) = ln(x) Neperiano
Si a = 10 f(x) = log10(x) = log(x) Decimal
Función seno y coseno: f(x) = sen(x) f(x) = cos(x)
El dominio de las funciones lineales, cuadráticas, y exponenciales es el conjunto de los números
reales (D ª R); el dominio de las funciones logarítmicas es el conjunto de los números reales positivos
(D = R+) y el dominio de las funciones potenciales excluye cualquier valor de x que implique una
operación indefinida. (Para f(x) = 2x6 , D ª R; f(x) = x1/2 D = R+ y f(x) = 2x-3 D = R-{0}).
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.
Francisca Miguel García 2

Definición de función Escalar

Se llama función real de n ( n œ N) variables reales a toda aplicación de una parte D de Rn (o de
todo Rn ) en R.
Esquemáticamente:
f: D Õ Rn ö R
r
x = (x1,…,xn) ö f(x1,…,xn) = y
r
r Regla quen asigna uno y solamente un número f(x1,…,xn) = y, para cada vector x en el dominio de f,
( x ∈ D ⊂ R ).
Ejemplo
Supóngase una empresa que produzca dos bienes, «A» y «B», donde el precio de venta de cada
unidad del artículo «A» sea 4, y el de cada unidad de «B» sea 3; entonces los ingresos debido a la venta
serían 4x1+3x2, donde x1 serán las unidades del artículo «A» y x2 las unidades del artículo «B»; por tanto,
los ingresos z, que son función de x1 y x2 vendrán dados por la expresión
z(x1,x2) = 4x1+3x2
donde z(x1,x2) expresa que los ingresos Z dependen de la cantidad de artículos vendidos x1 y x2; por tanto,
se dirá que z es una función de dos variables independientes. Como vemos en este caso, x1 y x2 serán
números enteros, ya que hablamos de números de artículos vendidos, pero eso en una primera apro-
ximación, ya que supongamos que los artículos sean dos tipos distintos de quesos, entonces lo lógico es
pensar que x1 y x2 lo que expresan son el número de kilogramos, que no tienen por qué ser enteros, ya
que, en general, serán números racionales; no obstante, para incluir todos los posibles casos supondremos
que tanto x1 como x2 serán números racionales positivos.
Así, tendríamos la función expresada de la forma:
z: D Õ R2 ö R
(x1,x2) ö z(x1,x2) = 4x1+3x2
donde D = Q+ μ Q+, donde Q+ son los números racionales positivos, incluido el cero.
Obsérvese, que no tiene sentido que la misma combinación de factores productivos dé lugar a
distintos niveles de ingresos. Por eso, una función es una regla que asigna uno y solamente un número
para cada combinación del dominio.
Al igual que en las funciones de una variable real D puede coincidir con Rn, como se ilustra en los
siguientes ejemplos.
Ejemplos La función
f: D Õ R3 ö R
r
x = (x1,x2,x3) ö f(x1,x2,x3) = x1x2x3 = y
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:
DM = {(x1,x2) œ R2 / x1x2¥0} = {(x1,x2) œ R2 / x1,x2¥0 ó x1, x2 ≤ 0}

Veamos ahora qué ocurre con su interpretación económica:
Supongamos que f(x1,x2) nos da los beneficios de la venta de x1 artículos del bien «A» y de x2
artículos del bien «B», donde x1 y x2 pueden tomar valores reales, pero supongamos que la empresa de la
que nos ocupamos no puede vender más de 50 artículos del bien «A» y no más de 200 artículos del bien
«B», entonces tendríamos que el conjunto de definición desde el punto de vista económico, que
notaremos DE sería:
DE = {(x1,x2) / 0≤x1≤50; 0≤x2≤200}
Por tanto, el conjunto D sería la intersección de ambos, que debido al hecho frecuente de que
DEÕDM tendremos que
D = DE …DM = DE
Definición de función Vectorial

r
Una función vectorial f es una aplicación de una parte D de Rn en Rm.
r
f : D Õ Rn ö Rm
r
tal que a todo x = (x1,…,xn) œ D le asocie uno y solamente un vector de m componentes f(x1,…,xn) =
(y1,…,ym).
Ejemplo
Supongamos que a partir de tres factores en cantidades x1, x2, x3, respectivamente, se fabrican dos
bienes A1 y A2. Entonces bastaría con denominar f1 a la función de producción para A1, es decir, la
que asocia a (x1,x2,x3) la cantidad máxima q1de A1 que se puede producir:
q1 = f1(x1, x2, x3)
y f2 a la función de producción para A2 que, análogamente sería:
q2 = f2(x1, x2, x3)
¿Tendríamos entonces dos funciones

r de producción? Veamos que no, ya que podemos definir una
función vectorial de producción f que será tal que tendrá de componentes precisamente las
funciones escalares f1 y f2.
r
f : D Õ R3 ö R2
r r ⎛ f (x , x , x ) ⎞ ⎛ x 1 x 2 x 3 ⎞
x = (x1,x2,x3) ö f (x1,x2,x3) = ⎜⎜ 1 1 2 3 ⎟⎟ = ⎜⎜ ⎟⎟
⎝ f 2 (x1 , x 2 , x 3 ) ⎠ ⎝ Ln(x 1 x 2 x 3 )⎠
r
En general, la función Vectorial f : D Õ Rn ö Rm puede considerarse como un vector de
⎛ f1 ⎞
⎜ ⎟
r ⎜ f2 ⎟
funciones, f = ⎜ ⎟ , donde cada componente del mismo es una función fi: DÕRn ö R escalar. El
M
⎜ ⎟
⎜f ⎟
⎝ m⎠
dominio es la intersección de todas las funciones escalares que la componen.

Ejercicio Determínese el conjunto de definición o dominio del ejemplo anterior.

El dominio, desde el punto de vista matemático, que denotamos como DM, sería:
DM = {(x1,x2,x3) œ R3 / x1x2 x3 > 0}
Ahora bien, el conjunto de definición desde el punto de vista económico, DE sería:

DE = {(x1,x2,x3) œ R3 / 0≤x1; 0≤x2; 0≤x3}
Por tanto, el conjunto D sería la intersección de ambos,
D = DE …DM = {(x1,x2,x3) œ R3 / 0<x1; 0<x2; 0<x3}
Operaciones algebraicas con funciones
Dos o más funciones se pueden combinar par obtener una nueva función.
Así, dadas las funciones f: DÕ Rnö R y g: DÕ Rn ö R.
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 producto: (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)
La suma es fácilmente generalizable, pues dadas

rr
f ,g : D Õ Rn ö Rm
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) ].

Definición de composición de funciones

r r r
Sean dos funciones f : D Õ Rn ö Rm y g : B Õ Rm ö Rp . Si f (D) Ã B, podemos definir la
composición de ambas aplicaciones como la aplicación:
r r
g o f : D Õ Rn ö Rp
tal que:
(gr o fr ) (x) = gr ( fr (x)) "xœD

Ejemplo
Sea la función real «F» de dos variables definida por:
F(x1 , x 2 ) = x12 + x 22 ∀( x1 , x 2 ) ∈ R 2
Obsérvese cómo puede obtenerse «F » como composición de dos funciones, la primera f de R2 en R

definida de tal manera que a todo par de elementos de R le hace corresponder la suma de sus cuadrados:
(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.
Concepto de Límite y Continuidad de una función

Ya es conocido por el lector el límite de funciones de una variable, donde estudió cómo, además de la
definición de límite de una función en un punto, se daban a conocer una serie de técnicas que resolvían los
casos de indeterminación. En el caso de funciones de varias variables esto no es posible, y el problema de
determinar el límite de una función es bastante más arduo.
El concepto de límite se generaliza al caso de n-variables, con el mismo sentido si
r r r r r
x → a ⇒ lim
r r f ( x ) = l , la diferencia es ¿cómo acercamos el vector x , al vector a ? Tenemos infinitas
x →a
direcciones de acercamiento. Límites Direccionales.
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
Nosotros no nos detenemos en el estudio ni de límites ni de continuidad, supondremos, de ahora en

adelante, que las funciones que tratamos son continuas y no presentan problema, salvo la determinación
de dominios.

2.2. DERIVABILIDAD Y DERIVADAS PARCIALES. REGLA DE LA CADENA.
Una vez conocido el concepto de función de Rn en R y su importancia en economía, es preciso

generalizar algunas ideas de las funciones reales de variable real, en particular aquélla que nos dé una
representación de la variación, tal como la derivada.
Definición de Derivada para funciones reales de variable real:
Recordemos la definición de derivada en un punto:
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
Las reglas de derivación se describen en el cuadro colgado en la plataforma y se consideran en los 40

problemas propuestos.
x2
Ejercicio 1. Dada la función f (x) = , calcule:
x−2
a) La función derivada
b) La derivada en el punto x = 4
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
como podemos observar la función derivada de una función es otra función.
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:
Definición de Derivada direccional, para funciones escalares:

r
Dada la función f: G⊂ Rn R, con G abierto; la derivada direccional de f según el vector v ∈ Rn en
r
el punto x 0 ∈G se define como:
r r r
r f ( x 0 + λv) − f ( x 0 )
D f (x 0 ) = lim
r
v = NÚMERO
λ →0 λ
r
en el caso de que dicho límite exista, y lo notaremos por D vr f (x 0 )
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
Actualmente se utiliza 2 unidades del input 1 y 3 del input 2, es decir, (x 1 , x 2 ) = (2, 3 ) .
Ahora bien, ¿cómo se modifican la cantidad producida si aumentamos en la misma cantidad(pequña o

cada input?
infinitesimal)
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 )
Y así hemos de calcular D (1,1) f (2, 3)
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.
Definición. Vector Gradiente
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.
Es la variación de f si sólo cambia la variable xi .

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.
Ejemplo. Calcular el gradiente de la función
⎛ 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⎟
⎝ ⎠
Hacer los 25 problemas propuestos en la plataforma.
Teorema (relación entre el vector gradiente y la derivada direccional)

r
Si existen todas las derivadas parciales de f en x 0 y son continuas, entonces existe la derivada
r r
direccional de f en x 0 para todo vector v ∈ Rn y además:
r r r
D vr f (x 0 ) = ( ∇ f (x 0 ) ) v
t
Ejemplo
Para la función de producción anterior: f (x1 , x 2 ) = x12 x 2 . Calcular D(1,1) f ( 2,3)
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.

Propiedad del vector gradiente
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.
Derivadas de orden superior

r
Si consideramos Dv f como función, podremos definir su derivada direccional según otro vector u y
así obtendríamos:
Du (Dv f )(x) = (D2uv f )(x)
r r
que la denominaremos derivada direccional de f según v y u .
Derivadas direccionales de especial interés son las derivadas parciales, que como es ya tradicional se
denotarán por:
∂2 f
= D ei (D e j f )
∂x i ∂x j
Un teorema de capital importancia en este ámbito resulta ser el de Schwarz.

Teorema Schwarz.
∂2 f ∂2 f
Si f: G ⊂ Rn R es tal que existen =Di j f, y es continua, entonces existe = Dj if y
∂x i ∂x j ∂x j ∂x i
∂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.
Definición Matriz Hessiana

La matriz hessiana es la matriz que contiene a todas las derivadas de segundo orden de una función
escalar dada.
Sea f : D ⊂ Rn → R una función dada; su matriz hessiana la definimos como:

⎛ ∂2f ∂2f ∂2f ⎞

⎜ ... ⎟
⎜ ∂ x12 ∂ x1∂ x 2 ∂ x1∂ x n ⎟
⎜ ∂2f ∂2f ∂2f ⎟
Hf (x) = ⎜ ... ⎟
⎜∂ x 2∂ x 1 ∂ x 22 ∂ x 2∂ x n ⎟
⎜ ... ... ... ... ⎟
⎜ ∂2f ∂2f ∂2f ⎟
⎜ ... ⎟
⎝∂ x n ∂ x1 ∂ x n∂ x 2 ∂ x 2n ⎠
matriz que es cuadrada, de orden n y simétrica por el teorema de Schwarz.
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.
Ejemplo Calcular la matriz Hessiana de:
f ( x, y, z ) = x 2 + y 4 z 3 + Ln( xz )
Lo primero que tenemos que hacer es calcular el gradiente.

⎛ 2x + 1/ x ⎞
⎜ ⎟
∇f ( x, y, z ) = ⎜ 4 y 3 z 3 ⎟
⎜ 3y4 z 2 + 1/ z ⎟
⎝ ⎠
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
⎩
Estas parciales nos proporcionan la primera fila y la primera columna.
⎧ ∂ 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
⎪⎩
con estas 6 parciales podemos construir la matriz.

⎛ 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
Todas estas derivadas parciales se recogen en una matriz.
Definición Matriz Jacobiana
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
Veamos el comportamiento de la derivación frente a la composición de funciones:

Teorema (Regla de la cadena)
r r
Sean f : D ⊂ R n → R p y g : H ⊂ R p → R tal que f ( D ) ⊂ H .
r r
Si existen todas las derivadas parciales de f en x 0 œ D y son continuas,
r r
existen todas las derivadas parciales de g en f ( x0 ) œ H y son continuas .
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:
La relación entre las variables es la siguiente:
⎧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).
2.3. FÓRMULA DE TAYLOR. FUNCIONES HOMOGÉNEAS
Fórmula de Taylor. Aproximaciones lineal y cuadrática.

Sea f una función real de una variable real:
f: DÕ R ö R
x ö f(x )
n
al menos de clase n en D, es decir f œC (D) y sea x0 un punto de D.
La siguiente expresión se le denomina fórmula de Taylor
(n
f ' ( x0 )
f ( x ) = f ( x0 ) + (x − x0 ) + f ' ' (x0 ) (x − x0 )2 + L + f (x0 ) (x − x0 )n + R(x − x0 )n+1
1! 2! n!
Obsérvese que con la fórmula de Taylor se determina el valor de la función f en un punto

cualquiera x del entorno del punto x0 (es decir, cercano a x0 ).
El error depende de lo cerca que este x de x0 y de el número de términos elegidos. Por tanto, el
punto debe ser cercano al x0, y normalmente nos quedamos solo con el polinomio de 2º orden, ya
que todos los demás, en funciones normales, me darán muy poca información.
f ' ( x0 )
f ( x ) ≅ f ( x0 ) + (x − x0 ) + f ' ' (x0 ) (x − x0 )2
1! 2!

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.
Dada una función la aproximación de Taylor en un entorno de un punto dado es:
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:
a) El desarrollo de Taylor de grado uno en el punto (1, 1, 1).
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)
b) Aproximación Cuadrática, en el punto (1, 1,1):
Tendríamos que calcular la hessiana en el punto.
⎛ 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
Dada una función f : D ⊂ R n → R , diremos que es homogénea de grado r (rœ R) si:

r r
a) ∀ x ∈ D , λ ≥ 0 , λx ∈ D
r r r
b) ∀ x ∈ D , λ > 0 , f (λ x) = λ r f (x)
Ejemplo
Un ejemplo de este tipo de funciones puede ser:
f : D ⊂ R2 → R
(x, y) a f (x, y) = x 3 y 2
claramente la primera condición la cumple, veamos entonces la segunda:

f [l(x, y)] = f (lx, ly) = (lx)3 (ly)2 = l3 x3 l2 y2 = l5 x3 y2 = l5 f (x, y)
luego es homogénea de grado 5 sobre R2.
Interpretación de los grados de homogeneidad. Rendimientos a Escala

Supongamos que q = f(x1,x2,…xn) es una función de producción en la que, a partir de n inputs o
factores en cantidades respectivas (x1,x2,…xn) se obtiene la cantidad de un bien q.
Si la función de producción es homogénea de grado r , entonces:
♦ r = 1 f(λx1,λx2,…λxn) = λ1 f(x1,x2,…xn) = λ f(x1,x2,…xn) = λ q

Que al aumentar λ veces los factores de producción la cantidad producida q se modifica λ
veces. En este caso se dice que la función presenta Rendimientos a escala Constantes
♦ r > 1 Rendimientos a escala Crecientes
La cantidad producida q aumenta en mayor valor que lo hacen los factores.
♦ r < 1 Rendimientos a escala Decrecientes
La cantidad producida q aumenta en menor valor que lo hacen los factores.
Ejemplo: Función de producción de Cobb-Douglas
f ( x, y ) = 4 xy "(x, y)œ R+ä R+

Considerando (x, y )
123
y (1x , λy )
λ424 3
Factores Factores Mayor Pr oporcion
f ( x, y ) = 4 xy ⇒ f (λ x, λ y ) = 4 λxλy = 4λ xy = λ f ( x, y )
Esta función económica, es homogénea de grado 1. Es la función de Cobb-Douglas relativa a un

proceso de producción a rendimiento constante.

2.4. FUNCIONES IMPLÍCITAS.

En los epígrafes anteriores hemos derivado funciones dadas en su forma explícita, es decir, funciones
en las que era posible despejar la(s) variable(s) dependiente(s) en función de la(s) independiente(s). Ahora
nos plantearemos y resolveremos un problema de derivación de funciones en las que ello no es posible (o
no deseamos tener la variable en su forma explícita) y queremos derivar.
Preliminares
Antes de comenzar el estudio definamos algunos conceptos en Rn de gran importancia:
Intervalo
Llamaremos intervalo en Rn al producto cartesiano de n intervalos de R; es decir, I será un intervalo
de R n si:
I = I1 ä I2 ä … ä In
con cada Ij (j = 1,2, ... , n) intervalo de R.
Si todos los intervalos Ij son abiertos (o cerrados), el intervalo I se denominará abierto (o cerrado). Tal
sería el caso del intervalo:
I = I1 ä I2 = (0,2) ä (0,1) = {(x, y )œ 2/ 0 < x < 2, 0 < y < 1}
que es un intervalo abierto de R 2.
r
Al punto de n: x 0 =(x01,x02,…,x0n) donde x0i es centro de Ii lo llamaremos centro del intervalo I.
En el ejemplo anterior podemos observar cómo el punto (1, 1/2) es centro de I.

Entorno
r
Dado un punto x 0 œ R n llamaremos entorno fundamental de dicho punto, N( xr 0 ) , a todo intervalo
r
abierto de centro x 0 .
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)
FUNCIÓN IMPLÍCITA DE UNA VARIABLE INDEPENDIENTE. EXISTENCIA Y

DERIVACIÓN
Veamos qué entendemos por función implícita, y comencemos por el caso más simple: las de una
variable.
Definición.
Sea la relación F(x, y) = 0, donde F: DÕ R2 Ø R es una función continua en D.
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

obtenida simplemente despejando “y” en F(x,y)=0.
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
b) la función F(x, y) es de clase uno en un entorno del punto (x 0 , y 0 ) , lo cual notaremos

1
( (
F ∈ C N x 0 , y0 . ))
∂F
c) (x 0 , y0 ) ≠ 0
∂y
Entonces:
I) Existe y = j( x ) en un entorno de (x 0 , y 0 )
II) y0=j(x0) y j es continuamente derivable en N(x0).

Observaciones
El teorema de existencia de funciones implícitas posee dos características fundamentales:
• Dada la relación F( x, y) = 0 , el teorema proporciona sólo condiciones suficientes para la existencia
de funciones implícitas ( y = ϕ( x) ), de forma que en caso de no verificarse alguna de las condiciones
que establece sus hipótesis, no se puede afirmar la existencia, pero tampoco se puede asegurar que no
exista.
Por ejemplo, para la relación F(x , y ) = y 3 − x = 0 , refiriéndonos al punto (0,0), se tiene que:
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
Al ser x una variable independiente, dx/dx = 1. Por tanto:

∂F
∂F ∂F dy dy ∂x
+ =0⇒ =−
∂x ∂y dx dx ∂F
∂y
expresión que nos permitirá obtener la función derivada de la función implícita que se desprende de la
relación anterior.
Si la derivada la queremos evaluar en el punto (x 0 , y 0 ) :
∂F
dy
(x 0
, y0 )
(x ) = −
0
∂x
∂F
dx
(x 0
, y0 )
∂y
dy
donde observamos que está evaluada en x0 , ya que y dependía de x, si bien en la fórmula
dx
sustituimos el punto completo.
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
Comprobemos en primer lugar la existencia de la función implícita:

(1) La función en el punto: F(0, 0) = 0 + sen (0 ) − 0 = 0
(2) Es de clase 1 en todo R2. Evidente, calculando el gradiente

⎛ ∂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
FUNCIÓN IMPLÍCITA DE n VARIABLES INDEPENDIENTES.

La generalización a n variables independientes es bastante sencilla sin más que adoptar desde el punto
de vista teórico una cuidada notación:
A) Teorema de Existencia
Sea la función de n+1 variables F : D ⊂ R n +1 ⎯ ⎯→ R , tal que a un elemento cualquiera de R n +1 le
haga corresponder:
⎛ x1 ⎞
⎜ ⎟ ⎛ x1 ⎞
⎜ ... ⎟ F r r ⎜ ⎟
⎜ x ⎟⎯ ⎯→z = F(x , y ) con x = ⎜ ... ⎟
⎜ n⎟ ⎜x ⎟
⎜y⎟ ⎝ n⎠
⎝ ⎠
r
Dado un punto (x 0 , y 0 ) ∈ D. Si se verifica:
r
a) F (x 0 , y 0 ) =0
r
b) F es de clase uno en un entorno del punto (x 0 , y 0 )
∂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).
Aplicamos entonces la expresión que calcula las derivadas.

∂F
∂x ∂y x 2 + 2xyz
=− = −
∂y ∂F 2xy + zy 2
∂x
∂F
∂x xy 2
= − ∂z = −
∂z ∂F 2 xy + zy2
∂x

Lección2 Teoria Funciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lección2 Teoria Funciones

Cargado por

Copyright:

Formatos disponibles

Departamento de Economía

2.1. Funciones escalares y vectoriales…………………………………………………………..2

2.2. Derivabilidad de funciones…….……………………………………………………………….7

2.3. Fórmula de Taylor. Funciones homogéneas………………………………………….16

2.4. Funciones implícitas……………………………………………………………………………..18

2.1. FUNCIONES ESCALARES Y VECTORIALES

Definición de función Real de una variable Real

Función cuadrática: f(x) = ax 2 + bx + c ( a ≠ 0)

Función potencial: f(x) = axn (n = cualquier número real)

Francisca Miguel García 2

Definición de función Escalar

Francisca Miguel García 3

DM = {(x1,x2) œ R2 / x1x2¥0} = {(x1,x2) œ R2 / x1,x2¥0 ó x1, x2 ≤ 0}

Definición de función Vectorial

¿Tendríamos entonces dos funciones

Francisca Miguel García 4

Ejercicio Determínese el conjunto de definición o dominio del ejemplo anterior.

DM = {(x1,x2,x3) œ R3 / x1x2 x3 > 0}

Ahora bien, el conjunto de definición desde el punto de vista económico, DE sería:

Por tanto, el conjunto D sería la intersección de ambos,

D = DE …DM = {(x1,x2,x3) œ R3 / 0<x1; 0<x2; 0<x3}

Operaciones algebraicas con funciones

Así, dadas las funciones f: DÕ Rnö R y g: DÕ Rn ö R.

la función producto: (f g): DÕ Rnö R tal que (f g)(x) = f(x) g(x)

La suma es fácilmente generalizable, pues dadas

Francisca Miguel García 5

Definición de composición de funciones

(gr o fr ) (x) = gr ( fr (x)) "xœD

Obsérvese cómo puede obtenerse «F » como composición de dos funciones, la primera f de R2 en R

Concepto de Límite y Continuidad de una función

Nosotros no nos detenemos en el estudio ni de límites ni de continuidad, supondremos, de ahora en

Francisca Miguel García 6

2.2. DERIVABILIDAD Y DERIVADAS PARCIALES. REGLA DE LA CADENA.

Una vez conocido el concepto de función de Rn en R y su importancia en economía, es preciso

Definición de Derivada para funciones reales de variable real:

Recordemos la definición de derivada en un punto:

Las reglas de derivación se describen en el cuadro colgado en la plataforma y se consideran en los 40

como podemos observar la función derivada de una función es otra función.

Francisca Miguel García 7

Definición de Derivada direccional, para funciones escalares:

Actualmente se utiliza 2 unidades del input 1 y 3 del input 2, es decir, (x 1 , x 2 ) = (2, 3 ) .

Ahora bien, ¿cómo se modifican la cantidad producida si aumentamos en la misma cantidad(pequña o

Y así hemos de calcular D (1,1) f (2, 3)

Francisca Miguel García 8

Definición. Vector Gradiente

Es la variación de f si sólo cambia la variable xi .

Francisca Miguel García 9

Ejemplo. Calcular el gradiente de la función

Hacer los 25 problemas propuestos en la plataforma.

Teorema (relación entre el vector gradiente y la derivada direccional)

Para la función de producción anterior: f (x1 , x 2 ) = x12 x 2 . Calcular D(1,1) f ( 2,3)

Francisca Miguel García 10

Propiedad del vector gradiente

Derivadas de orden superior

Un teorema de capital importancia en este ámbito resulta ser el de Schwarz.

Definición Matriz Hessiana

Sea f : D ⊂ Rn → R una función dada; su matriz hessiana la definimos como:

Francisca Miguel García 11

⎛ ∂2f ∂2f ∂2f ⎞

matriz que es cuadrada, de orden n y simétrica por el teorema de Schwarz.

Ejemplo Calcular la matriz Hessiana de:

Lo primero que tenemos que hacer es calcular el gradiente.

Estas parciales nos proporcionan la primera fila y la primera columna.