Beruflich Dokumente
Kultur Dokumente
C
alculo en Varias Variables
Patricio Felmer y Alejandro Jofre
linea en blanco
Con la colaboracion de:
Paul Bosch, Matas Bulnes, Arturo Prat,
Luis Rademacher, Jose Zamora y Mauricio Vargas
Universidad de Chile
ticas
Facultad de Ciencias Fsicas y Matema
DIM - CMM
26 de septiembre de 2011
Indice general
Introducci
on
1. C
alculo Diferencial
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
. . . . . . . . . . . . . . . . . . . . . .
13
1.4.1. Aproximaci
on de primer orden . . . . . . . . . . . . . . . . . . . . . . . . .
16
17
1.4.3. Relaci
on entre continuidad y diferenciabilidad . . . . . . . . . . . . . . . . .
17
. . . . . . . . . . . . . . . . . . . . . . . . .
27
28
32
33
33
41
47
2.4. Funciones c
oncavas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
52
2.6. Criterio de 2
do
3. Integraci
on
55
59
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
3.1.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
3.1.2. Propiedades b
asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
3.1.3. Integraci
on de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . .
66
3.1.4. Extensi
on de la clase de funciones integrables . . . . . . . . . . . . . . . . .
67
69
71
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
3.2.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
3.2.2. Propiedades B
asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
3.2.3. Integraci
on de sucesiones de funciones . . . . . . . . . . . . . . . . . . . . .
75
3.2.4. Extensi
on de la clase de funciones integrables . . . . . . . . . . . . . . . . .
75
76
78
80
3.4. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
82
83
84
3.5.1. Extensi
on de la integral de Riemann . . . . . . . . . . . . . . . . . . . . . .
84
4. Elementos B
asicos de Topologa
85
85
90
4.3. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
95
99
105
143
6.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
6.2. Demostraci
on utilizando el teorema de la funcion implcita . . . . . . . . . . . . . . 146
6.3. Teorema de separaci
on de convexos y lema de Farkas . . . . . . . . . . . . . . . . . 149
6.4. Demostraci
on utilizando separacion de convexos . . . . . . . . . . . . . . . . . . . . 151
6.5. Ejemplos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
7. Ejercicios
161
189
Bibliografa
191
Indice Alfab
etico
193
iii
Introducci
on
Motivaci
on
En ciencias e ingeniera se emplean numerosos modelos para describir matematicamente fenomenos
de diferente ndole que van desde el calculo de estructuras hasta fenomenos economicos sociales
pasando por la mec
anica de fluidos, transferencia de calor, equilibrios qumicos, planificacion y
gesti
on de procesos, biotecnologa, astronoma, fsica del estado solido, materiales, minera, s
olo
por mencionar algunas que se cultivan en la facultad. Para esta tarea el calculo de una variable
muchas veces es insuficiente, pues la realidad incorpora m
ultiples variables y sus interacciones para
el estudio de estos fen
omenos.
Los autores.
Captulo 1
C
alculo Diferencial
1.1.
Definici
on 1.1. Dotamos al conjunto Rn de una estructura de espacio vectorial mediante las
siguientes operaciones: para x = (x1 , x2 , , xn ) Rn , y = (y1 , y2 , , yn ) Rn , y R
definimos
Suma:
x + y = (x1 + y1 , , xn + yn )
Producto por escalar:
x = (x1 , , xn )
El espacio vectorial Rn tiene dimension n. Entre las muchas posibles bases de Rn nos interesar
a considerar, por su simplicidad, la llamada base canonica {ei }ni=1 , donde ei = (0, ..., 1, ..., 0)
con el uno en la posici
on i. As todo x = (x1 , , xn ) Rn se puede representar en terminos de la
base can
onica como
n
X
x=
xi ei
i=1
n
X
xi yi
i=1
La siguiente proposici
on resume las propiedades basicas del producto interno. Su demostracion es
muy simple.
Proposici
on 1.1. (Propiedades del producto interno)
1. Positividad: Para todo x Rn se tiene hx, xi 0 y hx, xi = 0 s y solo s x = 0.
2. Linealidad: Para todo x, y, z Rn y R hx + y, zi = hx, zi + hy, zi.
1
1.1. BASE ALGEBRAICA Y GEOMETRICA
DE RN
kxk := x x
La siguiente proposici
on establece una desigualdad entre producto interno y norma de vectores de
Rn . Ella nos permite definir la noci
on de angulo entre vectores de Rn , dejando en evidencia que
el producto interno determina la geometra de Rn .
Proposici
on 1.2. (Desigualdad de Cauchy-Schwarz)
|x y| kxkkyk
x, y Rn
Se tiene la igualdad si y s
olo si x es m
ultiplo escalar de y/o uno de ellos es cero.
n. Sean x, y Rn y sea t R. Entonces por las propiedades del producto interno
Demostracio
tenemos que
0 hx + ty, x + tyi = hx, xi + 2thx, yi + t2 hy, yi
Si y = 0 entonces la desigualdad naturalmente vale. Si y 6= 0 entonces notamos que la expresion
de arriba determina una funci
on cuadr
atica que se anula a lo mas una vez en t R. Esto implica
que el discriminante debe ser negativo o nulo, es decir,
4hx, yi2 4hx, xihy, yi 0
de donde se obtiene la desigualdad deseada. Cuando x es m
ultiplo de y entonces claramente se
tiene la igualdad. Queda de tarea probar la recproca.
La desigualdad de Cauchy-Schwarz nos permite definir la nocion de angulo entre vectores.
Definici
on 1.4. Dados x, y Rn llamaremos angulo entre x e y a:
xy
= arc cos
kxkkyk
entendemos que [0, ].
Con esta definici
on podemos hablar de vectores ortogonales cuando el angulo entre ellos es de 90o ,
es decir, cuando hx, yi = 0.
Tambien vemos la validez del teorema del coseno:
kx yk2 = kxk2 + kyk2 2hx, yi = kxk2 + kyk2 2kxkkyk cos()
Cuando los vectores son ortogonales tenemos el teorema de Pitagoras.
Como ya dijimos, el producto interno induce la nocion de norma, la que le da a Rn su caracter
topol
ogico, como ya veremos. Por el momento veamos las propiedades basicas de la norma.
Proposici
on 1.3. (Propiedades de la norma)
1.2.
Definici
on 1.5. Llamaremos a f funcion a valores en Rm si f : D Rn Rm .
Observamos que el argumento de f es un vector x = (x1 , . . . , xn ) Rn y que la imagen de x es un
vector de Rm . As f (x) = (f1 (x), , fm (x)), donde las funciones fi : D R R, para cada i,
se conocen como funciones coordenadas.
Para el estudio de las funciones de Rn a valores en Rm vamos a desarrollar las herramientas del
C
alculo Diferencial. Sin embargo, la posibilidad de dibujar en el caso de dimensiones peque
nas, es
siempre algo muy u
til. M
as a
un ahora que tenemos programas computacionales (Matlab, Wolfram
Mathematica, Gnu Octave, etc.) muy eficientes para esta tarea. A continuacion damos alguna
terminologa.
Definici
on 1.6. Llamaremos grafo de una funcion f : D Rn Rm al conjunto:
G(f ) = {(x, f (x)) : x D}
Notemos que G(f ) Rn+m . Este se podra dibujar cuando m = 1 y n = 1 o n = 2. En el primer
caso el grafo es una curva y en el segundo una superficie.
Definici
on 1.7. Cuando m = 1 y dado c R se define el conjunto de nivel de la funcion f como
Nc (f ) = {x D : f (x) = c}
En el caso en que n = 2 y n = 3 el conjunto de nivel Nc (f ) se puede dibujar. Se le conoce como
curva de nivel cuando n = 2 y superficie de nivel si n = 3.
Ejemplo 1.1. linea en blanco
1.3.
xy
x2 +y 2 +1
xy
x2 +y 2 +1
Lmites y continuidad
La noci
on de lmite y continuidad de funciones de Rn en Rm involucra el caracter topologico de
estos espacios, inducido por la norma.
En el estudio de la topologa de Rn , un rol fundamental es jugado por las bolas abiertas.
Definici
on 1.8. Dados x0 Rn , r R+ , llamaremos bola abierta de centro en x0 y radio r al
conjunto
B(x0 , r) = {x Rn : kx x0 k < r}
Llamaremos bola cerrada de centro en x0 y radio r al conjunto
B(x0 , r) = {x Rn : kx x0 k r}
Definici
on 1.9. Diremos que A Rn es un conjunto abierto si
(x0 A)(r > 0) : B(x0 , r) A
Ejemplo 1.2. Rn y el conjunto vaco , son conjuntos abiertos. A
un cuando Rn es obviamente
abierto, el caso del conjunto vaco requiere una reflexion. Si no es abierto entonces existe x0
para el cual B(x0 , r) Rn 6= , para cada r > 0. Esto es absurdo pues no hay elementos en .
Ejemplo 1.3. El conjunto A = {(x, y) : x > 1} es un conjunto abierto. En efecto, si (x, y) A
entonces B((x, y), x1
2 ) A.
Ejemplo 1.4. Si x0 R y r > 0 entonces B(x0 , r) es un conjunto abierto. En efecto, si x B(x0 , r)
entonces B(x, (r kx x0 k)/2) B(x0 , r). Usando la desigualdad triangular muestre la veracidad
de esta u
ltima afirmaci
on y haga un dibujo.
Definici
on 1.10. Diremos que A Rn es un conjunto cerrado si Ac es abierto.
Nota 1.2. Notar que los conjuntos Rn y son abiertos y cerrados. Tambien notamos que hay
conjuntos que no son abiertos ni cerrados. Ver ejemplo a continuacion.
1
n
1
<r
n
B(0, r).
(x2 1) = 0
(x,y)(1,1)
(*)
(**)
8
Ejemplo 1.9. Demuestre usando la definicion que
x2
=4
(x,y)(2,1) x y
lm
(*)
(**)
Observamos aqu dos hechos relevantes. Primero, en el numerador tenemos una expresion que
depende esencialmente de |x 2| y |y 1|, cantidades controladas por , seg
un (*). Segundo, en el
denominador tenemos |x y|, que es una cantidad que podra anularse si uno no es cuidadoso.
Para tratar este u
ltimo termino procedemos en una primera etapa encontrando un valor 1 medio,
que si bien no nos permitir
a acotar por nos permitira controlar |x y|. El denominador no se
anula en (2, 1), de aqu vemos que si elegimos 1 = 1/4, por ejemplo, entonces de (*) podemos
concluir que
|x y| >
1
2
(***)
1
|x 2| + 8|y 1| 8(|x 2| + |y 1|)
2
Ejemplo 1.10. Demostrar que
sen(x2 + y 2 )
=1
x2 + y 2
(x,y)(0,0)
lm
n. Del curso de C
Solucio
alculo sabemos que
lm
sen()
=1
Elijamos ahora =
1 . Entonces k(x, y) (0, 0)k < implica que |x2 + y 2 | < 1 y entonces
sen(x2 + y 2 )
<
1
x2 + y 2
Nota 1.5. Notamos que una manera equivalente de escribir la nocion de lmite es la siguiente:
para toda bola abierta B(l, ) existe una bola abierta B(x0 , ) tal que
x (B(x0 , ) \ {x0 }) A f (x) B(l, )
o equivalentemente
f ((B(x0 , ) \ {x0 }) A) B(l, )
Ahora vamos a desarrollar el concepto de lmite estudiando sus principales propiedades. En toda
esta secci
on hacemos notar la analoga que se tiene con el curso de Calculo, donde se estudio
el concepto de lmite y continuidad para funciones de una variable real. Es sorprendente que la
mayora de las proposiciones que veremos a continuacion tienen una demostracion que se obtiene
de la an
aloga de C
alculo reemplazando | | por k k.
Proposici
on 1.6. (Unicidad del lmite)
Sea f : A Rn Rm y x0 der(A). Si
lm f (x) = l1 y lm f (x) = l2
xx0
xx0
Entonces l1 = l2 .
n. Por hip
Demostracio
otesis, dado > 0 existen n
umeros 1 > 0 y 2 > 0 tales que
[0 < kx x0 k < 1 x A] kf (x) l1 k <
[0 < kx x0 k < 2 x A] kf (x) l2 k <
Entonces, si kx x0 k < M in{1 , 2 } se tendra que
kl1 l2 k k(f (x) l1 ) (f (x) l2 )k kf (x) l1 k + kf (x) l2 k < 2
Como puede ser arbitrariamente peque
no, debemos tener que l1 = l2
La siguiente proposici
on es muy u
til para estudiar la existencia de un determinado lmite. Se usa
principalmente para mostrar que una cierta funcion no tiene lmite
Proposici
on 1.7. Sea f : A Rn R y x0 der(A) tal que
lm f (x) = l
xx0
xx0
10
n. Tarea.
Demostracio
xx0
no existe o si
lm f |B1 (x) 6= lm f |B2 (x)
xx0
xx0
entonces el lmite
lm f (x) = l
xx0
no existe.
Ejemplo 1.11. Se trata de estudiar el siguiente lmite
x
(x,y)(0,0) x + y
lm
n. Notemos en primer lugar que f (0, 0) no esta definida, sin embargo esto no tiene imporSolucio
tancia alguna. Lo que s importa es que (0, 0) der(R2 \ {(0, 0)}). Si consideramos los conjuntos
A = {(0, y) : y 6= 0} y B = {(x, 0) : x 6= 0} entonces tenemos que
lm
(x,y)(0,0)
f |A (x, y) = 0 y
lm
(x,y)(0,0)
f |B (x, y) = 1
Concluimos entonces que el lmite bajo estudio no existe, en virtud del corolario.
Nota 1.6. En los ejemplos anteriores hemos considerado solamente funciones a valores reales, es
decir, con espacio de llegada R. Esto queda justificado en la siguiente proposicion.
Proposici
on 1.8. Sea f : A Rn Rm . Entonces:
lm f (x) = l
xx0
(i = 1, , m) lm fi (x) = li
xx0
11
1
f (x)
1
b
Nota 1.7. En rigor, en la demostracion anterior falta un paso, el cual se puede siempre omitir
cuando hay experiencia:
Dado > 0 elegimos > 0 tal que ( + kbk + kdk) < . Con este valor de > 0 invocamos la
hip
otesis para elegir > 0 de modo que x A y 0 < kx x0 k < implica que
kf (x) bk < y kg(x) dk <
1.3.1.
Continuidad de funciones de Rn en Rm
Ahora que hemos estudiado el concepto de lmite estamos preparados para introducir el concepto
de continuidad de una funci
on.
Definici
on 1.15. Sea f : A Rn Rm y sea x0 A. Decimos que f es continua en x0 si:
( > 0)( > 0) : [x A kx x0 k < ] kf (x) f (x0 )k <
o equivalentemente
( > 0)( > 0) : f (B(x0 , ) A) B(f (x0 ), )
Nota 1.8. Si x0 A es un punto aislado de A, es decir, x0 A \ der(A) entonces f es obviamente
continua en x0 .
Si x0 der(A) entonces f es continua en x0 si y solo si
lm f (x) = f (x0 )
xx0
12
1
f (x)
es continua en x0 .
x
2
Ejemplo 1.12. La funci
on f (x, y) = ( 1+y
2 , x + y, y sen(x)) es continua en todo punto de R .
x
2
f1 (x, y) = 1+y
lo es, al igual que g(y) = 1 + y 2 la cual ademas no se anula.
2 lo es pues f (x) = x
1
1
Entonces, por el teorema anterior g(y) = 1+y
en es continua, y nuevamente por el teorema
2 tambi
2 1
anterior x 1+y2 es continua.
13
Definici
on 1.17. Decimos que una funcion f : A Rn Rm es continua en A si f es continua
en todo punto de A.
1.4.
Diferenciabilidad de funciones de Rn a Rm
R
f (x + hej )
donde ej es el elemento j-esimo de la base canonica de Rn . Notamos que x+hej = (x1 , , xj1 , h+
xj , xj+1 , , xn ). A esta funci
on, siendo de R en R, le podemos aplicar la teora de diferenciabilidad
desarrollada en el curso de C
alculo.
Definici
on 1.18. Llamaremos derivada parcial de f con respecto a xj en x Rn a
f (x + hej ) f (x)
f
(x) = lm
h0
xj
h
si dicho lmite existe. Cuando la derivada parcial de f con respecto a xj existe en todo punto de
A, entonces ella define una funci
on
f
: A Rn R
xj
14
Nota 1.9. Notemos que, como una derivada parcial es una derivada de una funcion de R en R,
uno puede usar todas las reglas de derivacion estudiadas en Calculo.
Ejemplo 1.14. Calcular la derivada parcial de la funcion f con respecto a x para
f (x, y) = x4 y + sen(xy)
n. Haciendo uso de la observacion anterior tendremos que
Solucio
f
(x) = 4x3 y + cos(xy)y
x
Ejemplo 1.15. Calcular la derivada parcial de la funcion f con respecto a x para f (x, y) =
xy
.
2
2
x +y
15
Concluimos de este ejemplo que la nocion de diferenciabilidad debe involucrar algo mas que la sola
existencia de las derivadas parciales en el punto.
Veamos ahora el aspecto geometrico en R2 para motivar la definicion en general. Supongamos que
queremos ajustar un plano tangente al grafo de f : R2 R en el punto (x0 , y0 , f (x0 , y0 )) G(f ).
Es decir queremos encontrar un plano en R3 que pase por el punto y que tenga la misma inclinaci
on
que el grafo de f en el punto. Para esto consideremos un plano generico z = a+bx+cy y deduzcamos
de las condiciones que mencionamos antes el valor de las constantes a, b y c. En primer lugar
queremos que (x0 , y0 , z0 ) pertenezca al plano tangente, entonces
f (x0 , y0 ) = z0 = a + bx0 + cy0
Fijando la variable x0 se debera tener que las recta z = a + bx0 + cy debe ser tangente al grafo de
z = f (x0 , y) en el punto y0 . Esto implica que
f
(x0 , y0 ) = b
x
De manera an
aloga
f
(x0 , y0 ) = c
y
Es decir, el plano buscado es
z = f (x0 , y0 ) +
f
f
(x0 , y0 )(x x0 ) +
(x0 , y0 )(y y0 )
x
y
Definici
on 1.19. Sea f : A R2 R, A abierto y (x0 , y0 ) A. Decimos que f es diferenciable
f
en (x0 , y0 ) si: Existen las derivadas parciales f
x (x0 , y0 ) y y (x0 , y0 ), y
lm
|f (x, y) f (x0 , y0 )
f
x (x0 , y0 )(x
x0 )
f
y (x0 , y0 )(y
k(x, y) (x0 , y0 )k
(x,y)(x0 ,y0 )
y0 )|
=0
Intuitivamente estamos pidiendo a f , para que sea diferenciable, que su grafo y el plano tangente al
grafo en el punto esten muy cerca, tan cerca que incluso al dividir su distancia por k(x, y)(x0 , y0 )k
la fracci
on todava es peque
na.
Vamos ahora al caso general:
Definici
on 1.20. Sea f : A Rn Rm , A abierto y x0 A. Entonces, si todas las derivadas
parciales de todas las funciones coordenadas existen en x0 , podemos definir una matriz Df (x0 )
Mmn (R) como
fi
(Df (x0 ))ij =
(x0 )
xj
Esta matriz se conoce como matriz Jacobiana o Diferencial de f en x0 .
Definici
on 1.21. Sea f : A Rn Rm , A abierto y x0 A. Decimos que f es en x0 si: Para
fi
todo i = 1, , m y para todo j = 1, , n : x
(x0 ) existe y
j
lm
xx0
(1.1)
16
(1.2)
f
(1, 1) = 2y|(1,1) = 2
y
1.4.1.
Aproximaci
on de primer orden
Si f : A Rn Rm es una funci
on diferenciable en x0 A. Entonces la funcion lineal afn
L(h) = f (x0 ) + Df (x0 )h
es una aproximaci
on de la funci
on f (x0 + h) cerca de h = 0. No solo f (x0 + h) y L(h) = f (x0 ) +
Df (x0 )h son muy parecidas, sino que ademas
f (x0 + h) L(h)
khk
es tambien muy peque
no para h peque
no, En el caso m = 1 y n = 2 tenemos que
L(h) = L(h1 , h2 ) = f (x0 , y0 ) +
f
f
(x0 , y0 )h1 +
(x0 , y0 )h2
x
y
17
n. Tenemos f (1, ) = 1 + e y
Solucio
f
(1, )
x
f
(1, )
y
= 1 + e
= e
As la aproximaci
on de primer orden es
f (1 + a, + b) 1 + e + (1 + e )a + e b
Nota 1.13. En general, los vectores de Rn deberan considerarse como vectores columna. De esta
manera la matriz Jacobiana y el producto Df (x0 )h, h Rn tienen sentido. Sin embargo, cuando
esto no lleve a confusi
on, muchas veces escribiremos los vectores de Rn como vectores fila, por
economa notacional.
1.4.2.
Definici
on 1.22. La matriz Jacobiana de una funcion de Rn en R es una matriz de 1 n
f
f
f
Df (x0 ) =
(x0 )
(x0 ) . . .
(x0 )
x1
x2
xn
Es costumbre identificar esta matriz con un vector de Rn llamado gradiente de f en x0 . As
f (x0 ) =
T
f
f
(x0 ), ,
(x0 )
x1
xn
1.4.3.
Relaci
on entre continuidad y diferenciabilidad
A continuaci
on abordamos la relacion entre continuidad y diferenciabilidad. Al igual que en el
caso de las funciones de una variable, la diferenciabilidad es un concepto mas fuerte que el de
continuidad, en el sentido que, toda funcion diferenciable en un punto es tambien continua en
dicho punto. Pero la relaci
on no termina all. Si bien la mera existencia de las derivadas parciales de
una funci
on en un punto no garantiza su diferenciabilidad, en el caso que esas derivadas parciales
existen y son continuas en una vecindad de dicho punto entonces s hay diferenciabilidad de la
funci
on.
Comencemos extendiendo la desigualdad de Cauchy-Schwarz al producto de una matriz por un
vector. Sea A una matriz en Mmn (R) y x Rn . Entonces, usando la desigualdad de CauchySchwarz obtenemos
m
n
m
n
n
m X
n
X
X
X
X
X
X
kAxk2 =
aij xj
a2ij
x2j =
a2ij kxk2
(1.3)
i=1
j=1
i=1
j=1
j=1
i=1 j=1
18
Definici
on 1.23. La desigualdad 1.3 sugiere definir la norma de una matriz A Mmn (R) como
v
uX
n
um X
t
(1.4)
a2ij
kAk =
i=1 j=1
xx0
Retomaremos esta propiedad cuando veamos mas adelante el teorema del valor medio.
Antes de continuar, recordaremos algunos teoremas del curso de Calculo que nos seran utiles en lo
que sigue.
Teorema 1.5. (Teorema de Bolzano-Weierstrass en R)
Sean [a, b] un intervalo cerrado y acotado y f : [a, b] R continua tal que f (a) y f (b) tienen
signos contrarios, entonces existe c [a, b] tal que f (c) = 0.
n. Sin perdida de generalidad supongamos que f (a) < 0 y f (b) > 0. Escojamos
Demostracio
c (a, b) y de esto se tienen tres casos
19
lm an = lm f (an )
como f (bn ) < 0 tenemos que lmn f (an ) 0. Se concluye entonces que f (c) = 0.
(*)
f (c + h) f (c)
0 f 0 (c) 0
h
(**)
20
f (b) f (a)
(x a)
ba
21
Consideremos
f (x0 + h) f (x0 ) =
f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 ) + f (x01 + h1 , x02 ) f (x01 , x02 )
Fijemos x01 + h1 y supongamos que h2 > 0. Definamos la funcion g : [0, h2 ] R como g(s) =
f (x01 + h1 , x02 + s). Como la derivada parcial con respecto ya y existe en una vecindad de x0 , si
h es peque
no, la funci
on g es derivable en [0, h2 ]. Entonces, aplicando el teorema del valor medio
(teorema 1.9) a g existe c2 [x02 , x02 + h2 ] tal que
f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 ) =
f
(x01 + h1 , x02 + c2 )
x2
Si h2 < 0 entonces se define g en [h2 , 0] y se procede de manera analoga. Notemos que en cualquier
caso |c2 | < |h2 | khk.
Por el mismo argumento, fijando ahora x02 se tendra que existe c1 tal que |c1 | < |h1 | khk y
f (x01 + h1 , x02 ) f (x01 , x02 ) =
f
(x01 + c1 , x02 )
x1
Y as, si anotamos x
1 = (x01 + h1 , x02 + c1 ) y x
2 = (x01 + c1 , x02 ) tenemos
f (x0 + h) f (x0 ) =
f
f
(
x1 )h1 +
(
x2 )h2
x1
x2
y de aqu
f (x0 + h) f (x0 ) Df (x0 )h =
f
f
f
f
(
x1 )
(x0 )]h1 + [
(
x2 )
(x0 ) h2
x1
x1
x2
x2
(*)
Usemos ahora la continuidad de las derivadas parciales en x0 . Dado > 0 existe 1 > 0 tal que
f
f
(x)
(x0 ) <
kx x0 k < 1
x1
x1
2
y existe 2 > 0 tal que
f
f
kx x0 k < 2
(x)
(x0 ) <
x2
x2
2
Eligiendo = min{1 , 2 }, si khk < entonces para j = 1, 2,
k
xj x0 k = |cj | < |hj | khk <
y as
f
f
xj )
(x0 ) <
xj (
xj
2
Reemplazando esta u
ltima igualdad en la ecuacion (*) y usando la desigualdad de Cauchy-Schwarz
se obtiene
s
2
2
f
f
f
f
|f (x0 + h) f (x0 ) Df (x0 )h|
(
x1 )
(x0 ) +
(
x2 )
(x0 ) khk
x1
x1
x2
x2
22
de donde
r
|f (x0 + h) f (x0 ) Df (x0 )h|
2
2
+
khk = khk
2
2
Definici
on 1.24. f se dice de clase C en x0 A si f es diferenciable en x0 y todas las derivadas
parciales de f son continuas en x0 .
Definici
on 1.25. f : A Rn Rm se dice diferenciable en A si f es diferenciable en cada punto
de A. f se dice de clase C 1 en A si f y todas sus derivadas parciales son continuas en A.
xy
f
x
f
y
Ejemplo 1.20. Las derivadas parciales de la funcion f (x, y) = x1/3 y 1/3 estudiada anteriormente
no estan definidas en una vecindad del origen, menos pueden ser continuas.
Volvemos ahora a la idea de aproximacion que lleva el concepto de diferenciabilidad. Vimos que si
f es diferenciable en un punto x0 entonces la funcion lineal afn Lh = f (x0 ) + Df (x0 )h aproxima
a f en primer orden. Nos interesa ahora la recproca.
Teorema 1.11. Sea f : A Rn Rm una funci
on continua en x0 A y L una funci
on lineal
afn, Lh = a + Bh con a Rm y B Mmn (R). Supongamos que
lm
h0
kf (x0 + h) Lhk
=0
khk
(*)
h0
kf (x0 + h) Lhk
=0
khk
h0
h0
es decir,
f (x0 + hej ) f (x0 )
= Bej
h
As, las derivadas parciales de las funciones coordenadas con respecto a xj existen y son iguales a
la columna j-esima de B. De aqu B = Df (x0 ). En vista de la hipotesis nuevamente, tenemos que
f es diferenciable en x0 .
lm
h0
Nota 1.14. Este teorema dice que cuando existe una aproximacion lineal de primer orden entonces
hay una sola. Es un teorema de unicidad.
Por otra parte este teorema es muy u
til para demostrar la diferenciabilidad de una cierta funcion.
La idea es que uno tiene una matriz B que es candidata a ser la matriz Jacobiana de f . Con dicha
matriz uno demuestra (*). y concluye la diferenciabilidad.
23
1
f (x)
es diferenciable en x0 y
1
Df (x0 )
(x0 ) =
f
f (x0 )2
n. S
Demostracio
olo indicaremos brevemente como se demuestra la propiedad 2, el resto queda
de tarea. Consideramos
4
24
h0
k4(h)k
=0
khk
kg(f (x0 + h)) g(f (x0 )) Dg(f (x0 ))(f (x0 + h) f (x0 ))k
+kDg(f (x0 ))k k(f (x0 + h) f (x0 ) Df (x0 )h)k.
Por otro lado, como f es diferenciable en x0 , dado > 0 existe 1 > 0 tal que
khk
khk < 1 kf (x0 + h) f (x0 ) Df (x0 )hk
2kDg(f (x0 ))k
y de aqu tambien obtenemos que existe K > 0 tal que
khk < 1 kf (x0 + h) f (x0 )k Kkhk
Usando la diferenciabilidad de g en f (x0 ) encontramos que existe 2 > 0 tal que:
klk < 2 kg(f (x0 ) + l) g(f (x0 )) Dg(f (x0 ))lk
klk
2K
kf (x0 + h) f (x0 )k
2K
Kkhk = khk
2K
2
Y por lo tanto
khk <
k4(h)k
khk
La demostraci
on requiere que kDg(f (x0 ))k > 0. Indicar como hacerlo cuando es cero queda de
tarea.
Ejemplo 1.21. (Caso particular)
Sean g : R3 R y f : R3 R3 tal que
f (x, y, z) = (u(x, y, z), v(x, y, z), w(x, y, z))
Sea F (x, y, z) = g f (x, y, z) = g(u(x, y, z), v(x, y, z), w(x, y, z)). Calculemos
F
x (x, y, z).
Entonces
g g g
,
,
u v w
u
z
v
x
v
y
v
z
w
x
w
y
w
z
g u g v
g w
F
=
+
+
x
u x v x w x
25
r cos() sen()
r sen() sen()
r cos()
Y consideremos la funci
on F (r, , ) = g(r cos() sen(), r sen() sen(), r cos()) Queremos calcular las derivadas parciales de F con respecto a r, y .
Si miramos el cambio de variables como una funcion f : R3 R3 , usando el ejemplo anterior se
tendr
a:
g
g
g
F
=
cos() sen() +
sen() sen() +
cos()
r
x
y
z
g
g
g
F
=
r cos() cos() + r sen() cos() r sen()
x
y
z
F
g
g
= r sen() sen()+ r cos() sen()
x
y
Ejemplo 1.23. Sea h(x, y) = f (u(x, y), v(x, y)) donde la funcion f esta definida por f (u, v) =
u2 +v 2
h
xy
y v(x, y) = exy . Calcular h
u2 v 2 , y las funciones u y v por u(x, y) = e
x , y .
n. Usando la regla de la cadena tenemos
Solucio
f u f v
4uv 2
4vu2
h
=
+
= 2
exy + 2
yexy
2
2
x
u x
v x
(u v )
(u v 2 )2
h
f u f v
4uv 2
4vu2
=
+
= 2
exy + 2
xexy
2
2
y
u y
v y
(u v )
(u v 2 )2
Ejemplo 1.24. (Importante)
Sean f : R3 R, : R R3 y h : R R de manera que: h(t) = f (t). Entonces:
f
f
f
dh
=
1 +
2 +
3 = f ((t)) (t)
dt
x
y
z
La funci
on representa una curva en el espacio y su vector tangente.
Ejemplo 1.25. Consideremos las funciones
f (x, y) = (x2 + 1, y 2 )
g(u, v) = (u + v, u, v 2 )
Calcular D(g f )(1, 1).
n. Usemos la regla de la cadena y calculemos
Solucio
Df (x, y) =
2x
0
0
2
26
1
Dg(u, v) = 1
0
1
0
2v
1
Dg(f (1, 1)) = Dg(2, 1) = 1
0
Entonces tenemos
1
D(g f )(1, 1) = 1
0
1
2
0
0
2
0
2
1
0
2
2
= 2
0
2
0
4
Una forma alternativa, que nos da evidentemente el mismo resultado, es desarrollar h primero
h(x, y) = g f (x, y) = (x2 + y 2 + 1, x2 + 1, y 4 )
y luego derivar y evaluar
2x
Dh(x, y) = 2x
0
2
2y
0 entonces Dh(1, 1) = 2
0
4y 3
2
0
4
x R entonces
G G dy
+
=0
x
y dx
Si
G
y
Nota 1.15. M
as adelante veremos que dada la ecuacion
G(x, y) = 0
hay condiciones que garantizan la posibilidad de despejar y como funcion de x. Este criterio lo da
el teorema de la funci
on implcita, que veremos mas adelante, y consiste en suponer que G
x es no
nula. Notamos que justamente este termino aparece en el denominador de la derivada de y.
Ejemplo 1.27. Veamos ahora un caso de derivacion implcita con mas variables. Sean
G1 (x, y1 (x), y2 (x)) = 0
G2 (x, y1 (x), y2 (x)) = 0
27
y 1
y 2
G2
y2
1
= G1 G2
G2 G1
G2
y1 y2 y1 y2
y1
G1 G1
y1
x
G1
y2
G2
x
y definamos
h(u, v) = f (
x=
u+v
uv
, y=
2
2
u+v uv
,
)
2
2
Tendremos que
h
f 1 f
1
(u, v) =
+
( ) = 0
v
x 2 y 2
Es decir h no depende de v, y por lo tanto:
f (x, y) = h(x + y)
1.4.4.
El teorema del valor medio para funciones de un intervalo [a, b] en R puede extenderse a varias
variables. Esto haremos a continuacion.
Teorema 1.15. (Teorema del valor medio en Rn )
Sea f : A Rn R diferenciable en A y [a, b] A, donde [a, b] = {ta + (1 t)b : t [0, 1]}.
Entonces
kf (b) f (a)k sup kDf (x)kkb ak
x[a,b]
28
n. Definamos la funci
Demostracio
on g : [0, 1] R por g(t) = f (a + t(b a)). Notese que
g(0) = f (a) y g(1) = f (b).
Por definici
on g es derivable y por regla de la cadena se obtiene
g 0 (t) = f (a + t(b a)) (b a)
Como la funci
on g satisface las hip
otesis del teorema 1.9 para funciones reales podemos concluir
que existe t0 (0, 1) tal que g(1) g(0) = g 0 (t0 )(1 0) y por lo tanto,
f (b) f (a) = f (a + t0 (b a)) (b a)
(*)
Tomando m
odulo y usando la desigualdad de Cauchy-Schwarz
!
|f (b) f (a)| kf (a + t0 (b a))k kb ak
sup kf (x)k kb ak
x[a,b]
Nota 1.16. El teorema anterior tambien se conoce como teorema de los incrementos finitos. Para
una funci
on con valores en Rm , no necesariamente se obtiene una igualdad como en el caso de una
variable o como en (*). Esto no es problema, pues su utilidad realmente viene del hecho que los
incrementos se pueden acotar.
Si agregamos la hip
otesis de que f es de clase C 1 entonces Df () es continua y como k k tambien
lo es kDf ()k ser
a composici
on de funciones continuas y por lo tanto continua de R en R y
as alcanzar
a su m
aximo sobre un intervalo cerrado. Luego
kf (b) f (a)k max kDf (x)kkb ak
x[a,b]
1.5.
Gradiente y geometra
f
x
f
y
f
z
f (x, y, z)
2x
p
2
2 x + y2 + z2
2y
p
2
2 x + y2 + z2
2z
p
2 x2 + y 2 + z 2
1
p
(x, y, z)
x2 + y 2 + z 2
=
=
=
=
x
p
2
x + y2 + z2
y
p
2
x + y2 + z2
z
p
x2 + y 2 + z 2
= rb
29
Consideremos a continuaci
on un vector unitario v (con kvk = 1) y miremos la funcion:
t f (x0 + tv)
Esta es una funci
on de una variable y uno puede preguntarse sobre su diferenciabilidad en t = 0,
es decir sobre la existencia del lmite
lm
t0
f (x0 + tv) f x0 )
t
Si este lmite existe, decimos que f tiene derivada en x0 , en la direccion v. A este lmite se lo anota
usualmente como Df (x0 , v) o f
v (x0 ) Un caso particular de derivada direccional son las derivadas
parciales.
El significado geometrico de la derivada direccional lo podemos ver en el siguiente ejemplo:
Ejemplo 1.29. Encontrar la derivada direccional Dv f (x, y) de f (x, y) = x3 3xy + 4y 2 si v es el
vector unitario dado por el
angulo = /4. Cual es el valor de Dv f (1, 2)?
n. A partir de Dv f (x, y) = fx cos() + fy sen() se obtiene
Solucio
1
1
1
Dv f (x, y) = (3x2 3y) + (3x + 8y) = [3(x2 x) + 5y]
2
2
2
Luego evaluamos en (x0 , y0 ) = (1, 2)
Dv f (1, 2) = 5 2
x
y
~v 0
1
30
n. Se pide calcular r = f (1, 0, 0)(1/ 3, 1/ 3, 1/ 3). Para ello calculamos las derivadas
Solucio
parciales
f
x
f
y
f
z
2xeyz
= x2 zeyz
= x2 yeyz
Evaluando obtenemos
2
f (1, 0, 0) = (2, 0, 0) r = (2, 0, 0)(1/ 3, 1/ 3, 1/ 3) =
3
El siguiente teorema nos muestra un importante aspecto geometrico del gradiente.
Teorema 1.16. Si f (x0 ) 6= 0 entonces f (x0 ) apunta en la direcci
on en la cual f crece m
as
rapidamente.
n. Sea v vector unitario, entonces la razon de cambio de f en la direccion de v es
Demostracio
f (x0 ) v
kf (x0 )k cos
Donde es el angulo entre v y f (x0 )). Este angulo es maximo cuando v y f (x0 ) son paralelos.
Otro aspecto geometrico importante del gradiente viene en el estudio de superficies. Sea F : A
Rn R una funci
on diferenciable y consideremos el conjunto
S = {x Rn : F (x) = k}
Este conjunto es, en general, una superficie si n = 3 y una hipersuperficie si n > 3.
31
32
1.5.1.
9y + x w = 1
1 (0, 1, 1)
2
es normal
Captulo 2
2.1.
f
2f
=
xj xi
xj xi
Ejemplo 2.1. Calcular
2f
xy
n.
Solucio
Entonces
2f
x2
si f (x, y) = ln(x2 + y 2 ).
f
2x
2x(2y)
2f
= 2
y
= 2
2
x
x +y
yx
(x + y 2 )2
2f
2(x2 + y 2 ) 2x(2x)
y 2 x2
=
= 2
2
2
2
2
x
(x + y )
(x + y 2 )2
2f
2x(2y)
= 2
yx
(x + y 2 )2
2f
xy
2f
yx .
34
2f
2f
+
x2
y 2
Definici
on 2.1. Se define el laplaciano de f : Rn R como:
4f (x) =
n
X
2f
i=1
x2i
Para x = (x1 , . . . , xn ) Rn .
Recordemos que f se dice de clase C 1 en un dominio A si f es diferenciable en A y todas sus
derivadas parciales son continuas en A.
Definici
on 2.2. f se dir
a dos veces diferenciables en x0 si f es diferenciable en una vecindad de
x0 y todas sus derivadas parciales son diferenciables en x0 . f se dira de clase C 2 en A si todas sus
segundas derivadas parciales son continuas en A.
Es f
acil extender estas definiciones a
ordenes superiores.
A continuaci
on veremos uno de los resultados mas importantes de esta seccion que dice relacion
con la posibilidad de intercambiar el orden de las derivadas
Teorema 2.1. (Teorema de Schwarz)
Sea f : A Rn R una funci
on dos veces continua y diferenciable en A. Si las segundas derivadas
parciales son continuas en x0 A entonces:
2f
2f
(x0 ) =
(x0 )
xj xi
xi xj
i, j = 1, , n
n. Una peque
Demostracio
na reflexi
on lleva a concluir que basta estudiar el n = 2. Dado x0 =
(x01 , x02 ) A y h = (h1 , h2 ) R2 , khk < r, definimos F : B(0, r) R de la siguiente forma
F (h1 , h2 ) = [f (x01 + h1 , x02 + h2 ) f (x01 + h1 , x02 )] [f (x01 , x02 + h2 ) f (x01 , x02 )]
Notemos que F queda bien definida para r peque
no. Sea g(t) = f (t, x02 + h2 ) f (t, x02 ). Entonces
por el teorema del valor medio (teorema 1.15) existe h01 tal que |h01 | < khk y
F (h1 , h2 ) = g(x01 + h1 ) g(x01 ) = g 0 (x01 + h01 )h1
y entonces
f
f
0
0
(x01 + h1 , x02 + h2 )
(x01 + h1 , x02 ) h1
F (h1 , h2 ) =
x
x
Usando nuevamente el teorema del valor medio encontramos h02 tal que |h02 | < |h2 | khk y entonces
F (h1 , h2 )
2f
=
(x01 + h01 , x02 + h02 )
h1 h2
yx
35
y(x4 +4y 2 x2 +y 4 )
(x2 +y 2 )2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
y en consecuencia
2f
(0, 0) = lm
y0
yx
f
x (0, y)
f
x (0, 0)
= lm
y0
yy4
y
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
y de aqu
2f
(0, 0) = 1
xy
= 1
36
Es decir,
2f
2f
(0, 0) 6=
(0, 0)
xy
yx
C
omo se interpreta esto a la luz del teorema? Estudiemos la continuidad de las derivadas cruzadas
5
2f
f
y
lm
(0, y) = lm
(0, y) = lm
4 = lm 1 = 1
x0
y0 yx
y0 y
y0 y
x
y
y sin embargo
2f
x8
(x, 0) = lm 8 = 1
x0 yx
x0 x
lm
2f
yx
Ahora que ya conocemos las derivadas de mayor orden y sus principales propiedades estamos
preparados para estudiar los desarrollos de Taylor en varias variables. Recordemos el caso de una
variable, en el cual vamos a basar nuestro argumento para varias variables.
Para la demostraci
on del teorema usaremos el teorema fundamental del calculo que nos sera de
utilidad m
as adelante.
Teorema 2.2. (Primer teorema fundamental del calculo)
Sean f : [a, b] R continua y c [a, b], entonces la funci
on F definida por
Z x
F (x) =
f (x)dx
a
h0
F (c + h) F (c)
h
x+h
Z
f (x)dx
c+h
Z
f (x)dx =
c+h
f (x)dx
c
37
Integrando en [c, c + h]
f (a1 )h G(c + h) G(c) f (b1 )h
G(c + h) G(c)
f (b1 )
h
Si h 0+ entonces a1 c y b1 c. Como f es continua f (a1 ) f (c) y f (b1 ) f (c).
Entonces,
f (a1 )
lm
h0+
F (c + h) F (c)
= f (c)
h
(*)
2. Sea h < 0: Como f es continua en [c + h, c], se tiene que existen valores a2 y b2 en [c, c + h]
tales que
f (a2 ) f (c) f (b2 )
x [c + h, c]
Integrando en [c, c + h]
f (a2 )(h) (F (x + h) F (x)) f (b2 )(h)
F (c + h) F (c)
f (b2 )
h
entonces a2 c y b2 c. Como f es continua, f (a2 ) f (c) y f (b2 ) f (c).
f (a2 )
Si h 0
Entonces,
lm
h0
F (c + h) F (c)
= f (c)
h
(**)
h0
F (c + h) F (c)
F (c + h) F (c)
= lm+
h
h
h0
n. Sea P = {x0 , . . . , xn } una particion cualquiera del intervalo [a, b], entonces en
Demostracio
cada intervalo [xi1 , xi ] la funci
on F (x) cumple las hipotesis del teorema del valor medio (teorema
1.9), es decir
F (xi ) F (xi1 ) = F 0 (c)(xi xi1 )
Como F 0 (x) = f (x) x [a, b], entonces F 0 (c) = f (c) y ademas
mi (f )(xi xi1 ) f (c)(xi xi1 ) Mi (f )(xi xi1 )
mi (f )(xi xi1 ) F (xi ) F (xi1 ) Mi (f )(xi xi1 )
Aplicando
Pn
i=1 ()
se obtiene
s(f, P ) F (b) F (a) S(f, P )
38
Nota 2.1. Los dos u
ltimos teoremas son parte del curso de Calculo. Su demostracion no presenta
mayores detalles por este motivo y su demostracion paso a paso queda de tarea a modo de recordar
los contenidos plenamente.
Teorema 2.4. (Teorema de Taylor de 1er orden)
Cuando f : (a, b) R, x0 (a, b) y f es derivable en x0 entonces se tiene que
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) + R1 (x0 , x x0 )
donde
lm
xx0
R1 (x0 , x x0 )
=0
|x x0 |
Esta no es m
as que la definici
on de derivada y la f
ormula se conoce como la f
ormula de aproximaci
on de f al primer orden. El termino R1 (x0 , x x0 ) se denomina resto. Cuando f es dos veces
derivable uno puede dar una expresi
on para R1 en terminos de una integral. En efecto, del 2do
teorema fundamental del c
alculo (teorema 2.3) tenemos
Z x
f (x) = f (x0 ) +
f 0 (t)dt
x0
(x t)f 00 (t)dt
x0
As obtenemos la f
ormula integral del resto
Z
R1 (x0 , x) =
(x t)f 00 (t)dt
x0
xx0
1 (k)
f (x0 )(x x0 )k + Rk (x, x0 )
k!
Rk (x, x0 )
=0
|x x0 |k
m
ax
t[x0 ,x0 +]
entonces
Z
|Rk (x, x0 )| M |
x0
(x t)k
M
dt| =
|x x0 |k+1
k!
(k + 1)!
39
Nota 2.2. De lo anterior se deduce que todo polinomio es de clase C , es decir, es infinitamente
diferenciable y sus enesimas derivadas parciales son continuas.
Cuando f : A Rn R tambien podemos establecer un teorema de Taylor. Notamos que en
caso que f tome valores en Rm lo que diremos se aplica a cada coordenada. Comenzamos con una
definici
on:
Definici
on 2.3. Sea f : A Rn R dos veces diferenciable en x0 A. Se define entonces la
matriz Hessiana de f en x0 como
2f
2
f
. . . xn x
x21
1
..
..
..
Hf (x) =
.
.
.
2
2
f
f
...
x1 xn
x2
n
Nota 2.3. Notamos que, por el teorema anterior, si f es de clase C 2 en una vecindad de x0 entonces
la matriz Hessiana de f en x0 es simetrica.
Teorema 2.5. (Teorema de Taylor de 2do orden)
Sea f : A Rn R una funci
on de clase C 3 . Entonces
1
f (x0 + h) = f (x0 ) + f (x0 )h + ht Hf (x0 )h + R2 (x0 , h)
2
donde el resto R2 (x0 , h) tiene una expresi
on integral y |R2 (x0 , h)| M khk3 . As que en particular
R2 (x0 , h)
=0
h0
khk2
lm
Nota 2.4. Se puede demostrar que si f es de clase C 2 entonces tambien se tiene que
lm
x0
R2 (x0 , h)
=0
khk2
aunque la f
ormula integral del resto no se tiene.
n. Utilizando la regla de la cadena tenemos
Demostracio
n
X f
d
f (x0 + th) = Df (x0 + th)h =
(x0 + th)hi
dt
xi
i=1
e integrando entre 0 y 1
f (x0 + h) f (x0 ) =
n Z
X
i=1
f
(x0 + th)hi dt
xi
f
xi (x0
+ th)hi
du X 2 f
=
(x0 + th)hj hi
dt
xj xi
j=1
Integrando por partes, considerando u como arriba y v = t 1
n
n X
n Z 1
X
X
f
2f
f (x0 + h) = f (x0 ) +
(x0 )hi +
(1 b)
(x0 + th)hi hj dt
xi
xi xj
i=1
i=1 j=1 0
40
que es un resultado medio correspondiente a la formula de Taylor de primer orden (teorema 2.4)
f (x0 + h) = f (x0 ) +
n
X
f
(x0 )hi + R1 (x0 , h)
x
i
i=1
2f
xi xj (x0
du X
3f
=
(x0 + th)hi hj hk
dt
xk xj xi
k=1
Obtenemos
f (x0 + h) = f (x0 ) +
n
n X
n
X
X
f
1 2f
(x0 )hi +
(x0 )hi hj + R2 (x0 , h)
xi
2 xi xj
i=1
i=1 j=1
n X
n X
n Z
X
i=1 j=1 k=1
Como
f 3
xk xj xi
(1 t)2
3f
(x0 + th)hi hj hk dt
2
xk xj xi
3f
(x)
xB(x0 ,) xk xj xi
max
3
n X
n X
n
X
n
1
3
M khk =
M khk3
|R2 (x0 , h)|
3!
3!
i=1 j=1
k=1
Ejemplo 2.3. Encontrar la f
ormula de Taylor de orden 2 en torno a x0 = (0, 0) para
f (x, y) = sen(x + 2y) + x2
n. Evaluamos f (0, 0) = 0. Despues calculamos las derivadas parciales
Solucio
f
f
(x, y) = cos(x + 2y) + 2x y
(x, y) = 2 cos(x + 2y)
x
y
y evaluamos f (0, 0) = (1, 2). Ahora calculamos las derivadas de segundo orden
2f
2f
2f
=
sen(x
+
2y)
+
2,
=
2
sen(x
+
2y)
y
= 4 sen(x + 2y)
x2
yx
y 2
41
y evaluamos
2f
2f
2f
(0,
0)
=
0
,
(0,
0)
=
2
y
(0, 0) = 0
y 2
x2
yx
Considerando h = (h1 , h2 ) tenemos finalmente
1
2 0
h1
f (x0 + h) = f (h1 , h2 ) = f (0, 0) + (1, 2)(h1 , h2 ) + (h1 , h2 )
+ R2
0 0
h2
2
= h1 + 2h2 + h21 + R2 (0, h)
Continuando con este ejemplo, sabemos que la funcion P2 (h1 , h2 ) = h1 + 2h2 + h21 aproxima a
2 (0,h)
0. Pero uno podra hacer una pregunta m
as
f (h1 , h2 ) al segundo orden, en el sentido que Rkhk
2
especfica: Si khk 1/4 Que error se comete por cambiar f y P2 ? Tenemos la formula integral
del error
2 X
2 Z 1
2 X
X
(1 t)2
3f
R2 (h1 , h2 ) =
(x0 + th)hi hj hk dt.
2
xk xj xi
0
i=1 j=1
k=1
Usando el teorema del valor medio (teorema 1.15) integral vemos que existen tijk [0, 1] tales que
2
R2 (h1 , h2 ) =
3f
1 XXX
(x0 + tijk h)hi hj hk ,
3! i=1 j=1
xk xj xi
k=1
de donde podemos hacer nuestra estimacion. En nuestro caso calculemos las terceras derivadas
3f
= cos(x + 2y)
x3
3f
= 4 cos(x + 2y)
xy 2
,
,
3f
= 8 cos(x + 2y)
y 3
3f
= 2 cos(x + 2y)
yx2
1 3
(h + 3 2h21 h2 + 3 4h1 h22 + 8h32 )
3! 1
27
1
(1 + 6 + 12 + 8)khk3 =
khk3 ,
3!
6
|hi | khk
2.2.
Dentro de los puntos que pertenecen al dominio de la funcion, aquellos en donde esta alcanza
un mnimo o un m
aximo revisten un especial interes por su importancia en muchos problemas
pr
acticos.
Definici
on 2.4. Sea f : A R con A un subconjunto abierto de Rn . Un punto x0 A se
dir
a mnimo (m
aximo) local de f si existe una vecindad V de x0 tal que
f (x) f (x0 ) x V
42
Un punto se dir
a extremo local si es un mnimo o un maximo local. Un punto x0 se dira crtico de
f si Df (x0 ) = 0. Un punto crtico que no es extremo se dira punto silla.
Teorema 2.6. Sea f : A R diferenciable, con A un subconjunto abierto de Rn y x0 A un
extremo local, entonces Df (x0 ) = 0.
n. Si f tiene un mnimo local x0 entonces si definimos la funcion de una variable
Demostracio
g(t) = f (x0 + th)
donde h Rn es un punto cualquiera se tendra que g tiene un mnimo local en t = 0 pues
g(t) = f (x0 + th) f (x0 ) = g (0)
y por tanto g 0 (0) = 0 lo que implica que
Df (x0 )h = 0
y como esto es para cualquier h entonces se tiene que Df (x0 ) = 0.
43
Definici
on 2.5. Sea f : A R con A un subconjunto abierto de Rn con derivadas de 2do orden
2f
(x0 )
xi xj
en x0 . El Hessiano de f en x0 es la funcion cuadratica definida por
n
1 X 2f
(x0 )hi hj
2 i,j=1 xi xj
Hf (x0 )(h) =
2 f (x)
x21
2 f (x)
x2 x1
2 f (x)
x3 x1
2 f (x)
x1 x2
2 f (x)
x22
2 f (x)
x3 x2
H=
1 T
h Hh
2
..
.
2 f (x)
x1 xn
..
2 f (x)
x2 xn
...
2 f (x)
xn x1
...
2 f (x)
xn x2
..
.
2 f (x)
x3 xn
...
2 f (x)
x2n
La matriz H se denomina matriz Hessiana de la funcion f . Observemos que esta matriz es simetrica
ya que
2f
2f
=
xi xj
xj xi
Antes de dar el criterio de 2do orden, recordemos algunos elementos de algebra lineal.
Si A es una matriz simetrica, entonces A es diagonalizable, es decir, existe una matriz P tal que
A = P DP T
(2.1)
D=
1
0
..
.
0
2
..
.
..
.
0
0
..
.
44
donde pi representa la i-esima columna de P . Los i son los valores propios de la matriz A mientras
que los pi son vectores propios correspondientes a dichos valores propios.
Una matriz A se dice definida positiva si
xT Ax > 0 x 6= 0
Si adem
as es simetrica, usando la diagonalizacion vista anteriormente, tenemos que
xT P DP T x > 0 x 6= 0
o sea (haciendo P T x = y)
y T Dy > 0 y 6= 0
X
i yi2 > 0 y 6= 0
y de aqui se obtiene el siguiente teorema.
Teorema 2.7. Una matriz A es definida positiva si y solo si los valores propios de A son positivos.
Corolario 2.2. Si A es definida positiva entonces existe c > 0 tal que
2
xT Ax c kxk x Rn
donde, c = mn {i | i = 1, ..., n} .
n.
Demostracio
xT Ax =
i yi2
2
mn {i | i = 1, ..., n} kyk
2
= c
P T x
Tambien se habla de matriz semi-definida positiva cuando se satisface
xT Ax 0 x Rn
Teorema 2.8. Una matriz A es semi-definida positiva si y solo si los valores propios de A son
positivos o nulos.
Nota 2.5. De las definiciones vistas hasta ahora de matrices definidas y semi-definidas positivas,
haciendo los cambios de desigualdad correspondientes, se obtienen las definiciones de matrices
definidas y semi-definidas negativas.
Nota 2.6. Existen muchos criterios para determinar si una matriz es definida positiva o no, uno
de los usados por su f
acil comprobaci
on es el siguiente: Una matriz B cuadrada (n n) es definida
positiva si y solo si todas las submatrices cuadradas a lo largo de la diagonal tienen determinantes
positivos. Para el caso de las matrices definidas negativas los signos de los determinantes deben
alternarse, comenzando con negativo.
De esta forma, cuando la matriz es semi-definida positiva se tiene
|Hi | 0
i = {1, . . . , j}
mientras que cuando la matriz es semi-definida negativa se tiene |H1 | 0, |H2 | 0, . . . tal que
(1)i |Hi | 0
i = {1, . . . , j}
45
Ejemplo 2.5. Para una matriz hessiana de 3 3 las submatrices de esta corresponden a
2 f (x) 2 f (x) 2 f (x)
H1 =
f (x)
x21
H2 =
2 f (x)
x21
2
f (x)
x2 x1
2 f (x)
x1 x2
2
f (x)
x22
x21
H3 =
x2 x1
2
x3 x1
2
f (x)
x1 x2
f (x)
x22
f (x)
x3 x2
2 f (x)
x1 x3
2 f (x)
x2 x3
2 f (x)
x23
x=0
y=0
y por tanto el u
nico punto crtico es (x, y) = (0, 0). Veamos ahora la Hessiana de la funcion f
46
2
0
0
2
la cual trivialmente se ve que es definida positiva y por tanto el punto (0, 0) es un mnimo local
estricto.
Ejemplo 2.7. Dada la funci
on f (x, y) = y 4x2 + 3xy y 2 , podemos saber si la funcion presenta
un m
aximo o un mnimo a partir de la Matriz Hessiana.
n.
Solucio
f (x, y)
= 8x + 3y
x
f (x, y)
= 8
x2
2 f (x, y)
=3
yx
f (x, y)
= 1 + 3x 2y
y
2 f (x, y)
= 2
y 2
2 f (x, y)
=3
xy
Luego,
H=
8
3
3
2
8
|H2 | =
3
3
= 16 9 = 7 > 0
2
Entonces, a partir de los signos de las submatrices, se tiene que estos son alternados y que |H|1 es
negativo por lo que la funci
on presenta un maximo.
2.3.
47
Funciones convexas
Definici
on 2.6. Un conjunto C es convexo si el segmento que une dos puntos pertenecientes al
conjunto tambien pertenece a C.
y
y
x
x
x, y A, 0 1 (resp. <)
De manera m
as intuitiva, una funci
on f es convexa si el segmento que une dos puntos pertenecientes
al grafo de la funci
on se ubica por sobre este.
Determinar la convexidad de una funcion por medio de esta definicion resulta complicado por lo
que recurriremos a algunos criterios de diferenciabilidad cuando estos son aplicables.
Definici
on 2.9. El hipografo de una funcion corresponde a todos los puntos situados en y bajo
el contorno del grafo de la funci
on y queda definido por el conjunto
E = {(x, c) | x A, c R, f (x) c}
Definici
on 2.10. El epgrafo de una funcion corresponde a todos los puntos situados en y sobre
el contorno del grafo de la funci
on y queda definido por el conjunto
E = {(x, c) | x A, c R, f (x) c}
El epgrafo de una funci
on nos permite relacionar funciones convexas con conjuntos convexos.
48
grafo(f )
epi(f )
hip(f )
x
Figura 2.2: Epgrafo, hipografo y grafo de una funcion
Teorema 2.11. A partir de la definici
on 2.10 tenemos otro criterio de convexidad. Diremos que
f es convexa si y s
olo si el epgrafo de f es convexo en Rn+1 . Esto es,
(x, f (x)) + (1 )(y, f (y)) epi(f )
n.linea en blanco
Demostracio
(): Supongamos que f : A Rn R es una funcion convexa, entonces debemos demostrar que
epi(f ) es convexo. Por definici
on tenemos que
f (x + (1 )y) f (x) + (1 )f (y)
x, y A, 0 1
(*)
Para demostrar que epi(f ) es convexo debemos demostrar que para todo [0, 1], es decir
(x + (1 )y, c1 + (1 )c2 ) epi(f )
En (*) vamos a multiplicar la primera desigualdad por y la segunda por (1) para luego sumar,
se obtiene
f (x) + (1 )f (y) c1 + (1 )c2
lo que por convexidad implica
f (x + (1 )y) c1 + (1 )c2
y entonces epi(f ) es convexo.
(): Supongamos que epi(f ) es convexo, entonces debemos demostrar que f : A Rn R es
convexa.
Sean c1 , c2 epi(f ). Escojamos x, y A tales que
f (x) = c1 , f (y) = c2
(*)
(**)
49
(*)
x, y A
(resp. >)
(2.3)
n. linea en blanco
Demostracio
(): Supongamos que f es convexa, entonces
f (x + (1 )y) f (x) + (1 )f (y)
x, y A, [0, 1]
x, y A, ]0, 1]
x, y A
(resp. >)
n. linea en blanco
Demostracio
(): Supongamos que f es convexa. De acuerdo al teorema 2.3 se cumplen
f (x) f (y) + f (y) (x y)
f (y) f (x) + f (x) (y x)
(2.4)
50
g 0 () g 0 (0) 0
Aplicando el teorema del valor medio (teorema 1.15) a g, existe ]0, 1[ tal que
g(1) g(0) = g 0 ()
Como g 0 () g 0 (0) 0
g(1) g(0) g 0 (0)
Esto nos lleva a
f (x) f (y) f (y) (x y)
f (x) f (y) + f (y) (x y)
Lo cual cumple el teorema 2.11 y entonces f es convexa.
g() g(0)
0
51
Nota 2.7. La convexidad es una condicion necesaria para la existencia de mnimos locales de
funciones y la convexidad estricta es una condicion suficiente para la existencia de un mnimo
global. Para una funci
on f : A Rn R el teorema 2.9 nos provee un criterio u
til para determinar
la convexidad de una funci
on cuando esta es diferenciable.
Ejemplo 2.8. ln(x) con x R++ (x > 0) es convexa. En efecto,
ln(x + (1 )y)
ln(x) (1 ) ln(y)
x + (1 )y
2f
x2
1
x2
>0
2
3. x
1 x2 de R+ en R con + > 1
2.4. FUNCIONES CONCAVAS
52
2.4.
Funciones c
oncavas
Definici
on 2.11. Una funcion f : A R con A un subconjunto abierto de Rn es concava (respectivamente estrictamente c
oncava) si la funcion f es convexa (respectivamente estricatamente
convexa). De esta forma, f es c
oncava (resp. estrictamente concava) si
f (x + (1 )y) f (x) + (1 )f (y)
x, y A, 0 1
(resp. >)
2.5.
Extremos restringidos
Veamos ahora que sucede cuando queremos mnimizar o maximizar una funcion sujeta a ciertas
restricciones.
Teorema 2.16. (Teorema de los multiplicadores de Lagrange)
Sean f : A Rn R y g : A Rn R funciones diferenciables. Sea x0 A y g(x0 ) = c, y sea
S el conjunto de nivel para g con valor c, es decir
S = {x A | g(x) = c}
Supongamos que g(x0 ) 6= 0. Si f |S (f restringida a S) tiene un mnimo o m
aximo local en S en
x0 , o equivalentemente, si x0 es una soluci
on del problema:
mn f (x)
s.a
g(x) = c
max
x
s.a
entonces existe un n
umero real tal que
f (x0 ) = g(x0 )
f (x)
g(x) = c
53
..
f (x0 ) = g(x0 )
g
f
(2.5)
(x1 , ..., xn ) = x
(x1 , ..., xn )
g(x1 , ..., xn ) = c
xn
g(x1 , ..., xn ) = c
Corolario 2.3. Si f al restringirse a una superficie S, tiene un m
aximo o un mnimo en x0 ,
entonces f (x0 ) es perpendicular a S en x0 .
Gr
aficamente, dado el contorno C de una funcion de dos variables f (x1 , x2 ) igual a una constante a
y el contorno C 0 de la restricci
on g(x1 , x2 ) igual a una constante b podemos interpretar la condici
on
f (x0 ) = g(x0 ) como sigue
x2
f = g
f (x1 , x2 ) = a
g(x1 , x2 ) = b
x1
Figura 2.3: Relaci
on entre el multiplicador de Lagrange y las curvas de nivel
54
Ejemplo 2.10. Sea S R2 la recta que pasa por el punto (1, 0) y tiene una inclinacion de 45
y sea f : R2 R tal que (x, y) 7 x2 + y 2 . Hallar los extremos de f sobre la recta S.
n. Veamos que S se puede escribir como
Solucio
S = {(x, y) | y x 1 = 0}
y denotemos por (x0 , y0 ) el posible candidato a ser extremo y g(x, y) = y x 1, c = 0. De esta
forma, el Lagrangeano del problema corresponde a
L(x, y, ) = x2 + y 2 (y x 1)
a partir del cual, aplicando el sistema lagrangeano (2.5) se obtiene
2x0 =
x0 = y0
x0 = 1/2
2y0 =
y
=
x
+
1
y0 = 1/2
0
0
y0 = x0 + 1
Es decir, el extremo de f es (x0 , y0 ) = ( 21 , 12 ) y el valor del multiplicador de lagrange es = 1.
Ejemplo 2.11. Encontrar el m
aximo valor de f (x, y, z) = x+2y +3z en la curva de la interseccion
del plano x y + z = 1 y la circunferencia x2 + y 2 = 1.
n. Debemos plantear el Lagrangeano del problema, el cual corresponde a
Solucio
L(x, y, z, 1 , 2 ) = x + 2y + 3z 1 (x y + z 1) 2 (x2 + y 2 1)
Aplicando el sistema lagrangeano (2.5) obtenemos
1 = 1 + 22 x0
5x0 = 2y0
2 = 1 + 22 y0
3 = 1
x0 y0 + z0 = 1
y
+
z
=
1
x20 + y02 = 1
0
0
0
2
2
x0 + y0 = 1
x0 = 2/ 29
y0 = 5/ 29
z0 = 1 7/ 29
2 5
7
, ,1 +
29 29
29
7
2 5
,
,1
29 29
29
En general, para poder determinar si los puntos extremos son mnimos locales, maximos o puntos
sillas debemos analizar el comportamiento de la 2da derivada como veremos mas adelante, u otros
argumentos.
Supongamos ahora que tenemos k restricciones de igualdad, es decir
S = {x Rn | g1 (x1 , ..., xn ) = 0, . . . , gk (x1 , ..., xn ) = 0}
y el problema de optimizaci
on es:
mn f (x)
x
xS
max f (x)
x
xS
(2.6)
55
(
o f (x) f (x0 ))
entonces existen k n
umeros reales (multiplicadores) 1 , . . . , k tales que:
f (x0 ) = 1 g1 (x0 ) + . . . + k gk (x0 )
siempre que los vectores g1 (x0 ), . . . , gk (x0 ) sean linealmente independientes.
2.6.
s.a
max
x
gi (x1 , . . . , xn ) = c
s.a
f (x1 , . . . , xn )
gi (x1 , . . . , xn ) = c i = {1, . . . , k}
(2.7)
donde g(x1 , ..., xn ) = (g1 (x1 , ..., xn ), ..., gk (x1 , ..., xn )) , es decir
L(x1 , ..., xn , ) = 0
donde L representa el Lagrangeano del problema (2.7).
De los puntos crticos para el Lagrangeano, mas las restricciones, obtenemos posibles candidatos a
mnimos o m
aximos locales:
L(x) = 0
gi (x) = 0 i = {1, . . . , k}
En el caso sin restricciones, el criterio para determinar de que tipo eran los posibles extremos
era analizando la matriz Hessiana de la funcion objetivo, en dependencia de si esta era definida
negativa o positiva, entonces se tena un maximo o un mnimo respectivamente.
Un criterio similar se tiene para el caso de un problema con restricciones, sin embargo no sera necesario que el Hessiano, en este caso el del Lagrangeano, sea definido positivo o negativo para cada
direcci
on h, en realidad bastar
a que lo sea en un cierto conjunto que denominaremos conjunto de
direcciones crticas y lo definiremos como:
K(x) = {h Rn | gi (x0 ) h = 0 i = {1, . . . , k} , f (x0 ) h 0}
cuando el problema es de minimizacion y
K(x) = {h Rn | gi (x0 ) h = 0 i = {1, . . . , k} , f (x0 ) h 0}
cuando es de maximizaci
on.
56
2L
2
L
2L
x1 x
(x0 , )
(x0 , )
x1 x2 (x0 , )
x21
n
..
..
..
..
Hx L(x0 , ) =
.
.
.
.
2L
2L
2L
(x
,
)
(x
,
)
(x
,
)
0
0
0
xn x1
xn x2
x2n
2
n
L
=
(x0 , )
xi xj
i,j=1
Ejemplo 2.12. En el ejemplo (2.10), diga si el punto (x0 , y0 ) = ( 21 , 12 ) es un maximo o un
mnimo.
n. Para esto, construyamos primeramente el Lagrangeano del problema:
Solucio
L(x, y, ) = x2 + y 2 (y x 1)
Recordemos que el multiplicador de lagrange era = 1, por tanto, el Hessiano del Lagrangeano
queda:
2 0
Hx L(x0 , y0 , ) =
0 2
el cual es definido positivo para todo h, en particular para las direcciones del conjunto de direcciones
crticas y por tanto el punto (x0 , y0 ) = ( 12 , 12 ) es un mnimo.
Ejemplo 2.13. Optimice el valor de la funcion f (x, y) = x sobre el conjunto de puntos (x, y) tales
que x2 + 2y 2 = 3.
n. El Lagrangeano para este problema queda de la siguiente forma:
Solucio
L(x, y, ) = x (x2 + 2y 2 3)
a partir del cual, aplicando el sistema lagrangeano (2.5) se obtiene
1 = 2x0
4 = y0
2
x0 + 2y02 = 3
1 = 2x0
0 = 4y0
2
x0 + 2y02 = 3
57
1 = 2x0
x20 + 2y02 = 3
y por tanto, los posibles candidatos a extremos ( no puede ser cero) son:
1
3, 0,
(x1 , y1 , 1 ) =
2 3
1
(x2 , y2 , 2 ) = 3, 0,
2 3
por otro lado se tiene que:
Hx L(x, y, ) =
2
0
es decir, para
(x1 , y1 , 1 ) =
0
4
1
3, 0,
2 3
1
(x2 , y2 , 2 ) = 3, 0,
2 3
Captulo 3
Integraci
on
Nos interesa extender la noci
on de area bajo una curva, formalizada por la integral de Riemann
en una variable, a la de
area bajo una superficie en Rn . Luego estudiaremos las propiedades fundamentales de la integral de Riemann en varias variables. Finalmente veremos algunas aplicaciones
a problemas fsicos.
3.1.
Integral de Riemann en R2
3.1.1.
Definiciones
Definici
on 3.1. R R2 es un rectangulo si y solo si R = [a1 , b1 ] [a2 , b2 ] con a1 , b1 , a2 , b2 R.
El
area de un rect
angulo R = [a1 , b1 ] [a2 , b2 ] es
V (R) = (b1 a1 )(b2 a2 )
Definici
on 3.2. Para m N, la m-equiparticion del intervalo [a, b] con a, b R es
[c0 , c1 ], [c1 , c2 ], . . . , [cm1 , cm ]
con ci = a + i ba
m , i = 0, . . . , m.
R
R1
R2
cR1
R3
cR2
R4
cR3
cR4
60
Definici
on 3.3. Para m N, la m-equiparticion del rectangulo R = [a1 , b1 ] [a2 , b2 ] es P =
{I1 I2 : Ii Pi , i = 1, 2} con Pi m-equiparticion del intervalo [ai , bi ], i = 1, 2. La denotaremos
Pm (R).
Definici
on 3.4. Dado un rect
angulo R R2 y m N, decimos que (cP )P Pm (R) es una seleccion
(para Pm (R)) si (P Pm (R))cP P .
Notar que cada elemento de una m-equiparticion es un rectangulo y que una m-equiparticion es
finita, luego la siguiente definici
on tiene sentido:
Definici
on 3.5. Sea m N, R R2 rectangulo, f : R R y una seleccion (cP )P Pm (R) . Se
define la suma de Riemann asociada a f y (cP )P Pm (R) como:
X
S f, (cP )P Pm (R) =
f (cP )V (P )
P Pm (R)
Definici
on 3.6. Sea R R2 rect
angulo, f : R R. Decimos que f es Riemann integrable en R
si y s
olo si (S R)( > 0)(m0 N)(m m0 )
S f, (cP )P Pm (R) S <
para toda elecci
on de los (cP )P Pm (R) .
S se llama integral (de Riemann) de f sobre R y se denota:
Z
f
R
1,00
0,75
0,50
0,25
1
3
x
4
3 y
xy
15
3.1.2.
61
Propiedades b
asicas
Proposici
on 3.1. Sea R R2 rectangulo, f : R R. Si f es integrable en R entonces f es
acotada en R.
n. En efecto, sea = 1, m = m0 en la definicion de integrabilidad. Luego
Demostracio
S f, (cP )P Pm (R) S < 1
X
f (cP )V (P ) S < 1
P Pm (R)
X
P Pm (R)
f (cP )V (P ) < 1 + |S|
X
P Pm (R){P0 }
1
1 + |S| +
V (P0 )
f (cP )V (P )
X
P Pm (R){P0 }
f (cP )V (P )
Fijando los cP , para P Pm (R) {P0 } y notando que cP0 es arbitrario en P0 se concluye que f
es acotada en P0 . Como adem
as P0 es arbitrario en Pm (R) se concluye que f es acotada en cada
P Pm (R), luego f es acotada en R.
La siguiente propiedad es an
aloga a la condicion de Cauchy para una sucesion, luego es u
til por
ejemplo para estudiar la integrabilidad de una funcion cuando no se conoce el valor de su integral.
Proposici
on 3.2. Sea R R2 rectangulo, f : R R. Son equivalentes:
1. > 0, m0 N, k, m m0 , (c0P )P Pk (R) seleccion, (cP )P Pm (R) seleccion
S f, (c0P )P Pk (R) S f, (cP )P Pm (R) <
2. f es integrable en R.
n. linea en blanco
Demostracio
(): Fijemos ciertas selecciones (cm
otesis, la sucesi
on
P )P Pm (R) , para cada m N. Luego, por la hip
S f, (cm
resulta ser de Cauchy y converge a un cierto S R. Sea > 0. Sea
P )P Pm (R)
mN
m1 m0 tal que (m m0 )
)
S
S f, (cm
<
P P Pm (R)
Sea m m0 y una selecci
on (cP )P Pm (R) arbitraria. As, nuevamente con la hipotesis, resulta que
1
S f, (cP )P Pm (R) S S f, (cP )P Pm (R) S f, (cm
P )P Pm1
1
+ S f, (cm
)
S
P P Pm
1
< 2
62
0
f (cQ ) f (cP )V (Q) <
2. f es integrable en R.
n. Usaremos la proposicion 3.2 para sustituir la condicion f integrable en R.
Demostracio
(): Sea > 0. Por hip
otesis
(m0 N)(k N)(m m0 )((cP )P Pm (R) seleccion)((c0P )P Pkm (R) seleccion)
X
X
f (c0Q ) f (cP )V (Q) <
P Pm (R) QPkm (R)
QP
Sean k, m m0 , sean (cP )P Pm (R) , (c0P )P Pk (R) selecciones. Sea (c00P )P Pkm (R) seleccion. Luego:
S f, (c00Q )QPkm (R) S f, (cP )P Pm (R)
X
X
=
f (c00Q )V (Q)
f (cP )V (P )
P Pm (R)
QPkm (R)
f (c00Q )V
<
(Q)
X
P Pm (R)
00
f (cQ ) f (cP )V (Q)
f (cP )
X
QPkm (R)
QP
V (Q)
63
y an
alogamente
S f, (c00Q )QPkm (R) S f, (c0P )P Pk (R) <
As
S f, (cP )P Pm (R) S f, (c0P )P Pk (R)
S f, (cP )P Pm (R) S f, (c00Q )QPkm (R)
+ S f, (c00Q )QPkm (R) S f, (c0P )P Pk (R)
< 2
(): Sea > 0. Por hip
otesis, (m0 N)(k, m m0 )((c0P )P Pk (R) seleccion)((cP )P Pm (R)
selecci
on)
S f, (c0P )P Pk (R) S f, (cP )P Pm (R) <
Sean k N, m m0 , sean (cP )P Pm (R) , (c0P )P Pkm (R) selecciones. Para P Pm (R) definamos
0
0
c+
P = argmax{f (cQ ) : Q Pkm (R), Q P } {f (cP )}, cP = argmin{f (cQ ) : Q Pkm (R), Q
P } {f (cP )}. Luego
X
X
f (c0Q ) f (cP )V (Q)
P Pm (R) QPkm (R)
QP
f (c+
P ) f (cP ) V (Q)
f (c+
P ) f (cP ) V (P )
P Pm (R)
= S f, (c+
Q )QP
m (R)
S f, (c
P )P Pm (R)
<
Posteriormente (teorema 4.13) probaremos que toda funcion continua sobre un rectangulo es uniformemente continua en el. En realidad lo probaremos para conjuntos mucho mas generales que
rect
angulos, llamados compactos. Esta propiedad se utiliza en la demostracion de la siguiente
proposici
on.
Proposici
on 3.3. Sea R R2 rectangulo, f : R R. Si f es continua en R entonces f es
integrable en R.
n. Como R es compacto y f es continua en R se tiene que f es uniformemente
Demostracio
continua en R. Luego, para > 0 arbitrario, ( > 0)(x, y R)
kx yk < f (x) f (y)<
Recurriremos al lema 3.1. Sea m0 N tal que (P Pm0 )(x, y P )kx yk < . Sea m m0 ,
k N. Sean (cP )P Pm (R) , (c0P )P Pkm (R) selecciones.
64
Proposici
on 3.4. (Propiedades de la clase de funciones integrables)
Sean R R2 rect
angulo, f, g : R R funciones integrables y c R. Se tienen las siguientes
propiedades:
1. Linealidad: f + cg es integrable en R, entonces
Z
Z
Z
g
f +c
f + cg =
R
3. |f | es integrable en R, entonces
Z Z
f
|f |
R
n.
Demostracio
1. Sea > 0 arbitrario. Sea m0 N tal que (m m0 )((cP )P Pm (R) seleccion)
Z
S f, (cP )
f <
P Pm (R)
R
y
Z
S g, (cP )
f <
P Pm (R)
R
65
2. Es directo de considerar que en este caso se cumple que m N, (cP )P Pm (R) seleccion
S f, (cP )P Pm (R) S g, (cP )P Pm (R)
y aplicar la definici
on de integral de Riemann.
3. Veamos que |f | es integrable en R por medio del lema 3.1.
En efecto, sea > 0. Como f es integrable, por el mismo lema (m0 N)(k N)(m
m0 )((cP )P Pm (R) , (c0P )P Pkm (R) seleccion)
X
0
f (cQ ) f (cP )V (Q) <
|f | (c0Q ) |f | (cP )V (Q)
0
f (cQ ) f (cP )V (Q)
En conclusi
on, |f | es integrable en R. Finalmente, se tiene
|f | f |f |
que, con la parte anterior, implica que
Z
Z
Z
|f |
f
|f |
R
es decir
Z Z
f
|f |
R
Proposici
on 3.5. Sea R R2 rectangulo, f : R R. Si f es integrable en R entonces
Z
V (R) nf f (x)
f V (R) sup f (x)
xR
xR
xR
66
1,00
0,75
0,50
0,25
2,0
0,00
1,5 y
1,0
1,5
x
2,0
1,0
3.1.3.
R
R
Integraci
on de sucesiones de funciones
Proposici
on 3.6. Sea R R2 rect
angulo, (fk )kN sucesion de funciones, fk : R R, que
convergen uniformemente en R a f : R R. Entonces f es integrable en R y
Z
Z
f = lm
fk
k
n. Veamos que f es integrable en R por medio del lema 3.1. Sea > 0. Sea k0 N
Demostracio
tal que
sup f (x) fk0 (x)<
(3.1)
xR
fk (c0Q ) fk (cP )V (Q) <
0
0
0
f (cQ ) fk0 (c0Q )V (Q)
fk0 (c0Q ) fk0 (cP )V (Q)
fk0 (cP ) f (cP )V (Q)
(3.2)
67
En conclusi
on, f es integrable en R. Por otra parte, por la proposicion 3.5
Z
Z Z
fk
f = (fk f )
R
R
ZR
|fk f |
R
Z
f = lm
fk
R
Ejemplo 3.2. Una sucesi
on de funciones integrables que converge puntualmente a un lmite que
no lo es. Sea la numeraci
on {q0 , q1 , . . . } = [0, 1] Q, sea I = [0, 1] y las funciones f, fn : I R
dadas por
(
1 si (x, y) {q1 , . . . , qn }
fn (x) =
0 si (x, y)
/ {q1 , . . . , qn }
(
1 (x, y) [0, 1] Q
f (x) =
0 (x, y)
/ [0, 1] Q
En I, se tiene que fn converge a f puntualmente (pero no uniformemente) y cada fn es integrable,
pero f no es integrable.
3.1.4.
Extensi
on de la clase de funciones integrables
A
un cuando la clase de funciones continuas es muy amplia, todava no es suficiente para muchas
aplicaciones. As, a continuaci
on veremos una condicion suficiente de integrabilidad un poco m
as
debil que la continuidad, esto es, que una funcion sea continua salvo sobre la union de grafos de
funciones continuas.
Recordar que el grafo de una funci
on g : [a, b] R es
grafo(g) = (x, g(x)) R2 : x [a, b]
Intuitivamente, el lema siguiente nos dice que el grafo de una funcion continua tiene volumen
cero.
Lema 3.2. Sea f : [a, b] [c, d] continua. Denotemos R = [a, b] [c, d]. Entonces
X
lm
V (P ) = 0
m
P Pm (R)
P grafo(g)6=
68
(3.3)
(b a)(d c)
{P Pm (R) : P grafo(g) 6= }
2
m
V (P ) =
P Pm (R)
P grafo(g)6=
+ 1)
(d c)/m
As, m m0
X
V (P )
P Pm (R)
P grafo(g)6=
(b a)(d c)
+ 1)
m(
2
m
(d c)/m
(b a)(d c)
m
(b a + 1)
= (b a) +
Para A Rn acotado, se define el di
ametro de A como
diam(A) := sup kx yk
x,yA
diam(A) = kx yk
69
(3.4)
Recurriremos al lema 3.1. Sea > 0 arbitrario. De acuerdo al lema 3.2, sea m0 N tal que
(m m0 )
X
V (P )
(3.5)
P Pm (R)
P grafo(g)6=
Denotemos Pm
= {P Pm (R) : P grafo(g) = }, Rm
= P Pm
P . Como Rm0 es compacto y f
es continua en Rm0 se tiene que f es uniformemente continua en Rm0 . Luego ( > 0)(x, y Rm
)
0
|x y| < |f (x) f (y)| <
(3.6)
Sea m1 m0 tal que (P Pm1 (R)) diam(P ) < . Sea m m1 , k N. Sean (cP )P Pm (R) ,
(c0P )P Pkm (R) selecciones. As
X
0
f (cQ ) f (cP )V (Q)
0
f (cQ ) f (cP )V (Q) +
QP
P Rm
0
f (cQ ) f (cP )V (Q)
QP
P *Rm
V (R) + 2K
V (P )
P Pm (R)
P *Rm
0
3.1.5.
Teorema de Fubini
El siguiente teorema expresa la integral de una funcion en 2 variables como la aplicacion iterada
de 2 integrales en una variable bajo hipotesis mnimas y permite escoger arbitrariamente el orden
de estas integrales en una variable cuando la funcion a integrar es continua.
La demostraci
on la haremos en la seccion 3.2 en Rn .
Teorema 3.1. (Teorema de Fubini en R2 )
Sea R = [a, b] [c, d] R2 rect
angulo, f : R R.
70
f (x, y) dy dx =
c
f (x, y) dx dy
x2 + y
Ejemplo 3.4. Veamos un caso en el que las integrales iteradas existen y son iguales, pero la
funci
on no es integrable.
Consideremos el cuadrado unitario R = [0, 1]2 R2 y la sucesion de cuadrados (Rk )kN contenidos
(1)
(2)
(3)
(4)
en el dada por la figura 3.5. Dividamos cada Rk en 4 cuadrados iguales Rk , Rk , Rk , Rk .
Definamos la funci
on f : R R dada por
1
(1)
(3)
si (x, y) int Rk int Rk
V (Rk )
(2)
(4)
1
f (x, y) = V (R
si (x, y) int Rk int Rk
k)
0
en otro caso
Para cada y [0, 1] es claro que
1
f (x, y) dx = 0
0
y an
alogamente para cada x [0, 1]
Z
f (x, y) dy = 0
0
71
kN
Rk
pero
Z
|f | = 1
Rk
R3
R2
(3)
(4)
(1)
(2)
R2 R2
R2 R2
R1
(3)
R1
(1)
R1
R1
R1
(4)
(2)
3.1.6.
A continuaci
on extenderemos la definicion de integral para considerar la integracion de funciones
sobre algunos dominios un tanto m
as generales que los rectangulos.
Definici
on 3.7. Sea R R2 rect
angulo, A R, f : A R. Denotemos f0 : R R a la funci
on
dada por, para x R:
(
f (x) si x A
f0 (x) =
0
si x
/A
Si f0 es integrable sobre R entonces se dice que f es funcion integrable sobre A y:
Z
Z
f=
f0
A
Definici
on 3.8. Decimos que D R es
1. Dominio de tipo 1 si y s
olo si a, b R, 1 , 2 : [a, b] R funciones continuas tales que
(x [a, b])1 (x) 2 (x) y
D = {(x, y) R2 : a x b, 1 (x) y 2 (x)}
72
2. Dominio de tipo 2 si y s
olo si c, d R, 1 , 2 : [c, d] R funciones continuas tales que
(x [c, d])1 (x) 2 (x) y
D = {(x, y) R2 : c y d, 1 (y) x 2 (y)}
3. Dominio de tipo 3 si y s
olo si D es de tipo 1 y 2,
4. Dominio elemental si y s
olo si D es de tipo 1 o 2.
Figura 3.7: Dominio del tipo 1 que no es del tipo 2 y dominio del tipo 3.
Si R R2 es un rect
angulo y D R es una region elemental entonces f0 (dada por
R la definicion
3.7) es continua en R salvo sobre la union finita de grafos de funciones. Luego D f existe. En
general, supongamos que tenemos una funcion f : A R R con R rectangulo y A dominio del
tipo 1, digamos:
A = {(x, y) R2 : a x b, 1 (x) y 2 (x)}
con a, b R, 1 , 2 : [a, b] R funciones continuas. Entonces, gracias al teorema de Fubini
(teorema 3.1), se tiene que:
Z
2 (x)
f=
A
f (x, y) dy dx
a
1 (x)
(x3 y + cos(x)) dy dx
donde
T = {(x, y) R2 : 0 x /2, 0 y x}
n. Notar que T es una regi
Solucio
on del tipo 1. Por definicion se tiene que
Z
Z
3
(x y + cos(x)) dy dx =
1T (x3 y + cos(x)) dy dx
[0,/2]2
/2
=
0
/2
1T x3 y + cos(x) dy dx
73
M
as a
un, con la definici
on de T :
/2
x3 y + cos(x) dy dx
=
0
/2
x5
+ x cos(x) dx
2
=
0
Z
=
0
=
=
x
x3 y 2
dx
+ y cos(x)
2
y=0
/2
/2
x6
+ cos(x) + x sen(x)
12
0
+ 1
768
2
3.2.
Integral de Riemann en Rn
Las demostraciones que no se incluyen en esta seccion son identicas a las hechas en la seccion 3.1,
acerca de la integral de Riemann en R2 .
3.2.1.
Definiciones
Definici
on 3.9. R Rn es un rectangulo si y solo si R = [a1 , b1 ] [an , bn ] con ai , bi R.
Definici
on 3.10. Para un rect
angulo R = [a1 , b1 ] [an , bn ] se define su volumen como
V (R) =
n
Y
bi ai
i=1
Definici
on 3.11. Para m N, la m-equiparticion del rectangulo R = [a1 , b1 ] [an , bn ] es
{I1 In : Ii Pi , i = 1, . . . , n} con Pi m-equiparticion del intervalo [ai , bi ], i = 1, . . . , n. La
denotaremos Pm (R).
Dado un rect
angulo R Rn y m N, decimos que (cP )P Pm (R) es una seleccion (para Pm (R)) si
(P Pm (R))cP P .
Notar que cada elemento de una m-equiparticion es un rectangulo y que una m-equiparticion es
finita, luego la siguiente definici
on tiene sentido:
Definici
on 3.12. Sea m N, R Rn rectangulo, f : R R y una seleccion (cP )P Pm (R) . Se
define la suma de Riemann asociada a f y (cP )P Pm (R) como:
X
S f, (cP )P Pm (R) =
f (cP )V (P )
P Pm (R)
n
Definici
on 3.13. Sea R R rectangulo, f : R R. Decimos que f es Riemann integrable en
R si y s
olo si (S R)
S f, (cP )P Pm (R) S <
74
para toda elecci
on de los (cP )P Pm (R) .
3.2.2.
Propiedades B
asicas
Proposici
on 3.8. Sea R Rn rect
angulo, f : R R. Si f es integrable en R entonces f es
acotada en R.
Proposici
on 3.9. Sea R Rn rect
angulo, f : R R. Son equivalentes:
1. > 0, m0 N k, m m0 , (c0P )P Pk (R) seleccion, (cP )P Pm (R) seleccion
S f, (c0P )P Pk (R) S f, (cP )P Pm (R) <
2. f es integrable en R.
Proposici
on 3.10. Sea R Rn rect
angulo, f : R R. Si f es continua en R entonces f es
integrable en R
Proposici
on 3.11. Sean R Rn rectangulo, f, g : R R funciones integrables y c R. Se
tienen las siguientes propiedades:
1. Linealidad: f + cg es integrable, entonces
Z
Z
Z
f + cg =
f +c g
R
3. |f | es integrable en R, entonces
Z Z
f
|f |
R
Proposici
on 3.12. Sea R R rect
angulo, f : R R. Si f es integrable en R entonces
Z
V (R) nf f (x)
f V (R) sup f (x)
xR
xR
3.2.3.
75
Integraci
on de sucesiones de funciones
Proposici
on 3.13. Sea R Rn rectangulo, (fk )kN sucesion de funciones, fk : R R, que
convergen uniformemente en R a f : R R. Entonces f es integrable en R y
Z
Z
f = lm
fk
R
3.2.4.
Extensi
on de la clase de funciones integrables
P Pm (R)
P grafo(g)6=
V (P ) =
P Pm (R)
P grafo(g)6=
V (R)
{P Pm (R) : P grafo(g) 6= }
N
m
V (R) N 1
m
(
+ 1)
N
m
(b a)/m
V (R)
= V (R0 ) +
m
(V (R0 ) + 1)
Proposici
on 3.14. Sea R0 RN 1 rectangulo, R = R0 [a, b] Rn rectangulo, f : R R
acotada en R y continua en R grafo(g), donde g : R0 [a, b] es una funcion continua. Entonces
f es integrable en R.
Corolario 3.2. Sea R0S RN 1 rect
angulo, R = R0 [a, b] Rn rect
angulo, f : R R acotada en
n
R y continua en R i=1 grafo(gi ), donde gi : R0 [a, b] es continua. Entonces f es integrable
en R.
76
3.2.5.
Teorema de Fubini
SPm (R)
SPm (R)
xS
SPm (R)
SPm (R)
Teorema 3.2. (Teorema de Fubini en Rn )
Sean M, N N, A Rn , B Rm rect
angulos, notemos R = A B Rn+m rect
angulo. Sea
f : R R.
1. Si f integrable en R y (x A)f (x, ) integrable en B, entonces
Z
Z Z
f=
f (x, y) dy dx
R
2. Si f continua en R, entonces
Z
Z Z
Z Z
f=
f (x, y) dy dx =
f (x, y) dx dy
R
En efecto, sea > 0 arbitrario. Por una parte, por definicion de integrabilidad, (m0 N)(m
m0 )
Z
X
<
f
f
(c
)V
(Q)
(3.7)
Q
R
QPm (R)
77
Consideremos la selecci
on (cQ )QP (R) dada por (para QA Pm (a), QB Pm (B)) cQA QB =
m
(cQA , y ), con y tal que f (cQA QB ) supyQB f (cQA , y) . As, en virtud del lema 3.4 se tiene
que
X
X
I(cQA )V (QA )
f (cQ )V (Q)
QA Pm (a)
QPm (R)
QA Pm (a)
QB Pm (B)
QA Pm (a)
QB Pm (B)
QA Pm (a)
QB Pm (B)
sup f (cQA , y) f (cQA QB ) V (QA )V (QB )
yQB
V (R)
Combinando con (3.7) se obtiene:
X
Z
I(cQA )V (QA )
f V (R) + 1
QA Pm (a)
Escogiendo (cQ )QP (R) tal que f (cQA QB ) nf yQB f (cQA , y) + , un calculo analogo permite
m
obtener:
Z
X
V (R) + 1
I(cQA )V (QA )
f
R
QA Pm (a)
En conclusi
on,
X
QA Pm (a)
Z
I(cQA )V (QA )
R
f V (R) + 1
R
B
78
n. En virtud del teorema de Fubini
Solucio
Z
Z 10 Z 1 Z 1 Z
f=
Z
10
(t
=
0
10
t(x2 + y 2 + z 2 ) dx dy dz dt
1
x3
+ ty 2 x + tz 2 x)
dy dz dt
3
x=0
t
( + ty 2 + tz 2 ) dy dz dt
3
0
0
0
1
Z 10 Z 1
t
y3
2
( y + t + tz y)
=
dz dt
3
0 3
0
y=0
Z 10 Z 1
t
t
( + + tz 2 ) dz dt
=
3
0 3
0
Z 10
t dt
=
=
= 50.
3.2.6.
Definici
on 3.14. Sea R Rn rect
angulo, A R, f : A R. Denotemos f0 : R R a la funcion
dada por, para x R:
(
f (x) si x A
f0 (x) =
0
si x
/A
Si f0 es integrable sobre R entonces se dice que f es integrable sobre A y:
Z
Z
f=
f0
A
Definici
on 3.15. Decimos que D R es
1. Dominio de tipo 1 si y s
olo si alguna de las siguientes afirmaciones es cierta:
a) a, b R, 1 , 2 : [a, b] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : a x b,
1 (x) y 2 (x),
1 (x, y) z 2 (x, y)}
0
79
2. Dominio de tipo 2 si y s
olo si alguna de las siguientes afirmaciones es cierta:
a) a, b R, 1 , 2 : [a, b] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : a x b,
1 (x) z 2 (x),
1 (x, z) y 2 (x, z)}
donde D0 = {(x, z) R2 : a x b, 1 (x) z 2 (x)}.
b) c, d R, 1 , 2 : [c, d] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : c y d,
1 (z) x 2 (z),
1 (x, z) y 2 (x, z)}
donde D0 = {(x, z) R2 : c z d, 1 (y) x 2 (z)}.
3. Dominio de tipo 3 si y s
olo si alguna de las siguientes afirmaciones es cierta:
a) a, b R, 1 , 2 : [a, b] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : a y b,
1 (y) z 2 (y),
1 (y, z) x 2 (y, z)}
donde D0 = {(y, z) R2 : a y b, 1 (y) z 2 (y)}.
b) c, d R, 1 , 2 : [c, d] R funciones continuas, 1 , 2 : D0 R funciones continuas
tales que
D = {(x, y, z) R3 : c z d,
1 (z) y 2 (z),
1 (y, z) x 2 (y, z)}
donde D0 = {(y, z) R2 : c z d, 1 (z) y 2 (z)}.
4. Dominio de tipo 4 si y s
olo si D es de tipo 1, 2 y 3.
5. Dominio elemental si y s
olo si D es de tipo 1, 2 o 3.
Si R Rn es un rect
angulo y D R es una region elemental entonces f0 (dadaR por la definici
on
3.14) es continua en R salvo sobre la union finita de grafos de funciones. Luego D f existe.
Ejemplo 3.7. Sea W R3 la Rregion comprendida entre los planos x = 0, y = 0, z = 2 y la
superficie z = x2 + y 2 . Calcular W x.
n. C
Solucio
omo describir el conjunto W ? Podemos describirlo como un dominio de tipo 1, es
decir:
p
W = {(x, y, z) R3 : 0 x 2, 0 y 2 x2 , x2 + y 2 z 2}
80
2x2
x dz dy dx
x=
0
0
2
x2 +y 2
2x2
2x x(x2 + y 2 ) dy dx
=
0
2
3 2x
y
2xy x3 y x
dx
=
3 y=0
0
Z 2 p
p
1
2
2 3/2
2
2
x 2 2 x x 2 x (2 x )
=
dx
3
0
Z 2
2
2 3/2
x
(2 x )
dx
=
3
0
2 1 3/2
u du
3
2
0
2
1 2 5/2
u
=
35
=
2 5/2
2
=
15
8 2
=
15
3.3.
Recordemos que en el caso de una variable se tiene que si : [a, b] [c, d] es biyectiva (mas algunas
hip
otesis adicionales) entonces
Z
1 (d)
f ((s)) 0 (s) ds
f (t) dt =
c
1 (c)
Z
f (t) dt =
([a,b])
[a,b]
Nuestro prop
osito es extender esta f
ormula a varias variables. Vamos a comenzar
con la transformaci
on m
as simple, la lineal. Sea T : D = [0, 1]2 D = T (D), T (x, y) = A xy con A M2,2 (R)
81
(a + b, c + d)
1
(a, c)
D
(b, d)
1
Figura 3.8: Cambio de variable, caso de una transformacion lineal
Se tiene que V (D) = 1 y
(b, d) (c, a) p
V (D ) =
a2 + c2
a2 + c2
= |ad bc|
= |det|
As
V (D ) = V (D) |det|
Es f
acil ver que una f
ormula an
aloga se cumple para cualquier rectangulo en Rn . Mas a
un, para
f : D R, de acuerdo a la definicion de integral de Riemann es razonable escribir lo siguiente:
Z
X
f lm
f (T (cP ))V (T (P ))
(cP P )
m
lm
m
P Pm (D)
P Pm (D)
f T |det|
D
La demostraci
on del teorema del cambio de variable se hara posteriormente (teorema 5.12).
Ejemplo 3.8. (integral en coordenadas polares)
Calcular
Z
log(x2 + y 2 ) dx dy
C
82
3.4. APLICACIONES
donde
C = {(x, y) : a2 x2 + y 2 b2 , x 0, y 0}
n. Vamos a considerar el cambio de variable
Solucio
x = r cos()
y = r sen()
es decir, la transformaci
on T (r, ) = (r cos(), r sen()). Notar que:
cos() r sen()
D(r, ) =
sen() r cos()
y as:
det DT (r, ) = r
Denotemos
D = T 1 (C)
= {(r, ) R2 : a r b, 0 /2}
= [a, b] [0, /2]
Luego, en virtud del teorema del cambio de variable :
Z
Z
2
2
log(x + y ) dx dy =
log(r2 )r dr d
T (D)
y, con Fubini:
Z
=
a
/2
log(r2 )r dr d
Z 2
1 b
log s ds
2 2 a2
3.4.
Aplicaciones
3.4.1.
Centro de masa
Sea D R2 una placa y : D R la densidad (de masa). Entonces la masa total de la placa
est
a dada por:
ZZ
y las coordenadas (
x, y) del centro de masa de la placa estan dadas por:
RR
x(x, y) dy dx
x
= D
M
RR
y(x,
y) dy dx
y = D
M
El caso tridimensional es an
alogo.
3.4. APLICACIONES
3.4.2.
83
Momento de inercia
Sea W R3 un s
olido de densidad : W R. Entonces los momentos de inercia estan dados por:
ZZZ
Ix =
(x, y, z)(y 2 + z 2 ) dz dy dx
W
ZZZ
Iy =
(x, y, z)(x2 + z 2 ) dz dy dx
W
ZZZ
Iz =
(x, y, z)(x2 + y 2 ) dz dy dx
W
Z
r cos() |det DT |
z=
T 1 (W )
/4
z=
W
(r cos())r2 sen() d d dr
1 Z /4
r4
sen() cos() d
= 2
4 0
0
/4
sen2 ()
=
2
2 0
=
8
Luego
z =
8
4
3 2
3
16
84
3.5.
3.5.1.
Extensi
on de la integral de Riemann
Algunos de los problemas que presenta la integral de Riemann son que, para ciertas aplicaciones, no
integra una familia suficientemente amplia de funciones y que los teoremas de convergencia poseen
hip
otesis muy fuertes (convergencia uniforme en el caso de la proposicion 3.13). Una construccion
diferente, basada en la teora de la medida, la constituye la integral de Lebesgue , que integra una
familia mucho m
as amplia de funciones y cuenta con un teorema de convergencia basado en la
convergencia puntual.
Captulo 4
Elementos B
asicos de Topologa
Anteriormente vimos una breve introduccion a la topologa de Rn que ahora extenderemos, cuando
sea necesario, a espacios vectoriales E. La idea de este captulo es formalizar la definicion de
distancia entre dos puntos por medio del concepto de norma y a partir de esta idea podemos
precisar conceptos ligados a la teora de conjuntos y el de sucesion. Concluiremos este captulo
con un teorema de punto fijo (teorema de existencia) que es u
til para demostrar la existencia de
soluciones de un problema y veremos la caracterizacion de conjuntos compactos que son conjuntos
totalmente acotados.
4.1.
Definici
on 4.1. Sea E un espacio vectorial. Una norma en E es una funcion que satisface las
siguientes propiedades:
k k : E R+ {0}
1. Positividad: kxk = 0 x = 0
2. Linealidad: kxk = ||kxk R, x E
3. Desigualdad triangular: kx + yk kxk + kyk x, y E
Al par ordenado (E, k k) se lo conoce como espacio vectorial normado.
Ejemplo 4.1. En Rn podemos definir muchas normas:
1. Norma 1: kxk1 = |x1 | + + |xn |
p
2. Norma euclideana: kxk2 = x21 + + x2n
3. Norma infinito o uniforme: kxk = max{|xi |, i {1, 2, . . . , n}}
p
4. Norma : kxk = |x1 | + + |xn | para 1 <
Demostrar que k k2 , k k1 y k k satisfacen efectivamente las propiedades de una norma es tarea
sencilla. Un poco m
as difcil es demostrar que k kp con 1 < p < es tambien una norma.
85
86
Nota 4.1. Las normas mencionadas son casos particulares de kxk . Las normas 1, euclideana
e infinito se tienen cuando toma los valores 1, 2 y tendiendo a infinito respectivamente. La
demostraci
on queda de tarea.
Si tomamos la bola cerrada en R2 , B(0, 1) : {x R2 : kxk 1} para las distintas normas
obtenemos que el
area que definen queda acotada por las lneas rectas, la circunferencia y la lnea
punteada para las normas 1, euclideana e infinito respectivamente.
x2
1
x1
1
Figura 4.1: Normas en R2
Lema 4.1. Sean a, b 0 R y , > 1 R tales que
= 1. Entonces,
b
a
+
ab
n. Tomando la funci
Demostracio
on del ejemplo 2.8 escojamos = 1/. Entonces por convexidad
a
b
ln(a ) ln(b )
ln
+
a
b
ln
+
ln(ab)
a
b
ln
+
ln(ab)
a
b
+
ab
(4.1)
Teorema 4.1. k k es una norma.
n. Debemos demostrar las tres propiedades que aparecen en la definicion 4.1.
Demostracio
Positividad: kxk 0 x Rn
Primero veamos que pasa con kxk 0
|xi | 0 xi R kxk =
n
X
i=1
!1/
|xi |
87
|xi | = 0 xi R kxk =
!1/
|xi |
=0
i=1
!1/
|xi |
i=1
|xi |
= |x1 | + . . . + |xn | = 0 x = 0
i=1
n
X
!1/
|xi |
i=1
||
n
X
!1/
|xi |
i=1
= ||kxk
Desigualdad triangular: kx + yk kxk + kyk x, y Rn
n
X
!1/
|xi + yi |
i=1
n
X
!1/
|xi |
n
X
i=1
!1/
|yi |
i=1
Sea = 1
n
X
|xi + yi |
n
X
i=1
(|xi | + |yi |)
i=1
|xi + yi |
i=1
n
X
!1/
|xi |
i=1
n
X
!1/
|yi |
i=1
Escojamos a =
|xi |
P
1/
( n
j=1 |xj | )
yb=
|yi |
P
1/ ,
( n
j=1 |yj | )
|xi |
|yi |
1
Pn
Pn
entonces la u
ltima desigualdad nos queda
|xi |
Pn
( j=1 |xj | )1/
1
+
|yi |
Pn
( j=1 |yj | )1/
88
1/
1/
Aplicando
Pn
i=1 ()
a la u
ltima desigualdad obtenemos
Pn
|xi yi |
1
1
i=1
Pn
Pn
+ =1
( j=1 |xj | )1/ ( j=1 |yj | )1/
n
n
n
X
X
X
|xi yi | (
|xj | )1/ (
|yj | )1/
i=1
j=1
j=1
Pn
i=1 ()
a la u
ltima desigualdad obtenemos
n
X
|xi + yi |
n
X
i=1
i=1
n
X
|xi + yi |
n
X
i=1
i=1
n
X
|xi + yi |
i=1
n
X
|xi + yi |
i=1
! 1
|xi |
i=1
!1 1
i=1
n
X
n
X
n
X
|xi + yi |
n
X
i=1
! 1
|yi |
n
X
|xi |
n
X
n
X
! 1
(|xi | + |yi |)
(1)
i=1
! 1
|yi |
n
X
! 1
(|xi | + |yi |)
i=1
i=1
!1/
i=1
!1/
n
X
i=1
i=1
i=1
! 1
n
n
X
X
+
|xi |
|xi + yi |
i=1
n
X
!1/
|yi |
i=1
!1/
|xi |
n
X
!1/
|yi |
i=1
Ejemplo 4.2. Si E = {f : [a, b] R | f es continua } = C[a, b] entonces definimos
k k : E R {0}
kf k = sup |f (x)|
x[a,b]
89
xn
kxk1 ,
xn
kxk2 ,
90
kAk1 =
XX
i
Si A =
2
4
3
5
yB=
6
8
|aij |
7
9
kA Bk
4
=
4
4
4
=4
kA Bk1 = 16
4.2.
El conjunto b
asico con el cual definimos la topologa de un espacio normado es
B(x0 , ) = {x E/kx x0 k < }
que recibe el nombre de bola abierta de radio y centro x0 .
Definici
on 4.3. Un conjunto A E se dice abierto si:
x A, > 0 tal que B(x, ) A
Definici
on 4.4. Un punto x E es interior a C si existe > 0 tal que B(x, ) C.
Proposici
on 4.1. Un conjunto es abierto todos sus puntos son interiores.
Proposici
on 4.2. (Propiedades de los abiertos)
1. Si A1 , A2 , . . . , An son abiertos entonces ni=1 Ai es abierto.
2. Si {Ai }iI es una familia de abiertos entonces iI Ai es abierto.
3. E es abierto, es abierto.
Nota 4.2. Sea = {A E/A es abierto}, se conoce como topologa en E gracias a que satisface
las propiedades 1,2 y 3 de los abiertos.
Definici
on 4.5. Sea A E. Un punto x E se dice punto de acumulacion de A si
> 0 A (B(x, )\{x}) 6=
Nota 4.3. Para ser punto de acumulacion de A no es necesario pertenecer a A. Por otra parte, no
es suficiente estar en A para ser de acumulacion.
Ejemplo 4.5. linea en blanco
91
92
4.3.
4.3. SUCESIONES
Sucesiones
En el estudio de la topologa de un espacio normado, un rol muy importante es jugado por las
sucesiones.
Definici
on 4.8. Una sucesi
on en el espacio vectorial E es una funcion
E
7
xn
N
n
y se anota usualmente como {xn }nN . Una sucesion {xn }nN converge a x si
> 0, n N tal que kxn xk < , n N
Nota 4.5. El lmite de una sucesi
on, cuando existe, es u
nico.
Definici
on 4.9. (Sucesi
on de Cauchy)
Una sucesi
on {xn }nN se dice de Cauchy si > 0 existe n N tal que
kxn xm k < n, m N
Nota 4.6. Las nociones de sucesiones convergentes y sucesiones de Cauchy no cambian seg
un la
norma por la equivalencia de estas.
Proposici
on 4.3. Toda sucesi
on convergente es sucesion de Cauchy.
n. Tarea.
Demostracio
consideramos la sucesi
on
(
fn (x) =
1 (1 x)n
1 + (1 + x)n
si x > 0
si x 0
1
m
nm
(1 x) |(1 x)
Z
0
1|dx +
(1 + x)m dx +
(1 + x)m dx
2
m+1
4.3. SUCESIONES
93
es decir,
kfn fm k1
2
mn{n, m} + 1
por lo tanto {fn } es de Cauchy. Pero {fn } no tiene limite en C([1, 1]) En efecto, supongamos que
existe la funci
on lmite que llamaremos f . Entonces
n
kfn f k1 0
Como
Z
|fn f |dx
entonces
Z
|fn f |dx
1
a
1
es decir la sucesi
on xk converge a x en Rn
94
4.3. SUCESIONES
Nota 4.7. Es f
acil ver que
xk x, en , (Rn , k k2 ) xik xi i {1, .., n}
Ejemplo 4.10. (Mnm (R), k k ) es completo. Sea {Ak }kN una sucesion de Cauchy. Entonces
> 0 N N tal que
kAk Al k < k, l > N
es decir,
max |akij alij | <
1in
1jm
en consecuencia cada una de las sucesiones {akij }kN son de Cauchy en R. Cada una de ellas
converge entonces a un lmite que denotamos aij . De esta manera, dado > 0 Nij > 0 tal que
|akij aij | < k > Nij
escogiendo N = m
ax{Nij /i {1, .., n}, j {1, .., m}}, obtenemos
m
ax |akij aij | < k > N
1in
1jm
o sea, si A = (aij )
kAk Ak < k > n
por lo tanto Ak A. El espacio de matrices de dimension n m con la norma k k es un espacio
de Banach.
Ejemplo 4.11. (C([a, b], R), kk ) es un espacio de Banach. Sea {fn }nN una sucesion de Cauchy.
Dado > 0, N N tal que
kfk fl k = sup |fk (x) fl (x)| < k, l > N
x[a,b]
De esta manera, hemos definido una funcion f : [a, b] R. Probaremos que esta funcion es el
lmite de la sucesi
on {fn } en C([a, b], R).
Tenamos que dado > 0, N > 0 tal que
|fk (x) fl (x)| < k, l > N x [a, b]
lo que implica que
|fk (x) f (x)| < k > N x [a, b]
y entonces
kfk f k < k > N.
Con esto hemos probado que
kk
fn f
es decir, f es el lmite uniforme de las funciones continuas fn . Para concluir la demostracion de
que (C([a, b], R), k k ) es Banach debemos probar que f es continua.
95
Proposici
on 4.4. El lmite uniforme de funciones continuas es una funcion continua.
n. Sea {fn }nN una sucesion de funciones continuas en [a, b] que converge uniforDemostracio
memente a una funci
on f . Sea x0 [a, b] y > 0, entonces existe N tal que
kfk f k <
k N
3
x [a, b]
3
es una funci
on continua y por lo tanto > 0 tal que si |x x0 | < entonces
|fN (x) f (x)| <
pero fN
4.4.
u(x) = u0 +
f (s, u(s))ds
x0
C([x0 a, x0 + a], R)
Z x
u0 +
f (s, u(s))ds
x0
est
a bien definida y el problema original es equivalente a encontrar u tal que
u = T (u)
que recibe el nombre de problema de punto fijo.
Problema 4.2. Dado F : Rn Rn encontrar solucion a:
F (x) = 0
96
Rn
x + F (x)
kT (xk1 ) T (xl1 )k
ckxk1 xl1 k
97
es decir,
kxk xl k
ci kx1 x0 k
i=l
= cl
!
ci
kx1 x0 k
i=0
= cl
1
k,l
kx1 x0 k 0
1c
Por lo tanto {xn }nN es una sucesion de Cauchy en E, luego tiene un lmite x
E y como K
es cerrado entonces x
K. Por otra parte, si T es contraccion, es continua (tarea), por lo que
tomando lmite en la ecuaci
on xk+1 = T xk obtenemos que
x
= Tx
es decir, x
es un punto fijo de T .
Veamos que es u
nico. Supongamos que T tiene dos puntos fijos, x = T x e y = T y, entonces
kx yk = kT x T yk ckx yk
y como 0 c < 1, no queda otra posibilidad mas que x = y.
Kku vk a
si x < x0 se obtiene el mismo resultado, luego kT (u) T (v)k Kaku vk para toda u, v
C([x0 a, x0 + a]). Si Ka < 1 entonces, gracias al teorema del punto fijo de Banach, existe
u C([x0 a, x0 + a]) tal que
u = T (u)
y este u es u
nico.
Para encontrar una soluci
on se puede iterar, reproduciendo la demostracion del teorema de punto
fijo de Banach.
un+1
T un
Z
un+1 (x)
f (s, un (s))ds
u0 +
x0
98
1
cos(x + y)
2
1
ln(1 + x2 + y 2 ) + 5
3
0t1
Supongamos que kf (z)k K para todo z Rn . Entonces |f (x) f (y)| Kkx yk.
Apliquemos esto a nuestro problema. Si T1 (x, y) = (1/2) cos(x + y) entonces
1
1
1
sen(x
+
y),
sen(x
+
y)
kT1 (x, y)k =
2
2
2
1
|T1 (x, y) T1 (
x, y)| k(x, y) (
x, y)k
2
Para T2 (x, y) = (1/3) ln(1 + x2 + y 2 ) + 5 hacemos lo mismo:
s
2
2
2
1
2x
2y
x
y
kT2 (x, y)k =
,
+
3
1 + x2 + y 2 1 + x2 + y 2
3
1 + x2
1 + y2
la funci
on f (z)
= z/(1 + z 2 ) alcanza su maximo en z = 1 (tarea) y su maximo es 1/2. Por lo tanto
kT2 (x, y)k 2/3 lo que implica
2
|T2 (x, y) T2 (
x, y)|
k(x, y) (
x, y)k
3
Concluimos entonces que
kT (x, y) T (
x, y)k
p
(T1 (x, y) T1 (
x, y))2 + (T2 (x, y) T2 (
x, y))2
r
13
k(x, y) (
x, y)k
18
p
13/18 < 1.
4.5.
99
Conjuntos compactos
Definici
on 4.12. (Cubrimiento por abiertos)
Sea K Rn . Un cubrimiento por abiertos de K se define como una familia de conjuntos S
abiertos
{Ai : i }, donde = {1, . . . , n} es un conjunto arbitrario de ndices, cuya union i Ai
contiene a K.
Definici
on 4.13. (Conjunto compacto)
Un conjunto
K Rn es compacto si para toda familia de conjuntos
abiertos {Ai }i tal que
S
S
K i Ai , existe un subconjunto finito tal que K i Ai . Esto es, un conjunto K
es compacto cuando todo cubrimiento por abiertos de K tiene un subcubrimiento finito.
Nota 4.8. A partir de la definici
on anterior, si suponemos que un conjunto K es compacto se
demuestra por contradicci
on que no lo es si encontramos un cubrimiento por abiertos de K que
no tenga un subcubrimiento finito.
Ejemplo 4.14. Para fijar ideas, consideremos los siguientes conjuntos:
1. (0, 1) en los reales no es compacto, ya que el cubrimiento abierto {( n1 , 1) : n N} no tiene
un subcubrimiento finito.
2. [0, 1) en los reales no es compacto, ya que el cubrimiento abierto {(1, 1 n1 ) : n N} no
tiene un subcubrimiento finito.
3. [0, +) en los reales no es compacto, ya que {(1, n) : n N} no tiene un subcubrimiento
finito.
4. [0, 1] en los racionales no es compacto pero si lo es en los reales. En el caso de los racionales
{[ n1 , 1] : n Q} no tiene un subcubrimiento finito.
La explicaci
on es la siguiente:
S
Notemos que (0, 1) tiene un cubrimiento por abiertos definido por i Ai = ( 12 , 1) ( 13 , 1) . . .
( n1 , 1). Sin embargo, no existe un subcubrimiento finito por abiertos que cubra completamente a
(0, 1). Esto u
ltimo es porque el nfimo de cualquier subcubrimiento finito puede acercarse a cero
pero, en la medida que la cantidad de elementos del subrimiento sea finita, el valor del nfimo queda
lejos de cero y entonces es posible converger y acercarse lo suficiente a cero en la medida que la
cantidad de elementos del subrimiento tienda a infinito.
El segundo y tercer caso son un poco mas simples. En el segundo caso el extremo derecho no es
cerrado por lo que se puede construir una sucesion que converge a uno, mientras que en el tercer
caso se puede construir una sucesi
on que no converge y tiende a infinito. Ambos hechos impiden
que los conjuntos tengan un cubrimiento finito.
El cuarto caso debe ser analizado aparte, pues el cubrimiento abarca completamente el conjunto
[0, 1] en los racionales pero no tiene subcubrimiento finito alguno. Para el caso en que [0, 1] se
define en los reales
se puede razonar por contradiccion: Supongamos que [0, 1]Stiene un cubrimiento
S
S
por abiertos i Ai pero no existe un subcubrimiento
S finito por abiertos i Ai de i Ai .
1
1
Entonces [0, 2 ] y [ 2 , 0] no pueden ser cubiertos por i Ai . Digamos, de manera arbitraria, que
1
1
[a1 , b1 ] es cualquiera de estos
S dos intervalos y entonces [a1 , 2 (b1 a1 )] y [ 2 (b1 a1 ), b1 ] tampoco
pueden ser cubiertos por i Ai . Digamos que [a2 , b2 ] es cualquiera de estos dos intervalos y
as mediante un razonamiento inductivo se pueden definir dos sucesiones {ai }ni=1 y {bi }ni=1 en [0, 1]
tales que
an an+1 < bn+1 bn
100
Las primeras T
dos ecuaciones nos dicen que, intuitivamente, es posible encontrar un valor c [0, 1]
tal
que
c
=
ecuacion nos dice que [an , bn ] no puede ser cubierto por
i=1 [ai , bi ] y la tercera
S
S
A
.
Supongamos
que
c
a contenido
en un abierto y ademas se
i
i
i Ai , entonces c est
S
tiene que lmn an = lmn bn = c, entonces [an , bnS] i Ai en la medida que n y
esto nos dice que efectivamente [an , bn ] es cubierto por i Ai . Llegamos a una contradiccion y
por definici
on [0, 1] es compacto, luego es posible concluir que todo cubrimiento por abiertos del
conjunto tiene un subcubrimiento finito.
Definici
on 4.14. (Intersecci
on finita)
Sea {Zi }i una familia arbitraria de conjuntos. Diremos que esta familia de conjuntos cumple la
propiedad de intersecci
on finita si toda subfamilia finita {Zi } de {Zi }i , con , tiene
T
una intersecci
on i Zi no vaca.
Teorema 4.6. K Rn es compacto si y s
olo si cada familia arbitraria de subconjuntos cerrados
de K, que cumplen la propiedad de intersecci
on finita, tiene una intersecci
on no vaca.
n.linea en blanco
Demostracio
(): Supongamos que
. . . , n} una familia de conjuntos cerrados
Tn K es compacto y sea {Ci : i =S1,
n
de K. Entonces si i=1 Ci = , se tiene que K = i=1 CiC y por lo tanto {CiC : i = 1, . . . , n}
es
por abiertos
Snun cubrimiento
Tn de K. Entonces, se tiene que {Ci : i = 1, . . . , n} es tal que K =
C
C
.
Esto
implica
que
i=1 i
i=1 Ci = , por lo que {Ci : i = 1, . . . , n} no cumple la propiedad de
intersecci
on finita. Contrariamente, como
Tn K es compacto, {Ci : i = 1, . . . , n} cumple la propiedad
de intersecci
on finita y se cumple que i=1 Ci 6= .
(): Supongamos que {Ci : i = 1, . . . , n} cumpleTla propiedad de interseccion finita y sea {Ai }i
un cubrimiento por abiertos de K. Entonces si i AC
on finita
i = , la propiedad de intersecci
Tn
C
no se cumple. Contrariamente,
si
existe
{A
:
i
=
1,
.
.
.
,
n}
{A
}
tales
que
A
= , o
i
i
i
i
i=1
S
alternativamente K = i Ai . Para que se cumpla esto u
ltimo K necesariamente es compacto.
Definici
on 4.15. (Subsucesi
on)
Sea {xn }nN una sucesi
on en un espacio normado (E, k k). Consideremos una funcion f : N N
estrictamente creciente, es decir, n < m f (n) < f (m). Entonces, la nueva sucesion {xf (k) }kN
se llama subsucesi
on de {xn }. A menudo se anota nk = f (k) y as la subsucesion se anota como
{xnk }kN .
Ejemplo 4.15. Las sucesiones siguientes
(
(
2n )
2n+1 )
1
1
,
2
2
nN
(
y
nN
8n+7 )
,
nN
101
no converge. Sin embargo la subsucesion {x2n }nN si converge y lo hace a (1, e) R2 . La subsucesi
on {x2n+1 }nN tambien converge, pero a (1, e) R2 . Por otra parte la subsucesion {x3n }nN
no converge (n
otese como cambia el signo de (1)kn ) para los valores k = 1, 2, 3).
n
) R3 no converge. En este caso {xn }nN no tiene
Ejemplo 4.17. La sucesi
on xn = (2n , n1 , n+1
subsucesiones convergentes.
n
1
0
,0
x n+1
1 + (n + 1)(nx 1) , 1
1
x n
n+1
fn (x) =
1
1
x n1
1
(n
1)(nx
1)
,
1
0
, n1 x 1
Para esta sucesi
on se cumple que:
kfn k = 1 n N
kfn fn+1 k = 1 n N
102
Entonces {fn } no converge y ninguna subsucesion puede hacerlo, pues no son de Cauchy.
Esto muestra que en (C([0, 1], R), kk ) hay sucesiones acotadas que no tienen subsucesiones convergentes. En particular mostramos que B = B(0, 1), la bola unitaria cerrada, no es compacta.
Teorema 4.9. Todo conjunto S K cerrado es compacto si K Rn es compacto.
n. Sea S cerrado y {Ai }i un cubrimiento por abiertos de S, entonces {Ai }i
Demostracio
S C es un cubrimiento por abiertos de K. Como K es compacto, tiene un subcubrimiento finito
por abiertos {Ai }i S C que adem
as es un subcubrimiento finito por abiertos de {Ai }i
S C . Entonces, {Ai }i es un subcubrimiento finito por abiertos de {Ai }i lo que concluye la
demostraci
on.
Teorema 4.10. Si K Rn es compacto, entonces K es cerrado y acotado.
n. Para demostrar que es acotado, partamos de la base que K es compacto y diferenDemostracio
te de vaco. Por definici
on, sea {Ai }i un cubrimiento por abiertos deSK, entonces necesariamente
este cubrimientoStiene un subcubrimiento finito {Ai }i tal que K i Ai . Sea n = maxi i,
n
entonces K i=1 Ai , como tiene maximo, K esta contenido completamente en una union
finita lo que demuestra que es acotado. El razonamiento no es valido si K no es una parte finita
de Rn pero ese no es el caso que debemos demostrar.
Ahora debemos demostrar que K es cerrado. Los casos K = Rn y K = significan que no hay nada
que demostrar. Supongamos que K Rn = K, entonces escogamos x K e y K C . Se tendra que
dado > 0 existe B(x, ) tal que B(x, ) B(y, ) = , por ejemplo, si escogemos = 12 d(x, y). Sea
{Ai }i un cubrimiento por abiertos de K, debe existir {Ai }i {Ai }i que corresponde a
un subcubrimiento finito por abiertos de K. Definamos = mnx{Ai } d(x, y) : i y entonces
B(y, ) K C 6= y B(y, ) K C por lo que K C es abierto, lo que concluye la demostracion.
Teorema 4.11. (Heine-Borel)
Sea K Rn . K es compacto si y s
olo si es un conjunto cerrado y acotado.
n.linea en blanco
Demostracio
(): Esta implicancia ya fue demostrada en el teorema 4.10.
(): Si K es acotado, existe > 0 tal que K B(x, ) para x K. Entonces, K corresponde a un
subconjunto cerrado del rect
angulo R = [a1 , b1 ], . . . [an , bn ], escagamos a = mn{xi : i1, . . . , n}
y b = m
ax{xi + : i = 1, . . . , n} por lo que R es compacto y el teorema 4.9 permite concluir que
K es compacto, lo cual finaliza la demostracion.
Nota 4.9. Establecer que un conjunto compacto debe ser cerrado y acotado y viceversa nos da una
relaci
on de si y s
olo si que puede extenderse a todo espacio de dimension finita, pero en espacios
de dimensi
on infinita es falsa. De hecho, la demostracion del teorema de Heine-Borel que hicimos
s
olo es v
alida con n N, es decir 1 n .
4.6.
Consecuencias de la compacidad
103
Demostraci
S on. Escojamos arbitrariamente cualquier familia de conjuntos abiertos tales que
f (K) i Ai , es decir
estamosSfijando un cubrimiento por abiertos {Ai }i de f (K). Se
S
tendr
aSque K f 1 ( i Ai ) = i f 1 (Ai ), lo cual significa que existe una subcobertura
finita i f 1 (Ai ) de K, con . Entonces, f (K) es compacto ya que f (K) puede ser
cubierto por una cantidad finita de elementos de {Ai }i .
Definici
on 4.17. Sea f : U Rn Rm una funcion no necesariamente continua. Diremos que
f alcanza su m
aximo (respectivamente mnimo) en U , si existe x U (respectivamente x U ) tal
que f (x) f (x) (respectivamente f (x) f (x)), para todo x U .
Corolario 4.1. Toda funci
on continua f : K Rn R definida en un conjunto compacto K
alcanza su m
aximo y su mnimo en K.
n. Como f es continua, f (K) es compacto. De esta forma, f (K) es cerrado y
Demostracio
acotado. Por ser f (K) acotado, existe z = nf{z : z f (K)} y z = sup{z : z f (K)}. Por
definici
on de nfimo y supremo, podemos construir las sucesiones {zni }nN f (K) y {zns }nN
f (K) que convergen, respectivamente, a z y z. Por ser f (K) cerrado,z y z estan en f (K), lo cual
concluye la demostraci
on.
A partir del teorema 4.1 se tiene la siguiente consecuencia:
Corolario 4.2. En Rn todas las normas son equivalentes.
n. La demostraci
Demostracio
on ya fue hecha para el teorema 4.2.
Nota 4.10. La consecuencia indicada proviene, en parte, del hecho que las normas definen funciones
continuas (la demostraci
on de esto queda de tarea). Definiendo S = {x Rn : kxk = 1} se define
un conjunto cerrado y acotado en (Rn , k k) para cualquier norma. Sobre este hecho, los teoremas
4.10 y 4.1 permiten concluir la equivalencia.
Definici
on 4.18. Sean (E, kkE ), (F, kkF ) espacios vectoriales normados y f : A E F . f es
uniformemente continua en A si
> 0 > 0 tal que kx ykE < kf (x) f (y)kF <
Nota 4.11. f uniformemente continua en A f continua en A
Finalizamos el captulo con el siguiente teorema
Teorema 4.13. Sean (E, kkE ) y (F, kkF ) espacios vectoriales normados.
Sea f : A E F continua y A compacto. Entonces f es uniformemente continua en A.
n. Supongamos que f no es uniformemente continua en A. Entonces
Demostracio
> 0 > 0 x, y A tq. kx ykE < kf (x) f (y)kF >
Sea n N, tomamos = 1/n > 0 y escogemos xn , yn A tales que
kxn yn kE <
1
kf (xn ) f (yn )kF >
n
Como {xn }nN A y A es compacto, existe una subsucesion {xnk }kN de {xn }nN que converge
a un x A. A su vez la sucesi
on {ynk }kN A posee una subsucesion {ynkl }lN convergente,
ynkl y A. Notemos que {xnkl } es una subsucesion de {xnk } t por lo tanto tambien converge
104
a x. Lo anterior implica que (xnkl ynkl ) (x y) cuando l , pero por otra parte tenemos
que
1
1
0
kxn yn kE < n N kxnkl ynkl kE <
n
nk l
es decir, (xnkl ynkl ) 0 cuando l lo que implica que x = y.
Por la elecci
on de las sucesiones tenemos que
kf (xnkl ) f (ynkl )kF > l N
Tomando lmite cuando l y gracias a la continuidad de f obtenemos que
kf (x) f (y)kF > 0
lo que es imposible pues x = y.
Captulo 5
Complementos de C
alculo Diferencial
En este captulo veremos los teoremas de la funcion inversa que generaliza la invertibilidad de
una funci
on a funciones de Rn a Rm y el teorema de la funcion implcita que es u
til cuando no
es posible despejar globalmente una variable en funcion de otra u otras. Concluiremos con una
formalizaci
on muy detallada de los teoremas de los multiplicadores de Lagrange y el teorema de
Karush-Kuhn-Tucker que dan condiciones necesarias para la existencia de maximos o mnimos de
funciones sujetas a varias restricciones.
5.1.
Teorema de la funci
on inversa
Motivaci
on: Sea L : Rn Rn una funcion lineal. Para que L sea biyectiva es necesario y suficiente
que la matriz asociada (matriz representante) sea invertible, y en este caso la matriz representante
de la funci
on inversa ser
a la inversa de la matriz representante de L.
Si Lx0 = b0 y queremos resolver la ecuacion Lx = b0 + b, la solucion sera
x = x0 + x = L1 b0 + L1 b
Cuando F : Rn es diferenciable, F es localmente como una funcion lineal (afn), y por lo
tanto es razonable pensar que la biyectividad local de F este relacionada con la biyectividad de su
aproximaci
on lineal.
Teorema 5.1. (Teorema de la funcion inversa)
Sea F : Rn Rn una funci
on de clase C 1 . Supongamos que para a , DF (a) (Jacobiano)
es invertible y que F (a) = b. Entonces
1. Existen abiertos U y V de Rn tales que a U , b V y F : U V es biyectiva.
2. Si G : V U es la inversa de F , es decir, G = F 1 , entonces G es tambien de clase C 1 y
DG(b) = [DF (a)]1 .
Antes de dar la demostraci
on veremos algunos ejemplos.
Ejemplo 5.1. Sea F (x, y) = (x2 + ln y, y 2 + xy 3 ), entonces F (1, 1) = (1, 2)
Consideremos la ecuaci
on F (x, y) = (b1 , b2 )
x2 + ln y
= b1
y 2 + xy 3
= b2
105
INVERSA
5.1. TEOREMA DE LA FUNCION
106
con (b1 , b2 ) cerca de (1, 2).
DF (x, y) =
2x
y3
1/y
2y + 3xy 2
1
5
=
=
=
r sen cos
r sen sen
r cos
1/2
D(1, /4, /4) = 1/2
2/2
la transformacion en el punto r = 1, =
1/2 1/2
1/2 1/2
0
2/2
Esta matriz es invertible pues su determinante es igual a 2/2. En general se tiene que |D(r, , )|
= r2 sen que es distinto de cero excepto si r = 0 o si sen = 0. Por lo tanto, salvo en el eje z la
transformaci
on es localmente biyectiva.
Previo a la demostraci
on del teorema, consideremos tres resultados que seran de utilidad.
1. A partir de la norma descrita en (1.4), consideremos en Mnn (R) la norma
v
uX
n
u n X
t
kAkF =
a2ij
i=1 j=1
INVERSA
5.1. TEOREMA DE LA FUNCION
107
p
Ai x U , entonces kF (x) F (y)k A21 + ... + A2n kx yk x, y U .
Si kDF (x)k C x U entonces kF (x) F (y)k Ckx yk, pues
Z 1
DF
(tx
+
(1
t)y)
(x
y)dt
kF (x) F (y)k =
Z
0
1
Ckx yk
n. (Teorema de la funcion inversa)
Demostracio
Observemos que si F es de clase C 1 entonces la funcion
DF : Mnn
x 7 DF (x)
es continua pues
v
2
uX
n
fi
u n X
fi
t
kDF (x) DF (x0 )kF =
xj (x) xj (x0 )
i=1 j=1
y como todas las derivadas parciales son continuas, dado > 0, existen ij > 0 tales que kxx0 k <
fi
fi
ij | x
(x) x
(x0 )| < n , entonces escogiendo = mni,j ij > 0 tenemos que kx x0 k <
j
j
p
kDF (x) DF (x0 )kF < n2 ( n )2 = .
Queremos demostrar que existen abiertos U y V tales que F : U V es biyectiva, lo que se puede
expresar en otras palabras como: Dado y V existe un u
nico x U que es solucion de la ecuaci
on
F (x) = y. Adem
as
F (x) = y
y F (x)
DF (a)1 (y F (x))
x + DF (a)1 (y F (x))
=
=
=
0
0
x
INVERSA
5.1. TEOREMA DE LA FUNCION
108
la u
ltima desigualdad es v
alida si x B(a, ).
Entonces como B(a, ) es convexa y kD(y )i (x)k 21 n para i = 1, ..., n, obtenemos
v
u n
uX 1
1
ky (x) y (z)k kx zkt ( )2 = kx zk x, z B(a, )
2
2
n
i=1
Si definimos U = B(a, ) y V = F (U ), entonces F : U V es biyectiva. Veamos que V es abierto.
Sea y V y x
B(a, ) tal que F (
x) = y. Hay que demostrar que existe > 0 tal que si y B(
y , )
entonces existe x U tal que F (x) = y x = y (x), es decir, B(
y , ) F (U ) = V .
x, r)
Sea r > 0 tal que B(
x, 2r) U , y x B(
y (x) x
= y (x) (
x + DF (a)1 )y F (
x))) + DF (a)1 (y y)
= y (x) y (
x) + DF (a)1 (y y)
y por lo tanto
ky (x) x
k
ky (x) y (
x)k + kDF (a)1 (y yk
1
kx x
k + kDF (a)1 kky yk
= h DF (x)1 k
= DF (x)1 (F (x + h) F (x) DF (x)h)
Por lo tanto
kF (x + h) F (x) DF (x)hk khk
1
kF 1 (y + k) F 1 (y) DF (x)1 kk kDF (x)1 k
kkk
khk
kkk
Probaremos ahora que khk/kkk C < lo que implica que h 0 cuando k 0 y como F es
diferenciable en el punto x, el lado derecho de la desigualdad anterior tiende a cero cuando k 0,
obligando asi a que el lado izquierdo tienda a cero tambien, lo que por definicion significa que F 1
es diferenciable en y y
DF 1 (y) = [DF (x)]1
Se sabe que
kh DF (a)1 kk
kh DF (a)1 (F (x + h) F (x))k
kh + x DF (a)1 (F (x + h) y) x +
DF (a)1 (F (x) y)k
ky (x + h) y (x)k
1
khk
2
IMPLICITA
5.2. TEOREMA DE LA FUNCION
109
por lo tanto
khk kDF (a)1 k kh DF (a)1 k 1/2khk
lo que implica que
1/2khk kDF (a)1 kk kDF (a)1 kkkk
es decir,
khk
2kDF (a)1 k <
kkk
que es lo que se quera probar.
La continuidad de DF 1 (y) = [DF (F 1 (y))]1 se obtiene de la regla de Cramer para obtener la
inversa de una matriz. Para una matriz invertible A se tiene que
A1 =
1
[cofactores(A)]t
det(A)
y donde cofactores(A) es una matriz formada por los distintos subdeterminantes de A que se
obtienen al sacarle una fila y una columna a A. Entonces como F es continuamente diferenciable,
sus derivadas parciales son continuas, y gracias a la formula de Cramer las derivadas parciales
de F 1 ser
an continuas tambien pues son productos y sumas de las derivadas parciales de F y
cuociente con el determinante de DF (F 1 (y)) que es distinto de cero y continuo por la misma
raz
on.
5.2.
Teorema de la funci
on implcita
Motivaci
on: Supongamos que se tiene una funcion f : R2 R, y consideremos una ecuacion de
la forma
f (x, y) = 0
Es entonces natural hacer la siguiente pregunta: Es posible despejar y en funcion de x?
Supongamos que s, es decir, existe una funcion y(x) que satisface
f (x, y(x)) = 0
supongamos adem
as que f e y(x) son diferenciables, entonces podemos derivar la ecuacion anterior
con respecto a x:
f dy
f
+
=0
x
y dx
o sea
dy
f /x
=
(Derivacion implcita)
dx
f /y
Notemos que para poder realizar este calculo es necesario que f /y sea distinto de cero.
Ejemplo 5.3. Consideremos la siguiente ecuacion
x2 + y 2 = 1
Es posible despejar y en funci
on de x? Evidentemente la respuesta a esta pregunta es que no es
posible despejar globalmente una variable en funcion de la otra, pero si (x0 , y0 ) es un punto que
satisface la ecuaci
on, es decir, x20 + y02 = 1 y ademas y0 6= 0, entonces es posible despejar localmente
IMPLICITA
5.2. TEOREMA DE LA FUNCION
110
y en funci
on de x (es decir, en una vecindad de (x0 , y0 )). Ademas derivando la ecuacion se tiene
que
dy
dy
x
2x + 2y
=0
=
dx
dx
y
Sin embargo si y0 = 0 es imposible despejar y en funcion de x en torno al punto (x0 , y0 ).
Ejemplo 5.4. Consideremos ahora un caso mas general que el anterior. Suponga que se tienen las
variables x1 , ..., xm e y1 , ..., yn relacionadas por n ecuaciones (sistema de ecuaciones),
Fi (x1 , ...xm , y1 , ...yn ) = 0, i : 1, ..., n.Esto se puede escribir como
F : Rm Rn
Rn
..
(x1 , .., xm , y1 , ..., yn )
7
F (x, y) =
.
Fn (x1 , ..., xm , y1 , ..., yn )
Entonces, F (x1 , ..., xm , y1 , ..., yn ) = 0.
Es posible despejar las variables y, en funcion de las variables x? Es decir, existen funciones
yj (x1 , ..., xm ), j = 1, ..., n tales que
F (x1 , ..., xm , y1 (x1 , ..., xx ), ..., yn (x1 , ..., xm )) = 0.
Veamos el caso particular de un sistema lineal. Sea L una matriz L = [A B] Mn(n+m) , y
consideremos el sistema
Ax + By = b
En este caso es posible despejar y en funcion de x cuando B es invertible:
y(x) = B 1 b B 1 Ax
Teorema 5.2. (Teorema de la funci
on implcita)
Sea F : Rm+n Rn una funci
on de clase C 1 , y sea (a, b) Rm Rn un punto tal que
F (a, b) = 0. Escribimos entonces DF (a, b) = [Dx F (a, b) Dy F (a, b)] y supongamos que Dy F (a, b)
es invertible. Entonces existen conjuntos abiertos U Rm+n , W Rm con (a, b) U y a W
tales que para cada x W existe un u
nico y tal que (x, y) U y
F (x, y) = 0
esto define una funci
on G : W Rn que es de clase C 1 y que satisface
F (x, G(x)) = 0, x W
adem
as DG(x) = [Dy F (x, G(x))]1 Dx F (x, G(x)) para todo x W y evidentemente G(a) = b.
Al igual que en el teorema de la funci
on inversa veamos un ejemplo antes de dar la demostracion
del teorema.
Ejemplo 5.5. Considere el sistema de ecuaciones
x2 + sen(y) + cos(yz) w3 1 = 0
x3 + cos(yx) + sen(z) w2 1 = 0
IMPLICITA
5.2. TEOREMA DE LA FUNCION
111
1. Muestre que es posible despejar (y, z) en funcion de (x, w) en una vecindad del punto
(x0 , y0 , z0 , w0 ) = (0, 0, 0, 0)
Calcular
y
x (0, 0).
2. Es posible despejar (x, y) en funcion de las variables (z, w) en una vecindad de (0, , 0, 0)?
Que se puede decir de despejar (x, w) en funcion de (y, z)?
n.
Solucio
1. Para este problema se tiene que la funcion F es:
F (x, y, z, w) = (x2 + sen(y) + cos(yz) w3 1, x3 + cos(yx) + sen(z) w2 1).
Entonces F es de clase C 1 y F (0, 0, 0, 0) = (0, 0). Ademas
F1 /y F1 /z
cos y sen(yz)z sen(yz)y
D(y,z) F (x, y, z, w) =
=
F2 /y F2 /z
sen(yx)x
cos(z)
luego
D(y,z) F (0, 0, 0, 0) =
1
0
0
1
que es invertible. Luego, gracias al teorema, es posible despejar (y, z) en funcion de (x, w)
de manera diferenciable en una vecindad del punto (0, 0). Si derivamos las ecuaciones con
respecto a x obtenemos
2x + cos(y)
y
z
y
cos(yz)(y
+z )=0
x
x
x
z
y
x + y) + cos(z)
=0
x
x
evaluando en el punto (0, 0, 0, 0) se tiene que y/x(0, 0) = 0.
3x2 sen(yx)(
cos(y) sen(yz)z
sen(yx)x
por lo tanto
0
D(x,y) F (0, , 0, 0) =
0
1
0
esta u
ltima no es una matriz invertible por lo que el teorema no es aplicable. Si se quisiera
despejar (x, w) en funci
on de (y, z) debemos observar la matriz
2x 3w2
D(x,w) F (x, y, z, w) =
3x2 2w
que tampoco es invertible en los puntos (0, 0, 0, 0) y (0, , 0, 0), por lo que nuevamente el
teorema no es aplicable.
112
Rn+m
5.3.
Motivaci
on: La pregunta b
asica que queremos responder en esta seccion, es Cuando una ecuacion
como
g(x, y, z) = 0
define una superficie?
Los dos ejemplos siguientes son muy elocuentes
1. x2 + y 2 + z 2 1 = 0
2. x(z x2 + y 2 ) = 0
113
5.3.1.
(x x0 , y y0 , z z0 ) b =
114
Como b g(x0 , y0 , z0 ), la matriz Jacobiana tiene rango 2, y por lo tanto siempre es posible escoger
dos columnas tales que la matriz resultante sea invertible. El teorema de la funcion implcita nos
asegura entonces que podremos siempre despejar dos variables en funcion de una. Supongamos sin
perdida de generalidad que es posible despejar (y, z) en funcion de x, entonces
g(x, y(x), z(x))
(x x0 , y(x) y0 , z(x) z0 ) b =
mn
f (x, y, z)
s.a
g(x, y, z) = c
x,y,z
115
=
..
.
(x x0 ) b1
=
..
.
(x x0 ) bnk1
g1 (x0 )
..
gk (x0 )
b1
..
.
bnk1
que es una matriz de rango n 1, por lo que podemos seleccionar n 1 columnas tales que
la matriz resultante sea invertible, y gracias al teorema de la funcion implcita (teorema 5.2)
podemos despejar n 1 variables en funcion de la restante en una vecindad de x0 . Entonces existe
: I = (, ) Rn definido de manera analoga al caso particular, tal que gi ((t)) = 0 t I y
((t) x0 ) bi = 0 t, i = {1, ..., n k 1}
Derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene que
gi (x0 ) 0 (0) = 0 i = {1, ..., k} 0 (0) bj = 0 j = {1, ..., n k 1}
lo que implica que 0 (0) k v. Definiendo
(t) = (kvkt/k 0 (0)k) tenemos que
0 (0) = v, lo que nos
0
da el lema, pues la otra inclusi
on { (0) : (t) S t, (0) = x0 } Ts (x0 ) es directa (analoga a
la demostraci
on en el caso particular).
Teorema 5.4. (Teorema de los multiplicadores de Lagrange, caso general)
Consideremos el siguiente problema de optimizaci
on
P)
mn f (x)
x
s.a
gi (x) = c i = {1, . . . k}
(5.1)
Puesto que Dg(x0 ) es de rango k, el espacio Ns (x0 ) es un espacio vectorial con dim Ns (x0 ) = k, y
por lo tanto dim Ts (x0 ) = n k.
116
n. A partir del lema 5.1 tenemos que : I R Rn tal que g((t)) = 0 (0) =
Demostracio
x0
d
= f (x0 ) 0 (0) = 0
f ((t))
dt
t=0
puesto que x0 es un mnimo local de f restringido a S. Lo anterior es equivalente, gracias al lema,
a que f (x0 ) v = 0 v Ts (x0 ), o sea, f (x0 ) Ns (x0 ) lo que implica que
f (x0 ) =
k
X
i gi (x0 )
i=1
Nota 5.3. Los teoremas 5.3 y 5.4 dan una condicion necesaria de optimalidad con restricciones
de igualdad. Tambien son v
alidos para un problema de maximizacion, esto porque de acuerdo a
la definici
on de funci
on convexa (definicion 2.8) tenemos que minimizar una funcion f convexa
equivale a maximizar la funci
on f que resulta ser concava.
Sea x0 un mnimo de f restringida a S, se cumple que
f (x0 ) =
k
X
i gi (x0 )
i=1
Para la maximizaci
on tendramos lo siguiente
f (x0 ) =
k
X
i gi (x0 )
i=1
k
X
i gi (x)
i=1
k
X
i gi (x)
i=1
En la pr
actica, la ventaja que genera el cambio de signo es que la interpretacion de los multiplicadores de Lagrange es directa en problemas de maximizacion y minimizacion. Antes de dar la
interpretaci
on presentaremos algunos ejemplos que nos mostraran esto en el camino para formalizar el resultado con el teorema de la envolvente. Al momento de resolver no hay diferencia para el
caso en que trabajamos con restricciones de igualdad.
Nota 5.4. Ninguna de las condiciones del teorema puede relajarse y ademas el teorema no nos
garantiza que los multiplicadores sean no nulos. Si sucede que, por ejemplo, la matriz que define
Dg(x0 ) no es de rango completo (no es de rango k) o los gradientes de la funcion objetivo y las
restricciones son linealmente dependientes, el sistema que definen las condiciones de primer orden
de la funci
on Lagrangeano no tiene solucion.
Los dos ejemplos que siguen son ilustrativos de lo que pasa cuando no se cumplen las condiciones
del teorema o al menos un multiplicador se anula.
117
x + y2
s.a
x y2 = 0
x,y
Observemos que f (x, y)|(0,0) = (1, 0) y g(x, y)|(0,0) = (1, 0). Entonces, los gradientes son linealmente dependientes y no se cumple que f (x, y)|(0,0) g(x, y)|(0,0) = (0, 0) a menos que = 1
lo que hace que el sistema que definen las condiciones de primer orden del Lagrangeano no tenga
soluci
on dado que el par (1, 0) no cumple la restriccion del problema.
Ejemplo 5.7. Consideremos el problema
mn x2 + y 2
x,y
s.a
x=0
Observemos que f (x, y)|(0,0) = (0, 0) y g(x, y)|(0,0) = (1, 0). Entonces no se cumple que
f (x, y)|(0,0) g(x, y)|(0,0) = (0, 0) a menos que = 0 lo cual nos lleva a que el sistema
que definen las condiciones de primer orden del Lagrangeano no tenga solucion.
5.3.2.
Ahora daremos algunos ejemplos en los que se debe resolver una funcion Lagrangeano que consta
de n + 1 variables. Es importante revisar estos problemas con detalle puesto que entregan una
formulaci
on para casos generalizados.
Ejemplo 5.8. En el pas A todas firmas minimizan sus costos de operacion. Supondremos que
en esta economa existen n factores productivos que tienen un costo unitario de wi por unidad.
En lo que sigue, supondremos que la firma representativa del pas A elabora un u
nico producto
y tiene una estructura de producci
on que se puede representar mediante la siguiente funcion:
f (x) = A
n
Y
i
x
i
12
10
8
6
4
2
2
10
12
14
16
18
0,5
Figura 5.1: f (x1 , x2 ) = x0,5
1 x2
20
118
Para fijar ideas, intuitivamente a partir del grafico del caso particular, es posible deducir que el
problema se puede resolver mediante Lagrangeano.
Lo que nos interesa obtener es la demanda por factores xi (w, Q), donde xi es la demanda por el
insumo i-esimo en funci
on de w (vector de Rn+ que representa los costos de los n insumos) y de Q
que representa un nivel de producci
on fijo. Esta demanda proviene del siguiente problema general
mn
x
n
X
wi xi s.a f (x) Q, xi 0
i=1
y de forma un poco m
as restringida lo llevamos a
mn
x
n
X
wi xi s.a f (x) = Q
i=1
n
Y
i
x
i
i=1
n
X
wi xi A
i=1
n
Y
!
i
x
i Q
i=1
i=1
De (*) despejamos xi
xi =
i A
Qn
i=1
wi
i
x
i
i Q
wi
wi
f /xi ,
las condiciones de
(*)
(**)
119
Pn
i=1
Pn
= A
i=1
n
Y
i i
i=1
wi
Pn
i=1
Q1
i=1
1
Q i
n i
(1
=Q
Pn
i=1
i )/
Pn
i=1
Qn
A1/
Pn
wi
i
i=1 wi
Qn
i=1
Pn
i=1
i=1
i i
i
Pn
i=1
Pn
Qn
i / n
i
i=1
1/
wj
i
i=1
A
i=1 i
P
P
n
Qn
1/ n i
i / i=1 i
i=1
i
Q
i=1 wi
P
xj =
Pn
Qn
/ n
wi
A1/ i=1 i i=1 i i i=1 i
P
1/ Pni=1 i Qn
i / n
i=1 i
w
Q
j
i
Pn
Qi=1
xj =
n
i
i
i=1
A
wj
i=1
n
X
j=1
w j xj =
Q
A
P
1/ Pni=1 i Qn
i / n
n
i=1 i
X
w
i
Pn
i
Qi=1
i / i=1 i
n
i=1
i=1 i
Ejemplo 5.9. En el pas B todas firmas minimizan sus costos de operacion. Supondremos que
en esta economa existen n factores productivos que tienen un costo unitario de wi por unidad.
En lo que sigue, supondremos que la firma representativa del pas B elabora un u
nico producto
y tiene una estructura de producci
on que se puede representar mediante la siguiente funcion:
f (x) = A
n
X
!v/
i xi
120
1. La funci
on Lagrangeano de cada problema y resolver el problema de mnimo costo.
2. El multiplicador de Lagrange para ambos problemas.
3. Las demandas que resuelven ambos problemas.
4. Una expresi
on para la funci
on de costos a partir de las demandas optimas de cada firma.
n.
Solucio
1. Para simplificar el desarrollo algebraico, la funcion de produccion dado un nivel de produccion
fijo se puede expresar como
!
n
X
i xi
Qv = Av
i=1
L(x, ) =
wi xi A v
i xi Q v
1
i=1
wi
fi ,
Las condiciones de
L
= wi A v i xi1 = 0
xi
!
n
X
= Qv Av
i xi = 0
i=1
De (*) despejamos xi
(*)
wi = A v i x1
i
xi =
A v ai
wi
1
1
(**)
n
sumatoria i=1 () y finalmente multiplicar por A v para llegar a una expresion equivalente
a Q v . Despejando Q se obtiene
Q=A
1
1
()
v
1
n
X
1
1
ai
! v
wi
i=1
Qv
1 =
A
1
v(1)
1
1
n
X
i=1
1
1
ai
wi
! 1
121
1
para reempla3. Reemplazando el multiplicador que intencionadamente dejamos elevado a 1
zar directamente en (**) se obtiene la demanda condicionada por el factor j-esimo
xj =
Q
A
v1
aj1 wj1
n
X
1
1
aj
1
1
wj
j=1
wj xj =
j=1
Q
A
v1
ai1 wi1
j=1
n
X
1
1
ai
1
1
! 1
wi
i=1
En esta u
ltima ecuaci
on hay que arreglar las sumatorias que son independientes del ndice y
se obtiene
! 1
v1 X
n
n
1
X
Q
w i xi =
ai1 wi1
A
i=1
i=1
Ejemplo 5.10. Ahora ilustraremos un caso en que la funcion objetivo y la restriccion son lineales.
Esto con la finalidad de dar una interpretacion al multiplicador de lagrange que presentaremos
durante el desarrollo del ejercicio y retomaremos mas adelante.
Suponga que el pas C existen m firmas monoproductoras que minimizan costo. Cada una de
ellas utiliza una alguna combinaci
on de n insumos y todas tienen una tecnologa lineal. De acuerdo
a los ejemplos anteriores el problema particular que resuelve la firma i-esima es
mn
x
n
X
wi xi s.a
i=1
n
X
i xi = Q
i=1
donde wi , i > 0 i
A continuaci
on resolveremos este problema.
n. El Lagrangeano del problema es
Solucio
L(x, ) =
n
X
wi xi
i=1
n
X
!
i xi Q
i=1
i = {1, . . . , n}
(*)
122
L X
=
i xi Q = 0
i=1
(**)
i = {1, . . . , n}
j
j
i
donde ej denota la j-esima componente de la base canonica de Rn . De esta forma, como se indico en
el desarrollo del ejercicio la condici
on para una solucion u
nica del problema es que exista solo un
cociente wi /i compatible con
wi
= mn
i i
y as garantizamos que la soluci
on no es interior. En este punto resulta u
til un grafico para el caso
de dos variables.
Para fijar ideas digamos que la restriccion es g(x1 , x2 ) = x1 + x2 = 20 mientras que la funcion
objetivo es f (x1 , x2 ) = x1 + 2x2 . Tras graficar llegamos a lo siguiente
20
18
16
14
12
10
8
6
4
2
0
10
x
12
14
16
18
20
123
ejemplo (x1 , x2 ) = (10, 10) generan un valor de la funcion objetivo menor a f (x1 , x2 ) = 40 dada la
restricci
on.
Cambiando ligeramente la situaci
on del caso anterior, supongamos que ahora f (x1 , x2 ) = 2x1 + x2 .
Tras graficar llegamos a lo siguiente
20
18
16
14
12
10
8
6
4
2
0
10
x
12
14
16
18
20
Pn
Con i > 0 i y i=1 i = 1. La restriccion al consumo viene dada por un ingreso I que gasta en
su totalidad en productos perfectamente divisibles, los cuales se venden a un precio pi cada uno.
Se pide:
1. Plantear el problema de maximizacion del individuo representativo.
2. Plantear la funci
on Lagrangeano y obtener las condiciones de primer orden.
3. Encontrar una expresi
on para el multiplicador de Lagrange.
4. Obtener la demanda
optima por el producto j-esimo que resuelve el problema.
5. Obtener una expresi
on para la funcion de utilidad en terminos de las demandas optimas.
n.
Solucio
124
1. El problema a resolver es
m
ax
x
n
Y
n
X
i
x
i s.a
i=1
pi xi = I
i=1
n
Y
i
x
i
+ I
i=1
n
X
!
p i xi
i=1
i=1
3. Como u(x) =
Qn
i=1
(*)
(**)
i
x
i , vamos a reemplazar en (*) y obtenemos
i u = pi xi
(***)
i u
p i xi
Pn
Pn
4. Consideremos que I = Pi=1 pi xi y i=1 i = 1 por lo que en (***) vamos a agregar terminos
n
aplicando la sumatoria i=1 ()
u = I
Si reemplazamos esto u
ltimo en (***) obtenemos
i I = pi xi
S
olo falta reordenar y obtenemos la demanda por el insumo j-esimo (los ndices son independientes) en terminos de (I, , p)
Ij
xj =
pj
Qn
i
5. Reemplazamos directamente el u
ltimo resultado en u(x) = i=1 x
i y obtenemos
u(x) = I
n
Y
i i
i=1
pi
Ejemplo 5.12. Suponga que en el pas , de forma exogena a lo que nos interesa resolver, se
elaboran n productos y el individuo representativo de este pas tiene una utilidad por el consumo
de los n productos representable por medio de la funcion
u(x) =
n
X
i=1
i xi
125
Pn
Donde i 0 i = {1, . . . , n} y i=1 i = 1. En esta economa todos quieren obtener el nivel
m
as alto de utilidad sabiendo que su presupuesto es limitado. Debido a la forma funcional de la
utilidad en determinados casos la solucion optima del problema llevara a consumir una cantidad
nula de alg
un producto ante lo cual no se cumple la condicion de paralelismo de los gradientes de
la funci
on objetivo y las restricciones como se evidencia en cualquier solucion interior que podamos
encontrar mediante Lagrangeano.
A continuaci
on resolveremos este problema.
n. El problema tiene la misma estructura del ejemplo anterior y el Lagrangeano corresSolucio
ponde a
!
n
n
X
X
L(x, ) =
i xi + I
pi xi
i=1
i=1
i = {1, . . . , n}
(*)
X
L
=I
p i xi = 0
i=1
(**)
pi
i = {1, . . . , n}
i = {1, . . . , n}
pi
pj
pi
donde ej denota la j-esima componente de la base canonica de Rn . De esta forma, como se indico en
el desarrollo del ejercicio la condici
on para una solucion u
nica del problema es que exista solo un
cociente i /pi compatible con
i
= max
i
xi
y as garantizamos que la soluci
on no es interior.
126
Ejemplo 5.13. Suponga que en el pas , de forma exogena a lo que nos interesa resolver,
se elaboran n + 1 productos y el individuo representativo de este pas tiene una utilidad por el
consumo de los n + 1 productos representable por medio de la funcion
u(x, y) = 1
n
X
i ln(xi ) + 2 y
i=1
Pn
Donde i > 0, i > 0 i = {1, . . . , n} y i=1 i = 1. Las curvas de nivel de esta funcion, en un
caso particular, corresponden al siguiente grafico
20
18
16
14
12
10
8
6
4
2
2
10
12
14
16
18
20
i=1
127
(*)
(**)
i 1
pi
y =
2
py
i 1 py
2 pi
y entonces
i 1 py
2
pi xi =
Aplicando
Pn
i=1 ()
a esto u
ltimo
n
X
pi xi =
i=1
Pn
i=1
1 p y
2
1 p y
2
Debemos tener presente que la condicion para que esto efectivamente sea una solucion interior
p
es I > 1 2 y . En caso de que esto u
ltimo se cumpla con signo de mayor o igual se tendra que
y 0.
p
Si I < 1 2 y se tendr
a que en el optimo y = 0 y lo u
nico que nos restara del problema es
resolver la ecuaci
on (*).
Reordenando (*) obtenemos
=
Aplicando
Pn
i=1 ()
i 1
pi xi
obtenemos
I = 1
i I
pi
Entonces, la soluci
on del problema es virtud de los parametros corresponde a
1 p y
i 1 py
1 py
1 p y
si I
si I
2
2 pi
I
2
2
xi =
y
y=
1 p y
si I <
i I
1 p y
2
si I <
pi
2
(***)
128
1 py
2
M
as a
un para una soluci
on v
alida (valores postivos dada la naturaleza del problema) es que
la soluci
on la separamos por casos en virtud de los parametros.
3. La condici
on encontrada anteriormente garantiza la unicidad de la solucion y no hace falta
agregar m
as condiciones.
Ejemplo 5.14. Suponga que en el pas , de forma exogena a lo que nos interesa resolver, se
elaboran n productos y el individuo representativo de este pas tiene una utilidad por el consumo
de los n productos representable por medio de la funcion
u(x) = mn{i xi }
i
Donde i > 0 i = {1, . . . , n}. Las curvas de nivel de esta funcion, en un caso particular, corresponden al siguiente gr
afico
20
18
16
14
12
10
8
6
4
2
2
10
12
14
16
18
20
129
n
X
pj
I
Pn
xi =
j
i
j=1
j=1
pj
j
5.3.3.
Teorema de la envolvente
Motivaci
on: En diversas
areas de la ingeniera y ciencias nos encontramos con sistemas en los
cuales es aplicable un criterio de maximizacion o minimizacion. Ya hemos visto formas de resolver
esto pero, muchas veces para facilitar el calculo y ahorrar trabajo cabe preguntarse si existe alguna
tecnica que nos permita cuantificar como cambia la solucion optima ante cambios en los parametros
del sistema o bien, muchas veces tenemos sistemas similares cuya diferencia solo radica en los
par
ametros que los definen.
Teorema 5.5. (Teorema de la Envolvente) Sean f : Rn+m R, gi : Rn+m R funciones
diferenciables y c Rm . Consideremos el problema
m
ax
x
s.a
f (x, c)
gi (x, c) = 0 i = {1, . . . k}
Definamos la funci
on valor V (c) := max{f (x(c), c) : x S}.
130
k
X
i gi (x, c)
i=1
(*)
(**)
(***)
xyz
x + 2y + 3z
=c
131
La funci
on Lagrangeano corresponde a
L(x, ) =
xyz (x + 2y + 3z c)
yz
L
=0
=
x
2 x
L
xz
=
2 = 0
y
2 y
xy
L
3 = 0
=
z
2 z
L
= c x 2y 3z = 0
yz
42
xz
162
xy
362
Luego de dividir la primera de estas ecuaciones por la segunda y la segunda con la tercera en forma
separada, obtenemos
x = 2y = 3z
Reemplazamos esto en
c
3
y=
c
6
z=
c
9
c3
c
V (c)
=
V (c) =
c
9 2
6 2
yz
2
si reemplazamos x = 2y = 3z en x = 4
y se concluye que (c) =
2 obtenemos c = 72
esto u
ltimo evaluamos
L
c
(x(c), c) = (c) =
ci
6 2
c .
6 2
Con
5.3.4.
Definici
on 5.3. Para el caso de minimizacion definiremos el conjunto de direcciones crticas como
K(x0 ) := {h Rn : gi (x0 ) h = 0 i = {1, . . . , k}, f (x0 ) h 0}
132
Mientras que para el caso de maximizacion definiremos el conjunto de direcciones crticas como
K(x0 ) := {h Rn : gi (x0 ) h = 0 i = {1, . . . , k}, f (x0 ) h 0}
Ya vimos un teorema que nos da las condiciones de 2do orden (teorema 2.18) el cual lo podemos
enunciar, con una hip
otesis menos estricta, de la siguiente forma
Teorema 5.6. Sea x0 un mnimo local del problema (5.1) y supongamos que existe Rk tal que
f (x0 ) +
k
X
i gi (x0 ) = 0 i = {1, . . . , k}
i=1
Pk
i=1
(*)
(**)
133
k
X
i gi (x0 ) = 0 i = {1, . . . , k}
i=1
xn x0
, kdn k = 1
kxn x0 k
Se tendr
a que n = kxn x0 k, n 0 y {dn } es acotada por lo que tiene una subsucesi
on
convergente a d0 .
Como {xn } S se tiene que gi (xn ) = 0 i = {1, . . . , k}. Definamos g(x0 ) = (g1 (x0 ), . . . , gk (x0 )) y
de esta forma g(xn ) g(x0 ) = 0, si dividimos esto por dn con n se obtiene g(x0 ) d0 = 0.
Usando el teorema de Taylor (teorema 2.4), para todo i = {1, . . . , k} se cumple
gi (xn ) gi (x0 ) = n gi (x0 ) dn +
n2 T
d (Hgi (xj ))dn = 0
2 n
(*)
n2 T
d (Hf (xl ))dn 0
2 n
(**)
134
Consideremos
1
n kxn
1
n kxn
x0 k2 0. A partir de (**)
n2 T
1
dn (Hf (xl ))dn kxn x0 k2
2
n
Pk
i=1 ()
(***)
n2 T
1
d (Hf (xl ) + T Hg(xj ))dn kxn x0 k2
2 n
n
como n = kxn x0 k
dTn (Hf (xl ) + T Hg(xj ))dn
2
n
k
X
i gi (x0 ) = 0 i = {1, . . . , k}
i=1
135
xy + yz + xz
s.a
x+y+z =1
x,y,z
y0 + z0 = 0
x0 = y0
x0 + z0 = 0
y0 = z0
x0 + y0 = 0
x0 + y0 + z0 = 1
x0 + y0 + z0 = 1
x0 = 1/3
y0 = 1/3
z0 = 1/3
0
Hf (x0 ) = 1
1
tenemos
1 1
0 1
1 0
0
Hg(x0 ) = 0
0
0
0
0
0
0
0
Entonces,
0
Hx L(x0 , ) = 1
1
1
0
1
1
1
0
Podramos usar el criterio de los menores principales para determinar si la matriz resultante es semi
definida positiva o negativa. Usando esto se obtiene |H1 | = 0, |H2 | = 1 y |H3 | = 2 lo cual bajo
tal criterio nos dice que la matriz no es semi definida negativa ni tampoco semi definida positiva.
Los teoremas 5.6, 5.7, 5.8 y 5.9 establecen una condicion de segundo orden que pide que Hx L(x0 , )
sea semi definida positiva (caso minimizacion) o semi definida negativa (caso maximizacion) a lo
menos en K(x).
Definamos h = (x, y, z) y entonces
hT Hx L(x0 , )h = x(y + z) + y(x + z) + z(x + y)
(*)
Tengamos presente que en K(x) se cumple que g(x) h = 0, entonces x + y + z = 0 por lo que
podemos reescribir (*) como
hT Hx L(x0 , )h = (x2 + y 2 + z 2 ) < 0
observemos que (x2 + y 2 + z 2 ) 0 pero restringido a K(x) se tiene la desigualdad estricta y
entonces la soluci
on encontrada es un maximo local estricto.
ADICIONALES
5.4. REGLAS DE DERIVACION
136
5.4.
Reglas de derivaci
on adicionales
es diferenciable y su derivada es
d
dx
(x)
(x)
(x)
(x)
f (x, t)dt
x
n. Definamos la funci
Demostracio
on
Z
G(z, x) =
f (x, t)dt
0
G(z, x) = f (x, z)
z
demostremos que
G(z, x) =
x
f (x, t)dt
x
f (x, t)dt
G(z, x + h) G(z, x) h
0 x
Z z
=
f (x + h, t) + f (x, t) h f (x, t)dt
x
0
Z zZ 1
=
f (x, t))hdydt
( f (x + yh, t)
x
0
0 x
La funci
on f /x(, ) es continua, y por lo tanto, uniformemente continua sobre [x |h|, x +
|h|] [0, z], asi, dado > 0, existe > 0 tal que si k(x, y) (
x, y)k < entonces |f /x(x, y)
f /x(
x, y)| < /z. Entonces si |h| < se tiene que
|
f (x + yh, t)
f (x, t)| < t [0, z] y [0, 1]
x
x
(x)
ADICIONALES
5.4. REGLAS DE DERIVACION
137
dx
=
G((x), x) 0 (x) +
G((x), x)
dx
...
G((x), x)
x
dx
Z (x)
Z (x)
f
f
(x, t)dt
(x, t)dt
= f (x, (x)) 0 (x) f ((x), x)0 (x) +
x
x
0
0
Z (x)
0
0
= f (x, (x)) (x) f (x, (x)) (x) +
f (x, t)dt
(x) x
Teorema 5.11. Sean A Rn y B Rm abiertos y f : A B R de clase C 1 . Sea Q B
conjunto elemental cerrado. Entonces la funci
on
Z
F (x) =
f (x, y)dy
Q
es de clase C 1 y
F (x) =
xi
Z
Q
f (x, y)dy
xi
n
X
Z
hi
Q
i=1
Z
f (x0 + h, y) f (x0 , y)
=
Q
f (x0 , y)dy
xi
n
X
i=1
hi
f
(x0 , y)dy
xi
Z
(f (x0 + h, y) f (x0 , y) x f (x0 , y) h)dy
=
Q
Z Z
=
Q
t [0, 1] y Q
vol(Q)
5.5. LA FORMULA
DE CAMBIO DE VARIABLES
138
lo que implica que
|F (x0 + h) F (x0 )
n
X
Z
hi
i=1
Z Z
f
(x0 , y)dy|
xi
Z Z
khk = khk
vol(Q)
Pn
i=1
hi
f
(x0 , y)dy|
Q xi
F (x0 ) =
xi
Z
Q
f (x0 , y)dy
xi
5.5.
La f
ormula de cambio de variables
Recordemos la f
ormula de cambio de variables
Z
Z
g(x)dx =
g(f (y))| det Df (y)|dy
f ()
g (x) =
0
x
/ f ()
g(x) x f ()
y
(g f | det Df |) =
0
y
/
g(f (y))| det Df (y)| y
son integrables.
Para demostrar la f
ormula de cambio de variables, tenemos que dar una definicion de integrabilidad
un poco m
as fuerte.
Definici
on 5.4. A Rn se dice v-medible si A es compacto y su frontera es la union finita de
grafos de funciones continuas.
Ejemplo 5.17. A = [a, b]n con a y b finitos es v-medible
Ejemplo 5.18. Si A es v-medible, y f es un difeomorfismo, entonces f (A) en v-medible
5.5. LA FORMULA
DE CAMBIO DE VARIABLES
139
1A (x) =
0
1
x
/ A
xA
Definici
on 5.5. Sea A un conjunto v-medible. Una descomposicion D de A es una coleccion de
conjuntos C1 , ..., Ck tales que
Ci es v-medible, i = 1, ..., k
A = C1 ... Ck
int(Ci Cj ) = , si i 6= j
Se define tambien el diametro de la descomposicion D como
diam(D) = max diam(Ci )
1ik
Definici
on 5.7. Decimos que f es v-integrable sobre A, conjunto v-medible, si existe I R tal
que
> 0 > 0 tal que D desc. de A,
(diam(D) < asociado a D) |S(f, D, ) I| <
R
Si tal I existe, es u
nico y denotamos I = A f (x)dx. La demostracion de esto u
ltimo queda de
tarea.
Con esta definici
on podemos seguir paso a paso la demostracion ya hecha para probar la proposicion
siguiente
Proposici
on 5.1. f : A R continua f es v-integrable
Tambien se puede demostrar que si f : A R es acotada y continua salvo sobre el grafo de un
n
umero finito de funciones continuas, entonces f es v-integrable.
Teorema 5.12. (Teorema del cambio de variables)
Sea v-medible y f : U V un difeomorfismo, U . Sea g : f () R v-integrable. Entonces
g f : R es v-integrable y
Z
Z
g(x)dx =
g(f (y))| det Df (y)|dy
f ()
5.5. LA FORMULA
DE CAMBIO DE VARIABLES
140
La demostraci
on del teorema tiene dos partes: Primero el caso en que f es una funcion lineal y
luego el caso general.
n. (Caso f lineal)
Demostracio
La demostraci
on ya fue hecha para R3 , y se extiende de manera analoga a Rn , por lo que supondremos cierto el resultado en el caso lineal. Asi tenemos, si T es lineal que
Z
Z
vol(T (A)) =
1=
1| det T | = vol(A)| det T | A v-medible
T (A)
Para el caso general necesitamos dos lemas previos que se describen a continuacion
Lema 5.2. Sea U abierto, X U compacto y : U U R continua tal que (x, x) = 1 x U .
Entonces > 0 > 0 tal que
x, y X kx yk < |(x, y) 1| <
n. Puesto que X es compacto, entonces X X U U tambien es compacto,
Demostracio
por lo que ser
a uniformemente continua sobre X X. Luego, dado > 0 > 0 tal que
kx zk + ky wk = k(x, y) (z, w)k < |(x, y) (z, w)| < , en particular, si kx yk <
entonces k(x, y) (x, x)k < lo que implica que |(x, y) (x, x)| = |(x, y) 1| <
Lema 5.3. Sean U, V Rn abiertos y f : U V un difeomorfismo de clase C 1 . Sea X U un
compacto v-medible y M =Psup{kDf (x)k/x X}.(Donde kk es cualquier norma matricial, por
n
ejemplo kAk = m
ax1in { j=1 |aij |}) Entonces
vol(f (X)) M n vol(X)
n. Demostremos primero el caso en que X es un cubo, con centro p y lado 2a, es
Demostracio
decir,
n
Y
X = [p1 a, p1 + a] ... [pn a, pn + a] =
[pi a, pi + a]
i=1
Por la desigualdad del valor medio tenemos que |fi (x) fi (p)| M a y por lo tanto
kf (x) f (p)k M a x X
es decir, f (x) est
a a distancia a lo m
as M a de f (p) para todo x X , entonces
f (X)
=
Qn
El caso general lo hacemos por aproximacion. Sea > 0, entonces existe un abierto tal que
X U y kDf (x)k M + para todo x (Por la continuidad de Df ).
El conjunto X se puede cubrir por un n
umero finito de cubos con interiores disjuntos contenidos
en
k
[
X
Ci
i=1
5.5. LA FORMULA
DE CAMBIO DE VARIABLES
141
con int(Ci ) int(Ci ) = si i 6= j. Ademas los cubos se pueden suponer tan peque
nos que
k
X
vol(Ci ) vol(X) +
i=1
Luego
f (X)
k
[
i=1
k
X
vol(f (Ci ))
i=1
k
X
Min vol(Ci )
i=1
de igual manera
vol(Ci ) | det(Ti1 )|vol(f (Ci ))Min
De lo anterior se obtiene que
vol(Ci )| det(Ti )| vol(f (Ci )) vol(f (Ci ))(Min 1)
vol(Ci )| det(Ti )| vol(f (Ci )) vol(Ci )| det(Ti )|(1 Nin )
Definamos tambien (x, y) = k(f 0 (y))1 f 0 (x)k, de este modo (x, x) = 1 para todo x .
Luego, gracias a los lemas anteriores, dado > 0 existe > 0 tal que si diam(D) < entonces
|Nin 1| < |Min 1| <
De todo lo anterior, se concluye que existe una constante B tal que
|vol(Ci )| det(Ti )| vol(f (Ci ))| < Bvol(f (Ci ))
5.5. LA FORMULA
DE CAMBIO DE VARIABLES
142
Seg
un la definici
on de v-integrable debemos comparar la suma de Riemann de h R:= g f | det Df |
asociada la partici
on D y a los puntos con el supuesto valor de la integral: I = f () g(x)dx
Z
|S(h, D, )
g(x)dx|
f ()
= |
k
X
Z
g(f (i ))| det(Ti )|vol(Ci )
g(x)dx|
f ()
i=1
k
X
k
X
i=1
.. + |
k
X
Z
g(f (i ))vol(f (Ci ))
g(x)dx|
f ()
i=1
i=1
k
X
i=1
.. + |
k
X
Z
g(f (i ))vol(f (Ci ))
k
X
g(x)dx|
f ()
i=1
Z
|g(f (i ))|vol(f (Ci )) + |S(g, Df, f ())
g(x)dx|
f ()
i=1
En la u
ltima desigualdad, gracias a que g es v-integrable sobre f () tenemos que la sumatoria de
la izquierda est
a acotada y el termino de la derecha se puede hacer tan peque
no como se desee
pues la integral es u
nica.
g(x)dx
f ()
Captulo 6
Teorema de Karush-Kuhn-Tucker
Motivaci
on: En los ejemplos de la seccion 5.3.2 notamos una limitacon de la tecnica de los
multiplicadores de Lagrange cuando se presentan restricciones con desigualdad y desde el punto de
vista del desarrollo algebraico cuando la solucion no es necesariamente interior. Esto se evidencia
claramente en el desarrollo del problema 5.13. Ademas, la validez de este metodo se tiene s
olo
cuando se presentan problemas con restricciones de igualdad.
Tenemos adem
as la limitaci
on de que los gradientes de la funcion objetivo y las restricciones deben
ser linealmente independientes en el optimo. Esto es una hipotesis demasiado fuerte y restrictiva.
6.1.
Introducci
on
mn
x
f (x)
xS
(6.1)
6.1. INTRODUCCION
144
Definici
on 6.1. (Espacio tangente)
El espacio tangente a S en x0 corresponde al conjunto
xn x0
kxn x0 k
tal que kdn k = 1 y entonces {dn } es acotada por lo que tiene una subsucesion convergente. En
base a esto es posible suponer que converge a d0 TS (x0 ) \ {0}. La expansion de Taylor de f (xn )
est
a dada por
f (x0 ) + f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k)
esto m
as la condici
on f (xn ) f (x0 ) conducen a
f (x0 ) (xn x0 ) + kxn x0 kR1 (kxn x0 k) 0
diviendo por kxn x0 k y tomando lmite cuando n
f (x0 ) d0 0
lo cual contradice el supuesto.
Nota 6.1. La condici
on necesaria no es suficiente y la condicion suficiente no es necesaria.
Ejemplo 6.1. Consideremos los casos:
6.1. INTRODUCCION
145
1. f (x) = x3 y S = [1, 1]. La condicion necesaria nos dice que el mnimo local es x0 = 0,
entonces f 0 (x0 ) = 0 y TS (x0 ) = R. Se tiene que x0 no es mnimo local y la condici
on
necesaria se cumple pero no asegura la minimalidad local.
2. f (x) = x2 y S = [1, 1]. La condicion necesaria nos dice que el mnimo local es x0 = 0,
entonces f 0 (x0 ) = 0 y TS (x0 ) = R. Se tiene que x0 es mnimo local y la condicion suficiente
no se cumple pese a que x0 = 0 cumple con ser un mnimo local del problema.
Definici
on 6.2. (Espacio normal)
El espacio normal a S en x0 corresponde al conjunto
NS (x0 ) = {u Rn : u d 0 d TS (x0 )}
y a partir de esta definici
on la condicion necesaria corresponde a
f (x0 ) NS (x0 )
Teorema 6.3. Sea f : D Rn R una funci
on convexa y diferenciable en un convexo D tal que
S D. Entonces f tiene un mnimo global en x0 en S si y s
olo si
f (x0 ) d 0 d TS (x0 )
n. Una forma de demostrar esta propiedad es mediante la condicion necesaria la cual
Demostracio
implica que f tiene un mnimo global en x0 . Sea x S, entonces si definimos x = (1 tk )x0 + tk x
con tk 0 se tiene que x S que implica x x0 y obtenemos que x x0 TS (x0 ). A partir
de la convexidad de f tenemos que
f (x) f (x0 ) + f (x0 ) (x x0 )
esto m
as la condici
on necesaria implican
f (x) f (x0 )
y se concluye que x0 es mnimo global de f en S.
mn
f (x)
s.a
gi (x) = 0
hj (x) 0
i = {1, . . . , k}
j = {1, . . . , m}
(6.2)
146
6.2.
Demostraci
on utilizando el teorema de la funci
on implcita
Definici
on 6.4. (Espacios normal y tangente)
Por analoga con la definici
on 5.2 definiremos la superficie
S := {gi (x) = 0, hj (x) = 0 i = {1, . . . , k}, j J(x0 )}
en torno a x0 y as tenemos que los espacios normal y tangente corresponden a
NS (x0 ) = h{gi (x0 ), hj (x0 )}i i = {1, . . . , k}, j J
TS (x0 ) = NS (x0 ) = {v Rn : v gi (x0 ) = 0 v hj (x0 ) 0 i = {1, . . . , k}, j J}
Lema 6.1. (An
alogo a lema 5.1)
Consideremos el siguiente problema de optimizaci
on
P 0)
mn
f (x)
s.a
gi (x) = 0
hj (x) = 0
i = {1, . . . , k}
j J(x0 )
(6.3)
=
..
.
= 0
= 0
..
.
=
El vector x0 satisface las ecuaciones, y la matriz jacobiana del sistema esta dada por
g1 (x0 )
..
hp (x0 )
b1
..
.
bnq1
147
que es una matriz de rango n 1 por lo que podemos seleccionar n 1 columnas tales que la matriz
resultante sea invertible y gracias al teorema de la funcion implcita (teorema 5.2) podemos despejar
n1 variables en funci
on de la restante en una vecindad de x0 . Entonces existe : I = (, ) Rn
tal que gi ((t)) = 0, hj ((t)) = 0 t I y ((t) x0 ) bh = 0 t, h = {1, . . . , n q 1}.
Derivando las ecuaciones anteriores con respecto a t y evaluando en t = 0 se obtiene que
0 (0) bh
gi (x0 ) 0 (0)
hj (x0 ) 0 (0)
= 0 h = {1, . . . , n q 1}
= 0 i = {1, . . . , k}
= 0 j J(x0 )
k
X
i gi (x0 ) +
i=1
m
X
j hj (x0 ) = 0
(1)
j=1
j hj (x0 ) = 0 j = {1, . . . , m}
(2)
j 0 j = {1, . . . , m}
(3)
Cuando f, gi , hi son convexas las condiciones descritas son suficientes para que x0 sea un mnimo
de f en S.
n. Haremos la demostracion en tres partes.
Demostracio
Para la condici
on (1), usando el lema 6.1, consideremos la superficie S de la definicion 6.4 y
as v TS (x0 ) existe : I R Rn , 0 I con gi ((t)) = 0, hj ((t)) 0 (t I) y adem
as
(0) = x0 tal que 0 (0) = v.
Si x0 es soluci
on del problema 6.2 entonces existe r > 0 tal que f (x0 ) f (x) x B(x0 , r) S.
Juntando esto con lo anterior tenemos que
f (x0 ) = f ((0)) f ((t)) t (1 , 1 )
Dado esto, t0 = 0 minimiza f ((t)) entonces
d
f ((t))
= f (x0 ) 0 (0) = 0
dt
t=0
y dado que x0 es un vector regular de 6.2 tambien lo es de S por como definimos J(x0 ).
En consecuencia, todo vector v en el espacio tangente TS (x0 ) a S en x0 esta dado por v = 0 (0)
para alguna funci
on 0 (t) y de esta forma f (x0 ) es una combinacion lineal de {gi (x0 ), hj (x0 )}
i = {1, . . . , k}, j J(x0 ). El lema 6.1 nos dice que si x0 es un mnimo local de f restringido a S,
lo anterior es equivalente a que v f (x0 ) = 0 para v TS (x0 ), es decir f (x0 ) NS (x0 ) lo que
implica que
k
X
X
f (x0 ) +
i gi (x0 ) +
j hj (x0 ) = 0
i=1
jJ(x0 )
148
f (x0 ) +
k
X
i gi (x0 ) +
i=1
m
X
j hj (x0 ) = 0
j=1
De esto u
ltimo tenemos que f (x0 ) TS (x0 ) ya que por definicion de TS (x0 ) y NS (x0 ) tenemos
que TS (x0 ) = NS (x0 ) lo que nos lleva a TS (x0 ) = NS (x0 ) y as j = 0 j
/ J(x0 ).
La condici
on (2) se demuestra directamente a partir de lo siguiente: Dado cualquier j tal que
1 j m pueden ocurrir uno de los siguientes casos:
1. j J(x0 ) y en tal caso hj (x0 ) = 0
2. j
/ J(x0 ) y en tal caso j = 0
Finalmente, la condici
on (3) se demuestra por contradiccion. Supongamos que j < 0 y hj (x0 ) < 0
para alg
un j tal que 1 j m y j
/ J(x0 ), como el multiplicador no se anula debera cumplirse
que j J ya que j
/ J(x0 ) en caso de que j = 0.
De acuerdo al lema 6.1 existe v TS (x0 ) tal que v hj (x0 ) < 0 y as
v f (x0 ) =
k
X
i (v gi (x0 )) +
i=1
m
X
j (v hj (x0 ))
j=1
Se obtiene
d
f ((t))
= v f (x0 )
dt
t=0
=
k
X
i (v gi (x0 ))
i=1
m
X
j (v hj (x0 ))
j=1
= j (v hj (x0 ))
<0
y se contradice el hecho de que t0 = 0 minimiza (t) y que x0 es solucion de 6.2 por lo que existira
t (2 , 2 ) tal que (t) (0).
6.3.
149
Teorema de separaci
on de convexos y lema de Farkas
Teorema 6.5. (Teorema de separacion de convexos) Sean A y B dos conjuntos convexos, disjuntos
y diferentes de vaco en Rn . Si A es cerrado y B es compacto existe p Rm \ {0} tal que
p a < p b (a, b) A B
n. Si A es cerrado definamos la funcion
Demostracio
f :BR
b 7 mn kb ak
aA
b yb
kb yb k
est
a bien definido y es tal que kpk = 1.
Como p p > 0 se tiene que
p
b yb
>0
kb yb k
(*)
En base a esto u
ltimo debemos demostrar que p b p b y p a < p yb .
Fijando a A definamos la funci
on
g : [0, 1] R
7 kb yb (a yb )k2
como A es convexo g tiene un mnimo en = 0, entonces
g() = (hb yb (a yb ), b yb (a yb )i)2
= (hb yb , b yb i 2hb yb , a yb i + 2 ha yb a yb i)2
g
= hb yb , a yb i + ha yb a yb i
luego
g
= (b yb ) (a yb ) 0
=0
dividiendo por kb yb k se concluye que
p a p yb
Fijando b B definamos la funci
on
h :[0, 1] R
7 kb yb (b yb )k2
(**)
150
(***)
Geometricamente el teorema da la nocion de mnima distancia entre dos conjuntos la cual queda
caracterizada por la existencia de un hiperplano definido por H = {x Rn : p x = } dados
p Rn y R fijos. La siguiente figura es u
til para fijar ideas:
B
b
d = |b
a
a|
C2 = {b}
UTILIZANDO SEPARACION
DE CONVEXOS
6.4. DEMOSTRACION
151
son disjuntos. Notemos que C1 y C2 son cerrados, convexos y diferentes de vaco y ademas C2 es
compacto. Esto u
ltimo nos permite aplicar el teorema 6.5 y se concluye que existen c Rn \ {0}
y R tales que
c x > , x C1 y c (AT p) > , p 0
De esta forma si p = 0 entonces < 0. Si escogemos p = (0, . . . , pi , . . . , 0) con i = 1, . . . , m tal que
pi > 0, entonces cAT 0 y en consecuencia Ac 0. Se concluye que d = c es una solucion del
sistema Ad 0, b d < 0.
Si AT p = b, p 0 tiene soluci
on y Ay 0, entonces b y = p (Ay).
6.4.
Demostraci
on utilizando separaci
on de convexos
152
UTILIZANDO SEPARACION
DE CONVEXOS
6.4. DEMOSTRACION
Es an
alogo para verificar que gi (x0 ) d = 0.
LS (x0 ) TS (x0 ): Sea d LS (x0 ) y consideremos el sistema no lineal en las variables (t, u)
gi (x + td + Au) = 0, i I
donde A es la matriz cuyas columnas son gi (x0 ). El punto (t, u) = (0, 0) es solucion del sistema y
la matriz Jacobiana respecto de u en (0, 0) es AT A la cual es invertible de acuerdo a las condiciones
de regularidad establecidas. Por medio del teorema de la funcion implcita es posible concluir que
existe una soluci
on u(t) diferenciable en torno a t = 0 con u(t) = 0. De esta forma se tiene que
x0 (t) = x0 + td + Au(t)
satisface la igualdad gi (x0 (t)) = 0 i I, t B(0, r). De esto es posible concluir que
du(t)
d
gi (x0 (t))(0) = gi (x0 ) d + A
dt
dt
t=0
a partir de gi (x0 ) d = 0 y la invertibilidad AT A se concluye que
du(t)
dx(t)
=
0
y
por
lo
tanto
=d
dt t=0
dt t=0
La trayectoria x0 (t) satisface las igualdades gi (x0 (t)) = 0. Para las desigualdades supongamos
moment
aneamente que se tienen las desigualdades estrictas hj (x0 ) d < 0 j J(x0 ). En tal
caso, dado que
hj (x0 (t)) = hj (x0 ) + thj (x0 ) d + tr(t)
con r(t) 0 en la medida que t 0, se tiene que hj (x0 (t)) < 0 j J con t 0.
Lo anterior demuestra que x0 (t) S cuando t 0 y dado que d = lmn (xn x0 )/tn para
cualquier sucesi
on {tn }nN 0+ y se concluye que d TS (x0 ).
d LS (x0 ) sin suponer desigualdades estrictas: Para cada > 0, el vector d = d + d LS (x0 )
y satisface las desigualdades estrictas hj (x0 ) d < 0 j J(x0 ). De la segunda parte de la
demostraci
on se concluye que d TS (x0 ). Como TS (x0 ) es cerrado, en la medida que 0 se
concluye que d TS (x0 ).
Teorema 6.7. (Teorema de Karush-Kuhn-Tucker)
Consideremos el problema 6.2 bajo las condiciones de Mangasarian-Fromovitz y se tendr
a que
TS (x0 ) = LS (x0 ). Entonces una condici
on necesaria para que x0 sea un mnimo local de x0 en
S es que exista un vector (, ) Rk Rm
+ , que corresponde a una familia de multiplicadores de
Karush-Kuhn-Tucker asociados con x0 , tal que
f (x0 ) +
k
X
i=1
i gi (x0 ) +
m
X
j hj (x0 ) = 0
(1)
j=1
j hj (x0 ) = 0 j = {1, . . . , m}
(2)
j 0 j = {1, . . . , m}
(3)
Cuando f, gi , hi son convexas las condiciones descritas son suficientes para que x0 sea un mnimo
de f en S.
UTILIZANDO SEPARACION
DE CONVEXOS
6.4. DEMOSTRACION
153
n. De la condici
Demostracio
on necesaria se tiene que x0 es un mnimo local de f en S si
f (x0 ) d 0 d TS (x0 )
Luego, cumplendose las condiciones de Mangasarian-Fromovitz se tiene que TS (x0 ) = LS (x0 ) y
ser
a posible aplicar el lema de Farkas (lema 6.2).
El lema nos dice que dado Ad 0 se cumple que b d 0. La condicion gi (x0 ) d = 0 i I se
puede expresar convenientemente como
gi (x0 ) d 0
gi (x0 ) d 0 i I
gi (x0 )T
A = gi (x0 )T
hj (x0 )T iI, jJ
b = f (x0 )
jJ
jJ
jJ
jJ
i gi (x0 ) +
iI
j hj (x0 ) = 0
(*)
jJ
k
X
i=1
i gi (x0 ) +
m
X
j hj (x0 ) = 0
j=1
j hj (x0 ) = 0 j = {1, . . . , m}
j 0 j = {1, . . . , m}
154
6.5. EJEMPLOS
Nota 6.2. Con lo ya discutido en la seccion 5.3 el teorema 6.4 tambien es valido para la maximizaci
on si consideramos restricciones de la forma hj (x0 ) 0 j = {1, . . . , m}. Una condicion
necesaria para que un vector regular y factible x0 sea maximo de f en S es que se cumplan las
condiciones que describe el teorema y cuando f, gi , hj son concavas la condicion es suficiente. Los
multiplicadores j siguen siendo no negativos para el caso de maximizacion.
Nota 6.3. Respecto de los signos de los multiplicadores, no hay restriccion de signo para los multiplicadores asociados a las restricciones de igualdad. En el caso de restricciones de desigualdad,
el signo de los multiplicadores depende de si estamos empleando un criterio de maximizacion o
minimizaci
on y si las restricciones se dejan como mayores o iguales a cero.
Si el problema es de minimizaci
on sujeto a restricciones de menor o igual entonces los multiplicadores son mayores o iguales a cero y se incluyen con signo positivo en la funcion Lagrangeano. Si
estamos maximizando con restricciones de mayor o igual no cambia el signo de los multiplicadores.
6.5.
Ejemplos
Ejemplo 6.2. Imagine una cadena de 16 cm de largo que cuelga de dos extremos como en la
siguiente figura:
16 cm
1 cm
cadena
eslabon
6.5. EJEMPLOS
155
eslabones. Podemos tomar la parte superior de la cadena como punto de referencia y asumir que
todos los eslabones son iguales y su masa se concentra en su centro.
Si cada eslab
on pesa 1 gr, entonces la energa potencial de la cadena esta dada por
1
1
1
1
EP = y1 + y1 + y2 + y1 + y2 + y3 + . . . + y1 + . . . + yn1 + yn
2
2
2
2
n
X
1
EP =
ni+
yi
2
i=1
Entonces, el problema es
mn
x
s.a
20
X
1
yi
2
i=1
20
20
X
X
xi h,
yi 0, x2i + yi2 = 1
i=1
ni+
i=1
20
X
!
yi 0
i=1
20
X
i (x2i + yi2 1)
i=1
En la segunda ecuaci
on s
olo un i (y por ende un yi ) puede anualarse. Como yi > 0 mas el hecho
anterior, tenemos que la u
nica forma de que la primera ecuacion sea cero es con 1 > 0 que
cumple la condici
on del teorema. Esto nos sirve como argumento para afimar que todos los i son
estrictamente
positivos. Por u
ltimo, las conclusiones anteriores mas la segunda ecuacion y el hecho
P20
que i=1 yi = 0 permiten concluir que 2 > 0. Es decir, todos los multiplicadores son positivos.
Consideremos el caso en que 1 < h < 20. Intuitivamente la solucion optima cumple que xi > 0 para
todo i y las dos restricciones de mayor o igual se cumplen con igualdad. En este caso existira un
u
nico multiplicador (1 , 2 , 1 , . . . , n ) con 1 y 2 mayores o iguales a cero.
Tambien es posible reemplazar en la primera restriccion a partir de la tercera restriccion y se
obtiene
20
X
1
mn
ni+
yi
x
2
i=1
20 q
20
X
X
2
1 yi h,
yi 0, x, y > 0
s.a
i=1
i=1
La condici
on de primer orden tras dejar x en funcion de y lleva a
1
yi
ni+
1 p
+ 2 = 0
2
1 yi2
entonces
como
P20
i=1
n i + 21 + 2
yi = q
21 + (n i + 12 + 2 )2
yi 0 es una restricci
on nos queda
n i + 12 + 2
yi = q
21 + (n i + 12 + 2 )2
156
6.5. EJEMPLOS
y una vez que se encuentre el valor de los multiplicadores se llega a la condicion de equilibrio.
Utilizando argumentos de simetra (tarea) se llega a
2 =
n
2
Sin embargo no es posible utilizar un argumento de simetra para obtener un valor 1 en funcion
de h y el n
umero de eslabones n (tarea).
En el caso en que el n
umero de eslabones fuera impar, el argumento empleado para obtener 2
cambia ligeramente. Queda de tarea probar que en el caso h = n no existen multiplicadores.
Ejemplo 6.3. La empresa Sol S.A. instala calefactores solares modelo Basico (x) y modelo Premium (y) y lo que necesita es determinar su plan de produccion optimo. Seg
un un estudio, el
beneficio por cada unidad de producto instalada esta dado por
B
asico
Premium
800 x y
2000 x 3y
Donde x e y son las cantidades totales que instala de cada producto. Para instalacion se requiere
mano de obra y uso de maquinaria seg
un la siguiente tabla
Producto
B
asico
Premium
Disponibilidad
(horas/mes)
Recurso (horas/unidad)
Mano de obra Maquinaria
8
7
3
6
1200
2100
Se pide:
1. Plantear el problema de optimizacion y formular el Lagrangeano del problema.
2. Determinar todas las soluciones optimas y/o factibles.
n. El problema es
Solucio
m
ax
x,y
s.a
Antes de resolver debemos determinar si las condiciones de KKT son al menos necesarias para la
maximizaci
on. Para esto tenemos que el hessiano de la funcion corresponde a
2 2
H=
2 6
que es definido negativo porque (1)1 |H1 | > 0 y (1)2 |H2 | > 0 y as la funcion es concava por
lo que las condiciones de KKT son suficientes.
6.5. EJEMPLOS
157
El Lagrangeano corresponde a
L(x, ) = (800xy)x+(2000x3y)y+1 (12008x3y)+2 (21007x6y)+3 (x0)+4 (x0)
Entonces las condiciones de primer orden generan el siguiente sistema
800 2x 2y 81 72 + 3
=0
2000 2x 6y 31 62 + 4 = 0
y adem
as el teorema nos dice que debemos imponer las siguientes restricciones
1 (1200 8x 3y) = 0 1 0
2 (2100 7x 6y) = 0 2 0
3 x = 0 3 0
4 x = 0 4 0
Sea x0 > 0 e y0 > 0, dejaremos de tarea los casos (x0 = 0, y0 > 0) y (x0 > 0, y0 = 0). Tenemos que
3 = 0 y 4 = 0 y sobre este resultado pueden pasar cuatro cosas
Caso 1: (1200 8x 3y = 0) y (2100 7x 6y = 0)
Entonces 1 > 0 y 2 > 0 por lo que las condiciones de KKT se reducen a
800 2x 2y 81 72 = 0
2000 2x 6y 31 62 = 0
1200 8x 3y = 0
2100 7x 6y = 0
x>0
y>0
Para resolver se desarrolla el sistema
2 2
2 6
8 3
7 6
8
3
0
0
x
7
800
6
y = 2000
1
0
1200
0
2
2100
y se obtiene
x0 = 33,
3
y0 = 311, 1
1 = 7, 407
2 = 7, 407
158
6.5. EJEMPLOS
2
2
8
7
2
6
3
6
7
x
800
6
y = 2000
0
2
2100
0
y se obtiene
x0 = 39, 394
y0 = 304, 04
2 = 16, 162
2 2
2 6
8 3
8
x
800
3 y = 2000
0
1
1200
y se obtiene
x0 = 31, 373
y0 = 316, 34
1 = 13, 072
2
6
x
800
=
y
2000
y se obtiene
x0 = 100
que es una soluci
on
optima pero no factible.
y0 = 300
6.5. EJEMPLOS
159
= E[( ) ] =
n X
n
X
xi ij xj
i=1 j=1
mn
x
xi ij xj
i=1 j=1
n
X
n
X
i=1
i=1
ri xi = y,
s.a
xi = 1
xi 0 i = 1, . . . , n
la u
ltima restricci
on nos sirve para normalizar las cantidades invertidas y si los pesos relativos
suman uno, bastar
a con ponderar la solucion optima por alg
un escalar y se obtiene la cantidad
pedida.
La funci
on lagrangeano para este problema es
L(x, , ) =
n X
n
X
xi ij xj + 1
i=1 j=1
n
X
i=1
!
ri xi y
+ 2
n
X
i=1
!
xi 1
n
X
i (xi 0)
i=1
Si la soluci
on es interior, es decir xi > 0 i se puede derivar con respecto a xi para la condicion de
primer orden y llegamos a
n
X
ij xj 1 ri 2 = 0
j=1
1
Q1 1 e + Q1 2 r
2
160
6.5. EJEMPLOS
y as se obtendr
an las soluciones (x01 , . . . , x0n )
Por sustituci
on
x0 e = 1
x0 r = y
entonces
1
1
e (Q1 e)1 + e (Q1 r)2
2
2
1
1
1
y = x0 r = r (Q e)1 + r (Q1 r)2
2
2
como esto genera un sistema de ecuaciones se puede resolver para despejar 1 y 2 que son escalares
de la forma a + bx y se obtiene
1 = x0 e =
1 = a1 + b1 y
2 = a2 + b2 y
donde a y b son constantes que dependen del sistema anterior. Retomando la ecuacion
x0 e = 1
x0 r = y
si reemplazamos 1 y 2 se llega a
x0 = yv + w
donde v y w son vectores de Rn que dependen de Q y r, luego la varianza de la inversion es
2 = (yv + w) [Q(yv + w)] = (y + )2 +
donde , y dependen de Q y r.
En base a esto se puede construir una frontera de portafolios eficientes. Cada portafolio eficiente
corresponde a un promedio ponderado de dos portafolios que se encuentren en la frontera de
eficiencia como se ve en la siguiente figura:
y
= y +
rf
Frontera de eficiencia
Captulo 7
Ejercicios
7.1.
n
X
i (x ei )ei
x Rn .
i=1
162
p
x2 + y 2 , artan(y/x))
para x > 0.
1. Encontrar D(g f )(u, v) y D(f g)(x, y).
2. Determinar si Dom(f ) = Dom(g f ), y si Dom(g) = Dom(g f ).
Ejercicio 8. Sea g : R3 R2 y f : R2 R2 donde g(1, 1, 1) = (2, 3).Se tiene que
1 2
xy 2 z 2
Df (2, 3) =
y f g(x, y, z) =
2 1
x2 y 2 z
En base a esto calcule
g2
y (1, 1, 1).
Lmites y continuidad
Ejercicio 9. Analice el interior, la adherencia, el derivado y la frontera de
A=
B
k=2
[
1
3
1
, 0 , k+1
B
,0 ,
.
2k+1
2
4
4
3
163
2. 2xy xx2 y
+y 2
6. |x|
x2 y 2
x2 +y 2
3.
xy 2
x2 +y 4
7.
2
xy
(x2 +y 2 ) x2 +y 2
4.
tan(x)tan(y)
cot(x)cot(y)
8.
sen(xy)
xy 3
xx0
164
Ejercicio 18. Sea f : Rn Rm definida por f (x) = a + Ax, donde a Rn y A Mmn (R).
Demuestre que:
1. f es continua en Rn .
2. f es diferenciable en todo x y Df (x) = A.
Ejercicio 19. Sea f : Rn Rm . Pruebe que las siguientes proposiciones son equivalentes:
1. f es continua en todo punto de Rn .
2. (A Rm abierto) f 1 (A) es abierto en Rn .
3. (B Rm cerrado) f 1 (A) es cerrado en Rn .
n. Para la segunda pruebe antes que f 1 (Ac ) = f 1 (A)c .
Indicacio
Diferenciabilidad de funciones de Rn a Rm
Ejercicio 20. Demuestre por definici
on que f (x, y) = sen(x + y) es diferenciable en (0, 0).
Ejercicio 21. Encuentre la matriz Jacobiana de la funcion definida por
f (x, y) = (xey , x2 + y cos(x + y), tanh(xy))
(
5. f (x, y) =
6. f (x, y) =
xy 2
x2 +y 2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
(
1
xy 2 sen xy
si xy 6= 0
0
k
2
y xx2 y
+y 2
k
xy k
x2 +y 2
7. f (x, y) =
8. f (x, y) =
si xy = 0
si (x, y) 6= 0
si (x, y) = 0
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
165
4. Calcule las segundas derivadas de f en los casos que sea posible y en caso de que las derivadas
cruzadas no sean simetricas explique por que.
Ejercicio 23. Sea S = {x R2 : kxk = 1}. Sea g : S R una funcion continua tal que
g(1, 0) = g(0, 1) = 0 y g(x) = g(x), x R2
Sea f : R2 R la funci
on definida por
f (x) =
(
x
kxkg kxk
si x 6= 0
si x = 0
f (0) = (1, 1)
Ejercicio 28. Si f (x, y, z) = sen(x), F (t) = (cos(t), sen(t), t), encontrar g 0 () donde g(t) =
f (F (t)).
166
Gradiente y geometra
Ejercicio 29. Sea f : R2 R continua y diferenciable. Sea Gf = {[(x, y), f (x, y)] : (x, y)
Dom(f )} el grafo de f . Sea F : R3 R tal que F (x, y, z) = z f (x, y).
1. Muestre que Gf corresponde a un conjunto de nivel de F .
f
2. Demuestre que F = ( f
x , y , 1).
1. f (x, y) = logx y
2. f (x, y) = x2 y 2 sen(y) en (a, b)
3. f (x, y, z) = x2 + y 2 z 2
4. f (x, y) = (ex cos(y), ex sen(y))
Ejercicio 31. Encuentre 3 casos en los que una funcion f : R3 R tenga derivadas direccionales
en un punto x0 , sin ser diferenciable en x0 .
Ejercicio 32. Sea f : R2 R la funci
on definida por
(
(x2 + y 2 ) sen (x2 +y12 )1/2
(x, y) 6= (0, 0)
f (x, y) =
0
(x, y) = (0, 0)
1. Calcular f (0, 0).
2. Probar que f es diferenciable en (0, 0).
3. Probar que
f
x
f
y
1
x2 +y 2 +z 2
Ejercicio 36. Sean f (x, y) = x2 +y 2 y g(x, y) = exy . Determine los puntos (x, y) donde la derivada
direccional de f en la direcci
on de m
aximo crecimiento de g es igual a la derivada direccional de g
en la direcci
on de m
aximo crecimiento de f .
167
+y
g(u, v, w) = sen(uv + w)
168
7.2.
lm
kxk+
m
aximo global.
Ejercicio 4. Sea u(x, y) una funci
on con derivadas parciales continuas de orden 2 y considere la
funci
on v(s, t) = u(es cos(t), es sen(t)). Demuestre que
2
2v 2v
u 2u
2s
+
=
e
+
s2
t2
x2
y 2
Ejercicio 5. Considere la funcion u : Rn+1 R, definida como
kxk2
1
4k2 ,
xi
= tm1
n
X
f (x1 , . . . , xn )
i=1
xi
n
X
1
xi
f (x)
xi
169
h0
R2 (x0 , h)
=0
khk
2f
y 2 (x, y)
c (x) =
2f
yx (x, c(x))
2f
y 2 (x, c(x))
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
2f
2f
(0, 0) =
(0, 0)?. Justifique.
xy
yx
170
lm
kxk+
para alg
un x0 R2 . Pruebe que f posee un mnimo global.
2
+y 2 )
Funciones c
oncavas y convexas
Ejercicio 18. Dados v R3 \ {0} y > 0, se llama cono de Bishop-Phelps al conjunto
K(v, ) = {x R3 : kvkkxk hv, xi}
Demuestre que K(v, ) es convexo para todo v R3 \ {0} y > 0.
Ejercicio 19. Dados a, b R2 y [0, 1] se llama petalo de Penot al conjunto
P (a, b) = {x R2 : ka xk + kx bk kb ak}
Demuestre que K(v, ) es convexo para todo a, b R2 y [0, 1].
Ejercicio 20. Sea g : Rn R una funcion convexa. Se define f (x) = exp[g(x)]. Demuestre que f
es convexa.
171
Extremos restringidos
Ejercicio 21. Para p, q, r n
umeros racionales positivos, considere la funcion f (x, y, z) = xp y q z r y
determine el mayor valor de f (x, y, z) cuando x + y + z = a, x > 0, y > 0 y z > 0.
Ejercicio 22. Determine todos los valores extremos de f (x, y) = x2 + y 2 + z en la region x2 + y 2 +
z 2 1, z 0.
Ejercicio 23. Dada la funci
on f : R3 R tal que f (x, y, z) = xy + z, determine si existe
mnimos
y m
aximos globales de f en la region A = (x, y, z) R3 : x2 + y 2 xy + z 2 1 . En caso de
existir, calc
ulelos.
Ejercicio 24. Resuelva el siguiente problema:
mn
x2 y 2
s.a
x2 + y 2 = 1
x,y
x+y+z
s.a
x2 + y 2 = 2
x,y,z
x+z =1
Ejercicio 26. De un cart
on de 20m2 se va a construir una caja rectangular sin tapa. Determine
el m
aximo volumen de la caja utilizando multiplicadores de Lagrange.
Ejercicio 27. Sean a, b, c R++ . Considere la funcion
f (x, y, z) = xa y b z c
Determine el mayor valor de f (x, y, z) mediante multiplicadores de Lagrange cuando
x+y+z =a
x, y, z > 0
172
xp
yq
+
p
q
sujeto a x, y > 0 y xy = 1. Usar este resultado para deducir la siguiente desigualdad cuando
1
1
p + q = 1 y x, y > 0
yq
xp
+
xy
p
q
Ejercicio 32. Do
na Paipa es una vendedora que tiene un carrito de sopaipillas a la entrada de
Beaucheff y desea maximizar sus utilidades (ingreso menos costos) de la venta diaria. Lo que se
sabe es:
1. La producci
on de sopaipillas es representable por medio de la funcion f : R3 R definida
por f (x, y, z) = xyz y (x, y, z) son los insumos aceite (x), masa (y) y gas (z).
2. Lo que interesa como horizonte de tiempo es la produccion de un da. Cada da se pueden
producir a lo m
as 500 sopaipillas.
3. El costo de los insumos es 15, 20 y 35 pesos respectivamente. Cada sopaipilla se vende a 100
pesos.
En base a esta informaci
on:
1. Plantee el problema de optimizacion.
2. Resuelva utilizando multiplicadores de Lagrange para obtener la cantidad optima que debe
vender.
3. Determine el margen de ganancia que tiene Do
na Paipa luego de un da de trabajo.
Ejercicio 33. Suponga que ahora Do
na Paipa logra instalar un local de pizzas frente al edificio
CEC. Nuevamente, lo que le interesa es maximizar las utilidades de la venta diaria. La produccion
de pizzas es representable por medio de la funcion f : R3 R definida por f (x, y, z) = (x2 + y 2 +
z 2 + w2 )1/2 y (x, y, z, w) son los insumos masa (x), queso (y), otro ingrediente (z) y electricidad
(w).
Ahora los costos son distintos y todos los insumos tienen un costo unitario de 100 pesos. Cada
pizza se vende a 500 pesos y se pueden producir a lo mas 200 pizzas por da.
En base a esta informaci
on plantee el problema de optimizacion y resuelva.
Ejercicio 1. La vi
na Don Pach
a produce tres tipos de vinos (Carmenere, Cavernet Sauvignon y
Merlot). Por razones enol
ogicas que no son parte del apunte la produccion de cada vino viene dada
por combinaciones de capital (K) y mano de obra (L) representables por medio de las funciones
1. Carmenere: f (K, L) = 0, 8K 0,3 L0,7
2. Cavernet Sauvignon: f (K, L) = KL
3. Merlot: f (K, L) = (K 1/2 + L1/2 )2
Si el costo de una unidad de capital es m y de una unidad mano de obra es n. Obtenga la demanda
por factores proveniente de la minimizacion de costos para cada caso, planteando el problema de
minimizaci
on general y resuelva utilizando multiplicadores de Lagrange.
173
2
(x, y)
1
1
x
2
y
7.3.
Integral de Riemann
Ejercicio 1. Sea R RN rect
angulo tal que V (R) > 0 y suponga que f : R R es continua en
R. Suponga que para toda funci
on continua g : R R se tiene
Z
fg = 0
R
Pruebe que f = 0 en R.
Ejercicio 2. Sea el rect
angulo R = [0, 1]2 R2 y la funcion f : R R dada por:
(
1
si x es irracional
f (x, y) =
3
4y si x es racional
1. Muestre que
R1R1
2. Muestre que
0
R
f no existe.
si (x, y)
/A
si (x, y) A
sen(xy)
xy
, A = {(x, y) : y x2 }
si x 6= y
si x = y
R
R
f =1
174
Zx
Zx
f (y)(x y)dx2
f (y)dy =
dx
0
25x
Z 2
Z0
25x
Z 2
f (x, y)dydx +
5
25x
Z 2
f (x, y)dydx
f (x, y)dydx +
Z4
0
2
2 x2
x
4 +2
Aplicaciones
Ejercicio 10. Calcule usando Fubini
2
sen x2 p
3
y 2 dxdy
x2
x2
y2
z2
+ 2 + 2 1}
2
a
b
c
4x2 + y 2 dxdy
4x2 8x+y 2 0
x
p
dxdy
x2 + y 2
Ejercicio 15. Calcule el volumen del solido que esta limitado por las superficies
p
z x2 + y 2 = 0
y
2z y 2 = 0
z = 10 x2 2y 2
175
x y 2
x2 +y 2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
Pruebe que
Z1 Z1
Z1 Z1
f (x, y)dxdy 6=
f (x, y)dydx
0
Donde S =
x2
a2
y2
b2
z2
c2
=1
S
2
Adem
as se definen las siguientes expresiones:
ZZZ
Mx =
x(x, y, z)dxdydz
Z VZ Z
My
y(x, y, z)dxdydz
Z VZ Z
Mz
z(x, y, z)dxdydz
V
176
1
(Mx , My , Mz )
M
Z1 Zx Zy
f (x, y, z)dxdydz
1 0
Donde S es la regi
on que describe el volumen del cilindro x2 + y 2 = a2 entre y los planos z = 0 y
z = 2.
Ejercicio 27. Describa el volumen del solido M acotado por los paraboloides z = x2 + y 2 y
z = 5(x2 + y 2 ) y los planos de ecuaciones z = 1 y z = 5. Calcule el volumen.
Ejercicio 28. Calcular
2
ZZ s
x
y2
z2
3
1
+
+
dxdydz
9
16 25
S
donde S =
x2
9
y2
16
z2
25
4.
(
S2 =
0x1
0 y (x 1)2
7.4.
177
Ejercicio 3. Sea E el espacio vectorial de los polinomios de una variable real con coeficientes
reales. Definamos la funci
on k k : E R por
kpk = max |p(x)|
p E
x[0,1]
178
Sucesiones en un e.v.n
Ejercicio 11. Considere el espacio vectorial C([0, 1], R) de las funciones continuas f : [0, 1] R.
Definamos la sucesi
on {fk } por:
si x [0, 1/2]
1
fk = 2k (x 1/2) + 1 si x [1/2, 2k + 1/2]
0
si x [2k + 1/2, 1]
1. Verificar que fk C([0, 1], R) k N.
2. Se define la norma k k1 en C([0, 1], R), como kf k1 =
R1
espacio.
179
Ejercicio 12. Demuestre que si {pk } es una sucesion en E convergente a un polinomio p entonces
pk (x) p(x) x [0, 1]
Ejercicio 13. Sea k k1 una norma en el e.v. E y {ak } una sucesion de Cauchy respecto de dicha
norma. Demostrar que si k k2 es otra norma en E equivalente a k k1 , entonces {ak } es sucesi
on
de Cauchy tambien respecto a k k2 .
Si E es Banach respecto a k k1 . Se puede decir que es Banach con k k2 ?
Ejercicio 14. Demuestre que dos sucesiones de Cauchy (xk ) y (yk ) en Rn tienen el mismo lmite
s y s
olo s lm kxk yk k = 0
k
sup
xE,x6=0
|Lx|
kxk
Ejercicio 16. Sea E 0 = {L : E R/L es lineal y continua} este conjunto se conoce como
espacio dual de E. Pruebe que E 0 es un espacio vectorial, y que
kLkE 0 =
|Lx|
= sup |Lx|
xE,x6=0 kxk
kxk1
sup
define una norma en E 0 . Pruebe tambien que E 0 es un espacio de Banach. (Aunque E no lo sea).
Ejercicio 17. Demuestre la siguiente caracterizacion de espacios de Banach. Sea E un e.v.n.
E es un espacio de Banach
s y s
olo s
{xn }nN E
X
kxi k <
i=1
xi converge en E
i=1
n. Para la implicaci
Indicacio
on (), dada una sucesion de Cauchy {xn }nN en E, construya una
P
subsucesi
on {xnk }kN tal que
kxnk+1 xnk k < . Luego concluya.
k=1
Ejercicio 18. Demuestre que el espacio L(Rn , Rm ) de todos las aplicaciones lineales ` de Rn en
Rm es un e.v.n. en el que toda sucesion de Cauchy converge debido a que Rn es e.v.n. y en Rm
toda sucesi
on de Cauchy converge.
n. Primero demuestre que una aplicacion lineal acotada es uniformemente continua y
Indicacio
que si una aplicaci
on lineal es continua en un punto, es acotada.
180
sen(u(s) + x)ds
1
2n
i {1, 2, . . . n}
(1/2) cos(xn + yn )
yn+1
(1/3) ln(1 + x2 + y 2 ) + 5
Compacidad
Ejercicio 26. Considere la sucesi
on {pk } en E definida por pk (x) = xk y demuestre que
1. kpk k = 1 para todo k N.
181
nf
kx yk = 0 entonces C D 6= .
nf
kx yk = 0 entonces no necesariamente A B 6= .
xC,yD
xC,yD
Ejercicio 30. Sean (X, kkX ) y (Y, kkY dos espacios vectoriales normados. Definimos (X Y, kk)
como el espacio vectorial normado donde (x, y) X Y x X y Y y la norma en X Y
se define como k(x, y)k = kxkX + kykY . Sean A X y B Y compactos. Demuestre que entonces
A B es compacto en X Y .
Ejercicio 31. Sea U = RN , es decir, el espacio de las sucesiones. Considere en U la norma
kxk = sup{|xi | : i N}
Indique cual(es) de los siguientes conjuntos son compactos:
1. B0 (0, 1) = {x U : |xi | 1, i N}
2. B1 (0, 1) = {x U : |xi | 1i , i N}
3. B2 (0, 1) = {x U : |xi | = 1, i N}
Ejercicio 32. Demuestre que las matrices ortogonales de n n forman un subconjunto compacto
de Rn Rn .
Ejercicio 33. Dado x Rn y k N, considere el conjunto
n
n
X
X
c(X, n) = {y Rn : y =
i xi , xi X, i 0,
i = 1}
i=1
i=1
182
7.5.
Teorema de la funci
on inversa
Ejercicio 2. Sea f : U Rn una funcion de clase C 1 en el abierto U Rn . Sea a U tal que
f 0 (a) es invertible. Muestre que
vol(f (B(a, r))
= |detf 0 (a)|
vol(B(a, r)
lm
r0
r0
Ejercicio 4. Para
f (u, v) = (u + [log(v)]2 , uw, w2 )
1. Muestre que f no es inyectiva
2. Encuentre un dominio de manera que la funcion sea inyectiva en
3. Calcule D(f 1 )(1, 0, 1) cuando f se considera en .
Ejercicio 5. Sea f (x, y) = (x2 y 2 , 2xy)
1. Demuestre que para todo (a, b) 6= (0, 0), f es invertible localmente en (a, b).
2. Demostrar que f no es inyectiva.
3. Calcular aproximadamente f 1 (3,01; 3,98). Use la formula de Taylor. Note que f (1, 2) =
(3, 4)
Ejercicio 6. Sean f (u, v) = (u2 + u2 v + 10v, u + v 3 )
1. Encuentre el conjunto de puntos en los cuales f es invertible localmente.
2. Compruebe que (1, 1) pertenece al conjunto obtenido en la parte 1), encontrar (aproximadamente) el valor de f 1 (11,8, 2,2).
Teorema de la funci
on implcita
Ejercicio 7. Si f ( xz , yz ) = 0, Calcular
x
z
z
+y
x
y
(*)
183
Suponga que existe z(x0 , y0 ) = z0 tal que f (x0 y0 , z0 2x0 ) = 0 y que para todo (x, y) en una
vecindad de (x0 , y0 ), los puntos (x, y, z(x, y)) cumplen la ecuacion (*). Encuentre que condiciones
debe satisfacer f para que se cumpla lo anterior y demuestre que dad la condicion anterior la
funci
on z(x, y) cumple la igualdad
x0
z
z
(x0 , y0 ) y0 (x0 , y0 ) = 2x0
x
y
Ejercicio 9. La funci
on z est
a definida por la siguiente ecuacion
f (x az, y bz) = 0
donde F es una funci
on diferenciable. Encuentre a que es igual la expresion
a
z
z
+b
x
y
2 f g
uv (0, 0).
Justifique.
x1 x2 y1 + x2 y1 y2 + y2 y1 x1 + y2 x1 x2
y1
y2
(1, 1) ;
(1, 1)
x2
x2
Ejercicio 12. Sea z(x, y) una funcion diferenciable definida implicitamente por la ecuacion:
y
z = x f( )
z
donde f : R R es ua funcion derivable. Demuestre que
2(x, y) z(x, y) = z(x, y)
n. Considere F : R3 R definida como F (x, y, z) = z x f ( yz )
Indicacio
Ejercicio 13. Considere el siguiente sistema no lineal:
sen(x1 y1 ) + x3 cos(y2 )
y1
x2 (1, 0, 0)
y2
x3 (1, 0, 0).
n. Considere la funci
Indicacio
on
g : R3 R2
(x, y) 7
R2
(u(x, y), v(x, y))
184
xu3 + y 2 v 4
de manera u
nica para u y v como funciones de x e y. Calcular
u
x
u
v
4x + 3y + zu2 + v + w + 2
x + z + w + u2 + 2
2. Hallar
3. Hallar
dy
dx |x=1
dy
dx
z
x
d2 y
dx2
z
y
d2 y
dx2 |x=1
si
x2 2xy + y 2 + x + y 2 = 0
si
y
p
ln( x2 + y 2 ) = a arctan
x
(a 6= 0)
si
x cos(y) + y cos(z) + z cos(x) = 1
z
z
+ (az cx)
= bx ay
x
y
185
z
y
2
2
z z 2 z
2z
+ 2
x y xy y
z
x
2
=0
Ejercicio 20. Sea f (x, y, z) = 0 tal que sus derivadas parciales son distintas de cero. Por lo tanto
es posible escribir: x = x(y, z), y = y(x, z), z = z(x, y), donde estas funciones son diferenciables.
Muestre que
x y z
= 1
y z x
Ejercicio 21. Muestre que las ecuaciones
x2 y 2 u3 + v 2 + 4
2xy + y 2 2u2 + 3v 4 + 8
s.a
n
X
i=1
n
Y
xi
xi
i=1
1X
xi =
n i=1
n
Y
!1/n
xi
i=1
s.a
n
Y
i=1
n
X
xi
xi
i=1
186
Reglas de derivaci
on adicionales
Ejercicio 24. Sea f (x, y, z, t) =
`(1+|x+y|)
R
ex+y+z
f f f
x , z , t
en aquellos
En el captulo 5 se demostr
o que tiene una u
nica solucion en C([0, 1/2], R).
Derivando dos veces la ecuaci
on integral (justifique por que se puede derivar), encuentre la ecuacion
diferencial que satisface su soluci
on
Ejercicio 26. Considere las funciones
Z g(x)
F (x) =
f (x + t, xt)dt,
Calcule F 0 (x) y
y2
G(x, y) =
g(x, y, z)dz
0
G
y (x, y)
1
1
[f (x + ct) + f (x ct)] +
2
2c
x+ct
Z
g(s)ds
xct
1
2c
Zt
x+c(ts)
Z
F (, s)dds
0 xc(ts)
Muestre que
2u
2u
c2 2 = F (x, t)
2
t
x
u(x, 0) = f (x)
u
(x, 0) = g(x)
t
Ejercicio 28. Se desea resolver la ecuacion de ondas
2 1 2
=0
x2
c t2
donde c es una constante distinta de 0.
Haga el cambio de variables = x + ct y = x ct de modo que se obtenga
(x, t) = ((x, t), (x, t))
donde (, ) es la inc
ognita. En base a este cambio de variables demuestre que:
2 1 2
2
=
4
((x, y), (x, y))
x2
c t2
y en base a este resultado demuestre que toda solucion de clase C 2 de la ecuacion de ondas se
escribe
(x, t) = f () + g()
con f y g funciones de variable real.
187
Cambio de variables
Ejercicio 29. Sea Bn la bola unitaria en Rn . Muestre que
Z p
V ol(B4 ) = 2
1 (x2 + y 2 + z 2 )dxdydz.
B3
/2
2
/2
p
r2 sen() 1 r2 drdd
y concluya que V ol(B4 ) = 2 /2. En general muestre que el volumen de la bola de radio r es
r4 2 /2.
Ejercicio 30. Sea f : Rn Rn un difeomorfismo de clase C 1 (es decir, un homeomorfismo con f y
f 1 de clase C 1 ), que satisface que f (B) B, donde B es la bola unitaria cerrada y |detf 0 (x)| < 1
para todo x B. Demuestre que para toda funcion continua g : B Rn se tiene que
Z
lm
g(x)dx = 0
k
f k (B)
y2
x2
+
a2
b2
2
=
x2
y2
h2
k2
Notaci
on
:=
Definido por
A\B
Diferencia entre A y B
Complemento ortogonal de A
int(A)
Interior de A
adh(A)
Adherencia de A de A
fr(A)
Frontera de A
(puede escribirse A)
co(A)
Envolvente convexa de A
ej
xy
R+
R++
B(x0 , r)
B(x0 , r)
Mapeo o transformacion
que describe una funcion
Gradiente de f
(vector derivada)
4f
Df
Diferencial de f
Hf
Hessiano de f
Hx f
Hessiano de f s
olo con respecto
al vector x
Cn
hf i
NS (x)
TS (x)
K(x)
189
Bibliografa
1. Amaya, J. Optimizaci
on Para Estudiantes de Ingeniera. Departamento de Ingeniera
Matem
atica, Universidad de Chile, 2010.
2. Bertsekas, D. Nonlinear Programming. Athena Scientific, 1995.
3. Border, K., Aliprantis, C. Infinite Dimensional Analysis. Springer, 2006.
4. Boyd, S., Vandenberghe, L. Convex Optimization. Cambridge University Press, 2009.
5. Cominetti, R., Jofre A. Introducci
on a la Programaci
on Matem
atica. IV Simposio
Chileno de Matem
atica, 1993.
6. Karush, W. Minima of Functions of Several Variables with Inequalities as Side
Constraints. M. Sc. Dissertation, Dept. of Mathematics, University of Chicago, 1939.
7. Kuhn, H., Tucker, W. Nonlinear Programming. Proceedings of 2nd Berkeley Symposium,
University of California Press, 1951.
8. Krell, R., Rojas, E., Torres-Martnez, J. Apuntes de Microeconoma I: Teora del Consumidor. Departamento de Economa, Universidad de Chile, 2009.
9. Kolmogorov, A., Fomin, S. Introductory Real Analysis. Dover Publications, 1975.
10. Luenberger, D., Ye, Y. Linear and Nonlinear Programming. Springer, 2008.
11. Mas Colell, A., Whinston, D., Green, J. Microeconomic Theory. Oxford University Press,
1995.
12. Nocedal, J., Wright S. Numerical Optimization. Springer, 1999.
13. Ortiz, C., Varas, S., Vera, J. Optimizaci
on y Modelos Para la Gesti
on. Dolmen Ediciones, 2000.
14. Piskunov, N. C
alculo Diferencial e Integral, (vol. I y II). Editorial MIR, 1970.
15. Rosenlicht, M. Introduction to Analysis. Dover Publications, 1985.
16. Royden, H. Real Analysis. Macmillan Company, 1968.
17. Ruszczy
nski, A. Nonlinear Optimization. Princeton University Press, 2006.
18. Stewart, J. C
alculo Multivariable. Thomson Learning, 2006.
19. Torres-Martnez, J.P. Apuntes de Matem
atica Para Microeconoma Avanzada. Departamento de Economa, Universidad de Chile, 2010.
191
Indice alfab
etico
A
Angulo
entre vectores, 2
Adherencia, 6
Adherencia o cerradura, 91
Aproximaci
on
de primer orden, 16
Argumento
de una funci
on, 3
B
Base
can
onica, 1
Biyectividad
de la aproximaci
on lineal, 105
de una funci
on, 105
Bola
abierta, 4, 90
cerrada, 4
C
Centro de masa, 82
Combinaci
on
convexa, 47
de funciones diferenciables, 23
lineal, 47
Composici
on
de funciones continuas, 12, 28
Condiciones
de Mangasarian-Fromovitz, 151
Conjunto
Rn , 1
v-medible, 81, 138
abierto, 4, 6, 90, 91
cerrado, 4, 6, 91
compacto, 99
convexo, 47
de direcciones crticas, 55, 131
de nivel, 3
secuencialmente compacto, 101
vaco, 4
Continuidad
de las derivadas parciales, 109
de una funcion, 4, 11, 17, 20
del diferencial, 28
uniforme, 103
Contraccion, 96
Convexidad
del epgrafo, 48
del hipografo, 52
Coordenadas
esfericas, 25, 106
Corolario
del teorema
del punto fijo de Banach, 106
del valor medio, 106
Criterio de 1er orden
para extremos restringidos, 52, 113
para extremos sin restricciones, 41
Criterio de 2do orden
para extremos restringidos, 55, 131
para extremos sin restricciones, 45
Cubrimiento
por abiertos, 99
Curva
de nivel, 3
D
Dependencia
lineal, 116
Derivacion
implcita, 26, 109
Derivada
direccional, 29
parcial, 13
Derivado, 6, 91
Descomposicion, 139
Desigualdad
de Cauchy-Schwarz, 2, 17
triangular, 3, 85
Diametro
193
de una descomposici
on, 139
Difeomorfismo, 81, 138
Diferenciabilidad
de una funci
on, 16, 17, 20, 22
Diferencial
de una funci
on, 15
Dimensi
on
finita, 102
infinita, 102
Direcci
on
de m
aximo crecimiento, 30
tangente, 31
Distancia
entre vectores, 89
Dominio
de tipo 1, 71, 78
de tipo 2, 72, 79
de tipo 3, 72, 79
de tipo 4, 79
elemental, 72, 79
E
Epgrafo
de una funci
on, 47
Espacio
de Banach, 93, 96
linealizante, 151
normado, 90
normal, 113, 114, 145, 146
tangente, 113, 114, 144, 146
vectorial, 1, 47, 85
Rn , 1
vectorial normado, 85
Estructura geometrica
de Rn , 1
Existencia
de soluciones para EDO, 97
de la aproximaci
on lineal de 1er orden, 22
de soluciones de una ecuaci
on, 98
Extensi
on
de la clase de
funciones integrables, 67, 75
de la integral de Riemann, 84
Extremo
local, 42
Extremos
de funciones con valores reales, 41
restringidos, 52
F
Frontera, 6, 91, 138
Funcion
v-integrable, 81, 139
a valores en Rm , 3
acotada, 61
acotada en R, 74
biyectiva, 105
concava, 52
continua, 1113, 95
convexa, 47, 49, 50
coordenada, 10
de clase C 1 , 22, 34, 137
de clase C 2 , 34
de clase C , 39
diferenciable, 15, 16, 22
estrictamente concava, 52
estrictamente convexa, 47, 49, 50
integrable, 6163, 66, 68, 69, 71, 74, 75
integrable en R, 64, 74
inversa, 105
Lagrangeano, 53
solucion, 116
lineal afn, 16, 22, 105
Riemann integrable, 60, 73
Funciones
coordenadas, 3, 15
de una variable, 17
Funciones integrables, 74
propiedades, 64
G
Geometra
de Rn , 2
Gradiente
de una funcion, 17, 28
Grafo
de una funcion, 3, 16, 32
H
Hipersuperficie, 30
Hipografo
de una funcion, 47
Homogeneidad, 3
I
Imagen
por funciones, 3
Integracion
de sucesiones de funciones, 66, 75
194
Integral
de Lebesgue, 84
de Riemann, 60, 84
de Riemann en Rn , 73
Propiedades b
asicas, 74
en R2 sobre dominios generales, 71
en Rn sobre dominios generales, 78
en coordenadas polares, 81
Interior, 6, 91
Intersecci
on
finita), 100
L
Lmite
de una funci
on, 4, 7, 9
de una sucesi
on, 92
unicidad, 9
uniforme, 95
de funciones continuas, 95
Laplaciano
de una funci
on, 34
Lema
de Farkas, 150
Linealidad, 1, 64, 74
Longitud
de un vector, 2
M
m-equipartici
on, 59, 73
M
aximo
de una funci
on, 19
global, 52
local, 41, 45, 5256, 133
local estricto, 134
Metodo
de Picard, 97
Mnimo
de una funci
on, 19
global, 51
local, 41, 45, 5156, 115, 132, 147, 152
local estricto, 133
Matriz
de cofactores, 109
definida negativa, 44
definida positiva, 44
Hessiana, 39, 43
Jacobiana, 15, 17, 22, 114
representante, 105
semi-definida negativa, 44
semi-definida positiva, 44
simetrica, 43
Momento de inercia, 83
Monotona, 64, 74
Multiplicador
de Lagrange, 53
N
Norma, 2, 85
1, 85
, 85
de una matriz, 18
euclideana, 85
Frobenius, 18
infinito o uniforme, 85
propiedades, 2
Normas
equivalentes, 89, 91, 103
O
Ortogonalidad
del gradiente, 31
P
Plano
tangente, 16, 31, 32
Polinomio, 39
Positividad, 1, 3
Problema
de maximizacion, 52, 55, 113, 154
de minimizacion, 52, 55, 113115, 143
de punto fijo, 95, 96
Producto
interno, 1
propiedades, 1
por escalar
en Rn , 1
punto, 1, 3
Propiedades
de los abiertos, 90
Punto
adherente, 6
aislado, 11
de acumulacion, 6, 90
fijo de Banach, 96
frontera, 6
interior, 6, 90
silla, 54
Puntos
extremos, 54
195
R
Rect
angulo, 59, 73
Regla
de Cramer, 109
de la cadena, 23
de Leibniz
de derivaci
on, 136
S
Selecci
on, 60, 73
Simetra, 2
de la matriz Hessiana, 39, 43
de las derivadas cruzadas, 34
Subsucesi
on, 100
convergente, 101
Sucesi
on, 5, 92
convergente, 5, 92, 101
de Cauchy, 92
de funciones, 66
Suma
de Riemann, 60, 73, 139
en Rn , 1
Superficie, 30, 113, 114, 146
T
Teorema
de Bolzano Weierstrass en Rn , 101
de Bolzano-Weierstrass en R, 18
de equivalencia de normas, 89
de existencia de soluciones para EDO, 97
de Fubini en R2 , 69
de Fubini en Rn , 76
de Heine-Borel, 102
de Karush-Kuhn-Tucker, 147, 152
de la envolvente, 129
de la funci
on implcita, 110
de la funci
on inversa, 105
de los incrementos finitos, 28
de los multiplicadores de Lagrange, 52
caso general, 115
caso particular, 114
de Pit
agoras, 2
de Rolle en R, 19
de Schwarz, 34
de separaci
on de convexos, 149
de Taylor de 1er orden, 38
de Taylor de 2do orden, 39
del cambio de variables, 81, 139
del coseno, 2
del punto fijo de Banach, 96
196