Func

Universidad de Costa Rica Dpto.
Matemática Aplicada
Escuela de Matemática MA-1003: Cálculo 3
Prof. Miguel Walker Ureña Ciclo 2-2015
Tema 2. Funciones en Varias Variables

[ versión 1.2, compilado el 1/3/2018 ]
Contenidos
1 Lo Básico 2
1.1 Conceptos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Lı́mites y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Diferenciales 10
2.1 Derivadas Parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Cálculo y propiedades básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.2 Regla de la Cadena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.3 Derivación Implı́cita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Derivadas Direccionales y Gradientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Cálculo básico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 Hiperplanos Tangentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.3 Interpretación de la derivada direccional . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Más Ejemplos sobre Derivadas direccionales y gradientes . . . . . . . . . . . . . . . 33
2.3 Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.1 Primera Diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.2 Segunda Diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 Optimización 45
3.1 Extremos de Funciones sin restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Conceptos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Puntos Crı́ticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.3 Criterio de la segunda derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.4 Criterio del Hessiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.1.5 Más Ejemplos de Optimización sin restricciones . . . . . . . . . . . . . . . . . . . . 57
3.2 Extremos de Funciones con restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.1 Conceptos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.2 Criterio de la segunda derivada con restricciones . . . . . . . . . . . . . . . . . . . 63
3.2.3 Criterio del Hessiano Orlado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.4 Más Ejemplos de Optimización con restricciones . . . . . . . . . . . . . . . . . . . 71
3.3 Extremos Absolutos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Bibliografı́a 76
1
Tema 2. Funciones en Varias Variables 2
1 Lo Básico
1.1 Conceptos Básicos
Definición 1.1 (Función escalar en varias Variables).
Sea D ⊆ IRn , una función escalar en n variables f : D → IR es una correspondencia que relaciona
cada elemento X = (x1 , x2 , . . . , xn ) ∈ D con un único elemento z ∈ IR.
Se escribe:
z = f (x1 , . . . , xn )
En tal caso se dice que z es la “imagen” de la “preimagen” X.
El conjunto de preimágenes D es llamado dominio y se denota Dom(f ).
El conjunto de imágenes es llamado “imagen” o “rango” de f y corresponde a
Img(f ) = {z ∈ IR / ∃X ∈ D, z = f (X)}
= f (D) = {f (X) / X ∈ D}
= Rng(f )
Nota 1.1. Una función escalar en n variables reales también es llamada campo escalar sobre IRn .
Ejemplo 1.1. Sea

f (x, y, z) = cos(xy 2 ) − yz 3 + 1
La función f es una función escalar en 3 variables tal que
f : IR3 → IR
Note que
1
f (π/4, 1, 2) = cos(π/4) − 1 · 23 + 1 = √ − 7
2
√
decimos entonces que 1/ 2 − 7 es la imagen de la preimagen (π/4, 1, 2).
Definición 1.2 (Función vectorial en varias Variables).

Sea D ⊆ IRn , una función vectorial en n variables f : D → IRm es una correspondencia que relaciona
cada elemento X = (x1 , x2 , . . . , xn ) ∈ D con un único elemento Z = (z1 , z2 , . . . , zn ) ∈ IRm .
Se escribe:
Z = f (x1 , . . . , xn )
Además para k = 1, . . . m existen funciones escalares fk : D → IR tales que
   
z1 f1 (x1 , . . . , xn )
 z2   f2 (x1 , . . . , xn ) 
Z= . =
   
. .. 
 .   . 
zm fm (x1 , . . . , xn )
Los valores f1 (X), f2 (X), . . . , fm (X) son llamados componentes de f (X).

En tal caso se dice que Z es la “imagen” de la “preimagen” X.
El conjunto de preimagenes D es llamado dominio y se denota Dom(f ).
El conjunto de imágenes es llamado “imagen” o “rango” de f y corresponde a
Img(f ) = {Z ∈ IRm / ∃X ∈ D, Z = f (X)}

= f (D) = {f (X) / X ∈ D}
= Rng(f )
Nota 1.2. Una función vectorial en n variables reales también es llamada campo vectorial sobre IRn .
Ejemplo 1.2. Sea

xyz
f (x, y, z) =
x ln(z)
Note que ln(z) se indefine si z ≤ 0, entonces podemos tomar
D = {(x, y, z) ∈ IR3 /z > 0} ⊂ IR3
como el dominio de f , luego f es una función en 3 variables D → IR2

Note además que (−2, 3, e5 ) ∈ D, luego
−2 · 3 · e5 −6e5

f (−2, 3, e5 ) = = ∈ IR2
−2 · ln e5 −10
entonces (−6e5 , −10) es la imagen de la preimagen (−2, 3, e5 )
Nota 1.3 (Dominio Máximo). Si f defina una correspondencia IRn → IRm , se dice que D es el dominio
máximo de f cuando D ⊆ IRn es el mayor conjunto en el cual f está definida como función.
Ejemplo 1.3. Sea √

f (x, y) = x − 2, x + 1/y
√
La función x 7→ x − 2 se indefine sii x − 2 < 0 ⇐⇒ x < 2, mientras que la función y 7→ 1/y se
indefine si y solo si y = 0.
Concluimos que f se indefine si y solo si x < 2 ∧ y = 0, entonces el mayor conjunto en que las
imágenes de f están definidas es
D = {(x, y) / x ≥ 2 ∧ y 6= 0}
D es entonces el dominio máximo de f , también se denota
D = [ 2, +∞ [ × IR∗
donde IR∗ = IR \ {0} = {x ∈ IR / x 6= 0}
Nota 1.4. Sean D1 , D2 , . . . Dk ⊆ IR, denotamos el conjunto
D1 × D2 × · · · × Dk = {(x1 , . . . , xk ) ∈ IRk / xi ∈ Di , i = 1, 2, . . . k}
Definición 1.3. Seas D ⊂ IRn , E ⊂ IRm y sea f : D → I una función vectorial en n variables.
(a) f es “inyectiva” o función 1-1 si

f (~a) = f (~b) =⇒ ~a = ~b
es decir que las imágenes tienen una única preimagen.
(b) f es “sobreyectiva” si
∀Z ∈ I, ∃ X ∈ D tal que Z = f (X)
es decir que todos los elementos de I ( llamado “codominio” ) tienen preimagen.

En tal caso f (D) = Img(f ) = I
(c) f es biyectiva si y solo si f es inyectiva y biyectiva.

Es decir
∀Z ∈ I, ∃! X ∈ D tal que Z = f (X)
Ejemplo 1.4. Sea f : IR3 → IR2 tal que f (x, y, z) = (x2 y + z, y − 2z)
Note que (
f (1, 1, 2) = (1 + 2, 1 − 4) = (3, −3)
=⇒ f no es inyectiva
f (−1, 1, 2) = (1 + 2, 1 − 4) = (3, −3)
Por otro lado
∀(w1 , w2 ) ∈ IR2 , (w1 , w2 ) = f (x, y, z)

(
w1 = x 2 y + z
=⇒
w2 = y − 2z
Si hacemos x = 0 [caso particular] obtenemos el sistema

(
w1 = z
=⇒ y = 2z + w2 = 2w1 + w2
w2 = y − 2z
entonces para todo (w1 , w2 ) ∈ IR2
(w1 , w2 ) = f (0, 2w1 + w2 , w1 )
entonces todo elemento (w1 , w2 ) ∈ IR2 tiene preimagen a través de f , por lo que f es sobreyectiva.
Ejemplo 1.5. Sea f : IR2 → IR3 tal que
f (x, y) = (x − y, x + y, x2 + 5)
Tenemos que

x − y = a − b

f (x, y) = f (a, b) =⇒ x + y = a + b

 2
x + 5 = a2 + 5
=⇒ x = a ∧ y = b es solución única
entonces f es inyectiva.
Por otro lado, note que (0, 0, 2) no tiene preimagen a través de f pues

x − y = 0
 (
x=y=0
(0, 0, −1) = f (x, y, z) =⇒ x + y = 0 =⇒ E

 2 5=2
x +5=2
entonces f no es sobreyectiva.
Ejemplo 1.6. Sea f : IR+ × IR → IR2 tal que
√
u+v
f (u, v) = √
u−v
siendo IR+ × IR = {(u, v) ∈ IR2 /u > 0}
√ √ √ √
f (u, v) = f (a, b) =⇒ u+v = x+y ∧ u−v = x−y
√ √
=⇒ 2 u = 2 x ∧ −2v = −2y
=⇒ u = x ∧ v = y
entonces f es inyectiva, pues u, x > 0.

~ = (x, y) ∈ IR2 tal que
Por otro lado, sea w
(x, y) = f (u, v)
entonces
√ √ √
x= u+v ∧ y = u − v =⇒ x + y = 2 u ∧ x − y = 2v
x+y 2

x−y
=⇒ u = ∧ v=
2 2
por lo tanto f es sobreyectiva.

Se concluye que f es biyectiva
Definición 1.4 (Invertibilidad). Una función vectorial f : D → I es invertible si y solo si f es biyectiva.

En tal caso existe una función vectorial f −1 : I → D tal que
Z = f (X) ⇐⇒ f −1 (Z) = X
Ejemplo 1.7. En el ejemplo 1.6 se define f : IR+ × IR → IR2 tal que

√
u+v
f (u, v) = √
u−v
es una función biyectiva, entonces es invertible y como

 2 
x+y
√ 
x u+v u 2 
= √ ⇐⇒ =
 
y u−v v x−y

 
2
entonces
(x + y)2
 
4
f −1 (x, y) = 
 
 x−y 

2
1.2 Lı́mites y continuidad

Definición 1.5 (Lı́mite escalar). Sea f : D ⊆ IRn → IR una función escalar en n variables reales, se dice
que f tiene un lı́mite L cuando X ∈ D tiende a X0 ∈ IRn si para todo > 0, existe δ > 0 tales que
kX − X0 k < =⇒ |f (X) − L| < δ
Se denota
lim f (X) = L
X→X0
Informalmente:
kX − X0 k → 0 =⇒ f (X) − L → 0
También decimos de manera informal que
f (X) ≈ L cada vez que X ≈ X0 ⇐⇒ kX − X0 k ≈ 0
es decir que cuando kX − X0 k se acerca a 0, entonces f (X) se acerca a L.

Ejemplo 1.8.
x2 + y 2 + 4 4
lim =
(x,y)→(0,0) 3 + x4 3
pues
2
x + y 2 + 4 4 3(x2 + y 2 + 4) − 4(3 + x4 )

0 ≤ − =
3 + x4 3 3(3 + x4 )
|3(x2 + y 2 ) − 4x4 |
=
3(3 + x4 )
3(x2 + y 2 ) + 4x4
≤
9
3(x2 + y 2 ) + 4(x4 + 2x2 y 2 + y 4 )
≤
9
3(x2 + y 2 ) + 4(x2 + y 2 )2
=
9p
≈ 0 , cuando x2 + y 2 = k(x, y)k ≈ 0
Note que
x2 + y 2 + 4

0+0+4 4
4
= =
3+x
(x,y)=(0,0) 3+0 3
Definición 1.6 (Continuidad). Sea f una función D ⊆ IRn → IR.

Se dice que f es continua en X = X0 ∈ D si y solo si
lim f (X) = f (X0 )

X→X0
Nota 1.5. En la práctica, si una función f se puede evaluar sin ningún problema en el punto X0 , entonces
lim f (X) = f (X0 )

X→X0
Ejemplo 1.9.
x2 + y 22 − 3 1
lim = =
(x,y)→(2,−3) x + 1 2+1 3
y f es continua en (2, −3).
Teorema 1.1 (Encuadramiento).

Sean f , g y h funciones D ⊆ IRn → IR tales que existe un escalar finito L ∈ IR que cumple:
L = lim h(X) ≤ lim f (X) ≤ lim g(X) = L

X→X0 X→X0 X→X0
entonces lim f (X) = L.

X→X0
Ejemplo 1.10. Sea

x4 + y 4
L= lim
(x,y)→(0,0) x2 + y 2
L es un lı́mite indeterminado pues por simple evaluación L = 0/0.

Tenemos que
x4 + y 4 x4 + 2x2 y 2 + y 4
0≤ ≤
x2 + y 2 x2 + y 2
(x + y 2 )2
2
=
x2 + y 2
= x2 + y 2
luego
x2 + y 2 = 0

0≤L≤ lim
(x,y)→(0,0)
entonces por encuadramiento L = 0

Si definimos la función f : IR2 → IR como
x4 +y 4
(
x2 +y 2
si (x, y) 6= (0, 0)
f (x, y) =
4 si x = y = 0
es discontinua en (0, 0) pues f (0, 0) = 4 6= 0 = lim f (x, y)

(x,y)→(0,0)
Teorema 1.2. Sea f una función D ⊆ IRn → IR.

El lı́mite de f cuando X → X0 existe si y solo si para toda curva
C : r = r(t) = x1 (t), . . . , xn (t)

tal que ∃ ta ∈ IR, lim r(t) = X0 , existe el lı́mite:

t→ta
h i
L = lim f r(t)
t→ta
en tal caso
lim f (X) = L
X→X0
Nota 1.6. Sea f una función D ⊆ IRn → IR.

Sean r y w funciones vectoriales : E ⊆ IR → D tales que lim r(t) = X0 y lim w(t) = X0 .
t→t1 t→t2
Sean h i h i
L1 = lim f r(t) ∧ L2 = lim f w(t)
t→t1 t→t2
entonces
L1 6= L2 =⇒ No existe L = lim f (X)
X→X0
Ejemplo 1.11. Sea

3x − 2y
L= lim
(x,y)→(0,0) x + y
Si x = y = t entonces
3t − 2t 1
L1 = lim =
t→0 t+t 2
Si (x, y) = (t, 0) entonces
3t − 0
L2 = lim =3
t→0 t + 0
como L1 6= L2 entonces el lı́mite L no existe.
Definición 1.7 (Lı́mite vectorial). Sea F : D ⊆ IRn → IRm una función vectorial en n variables reales,
se dice que F tiene un lı́mite L cuando X ∈ D tiende a X0 ∈ IRn si para todo > 0, existe δ > 0 tal que
kX − X0 k < =⇒ kF(X) − Lk < δ
Se denota
lim F(X) = L
X→X0
Informalmente:
kX − X0 k → 0 =⇒ kF(X) − Lk → 0
También decimos que
F(X) ≈ L cada vez que X ≈ X0 ⇐⇒ kX − X0 k ≈ 0
Definición 1.8. Sea F una función D ⊆ IRn → IRm definida en el punto X = X0 ∈ IRn .
Se dice que F es continua en X0 si y solo si existe
lim F(X) = F(X0 )

X→X0
Teorema 1.3. Sea F : D ⊆ IRn → IRm una función vectorial en n variables reales, tal que
h i
F(X) = f1 (X), . . . , fm (X)
siendo ∀k = 1, . . . m, fk : D → IR las componentes de F.
(a) El lı́mite L = lim F(X)

X→X0
existe si y solo si ∀k = 1, . . . m existen los lı́mites Lk = lim fk (X).
X→X0
En tal caso L = (L1 , . . . , Lk ), es decir que
 
lim f1 (X)
 X→X0 
 
 lim f2 (X) 
 X→X0 
lim F(X) = 
 
X→X0 .. 

 . 

 
 lim f (X)
m
X→X0
(b) F es continua en X0 si y solo si ∀k, fk continua en X0

Ejemplo 1.12.
sen(x − 2)
 
lim
(x,y)→(2,3) x − 2 

 
sen(x − 2) 2 x − y lim x 2
y

lim , x y, =
 
(x,y)→(2,3)
x−2 x+y

(x,y)→(2,3)  
 x − y 
 lim 
(x,y)→(2,3) x + y

1
= 1, 12, −
5
2 Diferenciales
2.1 Derivadas Parciales
2.1.1 Cálculo y propiedades básicas
Definición 2.1 (Derivada Parcial). Sea f : D ⊆ IRn → IR una función escalar en n variables reales, de
manera tal que
z = f (X) = f (x1 , x2 , . . . , xn )
entonces la derivada parcial de f respecto a xi existe sii existe el lı́mite
f (x1 , . . . , xi−1 , xi + h, xi+1 , . . . , xn ) − f (x1 , . . . , xn )

Di f (X) = lim
h→0 h
Es decir, que si
g(xi ) = f (x1 , . . . , xn ) =⇒ Di f (X) = g 0 (xi )
Hay varias maneras de denotar la derivada parcial de f respecto a xi
∂f
Di f (X) = Dxi f (X) = fxi (X) = fi (X) = (X)
∂xi
Ejemplo 2.1. Sea
z = cos(xy 2 ) − ln(y) + 4
entonces tenemos las derivadas parciales de z
∂z ∂z 1
= −y 2 sen(xy 2 ) ∧ = −2xy sen(xy 2 ) −
∂x ∂y y
Definición 2.2 (Derivadas Parciales de orden superior).

Sea f : D → IR una función escalar en n variables reales y sean n1 , n2 , . . . nk ∈ {1, 2, . . . n}.
Se denota la derivada de orden k de f como
∂kf

∂ ∂ ∂ ∂f
= ... ...
∂xnk . . . ∂xn3 ∂xn2 ∂xn1 ∂xnk ∂xn3 ∂xn2 ∂xn1
También se escribe
∂kf
= fn1 ,n2 ,n3 ...,nk
∂xnk . . . ∂xn3 ∂xn2 ∂xn1
= fxn1 ,xn2 ,xn3 ...,xnk
= Dn1 ,n2 ,n3 ...,nk f
= Dxn1 ,xn2 ,xn3 ...,xnk f
Se denota
∂xn ∂xni . . . ∂xni = ∂x`ni
| i {z }
` veces
Notas 2.1.
(a) En el caso de f : IR2 → IR
∂2f
= fx y
= f12 = D12 f
∂y∂x
∂2f
= fy x
= f21 = D21 f
∂x∂y
∂2f ∂2f
= = fx x = f11 = D11 f
∂x2 ∂x∂x
∂2f ∂2f
= = fy y = f22 = D22 f
∂y 2 ∂y∂y
(b) En el caso de f : IR3 → IR
∂3f
= fx y = f123 = D123 f
∂z∂y∂x z
∂3f
= fz x = f312 = D312 f
∂y∂x∂z y
3
∂ f 3
∂ f
= = fz x = f311 = D311 f
∂x2 ∂z ∂x∂x∂z x
..
.
Ejemplo 2.2. Sea f (x, y, z) = sen(x2 y) − ln(y + x3 ) + z, entonces
∂f ∂
sen(x2 y) − ln(y + x3 ) + z

=
∂x ∂x
3x2
= 2xy cos(x2 y) −
y + x3
∂f ∂
sen(x2 y) − ln(y + x3 ) + z

=
∂y ∂y
1
= x2 cos(x2 y) −
y + x3
∂f ∂
sen(x2 y) − ln(y + x3 ) + z = 1

=
∂z ∂z
∂2f ∂2
sen(x2 y) − ln(y + x3 ) + z

=
∂y∂x ∂y∂x
3x2

∂ 2
= 2xy cos(x y) −
∂y y + x3
3x2
= 2x cos(x2 y) − x2 · 2xy sen(x2 y) +
(y + x3 )2
3x2
= 2x cos(x2 y) − 2x3 y sen(x2 y) +
(y + x3 )2
∂2f ∂2
sen(x2 y) − ln(y + x3 ) + z

=
∂x∂y ∂x∂y

∂ 2 2 1
= x cos(x y) −
∂x y + x3
3x2
= 2x cos(x2 y) − 2x · x2 y sen(x2 y) +
(y + x3 )2
3x2
= 2x cos(x2 y) − 2x3 y sen(x2 y) +
(y + x3 )2
∂3f ∂3f ∂3f

= = = ··· = 0
∂x∂y∂z ∂y∂x∂z ∂z∂x∂y
∂3f ∂3
sen(x2 y) − ln(y + x3 ) + z

2
= 2
∂x∂y ∂x∂y
∂2

2 2 1
= x cos(x y) −
∂x∂y y + x3

∂ 1
= −x4 sen(x2 y) +
∂x (y + x3 )2
6x2 (y + x3 )
= −4x3 sen(x2 y) − 2x5 y cos(x2 y) −
(y + x3 )4
6x2
= −4x3 sen(x2 y) − 2x5 y cos(x2 y) −
(y + x3 )3
Teorema 2.1 (Schwarz). Sea f : D → IR una función escalar en 2 variables reales, si existen y son
continuas las derivadas parciales
∂f ∂f ∂2f
, ,
∂x ∂y ∂y∂x
entonces se dice que f es dos veces diferenciable en las variables x, y, luego existe
∂2f ∂2f
=
∂x∂y ∂y∂x
El teorema anterior se puede generalizar:
Teorema 2.2. Sea f : D → IR una función escalar en n variables reales y sean n1 , n2 , . . . nk ∈ {1, 2, . . . n},
si existen y son continuas las derivadas parciales
∂f
∂xn1

∂ ∂f
∂xn2 ∂xn1

∂ ∂ ∂f
∂xn3 ∂xn2 ∂xn1
..
.

∂ ∂ ∂ ∂f
... ...
∂xnk ∂xn3 ∂xn2 ∂xn1
entonces f es k-diferenciable en las variables xn1 , xn2 , . . . , xnk , luego las derivadas iteradas se pueden
cambiar de orden, generando el mismo resultado.
Es decir, si m1 , m2 , . . . mk es otro orden de las constantes n1 , . . . , nk :
∂kf ∂kf
=
∂xnk . . . ∂xn3 ∂xn2 ∂xn1 ∂xmk . . . ∂xm3 ∂xm2 ∂xm1
2.1.2 Regla de la Cadena

Teorema 2.3 (Regla de la cadena). Sea F : D → IR una función escalar en m variables reales.
Sea
z = F (u1 , u2 , . . . , um )
tales que 
u = u1 (x1 , . . . , xn )
 1


u2

= u2 (x1 , . . . , xn )
.. ..


 . .

um = um (x1 , . . . , xn )

entonces
m
X
z xi = Fuk · (uk )xi
k=1
o lo que es lo mismo
m
∂z X ∂F ∂uk
= ·
xi ∂uk ∂xi
k=1
Nota 2.2. Sea f : D → IR una función en dos variables y suponga que


z = F (u, v)

u = g(x, y)

v = h(x, y)

tal que (g × h) : E → D, funciones en dos variables .

Entonces
∂z ∂F ∂u ∂F ∂v


 = +
 ∂x
 ∂u ∂x ∂v ∂x
∂z ∂F ∂u ∂F ∂v
 ∂y = ∂u ∂y + ∂v ∂y



o lo que es lo mismo (
zx = Fu ux + Fv vx
zy = Fu uy + Fv vy
El siguiente esquema representa las dependencias entre las funciones
el cual puede ser llamado “esquema de dependencias”.

Ejemplo 2.3. Sea 

z = F (u, v)

u = cos(xy 3 )

v = ln(x2 y)

Expresar zx y zy en términos de las derivadas parciales Fu y Fv

Solución:
zx = Fu ux + Fv vx

= Fu cos(xy 3 ) + Fv ln(x2 y)
x x
3 3 2xy
= −y sen(xy ) Fu + 2 Fv
x y
2
= −y 3 sen(xy 3 ) Fu + Fv
x
también
zy = Fu uy + Fv vy

= Fu cos(xy 3 ) + Fv ln(x2 y)
y y
x2
= −3xy 2 sen(xy 3 ) Fu + Fv
x2 y
1
= −3xy 2 sen(xy 3 ) Fu + Fv
y

A continuación un ejemplo con dependencias más elaboradas
Ejemplo 2.4. Considere las relaciones



z = F (u, v, w)

u = u(x, y)


v = v(x, y, u)

w = w(x, u)
Representar zx y zy en términos de Fu , Fv y Fw .
Solución: Tenemos el siguiente esquema de dependencias:
Para el cálculo de zx , seguimos todos los caminos que nos llevan a x:
Note que en la cabeza del esquema se colocó F en vez de z con el objetivo de dar una respuesta en
términos de las derivadas parciales de F , entonces
zx = Fu ux + Fv vx + Fv vu ux + Fw wx + Fw wu ux
como x aparece 5 veces, entonces zx se desarrolla inicialmente en 5 términos.

Para el cálculo de zy , seguimos todos los caminos que nos llevan a y:
entonces
zy = Fu uy + Fv vy + Fv vu uy + Fw wu uy


Nota 2.3. Si z = F u(x, y), v(x, y) , Fu y Fv tienen el mismo esquema que F :
por ejemplo
∂Fu
= Fuu ux + Fuv vx
∂x

Ejemplo 2.5. Sea z = F u(x, y), v(x, y) , entonces
∂2z ∂ h i
= Fu ux + Fv vx
∂y∂x ∂y

= Fu y ux + Fu uxy + Fv y vx + Fv vxy

= Fuu uy + Fuv vy ux + Fu uxy + Fvu uy + Fvv vy vx + Fv vxy
= Fuu uy ux + Fuv vy ux + Fu uxy + Fvu uy vx + Fvv vy vx + Fv vxy
si Fuv = Fvu , entonces
∂2z
= Fuu uy ux + Fuv (vy ux + uy vx ) + Fu uxy + Fvv vy vx + Fv vxy
∂y∂x
Si adicionalmente
u = cos(xy) ∧ v = x2 + y
entonces
ux = −y sen(xy), uy = −x sen(xy), uxy = − sen(xy) − xy cos(xy)
vx = 2x, vy = 1, vxy = 0
luego
∂2z
= Fuu [−x sen(xy)] · [−y sen(xy)]
∂y∂x
h i
+ Fuv 1 · [−y sen(xy)] + [−x sen(xy)] · (2x)

+ Fu − sen(xy) − xy cos(xy)
+ Fvv · 1 · 2x + Fv · 0
= xy sen (xy)Fuu − (2x2 + y) sen(xy)Fuv
2

+ Fu − sen(xy) − xy cos(xy)
+ 2xFvv
Ejemplo 2.6 (Ejercicio). Sea z = F (u, v, w) tal que


u = f (x, y)

v = g(x, y, u)

w = h(y, u)

Obtenga zx y zy en términos de derivadas parciales de F , u, v y w.

Apoye su respuesta con un esquema de dependencias.
Respuesta: Tenemos el esquema:
entonces (
zx = Fu ux + Fv vx + Fv vu ux + Fw wu ux
zy = Fu uy + Fv vy + Fv vu uy + Fw wy + Fw wu uy

Ejemplo 2.7 (Ejercicio). Sea z = F (u, v, w) tal que

u = f (x, y)

v = g(y, u)

w = h(v)

Obtenga zx y zy en términos de derivadas parciales de F , u, v y w.

Apoye su respuesta con un esquema de dependencias.
Respuesta: Tenemos el esquema
entonces (
zx = Fu ux + Fv vu ux + Fw wv vu ux
zy = Fu uy + Fv vy + Fv vu uy + Fw wv vy + Fw wv vy + Fw wv vu uy

Ejemplo 2.8 (Ejercicio). Sea z = F [ cos(x2 − y), y 3 ].

Obtenga zx , zy y zxy en términos de derivadas parciales de F .
Respuesta:

2
zx = −2x sen(x − y)Fu

zy = sen(x2 − y)Fu + 3y 2 Fv

zxy = 2x sen2 (x2 − y)Fuu − 6xy 2 sen(x2 − y)Fuv + 2x cos(x2 − y)Fu

Ejemplo 2.9 (Ejercicio). Sea z = F [ x4 , sen(2x − y 2 ) ].

Obtenga zx , zy y zxy en términos de derivadas parciales de F .
Respuesta:

3 2
zx = 4x Fu + 2 cos(2x − y )Fv

zy = −2y cos(2x − y 2 )Fv

zxy = −4y cos2 (2x − y 2 )Fvv − 8x3 y cos(2x − y 2 )Fuv − 4y sen(2x − y 2 )Fv

Ejemplo 2.10 (Ejercicio). Suponga que

y
x2 + y, ln(x2 + y) −

z=F
x
Demuestre la igualdad
∂z ∂z y
− 2x · =2+ 2
∂x ∂y x
Respuesta: Después de obtener que
2x y Fv 1
zx = 2x Fu + 2
Fv + 2 ∧ zy = Fu + 2
−
y+x x y+x x
∂z ∂z y
Verifique la igualdad − 2x · =2+ 2
∂x ∂y x
2.1.3 Derivación Implı́cita

Ejemplo 2.11. Suponga que z = h(x, y) está definida implı́citamente en la relación
sen(xz) − ln(x2 y + z) = y 3 z + 5
Halle la derivada parcial zx .
Solución:
Derivando implı́citamente la ecuación anterior, tenemos
∂ ∂ 3
sen(xz) − ln(x2 y + z) =

y z+5
∂x ∂x
2xy + zx
=⇒ cos(xz)[z + xzx ] − 2 = y 3 zx
x y+z

1 3 2xy
=⇒ x cos(xz) − 2 − y zx = 2 − z cos(xz)
x y+z x y+z
2xy
x2 y+z
− z cos(xz)
=⇒ zx = 1
x cos(xz) − x2 y+z
− y3

Teorema 2.4 (Teorema de la función implı́cita). Sea F : D → IR una función escalar en n + 1 variables
reales. Si z = h(x1 , . . . xn ) está definida implı́citamente en la ecuación
F (x1 , . . . , xn , z) = 0
entonces para todo i

−Fxi
zxi =
Fz
∂z ∂F/∂xi
=−
∂xi ∂F/∂z
Ejemplo 2.12. Suponga que z = h(x, y) está definida implı́citamente en la ecuación F (x, y, z) = 0,
entonces si derivamos implı́citamente
−Fx
Fx + Fz zx = 0 =⇒ zx =
Fz
−Fy
Fy + Fz zy = 0 =⇒ zy =
Fz
Nota 2.4. Si z = h(x, y) y w = F (x, y, z), tome en cuenta que en general
h i
Fx (x, y, z) 6= F (x, y, z) = wx
x
Por ejemplo, si tomamos

w = F (x, y, z) = x2 y − x + yz 5 + 6
obtendremos las derivadas parciales
Fx = 2xy − 1 ∧ wx = 2xy − 1 + 5yz 4 zx

Ejemplo 2.13. Suponga que z = h(x, y) está definida implı́citamente en la relación
sen(xz) − ln(x2 y + z) = y 3 z + 5
Halle las derivadas parciales zx y zy respectivamente.

Solución: Sea
F (x, y, z) = sen(xz) − ln(x2 y + z) − y 3 z − 5 = 0
entonces
−Fx z cos(xz) − x22xy

y+z
zx = =− 1
Fz x cos(xz) − x2 y+z − y 3
por otro lado

2
−Fy − x2xy+z − 3y 2 z
zy = =− 1
Fz x cos(xz) − x2 y+z − y3

Ejemplo 2.14. Sea z = h(x, y) definida implı́citamente en la ecuación
F (x3 y + z, xz) + y = 0
∂2z
Calcule en términos de las derivadas parciales de F .
∂y∂x
Solución:
Sea 
G(x, y, z) = F (u, v) + y = 0

u = x3 y + z

v = xz

Por el teorema de la función implı́cita y tomando en cuenta el siguiente esquema de dependencias:
tenemos que
−Gx Fx
zx = =−
Gz Fz
Fu ux + Fv vx
=−
Fu uz + Fv vz
(x3 y + z)x Fu + (xz)x Fv
=− 3
(x y + z)z Fu + (xz)z Fv
3x2 yFu + zFv
=−
Fu + xFv
Igualmente
−Gy Fy + 1
zy = =−
Gz Fz
Fu uy + 1
=−
Fu uz + Fv vz
(x3 y + z)y Fu + 1
=− 3
(x y + z)z Fu + (xz)z Fv
x3 Fu + 1
=−
Fu + xFv
Para la segunda derivada consideramos el esquema de dependencias de Fu y de Fv .
Tenemos que
3x2 yFu + zFv

zxy = −
Fu + xFv y
h i h i h i h i
− 3x2 yFu + zFv · Fu + xFv + 3x2 yFu + zFv · Fu + xFv
y y
= h i2
Fu + xFv
donde
h i
3x2 yFu + zFv
y
2 2

= 3x Fu + 3x y Fu y
+ zy Fv + z Fv y
2 2

= 3x Fu + 3x Fuu uy + Fuu uz zy + Fuv vz zy

+ zy Fv + z Fvu uy + Fvu uz zy + Fvv vz zy
también
h i
Fu + xFv
y

= Fu y + x Fv y

= Fuu uy + Fuu uz zy + Fuv vz zy + x Fvu uy + Fvu uz zy + Fvv vz zy
x3 Fu + 1
siendo uy = x3 , vy = 0, uz = 1, vz = x y zy = −
Fu + xFv
Ejemplo 2.15 (Ejercicio). Suponga que z = g(x, y) esta definida implı́citamente mediante la relación
cos(z) − y 2 = xz
Calcule las derivadas parciales zx , zy y zxy .

−z 2y
Respuesta: zx = ∧ zy =
x + sen(z) x + sen(z)
−zy (x + sen(z)) + zzy cos(z) 2xy − 2yz cos(z) + 2y sen(z)

zxy = 2
=
(x + sen(z)) (x + sen(z))3

arctan(xz 2 ) − yz = x2 z − 1
Calcule las derivadas parciales zx y zy en el punto (1, π/4, 1)
−6 −4
Resp. / zx = ∧ zy =
π π
√
x2 z − eyz = 8 − z
Calcule las derivadas parciales zx y zy en el punto (3, ln(2), 1)
−12 4
Resp. / zx = ∧ zy =
19 − 4 ln(2) 19 − 4 ln 2
2.2 Derivadas Direccionales y Gradientes

2.2.1 Cálculo básico
Definición 2.3 (Derivada direccional). Sea f : D ⊆ IRn → IR una función escalar en n variables reales.
La derivada direccional de f en X ∈ D con dirección unitaria u ∈ IRn \ {0} corresponde a
f (X + h u) − f (X)
Du f (X) = lim
h→0 h
La derivada direccional existe si el lı́mite anterior existe.
Cuando la anterior derivada direccional existe
n
X ∂f
Du f (X) = uk · (X)
∂xk
k=1
donde u = (u1 , u2 , . . . , un ) es vector unitario.
Definición 2.4 (Vector Gradiente). Sea f : D ⊆ IRn → IR una función escalar en n variables.
El vector gradiente de f en X o simplemente el gradiente de f en X corresponde a

∂f ∂f ∂f
Grad(f )(X) = ∇f (X) = (X), (X), . . . , (X) ∈ IRn
∂x1 ∂x2 ∂xn
Teorema 2.5. Para toda aplicación f : D ⊆ IRn → IR se tiene que
Du f (X) = ∇f (X) • u
cuando u ∈ IRn \ {0} es unitario.

Si u no es unitario entonces es necesario redefinir la derivada direccional como

1 u ∇f (X) • u
Du f (X) = lim f X +h − f (X) =⇒ Du f (X) =
h→0 h kuk kuk
Ejemplo 2.18. Calcular Du f (2, π/4, 3) cuando

(
f (x, y, z) = xz − cos(x2 y)
u = (−2, 3, 1)
Solución:

∇f (2, π/4, 3) = (fx , fy , fz )

(2,π/4,3)

= z + 2xy sen(x2 y), x2 sen(x2 y), x
(2,π/4,3)
= (3 + π sen(π), 4 sen(π), 2)
= (3, 0, 2)
luego
(3, 0, 2) • (−2, 3, 1) −6 − 0 + 2 −4
Du f (2, π/4, 3) = =√ =√
k(−2, 3, 1)k 4+9+1 14

Definición 2.5 (Derivada a lo largo de una curva). Considere una curva en D ⊆ IRn
C : r = x1 (t), . . . , xn (t)

Sea f una función D → IR, entonces la derivada direccional de f a lo largo de la curva C es la derivada
direccional de f en cada punto de C cuando la dirección es el vector tangente unitario T(t) a la curva:
∇f r(t) • r0 (t)

DC f = DT f r(t) = ∇f r(t) • T(t) =
kr0 (t)k
( Ver el Teorema 2.7 y la Nota 2.6 en las páginas 28 y 29 respectivamente. )
Ejemplo 2.19. Calcule la derivada direccional de f a lo largo de la curva
C : r = cos(2t), sen(3t), 2t , t ∈ [0, 2π]

para la función f (x, y, z) = x + yz 2 + 3.

¿Que valor toma esa derivada en el punto (−1, −1, π)?
Solución: Tenemos que

r0 (t) = − 2 sen(2t), 3 cos(3t), 2

también
kr0 (t)k =
p
4 sen2 (2t) + 9 cos2 (3t) + 4
como
∇f = (1, z 2 , 2yz)
entonces

DC f = DT f r(t)
   
1 −2 sen(2t)
1  z 2 (t)  •  3 cos(3t) 
=p
4 sen (2t) + 9 cos2 (3t) + 4 2 y(t)z(t)
2
2
   
1 −2 sen(2t)
1  4 t2  •  3 cos(3t) 
=p
4 sen (2t) + 9 cos2 (3t) + 4 4 t sen(3t)
2
2
−2 sen(2t) + 12 t2 cos(3t) + 8 t sen(3t)
= p
4 sen2 (2t) + 9 cos2 (3t) + 4
Note que   
cos(2t) −1
π
r(t) = (−1, −1, π) =⇒ sen(3t) = −1 =⇒ t =
  
2
2t π
entonces la derivada de f a lo largo de C en el punto (−1, −1, π) es
h π i −2 · 0 + 6 π · 0 + 4π · (−1)
DC f r = √ = −2π
2 0+0+4

2.2.2 Hiperplanos Tangentes

Teorema 2.6 (Vector normal).
Considere el conjunto Ω de puntos X = (x1 , x2 , . . . , xn ) ∈ IRn tales que
Ω : F (x1 , . . . , xn ) = 0
Si T(t) ∈ IRn es el vector tangente unitario de una curva
C : r = r(t) = x1 (t), . . . , xn (t)

que está contenida en Ω, entonces ∀t ∈ IR

∇F r(t) ⊥ T(t)
Prueba. Como C está contenida en Ω, para todo t ∈ IR

∂h i
F x1 (t), . . . , xn (t) = 0 =⇒ F x1 (t), . . . , xn (t) = 0
∂t
=⇒ F1 · x01 + F2 · x02 + · · · + Fn · x0n = 0
=⇒ ∇F r(t) • r0 (t) = 0

entonces ∇F r(t) ⊥ r0 (t) y como T ∼ r0 (t) , el resultado queda probado.

Definición 2.6 (Hiperplano Tangente). Considere un conjunto de puntos en IRn

Ω : F (x1 , . . . , xn ) = 0
(a) El Hiperplano Tangente a Ω en el punto P0 ∈ Ω corresponde al hiperplano HT generado por las
tangentes de todos las curvas contenidas en Ω que pasan por el punto P0 .
(b) En tal caso
HT : (X − P0 ) • ∇F (P0 ) = 0
(c) El punto P0 es llamado punto de tangencia y el vector ∇F (P0 ) vector normal a Ω en P0 .

(d) Además a la recta
`n : X = P0 + t · ∇F (P0 ), t ∈ IR
es llamada recta normal a Ω en el punto P0 , la cual es ortogonal al plano tangente a HT en P0 .

Notas 2.5.
(a) En IR2 , si tenemos una curva C : F (x, y) = 0 entonces n = ∇F (x0 , y0 ) es la dirección de la recta
normal a C en el punto (x0 , y0 )
Si la curva tiene representación explı́cita
C : y = f (x)
entonces un vector normal a C es
n = (fx , −1)
dado que
y = f (x) ⇐⇒ f (x) − y = 0
=⇒ n = ∇f = (fx , −1)
(b) En IR3 , si tenemos una superficie S : F (x, y, z) = 0 entonces n = ∇F (P0 ) es la dirección de la recta
normal a S en el punto P0 = (x0 , y0 , z0 ).
Además el plano tangente a S en el punto P0 es el plano ΠT normal al vector n, entonces
ΠT : (X − P0 ) • ∇F (P0 ) = 0
ΠT : Fx (P0 ) x + Fy (P0 ) y + Fz (P0 ) z = x0 Fx (P0 ) + y0 Fy (P0 ) + z0 Fz (P0 )
Si la curva tiene representación explı́cita

C : z = f (x, y)
entonces un vector normal a S es

n = (fx , fy , −1)
pues z = f (x, y) ⇐⇒ f (x, y) − y = 0 =⇒ n = (fx , fy , −1)

Ejemplo 2.20. Hallar la ecuación del plano tangente a la superficie
S : z = 3 − x2 − y 2
en el punto P0 = (2, 3, −10).
Solución: Si F (x, y, z) = z + x2 + y 2 − 3 entonces

∇F (2, 3, −10) = (2x, 2y, 1)(2,3,−10) = (4, 6, 1)
es el vector normal al plano tangente ΠT , entonces
ΠT : 4x + 6y + z = (4, 6, 1) • (2, 3, −10) = 16

Ejemplo 2.21. Hallar el punto P0 = (x0 , y0 , z0 ) ∈ IR3 en el cual el plano tangente de la superficie
S : x2 + y 2 + z 2 = 9
es normal al vector (1, 2, 3).
Solución:
Si F (x, y, z) = x2 + y 2 + z 2 − 9, entonces el vector normal a S corresponde a
∇F = (2x, 2y, 2z)
sea α ∈ IR∗ tal que ∇F (P0 ) = α(1, 2, 3) y F (P0 ) = 0, entonces



 2x0 = α
α2 4α2 9α2

2y = 2α
0
=⇒ + + =9

 2z0 = 3α 4 4 4

x2 + y 2 + z 2 = 9

0 0 0
entonces
6
14 α2 = 9 · 4 =⇒ α = ± √
14

3 6 9
∴ P0 = (α/2, α, 3α/2) = ± √ , √ , √
14 14 14

Teorema 2.7 (Recta Tangente). Considere una curva en IR3 de representación cartesiana
(
F (x, y, z) = 0
C :
G(x, y, z) = 0
(a) La recta tangente a la curva en un punto P0 de la misma, es generada por la intersección de los
planos tangentes a las superficies S1 : F (x, y, z) = 0 y S2 : G(x, y, z) = 0 en el punto común P0 .
(b) Si u ∈ IR3 es la dirección de la recta tangente a C en el punto P0 , entonces
u k ∇F (P0 ) × ∇G(P0 )
en tal caso la tangente unitaria

u
T(P0 ) = ±
kuk
(c) Si T es la recta tangente a C en P0
T : X = P0 + α u , α ∈ IR
Ejemplo 2.22. Hallar la ecuación de la recta tangente a la curva

(
x2 + y 2 + z 2 = 38
C :
z = 2x2 − y + 3
en el punto P0 = (1, 6, −1)

Solución:
Si hacemos (
F (x, y, z) = x2 + y 2 + z 2 − 25
G(x, y, z) = 2x2 − y + 3 − z
tenemos que la tangente es paralela al vector ∇F × ∇G

∇F (1, 6, −1) = (2x, 2y, 2z) = (2, 12, −2) ∼ (1, 6, −1)

(1,6,−1)
igualmente
∇G(1, 6, −1) = (4x, −1, −1) = (4, −1, −1)

(1,6,−1)
luego un vector T tangente a la curva satisface
T k (1, 6, −1) × (4, −1, −1)

e1 e2 e3

= 1 6 −1
4 −1 −1

= − 6 − 1, −(−1 + 4), −1 − 24
= (−7, −3, −25)
entonces (7, 3, 25) es un vector tangente a C en (1, 6, −1).

Se concluye que la recta tangente tiene ecuación vectorial
     
x 1 7
T : y =
   6 +t 3
  , t ∈ IR
z −1 25
Paramétricamente
T : r = (1 + 7t, 6 + 3t, −1 + 25t)

Nota 2.6. Considere una curva en D ⊆ IR3 de representación cartesiana
(
F (x, y, z) = 0
C :
G(x, y, z) = 0
La derivada direccional de una función f : D → IR en a lo largo de la curva C corresponde a

∇f (x, y, z) • u(x, y, z)
DC f (x, y, z) = ±Du f (x, y, z) = ±
ku(x, y, z)k
donde el vector u es paralelo al producto cruz:

∇F × ∇G

(x,y,z)
( Ver Definición 2.5 y Teorema 2.7 en las páginas 28 y 25 respectivamente. )

Ejemplo 2.23 (Ejercicio). Considere la curva de representación cartesiana:

 2
 2 y
x − + z2 = 1
C : 2
y = 5 − x2 − z 2

Calcule la derivada direccional de f (x, y, z) = xy 2 − z 3 en el punto (1, 4, −2), a lo largo de de la curva,

cuando la tercera componente del vector tangente a C es negativa para este punto.
Respuesta: La tangente a C es paralela al vector

 
−yz − 2z
y2
h i
∇ x2 − + z2 − 1 × ∇ x2 + z 2 + y − 5 =  0 
2
2x + xy
Que en el punto (1, 4, −2) es (12, 0, 6) ∼ (2, 0, 1), entonces la dirección de la derivada direccional se
toma como (−2, 0, −1).
La derivada direccional de f en el punto (1, 4, −2) a lo largo de de la curva es
(16, 8, −12) • (−2, 0, −1) 20 √

D(−2,0,−1) f (1, 4, −2) = = − √ = −4 5
k(−2, 0, 1)k 5

2.2.3 Interpretación de la derivada direccional

Nota 2.7 (Pendiente en una dirección dada).
Considere un vector unitario u = (u1 , u2 ) ∈ IR2 y una superficie S definida explı́citamente
S : z = f (x, y)
La derivada direccional m = Du f (P0 ) corresponde a la tangente de ángulo formado entre los vectores
(u, 0) = (u1 , u2 , 0) y t = (u1 , u2 , Du f (P0 )), donde t es un vector tangente de la traza
(
z = f (x, y)
T :
u1 (x − x0 ) + u2 (y − y0 ) + u3 (z − z0 ) = 0
Tenemos que que

(u1 , u2 , 0) + (0, 0, Du f ) = t
por lo que (u1 , u2 , 0), (0, 0, Du f ) y t forman un triángulo rectángulo
m = tan(θ) = Du f (P0 )
Note que la derivada direccional mide el crecimiento de las trayectorias sobre la superficie S.
La magnitud m es llamada también pendiente de S en la dirección u.
Nota 2.8. En general, sea Ω : z = f (x1 , . . . , xn ) es un lugar geométrico en IRn+1 .
La derivada direccional m = Du f (P0 ) corresponde al tangente del ángulo θ formado entre los vectores
(u, 0) y (u, m), donde (
(u, 0) = (u1 , u2 , . . . , un , 0)
(u, m) = (u1 , u2 , . . . , un , m)
Siendo (u, m) • (∇f, −1) = ∇f • u − m = m − m = 0, es decir que (u, m) es el vector tangente a Ω en
la dirección de u.
(u, m) • (u, 0) ±1
cos(θ) = ± =√
k(u, m)k 1 + m2
r
p 1 |m|
sen(θ) = 1 − cos2 (θ) = 1 − 2
=√
1+m 1 + m2
Se sigue entonces que
tan(θ) = m = Du f (P0 )
es llamada pendiente de Ω en P0 con dirección u.
Teorema 2.8 (Dirección Óptima). Dado un lugar geométrico en IRn
Ω : z = f (x1 , . . . , xn )
La dirección en la cuál encontramos el máximo y el mı́nimo crecimiento de la pendiente de Ω corres-

ponden a las direcciones
umax = ∇f ∧ umin = −∇f

respectivamente, tomando los valores respectivos:
Dumax f = k∇f k ∧ Dumin f = −k∇f k
Nota 2.9. Si θ es el ángulo formado entre u y ∇f

∇f • u
Du f = = k∇f k cos(θ) es máximo ⇐⇒ θ = 0 ⇐⇒ u k ∇f
kuk
Ejemplo 2.24. Considere una superficie en IR3
(x − 2)2 y 2
S1 : z = − +
9 4
Hallar la dirección u ∈ IR2 en que la derivada direccional o pendiente en el punto P0 = (5, 6, 8) es
máxima, indicar el valor respectivo.
Solución:
Sea
(x − 2)2 y 2
f (x, y) = − +
9 4
entonces la dirección de mayor crecimiento corresponde a la dirección del gradiente

2(x − 2) y
u ∼ ∇f (5, 6) = − , = (−2/3, 3) ∼ (−2, 9)
9 2

(5,6,8)
La dirección de crecimiento máximo de la superficie en el punto (5, 6, 8) corresponde a u = (−2, 9)

O en su forma unitaria
1 −2
u= √
85 9
El valor de la pendiente máxima serı́a
r √
4 85
Du f (5, 6) = k∇f (5, 6)k = k(−2/3, 3)k = +9=
9 3

Ejemplo 2.25 (Ejercicio). [Ejercicio Oficial 4.6.b]
Si w = x2 + xy + y 2 − z, calcule en el punto (1, 1, 3) la derivada direccional máxima de w y el vector a
lo largo del cual ocurre. ¿Cual es la derivada mı́nima y la dirección donde ocurre para el mismo punto?
Respuesta: La derivada √ direccional máxima de w ocurre en la dirección ∇w(1, 1, 3) = (3, 3, −1) y su

valor es k∇w(1, 1, 3)k = 19.√
La derivada mı́nima es − 19 y ocurre en la dirección −∇w(1, 1, 3) = (−3, −3, 1).
2.2.4 Más Ejemplos sobre Derivadas direccionales y gradientes

Ejemplo 2.26 (Ejercicio). [Ejercicio Oficial 4.9]
Calcule la derivada direccional de f (x, y, z) = x3 + y 3 − z 3 en el punto (1, 1, 1), a lo largo de de la
curva : (
2x2 + 2y 2 − z 2 = 3
C :
x2 + y 2 = 2z 2
Respuesta: La tangente a C es paralela al vector
∇ 2x2 + 2y 2 − z 2 − 3 × ∇ x2 + y 2 − 2z 2 = 12 · (−yz, xz, 0)

La derivada direccional de f en el punto (1, 1, 1) a lo largo de de la curva es
(3, 3, −3) • (−1, 1, 0)

± D(−1,1,0) f (1, 1, 1) = ± =0
k(−1, 1, 0)k

Ejemplo 2.27 (Ejercicio). Considere la función f : IR2 → IR tal que
x3 xy 2
f (x, y) = −
24 20
(a) Calcule la derivada direccional de f en el punto P0 = (2, 5) en la dirección del vector (1, −2).
(b) Dar una representación cartesiana del plano tangente T a la superficie
S : z = f (x, y)
Respuestas:
√
∇f (2, 5) • (1, −2) 5
(a) D(2,5) f (1, −2) = =
k(1, −2)k 4
h i
(b) El vector normal al plano tangente en (2, 5) es n = fx , fy , −1 = (−3/4, −1, −1)
(2,0)
Plano Tangente: (3, 4, 4) • (x − 2, y − 5, z + 13/6) = 0 =⇒ 9x + 12y + 12z = 52
Nota: Representación gráfica de la superficie y el plano tangente:
Ejemplo 2.28 (Ejercicio). Considere la función f : IR2 → IR tal que
f (x, y) = −x2 cos(y/4) − y 2
(a) Calcule la derivada direccional de f en el punto P0 = (2, 0) en la dirección del vector (2, 2).
(b) Dar una representación cartesiana del plano tangente T a la superficie
S : z = f (x, y)
Respuestas:
∇f (2, 0) • (2, 2) √
(a) D(2,2) f (2, 0) = = −2 2
k(2, 2)k
h i
(b) El vector normal al plano tangente en (2, 0) es n = fx , fy , −1 = (−4, 0, −1)
(2,0)
Plano Tangente: (−4, 0, −1) • (x − 2, y, z + 4) = 0 =⇒ 4x + z = 4
Nota: Representación gráfica de la superficie y el plano tangente:
Ejemplo 2.29 (Ejercicio). Considere la superficie
xy y2
S: +z = −2
2 16
y sea P0 = (3, −4, 5) un punto que pertenece a S.
(a) Calcule la ecuación vectorial de la recta normal a S en el punto P0 , es decir la recta normal al
plano tangente en P0 .
(b) Hallar el conjunto de puntos (x, y, z) de la superficie S, en los cuales el plano tangente es normal
al vector (1, 0, 1).
Respuestas:
(a) Normal al plano de la superficie: n = (−2, 2, 1)

     
x 3 −2
Recta normal: y  = −4 + t  2 
z 5 1
Nota: Gráfico de la superficie y la recta normal:
hy x y i
(b) La normal en (x, y, z) es n(x, y, z) ∼ , − , 1
2 2 8
1 9
n(x, y, z) ∼ (1, 0, 1) en el punto , 2, −
2 4

Ejemplo 2.30 (Ejercicio). Considere la superficie
x2
S : xy + z + +6=0
25
y sea P0 = (−5, 2, 3) un punto que pertenece a S.
(a) Calcule la ecuación vectorial de la recta normal a S en el punto P0 , es decir la recta normal al
plano tangente en P0 .
(b) Hallar el conjunto de puntos (x, y, z) de la superficie S, en los cuales el plano tangente es normal
al vector (1, 5, 2)
Respuestas:
(a) Normal al plano a la superficie: n = (8, −25, 5)
     
x −5 8
Recta normal: y  =  2  + t −25
z 3 5
Nota: Gráfico de la superficie S y la recta normal a S en P0 .

2x
(b) La normal en (x, y, z) es n(x, y, z) ∼ + y, x, 1
25

5 3
n(x, y, z) ∼ (1, 5, 2) en el punto , , −7
2 10

Ejemplo 2.31 (Ejercicio). Considere la superficie de representación cartesiana
2
x + y2

y
S : z = + 6 sen
2 30
√
Si A = [ 5 π, 0, 3 ]:
(a) Verifique que el punto A pertenece a la superficie S.
(b) Halle representación paramétrica de la recta normal a S en el punto A.
(c) Halle representación cartesiana del plano tangente a S en el punto A.
Respuesta:
√
(a) Evalúe x = 5 π, y = 0 y z = 3 hasta verificar que 3 = 3.
√
(b) Normal al plano tangente de la superficie en A: n = − 3π, 0, −1
   √   √ 
x 5 π − 3π
Recta normal en A es: y  =  0  + t  0 
z 3 −1
(c) Plano tangente en A: √ √
ΠT : 3π x + z = 3 + 5π 3

Ejemplo 2.32 (Ejercicio). Halle una representación vectorial de la recta tangente a la curva
(
x3 + 2xy − y 2 + z 2 = 17
x2 − y 2 + z 2 = 13
en el punto (1, 2, 4).

Respuesta: Si tomamos F = x3 + 2xy 2 2 2 2 2
− y + z − 17 y G = x − y + z − 13, la recta tangente a la
curva es paralela al vector ∇F × ∇G = 8 · 2, −5, −3 .

(1,2,4)
Una representación vectorial de la recta tangente en el punto (1, 2, 4) corresponde a
     
x 1 2
`T : y  = 2 + t · −5  , t ∈ IR
z 4 −3

Ejemplo 2.33 (Ejercicio). Halle el punto P1 de la superficie
S : x2 − y 2 + z 2 = 13, z ≥ 0
en el cual el plano tangente a S sea ortogonal a la recta
x−1 y+2 z
`: = =
2 4 5
Luego escriba la ecuación normal del plano tangente en P1 y una representación vectorial de la recta
normal a S en P1 .
Respuesta: Como la dirección de ` es (2, 4, 5), el plano tangente es ortogonal a ` cuando

     
2 2 2x 2
2 2

∇ x − y + z − 13 k 4 ⇐⇒ ∃ α 6= 0, −2y = α · 4
    
5 2z 5
El punto P1 de S en el cual ocurre es P1 = (2, −4, 5).

2.3 Diferenciales
2.3.1 Primera Diferencial
Definición 2.7 (Diferencial). Sea f : D → IRm una función vectorial en n variables reales.
Se dice que f es diferenciable en X ∈ D si existe Df : D → M (m, n, IR) tal que
lim kf (X + h) − f (X) − Df (X)h k = 0

h→~0
es decir que
f (X + h) − f (X) ≈ Df (X)h
cuando h ≈ (0, . . . 0)
Cuando existe, Df (X) es llamado Diferencial de f o simplemente la derivada de f en X y si
 
f1 (x1 , . . . , xn )
 f2 (x1 , . . . , xn ) 
f (x1 , . . . xn ) = 
 
.. 
 . 
fm (x1 , . . . , xn )
entonces  
D1 f1 (X) D2 f1 (X) ... Dn f1 (X)
 D1 f2 (X) D2 f2 (X) ... Dn f2 (X) 
Df (X) = 
 
.. 
 . 
D1 fm (X) D2 fm (X) . . . Dn fm (X)
La matriz anterior también es llamada Matriz Jacobiana de f y se denota
Jf (X) = Df (X)
Ejemplo 2.34. Sea f : IR3 → IR2 tal que
xy 2 z

f (x, y, z) =
ln(x3 z) − y
Calcule la diferencial Df (2, −3, 1)
Solución:
(xy 2 z)x (xy 2 z)y (xy 2 z)z

" #
Df (x, y, z) =
ln(x3 z) − y ln(x3 z) − y y ln(x3 z) − y z

x
y2z xy 2
  2
y z 2xyz xy 2
 
2xyz
=  3x2 z x3  =  3 1 
   
−1 −1
x3 z x3 z x z
Al final  
9 −12 18
Df (2, −3, 1) =  
3/2 −1 1

Definición 2.8 (Derivada total). Sea f es una función escalar IRn → IR.
El diferencial de f corresponde a
t
Df = D1 f D2 f . . . Dn f = ∇f
en tal caso
f (X + h) − f (X) ≈ Df (X)h , para h ≈ ~0 (h es infinitesimal)
La Derivada Total de f corresponde a la magnitud
n
X
df (X) = Df (X)h = Dk f (X) hk
k=1
donde h = (h1 , . . . , hn ) ≈ (0, . . . 0)

En notación diferencial se escribe hk = dxk , entonces
n
X
df (X) = Dk f (X) dxk = ∇f (X) • dX
k=1
Se suele escribir
dX = (dx1 , . . . , dxn ) = (∆x1 , . . . , ∆xn ) ≈ (0, . . . , 0)
para denotar “incrementos infinitesimales”.
Ejemplo 2.35. Calcule la derivada total de la función
f (x, y, z) = x2 yz 3 − cos(xz 2 ) − y
Solución:
Tenemos que
Df = 2xyz 3 + z 2 sen(xz 2 ) x2 z 3 − 1 3x2 yz 2 + 2xz sen(xz 2 )

luego h i h i h i
df = 2xyz 3 + z 2 sen(xz 2 ) dx + x2 z 3 − 1 dy + 3x2 yz 2 + 2xz sen(xz 2 ) dz

n m
Nota 2.10. Si f : IR → IR , la derivada total de f corresponde a
 
df1 (X) n
 ..  X ∂
df (X) =  .  = f (X) dxk
∂xk
dfm (X) k=1
Ejemplo 2.36. En el ejemplo 2.34 la función
xy 2 z

f (x, y, z) =
ln(x3 z) − y
tiene diferencial  
9 −12 18
Df (2, −3, 1) =  
3/2 −1 1
entonces la derivada total de f en el punto (2, −3, 1) corresponde a

9 dx − 12 dy + 18 dz 9 12 18
df (2, −3, 1) = = dx − dy + dz
3/2 dx − dy + dz 3/2 1 1
Teorema 2.9. Sea f : D → IR una función escalar en n variables reales.
(a) La función f es diferenciable en a si existen todas las derivadas direccionales de f , es decir
∀u ∈ IRn , ∃ Du f (a)
(b) La función f es diferenciable en a si existen y son continuas en a las derivadas parciales D1 f ,

D2 f ,. . . ,Dn f .
Teorema 2.10. Sea f : D → IRm una función vectorial en n variables reales tal que

f (X) = f1 (X), f2 (X), . . . , fm (X)
La función vectorial f es diferenciable en a si existen y son continuas en a las diferenciales
Df1 , Df2 , . . . , Dfn
Teorema 2.11 (Regla de la cadena). Considere dos funciones

(
f : IRn → IRm
g : IRp → IRn
tales que g diferenciable en D ⊆ IRp y f diferenciable en g(D), entonces la composición

f ◦ g : x 7→ f g(x)
es diferenciable en D y satisface

D[f ◦ g(X)] = Df g(X) Dg(X)
en notación de jacobianos
Jf ◦g = Jf Jg
Ejemplo 2.37. Sea f una función D ⊆ IR2 → IR y sea

z = f u(x, y), v(x, y)
Verifique la regla de la cadena haciendo z = f ◦ g(x, y) donde

u(x, y)
g(x, y) =
v(x, y)
Solución:
Tenemos que

D[f ◦ g](x, y) = zx zy

= fu ux + fv vx fu uy + fv vy
Por otro lado  h i



Df (u, v) = fu fv

" #
u x u y
Dg(x, y) = v v



x y
entonces el producto

ux uy
Df (u, v)Dg(x, y) = fu fv
vx vy

= fu ux + fv vx fu uy + fv vy
Se verifica entonces que
D[f ◦ g](x, y) = Df (u, v)Dg(x, y)

Teorema 2.12 (Teorema de la función inversa).
Sean D, E ⊆ IRn y sea f : D → E una función biyectiva, entonces f es invertible.
Luego si f es diferenciable en X y f −1 es diferenciable en Y = f (X) se cumple la igualdad:
h i−1
Df −1 (Y ) = Df (X)
escrito en notación de jacobianos serı́a

h i−1
Jf −1 (Y ) = Jf (X)
Ejemplo 2.38. Verifique el teorema de la función inversa con la función invertible f : IR+ × IR → IR2 tal
que √
u+v
f (u, v) = √
u−v
Solución:
Tenemos que
1
 
" √ √ # √ 1
u+v u+v 2 u 
u v
Jf (u, v) = √ √ = 1
 

u−v u
u−v v
 √ −1
2 u
luego la inversa de Jf corresponde a


−1 −1
 √ √ 
h i−1 1 u u
Jf (u, v) =
 1
− √ 1 = 
−1
√ − 1
√ √  1/2 −1/2
2 u 2 u 2 u 2 u
Por otro lado, ya vimos en el ejemplo 1.7 que

(x + y)2
 

u 4
= f −1 (x, y) = 
 
 x−y

v 
2
entonces
x + y x + y  "√ √ #
u u
Jf −1 (x, y) =  2 2 =
1/2 −1/2 1/2 −1/2
Se verifica entonces que

h i−1
Jf −1 (x, y) = Jf (u, v)

2.3.2 Segunda Diferencial

Definición 2.9 (Segunda Diferencial). Sea f una función D ⊆ IRn → IR.
La función f es dos veces diferenciable, o simplemente derivable dos veces si la función
∇f : D ⊆ IRn → IRn
es diferenciable.
En tal caso se define como Segunda Diferencial de f en X a la matriz
 
f11 f12 . . . f1n
h i  f21 f22 . . . f2n 
D2 f (X) = D ∇f (X) =  .
 
 ..


fn1 fn2 . . . fnn
donde
∂2f
fk` =
∂x` ∂xk
La matriz D2 f también es llamada Matriz Hessiana de f y se denota
Hf (X) = D2 f (X)
Note además, que cuando existen y son continuas todas las derivadas parciales segundas
∂2f ∂2f
= [ Teorema de Schwarz ]
∂x` ∂xk ∂xk ∂x`
entonces Hft = Hf , es decir que Hf es una matriz simétrica
Ejemplo 2.39. Sea f : IR × IR × IR+ → IR tal que
f (x, y, z) = x2 yz 3 + ln(4z) − y
Calcule D2 f .
Solución:
2xyz 3
 
D 2 f = D  x2 z 3 − 1 
3x2 yz 2 + 1/z
2yz 3 2xz 3 6xyz 2
 
=  2xz 3 0 3x2 z 2 
2 2 2 2
6xyz 3x z 6x yz − 1/z 2

Definición 2.10 (Segunda Derivada Total). Dada una función escalar f : D ⊆ IRn → IR, dos veces
diferenciable en X, se define la Segunda Derivada Total de f como
d2 f (X) = d df (x)

" n #
X
=d fk (X) dxk
k=1
n n
" #
X ∂ X
= fk (X) dxk dx`
∂x`
`=1 k=1
Xn Xn
= fk` (X) dxk dx`
`=1 k=1
Donde fk = Dk f , fk` = Dk` f y se cumplen las reglas

( 2
dxk dxk = dxk
dxk dx` = dx` dxk
Cuando f es diferenciable se cumple fk` = f`k , entonces
n
2
X 2 X
d f (X) = fkk (X) dxk +2 fk` (X) dxk dx`
k=1 1≤k<`≤n
En notación matricial se escribe

d2 f = ht Hf h
donde h = dX = (dx1 , dx2 , . . . , dxn ), es decir que
  
f11 ... f1n h1
2
 . .. ..   .. 
d f = h1 . . . hn  .. . .  . 
fn1 . . . fnn hn
siendo h1 = dx1 , h2 = dx2 , . . . , hn = dxn incrementos infinitesimales.
Ejemplo 2.40.
d2 f (x, y) = d fx dx + fy dy

∂ ∂
= fx dx + fy dy dx + fx dx + fy dy dy
∂x ∂y
= fxx (dx) + fyx dydx + fxy dxdy + fyy (dy)2
2
entonces si f : D ⊆ IR2 → IR es 2-diferenciable
df = fxx (dx)2 + 2fxy dxdy + fyy (dy)2
matricialmente
fxx fxy dx
df = dx dy
fxy fyy dy
Ejemplo 2.41. Si f : D ⊆ IR3 → IR es 2-diferenciable con matriz hessiana

 
fxx fxy fxz
Hf = fxy fyy fyz 
fxz fyz fzz
entonces
d2 f = fxx (dx)2 + fyy (dy)2 + fzz (dz)2 + 2fxy dxdy + 2fxz dxdz + 2fyz dydz
Ejemplo 2.42. Sea f : IR × IR × IR+ → IR tal que
f (x, y, z) = x2 yz 3 + ln(4z) − y
Calcule d2 f (−4, 1, 1/4)
Solución:
Ya vimos en el ejemplo 2.39 que
2yz 3 2xz 3 6xyz 2

 
Hf =  2xz 3 0 3x2 z 2 
2 2 2 2
6xyz 3x z 6x yz − 1/z 2
entonces

2 3 2 1 2
d f = 2yz (dx) + 6x yz − 2 (dz)2 + 4xz 3 dxdy + 12xyz 2 dxdz + 6x2 z 2 dydz
z
finalmente
1 1
d2 f (−4, 1, 1/4) = (dx)2 + 8 (dz)2 + dxdy − 3 dxdz + 6 dydz
32 4

Definición 2.11 (Desarrollo de Taylor en varias variables). Sea f : D ⊆ IRn → IR una función dos veces
diferenciable, entonces si h ≈ 0,
1 t 2
f (X + h) ≈ f (X) + Df (X) h + h D f (X) h
2
O lo que es lo mismo
1 t
f (X + h) ≈ f (X) + Jf h + h Hf h
2
además, en notación diferencial
1 2
f (X + dX ) ≈ f (X) + df (X) + d f (X)
2
3 Optimización
3.1 Extremos de Funciones sin restricciones
3.1.1 Conceptos Básicos
Definición 3.1 (Extremos). Si f : D ⊆ IRn → IR es una función escalar en n variables, se dice que
(a) f tiene un máximo local en X0 ∈ D si para todo h ≈ 0
f (X0 + h) ≤ f (X0 )
Formalmente:
∃ ρ > 0 tal que ∀X, kX − X0 k < ρ =⇒ f (X) ≤ f (X0 )
(b) f tiene un mı́nimo local en X0 ∈ D si para todo h ≈ 0
f (X0 + h) ≥ f (X0 )
Formalmente:
∃ ρ > 0 tal que ∀X, kX − X0 k < ρ =⇒ f (X) ≥ f (X0 )
Nota 3.1. Se dice que f (X0 ) es máximo local estricto si para h ≈ 0, f (X0 + h) < f (X0 ), igualmente
se dice que es mı́nimo local estricto si f (X0 + h) > f (X0 ).
Nota 3.2 (Extremos Absolutos). Dada una función f : D ⊆ IRn → IR, se dice que
(a) f (X0 ) es un máximo absoluto en D si
∀X ∈ D, f (X) ≤ f (X0 )
estricto si f (X) < f (X0 )
(b) f (X0 ) es un mı́nimo absoluto en D si
∀X ∈ D, f (X) ≥ f (X0 )
estricto si f (X) > f (X0 )
Ejemplo 3.1. Sea f (x, y) = x2 + y 2 .

f (0, 0) = 0 es un mı́nimo absoluto de la función f , pues
∀(x, y) ∈ IR2 , f (x, y) = x2 + y 2 ≥ 0 = f (0, 0)

3.1.2 Puntos Crı́ticos

Definición 3.2 (Puntos crı́ticos). Sea f : D ⊆ IRn → IR una función escalar en n variables diferenciable.
Dado X0 ∈ D, f (X0 ) es un punto crı́tico de f en D (también llamado punto estacionario) si y solo si
∇f (X0 ) = ~0 = (0, . . . , 0)
Es decir que la derivada total

df (X0 ) = 0
En tal caso X0 es solución del sistema de n ecuaciones


 fx1 (x1 , . . . , xn ) = 0

fx (x1 , . . . , xn ) = 0

2
.
.


 .

fxn (x1 , . . . , xn ) = 0

Teorema 3.1. Sea f : D ⊆ IRn → IR una función diferenciable y sea X0 ∈ D un punto crı́tico de la
función f , osea que
∇f (X0 ) = ~0
Hay tres casos
(a) Si ∀ h ≈ ~0, f (X0 + h) − f (X0 ) ≤ 0 entonces f (X0 ) es un máximo local.

estricto si ∀ h ≈ ~0, f (X0 + h) − f (X0 ) < 0
(b) Si ∀ h ≈ ~0, f (X0 + h) ≥ f (X0 ) entonces f (X0 ) es un mı́nimo local.

estricto si ∀ h ≈ ~0, f (X0 + h) − f (X0 ) > 0
(c) Si existen h, k ≈ ~0 tales que f (X0 + h) < f (X0 ) < f (X0 + k), entonces f no es máximo ni mı́nimo,
en tal caso X0 es llamado “punto de ensilladura” o simplemente “punto silla”.
Ejemplo 3.2. Halle los puntos crı́ticos de la función
f (x, y) = 5x2 + 2xy + y 2 − 7x − y + 6
y clasifique tales puntos como máximo local, mı́nimo local o punto silla.
( Ver Ejemplo 3.3 en página 48 )

∇f (x, y) = 10x + 2y − 7, 2x + 2y − 1
Luego ∇f (x, y) = 0 si y solo si
( (
10x + 2y = 7 x = 3/4
=⇒
2x + 2y = 1 y = 1/2 − x = 1/2 − 3/4 = −1/4
8x =6
Entonces f (x, y) tiene un solo punto crı́tico (3/4, −1/4).

Consideremos ahora
f (3/4 + h, −1/4 + k) − f (3/4, −1/4)

= 5(3/4 + h)2 + 2(3/4 + h)(−1/4 + k) + (−1/4 + k)2 − 7(3/4 + h) − (−1/4 + k) + 6
− 5(3/4)2 + 2(3/4)(−1/4) + (−1/4)2 − 7(3/4) − (−1/4) + 6

15h 3k h k
= + 5h2 + − + 2hk − + k 2 − 7h − k
2 2 2 2
= 5h2 + 2hk + k 2
Es decir, que para X0 = (3/4, −1/4) y h = (h, k) ≈ (0, 0)
f (X0 + h) − f (X0 ) = 5h2 + 2hk + k 2

" 2 2 #
2 2hk k k
=5 h + + − + k2
5 5 5
k 2 k2

=5 h+ − + k2
5 5
k 2 4k 2

=5 h+ + ≥ 0 , ∀(h, k) ≈ (0, 0)
5 5
Se concluye que para todo h = (h, k) ≈ (0, 0)
f (X0 + h) − f (X0 ) ≥ 0 =⇒ f (X0 ) es mı́nimo local
Note que como es el único punto crı́tico, es el mı́nimo absoluto en IRn .

7
∴ ∀(x, y) ∈ IR2 , f (x, y) ≥ f (3/4, −1/4) =
2

3.1.3 Criterio de la segunda derivada

Nota 3.3. Sea f una función escalar en n variables 2-diferenciable.
Recordemos que si h = dX ≈ ~0
1 2
f (X + h ) ≈ f (X) + df (X) + d f (X)
2
Luego, si X0 es punto crı́tico de f entonces
1 2
f (X0 + h ) − f (X0 ) ≈ d f (X0 )
2
dado que df (X0 ) = 0.
Teorema 3.2 (Criterio de la segunda derivada).
Sea f : D ⊆ IRn → IR una función 2-diferenciable y sea X0 ∈ D un punto crı́tico de f .
Es decir, que ∇f (X0 ) = ~0.
Hay tres casos:
(a) Si ∀dX ≈ ~0, d2 f (X0 ) < 0 =⇒ f (X0 ) es un máximo local.
(b) Si ∀dX ≈ ~0, d2 f (X0 ) > 0 =⇒ f (X0 ) es un mı́nimo local.
(c) Si d2 f (X0 ) cambia de signo siendo dX ≈ ~0 entonces f (X0 ) es un punto silla.

Es decir, si d2 f (X0 ) > 0 algunas veces pero d2 f (X0 ) < 0 otras veces.
(d) Si ∃ dX ≈ ~0, d2 f (X0 ) = 0, entonces NO hay criterio para clasificar el punto X0 .

Ejemplo 3.3. Use el criterio de la segunda derivada para mostrar que f (3/4, −1/4) es mı́nimo local de
la función
f (x, y) = 5x2 + 2xy + y 2 − 7x − y + 6
( Ver ejemplos 3.2, 3.4 y 3.6 en páginas 46, 49 y 53 respectivamente)

10x + 2y − 7 15/2 − 1/2 − 7 0
∇f (3/4, −1/4) = = =
2x + 2y − 1 (3/4,−1/4) 5/2 − 1/2 − 1 0
por lo que el punto es crı́tico.

La matriz Hessiana de f en (3/4, −1/4) es

10 2
Hf (3/4, −1/4) =
2 2
luego la segunda derivada
d2 f (3/4, −1/4) = 10 dx2 + 4 dxdy + 2 dy 2
" 2 2 #
2 2 dxdy dy dy
= 10 dx + + − + 2 dy 2
5 5 5
dy 2 2dy 2

= 10 dx + − + 2 dy 2
5 5
dy 2 8dy 2

= 10 dx + + > 0 , ∀(dx, dy) ≈ (0, 0)
5 5
Se concluye que f (3/4, −1/4) es mı́nimo local por el criterio de la segunda derivada.
Nota 3.4 (Uso del Discriminante). Considere
ω = a dx2 + b dxdy + c dy 2
un trinomio cuadrático para los incrementos (dx, dy) 6= (0, 0).

Sea ∆ = b2 − 4ac, entonces

 ∆ < 0 ∧ a > 0 =⇒ ω > 0
∆ < 0 ∧ a < 0 =⇒ ω < 0
∆>0 =⇒ ω cambia de signo

Nota 3.5. Si f : IR2 → IR es una aplicación 2-diferenciable entonces
d2 f = fxx (dx)2 + 2fxy dxdy + fyy (dy)2
es tal que el discriminante

2
∆ = 2fxy − 4fxx fyy
entonces (
d2 f > 0 ⇐⇒

fxx > 0 ∧ fyy > 0
∆ < 0 =⇒
d2 f < 0 ⇐⇒

fxx < 0 ∧ fyy < 0
Si ∆ > 0, entonces d2 f cambia de signo.
Ejemplo 3.4. Pruebe con ayuda del discriminante que la expresión
ω = 10 dx2 + 4 dxdy + 2 dy 2
es positiva para (dx, dy) ≈ (0, 0). ( Ver Ejemplo 3.3 en página 48 )
Solución: Note que el discriminante de ω es
∆ = 42 − 4 · 10 · 2 = 16 − 80 < 0
Significa que ω ≥ 0 siempre, ó ω ≤ 0 siempre.

Como 10 > 0 entonces ω ≥ 0 ( estricto si dx 6= 0 )
Teorema 3.3 (Criterio del discriminante). Sea f : D ⊆ IR2 → IR una aplicación 2-diferenciable y sea
(x0 , y0 ) ∈ D un punto crı́tico, es decir que
∂f ∂f
(x0 , y0 ) = 0 ∧ (x0 , y0 ) = 0
∂x ∂y
entonces
2
(a) Si ∆2 = fxx fyy − fxy > 0 en (x0 , y0 )

fxx (x0 , y0 ) < 0 ∨ fyy (x0 , y0 ) < 0 =⇒ f (x0 , y0 ) es máximo local
f (x , y ) > 0 ∨ f (x , y ) > 0 =⇒ f (x0 , y0 ) es mı́nimo local
xx 0 0 yy 0 0
2
(b) Si ∆2 = fxx fyy − fxy < 0 en (x0 , y0 ), entonces f (x0 , y0 ) es un punto silla.
2
(c) Si ∆2 = fxx fyy − fxy = 0 en (x0 , y0 ), NO hay criterio.
Ejemplo 3.5. [ Segundo Parcial Ma-1003. Ciclo 2-2010 ]

Encontrar todos los puntos crı́ticos de la función
f (x, y) = x3 + 12xy 2 − 15x − 24y
Clasificar todos los puntos crı́ticos
Solución:
Sea ∇f = 0, entonces
( (
fx = 3x2 + 12y 2 − 15 = 0 x2 + 4y 2 = 5
=⇒
fy = 24xy − 24 = 0 xy = 1
Tenemos
1 4
y= =⇒ x2 + 2 = 5
x x
=⇒ x4 + 4 = 5x2
=⇒ x4 − 5x2 + 4 = 0
=⇒ (x2 − 4)(x2 − 1) = 0
luego
x = ±1 ∨ x = ±2
como y = 1/x, los puntos crı́ticos corresponden a
(2, 1/2), (−2, −1/2), (1, 1), y (−1, −1)
Para clasificar los puntos necesitamos las segundas derivadas


2 2
fxx = [3x + 12y − 15]x = 6x

fyy = [24xy − 24]y = 24x

fxy = [3x2 + 12y 2 − 15]y = 24y

entonces
d2 f = 6xdx2 + 48ydxdy + 24xdy 2
d2 f (2, 1/2) = 12dx2 + 24dxdy + 48dy 2

= 12(dx2 + 2dxdy + 4dy 2 )
Note que el discriminante del trinomio anterior es
∆ = 4 − 4 · 4 = −12 < 0
como el coeficiente de dx2 es 12 > 0, entonces
d2 f (2, 1/2) > 0 =⇒ f (2, 1/2) es un mı́nimo local
d2 f (−2, −1/2) = −12dx2 − 24dxdy − 48dy 2

= −12(dx2 + 2dxdy + 4dy 2 )
Ya vimos que el trinomio dx2 + 2dxdy + 4dy 2 > 0, entonces
d2 f (2, 1/2) < 0 =⇒ f (−2, −1/2) es un máximo local
d2 f (1, 1) = 6dx2 + 48dxdy + 24dy 2

= 6(dx2 + 8dxdy + 4dy 2 )
Note que el discriminante del trinomio anterior es
∆ = 64 − 4 · 4 = 48 > 0
entonces d2 f (1, 1) cambia de signo
=⇒ f (1, 1) es un punto silla
d2 f (−1, −1) = −6dx2 − 48dxdy − 24dy 2

= −6(dx2 + 8dxdy + 4dy 2 )
Note que el discriminante del trinomio anterior es otra vez
∆ = 48 > 0
entonces d2 f (−1, −1) cambia de signo
=⇒ f (−1, −1) es un punto de silla

3.1.4 Criterio del Hessiano

Nota 3.6. Recordemos que, si f : D ⊆ IRn → IR es una función 2-diferenciable en D ⊆ IRn , entonces
d2 f = ht Hf h (d2 f es forma cuadrática asociada a la matriz simétrica Hf )
donde h = dX y Hf ∈ M (n, IR) es la matriz hessiana de f .

1
Luego cuando h ≈ ~0, f (X + h) − f (X) ≈ ∇f • h + ht Hf h.
2
Si X0 es un punto crı́tico entonces

1 t
f (X0 + h) − f (X0 ) ≈ h Hf h
2 X=X0
Teorema 3.4 (Criterio del Hessiano). Sea f : D ⊆ IRn → IR una función 2-diferenciable.
Sea X0 ∈ D un punto crı́tico de f y sean H1 , H2 , . . . , Hn submatrices de Hf tales que

H1 = f11

f11 f12
H2 =
f21 f22
 
f11 f12 f13
H3 = f21 f22 f23 
f31 f32 f33
..
.
 
f11 . . . f1i
Hi =  ... ..
. .. 
. 

fi1 ... fii
∂2f ∂2f
Note que Hn = Hf y recuerde que fij = = = fji .
∂xj ∂xi ∂xi ∂xj
Entonces se cumple que:
(a) Hf (X0 ) es una matriz definida negativa sii d2 f (X0 ) < 0, entonces f (X0 ) es un máximo local.
Esto se cumple cuando (−1)i |Hi | > 0, i = 1, 2, . . . n:
|H1 | < 0, |H2 | > 0, |H3 | < 0, |H4 | > 0, ..., (−1)n |Hn | > 0
es decir que |Hi | es positivo cuando “i” es par y negativo si “i” es impar.
(b) Hf (X0 ) es una matriz definida positiva sii d2 f (X0 ) > 0, entonces f (X0 ) es un mı́nimo local.
Esto se cumple cuando |Hi | > 0, i = 1, 2, . . . n:
|H1 | > 0, |H2 | > 0, |H3 | > 0, ..., |Hn | > 0
(c) Hf (X0 ) es una matriz indefinida si d2 f (X0 ) cambia signos, entonces f (X0 ) genera un punto
silla.
Esto pasa si ∀i, |Hi | =
6 0 y Hf no es definida ni positiva ni negativa.
(d) Si para algún i ≥ 0, |Hi | = 0 entonces NO hay criterio.

Nota 3.7. Los determinantes |Hi | del teorema anterior son llamados menores principales de la matriz
simétrica Hf .
Se acostumbra denotar
∆1 = |H1 |, ∆2 = |H2 |, ..., ∆n = |Hn |,
Es decir que ∆i = |Hi |.

Algunos autores indexan los menores principales “al revés”:
∆n = |H1 |, ∆n−1 = |H2 |, ∆n−2 = |H3 |, ..., ∆1 = |Hn |,
Es decir que ∆n−i+1 = |Hi |.

Ejemplo 3.6. Use el criterio de la Hessiana para clasificar el punto crı́tico (3/4, −1/4) de la función
f (x, y) = 5x2 + 2xy + y 2 − 7x − y + 6
( Ver ejemplos 3.2, 3.3 y 3.4 en páginas 46, 48 y 49 respectivamente)

Solución:
10x + 2y − 7 10 2
∇f = =⇒ Hf =
2x + 2y − 1 (3/4,−1/4) 2 2
luego los menores principales de la función son

10 2
∆1 = 10 > 0 ∧ ∆2 =
= 20 − 4 > 0
2 2
Se concluye que Hf es definida positiva, entonces d2 f > 0 =⇒ f (3/4, −1/4) es un mı́nimo local.
Ejemplo 3.7. [ Basado en Segundo Parcial MA-1003. Ciclo 2-2009 ]
Si f (x, y) = x3 + y 3 + 12xy, demuestre que f (−4, −4) es un máximo local.
Solución:
2 2

∇f (−4, −4) = 3x + 12y, 3y + 12x

(−4,−4)

= 3 · 16 + 12 · (−4), 3 · 16 + 12 · (−4) = [0, 0]
entonces f (−4, −4) es un punto crı́tico.
Tenemos las segundad derivadas parciales
fxx = 6x ∧ fyy = 6y ∧ fxy = 12
entonces la matriz hessiana queda

6x 12 −24 12 −2 1
Hf (−4, −4) = = = 12
12 6y (−4,−4) 12 −24 1 −2
Tenemos los menores principales
∆1 = 12 · (−2) < 0

2 −2 1

∆2 = 12 = 144 · (4 − 1) > 0
1 −2
∴ Hf (−4, −4) < 0 =⇒ f (−4, −4) = 64 es un máximo local

Ejemplo 3.8. [ Basado en Poltronieri J. 2004 ]

Hallar los puntos crı́ticos de
f (x, y, z) = x4 + y 4 + z 4 − 4xyz
Clasifique el punto crı́tico (1,1,1).
Solución:
Sea ∇f = 0, entonces
 
3 3
fx = 4x − 4yz = 0
 x − yz = 0 (1)

fy = 4y 3 − 4xz = 0 =⇒ y 3 − xz = 0 (2)
 
fz = 4z 3 − 4xy = 0
 3
z − xy = 0 (3)

Haciendo la resta de ecuaciones (1)-(2) obtenemos
x3 − y 3 − yz + xz = 0 =⇒ (x − y)(x2 + xy + y 2 ) + z(x − y) = 0
=⇒ (x − y)(x2 + xy + y 2 + z) = 0
=⇒ x = y ∨ z = −(x2 + xy + y 2 )
Caso x = y Las ecuaciones (1), (2) y (3) se convierten en

( ( (
x3 − xz = 0 x x2 − z = 0 x = 0 ∨ x2 = z

=⇒ =⇒
z 3 − x2 = 0 z 3 − x2 = 0 z 3 − x2 = 0
x = 0 =⇒ x = y = 0 =⇒ (0, 0, 0) es un pto crı́tico

 3
2 =⇒ x2 − x2 = 0
x = z


=⇒ x6 − x2 = 0


=⇒ x2 x4 − 1 = 0





 =⇒ x = 0 ∨ x = ±1
como y = x ∧ z = x2 , obtenemos los puntos crı́ticos
(0, 0, 0), (1, 1, 1), (−1, −1, 1)
Caso z = −(x2 + xy + y 2 )
Las ecuaciones (1), (2) y (3) se convierten en

3 2 2
x + y(x + xy + y ) = 0
(
x3 + x2 y + xy 2 + y 3 = 0

3 2 2
(4)
y + x(x + xy + y ) = 0 =⇒
 (x2 + xy + y 2 )3 + xy = 0 (5)
−(x2 + xy + y 2 )3 − xy = 0

De la ecuación (4) obtenemos entonces
x2 (x + y) + y 2 (x + y) = 0 ⇐⇒ (x2 + y 2 )(x + y) = 0
entonces x + y = 0 ⇐⇒ y = −x, luego usando la ecuación (5) se obtiene
x6 − x2 = 0 =⇒ x2 (x4 − 1) = 0 =⇒ x = 0 ∨ x = ±1
Si x = 0 =⇒ x = y = z = 0, otra vez obtenemos el pto crı́t. (0,0,0)

Si x = ±1 y como y = −x y z = −(x2 + xy + y 2 ) = −x2 , obtenemos puntos crı́ticos (±1, ∓1, −1)
Es decir
(−1, 1, −1), (1, −1, −1)
Para clasificar puntos crı́ticos necesitamos las segundas derivadas parciales
fxx = 12x2 fxy = −4z

2
fyy = 12y fxz = −4y
2
fzz = 12z fyz = −4x
La matriz Hessiana resulta ser

12x2 −4z −4y
 
Hf =  −4z 12y 2 −4x 

−4y −4x 12z 2
entonces    
12 −4 −4 3 −1 −1
Hf (1, 1, 1) = −4 12 −4 = 4 −1 3 −1
−4 −4 12 −1 −1 3
Los menores principales corresponden a
∆1 = 12 > 0

2 3
−1
∆2 = 4 = 16 · 8 > 0
−1 3

3 −1 −1
∆3 = 43 −1 3 −1

−1 −1 3

3
3 −1 −1 −1 −1 3
= 4 3 + −
−1 3 −1 3 −1 −1
= 43 (3 · 8 − 4 − 4) = 43 · 16 > 0
entonces Hf (1, 1, 1) > 0 =⇒ f (1, 1, 1) es un mı́nimo.
Ejemplo 3.9. Halle y clasifique los puntos crı́ticos de la función
f (x, y) = x2 + 4y 2 − 2xy − y 3 − 4x + y + 5
Solución: Tenemos que Grad(f ) = (0, 0) cuando

(
2x − 2y − 4 = 0 =⇒ x = y + 2
8y − 2x − 3y 2 + 1 = 0
Como x = y + 2,
8y − 2y − 4 − 3y 2 + 1 = 0 =⇒ 3y 2 − 6y + 3 = 0
Entonces
y 2 − 2y + 1 = 0 ⇐⇒ (y − 1)2 = 0 ⇐⇒ y = 1
luego
2x = 2 · 1 + 4 = 6 =⇒ x = 3
Al final solo hay un punto crı́tico: (3, 1)
La Hessiana en (3, 1) es
2 −2 2 −2
H= =
−2 8 − 6y y=1
−2 2
Los menores principales:
2 −2
∆1 = 2 ∧ ∆2 = =0
−2 2
Por lo que no hay criterio de clasificación por Hessiana.
Por segunda derivada tampoco hay criterio porque
d2 f (3, 1) = 2dx2 − 4dxdy + 2dy 2 = 2 (dx − dy)2 = 0, ∀ dx = dy ≈ 0
Por otro lado, tenemos que el incremento
f (3 + h, 1 + k) − f (3, 1) = (3 + h)2 + 4(1 + k)2 − 2(3 + h)(1 + k)

− (1 + k)3 − 4(3 + h) + (1 + k) + 5
− (9 + 4 − 3 − 1 − 12 + 1 + 5)
= h − 2hk + k 2 − k 3
2
= (h − k)2 − k 3
que es positivo si k = 0 ∧ h ≈ 0, pero negativo si h = k ≈ 0.

Se concluye que el único punto crı́tico (3, 1) genera un punto silla.
3.1.5 Más Ejemplos de Optimización sin restricciones

Ejemplo 3.10 (Ejercicio). [Basado en segundo parcial de MA1003, ciclo 2-2007]
Encontrar todos los puntos crı́ticos de f (x, y) = x3 + 3xy 2 − 15x − 12y.
Además, clasifique el punto crı́tico (−2, −1).
Respuesta: Los puntos crı́ticos de f son: (2, 1), (1, 2), (−1, −2) y (−2, −1).
Tenemos que
2 1
Hf (−2, −1) = −6 ·
1 2
Se tiene que ∆1 = −12 < 0 y ∆2 = 18 > 0, entonces f (−2, −1) es máximo local por el criterio del
Hessiano, pues Hf < 0 =⇒ d2 f < 0.
También se puede concluir por el criterio de la segunda derivada notando que
d2 f (−2, −1) = −12 · dx2 + dxdy + dy 2

La forma cuadrática ω = dx2 + dxdy + dy 2 tiene discriminante ∆ = −4 < 0, y como el coeficiente de

dx2 es 1 > 0, entonces
ω > 0 =⇒ d2 f (−2, −1) < 0 =⇒ f (−2, −1) es máximo local.
Ejemplo 3.11 (Ejercicio). Considere la función
f (x, y, z) = 5z 4 − 4xz 2 − 10yz 2 + 2x2 + 7y 2 + 4z 2 + 4xy − 4x − 8y
(a) Halle todos los puntos crı́ticos de la función f .
(b) Clasifique el punto crı́tico (1, 1, −1). Justifique.
Respuestas:
(a) Puntos crı́ticos: (3/5, 2/5, 0), (1, 1, 1), (1, 1, −1)
(b) f (1, 1, −1) es un mı́nimo local por el criterio del Hessiano pues
|H1 | = 4 > 0 |H2 | = 40 > 0 |H3 | = 384 > 0
Nota: Los valores propios de la matriz hessiana de f en (1, 1, −1) son
λ1 ≈ 3.24 λ2 ≈ 2.25 λ3 ≈ 52.5
que son todos positivos, por lo que se verifica que d2 f (1, 1, −1) > 0.

Ejemplo 3.12 (Ejercicio). Considere la función
f (x, y, z) = −2x4 + x2 y 2 − 4y 4 − x2 z − y 2 z + 4y 2 − z 2 − 4z
(a) Halle todos los puntos crı́ticos de la función f .
(b) Clasifique el punto crı́tico (−1, 1, −3). Justifique.
Respuestas:
√ √ √ √
(a) Puntos crı́ticos: [0, 0, −2], [2/ 7, 0, −16/7], [−2/ 7, 0, −16/7], [0, 2/ 5, −12/5], [0, −2/ 5, −12/5],
[1, 1, −3], [1, −1, −3], [−1, 1, −3] y [−1, −1, −3]
(b) f (−1, 1, −3) es un máximo local por el criterio del Hessiano pues
|H1 | = −16 < 0 |H2 | = 496 > 0 |H3 | = −768 < 0
Nota: Los valores propios de la matriz hessiana de f en (−1, 1, −3) son
λ1 ≈ −15.48 λ2 ≈ −33.07 λ3 ≈ −1.5
que son todos negativos, por lo que se verifica que d2 f (1, 1, −1) < 0.

Ejemplo 3.13 (Ejercicio). Demuestre la desigualdad
3x2 + 3y 2 + 2z 2 ≥ 2xy + 4x + 4y + 8z − 12
Sugerencia: Plantear un problema de optimización.
Respuesta: Optimizar la aplicación
f (x, y, z) = 3x2 + 3y 2 + 2z 2 − 2xy − 4x − 4y − 8z + 12
y concluir que f (1, 1, 2) = 0 es un mı́nimo absoluto, entonces f (x, y, z) ≥ f (1, 1, 2) = 0 lo cual implica
la desigualdad.
3x2 + 8y 2 + 3z 2 ≥ 8xy + 2xz − 8y + 16z − 24
Sugerencia: Plantear un problema de optimización.
Respuesta: Al optimizar la aplicación
f (x, y, z) = 3x2 + 8y 2 + 3z 2 − 8xy − 2xz + 8y − 16z + 24
obtenemos que f (1, 0, 3) es un mı́nimo absoluto, entonces f (x, y, z) ≥ f (1, 0, 3) = 0 lo cual implica la
desigualdad.
5x2 + y 2 + 6z 2 + 2xz + 4yz > 8z + 4y − 9x − 9
Respuesta: Optimizar la aplicación
f (x, y, z) = 3x2 + 3y 2 + 2z 2 − 2xy − 4x − 4y − 8z + 12
y concluir que f (−1, 1, 1/2) = 1/2 es un mı́nimo absoluto, entonces

1 1
f (x, y, z) ≥ f −1, 1, = >0
2 2
lo cual implica la desigualdad.

3.2 Extremos de Funciones con restricciones

3.2.1 Conceptos Básicos
Definición 3.3 (Extremos con restricciones).
Sea f : D ⊆ IRn → IR una función escalar y sean g1 , g2 , . . . , gp funciones D → IR funciones escalares
tales que
R : g1 (X) = 0 ∧ g2 (X) = 0 ∧ . . . ∧ gp (X) = 0
Se dice que f (X0 ) es un
(a) Máximo local sujeto a las restricciones R si
f (X0 + h) − f (X0 ) ≤ 0, donde X0 ∈ R ∧ X0 + h ∈ R ∧ h ≈ ~0
estricto si f (X0 + h) − f (X0 ) < 0.
(b) Mı́nimo local sujeto a las restricciones R si
f (X0 + h) − f (X0 ) ≥ 0, donde X0 ∈ R ∧ X0 + h ∈ R ∧ h ≈ ~0
estricto si f (X0 + h) − f (X0 ) > 0.
Nota 3.8. Los extremos sujetos a restricciones también son llamados extremos “condicionados”, “res-
tringidos” o “ligados”.
A las restricciones también se les llaman “ligaduras”.
Ejemplo 3.16. Hallar el paralelepı́pedo de volumen óptimo inscrito en la esfera
x2 + y 2 + z 2 = 9
Solución:
Note que los vértices del paralelepı́pedo son (±x, ±y, ±z), por simetrı́as entre octantes del espacio
cartesiano tenemos que la fórmula del volumen es
V = 8xyz
Como el paralelepı́pedo está inscrito en la esfera x2 +y 2 +z 2 = 9, tenemos como restricción g(x, y, z) = 0

cuando
g(x, y, z) = x2 + y 2 + z 2 − 9
p
El problema equivale a optimizar la función f (x, y, z) = xyz con la restricción z = 9 − x2 − y 2
Basta con optimizar la función

p
f [x, y, z(x, y)] = xy 9 − x2 − y 2
A la vez serı́a equivalente optimizar la función
ϕ(x, y) = x2 y 2 (9 − x2 − y 2 ) = 9x2 y 2 − x4 y 2 − x2 y 4
Si ∇ϕ = (0, 0) entonces (
ϕx = 18xy 2 − 4x3 y 2 − 2xy 4 = 0
ϕy = 18x2 y − 2x4 y − 4x2 y 3 = 0
entonces (
xy 2 (9 − 2x2 − y 2 ) = 0
x2 y(9 − x2 − 2y 2 ) = 0
entonces
x=0 ∨ y=0 ∨ 2x2 + y 2 − 9 = 0
Es claro que V = 0 es un volumen mı́nimo y corresponde a los casos x = 0 ó y = 0.
Sea x 6= 0, u 6= 0 entonces
 2x2 + y 2 − 9 = 0

2y 2 + x2 − 9 = 0
x2 − y 2 = 0

entonces
(x − y)(x + y) = 0 =⇒ x = y ∨ x = −y
Si x = y, entonces
√ p √
9 − 3x2 = 0 =⇒ x = ± 3 =⇒ z = 9 − 2x2 = 3
Si x = −y, entonces
√ p √
9 − 3x2 = 0 =⇒ x = ± 3 =⇒ z = 9 − 2x2 = 3
como nos restringimos al primer octante obtenemos el punto crı́tico

√ √ √
( 3, 3, 3)
La matriz Hessiana correspondiente es
18y 2 − 12x2 y 2 − 2y 4 36xy − 8x3 y − 8xy 3

Hϕ =
36xy − 8x3 y − 8xy 3 18x2 − 2x4 − 12x2 y 2
luego
√ √

−72 −36 2 1
Hϕ ( 3, 3) = = −36
−36 −72 1 2
∆1 = −72 < 0 ∧ ∆2 = (−36)2 (4 − 1) > 0

√ √
entonces ϕ( 3, 3) es un máximo, luego el volumen máximo es
√ √ √ √
V = 8ϕ( 3, 3) = 8 · 3 3 = 24 3

Nota 3.9. Considere el problema de optimizar z = f (x, y) con la restricción g(x, y) = 0.

Note que f (X0 , y0 ) es un punto extremo en la restricción si la recta tangente T a la traza
(
z = f (x, y)
C :
g(x, y) = 0
es horizontal.
La dirección de la recta tangente T corresponde a

fx fy −1
(fx , fy , −1) × (gx , gy , 0) =

gx gy 0
= (gy , gx , fx gy − gx fy )
entonces fx gy = gx fy
Como tenemos la restricción
−gx −gy
g(x, y) = 0 =⇒ y 0 (x) = ∨ x0 (y) =
gy gx
z = f x, y(x) es un punto crı́tico ⇐⇒ zx = fx + fy y 0 (x) = 0

z = f x(y), y es un punto crı́tico ⇐⇒ zx = fx x0 (y) + fy = 0

entonces un punto crı́tico con la restricción g(x, y) = 0 satisface

( (
fx − (gx /gy )fy = 0 fx − (fy /gy )gx = 0
=⇒
−(gy /gx )fx + fy = 0 fy − (fx /gx )gy = 0
como
fx gy = gx fy =⇒ λ = −fx /gx = −fy /gy
Entonces existe λ tal que (
fx + λgx = 0
fy + λgy = 0
Si definimos
L(λ, x, y) = f (x, y) + λg(x, y)
Grad L = (0, 0, 0) implica 
g(x, y) = 0

fx + λgx = 0

fy + λgx = 0

Definición 3.4 (Multiplicadores de Lagrange).

Sean f, g1 , g2 , . . . , gp funciones D ⊆ IRn → IR.
La Función de Lagrange L : D → IR asociada a f bajo las restricciones
g1 (X) = 0, g2 (X) = 0 . . . , gp (X) = 0
corresponde a
L(X) = f (X) + λ1 g1 (X) + λ2 g2 (X) + . . . + λp gp (X)
Los parámetros λ1 , λ2 , . . . , λp son llamados Multiplicadores de Lagrange.
Teorema 3.5. El problema de optimizar z = f (X) bajo las restricciones
g1 (X) = 0, g2 (X) = 0, . . . , gp (X) = 0
es equivalente al problema de optimizar la función de Lagrange L(X).

Es decir, f (X0 ) es un punto crı́tico con restricciones entonces existen escalares λ1 , λ2 , . . . , λp tales
que
∂f ∂g1 ∂g2 ∂gp
(X0 ) + λ1 (X0 ) + λ2 (X0 ) + · · · + λp (X0 ) = 0
∂xi ∂xi ∂xi ∂xi
o lo que es lo mismo, X0 es punto crı́tico condicionado si es solución del sistema



 Lx1 (X) = 0



 Lx2 (X) = 0
..






 .

L (X) = 0
xn


 g1 (X) = 0

g (X) = 0

 2
..





 .

g (X) = 0
p
3.2.2 Criterio de la segunda derivada con restricciones

Teorema 3.6 (Criterio de la segunda derivada).
Considere el problema de optimizar z = f (X) bajo las restricciones
g1 (X) = 0, g2 (X) = 0 . . . , gp (X) = 0
Sea
L(X) = f (X) + λ1 g1 (X) + λ2 g2 (X) + . . . , λp gp (X)
la función de Lagrange correspondiente.
( Ver Definición 3.4 y Teorema 3.5 en las páginas 62 )
Sea X0 un punto crı́tico restringido, es decir que X0 es solución del sistema


 Lx1 (x1 , x2 , . . . , xn ) = 0

 ..



 .
Lxn (x1 , x2 , . . . , xn ) = 0


 g1 (x1 , x2 , . . . , xn ) = 0

 ..
.




gp (x1 , x2 , . . . , xn ) = 0

Tenemos que
d2 L = d2 f + λ1 d2 g1 + λ2 d2 g2 + · · · + λp d2 gp
las restricciones gm (X) = 0 nos genera el siguiente sistema

∇g1 (X0 ) • dX = 0


∇g2 (X0 ) • dX = 0
 n
X ∂gm
. ⇐⇒ (X0 ) dxi = 0, m = 1, 2, . . . p
 .. ∂xi


 i=1
∇gp (X0 ) • dX = 0

el cual nos permite disminuir la cantidad de variables diferenciales dxi .

Después de aplicar las condiciones anteriores a d2 L(X0 ) tenemos que
(a) Si ∀dX ≈ ~0, d2 L(X0 ) < 0 =⇒ f (X0 ) es un máximo local condicionado.
(b) Si ∀dX ≈ ~0, d2 L(X0 ) > 0 =⇒ f (X0 ) es un mı́nimo local condicionado.
(c) Si d2 L(X0 ) cambia de signo siendo dX ≈ ~0 entonces f (X0 ) es un punto silla condicionado.
Es decir, si d2 L(X0 ) > 0 algunas veces pero d2 L(X0 ) < 0 otras veces.
(d) Si ∃ dX ≈ ~0, d2 L(X0 ) = 0, entonces NO hay criterio para clasificar el punto X0 .
Ejemplo 3.17. [ Segundo Parcial MA-1003. Ciclo 2-2008 ]

Usar multiplicadores de Lagrange para hallar todos los puntos crı́ticos de la función
f (x, y, z) = xy + yz + xz
bajo la condición g(x, y, z) = x2 +y√

2 − z 2 − 1 = 0.
√
Además clasificar el punto crı́tico 22 , − 22 , 0 .
Solución:
Tenemos la función de Lagrange correspondiente
L(x, y, z) = xy + yz + xz + λ(x2 + y 2 − z 2 − 1)
Entonces para hallar los puntos crı́ticos hay que resolver el sistema
 


 y + z + λ(2x) = 0 

 y + z + 2λx = 0 (1)

x + z + λ(2y) = 0 
x + z + 2λy = 0 (2)
⇐⇒


 y + x + λ(−2z) = 0 

 y + x − 2λz = 0 (3)
x2 + y 2 − z 2 = 1
 x2 + y 2 − z 2 = 1

(4)
Restando las ecuaciones (1) y (2) obtenemos
y − x + 2λ(x − y) = 0 =⇒ (x − y)(2λ − 1) = 0
entonces x = y ∨ λ = 1/2
Caso x = y
 
x + z + 2λx = 0
 (1 + 2λ)x + z = 0

2x − 2λz = 0 =⇒ x = λz

 2 
2x − z 2 = 1
 2
2x − z 2 = 1
entonces
(1 + 2λ)λz + z = 0 =⇒ (2λ2 + λ + 1)z = 0

=⇒ z = 0, pues 1 − 4 · 2 < 0
luego 
(1 + 2λ)x = 0

p
x=λ·0=0 =⇒ x = ± 1/2 ∧ x = 0 E

 2
2x − 0 = 1
∴ No hay puntos crı́ticos en este caso
Caso λ = 1/2
 
x + y + z = 0
 z = 0

x+y−z =0 =⇒ x + y = 0

 2 
x + y2 − z2 = 1
 2
x + y 2 − z 2 = 1 =⇒ x2 + y 2 = 1
entonces
√
2
p 2
x = −y =⇒ 2x = 1 =⇒ x = ± 1/2 = ±
2
como x = −y tenemos los puntos crı́ticos
√ √ ! √ √ !
2 2 2 2
,− ,0 ∧ − , ,0
2 2 2 2
√ √
Al final, para clasificar el punto crı́tico 22 , − 22 , 0 , debemos notar que corresponde al caso λ = 1/2.
Tenemos las segundas derivadas de L
 
Lxx = 2λ
 Lxy = 1

Lyy = 2λ Lxz = 1
 
Lzz = −2λ Lyz = 1
 
Luego
d2 L = 2λdx2 + 2λdy 2 − 2λdz 2 + 2dxdy + 2dxdz + 2dydz
Aplicando la restricción
x2 + y 2 − z 2 = 1 =⇒ 2x dx + 2y dy − 2z dz = 0 =⇒ z dz = x dx + y dy
√ √
En el punto 22 , − 22 , 0
λ=1/2
√ √
2 2
0= dx − dy =⇒ dx = dy
2 2
Entonces
d2 L = dx2 + dy 2 − dz 2 + 2dxdy + 2dxdz + 2dydz

= dx2 + dx2 − dz 2 + 2dx2 + 2dxdz + 2dxdz
= 4dx2 + 4dxdz − dz 2
la forma cuadrática
√ √
anterior
tiene discriminante ∆ = 16 + 4 · 4 > 0, entonces d2 L cambia de signo,
significa que 22 , − 22 , 0 genera un punto silla.
Nota 3.10. En el ejercicio anterior, después de aplicar las restricciones se obtuvo la segunda derivada:

2 2 2
4 2 dx
d L = 4dx + 4dxdz − dz = dx dz
2 −1 dz
la cual es una forma cuadrática asociada a la matriz simétrica

4 2
H=
2 −1
que a su vez tiene los menores principales

ˆ1 = 4 > 0 ˆ 2 = 4 2 = −8 < 0

∆ ∧ ∆ 2 −1
Por lo que la matriz H es indefinida, entonces d2 L presenta cambios de signo.

3.2.3 Criterio del Hessiano Orlado

Teorema 3.7 (Criterio del Hessiano Orlado).
Considere el problema de optimizar z = f (X) bajo las restricciones
g1 (X) = 0, g2 (X) = 0, . . . , gp (X) = 0
Sea
L(X) = f (X) + λ1 g1 (X) + λ2 g2 (X) + · · · + λp gp (X)
la función de Lagrange correspondiente.
Sea X0 un punto crı́tico restringido, es decir que X0 es solución del sistema


 Lx1 (x1 , x2 , . . . , xn ) = 0

 ..



 .
Lxn (x1 , x2 , . . . , xn ) = 0


 g1 (x1 , x2 , . . . , xn ) = 0

 ..
.




gp (x1 , x2 , . . . , xn ) = 0

Sea
g(X) = g1 (X), g2 (X), . . . , gp (X)
Se define el Hessiano Orlado Ho como la matriz Hessiana de la función de Lagrange
L = L(λ1 , . . . , λp , x1 , . . . , xn )
entonces Ho ∈ M (n + p, IR) es tal que
 
 0 Jg 
Ho =  
Jgt D2 L
donde Jg es la matriz jacobiana de g y D2 L es la matriz hessiana de L en las variables x1 , . . . , xn .

Tenemos entonces:
 ∂g1 ∂g1 
0 ... 0 ∂x1 ... ∂xn
 .. .. .. .. .. .. 
 .
 . . . . . 


 0 ... ∂g p ∂gp 
0 ∂x1 ... ∂xn
 ∂2L
Ho =  siendo Lij =
 
∂xj ∂xi

 ∂g1 . . . ∂gp L ... L1n 
 ∂x1 ∂x1 11 
 .. .. .. ..
 
.. ..
. .

 . . . . 
∂g1 ∂gp
∂xn . . . ∂xn Ln1 ... Lnn
Defina los menores principales de L como
∂g1 ∂g1

0 ... 0 ∂x1 ... ∂xi

.. .. .. .. .. ..

. . . . . .

∂gp ∂gp
0 ... 0 ∂x1 ... ∂xi

∆i =

∂g1 ∂gp

∂x1 ... ∂x1 L11 . . . L1i

.. .. .. ..

.. ..
. .

. . . .
∂g1 ∂gp

∂xi ... ∂xi Li1 . . . Lii
es decir
0 ∂g1 ∂g1

0 ∂g1
... 0 ∂x1 ∂x2

... 0 ∂x1

.. .. .. .. ..

.
.. .. .. .. . . . . .
. . .
∂gp ∂gp
∆1 = ∂gp
∆2 = 0 ... 0 ∂x1 ∂x2

0 ... 0
∂x1
∂g1 ∂gp

∂g1 ∂gp

∂x1 ... ∂x1 L11 L12
... L11

∂x1 ∂x1 ∂g ∂gp

1 ... L21 L22
∂x2 ∂x2

0 ... ∂g1 ∂g1 ∂g1
0 ∂x1 ∂x2 ∂x3
. .. .. .. .. ..
.. . . . . .

∂gp ∂gp ∂gp

0 ... 0 ∂x1 ∂x2 ∂x3
∆3 = ......

∂g1 ∂g
∂x1 . . . ∂xp1 L11 L12 L13

∂g1 . . . ∂gp L21 L22 L23
∂x2 ∂x2
∂g1 ∂gp

∂x3 . . . ∂x3 L31 L32 L33

Siempre que Rng Jg (X0 ) = p tenemos que:
(a) Si Ho (X0 ) es una matriz definida negativa, entonces f (X0 ) es un máximo local condicionado.
En este caso verificar
(−1)i ∆i > 0, i = p + 1, p + 2, . . . , n
Solamente nos interesarı́a analizar los signos de
∆p+1 , ∆p+2 , . . . , ∆n
entonces se debe cumplir
(−1)p+1 ∆p+1 > 0, (−1)p+2 ∆p+2 > 0, (−1)p+3 ∆p+3 > 0, ..., (−1)p+n ∆n > 0
Es decir que ∆i positivo si i es par y negativo si i impar, cuando p + 1 ≤ i ≤ n.
(b) Si Ho (X0 ) es una matriz definida positiva, entonces f (X0 ) es un mı́nimo local.
En este caso verificar
(−1)p |Hi | > 0, i = p + 1, p + 2, . . . , n
Solamente nos interesarı́a analizar los signos de ∆p+1 , ∆p+2 , . . . , ∆n

entonces se debe cumplir
(−1)p ∆p+1 > 0, (−1)p ∆p+2 > 0, (−1)p ∆p+3 > 0, ..., (−1)p ∆n > 0
Es decir que para p + 1 ≤ i ≤ n, ∆i siempre tiene el signo de (−1)p , positivo si p es par y negativo
si p impar.
(c) Si Ho (X0 ) es una matriz indefinida, entonces f (X0 ) es punto silla.

Esto pasa si |Ho | =
6 0 y Ho no es ni positiva ni negativa.
(d) Si para algún i, ∆i = 0 entonces NO hay criterio.

Nota 3.11 (3 variables con 1 restricción). Sea (x0 , y0 , z0 ) un punto crı́tico de f (x, y, z) cuando hay una
restricción g(x, y, z) = 0.
Tenemos n = 3 variables y p = 1 restricción.
Hay que analizar ∆i para i = 2, 3.

∂g ∂g ∂g
0

∂g ∂g ∂x ∂y ∂z
0 ∂x ∂y

∂g
∆2 = ∂g L ∧ ∆ = ∂x L11 L12 L13

L 3
∂x 11 12 ∂g
∂g ∂y L21 L22 L23

∂y L21 L 22
∂g L

31 L32 L33
∂z
(a) Si ∆2 > 0 ∧ ∆3 < 0 =⇒ f (x0 , y0 , z0 ) es un máximo condicionado.
(b) Si ∆2 < 0 ∧ ∆3 < 0 =⇒ f (x0 , y0 , z0 ) es un mı́nimo condicionado.

Pues (−1)p = (−1)1 = −1 < 0
Nota 3.12 (3 variables con 2 restricciones). Sea (x0 , y0 , z0 ) un punto crı́tico de f (x, y, z) cuando hay dos
restricciones g1 (x, y, z) = 0 y g2 (x, y, z) = 0.
Tenemos n = 3 variables y p = 2 restricciones.
Hay que analizar ∆i para i = 3 nada más.

0 ∂g1 ∂g1 ∂g1
0 ∂x ∂y ∂z

0 ∂g2 ∂g2 ∂g2
0 ∂x ∂y ∂z

∆3 = ∂g1 ∂g2 L

∂x ∂x 11 L12 L13

∂g1 ∂g2
∂y ∂y L21 L22 L23

∂g1 ∂g2

∂z ∂z L31 L32 L33
(a) Si ∆3 < 0 =⇒ f (x0 , y0 , z0 ) es un máximo condicionado.
(b) Si ∆3 > 0 =⇒ f (x0 , y0 , z0 ) es un mı́nimo condicionado.

Pues (−1)p = (−1)2 = 1 > 0
Nota 3.13 (4 variables con 1 restricción). Sea (x0 , y0 , z0 , w0 ) un punto crı́tico de f (x, y, z, w) cuando hay
una restricción g(x, y, z, w) = 0.
Tenemos n = 4 variables y p = 1 restricción.
Hay que analizar ∆i para i = 2, 3, 4.
(a) Si ∆2 > 0 ∧ ∆3 < 0 ∧ ∆4 > 0 =⇒ f (x0 , y0 , z0 ) es un máximo condicionado.
(b) Si ∆2 < 0 ∧ ∆3 < 0 ∧ ∆4 < 0 =⇒ f (x0 , y0 , z0 ) es un mı́nimo condicionado.

Pues (−1)p = (−1)1 = −1 < 0
Nota 3.14 (4 variables con 2 restricciones). Sea (x0 , y0 , z0 , w0 ) un punto crı́tico de f (x, y, z, w) cuando
hay una restricción g1 (x, y, z, w) = 0 y g2 (x, y, z, w) = 0.
Hay que analizar ∆i para i = 3, 4.
(a) Si ∆3 < 0 ∧ ∆4 > 0 =⇒ f (x0 , y0 , z0 ) es un máximo condicionado.
(b) Si ∆3 > 0 ∧ ∆4 > 0 =⇒ f (x0 , y0 , z0 ) es un mı́nimo condicionado.

Pues (−1)p = (−1)2 = 1 > 0
Nota 3.15 (4 variables con 3 restricciones). Sea (x0 , y0 , z0 , w0 ) un punto crı́tico de f (x, y, z, w) cuando
hay una restricción g1 (x, y, z, w) = 0, g2 (x, y, z, w) = 0 y g3 (x, y, z, w) = 0.
Hay que analizar ∆i para i = 4 nada más.
(a) Si ∆4 > 0 =⇒ f (x0 , y0 , z0 ) es un máximo condicionado.
(b) Si ∆4 < 0 =⇒ f (x0 , y0 , z0 ) es un mı́nimo condicionado.

Pues (−1)p = (−1)3 = −1 < 0
Ejemplo 3.18. [ Basado en Segundo Parcial - Ciclo 2-2010 ]

Muestre que (2, 2, 8) es un punto crı́tico de la función f (x, y, z) = xyz sujeta a la condición
x2 + y 2 + z = 16
Solución:
Primero que todo, note que (2, 2, 8) cumple la restricción
22 + 22 + 8 = 4 + 4 + 8 = 16
La función de Lagrange correspondiente es
L(x, y, z) = xyz + λ(x2 + y 2 + z − 16)
entonces
   
yz + 2λx 16 + 4λ
∇L(2, 2, 8) = xz + 2λy  = 16 + 4λ
xy + λ (2,2,8) 4+λ

16 + 4λ = 0
 
0 
∇L(2, 2, 8) = 0 =⇒ 16 + 4λ = 0
0

4+λ=0

El sistema anterior es consistente y tiene solución λ = −4, entonces (2, 2, 8) es punto crı́tico.
Tenemos la matriz hessiana de L
   
2λ z y −8 8 2
D2 L(2, 2, 8) =  z 2λ x  =  8 −8 2 
y x 0 (2,2,8) 2 2 0
y el jacobiano de g(x, y, x) = x2 + y 2 + z − 16

Jg (2, 2, 8) = 2x 2y 1 (2,2,8) = 4 4 1 (2,2,8)
Generan la matriz Hessiana orlada

 
0 4 4 1
 4 −8 8 2 
Ho =  
 4 8 −8 2 
1 2 2 0
Como el número de restricciones es p = 1, hay que analizar ∆2 y ∆3


0 4 4

∆2 = 4 −8 8 = · · · = 512 > 0

4 8 −8

0 4 4 1

4 −8 8 2
= · · · = −512 < 0
∆3 =
4 8 −8 2

1 2 2 0
∴ ∆2 > 0 ∧ ∆3 < 0 =⇒ d2 L < 0

=⇒ (2, 2, 8) es máximo local condicionado

3.2.4 Más Ejemplos de Optimización con restricciones

Ejemplo 3.19 (Ejercicio). Considere un problema de optimización de la función
f (x, y, z) = x2 + y 2 + z 2 + 2yz − 2x + 2y
sujeta a la restricción:
5x2 + 8y 2 + 4z 2 − 8xy + 8yz = 1
(a) Halle todos los puntos crı́ticos condicionados.
(b) Clasifique el punto crı́tico condicionado (0, −1/2, 1/2)

Justifique.
Respuestas:
√ √ √ √ √ √
(a) Puntos crı́ticos: [− 3/2, −(2 3 − 1)/4, (2 3 − 1)/4]λ=−1 , [ 3/2, (2 3 + 1)/4, −(2 3 + 1)/4]λ=−1 ,
[0, −1/2, 1/2]λ=1/2 , [0, 1/2, −1/2]λ=−1/2
(b) f (0, −1/2, 1/2) es un mı́nimo local por el criterio del hessiano orlado pues
|H2 | = −144 < 0 |H3 | = −288 < 0

Ejemplo 3.20 (Ejercicio). Considere un problema de optimización de la función
f (x, y, z) = x2 + y 2 + 2z 2 − 2xz + 2yz − 2z
sujeta a la restricción:
4x2 + y 2 + 9z 2 − 8xz + 2yz = 1
(a) Halle todos los puntos crı́ticos condicionados.
(b) Clasifique el punto crı́tico condicionado (1/2, −1/2, 1/2)

Justifique.
Respuestas:
√ √
(a) Puntos crı́ticos: [−1/4, −(2 3−1)/4, −1/4]λ=−1 , [−1/4, (2 3+1)/4, −1/4]λ=−1 , [−1/2, 1/2, −1/2]λ=−1/2 ,
[1/2, −1/2, 1/2]λ=1/2
(b) f (1/2, −1/2, 1/2) es un mı́nimo local restrigido por el criterio de la segunda derivada pues
d2 f (1/2, −1/2, 1/2) = 6 dx2 + 3 dy 2 > 0

Ejemplo 3.21 (Ejercicio). Hallar el punto de la superficie
C : 20x2 − 13y 2 − 4z 2 + 12yz = −80

más cercano al punto (0, 0, 0), ¿a que distancia está ese punto?
Sugerencia: Plantear un problema de optimización con restricciones.
p
Respuesta: Como la distancia de (x, y, z) al origen es d = x2 + y 2 + z 2 , podemos optimizar la función
f (x, y, z) = x2 + y 2 + z 2 , tomando como restricción la ecuación que genera a la curva C .
√ final obtendremos que los puntos más cercanos son (0, 2, −1) y (0, −2, 1) que están a una distancia
Al
d = 5.
Ejemplo 3.22 (Ejercicio). Hallar el punto de la superficie

C : 9x2 + 8y 2 + 8z 2 − 20yz = 36
más cercano al punto (0, 0, 0), ¿a que distancia está ese punto?
√
Respuesta: Los puntos más cercanos son (0, −1, 1) y (0, 1, −1) que están a una distancia d = 2.
Ejemplo 3.23 (Ejercicio). Hallar menor distancia entre las superficies
C1 : x2 + 4y 2 + 4xy − 20x − 15y = 25 ∧ C2 : x2 + 4y 2 + 4xy − 35y + 20x = −325

¿Cuales son los puntos más cercanos entre C1 y C2 ?
Debe demostrar que la distancia es mı́nima.
p
Respuesta: Como la distancia entre dos puntos (u, v) y (x, y) es d = (x − u)2 + (y − v)2 , podemos
optimizar la función f (x, y, u, v) = (x − u)2 + (y − v)2 , sujeta a las restricciones:
x2 + 4y 2 + 4xy − 20x − 15y = 25 ∧ u2 + 4v 2 + 4uv − 35v + 20u = −325
Al final vamos a obtener que los puntos más cercanos entre ambas superficies son
(−3, 4) ∈ C1 ∧ (−7, 6) ∈ C2
√
con distancia d = 2 5.
Ejemplo 3.24 (Ejercicio). La superficie
S : 58x2 + 25y 2 + 58z 2 + 84xz = 400
corresponde a un elipsoide centrado en el (0, 0, 0).
Halle los semiejes de S, ası́ como también los puntos donde se ubican.
Respuesta: Al optimizar las distancias al origen, con restricción en la ecuación del elipsoide, obtendremos
los semiejes 2, 4 y 5 de los puntos crı́ticos:
√ √ √ √
(− 2, 0, − 2) ∧ ( 2, 0, 2) que son mı́nimos correspondientes al semieje 2
(0, −4, 0) ∧ (0, 4, 0) que son puntos silla correspondientes al semieje 4
√ √ ! √ √ !
5 2 5 2 5 2 5 2
− , 0, ∧ , 0, − que son máximos correspondientes al semieje 5
2 2 2 2

Ejemplo 3.25 (Ejercicio). La superficie de representación cartesiana
S : 25x2 + 8y 2 + 25z 2 − 14xz = 288
corresponde a un elipsoide centrado en el origen.
Halle los semiejes de S, ası́ como también los puntos donde se ubican.
Respuesta: Los semiejes son 3, 4 y 6 correspondientes con los puntos crı́ticos
√ √ ! √ √ !
3 2 3 2 3 2 3 2
− , 0, ∧ , 0, − que son máximos asociado al semieje 3
2 2 2 2
√ √ √ √
(−2 2, 0, −2 2) ∧ (2 2, 0, 2 2) que son mı́nimos asociado al semieje 4
(0, −6, 0) ∧ (0, 6, 0) que son puntos silla asociado al semieje 6

Ejemplo 3.26 (Ejercicio). Halle la distancia mı́nima entre el punto P = (2, 1, 3) y la superficie
S : 3x4 − 24x3 + 78x2 − 120x − 2x2 z + 8xz − 26z + 3z 2 + 2y + 105 = 0
Respuesta: El punto más cercano entre la superficie y el punto P es (2, −3, 3), entonces la distancia
mı́nima es igual a d = 4.
3.3 Extremos Absolutos

Definición 3.5 (Extremos Absolutos). Sea f : D → IR una función en n variables.
Se dice que
(a) f (X0 ) es un máximo absoluto en D si
∀X ∈ D, f (X) ≤ f (X0 )
estricto si f (X) < f (X0 )
(b) f (X0 ) es un mı́nimo absoluto en D si
∀X ∈ D, f (X) ≥ f (X0 )
estricto si f (X) > f (X0 )

Nota 3.16. Si en la definición anterior
D = {X ∈ IRn / g1 (X) ≤ 0 ∧ g2 (X) ≤ 0 . . . ∧ gp (X) ≤ 0}
El problema de optimizar z = f (X) se divide en dos partes.

(a) En el interior de D: Optimizar z = f (X) sin restricciones, y analizar los puntos crı́ticos cuando
están en D.
(b) En la frontera de D: Optimizar z = f (X) las restricciones en todas las combinaciones posibles
g1 (X) = 0 ∨ g2 (X) = 0 . . . ∨ gp (X) = 0
gi (X) = 0 para i = 1, 2 ∨ i = 1, 3 ∨ i = 2, 3 . . .
gi (X) = 0 para i = 1, 2, 3 ∨ i = 1, 2, 4 ∨ i = 1, 3, 4 . . .
..
.
Al final reunir todos lo máximos y mı́nimos locales con o sin restricciones, el que alcance en mayor
valor de entre los máximos es el máximo absoluto, mientras que el que alcance en menor valor de entre
los mı́nimos es el mı́nimo absoluto.
Ejemplo 3.27. [ Basado en Poltronieri 2004 ]
Determine los extremos absolutos de f (x, y) = x2 − y 2 en el conjunto
G = {(x, y) ∈ IR2 / x2 + y 2 ≤ 4}
Solución:
∇f = (0, 0) =⇒ 2x = 0 ∧ −2y = 0 =⇒ x = y = 0
d2 f = 2 dx2 − 2 dy 2 , lo cuál cambia de signo =⇒ f (0, 0) punto silla.
En el interior de D no hay extremos locales.
Para analizar la frontera x2 + y 2 = 4 tenemos dos opciones:
Opción 1: Usando multiplicadores de Lagrange.
Sea L(x, y) = x2 − y 2 + λ(x2 + y 2 − 4)

Optimizamos (
2x + 2λx = 0 =⇒ x = 0 ∨ λ = −1
−2y + 2λy = 0
√
Si x = 0 =⇒ y = ± 4 − x2 = ±2, luego λ = 1. p
Si λ = −1 =⇒ −2y − 2y = 0 =⇒ y = 0 =⇒ x = ± 4 − y 2 = ±2
Como x2 + y 2 = 4 =⇒ 2x dx + 2y dy = 0 =⇒ dy = −dx, luego
d2 L = 2(1 + λ) dx2 + 2(−1 + λ) dy 2 = 2(1 + λ) + 2(−1 + λ) dx2 = 4λdx2

(
d2 L(0, ±2)λ=1 = 4dx2 > 0 =⇒ f (0, ±2) = 02 − 22 = −4 es mı́nimo condicionado
d2 L(±2, 0)λ=−1 = −4dx2 < 0 =⇒ f (±2, 0) = 4 es máximo condicionado
Opción 2: Sin usar multiplicadores de Lagrange.
Como x2 + y 2 = 4 =⇒ y 2 = 4 − x2 , en la frontera hay que optimizar la función

2 2
= 2x2 − 4 , siempre que x ∈ − 2, 2

ϕ(x) = x − y
2 2
y =4−x
0 = ϕ0 (x) = 4x =⇒ x = 0
Como ∀x, ϕ00 (x) = 2 > 0 entonces ϕ(0) = −4 es mı́nimo local.
Note además que cuando x = 0, y 2 = 4 − x2 = 4 =⇒ y = ±2, ası́ tenemos mı́nimos locales ligados
en los puntos (0, ±2).
Además ϕ tiene valor crı́tico cuando x = ±2:
ϕ(±2) = 8 − 4 = 4

Como ϕ no tiene máximos locales en − 2, 2 pero sı́ mı́nimos locales de valor −4, entonces ϕ(±2) = 4
es el valor máximo absoluto de ϕ en − 2, 2 .
x2 + y 2 = 4 ∧ x = ±2 =⇒ y = 0
entonces (±2, 0) son máximos locales ligados.
(
f (0, ±2) = −4 es mı́nimo absoluto
∴
f (±2, 0) = 4 es máximo absoluto

Ejemplo 3.28 (Ejercicio). [Ejercicio Oficial 6.1.k de MA1003]
r
x2 y 2
Obtener y clasificar los puntos crı́ticos de la función f (x, y) = xy 1− − .
3 3
Respuesta: Puntos crı́ticos:
(0, y0 ), (x0 , 0), (−1, −1), (−1, 1), (1, −1), (1, 1)
x2 y 2
para cualesquiera x0 , y0 , ∈ [0, 1[ , y también sobre la frontera 1 − − = 0 obtenemos
3 3
√ √ ! √ √ !
√ √ 6 6 6 6
(± 3, 0), (0, ± 3), − ,− y ,
2 2 2 2
De donde:
√ √ √ √
(0, y0 ), (x0 , 0), (± 3, 0), (0, ± 3) y ± ( 6/2, 6/2) son punto silla
f (−1, −1) y f (1, 1) son máximos locales
f (1, −1) y f (−1, 1) son mı́nimos locales.
Nota: La siguiente representación gráfica corres-

ponde a la superficie de representación cartesiana
r
x2 y 2
z = xy 1 − −
3 3
Ejemplo 3.29 (Ejercicio). [Ejercicio Oficial 6.3 de MA1003]

Determine y clasifique los extremos de la función f (x, y) = x2 − xy + y 2 + 3x − 2y + 1, definida en el
rectángulo [−2, 0] × [0, 1].
Respuesta: El único punto crı́tico de f es (−4/3, 1/3) ∈ [−2, 0] × [0, 1].

2 −1 4
Hf = es matriz positiva =⇒ f (−4/3, 1/3) = − es mı́nimo local por criterio del Hessiano
−1 2 3
También hay que considerar la fronteras:
(x, 0), (x, 1), (−2, y), (0, y), (−2, 0), (−2, 1), (0, 0), (0, 1),
f (x, 0) = x2 + 3x − 1 tiene mı́nimo local −5/4 si x = −3/2.

f (x, 1) = x2 + 2x tiene mı́nimo local −1 si x = −1.
f (−2, y) = y 2 − 1 tiene mı́nimo local −1 si y = 0.
f (0, y) = y 2 − 2y + 1 tiene mı́nimo local 0 si y = 1.
Como no hay máximos locales y la función es continua: f (−2, 0) = −1, f (−2, 1) = 0, f (0, 0) = 1 y
f (0, 1) = 0 son máximos locales.
Nota: : f (−4/3, 1/3) = −4/3 es mı́nimo absoluto y f (0, 0) = 1 es máximo absoluto.
Bibliografı́a
[1] Poltronieri J., Ejercicios de Cálculo III, Serie Cabécar, 2008
[2] Poltronieri J., Cálculo diferencial en espacios normados: Funciones en Varias Variables, Serie
Cabécar, 2004
[3] Várilly J., Apuntes de Cálculo III, 2015
[4] Demidovich B., Problemas y Ejercicios de Análisis Matemático, Editorial Mir, Moscú, URSS, 1973
[5] Edwards C. H., Advances Calculus of Several Variables, Academic Press Inc., New York, USA 1973
[6] Apóstol, T., Calculus, Vol. I y II. Editorial Reverté, España, 1980
[7] Lipschuttz M. Teorı́a y Problemas de Geometrı́a Diferencial, Editorial McGraw-Hill, México, 1971
[8] Widder D., Advanced Calculus, Dover Publications, Inc., New York, USA, 1989
[9] Larson R., Hostetler, Cálculo y Geometrı́a Analı́tica, Editorial McGraw-Hill, México, 1989
[10] Pastor J., Santaló L. y Balanzat M., Geometrı́a Analı́tica, Editorial Kapeluz, Buenos Aires Argentina,
1959
[11] Kurosch A. G. Curso de Álgebra Superior. Editorial Mir, Moscú, URSS, 1977
[12] Murdoch D. C. Linear Algebra for Undergraduates. Editorial John Wiley & Sons, Inc, New Yorc,
USA, 1957
[13] Arce C., Castillo W. y González J. Álgebra Lineal. Editorial de la Universidad de Costa Rica, 2002
[14] Grossman S. Álgebra Lineal. Editorial Mc-Graw Hill, México, 2008
[15] Lay D. Linear Algebra and its Applications. Prentice-Hall, New Jersey, 1971
[16] Hoffman K. Linear Algebra. Addison-Wesley Publishing Company, New Jersey, 1971

Func

Cargado por

Copyright:

Formatos disponibles

Func

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Func

Cargado por

Copyright:

Formatos disponibles

Universidad de Costa Rica Dpto.

Tema 2. Funciones en Varias Variables

Ejemplo 1.1. Sea

Definición 1.2 (Función vectorial en varias Variables).

Los valores f1 (X), f2 (X), . . . , fm (X) son llamados componentes de f (X).

Img(f ) = {Z ∈ IRm / ∃X ∈ D, Z = f (X)}

Ejemplo 1.2. Sea  

D = {(x, y, z) ∈ IR3 /z > 0} ⊂ IR3

como el dominio de f , luego f es una función en 3 variables D → IR2

entonces (−6e5 , −10) es la imagen de la preimagen (−2, 3, e5 )

Ejemplo 1.3. Sea √

donde IR∗ = IR \ {0} = {x ∈ IR / x 6= 0}

Nota 1.4. Sean D1 , D2 , . . . Dk ⊆ IR, denotamos el conjunto

(a) f es “inyectiva” o función 1-1 si

es decir que las imágenes tienen una única preimagen.

es decir que todos los elementos de I ( llamado “codominio” ) tienen preimagen.

(c) f es biyectiva si y solo si f es inyectiva y biyectiva.

∀(w1 , w2 ) ∈ IR2 , (w1 , w2 ) = f (x, y, z)

Si hacemos x = 0 [caso particular] obtenemos el sistema

entonces para todo (w1 , w2 ) ∈ IR2

(w1 , w2 ) = f (0, 2w1 + w2 , w1 )

siendo IR+ × IR = {(u, v) ∈ IR2 /u > 0}

entonces f es inyectiva, pues u, x > 0.

por lo tanto f es sobreyectiva.

Definición 1.4 (Invertibilidad). Una función vectorial f : D → I es invertible si y solo si f es biyectiva.

Ejemplo 1.7. En el ejemplo 1.6 se define f : IR+ × IR → IR2 tal que

es una función biyectiva, entonces es invertible y como

1.2 Lı́mites y continuidad

kX − X0 k <  =⇒ |f (X) − L| < δ

f (X) ≈ L cada vez que X ≈ X0 ⇐⇒ kX − X0 k ≈ 0

es decir que cuando kX − X0 k se acerca a 0, entonces f (X) se acerca a L.

Definición 1.6 (Continuidad). Sea f una función D ⊆ IRn → IR.

lim f (X) = f (X0 )

lim f (X) = f (X0 )

Teorema 1.1 (Encuadramiento).

L = lim h(X) ≤ lim f (X) ≤ lim g(X) = L

entonces lim f (X) = L.

Ejemplo 1.10. Sea

L es un lı́mite indeterminado pues por simple evaluación L = 0/0.

entonces por encuadramiento L = 0

es discontinua en (0, 0) pues f (0, 0) = 4 6= 0 = lim f (x, y)

Teorema 1.2. Sea f una función D ⊆ IRn → IR.

C : r = r(t) = x1 (t), . . . , xn (t)

tal que ∃ ta ∈ IR, lim r(t) = X0 , existe el lı́mite:

Nota 1.6. Sea f una función D ⊆ IRn → IR.

Ejemplo 1.11. Sea

como L1 6= L2 entonces el lı́mite L no existe.

kX − X0 k <  =⇒ kF(X) − Lk < δ

F(X) ≈ L cada vez que X ≈ X0 ⇐⇒ kX − X0 k ≈ 0

lim F(X) = F(X0 )

siendo ∀k = 1, . . . m, fk : D → IR las componentes de F.

(a) El lı́mite L = lim F(X)

(b) F es continua en X0 si y solo si ∀k, fk continua en X0

f (x1 , . . . , xi−1 , xi + h, xi+1 , . . . , xn ) − f (x1 , . . . , xn )

Definición 2.2 (Derivadas Parciales de orden superior).

(a) En el caso de f : IR2 → IR

(b) En el caso de f : IR3 → IR

Ejemplo 2.2. Sea f (x, y, z) = sen(x2 y) − ln(y + x3 ) + z, entonces

Ejemplo 1.2. Sea

kX − X0 k < =⇒ |f (X) − L| < δ

kX − X0 k < =⇒ kF(X) − Lk < δ